CN104636800A - 基于最小二乘加权的冷冻站系统神经网络优化单元及其方法 - Google Patents

Abstract

本发明涉及一种基于最小二乘加权的冷冻站系统神经网络优化单元及其方法，本发明将整个冷冻站系统视为一个整体，利用当前智能化领域内广泛应用的神经网络算法，同时配合小波包算法、最小二乘算法、加权算法等将冷冻站系统进行非线性拟合，并根据预测结果指导冷冻站系统内参数的调节，实现系统优化控制，节能的目的。

Description

基于最小二乘加权的冷冻站系统神经网络优化单元及其方法

技术领域

本发明涉及一种基于最小二乘加权的冷冻站系统神经网络优化单元及其方法。 

背景技术

随着中国城市建筑智能化、舒适化、便捷化的发展，建筑设备能耗问题也逐渐突出。研究表明，在建筑设备能耗占比上，空调系统、给排水系统、照明系统占总能耗的2／3以上；而冷冻站系统是其中能耗最为显著的部分，也是最为复杂的部分，如何实现高效，节能，稳定的冷冻站系统控制系统，是每个项目必须考虑的重点。 

然而目前国内冷冻站系统的运行效率普遍偏低，冷冻站系统的高能耗、低效率使客户的运营成本显著增加。分析原因，主要有以下几个方面： 

1）控制目标 

在过程自动化领域中，控制系统的主要作用是按照工艺要求，将工艺参数严格控制在规定的范围内，与节能相比，控制精度是更为重要的指标。在建筑中，建筑环境的舒适度是由人体的感受决定的，而人体的感受是一个范围，为了稳定环境参数，BAS（Building Automation System,楼宇设备自动化系统，以下简称BAS）无论是PID（Proportion Integration Differentiation，比例积分微分，以下简称PID）调节、还是频繁的启停控制，都不可避免的造成额外的能源消耗。 

同时，传统的控制系统以水温度、水流量参数控制为核心的策略严重依赖于传感器的精度和稳定性，由于机房环境变化，传感器在使用一段时间后精度会下降，导致原本能够节能的功能变得不节能，甚至更加耗能。 

2）设计思想 

对于照明、水泵等独立的用能设备，传统的BAS控制策略是合理且有效的。但对于占到建筑总能耗60%的空调系统而言，传统的BAS控制思想恰恰对节能造成了不利的影响。无论何种空调系统，都将是多个设备以系统的方式进行工作，没有一个设备能够脱离系统独立工作，即多个设备之间存在着耦合。 

控制理论解决耦合采用的技术是解耦，而解耦的核心思路就是认为降低系统中设备间的相互联系，只要不影响系统的正常工作，甚至可以将系统中的设备看成完全独立工作的设备。在解耦理论指导下开发的控制策略几乎没有考虑设备变化对系统工作造成的影响，这种理论对于化工、造纸等工艺参数要求严格的工业过程是非常有意义的，但对于以节能为重要控制目标的建筑用能设备的控制，这种设计思想就存在一定的问题。 

3）暖通、机电设备等与控制的分离 

在项目初期的规划设计中，暖通部分、给排水部分、供配电部分、自动控制等设计是分开实施的，这使得各系统技术封闭，特别是暖通、机电设备与自控系统的技术配合非常有限。 

在常规的暖通设计中，工程师往往是按照大楼的最不利负荷进行设备容量设计，并预留一定的余量；例如冷冻机组的设计，需要能够保证夏季最大负荷量下，环境参数仍能维持在可控范围内；这使得在正常运行状态下，冷源设备的开机、停机、运行负载的上升、下降等如果不能很好地匹配负荷变化，都将会造成很大的能源浪费。 

4）系统复杂性 

冷源系统是一个复杂的系统工程，冷站内各设备间存在很大的耦合及非线性相关。传统的控制系统把冷源设备划分为多个控制孤岛，各自独立控制运行，缺乏系统规划；例如以冷却水为控制目标的冷却塔控制；以冷冻水供回水温度为目标的冷冻机组运行控制；以末端压力为目标的泵的频率控制等。而事实证明，冷站中任何一部分系统参数的变化都将带来其他部分效率的上升或下降，常规的孤岛型控制策略缺少鲁棒性，不利于建筑节能的发展。 

5）管理方面的瓶颈 

国内工程人员和物业人员的运营水平和对节能的认知程度有限，厂家的技术支持在维保期过后收费不低，所以物业往往只使用自控系统中的远程控制功能，甚至自控系统瘫痪也无能为力。建筑节能是一个持续的过程，需要根据不同的使用情况、不同的气候做出分析，给出不同的控制策略。但自控系统的调试往往实现基本功能后就不做进一步服务，而物业人员也缺乏对自控系统使用的能力，故难以发挥其节能能力。 

发明内容

针对现有技术的缺陷，本发明目的是提供本系统基于以上问题，将整个冷冻站系统视为一个整体，利用当前智能化领域内广泛应用的神经网络算法，同时配合小波包算法、最小二乘算法、加权算法等将冷冻站系统进行非线性拟合，并根据预测结果指导冷冻站系统内参数的调节，实现系统优化控制，节能的目的。 

具体技术方案包括： 

一种基于最小二乘加权的冷冻站系统神经网络优化单元，包括 

一用以实时采集冷冻站系统的各项参数的实时数据采集模块； 

一用于针对已有数据进行预处理及保存的历史数据集中模块； 

利用历史数据生成仿真模型并通过实时数据进行滚动优化、反馈校正的神经网络模型模块。 

所述冷冻站系统包括冷却塔、水泵、冷冻机，所述参数包括运行频率、流量、扬程、功率、运行模式、油温、压力、水温、电流和电压。 

一种利用前述优化单元实施的优化方法，包括以下步骤： 

步骤1：实时数据采集模块实时采集冷冻站系统数据，当实时数据偏离目标值，则将采集到的数据作为历史数据存入历史数据集中模块，历史数据集中模块就该历史数据进行预处理； 

步骤2：采用三层结构反向传播神经网络建立模型，选择神经网络内核函数，对数据模型进行训练，调节网络参数，通过最小二乘加权方法搜寻全局最优点，输出结果至控制设备，返回至步骤1。 

较佳的，所述预处理包括以下步骤：对数据进行标准化。 

较佳的，所述预处理包括以下步骤：对数据进行小波包分解去噪。 

较佳的，所述小波包分解采用db2小波函数，分解层数为5。 

较佳的，所述网络参数包括：初始权值、学习速率G和期望误差。 

较佳的，所述初始权值为(‐1,1)之间的随机数，学习速率G值的范围为0.01～0间。 

较佳的，所述实时数据采集模块实时采集冷冻站系统数据的时间间隔为3分钟～5分钟。 

本发明同现有技术相比，具有以下优点和有益效果： 

通过对冷冻站系统所包括的冷却塔、水泵、冷冻机及冷冻水的相关参数建立一整体的神经网络模型，改变各自独立的控制流程，从而在各参数间建立了互相联系，可以从整体对系统进行调整获得所需最大节能收益。在此过程中，使用了智能化领域内广泛应用的神经网络算法，同时配合小波包算法、最小二乘算法、加权算法等将冷冻站系统进行非线性拟合，并根据预测结果指导冷冻站系统内参数的调节，其结果更为精确、过程更为高效。 

附图说明

图1为本发明冷冻站系统神经网络优化单元的模块结构图； 

图2为本发明冷冻站系统神经网络优化单元优化方法的流程图； 

图3为含噪历史数据趋势图； 

图4为去噪后历史数据趋势图； 

图5为三层小波包分解结构； 

图6为小波包分解系数收缩去噪流程图； 

图7为神经元模型示意图。 

具体实施方式

下面结合实施例对本发明作进一步详细的说明。 

请参阅图1和图2，为本发明冷冻站系统神经网络优化单元的模块图及优化方法流程图，本优化单元包括用以实时采集冷冻站系统各项参数的实时数据采集模块、用于针对已有数据进行预处理及保存的历史数据集中模块和利用历史数据生成仿真模型并通过实时数据进行滚动优化、反馈校正的神经网络模型模块。滚动优化是建立在从系统实际的输出得到的最新信息的基础上,因此,鲁棒性较强，能减少因模型失配、时变信号和干扰信号等不确定因素的影响。引入反馈校正机制，系统能够根据实际输出与期望值的偏差来调整网络系数，可在一定程度上抑制干扰和各种不确定因素的影响,提高预测精度。 

其优化方法过程如下： 

步骤1：实时数据采集模块实时采集系统数据，当实时数据（如总体能耗，或特定变量参数）偏离目标值，则将采集到的数据作为历史数据存入历史数据集中模块，历史数据集中模块就该历史数据进行预处理； 

步骤1.1：冷冻系统在一段时间（如72小时）内的运行数据作为历史数据，从系统辨识的角度出发，采样间隔应小于系统时间常数的十分之一。作为多闭环、强关联的闭式系统，为了充分利用系统设备，实现快速检测、辨识、诊断，系统较佳为选择3min～5min（如特殊 情况，按照实际需求调节）的采样间隔。 

用于算法的数据包括预测集和训练集两种，数据集涵盖过程中的所有操作变量和测量变量，以通过对冷冻站系统所包括的冷却塔、水泵、冷冻机及冷冻水各组成部分所涉及的参数来考量整个冷冻站系统的性能，为冷冻站系统模型的建立做准备。 

变量数据集包括： 

冷却塔状态参数； 

冷却塔运行频率； 

冷却塔进出水温度； 

冷却塔汽水比参数； 

冷却塔运行功率； 

冷却水泵、冷冻水泵状态参数； 

水泵流量参数； 

水泵扬程参数； 

水泵运行功率参数； 

冷冻机组运行模式； 

冷冻机组平均负载电流； 

冷冻机压缩机运行时间参数； 

冷冻机组马达RPM参数； 

冷冻机组油温； 

冷冻机组蒸发器压力； 

冷冻机组进出口水温参数； 

冷冻机组平均线电流、百分比； 

冷冻机组平均线电压、百分比； 

冷冻机组总容量百分比； 

各冷机出水、回水温度； 

各冷机回水流量； 

冷冻机组回水流量； 

冷冻机组用电功率； 

冷水总管供回水温度； 

冷水总管回水流量； 

冷水供、回水压差测量； 

冷水最不利端压差监测； 

冷冻机组冷却水供水总管温度； 

冷冻机组冷却水回水总管温度； 

冷却水旁通阀开度参数； 

冷冻水、冷却水蝶阀开关参数； 

步骤1.2：对采集来的历史数据进行预处理，剔除故障数据，实现数据标准化，产生历史数据集合： 

步骤1.2.1：系统各变量量度是不同的，如温度、流量、压力等均对应着不同的尺度范围，而分析的结果会受数据尺度的影响，因此在进行预测分析前，需要先将数据进行标准化处理，通常的方法是将其去掉均值后再除以它的标准差。假设X∈R^n×m为收集的过程正常工况下的运行数据，将X做如下标准化处理： 

$X_i^{*}=\frac{X_i-E\left(X_i\right)}{{\left(\mathrm{Var}\left(X_i\right)\right)}^{1/2}},i=\mathrm{1,2},\mathrm{\Λ},n$

这样原始数据集就变换为均值为0，方差为1的标准数据集。 

步骤1.2.2：将采集数据存入数据库，按照一定的时间窗选取相关数据集，输入小波包模型进行分解去噪，算法中选取db2小波函数，分解层数为5，请参阅图3～图4，为一数据经过小波包模型去噪前后对比图，可见曲线变得平滑，剔除了极端数据，保证了数据的准确性。 

其中小波包算法如下： 

小波包是相关学者在小波变换的基础上提出来的，小波包相对于小波的主要优点是克服了小波变换的频率分辨率随频率升高而降低这一缺点，它可以对信号的高频部分作更细致的刻画，对信号的分析能力更强。其结构是一个完整的树状结构，请参阅图图5给出了三层小波包的分解结构。 

图中第j级子空间的基本小波如下： 

$w_{2n}^{\left(j\right)}\left(t\right)=\sqrt{2}\underset{k}{\mathrm{\Σ}}{h}_{0k}{w}_n^{\left(j\right)}(2t-k)$

$w_{2n+1}^{\left(j\right)}=\sqrt{2}\underset{k}{\mathrm{\Σ}}{g}_{0k}{w}_n^{\left(j\right)}(2t-k)$

过程数据存在噪声时，噪声与信号在各尺度上的小波包系数具有不同的特性，基于小波包去除噪声数据的思想就是将各尺度上由噪声产生的小波分量，特别是将那些噪声分量占主导地位的尺度上的噪声小波分量去掉，这样保留下来的小波包系数基本上就是原始信号的小波包系数，然后再利用小波包重构算法，重构原始信号。因此，小波包滤除噪声的算法流程图如上图所示，算法中共包含三个主要的步骤： 

Y＝W(X) 

Z＝D(Y,T) 

$\hat{X}=W^{-1}\left(Z\right)$

其中X表示含噪声变量，Y表示X的小波包分解系数，Z表示经收缩操作后的小波包系数，表示去除噪声后的信号。W(·)和W^-1(·)分别表示小波包分解与重构算法，其算法如图5所示所示： 

小波包分解算法如下 

$x_{2n}^{(j+1)}\left(k\right)=\underset{m}{\mathrm{\Σ}}{h}_{0(m-2k)}{x}_n^{\left(j\right)}\left(m\right)---(4-11)$

$x_{2n+1}^{(j+1)}\left(k\right)=\underset{m}{\mathrm{\Σ}}{g}_{0(m-2k)}{x}_n^j\left(m\right)---(4-12)$

小波包重构算法如下 

$x_n^{\left(j\right)}\left(k\right)=\underset{m}{\mathrm{\Σ}}{h}_{1(k-2m)}{x}_{2n}^{(j+1)}\left(m\right)+\underset{m}{\mathrm{\Σ}}{g}_{1(k-2m)}{x}_{2n+1}^{(j+1)}\left(m\right)--(4-13)$

D(Y,T)表示给定阈值T的小波包分解系数的收缩操作，核心在于选择阈值及阈值函数。本系统采用硬阈值方法进行去噪。 

步骤2.1：建立神经网络模型 

1）网络的层数 

在网络层数的选择上，按照神经网络理论，冷冻站系统各变量间属于非线性映射，少于三层的网络结构是无法逼近非线性曲线的；而当层数大于三层时,增加层数可以降低误差,提高精度,但同时也使网络复杂化。考虑到误差精度的提高可以通过增加隐含层中的神经元数目来获得。因此BP(Back Propagation,反向传播)神经网络采用三层结构,该模型就能逼近任何形式的曲线,即输入层,隐含层,输出层； 

2）隐含层的神经元数 

神经元是ANN中最基本的处理单元,1943年,心理学家W.5.Mccu-Doch和数学家W.Pitts提出了神经元的模型，具体请参见图7： 

$y=f\left(z\right)=f(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{x}_i{\mathrm{\ω}}_i-\mathrm{\θ}),f\left(z\right)=\frac{1}{1+e^{-z}}$

式中n为神经元数量； 

理论上证明:具有偏差和至少1个S型隐含层加上1个线性输出层的网络,能够逼近任何有理函数。增加层数可以进一步降低误差,提高精度,但同时也使网络复杂化。而误差精度的提高可以通过增加隐含层中的神经元数目来获得。模型中神经元数目的采用经验公式,并通过多次仿真实验确认。 

3）神经网络内核函数的选择 

神经网络内核函数有多种形式，相关学者也对这些核函数的有效性进行了验证，诸如以下几种常用的内核函数。 

a.多项式核函数 

多项式映射在非线性模型中是很常用的， 

K(x,x′)＝＜x,x′＞^d

为了避免计算过程中Hesse阵变成0，多项式核常用下面的形式： 

K(x,x′)＝(＜x,x′＞+1)^d

b.高斯径向基函数核函数 

$K(x,x^{\′})=\exp (-\frac{{|x-x^{\′}|}^2}{{2\mathrm{\σ}}^2})$

其中σ是高斯径向基函数的宽度。 

c.指数径向基核函数 

$K(x,x^{\′})=\exp (-\frac{\left|\right|x-x^{\′}\left|\right|}{{2\mathrm{\σ}}^2})$

其中σ是高斯径向基函数的宽度。 

d.Sigmoid核函数 

K(x,x′)＝tanh[b(x,x′)-c] 

由它构成多层感知器神经网络，参数b是比例因子，c是偏移因子。 

e.傅立叶核函数 

$K(x,x^{\′})=\frac{\sin (N+\frac{1}{2})(x-x^{\′})}{\sin \left(\frac{1}{2}(x-x^{\′})\right)}$

内核函数的不同决定了神经网络算法的精度、训练时间等。实际应用中，模型可以按照工程师的选择进行核函数调整，实现最优化的模型方案。本实施例采用e傅里叶核函数。 

4）初始权值的选取 

由于系统是非线性的,如果初始权值取的太大,容易使训练进入局部最小点;反之如果初始权值选的太小,训练时间将会变长。根据冷冻站系统的通常需求，本模型初始权值选(-1,1)之间的随机数。 

5）学习速率G 

学习速率决定每一次循环训练中所产生的权值变化量。大的学习速率可能导致系统的不稳定;但小的学习速率将导致较长的训练时间。根据冷冻站系统的通常需求，本系统学习速率的选取范围在0.01～0.8之间。 

6）期望误差的选取 

在设计网络的训练过程中,期望误差应当通过对比训练后确定一个合适的值,充分考虑隐含层节点因素增加的影响。 

7）样本训练，生成模型 

8）通过最小二乘加权方法分析设定最小输出目标下的输入值，作为下一时间段的设定值影响常规控制系统；即通过最小二乘加权法搜寻出全局最优点后，神经网络模型输出各变量的具体数值，通过控制设备对冷冻站系统所涉及的冷却塔、水泵、冷冻机及冷冻水进行控制。 

其中最小二乘加权法如下： 

最小二乘算法是一种应用标数值优化技术的快速算法。其本质是牛顿法的变形，既有牛顿法的局部收敛特性,又有梯度下降算法的全局特性。其特点是优化指标采用平方项，从而将不等式约束转变成等式约束，可以大大减少训练时间。 

加权算法的特点是，在优化问题描述中，对每个采样点数据采用不同的惩罚系数，以得到更准确的预测结果。加权系数矩阵为： 

$S=\left[\begin{array}{ccccc}{S}_{11}& 0& \mathrm{\Λ}& & 0\\ 0& S_{22}& 0& \mathrm{\Λ}& 0\\ 0& & \mathrm{\Λ}& & \mathrm{\Λ}\\ \mathrm{\Λ}& & & \mathrm{\Λ}& 0\\ 0& & \mathrm{\Λ}& 0& S_{\mathrm{nn}}\end{array}\right]$

S_ii为第i个样本的加权系数；加权矩阵系数的调整来源于模型输出结果偏差值的反向传输。即按照预测偏差的可接受程度调整权值矩阵。 

K聚类方法是模式识别中一个重要的非参数方法，其优点在于能够很好的分析出样本的聚类信息。利用其优点来确定最小二乘神经网络的权值系数。其基本思想是，对于训练集合x中的每一个样本点，求出其与所有样本的欧式距离：并找到其中K组最邻近的样本，比较该样本所对应输出与这K组最邻近样本所对应输出的关系，按照预定的距离阈值来正向或者反向调整确定权值系数。 

则以上所述完成一循环周期，此间实时数据采集模块仍按时间间隔对数据进行采集，并进行比较，当目标值有所偏离，则再次启动上述过程进行优化，直至达成目标。 

Claims (8)

1.一种基于最小二乘加权的冷冻站系统神经网络优化单元，其特征在于，包括：

(1)用以实时采集冷冻站系统的各项参数的实时数据采集模块；

(2)用于针对已有数据进行预处理及保存的历史数据集中模块；

利用历史数据生成仿真模型并通过实时数据进行滚动优化、反馈校正的神经网络模型模块。

所述冷冻站系统包括冷却塔、水泵、冷冻机，所述参数包括运行频率、流量、扬程、功率、运行模式、油温、压力、水温、电流和电压。

2.一种利用如权利要求1所述优化单元实施的优化方法，其特征在于，包括以下步骤：

步骤1：实时数据采集模块实时采集冷冻站系统数据，当实时数据偏离目标值，则将采集到的数据作为历史数据存入历史数据集中模块，历史数据集中模块就该历史数据进行预处理；

步骤2：采用三层结构反向传播神经网络建立模型，选择神经网络内核函数，对数据模型进行训练，调节网络参数，通过最小二乘加权方法搜寻全局最优点，输出结果至控制设备，返回至步骤1。

3.如权利要求2所述的优化方法，其特征在于，所述预处理包括以下步骤：对数据进行标准化。

4.如权利要求2所述的优化方法，其特征在于，所述预处理包括以下步骤：对数据进行小波包分解去噪。

5.如权利要求4所述的优化方法，其特征在于，所述小波包分解采用db2小波函数，分解层数为5。

6.如权利要求2所述的优化方法，其特征在于，所述网络参数包括：初始权值、学习速率G和期望误差。

7.如权利要求2所述的优化方法，其特征在于，所述初始权值为(‐1,1)之间的随机数，学习速率G值的范围为0.01～0间。

8.如权利要求2所述的优化方法，其特征在于，所述实时数据采集模块实时采集冷冻站系统数据的时间间隔为3分钟～5分钟。