一种基于数据驱动建模和优化的空调冷冻站系统群控方法技术方案

本发明专利技术属于空调冷冻站节能群控技术领域，提出一种基于数据驱动建模和优化的空调冷冻站系统群控方法，依次进行数据中心运行数据的预处理、预测变量建模、基于数学物理模型的冷冻站各设备模型的建立、基于遗传算法的全局优化；最后进行优化数据库建立。本发明专利技术的有益之处在于能在实现室外气象参数和室内动态负荷预测的基础上，通过对不同设备的设定值和同类设备的分配量进行优化，在控制周期内实现冷冻站系统的在线节能群控。且相比于现有技术，本发明专利技术的方法调控的空调冷冻站系统节能率大大提升，全局优化时耗与控制周期相比也大大缩短。短。短。

【技术实现步骤摘要】
一种基于数据驱动建模和优化的空调冷冻站系统群控方法


[0001]本专利技术涉及空调冷冻站节能群控
，尤其涉及一种基于数据驱动建模和优化的空调冷冻站系统群控方法。

技术介绍

[0002]数据中心是高耗能的行业，电力消耗占营运成本的50％以上。随着云计算等信息化技术的迅猛发展，数据需求呈几何级增长，数据中心的数量与日俱增，用电规模也急剧攀升。国家能源局数据显示(数据出处网址：http://t.10jqka.com.cn/pid_167952316.shtml)，2020年中国数据中心耗电量突破2000亿千瓦时，创历史新高，占全国总用电量的2.7％，预计到2030年数据中心用电量可能在2020年基础上再增一倍。其中，空调制冷系统的能耗占数据中心总能耗的近三分之一，仅次于IT设备的能耗，是影响数据中心能耗的主要因素之一。目前，国外先进数据中心的PUE值通常小于2，美国数据中心PUE的平均值为1.9，而我国数据中心PUE的平均值仅为2
‑
2.5，特别是中小型数据中心的PUE值更高，测量值普遍在3左右。总体说来，我国数据中心的能效水平偏低，能耗显著高于世界平均水平，具有巨大的节能潜力和优化空间。
[0003]数据中心冷冻站系统一般由冷水机组、冷冻水泵、冷却水泵、冷却塔等设备组成，在实际工程中不同设备并不是孤立运行的，而是彼此之间存在着一定的非线性耦合关系。各类子系统的相互作用共同决定了冷冻站系统的总体能耗，同一个变量对不同子系统的能耗影响可能是相反的，必须要从整体上对各类设备的运行情况进行综合考虑。从冷冻站系统的全局优化控制过程来看，首先应解决的问题是各设备的设定值优化问题，即在保障系统运行需求及设备运行安全的前提下，通过对设备运行参数进行合理设定从而达到高效节能的运行目标；其次，在确定设备设定值后，需要对同类设备的状态参数进行优化，将给定设定值在同类设备间进行合理分配，使得在满足设定值需求的前提下同类设备组整体能耗最小。然而，目前数据中心冷站系统大多是基于简单的逻辑控制，很多设备的控制参数均依赖于人工经验进行局部调节，无法保证冷冻站整体处于全局高效运行状态。
[0004]因此本专利技术将数据驱动建模理论与深度学习优化算法相结合，提出了一种基于数据驱动建模和优化的空调冷冻站系统群控方法，面向数据中心进行空调冷冻站全局优化节能群控。在实现室外气象参数和机房动态负荷预测的基础上，通过对不同设备的设定值和同类设备的分配量进行优化，在控制周期内实现冷冻站系统的在线节能群控。

技术实现思路

[0005]本专利技术要解决的技术问题时提供一种能够有效降低数据中心空调系统能耗的设定值优化方法和供给量分配方法。
[0006]本专利技术的技术方案如下：一种基于数据驱动建模和优化的空调冷冻站系统群控方法，在实现室外气象参数和机房动态负荷预测的基础上，优化冷冻站系统中不同设备的设定值和同类设备的分配量，在控制周期内实现冷冻站系统的在线节能群控；具体步骤如下：
[0007]S1、数据中心运行数据预处理
[0008]S1.1、信息采集及汇总
[0009]空调冷冻站的能耗与多类型参数相关，需对参数数据进行采集、汇总保存，采集并汇总保存参数数据，参数包括各设备特性参数、室内外环境参数、冷冻侧与冷却侧进出口温度、冷机的蒸发温度和冷凝温度、冷机负荷率以及各个设备历史运行数据；
[0010]S1.2、删除离群奇异点
[0011]基于局部异常因子的LOF算法，对于所采集的参数数据通过删除离群奇异点进行数据清洗；
[0012]S1.3、建模输入变量的选择
[0013]通过互信息分析对参数进行重要性排序，选取对能耗影响程度大且独立的参数：室外湿球温度T
wb
、系统总制冷量Q
c
、冷冻水进口温度T
chws
、冷冻水进出口温差T
chws
‑
T
chwr
、冷却水进口温度T
ctws
、冷却水供回水温差T
ctws
‑
T
ctwr
作为建模输入变量；
[0014]S1.4、确定预测变量
[0015]基于互信息的计算结果和室内外参数决定了总体供冷情况的基础理论，选取能代表室内外情况的参数作为预测变量，包括室外湿球温度T
wb
和系统总制冷量Q
c
；
[0016]S1.5、确定优化变量
[0017]根据优化目标，需在冷冻侧与冷却侧各选取2个优化变量；冷冻侧与冷却侧各选取供水温度、回水温度中的任意一个作为优化变量，可确定两个优化变量；根据S1.3所得出的与能耗相关程度的六个变量以及S1.4在该六个变量中选出的两个作为预测变量，即可确定剩余2个优化变量；确定优化变量为冷冻水进口温度T
chws
、冷冻水进出口温差T
chws
‑
T
chwr
、冷却水进口温度T
ctws
、冷却水供回水温差T
ctws
‑
T
ctwr
；
[0018]S2：预测变量建模
[0019]确定预测变量后对其进行建模；采用LSTM模型对机房动态负荷以及室外气象参数进行预测；
[0020]S2.1、LSTM模型的确立与流程
[0021]每个LSTM模型记忆单元中有3个控制门，分别是遗忘门Γ
f
<t>，输入门Γ
i
<t>和输出门Γ
o
<t>。
[0022]式(1)
‑
(8)为整个LSTM模型的计算过程；
[0023]Γ
f
<t>＝σ(W
f
[h<t
‑
1>,x<t>]+b
f
)
ꢀꢀꢀ
(1)
[0024]Γ
i
<t>＝σ(W
i
[h<t
‑
1>,x<t>]+b
i
)
ꢀꢀꢀ
(2)
[0025]Γ
o
<t>＝σ(W
o
[h<t
‑
1>,x<t>]+b
o
)
ꢀꢀꢀ
(3)
[0026][0027][0028]h<t>＝Γ
o
<t>
⊙
tanh(c<t>)
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于数据驱动建模和优化的空调冷冻站系统群控方法，其特征在于，在实现室外气象参数和机房动态负荷预测的基础上，优化冷冻站系统中不同设备的设定值和同类设备的分配量，在控制周期内实现冷冻站系统的在线节能群控；具体步骤如下：S1、数据中心运行数据预处理S1.1、信息采集及汇总采集并汇总保存参数数据，参数包括各设备特性参数、室内外环境参数、冷冻侧与冷却侧进出口温度、冷机的蒸发温度和冷凝温度、冷机负荷率以及各个设备历史运行数据；S1.2、删除离群奇异点基于局部异常因子的LOF算法，对于所采集的参数数据通过删除离群奇异点进行数据清洗；S1.3、建模输入变量的选择通过互信息分析对参数进行重要性排序，选取对能耗影响程度大且独立的参数：室外湿球温度T
wb
、系统总制冷量Q
c
、冷冻水进口温度T
chws
、冷冻水进出口温差T
chws
‑
T
chwr
、冷却水进口温度T
ctws
、冷却水供回水温差T
ctws
‑
T
ctwr
作为建模输入变量；S1.4、确定预测变量基于互信息的计算结果和室内外参数决定了总体供冷情况的基础理论，选取能代表室内外情况的参数作为预测变量，包括室外湿球温度T
wb
和系统总制冷量Q
c
；S1.5、确定优化变量根据优化目标，需在冷冻侧与冷却侧各选取2个优化变量；冷冻侧与冷却侧各选取供水温度、回水温度中的任意一个作为优化变量，可确定两个优化变量；根据S1.3所得出的与能耗相关程度的六个变量以及S1.4在该六个变量中选出的两个作为预测变量，即可确定剩余2个优化变量；确定优化变量为冷冻水进口温度T
chws
、冷冻水进出口温差T
chws
‑
T
chwr
、冷却水进口温度T
ctws
、冷却水供回水温差T
ctws
‑
T
ctwr
；S2：预测变量建模确定预测变量后对其进行建模；采用LSTM模型对机房动态负荷以及室外气象参数进行预测；S2.1、LSTM模型的确立与流程式(1)
‑
(8)为整个LSTM模型的计算过程；Γ
f
<t>＝σ(W
f
[h<t
‑
1>,x<t>]+b
f
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)Γ
i
<t>＝σ(W
i
[h<t
‑
1>,x<t>]+b
i
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)Γ
o
<t>＝σ(W
o
[h<t
‑
1>,x<t>]+b
o
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)(3)h<t>＝Γ
o
<t>
⊙
tanh(c<t>
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)y<t>＝g(W
p
h<t>+b
p
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)err<t>＝T<t>
‑
y<t>
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)式中Γ
f
<t>,Γ
i
<t>,Γ
o
<t>分别为t时刻的遗忘门、输入门和输出门的状态；c<t>,
h<t>分别为t时刻的候选细胞单元、细胞状态和隐藏状态；x<t>,y<t>,T<t>,err<t>分别为t时刻的细胞输入、预测输出、目标输出和误差；W
f
,W
i
,W
o
,W
c
,W
p
分别为遗忘门、输入门、输出门、候选细胞单元和预测输出中隐藏状态与细胞输入的权矩阵；b
f
,b
i
,b
o
,b
c
,b
p
分别为遗忘门、输入门、输出门、候选细胞单元和预测输出中隐藏状态与细胞输入的偏置；σ表示sigmoid激发函数；g表示细胞输出的激发函数，选择线性函数；t表示时刻；[]表示向量连接；LSTM模型预测流程：以预测变量自身时序值作为LSTM模型的输入，预测变量T
wb
、Q
c
作为输出；首先对预测变量数据进行归一化处理；然后初始化LSTM模型参数，使用网格搜索的方法对LSTM模型网络时间步、隐含层节点、学习率、批大小参数进行寻优；开始LSTM模型的训练；S2.2、参数步长的选择根据控制周期，系统质参数以温度或温差为代表、量参数以压力或流量为代表的滞后响应时间初步选择预测步长；再根据LSTM模型预测精度与是否满足实际工程需求选择最佳预测步长；S2.3、参数预测以S2.2中选取的最佳预测步长，通过LSTM模型对S1.4中确定的预测变量进行预测；S3、基于数据驱动方法的冷冻站各设备模型的建立S3.1冷水机组能耗模型及设备约束条件其中，P
ch
为冷水机组能耗，KW；Q
p
为总供冷量需求，KW；Q
chi,r
为第i台冷水机组的额定制冷量，KW；PLR
i
为第i台冷水机组的负荷率,PLR
min
为负荷率的下限；T
ci
为第i台冷水机组的冷凝温度,℃；T
ei
为第i台冷水机组的蒸发温度,℃,T
e,max
为冷凝温度上限,T
e,min
为冷凝温度下限；α
chi
描述第i台冷水机组水泵的启停，α
chi
∈{0,1}，冷水机组开为1，关为0；W
chi
为第i台并联冷机能耗，KW；m为并联冷水机组总台数；S3.2冷冻水泵、冷却水泵能耗模型及设备约束条件
其中，P
pmp
为水泵能耗，KW，水泵能耗为冷却水泵能耗P
ctp
或冷冻水泵能耗P
chp
；α
pi
描述冷冻水泵、冷却水泵的启停，α
pi
∈{0,1}，水泵开为1，关为0；W
pi
(ω
i
)为每台冷冻水泵、冷却水泵在ω
i
转速...

【专利技术属性】
技术研发人员：王鹏，赵宇，陈婷婷，
申请(专利权)人：山东建筑大学，
类型：发明
国别省市：