一种针对存储对象的冷库设备智能优化调控方法和系统与流程

本发明涉及信息，特别是涉及一种针对存储对象的冷库设备智能优化调控方法和系统。

背景技术：

1、目前，为保证冷库中存储对象的安全，通常在冷库中设置若干个压缩机、冷凝器、冷风机等设备，并通过控制这些设备以将存储对象所处区域的温度控制在对应存储对象的耐受范围内。

2、但不同类型的存储对象耐温程度不同，其对应的冷库设备控制策略也必不相同，且冷库内的温度波动会影响其制冷系统的运行效率，温度波动越大，制冷系统的能耗越高，那么如何在兼顾节能增效需求的情况下，对冷库设备的控制策略进行智能优化调控，已经成为本领域技术人员所要亟待解决的技术问题。

技术实现思路

1、本发明提供一种针对存储对象的冷库设备智能优化调控方法和系统，解决如何在兼顾节能增效需求的情况下，对冷库设备的控制策略进行智能优化调控的问题。

2、为解决上述技术问题，本发明第一方面提供一种针对存储对象的冷库设备智能优化调控方法，包括：

3、获取不同种类的冷库存储对象的温度敏感系数，并基于各个所述温度敏感系数确定不同种类的所述冷库存储对象对应的各个温度波动接受范围；

4、依次获取每一种类的所述冷库存储对象在存储于冷库中的历史温度数据和对应的冷库设备运行数据，并至少基于所述温度敏感系数和所述冷库设备运行数据得到训练好的冷库温度预测模型；

5、基于每一所述温度敏感系数，模拟生成不同的初始控制策略并输入至所述冷库温度预测模型中进行处理，得到各个初始控制策略下的温度变化数据；

6、将每一所述温度变化数据与对应的所述温度波动接受范围进行比对分析，并计算根据分析结果从所述初始控制策略中确定的目标策略所对应的能耗数据；

7、基于所述能耗数据，从所述目标策略中选取候选方案，并基于通过不同种类的所述冷库存储对象对应的历史温度数据所构建的阿伦尼乌斯方程，确定所述候选方案的质量损失指数；

8、根据遗传算法对所述候选方案进行筛选，并控制冷库设备以确定的最终控制策略执行，其中，筛选过程被配置为将每一所述候选方案对应的质量损失指数构建的适应度函数作为目标函数进行筛选。

9、作为其中一种优选方案，所述获取不同种类的冷库存储对象的温度敏感系数，并基于各个所述温度敏感系数确定不同种类的所述冷库存储对象对应的各个温度波动接受范围，包括：

10、获取不同种类的冷库存储对象在存储于冷库中的历史温度数据，并基于所述历史温度数据、所述冷库存储对象的种类及其保质期，构建特征向量，所述历史温度数据包括历史温度波动幅度和历史温度耐受范围；

11、通过k-means算法对所述特征向量进行聚类分析，得到若干个冷库存储对象分组，并计算各所述冷库存储对象分组的平均温度耐受范围和平均温度波动幅度；

12、基于各所述冷库存储对象分组的平均温度波动幅度、平均温度耐受范围及其对应的保质期，量化各所述冷库存储对象分组的温度敏感系数；

13、通过各所述冷库存储对象分组的温度敏感系数设定对应冷库存储对象分组的温度波动接受范围，其中，各个所述冷库存储对象分组的温度波动接受范围即为对应分组所含种类冷库存储对象的温度波动接受范围。

14、作为其中一种优选方案，所述依次获取每一种类的所述冷库存储对象在存储于冷库中的历史温度数据和对应的冷库设备运行数据，并至少基于所述温度敏感系数和所述冷库设备运行数据得到训练好的冷库温度预测模型，包括：

15、依次获取每一种类的所述冷库存储对象在存储于冷库中的历史温度数据和对应的冷库设备运行数据，并结合每一种类的所述冷库存储对象所对应的温度敏感系数，以构建时间序列数据集；

16、将所述时间序列数据集进行预处理后按比例划分为训练集和测试集，以分别作为输入特征矩阵和输出特征矩阵对长短期记忆神经网络进行训练，通过网格搜索方法选择网络结构和超参数，并将完成训练的所述长短期记忆神经网络作为所述冷库温度预测模型，所述长短期记忆神经网络包括输入层、两个隐藏层和输出层。

17、作为其中一种优选方案，所述基于每一所述温度敏感系数，模拟生成不同的初始控制策略并输入至所述冷库温度预测模型中进行处理，得到各个初始控制策略下的温度变化数据，包括：

18、基于每一所述温度敏感系数，调取对应种类的所述冷库存储对象的冷库设备运行数据，以模拟生成不同的初始控制策略；

19、将多种不同的所述初始控制策略输入至所述冷库温度预测模型中进行处理，输出各个初始控制策略下的温度变化数据；

20、基于每一所述温度敏感系数，对对应初始控制策略下的所述温度变化数据进行加权平均，得到综合温度预测曲线。

21、作为其中一种优选方案，所述将每一所述温度变化数据与对应的所述温度波动接受范围进行比对分析，并计算根据分析结果从所述初始控制策略中确定的目标策略所对应的能耗数据，包括：

22、将所述综合温度预测曲线与对应种类的所述冷库存储对象的温度波动接受范围进行比对，并根据比对结果从多种所述初始控制策略中选出满足冷库存储对象温度要求的目标策略；

23、根据各目标策略对应的冷库设备运行数据，计算每种目标策略的能耗数据。

24、作为其中一种优选方案，所述基于所述能耗数据，从所述目标策略中选取候选方案，并基于通过不同种类的所述冷库存储对象对应的历史温度数据所构建的阿伦尼乌斯方程，确定所述候选方案的质量损失指数，包括：

25、根据所述能耗数据对所述目标策略进行排序，并将能耗数据不超过能耗阈值的目标策略作为所述候选方案；

26、通过不同种类的所述冷库存储对象的特性参数及其对应的历史温度波动幅度构建阿伦尼乌斯方程，以表征对各种类的所述冷库存储对象的质量损失的影响程度；

27、将所述候选方案对应冷库存储对象的历史温度波动幅度和特性参数输入至所构建的阿伦尼乌斯方程中进行处理，输出每种所述候选方案的质量损失指数。

28、作为其中一种优选方案，所述根据遗传算法对所述候选方案进行筛选，并控制冷库设备以确定的最终控制策略执行，其中，筛选过程被配置为将每一所述候选方案对应的质量损失指数构建的适应度函数作为目标函数进行筛选，包括：

29、对所述候选方案的质量损失指数进行加权求和，得到综合评分，并将所述综合评分作为适应度函数；

30、将所述候选方案的启停时间序列编码为二进制染色体，使用轮盘赌选择法选择个体，采用单点交叉及位反转变异生成新的候选方案，以对所述候选方案进行优化；

31、以所述适应度函数最小为目标，对所述候选方案的优化过程进行迭代，并将所述适应度函数达到最优时得到的优化后的候选方案作为最终控制策略后控制冷库设备执行。

32、作为其中一种优选方案，所述根据遗传算法对所述候选方案进行筛选，并控制冷库设备以确定的最终控制策略执行，其中，筛选过程被配置为将每一所述候选方案对应的质量损失指数构建的适应度函数作为目标函数进行筛选之后，包括：

33、采集冷库设备执行所述最终控制策略时的实时运行数据和实时能耗数据，以及所述冷库内的实时温度数据；

34、将所述实时运行数据、所述实时能耗数据和所述实时温度数据作为状态空间，并将所述最终控制策略中的设备启停动作作为动作空间，根据所述实时能耗数据、所述实时温度数据对应的温度精度和所述冷库设备的设备寿命设计奖励函数，以构建深度强化学习环境；

