一种基于无监督学习算法的冷机机组能耗优化方法与流程

1.本发明涉及冷机机组能耗管控领域，尤其涉及一种基于无监督学习算法的冷机机组能耗优化方法。

背景技术：

2.随着时代的发展，现如今工业园区、大型建筑等都需要冷机机组提供冷源。
3.冷机机组的用途包括：1、塑料工业:准确的控制各种塑料加工之模温，缩短啤塑周期，保证产品质量的稳定。2、电子工业:稳定电子元件内部在生产线上的分子结构，提高电子元件的合格率，应用于超声波清洗行业，有效地防止昂贵的清洗剂挥发和挥发给人带来的伤害。3、电镀行业:控制电镀温度，增加镀件的密度和平滑，缩短电镀周期，提高生产效率，改善产品质量。4、机械工业:控制油压系统压力油温度，稳定油温油压，延长油质使用时间，提高机械润滑的效率，减少磨损。5、建筑工业:供给混凝土用之冷冻水，使混凝土分子结构适合建筑用途要求，有效地增强混凝土的硬度与韧性。6、真空镀膜:控制真空镀膜机的温度，以保证镀件的高质量。7、食品工业:用于食品加工后的高速冷却，使之适应包装要求。另外还有控制发酵食品的温度等。8、医药行业:在医药行业中主要用于控制发酵药品的温度控制。药企要充分利用好冷水机设备。
4.冷机机组属于耗电量较大的设备，长时间、重负荷运行会缩短冷机机组的寿命，同时也会增加企业和用户的成本。目前，对于冷机机组的负荷分配不够智能，因此，难以达到能耗优化的目的。

技术实现要素：

5.基于此，有必要针对随机进行无监督学习中心进行实时设备能耗特征提取发出问题，提供一种基于无监督学习算法的冷机机组能耗优化方法。
6.一种基于无监督学习算法的冷机机组能耗优化方法，包括：
7.采集冷机机组中设备的运行与能耗参数；
8.利用所述冷机机组中设备的运行与能耗参数使用无监督学习中心进行实时设备能耗特征提取，所述无监督学习中心进行实时设备能耗特征提取包括了冷机机组运行状态信息；
9.利用所述无监督学习中心进行实时设备能耗优化效率特征提取；
10.计算所述无监督学习中心进行实时设备能耗特征提取的优化效率是否大于预设的能耗阈值；
11.当计算无监督学习中心进行实时设备能耗特征提取的优化效率大于预设的能耗阈值时，将所使用的无监督学习中心进行实时设备能耗特征提取分别计算到各冷机机组模块数据控制平台；当计算所述无监督学习中心进行实时设备能耗特征提取的优化效率不大于预设的能耗阈值时，重新进行所述冷机机组中设备的运行与能耗参数计算、使用无监督学习中心进行实时设备能耗特征提取以及计算优化效率。
12.一种基于无监督学习算法的冷机机组能耗优化方法，包括：
13.冷机机组运行状态信息建设模块，用于采集冷机机组中设备的运行与能耗参数；
14.无监督学习中心进行实时设备能耗特征提取使用模块，与所述冷机机组运行状态信息建设模块相连，用于利用所述冷机机组中设备的运行与能耗参数使用无监督学习中心进行实时设备能耗特征提取，所述无监督学习中心进行实时设备能耗特征提取包括了冷机机组运行状态信息；
15.优化效率模块，与所述无监督学习中心进行实时设备能耗特征提取使用模块相连，用于计算所述无监督学习中心进行实时设备能耗特征提取使用模块所使用的无监督学习中心进行实时设备能耗特征提取的优化效率；
16.优化效率管理模块，与所述优化效率模块相连，用于计算所述无监督学习中心进行实时设备能耗特征提取的优化效率是否大于预设的能耗阈值；
17.冷机机组模块数据传输模块，与无监督学习中心进行实时设备能耗特征提取使用模块和优化效率管理模块相连，用于利用来自优化效率管理模块的表明无监督学习中心进行实时设备能耗特征提取的优化效率大于预设的能耗阈值的信号而将无监督学习中心进行实时设备能耗特征提取使用模块所使用的无监督学习中心进行实时设备能耗特征提取分别计算到各冷机机组模块数据控制平台。
18.冷机机组模块异常数据优化效率建设模块，用于特征提取优化效率模块所进行无监督学习中心进行实时设备能耗特征提取的优化效率计算所需的各冷机机组模块异常数据的优化效率，其中所述冷机机组模块异常数据优化效率建设模块用于计算冷机机组模块异常数据的优化效率与初始信息，并用于利用无监督学习中心进行实时设备能耗特征提取使用模块所使用的各次无监督学习中心进行实时设备能耗特征提取中冷机机组模块异常数据的出现概率而计算冷机机组模块异常数据的再次信息，以及利用所述优化效率、初始信息、再次信息来计算冷机机组模块异常数据的新优化效率。
19.有益效果：
20.上述无监督学习中心进行实时设备能耗特征提取的优化方法与优化系统，计算无监督学习中心进行实时设备能耗特征提取的优化效率并与预设的能耗阈值相比较，从而通过对于无监督学习中心进行实时设备能耗特征提取的优化效率的优化来实现对无监督学习中心进行实时设备能耗特征提取的优化，相比于既有的随机计算所带来的预测麻烦、准确度较低的问题，本发明各实施方式的一种基于无监督学习算法的冷机机组能耗优化方法可以通过对于无监督学习中心进行实时设备能耗特征提取的优化效率的优化而实现对计算优化难度、可操作性以及无监督学习中心进行实时设备能耗特征提取的横向差异的优化，提升冷机机组模块数据控制平台的使用性，提高计算的准确性和对冷机机组数据的优化效率。
附图说明
21.图1为本发明的一种基于无监督学习算法的冷机机组能耗优化方法的第一流程图；
22.图2为本发明的一种基于无监督学习算法的冷机机组能耗优化方法的第二流程图；
23.图3为本发明的一种基于无监督学习算法的冷机机组能耗优化方法的第三流程图；
24.图4为本发明的一种基于无监督学习算法的冷机机组能耗优化方法模块结构图。
具体实施方式
25.需要说明的是,在不冲突的情况下,本技术中的实施例及实施例中的特征可以相互结合,下面结合附图和有具体实施例对本技术作进一步详细说明。
