[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

摘要

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。

主权项

1.一种基于机器学习的制冷系统节能控制方法，其特征在于：所述方法利用基于机器学习的制冷系统节能控制系统进行节能控制，所述基于机器学习的制冷系统节能控制系统包括数据采集模块、数据处理模块和运行控制模块，所述方法包括以下步骤：/nS1：初始化运行工况参数：所述数据采集模块在一定的时间范围内，按照一定的时间步长采集制冷系统和用冷系统各时间点的运行工况参数，并发至所述数据处理模块；/nS2：初始化训练样本集：所述数据处理模块设定用于约束两个样本的输入向量相似程度的为非负值的相似偏差限、约束两个样本的输出值接近程度的为非负值的接近偏差限、其他数据处理和计算用参数，所述数据处理模块将每个时间点的运行工况参数按一定样本形成规则形成该时间点的训练样本，各时间点的训练样本形成初始的训练样本集，各时间点的训练样本遵从以下样本形成规则：训练样本由输入向量和输出值组成，该时间点的训练样本的输入向量的各元素为该时间点采集的按规定顺序排列的运行工况参数，该时间点的训练样本的输出值为采集的下一时间点的制冷负荷值；/nS3：建立机器学习负荷预测模型：所述数据处理模块根据训练样本集，使用机器学习建立负荷预测模型；/nS4：预测下一时间点负荷：所述数据采集模块采集当前时间点的运行工况参数，所述数据处理模块依照步骤S2的规则形成当前时间点的测试样本的输入向量，并代入所述负荷预测模型，计算出下一时间点的负荷预测值；/nS5：调整制冷系统调节速度：所述数据处理模块将当前时间点的测试样本与训练样本集中的各训练样本进行比较，判断是否存在训练样本的输入向量与当前时间点的测试样本的输入向量的相似程度在所述相似偏差限内，当满足要求的训练样本存在时，训练样本形成相似训练样本集，找出相似训练样本集中输入向量与当前时间点的测试样本的输入向量的相似程度最大的样本作为最相似训练样本；/n当最相似训练样本存在时，计算下一时间点的负荷预测值与最相似训练样本中记录的下一个时间点实际负荷值的差，并称为最相似样本实际负荷差；/n当最相似样本实际负荷差大于所述接近偏差限时，则所述数据处理模块在最相似样本中记录的实际调节速度相关参数的基础上，在当前时间点与下一时间点之间的时间段内通过所述运行控制模块对制冷系统的调节速度进行加速调整；/n当最相似样本实际负荷差小于负的所述接近偏差限时，则所述数据处理模块在最相似样本中记录的实际调节速度相关参数的基础上，在当前时间点与下一时间点之间的时间段内通过所述运行控制模块对制冷系统的调节速度进行减速调整；/n当为其他情况时，则所述运行控制模块在当前时间点与下一时间点之间的时间段内对制冷系统的调节速度不进行调整；/nS6：修正训练样本集：在下一时间点时，所述数据处理模块将采集的下一时间点的实际负荷值作为当前时间点的测试样本的输出值后形成当前时间点的新训练样本，并加入到训练样本集，并判断所述数据采集模块采集的下一时间点用冷系统实际的供冷效果是否等于设定的对应供冷目标、且下一时间点的实际负荷值是否等于步骤S4中下一时间点的负荷预测值；/n当上述判断不成立时，所述数据处理模块计算下一时间点的负荷预测偏差，将新训练样本的输出值加上负荷预测偏差作为新训练样本新的输出值，并按照步骤S5中相似训练样本集是否存在的情况进行相应处理；/n当相似训练样本集存在时，所述数据处理模块计算所述相似训练样本集中各训练样本的输出值和新训练样本的输出值的差的绝对值并称为相似样本输出差，找出所述相似样本输出差最大的且大于所述接近偏差限的训练样本并从训练样本集中删除；/nS7：迭代循环：所述数据处理模块将下一时间点设为当前时间点，判断系统是否完成运行了一个设定时间段并将所述设定时间段称为模型修正周期，当未完成运行一个所述模型修正周期时则转至执行步骤S4，当完成运行一个所述模型修正周期时则转至执行步骤S3，继续对制冷系统进行运行控制。/n