一种冰蓄冷系统的节能运行方法、装置、设备及存储介质
阅读说明：本技术 一种冰蓄冷系统的节能运行方法、装置、设备及存储介质 (Energy-saving operation method, device and equipment of ice storage system and storage medium ) 是由 吴健申 倪伟 伍兰昌 张岳 范健桦 于 2019-10-11 设计创作，主要内容包括：本发明公开了一种冰蓄冷系统的节能运行方法、装置、设备及存储介质,包括获取n个历史样本数据,基于PCA算法对所述历史样本数据进行降维,得到对应k个特征向量的降维数据集,基于随机梯度下降回归算法处理所述降维数据集,获得所述输入向量中各分量的最优权重,根据所述输出参数和不同时间段的电价向量,得到电价计算模型,从而得到冷水机组制冰和制冷的运行时间段。本发明实施例基于PCA算法对多维的历史样本数据进行降维处理,降低随机梯度下降回归算法的输入数据的维度,减少系统计算量,根据随机梯度下降回归算法寻求最佳权重从而得到冷水机组制冰和制冷分别运行的时间段,减少运营成本和能源浪费。(The invention discloses an energy-saving operation method, device, equipment and storage medium of an ice storage system, which comprises the steps of obtaining n pieces of historical sample data, carrying out dimensionality reduction on the historical sample data based on a PCA algorithm to obtain a dimensionality reduction data set corresponding to k feature vectors, processing the dimensionality reduction data set based on a stochastic gradient descent regression algorithm to obtain the optimal weight of each component in an input vector, and obtaining an electricity price calculation model according to output parameters and electricity price vectors in different time periods so as to obtain the ice making and refrigerating operation time periods of a water chilling unit. The embodiment of the invention performs dimensionality reduction processing on multi-dimensional historical sample data based on the PCA algorithm, reduces the dimensionality of input data of the random gradient descent regression algorithm, reduces the system computation amount, seeks the optimal weight according to the random gradient descent regression algorithm so as to obtain time periods for ice making and refrigeration of the water chilling unit to respectively operate, and reduces the operation cost and energy waste.)
技术领域
本发明涉及冰蓄冷中央空调系统的运行控制领域，特别涉及一种冰蓄冷系统的节能运行方法、装置、设备及存储介质。
背景技术
现阶段冰蓄冷中央空调系统在实际运行过程中，利用夜间低谷时间低电价的时段将水制成冰存储在蓄冰池中，在白天高峰用电时段将并溶解制冷来给终端供冷，从而大大降低制冷成本，但实际系统在运行时能源的损耗与生产成本还是很高，主要是因为在蓄冰时段，冷水机组的运行数量和机组制冰量均由运营人员按经验决定，仅靠人工预测第二天的制冷需求，没有数据可依，随意性较强，容易导致中央空调第二天使用时制冰量不足或者过饱和，造成能源浪费。
发明内容
本发明的目的在于至少解决现有技术中存在的技术问题之一，提供一种冰蓄冷系统的节能运行方法、装置、设备及存储介质，基于算法预测第二天的制冷需求，合理运行冷水机组，减少能源浪费。
本发明实施例的第一方面提供一种冰蓄冷系统的节能运行方法，包括
获取n个历史样本数据，每个所述历史样本数据包括表示制冷量相关参数的输入向量和表示翌日制冷量的输出参数，其中n为正整数；
