一种一体水冷式中央空调冷负荷预测方法及装置制造方法及图纸

本发明专利技术公开了一种一体水冷式中央空调冷负荷预测方法，包括采集空调系统数据，包括温度、湿度、风速、太阳辐射、MES生产数据和空调历史负荷；对采集到的数据进行灰色关联度分析，并结合工程实际，选定灰色关联度较高的数据作为系统的输入变量，对样本数据进行归一化处理，建立新的数据集；基于获得的数据集，采用极限学习机建立负荷预测的模型；通过经验公式及试凑法确定隐层节点的数量，利用野狗优化算法对负荷预测模型权值及阈值参数进行寻优，并通过GA算法的变异机制对DOA_ELM迭代后的最优种群进行变异，形成DOA_GA_ELM算法，增加种群多样性。样性。样性。

【技术实现步骤摘要】
一种一体水冷式中央空调冷负荷预测方法及装置


[0001]本专利技术涉及空调控制
，特别是一种一体水冷式中央空调冷负荷预测方法及装置。

技术介绍

[0002]目前中央空调领域大多采用传统人工管理的分体水冷式空调，占地面积大，效率低，不能实现冷热源系统在满足末端需求变动的前提下自由快速调节，且调节滞后性非常严重，类似PID等，空调系统属于大滞后、建模复杂的系统，控制的滞后性导致能源的浪费。现如今中央空调系统大部分工作在部分负荷下，势必会造成能源的严重浪费。所以，提前并精准的对空调需求侧负荷进行预测，对空调控制部分的优化起了关键作用。可以提前调整控制参数以应对需求侧负荷的变化。
[0003]随着计算机性能的增强，机器学习的发展，大量的研究人员将机器学习引入了工控领域，利用机器学习强大的数据处理及归纳能力，为工控领域特别是空调的负荷预测，带来了新的技术解决方案。较多学者引入了BP神经网络用于电力负荷的预测，空调负荷的预测，但由于BP神经网络训练速度慢，易陷入局部最优的缺点不可避免。支持向量机用于空调负荷预测存在调试参数过多，建模复杂。由黄广斌教授提出的极限学习机，以较快的计算速度，且输入权值及阈值可自动随机产生，只需设定隐层节点，即可完成模型的建立。极限学习机(ELM)是一种单隐层前向神经网络，其学习速度快且泛化能力强。被应用在了较多行业，例如煤炭行业、金属成分、电池的寿命预测等行业，取得了较好的效果。
[0004]中国专利申请CN202010482512.1公开了一种Q420C级热轧角钢及其基于机器学习的制备方法，该专利技术提出了一种基于GRA
‑
ELM的角钢成分识别及分析方法，通过GRA对出入数据的成分进行识别，ELM对元素的成分进行优化。但没有给出极限学习机(ELM)的隐层节点数量选取方法，不能明确是否为最佳节点，效果未做横向对比。
[0005]中国专利申请CN201410209777.9公开了基于BP神经网络的中央空调冷负荷的预测方法，通过试验选择了预测时刻、室外温度、湿度、室内温度、室内人数及逐时冷负荷，建立BP神经网络对中央空调冷负荷进行预测，但神经网络预测易陷入局部最优。
[0006]中国专利申请CN201910539184.1公开了一种基于PSO
‑
BP与Markov链相结合的空调冷负荷动态预测方法，通过灰色关联度对选定的10个输入变量做关联度分析后，选出关联度高于0.8的输入量，作为负荷预测的输入。大量选取了不同时刻的温度及湿度值作为输入，在实际工程中，数据量较大且难以处理。

