CN112288139A - 基于混沌时间序列的空调能耗预测方法、系统及存储介质 - Google Patents
基于混沌时间序列的空调能耗预测方法、系统及存储介质 Download PDFInfo
- Publication number
- CN112288139A CN112288139A CN202011078997.4A CN202011078997A CN112288139A CN 112288139 A CN112288139 A CN 112288139A CN 202011078997 A CN202011078997 A CN 202011078997A CN 112288139 A CN112288139 A CN 112288139A
- Authority
- CN
- China
- Prior art keywords
- air conditioner
- energy consumption
- conditioner energy
- time sequence
- stage
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
本发明公开了一种基于混沌时间序列的空调能耗预测方法、系统及存储介质,旨在解决传统预测方法已不能满足空调运行控制需求的技术问题。其包括:识别空调能耗时间序列的混沌特性;对空调能耗时间序列进行相空间重构,获得空调能耗相空间矩阵;利用支持向量回归方法对空调能耗相空间矩阵进行拟合,获得初始空调能耗预测模型;利用模拟退火算法优化初始空调能耗预测模型的模型参数,获得优化后的空调能耗预测模型;利用优化后的空调能耗预测模型进行空调能耗预测,生成预测结果。本发明具有全局优化能力和较高的计算性能,提升了空调能耗预测精度。
Description
技术领域
本发明涉及一种基于混沌时间序列的空调能耗预测方法、系统及存储 介质,属于空调能耗预测技术领域。
背景技术
空调的用电能耗在企业或城市中总用电中的比例迅速上升,现阶段需 要利用空调能耗预测制定用电和空调运行策略,以保障空调系统的节能减 排要求。空调系统是一个多变量、大滞后的非线性复杂系统,在运行过程 中空调系统受到室外温湿度、太阳辐射、室内负荷以及维护结构散热等多 种因素的影响,具有内在确定性和外在随机性,一般表现出混沌系统的特 点。针对这一特点,我们可以利用其内在确定性进行分析预测,但其外在 随机性使得中长期预测十分困难,而根据空调优化控制的特点就在于关注 短期变化,因此针对空调运行监测指标进行短期预测仍然是有价值的。
目前针对空调能耗,一般采用经典预测方法进行预测,如时间序列预 测方法、参数回归预测方法、人工神经网络方法等。由于空调能耗的混沌 特性,这些预测方法均未能达到良好效果。现在已经有利用支持向量回归 方法进行空调负荷预测、电力价格短期预测、奖牌数目预测等的研究,但 支持向量回归预测方法的精度和性能受到相关参数的影响较大,需要选择 一种合适的方法进行参数寻优,从而提高预测精度。
发明内容
为了解决传统预测方法已不能满足空调运行控制需求的问题,本发明 提出了一种基于混沌时间序列的空调能耗预测方法、系统及存储介质,基 于空调系统的混沌特性,对空调能耗时间序列进行相空间重构,对其混沌 特性进行建模,基于支持向量回归方法进行能耗预测,并采用模拟退火算 法进行预测模型参数寻优,具有全局优化能力和较高的计算性能,提升了 空调能耗预测精度。
为解决上述技术问题,本发明采用了如下技术手段:
第一方面,本发明提出了一种基于混沌时间序列的空调能耗预测方法, 包括如下步骤:
步骤1、根据李雅普诺夫特性指数识别空调能耗时间序列的混沌特性;
步骤2、针对满足混沌特性的空调能耗时间序列,基于坐标延迟法进行 空调能耗时间序列的相空间重构,获得空调能耗相空间矩阵;
步骤3、利用支持向量回归方法对空调能耗相空间矩阵进行拟合,获得 初始空调能耗预测模型;
步骤4、利用模拟退火算法优化初始空调能耗预测模型的模型参数,获 得优化后的空调能耗预测模型;
步骤5、利用优化后的空调能耗预测模型进行空调能耗预测,生成预测 结果。
结合第一方面,进一步的,所述空调能耗时间序列包括空调系统中空 调所处环境的室内温度、室外温度、室内湿度、室外湿度、每个空调的空 调区域面积、机组监测值、预先设定的冷冻水温度、空调实测能耗值。
结合第一方面,进一步的,所述步骤1的具体操作如下:
利用Wolf重构法计算空调能耗时间序列的最大李雅普诺夫特性指数, 当最大李雅普诺夫特性指数大于零时,该空调能耗时间序列具有混沌特性, 为混沌时间序列;否则,该空调能耗时间序列不具有混沌特性,不是混沌 时间序列。
结合第一方面,进一步的,所述步骤2的具体操作如下:
步骤201、设空调系统中共有n个空调,则空调能耗时间序列为 {X1,X2,…,Xj,…,Xn},其中,Xj表示第j个空调的运行参数时间序列, j=1,2,…,n,Xj={xj(t),t=1,2,…,s},xj(t)表示第j个空调第t个时刻的 运行参数序列,s为时间序列长度;
