CN117213143B - 一种基于ai智能调节的冷库节能及评估系统 - Google Patents
一种基于ai智能调节的冷库节能及评估系统 Download PDFInfo
- Publication number
- CN117213143B CN117213143B CN202311486623.XA CN202311486623A CN117213143B CN 117213143 B CN117213143 B CN 117213143B CN 202311486623 A CN202311486623 A CN 202311486623A CN 117213143 B CN117213143 B CN 117213143B
- Authority
- CN
- China
- Prior art keywords
- module
- temperature
- data
- refrigeration house
- intelligent
- 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.)
- Active
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 35
- 238000005057 refrigeration Methods 0.000 claims abstract description 129
- 238000012545 processing Methods 0.000 claims abstract description 97
- 238000004458 analytical method Methods 0.000 claims abstract description 50
- 238000010257 thawing Methods 0.000 claims abstract description 35
- 238000013528 artificial neural network Methods 0.000 claims abstract description 21
- 230000000694 effects Effects 0.000 claims abstract description 18
- 238000004134 energy conservation Methods 0.000 claims abstract description 5
- 238000005265 energy consumption Methods 0.000 claims description 30
- 238000005457 optimization Methods 0.000 claims description 19
- 238000012544 monitoring process Methods 0.000 claims description 18
- WKZNAWCDMVRAFO-UHFFFAOYSA-N PCOP Chemical compound PCOP WKZNAWCDMVRAFO-UHFFFAOYSA-N 0.000 claims description 15
- 230000007613 environmental effect Effects 0.000 claims description 13
- 238000005516 engineering process Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 8
- 238000013433 optimization analysis Methods 0.000 claims description 6
- 230000001105 regulatory effect Effects 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 230000035945 sensitivity Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000000034 method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Landscapes
- Devices That Are Associated With Refrigeration Equipment (AREA)
