System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及能源站能耗优化的,具体涉及一种基于ipso-lstm预测数据的江水源能源站能耗优化方法。
技术介绍
1、水源热泵技术是可再生能源在建筑节能领域的重要应用方向,能够利用江水作为冷热源,以集中供冷供热的方式为建筑物服务。在夏季,江水源能源站采用江水作为空调系统的冷却水,利用水源热泵系统制取空调冷水。而在冬季,能源站通过水源热泵技术,从长江水中提取热量,制取空调热水,满足建筑热供应需求。水源热泵技术具有良好的经济效益和社会效益,能为集中供冷供热领域提供改良方案,实现良好的节能效果。不过,目前江水源能源站的技术系统复杂性高,智慧供热技术在这个领域中尚未成熟可靠。
2、目前在北方集中供热领域已有公司开始研究和推广基于人工智能的智慧供热技术,并取得了较好的节能效果。然而,江水源能源站的工艺系统比常规集中供冷和供热系统更加复杂,目前尚未见到有成熟可靠的同类技术应用于能源站。鉴于此,有必要提供一种解决现有能源站能耗高、电力支出多问题的优化方法。
技术实现思路
1、本专利技术的目的在于克服上述
技术介绍
的不足,提供一种基于ipso-lstm预测数据的江水源能源站能耗优化方法,该方法利用改进后的粒子群算法优化lstm神经网络参数,将神经网络的负荷预测值作为能源站实际负荷,利用梯度下降法针对能源站数学模型进行优化,以达到系统整体节能降耗的目的,提高系统运行稳定性。
2、为实现上述目的,本专利技术所提供的一种基于ipso-lstm预测数据的江水源能源站能耗优化方法,包括
3、s1:获得与冷热负荷相关的数据集,数据集是利用负荷仿真软件trnsys拟合得到;对负荷进行外生变量的相关性分析,得出主要影响负荷的变量;
4、s2:对筛选出的变量进行数据集的划分,分别划分为训练集、验证集、测试集,训练集在网络中训练,找到相对应的非线性关系;通过验证集来观察在训练集上的训练效果,及时调整网络模型的参数,测试集用作预测,输出预测结果,根据指标进行打分;
5、s3:建立神经网络模型,采用lstm网络进行预测,同时采用改进的粒子群算法来优化lstm网络结构中的参数,得到预测值;
6、s4:将预测值输入到建立好的能源站模型中,分析模型中的变量与不变量,建立功率目标优化函数,对影响优化的函数的相关变量进行梯度下降法寻优,得到功率最低的情况下,各个优化的变量值。
7、作为优选实施方式地,所述步骤s1中,数据集利用负荷仿真软件trnsys拟合具体方法如下:将能源站的物理空间结构构造以及影响负荷的天气自然因素输入到负荷仿真软件trnsys中,负荷仿真软件trnsys自动计算出相应的负荷数据。
8、作为优选实施方式地,所述步骤s2中,采取4:1:1比例分别划分为训练集、验证集、测试集。
9、作为优选实施方式地,所述步骤s3中,采用改进的粒子群算法来优化lstm网络结构中的参数具体方法如下:
10、s3.1:初始化粒子群位置、速度、move以及stable,分别设置为c1、c2,惯性权重w从wmax线性递减到wmin;粒子群数量设置为npop,最大迭代次数设置为t_max,初始化lstm模型的参数;
11、s3.2:根据计算粒子适应度,更新粒子运动到的最优位置和全局最优位置,更新惯性权重和扰动系数;
12、s3.3:对lstm系统中的隐藏层数、损失因子大小、迭代次数,每次输入数据的批次进行更新,通过实际值与预测值产生偏差最小作为其粒子群优化的目标,使得粒子去寻找其最优解;
13、s3.4:更新粒子速度,逐个判断粒子每一个变量是否处于稳定状态,并更新位置;
14、s3.5:更新move、stable,lstm中的网络参数持续更新直至获得最优解;
15、s3.6:判断是否达到最大迭代次数,没有则跳到步骤s3.2继续运行,直到达到最大迭代次数,终止运行。
16、作为优选实施方式地,所述步骤s3.1中,
17、
18、
19、式中,move表示粒子第k次迭代移动的距离,stable表示粒子第k次迭代时与此粒子历史上最优值之间的距离,代表粒子在第k次迭代时的位置矢量,代表粒子第k-1次迭代时的位置矢量,表示在第k次迭代时的最优位置矢量。
20、作为优选实施方式地,所述步骤s3.4中,当粒子每一个变量处于稳定状态,满足如下条件:
21、move<10-7&&stable<10-7
22、式中,move表示粒子第k次迭代移动的距离,stable表示粒子第k次迭代时与此粒子历史上最优值之间的距离。
23、作为优选实施方式地,所述步骤s3.4中,当粒子的某一维变量稳定时按如下公式更新位置:
24、xkid=xk-1id+rand(-a,a)
25、式中,xkid代表第k次迭代时的位置矢量,xk-1id表示第k-1次迭代时的位置矢量,rand(-a,a)为幅值为a的扰动,a为一个常数;
26、当粒子不稳定时按如下公式更新位置:
27、xkid=xk-1id+vkid
28、式中,xkid代表第k次迭代时的位置矢量,xk-1id表示第k-1次迭代时的位置矢量,vkid代表第k次迭代时的速度矢量。
29、作为优选实施方式地,所述步骤s4中,能源站模型包括冷/热水机组模型、循环水泵模型、换热板模型和蓄能水池模型,通过上一模型的输出作为下一模型的输入,形成一个动态的循环模型。
30、作为优选实施方式地,所述步骤s4中,在负荷满足要求的前提下,建立机组数学模型,在输出功率恒定的条件下寻找系统最优参数以使得输入功率最小,实现最低能耗运行;
31、若总功率对优化参数冷却水出口温度和冷水机组流量求偏导数同时为0时,冷却水出口温度和冷水机组流量分别对总功率的影响达到最小,得到冷却水出口温度和冷水机组流量的最优值。
32、作为优选实施方式地,所述步骤s4中,根据江水源能源站系统总能耗与冷水机组流量、冷却水出口温度之间的函数关系,利用最优化方法计算系统总能耗对冷却水出口温度和冷水机组流量的导数,沿着梯度下降的方向寻优获得全局最低的总能耗;
33、其中,流量优化公式如下:
34、
35、
36、式中,cop2为单纯制冷能耗比,cop3是整体的能耗比,δtd为温差,p1为冷水机组产生的负荷,为冷却水出口温度给定值,λ2为放大系数,qd为冷冻水流量给定值。
37、与现有技术相比,本专利技术具有如下优点:
38、其一,本专利技术通过分析温度、湿度、地面反射率等气象数据和历史负荷数据与未来负荷之间的相关性,选择对负荷变化影响较大的因素作为负荷预测模型的输入,以预测得到的负荷数据作为系统节能优化时的参考负荷;
39、其二,本专利技术改进粒子群算法本文档来自技高网...
【技术保护点】
1.一种基于IPSO-LSTM预测数据的江水源能源站能耗优化方法,其特征在于:包括如下步骤:
2.根据权利要求1所述的基于IPSO-LSTM预测数据的江水源能源站能耗优化方法,其特征在于:所述步骤S1中,数据集利用负荷仿真软件TRNSYS拟合具体方法如下:将能源站的物理空间结构构造以及影响负荷的天气自然因素输入到负荷仿真软件TRNSYS中,负荷仿真软件TRNSYS自动计算出相应的负荷数据。
3.根据权利要求1所述的基于IPSO-LSTM预测数据的江水源能源站能耗优化方法,其特征在于:所述步骤S2中,采取4:1:1比例分别划分为训练集、验证集、测试集。
4.根据权利要求1所述的基于IPSO-LSTM预测数据的江水源能源站能耗优化方法,其特征在于:所述步骤S3中,采用改进的粒子群算法来优化LSTM网络结构中的参数具体方法如下:
5.根据权利要求4所述的基于IPSO-LSTM预测数据的江水源能源站能耗优化方法,其特征在于:所述步骤S3.1中,
6.根据权利要求5所述的基于IPSO-LSTM预测数据的江水源能源站能耗优化方法,其
7.根据权利要求5所述的基于IPSO-LSTM预测数据的江水源能源站能耗优化方法,其特征在于:所述步骤S3.4中,当粒子的某一维变量稳定时按如下公式更新位置:
8.根据权利要求1所述的基于IPSO-LSTM预测数据的江水源能源站能耗优化方法,其特征在于:所述步骤S4中,能源站模型包括冷/热水机组模型、循环水泵模型、换热板模型和蓄能水池模型,通过上一模型的输出作为下一模型的输入,形成一个动态的循环模型。
9.根据权利要求8所述的基于IPSO-LSTM预测数据的江水源能源站能耗优化方法,其特征在于:所述步骤S4中,在负荷满足要求的前提下,建立机组数学模型,在输出功率恒定的条件下寻找系统最优参数以使得输入功率最小,实现最低能耗运行;
10.根据权利要求9所述的基于IPSO-LSTM预测数据的江水源能源站能耗优化方法,其特征在于:所述步骤S4中,根据江水源能源站系统总能耗与冷水机组流量、冷却水出口温度之间的函数关系,利用最优化方法计算系统总能耗对冷却水出口温度和冷水机组流量的导数,沿着梯度下降的方向寻优获得全局最低的总能耗;
...【技术特征摘要】
1.一种基于ipso-lstm预测数据的江水源能源站能耗优化方法,其特征在于:包括如下步骤:
2.根据权利要求1所述的基于ipso-lstm预测数据的江水源能源站能耗优化方法,其特征在于:所述步骤s1中,数据集利用负荷仿真软件trnsys拟合具体方法如下:将能源站的物理空间结构构造以及影响负荷的天气自然因素输入到负荷仿真软件trnsys中,负荷仿真软件trnsys自动计算出相应的负荷数据。
3.根据权利要求1所述的基于ipso-lstm预测数据的江水源能源站能耗优化方法,其特征在于:所述步骤s2中,采取4:1:1比例分别划分为训练集、验证集、测试集。
4.根据权利要求1所述的基于ipso-lstm预测数据的江水源能源站能耗优化方法,其特征在于:所述步骤s3中,采用改进的粒子群算法来优化lstm网络结构中的参数具体方法如下:
5.根据权利要求4所述的基于ipso-lstm预测数据的江水源能源站能耗优化方法,其特征在于:所述步骤s3.1中,
6.根据权利要求5所述的基于ipso-lstm预测数据的江水源能源站能耗优化方法,其特征在于:所述步骤s3.4中,...
【专利技术属性】
技术研发人员:杨艳,李东阳,魏光建,陈泽望,唐玉阳,艾爱,孙康,
申请(专利权)人:长江勘测规划设计研究有限责任公司,
类型:发明
国别省市:
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。