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】
本专利技术属于温度控制,尤其涉及一种基于深度学习模型的精准送风系统控制方法和系统。
技术介绍
1、gis是气体绝缘全封闭组合电器的简称,它将变电站中除了主变压器以外的一次设备有机地组合成一个整体。gis控制柜内的热环境将直接影响到电器元件的工作状态,但是关于gis控制柜内的通风散热问题尚且缺少系统的研究,在梅雨季节、夏季高温阶段、冬季高湿度状态下,gis控制柜内电气元件受到严重威胁。
2、为了满足gis控制柜内环境的需求,目前工作人员一般通过调节空调系统的运行参数等增减制冷量,或者通过加装盲板、封闭冷热通道等改变室内的气流组织。这种方案,通常假设所有机柜的工作状态相同、不同区域温度相同,忽略了不同机柜间功耗的差异对空调系统的影响。虽然该控制方法保证了gis元件热点区域正常的工作环境,但也会使其他区域过度冷却,使空调系统的无效冷量增加。因此,需要准确预测机柜内设备的功耗,根据功耗模拟gis控制柜的热环境,据此精确调节空调系统,分配服务器的工作负载,有效利用冷量。
3、目前,现有通过数值模拟方法解决空调精确控制的研究,主要集中在保证用户需求前提下降低暖通空调系统能量成本:如模型预测控制、基于事件的方法、混合整数线性规划方法、多智能体系统、拉格朗日松弛法和非线性优化方法等。然而,现有方法大多需要知晓明确的建筑热动态性模型。在gis机柜环境中,热动态性模型的构建受到很多因素影响(如机柜结构和材料、gis室的温度和湿度、gis设备元件的热增益等),所以在不确定性环境下建立即准确又易于控制的明确建筑热动态性模型非常有
4、基于学习的gis机柜空调系统控制方法无需知晓明确的机柜热动态性模型,通过智能体和环境交互的方式学得最优控制策略,通常采用非线性函数逼近器估计值函数或者神经网络估计值函数。目前针对变电站gis机柜的基于学习的空调控制系统尚未得到研究,主要研究都是围绕建筑环境的控制,并且都是由国外学者完成的。针对住宅建筑暖通空调系统能量成本最小化问题,一种深度强化学习方法是通过智能体和用户交互来确定最佳温度设置点,然而,该方法仅用简单的微分方程形式模拟热传导过程。南洋理工大学提出了基于深度确定性策略梯度(deep deterministic policy gradients,ddpg)算法的暖通空调系统控制方法,可以在维持热舒适性的同时降低能量成本。
技术实现思路
1、为解决上述技术问题,本专利技术提出了一种基于深度学习模型的精准送风系统控制方法和系统,根据设置在机柜内部的温感探头、湿度感应探头所实时反馈的数据,控制系统能够给出最优解决方案,从而实现送风系统的精确控制。
2、为实现上述目的,本专利技术提供了一种基于深度学习模型的精准送风系统控制方法,包括:
3、获取控制柜的环境参数集和初始参数;
4、构建第一深度学习模型,利用所述环境参数集和初始参数对所述第一深度学习模型进行训练;
5、基于所述第一深度学习模型,获取稳态流场参数;
6、构建第二深度学习模型,利用所述初始参数对所述第二深度学习模型进行训练;
7、基于所述第二深度学习模型并结合稳态流场参数和实测即时环境参数,获取最优运行方案,利用所述最优运行方案对送风系统进行精准控制。
8、可选的,利用所述环境参数集和初始参数对所述第一深度学习模型进行训练包括:
9、基于所述控制柜的环境参数集和初始参数,获取控制柜流场模拟结果集;
10、利用所述控制柜流场模拟结果集,对所述第一深度学习模型进行训练。
11、可选的,获取所述控制柜流场模拟结果集包括:
12、构建控制柜流场数学模型,建立环境参数集,基于所述环境参数集对所述数学模型求解,结合所述初始参数,获取模拟结果集,其中,所述初始参数包括:传感器获得的温湿度、风阀开闭度和送风温度。
13、可选的,基于所述第一深度学习模型,获取稳态流场参数包括:
14、基于所述第一深度学习模型并结合实测计时环境参数,获取模拟稳态流场集;
15、对所述模拟流场集设置权重,获取预设最优方案;
16、基于所述预设最优方案,获取稳态流场参数。
17、可选的,所述模拟稳态流场集包括:温度、湿度和送风效率。
18、可选的,所述精准送风系统控制方法还包括:检测所述控制柜内部故障。
19、可选的,检测所述控制柜内部故障包括:
20、获取即时环境参数;
21、根据所述最优运行方案,获取模拟运行结果;
22、基于所述即时环境参数和模拟运行结果,检测所述控制柜内部故障。
23、本专利技术还提供了一种基于深度学习模型的精准送风系统控制系统,其特征在于,包括:数据收集模块、深度学习模块、控制模块、反馈模块和交互界面;
24、所述数据收集模块用于通过安装于控制柜内的传感器实时收集温度和湿度;
25、所述深度学习模块用于根据所述温度和湿度获取预测调节结果;
26、所述控制模块用于根据所述预测调节结果对所述控制柜进行精准控制;
27、所述反馈模块用于根据实际情况进行反馈调节;
28、所述交互界面用于实时显示控制柜的状态。
29、与现有技术相比,本专利技术具有如下优点和技术效果:
30、本专利技术通过基于机器深度学习建立的控制系统,能够根据控制柜内温度、湿度情况实时反馈信号及时调整风阀开闭度和风机工作功率等送风参数,满足控制柜内温度、湿度和防止结露的要求;本专利技术可对风机送风功率进行优化调节,实现功率最优输出;可机柜内环境温度和湿度进行实时监测,对结露进行预警。
本文档来自技高网...【技术保护点】
1.一种基于深度学习模型的精准送风系统控制方法,其特征在于,包括:
2.根据权利要求1所述的一种基于深度学习模型的精准送风系统控制方法,其特征在于,利用所述环境参数集和初始参数对所述第一深度学习模型进行训练包括:
3.根据权利要求2所述的一种基于深度学习模型的精准送风系统控制方法,其特征在于,获取所述控制柜流场模拟结果集包括:
4.根据权利要求1所述的一种基于深度学习模型的精准送风系统控制方法,其特征在于,基于所述第一深度学习模型,获取稳态流场参数包括:
5.根据权利要求4所述的一种基于深度学习模型的精准送风系统控制方法,其特征在于,所述模拟稳态流场集包括:温度、湿度和送风效率。
6.根据权利要求1所述的一种基于深度学习模型的精准送风系统控制方法,其特征在于,所述精准送风系统控制方法还包括:检测所述控制柜内部故障。
7.根据权利要求6所述的一种基于深度学习模型的精准送风系统控制方法,其特征在于,检测所述控制柜内部故障包括:
8.一种基于深度学习模型的精准送风系统控制系统,其特征在于,包括:数据收集
...【技术特征摘要】
1.一种基于深度学习模型的精准送风系统控制方法,其特征在于,包括:
2.根据权利要求1所述的一种基于深度学习模型的精准送风系统控制方法,其特征在于,利用所述环境参数集和初始参数对所述第一深度学习模型进行训练包括:
3.根据权利要求2所述的一种基于深度学习模型的精准送风系统控制方法,其特征在于,获取所述控制柜流场模拟结果集包括:
4.根据权利要求1所述的一种基于深度学习模型的精准送风系统控制方法,其特征在于,基于所述第一深度学习模型,获取稳态流场参数包括:
5.根据权利要...
【专利技术属性】
技术研发人员:盛学庆,朱卫东,张晓炎,高振宇,胡晨刚,周秋培,徐庆锋,潘胜军,陈佳慧,徐塑,郑利川,季晓梦,金拯,
申请(专利权)人:杭州市电力设计院有限公司,
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。