26.如图1所示，其为本发明一种实施方式的一种基于无监督学习算法的冷机机组能耗优化方法的流程。
27.步骤102，采集冷机机组中设备的运行与能耗参数。对于具有特定内容的计算优化而言，所述冷机机组运行状态信息优选地为利用该计算优化内容而计算的对于计算优化具有最大影响力的因素。通常地，获得所述冷机机组运行状态信息应当有利于完成依据计算优化内容而设定的冷机机组模块异常数据。例如，对于对抗类计算优化而言，该冷机机组运行状态信息可设置为具有最大战斗力的目标特征或者角等。冷机机组中设备的运行与能耗参数可以包括：冷机机组运行状态信息的数目、大小、位置等。
28.步骤104，利用所述冷机机组中设备的运行与能耗参数使用无监督学习中心进行实时设备能耗特征提取，所述无监督学习中心进行实时设备能耗特征提取包括了冷机机组运行状态信息。
29.具体地，在所使用的无监督学习中心进行实时设备能耗特征提取中，应当包括具有所冷机机组运行状态信息。无监督学习中心进行实时设备能耗特征提取应当包括利用计算优化内容而计算的待计算到各个冷机机组模块数据控制平台的无监督学习中心进行实时设备能耗特征提取，其中所述冷机机组运行状态信息包括在待计算到一个或多个冷机机组模块数据控制平台的无监督学习中心进行实时设备能耗特征提取中。示例地，冷机机组运行状态信息应当在使用无监督学习中心进行实时设备能耗特征提取时使用并包括在所使用的无监督学习中心进行实时设备能耗特征提取中。
30.步骤106，计算各冷机机组模块数据控制平台的无监督学习中心进行实时设备能耗特征提取的优化效率。
31.具体地，可以利用所述待计算到各个冷机机组模块数据控制平台的无监督学习中心进行实时设备能耗特征提取，而计算所述待计算到冷机机组模块数据控制平台的无监督学习中心进行实时设备能耗特征提取的优化效率。可以理解的是，利用随机计算方式所产生的无监督学习中心进行实时设备能耗特征提取，在难度、可操作性等方面的差别也是随机的，从而在同一计算优化同一时段中可能出现超出预期的不平均，而这种超出预期的不平均，也是现有的随机计算原则影响用户预测麻烦和粘性的重要原因之一。利用本发明的一种实施方式，计算各冷机机组模块数据控制平台的无监督学习中心进行实时设备能耗特征提取的优化效率，是作为优化现有的随机计算原则的重要手段。
32.步骤108，计算无监督学习中心进行实时设备能耗特征提取的优化效率。
33.利用本发明的一种实施方式，可以基于步骤106所计算的各冷机机组模块数据控制平台的无监督学习中心进行实时设备能耗特征提取的优化效率而计算该优化效率。当然，利用其他可行的实施方式，也可以通过对于所有所使用的无监督学习中心进行实时设
备能耗特征提取进行预设的运算，从而计算所使用的无监督学习中心进行实时设备能耗特征提取的优化效率，在此情况下，亦可不进行步骤106的对于各个冷机机组模块数据控制平台的无监督学习中心进行实时设备能耗特征提取优化效率的计算。
34.在本实施方式中，该优化效率体现无监督学习中心进行实时设备能耗特征提取所体现的计算优化内容的难度、可操作性，以及所述各个冷机机组模块数据控制平台的无监督学习中心进行实时设备能耗特征提取之间的差异。通过该优化效率，可以得到各个冷机机组模块数据控制平台所被计算的无监督学习中心进行实时设备能耗特征提取的难度、可操作性的差别，进而可以区别于现有的随机计算原则中所体现的不在预期之中的难度、可操作性以及差异性。
35.步骤110，计算无监督学习中心进行实时设备能耗特征提取的优化效率是否大于预设的能耗阈值。
36.具体地，该预设的能耗阈值可以是利用无监督学习中心进行实时设备能耗特征提取中所包含的各种计算优化元素、利用各个冷机机组模块数据控制平台的无监督学习中心进行实时设备能耗特征提取之间所要的差别而设置的。在本实施方式中，当无监督学习中心进行实时设备能耗特征提取的优化效率不大于预设的能耗阈值时，表明总体计算优化的难度、可操作性以及各个冷机机组模块数据控制平台的无监督学习中心进行实时设备能耗特征提取之间的差别超出了预期，则需要重新进行步骤102至步骤108所述的计算冷机机组运行状态信息、使用无监督学习中心进行实时设备能耗特征提取、计算优化效率的过程，直至无监督学习中心进行实时设备能耗特征提取的优化效率符合预期的难度、操作性和差异性期待，即能耗阈值大于预设的能耗阈值。
37.步骤112，若步骤110中计算无监督学习中心进行实时设备能耗特征提取的优化效率大于预设的能耗阈值，则将所使用的无监督学习中心进行实时设备能耗特征提取分别计算到各冷机机组模块数据控制平台。
38.在本实施方式中，无监督学习中心进行实时设备能耗特征提取的优化效率反映的是待计算到各个冷机机组模块数据控制平台的无监督学习中心进行实时设备能耗特征提取总体难度、操作性以及个体之间的差别，若优化效率大于预设的能耗阈值，表明各个冷机机组模块数据控制平台的无监督学习中心进行实时设备能耗特征提取的总体难度、操作性以及个体之间的差别符合所需要的预期，各个冷机机组模块数据控制平台可以利用该无监督学习中心进行实时设备能耗特征提取开始进行计算优化。
39.在可选的实施方式中，可以在步骤106计算各个使用方的无监督学习中心进行实时设备能耗特征提取优化效率之前、或者在步骤108计算无监督学习中心进行实时设备能耗特征提取的优化效率之前，即将所使用的无监督学习中心进行实时设备能耗特征提取计算到各个冷机机组模块数据控制平台。从而，在计算了无监督学习中心进行实时设备能耗特征提取的优化效率不大于预设的能耗阈值而需要重新进行冷机机组中设备的运行与能耗参数计算以及使用无监督学习中心进行实时设备能耗特征提取时，需要从各个冷机机组模块数据控制平台处删除或者撤回该计算的无监督学习中心进行实时设备能耗特征提取。
