CN117272212B - 基于实时数据对制冷系统进行最优运行参数选择的方法 - Google Patents
基于实时数据对制冷系统进行最优运行参数选择的方法 Download PDFInfo
- Publication number
- CN117272212B CN117272212B CN202311549087.3A CN202311549087A CN117272212B CN 117272212 B CN117272212 B CN 117272212B CN 202311549087 A CN202311549087 A CN 202311549087A CN 117272212 B CN117272212 B CN 117272212B
- Authority
- CN
- China
- Prior art keywords
- data
- refrigeration system
- real
- scale
- neural network
- 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
- 238000005057 refrigeration Methods 0.000 title claims abstract description 99
- 238000000034 method Methods 0.000 title claims abstract description 62
- 230000001427 coherent effect Effects 0.000 claims abstract description 26
- 238000007405 data analysis Methods 0.000 claims abstract description 23
- 238000013528 artificial neural network Methods 0.000 claims abstract description 20
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 20
- 238000005516 engineering process Methods 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 17
- 238000012937 correction Methods 0.000 claims abstract description 15
- 239000013598 vector Substances 0.000 claims abstract description 15
- 230000004927 fusion Effects 0.000 claims abstract description 14
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 11
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 8
- 230000008859 change Effects 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 18
- 238000013135 deep learning Methods 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 238000010586 diagram Methods 0.000 claims description 7
- 239000000284 extract Substances 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 5
- 238000005312 nonlinear dynamic Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000013499 data model Methods 0.000 claims description 4
- 230000002688 persistence Effects 0.000 claims description 4
- 238000000547 structure data Methods 0.000 claims description 4
- 238000009833 condensation Methods 0.000 claims description 3
- 230000005494 condensation Effects 0.000 claims description 3
