[发明专利]具有自学习能力的空调冷冻机房控制方法及系统

说明书

本发明的目的是提供一种具有自学习能力的空调冷冻机房控制方法及系统，本发明通过COP效率预测模型和获取运行工况参数组的选中概率值，可以根据空调冷冻机房的现场实际工况自学习地动态调整输入参数，寻找对系统整体COP效率最大化对应的运行工况参数组，实现更优于传统冷机群控系统控制方式所能达到的节能效果。

技术领域

本发明涉及计算机领域，尤其涉及一种具有自学习能力的空调冷冻机房控制方法及系统。

背景技术

传统的机房群控系统的均由单个设备的标准化程序控制，不考虑机房整体的效率和节能，缺乏机房系统的整体数据模型；而且传统算法对于温度，压力，流量等多个环境变量的耦合关系无法进行定量建模分析，进而也无法找到机房整体系统的节能模型，群控系统仅仅是针对主要的冷机，水泵，冷却塔等设备进行顺序启停等基本操作，无法精细化调整机房各参数，节能效果往往很不理想。

发明内容

本发明的一个目的是提供一种具有自学习能力的空调冷冻机房控制方法及系统。

根据本发明的一个方面，提供了一种具有自学习能力的空调冷冻机房控制方法，该方法包括：

步骤S1，采集空调冷冻机房的设备的运行工况参数组放入数据库，其中，每组运行工况参数组包括空调冷冻机房的主机、水泵、冷却塔、电动阀和传感器的温度、流量、压力和电流数据；

步骤S2，将所述数据库中的运行工况参数组分为两部分，一部分作为训练参数集，另一部分作为验证参数集；

步骤S3,通过预设的神经网络算法基于所述训练参数集进行训练，以得到COP效率预测模型，其中，所述COP效率预测模型的公式如下：

其中，a表示COP效率，r表示训练参数集中运行工况参数组的组数，u_i表示训练参数集中第i组运行工况参数组，w_i表示训练参数集中第i组运行工况参数组对应的权重，b表示偏置量；

步骤S4,基于如下公式对所述COP效率预测模型进行评估：

其中，n表示验证参数集中运行工况参数组的组数，a_i表示验证参数集中第i组运行工况参数组通过所述COP效率预测模型计算得到的COP效率预测值，t_i表示验证参数集中第i组运行工况参数组的COP效率实际值，表示n个COP效率预测值的平均值的绝对值；

步骤S5，若MSE大于等于0.01，R大于等于0.1，重复调整所述COP效率模型中的w_i和b的值，直到MSE小于0.01，R小于于0.1；

步骤S6，将所述训练参数集和验证参数集作为集合Q，从所述集合Q中寻找COP效率最优时对应的运行工况参数组，将此运行工况参数组作为t时刻的输入参数下载到空调冷冻机房的相关执行机构进行执行后，获取t时刻的输入参数执行后的对应的COP效率实际值；

步骤S7，使用O-U过程探索获取多组随机探索到的运行工况参数组；

步骤S8，通过所述COP效率预测模型计算各组随机探索到的运行工况参数组的COP效率预测值；

步骤S9，从所述各组随机探索到的运行工况参数组中，获取COP效率预测值最高的对应一组随机探索到的运行工况参数组，作为运行工况参数组A；

步骤S10，将此运行工况参数组A组作为t+1时刻的输入参数下载到空调冷冻机房的相关执行机构进行执行后，获取t+1时刻的输入参数执行后的对应的COP效率实际值；

步骤S11，将t时刻的COP效率实际值与t+1时刻的COP效率实际值进行比较，