40.如图2所示，其为本发明另一实施方式的一种基于无监督学习算法的冷机机组能耗优化方法的流程。在图2中，与图1中相对应标号的步骤202至步骤212和图1中的步骤102至步骤112具有相似的内容，在此不予赘述。
41.步骤200，对控制信号进行规律输出，所述控制信号表明对无监督学习中心进行实时设备能耗特征提取随机性的优化。
42.具体地，输出该控制信号表示的是本发明区别于现有的随机计算无监督学习中心进行实时设备能耗特征提取的信息，亦即在潜在冷机机组模块数据控制平台意欲进入该计算优化内容之前，将会得到关于该计算优化内容区别于既有随机计算无监督学习中心进行实时设备能耗特征提取的方式的提示。
43.步骤201，对控制信号反馈进行接收，并确定所述信号反馈是否表明接受所述对无监督学习中心进行实时设备能耗特征提取随机性的优化。
44.具体地，在前述步骤200的控制信号表明了该欲开始的计算优化内容区别于现有的随机计算计算优化内容的信息之后，潜在冷机机组模块数据控制平台可以依据该控制信号而提供信号反馈，该信号反馈表明是否接受所述对于无监督学习中心进行实时设备能耗特征提取随机性的优化。
45.若所述信号反馈表明了接受所述对于无监督学习中心进行实时设备能耗特征提取随机性的优化，则继续进行步骤202及其后的各步骤，使用无监督学习中心进行实时设备能耗特征提取并依据优化的无监督学习中心进行实时设备能耗特征提取进行计算，以开始计算优化。
46.若所述信号反馈表明不接受所述对于无监督学习中心进行实时设备能耗特征提取随机性的优化，则对于该潜在的计算优化用户不开放该计算优化内容，继续进行步骤200、步骤201的对控制信号进行规律输出、对控制信号反馈进行接收并确定的过程。
47.利用该实施方式的一种基于无监督学习算法的冷机机组能耗优化方法，可以在计算优化开始之前充分保证使用计算优化的各方明了本发明一种基于无监督学习算法的冷机机组能耗优化方法对既有的无监督学习中心进行实时设备能耗特征提取的随机计算方法的优化，保障冷机机组模块数据控制平台在参加之前的充分知情。在可选的实施方式中，该通知信息可以通过对话框、提示信息的方式发送到冷机机组模块数据控制平台，也可以通过设置专用的计算优化区域的方式来体现，其中在该专用的所计算的计算优化区域中，步骤200的信息输出可以体现为对于计算优化区域的标识、提示等方式；步骤201的接收反馈信息可以体现为冷机机组模块数据控制平台进入或不进入该专用的计算优化区域。
48.如图3所示，其为本发明另一种实施方式的一种基于无监督学习算法的冷机机组能耗优化方法的流程。在图3中，与图1中相对应标号的步骤302至步骤312和图1中的步骤102至步骤112具有相似的内容，在此不予赘述。
49.本实施方式中，在步骤310计算无监督学习中心进行实时设备能耗特征提取的优化效率是否大于预设的能耗阈值之后，若计算无监督学习中心进行实时设备能耗特征提取的优化效率大于预设的能耗阈值，则进行步骤311，确定在该能耗阈值下将所使用的无监督学习中心进行实时设备能耗特征提取计算到各冷机机组模块数据控制平台的次数是否已经达到预设的次数参数。
50.若步骤311中计算，在该能耗阈值下将无监督学习中心进行实时设备能耗特征提取计算到各冷机机组模块数据控制平台的次数尚未达到预设的次数参数，则继续进行步骤312，将所使用的无监督学习中心进行实时设备能耗特征提取计算到各个冷机机组模块数据控制平台。
51.步骤314，若步骤311中计算所计算的次数已经达到预设的次数参数，则计算新的能耗阈值，并随后进行步骤310以将无监督学习中心进行实时设备能耗特征提取的优化效率与新的能耗阈值进行比较。
52.通过该实施方式的一种基于无监督学习算法的冷机机组能耗优化方法，可以实现对于无监督学习中心进行实时设备能耗特征提取的能耗阈值的动态调整。可选地，由于本发明的实施方式的一种基于无监督学习算法的冷机机组能耗优化方法只在冷机机组运行状态信息、优化效率的方面对于无监督学习中心进行实时设备能耗特征提取进行优化，对于能耗阈值的动态优化可以利用除了冷机机组运行状态信息之外的其他无监督学习中心进行实时设备能耗特征提取在随机计算和形成之中的随机性来进行无监督学习中心进行实时设备能耗特征提取的优化，体现对于随机性的进一步优化。
53.本发明另一实施方式的一种基于无监督学习算法的冷机机组能耗优化方法的流程。与图1中相对应标号的步骤402至步骤412和图1中的步骤102至步骤112具有相似的内容，在此不予赘述。
54.在该实施方式中，若步骤410计算待计算的无监督学习中心进行实时设备能耗特征提取的优化效率不大于能耗阈值而需要重新进行计算冷机机组运行状态信息、使用无监督学习中心进行实时设备能耗特征提取以及计算优化效率的过程时，步骤414，存档当前的无监督学习中心进行实时设备能耗特征提取及其对应的各方优化效率。
55.步骤416，计算在当前优化效率与能耗阈值的比较回合下，重复进行冷机机组运行状态信息、使用无监督学习中心进行实时设备能耗特征提取以及计算优化效率的重复次数是否达到预设的重复参数。
56.在此，当前优化效率与能耗阈值的比较回合是指，自上一次进行无监督学习中心进行实时设备能耗特征提取的计算之后，利用步骤410所进行的无监督学习中心进行实时设备能耗特征提取的优化效率与能耗阈值的比较。
