(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202211026863.7 (22)申请日 2022.08.25 (65)同一申请的已公布的文献号 申请公布号 CN 115115143 A (43)申请公布日 2022.09.27 (73)专利权人 南京群顶科技有限公司 地址 210000 江苏省南京市 建邺区奥体大 街68号南 京新城科技园国际研发总部 园1幢8层 (72)发明人 杨鹏　杨波　陆晶军　戴伟　 (74)专利代理 机构 南京新慧恒 诚知识产权代理 有限公司 32424 专利代理师 王皎 (51)Int.Cl. G06Q 10/04(2012.01)G06Q 50/06(2012.01) G06N 20/00(2019.01) G06K 9/62(2022.01) G06F 17/11(2006.01) F24F 11/46(2018.01) 审查员 陈国灿 (54)发明名称 基于AI算法的冷却塔最优开启台数和最小 运行能耗的计算方法 (57)摘要 本发明公开了基于AI算法的冷却塔最优开 启台数和最小运行能耗的计算方法， 包括以下具 体步骤： S1、 采集近3个月内数据机房的室外气象 参数， 如干球温度、 湿球温度等、 空调系统冷却塔 冷却水温度以及冷却塔风机运行能耗数据， 并对 数据进行预处理； S2、 根据S1采集到的数据， 拟合 得到历史温度数据下的系数 ； S3、 根据冷却 塔铭牌上的额定参数， 计算额定工况下的额定系 数 ； 相比现有技术， 本发明通过AI机器学习 对模型进行训练和验证， 将计算得到的冷却塔总 热负荷输入到模 型中来， 从而得到在不同热负荷 的情况下， 冷却塔需要开启的台数以及所对应的 风机总功率， 并以能耗 最低为目标进行寻优。 权利要求书3页 说明书8页 附图2页 CN 115115143 B 2022.11.25 CN 115115143 B 1.基于AI算法的冷却塔最优开启台数和最小运行能耗的计算方法， 其特征在于， 包括 以下具体步骤： S1、 采集近3个月内数据机房的室外气象参数、 空调系统冷却塔冷却水温度以及 冷却塔 风机运行能耗数据， 并对数据进行 预处理； S2、 根据S1采集到的数据， 拟合得到历史温度数据下的系数 ； S2包括以下 具体步骤： S2.1、 计算采集冷却塔需处理的总热量 ， 即机楼内外负荷与主机模块热负荷之和， 使用冷却泵耗电量计算获得， 其中， 为采集冷却泵耗电量差值、 h为小时数， 为冷却泵额定功率； 为冷却泵额定 流量、 为冷却水进水温度、 为冷却水 出水温度、 为水比热容； 为水密度； 计算采集单台冷却塔热负荷 ， 其中， n为冷却塔开启台数； S2.2、 计算采集冷却塔总功率 ， 由冷却塔耗电量计算获得， ， 其中， 为冷却塔耗电量差值， h为小时数； 计算采集单台风机功率 ； S2.3、 收集3个月内的历史数据， 按照S2.1和S2.2中公式计算后得到若干组单台风机功 率 和若干组单台冷却塔热负荷 ， 且形成第一数据集和第二数据集； S2.4、 由能量守恒定律可得， ， 其中， α 为系数， 将等号左侧看作y， 右侧看作α x， 即  y=α x； S2.5、 将第二数据集作为 y， 即标签值， 将第一数据集与 和 的乘积作为x， 即特征 值； S2.6、 对标签值和特征值进行预处理， 将标签值和特征值按照时间序列存放， 对缺失数 据使用interpolate进行补全； S2.7、 将补全后的标签值和特征值两两为一组， 根据时间索引对齐并随机打乱， 按照7: 3的比例划分训练集和 测试集； S2.8、 使用StandardScaler模块对训练集中的特征值进行标准化操作， 即计算训练集 中的特征值的平均值和 标准差， 使数据均值为0， 方差为1， 公式为： ， 其中， u为 数据均值， s为数据标准差； z为标准化结果； x为原始数据， 即未标准化的训练集中的特征 值； 同时记录缩放因子， 缩放因子为训练集中的特 征值计算得到的均值与标准差； S2.9、 对测试集中的特 征值进行 标准化操作， 以便使训练集与测试集处于同一分布； S2.10、 在 中， 等号左右两侧呈现正相关关系， 模型选择线性回权　利　要　求　书 1/3 页 2 CN 115115143 B 2归， 即 ， 其中， b取值 为0， w为α； S2 .11、 使用最小二乘法求得使目标函数总误差最小的参数， 目标函数公式： ， 其中， 为预测值与真实值的总误差， 为预测值， 为真实值， 训 练在计算出目标函数最优解之后结束， 并形成新型模型； S2.12、 冷却塔每隔3个月训练一次模型， 每次训练迭代后得到的模型记为新模型， 训练 迭代前的模型记为旧模型； S2.13、 新模型与旧模型分别 对测试集进行预测， 即新模型与旧模型分别计算均方根误 差RMSE； 当均方根误差RMSE值越小， 则模型效果越好， 选择效果最好的模型保存， 并通过模 型得到系数α； 由近 3个月数据得到的系数为历史系 ； 其中， 其中， m是测试集样本个数， 是预测值， 是真实值； S3、 根据冷却塔铭牌上的额定参数， 计算额定工况下的额定系数 以及相关系数 、 、 和 ； S4、 调用 以及拟合过程中通过机器学习计算得到的额定系数 ； 并在公式 中输入冷却塔需处理的总热量 、 冷却塔进水温度与室外湿球 温度之差 ， 以及空气的比热容 和冷却塔总功率 的额定值； S5、 确定冷却塔最优开启台数和最小运行能耗。 2.根据权利要求1所述的基于AI算法的冷却塔最优开启台数和最小运行能耗的计算方 法， 其特征在于， 所述 步骤S3包括以下 具体步骤： S3.1、 由冷却塔的传热过程得到单台冷却塔的热负荷 与风机风量 、 空气的比热容 、 以及冷却塔进水温度与室外湿 球温度之差 有关， 即： ， 单台冷却塔的热负荷 、 风机风量 、 空气的比热容 代入额定值， 计算得到系数 ； S3.2、 风机风 量 及其额定值 ， 频率 及其额定值 之间的关系为： ， 得到系数 ； S3.3、 将S3.2 代入S3.1中， ， 代入系数 、 ， 计算得到系数 ， 代入风机风量 和频率 的额定值， 得到 ；权　利　要　求　书 2/3 页 3 CN 115115143 B 3