CN116558038A - 一种空调***碳效/能效管理方法与***、存储介质 - Google Patents
一种空调***碳效/能效管理方法与***、存储介质 Download PDFInfo
- Publication number
- CN116558038A CN116558038A CN202310501076.1A CN202310501076A CN116558038A CN 116558038 A CN116558038 A CN 116558038A CN 202310501076 A CN202310501076 A CN 202310501076A CN 116558038 A CN116558038 A CN 116558038A
- Authority
- CN
- China
- Prior art keywords
- chiller
- operation mode
- nth
- carbon emission
- mode
- 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
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 132
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 132
- 238000004378 air conditioning Methods 0.000 title claims abstract description 68
- 238000003860 storage Methods 0.000 title claims abstract description 10
- 238000007726 management method Methods 0.000 title claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 50
- 238000005457 optimization Methods 0.000 claims abstract description 46
- 238000000034 method Methods 0.000 claims abstract description 43
- 238000004458 analytical method Methods 0.000 claims abstract description 9
- 238000001816 cooling Methods 0.000 claims description 42
- 230000006870 function Effects 0.000 claims description 38
- 239000013598 vector Substances 0.000 claims description 35
- 238000012549 training Methods 0.000 claims description 27
- 238000004364 calculation method Methods 0.000 claims description 20
- 238000003909 pattern recognition Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 13
- 230000001680 brushing effect Effects 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 6
- 230000001276 controlling effect Effects 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 238000000691 measurement method Methods 0.000 claims description 6
- 230000036316 preload Effects 0.000 claims description 6
- 230000001105 regulatory effect Effects 0.000 claims description 6
- 238000012706 support-vector machine Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 abstract description 5
- 238000009825 accumulation Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 7
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000005265 energy consumption Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000005611 electricity Effects 0.000 description 2
- 239000005431 greenhouse gas Substances 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000008569 process Effects 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
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
-
- 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
- F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
- F24F11/46—Improving electric energy efficiency or saving
-
- 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
- F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
- F24F11/63—Electronic processing
- F24F11/64—Electronic processing using pre-stored data
-
- 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
