一种基于负荷预测的自适应节能循环水控制系统的制作方法

摘要: 本发明涉及流体管网智能控制,特别涉及一种基于负荷预测的自适应节能循环水控制系统。背景技术:1、在大型建筑的暖通空调或工业冷却系统中,循环水系统的能耗在整体运行能...
一种基于负荷预测的自适应节能循环水控制系统的制作方法

本发明涉及流体管网智能控制,特别涉及一种基于负荷预测的自适应节能循环水控制系统。

背景技术:

1、在大型建筑的暖通空调或工业冷却系统中,循环水系统的能耗在整体运行能耗中占据着极高比重。传统的循环水控制系统多采用固定温差、固定压差或简单的pid反馈控制策略,这类方法严重依赖局部实时反馈,存在极大的滞后性,无法实现全局能耗的削峰填谷与最优化配置。

2、近年来,部分公开技术引入了机器学习算法进行冷热负荷预测以实现前馈控制。然而,现有的基于负荷预测的控制方案普遍存在以下技术缺陷:第一,预测结果与物理执行存在严重脱节。现有方案通常直接将预测负荷映射为水泵频率或主机的启停指令,完全忽略了庞大的流体管网系统本身具有极大的“热惯性”;这种脱节导致在负荷波动时,控制指令频繁下发,引发底层水泵或机组剧烈振荡,反而增加了能耗并缩短了设备寿命。第二,控制系统缺乏应对管网动态衰减的自适应能力。在实际工程中,流体管网的阻力特性会随着管道结垢、阀门磨损等物理老化现象发生长期漂移,现有控制算法通常采用固化的静态模型,无法根据实际运行的能耗偏差进行闭环自我修正,导致系统运行后期节能效果大幅衰减。

3、因此,亟需一种能够计及管网热力学迟滞并具备自我迭代更新能力的控制系统。

技术实现思路

1、本发明提供了一种基于负荷预测的自适应节能循环水控制系统,融合多尺度负荷预测、管网热力学惯性量化与深度强化学习算法,实现计及管网物理迟滞的全局极小化能耗寻优,并具备应对管网老化漂移的闭环自适应学习能力。

2、本发明提供了一种基于负荷预测的自适应节能循环水控制系统,应用于包含环境气象传感器、循环水管网、物理执行设备和负荷末端的流体管网架构,包括依次通信连接的多源数据采集模块、多尺度负荷预测模块、管网热惯性评估模块、自适应寻优控制模块和逻辑验证反馈模块;

3、所述多源数据采集模块分别连接所述环境气象传感器、物理执行设备和循环水管网,获取包含环境气象参数、运行状态参数和管网流体参数的多源异构数据,并对所述多源异构数据进行时间戳对齐与异常值剔除处理形成多维特征矩阵;

4、所述多尺度负荷预测模块基于时间卷积网络提取所述多维特征矩阵中的时间序列特征并输出短期负荷预测值,基于长短期记忆网络处理所述多维特征矩阵输出预设预测周期内的中长期负荷预测曲线;

5、所述管网热惯性评估模块提取所述多维特征矩阵中的管网流体参数以获取当前供回水温差,结合预设的设计温差常数构建水力-热力耦合方程计算当前管网水体的虚拟蓄能量,并结合所述短期负荷预测值计算得到热惯性可利用时间;

6、所述自适应寻优控制模块根据所述短期负荷预测值、中长期负荷预测曲线和热惯性可利用时间构建强化学习智能体的状态空间,以所述物理执行设备的运行能耗最小化及所述负荷末端的环境约束条件构建奖励函数,通过深度确定性策略梯度算法进行极小化寻优生成控制指令并下发至所述物理执行设备;

7、所述逻辑验证反馈模块在所述物理执行设备执行所述控制指令后,采集实际运行能耗与作为下一时间步状态输入的实际系统状态,计算所述实际运行能耗与预期能耗的偏差以对所述强化学习智能体的网络权重进行闭环迭代更新。

8、进一步地,所述多源数据采集模块内部包括多维感知获取单元、时序对齐剔除单元与特征构建存储单元;

9、所述多维感知获取单元分别与所述环境气象传感器、所述物理执行设备和所述循环水管网建立物理通信连接以获取所述多源异构数据;

10、所述时序对齐剔除单元接收所述多源异构数据,并对所述多源异构数据执行基准时间分辨率的对齐以及异常噪声点的剔除;

11、所述特征构建存储单元将对齐且剔除异常后的多源异构数据拼接为具有统一时间维度的时序张量作为所述多维特征矩阵,并将所述多维特征矩阵存入数据库。

12、进一步地,所述时序对齐剔除单元对所述多源异构数据进行时间戳对齐与异常值剔除处理的具体过程包括:

13、设定全局统一的基准时间分辨率,对采样频率高于所述基准时间分辨率的高频采样数据执行时间窗口内的均值降采样处理,对采样频率低于所述基准时间分辨率的低频采样数据执行插值保持处理,以对齐所有数据的基准时间戳;

14、对基准时间戳对齐后的数据执行双层滤波机制,首先执行物理阈值截断以剔除超出预设物理量程范围的越限数据,随后利用滑动窗口计算数据的均值与标准差,基于预设的统计学准则识别并剔除高频突变噪声点。

15、进一步地,所述多尺度负荷预测模块内部包括矩阵接收分流单元、短期负荷预测单元和中长期负荷预测单元;

16、所述矩阵接收分流单元读取所述多维特征矩阵,根据历史时间窗口深度的差异化需求对所述多维特征矩阵执行数据切片,截取包含较短历史时间步的第一特征张量输入所述短期负荷预测单元,并截取包含较长历史时间步的第二特征张量输入所述中长期负荷预测单元;

17、所述短期负荷预测单元接收所述第一特征张量,利用叠加的一维空洞因果卷积层对所述第一特征张量执行卷积操作以提取高维特征,并将提取的所述高维特征输入全连接层进行物理量映射,输出单一目标时间步下的标量数据作为所述短期负荷预测值;

18、所述中长期负荷预测单元接收所述第二特征张量,利用细胞状态及内部包含的门控结构对所述第二特征张量执行长程依赖关系提取,针对所述预设预测周期执行多步自回归滚动预测以输出连续预测序列,并以所述连续预测序列构建为所述中长期负荷预测曲线。

19、进一步地,所述管网热惯性评估模块包括流体参数提取单元、虚拟蓄能计算单元以及惯性时间生成单元;

20、所述流体参数提取单元提取所述多维特征矩阵中的管网流体参数,解析出循环水管网供水温度与回水温度,执行差值运算获取绝对值形式的当前供回水温差;

21、所述虚拟蓄能计算单元将流体比热容、流体密度、管网水体总容积与预设的设计温差常数作为静态物理属性常数,结合所述当前供回水温差代入水力-热力耦合方程,计算得出虚拟蓄能量;

22、所述惯性时间生成单元接收所述虚拟蓄能量与所述短期负荷预测值,将所述虚拟蓄能量与所述短期负荷预测值作商,计算得出热惯性可利用时间。

23、进一步地,所述流体参数提取单元计算所述当前供回水温差的公式为:

24、

25、其中,为当前供回水温差,为回水温度,为循环水管网供水温度;

26、所述虚拟蓄能计算单元通过以下水力-热力耦合方程计算所述虚拟蓄能量:

27、

28、其中,为虚拟蓄能量,c为流体比热容,为流体密度,为管网水体总容积,为预设的设计温差常数,为当前供回水温差;

29、所述惯性时间生成单元计算所述热惯性可利用时间的公式为:

30、

31、其中,为热惯性可利用时间,为虚拟蓄能量,为短期负荷预测值。

32、进一步地,所述自适应寻优控制模块包括状态空间构建单元、奖励函数构建单元和策略梯度寻优单元;

33、所述状态空间构建单元接收所述短期负荷预测值、中长期负荷预测曲线和热惯性可利用时间,同步提取所述多维特征矩阵中的当前回水温度,将上述数据进行矩阵拼接构建为强化学习智能体的状态空间;

34、所述奖励函数构建单元计算所述物理执行设备在单步控制周期内消耗的总电量作为实际运行能耗,监测所述当前回水温度以生成越限违约惩罚项,结合预设权重系数构建数值化的奖励函数;

35、所述策略梯度寻优单元采用基于actor-critic双重网络架构的深度确定性策略梯度算法,将所述状态空间作为actor网络的输入,在连续的边界内输出确定性的动作向量,对所述动作向量执行反归一化映射后生成控制指令。

36、进一步地,所述状态空间构建单元构建所述状态空间具体为:

37、

38、其中,为状态空间,为短期负荷预测值,为中长期负荷预测曲线组成的时间序列矢量,为热惯性可利用时间,为当前回水温度;

39、所述奖励函数构建单元构建所述奖励函数具体为:

40、

41、其中,为奖励函数,为预设的能耗权重系数,为所述实际运行能耗,为预设的惩罚权重系数,为所述当前回水温度越过预设的合规区间时生成的绝对值大于预设阈值的越限违约惩罚项;

42、所述策略梯度寻优单元输出的所述动作向量具体为:

43、

44、其中,为动作向量,为冷水机组的供水温度设定值,为循环水泵的运行频率,反归一化映射后生成的所述控制指令包含所述供水温度设定值与所述运行频率,所述物理执行设备包括所述冷水机组与所述循环水泵。

45、进一步地,所述逻辑验证反馈模块内部包括物理反馈采集单元、能耗偏差计算单元和闭环迭代更新单元;

46、所述物理反馈采集单元在所述物理执行设备接收并执行所述控制指令经历一个预设控制步长后,汇总计算所述物理执行设备在该步长内消耗的总有功电量作为所述实际运行能耗,重新获取下一时间步的所述短期负荷预测值、所述中长期负荷预测曲线、所述热惯性可利用时间以及所述当前回水温度,将其拼接构建为实际系统状态,并将所述实际系统状态作为下一时间步状态输入;

47、所述能耗偏差计算单元读取所述强化学习智能体内部价值网络预先估算的预期能耗,将所述实际运行能耗与所述预期能耗执行数学减法运算,计算得出所述实际运行能耗与预期能耗的所述偏差;

48、所述闭环迭代更新单元根据所述偏差计算网络损失函数的梯度方向,通过梯度反向传播算法对所述强化学习智能体深层架构中的网络权重进行闭环迭代更新。

49、进一步地,所述闭环迭代更新单元对所述网络权重进行闭环迭代更新的具体过程包括:

50、所述闭环迭代更新单元将当前步的状态空间、执行的控制指令、即时生成的奖励函数以及所述下一时间步状态输入打包为物理经验轨迹,所述物理经验轨迹的数据定义为:

51、

52、其中,transition为物理经验轨迹,为当前步的状态空间,为执行的控制指令,为即时生成的奖励函数,为所述下一时间步状态输入;

53、所述闭环迭代更新单元将所述物理经验轨迹存储至系统的经验回放池中,当累积的物理经验轨迹达到预设批次阈值时,从所述经验回放池中随机抽样,并根据所述偏差计算网络损失函数的梯度方向以执行所述梯度反向传播算法。

54、本发明的有益效果为:

55、本发明构建管网热惯性评估模块,将庞大管网的虚拟蓄能量转化为直观的热惯性可利用时间,打破传统控制中因水力热力迟滞引发的设备振荡瓶颈;结合时间卷积网络与长短期记忆网络的多尺度负荷预测,兼顾即时闭环响应与全局蓄能前瞻;采用基于深度确定性策略梯度的自适应寻优控制,在保障末端环境合规约束的前提下,实现物理执行设备运行能耗的极小化连续寻优;此外,逻辑验证反馈模块通过采集实际能耗与预期能耗的偏差,对强化学习智能体进行经验回放与闭环迭代更新,赋予系统自发熨平管网老化及物理扰动的学习与环境自适应能力。