制冷系统设备建模方法及装置与流程

本公开涉及深度学习、大数据等人工智能，尤其涉及制冷系统设备建模方法及装置。

背景技术：

1、在大型建筑体的整体能耗中，制冷系统的能耗占比很大，并且可控设备大多存在于制冷系统中，因此制冷系统设备的优化控制是建筑体节能减排的关键，而优化控制离不开制冷系统设备子模型的构建。在制冷系统中，设备的运行状态和性能直接影响到整个系统的能耗、制冷效果及稳定性。因此，建立一个准确、可靠的设备模型对于优化系统性能、降低能耗及故障风险具有重要意义。

技术实现思路

1、本公开提供了一种制冷系统设备建模方法及装置、电子设备以及存储介质。

2、根据本公开的第一方面，提供了一种制冷系统设备建模方法，包括：

3、以待预测设备的运行参数中的关键变量为自变量，并以所述待预测设备的运行状态为因变量，构建机理模型；

4、将所述待预测设备的运行参数中的相关扰动变量作为输入，并将所述运行状态作为输出，构建神经网络模型；

5、将所述机理模型的输出端和所述神经网络模型的输出端连接同一个输出节点，构建以所述输出节点作为输出端的双塔模型；

6、对所述机理模型和所述神经网络模型进行训练，得到训练后的所述双塔模型。

7、根据本公开的第二方面，提供了一种制冷系统设备运行状态的预测方法，包括：

8、获取待预测设备的运行参数；

9、将所述运行参数输入通过上述技术方案中任意一项所述的制冷系统设备建模方法得到的双塔模型中，预测得到所述待预测设备的运行状态。

10、根据本公开的第三方面，提供了一种制冷系统设备建模装置，包括：

11、第一构建模块，被配置为以待预测设备的运行参数中的关键变量为自变量，并以所述待预测设备的运行状态为因变量，构建机理模型；

12、第二构建模块，被配置为将所述待预测设备的运行参数中的相关扰动变量作为输入，并将所述运行状态作为输出，构建神经网络模型；

13、第三构建模块，被配置为将所述机理模型的输出端和所述神经网络模型的输出端连接同一个输出节点，构建以所述输出节点作为输出端的双塔模型；

14、训练模块，被配置为对所述机理模型和所述神经网络模型进行训练，得到训练后的双塔模型。

15、根据本公开的第四方面，提供了一种制冷系统设备运行状态的预测装置，包括：

16、获取模块，被配置为获取待预测设备的运行参数；

17、预测模块，被配置为将所述运行参数输入通过上述技术方案中任意一项所述的制冷系统设备建模方法得到的双塔模型中，预测得到所述待预测设备的运行状态。

18、根据本公开的第五方面，提供了一种电子设备，包括：

19、至少一个处理器；以及

20、与所述至少一个处理器通信连接的存储器；其中，

21、所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述技术方案中任一项所述的方法。

22、根据本公开的第六方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行上述技术方案中任一项所述的方法。

23、根据本公开的第七方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现上述技术方案中任一项所述的方法。

24、应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

技术特征：

1.一种制冷系统设备建模方法，包括：

2.根据权利要求1所述的方法，其中，所述以待预测设备的运行参数中的关键变量为自变量，并以所述待预测设备的运行状态为因变量，构建机理模型包括：

3.根据权利要求1所述的方法，其中，所述将所述待预测设备的运行参数中的相关扰动变量作为输入，并将所述运行状态作为输出，构建神经网络模型包括：

4.根据权利要求1或3所述的方法，其中，所述将所述待预测设备的运行参数中的相关扰动变量作为输入，并将所述运行状态作为输出，构建神经网络模型，还包括：

5.根据权利要求4所述的方法，其中，所述超参数包括学习率；所述设置所述神经网络模型的超参数包括：

6.根据权利要求1-5中任意一项所述的方法，其中，所述对所述机理模型和所述神经网络模型进行训练之前，还包括：

7.根据权利要求1所述的方法，其中，对所述机理模型和所述神经网络模型进行训练，得到训练后的所述双塔模型包括：

8.根据权利要求1所述的方法，其中，当所述待预测设备为制冷系统中的水泵，所述关键变量包括水泵频率、水泵开关状态中的一项或多项；所述相关扰动变量包括单元运行模式、环境温度、环境湿度中的一项或多项。

9.一种制冷系统设备运行状态的预测方法，包括：

10.一种制冷系统设备建模装置，包括：

11.根据权利要求10所述的装置，其中，所述第一构建模块以待预测设备的运行参数中的关键变量为自变量，并以所述待预测设备的运行状态为因变量，构建机理模型包括：

12.根据权利要求10所述的装置，其中，所述第二构建模块包括：

13.根据权利要求10或12所述的装置，其中，所述第二构建模块，还包括：

14.根据权利要求13所述的装置，其中，所述超参数包括学习率；所述设置单元设置所述神经网络模型的超参数包括：

15.根据权利要求10-14中任意一项所述的装置，其中，所述训练模块对所述机理模型和所述神经网络模型进行训练之前，还包括：

16.根据权利要求10所述的装置，其中，所述训练模块对所述机理模型和所述神经网络模型进行训练，得到训练后的所述双塔模型包括：

17.根据权利要求10所述的装置，其中，当所述待预测设备为制冷系统中的水泵，所述关键变量包括水泵频率、水泵开关状态中的一项或多项；所述相关扰动变量包括单元运行模式、环境温度、环境湿度中的一项或多项。

18.一种制冷系统设备运行状态的预测装置，包括：

19.一种电子设备，包括：

20.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-9中任一项所述的方法。

21.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-9中任一项所述的方法。

技术总结
本公开涉及深度学习、人工智能等人工智能技术领域，尤其涉及制冷系统设备建模方法及装置。具体实现方案为：以待预测设备的运行参数中的关键变量为自变量，并以待预测设备的运行状态为因变量，构建机理模型；将待预测设备的运行参数中的相关扰动变量作为输入，并将运行状态作为输出，构建神经网络模型；将机理模型的输出端和神经网络模型的输出端连接同一个输出节点，构建双塔模型；对机理模型和神经网络模型进行训练，得到训练后的双塔模型。本公开的双塔模型结合了机理建模和数据驱动建模的优势，不仅具备机理公式的兜底能力，也能通过对相关扰动变量的建模，适应不同场景和不同工况设备特性的改变，提升了双塔模型泛化性能的上限。

技术研发人员：童厚杰
受保护的技术使用者：北京百度网讯科技有限公司
技术研发日：
技术公布日：2024/3/27