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() 一种冷水机组的能耗预测方法技术_技高网

一种冷水机组的能耗预测方法技术

技术编号:41326808 阅读:14 留言:0更新日期:2024-05-13 15:04
本发明专利技术适用于冷水机组的能耗预测技术领域,尤其涉及一种冷水机组的能耗预测方法。本发明专利技术通过获取冷水机组的原始运行数据;对原始运行数据进行预处理,得到运行数据,将运行数据划分为训练数据集和测试数据集;建立初始极端梯度提升模型,将训练数据集作为初始极端梯度提升模型的输入并通过麻雀搜索算法进行优化训练,得到极端梯度提升模型;将测试数据集作为极端梯度提升模型的输入进行测试优化,得到优化极端梯度提升模型;将待检测运行数据作为优化极端梯度提升模型进行能耗预测,得到预测结果。这样本发明专利技术有效提高了优化极端梯度提升模型的训练速度和冷水机组的能耗预测精度。

【技术实现步骤摘要】

本专利技术适用于冷水机组的能耗预测,尤其涉及一种冷水机组的能耗预测方法


技术介绍

1、近年来,随着经济的快速发展,能源消费问题日益突出。中央空调系统是整个建筑当中能耗最高的设备,其耗电量占建筑总电力负荷的30%-40%。在中央空调系统能耗中,冷水机组的能耗超过50%。为了建设节能型社会,急需对冷水机组的能耗进行预测与控制。

2、在能耗预测方面,神经网络ann、支持向量机svm等机器学习模型都进行了应用研究,验证了机器学习方法可能是解决能耗预测的有用工具,而机器学习预测模型受限于预测模型的自身缺陷,如神经网络结构易使结果易陷入局部极小值的缺陷,支持向量机不能为给定的模式提供后验概率,可能会导致结果的准确率极低等,一些更为先进的机器学习模型如极限梯度提升算法(extreme gradient boosting,xgboost),借助自身处理速度快、内置交叉验证、控制过拟合效果好等优点,逐渐应用在各行各业。但是,xgboost模型的缺点在于超参数过多,人为调参很大程度上不是最优解,因此如何正确的设置超参数成为了发挥xgboost模型上限亟待解决的问题。


技术实现思路

1、本专利技术提出了一种冷水机组的能耗预测方法解决上述技术问题。

2、所述能耗预测方法包括以下步骤:

3、s1、获取冷水机组的原始运行数据;

4、s2、对所述原始运行数据进行预处理,得到运行数据,将所述运行数据划分为训练数据集和测试数据集;

5、s3、建立初始极端梯度提升模型,将所述训练数据集作为所述初始极端梯度提升模型的输入并通过麻雀搜索算法进行优化训练,得到极端梯度提升模型;

6、s4、将所述测试数据集作为所述极端梯度提升模型的输入进行测试优化,得到优化极端梯度提升模型;

7、s5、将待检测运行数据作为所述优化极端梯度提升模型进行能耗预测,得到预测结果。

8、优选的,对所述原始运行数据进行预处理为:通过斯皮尔曼秩相关系数对所述原始运行数据的能耗进行相关性分析。

9、优选的,包括以下子步骤:

10、s31、选取所述初始极端梯度提升模型的超参数,并对所述超参数的范围进行定义;

11、s32、通过所述麻雀搜索算法计算每个麻雀的适应度,迭代更新所述麻雀搜索算法中发现者的位置、加入者的位置以及侦查者的位置,得到最优种群;

12、s33、根据所述最优种群获取所述初始极端梯度提升模型的最优超参数,得到所述极端梯度提升模型。

13、优选的,所述超参数包括学习率、弱评估器数量、树模型最大深度、叶子节点二阶导数和、随机抽样抽取的样本比例以及随机抽取特征的比例;

14、其中,所述学习率的取指范围为0.02~1;

15、所述弱评估器数量的取值范围为10~300的整数,指定增量为10;

16、所述树模型最大深度的取值范围为2~10的整数,指定增量为1;

17、所述叶子节点二阶导数和的取值范围为0.02~10;

18、所述随机抽样抽取的样本比例的取值范围为0.02~1;

19、所述随机抽取特征的比例的取值范围为0.02~1。

20、优选的,所述运行数据包括冷冻水供水温度、冷冻水回水温度、冷冻水供水压力、冷冻水回水压力、冷却水供水温度、冷却水回水温度、冷却水供水压力、冷却水回水压力、能效比、冷水机组制冷量、室外温度以及空气湿度与能耗。

21、优选的,所述发现者的位置更新满足以下关系式:

22、

23、其中,t表示当前的迭代数;d表示待优化问题变量的维数;表示在t+1代第i只麻雀的位置;tmax为最大迭代次数;α为均匀随机数,α的范围在(0,1]之间;q为符合标准正态分布的随机数;l表示矩阵;r2为警戒值;st为安全值。

24、优选的,所述加入者的位置更新满足以下关系式:

25、

26、式中,表示为迭代t次时第i只麻雀的第j维的位置;表示为最劣位置,表示最优位置,表示种群第t+1次迭代时麻雀在d维最优位置;表示点对点乘法,levy(λ)表示服从莱维分布的路径且满足1≤λ≤3,λ是冥次数。

27、优选的,所述侦查者的位置更新满足以下关系式:

28、

29、式中,表示种群第t次迭代时麻雀在d维的最优位置,β为步长控制参数;k为[-1,1]的随机数,表示麻雀移动方向;fi、fw以及fg分别表示当前麻雀的适应度、最劣适应度以及最佳适应度。

30、与现有技术相比,本专利技术通过获取冷水机组的原始运行数据;对原始运行数据进行预处理,得到运行数据,将运行数据划分为训练数据集和测试数据集;建立初始极端梯度提升模型,将训练数据集作为初始极端梯度提升模型的输入并通过麻雀搜索算法进行优化训练,得到极端梯度提升模型;将测试数据集作为极端梯度提升模型的输入进行测试优化,得到优化极端梯度提升模型;将待检测运行数据作为优化极端梯度提升模型进行能耗预测,得到预测结果。这样本专利技术有效提高了优化极端梯度提升模型的训练速度和冷水机组的能耗预测精度。

本文档来自技高网...

【技术保护点】

1.一种冷水机组的能耗预测方法,其特征在于,所述能耗预测方法包括以下步骤:

2.如权利要求1所述的冷水机组的能耗预测方法,其特征在于,步骤S2中,对所述原始运行数据进行预处理为:通过斯皮尔曼秩相关系数对所述原始运行数据的能耗进行相关性分析。

3.如权利要求1所述的冷水机组的能耗预测方法,其特征在于,步骤S3中,包括以下子步骤:

4.如权利要求3所述的冷水机组的能耗预测方法,其特征在于,所述超参数包括学习率、弱评估器数量、树模型最大深度、叶子节点二阶导数和、随机抽样抽取的样本比例以及随机抽取特征的比例;

5.如权利要求1所述的冷水机组的能耗预测方法,其特征在于,所述运行数据包括冷冻水供水温度、冷冻水回水温度、冷冻水供水压力、冷冻水回水压力、冷却水供水温度、冷却水回水温度、冷却水供水压力、冷却水回水压力、能效比、冷水机组制冷量、室外温度以及空气湿度与能耗。

6.如权利要求3所述的冷水机组的能耗预测方法,其特征在于,所述发现者的位置更新满足以下关系式:

7.如权利要求3所述的冷水机组的能耗预测方法,其特征在于,所述加入者的位置更新满足以下关系式:

8.如权利要求3所述的冷水机组的能耗预测方法,其特征在于,所述侦查者的位置更新满足以下关系式:

...

【技术特征摘要】

1.一种冷水机组的能耗预测方法,其特征在于,所述能耗预测方法包括以下步骤:

2.如权利要求1所述的冷水机组的能耗预测方法,其特征在于,步骤s2中,对所述原始运行数据进行预处理为:通过斯皮尔曼秩相关系数对所述原始运行数据的能耗进行相关性分析。

3.如权利要求1所述的冷水机组的能耗预测方法,其特征在于,步骤s3中,包括以下子步骤:

4.如权利要求3所述的冷水机组的能耗预测方法,其特征在于,所述超参数包括学习率、弱评估器数量、树模型最大深度、叶子节点二阶导数和、随机抽样抽取的样本比例以及随机抽取特征的比例;

5.如权利要...

【专利技术属性】
技术研发人员:杨海东蔡建阳徐康康朱成就宋才荣
申请(专利权)人:广东工业大学
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 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。

1