CN113959071A - 基于机器学习辅助的集中式冷水机组空调系统运行控制优化方法 - Google Patents

Abstract

本发明提供了一种基于机器学习辅助的集中式冷水机组空调系统运行控制优化方法。本发明建立了基于能量守恒与个性化设备运行参数约束的冷水机组空调系统模型，利用深度学习神经网络预测机器运行参数与粒子群算法相结合的优化算法。利用本发明提供的模型与算法，可以得到冷水机组高效节能运行策略，为建筑运行的优化提供指导依据。

Description

基于机器学习辅助的集中式冷水机组空调系统运行控制优化 方法

技术领域

本发明涉及建筑能源智能化运行技术领域，具体地，涉及一种基于机器学习辅助的集中式冷水机组空调系统运行控制优化方法，尤其是利用机器学习中的深度学习的方法和粒子群优化算法对水冷机组空调系统运行进行优化的方法。

背景技术

空调运行能耗占据了建筑运行能耗中的可观份额。空调系统的稳定高效运行，对建筑节能管理、建筑能源利用率的提高都有积极意义。实际工程中，空调系统的运行特性随着时间的推移、系统结构的改变和室外条件的改变，往往偏离出厂前的性能测试结果。依照原始数据制定空调系统的运行策略，往往偏离实际最佳工况，不能保证系统的高效运行。

在近年来楼宇大数据和人工智能技术的发展，为空调系统性能的预测提供了数据基础和建模分析的算法。基于机器学习的数据驱动方式对建筑进行预测，有着建模速度快、预测精度较高的优势。

卷积神经网络(CNN)在图像处理领域有广泛的应用，可以处理数据的局部关联性；全连接层(FC)被用于处理变量间的非线性关系。由于存在应用领域的差异，卷积神经网络与全连接层的搭配需要设计合理的输入样本形式，以及合理的模型结构，以实现高精度的冷水机组性能预测模型。

在大型空调系统中，系统设备运行规律存在非线性的特点，其系统设备配合状态多变复杂，其运行目标本质上是一个复杂约束下多参数的非线性优化问题。传统的数学规划法存在诸多弊端，在某些条件下有可能无法给出最优解，影响空调系统的稳定运行。

以粒子群为代表的启发式算法在搜索非凸可行域内解时相较于传统的数学规划法具有巨大优势。同时，当约束条件存在由神经网络等非透明关系导出的约束关系时，由于没有完整的数学问题描述，数学规划法无法应用于上述约束条件中，而粒子群算法(PSO)依然可以通过反复尝试而获取最优解。在在线优化过程中，神经网络可以通过定期学习方式更新机组性能预测模型以贴合实际需要，粒子群算法对于整个优化过程实施有更好的适应性。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种基于机器学习辅助的集中式冷水机组空调系统运行控制优化方法。

根据本发明提供的基于机器学习辅助的集中式冷水机组空调系统运行控制优化方法，包括：

步骤S1：建立冷水机组空调系统组成设备的数学模型；确定优化方法的优化变量，包括设备开启状态、水泵设置频率、冷机设置温度。

步骤S2：建立冷水机组性能预测模型；对相关历史序列数据进行预处理，所述数据预处理包括异常数据清洗、三次样条插值补全和数据归一化，所述历史序列数据包含冷水机组整年的历史能耗数据、基于供水管路计算的冷水机组负荷数据、水泵运行数据、天气数据；按时序-特征两个维度将数据重组为二维的数据表格式，作为训练用数据的单个样本，所述时序为按照时间步长排布的数据采集时间点。

步骤S3：使用卷积神经网络(CNN)作为特征提取层，使用全连接层网络，使用上述网络结构建立冷水机组性能预测模型；使用重组后的历史数据集，在计算机中训练模型，并将训练得到的模型以模型结构加权值的方法存储，所述服务器为可供预测系统调用的计算机资源，所述权值为网络神经元连接的权重。

步骤S4：使用空调系统设备能耗建立能源利用评价指标。

步骤S5：获取优化过程必要运行参数，包括：空调系统预测负荷、空调系统实时运行参数、空调系统历史运行参数、天气预报数据；基于预测模型确定优化的约束条件。

步骤S6：利用粒子群算法，求解冷水机组空调系统的最优运行解。

优选地，步骤S1中，所述冷水机组空调系统组成设备包括但不限于：冷水机组、主运行水泵、冷凝侧水泵、地源侧水泵。

优选地，步骤S2中，所述机器学习冷机性预测模型所需历史序列数据能包括四类：冷机运行数据、水路状态数据、水泵运行数据、室外气象参数。

优选地，步骤S2中，通过所述的数据重组方式，将数据组织成为二维表格的输入样本。

优选地，步骤S2中，数据表按时间和特征两个维度组织，时间上按步长包含历史相邻两天内排布数据，特征维度排布所有影响因素的数据。

优选地，步骤S3中，其特征在于建立冷水机组性能预测模型模型使用的特定网络结构，使用卷积神经网络(CNN)作为特征提取层，采用一维卷积层在特征方向上进行卷积的结构，设置2层卷积层提升特征提取的能力；使用3层全连接层网络实现对冷水机组非线性运行规律的学习。

