本发明涉及一种制冷系统节能控制方法；本发明还涉及一种制冷系统节能控制系统。
背景技术：
制冷系统广泛用于为中央空调和众多用冷的生产工艺提供冷量，主要由冷冻水泵、制冷主机、冷却设备(如水冷式制冷系统为冷却水泵和冷却塔)等设备组成。制冷系统的能耗很大，例如中央空调由制冷系统和末端系统组成，制冷系统的能耗可占中央空调总能耗的60％以上，故对制冷系统进行负荷预测和节能控制意义重大。但是，制冷系统具有多变量、强耦合、非线性、时变性、时滞性、干扰因素多等强烈动态特点，这使得对其进行准确和实时的负荷预测和节能控制一直较为困难。
常用的制冷系统节能控制方法主要以水泵、风机的变频调节为核心，一般是根据测量的实际的供冷效果与相应设定供冷目标的偏差对水泵、风机等的运转频率进行平滑调节，进而调节水泵、风机和制冷机的功率，从而有效的降低了能耗和改善了舒适度。对于中央空调，这些参数一般为室外温度、湿度和室内温度、湿度，对于生产用冷系统这些参数一般为用冷点的温度。但是，该控制方法依然存在着一些问题，以中央空调为例：(1)中央空调有着多变量、强非线性、强耦合性等特点，使得无法通过准确的计算得出供冷量，控制系统的具体控制逻辑严重依赖于设计人员的经验；因此，控制系统的准确性很难得到保证，也无法判断出系统是否已达到最优的节能效果；(2)中央空调有着大时滞性的特点，系统需较长的时间才能达到设定的冷量输出，而控制系统主要是基于当前时间点的影响参数和经验进行调节；在达到设定的冷量输出时，系统的影响参数很可能发生了较大的变化，从而真实的用冷量(即实际需要中央空调提供的冷量)也可能发生了变化，并不一定等于此时系统的实际供冷量；也就是说，控制系统不具备准确和实时的负荷预测和负荷匹配能力。
目前，已经开始尝试将机器学习技术(如支持向量机、人工神经网络等)用于进行中央空调的负荷预测，这些技术对中央空调的强烈动态特点的处理有着独特的优势。支持向量机和人工神经网络是常见的两种机器学习判别方法，通常用来进行模式识别、分类以及回归分析。以采用支持向量机进行中央空调制冷系统负荷预测为例，基于提供的运行样本集，支持向量机使用部分样本作为训练样本建模，进而根据该模型使用剩余样本作为测试样本进行预测。测试样本的预测值和实际输出值的对照表明，使用支持向量机进行中央空调的负荷预测是比较准确的，故有效的处理了中央空调的强烈动态特点带来的建模困难。但是，现有的支持向量机预测方法是建立在已知的样本数据基础上，而现有的运行控制方法并未解决时滞性的问题，样本输出值为采集的实际供冷量，而不一定是真实的用冷量即需冷量，也即作为建模用的样本数据并不准确，故目前的支持向量机预测方法并不能做到真正准确的冷负荷预测，因而也无法准确和实时的指导中央空调控制系统进行最优节能控制。同样的，由于其他的机器学习预测方法(如人工神经网络等)也需要准确的运行样本集用于建模，故同样也不能真正做到准确和实时的中央空调负荷预测和最优节能控制。
另外，截至目前，机器学习技术对于工艺使用的制冷系统的预测和控制研究较少。
技术实现要素：
本发明所要解决的技术问题是克服现有技术的不足，提供一种基于机器学习的制冷系统节能控制方法。该控制方法能够不断提高预测和控制的准确性和实时性，在保证满足相关设定供冷目标的前提下以最优效率运行，达到最大程度降低系统能耗的目的。
另外，本发明还提供一种基于机器学习的制冷系统节能控制系统。
本发明的基于机器学习的制冷系统节能控制方法所采用的技术方案是：本发明的基于机器学习的制冷系统节能控制方法利用基于机器学习的制冷系统节能控制系统进行节能控制，所述基于机器学习的制冷系统节能控制系统包括数据采集模块、数据处理模块和运行控制模块，所述方法包括以下步骤：
S1：初始化运行工况参数：所述数据采集模块在一定的时间范围内，按照一定的时间步长采集制冷系统和用冷系统各时间点的运行工况参数，并发至所述数据处理模块；
