物理增强代理与物理一致性诊断的空调冷源系统优化方法
本发明涉及中央空调冷源系统节能优化,尤其是一种物理增强代理与物理一致性诊断的空调冷源系统优化方法。
背景技术:
1、中央空调冷源系统通常由冷水机组、冷冻水泵、冷却水泵和冷却塔等设备构成,其运行能耗占建筑总能耗的40%~60%。在满足室内冷负荷需求的前提下,如何协调机组组合、负荷分配和运行参数,是中央空调节能优化的关键目前,针对中央空调水系统的节能优化,主要存在以下问题:
2、运行策略割裂,协同性不足。现有控制策略多依赖经验设定值(如固定冷冻水出水温度7℃、冷却水进水温度32℃)或简单的台数控制。冷水机组的负荷分配、冷冻水泵的变流量调节、冷却塔风机控制之间缺乏协同机制,易导致“主机效率提升但水系统能耗剧增”或反之,难以达到系统整体能效最优。
3、数据驱动模型在优化应用中物理一致性差。近年来,神经网络、随机森林等数据驱动模型被用于水系统能耗预测与优化。这类黑箱模型虽然在历史数据测试集上预测精度较高,但当作为优化目标函数时,优化算法会主动搜索低能耗区域,模型容易在低负荷或高负荷等边界工况下出现“反向优化”(优化后能耗高于实际运行)或“虚假节能”(预测值异常偏低,物理不可实现)。其根本原因在于现有模型缺乏对制冷循环热力学规律的显式约束。
4、现有物理信息融合深度不足。已有部分研究尝试引入室外温度或冷冻水流量等浅层物理量,但缺乏对“负荷率、温升负担、卡诺效率边界”等深层次物理特征的构造与分析,无法从根本上解决优化目标函数在搜索空间的物理失真问题。
技术实现思路
1、针对现有技术的不足,本发明提供一种物理增强代理与物理一致性诊断的空调冷源系统优化方法,解决现有方法中数据驱动代理模型因缺乏物理约束在边界工况下导致的优化失效,造成机组负荷分配与冷源系统运行参数协同不足的技术问题。
2、本发明采用的技术方案如下:
3、本发明提供一种物理增强代理与物理一致性诊断的空调冷源系统优化方法,包括:
4、采集中央空调冷源系统的实时运行数据,并基于冷冻水侧能量守恒关系计算系统实际冷负荷,并计算增强特征参数,形成物理增强特征集;所述增强特征参数包括负荷水平特征参数、换热状态特征参数、温升负担以及卡诺效率边界特征参数;将所述实时运行数据与物理增强特征集构成数据集;
5、利用所述数据集训练获得各冷源子系统的功率预测模型,用于输出相应子系统的预测功率;
6、基于各子系统的预测功率计算冷源系统的预测功率;
7、根据逐时冷负荷需求进行分层优化:以部分负荷率和冷水机组启停状态为决策变量,以运行的冷水机组的预测功率之和最小为优化目标进行上层优化,获得冷水机组组合与负荷分配的最优解;基于上层优化结果,以冷冻水供水温度、冷却水回水温度、冷冻水流量和冷却水流量为决策变量,以冷源系统的预测功率最小为优化目标进行下层优化,对系统连续运行参数进行细化调节;
8、对分层优化得到候选解计算对应的温升负担和性能系数预测值,根据计算出的所述温升负担和性能系数预测值之间的响应关系进行物理一致性诊断,根据所述物理一致性诊断的结果对候选解进行惩罚、剔除或回退处理。
9、作为优选的技术方案为:
10、所述物理一致性诊断,包括:
11、对同一负荷时刻下或连续优化迭代窗口内候选解集合中的每个候选解计算相应的温升负担和性能系数预测值;
12、计算每个候选解所在候选区间的温升负担序列和系统性能系数预测值序列之间的相关系数
ρ;
13、若所述相关系数
ρ大于预设阈值
ρ0,则判定候选解区间内存在非物理优化方向。
14、所述根据所述物理一致性诊断的结果对候选解进行惩罚、剔除或回退处理,包括:
15、在下层优化的目标函数中加入物理一致性惩罚项,其中λ为惩罚系数;
16、直接剔除相应候选解并保留物理一致性满足要求的次优解,或者回退至上层负荷优化方案或上一时刻稳定控制指令。
17、所述相关系数
ρ的计算,包括:
18、
19、其中,cov表示协方差,tlift、coppred分别为候选解所在候选区间内温升负担序列和预测性能系数序列,tlift={tlift,j-1,tlift,j,tlift,j+1},coppred={coppred, j-1,coppred, j,coppred, j+1};σ表示对应序列的标准差;
20、其中,候选解集合中第
j个候选解的温升负担tlift,j和性能系数预测值coppred,j分别为:
21、,
22、,
23、式中,
j候选解集合的编号,
i=1,2,…,
n为冷水机组的编号,、分别为第
j个候选解下冷水机组冷却水回水温度和冷冻水供水温度之差;
qload为当前时刻系统冷负荷需求,
s
i为第
i台冷水机组的状态,
pchiller,
i,j为第
j个候选解下第
i台冷水机组的预测功率。
24、所述冷源系统的预测功率的计算,包括:
25、
26、式中,第
i台冷水机组启停状态为1或0,1表示运行状态、0表示停机状态,
n为冷水机组总数;
pchiller,i为第
i台冷水机组的预测功率,
pchwp、
pcwp和
pct分别冷冻水泵、冷却水泵和冷却塔的预测功率。
27、所述负荷水平特征参数包括单台冷水机组部分负荷率和系统负荷率;
28、所述换热状态特征参数包括冷却水侧换热温差及冷冻水侧换热温差;
29、所述温升负担由冷却水回水温度与冷冻水供水温度之差表征;
30、所述卡诺效率边界特征参数由卡诺效率表征。
31、所述各冷源子系统的功率预测模型采用随机森林、梯度提升树、神经网络中的一种或多种建立输入参数与功率之间的映射关系,包括:
32、冷水机组功率预测子模型,其以冷冻水供水温度、冷冻水回水温度、冷却水供水温度、冷却水回水温度、冷冻水流量、冷却水流量、水冷机组承担冷量、所述增强特征参数为输入,以相应冷水机组预测功率为输出;
33、冷冻水泵功率预测子模型,其以冷冻水流量、冷冻水泵运行台数或启停状态、包含变频频率或阀门开度在内的可采集参数为输入,以冷冻水泵预测功率为输出;
34、冷却水泵功率预测子模型,其以冷却水流量、冷却水泵运行台数或启停状态、包含变频频率或阀门开度在内的可采集参数为输入,以冷却水泵预测功率为输出;
35、冷却塔功率预测子模型,其以冷却水供水温度、冷却水回水温度、冷却水流量、室外湿球温度、包含冷却塔风机运行台数或频率在内的可采集参数为输入,以冷却塔预测功率为输出。
36、本发明还提供一种根据所述的方法的空调冷源系统优化装置,包括:
37、数据集构建模块,用于采集中央空调冷源系统的实时运行数据,并基于冷冻水侧能量守恒关系计算系统实际冷负荷,并计算增强特征参数,形成物理增强特征集;所述增强特征参数包括负荷水平特征参数、换热状态特征参数、温升负担以及卡诺效率边界特征参数;将所述实时运行数据与物理增强特征集构成数据集;
38、子系统预测模型构建模块,用于利用所述数据集训练获得各冷源子系统的功率预测模型,以输出相应子系统的预测功率;
39、冷源系统的预测功率计算模块,用于基于各子系统的预测功率计算冷源系统的预测功率;
40、分层优化模块,用于根据逐时冷负荷需求进行分层优化:以部分负荷率和冷水机组启停状态为决策变量,以运行的冷水机组的预测功率之和最小为优化目标进行上层优化,获得冷水机组组合与负荷分配的最优解;基于上层优化结果,以冷冻水供水温度、冷却水回水温度、冷冻水流量和冷却水流量为决策变量,以冷源系统的预测功率最小为优化目标进行下层优化,对系统连续运行参数进行细化调节;
41、物理一致性诊断模块,用于对分层优化得到候选解计算对应的温升负担和性能系数预测值,根据计算出的所述温升负担和性能系数预测值之间的响应关系进行物理一致性诊断,根据所述物理一致性诊断的结果对候选解进行惩罚、剔除或回退处理。
42、本发明还提供一种计算机可读存储介质,所述存储介质中存储有至少一条指令,所述至少一条指令由处理器加载并执行以实现所述的方法。
43、本发明还提供一种计算机设备,所述计算机设备包括处理器和存储器,所述存储器中存储有至少一条指令,所述指令由所述处理器加载并执行以实现所述的方法。
44、本发明的技术方案能够达到下述有益效果中的至少部分:
45、本发明通过构建物理增强代理模型并引入物理一致性诊断机制,提高了优化方向的物理合理性,降低了反向优化和虚假节能风险,从而实现中央空调冷源系统整体能效的有效优化。具体而言,具有如下优点:
46、(1)通过引入温升负担与卡诺效率特征,并结合物理一致性诊断机制,代理模型能够更好地感知制冷循环的物理约束,减少优化搜索过程中出现非物理方向的风险。从而降低了数据驱动代理模型在低负荷及边界工况下出现反向优化和虚假节能的风险。
47、(2)通过上层确定机组组合与负荷分配、下层调节水系统运行参数的协同策略,避免仅优化机组负荷而忽略水系统能耗的局限,提升了冷源系统协同节能潜力。
48、(3)在低负荷、中负荷和高负荷区间均表现出稳定节能效果,逐时节能率标准差显著低于传统方法,避免了优化结果忽高忽低的工程控制难题,实现了 全工况自适应稳定性。
49、(4)可完全基于冷源系统既有的bas可采集数据,无需加装额外硬件,可直接以软件形式嵌入现有能效管理平台或边缘计算网关,工程部署成本低。
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