发明内容
本申请实施例通过提供一种基于PSO-ELM算法的智能建筑空调冷机系统运行优化方法,解决了现有技术中依赖经验的手动调参方法效率不高,并且由于系统之间存在差异性,优化参数不全面,大多方法都是以系统自有的调节参数为优化参数的技术问题,实现了快速高效地获取系统的优化参数组合,进而在保证制冷需求的前提下,提高系统效率,降低能源消耗的目的,提供了一种基于PSO-ELM算法的智能建筑空调冷机系统运行优化方法。
本发明是通过以下技术方案解决上述技术问题的,本发明包括以下步骤:
S1:数据采集模块采用数据采集方式为空调系统中的传感器采集,采集数据为空调系统的可调参数和过程变量数值.可调参数作为待优化参数,对过程变量数值进行数据处理后获取空调冷水机能效数据,并将其作为预测输出数值;
S2:将数据集进行划分,划分为训练集与测试集;
S3:ELM预测算法模块进行预测后续能效模型中的中间数值,模型中主要需要确定的超参数有w、b和β,其中w和b是通过S3模型来确定,β是通过数据集训练确定,训练单台基于获取改进超限学习机的冷水机能效预测模型,训练出能效模型的具体过程如下:
将训练样本设定为
其中n是优化参数的个数,m是训练样本的数量,隐含层数量为l,输入层与隐藏层的权重为w,隐藏层与输出层的权重为β,激活函数为采用Sigmoid函数,其表达形式为:
基于超限学习机的冷机能效预测模型的结果为cj,根据现有的数据集,单台冷机能效预测模型的表达式为:
上述预测模型在训练过程中,不断迭代更新系数β,为了无限接近训练的数据的真实性,模型的预测效果是希望预测结果cj和实际数据结果yj一致,所以就有:
联立(2)(3)可以整理得:
式中,l为输入层各隐藏层的节点个数,w和b在训练过程中可以随机选择,且训练过程中保持不变,为了提升预测模型的精度,通过粒子群算法对ELM的超参数w和b进行了寻优,而隐藏层和输出层的连接权重β可以通过求解以下方程组的最小二乘解获得:
该方程中最小二乘解为:
其中,H+为隐藏层输出矩阵H的Moore-Penrose广义逆;
将(6)式结果代入(2)式,就能够建立单台冷机能效预测模型:
c=f(x1,x2,...,xn) (23)
考虑到超限学习机的预测能力受参数设置的影响,再引入粒子群优化(PSO)方法,以通过参数优模型性能;
超限学习机模型的参数在开始时是随机设置的,并且使用PSO方法自动确定可以获得最佳预测结果的参数,
PSO算法中每个粒子就是d搜索空间中的一个潜在解,记为Zi=(zi1,zi2,…,zid),将Zi代入目标函数计算其适应度值,则粒子的“好坏”可用适应度值来评判,第i个粒子的速度则是用一个d维向量表示,记作Vi=[vi1,vi2,…,vid];
在寻优的过程中,第i个粒子搜索到的最佳位置记为Pid=[Pi1,Pi2,…,Pid],所有粒子搜索到的最佳位置记为Pgd=[Pg1,Pg2,…,Pgd],粒子根据下式更新速度和位置:
式中,i=1,2,…m;k为迭代的次数;α是惯性权重因子;非负数c1,c2为学习因子;r1,r2为(0,1)之间的随机数,考虑到粒子在搜索的过程中是非线性变化的,因此采用非线性凹函数递减惯性权重方式会获得更好的效果:
式中,Tmax为最大迭代次数;αmax,αmin分别为惯性权重的最大和最小值,本发明的αmax=0.9,αmin=0.4;
从空调系统冷机能效预测模型可知,输入层神经元个数、隐含层神经元个数以及输出层神经元个数预先设定,模型未知的参数变量是输入层与隐含层之间的连接权重w和隐含层神经元阈值b,激励函数采用Sigmoid函数;
因此,粒子群中的解Zi=[wi,bi],参数求解过程中,就是固定超限学习超参数β,找到使得目标函数最小的解Zi,而粒子群的目标参数即为式(5);