S2：初始化训练样本集：所述数据处理模块设定用于约束两个样本的输入向量相似程度的为非负值的相似偏差限、约束两个样本的输出值接近程度的为非负值的接近偏差限、其他数据处理和计算用参数，所述数据处理模块将每个时间点的运行工况参数按一定样本形成规则形成该时间点的训练样本，各时间点的训练样本形成初始的训练样本集；
S3：建立机器学习负荷预测模型：所述数据处理模块根据训练样本集，使用机器学习建立负荷预测模型；
S4：预测下一时间点负荷：所述数据采集模块采集当前时间点的运行工况参数，所述数据处理模块依照步骤S2的规则形成当前时间点的测试样本的输入向量，并代入所述负荷预测模型，计算出下一时间点的负荷预测值；
S5：调整制冷系统调节速度：所述数据处理模块将当前时间点的测试样本与训练样本集中的各训练样本进行比较，判断是否存在训练样本的输入向量与当前时间点的测试样本的输入向量的相似程度在所述相似偏差限内，当满足要求的训练样本存在时，训练样本形成相似训练样本集，找出相似训练样本集中输入向量与当前时间点的测试样本的输入向量的相似程度最大的样本作为最相似训练样本；
当最相似训练样本存在时，计算下一时间点的负荷预测值与最相似训练样本中记录的下一个时间点实际负荷值的差，并称为最相似样本实际负荷差；
当最相似样本实际负荷差大于所述接近偏差限时，则所述数据处理模块在最相似样本中记录的实际调节速度相关参数的基础上，在当前时间点与下一时间点之间的时间段内通过所述运行控制模块对制冷系统的调节速度进行加速调整；
当最相似样本实际负荷差小于负的所述接近偏差限时，则所述数据处理模块在最相似样本中记录的实际调节速度相关参数的基础上，在当前时间点与下一时间点之间的时间段内通过所述运行控制模块对制冷系统系统的调节速度进行减速调整；
当为其他情况时，则所述运行控制模块在当前时间点与下一时间点之间的时间段内对制冷系统的调节速度不进行调整；
S6：修正训练样本集：在下一时间点时，所述数据处理模块将采集的下一时间点的实际负荷值作为当前时间点的测试样本的输出值后形成当前时间点的新训练样本，并加入到训练样本集，并判断所述数据采集模块采集的下一时间点用冷系统实际的供冷效果是否等于设定的对应供冷目标、且下一时间点的实际负荷值是否等于步骤S4中下一时间点的负荷预测值；
当上述判断不成立时，所述数据处理模块计算下一时间点的负荷预测偏差，将新训练样本的输出值加上负荷预测偏差作为新训练样本新的输出值，并按照步骤S5中相似训练样本集是否存在的情况进行相应处理；
当相似训练样本集存在时，所述数据处理模块计算所述相似训练样本集中各训练样本的输出值和新训练样本的输出值的差的绝对值并称为相似样本输出差，找出所述相似样本输出差最大的且大于所述接近偏差限的训练样本并从训练样本集中删除；
S7：迭代循环：所述数据处理模块将下一时间点设为当前时间点，判断系统是否完成运行了一个设定时间段并将所述设定时间段称为模型修正周期，当未完成运行一个所述模型修正周期时则转至执行步骤S4，当完成运行一个所述模型修正周期时则转至执行步骤S3，继续对制冷系统进行运行控制。
作为本发明的优选，步骤S1中，所述一定的时间范围为一个完整的供冷运行周期。
作为本发明的优选，步骤S2中，各时间点的训练样本遵从以下样本形成规则：训练样本由输入向量和输出值组成，该时间点的训练样本的输入向量的各元素为该时间点采集的按规定顺序排列的运行工况参数，该时间点的训练样本的输出值为采集的下一时间点的制冷负荷值；步骤S3中，所述负荷预测模型的输入为所述输入向量，输出为所述输出值。
作为本发明的优选，步骤S2中，两个样本的输入向量相似程度使用两个样本的输入向量差的2-范数，即两个样本的输入向量所有的各对应元素差的平方之和的平方根。
作为本发明的优选，所述机器学习为支持向量机或人工神经网络。
作为本发明的优选，步骤S3中，所述机器学习为支持向量机，负荷预测模型采用ε-SVR模型，所述ε-SVR模型使用的核函数为径向基核函数。
或者，所述机器学习为人工神经网络，负荷预测模型采用BP网络模型，所述BP网络模型使用的核函数为径向基核函数。
