CN110805997A - 中央空调系统节能控制方法 - Google Patents

Abstract

本发明公开了一种基于神经网络和遗传算法的中央空调系统节能控制方法，其特征在于，包括以下步骤：获取空调系统的设备运行数据和建筑负荷数据；对上述数据进行数据预处理；对预处理后的数据通过神经网络学习，得到系统能效模型；根据系统能效模型通过遗传算法寻优得到运行状态优化参数；根据运行状态优化参数对空调系统运行进行优化控制。本发明对比目前的控制技术有如下有益效果：避免设备长期运行后，性能下滑，厂家提供的出厂数据不能应用于能效分析的情况，合理的能效曲线对运行策略的制定起重要作用；通过神经网络建立系统能效模型，利用遗传算法优化运行参数，能快速匹配出符合当前系统制冷需求的节能策略。

Description

中央空调系统节能控制方法

技术领域

本发明涉及一种中央空调系统节能控制领域，具体涉及一种基于神经网络和遗传算法的中央空调系统设备建模，及运行策略优化方法。属于数据分析节能优化和制冷与空调技术领域。

背景技术

在全球面临能源危机的今天，节能技术越来越被各行各业所重视和推崇。根据《中国建筑能耗研究报告(2018)》，建筑行业的能源消耗占国家总消耗的20.6％，可见节能手段有效的维持了建筑能耗比重。在目前的建筑能耗中，公共建筑的能耗已经上升到了40％，能耗强度远高于其他民用建筑，随着第三产业占GDP比重不断的加大，以及产业结构的调整，公共建筑比例增多，建筑能耗在总能耗的占比将继续提高。对于这些采用“全时间，全空间”运行模式的大型公建，在控制策略上实现优化，对中央空调系统节能，降低建筑能耗，减少碳排放有着极为重要的意义和作用。

除了存在“全时间，全空间”的问题外，目前我国的建筑设计还普遍存在“大马拉小车”的问题，在进行空调系统选型时，设计符合都是按照当地最热天气进行计算的，再加上10～15％的裕量，导致系统长期在较高工况下运行。实测数据表明，空调机组80％以上的时间，处于低于60％以下的部分负荷运行，设备经常不处于最佳工况点。同时，因制冷循环效率与冷凝和蒸发温度有关，故室外温湿度对中央空调系统效率有至关重要的影响，而当室外温度改变时，冷水机组却只能按照出水温度设定值工作，造成大量电能白白浪费。

人工神经网络算法出现已近八十年，早期由于计算机能力以及算法机理模糊，应用并不多。随着计算机性能的提高，以及BP神经网络的提出，神经网络在各行各业都有广泛的应用前景。神经网络搭建的模型属于黑箱模型，在处理非线性问题上有很强的映射能力。但其映射能力建立在数据质量上，对含有噪声的数据存在过拟合问题而导致算法泛化性能下降。随着数据预处理手段的丰富，数据能得到很好的清洗，进而得到的学习模型也将更加精准。

遗传算法是一种基于“适者生存”的高度并行、随机和自适应的优化算法,通过复制、交叉、变异将问题解编码表示的“染色体”群一代代不断进化,最终收敛到最适应的群体,从而求得问题的最优解或满意解。其优点是原理和操作简单、通用性强、不受限制条件的约束,且具有隐含并行性和全局解搜索能力,在组合优化问题中得到广泛应用。

综上所述，现有的空调系统不能做到时刻匹配用户侧需求，同时没有较为精准的模型来模拟出一套最优的运行策略，而数据在早期无法起到举足轻重的作用。在大数据时代，中央空调系统节能可以考虑气象、建筑性能等用户侧需求因素，并且通过运行数据建立设备运行能耗模型，并且通过优化算法，得到一种智能化的具有自学习自适应的控制系统，能根据运行数据，找到实施系统能效的最高点。

发明内容

本发明的目的在于克服现有技术中的缺陷，提供基于神经网络的中央空调节能控制方法，能够自适应的中央空调系统，可以根据预测的建筑负荷实时调整空调系统的控制参数，保证系统运行的高效性。