粒子群求解完成后,将最优参数组合[wi,bi]代入式(6),实现超限学习机的超参数优化为后续的优化模型可靠的适应度函数;
S4:建立空调系统冷机组能效优化模型,通过ELM预测算法模块预测后续能效模型中的中间数值,模型中主要需要确定的超参数有w、b和β,其中w和b是通过S3模型来确定,β是通过数据集训练确定;
优化模型具体建立过程如下:空调系统冷机组的整体能效通常用EER来评价,其定义为在额定工况下,冷机组提供的制冷量与所消耗电能的比值;
冷机组有M台制冷机,第e台制冷机的额定制冷量为Le,制冷机的负载作为优化参数之一,为了后续建模说明,假设第e台制冷机的负载为fe,第e台制冷机的能效COP预测模型根据式(7)为:
ce=fe(x1,x2,...,xn) (26)
空调系统的制冷需求为T冷吨,根据EER的定义,建立制冷机组整体能效模型为:
式中冷机额定制冷量和负载的乘积为该冷机的实际制冷量,在空调系统工作过程中,冷机组的总制冷量需要大于等于制冷需求量;
因此,空调冷机组的能耗优化模型为:
S5:通过冷机组能效优化模型建立能效优化模型,并运用进化算法进行求解,通过智能优化算法求得最优组合,并基于粒子群的超参数寻优模块,并结合ELM的特性,用粒子群算法优化S2中的超参数w和b;
其具体过程如下:
通过遗传算法求解式(12),先根据约束的遗传算法适应度函数:
得到带约束条件下的遗传算法适应度函数,再经过遗传方法寻优后,计算得到最优参数组合,即为智能建筑空调制冷机组优化参数;
S6:输出空调系统冷水机组参数优化方案到智慧能源管理系统并基于优化结果可与控制模型进行交互式处理,系统运行参数调整,根据控制指令后,运行参数重新调整。
进一步在于,所述步骤S1通过数据采集模块使用数据采集方式为空调系统中的传感器采集,采集的数据为待优化参数和优化目标数值,在模型训练初期,数据采集可以采用厂家实验室所得数据,所述步骤S1的具体处理过程如下:影响COP值的参数作为优化参数,其包括冷机的负荷百分比、冷却水的进水温度、冷却水流量等,能效数据中每一组优化参数对应一个冷机的COP值,假设优化参数为X=[x1,x2,…,xn],输出参数Yj是每一组输出参数下对应的冷机COP值,其中n为待优化参数的个数,并且第j组优化参数Xj对应输出参数Yj。
进一步在于,所述步骤S2的具体过程如下:用于划分的数据集为S=[s1,s2,…,sm]T,其中
并采集随机分层采样法对能效数据集进行划分,具体做法为:首先根据数据集分成N层,然后根据训练集和测试集的比例对每层的数据进行随机采样,最后将每一层的采样结果组合在一起形成训练集和测试集。
进一步在于,所述步骤S3还包括以下步骤:
S(1):基于PSO算法的ELM权重及阈值最优值计算,根据式(2)(3)(4)(5),构建粒子群算法的目标函数:
根据步骤S3,首先给定β为已知的值,然后以w和b为未知参数,以式(14)为目标函数,通过粒子群算法进行寻优,最后将优化解w*和b*代入式ELM预测模型进行训练;
S(2):ELM模型的超参数确定以后,对预设条件A的冷机能效性能模型进行训练,主要通过矩阵运算求解出β,为了说明预测模型的有效性,设置了预设数量测试集数据对比模型的预测结果,首先用预测模型计算预设数量组测试集输入下的冷机COP值,然后用预测的COP值与测试集中真实的COP值计算预测模型的误差范围;
S(3):测模型结果与实际能效数据的相对误差在预设值内,即模型具有较高的可靠性,所建立的预测模型能够用于后续的优化中,若模型相对误差较大,则增大训练样本的数量,重新建立冷机能效预测模型
