HI,欢迎来到起点商标网!
24小时服务QQ:2880605093

一种制冷机房冷却水系统参数优化方法和系统与流程

2021-03-11 07:03:57|544|起点商标网
一种制冷机房冷却水系统参数优化方法和系统与流程
and embedding(ole)for process control)是对象连接和嵌入技术在过程控制方面的应用,opc规范从ole/com/dcom的技术基础上发展而来,并以c/s模式为面向对象的工业自动化软件的开发建立了统一标准,该标准中定义了在基于pc的客户机之间进行自动化数据实时交换的方法。可编程逻辑控制器(programmable logiccontroller,plc),一种具有微处理器的用于自动化控制的数字运算控制器,可以将控制指令随时载入内存进行储存与执行,可编程控制器由cpu、指令及数据内存、输入/输出接口、电源、数字模拟转换等功能单元组成。遗传算法(genetic algorithm,ga)是根据大自然中生物体进化规律而设计提出的,是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型,是一种通过模拟自然进化过程搜索最优解的方法,该算法通过数学的方式,利用计算机仿真运算,将问题的求解过程转换成类似生物进化中的染色体基因的交叉、变异等过程;在求解较为复杂的组合优化问题时,相对一些常规的优化算法,通常能够较快地获得较好的优化结果。遗传算法的基本运算过程如下:(1)初始化:设置进化代数计数器t=0,设置最大进化代数t,随机生成m个个体作为初始群体p(0);(2)个体评价:计算群体p(t)中各个个体的适应度;(3)选择运算:将选择算子作用于群体,选择的目的是把优化的个体直接遗传到下一代或通过配对交叉产生新的个体再遗传到下一代,选择操作是建立在群体中个体的适应度评估基础上的;(4)交叉运算:将交叉算子作用于群体,遗传算法中起核心作用的就是交叉算子;(5)变异运算:将变异算子作用于群体,即是对群体中的个体串的某些基因座上的基因值作变动,群体p(t)经过选择、交叉、变异运算之后得到下一代群体p(t+1);(6)终止条件判断:若t=t,则以进化过程中所得到的具有最大适应度个体作为最优解输出,终止计算。遗传操作包括以下三个基本遗传算子(genetic operator):选择(selection)、交叉(crossover)、变异(mutation)。网格搜索法是指定参数值的一种穷举搜索方法,通过将估计函数的参数通过交叉验证的方法进行优化得到最优的学习算法,即将各个参数可能的取值进行排列组合,列出所有可能的组合结果生成“网格”,然后将各组合用于svm训练,并使用交叉验证对表现进行评估,在拟合函数尝试了所有的参数组合后,返回一个合适的分类器,自动调整至最佳参数组合。数学建模,就是根据实际问题来建立数学模型,对数学模型来进行求解,然后根据结果去解决实际问题,当需要从定量的角度分析和研究一个实际问题时,人们就要在深入调查研究、了解对象信息、作出简化假设、分析内在规律等工作的基础上,用数学的符号和语言作表述来建立数学模型。
[0009]
本发明利用基于物联网的信息采集处理技术,针对基于制冷机房冷却水系统冷却塔出水温度逼近度和冷却水供回水温差设定困难的问题,进行了技术改进。


技术实现要素:

[0010]
本发明的目的是,提供一种基于物联网数据采集的高效、易于实施的制冷机房冷却水系统冷却塔出水温度逼近度和冷却水供回水温差优化的方法。
[0011]
为实现上述目的,本发明采取的技术方案是一种制冷机房冷却水系统参数优化的方法,包括以下步骤:
[0012]
s1、物联网平台根据实时采集的参数数据建立冷水机组数学模型、冷却塔数学模型、和冷却水泵数学模型;
[0013]
s2、物联网平台选取遗传算法目标函数为:
[0014]
p
total
(q
cooling
,q
air
)=p
chill
(q
cooling
,q
air
)+p
pump
(q
cooling
,q
air
)+p
tower
(q
cooling
,q
air
),
[0015]