Abstract
本发明实施例涉及冷库技术领域,具体公开了一种基于AI智能调节的冷库节能及评估系统,包括:数据采集模块,用于对冷库内部进行温度、湿度和流量数据采集,得到冷库采集数据;数据处理模块,用于对冷库采集数据进行处理与分析,得到处理分析结果;AI智能调节模块,用于根据处理分析结果,进行冷库温度的自动调节,并基于模糊逻辑的神经网络混合模型来预测和优化制冷COP值,进行智能化霜处理;评估模块,用于对冷库的节能效果进行实时评估,生成评估结果,并反馈给用户。能够实现对冷库的全方位、动态的管理,自动调节冷库温度,实现冷库的节能,并且可以提供实时的运行效果评估,以便用户随时了解冷库的运行状态,并及时调整参数。
Description
技术领域
本发明属于冷库技术领域,尤其涉及一种基于AI智能调节的冷库节能及评估系统。
背景技术
传统的冷库管理方式主要依赖人工操作,这不仅效率低下,而且容易出错。由于冷库的运行环境复杂,需要对各种参数(如温度、湿度等)进行实时监控和调节,这对人工操作来说无疑是一项巨大的挑战。而且,由于人工操作的局限性,常常无法做到精准控制,从而导致能源消耗大,运行成本高。
随着物联网和人工智能技术的发展,使得冷库管理技术也得到了发展。但是,现有技术中无法实现真正的自动化和智能化的冷库管理(例如,无法实现对冷库温度的自动调节,无法提供实时的运行效果评估等)。因此,如何提高冷库的运行效率和节能效果,是当前冷库管理领域亟待解决的问题。
发明内容
本发明实施例的目的在于提供一种基于AI智能调节的冷库节能及评估系统,旨在解决背景技术中提出的问题。
为实现上述目的,本发明实施例提供如下技术方案:
一种基于AI智能调节的冷库节能及评估系统,所述系统包括数据采集模块、数据处理模块、AI智能调节模块和评估模块,其中:
数据采集模块,用于对冷库内部进行温度、湿度和流量数据采集,得到冷库采集数据;
数据处理模块,用于对所述冷库采集数据进行处理与分析,得到处理分析结果;
AI智能调节模块,用于根据所述处理分析结果,进行冷库温度的自动调节,并基于模糊逻辑的神经网络混合模型来预测和优化制冷COP值,进行智能化霜处理;
评估模块,用于对冷库的节能效果进行实时评估,生成评估结果,并反馈给用户。
作为本发明实施例技术方案进一步的限定,所述数据采集模块由温度传感器、湿度传感器和流量传感器构成,通过物联网技术,将所述冷库采集数据传输至数据处理模块。
作为本发明实施例技术方案进一步的限定,所述数据处理模块具体包括:
温度数据处理子模块,用于对冷库内外的温度进行实时监测和分析;
湿度数据处理子模块,用于对冷库的湿度进行实时监测和分析;
能耗数据处理子模块,用于收集和分析冷库的能耗数据,包括电力消耗和制冷量;
环境数据处理子模块,用于对冷库周围环境的大气温度和风速风向等进行实时监测和分析;
系统优化数据处理子模块,用于对冷库运行参数进行优化分析。
作为本发明实施例技术方案进一步的限定,所述温度数据处理子模块进行温度时程分析和温度对比分析,包括对冷库内外大气温度、冷库墙体和货物温度数据进行分析,得到温度时程曲线、温度频数直方图和温度统计参数,并实时显示;所述湿度数据处理子模块进行湿度时程分析和湿度对比分析,并实时显示;所述能耗数据处理子模块进行耗数据的自动化处理和自动显示,并进行能耗时程分析和能耗对比分析;所述环境数据处理子模块进行环境数据的自动化处理和自动显示,并进行环境参数时程分析和环境参数对比分析;所述系统优化数据处理子模块进行冷库运行参数的优化分析与建议,并进行自动化处理和自动显示。
作为本发明实施例技术方案进一步的限定,所述温度数据处理子模块、湿度数据处理子模块、能耗数据处理子模块、环境数据处理子模块和系统优化数据处理子模块之间通过实时数据交换和分析,协同工作进行冷库的智能化和自动化管理。
作为本发明实施例技术方案进一步的限定,所述AI智能调节模块的工作步骤为:
对所述冷库采集数据进行清洗、转换和标准化的预处理;
利用机器学习算法,对预处理后的数据进行深度分析,识别数据模式和提取特征;
实时计算出冷库的最优运行参数,并自动调整冷库的运行状态;
持续监控冷库的运行状态和外部环境变化,实时优化调节策略;
实时计算和监控冷库的能耗指标,生成能耗报表和趋势图。
作为本发明实施例技术方案进一步的限定,所述AI智能调节模块自动调节冷库温度,包括温度的升高和降低,并根据用户的使用习惯和环境温度动态调整制冷周期和温区。
