一种基于AI算法的数据中心中央空调冷冻水参数设定方法

一种基于ai算法的数据中心中央空调冷冻水参数设定方法
技术领域
1.本发明属于数据中心中央空调系统的能效优化的技术领域，具体涉及一种基于ai算法的数据中心中央空调冷冻水参数设定方法。


背景技术：

2.近年来，随着新一代信息技术的快速发展，数据中心已成为国家重要战略基础设施，是大数据、人工智能、ar/vr、工业物联网、智慧城市、智慧能源、智慧金融、5g等各种应用的载体，其规模呈爆发式增长。但数据中心建设高速增长的同时，耗电量高、能效水平低的问题愈发凸显，由于it设备发热量大且能耗密度高，空调冷却系统是数据中心能源消耗的重要组成部分。因此，提高空调系统能效对于数据中心的节能工作尤为重要。
3.目前，部分数据中心采用冷水机组及其辅助设备组成的中央空调系统，其中冷源系统能耗占比70％以上，该部分能耗由冷冻水参数设定值、冷却端散热效率、供冷需求等多个因素共同影响。而实际运行中，冷冻水参数长期固定不变，未能根据供冷需求及冷却端散热效率的变化进行动态优化调节，造成大量能源浪费。传统大型公共建筑中的中央空调系统以满足人体舒适性为目标，而数据中心中央空调系统以冷却it设备为目标，且机房密闭性较好，机房热负荷受室外天气影响极小，其主要由it设备发热量决定。
4.因此，提出一种基于ai算法的数据中心中央空调冷冻水参数设定方法，根据室外天气状况及it设备实时负载变化，调节中央空调冷冻水参数，实现参数的动态优化，提高空调系统的运行效率、节约能耗。


技术实现要素：

5.本发明的主要目的在于克服现有技术的缺点与不足，提供一种基于ai算法的数据中心中央空调冷冻水参数设定方法，该方法将人工智能回归算法及智能优化算法融入数据中心中央空调冷冻水参数优化问题，通过搭建回归模型和优化模型，得到不同工况参数条件下最优的冷冻水参数设定值，从而提高数据中心中央空调系统运行能效。
6.为了达到上述目的，本发明采用以下技术方案：
7.本发明的一个方面，提供了一种基于ai算法的数据中心中央空调冷冻水参数设定方法，包括下述步骤：
8.划分运行模式，对运行模式的离散特征进行数值映射；
9.对数据中心中央空调系统的历史运行时间序列数据进行数据预处理；
10.以冷冻水参数、运行模式、工况参数为输入变量，系统总能耗为输出变量，进行拟合训练，得到中央空调系统能耗模型；
11.以冷冻水参数、运行模式、工况参数、机房温度为输入变量，机房未来时刻的温度为输出变量，进行拟合训练，得到机房温度预测模型；
12.以系统总能耗为优化目标，冷冻水参数和运行模式为决策变量，机房温度为约束条件，建立参数优化模型，并求解模型。
13.作为优选的技术方案，所述运行模式划分具体为：
14.根据数据中心中央空调系统所配备同类设备的数量及编号，进行排列组合，划分为不同的运行模式；所述同类设备包括制冷主机、冷冻水泵；所述运行模式包括制冷主机运行模式、冷冻水泵运行模式；所述对运行模式的离散特征进行数值映射具体为：
15.运行状态：[on,off]
→
{on:1,off:0}
[0016]
制冷主机运行模式：pc＝[x1,
…
,xb],xn＝1∪xn＝0,n≥1
[0017]
其中pc为表示制冷主机运行模式的数组，xn为制冷主机设备的运行状态，n为数据中心中央空调系统所配备的制冷主机数量；
[0018]
冷冻水泵运行模式：pf＝[y1,
…
,ym],ym＝1∪ym＝0,m≥1
[0019]
其中pf为表示冷冻水泵运行模式的数组，ym为冷冻水泵的运行状态，m为数据中心中央空调系统所配备的冷冻水泵数量。
[0020]
作为优选的技术方案，所述数据预处理具体为：
[0021]
根据设备运行工作日志记录和运行模式划分结果，对中央空调设备模式切换过渡期间的数据进行剔除；
[0022]
以箱线图法作为判别异常数据的标准，对历史运行数据进行清洗。
[0023]
