基于机器学习与粒子群算法的动力站房冷源系统的控制方法技术方案

本发明专利技术公开了一种基于机器学习与粒子群算法的动力站房冷源系统的控制方法，包括如下步骤：S1、按空调制冷工艺机理对动力站房冷源系统建模，输入为冷机型号、冷机实际制冷量、冷机冷冻水出水温度、湿球温度、冷却水供回水温差，输出为单台冷机冷却水进水温度；S2、基于历史数据对动力站房冷源系统的能耗进行建模预测；S3、针对预测的负荷需求数据，结合粒子群算法对空调冷源系统的控制参数进行优化。本发明专利技术提供的基于机器学习与粒子群算法的动力站房冷源系统的控制方法，结合冷源系统的机理模型和数据驱动模型，运用粒子群PSO智能控制算法对空调冷源系统进行优化，以达到降低冷源系统总能耗，从而提高COP指标。

【技术实现步骤摘要】
基于机器学习与粒子群算法的动力站房冷源系统的控制方法
本专利技术涉及一种冷源系统的控制方法，尤其涉及一种基于机器学习与粒子群算法的动力站房冷源系统的控制方法。
技术介绍
工厂中的动力站房冷源系统是中央空调系统最重要的组成部分之一，是空调系统的源头所在，主机的能耗约占整个系统能耗的60％～70％，冷冻、冷却泵约占20％～30％，对其进行合理的控制与优化运行，可以实现巨大的节能。暖通空调制冷过程具有非线性、强耦合、干扰大、负荷波动等特征，因此对其的高效节能很难精确控制。中央空调冷源系统设备包括冷水机组、冷冻水泵、冷却水泵及冷却塔等设备，设备之间的参数相互耦合，且呈现出非线性、时变性等复杂关系，因此，建立合适的中央空调冷源系统设备能耗模型，并分析其相互制约、相互影响的关系，是实现中央空调冷源系统节能运行优化的关键。
技术实现思路
本专利技术所要解决的技术问题是提供一种基于机器学习与粒子群算法的动力站房冷源系统的控制方法，能够。本专利技术为解决上述技术问题而采用的技术方案是提供一种基于机器学习与粒子群算法的动力站房冷源系统的控制方法，包括如下步骤：S1、按空调制冷工艺机理对动力站房冷源系统建模，输入为冷机型号、冷机实际制冷量、冷机冷冻水出水温度、湿球温度、冷却水供回水温差，输出为单台冷机冷却水进水温度；S2、基于历史数据对动力站房冷源系统的能耗进行建模预测；S3、针对预测的负荷需求数据，结合粒子群算法对空调冷源系统的控制参数进行优化。上述的基于机器学习与粒子群算法的动力站房冷源系统的控制方法，其中，所述步骤S1根据制冷机组、冷冻水泵、冷却水泵和冷却塔的实际运行数据建立冷源系统的数学模型，选取冷源系统设备启停组合及其加载功率作为主要的优化控制参数；由制冷机组的冷冻水出水温度、冷却水进水温度、冷冻水泵流量和冷却水泵流量建立约束，并通过实际数据分析进行添加或删减相应的决策变量。上述的基于机器学习与粒子群算法的动力站房冷源系统的控制方法，其中，所述步骤S3根据工况动态对现场设备进行台数和温度的控制，并调节主机的功率，在满足温控要求的情况下，降低冷源系统总能耗。上述的基于机器学习与粒子群算法的动力站房冷源系统的控制方法，其中，所述步骤S3获取当前所有冷机状态，根据开机时间或关机时间、激活状态、累计开机时间筛选出可行的开机方案，以满足预测的负荷需求数据。上述的基于机器学习与粒子群算法的动力站房冷源系统的控制方法，其中，所述步骤S3中冷机开机或停机的最大变化台数为2台。本专利技术对比现有技术有如下的有益效果：本专利技术提供的基于机器学习与粒子群算法的动力站房冷源系统的控制方法，结合冷源系统的机理模型和数据驱动模型，运用粒子群PSO智能控制算法对空调冷源系统进行优化，以达到降低冷源系统总能耗，从而提高COP指标。附图说明图1为本专利技术基于机器学习与粒子群算法的动力站房冷源系统控制方框示意图；图2为本专利技术基于机器学习与粒子群算法的动力站房冷源系统控制流程图。具体实施方式下面结合附图和实施例对本专利技术作进一步的描述。图1为本专利技术基于机器学习与粒子群算法的动力站房冷源系统控制方框示意图；图2为本专利技术基于机器学习与粒子群算法的动力站房冷源系统控制流程图。请参见图1和图2，本专利技术提供的基于机器学习与粒子群算法的动力站房冷源系统的控制方法，包括如下步骤：S1、按空调制冷工艺机理对动力站房冷源系统建模，输入为冷机型号、冷机实际制冷量、冷机冷冻水出水温度、湿球温度、冷却水供回水温差，输出为单台冷机冷却水进水温度；S2、基于历史数据对动力站房冷源系统的能耗进行建模预测；S3、针对预测的负荷需求数据，结合粒子群算法对空调冷源系统的控制参数进行优化。一、冷源系统机理建模由空调制冷工艺机理可知，制冷机组的总能耗Ptotal可表示为：其中，Poweri为第i台制冷机组能耗，PLR为部分负荷率。冷机模型Pin,i＝Qe,i/COPi(2)Qe，i＝ρGiC(Tei-Teo，i)/3600(3)COPi＝β0+β1Qe,i+β2Teo,i+β3Tci,i+β4Qe,i2+β5Teo,i2+β6Tci,i2+β7Qe,iTeo,i+β8Qe,iTci,i+β9Teo,iTci,i(4)其中：Q总—末端总负荷需求，kwG总—台数优化时＝Gdemand，最后输出温度信号时为传感器读数，m3/hPin,i—单台冷机实际输入功率/电耗，kwQe,i—单台冷机实际制冷量，kwCOPi—单台冷机效能系数ρ—水的密度，1000kg/m3C—水的比热，4.18kJ/kg·℃Gi—单台冷机冷冻水流量，m3/hTei—总管冷冻水进水温度，℃Teo—总管冷冻水出水温度，℃(暂定8℃)Teo,i—单台冷机冷冻水出水温度，℃β0-β9—冷机模型拟合系数Tci,i—单台冷机冷却水进水温度，℃(使用函数表达式，输入为冷机型号、冷机实际制冷量、冷机冷冻水出水温度、湿球温度、冷却水供回水温差，输出为单台冷机冷却水进水温度)二、基于数据的冷源系统能耗建模由于空调负荷具有变动性，其受室外环境的温度、相对湿度、太阳辐射度、以及室内人员的活动和用电设备等各种因素变化的影响，暖通空调制冷系统的负荷具有起伏变化和不恒定等特点。通常暖通空调制冷系统的设计，一般按建筑物所在地的极端气候条件来计算其最大冷负荷，并由此确定空调主机的装机容量及其相应冷冻水泵和冷却水泵的容量。实际上，暖通空调制冷系统每年只有极短时间运行在最大冷负荷的情况下。通常情况，空调运行模式始终在满负荷状态下运行，不能根据负荷的变化而调节，这不仅造成了大量能源的浪费且导致设备故障率增加和使用寿命缩短。针对这种情况，若采用全局模型对制冷机组进行全负荷区间建模，会使得模型的误差相对较大。鉴于此，针对工况相似且模型变化不大的情况，利用历史数据经验对实时工况的机器学习过程进行知识引导，以提升模型精度、降低计算成本。采用数据驱动的方式对动力站房的冷源系统进行建模。自动获取工况知识，并能不断地提高和完善其预测性能，并为下一步的能耗优化控制提供目标函数的模型支持。三、冷源系统能源预测模块及空调冷源系统智能优化控制对工厂的动力站房的冷源系统建立机理模型和机器学习模型，同时结合实际运行情况，智能输出相应的能耗预测模型，达到精准预测的目的。本专利技术基于冷源系统的能源预测模块，结合粒子群算法对空调冷源系统进行优化，即根据供回水温差、流量、负荷等情况，利用智能优化算法对系统的控制参数进行优化，在满足温控要求的情况下，根据工况动态调节主机的功率，输出空调冷源系统中各个设备最优的运行参数，降低冷源系统总能耗，从而提高COP指标。本专利技术根据制冷机组、冷冻水泵、冷却水泵、冷却塔等冷源设备的实际运行数据建立了冷源系统的数学模型，为冷源系统的优化控制奠定了基础本文档来自技高网...

【技术保护点】
1.一种基于机器学习与粒子群算法的动力站房冷源系统的控制方法，其特征在于，包括如下步骤：/nS1、按空调制冷工艺机理对动力站房冷源系统建模，输入为冷机型号、冷机实际制冷量、冷机冷冻水出水温度、湿球温度、冷却水供回水温差，输出为单台冷机冷却水进水温度；/nS2、基于历史数据对动力站房冷源系统的能耗进行建模预测；/nS3、针对预测的负荷需求数据，结合粒子群算法对空调冷源系统的控制参数进行优化。/n

【技术特征摘要】
1.一种基于机器学习与粒子群算法的动力站房冷源系统的控制方法，其特征在于，包括如下步骤：
S1、按空调制冷工艺机理对动力站房冷源系统建模，输入为冷机型号、冷机实际制冷量、冷机冷冻水出水温度、湿球温度、冷却水供回水温差，输出为单台冷机冷却水进水温度；
S2、基于历史数据对动力站房冷源系统的能耗进行建模预测；
S3、针对预测的负荷需求数据，结合粒子群算法对空调冷源系统的控制参数进行优化。


2.如权利要求1所述的基于机器学习与粒子群算法的动力站房冷源系统的控制方法，其特征在于，所述步骤S1根据制冷机组、冷冻水泵、冷却水泵和冷却塔的实际运行数据建立冷源系统的数学模型，选取冷源系统设备启停组合及其加载功率作为主要的优化控制参数；由制冷机组的冷冻水出水温度、冷却水进水温度、冷...

【专利技术属性】
技术研发人员：宋晓菲，
申请(专利权)人：上海安悦节能技术有限公司，
类型：发明
国别省市：上海;31