CN111274733B - 数据处理方法、数据处理装置、空调系统和存储介质 - Google Patents

数据处理方法、数据处理装置、空调系统和存储介质 Download PDF

Info

Publication number
CN111274733B
CN111274733B CN202010078399.0A CN202010078399A CN111274733B CN 111274733 B CN111274733 B CN 111274733B CN 202010078399 A CN202010078399 A CN 202010078399A CN 111274733 B CN111274733 B CN 111274733B
Authority
CN
China
Prior art keywords
algorithm
particle swarm
value
air conditioning
operation data
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.)
Active
Application number
CN202010078399.0A
Other languages
English (en)
Other versions
CN111274733A (zh
Inventor
于昊
李元阳
阎杰
罗彬�
梁锐
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
GD Midea Heating and Ventilating Equipment Co Ltd
Shanghai Meikong Smartt Building Co Ltd
Original Assignee
GD Midea Heating and Ventilating Equipment Co Ltd
Shanghai Meikong Smartt Building Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by GD Midea Heating and Ventilating Equipment Co Ltd, Shanghai Meikong Smartt Building Co Ltd filed Critical GD Midea Heating and Ventilating Equipment Co Ltd
Priority to CN202010078399.0A priority Critical patent/CN111274733B/zh
Publication of CN111274733A publication Critical patent/CN111274733A/zh
Application granted granted Critical
Publication of CN111274733B publication Critical patent/CN111274733B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
    • F24F11/63—Electronic processing
    • F24F11/64—Electronic processing using pre-stored data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B30/00—Energy efficient heating, ventilation or air conditioning [HVAC]
    • Y02B30/70—Efficient control or regulation technologies, e.g. for control of refrigerant flow, motor or heating

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Signal Processing (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

本发明提出了一种数据处理方法、数据处理装置、空调系统和存储介质。其中，数据处理方法，包括：获取空调设备的当前运行数据，根据当前运行数据建立空调设备的设备模型；利用粒子群算法和聚类算法优化设备模型，以得到运行数据设定值；根据运行数据设定值控制空调设备。本发明考虑采取聚类算法在粒子群算法执行过程中对粒子种群进行筛选，逐渐削减产生冗余的种群，使粒子群算法的计算复杂度逐步减小，提高算法收敛速度，以快速且精确地得到运行数据设定值。