为了实现上述目的，本发明的技术方案如下：

一种基于神经网络和遗传算法的中央空调系统节能控制方法，其特征在于，包括以下步骤：获取空调系统的设备运行数据和建筑负荷数据；对上述数据进行数据预处理；对预处理后的数据通过神经网络学习，得到系统能效模型；根据系统能效模型通过遗传算法寻优得到运行状态优化参数；根据运行状态优化参数对空调系统运行进行优化控制，其中，空调系统包括有：冷水机组、冷冻水循环系统、冷却水循环系统、冷却塔。

进一步地，所述数据预处理包括数据清洗、数据变换和特征选择，其中数据清洗包括对重复数据进行清洗、对缺失数据通过正则表达式生成缺失数据默认值、通过小波分析减少数据采集时噪声带来的干扰。

进一步地，所述数据预处理还包括通过核PCA进行特征选择，筛选出数据属性中影响因子高的数据，实现数据的降维，其中对于不成线性关系的数据，需要引入核PCA方法，协方差矩阵具体表达式如下：

进一步地，对预处理后的数据通过神经网络学习，得到系统能效模型包括：对建筑负荷数据的学习得到建筑负荷预测模型；对机房内设备运行能效的学习得到冷水机组运行能效模型、冷冻水泵运行能效模型、冷却水泵运行能效模型；对冷却塔运行能效的学习得到冷却塔运行能效模型。

进一步地，所述的神经网络学习包括将预处理后的系统运行数据随机划分为训练集和测试集，采用交叉验证法，将数据集划分为k个子集，返回k测训练和测试结果；将训练集作为输入，利用神经网络学习输入数据，迭代N次，分别输出建筑负荷预测模型，冷水机组运行能效模型，冷冻/冷却水泵运行能效模型，以及冷却塔运行能效模型。

进一步地，所述的遗传算法寻优包括：初始化种群，种群共有25个特征组成，单个染色体由25个基因组成。单个染色体染色体的二进制编码基因长度为11+6+6+6+6＝35bit；计算适应度，随机挑选N组控制变量，设置系统能效为适应度，通过系统能效模型计算得到每一组控制变量的适应度；选择，得到N组系统能效及控制变量后，选择适应度最大的一组控制变量；交叉：把两个父代控制变量染色体部分结构进行替换重组成新的个体，产生新的基因，重新计算适应度；变异：根据变异概率选择变异位点，将二进制位改变，计算适应度，重复选择、交叉、变异，选出使得系统能效最高的一组控制变量输出。

另一方面，本发明还提供一种基于神经网络和遗传算法的中央空调系统节能控制系统，包括：数据采集单元，用于获取空调系统的设备运行数据和建筑负荷数据；数据预处理单元，用于对上述数据进行数据预处理；神经网络学习单元，用于对预处理后的数据通过神经网络学习，形成系统能效模型；遗传算法优化单元，用于根据系统能效模型通过遗传算法寻优得到运行状态优化参数；系统优化控制单元，用于根据运行状态优化参数对空调系统运行进行优化控制。

进一步地，所述数据预处理单元包括数据清洗模块、数据变换模块和特征选择模块，其中数据清洗模块用于对重复数据进行清洗、对缺失数据通过正则表达式生成缺失数据默认值、通过小波分析减少数据采集时噪声带来的干扰。

进一步地，所述数据预处理单元还包括通过核PCA进行特征选择模块，用于筛选出数据属性中影响因子高的数据，实现数据的降维，其中对于不成线性关系的数据，需要引入核PCA方法，协方差矩阵具体表达式如下：

进一步地，对预处理后的数据通过神经网络学习，得到系统能效模型包括：对建筑负荷数据的学习得到建筑负荷预测模型；对机房内设备运行能效的学习得到冷水机组运行能效模型、冷冻水泵运行能效模型、冷却水泵运行能效模型；对冷却塔运行能效的学习得到冷却塔运行能效模型。

