CN117270612A - 空压机进气端温湿度调控方法、装置、设备及介质 - Google Patents
空压机进气端温湿度调控方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN117270612A CN117270612A CN202311567646.3A CN202311567646A CN117270612A CN 117270612 A CN117270612 A CN 117270612A CN 202311567646 A CN202311567646 A CN 202311567646A CN 117270612 A CN117270612 A CN 117270612A
- Authority
- CN
- China
- Prior art keywords
- unit
- temperature
- humidity
- data
- air compressor
- 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 52
- 238000004519 manufacturing process Methods 0.000 claims abstract description 80
- 230000000694 effects Effects 0.000 claims abstract description 16
- 230000005540 biological transmission Effects 0.000 claims abstract description 9
- 238000005259 measurement Methods 0.000 claims description 107
- 238000004891 communication Methods 0.000 claims description 52
- 230000015654 memory Effects 0.000 claims description 21
- 238000012360 testing method Methods 0.000 claims description 21
- 238000012795 verification Methods 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 13
- 238000010801 machine learning Methods 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 238000009434 installation Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 8
- 230000002457 bidirectional effect Effects 0.000 claims description 4
- QVFWZNCVPCJQOP-UHFFFAOYSA-N chloralodol Chemical compound CC(O)(C)CC(C)OC(O)C(Cl)(Cl)Cl QVFWZNCVPCJQOP-UHFFFAOYSA-N 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 abstract description 9
- 230000001276 controlling effect Effects 0.000 description 20
- 230000001105 regulatory effect Effects 0.000 description 17
- 238000013461 design Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000004378 air conditioning Methods 0.000 description 4
- 230000005611 electricity Effects 0.000 description 4
- 238000005265 energy consumption Methods 0.000 description 4
- 238000003066 decision tree Methods 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000011478 gradient descent method Methods 0.000 description 3
- 238000012417 linear regression Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000001556 precipitation Methods 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011958 production data acquisition Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000003238 somatosensory effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
- H05K—PRINTED CIRCUITS; CASINGS OR CONSTRUCTIONAL DETAILS OF ELECTRIC APPARATUS; MANUFACTURE OF ASSEMBLAGES OF ELECTRICAL COMPONENTS
- H05K7/00—Constructional details common to different types of electric apparatus
- H05K7/20—Modifications to facilitate cooling, ventilating, or heating
- H05K7/20009—Modifications to facilitate cooling, ventilating, or heating using a gaseous coolant in electronic enclosures
- H05K7/20209—Thermal management, e.g. fan control
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04B—POSITIVE-DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS
- F04B51/00—Testing machines, pumps, or pumping installations
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D27/00—Simultaneous control of variables covered by two or more of main groups G05D1/00 - G05D25/00
- G05D27/02—Simultaneous control of variables covered by two or more of main groups G05D1/00 - G05D25/00 characterised by the use of electric means
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Thermal Sciences (AREA)
- Mechanical Engineering (AREA)
- Automation & Control Theory (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本申请公开了一种空压机进气端温湿度调控方法、装置、设备及介质,涉及空压机***监控技术领域。所述方法是先根据目标空压机组的进气端温湿度数据、机组耗电量数据、机组产气量数据、机组内部运行数据和机组所在地区天气数据,预测得到机组在下一个单位时期的进气端温湿度估计值和机组单耗估计值,然后在基于前述数值判定需要调控时,确定与机组在当前单位时期的运行状态对应的进气端温湿度最优值以及用于使机组在下一个单位时期的进气端温湿度实测值达到该进气端温湿度最优值的机组所在机房温湿度调控方案,最后传送方案予以执行,如此可改善机房的温湿度环境,提高空压机容积效率,并可利于闭环调节,达到负荷调峰效果。
Description
技术领域
本发明属于空压机***监控技术领域,具体涉及一种空压机进气端温湿度调控方法、装置、设备及介质。
背景技术
随着工业化的不断进步,各行业对能源的依赖也不断地增加,压缩空气(即被外力压缩的空气)作为仅次于电力的第二大动力能源,且为清洁能源,被更多行业所利用。
空压机***是现代工厂不可缺少的配套设施之一,其装机功率和能耗占比高,在工厂中占到30%~60%的比例,其能源消耗和电力需求呈现逐年上升的趋势。在工厂能耗中,空压负荷一般占总负荷的30%,用电量占比10%~20%,并具有灵活性大、响应量高和影响性小等优势。
由于空压机进气的空气含水量较大,会使湿度过大,增加进气通道阻力,影响容积效率,增加额外能耗,因此监测空压机进气温湿度,并根据温湿度监测结果做出相应的机房温湿度控制策略,可以改善机组进气空气品质,提高机组效率,从而降低机组单耗,达到节能效果。另外,高效的空压机***运行,对改善电网负荷特性和实现电网的安全、稳定及经济运行都具有重要意义。
据此,如何聚焦于分析空压机***的运行规律和容积效率,并提出一种改造动作少及监测方式简单的空压机进气端温湿度监测暨调控方案,是本领域技术人员亟需研究的课题。
发明内容
本发明的目的是提供一种空压机进气端温湿度调控方法、装置、计算机设备及计算机可读存储介质,用以解决现有空压机***因尚未提出聚焦分析空压***运行规律和容积效率来进行空压机进气端温湿度监测暨调控而导致稳定性及能效有限的问题。
为了实现上述目的,本发明采用以下技术方案:
第一方面,提供了一种空压机进气端温湿度调控方法,由通信连接目标空压机组的机组所在机房温湿度调控设备的控制设备执行,包括:
获取所述目标空压机组的进气端温湿度数据、机组耗电量数据、机组产气量数据、机组内部运行数据和机组所在地区天气数据;
根据所述进气端温湿度数据,确定所述目标空压机组在当前单位时期的进气端温湿度实测值,以及根据所述进气端温湿度数据和所述机组所在地区天气数据,预测得到所述目标空压机组在下一个单位时期的进气端温湿度估计值;
根据所述进气端温湿度数据、所述机组耗电量数据、所述机组产气量数据、所述机组内部运行数据和所述进气端温湿度估计值,预测得到所述目标空压机组在下一个单位时期的机组单耗估计值;
根据所述进气端温湿度实测值和所述进气端温湿度估计值,确定进气端温湿度升降幅度;
判断所述进气端温湿度升降幅度是否大于等于预设幅度阈值以及所述机组单耗估计值是否大于等于预设单耗阈值;
若均是,则根据所述进气端温湿度数据、所述机组耗电量数据、所述机组产气量数据和所述机组内部运行数据,确定与所述目标空压机组在当前单位时期的运行状态对应的进气端温湿度最优值;
根据所述进气端温湿度估计值和所述进气端温湿度最优值,计算得到进气端温湿度调节目标值;
根据所述进气端温湿度调节目标值,确定用于使所述目标空压机组在下一个单位时期的进气端温湿度实测值达到所述进气端温湿度最优值的机组所在机房温湿度调控方案;
将所述机组所在机房温湿度调控方案传送至所述机组所在机房温湿度调控设备予以执行。
基于上述发明内容,提供了一种聚焦于分析空压机***的运行规律和容积效率来进行空压机进气端温湿度监测暨调控的新方案,即先根据目标空压机组的进气端温湿度数据、机组耗电量数据、机组产气量数据、机组内部运行数据和机组所在地区天气数据,预测得到目标空压机组在下一个单位时期的进气端温湿度估计值和机组单耗估计值,然后在基于前述数值判定需要调控时,确定与目标空压机组在当前单位时期的运行状态对应的进气端温湿度最优值以及用于使目标空压机组在下一个单位时期的进气端温湿度实测值达到该进气端温湿度最优值的机组所在机房温湿度调控方案,最后传送方案予以执行,如此可改善机房的温湿度环境,提高空压机容积效率,并可利于闭环调节,达到负荷调峰效果,便于实际应用和推广。
在一个可能的设计中,根据所述进气端温湿度数据和所述机组所在地区天气数据,预测得到所述目标空压机组在下一个单位时期的进气端温湿度估计值,包括:
根据所述进气端温湿度数据,确定所述目标空压机组在历史各个单位时期的进气端温湿度实测值;
根据所述机组所在地区天气数据,确定所述目标空压机组的所在地区在历史各个单位时期的天气数据;
根据所述目标空压机组的所在地区在历史各个单位时期的天气数据,预测得到所述目标空压机组的所在地区在下一个单位时期的天气估计数据;
根据所述目标空压机组的所在地区在历史各个单位时期的天气数据,确定所述目标空压机组的所在地区在历史各个单位时期的天气温湿度数值;
根据所述目标空压机组在历史各个单位时期的进气端温湿度实测值和所述目标空压机组的所在地区在历史各个单位时期的天气温湿度数值,拟合得到进气端温湿度与天气温湿度的线性/非线性关系;
根据所述目标空压机组的所在地区在下一个单位时期的天气估计数据,确定所述目标空压机组的所在地区在下一个单位时期的天气温湿度估计值;
根据所述线性/非线性关系和所述目标空压机组的所在地区在下一个单位时期的天气温湿度估计值,预测得到所述目标空压机组在下一个单位时期的进气端温湿度估计值。
在一个可能的设计中,根据所述目标空压机组的所在地区在历史各个单位时期的天气数据,预测得到所述目标空压机组的所在地区在下一个单位时期的天气估计数据,包括:
根据所述目标空压机组的所在地区在历史各个单位时期的天气数据,按照如下方式获取多个样本数据:将在连续M个单位时期中各个单位时期的时间数据和天气数据作为模型输入数据,以及将在时序上位于所述连续M个单位时期之后的首个单位时期的天气数据作为模型输出数据,得到一个包含有所述模型输入数据和所述模型输出数据的样本数据,其中,M表示不小于2且不大于12的正整数;
将所述多个样本数据划分成训练集、测试集和验证集;
应用所述训练集、所述测试集和所述验证集对基于双向LSTM神经网络的机器学习模型依次进行训练、测试和验证,得到通过测试及验证的天气预测模型;
根据所述目标空压机组的所在地区在历史各个单位时期的天气数据,获取待测输入数据,其中,所述待测输入数据包含有在当前最近M个单位时期中各个单位时期的时间数据和天气数据;
将所述待测输入数据输入所述天气预测模型,输出得到所述目标空压机组的所在地区在下一个单位时期的天气估计数据。
在一个可能的设计中,根据所述进气端温湿度数据、所述机组耗电量数据、所述机组产气量数据、所述机组内部运行数据和所述进气端温湿度估计值,预测得到所述目标空压机组在下一个单位时期的机组单耗估计值,包括:
根据所述进气端温湿度数据,确定所述目标空压机组在历史各个单位时期的进气端温湿度实测值;
根据所述机组耗电量数据,确定所述目标空压机组在历史各个单位时期的机组耗电量实测值;
根据所述机组产气量数据,确定所述目标空压机组在历史各个单位时期的机组产气量实测值;
根据所述目标空压机组在历史各个单位时期的机组耗电量实测值和机组产气量实测值,计算得到所述目标空压机组在历史各个单位时期的机组单耗实测值,其中,机组单耗是指产生单位立方压缩空气的空压机组消耗电量;
根据所述机组内部运行数据,确定所述目标空压机组在历史各个单位时期的机组内部运行参数值;
将所述目标空压机组在历史各个单位时期的机组内部运行参数值和进气端温湿度实测值作为输入项,以及将所述目标空压机组在历史各个单位时期的机组单耗实测值作为输出项,对基于机器学习算法的人工智能模型进行率定验证建模,得到单耗预测模型;
将所述目标空压机组在当前单位时期的机组内部运行参数值和所述进气端温湿度估计值输入所述单耗预测模型,输出得到所述目标空压机组在下一个单位时期的机组单耗估计值。
在一个可能的设计中,根据所述进气端温湿度数据、所述机组耗电量数据、所述机组产气量数据和所述机组内部运行数据,确定与所述目标空压机组在当前单位时期的运行状态对应的进气端温湿度最优值,包括:
根据所述进气端温湿度数据,确定所述目标空压机组在历史各个单位时期的进气端温湿度实测值;
根据所述机组耗电量数据,确定所述目标空压机组在历史各个单位时期的机组耗电量实测值;
根据所述机组产气量数据,确定所述目标空压机组在历史各个单位时期的机组产气量实测值;
根据所述目标空压机组在历史各个单位时期的机组耗电量实测值和机组产气量实测值,计算得到所述目标空压机组在历史各个单位时期的机组单耗实测值,其中,机组单耗是指产生单位立方压缩空气的空压机组消耗电量;
根据所述机组内部运行数据,确定所述目标空压机组在历史各个单位时期的机组内部运行参数值;
分别对比所述目标空压机组在当前单位时期的机组内部运行参数值与所述目标空压机组在历史各个单位时期的机组内部运行参数值,确定具有与所述目标空压机组在当前单位时期的机组内部运行参数值相同或相似的机组内部运行参数值的至少一个历史单位时期;
根据所述目标空压机组在所述至少一个历史单位时期的机组单耗实测值,从所述至少一个历史单位时期中选出具有最小机组单耗实测值的某个历史单位时期;
将所述目标空压机组在所述某个历史单位时期的进气端温湿度实测值,确定为与所述目标空压机组在当前单位时期的运行状态对应的进气端温湿度最优值。
在一个可能的设计中,根据所述进气端温湿度调节目标值,确定用于使所述目标空压机组在下一个单位时期的进气端温湿度实测值达到所述进气端温湿度最优值的机组所在机房温湿度调控方案,包括:
获取所述目标空压机组的机组所在机房温湿度调控设备的且具有与所述进气端温湿度调节目标值相同或相近的进气端温湿度调节达成值的历史各次温湿度调控方案;
根据所述进气端温湿度数据,确定与所述历史各次温湿度调控方案一一对应的历史各次温湿度调控前的进气端温湿度实测值;
根据所述机组耗电量数据,确定所述目标空压机组在历史各个单位时期的机组耗电量实测值;
根据所述机组产气量数据,确定所述目标空压机组在历史各个单位时期的机组产气量实测值;
根据所述目标空压机组在历史各个单位时期的机组耗电量实测值和机组产气量实测值,计算得到所述目标空压机组在历史各个单位时期的机组单耗实测值,其中,机组单耗是指产生单位立方压缩空气的空压机组消耗电量;
根据所述目标空压机组在历史各个单位时期的机组单耗实测值,确定与所述历史各次温湿度调控方案一一对应的历史各次温湿度调控前后的机组单耗实测差值;
根据所述机组内部运行数据,确定与所述历史各次温湿度调控方案一一对应的历史各次温湿度调控前的机组内部运行参数值,以及还确定与所述历史各次温湿度调控方案一一对应的历史各次温湿度调控后的机组内部运行参数值;
将所述历史各次温湿度调控方案、所述历史各次温湿度调控前的进气端温湿度实测值和机组内部运行参数值以及所述历史各次温湿度调控后的机组内部运行参数值作为输入项,以及将所述历史各次温湿度调控前后的机组单耗实测差值作为输出项,对基于机器学习算法的人工智能模型进行率定验证建模,得到方案效果预测模型;
针对所述历史各次温湿度调控方案,将对应方案、所述目标空压机组在当前单位时期的进气端温湿度实测值和机组内部运行参数值以及所述目标空压机组在当前单位时期的机组内部运行参数值输入所述方案效果预测模型,输出得到对应的且在温湿度调控前后的机组单耗估计差值;
从所述历史各次温湿度调控方案中选取具有最大机组单耗估计差值的历史某次温湿度调控方案;
将所述历史某次温湿度调控方案,确定为用于使所述目标空压机组在下一个单位时期的进气端温湿度实测值达到所述进气端温湿度最优值的机组所在机房温湿度调控方案。
第二方面,提供了一种空压机进气端温湿度调控装置,适用于布置在通信连接目标空压机组的机组所在机房温湿度调控设备的控制设备中,包括有多维数据获取模块、温湿度数据处理模块、机组单耗预测模块、升降幅度确定模块、阈值比较判断模块、最优值确定模块、调节目标确定模块、调控方案确定模块和调控方案传送模块;
所述多维数据获取模块,用于获取所述目标空压机组的进气端温湿度数据、机组耗电量数据、机组产气量数据、机组内部运行数据和机组所在地区天气数据;
所述温湿度数据处理模块,通信连接所述多维数据获取模块,用于根据所述进气端温湿度数据,确定所述目标空压机组在当前单位时期的进气端温湿度实测值,以及根据所述进气端温湿度数据和所述机组所在地区天气数据,预测得到所述目标空压机组在下一个单位时期的进气端温湿度估计值;
所述机组单耗预测模块,通信连接所述多维数据获取模块,用于根据所述进气端温湿度数据、所述机组耗电量数据、所述机组产气量数据、所述机组内部运行数据和所述进气端温湿度估计值,预测得到所述目标空压机组在下一个单位时期的机组单耗估计值;
所述升降幅度确定模块,通信连接所述温湿度数据处理模块,用于根据所述进气端温湿度实测值和所述进气端温湿度估计值,确定进气端温湿度升降幅度;
所述阈值比较判断模块,分别通信连接所述升降幅度确定模块和所述机组单耗预测模块,用于判断所述进气端温湿度升降幅度是否大于等于预设幅度阈值以及所述机组单耗估计值是否大于等于预设单耗阈值;
所述最优值确定模块,分别通信连接所述多维数据获取模块和所述阈值比较判断模块,用于在判定所述进气端温湿度升降幅度大于等于所述预设幅度阈值以及所述机组单耗估计值大于等于所述预设单耗阈值时,根据所述进气端温湿度数据、所述机组耗电量数据、所述机组产气量数据和所述机组内部运行数据,确定与所述目标空压机组在当前单位时期的运行状态对应的进气端温湿度最优值;
所述调节目标确定模块,分别通信连接所述温湿度数据处理模块和所述最优值确定模块,用于根据所述进气端温湿度估计值和所述进气端温湿度最优值,计算得到进气端温湿度调节目标值;
所述调控方案确定模块,通信连接所述调节目标确定模块,用于根据所述进气端温湿度调节目标值,确定用于使所述目标空压机组在下一个单位时期的进气端温湿度实测值达到所述进气端温湿度最优值的机组所在机房温湿度调控方案;
所述调控方案传送模块,通信连接所述调控方案确定模块,用于将所述机组所在机房温湿度调控方案传送至所述机组所在机房温湿度调控设备予以执行。
第三方面,本发明提供了另一种空压机进气端温湿度调控装置,包括有温湿度数据采集器、机组耗电量数据采集器、机组产气量数据采集器、机组内部运行数据采集器、机组所在机房温湿度调控设备、边缘网关设备和云服务器,其中,所述温湿度数据采集器、所述机组耗电量数据采集器、所述机组产气量数据采集器、所述机组内部运行数据采集器和所述机组所在机房温湿度调控设备分别通过LoRa无线通讯方式通信连接所述边缘网关设备,所述边缘网关设备通过4G/5G无线通讯方式通信连接所述云服务器;
所述温湿度数据采集器,布置在目标空压机组的进气端口处,用于实时采集获取所述目标空压机组的进气端温湿度数据,并将所述进气端温湿度数据实时上传至所述边缘网关设备;
所述机组耗电量数据采集器,布置在所述目标空压机组的电表安装位置并通信连接所述目标空压机组的电表,用于实时采集获取所述目标空压机组的机组耗电量数据,并将所述机组耗电量数据实时上传至所述边缘网关设备;
所述机组产气量数据采集器,布置在所述目标空压机组的出气端口处,用于实时采集获取所述目标空压机组的机组产气量数据,并将所述机组产气量数据实时上传至所述边缘网关设备;
所述机组内部运行数据采集器,布置在所述目标空压机组的安装位置并通信连接所述目标空压机组,用于实时采集获取所述目标空压机组的机组内部运行数据,并将所述机组内部运行数据实时上传至所述边缘网关设备;
所述边缘网关设备,用于将收到的所述进气端温湿度数据、所述机组耗电量数据、所述机组产气量数据和所述机组内部运行数据实时中转发送至所述云服务器,以及将来自所述云服务器的机组所在机房温湿度调控方案实时中转发送至所述机组所在机房温湿度调控设备;
所述机组所在机房温湿度调控设备,布置在所述目标空压机组的机组所在机房内,用于执行所述机组所在机房温湿度调控方案;
所述云服务器,用于执行如第一方面或第一方面中任意可能设计所述的空压机进气端温湿度调控方法。
在一个可能的设计中,所述控制设备采用基于可编程逻辑控制器的工控机。
第四方面,本发明提供了一种计算机设备,包括有依次通信连接的存储器、处理器和收发器,其中,所述存储器用于存储计算机程序,所述收发器用于收发消息,所述处理器用于读取所述计算机程序,执行如第一方面或第一方面中任意可能设计所述的空压机进气端温湿度调控方法。
第五方面,本发明提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,当所述指令在计算机上运行时,执行如第一方面或第一方面中任意可能设计所述的空压机进气端温湿度调控方法。
第六方面,本发明提供了一种包含指令的计算机程序产品,当所述指令在计算机上运行时,使所述计算机执行如第一方面或第一方面中任意可能设计所述的空压机进气端温湿度调控方法。
上述方案的有益效果:
(1)本发明创造性提供了一种聚焦于分析空压机***的运行规律和容积效率来进行空压机进气端温湿度监测暨调控的新方案,即先根据目标空压机组的进气端温湿度数据、机组耗电量数据、机组产气量数据、机组内部运行数据和机组所在地区天气数据,预测得到目标空压机组在下一个单位时期的进气端温湿度估计值和机组单耗估计值,然后在基于前述数值判定需要调控时,确定与目标空压机组在当前单位时期的运行状态对应的进气端温湿度最优值以及用于使目标空压机组在下一个单位时期的进气端温湿度实测值达到该进气端温湿度最优值的机组所在机房温湿度调控方案,最后传送方案予以执行,如此可改善机房的温湿度环境,提高空压机容积效率,并可利于闭环调节,达到负荷调峰效果;
(2)还可实时调控以使空压***进气处于合适的温湿度状态,保证***高效稳定运行,从而达到提高能效,降低单耗的目的;
(3)还具有对现有空压机***改造动作少和监测方式简单易行等优点,便于实际应用和推广。
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的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的空压机进气端温湿度调控方法的流程示意图。
图2为本申请实施例提供的双向LSTM网络的结构示意图。
图3为本申请实施例提供的一种空压机进气端温湿度调控装置的结构示意图。
图4为本申请实施例提供的另一种空压机进气端温湿度调控装置的结构示意图。
图5为本申请实施例提供的计算机设备的结构示意图。
具体实施方式
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,下面将结合附图和实施例或现有技术的描述对本发明作简单地介绍,显而易见地,下面关于附图结构的描述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的前提下,还可以根据这些附图获得其他的附图。在此需要说明的是,对于这些实施例方式的说明用于帮助理解本发明,但并不构成对本发明的限定。
应当理解,尽管本文可能使用术语第一和第二等等来描述各种对象,但是这些对象不应当受到这些术语的限制。这些术语仅用于区分一个对象和另一个对象。例如可以将第一对象称作第二对象,并且类似地可以将第二对象称作第一对象,同时不脱离本发明的示例实施例的范围。
应当理解,对于本文中可能出现的术语“和/或”,其仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A、单独存在B或者同时存在A和B等三种情况;又例如,A、B和/或C,可以表示存在A、B和C中的任意一种或他们的任意组合;对于本文中可能出现的术语“/和”,其是描述另一种关联对象关系,表示可以存在两种关系,例如,A/和B,可以表示:单独存在A或者同时存在A和B等两种情况;另外,对于本文中可能出现的字符“/”,一般表示前后关联对象是一种“或”关系。
实施例
如图1所示,本实施例第一方面提供的所述空压机进气端温湿度调控方法,可以但不限于由具有一定计算资源的且通信连接目标空压机组的机组所在机房温湿度调控设备的控制设备执行,例如由工控机或云服务器等控制设备执行。如图1所示,所述空压机进气端温湿度调控方法,可以但不限于包括有如下步骤S1~S9。
S1.获取所述目标空压机组的进气端温湿度数据、机组耗电量数据、机组产气量数据、机组内部运行数据和机组所在地区天气数据。
在所述步骤S1中,所述进气端温湿度数据具体可由布置在所述目标空压机组的进气端口处的温湿度数据采集器(例如温湿度传感器等)实时采集并上传得到;所述机组耗电量数据具体可由布置在所述目标空压机组的电表安装位置并通信连接所述目标空压机组的电表的机组耗电量数据采集器(例如一个无线网络节点设备等)实时采集并上传得到;所述机组产气量数据具体可由布置在所述目标空压机组的出气端口处的机组产气量数据采集器(例如空气流量计等)实时采集并上传得到;所述机组内部运行数据具体可由布置在所述目标空压机组的安装位置并通信连接所述目标空压机组的机组内部运行数据采集器(例如另一个无线网络节点设备等)实时采集并上传得到。所述温湿度数据采集器、所述机组耗电量数据采集器、所述机组产气量数据采集器和所述机组内部运行数据采集器等可以但不限于通过诸如LoRa无线网络等无线通讯方式通信连接本地控制设备,它们的安装布置及组网调试等均可采用现有常规技术手段实现,因此可以常规获取到所述进气端温湿度数据、所述机组耗电量数据、所述机组产气量数据和所述机组内部运行数据等。
在所述步骤S1中,所述机组所在地区天气数据是指所述目标空压机组的所在地区的天气数据,具体包含但不限于有天气温湿度(例如湿度以及体感温度或露点温度等)/和至当天日出时刻的时长、至当天日落时刻的时长、云量、能见度、降水概率、风级和/或风速等,以及在它们中任一的环比分析结果和/或同比分析结果等,其中,所述当天是指与单位时段对应的所属日(例如,若某个未来单位时段为明日下午7:00~8:00,则所述当天为明日)。具体的,所述至当天日出时刻的时长可基于当天日出时刻和与单位时段对应的时段中点时刻常规计算得到(例如,若某个未来单位时段为明日下午7:00~8:00,当天日出时刻为上午6:33,则所述至当天日出时刻的时长为19:30-6:33=12小时57分),所述至当天日落时刻的时长可基于当天日落时刻和与单位时段对应的时段中点时刻常规计算得到(例如,若某个未来单位时段为明日下午7:00~8:00,当天日落时刻为下午7:22,则所述至当天日落时刻的时长为19:30-19:22=8分),所述云量、所述体感温度、所述能见度、所述降水概率、所述风级、所述湿度、所述风速和所述露点温度等均为现有的常见气象参数。此外,所述机组所在地区天气数据可具体通过联网天气数据服务器常规访问得到。
S2.根据所述进气端温湿度数据,确定所述目标空压机组在当前单位时期的进气端温湿度实测值,以及根据所述进气端温湿度数据和所述机组所在地区天气数据,预测得到所述目标空压机组在下一个单位时期的进气端温湿度估计值。
在所述步骤S2中,所述单位时期可以但不限于为1刻钟、半小时、一小时或一时辰等。由于所述进气端温湿度数据是实时获取的,因此可以常规地从所述气端温湿度数据中抽取出所述目标空压机组在当前单位时期的进气端温湿度实测值。具体的,根据所述进气端温湿度数据和所述机组所在地区天气数据,预测得到所述目标空压机组在下一个单位时期的进气端温湿度估计值,包括但不限于有如下步骤S21~S27。
S21.根据所述进气端温湿度数据,确定所述目标空压机组在历史各个单位时期的进气端温湿度实测值。
在所述步骤S21中,同样可以常规地从所述气端温湿度数据中抽取出所述目标空压机组在历史各个单位时期(包括当前单位时期)的进气端温湿度实测值。
S22.根据所述机组所在地区天气数据,确定所述目标空压机组的所在地区在历史各个单位时期的天气数据。
在所述步骤S22中,所述机组所在地区天气数据同样可以实时访问得到,因此同样可以常规地从所述机组所在地区天气数据中抽取出所述目标空压机组在历史各个单位时期(包括当前单位时期)的天气数据。
S23.根据所述目标空压机组的所在地区在历史各个单位时期的天气数据,预测得到所述目标空压机组的所在地区在下一个单位时期的天气估计数据。
在所述步骤S23中,为了确保所述天气估计数据的预测准确性,优选的,根据所述目标空压机组的所在地区在历史各个单位时期的天气数据,预测得到所述目标空压机组的所在地区在下一个单位时期的天气估计数据,包括但不限于有如下步骤S231~S235。
S231.根据所述目标空压机组的所在地区在历史各个单位时期的天气数据,按照如下方式获取多个样本数据:将在连续M个单位时期中各个单位时期的时间数据和天气数据作为模型输入数据,以及将在时序上位于所述连续M个单位时期之后的首个单位时期的天气数据作为模型输出数据,得到一个包含有所述模型输入数据和所述模型输出数据的样本数据,其中,M表示不小于2且不大于12的正整数。
S232.将所述多个样本数据划分成训练集、测试集和验证集。
在所述步骤S232中,所述训练集(Training Set)用于训练深度学习模型,即通过训练集的数据确定拟合曲线的参数;所述验证集(Validation Set)用来做模型选择,即做模型的最终优化及用来辅助模型的构建;所述测试集(Test Set)是用于测试已经训练好的模型的精确度。因为在训练模型的时候,参数全是根据现有训练集里的数据进行修正及拟合,有可能会出现过拟合的情况,即这个参数仅对训练集里的数据拟合比较准确,如果出现一个新数据需要利用模型预测结果,准确率可能就会很差。所以测试集的作用是为了对学习器的泛化误差进行评估,即进行实验测试以判别学习器对新样本的判别能力,同时以测试集的的测试误差作为泛化误差的近似。考虑在分配训练集和测试集的时候,如果测试集的数据越小,对模型的泛化误差的估计将会越不准确,因此需要在划分数据集的时候进行权衡,优选的,可按照6:2:2的划分比例,将所述多个样本数据划分成训练集、验证集和测试集。
S233.应用所述训练集、所述测试集和所述验证集对基于双向LSTM神经网络的机器学习模型依次进行训练、测试和验证,得到通过测试及验证的天气预测模型。
在所述步骤S233中,考虑短时天气数据预测问题实际上是一个时间序列预测问题,而长短期记忆网络(Long Short Term Memory Networks, LSTM)是众多循环神经网络(Recurrent Neural Networks,RNN)当中的一个变体,它弥补了人工神经网络(ArtificialNeural Network, ANN)所存在的梯度消失、梯度***和长期记忆能力不足等问题,使得循环神经网络能够真正有效地利用长时间的时序信息(即LSTM网络有着更复杂的记忆单元,能够对长时间跨度的时间序列保持良好的记忆,因此基于LSTM网络的深度学习模型在时间序列的预测问题上有着突出的表现,是近年来机器学习领域的研究热点)。但是由于LSTM网络会忽略未来时刻的信息,而在短时天气数据预测问题中,当前时刻的输入不仅和历史时刻的信息有关,还与未来时刻的信息密不可分,因此进一步考虑双向长短期记忆网络BiLSTM能够同时利用过去时刻和未来时刻的信息,使得在处理时间序列预测的问题上会优于LSTM的效果:如图2所示的BiLSTM网络结构图,可以看出在任一时刻,输入数据会同时传输给正向及逆向两个LSTM网络,此时BiLSTM既能够利用前一时刻的信息,又能够利用到后一时刻的信息进行训练,即模型的输出数据/>也同时由正逆向两个LSTM网络共同决定。综合前述考虑,为了能够得到具有高准确度的天气预测模型,因此本实施例采用了基于双向长短期记忆LSTM网络的深度学习模型来进行训练。
S234.根据所述目标空压机组的所在地区在历史各个单位时期的天气数据,获取待测输入数据,其中,所述待测输入数据包含有在当前最近M个单位时期中各个单位时期的时间数据和天气数据。
S235.将所述待测输入数据输入所述天气预测模型,输出得到所述目标空压机组的所在地区在下一个单位时期的天气估计数据。
S24.根据所述目标空压机组的所在地区在历史各个单位时期的天气数据,确定所述目标空压机组的所在地区在历史各个单位时期的天气温湿度数值。
S25.根据所述目标空压机组在历史各个单位时期的进气端温湿度实测值和所述目标空压机组的所在地区在历史各个单位时期的天气温湿度数值,拟合得到进气端温湿度与天气温湿度的线性/非线性关系。
在所述步骤S25中,具体可以但不限于采用最小二乘法来常规拟合得到所述线性/非线性关系。举例的,所述线性/非线性关系可以但不限于为一个变量为天气温湿度的且用于求取进气端温湿度的拟合函数。
S26.根据所述目标空压机组的所在地区在下一个单位时期的天气估计数据,确定所述目标空压机组的所在地区在下一个单位时期的天气温湿度估计值。
S27.根据所述线性/非线性关系和所述目标空压机组的所在地区在下一个单位时期的天气温湿度估计值,预测得到所述目标空压机组在下一个单位时期的进气端温湿度估计值。
在所述步骤S27中,由于所述线性/非线性关系可为一个变量为天气温湿度的且用于求取进气端温湿度的拟合函数,因此可以将所述目标空压机组的所在地区在下一个单位时期的天气温湿度估计值代入该拟合函数,进而计算得到所述目标空压机组在下一个单位时期的进气端温湿度估计值。
S3.根据所述进气端温湿度数据、所述机组耗电量数据、所述机组产气量数据、所述机组内部运行数据和所述进气端温湿度估计值,预测得到所述目标空压机组在下一个单位时期的机组单耗估计值。
在所述步骤S3中,具体的,根据所述进气端温湿度数据、所述机组耗电量数据、所述机组产气量数据、所述机组内部运行数据和所述进气端温湿度估计值,预测得到所述目标空压机组在下一个单位时期的机组单耗估计值,包括但不限于有如下步骤S31~S37。
S31.根据所述进气端温湿度数据,确定所述目标空压机组在历史各个单位时期的进气端温湿度实测值。
S32.根据所述机组耗电量数据,确定所述目标空压机组在历史各个单位时期的机组耗电量实测值。
在所述步骤S32中,由于所述机组耗电量数据是实时采集的,因此同样可从所述机组耗电量数据中常规抽取得到所述目标空压机组在历史各个单位时期(包括当前单位时期)的机组耗电量实测值。
S33.根据所述机组产气量数据,确定所述目标空压机组在历史各个单位时期的机组产气量实测值。
在所述步骤S33中,由于所述机组产气量数据是实时采集的,因此同样可从所述机组产气量数据中常规抽取得到所述目标空压机组在历史各个单位时期(包括当前单位时期)的机组产气量实测值。
S34.根据所述目标空压机组在历史各个单位时期的机组耗电量实测值和机组产气量实测值,计算得到所述目标空压机组在历史各个单位时期的机组单耗实测值,其中,机组单耗是指产生单位立方压缩空气的空压机组消耗电量。
在所述步骤S34中,由于所述机组单耗是指产生单位立方压缩空气的空压机组消耗电量,可根据此定义,针对所述历史各个单位时期,将对应的机组耗电量实测值除以对应的机组产气量实测值的计算结果作为对应的机组单耗实测值。
S35.根据所述机组内部运行数据,确定所述目标空压机组在历史各个单位时期的机组内部运行参数值。
在所述步骤S35中,由于所述机组内部运行数据是实时采集的,因此同样可从所述机组内部运行数据中常规抽取得到所述目标空压机组在历史各个单位时期(包括当前单位时期)的机组内部运行参数值。
S36.将所述目标空压机组在历史各个单位时期的机组内部运行参数值和进气端温湿度实测值作为输入项,以及将所述目标空压机组在历史各个单位时期的机组单耗实测值作为输出项,对基于机器学习算法的人工智能模型进行率定验证建模,得到单耗预测模型。
在所述步骤S36中,具体的,所述机器学习算法可以但不限于采用支持向量机、K最邻近法、随机梯度下降法、多变量线性回归、多层感知机、决策树、反向传播神经网络或径向基函数网络等,其中,所述支持向量机、所述K最邻近法、所述随机梯度下降法、所述多变量线性回归、所述多层感知机、所述决策树、所述反向传播神经网络和所述径向基函数网络均为现有人工智能方法中的常见方案。所述率定验证建模的具体过程包括有模型的率定过程和校核过程,即是先通过对比模型模拟结果与实测数据,然后根据对比结果调整模型参数,使得模拟结果与实际吻合的过程,因此可以通过常规的率定验证建模方式,得到所述单耗预测模型。
S37.将所述目标空压机组在当前单位时期的机组内部运行参数值和所述进气端温湿度估计值输入所述单耗预测模型,输出得到所述目标空压机组在下一个单位时期的机组单耗估计值。
