一种基于数学物理模型的空调冷冻站全局节能优化及调控方法技术

本发明专利技术属于空调冷冻站节能群控技术领域，提出了一种基于数学物理模型的空调冷冻站全局节能优化及调控方法，包括冷冻站运行数据预处理、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。优化后的能耗设定值与优化前相比，能效有了很大提高。同时，与控制周期相比，全局优化时间消耗大大减少，够在控制周期内实现下一个工况的提前优化和设定。个工况的提前优化和设定。个工况的提前优化和设定。

【技术实现步骤摘要】
一种基于数学物理模型的空调冷冻站全局节能优化及调控方法


[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学物理模型的空调冷冻站全局节能优化及调控方法。

技术介绍

[0002]随着中国经济的发展和国家的可持续发展，“节能、减排、降耗”的大型公共建筑越来越受到人们的重视。根据清华大学建筑节能研究中心在2022年上半年发布的《中国建筑节能年度发展研究报告2022》报告中显示，2020年我国公共建筑面积约为140亿m2，公共建筑总能耗为3.46亿tce,占建筑总能耗的33％。
[0003]其中，中央空调系统作为公共建筑中不可或缺的一部分，其能耗约占公共建筑总能耗的40％以上，而作为中央空调系统的核心，冷冻站系统能耗约占空调系统能耗的60％～90％。另有研究发现，冷冻站的综合能效比EER通常只能达到2.5～3.0的平均水平,而部分发达国家的中央空调冷冻站系统EER的平均值就达到了4.0。相比于发达国家，我国中央空调冷冻站系统还有很大的节能潜力。
[0004]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。所以在考虑冷冻站的节能工作时不能仅针对单一设备进行，需要综合考虑。针对于冷冻站的全局优化，以冷冻站整体优化为目标，实现设备间的联合控制是提高冷冻站系统综合性能的关键。从制冷站系统的全局优化控制过程来看，首先要在保证系统运行要求和设备运行安全的前提下，合理设置设备运行参数，以实现节能运行目标。在确定设备设定值后，需要优化同类设备的状态参数，以实现能够最大限度地减少同类设备组整体能耗的目标。但是，目前大型公共建筑冷冻站系统大多基于简单的逻辑控制，很多设备的控制参数依靠人工经验进行部分调整，不能保证整个制冷站整体有效运行。
[0005]因此本专利技术将物理建模理论与遗传算法相结合，提出了一种基于数学物理模型的空调冷冻站全局节能优化及调控方法，面向空调冷冻站全局优化节能群控。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。

技术实现思路

[0006]本专利技术要解决的技术问题是提供一种基于数学物理模型的空调冷冻站全局节能优化及调控方法，具体涉及空调冷冻站各类设备的控制系统与优化方法，能够有效降低大型公共建筑空调系统能耗的设定值优化方法和供给量分配方法。
[0007]本专利技术的技术方案如下：
[0008]一种基于数学物理模型的空调冷冻站全局节能优化及调控方法，在实现室外气象参数和室内动态负荷预测的基础上，通过对冷冻站系统内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；具体步骤如下；
[0009]S1、冷冻站运行数据预处理
[0010]S1.1、信息采集及汇总
[0011]对参数数据进行采集、汇总、保存；空调冷冻站的能耗与多类型参数相关，参数数据包括各设备特性参数、室内外环境参数、冷冻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；各设备特性参数如扬程、功率、制冷量、启停状态等，室内外环境参数等。
[0012]S1.2、删除离群奇异点
[0013]在对所需信息进行采集汇总后，需对于所得到的数据需通过删除离群奇异点来对数据进行清洗，为提供后续的建模精度做准备。这里采用孤立森林算法对其处理。
[0014]孤立森林算法是一种适用于连续数据的无监督异常检测方法，其基本思想是计算对象与对象之间的差异，通过检测两点距离或某一区域点的密度，计算异常点得分，分值越高，则代表对象越有可能是异常点。
[0015]孤立森林算法异常检测步骤归结为两步：
[0016]1.训练：从训练集中进行采样，并构建iTree树；
[0017]2.测试：对iForest森林中的每颗iTree树进行测试，记录path length(路径长度h(x))，然后根据异常分数计算公式，计算每条测试数据的anomalyscore(异常分数s)。
[0018]基于孤立森林算法，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；
[0019]式(1)
‑
(3)为孤立森林算法的计算过程；
[0020][0021][0022]H(i)＝ln(i)+0.5772156649
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0023]其中，E(h(x))为样本x在t棵iTree的路径长度的均值，h(x)为路径长度；c(Ψ)为用Ψ个样本构建一个BST二叉搜索树的平均路径长度；Ψ为样本数量；H(i)用来计算H(Ψ
‑
1)，i表示变量；s为异常分数，s值域为(0,1)；n为节点数量；
[0024]S1.3、建模输入变量的选择
[0025]通过ReliefF分析对经步骤S1.2处理后的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作为建模输入变量，包括室外湿球温度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
、冷却水出口温度T
ctws
、冷却水供回水温差T
ctws
‑
T
ctwr
；
[0026]ReliefF分析算法是一种特征权重算法，根据各个特征和类别的相关性赋予特征不同的权重，权重小于某个阈值的特征将被移除。ReliefF分析算法实施的具体步骤如下：
[0027]Step1:给定样本集R和特征集F。
[0028]Step2:(1)随机选取一个样本R
i
，取样本R
i
同类的k个近邻样本记为H
i
，样本R
i
不同类样本中的k个近邻样本记为M
j
(C)，重复执行规定迭代次数；
[0029](2)根据权值式(4)更新每一个特征的权重。
[0030]Step3:将step2的过程重复N次输出特征权重W，将特征权重从高到低进行排序，提取前d个特征进行分类。
[0031]式(4)、(5)为ReliefF分析的计算过程；
[0032][0033][0034]其中，W(A)为权重值，diff(A,R1,R2)表示样本R1和样本R2在特征A上的差，R1|A|为样本R1在特征A处的值，R2|A|为样本R2在特征A处的值；M
j
(C)表示类别C中的第j个最近邻样本；m表示样本抽样次数；p(C)表示的是类别C出现的概率；R
i
为随机抽取的一个样本，取样本R
i
同类的k个近邻样本记为H
i
，H
j
同理；k为最近邻样本个数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于数学物理模型的空调冷冻站全局节能优化及调控方法，其特征在于，基于数学物理模型的空调冷冻站全局节能优化及调控方法，在实现室外气象参数和室内动态负荷预测的基础上，通过对冷冻站系统内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；具体步骤如下；S1、冷冻站运行数据预处理S1.1、信息采集及汇总对参数数据进行采集、汇总、保存；参数数据包括各设备特性参数、室内外环境参数、冷冻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孤立森林算法，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；式(1)
‑
(3)为孤立森林算法的计算过程；(3)为孤立森林算法的计算过程；H(i)＝ln(i)+0.5772156649
ꢀꢀꢀꢀ
(3)其中，E(h(x))为样本x在t棵iTree的路径长度的均值，h(x)为路径长度；c(Ψ)为用Ψ个样本构建一个BST二叉搜索树的平均路径长度；Ψ为样本数量；H(i)用来计算H(Ψ
‑
1)，i表示变量；s为异常分数，s值域为(0,1)；n为节点数量；S1.3、建模输入变量的选择通过ReliefF分析对经步骤S1.2处理后的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作为建模输入变量，包括室外湿球温度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
、冷却水出口温度T
ctws
、冷却水供回水温差T
ctws
‑
T
ctwr
；式(4)、(5)为ReliefF分析的计算过程；
其中，W(A)为权重值，diff(A,R1,R2)表示样本R1和样本R2在特征A上的差，R1|A|为样本R1在特征A处的值，R2|A|为样本R2在特征A处的值；M
j
(C)表示类别C中的第j个最近邻样本；m表示样本抽样次数；p(C)表示的是类别C出现的概率；R
i
为随机抽取的一个样本，取样本R
i
同类的k个近邻样本记为H
i
，H
j
同理；k为最近邻样本个数；max(A)，min(A)分别为特征A的上下限；class(R)为样本R的所属类别；S1.4、确定预测变量基于ReliefF分析的计算结果和基础理论，选取能代表室内外情况的参数作为预测变量T
wb
、Q
c
；S1.5、确定优化变量根据优化目标，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，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，确定剩余2个变量作为优化变量；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T
wb
、Q
c
后对其进行建模；采用GRU模型对机房负荷以及室外气象参数进行预测；S2.1、GRU模型预测计算与流程式(6)
‑
(10)为整个GRU模型的计算过程；r
t
＝σ(W
r
·
[h
t
‑1,x
t
])
ꢀꢀꢀꢀ
(6)z
t
＝σ(W
z
·
[h
t
‑1,x
t
])
ꢀꢀꢀꢀ
(7)h
t
＝(I
‑
z
t
)
×
h
t
‑1+z
t
×
h
t
ꢀꢀꢀꢀ
(9)y
t
＝σ(W
o
·
h
t
)
ꢀꢀꢀꢀ
(10)其中，x
t
,h
t
‑1,h
t
,r
t
,z
t
,y
t
分别为输入向量、上一时刻的记忆状态、当前时刻的状态记忆变量、更新门的状态、重置门的状态、当前候选集的状态、当前时刻的输出向量；W
r
，W
z
，W
h
，W
o
分别为更新门、重置门、候选集、输出向量与x
t
、h
t
‑1构成的连接矩阵相乘的权重参数；I表示单位矩阵；[]表示向量连接；
·
表示矩阵点乘；
×
表示矩阵乘积；σ表示sigmoid激活函数，用于将数值缩放到[0,1]之间；tanh为激活函数，用于将数值缩放到[
‑
1,1]之间；GRU模型预测流程：以预测变量自身时序值作为GRU模型的输入，预测变量T

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