基于深度前馈神经网络的水冷机组供冷优化方法及系统
本发明涉及建筑节能与暖通空调自动控制,具体涉及一种基于深度前馈神经网络的水冷机组供冷优化方法及系统。
背景技术:
1、在大型商业办公建筑中,暖通空调系统是主要的能源消耗来源,其能耗通常占建筑总能耗的50%以上。水源热泵系统因能高效利用低品位地热能、实现冷热联供,被列为绿色建筑与可再生能源建筑应用的重点推荐技术。然而,在实际工程运行中,水源热泵空调系统普遍存在以下技术难题:
2、其一,冷负荷预测精度不足。夏季冷负荷受太阳辐射、人员随机行为、设备散热等多因素强耦合影响,表现出高度的非线性与动态波动特征。传统物理模型即白箱模型建模复杂、参数难以获取,且无法适应实际运行中的动态变化;纯数据驱动模型即黑箱模型虽能拟合非线性关系,但缺乏物理约束,泛化能力受限,对历史负荷时序特征的利用不足。
3、其二,系统运行能效偏低。现有热泵系统多采用定流量运行模式,导致大流量、小温差的低效现象,水泵能耗占总能耗比例过高。机组、水泵等设备之间缺乏协同优化,在部分负荷工况下效率显著下降。
4、其三,多变量协同优化求解困难。冷热源机房的优化涉及机组开启台数即离散变量与供水温度、循环流量即连续变量的多变量强耦合问题,目标函数呈非凸特性。单一使用确定性梯度算法如序列二次规划法、内点法易陷入局部最优;单一使用启发式算法如遗传算法则存在收敛速度慢、精度不足的问题。
5、其四,群控调度策略缺失。现有研究多停留在单设备优化层面,缺乏面向机房整体的机组与水泵协同群控策略,无法保证设备在高效负载区间运行。
6、因此,如何构建高精度的夏季冷负荷预测模型,并在此基础上实现水源热泵系统多变量协同优化与群控调度,成为本领域待解决的关键技术问题。
技术实现思路
1、为此,本发明的目的在于克服上述现有技术的缺陷,提供一种基于深度前馈神经网络的水冷机组供冷优化方法及系统,通过深度前馈神经网络实现冷负荷的高精度预测,并结合物理感知强化学习实现温度-流量协同优化与群控调度,提升水源热泵供冷系统的运行能效。
2、为实现上述目的,本发明采用如下技术方案:第一方面,本发明提供一种基于深度前馈神经网络的水冷机组供冷优化方法,应用于水源热泵供冷系统,所述方法包括以下步骤:
3、获取水源热泵供冷系统的历史运行数据,基于所述历史运行数据建立水源热泵机组能耗灰箱模型,所述能耗灰箱模型表征机组功率与机组制冷量及水源侧供回水温差之间的非线性映射关系;
4、构建深度前馈神经网络冷负荷预测模型,将实时采集的环境扰动特征、时间周期特征以及历史冷负荷序列输入所述深度前馈神经网络冷负荷预测模型,输出未来时刻的冷负荷预测值;
5、基于水源热泵供冷系统的实测运行数据,实时动态辨识系统边界条件参数,所述系统边界条件参数包括机组性能系数、理想卡诺性能系数、热力学完善度、循环水泵效率以及系统运行能效比;
6、将供冷工况下机组开启台数与水泵开启台数的离散变量、冷冻水供水温度与循环流量的连续变量协同调控问题,形式化为带物理约束的马尔可夫决策过程,以系统总能耗最小为优化目标,通过离线预训练与在线微调相结合的两阶段混合强化学习,训练温度-流量协同优化与群控调度策略网络;
7、将所述冷负荷预测值输入所述温度-流量协同优化与群控调度策略网络,求解最优冷冻水供水温度与系统循环流量,并枚举匹配机组开启台数与水泵开启台数,生成对应的控制指令下发至水源热泵机组与变频水泵,使设备运行点维持在预设高效负载区间,实现供冷系统的协同优化控制。
8、进一步地,所述建立水源热泵机组能耗灰箱模型,包括采用基于ashrae标准的热泵机组能耗多项式回归模型,所述多项式回归模型的表达式为:
9、(2-1)
10、式中,为热泵机组功率,单位为kw;为机组制冷量,单位为kw;为水源侧进水温度与冷冻水供水温度之差,即,单位为℃;为待辨识的机组特征参数;基于能量守恒与热力学循环基本方程确定所述多项式回归模型的函数形式,利用实测运行数据通过非线性最小二乘法对所述机组特征参数进行辨识。
11、进一步地,所述历史运行数据在输入所述多项式回归模型之前,还经过数据清洗流程,所述数据清洗流程包括:基于时序差分的稳态识别,采用一阶前向差分法监测机组性能系数及部分负载率的波动率,当波动率小于稳态阈值时判定为稳态工况样本;物理边界约束筛选,剔除部分负载率低于预设下限以及机组性能系数超出预设区间的样本;基于局部中位数绝对偏差准则的鲁棒异常值检测,按部分负载率和出水温度划分局部特征区域,对各局部特征区域内的样本进行异常值判定并剔除。
12、进一步地,所述环境扰动特征、时间周期特征以及历史冷负荷序列构成高维复合特征空间,式中:所述环境扰动特征包括各典型楼层室内温度、室内相对湿度、室外温度以及室外相对湿度,共计14维;所述时间周期特征为当前时刻小时数经归一化处理后的特征,共计1维,当前时刻小时数;所述历史冷负荷序列为预测时刻前2小时内的冷负荷历史实测值,采样步长为5分钟,共计24维;所述高维复合特征空间的总输入维度为39维。
13、进一步地,所述深度前馈神经网络冷负荷预测模型的网络拓扑结构为:
14、输入层,输入维度为39维,用于输入所述高维复合特征空间的特征向量;全连接隐含层1,包含128个神经元,采用relu激活函数;dropout正则化层,丢弃率为0.1;全连接隐含层2,包含64个神经元,采用relu激活函数;输出层,包含1个神经元,采用linear激活函数,输出未来时刻的冷负荷预测标量。
15、进一步地,所述深度前馈神经网络冷负荷预测模型的训练策略包括:
16、采用均方误差作为损失函数;采用adam优化器进行参数更新,初始学习率为;批量大小为128,最大训练轮数为200;将样本数据按8:2的比例划分为训练集与独立测试集,利用所述训练集进行模型参数训练,利用所述独立测试集进行模型性能验证。
17、进一步地,所述历史冷负荷序列的时长通过以下方式确定:分别选取1小时、2小时、3小时以及4小时四种历史负荷特征时长,构建对应时长的历史冷负荷特征;对比四种历史负荷特征时长下冷负荷预测模型的预测性能指标,选取预测性能最优的2小时作为最优历史特征时长。
18、进一步地,所述环境扰动特征、时间周期特征以及历史冷负荷序列在输入所述深度前馈神经网络冷负荷预测模型之前,还经过数据预处理,所述数据预处理包括:
19、全局3σ粗筛,剔除偏离全局均值超过3倍标准差的异常样本;数据连续性检测,检测相邻样本之间的时间间隔,当时间间隔超过预设阈值时标记为数据中断区间;分段线性插值补全,对所述数据中断区间内的缺失数据采用分段线性插值方法进行补全;局部hampel滤波器细筛,采用窗口半宽为6的局部hampel滤波器,以3倍局部中位数绝对偏差为判定阈值对补全后的数据进行二次异常值剔除;min-max归一化,将预处理后的数据归一化至区间。
20、进一步地,所述系统边界条件参数中的机组性能系数按照下式计算:
21、(3-1)
22、式中,为机组性能系数;为机组制冷量,为热泵机组输入功率;
23、所述机组制冷量按照下式计算:
24、(3-2)
25、式中,为冷冻水质量流量,为冷冻水比热容,为冷冻水回水温度,为冷冻水供水温度。
26、进一步地,所述系统边界条件参数中的理想卡诺性能系数按照下式计算:
27、(3-3)
28、式中,为理想卡诺性能系数;为蒸发器温度,单位为℃;为冷凝器温度,单位为℃;
29、所述热力学完善度按照下式计算:
30、(3-4)
31、式中,为热力学完善度,为机组性能系数,为理想卡诺性能系数。
32、进一步地,所述系统边界条件参数中的循环水泵效率按照下式计算:
33、(3-5)
34、式中,为循环水泵效率,为循环水泵有效功率,为循环水泵轴功率;
35、所述系统运行能效比按照下式计算:
36、(3-6)
37、式中,为系统运行能效比,为系统总制冷量,为各热泵机组功率之和,为各循环水泵功率之和。
38、进一步地,所述马尔可夫决策过程的奖励函数按照下式设计:
39、(4-3)
40、式中,为奖励值;为机组功耗与水泵功耗之和,即;为能量归一化基准;
41、所述系统总能耗最小的目标函数为:
42、(4-1)
43、式中,为第台热泵机组的功率之和,为第台循环水泵的功率之和。
44、进一步地,所述变频水泵功耗遵循流体机械相似定律,所述流体机械相似定律包括:
45、(4-2)
46、式中,为实际工况流量,为额定工况流量;为实际工况扬程,为额定工况扬程;为实际工况水泵轴功率,为额定工况水泵轴功率;为实际工况转速,为额定工况转速。
47、进一步地,所述带物理约束的马尔可夫决策过程的约束条件包括:
48、冷冻水供水温度;供回水温差;机组负载率;回水温度,且冷冻水供水温度需满足除湿约束。
49、进一步地,所述离散变量与连续变量构成的状态-动作空间包括:
50、离散变量为机组开启台数和水泵开启台数;连续变量为冷冻水供水温度和系统总流量;所述枚举匹配机组开启台数与水泵开启台数,包括按照所需系统总流量确定水泵台数与流量分配逻辑:当时,单泵运行,单泵流量为;当时,双泵运行,各泵流量为;当时,三泵运行,各泵流量为。
51、进一步地,所述枚举匹配还包括运行边界约束:
52、当所需系统总流量低于时,强制维持单泵运行且流量为;当所需系统总流量处于区间时,强制切换为双泵运行且总流量为,以避免水泵运行于低效区间。
53、进一步地,所述离线预训练与在线微调相结合的两阶段混合强化学习,包括:
54、第一阶段离线预训练,利用历史运行数据构建的状态、动作、奖励数据集,以保守q学习进行离线预训练,通过保守正则项抑制对数据集外动作的过度乐观估计,获得接近全局最优的初始策略;
55、第二阶段在线微调,将离线预训练获得的经验预热至经验回放池,在连续工况域随机采样的仿真环境中以最大熵强化学习在线微调策略网络,获得网格外连续工况的泛化能力。
56、进一步地,所述训练温度-流量协同优化与群控调度策略网络,还包括物理硬约束奖励塑形:
57、当输出动作不满足机组负载率约束、供水温度范围约束、供回水温差下限约束及流量档位约束中的任意一项时,判定该动作为无效动作,并对该无效动作施加固定惩罚,所述固定惩罚的幅值远大于可行动作的奖励幅值,以保证约束优先级高于能效优化目标;将输出动作投影至变频水泵可执行的档位网格,保证连续控制指令与离散执行域一致。
58、第二方面,本发明提供一种基于深度前馈神经网络的水冷机组供冷优化系统,采用第一方面或其任意可能实现方式的基于深度前馈神经网络的水冷机组供冷优化方法,应用于水源热泵供冷系统,所述系统包括:
59、灰箱建模模块,用于获取水源热泵供冷系统的历史运行数据,基于所述历史运行数据建立水源热泵机组能耗灰箱模型,所述能耗灰箱模型表征机组功率与机组制冷量及水源侧供回水温差之间的非线性映射关系;
60、冷负荷预测模块,用于构建深度前馈神经网络冷负荷预测模型,将实时采集的环境扰动特征、时间周期特征以及历史冷负荷序列输入所述深度前馈神经网络冷负荷预测模型,输出未来时刻的冷负荷预测值;
61、边界辨识模块,用于基于水源热泵供冷系统的实测运行数据,实时动态辨识系统边界条件参数,所述系统边界条件参数包括机组性能系数、理想卡诺性能系数、热力学完善度、循环水泵效率以及系统运行能效比;
62、协同优化模块,用于将供冷工况下机组开启台数与水泵开启台数的离散变量、冷冻水供水温度与循环流量的连续变量协同调控问题,形式化为带物理约束的马尔可夫决策过程,以系统总能耗最小为优化目标,通过离线预训练与在线微调相结合的两阶段混合强化学习,训练温度-流量协同优化与群控调度策略网络;
63、群控调度模块,用于将所述冷负荷预测值输入所述温度-流量协同优化与群控调度策略网络,求解最优冷冻水供水温度与系统循环流量,并枚举匹配机组开启台数与水泵开启台数,生成对应的控制指令下发至水源热泵机组与变频水泵,使设备运行点维持在预设高效负载区间,实现供冷系统的闭环协同优化控制。
64、第三方面,本发明提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述第一方面所述的基于深度前馈神经网络的水冷机组供冷优化方法。
65、第四方面,本发明提供一种电子设备,包括处理器和存储器,所述存储器中存储有计算机程序,所述计算机程序被所述处理器执行时实现上述第一方面所述的基于深度前馈神经网络的水冷机组供冷优化方法。
66、第五方面,本发明提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现上述第一方面所述的基于深度前馈神经网络的水冷机组供冷优化方法。
67、本发明的有益效果在于:
68、第一,通过构建融合环境扰动特征、时间周期特征与历史冷负荷序列的高维复合特征空间,并采用深度前馈神经网络对夏季冷负荷进行高精度预测,有效捕捉了建筑围护结构热惯性引起的冷负荷时滞效应,提升了冷负荷预测精度,为后续协同调控提供了准确的负荷侧输入。
69、第二,通过将灰箱能耗多项式模型与流体机械相似定律嵌入马尔可夫决策过程,以系统总功耗最小构造奖励函数,并引入物理硬约束奖励塑形与分层枚举机制,解决了离散机组与水泵台数同连续供水温度及流量之间的多变量非凸耦合优化问题,提升了优化求解的全局寻优能力与求解效率。
70、第三,通过采用保守q学习离线预训练与最大熵强化学习在线微调相结合的两阶段混合驱动方法,替代了传统单一优化范式,提升了策略网络对网格外连续工况的泛化能力,实现了毫秒级实时决策。
71、第四,通过提出基于负载率约束与变频水泵相似定律的机组与水泵联合群控调度策略,结合单泵、双泵、三泵流量分配逻辑及低效区间强制切换规则,使各设备运行于高效负载区间,配合小流量、大温差运行模式,实现了系统级能效最大化。
72、第五,通过构建从热特性参数动态辨识、冷负荷预测、协同优化到机组与水泵群控调度的端到端技术路径,实现了供冷系统的全自动协同优化控制,降低了人工干预成本。
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