一种基于多模态负荷预测与强化学习的水蓄冷系统能效优化方法与流程

本申请涉及计算机技术的领域，尤其是涉及一种基于多模态负荷预测与强化学习的水蓄冷系统能效优化方法和装置。

背景技术：

1、随着大型公共建筑（例如，机场能源站、轨道交通、体育场馆）集中供冷系统的规模化应用，水蓄冷系统作为实现电力“削峰填谷”、提升能源站综合能效比（scop）的核心环节，其调度控制策略的智能化程度可以直接影响系统的运行经济性与稳定性。

2、相关技术中，在水蓄冷系统的调度管理中，通常采用传统数值优化方法（例如，基于固定时间节点的规则控制法（rule-based control）、线性规划和二次规划），或者采用无约束前馈神经网络进行独立控制，未能将物理设备的运行硬约束纳入算法求解体系。具体而言，控制系统预设固定的充蓄冷时间段，并根据历史负荷均值设定冷水机组的运行功率。在负荷预测方面，主要依赖历史负荷的单一维度时序数据进行外推，并下发调度指令。

3、针对上述中的相关技术，由于大型建筑的冷负荷受室外气象耦合特征、电价时空特征和设备实时物理状态等多维度因素的交互影响，现有的调度方法存在以下问题：第一，采用单一冷负荷时序数据进行预测，忽略了气象参数与设备状态的非线性耦合，导致负荷预测曲线与实际需求偏差较大，无法支撑精准调度。第二，固定规则或传统的数值优化方法依赖人工预设约束与目标权重，无法根据实时负荷波动和复杂的物理约束（例如，机组负荷率限值、充放冷速率限值）进行自适应动态调整，导致系统调度决策结果容易陷入局部最优。同时，未能有效将能效比、电能消耗成本与设备启停损耗转化为统一的算法奖励函数，难以实现多目标协同的最优决策。此外，现有决策通常为静态单次求解，缺乏在长周期时间窗口内的滚动推演与短步长纠偏能力，难以应对未来时段的突发干扰。第三，控制策略下发后通常处于开环状态，缺乏闭环反馈，无法根据现场实际运行产生的数据动态迭代优化预测模型权重和决策算法参数。由于硬件状态老化和环境参数改变，导致算法适配性随运行时间增加而持续下降，综合能效不能达到期望优化水平，还有改进的空间。

技术实现思路

1、为了克服现有水蓄冷系统调度中负荷预测维度单一、决策难以兼顾多目标与物理约束，模型长期适配性差的问题，本申请提供一种基于多模态负荷预测与强化学习的水蓄冷系统能效优化方法。

2、第一方面，本申请提供一种基于多模态负荷预测与强化学习的水蓄冷系统能效优化方法，采用如下的技术方案：

3、采集水蓄冷系统的多源运行数据，其中，上述多源运行数据包括：负荷数据、环境气象数据、电能属性数据和设备状态数据；对上述多源运行数据进行特征融合处理，得到多模态特征向量；将上述多模态特征向量输入至预设具有注意力机制的负荷预测模型中，得到预设未来时间段内上述水蓄冷系统的负荷预测结果，其中，上述负荷预测模型是长短期记忆网络模型；基于上述负荷预测结果和上述设备状态数据，构建状态空间数据集；利用预设的强化学习决策模型对上述状态空间数据集进行求解处理，得到初始调度策略，其中，上述初始调度策略包括：冷水机组的初始负荷率和蓄冷装置的初始充放冷速率；对上述初始调度策略进行滚动优化处理，得到调节参数；基于上述调节参数，调节上述冷水机组的运行功率和上述蓄冷装置的调节阀门。

4、第二方面，本申请提供一种基于多模态负荷预测与强化学习的水蓄冷系统能效优化装置，采用如下的技术方案：

5、采集模块，用于采集水蓄冷系统的多源运行数据；存储器，用于存储上述的一种基于多模态负荷预测与强化学习的水蓄冷系统能效优化方法的程序；处理器，存储器中的程序能够被处理器加载执行且实现上述的一种基于多模态负荷预测与强化学习的水蓄冷系统能效优化方法。

6、本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的基于多模态负荷预测与强化学习的水蓄冷系统能效优化方法，可以提升大型能源站系统的综合能效比（scop），在保障末端供冷需求的前提下，实现系统运行能效提升、设备磨损降低和电能消耗分布的优化。具体来说，造成现有水蓄冷调度策略难以达到全局最优且适配性较差的原因在于：传统算法主要依赖历史负荷的单一维度时序数据，难以捕捉气象波动、动态电费权重和设备物理状态之间的非线性耦合关系，导致预测偏差较大；同时，静态规则或传统数值优化方法在应对复杂的多目标约束（例如，能效、耗能、设备启停损耗）时缺乏自适应寻优能力，且由于缺乏闭环反馈机制，算法难以随设备老化或环境变迁进行自主迭代。基于此，本公开的一些实施例的基于多模态负荷预测与强化学习的水蓄冷系统能效优化方法：首先，采集水蓄冷系统的多源运行数据，其中，上述多源运行数据包括：负荷数据、环境气象数据、电能属性数据和设备状态数据。由此，建立了一个涵盖环境影响因子、系统能量状态和电网侧需求权重的多维信息感知基础，确保后续算法处理具备充分且客观的物理背景数据支撑。其次，对上述多源运行数据进行特征融合处理，得到多模态特征向量。由此，通过特征工程消除了不同量纲数据间的冗余，提取了气象参数与冷负荷之间的深度耦合特征和电价时段的编码信息，增强了输入数据对系统动态特性的表征能力。接着，将上述多模态特征向量输入至预设具有注意力机制的负荷预测模型中，得到预设未来时间段内上述水蓄冷系统的负荷预测结果，其中，上述负荷预测模型是长短期记忆网络模型。由此，利用深度学习网络捕捉负荷的时序长短期依赖性，并通过注意力机制动态赋予不同时段特征以科学权重，减小了因环境剧烈波动导致的负荷预测偏差，为调度决策提供了精准的先验信息。然后，基于上述负荷预测结果和上述设备状态数据，构建状态空间数据集。由此，将未来的负荷需求压力与设备当前的运行潜能统一映射至决策空间，使得智能体能够全面感知“需求与供给”的实时平衡状态。再者，利用预设的强化学习决策模型对上述状态空间数据集进行求解处理，得到初始调度策略，其中，上述初始调度策略包括：冷水机组的初始负荷率和蓄冷装置的初始充放冷速率。由此，通过智能体在多目标奖励函数下的自适应寻优，实现了在多个维度（例如，系统能效、运行能耗权重和硬件损耗）下的动态策略生成，突破了传统人工规则在复杂约束下难以获得最优解的局限性。接着，对上述初始调度策略进行滚动优化处理，得到调节参数。由此，结合了长周期全局规划与短周期精细化控制的优势，确保了调度指令在满足物理安全限值的前提下具备平滑性，有效应对了预测误差带来的实时运行风险。最后，基于上述调节参数，调节上述冷水机组的运行功率和上述蓄冷装置的调节阀门。由此，将数字化优化指令转化为物理层面的设备动作，直接实现了对水蓄冷系统中核心耗能部件与蓄能部件的精准调控，达成了节能降耗的物理技术效果。此外，通过对实际运行数据的持续监测与闭环反馈，实现了预测权重与决策参数的动态迭代，确保了系统控制模型在长期运行过程中的适配性与稳定性，实现在大型集中供冷系统中的全局能效最优管理。

1.一种基于多模态负荷预测与强化学习的水蓄冷系统能效优化方法，其特征在于，包括：

2.根据权利要求1所述的一种基于多模态负荷预测与强化学习的水蓄冷系统能效优化方法，其特征在于，所述对所述多源运行数据进行特征融合处理，得到多模态特征向量的步骤包括：

3.根据权利要求1所述的一种基于多模态负荷预测与强化学习的水蓄冷系统能效优化方法，其特征在于，所述将所述多模态特征向量输入至预设具有注意力机制的负荷预测模型中，得到预设未来时间段内所述水蓄冷系统的负荷预测结果的步骤包括：

4.根据权利要求1所述的一种基于多模态负荷预测与强化学习的水蓄冷系统能效优化方法，其特征在于，所述强化学习决策模型为基于深度q网络框架的强化学习智能体；以及所述利用预设的强化学习决策模型对所述状态空间数据集进行求解处理，得到初始调度策略的步骤包括：

5.根据权利要求4所述的一种基于多模态负荷预测与强化学习的水蓄冷系统能效优化方法，其特征在于，所述基于预设的多目标奖励函数，对所述动作价值预测结果进行策略寻优处理，得到具有最大化期望回报的目标动作指令的步骤包括：

6.根据权利要求5所述的一种基于多模态负荷预测与强化学习的水蓄冷系统能效优化方法，其特征在于，所述基于得到的各个综合奖励值，确定具有最大化期望回报的候选动作作为目标动作指令的步骤包括：

7.根据权利要求1所述的一种基于多模态负荷预测与强化学习的水蓄冷系统能效优化方法，其特征在于，所述对所述初始调度策略进行滚动优化处理，得到调节参数的步骤包括：

8.根据权利要求1所述的一种基于多模态负荷预测与强化学习的水蓄冷系统能效优化方法，其特征在于，在所述基于所述调节参数，调节所述冷水机组的运行功率和所述蓄冷装置的调节阀门之后，还包括：

9.一种基于多模态负荷预测与强化学习的水蓄冷系统能效优化装置，其特征在于，包括：