具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的各实施方式进行详细的阐述。然而，本领域的普通技术人员可以理解，在本发明各实施方式中，为了使读者更好地理解本申请而提出了许多技术细节。但是，即使没有这些技术细节和基于以下各实施方式的种种变化和修改，也可以实现本申请所要求保护的技术方案。

第一实施方式：

本发明的第一实施方式涉及一种基于GRNN的冷机台数控制方法及其控制系统，包括：S1，获取冷水机组的运行特征；S2，根据第一特征集计算冷水机组Ti时刻的能效比；S3，根据第二特征集计算冷水机组Ti时刻的外部效率和内部效率；S4，建立冷水机组的内部效率预测模型；S5，根据内部效率预测模型预测并选择Ti+1时刻内部效率最高的工况启动对应冷水机组。

S1中，所述冷水机组的运行特征包括当前时刻、当前工作冷机台数、冷机内部的负载率、流量、冷冻水回水温度、冷冻水出水温度、冷凝温度、蒸发温度、压缩机频率、制冷剂充罐量、制冷量、耗电量中至少一项。S2中，第一特征集包括制冷量和耗电量。S3中，第二特征集包括蒸发温度和冷凝温度。S4中，内部效率预测模型根据GRNN网络训练模型推算得到，所述GRNN网络训练模型利用训练集和测试集进行训练，所述训练集和测试集从冷水机组的运行特征中筛选。

根据采集的中央空调的冷水机组的运行特征，结合GRNN网络训练模型得到冷水机组的内部效率预测模型；采用人工智能机器学习算法，对已有的数据进行总结，从而采用该GRNN网络训练模型推算出各个工况时刻下的最佳内部效率，根据下一时刻的冷水机组的运行负荷，计算出该工况下最佳的内部效率控制冷水机组的运行。相比现有技术而言，本方案整合历史记录，根据当前时刻的运行工况，预测下一时刻的运行负荷，并计算出最佳的内部效率控制冷水机组的运行，使得冷水机组的启动运行在满足负荷需求的情况下，尽可能的降低能耗。

下面对本实施方式的一种基于GRNN的冷机台数控制方法的实现细节进行具体的说明，以下内容仅为方便理解提供的实现细节，并非实施本方案的必须，本实施方式的具体流程如图1所示，本实施方式应用于网络侧的服务端。

S1，获取冷水机组的运行特征。

具体而言，与冷水机组的控制器建立通信链接，控制器采集冷水机组的运行参数，随后由本步骤S1接收。同时与网络平台建立通信连接，获取天气信息并实时更新，所述天气信息包括室外温湿度，更新速率为一天。将运行参数和室外温湿度组合成运行特征。所以步骤S1中获取运行参数和天气参数后，会根据室外温湿度作为参考标记，对运行参数进行标记，形成冷水机组不同室外温湿度下的运行特征。具体为：S1-1，接收冷水机组的运行参数；S1-2，接收室外温湿度参数；S1-3，对冷水机组的运行参数进行不同室外温湿度标记，形成运行特征；S1-4按照预设规则筛选出冷水机组的运行特征；。

由于采集的数据通常涵盖冷水机组运行的外部环境、控制信号、各关键部件等数据，这些数据对冷水机组历史和即时的运行状况做了客观真实的记录，可以用于追溯历史、检测异常等情况，所以，上述处理的冷水机组运行特征包括当前时刻、当前工作冷机台数、冷机内部的负载率、流量、冷冻水回水温度、冷冻水出水温度、冷凝温度、蒸发温度、压缩机频率、制冷剂充罐量、制冷量、耗电量中至少一项。为细致分析，将冷水机组的运行特征分为两类：当前时间信息，与冷水机组工作相关的A类信息，冷水机组运行参数相关的B类信息。

A类信息如当前工作冷机台数、耗电量等；B类信息如冷机内部的负载率、流量、冷冻水回水温度、冷冻水出水温度、冷凝温度、蒸发温度、压缩机频率、制冷剂充罐量、制冷量。

S1-4：预设规则为冷水机组连续运行不少于六个月的运行特征，运行特征的采样间隔为五分钟。

在另一个示例中，S1中获取运行参数和天气参数后，形成冷水机组的运行特征，具体为：接收冷水机组的运行参数；S1-2，接收室外温湿度参数；S1-3，对冷水机组的运行参数进行不同室外温湿度标记，形成运行特征。

