CN116955963A - 基于历史数据分析的暖通节能阶梯寻优控制方法 - Google Patents
基于历史数据分析的暖通节能阶梯寻优控制方法 Download PDFInfo
- Publication number
- CN116955963A CN116955963A CN202311204306.4A CN202311204306A CN116955963A CN 116955963 A CN116955963 A CN 116955963A CN 202311204306 A CN202311204306 A CN 202311204306A CN 116955963 A CN116955963 A CN 116955963A
- Authority
- CN
- China
- Prior art keywords
- data
- historical data
- distance
- historical
- sets
- 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
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000010438 heat treatment Methods 0.000 title claims abstract description 65
- 238000009423 ventilation Methods 0.000 title claims abstract description 65
- 238000007405 data analysis Methods 0.000 title claims abstract description 19
- 238000004378 air conditioning Methods 0.000 claims abstract description 34
- 238000011156 evaluation Methods 0.000 claims abstract description 24
- 238000005457 optimization Methods 0.000 claims description 30
- 238000005057 refrigeration Methods 0.000 claims description 24
- 238000001816 cooling Methods 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 20
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 17
- 230000002787 reinforcement Effects 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000004146 energy storage Methods 0.000 claims description 6
- 239000000178 monomer Substances 0.000 claims description 6
- 238000007710 freezing Methods 0.000 claims description 4
- 230000008014 freezing Effects 0.000 claims description 4
- 239000008400 supply water Substances 0.000 claims description 3
- 238000004134 energy conservation Methods 0.000 abstract description 4
- 238000005265 energy consumption Methods 0.000 description 8
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013433 optimization analysis Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- 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
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明涉及暖通节能技术领域,提出了基于历史数据分析的暖通节能阶梯寻优控制方法,包括:根据采集的数据获取多个历史数据组和同一同时刻历史数据组;获取数据种类关联度调整系数;获取不同历史数据间的数据距离,进而获取历史数据对应的b临近数据距离和b+1临近数据距离,进而获取第b临近差异,进而确定第一阈值;获取密度数据距离,确定密度距离;获取每两个同时刻历史数据组之间的评价距离;构建暖通空调***模型和暖通空调的各个设备的模型,根据采集的数据、建立的模型和评价距离获取暖通空调***的最优化控制参数,实现阶梯寻优控制,解决现有的暖通节能控制方法无法使暖通空调不同设备在运行时均达到最优状态的问题。
