基于冷站多智能体的节能控制方法、装置、设备及介质与流程

1.本发明涉及建筑节能和智能控制技术领域，尤其涉及一种基于冷站多智能体的节能控制方法、装置、设备及介质。


背景技术：

2.随着社会经济的发展，建筑的能耗逐渐增加，已经占到全球能源需求的40％左右。而在我国，建筑能耗站全社会能耗高达30％之高。同时，空调和供暖系统越占建筑总能耗的一半，且该比例仍在逐年增长，而公共建筑节能达标率却不足10％，由于冷站能耗是空调能耗中的主要部分，因此，实现空调系统节能的首要任务是实现冷站节能的优化控制。
3.针对冷站设备的控制，现有的方法主要是通过人工智能或神经网络等深度学习的方法来实现全局的节能优化控制。然而，该方法达到的控制效果并不理想：一方面，现有方法在进行冷站控制时，无法考虑设备性能随时间变化所出现的衰减或偏移问题，因此无法根据设备的实际运行状态进行控制方法的自修正；另一方面，现有的控制方法往往需要花费大量时间进行计算，当设备运行状态变化时，对于各设备的运行能耗计算过程复杂、迭代量大，无法实现准确、有效的节能控制。


技术实现要素：

4.本发明的目的在于提供一种基于冷站多智能体的节能控制方法、装置、设备及介质，以解决现有技术中冷站控制方法存在的通用性差、耗时长、计算量大及控制效果不理想的问题。
5.为实现上述目的，本发明提供一种基于冷站多智能体的节能控制方法，包括：
6.根据冷站的历史运行数据，构建冷站多智能体；所述冷站多智能体包括建筑智能体及空调机组智能体；
7.根据环境数据及所述建筑智能体输出的运行数据，确定所述空调机组智能体的初始运行参数；
8.对所述初始运行参数进行全局寻优，获得所述空调机组智能体的最优运行参数；
9.利用所述最优运行参数对冷站进行节能控制。
10.进一步地，所述建筑智能体输出的运行数据包括冷负荷值，所述环境数据包括环境温湿度值。
11.进一步地，所述空调机组智能体包括水泵智能体、主机智能体及冷却塔智能体。
12.进一步地，所述对所述初始运行参数进行全局寻优，获得所述空调机组智能体的最优运行参数，包括：
13.根据所述冷负荷值确定空调机组的需求制冷量；
14.将所述需求制冷量、所述环境温湿度值输入至所述主机智能体，得到待开启的主机数量，并生成主机的冷冻水出水温度与冷却水进水温度的组合；
15.将所述冷冻水出水温度与冷却水进水温度的组合输入至所述主机智能体，得到所
述主机智能体输出的制冷量等于所述需求制冷量时多个主机的功耗；
16.确定所述多个主机的功耗中的最小主机功耗，并获取与所述最小主机功耗对应的主机冷冻水出水温度与冷却水进水温度。
17.进一步地，所述对所述初始运行参数进行全局寻优，获得所述空调机组智能体的最优运行参数，还包括：
18.根据待开启的主机数量确定需开启的水泵台数，并根据所述需开启的水泵台数更新所述水泵智能体；
19.将所述冷冻水出水温度与冷却水进水温度的组合输入至所述主机智能体，得到当所述主机智能体输出的制冷量等于所述需求制冷量时所需的冷却水流量；
20.获取当更新后的水泵智能体的输出满足所述冷却水流量时多个水泵的功耗；
21.确定所述多个水泵的功耗中的最小水泵功耗，并获取与所述最小水泵功耗对应的水泵转速和实际运行的水泵台数。
22.进一步地，所述对所述初始运行参数进行全局寻优，获得所述空调机组智能体的最优运行参数，还包括：
23.根据待开启的主机数量确定需开启的冷却塔台数，并根据所述需开启的冷却塔台数更新所述冷却塔智能体；
24.获取当更新后的冷却塔智能体的输出满足所述冷却水流量时多个冷却塔的功耗；
25.确定所述多个冷却塔的功耗中的最小冷却塔功耗，并获取与所述最小冷却塔功耗对应的冷却塔转速和实际运行的冷却塔台数。
26.进一步地，在所述利用所述最优运行参数对冷站进行节能控制之后，还包括：
27.利用回归算法并按照预设周期对所述冷站多智能体进行迭代训练，并利用训练结果对冷站进行节能控制。
28.本发明还提供一种基于冷站多智能体的节能控制装置，包括：
29.多智能体构建单元，用于根据冷站的历史运行数据，构建冷站多智能体；所述冷站多智能体包括建筑智能体及空调机组智能体；
30.初始参数确定单元，用于根据环境数据及所述建筑智能体输出的运行数据，确定所述空调机组智能体的初始运行参数；