在一个示例中，S1-4完成后，S2-1执行之前，还会进行以下操作：处理运行特征中的缺失值和异常值，并更新冷水机组的运行特征。对S1-4中所得到多个运行特征的数据进行清洗与整理，利用常规方法处理缺失值处理和异常值处理，尽可能地使数据呈现出一段又一段完整运行的过程，并保持所选数据具有稳定的采样率，提高分析结果的稳健性。

S2根据第一特征集计算冷水机组Ti时刻的能效比。

具体而言，所述冷水机组Ti时刻的能效比是反应冷机的运行效率的参考指标，从更新后的冷水机组的运行特征中筛选出相关特征进行计算。

S2-1，从冷水机组的运行特征中筛选出影响冷水机组Ti时刻能效比的相关运行特征组成第一特征集，所述第一特征集包括制冷量和耗电量；

S2-2，利用以下公式计算Ti时刻的能效比：

其中：COP_ti表示Ti时刻的能效比，Q_ti表示Ti时刻的制冷量，W_ti表示Ti时刻的耗电量。

S3，根据第二特征集计算冷水机组Ti时刻的外部效率和内部效率。

具体而言，所述冷水机组Ti时刻的能效比的影响因素包括冷水机组的外界运行环境和自身性能两大因素，根据两大因素引入冷机外部效率和内部效率两个参考指标，其中外部效率实际上反应了冷水机组的理想能效比，内部效率反应的则是能效比和外部效率之间的偏差，根据COP、ICOP、DCOP三个指标从冷水机组内部和外部的影响因素进行全面分析。

S3-1，从冷水机组的运行特征中筛选出影响冷水机组Ti时刻的外部效率和内部效率相关运行特征组成第二特征集，所述第二特征集包括蒸发温度和冷凝温度；

利用以下公式计算外部效率：

其中：ICOP_Ti表示Ti时刻的外部效率，Ti_ev表示Ti时刻的蒸发温度，Ti_ed表示Ti时刻的冷凝温度；

根据能效比和外部效率计算内部效率：

其中：DCOP_Ti表示Ti时刻的内部效率。

S4，建立冷水机组的内部效率预测模型。

具体而言，所述冷水机组的内部效率预测模型通过GRNN网络训练模型推算得到，所述GRNN网络训练模型结合从运行特征中筛选出来的训练集和测试集进行训练。

其中，GRNN网络训练模型结合从运行特征中筛选出来的训练集和测试集进行训练的具体过程包括：

S4-1，筛选出影响内部效率的运行特征组成训练集和测试集，所述训练集和测试集均包括流量、冷冻水的回水温度、冷冻水的出水温度、冷机开启台数、冷凝温度、蒸发温度、压缩机频率中至少一个；

S4-2，将该训练集作为神经元输入GRNN网络训练模型；

计算训练集和测试集之间的距离，并利用基于径向的激活函数输出训练值；

其中：p_i为激活函数神经元i的输出，σ为平滑参数，n为训练集个数，d_i为训练集和测试集间的距离；

其中：X＝(x₁，x₂，…，x_m)为测试集的输入向量，x_j为其中的第j个元素值，X_ij＝(x_i1，x_i2，…，x_im)为第i个训练集的输入向量，x_ij为其中的第j个元素值，m为输入向量的元素数，w_j为第j个元素的权重。

S4-3，计算训练输出数据和激活函数的权重值的乘积之和：

S＝{Y}^T·p

其中Y＝{Y₁,Y₂,…,Y_n}为训练集的输出向量矩阵，p为激活函数的输出；

计算所有权重值的总和：

其中n为模式层的神经元数量，p_i为模式层第i个神经元的输出；

S4-4，根据训练输出数据和激活函数的权重值的乘积之和、所有权重值的总和得到输出值

其中：y表示估计的DCOP值。

S4-5，不断更新GRNN网络训练模型的输入训练集和测试集的特征，循环训练迭代，直至平滑参数σ满足设定阈值，并将满足平滑参数σ的GRNN网络训练模型保存；

S4-6，利用测试集对模型进行测试，计算出测试集的误差，当误差满足阈值范围时，则保存该GRNN网络训练模型；将该GRNN网络训练模型作为冷水机组的内部效率预测模型。