- 230000008846 dynamic interplay Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000002085 persistent effect Effects 0.000 claims description 3
- 230000008034 disappearance Effects 0.000 claims description 2
- 230000001010 compromised effect Effects 0.000 description 5
- 230000004044 response Effects 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000005265 energy consumption Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 239000000498 cooling water Substances 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004378 air conditioning Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000003507 refrigerant Substances 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000009966 trimming Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
- F24F11/63—Electronic processing
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
- F25B—REFRIGERATION MACHINES, PLANTS OR SYSTEMS; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS
- F25B49/00—Arrangement or mounting of control or safety devices
- F25B49/02—Arrangement or mounting of control or safety devices for compression type machines, plants or systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Physics (AREA)
- Mechanical Engineering (AREA)
- Signal Processing (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Fuzzy Systems (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Health & Medical Sciences (AREA)
- Thermal Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及制冷系统技术领域，尤其涉及基于实时数据对制冷系统进行最优运行参数选择的方法。首先，引入基于多层次分层结构的数据采集与处理算法；其次，引入高级制冷数据结构和拓扑数据分析技术，通过持续同调描述数据拓扑结构的变化，将同调群特征转化为数值向量；最后，设计超深度融合算法，融合卷积神经网络、循环神经网络、图神经网络和拓扑数据分析技术得到的同调群特征向量，形成特征表示，结合修正因子，设计动态参数调整模块，对制冷系统进行最优状态调整。解决了现有技术无法细致地捕捉到制冷系统某些微小但关键的状态变化，没有考虑到制冷系统数据的多尺度特性；无法深入探索数据的内在结构和特性，缺乏足够的精确性和稳定性的问题。
Description
技术领域
本发明涉及制冷系统技术领域，尤其涉及基于实时数据对制冷系统进行最优运行参数选择的方法。
背景技术
在现代社会，制冷系统在许多领域都起到了关键的作用，如家用空调、冷藏、冷冻、工业制冷等。随着能源价格的上涨和对环境保护的日益关注，如何提高制冷系统的效率和减少能源消耗成为了行业和科研人员的重要课题。传统的制冷系统往往采用固定的或预设的运行参数，这种方法在一些标准或预期的工况下可能表现良好，但在变化的环境和工况下，其效率可能会降低，甚至可能导致系统的不稳定。
随着信息技术和传感技术的快速发展，制冷系统可以获取大量的实时数据，这些数据包括但不限于温度、压力、湿度、流量等关键参数。这为基于数据的制冷系统优化提供了可能性。然而，如何从这些海量的实时数据中提取有用的信息，并据此调整运行参数，成为了一个技术挑战。