- F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
- F24F11/63—Electronic processing
- F24F11/65—Electronic processing for selecting an operating mode
-
- 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]
- G05B19/41865—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 job scheduling, process planning, material flow
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G05B2219/32252—Scheduling production, machining, job shop
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Combustion & Propulsion (AREA)
- General Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Chemical & Material Sciences (AREA)
- Mechanical Engineering (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Manufacturing & Machinery (AREA)
- Probability & Statistics with Applications (AREA)
- Automation & Control Theory (AREA)
- Quality & Reliability (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明涉及一种空调***碳效/能效管理方法与***、存储介质,所述方法采用模式运行分析算法,碳排放系数学习算法、模式识别算法、运行优化算法联用,基于***历史运行数据训练算法,提高算法精确度;基于***实时运行数据确定***运行模式,计算***碳排放的动态评估参数,增加了***碳排放效率评价的直观性,通过应用数据驱动,使算法具备运行积累持续优化的能力。
Description
技术领域
本发明涉及电力***技术领域,具体涉及一种空调***碳效/能效管理方法与***、存储介质。
背景技术
随着社会的发展,空调***能耗已达建筑能耗一半。中央空调的应用广泛,空调运行节能对降低空调***能耗,提升***碳效率越来越重要。当前主流的空调***中采用的自控策略仍较简单,且控制方案多直接基于***的能耗,没有体现对碳效的计算与评估,且使用的建模技术和调节方案也没有充分应用数据驱动方法,模型精度不足。
发明内容
针对目前在冷机复杂运行工况下的碳排放效率优化问题,本发明提供了一种空调***碳效/能效管理方法。基于空调***历史运行数据的进行驱动学习,实现冷机运行模式的划分,分模式换算运行能耗产生的等效碳排放,使算法模型可应对中央空调***的常见运行场景,在收集运行数据后,达成针对减小碳排放为目标的优化冷机的运行,并随在***中历史数据积累,提升算法模型的精确度。
本发明解决上述技术问题的方案如下:一种空调***碳效/能效管理方法,包括以下步骤:
基于空调***中各冷机历史运行数据,进行模式运行分类,得到冷机的运行模式标签;运行数据包括多种运行参数;
运行参数主要包括为冷机的实际耗电量、机组的实际制冷量、机组负荷率、压缩机运行频率、室内温度等;及***的气象信息,包括室外干球温度、湿球温度。数据应为等时间采集间隔的逐时数据记录,且记录间隔在30min内。
基于冷机的相关参数和运行模式标签,进行碳排放系数学习,确定各运行模式标签对应的碳排放系数;
基于运行模式标签和历史运行数据,进行模式识别学习,得到训练好的模式识别算法;
基于各冷机的实时运行数据随机生成新的指定参数,将实时运行数据中的其他参数和新的指定参数输入模式识别算法,得到各冷机实时运行模式标签;基于各冷机实时运行模式标签获取对应的碳排放系数;基于各冷机实时运行模式标签对应的碳排放系数,通过预先构建的优化模型对运行参数行进优化;
向空调***反馈优化后的各冷机运行参数并调控各冷机实时运行状态。
优选的,所述基于空调***中各冷机历史运行数据,进行模式运行分类,得到冷机的运行模式标签,具体包括:
基于空调***中各冷机历史运行数据,通过K均值模型进行模式运行分类,得到冷机的运行模式标签。
优选的,基于空调***中各冷机的历史运行数据,通过K均值模型进行模式运行分析学习,得到冷机的运行模式标签,具体包括:
将空调***中各冷机的历史运行数据输入K均值模型,生成样本集T={xu}1≤u≤N,xu∈Rn为样本集中第u个样本的特征向量;在样本集T中先随机选取K个样本作为初始的聚类中心,然后计算每个样本与各个聚类中心之间的距离,把每个样本分配给距离它最近的聚类中心,每个聚类中心代表一种类别,此时样本集中第u个样本分配初始运行模式标签为y′u∈{c1,c2,...cK};
计算所有样本到其所属聚类的中心点的距离之和D,计算公式如下:
其中Ci为第i个聚类的质心;dist函数为设定的距离度量方法;当所有样本都被分配了初始运行模式标签,每个聚类的聚类中心会根据聚类中现有的对象被重新计算;
返回执行计算每个样本与各个聚类中心之间的距离的步骤,直到每一个聚类的聚类中心不再发生变化,每个样本分配到最终的运行模式标签yu∈{c1,c2,...cK}。
优选的,所述基于冷机的相关参数和运行模式标签,进行碳排放系数学习,确定各运行模式标签对应的碳排放系数,具体计算公式为:
其中,βi为第i种运行模式标签对应的碳排放系数;i为运行模式标签,βr为基准运行模式碳排放系数,COPr为基准运行模式参考能效,COPi为第i种运行模式标签的参考能效。
其中,COPi的计算公式为:
式中,u为第u条样本***运行数据记录序号,Qj为第j条记录的***实际供冷量,P第u条记录的***实际功率,h为被分为第i种运行模式标签的记录总条数。
其中,COPr的设置方法为:根据冷机铭牌标定的名义制冷量和能效等级,根据机组冷量和能效的国家标准(GB19577-2004)读取各冷机的能效等级COP,取各冷机的读表所得最小值为基准参考能效COPr。
其中,βr的设置方法为:参考当地发电部门提供的每度用电等效碳排放,或参考省级温室气体清单编制指南提出的指数计算单位,单位为Kg/(kW.h)。
优选的,所述基于运行模式标签和历史运行数据,进行模式识别学习,得到训练好的模式识别算法,具体包括:
基于运行模式标签和历史运行数据构建集训练样本集T={(xu,yu)}1≤u≤N,yu∈{+1,-1},xu∈Rn,Rn指实数向量空间;
SVM模型采用径向基核函数,输入训练样本集对SVM模型进行软间隔最大化和核技巧进行优化与训练,并以如下参数范围为约束条件:
s.t.yu(<w,φ(xu)>+b)-1≥0,u=1,2,...,N
ξu≥0,u=1,2,...,N
式中,xu为训练集中第u个样本的特征向量;yu为训练集中第u个样本的运行模式标签,N为样本的类别总数;φ()为原始输入空间到高维特征空间的非线性映射,非线性支持向量机通过该映射将输入映射为特征向量,w为特征空间的超平面的法向量,b为超平面的偏置,<,>表示两向量的內积,ξu为松弛变量,C为惩罚参数;
训练好的模式识别算法SVM模型如下:
i=SVM(x,θ)
式中,i为运行模式标签,x为冷机运行数据中负荷率参数,θ为冷机运行数据中气象参数及其他运行参数。
优选的,所述基于各冷机的实时运行数据随机生成新的指定参数,将实时运行数据中的其他参数和新的指定参数输入模式识别算法,得到各冷机实时运行模式标签;根据各冷机实时运行模式标签获取实时运行模式标签对应的碳排放系数;基于各冷机的实时运行模式标签对应的碳排放系数,通过预先构建的优化模型对运行参数行进优化;具体包括;
构建以最小化碳排放量为目标的优化模型,优化模型中的损失函数Loss表达式如下:
其中,n为冷机序号,m为冷机总台数,i为基于SVM(x’,θ)的输出结果运行模式标签,ki,n对应第n个冷机设备在第i种运行模式标签下的碳排放系数,Pn为第n个冷机设备冷机额定功率,x’n为刷选出的第n个冷机设备随机生成的负荷率;
在第n个冷机设备的实时负荷率x参数附近,随机生成w个新的冷机负荷率x’;将第n个冷机设备实时运行数据中的其他参数、w个新的负荷率x’分组输入模式识别算法SVM(x’,θ),得到w组第n个冷机设备的运行模式标签i,根据运行模式标签i获取对应的碳排放系数ki,n;
输入w组第n个冷机设备的运行模式标签i对应的碳排放系数至优化模型,从w个负荷率x’刷选满足第n个冷机设备损失函数Loss最小化的负荷率x”n,并输出x”n作为第n个冷机设备的优化调整后的运行参数。
优选的,所述所述输入w组第n个冷机设备的运行模式标签i对应的碳排放系数至优化模型,从w个负荷率x’刷选满足第n个冷机设备损失函数Loss最小化的负荷率x”n,并输出x”n作为第n个冷机设备的优化调整后的运行参数;具体包括:
输入w组第n个冷机设备的运行模式标签i对应的碳排放系数至优化模型;
从w个负荷率x’刷选出满足第n个冷机设备损失函数Loss最小化的负荷率x”n,且x”n完成输出调整负荷率x”n前后,空调***中所有冷机输出的总冷量不变的限制条件,并输出x”n作为第n个冷机设备的优化调整后的运行参数;其中,限制条件表达式如下:
其中,Qn为第n个冷机的额定冷量,xn为第n个冷机调整前负荷率,x”n为第n个冷机为调整后负荷率。
设置此限制条件,可以在理论上保证负荷率调整前后,不改变改变***的总体供冷能力,从而间接保证***末端的环境舒适度基本在合适范围内。
本发明还提供一种空调***碳效/能效管理***,包括:
模式运行分析学习模块,用于基于空调***中各冷机历史运行数据,进行运行模式分类,得到冷机的运行模式标签;运行数据包括多种运行参数;
碳排放系数学习模块,用于基于冷机的相关参数和运行模式标签,进行碳排放系数学习,确定各运行模式标签对应的碳排放系数;
模式识别算法训练模块,用于基于运行模式标签和历史运行数据,进行模式识别学习,得到训练好的模式识别算法;
优化算法运行模块,用于基于各冷机的实时运行数据随机生成新的指定参数,将实时运行数据中的其他参数和新的指定参数输入模式识别算法,得到各冷机实时运行模式标签;基于各冷机实时运行模式标签获取对应的碳排放系数;基于各冷机实时运行模式标签对应的碳排放系数,通过预先构建的优化模型对运行参数行进优化;
***调控模块,用于向空调***反馈优化后的各冷机运行参数并调控各冷机实时运行状态。
优选的,所述基于空调***中各冷机历史运行数据,进行模式运行分类,得到冷机的运行模式标签,具体包括:
基于空调***中各冷机历史运行数据,通过K均值模型进行模式运行分类,得到冷机的运行模式标签。
优选的,基于空调***中各冷机的历史运行数据,通过K均值模型进行模式运行分析学习,得到冷机的运行模式标签,具体包括:
将空调***中各冷机的历史运行数据输入K均值模型,生成样本集T={xu}1≤u≤N,xu∈Rn为样本集中第u个样本的特征向量;在样本集T中先随机选取K个样本作为初始的聚类中心,然后计算每个样本与各个聚类中心之间的距离,把每个样本分配给距离它最近的聚类中心,每个聚类中心代表一种类别,此时样本集中第u个样本分配初始运行模式标签为y′u∈{c1,c2,...cK};
计算所有样本到其所属聚类的中心点的距离之和D,计算公式如下:
其中Ci为第i个聚类的质心;dist函数为设定的距离度量方法;当所有样本都被分配了初始运行模式标签,每个聚类的聚类中心会根据聚类中现有的对象被重新计算;
返回执行计算每个样本与各个聚类中心之间的距离的步骤,直到每一个聚类的聚类中心不再发生变化,每个样本分配到最终的运行模式标签yu∈{c1,c2,...cK}。
优选的,所述基于冷机的相关参数和运行模式标签,进行碳排放系数学习,确定各运行模式标签对应的碳排放系数,具体计算公式为:
其中,βi为第i种运行模式标签对应的碳排放系数;i为运行模式标签,βr为基准运行模式碳排放系数,COPr为基准运行模式参考能效,COPi为第i种运行模式标签的参考能效。
其中,COPi的计算公式为:
式中,u为第u条样本***运行数据记录序号,Qj为第j条记录的***实际供冷量,P第u条记录的***实际功率,h为被分为第i种运行模式标签的记录总条数。
优选的,所述基于运行模式标签和历史运行数据,进行模式识别学习,得到训练好的模式识别算法,具体包括:
基于运行模式标签和历史运行数据构建集训练样本集T={(xu,yu)}1≤u≤N,yu∈{+1,-1},xu∈Rn,Rn指实数向量空间;
SVM模型采用径向基核函数,输入训练样本集对SVM模型进行软间隔最大化和核技巧进行优化与训练,并以如下参数范围为约束条件:
s.t.yu(<w,φ(xu)>+b)-1≥0,u=1,2,...,N
ξu≥0,u=1,2,...,N
式中,xu为训练集中第u个样本的特征向量;yu为训练集中第u个样本的运行模式标签,N为样本的类别总数;φ()为原始输入空间到高维特征空间的非线性映射,非线性支持向量机通过该映射将输入映射为特征向量,w为特征空间的超平面的法向量,b为超平面的偏置,<,>表示两向量的內积,ξu为松弛变量,C为惩罚参数;
训练好的模式识别算法SVM模型如下:
i=SVM(x,θ)
式中,i为运行模式标签,x为冷机运行数据中负荷率参数,θ为冷机运行数据中气象参数及其他运行参数。
优选的,所述基于各冷机的实时运行数据随机生成新的指定参数,将实时运行数据中的其他参数和新的指定参数输入模式识别算法,得到各冷机实时运行模式标签;根据各冷机实时运行模式标签获取实时运行模式标签对应的碳排放系数;基于各冷机的实时运行模式标签对应的碳排放系数,通过预先构建的优化模型对运行参数行进优化;具体包括;
构建以最小化碳排放量为目标的优化模型,优化模型中的损失函数Loss表达式如下:
其中,n为冷机序号,m为冷机总台数,i为基于SVM(x’,θ)的输出结果运行模式标签,ki,n对应第n个冷机设备在第i种运行模式标签下的碳排放系数,Pn为第n个冷机设备冷机额定功率,x’n为刷选出的第n个冷机设备随机生成的负荷率;
在第n个冷机设备的实时负荷率x参数附近,随机生成w个新的冷机负荷率x’;将第n个冷机设备实时运行数据中的其他参数、w个新的负荷率x’分组输入模式识别算法SVM(x’,θ),得到w组第n个冷机设备的运行模式标签i,根据运行模式标签i获取对应的碳排放系数ki,n;
输入w组第n个冷机设备的运行模式标签i对应的碳排放系数至优化模型,从w个负荷率x’刷选满足第n个冷机设备损失函数Loss最小化的负荷率x”n,并输出x”n作为第n个冷机设备的优化调整后的运行参数。
优选的,所述所述输入w组第n个冷机设备的运行模式标签i对应的碳排放系数至优化模型,从w个负荷率x’刷选满足第n个冷机设备损失函数Loss最小化的负荷率x”n,并输出x”n作为第n个冷机设备的优化调整后的运行参数;具体包括:
输入w组第n个冷机设备的运行模式标签i对应的碳排放系数至优化模型;
从w个负荷率x’刷选出满足第n个冷机设备损失函数Loss最小化的负荷率x”n,且x”n完成输出调整负荷率x”n前后,空调***中所有冷机输出的总冷量不变的限制条件,并输出x”n作为第n个冷机设备的优化调整后的运行参数;其中,限制条件表达式如下:
其中,Qn为第n个冷机的额定冷量,xn为第n个冷机调整前负荷率,x”n为第n个冷机为调整后负荷率。
本发明还提供一种计算机存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如上所述空调***碳效/能效管理方法的步骤
本发明还提供一种电子设备,包括存储器和处理器:所述存储器用于存储计算机可执行指令,所述处理器用于执行所述计算机可执行指令,所述计算机可执行指令被处理器执行时实现如上所述空调***碳效/能效管理方法的步骤。
本发明的有益效果是:本发明提供的方法基于***运行数据确定***运行模式,计算***碳排放的动态评估参数,增加了***碳排放效率评价的直观性。通过应用数据驱动,***中运行数据积累,使算法模型具备运行积累持续优化的能力,从而提升准确性和可靠性。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,并可依照说明书的内容予以实施,以下以本发明的较佳实施例并配合附图详细说明如后。本发明的具体实施方式由以下实施例及其附图详细给出。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明实施例1所述方法的流程简图;
图2为本发明实施例1所述方法运行及优化的流程图;
图3为本发明实施例2所述***运行的流程简图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
实施例1
如图1-2所示,一种空调***碳效/能效管理方法,包括以下步骤:
基于空调***中各冷机历史运行数据,进行模式运行分类,得到冷机的运行模式标签,具体步骤如下:
将空调***中各冷机的历史运行数据输入K均值模型,生成样本集T={xu}1≤u≤N,xu∈Rn为样本集中第u个样本的特征向量;在样本集T中先随机选取K个样本作为初始的聚类中心,然后计算每个样本与各个聚类中心之间的距离,把每个样本分配给距离它最近的聚类中心,每个聚类中心代表一种类别,此时样本集中第u个样本分配初始运行模式标签为y′u∈{c1,c2,...cK};
计算所有样本到其所属聚类的中心点的距离之和D,计算公式如下:
其中,Ci为第i个聚类的质心;dist函数为设定的距离度量方法;当所有样本都被分配了初始运行模式标签,每个聚类的聚类中心会根据聚类中现有的对象被重新计算;
返回执行计算每个样本与各个聚类中心之间的距离的步骤,直到每一个聚类的聚类中心不再发生变化,每个样本分配到最终的运行模式标签yu∈{c1,c2,...cK}。
其中,***运行数据,包括多种不同的冷机运行关键参数。主要包括为冷机的实际耗电量、机组的实际制冷量、机组负荷率、压缩机运行频率、室内温度等;及***的气象信息,包括室外干球温度、湿球温度。数据应为等时间采集间隔的逐时数据记录,且记录间隔在30min内。
基于冷机的相关参数和运行模式标签,进行碳排放系数学习,确定各运行模式标签对应的碳排放系数,具体计算公式为:
其中,βi为第i种运行模式标签对应的碳排放系数;i为运行模式标签,βr为基准运行模式碳排放系数,COPr为基准运行模式参考能效,COPi为第i种运行模式标签的参考能效。
其中,COPi的计算公式为:
式中,u为第u条样本***运行数据记录序号,Qj为第j条记录的***实际供冷量,P第u条记录的***实际功率,h为被分为第i种运行模式标签的记录总条数。
其中,COPr的设置方法为:根据冷机铭牌标定的名义制冷量和能效等级,根据机组冷量和能效的国家标准(GB19577-2004)读取各冷机的能效等级COP,取各冷机的读表所得最小值为基准参考能效COPr。
其中,βr的设置方法为:参考当地发电部门提供的每度用电等效碳排放,或参考省级温室气体清单编制指南提出的指数计算单位,单位为Kg/(kW.h)。
最终,对于获取的模式化碳排放系数计算系数,以如下表1形式记录:
表1
运行模式 | 碳排放系数 |
模式1 | k1 |
模式2 | k2 |
模式3 | k3 |
... | ... |
基于运行模式标签和历史运行数据,进行模式识别学习,得到训练好的模式识别算法,具体步骤如下:
基于运行模式标签和历史运行数据构建集训练样本集T={(xu,yu)}1≤u≤N,yu∈{+1,-1},xu∈Rn,Rn指实数向量空间;
SVM模型采用径向基核函数,输入训练样本集对SVM模型进行软间隔最大化和核技巧进行优化与训练,并以如下参数范围为约束条件:
s.t.yu(<w,φ(xu)>+b)-1≥0,u=1,2,...,N
ξu≥0,u=1,2,...,N
式中,xu为训练集中第u个样本的特征向量;yu为训练集中第u个样本的运行模式标签,N为样本的类别总数;φ()为原始输入空间到高维特征空间的非线性映射,非线性支持向量机通过该映射将输入映射为特征向量,w为特征空间的超平面的法向量,b为超平面的偏置,<,>表示两向量的內积,ζu为松弛变量,C为惩罚参数;
训练好的模式识别算法SVM模型如下:
i=SVM(x,θ)
式中,i为运行模式标签,x为冷机运行数据中负荷率参数,θ为冷机运行数据中气象参数及其他运行参数。
基于各冷机的实时运行数据随机生成新的指定参数,将实时运行数据中的其他参数和新的指定参数输入模式识别算法,得到各冷机实时运行模式标签;根据各冷机实时运行模式标签获取实时运行模式标签对应的碳排放系数;基于各冷机实时运行模式标签对应的碳排放系数,通过预先构建的优化模型对运行参数行进优化
具体步骤如下;
构建以最小化碳排放量为目标的优化模型,优化模型中的损失函数Loss表达式如下:
其中,n为冷机序号,m为冷机总台数,i为基于SVM(x’,θ)的输出结果运行模式标签,ki,n对应第n个冷机设备在第i种运行模式标签下的碳排放系数,Pn为第n个冷机设备冷机额定功率,x’n为刷选出的第n个冷机设备随机生成的负荷率;
在第n个冷机设备的实时负荷率x参数附近,随机生成w个新的冷机负荷率x’;将第n个冷机设备实时运行数据中的其他参数、w个新的负荷率x’分组输入模式识别算法SVM(x’,θ),得到w组第n个冷机设备的运行模式标签i,根据运行模式标签i获取对应的碳排放系数ki,n;
输入w组第n个冷机设备的运行模式标签i对应的碳排放系数至优化模型,从w个负荷率x’刷选满足第n个冷机设备损失函数Loss最小化的负荷率x”n,且x”n完成输出调整负荷率x”n前后,空调***中所有冷机输出的总冷量不变的限制条件;其中,限制条件表达式如下:
其中,Qn为第n个冷机的额定冷量,xn为第n个冷机调整前负荷率,x”n为第n个冷机为调整后负荷率。
输出x”n作为第n个冷机设备的优化调整后的运行参数。
向空调***反馈优化后的各冷机运行参数并调控各冷机实时运行状态。
实施例2
一种空调***碳效/能效管理***,如图3所示,包括:
模式运行分析学习模块,用于基于空调***中各冷机历史运行数据,进行运行模式分类,得到冷机的运行模式标签;运行数据包括多种运行参数;
碳排放系数学习模块,用于基于冷机的相关参数和运行模式标签,进行碳排放系数学习,确定各运行模式标签对应的碳排放系数;
模式识别算法训练模块,用于基于运行模式标签和历史运行数据,进行模式识别学习,得到训练好的模式识别算法;
优化算法运行模块,用于基于各冷机的实时运行数据随机生成新的指定参数,将实时运行数据中的其他参数和新的指定参数输入模式识别算法,得到各冷机实时运行模式标签;基于各冷机实时运行模式标签获取对应的碳排放系数;基于各冷机实时运行模式标签对应的碳排放系数,通过预先构建的优化模型对运行参数行进优化;
***调控模块,用于向空调***反馈优化后的各冷机运行参数并调控各冷机实时运行状态。
所述基于空调***中各冷机历史运行数据,进行模式运行分类,得到冷机的运行模式标签,具体包括:
基于空调***中各冷机历史运行数据,通过K均值模型进行模式运行分类,得到冷机的运行模式标签。
所述基于空调***中各冷机的历史运行数据,通过K均值模型进行模式运行分析学习,得到冷机的运行模式标签,具体包括:
将空调***中各冷机的历史运行数据输入K均值模型,生成样本集T={xu}1≤u≤N,xu∈Rn为样本集中第u个样本的特征向量;在样本集T中先随机选取K个样本作为初始的聚类中心,然后计算每个样本与各个聚类中心之间的距离,把每个样本分配给距离它最近的聚类中心,每个聚类中心代表一种类别,此时样本集中第u个样本分配初始运行模式标签为y′u∈{c1,c2,...cK};
计算所有样本到其所属聚类的中心点的距离之和D,计算公式如下:
其中Ci为第i个聚类的质心;dist函数为设定的距离度量方法;当所有样本都被分配了初始运行模式标签,每个聚类的聚类中心会根据聚类中现有的对象被重新计算;
返回执行计算每个样本与各个聚类中心之间的距离的步骤,直到每一个聚类的聚类中心不再发生变化,每个样本分配到最终的运行模式标签yu∈{c1,c2,...cK}。
所述基于冷机的相关参数和运行模式标签,进行碳排放系数学习,确定各运行模式标签对应的碳排放系数,具体计算公式为:
其中,βi为第i种运行模式标签对应的碳排放系数;i为运行模式标签,βr为基准运行模式碳排放系数,COPr为基准运行模式参考能效,COPi为第i种运行模式标签的参考能效。
其中,COPi的计算公式为:
式中,u为第u条样本***运行数据记录序号,Qj为第j条记录的***实际供冷量,P第u条记录的***实际功率,h为被分为第i种运行模式标签的记录总条数。
所述基于运行模式标签和历史运行数据,进行模式识别学习,得到训练好的模式识别算法,具体包括:
基于运行模式标签和历史运行数据构建集训练样本集T={(xu,yu)}1≤u≤N,yu∈{+1,-1},xu∈Rn,Rn指实数向量空间;
SVM模型采用径向基核函数,输入训练样本集对SVM模型进行软间隔最大化和核技巧进行优化与训练,并以如下参数范围为约束条件:
s.t.yu(<w,φ(xu)>+b)-1≥0,u=1,2,...,N
ξu≥0,u=1,2,...,N
式中,xu为训练集中第u个样本的特征向量;yu为训练集中第u个样本的运行模式标签,N为样本的类别总数;φ()为原始输入空间到高维特征空间的非线性映射,非线性支持向量机通过该映射将输入映射为特征向量,w为特征空间的超平面的法向量,b为超平面的偏置,<,>表示两向量的內积,ξu为松弛变量,C为惩罚参数;
训练好的模式识别算法SVM模型如下:
i=SVM(x,θ)
式中,i为运行模式标签,x为冷机运行数据中负荷率参数,θ为冷机运行数据中气象参数及其他运行参数。
所述基于各冷机的实时运行数据随机生成新的指定参数,将实时运行数据中的其他参数和新的指定参数输入模式识别算法,得到各冷机实时运行模式标签;根据各冷机实时运行模式标签获取实时运行模式标签对应的碳排放系数;基于各冷机的实时运行模式标签对应的碳排放系数,通过预先构建的优化模型对运行参数行进优化;具体包括;
构建以最小化碳排放量为目标的优化模型,优化模型中的损失函数Loss表达式如下:
其中,n为冷机序号,m为冷机总台数,i为基于SVM(x’,θ)的输出结果运行模式标签,ki,n对应第n个冷机设备在第i种运行模式标签下的碳排放系数,Pn为第n个冷机设备冷机额定功率,x’n为刷选出的第n个冷机设备随机生成的负荷率;
在第n个冷机设备的实时负荷率x参数附近,随机生成w个新的冷机负荷率x’;将第n个冷机设备实时运行数据中的其他参数、w个新的负荷率x’分组输入模式识别算法SVM(x’,θ),得到w组第n个冷机设备的运行模式标签i,根据运行模式标签i获取对应的碳排放系数ki,n;
输入w组第n个冷机设备的运行模式标签i对应的碳排放系数至优化模型,从w个负荷率x’刷选满足第n个冷机设备损失函数Loss最小化的负荷率x”n,并输出x”n作为第n个冷机设备的优化调整后的运行参数。
所述所述输入w组第n个冷机设备的运行模式标签i对应的碳排放系数至优化模型,从w个负荷率x’刷选满足第n个冷机设备损失函数Loss最小化的负荷率x”n,并输出x”n作为第n个冷机设备的优化调整后的运行参数;具体包括:
输入w组第n个冷机设备的运行模式标签i对应的碳排放系数至优化模型;
从w个负荷率x’刷选出满足第n个冷机设备损失函数Loss最小化的负荷率x”n,且x”n完成输出调整负荷率x”n前后,空调***中所有冷机输出的总冷量不变的限制条件,并输出x”n作为第n个冷机设备的优化调整后的运行参数;其中,限制条件表达式如下:
其中,Qn为第n个冷机的额定冷量,xn为第n个冷机调整前负荷率,x”n为第n个冷机为调整后负荷率。
实施例3
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如实施例1所述空调***碳效/能效管理方法的步骤。
实施例4
一种电子设备,包括存储器和处理器:所述存储器用于存储计算机可执行指令,所述处理器用于执行所述计算机可执行指令,所述计算机可执行指令被处理器执行时实现如实施例1所述空调***碳效/能效管理方法的步骤。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本申请实施例中的方案可以采用各种计算机语言实现,例如,面向对象的程序设计语言Java和直译式脚本语言JavaScript等。本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。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。
Claims (16)
1.一种空调***碳效/能效管理方法,其特征在于,包括以下步骤:
基于空调***中各冷机历史运行数据,进行运行模式分类,得到冷机的运行模式标签;运行数据包括多种运行参数;
基于冷机的相关参数和运行模式标签,进行碳排放系数学习,确定各运行模式标签对应的碳排放系数;
基于运行模式标签和历史运行数据,进行模式识别学习,得到训练好的模式识别算法;
基于各冷机的实时运行数据随机生成新的指定参数,将实时运行数据中的其他参数和新的指定参数输入模式识别算法,得到各冷机实时运行模式标签;基于各冷机实时运行模式标签获取对应的碳排放系数;基于各冷机实时运行模式标签对应的碳排放系数,通过预先构建的优化模型对运行参数行进优化;
向空调***反馈优化后的各冷机运行参数并调控各冷机实时运行状态。
2.根据权利要求1所述一种空调***碳效/能效管理方法,其特征在于,所述基于空调***中各冷机历史运行数据,进行运行模式分类,得到冷机的运行模式标签,具体包括:
基于空调***中各冷机历史运行数据,通过K均值模型进行模式运行分类,得到冷机的运行模式标签。
3.根据权利要求2所述一种空调***碳效/能效管理方法,其特征在于,基于空调***中各冷机历史运行数据,通过K均值模型进行模式运行分析学习,得到冷机的运行模式标签,具体包括:
将空调***中各冷机的历史运行数据输入K均值模型,生成样本集T={xu}1≤u≤N,xu∈Rn为样本集中第u个样本的特征向量;
在样本集T中先随机选取K个样本作为初始的聚类中心,然后计算每个样本与各个聚类中心之间的距离,把每个样本分配给距离它最近的聚类中心,每个聚类中心代表一种类别,此时样本集中第u个样本分配初始运行模式标签为y′u∈{c1,c2,...cK};
计算所有样本到其所属聚类的中心点的距离之和D,计算公式如下:
其中Ci为第i个聚类的质心;dist函数为设定的距离度量方法;
当所有样本都被分配了初始运行模式标签,每个聚类的聚类中心会根据聚类中现有的对象被重新计算;
返回执行计算每个样本与各个聚类中心之间的距离的步骤,直到每一个聚类的聚类中心不再发生变化,每个样本分配到最终的运行模式标签yu∈{c1,c2,...cK}。
4.根据权利要求1所述一种空调***碳效/能效管理方法,其特征在于,所述基于冷机的相关参数和运行模式标签,进行碳排放系数学习,确定各运行模式标签对应的碳排放系数,具体计算公式为:
其中,βi为第i种运行模式标签对应的碳排放系数;i为运行模式标签,βr为基准运行模式碳排放系数,COPr为基准运行模式参考能效,COPi为第i种运行模式标签的参考能效;
其中,COPi的计算公式为:
式中,u为第u条样本***运行数据记录序号,Qj为第j条记录的***实际供冷量,P第u条记录的***实际功率,h为被分为第i种运行模式标签的记录总条数。
5.根据权利要求1所述一种空调***碳效/能效管理方法,其特征在于,所述基于运行模式标签和历史运行数据,进行模式识别学习,得到训练好的模式识别算法,具体包括:
基于运行模式标签和历史运行数据构建集训练样本集T={(xu,yu)}1≤u≤N,yu∈{+1,-1},xu∈Rn,Rn指实数向量空间;
SVM模型采用径向基核函数,输入训练样本集对SVM模型进行软间隔最大化和核技巧进行优化与训练,并以如下参数范围为约束条件:
s.t.yu(<w,φ(xu)>+b)-1≥0,u=1,2,...,N
ξu≥0,u=1,2,...,N
式中,xu为训练集中第u个样本的特征向量;yu为训练集中第u个样本的运行模式标签,N为样本的类别总数;φ()为原始输入空间到高维特征空间的非线性映射,非线性支持向量机通过该映射将输入映射为特征向量,w为特征空间的超平面的法向量,b为超平面的偏置,<,>表示两向量的內积,ξu为松弛变量,C为惩罚参数;
训练好的模式识别算法SVM模型如下:
i=SVM(x,θ)
式中,i为运行模式标签,x为冷机运行数据中负荷率参数,θ为冷机运行数据中气象参数及其他运行参数。
6.根据权利要求5所述一种空调***碳效/能效管理方法,其特征在于,所述基于各冷机的实时运行数据随机生成新的指定参数,将实时运行数据中的其他参数和新的指定参数输入模式识别算法,得到各冷机实时运行模式标签;根据各冷机实时运行模式标签获取实时运行模式标签对应的碳排放系数;基于各冷机实时运行模式标签对应的碳排放系数,通过预先构建的优化模型对运行参数行进优化;具体包括;
构建以最小化碳排放量为目标的优化模型,优化模型中的损失函数Loss表达式如下:
其中,n为冷机序号,m为冷机总台数,i为基于SVM(x’,θ)的输出结果运行模式标签,ki,n对应第n个冷机设备在第i种运行模式标签下的碳排放系数,Pn为第n个冷机设备冷机额定功率,x’n为刷选出的第n个冷机设备随机生成的负荷率;
在第n个冷机设备的实时负荷率x参数附近,随机生成w个新的冷机负荷率x’;将第n个冷机设备实时运行数据中的其他参数、w个新的负荷率x’分组输入模式识别算法SVM(x’,θ),得到w组第n个冷机设备的运行模式标签i,根据运行模式标签i获取对应的碳排放系数ki,n;
输入w组第n个冷机设备的运行模式标签i对应的碳排放系数至优化模型,从w个负荷率x’刷选满足第n个冷机设备损失函数Loss最小化的负荷率x”n,并输出x”n作为第n个冷机设备的优化调整后的运行参数。
7.根据权利要求6所述一种空调***碳效/能效管理方法,其特征在于,所述输入w组第n个冷机设备的运行模式标签i对应的碳排放系数至优化模型,从w个负荷率x’刷选满足第n个冷机设备损失函数Loss最小化的负荷率x”n,并输出x”n作为第n个冷机设备的优化调整后的运行参数;具体包括:
输入w组第n个冷机设备的运行模式标签i对应的碳排放系数至优化模型;
从w个负荷率x’刷选出满足第n个冷机设备损失函数Loss最小化的负荷率x”n,且x”n完成输出调整负荷率x”n前后,空调***中所有冷机输出的总冷量不变的限制条件,并输出x”n作为第n个冷机设备的优化调整后的运行参数;其中,限制条件表达式如下:
其中,Qn为第n个冷机的额定冷量,xn为第n个冷机调整前负荷率,x”n为第n个冷机为调整后负荷率。
8.一种空调***碳效/能效管理***,其特征在于,包括:
模式运行分析学习模块,用于基于空调***中各冷机历史运行数据,进行运行模式分类,得到冷机的运行模式标签;运行数据包括多种运行参数;
碳排放系数学习模块,用于基于冷机的相关参数和运行模式标签,进行碳排放系数学习,确定各运行模式标签对应的碳排放系数;
模式识别算法训练模块,用于基于运行模式标签和历史运行数据,进行模式识别学习,得到训练好的模式识别算法;
优化算法运行模块,用于基于各冷机的实时运行数据随机生成新的指定参数,将实时运行数据中的其他参数和新的指定参数输入模式识别算法,得到各冷机实时运行模式标签;基于各冷机实时运行模式标签获取对应的碳排放系数;基于各冷机实时运行模式标签对应的碳排放系数,通过预先构建的优化模型对运行参数行进优化;
***调控模块,用于向空调***反馈优化后的各冷机运行参数并调控各冷机实时运行状态。
9.根据权利要求8所述一种空调***碳效/能效管理***,其特征在于,所述基于空调***中各冷机历史运行数据,进行运行模式分类,得到冷机的运行模式标签,具体包括:
基于空调***中各冷机历史运行数据,通过K均值模型进行模式运行分类,得到冷机的运行模式标签。
10.根据权利要求9所述一种空调***碳效/能效管理***,其特征在于,所述基于空调***中各冷机历史运行数据,通过K均值模型进行模式运行分析学习,得到冷机的运行模式标签,具体包括:
将空调***中各冷机的历史运行数据输入K均值模型,生成样本集T={xu}1≤u≤N,xu∈Rn为样本集中第u个样本的特征向量;
在样本集T中先随机选取K个样本作为初始的聚类中心,然后计算每个样本与各个聚类中心之间的距离,把每个样本分配给距离它最近的聚类中心,每个聚类中心代表一种类别,此时样本集中第u个样本分配初始运行模式标签为y′u∈{c1,c2,...cK};
计算所有样本到其所属聚类的中心点的距离之和D,计算公式如下:
其中Ci为第i个聚类的质心;dist函数为设定的距离度量方法;
当所有样本都被分配了初始运行模式标签,每个聚类的聚类中心会根据聚类中现有的对象被重新计算;
返回执行计算每个样本与各个聚类中心之间的距离的步骤,直到每一个聚类的聚类中心不再发生变化,每个样本分配到最终的运行模式标签yu∈{c1,c2,...cK}。
11.根据权利要求8所述一种空调***碳效/能效管理***,其特征在于,所述基于冷机的相关参数和运行模式标签,进行碳排放系数学习,确定各运行模式标签对应的碳排放系数,具体计算公式为:
其中,βi为第i种运行模式标签对应的碳排放系数;i为运行模式标签,βr为基准运行模式碳排放系数,COPr为基准运行模式参考能效,COPi为第i种运行模式标签的参考能效;
其中,COPi的计算公式为:
式中,u为第u条样本***运行数据记录序号,Qj为第j条记录的***实际供冷量,P第u条记录的***实际功率,h为被分为第i种运行模式标签的记录总条数。
12.根据权利要求8所述一种空调***碳效/能效管理***,其特征在于,所述基于运行模式标签和历史运行数据,进行模式识别学习,得到训练好的模式识别算法,具体包括:
基于运行模式标签和历史运行数据构建集训练样本集T={(xu,yu)}1≤u≤N,yu∈{+1,-1},xu∈Rn,Rn指实数向量空间;
SVM模型采用径向基核函数,输入训练样本集对SVM模型进行软间隔最大化和核技巧进行优化与训练,并以如下参数范围为约束条件:
s.t.yu(<w,φ(xu)>+b)-1≥0,u=1,2,...,N
ξu≥0,u=1,2,...,N
式中,xu为训练集中第u个样本的特征向量;yu为训练集中第u个样本的运行模式标签,N为样本的类别总数;φ()为原始输入空间到高维特征空间的非线性映射,非线性支持向量机通过该映射将输入映射为特征向量,w为特征空间的超平面的法向量,b为超平面的偏置,<,>表示两向量的內积,ξu为松弛变量,C为惩罚参数;
训练好的模式识别算法SVM模型如下:
i=SVM(x,θ)
式中,i为运行模式标签,x为冷机运行数据中负荷率参数,θ为冷机运行数据中气象参数及其他运行参数。
13.根据权利要求12所述一种空调***碳效/能效管理***,其特征在于,所述基于各冷机的实时运行数据随机生成新的指定参数,将实时运行数据中的其他参数和新的指定参数输入模式识别算法,得到各冷机实时运行模式标签;根据各冷机实时运行模式标签获取实时运行模式标签对应的碳排放系数;基于各冷机实时运行模式标签对应的碳排放系数,通过预先构建的优化模型对运行参数行进优化;具体包括;
构建以最小化碳排放量为目标的优化模型,优化模型中的损失函数Loss表达式如下:
其中,n为冷机序号,m为冷机总台数,i为基于SVM(x’,θ)的输出结果运行模式标签,ki,n对应第n个冷机设备在第i种运行模式标签下的碳排放系数,Pn为第n个冷机设备冷机额定功率,x’n为刷选出的第n个冷机设备随机生成的负荷率;
在第n个冷机设备的实时负荷率x参数附近,随机生成w个新的冷机负荷率x’;将第n个冷机设备实时运行数据中的其他参数、w个新的负荷率x’分组输入模式识别算法SVM(x’,θ),得到w组第n个冷机设备的运行模式标签i,根据运行模式标签i获取对应的碳排放系数ki,n;
输入w组第n个冷机设备的运行模式标签i对应的碳排放系数至优化模型,从w个负荷率x’刷选满足第n个冷机设备损失函数Loss最小化的负荷率x”n,并输出x”n作为第n个冷机设备的优化调整后的运行参数。
14.根据权利要求13所述一种空调***碳效/能效管理***,其特征在于,所述输入w组第n个冷机设备的运行模式标签i对应的碳排放系数至优化模型,从w个负荷率x’刷选满足第n个冷机设备损失函数Loss最小化的负荷率x”n,并输出x”n作为第n个冷机设备的优化调整后的运行参数;具体包括:
输入w组第n个冷机设备的运行模式标签i对应的碳排放系数至优化模型;
从w个负荷率x’刷选出满足第n个冷机设备损失函数Loss最小化的负荷率x”n,且x”n完成输出调整负荷率x”n前后,空调***中所有冷机输出的总冷量不变的限制条件,并输出x”n作为第n个冷机设备的优化调整后的运行参数;其中,限制条件表达式如下:
其中,Qn为第n个冷机的额定冷量,xn为第n个冷机调整前负荷率,x”n为第n个冷机为调整后负荷率。
15.一种计算机存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-7任一项所述空调***碳效/能效管理方法的步骤。
16.一种电子设备,其特征在于,包括存储器和处理器:所述存储器用于存储计算机可执行指令,所述处理器用于执行所述计算机可执行指令,所述计算机可执行指令被处理器执行时实现如权利要求1-7任一项所述空调***碳效/能效管理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310501076.1A CN116558038A (zh) | 2023-04-28 | 2023-04-28 | 一种空调***碳效/能效管理方法与***、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310501076.1A CN116558038A (zh) | 2023-04-28 | 2023-04-28 | 一种空调***碳效/能效管理方法与***、存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116558038A true CN116558038A (zh) | 2023-08-08 |
Family
ID=87491027
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310501076.1A Pending CN116558038A (zh) | 2023-04-28 | 2023-04-28 | 一种空调***碳效/能效管理方法与***、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116558038A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117458048A (zh) * | 2023-09-04 | 2024-01-26 | 东莞市深合电气有限公司 | 液冷机组的制冷量控制方法、液冷机组及储能*** |
CN117648740A (zh) * | 2023-11-17 | 2024-03-05 | 山东正晨科技股份有限公司 | 一种中央空调建模方法 |
-
2023
- 2023-04-28 CN CN202310501076.1A patent/CN116558038A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117458048A (zh) * | 2023-09-04 | 2024-01-26 | 东莞市深合电气有限公司 | 液冷机组的制冷量控制方法、液冷机组及储能*** |
CN117458048B (zh) * | 2023-09-04 | 2024-05-24 | 东莞市深合电气有限公司 | 液冷机组的制冷量控制方法、液冷机组及储能*** |
CN117648740A (zh) * | 2023-11-17 | 2024-03-05 | 山东正晨科技股份有限公司 | 一种中央空调建模方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111237989A (zh) | 一种基于负荷预测的楼宇通风空调控制方法及装置 | |
CN105378391A (zh) | 针对hvac需求响应的在线优化方案 | |
CN112990558B (zh) | 一种基于深度迁移学习的气象温度、光照的预测方法 | |
CN116558038A (zh) | 一种空调***碳效/能效管理方法与***、存储介质 | |
CN110750655B (zh) | 一种智能ietm故障维修辅助***的知识库优化方法 | |
CN1087187A (zh) | 状态测定装置 | |
CN114688688B (zh) | 一种基于深度学习的智能制冷舒适空调 | |
CN112186761B (zh) | 一种基于概率分布的风电功率场景生成方法及*** | |
CN114066071A (zh) | 一种基于能耗的电力参数优化方法、终端设备及存储介质 | |
CN111723085B (zh) | 公共建筑空调用电能耗数据清洗方法及*** | |
CN116266253A (zh) | 空调参数的优化控制方法、***和计算机可读存储介质 | |
CN111723925A (zh) | 一种在途智能列车空调机组故障诊断方法、装置、设备及介质 | |
CN116796141A (zh) | 一种基于gbdt回归模型的办公建筑能耗预测方法 | |
CN116576544A (zh) | 基于物联智能体减碳优化模型的暖通空调***节能方法 | |
Chen et al. | Similarity learning-based fault detection and diagnosis in building HVAC systems with limited labeled data | |
WO2024041409A1 (zh) | 确定代表风力发电机组的方法和装置以及控制方法和装置 | |
Masdoua et al. | Fault detection and diagnosis in AHU system with data driven approaches | |
CN113821903A (zh) | 温度控制方法和设备、模块化数据中心及存储介质 | |
CN111473480A (zh) | 一种基于决策树分类的中央空调节能控制方法 | |
CN115712976A (zh) | 基于多元供热机组的热能及电负荷优化方法及相关设备 | |
CN112364999B (zh) | 冷水机调节模型的训练方法、装置及电子设备 | |
Genkin et al. | Using Reinforcement Learning with Transfer Learning to Overcome Smart Building Cold Start | |
Cheng et al. | Abnormal energy consumption detection using ensemble model for water chilling unit on HVAC system | |
Li et al. | Study on clustering analysis of building energy consumption data | |
CN116235188A (zh) | 生成分析对象的预测模型的方法、装置和存储介质 |
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 |