作为本发明的优选，步骤S5中，加速调整是加快制冷系统水泵、风机的变频器的频率调节速度，减速调整是减慢制冷系统水泵、风机的变频器的频率调节速度。
作为本发明的优选，步骤S7中，一个所述模型修正周期取为一天。
本发明的基于机器学习的制冷系统节能控制系统所采用的技术方案是：本发明的基于机器学习的制冷系统节能控制系统包括数据采集模块、数据处理模块和运行控制模块；
所述数据采集模块连接所述数据处理模块，用于初始化运行工况参数，在一定的时间范围内，按照一定的时间步长采集制冷系统和用冷系统各时间点的运行工况参数，并发至所述数据处理模块；
所述数据处理模块与所述数据采集模块连接，用于初始化训练样本集，设定用于约束两个样本的输入向量相似程度的为非负值的相似偏差限、约束两个样本的输出值接近程度的为非负值的接近偏差限、其他数据处理和计算用参数，所述数据处理模块将每个时间点的运行工况参数形成该时间点的训练样本，各时间点的训练样本形成初始的训练样本集；
所述数据处理模块还用于建立机器学习负荷预测模型，根据训练样本集，使用机器学习建立负荷预测模型；
所述数据处理模块还用于预测下一时间点负荷，所述数据采集模块采集当前时间点的运行工况参数，所述数据处理模块按一定样本形成规则形成当前时间点的测试样本的输入向量，并代入所述负荷预测模型，计算出下一时间点的负荷预测值；
所述运行控制模块与所述数据处理模块连接，用于调整制冷系统调节速度，所述数据处理模块将当前时间点的测试样本与训练样本集中的各训练样本进行比较，判断是否存在训练样本的输入向量与当前时间点的测试样本的输入向量的相似程度在所述相似偏差限内，当满足要求的训练样本存在时，训练样本形成相似训练样本集，找出相似训练样本集中输入向量与当前时间点的测试样本的输入向量的相似程度最大的样本作为最相似训练样本；
当最相似训练样本存在时，计算下一时间点的负荷预测值与最相似训练样本中记录的下一个时间点实际负荷值的差，并称为最相似样本实际负荷差；
当最相似样本实际负荷差大于所述接近偏差限时，则所述数据处理模块在最相似样本中记录的实际调节速度相关参数的基础上，在当前时间点与下一时间点之间的时间段内通过所述运行控制模块对制冷系统的调节速度进行加速调整；
当最相似样本实际负荷差小于负的所述接近偏差限时，则所述数据处理模块在最相似样本中记录的实际调节速度相关参数的基础上，在当前时间点与下一时间点之间的时间段内通过所述运行控制模块对制冷系统系统的调节速度进行减速调整；
当为其他情况时，则所述运行控制模块在当前时间点与下一时间点之间的时间段内对制冷系统的调节速度不进行调整；
所述数据处理模块还用于修正训练样本集，在下一时间点时，所述数据处理模块将采集的下一时间点的实际负荷值作为当前时间点的测试样本的输出值后形成当前时间点的新训练样本，并加入到训练样本集，并判断所述数据采集模块采集的下一时间点用冷系统实际的供冷效果是否等于设定的对应供冷目标、且下一时间点的实际负荷值是否等于下一时间点的负荷预测值；
当上述判断不成立时，所述数据处理模块计算下一时间点的负荷预测偏差，将新训练样本的输出值加上负荷预测偏差作为新训练样本新的输出值，并按照步骤S5中相似训练样本集是否存在的情况进行相应处理；
当相似训练样本集存在时，所述数据处理模块计算所述相似训练样本集中各训练样本的输出值和新训练样本的输出值的差的绝对值并称为相似样本输出差，找出所述相似样本输出差最大的且大于所述接近偏差限的训练样本并从训练样本集中删除；
所述数据处理模块还用于迭代循环，所述数据处理模块将下一时间点设为当前时间点，判断系统是否完成运行了一个设定时间段并将所述设定时间段称为模型修正周期，当未完成运行一个所述模型修正周期时则转至执行重新修正或删除训练样本的控制，当完成运行一个所述模型修正周期时则执行重新建立机器学习负荷预测模型控制，进入下一个迭代循环，继续对制冷系统进行运行控制。
