两阶段制冷机房运行策略预测优化方法与流程

本发明涉及制冷机房运行策略优化领域，具体是一种两阶段制冷机房运行策略预测优化方法。

背景技术：

1、大型公共建筑运行能耗较高，其制冷机房可以集中生产冷冻水，然后将其输送到建筑末端的各个冷却区域，良好的运行策略可以在保证末端负荷需求的情况下使得制冷机房高效、经济的运行。制冷机房节能优化方法主要有强化学习、模型预测控制、基于规则的控制策略、参数优化4种方法。

2、基于规则的控制策略(rbc)是一种利用预先设定的规则和逻辑来控制系统行为的方法。可以简化实际系统的复杂性，但大型公共建筑负荷模式多变，规则难以覆盖，因此不适用。强化学习(rl)则是一种通过试错和奖惩机制来学习最优行为的方法，仿真效果好，但实验成本大，周期长，对大型公共建筑来说风险成本太高，目前较少实际应用。模型预测控制(mpc)是基于对系统未来行为的模型预测，来制定最优控制策略的方法，调控精度高但计算过程复杂，基本在小型住宅建筑上应用。参数优化则是通过调整系统参数以达到特定目标的方法，比较适用于大型公共建筑，但参数优化计算过程复杂，计算效率不高。

技术实现思路

1、为了便于计算决策变量的值，本申请提供了一种两阶段制冷机房运行策略预测优化方法。

2、本发明解决上述问题所采用的技术方案是：

3、两阶段制冷机房运行策略预测优化方法，包括：

4、步骤1、获取机房制冷季运行数据并对其进行预处理；

5、步骤2、利用预测模型对建筑所需冷负荷数据进行预测，输出t时刻的负荷预测结果；

6、步骤3、根据机房中各个机电设备的机理模型建立设备能耗模型；

7、步骤4、建立制冷机房运行策略优化问题模型，包括：构建目标函数，选择决策变量并基于负荷预测结果和设备运行情况建立约束条件；所述决策变量中包含离散变量及连续变量；

8、步骤5、求解制冷机房运行策略优化问题模型以获取决策变量的最佳设定值，其中，离散变量采用朴素搜索机制获取最佳设定值，连续变量采用优化算法获取最佳设定值。

9、进一步地，所述步骤1中，预处理包括：对缺失值进行线性插值处理；基于四分位间距对异常值进行检测并删除。

10、进一步地，所述步骤3中，机电设备包括冷水机组、变频水泵及冷却塔。

11、进一步地，所述步骤3包括：步骤31、确定能耗模型：

12、冷水机组能耗模型表示为：式中，pchiller为冷水机组能耗，a1～a6为待拟合的系数，δ＝tcws-tchws，tcws为冷却水供水温度，tchws为冷冻水供水温度，plr为冷水机组实际冷负荷与额定冷负荷的比值，cl0为额定冷负荷；

13、变频水泵能耗模型表示为：ppump＝b1+b2·wpump+b3·wpump2+b4·wpump3，式中，b1～b4为待拟合的系数，wpump为变频水泵的转速比；

14、冷却塔能耗模型表示为：pct＝c1+c2·wct+c3·wct2+c4·wct3，c1～c4为待拟合的系数，wct为冷却塔风机的转速比；

15、步骤32、利用步骤1中采集的运行数据拟合获取a1～a6、b1～b4、c1～c4的值。

16、进一步地，所述步骤4包括：

17、步骤41、构建目标函数：min{pchiller(t)+ppump(t)+pct(t)}；pchiller(t)表示t时刻冷水机组的功率，ppump(t)表示t时刻变频水泵的功率，pct(t)表示t时刻冷却塔的功率；

18、步骤42、选择决策变量，其中，连续变量包括：冷冻水供水温度tchws、冷却水供水温度tcws、冷水机组实际冷负荷与额定冷负荷的比值plr；离散变量包括：冷冻水泵转速比wchw、冷却水泵转速比wcw、冷却塔风机转速比wct及每种设备对应的开启台数n；

19、步骤43、基于负荷预测结果和设备运行情况建立约束条件。

20、进一步地，所述步骤5中，优化算法为遗传算法ga、差分进化算法de或改进的差分进化算法apde。

21、进一步地，改进的差分进化算法apde具体步骤为：

22、s1、初始化：将每个解x初始化为给定最小值和最大值之间的随机数，且满足在0-1之间均匀分布，如下式所示，其中i是解的序号，j是维度序号，0表示第0代；

23、xi,j,0＝minj+randi,j[0,1]·(maxj-minj)

24、s2、突变：采用de/current-to-pbest/1突变策略，如下式所示：

25、

26、其中，g是当前的代数，f是比例因子。为g代最优个体，从当前和淘汰集合并集中选择，随机选择；

27、s3、重组：利用重组因子cr指定维度变量的更新规则，如下式所示：

28、

29、式中，ui,j,g表示经过重组之后生成的新解在j位置的值；vi,j,g表示突变向量在j处的值；xi,j,g表示原始的解，jrand表示rand(0,d)；

30、s4、选择：f(xi,g)为对应解的适应度函数值，按照下式选择生成后代；

31、

32、s5、参数更新：根据以下等式衰减种群衰减种群：

33、

34、其中，nmin：种群最小值；nmax：种群最大值；nfe：当前计算次数；maxnfe：最大计算次数；di：种群离散程度，dilast：上一次种群离散程度；rp：相对多样性；当前种群均值；

35、重复步骤s1-s5，达到最大迭代次数或目标函数值收敛时停止搜索，输出对应问题的最优解。

36、进一步地，所述步骤2具体为：利用预测模型对建筑所需冷负荷数据进行预测，输出t时刻及t+1时刻的负荷预测结果；

37、所述步骤4基于t时刻及t+1时刻的负荷预测结果构建目标函数。

38、进一步地，所述步骤2中，预测模型为时序融合预测模型tft。

39、本发明相比于现有技术具有的有益效果是：本申请通过将制冷机房决策变量分为离散变量及连续变量，不同的变量采用不同的求解方法，降低了计算难度，计算效率更高。同时，在优化目标函数中引入2个时间步长的负荷预测结果，减少了负荷波动过程中产生的累积能耗问题。

技术特征：

1.两阶段制冷机房运行策略预测优化方法，其特征在于，包括：

2.根据权利要求1所述的两阶段制冷机房运行策略预测优化方法，其特征在于，所述步骤1中，预处理包括：对缺失值进行线性插值处理；基于四分位间距对异常值进行检测并删除。

3.根据权利要求1所述的两阶段制冷机房运行策略预测优化方法，其特征在于，所述步骤3中，机电设备包括冷水机组、变频水泵及冷却塔。

4.根据权利要求3所述的两阶段制冷机房运行策略预测优化方法，其特征在于，所述步骤3包括：步骤31、确定能耗模型：

5.根据权利要求4所述的两阶段制冷机房运行策略预测优化方法，其特征在于，所述步骤4包括：

6.根据权利要求1所述的两阶段制冷机房运行策略预测优化方法，其特征在于，所述步骤5中，优化算法为遗传算法ga、差分进化算法de或改进的差分进化算法apde。

7.根据权利要求6所述的两阶段制冷机房运行策略预测优化方法，其特征在于，改进的差分进化算法apde具体步骤为：

8.根据权利要求1-7任意一项所述的两阶段制冷机房运行策略预测优化方法，其特征在于，所述步骤2具体为：利用预测模型对建筑所需冷负荷数据进行预测，输出t时刻及t+1时刻的负荷预测结果；

9.根据权利要求8所述的两阶段制冷机房运行策略预测优化方法，其特征在于，所述步骤2中，预测模型为时序融合预测模型tft。

技术总结本发明涉及制冷机房运行策略优化领域，为了便于计算决策变量的值，提供了两阶段制冷机房运行策略预测优化方法，通过将决策变量分为离散变量及连续变量，离散变量采用朴素搜索机制获取最佳设定值，连续变量采用优化算法获取最佳设定值，降低了计算难度，提高了计算效率。技术研发人员：李翔,周少平,王晓杰受保护的技术使用者：中国电建集团成都勘测设计研究院有限公司技术研发日：技术公布日：2024/10/10