[发明专利]一种基于深度学习的空调系统节能控制方法、装置、设备及计算机介质

说明书

本发明实施例涉及空调系统控制技术领域，公开了一种基于深度学习的空调系统节能控制方法，包括：采集样本数据，样本数据包括空调系统的历史环境状态量、历史动作状态量以及对应的历史控制状态量；利用预设神经网络模型进行建模，得到环境状态量、动作状态量及控制状态量的函数关系，其中，预设神经网络模型包括输入层、第一BN层、第一全连接层、第二BN层、第一激活层、第二全连接层、第三BN层、第二激活层、第四BN层及输出层；获取当前环境状态量，根据当前环境状态量和函数关系，得到目标动作状态量；根据目标动作状态量对空调系统进行调节。通过上述方式，本发明实施例实现了实时智能调节空调系统的有益效果。

技术领域

本发明实施例涉及空调系统技术领域，具体涉及一种空调系统节能控制方法、装置、设备及计算机介质。

背景技术

随着社会的发展，空调系统应用于各行各业当中。在一般公共建筑中，空调系统能耗一般占到总能耗的50％左右；在高电力成本的数据中心中，空调系统能耗也占到30％以上，具有巨大的节能潜力。而在空调系统内部，存在各式各样的设备，以数据中心冷冻水空调系统为例，存在制冷主机、冷却泵、冷冻泵、冷却塔、电磁阀、末端风机等，这些设备具有各自的可调节运行参数，影响着整体空调系统的运行能耗。例如，提升主机出水温度，主机能耗会降低，而末端风机、冷冻泵能耗会提升。空调系统能耗优化过程是各多参数优化过程，通过设置空调系统的最佳运行状态点，可在保证制冷量满足要求的前提下，降低空调系统能耗，达到节能的效果。

目前，一般的公共建筑或数据中心在空调系统调试完成后，各设备的运行状态点基本保持不变，或者由简单的自控逻辑满足制冷量的需求而改变，白白浪费能耗。部分建筑在运行过程中，注重空调系统的能耗优化，一般采用两种方式进行。

一种方式是人工调整单个运行参数。如制冷主机的出水温度，然后通过数据分析，得到主机最佳的出水温度设置值；以此类推进行冷冻泵、冷却泵等设备的调节，长时间重复试验。然而，人工调整的方法，一方面由于室外温湿度的变化导致试验的时间比较长，一般需要2周以上的时间测试；另一方面，单参数依次调节的周期太长，难以得到当前季节下的群体最优解，夏季与冬季室外环境差距较大，空调能耗最佳运行状态点早已改变。因此，人工参数寻优，数据的难度大；时效性差，室外气候变化导致最佳状态点的漂移；效果相对小，一般在局部最优。

另一种方式是楼宇自控系统的逻辑优化。如数据中心冬季制冷采用板式换热器与制冷主机制冷模式的切换，根据楼宇特性更改模式切换逻辑与多套系统的并行逻辑。这种方式需要大量的运维经验积累，更改代码的代价大，一方面代码自身安全性需要时间的检验；另一方面，代码的补丁可能影响其它模块的正常运行。因此，自控系统优化可能涉及到系统基础安全性的降低，产生未知的宕机风险。

因此，如何能够实时得到空调系统节能最佳运行状态的技术问题亟待解决。

发明内容

鉴于上述问题，本发明实施例提供了一种基于深度学习的空调系统节能控制方法，用于解决现有技术中存在的无法实时得到调节空调系统最佳运行状态的技术问题。

根据本发明实施例的一个方面，提供了一种基于深度学习的空调系统节能控制方法，所述方法包括：

采集样本数据，其中，所述样本数据包括空调系统的历史环境状态量、历史动作状态量以及对应的历史控制状态量；

根据所述历史环境状态量、历史动作状态量以及对应的历史控制状态量利用预设神经网络模型进行建模，得到环境状态量、动作状态量及控制状态量的函数关系，其中，所述预设神经网络模型包括依次连接的输入层、第一BN层、第一全连接层、第二BN层、第一激活层、第二全连接层、第三BN层、第二激活层、第四BN层及输出层；

获取当前环境状态量，根据所述当前环境状态量和所述函数关系，得到使得当前控制状态量最小的当前动作状态量，作为目标动作状态量；

根据所述目标动作状态量对所述空调系统进行节能控制。