本发明属于制冷系统节能控制领域，具体涉及一种基于模型预测的冷水机组组合运行的优化控制方法。
背景技术：
冷水机组是集中空调系统的核心部件，其运行能耗占集中空调总能耗的40％以上。对于大型建筑多台冷水机组联合运行的系统，冷水机组在不同负荷率下的运行能效不同，采用合理的冷水机组群控方法，使冷水机组尽可能保持高效运行，最大限度提高制冷系统运行效率，是实现集中空调系统节能的重要技术途径。
传统的冷水机组群控采用反馈控制方法，一般通过监测供冷负荷，当实测负荷达到设定限值时增加或减少机组台数；或者通过监测冷冻水出水温度，当水温低于设定值时，增加机组运行台数；或者通过监测旁通管流量，当旁通流量大于1台机组流量时，减少机组运行台数。传统的冷水机组群控方法虽然基本满足空调冷负荷的需求，但是运行调节滞后，未考虑冷水机组运行能效随负荷率和运行工况的变化特性，严重制约制冷系统的节能运行。
发明专利文献cn110222398a公开了一种冷水机组人工智能控制方法，包括：建立冷负荷预测模型；获取采集一定时间内的冷水机组的历史天气及生产数据作为第一训练数据；将所述第一训练数据通过第一机器学习算法对所述冷负荷预测模型进行训练；对训练完成的所述冷负荷预测模型输入未来的天气预报数据和生产计划，以使所述冷负荷预测模型输出预定时间内的冷负荷需求；还包括：建立冷机模型；获取采集一定时间内的冷机历史数据作为第二训练数据；将第二训练数据通过第二机器学习算法对冷机模型进行训练；对训练完成的所述冷机模型输入所述冷负荷预测模型输出的预定时间内冷负荷需求，作为输入数据，以输出所述冷负荷预测模型和所述冷机模型组合优化后的冷负荷需求数据；该发明虽然通过历史天气及生产数据对建立的冷负荷预测模型进行训练，解决目前无法对冷水机组的未来冷负荷进行预测的技术问题，从而实现在无需现场人员的干预下依据末端工况反馈对冷水机组的冷负荷进行准确预测，但是该发明并未考虑节能问题，尤其是基于模型预测的冷水机组组合运行的最佳节能方式问题。
专利文献cn110542178a提供一种具有自学习能力的空调冷冻机房控制方法及系统，通过cop效率预测模型和获取运行工况参数组的选中概率值，可以根据空调冷冻机房的现场实际工况自学习地动态调整输入参数，寻找对系统整体cop效率最大化对应的运行工况参数组，实现更优于传统冷机群控系统控制方式所能达到的节能效果。虽然该发明关注了预测与节能的情况，但是其运行效率和节能效果有限，有待进一步提高。
技术实现要素：
为解决现有技术中存在的技术问题，本发明提供了一种基于模型预测的冷水机组群控方法，对大滞后特性的制冷系统进行主动前馈控制，寻求制冷系统最佳运行效率的冷水机组运行台数和负荷率分配方法。
具体技术方案如下：一方面，本发明提供了一种基于grnn的冷水机组能效模型建模方法，其特征在于，包括如下步骤：
s1：根据制冷系统实际运行数据建立训练数据集，训练数据集包含系统各台冷水机组的运行功率wi、负荷率
s2：基于步骤s1得到的训练数据集，以
s3：基于冷水机组的能耗预测模型，输入冷水机组的负荷率
进一步地，负荷率为冷水机组制冷量与额定制冷量之比；
进一步地，所述冷水机组的能耗预测模型包括输入层、模式层、求和层和输出层；
输入层输入参数，并把输入参数传递给模式层；其中，输入参数为冷水机组的负荷率
模式层用于n个神经元输出；
求和层包括两种类型的神经元，第一种类型的神经元对模式层的n个神经元输出进行计算求和；传递函数sd为：
第二种神经元是对模式层的n个神经元输出进行加权求和，权值为第n个训练样本输出的第j个元素，传递函数sj为：
输出层具有1个神经元输出，即为冷水机组的运行功率wi，各神经元将求和层的输出相除得到预测结果；
其中，
进一步地，步骤s1中建立训练数据集包括如下步骤：
s11：记录制冷系统自动监测数据，监测数据包括各台冷水机组的运行功率wi、冷冻水供水温度tgi、冷冻水回水温度th、冷却水进水温度cthi；
s12：根据监测数据和机组额定制冷量qedi，根据下式计算机组负荷率
其中，c为水的比热，mi、tgsi、th为第i台冷水机组的实测流量、冷冻水供水设定温度、冷冻水实测回水温度；qedi分别为第i台冷水机组的额定制冷量；
s13：基于运行功率wi、机组负荷率
进一步地，步骤s13中运行功率wi、机组负荷率
进一步地，冷水机组的能耗预测模型采用滚动训练方式，运行数据需要实时加入训练数据集，以保证冷水机组的能耗预测模型反映当前机组运行性能。
另一方面，本发明提供了一种基于冷负荷预测和冷水机组能效模型的冷水机组群控方法，其特征在于，包括如下步骤：
s01：根据制冷系统中冷水机组的种类和台数，确定冷水机组运行台数的所有组合方式以及相应的总额定制冷量qed；将冷水机组各组合方式下的总额定制冷量qed与预测负荷qyc进行比较，获得冷水机组运行台数的可行组合方式；
s02：基于冷负荷预测值、冷水机组能耗模型、冷冻水泵和冷却水泵功率，计算冷水机组运行台数的各个可行组合方式下的系统能耗wsys，选择系统能耗wsys最低的组合方式，作为选定的冷水机组运行台数的最佳组合方式；
s03：基于步骤s02中选定的冷水机组运行台数的最佳组合方式，以冷水机组的冷冻水供水设定温度tgsi作为调节机组负荷率方式，以系统能耗wsys最低为优化目标，以系统供水温度为约束条件，通过冷水机组能耗模型，确定冷水机组的运行负荷率的最佳分配方式；
s04：根据步骤s02中选定的最佳的冷水机组运行台数和步骤s03中确定的负荷率分配，逐时调整冷水机组运行台数，重设各冷水机组的设定水温。
进一步地，步骤s01中，当总额定制冷量qed与预测负荷qyc进行比较时，满足2qyc＞qed＞qyc条件下的冷水机组运行台数的组合方式即为冷水机组运行台数的可行组合方式。
进一步地，步骤s02中，系统能耗wsys为计划运行的所有冷水机组及其配套冷冻水泵和冷却水泵的运行功率总和；各台冷水机组的运行功率根据将
进一步地，步骤s03具体包括以下步骤：
s031：计算各台冷水机组在不同冷冻水设定温度下的负荷率，计算方法如下：
s032：基于冷水机组运行台数的最佳组合方式，计算不同机组负荷率分配方式下的系统供水温度t′g，计算方法如下：
s033：当t′g满足下列约束条件时，确定为冷水机组负荷率的可行分配方式；
tgs-0.5＜t′g＜tgs 0.5
s034：针对冷水机组负荷率的可行分配方式，基于冷水机组能耗模型，计算总系统能耗wsys；
s035：比较不同冷水机组负荷率的可行组合方式下的系统能耗wsys，选择系统能耗wsys最低的作为冷水机组负荷率的最佳分配方式，确定各台冷水机组的供水设定温度。
进一步地，步骤s04中还包括根据传统反馈控制，实时进行机组增减机，当发生增减机时，应重复步骤s03，寻找最佳的负荷率分配方式，重设各台冷水机组的供水设定温度。
与现有技术相对比，本发明的有益效果如下：
(1)基于grnn建立的冷水机组能耗模型具有建模简单、适用性好的优势，真实反映冷水机组的实际运行性能，可迅速、有效地判断冷水机组在不同运行工况下的能耗；
(2)基于模型预测的冷水机组群控方法以能耗最低为目标，优化冷水机组运行台数和负荷率分配，可有效提高制冷系统运行能效。
附图说明
图1是本发明提供的一种基于grnn的冷水机组能效模型原理图；
图2是本发明提供的一种基于模型预测的冷水机组群控方法流程图。
具体实施方式
下面结合附图，对本发明的具体实施方式作详细的说明。
参图1所示，本发明提出的一种基于grnn的冷水机组能效模型建模方法，可按如下步骤实施：
s1：建立grnn模型的训练数据集。
①记录制冷系统自动监测数据，记录间隔为10分钟，监测参数包括各台冷水机组的运行功率wi、冷冻水供水温度tgi、冷冻水回水温度th、冷却水进水温度cthi。
②根据监测数据和机组额定制冷量，计算机组负荷率
其中，c为水的比热，mi、tgsi、th为第i台冷水机组的实测流量、冷冻水供水设定温度、冷冻水实测回水温度；qedi分别为第i台冷水机组的额定制冷量。
③基于wi、
s2：基于图1所示的grnn原理和训练数据集，建立各台冷水机组的能效模型。当数据集有更新时，应重新对模型进行训练。
其中，各台冷水机组的能效模型包括输入层、模式层、求和层和输出层，具体如下：
①输入层
输入层具有3个神经元，即冷水机组的负荷率
②模式层
模式层具有n个神经元，n为训练数据集样本数量。选用高斯函数作为传递函数的形式，则模式层第n个神经元的输出表达式如下：
||x-xn||是神经元的输入为网络输入向量x与权值向量xn的欧几里得距离。当神经元的输入为0时，神经元的输出为最大值1。神经元对输入的灵敏度由光滑因子σ来调节。采用交叉验证方法确定grnn预测模型的最优平滑因子σ，评价指标为预测相对误差。
③求和层
求和层包括两种类型的神经元，第一种类型的神经元对所有模式层的神经元输出进行计算求和，传递函数为：
第二种神经元是对所有模式层的输出进行加权求和，权值为第n个训练样本输出yn的第j个元素，传递函数为：
④输出层
输出层具有1个神经元，即冷水机组的运行功率(wi)，各神经元将求和层的输出相除得到预测结果，第j个神经元的输出对应第j个元素的预测结果为：
s3：基于冷水机组能耗模型，输入冷水机组的负荷率
参图2所示，本发明提供的一种基于模型预测的冷水机组群控方法，包括如下步骤：
s01：粗选冷水机组运行台数的可行组合方式。
①分析制冷系统构成，根据制冷系统中冷水机组的种类和台数，确定冷水机组运行台数的所有组合方式，(例如冷水机组种类有2种(大机组制冷量为1000冷吨、小机组为400冷吨)、每种类型机组的台数(大机组3台、小机组2台)，可以确定冷水机组运行台数的大小组合方式共11种，如1台大机组、2台大机组、3台大机组、1台大机组 1台小机组、1台大机组 2台小机组、2台大机组 1台小机组、2台大机组 2台小机组、1台小机组、2台小机组、1台大机组 2台小机组、3台大机组 2台小机组)以及确定相应的总额定制冷量qed；
②将冷水机组各组合方式下的总额定制冷量qed与预测负荷qyc进行比较，如预测负荷为1700冷吨，当满足2qyc＞qed＞qyc条件时，确定冷水组运行台数的可行组合方式有5种：1台大机组 2台小机组、2台大机组、2台大机组 1台小机组、2台大机组 2台小机组、3台大机组。
s02：确定冷水机组运行台数的最佳组合方式。
①计算冷水机组运行台数的各个可行组合方式下的系统能耗wsys，系统能耗包括所有计划运行的冷水机组以及配套的冷冻水泵和冷却水泵总功率。其中，冷水机组运行功是基于冷水机组能耗模型，通过输入系统负荷率
②比较不同冷水机组运行台数的可行组合方式下的系统能耗wsys，选择能耗最低的作为冷水机组运行台数的最佳组合方式。
s03：优化冷水机组运行负荷率的分配方式。
①计算各台冷水机组在不同冷冻水设定温度(如7℃～13℃之间，取整数)下的负荷率，计算方法如下：
②基于冷水机组运行台数的最佳组合方式，计算不同机组负荷率分配方式下的系统供水温度t′g，计算方法如下：
③当t′g满足下列约束条件时，确定为冷水机组负荷率的可行分配方式。
tgs-0.5＜t′g＜tgs 0.5
④针对冷水机组负荷率的可行分配方式，基于冷水机组能耗模型，计算系统能耗wsys。
⑤比较不同冷水机组负荷率的可行组合方式下的系统能耗wsys，选择能耗最低的作为冷水机组负荷率的最佳分配方式，确定各台冷水机组的供水设定温度。
s04：冷水机组的群控
①基于最佳的冷水机组运行台数和负荷率分配，逐时调整冷水机组运行台数，重设各台冷水机组的供水设定温度。
②为了保障系统运行安全性和稳定性，根据传统反馈控制，实时进行机组增减机。当发生增减机时，应重复步骤s03，寻找最佳的负荷率分配方式，重设各台冷水机组的供水设定温度。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均包含在本发明的保护范围之内。
1.一种基于grnn的冷水机组能效模型建模方法，其特征在于，包括如下步骤：
s1：根据制冷系统实际运行数据建立训练数据集，训练数据集包含系统各台冷水机组的运行功率wi、负荷率
s2：基于步骤s1得到的训练数据集，以
s3：基于冷水机组的能耗预测模型，输入冷水机组的负荷率
2.如权利要求1所述的一种基于grnn的冷水机组能效模型建模方法，其特征在于，所述冷水机组的能耗预测模型包括输入层、模式层、求和层和输出层；
输入层输入参数，并把输入参数传递给模式层；其中，输入参数为冷水机组的负荷率
模式层用于n个神经元输出；
求和层包括两种类型的神经元，第一种类型的神经元对模式层的n个神经元输出进行计算求和；传递函数sd为：
第二种神经元是对模式层的n个神经元输出进行加权求和，权值为第n个训练样本输出的第j个元素，传递函数sj为：
输出层具有1个神经元输出，即为冷水机组的运行功率(wi)，各神经元将求和层的输出相除得到预测结果
其中，
3.如权利要求1所述的一种基于grnn的冷水机组能效模型建模方法，其特征在于，步骤s1中建立训练数据集具体包括如下步骤：
s11：记录制冷系统自动监测数据，监测数据包括各台冷水机组的运行功率wi、冷冻水供水温度tgi、冷冻水回水温度th、冷却水进水温度cthi；
s12：根据监测数据和机组额定制冷量qedi，根据下式计算机组负荷率
其中，c为水的比热，mi、tgsi、th为第i台冷水机组的实测流量、冷冻水供水设定温度、冷冻水实测回水温度；qedi分别为第i台冷水机组的额定制冷量；
s13：基于运行功率wi、机组负荷率
4.如权利要求3所述的一种基于grnn的冷水机组能效模型建模方法，其特征在于，步骤s13中运行功率wi、机组负荷率
5.如权利要求1所述的一种基于grnn的冷水机组能效模型建模方法，其特征在于，冷水机组的能耗预测模型采用滚动训练方式，运行数据需要实时加入训练数据集，以保证冷水机组的能耗预测模型反映当前机组运行性能。
6.一种基于冷负荷预测和冷水机组能效模型的冷水机组群控方法，其特征在于，包括如下步骤：
s01：根据制冷系统中冷水机组的种类和台数，确定冷水机组运行台数的所有组合方式以及相应的总额定制冷量qed；将冷水机组各组合方式下的总额定制冷量qed与预测负荷qyc进行比较，获得冷水机组运行台数的可行组合方式；
s02：基于冷负荷预测值、冷水机组能耗模型、冷冻水泵和冷却水泵功率，计算冷水机组运行台数的各个可行组合方式下的系统能耗wsys，选择系统能耗wsys最低的组合方式，作为选定的冷水机组运行台数的最佳组合方式；
s03：基于步骤s02中选定的冷水机组运行台数的最佳组合方式，以冷水机组的冷冻水供水设定温度tgsi作为调节机组负荷率方式，以系统能耗wsys最低为优化目标，以系统供水温度为约束条件，通过冷水机组能耗模型，确定冷水机组的运行负荷率的最佳分配方式；
s04：根据步骤s02中选定的最佳的冷水机组运行台数和步骤s03中确定的负荷率分配，逐时调整冷水机组运行台数，重设各冷水机组的设定水温。
7.如权利要求6所述的一种基于冷负荷预测和冷水机组能效模型的冷水机组群控方法，其特征在于，步骤s01中，当总额定制冷量qed与预测负荷qyc进行比较时，满足2qyc＞qed＞qyc条件下的冷水机组运行台数的组合方式即为冷水机组运行台数的可行组合方式。
8.如权利要求6所述的一种基于冷负荷预测和冷水机组能效模型的冷水机组群控方法，其特征在于，步骤s02中，系统能耗wsys为计划运行的所有冷水机组及其配套冷冻水泵和冷却水泵的运行功率总和；各台冷水机组的运行功率根据将
9.如权利要求6所述的一种基于冷负荷预测和冷水机组能效模型的冷水机组群控方法，其特征在于，步骤s03具体包括以下步骤：
s031：计算各台冷水机组在不同冷冻水设定温度下的负荷率
s032：基于冷水机组运行台数的最佳组合方式，计算不同机组负荷率分配方式下的系统供水温度t′g，计算方法如下：
s033：当t′g满足下列约束条件时，确定为冷水机组负荷率的可行分配方式；
tgs-0.5＜t′g＜tgs 0.5
s034：针对冷水机组负荷率的可行分配方式，基于冷水机组能耗模型，计算系统能耗wsys；
s035：比较不同冷水机组负荷率的可行组合方式下的系统能耗wsys，选择系统能耗wsys最低的作为冷水机组负荷率的最佳分配方式，确定各台冷水机组的供水设定温度。
10.如权利要求6所述的一种基于冷负荷预测和冷水机组能效模型的冷水机组群控方法，其特征在于，步骤s04中还包括根据传统反馈控制，实时进行机组增减机，当发生增减机时，应重复步骤s03，寻找最佳的负荷率分配方式，重设各台冷水机组的供水设定温度。
技术总结