TWI790917B - 冷卻系統與冰水主機的耗能估算方法 - Google Patents
冷卻系統與冰水主機的耗能估算方法 Download PDFInfo
- Publication number
- TWI790917B TWI790917B TW111105001A TW111105001A TWI790917B TW I790917 B TWI790917 B TW I790917B TW 111105001 A TW111105001 A TW 111105001A TW 111105001 A TW111105001 A TW 111105001A TW I790917 B TWI790917 B TW I790917B
- Authority
- TW
- Taiwan
- Prior art keywords
- classification
- water
- operating parameters
- random forest
- temperature
- Prior art date
Links
Images
Landscapes
- Air Conditioning Control Device (AREA)
- Sorption Type Refrigeration Machines (AREA)
Abstract
本發明提出一種冰水主機的耗能估算方法,包括:取得多個運轉參數,運轉參數包括關於壓縮機的主機高壓與主機低壓、冰水的出水溫度、冰水的入水溫度、冷卻水的出水溫度以及冷卻水的入水溫度;根據運轉參數訓練機器學習模型,用以估算冰水主機的功率。
Description
本揭露是有關於冰水主機的耗能估算方法,藉由多個運轉參數與機器學習模型可以估算出功率。
現代的工業競爭相當激烈,若能減少能源支出費用及降低設備故障率,其產業的競爭力勢必能提高,而當中空調耗電量大,從這領域進行著手可收到成效。在空調系統的總耗電量中,冰水主機耗電約占60%,水泵系統約占20%,空氣側設備也約占20%,由於冰水主機耗電佔了全系統耗電的一半以上,因此目前空調系統最佳化的研究通常集中於冰水主機控制上,但因為主機耗電量受多種因素影響,且冰水主機部分負載的時間多於滿載,因此部分負載的運轉效率更加重視,故難以建立其耗電性能分析曲線。
本揭露的實施例提出一種冰水主機的耗能估算方法,適用於電腦系統。冰水主機包括壓縮機、冷凝器與蒸發器,冷凝器用以與冷卻水進行熱交換,蒸發器用以與冰水進行熱交換。耗能估算方法包括:取得多個運轉參數,運轉參數包括關於壓縮機的主機高壓與主機低壓、冰水的出水溫度、冰水的入水溫度、冷卻水的出水溫度以及冷卻水的入水溫度;根據運轉參數訓練機器學習模型,用以估算冰水主機的功率。
在一些實施例中,運轉參數還包括冰水的出水側與入水側之間的壓力差以及壓縮機的負載噸數。
在一些實施例中,機器學習模型為隨機森林,隨機森林包括多個分類迴歸樹。耗能估算方法包括:執行袋裝(bagging)演算法來產生多個訓練資料子集合,其中每一個訓練資料子集合對應至其中一個分類迴歸樹;以及根據每一個訓練資料子集合訓練對應的分類迴歸樹。
在一些實施例中,耗能估算方法更包括:在訓練分類迴歸樹時,根據吉尼係數來生成分類迴歸樹並且不對分類迴歸樹進行剪枝。
在一些實施例中,耗能估算方法更包括:產生多組候選隨機森林;以及根據交叉驗證(cross validation)計算每一個候選隨機森林的誤判率,並選擇誤判率最小的候選隨機森林。
以另一個角度來說,本揭露的實施例提出一種冷卻系統,包括冰水主機與電腦系統。冰水主機包括壓縮機、冷凝器與蒸發器,冷凝器用以與冷卻水進行熱交換,蒸發器用以與冰水進行熱交換。電腦系統通訊連接至冰水主機,用以取得多個運轉參數,這些運轉參數包括關於壓縮機的主機高壓與主機低壓、冰水的出水溫度、冰水的入水溫度、冷卻水的出水溫度以及冷卻水的入水溫度。電腦系統用以根據運轉參數訓練機器學習模型,以估算冰水主機的功率。
在一些實施例中,機器學習模型為隨機森林,隨機森林包括多個分類迴歸樹。電腦系統還用以執行袋裝(bagging)演算法來產生多個訓練資料子集合,其中每一個訓練資料子集合對應至分類迴歸樹的其中之一,並根據每一個訓練資料子集合訓練對應的分類迴歸樹。
在一些實施例中,電腦系統在訓練分類迴歸樹時,是根據吉尼係數來生成分類迴歸樹並且不對分類迴歸樹進行剪枝。
在一些實施例中,電腦系統還用以產生多組候選隨機森林,根據交叉驗證(cross validation)計算每一個候選隨機森林的誤判率,並選擇誤判率最小的候選隨機森林。
為讓本發明的上述特徵和優點能更明顯易懂,下文特舉實施例,並配合所附圖式作詳細說明如下。
關於本文中所使用之「第一」、「第二」等,並非特別指次序或順位的意思,其僅為了區別以相同技術用語描述的元件或操作。
