优化空调水系统可调参数的方法技术方案

本公开提供了优化空调水系统可调参数的方法

【技术实现步骤摘要】
优化空调水系统可调参数的方法、设备、介质和程序产品


[0001]本公开一般涉及空调系统的节能，更具体涉及用于优化空调水系统的可调参数以节省能耗的方法
、
设备
、
介质和程序产品
。

技术介绍

[0002]随着大数据技术的发展，用于存储和管理海量数据的数据中心的数量日趋庞大
。
数据中心依赖空调系统进行温度调节
。
数据中心每年用于制冷的能耗开销巨大，而其中空调水系统的能耗大约占到整个空调系统能耗的一半以上
。
空调水系统参数优化对建筑节能具有重要的意义
。

技术实现思路

[0003]本专利技术的目的在于提出一种优化空调水系统的可调参数的方法
、
设备
、
装置和介质，以降低空调水系统的能耗，实现节能
。
[0004]根据本公开的第一方面，提供了一种用于优化空调水系统的可调参数的方法
。
该方法包括建立空调水系统的能耗模型，能耗模型指示空调水系统的一组可调参数与能耗之间的关系
。
该方法还包括生成初始种群，具体而言包括：随机初始化生成具有第一数量的个体的第一种群，其中每个个体由一组可调参数的相应值编码得到；基于能耗模型计算第一种群中每个个体对应的能耗；以及从第一种群中选取能耗最小的第二数量的个体形成初始种群
。
该方法还包括对初始种群进行遗传算子操作，以获得使能耗最小化的优选个体
。
该方法还包括对优选个体进行解码以得到一组可调参数的优选值
。
[0005]根据本公开的第二方面，提供了一种用于优化空调水系统的可调参数的电子设备
。
该电子设备包括处理器和存储器
。
存储器耦接到处理器并存储计算机程序指令
。
计算机程序指令在被处理器执行时使得处理器执行如下操作：建立空调水系统的能耗模型，能耗模型指示空调水系统的一组可调参数与能耗之间的关系；生成初始种群，包括：随机初始化生成具有第一数量的个体的第一种群，其中每个个体由一组可调参数的相应值编码得到；基于能耗模型计算第一种群中每个个体对应的能耗；以及从第一种群中选取能耗最小的第二数量的个体形成初始种群
。
计算机程序指令在被处理器执行时还使得处理器执行如下操作：对初始种群进行遗传算子操作，以获得使能耗最小化的优选个体；以及对优选个体进行解码以得到一组可调参数的优选值
。
[0006]根据本公开的第三方面，提供了一种计算机可读存储介质，存储有计算机程序指令，所述计算机程序指令在由一个或多个处理器执行时，使得一个或多个处理器执行前述任一方法
。
[0007]根据本公开的第四方面，提供了一种计算机程序产品，包括计算机可执行指令，计算机可执行指令在由一个或多个处理器执行时，使得该一个或多个处理器执行前述任一方法
。
[0008]根据本公开的实施例的优点在于，优化了遗传算法中种群初始化的方式，通过扩
大随机初始化的种群个体数量
、
基于建立的能耗模型计算随机初始化个体的能耗并选择能耗较小的个体作为初始种群，可以加快遗传算法搜索出优选个体的速度，避免初代种群均差的情形
。
[0009]应当认识到，上述优点不需全部集中在一个或一些特定实施例中实现，而是可以部分分散在根据本公开的不同实施例中
。
根据本公开的实施例可以具有上述优点中的一个或一些，也可以替代地或者附加地具有其它的优点
。
[0010]通过以下参照附图对本专利技术的示例性实施例的详细描述，本专利技术的其它特征及其优点将会变得更为清楚
。
附图说明
[0011]构成说明书的一部分的附图描述了本公开的实施例，并且连同说明书一起用于解释本公开的原理
。
[0012]参照附图，根据下面的详细描述，可以更加清楚地理解本公开，其中：
[0013]图1示出了根据本公开的实施例的用于优化空调水系统的可调参数的方法的流程图
。
[0014]图2示出了根据本公开的实施例的用于建立空调水系统能耗模型的示例性过程的示意图
。
[0015]图3示出了根据本公开的实施例用于对初始种群进行遗传算子操作的过程的流程图
。
[0016]图4示出了可以用于实现根据本公开实施例的示例性电子设备
。
[0017]为了便于理解，在附图等中所示的各结构的位置
、
尺寸及范围等有时不表示实际的位置
、
尺寸及范围等
。
因此，本公开并不限于附图等所公开的位置
、
尺寸及范围等
。
具体实施方式
[0018]下面将参照附图来详细描述本公开的各种示例性实施例
。
应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置
、
数字表达式和数值不限制本公开的范围
。
[0019]以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本公开及其应用或使用的任何限制
。
也就是说，本文中的结构及方法是以示例性的方式示出以说明本公开中的结构和方法的不同实施例
。
然而，本领域技术人员将会理解，它们仅仅说明可以用来实施的本公开的示例性方式，而不是穷尽的方式
。
此外，附图不必按比例绘制，一些特征可能被放大以示出具体组件的细节
。
[0020]对于相关领域普通技术人员已知的技术
、
方法和设备可能不作详细讨论，但在适当情况下，所述技术
、
方法和设备应当被视为说明书的一部分
。
[0021]传统的空调水系统节能措施，诸如优化气流组织
、
给机柜加装盲板等，都需要专业人员多次不断调整，人力成本高
、
灵活性差
、
精度低
。
通过人工智能的方式可以实现空调水系统能耗优化的自动调节
。
但相关技术往往只改变单一变量判断和优化，实现局部系统性能最佳，而不能从整体上明显改善系统的运行稳定性和节能性
。
[0022]基于遗传算法的空调水系统参数优化方案可以实现基于多变量的判断和优化，从
而能够在更大范围内改善系统整体的节能性
。
遗传算法方案的一般流程是：建立空调能耗预测模型作为适应度函数，随机方式初始化种群，然后基于轮盘赌方法选择要进行交叉和变异的个体
。
这些遗传算法方案存在一些缺陷
。
例如，在初始种群生成方面，随机生成初始种群容易出现初代种群均差的情况，不仅降低遗传算法搜索优化个体的速度，而且还容易陷入局部最优，最终难以得到较好的节能性
。
[0023]为解决随机初始化初代本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种用于优化空调水系统的可调参数的方法，其特征在于，所述方法包括：建立所述空调水系统的能耗模型，所述能耗模型指示空调水系统的一组可调参数与能耗之间的关系；生成初始种群，包括：随机初始化生成具有第一数量的个体的第一种群，其中每个个体由所述一组可调参数的相应值编码得到；基于所述能耗模型计算第一种群中每个个体对应的能耗；以及从第一种群中选取能耗最小的第二数量的个体形成初始种群；对初始种群进行遗传算子操作，以获得使所述能耗最小化的优选个体；以及对优选个体进行解码以得到所述一组可调参数的优选值
。2.
根据权利要求1所述的方法，其中，所述建立所述空调水系统的能耗模型包括：针对所述空调水系统的一个或多个子设备中的每一个子设备，分别确定相应子设备可调参数；利用多元多项式拟合，分别基于相应子设备可调参数为每一个子设备建立相应的子设备能耗模型，以得到一个或多个子设备能耗模型；以及将所述一个或多个多个子设备能耗模型相加，得到所述空调水系统的能耗模型
。3.
根据权利要求1或2所述的方法，其中，所述一组可调参数包括以下中的一个或多个：冷冻水出水温度；冷冻水回水温度；冷却水出水温度；冷却水回水温度；冷却水运行频率；冷冻水运行频率；以及冷却塔风机开启转速百分比
。4.
根据权利要求1所述的方法，其中，所述对初始种群进行遗传算子操作以获得使所述能耗最小化的优选个体包括：对初始种群迭代执行以下遗传操作，直至满足预定条件为止：基于所述能耗模型对初始种群的每个个体计算适应度；基于初始种群的每个个体的适应度对初始种群进行选择操作，以获得父代个体；对父代个体进行交叉操作和变异操作，以获得子代个体；以及以子代个体对初始种群进行更新；基于所述能耗模型计算更新后的初始种群中每个个体对应的能耗；以及从更新后的初始种群中选取能耗最小的个体，作为所述选优个体
。5.
根据权利要求4所述的方法，其中，所述基于初始种群的每个个体的适应度对初始种群进行选择操作以获得父代个体，包括：将所述初始种群中适应度最大的第一百分比的个体加入父代个体；以及通过轮盘赌方法从所述初始种群中选择第二百分比的个体加入父代个体，以及其中，所述以子代个体对初始种群进行更新，包括：在初始种群中保留适应度最大的第三百分比的个体，
其中，所述第一百分比
、
所述第二百分比与所述第三百分比之和为
1。6.
根据权利要求4所述的方法，其中，所述预定条件为迭代次数达到最大迭代次数
。7.
根据权利要求4所述的方法，其中，所述基于所述能耗模型对初始种群的每个个体计算适应度，包括：基于所述能耗模型对每个个体计算能耗；确定初始种群中所有个体中的最大能耗；以及将所述最大能耗减去每个个体的能耗，再加上第一数值，作为每个个体的适应度，其中所述第一数值随着迭代次数增大而减小
。8.
一种用于优化空调水系统的可调参数的电子设备，其特征在于，所述电子设备包括：处理器；和存储器，耦接到处理器并存储计算机程序指令，所述计算机程序指令在被处理器执行时使得处理器执行如下操作：建立所述空调水系统的能耗模型，所述能耗模型指示空调水系统的一组可调参数与能耗之间的关系；生成初始种群，包括：随机初始化生成具有第一数量的个体的第一种群，其中每个个体由所述一组可调参数的相应值编码得到；...

【专利技术属性】
技术研发人员：赵超越，贾丹，孟维业，曾宇，
申请(专利权)人：中国电信股份有限公司，
类型：发明
国别省市：