35、通过深度q网络算法训练深度强化学习环境的智能体，以所述冷库设备的历史运行数据和当前运行数据作为输入，输出最新控制策略；

36、将所述最新控制策略和所述最终控制策略进行融合，得到融合策略，并采用指数移动平均法调整所述融合策略的权重后控制冷库设备执行。

37、作为其中一种优选方案，所述将所述最新控制策略和所述最终控制策略进行融合，得到融合策略，并采用指数移动平均法调整所述融合策略的权重后控制冷库设备执行之后，还包括：

38、采集所述冷库设备执行所述融合策略时的温度变更数据，并通过多尺度滑动时间窗口算法对所述温度变更数据进行实时分析，得到各窗口内的综合温度，所述综合温度包括温度最值和平均温度；

39、在所述综合温度超过各所述冷库存储对象对应的温度波动接受范围时，根据所述综合温度确定温度偏差和温度变化率，并基于所述温度偏差和所述温度变化率，通过模糊自适应pid控制算法对所述融合策略中的启停动作进行更新；

40、执行更新后的所述融合策略，并重复综合温度的分析步骤，直至所述温度最值和所述平均温度不超过各所述冷库存储对象对应的温度波动接受范围。

41、本发明第二方面提供了一种针对存储对象的冷库设备智能优化调控系统，包括：

42、数据确定模块，用于获取不同种类的冷库存储对象的温度敏感系数，并基于各个所述温度敏感系数确定不同种类的所述冷库存储对象对应的各个温度波动接受范围；

43、模型构建模块，用于依次获取每一种类的所述冷库存储对象在存储于冷库中的历史温度数据和对应的冷库设备运行数据，并至少基于所述温度敏感系数和所述冷库设备运行数据得到训练好的冷库温度预测模型；

44、数据预测模块，用于基于每一所述温度敏感系数，模拟生成不同的初始控制策略并输入至所述冷库温度预测模型中进行处理，得到各个初始控制策略下的温度变化数据；

45、策略选取模块，用于将每一所述温度变化数据与对应的所述温度波动接受范围进行比对分析，并计算根据分析结果从所述初始控制策略中确定的目标策略所对应的能耗数据；

46、指数量化模块，用于基于所述能耗数据，从所述目标策略中选取候选方案，并基于通过不同种类的所述冷库存储对象对应的历史温度数据所构建的阿伦尼乌斯方程，确定所述候选方案的质量损失指数；

47、策略优化模块，用于根据遗传算法对所述候选方案进行筛选，并控制冷库设备以确定的最终控制策略执行，其中，筛选过程被配置为将每一所述候选方案对应的质量损失指数构建的适应度函数作为目标函数进行筛选。

48、相比于现有技术，本发明实施例的有益效果在于以下所述中的至少一点：

49、（1）通过获取不同种类冷库存储对象的温度敏感系数，并据此确定各自的温度波动接受范围，实现了对各类存储对象温度的精细化管理，有助于更好地保护温度敏感的物品，减少因温度波动导致的货物损失；利用历史温度数据和冷库设备运行数据训练温度预测模型，并通过对冷库设备所模拟的不同的控制策略来预测温度变化，进而与温度波动接受范围进行比对分析，能够识别出既能满足温度要求又能降低能耗的冷库设备控制策略，从而显著提高冷库的能效，实现节能减排；

50、（2）基于冷库中每种存储对象的温度敏感系数，生成多种控制策略，并结合各种冷库存储对象的温度波动接受范围，筛选出满足所有冷库存储对象温度要求的策略，通过计算这些策略的能耗数据以为策略的选择提供量化依据；基于存储对象本身的特性参数，如保质期、温度敏感性等构建阿伦尼乌斯方程，以评估其在冷库设备采用不同控制策略下存储对象的质量损失指数，使得优化过程更加贴近实际需求，旨在找到既能满足温度要求又能最大限度减少质量损失的设备控制策略；

51、（3）通过遗传算法对候选方案进行优化，并通过质量损失指数构建适应度函数，借助遗传算法的全局搜索能力和自适应性，以有效地在多个候选方案中找到最优解，即质量损失最小的设备控制策略，为冷库管理提供了科学、高效的决策支持。