一种基于协变量与制造技术

本发明专利技术涉及一种基于协变量与

【技术实现步骤摘要】
一种基于协变量与mRMR
‑
IMFO
‑
SVR的制冷系统能耗预测方法


[0001]本专利技术提供一种基于协变量与
mRMR
‑
IMFO
‑
SVR
的制冷系统能耗预测方法，属于机器学习算法

。

技术介绍

[0002]随着制冷系统在各行各业的广泛应用，制冷系统面临的能耗问题愈发凸显
。
由于制冷与设备散热
、
设备配置
、
机房环境，大气条件
、
货物属性相互关联，在运维制冷系统达到一定的成熟度后，如果单纯凭借硬件节能或者基于人工经验的简单调优，都已经无法满足能耗进一步降低的要求
。
[0003]目前，现有的制冷系统能耗预测主要是回归模型，其回归分析的公式和该公式采用何种表达关系需要通过人们的经验进行认为假定，这就使得预测精度相对较低，在节能优化领域的使用受到限制，并且现有的制冷系统能耗预测模型通常仅考虑内部因素影响，如制冷系统压缩系统的排气压力和吸气压力，实际上制冷系统能耗还与外部温度环境关系密切，因此，建立一套以历史数据为基础的结合天气预报温度数据的能耗预测系统来预测制冷系统的能耗将有效提高预测精度
。