作为本发明实施例技术方案进一步的限定,所述AI智能调节模块进行智能化霜,基于化霜温度传感器和冷库温度传感器,通过模糊逻辑的神经网络混合模型来预测制冷COP值,生成预测结果,基于预测结果与历史运行数据,优化化霜逻辑。
作为本发明实施例技术方案进一步的限定,所述AI智能调节模块进行数据加密和访问控制,防止数据泄露和未授权访问,保护冷库的运行数据和用户隐私。
作为本发明实施例技术方案进一步的限定,所述模糊逻辑的神经网络混合模型的算法包括:
模糊逻辑部分,表达公式为:
μ_A_x(x)=1/(1+((x-c_x)/σ_x)^2m_x);
其中,μ_A_x(x)是x属于模糊集合A的隶属度,c_x是模糊集中心,σ_x是模糊集的宽度,m_x是模糊集的形状参数;
神经网络部分,表达公式为:
PCOP=fr(W*x+b);
其中,PCOP是预测的COP值,W是神经网络的权重,x是输入的模糊化后的数据和历史数据,b是偏置项,fr是激活函数;
模糊逻辑和神经网络的结合,表达公式为:
PCOP=NN(Fu(T_d,T_c,H,L,F,D_F,E_t));
其中,T_d、T_c、H、L、F、D_F和E_t分别是化霜温度、冷库温度、湿度、负载、使用频率、化霜频率和外部温度,Fu是模糊逻辑处理函数,NN是神经网络模型,PCOP是预测的COP值;
化霜逻辑优化,表达公式为:
ΔCOP=PCOP-RCOP;
T_d_n=T_d_o+α*(PCOP-RCOP) ΔCOP>threshold;
其中,T_d_n是新的化霜温度,T_d_o是旧的化霜温度,α是调整参数,表示调整速度或灵敏度,PCOP是预测的COP值,RCOP是实际的COP值,ΔCOP是预测的COP值和实际的COP值之差,threshold是一个阈值,根据不同冷库需求设定。
与现有技术相比,本发明的有益效果是:
1、本发明通过AI智能化的算法自动调节冷库温度,对于提高能源效益和降低运营成本具有重要意义;
2、本发明可以提供实时的运行效果评估,用户可以随时了解冷库的运行状态,帮助用户及时调整参数,保证冷库的稳定运行,并且最大化冷库的节能效果;
3、本发明能够进行智能化霜,基于化霜温度传感器、冷库温度传感器,通过AI算法计算制冷COP值,生成预测结果,基于预测结果与历史运行数据,优化化霜逻辑,避免非必要化霜,可以更好地保护冷库设备,延长设备的寿命,同时也可以进一步节省能耗,提高节能效果;
4、本发明具备远程监控和动态监管功能,使用户能够随时了解并控制冷库的运行状态,实现冷库的全方位、动态管理,不仅提高了冷库管理的便捷性,也大大提高了冷库的运行安全性和可靠性。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术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发明的一些实施例。
图1示出了本发明实施例提供的系统的应用架构图。
图2示出了本发明实施例提供的数据处理模块的结构框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
可以理解的是,现有技术中,随着物联网和人工智能技术的发展,使得冷库管理技术也得到了发展。但是,现有技术中无法实现真正的自动化和智能化的冷库管理(例如,无法实现对冷库温度的自动调节,无法提供实时的运行效果评估等)。因此,如何提高冷库的运行效率和节能效果,是当前冷库管理领域亟待解决的问题。
为解决上述问题,本发明实施例公开的一种基于AI智能调节的冷库节能及评估系统,包括:数据采集模块,用于对冷库内部进行温度、湿度和流量数据采集,得到冷库采集数据;数据处理模块,用于对冷库采集数据进行处理与分析,得到处理分析结果;AI智能调节模块,用于根据处理分析结果,进行冷库温度的自动调节,并基于模糊逻辑的神经网络混合模型来预测和优化制冷COP值,进行智能化霜处理;评估模块,用于对冷库的节能效果进行实时评估,生成评估结果,并反馈给用户。能够实现对冷库的全方位、动态的管理,自动调节冷库温度,实现冷库的节能,并且可以提供实时的运行效果评估,以便用户随时了解冷库的运行状态,并及时调整参数。
图1示出了本发明实施例提供的系统的应用架构图。
具体的,一种基于AI智能调节的冷库节能及评估系统,包括:
数据采集模块101,用于对冷库内部进行温度、湿度和流量数据采集,得到冷库采集数据。
在本发明实施例中,数据采集模块101包括温度传感器、湿度传感器和流量传感器,收集冷库内部的温度、湿度等数据,得到冷库采集数据,再通过物联网技术,将冷库采集数据传输至数据处理模块102。
数据处理模块102,用于对所述冷库采集数据进行处理与分析,得到处理分析结果。
在本发明实施例中,数据处理模块102采用云计算技术,对冷库采集数据进行处理和分析,包括数据清洗、数据标准化、数据分析等步骤,以生成可供AI智能调节模块103使用的处理分析结果。
具体的,图2示出了本发明实施例提供的数据处理模块102的结构框图。
其中,在本发明提供的优选实施方式中,所述数据处理模块102包括:
温度数据处理子模块1021,用于对冷库内外的温度进行实时监测和分析。
在本发明实施例中,冷库节能处理时,温度数据处理子模块1021主要负责对冷库内外的温度进行实时监测和分析,能够进行温度时程分析和温度对比分析,包括对冷库内外大气温度、冷库墙体和货物温度数据进行分析,最终得到温度时程曲线、温度频数直方图和温度统计参数,实现数据输入、处理与结果显示一体化,能够自动化处理温度数据,并实时显示,为冷库的节能运行提供数据支持。
湿度数据处理子模块1022,用于对冷库的湿度进行实时监测和分析。
在本发明实施例中,湿度数据处理子模块1022对冷库的湿度进行实时监测和分析,能够自动处理湿度数据,并进行湿度时程分析和湿度对比分析,实现了数据输入、处理与结果显示一体化,为冷库的湿度控制和节能运行提供依据。
能耗数据处理子模块1023,用于收集和分析冷库的能耗数据,包括电力消耗和制冷量。
在本发明实施例中,能耗数据处理子模块1023收集和分析冷库的能耗数据,包括电力消耗、制冷量等,实现能耗数据的自动化处理和自动显示,进行能耗时程分析和能耗对比分析,为冷库的节能运行和能源管理提供数据支持。
环境数据处理子模块1024,用于对冷库周围环境的大气温度和风速风向等进行实时监测和分析。
在本发明实施例中,环境数据处理子模块1024对冷库周围环境的各项参数,如大气温度、风速风向等进行实时监测和分析,实现环境数据的自动化处理和自动显示,进行环境参数时程分析和环境参数对比分析,为冷库的环境适应性和节能运行提供数据支持。
系统优化数据处理子模块1025,用于对冷库运行参数进行优化分析。
在本发明实施例中,系统优化数据处理子模块1025对冷库运行参数进行优化分析,通过对各项数据的综合分析,提出冷库运行参数的优化建议,实现冷库的节能运行,实现优化数据的自动化处理和自动显示,为冷库的运行优化提供科学依据。
可以理解的是,温度数据处理子模块1021、湿度数据处理子模块1022、能耗数据处理子模块1023、环境数据处理子模块1024和系统优化数据处理子模块1025之间通过实时数据交换和分析,协同工作进行冷库的智能化和自动化管理。例如,温度数据处理子模块1021和湿度数据处理子模块1022会根据实时数据调整制冷设备的运行状态,而能耗数据处理子模块1023会监测这些调整对能耗的影响,环境数据处理子模块1024会考虑外部环境对冷库的影响,系统优化数据处理子模块1025会综合这些数据提出优化建议,这种协同工作方式确保了冷库在各种环境条件下的稳定运行,同时实现了最大程度的节能。
进一步的,所述基于AI智能调节的冷库节能及评估系统还包括:
AI智能调节模块103,用于根据所述处理分析结果,进行冷库温度的自动调节,并基于模糊逻辑的神经网络混合模型来预测和优化制冷COP值,进行智能化霜处理。
在本发明实施例中,AI智能调节模块103根据处理分析结果,进行冷库温度的自动调节,自动调节冷库温度,包括温度的升高和降低,能够根据用户的使用习惯和环境温度动态调整制冷周期和温区,并启动智能峰谷电模式,一键云端开启,还能够进行智能化霜,基于化霜温度传感器、冷库温度传感器,基于模糊逻辑的神经网络混合模型来预测和优化制冷COP值,生成预测结果,基于预测结果与历史运行数据,优化化霜逻辑,避免非必要化霜。
具体的,AI智能调节模块103的核心工作步骤为:
(1)执行数据预处理,通过传感器和监控设备实时采集冷库的各项运行数据,如温度、湿度和能耗等,并对这些原始数据进行清洗、转换和标准化,确保数据的准确性和一致性;
(2)利用深度学习和强化学习等机器学习算法进行深度分析,识别数据模式和提取特征,同时利用大量标注数据对模型进行训练和优化,提高模型的预测准确性和泛化能力;
(3)实时计算出冷库的最优运行参数,并自动调整冷库的运行状态,如温度、湿度和风速等,以实现最佳的节能效果和存储条件;
(4)持续监控冷库的运行状态和外部环境变化,实时优化调节策略;
(5)实时计算和监控冷库的能耗指标,如COP和EER,并生成能耗报表和趋势图,通过能效管理工具,操作人员可以实时查看和管理冷库的能效数据,及时发现和解决能效问题,确保冷库的经济性和环保性。
