【技术实现步骤摘要】
本专利技术涉及能耗优化，尤其涉及一种制冷系统能耗优化方法、装置及可读存储介质。
技术介绍
1、随着云计算、大数据和人工智能技术的快速发展，数据中心的规模和数量不断扩大。数据中心中大量的服务器、存储设备和网络设备在运行过程中会产生大量的热量，因此高效的制冷系统对保障数据中心的稳定运行至关重要。制冷系统的能耗占数据中心总能耗的很大比例，因此如何在保证设备正常运行的前提下，降低制冷系统的能耗，成为了当前研究的热点问题。
2、目前，数据中心的制冷系统主要依赖于传统的基于规则或阈值的控制策略，然而这些传统控制策略缺乏对复杂环境状态的适应能力，难以在不同的运行条件下实现最优的制冷效果和能耗效率。同时，现有的优化方法无法充分利用数据中心中传感器所采集的大量实时数据，缺乏动态的自适应能力和智能化程度，难以达到最优的能耗控制效果。
技术实现思路
1、本专利技术所要解决的技术问题是针对现有技术的上述不足，提供一种制冷系统能耗优化方法、装置及可读存储介质，用以解决现有的制冷系统能耗优化方法缺乏对复杂环境状态的适应能力，难以在不同的运行条件下实现最优的制冷效果和能耗效率，以及无法充分利用传感器所采集的大量实时数据，导致难以达到最优的能耗控制效果的问题。
2、第一方面，本专利技术提供一种制冷系统能耗优化方法，所述方法包括：
3、将制冷系统的能耗优化过程建模为马尔可夫决策过程，定义制冷系统能耗优化场景的状态空间和动作空间；
4、根据传感器采集的测点数据，使用神经
5、基于构建的所述状态转移预测模型，设计并训练基于近端策略优化ppo算法的制冷系统优化模型；
6、将基于ppo算法训练的制冷系统优化模型输出的策略部署到实际的制冷系统中，进行实时控制和优化。
7、进一步地，所述状态空间包括数据中心内各区域的温度、各区域的湿度、室外湿度、室外温度，以及制冷系统上一时刻的制冷设定值；
8、所述动作空间定义为制冷系统当前时刻的制冷设定值。
9、进一步地，所述马尔可夫决策过程的奖励函数由湿度奖励、温度奖励、能耗奖励三部分构成；
10、所述温度奖励的奖励函数为：r_temp＝-|t_target-t_actual|，其中，t_target为目标温度，t_actual为实际温度；
11、所述湿度奖励的奖励函数为：r_hum＝-|h_target-h_actual|，其中，h_target为目标湿度，h_actual为实际湿度；
12、所述能耗奖励的奖励函数为：r_energy＝-e_consumed，其中，e_consumed为制冷系统的能耗值；
13、总奖励函数为：r_total＝w1*r_temp+w2*r_hum+w3*r_energy，其中，w1、w2、w3为加权系数，用于平衡不同部分的贡献。
14、进一步地，所述根据传感器采集的测点数据，使用神经网络对所述马尔可夫决策过程中的状态转移进行预测，构建状态转移预测模型，具体包括：
15、通过传感器实时采集数据中心的测点数据，所述测点数据包括数据中心内各区域的温度、各区域的湿度、室外湿度、室外温度，以及制冷系统的制冷设定值和能耗数据；
16、对采集的所述测点数据进行预处理；
17、利用预处理后的所述测点数据，使用数据驱动的方法，基于深度神经网络中的多层感知机mlp构造所述状态转移预测模型。
18、进一步地，所述利用预处理后的所述测点数据，使用数据驱动的方法，基于深度神经网络中的多层感知机mlp构造所述状态转移预测模型，具体包括：
19、设计所述状态转移预测模型的模型架构，所述架构包括输入层、隐藏层和输出层；
20、从预处理后的所述测点数据中得到多组包括当前时刻的环境状态、当前时刻的动作、下一时刻的环境状态的三元组，所述当前时刻的环境状态和下一时刻的环境状态均包括数据中心内各区域的温度、各区域的湿度、室外湿度、室外温度，以及对应时刻的制冷系统制冷设定值和能耗数据；所述当前时刻的动作包括制冷系统制冷设定值；
21、根据所述三元组来学习状态转移的规律，得到构造的所述状态转移预测模型。
22、进一步地，所述基于构建的所述状态转移预测模型，设计并训练基于近端策略优化ppo算法的制冷系统优化模型，具体包括：
23、基于构建的所述状态转移预测模型，设计ppo算法的actor网络和critic网络的架构，所述actor网络的输入为当前时刻的状态向量，输出为制冷系统的设定动作的均值和方差，所述critic网络的输入为当前时刻的状态向量，输出为当前状态的价值函数；
24、设计所述ppo算法的训练策略，利用advantage估计来计算优势函数，采用裁剪clip方式约束策略更新的步长，使用策略梯度法更新actor网络，使用最小化时序差分误差更新critic网络；
25、根据所述训练策略训练基于ppo算法的制冷系统优化模型。
26、进一步地，所述将基于ppo算法训练的制冷系统优化模型输出的策略部署到实际的制冷系统中，进行实时控制和优化之后，所述方法还包括：
27、在所述数据中心实际运行过程中，持续收集新的环境状态数据和反馈信息；
28、通过所述新的环境状态数据和反馈信息更新所述制冷系统优化模型，其中，更新过程采用增量学习策略。
29、第二方面，本专利技术提供一种制冷系统能耗优化装置，所述装置包括：
30、优化过程建模模块，用于将制冷系统的能耗优化过程建模为马尔可夫决策过程，定义制冷系统能耗优化场景的状态空间和动作空间；
31、状态转移预测模块，与所述优化过程建模模块连接，用于根据传感器采集的测点数据，使用神经网络对所述马尔可夫决策过程中的状态转移进行预测，构建状态转移预测模型，所述状态转移预测模型的输入参数为当前时刻的环境状态和动作，输出参数为下一时刻的环境状态；
32、优化模型构建模块，与所述状态转移预测模块连接，用于基于构建的所述状态转移预测模型，设计并训练基于近端策略优化ppo算法的制冷系统优化模型；
33、实时控制优化模块，与所述优化模型构建模块连接，用于将基于ppo算法训练的制冷系统优化模型输出的策略部署到实际的制冷系统中，进行实时控制和优化。
34、第三方面，本专利技术提供一种制冷系统能耗优化装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以实现上述第一方面所述的制冷系统能耗优化方法。
35、第四方面，本专利技术提供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计算机程序，所述计算机程序被处理器执行时实现上述第一方面所述的本文档来自技高网...
【技术保护点】
1.一种制冷系统能耗优化方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述状态空间包括数据中心内各区域的温度、各区域的湿度、室外湿度、室外温度，以及制冷系统上一时刻的制冷设定值；
3.根据权利要求1所述的方法，其特征在于，所述马尔可夫决策过程的奖励函数由湿度奖励、温度奖励、能耗奖励三部分构成；
4.根据权利要求2所述的方法，其特征在于，所述根据传感器采集的测点数据，使用神经网络对所述马尔可夫决策过程中的状态转移进行预测，构建状态转移预测模型，具体包括：
5.根据权利要求4所述的方法，其特征在于，所述利用预处理后的所述测点数据，使用数据驱动的方法，基于深度神经网络中的多层感知机MLP构造所述状态转移预测模型，具体包括：
6.根据权利要求2所述的方法，其特征在于，所述基于构建的所述状态转移预测模型，设计并训练基于近端策略优化PPO算法的制冷系统优化模型，具体包括：
7.根据权利要求2所述的方法，其特征在于，所述将基于PPO算法训练的制冷系统优化模型输出的策略部署到实际的制冷系统中，进
8.一种制冷系统能耗优化装置，其特征在于，所述装置包括：
9.一种制冷系统能耗优化装置，其特征在于，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以实现如权利要求1-7中任一项所述的制冷系统能耗优化方法。
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计算机程序，所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的制冷系统能耗优化方法。
...【技术特征摘要】
1.一种制冷系统能耗优化方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述状态空间包括数据中心内各区域的温度、各区域的湿度、室外湿度、室外温度，以及制冷系统上一时刻的制冷设定值；
3.根据权利要求1所述的方法，其特征在于，所述马尔可夫决策过程的奖励函数由湿度奖励、温度奖励、能耗奖励三部分构成；
4.根据权利要求2所述的方法，其特征在于，所述根据传感器采集的测点数据，使用神经网络对所述马尔可夫决策过程中的状态转移进行预测，构建状态转移预测模型，具体包括：
5.根据权利要求4所述的方法，其特征在于，所述利用预处理后的所述测点数据，使用数据驱动的方法，基于深度神经网络中的多层感知机mlp构造所述状态转移预测模型，具体包括：
6.根据权利要求2所述的方...
【专利技术属性】
技术研发人员：叶伟能，叶建树，王言，李稷楠，冯钊洪，周壮，苏仁刚，陈灵军，彭英明，张海青，张锦忠，何标，钟德超，潘宏涌，宝岩，李伟哲，田旺旺，李茂勇，刘圣庆，
申请(专利权)人：中国联合网络通信集团有限公司，
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。