技术实现思路

[0004]针对现有技术的不足，本专利技术旨在提供一种对数据集的需求少
、
预测精度高的基于协变量与
mRMR
‑
IMFO
‑
SVR/>的制冷系统能耗预测方法
。
[0005]本专利技术采用如下技术方案：
[0006]一种基于协变量与
mRMR
‑
IMFO
‑
SVR
的制冷系统能耗预测方法，包括如下步骤：
[0007]步骤1：获取制冷系统的各项原始数据，采用最大相关与最小冗余
(mRMR)
方法提取制冷系统能耗的关键特征，进行数据预处理；
[0008]步骤2：改进飞蛾扑火算法
(MFO)
；
[0009]步骤3：结合历史天气预报温度协变量，基于改进的飞蛾扑火算法
(IMFO)
优化支持向量回归
(SVR)
参数
(C
，
γ
)
；
[0010]步骤4：将
IMFO
算法的最优解作为支持向量回归
(SVR)
参数
(C
，
γ
)
，得到能耗预测模型；
[0011]步骤5：基于制冷系统能耗的关键特征，将样本数据及其对应的天气预报温度数据输入训练好的
SVR
预测模型进行测试，输出测试结果，即制冷系统能耗预测结果
。
[0012]优选的，步骤1中制冷系统共四个冷间，三台压缩机，原始数据是指每隔
15
分钟记录的压缩系统压力
、
冷间温度
、
本时间段内消耗的系统总电量以及开关明细等各类运行数据
。
[0013]优选的，步骤1中，采用最大相关与最小冗余
(mRMR)
方法提取制冷系统能耗的关键特征的过程为：
[0014]互信息是两个随机变量之间相互依赖程度的度量，表示为
I(X
，
Y)
：
[0015][0016]式中，
X
，
Y
为随机变量，
I
为两个变量之间互信息计算函数，
p
为概率密度函数；
[0017]计算制冷系统能耗与所有影响因素之间以及影响因素互相之间的互信息：
[0018][0019][0020]式中，
E
为系统能耗，
Z
i
，
Z
j
为能耗影响因素；
[0021]最大相关计算原则：
[0022][0023]式中，
D(S,E)
为最大相关计算值；
S
为目标特征集，
|S|
为集合
S
中特征数量；
[0024]最小冗余计算原则：
[0025][0026]式中，
N(S)
为最小冗余计算值；
[0027]整合最大相关性与最小冗余：
[0028]mRMR
＝
max(D(S,E)
‑
N(S))。
[0029]本专利技术采用最大相关与最小冗余
(mRMR)
方法提取制冷系统能耗的关键特征，其好处在于：
[0030]1.
提高特征选择的效果：
mRMR
方法能够同时考虑特征之间的相关性和冗余性，通过选择具有最大相关性和最小冗余性的特征，可以更准确地表示制冷系统能耗的关键特征
。
[0031]2.
减少特征维度：通过选择最相关的特征，
mRMR
方法可以减少特征的维度，从而降低了计算和存储的成本
。
[0032]3.
提高模型的解释性：
mRMR
方法选取的特征具有最大相关性，因此可以更好地解释制冷系统能耗的变化，提高了模型的解释性
。
[0033]4.
提高模型的泛化能力：
mRMR
方法选择的特征具有最小冗余性，可以减少特征之间的共线性，提高模型的泛化能力，降低过拟合的风险
。
[0034]综上，
mRMR
方法能够提高特征选择的效果，减少特征维度，提高模型的解释性和泛化能力，从而提取制冷系统能耗的关键特征
。
[0035]数据存储过程中，本专利技术不再使用传统的关系型数据库来存储制冷系统能耗数据，而是采用键值存储数据库
Redis。
使用这种数据库可以提供更高的性能和可扩展性，适用于大规模数据的存储和查询
。Redis
是一个基于内存的数据库系统，通过将数据存储在内存中，可以实现更快的读写速度和更低的延迟
。
此外，
Redis
还支持丰富的数据结构和功能，如哈希表
、
列表
、
集合等，使得存储和处理能耗数据更加灵活和高效
。
通过采用
Redis
作为存储解决方案，可以有效地管理和分析制冷系统的能耗数据，为能源管理和优化提供支持
。
[0036]Redis
中的哈希表对于存储制冷系统能耗数据具有结构化存储
、
快速访问
、
灵活的
数据操作
、
字段级别的过期设置和嵌套结构等优点，更适合用于存储和处理制冷系统能耗数据
。
[0037]优选的，步骤1中每个制冷系统采用一个独立的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于协变量与
mRMR
‑
IMFO
‑
SVR
的制冷系统能耗预测方法，其特征在于，包括如下步骤：步骤1：获取制冷系统的各项原始数据，采用最大相关与最小冗余方法提取制冷系统能耗的关键特征，进行数据预处理；步骤2：改进飞蛾扑火算法；步骤3：结合历史天气预报温度协变量，基于改进的飞蛾扑火算法优化支持向量回归参数
(C
，
γ
)
；步骤4：将
IMFO
算法的最优解作为支持向量回归参数
(C
，
γ
)
，得到能耗预测模型；步骤5：基于制冷系统能耗的关键特征，将样本数据及其对应的天气预报温度数据输入训练好的
SVR
预测模型进行测试，输出测试结果，即制冷系统能耗预测结果
。2.
根据权利要求1所述的基于协变量与
mRMR
‑
IMFO
‑
SVR
的制冷系统能耗预测方法，其特征在于，步骤1中各项原始数据包括每隔
15
分钟记录的压缩机压力
、
冷间温度
、
本时间段内消耗的系统总电量以及开关明细数据
。3.
根据权利要求2所述的基于协变量与
mRMR
‑
IMFO
‑
SVR
的制冷系统能耗预测方法，其特征在于，步骤1中，采用最大相关与最小冗余方法提取制冷系统能耗的关键特征的过程为：互信息是两个随机变量之间相互依赖程度的度量，表示为
I(X
，
Y)
：式中，
X
，
Y
为随机变量，
I
为两个变量之间互信息计算函数，
p
为概率密度函数；计算制冷系统能耗与所有影响因素之间以及影响因素互相之间的互信息：计算制冷系统能耗与所有影响因素之间以及影响因素互相之间的互信息：式中，
E
为系统能耗，
Z
i
，
Z
j
为能耗影响因素；最大相关计算原则：式中，
D(S,E)
为最大相关计算值；
S
为目标特征集，
|S|
为集合
S
中特征数量；最小冗余计算原则：式中，
N(S)
为最小冗余计算值；整合最大相关性与最小冗余：
mRMR
＝
max(D(S,E)
‑
N(S))。4.
根据权利要求3所述的基于协变量与
mRMR
‑
IMFO
‑
SVR
的制冷系统能耗预测方法，其特征在于，步骤1中每个制冷系统采用一个独立的哈希表存储制冷系统能耗数据，哈希表的键采用制冷系统的唯一标识，每个哈希表中的字段名用于表示数据的类型或指标名称，哈希
表的字段值即为对应时间点的实际数值，其中，使用时间戳作为哈希表字段名的一部分，以便将数据与特定的时间点关联
。5.
根据权利要求4所述的基于协变量与
mRMR
‑
IMFO
‑
SVR
的制冷系统能耗预测方法，其特征在于，步骤1中数据预处理的过程为：
1.1、
进行数据归一化处理：式中，
X
为元素，
min、max
是指映射的最小值和最大值，
X
max
(axis
＝
0)
，
X
min
(axis
＝
0)
是指每列中元素的最大值和最小值，
X
scaler
为归一化后的标准数据；
1.2、
缺失值填充，对每一列的缺失值，填充当列的中位数
。6.
根据权利要求1所述的基于协变量与
mRMR
‑
IMFO
‑
SVR
的制冷系统能耗预测方法，其特征在于，改进的飞蛾扑火算法，具体步骤如下：飞蛾在进行火焰搜索时位置更新公式为：
S(M

【专利技术属性】
技术研发人员：张虎，许洪玉，李克诚，
申请(专利权)人：齐鲁工业大学山东省科学院，
类型：发明
国别省市：