基于能耗目标和电流百分比的冷却侧设备台数控制方法与流程

本发明涉及空调系统冷却测控制，具体涉及到基于能耗目标和电流百分比的冷却侧设备台数控制方法。

背景技术：

1、建筑空调系统冷却侧由冷却塔、冷却水泵以及水水冷机组组三个部分组成，在定频系统中，系统可调节量包括水冷机组、冷却塔、冷却水泵开启台数。冷却侧的控制逻辑在于在不同的状态参数(包括室外空气状态、水冷机组所承担的负荷以及水冷机组的冷冻水出水温度)下，通过调整开启的设备台数使得整个系统可满足负荷要求，从而保证室内的舒适度。

2、目前，主要的台数控制方法是基于经验的控制方法和基于模型的优化控制。经验控制方法依靠人工根据当前的室外温度参数以及房间使用情况确定开启的台数，这种方法准确性低，为了达到满足室内负荷的目的，往往会造成开启的台数超出所需，从而导致能源浪费。基于模型的控制方法需要对系统进行精确建模，通过模拟寻找满足负荷的情况下能耗最低的开启方案。基于模型的方法对模型准确度和硬件计算能力的要求较高。另外，随着设备的使用，其性能特点也会发生改变，从而导致基于模型的控制方法出现偏差。

3、现有申请号为202210654399.x的中国发明公开了一种冷却塔台数自动控制方法，该发明的工作方式为通过t湿球、t环设1之间的大小比较判断是否为冬季或者过渡季节，从而判断冷却塔台数使用条件，从而控制制冷系统中处于工作状态下的冷却塔的数量，以达到降低能耗的效果，该种方法通过温湿度传感器及板换热器出水温度传感器监测温度的变化，随着传感器的使用，其性能特点也会发生改变，比如温度测量上出现误差，随着误差的逐渐累积，便会对最终台数的确定带来影响。又如申请号为202110019567.3的中国发明公开了一种冷却塔控制方法、装置和冷却系统，根据冷却塔中的单台风机频率，总风机频率控制冷却塔中运行的冷却模块数量和/或运行风机台数，以使冷却塔的下塔水温在预设范围内变化，同理，该种方法也是通过监测系统中设备的参数，从而控制台数以及温度，在系统设备老化的情况下，同样也会累积误差。

4、上述这两种方法均是通过监测冷却侧系统工作期间中的过程参数，根据历史运行数据的对比，再间接利用这些过程参数与能耗之间的关系，从而判断冷却台数是否需要调整，最终，达到降低能耗的效果，对于系统设备老化或者系统形式发生改变的情况下，基于模型的控制方法便会出现偏差，最终导致台数和能耗控制的结果不佳，因此，存在待改进之处，本发明提供一种适用性更广，灵活性更好的基于能耗目标和电流百分比的冷却侧设备台数控制方法。

技术实现思路

1、针对现有技术所存在的不足，本发明目的在于提出一种基于能耗目标和电流百分比的冷却侧设备台数控制方法，具体方案如下：

2、一种基于能耗目标和电流百分比的冷却侧设备台数控制方法，所述台数控制方法以系统能耗作为优化目标，使用与目标能耗的相对误差作为奖赏值，使用室外湿球温度、系统负荷的组合作为状态，将冷却水泵以及冷却塔开启台数作为动作，采用q-learning算法计算冷却侧系统能耗最低时冷却塔与冷却水泵的开启台数，同时给出台数指令；

3、所述台数控制方法对应有优化控制系统，所述优化控制系统包括如下模块：

4、奖赏值计算模块，通过采集各冷却侧设备的运行能耗，结合冷机电流百分比计算得到总的冷却侧系统能耗，用于与目标能耗进行比较，计算得到以冷却侧系统能耗和目标能耗的相对误差为奖赏的奖赏值；

5、优化模块，采用所述q-learning算法，室外湿球温度、系统负荷的组合作为状态，将冷却水泵以及冷却塔开启台数作为动作，以奖赏值为准，输出特定状态下的冷却塔与冷却水泵的最优开启台数；

6、指令模块，根据优化模块给到的最优开启台数，将当前冷却水泵、冷却塔的台数调整至最优开启台数一致。

7、进一步的，冷却侧系统能耗的计算公式为：

8、psys＝pchiller+pcooling pump+pcooling tower

9、其中，psys为冷却侧系统能耗，pchiller为冷水机组的能耗，pcooling pump为冷却水泵的能耗，pcooling tower为冷却塔风机的能耗；

10、奖赏值的计算公式为：

11、r＝(ptarget-psys)/ptarget

12、其中，r为奖赏值，ptarget为系统能耗目标。

13、进一步的，冷水机组的能耗的计算公式为：

14、pchiller＝ε·pchiller max

15、其中，pchiller为冷水机组的能耗，pchiller max为冷水机组的额定能耗，ε为冷水机组的电流百分比实时数据。

16、进一步的，所述台数控制方法的工作步骤如下：

17、s1:读取当前冷却侧系统的状态参数，包括系统负荷、室外湿球温度；

18、s2:判断系统负荷是否高于设置的冷却侧系统开启后的最低阈值，若系统负荷低于最低阈值，则执行关闭所有设备的工作，若高于最低阈值，则判断两个状态参数是否分别处于设定区间内，若处于设定区间内，则进入后续的s3，若不处于设定区间内，则将对应的状态参数取值设为设定区间的边界值；

19、s3：对q-learning算法所需的状态量、动作量进行离散化，对于状态量，将室外湿球温度离散为冷却侧系统的上一个制冷季历史温度上下限范围内的整数值，将系统负荷按控制精度需求离散为冷却侧系统的上一个制冷季系统负荷上下线内一定间隔的值，对于动作量，冷却塔台数、冷却水泵台数自由组合成有效的动作，或者冷却塔台数与冷却水泵台数相同时组合成有效的动作；

20、离散后的状态量、动作量组合成q表；

21、s4：将冷却侧系统能耗作为预设q-learning算法的优化目标，以冷却侧系统能耗最低为目标，根据s3的q表，获得当前状态下最优的冷却塔与水泵开启台数；

22、s5：根据s4得到的台数方案，发出相应的开启指令。

23、进一步的，s3的q表具体如下：

24、

25、q表中，q值反映在某状态下，某动作的已知价值，其中，a为动作空间，a表示动作，s为状态空间，s表示状态，t为室外湿球温度，q为冷冻侧系统负荷，np为冷却水泵开启台数，nt为冷却塔开启台数，npa中的a为冷却水泵最多可开启的台数，ntb中的b为冷却塔最多可开启的台数，c为离散后的室外湿球温度取值总数，d为离散后的冷冻侧负荷取值总数，m为状态空间大小，n为动作空间大小。

26、进一步的，q表中所有q值初始值均根据上个制冷季冷却侧系统的最低能耗设定。

27、进一步的，q-learning算法对强化学习控制器的经验进行更新，以更新q值：

28、

29、上式中，箭头右侧为未更新的q值，箭头左侧为更新后的q值；其中，r为上一轮状态-动作组合带来的环境反馈，α为学习率，γ表征未来奖励对当前动作决策的影响，γ设定为0.01，maxa′q(s′,a′)表示状态s′下的已知最大q值。

30、进一步的，经验更新完成后，q-learning算法中的强化学习控制器需依据当前状态做下一次优化控制动作决策，在该环节中，使用标准ε-greedy决策策略，如下所示：

31、

32、其中，ε为预定义参数，用于影响强化学习智能体的利用-探索平衡，ε越大则强化学习智能体的探索性能越强，ε越小则强化学习智能体对于当前现有经验的利用率越高，π(a|s)为动作a在状态s下被选中的概率。

33、与现有技术相比，本发明的有益效果如下：

34、(1)在建筑空调系统中，冷却侧系统能耗作为目标参数，相较于现有技术采用监测过程参数来调整冷却侧设备台数来控制能耗降低的方式，本发明直接以冷却侧系统能耗为优化目标，采用q-learning算法计算方式，对冷却塔与冷却水泵的台数进行控制，在保证满足负荷要求的情况下，自动调整冷却侧设备中冷却塔、冷却水泵的台数，从而降低了系统的能源消耗；

35、(2)本发明采用自适应的强化学习方法，通过系统反馈积累控制器经验，在系统设备老化或系统形式发生改变的情况下也能自我调节以达到最佳优化效果；

36、(3)本发明的台数控制方法只需要采集实时的室外湿球温度，只需计算实时的系统能耗、系统负荷等，对系统的传感器需求和历史运行数据需求较低，无需设备性能曲线，在工程应用中适用性、灵活性较好。