进一步地，所述的神经网络学习包括将预处理后的系统运行数据随机划分为训练集和测试集，采用交叉验证法，将数据集划分为k个子集，返回k测训练和测试结果；将训练集作为输入，利用神经网络学习输入数据，迭代N次，分别输出建筑负荷预测模型，冷水机组运行能效模型，冷冻/冷却水泵运行能效模型，以及冷却塔运行能效模型。

进一步地，所述的遗传算法优化单元包括：初始化种群模块，种群共有25个特征组成，单个染色体由25个基因组成。单个染色体染色体的二进制编码基因长度为11+6+6+6+6＝35bit；计算适应度模块，用于随机挑选N组控制变量，设置系统能效为适应度，通过系统能效模型计算得到每一组控制变量的适应度；选择模块，用于在得到N组系统能效及控制变量后，选择适应度最大的一组控制变量；交叉模块，用于把两个父代控制变量染色体部分结构进行替换重组成新的个体，产生新的基因，重新计算适应度；变异模块，用于根据变异概率选择变异位点，将二进制位改变，计算适应度，重复选择、交叉、变异，选出使得系统能效最高的一组控制变量输出。

本发明对比目前的控制技术有如下有益效果：

1、通过基于数据的神经网络设备建模，避免设备长期运行后，性能下滑，厂家提供的出厂数据不能应用于能效分析的情况，合理的能效曲线对运行策略的制定起重要作用；

2、通过神经网络建立系统能效模型，利用遗传算法优化运行参数，能快速匹配出符合当前系统制冷需求的节能策略；

3、通过采集的历史负荷数据得到的神经网络负荷预测模型，将预测数据作为空调系统的输入，即有调节的即时性，能满足更加舒适的供冷要求；

附图说明

图1为本发明基于神经网络和遗传算法的中央空调系统节能控制方法的流程图。

图2为本发明基于神经网络和遗传算法的中央空调系统节能控制系统的结构框图。

具体实施方式

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。

需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

根据本发明的实施例，提供了一种基于神经网络和遗传算法的中央空调系统节能控制方法。

如图1所示，一种基于神经网络和遗传算法的中央空调系统节能控制方法，包括以下步骤：S100获取空调系统的设备运行数据和建筑负荷数据；S200对上述数据进行数据预处理；S300对预处理后的数据通过神经网络学习，得到系统能效模型；S400根据系统能效模型通过遗传算法寻优得到运行状态优化参数；S500根据运行状态优化参数对空调系统运行进行优化控制。

本发明的实施例中，预设时间段为整个制冷季，随着数据采集数量增加，算法可是实现在线学习，实时更新，提供更准确的运行优化方案。

具体的，在本实实例中，中央空调的运行参数的历史数据包括多组数据，这些数据均在同一时刻采集，每隔1分钟采集一次，虽然建模过程对数据采集节点不作要求，但是本发明中的数据包含设备启停时的不稳定状态数据，通过这些启停数据，有利于筛选和提出启停时前后的不稳定因素，大大提高了数据质量。

具体地，所述空调系统包括有：冷水机组、冷冻水循环系统、冷却水循环系统、冷却塔。对空调系统的优化控制包括：冷水机组运行台数控制，冷冻水供回水温度设置；所述冷冻水循环系统控制指冷冻水泵运行台数控制，供回压差；所述冷却水循环系统控制指冷却水泵运行台数控制，供回压差；所述冷却塔控制指冷却塔运行台数控制，冷却水供回水温度设置。

具体地，所述数据采集分为三大类：建筑数据，包括室外干湿球温度，气象条件，建筑面积，窗面积，墙体导热系数，保温层导热系数，建筑功能等与建筑特性有关的参数；机房设备运行数据，包括冷水机组运行数据(蒸发/冷凝趋近温度、蒸发/冷凝器水流量、电机频率等)，冷冻/冷却水泵运行数据(出/入口压力、流量、转速、电机频率等)，同时考虑到后期耦合系统能效模型，还需水泵处水温；冷却塔运行数据，包括进/出水温度、进/出风干湿球温度、进出风相对湿度、流量、风量。

