基于AI算法的冷却塔最优开启台数和最小运行能耗的计算方法技术

本发明专利技术公开了基于AI算法的冷却塔最优开启台数和最小运行能耗的计算方法，包括以下具体步骤：S1、采集近3个月内数据机房的室外气象参数，如干球温度、湿球温度等、空调系统冷却塔冷却水温度以及冷却塔风机运行能耗数据，并对数据进行预处理；S2、根据S1采集到的数据，拟合得到历史温度数据下的系数；S3、根据冷却塔铭牌上的额定参数，计算额定工况下的额定系数；相比现有技术，本发明专利技术通过AI机器学习对模型进行训练和验证，将计算得到的冷却塔总热负荷输入到模型中来，从而得到在不同热负荷的情况下，冷却塔需要开启的台数以及所对应的风机总功率，并以能耗最低为目标进行寻优。并以能耗最低为目标进行寻优。并以能耗最低为目标进行寻优。

【技术实现步骤摘要】
基于AI算法的冷却塔最优开启台数和最小运行能耗的计算方法


[0001]本专利技术涉及数据机房空调系统控制领域，具体涉及基于AI算法的冷却塔最优开启台数和最小运行能耗的计算方法。

技术介绍

[0002]现代电子信息技术随着时代的进步取得了飞速的发展，数据机房的能耗也伴随着规模的增大而迅速增长。在当今中国能源与环境领域“碳达峰”和“碳中和”的战略背景下，如何减少数据机房的运行能耗，确保数据机房的稳定运行，是现在的一个研究重点。在整个数据机房中，空调系统是耗能较大的一部分，空调系统节能高效地运行是实现数据机房节能高效的关键举措。其中，冷却塔的总能耗与冷却塔的开启台数有关，因此需要对冷却塔传热过程进行深度分析，并建立一个关于冷却塔最优开启台数和最小运行能耗的计算方法。
[0003]在现有的冷却塔模型中，基本都默认为单台冷却塔，没有考虑风机台数的变化，也没有考虑如何去根据室外气象参数去选择合理的冷却塔台数，从而使得冷却塔的能耗变小；此外，现有的冷却塔模型大多为基本的传热模型，未包括风机功率等部分，没有很好地体现出冷却塔总热负荷与风机功率以及冷却塔开启台数的关系；最后，现有的冷却塔模型缺少了以能耗最低为原则的寻优过程。

技术实现思路

[0004]为解决现有技术的不足，本专利技术的目的在于提供一种适用于不同数据机房的不同空调系统，可以根据当地实际的室外气象参数以及历史温度数据进行调整，从而得到不同的最优结果，应用范围广泛的基于AI算法的冷却塔最优开启台数和最小运行能耗的计算方法。
[0005]为了实现上述目标，本专利技术采用如下的技术方案：基于AI算法的冷却塔最优开启台数和最小运行能耗的计算方法，包括以下具体步骤：S1、采集近3个月内数据机房的室外气象参数、空调系统冷却塔冷却水温度以及冷却塔风机运行能耗数据，并对数据进行预处理；S2、根据S1采集到的数据，拟合得到历史温度数据下的系数；S3、根据冷却塔铭牌上的额定参数，计算额定工况下的额定系数以及相关系数、、和；S4、调用以及拟合过程中通过机器学习计算得到的额定系数；并在公式中输入冷却塔需处理的总热量、冷却塔进水温度与
室外湿球温度之差，以及空气的比热容和冷却塔总功率的额定值；S5、确定冷却塔最优开启台数和最小运行能耗。
[0006]作为本专利技术的进一步优选，所述步骤S2包括以下具体步骤：S2.1、计算采集冷却塔需处理的总热量，即机楼内外负荷与主机模块热负荷之和，使用冷却泵耗电量计算获得，其中，为采集冷却泵耗电量差值、h为小时数，为冷却泵额定功率；为冷却泵额定流量、为冷却水进水温度、为冷却水出水温度、为水比热容；为水密度；计算采集单台冷却塔热负荷，其中，n为冷却塔开启台数；S2.2、计算采集冷却塔总功率，由冷却塔耗电量计算获得，，其中，为冷却塔耗电量差值，h为小时数；计算采集单台风机功率；S2.3、收集3个月内的历史数据，按照S2.1和S2.2中公式计算后得到若干组单台风机功率和若干组单台冷却塔热负荷，且形成第一数据集和第二数据集；S2.4、由能量守恒定律可得，，其中，α为系数，将等号左侧看作y，右侧看作αx，即 y=αx；S2.5、 将第二数据集作为y，即标签值，将第一数据集与和的乘积作为x，即特征值；S2.6、对标签值和特征值进行预处理，将标签值和特征值按照时间序列存放，对缺失数据使用interpolate进行补全，interpolate为Pandas自带的数据补全工具，由于数据呈现单调性增减，选用linear线性补全，由已知点拟合求得直线，采用线性插值方法补全缺失点；S2.7、将补全后的标签值和特征值两两为一组，根据时间索引对齐并随机打乱，按照7:3的比例划分训练集和测试集；S2.8、使用StandardScaler模块对训练集中的特征值进行标准化操作，即计算训练集中的特征值的平均值和标准差，使数据均值为0，方差为1，公式为：，其
中，u为数据均值，s为数据标准差；z为标准化结果；x为原始数据，即未标准化的训练集中的特征值；同时记录缩放因子，缩放因子为训练集中的特征值计算得到的均值与标准差；S2.9、对测试集中的特征值进行标准化操作，以便使训练集与测试集处于同一分布；S2.10、由于中，等号左右两侧呈现正相关关系，因此，模型选择线性回归，即，其中，b取值为0，w为α；S2.11、使用最小二乘法求得使目标函数总误差最小的参数，目标函数公式：，其中，为预测值与真实值的总误差，为预测值，为真实值，训练在计算出目标函数最优解之后结束，并形成新型模型；S2.12、冷却塔每隔3个月训练一次模型，每次训练迭代后得到的模型记为新模型，训练迭代前的模型记为旧模型；S2.13、新模型与旧模型分别对测试集进行预测，即新新模型与旧模型分别计算均方根误差RMSE；均方根误差RMSE用来衡量观测值与真实值的偏差，当均方根误差RMSE值越小，则模型效果越好，选择效果最好的模型保存，并通过模型得到系数α；由近3个月数据得到的系数为历史系；其中，其中，m是测试集样本个数，是预测值，是真实值。
[0007]作为本专利技术的进一步优选，所述步骤S3包括以下具体步骤：S3.1、由冷却塔的传热过程得到单台冷却塔的热负荷与风机风量、空气的比热容、以及冷却塔进水温度与室外湿球温度之差有关，即：，单台冷却塔的热负荷、风机风量、空气的比热容代入额定值，计算得到系数；S3.2、风机风量及其额定值，频率及其额定值之间的关系为：，得到系数；S3.3、将S3.2代入S3.1中， ，
代入系数、，可以计算得到系数，代入风机风量和频率的额定值，得到；S3.4、风机功率及其额定值，频率及其额定值之间的关系为：，得到系数；S3.5、将S3.4代入S3.3中，得到单台冷却塔的热负荷也可以表示为：，代入风机功率和频率的额定值以及系数、、、，计算得到额定工况下的额定系数。
[0008]作为本专利技术的进一步优选，所述步骤S5包括以下步骤：S5.1、初始冷却塔的开启台数n为1，风机数与冷却塔台数相等；S5.2、判断是否存在前3个月的历史数据；S5.3、若存在，则调用历史系数；S5.4、若不存在，则调用额定系数；S5.5、根据，代入，并输出风机对应的频率；S5.6、判断频率是否大于50HZ；S5.7、若频率，则加开一台冷却塔，即n=n+1；并重复S5.5
‑
S5.6；S5.8、若频率，则判断30Hz≤频率f≤50Hz；S5.9、若30Hz≤频率f≤50Hz，则加开一台冷却塔，即n=n+1，并记录此时的情况，并重复S5.5
‑
S5.8；S5.10、若频率，则保持现有冷却台台数n，并记录；S5.11、输出所记录的情况中风机总功率的最小值以及所对应的台数n。
[0009]本专利技术的有益之处在于：本专利技术通过AI机器学习对模型进行训练和验证，并拟合得到模型中的相关系数，将计算得到的冷却塔总热负荷输入到模型中来，从而得到在不同热负荷的情况下，冷却塔需要开启的台数以及所对应的风机总功率，并以能耗最低为目标进行寻优；本专利技术适用于不同数据机房的不同空调系统，可以根据当地实际的室外气象参数以及历史温度数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于AI算法的冷却塔最优开启台数和最小运行能耗的计算方法，其特征在于，包括以下具体步骤：S1、采集近3个月内数据机房的室外气象参数、空调系统冷却塔冷却水温度以及冷却塔风机运行能耗数据，并对数据进行预处理；S2、根据S1采集到的数据，拟合得到历史温度数据下的系数；S3、根据冷却塔铭牌上的额定参数，计算额定工况下的额定系数以及相关系数、、和；S4、调用以及拟合过程中通过机器学习计算得到的额定系数；并在公式中输入冷却塔需处理的总热量、冷却塔进水温度与室外湿球温度之差，以及空气的比热容和冷却塔总功率的额定值；S5、确定冷却塔最优开启台数和最小运行能耗。2.根据权利要求1所述的基于AI算法的冷却塔最优开启台数和最小运行能耗的计算方法，其特征在于，所述步骤S2包括以下具体步骤：S2.1、计算采集冷却塔需处理的总热量，即机楼内外负荷与主机模块热负荷之和，使用冷却泵耗电量计算获得，其中，为采集冷却泵耗电量差值、h为小时数，为冷却泵额定功率；为冷却泵额定流量、为冷却水进水温度、为冷却水出水温度、为水比热容；为水密度；计算采集单台冷却塔热负荷，其中，n为冷却塔开启台数；S2.2、计算采集冷却塔总功率，由冷却塔耗电量计算获得，，其中，为冷却塔耗电量差值，h为小时数；计算采集单台风机功率；S2.3、收集3个月内的历史数据，按照S2.1和S2.2中公式计算后得到若干组单台风机功率和若干组单台冷却塔热负荷，且形成第一数据集和第二数据集；
S2.4、由能量守恒定律可得，，其中，α为系数，将等号左侧看作y，右侧看作αx，即 y=αx；S2.5、 将第二数据集作为y，即标签值，将第一数据集与和的乘积作为x，即特征值；S2.6、对标签值和特征值进行预处理，将标签值和特征值按照时间序列存放，对缺失数据使用interpolate进行补全；S2.7、将补全后的标签值和特征值两两为一组，根据时间索引对齐并随机打乱，按照7:3的比例划分训练集和测试集；S2.8、使用StandardScaler模块对训练集中的特征值进行标准化操作，即计算训练集中的特征值的平均值和标准差，使数据均值为0，方差为1，公式为：，其中，u为数据均值，s为数据标准差；z为标准化结果；x为原始数据，即未标准化的训练集中的特征值；同时记录缩放因子，缩放因子为训练集中的特征值计算得到的均值与标准差；S2.9、对测试集中的特征值进行标准化操作，以便使训练集与测试集处于同一分布；S2.10、在中，等号左右两侧呈现正相关关系，模型选择线性回归，即，其...

【专利技术属性】
技术研发人员：杨鹏，杨波，陆晶军，戴伟，
申请(专利权)人：南京群顶科技有限公司，
类型：发明
国别省市：