式中,p
cotat
为冷却水系统总能耗,p
pump
为冷却水泵总能耗,p
chill
为冷水机组能耗,p
tower
为冷却塔总能耗,q
oooling
为冷却水流量,q
air
为冷却塔风量;
[0016]
s3、物联网云平台通过边缘计算网关从制冷机房plc中读取k时刻传感器采集的冷水机组冷冻水供回水温度、冷冻水流量、冷却水供回水温度和冷却水流量,基于步骤s1所述数学建模计算k时刻冷水机组制冷量和冷却塔散热量,产生k时刻冷却水流量和冷却塔风量参数集;
[0017]
s4、物联网平台假设k+1时刻的冷水机组制冷量与k时刻冷水机组制冷量相同,在k时刻冷水机组散热量、和冷却水入口温度设定变化范围内假设k+1时刻的冷水机组散热量、和冷却水入口温度,利用穷举搜索方法在假设k+1时刻的冷水机组散热量和冷却水入口温度组合下,计算冷却水流量和冷却塔风量的可能取值;
[0018]
s5、物联网平台基于步骤s4冷却水流量和冷却塔风量的可能取值,基于步骤s2的目标函数,计算假设k+1时刻的所有可能冷却水系统总能耗,并作为遗传算法的适应度值;
[0019]
s6、物联网平台利用遗传算法通过循环进化方法获得最优参数个体,以及假设k+1时刻冷却水系统总能耗最小时所对应的冷却水流量和冷却塔风量;
[0020]
s7、实际k+1时刻时,物联网平台依据步骤s6获得的假设k+1时刻冷却水系统总能耗最小时所对应的冷却水流量和冷却塔风量,计算对应的冷却水供回水温差和冷却塔出水温度逼近度,通过边缘计算网关下发制冷机房plc控制冷却水系统运行。
[0021]
优选地,上述步骤s4具体包括以下步骤:
[0022]
s41、在k时刻冷水机组散热量、和冷却水入口温度设定变化范围内,利用穷举搜索方法假设k+1时刻的冷水机组散热量q0、以及冷却水入口温度t0;
[0023]
s42、利用冷水机组数学模型、和k时刻冷水机组制冷量计算步骤s41假设情况下冷水机组能耗p1、以及冷水机组散热量q1;
[0024]
s43、利用冷却塔数学模型,计算步骤s41假设情况下冷却水回水温度t1;
[0025]
s44、如果q1减去q0小于等于设定散热量误差、以及t1减去t0小于等于设定温度误差,计算并输出步骤s41假设情况下冷却水流量和冷却塔风量的取值;
[0026]
s45、假设次数没有达到最大值跳转执行s41步骤。
[0027]
优选地,上述穷举搜索方法是网格搜索法。
[0028]
优选地,上述步骤s6具体包括以下步骤:
[0029]
s61、对步骤s3所述参数集中所有参数组合进行冷却水系统总能耗排序并计算适应度值;
[0030]
s62、利用步骤s61所述适应度值,步骤s3所述参数集进行选择和遗传;
[0031]
s63、选取步骤s3所述参数集冷却水系统总能耗最小时的参数组合作为优化参数计算并输出所对应的冷却水流量和冷却塔风量。
[0032]
本发明的再一目的是,提供一种基于物联网数据采集的高效、易于实施的制冷机房冷却水系统冷却塔出水温度逼近度和冷却水供回水温差优化的系统。
[0033]
为实现上述再一目的,本发明采取的技术方案是一种制冷机房冷却水系统参数优化系统,上述参数优化系统包括物联网平台、若干边缘网关、和制冷机房plc;上述物联网平台通过边缘网关采集制冷机房plc的数据、控制制冷机房plc动作;上述参数优化系统执行
上述的一种制冷机房冷却水系统参数优化方法。
[0034]
优选地,上述制冷机房plc包括手动模式、自动模式、云端优化控制模式;当上述制冷机房plc设置为云端优化控制模式时,上述参数优化系统执行上述的一种制冷机房冷却水系统参数优化方法。
[0035]
优选地,上述物联网平台经过边缘网关通过modbus tcp协议和制冷机房plc进行通讯。
[0036]
优选地,上述物联网平台是物联网云平台,上述物联网云平台基于开源框架进行搭建,并构建了统一的微服务架构体系,包括业务层、接口层、服务层、传输存储层以及平台层。
[0037]
本发明有如下有益效果:根据实时采集的数据对冷水机组、冷却塔、冷却水泵进行建模,再通过遗传算法以最小能耗为目标,计算得到冷却水供回水温差和冷却塔出水温度逼近度的最优值,对制冷机房的控制效率高,能源集约,响应及时;利用智能控制算法,计算能力强,扩展部署复杂的大数据分析和人工智能算法,实现复杂计算能力需求和实时控制之间均衡。
【附图说明】
[0038]
图1是一种制冷机房冷却水系统参数优化方法流程图。
[0039]
图2是一种制冷机房冷却水系统参数优化系统架构图。
[0040]
图3是一种制冷机房冷却水系统参数优化方法实施例流程图。
【具体实施方式】
[0041]
下面结合实施例并参照附图对本发明作进一步描述。
[0042]
在本发明中,服务器是在网络上提供、管理网络资源的一个计算机或设备,终端可指各种类型的装置,包括(但不限于)无线电话、蜂窝式电话、膝上型计算机、多媒体无线装置、无线通信个人计算机(pc)卡、个人数字助理(pda)、外部或内部调制解调器等。客户端设备,即终端可为任何经由无线信道和/或经由有线信道(例如,光纤或同轴电缆)与服务器通信的数据装置。终端可具有多种名称,例如移动台、移动装置、移动单元,移动电话、远程站、远程终端机、远程单元、用户装置、用户设备、手持式装置等。不同终端可并入一个系统中。终端可为移动的或固定的,且可分散遍及一个通信网络。
[0043]
实施例1
[0044]
本实施例实现一种制冷机房冷却水系统参数优化方法。
[0045]
附图1是一种制冷机房冷却水系统参数优化方法流程图,如附图1所示,本实施例一种制冷机房冷却水系统参数优化的方法,包括以下步骤:
[0046]
s1、物联网平台根据实时采集的参数数据建立冷水机组数学模型、冷却塔数学模型、和冷却水泵数学模型;
[0047]
s2、物联网平台选取遗传算法目标函数为:
[0048]
p
total
(q
cooling
,q
air
)=p
chill
(q
cooling
,q
air
)+p
pump
(q
cooling
,q
air
)+p
tower
(q
cooling
,q
air
),
[0049]
式中,p
totat
为冷却水系统总能耗,p
pamp
为冷却水泵总能耗,p
ahill
为冷水机组能耗,p
tower
为冷却塔总能耗,q
oooling
为冷却水流量,q
air
为冷却塔风量;
[0050]
s3、物联网云平台通过边缘计算网关从制冷机房plc中读取k时刻传感器采集的冷水机组冷冻水供回水温度、冷冻水流量、冷却水供回水温度和冷却水流量,基于步骤s1所述数学建模计算k时刻冷水机组制冷量和冷却塔散热量,产生k时刻冷却水流量和冷却塔风量参数集;
[0051]
s4、物联网平台假设k+1时刻的冷水机组制冷量与k时刻冷水机组制冷量相同,在k时刻冷水机组散热量、和冷却水入口温度设定变化范围内假设k+1时刻的冷水机组散热量、和冷却水入口温度,利用穷举搜索方法在假设k+1时刻的冷水机组散热量和冷却水入口温度组合下,计算冷却水流量和冷却塔风量的可能取值;
[0052]
s5、物联网平台基于步骤s4冷却水流量和冷却塔风量的可能取值,基于步骤s2的目标函数,计算假设k+1时刻的所有可能冷却水系统总能耗,并作为遗传算法的适应度值;
[0053]
s6、物联网平台利用遗传算法通过循环进化方法获得最优参数个体,以及假设k+1时刻冷却水系统总能耗最小时所对应的冷却水流量和冷却塔风量;
[0054]
s7、实际k+1时刻时,物联网平台依据步骤s6获得的假设k+1时刻冷却水系统总能耗最小时所对应的冷却水流量和冷却塔风量,计算对应的冷却水供回水温差和冷却塔出水温度逼近度,通过边缘计算网关下发制冷机房plc控制冷却水系统运行。
[0055]
优选地,上述步骤s4具体包括以下步骤:
[0056]
s41、在k时刻冷水机组散热量、和冷却水入口温度设定变化范围内,利用穷举搜索方法假设k+1时刻的冷水机组散热量q0、以及冷却水入口温度t0;
[0057]
s42、利用冷水机组数学模型、和k时刻冷水机组制冷量计算步骤s41假设情况下冷水机组能耗p1、以及冷水机组散热量q1;
[0058]
s43、利用冷却塔数学模型,计算步骤s41假设情况下冷却水回水温度t1;
[0059]
s44、如果q1减去q0小于等于设定散热量误差、以及t1减去t0小于等于设定温度误差,计算并输出步骤s41假设情况下冷却水流量和冷却塔风量的取值;
[0060]
s45、假设次数没有达到最大值跳转执行s41步骤。
[0061]
优选地,上述穷举搜索方法是网格搜索法。
[0062]
优选地,上述步骤s6具体包括以下步骤:
[0063]
s61、对步骤s3所述参数集中所有参数组合进行冷却水系统总能耗排序并计算适应度值;
[0064]
s62、利用步骤s61所述适应度值,步骤s3所述参数集进行选择和遗传;
[0065]
s63、选取步骤s3所述参数集冷却水系统总能耗最小时的参数组合作为优化参数计算并输出所对应的冷却水流量和冷却塔风量。
[0066]
实施例2
[0067]
本实施例实现一种制冷机房冷却水系统参数优化系统。
[0068]
附图2是一种制冷机房冷却水系统参数优化系统架构图,如附图2所示,本实施例一种制冷机房冷却水系统参数优化系统,上述参数优化系统包括物联网平台、若干边缘网关、和制冷机房plc;上述物联网平台通过边缘网关采集制冷机房plc的数据、控制制冷机房plc动作;上述参数优化系统执行上述实施例1的一种制冷机房冷却水系统参数优化方法。
[0069]
优选地,上述制冷机房plc包括手动模式、自动模式、云端优化控制模式;当上述制冷机房plc设置为云端优化控制模式时,上述参数优化系统执行上述实施例1的一种制冷机
房冷却水系统参数优化方法。
[0070]
优选地,上述物联网平台经过边缘网关通过modbus tcp协议和制冷机房plc进行通讯。
[0071]
优选地,上述物联网平台是物联网云平台,上述物联网云平台基于开源框架进行搭建,并构建了统一的微服务架构体系,包括业务层、接口层、服务层、传输存储层以及平台层。
[0072]
实施例3
[0073]
本实施例实现一种制冷机房冷却水系统参数优化方法和系统。本实施例在实施例1、2的基础上具体实现。
[0074]
本实施例针对基于制冷机房冷却水系统冷却塔出水温度逼近度和冷却水供回水温差设定困难的问题,提供一种基于物联网平台的高效制冷机房冷却水系统优化控制的方法和装置。
[0075]
附图2是一种制冷机房冷却水系统参数优化系统架构图,如附图2所示,本实施例通过“云+边缘+端”的架构,利用云平台扩展了边缘计算网关的计算能力,又避免了网络延时对任务及时性的阻碍,同时满足了设备优化的复杂计算能力需求和控制的实时性要求;利用边缘计算网关和制冷机房plc建立通讯,实现数据的上传和下发控制。
[0076]
边缘计算网关通过modbus tcp协议与制冷机房的plc建立通讯,并且在plc对应的上位机中设计手动模式、自动模式、云端优化控制模式;plc中的手动模式、自动模式是自控的常规设计,plc云端优化控制模式是区别于一般的制冷机房自控系统的,plc处于云端优化控制模式时,可实现边缘计算网关与plc之间的数据上传和控制命令下发;并且当云端控制模式出现异常时,可以随时切换到自动模式。
[0077]
上位机可以将plc控制权限切换为手动控制、自动控制、云端优化控制,云平台可以将plc控制权限切换为自动控制、云端优化控制,当本地处于手动控制模式时,云平台不能取得plc的控制权限;上位机和云平台可实时同步控制权限状态,上位机切换控制权限,云平台能实时显示改变后的控制权限,云平台切换控制权限,上位机能实时显示改变后的控制权限。
[0078]
云平台基于开源框架进行搭建,并构建了统一的微服务架构体系,系统分为业务层、接口层、服务层、传输存储层以及平台层。
[0079]
平台层采用基于docker容器技术构建的paas云,对应用完整生命周期管理(包括设计、开发、测试和部署等阶段)的支持,减少了管理应用生命周期所必须的软硬件成本以及部署应用和软件的成本,同时简化了以上工作的复杂度。
[0080]
传输存储层用于iot设备数据采集以及存储,针对数据采集采用mqtt协议进行传输,可以保证在复杂网络环境下的可靠数据采集;数据存储分为业务数据库以及实时数据库,业务数据库存储基本的设置信息,点位信息等;实时数据库用于存储采集到的实时数据,同时为了保证数据质量以及系统响应的实时性,数据存储采用分层存储的架构,在数据入库之前需要进行数据的清洗及处理,清洗处理采用实时处理框架flink进行。
[0081]
服务层基于业务场景进行了微服务拆分,拆分出了搜索引擎服务、数据存储服务、监控服务、可视化服务、模型算法服务、数据安全服务以及采集交换服务,在保证服务间解耦的同时保证了服务的可扩展性。
[0082]
接口层提供前端业务应用与后端服务的接口,首先需要保证服务调用,保证服务调用质量,同时对业务系统的操作指令进行消息路由;其次接口层实现了安全管理功能,包括数据安全以及业务操作安全;再次接口层实现了服务调用的监控,可以基于服务质量进行扩容及熔断操作。
[0083]
业务层是系统的主要价值呈现,包含系统总览模块、在线监测模块、能效管理模块、故障管理模块、设备管理模块以及区块链验证模块。通过后台模型的实时处理,实现了设备运行状态及能耗情况的实时监控,设备故障的及时处理,优化策略的及时推送,降低了故障对非计划停机的影响,提高了能效利用率。
[0084]
附图3是一种制冷机房冷却水系统参数优化方法实施例流程图,如附图3所示,本实施例制冷机房冷却水系统的冷却塔出水温度逼近度和冷却水供回水温差设定值优化是通过部署在云平台的模型算法微服务实现的,根据实时采集的数据对冷水机组、冷却塔、冷却水泵进行建模,再通过遗传算法以最小能耗为目标,计算得到冷却水供回水温差和冷却塔出水温度逼近度的最优值。
[0085]
首先进行目标函数选取。对于运行参数的优化,目的是保证冷却水系统中各设备的能耗最低,因此,该优化方法的目标函数为:
[0086]
p
total
(q
cooling
,q
air
)
[0087]
=p
chill
(q
cooling
,q
air
)+p
pump
(q
coooling
,q
air
)+p
tower
(q
coooling
,q
air
)
[0088]
式中,p
total
为总能耗,单位是kw;p
pump
为冷却水泵总能耗,单位是kw;p
chill
为冷水机组能耗,单位是kw;p
tower
为冷却塔总能耗,单位是kw;q
cooling
为冷却水流量,单位是m3/h;q
air
为冷却塔风量,单位是m3/h。
[0089]
其次进行云平台算法寻优过程。
[0090]
1、边缘计算网关从plc中读取k时刻传感器采集到的冷水机组冷冻水供回水温度、冷冻水流量、冷却水供回水温度和冷却水流量等参数,计算k时刻时的冷水机组制冷量和冷却塔散热量。
[0091]
2、取k+1时刻的冷水机组制冷量与k时刻冷水机组制冷量相同,在k时刻冷水机组散热量和冷却水入口温度的一定变化范围内,假设k+1时刻冷水机组散热量和冷却水入口温度,利用网格搜索法确定该冷水机组散热量和冷却水入口温度组合下,冷却水流量和冷却塔风量的可能取值。
[0092]
3、计算k+1时刻不同冷却水流量和冷却塔风量时冷水机组的能耗,并计算适应度函数值,利用遗传算法通过循环进化方法获得最优参数个体,确定k+1时刻冷却水系统能耗最小时所对应的冷却水流量和冷却塔风量。
[0093]
4、当系统运行至k+1时刻时,依据计算得到的冷却水流量和冷却塔风量,再确定对应的冷却水供回水温差和冷却塔出水温度逼近度,通过边缘计算网关下发制冷机房plc控制冷却水系统运行,完成整个运行参数的寻优过程。
[0094]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(read-only memory,rom)或随机存储记忆体(random access memory,ram)等。
[0095]
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员,在不脱离本发明原理的前提下,还可以做出若干改进和补充,这些改进和补充也应视为本发明的保护范围。

起点商标作为专业知识产权交易平台,可以帮助大家解决很多问题,如果大家想要了解更多知产交易信息请点击 【在线咨询】或添加微信 【19522093243】与客服一对一沟通,为大家解决相关问题。

此文章来源于网络,如有侵权,请联系删除

tips