一种空调冷负荷预测优化方法、系统技术方案

本发明专利技术公开了一种空调冷负荷预测优化方法、系统及设备，包括获取空调冷负荷的影响构成要素数据，确定空调冷负荷的主要影响指标数据；采用空调冷负荷的主要影响指标数据，对极限学习机网络进行训练优化；其中，训练优化过程，采用鲸鱼优化算法对极限学习机的权重参数及阈值参数进行寻优，得到优化后的极限学习机；采集空调冷负荷主要影响指标数据，输入至优化后的极限学习机中，输出得到空调冷负荷预测优化结果；本发明专利技术采用主要影响指标数据对极限学习机进行训练优化，降低了改进极限学习机输入变量的维度，提高了收敛速度，节约了运算成本；将鲸鱼优化算法与极限学习机结合，降低了极限学习机空调冷负荷预测的均方误差，有效提升了预测性能。提升了预测性能。

【技术实现步骤摘要】
一种空调冷负荷预测优化方法、系统


[0001]本专利技术属于空调
，特别涉及一种空调冷负荷预测优化方法、系统及设备。

技术介绍

[0002]近年来，随着城市化建设的崛起，伴随着建筑能耗的迅速上升，降低建筑能耗对于缓解电网压力发挥着举足轻重的作用；空调的供热系统和供冷系统的能耗占到建筑能耗的30％
‑
40％；提高空调的能源利用率，减少资源的浪费是响应绿色节能发展的重要环节；由于空调冷负荷预测的研究为优化空调的运行效率提供了有效的数据支撑，因此研究建筑能耗机理和规律，建立准确、有效的空调冷负荷预测模型便具有十分重要的现实意义；负荷预测在学术和实际应用方面有着十分广泛的应用价值，吸引了许多研究人员目光，尤其是中短期负荷预测；空调负荷数据在全生命周期中具有弱平稳序列和线性自相关较强的特征，同时它也是非常敏感的，易受到其他随机因素的影响，如日光辐射、室外空气温度及室外风速等。
[0003]目前，神经网络预测模型已经能够有效的应用于空调负荷预测中，能够满足实际应用需求；但之前的研究主要是强调室外气相参数对空调负荷的影响，缺乏建筑本体特征、人员流动、用电设备以及历史负荷等对建筑冷负荷的综合影响性分析，导致预测模型输入变量与输出之间相关性差，冗余度高，并不能很好的适用于大型商业建筑冷负荷预测；极限学习机在模型训练时，由于输入层及隐含层的输入权重和隐含层阈值是随机生成的，网络性能会受到影响，从而会使预测模型泛化能力差，预测结果不稳定。

技术实现思路

[0004]近年来，随着城市化建设的崛起，伴随着建筑能耗的迅速上升，降低建筑能耗对于缓解电网压力发挥着举足轻重的作用；空调的供热系统和供冷系统的能耗占到建筑能耗的30％
‑
40％；提高空调的能源利用率，减少资源的浪费是响应绿色节能发展的重要环节；由于空调冷负荷预测的研究为优化空调的运行效率提供了有效的数据支撑，因此研究建筑能耗机理和规律，建立准确、有效的空调冷负荷预测模型便具有十分重要的现实意义；负荷预测在学术和实际应用方面有着十分广泛的应用价值，吸引了许多研究人员目光，尤其是中短期负荷预测；空调负荷数据在全生命周期中具有弱平稳序列和线性自相关较强的特征，同时它也是非常敏感的，易受到其他随机因素的影响，如日光辐射、室外空气温度及室外风速等。
[0005]目前，神经网络预测模型已经能够有效的应用于空调负荷预测中，能够满足实际应用需求；但之前的研究主要是强调室外气相参数对空调负荷的影响，缺乏建筑本体特征、人员流动、用电设备以及历史负荷等对建筑冷负荷的综合影响性分析，导致预测模型输入变量与输出之间相关性差，冗余度高，并不能很好的适用于大型商业建筑冷负荷预测；极限学习机在模型训练时，由于输入层及隐含层的输入权重和隐含层阈值是随机生成的，网络性能会受到影响，从而会使预测模型泛化能力差，预测结果不稳定。
具体实施方式
[0006]为了使本专利技术所解决的技术问题，技术方案及有益效果更加清楚明白，以下具体实施例，对本专利技术进行进一步的详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。
[0007]本专利技术提供了一种空调冷负荷预测优化方法，包括以下步骤：步骤1、获取空调冷负荷的影响构成要素数据；其中，空调冷负荷的影响构成要素数据包括建筑物室内温度、CO2浓度、水平面总辐射、室外空气温度、相对湿度、湿球温度和风速；采用随机森林算法对空调冷负荷的影响构成要素数据进行预处理，得到空调冷负荷的主要影响指标数据。
[0008]采用随机森林算法对空调冷负荷的影响构成要素数据进行预处理过程，具体如下：采用单变量选择方式，对空调冷负荷的影响构成要素数据进行选取；将每种空调冷负荷的影响构成要素数据分别与空调冷负荷值建立随机森林模型；以决定系数作为随机森林模型的评价指标；其中，决定系数为空调冷负荷影响因素对于空调冷负荷值的影响程度；采用5折交叉验证的模型训练方式对随机森林模型进行训练，筛选得到空调冷负荷的主要影响指标数据。
[0009]步骤2、采用空调冷负荷的主要影响指标数据，对极限学习机网络进行训练优化；其中，训练优化过程，采用鲸鱼优化算法对极限学习机的权重参数及阈值参数进行寻优，得到优化后的极限学习机；具体过程如下：设置极限学习机预测精度参数，并确定极限学习机预测精度参数范围；其中，极限学习机预测精度参数包括输入权值参数及隐藏层阈值参数；其中，将输入权值参数设置为
‑
1到1范围内的随机数；隐藏层阈值参数设置为0到1范围内的随机数。
[0010]根据极限学习机预测精度参数范围，设置鲸鱼优化算法影响参数的寻优范围；鲸鱼优化算法影响参数包括种群规模、最大迭代次数及鲸鱼种群位置的上限与下限；鲸鱼优化算法的适应度函数为均方误差。
[0011]利用空调冷负荷的主要影响指标数据及鲸鱼种群信息，得到极限学习机的预测值；并根据极限学习机的预测值，计算所有个体的适应度值，选择当前最优适应度个体，并设置该个体的位置为当前最优；利用鲸鱼优化算法的收缩包围机制、螺旋更新位置机制及探索机制，对个体位置进行迭代更新；每次迭代更新后，将优化后的预测精度参数传递至极限学习机；判断迭代循环次数是否达到预设值，若是，则停止对预测精度参数的寻优，得到极限学习机的最优权重参数及阈值参数；若非，则继续迭代更新；本专利技术中，利用鲸鱼优化算法的收缩包围机制、螺旋更新位置机制及探索机制，对个体位置进行迭代更新过程，若t<Tmax，则对输入权值与隐藏层阈值进行更新；当随机变量p<0 .5时，若系数向量|A|≥1，鲸鱼将会放弃猎物并重新进行搜寻；若系数向量|A|<1，鲸鱼将进攻猎物；当随机变量p≥0 .5时，对个体位置进行螺旋更新。
[0012]步骤3、采集空调冷负荷主要影响指标数据，输入至优化后的极限学习机中，输出得到空调冷负荷预测优化结果。
[0013]本专利技术还提供了一种空调冷负荷预测优化系统，包括影响指标数据模块、模型优化模块及输出模块；影响指标数据模块，用于获取空调冷负荷的影响构成要素数据，确定空调冷负荷的主要影响指标数据；模型优化模块，用于采用空调冷负荷的主要影响指标数据，对极限学习机网络进行训练优化；其中，训练优化过程，采用鲸鱼优化算法对极限学习机的权重参数及阈值参数进行寻优，得到优化后的极限学习机；输出模块，用于采集空调冷负荷主要影响指标数据，输入至优化后的极限学习机中，输出得到空调冷负荷预测优化结果。
[0014]本专利技术还提供了一种空调冷负荷预测优化设备，包括处理器、存储器及存储在所述存储器中并可在所述处理器上运行的计算机程序。所述处理器所述处理器执行所述计算机程序时实现上述空调冷负荷预测优化方法中的步骤。或者，所述处理器执行所述计算机程序时实现上述空调冷负荷预测优化设备中各模块的功能。
[0015]示例性的，所述计算机程序可以被分割成一个或多个模块，所述一个或者多个模块被存储在所述存储器中，并由所述处理器执行，以完成本专利技术。所述一个或多个模块可以是能够本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种空调冷负荷预测优化方法，其特征在于，包括以下步骤：获取空调冷负荷的影响构成要素数据，确定空调冷负荷的主要影响指标数据；采用空调冷负荷的主要影响指标数据，对极限学习机网络进行训练优化；其中，训练优化过程，采用鲸鱼优化算法对极限学习机的权重参数及阈值参数进行寻优，得到优化后的极限学习机；采集空调冷负荷主要影响指标数据，输入至优化后的极限学习机中，输出得到空调冷负荷预测优化结果。2.根据权利要求1所述的一种空调冷负荷预测优化方法，其特征在于，空调冷负荷的影响构成要素数据包括建筑物室内温度、CO2浓度、水平面总辐射、室外空气温度、相对湿度、湿球温度和风速。3.根据权利要求1所述的一种空调冷负荷预测优化方法，其特征在于，确定空调冷负荷的主要影响指标数据的过程，具体为：采用随机森林算法对空调冷负荷的影响构成要素数据进行预处理，得到空调冷负荷的主要影响指标数据。4.根据权利要求3所述的一种空调冷负荷预测优化方法，其特征在于，采用随机森林算法对空调冷负荷的影响构成要素数据进行预处理过程，具体如下：采用单变量选择方式，对空调冷负荷的影响构成要素数据进行选取；将每种空调冷负荷的影响构成要素数据分别与空调冷负荷值建立随机森林模型；以决定系数作为随机森林模型的评价指标；其中，决定系数为空调冷负荷影响因素对于空调冷负荷值的影响程度；采用5折交叉验证的模型训练方式对随机森林模型进行训练，筛选得到空调冷负荷的主要影响指标数据。5.根据权利要求1所述的一种空调冷负荷预测优化方法，其特征在于，采用鲸鱼算法对极限学习机的权重参数及阈值参数进行寻优，具体如下：设置极限学习机预测精度参数，并确定极限学习机预测精度参数...

【专利技术属性】
技术研发人员：段飞，
申请(专利权)人：济中能源技术服务上海有限公司，
类型：发明
国别省市：