基于人工智能的设备节能控制方法及系统与流程

摘要: 本发明属于设备智能化控制的,具体地涉及一种基于人工智能的设备节能控制方法及系统。背景技术:1、随着数据中心和通信机房规模的不断扩大,机房内控温设备(如精密空调、...
基于人工智能的设备节能控制方法及系统与流程

本发明属于设备智能化控制的,具体地涉及一种基于人工智能的设备节能控制方法及系统。

背景技术:

1、随着数据中心和通信机房规模的不断扩大,机房内控温设备(如精密空调、冷水机组、水泵、冷却塔等)的能耗占比日益突出。据统计,机房空调系统的能耗占机房总能耗的30%至40%,其中水系统能耗占空调系统能耗的60%至80%。现有机房控温设备多采用定频运行或基于固定阈值的控制方式,无法根据机房实际热负荷动态调整设备运行参数,导致设备长期处于低效运行状态,造成严重的能源浪费。

2、现有技术当中,部分机房采用了基于压差控制或温差控制的变流量调节方式,但在实际运行过程中,定压差控制容易在低负荷工况下出现“大流量小温差”现象,而定温差控制虽然节能效果较好,但其控制参数的设定往往依赖人工经验,缺乏对设备在不同工况下性能差异的精确评估。此外,传统控制方法缺乏对控温设备能耗的预测能力,无法在满足机房温度要求的前提下实现系统整体能耗最优。

技术实现思路

1、为了解决上述技术问题,本发明提供了一种基于人工智能的设备节能控制方法及系统,以解决上述现有技术当中的不足。

2、第一方面,本发明提供一种基于人工智能的设备节能控制方法,所述方法包括:

3、构建目标机房内温控设备的高保真数字伴生模型,并获取所述温控设备的实时运行参数以及机房环境参数;

4、基于所述实时运行参数以及所述机房环境参数进行在线热力学辨识,以提取表征所述温控设备性能衰减程度的热力学退化补偿因子,并基于因果推断引擎对所述实时运行参数进行因果特征重构,以构建用于描述关键参数间因果链的控温态势感知图谱;

5、构建融合所述热力学退化补偿因子的所述温控设备的能耗预测模型,并将所述控温态势感知图谱引入所述能耗预测模型中;

6、将当前机房的运行模式与云端知识库中的历史数据进行比对,并通过跨域知识迁移引擎提取相似度最高的先验知识,以生成先验知识引导向量;

7、基于所述能耗预测模型,以系统总能耗最小为目标函数,并以所述高保真数字伴生模型输出的机房温度推演值为约束条件,以及结合所述先验知识引导向量对寻优算法的初始解空间进行裁剪与引导,并利用所述寻优算法对所述温控设备的控制参数进行优化得到候选最优控制参数组合;

8、将所述候选最优控制参数组合输入所述高保真数字伴生模型进行前瞻性推演,若所述前瞻性推演的结果满足预设要求,则得到最终控制参数组合;

9、将所述最终控制参数组合下发至对应的温控设备执行,并将所述执行后的实际运行数据进行脱敏处理后得到新增知识样本,将所述新增知识样本回传至所述云端知识库。

10、与现有技术相比,本发明的有益效果是:通过构建高保真数字伴生模型,为机房温控系统提供了物理机理与数据驱动相融合的精确虚拟镜像,克服了传统模型难以反映设备多工况性能差异的缺陷;通过在线热力学辨识提取退化补偿因子并结合因果推断引擎构建态势感知图谱,精准捕捉设备性能衰减对能效的影响,显著提升了能耗预测模型的精度与可解释性;通过跨域知识迁移生成先验知识引导向量,克服了数据匮乏场景下的冷启动难题;以系统总能耗最小为目标、以数字伴生模型推演温度为约束,结合寻优算法优化控制参数并经前瞻性推演验证,实现了在满足机房温度要求前提下的整体能耗最优;执行数据脱敏回传使系统具备持续进化能力;本发明解决了大流量小温差、依赖人工经验及缺乏预测能力等行业痛点,具有显著的节能效益和广泛的工程适用性。

11、进一步的,所述构建目标机房内温控设备的高保真数字伴生模型的步骤包括:

12、基于图论将所述温控设备的水系统抽象为带权有向图,其中管段连接点作为节点,管段及关键设备作为边,设备的属性作为变量存储在所述边中;

13、基于深度优先遍历结合回溯算法以及动态规划算法,对所述带权有向图进行最长路径搜索,以得到最不利环路阻力;

14、根据所述最不利环路阻力进行管道尺寸设计和水泵扬程计算,完成所述高保真数字伴生模型的物理架构搭建;

15、基于数字孪生技术将所述物理架构映射至云端,以得到所述高保真数字伴生模型,所述高保真数字伴生模型的表达式为:

16、;

17、式中,表示高保真数字伴生模型,表示控制输入向量,表示状态输入向量,表示物理机理层函数,表述数据驱动层函数,表示置信度调节系数。

18、进一步的,所述基于所述实时运行参数以及所述机房环境参数进行在线热力学辨识,以提取表征所述温控设备性能衰减程度的热力学退化补偿因子的步骤包括:

19、基于能量守恒关系构建热力学基准模型,并将所述实时运行参数代入所述热力学基准模型,以计算理论输出值与实际传感器采集值之间的残差,其中,所述能量守恒关系的表达式为;

20、;

21、式中,表示水的比热容,表示冷水机组冷水流量,表示冷水机组冷水进口温度,表示冷水机组冷水出口温度,表示冷水机组压缩机电功率,表示冷水机组向环境的散热损失功率,表示冷水机组冷却水流量,表示冷水机组冷却水出口温度,表示冷水机组冷却水进口温度;

22、所述残差的计算表达式为:

23、;

24、式中,表示残差,表示根据传感器实测数据计算的蒸发器实际制冷量,表示基于热力学基准模型计算的理论制冷量,表示实际运行能效比,表示理论能效比;

25、基于所述残差的时间序列变化趋势,采用滑动窗口回归分析动态辨识所述温控设备的性能衰减系数,以生成所述热力学退化补偿因子。

26、进一步的,所述并基于因果推断引擎对所述实时运行参数进行因果特征重构,以构建用于描述关键参数间因果链的控温态势感知图谱的步骤包括:

27、采用结构因果模型对各所述实时运行参数进行因果效应量化,以计算任意两个实时运行参数之间的因果效应强度,并获取任意两个实时运行参数之间的相关系数;

28、剔除所述相关系数高于预设阈值但所述因果效应强度低于所述预设阈值的两个实时运行参数之间的虚假相关特征对,以保留具有显著因果关系的相关特征;

29、将所述显著因果关系的相关特征按照原因参数、因果路径以及结构参数的结构组织成图数据库,以生成所述控温态势感知图谱。

30、进一步的,所述构建融合所述热力学退化补偿因子的所述温控设备的能耗预测模型,并将所述控温态势感知图谱引入所述能耗预测模型中的步骤包括:

31、基于所述控温态势感知图谱确定能耗预测模型的输入特征集合;

32、基于宽度学习网络作为所述能耗预测模型的基础框架,所述宽度学习网络包含特征映射层和增强层;

33、将所述热力学退化补偿因子作为物理约束项叠加至所述宽度学习网络的损失函数中,所述损失函数的表达式为:

34、;

35、式中,表示损失函数,表示均方误差,表示自定义物理约束损失函数,、、分别表示均方误差项的权重系数、物理约束项的权重系数、正则化项的权重系数,表示正则化项;

36、基于所述损失函数采用误差反向传播机制和adam优化器更新所述宽度学习网络的输出层权重,以对所述能耗预测模型训练。

37、进一步的,所述将当前机房的运行模式与云端知识库中的历史数据进行比对,并通过跨域知识迁移引擎提取相似度最高的先验知识,以生成先验知识引导向量的步骤包括:

38、将所述控温态势感知图谱的结构化特征作为当前机房的运行模式描述子;

39、采用图编辑距离算法计算所述运行模式描述子与云端知识库中各历史案例的控温态势感知图谱之间的结构相似度;

40、选取所述结构相似度最高的前若干个历史案例作为迁移源,提取所述迁移源中对应的最优控制参数历史记录,并进行加权融合以生成所述先验知识引导向量。

41、进一步的,所述将所述候选最优控制参数组合输入所述高保真数字伴生模型进行前瞻性推演,若所述前瞻性推演的结果满足预设要求的步骤包括:

42、将所述候选最优控制参数组合作为输入边界条件加载至所述高保真数字伴生模型中;

43、在所述高保真数字伴生模型中模拟执行所述候选最优控制参数组合在未来预设时长内的控制效果,得到机房温度预测曲线和系统能耗预测值;

44、当所述机房温度预测曲线在所述预设时长内的最高温度不超过机房温度上限阈值,且温度波动幅度不超过预设波动阈值,且所述系统能耗预测值不高于所述能耗预测模型输出的当前预测能耗值时,判定所述前瞻性推演的结果满足预设要求。

45、第二方面,本发明还提供一种基于人工智能的设备节能控制系统,所述系统包括:

46、构建获取模块,用于构建目标机房内温控设备的高保真数字伴生模型,并获取所述温控设备的实时运行参数以及机房环境参数;

47、提取重构模块,用于基于所述实时运行参数以及所述机房环境参数进行在线热力学辨识,以提取表征所述温控设备性能衰减程度的热力学退化补偿因子,并基于因果推断引擎对所述实时运行参数进行因果特征重构,以构建用于描述关键参数间因果链的控温态势感知图谱;

48、构建引入模块,用于构建融合所述热力学退化补偿因子的所述温控设备的能耗预测模型,并将所述控温态势感知图谱引入所述能耗预测模型中;

49、比对提取模块,用于将当前机房的运行模式与云端知识库中的历史数据进行比对,并通过跨域知识迁移引擎提取相似度最高的先验知识,以生成先验知识引导向量;

50、引导优化模块,用于基于所述能耗预测模型,以系统总能耗最小为目标函数,并以所述高保真数字伴生模型输出的机房温度推演值为约束条件,以及结合所述先验知识引导向量对寻优算法的初始解空间进行裁剪与引导,并利用所述寻优算法对所述温控设备的控制参数进行优化得到候选最优控制参数组合;

51、输入推演模块,用于将所述候选最优控制参数组合输入所述高保真数字伴生模型进行前瞻性推演,若所述前瞻性推演的结果满足预设要求,则得到最终控制参数组合;

52、执行回传模块,用于将所述最终控制参数组合下发至对应的温控设备执行,并将所述执行后的实际运行数据进行脱敏处理后得到新增知识样本,将所述新增知识样本回传至所述云端知识库。

53、第三方面,本发明还提供一种电子设备,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述的基于人工智能的设备节能控制方法。

54、第四方面,本发明还提供一种存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述的基于人工智能的设备节能控制方法。