The invention discloses a ISOA LSSVM subway station air conditioning system energy consumption prediction method, including: obtaining based on training data, the data were normalized, using the improved group search algorithm for least squares support vector machine for parameter optimization, prediction model; acquisition of real time measurement data standardization, input to the forecasting model forecast, finally the inverse standard output forecast consumption value. The invention realizes the ISOA LSSVM subway station air conditioning system energy consumption prediction method, which improved the population search algorithm using Gauss membership function fuzzy variable step search, reduces the number of iterations, increase the prediction accuracy of the model; pre movement direction by using the individual optimal fitness value and the individual fitness value comparison, can be a good representative of the individual pre movement behavior, and improve the iteration speed.
【技术实现步骤摘要】
一种基于ISOA-LSSVM的地铁站空调系统能耗预测方法
本专利技术属于暖通空调能耗建模领域,尤其涉及在地铁站空调系统中应用基于ISOA-LSSVM的地铁站空调系统能耗预测方法,用于预测短时间段内的能耗值。
技术介绍
地铁站通风空调系统是整个地铁系统的能耗大户,占比为30%-50%。因此,目前空调系统的运行要在温度、湿度等各项指标达到控制要求的同时降低系统的运行能耗。然而,由于空调系统中影响能耗的因素众多,并且各因素之间的关系复杂,系统呈现大滞后性,能耗模型很难建立准确,因此对地铁站空调系统,建立出精确的能耗预测模型是节能运行和优化控制的基础和前提。目前对于空调能耗常用的预测算法有时间序列算法、人工神经网络和支持向量回归机算法等。比如,何厚建等利用神经网络方法辨识中央空调系统的静态模型。赵廷法等人用回归的方法对VAV中央空调建能耗模型;Ioan等人利用最小二乘回归的方法,建立控制变量(冷却水温度、室内温度)和非控制变量(太阳热辐射、室外温度)跟能耗的表达式。Hyun等人利用改进的实数编码的遗传算法(GA)算法优化的最小二乘支持向量机(LSSVM)对建筑的能耗进行预测,但是计算速度偏慢。以上的研究虽然都取得了一定的成果,但是大多针对中央空调的研究,而地铁站空调系统有其独有的特点,因此迫切需要对地铁站空调系统的能耗模型研究。LSSVM算法相对于神经网络来说,需要确定的参数较少,模型的泛化能力强,不宜陷入局部最小值。近些年一些智能优化算法应用到LSSVM中,为了解决传统LSSVM中的网格搜索算法速度慢的问题,其中人群搜索算法是相对较优的一种新型智能算法,但是其在 ...
【技术保护点】
一种基于ISOA‑LSSVM的地铁站空调系统能耗预测方法,其特征在于,包含以下步骤:步骤(1):获取训练数据采集地铁站空调系统运行中实时测得的能耗相关变量和下一时段的能耗变量形成训练数据,数据采样表示形式如下:X=(x
【技术特征摘要】
1.一种基于ISOA-LSSVM的地铁站空调系统能耗预测方法,其特征在于,包含以下步骤:步骤(1):获取训练数据采集地铁站空调系统运行中实时测得的能耗相关变量和下一时段的能耗变量形成训练数据,数据采样表示形式如下:X=(x1,x2,...,xn)(1)Y=(y1)(2)其中,x1,x2,...,xn表示系统运行过程中在线可实时测量的n个测量变量,包括当前的时刻、送风温度设定值、回风温度设定值、冷机出水温度、室外温度,当前时刻的送风温度、回风温度、当前一个确定时段的能耗;y1表示空调系统运行过程中下一时段所测量的能耗变量,经过多次采样形成建模数据集D={(Xjn,Yj)},j=1,2,L,p,其中p表示样本个数;n表示模型输入变量的维数;步骤(2):归一标准化处理将采集的输入数据集Xpn和输出数据集Yp进行归一化,处理后的数据为Xg,pn=(xg1,xg2,...,xgn)和Yg,p=(yg);式(3)-(4)中,xi,min和xi,max分别为X中xi的最小最大值,ymin和ymax分别为Y中y1的最小最大值,xgi、xi、yg为p维列向量,i=1,2,…,n;步骤(3):初始化人群搜索算法SOA和最小二乘支持向量机LSSVM的参数;步骤(4):根据上一步确定的种群寻优范围,随机产生SOA中的初始种群Swarm(i,:)=[γi,σi],i=1,2,L,s,根据式(5)-(7),每一个种群对应一个LSSVM模型,因此建立s个初始的LSSVM模型,每个模型建立方法如下:式(5)-(7)中,Xg,j*n为第j个样本的输入向量,Xg,n*为建模输入数据集中每个测量点的均值组成的行向量,K(Xg,j*n,Xg,n*)为高斯核函数,σ为高斯核参数,γ为正则化参数,aj为LSSVM中的拉格朗日乘子,a=[a1,a2,L,ap]T,b为一个偏置数,y=[Yg,1,Yg,2,L,Yg,p]T,1p*1=[1,1,L,1]T为p维列向量,I为p×p的单位矩阵,计算每一个模型的适应度值,适应度值由模型预测的平均相对误差来计算,计算公式为式(8):式中,Yg,j为第j个样本值;为第j个样本的模型输出值,由预测模型计算获得,适应度函数F为LSSVM中正则化参数γ和核参数σ的函数,步骤(5):利用改进的人群搜索算法ISOA进行迭代寻优,建立新的LSSVM预测模型,步骤(6):在线测量和处理数据,具体步骤为:步骤(6.1):在线采集新的测量数据Xnew;步骤(6.2):将采集到的新数据Xnew进行标准化得到Xgnew;步骤(7):将Xgnew输入到已建立好的LSSVM模型中,得到预测输出Ygnew;步骤(8):将Ygnew进行逆标准化,得到预测值Ynew,逆标准化的具体公式为式(19):Ynew=ymin+Ygnew·(ymax-ymin)(19)步骤(9):若预测过程还需继续,则重复步骤(6)至(8)。2.如权利要求1所述的基于ISOA-LSSVM的地铁站空调系统能耗预测方法,其特征在于,步骤(5)为:令迭代次数t=1,具体...
【专利技术属性】
技术研发人员:王普,武翠霞,高学金,付龙晓,
申请(专利权)人:北京工业大学,
类型:发明
国别省市:北京,11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。