基于PCA算法对所述历史样本数据进行降维，得到对应k个特征向量的降维数据集，其中k为小于n的正整数；
基于随机梯度下降回归算法处理所述降维数据集，获得所述输入向量中各分量的最优权重，其中所述输出参数表示为所述输入向量的加权平均值；
根据所述输出参数和不同时间段的电价向量，得到电价计算模型；
根据当天的输入向量和所述电价计算模型，得到冷水机组制冰和制冷的运行时间段。
上述基于冰蓄冷系统的节能运行方法至少具有以下有益效果：基于PCA算法对多维的历史样本数据进行降维处理，降低随机梯度下降回归算法的输入数据的维度，减少系统计算量，根据随机梯度下降回归算法寻求最佳权重从而得到冷水机组制冰和制冷分别运行的时间段，从而得到一个基于上述最佳权重的电价计算模型，运营人员通过输入制冷量相关参数即可得到第二天冷水机组的运行方式和总电价。
根据本发明实施例第一方面所述的一种冰蓄冷系统的节能运行方法，所述基于PCA算法对所述历史样本数据进行降维，得到对应k个特征向量的降维数据集，包括：
计算所述历史样本数据的均值，基于均值对所述历史样本数据进行数据中心化；
计算数据中心化后的所述历史样本数据的协方差矩阵；
计算所述协方差矩阵的特征值和相应的特征向量；
将特征值按照从大到小排列，选择其中最大的k个，将选取的k的特征值对应的特征向量排列成特征向量矩阵，其中k为小于n的正整数；
将所述均值投射到特征向量上，组成对应k个特征向量的降维数据集。
根据本发明实施例第一方面所述的一种冰蓄冷系统的节能运行方法，选取的k个特征值的和大于或等于n个特征值的和的90％。
根据本发明实施例第一方面所述的一种冰蓄冷系统的节能运行方法，所述基于随机梯度下降回归算法处理所述降维数据集，获得所述输入向量中各分量的最优权重，包括：
对所述降维数据集预处理，剔除数据异常值；
对预处理后的所述降维数据集中的值进行归一化；
所述输入向量为xi＝(x1,x2,x3,…,xm)，i＝0,1,2,3,…,n，其中m为正整数，表示与制冷量相关的参数有m个，基于制冷量与制冷量相关参数为线性关系，对应xi的预测制冷量hθ(x)表示为
其中θ＝(θ0,θ1,θ2,…,θn)为权重向量，表示为所述输入向量各分量对所述预测制冷量hθ(x)的影响度；
定义损失函数为：
其中y表示所述历史样本数据中对应所述输入向量x的输出参数，对θ赋值并对所述损失函数求偏导，并根据θ的更新公式使J(θ)趋近于最小值，求得最优的θ值。
根据本发明实施例第一方面所述的一种冰蓄冷系统的节能运行方法，所述根据所述输出参数和不同时间段的电价向量，得到电价计算模型，包括：
基于最佳权重的输出参数，即预测制冷量hθ(x)表示为
h6(x)＝Q＝F*(Q1*t1+Q2*t2)，
其中F表示为冷水机组的运行台数，Q1为每台冷水机组每小时的制冷量，t1为制冷的运行时间，Q2为冷水机组每小时的制冰的当量冷量，t2为制冰的运行时间；
不同时间段的电价向量表示为P＝[p1,p2,p3,…,pl]，l为正整数，每日不同时间段中的制冷向量表示为c1＝[q1,q2,q3,…,ql]，每日不同时间段中的制冰向量表示为c2＝[d1,d2,d3,…,dl]，则Q1＝q1+q2+q3+…+ql，Q2＝d1+d2+d3+…+dl，则电价计算模型为：
P(Q1,Q2)＝P*(c1+c2)。
本发明实施例的第二方面提供一种冰蓄冷系统的节能运行装置，包括：
获取单元，用于获取n个历史样本数据，每个所述历史样本数据包括表示制冷量相关参数的输入向量和表示翌日制冷量的输出参数，其中n为正整数；
PCA算法单元，用于基于PCA算法对所述历史样本数据进行降维，得到对应k个特征向量的降维数据集，其中k为小于n的正整数；
随机梯度下降回归算法单元，用于基于随机梯度下降回归算法处理所述降维数据集，获得所述输入向量中各分量的最优权重，其中所述输出参数表示为所述输入向量的加权平均值；
电价计算模型单元，用于根据所述输出参数和不同时间段的电价向量，得到电价计算模型；
输出单元，用于根据当天的输入向量和所述电价计算模型，得到冷水机组制冰和制冷的运行时间段。
本发明实施例的第三方面提供一种冰蓄冷系统的节能运行设备，包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器；所述存储器存储有可被所述至少一个控制处理器执行的指令，所述指令被所述至少一个控制处理器执行，以使所述至少一个控制处理器能够执行如上所述的任一项所述的冰蓄冷系统的节能运行法。
本发明实施例的第三方面提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如上所述的任一项所述的冰蓄冷系统的节能运行方法。
本发明的附加方面和优点将在下面的描述中部分给出，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
下面结合附图和实施例对本发明进一步地说明；
图1为本发明实施例的整体流程图；
图2为本发明实施例中步骤S200的具体流程图；
图3为本发明实施例中步骤S300的具体流程图；
图4为本发明实施例中步骤S400的具体流程图；
图5为本发明实施例的装置模块图；
图6为本发明实施例的设备连接图。
具体实施方式
本部分将详细描述本发明的具体实施例，本发明之较佳实施例在附图中示出，附图的作用在于用图形补充说明书文字部分的描述，使人能够直观地、形象地理解本发明的每个技术特征和整体技术方案，但其不能理解为对本发明保护范围的限制。
在本发明的描述中，需要理解的是，涉及到方位描述，例如上和下指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
本发明的描述中，除非另有明确的限定，设置、安装、连接等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
本发明实施例中，涉及到上部、下部等方位的描述以附图中的参考坐标为准，其他俯视图、立体图等均参照该坐标系。
参照图1，本发明实施例涉及一种冰蓄冷系统的节能运行方法，包括
S100，获取n个历史样本数据，每个所述历史样本数据包括表示制冷量相关参数的输入向量和表示翌日制冷量的输出参数，其中n为正整数；
S200，基于PCA算法对所述历史样本数据进行降维，得到对应k个特征向量的降维数据集，其中k为小于n的正整数；
S300，基于随机梯度下降回归算法处理所述降维数据集，获得所述输入向量中各分量的最优权重，其中所述输出参数表示为所述输入向量的加权平均值；
S400，根据所述输出参数和不同时间段的电价向量，得到电价计算模型；
S500，根据当天的输入向量和所述电价计算模型，得到冷水机组制冰和制冷的运行时间段。
n个历史样本数据表示为(x1,y1),(x2,y2),(x3,y3),…,(xn,yn)，n为正整数，其中输入向量以xi＝(x1,x2,x3,…,xm)表示，i＝0,1,2,3,…,n，其中m为正整数，表示与制冷量相关的参数有m个，在本实施例中，与制冷量相关的参数包括但不限于：压力、流量、站区内制冷的环境温湿度、站区外的环境温湿度、用冷人数、制冰传感器数据和当天的制冷量。
参照图2，其中步骤S200具体包括以下步骤：
S210，计算所述历史样本数据的均值，基于均值对所述历史样本数据进行数据中心化；
S220，计算数据中心化后的所述历史样本数据的协方差矩阵；
S230，计算所述协方差矩阵的特征值和相应的特征向量；
S240，将特征值按照从大到小排列，选择其中最大的k个，将选取的k的特征值对应的特征向量排列成特征向量矩阵，其中k为小于n的正整数；
S250，将所述均值投射到特征向量上，组成对应k个特征向量的降维数据集。
其中选取的k个特征值的和大于或等于n个特征值的和的90％，是为了尽量保留多有用的特征分量。
通过PCA数据降维后，大部分的有用信息保留了，降低了算法模型的复杂度，为后面基于随机梯度下降回归算法提供基础。
参照图3，其中步骤S300具体包括以下步骤：
S310，对所述降维数据集预处理，剔除数据异常值；
S320，对预处理后的所述降维数据集中的值进行归一化；
S330，所述输入向量为xi＝(x1,x2,x3,…,xm)，i＝0,1,2,3,…,n，其中m为正整数，表示与制冷量相关的参数有m个，基于制冷量与制冷量相关参数为线性关系，对应xi的预测制冷量hθ(x)表示为
其中θ＝(θ0,θ1,θ2,…,θn)为权重向量，表示为所述输入向量各分量对所述预测制冷量hθ(x)的影响度；
S340，定义损失函数为：
其中y表示所述历史样本数据中对应所述输入向量x的输出参数，对θ赋值并对所述损失函数求偏导，并根据θ的更新公式使J(θ)趋近于最小值，求得最优的θ值。
步骤S310中预处理按照m±3u的原则进行数据异常值的剔除，步骤S320中归一化将所有的特征参数的值归一化到(-1,1)之间，步骤S330中假设制冷量相关参数与制冷量为线性关系，由此采用加权平均的方式得到预测制冷量hθ(x)的计算公式，值得注意的是，hθ(x)为根据公式计算得到的预测制冷量，y是历史样本数据中的实际制冷量，为了使预测制冷量与实际制冷量之间的差距减小，在步骤S340中利用随机梯度下降回归算法中的最小平方误差理论求取最优权重。
其中θ的更新公式定义为
α为步长(learning rate)，它控制θ每次向J(θ)变小的方向迭代时的变化幅度，J(θ)对θ的偏导表示J(θ)变化最大的方向，由于求的是极小值，因此梯度方向是偏导数的反方向，偏导的求解利用损失函数代入上述更新公式得到，最终为：
θj＝θj+α(y-hθ(x))xj。
随机梯度下降在计算下降最快的方向时是随机选一个数据进行计算，而不是扫描全部训练数据集，这样就加快了迭代速度。随机梯度下降并不是沿着J(θ)下降最快的方向收敛，而是震荡的方式趋向极小点，通过上述方式即可求得最优的θ值。
将目标日期前一天的制冷量相关参数输入到hθ(x)中，得到目标日期的制冷量需求。
参照图4，基于上述预测制冷量，步骤S400具体包括以下步骤：
S410，基于最佳权重的输出参数，即预测制冷量hθ(x)表示为
hθ(x)＝Q＝F*(Q1*t1+Q2*t2)，
其中F表示为冷水机组的运行台数，Q1为每台冷水机组每小时的制冷量，t1为制冷的运行时间，Q2为冷水机组每小时的制冰的当量冷量，t2为制冰的运行时间；
S420，不同时间段的电价向量表示为P＝[p1,p2,p3,…,pl]，l为正整数，每日不同时间段中的制冷向量表示为c1＝[q1,q2,q3,…,ql]，每日不同时间段中的制冰向量表示为c2＝[d1,d2,d3,…,dl]，则Q1＝q1+q2+q3+…+ql，Q2＝d1+d2+d3+…+dl，则电价计算模型为：
P(Q1,Q2)＝P*(c1+c2)。
当预测好制冷量时，即可以将制冷量输入电价计算模型，即可以得到冷水机组的用电量总价格。
根据上述相关的计算公式，得到预测制冷量和预测的电价总值，根据冷水机组的单位制冷量，确定设备能运行的机组数量后，结合当地低谷电价时段，可知道系统从什么时候以及运行多少组冷水机组制冷最适合。
通过对第二天制冷量的预测，以达到冷站能在一个合理的状态下运营，减少冷站运营过程中，冷量存储时间过长而产生的损耗，保证系统所制冷量基本满足第二天的冷量需求，减少运营成本和能源浪费，同时由于是算法直接得到结果并进行自动控制，能够减少运营人员的工作量。
本发明实施例还提供了一种冰蓄冷系统的节能运行装置，在该冰蓄冷系统的节能运行装置1000中，包括但不限于：获取单元1100、PCA算法单元1200、随机梯度下降回归算法单元1300、电价计算模型单元1400和输出单元1500。
其中，接收单元1100，用于获取n个历史样本数据，每个所述历史样本数据包括表示制冷量相关参数的输入向量和表示翌日制冷量的输出参数，其中n为正整数；
PCA算法单元1200，用于基于PCA算法对所述历史样本数据进行降维，得到对应k个特征向量的降维数据集，其中k为小于n的正整数；
随机梯度下降回归算法单元1300，用于基于随机梯度下降回归算法处理所述降维数据集，获得所述输入向量中各分量的最优权重，其中所述输出参数表示为所述输入向量的加权平均值；
电价计算模型单元1400，用于根据所述输出参数和不同时间段的电价向量，得到电价计算模型；
输出单元1500，用于根据当天的输入向量和所述电价计算模型，得到冷水机组制冰和制冷的运行时间段。
需要说明的是，由于本实施例中的一种冰蓄冷系统的节能运行装置与上述的一种冰蓄冷系统的节能运行方法基于相同的发明构思，因此，方法实施例中的相应内容同样适用于本装置实施例，此处不再详述。
本发明实施例还提供了一种冰蓄冷系统的节能运行设备，该冰蓄冷系统的节能运行设备2000可以是任意类型的智能终端，例如手机、平板电脑、个人计算机等。
具体地，该冰蓄冷系统的节能运行设备2000包括：一个或多个控制处理器2010和存储器2020，图5中以一个控制处理器2010为例。
控制处理器2010和存储器2020可以通过总线或者其他方式连接，图5中以通过总线连接为例。
存储器2020作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态性计算机可执行程序以及模块，如本发明实施例中的冰蓄冷系统的节能运行方法对应的程序指令/模块，例如，图5中所示的获取单元1100、PCA算法单元1200、随机梯度下降回归算法单元1300、电价计算模型单元1400和输出单元1500。控制处理器2010通过运行存储在存储器2020中的非暂态软件程序、指令以及模块，从而执行冰蓄冷系统的节能运行装置1000的各种功能应用以及数据处理，即实现上述方法实施例的冰蓄冷系统的节能运行方法。
存储器2020可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据冰蓄冷系统的节能运行装置1000的使用所创建的数据等。此外，存储器2020可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器2020可选包括相对于控制处理器2010远程设置的存储器，这些远程存储器可以通过网络连接至该冰蓄冷系统的节能运行设备2000。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个模块存储在所述存储器2020中，当被所述一个或者多个控制处理器2010执行时，执行上述方法实施例中的冰蓄冷系统的节能运行方法，例如，执行以上描述的图1中的方法步骤S100至S500，实现图4中的单元1100-1500的功能。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个或多个控制处理器执行，例如，被图5中的一个控制处理器2010执行，可使得上述一个或多个控制处理器2010执行上述方法实施例中的冰蓄冷系统的节能运行方法，例如，执行以上描述的图1中的方法步骤S100至S500，，实现图4中的单元1100-1500的功能。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
通过以上的实施方式的描述，本领域技术人员可以清楚地了解到各实施方式可借助软件加通用硬件平台的方式来实现。本领域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一计算机可读取存储介质中，该程序在执行时，可包括如上述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(ReadOnly Memory,ROM)或随机存储记忆体(Random Access Memory,RAM)等。
以上是对本发明的较佳实施进行了具体说明，但本发明并不局限于上述实施方式，熟悉本领域的技术人员在不违背本发明精神的前提下还可作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。