S5，根据所述冷水机组的运行特征，结合所述冷水机组的内部效率预测模型，根据Ti+1时刻的空调负荷需求，预测并选择内部效率最高的工况启动对应冷水机组。

S5-1，通过基于迁移学习的能耗预测方法，预测Ti+1时刻的空调负荷需求；

具体而言，建立预测模型，通过冷水机组的能耗数据的周期分量与剩余分量的运算，并基于最小二乘法对周期分量进行调整，来确定预测模型的最终预测值，并且利用与缺乏历史能耗数据的目标冷水机组相似的、具有丰富历史能耗数据的冷水机组对预测模型进行训练，然后将训练好的模型直接运用到目标冷水机组的能耗预测中，根据目标冷水机组的输入输出数据对预测模型的参数设置进行微调，减少了重新训练预测模型来进行能耗数据预测的时间，大大提升了对目标冷水机组进行能耗数据预测工作的效率。

S5-2，利用筛选函数其中F为历史工况集，f_i为其中一种工况的特征向量，f为当前运行工况的特征向量，D(f_i,f)计算两个特征向量的欧氏距离，用该工况的对应特征作为输入参数，计算开启冷水机组的内部效率；

S5-3，选择内部效率最高的工况参数控制冷水机组的启动。

上面各种方法的步骤划分，只是为了描述清楚，实现时可以合并为一个步骤或者对某些步骤进行拆分，分解为多个步骤，只要包括相同的逻辑关系，都在本专利的保护范围内；对算法中或者流程中添加无关紧要的修改或者引入无关紧要的设计，但不改变其算法和流程的核心设计都在该专利的保护范围内。

第二实施方式：

本发明的第二实施方式提供了一种基于GRNN的冷机台数控制系统，包括：

处理模块201，用于收发数据、计算、生成控制逻辑、发送控制指令到本地BA设备；

采集模块202，用于采集冷水机组的运行特征；

训练库模块203，用于存储并更新冷水机组的运行特征；

气象数据模块204，用于获取天气信息；

训练模块205，用于建立GRNN网络训练模型并利用冷水机组的运行特征进行训练；

控制模块206，用于执行处理模块下发的控制指令，调节冷水机组的运行。

其中，处理模块201采用边缘计算控制器，所述采集模块202采用底层能耗监测平台或传感器，所述训练库模块203采用存储器，所述气象数据模块204采用气象数据API接口获取网络平台的天气信息并存储在训练库模块203中，所述训练模块205采用后台服务器，可以随着冷水机组的运行特征数据量的增加，周期性地重复训练过程，模型训练完成后下发给边缘计算控制器；所述控制模块206采用本地BA设备，执行边缘计算控制器下发的控制指令。

不难发现，本实施方式为与第一实施方式相对应的系统实施例，本实施方式可与第一实施方式互相配合实施。第一实施方式中提到的相关技术细节在本实施方式中依然有效，为了减少重复，这里不再赘述。相应地，本实施方式中提到的相关技术细节也可应用在第一实施方式中。

值得一提的是，本实施方式中所涉及到的各模块均为逻辑模块，在实际应用中，一个逻辑单元可以是一个物理单元，也可以是一个物理单元的一部分，还可以以多个物理单元的组合实现。此外，为了突出本发明的创新部分，本实施方式中并没有将与解决本发明所提出的技术问题关系不太密切的单元引入，但这并不表明本实施方式中不存在其它的单元。

以上所述的仅是本发明的实施例，方案中公知的具体结构及特性等常识在此未作过多描述，所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识，能够获知该领域中所有的现有技术，并且具有应用该日期之前常规实验手段的能力，所属领域普通技术人员可以在本申请给出的启示下，结合自身能力完善并实施本方案，一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本申请的障碍。应当指出，对于本领域的技术人员来说，在不脱离本发明结构的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。