CN116954329A - 制冷系统的状态调节方法、装置、设备、介质及程序产品 - Google Patents
制冷系统的状态调节方法、装置、设备、介质及程序产品 Download PDFInfo
- Publication number
- CN116954329A CN116954329A CN202310125227.8A CN202310125227A CN116954329A CN 116954329 A CN116954329 A CN 116954329A CN 202310125227 A CN202310125227 A CN 202310125227A CN 116954329 A CN116954329 A CN 116954329A
- Authority
- CN
- China
- Prior art keywords
- state quantity
- performance data
- moment
- system performance
- refrigeration system
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000005057 refrigeration Methods 0.000 title claims abstract description 282
- 238000000034 method Methods 0.000 title claims abstract description 120
- 230000001105 regulatory effect Effects 0.000 title claims abstract description 23
- 238000012549 training Methods 0.000 claims description 36
- 238000003860 storage Methods 0.000 claims description 28
- 238000004458 analytical method Methods 0.000 claims description 22
- 230000003750 conditioning effect Effects 0.000 claims description 11
- 230000004927 fusion Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 6
- 238000005265 energy consumption Methods 0.000 abstract description 26
- 238000013473 artificial intelligence Methods 0.000 abstract description 9
- 230000008569 process Effects 0.000 description 27
- 238000010586 diagram Methods 0.000 description 16
- 238000009826 distribution Methods 0.000 description 15
- 238000005516 engineering process Methods 0.000 description 14
- 238000005259 measurement Methods 0.000 description 12
- 238000003062 neural network model Methods 0.000 description 12
- 238000012545 processing Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 238000005457 optimization Methods 0.000 description 6
- 230000033228 biological regulation Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000011217 control strategy Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 239000003507 refrigerant Substances 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000004378 air conditioning Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 230000001143 conditioned effect Effects 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000001351 cycling effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
- G06F1/16—Constructional details or arrangements
- G06F1/20—Cooling means
- G06F1/206—Cooling means comprising thermal management
-
- H—ELECTRICITY
- H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
- H05K—PRINTED CIRCUITS; CASINGS OR CONSTRUCTIONAL DETAILS OF ELECTRIC APPARATUS; MANUFACTURE OF ASSEMBLAGES OF ELECTRICAL COMPONENTS
- H05K7/00—Constructional details common to different types of electric apparatus
- H05K7/20—Modifications to facilitate cooling, ventilating, or heating
- H05K7/20009—Modifications to facilitate cooling, ventilating, or heating using a gaseous coolant in electronic enclosures
- H05K7/20136—Forced ventilation, e.g. by fans
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2200/00—Indexing scheme relating to G06F1/04 - G06F1/32
- G06F2200/20—Indexing scheme relating to G06F1/20
- G06F2200/202—Air convective hinge
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Human Computer Interaction (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Thermal Sciences (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本申请公开了一种制冷系统的状态调节方法、装置、设备、介质及程序产品,涉及人工智能技术领域。该方法包括:获取制冷系统在第一时刻的状态量;获取制冷系统的参考系统表现数据;基于第一时刻的状态量,通过状态预测模型对制冷系统进行系统表现预测,得到制冷系统在第二时刻的预测系统表现数据;通过降低参考系统表现数据和预测系统表现数据之间的差异,对第一时刻的状态量进行调节,直至得到目标状态量符合参考系统表现数据的表现要求。在训练好的状态预测模型的基础上,以期望系统数据为目标,得到优化后的状态量作为目标状态量,根据该目标状态量能够对制冷系统中的状态量进行适当调节,从而减少制冷系统的整体耗能。
Description
技术领域
本申请实施例涉及人工智能技术领域,特别涉及一种制冷系统的状态调节方法、装置、设备、介质及程序产品。
背景技术
服务器的正常运行是以一定的环境温度为条件的。经数据中心测试,服务器可以在29℃以下的环境中进行工作,当环境温度超出上述条件时,服务器的宕机风险超过90%。
相关技术中,数据中心常配备制冷系统以进行冷热空气的热量循环,保证环境温度稳定在一定范围内,从而确保服务器的正常运行。
然而,制冷系统是一个包含有多个耗能设备的复杂系统,各个耗能设备的可调变量与能耗之间通常表现出非线性的关系。为减少制冷系统的整体耗能,需要制定合适的节能优化方案以最小化制冷系统的耗能。
发明内容
本申请实施例提供了一种制冷系统的状态调节方法、装置、设备、介质及程序产品,能够对制冷系统中的状态量进行适当调节,从而减少制冷系统的整体耗能,最小化制冷系统的耗能,所述技术方案如下:
一方面,提供了一种制冷系统的状态调节方法,所述方法包括:
获取制冷系统在第一时刻的状态量,所述状态量用于指示所述制冷系统在运行时的系统运行参数;
获取所述制冷系统的参考系统表现数据,所述参考系统表现数据是所述制冷系统的期望系统数据;
基于所述第一时刻的所述状态量,通过状态预测模型对所述制冷系统进行系统表现预测,得到所述制冷系统在第二时刻的预测系统表现数据,所述状态预测模型是基于历史时间段内所述制冷系统的系统运行参数进行训练得到的模型,所述第二时刻在时序上处于所述第一时刻之后;
通过降低所述参考系统表现数据和所述预测系统表现数据之间的差异,,对所述第一时刻的状态量进行调节,直至得到目标状态量符合所述参考系统表现数据的表现要求。
另一方面,提供了一种制冷系统的状态调节装置,所述装置包括:
获取模块,用于获取制冷系统在第一时刻的状态量,所述状态量用于指示所述制冷系统在运行时的系统运行参数;
所述获取模块,还用于获取所述制冷系统的参考系统表现数据,所述参考系统表现数据是所述制冷系统的期望系统数据;
预测模块,用于基于所述第一时刻的所述状态量,通过状态预测模型对所述制冷系统进行系统表现预测,得到所述制冷系统在第二时刻的预测系统表现数据,所述状态预测模型是基于历史时间段内所述制冷系统的系统运行参数进行训练得到的模型,所述第二时刻在时序上处于所述第一时刻之后;
调节模块,用于通过降低所述参考系统表现数据和所述预测系统表现数据之间的差异,对所述第一时刻的状态量进行调节,直至得到目标状态量符合所述参考系统表现数据的表现要求。
另一方面,提供了一种计算机设备,所述计算机设备包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如上述实施例中任一所述制冷系统的状态调节方法。
另一方面,提供了一种计算机可读存储介质,所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如上述实施例中任一所述的制冷系统的状态调节方法。
另一方面,提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述实施例中任一所述的制冷系统的状态调节方法。
本申请实施例提供的技术方案带来的有益效果至少包括:
通过状态预测模型对制冷系统进行系统表现预测,得到制冷系统在下一时刻的预测系统表现数据,并通过降低参考系统表现数据和预测系统表现数据之间的差异,对第一时刻的状态量进行调节,直至得到目标状态量符合参考系统表现数据的表现要求。一方面,状态预测模型是预先训练好的神经网络模型,状态预测模型建模了制冷系统中状态量和系统表现数据之间的关系,降低了预测误差,提高了后续得到的目标状态量的准确度;另一方面,在训练好的状态预测模型的基础上,以期望系统数据为目标,得到优化后的状态量作为目标状态量,根据该目标状态量能够对制冷系统中的状态量进行适当调节,从而减少制冷系统的整体耗能。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请一个示例性实施例提供的空气处理机组制冷系统的换热循环的示意图;
图2是本申请一个示例性实施例提供的制冷系统的状态调节方法的整体流程图;
图3是本申请一个示例性实施例提供的实施环境的示意图;
图4是本申请一个示例性实施例提供的制冷系统的状态调节方法的流程图;
图5是本申请另一个示例性实施例提供的制冷系统的状态调节方法的流程图;
图6是本申请一个示例性实施例提供的子功率预测模型的集成示意图;
图7是本申请又一个示例性实施例提供的制冷系统的状态调节方法的流程图;
图8是本申请一个示例性实施例提供的内风机功率预测建模示意图;
图9是本申请一个示例性实施例提供的外风机功率预测建模示意图;
图10是本申请一个示例性实施例提供的压缩机功率预测建模示意图;
图11是本申请一个示例性实施例提供的冷通道温度预测建模示意图;
图12是本申请一个示例性实施例提供的冷热通道压力差预测建模示意图;
图13是本申请一个示例性实施例提供的空气处理机组制冷系统功率预测模型精度及状态调节方法性能示意图;
图14是本申请一个示例性实施例提供的空气处理机组制冷系统冷通道温度预测模型精度及状态调节方法性能的示意图;
图15是本申请一个示例性实施例提供的空气处理机组制冷系统冷热通道压力差预测模型精度及状态调节方法性能的示意图;
图16是本申请一个示例性实施例提供的制冷系统的状态调节装置的结构框图;
图17是本申请另一个示例性实施例提供的制冷系统的状态调节装置的结构框图;
图18是本申请一个示例性实施例提供的计算机设备的结构框图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请中术语“第一”、“第二”等字样用于对作用和功能基本相同的相同项或相似项进行区分,应理解,“第一”、“第二”之间不具有逻辑或时序上的依赖关系,也不对数量和执行顺序进行限定。
首先,针对本申请实施例中涉及的名词进行简单介绍。
人工智能(Artificial Intelligence,AI):是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说,人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。
机器学习(Machine Learning,ML):是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心,是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、示教学习等技术。
服务器的正常运行是以一定的环境温度为条件的。经数据中心测试,服务器可以在29℃以下的环境中进行工作,当环境温度超出上述条件时,服务器的宕机风险超过90%。因此,数据中心常配备制冷系统以进行冷热空气的热量循环,保证环境温度稳定在一定范围内,从而确保服务器的正常运行。制冷系统是一个包含有多个耗能设备的复杂系统,为减少制冷系统的整体耗能,需要制定合适的节能优化方案以最小化制冷系统的耗能。
在数据中心,往往包含有不同的制冷系统结构:(1)整体制冷系统:例如水冷冷源系统,通常对较大的数据中心建立一个整体的制冷系统,包含有冷却塔水循环、冷机制冷剂循环以及冷冻水循环;(2)模块化的制冷系统:将较小的机房作为一个模块,每个模块配备有独立的制冷系统。本申请实施例提供了一种制冷系统的状态调整方法,可应用于模块化的制冷系统优化方案,对空气处理机组进行节能控制方案搭建。
首先,对空气处理机组制冷系统运行原理进行介绍,示意性的,请参考图1,其示出了一个模块的空气处理机组制冷系统的换热循环。一般地,机房中摆放多排的机架,同时配备多台的空气处理机。服务器运行服务及计算量的差异导致房间内的热量分布不均衡,空气处理机需要针对不同的换热需求提供相应的制冷量,使得机器始终在适宜的温度下运行。
如图1所示,机器100产生的热空气(对应图示热通道温度、室内回风)首先会通过热通道至换热芯体101,在换热芯体101内与室外自然风(对应图示室外进风温度)进行第一次的换热;随后,内风机102将换热后的空气吹至空气处理机组的压缩机103,与蒸发器104中的制冷剂发生第二次换热,其中,蒸发器104和冷凝器105之间存在制冷剂的循环,外风机106用于驱动空气循环,实现冷凝器105的散热;最后,降温后的空气作为室内送风吹至冷通道,与机器100产生的热量换热形成热通道的热空气。在该循环中,内风机102、压缩机103及外风机106是空气处理机组制冷系统的主要耗能设备。
其次,对本申请实施例提供的制冷系统的状态调节方法进行说明,示意性的,请参考图2,该方法包括如下流程:
1、将当前时刻的第一状态量201和第二状态量202输入到预先训练好的状态预测模型203。
其中,第一状态量201是指制冷系统中可调节的系统运行参数,例如:送风温度、内风机的转速等;第二状态量202是指制冷系统中不可调节的系统运行参数,例如:冷通道的温度、湿度等;状态预测模型203用于对下一时刻制冷系统的系统表现数据进行预测,该系统表现数据可以是制冷系统在下一时刻的运行功率。
2、通过状态预测模型203对制冷系统进行系统表现预测,输出得到预测系统表现数据204。
示意性的,通过状态预测模型203对制冷系统进行功率预测,输出得到制冷系统下一时刻的预测功率(即为制冷系统在下一时刻的运行功率)。
3、基于预测系统表现数据204和参考系统表现数据205之间的差异,确定目标损失值。
其中,参考系统表现数据205是制冷系统的期望系统数据,是一个理想的数据,例如:若系统表现数据是指制冷系统的运行功率,那么参考系统表现数据可以是一个能够维持制冷系统运行的最小功率。
可选地,参考系统表现数据可以是人工设置的数据,还可以是根据历史时间段内的制冷系统的表现数据进行确定的数据。
4、根据目标损失值对第一状态量201进行调节,直至得到目标状态量符合参考系统表现数据205的表现要求。
示意性的,根据目标损失值,计算模型反向传播对应的回传梯度,通过回传梯度对第一状态量201进行更新得到候选状态量;将候选状态量和第二状态量202再次输入到状态预测模型203中,计算得到新的损失,若该新的损失小于或者等于预设阈值,或者对第一状态量201的调节次数达到预设次数,则此时候选状态量即为最终的目标状态量;若新的损失大于预设阈值,或者对第一状态量201的调节次数未达到预设次数,则继续循环上述步骤,直至得到的候选状态量满足条件,满足条件的候选状态量即为目标状态量。
其次,对本申请实施例中涉及的实施环境进行说明,可选地,本申请实施例可以由终端单独实现,也可以由服务器单独实现,还可以由终端和服务器共同实现。本实施例中,以终端和服务器共同实现为例进行说明。
示意性的,请参考图3,该实施环境中涉及终端310、服务器320,终端310和服务器320之间通过通信网络330连接。其中,通信网络330可以是有线网络,还可以是无线网络,本申请实施例对此不加以限定。
在一些可选的实施例中,终端310中安装和运行有具有制冷系统的状态调节功能的目标应用程序。该目标应用程序可以实现为数据中心管理应用程序、车载管理应用程序、即时通讯应用程序等,本申请实施例对此不加以限定。示意性的,当需要对制冷系统中的状态量进行调节时,可将制冷系统在当前时刻的状态量以及期望的系统表现数据输入到终端310中,终端310可对其进行分析,得到目标状态量。可选地,终端310得到目标状态量后,将制冷系统中原始状态量(输入的状态量)向目标状态量进行调整。
在一些可选的实施例中,服务器320用于为终端310中安装的目标应用程序提供后台服务,服务器320中设置有状态预测模型,服务器320收到当前时刻的状态量以及期望的系统表现数据后,将其输入到状态预测模型中,基于第一时刻的状态量,通过状态预测模型对制冷系统进行系统表现预测,得到制冷系统在下一时刻的预测系统表现数据;并通过降低参考系统表现数据和预测系统表现数据之间的差异,对第一时刻的状态量进行调节,直至得到目标状态量符合参考系统表现数据的表现要求。可选地,服务器320将获取得到的目标状态量发送到终端310中。
在一些可选的实施例中,上述状态预测模型设置在终端310中,即终端310可通过状态预测模型对当前时刻的状态量以及期望的系统表现数据进行分析后,获取目标状态量;即,终端310可离线完成本申请中制冷系统的状态调节过程。
其中,终端310包括智能手机、平板电脑、便携式膝上笔记本电脑、台式计算机、智能音箱、智能可穿戴设备、智能语音交互设备、智能家电、车载终端等终端中的至少一种。
值得注意的是,服务器320能够是独立的物理服务器,也能够是多个物理服务器构成的服务器集群或者分布式系统,还能够是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN(Content Delivery Network,内容分发网络)以及大数据和人工智能平台等基础云计算服务的云服务器。
其中,云技术(Cloud Technology)是指在广域网或局域网内将硬件、软件、网络等系列资源统一起来,实现数据的计算、储存、处理和共享的一种托管技术。云技术基于云计算商业模型应用的网络技术、信息技术、整合技术、管理平台技术、应用技术等的总称,可以组成资源池,按需所用,灵活便利。云计算技术将变成重要支撑。技术网络系统的后台服务需要大量的计算、存储资源,如视频网站、图片类网站和更多的门户网站。伴随着互联网行业的高度发展和应用,将来每个物品都有可能存在自己的识别标志,都需要传输到后台系统进行逻辑处理,不同程度级别的数据将会分开处理,各类行业数据皆需要强大的系统后盾支撑,只能通过云计算来实现。可选地,服务器320还可以实现为区块链系统中的节点。