优选地，步骤S200中所述数据预处理包括数据清洗、数据降噪和特征选择，其中数据清洗是使采集的数据包含设备从启动到稳定运行，设备停机时的数据以及不处于稳定工况点的数据需要剔除。在本实施例中，以冷水机负载率FLA_Load＝0为条件，剔除掉停机数据；对于FLA_Load＝0附近20min之内的数据也需要剔除。

数据降噪：清洗后的数据可能存在人为或者传感器误差导致的噪声，通过DWT方法对含噪信号进行处理的步骤如下：

1.小波分解，选取合适的小波基函数，并确定分解的层数N，对含噪信号进行N层小波分解，求出小波系数

2.对小波高频系数进行阈值处理，对第一层到底N层的每一层高频系数，选择一个阈值进行处理，得出估计小波系数

使得

尽可能小，U_a,b为部分所对应的小波系数；

3.信号重构，根据小波分解的第N层的低频系数和经过量化处理后的第1到第N层的高频系数Wa,b进行信号重构，重构信号为

在本实施例中，冷水机的负载最大可做12层小波分解,选取N＝12，通过python自带小波包pywt对原始数据进行小波分解重构。

优选地，步骤S200中所述数据预处理还包括通过核PCA进行特征选择，筛选出数据属性中影响因子高的数据，实现数据的降维，其中对于不成线性关系的数据，需要引入核PCA方法，协方差矩阵具体表达式如下：

核PCA进行特征选择的步骤如下：

1、通过分解协方差矩阵得到主元坐标系；

2、求出每个样本在主元坐标系下的坐标，取出权重最大的M个特征为神经网络的输入参数。

不同于普遍PCA降维后的特征提取，用新产生的数据作为输入，本例中将PCA方法用来进行特征选择，即不改变原始数据。

优选地，步骤S300中对预处理后的数据通过神经网络学习，得到系统能效模型包括：对建筑负荷数据的学习得到建筑负荷预测模型；对机房内设备运行能效的学习得到冷水机组运行能效模型、冷冻水泵运行能效模型、冷却水泵运行能效模型；对冷却塔运行能效的学习得到冷却塔运行能效模型。

优选地，步骤S300中所述的神经网络学习的步骤包括：

划分训练集和测试集：本实施例中采用最常用的K-fold cross-validationK，初始数据分割成K个子样本，一个单独的子样本被保留作为验证模型的数据，其他K-1个样本用来训练。交叉验证重复K次，每个子样本验证一次，平均K次的结果，最终得到一个单一估测。

神经网络搭建：本例中，要分别搭建多个神经网络模型，对于每个模型的输入层，可包括n个输入参数，m个隐含层节点。以本实施例中的某品牌冷水机组为例，n＝5，分别是冷冻水供水温度，冷却水进水温度，冷冻水流量，冷却水流量，供冷负荷率。隐含层可包括12个节点，输出层的1个输出参数为冷水机的能耗。

本实施例中，首先对样本的输入数据进行归一化处理，BP神经网络训练模型中的激活函数均采用Sigmoid函数，隐含层神经元传递函数选用S型正切函数，BP神经网络训练模型中的训练算法均采用PSO算法。

PSO算法首先随机的初始化一个粒子群体，通过迭代寻找最优解，在每一次迭代过程中，每个粒子目前所找到的最优解为pBest，整个种群目前所找到的最优解为gBest，每个粒子通过这两极值来更新自己的速度和位置，相应的公式为：

v＝v+c₁*rand()*(pbest-present)+c₂*rand()*(gbest-present)

present＝persent+v

其中，v为粒子的速度，present为粒子的位置，rand()产生0到1之间的随机数，c1和c2为学习因子。在进化迭代过程中，须根据实际需要为v和present指定范围。

传统的BP神经网络采用误差反向传播来调整网络连接权值，该方法容易陷入局部最优解，而PSO算法可以在更大的空间内搜索，在一定程度上避免了以上问题。将神经网络各层的连接权值编码成粒子，适应度值则为使用该组权值时的网络输出均方误差，利用之前描述的粒子群算法，在预设的迭代次数内搜索最优的网络权值。

在求得负荷预测模型以及系统各个设备能耗模型后，在本实施例中，各模型可表示为以下函数形式：

负荷预测：Q_c＝f(T,H,t) (1)

系统设备：W_chiller,i＝f(T_ch,out,T_co,out,M_ch,i,M_co,i,η...) (2)

W_c,t＝f(T,H，_co,out,M_co,i,Q_w...) (3)

W_ch,pi＝f(M_ch,i...) (4)

W_co,pi＝f(M_co,i...) (5)

其中：T为室外干球温度，H为室外湿度，t为时间，T_ch,in为蒸发器出水温度，T_co,out为冷却塔出水温度，M_ch,i为单台设备冷冻水质量流量，M_co,i为单台设备冷冻水质量流量，η为供冷负荷率，Q_w为冷却水换热量。

具体的，本实施例中的函数变量可能多于上述参数，取决于特征选择后得到的特征向量。

搭建中央空调系统的总能耗模型，并根据所述总能耗模型与运行参数的数学模型通过遗传算法对所属运行参数进行优化，输出运行参数的优化数据。

具体的，中央空调的总能耗与运行参数的数学模型为：

其中：A＝[α₁,α₂,α₃,α₄]为运行策略，{α₁[i],α₂[i],α₃[i],α₄[i]}∈[0,1]，0<i≤N其中N为设备台数，A表示单台设备的运行状态的集合，0为停止，1为满载；通过遗传算法求得W_sys最小时的A。

为冷水机组能耗向量，包含系统中各个冷水机的能耗。

为冷却塔能耗向量，包含系统中各个冷却塔的能耗。

为冷冻水泵能耗向量，包含系统中各个冷冻水泵的能耗。

为冷却水泵能耗向量，包含系统中各个冷却水泵的能耗。

W_sys为系统总能耗。

优选地，步骤S400中遗传算法的实施步骤：

根据遗传算法对中央空调的运行参数进行优化处理，输出运行参数的优化数据，即找到一组A，与冷冻水冷却水进出水温，使得W_sys最小。构成W_sys的各个设备并非独立变量，因此在进行遗传算法参数寻优时，要给各个设备能耗模型加上约束条件。

Q_c＝CM_ch(T_ch,out-T_ch,in) (8)

Q_w＝CM_co(T_co,out-T_co,in) (9)

其中Q_w为冷却塔散热量，T_ch,in为蒸发器进水温度，T_co，,_in为冷却塔进水温度。

通过负荷预测模型，室外温度T和湿度H，以及建筑所处的时间，可以得到建筑冷负荷Qc，通过中央空调系统可控变量T_ch,in,T_ch,out,T_co,out,T_co,out,可以得到M_ch，M_co，再通过系统控制开启台数，得到M_ch,i，M_co,i,进而得到系统总能耗W_sys。

Step1：初始化种群，把所有控制变量创造成一个种群，然后采用二进制将每个控制变量作为一个染色体进行编码为基因型。初始化种群的质量对遗传算法的运算效率有很深的影响，因此在初始化种群时，不采用随机数生成，从数据库中选取相同负荷下的历史运行策略来初始化种群。

选定变量为建筑负荷、室外干湿球温度，输出变量为系统能效，系统能效通过系统能效模型得出。设置系统能效为适应度，及每一组控制变量都有一个适应度。通过优化得到适应度最高运行控制参数，求解精度：保留1位小数。

具体的，从数据库中选取某一负荷下N组的历史运行策略数据作为初始化种群不同运行策略构成一条染色体，每个控制变量作为一个基因。在本实施例中不同基因的取值范围如下：

冷水机组台数α₁：冷水机组有4台，即α₁[i],∈[0,1]，1<i<4

冷冻水泵台数α₂：冷冻水泵有6台，即α₂[i],∈[0,1]，1<i<6

冷却水泵台数α₃：冷冻水泵有6台，即α₃[i],∈[0,1]，1<i<6

冷却塔台数α₄：冷却塔5台，即α₄[i],∈[0,1]，1<i<5

冷冻水供水温度T_ch,out：[6℃,12℃]

冷冻水供回水温差T_ch,out-T_ch,in：[3℃,7℃]

冷却水回水温度T_co,in[30℃,35℃]

冷却水供水温度T_co,out-T_ch,in：[3℃,7℃]

初始化种群：种群共有25个特征组成，单个染色体由25个基因组成。其中温度为连续值，对其进行二进制编码，精度取0.1，编码规则如下：

其中：x—精度

b，a—设计变量的上下限

n—二进制位数

系统共有[0,1]运行的设备11台，二进制基因11bit；冷冻水供水温度[6,12]，二进制编码后基因为6bit；冷冻水供回水温差：[3,7]，二进制编码后基因为6bit；冷却水供水温度[30,35]，二进制编码后基因为6bit，冷却水供水温度T_co,out-T_ch,in：[3,7]，二进制编码后基因为6bit。染色体的二进制编码基因长度为11+6+6+6+6＝35bit step2：适应度计算：选取适应函数fitness＝W_sys

Step3：选择操作：根据种群中个体的适应度大小，通过轮盘赌方式将适应度高的个体从当前种群中选择出来。

具体步骤如下：

(1)首先计算出所有个体的适应度总和∑f_i。

(2)其次计算出每个个体的相对适应度大小

(3)再产生一个0到1之间的随机数，依据随机数出现在上述哪个概率区域内来确定各个个体被选中的次数。

具体的，在本实施例中，将所选取的N组数据作为遗传算法运算的染色体，每组数据包括，A＝[α₁,α₂,α₃,α₄]，T＝[T_ch,in,T_ch,out,T_co,in,T_co,out]，除此之外，包括用于神经网络能效模型的室外温度，室外湿度，时间。

计算N组运行策略的适应度，以及相对适应度(概率)，累计N组概率，如下表:

产生N个0到1的随机数，R1,R2...Rn,依据各个随机数出现在哪个概率区域内，决定N个个体进入下一代种群。

Step4：交叉运算：该步骤是遗传算法中产生新的个体的主要操作过程，它用一定的交叉率来控制是否交叉，可以采取单点交叉，多点交叉等方式生成新的交叉个体。

具体步骤如下：

(1)先对群体随机配对。

(2)再随机设定交叉点的位置。

(3)再互换配对染色体间的部分基因。

具体的，在本实施例中，选择单点交叉，其改变模式的概率小，搜索能力强。从选择操作后的N个个体中，根据拟定的交叉率P(p<0.5)，选择N*P个染色体，与未被选择的N*P，随机两两配对，随机产生交叉位置交换基因，产生新个体。选取的交叉率可根据实际运算效果确定。

Step5：变异运算：该步骤是产生新的个体的另一种操作。一般先随机产生变异点，再根据变异率将变异点的原有基因取反。

具体的，在本实施例中，从选择操作后的N个个体中，根据拟定的变异率q，选择N*q个染色体，在染色体35bit位置上，随机取两个点位，将这两个位置的0换成1，1换成0。选取的变异率率可根据实际运算效果确定。

Step6：终止判断：

具体的，当符合如下任一条件时，终止算法，输出N个个体中染色体适应度最大的个体作为最佳解，否则置t＝t+1，返回step2：

1)进化代数大于H(视具体系统情况，通过系统设定)；

2)观察适应度变化趋势，当变化增量持续几代变化量小于一定数值(视具体系统情况而定)；

通过上述遗传算法找到满足条件的A，T,及当前负荷下的最佳运行策略。

步骤S500中，将运行状态优化参数输入PLC控制空调系统的运行状态。

本发明实施例还提供一种基于神经网络和遗传算法的中央空调系统节能控制系统，包括：数据采集单元10，用于获取空调系统的设备运行数据和建筑负荷数据；数据预处理单元20，用于对上述数据进行数据预处理；神经网络学习单元30，用于对预处理后的数据通过神经网络学习，形成系统能效模型；遗传算法优化单元40，用于根据系统能效模型通过遗传算法寻优得到运行状态优化参数；系统优化控制单元50，用于根据运行状态优化参数对空调系统运行进行优化控制。

