具体实施方式

为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。

参考图1，为本发明实施例一提供的一种中央空调制冷站全局优化节能控制方法的流程图。

如图1所示，该中央空调制冷站全局优化节能控制方法包括以下步骤：

步骤S10、定期获取中央空调制冷站的各设备的历史数据，并对历史数据进行预处理，获得各设备的运行数据样本。中央空调制冷站的各设备包括：制冷机组、冷冻泵、冷却泵、冷却塔中的任意一种或者多种。

可选的，定期获取中央空调制冷站的各设备的历史数据，并对历史数据进行预处理，获得各设备的运行数据样本包括：每隔预设时间段定时对各设备的实时数据进行数据采样，且从采样时刻前一日开始往前推30天，并以预设时间间隔为采样频率进行数据采样，以获得各设备的历史数据；对各设备的历史数据进行空缺值、突变值、设备开关状态为0的数据、数据卡数连续多个点不变的数据进行去除，获得各设备的运行数据样本。可选的，预设时间间隔可以为10分钟。

具体的，每隔预设时间段(如每星期、每个月等)定时对各设备的实时数据进行数据采样，以数据采集最新时间(即采样时刻)为准往前推30天间隔10分钟采样，作为原始数据，即各设备的历史数据。

其中，各设备的历史数据包括：每台制冷主机(制冷机组包括多台制冷主机)：冷冻水出水温度、冷却回水温度、实际制冷量、实际电功率，每台冷冻泵或者冷却泵：水泵入口压力、水泵出口压力、流量、频率、实际电功率，每台冷却塔：冷却水进塔温度、冷却水出塔温度、室外湿球温度、实际电功率、冷却水流量。

步骤S20、根据各设备的运行数据样本和各设备的功率计算公式，采用预设方法对各设备的功率计算公式中的参数进行辨识，获得各设备的功率模型。

可选的，根据各设备的运行数据样本和各设备的功率计算公式，采用预设方法对各设备的功率计算公式中的参数进行辨识，获得各设备的功率模型包括：根据各设备的运行数据样本和各设备的功率计算公式，采用最小二乘法对各设备的功率计算公式中的参数进行辨识，获得各设备的功率模型。

步骤S30、基于事件驱动最优化遗传算法实时获取系统全局功率最小的样本点，获得各设备的优化控制参数。

步骤S40、根据各设备的优化控制参数调整中央空调制冷站的各设备的当前运行参数。

本发明实施例提供的方法主要运用于中央空调制冷站全局优化节能控制过程中，例如：中央空调系统常规制冷站，即制冷主机、冷冻水泵、冷却水泵、冷却塔一次泵系统，定期获取各设备的运行数据，进行辨识、参数得到各设备的功率模型，并基于事件驱动系统全局优化给出最优控制运行参数，实现制冷站系统的全局最优。但本发明方法不限于常规制冷站，也可适用于蓄冷系统和二次泵系统等系统的全局优化，具有一定的通用性。

本发明实施例提供的方法为了使遗传寻优算法的效果更加准确系统更加稳定，即提出基于既定的事件规则确定事件触发点的系统制冷量和湿球温度，以及开启设备情况，简化了参数，避免了现有全局优化计算时间长、优化参数多、高频次优化的缺点。

本发明通过定期获取制冷站各设备历史的实时的运行数据，并对其进行预处理，得到运行数据样本；将运行数据样本应用于对应制冷机组、冷冻泵、冷却泵、冷却塔设备的功率计算公式，通过最小二乘法辨识公式中的参数，得到各设备的功率模型；最后在设备功率模型基础上，基于事件驱动最优化遗传算法SGA实时寻找全局功率最小的样本点，得到各设备的运行参数。本发明按预设间隔(如每星期、每个月等)定期采集设备近期一段时间的运行数据，然后基于设备功率计算公式采用最小二乘法辨识公式中的参数得到功率模型，最后基于事件驱动最优化遗传算法SGA实时寻找全局功率最小的样本点，得到各设备的运行参数。智能化的实现了对中央空调制冷站全局优化节能控制，解决了传统制冷站各设备单独独立控制无法做到全局节能的弊端，同时避免了现有全局优化计算时间长、优化参数多、高频次优化的缺点，提高了全局寻优的及时性和准确性和实用水平，减少系统频繁操作带来的人力、物力的投入。

参考图2，为本发明提供的中央空调制冷站全局优化节能控制方法的优选实施方式的流程图。

如图2所示，该实施例中，包括以下步骤：

步骤S201、定期采集各设备的历史数据。

步骤S202、对历史数据进行预处理。

步骤S203、获得运行数据样本。

步骤S204、采用各设备的功率计算公式进行计算。其中，功率计算公式包括：制冷机组的功率计算公式、冷冻泵/冷却泵的功率计算公式和冷却塔的功率计算公式。

步骤S205、对各设备的功率计算公式中待识别的参数，采用最小二乘法进行辨识。

步骤S206、获得各设备的功率模型。

步骤S207、确定事件触发点基于事件触发点，获取事件触发点的当前时刻中央空调制冷站的各设备的开关状态信号。

步骤S208、获取事件触发点的当前时刻中央空调制冷站的系统负荷和室外湿球温度。

步骤S209、将事件触发点的当前时刻中央空调制冷站的各设备中开启的设备的功率模型进行累加，获得中央空调制冷站的全局功率模型。

步骤S210、确定各设备的功率模型中运行参数的区间范围。

步骤S211、根据全局功率模型、系统负荷、室外湿球温度以及各设备的功率模型中运行参数的区间范围，采用遗传算法进行优化计算并输出系统全局功率最小的样本点，获得各设备的优化控制参数。

进一步地，如图3所示，在获得各设备的历史数据后，需要对数据进行预处理。

如图3所示，对数据进行预处理包括以下步骤：

步骤S301、获取各设备的历史数据。

步骤S302、剔除设备未启动的数据。

步骤S303、剔除存在空缺值的数据。

步骤S304、剔除存在突变的数据。

步骤S305、剔除存在卡数的数据。

步骤S306、获得各设备的运行数据样本。

可选的，突变的数据可以理解为：剔除各设备的实际电功率>1.05*设备的额定功率的数据；制冷主机出水温度异常大或小(例：t0>20或t0<5)；冷却回水温度异常大或小(例：t1>40或t1<20)；水泵频率异常大或小(f0>55或f0<25)等；剔除前后时刻点与当前时刻点数值都相差10倍(例：T0/T1>10且T2/T1>10)的数据。

卡数的数据可以理解为：实际电功率数据前后时刻完全相同的点，即卡数；冷却回水温度和主机出水温度连续6个点数值完全相同，即卡数。

可选的，本发明提供的中央空调制冷站全局优化节能控制方法可以在python平台上实现，Python是一种面向对象、解释型计算机程序设计语言，它拥有高效的高级数据结构，并能够用简单高效的方式进行面向对象编程。其语法简单、优雅，强大的解释性，使其在很多领域都成为一门理想语言。

本发明实施例中，制冷机组的功率计算公式为：

式中，Q_ch：实际制冷量，kW；P_ch：实际功率，kW；T_chws：冷冻出水温度，℃；T_cws1：冷却回水温度，℃；d₁、d₂、d₃、d₄、d₅为待辨识的参数。

具体的，根据运行数据样本中的制冷主机：冷冻水出水温度、冷却水回水温度、实际制冷量、实际电功率，并带入到公式(1)中，采用最小二乘法对d₁、d₂、d₃、d₄、d₅进行辨识，可得到制冷机组的功率模型。

冷冻泵/冷却泵的功率计算公式为：

式中，Q_x：水泵频率为x Hz时的流量，m3/h；Px—水泵计算的功率,kW；H_X：水泵计算的扬程，m；η_x：水泵计算的效率，％；ρg：默认为9.8。

Q_x、H_X和η_x满足：

H_x＝H_X1-H_X2 (2)。

η_x＝(9.8(H_X1-H_X2)·Q_X)/(3600·P_X) (3)。

式中，H_X1：水泵出口压力，换算成水柱，m；H_X2：水泵进口压力，换算成水柱，m；H₀：水泵的额定扬程，m；f₅₀：满载时水泵的频率默认为50，Hz；fx：水泵实际频率，Hz；Q₀—水泵的额定流量，m3/h；a1、a2、a3、a4、b1、b2、b3、b4为待辨识参数。

具体的，根据运行数据样本中：冷冻泵/冷却泵的水泵入口压力、水泵出口压力，结合公式(2)计算扬程数据，根据运行数据样本中的：水泵入口压力、水泵出口压力、流量，实际电功率，结合公式(3)计算水泵的计算效率，最后将计算的扬程H_x和效率η_x及水泵的实际频率f_x和流量Q_x，带入到公式(4)和公式(5)，并采用最小二乘法对a1、a2、a3、a4、b1、b2、b3、b4进行辨识，可得到冷冻泵/冷却泵的功率模型。

冷却塔的功率计算公式为：

式中，T_cws2：冷却水出塔温度，℃；T_wb：室外湿球温度，℃；ε：计算的冷塔换热效率，％；k：修正系数；m_w：冷却水流量，m3/h；W：实际电功率，kW；c₁、c₂、c₃、c₄、c₅为待辨识参数。

进一步地，计算的冷却塔换热效率满足：

具体的，根据运行数据样本中的冷却水进塔温度、冷却水出塔温度和室外湿球温度，结合公式(7)可计算出冷却塔换热效率，最后将公式(7)计算得到的换热效率数据及室外湿球温度、运行数据样本中的冷却水出塔温度、实际电功率、冷却水流量，带入到公式(8)，并采用最小二乘法进行辨识可得到冷却塔的功率模型。

本发明实施例中，最小二乘法进行参数辨识的原理如下：

设(X，y)是一对观测量，数据矩阵定义为X＝[X₁，X₂，...，X_d]^T满足一下理论函数：

y＝f(X，W) (9)。

其中W＝[W₁，W₂，...，W_d]^T为待定参数。为了寻找y＝f(X，W)函数的参数W的最优估计值，即求解最小值的参数W_i(i＝1,2,...n)，对于给定n组(通常n>d)观测数据(X_i,y_i)(i＝1,2,...n)，求解目标函数:

对于无约束最优化问题，最小二乘法的一般形式为：

其中L_i(X)(i＝1，2，...n)称为残差函数。

进一步地，本发明实施例中，为了寻找到系统各设备运行的最优运行参数，本发明采用基于事件驱动获取系统触发时刻点全局功率模型和系统工况数据，得到触发点的全局功率模型。具体步骤如下：

(1)确定事件触发点。

具体的，监测制冷站系统运行的实时数据，并基于实时数据确定系统运行工况显著变化的状态点，该显著变化的状态点即为事件触发点。例如，设定的触发规则为：制冷主机：制冷主机台数变化>＝1，则制冷主机的事件触发点为：台数变化后第5个点；室外湿球温度：室外湿球温度连续三个监测点上升或下降0.5℃，则室外湿球温度的事件触发点为：第3个点；冷冻泵：冷冻出水温度连续三个监测点上升或下降0.3℃，则冷冻泵的事件触发点为：第3个点。

其中，制冷站系统运行的实时数据包括但不限于：制冷主机开启台数、室外湿球温度、系统负荷、系统冷冻出水温度、各设备的开启数据。

(2)基于事件触发点，获取事件触发点的当前时刻中央空调制冷站的各设备的开关状态信号。具体的，获取该事件触发点的当前时刻制冷机组、冷冻泵、冷却泵、冷却塔各个设备的开关状态信号。其中，可以结合制冷站群控系统控制策略模块输出的各设备的开关状态信号获取。

(3)获取事件触发点的当前时刻中央空调制冷站的系统负荷和室外湿球温度。

(4)将事件触发点的当前时刻中央空调制冷站的各设备中开启的设备的功率模型进行累加，获得中央空调制冷站的全局功率模型。即当前时刻开启的设备中，将开启的设备的功率模型进行累加，得到开启的设备的功率模型的累加和，该累加和即为中央空调制冷站的全局功率模型。

(5)确定各设备的功率模型中运行参数的区间范围。

可选的，各设备的功率模型运行参数的区间范围，可以根据给定的运行参数的最大值和最小值进行确定。例如，制冷主机的区间范围为：5<＝主机出水温度<＝20，，20<＝冷却回水温度<＝40，30<＝冷冻水泵频率<＝50，30<＝冷却水泵频率<＝50，30<＝冷却塔风机频率<＝50。

(6)根据全局功率模型、系统负荷、室外湿球温度以及各设备的功率模型中运行参数的区间范围，采用遗传算法进行优化计算并输出系统全局功率最小的样本点，获得各设备的优化控制参数。

遗传算法可以用来求函数的极值，其是一种基于生物遗传机理，即生物进化(自然淘汰，交叉，变异等)现象的随机搜索算法，它通过计算机模拟生物进化过程来进行搜索和进化，最后寻求最优解，基于全局功率数学模型，搜索所有运行样本点，找到满足其全局功率最小的样本即全局寻优，其主要的数学原理是：

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；4)交叉运算：将交叉算子作用于群体；5)变异运算：将变异算子作用于群体；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。

下面以一个具体实例对本发明提供的中央空调制冷站全局优化节能控制方法进行说明。

某公司大楼的中央空调系统制冷站运行监测平台为例，4台制冷主机2813.6kW，4台冷冻水泵350m³/h，4台冷却水泵350m³/h，16台冷却塔180m³/h。以采集的历史数据为准来验证该方法。采集到XX年供冷季逐10分钟的制冷站各设备的运行数据，经过必要的数据预处理，即空缺值处理，突变数据处理后的数据作为本次训练功率模型和全局优化的基准数据，提升数据质量是为了做后续数据分析的重要基础工作，例如：以某一台制冷主机为例，预处理前后数据展示见图4-图5，图4为预处理前主机实际电功率XX年供冷季逐10分钟运行数据时序散点图，图5为预处理后主机实际电功率XX年供冷季逐10分钟运行数据时序散点图。

训练数据样本搭建设备功率模型

选择制冷站每一台制冷主机、冷冻水泵、冷却水泵、冷却塔设备预处理后的数据样本，带入到对应的制冷机组、冷冻泵、冷却泵、冷却塔各设备的功率计算公式，对各设备的运行数据样本应用于功率计算公式，最小二乘法辨识模型中的参数，得到各设备的功率模型，即分别对4台制冷主机、4台冷冻水泵、4台冷却水泵、16台冷却塔训练数据搭建了功率模型。

以制冷主机辨识模型参数为例，选取运行数据为XX年供冷季制冷量、主机出水温度、冷却回水温度、实际电功率，预处理以后，带入到制冷主机计算功率公式进行训练，得到每台主机训练得到的功率模型如下，训练误差散点图如图6至图9所示。

制冷主机1：拟合误差R²＝0.85；

制冷主机2：拟合误差R²＝0.83；

制冷主机3：拟合误差R²＝0.86；

制冷主机4：拟合误差R²＝0.84；

冷冻水泵和冷却水泵、冷却水塔同上训练数据建模，不再一一阐述。

事件驱动遗传算法SGA全局优化：

根据触发时刻的系统总冷量和室外湿球温度，以及运行参数的区间范围(例如：5<＝主机出水温度<＝20，20<＝冷却回水温度<＝40，30<＝冷冻水泵频率<＝50，30<＝冷却水泵频率<＝50，30<＝冷却塔风机频率<＝50)，输出全局功率最小的样本点即极值，得到各开启设备的运行参数。

设定该制冷站事件的触发规则(冷机台数变化>＝1，触发时刻为台数变化后第5个点；室外湿球温度连续三个监测点上升或下降0.5℃，触发时刻为第3个点；冷冻出水温度连续三个监测点上升或下降0.3℃，触发时刻为第3个点)。统计所有触发时刻间隔区间的数据(例：6点触发，8点触发，采集6-8点期间的工况数据)，对系统外部工况环境参数按照不同的数据梯度划分成多段，即采集点环境参数如图10所示；可以看出主要分成8种工况。基于这8个不同的工况采用遗传算法进行全局优化，得到的优化参数和实际参数对比图11所示；另外对比优化参数运行的预估效果和实际人工调节效果对比图12所示，经过计算XX年供冷季采用该方法总的节能率达到14.7％。

本发明按预设间隔定期采集设备近期一段时间的运行数据，然后基于设备功率计算公式最小二乘法辨识公式中的参数得到功率模型，最后事件驱动最优化遗传算法SGA实时寻找全局功率最小的样本点，得到各设备的运行参数。智能化的实现了对中央空调制冷站全局优化节能控制，解决了传统制冷站各设备单独独立控制无法做到全局节能的弊端，同时避免了现有全局优化计算时间长、优化参数多、高频次优化的缺点，提高了全局寻优的及时性和准确性和实用水平，减少系统频繁操作带来的人力、物力的投入。

进一步的，与中央空调系统制冷站全局优化节能控制方法相比，本发明采用基于事件驱动遗传算法全局寻优的智能方法，减少了需要优化的参数，避免了现有全局优化计算时间长、优化参数多、高频次优化的缺点，系统更加稳定；同时依据设备物理特性，基于分钟级别的实际运行数据建立了各类设备的功率模型，每隔预设时间段对各设备的实时数据进行数据采样，可在线或离线对近30天数据训练，输出设备功率模型，保证设备运行的真实和实时特性。为中央空调系统制冷站的节能控制、设备运行特性、设备故障诊断建立提供了可靠的经验借鉴。

更进一步的，本发明通用性强，工程应用性广。本发明适用于中央空调系统制冷站的全局优化节能控制，不仅仅适用于常规制冷站,即制冷主机、冷冻水泵、冷却水泵、冷却塔一次泵系统制冷站，也适用于蓄冷系统和二次泵系统等中央空调系统制冷站。此外本发明对数据不仅局限于在线的实时数据去做全局优化，也可以应用于历史的实时数据给出优化的运行参数，与实际运行参数对比计算节能量。此外本发明也适用于项目层级多个制冷站的全局优化节能控制，不仅仅局限于单个制冷站的全局优化节能控制。

本发明还提供一种中央空调制冷站全局优化节能控制系统包括：

获取数据模块，用于定期获取中央空调制冷站的各设备的历史数据，并对历史数据进行预处理，获得各设备的运行数据样本；中央空调制冷站的各设备包括：制冷机组、冷冻泵、冷却泵、冷却塔中的任意一种或者多种。

功率模型模块，用于根据各设备的运行数据样本和各设备的功率计算公式，采用预设方法对各设备的功率计算公式中的参数进行辨识，获得各设备的功率模型。

全局寻优模块，用于基于事件驱动最优化遗传算法实时获取系统全局功率最小的样本点，获得各设备的优化控制参数。

调整模块，用于根据各设备的优化控制参数调整中央空调制冷站的各设备的当前运行参数。

本发明还提供一种电子设备，包括：存储器和处理器；

存储器用于存储计算机程序；

处理器用于执行计算机程序以实现本发明实施例公开的中央空调制冷站全局优化节能控制方法。

本发明还提供一种可读存储介质，可读存储介质上存储有计算机程序，计算机程序被处理器执行时，使得处理器处理本发明实施例公开的中央空调制冷站全局优化节能控制方法的步骤。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

以上实施例只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人士能够了解本发明的内容并据此实施，并不能限制本发明的保护范围。凡跟本发明权利要求范围所做的均等变化与修饰，均应属于本发明权利要求的涵盖范围。