我国专利申请号：CN202211456366.0，公开日：2022.12.20，公开了一种中央制冷系统节能运行智能寻优方法，包括以下具体步骤：S1、采集建筑信息及中央制冷系统各设备的额定参数信息；S2、采集近三个月的中央制冷系统各设备的运行参数数据、室外气象数据及室内温湿度数据；S3、对S2采集到的中央制冷系统各设备的运行参数数据、室外气象数据及室内温湿度数据进行预处理；相比现有技术，该发明根据给定的冷冻水温度与冷冻水供回水压差，通过改变冷却水温度组合计算制冷各设备在不同工况的能耗，在温度组合中寻找到可以使得中央制冷系统整体能耗最低的运行工况，并下发至控制系统进行操作，有效提升调控操作的全局性和准确性，避免现有技术方案仅根据单一参数进行局部调控所造成的能耗浪费。
但上述技术至少存在如下技术问题：现有技术无法细致地捕捉到制冷系统某些微小但关键的状态变化，没有考虑到制冷系统数据的多尺度特性，导致在不同的物理过程或特性尺度上的数据无法得到合理的处理和分析，缺乏对实时状态的响应和自适应能力；无法深入探索数据的内在结构和特性，缺乏足够的精确性和稳定性，导致制冷系统的效率和稳定性受到影响。
发明内容
本申请实施例通过提供基于实时数据对制冷系统进行最优运行参数选择的方法，解决了现有技术无法细致地捕捉到制冷系统某些微小但关键的状态变化，没有考虑到制冷系统数据的多尺度特性，导致在不同的物理过程或特性尺度上的数据无法得到合理的处理和分析，缺乏对实时状态的响应和自适应能力；无法深入探索数据的内在结构和特性，缺乏足够的精确性和稳定性，导致制冷系统的效率和稳定性受到影响。实现了能够基于实时数据对制冷系统进行最优运行参数选择，为保证制冷系统高效、稳定运行提供了有力支持。
本申请提供了基于实时数据对制冷系统进行最优运行参数选择的方法，具体包括以下技术方案：
基于实时数据对制冷系统进行最优运行参数选择的方法，包括以下步骤：
S100：采用基于多层次分层结构的数据采集与处理算法，捕捉制冷系统的运行状态；
S200：引入高级制冷数据结构和拓扑数据分析技术，通过持续同调描述数据拓扑结构的变化，将同调群特征转化为数值向量；
S300：设计超深度融合算法，融合卷积神经网络、循环神经网络、图神经网络和拓扑数据分析技术得到的同调群特征向量，形成特征表示，结合修正因子，设计动态参数调整模块，对制冷系统进行最优状态调整，得到最优运行参数。
优选的，所述S100，具体包括：
制冷系统具有数据多尺度特性，制冷系统的数据在两个以上尺度上进行表示，每个尺度都与一个物理过程或特性相关；在宏观尺度上关注整体的热交换效率，在微观尺度上则着重于具体部件，具体为压缩机的冷凝过程；定义多尺度数据表示公式。
优选的，所述S100，还包括：
基于制冷系统的非线性及其与环境之间的动态交互，进一步进行了非线性动态特性分析。
优选的，所述S100，还包括：
在制冷系统出现故障或运行不稳定时，引入基于深度学习的优化模块，所述基于深度学习的优化模块的核心是深度神经网络模型；所述深度神经网络模型的输入是多尺度数据表示和特性分析结果，输出是下个采集周期的数据采集频率和精度的建议值。
优选的，所述S200，具体包括：
高级制冷数据结构反映了制冷系统的特性或状态，引入拓扑数据分析技术；所述拓扑数据分析技术从数据的形状或结构中提取出有意义的特征；在制冷系统中，所述拓扑数据分析技术发现数据中存在的洞或空腔，所述洞或空腔代表了制冷系统的异常状态或故障。
优选的，所述S200，还包括：
滤波函数为数据集/>中的每个点分配一个实数值，所述滤波函数被看作是数据的高度或密度；随着滤波值/>的变化，得到子集/>，/>是数据；定义链群和边界算子；所述链群描述了数据的拓扑结构，包括点、线、面，而所述边界算子描述了数据的拓扑结构之间的关系；基于所述链群和边界算子，定义持续同调；所述持续同调为每一个拓扑结构分配一个出生值和一个死亡值，使得所述拓扑结构的出现和消失能用滤波值的变化来描述。
优选的，所述S200，还包括：
同调群的计算结果，具体为通过持续同调得到的条形图，提供了数据集的拓扑结构信息，包括洞或空腔的数量、大小和持续性；将同调群特征转化为数值向量，通过计算每个特征在条形图中的条形的数量、平均长度、最大长度和条形的方差来实现。
优选的，所述S300，具体包括：
卷积神经网络用于特征提取，处理制冷系统中的空间数据；通过卷积操作，卷积神经网络从数据模型中提取出空间特征；制冷系统的运行数据不仅有空间上的特征，还有时间上的特征；采用循环神经网络和长短时记忆网络处理时间序列数据，捕获数据中的时间依赖关系；制冷系统的各个部分之间存在相互关系，所述相互关系可以看作是图结构；引入图神经网络，所述图神经网络能直接在图上进行操作，从而提取出图结构数据中的特征。
优选的，所述S300，还包括：
设计自我校准的传感器网络；通过对每个传感器进行标定，得出其在各种条件下的读数与实际值的对应关系；利用读数与实际值的对应关系和高级制冷数据结构中的数据，实时评估每个传感器的准确性，并据此计算出修正因子。
优选的，所述S300，还包括：
综合考虑深度融合算法输出的特征表示和修正因子，设计动态参数调整模块，根据特征表示调整压缩机的转速，再根据修正因子微调蒸发器和冷凝器的温度。
有益效果：
本申请实施例中提供的多个技术方案，至少具有如下技术效果或优点：
1、通过引入基于多层次分层结构的数据采集与处理算法，本方法可以更全面、细致地捕捉制冷系统的各种运行状态，确保了数据采集的准确性和实时性，为制冷系统最优运行参数的选择提供了更为可靠的决策支持；制冷系统数据的多尺度特性得到了充分的考虑和处理，使得从宏观到微观的各种物理过程或特性都能得到有效的表示和分析；
2、通过结合深度学习的优化模块，本方法可以自适应地调整数据采集的频率和精度，从而确保数据的准确性和实时性；应用拓扑数据分析技术，本方法能够深入地理解和利用制冷数据的内在结构，发现可能存在的异常状态或故障，为制冷系统提供了重要的诊断依据；
3、通过动态参数调整模块，结合深度融合算法输出的参数和修正因子，本方法可以更精确地调整制冷系统的运行参数，从而大大提高制冷系统的效率和稳定性；引入的自我校准的传感器网络能够实时评估并校正每个传感器的准确性，这进一步增强了系统的鲁棒性和可靠性。
4、本申请的技术方案能够有效解决现有技术无法细致地捕捉到制冷系统某些微小但关键的状态变化，没有考虑到制冷系统数据的多尺度特性，导致在不同的物理过程或特性尺度上的数据无法得到合理的处理和分析，缺乏对实时状态的响应和自适应能力；无法深入探索数据的内在结构和特性，缺乏足够的精确性和稳定性，导致制冷系统的效率和稳定性受到影响。能够基于实时数据对制冷系统进行最优运行参数选择，为保证制冷系统高效、稳定运行提供了有力支持。
附图说明
图1为本申请所述的基于实时数据对制冷系统进行最优运行参数选择的方法流程图。
具体实施方式
本申请实施例通过提供基于实时数据对制冷系统进行最优运行参数选择的方法，解决了现有技术无法细致地捕捉到制冷系统某些微小但关键的状态变化，没有考虑到制冷系统数据的多尺度特性，导致在不同的物理过程或特性尺度上的数据无法得到合理的处理和分析，缺乏对实时状态的响应和自适应能力；无法深入探索数据的内在结构和特性，缺乏足够的精确性和稳定性，导致制冷系统的效率和稳定性受到影响。
本申请实施例中的技术方案为解决上述问题，总体思路如下：
通过引入基于多层次分层结构的数据采集与处理算法，本方法可以更全面、细致地捕捉制冷系统的各种运行状态，确保了数据采集的准确性和实时性，为制冷系统最优运行参数的选择提供了更为可靠的决策支持；制冷系统数据的多尺度特性得到了充分的考虑和处理，使得从宏观到微观的各种物理过程或特性都能得到有效的表示和分析；通过结合深度学习的优化模块，本方法可以自适应地调整数据采集的频率和精度，从而确保数据的准确性和实时性；应用拓扑数据分析技术，本方法能够深入地理解和利用制冷数据的内在结构，发现可能存在的异常状态或故障，为制冷系统提供了重要的诊断依据；通过动态参数调整模块，结合深度融合算法输出的参数和修正因子，本方法可以更精确地调整制冷系统的运行参数，从而大大提高制冷系统的效率和稳定性；引入的自我校准的传感器网络能够实时评估并校正每个传感器的准确性，这进一步增强了系统的鲁棒性和可靠性。
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
参照附图1，本申请所述的基于实时数据对制冷系统进行最优运行参数选择的方法包括以下步骤：
S100：采用基于多层次分层结构的数据采集与处理算法，捕捉制冷系统的运行状态；
考虑到制冷系统的复杂性、多变性以及与环境间的交互特性，提出了一种基于多层次分层结构的数据采集与处理算法，可以更全面、细致地捕捉制冷系统的各种运行状态，确保数据采集的准确性和实时性，从而为系统最优运行参数的选择提供更为可靠的决策支持。
制冷系统具有数据多尺度特性，制冷系统的数据可以在多个尺度上进行表示，每个尺度都与一个特定的物理过程或特性相关。例如，宏观尺度上可能关注整体的热交换效率，而微观尺度上则可能着重于某一具体部件如压缩机的冷凝过程。为此，定义了以下的多尺度数据表示公式：
，
其中，表示第/>个尺度的权重向量，即制冷系统在第/>个尺度上的实时状态，/>是尺度的索引，/>是组件的索引，/>是第/>个尺度上第/>个组件的权重矩阵，/>是第/>个组件的状态矩阵，/>是第/>个组件的逆状态矩阵，/>是第/>个组件的偏置矩阵，/>是第/>个组件的指数权重矩阵，/>是第/>个组件的指数偏置矩阵。
考虑到制冷系统的非线性及其与环境之间的动态交互，进一步进行了非线性动态特性分析。定义如下的特性分析公式来描述这种动态性：
，
其中，是第/>个尺度的非线性动态特性，/>是第/>个尺度的特性权重矩阵，/>是第个尺度的特性偏置矩阵，/>是第/>个尺度的特性指数矩阵，/>是当前时间，/>是时间的积分变量。
为了进一步优化数据采集策略，特别是在制冷系统可能出现故障或运行不稳定时，引入了基于深度学习的优化模块，模块的核心是一个深度神经网络模型。它的输入是多尺度数据表示和特性分析结果，输出是下个采集周期的数据采集频率和精度的建议值。为了训练这个模型，定义了如下的损失函数V：
，
其中，是模型的输出，/>是一个调整参数。这种基于深度学习的优化方法来源于机器学习领域中的监督学习方法，特别是针对时间序列数据的预测模型。从而能够自适应地调整数据采集的频率和精度，确保数据的准确性和实时性，为制冷系统最优运行参数的选择提供强有力的支持。
S200：引入高级制冷数据结构和拓扑数据分析技术，通过持续同调描述数据拓扑结构的变化，将同调群特征转化为数值向量；
在制冷系统的运行中，为了更高效和稳定地调整参数，考虑到了系统内部的多种状态数据以及外部环境的实时条件。引入一个数据结构——高级制冷数据结构，所述高级制冷数据结构不仅包括了制冷系统的内部参数，还融合了外部环境的各种实时数据，形成一个全面、综合的数据模型。此模型由内部温度、压力、流量、外部湿度、外部温度以及系统负荷等参数构成。
高级制冷数据结构反映了制冷系统的特性或状态，为了更好地理解和利用这些结构，引入了拓扑数据分析技术。所述拓扑数据分析技术从数据的“形状”或“结构”中提取出有意义的特征。在制冷系统中，拓扑数据分析技术可以发现数据中存在的“洞”或“空腔”，这些“洞”或“空腔”代表了制冷系统的某种异常状态或故障。
具体地说，拓扑数据分析技术关心的是数据中的拓扑特性，如“洞”、“空腔”等。为了在拓扑数据分析技术中描述这些特性，引入了一个概念叫做“持续同调”。简而言之，持续同调描述了随着某种“尺度”或“滤波值”的变化，数据的拓扑结构如何变化。
首先，考虑一个滤波函数，它可以为数据集/>中的每个点分配一个实数值。这个函数可以看作是数据的某种“高度”或“密度”。随着滤波值/>的变化，得到一系列的子集/>，/>是数据。这些子集描述了在不同的滤波值下，数据的哪些部分是“活跃”的或“存在”的。
接下来，随着滤波值的增大，这些子集/>的拓扑结构如何变化。为此，定义了一系列的“链群”和“边界算子”。链群描述了数据的某些拓扑结构，如点、线、面等，而边界算子描述了这些结构之间的关系。
基于这些链群和边界算子，定义持续同调。持续同调关心的是随着滤波值的变化，数据的哪些拓扑结构是“持续存在”的。具体地说，它会为每一个拓扑结构分配一个“出生值”和一个“死亡值”，描述了这个结构在哪个滤波值下开始出现和消失。用以下的公式来表示持续同调：
，
其中，描述了在滤波值/>下，数据集/>的第/>个同调群，/>是第/>个边界算子，/>和/>分别是边界算子的核和像。所述同调群表征了数据中有多少个“洞”或“空腔”。使用这些持续同调的信息来描述制冷数据的拓扑特性，并与其他技术结合，如神经网络，从而得到一个更为全面和准确的数据表示，更为深入地理解制冷数据的内在结构。
同调群的计算结果，特别是通过持续同调得到的条形图或者持续图，提供了数据集的拓扑结构信息，如“洞”或“空腔”的数量、大小和持续性。这些拓扑特征是制冷系统的重要指标，它们可以反映制冷系统中可能的异常状态或故障。
将同调群特征转化为一个数值向量，通过计算每个特征在条形图中的条形的数量、平均长度、最大长度和其他统计量来实现。这些统计量提供了一个简洁的数据表示，可以直接用于后续的计算。
具体的，设为条形图中的条形集合，其中每个条形/>有一个起始点/>和一个结束点/>，条形集合的数量为/>，条形图中所有条形的平均长度为/>，计算以下特征：
条形的数量：，
平均长度：，
最大长度： ，
条形的方差：，
S300：设计超深度融合算法，融合卷积神经网络、循环神经网络、图神经网络和拓扑数据分析技术得到的同调群特征向量，形成特征表示，结合修正因子，设计动态参数调整模块，对制冷系统进行最优状态调整，得到最优运行参数。
为了更精确地处理和分析这些数据，设计了一个超深度融合算法。所述超深度融合算法不仅融合了深度学习中的卷积神经网络（CNN）和循环神经网络（RNN）, 还结合了拓扑数据分析技术和图神经网络（GNN）进行数据处理。
卷积神经网络用于特征提取，处理制冷系统中的空间数据；通过卷积操作，卷积神经网络可以从数据模型中提取出空间特征。制冷系统的运行数据不仅有空间上的特征，还有时间上的特征。为了捕获这些时间序列特征，采用了循环神经网络和长短时记忆网络处理时间序列数据，捕获数据中的时间依赖关系。
考虑到制冷系统的各个部分之间存在相互关系，这些关系可以看作是一个图结构。为了处理这种图结构数据，引入了图神经网络。图神经网络可以直接在图上进行操作，从而提取出图结构数据中的特征。
将同调群特征转化形成的数值向量与CNN、RNN和GNN得到的特征向量融合，形成一个综合的数据表示。具体地说，可以使用以下的公式来进行特征融合:
，
其中，是最终的特征表示，/>、/>、/>和/>是特征的权重。将最终的特征表示，作为制冷系统最优运行参数调整量。
为了保证传感器数据的准确性，设计了一种自我校准的传感器网络。通过对每个传感器进行标定，得出其在各种条件下的读数与实际值的对应关系。利用读数与实际值的对应关系和高级制冷数据结构中的数据，实时评估每个传感器的准确性，并据此计算出一个修正因子：
，
有了修正因子后，可以对每个传感器的读数进行实时校准，使其更加准确。
综合考虑深度融合算法输出的值和修正因子/>值，设计了一个动态参数调整模块。该模块首先根据/>值调整压缩机的转速，再根据/>值微调蒸发器和冷凝器的温度，确保制冷系统在最优状态下运行。具体的，可以采用如下公式进行调整：
，
，
，
其中，是系统负荷，/>是外部温度，/>是内部温度，/>是流量，/>是压力，/>是外部湿度。
通过这种基于多维度数据融合的制冷系统最优运行参数选择方法，能够更全面、准确地反映制冷系统的实际状态，从而更精确地调整运行参数，大大提高了制冷系统的效率和稳定性。
综上所述，便完成了本申请所述的基于实时数据对制冷系统进行最优运行参数选择的方法。
上述本申请实施例中的技术方案，至少具有如下的技术效果或优点：
1、通过引入基于多层次分层结构的数据采集与处理算法，本方法可以更全面、细致地捕捉制冷系统的各种运行状态，确保了数据采集的准确性和实时性，为制冷系统最优运行参数的选择提供了更为可靠的决策支持；制冷系统数据的多尺度特性得到了充分的考虑和处理，使得从宏观到微观的各种物理过程或特性都能得到有效的表示和分析；
2、通过结合深度学习的优化模块，本方法可以自适应地调整数据采集的频率和精度，从而确保数据的准确性和实时性；应用拓扑数据分析技术，本方法能够深入地理解和利用制冷数据的内在结构，发现可能存在的异常状态或故障，为制冷系统提供了重要的诊断依据；
3、通过动态参数调整模块，结合深度融合算法输出的参数和修正因子，本方法可以更精确地调整制冷系统的运行参数，从而大大提高制冷系统的效率和稳定性；引入的自我校准的传感器网络能够实时评估并校正每个传感器的准确性，这进一步增强了系统的鲁棒性和可靠性。
本申请的技术方案能够有效解决现有技术无法细致地捕捉到制冷系统某些微小但关键的状态变化，没有考虑到制冷系统数据的多尺度特性，导致在不同的物理过程或特性尺度上的数据无法得到合理的处理和分析，缺乏对实时状态的响应和自适应能力；无法深入探索数据的内在结构和特性，缺乏足够的精确性和稳定性，导致制冷系统的效率和稳定性受到影响。最终能够基于实时数据对制冷系统进行最优运行参数选择，为保证制冷系统高效、稳定运行提供了有力支持。
本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (6)
1.基于实时数据对制冷系统进行最优运行参数选择的方法，其特征在于，包括以下步骤：
S100：采用基于多层次分层结构的数据采集与处理算法，捕捉制冷系统的运行状态；制冷系统具有数据多尺度特性，制冷系统的数据在两个以上尺度上进行表示，每个尺度都与一个物理过程或特性相关；在宏观尺度上关注整体的热交换效率，在微观尺度上则着重于具体部件，具体为压缩机的冷凝过程；定义多尺度数据表示公式：
，
其中，表示第/>个尺度的权重向量，即制冷系统在第/>个尺度上的实时状态，/>是尺度的索引，/>是组件的索引，/>是第/>个尺度上第/>个组件的权重矩阵，/>是第/>个组件的状态矩阵，/>是第/>个组件的逆状态矩阵，/>是第/>个组件的偏置矩阵，/>是第/>个组件的指数权重矩阵，/>是第/>个组件的指数偏置矩阵；
S200：引入高级制冷数据结构和拓扑数据分析技术，通过持续同调描述数据拓扑结构的变化，将同调群特征转化为数值向量；
S300：设计超深度融合算法，融合卷积神经网络、循环神经网络、图神经网络和拓扑数据分析技术得到的同调群特征向量，形成特征表示，设计自我校准的传感器网络；通过对每个传感器进行标定，得出其在各种条件下的读数与实际值的对应关系；利用读数与实际值的对应关系和高级制冷数据结构中的数据，实时评估每个传感器的准确性，并据此计算出修正因子；综合考虑深度融合算法输出的特征表示和修正因子，设计动态参数调整模块，根据特征表示调整压缩机的转速，再根据修正因子微调蒸发器和冷凝器的温度，对制冷系统进行最优状态调整，得到最优运行参数；所述卷积神经网络用于特征提取，处理制冷系统中的空间数据；通过卷积操作，卷积神经网络从数据模型中提取出空间特征；制冷系统的运行数据不仅有空间上的特征，还有时间上的特征；采用循环神经网络和长短时记忆网络处理时间序列数据，捕获数据中的时间依赖关系；制冷系统的各个部分之间存在相互关系，所述相互关系被看作是图结构；引入图神经网络，所述图神经网络能直接在图上进行操作，从而提取出图结构数据中的特征。
2.根据权利要求1所述的基于实时数据对制冷系统进行最优运行参数选择的方法，其特征在于，所述S100，还包括：
基于制冷系统的非线性及其与环境之间的动态交互，进一步进行了非线性动态特性分析，并定义特性分析公式：
，
其中，是第/>个尺度的非线性动态特性，/>是第/>个尺度的特性权重矩阵，/>是第/>个尺度的特性偏置矩阵，/>是第/>个尺度的特性指数矩阵，/>是当前时间，/>是时间的积分变量。
3.根据权利要求2所述的基于实时数据对制冷系统进行最优运行参数选择的方法，其特征在于，所述S100，还包括：
在制冷系统出现故障或运行不稳定时，引入基于深度学习的优化模块，所述基于深度学习的优化模块的核心是深度神经网络模型；所述深度神经网络模型的输入是多尺度数据表示和特性分析结果，输出是下个采集周期的数据采集频率和精度的建议值。
4.根据权利要求1所述的基于实时数据对制冷系统进行最优运行参数选择的方法，其特征在于，所述S200，具体包括：
高级制冷数据结构反映了制冷系统的特性或状态，引入拓扑数据分析技术；所述拓扑数据分析技术从数据的形状或结构中提取出有意义的特征；在制冷系统中，所述拓扑数据分析技术发现数据中存在的洞或空腔，所述洞或空腔代表了制冷系统的异常状态或故障。
5.根据权利要求1所述的基于实时数据对制冷系统进行最优运行参数选择的方法，其特征在于，所述S200，还包括：
滤波函数为数据集/>中的每个点分配一个实数值，所述滤波函数被看作是数据的高度或密度；随着滤波值/>的变化，得到子集/>，/>是数据；定义链群和边界算子；所述链群描述了数据的拓扑结构，包括点、线、面，而所述边界算子描述了数据的拓扑结构之间的关系；基于所述链群和边界算子，定义持续同调；所述持续同调为每一个拓扑结构分配一个出生值和一个死亡值，使得所述拓扑结构的出现和消失能用滤波值的变化来描述。
6.根据权利要求1所述的基于实时数据对制冷系统进行最优运行参数选择的方法，其特征在于，所述S200，还包括：
同调群的计算结果，具体为通过持续同调得到的条形图，提供了数据集的拓扑结构信息，包括洞或空腔的数量、大小和持续性；将同调群特征转化为数值向量，通过计算每个特征在条形图中的条形的数量、平均长度、最大长度和条形的方差来实现。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311549087.3A CN117272212B (zh) | 2023-11-21 | 2023-11-21 | 基于实时数据对制冷系统进行最优运行参数选择的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311549087.3A CN117272212B (zh) | 2023-11-21 | 2023-11-21 | 基于实时数据对制冷系统进行最优运行参数选择的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117272212A CN117272212A (zh) | 2023-12-22 |
| CN117272212B true CN117272212B (zh) | 2024-02-06 |
Family
ID=89216368
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311549087.3A Active CN117272212B (zh) | 2023-11-21 | 2023-11-21 | 基于实时数据对制冷系统进行最优运行参数选择的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117272212B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117992803B (zh) * | 2024-04-03 | 2024-06-11 | 江西千策信息工程有限公司 | 一种基于钢结构健康的多尺度结合监测方法及系统 |
| CN118121975A (zh) * | 2024-05-06 | 2024-06-04 | 无锡冠亚恒温制冷技术有限公司 | 一种超低温冷凝结晶系统及方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115525866A (zh) * | 2022-08-31 | 2022-12-27 | 山东大学 | 一种深度学习滚动轴承故障诊断方法及系统 |
| CN117072338A (zh) * | 2023-10-18 | 2023-11-17 | 无锡华源凯马发动机有限公司 | 柴油发动机自适应喷油控制策略系统及优化方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20230043276A1 (en) * | 2021-07-28 | 2023-02-09 | International Business Machines Corporation | Online optimal control under constraints |
-
2023
- 2023-11-21 CN CN202311549087.3A patent/CN117272212B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115525866A (zh) * | 2022-08-31 | 2022-12-27 | 山东大学 | 一种深度学习滚动轴承故障诊断方法及系统 |
| CN117072338A (zh) * | 2023-10-18 | 2023-11-17 | 无锡华源凯马发动机有限公司 | 柴油发动机自适应喷油控制策略系统及优化方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117272212A (zh) | 2023-12-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117272212B (zh) | 基于实时数据对制冷系统进行最优运行参数选择的方法 | |
| JP7069269B2 (ja) | デジタル・ツイン・シミュレーション・データを利用した時系列データに基づく、大規模な産業用監視システム向けの半教師あり深層異常検出のための方法およびシステム | |
| CN114484731A (zh) | 一种基于stacking融合算法的中央空调故障诊断方法及装置 | |
| CN112747416B (zh) | 空调系统能耗预测方法及装置 | |
| CN113325721B (zh) | 一种工业系统无模型自适应控制方法及系统 | |
| CN110781595B (zh) | 能源使用效率pue的预测方法、装置、终端及介质 | |
| CN114428803B (zh) | 空压站运行优化方法、系统、存储介质及终端 | |
| CN115358281B (zh) | 一种基于机器学习的冷热一体机监测控制方法及系统 | |
| CN111735177B (zh) | 一种基于svr算法的中央空调系统冷负荷预测方法 | |
| CN110542178A (zh) | 具有自学习能力的空调冷冻机房控制方法及系统 | |
| CN115294671A (zh) | 一种空压机出口压力预测方法和预测系统 | |
| CN116974230A (zh) | 一种基于物联网的设备运行模式智能控制方法及系统 | |
| CN111652422A (zh) | 基于建筑物分类的供热系统负荷预测方法、装置及系统 | |
| CN114154689A (zh) | 一种冷水主机单机能耗预测方法、系统及存储介质 | |
| CN113757922B (zh) | 一种基于深度学习的空调系统节能控制方法、装置、设备及计算机介质 | |
| Wu et al. | Fault diagnosis of HVAC system with imbalanced data using multi-scale convolution composite neural network | |
| Stock et al. | HVAC performance evaluation and optimization algorithms development for large buildings | |
| Fan et al. | Research and applications of data mining techniques for improving building operational performance | |
| CN111504673A (zh) | 一种冷水机组故障诊断方法、系统及空调器 | |
| Zhang et al. | Investigations on machine learning-based control-oriented modeling using historical thermal data of buildings | |
| CN110083877A (zh) | 一种波动热工系统传递函数建模方法 | |
| CN116528270B (zh) | 一种基站节能潜力评估方法、装置、设备及存储介质 | |
| CN116227367B (zh) | 直接空冷系统的背压预测模型构建方法、预测方法及装置 | |
| CN117189547B (zh) | 用于无油移动式空压机的冷却优化调控方法及系统 | |
| CN115877714B (zh) | 一种制冷系统控制方法、装置、电子设备及存储介质 |
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 |