作为优选的技术方案，所述中央空调系统能耗模型具体为：
[0024]
模型输入变量包括：冷冻水参数、运行模式、工况参数；
[0025]
模型输出变量包括：中央空调系统总能耗；
[0026]
冷冻水参数包括：冷冻出水温度、冷冻泵频率；
[0027]
运行模式包括：制冷主机运行模式、冷冻水泵运行模式；
[0028]
工况参数包括：室外温度、室外湿度；
[0029]
中央空调系统总能耗包括：中央空调冷源系统能耗、中央空调末端空调能耗；
[0030]
同一数据样本内的输入变量与输出变量对应同一时间；
[0031]
模型拟合采用人工智能回归算法，包括：向量机、决策树、神经网络、集成学习、深度学习、生成对抗网络；
[0032]
模型超参数优化方法包括：随机搜索、网格搜索、贝叶斯优化、进化算法；
[0033]
根据一定周期内采集的运行数据，重新进行训练拟合，以更新模型。
[0034]
作为优选的技术方案,所述中央空调系统能耗模型具体表达式为：
[0035]
e(t)＝f{tc(t),pf(t),fc(t),pc(t),to(t),φo(t){
[0036]
e(t)＝e1(t) e2(t)
[0037]
其中e为中央空调系统总能耗；e1为中央空调系统冷源能耗；e2为中央空调系统末端能耗；tc为制冷主机总管冷冻出水温度；pf为冷冻水泵运行模式；fc为冷冻泵频率；pc为制冷主机运行模式；to为室外温度；φo为室外湿度；t表示变量对应的时间，即同一数据样本内，输入变量与输出变量均对应同一时间。
[0038]
作为优选的技术方案，所述模型拟合具体流程为：
[0039]
将数据中的变量进行归一化处理，再将数据样本按一定比例随机划分为训练集和测试集，用于模型训练和验证测试；
[0040]
搭建人工智能算法回归模型，使用默认参数对数据集进行训练和验证测试；
[0041]
以回归模型评价指标为优化目标，使用超参数优化方法对回归模型的超参数进行
优化，验证方法为k折交叉验证；
[0042]
将经过上述步骤优化后的模型保存，用于后续参数优化过程；
[0043]
经过更新时间周期t后，运用最新积累的数据集，重新进行上述步骤，对模型进行更新。
[0044]
作为优选的技术方案，所述建立机房温度预测模型具体为：
[0045]
模型输入变量包括：冷冻水参数、运行模式、工况参数、机房平均温度；
[0046]
模型输出变量包括：机房未来时刻的平均温度；
[0047]
冷冻水参数包括：冷冻出水温度、冷冻泵频率；
[0048]
运行模式包括：制冷主机运行模式、冷冻水泵运行模式；
[0049]
工况参数包括：室外温度、室外湿度、数据中心i t总负载；
[0050]
同一数据样本内，输入变量与输出变量对应不同时间，相差1个采样时间间隔，其中输出变量更滞后；
[0051]
模型拟合采用人工智能回归算法，包括：向量机、决策树、神经网络、集成学习、深度学习、生成对抗网络；
[0052]
模型超参数优化方法包括：随机搜索、网格搜索、贝叶斯优化、进化算法；
[0053]
根据一定周期内采集的运行数据，重新进行训练拟合，以更新模型。
[0054]
作为优选的技术方案，所述机房温度预测模型具体表达式为：
[0055]
ti(t τ)＝f{tc(t),pf(t),fc(t),pc(t),q(t),ti(t)}
[0056]
其中ti为机房平均温度；tc为制冷主机总管冷冻出水温度；pf为冷冻水泵运行模式；fc为冷冻泵频率；pc为制冷主机运行模式；q为数据中心it总负载；t表示变量对应的时间；τ为数据采样周期，即同一数据样本内，输入变量与输出变量对应不同时间，两者相差1个数据采样周期。
[0057]
作为优选的技术方案，所述模型拟合具体流程为：
[0058]
将不同时间的输入变量与输出变量整合到同一数据样本，所述数据样本具体表达式为：
[0059]
x
*
＝[tc(t),pf(t),fc(t),pc(t),q(t),ti(t),ti(t τ)]
[0060]
其中x
*
表示一个数据样本；tc为制冷主机总管冷冻出水温度；pf为冷冻水泵运行模式；fc为冷冻泵频率；pc为制冷主机运行模式；q为数据中心it总负载；ti为机房平均温度；t表示变量对应的时间；τ为数据采样周期；
[0061]
将数据中的变量进行归一化处理，再将数据样本按一定比例随机划分为训练集和测试集，用于模型训练和验证测试；
[0062]
搭建人工智能算法回归模型，使用默认参数对数据集进行训练和验证测试；
[0063]
以回归模型评价指标为优化目标，使用超参数优化方法对回归模型的超参数进行优化，验证方法为k折交叉验证；
[0064]
将经过上述步骤优化后的模型保存，用于后续参数优化过程；
[0065]
经过更新时间周期t后，运用最新积累的数据集，重新进行上述步骤，对模型进行更新。
[0066]
作为优选的技术方案，所述建立参数优化模型并求解具体为：
[0067]
输入变量包括：室外温度、室外湿度、数据中心it总负载、机房平均温度；
[0068]
输出变量包括：冷冻出水温度、冷冻泵频率、运行模式；
[0069]
运行模式包括：制冷主机运行模式、冷冻水泵运行模式；
[0070]
优化目标包括：中央空调系统总能耗最小；
[0071]
约束条件包括：下一时刻机房平均温度小于机房温度上限值，变量实际运行参数范围；
[0072]
优化方法包括：粒子群算法、遗传算法、蚁群算法、模拟退火算法、免疫优化算法、狼群算法、天鹰优化算法；
[0073]
所述参数优化模型具体表达式为：
[0074]
mine(t)＝f{tc(t),pf(t),fc(t),pc(t),to(t),φo(t)}
[0075]
ti(t τ)＝f{tc(t),pf(t),fc(t),pc(t),q(t),ti(t)}
[0076]
pc(t)＝[x1,
…
,xn],n≥1
[0077]
pf(t)＝[y1,
…
,ym],m≥1
[0078][0079]
其中e为中央空调系统总能耗；tc为制冷主机总管冷冻出水温度；pf为冷冻水泵运行模式；fc为冷冻泵频率；pc为制冷主机运行模式；to为室外温度；φo为室外湿度；ti为机房平均温度；xn为制冷主机设备的运行状态，n为数据中心中央空调系统所配备的制冷主机数量；ym为冷冻水泵的运行状态，m为数据中心中央空调系统所配备的冷冻水泵数量；t
max
为机房温度上限值；t
c,min
为冷冻出水温度下限值；t
c,max
为冷冻出水温度上限值；f
c,min
为冷冻泵频率下限值；f
c,max
为冷冻泵频率上限值；
[0080]
输入变量包括：室外温度to，室外湿度φo，数据中心it总负载q，机房平均温度ti；
[0081]
决策变量包括：制冷主机总管冷冻出水温度tc，冷冻泵频率fc，制冷主机运行模式pc，冷冻水泵运行模式pf。
[0082]
本发明与现有技术相比，具有如下优点和有益效果：
[0083]
(1)本发明在建立模型前，根据运行设备的数量及编号，进行运行模式的划分，减少因设备间差异导致的误差，从而提高模型的精度，同时提高优化模型的可靠性；
[0084]
(2)本发明根据天气状况、it总负载等工况参数的变化，实现数据中心制冷主机冷冻水参数的动态优化，以提高空调系统的能效，从而降低数据中心pue；
[0085]
(3)本发明所提出的机房温度预测模型，能够实现对未来时刻机房温度的预测，一定程度上减少空调系统状态滞后性造成的影响，保障数据中心机房的安全运行；
[0086]
(4)本发明定期运用实时数据集，对已有的参数优化模型进行动态更新，提高优化的准确性；
[0087]
(5)本发明将人工智能算法应用于数据中心中央空调参数优化，较好地解决了空调领域系统结构及相关变量复杂多变的难题，为多变量模型建立提供了更简单的方案；
[0088]
(6)本发明所提出的方法普遍适用于南方地区的数据中心，应用于以冷水机组为主要设备的中央空调系统参数优化过程，具有较好的可推广性。
[0089]
本发明的附加方面和优点将在下面的描述部分中给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
[0090]
图1是本发明实施例所述一种基于ai算法的数据中心中央空调冷冻水参数设定方法的流程图；
[0091]
图2本发明实施例所述运行模式划分的具体流程图；
[0092]
图3本发明实施例所述数据预处理步骤的具体流程图；
[0093]
图4本发明实施例所述建立中央空调系统能耗模型的具体流程图；
[0094]
图5本发明实施例所述建立机房温度预测模型的具体流程图；
[0095]
图6本发明实施例所述建立参数优化模型的具体流程图；
[0096]
图7本发明实施例所述求解优化模型的具体流程图。
具体实施方式
[0097]
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本技术的实施例及实施例中的特征可以相互组合。
[0098]
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，例如人工智能回归算法的选用不仅限于实施例中的svr和rondomforestregressor，超参数优化方法的选用不仅限于实施例中的贝叶斯优化，智能优化算法的选用不仅限于实施例中的粒子群算法。因此，本发明的保护范围并不受下面公开的具体实施例的限制。
[0099]
实施例
[0100]
本实施例以南方地区某数据中心机楼的中央空调系统为例详细说明本发明的实现过程。该数据中心采用两套电压缩式制冷主机系统，其中包括2台螺杆式冷水机组和2台离心式冷水机组，另配备有6台冷冻水泵、6台冷却水泵、10台冷却水塔，末端系统配备70台冷冻水型机房专用空调。本案例选取该空调系统在2021年的历史运行数据。
[0101]
如图1所示，本实施例提供了一种基于ai算法的数据中心中央空调冷冻水参数设定方法，主要包含以下步骤：
[0102]
s1、运行模式划分，如图2所示，具体内容包括：
[0103]
s11、根据数据中心中央空调系统所配备的同类设备的数量及编号，进行排列组合，划分为不同的运行模式；所述同类设备包括制冷主机、冷冻水泵；所述运行模式包括制冷主机运行模式、冷冻水泵运行模式；
[0104]
s12、对划分运行模式后的离散特征进行数值映射，用数值表示制冷主机设备的运行状态；
[0105]
s13、离散特征的数值映射过程具体表达式为：
[0106]
运行状态：[on,off]
→
{on:1,off:0}
[0107]
制冷主机运行模式：pc＝[x1,
…
,xb],xn＝1∪xn＝0,n≥1
[0108]
其中pc为表示制冷主机运行模式的数组，xn为制冷主机设备的运行状态，n为数据
中心中央空调系统所配备的制冷主机数量；
[0109]
冷冻水泵运行模式：pf＝[y1,
…
,ym],ym＝1∪ym＝0,m≥1
[0110]
其中pf为表示冷冻水泵运行模式的数组，ym为冷冻水泵的运行状态，m为数据中心中央空调系统所配备的冷冻水泵数量。
[0111]
s14、本实施例中n＝1,2,3,4，x1和x2分别表示编号1和编号2的螺杆式冷水机组运行状态，x3和x4分别表示编号3和编号4的离心式冷水机组运行状态，则制冷主机运行模式pc＝[1,0,1,0]表示编号1和编号3冷水机组处于开启状态，编号2和编号4冷水机组处于关闭状态。m＝1,2,3,4,5,6，y1、y2、y3、y4、y5、y6分别表示编号1、2、3、4、5、6的冷冻水泵，则运行模式pf＝[0,1,0,0,1,0]表示编号2和编号5的冷冻水泵处于开启状态。因此本实施例中，获取中央空调系统采集的2021年历史运行时间序列数据共35040条，将其对应的制冷主机设备运行状态和冷冻水泵运行状态进行数值映射，转换成新的变量pc和pf，以进行后续步骤的建模及优化求解。
[0112]
2、数据预处理，获取前一步已完成运行模式划分后的35040条数据，运用数据预处理方法清洗异常数据后得到可用数据，具体方法如图3所示，包括剔除非正常运行数据和运用箱线图法剔除异常数据。非正常运行数据，即根据设备运行工作日志记录和运行模式划分结果，对中央空调设备模式切换过渡期间的数据进行剔除。该中央空调系统记录共28项变量，本案例仅选用其中部分变量，包括冷冻出水温度、冷冻泵频率、制冷主机运行模式、冷冻水泵运行模式、室外温度、室外湿度、it总负载、机房平均温度、空调系统总能耗，最终经过预处理后得到有效数据共计29654条。
[0113]
s3、建立中央空调系统能耗模型，以冷冻水参数(包括冷冻出水温度、冷冻泵频率)、运行模式(包括制冷主机运行模式、冷冻水泵运行模式)、工况参数(包括室外温度、室外湿度)为输入变量，中央空调系统总能耗(包括中央空调冷源系统能耗、中央空调末端空调能耗)为输出变量，使用人工智能回归算法(包括向量机、决策树、神经网络、集成学习、深度学习、生成对抗网络)进行拟合训练，得到系统能耗模型，采用超参数优化方法(包括随机搜索、网格搜索、贝叶斯优化、进化算法)对模型进行优化。如图4所示，具体模型建立步骤包括：
[0114]
s31、中央空调系统能耗模型表达式为：
[0115]
e(t)＝f{tc(t),pf(t),fc(t),pc(t),to(t),φo(t)}
[0116]
e(t)＝e1(t) e2(t)
[0117]
其中e为中央空调系统总能耗；e1为中央空调系统冷源能耗；e2为中央空调系统末端能耗；tc为制冷主机总管冷冻出水温度；pf为冷冻水泵运行模式；fc为冷冻泵频率；pc为制冷主机运行模式；to为室外温度；φo为室外湿度；t表示变量对应的时间，即同一数据样本内，输入变量与输出变量均对应同一时间。
[0118]
s32、根据输入变量与输出变量整合数据样本，在本实施例中，提取29654条有效数据中的变量包括制冷主机总管冷冻出水温度、冷冻泵频率、冷冻水泵运行模式、制冷主机运行模式、室外温度、室外湿度共6项作为输入变量的数据样本，再提取其中的中央空调系统总能耗作为输出变量的数据样本。因此可得到29654行14列(其中，冷冻出水温度1列、冷冻泵频率1列、冷冻水泵运行模式6列、制冷主机运行模式4列、室外温度1列、室外湿度1列)的输入变量数据样本，29654行1列的输出变量数据样本；
[0119]
s33、数据标准化及数据集划分，使用z-score标准化方法处理数据以符合标准正态分布，再将标准化处理后的数据样本按7:3随机划分为训练集和测试集，从而得到20758行14列的输入训练集d
train_x
、20758行1列的输出训练集d
train_y
、8896行14列的输入测试集d
test_x
、8896行1列的输出测试集d
test_y
，便于后续步骤的模型训练和验证测试；
[0120]
s34、模型回归训练，运用python3.7中的scikit-learn模块svr搭建支持向量机回归模型，使用默认参数对数据集d
train_x
、d
train_y
进行训练，并用数据集d
test_x
、d
test_y
进行验证测试，得到模型评价参数r2＝0.91；
[0121]
s35、超参数优化及保存模型，以回归模型评价指标r2为优化目标，使用超参数优化方法对回归模型的超参数进行优化，验证方法为k折交叉验证，其中k＝5。本实施例经过贝叶斯优化后得到的模型拟合系数r2＝0.93，优化后的svr参数为kernel＝rbf，c＝3.65，保存拟合后的模型并记为fe；
[0122]
s4、建立机房温度预测模型，以冷冻水参数(包括冷冻出水温度、冷冻泵频率)、运行模式(包括制冷主机运行模式、冷冻水泵运行模式)、工况参数(包括室外温度、室外湿度、数据中心it总负载)、机房温度为输入变量，机房未来时刻的平均温度为输出变量，使用人工智能回归算法(包括向量机、决策树、神经网络、集成学习、深度学习、生成对抗网络)进行拟合训练，得到机房温度预测模型，采用超参数优化方法(包括随机搜索、网格搜索、贝叶斯优化、进化算法)对模型进行优化。如图5所示，具体模型建立步骤包括：
[0123]
s41、机房温度预测模型表达式为：
[0124]
ti(t τ)＝f{tc(t),pf(t),fc(t),pc(t),q(t),ti(t)}
[0125]
其中ti为机房平均温度；tc为制冷主机总管冷冻出水温度；pf为冷冻水泵运行模式；fc为冷冻泵频率；pc为制冷主机运行模式；q为数据中心it总负载；t表示变量对应的时间；τ为数据采样周期(在本实施例中τ＝15min)，即同一数据样本内，输入变量与输出变量对应不同时间，两者相差1个数据采样周期。
[0126]
s42、数据样本整合，将不同时间的输入变量与输出变量整合到同一数据样本，所述数据样本具体表达式为：
[0127]
x
*
＝[tc(t),pf(t),fc(t),pc(t),q(t),ti(t),ti(t τ)]
[0128]
其中x
*
表示一个数据样本；本实施例中，原有29654条时间序列数据，经过整合得到29653个新的数据样本，用于后续建模；
[0129]
s43、根据输入变量与输出变量整合数据样本，在本实施例中，提取29653条有效数据中的变量包括制冷主机总管冷冻出水温度、冷冻泵频率、制冷主机运行模式、冷冻水泵运行模式、数据中心it总负载、机房平均温度共6项作为输入变量的数据样本，再提取下一时刻的机房平均温度作为输出变量的数据样本。因此可得到29653行14列(其中，冷冻出水温度1列、冷冻泵频率1列、冷冻水泵运行模式6列、制冷主机运行模式4列、室外温度1列、室外湿度1列)的输入变量数据样本，29653行1列的输出变量数据样本；
[0130]
s44、数据集划分，将数据样本按7:3随机划分为训练集和测试集，从而得到20758行14列的输入训练集d
train_x
、20758行1列的输出训练集d
train_y
、8895行14列的输入测试集d
test_x
、8895行1列的输出测试集d
test_y
，便于后续步骤的模型训练和验证测试；
[0131]
s45、模型回归训练，运用python3.7中的scikit-learn模块ensemble内的rondomforestregressor搭建随机森林回归模型，使用默认参数对数据集d
train_x
、d
train_y
进
行训练，并用数据集d
test_x
、d
test_y
进行验证测试，得到模型评价参数r2＝0.84；
[0132]
s46、超参数优化及保存模型，以回归模型评价指标r2为优化目标，使用超参数优化方法对回归模型的超参数进行优化，验证方法为k折交叉验证，其中k＝5。本实施例经过贝叶斯优化后得到的模型拟合系数r2＝0.88，优化后的rondomforestregressor参数为n_estimators＝43，min_samples_split＝6，min_samples_leaf＝5，max_depth＝8，保存拟合后的模型并记为f
t
；
[0133]
s5、建立参数优化模型并求解，如图6所示，以系统总能耗最小为优化目标，冷冻水参数(包括冷冻出水温度、冷冻泵频率)和运行模式(包括制冷主机运行模式，冷冻水泵运行模式)为决策变量，机房温度为约束条件，建立参数优化模型，并运用智能优化算法求解模型。本实施例以智能优化算法中的粒子群优化算法为例，如图7所示，其具体建模和求解步骤包括：
[0134]
s51、模型约束条件：t
max
为机房温度上限值，26℃；t
c,min
为冷冻出水温度下限值，7℃；t
c,max
为冷冻出水温度上限值15℃；f
c,min
为冷冻泵频率下限值，35hz；f
c,max
为冷冻泵频率上限值，50hz；
[0135]
输入变量为：室外温度to，23℃；室外湿度φo，60％；数据中心it总负载q，2100kw；机房平均温度ti，24℃；上述输入变量即为工况参数，模型求解的结果即为该组工况参数下的优化设定结果；
[0136]
决策变量为：制冷主机总管冷冻出水温度tc，冷冻泵频率fc，制冷主机运行模式pc、冷冻水泵运行模式pf。
[0137]
s52、所述参数优化模型具体表达式为：
[0138]
mine(t)＝fe{tc(t),pf(t),fc(t),pc(t),to(t)＝23,φo(t)＝60}
[0139]
ti(t τ)＝f
t
{tc(t),pf(t),fc(t),pc(t),q(t)＝2100,ti(t)＝24}
[0140]
pc(t)＝[x1,
…
,xn],n≥1
[0141]
pf(t)＝[y1,
…
,ym],m≥1
[0142][0143]
s53、初始化粒子群，设置种群粒子数为20，粒子记为pn(n≤20)，在约束条件下随机初始化每个粒子的速度和位置，粒子速度记为vn＝(v1,v2,v3,v4,v5,v6,v7,v8,v9,v
10
,v
11
,v
12
)，粒子位置记为xn＝(x1,x2,x3,x4,x5,x6)，其中粒子运动速度和位置的限制为vn≤1，7≤x1≤15，35≤x2≤50，xk＝1或0(k＝3,4,5,6)，xj＝1或0(j＝7,8,9,10,11,12)同时将xn作为变量输入模型f
t
，得到输出ti＜26，若不满足条件，需重新初始化；
[0144]
s54、评估粒子群并得到全局最优，根据上一步骤每个粒子的初始位置xn作为变量输入模型fe，得到输出en，即为粒子的适应度，并将xn记为粒子的初始历史最优位置pbestn，将en的最小值所对应粒子位置记为全局最优位置gbest；
[0145]
s55、更新每个粒子的速度和位置，根据粒子自身的历史最优位置和全局最优位置，更新每个粒子的速度和位置，具体表达式为：
[0146]
vn＝ω
×
vn c1×
r1×
(pbest
n-xn) c2×
r2×
(gbest-xn)
[0147]
xn＝xn vn[0148]
其中，ω为惯性因子，设为0.8，c1和c2为加速系数，均设为1，r1和r2为[0,1]区间的随机数；
[0149]
s56、评估每个粒子的函数适应值，并更新最优位置，根据更新后的粒子位置xn，计算粒子的适应度en，并与粒子的历史最优位置比较，将较小值所对应的位置更新为该粒子的历史最优位置，同时，将适应度最小的历史最优位置更新为全局最优位置；
[0150]
s57、重复步骤s55、s56，当进化代数达到最大迭代次数时，即满足结束条件，输出全局最优结果gbest＝(x1,x2,x3,x4,x5,x6,x7,x8,x9,x
10
,x
11
,x
12
)＝(9.5,39,1,0,1,0,0,1,0,0,1,0)，即在工况条件to＝23℃，φo＝60％，q＝2100kw，ti＝24℃下，最优冷冻水参数设定值为tc＝9.5℃，fc＝39hz，最优制冷主机运行模式为开启编号1和编号3冷水机组，最优冷冻水泵运行模式为开启编号2和编号5冷冻水泵。
[0151]
s6、模型更新，经过更新时间周期t＝7
×
24
×
60＝10080min后，运用最新积累的数据集，重新进行上述步骤，对模型fe和f
t
进行更新，并重新求解不同工况条件下的参数优化结果。
[0152]
应当理解，本技术的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。
[0153]
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。