技术实现思路

[0007]本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围。
[0008]鉴于上述和/或现有的中央空调系统中存在的问题，提出了本专利技术。
[0009]因此，本专利技术所要解决的问题在于如何预测空调负荷。
[0010]为解决上述技术问题，本专利技术提供如下技术方案：
[0011]第一方面，本专利技术实施例提供了一种一体水冷式中央空调冷负荷预测方法，其包括，
[0012]采集空调系统数据，包括温度、湿度、风速、太阳辐射和制造执行系统(MES)生产数据，空调历史负荷；
[0013]对采集到的数据进行灰色关联度(GRA)分析，通过负荷计算并结合工程实际，选定灰色关联度较高的数据作为输入变量，对样本数据进行归一化处理，建立新的数据集；
[0014]基于获得的所述数据集，采用极限学习机(ELM)建立负荷预测模型；
[0015]通过经验公式及试凑法确定隐层节点的数量，利用野狗优化算法(DOA)对所述负荷预测模型的输入权值及阈值进行寻优，建立DOA_ELM负荷预测模型，并引入遗传算法(GA)的变异机制，对DOA_ELM迭代后的最优种群进行变异，形成DOA_GA_ELM模型，增加种群多样性。
[0016]作为本专利技术所述一体水冷式中央空调冷负荷预测方法的一种优选方案，其中：所述对采集到的数据进行灰色关联度(GRA)分析，通过负荷计算并结合工程实际，选定灰色关联度较高的数据作为输入变量，对样本数据进行归一化处理，建立新的数据集包括，
[0017]对采集的数据进行划分，确定比较数据列和参考数据列；
[0018]对获得的数据列进行无量纲处理；
[0019]通过灰色关联度分析，选定灰色关联度较高的数据作为输入变量；
[0020]将得到的数据划分为测试集和训练集，并进行归一化处理，重新组建数据集。
[0021]作为本专利技术所述一体水冷式中央空调冷负荷预测方法的一种优选方案，其中：所述通过灰色关联度分析，选定灰色关联度较高的数据作为输入变量包括，
[0022]对于一个参考数据列X0和比较数据列X
i
：
[0023][0024]其中X
i
为比较数据列，m为特征样本的数量，n为每个样本的构成数量；
[0025]通过ξ
i
(k)表示各被比较对象与参考对象之间的关联程度，ξ
i
(k)为X
i
对X0关于k指标的关联系数：
[0026][0027]其中ζ为分辨系数，ζ∈[0,1]；
[0028]第i个评价对象的绝对关联度为：
[0029]将r
1 r2...r
i
按照大小进行比较，选定关联度较高的数据作为输入变量。
[0030]作为本专利技术所述一体水冷式中央空调冷负荷预测方法的一种优选方案，其中：所述利用极限学习机建立负荷预测模型包括，
[0031]对于任意N个样本(X
i
,t
i
)，其中X
i
＝[x
i1
,x
i2
…
,x
in
]T
∈R
n
，t
i
＝[t
i1
,t
i2
,
…
t
im
]T
∈R
m
；
[0032]具有N～个隐层节点和激活函数的神经网络数学建模为：
[0033][0034]其中w
i
＝[w
i1
,w
i2
,...,w
in
]T
是连接第i个隐层节点和输入节点的权重向量，β
i
＝[β
i1
,β
i2
,...,β
im
]T
是连接第i个隐层节点和输出节点的权重向量，b
i
是第i个隐层节点的阈值，w
i
·
X
j
表示w
i
和X
j
的内积，g本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种一体水冷式中央空调冷负荷预测方法，其特征在于：包括，采集空调系统数据，包括温度、湿度、风速、太阳辐射、制造执行系统(MES)生产数据和空调历史负荷；对采集到的数据进行灰色关联度(GRA)分析，通过负荷计算并结合工程实际，选定灰色关联度较高的数据作为输入变量，对样本数据进行归一化处理，建立新的数据集；基于获得的所述数据集，采用极限学习机(ELM)建立负荷预测模型；通过经验公式及试凑法确定隐层节点的数量，利用野狗优化算法(DOA)对所述负荷预测模型的输入权值及阈值进行寻优，建立DOA_ELM负荷预测模型，并引入遗传算法(GA)的变异机制，对DOA_ELM迭代后的最优种群进行变异，增加种群多样性。2.如权利要求1所述的一体水冷式中央空调冷负荷预测方法，其特征在于：所述对采集到的数据进行灰色关联度(GRA)分析，通过负荷计算并结合工程实际，选定灰色关联度较高的数据作为输入变量，对样本数据进行归一化处理，建立新的数据集包括，对采集的数据进行划分，确定比较数据列和参考数据列；对获得的数据列进行无量纲处理；通过灰色关联度分析，选定灰色关联度较高的数据作为输入变量；将得到的数据划分为测试集和训练集，并进行归一化处理，重新组建数据集。3.如权利要求3所述的一体水冷式中央空调冷负荷预测方法，其特征在于：所述通过灰色关联度分析，选定灰色关联度较高的数据作为输入变量包括，对于一个参考数据列X0和比较数据列X
i
：其中X
i
为比较数据列，m为特征样本的数量，n为每个样本的构成数量；通过ξ
i
(k)表示各被比较对象与参考对象之间的关联程度，ξ
i
(k)为X
i
对X0关于k指标的关联系数：其中ζ为分辨系数，ζ∈[0,1]；第i个评价对象的绝对关联度为：将r
1 r
2 ... r
i
按照大小进行比较，选定关联度较高的数据作为输入变量。4.如权利要求3所述的一体水冷式中央空调冷负荷预测方法，其特征在于：所述利用极限学习机建立负荷预测模型包括，对于任意N个样本(X
i
,t
i
)，其中X
i
＝[x
i1
,x
i2
…
,x
in
]
T
∈R
n
，t
i
＝[t
i1
,t
i2
,
…
t
im
]
T
∈R
m
；具有N～个隐层节点和激活函数的SLFNs数学建模为：
其中w
i
＝[w
i1
,w
i2
,...,w
in
]
T
是连接第i个隐层节点和输入节点的权重向量，β
i
＝[β
i1
,β
i2
,...,β
im
]
T
是连接第i个隐层节点和输出节点的权重向量，b
i
是第i个隐层节点的阈值，w
i
·
X
j
表示w
i
和X
j
的内积，g(x)为激活函数；随机...

【专利技术属性】
技术研发人员：代广超，吴维敏，
申请(专利权)人：浙江大学，
类型：发明
国别省市：