System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于制冷站控制,尤其涉及一种基于强化学习的制冷站边缘控制方法。
技术介绍
1、制冷系统广泛的应用于各类建筑之中,在提高人们生活水平的同时,也造成了大量的能源消耗,制冷系统全年能耗占比可达建筑总能耗的40%以上。因此,在满足室内热舒适性的前提下,提升制冷系统整体运行能效显得尤为重要。
2、传统的制冷系统控制方法通常基于预先定义的规则和静态控制策略,这些策略往往不能适应动态变化的环境和需求,这可能导致制冷系统的能效较低,能耗较高。
技术实现思路
1、本专利技术的目的是提供一种基于强化学习的制冷站边缘控制方法,以降低制冷站的能耗,从而提升能效。
2、本专利技术采用以下技术方案:一种基于强化学习的制冷站边缘控制方法,包括以下步骤:
3、生成制冷站的冷负荷预测量;
4、以制冷站中各个设备的工作参数为状态量、冷负荷预测量为约束条件、最小化制冷站运行成本为效用函数,采用强化学习方法生成制冷站中各个设备的最优工作参数;其中,工作参数包括冷水机组的制冷功率、冷冻泵的转速比、冷却泵的转速比、冷却塔风机的转速比和蓄冷装置的状态参数;
5、将最优工作参数发送至边缘侧控制系统。
6、优选的,强化学习方法中选择动作包括:
7、当生成的随机数小于探索概率阈值时,随机选择动作;
8、当生成的随机数大于等于探索概率值时,基于决策函数选择动作。
9、优选的,采用贝尔曼方程更新决策函数。
1
11、
12、其中,表示制冷站在时间区间ti的电功率,plz表示冷水机组总电功率,ppumpf表示冷却泵的电功率,ppumpm表示冷冻泵的电功率,ptower表示冷却塔的电功率,pc表示蓄冷装置的电功率,η表示时间区间ti的时长,表示在时间区间ti的电价。
13、优选的,生成制冷站的冷负荷预测量包括:
14、以室外温度、湿球温度、天气状态和历史冷负荷为输入信息,采用bp神经网络模型预测制冷站的冷负荷。
15、优选的,冷水机组的电功率计算方法为:
16、根据制冷功率计算冷水机组的负载率;
17、根据负载率计算冷水机组的能效比;
18、结合能效比和能效比,计算冷水机组的电功率。
19、优选的,冷却泵的电功率计算方法为:
20、
21、其中,γf为冷却泵中流体的容重,vpumpf为冷却泵流量,hf为冷却系统压头,ηpumpf为冷却泵的效率,ηpumpf,d为冷却泵传动效率,ηpumpf,g为冷却泵电动机效率,ηpumpf,f为冷却泵变频器效率。
22、优选的,冷冻泵的电功率计算方法为:
23、
24、其中,γm为冷冻泵中流体的容重,vpumpm为冷冻泵流量,hm为冷冻系统压头,ηpumpm为冷冻泵的效率,ηpumpm,d为冷冻泵传动效率,ηpumpm,g为冷冻泵电动机效率,ηpumpm,f为冷冻泵变频器效率。
25、优选的,冷却塔的电功率计算方法为:
26、ptower=u2·ktower,
27、其中,u2为拟合参数,ktower为冷却塔风机的转速比。
28、本专利技术的另一种技术方案:一种基于强化学习的制冷站边缘控制方法装置,包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述的方法。
29、本专利技术的有益效果是:本专利技术首先生成冷负荷预测量,再以该冷负荷预测量为约束生成制冷站内各个设备的工作参数,将工作参数作为强化学习中的状态,并以制冷站工作成本为效能函数进行计算,最终得到满足冷负荷预测量且成本最小的制冷站中各个设备的工作参数,可以有效降低制冷站工作成本,提升工作效率。
本文档来自技高网...【技术保护点】
1.一种基于强化学习的制冷站边缘控制方法,其特征在于,包括以下步骤:
2.如权利要求1所述的一种基于强化学习的制冷站边缘控制方法,其特征在于,所述强化学习方法中选择动作包括:
3.如权利要求2所述的一种基于强化学习的制冷站边缘控制方法,其特征在于,采用贝尔曼方程更新所述决策函数。
4.如权利要求2或3所述的一种基于强化学习的制冷站边缘控制方法,其特征在于,所述效用函数为:
5.如权利要求4所述的一种基于强化学习的制冷站边缘控制方法,其特征在于,生成制冷站的冷负荷预测量包括:
6.如权利要求5所述的一种基于强化学习的制冷站边缘控制方法,其特征在于,所述冷水机组的电功率计算方法为:
7.如权利要求6所述的一种基于强化学习的制冷站边缘控制方法,其特征在于,所述冷却泵的电功率计算方法为:
8.如权利要求7所述的一种基于强化学习的制冷站边缘控制方法,其特征在于,所述冷冻泵的电功率计算方法为:
9.如权利要求8所述的一种基于强化学习的制冷站边缘控制方法,其特征在于,所述冷却塔的电功率计算方法为:<
...【技术特征摘要】
1.一种基于强化学习的制冷站边缘控制方法,其特征在于,包括以下步骤:
2.如权利要求1所述的一种基于强化学习的制冷站边缘控制方法,其特征在于,所述强化学习方法中选择动作包括:
3.如权利要求2所述的一种基于强化学习的制冷站边缘控制方法,其特征在于,采用贝尔曼方程更新所述决策函数。
4.如权利要求2或3所述的一种基于强化学习的制冷站边缘控制方法,其特征在于,所述效用函数为:
5.如权利要求4所述的一种基于强化学习的制冷站边缘控制方法,其特征在于,生成制冷站的冷负荷预测量包括:
6.如权利要求5所述的一种基于强化学习的制冷站边缘控制方法,其特...
【专利技术属性】
技术研发人员:乔匡华,刑敬创,顾思源,任敬佩,景晨英,闫奕飞,王安倩,马钰,张着,
申请(专利权)人:西安思安云创科技有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。