[发明专利]一种基于机器学习的空气压缩机系统能耗优化方法

说明书

本发明涉及一种基于机器学习的空气压缩机系统能耗优化方法，包括如下步骤：步骤S1：读取当前工况信息，调取或估算每台空压机的出口流量；步骤S2：通过机器学习模拟每台空压机的实时能效曲线模型，其中，空压机能效＝空压机出口流量/实时功率；步骤S3：获取空压机实时工况以及空气压缩机系统需求信息，根据空压机的实时工况获取空压机的实时能效曲线，由空压机的实时能效曲线和空气压缩机系统需求信息优化开机组合，获取最优节能开机组合。通过机器学习神经网络模型拟合空压机的能效曲线，根据压缩空气流量的总需求，通过优化算法择优选择空压机负载，改善空压机的群控方式，从而降低空气压缩机系统的能耗。

技术领域

本发明涉及空气压缩机的群控技术领域，尤其涉及一种基于机器学习的空气压缩机系统能耗优化方法。

背景技术

空气压缩机(简称空压机)是应用非常广泛的工业设备，制造压缩空气会消耗大量电力，被认为是工业领域最耗能的二次能源之一。在一些工业制造领域，压缩空气的需求十分巨大，生产压缩空气的能耗可以占到全厂能耗的20％～40％。在全球节能减排的大趋势下，以及企业追求控制成本的诉求下，如何能够进一步挖掘空气压缩机组的节能空间具有非常重要的社会意义和经济价值。

发明内容

鉴于上述的分析，本发明实施例旨在提供一种基于机器学习的空气压缩机系统能耗优化方法，用以解决现有空气压缩机系统能耗太大的问题。

本发明提供了一种基于机器学习的空气压缩机系统能耗优化方法，包括如下步骤：

步骤S1：读取当前工况信息，调取或估算每台空压机的出口流量；

步骤S2：通过机器学习模拟每台空压机的实时能效曲线模型，其中，空压机能效＝空压机出口流量/实时功率；

步骤S3：获取空压机实时工况以及空气压缩机系统需求信息，根据空压机的实时工况获取空压机的实时能效曲线，由空压机的实时能效曲线和空气压缩机系统需求信息优化开机组合，获取最优节能开机组合。

进一步地，所述步骤S2中，通过深度神经网络模型、线性回归模型或XGBoost极端梯度提升模型来拟合每台空压机的实时能效曲线。

进一步地，所述步骤S2中，通过深度神经网络模型来拟合空压机的能效曲线的步骤如下：

步骤S201：分析影响空压机能效的特征，并加以提取清洗；

步骤S202：对输入数据标准化；

步骤S203：构建深度神经网络模型，并初始化神经网络参数；

步骤S204：对深度神经网络模型进行训练；

步骤S205：使用评价函数评估深度神经网络模型拟合效果并选择模型；

步骤S206：对能效曲线逻辑进行验证。

进一步地，当每台空压机安装有流量计时，能够直接获取空压机的出口流量；当空压机没有安装流量计时，需要估算单台空压机的出口流量。

进一步地，所述步骤S3中，给定空气压缩机系统当前总流量，在满足单台空压机的最低负载要求、最低压力要求的限制条件下，对多种空压负载组合进行搜索，找出能效最高的组合。

进一步地，读取当前空气压缩机系统的总流量和设备运行信息，通过穷举优化算法，寻找能效最高的空压机负载组合。

进一步地，所述穷举优化算法满足以下限制条件：

单台空压机的负载比例需要达到安全上限；以及单台空压机的最低压力设置需要达到空气压缩机系统的最低压力要求；满足系统总流量最低需求。

进一步地，所述空压机的负载率与出口流量百分比的比例为1:1，其中，出口流量百分比＝出口流量/额定流量；负载率＝电功率/额定功率。