一种供冷系统多机组协同优化方法及装置

技术特征：
1.一种供冷系统多机组协同优化方法，其特征在于，所述方法包括：步骤s101采用目标优化算法求解预先构建的供冷系统功耗优化模型，得到供冷系统控制参数；步骤s102将所述供冷系统控制参数输入至预先构建的第一神经网络，得到第一神经网络输出的供冷系统约束判定结果，若供冷系统满足预设约束，则执行步骤s103，否则，返回步骤s101；步骤s103将所述供冷系统控制参数输入至预先构建的第二神经网络，得到第二神经网络输出的供冷系统损耗预测值；步骤s104若所述供冷系统损耗预测值小于当前供冷系统损耗，则将所述供冷系统控制参数作为仿真控制参数对供冷系统进行仿真，得到供冷系统的仿真损耗，并执行步骤s105，否则，返回步骤s101；步骤s105若所述供冷系统的仿真损耗小于当前供冷系统损耗，则利用所述供冷系统控制参数对供冷系统进行调控后执行步骤s106，否则，执行步骤s101；步骤s106判断当前迭代次数是否达到预设迭代次数，若是，则结束操作，否则，返回步骤s101。2.如权利要求1所述的方法，其特征在于，所述供冷系统控制参数包括下述中的至少一种：冷却塔风扇转速与启停控制、冷却器流量及启停控制、节能器启停控制、制冷机流量与启停控制、各制冷机水泵启停控制。3.如权利要求1所述的方法，其特征在于，所述目标优化算法包括下述中的至少一种：粒子群算法、遗传算法、差分进化算法。4.如权利要求1所述的方法，其特征在于，所述预先构建的供冷系统功耗优化模型包括：以供冷系统功耗最小为目标的目标函数以及为供冷系统多机组协同优化配置的约束条件。5.如权利要求4所述的方法，其特征在于，所述目标函数的计算式如下：minf＝e*pue w
·
t上式中，f为供冷系统功耗，e为供冷系统内各制冷设备总功耗，pue为供冷系统能源效率，w为t对应的温差惩罚矩阵，t为供冷系统室内温度与目标温度差值的绝对值。6.如权利要求5所述的方法，其特征在于，所述约束条件的数学模型如下：w
·
t＝w
室
·
t
室
w
节
·
t
节
w
冷
·
t
冷
pue＝(p
c
p
it
p
o
)/p
it
上式中，w
室
为t
室
对应的温差惩罚矩阵，t
室
为室内温度与室内目标温度差值的绝对值，w
节
为t
节
对应的温差惩罚矩阵，t
节
为节能器回水口温度与节能器回水口目标温度差值的绝对值，w
冷
为t
冷
对应的温差惩罚矩阵，t
冷
为冷却器回水口温度与冷却器回水目标温度差值的绝对值，p
c
为冷却系统功耗，p
it
为网络设备功耗，p
o
为配电设备功耗。7.如权利要求6所述的方法，其特征在于，所述t
室
对应的温差惩罚矩阵满足下式：
所述t
节
对应的温差惩罚矩阵满足下式：所述t
冷
对应的温差惩罚矩阵满足下式：8.如权利要求1所述的方法，其特征在于，所述预先构建的第一神经网络的获取过程包括：将供冷系统历史控制参数作为初始attention-lstm网络输入层训练数据，将供冷系统约束判定结果作为初始attention-lstm网络输出层训练数据，对初始attention-lstm网络进行训练，得到所述预先构建的第一神经网络。9.如权利要求1所述的方法，其特征在于，所述预设约束包括下述中的至少一种：节能器或制冷机的出水口温度应小于403.15k，节能器或制冷机的入水口的压力与流量应为正数，水泵的单位时间总流量不超过当前储水装置的总水量，节能器或制冷机的水流量不超过标定上限值，风扇转速不超过标定值。10.如权利要求1所述的方法，其特征在于，所述预先构建的第二神经网络的获取过程包括：将供冷系统历史控制参数作为初始attention-tcn网络输入层训练数据，将供冷系统损耗作为初始attention-tcn网络输出层训练数据，对初始attention-tcn网络进行训练，得到所述预先构建的第二神经网络。11.一种供冷系统多机组协同优化装置，其特征在于，所述装置包括：生成模块，用于采用目标优化算法求解预先构建的供冷系统功耗优化模型，得到供冷系统控制参数；第一判断模块，用于将所述供冷系统控制参数输入至预先构建的第一神经网络，得到第一神经网络输出的供冷系统约束判定结果，若供冷系统满足预设约束，则执行预测模块，否则，返回生成模块；预测模块，用于将所述供冷系统控制参数输入至预先构建的第二神经网络，得到第二神经网络输出的供冷系统损耗预测值；第二判断模块，用于若所述供冷系统损耗预测值小于当前供冷系统损耗，则将所述供冷系统控制参数作为仿真控制参数对供冷系统进行仿真，得到供冷系统的仿真损耗，并执行第三判断模块，否则，返回生成模块；第三判断模块，用于若所述供冷系统的仿真损耗小于当前供冷系统损耗，则利用所述供冷系统控制参数对供冷系统进行调控后执行第四判断模块，否则，执行第四判断模块；第四判断模块，用于判断当前迭代次数是否达到预设迭代次数，若是，则结束操作，否
则，返回生成模块。12.如权利要求11所述的装置，其特征在于，所述供冷系统控制参数包括下述中的至少一种：冷却塔风扇转速与启停控制、冷却器流量及启停控制、节能器启停控制、制冷机流量与启停控制、各制冷机水泵启停控制。13.如权利要求11所述的装置，其特征在于，所述目标优化算法包括下述中的至少一种：粒子群算法、遗传算法、差分进化算法。14.如权利要求11所述的装置，其特征在于，所述预先构建的供冷系统功耗优化模型包括：以供冷系统功耗最小为目标的目标函数以及为供冷系统多机组协同优化配置的约束条件。15.如权利要求14所述的装置，其特征在于，所述目标函数的计算式如下：minf＝e*pue w
·
t上式中，f为供冷系统功耗，e为供冷系统内各制冷设备总功耗，pue为供冷系统能源效率，w为t对应的温差惩罚矩阵，t为供冷系统室内温度与目标温度差值的绝对值。16.如权利要求15所述的装置，其特征在于，所述约束条件的数学模型如下：w
·
t＝w
室
·
t
室
w
节
·
t
节
w
冷
·
t
冷
pue＝(p
c
p
it
p
o
)/p
it
上式中，w
室
为t
室
对应的温差惩罚矩阵，t
室
为室内温度与室内目标温度差值的绝对值，w
节
为t
节
对应的温差惩罚矩阵，t
节
为节能器回水口温度与节能器回水口目标温度差值的绝对值，w
冷
为t
冷
对应的温差惩罚矩阵，t
冷
为冷却器回水口温度与冷却器回水目标温度差值的绝对值，p
c
为冷却系统功耗，p
it
为网络设备功耗，p
o
为配电设备功耗。17.如权利要求16所述的装置，其特征在于，所述t
室
对应的温差惩罚矩阵满足下式：所述t
节
对应的温差惩罚矩阵满足下式：所述t
冷
对应的温差惩罚矩阵满足下式：18.如权利要求11所述的装置，其特征在于，所述预先构建的第一神经网络的获取过程包括：将供冷系统历史控制参数作为初始attention-lstm网络输入层训练数据，将供冷系统约束判定结果作为初始attention-lstm网络输出层训练数据，对初始attention-lstm网络进行训练，得到所述预先构建的第一神经网络。19.如权利要求11所述的装置，其特征在于，所述预设约束包括下述中的至少一种：节
能器或制冷机的出水口温度应小于403.15k，节能器或制冷机的入水口的压力与流量应为正数，水泵的单位时间总流量不超过当前储水装置的总水量，节能器或制冷机的水流量不超过标定上限值，风扇转速不超过标定值。20.如权利要求11所述的装置，其特征在于，所述预先构建的第二神经网络的获取过程包括：将供冷系统历史控制参数作为初始attention-tcn网络输入层训练数据，将供冷系统损耗作为初始attention-tcn网络输出层训练数据，对初始attention-tcn网络进行训练，得到所述预先构建的第二神经网络。21.一种计算机设备，其特征在于，包括：一个或多个处理器；所述处理器，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行时，实现如权利要求1至10中任意一项所述的供冷系统多机组协同优化方法。22.一种计算机可读存储介质，其特征在于，其上存有计算机程序，所述计算机程序被执行时，实现如权利要求1至10中任意一项所述的供冷系统多机组协同优化方法。

技术总结
本发明涉及仿真控制技术领域，具体提供了一种供冷系统多机组协同优化方法及装置，统筹规划空气循环控制、冷冻水循环控制以及冷却水循环控制三条控制回路，实现设备级控制与系统级控制并举的分级控制体系。建立精准供冷的多元优化目标与设备运行约束；本发明提供的技术方案能够通过仿真模拟预先感知不同机组控制参数下对设备冷却效果，从而选择根据数据中心各个发热部件的需求，精准选择制冷机组制冷参数，实现能源利用效率最大化的目的。实现能源利用效率最大化的目的。实现能源利用效率最大化的目的。


技术研发人员：陈洪银 陈天恒 李德智 方乐乐 王松岑 丁一 刘知秋 李野 王功邻 尚学军 戚艳 杨延春 霍现旭
受保护的技术使用者：国家电网有限公司 国网天津市电力公司 东南大学
技术研发日：2022.08.16
技术公布日：2022/12/12