[发明专利]一种基于机器学习的制冷系统节能控制方法及系统

说明书

本发明公开了一种基于机器学习的制冷系统节能控制方法及系统，能够不断提高预测和控制的准确性和实时性，在保证满足相关设定供冷目标的前提下以最优效率运行，达到最大程度降低系统能耗的目的。控制方法包括以下步骤：S1、初始化运行工况参数；S2、初始化训练样本集；S3、建立机器学习负荷预测模型；S4、预测下一时间点负荷；S5、从训练样本集中找出与当前时间点的测试样本最相似的训练样本，并据此在后续时间段调整制冷系统的调节速度；S6、判断下一时间点的实际的控制参数是否达到设定的控制参数要求且实际负荷值是否等于负荷预测值，并据此修正或删除训练样本集中的有关训练样本；S7、返回步骤S3或S4，进入下一个迭代循环。本发明可广泛应用于制冷领域。

技术领域

本发明涉及一种制冷系统节能控制方法；本发明还涉及一种制冷系统节能控制系统。

背景技术

制冷系统广泛用于为中央空调和众多用冷的生产工艺提供冷量，主要由冷冻水泵、制冷主机、冷却设备(如水冷式制冷系统为冷却水泵和冷却塔)等设备组成。制冷系统的能耗很大，例如中央空调由制冷系统和末端系统组成，制冷系统的能耗可占中央空调总能耗的60％以上，故对制冷系统进行负荷预测和节能控制意义重大。但是，制冷系统具有多变量、强耦合、非线性、时变性、时滞性、干扰因素多等强烈动态特点，这使得对其进行准确和实时的负荷预测和节能控制一直较为困难。

常用的制冷系统节能控制方法主要以水泵、风机的变频调节为核心，一般是根据测量的实际的供冷效果与相应设定供冷目标的偏差对水泵、风机等的运转频率进行平滑调节，进而调节水泵、风机和制冷机的功率，从而有效的降低了能耗和改善了舒适度。对于中央空调，这些参数一般为室外温度、湿度和室内温度、湿度，对于生产用冷系统这些参数一般为用冷点的温度。但是，该控制方法依然存在着一些问题，以中央空调为例：(1)中央空调有着多变量、强非线性、强耦合性等特点，使得无法通过准确的计算得出供冷量，控制系统的具体控制逻辑严重依赖于设计人员的经验；因此，控制系统的准确性很难得到保证，也无法判断出系统是否已达到最优的节能效果；(2)中央空调有着大时滞性的特点，系统需较长的时间才能达到设定的冷量输出，而控制系统主要是基于当前时间点的影响参数和经验进行调节；在达到设定的冷量输出时，系统的影响参数很可能发生了较大的变化，从而真实的用冷量(即实际需要中央空调提供的冷量)也可能发生了变化，并不一定等于此时系统的实际供冷量；也就是说，控制系统不具备准确和实时的负荷预测和负荷匹配能力。

目前，已经开始尝试将机器学习技术(如支持向量机、人工神经网络等)用于进行中央空调的负荷预测，这些技术对中央空调的强烈动态特点的处理有着独特的优势。支持向量机和人工神经网络是常见的两种机器学习判别方法，通常用来进行模式识别、分类以及回归分析。以采用支持向量机进行中央空调制冷系统负荷预测为例，基于提供的运行样本集，支持向量机使用部分样本作为训练样本建模，进而根据该模型使用剩余样本作为测试样本进行预测。测试样本的预测值和实际输出值的对照表明，使用支持向量机进行中央空调的负荷预测是比较准确的，故有效的处理了中央空调的强烈动态特点带来的建模困难。但是，现有的支持向量机预测方法是建立在已知的样本数据基础上，而现有的运行控制方法并未解决时滞性的问题，样本输出值为采集的实际供冷量，而不一定是真实的用冷量即需冷量，也即作为建模用的样本数据并不准确，故目前的支持向量机预测方法并不能做到真正准确的冷负荷预测，因而也无法准确和实时的指导中央空调控制系统进行最优节能控制。同样的，由于其他的机器学习预测方法(如人工神经网络等)也需要准确的运行样本集用于建模，故同样也不能真正做到准确和实时的中央空调负荷预测和最优节能控制。

另外，截至目前，机器学习技术对于工艺使用的制冷系统的预测和控制研究较少。

发明内容

本发明所要解决的技术问题是克服现有技术的不足，提供一种基于机器学习的制冷系统节能控制方法。该控制方法能够不断提高预测和控制的准确性和实时性，在保证满足相关设定供冷目标的前提下以最优效率运行，达到最大程度降低系统能耗的目的。

另外，本发明还提供一种基于机器学习的制冷系统节能控制系统。