CN117490481A - 冷却系统的冷却塔控制方法、装置、设备和存储介质 - Google Patents
冷却系统的冷却塔控制方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN117490481A CN117490481A CN202311448143.4A CN202311448143A CN117490481A CN 117490481 A CN117490481 A CN 117490481A CN 202311448143 A CN202311448143 A CN 202311448143A CN 117490481 A CN117490481 A CN 117490481A
- Authority
- CN
- China
- Prior art keywords
- load
- electricity
- cooling tower
- sequence
- cooling
- 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
- 238000001816 cooling Methods 0.000 title claims abstract description 188
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000003860 storage Methods 0.000 title claims abstract description 18
- 230000005611 electricity Effects 0.000 claims abstract description 193
- 238000011217 control strategy Methods 0.000 claims abstract description 17
- 238000005259 measurement Methods 0.000 claims description 64
- 238000004590 computer program Methods 0.000 claims description 23
- 238000012549 training Methods 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 10
- 239000002826 coolant Substances 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 6
- 230000002457 bidirectional effect Effects 0.000 claims description 6
- 230000007613 environmental effect Effects 0.000 abstract description 7
- 230000000875 corresponding effect Effects 0.000 description 12
- 238000004519 manufacturing process Methods 0.000 description 8
- 230000006872 improvement Effects 0.000 description 6
- 230000002596 correlated effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000009776 industrial production Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000002918 waste heat Substances 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000498 cooling water Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F28—HEAT EXCHANGE IN GENERAL
- F28F—DETAILS OF HEAT-EXCHANGE AND HEAT-TRANSFER APPARATUS, OF GENERAL APPLICATION
- F28F27/00—Control arrangements or safety devices specially adapted for heat-exchange or heat-transfer apparatus
- F28F27/003—Control arrangements or safety devices specially adapted for heat-exchange or heat-transfer apparatus specially adapted for cooling towers
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Thermal Sciences (AREA)
- Mechanical Engineering (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明公开的冷却系统的冷却塔控制方法,涉及热交换设备的控制领域。包括:获取目标区域中所有用电单位的用电信息和所属的用电组;对于每一用电单位确定与所属的用电组对应的预测模型,并根据预测模型得到用电单位的预测用电负荷,并进一步得到目标区域的综合用电负荷;根据综合用电负荷、外部干球温度、外部干球湿度和冷负荷历史序列,通过冷负荷预测模型得到在后时段的预测冷负荷;根据预测冷负荷调整在后时段的冷却塔控制策略。本发明还提供了相应的装置、设备和存储介质,可以结合对冷却塔所服务的目标区域的用电负荷进行预测,结合预测的用电负荷调整在后时段的冷却塔控制策略,使冷却塔可以为目标区域的人员和设备提供更好的环境条件。
Description
技术领域
本发明涉及热交换设备的控制领域,具体涉及冷却系统的冷却塔控制方法、装置、设备和存储介质。
背景技术
冷却塔属于冷却系统中的重要设备,也是很多大型工厂、商场、火电厂必不可少的一种设备。它是将携带废热的冷却水在塔体内部与空气进行热交换,使废热传输给空气并散入大气中。
在楼宇或是工业园区等冷却系统的常见应用场景下,冷却系统往往占据较大的日常能耗,而冷却塔属于冷却系统中的重要设备,也是冷却系统耗能的主要设备之一。发明人在长期研究中发现,现有对于冷却系统中的冷却塔控制至少存在如下问题:
对冷却塔的控制缺乏前瞻性预测,一方面现有技术中缺乏能够有效预测未来冷负荷的方式;另一方面,冷却系统需要为人员和设备提供适宜的工作环境,但现有技术对冷却塔的控制往往只考虑外部环境因素,而忽略了如人员和设备工作状态等内部因素,并且这些内部因素属于冷却系统的主要服务对象,导致现有对冷却系统的冷却塔进行控制的方法难以准确地满足人员和设备的真实需求。
发明内容
本发明实施例提供冷却系统的冷却塔控制方法、装置、设备和存储介质,可以结合对冷却塔所服务的目标区域的用电负荷进行预测,结合预测的用电负荷调整在后时段的冷却塔控制策略,使冷却塔可以为目标区域的人员和设备提供更好的环境条件。
本发明的第一实施例提供了一种冷却系统的冷却塔控制方法,包括步骤:
获取目标区域中所有用电单位的用电信息和所属的用电组;所述用电信息包括室外温度、日期属性和时间属性;
对于每一所述用电单位,确定与所属的用电组对应的用电负荷预测模型,并根据所述用电负荷预测模型得到所述用电单位的预测用电负荷;
根据每一所述用电单位的预测用电负荷,得到所述目标区域的综合用电负荷;
根据所述综合用电负荷、外部干球温度、外部干球湿度和冷负荷历史序列,通过预先训练的冷负荷预测模型得到在后时段的预测冷负荷;所述冷负荷历史序列包括直接测量序列和间接测量序列,所述直接测量序列和所述间接测量序列均包括小时序列和分钟序列,其中小时序列的测量步长为小时,分钟序列的测量步长为分钟;
根据所述预测冷负荷,调整所述在后时段的冷却塔控制策略。
作为上述技术方案的改进,确定所述用电单位所属的用电组的过程包括:
获取目标区域的所有用电单位的历史用电特征,得到包括所有用电单位的历史用电特征的数据集;所述历史用电特征包括峰谷差占峰比、平峰时段电量占比和最大负荷时间比;
对所述数据集中的用电单位进行聚类,得到聚类结果;所述聚类的过程包括步骤Skm1-Skm2:
Skm1、根据所述数据集,计算参数AD和参数TD:
AD表示所述数据集中所有用电单位的平均距离;xi和xj表示单个用电单位的历史用电特征,i,j∈[1,n],n表示数据集中所述用电单位的数量,d(xi-xj)表示xi和xj之间的欧氏距离;TD(xi)表示以xi为中心时,xi的密度;H(s)表示用于统计密度的函数;得到用户组AD1、AD2、…、ADn;
Skm2、计算各用户组与其他用户组的类间相似度ri,选出预设数量的用户组,使得类间相似度的平均值最低,所述预设数量的用户组作为所述聚类结果;所述类间相似度ri满足:
ri=max(rij)
Ni表示用户组ADi中的用电单位数量;Si表示用户组ADi中的历史用电特征与中心点的距离的平均值;
根据所述聚类结果,确定所述用电单位所属的用户组。
作为上述技术方案的改进,所述用电负荷预测模型的训练过程包括:
对所述聚类结果中的每个所述用户组,获取其中每个所述用电单位的历史用电信息,
分别将同一用户组的用电单位的历史用电信息作为用电负荷预测模型的训练输入,对所述用电负荷预测模型进行训练;用电负荷预测模型包括输入层、双向LSTM层、注意力层和输出层;
所述输入层的输入满足如下关系:
X=[Xt-T+1,Xt-T+2,…,Xt]T
Xt=[OTt,DAt,TAt,LDt]
[OTt,DAt,TAt,LDt]分别表示t时刻的室外温度、日期属性、时间属性和负荷量;T表示预测的时间窗口长度;所述日期属性表示该日期是否属于工作日,所述时间属性表示该时间是否属于工作时间;
所述双向LSTM层满足如下关系:
和/>分别表示正向LSTM网络和反向LSTM网络的运算函数,得到双向LSTM层在t时刻的状态Ht=[Ht,1,Ht,2,…,Ht,T];
所述注意力层满足如下关系:
At表示所述注意力层的输出;at,k表示对Ht,k的权值;
所述输出层满足如下关系:
y=sigmod(ωAt+b)
y表示所述输出层的输出结果,sigmod表示激活函数,ω和b表示sigmod激活函数的参数值。
作为上述技术方案的改进,所述直接测量序列中满足如下关系:
Qd=C×M×(Tin-Tout)
Qd表示所述直接测量序列的小时序列或分钟序列中的单个值,C表示冷却介质的比热容,M表示冷却介质在测量时的流量,Tin和Tout分别表示冷却塔在测量时的冷却介质输入温度和输出温度。
作为上述技术方案的改进,所述间接测量序列中满足如下关系:
Qi=f(PLR,COP,Pc)
Qi表示所述间接测量序列的小时序列或分钟序列中的单个值,PLR、COP和Pc分别表示冷却塔在测量时的负荷率、能效比和电流百分比。
作为上述技术方案的改进,所述冷负荷预测模型是采用LSTM网络构建的、以历史的综合用电负荷、外部干球温度、外部干球湿度和冷负荷历史序列作为训练输入、对应的历史冷负荷作为训练输出得到的预测模型。
作为上述技术方案的改进,所述在后时段为当前时间的10-15分钟的时间段;所述根据所述预测冷负荷,调整所述在后时段的冷却塔控制策略,包括:
根据所述冷却塔的控制参数,以使所述冷却塔在达到所述在后时段的输出满足所述预测冷负荷的需求。
本发明的第二实施例提供了一种冷却系统的冷却塔控制装置,用于实现如上述任一项所述冷却塔控制方法,包括:
数据获取单元,用于获取目标区域中所有用电单位的用电信息和所属的用电组;所述用电信息包括室外温度、日期属性和时间属性;
用电预测单元,用于对于每一所述用电单位,确定与所属的用电组对应的用电负荷预测模型,并根据所述用电负荷预测模型得到所述用电单位的预测用电负荷;还用于根据每一所述用电单位的预测用电负荷,得到所述目标区域的综合用电负荷;
冷负荷预测单元,用于根据所述综合用电负荷、外部干球温度、外部干球湿度和冷负荷历史序列,通过预先训练的冷负荷预测模型得到在后时段的预测冷负荷;所述冷负荷历史序列包括直接测量序列和间接测量序列,所述直接测量序列和所述间接测量序列均包括小时序列和分钟序列,其中小时序列的测量步长为小时,分钟序列的测量步长为分钟;
控制调整模块,用于根据所述预测冷负荷,调整所述在后时段的冷却塔控制策略。
本发明的第三实施例提供了一种冷却系统的冷却塔控制设备,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如上任意一项所述的冷却系统的冷却塔控制方法。
本发明的第四实施例提供了一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序;其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备实现如上任意一项所述的冷却系统的冷却塔控制方法。
本发明实施例提供的冷却系统的冷却塔控制方法、装置、设备和存储介质,首先,通过将用电负荷引入到冷负荷的预测中,由于在工业生产环境下,用电负荷实际上与人员、设备的生产情况高度相关,可以结合用电负荷使对冷负荷的预测更贴近于实际的人员和设备的生产情况,结合预测的用电负荷调整在后时段的冷却塔控制策略,使冷却塔可以为目标区域的人员和设备提供更好的环境条件。其次,通过将冷却系统所服务的目标区域内的所有用电单位进行分组,并为不同的分组提供相应的用电负荷预测模型,在可以更准确进行用电负荷预测的同时,降低了预测模型的复杂度,为冷负荷预测提供了更高效准确的数据基础,进一步提高用电负荷的预测准确性和冷却塔的控制效果。
附图说明
图1是本发明第一实施例提供的冷却系统的冷却塔控制方法的流程示意图。
图2是本发明第二实施例提供的冷却系统的冷却塔控制装置的结构示意图。
图3是本发明第三实施例提供的冷却系统的冷却塔控制设备的结构示意图。
具体实施方式
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作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明第一实施例提供了一种冷却系统的冷却塔控制方法。参见图1,该冷却塔控制方法可以包括步骤S110至步骤S150。
S110、获取目标区域中所有用电单位的用电信息和所属的用电组。
其中,所述用电信息包括室外温度、日期属性和时间属性。具体地,所述用电单位所属的用电组可以是根据所述用电单位的历史用电特征预先确定,并在步骤S110执行时获取,而所述历史用电特征可以包括峰谷差占峰比、平峰时段电量占比和最大负荷时间比。例如,确定所述用电单位所属的用电组的过程包括如下步骤S111至步骤S113。
S111、获取目标区域的所有用电单位的历史用电特征,得到包括所有用电单位的历史用电特征的数据集。
S112、对所述数据集中的用电单位进行聚类,得到聚类结果。所述聚类的过程包括步骤Skm1-Skm2。
Skm1、根据所述数据集,计算参数AD和参数TD:
AD表示所述数据集中所有用电单位的平均距离;xi和xj表示单个用电单位的历史用电特征,i,j∈[1,n],n表示数据集中所述用电单位的数量,d(xi-xj)表示xi和xj之间的欧氏距离;TD(xi)表示以xi为中心时,xi的密度;H(s)表示用于统计密度的函数;得到用户组AD1、AD2、…、ADn。
Skm2、计算各用户组与其他用户组的类间相似度ri,选出预设数量的用户组,使得类间相似度的平均值最低,所述预设数量的用户组作为所述聚类结果;所述类间相似度ri满足:
ri=max(rij)
Ni表示用户组ADi中的用电单位数量;Si表示用户组ADi中的历史用电特征与中心点的距离的平均值。例如,假设预设数量为m,则选出任意m个用户组作为一个聚类方案,并筛选出类间相似度的平均值最低的一个聚类方案,作为聚类结果。
S113、根据所述聚类结果,确定所述用电单位所属的用户组。
在确定聚类结果之后,可以根据聚类结果中的各用户组中的用电单位,确定用电单位所属的用户组。而当存在一些用电单位未被分入聚类结果中的用户组时,可以将该用电单位分入聚类结果中与该用电单位最相近的用户组中。
S120、对于每一所述用电单位,确定与所属的用电组对应的用电负荷预测模型,并根据所述用电负荷预测模型得到所述用电单位的预测用电负荷。
优选地,所述用电负荷预测模型的训练过程包括步骤S121至S122,从而通过对每个用电组分别训练用电负荷预测模型,一方面提高用电负荷预测模型与相应用户组的适应性并提高预测结果的可靠性,另一方面也避免了由于样本类型过于宽泛导致的模型复杂度太高的问题。
S121、对所述聚类结果中的每个所述用户组,获取其中每个所述用电单位的历史用电信息。
S122、分别将同一用户组的用电单位的历史用电信息作为用电负荷预测模型的训练输入,对所述用电负荷预测模型进行训练。
其中,用电负荷预测模型包括输入层、双向LSTM层、注意力层和输出层。
所述输入层的输入满足如下关系:
X=[Xt-T+1,Xt-T+2,…,Xt]T
Xt=[OTt,DAt,TAt,LDt]
[OTt,DAt,TAt,LDt]分别表示t时刻的室外温度、日期属性、时间属性和负荷量;T表示预测的时间窗口长度;所述日期属性表示该日期是否属于工作日,所述时间属性表示该时间是否属于工作时间。
所述双向LSTM层满足如下关系:
和/>分别表示正向LSTM网络和反向LSTM网络的运算函数,得到双向LSTM层在t时刻的状态Ht=[Ht,1,Ht,2,…,Ht,T]。
所述注意力层满足如下关系:
At表示所述注意力层的输出;at,k表示对Ht,k的权值。
所述输出层满足如下关系:
y=sigmod(ωAt+b)
y表示所述输出层的输出结果,sigmod表示激活函数,ω和b表示sigmod激活函数的参数值。
S130、根据每一所述用电单位的预测用电负荷,得到所述目标区域的综合用电负荷。
具体地,可以通过累加所述目标区域中的每一所述用电单位的预测用电负荷,从而得到所述综合用电负荷。更进一步地,还可以是根据每一所述用电单位的预测用电负荷进行加权求和等方式,可以理解地,上述实施方式的具体选择不影响本发明可以取得的有益效果。
S140、根据所述综合用电负荷、外部干球温度、外部干球湿度和冷负荷历史序列,通过预先训练的冷负荷预测模型得到在后时段的预测冷负荷。
其中,所述冷负荷历史序列包括直接测量序列和间接测量序列,所述直接测量序列和所述间接测量序列均包括小时序列和分钟序列,其中小时序列的测量步长为小时,分钟序列的测量步长为分钟。所述冷负荷预测模型是采用LSTM网络构建的、以历史的综合用电负荷、外部干球温度、外部干球湿度和冷负荷历史序列作为训练输入、对应的历史冷负荷作为训练输出得到的预测模型。所述在后时段为当前时间的10-15分钟的时间段,预测的具体时间跨度可以根据模型的实际训练情况进行调整,例如在模型的训练过程中,训练输出为训练输入时刻之后10分钟内的冷负荷历史序列,相应地可以得到用于预测当前时刻之后10分钟内的冷负荷序列的冷负荷预测模型。
所述根据所述预测冷负荷,调整所述在后时段的冷却塔控制策略,包括:
根据所述冷却塔的控制参数,以使所述冷却塔在达到所述在后时段的输出满足所述预测冷负荷的需求。
具体地,所述直接测量序列中满足如下关系:
Qd=C×M×(Tin-Tout)
Qd表示所述直接测量序列的小时序列或分钟序列中的单个值,C表示冷却介质的比热容,M表示冷却介质在测量时的流量,Tin和Tout分别表示冷却塔在测量时的冷却介质输入温度和输出温度。通过多个小时或分钟的单个值依次排列,得到所述直接测量序列的小时序列或分钟序列。
具体地,所述间接测量序列中满足如下关系:
Qi=f(PLR,COP,Pc)
Qi表示所述间接测量序列的小时序列或分钟序列中的单个值,PLR、COP和Pc分别表示冷却塔在测量时的负荷率、能效比和电流百分比。通过多个小时或分钟的单个值依次排列,得到所述间接测量序列的小时序列或分钟序列。
S150、根据所述预测冷负荷,调整所述在后时段的冷却塔控制策略。
将得到的所述预测冷负荷作为冷却塔在所述在后时段的控制目标,根据所述冷却塔的实际设备参数进行控制,从而控制所述冷却塔的工作状态以提供满足所述预测冷负荷的冷却输出量。
本发明第一实施例提供的冷却系统的冷却塔控制方法,首先,通过将用电负荷引入到冷负荷的预测中,由于在工业生产环境下,用电负荷实际上与人员、设备的生产情况高度相关,可以结合用电负荷使对冷负荷的预测更贴近于实际的人员和设备的生产情况,结合预测的用电负荷调整在后时段的冷却塔控制策略,使冷却塔可以为目标区域的人员和设备提供更好的环境条件。其次,通过将冷却系统所服务的目标区域内的所有用电单位进行分组,并为不同的分组提供相应的用电负荷预测模型,在可以更准确进行用电负荷预测的同时,降低了预测模型的复杂度,为冷负荷预测提供了更高效准确的数据基础,进一步提高用电负荷的预测准确性和冷却塔的控制效果。
本发明第二实施例提供了一种冷却系统的冷却塔控制系统,用于执行如第一实施例所述的冷却系统的冷却塔控制方法。参见图2,冷却系统的冷却塔控制系统20包括:
数据获取单元21,用于获取目标区域中所有用电单位的用电信息和所属的用电组;所述用电信息包括室外温度、日期属性和时间属性;
用电预测单元22,用于对于每一所述用电单位,确定与所属的用电组对应的用电负荷预测模型,并根据所述用电负荷预测模型得到所述用电单位的预测用电负荷;还用于根据每一所述用电单位的预测用电负荷,得到所述目标区域的综合用电负荷;
冷负荷预测单元23,用于根据所述综合用电负荷、外部干球温度、外部干球湿度和冷负荷历史序列,通过预先训练的冷负荷预测模型得到在后时段的预测冷负荷;所述冷负荷历史序列包括直接测量序列和间接测量序列,所述直接测量序列和所述间接测量序列均包括小时序列和分钟序列,其中小时序列的测量步长为小时,分钟序列的测量步长为分钟;
控制调整单元24,用于根据所述预测冷负荷,调整所述在后时段的冷却塔控制策略。
本发明第二实施例提供的冷却系统的冷却塔控制装置,首先,通过将用电负荷引入到冷负荷的预测中,由于在工业生产环境下,用电负荷实际上与人员、设备的生产情况高度相关,可以结合用电负荷使对冷负荷的预测更贴近于实际的人员和设备的生产情况,结合预测的用电负荷调整在后时段的冷却塔控制策略,使冷却塔可以为目标区域的人员和设备提供更好的环境条件。其次,通过将冷却系统所服务的目标区域内的所有用电单位进行分组,并为不同的分组提供相应的用电负荷预测模型,在可以更准确进行用电负荷预测的同时,降低了预测模型的复杂度,为冷负荷预测提供了更高效准确的数据基础,进一步提高用电负荷的预测准确性和冷却塔的控制效果。
参见图3,是本发明第三实施例提供的冷却系统的冷却塔控制设备30的示意图。所述冷却系统的冷却塔控制设备30包括:处理器31、存储器32以及存储在所述存储器中并可在所述处理器上运行的计算机程序,例如冷却系统的冷却塔控制程序。所述处理器执行所述计算机程序时实现上述冷却系统的冷却塔控制方法实施例中的步骤,例如图1所示的冷却系统的冷却塔控制方法的步骤。或者,所述处理器执行所述计算机程序时实现上述各装置实施例中各模块的功能,例如第二实施例所述的冷却系统的冷却塔控制系统的各模块的功能。
示例性的,所述计算机程序可以被分割成一个或多个模块,所述一个或者多个模块被存储在所述存储器32中,并由所述处理器31执行,以完成本发明。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序在所述冷却系统的冷却塔控制终端中的执行过程。例如,包括步骤:获取目标区域中所有用电单位的用电信息和所属的用电组;所述用电信息包括室外温度、日期属性和时间属性;对于每一所述用电单位,确定与所属的用电组对应的用电负荷预测模型,并根据所述用电负荷预测模型得到所述用电单位的预测用电负荷;根据每一所述用电单位的预测用电负荷,得到所述目标区域的综合用电负荷;根据所述综合用电负荷、外部干球温度、外部干球湿度和冷负荷历史序列,通过预先训练的冷负荷预测模型得到在后时段的预测冷负荷;所述冷负荷历史序列包括直接测量序列和间接测量序列,所述直接测量序列和所述间接测量序列均包括小时序列和分钟序列,其中小时序列的测量步长为小时,分钟序列的测量步长为分钟;根据所述预测冷负荷,调整所述在后时段的冷却塔控制策略。
所述冷却系统的冷却塔控制设备30可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述冷却系统的冷却塔控制设备30可包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,所述示意图仅仅是冷却系统的冷却塔控制设备30的示例,并不构成对冷却系统的冷却塔控制设备30的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述冷却系统的冷却塔控制设备30还可以包括输入输出设备、网络接入设备、总线等。
所称处理器31可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器31是所述冷却系统的冷却塔控制设备30的控制中心,利用各种接口和线路连接整个冷却系统的冷却塔控制终端设备的各个部分。
所述存储器32可用于存储所述计算机程序或模块,所述处理器31通过运行或执行存储在所述存储器内的计算机程序或模块,以及调用存储在存储器内的数据,实现所述冷却系统的冷却塔控制终端设备的各种功能。所述存储器32可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器32可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中,所述冷却系统的冷却塔控制设备30集成的模块或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,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
需说明的是,以上所描述的装置实施例仅仅是示意性的,其中所述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网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外,本发明提供的装置实施例附图中,模块之间的连接关系表示它们之间具有通信连接,具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
本发明第三实施例提供的冷却系统的冷却塔控制设备和存储介质,首先,通过将用电负荷引入到冷负荷的预测中,由于在工业生产环境下,用电负荷实际上与人员、设备的生产情况高度相关,可以结合用电负荷使对冷负荷的预测更贴近于实际的人员和设备的生产情况,结合预测的用电负荷调整在后时段的冷却塔控制策略,使冷却塔可以为目标区域的人员和设备提供更好的环境条件。其次,通过将冷却系统所服务的目标区域内的所有用电单位进行分组,并为不同的分组提供相应的用电负荷预测模型,在可以更准确进行用电负荷预测的同时,降低了预测模型的复杂度,为冷负荷预测提供了更高效准确的数据基础,进一步提高用电负荷的预测准确性和冷却塔的控制效果。
以上所述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,这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种冷却系统的冷却塔控制方法,其特征在于,包括步骤:
获取目标区域中所有用电单位的用电信息和所属的用电组;所述用电信息包括室外温度、日期属性和时间属性;
对于每一所述用电单位,确定与所属的用电组对应的用电负荷预测模型,并根据所述用电负荷预测模型得到所述用电单位的预测用电负荷;
根据每一所述用电单位的预测用电负荷,得到所述目标区域的综合用电负荷;
根据所述综合用电负荷、外部干球温度、外部干球湿度和冷负荷历史序列,通过预先训练的冷负荷预测模型得到在后时段的预测冷负荷;所述冷负荷历史序列包括直接测量序列和间接测量序列,所述直接测量序列和所述间接测量序列均包括小时序列和分钟序列,其中小时序列的测量步长为小时,分钟序列的测量步长为分钟;
根据所述预测冷负荷,调整所述在后时段的冷却塔控制策略。
2.如权利要求1所述的冷却塔控制方法,其特征在于,确定所述用电单位所属的用电组的过程包括:
获取目标区域的所有用电单位的历史用电特征,得到包括所有用电单位的历史用电特征的数据集;所述历史用电特征包括峰谷差占峰比、平峰时段电量占比和最大负荷时间比;
对所述数据集中的用电单位进行聚类,得到聚类结果;所述聚类的过程包括步骤Skm1-Skm2:
Skm1、根据所述数据集,计算参数AD和参数TD:
AD表示所述数据集中所有用电单位的平均距离;xi和xj表示单个用电单位的历史用电特征,i,j∈[1,n],n表示数据集中所述用电单位的数量,d(xi-xj)表示xi和xj之间的欧氏距离;TD(xi)表示以xi为中心时,xi的密度;H(s)表示用于统计密度的函数;得到用户组AD1、AD2、…、ADn;
Skm2、计算各用户组与其他用户组的类间相似度ri,选出预设数量的用户组,使得类间相似度的平均值最低,所述预设数量的用户组作为所述聚类结果;所述类间相似度ri满足:
ri=max(rij)
Ni表示用户组ADi中的用电单位数量;Si表示用户组ADi中的历史用电特征与中心点的距离的平均值;
根据所述聚类结果,确定所述用电单位所属的用户组。
3.如权利要求2所述的冷却塔的控制方法,其特征在于,所述用电负荷预测模型的训练过程包括:
对所述聚类结果中的每个所述用户组,获取其中每个所述用电单位的历史用电信息;
分别将同一用户组的用电单位的历史用电信息作为用电负荷预测模型的训练输入,对所述用电负荷预测模型进行训练;用电负荷预测模型包括输入层、双向LSTM层、注意力层和输出层;
所述输入层的输入满足如下关系:
X=[Xt-T+1,Xt-T+2,…,Xt]T
Xt=[OTt,DAt,TAt,LDt]
[OTt,DAt,TAt,LDt]分别表示t时刻的室外温度、日期属性、时间属性和负荷量;T表示预测的时间窗口长度;所述日期属性表示该日期是否属于工作日,所述时间属性表示该时间是否属于工作时间;
所述双向LSTM层满足如下关系:
和/>分别表示正向LSTM网络和反向LSTM网络的运算函数,得到双向LSTM层在t时刻的状态Ht=[Ht,1,Ht,2,…,Ht,T];
所述注意力层满足如下关系:
At表示所述注意力层的输出;at,k表示对Ht,k的权值;
所述输出层满足如下关系:
y=sigmod(ωAt+b)
y表示所述输出层的输出结果,sigmod表示激活函数,ω和b表示sigmod激活函数的参数值。
4.如权利要求3所述的冷却塔控制方法,其特征在于,所述直接测量序列中满足如下关系:
Qd=C×M×(Tin-Tout)
Qd表示所述直接测量序列的小时序列或分钟序列中的单个值,C表示冷却介质的比热容,M表示冷却介质在测量时的流量,Tin和Tout分别表示冷却塔在测量时的冷却介质输入温度和输出温度。
5.如权利要求4所述的冷却塔控制方法,其特征在于,所述间接测量序列中满足如下关系:
Qi=f(PLR,COP,Pc)
Qi表示所述间接测量序列的小时序列或分钟序列中的单个值,PLR、COP和Pc分别表示冷却塔在测量时的负荷率、能效比和电流百分比。
6.如权利要求5所述的冷却塔控制方法,其特征在于,所述冷负荷预测模型是采用LSTM网络构建的、以历史的综合用电负荷、外部干球温度、外部干球湿度和冷负荷历史序列作为训练输入、对应的历史冷负荷作为训练输出得到的预测模型。
7.如权利要求6所述的冷却塔控制方法,其特征在于,所述在后时段为当前时间的10-15分钟的时间段;所述根据所述预测冷负荷,调整所述在后时段的冷却塔控制策略,包括:
根据所述冷却塔的控制参数,以使所述冷却塔在达到所述在后时段的输出满足所述预测冷负荷的需求。
8.一种冷却系统的冷却塔控制装置,其特征在于,用于实现如权利要求1至7任一项所述冷却塔控制方法,包括:
数据获取单元,用于获取目标区域中所有用电单位的用电信息和所属的用电组;所述用电信息包括室外温度、日期属性和时间属性;
用电预测单元,用于对于每一所述用电单位,确定与所属的用电组对应的用电负荷预测模型,并根据所述用电负荷预测模型得到所述用电单位的预测用电负荷;还用于根据每一所述用电单位的预测用电负荷,得到所述目标区域的综合用电负荷;
冷负荷预测单元,用于根据所述综合用电负荷、外部干球温度、外部干球湿度和冷负荷历史序列,通过预先训练的冷负荷预测模型得到在后时段的预测冷负荷;所述冷负荷历史序列包括直接测量序列和间接测量序列,所述直接测量序列和所述间接测量序列均包括小时序列和分钟序列,其中小时序列的测量步长为小时,分钟序列的测量步长为分钟;
控制调整模块,用于根据所述预测冷负荷,调整所述在后时段的冷却塔控制策略。
9.一种冷却系统的冷却塔控制设备,其特征在于,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至7中任意一项所述的冷却系统的冷却塔控制方法。
10.一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计算机程序;其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备实现如权利要求1至7中任意一项所述的冷却系统的冷却塔控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311448143.4A CN117490481A (zh) | 2023-11-02 | 2023-11-02 | 冷却系统的冷却塔控制方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311448143.4A CN117490481A (zh) | 2023-11-02 | 2023-11-02 | 冷却系统的冷却塔控制方法、装置、设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117490481A true CN117490481A (zh) | 2024-02-02 |
Family
ID=89682189
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311448143.4A Pending CN117490481A (zh) | 2023-11-02 | 2023-11-02 | 冷却系统的冷却塔控制方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117490481A (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009250578A (ja) * | 2008-04-10 | 2009-10-29 | Kawasaki Thermal Engineering Co Ltd | 冷凍機冷却水温度安定化による省エネルギー制御運転方法 |
CN201463177U (zh) * | 2009-01-16 | 2010-05-12 | 深圳职业技术学院 | 基于负荷预测的中央空调优化节能控制系统 |
CN101968250A (zh) * | 2010-10-13 | 2011-02-09 | 日滔贸易(上海)有限公司 | 一种冷冻机房节能优化控制系统及方法 |
CN102305451A (zh) * | 2011-07-04 | 2012-01-04 | 徐坚 | 基于健康评估技术的混合式地源热泵监控系统及方法 |
CN105004015A (zh) * | 2015-08-25 | 2015-10-28 | 东南大学 | 一种基于需求响应的中央空调建模及控制策略 |
JP2017101862A (ja) * | 2015-11-30 | 2017-06-08 | 三機工業株式会社 | 熱源制御システムおよび制御方法 |
JP2020063852A (ja) * | 2018-10-15 | 2020-04-23 | 東京瓦斯株式会社 | 冷却塔システム |
CN111076376A (zh) * | 2019-12-18 | 2020-04-28 | 西安建筑科技大学 | 冷负荷需求预测及冰蓄冷空调负荷分配的方法和系统 |
CN113465442A (zh) * | 2021-06-29 | 2021-10-01 | 青岛海尔空调电子有限公司 | 冷却塔能耗确定方法及系统 |
CN113739362A (zh) * | 2021-09-22 | 2021-12-03 | 广东电网有限责任公司 | 一种空调系统的能耗确定方法、装置、设备及存储介质 |
CN115696871A (zh) * | 2022-11-04 | 2023-02-03 | 中国电子工程设计院有限公司 | 一种基于机器学习的数据中心水冷系统调控方法及装置 |
CN115682357A (zh) * | 2022-10-31 | 2023-02-03 | 广州施杰节能科技有限公司 | 一种以逼近度为中心的冷却水寻优方法及独立控制系统 |
-
2023
- 2023-11-02 CN CN202311448143.4A patent/CN117490481A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009250578A (ja) * | 2008-04-10 | 2009-10-29 | Kawasaki Thermal Engineering Co Ltd | 冷凍機冷却水温度安定化による省エネルギー制御運転方法 |
CN201463177U (zh) * | 2009-01-16 | 2010-05-12 | 深圳职业技术学院 | 基于负荷预测的中央空调优化节能控制系统 |
CN101968250A (zh) * | 2010-10-13 | 2011-02-09 | 日滔贸易(上海)有限公司 | 一种冷冻机房节能优化控制系统及方法 |
CN102305451A (zh) * | 2011-07-04 | 2012-01-04 | 徐坚 | 基于健康评估技术的混合式地源热泵监控系统及方法 |
CN105004015A (zh) * | 2015-08-25 | 2015-10-28 | 东南大学 | 一种基于需求响应的中央空调建模及控制策略 |
JP2017101862A (ja) * | 2015-11-30 | 2017-06-08 | 三機工業株式会社 | 熱源制御システムおよび制御方法 |
JP2020063852A (ja) * | 2018-10-15 | 2020-04-23 | 東京瓦斯株式会社 | 冷却塔システム |
CN111076376A (zh) * | 2019-12-18 | 2020-04-28 | 西安建筑科技大学 | 冷负荷需求预测及冰蓄冷空调负荷分配的方法和系统 |
CN113465442A (zh) * | 2021-06-29 | 2021-10-01 | 青岛海尔空调电子有限公司 | 冷却塔能耗确定方法及系统 |
CN113739362A (zh) * | 2021-09-22 | 2021-12-03 | 广东电网有限责任公司 | 一种空调系统的能耗确定方法、装置、设备及存储介质 |
CN115682357A (zh) * | 2022-10-31 | 2023-02-03 | 广州施杰节能科技有限公司 | 一种以逼近度为中心的冷却水寻优方法及独立控制系统 |
CN115696871A (zh) * | 2022-11-04 | 2023-02-03 | 中国电子工程设计院有限公司 | 一种基于机器学习的数据中心水冷系统调控方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111525601A (zh) | 用户侧储能设备的充放电控制方法、装置及存储介质 | |
CN116028838B (zh) | 一种基于聚类算法的能源数据处理方法、装置及终端设备 | |
CN111031585B (zh) | 一种休眠控制方法、装置、存储介质及服务器 | |
CN113381417B (zh) | 一种配电网台区三相负荷不平衡优化方法、装置及终端 | |
CN112734135A (zh) | 一种电力负荷预测方法、智能终端及计算机可读存储介质 | |
CN113177366B (zh) | 一种综合能源系统规划方法、装置和终端设备 | |
CN116055241B (zh) | 一种分布式智能家居网络的通信方法及系统 | |
CN113849052B (zh) | 基于人工智能的机房温度预测方法及系统 | |
CN111738529A (zh) | 基于强化学习的综合能源系统需求响应方法、系统及设备 | |
CN115759467A (zh) | 一种误差修正的分时刻集成学习光伏预测方法 | |
KR102628551B1 (ko) | 하이브리드 타입 단기 전력수요 예측 장치 및 방법 | |
CN113139698A (zh) | 负荷预测方法、装置及设备 | |
CN117639043A (zh) | 风电协同下的电动汽车调度方法、装置、终端设备及介质 | |
CN117490481A (zh) | 冷却系统的冷却塔控制方法、装置、设备和存储介质 | |
CN106990913A (zh) | 一种大规模流式集合数据的分布式处理方法 | |
CN112413862B (zh) | 能耗系数的确定方法和装置、存储介质、电子装置 | |
CN115577913A (zh) | 主动型负荷可调度潜力的计算方法、终端及存储介质 | |
CN109344875A (zh) | 基于聚类分析的日风电出力时序生成方法、装置与介质 | |
CN111951123B (zh) | 控制用电负荷的方法、装置、计算机设备和存储介质 | |
CN115051374A (zh) | 电采暖设备参与电力调峰的控制方法、装置和存储介质 | |
CN113806077A (zh) | 基于人工智能的数据中心服务器调控方法及装置 | |
CN113244629A (zh) | 流失帐号的召回方法和装置、存储介质及电子设备 | |
CN112598312B (zh) | 基于天牛须搜索算法的电动汽车充电调度方法和装置 | |
CN114596116B (zh) | 负荷聚合商电量预测方法、装置和计算机设备 | |
CN117745042B (zh) | 一种多受灾点的应急物资调度方法、装置、介质及设备 |
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 |