机理数据混合驱动的供冷设备动态建模方法及装置
本发明涉及集中供冷系统建模与运行控制,具体涉及一种机理数据混合驱动的供冷设备动态建模方法及装置,可用于集中供冷系统中冷水机组、水泵、蓄冷装置及热泵机组的动态预测、控制仿真和调度分析。
背景技术:
1、集中供冷系统通常由冷水机组、冷冻水泵、冷却水泵、冷却塔、蓄冷装置、换热设备、输配管网及末端设备构成,用于向建筑群或园区提供集中式冷量。为了执行设备控制、系统调节及调度优化,需要建立能够描述设备输入、状态和输出之间动态关系的模型,并利用该模型预测设备制冷量、耗电量、流量及供回水温度等运行参数。
2、现有集中供冷系统设备模型主要包括机理模型和数据驱动模型。机理模型通常依据热力学、传热学及流体力学规律建立微分方程或微分代数方程,通过预先设置的传热系数、效率参数及水力参数计算设备响应。数据驱动模型则利用历史运行数据训练输入与输出之间的映射关系。在不同控制层级中,还可以分别建立具有不同仿真步长和简化程度的设备模型。
3、对于采用固定物理参数的机理模型,设备运行过程中形成的换热性能变化、机械效率变化及水力特性变化会使实际物理参数相对于初始参数发生漂移,固定参数难以及时反映该变化。单独采用参数辨识方式进行修正时,又难以充分表征未被机理方程显式描述的结构性残差。纯数据驱动模型虽然可以拟合非线性残差,但其输出缺少由机理方程提供的物理约束,在样本覆盖不足的运行工况下容易产生偏离实际能量传递规律的预测。
4、因此,现有技术至少存在以下问题:一是设备物理参数的慢变漂移与机理模型的结构性残差同时存在,单一路径的模型校准或误差拟合方式难以在保持物理可解释性的同时持续维持设备动态预测精度;二是秒级、分钟级与小时级模型采用不同程度的动态简化,仅共享参数数值时难以消除模型简化造成的结构偏差,容易导致不同控制层级对同一设备运行能力的预测不一致。
技术实现思路
1、本发明所要解决的技术问题是:针对集中供冷系统设备的物理参数随运行过程发生漂移且机理模型存在结构性残差的情况,提供一种能够分别更新物理参数后验分布和输出残差修正量的动态建模方法;同时,对不同时间尺度模型的参数及结构偏差进行统一管理,以提高秒级、分钟级与小时级模型对设备运行能力表征的一致性。
2、为解决上述技术问题,本发明提供一种机理数据混合驱动的供冷设备动态建模方法,包括:
3、建立集中供冷系统设备的微分代数方程机理模型,并将所述机理模型的物理参数向量设定为待校准参数;
4、基于滑动窗口运行数据与所述机理模型输出的残差构造似然函数,更新得到所述物理参数向量的后验分布,取后验均值参数,得到校准后机理模型;
5、将未建模因素的可观测量输入神经网络误差补偿器,输出残差修正量;
6、并行运行所述后验分布的更新与所述残差修正量的输出,并将所述校准后机理模型输出与所述残差修正量叠加,得到设备动态预测结果;
7、基于所述校准后机理模型建立秒级、分钟级与小时级三级模型库,将任一级模型更新的参数值经统一参数数据库向另外两级模型发布。
8、进一步地,所述基于滑动窗口运行数据与所述机理模型输出的残差构造似然函数,更新得到所述物理参数向量的后验分布,取后验均值参数,得到校准后机理模型,包括:
9、以设备厂家样本数据拟合所述物理参数向量中传热系数分量与效率分量的先验分布,所述传热系数分量的先验分布取截断正态分布,所述效率分量的先验分布取beta分布;
10、取所述滑动窗口内的分钟级采样数据,以所述机理模型输出的供回水温度、设备功率与冷冻水流量相对所述分钟级采样数据中实测值的偏差构造所述似然函数;
11、采用马尔可夫链蒙特卡洛抽样,基于所述先验分布与所述似然函数求解得到所述后验分布;
12、取所述后验分布的均值作为所述待校准参数的取值投入所述机理模型,得到所述校准后机理模型,并保留所述后验分布的协方差用于不确定性传播分析;
13、按所述滑动窗口右端滑入新采样数据、左端滑出旧采样数据的方式,滚动重复所述后验分布的更新。
14、进一步地,所述采用马尔可夫链蒙特卡洛抽样,基于所述先验分布与所述似然函数求解得到所述后验分布,包括:
15、将所述物理参数向量与所述机理模型的隐状态初值增广为联合采样对象;
16、按传热类参数、机械效率类参数与水力类参数的物理分组,对所述联合采样对象执行分块metropolis-hastings更新;
17、以已接受样本的经验协方差按robbins-monro衰减系数在线缩放块内提议协方差,使抽样接受率维持在预设接受率区间内;
18、在所述似然函数能够整理为线性高斯状态空间形式时,以卡尔曼滤波递推替代前向动态仿真计算似然值;
19、保存上一轮马尔可夫链的链尾样本,作为下一轮所述滑动窗口内抽样的起点,取消重复烧入。
20、进一步地,所述方法还包括:
21、每完成一轮所述后验分布的更新,取最近未参与本轮更新的运行数据时间断面执行留出检验;
22、在所述留出检验的后验预测覆盖率偏离预设覆盖率区间时,回退至上一轮有效的所述后验分布,并在延长所述滑动窗口的长度后重新执行所述后验分布的更新;
23、在所述留出检验的残差呈持续性水平位移时,暂停所述后验分布的更新,并输出设备突变维护告警。
24、进一步地,所述将未建模因素的可观测量输入神经网络误差补偿器,输出残差修正量,包括:
25、将换热器进出口温差的累计趋势量、压缩机吸气过热度的漂移量、室外干球温度与露点温度之差以及当前运行工况点坐标作为所述未建模因素的可观测量,输入所述神经网络误差补偿器;
26、由所述神经网络误差补偿器输出对所述校准后机理模型的制冷量、耗电量与冷冻水出水温度的所述残差修正量;
27、以实测值与所述校准后机理模型输出之差构成的残差序列为训练目标,对所述神经网络误差补偿器执行监督训练,并随运行数据的积累执行在线增量学习。
28、进一步地,所述由所述神经网络误差补偿器输出对所述校准后机理模型的制冷量、耗电量与冷冻水出水温度的所述残差修正量,包括:
29、由所述神经网络误差补偿器输出储热内能状态与储冷内能状态的修正率,并将所述修正率经热容折算为所述残差修正量;
30、在所述神经网络误差补偿器的编码器与输出层之间设置潜变量层,所述潜变量层的维数小于所述编码器输出的维数,使所述残差修正量被约束于预设的扰动模态集合内;
31、所述输出层的权重矩阵经cayley变换保持正交性,并以半负定二次型合成输出,使所述残差修正量对应的功率项满足能量耗散不等式;
32、在所述神经网络误差补偿器的损失函数中加入对所述后验分布均值响应的正交投影惩罚项以及潜变量维度稀疏正则项;
33、对所述残差修正量依次执行幅值限幅与朝耗散方向的分量筛选后叠加至所述校准后机理模型输出,并在运行工况点的样本覆盖度低于预设覆盖度阈值时,按所述样本覆盖度的比例衰减所述残差修正量。
34、进一步地,所述建立集中供冷系统设备的微分代数方程机理模型,并将所述机理模型的物理参数向量设定为待校准参数,包括:
35、所述集中供冷系统设备包括冷水机组、冷冻水泵、冷却水泵、蓄冷装置与热泵机组;
36、所述冷水机组的所述机理模型包含压缩机能效方程、蒸发器与冷凝器的效能-传热单元数法传热方程以及制冷剂质量流量平衡方程;
37、所述冷冻水泵与所述冷却水泵的所述机理模型包含扬程-流量特性曲线方程、轴功率方程以及随转速变化的相似定律换算关系;
38、所述蓄冷装置的所述机理模型包含分层水温的集总参数能量平衡微分方程与充冷放冷特性方程;
39、所述热泵机组的所述机理模型包含蒸汽压缩循环方程,并耦合四通换向阀的制热与制冷切换逻辑;
40、针对所述集中供冷系统设备中的每类设备构建复杂度不同的备选机理结构,以边际似然最大的备选机理结构作为对应设备的所述机理模型的结构。
41、进一步地,所述基于所述校准后机理模型建立秒级、分钟级与小时级三级模型库,将任一级模型更新的参数值经统一参数数据库向另外两级模型发布,包括:
42、所述秒级模型的仿真步长为0.1秒至1秒,并保留所述校准后机理模型的完整微分代数方程动态特性;
43、所述分钟级模型的仿真步长为1分钟至5分钟,在所述秒级模型的基础上消去刚性快变量,并保留管网输配延迟与机组调节惯性;
44、所述小时级模型的仿真步长为1小时,在所述分钟级模型的基础上执行稳态化简化,并保留蓄冷装置容量约束与机组能效特性曲线;
45、所述统一参数数据库中同一设备的额定制冷量与效率参数存储为唯一数值,并由所述秒级模型、所述分钟级模型与所述小时级模型共用。
46、进一步地,所述方法还包括:
47、将所述小时级模型作为第一保真度模型、所述分钟级模型作为第二保真度模型、所述秒级模型作为第三保真度模型,并沿由冷冻水入口温度、负荷率与室外干球温度构成的工况网格采集所述第一保真度模型、所述第二保真度模型与所述第三保真度模型的响应输出;
48、以所述第一保真度模型的响应输出为先验均值,训练所述第二保真度模型与所述第一保真度模型之间的差异高斯过程;
49、以经缩放系数提升后的所述第二保真度模型的响应输出为先验均值,训练所述第三保真度模型与所述第二保真度模型之间的差异高斯过程,并对观测方差注册噪声项;
50、将所述差异高斯过程的超参数与训练时间戳写入所述统一参数数据库;
51、以实测值为基准,核对所述第一保真度模型的响应输出经所述差异高斯过程修正后与所述第三保真度模型的响应输出之间的偏差是否超出预设分位数包络,在超出时对所述差异高斯过程执行增量重训,并输出跨尺度失配标记。
52、本发明还提供一种机理数据混合驱动的供冷设备动态建模装置,包括:
53、机理建模模块,用于建立集中供冷系统设备的微分代数方程机理模型,并将所述机理模型的物理参数向量设定为待校准参数;
54、贝叶斯校准模块,用于基于滑动窗口运行数据与所述机理模型输出的残差构造似然函数,更新得到所述物理参数向量的后验分布,取后验均值参数,得到校准后机理模型;
55、残差补偿模块,用于将未建模因素的可观测量输入神经网络误差补偿器,输出残差修正量;
56、双通路叠加模块,用于并行运行所述后验分布的更新与所述残差修正量的输出,并将所述校准后机理模型输出与所述残差修正量叠加,得到设备动态预测结果;
57、多尺度管理模块,用于基于所述校准后机理模型建立秒级、分钟级与小时级三级模型库,将任一级模型更新的参数值经统一参数数据库向另外两级模型发布。
58、由于采用后验分布更新通路跟踪物理参数向量的变化,并采用神经网络误差补偿器表征未建模因素形成的结构性残差,使得物理参数的慢变漂移和不能由机理模型直接表达的残差能够通过不同通路进行处理;两条通路并行运行后,将校准后机理模型输出与经过约束的残差修正量叠加,能够在保留机理模型物理含义的基础上降低设备动态预测结果随设备运行状态变化产生的偏差,并能够在样本覆盖度不足时通过残差修正量的衰减保留机理模型的约束作用。
59、由于采用统一参数数据库在秒级、分钟级与小时级模型之间发布参数,并利用不同保真度模型之间的差异高斯过程登记和修正模型简化形成的结构偏差,使各级模型不仅共用同一设备的参数数值,还能够对不同简化程度造成的响应差异进行量化、审计和更新,从而降低调度、调节与控制层级之间因模型预测不一致产生的决策偏差。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com