需要进行说明的是,本申请在收集用户的相关数据(例如:制冷系统的状态量)之前以及在收集用户的相关数据的过程中,都可以显示提示界面、弹窗或输出语音提示信息,该提示界面、弹窗或语音提示信息用于提示用户当前正在搜集其相关数据,使得本申请仅仅在获取到用户对该提示界面或者弹窗发出的确认操作后,才开始执行获取用户相关数据的相关步骤,否则(即未获取到用户对该提示界面或者弹窗发出的确认操作时),结束获取用户相关数据的相关步骤,即不获取用户的相关数据。换句话说,本申请所采集的所有用户数据都是在用户同意并授权的情况下进行采集的,且相关用户数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
结合上述介绍和实施环境,图4是本申请实施例提供的一种制冷系统的状态调节方法的流程图,该方法可以由服务器或者终端执行,也可以由服务器和终端共同执行,本申请实施例中,以该方法由服务器执行为例进行说明,如图4所示,该方法包括:
步骤401,获取制冷系统在第一时刻的状态量。
其中,状态量用于指示制冷系统在运行时的系统运行参数。
上述制冷系统用于进行冷热空气的热量循环以保证环境温度的稳定,可选地,制冷系统包括基于冷水处理机组的制冷系统、基于空气处理机组的制冷系统等;制冷系统可以是车载的系统,还可以是数据中心的系统,本申请实施例对此不加以限定。
可选地,在制冷系统中包括多个设备,示意性的,在基于空气处理机组的制冷系统中,设备包括内风机、外风机、压缩机、蒸发器、冷凝器、换热芯体、冷通道、热通道等;若该制冷系统是搭载在数据中心的系统,那么制冷系统中的设备还包含数据中心中的计算机设备(例如:服务器,即需要测量计算机设备的负载功率,作为制冷系统的状态量)。
示意性的,可在制冷系统中放置多个测点,在第一时刻,通过测点测得制冷系统中系统运行参数对应的数值,该数值即为制冷系统在第一时刻的状态量。其中,第一时刻即为当前时刻。
在一些实施例中,上述状态量包括第一状态量和第二状态量,其中,第一状态量用于指示制冷系统中待调节的系统运行参数,第二状态量用于指示制冷系统中不可调节的系统运行参数。
示意性的,在制冷系统运行时,制冷系统对应有多个系统运行参数,其中,多个系统运行参数包括设备的运行参数(例如:设备的压力、温度、转速、运行功率等),多个系统运行参数还包括制冷系统所在的环境数据参数(例如:进风温度、回风温度等)。对于多个系统运行参数来说,一部分系统运行参数为不可调节的系统运行参数,即不可主动进行调节的系统运行参数,例如:冷通道的温度、湿度等;另一部分系统运行参数为可调节的数据,即可主动进行调节的数据,例如:送风温度、内风机的转速等。
步骤402,获取制冷系统的参考系统表现数据。
其中,参考系统表现数据是制冷系统的期望系统数据。
示意性的,参考系统表现数据是一个理想的数据,例如:若系统表现数据是指制冷系统的运行总功率,那么参考系统表现数据可以是一个能够维持制冷系统运行的最小功率。
可选地,制冷系统的参考系统表现数据可以包括一种数据,也可以包括多种数据。例如:参考系统表现数据可以仅为制冷系统的总功率,参考系统表现数据还可以包含制冷系统的总功率、制冷系统中冷通道的温度以及制冷系统中冷热通道的压力差等。
可选地,参考系统表现数据可以是人工设置的数据,还可以是根据历史时间段内的制冷系统的表现数据进行确定的数据。若参考系统表现数据实现为根据历史时间段内的制冷系统的表现数据进行确定的数据,则获取参考系统表现数据的方法,还包括:
获取在历史时间段内制冷系统的历史系统表现数据;对历史系统表现数据进行加权平均分析,得到制冷系统的参考系统表现数据。
可选地,计算历史系统表现数据的平均值,将该平均值作为参考系统表现数据。示意性的,对于某制冷系统,选取一个历史时间段,该历史时间段可以是耗能最少的时间段,计算这个时间段内制冷系统运行功率的平均值,将该平均值作为参考系统耗能(即参考系统表现数据)。
在一些可选的实施例中,可对历史时间区间内的多个候选时间段进行分析,从中确定较为合适的一个或者多个候选时间段作为历史时间段,从而提高计算得到的参考系统表现数据的精度。
可选地,以参考系统表现数据实现为制冷系统的参考运行功率为例进行说明,获取在p个候选时间段内制冷系统分别对应的第一运行功率,p为正整数;获取p个候选时间段内计算机设备的第二运行功率,计算机设备为搭载在制冷系统中的设备;对第k个候选时间段对应的第一运行功率进行稳定性分析,确定第k个候选时间段的第一置信度分数,k为小于或者等于p的正整数;基于第k个候选时间段对应的第二运行功率,对第k个候选时间段对应的第一运行功率进行能源效率分析,确定第k个候选时间段的第二置信度分数;基于p个候选时间段分别对应的第一置信度分数和第二置信度分数,从p个候选时间段中确定历史时间段。
示意性的,假设存在T1、T2、T3三个候选时间段,这三个候选时间段分别对应有多个制冷系统运行功率(单个制冷系统运行功率指某一时刻,或某个较短时间段维持的运行功率);首先,对于单个时间段T1来说,可将其中包含的多个制冷系统运行功率输入到系统功率稳定性分析模型中,输入得到T1对应的第一置信度分数,其中,系统功率稳定性分析模型是已经训练好的神经网络模型,系统功率稳定性分析模型是根据多个连续样本功率和其对应的参考置信度分数训练得到的模型,参考置信度分数为人工标注的对于单个连续样本功率的稳定性打分。
其次,对于单个时间段T1来说,若制冷系统为搭载在机房中的系统,则需要考虑机房中计算机设备的负载,从而计算制冷系统的能源效率,示意性的,获取多个制冷系统运行功率数值各自对应的设备负载,计算制冷系统运行功率与设备负载之间的比值,比值越接近1,则T1对应的第二置信度分数越高。
最后,基于T1、T2、T3三个候选时间段分别对应的第一置信度分数和第二置信度分数进行分析,从T1、T2、T3三个候选时间段确定出历史时间段。
可选地,对第一置信度分数和第二置信度分数进行加权融合,得到p个候选时间段分别对应的融合置信度分数;将p个候选时间段中融合置信度分数大于预设分数阈值的候选时间段确定为历史时间段。
示意性的,基于预先设定的权重信息,计算第一置信度分数和第二置信度分数的加权平均数;设定一个分数阈值,若T1、T2、T3中仅有T1对应的加权平均数大于该分数阈值,则T1为历史时间段;若T1、T2、T3中T1、T2对应的加权平均数均大于该分数阈值,将将T1、T2都作为历史时间段。
步骤403,基于第一时刻的状态量,通过状态预测模型对制冷系统进行系统表现预测,得到制冷系统在第二时刻的预测系统表现数据。
其中,状态预测模型是基于历史时间段内制冷系统的系统运行参数进行训练得到的模型,第二时刻在时序上处于第一时刻之后。
可选地,状态预测模型可实现为多层感知机(Multilayer Perceptron,MLP)、卷积神经网络(convolutional neural network,CNN)等中的至少一种,本申请实施例对此不加以限定。
可选地,若第一时刻的状态量包括第一状态量和第二状态量,将第一时刻的第一状态量以及第一时刻的第二状态量输入到状态预测模型中,对制冷系统进行系统表现预测,输出得到制冷系统在第二时刻的预测系统表现数据。
在一些实施例中,在得到制冷系统在第二时刻的预测系统表现数据之前,还需要对状态预测模型进行训练,状态预测模型的训练方法包括以下步骤:获取制冷系统在t+d时刻的第一状态量、t时刻的第二状态量以及制冷系统在t+1时刻的实际系统表现数据,其中,t、d为正整数,d用于表示时间间隔;t时刻和t+d时刻都是历史时间段内的历史时刻;将制冷系统在在t+d时刻的第一状态量、t时刻的第二状态量输入候选状态预测模型中,对制冷系统进行系统表现预测,得到制冷系统在t+d时刻的预测系统表现数据;基于预测系统表现数据和实际系统表现数据之间的差异,确定第二损失;基于第二损失对候选状态预测模型进行训练,得到状态预测模型。
可选地,进行多次迭代循环训练,直至第二损失收敛,停止训练;或者,达到预设训练次数,停止训练,此时得到的候选状态预测模型即为状态预测模型,用于对制冷系统的系统表现数据进行预测。
上述状态预测模型用于对制冷系统的系统表现数据进行预测,该系统表现数据可以是制冷系统中的主要耗能设备运行功率,该主要耗能设备运行功率包括内风机功率、外风机功率、压缩机功率等;示意性的,得到训练好的状态预测模型之后,基于当前时刻制冷系统在运行时的各个系统运行参数,通过状态预测模型对制冷系统进行总功率预测,预测得到制冷系统在下一时刻运行时的运行功率(即为预测系统表现数据)。
可选地,在对状态预测模型进行训练时,可通过线性混合的方式对训练数据进行数据增广,从而提高状态预测模型在未见过的一些数据点上的预测准确性。示意性的,xi与xj代表任意两个样本点的输入,yi与yj代表对应两个样本点的输出,通过参数λ将两个样本点进行线性的加权,得到新的样本点对其中参数λ是从贝塔(Beta)分布(α,α)中随机采样得到的参数,其中,α∈(0,∞)。则计算得到/>的公式如下公式一所示:
公式一:
计算得到的公式如下公式二所示:
公式二:
可选地,对于状态预测模型来说,任意两个样本点xi与xj可以是制冷系统中任意两个测点测得的状态量,对应的yi与yj可表示xi与xj输入到候选状态预测模型后输出的值;任意两个样本点xi与xj可以是制冷系统中心相同测点在任意两个时刻测得的状态量,对应的yi与yj可表示xi与xj分别输入到候选状态预测模型后输出的值。
在一些可选的实施例中,状态预测模型在训练过程中采集到的状态量,由于监测装置故障等原因,可能会存在状态量误差较大或者缺失的情况,导致训练得到的模型精度较低。可选地,采用物理建模与神经网络建模相结合的方式,建模得到状态预测模型。
示意性的,第一、通过状态预测模型中物理模型对状态量进行拟合,补全状态量中缺失的数据点;第二、通过状态预测模型中神经网络模型对物理模型产生的残差(实际的状态量和拟合量之间的差)和对应的数据进行拟合,以修正物理模型与带噪声的数据点之间的关系,最终提高训练得到的状态预测模型的预测准确度。
步骤404,通过降低参考系统表现数据和预测系统表现数据之间的差异,对第一时刻的状态量进行调节,直至得到目标状态量符合参考系统表现数据的表现要求。
其中,目标状态量用于对制冷系统中待调节的系统运行参数进行调节。
示意性的,通过降低参考系统表现数据和预测系统表现数据之间的差异,不断对第一时刻的状态量进行调整,得到目标状态量;将该目标状态量输入到状态预测模型中,若输出得到的预测系统表现数据与参考系统表现数据之间的差异小于或者等于预设目标;或者,对第一时刻的状态量的调整次数达到预设次数,即代表目标状态量符合参考系统表现数据的表现要求。
可选地,通过降低参考系统表现数据和预测系统表现数据之间的差异,确定第一时刻的第一状态量对应的目标状态量。
示意性的,计算参考系统表现数据和预测系统表现数据之间的差异,基于该差异对输入状态预测模型的第一时刻的第一状态量(制冷系统中可以进行调节的系统运行参数)进行调整,得到调整后的状态量;将调整后的状态量再次输入到状态预测模型,(需要进行说明的是,这里“对输入状态预测模型的第一时刻的第一状态量进行调整”并未实际对制冷系统的状态量进行了调整,而是仅仅调整数值,其目的是为了不断进行优化得到目标状态量,目标状态量才是最终应用于制冷系统的数据)循环上述步骤,直到参考系统表现数据和预测系统表现数据之间的差异小于或者等于预设阈值,或者,循环次数达到预设次数,此时,得到的状态量即为目标状态量,该目标状态量即为制冷系统需要调整的目标,得到目标状态量后,制冷系统中的控制模块可将第一状态量调节至目标状态量。
可选地,目标状态量即为制冷系统中待调节的系统运行参数在第二时刻之前需要达到的状态量。示意性的,制冷系统中测点的采样间隔为30分钟,若第一时刻为0:10,第二时刻为0:40;在0:10,基于制冷系统中测点返回的第一状态量和第二状态量,确定第一状态量对应的目标状态量(这里,确定目标状态量的过程是一个较短的过程);在获取得到目标状态量后,制冷系统中的控制模块即可将第一状态量调整为目标状态量,从而使得制冷系统在0:10-0:40产生的耗能尽量小。
在一些实施例中,得到目标状态量的方法还包括:
基于参考系统表现数据和预测系统表现数据之间的差异,确定第一损失;基于第一损失,对状态预测模型进行反向传播,确定第一损失对应的回传梯度;基于回传梯度,确定第一时刻的状态量对应的候选状态量;响应于候选状态量符合参考系统表现数据的表现要求,将候选状态量确定为目标状态量。
可选地,若状态量包括第一状态量和第二状态量,则可基于回传梯度,确定第一时刻的第一状态量对应的候选状态量。
示意性的,确定第一损失之后,根据第一损失和状态预测模型中的参数,确定第一损失对应的回传梯度;根据该回传梯度对第一状态量进行调节,得到候选状态量,将候选状态量和第二状态量再次输入到状态预测模型中,计算得到新的第一损失,若该新的第一损失小于或者等于预设阈值,或者对第一状态量的调节次数达到预设次数,则此时候选状态量即为目标状态量。若新的损失大于预设阈值,或者对第一状态量的调节次数未达到预设次数,则继续循环上述步骤,直至得到的候选状态量满足符合参考系统表现数据的表现要求,将此时的候选状态量确定为目标状态量。
需要进行说明的是,1)注意区分参考系统表现数据和实际系统表现数据,参考系统表现数据为模型应用过程中设置的数据,属于预先设置的对于制冷系统的期望系统数据;实际系统表现数据为模型训练过程中的训练数据,属于历史时间段内系统实际的表现数据。2)本步骤中,计算第一损失从而调节状态量的过程并不是训练过程,而是求解满足最优的状态量(即目标状态量)的过程,该过程虽然也有迭代过程,但属于对状态预测模型的应用。3)本步骤中,第一损失值只用于调整输入模型的状态量的值,不用于更新状态预测模型的参数,也即,在步骤中,状态预测模型的参数是固定不变的。
综上所述,本申请实施例提供的制冷系统的状态调节方法通过状态预测模型对制冷系统进行系统表现预测,得到制冷系统在下一时刻的预测系统表现数据,并通过降低参考系统表现数据和预测系统表现数据之间的差异,对第一时刻的状态量进行调节,直至得到目标状态量符合参考系统表现数据的表现要求。一方面,状态预测模型是预先训练好的神经网络模型,状态预测模型建模了制冷系统中状态量和系统表现数据之间的关系,降低了预测误差,提高了后续得到的目标状态量的准确度;另一方面,在训练好的状态预测模型的基础上,以期望系统数据为目标,得到优化后的状态量作为目标状态量,根据该目标状态量能够对制冷系统中的状态量进行适当调节,从而减少制冷系统的整体耗能。
本申请实施例提供的方法,通过参考系统表现数据和预测系统表现数据确定的第一损失,对状态预测模型进行反向传播,从而确定第一损失对应的回传梯度。直接基于训练好的状态预测模型,通过梯度下降不断对第一时刻的状态量进行调整,从而得到符合参考系统表现数据的表现要求的最优解,也即目标状态量,提高了获取得到目标状态量的效率。
本申请实施例提供的方法,在对制冷系统的状态量的调节过程中,并未调节所有的状态量,而是对其中一部分状态量进行调节,通过改变部分可调节的状态量,减少制冷系统参考系统表现数据和预测系统表现数据之间的差异,提高了对制冷系统的状态量调节效率。
本申请实施例提供的方法,通过对历史时间段内制冷系统的历史系统表现数据进行加权平均分析,得到制冷系统的参考系统表现数据,提高了参考系统表现数据的可信度。
本申请实施例提供的方法,基于对多个候选时间段内的制冷系统功率进行稳定性分析以及根据系统中搭建的设备的功率对制冷系统功率进行能源效率分析,从多个候选时间段中确定出历史时间段,提高了确定的历史时间段内的数据的稳定性和可靠性。
在一些可选的实施例中,可集成多个状态预测模型,基于多个状态预测模型的输出共同确定制冷系统在第二时刻的预测系统表现数据。可选地,状态预测模型中包括n个结构相同的子状态预测模型,n个子状态预测模型用于对制冷系统进行系统表现预测,n个子状态预测模型分别对应有不同的模型初始化参数,n为大于1的正整数;图5是本申请实施例提供的一种制冷系统的状态调节方法的流程图,该方法可以由服务器或者终端执行,也可以由服务器和终端共同执行,本申请实施例中,以该方法由服务器执行为例进行说明,如图5所示,该方法包括:
步骤501,获取制冷系统在第一时刻的状态量。
其中,状态量用于指示制冷系统在运行时的系统运行参数。
上述状态量包括第一状态量和第二状态量,其中,第一状态量用于指示制冷系统中待调节的系统运行参数,第二状态量用于指示制冷系统中不可调节的系统运行参数。
步骤502,获取制冷系统的参考系统表现数据。
其中,参考系统表现数据是制冷系统的期望系统数据。
示意性的,参考系统表现数据是一个理想的数据,例如:若系统表现数据是指制冷系统的运行总功率,那么参考系统表现数据可以是一个能够维持制冷系统运行的最小功率。
步骤503,将第一时刻的状态量输入第i个子状态预测模型中,通过第i个子状态预测模型对制冷系统进行系统表现预测,得到制冷系统在第二时刻的第i个子系统表现数据。
其中,i为小于或者等于n的正整数。
上述n个结构相同的子状态预测模型为预先训练好的模型,n个子状态预测模型同样也是基于历史时间段内制冷系统的系统运行参数进行训练得到的模型。在对其进行训练过程中,各个子状态预测模型的模型结构虽然相同,但是模型的初始化参数是不同的,这就导致各个子状态预测模型对于相同输入会输入不同的结果。可选地,对n个子状态预测模型进行训练的方法还包括:
获取制冷系统在t+d时刻的第一状态量、t时刻的第二状态量以及制冷系统在t+1时刻的实际系统表现数据,其中,t、d为正整数,d用于表示时间间隔;t时刻和t+d时刻都是历史时间段内的历史时刻;将制冷系统在在t+d时刻的第一状态量、t时刻的第二状态量输入第i个候选状态预测模型中,对制冷系统进行系统表现预测,得到制冷系统在t+1时刻的预测系统表现数据;基于预测系统表现数据和实际系统表现数据之间的差异,确定第i个子损失;基于第i个子损失对第i个候选状态预测模型进行训练,得到第i个子状态预测模型。
可选地,上述基于第i个子损失对第i个候选状态预测模型进行训练,得到第i个子状态预测模型,包括以下情况中的至少一种:
1、根据第i个子损失单独对第i个候选状态预测模型的模型参数进行更新,得到第i个子状态预测模型。
2、根据n个子损失的平均值对第i个候选状态预测模型的模型参数进行更新,得到第i个子状态预测模型。
示意性的,以状态预测模型实现为功率预测模型为例进行说明,请参考图6,其示出了一种子功率预测模型的集成示意图,其中,模型601、模型602、模型603为预先训练好的子功率预测模型,将t时刻(当前时刻)制冷系统中待调节的状态变量at以及t时刻制冷系统中不可调节的状态变量st分别输入到模型601、模型602、模型603中,输出得到三个不同的制冷系统的功率数据计算这三个不同的功率数据/>的平均值,将该平均值作为对t+30时刻的制冷系统的功率的预测。
步骤504,对n个子系统表现数据进行加权平均分析,得到制冷系统在第二时刻的预测系统表现数据。
可选地,计算n个子系统表现数据之间的平均数,将该平均数作为得到制冷系统在第二时刻的预测系统表现数据。
步骤505,通过降低参考系统表现数据和预测系统表现数据之间的差异,对第一时刻的第一状态量进行调节,直至得到目标状态量符合参考系统表现数据的表现要求。
其中,目标状态量用于确定制冷系统中待调节的系统运行参数的调节量。
示意性的,计算参考系统表现数据和预测系统表现数据之间的差异,基于该差异对输入状态预测模型的第一时刻的第一状态量(制冷系统中可以进行调节的系统运行参数)进行调整,得到调整后的状态量;将调整后的状态量再次输入到状态预测模型,循环上述步骤,直到参考系统表现数据和预测系统表现数据之间的差异小于或者等于预设阈值,或者,循环次数达到预设次数,此时,得到的状态量即为目标状态量,该目标状态量即为制冷系统需要调整的目标,得到目标状态量后,制冷系统中的控制模块可将第一状态量调节至目标状态量。
综上所述,本申请实施例提供的制冷系统的状态调节方法通过状态预测模型对制冷系统进行系统表现预测,得到制冷系统在下一时刻的预测系统表现数据,并通过降低参考系统表现数据和预测系统表现数据之间的差异,对第一时刻的状态量进行调节,直至得到目标状态量符合参考系统表现数据的表现要求。一方面,状态预测模型是预先训练好的神经网络模型,状态预测模型建模了制冷系统中状态量和系统表现数据之间的关系,降低了预测误差,提高了后续得到的目标状态量的准确度;另一方面,在训练好的状态预测模型的基础上,以期望系统数据为目标,得到优化后的状态量作为目标状态量,根据该目标状态量能够对制冷系统中的状态量进行适当调节,从而减少制冷系统的整体耗能。
本申请实施例提供的方法,通过集成多个子状态预测模型,基于多个子状态预测模型的输出共同确定制冷系统在第二时刻的预测系统表现数据,利用多模型集成的方法提高状态预测模型的预测鲁棒性,降低泛化误差。
在一些可选的实施例中,上述状态预测模型包括功率预测模型,图7是本申请实施例提供的一种制冷系统的状态调节方法的流程图,该方法可以由服务器或者终端执行,也可以由服务器和终端共同执行,本申请实施例中,以该方法由服务器执行为例进行说明,如图7所示,该方法包括:
步骤701,获取制冷系统在第一时刻的状态量。
上述状态量包括第一状态量和第二状态量,其中,第一状态量用于指示制冷系统中待调节的系统运行参数,第二状态量用于指示制冷系统中不可调节的系统运行参数。
该通过该功率预测模型预测制冷系统整体的运行功率;或者,对制冷系统中主要耗能设备分别建模,即针对不同耗能设备,设置不同的功率预测模型,通过不同的功率预测模型预测不同耗能设备的运行功率,将它们之间的运行功率之和作为制冷系统整体的运行功率。
以对制冷系统中主要耗能设备分别建模为例进行说明,可选地,制冷系统中的主要耗能设备为内风机、外风机以及压缩机,则需要分别训练内风机功率预测模型、外风机功率预测模型以及压缩机功率预测模型。下面分别对这三个模型对应的输入和输出数据进行说明(训练过程可参考上述实施例中对状态预测模型的训练过程,此处不再赘述):
1、内风机功率预测模型。
其中,内风机功率预测模型用于预测制冷系统中内风机的运行功率。
示意性的,请参考图8,对于内风机功率预测模型800来说,需要建模内风机转速和内风机的运行功率之间的关系,其中待调节的状态量(即第一状态量)即为内风机转速,如图8所示,输入数据为测点编号和内风机转速,其中,测点是指在内风机上不同位置安装的检测内风机转速的设备,不同的测点对应着不同的测点编号,测点编号和内风机转速一一对应。在制冷系统中包含有9台空调,每台空调上有6个内风机测点,即代表共有54个测点;这54个测点编号和对应的内风机转速即为一次迭代过程中输入模型的第一状态量,输出得到这54个测点编号分别对应的内风机功率作为预测结果;或者,输出这54个测点编号分别对应的内风机功率的均值作为预测结果。
2、外风机功率预测模型。
其中,外风机功率预测模型用于预测制冷系统中外风机的运行功率。
示意性的,请参考图9,对于外风机功率预测模型900来说,需要建模外风机转速和外风机的运行功率之间的关系,其中待调节的状态量(即第一状态量)即为外风机转速,如图9所示,输入数据为测点编号和外风机转速,其中,测点是指在外风机上不同位置安装的检测外风机转速的设备,不同的测点对应着不同的测点编号,测点编号和外风机转速一一对应。在制冷系统中包含有9台空调,每台空调上有7个外风机测点,即代表共有63个测点;这63个测点编号和对应的外风机转速即为一次迭代过程中输入模型的第一状态量,输出得到这63个测点编号分别对应的外风机功率作为预测结果;或者,输出这63个测点编号分别对应的外风机功率的均值作为预测结果。
3、压缩机功率预测模型。
其中,压缩机功率预测模型用于预测制冷系统中压缩机的运行功率。
示意性的,请参考图10,对于压缩机功率预测模型1000来说,需要建模压缩机启动台数、各台压缩机运行状态、各台压缩机转速、蒸发器压力、蒸发器温度、冷凝器压力、冷凝器温度和压缩机的运行功率之间的关系,其中无待调节的系统运行参数(即第一状态量)。如图10所示,输入数据为空调编号、压缩机启动台数、各台压缩机运行状态、各台压缩机转速、蒸发器压力、蒸发器温度、冷凝器压力、冷凝器温度,其中,由于一台空调上仅安装有一个压缩机总测点,故通过空调编号代指测点编号,空调编号和上述压缩机的第一状态量一一对应。在制冷系统中包含有9台空调,即代表共有9个总测点;这9个空调编号和对应的压缩机的第一状态量即为一次迭代过程中输入模型的第一状态量,输出得到这9个测点编号分别对应的压缩机功率作为预测结果;或者,输出这9个测点编号分别对应的压缩机功率的均值作为预测结果。
训练得到上述三个功率预测模型后,需要应用这三个功率预测模型进行节能优化方案的制定,即通过这三个功率预测模型预测得到使得制冷系统能耗最接近期望功率的可调节的输入状态量。
故需要获取当前时刻的内风机转速、外风机转速作为制冷系统在第一时刻的第一状态量;获取当前时刻的压缩机启动台数、各台压缩机运行状态、各台压缩机转速、蒸发器压力、蒸发器温度、冷凝器压力、冷凝器温度作为制冷系统在第一时刻的第二状态量。
步骤702,获取制冷系统的参考系统功率。
其中,参考系统功率是指制冷系统的期望运行功率。
可选地,参考系统功率可以指制冷系统中所有设备的运行功率之和。
或者,参考系统功率可以指制冷系统中主要耗能设备的运行功率之和。示意性的,获取历史时间段内制冷系统中内风机的平均运行功率、外风机的平均运行功率、压缩机的平均运行功率之和作为内风机功率预测模型对应的参考系统功率。
步骤703,基于第一时刻的状态量,通过功率预测模型对制冷系统进行功率预测,得到制冷系统在第二时刻的预测系统功率。
示意性的,将内风机对应的内风机转速输入内风机功率预测模型,通过内风机功率预测模型对内风机进行功率预测,得到制冷系统在第二时刻的第一系统功率;将外风机对应的外风机转速输入外风机功率预测模型,通过外风机功率预测模型对外风机进行功率预测,得到制冷系统在第二时刻的第二系统功率;将压缩机对应的压缩机启动台数、各台压缩机运行状态、各台压缩机转速、蒸发器压力、蒸发器温度、冷凝器压力、冷凝器温度输入压缩机功率预测模型,通过压缩机功率预测模型对压缩机进行功率预测,得到制冷系统在第二时刻的第三系统功率;计算第一系统功率、第二系统功率和第三系统功率之和作为制冷系统在第二时刻的预测系统功率。
步骤704,通过降低参考系统功率和预测系统功率之间的第一差异,对第一时刻的状态量进行调节,直至得到目标状态量符合参考系统表现数据的表现要求。
可选地,以第一时刻的状态量包括第一状态量和第二状态量为例进行说明,示意性的,基于参考系统功率和预测系统功率之间的第一差异,确定第一子损失,确定第一子损失之后,根据第一子损失和各功率预测模型中的参数,确定各功率预测模型分别对应的回传梯度;根据各功率预测模型分别对应的回传梯度,各自调节其对应的第一状态量,得到各功率预测模型分别对应的候选状态量,将各自对应的候选状态量和各自对应的第二状态量再次分别输入到各功率预测模型中,计算得到新的第一子损失,若该新的第一子损失小于或者等于预设阈值,或者对第一状态量的调节次数达到预设次数,则此时各功率预测模型分别对应的候选状态量即为各功率预测模型分别对应的目标状态量。若新的损失大于预设阈值,或者对第一状态量的调节次数未达到预设次数,则继续循环上述步骤,直至候选状态量符合参考系统表现数据的表现要求,将此时的各功率预测模型分别对应的候选状态量确定为各功率预测模型分别对应的目标状态量。
在一些可选的实施例中,本申请提供的制冷系统的状态调节,对于制冷系统的状态调节不单以总功率为优化目标,同时还考虑了整个制冷系统所需要满足的物理约束:空气处理机需要平衡多排机架因为不同的IT负载产生的热,因此本申请提供的制冷系统的状态调节方法,在机房的空气循环中尽可能地维持冷通道保持稳定。另外,冷通道与热通道之间需要内风机的作用保证一定的正压差,使得冷空气与热空气之间完成对流;因此,需要对机房的冷通道温度以及冷热通道压力差进行建模,以预测调节后冷通道温度以及冷热通道压力差的变化。也就是说,上述状态预测模型中还包括冷通道温度预测模型和冷热通道压力差预测模型中的至少一种。
1、对制冷系统的冷通道温度进行建模。
即设置一个冷通道温度预测模型(训练过程可参考上述实施例中对状态预测模型的训练过程,此处不再赘述),该冷通道温度预测模型用于预测制冷系统中冷通道的温度。
示意性的,请参考图11,对于冷通道温度预测模型1100来说,需要建模热通道温度、室外进风温度、内风机转速、蒸发器压力、蒸发器温度、冷凝器压力、冷凝器温度、外风机转速、湿球温度、送风温度、过去的冷通道温度和冷通道温度之间的关系,如图11所示,输入数据包括:测点编号、热通道温度、室外进风温度、内风机转速、蒸发器压力、蒸发器温度、冷凝器压力、冷凝器温度、外风机转速、湿球温度、送风温度、过去的冷通道温度,其中,测点是在制冷系统安装的检测冷通道温度的设备,不同的测点对应着不同的测点编号,测点编号和冷通道温度对应的第一状态量一一对应。将18个测点编号和对应的冷通道的第一状态量即为一次迭代过程中输入模型的第一状态量,输出得到这18个测点编号分别对应的冷通道温度作为预测结果;或者,输出这18个测点编号分别对应的冷通道温度的均值作为预测结果。
可选地,得到训练好的冷通道温度预测模型后,还包括如下步骤:
步骤一:获取制冷系统在第一时刻用于进行冷通道温度预测的状态量。
可选地,获取第一时刻的热通道温度、室外进风温度、内风机转速、蒸发器压力、蒸发器温度、冷凝器压力、冷凝器温度、外风机转速、湿球温度、送风温度。
步骤二:获取制冷系统中的参考冷通道温度。
可选地,获取历史时间段内制冷系统中冷通道温度的平均温度,将该平均温度作为冷通道温度预测模型对应的参考冷通道温度,其中,历史时间段为冷通道温度的方差较小的时间段。
步骤三:将用于进行冷通道温度预测的状态量输入到冷通道温度预测模型,通过冷通道温度预测模型对制冷系统进行温度预测,得到制冷系统在第二时刻的预测冷通道温度。
可选地,将第一时刻热通道温度、室外进风温度、内风机转速、蒸发器压力、蒸发器温度、冷凝器压力、冷凝器温度、外风机转速、湿球温度、送风温度输入冷通道温度预测模型,通过冷通道温度预测模型对制冷系统进行温度预测,得到制冷系统在第二时刻的预测冷通道温度。
步骤四:通过降低参考冷通道温度和预测冷通道温度之间的第二差异,对第一时刻的状态量进行调节,直至得到目标状态量符合参考系统表现数据的表现要求。
可选地,基于参考冷通道温度和预测冷通道温度之间的第二差异,确定第二子损失,基于第二子损失对第一时刻的状态量进行调节,直至得到目标状态量符合参考系统表现数据的表现要求。
2、对制冷系统的冷热通道压力差进行建模。
即设置一个冷热通道压力差预测模型(训练过程可参考上述实施例中对状态预测模型的训练过程,此处不再赘述),该冷热通道压力差预测模型用于预测制冷系统中冷热通道的压力差。
示意性的,请参考图12,对于冷热通道压力差预测模型1200来说,需要建模内风机转速和冷热通道压力差之间的关系,如图12所示,输入数据包括:测点编号、内风机转速,其中,测点是在制冷系统安装的检测冷热通道压力差的设备,不同的测点对应着不同的测点编号,测点编号和内风机转速一一对应。将18个测点编号和对应的内风机转速即为一次迭代过程中输入模型的第一状态量,输出得到这18个测点编号分别对应的冷热通道压力差作为预测结果;或者,输出这18个测点编号分别对应的冷热通道压力差的均值作为预测结果。
可选地,得到训练好的冷热通道压力差预测模型后,还包括如下步骤:
步骤一:获取制冷系统在第一时刻用于进行冷热通道压力差预测的状态量。
可选地,获取第一时刻的内风机转速。
步骤二:获取制冷系统中的参考冷热通道压力差。
可选地,获取历史时间段内制冷系统中冷热通道压力差的平均压力差,将该平均压力差作为冷热通道压力差预测模型对应的参考冷热通道压力差,其中,历史时间段为冷热通道压力差的方差较小的时间段。
步骤三:将用于进行冷热通道压力差预测的状态量输入到冷热通道压力差预测模型,通过冷热通道压力差预测模型对制冷系统进行压力差预测,得到制冷系统在第二时刻的预测冷热通道压力差。
可选地,将第一时刻的内风机转速输入冷热通道压力差预测模型,通过冷热通道压力差预测模型对制冷系统进行压力差预测,得到制冷系统在第二时刻的预测冷热通道压力差。
步骤四:通过降低参考冷热通道压力差和预测冷热通道压力差之间的第三差异,对第一时刻的状态量进行调节,直至得到目标状态量符合参考系统表现数据的表现要求。
可选地,基于参考冷热通道压力差和预测冷热通道压力差之间的第三差异,确定第三子损失,基于第三子损失对第一时刻的状态量进行调节,直至得到目标状态量符合参考系统表现数据的表现要求。
需要进行说明的是,在本申请实施例中,可以通过降低上述第一差异或者第二差异或者第三差异,调节得到目标状态量;还可以通过降低上述第一差异、第二差异以及第三差异中的任意两种差异,调节得到目标状态量;还可以通过降低上述第一差异、第二差异和第三差异,调节得到目标状态量。本申请实施例对此不加以限定。
可选地,以降低上述第一差异、第二差异和第三差异,调节得到目标状态量为例进行说明,则基于参考系统功率和预测系统功率之间的第一差异,确定第一子损失;基于参考冷通道温度和预测冷通道温度之间的第二差异,确定第二子损失;基于参考冷通道温度和预测冷通道温度之间的第三差异,确定第三子损失;对第一子损失、第二子损失和第三子损失进行融合分析,得到第一损失。
示意性的,第一损失对应的表达式如下公式三所示:
公式三:/>
其中,st代表t时刻的第二状态量,at代表t时刻的第一状态量,DP为冷热通道压力差,DPi(st,at)为第i个测点的预测冷热通道压力差,为第i个测点的参考冷热通道压力差(即第i个测点的冷热通道压力差的理想调节目标);CAT为冷通道温度,CATi(st,at)为第i个测点的预测冷通道温度,/>为第i个测点的参考冷通道温度(即第i个测点的冷通道温度的理想调节目标);Power为制冷系统中各组件(例如:内风机、外风机和压缩机)的功率,Powerj(st,at)为第j台组件的预测组件功率,/>为第j台组件的参考组件功率(即第j台组件的的组件功率的理想调节目标)。
由于机房内通常会在不同的位置设置多个传感器以监测量温度、压力等,故此处用i表示第i个测点,用j表示第j台组件。公式三即为本申请提供的节能优化目标表达式,当该表达式取值最小时对应的at,即为目标状态量。
可选地,在对上述公式三进行优化的过程中,可通过限制更新步长保证输出的调节变量在可执行的范围内,则第一状态量的调整方法还包括如下步骤:
步骤一:基于第一损失,对状态预测模型进行反向传播,确定第一损失对应的回传梯度。
步骤二:基于回传梯度和预设更新步长,确定第一时刻的状态量对应的候选状态量。
其中,回传梯度是指第一损失对状态量(这里,可以仅为第一状态量)的导数,预设更新步长用于对回传梯度进行限制。
步骤三:将候选状态量输入状态预测模型,通过状态预测模型对制冷系统进行系统表现预测,得到制冷系统在第二时刻的候选系统表现数据。
步骤四:响应于候选系统表现数据在预设变化范围外,调节预设更新步长。
可选地,将预设更新步长调整为原来的一半。
步骤五:以调节后的预设更新步长循环执行步骤二至五,直至更新后的候选系统表现数据在预设变化范围内,确定对应更新的候选状态量。
示意性的,在本申请实施例中,对第一状态量的更新公式如下公式四所示:
公式四:
其中,gt.为第一损失对第一状态量的导数(即回传梯度),lr为初始更新步长。上式表明在当前时刻的第一状态量at的基础上,通过调整lr*gtaa得到更优的调节策略。由于在制冷系统中热量的交换往往是需要时间的,这限制了可调节变量在一定时间内可以调节的幅度。因此,再得到新的调节输出后,可通过将新的调节输出/>输入到状态预测模型中,验证预测结果/>是否符合合理的变化范围(即为预设变化范围),当超出合理的变化范围时,第一状态量at的更新步长lr将会减半,直至新的/>对应的预测结果符合合理的变化范围。
在一些可选的实施例中,对于生成目标调节量,以实现对制冷系统的节能控制方法还可以采用强化学习中Actor Critic的框架,通过神经网络直接生成策略。
综上所述,本申请实施例提供的制冷系统的状态调节方法通过状态预测模型对制冷系统进行系统表现预测,得到制冷系统在下一时刻的预测系统表现数据,并通过降低参考系统表现数据和预测系统表现数据之间的差异,对当前时刻的状态量对应的目标状态量。一方面,状态预测模型是预先训练好的神经网络模型,状态预测模型建模了制冷系统中状态量和系统表现数据之间的关系,降低了预测误差,提高了后续得到的目标状态量的准确度;另一方面,在训练好的状态预测模型的基础上,以期望系统数据为目标,得到优化后的状态量作为目标状态量,根据该目标状态量能够对制冷系统中的状态量进行适当调节,从而减少制冷系统的整体耗能。
本申请实施例提供的方法,通过基于回传梯度和预设更新步长,确定第一时刻的状态量对应的候选状态量;当候选系统表现数据在预设变化范围外,调节预设更新步长,即通过限制优化预设更新步长控制可调节变量的变化范围,有效确保输出目标状态量的安全性以及可实现性。
本申请实施例提供的方法,对空气处理机组的制冷系统进行了分解建模,避免多个变量之间互相干扰,提高了训练得到的各个状态预测模型的精度。
本申请实施例在对状态预测模型进行训练时,将历史时间段以四周为单位进行划分,使用每四周选取最后一周作为测试集,剩余部分随机选取20%作为验证集,80%作为训练集。数据测点的时间间隔为10分钟,每30分钟进行一次调节变量输出。本申请实施例共使用的多个测点,其取值范围如下表1所示:
表1
/>
真实场景下的数据测点通常包含大量的噪声,例如:存在异常值、缺失值等,需要对测得的原始数据进行数据清理,从而提高在数据分析过程中的效率和精度。本申请实施例在对采集到的数据进行清理的过程中,假设各测点数据服从正太分布N(μ,σ2),将落在3σ以外的数据点作为异常值进行截断;另外针对缺失值,分别采用线性差值和最近邻差值的方式进行缺失值填补。最后,将清洗后的数据,按照如下公式五进行归一化:
公式五:
示意性的,图13中显示有总功率的频率/频数分布直方图1300,其展示了制冷系统的总功率的历史数据分布、模型基于基线方法的预测分布,以及使用本申请实施例提供的调节方法对功率预测模型进行数据调节后的预测分布。在测试数据集上,本申请实施例提供的功率预测模型预测平均绝对百分比误差(Mean Absolute Percentage Error,MAPE)为4.56%,基于申请实施例提供的状态调节方法生成的节能控制策略使制冷系统平均节约5.51%。
图14中显示有冷通道温度的频率/频数分布直方图1400,展示了制冷系统的冷通道温度的历史数据分布、模型基于基线方法的预测分布,以及使用本申请实施例提供的调节方法对冷通道温度预测模型进行数据调节后的预测分布。基于申请实施例提供的状态调节方法输出的节能控制策略可以使得冷通道温度的方差变小。
图15中显示有冷热通道压力差的频率/频数分布直方图1500,展示了冷热通道压力差的历史数据分布、模型基于基线方法的预测分布,以及使用本申请实施例提供的调节方法对冷通道温度预测模型进行数据调节后的预测分布。基于申请实施例提供的状态调节方法输出的节能控制策略可以使得冷热通道压力差的方差变小。综上,结果显示本申请实施例提供的状态调节方法能够使冷通道温度、冷热通道压力差方差变小,且节约整个系统的总功率。
请参考图16,其示出了本申请一个示例性的实施例提供的制冷系统的状态调节装置的结构框图,该装置包括:
获取模块1600,用于获取制冷系统在第一时刻的状态量,所述状态量用于指示所述制冷系统在运行时的系统运行参数;
所述获取模块1600,还用于获取所述制冷系统的参考系统表现数据,所述参考系统表现数据是所述制冷系统的期望系统数据;
预测模块1610,用于基于所述第一时刻的所述状态量,通过状态预测模型对所述制冷系统进行系统表现预测,得到所述制冷系统在第二时刻的预测系统表现数据,所述状态预测模型是基于历史时间段内所述制冷系统的系统运行参数进行训练得到的模型,所述第二时刻在时序上处于所述第一时刻之后;
调节模块1620,用于通过降低所述参考系统表现数据和所述预测系统表现数据之间的差异,对所述第一时刻的状态量进行调节,直至得到目标状态量符合所述参考系统表现数据的表现要求。
请参考图17,在一些可选的实施例中,所述调节模块1620,包括:
损失确定单元1621,用于基于所述参考系统表现数据和所述预测系统表现数据之间的差异,确定第一损失;
梯度确定单元1622,用于基于所述第一损失,对所述状态预测模型进行反向传播,确定所述第一损失对应的回传梯度;
状态确定单元1623,用于基于所述回传梯度,确定所述第一时刻的状态量对应的候选状态量;
所述状态确定单元1623,还用于响应于所述候选状态量符合所述参考系统表现数据的表现要求,将所述候选状态量确定为所述目标状态量。
在一些可选的实施例中,所述状态确定单元1623,还用于基于所述回传梯度和预设更新步长,确定所述第一时刻的状态量对应的候选状态量。
在一些可选的实施例中,所述调节模块1620,还包括:
表现预测单元1624,用于将所述候选状态量输入所述状态预测模型,通过状态预测模型对所述制冷系统进行系统表现预测,得到所述制冷系统在第二时刻的候选系统表现数据;
所述调节模块1620,用于响应于所述候选系统表现数据在预设变化范围外,调节所述预设更新步长。
在一些可选的实施例中,所述状态量包括第一状态量和第二状态量,所述第一状态量用于指示所述制冷系统中待调节的系统运行参数,所述第二状态量用于指示所述制冷系统中不可调节的系统运行参数;所述调节模块1620,用于对所述第一时刻的所述第一状态量进行调节,直至得到所述目标状态量符合所述参考系统表现数据的表现要求。
在一些可选的实施例中,所述获取模块1600,还用于获取在所述历史时间段内所述制冷系统的历史系统表现数据;所述获取模块1600,还用于对所述历史系统表现数据进行加权平均分析,得到所述制冷系统的参考系统表现数据。
在一些可选的实施例中,所述获取模块1600,还用于获取在p个候选时间段内所述制冷系统分别对应的第一运行功率,p为正整数;所述获取模块1600,还用于获取所述p个候选时间段内计算机设备负载的第二运行功率,所述计算机设备为搭载在所述制冷系统中的设备;所述装置还包括:
分析模块1630,还用于对第k个候选时间段对应的第一运行功率进行稳定性分析,确定所述第k个候选时间段的第一置信度分数,k为小于或者等于p的正整数;
所述分析模块1630,还用于基于所述第k个候选时间段对应的第二运行功率,对所述第k个候选时间段对应的第一运行功率进行能源效率分析,确定所述第k个候选时间段的第二置信度分数;
确定模型1640,用于基于所述p个候选时间段分别对应的第一置信度分数和第二置信度分数,从所述p个候选时间段中确定所述历史时间段。
在一些可选的实施例中,所述确定模型1640,包括:
融合单元1641,用于对所述第一置信度分数和所述第二置信度分数进行加权融合,得到所述p个候选时间段分别对应的融合置信度分数;
所述确定模型1640,还用于将所述p个候选时间段中融合置信度分数大于预设分数阈值的候选时间段确定为所述历史时间段。
在一些可选的实施例中,所述状态预测模型中包括n个结构相同的子状态预测模型,所述n个子状态预测模型用于对所述制冷系统进行系统表现预测,所述n个子状态预测模型分别对应有不同的模型初始化参数,n为大于1的正整数;所述预测模块1610,用于将所述第一时刻的所述状态量输入第i个子状态预测模型中,通过第i个子状态预测模型对所述制冷系统进行系统表现预测,得到所述制冷系统在第二时刻的第i个子系统表现数据,i为小于或者等于n的正整数;所述预测模块1610,用于对n个子系统表现数据进行加权平均分析,得到所述制冷系统在第二时刻的预测系统表现数据。
在一些可选的实施例中,所述状态预测模型包括功率预测模型,所述功率预测模型用于预测所述制冷系统的运行功率,所述参考系统表现数据包括参考系统功率,所述参考系统功率是指所述制冷系统的期望运行功率;所述预测模块1610,用于通过功率预测模型对所述制冷系统进行功率预测,得到所述制冷系统在第二时刻的预测系统功率;所述调节模块1620,用于通过降低所述参考系统功率和所述预测系统功率之间的第一差异,对所述第一时刻的状态量进行调节,直至得到目标状态量符合所述参考系统表现数据的表现要求。
在一些可选的实施例中,所述状态预测模型还包括冷通道温度预测模型,所述冷通道温度预测模型用于预测所述制冷系统中冷通道温度,所述参考系统表现数据包括参考冷通道温度,所述参考冷通道温度是指所述制冷系统的期望冷通道温度;所述预测模块1610,用于通过冷通道温度预测模型对所述制冷系统进行温度预测,得到所述制冷系统在第二时刻的预测冷通道温度;所述调节模块1620,用于通过降低所述参考冷通道温度和所述预测冷通道温度之间的第二差异,对所述第一时刻的状态量进行调节,直至得到目标状态量符合所述参考系统表现数据的表现要求。
在一些可选的实施例中,所述状态预测模型还包括冷热通道压力差预测模型,所述冷热通道压力差预测模型用于预测所述制冷系统中冷热通道压力差,所述参考系统表现数据包括参考冷热通道压力差,所述参考冷热通道压力差是指所述制冷系统的期望冷热通道压力差;所述预测模块1610,用于通过冷热通道压力差预测模型对所述制冷系统进行压力差预测,得到所述制冷系统在第二时刻的预测冷热通道压力差;所述调节模块1620,用于通过降低所述参考冷热通道压力差和所述预测冷热通道压力差之间的第三差异,对所述第一时刻的状态量进行调节,直至得到目标状态量符合所述参考系统表现数据的表现要求。
综上所述,本申请实施例提供的制冷系统的状态调节装置通过状态预测模型对制冷系统进行系统表现预测,得到制冷系统在下一时刻的预测系统表现数据,并通过降低参考系统表现数据和预测系统表现数据之间的差异,对第一时刻的状态量进行调节,直至得到目标状态量符合参考系统表现数据的表现要求。一方面,状态预测模型是预先训练好的神经网络模型,状态预测模型建模了制冷系统中状态量和系统表现数据之间的关系,降低了预测误差,提高了后续得到的目标状态量的准确度;另一方面,在训练好的状态预测模型的基础上,以期望系统数据为目标,得到优化后的状态量作为目标状态量,根据该目标状态量能够对制冷系统中的状态量进行适当调节,从而减少制冷系统的整体耗能。
需要说明的是:上述实施例提供的制冷系统的状态调节装置,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的制冷系统的状态调节装置和制冷系统的状态调节方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
图18示出了本申请一个示例性实施例提供的计算机设备的结构示意图。该计算机设备可以是如图3所示的计算机设备。具体来讲包括以下结构:
计算机设备1800包括中央处理单元(Central Processing Unit,CPU)1801、包括随机存取存储器(Random Access Memory,RAM)1802和只读存储器(Read Only Memory,ROM)1803的系统存储器1804,以及连接系统存储器1804和中央处理单元1801的系统总线1805。计算机设备1800还包括用于存储操作系统1813、应用程序1814和其他程序模块1815的大容量存储设备1806。
大容量存储设备1806通过连接到系统总线1805的大容量存储控制器(未示出)连接到中央处理单元1801。大容量存储设备1806及其相关联的计算机可读介质为计算机设备1800提供非易失性存储。也就是说,大容量存储设备1806可以包括诸如硬盘或者紧凑型光盘只读存储器(Compact Disc Read Only Memory,CD-ROM)驱动器之类的计算机可读介质(未示出)。
不失一般性,计算机可读介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括RAM、ROM、可擦除可编程只读存储器(Erasable Programmable Read Only Memory,EPROM)、带电可擦可编程只读存储器(Electrically Erasable Programmable Read Only Memory,EEPROM)、闪存或其他固态存储技术,CD-ROM、数字通用光盘(Digital Versatile Disc,DVD)或其他光学存储、磁带盒、磁带、磁盘存储或其他磁性存储设备。当然,本领域技术人员可知计算机存储介质不局限于上述几种。上述的系统存储器1804和大容量存储设备1806可以统称为存储器。
根据本申请的各种实施例,计算机设备1800还可以通过诸如因特网等网络连接到网络上的远程计算机运行。也即计算机设备1800可以通过连接在系统总线1805上的网络接口单元1811连接到网络1812,或者说,也可以使用网络接口单元1811来连接到其他类型的网络或远程计算机系统(未示出)。
上述存储器还包括一个或者一个以上的程序,一个或者一个以上程序存储于存储器中,被配置由CPU执行。
本申请的实施例还提供了一种计算机可读存储介质,该计算机可读存储介质上存储有至少一条指令、至少一段程序、代码集或指令集,至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行,以实现上述各方法实施例提供的制冷系统的状态调节方法。
本申请的实施例还提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述各方法实施例提供的制冷系统的状态调节方法。
可选地,该计算机可读存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取记忆体(RAM,Random Access Memory)、固态硬盘(SSD,Solid State Drives)或光盘等。其中,随机存取记忆体可以包括电阻式随机存取记忆体(ReRAM,Resistance RandomAccess Memory)和动态随机存取存储器(DRAM,Dynamic Random Access Memory)。上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述仅为本申请的可选实施例,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (16)
1.一种制冷系统的状态调节方法,其特征在于,所述方法包括:
获取制冷系统在第一时刻的状态量,所述状态量用于指示所述制冷系统在运行时的系统运行参数;
获取所述制冷系统的参考系统表现数据,所述参考系统表现数据是所述制冷系统的期望系统数据;
基于所述第一时刻的所述状态量,通过状态预测模型对所述制冷系统进行系统表现预测,得到所述制冷系统在第二时刻的预测系统表现数据,所述状态预测模型是基于历史时间段内所述制冷系统的系统运行参数进行训练得到的模型,所述第二时刻在时序上处于所述第一时刻之后;
通过降低所述参考系统表现数据和所述预测系统表现数据之间的差异,对所述第一时刻的状态量进行调节,直至得到目标状态量符合所述参考系统表现数据的表现要求。
2.根据权利要求1所述的方法,其特征在于,所述通过降低所述参考系统表现数据和所述预测系统表现数据之间的差异,对所述第一时刻的状态量进行调节,直至得到目标状态量符合所述参考系统表现数据的表现要求,包括:
基于所述参考系统表现数据和所述预测系统表现数据之间的差异,确定第一损失;
基于所述第一损失,对所述状态预测模型进行反向传播,确定所述第一损失对应的回传梯度;
基于所述回传梯度,确定所述第一时刻的状态量对应的候选状态量;
响应于所述候选状态量符合所述参考系统表现数据的表现要求,将所述候选状态量确定为所述目标状态量。
3.根据权利要求2所述的方法,其特征在于,所述基于所述回传梯度,确定所述第一时刻的状态量对应的候选状态量,包括:
基于所述回传梯度和预设更新步长,确定所述第一时刻的状态量对应的候选状态量。
4.根据权利要求3所述的方法,其特征在于,所述基于所述回传梯度和预设更新步长,确定所述第一时刻的状态量对应的候选状态量之后,还包括:
将所述候选状态量输入所述状态预测模型,通过状态预测模型对所述制冷系统进行系统表现预测,得到所述制冷系统在第二时刻的候选系统表现数据;
响应于所述候选系统表现数据在预设变化范围外,调节所述预设更新步长。
5.根据权利要求1所述的方法,其特征在于,所述状态量包括第一状态量和第二状态量,所述第一状态量用于指示所述制冷系统中待调节的系统运行参数,所述第二状态量用于指示所述制冷系统中不可调节的系统运行参数;
所述对所述第一时刻的状态量进行调节,直至得到目标状态量符合所述参考系统表现数据的表现要求,包括:
对所述第一时刻的所述第一状态量进行调节,直至得到所述目标状态量符合所述参考系统表现数据的表现要求。
6.根据权利要求1所述的方法,其特征在于,所述获取所述制冷系统的参考系统表现数据,包括:
获取在所述历史时间段内所述制冷系统的历史系统表现数据;
对所述历史系统表现数据进行加权平均分析,得到所述制冷系统的参考系统表现数据。
7.根据权利要求6所述的方法,其特征在于,所述参考系统表现数据包括制冷系统的参考运行功率;
所述方法还包括:
获取在p个候选时间段内所述制冷系统分别对应的第一运行功率,p为正整数;
获取所述p个候选时间段内计算机设备负载的第二运行功率,所述计算机设备为搭载在所述制冷系统中的设备;
对第k个候选时间段对应的第一运行功率进行稳定性分析,确定所述第k个候选时间段的第一置信度分数,k为小于或者等于p的正整数;
基于所述第k个候选时间段对应的第二运行功率,对所述第k个候选时间段对应的第一运行功率进行能源效率分析,确定所述第k个候选时间段的第二置信度分数;
基于所述p个候选时间段分别对应的第一置信度分数和第二置信度分数,从所述p个候选时间段中确定所述历史时间段。
8.根据权利要求7所述的方法,其特征在于,所述基于所述p个候选时间段分别对应的第一置信度分数和第二置信度分数,从所述p个候选时间段中确定所述历史时间段,包括:
对所述第一置信度分数和所述第二置信度分数进行加权融合,得到所述p个候选时间段分别对应的融合置信度分数;
将所述p个候选时间段中融合置信度分数大于预设分数阈值的候选时间段确定为所述历史时间段。
9.根据权利要求1至8任一所述的方法,其特征在于,所述状态预测模型中包括n个结构相同的子状态预测模型,所述n个子状态预测模型用于对所述制冷系统进行系统表现预测,所述n个子状态预测模型分别对应有不同的模型初始化参数,n为大于1的正整数;
所述基于所述第一时刻的所述状态量,通过状态预测模型对所述制冷系统进行系统表现预测,得到所述制冷系统在第二时刻的预测系统表现数据,包括:
将所述第一时刻的所述状态量输入第i个子状态预测模型中,通过第i个子状态预测模型对所述制冷系统进行系统表现预测,得到所述制冷系统在第二时刻的第i个子系统表现数据,i为小于或者等于n的正整数;
对n个子系统表现数据进行加权平均分析,得到所述制冷系统在第二时刻的预测系统表现数据。
10.根据权利要求1至8任一所述的方法,其特征在于,所述状态预测模型包括功率预测模型,所述功率预测模型用于预测所述制冷系统的运行功率,所述参考系统表现数据包括参考系统功率,所述参考系统功率是指所述制冷系统的期望运行功率;
所述通过状态预测模型对所述制冷系统进行系统表现预测,得到所述制冷系统在第二时刻的预测系统表现数据,包括:
通过功率预测模型对所述制冷系统进行功率预测,得到所述制冷系统在第二时刻的预测系统功率;
所述通过降低所述参考系统表现数据和所述预测系统表现数据之间的差异,对所述第一时刻的状态量进行调节,直至得到目标状态量符合所述参考系统表现数据的表现要求,包括:
通过降低所述参考系统功率和所述预测系统功率之间的第一差异,对所述第一时刻的状态量进行调节,直至得到目标状态量符合所述参考系统表现数据的表现要求。
11.根据权利要求1至8任一所述的方法,其特征在于,所述状态预测模型还包括冷通道温度预测模型,所述冷通道温度预测模型用于预测所述制冷系统中冷通道温度,所述参考系统表现数据包括参考冷通道温度,所述参考冷通道温度是指所述制冷系统的期望冷通道温度;
所述通过状态预测模型对所述制冷系统进行系统表现预测,得到所述制冷系统在第二时刻的预测系统表现数据,包括:
通过冷通道温度预测模型对所述制冷系统进行温度预测,得到所述制冷系统在第二时刻的预测冷通道温度;
所述通过降低所述参考系统表现数据和所述预测系统表现数据之间的差异,对所述第一时刻的状态量进行调节,直至得到目标状态量符合所述参考系统表现数据的表现要求,包括:
通过降低所述参考冷通道温度和所述预测冷通道温度之间的第二差异,对所述第一时刻的状态量进行调节,直至得到目标状态量符合所述参考系统表现数据的表现要求。
12.根据权利要求1至8任一所述的方法,其特征在于,所述状态预测模型还包括冷热通道压力差预测模型,所述冷热通道压力差预测模型用于预测所述制冷系统中冷热通道压力差,所述参考系统表现数据包括参考冷热通道压力差,所述参考冷热通道压力差是指所述制冷系统的期望冷热通道压力差;
所述通过状态预测模型对所述制冷系统进行系统表现预测,得到所述制冷系统在第二时刻的预测系统表现数据,包括:
通过冷热通道压力差预测模型对所述制冷系统进行压力差预测,得到所述制冷系统在第二时刻的预测冷热通道压力差;
所述通过降低所述参考系统表现数据和所述预测系统表现数据之间的差异,对所述第一时刻的状态量进行调节,直至得到目标状态量符合所述参考系统表现数据的表现要求,包括:
通过降低所述参考冷热通道压力差和所述预测冷热通道压力差之间的第三差异,对所述第一时刻的状态量进行调节,直至得到目标状态量符合所述参考系统表现数据的表现要求。
13.一种制冷系统的状态调节装置,其特征在于,所述装置包括:
获取模块,用于获取制冷系统在第一时刻的状态量,所述状态量用于指示所述制冷系统在运行时的系统运行参数;
所述获取模块,还用于获取所述制冷系统的参考系统表现数据,所述参考系统表现数据是所述制冷系统的期望系统数据;
预测模块,用于基于所述第一时刻的所述状态量,通过状态预测模型对所述制冷系统进行系统表现预测,得到所述制冷系统在第二时刻的预测系统表现数据,所述状态预测模型是基于历史时间段内所述制冷系统的系统运行参数进行训练得到的模型,所述第二时刻在时序上处于所述第一时刻之后;
调节模块,用于通过降低所述参考系统表现数据和所述预测系统表现数据之间的差异,对所述第一时刻的状态量进行调节,直至得到目标状态量符合所述参考系统表现数据的表现要求。
14.一种计算机设备,其特征在于,所述计算机设备包括处理器和存储器,所述存储器中存储有至少一条指令,所述至少一条指令由所述处理器加载并执行以实现如权利要求1至12任一所述的制冷系统的状态调节方法。
15.一种计算机可读存储介质,其特征在于,所述存储介质中存储有至少一条指令,所述至少一条指令由处理器加载并执行以实现如权利要求1至12任一所述的制冷系统的状态调节方法。
16.一种计算机程序产品,其特征在于,包括计算机指令,所述计算机指令被处理器执行时实现如权利要求1至12任一所述的制冷系统的状态调节方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310125227.8A CN116954329A (zh) | 2023-02-02 | 2023-02-02 | 制冷系统的状态调节方法、装置、设备、介质及程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310125227.8A CN116954329A (zh) | 2023-02-02 | 2023-02-02 | 制冷系统的状态调节方法、装置、设备、介质及程序产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116954329A true CN116954329A (zh) | 2023-10-27 |
Family
ID=88451760
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310125227.8A Pending CN116954329A (zh) | 2023-02-02 | 2023-02-02 | 制冷系统的状态调节方法、装置、设备、介质及程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116954329A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117244171A (zh) * | 2023-11-20 | 2023-12-19 | 安徽通灵仿生科技有限公司 | 一种心室辅助系统的冲洗设备的自适应控制方法及装置 |
-
2023
- 2023-02-02 CN CN202310125227.8A patent/CN116954329A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117244171A (zh) * | 2023-11-20 | 2023-12-19 | 安徽通灵仿生科技有限公司 | 一种心室辅助系统的冲洗设备的自适应控制方法及装置 |
CN117244171B (zh) * | 2023-11-20 | 2024-03-12 | 安徽通灵仿生科技有限公司 | 一种心室辅助系统的冲洗设备的自适应控制方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gao et al. | DeepComfort: Energy-efficient thermal comfort control in buildings via reinforcement learning | |
Nagarathinam et al. | Marco-multi-agent reinforcement learning based control of building hvac systems | |
US9291358B2 (en) | Accuracy-optimal control decisions for systems | |
US9857779B2 (en) | Multi-dimensional optimization for controlling environmental maintenance modules | |
CN103155734B (zh) | 用于预测数据中心瞬态冷却性能的系统和方法 | |
CN105378391B (zh) | 针对hvac需求响应的在线优化方案 | |
US8346398B2 (en) | Data center thermal performance optimization using distributed cooling systems | |
US10180261B1 (en) | Model based cooling control system | |
CN110866592B (zh) | 模型训练方法、装置、能效预测方法、装置和存储介质 | |
Mahbod et al. | Energy saving evaluation of an energy efficient data center using a model-free reinforcement learning approach | |
US11236917B2 (en) | Building control system with zone grouping based on predictive models | |
Le et al. | Deep reinforcement learning for tropical air free-cooled data center control | |
Hu et al. | Multi-zone building control with thermal comfort constraints under disjunctive uncertainty using data-driven robust model predictive control | |
CN116954329A (zh) | 制冷系统的状态调节方法、装置、设备、介质及程序产品 | |
CN114326987B (zh) | 制冷系统控制及模型训练方法、装置、设备及存储介质 | |
CN111814388A (zh) | 一种基于神经网络的下送风数据中心cfd仿真校验方法 | |
Zhang et al. | Residual physics and post-posed shielding for safe deep reinforcement learning method | |
WO2020227983A1 (en) | Hybrid-learning neural network architecture | |
CN113821903B (zh) | 温度控制方法和设备、模块化数据中心及存储介质 | |
Zhu et al. | An optimal control strategy with enhanced robustness for air-conditioning systems considering model and measurement uncertainties | |
Costa et al. | Study on application of a neuro-fuzzy models in air conditioning systems | |
Tashiro et al. | Application of convolutional neural network to prediction of temperature distribution in data centers | |
Biemann et al. | Data Center HVAC Control Harnessing Flexibility Potential via Real-Time Pricing Cost Optimization Using Reinforcement Learning | |
JP7340747B2 (ja) | 制御方法、制御プログラムおよび空調制御装置 | |
US20210192469A1 (en) | Building control system with peer analysis for predictive models |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |