CN110542178A - 具有自学习能力的空调冷冻机房控制方法及*** - Google Patents
具有自学习能力的空调冷冻机房控制方法及*** Download PDFInfo
- Publication number
- CN110542178A CN110542178A CN201910824180.8A CN201910824180A CN110542178A CN 110542178 A CN110542178 A CN 110542178A CN 201910824180 A CN201910824180 A CN 201910824180A CN 110542178 A CN110542178 A CN 110542178A
- Authority
- CN
- China
- Prior art keywords
- condition parameter
- group
- operating condition
- cop efficiency
- operation condition
- 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
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/50—Control or safety arrangements characterised by user interfaces or communication
- F24F11/54—Control or safety arrangements characterised by user interfaces or communication using one central controller connected to several sub-controllers
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/89—Arrangement or mounting of control or safety devices
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mechanical Engineering (AREA)
- Theoretical Computer Science (AREA)
- Combustion & Propulsion (AREA)
- Chemical & Material Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Human Computer Interaction (AREA)
- Automation & Control Theory (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明的目的是提供一种具有自学习能力的空调冷冻机房控制方法及***,本发明通过COP效率预测模型和获取运行工况参数组的选中概率值,可以根据空调冷冻机房的现场实际工况自学习地动态调整输入参数,寻找对***整体COP效率最大化对应的运行工况参数组,实现更优于传统冷机群控***控制方式所能达到的节能效果。
Description
技术领域
本发明涉及计算机领域,尤其涉及一种具有自学习能力的空调冷冻机房控制方法及***。
背景技术
传统的机房群控***的均由单个设备的标准化程序控制,不考虑机房整体的效率和节能,缺乏机房***的整体数据模型;而且传统算法对于温度,压力,流量等多个环境变量的耦合关系无法进行定量建模分析,进而也无法找到机房整体***的节能模型,群控***仅仅是针对主要的冷机,水泵,冷却塔等设备进行顺序启停等基本操作,无法精细化调整机房各参数,节能效果往往很不理想。
发明内容
本发明的一个目的是提供一种具有自学习能力的空调冷冻机房控制方法及***。
根据本发明的一个方面,提供了一种具有自学习能力的空调冷冻机房控制方法,该方法包括:
步骤S1,采集空调冷冻机房的设备的运行工况参数组放入数据库,其中,每组运行工况参数组包括空调冷冻机房的主机、水泵、冷却塔、电动阀和传感器的温度、流量、压力和电流数据;
步骤S2,将所述数据库中的运行工况参数组分为两部分,一部分作为训练参数集,另一部分作为验证参数集;
步骤S3,通过预设的神经网络算法基于所述训练参数集进行训练,以得到COP效率预测模型,其中,所述COP效率预测模型的公式如下:
其中,a表示COP效率,r表示训练参数集中运行工况参数组的组数,ui表示训练参数集中第i组运行工况参数组,wi表示训练参数集中第i组运行工况参数组对应的权重,b表示偏置量;
步骤S4,基于如下公式对所述COP效率预测模型进行评估:
其中,n表示验证参数集中运行工况参数组的组数,ai表示验证参数集中第i组运行工况参数组通过所述COP效率预测模型计算得到的COP效率预测值,ti表示验证参数集中第i组运行工况参数组的COP效率实际值,表示n个COP效率预测值的平均值的绝对值;
步骤S5,若MSE大于等于0.01,R大于等于0.1,重复调整所述COP效率模型中的wi和b的值,直到MSE小于0.01,R小于于0.1;
步骤S6,将所述训练参数集和验证参数集作为集合Q,从所述集合Q中寻找COP效率最优时对应的运行工况参数组,将此运行工况参数组作为t时刻的输入参数下载到空调冷冻机房的相关执行机构进行执行后,获取t时刻的输入参数执行后的对应的COP效率实际值;
步骤S7,使用O-U过程探索获取多组随机探索到的运行工况参数组;
步骤S8,通过所述COP效率预测模型计算各组随机探索到的运行工况参数组的COP效率预测值;
步骤S9,从所述各组随机探索到的运行工况参数组中,获取COP效率预测值最高的对应一组随机探索到的运行工况参数组,作为运行工况参数组A;
步骤S10,将此运行工况参数组A组作为t+1时刻的输入参数下载到空调冷冻机房的相关执行机构进行执行后,获取t+1时刻的输入参数执行后的对应的COP效率实际值;
步骤S11,将t时刻的COP效率实际值与t+1时刻的COP效率实际值进行比较,
步骤S12,若t+1时刻的COP效率实际值大于等于t时刻的COP效率实际值,则判断所述集合Q中是否有所述运行工况参数组A,若所述集合Q中无所述运行工况参数组A,将所述运行工况参数组A加入所述集合Q,并增加所述集合Q中运行工况参数组A的选中概率值;若所述集合Q中有所述运行工况参数组A,则增加所述集合Q中运行工况参数组A的选中概率值;
步骤S13,若t+1时刻的COP效率实际值小于t时刻的COP效率实际值,则判断所述集合Q中是否有所述运行工况参数组A,若所述集合Q中无所述运行工况参数组A,将所述运行工况参数组A加入所述集合Q,并减小所述集合Q中运行工况参数组A的选中概率值;若所述集合Q中有所述运行工况参数组A,则减小所述集合Q中运行工况参数组A的选中概率值;
步骤S14,将t+1时刻作为新的t时刻后,循环依次执行步骤S7~步骤S14,直至循环超过预设时间阈值;
步骤S15,循环超过预设时间阈值后,从所述集合Q获取选中概率值最高的对应运行工况参数组B,将此运行工况参数组B作为输入参数下载到空调冷冻机房的相关执行机构进行执行。
根据本发明的另一方面,还提供了一种具有自学习能力的空调冷冻机房控制***,其中,该***包括:
第一装置,用于采集空调冷冻机房的设备的运行工况参数组放入数据库,其中,每组运行工况参数组包括空调冷冻机房的主机、水泵、冷却塔、电动阀和传感器的温度、流量、压力和电流数据;
第二装置,用于将所述数据库中的运行工况参数组分为两部分,一部分作为训练参数集,另一部分作为验证参数集;
第三装置,用于通过预设的神经网络算法基于所述训练参数集进行训练,以得到COP效率预测模型,其中,所述COP效率预测模型的公式如下:
其中,a表示COP效率,r表示训练参数集中运行工况参数组的组数,ui表示训练参数集中第i组运行工况参数组,wi表示训练参数集中第i组运行工况参数组对应的权重,b表示偏置量;
第四装置,用于基于如下公式对所述COP效率预测模型进行评估:
其中,n表示验证参数集中运行工况参数组的组数,ai表示验证参数集中第i组运行工况参数组通过所述COP效率预测模型计算得到的COP效率预测值,ti表示验证参数集中第i组运行工况参数组的COP效率实际值,表示n个COP效率预测值的平均值的绝对值;
第五装置,用于若MSE大于等于0.01,R大于等于0.1,重复调整所述COP效率模型中的wi和b的值,直到MSE小于0.01,R小于于0.1;
第六装置,用于将所述训练参数集和验证参数集作为集合Q,从所述集合Q中寻找COP效率最优时对应的运行工况参数组,将此运行工况参数组作为t时刻的输入参数下载到空调冷冻机房的相关执行机构进行执行后,获取t时刻的输入参数执行后的对应的COP效率实际值;
第七装置,用于使用O-U过程探索获取多组随机探索到的运行工况参数组;
第八装置,用于通过所述COP效率预测模型计算各组随机探索到的运行工况参数组的COP效率预测值;
第九装置,用于从所述各组随机探索到的运行工况参数组中,获取COP效率预测值最高的对应一组随机探索到的运行工况参数组,作为运行工况参数组A;
第十装置,用于将此运行工况参数组A组作为t+1时刻的输入参数下载到空调冷冻机房的相关执行机构进行执行后,获取t+1时刻的输入参数执行后的对应的COP效率实际值;
第十一装置,用于将t时刻的COP效率实际值与t+1时刻的COP效率实际值进行比较,
第十二装置,用于若t+1时刻的COP效率实际值大于等于t时刻的COP效率实际值,则判断所述集合Q中是否有所述运行工况参数组A,若所述集合Q中无所述运行工况参数组A,将所述运行工况参数组A加入所述集合Q,并增加所述集合Q中运行工况参数组A的选中概率值;若所述集合Q中有所述运行工况参数组A,则增加所述集合Q中运行工况参数组A的选中概率值;
第十三装置,用于若t+1时刻的COP效率实际值小于t时刻的COP效率实际值,则判断所述集合Q中是否有所述运行工况参数组A,若所述集合Q中无所述运行工况参数组A,将所述运行工况参数组A加入所述集合Q,并减小所述集合Q中运行工况参数组A的选中概率值;若所述集合Q中有所述运行工况参数组A,则减小所述集合Q中运行工况参数组A的选中概率值;
第十四装置,用于将t+1时刻作为新的t时刻后,循环依次执行第七装置~第十四装置,直至循环超过预设时间阈值;
第十五装置,用于循环超过预设时间阈值后,从所述集合Q获取选中概率值最高的对应运行工况参数组B,将此运行工况参数组B作为输入参数下载到空调冷冻机房的相关执行机构进行执行。
根据本发明的另一方面,还提供了一种基于计算的设备,其中,包括:
处理器;以及
被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器:
步骤S1,采集空调冷冻机房的设备的运行工况参数组放入数据库,其中,每组运行工况参数组包括空调冷冻机房的主机、水泵、冷却塔、电动阀和传感器的温度、流量、压力和电流数据;
步骤S2,将所述数据库中的运行工况参数组分为两部分,一部分作为训练参数集,另一部分作为验证参数集;
步骤S3,通过预设的神经网络算法基于所述训练参数集进行训练,以得到COP效率预测模型,其中,所述COP效率预测模型的公式如下:
其中,a表示COP效率,r表示训练参数集中运行工况参数组的组数,ui表示训练参数集中第i组运行工况参数组,wi表示训练参数集中第i组运行工况参数组对应的权重,b表示偏置量;
步骤S4,基于如下公式对所述COP效率预测模型进行评估:
其中,n表示验证参数集中运行工况参数组的组数,ai表示验证参数集中第i组运行工况参数组通过所述COP效率预测模型计算得到的COP效率预测值,ti表示验证参数集中第i组运行工况参数组的COP效率实际值,表示n个COP效率预测值的平均值的绝对值;
步骤S5,若MSE大于等于0.01,R大于等于0.1,重复调整所述COP效率模型中的wi和b的值,直到MSE小于0.01,R小于于0.1;
步骤S6,将所述训练参数集和验证参数集作为集合Q,从所述集合Q中寻找COP效率最优时对应的运行工况参数组,将此运行工况参数组作为t时刻的输入参数下载到空调冷冻机房的相关执行机构进行执行后,获取t时刻的输入参数执行后的对应的COP效率实际值;
步骤S7,使用O-U过程探索获取多组随机探索到的运行工况参数组;
步骤S8,通过所述COP效率预测模型计算各组随机探索到的运行工况参数组的COP效率预测值;
步骤S9,从所述各组随机探索到的运行工况参数组中,获取COP效率预测值最高的对应一组随机探索到的运行工况参数组,作为运行工况参数组A;
步骤S10,将此运行工况参数组A组作为t+1时刻的输入参数下载到空调冷冻机房的相关执行机构进行执行后,获取t+1时刻的输入参数执行后的对应的COP效率实际值;
步骤S11,将t时刻的COP效率实际值与t+1时刻的COP效率实际值进行比较,
步骤S12,若t+1时刻的COP效率实际值大于等于t时刻的COP效率实际值,则判断所述集合Q中是否有所述运行工况参数组A,若所述集合Q中无所述运行工况参数组A,将所述运行工况参数组A加入所述集合Q,并增加所述集合Q中运行工况参数组A的选中概率值;若所述集合Q中有所述运行工况参数组A,则增加所述集合Q中运行工况参数组A的选中概率值;
步骤S13,若t+1时刻的COP效率实际值小于t时刻的COP效率实际值,则判断所述集合Q中是否有所述运行工况参数组A,若所述集合Q中无所述运行工况参数组A,将所述运行工况参数组A加入所述集合Q,并减小所述集合Q中运行工况参数组A的选中概率值;若所述集合Q中有所述运行工况参数组A,则减小所述集合Q中运行工况参数组A的选中概率值;
步骤S14,将t+1时刻作为新的t时刻后,循环依次执行步骤S7~步骤S14,直至循环超过预设时间阈值;
步骤S15,循环超过预设时间阈值后,从所述集合Q获取选中概率值最高的对应运行工况参数组B,将此运行工况参数组B作为输入参数下载到空调冷冻机房的相关执行机构进行执行。
根据本发明的另一方面,还提供了一种计算机可读存储介质,其上存储有计算机可执行指令,其中,该计算机可执行指令被处理器执行时使得该处理器:
步骤S1,采集空调冷冻机房的设备的运行工况参数组放入数据库,其中,每组运行工况参数组包括空调冷冻机房的主机、水泵、冷却塔、电动阀和传感器的温度、流量、压力和电流数据;
步骤S2,将所述数据库中的运行工况参数组分为两部分,一部分作为训练参数集,另一部分作为验证参数集;
步骤S3,通过预设的神经网络算法基于所述训练参数集进行训练,以得到COP效率预测模型,其中,所述COP效率预测模型的公式如下:
其中,a表示COP效率,r表示训练参数集中运行工况参数组的组数,ui表示训练参数集中第i组运行工况参数组,wi表示训练参数集中第i组运行工况参数组对应的权重,b表示偏置量;
步骤S4,基于如下公式对所述COP效率预测模型进行评估:
其中,n表示验证参数集中运行工况参数组的组数,ai表示验证参数集中第i组运行工况参数组通过所述COP效率预测模型计算得到的COP效率预测值,ti表示验证参数集中第i组运行工况参数组的COP效率实际值,表示n个COP效率预测值的平均值的绝对值;
步骤S5,若MSE大于等于0.01,R大于等于0.1,重复调整所述COP效率模型中的wi和b的值,直到MSE小于0.01,R小于于0.1;
步骤S6,将所述训练参数集和验证参数集作为集合Q,从所述集合Q中寻找COP效率最优时对应的运行工况参数组,将此运行工况参数组作为t时刻的输入参数下载到空调冷冻机房的相关执行机构进行执行后,获取t时刻的输入参数执行后的对应的COP效率实际值;
步骤S7,使用O-U过程探索获取多组随机探索到的运行工况参数组;
步骤S8,通过所述COP效率预测模型计算各组随机探索到的运行工况参数组的COP效率预测值;
步骤S9,从所述各组随机探索到的运行工况参数组中,获取COP效率预测值最高的对应一组随机探索到的运行工况参数组,作为运行工况参数组A;
步骤S10,将此运行工况参数组A组作为t+1时刻的输入参数下载到空调冷冻机房的相关执行机构进行执行后,获取t+1时刻的输入参数执行后的对应的COP效率实际值;
步骤S11,将t时刻的COP效率实际值与t+1时刻的COP效率实际值进行比较,
步骤S12,若t+1时刻的COP效率实际值大于等于t时刻的COP效率实际值,则判断所述集合Q中是否有所述运行工况参数组A,若所述集合Q中无所述运行工况参数组A,将所述运行工况参数组A加入所述集合Q,并增加所述集合Q中运行工况参数组A的选中概率值;若所述集合Q中有所述运行工况参数组A,则增加所述集合Q中运行工况参数组A的选中概率值;
步骤S13,若t+1时刻的COP效率实际值小于t时刻的COP效率实际值,则判断所述集合Q中是否有所述运行工况参数组A,若所述集合Q中无所述运行工况参数组A,将所述运行工况参数组A加入所述集合Q,并减小所述集合Q中运行工况参数组A的选中概率值;若所述集合Q中有所述运行工况参数组A,则减小所述集合Q中运行工况参数组A的选中概率值;
步骤S14,将t+1时刻作为新的t时刻后,循环依次执行步骤S7~步骤S14,直至循环超过预设时间阈值;
步骤S15,循环超过预设时间阈值后,从所述集合Q获取选中概率值最高的对应运行工况参数组B,将此运行工况参数组B作为输入参数下载到空调冷冻机房的相关执行机构进行执行。
与现有技术相比,本发明通过COP效率预测模型和获取运行工况参数组的选中概率值,可以根据空调冷冻机房的现场实际工况自学习地动态调整输入参数,寻找对***整体COP效率最大化对应的运行工况参数组,实现更优于传统冷机群控***控制方式所能达到的节能效果。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1示出本发明一实施例的具有自学习能力的空调冷冻机房控制方法的流程图。
附图中相同或相似的附图标记代表相同或相似的部件。
具体实施方式
下面结合附图对本发明作进一步详细描述。
在本申请一个典型的配置中,终端、服务网络的设备和可信方均包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括非暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
如图1所示,本发明提供一种具有自学习能力的空调冷冻机房控制方法,所述方法包括:
步骤S01,采集空调冷冻机房的设备的运行工况参数放入数据库;
步骤S02,将所述数据库中的运行工况参数分为两部分,一部分作为训练参数集,另一部分作为验证参数集;
步骤S03,通过预设的神经网络算法基于所述训练参数集进行训练,以得到COP(制冷量/输入功率)效率预测模型;
步骤S04,基于所述COP效率预测模型,得到COP效率最高时的对应运行工况参数。
本发明提供一种具有自学习能力的空调冷冻机房控制方法,所述方法包括:
步骤S1,采集空调冷冻机房的设备的运行工况参数组放入数据库,其中,每组运行工况参数组包括空调冷冻机房的主机、水泵、冷却塔、电动阀和传感器的温度、流量、压力和电流数据;
在此,可以对所有运行工况参数组进行排序筛选,截取稳定工况下的运行工况参数组进行存储,删除非稳定工况下采集的运行工况参数组;
步骤S2,将所述数据库中的运行工况参数组分为两部分,一部分作为训练参数集,另一部分作为验证参数集;
步骤S3,通过预设的神经网络算法基于所述训练参数集进行训练,以得到COP(制冷量/输入功率)效率预测模型,其中,所述COP效率预测模型的公式如下:
其中,a表示COP效率,r表示训练参数集中运行工况参数组的组数,ui表示训练参数集中第i组运行工况参数组,wi表示训练参数集中第i组运行工况参数组对应的权重,b表示偏置量;
在此,ANN代表一种无模型的黑盒计算策略,它由相互连接的人工神经元组成;每个都具有输入/输出(I/O)特性并实现本地计算,所述COP效率预测模型具有r个输入的人工神经元,权重w被分配给每个输入参数u以描述其影响(强度),加权输入和偏置b的总和形成激活函数f的输入,其可以是线性的或非线性可微分的,然后给出神经元的输出a。
步骤S4,基于如下公式对所述COP效率预测模型进行评估:
其中,n表示验证参数集中运行工况参数组的组数,ai表示验证参数集中第i组运行工况参数组通过所述COP效率预测模型计算得到的COP效率预测值,ti表示验证参数集中第i组运行工况参数组的COP效率实际值,表示n个COP效率预测值的平均值的绝对值;
在此,神经网络可以被描述为机器学习技术。通过某种训练算法修改其连接权重的数值使网络接近***模型的解,神经网络的学习能力取决于其架构的任选择以及训练算法,激活函数的选择可能显着影响训练算法的适用性;
在此过程中,网络的性能可以通过均方误差(MSE)来评估,对于模拟过程中的任何输出变量,其相关系数R(将完整的实际输出集与目标进行比较)是指示实际输出可以解释目标的程度,如果所有输出变量的R值都小,比如小于0.1,则COP效率模型可以被视为***的良好表示;
步骤S5,若MSE大于等于0.01,R大于等于0.1,重复调整所述COP效率模型中的wi和b的值,直到MSE小于0.01,R小于于0.1;
在此,空调冷冻机房的机组***的被规范在30%至100%的宽范围负荷条件下进行的,将测试数据的数值标准化为-1至1的范围,最终训练迭代后得到较好的训练结果,其中MSE<0.01,R值<0.1,这意味着在相关模型下对***COP的预测误差不会高于10%;
步骤S6,将所述训练参数集和验证参数集作为集合Q,从所述集合Q中寻找COP效率最优时对应的运行工况参数组,将此运行工况参数组作为t时刻的输入参数下载到空调冷冻机房的相关执行机构进行执行后,获取t时刻的输入参数执行后的对应的COP效率实际值;
步骤S7,使用O-U过程探索获取多组随机探索到的运行工况参数组;
在此,在***寻找一定时期内最优COP的过程中,可以不断加入不同输入变量的随机探索,通过使用O-U过程(Ornstein-Uhlenbeck process)作为探索的随机过程;
步骤S8,通过所述COP效率预测模型预测各组随机探索到的运行工况参数组的COP效率预测值;
步骤S9,从所述各组随机探索到的运行工况参数组中,获取COP效率预测值最高的对应一组随机探索到的运行工况参数组,作为运行工况参数组A;
步骤S10,将此运行工况参数组A组作为t+1时刻的输入参数下载到空调冷冻机房的相关执行机构进行执行后,获取t+1时刻的输入参数执行后的对应的COP效率实际值;
步骤S11,将t时刻的COP效率实际值与t+1时刻的COP效率实际值进行比较,
步骤S12,若t+1时刻的COP效率实际值大于等于t时刻的COP效率实际值,则判断所述集合Q中是否有所述运行工况参数组A,若所述集合Q中无所述运行工况参数组A,将所述运行工况参数组A加入所述集合Q,并增加所述集合Q中运行工况参数组A的选中概率值;若所述集合Q中有所述运行工况参数组A,则增加所述集合Q中运行工况参数组A的选中概率值;
步骤S13,若t+1时刻的COP效率实际值小于t时刻的COP效率实际值,则判断所述集合Q中是否有所述运行工况参数组A,若所述集合Q中无所述运行工况参数组A,将所述运行工况参数组A加入所述集合Q,并减小所述集合Q中运行工况参数组A的选中概率值;若所述集合Q中有所述运行工况参数组A,则减小所述集合Q中运行工况参数组A的选中概率值;
步骤S14,将t+1时刻作为新的t时刻后,循环依次执行步骤S7~步骤S14,直至循环超过预设时间阈值;
步骤S15,循环超过预设时间阈值后,从所述集合Q获取选中概率值最高的对应运行工况参数组B,将此运行工况参数组B作为输入参数下载到空调冷冻机房的相关执行机构进行执行。
在此,t时刻为上一时刻,t+1时刻为t时刻的下一时刻,当原来的t+1作为t时刻后,原来的t+1时刻的COP效率实际值也对应变为t时刻的COP效率实际值,后续可循环获取下一个t+1时刻的COP效率实际值。
采用上述人工神经网络算法研究某冷水机组群控***的训练模型为例。使用的神经网络算法训练一个具有3层网络,4个输入变量和1个输出变量的模型。该模型用于寻找冷冻水和冷却水***设置的最佳组合,以便最小化***在各种冷却负载下的总能量成本,即最优化***总体COP(制冷量/输入功率)效率。因此,输入包括4个独立的控制变量(运行工况参数组):冷冻水供应的设定温度(T1),冷冻水和冷却水流量(m1,m2),冷却水回水温度(T4),冷水机组制冷量(Qc)。输出变量(COP)则准确反映了冷水机组***效率。
本发明通过COP效率预测模型和获取运行工况参数组的选中概率值,可以根据空调冷冻机房的现场实际工况自学习地动态调整输入参数,寻找对***整体COP效率最大化对应的运行工况参数组,实现更优于传统冷机群控***控制方式所能达到的节能效果。
根据本发明的另一方面,还提供了一种具有自学习能力的空调冷冻机房控制***,其中,该***包括:
第一装置,用于采集空调冷冻机房的设备的运行工况参数组放入数据库,其中,每组运行工况参数组包括空调冷冻机房的主机、水泵、冷却塔、电动阀和传感器的温度、流量、压力和电流数据;
第二装置,用于将所述数据库中的运行工况参数组分为两部分,一部分作为训练参数集,另一部分作为验证参数集;
第三装置,用于通过预设的神经网络算法基于所述训练参数集进行训练,以得到COP效率预测模型,其中,所述COP效率预测模型的公式如下:
其中,a表示COP效率,r表示训练参数集中运行工况参数组的组数,ui表示训练参数集中第i组运行工况参数组,wi表示训练参数集中第i组运行工况参数组对应的权重,b表示偏置量;
第四装置,用于基于如下公式对所述COP效率预测模型进行评估:
其中,n表示验证参数集中运行工况参数组的组数,ai表示验证参数集中第i组运行工况参数组通过所述COP效率预测模型计算得到的COP效率预测值,ti表示验证参数集中第i组运行工况参数组的COP效率实际值,表示n个COP效率预测值的平均值的绝对值;
第五装置,用于若MSE大于等于0.01,R大于等于0.1,重复调整所述COP效率模型中的wi和b的值,直到MSE小于0.01,R小于于0.1;
第六装置,用于将所述训练参数集和验证参数集作为集合Q,从所述集合Q中寻找COP效率最优时对应的运行工况参数组,将此运行工况参数组作为t时刻的输入参数下载到空调冷冻机房的相关执行机构进行执行后,获取t时刻的输入参数执行后的对应的COP效率实际值;
第七装置,用于使用O-U过程探索获取多组随机探索到的运行工况参数组;
第八装置,用于通过所述COP效率预测模型计算各组随机探索到的运行工况参数组的COP效率预测值;
第九装置,用于从所述各组随机探索到的运行工况参数组中,获取COP效率预测值最高的对应一组随机探索到的运行工况参数组,作为运行工况参数组A;
第十装置,用于将此运行工况参数组A组作为t+1时刻的输入参数下载到空调冷冻机房的相关执行机构进行执行后,获取t+1时刻的输入参数执行后的对应的COP效率实际值;
第十一装置,用于将t时刻的COP效率实际值与t+1时刻的COP效率实际值进行比较,
第十二装置,用于若t+1时刻的COP效率实际值大于等于t时刻的COP效率实际值,则判断所述集合Q中是否有所述运行工况参数组A,若所述集合Q中无所述运行工况参数组A,将所述运行工况参数组A加入所述集合Q,并增加所述集合Q中运行工况参数组A的选中概率值;若所述集合Q中有所述运行工况参数组A,则增加所述集合Q中运行工况参数组A的选中概率值;
第十三装置,用于若t+1时刻的COP效率实际值小于t时刻的COP效率实际值,则判断所述集合Q中是否有所述运行工况参数组A,若所述集合Q中无所述运行工况参数组A,将所述运行工况参数组A加入所述集合Q,并减小所述集合Q中运行工况参数组A的选中概率值;若所述集合Q中有所述运行工况参数组A,则减小所述集合Q中运行工况参数组A的选中概率值;
第十四装置,用于将t+1时刻作为新的t时刻后,循环依次执行第七装置~第十四装置,直至循环超过预设时间阈值;
第十五装置,用于循环超过预设时间阈值后,从所述集合Q获取选中概率值最高的对应运行工况参数组B,将此运行工况参数组B作为输入参数下载到空调冷冻机房的相关执行机构进行执行。
根据本发明的另一方面,还提供了一种基于计算的设备,其中,包括:
处理器;以及
被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器:
步骤S1,采集空调冷冻机房的设备的运行工况参数组放入数据库,其中,每组运行工况参数组包括空调冷冻机房的主机、水泵、冷却塔、电动阀和传感器的温度、流量、压力和电流数据;
步骤S2,将所述数据库中的运行工况参数组分为两部分,一部分作为训练参数集,另一部分作为验证参数集;
步骤S3,通过预设的神经网络算法基于所述训练参数集进行训练,以得到COP效率预测模型,其中,所述COP效率预测模型的公式如下:
其中,a表示COP效率,r表示训练参数集中运行工况参数组的组数,ui表示训练参数集中第i组运行工况参数组,wi表示训练参数集中第i组运行工况参数组对应的权重,b表示偏置量;
步骤S4,基于如下公式对所述COP效率预测模型进行评估:
其中,n表示验证参数集中运行工况参数组的组数,ai表示验证参数集中第i组运行工况参数组通过所述COP效率预测模型计算得到的COP效率预测值,ti表示验证参数集中第i组运行工况参数组的COP效率实际值,表示n个COP效率预测值的平均值的绝对值;
步骤S5,若MSE大于等于0.01,R大于等于0.1,重复调整所述COP效率模型中的wi和b的值,直到MSE小于0.01,R小于于0.1;
步骤S6,将所述训练参数集和验证参数集作为集合Q,从所述集合Q中寻找COP效率最优时对应的运行工况参数组,将此运行工况参数组作为t时刻的输入参数下载到空调冷冻机房的相关执行机构进行执行后,获取t时刻的输入参数执行后的对应的COP效率实际值;
步骤S7,使用O-U过程探索获取多组随机探索到的运行工况参数组;
步骤S8,通过所述COP效率预测模型计算各组随机探索到的运行工况参数组的COP效率预测值;
步骤S9,从所述各组随机探索到的运行工况参数组中,获取COP效率预测值最高的对应一组随机探索到的运行工况参数组,作为运行工况参数组A;
步骤S10,将此运行工况参数组A组作为t+1时刻的输入参数下载到空调冷冻机房的相关执行机构进行执行后,获取t+1时刻的输入参数执行后的对应的COP效率实际值;
步骤S11,将t时刻的COP效率实际值与t+1时刻的COP效率实际值进行比较,
步骤S12,若t+1时刻的COP效率实际值大于等于t时刻的COP效率实际值,则判断所述集合Q中是否有所述运行工况参数组A,若所述集合Q中无所述运行工况参数组A,将所述运行工况参数组A加入所述集合Q,并增加所述集合Q中运行工况参数组A的选中概率值;若所述集合Q中有所述运行工况参数组A,则增加所述集合Q中运行工况参数组A的选中概率值;
步骤S13,若t+1时刻的COP效率实际值小于t时刻的COP效率实际值,则判断所述集合Q中是否有所述运行工况参数组A,若所述集合Q中无所述运行工况参数组A,将所述运行工况参数组A加入所述集合Q,并减小所述集合Q中运行工况参数组A的选中概率值;若所述集合Q中有所述运行工况参数组A,则减小所述集合Q中运行工况参数组A的选中概率值;
步骤S14,将t+1时刻作为新的t时刻后,循环依次执行步骤S7~步骤S14,直至循环超过预设时间阈值;
步骤S15,循环超过预设时间阈值后,从所述集合Q获取选中概率值最高的对应运行工况参数组B,将此运行工况参数组B作为输入参数下载到空调冷冻机房的相关执行机构进行执行。
根据本发明的另一方面,还提供了一种计算机可读存储介质,其上存储有计算机可执行指令,其中,该计算机可执行指令被处理器执行时使得该处理器:
步骤S1,采集空调冷冻机房的设备的运行工况参数组放入数据库,其中,每组运行工况参数组包括空调冷冻机房的主机、水泵、冷却塔、电动阀和传感器的温度、流量、压力和电流数据;
步骤S2,将所述数据库中的运行工况参数组分为两部分,一部分作为训练参数集,另一部分作为验证参数集;
步骤S3,通过预设的神经网络算法基于所述训练参数集进行训练,以得到COP效率预测模型,其中,所述COP效率预测模型的公式如下:
其中,a表示COP效率,r表示训练参数集中运行工况参数组的组数,ui表示训练参数集中第i组运行工况参数组,wi表示训练参数集中第i组运行工况参数组对应的权重,b表示偏置量;
步骤S4,基于如下公式对所述COP效率预测模型进行评估:
其中,n表示验证参数集中运行工况参数组的组数,ai表示验证参数集中第i组运行工况参数组通过所述COP效率预测模型计算得到的COP效率预测值,ti表示验证参数集中第i组运行工况参数组的COP效率实际值,表示n个COP效率预测值的平均值的绝对值;
步骤S5,若MSE大于等于0.01,R大于等于0.1,重复调整所述COP效率模型中的wi和b的值,直到MSE小于0.01,R小于于0.1;
步骤S6,将所述训练参数集和验证参数集作为集合Q,从所述集合Q中寻找COP效率最优时对应的运行工况参数组,将此运行工况参数组作为t时刻的输入参数下载到空调冷冻机房的相关执行机构进行执行后,获取t时刻的输入参数执行后的对应的COP效率实际值;
步骤S7,使用O-U过程探索获取多组随机探索到的运行工况参数组;
步骤S8,通过所述COP效率预测模型计算各组随机探索到的运行工况参数组的COP效率预测值;
步骤S9,从所述各组随机探索到的运行工况参数组中,获取COP效率预测值最高的对应一组随机探索到的运行工况参数组,作为运行工况参数组A;
步骤S10,将此运行工况参数组A组作为t+1时刻的输入参数下载到空调冷冻机房的相关执行机构进行执行后,获取t+1时刻的输入参数执行后的对应的COP效率实际值;
步骤S11,将t时刻的COP效率实际值与t+1时刻的COP效率实际值进行比较,
步骤S12,若t+1时刻的COP效率实际值大于等于t时刻的COP效率实际值,则判断所述集合Q中是否有所述运行工况参数组A,若所述集合Q中无所述运行工况参数组A,将所述运行工况参数组A加入所述集合Q,并增加所述集合Q中运行工况参数组A的选中概率值;若所述集合Q中有所述运行工况参数组A,则增加所述集合Q中运行工况参数组A的选中概率值;
步骤S13,若t+1时刻的COP效率实际值小于t时刻的COP效率实际值,则判断所述集合Q中是否有所述运行工况参数组A,若所述集合Q中无所述运行工况参数组A,将所述运行工况参数组A加入所述集合Q,并减小所述集合Q中运行工况参数组A的选中概率值;若所述集合Q中有所述运行工况参数组A,则减小所述集合Q中运行工况参数组A的选中概率值;
步骤S14,将t+1时刻作为新的t时刻后,循环依次执行步骤S7~步骤S14,直至循环超过预设时间阈值;
步骤S15,循环超过预设时间阈值后,从所述集合Q获取选中概率值最高的对应运行工况参数组B,将此运行工况参数组B作为输入参数下载到空调冷冻机房的相关执行机构进行执行。
本发明的各设备和存储介质实施例的详细内容,具体可参见各方法实施例的对应部分,在此,不再赘述。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
需要注意的是,本发明可在软件和/或软件与硬件的组合体中被实施,例如,可采用专用集成电路(ASIC)、通用目的计算机或任何其他类似硬件设备来实现。在一个实施例中,本发明的软件程序可以通过处理器执行以实现上文所述步骤或功能。同样地,本发明的软件程序(包括相关的数据结构)可以被存储到计算机可读记录介质中,例如,RAM存储器,磁或光驱动器或软磁盘及类似设备。另外,本发明的一些步骤或功能可采用硬件来实现,例如,作为与处理器配合从而执行各个步骤或功能的电路。
另外,本发明的一部分可被应用为计算机程序产品,例如计算机程序指令,当其被计算机执行时,通过该计算机的操作,可以调用或提供根据本发明的方法和/或技术方案。而调用本发明的方法的程序指令,可能被存储在固定的或可移动的记录介质中,和/或通过广播或其他信号承载媒体中的数据流而被传输,和/或被存储在根据所述程序指令运行的计算机设备的工作存储器中。在此,根据本发明的一个实施例包括一个装置,该装置包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器,其中,当该计算机程序指令被该处理器执行时,触发该装置运行基于前述根据本发明的多个实施例的方法和/或技术方案。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一,第二等词语用来表示名称,而并不表示任何特定的顺序。
Claims (4)
1.一种具有自学习能力的空调冷冻机房控制方法,其中,该方法包括:
步骤S1,采集空调冷冻机房的设备的运行工况参数组放入数据库,其中,每组运行工况参数组包括空调冷冻机房的主机、水泵、冷却塔、电动阀和传感器的温度、流量、压力和电流数据;
步骤S2,将所述数据库中的运行工况参数组分为两部分,一部分作为训练参数集,另一部分作为验证参数集;
步骤S3,通过预设的神经网络算法基于所述训练参数集进行训练,以得到COP效率预测模型,其中,所述COP效率预测模型的公式如下:
其中,a表示COP效率,r表示训练参数集中运行工况参数组的组数,ui表示训练参数集中第i组运行工况参数组,wi表示训练参数集中第i组运行工况参数组对应的权重,b表示偏置量;
步骤S4,基于如下公式对所述COP效率预测模型进行评估:
其中,n表示验证参数集中运行工况参数组的组数,ai表示验证参数集中第i组运行工况参数组通过所述COP效率预测模型计算得到的COP效率预测值,ti表示验证参数集中第i组运行工况参数组的COP效率实际值,表示n个COP效率预测值的平均值的绝对值;
步骤S5,若MSE大于等于0.01,R大于等于0.1,重复调整所述COP效率模型中的wi和b的值,直到MSE小于0.01,R小于于0.1;
步骤S6,将所述训练参数集和验证参数集作为集合Q,从所述集合Q中寻找COP效率最优时对应的运行工况参数组,将此运行工况参数组作为t时刻的输入参数下载到空调冷冻机房的相关执行机构进行执行后,获取t时刻的输入参数执行后的对应的COP效率实际值;
步骤S7,使用O-U过程探索获取多组随机探索到的运行工况参数组;
步骤S8,通过所述COP效率预测模型计算各组随机探索到的运行工况参数组的COP效率预测值;
步骤S9,从所述各组随机探索到的运行工况参数组中,获取COP效率预测值最高的对应一组随机探索到的运行工况参数组,作为运行工况参数组A;
步骤S10,将此运行工况参数组A组作为t+1时刻的输入参数下载到空调冷冻机房的相关执行机构进行执行后,获取t+1时刻的输入参数执行后的对应的COP效率实际值;
步骤S11,将t时刻的COP效率实际值与t+1时刻的COP效率实际值进行比较,
步骤S12,若t+1时刻的COP效率实际值大于等于t时刻的COP效率实际值,则判断所述集合Q中是否有所述运行工况参数组A,若所述集合Q中无所述运行工况参数组A,将所述运行工况参数组A加入所述集合Q,并增加所述集合Q中运行工况参数组A的选中概率值;若所述集合Q中有所述运行工况参数组A,则增加所述集合Q中运行工况参数组A的选中概率值;
步骤S13,若t+1时刻的COP效率实际值小于t时刻的COP效率实际值,则判断所述集合Q中是否有所述运行工况参数组A,若所述集合Q中无所述运行工况参数组A,将所述运行工况参数组A加入所述集合Q,并减小所述集合Q中运行工况参数组A的选中概率值;若所述集合Q中有所述运行工况参数组A,则减小所述集合Q中运行工况参数组A的选中概率值;
步骤S14,将t+1时刻作为新的t时刻后,循环依次执行步骤S7~步骤S14,直至循环超过预设时间阈值;
步骤S15,循环超过预设时间阈值后,从所述集合Q获取选中概率值最高的对应运行工况参数组B,将此运行工况参数组B作为输入参数下载到空调冷冻机房的相关执行机构进行执行。
2.一种具有自学习能力的空调冷冻机房控制***,其中,该***包括:
第一装置,用于采集空调冷冻机房的设备的运行工况参数组放入数据库,其中,每组运行工况参数组包括空调冷冻机房的主机、水泵、冷却塔、电动阀和传感器的温度、流量、压力和电流数据;
第二装置,用于将所述数据库中的运行工况参数组分为两部分,一部分作为训练参数集,另一部分作为验证参数集;
第三装置,用于通过预设的神经网络算法基于所述训练参数集进行训练,以得到COP效率预测模型,其中,所述COP效率预测模型的公式如下:
其中,a表示COP效率,r表示训练参数集中运行工况参数组的组数,ui表示训练参数集中第i组运行工况参数组,wi表示训练参数集中第i组运行工况参数组对应的权重,b表示偏置量;
第四装置,用于基于如下公式对所述COP效率预测模型进行评估:
其中,n表示验证参数集中运行工况参数组的组数,ai表示验证参数集中第i组运行工况参数组通过所述COP效率预测模型计算得到的COP效率预测值,ti表示验证参数集中第i组运行工况参数组的COP效率实际值,表示n个COP效率预测值的平均值的绝对值;
第五装置,用于若MSE大于等于0.01,R大于等于0.1,重复调整所述COP效率模型中的wi和b的值,直到MSE小于0.01,R小于于0.1;
第六装置,用于将所述训练参数集和验证参数集作为集合Q,从所述集合Q中寻找COP效率最优时对应的运行工况参数组,将此运行工况参数组作为t时刻的输入参数下载到空调冷冻机房的相关执行机构进行执行后,获取t时刻的输入参数执行后的对应的COP效率实际值;
第七装置,用于使用O-U过程探索获取多组随机探索到的运行工况参数组;
第八装置,用于通过所述COP效率预测模型计算各组随机探索到的运行工况参数组的COP效率预测值;
第九装置,用于从所述各组随机探索到的运行工况参数组中,获取COP效率预测值最高的对应一组随机探索到的运行工况参数组,作为运行工况参数组A;
第十装置,用于将此运行工况参数组A组作为t+1时刻的输入参数下载到空调冷冻机房的相关执行机构进行执行后,获取t+1时刻的输入参数执行后的对应的COP效率实际值;
第十一装置,用于将t时刻的COP效率实际值与t+1时刻的COP效率实际值进行比较,
第十二装置,用于若t+1时刻的COP效率实际值大于等于t时刻的COP效率实际值,则判断所述集合Q中是否有所述运行工况参数组A,若所述集合Q中无所述运行工况参数组A,将所述运行工况参数组A加入所述集合Q,并增加所述集合Q中运行工况参数组A的选中概率值;若所述集合Q中有所述运行工况参数组A,则增加所述集合Q中运行工况参数组A的选中概率值;
第十三装置,用于若t+1时刻的COP效率实际值小于t时刻的COP效率实际值,则判断所述集合Q中是否有所述运行工况参数组A,若所述集合Q中无所述运行工况参数组A,将所述运行工况参数组A加入所述集合Q,并减小所述集合Q中运行工况参数组A的选中概率值;若所述集合Q中有所述运行工况参数组A,则减小所述集合Q中运行工况参数组A的选中概率值;
第十四装置,用于将t+1时刻作为新的t时刻后,循环依次执行第七装置~第十四装置,直至循环超过预设时间阈值;
第十五装置,用于循环超过预设时间阈值后,从所述集合Q获取选中概率值最高的对应运行工况参数组B,将此运行工况参数组B作为输入参数下载到空调冷冻机房的相关执行机构进行执行。
3.一种基于计算的设备,其中,包括:
处理器;以及
被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器:
步骤S1,采集空调冷冻机房的设备的运行工况参数组放入数据库,其中,每组运行工况参数组包括空调冷冻机房的主机、水泵、冷却塔、电动阀和传感器的温度、流量、压力和电流数据;
步骤S2,将所述数据库中的运行工况参数组分为两部分,一部分作为训练参数集,另一部分作为验证参数集;
步骤S3,通过预设的神经网络算法基于所述训练参数集进行训练,以得到COP效率预测模型,其中,所述COP效率预测模型的公式如下:
其中,a表示COP效率,r表示训练参数集中运行工况参数组的组数,ui表示训练参数集中第i组运行工况参数组,wi表示训练参数集中第i组运行工况参数组对应的权重,b表示偏置量;
步骤S4,基于如下公式对所述COP效率预测模型进行评估:
其中,n表示验证参数集中运行工况参数组的组数,ai表示验证参数集中第i组运行工况参数组通过所述COP效率预测模型计算得到的COP效率预测值,ti表示验证参数集中第i组运行工况参数组的COP效率实际值,表示n个COP效率预测值的平均值的绝对值;
步骤S5,若MSE大于等于0.01,R大于等于0.1,重复调整所述COP效率模型中的wi和b的值,直到MSE小于0.01,R小于于0.1;
步骤S6,将所述训练参数集和验证参数集作为集合Q,从所述集合Q中寻找COP效率最优时对应的运行工况参数组,将此运行工况参数组作为t时刻的输入参数下载到空调冷冻机房的相关执行机构进行执行后,获取t时刻的输入参数执行后的对应的COP效率实际值;
步骤S7,使用O-U过程探索获取多组随机探索到的运行工况参数组;
步骤S8,通过所述COP效率预测模型计算各组随机探索到的运行工况参数组的COP效率预测值;
步骤S9,从所述各组随机探索到的运行工况参数组中,获取COP效率预测值最高的对应一组随机探索到的运行工况参数组,作为运行工况参数组A;
步骤S10,将此运行工况参数组A组作为t+1时刻的输入参数下载到空调冷冻机房的相关执行机构进行执行后,获取t+1时刻的输入参数执行后的对应的COP效率实际值;
步骤S11,将t时刻的COP效率实际值与t+1时刻的COP效率实际值进行比较,
步骤S12,若t+1时刻的COP效率实际值大于等于t时刻的COP效率实际值,则判断所述集合Q中是否有所述运行工况参数组A,若所述集合Q中无所述运行工况参数组A,将所述运行工况参数组A加入所述集合Q,并增加所述集合Q中运行工况参数组A的选中概率值;若所述集合Q中有所述运行工况参数组A,则增加所述集合Q中运行工况参数组A的选中概率值;
步骤S13,若t+1时刻的COP效率实际值小于t时刻的COP效率实际值,则判断所述集合Q中是否有所述运行工况参数组A,若所述集合Q中无所述运行工况参数组A,将所述运行工况参数组A加入所述集合Q,并减小所述集合Q中运行工况参数组A的选中概率值;若所述集合Q中有所述运行工况参数组A,则减小所述集合Q中运行工况参数组A的选中概率值;
步骤S14,将t+1时刻作为新的t时刻后,循环依次执行步骤S7~步骤S14,直至循环超过预设时间阈值;
步骤S15,循环超过预设时间阈值后,从所述集合Q获取选中概率值最高的对应运行工况参数组B,将此运行工况参数组B作为输入参数下载到空调冷冻机房的相关执行机构进行执行。
4.一种计算机可读存储介质,其上存储有计算机可执行指令,其中,该计算机可执行指令被处理器执行时使得该处理器:
步骤S1,采集空调冷冻机房的设备的运行工况参数组放入数据库,其中,每组运行工况参数组包括空调冷冻机房的主机、水泵、冷却塔、电动阀和传感器的温度、流量、压力和电流数据;
步骤S2,将所述数据库中的运行工况参数组分为两部分,一部分作为训练参数集,另一部分作为验证参数集;
步骤S3,通过预设的神经网络算法基于所述训练参数集进行训练,以得到COP效率预测模型,其中,所述COP效率预测模型的公式如下:
其中,a表示COP效率,r表示训练参数集中运行工况参数组的组数,ui表示训练参数集中第i组运行工况参数组,wi表示训练参数集中第i组运行工况参数组对应的权重,b表示偏置量;
步骤S4,基于如下公式对所述COP效率预测模型进行评估:
其中,n表示验证参数集中运行工况参数组的组数,ai表示验证参数集中第i组运行工况参数组通过所述COP效率预测模型计算得到的COP效率预测值,ti表示验证参数集中第i组运行工况参数组的COP效率实际值,表示n个COP效率预测值的平均值的绝对值;
步骤S5,若MSE大于等于0.01,R大于等于0.1,重复调整所述COP效率模型中的wi和b的值,直到MSE小于0.01,R小于于0.1;
步骤S6,将所述训练参数集和验证参数集作为集合Q,从所述集合Q中寻找COP效率最优时对应的运行工况参数组,将此运行工况参数组作为t时刻的输入参数下载到空调冷冻机房的相关执行机构进行执行后,获取t时刻的输入参数执行后的对应的COP效率实际值;
步骤S7,使用O-U过程探索获取多组随机探索到的运行工况参数组;
步骤S8,通过所述COP效率预测模型计算各组随机探索到的运行工况参数组的COP效率预测值;
步骤S9,从所述各组随机探索到的运行工况参数组中,获取COP效率预测值最高的对应一组随机探索到的运行工况参数组,作为运行工况参数组A;
步骤S10,将此运行工况参数组A组作为t+1时刻的输入参数下载到空调冷冻机房的相关执行机构进行执行后,获取t+1时刻的输入参数执行后的对应的COP效率实际值;
步骤S11,将t时刻的COP效率实际值与t+1时刻的COP效率实际值进行比较,
步骤S12,若t+1时刻的COP效率实际值大于等于t时刻的COP效率实际值,则判断所述集合Q中是否有所述运行工况参数组A,若所述集合Q中无所述运行工况参数组A,将所述运行工况参数组A加入所述集合Q,并增加所述集合Q中运行工况参数组A的选中概率值;若所述集合Q中有所述运行工况参数组A,则增加所述集合Q中运行工况参数组A的选中概率值;
步骤S13,若t+1时刻的COP效率实际值小于t时刻的COP效率实际值,则判断所述集合Q中是否有所述运行工况参数组A,若所述集合Q中无所述运行工况参数组A,将所述运行工况参数组A加入所述集合Q,并减小所述集合Q中运行工况参数组A的选中概率值;若所述集合Q中有所述运行工况参数组A,则减小所述集合Q中运行工况参数组A的选中概率值;
步骤S14,将t+1时刻作为新的t时刻后,循环依次执行步骤S7~步骤S14,直至循环超过预设时间阈值;
步骤S15,循环超过预设时间阈值后,从所述集合Q获取选中概率值最高的对应运行工况参数组B,将此运行工况参数组B作为输入参数下载到空调冷冻机房的相关执行机构进行执行。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910824180.8A CN110542178B (zh) | 2019-09-02 | 2019-09-02 | 具有自学习能力的空调冷冻机房控制方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910824180.8A CN110542178B (zh) | 2019-09-02 | 2019-09-02 | 具有自学习能力的空调冷冻机房控制方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110542178A true CN110542178A (zh) | 2019-12-06 |
CN110542178B CN110542178B (zh) | 2020-06-02 |
Family
ID=68711045
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910824180.8A Active CN110542178B (zh) | 2019-09-02 | 2019-09-02 | 具有自学习能力的空调冷冻机房控制方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110542178B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111336669A (zh) * | 2020-03-12 | 2020-06-26 | 苏州大学 | 基于模型预测控制的室内空调通风*** |
CN113780405A (zh) * | 2021-09-07 | 2021-12-10 | 科希曼电器有限公司 | 基于深度神经网络的空调机参数回归优化方法 |
CN113899055A (zh) * | 2020-06-22 | 2022-01-07 | 青岛海信日立空调***有限公司 | 冷水机组控制*** |
CN115307350A (zh) * | 2022-08-15 | 2022-11-08 | 中机意园工程科技股份有限公司 | 一种地源热泵控制*** |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007172348A (ja) * | 2005-12-22 | 2007-07-05 | Mizuho Dl Financial Technology Co Ltd | 残価予測装置および残価予測手段を備える保険料算出装置 |
US20140005982A1 (en) * | 2010-06-22 | 2014-01-02 | International Business Machines Corporation | Data center physical infrastructure threshold analysis |
CN106765932A (zh) * | 2016-12-14 | 2017-05-31 | 深圳达实智能股份有限公司 | 中央空调***制冷主机的能效比预测方法及装置 |
WO2017114810A1 (en) * | 2015-12-31 | 2017-07-06 | Vito Nv | Methods, controllers and systems for the control of distribution systems using a neural network arhcitecture |
CN108416426A (zh) * | 2018-02-05 | 2018-08-17 | 深圳市易成自动驾驶技术有限公司 | 数据处理方法、装置及计算机可读存储介质 |
CN108800967A (zh) * | 2017-04-26 | 2018-11-13 | 中冶长天国际工程有限责任公司 | 基于神经网络的环冷机温度控制方法及*** |
US20190182069A1 (en) * | 2017-12-12 | 2019-06-13 | Distech Controls Inc. | Environment controller and method for inferring one or more commands for controlling an appliance taking into account room characteristics |
CN109959123A (zh) * | 2019-03-11 | 2019-07-02 | 浙江工业大学 | 一种基于遗传算法和长短期记忆循环神经网络的空调节能方法 |
WO2019143113A1 (ko) * | 2018-01-18 | 2019-07-25 | 엘지전자 주식회사 | 에어컨이 설치된 공간의 학습에 기반하여 파라미터를 설정하는 제어장치 |
US20190264943A1 (en) * | 2018-02-27 | 2019-08-29 | Distech Controls Inc. | Controller, method and computer program product using a neural network for adaptively controlling an environmental condition in a building |
-
2019
- 2019-09-02 CN CN201910824180.8A patent/CN110542178B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007172348A (ja) * | 2005-12-22 | 2007-07-05 | Mizuho Dl Financial Technology Co Ltd | 残価予測装置および残価予測手段を備える保険料算出装置 |
US20140005982A1 (en) * | 2010-06-22 | 2014-01-02 | International Business Machines Corporation | Data center physical infrastructure threshold analysis |
WO2017114810A1 (en) * | 2015-12-31 | 2017-07-06 | Vito Nv | Methods, controllers and systems for the control of distribution systems using a neural network arhcitecture |
WO2017114810A9 (en) * | 2015-12-31 | 2018-10-04 | Vito Nv | Methods, controllers and systems for the control of distribution systems using a neural network architecture |
CN106765932A (zh) * | 2016-12-14 | 2017-05-31 | 深圳达实智能股份有限公司 | 中央空调***制冷主机的能效比预测方法及装置 |
CN108800967A (zh) * | 2017-04-26 | 2018-11-13 | 中冶长天国际工程有限责任公司 | 基于神经网络的环冷机温度控制方法及*** |
US20190182069A1 (en) * | 2017-12-12 | 2019-06-13 | Distech Controls Inc. | Environment controller and method for inferring one or more commands for controlling an appliance taking into account room characteristics |
WO2019143113A1 (ko) * | 2018-01-18 | 2019-07-25 | 엘지전자 주식회사 | 에어컨이 설치된 공간의 학습에 기반하여 파라미터를 설정하는 제어장치 |
CN108416426A (zh) * | 2018-02-05 | 2018-08-17 | 深圳市易成自动驾驶技术有限公司 | 数据处理方法、装置及计算机可读存储介质 |
US20190264943A1 (en) * | 2018-02-27 | 2019-08-29 | Distech Controls Inc. | Controller, method and computer program product using a neural network for adaptively controlling an environmental condition in a building |
CN109959123A (zh) * | 2019-03-11 | 2019-07-02 | 浙江工业大学 | 一种基于遗传算法和长短期记忆循环神经网络的空调节能方法 |
Non-Patent Citations (6)
Title |
---|
GUANYU GAO: ""energy-efficient thermal comfort control in smart buildings via deep reinforcenment learning"", 《ARXI:1901.04693-COMPUTER SCIENCE-SYSTEMS AND CONTROL》 * |
TOTU,LUMINITA CRISTIANA: ""large scale demand response of thermostatic loads"", 《AALBORG UNIVERSITET》 * |
吴杰等: "用人工神经网络预测冰蓄冷***蓄冰时间", 《制冷学报》 * |
周璇等: "基于PSO-SVR的冷水机组运行能效预测模型研究", 《制冷学报》 * |
巫江虹等: "房间空调器长效运行性能预测及优化方案的研究", 《机械工程学报》 * |
李钊等: "变速直膨式空调***运行特性的稳态ANN模型", 《制冷学报》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111336669A (zh) * | 2020-03-12 | 2020-06-26 | 苏州大学 | 基于模型预测控制的室内空调通风*** |
CN111336669B (zh) * | 2020-03-12 | 2021-04-13 | 苏州大学 | 基于模型预测控制的室内空调通风*** |
CN113899055A (zh) * | 2020-06-22 | 2022-01-07 | 青岛海信日立空调***有限公司 | 冷水机组控制*** |
CN113899055B (zh) * | 2020-06-22 | 2023-06-30 | 青岛海信日立空调***有限公司 | 冷水机组控制*** |
CN113780405A (zh) * | 2021-09-07 | 2021-12-10 | 科希曼电器有限公司 | 基于深度神经网络的空调机参数回归优化方法 |
CN115307350A (zh) * | 2022-08-15 | 2022-11-08 | 中机意园工程科技股份有限公司 | 一种地源热泵控制*** |
CN115307350B (zh) * | 2022-08-15 | 2024-05-24 | 中机意园工程科技股份有限公司 | 一种地源热泵控制*** |
Also Published As
Publication number | Publication date |
---|---|
CN110542178B (zh) | 2020-06-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110542178B (zh) | 具有自学习能力的空调冷冻机房控制方法及*** | |
Yan et al. | Semi-supervised learning for early detection and diagnosis of various air handling unit faults | |
Fan et al. | A novel methodology to explain and evaluate data-driven building energy performance models based on interpretable machine learning | |
CN111765604B (zh) | 空调的控制方法和装置 | |
Singh et al. | A comprehensive review: Fault detection, diagnostics, prognostics, and fault modeling in HVAC systems | |
CN112749810B (zh) | 模型训练方法、控制参数确定方法及装置 | |
Li et al. | Review on fault detection and diagnosis feature engineering in building heating, ventilation, air conditioning and refrigeration systems | |
CN114484731A (zh) | 一种基于stacking融合算法的中央空调故障诊断方法及装置 | |
CN110781595B (zh) | 能源使用效率pue的预测方法、装置、终端及介质 | |
US20170176036A1 (en) | Optimized precooling of structures | |
Zhang et al. | Deep learning in fault detection and diagnosis of building HVAC systems: A systematic review with meta analysis | |
CN108665052A (zh) | 果蝇算法优化广义回归神经网络的方法和装置 | |
CN114609994A (zh) | 基于多粒度正则化重平衡增量学习的故障诊断方法及装置 | |
CN111680712A (zh) | 基于日内相似时刻的变压器油温预测方法、装置及*** | |
CN113821903B (zh) | 温度控制方法和设备、模块化数据中心及存储介质 | |
CN114326987A (zh) | 制冷***控制及模型训练方法、装置、设备及存储介质 | |
CN113837635A (zh) | 风险检测处理方法、装置及设备 | |
Alonso et al. | Virtual sensor based on a deep learning approach for estimating efficiency in chillers | |
Elsayed et al. | Optimal design of proportional hazards based accelerated life testing plans | |
CN110849051B (zh) | 一种制冷***过热度控制方法及装置 | |
CN113591982A (zh) | 一种故障检测与诊断算法的性能评估方法及*** | |
Monfet et al. | Evaluation of a case-based reasoning energy prediction tool for commercial buildings | |
CN115877714B (zh) | 一种制冷***控制方法、装置、电子设备及存储介质 | |
Genkin et al. | Using Reinforcement Learning with Transfer Learning to Overcome Smart Building Cold Start | |
KR20200093343A (ko) | 건물설비 통합 최적 제어 방법 및 장치 |
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 |