基于自学习融合模型中央空调制冷站优化控制方法及系统与流程

本发明涉及中央空调系统优化控制领域，具体地，涉及一种基于自学习融合模型中央空调制冷站优化控制方法及系统。

背景技术：

1、中央空调系统在现代经济中扮演着关键角色，广泛应用于公共建筑、工业厂房和数据中心等场所。这些场所通常需要为大面积空间提供稳定温度和舒适环境，或者为工业设备提供恒温冷却水。而随着经济不断发展，中央空调系统的在各个领域中的能源消耗问题也与日俱增，面对日益严峻的能源压力和环境问题，优化中央空调系统的能效已成为当务之急。

2、中央空调系统通常由制冷站和空调末端组成。制冷站是中央空调系统的核心部分，一般由多台冷水机组、冷冻水泵、冷却水泵和冷却塔等设备组成，是中央空调系统能源消耗的主要来源，因此，制冷站的控制策略将直接决定中央空调系统能耗的高低。中央空调制冷站的控制手段主要有传统的群控方法和智能控制方法两种。群控方法是指通过集中控制系统对制冷站进行整体控制和调节，例如设定统一的温度设定点、启停时间等。这种方法相对比较简单，但是严重依赖人工操作水平，并且无法根据需求侧的变化做出实时调整，实际运行综合能效偏低；智能控制方法基于先进的传感器技术、数据分析和人工智能算法，实时监测和分析制冷站的运行状况，并根据实际需求进行智能调节，动态调整制冷站的运行参数，实现精确控制和能耗优化，近年来得到广泛的应用。

3、然而，采用智能控制方法时，构建准确的设备性能模型往往需要大量的历史运行数据，这些数据不易获取，需要进行长时间的数据收集和整理工作；此外，当制冷站的设备状态发生变化或者外部环境发生变化时，现有模型可能无法准确预测新设备的性能和行为。这种模型滞后性会导致控制效果的下降和能耗的增加。因此，构建一种能够在缺少历史数据的情况下快速上线，并且能够在实际运行过程中不断自学习和优化的智能控制系统，是实现中央空调制冷站高效、智能化运行的关键。

4、专利文献cn113821902b公开了一种用于中央空调制冷站静态优化的自抗扰控制系统，所述空调负荷预测单元，用于通过bp神经网络进行负荷预测；所述中央空调制冷站模型计算单元，用于执行单模型建模和多模型融合建模两种方式之一；所述系统工作点最优化单元，用于利用优化算法计算系统的最佳工作点；所述中央控制制冷站控制单元，用于采用自抗扰控制器进行跟踪控制。但该发明没有引入机理模型保证模型的可靠性和准确性。

技术实现思路

1、针对现有技术中的缺陷，本发明的目的是提供一种基于自学习融合模型中央空调制冷站优化控制方法及系统。

2、根据本发明提供的一种基于自学习融合模型中央空调制冷站优化控制方法，包括：

3、步骤s1：构建冷水机组机理与数据融合模型；

4、步骤s2：构建冷冻水泵机理与数据融合模型，构建冷却水泵机理与数据融合模型；

5、步骤s3：构建冷却塔机理与数据融合模型、冷却塔换热模型以及制冷负荷预测模型；

6、步骤s4：令所有模型采用自学习架构，根据实际设计结构建立制冷站的整体能耗模型，并进行制冷站系统的整体能效优化。

7、优选地，在所述步骤s1中：

8、对制冷站的设备建模采用理论模型与神经网络模型相结合的融合模型，冷水机组理论模型采用ahri 10系数模型或4阶拟合模型，使用ahri 10系数模型：

9、

10、其中，为水机组能效比；为冷却水温度；为冷冻水温度；为拟合系数，通过制冷机组压缩机计算软件获取；如冷水机组型号无法获取或者获取10系数模型中的系数难度大于预设标准，使用4阶拟合模型计算冷水机组的能效比：