优选地，所述数据预处理单元20包括数据清洗模块、数据变换模块和特征选择模块，其中数据清洗模块用于对重复数据进行清洗、对缺失数据通过正则表达式生成缺失数据默认值、通过小波分析减少数据采集时噪声带来的干扰。

优选地，所述数据预处理单元20还包括通过核PCA进行特征选择模块，用于筛选出数据属性中影响因子高的数据，实现数据的降维，其中对于不成线性关系的数据，需要引入核PCA方法，协方差矩阵具体表达式如下：

优选地，对预处理后的数据通过神经网络学习单元30，得到系统能效模型包括：对建筑负荷数据的学习得到建筑负荷预测模型；对机房内设备运行能效的学习得到冷水机组运行能效模型、冷冻水泵运行能效模型、冷却水泵运行能效模型；对冷却塔运行能效的学习得到冷却塔运行能效模型。

优选地，所述的神经网络学习包括将预处理后的系统运行数据随机划分为训练集和测试集，采用交叉验证法，将数据集划分为k个子集，返回k测训练和测试结果；将训练集作为输入，利用神经网络学习输入数据，迭代N次，分别输出建筑负荷预测模型，冷水机组运行能效模型，冷冻/冷却水泵运行能效模型，以及冷却塔运行能效模型。

优选地，所述的遗传算法优化单元40包括：初始化种群模块，种群共有25个特征组成，单个染色体由25个基因组成。单个染色体染色体的二进制编码基因长度为11+6+6+6+6＝35bit；计算适应度模块，用于随机挑选N组控制变量，设置系统能效为适应度，通过系统能效模型计算得到每一组控制变量的适应度；选择模块，用于在得到N组系统能效及控制变量后，选择适应度最大的一组控制变量；交叉模块，用于把两个父代控制变量染色体部分结构进行替换重组成新的个体，产生新的基因，重新计算适应度；变异模块，用于根据变异概率选择变异位点，将二进制位改变，计算适应度，重复选择、交叉、变异，选出使得系统能效最高的一组控制变量输出。

优选地，所述系统优化控制单元50将运行状态优化参数输入PLC控制空调系统的运行状态。

需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置，可通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。

以上所述仅为本发明的优选实施例，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (12)

1.一种基于神经网络和遗传算法的中央空调系统节能控制方法，其特征在于，包括以下步骤：

获取空调系统的设备运行数据和建筑负荷数据；

对上述数据进行数据预处理；

对预处理后的数据通过神经网络学习，得到系统能效模型；

根据系统能效模型通过遗传算法寻优得到运行状态优化参数；

根据运行状态优化参数对空调系统运行进行优化控制。

2.根据权利要求1所述的方法，其特征在于：所述数据预处理包括数据清洗、数据降噪和特征选择。

3.根据权利要求1或2所述的方法，其特征在于：所述数据预处理还包括通过核PCA进行特征选择，筛选出数据属性中影响因子高的数据，实现数据的降维，其中对于不成线性关系的数据，需要引入核PCA方法，协方差矩阵具体表达式如下：

