基于深度学习的空压站的优化方法技术

本发明专利技术提供了一种基于深度学习的空压站的优化方法，所述基于深度学习的空压站的优化方法包括以下步骤：(A1)利用监测物联网，获得空压站内各空压机的运行参数；(A2)利用深度学习算法分析所述运行参数，提取空压站内各空压机的运行模式特征模型；(A3)利用遗传算法优化所述运行模式特征模型，获取空压机的开启台数以及开启时间。本发明专利技术具有耗电量低等优点。

Optimization method of air pressure station based on deep learning

The present invention provides an optimization method for an air pressure station based on depth learning. The optimization method of an air pressure station based on depth learning includes the following steps: (A1) using the network of monitoring objects to obtain the operating parameters of the air compressor in an air pressure station; (A2) the analysis of the operating parameters by the depth study method and the extraction of the air in the air pressure station. The operating mode characteristic model of the compressor is used; (A3) genetic algorithm is used to optimize the operation mode feature model and obtain the number of opening and opening time of the compressor. The invention has the advantages of low power consumption and low power consumption.

【技术实现步骤摘要】
基于深度学习的空压站的优化方法
本专利技术涉及空压站，特别涉及基于深度学习的空压站的优化方法。
技术介绍
压缩空气作为一种清洁环保的能源广泛用于工业生产中的各个领域。但是作为二次能源，压缩空气本身的电能消耗巨大。据统计，我国工业用电的10％用于空压机。但是一直以来，企业对于压缩空气系统的能耗没有足够的重视，导致空压机能耗运行不合理，压缩空气系统的能源浪费。对于企业，一般都采用空压站的方式供气，空压站有多台空压机组成。目前，空压机组上都是依靠机器原始的控制方式(自带的上下限压力控制)，基本没有实现联控，只能查看单台空压机的运行参数。压缩空气主要用途有设备用气、仪表用气、吹扫等。设备用气在主要用于用气设备，设备用气经过除油、除水和尘埃之后，专供仪表用气，其他用途则包括吹扫、清洁等。大部分企业的空压机系统规划不太合理，机组之间缺乏有效的协调控制，存在明显浪费，主要问题包括：1.空压机开启随意，高效率没有有效利用。2.没有考虑到环境的变化，对于空压机效率的影响。如果对空压站的空压机组进行优化控制，将大幅减少企业的耗电量。
技术实现思路
为了解决上述现有技术方案中的不足，本专利技术提供了一种基于深度学习的空压站的优化方法，有效地提高了空压机的运行效率，并降低了能耗。一种基于深度学习的空压站的优化方法，所述基于深度学习的空压站的优化方法包括以下步骤：(A1)利用监测物联网，获得空压站内各空压机的运行参数；(A2)利用深度学习算法分析所述运行参数，提取空压站内各空压机的运行模式特征模型；(A3)利用遗传算法优化所述运行模式特征模型，获取空压机的开启台数以及开启时间。根据上述的基于深度学习的空压站的优化方法，可选地，所述基于深度学习的空压站的优化方法进一步包括以下步骤：(A4)利用物联网以及开源Hadoop架构，构建空压站优化运行系统。根据上述的基于深度学习的空压站的优化方法，优选地，所述运行参数包括：运行时间、进气压力、出口压力、空压站环境温度、进口温度、出口温度、流量和功率。根据上述的基于深度学习的空压站的优化方法，优选地，所述深度学习算法利用深度自动编码器，所述深度自动编码器包括：编码器、解码器和隐含层；所述编码器采用如下关系式进行编码：h＝f(x)＝Sf(Wx+bj)其中，x为运行参数所构成的特征向量，W为输入向量的权值，bj表示第j个神经元的阈值，或者称为偏置，h是得到的隐含层值；解码器采用如下关系式进行解码：y＝g(h)＝Sg(Wh+bh)其中，h为隐含层向量，这里作为输入，W为对应的权值向量，bh为阈值，Sg是解码器的激活函数；对深度自动编码器的训练过程是在训练样本集D上寻找参数W，bj，bh构成的最小化重构误差，重构误差的表达式为：其中，x为上述公式的输入，g(f(x))为上述公式的解码器输出，L是重构误差函数。根据上述的基于深度学习的空压站的优化方法，优选地，所述对深度自动编码器的训练过程包括以下步骤：(B1)输入用作训练的所述运行参数，无监督训练出第一个自编码器；(B2)以第一个自编码器的输出作为下一个自编码器的输入，训练出第二个自编码器；(B3)重复步骤(B2)，直到完成预设数量隐含层的训练为止；(B4)以空压站的功率H为输出，在最后一个隐含层上增加一个反向传播神经网络预测模型，实现对所述预测模型的权重微调。根据上述的基于深度学习的空压站的优化方法，优选地，在步骤(A3)中，优化包括以下步骤：(C1)构建空压机的所述运行参数的网格，以及评估函数，评估函数采用(C2)对空压机的开启台数、开启顺序，以空压站初始运行台数和运行顺序作为初始值，评估每条染色体所对应个体的适应度，以空压机组的功率H为适应度；(C3)遵照适应度越高，选择概率P越大的原则，从种群中选择两个个体作为父方和母方；(C4)抽取父母双方的染色体，进行交叉，产生子代。(C5)对子代的染色体进行变异。(C6)重复步骤(C2)-(C4)，直到新种群的产生，当迭代次数达到设定次数，获得空压机开启台数、开启时长。根据上述的基于深度学习的空压站的优化方法，优选地，在步骤(A3)中，利用遗传算法求解在空压站功率最小的情况下，获得空压机的开启台数和顺序。与现有技术相比，本专利技术具有的有益效果为：通过无线物联网的方式，构建空压机组优化控制系统，同时利用深度和遗传算法，优化空压机开启台数、运行时长，从而优化空压机组整体能效，节约能源，保护环境。附图说明参照附图，本专利技术的公开内容将变得更易理解。本领域技术人员容易理解的是：这些附图仅仅用于举例说明本专利技术的技术方案，而并非意在对本专利技术的保护范围构成限制。图中：图1是根据本专利技术实施例的基于深度学习的空压站的优化方法的流程图。具体实施方式图1和以下说明描述了本专利技术的可选实施方式以教导本领域技术人员如何实施和再现本专利技术。为了教导本专利技术技术方案，已简化或省略了一些常规方面。本领域技术人员应该理解源自这些实施方式的变型或替换将在本专利技术的范围内。本领域技术人员应该理解下述特征能够以各种方式组合以形成本专利技术的多个变型。由此，本专利技术并不局限于下述可选实施方式，而仅由权利要求和它们的等同物限定。实施例：图1示意性地给出了本专利技术实施例的基于深度学习的空压站的优化方法的流程图，如图1所示，所述基于深度学习的空压站的优化方法包括以下步骤：(A1)利用监测物联网，获得空压站内各空压机的运行参数，如运行时间、进气压力、出口压力、空压站环境温度、进口温度、出口温度、流量和功率；(A2)利用深度学习算法分析所述运行参数，提取空压站内各空压机的运行模式特征模型；具体为：所述深度学习算法利用深度自动编码器，所述深度自动编码器包括：编码器、解码器和隐含层；所述编码器采用如下关系式进行编码：h＝f(x)＝Sf(Wx+bj)其中，x为运行参数所构成的特征向量，W为输入向量的权值，bj表示第j个神经元的阈值，或者称为偏置，h是得到的隐含层值；解码器采用如下关系式进行解码：y＝g(h)＝Sg(Wh+bh)其中，h为隐含层向量，这里作为输入，W为对应的权值向量，bh为阈值，sg是解码器的激活函数；对深度自动编码器的训练过程是在训练样本集D上寻找参数W，bj，bh构成的最小化重构误差，重构误差的表达式为：其中，x为上述公式的输入，g(f(x))为上述公式的解码器输出，L是重构误差函数。根据上述的基于深度学习的空压站的优化方法，优选地，所述对深度自动编码器的训练过程包括以下步骤：(B1)输入用作训练的所述运行参数，无监督训练出第一个自编码器；(B2)以第一个自编码器的输出作为下一个自编码器的输入，训练出第二个自编码器；(B3)重复步骤(B2)，直到完成预设数量隐含层的训练为止；(B4)以空压站的功率H为输出，在最后一个隐含层上增加一个反向传播神经网络预测模型，实现对所述预测模型的权重微调；(A3)利用遗传算法优化所述运行模式特征模型，获取空压站功率最小的情况下，空压机的开启台数以及开启时间，具体为：(C1)构建空压机的所述运行参数的网格，以及评估函数，评估函数采用(C2)对空压机的开启台数、开启顺序，以空压站初始运行台数和运行顺序作为初始值，评估每条染色体所对应个体的适应度，以空压机组的功率H为适应度；(C3)遵照适应度越高，选择概率P越大的原则，从种群中选择本文档来自技高网...

