CN115758912A - 一种空调能耗优化*** - Google Patents
一种空调能耗优化*** Download PDFInfo
- Publication number
- CN115758912A CN115758912A CN202211569318.2A CN202211569318A CN115758912A CN 115758912 A CN115758912 A CN 115758912A CN 202211569318 A CN202211569318 A CN 202211569318A CN 115758912 A CN115758912 A CN 115758912A
- Authority
- CN
- China
- Prior art keywords
- air conditioner
- data
- energy consumption
- value
- gate
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
- 238000005265 energy consumption Methods 0.000 title claims abstract description 80
- 238000012549 training Methods 0.000 claims abstract description 52
- 239000002245 particle Substances 0.000 claims abstract description 48
- 238000013528 artificial neural network Methods 0.000 claims abstract description 36
- 238000005457 optimization Methods 0.000 claims abstract description 35
- 238000012545 processing Methods 0.000 claims abstract description 32
- 238000012360 testing method Methods 0.000 claims abstract description 21
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 238000013480 data collection Methods 0.000 claims abstract description 9
- 210000004027 cell Anatomy 0.000 claims description 34
- 238000000034 method Methods 0.000 claims description 28
- 230000006870 function Effects 0.000 claims description 19
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 9
- 238000004378 air conditioning Methods 0.000 claims description 8
- 210000002569 neuron Anatomy 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 6
- 230000006978 adaptation Effects 0.000 claims description 6
- 238000002759 z-score normalization Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 5
- 238000005286 illumination Methods 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 230000005855 radiation Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 239000008400 supply water Substances 0.000 claims description 2
- 230000007246 mechanism Effects 0.000 description 7
- 238000011160 research Methods 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 241000288105 Grus Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000945 filler Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明涉及一种空调能耗优化***,包括数据收集模块、数据处理模块、能耗预测模块及调度模块;能耗预测模块包括训练单元及测试单元;数据收集模块用于收集空调相关数据;数据处理模块用于对空调相关数据进行预处理,得到处理数据;能耗预测模块基于处理数据,对空调能耗进行预测;调度模块基于空调能耗预测结果,控制空调的启停工作。其中,能耗预测模块中包括GRU‑LSTM神经网络预测模型,用于预测空调能耗,并采用粒子群优化算法对该模型中的超参数进行寻优。与现有技术相比,本发明具有精度高、成本低及实用性高等优点。
Description
技术领域
本发明涉及能耗预测技术领域,尤其是涉及一种空调能耗优化***。
背景技术
空调作为建筑物主要的能耗设备,如何建立准确可靠的能耗监测***对空调进行节能运行优化,已经成为了该领域的研究热点之一。由于机器学习技术的产生,现在很多研究都是基于大数据处理,利用神经网络、支持向量机等算法建立预测模型。
传统的建筑能耗监测***只是简单的收集相关数据,监测建筑物每天的照明、电能、空调等能源消耗的走势,仅提供实时曲线和历史曲线图,实际能耗和预测能耗并没有对比,对数据分析不够。
现有空调能耗预测方法分为内部和外部两方面因素:(1)对于影响空调***内部的因素,包括机组名义工况性能系数(COP)以及制冷量的填充剂等。(2)外部因素主要包括气象因素,比如干/湿球温度、日照强度等。由于内部因素繁杂且不易于测量,神经网络方法大部分基于空调外部因素对空调能耗进行能耗预测。当然部分地区由于空调能耗受季节影响显著,有时也要考虑内部因素负荷率对其能耗的影响。
目前空调能耗预测主要有两个方向:机理模型和黑箱模型。机理模型从空调运行机理出发,通过辨识选取能耗模型参数,对机组性能进行研究,但由于空调***复杂,运行参数种类多且难以确定,因此机理模型难以运用到工程实践中。由于机器学习的产生,黑箱模型是基于数据挖掘技术的能耗预测模型。相比于机理模型,黑箱模型方法简单,灵活性和精确度都很高,所以现有技术多为基于机器学习对空调能耗进行研究的。
然而,现有技术大部分都是选取单一的预测模型进行能耗预测,或者基于集成学习的组合预测模型。如BP神经网络、长短期记忆神经网络、梯度提升回归树等,该类模型对空调能耗预测都有一定的效果。但是每个神经网络都有一些缺点,如LSTM(Long Short-Term Memory,长短期记忆网络)虽然预测精度高,但是预测时间有所延迟,对实时检测数据有所影响;GRU(Gate Recurrent Unit,门控循环单元)的结构比LSTM简单,且预测速度相对更快,但是预测精度却有所下降。单一预测模型在预测时间上可能要优于组合预测模型,但预测精度却明显低于组合预测模型。而现存的一些组合预测模型预测精度虽然高于单一预测模型,但预测精度相对也较低。
同时,在进行预测模型训练的时候,层数过多容易出现过拟合现象,并且训练神经网络的神经元个数、dropout率和学习率都需要不断的尝试才能选出来一个最优的结果,使得精确度提升,
综上所述,针对空调能耗预测问题,存在模型精度不高、模型训练参数无法自适应调整等缺陷。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种空调能耗优化***。
本发明的目的可以通过以下技术方案来实现:
一种空调能耗优化***,包括数据收集模块、数据处理模块、能耗预测模块及调度模块;
所述能耗预测模块包括训练单元及测试单元;
所述数据收集模块用于收集空调相关数据;
所述数据处理模块用于对所述空调相关数据进行预处理,得到处理数据;
所述能耗预测模块基于所述处理数据,对空调能耗进行预测;
所述调度模块基于空调能耗预测结果,控制空调的启停工作。
进一步地,所述的空调相关数据包括供回水的温度差、冷水进水温度、流水速度、光照强度、室外干球温度、室外湿球温度、室外相对湿度及太阳辐射强度。
进一步地,所述预处理包括异常值处理,采用均值填充方法进行异常值处理。
进一步地,所述预处理还包括归一化处理;
采用z-score标准化方法进行归一化处理,z-score标准化的计算公式为:
式中,μ为总体数据的均值、σ为总体数据的标准差、x为个体数据的观测值。
进一步地,所述能耗预测模块包括训练单元及测试单元,构建训练单元包括以下步骤:
获取多组空调相关数据;
将所述多组空调相关数据分别通过数据处理模块进行预处理,得到数据样本;
将所述数据样本划分为训练集和测试集;
基于所述训练集,构建GRU-LSTM神经网络预测模型;
使用粒子群优化算法对所述GRU-LSTM神经网络预测模型的超参数进行优化;
将粒子群优化算法优化好的超参数带入GRU-LSTM神经网络预测模型中进行模型训练,得到训练模型;
构建测试单元包括以下步骤:
基于所述测试集,对所述训练模型进行验证,若训练模型符合预设的要求,则选定该训练模型作为测试模型,用于对空调能耗进行预测,否则重新对训练模型进行训练,直至其符合预设的要求。
