一种集中空调供冷系统自适应深度学习优化节能控制算法技术方案

本发明专利技术公开了一种集中空调供冷系统自适应深度学习优化节能控制算法，包括电源，服务器数据平台，数据连接端口及若干温度传感器、水流量传感器和电功率传感器。本发明专利技术在数据量较少时，利用物理模型，以全局总能耗为目标函数寻优，每一次迭代淘汰“坏解”，重生“新解”，对高维优化模型进行求解，有效提高了优化计算效率，更快更好地获取有效的优化控制参数；并利用实时数据更新数据库、训练数据模型，解决物理模型在极端工况下不适用的问题，提高了系统动力设备的能耗模型或性能模型的精度，使优化模型更加精准有效。采用网络技术，实现数据的云端存储和远程传输，大大提高供冷系统的管理效率，节约系统管理成本。节约系统管理成本。节约系统管理成本。

【技术实现步骤摘要】
一种集中空调供冷系统自适应深度学习优化节能控制算法


[0001]本专利技术涉及空调领域，特别涉及一种集中空调供冷系统自适应深度学习优化节能控制算法。

技术介绍

[0002]供冷系统由于耗能过大对节约建筑总能耗的显著效果在建筑空调领域得到了广泛应用与关注，在供冷系统中系统的建模与全局优化控制是影响节能效果的关键因素。供冷系统的控制目前主要采用两种控制方式：(1)固定控制参数，包括冷冻水供水温度或回水温度、冷冻水泵频率、冷却水泵频率和冷却塔风机频率；(2)基于专家策略，由专业人士根据室外环境条件给出较为节能的控制参数。供冷系统的建模方式主要采用物理模型和基于数据驱动的数学模型两种方式。
[0003]目前，在控制方式上采用第一种固定控制参数的控制方式在实际情况中应用更多；第二种需要专业人员实时给出调整控制参数的策略，此局限限制了其广泛应用的可行性。在基于物理模型的建模方式上，经对现有技术的文献检索发现，中国专利(申请)号为CN201610201821.0，名称为一种计及新风系统的中央空调建模及调控策略的专利技术专利，该专利对空调系统的制冷机、新风机、冷却水泵、冷冻水泵和冷却塔建立模型，并建立不同的目标函数，计算中央空调负荷最大调节潜力。该专利技术针对不同目的建立不同的目标函数，但是缺乏求解目标函数，给出优化控制变量的关键过程。中国专利(申请)号为CN200810035560.5，名称为基于模型的供冷系统全局优化节能控制方法及装置，该专利技术建立了优化工况计算模型，并利用ARMA方法预测未来时刻空调负荷值，实现供冷系统全局优化节能控制。但该专利技术中优化工况计算模型涉及多目标耦合的求解，有效解决模型优化求解是其应用性的关键。基于数据驱动的数学模型上，中国专利(申请)号为CN201810768210.3，名称为一种基于运行数据的中央空调能耗预测方法，该专利技术采用BP神经网络和Boruta特征选择算法相结合的方法，建立中央空调能耗模型。但通过3000组数据训练、交叉验证的方式得到能耗模型对在实际情况中获取大量参数提出了要求，不利于应用。
[0004]鉴于此，我们提出了一种集中空调供冷系统自适应深度学习优化节能控制算法。

技术实现思路

[0005]本专利技术的目的在于克服已有技术的不足和缺陷，提供一种集中空调供冷系统自适应深度学习优化节能控制算法，利用当前高速发展的网络资源共享技术和大数据技术实现多个不同供冷系统关键部件模型智能学习和远程在线优化节能控制，不仅节约系统管理的人力资源，而且还能有效提高现有供冷系统的运行能效。
[0006]本专利技术的方案是，提供一种集中空调供冷系统自适应深度学习优化节能控制算法，其包括：
[0007](S1)建立集中空调供冷系统各部件的物理模型，得到全局能耗模型；
[0008](S2)采集数据，整定所述全局能耗模型；
[0009](S3)根据所述全局能耗模型生成数据；所述数据库包括若干数量的控制参数、空调总负荷以及对应的全局能耗；
[0010](S4)生成奖励矩阵N，使用所述数据库中的数据训练得到动作调整矩阵M；
[0011](S5)采集集中空调供冷系统的实际数据，更新奖励矩阵N和动作调整矩阵M；
[0012](S6)根据集中空调供冷系统的空调总负荷从更新后的动作调整矩阵M中得到优化的控制参数；
[0013](S7)判断控制参数是否合理：如果合理，则执行步骤S8以及步骤S9；否则执行步骤S10；
[0014](S8)根据优化的控制参数调整集中空调供冷系统的设备；
[0015](S9)待Δt2时间后，设备稳定后，经过Δt1时间后执行步骤S5；
[0016](S10)全局寻优得到控制参数，执行步骤S8。
[0017]本专利技术的进一步改进在于，步骤S3具体包括：
[0018](S31)在设备参数约束下随机生成N1数量的控制参数x
i
和空调总负荷Q
o,demand,i
；每个所述控制参数中包括所述集中空调供冷系统中各设备的具体控制变量；
[0019](S32)根据全局能耗模型计算出各控制参数下集中空调供冷系统的全局能耗N
total_i
：
[0020](S33)将N1数量的控制参数x
i
与空调总负荷Q
o,demand,i
分别分为N2与N3类；控制参数x
i
的上下界限分别为x
high_limit
和x
low_limit
，根据上下界限将各控制参数等分为N2类；空调总负荷Q
o,demand,i
的上下界限分别为Q
high_limit
和Q
low_limit
，根据上下界限等分为N3类；N2与N3均为正整数。
[0021]本专利技术的进一步改进在于，步骤S4具体包括：
[0022](S41)生成奖励矩阵N，用于记录每一次迭代过程中根据模型计算得到的全局总能耗，奖励矩阵的第i行，第j列记作N
i,j
；
[0023][0024][0025][0026](S42)初始化动作调整矩阵M，该矩阵用于确定每一次状态下发生改变的最优动作，矩阵的第i行，第j列记作M
i,j
，其表达式为：
[0027]M
i,j
＝110％
×
max(N(x
p
,Q
q
)),x
p
∈[x
low_limit
,x
high_limit
],Q
q
∈[Q
low_limit
,Q
high_limit
][0028](S43)迭代更新动作调整矩阵M。
[0029]本专利技术的进一步改进在于，步骤S43所示的迭代更新具体包括：
[0030](S431)在设备参数约束下随机生成控制参数x和空调总负荷Q
o,demand
；
[0031](S432)根据生成的控制参数x和空调总负荷Q
o,demand
，并参照控制参数的上界限x
high_limit
和控制参数的下界限x
low_limit
，空调总负荷的上界限Q
high_limit
和空调总负荷的下界
限Q
low_limit
，确定需要更新的动作调整矩阵M的单元M
i,j
的下标i,j；
[0032](S433)更新M
i,j
，其表达式为：
[0033][0034]式中：α为学习率，γ为奖励性衰变系数，N
i,j
为奖励矩阵N中对应下标下的单元值，为在当前下标的状态下，任何可能采取的动作x`到达状态Q`时的总能耗M(x`,Q`)的最小值。
[0035]本专利技术的进一步改进在于，步骤S5具体包括本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种集中空调供冷系统自适应深度学习优化节能控制算法，其特征在于，包括：(S1)建立集中空调供冷系统各部件的物理模型，得到全局能耗模型；(S2)采集数据，整定所述全局能耗模型；(S3)根据所述全局能耗模型生成数据；所述数据库包括若干数量的控制参数、空调总负荷以及对应的全局能耗；(S4)生成奖励矩阵N，使用所述数据库中的数据训练得到动作调整矩阵M；(S5)采集集中空调供冷系统的实际数据，更新奖励矩阵N和动作调整矩阵M；(S6)根据集中空调供冷系统的空调总负荷从更新后的动作调整矩阵M中得到优化的控制参数；(S7)判断控制参数是否合理：如果合理，则执行步骤S8以及步骤S9；否则执行步骤S10；(S8)根据优化的控制参数调整集中空调供冷系统的设备；(S9)待Δt2时间后，设备稳定后，经过Δt1时间后执行步骤S5；(S10)全局寻优得到控制参数，执行步骤S8。2.根据权利要求1所述的一种集中空调供冷系统自适应深度学习优化节能控制算法，其特征在于，步骤S3具体包括：(S31)在设备参数约束下随机生成N1数量的控制参数x
i
和空调总负荷Q
o,demand,i
；每个所述控制参数中包括所述集中空调供冷系统中各设备的具体控制变量；(S32)根据全局能耗模型计算出各控制参数下集中空调供冷系统的全局能耗N
total_i
：(S33)将N1数量的控制参数x
i
与空调总负荷Q
o,demand,i
分别分为N2与N3类；控制参数x
i
的上下界限分别为x
high_limit
和x
low_limit
，根据上下界限将各控制参数等分为N2类；空调总负荷Q
o,demand,i
的上下界限分别为Q
high_limit
和Q
low_limit
，根据上下界限等分为N3类；N2与N3均为正整数。3.根据权利要求2所述的一种集中空调供冷系统自适应深度学习优化节能控制算法，其特征在于，步骤S4具体包括：(S41)生成奖励矩阵N，用于记录每一次迭代过程中根据模型计算得到的全局总能耗，奖励矩阵的第i行，第j列记作N
i,j
；x
p
∈(x
i
,x
i+1
],Q
q
∈(Q
j
,Q
j+1
]](S42)初始化动作调整矩阵M，该矩阵用于确定每一次状态下发生改变的最优动作，矩阵的第i行，第j列记作M
i,j
，其表达式为：M
i,j
＝110％
×
max(N(x
p
,Q
q
)),x
p
∈[x
low_limit
,x
high_limit
],Q
q
∈[Q
low_limit
,Q
high_limit
](S43)迭代更新动作调整矩阵M。4.根据权利要求3所述的一种集中空调供冷系统自适应深度学习优化节能控制算法，其特征在于，步骤S43所示的迭代更新具体包括：
(S431)在设备参数约束下随机生成控制参数x和空调总负荷Q
o,demand
；(S432)根据生成的控制参数x和空调总负荷Q
o,demand
，并参照控制参数的上界限x
high_limit
和控制参数的下界限x
low_limit
，空调总负荷的上界限Q
high_limit
和空调总负荷的下界限Q
low_limit
，确定需要更新的动作调整矩阵M的单元M
i,j
的下标i,j；(S433)更新M
i,j
，其表达式为：式中：α为学习率，γ为奖励性衰变系数，N
i,j
为奖励矩阵N中对应下标下的单元值，为在当前下标的状态下，任何可能采取的动作x`到达状态Q`时的总能耗M(x`,Q`)的最小值。5.根据权利要求1...

【专利技术属性】
技术研发人员：姚晔，熊磊，苗雨润，王忠，
申请(专利权)人：上海源控智慧能源科技有限公司，
类型：发明
国别省市：