【技术保护点】
1.一种基于深度学习的空压站的优化方法，所述基于深度学习的空压站的优化方法包括以下步骤：(A1)利用监测物联网，获得空压站内各空压机的运行参数；(A2)利用深度学习算法分析所述运行参数，提取空压站内各空压机的运行模式特征模型；(A3)利用遗传算法优化所述运行模式特征模型，获取空压机的开启台数以及开启时间。

【技术特征摘要】
1.一种基于深度学习的空压站的优化方法，所述基于深度学习的空压站的优化方法包括以下步骤：(A1)利用监测物联网，获得空压站内各空压机的运行参数；(A2)利用深度学习算法分析所述运行参数，提取空压站内各空压机的运行模式特征模型；(A3)利用遗传算法优化所述运行模式特征模型，获取空压机的开启台数以及开启时间。2.根据权利要求1所述的基于深度学习的空压站的优化方法，其特征在于：所述基于深度学习的空压站的优化方法进一步包括以下步骤：(A4)利用物联网以及开源Hadoop架构，构建空压站优化运行系统。3.根据权利要求1所述的基于深度学习的空压站的优化方法，其特征在于：所述运行参数包括：运行时间、进气压力、出口压力、空压站环境温度、进口温度、出口温度、流量和功率。4.根据权利要求1所述的基于深度学习的空压站的优化方法，其特征在于：所述深度学习算法利用深度自动编码器，所述深度自动编码器包括：编码器、解码器和隐含层；所述编码器采用如下关系式进行编码：h＝f(x)＝Sf(Wx+bj)其中，x为运行参数所构成的特征向量，W为输入向量的权值，bj表示第j个神经元的阈值，或者称为偏置，h是得到的隐含层值；解码器采用如下关系式进行解码：y＝g(h)＝Sg(Wh+bh)其中，h为隐含层向量，这里作为输入，W为对应的权值向量，bh为阈值，Sg是解码器的激活函数；对深度自动编码器的训练过程是在训练样本集D上寻找参数W，bj，bh构成的最小化重构误差，重构误差的表达式...

【专利技术属性】
技术研发人员：史云龙，唐志军，许杨铭，
申请(专利权)人：浙江中睿低碳科技有限公司，
类型：发明
国别省市：浙江,33