和预设条件A冷机能效预测模型建立过程相似,通过相同方法可以获得预设条件B冷机的能效预测模型,所以预设条件A和预设条件B的空调制冷机模型为:
进一步在于,所述步骤S4中建立空调系统冷机组能效优化模型的过程如下:根据步骤3中建立的预设条件A和预设条件B的冷机能效预测模型,结合S4中式(12),建立预设条件A和预设条件B冷机组综合能效模型:
进一步在于,所述步骤S5中的智能优化算法求得最优组合依据能耗优化模型,首先根据S5中式(13)构建适应度函数,然后运用遗传算法求解最佳参数组合,给出了在制冷需求量为预设条件下,空调制冷机组(预设条件A和预设条件B)的最优参数组合。
进一步在于,所述步骤S6输出空调系统冷水机组参数优化方案,根据给出的优化方案,运行空调系统后,相较于初始方案,判断系统的整体EER是否提高,若优化效果不明显,则增大单台冷机能效样本数据的数量。
本发明相比现有技术具有以下优点:
1、该基于PSO-ELM算法的智能建筑空调冷机系统运行优化方法,利用设备厂商提供的空调系统性能参数,运用PSO-ELM(粒子群改进超限学习机)算法预测不同输入参数下的制冷机综合能耗值,有效的解决的现有传统的制冷机运行控制方法大多采用单因素控制手调法,依赖于工程师的经验的问题,不但能够快速计算特定优化参数下单台制冷机的能效,而且优化参数全面,只需要提供相应优化参数和对应COP值的数据集,让该系统更加值得推广使用;
2、结合制冷量需求,建立多台制冷机并联工作下的制冷机组能耗优化模型,针对超限学习机算法超参数过多的问题,引入粒子群算法改进了超限学习机算法,通过PSO搜索EML的最优超参数组合,大大提高了模型的精度;
3、通过智能遗传算法,动态高效求解出空调冷机组系统的优化方法,为空调系统节能提供可靠的优化指导方案,建立了制冷机组合EER优化模型,结合遗传算法求解系统优化参数的最优解,与现有的方法相比,具有寻优速度快,计算结果可靠,优化效果良好的优点;
4、综上,本发明能够快速高效地获取系统的优化参数组合,进而在保证制冷需求的前提下,提高系统效率,降低能源消耗。
具体实施方式
下面对本发明的实施例作详细说明,本实施例在以本发明技术方案为前提下进行实施,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。
本申请实施例通过提供一种基于PSO-ELM算法的智能建筑空调冷机系统运行优化方法,解决了有技术中依赖经验的手动调参方法效率不高,并且由于系统之间存在差异性,优化参数不全面,大多方法都是以系统自有的调节参数为优化参数的技术问题,实现了快速高效地获取系统的优化参数组合,进而在保证制冷需求的前提下,提高系统效率,降低能源消耗的技术效果。
如图1~5所示,本实施例提供一种技术方案:一种基于PSO-ELM算法的智能建筑空调冷机系统运行优化方法,包括以下步骤:
S1:数据采集模块采用数据采集方式为空调系统中的传感器采集,采集数据为空调系统的可调参数和过程变量数值.可调参数作为待优化参数,对过程变量数值进行数据处理后获取空调冷水机能效数据,并将其作为预测输出数值;
空调冷机组由两台冷机组成,额定制冷量分别是650RT和500RT,需要优化的系统参数为冷机负载(xfir,1),冷却水进水温度(xfir,2),制冷需求量为600RT。
空调系统冷水机能效数据如下:
根据制冷机厂家提高的相关实验数据,以650RT制冷机为例,部分能效数据入下表,共计有238组数据。
表1 650RT制冷机能效数据(部分)
S2:将数据集进行划分,划分为训练集与测试集;
依据随机分层采样法对能效数据集进行划分,以650RT制冷机为例,划分后的训练集数量为200,测试集数量为38;