进一步地,所述GRU-LSTM神经网络预测模型包括GRU层、LSTM层及全连接层。
进一步地,所述GRU层包括更新门和重置门,GRU神经网络内部结构过程表达式为:
zt=σ(Wz·[ht-1,xt]+bz)
rt=σ(Wr·[ht-1,xt]+br)
式中:zt为更新门的输出,rt为重置门的输出,为单元状态更新值,ht为当前单元输出结果,ht-1为前一个单元输出结果,xt为输入值;Wz为更新门的权重,Wr为重置门的权重,为单元状态的权重;bZ为更新门的偏差,br为重置门的偏差,单元状态的偏差;tanh、σ均为激活函数。
进一步地,所述LSTM层包括输入门、遗忘门和输出门,LSTM内部结构过程表达式为:
ft=σ(Wf·[ht-1,xt]+bf)
it=σ(Wi·[ht-1,xt]+bi)
ot=σ(Wo·[ht-1,xt]+bo)
ht=ottanh(Ct)
式中:为单元状态更新值,Ct为本单元的状态值,Ct-1为上一个单元的状态值;ht-1为前一个单元输出结果,ht为当前单元输出结果,xt为输入值;it为输入门的输出,ft为遗忘门的输出,ot为输出门的输出;Wi为输入门的权重,Wf为遗忘门的权重,Wo为输出门的权重,WC为单元状态的权重;bi为输入门的偏差,bf为遗忘门的偏差,bc为单元状态的偏差,bo为输入门的偏差;tanh、σ均为激活函数。
进一步地,使用粒子群优化算法对所述GRU-LSTM神经网络预测模型的超参数进行优化,所述超参数包括神经元个数及dropout值,粒子群优化算法包括以下步骤:
初始化粒子群:为粒子群中每个粒子赋予初始位置和初始速度,并将个体历史最优化值pbesti设为当前个***置,群体历史最优化值gbesti设为当前群***置;
计算每个粒子的适应值:将适应度函数值与个体历史最优适应值进行比较,得到历史最优个***置信息,从所述个体历史最优适应值中找到全局最优解,将全局最优解与历史最优个***置信息比较,选出最佳的历史最优个***置信息作为当前的历史最优解;
更新粒子群的速度,速度更新公式为:
vi k+1=w×vi k+c1×rand()×(pbesti k-xi k)+c2×rand()×(gbesti k-xi k)
式中,w为惯性权重,c1为个体学习因子,c2为群体学习因子,rand()为随机函数,pbesti k为个体历史最优化值,gbesti k为群体历史最优化值,xi k为粒子当前位置,i为粒子编号,vi k为当前速度,vi k+1为更新后的速度;
其中,惯性权重公式为:
式中:wmax为最大惯性权重,wmin为最小惯性权重,iter为当前迭代次数,itermax为最大迭代次数;
更新粒子群的位置,位置更新公式为:
xi k+1=xi k+vi k
式中,xi k+1为更新后的位置,xi k当前位置;
判定是否达到迭代次数,若是,输出最优参数,结束全部步骤;否则重新计算每个粒子的适应值,并执行后续步骤。
进一步地,对所述训练模型进行验证,选用RMSE和MAE作为验证标准;
其中RMSE公式为:
MAE公式为:
与现有技术相比,本发明具有以下有益效果:
1、本发明通过构建GRU-LSTM神经网络预测模型,将GRU和LSTM的优点进行结合,提高了冷水机组能耗的预测效果,同时本发明采用粒子群优化算法对网络预测模型中的超参数进行寻优,找到合适的神经网络参数,进一步提高了空调能耗的预测精度,为空调能耗的优化提供有效参考。
2、本发明在当前大数据时代与能源环保方面具有很好的实用性,进行空调能耗预测时采用的空调相关数据为空调外部因素,相比于传统的机理模型采用空调内部参数进行研究,本发明难度大大降低,省去了大量的人力和财力,节约了计算成本和时间成本。
附图说明
图1为本发明的实施流程图;
图2为粒子群优化算法流程图;
图3为本发明实施例中的空调能耗预测结果图;
图4为本发明实施例中的损失函数图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
本发明旨在对建筑物空调能耗***进行监控和预测,通过改进的神经网络收集该建筑物的历史数据进行训练,得到能耗消耗的预测值,最后基于空调能耗预测值进行空调的启停工作,以实现空调能耗优化。
本发明先采集空调的相关数据,并且需要对数据进行异常值处理和归一化处理,该操作能够大大减少处理量,而且降低了预测值的偏差过大的问题。本发明在建立预测模型之前,还需要对收集到的空调相关数据构建特征子集,特征选择可以从原始数据特征集中选出若干个具有代表性的特征子集,这不仅可以实现数据的降维,而且还可以提升在该特征子集上所构建的预测模型的性能。
如图1所示,为本实施例提供的一种空调能耗优化***,包括数据收集模块、数据处理模块、能耗预测模块及调度模块;
能耗预测模块包括训练单元及测试单元;
数据收集模块用于收集空调相关数据;
数据处理模块用于对空调相关数据进行预处理,得到处理数据;
能耗预测模块基于处理数据,对空调能耗进行预测;
调度模块基于空调能耗预测结果,控制空调的启停工作。
本实施例中,采用某竞赛公开的中央空调数据集作为空调相关数据的来源,该数据集源于热带地区某城市的一套中央空调***,该城市常年平均温度为25至32摄氏度之间,平均湿度为85%左右。空调相关数据包括供回水的温度差、冷水进水温度、流水速度、光照强度、室外干球温度(T,℃)、室外湿球温度(T,℃),室外相对湿度(RH,%),太阳辐射强度(R,W/m2)等等。
具体实施时,除了利用现有数据作为空调相关数据的来源以外,还可以采用各种传感器采集空调相关参数。
数据处理模块中的预处理包括异常值处理,采用均值填充方法进行异常值处理。
预处理还包括归一化处理;
采用z-score标准化方法进行归一化处理,z-score标准化的计算公式为:
式中,μ为总体数据的均值、σ为总体数据的标准差、x为个体数据的观测值。
能耗预测模块包括训练单元及测试单元,构建训练单元包括以下步骤:
S01、获取多组空调相关数据;
S02、将多组空调相关数据分别通过数据处理模块进行预处理,得到数据样本;
S03、将数据样本划分为训练集和测试集;
S04、基于训练集,构建GRU-LSTM神经网络预测模型;
S05、使用粒子群优化算法对GRU-LSTM神经网络预测模型的超参数进行优化;
S06、将粒子群优化算法优化好的超参数带入GRU-LSTM神经网络预测模型中进行模型训练,得到训练模型。
构建测试单元包括以下步骤:
基于测试集,对训练模型进行验证,若训练模型符合预设的要求,则选定该训练模型作为测试模型,用于对空调能耗进行预测,否则重新对训练模型进行训练,直至其符合预设的要求。
本实施例中,将数据样本划分80%作为训练集,划分20%作为测试集,在其他实施方式中,可以选用不同的比例划分训练集及测试集。
本实施例中,由于室外干球温度、室外湿球温度及室外相对湿度这三个影响因子于空调冷负荷的相关性最大,因此通过pearson相关系数(Pearson correlationcoefficient,皮尔逊相关系数)从空调相关数据中筛选出该三个影响因子作为训练单元的输入量。
本实施例选用机器学习框架tensorflow,在16GB内存和i5-12500H的电脑上完成训练过程,程序语言版本为python3.7。
步骤S04中,本发明基于GRU和LSTM两个神经网络预测模型搭建空调冷负荷预测模型。根据以往研究中分析单一模型精确度低、速度慢的缺点,本发明采用GRU-LSTM组合而成的混合模型对空调能耗进行预测,GRU内部结构简单,参数少,训练速度快且更容易收敛;而LSTM在数据集量大情况下效果会更好。
GRU-LSTM神经网络预测模型包括GRU层、LSTM层及全连接层。本实施例采用的预测模型第一层的GRU神经元个数初次设定为20,dropout为0.3。第二层使用的LSTM神经元个数初次设定为10,dropout为0.3。
GRU层包括更新门和重置门,GRU神经网络内部结构过程表达式为:
zt=σ(Wz·[ht-1,xt]+bz)
rt=σ(Wr·[ht-1,xt]+br)
式中:zt为更新门的输出,rt为重置门的输出,为单元状态更新值,ht为当前单元输出结果,ht-1为前一个单元输出结果,xt为输入值;Wz为更新门的权重,Wr为重置门的权重,为单元状态的权重;bZ为更新门的偏差,br为重置门的偏差,单元状态的偏差;tanh、σ均为激活函数。
LSTM层包括输入门、遗忘门和输出门,LSTM内部结构过程表达式为:
ft=σ(Wf·[ht-1,xt]+bf)
it=σ(Wi·[ht-1,xt]+bi)
ot=σ(Wo·[ht-1,xt]+bo)
ht=ottanh(Ct)
式中:为单元状态更新值,Ct为本单元的状态值,Ct-1为上一个单元的状态值;ht-1为前一个单元输出结果,ht为当前单元输出结果,xt为输入值;it为输入门的输出,ft为遗忘门的输出,ot为输出门的输出;Wi为输入门的权重,Wf为遗忘门的权重,Wo为输出门的权重,WC为单元状态的权重;bi为输入门的偏差,bf为遗忘门的偏差,bc为单元状态的偏差,bo为输入门的偏差;tanh、σ均为激活函数。
步骤S05中,使用粒子群优化算法对GRU-LSTM神经网络预测模型的超参数进行优化,超参数包括神经元个数及dropout值;本实施例将神经网络各个待优化的超参数编码设为粒子群算法中各个粒子个体,经过优化找到各个粒子的最优位置,也就是神经网络超参数的最优解。神经元个数参数设置范围为[1,259],dropout值参数设置范围为[0,1],学习率参数设置范围为[0,1];
如图2所示,粒子群优化算法包括以下步骤:
初始化粒子群:为粒子群中每个粒子赋予初始位置和初始速度,并将个体历史最优化值pbesti设为当前个***置,群体历史最优化值gbesti设为当前群***置;
计算每个粒子的适应值:将适应度函数值与个体历史最优适应值进行比较,得到历史最优个***置信息,从个体历史最优适应值中找到全局最优解,将全局最优解与历史最优个***置信息比较,选出最佳的历史最优个***置信息作为当前的历史最优解;
更新粒子群的速度,速度更新公式为:
vi k+1=w×vi k+c1×rand()×(pbesti k-xi k)+c2×rand()×(gbesti k-xi k)
式中,w为惯性权重,c1为个体学习因子,c2为群体学习因子,rand()为随机函数,随机函数的范围为0-1;pbesti k为个体历史最优化值,gbesti k为群体历史最优化值,xi k为粒子当前位置,i为粒子编号,vi k为当前速度,vi k+1为更新后的速度;
其中,惯性权重公式为:
式中:wmax为最大惯性权重,wmin为最小惯性权重,iter为当前迭代次数,itermax为最大迭代次数;惯性权重的目的在于权重数值设置越大,全局搜索能力较强;权重数值设置越小,局部搜索能力越强。具体实施时可根据不同需求设置惯性权重的大小。
更新粒子群的位置,位置更新公式为:
xi k+1=xi k+vi k
式中,xi k+1为更新后的位置,xi k当前位置;
判定是否达到迭代次数,若是,输出最优参数,结束全部步骤;否则重新计算每个粒子的适应值,并执行后续步骤。
本实施例将粒子群优化算法训练好的参数带入GRU-LSTM神经网络预测模型中进行训练。本文在经过粒子群优化后GRU的神经元个数设定为36,dropout为0.14,LSTM优化后神经元个数设定为18,dropout为0.54。
对训练模型进行验证,选用RMSE(Root Mean Square Error,均方根误差)和MAE(Mean Absolute Error,平均绝对值误差)作为验证标准;
其中RMSE公式为:
MAE公式为:
最后由调度模块基于空调能耗预测结果,控制空调的启停工作。作为一种可选的实施方式,可以在调度模块中增加显示屏,以实时显示空调能耗预测结果。实现空调能耗优化时,主要思想为若空调能耗预测结果过高,超出预算的能耗值,则需要适当控制空调的使用,若空调能耗预测结果在预算能耗值以下或等于预算能耗值,则空调的使用可以维持现状或进一步减少空调使用以实现最大程度的节能,具体的空调启停方案可由本领域专业技术人员根据具体需求制定。
如图3所示,为本实施例基于上述构建的PSO-GRU-LSTM空调能耗预测模型,结合中央空调数据集进行预测得到的结果图,其中虚线为预测值,实线为真实值,预测值指的是对前一天空调能耗真实值的近似预测,可以看出,预测值与真实值的线条几乎重合,说明本发明提出的空调能耗预测模型预测精度较高。
如图4所示,为空调能耗预测模型的损失函数图,损失函数用来评价模型预测值和真实值的接近程度,损失函数值越小,说明模型的鲁棒性越好。
为了验证本发明的有效性,本实施例选用了均方根误差RMSE、平均绝对误差MAE和决定系数R2作为评价指标。将本发明提出的混合神经网络模型与传统的LSTM和GRU神经网络以及还没经过粒子群优化算法优化的GRU-LSTM混合模型的预测结果进行对比,对比结果如下表1所示。
表1冷负荷预测精度评价指标
神经网络 | RMSE | MAE | R<sup>2</sup> |
LSTM | 22.024 | 10.718 | 0.8930 |
GRU | 22.065 | 9.821 | 0.8943 |
GRU-LSTM | 21.902 | 9.420 | 0.8966 |
PSO-GRU-LSTM | 21.587 | 9.350 | 0.9144 |
其中,R2公式为:
从表1中可知,本发明提出的神经网络模型,相比于传统的GRU和LSTM神经网络模型中的预测精度最高,为91.44%。体现了模型较强的实用性,解决了空调冷负荷预测的准确度低的问题。
本发明采用的数据为基于空调的外部因素,相比于传统的机理模型(针对于空调的内部参数进行研究),难度大大降低。同时在外部因素的选择中,也是根据各个参数对冷水机组的影响大小来考量筛选的,对数据进行异常值和归一化处理,节约了后续运算的计算成本和时间成本。模型采用了改进的PSO-GRU-LSTM神经网络,达到了模型更容易设计和节约时间成本的目的,同时预测精度有一定的提升。
本发明在当前大数据时代与能源环保方面具有很好的实用性,针对空调数据的采集,本发明通过外部因素来进行能耗预测,不用关注复杂的空调内部参数,省去了大量的人力和财力,专业人员很容易根据本发明进行复现。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (10)
1.一种空调能耗优化***,其特征在于,包括数据收集模块、数据处理模块、能耗预测模块及调度模块;
所述能耗预测模块包括训练单元及测试单元;
所述数据收集模块用于收集空调相关数据;
所述数据处理模块用于对所述空调相关数据进行预处理,得到处理数据;
所述能耗预测模块基于所述处理数据,对空调能耗进行预测;
所述调度模块基于空调能耗预测结果,控制空调的启停工作。
2.根据权利要求1所述的一种空调能耗优化***,其特征在于,所述的空调相关数据包括供回水的温度差、冷水进水温度、流水速度、光照强度、室外干球温度、室外湿球温度、室外相对湿度及太阳辐射强度。
3.根据权利要求1所述的一种空调能耗优化***,其特征在于,所述预处理包括异常值处理,采用均值填充方法进行异常值处理。
5.根据权利要求1所述的一种空调能耗优化***,其特征在于,所述能耗预测模块包括训练单元及测试单元,构建训练单元包括以下步骤:
获取多组空调相关数据;
将所述多组空调相关数据分别通过数据处理模块进行预处理,得到数据样本;
将所述数据样本划分为训练集和测试集;
基于所述训练集,构建GRU-LSTM神经网络预测模型;
使用粒子群优化算法对所述GRU-LSTM神经网络预测模型的超参数进行优化;
将粒子群优化算法优化好的超参数带入GRU-LSTM神经网络预测模型中进行模型训练,得到训练模型;
构建测试单元包括以下步骤:
基于所述测试集,对所述训练模型进行验证,若训练模型符合预设的要求,则选定该训练模型作为测试模型,用于对空调能耗进行预测,否则重新对训练模型进行训练,直至其符合预设的要求。
6.根据权利要求5所述的一种空调能耗优化***,其特征在于,所述GRU-LSTM神经网络预测模型包括GRU层、LSTM层及全连接层。
8.根据权利要求6所述的一种空调能耗优化***,其特征在于,所述LSTM层包括输入门、遗忘门和输出门,LSTM内部结构过程表达式为:
ft=σ(Wf·[ht-1,xt]+bf)
it=σ(Wi·[ht-1,xt]+bi)
ot=σ(Wo·[ht-1,xt]+bo)
ht=ottanh(Ct)
9.根据权利要求5所述的一种空调能耗优化***,其特征在于,使用粒子群优化算法对所述GRU-LSTM神经网络预测模型的超参数进行优化,所述超参数包括神经元个数及dropout值,粒子群优化算法包括以下步骤:
初始化粒子群:为粒子群中每个粒子赋予初始位置和初始速度,并将个体历史最优化值pbesti设为当前个***置,群体历史最优化值gbesti设为当前群***置;
计算每个粒子的适应值:将适应度函数值与个体历史最优适应值进行比较,得到历史最优个***置信息,从所述个体历史最优适应值中找到全局最优解,将全局最优解与历史最优个***置信息比较,选出最佳的历史最优个***置信息作为当前的历史最优解;
更新粒子群的速度,速度更新公式为:
vi k+1=w×vi k+c1×rand()×(pbesti k-xi k)+c2×rand()×(gbesti k-xi k)
式中,w为惯性权重,c1为个体学习因子,c2为群体学习因子,rand()为随机函数,pbesti k为个体历史最优化值,gbesti k为群体历史最优化值,xi k为粒子当前位置,i为粒子编号,vi k为当前速度,vi k+1为更新后的速度;
其中,惯性权重公式为:
式中:wmax为最大惯性权重,wmin为最小惯性权重,iter为当前迭代次数,itermax为最大迭代次数;
更新粒子群的位置,位置更新公式为:
xi k+1=xi k+vi k
式中,xi k+1为更新后的位置,xi k当前位置;
判定是否达到迭代次数,若是,输出最优参数,结束全部步骤;否则重新计算每个粒子的适应值,并执行后续步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211569318.2A CN115758912A (zh) | 2022-12-08 | 2022-12-08 | 一种空调能耗优化*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211569318.2A CN115758912A (zh) | 2022-12-08 | 2022-12-08 | 一种空调能耗优化*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115758912A true CN115758912A (zh) | 2023-03-07 |
Family
ID=85344383
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211569318.2A Withdrawn CN115758912A (zh) | 2022-12-08 | 2022-12-08 | 一种空调能耗优化*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115758912A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116070881A (zh) * | 2023-03-13 | 2023-05-05 | 淮阴工学院 | 一种现代工业产区智能能耗调度方法及装置 |
CN116993232A (zh) * | 2023-09-27 | 2023-11-03 | 青岛艾德森物联科技有限公司 | 一种综合能源站的能耗管理优化方法及*** |
CN116989432A (zh) * | 2023-09-27 | 2023-11-03 | 深圳市美兆环境股份有限公司 | 一种空调***节能运行优化调度方法及*** |
-
2022
- 2022-12-08 CN CN202211569318.2A patent/CN115758912A/zh not_active Withdrawn
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116070881A (zh) * | 2023-03-13 | 2023-05-05 | 淮阴工学院 | 一种现代工业产区智能能耗调度方法及装置 |
CN116070881B (zh) * | 2023-03-13 | 2023-09-29 | 淮阴工学院 | 一种现代工业产区智能能耗调度方法及装置 |
CN116993232A (zh) * | 2023-09-27 | 2023-11-03 | 青岛艾德森物联科技有限公司 | 一种综合能源站的能耗管理优化方法及*** |
CN116989432A (zh) * | 2023-09-27 | 2023-11-03 | 深圳市美兆环境股份有限公司 | 一种空调***节能运行优化调度方法及*** |
CN116993232B (zh) * | 2023-09-27 | 2023-12-19 | 青岛艾德森物联科技有限公司 | 一种综合能源站的能耗管理优化方法及*** |
CN116989432B (zh) * | 2023-09-27 | 2024-01-16 | 深圳市美兆环境股份有限公司 | 一种空调***节能运行优化调度方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115758912A (zh) | 一种空调能耗优化*** | |
Li et al. | A semi-supervised approach to fault detection and diagnosis for building HVAC systems based on the modified generative adversarial network | |
CN107392368B (zh) | 一种基于气象预报的办公建筑动态热负荷组合预测方法 | |
WO2015172560A1 (zh) | 基于bp神经网络的中央空调冷负荷的预测方法 | |
CN106920006A (zh) | 一种基于isoa‑lssvm的地铁站空调***能耗预测方法 | |
CN107704875A (zh) | 基于改进ihcmac神经网络的建筑负荷预测方法和装置 | |
CN110942205B (zh) | 一种基于himvo-svm的短期光伏发电功率预测方法 | |
CN113240184B (zh) | 一种基于联邦学习的楼宇空间单元冷负荷预测方法及*** | |
CN113177594B (zh) | 基于贝叶斯优化的pca-极限随机树的空调故障诊断方法 | |
CN112097365A (zh) | 基于预测和分类模型的空调故障检测与辩识方法及装置 | |
CN113269365B (zh) | 一种基于麻雀优化算法的短期空调负荷预测方法及*** | |
CN111028100A (zh) | 考虑气象因素的精细化短期负荷预测方法、装置及介质 | |
Alamin et al. | An Artificial Neural Network (ANN) model to predict the electric load profile for an HVAC system | |
CN112183826A (zh) | 基于深度级联生成对抗网络的建筑能耗预测方法及相关产品 | |
CN116109011B (zh) | 一种智慧园区的能耗管理方法及终端 | |
CN111080039A (zh) | 一种风机集群故障预测方法及*** | |
CN116468138A (zh) | 空调负荷预测方法、***、电子设备及计算机存储介质 | |
CN113935557A (zh) | 一种基于深度学习的相同模式能耗大数据预测方法 | |
CN115964503B (zh) | 基于社区设备设施的安全风险预测方法及*** | |
CN111815039A (zh) | 基于天气分类的周尺度风电功率概率预测方法及*** | |
CN114353872A (zh) | 一种机房温度的预测方法及装置 | |
CN117553404A (zh) | 一种提高大型水冷中央空调***能效的方法及*** | |
CN110059871B (zh) | 光伏发电功率预测方法 | |
CN114234392B (zh) | 一种基于改进pso-lstm的空调负荷精细预测方法 | |
CN116954329A (zh) | 制冷***的状态调节方法、装置、设备、介质及程序产品 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20230307 |