所述数据采集模块包括安装在室外和/或室内的制冷系统、用冷系统上的数据传感模块、数据变换模块，所述数据传感模块用于采集室外和/或室内影响制冷系统负荷的影响参数以及制冷系统和用冷系统的运行状态参数的工况参数，所述数据变换模块用于将所述数据传感模块采集的工况参数转换为所述数据处理模块能识别的数据信号并发至所述数据处理模块。
所述数据处理模块包括数据传输模块、数据计算模块、数据库和数据处理显示模块，其中所述数据传输模块用于接受所述数据采集模块发来的数据信号并向所述运行控制模块发送当前时间点与下一时间点之间的时间段内的调节速度调整参数，所述数据计算模块用于建立和计算修正数据、样本、模型、负荷预测、调节速度调整参数，所述数据库用于记录样本数据、计算参数等数据，所述数据处理显示模块用于将所述数据处理模块进行可视化显示和操作。
作为本发明的优选，所述数据计算模块和所述数据库位于远程服务器作为云计算端。
所述运行控制模块包括控制执行模块、运行控制显示模块，所述控制执行模块用于执行控制系统，所述运行控制显示模块用于输入设定供冷目标、操作控制系统和显示控制信息。
作为本发明的优选，所述数据处理显示模块和所述运行控制显示模块在相同的硬件和软件上实现。
所述制冷系统包括水泵、风机及变频器，所述运行控制模块调整制冷系统调节速度时，加速调整是加快制冷系统水泵、风机的变频器的频率调节速度，减速调整是减慢制冷系统水泵、风机的变频器的频率调节速度。
作为本发明的优选，所述机器学习为支持向量机或人工神经网络。
本发明的有益效果是：本发明综合考虑了传统的制冷系统控制的简单成熟和有节能效果的优点，以及机器学习负荷预测的不用考虑制冷系统各种强烈动态特性即可进行负荷预测、且只要训练数据准确则预测结果就相当准确的优点，从而克服了传统的制冷系统控制无法达到最大程度节能和现有机器学习预测的方法中训练样本不准确的问题，满足了预测和控制的精确度和实时性要求；控制方法采集制冷系统和用冷系统的运行工况参数，获得训练样本集，机器学习对获得的训练样本集进行建模并进行负荷预测，控制系统根据预测结果进行控制模式的调整，机器学习根据调整结果增加新的训练样本或对样本集和模型进行修正，节能控制系统自行获得建模用训练样本集，并进行机器学习建模，进而对回归函数进行修正，不断提高训练样本和负荷预测模型的准确性，并指导控制系统进行调节模式的调整，不需要人工干预，因而降低了人工干预可能带来的干扰和偏差，从而提供最优的调节方法；重复迭代该建模－预测－控制调整－模型修正过程，可以不断提高预测和控制的准确性和实时性，在保证满足相关设定供冷目标如用于中央空调时的室内设定温度、用于用冷生产工艺时的工艺用冷温度等的前提下，在保证基本需求如舒适度的同时，以最优效率运行，达到最大程度降低系统能耗的目的，达到最佳的节能效果。
附图说明
图1是本发明实施例的基于机器学习的制冷系统节能控制方法的总体流程示意图；
图2是本发明实施例的基于机器学习的制冷系统节能控制方法的具体流程示意图；
图3是本发明实施例的基于机器学习的制冷系统节能控制系统的结构示意图。
具体实施方式
实施例一：
如图1～图3所示，本实施例的基于机器学习的制冷系统节能控制方法公开了一种用于中央空调的基于支持向量机的制冷系统节能控制方法，所述方法利用基于机器学习(支持向量机)的制冷系统节能控制系统进行节能控制，所述基于机器学习(支持向量机)的制冷系统节能控制系统包括数据采集模块1、数据处理模块2和运行控制模块3，即所述机器学习为支持向量机，所述方法包括以下步骤：
S1：初始化运行工况参数：所述数据采集模块在一定的时间范围内，按照一定的时间步长采集制冷系统和用冷系统各时间点的运行工况参数，并发至所述数据处理模块，即图3中步骤101(以下仅写出图3中步骤代号)；所述用冷系统为中央空调的末端系统，所述运行工况参数包括但不限于室外温度、湿度和太阳辐射强度、室内温度和湿度、制冷机输入功率、冷冻水流量、冷冻水进出水温、冷冻水泵运行功率、冷冻水泵运行频率、冷却水流量、冷却水进出水温、冷却水泵运行功率、冷却水泵运行频率、冷却塔功率；所述一定的时间范围为一个完整的供冷运行周期；
S2：初始化训练样本集：所述数据处理模块设定用于约束两个样本的输入向量相似程度的为非负值的相似偏差限、约束两个样本的输出值接近程度的为非负值的接近偏差限、其他数据处理和计算用参数，即102，所述数据处理模块将每个时间点的运行工况参数按一定样本形成规则形成该时间点的训练样本，各时间点的训练样本形成初始的训练样本集；各时间点的训练样本遵从以下样本形成规则：训练样本由输入向量和输出值组成，该时间点的训练样本的输入向量的各元素为该时间点采集的按规定顺序排列的运行工况参数，该时间点的训练样本的输出值为采集的下一时间点的制冷负荷值，两个样本的输入向量相似程度使用两个样本的输入向量差的2-范数，即两个样本的输入向量所有的各对应元素差的平方之和的平方根，两个样本的输入向量差的2-范数越小，说明两个样本的输入向量相似程度越大，两个样本的输入向量差的2-范数最小，说明两个样本的输入向量相似程度最大；
S3：建立支持向量机负荷预测模型：所述数据处理模块根据训练样本集，使用支持向量机建立负荷预测模型，即201，所述负荷预测模型的输入为步骤S2中的所述输入向量，输出为所述输出值；负荷预测模型采用ε-SVR模型，所述ε-SVR模型使用的核函数为径向基核函数；
S4：预测下一时间点负荷：所述数据采集模块采集当前时间点的运行工况参数，即202，所述数据处理模块依照步骤S2的规则形成当前时间点的测试样本的输入向量，并代入所述负荷预测模型，计算出下一时间点的负荷预测值，即203；
S5：调整制冷系统调节速度：所述数据处理模块将当前时间点的测试样本与训练样本集中的各训练样本进行比较，判断是否存在训练样本的输入向量与当前时间点的测试样本的输入向量的相似程度在所述相似偏差限内，当满足要求的训练样本存在时，训练样本形成相似训练样本集，找出相似训练样本集中输入向量与当前时间点的测试样本的输入向量的相似程度最大的样本作为最相似训练样本，即301；
当最相似训练样本存在时，计算下一时间点的负荷预测值与最相似训练样本中记录的下一个时间点实际负荷值的差，并称为最相似样本实际负荷差，即302；
当最相似样本实际负荷差大于所述接近偏差限时，则所述数据处理模块在最相似样本中记录的实际调节速度相关参数的基础上，在当前时间点与下一时间点之间的时间段内通过所述运行控制模块对制冷系统的调节速度进行加速调整；加速调整是加快制冷系统水泵、风机的变频器的频率调节速度，即303；
当最相似样本实际负荷差小于负的所述接近偏差限时，则所述数据处理模块在最相似样本中记录的实际调节速度相关参数的基础上，在当前时间点与下一时间点之间的时间段内通过所述运行控制模块对制冷系统系统的调节速度进行减速调整；减速调整是减慢制冷系统水泵、风机的变频器的频率调节速度，即304；
当为其他情况时，则所述运行控制模块在当前时间点与下一时间点之间的时间段内对制冷系统的调节速度不进行调整，即305；
S6：修正训练样本集：在下一时间点时，所述数据处理模块将采集的下一时间点的实际负荷值作为当前时间点的测试样本的输出值后形成当前时间点的新训练样本，并加入到训练样本集，即401，并判断所述数据采集模块采集的下一时间点用冷系统实际的供冷效果是否等于设定的对应供冷目标、且下一时间点的实际负荷值是否等于步骤S4中下一时间点的负荷预测值，所述供冷目标为室内温度；
当上述判断不成立时，所述数据处理模块计算下一时间点的负荷预测偏差，将新训练样本的输出值加上负荷预测偏差作为新训练样本新的输出值，并按照步骤S5中相似训练样本集是否存在的情况进行相应处理，即402；
当相似训练样本集存在时，所述数据处理模块计算所述相似训练样本集中各训练样本的输出值和新训练样本的输出值的差的绝对值并称为相似样本输出差，找出所述相似样本输出差最大的且大于所述接近偏差限的训练样本并从训练样本集中删除，即403；