S3:ELM预测算法模块进行预测后续能效模型中的中间数值,模型中主要需要确定的超参数有w、b和β,其中w和b是通过S3模型来确定,β是通过数据集训练确定,训练单台基于获取改进超限学习机的冷水机能效预测模型,训练出能效模型的具体过程如下:
将训练样本设定为
其中n是优化参数的个数,m是训练样本的数量,隐含层数量为l,输入层与隐藏层的权重为w,隐藏层与输出层的权重为β,激活函数为采用Sigmoid函数,其表达形式为:
训练单台基于改进超限学习机的冷水机能效预测模型:
训练样本为
其中n=2,是优化参数的个数;m=200是训练样本的数量,隐含层数量为l00,输入层与隐藏层的权重为w,偏差为b,隐藏层与输出层的权重为β,激活函数为采用Sigmoid函数;
基于超限学习机的冷机能效预测模型的结果为cj,根据现有的数据集,单台冷机能效预测模型的表达式为:
上述预测模型在训练过程中,不断迭代更新系数β,为了无限接近训练的数据的真实性,模型的预测效果是希望预测结果cj和实际数据结果yj一致,所以就有:
联立(2)(3)可以整理得:
式中,l为输入层各隐藏层的节点个数,w和b在训练过程中可以随机选择,且训练过程中保持不变,为了提升预测模型的精度,通过粒子群算法对ELM的超参数w和b进行了寻优,而隐藏层和输出层的连接权重β可以通过求解以下方程组的最小二乘解获得:
该方程中最小二乘解为:
其中,H+为隐藏层输出矩阵H的Moore-Penrose广义逆;
将(6)式结果代入(2)式,就能够建立单台冷机能效预测模型:
c=f(x1,x2,...,xn) (39)
考虑到超限学习机的预测能力受参数设置的影响,再引入粒子群优化(PSO)方法,以通过参数优模型性能;
超限学习机模型的参数在开始时是随机设置的,并且使用PSO方法自动确定可以获得最佳预测结果的参数,
PSO算法中每个粒子就是d搜索空间中的一个潜在解,记为Zi=(zi1,zi2,…,zid),将Zi代入目标函数计算其适应度值,则粒子的“好坏”可用适应度值来评判,第i个粒子的速度则是用一个d维向量表示,记作Vi=[vi1,vi2,…,vid];
在寻优的过程中,第i个粒子搜索到的最佳位置记为Pid=[Pi1,Pi2,…,Pid],所有粒子搜索到的最佳位置记为Pgd=[Pg1,Pg2,…,Pgd],粒子根据下式更新速度和位置:
式中,i=1,2,…m;k为迭代的次数;α是惯性权重因子;非负数c1,c2为学习因子;r1,r2为(0,1)之间的随机数,考虑到粒子在搜索的过程中是非线性变化的,因此采用非线性凹函数递减惯性权重方式会获得更好的效果:
式中,Tmax为最大迭代次数;αmax,αmin分别为惯性权重的最大和最小值,本发明的αmax=0.9,αmin=0.4;
从空调系统冷机能效预测模型可知,输入层神经元个数、隐含层神经元个数以及输出层神经元个数预先设定,模型未知的参数变量是输入层与隐含层之间的连接权重w和隐含层神经元阈值b,激励函数采用Sigmoid函数;
因此,粒子群中的解Zi=[wi,bi],参数求解过程中,就是固定超限学习超参数β,找到使得目标函数最小的解Zi,而粒子群的目标参数即为式(5);
粒子群求解完成后,将最优参数组合[wi,bi]代入式(6),实现超限学习机的超参数优化为后优化模型可靠的适应度函数;
根据本发明步骤S3,首先给定β为已知的值,然后以w和b为未知参数,以式(14)为目标函数,通过粒子群算法进行寻优,最后将优化解w*和b*代入式ELM预测模型进行训练。以650RT的冷机为例,w*和b*的部分结果如表2所示;
表2 ELM超参数求解结果(部分)
l |
1 |
2 |
3 |
4 |
… |
97 |
98 |
99 |
100 |
w |
0.796 |
0.692 |
0.488 |
0.584 |
… |
0.652 |
0.668 |
0.571 |
0.481 |
b |
-0.541 |
0.553 |
-0.673 |
-0.025 |
… |
0.338 |
0.324 |
0.149 |
0.113 |
ELM模型的超参数确定以后,对650RT的冷机能效性能模型进行训练,主要通过矩阵运算求解出β,部分求解结果如表3;
表3β部分计算结果
为了说明预测模型的有效性,38组测试集数据对比模型的预测结果,首先用预测模型计算38组测试集输入下的冷机COP值,然后用预测的COP值与测试集中真实的COP值计算预测模型的误差范围,对比结果如图4所示;
预测模型结果与实际能效数据的相对误差在10%以内,说明模型具有较高的可靠性,所建立的预测模型能够用于后续的优化中,若模型相对误差较大,则增大训练样本的数量,重新建立冷机能效预测模型;
和650RT冷机能效预测模型建立过程相似,通过相同方法可以获得500RT冷机的能效预测模型,所以,650RT和500RT的空调制冷机模型为:
S4:建立空调系统冷机组能效优化模型,通过ELM预测算法模块预测后续能效模型中的中间数值,模型中主要需要确定的超参数有w、b和β,其中w和b是通过S3模型来确定,β是通过数据集训练确定;
优化模型具体建立过程如下:空调系统冷机组的整体能效通常用EER来评价,其定义为在额定工况下,冷机组提供的制冷量与所消耗电能的比值;
冷机组有M台制冷机,第e台制冷机的额定制冷量为Le,制冷机的负载作为优化参数之一,为了后续建模说明,假设第e台制冷机的负载为fe,第e台制冷机的能效COP预测模型根据式(7)为:
ce=fe(x1,x2,...,xn) (42)
空调系统的制冷需求为T冷吨,根据EER的定义,建立制冷机组整体能效模型为:
式中冷机额定制冷量和负载的乘积为该冷机的实际制冷量,在空调系统工作过程中,冷机组的总制冷量需要大于等于制冷需求量;
因此,空调冷机组的能耗优化模型为:
S5:通过冷机组能效优化模型建立能效优化模型,并运用进化算法进行求解,通过智能优化算法求得最优组合,并基于粒子群的超参数寻优模块,并结合ELM的特性,用粒子群算法优化S2中的超参数w和b;
其具体过程如下:
通过遗传算法求解式(12),先根据约束的遗传算法适应度函数:
得到带约束条件下的遗传算法适应度函数,再经过遗传方法寻优后,计算得到最优参数组合,即为智能建筑空调制冷机组优化参数;
依据能耗优化模型,首先根据S5中式(13)构建适应度函数,然后运用遗传算法求解最佳参数组合,求解过程如图2所示;本案例最后的优化结果如表4所示,表示给出了在制冷需求量为600RT条件下,空调制冷机组(650RT和500RT组合机组)的最优参数组合;
表4优化结果
参数 |
x<sub>fir,2</sub> |
x<sub>fir,2</sub> |
x<sub>sec,1</sub> |
x<sub>sec,2</sub> |
EER |
数值 |
0.632 |
27.5 |
0.584 |
25.3 |
7.077 |
S6:输出空调系统冷水机组参数优化方案到智慧能源管理系统并基于优化结果可与控制模型进行交互式处理,系统运行参数调整,根据控制指令,运行参数重新调整。
所述步骤S1通过数据采集模块使用数据采集方式为空调系统中的传感器采集,采集的数据为待优化参数和优化目标数值,在模型训练初期,数据采集可以采用厂家实验室所得数据,所述步骤S1的具体处理过程如下:影响COP值的参数作为优化参数,其包括冷机的负荷百分比、冷却水的进水温度、冷却水流量等,能效数据中每一组优化参数对应一个冷机的COP值,假设优化参数为X=[x1,x2,…,xn],输出参数Yj是每一组输出参数下对应的冷机COP值,其中n为待优化参数的个数,并且第j组优化参数Xj对应输出参数Yj。
所述步骤S2的具体过程如下:用于划分的数据集为S=[s1,s2,…,sm]T,其中
并采集随机分层采样法对能效数据集进行划分,具体做法为:首先根据数据集分成N层,然后根据训练集和测试集的比例对每层的数据进行随机采样,最后将每一层的采样结果组合在一起形成训练集和测试集。
所述步骤S3还包括以下步骤:
S(1):基于PSO算法的ELM权重及阈值最优值计算,根据式(2)(3)(4)(5),构建粒子群算法的目标函数:
根据步骤S3,首先给定β为已知的值,然后以w和b为未知参数,以式(14)为目标函数,通过粒子群算法进行寻优,最后将优化解w*和b*代入式ELM预测模型进行训练;
S(2):ELM模型的超参数确定以后,对预设条件A的冷机能效性能模型进行训练,主要通过矩阵运算求解出β,为了说明预测模型的有效性,设置了预设数量测试集数据对比模型的预测结果,首先用预测模型计算预设数量组测试集输入下的冷机COP值,然后用预测的COP值与测试集中真实的COP值计算预测模型的误差范围;
S(3):测模型结果与实际能效数据的相对误差在预设值内,说明模型具有较高的可靠性,所建立的预测模型能够用于后续的优化中,若模型相对误差较大,则增大训练样本的数量,重新建立冷机能效预测模型;
和预设条件A冷机能效预测模型建立过程相似,通过相同方法可以获得预设条件B冷机的能效预测模型,所以预设条件A和预设条件B的空调制冷机模型为:
所述步骤S4中建立空调系统冷机组能效优化模型的过程如下:根据步骤3中建立的预设条件A和预设条件B的冷机能效预测模型,结合S4中式(12),建立预设条件A和预设条件B冷机组综合能效模型:
所述步骤S5中的智能优化算法求得最优组合依据能耗优化模型,首先根据S5中式(13)构建适应度函数,然后运用遗传算法求解最佳参数组合,给出了在制冷需求量为预设条件下,空调制冷机组(预设条件A和预设条件B)的最优参数组合。
所述步骤S6输出空调系统冷水机组参数优化方案,根据给出的优化方案,运行空调系统后,相较于初始方案,判断系统的整体EER是否提高,若优化效果不明显,则增大单台冷机能效样本数据的数量。
本发明在使用时整体过程如下:
SS1:数据采集模块,数据采集方式为空调系统中的传感器采集,采集的数据为待优化参数和优化目标数值。在模型训练初期,数据采集也可以采用厂家实验室所得数据;
SS2:ELM预测算法模块,用于预测后续能效模型中的中间数值,模型中主要需要确定的超参数有w、b和β,其中w和b是通过S3模型来确定,β是通过数据集训练确定;
SS3:基于粒子群的超参数寻优模块,为了提高ELM预测算法模型的准确性,并结合ELM的特性,用粒子群算法优化S2中的超参数w和b;
SS4:冷机组能效优化模型,用于建立能效优化模型,并运用进化算法进行求解。该模型也可以为多目标优化模型,即需要优化的变量为多个;
SS5:智慧能源管理系统,用于监控空调系统的运行情况,并基于优化结果可以与控制模型进行交互式处理;
SS6:PLC控制模块,用于系统的控制;
SS7:系统运行参数调整,根据控制指令后,运行参数重新调整。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者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必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。