Description
技术领域
本发明涉及暖通节能技术领域,具体涉及基于历史数据分析的暖通节能阶梯寻优控制方法。
背景技术
暖通***是建筑中能耗占比最大的***,通过消耗能源为建筑物使用者提供舒适、健康的室内环境。为了满足使用者日益增长的对建筑内部环境舒适性的需求,暖通空调***能耗逐步增长,增加了暖通空调在使用过程中的投入成本和对环境的负面影响,所以需要在保证室内环境舒适性的前提下对暖通空调的能耗进行控制。实现这一目的可从改善数据中心制冷***的运行状态入手,消除传统制冷***各设备之间配合不协调问题,减少人工投入成本,降低制冷******的耗电。
目前,暖通空调中心制冷***运行状态的控制方法主要分为基于模型的控制方法以及无模型的控制方法。其中,基于模型的控制方法受到学者广泛的研究与验证,但目前的暖通空调模型只能根据暖通空调数据对空调参数整体进行控制,当某些设备能耗过高时,由于模型本身的限制,为了实现暖通空调整体的平衡,其他设备的参数往往会被调整为对应设备能耗偏高的参数,无法达到暖通空调中心制冷***运行最优状态。所以,需要一种可以实现对暖通空调中每个设备的精准控制的暖通节能阶梯寻优控制方法。
发明内容
本发明提供基于历史数据分析的暖通节能阶梯寻优控制方法,以解决现有的暖通节能控制方法无法使暖通空调不同设备在运行时均达到最优状态的问题,所采用的技术方案具体如下:
本发明一个实施例提供了基于历史数据分析的暖通节能阶梯寻优控制方法,该方法包括以下步骤:
设置现场服务器采集数据并将数据传输到AI算法***,实现根据采集的数据获取多个历史数据组和同一同时刻历史数据组的目的;
获取历史数据组之间的数据种类相对关联度,根据历史数据组之间的数据种类相对关联度获取数据种类关联度调整系数;
根据历史数据组内包含的所有历史数据获取不同历史数据间的数据距离,进而获
取历史数据对应的临近数据距离和临近数据距离,进而获取历史数据对应的第临
近差异,对第临近差异进行聚类获取聚类结果,根据聚类结果获取第一阈值;
根据历史数据的数据距离和第一阈值获取历史数据对应的密度数据距离,根据历史数据组包含的历史数据对应的密度数据距离,确定两个同时刻历史数据组中对应同一数据种类的两个历史数据之间的密度距离;
获取每两个同时刻历史数据组之间的评价距离;
根据同时刻历史数据组之间的评价距离使用AI算法***获取暖通空调的各个设备最优化控制参数,实现阶梯寻优控制。
进一步,所述设置现场服务器采集数据并将数据传输到AI算法***,实现根据采集的数据获取多个历史数据组和同一同时刻历史数据组的目的,包括的具体方法为:
现场服务器用于采集数据,并将采集的数据输送至AI算法***;
将采集的之前时刻对应的数据记为历史数据;
将采集的当前时刻的数据记为一级数据,将一级数据与历史数据共同作为历史数据一起进行分析;
将同一数据类型的历史数据组成的数据组记为历史数据组;
将同一数据采集时刻获取的所有需要采集数据类型的数据组成的数据组记为同时刻历史数据组。
进一步,所述获取历史数据组之间的数据种类相对关联度,根据历史数据组之间的数据种类相对关联度获取数据种类关联度调整系数,包括的具体方法为:
对各历史数据组中所有同一同时刻历史数据组使用关联度分析,获取每两个不同种类的历史数据之间的关联系数;
分别以每个历史数据组作为主数据组,将不是主数据组的历史数据组记为从数据组;
将从数据组与其对应的主数据组之间的灰色关联系数与主数据与其对应的所有从数据组之间的灰色关联系数的和的比值记为第一比值;
将从数据组与其对应的主数据组之间的灰色关联系数与所有主数据组与其对应的所有从数据组之间的灰色关联系数的和的比值记为第二比值;
将第一比值与第二比值的乘积记为从数据组与其对应的主数据组之间的数据种类相对关联度;
将数据种类相对关联度与所有从数据组与其对应的主数据组之间的数据种类相对关联度的总和的比值记为从数据组与其对应的主数据组之间的数据种类关联度调整系数。
进一步,所述根据历史数据组内包含的所有历史数据获取不同历史数据间的数据
距离,进而获取历史数据对应的临近数据距离和临近数据距离,进而获取历史数据
对应的第临近差异,包括的具体方法为:
将同一历史数据组内每两个历史数据之间的差值的绝对值记为两个历史数据对应的数据距离;
将历史数据对应的所有数据距离按照从小到大进行排序,获取排序序列,取排序
序列中第个数据距离,将第个数据距离记为历史数据对应的临近数据距离;
获取历史数据对应的临近数据距离;
获取与历史数据对应的临近数据距离最为接近的第一预设阈值个数据距离,将
这第一预设阈值个数据距离的标准差记为历史数据对应的临近数据距离的第一标准差;
将历史数据对应的临近数据距离与临近数据距离的差值记为第一差值;
将第一差值与第二预设阈值的和记为第一和值;
间历史数据对应的临近数据距离的第一标准差与第一和值的乘积记为历史数据
对应的第临近差异。
进一步,所述对第临近差异进行聚类获取聚类结果,根据聚类结果获取第一阈
值,包括的具体方法为:
将历史数据对应的第临近差异记为历史数据对应的临近差异;
对每个历史数据对应的临近差异使用密度聚类,获取多个聚类簇;
将每个聚类簇内包含的临近差异的均值记为簇均值,选取簇均值最小的聚类簇内
包含的临近差异中与簇均值最为接近的临近差异,将选取的与簇均值最为接近的临近差异
对应的的取值记为第一阈值。
进一步,所述根据历史数据的数据距离和第一阈值获取历史数据对应的密度数据距离,包括的具体方法为:
分别将历史数据组内每个历史数据作为待分析历史数据,选取在历史数据组内与待分析历史数据的数据距离最小的第一阈值个历史数据,将选取出的第一阈值个历史数据值与待分析历史数据的数据距离的和记为待分析历史数据对应的密度数据距离。
进一步,所述根据历史数据组包含的历史数据对应的密度数据距离,确定两个同时刻历史数据组中对应同一数据种类的两个历史数据之间的密度距离,包括的具体方法为:
将在两个同时刻历史数据组内对应同一数据种类的两个历史数据对应的密度数据距离的差值的绝对值记为第一绝对值;
将第一绝对值记为密度距离。
进一步,所述评价距离获取的具体方法为:
式中,为同时刻历史数据组与同时刻历史数据组之间的评价距离;
为同时刻历史数据组与同时刻历史数据组中对应同一数据种类的两个历史数据之间
的密度距离,其中,;为同时刻历史数据组重包含的不同数据种类的个数;为数据种类与数据种类之间的数据种类关联度调整系数。
进一步,所述暖通空调的各个设备包括现场控制柜、冷却塔、冷却泵、冷水机组、冷冻泵和板式换热器。
进一步,所述根据同时刻历史数据组之间的评价距离使用AI算法***获取暖通空调的各个设备最优化控制参数,实现阶梯寻优控制,包括的具体方法为:
暖通空调阶梯寻优控制过程包含5个阶段,分别为L1-L5,使用AI算法***通过强化学习对L1-L5的过程逐步进行寻优分析,分析结果实施后反馈结果给AI算法***,实现不断的更新迭代与控制优化;
L1阶段用于对暖通空调的各设备进行单体寻优,包括但不限于冷源***冷却塔功率寻优、水泵频率寻优、冷水机组功率寻优、精密空调的控制逻辑和风机转速的寻优;
L2阶段用于对L1所有单体寻优设备进行组合寻优,具体包括单套制冷单元下,所有设备组合协调工况下的群控寻优和精密空调机组的群控寻优;
L3阶段用于将L2阶段的单套制冷单元进行联调,在多套制冷单元间进行寻优,包括但不限于冷源控制***单元开启数量寻优、单元负荷分配寻优、多套制冷单元间轮巡工作控制寻优;
L4阶段用于对L3中多套制冷单元寻优与末端精密空调联动寻优,确定最优的冷冻水供水水温与末端风量参数;
L5阶段用于对IT设备空调***、动环***、制冷***、储能***全设备联动,对IT设备空调***、动环***、制冷***、储能***进行全***寻优。
本发明的有益效果是:本发明通过对暖通空调运行的历史数据和当前时刻数据进行分析,考虑不同种类数据之间属性的相似性和关联性,获取从数据组与其对应的主数据组之间的数据种类关联度调整系数,进而获取两者之间的数据种类关联度调整系数;然后,对同时刻历史数据组之间的距离进行衡量,以数据值之间的数值差异为基础,同时考虑历史数据之间的分布密度,对同时刻历史数据组之间的距离进行更为精确地度量,具体为,根据每个历史数据在其对应的数据种类中的数据密度分布情况获取每个历史数据对应的第b临近差异,对每个历史数据对应的第b临近差异进行聚类确定第一阈值,获取待分析历史数据对应的密度数据距离,根据每个历史数据组对应的第一阈值和待分析历史数据对应的密度数据距离确定两个同时刻历史数据组中对应同一数据种类的两个历史数据之间的密度距离;接着,根据数据种类关联度调整系数和密度距离,确定两个同时刻历史数据组之间的评价距离,评价距离的获取过程在综合考虑不同种类数据之间属性的相似性和关联性的同时,以数据值之间的数值差异为基础,考虑历史数据之间的分布密度,对同时刻历史数据组之间的距离进行更为精确地度量,为提升空调的运行状态的控制的精度提供更准确的依据;最后,建立暖通空调***模型和暖通空调的各个设备的模型,根据建立的模型和同时刻历史数据组之间的评价距离获取暖通空调***中各个设备对应的最优化控制参数,通过阶梯式寻优控制方法实现全***最佳节能模式运行,解决了现有暖通空调模型只能对暖通空调整体进行控制,易导致空调运行高能耗的问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一个实施例所提供的基于历史数据分析的暖通节能阶梯寻优控制方法流程示意图。
图2为阶梯寻优***示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,其示出了本发明一个实施例所提供的基于历史数据分析的暖通节能阶梯寻优控制方法流程图,该方法包括以下步骤。
步骤S001、设置现场服务器采集数据并将数据传输到AI算法***,实现根据采集的数据获取多个历史数据组和同一同时刻历史数据组的目的。
为实现对暖通空调的阶梯寻优控制,建立暖通空调阶梯寻优控制***,该***包括AI算法***、现场服务器、现场控制柜、冷却塔、冷却泵、冷水机组,冷冻泵、板式换热器,这些设备对应图2的标号分别为1-8,其相互关联方式如图2所示。
其中,现场服务器用于采集数据,并将采集的数据输送至AI算法***;现场服务器需要采集的数据包括冷却塔进出水温度、冷却塔水流量、冷却塔风机频率、室外温湿度、冷却泵频率与流量、冷水机组制冷量、冷水机组冷冻侧进出口温度、冷水机组冷却侧进出口温度、冷水机组电负荷、冷冻泵频率与流量。
其中,采集的数据的处理方法为:
为便于后续分析,将采集的之前时刻对应的数据记为历史数据,将采集的当前时刻的数据标记为一级数据,将一级数据与历史数据共同作为历史数据一起进行分析。同时,将采集的当前时刻的数据标记为一级数据的作用为:便于与采集的之前时刻对应的数据进行区分。
根据暖通空调的历史数据获取多个历史数据组和同时刻历史数据组。其中,历史数据组为上述获取的同一数据类型的历史数据组成的数据组,例如,获取的历史数据中所有冷却塔进出水温度组成一组历史数据组,该历史数据组对应的数据类型为冷却塔进出水温度。其中,同时刻历史数据组为同一数据采集时刻获取的所有需要采集数据类型的历史数据组成的数据组。现场服务器采集历史数据的时间间隔可根据实施者的需要进行设定。
至此,获取多个历史数据组和同时刻历史数据组。
步骤S002、获取历史数据组之间的数据种类相对关联度,根据历史数据组之间的数据种类相对关联度获取数据种类关联度调整系数。
使用AI算法***根据历史数据组和同时刻历史数据组确定每两个同时刻历史数据组之间的评价距离。
在现有的根据历史数据实现对暖通空调控制的方法中,不同时刻获取的数据之间的差异仅仅以数值差异进行衡量,没有考虑数据之间属性的相似性和关联性,往往导致当某些设备能耗过高时,为了实现暖通空调整体的平衡,其他设备的参数会被调整为对应设备能耗偏高的参数,无法达到使暖通空调中心制冷***运行趋向最优状态的问题,所以,从数据之间属性的相似性和关联性开始进行分析。
对各历史数据组中所有同一同时刻历史数据组使用灰色关联分析GRA算法进行分析,获取每两个不同种类的历史数据之间的灰色关联系数。当两个不同种类的历史数据之间的关联性越大时,则这两个不同种类的历史数据之间的灰色关联系数越大。
分别以每个历史数据组作为待分析的历史数据组,将待分析的历史数据组记为主数据组,将不是主数据组的历史数据组记为从数据组,获取每个历史数据组作为主数据组时,从数据组与其对应的主数据组之间的数据种类关联度调整系数。
式中,为从数据组与其对应的主数据组之间的数据种类相对关联度;为
从数据组与其对应的主数据组之间的灰色关联系数;为主数据组与其对应的所有
从数据组之间的灰色关联系数的和;为所有主数据组与其对应的所有从数据组之间的
灰色关联系数的和。
当从数据组与其对应的主数据组之间的关联性越大时,两个数据组之间的灰色关联系数越大,则从数据组与其对应的主数据组之间的数据种类相对关联度越大,即从数据组与其对应的主数据组根据历史数据获取的数据种类之间的关联性越大。
根据从数据组与其对应的主数据组之间的数据种类相对关联度获取两者之间的数据种类关联度调整系数。
式中,为从数据组与其对应的主数据组之间的数据种类关联度调整系数;为从数据组与其对应的主数据组之间的数据种类相对关联度;为所有从数据组与
其对应的主数据组之间的数据种类相对关联度的总和。
根据从数据组与其对应的主数据组之间的数据种类相对关联度获取两者之间的数据种类关联度调整系数的作用为调整两个数据组之间的关联度评价的取值范围,当从数据组与其对应的主数据组之间的数据种类相对关联度越大时,则两者之间的数据种类关联度调整系数越大,即从数据组与其对应的主数据组根据历史数据获取的数据种类之间的关联性越大。
至此,获取历史数据组之间的数据种类关联度调整系数。
步骤S003、根据历史数据组内包含的所有历史数据获取不同历史数据间的数据距
离,进而获取历史数据对应的临近数据距离和临近数据距离,进而获取历史数据对
应的第临近差异,对第临近差异进行聚类获取聚类结果,根据聚类结果获取第一阈值。
在考虑数据之间属性的相似性和关联性之后,需要对同时刻历史数据组之间的距离进行衡量,现有的距离衡量方法为根据数据值之间的数值差异直接进行衡量,为使距离衡量更为精确,以数据值之间的数值差异为基础,同时考虑历史数据之间的分布密度,对同时刻历史数据组之间的距离进行更为精确地度量。
对同一历史数据组内包含的所有历史数据进行分析,评价历史数据之间的分布密
度。分别取同一历史数据组内每两个历史数据之间的差值的绝对值,将差值的绝对值记为
这两个历史数据对应的数据距离。历史数据组内每个历史数据均对应多个数据距离,将历
史数据对应的所有数据距离按照从小到大进行排序,取其中第个数据距离,将第个数据
距离记为历史数据对应的临近数据距离。
同理,获取历史数据对应的临近数据距离。
获取与临近数据距离最为接近的个数据距离,将这个数据距离的标准差记
为临近数据距离的第一标准差。其中,,为历史数据对应的数据距离的个
数;为第一常数,经验值为8,实施者可根据需要对第一常数的取值进行设定。
当历史数据的数值分布在历史数据对应的历史数据组中分布密度较大的位置时,
历史数据对应的临近数据距离的第一标准差越小、临近数据距离与临近数据距离
差异越小。
根据上述分析获取每个历史数据对应的第临近差异。
式中,为历史数据组内历史数据对应的第临近差异;为历史数据对
应的临近数据距离的第一标准差;为历史数据对应的临近数据距离;为
历史数据对应的临近数据距离;为第二常数。
其中,第二常数的经验值为1,实施者可根据需要对第二常数的取值进行设定,第二常数的作用为防止第二常数所在的绝对值符号内取值为0导致临近差异无法准确评价历史数据对应的数据分布密度情况。
将历史数据对应的第临近差异均记为该历史数据对应的临近差异,至此,每个历
史数据可获取对应的个临近差异。
对每个历史数据对应的个临近差异使用DBSCAN聚类算法,以Epsilon=5,minPts
=4进行聚类,获取多个聚类簇,将每个聚类簇内包含的临近差异的均值记为簇均值,取簇均
值最小的聚类簇内包含的临近差异中与簇均值最为接近的临近差异,将该临近差异对应的的取值记为第一阈值。第一阈值即为根据历史数据组内数据分布的密度情况确定的、用
于统计每个数据周围数据分布密度的范围的阈值。
至此,获取第一阈值。
步骤S004、根据历史数据的数据距离和第一阈值获取历史数据对应的密度数据距离,根据历史数据组包含的历史数据对应的密度数据距离,确定两个同时刻历史数据组中对应同一数据种类的两个历史数据之间的密度距离。
分别将历史数据组内每个历史数据作为待分析历史数据,选取在历史数据组内与待分析历史数据的数据距离最小的第一阈值个历史数据,计算选取出的第一阈值个历史数据值与待分析历史数据的数据距离的和,将该和记为待分析历史数据对应的密度数据距离。
根据每个历史数据组对应的第一阈值确定两个同时刻历史数据组中对应同一数据种类的两个历史数据之间的密度距离。
式中,为同时刻历史数据组内历史数据与同时刻历史数据组内历史
数据之间的密度距离,其中,历史数据与历史数据对应同一数据种类;为在同时刻
历史数据组内历史数据对应的密度数据距离;为在同时刻历史数据组内历史数
据对应的密度数据距离。
当两个历史数据之间的密度数据距离差异越小时,则这两个历史数据之间的密度距离越小,这两个历史数据对应的两个同时刻历史数据组越为接近、越可能对应同一工作状态下暖通空调对应的历史数据。
至此,获取两个同时刻历史数据组中对应同一数据种类的两个历史数据之间的密度距离。
步骤S005、获取每两个同时刻历史数据组之间的评价距离。
根据从数据组与其对应的主数据组之间的数据种类关联度调整系数和两个同时刻历史数据组中对应同一数据种类的两个历史数据之间的密度距离,确定两个同时刻历史数据组之间的评价距离。
式中,为同时刻历史数据组与同时刻历史数据组之间的评价距离;
为同时刻历史数据组与同时刻历史数据组中对应同一数据种类的两个历史数据之间
的密度距离,其中,;为同时刻历史数据组重包含的不同数据种类的个数;为数据种类与数据种类之间的数据种类关联度调整系数。
当两个同时刻历史数据组中对应同一数据种类的两个历史数据之间的密度距离越大时,则这两个同时刻历史数据组之间的评价距离越大,这两个同时刻历史数据组越可能对应不同工作状态下暖通空调对应的数据。
至此,获取不同的同时刻历史数据组之间的评价距离。
步骤S006、根据同时刻历史数据组之间的评价距离使用AI算法***获取暖通空调的各个设备最优化控制参数,实现阶梯寻优控制。
AI算法***采用深度学习算法获取各个设备以及整体***的最优化控制参数,最优化控制参数通过现场服务器传输至现场控制柜,现场控制柜再将最优化控制参数传输至冷却塔、冷却泵、冷水机组和冷冻泵、板式换热器,实现全***最佳节能模式运行。
特别的,AI算法***通过强化学习实现物理模型的数字化计算与控制,采用大数据分析判断获得各设备以及整体***最优解,以快捷的方式对现场设备最优化控制。
其中,强化学习为公知技术,不再赘述。
具体的,暖通空调阶梯寻优控制过程包含5个阶段,分别为L1-L5,AI算法***通过L1-L5的过程逐步进行寻优分析,分析结果实施后反馈结果给AI算法***,进而实现不断的更新迭代与控制优化。其中,L1-L5的寻优分析过程均使用强化学习实现。
特别的,L1阶段用于对暖通空调的各设备进行单体寻优,包括冷源***冷却塔功率寻优、水泵频率寻优、冷水机组功率寻优、精密空调的控制逻辑和风机转速的寻优。
以冷源***冷却塔功率寻优为例,冷源***冷却塔功率寻优使用强化学习实现,本实施例以深度Q强化学习模型为例,其模型输入为冷却塔对应的所有同时刻历史数据组之间的评价距离,输出为冷却塔功率。其中,深度Q强化学习模型公知技术,在使用深度Q强化学习模型的过程中,还需要对模型进行训练,其训练过程为本领域技术人员公知,不再赘述。
特别的,L2阶段用于对L1所有单体寻优设备进行组合寻优,具体包括单套制冷单元下,所有设备组合协调工况下的群控寻优和精密空调机组的群控寻优。
进一步地,具体包括单套制冷单元下冷机、冷塔、冷冻泵、冷却泵、板式换热器的联合寻优以及末端精密空调机组的联合寻优。
特别的,L3阶段用于将L2阶段的单套制冷单元进行联调,在多套制冷单元间进行寻优,包括冷源控制***单元开启数量寻优、单元负荷分配寻优、多套制冷单元间轮巡工作控制寻优。
特别的,L4阶段用于对L3中多套制冷单元寻优与末端精密空调联动寻优,确定最优的冷冻水供水水温与末端风量参数。
特别的,L5阶段用于对IT设备空调***、动环***、制冷***、储能***全设备联动,对IT设备空调***、动环***、制冷***、储能***进行全***寻优。
其中,L2-L5阶段寻优均采用深度强化学习实现对空调***的寻优控制,实现寻优控制的过程为现有公知技术,不再赘述。
需要说明的是,上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.基于历史数据分析的暖通节能阶梯寻优控制方法,其特征在于,该方法包括以下步骤:
设置现场服务器采集数据并将数据传输到AI算法***,实现根据采集的数据获取多个历史数据组和同一同时刻历史数据组的目的;
获取历史数据组之间的数据种类相对关联度,根据历史数据组之间的数据种类相对关联度获取数据种类关联度调整系数;
根据历史数据组内包含的所有历史数据获取不同历史数据间的数据距离,进而获取历史数据对应的临近数据距离和/>临近数据距离,进而获取历史数据对应的第/>临近差异,对第/>临近差异进行聚类获取聚类结果,根据聚类结果获取第一阈值;
根据历史数据的数据距离和第一阈值获取历史数据对应的密度数据距离,根据历史数据组包含的历史数据对应的密度数据距离,确定两个同时刻历史数据组中对应同一数据种类的两个历史数据之间的密度距离;
获取每两个同时刻历史数据组之间的评价距离;
根据同时刻历史数据组之间的评价距离使用AI算法***获取暖通空调的各个设备最优化控制参数,实现阶梯寻优控制。
2.根据权利要求1所述的基于历史数据分析的暖通节能阶梯寻优控制方法,其特征在于,所述设置现场服务器采集数据并将数据传输到AI算法***,实现根据采集的数据获取多个历史数据组和同一同时刻历史数据组的目的,包括的具体方法为:
现场服务器用于采集数据,并将采集的数据输送至AI算法***;
将采集的之前时刻对应的数据记为历史数据;
将采集的当前时刻的数据记为一级数据,将一级数据与历史数据共同作为历史数据一起进行分析;
将同一数据类型的历史数据组成的数据组记为历史数据组;
将同一数据采集时刻获取的所有需要采集数据类型的数据组成的数据组记为同时刻历史数据组。
3.根据权利要求1所述的基于历史数据分析的暖通节能阶梯寻优控制方法,其特征在于,所述获取历史数据组之间的数据种类相对关联度,根据历史数据组之间的数据种类相对关联度获取数据种类关联度调整系数,包括的具体方法为:
对各历史数据组中所有同一同时刻历史数据组使用关联度分析,获取每两个不同种类的历史数据之间的关联系数;
分别以每个历史数据组作为主数据组,将不是主数据组的历史数据组记为从数据组;
将从数据组与其对应的主数据组之间的灰色关联系数与主数据与其对应的所有从数据组之间的灰色关联系数的和的比值记为第一比值;
将从数据组与其对应的主数据组之间的灰色关联系数与所有主数据组与其对应的所有从数据组之间的灰色关联系数的和的比值记为第二比值;
将第一比值与第二比值的乘积记为从数据组与其对应的主数据组之间的数据种类相对关联度;
将数据种类相对关联度与所有从数据组与其对应的主数据组之间的数据种类相对关联度的总和的比值记为从数据组与其对应的主数据组之间的数据种类关联度调整系数。
4.根据权利要求1所述的基于历史数据分析的暖通节能阶梯寻优控制方法,其特征在于,所述根据历史数据组内包含的所有历史数据获取不同历史数据间的数据距离,进而获取历史数据对应的临近数据距离和/>临近数据距离,进而获取历史数据对应的第/>临近差异,包括的具体方法为:
将同一历史数据组内每两个历史数据之间的差值的绝对值记为两个历史数据对应的数据距离;
将历史数据对应的所有数据距离按照从小到大进行排序,获取排序序列,取排序序列中第个数据距离,将第/>个数据距离记为历史数据对应的/>临近数据距离;
获取历史数据对应的临近数据距离;
获取与历史数据对应的临近数据距离最为接近的第一预设阈值个数据距离,将这第一预设阈值个数据距离的标准差记为历史数据对应的/>临近数据距离的第一标准差;
将历史数据对应的临近数据距离与/>临近数据距离的差值记为第一差值;
将第一差值与第二预设阈值的和记为第一和值;
间历史数据对应的临近数据距离的第一标准差与第一和值的乘积记为历史数据对应的第/>临近差异。
5.根据权利要求1所述的基于历史数据分析的暖通节能阶梯寻优控制方法,其特征在于,所述对第临近差异进行聚类获取聚类结果,根据聚类结果获取第一阈值,包括的具体方法为:
将历史数据对应的第临近差异记为历史数据对应的临近差异;
对每个历史数据对应的临近差异使用密度聚类,获取多个聚类簇;
将每个聚类簇内包含的临近差异的均值记为簇均值,选取簇均值最小的聚类簇内包含的临近差异中与簇均值最为接近的临近差异,将选取的与簇均值最为接近的临近差异对应的的取值记为第一阈值。
6.根据权利要求1所述的基于历史数据分析的暖通节能阶梯寻优控制方法,其特征在于,所述根据历史数据的数据距离和第一阈值获取历史数据对应的密度数据距离,包括的具体方法为:
分别将历史数据组内每个历史数据作为待分析历史数据,选取在历史数据组内与待分析历史数据的数据距离最小的第一阈值个历史数据,将选取出的第一阈值个历史数据值与待分析历史数据的数据距离的和记为待分析历史数据对应的密度数据距离。
7.根据权利要求1所述的基于历史数据分析的暖通节能阶梯寻优控制方法,其特征在于,所述根据历史数据组包含的历史数据对应的密度数据距离,确定两个同时刻历史数据组中对应同一数据种类的两个历史数据之间的密度距离,包括的具体方法为:
将在两个同时刻历史数据组内对应同一数据种类的两个历史数据对应的密度数据距离的差值的绝对值记为第一绝对值;
将第一绝对值记为密度距离。
8.根据权利要求1所述的基于历史数据分析的暖通节能阶梯寻优控制方法,其特征在于,所述评价距离获取的具体方法为:
式中,为同时刻历史数据组/>与同时刻历史数据组/>之间的评价距离;/>为同时刻历史数据组/>与同时刻历史数据组/>中对应同一数据种类/>的两个历史数据之间的密度距离,其中,/>;/>为同时刻历史数据组重包含的不同数据种类的个数;/>为数据种类/>与数据种类/>之间的数据种类关联度调整系数。
9.根据权利要求1所述的基于历史数据分析的暖通节能阶梯寻优控制方法,其特征在于,所述暖通空调的各个设备包括现场控制柜、冷却塔、冷却泵、冷水机组、冷冻泵和板式换热器。
10.根据权利要求1所述的基于历史数据分析的暖通节能阶梯寻优控制方法,其特征在于,所述根据同时刻历史数据组之间的评价距离使用AI算法***获取暖通空调的各个设备最优化控制参数,实现阶梯寻优控制,包括的具体方法为:
暖通空调阶梯寻优控制过程包含5个阶段,分别为L1-L5,使用AI算法***通过强化学习对L1-L5的过程逐步进行寻优分析,分析结果实施后反馈结果给AI算法***,实现不断的更新迭代与控制优化;
L1阶段用于对暖通空调的各设备进行单体寻优,包括但不限于冷源***冷却塔功率寻优、水泵频率寻优、冷水机组功率寻优、精密空调的控制逻辑和风机转速的寻优;
L2阶段用于对L1所有单体寻优设备进行组合寻优,具体包括单套制冷单元下,所有设备组合协调工况下的群控寻优和精密空调机组的群控寻优;
L3阶段用于将L2阶段的单套制冷单元进行联调,在多套制冷单元间进行寻优,包括但不限于冷源控制***单元开启数量寻优、单元负荷分配寻优、多套制冷单元间轮巡工作控制寻优;
L4阶段用于对L3中多套制冷单元寻优与末端精密空调联动寻优,确定最优的冷冻水供水水温与末端风量参数;
L5阶段用于对IT设备空调***、动环***、制冷***、储能***全设备联动,对IT设备空调***、动环***、制冷***、储能***进行全***寻优。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311204306.4A CN116955963B (zh) | 2023-09-19 | 2023-09-19 | 基于历史数据分析的暖通节能阶梯寻优控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311204306.4A CN116955963B (zh) | 2023-09-19 | 2023-09-19 | 基于历史数据分析的暖通节能阶梯寻优控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116955963A true CN116955963A (zh) | 2023-10-27 |
CN116955963B CN116955963B (zh) | 2023-12-08 |
Family
ID=88453243
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311204306.4A Active CN116955963B (zh) | 2023-09-19 | 2023-09-19 | 基于历史数据分析的暖通节能阶梯寻优控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116955963B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117272209A (zh) * | 2023-11-20 | 2023-12-22 | 江苏新希望生态科技有限公司 | 一种芽苗菜生长数据采集方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130031093A1 (en) * | 2011-07-25 | 2013-01-31 | Sony Computer Entertainment Inc. | Information processing system, information processing method, program, and non-transitory information storage medium |
KR101396394B1 (ko) * | 2013-03-20 | 2014-05-19 | 주식회사 스마티랩 | 모바일 클라우드 환경에서 클러스터링을 이용한 자율 성능 최적화 방법 |
CN109271424A (zh) * | 2018-09-29 | 2019-01-25 | 海南大学 | 一种基于密度的参数自适应聚类方法 |
CN113408659A (zh) * | 2021-07-15 | 2021-09-17 | 重庆大学 | 一种基于数据挖掘的建筑能耗集成分析方法 |
-
2023
- 2023-09-19 CN CN202311204306.4A patent/CN116955963B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130031093A1 (en) * | 2011-07-25 | 2013-01-31 | Sony Computer Entertainment Inc. | Information processing system, information processing method, program, and non-transitory information storage medium |
KR101396394B1 (ko) * | 2013-03-20 | 2014-05-19 | 주식회사 스마티랩 | 모바일 클라우드 환경에서 클러스터링을 이용한 자율 성능 최적화 방법 |
CN109271424A (zh) * | 2018-09-29 | 2019-01-25 | 海南大学 | 一种基于密度的参数自适应聚类方法 |
CN113408659A (zh) * | 2021-07-15 | 2021-09-17 | 重庆大学 | 一种基于数据挖掘的建筑能耗集成分析方法 |
Non-Patent Citations (2)
Title |
---|
YUQING YANG等: "Density clustering with divergence distance and automatic center selection", 《INFORMATION SCIENCE》, vol. 596 * |
陈晋音;何辉豪;: "基于密度的聚类中心自动确定的混合属性数据聚类算法研究", 自动化学报, no. 10 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117272209A (zh) * | 2023-11-20 | 2023-12-22 | 江苏新希望生态科技有限公司 | 一种芽苗菜生长数据采集方法及*** |
CN117272209B (zh) * | 2023-11-20 | 2024-02-02 | 江苏新希望生态科技有限公司 | 一种芽苗菜生长数据采集方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN116955963B (zh) | 2023-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106920006B (zh) | 一种基于isoa-lssvm的地铁站空调***能耗预测方法 | |
CN104566868B (zh) | 一种中央空调控制***及其控制方法 | |
WO2023093820A1 (zh) | 设备的控制优化方法、展示平台、云服务器及存储介质 | |
CN104534627B (zh) | 中央空调冷却水***综合能效控制方法 | |
CN110726218B (zh) | 空调器及其控制方法、装置、存储介质和处理器 | |
CN104019526B (zh) | 改进pso算法模糊自适应pid温湿度控制***及方法 | |
CN116955963B (zh) | 基于历史数据分析的暖通节能阶梯寻优控制方法 | |
CN111780332B (zh) | 一种中央空调分户计量方法及装置 | |
CN107044710A (zh) | 基于联合智能算法的中央空调节能控制方法及*** | |
CN110567101A (zh) | 一种基于支持向量机模型的冷水机组高能效控制方法 | |
CN113739365A (zh) | 中央空调冷站群控节能控制方法、装置、设备及存储介质 | |
CN1482409A (zh) | 中央空调节能模糊控制方法及模糊控制器 | |
CN108168030A (zh) | 一种基于制冷性能曲线的智能控制方法 | |
CN113268913B (zh) | 一种基于pso-elm算法的智能建筑空调冷机***运行优化方法 | |
CN115220351B (zh) | 一种基于云边端的建筑空调***智能节能优化控制方法 | |
CN111830350B (zh) | 能耗计量方法、装置及电器 | |
CN106642553A (zh) | 空调控制方法 | |
CN113778215A (zh) | 基于大数据实现数据中心pue预测以及降耗策略的方法 | |
CN112113314A (zh) | 一种实时温度数据采集***及其基于学习模型的温度调节方法 | |
CN112292013A (zh) | 基于时间序列的微模块数据中心热源预判和冷源调控方法 | |
CN115930369A (zh) | 一种基于智能化控制的中央空调***节能方法 | |
CN114970358A (zh) | 一种基于强化学习的数据中心能效优化方法和*** | |
CN113446713A (zh) | 基于数字孪生的数据智能优控及节能方法及*** | |
CN110726216A (zh) | 空调器及其控制方法、装置、***、存储介质和处理器 | |
CN113188585B (zh) | 一种基于少量冗余传感器的冷冻站传感器故障诊断方法 |
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 |