【技術實現步驟摘要】
本專利技術涉及智能制冷系統效率優化，具體為基于深度學習的智能制冷系統效率優化方法、系統及裝置。
技術介紹
1、制冷系統廣泛應用于工業生產、物流運輸、商用和家用空調等領域，其運行效率對能源消耗和環境影響具有重要作用。然而，傳統制冷系統一般采用固定參數運行模式，難以動態適應外部環境的變化，可能導致能耗增加和效率降低。此外，長期運行的制冷系統還可能因設備老化、參數異常等問題引發性能下降，甚至出現安全隱患。因此，對制冷系統的效率優化和安全保障提出了更高的要求。
2、隨著人工智能、大數據和物聯網技術的發展，智能化技術逐漸被引入制冷系統管理中。通過實時采集系統運行參數與環境數據，并結合深度學習算法對運行狀態進行建模和預測，可以實現制冷系統的動態調整與優化。不僅能夠提升系統效率，同時還能在早期識別潛在故障，降低設備運行風險。這種技術的應用有效彌補了傳統制冷系統在自主優化和安全保障方面的不足。
3、現有技術存在以下不足：
4、現有的智能制冷系統效率優化技術盡管已經在一定程度上實現了能效提升和部分自動化調整，但依然存在諸多不足，難以在復雜動態環境中充分發揮其優勢。首先，數據驅動模型對于高維非線性問題的處理能力也存在瓶頸，特別是在涉及多種外部環境因素（如溫度、濕度、負載波動）和內部系統參數（如壓縮機運行狀態、冷卻劑流量）協同作用時，傳統模型難以全面捕捉這些復雜關系。其次，現有技術在實時性和動態優化方面仍存在不足。許多智能制冷系統的優化策略依賴于預先設定的規則或周期性調整，這種方法無法快速響應環境條件的瞬時變化，導
5、在所述
技術介紹
部分公開的上述信息僅用于加強對本公開的背景的理解，因此它可以包括不構成對本領域普通技術人員已知的現有技術的信息。
技術實現思路
1、本專利技術的目的在于提供一種基于深度學習的智能制冷系統效率優化方法、系統及裝置，以解決上述
技術介紹
中提出的問題。
2、為實現上述目的，本專利技術提供如下技術方案：
3、一種基于深度學習的智能制冷系統效率優化方法，具體步驟包括：
4、步驟1：采集制冷系統歷史時刻的運行參數和環境數據，并對其進行預處理操作，經過預處理后的運行參數和環境數據按照時間戳整合為樣本集，所述運行參數包括壓縮機功率、冷媒流量、冷凝器溫度、蒸發器溫度、系統壓力和冷媒質量流量，環境數據包括環境溫度和環境濕度；
5、步驟2：基于卷積神經網絡和長短時記憶網絡的混合模型架構來構建狀態預測模型，將樣本集中連續多個時刻的運行參數和環境數據構造成多維時間序列數據作為輸入，下一時刻的運行參數和環境數據作為標簽，以訓練狀態預測模型；
6、步驟3：獲取包括當前時刻的連續多個時刻下的運行參數和環境數據，并將其輸入訓練完成后的狀態預測模型中，以輸出運行參數和環境數據；
7、步驟4：結合狀態預測模型的輸出定義優化目標函數，依據優化目標函數訓練深度網絡模型，以確定調整策略；
8、步驟5：采集當前時刻的運行參數和環境數據，計算當前時刻的綜合安全評分，并將當前時刻的綜合安全評分與預設的安全閾值進行比較，以確定繼續進行效率優化還是優先排查并修復問題。
9、進一步地，采集制冷系統的運行參數和環境數據所依據的具體邏輯為：
10、在冷凝器吸入口處安裝溫度傳感器和濕度傳感器，以采集環境溫度和環境濕度；在壓縮機的電源輸入端安裝功率傳感器，采集壓縮機功率，在冷媒管路的主回路的直管段上安裝冷媒流量計，采集冷媒流量數據，在冷凝器出口的冷媒管路上安裝溫度傳感器，采集冷凝器溫度數據，在蒸發器入口冷媒管路上安裝溫度傳感器，采集蒸發器溫度，在壓縮機出口管路中安裝質量流量計，采集冷媒質量流量，在冷凝器出口處和蒸發器入口處安裝壓力傳感器，采集冷凝壓力和蒸發壓力，計算二者的平均壓力代表系統壓力，所依據的公式為：
11、；
12、其中，表示系統壓力，表示冷凝壓力，表示蒸發壓力；
13、預處理步驟包括對歷史時刻采集到的運行參數和環境數據剔除異常值，計算每個運行參數和環境數據的z-score，若運行參數和環境數據的z-score的絕對值，將該參數視為異常值，進行剔除，并采用均值填補法對缺失值進行填補，再采用min-max歸一化，使運行參數和環境數據歸一化到在范圍內，經過預處理后的數據整合為樣本集。
14、進一步地，訓練狀態預測模型所依據的具體邏輯為：
15、將樣本集中連續多個時刻的運行參數和環境數據構造成多維時間序列數據，以作為狀態預測模型的輸入，表示為：
16、；
17、其中，表示多維時間序列數據，表示時刻的壓縮機功率，表示時刻的冷媒流量，表示時刻的冷凝器溫度，表示時刻的蒸發器溫度，表示時刻的系統壓力，表示時刻的冷媒質量流量，表示時刻的環境溫度，表示時刻的環境濕度，同理第二行參數表示的是時刻的各項運行參數和環境數據，最后一行參數表示的是時刻的各項運行參數和環境數據，t為時間變量,為相鄰時刻的時間間隔，表示時間窗口大小；
18、將樣本集中后一時刻的運行參數和環境數據標簽構造成多維時間數據，表示為：
19、；
20、其中，表示多維時間數據，表示時刻的壓縮機功率，表示時刻的冷媒流量，表示時刻的冷凝器溫度，表示時刻的蒸發器溫度，表示時刻的系統壓力，表示時刻的冷媒質量流量，表示時刻的環境溫度，表示時刻的環境濕度；
21、將樣本集劃分為訓練集和測試集，劃分比例為7:3，首先將訓練集中的多維時間序列數據輸入到卷積神經網絡中，提取局部的?空間特征，接著，將提取到的特征輸入到lstm模塊中，學習時間序列的動態變化，最后，通過全連接層將提取到的高位特征映射到目標值的預測結果上，以輸出t+1時刻的運行參數和環境數據，再輸入測試集中的數據進行測試，采用平均絕對誤差作為損失函數，在連續訓練10輪次內下降幅度小于0.001，此時平均絕對誤差已收斂，訓練完成。
22、進一步地，確定優化目標和調整策略所依據的具體邏輯為：
23、定義優化目標函數為：
24、；
25、其中，為優化目標函數值，優化策略為在優化時間段內，將壓縮機的總能耗降到最低的同時，保持室內環境的舒適性，表示當前時刻，即開始優化的時刻，表示停止優化的時刻，表示優化時間段的長度，表示當前時刻的環境溫度，表示設定的室內溫度，為各自項的權重參數，，且；
26、定義當前狀態表示為：
27、；
28、其中，表示當前狀態，分別為當前時刻下的冷凝器溫度、蒸發器溫度、壓縮機功率、冷媒流量；
29、定義動作為：動作1：調節冷凝器本文檔來自技高網...
【技術保護點】
1.一種基于深度學習的智能制冷系統效率優化方法，其特征在于，具體步驟包括：
2.根據權利要求1所述的一種基于深度學習的智能制冷系統效率優化方法，其特征在于，采集制冷系統的運行參數和環境數據所依據的具體邏輯為：
3.根據權利要求2所述的一種基于深度學習的智能制冷系統效率優化方法，其特征在于，訓練狀態預測模型所依據的具體邏輯為：
4.根據權利要求3所述的一種基于深度學習的智能制冷系統效率優化方法，其特征在于，確定優化目標和調整策略所依據的具體邏輯為：
5.根據權利要求4所述的一種基于深度學習的智能制冷系統效率優化方法，其特征在于，計算當前時刻的綜合安全評分所依據的具體邏輯為：
6.一種基于深度學習的智能制冷系統效率優化系統，其特征在于，所述一種基于深度學習的智能制冷系統效率優化系統用于實現權利要求1-5任一項所述的一種基于深度學習的智能制冷系統效率優化方法，包括：
7.一種基于深度學習的智能制冷系統效率優化裝置，其特征在于，所述裝置包括存儲器和處理器，所述存儲器上存儲有可在所述處理器上運行的計算機程序，所述處理器
...【技術特征摘要】
1.一種基于深度學習的智能制冷系統效率優化方法，其特征在于，具體步驟包括：
2.根據權利要求1所述的一種基于深度學習的智能制冷系統效率優化方法，其特征在于，采集制冷系統的運行參數和環境數據所依據的具體邏輯為：
3.根據權利要求2所述的一種基于深度學習的智能制冷系統效率優化方法，其特征在于，訓練狀態預測模型所依據的具體邏輯為：
4.根據權利要求3所述的一種基于深度學習的智能制冷系統效率優化方法，其特征在于，確定優化目標和調整策略所依據的具體邏輯為：
5.根據權利要求4所述的一種基...
【專利技術屬性】
技術研發人員：劉金英，孫寧，仲祁，毛偉民，丁苑，王正成，劉盛毅，陳嚴雪，鄭戴婷，謝天予，符楚馨，喻承浩，代默怡，
申請(專利權)人：無錫學院，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。