【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 ...
【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:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。