圖1是根據一實施例繪示冷卻系統的示意圖。請參照圖1,冷卻系統100包括了電腦系統110、負載120、冷卻水塔130與冰水主機140。冰水主機140包括了壓縮機141、冷凝器142、膨脹閥143與蒸發器144。壓縮機141用以將汽化的冷媒壓縮成液態冷媒,壓縮後高溫的液態冷媒在冷凝器142與冷卻水150進行熱交換成為低溫的液態冷媒,這些液態冷媒經過膨脹閥143以後成為低溫的氣態冷媒,氣態冷媒在蒸發器144與冰水160進行熱交換,冷媒吸收熱以後再回到壓縮機141。負載120例如為空氣設備,用以將冰水160與空氣進行熱交換而吹出冷氣。本領域具有通常知識者當可理解冰水主機140的運作原理,在此並不詳細贅述。
冰水主機140中可以設置多個感測器,用以取得多個運轉參數。例如,壓縮機141的高壓端141_1耦接至冷凝器142,低壓端141_2耦接至蒸發器144,在壓縮機141中設置壓力感測器可以取得冷煤在高壓端141_1的壓力(稱為主機高壓)以及冷媒在低壓端141_2的壓力(稱為主機低壓)。冷凝器142具有出水側142_1與入水側142_2,在冷凝器142中設置溫度感測器可以偵測冷卻水150在出水側142_1的溫度(稱為出水溫度)以及在入水側142_2的溫度(稱為入水溫度)。同樣的,蒸發器144具有出水側144_1與入水側144_2,在蒸發器144中設置溫度感測器可以偵測冰水160在出水側144_1的溫度(稱為出水溫度)以及在入水側144_2的溫度(稱為入水溫度)。另外也可以偵測冰水160在蒸發器144的出水側144_1與入水側144_2之間的壓力差,冷卻水150在冷凝器142的出水側142_1與入水側142_2之間的壓力差。在一些實施例中,運轉參數還可包括壓縮機141的負載噸數以及冰水主機140的耗電。
電腦系統110可以為桌機、伺服器、筆記型電腦或任意具有計算能力的電子裝置。電腦系統110可通訊連接至冰水主機140,用以取得上述的運轉參數,此通訊連接可以用任意有線或無線的方式取得。電腦系統110可以根據這些運轉參數來訓練一機器學習模型,用以估算冰水主機140的功率。
在一些實施例中,上述的機器學習模型為隨機森林(random forest),此隨機森林包括多個分類迴歸樹(Classification and Regression Tree,CART)。圖2是根據一實施例繪示訓練隨機森林的示意圖。請參照圖2,首先收集多筆訓練資料210,每筆訓練資料都有上述的運轉參數與冰水主機140的實際功率,此功率作為真實輸出(ground truth)。在此可以把功率的估計當作是分類問題或是迴歸問題。如果是分類問題,真實輸出可以是多個分類的其中之一,這些分類例如為“高功率”、“低功率”,或者是“1000W~1200W範圍內的功率”、“1200W~1400W範圍內的功率”等等。如果是迴歸問題,則真實輸出就是功率的數值。在此並不限制是採用分類問題或是迴歸問題。
訓練資料210可以進一步分為訓練組與測試組,訓練組用來訓練模型,測試組則用來測試模型的準確度。接下來,執行袋裝(bagging)方法以根據訓練組的訓練資料產生多個訓練資料子集合221~224。舉例來說,如果訓練組中總共有N個訓練樣本,每個樣本中有M個運轉參數,對於每一筆欲產生的訓練資料子集合可以產生一個隨機向量,根據此隨機向量可以從訓練樣本210中抽樣出n個訓練樣本(並且放回),每個訓練樣本中有m個運轉參數,其中n<N,m<M,這些n個抽樣出的訓練樣本便當作一個訓練資料子集合。在一些實施例中,上述的隨機向量也可用以對機器學習模型初始化。
接下來,根據每一個訓練資料子集合221~224訓練對應的分類迴歸樹231~234。在一些實施例中,在生成分類迴歸樹時會從多個分割條件中挑選一個分割條件(即節點),然後計算不純度(impurity),此不純度例如為吉尼係數。如果吉尼係數為最小不純度(例如為0),則不繼續產生新節點,否則產生新節點。在一些實施例中,並不會對這些分類迴歸樹進行剪枝,也就說會一直產生新節點,直到整棵樹的吉尼係數為最小不純度為止。在一些實施例中,可以採用交叉驗證(cross validation),也就是根據測試組中的訓練資料來計算分類迴歸樹的準確度(或誤判率),最後挑選最小誤判率的樹。本領域具有通常知識者當可理解如何生成分類迴歸樹,在此不詳細贅述。
所生成的分類迴歸樹231~234組成隨機森林。每個分類迴歸樹231~234都會產生對應的估計值241~244,接下來可以合併這些估計值241~244。如果是分類問題,可以用投票法來決定一個分類。如果是迴歸問題,則可以用平均法,也就是計算估計值241~244的平均來當作整個隨機森林的估計值250。
在一些實施例中,也可以採用袋外(out-of-bag)方法,當隨機抽樣訓練樣本210時,會有一些訓練樣本不會被抽樣到,這些訓練樣本可以用來測試所訓練出來的模型好不好,藉此挑選準確率較高的分類迴歸樹。上述袋外方以及交叉驗證也可用來挑選準確率較高的隨機森林。例如,可以產生多個候選隨機森林,並且測試組以及/或者沒有被挑選的訓練樣本來測試每個候選隨機森林的誤判率,從中選擇誤判率最小的候選隨機森林當作最後的輸出。
在一些實施例中,訓練樣本中可能有一些缺失值(missing value),在此可以用兩種方式來處理。第一,對於數值型或連續資料,可以用樣本的中位數來填補。第二,如果是類別型資料,可以用眾數來填補。或者,也可以比較訓練樣本之間的相似度,這些相似度可以做為權重,所缺失的數值便可將其他訓練樣本中對應數值經過加權後計算出,例如可以採用權重和(weighting sum)。
在一些訓練資料中,類別間的數量差異可能很大,例如高功率的樣本很少,低功率的樣本很多,因此可以用加權的方式來進行平衡,在計算損失(loss)時可以對較少樣本數的類別乘上一個權重(此權重大於1)。在此所採用的損失(誤判率)可以是均方誤差(Mean square error,MSE)、平均絕對值誤差(Mean absolute error,MAE)、交叉熵(cross-entropy)、平均絕對百分比誤差(Mean absolute percentage error,MAPE)等等,本揭露並不在此限。
透過上述方法可以估算冰水主機的功率消耗,可應用於主機運轉優化、劣化診斷及省電驗證等。
雖然本發明已以實施例揭露如上,然其並非用以限定本發明,任何所屬技術領域中具有通常知識者,在不脫離本發明的精神和範圍內,當可作些許的更動與潤飾,故本發明的保護範圍當視後附的申請專利範圍所界定者為準。
100:冷卻系統
110:電腦系統
120:負載
130:冷卻水塔
140:冰水主機
141:壓縮機
141_1:高壓端
141_2:低壓端
142:冷凝器
143:膨脹閥
144:蒸發器
142_1,144_1:出水側
142_2,144_2:入水側
150:冷卻水
160:冰水
210:訓練資料
221~224:訓練資料子集合
231~234:分類迴歸樹
241~244,250:估計值
圖1是根據一實施例繪示冷卻系統的示意圖。
圖2是根據一實施例繪示訓練隨機森林的示意圖。
100:冷卻系統
110:電腦系統
120:負載
130:冷卻水塔
140:冰水主機
141:壓縮機
141_1:高壓端
141_2:低壓端
142:冷凝器
143:膨脹閥
144:蒸發器
142_1,144_1:出水側
142_2,144_2:入水側
150:冷卻水
160:冰水
Claims (8)
- 一種冰水主機的耗能估算方法,適用於一電腦系統通訊連接至一冰水主機,其中該冰水主機包括壓縮機、冷凝器與蒸發器,該冷凝器用以與冷卻水進行熱交換,該蒸發器用以與冰水進行熱交換,一耗能估算方法包括:取得多個運轉參數,該些運轉參數包括關於該壓縮機的主機高壓與主機低壓、該冰水的出水溫度、該冰水的入水溫度、該冷卻水的出水溫度以及該冷卻水的入水溫度;以及根據該些運轉參數訓練一機器學習模型,用以估算該冰水主機的功率,其中該機器學習模型為隨機森林(random forest),該隨機森林包括多個分類迴歸樹(Classification and Regression Tree);其中根據該些運轉參數訓練該機器學習模型的步驟包括:執行袋裝(bagging)演算法來產生多個訓練資料子集合,其中每一該些訓練資料子集合對應至該些分類迴歸樹的其中之一;以及根據每一該些訓練資料子集合訓練對應的該分類迴歸樹。
- 如請求項1所述之耗能估算方法,其中該些運轉參數還包括該冰水的出水側與入水側之間的壓力差以及該壓縮機的負載噸數。
- 如請求項1所述之耗能估算方法,更包括:在訓練該些分類迴歸樹時,根據吉尼係數(Gini coefficient)來生成該些分類迴歸樹並且不對該些分類迴歸樹進行剪枝。
- 如請求項1所述之耗能估算方法,更包括:產生多組候選隨機森林;以及根據交叉驗證(cross validation)計算每一該些候選隨機森林的誤判率,並選擇該誤判率最小的該候選隨機森林。
- 一種冷卻系統,包括:一冰水主機,包括壓縮機、冷凝器與蒸發器,該冷凝器用以與冷卻水進行熱交換,該蒸發器用以與冰水進行熱交換;以及一電腦系統,通訊連接至該冰水主機,用以取得多個運轉參數,該些運轉參數包括關於該壓縮機的主機高壓與主機低壓、該冰水的出水溫度、該冰水的入水溫度、該冷卻水的出水溫度以及該冷卻水的入水溫度,其中該電腦系統用以根據該些運轉參數訓練一機器學習模型以估算該冰水主機的功率,該機器學習模型為隨機森林(random forest),該隨機森林包括多個分類迴歸樹(Classification and Regression Tree),其中該電腦系統還用以執行袋裝(bagging)演算法來 產生多個訓練資料子集合,其中每一該些訓練資料子集合對應至該些分類迴歸樹的其中之一,並根據每一該些訓練資料子集合訓練對應的該分類迴歸樹。
- 如請求項5所述之冷卻系統,其中該些運轉參數還包括該冰水的出水側與入水側之間的壓力差以及該壓縮機的負載噸數。
- 如請求項5所述之冷卻系統,其中該電腦系統在訓練該些分類迴歸樹時,是根據吉尼係數(Gini coefficient)來生成該些分類迴歸樹並且不對該些分類迴歸樹進行剪枝。
- 如請求項5所述之冷卻系統,其中該電腦系統還用以產生多組候選隨機森林,根據交叉驗證(cross validation)計算每一該些候選隨機森林的誤判率,並選擇該誤判率最小的該候選隨機森林。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW111105001A TWI790917B (zh) | 2022-02-11 | 2022-02-11 | 冷卻系統與冰水主機的耗能估算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW111105001A TWI790917B (zh) | 2022-02-11 | 2022-02-11 | 冷卻系統與冰水主機的耗能估算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI790917B true TWI790917B (zh) | 2023-01-21 |
TW202332872A TW202332872A (zh) | 2023-08-16 |
Family
ID=86670284
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW111105001A TWI790917B (zh) | 2022-02-11 | 2022-02-11 | 冷卻系統與冰水主機的耗能估算方法 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI790917B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWM496157U (zh) * | 2009-10-28 | 2015-02-21 | ming-yun Li | 一種多組態資訊蒐集與效能檢測評估之監控系統 |
TWI516886B (zh) * | 2013-12-10 | 2016-01-11 | 財團法人工業技術研究院 | 智能學習節能調控系統與方法 |
TWI565916B (zh) * | 2014-08-06 | 2017-01-11 | 魏榮宗 | 空調主機運轉策略控制系統、控制裝置及其方法 |
TWI704319B (zh) * | 2019-01-08 | 2020-09-11 | 陳主福 | 冷凍空調主機效率的智能量測驗證方法及其系統 |
-
2022
- 2022-02-11 TW TW111105001A patent/TWI790917B/zh active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWM496157U (zh) * | 2009-10-28 | 2015-02-21 | ming-yun Li | 一種多組態資訊蒐集與效能檢測評估之監控系統 |
TWI516886B (zh) * | 2013-12-10 | 2016-01-11 | 財團法人工業技術研究院 | 智能學習節能調控系統與方法 |
TWI565916B (zh) * | 2014-08-06 | 2017-01-11 | 魏榮宗 | 空調主機運轉策略控制系統、控制裝置及其方法 |
TWI704319B (zh) * | 2019-01-08 | 2020-09-11 | 陳主福 | 冷凍空調主機效率的智能量測驗證方法及其系統 |
Also Published As
Publication number | Publication date |
---|---|
TW202332872A (zh) | 2023-08-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Rogers et al. | A review of fault detection and diagnosis methods for residential air conditioning systems | |
Gao et al. | Sensor drift fault diagnosis for chiller system using deep recurrent canonical correlation analysis and k-nearest neighbor classifier | |
Sun et al. | A novel efficient SVM-based fault diagnosis method for multi-split air conditioning system’s refrigerant charge fault amount | |
Li et al. | Data partitioning and association mining for identifying VRF energy consumption patterns under various part loads and refrigerant charge conditions | |
CN108446529B (zh) | 基于广义互熵—dpca算法的有机朗肯循环***故障检测方法 | |
Li et al. | A novel data-temporal attention network based strategy for fault diagnosis of chiller sensors | |
Ertunc et al. | Comparative analysis of an evaporative condenser using artificial neural network and adaptive neuro-fuzzy inference system | |
Zhou et al. | A comparison study of basic data-driven fault diagnosis methods for variable refrigerant flow system | |
Sun et al. | A hybrid ICA-BPNN-based FDD strategy for refrigerant charge faults in variable refrigerant flow system | |
Zhou et al. | Data-driven fault diagnosis for residential variable refrigerant flow system on imbalanced data environments | |
CN114353854B (zh) | 用于在线定位异常传感器的方法、设备和介质 | |
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 | |
Gao et al. | Fault detection and diagnosis method for cooling dehumidifier based on LS-SVM NARX model | |
Zhang et al. | Fault detection and diagnosis for the screw chillers using multi-region XGBoost model | |
Bai et al. | Fault detection and diagnosis for chiller based on feature-recognition model and Kernel Discriminant Analysis | |
CN115187832A (zh) | 一种基于深度学习与格拉姆角场图像的能源***故障诊断方法 | |
Zhou et al. | An online compressor liquid floodback fault diagnosis method for variable refrigerant flow air conditioning system | |
CN112884012A (zh) | 基于支持向量机原理的建筑能耗预测方法 | |
Xia et al. | An enhanced fault detection method for centrifugal chillers using kernel density estimation based kernel entropy component analysis | |
Wang et al. | Research on diagnostic strategy for faults in VRF air conditioning system using hybrid data mining methods | |
Xia et al. | Incipient chiller fault diagnosis using an optimized least squares support vector machine with gravitational search algorithm | |
Xu et al. | Study on a novel defrost control method based on the surface texture of evaporator image with gray-level cooccurrence matrix, new characterization parameter combination and machine learning | |
Li et al. | Diagnosis for the refrigerant undercharge fault of chiller using deep belief network enhanced extreme learning machine | |
TWI790917B (zh) | 冷卻系統與冰水主機的耗能估算方法 | |
Li et al. | Improved convolutional neural network chiller early fault diagnosis by gradient-based feature-level model interpretation and feature learning |