在所述步骤S37中,本实施例默认所述目标空压机组在当前单位时期及下一个单位时期的机组内部运行参数值维持不变,因此是将所述目标空压机组在当前单位时期的机组内部运行参数值和所述进气端温湿度估计值输入所述单耗预测模型,以便得到所述目标空压机组在下一个单位时期的机组单耗估计值。
S4.根据所述进气端温湿度实测值和所述进气端温湿度估计值,确定进气端温湿度升降幅度。
在所述步骤S4中,所述进气端温湿度升降幅度即为所述进气端温湿度估计值减去所述进气端温湿度实测值所得的相差绝对值,因此可以常规计算得到。
S5.判断所述进气端温湿度升降幅度是否大于等于预设幅度阈值以及所述机组单耗估计值是否大于等于预设单耗阈值。
在所述步骤S5中,所述预设幅度阈值举例为:温差幅度阈值为3摄氏度;湿差幅度阈值为3%rh。此外,所述预设单耗阈值可以针对当前单位时期的机组内部运行参数值来进行独立性预设,例如:先分别对比所述目标空压机组在当前单位时期的机组内部运行参数值与所述目标空压机组在历史各个单位时期的机组内部运行参数值,确定具有与所述目标空压机组在当前单位时期的机组内部运行参数值相同或相似的机组内部运行参数值的至少一个历史单位时期,然后选取所述至少一个历史单位时期的机组单耗实测值的中位数或平均数等作为所述预设单耗阈值。
S6.若均是,则根据所述进气端温湿度数据、所述机组耗电量数据、所述机组产气量数据和所述机组内部运行数据,确定与所述目标空压机组在当前单位时期的运行状态对应的进气端温湿度最优值。
在所述步骤S6中,具体的,根据所述进气端温湿度数据、所述机组耗电量数据、所述机组产气量数据和所述机组内部运行数据,确定与所述目标空压机组在当前单位时期的运行状态对应的进气端温湿度最优值,包括但不限于有如下步骤S61~S68。
S61.根据所述进气端温湿度数据,确定所述目标空压机组在历史各个单位时期的进气端温湿度实测值。
S62.根据所述机组耗电量数据,确定所述目标空压机组在历史各个单位时期的机组耗电量实测值。
S63.根据所述机组产气量数据,确定所述目标空压机组在历史各个单位时期的机组产气量实测值。
S64.根据所述目标空压机组在历史各个单位时期的机组耗电量实测值和机组产气量实测值,计算得到所述目标空压机组在历史各个单位时期的机组单耗实测值,其中,机组单耗是指产生单位立方压缩空气的空压机组消耗电量。
S65.根据所述机组内部运行数据,确定所述目标空压机组在历史各个单位时期的机组内部运行参数值。
S66.分别对比所述目标空压机组在当前单位时期的机组内部运行参数值与所述目标空压机组在历史各个单位时期的机组内部运行参数值,确定具有与所述目标空压机组在当前单位时期的机组内部运行参数值相同或相似的机组内部运行参数值的至少一个历史单位时期。
S67.根据所述目标空压机组在所述至少一个历史单位时期的机组单耗实测值,从所述至少一个历史单位时期中选出具有最小机组单耗实测值的某个历史单位时期。
在所述步骤S67中,由于所述机组单耗是指产生单位立方压缩空气的空压机组消耗电量,因此其可以最直接体现空压机组的容积效率(即是在进气行程时气缸真实吸入的混合气体积除以气缸容积),数值越小表示机组越高效,进而是将具有最小机组单耗实测值的某个历史单位时期的进气端温湿度实测值,确定为与所述目标空压机组在当前单位时期的运行状态对应的进气端温湿度最优值。
S68.将所述目标空压机组在所述某个历史单位时期的进气端温湿度实测值,确定为与所述目标空压机组在当前单位时期的运行状态对应的进气端温湿度最优值。
另外,若判定所述进气端温湿度升降幅度小于所述预设幅度阈值和/或所述机组单耗估计值小于所述预设单耗阈值,则由于此时进气端温湿度升降幅度较小和/或机组单耗符合预期,可无需通过后续步骤(即步骤S6~S9)来进行机房温湿度调控。
S7.根据所述进气端温湿度估计值和所述进气端温湿度最优值,计算得到进气端温湿度调节目标值。
在所述步骤S7中,所述进气端温湿度调节目标值即为所述进气端温湿度最优值减去所述进气端温湿度估计值的结果。
S8.根据所述进气端温湿度调节目标值,确定用于使所述目标空压机组在下一个单位时期的进气端温湿度实测值达到所述进气端温湿度最优值的机组所在机房温湿度调控方案。
在所述步骤S8中,所述机组所在机房温湿度调控方案即为所述机组所在机房温湿度调控设备的且为实现进气端温湿度调节任务(即使所述目标空压机组在下一个单位时期的进气端温湿度实测值达到所述进气端温湿度最优值)而需要执行的各种操作步骤及顺序;例如,当所述机组所在机房温湿度调控设备包括有布置在所述目标空压机组的机组所在机房内的空调机组或轴流风扇等时,所述机组所在机房温湿度调控方案包括但不限于有对所述空调机组或所述轴流风扇的开机操作或关机操作、对所述空调机组的温控调节操作以及对所述轴流风扇的变频调节操作等。为了能够基于历史调控数据选取最高效的机组所在机房温湿度调控方案,优选的,根据所述进气端温湿度调节目标值,确定用于使所述目标空压机组在下一个单位时期的进气端温湿度实测值达到所述进气端温湿度最优值的机组所在机房温湿度调控方案,包括但不限于有S801~S811。
S801.获取所述目标空压机组的机组所在机房温湿度调控设备的且具有与所述进气端温湿度调节目标值相同或相近的进气端温湿度调节达成值的历史各次温湿度调控方案。
在所述步骤S801中,所述进气端温湿度调节达成值具体可以基于历史各次温湿度调控前后的进气端温湿度实测值常规计算得到。
S802.根据所述进气端温湿度数据,确定与所述历史各次温湿度调控方案一一对应的历史各次温湿度调控前的进气端温湿度实测值。
S803.根据所述机组耗电量数据,确定所述目标空压机组在历史各个单位时期的机组耗电量实测值。
S804.根据所述机组产气量数据,确定所述目标空压机组在历史各个单位时期的机组产气量实测值。
S805.根据所述目标空压机组在历史各个单位时期的机组耗电量实测值和机组产气量实测值,计算得到所述目标空压机组在历史各个单位时期的机组单耗实测值,其中,机组单耗是指产生单位立方压缩空气的空压机组消耗电量。
S806.根据所述目标空压机组在历史各个单位时期的机组单耗实测值,确定与所述历史各次温湿度调控方案一一对应的历史各次温湿度调控前后的机组单耗实测差值。
在所述步骤S806中,所述机组单耗实测差值即为历史各次温湿度调控后的机组单耗实测值减去历史各次温湿度调控前的机组单耗实测值的计算结果,因此其数值越大表示调控方案的效果越好。
S807.根据所述机组内部运行数据,确定与所述历史各次温湿度调控方案一一对应的历史各次温湿度调控前的机组内部运行参数值,以及还确定与所述历史各次温湿度调控方案一一对应的历史各次温湿度调控后的机组内部运行参数值。
S808.将所述历史各次温湿度调控方案、所述历史各次温湿度调控前的进气端温湿度实测值和机组内部运行参数值以及所述历史各次温湿度调控后的机组内部运行参数值作为输入项,以及将所述历史各次温湿度调控前后的机组单耗实测差值作为输出项,对基于机器学习算法的人工智能模型进行率定验证建模,得到方案效果预测模型。
在所述步骤S808中,所述机器学习算法同样可以但不限于采用支持向量机、K最邻近法、随机梯度下降法、多变量线性回归、多层感知机、决策树、反向传播神经网络或径向基函数网络等,以及同样可以通过常规的率定验证建模方式,得到所述方案效果预测模型。
S809.针对所述历史各次温湿度调控方案,将对应方案、所述目标空压机组在当前单位时期的进气端温湿度实测值和机组内部运行参数值以及所述目标空压机组在当前单位时期的机组内部运行参数值输入所述方案效果预测模型,输出得到对应的且在温湿度调控前后的机组单耗估计差值。
在所述步骤S809中,本实施例默认所述目标空压机组在当前单位时期及下一个单位时期的机组内部运行参数值维持不变,因此需要输入两次所述目标空压机组在当前单位时期的机组内部运行参数值。
S810.从所述历史各次温湿度调控方案中选取具有最大机组单耗估计差值的历史某次温湿度调控方案。
S811.将所述历史某次温湿度调控方案,确定为用于使所述目标空压机组在下一个单位时期的进气端温湿度实测值达到所述进气端温湿度最优值的机组所在机房温湿度调控方案。
S9.将所述机组所在机房温湿度调控方案传送至所述机组所在机房温湿度调控设备予以执行。
由此基于前述步骤S1~S9所描述的空压机进气端温湿度调控方法,提供了一种聚焦于分析空压机***的运行规律和容积效率来进行空压机进气端温湿度监测暨调控的新方案,即先根据目标空压机组的进气端温湿度数据、机组耗电量数据、机组产气量数据、机组内部运行数据和机组所在地区天气数据,预测得到目标空压机组在下一个单位时期的进气端温湿度估计值和机组单耗估计值,然后在基于前述数值判定需要调控时,确定与目标空压机组在当前单位时期的运行状态对应的进气端温湿度最优值以及用于使目标空压机组在下一个单位时期的进气端温湿度实测值达到该进气端温湿度最优值的机组所在机房温湿度调控方案,最后传送方案予以执行,如此可改善机房的温湿度环境,提高空压机容积效率,并可利于闭环调节,达到负荷调峰效果。此外,还可实时调控以使空压***进气处于合适的温湿度状态,保证***高效稳定运行,从而达到提高能效,降低单耗的目的。
如图3所示,本实施例第二方面提供了一种实现第一方面所述的空压机进气端温湿度调控方法的虚拟装置,适用于布置在通信连接目标空压机组的机组所在机房温湿度调控设备的控制设备中,包括有多维数据获取模块、温湿度数据处理模块、机组单耗预测模块、升降幅度确定模块、阈值比较判断模块、最优值确定模块、调节目标确定模块、调控方案确定模块和调控方案传送模块;
所述多维数据获取模块,用于获取所述目标空压机组的进气端温湿度数据、机组耗电量数据、机组产气量数据、机组内部运行数据和机组所在地区天气数据;
所述温湿度数据处理模块,通信连接所述多维数据获取模块,用于根据所述进气端温湿度数据,确定所述目标空压机组在当前单位时期的进气端温湿度实测值,以及根据所述进气端温湿度数据和所述机组所在地区天气数据,预测得到所述目标空压机组在下一个单位时期的进气端温湿度估计值;
所述机组单耗预测模块,通信连接所述多维数据获取模块,用于根据所述进气端温湿度数据、所述机组耗电量数据、所述机组产气量数据、所述机组内部运行数据和所述进气端温湿度估计值,预测得到所述目标空压机组在下一个单位时期的机组单耗估计值;
所述升降幅度确定模块,通信连接所述温湿度数据处理模块,用于根据所述进气端温湿度实测值和所述进气端温湿度估计值,确定进气端温湿度升降幅度;
所述阈值比较判断模块,分别通信连接所述升降幅度确定模块和所述机组单耗预测模块,用于判断所述进气端温湿度升降幅度是否大于等于预设幅度阈值以及所述机组单耗估计值是否大于等于预设单耗阈值;
所述最优值确定模块,分别通信连接所述多维数据获取模块和所述阈值比较判断模块,用于在判定所述进气端温湿度升降幅度大于等于所述预设幅度阈值以及所述机组单耗估计值大于等于所述预设单耗阈值时,根据所述进气端温湿度数据、所述机组耗电量数据、所述机组产气量数据和所述机组内部运行数据,确定与所述目标空压机组在当前单位时期的运行状态对应的进气端温湿度最优值(另外,若判定所述进气端温湿度升降幅度小于所述预设幅度阈值和/或所述机组单耗估计值小于所述预设单耗阈值,则由于此时进气端温湿度升降幅度较小和/或机组单耗符合预期,可无需寻找所述进气端温湿度最优值来用于进行机房温湿度调控);
所述调节目标确定模块,分别通信连接所述温湿度数据处理模块和所述最优值确定模块,用于根据所述进气端温湿度估计值和所述进气端温湿度最优值,计算得到进气端温湿度调节目标值;
所述调控方案确定模块,通信连接所述调节目标确定模块,用于根据所述进气端温湿度调节目标值,确定用于使所述目标空压机组在下一个单位时期的进气端温湿度实测值达到所述进气端温湿度最优值的机组所在机房温湿度调控方案;
所述调控方案传送模块,通信连接所述调控方案确定模块,用于将所述机组所在机房温湿度调控方案传送至所述机组所在机房温湿度调控设备予以执行。
本实施例第二方面提供的前述装置的工作过程、工作细节和技术效果,可以参见第一方面所述的空压机进气端温湿度调控方法,于此不再赘述。
如图4所示,本实施例第三方面提供了一种实现第一方面所述的空压机进气端温湿度调控方法的实体装置,包括有温湿度数据采集器、机组耗电量数据采集器、机组产气量数据采集器、机组内部运行数据采集器、机组所在机房温湿度调控设备、边缘网关设备和云服务器,其中,所述温湿度数据采集器、所述机组耗电量数据采集器、所述机组产气量数据采集器、所述机组内部运行数据采集器和所述机组所在机房温湿度调控设备分别通过LoRa无线通讯方式通信连接所述边缘网关设备,所述边缘网关设备通过4G/5G无线通讯方式通信连接所述云服务器;
所述温湿度数据采集器,布置在目标空压机组的进气端口处,用于实时采集获取所述目标空压机组的进气端温湿度数据,并将所述进气端温湿度数据实时上传至所述边缘网关设备;
所述机组耗电量数据采集器,布置在所述目标空压机组的电表安装位置并通信连接所述目标空压机组的电表,用于实时采集获取所述目标空压机组的机组耗电量数据,并将所述机组耗电量数据实时上传至所述边缘网关设备;
所述机组产气量数据采集器,布置在所述目标空压机组的出气端口处,用于实时采集获取所述目标空压机组的机组产气量数据,并将所述机组产气量数据实时上传至所述边缘网关设备;
所述机组内部运行数据采集器,布置在所述目标空压机组的安装位置并通信连接所述目标空压机组,用于实时采集获取所述目标空压机组的机组内部运行数据,并将所述机组内部运行数据实时上传至所述边缘网关设备;
所述边缘网关设备,用于将收到的所述进气端温湿度数据、所述机组耗电量数据、所述机组产气量数据和所述机组内部运行数据实时中转发送至所述云服务器,以及将来自所述云服务器的机组所在机房温湿度调控方案实时中转发送至所述机组所在机房温湿度调控设备;
所述机组所在机房温湿度调控设备,布置在所述目标空压机组的机组所在机房内,用于执行所述机组所在机房温湿度调控方案;
所述云服务器,用于执行如第一方面所述的空压机进气端温湿度调控方法。
本实施例第三方面提供的前述装置的工作过程、工作细节和技术效果,可以参见第一方面所述的空压机进气端温湿度调控方法,于此不再赘述。
如图5所示,本实施例第四方面提供了一种执行如第一方面所述的空压机进气端温湿度调控方法的计算机设备,包括有依次通信连接的存储器、处理器和收发器,其中,所述存储器用于存储计算机程序,所述收发器用于收发消息,所述处理器用于读取所述计算机程序,执行如第一方面所述的空压机进气端温湿度调控方法。具体举例的,所述存储器可以但不限于包括随机存取存储器(Random-Access Memory,RAM)、只读存储器(Read-OnlyMemory,ROM)、闪存(Flash Memory)、先进先出存储器(First Input First Output,FIFO)和/或先进后出存储器(First Input Last Output,FILO)等等;所述处理器可以但不限于采用型号为STM32F105系列的微处理器。此外,所述计算机设备还可以但不限于包括有电源模块、显示屏和其它必要的部件。
本实施例第四方面提供的前述计算机设备的工作过程、工作细节和技术效果,可以参见第一方面所述的空压机进气端温湿度调控方法,于此不再赘述。
本实施例第五方面提供了一种存储包含如第一方面所述的空压机进气端温湿度调控方法的指令的计算机可读存储介质,即所述计算机可读存储介质上存储有指令,当所述指令在计算机上运行时,执行如第一方面所述的空压机进气端温湿度调控方法。其中,所述计算机可读存储介质是指存储数据的载体,可以但不限于包括软盘、光盘、硬盘、闪存、优盘和/或记忆棒(Memory Stick)等计算机可读存储介质,所述计算机可以是通用计算机、专用计算机、计算机网络或者其他可编程装置。
本实施例第五方面提供的前述计算机可读存储介质的工作过程、工作细节和技术效果,可以参见如第一方面所述的空压机进气端温湿度调控方法,于此不再赘述。
本实施例第六方面提供了一种包含指令的计算机程序产品,当所述指令在计算机上运行时,使所述计算机执行如第一方面所述的空压机进气端温湿度调控方法。其中,所述计算机可以是通用计算机、专用计算机、计算机网络或者其他可编程装置。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明的保护范围。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)
1.一种空压机进气端温湿度调控方法,其特征在于,由通信连接目标空压机组的机组所在机房温湿度调控设备的控制设备执行,包括:
获取所述目标空压机组的进气端温湿度数据、机组耗电量数据、机组产气量数据、机组内部运行数据和机组所在地区天气数据;
根据所述进气端温湿度数据,确定所述目标空压机组在当前单位时期的进气端温湿度实测值,以及根据所述进气端温湿度数据和所述机组所在地区天气数据,预测得到所述目标空压机组在下一个单位时期的进气端温湿度估计值;
根据所述进气端温湿度数据、所述机组耗电量数据、所述机组产气量数据、所述机组内部运行数据和所述进气端温湿度估计值,预测得到所述目标空压机组在下一个单位时期的机组单耗估计值;
根据所述进气端温湿度实测值和所述进气端温湿度估计值,确定进气端温湿度升降幅度;
判断所述进气端温湿度升降幅度是否大于等于预设幅度阈值以及所述机组单耗估计值是否大于等于预设单耗阈值;
若均是,则根据所述进气端温湿度数据、所述机组耗电量数据、所述机组产气量数据和所述机组内部运行数据,确定与所述目标空压机组在当前单位时期的运行状态对应的进气端温湿度最优值;
根据所述进气端温湿度估计值和所述进气端温湿度最优值,计算得到进气端温湿度调节目标值;
根据所述进气端温湿度调节目标值,确定用于使所述目标空压机组在下一个单位时期的进气端温湿度实测值达到所述进气端温湿度最优值的机组所在机房温湿度调控方案;
将所述机组所在机房温湿度调控方案传送至所述机组所在机房温湿度调控设备予以执行。
2.根据权利要求1所述的空压机进气端温湿度调控方法,其特征在于,根据所述进气端温湿度数据和所述机组所在地区天气数据,预测得到所述目标空压机组在下一个单位时期的进气端温湿度估计值,包括:
根据所述进气端温湿度数据,确定所述目标空压机组在历史各个单位时期的进气端温湿度实测值;
根据所述机组所在地区天气数据,确定所述目标空压机组的所在地区在历史各个单位时期的天气数据;
根据所述目标空压机组的所在地区在历史各个单位时期的天气数据,预测得到所述目标空压机组的所在地区在下一个单位时期的天气估计数据;
根据所述目标空压机组的所在地区在历史各个单位时期的天气数据,确定所述目标空压机组的所在地区在历史各个单位时期的天气温湿度数值;
根据所述目标空压机组在历史各个单位时期的进气端温湿度实测值和所述目标空压机组的所在地区在历史各个单位时期的天气温湿度数值,拟合得到进气端温湿度与天气温湿度的线性/非线性关系;
根据所述目标空压机组的所在地区在下一个单位时期的天气估计数据,确定所述目标空压机组的所在地区在下一个单位时期的天气温湿度估计值;
根据所述线性/非线性关系和所述目标空压机组的所在地区在下一个单位时期的天气温湿度估计值,预测得到所述目标空压机组在下一个单位时期的进气端温湿度估计值。
3.根据权利要求2所述的空压机进气端温湿度调控方法,其特征在于,根据所述目标空压机组的所在地区在历史各个单位时期的天气数据,预测得到所述目标空压机组的所在地区在下一个单位时期的天气估计数据,包括:
根据所述目标空压机组的所在地区在历史各个单位时期的天气数据,按照如下方式获取多个样本数据:将在连续M个单位时期中各个单位时期的时间数据和天气数据作为模型输入数据,以及将在时序上位于所述连续M个单位时期之后的首个单位时期的天气数据作为模型输出数据,得到一个包含有所述模型输入数据和所述模型输出数据的样本数据,其中,M表示不小于2且不大于12的正整数;
将所述多个样本数据划分成训练集、测试集和验证集;
应用所述训练集、所述测试集和所述验证集对基于双向LSTM神经网络的机器学习模型依次进行训练、测试和验证,得到通过测试及验证的天气预测模型;
根据所述目标空压机组的所在地区在历史各个单位时期的天气数据,获取待测输入数据,其中,所述待测输入数据包含有在当前最近M个单位时期中各个单位时期的时间数据和天气数据;
将所述待测输入数据输入所述天气预测模型,输出得到所述目标空压机组的所在地区在下一个单位时期的天气估计数据。
4.根据权利要求1所述的空压机进气端温湿度调控方法,其特征在于,根据所述进气端温湿度数据、所述机组耗电量数据、所述机组产气量数据、所述机组内部运行数据和所述进气端温湿度估计值,预测得到所述目标空压机组在下一个单位时期的机组单耗估计值,包括:
根据所述进气端温湿度数据,确定所述目标空压机组在历史各个单位时期的进气端温湿度实测值;
根据所述机组耗电量数据,确定所述目标空压机组在历史各个单位时期的机组耗电量实测值;
根据所述机组产气量数据,确定所述目标空压机组在历史各个单位时期的机组产气量实测值;
根据所述目标空压机组在历史各个单位时期的机组耗电量实测值和机组产气量实测值,计算得到所述目标空压机组在历史各个单位时期的机组单耗实测值,其中,机组单耗是指产生单位立方压缩空气的空压机组消耗电量;
根据所述机组内部运行数据,确定所述目标空压机组在历史各个单位时期的机组内部运行参数值;
将所述目标空压机组在历史各个单位时期的机组内部运行参数值和进气端温湿度实测值作为输入项,以及将所述目标空压机组在历史各个单位时期的机组单耗实测值作为输出项,对基于机器学习算法的人工智能模型进行率定验证建模,得到单耗预测模型;
将所述目标空压机组在当前单位时期的机组内部运行参数值和所述进气端温湿度估计值输入所述单耗预测模型,输出得到所述目标空压机组在下一个单位时期的机组单耗估计值。
5.根据权利要求1所述的空压机进气端温湿度调控方法,其特征在于,根据所述进气端温湿度数据、所述机组耗电量数据、所述机组产气量数据和所述机组内部运行数据,确定与所述目标空压机组在当前单位时期的运行状态对应的进气端温湿度最优值,包括:
根据所述进气端温湿度数据,确定所述目标空压机组在历史各个单位时期的进气端温湿度实测值;
根据所述机组耗电量数据,确定所述目标空压机组在历史各个单位时期的机组耗电量实测值;
根据所述机组产气量数据,确定所述目标空压机组在历史各个单位时期的机组产气量实测值;
根据所述目标空压机组在历史各个单位时期的机组耗电量实测值和机组产气量实测值,计算得到所述目标空压机组在历史各个单位时期的机组单耗实测值,其中,机组单耗是指产生单位立方压缩空气的空压机组消耗电量;
根据所述机组内部运行数据,确定所述目标空压机组在历史各个单位时期的机组内部运行参数值;
分别对比所述目标空压机组在当前单位时期的机组内部运行参数值与所述目标空压机组在历史各个单位时期的机组内部运行参数值,确定具有与所述目标空压机组在当前单位时期的机组内部运行参数值相同或相似的机组内部运行参数值的至少一个历史单位时期;
根据所述目标空压机组在所述至少一个历史单位时期的机组单耗实测值,从所述至少一个历史单位时期中选出具有最小机组单耗实测值的某个历史单位时期;
将所述目标空压机组在所述某个历史单位时期的进气端温湿度实测值,确定为与所述目标空压机组在当前单位时期的运行状态对应的进气端温湿度最优值。
6.根据权利要求1所述的空压机进气端温湿度调控方法,其特征在于,根据所述进气端温湿度调节目标值,确定用于使所述目标空压机组在下一个单位时期的进气端温湿度实测值达到所述进气端温湿度最优值的机组所在机房温湿度调控方案,包括:
获取所述目标空压机组的机组所在机房温湿度调控设备的且具有与所述进气端温湿度调节目标值相同或相近的进气端温湿度调节达成值的历史各次温湿度调控方案;
根据所述进气端温湿度数据,确定与所述历史各次温湿度调控方案一一对应的历史各次温湿度调控前的进气端温湿度实测值;
根据所述机组耗电量数据,确定所述目标空压机组在历史各个单位时期的机组耗电量实测值;
根据所述机组产气量数据,确定所述目标空压机组在历史各个单位时期的机组产气量实测值;
根据所述目标空压机组在历史各个单位时期的机组耗电量实测值和机组产气量实测值,计算得到所述目标空压机组在历史各个单位时期的机组单耗实测值,其中,机组单耗是指产生单位立方压缩空气的空压机组消耗电量;
根据所述目标空压机组在历史各个单位时期的机组单耗实测值,确定与所述历史各次温湿度调控方案一一对应的历史各次温湿度调控前后的机组单耗实测差值;
根据所述机组内部运行数据,确定与所述历史各次温湿度调控方案一一对应的历史各次温湿度调控前的机组内部运行参数值,以及还确定与所述历史各次温湿度调控方案一一对应的历史各次温湿度调控后的机组内部运行参数值;
将所述历史各次温湿度调控方案、所述历史各次温湿度调控前的进气端温湿度实测值和机组内部运行参数值以及所述历史各次温湿度调控后的机组内部运行参数值作为输入项,以及将所述历史各次温湿度调控前后的机组单耗实测差值作为输出项,对基于机器学习算法的人工智能模型进行率定验证建模,得到方案效果预测模型;
针对所述历史各次温湿度调控方案,将对应方案、所述目标空压机组在当前单位时期的进气端温湿度实测值和机组内部运行参数值以及所述目标空压机组在当前单位时期的机组内部运行参数值输入所述方案效果预测模型,输出得到对应的且在温湿度调控前后的机组单耗估计差值;
从所述历史各次温湿度调控方案中选取具有最大机组单耗估计差值的历史某次温湿度调控方案;
将所述历史某次温湿度调控方案,确定为用于使所述目标空压机组在下一个单位时期的进气端温湿度实测值达到所述进气端温湿度最优值的机组所在机房温湿度调控方案。
7.一种空压机进气端温湿度调控装置,其特征在于,适用于布置在通信连接目标空压机组的机组所在机房温湿度调控设备的控制设备中,包括有多维数据获取模块、温湿度数据处理模块、机组单耗预测模块、升降幅度确定模块、阈值比较判断模块、最优值确定模块、调节目标确定模块、调控方案确定模块和调控方案传送模块;
所述多维数据获取模块,用于获取所述目标空压机组的进气端温湿度数据、机组耗电量数据、机组产气量数据、机组内部运行数据和机组所在地区天气数据;
所述温湿度数据处理模块,通信连接所述多维数据获取模块,用于根据所述进气端温湿度数据,确定所述目标空压机组在当前单位时期的进气端温湿度实测值,以及根据所述进气端温湿度数据和所述机组所在地区天气数据,预测得到所述目标空压机组在下一个单位时期的进气端温湿度估计值;
所述机组单耗预测模块,通信连接所述多维数据获取模块,用于根据所述进气端温湿度数据、所述机组耗电量数据、所述机组产气量数据、所述机组内部运行数据和所述进气端温湿度估计值,预测得到所述目标空压机组在下一个单位时期的机组单耗估计值;
所述升降幅度确定模块,通信连接所述温湿度数据处理模块,用于根据所述进气端温湿度实测值和所述进气端温湿度估计值,确定进气端温湿度升降幅度;
所述阈值比较判断模块,分别通信连接所述升降幅度确定模块和所述机组单耗预测模块,用于判断所述进气端温湿度升降幅度是否大于等于预设幅度阈值以及所述机组单耗估计值是否大于等于预设单耗阈值;
所述最优值确定模块,分别通信连接所述多维数据获取模块和所述阈值比较判断模块,用于在判定所述进气端温湿度升降幅度大于等于所述预设幅度阈值以及所述机组单耗估计值大于等于所述预设单耗阈值时,根据所述进气端温湿度数据、所述机组耗电量数据、所述机组产气量数据和所述机组内部运行数据,确定与所述目标空压机组在当前单位时期的运行状态对应的进气端温湿度最优值;
所述调节目标确定模块,分别通信连接所述温湿度数据处理模块和所述最优值确定模块,用于根据所述进气端温湿度估计值和所述进气端温湿度最优值,计算得到进气端温湿度调节目标值;
所述调控方案确定模块,通信连接所述调节目标确定模块,用于根据所述进气端温湿度调节目标值,确定用于使所述目标空压机组在下一个单位时期的进气端温湿度实测值达到所述进气端温湿度最优值的机组所在机房温湿度调控方案;
所述调控方案传送模块,通信连接所述调控方案确定模块,用于将所述机组所在机房温湿度调控方案传送至所述机组所在机房温湿度调控设备予以执行。
8.一种空压机进气端温湿度调控装置,其特征在于,包括有温湿度数据采集器、机组耗电量数据采集器、机组产气量数据采集器、机组内部运行数据采集器、机组所在机房温湿度调控设备、边缘网关设备和云服务器,其中,所述温湿度数据采集器、所述机组耗电量数据采集器、所述机组产气量数据采集器、所述机组内部运行数据采集器和所述机组所在机房温湿度调控设备分别通过LoRa无线通讯方式通信连接所述边缘网关设备,所述边缘网关设备通过4G/5G无线通讯方式通信连接所述云服务器;
所述温湿度数据采集器,布置在目标空压机组的进气端口处,用于实时采集获取所述目标空压机组的进气端温湿度数据,并将所述进气端温湿度数据实时上传至所述边缘网关设备;
所述机组耗电量数据采集器,布置在所述目标空压机组的电表安装位置并通信连接所述目标空压机组的电表,用于实时采集获取所述目标空压机组的机组耗电量数据,并将所述机组耗电量数据实时上传至所述边缘网关设备;
所述机组产气量数据采集器,布置在所述目标空压机组的出气端口处,用于实时采集获取所述目标空压机组的机组产气量数据,并将所述机组产气量数据实时上传至所述边缘网关设备;
所述机组内部运行数据采集器,布置在所述目标空压机组的安装位置并通信连接所述目标空压机组,用于实时采集获取所述目标空压机组的机组内部运行数据,并将所述机组内部运行数据实时上传至所述边缘网关设备;
所述边缘网关设备,用于将收到的所述进气端温湿度数据、所述机组耗电量数据、所述机组产气量数据和所述机组内部运行数据实时中转发送至所述云服务器,以及将来自所述云服务器的机组所在机房温湿度调控方案实时中转发送至所述机组所在机房温湿度调控设备;
所述机组所在机房温湿度调控设备,布置在所述目标空压机组的机组所在机房内,用于执行所述机组所在机房温湿度调控方案;
所述云服务器,用于执行如权利要求1~6中任意一项所述的空压机进气端温湿度调控方法。
9.一种计算机设备,其特征在于,包括有依次通信连接的存储器、处理器和收发器,其中,所述存储器用于存储计算机程序,所述收发器用于收发消息,所述处理器用于读取所述计算机程序,执行如权利要求1~6中任意一项所述的空压机进气端温湿度调控方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有指令,当所述指令在计算机上运行时,执行如权利要求1~6中任意一项所述的空压机进气端温湿度调控方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311567646.3A CN117270612B (zh) | 2023-11-23 | 2023-11-23 | 空压机进气端温湿度调控方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311567646.3A CN117270612B (zh) | 2023-11-23 | 2023-11-23 | 空压机进气端温湿度调控方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117270612A true CN117270612A (zh) | 2023-12-22 |
CN117270612B CN117270612B (zh) | 2024-02-23 |
Family
ID=89201320
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311567646.3A Active CN117270612B (zh) | 2023-11-23 | 2023-11-23 | 空压机进气端温湿度调控方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117270612B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103309370A (zh) * | 2013-06-01 | 2013-09-18 | 中南林业科技大学 | 一种基于bp神经网络的孵房湿度控制方法 |
US20190392363A1 (en) * | 2018-06-22 | 2019-12-26 | Applied Materials, Inc. | Predicting arrival time of components based on historical receipt data |
CN113325906A (zh) * | 2021-06-10 | 2021-08-31 | 上海电气风电集团股份有限公司 | 风电机组的电气部件的湿度控制方法、***、设备及介质 |
CN115802559A (zh) * | 2023-02-03 | 2023-03-14 | 宝邑(深圳)照明科技有限公司 | 一种智慧照明控制方法、装置、计算机设备及存储介质 |
CN115907201A (zh) * | 2022-12-13 | 2023-04-04 | 武汉测度未来科技有限公司 | 一种基于双向lstm网络的短时降雨预测方法、装置及*** |
CN116562532A (zh) * | 2023-03-03 | 2023-08-08 | 苏州深蓝万维能源科技有限公司 | 微电网储能***调度方法、装置、设备及介质 |
CN116760006A (zh) * | 2023-04-28 | 2023-09-15 | 觐联(上海)工业技术有限公司 | 一种风电功率预测方法、装置、设备及存储介质 |
CN116963461A (zh) * | 2023-07-03 | 2023-10-27 | 中国电信股份有限公司 | 一种机房空调的节能方法和装置 |
-
2023
- 2023-11-23 CN CN202311567646.3A patent/CN117270612B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103309370A (zh) * | 2013-06-01 | 2013-09-18 | 中南林业科技大学 | 一种基于bp神经网络的孵房湿度控制方法 |
US20190392363A1 (en) * | 2018-06-22 | 2019-12-26 | Applied Materials, Inc. | Predicting arrival time of components based on historical receipt data |
CN113325906A (zh) * | 2021-06-10 | 2021-08-31 | 上海电气风电集团股份有限公司 | 风电机组的电气部件的湿度控制方法、***、设备及介质 |
CN115907201A (zh) * | 2022-12-13 | 2023-04-04 | 武汉测度未来科技有限公司 | 一种基于双向lstm网络的短时降雨预测方法、装置及*** |
CN115802559A (zh) * | 2023-02-03 | 2023-03-14 | 宝邑(深圳)照明科技有限公司 | 一种智慧照明控制方法、装置、计算机设备及存储介质 |
CN116562532A (zh) * | 2023-03-03 | 2023-08-08 | 苏州深蓝万维能源科技有限公司 | 微电网储能***调度方法、装置、设备及介质 |
CN116760006A (zh) * | 2023-04-28 | 2023-09-15 | 觐联(上海)工业技术有限公司 | 一种风电功率预测方法、装置、设备及存储介质 |
CN116963461A (zh) * | 2023-07-03 | 2023-10-27 | 中国电信股份有限公司 | 一种机房空调的节能方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN117270612B (zh) | 2024-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Song et al. | Hourly heat load prediction model based on temporal convolutional neural network | |
Kusiak et al. | Short-term prediction of wind farm power: A data mining approach | |
Massana et al. | Short-term load forecasting in a non-residential building contrasting models and attributes | |
CN107860102B (zh) | 一种控制中央空调的方法及装置 | |
CN102705957B (zh) | 办公建筑中央空调逐时冷负荷在线预测方法及*** | |
Biansoongnern et al. | Nonintrusive load monitoring (NILM) using an Artificial Neural Network in embedded system with low sampling rate | |
KR102194002B1 (ko) | 최적 물리 학습모델과 기계학습을 이용한 에너지 운영관리 시스템 | |
CN108320042A (zh) | 循环水***的优化方法与装置 | |
Putra et al. | Energy efficient-based sensor data prediction using deep concatenate mlp | |
BR102022003671A2 (pt) | Método e aparelho para gerenciar recursos de energia previstos para um complexo de instalações de gás industrial | |
Fahmi et al. | Adaptive sleep scheduling for health monitoring system based on the IEEE 802.15. 4 standard | |
CN116402483A (zh) | 一种园区碳排放量在线监测方法及*** | |
CN117869256B (zh) | 空压机冷却水泵流量调节方法、装置、***、设备及介质 | |
CN111815039A (zh) | 基于天气分类的周尺度风电功率概率预测方法及*** | |
Ma et al. | Very short-term renewable energy power prediction using XGBoost optimized by TPE algorithm | |
CN114200839A (zh) | 一种耦合环境行为动态监测的办公建筑能耗智能控制模型 | |
CN117270612B (zh) | 空压机进气端温湿度调控方法、装置、设备及介质 | |
Ping et al. | An efficient multilayer adaptive self-organizing modeling methodology for improving the generalization ability of organic Rankine cycle (ORC) data-driven model | |
CN118036894A (zh) | 一种集中供热二次网供水温度预测方法及*** | |
Chen et al. | Application of deep learning modelling of the optimal operation conditions of auxiliary equipment of combined cycle gas turbine power station | |
CN108446783A (zh) | 一种新风机运行功率的预测及监控方法 | |
CN117545240A (zh) | 机房空调的控制方法及装置、存储介质、电子设备 | |
CN116914719A (zh) | 一种基于时空图网络的光伏发电站功率预测方法 | |
CN113449909B (zh) | 一种基于改进长短期记忆网络的蓄冷空调冷负荷预测方法 | |
CN115906396A (zh) | 一种被动式建筑能源管理***及其使用方法 |
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 |