步骤202、设各个空调的运行参数时间序列的时间延迟为{τ1,τ2,…,τn}, 嵌入维数为{m1,m2,…,mn},基于坐标延迟法进行空调能耗时间序列的相空 间重构,空调能耗时间序列在相空间i时刻的状态坐标如下:
其中,Hi表示空调能耗时间序列在相空间i时刻的状态坐标, i=N0,N0+1,…,N,N0=max1≤j≤n{(mj-1)τj+1},N为重构后相空间坐 标个数,N=s-(mn-1)τn,τj为Xj对应的时间延迟,mj为Xj对应的嵌入 维数;
步骤203、根据Hi获得空调能耗相空间矩阵:
其中,H表示空调能耗相空间矩阵。
结合第一方面,进一步的,步骤3的具体操作如下:
步骤301、获取支持向量回归方法的拟合函数f(x):
其中,q为向前预测的步数。
结合第一方面,进一步的,所述核函数K(xk,x)采用多项式核函数与 RBF核函数的组合,其组合公式如下:
K(xk,x)=ρK1(xk,x)+(1-ρ)K2(xk,x) (5)
其中,K1(xk,x)为多项式核函数,K2(xk,x)为RBF核函数,ρ为多项式 核函数在组合时的权重,ρ∈[0,1]。
结合第一方面,进一步的,所述多项式核函数K1(xk,x)的具体公式如下:
K1(xk,x)=exp(-γ‖x-xk‖2) (6)
其中,γ为多项式核函数K1(xk,x)的核参数;
所述RBF核函数K2(xk,x)的具体公式如下:
K2(xi,x)=[γ(xi·x)+r]d (7)
其中,r和d分别为RBF核函数K2(xk,x)的核参数。
结合第一方面,进一步的,步骤4的具体操作如下:
步骤401、利用目标参数建立模拟退火模型,并设置目标参数的取值范 围、模拟退火初始温度Tb、模拟退火阶段一结束温度T1、模拟退火阶段二 结束温度Te和最大迭代次数Q,其中,所述目标参数包括C、γ、r、d、ρ, C为惩罚因子;
步骤402、为目标参数取随机值,利用初始空调能耗预测模型计算初始 预测能耗值,并对初始预测能耗值和空调实测能耗值进行交叉验证,获得 交叉验证误差值,将交叉验证误差值作为模拟退火系统的当前状态S0;
步骤403、根据第一扰动公式对目标参数进行扰动,生成新的目标参数 集合,所述第一扰动公式如下:
Z′P=ZP+a·(u-0.5)(maxp-minp) (8)
其中,ZP表示第p个目标参数,Zp∈[C,γ,r,d,ρ],Z'p表示扰动后的第p 个目标参数,a为扰动比例,a∈[0,1],u为[0,1]内均匀分布的随机数, [minp,maxp]为目标参数ZP的取值范围;
步骤404、根据新的目标参数集合进行空调能耗预测和交叉验证,获得 新的临界状态Sq,并计算状态误差ΔS=Sq-Sq-1,q=1,2,…,Q;
步骤405、当ΔS<0时,接受临界状态Sq,否则根据Metropolis准则进 行如下判断:
其中,g为预设常数,T为当前模拟退火系统温度;
步骤406、当模拟退火系统满足步骤405中的公式时,接受临界状态Sq, 否则返回步骤403,重新扰动目标参数,更新系统状态,期间如果到达最大 迭代次数Q,则进入步骤407;
步骤407、利用第一阶段退火公式进行降温,当阶段一结束温度小于等 于T1时,进入步骤408,否则返回步骤403,所述第一阶段退火公式为:
其中,T(w)表示降温后温度,w为降温次数,c1为第一阶段降温常数;
步骤408、根据第二扰动公式对目标参数进行扰动,生成新的目标参数 集合,根据新的目标参数集合和K折交叉验证方法获得新的临界状态Sq, 并计算状态误差ΔS,所述第二扰动公式如下:
其中,h为模拟退火系统当前迭代数,q0为模拟退火系统阶段一的迭代 次数;
步骤409、当ΔS<0时,接受临界状态Sq,否则根据Metropolis准则进 行判断,当模拟退火系统满足判断时,接受临界状态Sq,否则返回步骤408, 重新扰动目标参数,更新系统状态,期间如果到达最大迭代次数Q,则进 入步骤409;
步骤409、利用第二阶段退火公式进行降温,所述第二阶段退火公式为:
其中,T0表示第二阶段的初始温度,c2为第二阶段降温常数;
步骤410、判断是否满足迭代终止条件,所述迭代终止条件包括阶段二 结束温度是否小于等于Te、迭代次数是否达到最大迭代次数Q,当模拟退火 系统满足任一迭代终止条件,则终止迭代,将模拟退火系统最低温度对应 的目标参数作为最佳模型参数,否则返回步骤408;
步骤411、将最佳模型参数代入初始空调能耗预测模型,获得优化后的 空调能耗预测模型。
第二方面,本发明提出了一种基于混沌时间序列的空调能耗预测系统, 包括处理器及存储介质;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行第一方面所述方法的步 骤。
第三方面,本发明提出了计算机可读存储介质,其上存储有计算机程 序,该程序被处理器执行时实现第一方面所述方法的步骤。
采用以上技术手段后可以获得以下优势:
本发明提出了一种基于混沌时间序列的空调能耗预测方法、系统及存 储介质,对空调能耗时间序列进行相空间重构,采用支持向量回归方法进 行空调能耗预测,相比较传统预测方法,预测精度更好。本发明对空调能 耗时间序列中的混沌特性进行处理,能够有效提取信号特征,具有更好的 学习能力。此外,本发明结合实际情况选用二阶段模拟退火算法进行预测 模型参数寻优,其可以有效提高算法性能,在寻优期间采用混合核函数, 通过交叉验证更新模拟退火系统的温度状态,选取最优参数,进一步提高 了空调能耗预测的精度,本发明具有全局优化能力和较高的计算性能,能 够满足空调系统的优化控制和节能减排要求。
附图说明
图1为本发明一种基于混沌时间序列的空调能耗预测方法的步骤流程 图。
图2为本发明实施例中支持向量回归方法的预测模型结构示意图。
图3为本发明实施例中模拟退火算法优化模型参数的优化方法框图。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明:
本发明提出了一种基于混沌时间序列的空调能耗预测方法,如图1所 示,具体包括如下步骤:
步骤1、根据李雅普诺夫特性指数识别空调能耗时间序列的混沌特性, 其中,空调能耗时间序列包括空调系统中空调所处环境的室内温度、室外 温度、室内湿度、室外湿度、每个空调的空调区域面积、机组监测值、预 先设定的冷冻水温度、空调实测能耗值。在本发明方法的步骤中,空调实 测能耗值主要运用在步骤3的函数拟合和步骤4的优化模型参数中,而步 骤1和2主要运用的是空调的运行参数。
本发明方法是基于混沌时间序列进行空调能耗预测的,因此在开始预 测前需要先判断监测到的空调能耗时间序列是否是混沌时间序列,具体操 作为:利用Wolf重构法基于相邻轨线的平均发散或收敛的快慢程度来计算 多维空调系统中空调能耗时间序列的最大李雅普诺夫特性指数,当最大李 雅普诺夫特性指数大于零时,该空调能耗时间序列具有混沌特性,为混沌 时间序列;否则,该空调能耗时间序列不具有混沌特性,不是混沌时间序列。
步骤2、针对满足混沌特性的空调能耗时间序列,基于坐标延迟法进行 空调能耗时间序列的相空间重构,获得空调能耗相空间矩阵。相空间重构 可以令时间序列在低维空间无法显示的信息在高维相空间展示出来。此外, 由于单一时间序列数据有限并且含有噪声,重构得到的系统信息会有所缺 失,一些系统特征无法恢复,因此本发明方法采用坐标延迟法,根据空调 系统中多个空调的多个参数监测数据进行多元时间序列的相空间重构,将 多个时间序列映射到高位相空间内。
步骤2的具体操作如下:
步骤201、设空调系统中共有n个空调,则空调能耗时间序列为 {X1,X2,…,Xj,…,Xn},其中,Xj表示第j个空调的运行参数时间序列, j=1,2,…,n,Xj={xj(t),t=1,2,…,s},xj(t)表示第j个空调第t个时刻的 运行参数序列,s为时间序列长度。
步骤202、设各个空调的运行参数时间序列的时间延迟为{τ1,τ2,…,τn}, 嵌入维数为{m1,m2,…,mn},基于坐标延迟法进行空调能耗时间序列的相空 间重构,空调能耗时间序列在相空间i时刻的状态坐标如下:
其中,Hi表示空调能耗时间序列在相空间i时刻的状态坐标, i=N0,N0+1,…,N,N0=max1≤j≤n{(mj-1)τj+1},N为重构后相空间坐 标个数,N=s-(mn-1)τn,τj为Xj对应的时间延迟,mj为Xj对应的嵌入 维数。
步骤203、根据Hi获得空调能耗相空间矩阵:
其中,H表示空调能耗相空间矩阵。
完成多元相空间重构后,相空间矩阵的总维数为:
相空间H中的每个相点(每一行)表示重构后某时刻的空调能源耗费状 态值,每个状态值包含有多个特征,按照时间顺序将相点连接起来便得到 空调系统监测的参数变化轨迹,能够反映空调系统相关参数的演化过程。
步骤3、利用支持向量回归方法对空调能耗相空间矩阵进行拟合,获得 初始空调能耗预测模型;支持向量回归方法可以通过对相空间中的时间序 列进行学习和建模得到接近于原映射的预测模型,从而对原空间进行预测。
步骤3的具体操作如下:
步骤301、获取支持向量回归方法的拟合函数f(x):
本发明中的核函数K(xk,x)采用多项式核函数与RBF核函数的组合, 其组合公式如下:
K(xk,x)=ρK1(xk,x)+(1-ρ)K2(xk,x) (17)
其中,K1(xk,x)为多项式核函数,K2(xk,x)为RBF核函数,ρ为多项式 核函数在组合时的权重,ρ∈[0,1]。
多项式核函数K1(xk,x)的具体公式如下:
K1(xk,x)=exp(-γ‖x-xk‖2) (18)
其中,γ为多项式核函数K1(xk,x)的核参数;
RBF核函数K2(xk,x)的具体公式如下:
K2(xi,x)=[γ(xi·x)+r]d (19)
其中,r和d分别为RBF核函数K2(xk,x)的核参数。
步骤302、将空调能耗相空间矩阵H的相点Hi作为拟合函数f(x)的输入, 在此基础上建立支持向量回归预测模型,如图2所示,从输入层的样本数 据集,建立中间层的支持向量,输出为空调能耗预测值。将x1(N0)…xn(N0) 作为拟合函数f(x)的输出,通过代数运算计算支持向量的值。本 发明中的混沌数据样本包含了某时刻的15个特征,前6项为上面相空间重 构的向量,第7项为预测时刻,8-13项为预测时刻及前2小时的气象数据,14-15项为冷冻水设定温度。
其中,q为向前预测的步数。
本发明预测模型可以将一些混沌行为(时间延迟、叠加造成的)造成 的影响弱化掉,根据前一阶段能耗信息,预测得到下一时刻的能耗信息, 例如进水口的温度要过一段时间以后才影响到出水口的温度。
步骤4、利用模拟退火算法优化初始空调能耗预测模型的模型参数,获 得优化后的空调能耗预测模型。
在支持向量回归预测的应用中,需要对算法中的参数进行精确选择, 以提升算法性能,其参数包括惩罚因子C、不敏感损失参数ε、和核函数中 的各个参数。算法性能(预测精度)可以通过多种误差估计方法进行评价, 包括均方根误差、平均绝对误差、平均绝对百分误差、希尔不等系数等, 比如平均绝对误差其中,s为时间序列长度,yb为 实测能耗,为预测能耗。
在需要选择的参数中,不敏感损失参数ε的取值对预测精度的影响较小, 因此本发明方法中选定ε=0.01,然后在此基础上采用模拟退火算法进行其 他参数的寻优,优化方法框图如图3所示。
本发明中的退火计划分为两个阶段,两个阶段的降温常数取值不同, 阶段一的初始温度较高,降温较快,可以进行全局扰动且振动幅度较大, 以快速寻优,达到一定温度后进入阶段二;阶段二的初始温度已经较低, 所需扰动幅度较小,以利全局优化,节约时间。步骤4的具体操作如下:
步骤401、利用目标参数建立模拟退火模型,并设置目标参数的取值范 围、模拟退火初始温度Tb、模拟退火阶段一结束温度T1、模拟退火阶段二 结束温度Te和最大迭代次数Q,其中,所述目标参数包括C、γ、r、d、ρ。 目标参数的取值范围可以基于相关经验和数据探索的结果进行选择。
步骤402、为目标参数取随机值,利用初始空调能耗预测模型计算初始 预测能耗值,并对初始预测能耗值和空调实测能耗值进行交叉验证,获得 交叉验证误差值,将交叉验证误差值作为模拟退火系统的当前状态初始值 S0。
步骤403、根据第一扰动公式对目标参数进行扰动,生成新的目标参数 集合,第一扰动公式如下:
Z′P=ZP+a·(u-0.5)(maxp-minp) (21)
其中,ZP表示第p个目标参数,Zp∈[C,γ,r,d,ρ],p=1,2,3,4,5,Z'p表示 扰动后的第p个目标参数,a为扰动比例,a∈[0,1],u为[0,1]内均匀分布 的随机数,[minp,maxp]为目标参数ZP的取值范围,[minp,maxp]也是Z'p的 取值范围。
步骤404、根据新的目标参数集合进行空调能耗预测和交叉验证,获得 新的临界状态Sq,并计算状态误差ΔS=Sq-Sq-1,q=1,2,…,Q。
步骤405、当ΔS<0时,即新的交叉验证误差减小了,接受临界状态Sq, 否则根据Metropolis准则进行如下判断:
其中,g为预设常数,一般是人工设置的,T为当前模拟退火系统温度。
步骤406、当模拟退火系统满足公式(22)时,接受临界状态Sq,否则 返回步骤403,重新扰动目标参数,更新系统状态,直到接受新的临界状态, 将临界状态作为模拟退火系统的新状态,在迭代期间如果到达最大迭代次 数Q,则直接进入步骤407。
步骤407、利用第一阶段退火公式进行降温,当阶段一结束温度小于等 于T1时,进入步骤408,否则返回步骤403,第一阶段退火公式为:
其中,T(w)表示降温后温度,w为降温次数,c1为第一阶段降温常数。
步骤408、进入退火阶段二,根据第二扰动公式对目标参数进行扰动, 生成新的目标参数集合,根据新的目标参数集合和K折交叉验证方法获得 新的临界状态Sq,并计算状态误差ΔS,第二扰动公式如下:
其中,h为模拟退火系统当前迭代数,q0为模拟退火系统阶段一的迭代 次数。
步骤409、当ΔS<0时,接受临界状态Sq,否则根据Metropolis准则进 行判断,即再次利用公式(22)进行判断,当模拟退火系统满足判断时, 接受临界状态Sq,否则返回步骤408,重新扰动目标参数,更新系统状态, 期间如果到达最大迭代次数Q,则直接进入步骤409。
步骤409、利用第二阶段退火公式进行降温,第二阶段退火公式为:
其中,T0表示第二阶段的初始温度,因为阶段一的结束温度小于等于T1, 所以T0也小于等于T1,c2为第二阶段降温常数。
步骤410、判断是否满足迭代终止条件,迭代终止条件包括阶段二结束 温度是否小于等于Te、迭代次数是否达到最大迭代次数Q,当模拟退火系统 满足任一迭代终止条件时(阶段二结束温度小于等于Te、达到最大迭代次 数Q、阶段二结束温度小于等于Te且达到最大迭代次数Q),则终止迭代, 将模拟退火系统最低温度对应的目标参数作为最佳模型参数,否则返回步 骤408。
步骤411、将最佳模型参数代入初始空调能耗预测模型,获得优化后的 空调能耗预测模型。
步骤5、利用优化后的空调能耗预测模型进行空调能耗预测,生成预测 结果。