31.参数寻优单元，用于对所述初始运行参数进行全局寻优，获得所述空调机组智能体的最优运行参数；
32.冷站控制单元，用于利用所述最优运行参数对冷站进行节能控制。
33.本发明还提供一种终端设备，包括：
34.一个或多个处理器；
35.存储器，与所述处理器耦接，用于存储一个或多个程序；
36.当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上任一项所述的基于冷站多智能体的节能控制方法。
37.本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上任一项所述的基于冷站多智能体的节能控制方法。
38.相对于现有技术，本发明的有益效果在于：
39.本发明公开了一种基于冷站多智能体的节能控制方法，包括：根据冷站的历史运
行数据，构建冷站多智能体；所述冷站多智能体包括建筑智能体及空调机组智能体；根据环境数据及所述建筑智能体输出的运行数据，确定所述空调机组智能体的初始运行参数；对所述初始运行参数进行全局寻优，获得所述空调机组智能体的最优运行参数；利用所述最优运行参数对冷站进行节能控制。
40.本发明构建的冷站多智能体可对冷站建筑的负荷做出预测。具体地，基于冷站建筑的热物理模型，智能体对特定时间、特定输入的环境参数下的负荷做出预测，可对空调系统的运行投入量提供依据；本发明通过对空调机组各设备的运行参数进行全局寻优，使得多智能体冷站群控在达到热舒适度的前提下，实现了整体功耗最小的节能控制。此外本发明构建的冷站多智能体具有自更新(自升级)机制，在面对现实设备长期运行后性能衰减时，本发明能够通过人工智能算法和历史数据实现对冷站多智能体的迭代训练，使其真实反应设备的当前情况，以实现准确的节能控制。
附图说明
41.为了更清楚地说明本发明的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
42.图1是本发明某一实施例提供的基于冷站多智能体的节能控制方法的流程示意图；
43.图2是图1中步骤s30的子步骤的流程示意图；
44.图3是图1中步骤s30的子步骤的流程示意图；
45.图4是本发明又一实施例提供的基于冷站多智能体的节能控制方法的流程示意图；
46.图5是本发明某一实施例提供的基于冷站多智能体的节能控制装置的结构示意图；
47.图6是本发明又一实施例提供的基于冷站多智能体的节能控制装置的结构示意图；
48.图7是本发明某一实施例提供的终端设备的结构示意图。
具体实施方式
49.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
50.在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
51.此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
52.应当理解，文中所使用的步骤编号仅是为了方便描述，不对作为对步骤执行先后顺序的限定。术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
53.请参阅图1，本发明某一实施例提供一种基于冷站多智能体的节能控制方法。如图1所示，该基于冷站多智能体的节能控制方法包括步骤s10至步骤s40。各步骤具体如下：
54.s10、根据冷站的历史运行数据，构建冷站多智能体；所述冷站多智能体包括建筑智能体及空调机组智能体。
55.需要说明的是，本实施例中冷站多智能体主要由结合了冷站自身特性的各设备模块的多个智能体组成，具体包括建筑智能体及空调机组智能体。其中，建筑智能体指的是用于针对冷站建筑负荷及热响应做出判断的智能体；在构建好建筑智能体后，将特定的参数(包括室外气象参数
‑
温湿度、太阳辐射；日期，地点，历史数据/模拟数据)输入至建筑智能体，建筑智能体就能对空调负荷做出预测，此外，建筑智能体还可结合各监测点的送风温度，预知各监测点区域的温度变化趋势，为节能控制提供理论依据。
56.可以理解的是，冷站中的空调设备主要包括主机、水泵与冷却塔等，其中水泵又分为冷却水泵、冷冻水泵等。本实施例中，空调机组智能体主要是针对各种空调设备构建的智能体，即水泵智能体、主机智能体及冷却塔智能体。当建立好空调各个设备的智能体后，只需给定相应的输入参数，各设备智能体就能够自动输出对应的结果，以控制冷站的运行状态。