优选地，步骤S3中，所述的网络结构中适用于冷水机组性能预测的特定参数，包括神经元数量、激活函数选择。

优选地，步骤S4中，所述评价指标为冷机能耗、泵能耗之和。

优选地，步骤S4中获取优化过程必要运行参数，包括：空调系统预测负荷、空调系统实时运行参数、空调系统历史运行参数、天气预报数据。

优选地，步骤S5中，优化的约束条件包括：冷水机组的能量平衡约束、设备的运行性能约束。

优选地，步骤S6中，利用粒子群算法中的速度更新公式如下：

其中，

是第k次迭代粒子i速度矢量的第d维分量；

是第k次迭代粒子i位置的第d维分量；pbest_id是粒子i的历史个体最优值位置的第d维分量； gbest_id是所有粒子的历史全局最优值位置的第d维分量；ω是惯性权重，非负数； c₁和c₂是加速度常数；r₁和r₂是随机函数，取值范围[0，1]。

与现有技术相比，本发明具有如下的有益效果：

1.克服复杂物理系统中非凸可行域优化求解困难问题，利用粒子群算法在保证求泛用性的同时兼顾求解速度与全局最优。

2.预测精度高，利用深度学习算法对复杂问题的学习能力，依靠该模型结构可以很好的学习并表现空调性能的变化特性，性能预测精度明显高于基于出厂拟合性能曲线计算得到值。

3.实用性强，本方法可广泛应用冷水机组优化运行策略的制定，以冷水机组性能预测结果为约束可以最大化保证优化模型精度，提升冷水机组系统的运行能效。

附图说明

通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1为基于粒子群算法的冷水机组空调系统优化方法流程图；

图2为本发明中采用的冷水机组空调系统示意图；

具体实施方式

下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。

本发明一种基于机器学习辅助的集中式冷水机组空调系统运行控制优化方法，通过建立空调系统设备集成数学模型，并通过机器学习算法建立冷水机组性能预测模型，利用粒子群优化算法进行寻优，该方法可以提供优化的空调系统运行策略，提高楼宇运行的经济性。

如图1所示，根据本发明提供的一种基于机器学习辅助的集中式冷水机组空调系统运行控制优化方法，包括：

步骤S1：建立冷水机组空调系统组成设备的数学模型；确定优化方法的优化变量，包括设备开启状态、水泵设置频率、冷机设置温度。

图2为冷水机组空调系统示意图，所述系统的关键设备包括：冷水机组、主运行水泵、冷凝侧运行水泵。

冷水机组数学模型为：

其中，COP_i,c为第i台冷机的COP值，E_i,c为第i台冷机所消耗的电能；Q_offer为整个空调系统需要的冷负荷，可由下式表示：

Q_offer＝ρcΣV_j|t_in-t_out|

其中，V_j为第j台水泵的体积流量，t_in为总管路供水温度，t_out为总管路回水温度。

冷水机组总能耗可表示为：

主运行水泵数学模型为：

其中，ΔH为管路固定量程，可由泵两端压差推算，d_j、e_j、g_j为第j台泵的效率曲线的拟合系数，f_j为第i台泵的设定频率，s_j为泵的开关状态，取值[0, 1]。水泵的总能耗可表示为：

步骤S2：建立冷水机组性能预测模型；对相关历史序列数据进行预处理，所述数据预处理包括异常数据清洗、三次样条插值补全和数据归一化，所述历史序列数据包含冷水机组整年的历史能耗数据、基于供水管路计算的冷水机组负荷数据、水泵运行数据、天气数据；按时序-特征两个维度将数据重组为二维的数据表格式，作为训练用数据的单个样本，所述时序为按照时间步长排布的数据采集时间点。

具体地，所述相关历史序列数据包含冷水机组整年的历史能耗数据、基于供水管路计算的冷水机组负荷数据、水泵运行数据、天气数据、空调系统运行规律数据；冷水机组负荷数据包括供回水管温度、水管体积流量；水泵运行数据包括水泵设置频率，水泵进出口压差，单台水泵流量；天气数据包含室外气温、室外相对湿度，来自当地当时气象站采集的数据；空调系统运行规律包括时刻、工作日节假日变化。所有影响因素以时间为参照，与空调系统能耗数据相对齐。时刻规律通过One-hot编码的方式，将连续的数值转化为类别型变量，工作日安排来自日历数据。

具体地，数据清洗主要目的为剔除异常数据，异常数据包括没有物理意义的传感器负值和传输异常，传输异常数据通过每台冷机的额定容量设置阈值筛选，本例中冷机总能耗数值数量级为10³，设置阈值上限值为10⁴。

具体地，线性插值补全针对数据中的少量断点，计算公式为：

N(N≤5)为缺失点数目，Y_n(n＝1,2,…,N)为第n个缺失点的数据值，Y₀和Y_N+1分别为缺失序列前后紧邻的数据，长期缺失的状况下标记数据异常，不在后续训练中使用对应数据。

具体地，数据归一化针对每一个特征，除以对应特征历史数据中的最大值 Y_max获取，处理后的数据落在[0,1]的区间内。

具体地，本例中单个样本的数据样式如表1所示。

表1

步骤S3：使用卷积神经网络(CNN)作为特征提取层，使用全连接层网络，使用上述网络结构建立冷水机组性能预测模型；使用重组后的历史数据集，在计算机中训练模型，并将训练得到的模型以模型网络结构加权值的方法存储，所述服务器为可供预测系统调用的计算机资源，所述权值为网络神经元连接的权重。

具体地，本例使用的特定网络结构如表2所示。输入层大小与输入数据样本一致，使用卷积神经网络(CNN)作为特征提取层，采用一维卷积层在特征方向上进行卷积的结构，设置3层卷积层提升特征提取的能力；CNN之后使用全连接层(FC)实现对多变量非线性关系的拟合，设置3层全连接层；最后设置输出层大小为1，单次输出第i台冷水机组的性能COP_i,c。

表2

具体地，所述的模型网络结构需要采用适用于冷水机组性能预测的特定参数，包括神经元数量、激活函数。神经元数目通过案例数据测试得到，逐层减半。 CNN神经元数量为50～500，全连接层神经元数量为10～100。本例中，CNN首层为96，全连接层为20，保持不变。选择ReLU函数作为激活函数：

式中：y_out为激活函数输出；x_in为激活函数输入。

步骤S4：使用空调系统设备能耗建立能源利用评价指标。

所述能源利用指标为主要用能设备能耗之和，本例中为冷机能耗与主泵能耗之和：

E_total＝E_c+E_p

基于上述方法，形成了一种基于CNN-LSTM的建筑能耗预测系统，本领域技术人员可以将基于CNN-LSTM的建筑能耗预测方法理解为所述基于 CNN-LSTM的建筑能耗预测系统的优选例。

步骤S5：获取优化过程必要运行参数，包括：空调系统预测负荷、空调系统实时运行参数、空调系统历史运行参数、天气预报数据；基于预测模型确定优化的约束条件。

空调系统优化问题的约束条件包括热量平衡约束、设备性能约束。

热量约束如下：

Q_need＝Q_offer

其中Q_need为建筑所需要的负荷，在本例中建筑负荷通过建筑运行历史数据分类归纳得出；

设备性能约束如下：

其中，Max(E_i，c)、Max(COP_i，c)、Max(V_j,p)为冷机额定功率，冷机测试工况下额定COP、泵测试流量。

步骤S6：利用粒子群算法，求解冷水机组空调系统的最优运行解。

基于粒子群算法具体实施步骤如下：

(1)设定算法的内置参数，包括粒子种群规模，最大迭代次数，学习因子，外部解集规模；

(2)随机初始化粒子群的速度和位置；

(3)将粒子代入冷水机组空调系统模型，对各粒子进行适应度fit(xi)计算，得到目标函数值；

(4)判断当前各粒子的适应值与个体最优值pbest之间的优劣关系，如果此代粒子的适应值被占优，则不更新；否则，更新个体最优值pbest；将pbest与全局最优gbest比较，若出现占优，则更新gbest值；

按照粒子更新速度公式更新新一代粒子：

其中，

是第k次迭代粒子i速度矢量的第d维分量；

是第k次迭代粒子i位置的第d维分量；pbest_id是粒子i的历史个体最优值位置的第d维分量； gbest_id是所有粒子的历史全局最优值位置的第d维分量；ω是惯性权重，非负数； c₁和c₂是加速度常数；r₁和r₂是随机函数，取值范围[0，1]。

重复(3)、(4)，直到满足设定的最小误差或者达到最大迭代次数，停止搜素，输出外部存档，即为空调系统最佳运行策略值。

在具体实施例中，以本发明技术方案为前提下进行实施，依靠上海地区某建筑的冷水机组空调系统的历史数据和开源Python库，给出了详细的实施方式和具体的操作过程，并给出了具体适用的参数。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。

本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统、装置及其各个模块以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。

以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。

Claims (11)

1.一种基于机器学习辅助的集中式冷水机组空调系统运行控制优化方法，其特征在于，包括以下步骤：

步骤S1：建立冷水机组空调系统组成设备的数学模型；确定优化方法的优化变量，包括设备开启状态、水泵设置频率、冷机设置温度；

步骤S2：建立冷水机组性能预测模型；对相关历史序列数据进行预处理，所述数据预处理包括异常数据清洗、三次样条插值补全和数据归一化，所述历史序列数据包含冷水机组整年的历史能耗数据、基于供水管路计算的冷水机组负荷数据、水泵运行数据、天气数据；按时序-特征两个维度将数据重组为二维的数据表格式，作为训练用数据的单个样本，所述时序为按照时间步长排布的数据采集时间点；

步骤S3：使用卷积神经网络(CNN)作为特征提取层，使用全连接层网络，使用上述网络结构建立冷水机组性能预测模型；使用重组后的历史数据集，在计算机中训练模型，并将训练得到的模型以模型结构加权值的方法存储，所述服务器为可供预测系统调用的计算机资源，所述权值为网络神经元连接的权重；

步骤S4：使用空调系统设备能耗建立能源利用评价指标；

步骤S5：获取优化过程必要运行参数，包括：空调系统预测负荷、空调系统实时运行参数、空调系统历史运行参数、天气预报数据；基于预测模型确定优化的约束条件；

步骤S6：利用粒子群算法，求解冷水机组空调系统的最优运行解。

2.根据权利要求1所述的基于机器学习辅助的集中式冷水机组空调系统运行控制优化方法，其特征在于，步骤S1中，所述冷水机组空调系统组成设备包括但不限于：冷水机组、主运行水泵、冷凝侧水泵、地源侧水泵。

3.根据权利要求1所述的基于机器学习辅助的集中式冷水机组空调系统运行控制优化方法，其特征在于，步骤S2中，所述机器学习冷机性预测模型所需历史序列数据能包括四类：冷机运行数据、水路状态数据、水泵运行数据、室外气象参数。

4.根据权利要求1所述的基于机器学习辅助的集中式冷水机组空调系统运行控制优化方法，其特征在于，步骤S2中，通过所述的数据重组方式，将数据组织成为二维表格的输入样本。

5.根据权利要求1所述的基于机器学习辅助的集中式冷水机组空调系统运行控制优化方法，其特征在于，步骤S2中，数据表按时间和特征两个维度组织，时间上按步长包含历史相邻两天内排布数据，特征维度排布所有影响因素的数据。

6.根据权利要求1所述的基于机器学习辅助的集中式冷水机组空调系统运行控制优化方法，步骤S3中，其特征在于建立冷水机组性能预测模型模型使用的特定网络结构，使用卷积神经网络(CNN)作为特征提取层，采用一维卷积层在特征方向上进行卷积的结构，设置2层卷积层提升特征提取的能力；使用3层全连接层网络实现对冷水机组非线性运行规律的学习。

7.根据权利要求1所述的基于机器学习辅助的集中式冷水机组空调系统运行控制优化方法，其特征在于，步骤S3中，所述的网络结构中适用于冷水机组性能预测的特定参数，包括神经元数量、激活函数选择。

8.根据权力要求1所述的基于机器学习辅助的集中式冷水机组空调系统运行控制优化方法，其特征在于，步骤S4中，所述评价指标为冷机能耗、泵能耗之和。

9.根据权力要求1所述的基于机器学习辅助的集中式冷水机组空调系统运行控制优化方法，其特征在于，步骤S4中获取优化过程必要运行参数，包括：空调系统预测负荷、空调系统实时运行参数、空调系统历史运行参数、天气预报数据。

10.根据权力要求1所述的基于机器学习辅助的集中式冷水机组空调系统运行控制优化方法，其特征在于，步骤S5中，优化的约束条件包括：冷水机组的能量平衡约束、设备的运行性能约束。

11.根据权力要求1所述的基于机器学习辅助的集中式冷水机组空调系统运行控制优化方法，其特征在于，步骤S6中，利用粒子群算法中的速度更新公式如下：

其中，

是第k次迭代粒子i速度矢量的第d维分量；

是第k次迭代粒子i位置的第d维分量；pbest_id是粒子i的历史个体最优值位置的第d维分量；gbest_id是所有粒子的历史全局最优值位置的第d维分量；ω是惯性权重，非负数；c₁和c₂是加速度常数；r₁和r₂是随机函数，取值范围[0，1]。

Images