一种基于强化学习的水冷制冷站冷却系统优化控制方法，该方法包括：建立水冷制冷站冷却系统的数学模型，并获取预定义的系统状态和设备动作。调用数学模型根据当前的系统状态生成初始控制策略，并确定初始控制参数，以确定初始的设备动作。通过奖励函数根据水冷制冷站冷却系统反馈的能耗和冷却效果进行奖励计算，以评价初始控制策略中每个动作的价值，并平衡水冷制冷站冷却系统的能耗和冷却性能。通过强化学习中的Q‑learning算法计算每个动作的价值的估计最大值，以基于估计最大值对初始控制策略进行优化，得到用于对水冷制冷站冷却系统进行优化控制的优化控制策略，提供了稳定的初始运行条件，提高了后续调整控制策略的可行性。
【技术实现步骤摘要】
本专利技术属于水冷制冷站的冷却，更具体的，涉及一种基于强化学习的水冷制冷站冷却系统优化控制方法。
技术介绍
1、水冷制冷站的冷却系统通常用于大型建筑、工业设施等场所，用于为空调系统或其他需要冷却的设备提供稳定的低温水。其内部构成相对复杂，但核心部件通常包括以下几个主要部分：
2、1. 冷水机组（chiller）
3、冷水机组是系统的核心，用于将循环水冷却至设定的低温。水冷式冷水机组通过蒸气压缩制冷循环工作，内部包括以下关键部件：
4、压缩机：将制冷剂气体压缩，提高其压力和温度。
5、蒸发器：制冷剂在此蒸发，从循环水中吸收热量，降低水的温度。
6、冷凝器：通常是水冷式，通过冷却水带走制冷剂的热量，使其冷凝为液体。
7、节流装置：调节制冷剂的流量和压力。
8、2. 冷却塔
9、冷却塔负责将冷凝器中带走的热量通过蒸发的方式散发到空气中。冷却水在冷凝器中吸收热量后，流回冷却塔，在塔内与空气进行热交换，蒸发一部分水从而带走热量，再冷却回流到冷凝器。
10、3. 冷却水泵
11、冷却水泵用于维持冷却水在冷却塔和冷凝器之间的循环。水泵确保水流动的稳定性和速度，从而保障冷凝器的散热效果。
12、4. 冷冻水泵
13、冷冻水泵负责将经过冷水机组蒸发器冷却后的冷冻水输送到需要制冷的末端设备，如空调系统的风机盘管、空气处理机等。冷冻水在末端设备中吸收热量后，回流到冷水机组蒸发器再次冷却，形成闭合循环。
14、5. 管道和阀门系统
15、冷却系统内部有复杂的管道网络，将各部分设备连接起来。阀门用于调节和控制水的流量，包括：
16、蝶阀、截止阀：控制流量、隔离不同管段。
17、止回阀：防止水的倒流。
18、平衡阀：确保各部分的流量平衡，保证系统稳定运行。
19、6. 温度与压力传感器
20、这些传感器实时监控系统的运行状态，确保冷却水和冷冻水的温度、压力维持在设定范围内，并通过控制系统调整运行参数。
21、7. 控制系统
22、冷却系统通常配备自动化的控制系统，管理各个设备的启停、运行状态的调节及安全保护措施。通过控制器、传感器和执行器，控制系统可以实时调整设备的运行参数，提高效率并降低能耗。
23、8. 水处理系统
24、为了防止冷却水和冷冻水在系统中积累杂质、产生腐蚀或结垢，通常会配置水处理设备，包括过滤器、软化装置或化学处理设备，保证水质的清洁和稳定。
25、但是，现有的水冷制冷站冷却系统往往在运行初始阶段由于缺乏较为稳定的初始运行条件，导致其在后续控制策略调整的过程中数据基础较为薄弱，进而导致调整的控制策略可行性较差。
技术实现思路
1、为解决现有技术中存在的不足，本专利技术的目的在于解决上述缺陷，进而提出一种基于强化学习的水冷制冷站冷却系统优化控制方法。
2、本专利技术采用如下的技术方案。
3、本专利技术第一方面公开了一种基于强化学习的水冷制冷站冷却系统优化控制方法，所述方法包括：
4、建立所述水冷制冷站冷却系统的数学模型，并获取预定义的系统状态和设备动作，所述数学模型以水冷制冷站冷却系统的物理参数和传感器采集的实时数据为输入，以基于所述实时数据构建的系统状态向量为输出；
5、调用所述数学模型根据当前的系统状态生成初始控制策略，并确定初始控制参数，以确定初始的所述设备动作；
6、通过奖励函数根据所述水冷制冷站冷却系统反馈的能耗和冷却效果进行奖励计算，以评价所述初始控制策略中每个动作的价值，并平衡所述水冷制冷站冷却系统的能耗和冷却性能；
7、通过强化学习中的q-learning算法计算所述每个动作的价值的估计最大值，以基于所述估计最大值对所述初始控制策略进行优化，得到用于对所述水冷制冷站冷却系统进行优化控制的优化控制策略；
8、其中，所述设备动作至少包括水泵转速、冷却塔风机转速、压缩机负荷以及阀门开度，所述系统状态为所述水冷制冷站冷却系统运行时的变量集合，至少包括所述水冷制冷站冷却系统中各个部件的温度、流量、湿度、负荷以及能耗。
9、进一步的，所述水泵转速用于调节冷冻水和冷却水的流量，所述冷却塔风机转速用于控制空气流经冷却塔的速度，所述压缩机负荷用于通过调节压缩机的运行频率或开启数量控制制冷量，所述阀门开度用于调节流体流经管道的阻力；
10、所述系统状态与设备动作的表达式分别为：
11、，
12、；
13、式中，与分别表示数量，表示系统状态，表示设备动作；
14、所述调用所述数学模型根据当前的系统状态生成初始控制策略，并确定初始控制参数，以确定初始的所述设备动作，包括：
15、在所述水冷制冷站冷却系统运行的初始阶段，基于所述系统状态向量，通过所述数学模型确定初始的所述水泵转速、冷却塔风机转速、压缩机负荷以及阀门开度；
16、其中，初始的所述水泵转速的表达式为：
17、
18、式中，为初始的水泵转速，为水泵的冷负荷，为水泵的流量系数，且为水泵的固有系数，表示冷冻水进出口温度差。
19、进一步的，初始的所述冷却塔风机转速的表达式为：
20、
21、式中，为初始的冷却塔风机转速，为冷凝器的放热量，为冷却塔的散热系数，为冷却水进出冷却塔的温度差；
22、初始的所述压缩机负荷的表达式为：
23、
24、式中，为初始的压缩机负荷，为压缩机的最大制冷量，为水泵的冷负荷；
25、初始的所述阀门开度的表达式为：
26、
27、式中，为初始的阀门开度，为期望的流量，为阀门的流量系数，为阀门两端的压差。
28、进一步的，所述通过奖励函数根据所述水冷制冷站冷却系统反馈的能耗和冷却效果进行奖励计算，以评价所述初始控制策略中每个动作的价值，并平衡所述水冷制冷站冷却系统的能耗和冷却性能，包括：
29、通过引入惩罚项构建所述水冷制冷站冷却系统的奖励函数，所述奖励函数的表达式为：
30、；
31、式中，为总耗电量，为权重系数，为允许的温度偏差阈值，为惩罚项系数。
32、进一步的，所述通过强化学习中的q-learning算法计算所述每个动作的价值的估计最大值，以基于所述估计最大值对所述初始控制策略进行优化，得到用于对所述水冷制冷站冷却系统进行优化控制的优化控制策略，包括：
33、对所述q-learning算法中的价值估计值表进行初始化处理，通过贪婪策略基于初始化后的价值估计值选取设备动作，并执行选取的设备动作；
34、其中，通过所述贪婪策略选取的设备动作的表达式为：
35、；
36、本文档来自技高网
...
【技术保护点】
1.一种基于强化学习的水冷制冷站冷却系统优化控制方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于强化学习的水冷制冷站冷却系统优化控制方法，其特征在于，所述水泵转速用于调节冷冻水和冷却水的流量，所述冷却塔风机转速用于控制空气流经冷却塔的速度，所述压缩机负荷用于通过调节压缩机的运行频率或开启数量控制制冷量，所述阀门开度用于调节流体流经管道的阻力；
3.根据权利要求2所述的基于强化学习的水冷制冷站冷却系统优化控制方法，其特征在于，初始的所述冷却塔风机转速的表达式为：
4.根据权利要求3所述的基于强化学习的水冷制冷站冷却系统优化控制方法，其特征在于，所述通过奖励函数根据所述水冷制冷站冷却系统反馈的能耗和冷却效果进行奖励计算，以评价所述初始控制策略中每个动作的价值，并平衡所述水冷制冷站冷却系统的能耗和冷却性能，包括：
5.根据权利要求4所述的基于强化学习的水冷制冷站冷却系统优化控制方法，其特征在于，所述通过强化学习中的Q-learning算法计算所述每个动作的价值的估计最大值，以基于所述估计最大值对所述初始控制策略进行优化，得到用于对所述水冷制冷站冷却系统进行优化控制的优化控制策略，包括：
6.根据权利要求5所述的基于强化学习的水冷制冷站冷却系统优化控制方法，其特征在于，所述通过强化学习中的Q-learning算法计算所述每个动作的价值的估计最大值，以基于所述估计最大值对所述初始控制策略进行优化，得到用于对所述水冷制冷站冷却系统进行优化控制的优化控制策略，还包括：
7.根据权利要求6所述的基于强化学习的水冷制冷站冷却系统优化控制方法，其特征在于，所述方法还包括：
8.一种基于强化学习的水冷制冷站冷却系统优化控制装置，其特征在于，所述装置包括：
9.一种终端，包括处理器及存储介质；其特征在于：
10.计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-7任一项所述方法的步骤。
...
【技术特征摘要】
1.一种基于强化学习的水冷制冷站冷却系统优化控制方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于强化学习的水冷制冷站冷却系统优化控制方法，其特征在于，所述水泵转速用于调节冷冻水和冷却水的流量，所述冷却塔风机转速用于控制空气流经冷却塔的速度，所述压缩机负荷用于通过调节压缩机的运行频率或开启数量控制制冷量，所述阀门开度用于调节流体流经管道的阻力；
3.根据权利要求2所述的基于强化学习的水冷制冷站冷却系统优化控制方法，其特征在于，初始的所述冷却塔风机转速的表达式为：
4.根据权利要求3所述的基于强化学习的水冷制冷站冷却系统优化控制方法，其特征在于，所述通过奖励函数根据所述水冷制冷站冷却系统反馈的能耗和冷却效果进行奖励计算，以评价所述初始控制策略中每个动作的价值，并平衡所述水冷制冷站冷却系统的能耗和冷却性能，包括：
5.根据权利要求4所述的基于强化学习的水冷制冷站冷却系统优化控制方法，其特征在于，所述通过强化学...
【专利技术属性】
技术研发人员：李辉，路晓阳，黄政，
申请(专利权)人：南京深度智控科技有限公司，
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。