57.在某一具体实施方式中，为了帮助理解本实施例中的冷站多智能体，还提供了构建各个智能体的方法以及各个智能体对应的物理模型。作为优选地，本实施例中主要采用冷站建模技术构建冷站多智能体。
58.具体地，构建冷站多智能体主要包括以下内容：
59.1)构建建筑智能体：
60.1.1)获取建筑通用的物理模型：
[0061][0062]
式中，cap表示建筑热容，t表示建筑室内温度，u表示建筑热传系数，a表示建筑表面积，t
amb
表示室外环境温度，m
vent
表示建筑通风量，t
vent
表示通风空气温度，m
inf
表示建筑渗透空气量，t
inf
表示建筑渗透空气温度，q
gains
表示建筑净得热量。
[0063]
1.2)从历史数据中筛选建筑在非运行状态下的数据，即q
gains
为0时的数据，并使用回归算法计算出建筑的u、cap及a值。
[0064]
1.3)求解q
gains
，且q
gains
满足q
gains
＝q
‑
q
chiller
，即建筑净得热量等于建筑得热量减去冷机制冷量。其中，从历史数据中筛选建筑空调在运行状态下的数据即可得到q
chiller
的
大小。
[0065]
1.4)根据u、cap、a及q
chiller
来确定建筑物理模型的最终表达，且最终的表达式即为建筑智能体。
[0066]
具体地，构建建筑智能体主要包括以下步骤：
[0067]
2)构建主机智能体：
[0068]
2.1)确定主机通用的物理模型：
[0069]
需要说明的是，主机cop可以用负载率f
zl
、冷冻水出水温度t
o,e
、冷却水回水温度t
i,c
表达，具体为：
[0070]
cop＝a0+a1f
zl
+a2t
o,e
+a3t
i,c
+a4f
zl2
+a5t
o,e2
+a6t
i,c2
+a7f
zl
t
o,e
+a8f
zl
t
i,c
+a9t
o,e
t
i,c
[0071]
式中，a0～a9主要利用回归算法得到的多项式系数，cop、f
zl
、t
o,e
、t
i,c
可以由主机运行的历史数据中得到。
[0072]
2.2)确定冷机制冷量：
[0073]
q
chiller
＝p
chiller
/cop
[0074]
式中，p
chiller
为冷机功耗，cop从主机运行的历史数据可以得到。
[0075]
2.3)更新主机通用的物理模型：
[0076]
本步骤中利用历史数据中得到的f
zl
、t
o,e
、t
i,c
及q
chiller
，利用回归算法计算下式中b0～b9的具体数值：
[0077]
q
chiller
＝b0+b1f
zl
+b2t
o,e
+b3t
i,c
+b4f
zl2
+b5t
o,e2
+b6t
i,c2
+b7f
zl
t
o,e
+b8f
zl
t
i,c
+b9t
o,e
t
i,c
[0078]
如此，根据2.1)和2.3)即可确定主机的cop以及制冷量q
chiller
的表达。
[0079]
3)构建水泵智能体：
[0080]
其中，水泵的水流量m
pump
、功耗p
pump
与水泵运转台数n、转速n相关。结合历史数据，并利用回归算法得出水泵水流量、功耗与水泵运转台数、转速的关联式m
pump
＝f1(n,n)、p
pump
＝f2(n,n)。
[0081]
4)构建冷却塔智能体：
[0082][0083]
式中，q
rej
表示冷却塔散热量，且满足q
rej
＝q
total
+p
total
，q
total
表示主机总制冷量，p
total
表示主机总功耗，从历史数据中可确定q
rej
的大小。
[0084]
此外，冷却塔空气质量流量m
a
与冷却塔运行台数n
t
、风机运行数量n
f
及转速n有关，即可满足映射关系m
a
＝f3(n
t
,n
f
,n)，代入q
rej
可计算出待定的系数d1、d2。
[0085]
同时，冷却塔效率满足η
tower
＝(t
c,in
‑
t
c,out
)/(t
c,in
‑
t
wb
)＝f4(m
w
,n
t
,n
f
,n)结合历史数据，可回归得到函数f4的具体关联式。
[0086]
因此，综合步骤1)～4)中求解的四种智能体，联立可得冷站多智能体。
[0087]
需要说明的是，本实施例中主要采用线性回归算法进行求解。其中，回归算法是机器学习中最常见也是使用最广的一个算法，回归算法主要包括线性回归算法和逻辑回归算法两种。其中，线性回归算法是有监督学习的一种算法，主要根据采集的数据集中的特征，找到一个合适的线或是面，从而拟合数据集标签。线性回归算法的优点在于有很好的可解释性，可以从权重直接看出每个特征对结果的影响程度。逻辑回归算法主要是一种二分类算法，逻辑回归在面对一个回归或者分类问题，首先需要建立代价函数，然后通过优化方法
迭代求解出最优的模型参数，最后对求解的模型的性能进行评估并进行相应的修正以得到所需要的目标模型。其中逻辑回归的优点包括：a)速度快，适合二分类问题；b)简单易于理解，能够直接确定各个特征的权重；c)能容易地更新模型吸收新的数据；其缺点主要为对数据和场景的适应能力有局限性。需要强调的是，本实施例中采用线性回归算法只是一种优选方式，在实际应用中，选择何种回归算法可根据应用场景进行调整，在此不作任何限制。
[0088]
s20、根据环境数据及所述建筑智能体输出的运行数据，确定所述空调机组智能体的初始运行参数。
[0089]
在步骤s10中主要构建了4种智能体，在本步骤中，首先获取室外的环境参数，然后将其输入至建筑智能体，以获得建筑智能体输出的运行数据。其中，此处的运行数据主要包括冷负荷值，环境数据包括环境温湿度值。然后，根据冷负荷值以及环境参数对空调机组智能体的初始运行参数进行设置。
[0090]
s30、对所述初始运行参数进行全局寻优，获得所述空调机组智能体的最优运行参数。
[0091]
需要说明的是，为了实现对空调机组各个设备的节能控制，在本步骤中需要对空调机组智能体进行全局寻优，以获得最优运行参数。其中优化的原理主要是指在满足热舒适度的情况下使得空调各设备的总功耗最小，因此在优化时可将约束条件设为：空调机组输出制冷量需满足冷负荷要求量，即q
chiller
＝q
load
。而优化目标主要为实现空调各设备(主机、水泵及冷却塔)的总功耗最小，也即实现：
[0092]
min(σp
chiller
+σp
pump
+σp
tower
)
[0093]
式中，p
chiller
、p
pump
、p
tower
分别为主机、水泵及冷却塔的总功耗。
[0094]
请参阅图2，在某一个具体地实施方式中，所述对所述初始运行参数进行全局寻优，获得所述空调机组智能体的最优运行参数，包括：
[0095]
s301、根据所述冷负荷值确定空调机组的需求制冷量。
[0096]
本步骤中，使得空调机组的需求制冷量等于冷负荷值，即采用约束条件得到需求制冷量。
[0097]
s302、将所述需求制冷量、所述环境温湿度值输入至所述主机智能体，得到待开启的主机数量，并生成主机的冷冻水出水温度与冷却水进水温度的组合。
[0098]
s303、将所述冷冻水出水温度与冷却水进水温度的组合输入至所述主机智能体，得到所述主机智能体输出的制冷量等于所述需求制冷量时多个主机的功耗。
[0099]
需要说明的是，冷冻水出水温度与冷却水进水温度的组合的数据量往往较大，在执行本步骤前，可以对这些组合进行一定的分类和筛选，以减少智能体对应模型的计算量。
[0100]
s304、确定所述多个主机的功耗中的最小主机功耗，并获取与所述最小主机功耗对应的主机冷冻水出水温度与冷却水进水温度。
[0101]
因此，通过步骤s301
‑
s304就能够得到最小主机功耗时的主机冷冻水出水温度与冷却水进水温度，即主机的最优运行参数。
[0102]
请参阅图3，在某一个具体地实施方式中，所述对所述初始运行参数进行全局寻优，获得所述空调机组智能体的最优运行参数，还包括：
[0103]
s305、根据待开启的主机数量确定需开启的水泵台数，并根据所述需开启的水泵台数更新所述水泵智能体。
[0104]
s306、将所述冷冻水出水温度与冷却水进水温度的组合输入至所述主机智能体，得到当所述主机智能体输出的制冷量等于所述需求制冷量时所需的冷却水流量。
[0105]
s307、获取当更新后的水泵智能体的输出满足所述冷却水流量时多个水泵的功耗。
[0106]
s308、确定所述多个水泵的功耗中的最小水泵功耗，并获取与所述最小水泵功耗对应的水泵转速和实际运行的水泵台数。
[0107]
综上，通过步骤s305
‑
s308就能够得到最小水泵功耗时的水泵转速和实际运行的水泵台数，即水泵的最优运行参数。
[0108]
请参阅图3，在某一个具体地实施方式中，所述对所述初始运行参数进行全局寻优，获得所述空调机组智能体的最优运行参数，还包括：
[0109]
s309、根据待开启的主机数量确定需开启的冷却塔台数，并根据所述需开启的冷却塔台数更新所述冷却塔智能体；
[0110]
s310、获取当更新后的冷却塔智能体的输出满足所述冷却水流量时多个冷却塔的功耗；
[0111]
s311、确定所述多个冷却塔的功耗中的最小冷却塔功耗，并获取与所述最小冷却塔功耗对应的冷却塔转速和实际运行的冷却塔台数。
[0112]
综上，通过步骤s309
‑
s311就能够得到最小冷却塔功耗时的冷却塔转速和实际运行的冷却塔台数，即冷却塔的最优运行参数。
[0113]
s40、利用所述最优运行参数对冷站进行节能控制。
[0114]
本发明实施例提供的冷站多智能体的节能控制方法，以全局能耗最小为优化目标，通过单一的智能体对输入条件的反馈，实现了多智能体能综合判断在满足制冷需求量时各部件的最佳运行状态，以达到整体能耗最小，实现了冷站的节能控制。
[0115]
请参阅图4，在某一个具体地实施方式中，在所述利用所述最优运行参数对冷站进行节能控制之后，还包括：
[0116]
s50、利用回归算法并按照预设周期对所述冷站多智能体进行迭代训练，并利用训练结果对冷站进行节能控制。
[0117]
需要说明的是，现有的冷站模型通常无法考虑长期运行后性能衰减的问题，即构建的模型为特定模型，其不能对参数进行适应性调整，在设备性能损耗后，现有方法下的模型的控制效果的准确率将会大打折扣，因此在本实施中为了解决这个问题，还利用回归算法，并按照预设周期对所述冷站多智能体进行迭代训练，并利用训练结果对冷站进行节能控制。例如可以在每周一进行训练，每次迭代训练的次数可以设为50，当在周一进行迭代训练得到冷站多智能体后，在剩余的周二至周日均利用该冷站多智能体来对冷站运行状态进行控制，而到了下个周一，再进行新的迭代训练，并使用训练后得到的冷站多智能体进行冷站控制。需要说明的是，本实施例中预设周期、迭代次数可根据实际所需进行设置，在此不作出任何限定。
[0118]
本发明实施例通过利用人工智能算法，结合历史数据对冷站多智能体进行迭代更新，可使得冷站多智能体的控制模型不断更新，以真实反应设备的当前情况，最终实现准确的冷站控制。
[0119]
应当理解，流程图中或在此以其他方式描述的任何过程或方法描述可以被理解
为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
[0120]
请参阅图5，本发明某一实施例中还提供一种基于冷站多智能体的节能控制装置，包括：
[0121]
多智能体构建单元01，用于根据冷站的历史运行数据，构建冷站多智能体；所述冷站多智能体包括建筑智能体及空调机组智能体；
[0122]
初始参数确定单元02，用于根据环境数据及所述建筑智能体输出的运行数据，确定所述空调机组智能体的初始运行参数；
[0123]
参数寻优单元03，用于对所述初始运行参数进行全局寻优，获得所述空调机组智能体的最优运行参数；
[0124]
冷站控制单元04，用于利用所述最优运行参数对冷站进行节能控制。
[0125]
在某一个具体地实施方式中，所述基于冷站多智能体的节能控制装置，还包括训练单元05，如图6所示。具体地，训练单元05用于利用回归算法并按照预设周期对所述冷站多智能体进行迭代训练，并利用训练结果对冷站进行节能控制。
[0126]
可以理解的是，本发明实施例提供的冷站多智能体的节能控制装置用于执行如上述任一项实施例所述的冷站多智能体的节能控制方法，本发明实施例以全局能耗最小为优化目标，通过单一的智能体对输入条件的反馈，实现了多智能体能综合判断在满足制冷需求量时各部件的最佳运行状态，以达到整体能耗最小，实现了冷站的节能控制。
[0127]
请参阅图7，本发明某一实施例还提供一种终端设备，包括：
[0128]
一个或多个处理器；
[0129]
存储器，与所述处理器耦接，用于存储一个或多个程序；
[0130]
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上所述的基于冷站多智能体的节能控制方法。
[0131]
处理器用于控制该终端设备的整体操作，以完成上述的基于冷站多智能体的节能控制方法的全部或部分步骤。存储器用于存储各种类型的数据以支持在该终端设备的操作，这些数据例如可以包括用于在该终端设备上操作的任何应用程序或方法的指令，以及应用程序相关的数据。该存储器可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(static random access memory，简称sram)，电可擦除可编程只读存储器(electrically erasable programmable read
‑
only memory，简称eeprom)，可擦除可编程只读存储器(erasable programmable read
‑
only memory，简称eprom)，可编程只读存储器(programmable read
‑
only memory，简称prom)，只读存储器(read
‑
only memory，简称rom)，磁存储器，快闪存储器，磁盘或光盘。
[0132]
在一示例性实施例中，终端设备可以被一个或多个应用专用集成电路(application specific 1ntegrated circuit，简称as1c)、数字信号处理器(digital signal processor，简称dsp)、数字信号处理设备(digital signal processing device,简称dspd)、可编程逻辑器件(programmable logic device，简称pld)、现场可编程门阵列(field programmable gate array，简称fpga)、控制器、微控制器、微处理器或其他电子元
件实现，用于执行如上述任一项实施例所述的基于冷站多智能体的节能控制方法，并达到如上述方法一致的技术效果。
[0133]
在另一示例性实施例中，本发明还提供一种包括计算机程序的计算机可读存储介质，该计算机程序被处理器执行时实现如上述任一项实施例所述的基于冷站多智能体的节能控制方法的步骤。例如，该计算机可读存储介质可以为上述包括计算机程序的存储器，上述计算机程序可由终端设备的处理器执行以完成如上述任一项实施例所述的基于冷站多智能体的节能控制方法，并达到如上述方法一致的技术效果。
[0134]
应当理解，在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
[0135]
本发明实施例的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质的更具体的示例至少(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(ram)，只读存储器(rom)，可擦除可编辑只读存储器(eprom或闪速存储器)，光纤装置，以及便携式只读存储器(cdrom)。另外，计算机可读存储介质甚至可以是可在其上打印程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得程序，然后将其存储在计算机存储器中。
[0136]
在本发明实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于指令执行系统、输入法或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、射频(radio frequency，rf)等等，或者上述的任意合适的组合。
[0137]
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
[0138]
此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读存储介质中。存储介质可以是只读存储器，磁盘或光盘等。
[0139]
以上所述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来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为
本发明的保护范围。