S7：迭代循环：所述数据处理模块将下一时间点设为当前时间点，判断系统是否完成运行了一个设定时间段并将所述设定时间段称为模型修正周期，当未完成运行一个所述模型修正周期时则转至执行步骤S4，即501，当完成运行一个所述模型修正周期时则转至执行步骤S3，即502，继续对制冷系统进行运行控制；一个所述模型修正周期取为一天。
本实施例的基于机器学习的制冷系统节能控制系统是一种用于中央空调的基于支持向量机的制冷系统节能控制系统，包括数据采集模块1、数据处理模块2和运行控制模块3，所述制冷系统包括水泵、风机及变频器；
所述数据采集模块1连接所述数据处理模块2，用于初始化运行工况参数，在一定的时间范围内，按照一定的时间步长采集制冷系统和用冷系统各时间点的运行工况参数，并发至所述数据处理模块2；所述数据采集模块1包括安装在室外和/或室内的制冷系统、用冷系统上的数据传感模块11、数据变换模块12，所述数据传感模块11用于采集室外和/或室内影响制冷系统负荷的影响参数以及制冷系统和用冷系统的运行状态参数的工况参数，所述数据变换模块12用于将所述数据传感模块11采集的工况参数转换为所述数据处理模块2能识别的数据信号并发至所述数据处理模块2；
所述数据处理模块2与所述数据采集模块1连接，用于初始化训练样本集，设定用于约束两个样本的输入向量相似程度的为非负值的相似偏差限、约束两个样本的输出值接近程度的为非负值的接近偏差限、其他数据处理和计算用参数，所述数据处理模块将每个时间点的运行工况参数按一定样本形成规则形成该时间点的训练样本，各时间点的训练样本形成初始的训练样本集；所述数据处理模块2包括数据传输模块21、数据计算模块22、数据库23和数据处理显示模块24，其中所述数据传输模块21用于接受所述数据采集模块1发来的数据信号并向所述运行控制模块3发送当前时间点与下一时间点之间的时间段内的调节速度调整参数，所述数据计算模块22用于建立和计算修正数据、样本、模型、负荷预测、调节速度调整参数，所述数据库23用于记录样本数据、计算参数等数据，所述数据处理显示模块24用于将所述数据处理模块2进行可视化显示和操作，所述数据计算模块22和所述数据库23位于远程服务器作为云计算端；
所述数据处理模块2还用于建立支持向量机负荷预测模型，根据训练样本集，使用支持向量机建立负荷预测模型，所述负荷预测模型的输入为所述输入向量，输出为所述输出值；
所述数据处理模块2还用于预测下一时间点负荷，所述数据采集模块1采集当前时间点的运行工况参数，所述数据处理模块2依照样本形成规则形成当前时间点的测试样本的输入向量，并代入所述负荷预测模型，计算出下一时间点的负荷预测值；
所述运行控制模块3与所述数据处理模块2连接，用于调整制冷系统调节速度，所述运行控制模块3包括控制执行模块31、运行控制显示模块32，所述控制执行模块31用于执行控制系统，所述运行控制显示模块32用于输入设定供冷目标、操作控制系统和显示控制信息；所述数据处理显示模块24和所述运行控制显示模块32在相同的硬件和软件上实现；所述数据处理模块2将当前时间点的测试样本与训练样本集中的各训练样本进行比较，判断是否存在训练样本的输入向量与当前时间点的测试样本的输入向量的相似程度在所述相似偏差限内，当满足要求的训练样本存在时，训练样本形成相似训练样本集，找出相似训练样本集中输入向量与当前时间点的测试样本的输入向量的相似程度最大的样本作为最相似训练样本；
当最相似训练样本存在时，计算当前时间点的测试样本中记录的由所述数据处理模块2计算的下一时间点负荷预测值与最相似训练样本中记录的下一个时间点实际负荷值的差，并称为最相似样本实际负荷差；
当最相似样本实际负荷差大于所述接近偏差限时，则所述数据处理模块2在最相似样本中记录的实际调节速度相关参数的基础上，在当前时间点与下一时间点之间的时间段内通过所述运行控制模块3对制冷系统的调节速度进行加速调整；
当最相似样本实际负荷差小于负的所述接近偏差限时，则所述数据处理模块2在最相似样本中记录的实际调节速度相关参数的基础上，在当前时间点与下一时间点之间的时间段内通过所述运行控制模块3对制冷系统系统的调节速度进行减速调整；
所述运行控制模块3调整制冷系统调节速度时，加速调整是加快制冷系统水泵、风机的变频器的频率调节速度，减速调整是减慢制冷系统水泵、风机的变频器的频率调节速度；
当为其他情况时，则所述运行控制模块3在当前时间点与下一时间点之间的时间段内对制冷系统的调节速度不进行调整；
所述数据处理模块2还用于修正训练样本集，在下一时间点时，所述数据处理模块2将采集的下一时间点的实际负荷值作为当前时间点的测试样本的输出值后形成当前时间点的新训练样本，并加入到训练样本集，并判断所述数据采集模块1采集的下一时间点用冷系统实际的供冷效果是否等于设定的对应供冷目标、且下一时间点的实际负荷值是否等于由所述数据处理模块2计算的下一时间点的负荷预测值；
当上述判断不成立时，所述数据处理模块2计算下一时间点的负荷预测偏差，将新训练样本的输出值加上负荷预测偏差作为新训练样本新的输出值，并按照相似训练样本集是否存在的情况进行相应处理；
当相似训练样本集存在时，所述数据处理模块2计算所述相似训练样本集中各训练样本的输出值和新训练样本的输出值的差的绝对值并称为相似样本输出差，找出所述相似样本输出差最大的且大于所述接近偏差限的训练样本并从训练样本集中删除；
所述数据处理模块2还用于迭代循环，所述数据处理模块2将下一时间点设为当前时间点，判断系统是否完成运行了一个设定时间段并将所述设定时间段称为模型修正周期，当未完成运行一个所述模型修正周期时则转至执行重新修正或删除训练样本的控制，当完成运行一个所述模型修正周期时则执行重新建立支持向量机负荷预测模型控制，进入下一个迭代循环，继续对制冷系统进行运行控制。
实施例二：
本实施例与实施例一的区别之处在于：本实施例是一种生产用冷工艺的基于机器学习的制冷系统节能控制方法及系统；所述机器学习为人工神经网络，步骤S1中，所述用冷系统为工艺用冷系统，所述运行工况参数包括但不限于室外温度、湿度和太阳辐射强度、工艺用冷温度、待冷却物料流量、制冷机输入功率、冷冻水流量、冷冻水进出水温、冷冻水泵运行功率、冷冻水泵运行频率、冷却水流量、冷却水进出水温、冷却水泵运行功率、冷却水泵运行频率、冷却塔功率；步骤S3中，负荷预测模型采用BP网络模型，所述BP网络模型使用的核函数为径向基核函数；步骤S6中，所述供冷目标为工艺用冷温度。
本实施例的其余特征与实施例一相同。
本发明综合考虑了传统的制冷系统控制的简单成熟和有节能效果的优点，以及机器学习负荷预测的不用考虑制冷系统各种强烈动态特性即可进行负荷预测、且只要训练数据准确则预测结果就相当准确的优点，从而克服了传统的制冷系统控制无法达到最大程度节能和现有机器学习预测的方法中训练样本不准确的问题，满足了预测和控制的精确度和实时性要求；控制方法采集制冷系统和用冷系统的运行工况参数，获得训练样本集，机器学习对获得的训练样本集进行建模并进行负荷预测，控制系统根据预测结果进行控制模式的调整，机器学习根据调整结果增加新的训练样本或对样本集和模型进行修正，节能控制系统自行获得建模用训练样本集，并进行机器学习建模，进而对回归函数进行修正，不断提高训练样本和负荷预测模型的准确性，并指导控制系统进行调节模式的调整，不需要人工干预，因而降低了人工干预可能带来的干扰和偏差，从而提供最优的调节方法；重复迭代该建模－预测－控制调整－模型修正过程，可以不断提高预测和控制的准确性和实时性，在保证满足相关设定供冷目标如用于中央空调时的室内设定温度、用于用冷生产工艺时的工艺用冷温度等的前提下，在保证基本需求如舒适度的同时，以最优效率运行，达到最大程度降低系统能耗的目的，达到最佳的节能效果。
以上所揭露的仅为本发明的较佳实施例，不能以此来限定本发明的权利要求的保护范围，根据本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。
本发明可广泛应用于制冷领域。