一种基于机器学习的制冷系统节能控制方法及系统技术方案

本发明专利技术公开了一种基于机器学习的制冷系统节能控制方法及系统，能够不断提高预测和控制的准确性和实时性，在保证满足相关设定供冷目标的前提下以最优效率运行，达到最大程度降低系统能耗的目的。控制方法包括以下步骤：S1、初始化运行工况参数；S2、初始化训练样本集；S3、建立机器学习负荷预测模型；S4、预测下一时间点负荷；S5、从训练样本集中找出与当前时间点的测试样本最相似的训练样本，并据此在后续时间段调整制冷系统的调节速度；S6、判断下一时间点的实际的控制参数是否达到设定的控制参数要求且实际负荷值是否等于负荷预测值，并据此修正或删除训练样本集中的有关训练样本；S7、返回步骤S3或S4，进入下一个迭代循环。本发明专利技术可广泛应用于制冷领域。

A machine learning based energy saving control method and system for refrigeration system

The invention discloses a method and system for energy-saving control of refrigeration system based on machine learning. It can improve the accuracy and real time of prediction and control, and run with the optimal efficiency on the premise of satisfying the related set cooling target, and achieve maximum reduction of system energy consumption. The control method includes the following steps: S1, initializes the operating parameters; S2, initializes the training sample set; S3, establishes the machine learning load forecasting model; S4, forecasts the next time point load; S5, finds out the most similar training samples from the training sample set and the current time point test sample, and accordingly in the follow-up time period Adjust the adjusting speed of the refrigeration system; S6, determine whether the actual control parameters of the next time point reach the required control parameters and whether the actual load value is equal to the load forecast value, and accordingly amend or delete the training samples in the training sample concentration; S7, return step S3 or S4, enter the next iteration cycle. The invention can be widely used in the field of refrigeration.

【技术实现步骤摘要】
一种基于机器学习的制冷系统节能控制方法及系统
本专利技术涉及一种制冷系统节能控制方法；本专利技术还涉及一种制冷系统节能控制系统。
技术介绍
制冷系统广泛用于为中央空调和众多用冷的生产工艺提供冷量，主要由冷冻水泵、制冷主机、冷却设备(如水冷式制冷系统为冷却水泵和冷却塔)等设备组成。制冷系统的能耗很大，例如中央空调由制冷系统和末端系统组成，制冷系统的能耗可占中央空调总能耗的60％以上，故对制冷系统进行负荷预测和节能控制意义重大。但是，制冷系统具有多变量、强耦合、非线性、时变性、时滞性、干扰因素多等强烈动态特点，这使得对其进行准确和实时的负荷预测和节能控制一直较为困难。常用的制冷系统节能控制方法主要以水泵、风机的变频调节为核心，一般是根据测量的实际的供冷效果与相应设定供冷目标的偏差对水泵、风机等的运转频率进行平滑调节，进而调节水泵、风机和制冷机的功率，从而有效的降低了能耗和改善了舒适度。对于中央空调，这些参数一般为室外温度、湿度和室内温度、湿度，对于生产用冷系统这些参数一般为用冷点的温度。但是，该控制方法依然存在着一些问题，以中央空调为例：(1)中央空调有着多变量、强非线性、强耦合性等特点本文档来自技高网...

【技术保护点】
1.一种基于机器学习的制冷系统节能控制方法，其特征在于：所述方法利用基于机器学习的制冷系统节能控制系统进行节能控制，所述基于机器学习的制冷系统节能控制系统包括数据采集模块、数据处理模块和运行控制模块，所述方法包括以下步骤：S1：初始化运行工况参数：所述数据采集模块在一定的时间范围内，按照一定的时间步长采集制冷系统和用冷系统各时间点的运行工况参数，并发至所述数据处理模块；S2：初始化训练样本集：所述数据处理模块设定用于约束两个样本的输入向量相似程度的为非负值的相似偏差限、约束两个样本的输出值接近程度的为非负值的接近偏差限、其他数据处理和计算用参数，所述数据处理模块将每个时间点的运行工况参数按一定...

【技术特征摘要】
1.一种基于机器学习的制冷系统节能控制方法，其特征在于：所述方法利用基于机器学习的制冷系统节能控制系统进行节能控制，所述基于机器学习的制冷系统节能控制系统包括数据采集模块、数据处理模块和运行控制模块，所述方法包括以下步骤：S1：初始化运行工况参数：所述数据采集模块在一定的时间范围内，按照一定的时间步长采集制冷系统和用冷系统各时间点的运行工况参数，并发至所述数据处理模块；S2：初始化训练样本集：所述数据处理模块设定用于约束两个样本的输入向量相似程度的为非负值的相似偏差限、约束两个样本的输出值接近程度的为非负值的接近偏差限、其他数据处理和计算用参数，所述数据处理模块将每个时间点的运行工况参数按一定样本形成规则形成该时间点的训练样本，各时间点的训练样本形成初始的训练样本集；S3：建立机器学习负荷预测模型：所述数据处理模块根据训练样本集，使用机器学习建立负荷预测模型；S4：预测下一时间点负荷：所述数据采集模块采集当前时间点的运行工况参数，所述数据处理模块依照步骤S2的规则形成当前时间点的测试样本的输入向量，并代入所述负荷预测模型，计算出下一时间点的负荷预测值；S5：调整制冷系统调节速度：所述数据处理模块将当前时间点的测试样本与训练样本集中的各训练样本进行比较，判断是否存在训练样本的输入向量与当前时间点的测试样本的输入向量的相似程度在所述相似偏差限内，当满足要求的训练样本存在时，训练样本形成相似训练样本集，找出相似训练样本集中输入向量与当前时间点的测试样本的输入向量的相似程度最大的样本作为最相似训练样本；当最相似训练样本存在时，计算下一时间点的负荷预测值与最相似训练样本中记录的下一个时间点实际负荷值的差，并称为最相似样本实际负荷差；当最相似样本实际负荷差大于所述接近偏差限时，则所述数据处理模块在最相似样本中记录的实际调节速度相关参数的基础上，在当前时间点与下一时间点之间的时间段内通过所述运行控制模块对制冷系统的调节速度进行加速调整；当最相似样本实际负荷差小于负的所述接近偏差限时，则所述数据处理模块在最相似样本中记录的实际调节速度相关参数的基础上，在当前时间点与下一时间点之间的时间段内通过所述运行控制模块对制冷系统系统的调节速度进行减速调整；当为其他情况时，则所述运行控制模块在当前时间点与下一时间点之间的时间段内对制冷系统的调节速度不进行调整；S6：修正训练样本集：在下一时间点时，所述数据处理模块将采集的下一时间点的实际负荷值作为当前时间点的测试样本的输出值后形成当前时间点的新训练样本，并加入到训练样本集，并判断所述数据采集模块采集的下一时间点用冷系统实际的供冷效果是否等于设定的对应供冷目标、且下一时间点的实际负荷值是否等于步骤S4中下一时间点的负荷预测值；当上述判断不成立时，所述数据处理模块计算下一时间点的负荷预测偏差，将新训练样本的输出值加上负荷预测偏差作为新训练样本新的输出值，并按照步骤S5中相似训练样本集是否存在的情况进行相应处理；当相似训练样本集存在时，所述数据处理模块计算所述相似训练样本集中各训练样本的输出值和新训练样本的输出值的差的绝对值并称为相似样本输出差，找出所述相似样本输出差最大的且大于所述接近偏差限的训练样本并从训练样本集中删除；S7：迭代循环：所述数据处理模块将下一时间点设为当前时间点，判断系统是否完成运行了一个设定时间段并将所述设定时间段称为模型修正周期，当未完成运行一个所述模型修正周期时则转至执行步骤S4，当完成运行一个所述模型修正周期时则转至执行步骤S3，继续对制冷系统进行运行控制。2.根据权利要求1所述的基于机器学习的制冷系统节能控制方法，其特征在于：步骤S2中，各时间点的训练样本遵从以下样本形成规则：训练样本由输入向量和输出值组成，该时间点的训练样本的输入向量的各元素为该时间点采集的按规定顺序排列的运行工况参数，该时间点的训练样本的输出值为采集的下一时间点的制冷负荷值；步骤S3中，所述负荷预测模型的输入为所述输入向量，输出为所述输出值。3.根据权利要求1所述的基于机器学习的制冷系统节能控制方法，其特征在于：步骤S2中，两个样本的输入向量相似程度使用两个样本的输入向量差的2-范数，即两个样本的输入向量所有的各对应元素差的平方之和的平方根。4.根据权利要求1所述的基于机器学习的制冷系统节能控制方法，其特征在于：所述机器学习为支持向量机，步骤S3中，负荷预测模型采用ε-SVR模型，所述ε-SVR模型使用的核函数为径向基核函数；或者，所述机器学习为人工神经网络，步骤S3中，负荷预测模型采用BP网络模型，所述BP网络模型使用的核函数为径向基核函数。5.根据权利要求1所述的基于机器学习的制冷系统节能控制方法，其特征在于：步骤S5中，加速调整是加快制冷系统水泵、风机的变频器的频率调节速度，减速调整是减慢制冷系统水泵、风机的变频器的频率调节速度。6.一种基于机器学习的制冷系统节能控制系统，其特征在于：包括数据采集模块、数据处理模块和运行控制模块；所述数据采集模块连接所述数据处理模块，用于初始化运行工况参数，在一定的时间范围内，按照一定的时间步长采集制冷系统和用...

【专利技术属性】
技术研发人员：任松保，
申请(专利权)人：深圳市华之任有限公司，
类型：发明
国别省市：广东,44