4.根据权利要求1所述的方法，其特征在于：对预处理后的数据通过神经网络学习，得到系统能效模型包括：

对建筑负荷数据的学习得到建筑负荷预测模型；

对机房内设备运行能效的学习得到冷水机组运行能效模型、冷冻水泵运行能效模型、冷却水泵运行能效模型；

对冷却塔运行能效的学习得到冷却塔运行能效模型。

5.根据权利要求4所述的方法，其特征在于：所述的神经网络学习包括将预处理后的系统运行数据随机划分为训练集和测试集，采用交叉验证法，将数据集划分为k个子集，返回k测训练和测试结果；将训练集作为输入，利用神经网络学习输入数据，迭代N次，分别输出建筑负荷预测模型，冷水机组运行能效模型，冷冻/冷却水泵运行能效模型，以及冷却塔运行能效模型。

6.根据权利要求1所述的方法，其特征在于：所述的遗传算法寻优包括：

初始化种群：种群共有25个特征组成，单个染色体由25个基因组成，单个染色体染色体的二进制编码基因长度为11+6+6+6+6＝35bit；

计算适应度，随机挑选N组控制变量，设置系统能效为适应度，通过系统能效模型计算得到每一组控制变量的适应度；

选择，得到N组系统能效及控制变量后，选择适应度最大的一组控制变量；

交叉：把两个父代控制变量染色体部分结构进行替换重组成新的个体，产生新的基因，重新计算适应度；

变异：根据变异概率选择变异位点，将二进制位改变，计算适应度。

重复选择、交叉、变异，选出使得系统能效最高的一组控制变量输出。

7.一种基于神经网络和遗传算法的中央空调系统节能控制系统，包括：

数据采集单元，用于获取空调系统的设备运行数据和建筑负荷数据；

数据预处理单元，用于对上述数据进行数据预处理；

神经网络学习单元，用于对预处理后的数据通过神经网络学习，形成系统能效模型；

遗传算法优化单元，用于根据系统能效模型通过遗传算法寻优得到运行状态优化参数；

系统优化控制单元，用于根据运行状态优化参数对空调系统运行进行优化控制。

8.根据权利要求7所述的系统，其特征在于：所述数据预处理单元包括数据清洗模块、数据降噪模块和特征选择模块，用于对重复数据进行清洗、对缺失数据通过正则表达式生成缺失数据默认值、通过小波分析减少数据采集时噪声带来的干扰。

9.根据权利要求7或8所述的系统，其特征在于：所述数据预处理单元还包括通过核PCA进行特征选择模块，用于筛选出数据属性中影响因子高的数据，实现数据的降维，其中对于不成线性关系的数据，需要引入核PCA方法，协方差矩阵具体表达式如下：

10.根据权利要求7所述的系统，其特征在于：对预处理后的数据通过神经网络学习，得到系统能效模型包括：

对建筑负荷数据的学习得到建筑负荷预测模型；

对机房内设备运行能效的学习得到冷水机组运行能效模型、冷冻水泵运行能效模型、冷却水泵运行能效模型；

对冷却塔运行能效的学习得到冷却塔运行能效模型。

11.根据权利要求7所述的系统，其特征在于：所述的神经网络学习包括将预处理后的系统运行数据随机划分为训练集和测试集，采用交叉验证法，将数据集划分为k个子集，返回k测训练和测试结果；将训练集作为输入，利用神经网络学习输入数据，迭代N次，分别输出建筑负荷预测模型，冷水机组运行能效模型，冷冻/冷却水泵运行能效模型，以及冷却塔运行能效模型。

12.根据权利要求7所述的系统，其特征在于：所述的遗传算法优化单元包括：

初始化种群模块，种群共有25个特征组成，单个染色体由25个基因组成，单个染色体染色体的二进制编码基因长度为11+6+6+6+6＝35bit；

计算适应度模块，用于随机挑选N组控制变量，设置系统能效为适应度，通过系统能效模型计算得到每一组控制变量的适应度；

选择模块，用于在得到N组系统能效及控制变量后，选择适应度最大的一组控制变量；

交叉模块，用于把两个父代控制变量染色体部分结构进行替换重组成新的个体，产生新的基因，重新计算适应度；

变异模块，用于根据变异概率选择变异位点，将二进制位改变，计算适应度；

重复选择、交叉、变异，选出使得系统能效最高的一组控制变量输出。

Images