Description

数据处理方法、数据处理装置、空调系统和存储介质
技术领域
本发明涉及数据处理技术领域，具体而言，涉及一种数据处理方法、数据处理装置、空调系统和计算机可读存储介质。
背景技术
在绝大部分时间内，中央空调系统中的冷却水系统是一个复杂的多变量耦合系统，控制过程中干扰因素和运行工况众多，负荷的变化、室外环境的变化等都会对控制效果产生影响。
由于经典的优化算化，如解析法、共轭梯度法、直接搜索法、变尺度法等往往对目标函数的要求较高，例如要求目标函数具有一阶导数、二阶导数、连续性等等，因此难以直接应用于解决上述问题。不同于以上算法，智能优化算法如遗传算法、蚁群算法、模拟退火算法等对目标函数的要求较低，不需要具有连续性、可导、可微等特点，甚至有无表达式均可，该类算法在解空间内进行随机搜索，找到目标函数的最优解。其中，粒子群算法由于输入参数少、适应性较好而较为适用于解决上述问题。
在粒子群算法的执行过程中粒子的移动速度会被限制到一定范围内，均朝向全局最优解的方向移动，在最优解附近会产生越来越大的冗余度，而每个粒子都需要作为一个可能的解被带入到冷却水系统的模型中计算，而冷却水系统模型复杂，内部还含有迭代，会导致计算耗时较长。
发明内容
本发明旨在至少解决现有技术或相关技术中存在的技术问题之一。
为此，本发明的一个方面在于提出了一种数据处理方法。
本发明的另一个方面在于提出了一种数据处理装置。
本发明的再一个方面在于提出了一种空调系统。
本发明的又一个方面在于提出了一种计算机可读存储介质。
有鉴于此，根据本发明的一个方面，提出了一种数据处理方法，包括：获取空调设备的当前运行数据，根据当前运行数据建立空调设备的设备模型；利用粒子群算法和聚类算法优化设备模型，以得到运行数据设定值；根据运行数据设定值控制空调设备。
本发明提供的数据处理方法，通过空调设备的当前运行数据建立设备模型，进一步地，利用粒子群算法和聚类算法优化设备模型以得到运行数据设定值，根据运行数据设定值控制空调设备，使得空调设备按照运行数据设定值稳定运行。也就是说，本发明考虑采用聚类算法在粒子群算法执行过程中对粒子种群进行筛选，逐渐削减产生冗余的种群，使粒子群算法的计算复杂度逐步减小，提高算法收敛速度，以快速且精确地得到运行数据设定值。
根据本发明的上述数据处理方法，还可以具有以下技术特征：
在上述技术方案中，利用粒子群算法和聚类算法优化设备模型，以得到运行数据设定值的步骤，具体包括：利用粒子群算法对设备模型中的目标优化函数进行优化，以得到使目标优化函数为最优值的运行数据设定值；在粒子群算法执行过程中，采用聚类算法对粒子群算法的多个粒子进行筛选。
在该技术方案中，将密度聚类算法引入到粒子群算法求解空调设备模型优化的问题中。主要集中在采用密度聚类的思想在粒子群算法执行过程中粒子种群的筛选，即在每次种群更新之后，种群中大部分粒子都会朝向最优解的方向移动，此时利用聚类算法削减种群的数量，在保证算法精度的同时，减小算法运行时间。
在上述任一技术方案中，采用聚类算法对粒子群算法的多个粒子进行筛选的步骤，具体包括：计算多个粒子的密度指标值；确定预设范围内的最大密度指标值对应的粒子，将最大密度指标值对应的粒子保留，以及将与最大密度指标值的差值小于差值阈值的密度指标值对应的粒子删除。
在该技术方案中，密度聚类核心思想就是通过计算各点(粒子)的密度来进行聚类分析，针对某个数据点，在其定义的邻域范围内，如果出现密度值与其非常相近的点则认为两点在空间的分布非常接近，此时选取其中密度值较大的作为该类的聚类特征点，而密度值较小的成为该类的成员，此时只留下各个类的特征点而删除其成员。如果没有密度值与其非常接近的点，则说明该点包含当前族群不具备的信息，此时应该建立一个新的类，将该点作为特征点。通过本发明能够在达到种群数量削减的目的，同时又能保留算法随机搜索的特性，对算法的稳定性和精度几乎没有影响，但却能显著地提高算法的执行效率，使算法的实时在线运行成为可能。
在上述任一技术方案中，在计算多个粒子的密度指标值之前，还包括：对多个粒子的密度指标值进行归一化处理。
在该技术方案中，为了使种群中每个粒子包含的变量在密度聚类中拥有相同的权重值，应该对各维变量进行归一化处理，归一化公式如公式(1)，公式(1)如下：
其中，ak,i为第i个运行输入数据Ii中的第k个聚类属性，pk,i表示ak,i归一化后的结果，max(ak)与min(ak)分别表示所有运行输入数据中第k个聚类属性的最大值与最小值。
根据本发明的另一个方面，提出了一种数据处理装置，包括：存储器，存储器被配置为存储有计算机程序；处理器，处理器被配置为执行计算机程序时实现：获取空调设备的当前运行数据，根据当前运行数据建立空调设备的设备模型；利用粒子群算法和聚类算法优化设备模型，以得到运行数据设定值；根据运行数据设定值控制空调设备。
本发明提供的数据处理装置，通过空调设备的当前运行数据建立设备模型，进一步地，利用粒子群算法和聚类算法优化设备模型以得到运行数据设定值，根据运行数据设定值控制空调设备，使得空调设备按照运行数据设定值稳定运行。也就是说，本发明考虑采用聚类算法在粒子群算法执行过程中对粒子种群进行筛选，逐渐削减产生冗余的种群，使粒子群算法的计算复杂度逐步减小，提高算法收敛速度，以快速且精确地得到运行数据设定值。
根据本发明的上述数据处理装置，还可以具有以下技术特征：
在上述技术方案中，处理器执行利用粒子群算法和聚类算法优化设备模型，以得到运行数据设定值，具体包括：利用粒子群算法对设备模型中的目标优化函数进行优化，以得到使目标优化函数为最优值的运行数据设定值；在粒子群算法执行过程中，采用聚类算法对粒子群算法的多个粒子进行筛选。
在该技术方案中，将密度聚类算法引入到粒子群算法求解空调设备模型优化的问题中。主要集中在采用密度聚类的思想在粒子群算法执行过程中粒子种群的筛选，即在每次种群更新之后，种群中大部分粒子都会朝向最优解的方向移动，此时利用聚类算法削减种群的数量，在保证算法精度的同时，减小算法运行时间。
在上述任一技术方案中，处理器执行采用聚类算法对粒子群算法的多个粒子进行筛选，具体包括：计算多个粒子的密度指标值；确定预设范围内的最大密度指标值对应的粒子，将最大密度指标值对应的粒子保留，以及将与最大密度指标值的差值小于差值阈值的密度指标值对应的粒子删除。
在该技术方案中，密度聚类核心思想就是通过计算各点(粒子)的密度来进行聚类分析，针对某个数据点，在其定义的邻域范围内，如果出现密度值与其非常相近的点则认为两点在空间的分布非常接近，此时选取其中密度值较大的作为该类的聚类特征点，而密度值较小的成为该类的成员，此时只留下各个类的特征点而删除其成员。如果没有密度值与其非常接近的点，则说明该点包含当前族群不具备的信息，此时应该建立一个新的类，将该点作为特征点。通过本发明能够在达到种群数量削减的目的，同时又能保留算法随机搜索的特性，对算法的稳定性和精度几乎没有影响，但却能显著地提高算法的执行效率，使算法的实时在线运行成为可能。
在上述任一技术方案中，处理器执行计算机程序时还实现：对多个粒子的密度指标值进行归一化处理。
在该技术方案中，为了使种群中每个粒子包含的变量在密度聚类中拥有相同的权重值，应该对各维变量进行归一化处理，归一化公式如公式(1)，公式(1)如下：
其中，ak,i为第i个运行输入数据Ii中的第k个聚类属性，pk,i表示ak,i归一化后的结果，max(ak)与min(ak)分别表示所有运行输入数据中第k个聚类属性的最大值与最小值。
根据本发明的再一个方面，提出了一种空调系统，包括：空调设备；控制器；以及如上述任一项的数据处理装置。
本发明提供的空调系统包括空调设备、控制器以及如上述任一项的数据处理装置，因此该空调系统包括上述任一技术方案的数据处理装置的全部有益效果。
根据本发明的又一个方面，提出了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如上述任一技术方案的数据处理方法。
本发明提供的计算机可读存储介质，计算机程序被处理器执行时实现如上述任一技术方案的数据处理方法的步骤，因此该计算机可读存储介质包括上述任一技术方案的数据处理方法的全部有益效果。
本发明的附加方面和优点将在下面的描述部分中变得明显，或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1示出了本发明的一个实施例的数据处理方法的流程示意图；
图2示出了本发明的另一个实施例的数据处理方法的流程示意图；
图3示出了本发明的再一个实施例的数据处理方法的流程示意图；
图4示出了本发明的一个实施例的数据处理装置的示意框图；
图5示出了本发明的一个实施例的粒子群算法的初始种群分布和迭代过程中种群分布的示意图；
图6示出了本发明的一个实施例的种群更新和种群筛选的示意图；
图7示出了本发明的一个实施例的中央空调系统的示意图；
图8示出了本发明的一个实施例的粒子群算法的仿真结果示意图；
图9示出了本发明的一个实施例的粒子群算法的仿真结果示意图；
图10示出了本发明的一个实施例的粒子群算法的仿真结果示意图；
图11示出了本发明的一个实施例的粒子群算法的仿真结果示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本发明的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不限于下面公开的具体实施例的限制。
下面参照图1至图11描述本发明一些实施例的数据处理方法和数据处理装置。
实施例一，图1示出了本发明的一个实施例的数据处理方法的流程示意图。其中，该方法包括：
步骤102，获取空调设备的当前运行数据，根据当前运行数据建立空调设备的设备模型；
步骤104，利用粒子群算法和聚类算法优化设备模型，以得到运行数据设定值；
步骤106，根据运行数据设定值控制空调设备。
本发明提供的数据处理方法，通过空调设备的当前运行数据建立设备模型，进一步地，利用粒子群算法和聚类算法优化设备模型以得到运行数据设定值，根据运行数据设定值控制空调设备，使得空调设备按照运行数据设定值稳定运行。也就是说，本发明考虑采用聚类算法在粒子群算法执行过程中对粒子种群进行筛选，逐渐削减产生冗余的种群，使粒子群算法的计算复杂度逐步减小，提高算法收敛速度，以快速且精确地得到运行数据设定值。
实施例二，图2示出了本发明的另一个实施例的数据处理方法的流程示意图。其中，该方法包括：
步骤202，获取空调设备的当前运行数据，根据当前运行数据建立空调设备的设备模型；
步骤204，利用粒子群算法对设备模型中的目标优化函数进行优化，以得到使目标优化函数为最优值的运行数据设定值，同时在粒子群算法执行过程中，采用聚类算法对粒子群算法的多个粒子进行筛选；
步骤206，根据运行数据设定值控制空调设备。
在该实施例中，将密度聚类算法引入到粒子群算法求解空调设备模型优化的问题中。主要集中在采用密度聚类的思想在粒子群算法执行过程中粒子种群的筛选，即在每次种群更新之后，种群中大部分粒子都会朝向最优解的方向移动，此时利用聚类算法削减种群的数量，在保证算法精度的同时，减小算法运行时间。
在上述任一实施例中，步骤204中，采用聚类算法对粒子群算法的多个粒子进行筛选的步骤，具体包括：计算多个粒子的密度指标值；确定预设范围内的最大密度指标值对应的粒子，将最大密度指标值对应的粒子保留，以及将与最大密度指标值的差值小于差值阈值的密度指标值对应的粒子删除。
在该实施例中，密度聚类核心思想就是通过计算各点(粒子)的密度来进行聚类分析，针对某个数据点，在其定义的邻域范围内，如果出现密度值与其非常相近的点则认为两点在空间的分布非常接近，此时选取其中密度值较大的作为该类的聚类特征点，而密度值较小的成为该类的成员，此时只留下各个类的特征点而删除其成员。如果没有密度值与其非常接近的点，则说明该点包含当前族群不具备的信息，此时应该建立一个新的类，将该点作为特征点。通过本发明能够在达到种群数量削减的目的，同时又能保留算法随机搜索的特性，对算法的稳定性和精度几乎没有影响，但却能显著地提高算法的执行效率，使算法的实时在线运行成为可能。
实施例三，图3示出了本发明的再一个实施例的数据处理方法的流程示意图。其中，该方法包括：
步骤302，获取空调设备的当前运行数据，根据当前运行数据建立空调设备的设备模型；
步骤304，利用粒子群算法对设备模型中的目标优化函数进行优化，以得到使目标优化函数为最优值的运行数据设定值，同时在粒子群算法执行过程中，对多个粒子的密度指标值进行归一化处理，计算多个粒子的密度指标值；确定预设范围内的最大密度指标值对应的粒子，将最大密度指标值对应的粒子保留，以及将与最大密度指标值的差值小于差值阈值的密度指标值对应的粒子删除；
步骤306，根据运行数据设定值控制空调设备。
在该实施例中，为了使种群中每个粒子包含的变量在密度聚类中拥有相同的权重值，应该对各维变量进行归一化处理，归一化公式如公式(1)，公式(1)如下：
其中，ak,i为第i个运行输入数据Ii中的第k个聚类属性，pk,i表示ak,i归一化后的结果，max(ak)与min(ak)分别表示所有运行输入数据中第k个聚类属性的最大值与最小值。
实施例四，图4示出了本发明的一个实施例的数据处理装置400的示意框图。其中，该数据处理装置400包括：
存储器402，存储器402被配置为存储有计算机程序；
处理器404，处理器404被配置为执行计算机程序时实现：
获取空调设备的当前运行数据，根据当前运行数据建立空调设备的设备模型；利用粒子群算法和聚类算法优化设备模型，以得到运行数据设定值；根据运行数据设定值控制空调设备。
本发明提供的数据处理装置，通过空调设备的当前运行数据建立设备模型，进一步地，利用粒子群算法和聚类算法优化设备模型以得到运行数据设定值，根据运行数据设定值控制空调设备，使得空调设备按照运行数据设定值稳定运行。也就是说，本发明考虑采用聚类算法在粒子群算法执行过程中对粒子种群进行筛选，逐渐削减产生冗余的种群，使粒子群算法的计算复杂度逐步减小，提高算法收敛速度，以快速且精确地得到运行数据设定值。
在上述实施例中，处理器404执行利用粒子群算法和聚类算法优化设备模型，以得到运行数据设定值，具体包括：利用粒子群算法对设备模型中的目标优化函数进行优化，以得到使目标优化函数为最优值的运行数据设定值；在粒子群算法执行过程中，采用聚类算法对粒子群算法的多个粒子进行筛选。
在该实施例中，将密度聚类算法引入到粒子群算法求解空调设备模型优化的问题中。主要集中在采用密度聚类的思想在粒子群算法执行过程中粒子种群的筛选，即在每次种群更新之后，种群中大部分粒子都会朝向最优解的方向移动，此时利用聚类算法削减种群的数量，在保证算法精度的同时，减小算法运行时间。
在上述任一实施例中，处理器404执行采用聚类算法对粒子群算法的多个粒子进行筛选，具体包括：计算多个粒子的密度指标值；确定预设范围内的最大密度指标值对应的粒子，将最大密度指标值对应的粒子保留，以及将与最大密度指标值的差值小于差值阈值的密度指标值对应的粒子删除。
在该实施例中，密度聚类核心思想就是通过计算各点(粒子)的密度来进行聚类分析，针对某个数据点，在其定义的邻域范围内，如果出现密度值与其非常相近的点则认为两点在空间的分布非常接近，此时选取其中密度值较大的作为该类的聚类特征点，而密度值较小的成为该类的成员，此时只留下各个类的特征点而删除其成员。如果没有密度值与其非常接近的点，则说明该点包含当前族群不具备的信息，此时应该建立一个新的类，将该点作为特征点。通过本发明能够在达到种群数量削减的目的，同时又能保留算法随机搜索的特性，对算法的稳定性和精度几乎没有影响，但却能显著地提高算法的执行效率，使算法的实时在线运行成为可能。
在上述任一实施例中，处理器404执行计算机程序时还实现：对多个粒子的密度指标值进行归一化处理。
在该实施例中，为了使种群中每个粒子包含的变量在密度聚类中拥有相同的权重值，应该对各维变量进行归一化处理，归一化公式如公式(1)，公式(1)如下：
其中，ak,i为第i个运行输入数据Ii中的第k个聚类属性，pk,i表示ak,i归一化后的结果，max(ak)与min(ak)分别表示所有运行输入数据中第k个聚类属性的最大值与最小值。
实施例五，提出了一种空调系统，包括：空调设备；控制器；以及如上述任一项的数据处理装置。
本发明提供的空调系统包括空调设备、控制器以及如上述任一项的数据处理装置，因此该空调系统包括上述任一实施例的数据处理装置的全部有益效果。
实施例六，提出一种基于数据模型的中央空调设备在线进化寻优控制方法，将密度聚类算法引入到粒子群算法求解中央空调设备的冷却水系统优化的问题中，如图5所示，在粒子群算法迭代过程中种群更新操作会使得大部分粒子向全局最优解靠拢，从而在全局最优解邻域范围内形成较高的冗余。在粒子群算法的迭代过程中引入密度聚类的思想，在粒子群算法执行过程中对种群筛选和去冗余，即在每次种群更新之后，种群中大部分粒子都会朝向最优解的方向移动，此时削减种群的数量，在保证算法精度的同时，减小算法运行时间。
密度聚类是一类无监督聚类算法，相比其他的聚类方法，该方法不需要先验知识，可以在有噪音的数据中发现各种形状和各种大小的簇。其核心思想就是通过计算各点的密度来进行聚类分析，针对某个数据点，在其定义的邻域范围内，如果出现密度值与其非常相近的点则认为两点在空间的分布非常接近，此时选取其中密度值较大的作为该类的聚类特征点，而密度值较小的成为该类的成员。如果没有密度值与其非常接近，则说明该点包含当前族群不具备的信息，此时应该建立一个新的类，将该点作为特征点。如图6所示，当粒子群算法执行种群更新后，应用密度聚类执行种群筛选，此时只留下各个类的特征点而删除其成员，达到种群数量削减的目的，同时又能保留算法随机搜索的特性，对算法的稳定性和精度几乎没有影响，但却能显著地提高算法的执行效率，使算法的实时在线运行成为可能。
一、粒子群算法的优化过程如下：
在粒子群算法初始化的过程中，各个粒子随机分布在整个搜索空间内，在迭代的过程中会筛选出当前群体的最优值和历史群体的最优值。当前群体最优值与历史群体最优值可能是不同的，因此粒子会通过加速常数来控制向两个最优方向的移动轨迹并达到一个更接近最优解的位置。同时每个粒子还会有一定的概率向随机方向移动防止陷入局部最优解，如公式(2)所示
vi,j,k+1＝w×vi,j,k+c1×r1,j×(pbesti,j,k-xi,j,k)+c2×r2,j×(gbesti,j,k-xi,j,k)
xi,j,k+1＝xi,j,k+vi,j,k+1 (2)
if rand()＞t,xi,j,k+1＝rand()
其中，xi,j,k为优化问题的D维空间上的一个解，对应于粒子群中第i个粒子，pbest是每个粒子曾经到过的最优值点，gbest为进化过程中的全局最优点，i为粒子的索引，j为各维变量的索引，k为迭代的次数。vi,j,k代表粒子的移动速度，r1,j和r2,j是两个在0到1范围内变化的随机数。c1和c2分别是加速常数，他们的大小决定了离子的移动方向更倾向于自身的历史最优解和全局最优解。w为延迟系数，代表着粒子移动速度靠近上一次的程度，其取值一般为0到1之间的正数。rand()代表在解空间的范围之内生成一个随机值，如果这个随机值大于t则该粒子就会向随机方向移动，该行为保证了算法的全局搜索能力，防止陷入局部最优。
二、密度聚类的执行过程如下：
步骤1：为了使种群中每个粒子包含的变量，即冷却水供回水温差与冷却塔回水温度(通过冷却塔风机频率来控制)在密度聚类中拥有相同的权重值，应该对各维变量进行归一化，公式如下：
其中，ak,i为第i个运行输入数据xi中的第k个聚类属性，pk,i表示ak,i归一化后的结果，max(ak)与min(ak)分别表示所有运行输入数据中第k个聚类属性的最大值与最小值。
步骤2：计算所有粒子的初始密度指标值Di，其中r为邻域半径，定义了归一化之后种群中粒子的接近程度，Di的计算公式如下：
步骤3：逐次修正种群中每个粒子的密度值，公式如下：
步骤4：如果计算结果Di被显著衰减，即差值与初始值的比例小于某一固定阈值，则说明该粒子与种群中某个粒子距离很近，属于冗余个体应该被删除。否则将xi加入到聚类形成的新种群集合中。
三、算法的应用过程如下：
如图7所示，中央空调系统包括中央空调700、现场控制器702、现场传感器704、上位主机706。为将上述算法应用在中央空调系统的冷却水控制系统中，需要在原有中央空调系统的现场控制器702上额外配置一台高性能上位主机706。其中现场控制器702为PLC(Programmable Logic Controller，可编程逻辑控制器)，安装在现场控制柜中。系统运行状态数据库、在线建模算法、粒子群优化算法都在上位主机706中运行。现场控制柜通过数字输入输出、模拟输入输出、总线等端口获取冷却水系统运行状态并通过以太网与上位主机706通讯。最后，将优化后的设定值通过以太网通讯返回给现场控制器702执行。
首先，现场控制柜中的现场传感器704会采集室外温度、室外湿度、系统负荷、冷机供水温度、冷却水泵扬程、冷却水控制系统流量等信息得到系统当前运行状态，根据这些运行状态在线建模方法会实时建立当前系统的模型以及优化目标函数，即总功率优化目标函数，(总功率包括冷机功率、冷却水泵功率、冷却塔功率)。粒子群优化算法基于总功率优化目标函数以冷却水供回水温差和冷却塔供回水温度为参数进行总功率优化，在算法收敛到最优时得到最优冷却水供回水温差和最优冷却塔回水温度，算法未收敛到最优时返回当前系统的模型以及优化目标函数。将此两项输入到现场控制器702中，现场控制器702会执行内部控制逻辑使当前系统稳定在要求的供回水温差与回水温度。
另外，由于实际系统的负荷变化不存在明显的突变，因此可以认为优化目标的模型也是缓变模型，即某一时刻的模型与上一时刻相比不会存在较大差距。因此，可以认为某一时刻的最优解应该距离上一时刻最优解不远，所以实时优化过程并不需要每一次都进行全局寻优，可以在每一次开机后的一段时间内进行一次全局寻优，之后每一次优化过程都在以上一次最优解为中心的一定范围内进行局部寻优，从而进一步减少计算量，实现快速在线优化。粒子群算法的仿真结果如图8至图11所示，在算法开始迭代之前，粒子群中的粒子随机分布于解空间之内，随着迭代的进行，粒子集合逐渐逼近于最优解范围之内，同时粒子个数随着局部密集程度的提高逐渐减少，即图8、图9、图10、图11中的粒子个数随着局部密集程度逐渐减少，最后只剩下少数粒子集中在最优解范围附近。
本实施例具有以下技术效果：
(1)随着粒子群优化算法迭代的进行，种群数量会快速缩减，有效提高算法的运行速度。
(2)被删除的粒子都属于冗余的个体，对算法的优化结果几乎没有有价值的贡献，因此算法的精度同样能得到保证。
(3)提升后的粒子群算法在具备其本身输入参数少、适应性较好，实现简单等优点的同时，又提高了计算速度，因此更适用于解决冷却水系统的优化问题。
实施例七，提出了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如上述任一实施例的数据处理方法。
本发明提供的计算机可读存储介质，计算机程序被处理器执行时实现如上述任一实施例的数据处理方法的步骤，因此该计算机可读存储介质包括上述任一实施例的数据处理方法的全部有益效果。
在本说明书的描述中，术语“第一”、“第二”仅用于描述的目的，而不能理解为指示或暗示相对重要性，除非另有明确的规定和限定；术语“连接”、“安装”、“固定”等均应做广义理解，例如，“连接”可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
在本说明书的描述中，术语“一个实施例”、“一些实施例”、“具体实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或实例。而且，描述的具体特征、结构、材料或特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述仅为本发明的优选实施例而已，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 (6)

1.一种数据处理方法，其特征在于，包括：
获取空调设备的当前运行数据，根据所述当前运行数据建立所述空调设备的设备模型；
利用粒子群算法和聚类算法优化所述设备模型，以得到运行数据设定值；
根据所述运行数据设定值控制所述空调设备；
利用粒子群算法和聚类算法优化所述设备模型，以得到运行数据设定值的步骤，具体包括：
利用粒子群算法对所述设备模型中的目标优化函数进行优化，以得到使所述目标优化函数为最优值的运行数据设定值；
在所述粒子群算法执行过程中，采用所述聚类算法对所述粒子群算法的多个粒子进行筛选；
采用所述聚类算法对所述粒子群算法的多个粒子进行筛选的步骤，具体包括：
计算多个所述粒子的密度指标值；
确定预设范围内的最大密度指标值对应的粒子，将所述最大密度指标值对应的粒子保留，以及将与所述最大密度指标值的差值小于差值阈值的密度指标值对应的粒子删除。
2.根据权利要求1所述的数据处理方法，其特征在于，在计算多个所述粒子的密度指标值之前，还包括：
对多个所述粒子的密度指标值进行归一化处理。
3.一种数据处理装置，其特征在于，包括：
存储器，所述存储器被配置为存储有计算机程序；
处理器，所述处理器被配置为执行所述计算机程序时实现：
获取空调设备的当前运行数据，根据所述当前运行数据建立所述空调设备的设备模型；
利用粒子群算法和聚类算法优化所述设备模型，以得到运行数据设定值；
根据所述运行数据设定值控制所述空调设备；
所述处理器执行利用粒子群算法和聚类算法优化所述设备模型，以得到运行数据设定值，具体包括：
利用粒子群算法对所述设备模型中的目标优化函数进行优化，以得到使所述目标优化函数为最优值的运行数据设定值；
在所述粒子群算法执行过程中，采用所述聚类算法对所述粒子群算法的多个粒子进行筛选；
所述处理器执行采用所述聚类算法对所述粒子群算法的多个粒子进行筛选，具体包括：
计算多个所述粒子的密度指标值；
确定预设范围内的最大密度指标值对应的粒子，将所述最大密度指标值对应的粒子保留，以及将与所述最大密度指标值的差值小于差值阈值的密度指标值对应的粒子删除。
4.根据权利要求3所述的数据处理装置，其特征在于，所述处理器执行所述计算机程序时还实现：
对多个所述粒子的密度指标值进行归一化处理。
5.一种空调系统，其特征在于，包括：
空调设备；
控制器；
如权利要求3或4所述的数据处理装置。
6.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1或2所述的数据处理方法。
CN202010078399.0A 2020-02-03 2020-02-03 数据处理方法、数据处理装置、空调系统和存储介质 Active CN111274733B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010078399.0A CN111274733B (zh) 2020-02-03 2020-02-03 数据处理方法、数据处理装置、空调系统和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010078399.0A CN111274733B (zh) 2020-02-03 2020-02-03 数据处理方法、数据处理装置、空调系统和存储介质

Publications (2)

Publication Number Publication Date
CN111274733A CN111274733A (zh) 2020-06-12
CN111274733B true CN111274733B (zh) 2023-09-01

Family

ID=71001979

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010078399.0A Active CN111274733B (zh) 2020-02-03 2020-02-03 数据处理方法、数据处理装置、空调系统和存储介质

Country Status (1)

Country Link
CN (1) CN111274733B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111797314A (zh) * 2020-06-28 2020-10-20 百度在线网络技术（北京）有限公司 数据处理方法、装置、设备和存储介质

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103019903B (zh) * 2013-01-18 2014-11-26 哈尔滨工业大学 嵌入式设备能耗仿真评测系统
CN104238368A (zh) * 2014-10-12 2014-12-24 刘岩 一种基于模拟退火粒子群的空调能耗模型参数辨识方法
CN106682764A (zh) * 2016-12-02 2017-05-17 河海大学 一种基于并行预测策略的公共楼宇日前空调负荷预测方法
CN108983058B (zh) * 2018-08-29 2021-03-23 三峡大学 基于改进的变分模态和奇异值分解的变压器局部放电特高频信号去噪方法
CN110334797A (zh) * 2019-06-28 2019-10-15 广州番禺职业技术学院 一种基于并行增强搜索粒子群优化算法的计算方法及系统

Also Published As

Publication number Publication date
CN111274733A (zh) 2020-06-12

Similar Documents

Publication Publication Date Title
Cheng et al. An improved PSO-GWO algorithm with chaos and adaptive inertial weight for robot path planning
CN105071433B (zh) 一种分布式电源的优化配置方案
CN111222286A (zh) 一种基于输电线路状态估计的参数优化方法
CN111274733B (zh) 数据处理方法、数据处理装置、空调系统和存储介质
CN115113628A (zh) 一种基于改进灰狼算法的巡检机器人路径规划方法
CN113722980A (zh) 海洋浪高预测方法、系统、计算机设备、存储介质、终端
CN114912828A (zh) 一种基于数控机床工艺参数的优化方法
CN114880806A (zh) 基于粒子群优化的新能源汽车销量预测模型参数优化方法
CN114721402A (zh) 一种基于改进蚁群算法的泊车路径规划方法及系统
Zhang et al. Improved Laplacian biogeography-based optimization algorithm and its application to QAP
CN116667369A (zh) 一种基于图卷积神经网络的分布式光伏电压控制方法
Li et al. Optimization design of a compressor cascade airfoil using a Navier-stokes solver and genetic algorithms
CN114721330A (zh) 基于cbas-elm算法的切削过程能耗仿真预测方法
CN111291808A (zh) 数据处理方法、数据处理装置、空调系统和存储介质
CN110729937A (zh) 一种基于改进粒子群算法的异步电机参数辨识方法
Rizki et al. Application self-organizing maps and particle swarm optimization for clustering
Li et al. Path planning algorithm for mobile robot based on improved ant colony algorithm
CN112713830B (zh) 永磁同步电机调速系统及多目标最优状态反馈控制方法
CN113283755B (zh) 一种车间智能调度决策方法
Gouvea et al. Diversity-based model reference for genetic algorithms in dynamic environment
Omizegba et al. Fuzzy logic controller parameter tuning using particle swarm algorithm
He Research on Generation Algorithm of Parallel Particle Swarm Algorithm Combination Test Cases
Zhao et al. Balanced Global and Local Properties Multi-objective Particle Swarm Optimization (GL-MOPSO): A microgrid scheduling optimization algorithm
Johanyák Fuzzy rule base identification using an incremental approach
JPH07259744A (ja) ポンプ運転台数制御装置および制御方法

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
TA01 Transfer of patent application right

Effective date of registration: 20210207

Address after: Room C, 14th floor, 309 Tanggu Road, Hongkou District, Shanghai 200080

Applicant after: Shanghai Meikong Intelligent Building Co.,Ltd.

Applicant after: GD MIDEA HEATING & VENTILATING EQUIPMENT Co.,Ltd.

Address before: 528311 Industrial Road, Penglai Road, Beijiao Town, Shunde District, Guangdong, Foshan

Applicant before: GD MIDEA HEATING & VENTILATING EQUIPMENT Co.,Ltd.

Applicant before: MIDEA GROUP Co.,Ltd.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant