CN117519054A - 一种高效冷站控制系统 - Google Patents
一种高效冷站控制系统 Download PDFInfo
- Publication number
- CN117519054A CN117519054A CN202311700832.XA CN202311700832A CN117519054A CN 117519054 A CN117519054 A CN 117519054A CN 202311700832 A CN202311700832 A CN 202311700832A CN 117519054 A CN117519054 A CN 117519054A
- Authority
- CN
- China
- Prior art keywords
- cold station
- module
- parameter
- optimization
- controller
- 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
- 238000005457 optimization Methods 0.000 claims abstract description 122
- 238000011217 control strategy Methods 0.000 claims abstract description 53
- 238000012544 monitoring process Methods 0.000 claims abstract description 37
- 230000001105 regulatory effect Effects 0.000 claims abstract description 21
- 230000002159 abnormal effect Effects 0.000 claims abstract description 15
- 238000012423 maintenance Methods 0.000 claims abstract description 15
- 230000001276 controlling effect Effects 0.000 claims abstract description 14
- 238000010438 heat treatment Methods 0.000 claims abstract description 10
- 238000000034 method Methods 0.000 claims description 47
- 230000008569 process Effects 0.000 claims description 27
- 230000006870 function Effects 0.000 claims description 20
- 238000001514 detection method Methods 0.000 claims description 15
- 230000008439 repair process Effects 0.000 claims description 12
- 238000013136 deep learning model Methods 0.000 claims description 9
- 230000007613 environmental effect Effects 0.000 claims description 9
- 238000005057 refrigeration Methods 0.000 claims description 9
- 238000007726 management method Methods 0.000 claims description 8
- 238000013500 data storage Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 5
- 230000002068 genetic effect Effects 0.000 claims description 5
- 238000010353 genetic engineering Methods 0.000 claims description 4
- 238000005265 energy consumption Methods 0.000 abstract description 11
- 238000001816 cooling Methods 0.000 description 16
- 238000012549 training Methods 0.000 description 13
- 239000003507 refrigerant Substances 0.000 description 11
- 238000013528 artificial neural network Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 10
- 230000003044 adaptive effect Effects 0.000 description 9
- 230000035772 mutation Effects 0.000 description 8
- 230000002787 reinforcement Effects 0.000 description 8
- 230000009471 action Effects 0.000 description 7
- 238000003745 diagnosis Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 239000003795 chemical substances by application Substances 0.000 description 5
- 238000000491 multivariate analysis Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000002592 echocardiography Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 239000007788 liquid Substances 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000002250 progressing effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32339—Object oriented modeling, design, analysis, implementation, simulation language
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种高效冷站控制系统，系统包括传感器、控制器、温度调节装置；传感器用于测量冷站的参数信息；控制器包括迭代优化模块，迭代优化模块用于通过测量到的参数信息，优化控制器的冷站控制策略和参数配置；控制器还用于对冷站的各个参数进行实时监测，对冷站的异常情况及时进行报警并采取应对措施；温度调节装置用于控制制冷和制热系统的运行，调节冷站内部的温度和湿度。利用本发明实施例，通过实时监测和控制冷站参数，能够减少能源消耗，提高冷站的能效。同时，通过及时掌握冷站的运行状态，能够减少因故障而导致的停机时间，降低维护成本，提升冷站的稳定性和安全性。
Description
技术领域
本发明属于工业设备技术领域，特别是一种高效冷站控制系统。
背景技术
现有的工业设备往往需要在使用过程中进行冷却，以保持设备的正常运行温度。然而，传统的冷却系统在工业设备中存在能耗高、制冷效果差、调控不精准等问题，包括：
1.能耗高：传统的冷却方式中，水泵或风扇需要不断运转，耗费大量能源，从而造成能耗高的问题。
2.制冷效果差：由于传统的冷却方式对制冷温度和冷却效果的调节不够精确，导致制冷效果相对较差。
3.调控不精准：传统的冷却系统往往依赖人工操作或简单的定时开关控制，调控精度较低，不能满足工业设备在不同工作负荷下的冷却需求。
发明内容
本发明的目的是提供一种高效冷站控制系统，以解决现有技术中的不足，它通过实时监测和控制冷站参数，能够减少能源消耗，提高冷站的能效。同时，通过及时掌握冷站的运行状态，能够减少因故障而导致的停机时间，降低维护成本，提升冷站的稳定性和安全性。
本申请的一个实施例提供了一种高效冷站控制系统，所述系统包括：
传感器、控制器、温度调节装置；
所述传感器，用于测量冷站的参数信息；
所述控制器包括迭代优化模块，所述迭代优化模块用于通过测量到的参数信息，优化控制器的冷站控制策略和参数配置；
所述控制器还用于对冷站的各个参数进行实时监测，对冷站的异常情况及时进行报警并采取应对措施；
所述温度调节装置用于控制制冷和制热系统的运行，调节冷站内部的温度和湿度。
可选的，所述迭代优化模块包括：
一个适应度函数，用于计算每个基因组的适应度，所述基因组表示一组控制策略和参数配置，所述适应度用于评估所代表的控制策略和参数配置的性能；
一个选择算子，用于根据每个基因组的适应度值选择出一些基因组，并通过遗传操作产生新的基因组；
一个进化算子，用于迭代执行遗传操作，以逐步优化基因组的适应度和性能；
一个停止规则，用于在进化过程中判断是否停止迭代，以避免过度优化和过拟合。
可选的，温度调节装置包括：压缩机和冷凝器，所述压缩机和冷凝器用于负责制冷系统的实际运行。
可选的，所述系统还包括：
数据存储模块，用于存储历史数据、控制记录和优化结果信息，以便进行后续分析和优化；
故障检测和保护模块，用于对冷站的故障检测、诊断和保护，以确保其正常运行和延长寿命；
远程监控和管理模块，用于对冷站的远程监控、控制和管理，以方便用户远程操作和维护。
可选的，所述控制器还包括：
智能评估模块，用于根据冷站的各个参数，利用预先训练的深度学习模型，评估冷站的运行状态类别及其评分。
可选的，所述系统还包括：
智能学习模块，用于根据冷站的历史操作和性能数据，自动学习和调整控制策略和参数配置。
可选的，所述迭代优化模块还包括：
修复模块，用于对基因组中的错误或不合理的控制策略和参数配置进行修复和优化。
可选的，所述迭代优化模块还包括：
自适应参数调整模块，用于根据当前的环境条件和冷站运行状态，自动调整选择算子和进化算子的概率，以优化迭代优化模块的性能和收敛速度。
可选的，所述迭代优化模块具有多级优化能力，能够对冷站的整体控制策略和参数配置进行优化，同时也可以对各个子系统或设备的控制策略和参数配置进行独立优化，以实现更加精细化和个性化的控制。
可选的，所述冷站为工业设备类的冷站。
与现有技术相比，本发明提供一种高效冷站控制系统，系统包括传感器、控制器、温度调节装置、压缩机以及冷凝器；传感器用于测量冷站的参数信息；控制器包括迭代优化模块，迭代优化模块用于通过测量到的参数信息，优化控制器的冷站控制策略和参数配置；控制器还用于对冷站的各个参数进行实时监测，对冷站的异常情况及时进行报警并采取应对措施；温度调节装置用于控制制冷和制热系统的运行，调节冷站内部的温度和湿度，从而通过实时监测和控制冷站参数，能够减少能源消耗，提高冷站的能效；同时，通过及时掌握冷站的运行状态，能够减少因故障而导致的停机时间，降低维护成本，提升冷站的稳定性和安全性。
附图说明
图1为本发明实施例提供的一种高效冷站控制系统的结构示意图；
图2为本发明实施例提供的一种高效冷站控制系统的另一种结构示意图。
具体实施方式
下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
参见图1、图2，本发明实施例提供的一种高效冷站控制系统的结构示意图，系统可以包括：传感器101、控制器102、温度调节装置103；
所述传感器101，用于测量冷站的参数信息；
传统的冷站参数测量通常使用温度传感器、湿度传感器、压力传感器等来获取参数信息。本申请提出一种声波传感器，具体如下：
声波传感器可以发射声波信号并接收回波，通过分析回波的特征来测量介质的性质和参数。在冷站中，声波传感器可以安装在管道或设备上，通过发射声波并接收回波，可测量流体的流速、流量、密度等参数，同时还可以检测管道或设备的振动和故障情况。
通过使用声波传感器，可以实时监测冷站的参数信息，如水流速度、水流量、空气流速等，从而更准确地了解冷站的运行状态。此外，声波传感器的非接触式测量特性，也能在冷站运行时不干扰正常操作。
通过将声波传感器与适当的信号处理技术结合，可以将测量到的声波信号转换为冷站运行所需的参数信息，并将其反馈给控制器进行优化的冷站控制策略和参数配置。
所述控制器102包括迭代优化模块1021，所述迭代优化模块用于通过测量到的参数信息，优化控制器的冷站控制策略和参数配置；
具体的，迭代优化模块可以包括：
一个适应度函数，用于计算每个基因组的适应度，所述基因组表示一组控制策略和参数配置，所述适应度用于评估所代表的控制策略和参数配置的性能；本申请提出一种实现方式为使用神经网络作为适应度函数。
神经网络是一种能够学习复杂模式和关系的机器学习模型。在冷站控制系统中，可以将适应度函数设计为一个神经网络，输入为基因组表示的控制策略和参数配置，输出为对应的适应度值。
具体而言，可以使用神经网络来学习评估控制策略和参数配置的性能。通过将已知的冷站运行数据和相应的适应度值作为训练数据，训练神经网络模型。训练完成后，将基因组输入到训练好的神经网络中，即可得到相应的适应度值，用于衡量控制策略和参数配置的性能。
使用神经网络作为适应度函数的优势在于，它可以学习复杂的非线性关系，能够处理大量输入和输出数据，从而实现更准确和全面的性能评估。此外，神经网络还能够适应不同的冷站环境和工作负荷，具有一定的泛化能力。
因此，将神经网络作为适应度函数的具体实现方式，有助于提高基因组的适应度计算的准确性和效率，从而更好地优化冷站的控制策略和参数配置。
一个选择算子，用于根据每个基因组的适应度值选择出一些基因组，并通过遗传操作产生新的基因组；其中，选择出的基因组个体作为父代，产生的新的基因组即为子代。
传统的选择算子通常是通过适应度值来选择父代个体，选择适应度较高的个体作为父代。然而，本申请提出基于多目标优化的选择算子可以更好地平衡多个优化目标，并选择多个最优解。
具体而言，基于多目标优化的选择算子可以通过将每个个体的适应度值与一组预定义的参考点进行比较，选择适应度较高且离参考点最近的个体作为父代。这样可以实现在多个优化目标下找到一组最优解，而不仅仅是单一的最优解。
基于多目标优化的选择算子可以使用各种多目标优化算法，如NSGA-II(非支配排序遗传算法II)、MOEA/D(多目标进化算法/分解)等。这些算法通过对个体适应度值进行排序和比较，选择具有较高适应度且离参考点最近的个体作为下一代的父代。
使用基于多目标优化的选择算子的优势在于，它可以同时考虑多个优化目标，从而获得更全面和平衡的解集。这对于冷站控制系统来说尤为重要，因为冷站的参数配置和控制策略通常涉及到多个优化目标，如能耗、舒适性、可靠性等。
因此，使用基于多目标优化的选择算子作为权利要求2所述迭代优化模块的具体实现方式，能够更好地选择适应度较高的个体作为下一代的父代，实现更全面和平衡的优化结果。
一个进化算子，用于迭代执行遗传操作，以逐步优化基因组的适应度和性能；遗传操作包括交叉、变异等操作。
本申请提出自适应进化算子作为一种能够自动调整交叉和变异概率的进化算子。在冷站控制系统中，可以将进化算子设计为自适应的，根据当前的优化进程和个体表现，动态调整交叉和变异概率。
具体而言，自适应进化算子可以通过监测优化进程的收敛性和个体的多样性来自动调整交叉和变异概率。当优化进程靠近最优解时，可以降低交叉和变异概率，以保留个体的优秀特征和探索新的解空间。当优化进程处于初始阶段或进展缓慢时，可以增加交叉和变异概率，以增加多样性和搜索范围。
自适应进化算子可以根据具体问题的特点和优化目标进行设计和调整。例如，可以根据目标函数的变化趋势、种群的多样性度量指标等来动态调整交叉和变异概率。
使用自适应进化算子的优势在于，它能够根据当前的优化进程和个体表现，灵活调整交叉和变异概率，以实现更有效的进化过程。这样可以提高优化算法的收敛速度和搜索能力，从而更好地优化冷站的控制策略和参数配置。
一个停止规则，用于在进化过程中判断是否停止迭代，以避免过度优化和过拟合。
本申请提出自适应停止规则作为一种能够根据优化进程和目标值的变化趋势，自动确定是否停止优化过程的规则。在冷站控制系统中，可以根据当前的优化进程和目标值的变化情况，动态调整停止规则以实现更精确的优化。
具体而言，自适应停止规则可以根据以下情况来判断是否停止优化过程：
1.收敛性判断：通过监测目标值在一定数量的迭代中是否发生显著变化来判断是否达到收敛。若目标值在一定数量的迭代中变化小于预设的阈值，则可以认为优化已经收敛。
2.进展速度判断：通过监测优化进程中目标值的变化速度来判断是否停止优化。若目标值的变化速度在一定数量的迭代中低于预设的阈值，则可以认为进化过程已经趋于平缓，可以停止优化。
3.优化目标判断：根据具体的优化目标，确定停止优化的条件。例如，当目标值达到预设的最小或最大值时，可以停止优化。这可以根据冷站的实际需求和优化目标来设计。
使用自适应停止规则的优势在于，它能够根据当前的优化进程和目标值的变化趋势，灵活调整停止规则，从而实现更精确和高效的优化过程。这样可以避免过早停止或过度优化的问题，提高优化算法的效果和性能。
具体的，所述迭代优化模块还可以包括：修复模块，用于对基因组中的错误或不合理的控制策略和参数配置进行修复和优化。
示例性的，可以使用基于规则引擎和优化算法的混合修复方法。这种混合修复方法首先利用规则引擎对基因组中的错误或不合理的控制策略和参数配置进行检测和修复。规则引擎可以根据冷站控制系统的规则和约束，对基因组进行语法和语义的检查，通过对错误或不合理的部分进行修正。
在规则引擎修复的基础上，进一步使用优化算法对剩余的个体进行优化。优化算法可以通过遗传算法、粒子群算法等方法，对基因组中的控制策略和参数配置进行搜索和优化，以获得更好的性能和效果。具体实现方式包括以下步骤：
1.利用规则引擎对基因组进行检测和修复。规则引擎可以定义一系列规则和约束，用于检查基因组中的错误或不合理的部分，并给出相应的修复方法。例如，对于参数配置超出范围的情况，可以根据预设的规则进行调整。
2.利用优化算法对剩余的个体进行优化。对于经过规则引擎修复后仍存在问题的个体，可以使用优化算法对其进行搜索和优化。优化算法可以根据预先设定的优化目标，如能耗最小化、舒适性最大化等，调整控制策略和参数配置，从而获得更好的性能和效果。
3.迭代修复和优化过程。以上两个步骤可以进行多次迭代，直到基因组中的错误或不合理的部分被修复并优化到符合要求为止。
通过使用基于规则引擎和优化算法的混合修复方法，可以更全面和有效地修复和优化冷站控制系统中基因组中的错误或不合理的控制策略和参数配置。规则引擎能够快速检测并修复一些常见的问题，而优化算法能够进一步搜索和优化个体，以获得更好的性能和效果。
具体的，所述迭代优化模块还可以包括：自适应参数调整模块，用于根据当前的环境条件和冷站运行状态，自动调整选择算子和进化算子的概率，以优化迭代优化模块的性能和收敛速度。
示例性的，可以使用基于强化学习的自适应参数调整方法。该方法利用冷站的环境条件和运行状态数据，通过强化学习建立智能体与环境的交互模型，实现选择算子和进化算子的概率的自适应调整，以优化迭代优化模块的性能和收敛速度。具体实现方式包括以下步骤：
1.状态和动作定义：将冷站的环境条件和运行状态数据定义为状态，定义选择算子和进化算子的概率为动作。
2.建立强化学习模型：基于状态和动作的定义，建立强化学习模型，包括智能体和环境。智能体通过观察环境状态，选择动作以最大化预设的奖励信号。
3.训练强化学习模型：使用历史数据进行强化学习模型的训练。通过智能体与环境的交互，根据奖励信号调整选择算子和进化算子的概率。可以采用基于值函数的方法如Q-learning或基于策略梯度的方法如深度确定策略梯度等进行训练。
4.自适应参数调整：在迭代优化过程中，根据当前的环境条件和冷站运行状态，利用训练好的强化学习模型预测选择算子和进化算子的概率。根据模型预测结果，自动调整选择算子和进化算子的概率，以实现优化的自适应调整。
5.迭代优化：根据调整后的选择算子和进化算子的概率，进行迭代优化。根据优化算法的特点，使用自适应调整后的参数，可以提高迭代优化模块的性能和收敛速度。
使用基于强化学习的自适应参数调整方法的优势在于，它能够根据当前的环境条件和冷站运行状态，通过智能体与环境的交互学习选择算子和进化算子的概率，以实现优化的自适应调整。这样可以提高迭代优化模块的性能和收敛速度，从而更好地优化冷站的控制策略和参数配置。
具体的，所述迭代优化模块具有多级优化能力，能够对冷站的整体控制策略和参数配置进行优化，同时也可以对各个子系统或设备的控制策略和参数配置进行独立优化，以实现更加精细化和个性化的控制。具体解释说明如下：
1.多级优化能力：迭代优化模块具有多级优化能力，可以对冷站的整体控制策略和参数配置进行优化。这意味着迭代优化模块能够对不同的层次进行优化，从全局层面上考虑整个冷站的性能和目标，找到最佳的控制策略和参数配置。
2.精细化控制：迭代优化模块不仅可以对整体控制策略和参数配置进行优化，还可以对各个子系统或设备的控制策略和参数配置进行独立优化。这意味着迭代优化模块能够根据每个子系统或设备的特性和需求，找到最佳的控制策略和参数配置，以实现更加精细化的控制。
3.个性化控制：由于迭代优化模块可以对各个子系统或设备进行独立优化，因此可以实现个性化的控制。不同的子系统或设备可能有不同的性能要求和控制目标，迭代优化模块可以为每个子系统或设备设计特定的控制策略和参数配置，以满足其个性化的需求。
通过具备多级优化能力的迭代优化模块，系统可以同时优化整体和各个子系统或设备的控制策略和参数配置，以实现更加精细化和个性化的控制。这样可以提高冷站的整体性能和能效，并满足各个子系统或设备的特定需求。
所述控制器102还用于对冷站的各个参数进行实时监测，对冷站的异常情况及时进行报警并采取应对措施；其中包括：
实时监测冷站参数：控制器通过传感器等设备，实时监测冷站的各个参数，如温度、湿度、压力、流量等。这些监测数据可以作为控制器进行决策和控制的基础。
异常情况监测：控制器通过对监测到的参数进行实时分析和比较，可以识别出冷站运行中的异常情况。例如，当某个参数超出预设的范围、波动过大或与其他参数之间出现异常关联时，控制器可以判定为异常情况。
报警功能：一旦控制器检测到冷站的异常情况，它会及时发出报警信号。报警可以通过声音、光信号、文字信息等形式进行，以提醒操作员冷站出现问题。
应对措施：控制器在发出报警信号后，还能采取相应的应对措施。这些措施可以是自动化的操作，也可以是提示操作员进行手动干预。例如，控制器可以自动调整控制策略、参数配置或设备的运行状态，以尽可能地恢复冷站的正常工作状态。
调度策略优化：当控制器监测到冷站的异常情况后，它还能根据优化算法对调度策略进行动态调整。通过优化算法的应用，控制器能够推测最佳的应对措施，从而更好地应对异常情况，减小对冷站性能的影响。
通过以上功能，控制器可以实时监测冷站的各个参数，并对异常情况进行监测和报警。控制器能够采取相应的应对措施，以尽可能地恢复冷站的正常工作状态，并通过优化算法进行动态调整，以提高冷站的性能和稳定性。
具体的，所述控制器还可以包括：智能评估模块，用于根据冷站的各个参数，利用预先训练的深度学习模型，评估冷站的运行状态类别及其评分。
示例性的，可以使用预先训练的深度学习模型结合多元分析方法。具体实现方式包括以下步骤：
1.数据准备：收集冷站的各个参数的历史数据，并对数据进行预处理和特征工程，将其转化为合适的输入格式。
2.深度学习模型训练：使用已经准备好的历史数据，训练一个深度学习模型，例如卷积神经网络(CNN)或循环神经网络(RNN)。训练过程中，使用数据中的状态类别作为标签，让模型学习对不同状态进行分类的能力。
3.预测冷站状态：使用训练好的深度学习模型对当前冷站的各个参数进行预测，得到冷站的状态类别。这可以通过将参数输入到模型中，并根据模型的输出进行分类决策得到。
4.多元分析评估：使用多元分析方法对冷站的评分进行计算。多元分析方法可以综合考虑各个参数的权重，以及它们在冷站状态评估中的重要性。例如，可以使用主成分分析(PCA)或因子分析等方法对参数进行降维，然后使用权重因子对各个降维后的参数进行加权求和，从而得到冷站的评分。
通过结合预先训练的深度学习模型和多元分析方法，智能评估模块能够根据冷站的各个参数评估冷站的运行状态类别及其评分。深度学习模型可以学习参数之间的复杂关系，从而准确地分类冷站的状态类别。而多元分析方法可以对各个参数进行权重分配，以更好地综合考虑各个参数的贡献，得到对冷站整体性能的评估。这样可以帮助操作员更好地了解冷站的运行状态，并采取相应的措施进行调整和优化。
所述温度调节装置103用于控制制冷和制热系统的运行，调节冷站内部的温度和湿度。该温度调节装置103可以使用先进的控制算法和智能化技术，结合冷站的监测数据和外部环境条件，实现更为精确和自适应的温度和湿度调节。
1.动态温度调节：温度调节装置103可以根据冷站内部的温度监测数据和预设的目标温度，利用先进的控制算法实现动态的温度调节。这包括根据实时温度差异进行制冷或制热操作，并及时调整制冷和制热系统的运行状态，以使冷站的温度始终接近目标设定值。
2.智能湿度控制：温度调节装置103还可以利用湿度传感器等设备监测冷站内部的湿度，并根据预设的湿度范围进行智能湿度控制。通过控制制冷和制热系统的运行模式和参数配置，该装置可以自动调节空气流动、湿度增加或减少的设备，以使冷站的湿度保持在理想范围内。
3.预测与优化控制：温度调节装置103可以利用预测算法分析冷站内部的温度和湿度趋势，并基于预测结果进行优化控制。通过根据预测结果提前调整制冷和制热系统的运行模式和参数，装置可以更加智能地调节冷站的温度和湿度，提高能效和舒适性。
4.自适应学习：温度调节装置103还可以具备自适应学习的能力。通过分析冷站的历史温度和湿度数据，并结合反馈控制和机器学习技术，装置可以不断优化自身的控制策略和参数配置，以适应不同季节、天气和使用场景的变化，实现更加精确和智能的温度和湿度调节。
通过温度调节装置103可以实现精确和自适应的温度和湿度调节，通过动态温度调节、智能湿度控制、预测与优化控制以及自适应学习等功能，提高冷站的能效和舒适性，并适应不同工况和环境条件的变化。
具体的，温度调节装置103可以包括：压缩机1031和冷凝器1032，所述压缩机1031和冷凝器1032用于负责制冷系统的实际运行。其中：
1.压缩机1031的作用：压缩机是温度调节装置中的关键组件之一，它的主要作用是将制冷剂压缩，使其形成高压高温的气体。通过压缩机的作用，制冷剂的温度和压力得到升高，为后续的冷却过程提供所需的热量。
2.冷凝器1032的作用：冷凝器是温度调节装置中的另一个重要组件，它用于将高温高压的制冷剂气体冷却成高温高压的液体状态。冷凝器通常包括散热片或冷却管，通过散热介质的交换，使制冷剂散热并冷却下来，从而释放热量。
3.制冷循环过程：压缩机和冷凝器共同完成制冷系统的制冷循环过程。在制冷循环过程中，压缩机压缩制冷剂气体并使其温度升高，然后将高温高压的制冷剂气体输入到冷凝器中。在冷凝器中，制冷剂通过热交换和冷却过程，释放热量，并转变为高温高压的液体。这样，制冷剂的温度得到降低，为将其输送到蒸发器中进行进一步冷却创造了条件。
通过压缩机和冷凝器的协作作用，温度调节装置可以实现对制冷系统温度的调节。压缩机的压缩作用使制冷剂变热，冷凝器的冷却作用使制冷剂散热，并将其转变成液体状态，从而使制冷系统达到所需的温度调节效果。
这样的设计方案不仅可以根据冷站的实际需求在短时间内快速调整温度，而且还可以提供较高的能效和稳定性。压缩机和冷凝器的结合使用，为温度调节装置提供了重要的能力和功能，使其能够满足冷站复杂的温度调节需求。
具体的，所述系统还可以包括：
数据存储模块，用于存储历史数据、控制记录和优化结果信息，以便进行后续分析和优化；其中：
历史数据存储：数据存储模块可以用来存储冷站的历史数据，包括温度、湿度、压力、流量等各个参数的时间序列数据。这些历史数据可以用来进行趋势分析、异常检测和模型训练等后续工作。通过存储历史数据，可以更好地了解冷站的运行状态和性能。
控制记录存储：数据存储模块还可以用来存储冷站的控制记录，包括设定的控制策略、参数配置和运行状态等信息。这些控制记录可以用于分析冷站的运行效果和控制策略的有效性。通过存储控制记录，可以回顾和评估冷站的控制过程，并进行后续的调整和优化。
优化结果信息存储：数据存储模块还可以用来存储优化算法的运行结果，包括最优控制策略、参数配置和预测模型等信息。这些优化结果信息可以用于回顾和分析优化过程的效果，并为后续的决策和优化提供参考。通过存储优化结果信息，可以更好地理解和评估优化算法的性能和可行性。
数据分析和优化：通过使用存储的历史数据、控制记录和优化结果信息，可以进行更加深入和全面的数据分析和优化工作。例如，可以通过对历史数据的分析来识别和预测冷站的异常情况和运行趋势，从而采取及时的措施进行调整。同时，可以借助控制记录和优化结果信息进行冷站的后续优化，提高冷站的性能和能效。
故障检测和保护模块，用于对冷站的故障检测、诊断和保护，以确保其正常运行和延长寿命；其中：
故障检测：故障检测是故障检测和保护模块的核心功能之一。该模块可以通过监测和分析冷站的各种参数和传感器数据，识别潜在的故障和异常情况。例如，通过实时监测冷却系统的流量、压力和温度等参数，故障检测模块可以及时发现管道堵塞、泄漏、设备故障等问题。通过故障检测，冷站可以通过及时采取措施避免故障的进一步发展，保证其正常运行。
故障诊断：故障检测和保护模块还可以实现故障诊断的功能。一旦故障被检测到，故障诊断模块可以根据故障的特征和可能的原因，进行更加精确和准确的故障诊断。通过分析监测数据和故障记录，故障诊断模块可以帮助确定故障的具体位置和类型，为后续的维修和处理提供指导。
故障保护：故障检测和保护模块还可以提供故障保护的功能。一旦故障被检测和诊断出来，故障保护模块可以根据预先设定的保护策略和规则，采取相应的措施进行保护。例如，它可以自动切断故障设备的电源，调整系统工作状态，发出警报通知维护人员等。通过故障保护，可以尽快停止故障的扩散并降低故障对整个冷站的影响，保护冷站设备的正常运行和延长寿命。
寿命延长：故障检测和保护模块的功能不仅限于故障检测和保护，还可以帮助延长冷站的寿命。通过实时监测和分析冷站的运行状态和工作条件，故障检测和保护模块可以发现潜在的寿命影响因素，并提供相应的建议和措施，以降低设备的磨损和损坏，延长设备的使用寿命。
远程监控和管理模块，用于对冷站的远程监控、控制和管理，以方便用户远程操作和维护。其中：
1.远程监控：远程监控和管理模块可以通过互联网或其他通信网络实现对冷站的实时监控。用户可以通过远程监控平台或手机应用程序等远程接入设备，实时查看和监测冷站的运行状态、参数、报警信息等。通过远程监控，用户可以随时随地了解冷站的运行情况，及时发现和解决问题，提高冷站的可靠性和稳定性。
2.远程控制：远程监控和管理模块还可以实现远程控制功能。用户可以通过远程接入设备远程调整冷站的运行模式、设定温度、湿度等参数，实现对冷站的远程控制。例如，用户可以在外出时通过手机应用程序将冷站切换到节能模式，或者在需要时调整温度设置。通过远程控制，用户可以灵活地管理和控制冷站，提高使用方便性和适应性。
3.远程维护：远程监控和管理模块还可以为用户提供远程维护功能。用户可以通过远程接入设备进行故障排查、参数调整、固件更新等维护操作，而无需亲自到现场。例如，维护人员可以通过远程接入设备对冷站进行故障诊断，并远程发送指令进行故障切换和修复。通过远程维护，可以提高维护效率，减少维护成本，并在紧急情况下快速响应和处理。
4.安全和隐私保护：远程监控和管理模块还重视安全和隐私保护。通过采用安全通信协议和身份认证机制，确保用户的远程监控和控制操作的安全性和可靠性。同时，远程监控和管理模块还采取措施保护用户的隐私信息，确保用户数据的安全和保密性。
具体的，所述系统还可以包括：智能学习模块，用于根据冷站的历史操作和性能数据，自动学习和调整控制策略和参数配置。包括：
1.数据收集和预处理：智能学习模块首先需要收集和整理冷站的历史操作和性能数据。这些数据包括冷站的运行状态、控制参数、环境条件、能耗等信息。然后，对数据进行预处理，包括数据清洗、去噪、归一化等操作，以确保数据的质量和一致性。
2.特征提取和选择：在预处理后，智能学习模块需要从数据中提取有用的特征。这些特征可以是与冷站性能和控制策略相关的参数或数据。通过特征选择算法，对提取的特征进行评估和选择，以减少冗余信息和提高特征的表征能力。
3.模型训练和优化：利用选定的特征，智能学习模块可以通过机器学习或深度学习算法构建模型。模型可以是回归模型、分类模型或神经网络等。然后，使用历史数据作为训练集，对模型进行训练和优化。训练过程中，可以通过交叉验证、正则化和超参数调优等技术，提高模型的泛化能力和预测精度。
4.控制策略和参数调整：在模型训练完成后，智能学习模块可以利用训练好的模型进行控制策略和参数的调整。根据当前的冷站状态和环境条件，模型可以预测最优的控制策略和参数配置。通过自动调整控制策略和参数，可以实现冷站的智能优化和自适应控制。
5.模型更新和迭代：冷站的操作和性能数据是不断变化的，因此智能学习模块需要定期进行模型更新和迭代。通过使用新的数据进行模型训练，可以保持模型的准确性和适应性。同时，模型更新也可以考虑冷站的变化需求和新的优化目标，提高冷站的能效和性能。
具体的，所述冷站可以为工业设备类的冷站，例如空调主机、水泵、空压机、电机设备等公用能耗设备。
可见，本发明提供一种高效冷站控制系统，系统包括传感器、控制器、温度调节装置、压缩机以及冷凝器；传感器用于测量冷站的参数信息；控制器包括迭代优化模块，迭代优化模块用于通过测量到的参数信息，优化控制器的冷站控制策略和参数配置；控制器还用于对冷站的各个参数进行实时监测，对冷站的异常情况及时进行报警并采取应对措施；温度调节装置用于控制制冷和制热系统的运行，调节冷站内部的温度和湿度，从而通过实时监测和控制冷站参数，能够减少能源消耗，提高冷站的能效；同时，通过及时掌握冷站的运行状态，能够减少因故障而导致的停机时间，降低维护成本，提升冷站的稳定性和安全性。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。
在上述实施例中，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。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置，可通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如上述单元的划分，仅仅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，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。
上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。
上述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器中。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器中，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上述方法的全部或部分步骤。而前述的存储器包括：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。
以上对本发明实施例进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种高效冷站控制系统，其特征在于，所述系统包括：传感器、控制器、温度调节装置；
所述传感器，用于测量冷站的参数信息；
所述控制器包括迭代优化模块，所述迭代优化模块用于通过测量到的参数信息，优化控制器的冷站控制策略和参数配置；
所述控制器还用于对冷站的各个参数进行实时监测，对冷站的异常情况及时进行报警并采取应对措施；
所述温度调节装置用于控制制冷和制热系统的运行，调节冷站内部的温度和湿度。
2.根据权利要求1所述的系统，其特征在于，所述迭代优化模块包括：
一个适应度函数，用于计算每个基因组的适应度，所述基因组表示一组控制策略和参数配置，所述适应度用于评估所代表的控制策略和参数配置的性能；
一个选择算子，用于根据每个基因组的适应度值选择出一些基因组，并通过遗传操作产生新的基因组；
一个进化算子，用于迭代执行遗传操作，以逐步优化基因组的适应度和性能；
一个停止规则，用于在进化过程中判断是否停止迭代，以避免过度优化和过拟合。
3.根据权利要求2所述的系统，其特征在于，温度调节装置包括：压缩机和冷凝器，所述压缩机和冷凝器用于负责制冷系统的实际运行。
4.根据权利要求3所述的系统，其特征在于，所述系统还包括：
数据存储模块，用于存储历史数据、控制记录和优化结果信息，以便进行后续分析和优化；
故障检测和保护模块，用于对冷站的故障检测、诊断和保护，以确保其正常运行和延长寿命；
远程监控和管理模块，用于对冷站的远程监控、控制和管理，以方便用户远程操作和维护。
5.根据权利要求4所述的系统，其特征在于，所述控制器还包括：
智能评估模块，用于根据冷站的各个参数，利用预先训练的深度学习模型，评估冷站的运行状态类别及其评分。
6.根据权利要求5所述的系统，其特征在于，所述系统还包括：
智能学习模块，用于根据冷站的历史操作和性能数据，自动学习和调整控制策略和参数配置。
7.根据权利要求2所述的系统，其特征在于，所述迭代优化模块还包括：
修复模块，用于对基因组中的错误或不合理的控制策略和参数配置进行修复和优化。
8.根据权利要求2所述的系统，其特征在于，所述迭代优化模块还包括：
自适应参数调整模块，用于根据当前的环境条件和冷站运行状态，自动调整选择算子和进化算子的概率，以优化迭代优化模块的性能和收敛速度。
9.根据权利要求2所述的系统，其特征在于，所述迭代优化模块具有多级优化能力，能够对冷站的整体控制策略和参数配置进行优化，同时也可以对各个子系统或设备的控制策略和参数配置进行独立优化，以实现更加精细化和个性化的控制。
10.根据权利要求1-9任一项所述的系统，其特征在于，所述冷站为工业设备类的冷站。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311700832.XA CN117519054B (zh) | 2023-12-11 | 2023-12-11 | 一种高效冷站控制系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311700832.XA CN117519054B (zh) | 2023-12-11 | 2023-12-11 | 一种高效冷站控制系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117519054A true CN117519054A (zh) | 2024-02-06 |
| CN117519054B CN117519054B (zh) | 2024-06-11 |
Family
ID=89743902
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311700832.XA Active CN117519054B (zh) | 2023-12-11 | 2023-12-11 | 一种高效冷站控制系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117519054B (zh) |
Citations (39)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH08303210A (ja) * | 1995-05-11 | 1996-11-19 | Hitachi Ltd | 火力発電プラントの自律適応最適化制御システム |
| US20040044633A1 (en) * | 2002-08-29 | 2004-03-04 | Chen Thomas W. | System and method for solving an optimization problem using a neural-network-based genetic algorithm technique |
| US20050246297A1 (en) * | 2004-03-26 | 2005-11-03 | Dingding Chen | Genetic algorithm based selection of neural network ensemble for processing well logging data |
| CN101216951A (zh) * | 2007-12-27 | 2008-07-09 | 电子科技大学 | 虚拟场景中的智能群体运动模拟方法 |
| WO2010021840A2 (en) * | 2008-08-22 | 2010-02-25 | Alstom Technology Ltd | Fluidized bed combustion optimization tool and method thereof |
| CN101930215A (zh) * | 2009-06-22 | 2010-12-29 | 费希尔-罗斯蒙特系统公司 | 基于连续调度的模型参数的自适应控制器 |
| CN102058012A (zh) * | 2010-11-03 | 2011-05-18 | 广东海洋大学 | 一种基于神经网络系统优化的牡蛎呈味肽可控酶解工艺 |
| CN104633829A (zh) * | 2013-11-06 | 2015-05-20 | 上海思控电气设备有限公司 | 楼宇冷冻站节能控制装置及方法 |
| CN205980187U (zh) * | 2016-08-02 | 2017-02-22 | 上海冰核时代科技中心（有限合伙） | 数据中心冷站的智能优化控制系统 |
| CN108053069A (zh) * | 2017-12-15 | 2018-05-18 | 南京工程学院 | 一种适用于多目标优化场景的综合能源系统运行调度方法 |
| CN109028481A (zh) * | 2018-08-10 | 2018-12-18 | 中国建筑科学研究院有限公司 | 一种空调系统的无人值守机房控制系统及方法 |
| CN110571792A (zh) * | 2019-07-29 | 2019-12-13 | 中国电力科学研究院有限公司 | 一种电网调控系统运行状态的分析评估方法及系统 |
| CN110805997A (zh) * | 2019-11-14 | 2020-02-18 | 中金新源（天津）科技有限公司 | 中央空调系统节能控制方法 |
| US20200218999A1 (en) * | 2017-10-04 | 2020-07-09 | Prowler.Io Limited | Machine learning system |
| CN111453619A (zh) * | 2019-01-18 | 2020-07-28 | 上海海事大学 | 一种自适应的岸桥运行机构智能监测与状态评估系统 |
| CN111612292A (zh) * | 2020-04-03 | 2020-09-01 | 贵州乌江水电开发有限责任公司 | 基于关键水位控制的梯级水电站调度控制系统及方法 |
| CN112152523A (zh) * | 2020-09-21 | 2020-12-29 | 武汉大学 | 一种基于nn/ga的直流电机节能调速方法 |
| WO2021051859A1 (zh) * | 2019-09-18 | 2021-03-25 | 上海海事大学 | 基于自适应遗传算法的无线传感器网络分簇路由方法 |
| CN112594904A (zh) * | 2020-12-16 | 2021-04-02 | 紫泉能源技术股份有限公司 | 一种制冷站节能优化控制系统 |
| CN112598189A (zh) * | 2020-12-29 | 2021-04-02 | 浙江工业大学 | 基于shade算法的多路径多目标应急物资配送路径选择方法 |
| CN112781184A (zh) * | 2019-11-11 | 2021-05-11 | 中国铁建电气化局集团有限公司 | 一种空调系统智能降耗方法和系统 |
| CN112906966A (zh) * | 2021-02-22 | 2021-06-04 | 西安建筑科技大学 | 一种中央空调冷水机组负荷优化方法、系统、介质及设备 |
| CN114781875A (zh) * | 2022-04-25 | 2022-07-22 | 四川中电启明星信息技术有限公司 | 一种基于深度卷积网络的微电网经济运行状态评估方法 |
| CN114963414A (zh) * | 2022-06-08 | 2022-08-30 | 山东润一智能科技有限公司 | 基于ai数据分析的空调系统智能调控装置 |
| CN115186885A (zh) * | 2022-06-29 | 2022-10-14 | 山东大学 | 基于强化学习的综合能源系统能量优化调度方法及系统 |
| CN115688563A (zh) * | 2022-10-07 | 2023-02-03 | 华中科技大学 | 一种基于多智能体进化强化学习的加工参数优化方法 |
| CN115796011A (zh) * | 2022-11-16 | 2023-03-14 | 四川大学 | 一种基于神经网络和遗传算法的储氢床传热性能优化方法 |
| CN115800330A (zh) * | 2022-12-19 | 2023-03-14 | 吉林省电力科学研究院有限公司 | 配电台区三相负荷自动调节装置的优化配置及调度方法 |
| CN116048028A (zh) * | 2023-02-24 | 2023-05-02 | 大连理工大学 | 一种基于强化学习的工艺参数优化方法 |
| CN116050752A (zh) * | 2022-12-28 | 2023-05-02 | 西安优迈智慧矿山研究院有限公司 | 基于数据驱动的神经网络代理辅助露天矿无人卡车调度方法 |
| CN116151644A (zh) * | 2022-10-25 | 2023-05-23 | 嘉兴学院 | 一种基于能源物联网的冷冻站评价系统及方法 |
| CN116222008A (zh) * | 2022-12-30 | 2023-06-06 | 广州智业节能科技有限公司 | 一种冷站自动控制系统 |
| CN116415380A (zh) * | 2023-03-06 | 2023-07-11 | 中国电子科技集团公司第二十九研究所 | 一种基于自适应收敛的动态组网雷达天线配置方法 |
| CN116451737A (zh) * | 2023-04-25 | 2023-07-18 | 上海电力大学 | 一种基于强化学习的策略梯度改进粒子群的pg-w-pso方法 |
| CN116702611A (zh) * | 2023-06-08 | 2023-09-05 | 上海威派格智慧水务股份有限公司 | 一种基于遗传算法的泵组优化方法 |
| CN116702633A (zh) * | 2023-08-08 | 2023-09-05 | 北京理工大学 | 一种基于多目标动态优化的异构弹群任务可靠性规划方法 |
| CN116719286A (zh) * | 2023-06-15 | 2023-09-08 | 华北电力大学 | 一种基于强化学习的超超临界机组协调控制系统自抗扰控制器参数智能在线优化方法 |
| WO2023219177A1 (en) * | 2022-05-10 | 2023-11-16 | Mitsubishi Electric Corporation | Integrated sensing and communications empowered by networked hybrid quantum-classical machine learning |
| CN117170980A (zh) * | 2023-10-31 | 2023-12-05 | 苏州元脑智能科技有限公司 | 一种服务器硬件异常预警方法、装置、设备及存储介质 |
-
2023
- 2023-12-11 CN CN202311700832.XA patent/CN117519054B/zh active Active
Patent Citations (39)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH08303210A (ja) * | 1995-05-11 | 1996-11-19 | Hitachi Ltd | 火力発電プラントの自律適応最適化制御システム |
| US20040044633A1 (en) * | 2002-08-29 | 2004-03-04 | Chen Thomas W. | System and method for solving an optimization problem using a neural-network-based genetic algorithm technique |
| US20050246297A1 (en) * | 2004-03-26 | 2005-11-03 | Dingding Chen | Genetic algorithm based selection of neural network ensemble for processing well logging data |
| CN101216951A (zh) * | 2007-12-27 | 2008-07-09 | 电子科技大学 | 虚拟场景中的智能群体运动模拟方法 |
| WO2010021840A2 (en) * | 2008-08-22 | 2010-02-25 | Alstom Technology Ltd | Fluidized bed combustion optimization tool and method thereof |
| CN101930215A (zh) * | 2009-06-22 | 2010-12-29 | 费希尔-罗斯蒙特系统公司 | 基于连续调度的模型参数的自适应控制器 |
| CN102058012A (zh) * | 2010-11-03 | 2011-05-18 | 广东海洋大学 | 一种基于神经网络系统优化的牡蛎呈味肽可控酶解工艺 |
| CN104633829A (zh) * | 2013-11-06 | 2015-05-20 | 上海思控电气设备有限公司 | 楼宇冷冻站节能控制装置及方法 |
| CN205980187U (zh) * | 2016-08-02 | 2017-02-22 | 上海冰核时代科技中心（有限合伙） | 数据中心冷站的智能优化控制系统 |
| US20200218999A1 (en) * | 2017-10-04 | 2020-07-09 | Prowler.Io Limited | Machine learning system |
| CN108053069A (zh) * | 2017-12-15 | 2018-05-18 | 南京工程学院 | 一种适用于多目标优化场景的综合能源系统运行调度方法 |
| CN109028481A (zh) * | 2018-08-10 | 2018-12-18 | 中国建筑科学研究院有限公司 | 一种空调系统的无人值守机房控制系统及方法 |
| CN111453619A (zh) * | 2019-01-18 | 2020-07-28 | 上海海事大学 | 一种自适应的岸桥运行机构智能监测与状态评估系统 |
| CN110571792A (zh) * | 2019-07-29 | 2019-12-13 | 中国电力科学研究院有限公司 | 一种电网调控系统运行状态的分析评估方法及系统 |
| WO2021051859A1 (zh) * | 2019-09-18 | 2021-03-25 | 上海海事大学 | 基于自适应遗传算法的无线传感器网络分簇路由方法 |
| CN112781184A (zh) * | 2019-11-11 | 2021-05-11 | 中国铁建电气化局集团有限公司 | 一种空调系统智能降耗方法和系统 |
| CN110805997A (zh) * | 2019-11-14 | 2020-02-18 | 中金新源（天津）科技有限公司 | 中央空调系统节能控制方法 |
| CN111612292A (zh) * | 2020-04-03 | 2020-09-01 | 贵州乌江水电开发有限责任公司 | 基于关键水位控制的梯级水电站调度控制系统及方法 |
| CN112152523A (zh) * | 2020-09-21 | 2020-12-29 | 武汉大学 | 一种基于nn/ga的直流电机节能调速方法 |
| CN112594904A (zh) * | 2020-12-16 | 2021-04-02 | 紫泉能源技术股份有限公司 | 一种制冷站节能优化控制系统 |
| CN112598189A (zh) * | 2020-12-29 | 2021-04-02 | 浙江工业大学 | 基于shade算法的多路径多目标应急物资配送路径选择方法 |
| CN112906966A (zh) * | 2021-02-22 | 2021-06-04 | 西安建筑科技大学 | 一种中央空调冷水机组负荷优化方法、系统、介质及设备 |
| CN114781875A (zh) * | 2022-04-25 | 2022-07-22 | 四川中电启明星信息技术有限公司 | 一种基于深度卷积网络的微电网经济运行状态评估方法 |
| WO2023219177A1 (en) * | 2022-05-10 | 2023-11-16 | Mitsubishi Electric Corporation | Integrated sensing and communications empowered by networked hybrid quantum-classical machine learning |
| CN114963414A (zh) * | 2022-06-08 | 2022-08-30 | 山东润一智能科技有限公司 | 基于ai数据分析的空调系统智能调控装置 |
| CN115186885A (zh) * | 2022-06-29 | 2022-10-14 | 山东大学 | 基于强化学习的综合能源系统能量优化调度方法及系统 |
| CN115688563A (zh) * | 2022-10-07 | 2023-02-03 | 华中科技大学 | 一种基于多智能体进化强化学习的加工参数优化方法 |
| CN116151644A (zh) * | 2022-10-25 | 2023-05-23 | 嘉兴学院 | 一种基于能源物联网的冷冻站评价系统及方法 |
| CN115796011A (zh) * | 2022-11-16 | 2023-03-14 | 四川大学 | 一种基于神经网络和遗传算法的储氢床传热性能优化方法 |
| CN115800330A (zh) * | 2022-12-19 | 2023-03-14 | 吉林省电力科学研究院有限公司 | 配电台区三相负荷自动调节装置的优化配置及调度方法 |
| CN116050752A (zh) * | 2022-12-28 | 2023-05-02 | 西安优迈智慧矿山研究院有限公司 | 基于数据驱动的神经网络代理辅助露天矿无人卡车调度方法 |
| CN116222008A (zh) * | 2022-12-30 | 2023-06-06 | 广州智业节能科技有限公司 | 一种冷站自动控制系统 |
| CN116048028A (zh) * | 2023-02-24 | 2023-05-02 | 大连理工大学 | 一种基于强化学习的工艺参数优化方法 |
| CN116415380A (zh) * | 2023-03-06 | 2023-07-11 | 中国电子科技集团公司第二十九研究所 | 一种基于自适应收敛的动态组网雷达天线配置方法 |
| CN116451737A (zh) * | 2023-04-25 | 2023-07-18 | 上海电力大学 | 一种基于强化学习的策略梯度改进粒子群的pg-w-pso方法 |
| CN116702611A (zh) * | 2023-06-08 | 2023-09-05 | 上海威派格智慧水务股份有限公司 | 一种基于遗传算法的泵组优化方法 |
| CN116719286A (zh) * | 2023-06-15 | 2023-09-08 | 华北电力大学 | 一种基于强化学习的超超临界机组协调控制系统自抗扰控制器参数智能在线优化方法 |
| CN116702633A (zh) * | 2023-08-08 | 2023-09-05 | 北京理工大学 | 一种基于多目标动态优化的异构弹群任务可靠性规划方法 |
| CN117170980A (zh) * | 2023-10-31 | 2023-12-05 | 苏州元脑智能科技有限公司 | 一种服务器硬件异常预警方法、装置、设备及存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| 梅海涛;华继学;王毅;文童;: "基于直觉模糊支配的混合多目标粒子群算法", 计算机科学, no. 01, 15 January 2017 (2017-01-15), pages 253 - 258 * |
| 王宪全;陈李刚;: "基于遗传算法和BP神经网络的信用风险测量模型", 哈尔滨工业大学学报(社会科学版), no. 05, 30 October 2006 (2006-10-30), pages 87 - 92 * |
| 路艳雪;赵超凡;吴晓锋;韩晓霞;: "基于改进的NSGA-Ⅱ多目标优化方法研究", 计算机应用研究, no. 06, 14 June 2017 (2017-06-14), pages 1733 - 1737 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117519054B (zh) | 2024-06-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20200301408A1 (en) | Model predictive maintenance system with degradation impact model | |
| CN108592352B (zh) | 水冷空调系统运行状态健康度的预测方法、装置及系统 | |
| US11604441B2 (en) | Automatic threshold selection of machine learning/deep learning model for anomaly detection of connected chillers | |
| US10700942B2 (en) | Building management system with predictive diagnostics | |
| US20200356087A1 (en) | Model predictive maintenance system with event or condition based performance | |
| US11859846B2 (en) | Cost savings from fault prediction and diagnosis | |
| US20230206091A1 (en) | Analysis system with machine learning based interpretation | |
| CN104595170A (zh) | 一种自适应核高斯混合模型的空压机监控诊断系统及方法 | |
| WO2021026370A1 (en) | Model predictive maintenance system with degradation impact model | |
| US11953894B2 (en) | Building management system with machine learning for detecting anomalies in vibration data sets | |
| US20220244682A1 (en) | Edge devices and gateways with machine learning for detecting anomalies in building equipment vibration data | |
| 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 | |
| CN117032120A (zh) | 集成一体式空压站智能云控制系统及控制方法 | |
| CN115730228A (zh) | 基于bp神经网络的中央空调能耗分析方法 | |
| CN117519054B (zh) | 一种高效冷站控制系统 | |
| US11635242B2 (en) | Monitoring method of cooling system and monitoring device thereof | |
| Li et al. | Improvement for energy efficiency and control characteristics in variable air volume system using in-situ sensor calibration method based on autoencoder | |
| US20230392846A1 (en) | Building system with automatic chiller anti-surge control | |
| KR20220057229A (ko) | 딥러닝 기반의 안전 진단 방법 및 컴퓨터 프로그램, 그 프로그램을 설치한 에너지저장장치(ess). | |
| CN117128162B (zh) | 智慧能源空压站节能控制系统及控制方法 | |
| CN118273969A (zh) | 基于绿色矿山通风风机运行智能调控系统 | |
| CN118089287B (zh) | 一种基于智能算法的冷水机能效优化系统 | |
| CN118089290B (zh) | 一种高效制冷循环系统及方法 | |
| CN117540330B (zh) | 基于自学习功能的配电柜系统 | |
| US20220197235A1 (en) | Building management system performance index |
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 |