一种发电型计算中心散热节电系统的智能调度方法技术方案

本发明专利技术公开了一种发电型计算中心散热节电系统的智能调度方法，属于节能环保技术领域，包括下列步骤：S1、构建数据集；S2、构建深度人工神经网络模型；将x和y拼接，按定时采集的时刻，从远及近进行排序，组成矩阵X；将y中的y

【技术实现步骤摘要】
一种发电型计算中心散热节电系统的智能调度方法


[0001]本专利技术属于节能环保
，具体涉及一种发电型计算中心散热节电系统的智能调度方法。

技术介绍

[0002]如中国专利202310504955X所示，发电型计算中心散热节电系统主要包括高压储罐、低压储罐，压缩机，透平和蓄热蓄冷单元；蓄热蓄冷单元主要包括再冷器、再热器、蓄热罐和蓄冷罐。其工作原理可分为储能阶段和释能阶段两个过程。储能时，低压储罐中的低压液态工质经过蓄冷换热器吸热气化，再经过(多级)压缩机压缩至超临界状态，同时通过再冷器吸收压缩热并通过蓄热介质将热量储存在蓄热罐中，最后将超临界状态工质储存在高压储罐中，即将电能以热能和势能形式储存；释能时，高压储罐中的超临界工质经过再热器升温，再进入透平中推动透平发电，同时再将再热器出口的低温蓄热介质冷量储存在蓄冷罐中，末级透平出口的工质再经过冷却器和蓄冷换热器冷却至液化状态，最后储存在低压储罐，即将热能和势能转化为电能输出。通常的储能系统设计的主要目的，在用电谷时段(低电价时段，通常是晚上)，将电能储为热能和势能，增加弃电消纳。在用电峰时段(高电价时段，通常是白天)，将热能和势能释放，推动发电机发电，输出电能。无论储能还是释能，都将为计算中心各设备进行换热散热；
[0003]目前，计算中心散热节电系统的一项关键问题是：发电型散热节电系统内部的传感器、阀门、开关较多，参数设定复杂，且需要根据计算中心各设备散热状况、节电系统运行状况、有发电装置的还需要根据市电状况、弃电消纳状况、发电状况实时调整调度各个控制部件的参数。

技术实现思路

[0004]本专利技术的目的在于满足实际需求，提供一种发电型计算中心散热节电系统的智能调度方法，根据状况自动计算得到各控制部件的参数，并据以自动调节各个阀门、开关和其他控制器，从而节约可观的计算中心供电耗费。
[0005]为实现上述技术目的，本专利技术的目的是提供一种发电型计算中心散热节电系统的智能调度方法，包括：
[0006]S1、构建数据集；包括：
[0007]S101、定时采集发电型计算中心散热节电系统各部件的工况参数，并根据预设顺序进行排序，组成一个应采集参数数值向量数组x1；
[0008]S102、按照所述预设顺序，设定人工输入向量数组x2；
[0009]S103、将连接一号换热器的部件用0表示，将连接二号换热器的部件用1表示，将各设备按照所述预设顺序排列，组成一个由0和1构成的散热状态数值向量数组x3；
[0010]S104、读取各阀门的开度、压缩机的功率、增压泵的功率、弃电消纳输入功率、弃电输入功率、透平膨胀单元发电功率、并网输出功率和同一计算中心输出功率；将读取的数据
按照所述预设顺序排列，组成一个控制数值向量数组y；
[0011]S105、将应采集参数数值向量数组x1、人工输入向量数组x2和散热状态数值向量数组x3组合得到x，x初始值设为x
t0
，第一个定时时刻x的值设为x
t1
，第二个定时时刻x的值设为x
t2
，以此类推，第n时刻x的值设为x
tn
；y初始值设为y
t0
，第一个定时时刻y的值设为y
t1
，第二个定时时刻y的值设为y
t2
，以此类推，第n时刻y的值设为y
tn
；由此可采得x，y的n个固定时长的多变量时间序列；按时间先后排序，即可得数据集；
[0012]S2、构建深度人工神经网络模型；
[0013]将x和y拼接，按定时采集的时刻，从远及近进行排序，组成矩阵X；将y中的y
t0
滤除得到Y；按t0至tn顺序依次输入神经网络，即可得到t1至t
n
时刻的预测至至至组成
[0014]S3、训练深度人工神经网络模型；
[0015]对Y和进行标准化：
[0016]计算加权的交叉熵损失和RMSE损失L；
[0017]将S1中的数据集逐条输入深度人工神经网络进行训练；直到L小于自定义阈值ε时或超过自定义迭代次数τ时终止；
[0018]S4、深度人工神经网络模型推理。
[0019]优选地：所述工况参数包括散热器的温度、低压低温工质储罐的温度、释能管道的工质流速。
[0020]优选地：所述人工输入向量数组x2包括弃电消纳电价、市电电价、发电电价和控制决策选项。
[0021]优选地：S4具体为：
[0022]对于未来某一时刻新采得的数据x
t
、y
t
，按S1的方法组成数据集，逐条输入至深度人工神经网络模型，即得到下一时刻的预测y
t+1
；
[0023]对下列公式，还原成各控制部件的参数y
t+1
，进而用这些参数来设定各部件；
[0024][0025]优选地：所述深度人工神经网络模型包括位置编码模块、M个编码器、M个解码器和单层感知机。
[0026]优选地：M＝5。
[0027]优选地：在S3中，对Y和进行标准化的公式为：
[0028][0029]其中，y
0 ti
为标准化后Y中的第i个向量，为标准化后中的第i个向量，为Y中各向量的平均值；σ(y)为Y中各向量的均方差。
[0030]优选地：在S3中，计算加权的交叉熵损失和RMSE损失L的公式为；
[0031][0032]其中α、β为自定义权值。
[0033]与现有技术相比，本申请具有的优点和积极效果是：
[0034]上述技术方案能够根据状况自动计算得到各控制部件的参数，并据以利用深度人工神经网络模型自动调节各个阀门、开关和其他控制器，从而节约可观的计算中心供电耗费。
附图说明
[0035]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0036]图1为传统技术中发电型计算中心散热节电系统的结构示意图；
[0037]图2为本专利技术优选实施例的流程示意图；
[0038]图3为本专利技术优选实施例中的数据集构建流程示意图；
[0039]图4为本专利技术优选实施例中深度人工神经网络模型的结构图；
[0040]图5为本专利技术优选实施例中位置编码处理流程图；
[0041]图6为本专利技术优选实施例中编码器流程图；
[0042]图7为本专利技术优选实施例中解码器流程图。
具体实施方式
[0043]下面将结合本专利技术实施例中附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本专利技术实施例的组件可以以各种不同的配置本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种发电型计算中心散热节电系统的智能调度方法，其特征在于，包括：S1、构建数据集；包括：S101、定时采集发电型计算中心散热节电系统各部件的工况参数，并根据预设顺序进行排序，组成一个应采集参数数值向量数组x1；S102、按照所述预设顺序，设定人工输入向量数组x2；S103、将连接一号换热器的部件用0表示，将连接二号换热器的部件用1表示，将各设备按照所述预设顺序排列，组成一个由0和1构成的散热状态数值向量数组x3；S104、读取各阀门的开度、压缩机的功率、增压泵的功率、弃电消纳输入功率、弃电输入功率、透平膨胀单元发电功率、并网输出功率和同一计算中心输出功率；将读取的数据按照所述预设顺序排列，组成一个控制数值向量数组y；S105、将应采集参数数值向量数组x1、人工输入向量数组x2和散热状态数值向量数组x3组合得到x，x初始值设为x
t0
，第一个定时时刻x的值设为x
t1
，第二个定时时刻x的值设为x
t2
，以此类推，第n时刻x的值设为x
tn
；y初始值设为y
t0
，第一个定时时刻y的值设为y
t1
，第二个定时时刻y的值设为y
t2
，以此类推，第n时刻y的值设为y
tn
；由此可采得x，y的n个固定时长的多变量时间序列；按时间先后排序，即可得数据集；S2、构建深度人工神经网络模型；将x和y拼接，按定时采集的时刻，从远及近进行排序，组成矩阵X；将y中的y
t0
滤除得到Y；按t0至tn顺序依次输入神经网络，即可得到t1至t
n
时刻的预测至至至组成S3、训练深度人工神经网络模型；对Y和进行标准化：计...

【专利技术属性】
技术研发人员：卜冠英，
申请(专利权)人：北京信工博特智能科技有限公司，
类型：发明
国别省市：