CN117346418A - 冷水机组的控制方法、装置、存储介质及电子设备 - Google Patents
冷水机组的控制方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN117346418A CN117346418A CN202311652182.6A CN202311652182A CN117346418A CN 117346418 A CN117346418 A CN 117346418A CN 202311652182 A CN202311652182 A CN 202311652182A CN 117346418 A CN117346418 A CN 117346418A
- Authority
- CN
- China
- Prior art keywords
- prediction
- data
- energy storage
- storage system
- actual
- 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.)
- Granted
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 192
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000003860 storage Methods 0.000 title claims abstract description 21
- 238000004146 energy storage Methods 0.000 claims abstract description 145
- 238000003062 neural network model Methods 0.000 claims abstract description 71
- 238000001816 cooling Methods 0.000 claims abstract description 19
- 238000004364 calculation method Methods 0.000 claims description 73
- 230000002159 abnormal effect Effects 0.000 claims description 26
- 230000007613 environmental effect Effects 0.000 claims description 17
- 238000000605 extraction Methods 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 80
- 210000004027 cell Anatomy 0.000 description 29
- 239000000498 cooling water Substances 0.000 description 11
- 238000005457 optimization Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000009826 distribution Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000005611 electricity Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000011217 control strategy Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000010977 unit operation Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000007600 charging Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Mechanical Engineering (AREA)
- Thermal Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种冷水机组的控制方法、装置、存储介质及电子设备。其中，该方法包括：获取储能系统和冷水机组的多组工况数据以及冷水机组当前所处环境的环境数据，其中，冷水机组用于为储能系统进行冷却，不同组的工况数据对应的数据类型不同；利用神经网络模型对多组工况数据和环境数据进行预测，得到多个预测结果，其中，神经网络模型包括共享数据层和多个预测层，多个预测层分别与共享数据层连接；基于多个预测结果对冷水机组的当前控制参数进行调整本发明解决了相关技术中冷水机组对储能系统的冷却效率较低的技术问题。
Description
技术领域
本发明涉及冷水机组控制领域，具体而言，涉及一种冷水机组的控制方法、装置、存储介质及电子设备。
背景技术
储能系统作为一种可以存储能量的设备，在充放电或储能过程中，储能系统会产生热量，高温环境下储能系统可能存在安全隐患，因此，需要通过冷水机组对储能系统进行冷却降温。
目前，相关技术中通过冷水机组对储能系统进行冷却降温通常是采用技术人员手动控制冷水机组或给冷水机组设定固定的运行参数，造成相关技术中冷水机组对储能系统的冷却效率较低。
针对上述的问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种冷水机组的控制方法、装置、存储介质及电子设备，以至少解决相关技术中冷水机组对储能系统的冷却效率较低的技术问题。
根据本发明实施例的一个方面，提供了一种冷水机组的控制方法，包括：获取储能系统和冷水机组的多组工况数据以及冷水机组当前所处环境的环境数据，其中，冷水机组用于为储能系统进行冷却，不同组的工况数据对应的数据类型不同；利用神经网络模型对多组工况数据和环境数据进行预测，得到多个预测结果，其中，神经网络模型包括共享数据层和多个预测层，多个预测层分别与共享数据层连接；基于多个预测结果对冷水机组的当前控制参数进行调整。
可选地，利用神经网络模型对多组工况数据和环境数据进行预测，得到多个预测结果，包括：利用共享数据层对多组工况数据和环境数据进行特征提取，得到冷水机组的特征数据；利用多个预测层分别对特征数据进行预测，得到多个预测结果。
可选地，多个预测层包括：第一预测层、第二预测层、第三预测层，利用多个预测层分别对特征数据进行预测，得到多个预测结果，包括：利用第一预测层对特征数据进行标签预测，得到预测标签，其中，预测标签用于表示预测得到储能系统中电芯是否出现异常；利用第二预测层对特征数据进行功率预测，得到预测功率，其中，预测功率用于表示预测得到的冷水机组的功率；利用第三预测层对特征数据进行收益率预测，得到预测收益率，其中，预测收益率用于表示预测得到的储能系统的收益率；基于预测标签、预测功率和预测收益率得到多个预测结果。
可选地，基于多个预测结果对冷水机组的当前控制参数进行调整，包括：基于预测标签和预设标签确定第一调整参数，其中，预设标签用于表示电芯未出现异常；基于预测功率和目标功率确定第二调整参数，其中，目标功率用于表示冷水机组所要达到的功率；基于预测收益率和目标收益率确定第三调整参数，其中，目标收益率用于表示储能系统所要达到的收益率；基于第一调整参数、第二调整参数和第三调整参数对当前控制参数进行调整。
可选地，神经网络还包括多个损失计算层，多个损失计算层与多个预测层，对应连接，方法还包括：获取样本工况数据和样本工况数据对应的多个实际预测结果；利用神经网络模型对样本工况数据进行预测，得到多个样本预测结果；利用多个损失计算层基于多个实际预测结果和多个样本预测结果构建目标损失函数；利用目标损失函数对神经网络模型的模型参数进行调整。
可选地，利用多个损失计算层基于多个实际预测结果和多个样本预测结果构建目标损失函数，包括：确定多个实际预测结果中的实际标签、实际功率和实际收益率，其中，实际标签用于电芯实际是否出现异常，实际功率用于表示冷水机组实际的功率、实际收益率用于表示储能系统实际的收益率；确定多个样本预测结果中的样本标签、样本功率和样本收益率；利用多个损失计算层基于实际标签、实际功率、实际收益率、样本标签、样本功率和样本收益率构建目标损失函数。
可选地，多个损失计算层包括第一损失计算层、第二损失计算层、第三损失计算层，利用多个损失计算层基于实际标签、实际功率、实际收益率、样本标签、样本功率和样本收益率构建目标损失函数，包括：利用第一损失计算层基于实际标签和样本标签构建对数损失函数；利用第二损失计算层基于实际功率和样本功率构建第一均方根损失函数；利用第三损失计算层基于实际收益率和样本收益率构建第二均方根损失函数；基于对数损失函数、第一均方根损失函数和第二均方根损失函数构建目标损失函数。
根据本发明实施例的另一方面，还提供了一种冷水机组的控制装置，包括：获取模块，用于获取储能系统和冷水机组的多组工况数据以及冷水机组当前所处环境的环境数据，其中，储能系统用于为冷水机组进行供电，不同组的工况数据对应的数据类型不同；预测模块，用于利用神经网络模型对多组工况数据和环境数据进行预测，得到多个预测结果，其中，神经网络模型包括共享数据层和多个预测层，多个预测层分别与共享数据层连接；调整模块，用于基于多个预测结果对冷水机组的当前控制参数进行调整。
根据本发明实施例的另一方面，还提供了一种计算机可读存储介质，计算机可读存储介质包括存储的程序，其中，在程序运行时控制所在设备的处理器中执行上述冷水机组的控制参数调整方法。
根据本发明实施例的另一方面，还提供了一种电子设备，一个或多个处理器；存储装置，用于存储一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器执行上述冷水机组的控制参数调整方法。
在本发明实施例中，获取储能系统和冷水机组的多组工况数据以及冷水机组当前所处环境的环境数据，其中，冷水机组用于为储能系统进行冷却，不同组的工况数据对应的数据类型不同；利用神经网络模型对多组工况数据和环境数据进行预测，得到多个预测结果，其中，神经网络模型包括共享数据层和多个预测层，多个预测层分别与共享数据层连接；基于多个预测结果对冷水机组的当前控制参数进行调整；本申请提供了一种冷水机组的控制方法，包括，综合考虑了储能系统内电芯的运行工况，冷水机组的运行工况，储能系统的收益率和冷水机组所处环境对冷水机组运行的影响，从而得到优化后的冷水机组控制参数，最后基于优化后的冷水机组控制参数控制冷水机组的运行，实现了冷水机组在不同的运行环境下，在满足储能系统冷却降温需求的同时，降低了冷水机组对能源的消耗，且保证储能系统具有较高的收益率，进而解决了相关技术中冷水机组对储能系统的冷却效率较低的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例的一种冷水机组的控制方法的流程图；
图2是根据本发明实施例的一种可选的冷水机组的控制方法的示意图；
图3是根据本发明实施例的一种可选的冷水机组控制参数预测神经网络模型的结构框图的示意图；
图4是根据本申请实施例的一种冷水机组的控制装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
根据本发明实施例，提供了一种冷水机组的控制方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的一种冷水机组的控制方法，如图1所示，该方法包括如下步骤：
步骤S102，获取储能系统和冷水机组的多组工况数据以及冷水机组当前所处环境的环境数据。
其中，冷水机组用于为储能系统进行冷却，不同组的工况数据对应的数据类型不同。
上述的储能系统可以是指一种可以存储能量的设备，储能系统可以包括但不限于电池储能系统、压缩空气储能系统、水泵储能系统、超级电容储能系统等，在本实施例中，储能系统可以用于存储电能，储能系统中包含电池组，电池组中包含了多个电芯。
上述的冷水机组可以是指一种用于制冷的设备，以提供冷却和空调功能，冷水机组包括压缩机、冷凝器、膨胀阀和蒸发器等组件，在本实施例中，冷水机组可以用于给储能系统进行冷却降温。
上述的工况数据可以是指储能系统和冷水机组的历史运行工况数据和实时运行工况数据，其中，历史运行工况数据可以包括但不限于储能系统内电芯的历史运行工况数据，冷水机组的历史运行工况数据，储能系统的历史收益率数据等；实时运行工况数据可以是指以一定时间间隔采集的一定时长范围内的储能系统和冷水机组的运行工况数据，实时运行工况数据可以包括但不限于储能系统内电芯的实时运行工况数据，冷水机组的实时运行工况数据，储能系统的实时收益率数据等。
上述的环境数据可以是指冷水机组所处环境的历史数据和实时数据。
在一种可选的实施例中，储能系统内电芯的运行工况数据可以包括但不限于储能系统内电芯的充放电循环次数、充放电温度、充放电电流、充放电电压、充放电容量等数据；冷水机组的运行工况数据可以包括但不限于冷水机组运行时间、冷却水出水温度、冷却水进水温度、冷却水流量、压缩机运行状态、冷凝器温度、蒸发器温度等数据；储能系统的收益率可以包括但不限于储能系统运行时的电价、目前功率是否超出最大需量阈值等数据；环境数据可以包括但不限于冷水机组所处环境的历史温度、湿度、大气压强、风速等数据。
在一种可选的实施例中，可以采用特定的监测系统获取储能系统和冷水机组的运行工况数据及冷水机组的环境数据，还可以通过访问储能系统和冷水机组的运行日志或数据库文件获取储能系统和冷水机组的运行工况数据及冷水机组的环境数据，还可以采用其他方式获取储能系统和冷水机组的运行工况数据及冷水机组的环境数据，这里不作限定。
步骤S104，利用神经网络模型对多组工况数据和环境数据进行预测，得到多个预测结果。
其中，神经网络模型包括共享数据层和多个预测层，多个预测层分别与共享数据层连接。
上述的神经网络模型可以是指一种由大量的人工神经元组成的人工智能模型，这些神经元之间通过连接进行信息传递和处理，该神经网络模型包括输入层、隐藏层和输出层，该神经网络模型的输入层可以接收储能系统和冷水机组的实时运行工况数据和冷水机组所处环境的实时数据，隐藏层包含了数据共享层、多个预测层和多个损失计算层，隐藏层对接收到的数据进行一系列处理，输出层输出对应的多个预测结果。
上述的多个预测结果可以是指冷水机组在不同的运行环境下，储能系统的电芯状态正常时，冷水机组的运行工况与储能系统的收益率之间的对应关系。
在一种可选的实施例中，储能系统和冷水机组的历史运行工况数据和冷水机组所处环境的历史数据可以作为训练集和测试集对神经网络模型进行训练和测试，从而得到训练好的神经网络模型。
在一种可选的实施例中，可以将储能系统和冷水机组的实时运行工况数据和冷水机组所处环境的实时数据，包括了储能系统内电芯的实时运行工况数据，冷水机组的实时运行工况数据，储能系统的实时收益率数据和冷水机组所处环境的实时数据，结合需要控制储能系统需要达到的电芯温度、电压，冷水机组运行时长等控制目标参数，传输给训练好的神经网络模型，进行预测输出，神经网络模型可以输出多个预测结果。
在一种可选的实施例中，神经网络模型可以基于储能系统和冷水机组的实时运行工况数据和冷水机组所处环境的实时数据以及上述的控制目标参数，可以通过该神经网络模型预测输出在输出的实时的运行工况和控制目标参数下，需要的冷水机组的运行功率，对应的冷水机组的运行功率下储能系统的电芯是否会发生异常，及储能系统的收益率，从而通过神经网络模型获取到了多个预测结果。
在另一种可选的实施例中，神经网络模型可以输出冷水机组在不同的运行环境下，冷水机组对储能系统进行冷却降温，在确保储能系统的电芯状态正常时，冷水机组的运行工况与储能系统的收益率之间的对应关系。
步骤S106，基于多个预测结果对冷水机组的当前控制参数进行调整。
上述的当前控制参数可以是指当前对冷水机组进行控制的参数，当前控制参数可以包括但不限于控制冷水机组开启/停止，冷水机组的运行功率，冷水机组的冷却水流量，冷水机组的冷却水进水温度等参数。
在一种可选的实施例中，可以基于储能系统和冷水机组的实时运行工况数据和冷水机组所处环境的实时数据通过神经网络模型获取到对应的多个预测结果，再基于多个预测结果对冷水机组的当前控制参数进行调整，即在当前冷水机组所处的环境下，当储能系统的电芯状态正常，确定储能系统的收益率与冷水机组的运行功率平衡时对应的冷水机组的控制参数，基于得到的控制参数对冷水机组的运行进行控制，确保了冷水机组在满足储能系统冷却降温需求的同时，降低了冷水机组对能源的消耗。
通过神经网络模型进行预测时，可以将未来需要控制达到的储能系统的电芯温度，电压，冷水机组的运行时长等工况数据，输入给神经网络模型，通过模型的预测输出，即可知道所输入目标参数是否能满足储能系统的电芯正常工作的需求，以及为了达到这个需求所需要的冷水机组运行功率、运行时长等关键控制策略参数，同时还可以获得该控制策略下，整个储能系统的收益率。
冷水机组在不同的运行环境下，对储能系统电芯状态是否正常的判断阈值不同，储能系统的目标收益率不同，对应的冷水机组的控制参数不同，本申请基于神经网络模型综合考虑了储能系统内电芯的运行工况，冷水机组的运行工况，储能系统的收益率和冷水机组所处环境对冷水机组运行的影响，得到了优化后的冷水机组控制参数，最后基于优化后的冷水机组控制参数控制冷水机组的运行，实现了冷水机组在不同的运行环境下，在满足储能系统冷却降温需求的同时，降低了冷水机组对能源的消耗，且保证储能系统具有较高的收益率。
在本发明实施例中，获取储能系统和冷水机组的多组工况数据以及冷水机组当前所处环境的环境数据，其中，冷水机组用于为储能系统进行冷却，不同组的工况数据对应的数据类型不同；利用神经网络模型对多组工况数据和环境数据进行预测，得到多个预测结果，其中，神经网络模型包括共享数据层和多个预测层，多个预测层分别与共享数据层连接；基于多个预测结果对冷水机组的当前控制参数进行调整；本申请提供了一种冷水机组的控制方法，包括，综合考虑了储能系统内电芯的运行工况，冷水机组的运行工况，储能系统的收益率和冷水机组所处环境对冷水机组运行的影响，从而得到优化后的冷水机组控制参数，最后基于优化后的冷水机组控制参数控制冷水机组的运行，实现了冷水机组在不同的运行环境下，在满足储能系统冷却降温需求的同时，降低了冷水机组对能源的消耗，且保证储能系统具有较高的收益率，进而解决了相关技术中冷水机组对储能系统的冷却效率较低的技术问题。
可选地，利用神经网络模型对多组工况数据和环境数据进行预测，得到多个预测结果，包括：利用共享数据层对多组工况数据和环境数据进行特征提取，得到冷水机组的特征数据；利用多个预测层分别对特征数据进行预测，得到多个预测结果。
上述的特征数据可以是指对多组工况数据和环境数据，和由多组工况数据和环境数据经过计算得到的数据进行特征提取得到的结果。
在一种可选的实施例中，可以对工况数据和环境数据进行数据清洗和预处理，包括去除异常值、缺失值处理和数据归一化等，可以使用统计学方法、领域知识或特征选择算法进行特征选择，最后根据选定的特征，对工况数据和环境数据进行特征提取，可以使用特征提取方法，如统计特征提取，包括均值、方差、最大值、最小值等，频域特征提取，包括傅里叶变换、小波变换等，时域特征提取包括自相关性、互相关性等，从而得到了特征数据，实现了对多组工况数据和环境数据进行特征提取得到特征数据。
在一种可选的实施例中，储能系统内电芯的特征数据可以包括但不限于储能系统内电芯的充放电循环次数、充放电温度、充放电电流、充放电电压、充放电电压差、充放电功率、充放电容量、循环效率等特征；冷水机组的特征数据可以包括但不限于冷水机组运行时间、冷却水出水温度、冷却水进水温度、冷却水流量、压缩机运行状态、压缩机功率、冷凝器温度、蒸发器温度、冷水机组制冷效率（ Coefficient of Performance ，简称为COP）值等特征；储能系统的收益率特征数据可以包括但不限于储能系统运行时的电价、目前功率是否超出最大需量阈值等特征；环境特征数据可以包括但不限于冷水机组所处环境的历史温度、湿度、大气压强、风速等特征。
在一种可选的实施例中，神经网络模型可以设置一个数据共享层，共享数据层可以共享得到的特征数据，便于后续步骤中多个预测层可以根据需要选择相应的调用冷水机组的环境特征、储能系统电芯运行工况特征、冷水机组的运行工况特征和储能系统的收益率特征等特征数据，数据共享层的设置有利于神经网路模型中数据的协调、高效调用，有效地简化了神经网路模型的复杂度，降低了通过神经网络对特征数据进行调用的时间复杂度和空间复杂度，提高了神经网络模型对特征数据进行预测的效率。
可选地，多个预测层包括：第一预测层、第二预测层、第三预测层，利用多个预测层分别对特征数据进行预测，得到多个预测结果，包括：利用第一预测层对特征数据进行标签预测，得到预测标签，其中，预测标签用于表示预测得到储能系统中电芯是否出现异常；利用第二预测层对特征数据进行功率预测，得到预测功率，其中，预测功率用于表示预测得到的冷水机组的功率；利用第三预测层对特征数据进行收益率预测，得到预测收益率，其中，预测收益率用于表示预测得到的储能系统的收益率；基于预测标签、预测功率和预测收益率得到多个预测结果。
在一种可选的实施例中，上述神经网络模型中的多个预测层可以是神经网络模型的全连接层，多个预测层包含了第一预测层、第二预测层和第三预测层，三个预测层之间相互独立，可以分别实现不同的功能，其中，第一预测层可以基于特征数据对储能系统内对应电芯的状态进行预测，判断储能系统内对应电芯是否出现异常；第二预测层可以基于特征数据对冷水机组的运行功率进行预测；第三预测层可以基于特征数据对储能系统的收益率进行预测，为了平衡预测的准确性和预测的效率，本实施例选择使用两层且神经元个数为64的全连接层，这里的隐藏层类型、隐藏层层数以及每层的神经元个数，可以根据具体情况进行设置，这里不作限定。
在一种可选的实施例中，上述神经网络模型中的第一预测层可以基于特征数据对储能系统内对应电芯的状态进行预测，判断储能系统内对应电芯是否出现异常，其中，储能系统内电芯异常可以包括但不限于电芯的温度是否出现异常，电芯的充放电电压是否出现异常，电芯的充放电功率是否出现异常等。
在另一种可选的实施例中，上述神经网络模型中的第二预测层可以基于特征数据对冷水机组的运行功率进行预测，例如，可以基于冷水机组的特征数据和环境特征数据对冷水机组的运行功率进行预测。
在另一种可选的实施例中，上述神经网络模型中的第三预测层可以基于特征数据对储能系统的收益率进行预测，例如，可以基于特征数据对储能系统运行时的电价或目前功率是否超出最大需量阈值等进行预测。
可选地，基于多个预测结果对冷水机组的当前控制参数进行调整，包括：基于预测标签和预设标签确定第一调整参数，其中，预设标签用于表示电芯未出现异常；基于预测功率和目标功率确定第二调整参数，其中，目标功率用于表示冷水机组所要达到的功率；基于预测收益率和目标收益率确定第三调整参数，其中，目标收益率用于表示储能系统所要达到的收益率；基于第一调整参数、第二调整参数和第三调整参数对当前控制参数进行调整。
在一种可选的实施例中，上述神经网络模型可以基于储能系统内对应电芯未出现异常确定第一调整参数，其中，第一调整参数用于对冷水机组的控制参数进行调整。
在另一种可选的实施例中，上述神经网络模型可以基于预测得到的冷水机组的功率和冷水机组所要达到的目标功率确定第二调整参数，其中，第二调整参数用于对冷水机组的控制参数进行调整，例如，当预测得到的冷水机组的功率小于冷水机组所要达到的目标功率，第二调整参数可以用于表示需要增加冷水机组的运行功率，以满足对储能系统的冷却；当预测得到的冷水机组的功率大于或等于冷水机组所要达到的目标功率，第二调整参数可以用于表示需要减小冷水机组的运行功率，以确保在满足对储能系统冷却需求的同时减少冷却机组的运行成本，且节省了能源。
在另一种可选的实施例中，上述神经网络模型可以基于预测得到的储能系统的收益率和储能系统所要达到的目标收益率确定第三调整参数，其中，第三调整参数用于对冷水机组的控制参数进行调整，例如，当预测得到的储能系统的收益率小于储能系统所要达到的目标收益率，即对储能系统进行冷却的收益率过低，成本过高，这时第三调整参数可以用于表示需要减小冷水机组的运行功率，以减少冷却机组的运行成本，增加储能系统的收益率。
可选地，神经网络还包括多个损失计算层，多个损失计算层与多个预测层，对应连接，方法还包括：获取样本工况数据和样本工况数据对应的多个实际预测结果；利用神经网络模型对样本工况数据进行预测，得到多个样本预测结果；利用多个损失计算层基于多个实际预测结果和多个样本预测结果构建目标损失函数；利用目标损失函数对神经网络模型的模型参数进行调整。
上述的损失计算层是上述神经网络模型中的一个重要组成部分，用于计算模型的预测值与真实标签之间的损失值，并通过反向传播算法优化模型的参数，使得损失值逐渐减小，从而提高模型的预测准确性。
上述的样本工况数据可以是指储能系统中电芯的工况状态，冷水机组的工况状态和储能系统的工况状态。
上述的实际预测结果可以是指储能系统中电芯的实际状态，冷水机组的实际功率和储能系统的实际收益率。
上述的样本预测结果可以是上述的预测标签、预测功率和预测收益率，即预测得到的储能系统中电芯是否出现异常，预测得到的冷水机组的功率和预测得到的储能系统的收益率。
上述的目标损失函数可以是用来衡量模型预测结果与实际目标值之间的差异的函数，在本实施例中，目标损失函数用于衡量实际预测结果和样本预测结果之间的差异。
在一种可选的实施例中，可以基于目标损失函数衡量实际预测结果和样本预测结果之间的差异，即得到该神经网络模型的预测值与真实标签之间的损失值，并通过反向传播算法优化该神经网络模型的参数，使得损失值逐渐减小，从而提高模型的预测准确性。
可选地，利用多个损失计算层基于多个实际预测结果和多个样本预测结果构建目标损失函数，包括：确定多个实际预测结果中的实际标签、实际功率和实际收益率，其中，实际标签用于电芯实际是否出现异常，实际功率用于表示冷水机组实际的功率、实际收益率用于表示储能系统实际的收益率；确定多个样本预测结果中的样本标签、样本功率和样本收益率；利用多个损失计算层基于实际标签、实际功率、实际收益率、样本标签、样本功率和样本收益率构建目标损失函数。
上述的样本标签即预测标签，用于表示预测得到的储能系统中电芯是否出现异常。
上述的样本功率即预测功率，用于表示预测得到的冷水机组的功率。
上述的样本收益率即预测收益率，用于表示预测得到的储能系统的收益率。
在一种可选的实施例中，可以通过该神经网络模型中的多个损失计算层基于实际标签、实际功率、实际收益率、样本标签、样本功率和样本收益率构建目标损失函数，可以基于目标损失函数得到该神经网络模型的预测值与真实标签之间的损失值，并通过反向传播算法优化该神经网络模型的参数，使得损失值逐渐减小，从而提高模型的预测准确性。
可选地，多个损失计算层包括第一损失计算层、第二损失计算层、第三损失计算层，利用多个损失计算层基于实际标签、实际功率、实际收益率、样本标签、样本功率和样本收益率构建目标损失函数，包括：利用第一损失计算层基于实际标签和样本标签构建对数损失函数；利用第二损失计算层基于实际功率和样本功率构建第一均方根损失函数；利用第三损失计算层基于实际收益率和样本收益率构建第二均方根损失函数；基于对数损失函数、第一均方根损失函数和第二均方根损失函数构建目标损失函数。
上述的对数损失函数可以是一种用于评估分类模型预测结果的损失函数，在本实施例中，对数损失函数（logarithmic loss，缩写为Log Loss）用于对储能系统的电芯是否处于异常状态这类二分类问题进行拟合优化，对数损失函数衡量了模型预测的概率分布与实际标签的概率分布之间的差异。
上述的第一均方根损失函数可以是一种用于衡量预测值与实际值之间差异的指标，在本实施例中，第一均方根损失函数（Root Mean Square Error Loss，缩写为MSELoss）用于对冷水机组运行功率这类回归问题进行拟合优化。
上述的第二均方根损失函数可以是一种用于衡量预测值与实际值之间差异的指标，在本实施例中，第二均方根损失函数用于对储能系统的收益率这类回归问题进行拟合优化。
在一种可选的实施例中，多个损失计算层包含了第一损失计算层、第二损失计算层和第三损失计算层，三个损失计算层之间相互独立，且第一损失计算层与第一预测层相对应，第二损失计算层与第二预测层相对应，第三损失计算层与第三预测层相对应。
在一种可选的实施例中，多个损失计算层中的第一损失计算层可以基于实际标签和样本标签构建对数损失函数，对数损失函数对储能系统的电芯是否处于异常状态这类二分类问题进行拟合优化，对数损失函数衡量了样本标签的概率分布与实际标签的概率分布之间的差异，对数损失函数的值越小，表示模型的预测结果与实际标签的概率分布越接近，对数损失函数可以用作第一预测层的性能评估指标。
在另一种可选的实施例中，多个损失计算层中的第二损失计算层可以基于实际功率和样本功率构建第一均方根损失函数，第一均方根损失函数对冷水机组运行功率这类回归问题进行拟合优化，第一均方根损失函数计算了冷水机组样本功率与实际功率之间的差异的平方均值，然后取其平方根，第一均方根损失函数的函数值越小，表示第二预测层的准确度越高。
在另一种可选的实施例中，多个损失计算层中的第三损失计算层可以基于实际收益率和样本收益率构建第二均方根损失函数，第二均方根损失函数用于对储能系统的收益率这类回归问题进行拟合优化，第二均方根损失函数计算了储能系统样本收益率与储能系统实际收益率之间的差异的平方均值，然后取其平方根，第二均方根损失函数的函数值越小，表示第二预测层的准确度越高。
在一种可选的实施例中，图2是根据本发明实施例的一种可选的冷水机组的控制方法的示意图，如图2所示，历史数据收集模块可以收集冷水机组所处环境的历史数据，储能系统内电芯的历史运行工况数据，冷水机组的历史运行工况数据，储能系统的历史收益率数据等；这些数据可以作为训练集和测试集对神经网络模型进行训练和测试，对应图2中多目标机器学习算法训练模块；图2中的实时数据获取模块可以获取储能系统和冷水机组的实时运行工况数据和冷水机组所处环境的实时数据，并将这些数据作为训练好的神经网络模型的输入数据，神经网络模型可以输出多个预测结果，对应图2中多目标模型预测模块；最后基于多个预测结果对冷水机组的当前控制参数进行调整，即在当前冷水机组所处的环境下，当储能系统的电芯状态正常，确定储能系统的收益率与冷水机组的运行功率平衡时对应的冷水机组的控制参数，基于得到的控制参数对冷水机组的运行进行控制确保了冷水机组在满足储能系统冷却降温需求的同时降低了冷水机组对能源的消耗，对应图2中冷水机组启停和运行攻略策略。
在一种可选的实施例中，图3是根据本发明实施例的一种可选的冷水机组控制参数预测神经网络模型的结构框图的示意图，如图3所示，该神经网络模型的隐藏层包含了数据共享层、多个预测层和多个损失计算层，其中，数据共享层可以对输入层输入的冷水机组所处环境的数据，储能系统内电芯的历史运行工况数据，冷水机组的历史运行工况数据，储能系统的历史收益率数据进行特征提取，得到环境特征、电芯运行工况特征，机组运行工况特征和储能系统收益率特征，该神经网络模型的数据共享层可以共享这些特征数据；该神经网络模型中的多个预测层，对应图3中的网络隐藏层，可以是神经网络模型的全连接层，多个预测层包含了第一预测层、第二预测层和第三预测层，三个预测层之间相互独立，为了平衡预测的准确性和预测的效率，本实施例选择使用两层且神经元个数为64的全连接层，这里的隐藏层类型、隐藏层的层数以及每层的神经元个数，可以根据具体情况进行设置，这里不作限定。
在一种可选的实施例中，如图3所示，该神经网络模型中的多个损失计算层包含了第一损失计算层、第二损失计算层和第三损失计算层，三个损失计算层之间相互独立，且第一损失计算层与第一预测层相对应，第二损失计算层与第二预测层相对应，第三损失计算层与第三预测层相对应；第一损失计算层可以基于电芯标签和异常预测构建对数损失函数Log Loss，对数损失函数对储能系统的电芯是否处于异常状态这类二分类问题进行拟合优化，对数损失函数衡量了样本标签的概率分布与实际标签的概率分布之间的差异，对数损失函数可以用作第一预测层的性能评估指标；第二损失计算层可以基于冷水机组的实际功率和预测功率构建第一均方根损失函数MSE Loss，第一均方根损失函数对冷水机组运行功率这类回归问题进行拟合优化，第一均方根损失函数计算了冷水机组预测功率与实际功率之间的差异的平方均值，然后取其平方根，第一均方根损失函数的函数值越小，表示第二预测层的准确度越高；第三损失计算层可以基于储能系统的实际收益率和预测收益率构建第二均方根损失函数，第二均方根损失函数用于对储能系统的收益率这类回归问题进行拟合优化，第二均方根损失函数计算了储能系统预测收益率与储能系统实际收益率之间的差异的平方均值，然后取其平方根，第二均方根损失函数的函数值越小，表示第二预测层的准确度越高。
在一种可选的实施例中，本发明通过创新地引入多目标优化机器学习模型，降低了冷水机组运行监控人员的维护成本，提高了冷水机组运行控制的实时性和效率性，同时由于通过一个多目标模型来满足储能系统电芯运行状态、冷水机组运行功率和储能系统整体效益多个目标的预测，降低了维护多个预测模型的成本，使得在满足储能系统正常运行的情况下，降低了系统整体能耗，从而提高了系统整体的收益水平。
实施例2
根据本发明实施例的另一方面，还提供了一种冷水机组的控制装置，该装置可以执行上述实施例的冷水机组的控制参数调整方法，具体实现方法和优选应用场景与上述实施例相同，在此不作赘述。
图4是根据本申请实施例的一种冷水机组的控制装置，如图4所示，该装置包括如下：获取模块402、预测模块404、调整模块406。
其中，获取模块402，用于获取储能系统和冷水机组的多组工况数据以及冷水机组当前所处环境的环境数据，其中，储能系统用于为冷水机组进行供电，不同组的工况数据对应的数据类型不同；预测模块404，用于利用神经网络模型对多组工况数据和环境数据进行预测，得到多个预测结果，其中，神经网络模型包括共享数据层和多个预测层，多个预测层分别与共享数据层连接；调整模块406，用于基于多个预测结果对冷水机组的当前控制参数进行调整。
本申请上述实施例中，预测模块包括：提取单元、第一预测单元。
其中，提取单元用于利用共享数据层对多组工况数据和环境数据进行特征提取，得到冷水机组的特征数据；第一预测单元用于利用多个预测层分别对特征数据进行预测，得到多个预测结果。
本申请上述实施例中，预测单元包括：第一预测子单元、第二预测子单元、第三预测子单元、获取子单元。
其中，第一预测子单元用于利用第一预测层对特征数据进行标签预测，得到预测标签，其中，预测标签用于表示预测得到储能系统中电芯是否出现异常；第二预测子单元用于利用第二预测层对特征数据进行功率预测，得到预测功率，其中，预测功率用于表示预测得到的冷水机组的功率；第三预测子单元用于利用第三预测层对特征数据进行收益率预测，得到预测收益率，其中，预测收益率用于表示预测得到的储能系统的收益率；获取子单元用于基于预测标签、预测功率和预测收益率得到多个预测结果。
本申请上述实施例中，调整模块包括：第一确定单元、第二确定单元、第三确定单元、第一调整单元。
其中，第一确定单元用于基于预测标签和预设标签确定第一调整参数，其中，预设标签用于表示电芯未出现异常；第二确定单元用于基于预测功率和目标功率确定第二调整参数，其中，目标功率用于表示冷水机组所要达到的功率；第三确定单元用于基于预测收益率和目标收益率确定第三调整参数，其中，目标收益率用于表示储能系统所要达到的收益率；第一调整单元用于基于第一调整参数、第二调整参数和第三调整参数对当前控制参数进行调整。
本申请上述实施例中，预测模块还包括：获取单元、第二预测单元、构建单元、第二调整单元。
其中，获取单元用于获取样本工况数据和样本工况数据对应的多个实际预测结果；第二预测单元用于利用神经网络模型对样本工况数据进行预测，得到多个样本预测结果；构建单元用于利用多个损失计算层基于多个实际预测结果和多个样本预测结果构建目标损失函数；第二调整单元用于利用目标损失函数对神经网络模型的模型参数进行调整。
本申请上述实施例中，构建单元还包括：第一确定子单元、第二确定子单元、构建子单元。
其中，第一确定子单元用于确定多个实际预测结果中的实际标签、实际功率和实际收益率，其中，实际标签用于电芯实际是否出现异常，实际功率用于表示冷水机组实际的功率、实际收益率用于表示储能系统实际的收益率；第二确定子单元用于确定多个样本预测结果中的样本标签、样本功率和样本收益率；构建子单元用于利用多个损失计算层基于实际标签、实际功率、实际收益率、样本标签、样本功率和样本收益率构建目标损失函数。
其中，构建子单元还用于利用第一损失计算层基于实际标签和样本标签构建对数损失函数；利用第二损失计算层基于实际功率和样本功率构建第一均方根损失函数；利用第三损失计算层基于实际收益率和样本收益率构建第二均方根损失函数；基于对数损失函数、第一均方根损失函数和第二均方根损失函数构建目标损失函数。
实施例3
根据本发明实施例的另一方面，还提供了一种计算机可读存储介质，计算机可读存储介质包括存储的程序，其中，在程序运行时控制所在设备的处理器中执行上述冷水机组的控制参数调整方法。
上述步骤中的计算机存储介质可以是计算机存储器中用于存储某种不连续物理量的媒体，计算机存储介质主要有半导体，磁芯，磁鼓，磁带，激光盘等。计算机可读存储介质包括的存储的程序，可以是一组计算机能识别和执行的指令，运行于电子计算机上，满足人们某种需求的信息化工具。
实施例4
根据本发明实施例的另一方面，还提供了一种电子设备，一个或多个处理器；存储装置，用于存储一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器执行上述冷水机组的控制参数调整方法。
上述步骤中的存储装置可以是时序逻辑电路的一种，用来存储数据和指令等的记忆部件，主要用来存放程序和数据；处理器可以是解释和执行指令的功能单元，其有一套独特的操作命令，可称为处理器的指令集，如存储，调入等之类都是操作；存储装置中存储有计算机程序，可以是一组计算机能识别和执行的指令，运行于电子计算机上，满足人们某种需求的信息化工具。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可为个人计算机、服务器或者网络设备等）执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种冷水机组的控制方法，其特征在于，包括：
获取储能系统和冷水机组的多组工况数据以及所述冷水机组当前所处环境的环境数据，其中，所述冷水机组用于为所述储能系统进行冷却，不同组的工况数据对应的数据类型不同，所述多组工况数据用于表示所述储能系统和所述冷水机组的历史运行工况数据和实时运行工况数据；
利用神经网络模型对所述多组工况数据和所述环境数据进行预测，得到多个预测结果，其中，所述神经网络模型包括共享数据层和多个预测层，所述多个预测层分别与所述共享数据层连接；
基于所述多个预测结果对所述冷水机组的当前控制参数进行调整。
2.根据权利要求1所述的方法，其特征在于，利用神经网络模型对所述多组工况数据和所述环境数据进行预测，得到多个预测结果，包括：
利用所述共享数据层对所述多组工况数据和所述环境数据进行特征提取，得到所述冷水机组的特征数据；
利用所述多个预测层分别对所述特征数据进行预测，得到所述多个预测结果。
3.根据权利要求2所述的方法，其特征在于，所述多个预测层包括：第一预测层、第二预测层、第三预测层，利用所述多个预测层分别对所述特征数据进行预测，得到所述多个预测结果，包括：
利用第一预测层对所述特征数据进行标签预测，得到预测标签，其中，所述预测标签用于表示预测得到所述储能系统中电芯是否出现异常；
利用第二预测层对所述特征数据进行功率预测，得到预测功率，其中，所述预测功率用于表示预测得到的所述冷水机组的功率；
利用第三预测层对所述特征数据进行收益率预测，得到预测收益率，其中，所述预测收益率用于表示预测得到的所述储能系统的收益率；
基于所述预测标签、所述预测功率和所述预测收益率得到所述多个预测结果。
4.根据权利要求3所述的方法，其特征在于，基于所述多个预测结果对所述冷水机组的当前控制参数进行调整，包括：
基于所述预测标签和预设标签确定第一调整参数，其中，所述预设标签用于表示所述电芯未出现异常；
基于所述预测功率和目标功率确定第二调整参数，其中，所述目标功率用于表示所述冷水机组所要达到的功率；
基于所述预测收益率和目标收益率确定第三调整参数，其中，所述目标收益率用于表示所述储能系统所要达到的收益率；
基于所述第一调整参数、所述第二调整参数和所述第三调整参数对所述当前控制参数进行调整。
5.根据权利要求3所述的方法，其特征在于，所述神经网络还包括多个损失计算层，所述多个损失计算层与所述多个预测层，对应连接，所述方法还包括：
获取样本工况数据和所述样本工况数据对应的多个实际预测结果；
利用所述神经网络模型对所述样本工况数据进行预测，得到多个样本预测结果；
利用所述多个损失计算层基于所述多个实际预测结果和所述多个样本预测结果构建目标损失函数；
利用所述目标损失函数对所述神经网络模型的模型参数进行调整。
6.根据权利要求5所述的方法，其特征在于，利用所述多个损失计算层基于所述多个实际预测结果和所述多个样本预测结果构建目标损失函数，包括：
确定所述多个实际预测结果中的实际标签、实际功率和实际收益率，其中，所述实际标签用于所述电芯实际是否出现异常，所述实际功率用于表示所述冷水机组实际的功率、所述实际收益率用于表示所述储能系统实际的收益率；
确定所述多个样本预测结果中的样本标签、样本功率和样本收益率；
利用所述多个损失计算层基于所述实际标签、实际功率、实际收益率、样本标签、样本功率和样本收益率构建所述目标损失函数。
7.根据权利要求6所述的方法，其特征在于，所述多个损失计算层包括第一损失计算层、第二损失计算层、第三损失计算层，利用所述多个损失计算层基于所述实际标签、实际功率、实际收益率、样本标签、样本功率和样本收益率构建所述目标损失函数，包括：
利用所述第一损失计算层基于所述实际标签和所述样本标签构建对数损失函数；
利用所述第二损失计算层基于所述实际功率和所述样本功率构建第一均方根损失函数；
利用所述第三损失计算层基于所述实际收益率和所述样本收益率构建第二均方根损失函数；
基于所述对数损失函数、所述第一均方根损失函数和所述第二均方根损失函数构建所述目标损失函数。
8.一种冷水机组的控制装置，其特征在于，包括：
获取模块，用于获取储能系统和冷水机组的多组工况数据以及所述冷水机组当前所处环境的环境数据，其中，所述储能系统用于为所述冷水机组进行供电，不同组的工况数据对应的数据类型不同，所述多组工况数据用于表示所述储能系统和所述冷水机组的历史运行工况数据和实时运行工况数据；
预测模块，用于利用神经网络模型对所述多组工况数据和所述环境数据进行预测，得到多个预测结果，其中，所述神经网络模型包括共享数据层和多个预测层，所述多个预测层分别与所述共享数据层连接；
调整模块，用于基于所述多个预测结果对所述冷水机组的当前控制参数进行调整。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所在设备的处理器中执行权利要求1至7中任意一项所述的冷水机组的控制参数调整方法。
10.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器执行权利要求1至7中任意一项所述的冷水机组的控制参数调整方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311652182.6A CN117346418B (zh) | 2023-12-05 | 2023-12-05 | 冷水机组的控制方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311652182.6A CN117346418B (zh) | 2023-12-05 | 2023-12-05 | 冷水机组的控制方法、装置、存储介质及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117346418A true CN117346418A (zh) | 2024-01-05 |
| CN117346418B CN117346418B (zh) | 2024-03-22 |
Family
ID=89361760
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311652182.6A Active CN117346418B (zh) | 2023-12-05 | 2023-12-05 | 冷水机组的控制方法、装置、存储介质及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117346418B (zh) |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170033417A1 (en) * | 2015-07-27 | 2017-02-02 | Samsung Electronics Co., Ltd. | Battery thermal management method and system |
| CN109959122A (zh) * | 2019-03-11 | 2019-07-02 | 浙江工业大学 | 一种基于长短期记忆循环神经网络的空调能耗预测方法 |
| US20200164763A1 (en) * | 2017-07-21 | 2020-05-28 | Quantumscape Corporation | Predictive model for estimating battery states |
| CN111811110A (zh) * | 2020-08-28 | 2020-10-23 | 创新奇智(南京)科技有限公司 | 制冷机组的控制方法及装置、电子设备、存储介质 |
| CN111916871A (zh) * | 2020-07-16 | 2020-11-10 | 合肥阳光新能源科技有限公司 | 储能电池舱温控方法、储能放电控制方法及储能应用系统 |
| CN112531232A (zh) * | 2020-12-01 | 2021-03-19 | 阳光电源股份有限公司 | 一种储能系统及其热管理方法 |
| CN113139338A (zh) * | 2021-04-15 | 2021-07-20 | 广州小鹏汽车科技有限公司 | 温度预测方法、温度预测装置和车辆 |
| US20220045378A1 (en) * | 2020-08-05 | 2022-02-10 | Hyundai Motor Company | Battery cooling control method and apparatus for environmental vehicle |
| FR3118832A1 (fr) * | 2021-01-12 | 2022-07-15 | Psa Automobiles Sa | Dispositif de controle thermique de batterie de vehicule electrique par intelligence artificielle, procede, vehicule comprenant un tel dispositif |
| CN115692922A (zh) * | 2022-10-31 | 2023-02-03 | 湖北亿纬动力有限公司 | 电池包制冷系统控制方法、电子设备及存储介质 |
| CN116001647A (zh) * | 2022-12-15 | 2023-04-25 | 中国第一汽车股份有限公司 | 一种车辆动力电池热管理方法和系统 |
| US11670812B1 (en) * | 2021-12-28 | 2023-06-06 | Shenzhen Kubo Energy Technology Co., Ltd | Thermal management device for energy storage system, method for controlling the thermal management device for energy storage system, and energy storage system |
| CN116470187A (zh) * | 2023-05-06 | 2023-07-21 | 珠海科创储能科技有限公司 | 适用于浸没式液冷储能系统的电芯均温系统及方法 |
| CN116683061A (zh) * | 2023-08-03 | 2023-09-01 | 太原科技大学 | 动力电池热失控预测与抑制集成系统、方法及存储介质 |
| CN117096504A (zh) * | 2023-10-17 | 2023-11-21 | 厦门海辰储能科技股份有限公司 | 温度控制方法及装置、设备、存储介质 |
-
2023
- 2023-12-05 CN CN202311652182.6A patent/CN117346418B/zh active Active
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170033417A1 (en) * | 2015-07-27 | 2017-02-02 | Samsung Electronics Co., Ltd. | Battery thermal management method and system |
| US20200164763A1 (en) * | 2017-07-21 | 2020-05-28 | Quantumscape Corporation | Predictive model for estimating battery states |
| CN109959122A (zh) * | 2019-03-11 | 2019-07-02 | 浙江工业大学 | 一种基于长短期记忆循环神经网络的空调能耗预测方法 |
| CN111916871A (zh) * | 2020-07-16 | 2020-11-10 | 合肥阳光新能源科技有限公司 | 储能电池舱温控方法、储能放电控制方法及储能应用系统 |
| US20220045378A1 (en) * | 2020-08-05 | 2022-02-10 | Hyundai Motor Company | Battery cooling control method and apparatus for environmental vehicle |
| CN111811110A (zh) * | 2020-08-28 | 2020-10-23 | 创新奇智(南京)科技有限公司 | 制冷机组的控制方法及装置、电子设备、存储介质 |
| CN112531232A (zh) * | 2020-12-01 | 2021-03-19 | 阳光电源股份有限公司 | 一种储能系统及其热管理方法 |
| FR3118832A1 (fr) * | 2021-01-12 | 2022-07-15 | Psa Automobiles Sa | Dispositif de controle thermique de batterie de vehicule electrique par intelligence artificielle, procede, vehicule comprenant un tel dispositif |
| CN113139338A (zh) * | 2021-04-15 | 2021-07-20 | 广州小鹏汽车科技有限公司 | 温度预测方法、温度预测装置和车辆 |
| US11670812B1 (en) * | 2021-12-28 | 2023-06-06 | Shenzhen Kubo Energy Technology Co., Ltd | Thermal management device for energy storage system, method for controlling the thermal management device for energy storage system, and energy storage system |
| CN115692922A (zh) * | 2022-10-31 | 2023-02-03 | 湖北亿纬动力有限公司 | 电池包制冷系统控制方法、电子设备及存储介质 |
| CN116001647A (zh) * | 2022-12-15 | 2023-04-25 | 中国第一汽车股份有限公司 | 一种车辆动力电池热管理方法和系统 |
| CN116470187A (zh) * | 2023-05-06 | 2023-07-21 | 珠海科创储能科技有限公司 | 适用于浸没式液冷储能系统的电芯均温系统及方法 |
| CN116683061A (zh) * | 2023-08-03 | 2023-09-01 | 太原科技大学 | 动力电池热失控预测与抑制集成系统、方法及存储介质 |
| CN117096504A (zh) * | 2023-10-17 | 2023-11-21 | 厦门海辰储能科技股份有限公司 | 温度控制方法及装置、设备、存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117346418B (zh) | 2024-03-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN118089290B (zh) | 一种高效制冷循环系统及方法 | |
| JP2003242212A (ja) | ユーティリティの消費特性が類似する曜日を決定する装置および方法 | |
| CN116976707B (zh) | 基于用电信息采集的用户用电数据异常分析方法及系统 | |
| Chen et al. | Data mining algorithm and framework for identifying HVAC control strategies in large commercial buildings | |
| CN117032120A (zh) | 集成一体式空压站智能云控制系统及控制方法 | |
| CN111161095A (zh) | 一种检测建筑能源异常消耗的方法 | |
| CN113778215A (zh) | 基于大数据实现数据中心pue预测以及降耗策略的方法 | |
| CN107461881B (zh) | 一种医院空调机房的制冷主机能效诊断方法及其系统 | |
| Zhu et al. | Rapid quantification of demand response potential of building HAVC system via data-driven model | |
| CN117490193A (zh) | 一种中央空调水系统群控方法 | |
| CN117931925A (zh) | 节能设备运行远程管理信息方法及系统 | |
| CN117346418B (zh) | 冷水机组的控制方法、装置、存储介质及电子设备 | |
| CN117474584A (zh) | 一种基于大数据的电力客户需求预测与分析系统 | |
| CN117091273A (zh) | 一种中央空调系统自适应学习数据模型的控制方法及装置 | |
| CN113899093B (zh) | 螺杆式制冷压缩机回油故障的辨识和预判方法 | |
| CN118449141B (zh) | 基于云监测的基站电源和储能电池节能调控方法及系统 | |
| WO2024057996A1 (ja) | 蓄電素子の劣化状態の算出装置、劣化状態の算出方法、劣化状態の算出プログラム、劣化状態の推定装置、劣化状態の推定方法、異常検知装置及び異常検知方法 | |
| CN117634217B (zh) | 基于数字孪生的建筑物智能化管理系统及方法 | |
| KR20200093343A (ko) | 건물설비 통합 최적 제어 방법 및 장치 | |
| CN117111661B (zh) | 生产车间集中控制系统及方法 | |
| CN118473097B (zh) | 一种配电网的智慧线损检测告警方法及装置 | |
| CN116500460B (zh) | 一种基于云计算的物联网电池健康状态诊断和预测系统 | |
| CN114980688A (zh) | 水冷主机的控制方法及装置、非易失性存储介质、处理器 | |
| CN117034157B (zh) | 一种结合多模态运行数据的水电设备故障识别方法与系统 | |
| Zhang et al. | Feature selection based on Null Importance for Fault Diagnosis of Chiller |
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 |