57.具体地，在利用冷机机组中设备的运行与能耗参数而使用包括冷机机组运行状态信息的无监督学习中心进行实时设备能耗特征提取之后，若优化效率不大于预设的能耗阈值，则需要重新采集冷机机组中设备的运行与能耗参数，并进而重新计算无监督学习中心进行实时设备能耗特征提取，以计算相应的优化效率。然而，有可能出现的情况是，连续经过数次重新计算冷机机组运行状态信息、无监督学习中心进行实时设备能耗特征提取之后，所得到的优化效率仍然不能大于预设的能耗阈值，为节省重新计算冷机机组运行状态信息、无监督学习中心进行实时设备能耗特征提取所需要的时间，有必要对这种重复次数进行限制。
58.若所述重复次数未达到预设的重复参数，则继续进行步骤402至步骤410所述的计算冷机机组运行状态信息、无监督学习中心进行实时设备能耗特征提取及其优化效率、并且与预设的能耗阈值进行比较的过程。
59.步骤418，若在步骤416中计算在当前优化效率与能耗阈值的比较回合下重复次数已经达到预设的重复参数，则计算所存档的优化效率最大的无监督学习中心进行实时设备能耗特征提取作为待计算的无监督学习中心进行实时设备能耗特征提取，并继续进行步骤412，将该计算的待计算的无监督学习中心进行实时设备能耗特征提取计算到各冷机机组模块数据控制平台，以开始计算优化。
60.利用本发明的该实施方式，为避免对于无监督学习中心进行实时设备能耗特征提取的优化过于冗长而影响用户体验，有必要对于重复使用无监督学习中心进行实时设备能耗特征提取的次数进行限制。若自上一次计算无监督学习中心进行实时设备能耗特征提取到各个冷机机组模块数据控制平台之后，利用步骤410已经进行了达到重复参数的次数的比较，则为了避免进一步计算冷机机组运行状态信息、使用无监督学习中心进行实时设备能耗特征提取的过程耗费的时间，需要将上一次计算无监督学习中心进行实时设备能耗特征提取之后所使用的各次无监督学习中心进行实时设备能耗特征提取中具有最大的优化效率的一次无监督学习中心进行实时设备能耗特征提取作为待计算的无监督学习中心进行实时设备能耗特征提取而利用步骤412的过程计算给各个冷机机组模块数据控制平台。
61.利用本发明的以上各实施方式，计算无监督学习中心进行实时设备能耗特征提取的优化效率并与预设的能耗阈值相比较，从而通过对于无监督学习中心进行实时设备能耗特征提取的优化效率的优化来实现对无监督学习中心进行实时设备能耗特征提取的优化，相比于既有的随机计算无监督学习中心进行实时设备能耗特征提取所带来的预测麻烦、准确度较低的问题，本发明各实施方式的一种基于无监督学习算法的冷机机组能耗优化方法可以通过对于无监督学习中心进行实时设备能耗特征提取的优化效率的优化而实现对计算优化难度、可操作性以及无监督学习中心进行实时设备能耗特征提取的横向差异的优化，提升冷机机组模块数据控制平台的使用性，提高计算的准确性。
62.本发明另一实施方式的无监督学习中心进行实时设备能耗特征提取的优化方法中，计算各冷机机组模块数据控制平台的无监督学习中心进行实时设备能耗特征提取的优化效率的流程。
63.步骤502，计算冷机机组运行状态信息的优化效率。
64.具体地，在如图1中的步骤102、202、302、402采集冷机机组中设备的运行与能耗参数，以及步骤104、204、304、404利用冷机机组中设备的运行与能耗参数而计算了包括冷机机组运行状态信息的无监督学习中心进行实时设备能耗特征提取之后，拟计算至各冷机机组模块数据控制平台的无监督学习中心进行实时设备能耗特征提取中可能包括或者不包括冷机机组运行状态信息。从而，在步骤502中，如果该冷机机组模块数据控制平台的无监督学习中心进行实时设备能耗特征提取中包括该冷机机组运行状态信息，则计算该冷机机组运行状态信息的优化效率，如果不包括该冷机机组运行状态信息，则进入下一步骤以计算下一冷机机组模块异常数据的优化效率。类似地，可以理解的是，计算其他冷机机组模块异常数据的优化效率的过程中，也只在冷机机组模块数据控制平台的无监督学习中心进行实时设备能耗特征提取中具有该冷机机组模块异常数据时才予以计算。
65.步骤504，计算再次冷机机组模块异常数据的优化效率。
66.如前所述，冷机机组运行状态信息通常为对于总体计算优化进度及操作具有较大影响力的冷机机组模块异常数据。进而，在冷机机组运行状态信息之后，还可以顺序地计算影响力稍弱的再次冷机机组模块异常数据的优化效率。
67.步骤506，计算最终冷机机组模块异常数据的优化效率。
68.通常而言，在拟计算到冷机机组模块数据控制平台的无监督学习中心进行实时设备能耗特征提取中，可以包括多种冷机机组模块异常数据，可以依据各种类冷机机组模块异常数据的影响力大小而依次计算各种冷机机组模块异常数据的优化效率。
69.步骤508，利用所计算的各冷机机组模块异常数据的优化效率而计算冷机机组模块数据控制平台的无监督学习中心进行实时设备能耗特征提取的优化效率。
70.具体地，在计算了各种类冷机机组模块异常数据的优化效率之后，可以依据预设的方式来计算该冷机机组模块数据控制平台的无监督学习中心进行实时设备能耗特征提取的优化效率。在一种可选的实施方式中，一个冷机机组模块数据控制平台的无监督学习中心进行实时设备能耗特征提取的优化效率可以是该无监督学习中心进行实时设备能耗特征提取中所包括的所有冷机机组模块异常数据的优化效率之和，或者加权和。
71.以上步骤502至步骤506中仅示出了计算冷机机组模块数据控制平台的三种冷机机组模块异常数据的优化效率的过程，应当理解的是，对于一种计算优化内容而言，可能包括更多、更少的冷机机组模块异常数据，在此情况下，可以类似地计算出各种冷机机组模块异常数据的优化效率，并依据步骤508所示的过程计算冷机机组模块数据控制平台的无监督学习中心进行实时设备能耗特征提取的优化效率。此外，计算各种冷机机组模块异常数据的优化效率的过程也可以不是如上所述的依照冷机机组模块异常数据的影响力的顺序，其他任意的顺序也是可行的。
72.进一步地，所前所述，图1中步骤108、208、308、408所述的计算无监督学习中心进行实时设备能耗特征提取的优化效率的过程，可以利用各冷机机组模块数据控制平台的无监督学习中心进行实时设备能耗特征提取的优化效率来计算，亦可通过对于所有所使用的无监督学习中心进行实时设备能耗特征提取进行预设的运算，从而计算所使用的无监督学习中心进行实时设备能耗特征提取的优化效率。作为一种可选的实施方式，无监督学习中心进行实时设备能耗特征提取的优化效率可以是各冷机机组模块数据控制平台的无监督学习中心进行实时设备能耗特征提取的优化效率及优化效率差异的算法。
73.反映的是各冷机机组模块数据控制平台拟计算的无监督学习中心进行实时设备能耗特征提取之间的差异性。
74.利用本发明进一步的可选的实施方式，每个种类的冷机机组模块异常数据的优化效率并不是固定的，而是可以动态调整的。利用本发明一种实施方式的冷机机组模块异常数据的优化效率进行动态调整的过程。应当理解的是，对于多种冷机机组模块异常数据，可以分别适用该实施方式中的冷机机组模块异常数据优化效率的动态调整，并且，其他可能的动态调整方式也是适用的。
75.步骤602，计算冷机机组模块异常数据的优化效率与初始信息。
76.具体地，对于一种计算的计算优化内容而言，冷机机组模块异常数据的预定出现频率是计算的，以该预期出现的比例作为冷机机组模块异常数据的初始信息。
77.步骤604，在进行了预设次数的无监督学习中心进行实时设备能耗特征提取的计算后，计算冷机机组模块异常数据的再次信息。
78.可以理解的是，尽管如前所述，冷机机组模块异常数据的预定出现频率是计算的，但在有限次的无监督学习中心进行实时设备能耗特征提取使用与计算中，冷机机组模块异常数据的出现未必完全符合预定出现频率，在该预设次数的无监督学习中心进行实时设备能耗特征提取的计算中，该冷机机组模块异常数据的出现概率计算为冷机机组模块异常数据的再次信息。
79.步骤606，利用所述优化效率、初始信息与所述再次信息，计算冷机机组模块异常
数据的新优化效率。
80.从而，可以理解的是，当在该预设次数的无监督学习中心进行实时设备能耗特征提取计算中，如果冷机机组模块异常数据的出现概率大于预期，则调低该冷机机组模块异常数据的优化效率。
81.进一步地，若在计算优化进行过程中已经进行过冷机机组模块异常数据的优化效率的动态调整，则将前一次预设次数的无监督学习中心进行实时设备能耗特征提取计算中冷机机组模块异常数据的优化效率、出现概率作为新一次动态调整中冷机机组模块异常数据的优化效率和出现的基准比例。亦即将前一次动态调整中的优化效率、再次信息作为后一次动态调整中的优化效率、初始信息。
82.通过本实施方式中对于冷机机组模块异常数据的优化效率的动态调整，可以避免在实际的无监督学习中心进行实时设备能耗特征提取计算过程中因冷机机组模块异常数据出现的随机性而影响可操作性，从而进一步实现对于随机性的优化与优化。
83.利用本发明进一步的可选的实施方式，在前述的图1中，步骤110、步骤210、步骤310、步骤410中所进行比较的能耗阈值并不是固定的，而是可以动态调整的。利用本发明一种实施方式的能耗阈值进行动态调整的过程。应当理解的是，其他可能的动态调整方式也是适用的。
84.步骤702，计算初始能耗阈值。
85.具体地，在计算优化开始之前，初始能耗阈值是设置的默认初始值。
86.步骤704，在进行了预设次数的无监督学习中心进行实时设备能耗特征提取的计算后，计算各次计算中无监督学习中心进行实时设备能耗特征提取的优化效率的平均值。
87.具体地，在实际的无监督学习中心进行实时设备能耗特征提取的计算过程中，实际上，符合大于能耗阈值的条件的无监督学习中心进行实时设备能耗特征提取的优化效率的分布可能是不均匀的，取预设次数的无监督学习中心进行实时设备能耗特征提取计算中无监督学习中心进行实时设备能耗特征提取的优化效率的平均值，可以反映出在该预设次数的无监督学习中心进行实时设备能耗特征提取计算中的优化效率的计算状况。
88.步骤706，依据前述初始能耗阈值与优化效率的平均值而计算新的能耗阈值。
89.进一步地，若在计算优化进行过程中已经进行过能耗阈值的动态调整，则将前一次预设次数的无监督学习中心进行实时设备能耗特征提取计算中所使用的能耗阈值作为新一次动态调整中的初始能耗阈值。通过动态调整参数，可以避免由于参数的设置过高或过低而影响到无监督学习中心进行实时设备能耗特征提取计算的进程。
90.如图4所示，其为本发明一种实施方式的无监督学习中心进行实时设备能耗特征提取优化系统的结构及功能示意图。
91.该无监督学习中心进行实时设备能耗特征提取优化系统包括：
92.冷机机组运行状态信息建设模块，用于采集冷机机组中设备的运行与能耗参数。
93.对于具有特定内容的计算优化而言，所述冷机机组运行状态信息优选地为利用该计算优化内容而计算的对于计算优化具有最大影响力的因素。通常地，获得所述冷机机组运行状态信息应当有利于完成依据计算优化内容而设定的冷机机组模块异常数据。例如，对于对抗类计算优化而言，该冷机机组运行状态信息可设置为具有最大战斗力的目标特征或者角等。冷机机组中设备的运行与能耗参数可以包括：冷机机组运行状态信息的数目、
大小、位置等。
94.无监督学习中心进行实时设备能耗特征提取使用模块，用于利用所述冷机机组中设备的运行与能耗参数使用无监督学习中心进行实时设备能耗特征提取，所述无监督学习中心进行实时设备能耗特征提取包括了冷机机组运行状态信息。
95.具体地，在无监督学习中心进行实时设备能耗特征提取使用模块所使用的无监督学习中心进行实时设备能耗特征提取中，应当包括具有所冷机机组运行状态信息。无监督学习中心进行实时设备能耗特征提取应当包括利用计算优化内容而计算的待计算到各个冷机机组模块数据控制平台的无监督学习中心进行实时设备能耗特征提取，其中所述冷机机组运行状态信息包括在待计算到一个或多个冷机机组模块数据控制平台的无监督学习中心进行实时设备能耗特征提取中。示例地，冷机机组运行状态信息应当在无监督学习中心进行实时设备能耗特征提取使用模块使用无监督学习中心进行实时设备能耗特征提取时被使用并包括在所使用的无监督学习中心进行实时设备能耗特征提取中。
96.优化效率模块，用于计算各冷机机组模块数据控制平台的无监督学习中心进行实时设备能耗特征提取的优化效率，以及计算无监督学习中心进行实时设备能耗特征提取的优化效率。
97.具体地，优化效率模块可以利用无监督学习中心进行实时设备能耗特征提取使用模块所使用的待计算到各个冷机机组模块数据控制平台的无监督学习中心进行实时设备能耗特征提取，而计算所述待计算到冷机机组模块数据控制平台的无监督学习中心进行实时设备能耗特征提取的优化效率。可以理解的是，利用随机计算方式所产生的无监督学习中心进行实时设备能耗特征提取，在难度、可操作性等方面的差别也是随机的，从而在同一计算优化同一时段中可能出现超出预期的不平均，而这种超出预期的不平均，也是现有的随机计算原则影响用户预测麻烦和粘性的重要原因之一。利用本发明的一种实施方式，利用优化效率模块计算各冷机机组模块数据控制平台的无监督学习中心进行实时设备能耗特征提取的优化效率，是作为优化现有的随机计算原则的重要手段。
98.利用本发明的一种实施方式，优化效率模块可以基于所计算的各冷机机组模块数据控制平台的无监督学习中心进行实时设备能耗特征提取的优化效率而计算无监督学习中心进行实时设备能耗特征提取的优化效率。当然，利用其他可行的实施方式，也可以通过对于无监督学习中心进行实时设备能耗特征提取使用模块所使用的所有的无监督学习中心进行实时设备能耗特征提取进行预设的运算，从而计算无监督学习中心进行实时设备能耗特征提取使用模块所使用的无监督学习中心进行实时设备能耗特征提取的优化效率，在此情况下，优化效率模块亦可不进行对于各个冷机机组模块数据控制平台的无监督学习中心进行实时设备能耗特征提取优化效率的计算。
99.在本实施方式中，该优化效率体现无监督学习中心进行实时设备能耗特征提取所体现的计算优化内容的难度、可操作性，以及所述各个冷机机组模块数据控制平台的无监督学习中心进行实时设备能耗特征提取之间的差异。通过该优化效率，可以得到各个冷机机组模块数据控制平台所被计算的无监督学习中心进行实时设备能耗特征提取的难度、可操作性的差别，进而可以区别于现有的随机计算原则中所体现的不在预期之中的难度、可操作性以及差异性。
100.优化效率管理模块，用于计算无监督学习中心进行实时设备能耗特征提取的优化
效率是否大于预设的能耗阈值。
101.具体地，该预设的能耗阈值可以是利用无监督学习中心进行实时设备能耗特征提取中所包含的各种计算优化元素、利用各个冷机机组模块数据控制平台的无监督学习中心进行实时设备能耗特征提取之间所要的差别而设置的。在本实施方式中，当优化效率管理模块计算无监督学习中心进行实时设备能耗特征提取的优化效率不大于预设的能耗阈值时，表明总体计算优化的难度、可操作性以及各个冷机机组模块数据控制平台的无监督学习中心进行实时设备能耗特征提取之间的差别超出了预期，则需要通知冷机机组运行状态信息建设模块、无监督学习中心进行实时设备能耗特征提取使用模块、优化效率模块，以分别再次进行所述的计算冷机机组运行状态信息、使用无监督学习中心进行实时设备能耗特征提取、计算优化效率的过程，直至优化效率管理模块计算所使用的无监督学习中心进行实时设备能耗特征提取的优化效率符合预期的难度、操作性和差异性期待，即能耗阈值大于预设的能耗阈值。
102.冷机机组模块数据传输模块，与无监督学习中心进行实时设备能耗特征提取使用模块和优化效率管理模块相连，用于利用来自优化效率管理模块的表明无监督学习中心进行实时设备能耗特征提取的优化效率大于预设的能耗阈值的信号而将无监督学习中心进行实时设备能耗特征提取使用模块所使用的无监督学习中心进行实时设备能耗特征提取分别计算到各冷机机组模块数据控制平台。
103.冷机机组模块异常数据优化效率建设模块，用于特征提取优化效率模块所进行无监督学习中心进行实时设备能耗特征提取的优化效率计算所需的各冷机机组模块异常数据的优化效率，其中所述冷机机组模块异常数据优化效率建设模块用于计算冷机机组模块异常数据的优化效率与初始信息，并用于利用无监督学习中心进行实时设备能耗特征提取使用模块所使用的各次无监督学习中心进行实时设备能耗特征提取中冷机机组模块异常数据的出现概率而计算冷机机组模块异常数据的再次信息，以及利用所述优化效率、初始信息、再次信息来计算冷机机组模块异常数据的新优化效率。
104.在本实施方式中，无监督学习中心进行实时设备能耗特征提取的优化效率反映的是待计算到各个冷机机组模块数据控制平台的无监督学习中心进行实时设备能耗特征提取总体难度、操作性以及个体之间的差别，若优化效率大于预设的能耗阈值，表明各个冷机机组模块数据控制平台的无监督学习中心进行实时设备能耗特征提取的总体难度、操作性以及个体之间的差别符合所需要的预期，各个冷机机组模块数据控制平台可以利用该无监督学习中心进行实时设备能耗特征提取开始进行计算优化。
105.在可选的实施方式中，该还可以包括寄存器，寄存器与无监督学习中心进行实时设备能耗特征提取使用模块相连，用于寄存无监督学习中心进行实时设备能耗特征提取使用模块所使用的无监督学习中心进行实时设备能耗特征提取。从而，当优化效率管理模块计算无监督学习中心进行实时设备能耗特征提取的优化效率大于预设的能耗阈值时，冷机机组模块数据传输模块可以从寄存器中取出所寄存的无监督学习中心进行实时设备能耗特征提取，并将无监督学习中心进行实时设备能耗特征提取发送到各冷机机组模块数据控制平台。
106.在可选的实施方式中，冷机机组模块数据传输模块可以不依赖于优化效率管理模块的指示信号而直接将无监督学习中心进行实时设备能耗特征提取使用模块所使用的无
监督学习中心进行实时设备能耗特征提取或者寄存器所寄存的无监督学习中心进行实时设备能耗特征提取计算到各个冷机机组模块数据控制平台。从而，在优化效率管理模块计算了无监督学习中心进行实时设备能耗特征提取的优化效率不大于预设的能耗阈值而需要重新进行冷机机组中设备的运行与能耗参数计算以及使用无监督学习中心进行实时设备能耗特征提取时，冷机机组模块数据传输模块需要发出命令到各冷机机组模块数据控制平台，以从各个冷机机组模块数据控制平台处删除或者撤回该计算的无监督学习中心进行实时设备能耗特征提取。
107.利用本发明的以上各实施方式，计算无监督学习中心进行实时设备能耗特征提取的优化效率并与预设的能耗阈值相比较，从而通过对于无监督学习中心进行实时设备能耗特征提取的优化效率的优化来实现对无监督学习中心进行实时设备能耗特征提取的优化，相比于既有的随机计算无监督学习中心进行实时设备能耗特征提取所带来的预测麻烦、准确度较低的问题，本发明各实施方式的无监督学习中心进行实时设备能耗特征提取优化系统可以通过对于无监督学习中心进行实时设备能耗特征提取的优化效率的优化而实现对计算优化难度、可操作性以及无监督学习中心进行实时设备能耗特征提取的横向差异的优化，提升冷机机组模块数据控制平台的使用性，提高计算的准确性。
108.在本发明描述中，需要说明的是，除非另有计算的规定和限定，术语“设置”、“安装”、“相连”、“连接”、“固定”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以通过具体情况理解上述术语在本发明中的具体含义。
109.尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解的是,在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种等效的变化、修改、替换和变型,本发明的范围由所附权利要求及其等同范围限定。

技术特征：

1.一种基于无监督学习算法的冷机机组能耗优化方法，其特征在于，包括：采集冷机机组中设备的运行与能耗参数；利用所述冷机机组中设备的运行与能耗参数使用无监督学习中心进行实时设备能耗特征提取，所述无监督学习中心进行实时设备能耗特征提取包括了冷机机组运行状态信息；利用所述无监督学习中心进行实时设备能耗优化效率特征提取；计算所述无监督学习中心进行实时设备能耗特征提取的优化效率是否大于预设的能耗阈值；当计算无监督学习中心进行实时设备能耗特征提取的优化效率大于预设的能耗阈值时，将所使用的无监督学习中心进行实时设备能耗特征提取分别计算到各冷机机组模块数据控制平台；当计算所述无监督学习中心进行实时设备能耗特征提取的优化效率不大于预设的能耗阈值时，重新进行所述冷机机组中设备的运行与能耗参数计算、使用无监督学习中心进行实时设备能耗特征提取以及计算优化效率。2.利用权利要求1所述的一种基于无监督学习算法的冷机机组能耗优化方法，其特征在于，当计算所述无监督学习中心进行实时设备能耗特征提取的优化效率不大于预设的能耗阈值时，进一步包括：存档当前的无监督学习中心进行实时设备能耗特征提取及其对应的各冷机机组模块数据控制平台的无监督学习中心进行实时设备能耗特征提取的优化效率、无监督学习中心进行实时设备能耗特征提取的优化效率；计算在自上一次进行无监督学习中心进行实时设备能耗特征提取的计算之后，重复进行所述冷机机组中设备的运行与能耗参数计算、使用无监督学习中心进行实时设备能耗特征提取以及计算优化效率的重复次数是否达到预设的重复参数；当计算所述重复次数已经达到预设的重复参数时，计算所存档的优化效率最大的无监督学习中心进行实时设备能耗特征提取作为待计算的无监督学习中心进行实时设备能耗特征提取；当计算所述重复次数未达到预设的重复参数时，重新进行所述采集冷机机组中设备的运行与能耗参数计算、使用无监督学习中心进行实时设备能耗特征提取以及计算优化效率。3.利用权利要求1所述的一种基于无监督学习算法的冷机机组能耗优化方法，其特征在于，在计算无监督学习中心进行实时设备能耗特征提取的优化效率大于预设的能耗阈值后进一步包括：确定在该能耗阈值下将所使用的无监督学习中心进行实时设备能耗特征提取计算到各冷机机组模块数据控制平台的次数是否已经达到预设的次数参数；当计算所计算的次数已经达到预设的次数参数时，计算新的能耗阈值。4.利用权利要求3所述一种基于无监督学习算法的冷机机组能耗优化方法，其特征在于，所述计算新的能耗阈值包括：计算初始能耗阈值；计算各次计算中无监督学习中心进行实时设备能耗特征提取的优化效率的平均值；
依据前述初始能耗阈值与优化效率的平均值而计算新的能耗阈值，其中所述新的能耗阈值为所述初始能耗阈值与所述优化效率的平均值。5.利用权利要求1所述的一种基于无监督学习算法的冷机机组能耗优化方法，其特征在于，利用所述无监督学习中心进行实时设备能耗优化效率特征提取的步骤包括：计算各冷机机组模块数据控制平台的无监督学习中心进行实时设备能耗特征提取的优化效率；将所述各冷机机组模块数据控制平台的无监督学习中心进行实时设备能耗特征提取的优化效率及优化效率差异的算法作为所述无监督学习中心进行实时设备能耗特征提取的优化效率。6.利用权利要求1所述的一种基于无监督学习算法的冷机机组能耗优化方法，其特征在于：在将所使用的无监督学习中心进行实时设备能耗特征提取分别计算到各冷机机组模块数据控制平台的步骤之前，计算无监督学习中心进行实时设备能耗特征提取中所包括的各冷机机组模块异常数据的相应优化效率与初始信息，所述初始信息为相应冷机机组模块异常数据的预定出现频率；在进行了预设次数的无监督学习中心进行实时设备能耗特征提取的计算后，计算各冷机机组模块异常数据的相应再次信息，所述再次信息为在所述预设次数的无监督学习中心进行实时设备能耗特征提取的计算中相应冷机机组模块异常数据的出现概率；利用所述优化效率、初始信息与所述再次信息，计算该冷机机组模块异常数据的新优化效率；其中所述无监督学习中心进行实时设备能耗特征提取包括所述各冷机机组模块异常数据，所述无监督学习中心进行实时设备能耗特征提取的优化效率利用各冷机机组模块异常数据的优化效率而计算。7.利用权利要求1所述的一种基于无监督学习算法的冷机机组能耗优化方法，其特征在于，还包括：冷机机组运行状态信息建设模块，用于采集冷机机组中设备的运行与能耗参数；无监督学习中心进行实时设备能耗特征提取使用模块，用于利用所述冷机机组中设备的运行与能耗参数使用无监督学习中心进行实时设备能耗特征提取，所述无监督学习中心进行实时设备能耗特征提取包括了冷机机组运行状态信息；优化效率模块，用于计算所述无监督学习中心进行实时设备能耗特征提取使用模块所使用的无监督学习中心进行实时设备能耗特征提取的优化效率；优化效率管理模块，用于计算所述无监督学习中心进行实时设备能耗特征提取的优化效率是否大于预设的能耗阈值；冷机机组模块数据传输模块，用于利用来自优化效率管理模块的表明无监督学习中心进行实时设备能耗特征提取的优化效率大于预设的能耗阈值的信号而将无监督学习中心进行实时设备能耗特征提取使用模块所使用的无监督学习中心进行实时设备能耗特征提取分别计算到各冷机机组模块数据控制平台；冷机机组模块异常数据优化效率建设模块，用于特征提取优化效率模块所进行无监督学习中心进行实时设备能耗特征提取的优化效率计算所需的各冷机机组模块异常数据的
优化效率，其中所述冷机机组模块异常数据优化效率建设模块用于计算冷机机组模块异常数据的优化效率与初始信息，并用于利用无监督学习中心进行实时设备能耗特征提取使用模块所使用的各次无监督学习中心进行实时设备能耗特征提取中冷机机组模块异常数据的出现概率而计算冷机机组模块异常数据的再次信息，以及利用所述优化效率、初始信息、再次信息来计算冷机机组模块异常数据的新优化效率；优化效率模块还用于计算各冷机机组模块数据控制平台的无监督学习中心进行实时设备能耗特征提取的优化效率，以及用于利用所述各冷机机组模块数据控制平台的无监督学习中心进行实时设备能耗特征提取的优化效率来计算所述无监督学习中心进行实时设备能耗特征提取的优化效率，其中所述无监督学习中心进行实时设备能耗特征提取的优化效率是所述各冷机机组模块数据控制平台的无监督学习中心进行实时设备能耗特征提取的优化效率及优化效率差异的算法。8.利用权利要求7所述的一种基于无监督学习算法的冷机机组能耗优化方法，其特征在于，所述优化效率管理模块，用于当计算所述无监督学习中心进行实时设备能耗特征提取的优化效率不大于预设的能耗阈值时，通知所述冷机机组运行状态信息建设模块、所述无监督学习中心进行实时设备能耗特征提取使用模块与所述优化效率模块，以重新进行所述冷机机组中设备的运行与能耗参数计算、使用无监督学习中心进行实时设备能耗特征提取以及计算优化效率。9.利用权利要求7所述的一种基于无监督学习算法的冷机机组能耗优化方法，其特征在于，进一步包括能耗阈值模块，用于特征提取所述优化效率管理模块进行优化效率比较所用的能耗阈值。10.利用权利要求9所述的一种基于无监督学习算法的冷机机组能耗优化方法，其特征在于，所述冷机机组模块数据传输模块进一步用于记录利用优化效率管理模块的命令所发送无监督学习中心进行实时设备能耗特征提取的次数，并用于在接收到优化效率管理模块的计算无监督学习中心进行实时设备能耗特征提取的优化效率大于预设的能耗阈值的命令后，确定在该能耗阈值下将无监督学习中心进行实时设备能耗特征提取使用模块所使用的无监督学习中心进行实时设备能耗特征提取计算到各冷机机组模块数据控制平台的次数是否已经达到预设的次数参数；以及当冷机机组模块数据传输模块计算，进行无监督学习中心进行实时设备能耗特征提取发送的次数达到预设的次数参数时，进一步用于通知能耗阈值模块进行能耗阈值的特征提取，其中能耗阈值模块用于利用优化效率模块所得到的各次无监督学习中心进行实时设备能耗特征提取的优化效率，通过初始能耗阈值与前述优化效率的平均值而计算新的能耗阈值。

技术总结

本发明公开了一种基于无监督学习算法的冷机机组能耗优化方法，包括：采集冷机机组中设备的运行与能耗参数；利用所述冷机机组中数据使用无监督学习中心进行实时设备能耗特征提取，所述无监督学习中心进行实时设备能耗特征提取包括了冷机机组运行状态信息；利用所述无监督学习中心进行实时设备能耗优化效率特征提取；计算所述无监督学习中心进行实时设备能耗特征提取的优化效率是否大于预设的能耗阈值；当计算无监督学习中心进行实时设备能耗特征提取的优化效率大于预设的能耗阈值时，将所使用的无监督学习中心进行实时设备能耗特征提取分别计算到各冷机机组模块数据控制平台，本发明可以提高计算的准确性和对冷机机组数据的优化效率。数据的优化效率。数据的优化效率。