本发明还提出了一种基于混沌时间序列的空调能耗预测系统,包括处 理器及存储介质,其中,存储介质用于存储指令;处理器用于根据所述指 令进行操作以执行本发明所述方法的步骤。
本发明还提出了计算机可读存储介质,其上存储有计算机程序,该程 序被处理器执行时实现本发明所述方法的步骤。
与现有技术相比,本发明通过空调能耗时间序列中的混沌特性进行处 理,能够有效提取信号特征,具有更好的学习能力;通过二阶段模拟退火 算法进行预测模型参数寻优,可以有效提高算法性能,在寻优期间采用混 合核函数,通过交叉验证更新模拟退火系统的温度状态,选取最优参数, 提高了空调能耗预测的精度,本发明具有全局优化能力和较高的计算性能, 能够满足空调系统的优化控制和节能减排要求。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、 或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施 例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个 或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不 限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的 形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序 产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流 程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中 的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专 用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个 机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产 生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方 框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理 设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存 储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个 流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上, 使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现 的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流 程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能 的步骤。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的 普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干 改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (10)
1.一种基于混沌时间序列的空调能耗预测方法,其特征在于,包括如下步骤:
步骤1、根据李雅普诺夫特性指数识别空调能耗时间序列的混沌特性;
步骤2、针对满足混沌特性的空调能耗时间序列,基于坐标延迟法进行空调能耗时间序列的相空间重构,获得空调能耗相空间矩阵;
步骤3、利用支持向量回归方法对空调能耗相空间矩阵进行拟合,获得初始空调能耗预测模型;
步骤4、利用模拟退火算法优化初始空调能耗预测模型的模型参数,获得优化后的空调能耗预测模型;
步骤5、利用优化后的空调能耗预测模型进行空调能耗预测,生成预测结果。
2.根据权利要求1所述的一种基于混沌时间序列的空调能耗预测方法,其特征在于,所述空调能耗时间序列包括空调系统中空调所处环境的室内温度、室外温度、室内湿度、室外湿度、每个空调的空调区域面积、机组监测值、预先设定的冷冻水温度、空调实测能耗值。
3.根据权利要求1所述的一种基于混沌时间序列的空调能耗预测方法,其特征在于,所述步骤1的具体操作如下:
利用Wolf重构法计算空调能耗时间序列的最大李雅普诺夫特性指数,当最大李雅普诺夫特性指数大于零时,该空调能耗时间序列具有混沌特性,为混沌时间序列;否则,该空调能耗时间序列不具有混沌特性,不是混沌时间序列。
4.根据权利要求1所述的一种基于混沌时间序列的空调能耗预测方法,其特征在于,所述步骤2的具体操作如下:
步骤201、设空调系统中共有n个空调,则空调能耗时间序列为{X1,X2,...,Xj,...,Xn},其中,Xj表示第j个空调的运行参数时间序列,j=1,2,...,n,Xj={xj(t),t=1,2,...,s},xj(t)表示第j个空调第t个时刻的运行参数序列,s为时间序列长度;
步骤202、设各个空调的运行参数时间序列的时间延迟为{τ1,τ2,...,τn},嵌入维数为{m1,m2,...,mn},基于坐标延迟法进行空调能耗时间序列的相空间重构,空调能耗时间序列在相空间i时刻的状态坐标如下:
Hi=(x1(i),x1(i-τ1),x1(i-(m1-1)τ1),x2(i),x2(i-τ2),x2(i-(m2-1)τ2),...,xj(i),xj(i-τj),xj(i-(mj-1)τj),...,xn(i),xn(i-τn),xn(i-(mn-1)τn))
其中,Hi表示空调能耗时间序列在相空间i时刻的状态坐标,i=N0,N0+1,...,N,N0=max1≤j≤n{(mj-1)τj+1},N为重构后相空间坐标个数,N=s-(mn-1)τn,τj为Xj对应的时间延迟,mj为Xj对应的嵌入维数;
步骤203、根据Hi获得空调能耗相空间矩阵:
其中,H表示空调能耗相空间矩阵。
6.根据权利要求5所述的一种基于混沌时间序列的空调能耗预测方法,其特征在于,所述核函数K(xk,x)采用多项式核函数与RBF核函数的组合,其组合公式如下:
K(xk,x)=ρK1(xk,x)+(1-ρ)K2(xk,x)
其中,K1(xk,x)为多项式核函数,K2(xk,x)为RBF核函数,ρ为多项式核函数在组合时的权重,ρ∈[0,1]。
7.根据权利要求6所述的一种基于混沌时间序列的空调能耗预测方法,其特征在于,所述多项式核函数K1(xk,x)的具体公式如下:
K1(xk,x)=exp(-γ||x-xk||2)
其中,γ为多项式核函数K1(xk,x)的核参数;
所述RBF核函数K2(xk,x)的具体公式如下:
K2(xi,x)=[γ(xi·x)+r]d
其中,r和d分别为RBF核函数K2(xk,x)的核参数。
8.根据权利要求6所述的一种基于混沌时间序列的空调能耗预测方法,其特征在于,步骤4的具体操作如下:
步骤401、利用目标参数建立模拟退火模型,并设置目标参数的取值范围、模拟退火初始温度Tb、模拟退火阶段一结束温度T1、模拟退火阶段二结束温度Te和最大迭代次数Q,其中,所述目标参数包括C、γ、r、d、ρ,C为惩罚因子;
步骤402、为目标参数取随机值,利用初始空调能耗预测模型计算初始预测能耗值,并对初始预测能耗值和空调实测能耗值进行交叉验证,获得交叉验证误差值,将交叉验证误差值作为模拟退火系统的当前状态S0;
步骤403、根据第一扰动公式对目标参数进行扰动,生成新的目标参数集合,所述第一扰动公式如下:
Z′P=ZP+a·(u-0.5)(maxp-minp)
其中,ZP表示第p个目标参数,Zp∈[C,γ,r,d,ρ],Z′p表示扰动后的第p个目标参数,a为扰动比例,a∈[0,1],u为[0,1]内均匀分布的随机数,[minp,maxp]为目标参数ZP的取值范围;
步骤404、根据新的目标参数集合进行空调能耗预测和交叉验证,获得新的临界状态Sq,并计算状态误差ΔS=Sq-Sq-1,q=1,2,…,Q;
步骤405、当ΔS<0时,接受临界状态Sq,否则根据Metropolis准则进行如下判断:
其中,g为预设常数,T为当前模拟退火系统温度;
步骤406、当模拟退火系统满足步骤405中的公式时,接受临界状态Sq,否则返回步骤403,重新扰动目标参数,更新系统状态,期间如果到达最大迭代次数Q,则进入步骤407;
步骤407、利用第一阶段退火公式进行降温,当阶段一结束温度小于等于T1时,进入步骤408,否则返回步骤403,所述第一阶段退火公式为:
其中,T(w)表示降温后温度,w为降温次数,c1为第一阶段降温常数;
步骤408、根据第二扰动公式对目标参数进行扰动,生成新的目标参数集合,根据新的目标参数集合和K折交叉验证方法获得新的临界状态Sq,并计算状态误差ΔS,所述第二扰动公式如下:
其中,h为模拟退火系统当前迭代数,q0为模拟退火系统阶段一的迭代次数;
步骤409、当ΔS<0时,接受临界状态Sq,否则根据Metropolis准则进行判断,当模拟退火系统满足判断时,接受临界状态Sq,否则返回步骤408,重新扰动目标参数,更新系统状态,期间如果到达最大迭代次数Q,则进入步骤409;
步骤409、利用第二阶段退火公式进行降温,所述第二阶段退火公式为:
其中,T0表示第二阶段的初始温度,c2为第二阶段降温常数;
步骤410、判断是否满足迭代终止条件,所述迭代终止条件包括阶段二结束温度是否小于等于Te、迭代次数是否达到最大迭代次数Q,当模拟退火系统满足任一迭代终止条件,则终止迭代,将模拟退火系统最低温度对应的目标参数作为最佳模型参数,否则返回步骤408;
步骤411、将最佳模型参数代入初始空调能耗预测模型,获得优化后的空调能耗预测模型。
9.一种基于混沌时间序列的空调能耗预测系统,其特征在于,包括处理器及存储介质;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行根据权利要求1~8任一项所述方法的步骤。
10.计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1~8任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011078997.4A CN112288139A (zh) | 2020-10-10 | 2020-10-10 | 基于混沌时间序列的空调能耗预测方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011078997.4A CN112288139A (zh) | 2020-10-10 | 2020-10-10 | 基于混沌时间序列的空调能耗预测方法、系统及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112288139A true CN112288139A (zh) | 2021-01-29 |
Family
ID=74421932
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011078997.4A Pending CN112288139A (zh) | 2020-10-10 | 2020-10-10 | 基于混沌时间序列的空调能耗预测方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112288139A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116576629A (zh) * | 2023-05-29 | 2023-08-11 | 北京百度网讯科技有限公司 | 系统控制方法、系统控制装置、电子设备以及存储介质 |
CN117450635A (zh) * | 2023-12-21 | 2024-01-26 | 深圳市祥帆电子科技有限公司 | 一种基于大数据分析的新风系统控制方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105719028A (zh) * | 2016-03-08 | 2016-06-29 | 北京工业大学 | 一种基于多因素混沌支持向量机的空调负荷动态预测方法 |
CN106980718A (zh) * | 2017-03-20 | 2017-07-25 | 哈尔滨理工大学 | 一种计算叶片寿命的模糊智能多重极值响应面法 |
CN108615089A (zh) * | 2018-03-27 | 2018-10-02 | 东北电力大学 | 一种基于递归量化分析的短期风速混合预测方法 |
CN110598923A (zh) * | 2019-09-03 | 2019-12-20 | 深圳市得益节能科技股份有限公司 | 基于支持向量回归机优化与误差修正的空调负荷预测方法 |
CN111340305A (zh) * | 2020-03-10 | 2020-06-26 | 西安建筑科技大学 | 一种建筑运行能耗预测方法 |
-
2020
- 2020-10-10 CN CN202011078997.4A patent/CN112288139A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105719028A (zh) * | 2016-03-08 | 2016-06-29 | 北京工业大学 | 一种基于多因素混沌支持向量机的空调负荷动态预测方法 |
CN106980718A (zh) * | 2017-03-20 | 2017-07-25 | 哈尔滨理工大学 | 一种计算叶片寿命的模糊智能多重极值响应面法 |
CN108615089A (zh) * | 2018-03-27 | 2018-10-02 | 东北电力大学 | 一种基于递归量化分析的短期风速混合预测方法 |
CN110598923A (zh) * | 2019-09-03 | 2019-12-20 | 深圳市得益节能科技股份有限公司 | 基于支持向量回归机优化与误差修正的空调负荷预测方法 |
CN111340305A (zh) * | 2020-03-10 | 2020-06-26 | 西安建筑科技大学 | 一种建筑运行能耗预测方法 |
Non-Patent Citations (2)
Title |
---|
张博 等: "基于集成BP 神经网络的短期负荷预测", 《信号与系统》 * |
陈演羽 等: "基于混沌时间序列的GPS 卫星钟差预测算法", 《仪器仪表学报》, vol. 39, no. 4 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116576629A (zh) * | 2023-05-29 | 2023-08-11 | 北京百度网讯科技有限公司 | 系统控制方法、系统控制装置、电子设备以及存储介质 |
CN116576629B (zh) * | 2023-05-29 | 2024-03-12 | 北京百度网讯科技有限公司 | 系统控制方法、系统控制装置、电子设备以及存储介质 |
CN117450635A (zh) * | 2023-12-21 | 2024-01-26 | 深圳市祥帆电子科技有限公司 | 一种基于大数据分析的新风系统控制方法 |
CN117450635B (zh) * | 2023-12-21 | 2024-03-19 | 深圳市祥帆电子科技有限公司 | 一种基于大数据分析的新风系统控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106920006B (zh) | 一种基于isoa-lssvm的地铁站空调系统能耗预测方法 | |
US11436395B2 (en) | Method for prediction of key performance parameter of an aero-engine transition state acceleration process based on space reconstruction | |
CN109659933B (zh) | 一种基于深度学习模型的含分布式电源配电网电能质量预测方法 | |
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 | |
Čongradac et al. | Recognition of the importance of using artificial neural networks and genetic algorithms to optimize chiller operation | |
CN102589092B (zh) | 基于新型模糊控制器的室内环境热舒适度控制方法 | |
CN103853106A (zh) | 一种建筑能源供应设备的能耗预测参数优化方法 | |
CN112288139A (zh) | 基于混沌时间序列的空调能耗预测方法、系统及存储介质 | |
CN110083910B (zh) | 一种基于nsga-ⅱ的混沌时间序列预测样本获取方法 | |
CN105719028A (zh) | 一种基于多因素混沌支持向量机的空调负荷动态预测方法 | |
CN107730097B (zh) | 一种母线负荷预测方法、装置及计算设备 | |
CN112884012A (zh) | 基于支持向量机原理的建筑能耗预测方法 | |
CN110097205A (zh) | 一种建筑负荷预测用气象预报数据预处理方法 | |
Wu et al. | A novel optimized nonlinear grey Bernoulli model for forecasting China’s GDP | |
Pan et al. | Probabilistic short-term wind power forecasting using sparse Bayesian learning and NWP | |
CN112418495A (zh) | 一种基于天牛须优化算法和神经网络的建筑能耗预测方法 | |
CN112152840A (zh) | 一种基于bim和模拟仿真的传感器部署方法和系统 | |
Yi et al. | Integrating neural network models with computational fluid dynamics (CFD) for site-specific wind condition | |
CN113821903A (zh) | 温度控制方法和设备、模块化数据中心及存储介质 | |
An et al. | CLUE: Safe Model-Based RL HVAC Control Using Epistemic Uncertainty Estimation | |
CN110276478B (zh) | 基于分段蚁群算法优化svm的短期风电功率预测方法 | |
CN107061032A (zh) | 一种发动机运行状态的预测方法及预测系统 | |
CN109599866B (zh) | 一种预测辅助的电力系统状态估计方法 | |
CN116760006A (zh) | 一种风电功率预测方法、装置、设备及存储介质 | |
CN112016727A (zh) | 一种考虑冷负荷不确定性的供冷系统鲁棒优化设计方法 |
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 |