可以理解的是,在AI智能调节模块103的工作流程中,AI智能调节模块103采取严格的安全措施来保护冷库的运行数据和用户隐私,包括数据加密和访问控制,以防止数据泄露和未授权访问,同时,AI智能调节模块103提供交互界面,方便操作人员进行监控和管理,调整运行参数、查看报表和接收故障警报,并根据用户的反馈和建议持续改进和优化服务。
可以理解的是,AI智能调节模块103可以选择部署在云端或边缘设备上,实现数据的远程存储和分析,云服务提供强大的计算能力和数据备份,而边缘计算可以减少数据传输延迟,实现实时响应和控制,AI智能调节模块103会持续学习新的数据和知识,定期更新模型和算法,推出新的功能和优化,以适应冷库的变化和发展,提高服务的性能和质量,最终实现冷库的智能管理和节能优化,提高冷库的运行效率和用户满意度。
可以理解的是,基于模糊逻辑的神经网络混合模型来预测和优化制冷COP值中,模糊逻辑的神经网络混合模型的算法包括:
模糊逻辑部分,表达公式为:
μ_A_x(x)=1/(1+((x-c_x)/σ_x)^2m_x);
其中,μ_A_x(x)是x属于模糊集合A的隶属度,c_x是模糊集中心,σ_x是模糊集的宽度,m_x是模糊集的形状参数;
神经网络部分,表达公式为:
PCOP=fr(W*x+b);
其中,PCOP是预测的COP值,W是神经网络的权重,x是输入的模糊化后的数据和历史数据,b是偏置项,fr是激活函数;
模糊逻辑和神经网络的结合,表达公式为:
PCOP=NN(Fu(T_d,T_c,H,L,F,D_F,E_t));
其中,T_d、T_c、H、L、F、D_F和E_t分别是化霜温度、冷库温度、湿度、负载、使用频率、化霜频率和外部温度,Fu是模糊逻辑处理函数,NN是神经网络模型,PCOP是预测的COP值;
化霜逻辑优化,表达公式为:
ΔCOP=PCOP-RCOP;
T_d_n=T_d_o+α*(PCOP-RCOP) ΔCOP>threshold;
其中,T_d_n是新的化霜温度,T_d_o是旧的化霜温度,α是调整参数,表示调整速度或灵敏度,PCOP是预测的COP值,RCOP是实际的COP值,ΔCOP是预测的COP值和实际的COP值之差,threshold是一个阈值,根据不同冷库需求设定。
评估模块104,用于对冷库的节能效果进行实时评估,生成评估结果,并反馈给用户。
在本发明实施例中,评估模块104对冷库的节能效果进行实时评估,并将评估结果反馈给用户,以便用户随时了解冷库的运行状态。具体的,评估模块104可以采用评估算法(如数据挖掘、机器学习等),对冷库的节能效果进行深度分析和评估,然后将评估结果以图表或报告的形式展示给用户,使用户能够清晰地了解冷库的节能效果。
应该理解的是,虽然本发明各实施例的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,各实施例中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一非易失性计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于AI智能调节的冷库节能及评估系统,其特征在于,所述系统包括数据采集模块、数据处理模块、AI智能调节模块和评估模块,其中:
数据采集模块,用于对冷库内部进行温度、湿度和流量数据采集,得到冷库采集数据;
数据处理模块,用于对所述冷库采集数据进行处理与分析,得到处理分析结果;
AI智能调节模块,用于根据所述处理分析结果,进行冷库温度的自动调节,并基于模糊逻辑的神经网络混合模型来预测和优化制冷COP值,进行智能化霜处理;
评估模块,用于对冷库的节能效果进行实时评估,生成评估结果,并反馈给用户;
所述模糊逻辑的神经网络混合模型的算法包括:
模糊逻辑部分,表达公式为:
μ_A_x(x)=1/(1+((x-c_x)/σ_x)^2m_x);
其中,μ_A_x(x) 是x属于模糊集合A的隶属度,c_x是模糊集中心,σ_x是模糊集的宽度,m_x是模糊集的形状参数;
神经网络部分,表达公式为:
PCOP=fr(W*x+b);
其中,PCOP是预测的COP值,W是神经网络的权重,x是输入的模糊化后的数据和历史数据,b是偏置项,fr是激活函数;
模糊逻辑和神经网络的结合,表达公式为:
PCOP=NN(Fu(T_d,T_c,H,L,F,D_F,E_t));