11、

12、其中，plr为冷水机组的负荷率；为拟合系数，使用运行数据求得；

13、制冷机组耗电功率的理论计算公式为：

14、

15、其中，为冷水机组的制冷功率；为冷水机组的耗电功率；为冷冻水流量；h(t)为冷冻水在温度t下的焓值；

16、冷水机组融合模型采用神经网络构建：输入层参数包括：冷冻水流量g；冷冻水回水温度；冷冻水出水温度；冷却水流量；冷却水入口温度；冷却水出口温度；如果制冷站的冷却水系统中没有安装冷却水流量计，冷却水流量进行估算，所有的输入参数在输入之前进行归一化处理；

17、隐藏层1神经网络采用双层结构，每层16个节点，激活函数使用relu激活函数；每层设置dropout防止过拟合；

18、机理模型为冷水机组理论模型，模型参数在输入前进行反归一化处理，模型的输出重新进行归一化处理；

19、连接层将数据模型与理论模型的输出连接在一起，采用拼接连接方式形成输出结果向量；

20、隐藏层2在连接层后，将数据模型和理论模型的输出结果进一步融合，隐藏层2采用单层4节点结构，激活函数采用relu；

21、输出层为融合模型的输出结果，对于冷水机组，输出参数为冷水机组的耗电功率pc；

22、冷水机组融合模型表示为：

23、。

24、优选地，在所述步骤s2中：

25、冷冻水泵机理与数据融合模型：

26、冷冻水泵的性能采用半经验公式进行计算：

27、

28、其中，为冷冻水泵消耗电功率；为水的密度，为1000kg/；为重力加速度，为9.8m/；为水泵扬程；为变频水泵的效率；为冷冻水泵的转速比或频率比；为冷冻水泵的实际频率；为冷冻水泵的额定频率；和为拟合系数，根据冷冻水泵运行历史数据确定；

29、冷冻水泵融合模型采用冷机融合模型结构，其中输入层为冷冻水泵频率，冷冻水流量；输出层为冷冻水泵功率；隐藏层1神经网络采用单层8个节点，激活函数使用relu激活函数；

30、冷冻水泵融合模型表示为：

31、

32、冷却水泵机理与数据融合模型：

33、冷却水泵融合模型采用与冷冻水泵融合模型同样的结构，表示为：

34、

35、其中，为冷却水泵消耗电功率；为冷却水泵频率；为冷却水流量，如果制冷站的冷却水系统中没有安装冷却水流量计，进行估算；

36、冷却水泵融合模型结构与冷冻水泵融合模型一致。

37、优选地，在所述步骤s3中：

38、冷却塔机理与数据融合模型：

39、冷却塔的性能采用半经验公式进行计算：

40、

41、其中，为冷却塔耗电功率；为拟合系数，通过冷却塔运行的历史数据确定；为冷却空气流量，通过下式估算：

42、

43、其中，为冷却塔的额定空气流量；为冷却塔运行频率；为冷却塔额定频率；为拟合系数，通过冷却塔运行的历史数据确定；

44、冷却塔融合模型采用冷机融合模型结构，其中输入层包括：冷却塔运行频率，冷却水流量，冷却水入口温度，冷却水出口温度，环境温度，环境相对湿度；输出层为冷却塔功率；隐藏层2神经网络采用单层8个节点，激活函数使用relu激活函数；

45、冷却塔融合模型表示为：

46、

47、冷却塔换热模型：

48、换热量根据根据传热单元数模型进行计算：

49、

50、式中，为冷却塔的换热量，为冷却塔的换热效率，为冷却空气流量，与为饱和空气焓值函数与环境空气焓值函数，通过环境温度与相对湿度计算，与分别为冷却水出口温度和入口温度下的焓值；

51、冷却塔换热效率使用下式计算：

52、

53、式中：

54、

55、

56、其中，为空气平均比热，为水的平均比热容，与n为冷却塔的相关性能参数，由生产厂家提供或历史数据拟合；

57、制冷负荷预测模型：

58、冷负荷预测采用神经网络模型，输入层包括：

59、x1至x24，24个参数分别对应一天中的24个时段的one-hot变换；

60、x25表示是否为平日或周末；

61、x26表示是否为节假日；

62、x27表示t时刻对应的环境温度，训练模型时采用的历史数据为实测值，预测时采用小时天气预报提供的预测值；

63、x28表示t时刻对应的相对湿度，训练模型时采用的历史数据为实测值，预测时采用小时天气预报提供的预测值；

64、冷负荷模型包括日前预测和日间预测，日前预测结果用于制定开机计划，提前一天调整机组运行的约束条件；日间预测用于实时优化，提前预设小时确定运行机组和最优设定参数；

65、冷负荷的预测模型表示为：

66、

67、其中，为预测制冷量为预测时刻的小时值。

68、优选地，在所述步骤s4中：

69、模型的自学习架构：

70、在自学习架构中，每个模型包括在线模型和离线模型，在线模型是当前正在使用的模型，通过输入实时数据预测最新的目标参数；离线模型与在线模型的结构和超参数设置相同，不参与实时预测任务；每当运行数据积累到预设程度或每隔预设的固定时间，自学习架构自动收集最新的一组数据作为测试数据集，分别由在线模型和离线模型对目标参数进行预测，预测结果与实际值进行对比并计算rmse，如果在线模型的rmse小于离线模型，则继续使用在线模型执行预测任务，同时测试数据集合并到原模型的训练集对离线模型重新进行训练；如果离线模型的rmse小于在线模型，则使用离线模型替代在线模型；

71、制冷站整体能耗模型：

72、制冷站的总体用电模型为：

73、

74、其中，为制冷站整体用电量，为各台设备的启停状态，运行状态为1，停止状态为0，为冷水机组耗电模型，为冷冻水泵耗电模型，为冷却水泵耗电模型，为冷却塔耗电模型；

75、中央空调制冷站的综合能效为：

76、

77、其中，为制冷站系统综合能效；为制冷站系统的冷负荷，通过冷冻水总流量和制冷站冷冻水母管供水焓值、回水焓值计算；为制冷站整体用电量，由制冷站各设备的主要控制参数确定，参数包括：冷冻水设定温度，冷冻水泵频率，冷却水泵频率、冷却塔换热风扇频率；

78、制冷站系统的整体能效优化：

79、中央空调制冷站系统的优化控制目标是在满足制冷负荷需求和设备正常运行的条件下，通过优化控制策略和调整运行参数使整个系统的总能耗最低，同时综合系统效率最高：

80、

81、优化目标函数：

82、

83、约束条件包括：

84、能量平衡：

85、

86、上式表示制冷站冷冻水总制冷量等于各台冷水机组冷冻水制冷量之和；其中，为制冷站系统的冷负荷，为第i台冷水机组的的启停状态，运行状态为1，停止状态为0；i为冷水机组编号，n为制冷站系统中冷水机组得台数；为第i台冷水机组的冷冻水流量，和分别为流经第i台冷水机组冷冻水的回水温度下和供水温度下的焓值；为制冷站系统冷冻水总流量，和分别为制冷站冷冻水母管回水温度和供水温度下的焓值；

87、质量平衡：

88、

89、上式表示制冷站冷冻水母管总流量等于各台冷水机组冷冻水流量之和；其中，为制冷站系统冷冻水总流量；为第i台冷水机组的启停状态，运行状态为1，停止状态为0；i为冷水机组编号，n为制冷站系统中冷水机组的台数；为第i台冷水机组的冷冻水流量；

90、散热平衡：

91、

92、上式表示冷却塔系统的散热量等于冷却水系统的换热量；其中，为制冷站冷却塔系统的总散热量；为第i台冷却塔的启停状态，运行状态为1，停止状态为0；i为冷却塔编号，n为制冷站系统中冷却塔的台数；为第i台冷却塔的换热效率，第i台冷却塔的冷却空气流量，和分别为在环境温度与相对湿度条件下饱和空气的焓值与不饱和空气焓值；第i台冷却塔的冷却水流量，与分别为第i台冷却塔冷水回水温度与供水温度下的焓值；

93、运行参数边界：

94、

95、

96、

97、其中，与分别为第i台冷机冷冻水的供、回水温度，和分别为冷水机组对冷冻水供水和回水温度要求的上限和下限；与分别为第i台冷却塔系统冷却水的供、回水温度，和分别为冷却塔系统对冷却水供水和回水温度要求的上限和下限；、和分别为冷冻水泵、冷却水泵和冷却塔风扇的设定频率，和分别为频率设定的上限和下限；

98、优化目标参数：

99、最佳开机组合：

100、

101、最优冷水机组冷冻水出口温度：

102、

103、最优冷冻水泵频率：

104、

105、最优冷却水泵频率：

106、

107、最优冷却塔散热风扇频率：

108、

109、其中，为冷水机组及配套系统的开机组合，为各冷水机组冷冻水的优化设定温度，为各冷冻水泵的优化设定频率，为各冷却水泵的优化设定频率，为各冷却塔风扇的优化设定温度；上述模型采用遗传算法进行优化。

110、根据本发明提供的一种基于自学习融合模型中央空调制冷站优化控制系统，包括：

111、模块m1：构建冷水机组机理与数据融合模型；

112、模块m2：构建冷冻水泵机理与数据融合模型，构建冷却水泵机理与数据融合模型；

113、模块m3：构建冷却塔机理与数据融合模型、冷却塔换热模型以及制冷负荷预测模型；

114、模块m4：令所有模型采用自学习架构，根据实际设计结构建立制冷站的整体能耗模型，并进行制冷站系统的整体能效优化。

115、优选地，在所述模块m1中：

116、对制冷站的设备建模采用理论模型与神经网络模型相结合的融合模型，冷水机组理论模型采用ahri 10系数模型或4阶拟合模型，使用ahri 10系数模型：

117、

118、其中，为水机组能效比；为冷却水温度；为冷冻水温度；为拟合系数，通过制冷机组压缩机计算软件获取；如冷水机组型号无法获取或者获取10系数模型中的系数难度大于预设标准，使用4阶拟合模型计算冷水机组的能效比：

119、

120、其中，plr为冷水机组的负荷率；为拟合系数，使用运行数据求得；

121、制冷机组耗电功率的理论计算公式为：

122、

123、其中，为冷水机组的制冷功率；为冷水机组的耗电功率；为冷冻水流量；h(t)为冷冻水在温度t下的焓值；

124、冷水机组融合模型采用神经网络构建：输入层参数包括：冷冻水流量g；冷冻水回水温度；冷冻水出水温度；冷却水流量；冷却水入口温度；冷却水出口温度；如果制冷站的冷却水系统中没有安装冷却水流量计，冷却水流量进行估算，所有的输入参数在输入之前进行归一化处理；

125、隐藏层1神经网络采用双层结构，每层16个节点，激活函数使用relu激活函数；每层设置dropout防止过拟合；

126、机理模型为冷水机组理论模型，模型参数在输入前进行反归一化处理，模型的输出重新进行归一化处理；

127、连接层将数据模型与理论模型的输出连接在一起，采用拼接连接方式形成输出结果向量；

128、隐藏层2在连接层后，将数据模型和理论模型的输出结果进一步融合，隐藏层2采用单层4节点结构，激活函数采用relu；

129、输出层为融合模型的输出结果，对于冷水机组，输出参数为冷水机组的耗电功率pc；

130、冷水机组融合模型表示为：

131、。

132、优选地，在所述模块m2中：

133、冷冻水泵机理与数据融合模型：

134、冷冻水泵的性能采用半经验公式进行计算：

135、

136、其中，为冷冻水泵消耗电功率；为水的密度，为1000kg/；为重力加速度，为9.8m/；为水泵扬程；为变频水泵的效率；为冷冻水泵的转速比或频率比；为冷冻水泵的实际频率；为冷冻水泵的额定频率；和为拟合系数，根据冷冻水泵运行历史数据确定；

137、冷冻水泵融合模型采用冷机融合模型结构，其中输入层为冷冻水泵频率，冷冻水流量；输出层为冷冻水泵功率；隐藏层1神经网络采用单层8个节点，激活函数使用relu激活函数；

138、冷冻水泵融合模型表示为：

139、

140、冷却水泵机理与数据融合模型：

141、冷却水泵融合模型采用与冷冻水泵融合模型同样的结构，表示为：

142、

143、其中，为冷却水泵消耗电功率；为冷却水泵频率；为冷却水流量，如果制冷站的冷却水系统中没有安装冷却水流量计，进行估算；

144、冷却水泵融合模型结构与冷冻水泵融合模型一致。

145、优选地，在所述模块m3中：

146、冷却塔机理与数据融合模型：

147、冷却塔的性能采用半经验公式进行计算：

148、

149、其中，为冷却塔耗电功率；为拟合系数，通过冷却塔运行的历史数据确定；为冷却空气流量，通过下式估算：

150、

151、其中，为冷却塔的额定空气流量；为冷却塔运行频率；为冷却塔额定频率；为拟合系数，通过冷却塔运行的历史数据确定；

152、冷却塔融合模型采用冷机融合模型结构，其中输入层包括：冷却塔运行频率，冷却水流量，冷却水入口温度，冷却水出口温度，环境温度，环境相对湿度；输出层为冷却塔功率；隐藏层2神经网络采用单层8个节点，激活函数使用relu激活函数；

153、冷却塔融合模型表示为：

154、

155、冷却塔换热模型：

156、换热量根据根据传热单元数模型进行计算：

157、

158、式中，为冷却塔的换热量，为冷却塔的换热效率，为冷却空气流量，与为饱和空气焓值函数与环境空气焓值函数，通过环境温度与相对湿度计算，与分别为冷却水出口温度和入口温度下的焓值；

159、冷却塔换热效率使用下式计算：

160、

161、式中：

162、

163、

164、其中，为空气平均比热，为水的平均比热容，与n为冷却塔的相关性能参数，由生产厂家提供或历史数据拟合；

165、制冷负荷预测模型：

166、冷负荷预测采用神经网络模型，输入层包括：

167、x1至x24，24个参数分别对应一天中的24个时段的one-hot变换；

168、x25表示是否为平日或周末；

169、x26表示是否为节假日；

170、x27表示t时刻对应的环境温度，训练模型时采用的历史数据为实测值，预测时采用小时天气预报提供的预测值；

171、x28表示t时刻对应的相对湿度，训练模型时采用的历史数据为实测值，预测时采用小时天气预报提供的预测值；

172、冷负荷模型包括日前预测和日间预测，日前预测结果用于制定开机计划，提前一天调整机组运行的约束条件；日间预测用于实时优化，提前预设小时确定运行机组和最优设定参数；

173、冷负荷的预测模型表示为：

174、

175、其中，为预测制冷量为预测时刻的小时值。

176、优选地，在所述模块m4中：

177、模型的自学习架构：

178、在自学习架构中，每个模型包括在线模型和离线模型，在线模型是当前正在使用的模型，通过输入实时数据预测最新的目标参数；离线模型与在线模型的结构和超参数设置相同，不参与实时预测任务；每当运行数据积累到预设程度或每隔预设的固定时间，自学习架构自动收集最新的一组数据作为测试数据集，分别由在线模型和离线模型对目标参数进行预测，预测结果与实际值进行对比并计算rmse，如果在线模型的rmse小于离线模型，则继续使用在线模型执行预测任务，同时测试数据集合并到原模型的训练集对离线模型重新进行训练；如果离线模型的rmse小于在线模型，则使用离线模型替代在线模型；

179、制冷站整体能耗模型：

180、制冷站的总体用电模型为：

181、

182、其中，为制冷站整体用电量，为各台设备的启停状态，运行状态为1，停止状态为0，为冷水机组耗电模型，为冷冻水泵耗电模型，为冷却水泵耗电模型，为冷却塔耗电模型；

183、中央空调制冷站的综合能效为：

184、

185、其中，为制冷站系统综合能效；为制冷站系统的冷负荷，通过冷冻水总流量和制冷站冷冻水母管供水焓值、回水焓值计算；为制冷站整体用电量，由制冷站各设备的主要控制参数确定，参数包括：冷冻水设定温度，冷冻水泵频率，冷却水泵频率、冷却塔换热风扇频率；

186、制冷站系统的整体能效优化：

187、中央空调制冷站系统的优化控制目标是在满足制冷负荷需求和设备正常运行的条件下，通过优化控制策略和调整运行参数使整个系统的总能耗最低，同时综合系统效率最高：

188、

189、优化目标函数：

190、

191、约束条件包括：

192、能量平衡：

193、

194、上式表示制冷站冷冻水总制冷量等于各台冷水机组冷冻水制冷量之和；其中，为制冷站系统的冷负荷，为第i台冷水机组的的启停状态，运行状态为1，停止状态为0；i为冷水机组编号，n为制冷站系统中冷水机组得台数；为第i台冷水机组的冷冻水流量，和分别为流经第i台冷水机组冷冻水的回水温度下和供水温度下的焓值；为制冷站系统冷冻水总流量，和分别为制冷站冷冻水母管回水温度和供水温度下的焓值；

195、质量平衡：

196、

197、上式表示制冷站冷冻水母管总流量等于各台冷水机组冷冻水流量之和；其中，为制冷站系统冷冻水总流量；为第i台冷水机组的启停状态，运行状态为1，停止状态为0；i为冷水机组编号，n为制冷站系统中冷水机组的台数；为第i台冷水机组的冷冻水流量；

198、散热平衡：

199、

200、上式表示冷却塔系统的散热量等于冷却水系统的换热量；其中，为制冷站冷却塔系统的总散热量；为第i台冷却塔的启停状态，运行状态为1，停止状态为0；i为冷却塔编号，n为制冷站系统中冷却塔的台数；为第i台冷却塔的换热效率，第i台冷却塔的冷却空气流量，和分别为在环境温度与相对湿度条件下饱和空气的焓值与不饱和空气焓值；第i台冷却塔的冷却水流量，与分别为第i台冷却塔冷水回水温度与供水温度下的焓值；

201、运行参数边界：

202、

203、

204、

205、其中，与分别为第i台冷机冷冻水的供、回水温度，和分别为冷水机组对冷冻水供水和回水温度要求的上限和下限；与分别为第i台冷却塔系统冷却水的供、回水温度，和分别为冷却塔系统对冷却水供水和回水温度要求的上限和下限；、和分别为冷冻水泵、冷却水泵和冷却塔风扇的设定频率，和分别为频率设定的上限和下限；

206、优化目标参数：

207、最佳开机组合：

208、

209、最优冷水机组冷冻水出口温度：

210、

211、最优冷冻水泵频率：

212、

213、最优冷却水泵频率：

214、

215、最优冷却塔散热风扇频率：

216、

217、其中，为冷水机组及配套系统的开机组合，为各冷水机组冷冻水的优化设定温度，为各冷冻水泵的优化设定频率，为各冷却水泵的优化设定频率，为各冷却塔风扇的优化设定温度；上述模型采用遗传算法进行优化。

218、与现有技术相比，本发明具有如下的有益效果：

219、1、本发明引入机理模型保证模型的可靠性和准确性，即使在数据有限的情况下也能有效发挥作用；

220、2、自学习架构使本发明能够与实际运行数据交互，并根据不断积累的数据更新和调整模型，提高模型的精度和适应性；

221、3、通过持续优化和自适应控制，本发明使制冷站能够在不断变化的环境和负荷条件下实现最佳运行状态。