CN117763955A

CN117763955A - 制冷系统设备建模方法及装置

Info

Publication number: CN117763955A
Application number: CN202311734079.6A
Authority: CN
Inventors: 童厚杰
Original assignee: Beijing Baidu Netcom Science and Technology Co Ltd
Current assignee: Beijing Baidu Netcom Science and Technology Co Ltd
Priority date: 2023-12-15
Filing date: 2023-12-15
Publication date: 2024-03-26

Abstract

本公开涉及深度学习、人工智能等人工智能技术领域，尤其涉及制冷系统设备建模方法及装置。具体实现方案为：以待预测设备的运行参数中的关键变量为自变量，并以待预测设备的运行状态为因变量，构建机理模型；将待预测设备的运行参数中的相关扰动变量作为输入，并将运行状态作为输出，构建神经网络模型；将机理模型的输出端和神经网络模型的输出端连接同一个输出节点，构建双塔模型；对机理模型和神经网络模型进行训练，得到训练后的双塔模型。本公开的双塔模型结合了机理建模和数据驱动建模的优势，不仅具备机理公式的兜底能力，也能通过对相关扰动变量的建模，适应不同场景和不同工况设备特性的改变，提升了双塔模型泛化性能的上限。

Description

制冷系统设备建模方法及装置

技术领域

本公开涉及深度学习、大数据等人工智能技术领域，尤其涉及制冷系统设备建模方法及装置。

背景技术

在大型建筑体的整体能耗中，制冷系统的能耗占比很大，并且可控设备大多存在于制冷系统中，因此制冷系统设备的优化控制是建筑体节能减排的关键，而优化控制离不开制冷系统设备子模型的构建。在制冷系统中，设备的运行状态和性能直接影响到整个系统的能耗、制冷效果及稳定性。因此，建立一个准确、可靠的设备模型对于优化系统性能、降低能耗及故障风险具有重要意义。

发明内容

本公开提供了一种制冷系统设备建模方法及装置、电子设备以及存储介质。

根据本公开的第一方面，提供了一种制冷系统设备建模方法，包括：

以待预测设备的运行参数中的关键变量为自变量，并以所述待预测设备的运行状态为因变量，构建机理模型；

将所述待预测设备的运行参数中的相关扰动变量作为输入，并将所述运行状态作为输出，构建神经网络模型；

将所述机理模型的输出端和所述神经网络模型的输出端连接同一个输出节点，构建以所述输出节点作为输出端的双塔模型；

对所述机理模型和所述神经网络模型进行训练，得到训练后的所述双塔模型。

根据本公开的第二方面，提供了一种制冷系统设备运行状态的预测方法，包括：

获取待预测设备的运行参数；

将所述运行参数输入通过上述技术方案中任意一项所述的制冷系统设备建模方法得到的双塔模型中，预测得到所述待预测设备的运行状态。

根据本公开的第三方面，提供了一种制冷系统设备建模装置，包括：

第一构建模块，被配置为以待预测设备的运行参数中的关键变量为自变量，并以所述待预测设备的运行状态为因变量，构建机理模型；

第二构建模块，被配置为将所述待预测设备的运行参数中的相关扰动变量作为输入，并将所述运行状态作为输出，构建神经网络模型；

第三构建模块，被配置为将所述机理模型的输出端和所述神经网络模型的输出端连接同一个输出节点，构建以所述输出节点作为输出端的双塔模型；

训练模块，被配置为对所述机理模型和所述神经网络模型进行训练，得到训练后的双塔模型。

根据本公开的第四方面，提供了一种制冷系统设备运行状态的预测装置，包括：

获取模块，被配置为获取待预测设备的运行参数；

预测模块，被配置为将所述运行参数输入通过上述技术方案中任意一项所述的制冷系统设备建模方法得到的双塔模型中，预测得到所述待预测设备的运行状态。

根据本公开的第五方面，提供了一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述技术方案中任一项所述的方法。

根据本公开的第六方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行上述技术方案中任一项所述的方法。

根据本公开的第七方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现上述技术方案中任一项所述的方法。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1是本公开实施例中的制冷系统设备建模方法的步骤示意图；

图2是本公开实施例中的双塔模型的结构示意图；

图3是本公开实施例中的制冷系统水泵相关变量热力图；

图4是本公开实施例中用于预测水泵流量的双塔模型的结构示意图；

图5是本公开实施例中的数据中心制冷系统结构示意图；

图6是本公开实施例中的自然冷却模式下的水泵特性曲线；

图7是本公开实施例中的预冷模式下的水泵特性曲线；

图8是本公开实施例中的制冷模式下的水泵特性曲线；

图9是本公开实施例中的制冷系统设备运行状态的预测方法的步骤示意图；

图10是本公开实施例中的制冷系统设备建模装置的原理框图；

图11是本公开实施例中的制冷系统设备运行状态的预测装置的原理框图；

图12是用来实现本公开实施例的制冷系统设备建模方法或制冷系统设备运行状态的预测方法的电子设备的框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

由于制冷系统子设备(如冷水机组、冷却塔、水泵等)特性复杂，现阶段针对子设备系统的建模主要有机理公式建模和数据驱动建模两种，但这两种方式均有明显的不足之处。其中，机理公式建模是根据对制冷系统子设备工作原理和过程的理解，通过建立数学方程来描述制冷系统的行为，这种建模方法需要开发者深入了解系统的运行机制和相关物理、化学原理。机理公式建模的优势是可解释性强，方便技术人员理解和分析。机理建模的缺陷主要包括：建立复杂，机理公式需要建立数学方程，对于复杂的系统来说，建立过程可能会比较繁琐；参数确定困难，机理公式中的参数需要根据实验数据进行确定，有时可能会出现难以确定的情况；更新和维护成本高，当系统发生改变或出现故障时，需要重新进行建模和调试，因此更新和维护成本较高。

数据驱动建模是基于历史数据建立模型的方法，通过分析历史数据来预测系统未来的运行状态。这种建模方法需要大量的历史数据作为支持，如果数据太少，比如只有一两天的运行数据则无法进行数据建模，并且数据建模需要使用各种数据分析和机器学习算法。数据驱动建模的优势是自动化程度高，能够自动从大量数据中提取特征和规律，可以减少人工干预和时间成本。数据驱动建模的缺陷主要包括：对数据质量要求高，数据驱动建模需要大量的高质量数据作为支持，如果数据存在偏差或噪声，会影响模型的精度和稳定性；对算法依赖强，数据驱动建模需要使用各种算法进行分析和预测，因此对算法的依赖较强；解释性弱，数据驱动建模是基于数据建立的模型，对于一些需要解释的场合来说，可能解释性较弱。

针对上述技术问题，本公开提供了一种制冷系统设备建模方法，如图1所示，包括：

步骤S101，以待预测设备的运行参数中的关键变量为自变量，并以待预测设备的运行状态为因变量，构建机理模型。

步骤S102，将待预测设备的运行参数中的相关扰动变量作为输入，并将运行状态作为输出，构建神经网络模型。

步骤S103，将机理模型的输出端和神经网络模型的输出端连接同一个输出节点，构建以输出节点作为输出端的双塔模型；其中，输出节点用于将机理模型的输出值和神经网络模型的输出值相加得到最终的预测值。

步骤S104，对机理模型和神经网络模型进行训练，得到训练后的双塔模型。

具体地，机理模型亦称为白箱模型，是指根据对象、生产过程的内部机制或者物质流的传递机理建立起来的精确数学模型，这种模型能够反映物理系统的本质规律和因果关系。在制冷系统设备中，以水泵这个设备为例，可以针对水泵构建机理模型，机理模型是频率-流量的线性表达式，例如在自然冷却模式的工况下，机理模型可以表示为：Q＝12.1×F-47.84，其中，Q表示水泵流量；F表示水泵频率。在不同项目中，影响设备特性的因素往往并不只有物理公式中的变量。比如，由设备机理可知，水泵的流量与水泵的频率成一次函数关系，但在实际运行过程中，影响水泵流量的因素除了频率之外，还有许多系统相关变量以及环境变量，例如，环境温度、环境湿度以及单元运行模式都会影响到水泵的流量，而机理模型无法考虑到这些影响因素。

神经网络模型属于数据驱动模型，亦称为黑箱模型。神经网络模型是基于数据分析和机器学习技术建立的模型。神经网络模型利用大量数据来训练和优化，能够挖掘出数据中的隐藏规律和模式，从而对物理系统进行建模和预测。神经网络模型的优点是可以利用大量的实际数据来提高模型的精度和泛化能力，但是需要对数据进行充分的处理和分析。本实施例中神经网络模型的输入是与水泵流量相关的影响因素，这些影响因素无法与水泵流量直接建立机理公式，但是可以利用神经网络模型可以自动从历史数据中提取特征和规律的特点进行神经网络建模，在预测过程中既可以考虑到相关扰动变量对水泵流量的影响，提升双塔模型的精度和稳定性，也可以减少人工干预和时间成本。

如图2所示，本公开实施例中的双塔模型主要包括机理塔(Mechanism tower)201和神经网络塔(NN tower)202两个部分：机理塔的主要任务是通过关键变量进行机理模型的构建；神经网络塔的主要任务是通过对除关键变量之外的相关扰动变量来对设备进行建模，通过机理模型和神经网络模型共同构建双塔模型。双塔模型的输出是基于机理模型的输出值和神经网络模型的输出值在输出节点203进行相加后的结果，由于关键变量的影响程度更高，可以将机理模型的输出权重调整更高，例如，在对机理模型的输出和神经网络模型的输出进行相加时，可以将机理模型的输出的权重设置为90％，神经网络模型的输出设置为10％。

根据图3的热力图可以得知，水泵流量与水泵频率、单元运行模式相关性最大(尤其是水泵频率)，水泵流量与环境变量(例如湿球温度、相对温度等)也有较大的相关程度，但是环境变量的影响较小。因此，如图4所示，可以将直接控制水泵流量的变量作为关键变量，例如通过水泵频率(关键变量还可以包括水泵开关状态)，建立线性回归关系作为机理模型401。将影响水泵运行状态，但不能直接控制水泵的变量作为相关扰动变量，例如通过湿球温度、相对温度、单元运行模式(不限于上述变量，还可以包括水泵运行时间、水泵运行温度、液体介质的类型等变量)建立神经网络模型402，得到双塔模型。在双塔模型进行预测时，将水泵频率输入机理模型401，并将湿球温度、相对温度、单元运行模式输入神经网络模型402，最终通过第二输出节点403将机理模型401的输出值和神经网络模型402的输出值相加，得到双塔模型最终输出的水泵流量。双塔模型在预测时，不仅考虑到关键变量，也会考虑到影响其它影响因素，预测的精度更高。

本公开中通过机理模型和神经网络模型共同构建的双塔模型，兼并了机理模型和神经网络模型的优点，既保留了机理模型解释性强的优势，又结合神经网络模型提升了双塔模型的精度和适应性，当系统发生改变或出现故障时，不需要重新进行建模和调试，更新和维护成本较低。

作为可选的实施方式，步骤S101，以待预测设备的运行参数中的关键变量为自变量，并以待预测设备的运行状态为因变量，构建机理模型包括：

以关键变量为自变量，并以运行状态为因变量，构建关键变量和运行状态之间的线性回归关系，作为机理模型。

示例性地，在预测水泵流量时，可以将水泵频率作为关键变量，构建水泵流量和水泵频率之间的机理公式。需要说明的是，本公开不仅可以预测水泵流量，也可以预测水泵的功率等等运行状态或设备性能，例如，也可以根据水泵流量和水泵功率之间的线性关系构建机理模型，在不同的应用场景下，根据不同参数之间的线性关系构建机理模型即可。

以图5某数据中心的制冷系统为例，一个完整的制冷系统包括冷冻侧和冷却侧：冷冻侧有冷冻泵(图5中包括冷冻水一次泵F1、冷冻水二次泵F2、冷水机组501、板式换热器502、蓄冷罐503等设备；冷却侧有冷却塔504、冷却水泵F3等设备。其中，冷却侧用于帮助冷水机组501或者板式换热器502实现降低冷冻水温的功能。由上述系统可知，制冷一次侧待建模的设备包括各水泵、冷却塔、冷水机组、板式换热器等设备，这些设备均有其对应的物理模型。下面以水泵为例，理论上水泵流量与水泵频率呈线性关系，但在不同的工况下线性关系也有所不同。下面以图5所示数据中心制冷系统中的数据为例进行分析。

(1)在自然冷却模式的工况下：

自然冷却模式又称板换模式，如图5所示，系统不开启冷水机组501，仅靠板式换热器502降低冷冻水温的模式。

水泵流量与水泵频率之间的拟合函数表达式可以表示为：

Q＝12.1×F-47.84

其中，Q表示水泵流量；F表示水泵频率。

拟合精度为：

R2：97.11％

MAPE：0.74％

自然冷却模式下水泵的特性曲线如图6所示，水泵频率和流量真实值、流量拟合值的关系也通过表1表示为：

表1

(2)在预冷模式的工况下：

如图5所示，预冷模式为冷水机组501和板式换热器502同时使用的模式，即冷冻水先经过板换降温，再经过冷机降温。

水泵流量与水泵频率之间的拟合函数表达式：

Q＝9.5×F-35.85

其中，Q表示水泵流量；F表示水泵频率。

拟合精度：

R2：98.01％

MAPE：1％

预冷模式下水泵的特性曲线如图7所示，水泵频率和流量真实值、流量拟合值的关系也通过表2表示为：

频率(Hz)	流量拟合值(m^3/h)	流量真实值(m^3/h)
			24	192.15	190.01
26	211.15	210.15
			28	230.12	233.02

表2

(3)在制冷模式的工况下：

如图5所示，制冷模式为由冷水机组501单独供冷的模式。

水泵流量与水泵频率之间的拟合函数表达式：

Q＝9.29×F-15.67

其中，Q表示水泵流量；F表示水泵频率。

拟合精度：

R2：95.49％

MAPE：1.1％

制冷模式下水泵的特性曲线如图8所示，水泵频率和流量真实值、流量拟合值的关系也通过表3表示为：

频率(Hz)	流量拟合值(m^3/h)	流量真实值(m^3/h)
			24	207.29	208.11
26	225.87	227.61
			28	244.45	240.19

表3

本实施例中通过关键变量对水泵进行机理建模，可以增强模型的解释性，机理建模的部分可以更好地解释设备的工作原理和性能表现，这有助于技术人员更好地理解设备，从而进行更有效的优化和维护。

作为可选的实施方式，步骤S102，将待预测设备的运行参数中的相关扰动变量作为输入，并将运行状态作为输出，构建神经网络模型包括：

获取待预测设备的历史运行数据。

从历史运行数据中提取一个或多个相关扰动变量作为输入数据集。

从历史运行数据中提取运行状态作为输出数据集。

确定神经网络模型的类型。

设置神经网络模型的超参数；其中，超参数包括但不限于学习率、迭代次数、神经网络层数、每一层的神经元数、优化器、损失函数等等。

在上述机理建模部分，对水泵数据的拟合分析可得知，当冷冻单元处于不同的运行模式时，水泵运行特性会有较大的差异，具体表现为在不同的工况下，水泵流量-水泵频率对应的特性曲线也不同，也就是说，在不同工况下，机理公式也是不同的，所以，仅通过机理公式建模无法考虑到其它因素对水泵流量的影响。如果要对水泵特性进行准确建模，除了水泵频率之外，还需要考虑其它相关变量对水泵流量的影响。因此，本实施例中利用与水泵流量相关的其它影响因素进行神经网络建模，这些影响因素无法与水泵流量直接建立机理公式，但是可以利用神经网络模型可以自动从历史数据中提取特征和规律的特点进行神经网络建模，在预测过程中既可以考虑到相关扰动变量对水泵流量的影响，提升双塔模型的精度和稳定性，也可以减少人工干预和时间成本。

具体地，本实施例中的神经网络模型的类型可以采用DNN(Deep NeuralNetworks，深度神经网络)，克服人工设计特征费时、费力的缺点。本实施例中可以确定湿球温度、相对温度、单元运行模式这三个相关扰动变量作为DNN模型的输入，将水泵流量作为DNN模型的输出。构建模型需要选择合适的神经网络层(本实施例为3层)和激活函数，并设置学习率、批大小、迭代次数等超参数。神经网络模型的网络参数可如表4设置：

表4

在机理模型的基础上结合了神经网络模型的优点，双塔模型可以更好地适应各种不同场景的数据以及不同类型的设备，因为它的建模过程是基于设备的关键变量和相关扰动变量进行的，可以提升模型的精度和稳定性。

作为可选的实施方式，设置神经网络模型的学习率时，将神经网络模型的学习率设置为大于对机理模型的学习率。因为机理模型通常比神经网络模型参数要少很多，而整个双塔模型是一起训练的，所以机理模型拟合快，神经网络模型拟合的慢，所以要把机理模型这一部分的学习率设置小一点，神经网络模型的学习率设置大一点，提升双塔模型的整体收敛速度。

作为可选的实施方式，步骤S103，对机理模型和神经网络模型进行训练之前，还包括：

对神经网络模型进行正则化处理。

本实施例中对图2右侧的神经网络模型进行正则化处理，是因为神经网络模型的输入变量是相关扰动变量，正则化处理可以避免扰动因素成为预测的主导变量。在构建神经网络模型之后，并在对机理模型和神经网络模型进行训练得到双塔模型之前，针对神经网络模型的各层进行正则化处理，正则化的本质就是对模型参数进行限制，防止模型过拟合，神经网络模型容易过拟合，所以对神经网络模型进行正则化处理。

作为可选的实施方式，步骤S103，对机理模型和神经网络模型进行训练，得到训练后的双塔模型包括：

将关键变量对应的第一训练样本输入机理模型，并将相关扰动变量对应的第二训练样本输入所述神经网络模型，对机理模型和神经网络模型同时进行训练，得到双塔模型。

示例性地，当预测水泵流量时，关键变量可以是水泵频率，那么可以获取历史运行数据中的水泵频率作为第一训练样本；相关扰动变量为湿球温度、相对温度、单元运行模式，可以获取历史运行数据中的湿球温度、相对温度、单元运行模式相关数据作为第二训练样本，将第一训练样本和第二训练样本分别输入机理模型、神经网络模型，对两个模型进行整体训练，得到最终的双塔模型。

需要说明的是，关键变量和相关扰动变量都是可以改变的，本公开的核心在于，针对影响待预测变量的关键变量进行机理建模，而对于对待预测变量影响较小的相关扰动变量进行神经网络建模(即数据驱动建模)，对机理模型和神经网络模型输入对应的训练样本进行训练得到双塔模型，可以提升双塔模型预测的准确率。

本公开针对该技术方案进行了相关实验，使用几类常用的预测算子对制冷设备进行建模，并对比实验结果。实验配置如下：

数据来源：某数据中心项目

数据周期：12个月

预测算子：

(1)机理模型

(2)xgboost模型(树模型)

(3)DNN模型

(4)双塔模型(DTM)

预测评价指标：R2/MAPE

R2(R-squared)：一个统计量，用于衡量回归模型对因变量的拟合程度，即模型解释的方差比例。它的取值范围在0到1之间，越接近1表示模型对观测数据的拟合越好，越接近0表示拟合效果较差。

R2的计算方式如下：R2＝1-(SSR/SST)

其中，SSR(Sum of Squares of Residuals)表示残差平方和，即预测值与实际值之间的差异的平方和；SST(Total Sum of Squares)表示总平方和，即实际值与均值之间的差异的平方和。R2值越高，表示模型能够解释观测数据的方差越多。

MAPE(Mean Absolute Percentage Error)：一种常用的回归模型评估指标，用于衡量预测值与实际值之间的平均百分比误差。它度量了模型预测值相对于实际值的平均相对误差的大小。

MAPE的计算方式如下：MAPE＝(1/n)*Σ(|(Y_actual-Y_predicted)/Y_actual|)*100

其中，Y_actual表示实际值，Y_predicted表示预测值，n表示样本数量。MAPE的值越小，表示模型的预测误差越小。

对比纬度：

泛化能力：训练集和验证集主要特征的取值处于不同区间，统计验证集的预测指标。

①水泵模型

表5

*range_train表示训练数据中，主要特征的取值范围；

*range_valid表示验证数据中，主要特征的取值范围。

如表5所示各预测算子的实验比对数据，得到结论：

*在整体泛化性能层面，DNN模型与机理模型>xgboost模型。

*在只有极少量数据，并且输入特征包含除水泵频率外的其它特征时，参考上表中训练/验证(5％/95％)的结果：深度模型的泛化能力优于机理模型与树模型，泛化性能DTM>DNN。

②冷却塔模型

表6

如表6所示各预测算子的实验比对数据，得到结论：

*在整体泛化性能层面，DNN模型与机理模型>xgboost模型。

*在只有极少量数据，并且输入特征包含除主要特征外的其他特征时，参考上表中训练/验证(5％/95％)的结果：泛化性能DTM>DNN&机理模型。

综合上述实验结果，可以看到本公开提出的双塔结构在实际的预测指标评判上，优于现有预测算子。本公开的双塔模型结合了机理建模和数据驱动建模的优势，不仅具备机理公式的兜底能力，也能通过对相关扰动变量的建模，适应不同场景和不同工况设备特性的改变，从而提升双塔模型泛化性能的上限。该双塔模型能够更好地理解和预测制冷系统、暖通设备的性能，更准确地模拟设备的运行状态和响应特性。基于真实数据的对比实验结果也验证了双塔模型的可行性和鲁棒性。这对于建筑暖通场景制冷设备的优化控制、故障预防和维护、以及能效管理等方面都具有重要的指导意义。

本公开还提供了一种制冷系统设备运行状态的预测方法，如图9所示，包括：

步骤S901，获取待预测设备的运行参数。

步骤S901，将运行参数输入通过上述任意一个实施例中的制冷系统设备建模方法得到的双塔模型中，预测得到待预测设备的运行状态。

具体地，双塔模型包括机理模型和神经网络模型两个部分，可以将运行参数中的关键变量输入机理模型，将关键变量以外的相关扰动变量输入神经网络模型，将机理模型和神经网络模型输出的结果相加，最终通过双塔模型输出待预测设备的运行状态。例如，将关键变量(例如水泵频率)输入机理模型，将相关扰动变量(湿球温度、相对温度、单元运行模式等)输入神经网络模型，最终通过双塔模型输出水泵的流量。本公开的双塔模型结合了机理模型和神经网络模型的优势，不仅具备机理公式的兜底能力，也能通过对相关扰动变量的数据建模，适应不同场景和不同工况设备特性的改变，提升了模型预测的准确率。

本公开还提供了一种制冷系统设备建模装置1000，如图10所示，包括：

第一构建模块1001，被配置为以待预测设备的运行参数中的关键变量为自变量，并以待预测设备的运行状态为因变量，构建机理模型。

第二构建模块1002，被配置为将待预测设备的运行参数中的相关扰动变量作为输入，并将运行状态作为输出，构建神经网络模型。

第三构建模块1003，被配置为将机理模型的输出端和神经网络模型的输出端连接同一个输出节点，构建以输出节点作为输出端的双塔模型；其中，输出节点用于将机理模型的输出值和神经网络模型的输出值相加得到最终的预测值。

训练模块1004，被配置为对机理模型和神经网络模型进行训练，得到训练后的双塔模型。

具体地，机理模型亦称为白箱模型，是指根据对象、生产过程的内部机制或者物质流的传递机理建立起来的精确数学模型，这种模型能够反映物理系统的本质规律和因果关系。在制冷系统设备中，以水泵这个设备为例，可以针对水泵构建机理模型，机理模型是频率-流量的线性表达式，例如上文提到在自然冷却模式的工况下，机理模型可以表示为：Q＝12.1×F-47.84，其中，Q表示水泵流量；F表示水泵频率。在不同项目中，影响设备特性的因素往往并不只有物理公式中的变量。比如，由设备机理可知，水泵的流量与水泵的频率成一次函数关系，但在实际运行过程中，影响水泵流量的因素除了频率之外，还有许多系统相关变量以及环境变量，例如，环境温度、环境湿度以及单元运行模式都会影响到水泵的流量，而机理模型无法考虑到这些影响因素。

如图2所示，本公开实施例中的双塔模型主要包括机理塔201和神经网络塔202两个部分：机理塔的主要任务是通过关键变量进行机理模型的构建；神经网络塔的主要任务是通过对除关键变量之外的相关扰动变量来对设备进行建模，通过机理模型和神经网络模型共同构建双塔模型。双塔模型的输出是基于机理模型的输出值和神经网络模型的输出值在输出节点203进行相加后的结果，由于关键变量的影响程度更高，可以将机理模型的输出权重调整更高，例如，在对机理模型的输出和神经网络模型的输出进行相加时，可以将机理模型的输出的权重设置为90％，神经网络模型的输出设置为10％。

根据图3的热力图可以得知，水泵流量与水泵频率、单元运行模式相关性最大(尤其是水泵频率)，水泵流量与环境变量(例如湿球温度、相对温度等)也有较大的相关程度，但是环境变量的影响较小。因此，如图4所示，可以将直接控制水泵流量的变量作为关键变量，例如通过水泵频率(关键变量还可以包括水泵开关状态)，建立线性回归关系作为机理模型401。将影响水泵运行状态，但不能直接控制水泵的变量作为相关扰动变量，例如通过湿球温度、相对温度、单元运行模式(不限于上述变量，还可以包括水泵运行时间、水泵运行温度、液体介质的类型等变量)建立神经网络模型402，得到双塔模型。在双塔模型进行预测时，将水泵频率输入机理模型401，并将湿球温度、相对温度、单元运行模式输入神经网络模型402，最终预测得到同一个输出，即水泵流量。

作为可选的实施方式，第一构建模块1001以待预测设备的运行参数中的关键变量为自变量，并以待预测设备的运行状态为因变量，构建机理模型包括：

示例性地，在预测水泵流量时，可以将水泵频率作为关键变量，构建水泵流量和水泵频率之间的机理公式。需要说明的是，本公开不仅可以预测水泵流量，也可以预测水泵的功率等等运行状态或设备性能，例如，也可以根据水泵流量和水泵功率之间的线性关系构建机理模型，在不同的应用场景下，根据不同参数之间的线性关系构建机理模型即可。在上文中以图5所示的数据中心制冷系统的数据为例，可以针对不同工况下的水泵运行状态进行建模，建立水泵流量与水泵频率之间的拟合函数表达式，以下不再赘述。

作为可选的实施方式，第二构建模块1002包括：

获取单元，被配置为获取待预测设备的历史运行数据。

第一提取单元，被配置为从历史运行数据中提取一个或多个相关扰动变量作为输入数据集。

第二提取单元，被配置为从历史运行数据中提取运行状态作为输出数据集。

确定单元，被配置为确定神经网络模型的类型。

设置单元，被配置为设置神经网络模型的超参数；其中，超参数包括但不限于学习率、迭代次数、神经网络层数、每一层的神经元数、优化器、损失函数等等。

具体地，本实施例中的神经网络模型的类型可以采用DNN模型。本实施例中可以确定湿球温度、相对温度、单元运行模式这三个相关扰动变量作为DNN模型的输入，将水泵流量作为DNN模型的输出。构建模型需要选择合适的神经网络层(本实施例为3层)和激活函数，并设置合适的学习率等超参数。神经网络模型的网络参数可如表4设置，以下不再赘述。

作为可选的实施方式，设置单元设置神经网络模型的学习率时，将神经网络模型的学习率设置为大于对机理模型的学习率。因为机理模型通常比神经网络模型参数要少很多，而整个双塔模型是一起训练的，所以机理模型拟合快，神经网络模型拟合的慢，所以要把机理模型这一部分的学习率设置小一点，神经网络模型的学习率设置大一点，提升双塔模型的整体收敛速度。

作为可选的实施方式，训练模块1004对机理模型和神经网络模型进行训练之前，还包括：

对神经网络模型进行正则化处理。

作为可选的实施方式，训练模块1004对机理模型和神经网络模型进行训练，得到训练后的双塔模型包括：

将关键变量对应的第一训练样本输入机理模型，并将相关扰动变量对应的第二训练样本输入神经网络模型，对机理模型和神经网络模型同时进行训练，得到双塔模型。

需要说明的是，关键变量和相关扰动变量都是可以改变的，本公开的核心在于，针对影响待预测变量的关键变量进行机理建模，而对于对待预测变量影响较小的相关扰动变量进行神经网络建模(即数据驱动建模)，可以提升双塔模型预测的准确率。

本公开还提供了一种制冷系统设备运行状态的预测装置1100，如图11所示，包括：

获取模块1101，被配置为获取待预测设备的运行参数。

预测模块1102，被配置为将运行参数输入通过上述任意一个实施例中所述的制冷系统设备建模方法得到的双塔模型中，预测得到待预测设备的运行状态。

具体地，双塔模型包括机理模型和神经网络模型两个部分，可以将运行参数中的关键变量输入机理模型，将关键变量以外的相关扰动变量输入神经网络模型，将机理模型和神经网络模型输出的结果相加，最终通过双塔模型输出待预测设备的运行状态。例如，将关键变量(例如水泵频率)输入机理模型，将相关扰动变量(湿球温度、相对温度、单元运行模式等)输入神经网络模型，最终通过双塔模型输出水泵的流量。本公开的双塔模型结合了机理模型和神经网络模型的优势，提升了模型预测的准确率。

本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图12示出了可以用来实施本公开的实施例的示例电子设备1200的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图12所示，设备1200包括计算单元1201，其可以根据存储在只读存储器(ROM)1202中的计算机程序或者从存储单元1208加载到随机访问存储器(RAM)1203中的计算机程序，来执行各种适当的动作和处理。在RAM 1203中，还可存储设备1200操作所需的各种程序和数据。计算单元1201、ROM 1202以及RAM1203通过总线1204彼此相连。输入/输出(I/O)接口1205也连接至总线1204。

设备1200中的多个部件连接至I/O接口1205，包括：输入单元1206，例如键盘、鼠标等；输出单元1207，例如各种类型的显示器、扬声器等；存储单元1208，例如磁盘、光盘等；以及通信单元1209，例如网卡、调制解调器、无线通信收发机等。通信单元1209允许设备1200通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元1201可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1201的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习目标函数算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元1201执行上文所描述的各个方法和处理，例如制冷系统设备建模方法。例如，在一些实施例中，制冷系统设备建模方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元1208。在一些实施例中，计算机程序的部分或者全部可以经由ROM 1202和/或通信单元1209而被载入和/或安装到设备1200上。当计算机程序加载到RAM1203并由计算单元1201执行时，可以执行上文描述的制冷系统设备建模方法的一个或多个步骤。备选地，在其他实施例中，计算单元1201可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行制冷系统设备建模方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims

1.一种制冷系统设备建模方法，包括：

2.根据权利要求1所述的方法，其中，所述以待预测设备的运行参数中的关键变量为自变量，并以所述待预测设备的运行状态为因变量，构建机理模型包括：

以所述关键变量为自变量，并以所述运行状态为因变量，构建所述关键变量和所述运行状态之间的线性回归关系，作为所述机理模型。

3.根据权利要求1所述的方法，其中，所述将所述待预测设备的运行参数中的相关扰动变量作为输入，并将所述运行状态作为输出，构建神经网络模型包括：

获取所述待预测设备的历史运行数据；

从所述历史运行数据中提取一个或多个所述相关扰动变量作为输入数据集；

从所述历史运行数据中提取所述运行状态作为输出数据集。

4.根据权利要求1或3所述的方法，其中，所述将所述待预测设备的运行参数中的相关扰动变量作为输入，并将所述运行状态作为输出，构建神经网络模型，还包括：

确定所述神经网络模型的类型；

设置所述神经网络模型的超参数。

5.根据权利要求4所述的方法，其中，所述超参数包括学习率；所述设置所述神经网络模型的超参数包括：

将所述神经网络模型的学习率设置为大于对所述机理模型的学习率。

6.根据权利要求1-5中任意一项所述的方法，其中，所述对所述机理模型和所述神经网络模型进行训练之前，还包括：

对所述神经网络模型进行正则化处理。

7.根据权利要求1所述的方法，其中，对所述机理模型和所述神经网络模型进行训练，得到训练后的所述双塔模型包括：

将所述关键变量对应的第一训练样本输入所述机理模型，并将所述相关扰动变量对应的第二训练样本输入所述神经网络模型，对所述机理模型和所述神经网络模型同时进行训练，得到所述双塔模型。

8.根据权利要求1所述的方法，其中，当所述待预测设备为制冷系统中的水泵，所述关键变量包括水泵频率、水泵开关状态中的一项或多项；所述相关扰动变量包括单元运行模式、环境温度、环境湿度中的一项或多项。

9.一种制冷系统设备运行状态的预测方法，包括：

获取待预测设备的运行参数；

将所述运行参数输入通过权利要求1-8中任意一项所述的制冷系统设备建模方法得到的双塔模型中，预测得到所述待预测设备的运行状态。

10.一种制冷系统设备建模装置，包括：

训练模块，被配置为对所述机理模型和所述神经网络模型进行训练，得到训练后的所述双塔模型。

11.根据权利要求10所述的装置，其中，所述第一构建模块以待预测设备的运行参数中的关键变量为自变量，并以所述待预测设备的运行状态为因变量，构建机理模型包括：

12.根据权利要求10所述的装置，其中，所述第二构建模块包括：

获取单元，被配置为获取所述待预测设备的历史运行数据；

第一提取单元，被配置为从所述历史运行数据中提取一个或多个所述相关扰动变量作为输入数据集；

第二提取单元，被配置为从所述历史运行数据中提取所述运行状态作为输出数据集。

13.根据权利要求10或12所述的装置，其中，所述第二构建模块，还包括：

确定单元，被配置为确定所述神经网络模型的类型；

设置单元，被配置为设置所述神经网络模型的超参数。

14.根据权利要求13所述的装置，其中，所述超参数包括学习率；所述设置单元设置所述神经网络模型的超参数包括：

15.根据权利要求10-14中任意一项所述的装置，其中，所述训练模块对所述机理模型和所述神经网络模型进行训练之前，还包括：

对所述神经网络模型进行正则化处理。

16.根据权利要求10所述的装置，其中，所述训练模块对所述机理模型和所述神经网络模型进行训练，得到训练后的所述双塔模型包括：

17.根据权利要求10所述的装置，其中，当所述待预测设备为制冷系统中的水泵，所述关键变量包括水泵频率、水泵开关状态中的一项或多项；所述相关扰动变量包括单元运行模式、环境温度、环境湿度中的一项或多项。

18.一种制冷系统设备运行状态的预测装置，包括：

获取模块，被配置为获取待预测设备的运行参数；

预测模块，被配置为将所述运行参数输入通过权利要求1-8中任意一项所述的制冷系统设备建模方法得到的双塔模型中，预测得到所述待预测设备的运行状态。

19.一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-9中任一项所述的方法。

20.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-9中任一项所述的方法。

21.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-9中任一项所述的方法。