其中,T_d、T_c、H、L、F、D_F和E_t分别是化霜温度、冷库温度、湿度、负载、使用频率、化霜频率和外部温度,Fu是模糊逻辑处理函数,NN是神经网络模型,PCOP是预测的COP值;
化霜逻辑优化,表达公式为:
ΔCOP=PCOP-RCOP;
T_d_n=T_d_o+α*(PCOP-RCOP);
ΔCOP>threshold;
其中,T_d_n是新的化霜温度,T_d_o是旧的化霜温度,α是调整参数,表示调整速度或灵敏度,PCOP是预测的COP值,RCOP是实际的COP值,ΔCOP是预测的COP值和实际的COP值之差,threshold是一个阈值,根据不同冷库需求设定。
2.根据权利要求1所述的基于AI智能调节的冷库节能及评估系统,其特征在于,所述数据采集模块由温度传感器、湿度传感器和流量传感器构成,通过物联网技术,将所述冷库采集数据传输至数据处理模块。
3.根据权利要求1所述的基于AI智能调节的冷库节能及评估系统,其特征在于,所述数据处理模块具体包括:
温度数据处理子模块,用于对冷库内外的温度进行实时监测和分析;
湿度数据处理子模块,用于对冷库的湿度进行实时监测和分析;
能耗数据处理子模块,用于收集和分析冷库的能耗数据,包括电力消耗和制冷量;
环境数据处理子模块,用于对冷库周围环境的大气温度和风速风向等进行实时监测和分析;
系统优化数据处理子模块,用于对冷库运行参数进行优化分析。
4.根据权利要求3所述的基于AI智能调节的冷库节能及评估系统,其特征在于,所述温度数据处理子模块进行温度时程分析和温度对比分析,包括对冷库内外大气温度、冷库墙体和货物温度数据进行分析,得到温度时程曲线、温度频数直方图和温度统计参数,并实时显示;所述湿度数据处理子模块进行湿度时程分析和湿度对比分析,并实时显示;所述能耗数据处理子模块进行耗数据的自动化处理和自动显示,并进行能耗时程分析和能耗对比分析;所述环境数据处理子模块进行环境数据的自动化处理和自动显示,并进行环境参数时程分析和环境参数对比分析;所述系统优化数据处理子模块进行冷库运行参数的优化分析与建议,并进行自动化处理和自动显示。
5.根据权利要求3所述的基于AI智能调节的冷库节能及评估系统,其特征在于,所述温度数据处理子模块、湿度数据处理子模块、能耗数据处理子模块、环境数据处理子模块和系统优化数据处理子模块之间通过实时数据交换和分析,协同工作进行冷库的智能化和自动化管理。
6.根据权利要求1所述的基于AI智能调节的冷库节能及评估系统,其特征在于,所述AI智能调节模块的工作步骤为:
对所述冷库采集数据进行清洗、转换和标准化的预处理;
利用机器学习算法,对预处理后的数据进行深度分析,识别数据模式和提取特征;
实时计算出冷库的最优运行参数,并自动调整冷库的运行状态;
持续监控冷库的运行状态和外部环境变化,实时优化调节策略;
实时计算和监控冷库的能耗指标,生成能耗报表和趋势图。
7.根据权利要求6所述的基于AI智能调节的冷库节能及评估系统,其特征在于,所述AI智能调节模块自动调节冷库温度,包括温度的升高和降低,并根据用户的使用习惯和环境温度动态调整制冷周期和温区。
8.根据权利要求6所述的基于AI智能调节的冷库节能及评估系统,其特征在于,所述AI智能调节模块进行智能化霜,基于化霜温度传感器和冷库温度传感器,通过模糊逻辑的神经网络混合模型来预测制冷COP值,生成预测结果,基于预测结果与历史运行数据,优化化霜逻辑。
9.根据权利要求6所述的基于AI智能调节的冷库节能及评估系统,其特征在于,所述AI智能调节模块进行数据加密和访问控制,防止数据泄露和未授权访问,保护冷库的运行数据和用户隐私。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311486623.XA CN117213143B (zh) | 2023-11-09 | 2023-11-09 | 一种基于ai智能调节的冷库节能及评估系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311486623.XA CN117213143B (zh) | 2023-11-09 | 2023-11-09 | 一种基于ai智能调节的冷库节能及评估系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117213143A CN117213143A (zh) | 2023-12-12 |
CN117213143B true CN117213143B (zh) | 2024-01-30 |
Family
ID=89044849
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311486623.XA Active CN117213143B (zh) | 2023-11-09 | 2023-11-09 | 一种基于ai智能调节的冷库节能及评估系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117213143B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117760160B (zh) * | 2023-12-27 | 2024-05-17 | 上海康帅冷链科技股份有限公司 | 应用于冷库智能控制的设备数据可视化监管系统及方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105928292A (zh) * | 2016-04-20 | 2016-09-07 | 山东三九制冷设备有限公司 | 一种基于神经网络的负荷预测与需求响应控制的光伏冷库系统 |
CN109838969A (zh) * | 2019-01-23 | 2019-06-04 | 徐州鹰格电子技术有限公司 | 一种基于nfc的冷库自动控制方法 |
CN110096016A (zh) * | 2019-06-07 | 2019-08-06 | 兰州理工大学 | 一种大型冷库fcs复杂控制系统及模糊控制方法 |
CN111256428A (zh) * | 2020-01-20 | 2020-06-09 | 连云港韬惠实业有限公司 | 一种基于自适应的冷库温度模糊控制方法 |
CN111582591A (zh) * | 2020-05-12 | 2020-08-25 | 江苏方天电力技术有限公司 | 一种面向综合能源系统的冷热电多元负荷预测方法 |
CN112503835A (zh) * | 2020-11-27 | 2021-03-16 | 江苏易道节能技术有限公司 | 一种冷库制冷系统节能效率的管理系统及测试方法 |
CN112880278A (zh) * | 2021-03-25 | 2021-06-01 | 大连冰山嘉德自动化有限公司 | 节能速冻冷库及其控制方法 |
CN116026085A (zh) * | 2022-12-30 | 2023-04-28 | 广西新农商供应链科技有限公司 | 冷库反向寻货及多区温湿度控制方法及系统 |
CN116558194A (zh) * | 2023-05-16 | 2023-08-08 | 青岛东方杰垦食品有限公司 | 一种基于人工智能的冷库运行监控系统及方法 |
-
2023
- 2023-11-09 CN CN202311486623.XA patent/CN117213143B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105928292A (zh) * | 2016-04-20 | 2016-09-07 | 山东三九制冷设备有限公司 | 一种基于神经网络的负荷预测与需求响应控制的光伏冷库系统 |
CN109838969A (zh) * | 2019-01-23 | 2019-06-04 | 徐州鹰格电子技术有限公司 | 一种基于nfc的冷库自动控制方法 |
CN110096016A (zh) * | 2019-06-07 | 2019-08-06 | 兰州理工大学 | 一种大型冷库fcs复杂控制系统及模糊控制方法 |
CN111256428A (zh) * | 2020-01-20 | 2020-06-09 | 连云港韬惠实业有限公司 | 一种基于自适应的冷库温度模糊控制方法 |
CN111582591A (zh) * | 2020-05-12 | 2020-08-25 | 江苏方天电力技术有限公司 | 一种面向综合能源系统的冷热电多元负荷预测方法 |
CN112503835A (zh) * | 2020-11-27 | 2021-03-16 | 江苏易道节能技术有限公司 | 一种冷库制冷系统节能效率的管理系统及测试方法 |
CN112880278A (zh) * | 2021-03-25 | 2021-06-01 | 大连冰山嘉德自动化有限公司 | 节能速冻冷库及其控制方法 |
CN116026085A (zh) * | 2022-12-30 | 2023-04-28 | 广西新农商供应链科技有限公司 | 冷库反向寻货及多区温湿度控制方法及系统 |
CN116558194A (zh) * | 2023-05-16 | 2023-08-08 | 青岛东方杰垦食品有限公司 | 一种基于人工智能的冷库运行监控系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117213143A (zh) | 2023-12-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Attention-based interpretable neural network for building cooling load prediction | |
CN117213143B (zh) | 一种基于ai智能调节的冷库节能及评估系统 | |
US9129231B2 (en) | Real time energy consumption analysis and reporting | |
CN109890176B (zh) | 一种基于人工智能优化机房能耗效率的装置 | |
CN104697107B (zh) | 智能学习节能调控系统与方法 | |
CN117713221B (zh) | 一种微逆光伏并网优化系统 | |
Higuera et al. | Hybrid smart lighting and climate control system for buildings | |
CN117411115A (zh) | 储能电源状态的检测控制方法、装置、电子设备及介质 | |
CN114358555A (zh) | 一种轨道交通智慧能源管理系统 | |
CN114326987B (zh) | 制冷系统控制及模型训练方法、装置、设备及存储介质 | |
CN117689373A (zh) | 一种柔性直流牵引供电系统能量路由器维护决策支持方法 | |
CN117091216A (zh) | 一种基于5g技术应用的水冷柜式空调系统 | |
Candelieri et al. | Smart water in urban distribution networks: limited financial capacity and Big Data analytics | |
Liu et al. | On-line adaptive data-driven fault prognostics of complex systems | |
DE102020214846A1 (de) | Überwachungseinrichtung für eine temperaturgeregelte aufbewahrungseinrichtung, überwachungseinrichtung mit einem schutzbehälter sowie verfahren zum betrieb | |
CN118089287B (zh) | 一种基于智能算法的冷水机能效优化系统 | |
CN118134293A (zh) | 一种用户端能源管理系统及方法 | |
CN117578534B (zh) | 光伏储能系统的调度方法、装置、设备及存储介质 | |
CN117408170B (zh) | 一种适用于数据中心水冷系统的节能预测控制方法 | |
Cerdán Cartagena et al. | Application of artificial intelligence to refrigeration systems | |
Singh et al. | Enhancing Remote Oversight of Plants with a Compact IIoT System | |
Umamageswari et al. | SMART HOME AUTOMATION SYSTEM FOR ENERGY CONSUMPTION USING TENSORFLOW-BASED DEEP ENSEMBLE LEARNING. | |
CN116071099A (zh) | 一种供热需求预测方法及系统 | |
CN118089287A (zh) | 一种基于智能算法的冷水机能效优化系统 | |
CN116499084A (zh) | 一种基于冷冻水出回水温度差的电力系统削峰方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |