CN113432247A - 基于图神经网络的冷水机组能耗预测方法、系统及存储介质 - Google Patents
基于图神经网络的冷水机组能耗预测方法、系统及存储介质 Download PDFInfo
- Publication number
- CN113432247A CN113432247A CN202110552435.7A CN202110552435A CN113432247A CN 113432247 A CN113432247 A CN 113432247A CN 202110552435 A CN202110552435 A CN 202110552435A CN 113432247 A CN113432247 A CN 113432247A
- Authority
- CN
- China
- Prior art keywords
- state data
- energy consumption
- operation state
- subset
- consumption prediction
- 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.)
- Granted
Links
Images
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
- F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
- F24F11/46—Improving electric energy efficiency or saving
- F24F11/47—Responding to energy costs
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F2140/00—Control inputs relating to system states
- F24F2140/60—Energy consumption
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明公开了基于图神经网络的冷水机组能耗预测方法、系统及存储介质,通过并判断运行状态数据集中各个运行状态数据子集对应的运行工况之间是否具有关联关系,并根据判断结果构建运行状态数据集中各个运行状态数据子集的关联关系图;将关联关系图转化为图结构的邻接矩阵,并基于此关联关系图构造以图神经网络为框架的能耗预测模型,采用各个运行状态数据子集及其对应的邻接矩阵、能耗数据迭代训练能耗预测模型,将待预测的、冷水主机的运行状态数据子集输入到训练好的能耗预测模型中,得到冷水主机能耗预测结果。本发明能在保证能耗预测模型的准确性的同时,大大提高冷水主机能耗预测模型的泛化能力,减少冷水主机能耗预测对训练样本的依赖。
Description
技术领域
本发明涉及中央空调冷水机组能耗预测技术领域,尤其涉及基于图神经网络的冷水机组能耗预测方法、系统及存储介质。
背景技术
能源消耗问题随着经济的快速发展日益凸显,近些年构建能源节约型社会愈发被重视。目前建筑能耗占全球总能耗比重已逼近40%,中央空调系统作为调节大型建筑室内温度和湿度的重要设备,被广泛应用在大型建筑中,而中央空调系统也是是整个建筑中能耗最大的设备,其用电量占建筑用电总负荷的30%-40%,局部地区更高达50%以上。在中央空调系统能耗中,冷水主机能耗比例为50%以上,因此冷水主机的节能优化控制是中央空调系统节能的关键之一。
冷水主机具有非线性、滞后性、时变性和强耦合等特点,并且由于供冷需求量随环境变化和室内活动变化影响,导致冷水主机运行工况复杂,实际节能优化试验成本高且所需时间较长。因此,建立中央空调冷水主机的能耗预测模型实现不同供冷量下能耗预测,是实现节能优化的重要途径。
目前针对中央空调冷水主机能耗预测方法中,由于系统结构复杂、待定系数多,往往只考虑冷源系统整体能耗,缺少对冷水主机等设备的能耗预测方法研究。此外,基于数据驱动的黑箱模型精度很大程度上依赖于学习样本的质量和数量。然而实际过程中,许多反应对象运行特征的关键数据难以直接获取,且实际现场的样本往往伴随着高频随机噪声。特别是在系统运行条件发生变化或者学习样本覆盖面较窄时,模型泛化能力急剧降低。
因此,现急需将经验信息、运行状态信息和数据信息相结合,能充分发挥模型的优势,在满足精度需求的前提下,降低模型对学习样本数量的依赖,提高模型的实用性的能耗预测方法。
发明内容
本发明提供了基于图神经网络的冷水机组能耗预测方法、系统及存储介质,用于解决现有的冷水机组能耗预测方法对学习样本数量的依赖强、泛化能力差的技术问题。
为解决上述技术问题,本发明提出的技术方案为:
一种基于图神经网络的冷水机组能耗预测方法,包括以下步骤:
获取冷水机组的运行状态数据集,运行状态数据集中包括多个在不同工况下/不同时刻下的运行状态数据子集及其对应的能耗数据;
判断运行状态数据集中各个运行状态数据子集对应的运行工况之间是否具有关联关系,并根据判断结果构建运行状态数据集中各个运行状态数据子集的关联关系图;
将关联关系图转化为图结构的邻接矩阵,并基于此关联关系图构造以图神经网络为框架的能耗预测模型,采用各个运行状态数据子集、对应的能耗数据以及对应的邻接矩阵迭代训练能耗预测模型,直至其收敛,得到训练好的能耗预测模型;
将待预测的、冷水主机的运行状态数据子集输入到训练好的能耗预测模型中,得到冷水主机能耗预测结果。
优选的,运行状态数据子集包括多种影响冷水机组能耗的关键运行状态数据,关键运行状态数据包括:
优选的,判断运行状态数据集中各个运行状态数据子集之间是否具有关联关系,包括以下步骤:
从关键运行状态数据的种类中选取关联运行状态数据种类,对于运行状态数据集中任意一个运行状态数据子集Di以及任意一个不同于运行状态数据子集Di的运行状态数据子集Dj,分别计算运行状态数据子集Di中各种关联运行状态数据与运行状态数据子集Dj中的同一种类的关联运行状态数据间的残差值;并根据运行状态数据子集Di和运行状态数据子集Dj中的各种关联运行状态数据间的残差值判断运行状态数据子集Di和运行状态数据子集Dj是否具有关联关系。
优选的,关联运行状态数据种类包括:t+1时刻与t时刻运行冷水主机数目的差值、t+1时刻与t时刻设置的冷冻水供水温度的差值、数据采集的星期、冷冻水供水温度、冷却水回水温度、冷冻水供回水温差、冷却水供水温度、冷却水供回水温差、t+1时刻设置的冷冻水供水温度、t+1时刻运行冷水主机的数目、冷水主机制冷量以及数据采集时间;分别计算运行状态数据子集Di中各种关联运行状态数据与运行状态数据子集Dj中的同一种类的关联运行状态数据间的残差值通过以下公式实现:
残差表达式 | |
R1 | R<sub>1</sub>=N<sub>c(t+1)i</sub>-N<sub>c(t+1)j</sub> |
R2 | R<sub>2</sub>=T<sub>sc(t+1)i</sub>-T<sub>sc(t+1)j</sub> |
R3 | R<sub>3</sub>=N<sub>i</sub>-N<sub>j</sub> |
R4 | R<sub>4</sub>=T<sub>choi</sub>-T<sub>choj</sub> |
R5 | R<sub>5</sub>=T<sub>chdi</sub>-T<sub>chdj</sub> |
R6 | R<sub>6</sub>=T<sub>cloi</sub>-T<sub>cloj</sub> |
R7 | R<sub>7</sub>=T<sub>clri</sub>-T<sub>clrj</sub> |
R8 | R<sub>8</sub>=T<sub>cldi</sub>-T<sub>cldj</sub> |
R9 | R<sub>9</sub>=T<sub>s(t+1)i</sub>-T<sub>s(t+1)j</sub> |
R10 | R<sub>10</sub>=N<sub>(t+1)i</sub>-N<sub>(t+1)j</sub> |
R11 | R<sub>11</sub>=W<sub>ci</sub>-W<sub>cj</sub> |
R12 | R<sub>12</sub>=M<sub>i</sub>-M<sub>j</sub> |
其中,i表示第i时刻,j表示第j时刻。
优选的,根据运行状态数据子集Di和运行状态数据子集Dj中的各种关联运行状态数据间的残差值判断运行状态数据子集Di和运行状态数据子集Dj是否具有关联关系,通过以下步骤实现:
其中,表中步骤或结论栏中的进行2表示进行序号为2的判断条件,进行5和进行8同理;pi=pj表示数据集中i时刻冷水主机的运行工况与j时刻冷水主机的运行工况相似,两者之间存在关联关系,pi≠pj表示数据集中i时刻冷水主机的运行工况与j时刻冷水主机的运行工况不相似,两者之间不存在关联关系;h1~h28残差对应的阈值,需要根据经验知识进行人为标定。
优选的,关联关系图中,每个节点代表运行状态数据集中的一个运行状态数据子集,两节点间的连线形成的边表示两节点存在关联,关联为两节点具有相似的工况。
优选的,将关联关系图转化为图结构的邻接矩阵通过以下公式实现:
其中,Aij为第i时刻下的运行状态数据子集与第j时刻下的运行状态数据子集的邻接矩阵值,当第i时刻下的运行状态数据子集与第j时刻下的运行状态数据子集具有关联关系时,Aij取值为1,当第i时刻下的运行状态数据子集与第j时刻下的运行状态数据子集不具有关联关系时,Aij取值为0。
优选的,图神经网络具体为图采样聚合网络。
一种计算机系统,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述任一方法的步骤。
一种计算机存储介质,其上存储有计算机程序,程序被处理器执行时实现上述任一项方法中的步骤。
本发明具有以下有益效果:
1、本发明中的基于图神经网络的冷水机组能耗预测方法、系统及存储介质,通过获取冷水机组的运行状态数据集,判断运行状态数据集中各个运行状态数据子集对应的运行工况之间是否具有关联关系,并根据判断结果构建运行状态数据集中各个运行状态数据子集的关联关系图;将关联关系图转化为图结构的邻接矩阵,并基于此关联关系图构造以图神经网络为框架的能耗预测模型,采用各个运行状态数据子集及其对应的邻接矩阵和能耗数据迭代训练能耗预测模型,直至其收敛,得到训练好的能耗预测模型;将待预测的、冷水主机的运行状态数据子集输入到训练好的能耗预测模型中,得到冷水主机能耗预测结果,本技术方案通过构造以图神经网络作为框架的能耗预测模型,并构造各个运行状态数据子集的邻接矩阵,再将邻接矩阵应用到图神经网络中训练能耗预测模型,在保质能耗预测模型的准确性的同时,能大大提高冷水主机能耗预测模型的泛化能力,减少冷水主机能耗预测对训练样本的依赖。
2、在优选方案中,本发明通过分析影响冷水主机能耗的关键因素,从冷水主机的运行参数中筛选到了关键运行状态参数构建运行状态数据集对图神经网络模型进行训练,能在保证预测结果的准确性同时,减少图神经网络模型运行的计算机资源消耗。
3、在优选方案中,本发明通过计算运行状态数据子集Di中各种关联运行状态数据与所述运行状态数据子集Dj中的同一种类的关联运行状态数据间的残差值以及与之对应的关联关系决策表,将残差值与所述的由人工经验标定的阈值按照关联关系决策表中的步骤进行比较,从而得到关联结果,能准确挖掘各个运行状态数据子集之间的关联关系,进而提高以图神经网络作为框架的冷水主机能耗预测模型的准确性。
4、在优选方案中,本发明采用图采样聚合网络作为预测模型框架,能进一步提高水主机能耗预测模型的准确性以及泛化能力。
除了上面所描述的目的、特征和优点之外,本发明还有其它的目的、特征和优点。下面将参照附图,对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是本发明的基于图神经网络的冷水机组能耗预测方法的流程图;
图2是本发明优选实施例中的中央空调冷水主机的结构示意图;
图3是本发明优选实施例中的基于图神经网络的冷水机组能耗预测方法的流程图;
图4是本发明优选实施例中的经验分析结果示意图;
图5是本发明优选实施例中的能耗预测结果与现有技术的对比图。
具体实施方式
以下结合附图对本发明的实施例进行详细说明,但是本发明可以由权利要求限定和覆盖的多种不同方式实施。
实施例一:
如图1所示,本实施中公开了一种基于图神经网络的冷水机组能耗预测方法,包括以下步骤:
获取冷水机组的运行状态数据集,运行状态数据集中包括多个在不同工况下/不同时刻下的运行状态数据子集及其对应的能耗数据;
判断运行状态数据集中各个运行状态数据子集对应的运行工况之间是否具有关联关系,并根据判断结果构建运行状态数据集中各个运行状态数据子集的关联关系图;
将关联关系图转化为图结构的邻接矩阵,并基于此关联关系图构造以图神经网络为框架的能耗预测模型,采用各个运行状态数据子集、对应的能耗数据以及对应的邻接矩阵迭代训练能耗预测模型,直至其收敛,得到训练好的能耗预测模型;
将待预测的、冷水主机的运行状态数据子集输入到训练好的能耗预测模型中,得到冷水主机能耗预测结果。
此外,在本实施例中,还公开了一种计算机系统,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述任一方法的步骤。
此外,在本实施例中,一种计算机存储介质,其上存储有计算机程序,程序被处理器执行时实现上述任一项方法中的步骤。
本发明中的基于图神经网络的冷水机组能耗预测方法、系统及存储介质,通过获取冷水机组的运行状态数据集,判断运行状态数据集中各个运行状态数据子集对应的运行工况之间是否具有关联关系,并根据判断结果构建运行状态数据集中各个运行状态数据子集的关联关系图;将关联关系图转化为图结构的邻接矩阵,并基于此关联关系图构造以图神经网络为框架的能耗预测模型,采用各个运行状态数据子集及其对应的邻接矩阵和能耗数据迭代训练能耗预测模型,直至其收敛,得到训练好的能耗预测模型;将待预测的、冷水主机的运行状态数据子集输入到训练好的能耗预测模型中,得到冷水主机能耗预测结果,本技术方案通过构造以图神经网络作为框架的能耗预测模型,并构造各个运行状态数据子集的邻接矩阵,再将邻接矩阵应用到图神经网络中训练能耗预测模型,在保质能耗预测模型的准确性的同时,能大大提高冷水主机能耗预测模型的泛化能力,减少冷水主机能耗预测对训练样本的依赖。
实施例二:
实施例二是实施例一的优选实施例,其与实施例一的不同之处在于,对基于图神经网络的冷水机组能耗预测方法具体步骤进行了细化:
图2是本发明适用的典型中央空调冷水主机的结构示意图。典型中央空调冷水主机包括:蒸发器、膨胀阀(节流阀)、冷凝器、压缩机等部件。冷水主机的制冷主要通过主机内部的制冷剂循环实现:冷水主机工作过程中,低温、低压的液态制冷剂在蒸发器中吸收潜热,发生蒸发相变并形成低温低压的气态制冷剂,同时带走冷冻水热量,经过压缩机压缩,成为高温高压的气态制冷剂。随后气态制冷剂进入冷凝器,发生冷凝相变,放热给冷却水并成为液态制冷剂。液体制冷剂通过节流阀再次变为低温、低压的液态制冷剂,流回蒸发器完成制冷剂的循环。在此过程中,冷冻水中的热量以制冷剂为媒介传输至冷却水中,完成了热量的传递。
如图3所示,在本实施例中公开了一种基于图神经网络的冷水机组能耗预测方法,包括以下步骤:
S1:根据经验知识确定影响中央空调冷水机组能耗的关键因素,获得冷水机组运行状态数据集。在本实施例中,传感器每十分钟采集一次运行状态数据子集,使用滑窗法将历史4个小时的数据作为一组运行状态数据集。
本实施例中,影响冷水主机能耗的因素包括:
影响冷水主机能耗的因素众多,且各因素之间相互关联耦合,难以通过改变某一因素来降低冷水主机的能耗,关键因素主要分为三类:冷水主机的自身状态、制冷站的群控策略以及外界环境因素。
基于上述三种关键因素,从冷水机组的运行状态数据中选取18种关键运行状态数据构建运行状态数据子集,其中,18种关键运行状态数据以及能耗的变量含义如下表1:
表1各变量含义表
其中,冷水主机自身状态影响其能耗的因素主要包括:Tcho,Tchr,Tchd,Tclo,Tclr,Tcld,Pchd,Pcld,COP,Wet,Wc,W(d-1)等,其中:
Tchd=Tchr-Tcho;
Tcld=Tclo-Tclr;
COP=Wc/Wet.
其中,Tcho会受到Ts(t+1)等因素的影响,Tchr,Pchd,Wc会受到To,M,N等因素的影响,Pcld也会受到群控策略的影响;
制冷站的群控策略影响冷水主机能耗的因素主要包括:Nt+1,Nc(t+1),Ts(t+1),Tsc(t+1)等;而Tcho,Tchr,Tchd,Tclo,Tclr,Tcld,Pchd,Pcld等因素也会影响群控策略;
外界环境因素影响冷水主机能耗的因素主要包括:To,M,N等,此外建筑内的人员分布密度以及电器照明等设备的使用情况也会影响冷水主机的能耗,同时人员分布密度和电器等设备的使用情况也会受到M和N等因素的影响;
S2:根据经验知识构建冷水主机运行数据间的残差表达式,并计算数据间的残差值,根据经验知识生成关联关系决策表(相似工况判断表),该步骤具体如下:
从关键运行状态数据的种类中选取关联运行状态数据种类,对于运行状态数据集中任意一个运行状态数据子集Di以及任意一个不同于运行状态数据子集Di的运行状态数据子集Dj,分别计算运行状态数据子集Di中各种关联运行状态数据与运行状态数据子集Dj中的同一种类的关联运行状态数据间的残差值;并根据运行状态数据子集Di和运行状态数据子集Dj中的各种关联运行状态数据间的残差值判断运行状态数据子集Di和运行状态数据子集Dj是否具有关联关系。
设第i时刻采集的运行状态数据子集Di为:
Di=(Tchoi,Tchri,Tchdi,Tcloi,Tclri,Tcldi,Pchdi,Pcldi,Toi,COPi,Wci,N(t+1)i,Nc(t+1)i,Ts(t+1)i,Tsc(t+1)i,Mi,Ni,W(d-1)i);
设第j时刻采集的运行状态数据子集Dj为:
Dj=(Tchoj,Tchrj,Tchdj,Tcloj,Tclrj,Tcldj,Pchdj,Pcldj,Toj,COPj,Wcj,N(t+1)j,Nc(t+1)j,Ts(t+1)j,Tsc(t+1)j,Mj,Nj,W(d-1)j)
其中,关联运行状态数据种类包括:t+1时刻与t时刻运行冷水主机数目的差值、t+1时刻与t时刻设置的冷冻水供水温度的差值、数据采集的星期、冷冻水供水温度、冷冻水供回水温差、冷却水供水温度、冷却水供回水温差、t+1时刻设置的冷冻水供水温度、t+1时刻运行冷水主机的数目、冷水主机制冷量以及数据采集时间;分别计算运行状态数据子集Di中各种关联运行状态数据与运行状态数据子集Dj中的同一种类的关联运行状态数据间的残差值通过以下公式实现通过以下如下表2所示的12个残差表达式实现:
表2残差表达式
其中,i表示第i时刻,j表示第j时刻。
对于任意两个运行状态数据子集Dj和运行状态数据子集Di,当二者之间的残差值R1-R12满足如表3所示的关联关系决策表(运行工况相似判断表)中的一定条件,得到明确结论(pi=pj)时,则认为数据集中的两数据子集之间运行工况相似,存在关联关系,具体条件需要满足下表3所示的关联关系决策表。
表3关联关系决策表
表中步骤或结论栏中的进行2表示进行序号为2的判断条件,进行5和进行8与进行2同理;pi=pj表示数据集中i时刻冷水主机的运行工况与j时刻冷水主机的运行工况相似,两者之间存在关联关系,pi≠pj表示数据集中i时刻冷水主机的运行工况与j时刻冷水主机的运行工况不相似,二者之间不存在关联关系;h1~h28为残差对应的阈值,需要根据经验知识进行人为标定。
S3:将残差值与根据经验人工标定的阈值按照关联关系决策表中的步骤进行比较,得到每个数据的与数据集中其他数据之间的关联关系图。
本实施例中,通过比较残差值与根据经验人工标定的阈值,将残差值满足关联关系决策表的冷水主机运行数据设置为彼此之间具有关联关系,由此得到一张包含节点及边在内的关联关系图;在关联关系图中,每个节点代表数据集中的一个数据,两节点间的连线形成的边表示两节点存在关联,所述关联为两节点具有相似的工况。
图4中展示了处于相似工况下的节点之间能耗对比图,图中不同形状的节点代表处于不相似的工况下,及没有关联关系,空心的节点是当前时刻的节点,实心节点是通过所述的经验知识分析方法找到与其具有关联关系的节点,从图中可以看出具有关联关系的节点能耗相似。
S4:将所述的关联关系图转化为图结构的邻接矩阵,并基于此关联关系图构造以图神经网络为模型框架的能耗预测模型,并利用构造出的邻接矩阵、对应的冷水主机的运行状态数据子集以及对应的能耗迭代训练能耗预测模型,直至其收敛。在本实施例中,图神经网络优选图采样聚合网络模型;
其中,所述能耗预测模型以运行状态数据子集作为输入量,以运行状态数据子集对应的能耗作为输出量,以标注有对应的能耗及对应邻接矩阵的运行状态数据子集作为训练数据。
本实施例中,根据下式将关联关系图转化为图结构的邻接矩阵A:
S5:将所述冷水主机运行状态数据子集输入到训练好的能耗预测模型中,以图采样聚合网络模型的输出作为最终的中央空调冷水主机能耗预测结果。
本发明还提供一种基于经验知识的关联图构建及中央空调冷水机组能耗预测系统,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述任一实施方式的步骤。
采用本发明中的方法,使用少量的训练数据训练图采样聚合网络,并在测试集上验证其平均绝对百分比误差,以此为依据判断图采样聚合网络的效果,结果见图5,图中由方点的连接成的线曲线表示所述方法的预测结果的平均绝对百分比误差。为验证本发明中方法的有效性,设置采用传统神经网络(长短期记忆神经网络和一维卷积神经网络)的预测模型作为对照组,其中采用三角形连接成的曲线是长短期记忆神经网络模型预测结果的平均绝对百分比误差,采用圆点连接成的曲线是一维卷积神经网络模型预测结果的平均绝对百分比误差,从图中可以看出,在训练数据数量较少时,本发明中的方法要明显优于传统神经网络模型,随着训练样本增加,本发明中方法的平均绝对百分比误差也要稍优于传统神经网络模型。
综上可知,本发明的基于图神经网络的冷水机组能耗预测方法、系统及存储介质,根据经验知识确定影响中央空调冷水机组能耗的关键因素,获得冷水机组运行数据集;计算出冷水主机运行数据集中每个时刻与数据集中其他时刻运行数据的残差值,根据对比经验知识设置的阈值与残差值,判断每个时刻的运行工况是否与其他时刻的运行工况相似,并按照相似情况构造数据集中各数据之间的关联关系图;将关联关系图转化为图结构的邻接矩阵,并基于此关联图构造图神经网络,利用构造出的邻接矩阵和运行数据训练图采样聚合网络模型;图采样聚合网络模型输出结果作为中央空调冷水主机能耗的预测结果。本发明将经验知识与基于数据的能耗预测方法相结合,提高了中央空调冷水主机能耗预测精确率。此外,结合经验信息还可以降低模型对学习样本数量的依赖,提高模型的实用性,为对中央空调系统开展节能控制工作打下了坚实的基础。
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 (10)
1.一种基于图神经网络的冷水机组能耗预测方法,其特征在于,包括以下步骤:
获取冷水机组的运行状态数据集,所述运行状态数据集中包括多个在不同工况下/不同时刻下的运行状态数据子集及其对应的能耗数据;
判断所述运行状态数据集中各个运行状态数据子集对应的运行工况之间是否具有关联关系,并根据判断结果构建所述运行状态数据集中各个运行状态数据子集的关联关系图;
将所述关联关系图转化为图结构的邻接矩阵,并基于此关联关系图构造以图神经网络为框架的能耗预测模型,采用各个运行状态数据子集、对应的能耗数据以及对应的邻接矩阵迭代训练能耗预测模型,直至其收敛,得到训练好的能耗预测模型;
将待预测的、所述冷水主机的运行状态数据子集输入到训练好的能耗预测模型中,得到所述冷水主机能耗预测结果。
3.根据权利要求2所述的基于图神经网络的冷水机组能耗预测方法,其特征在于,判断所述运行状态数据集中各个运行状态数据子集之间是否具有关联关系,包括以下步骤:
从所述关键运行状态数据的种类中选取关联运行状态数据种类,对于所述运行状态数据集中任意一个运行状态数据子集Di以及任意一个不同于运行状态数据子集Di的运行状态数据子集Dj,分别计算所述运行状态数据子集Di中各种关联运行状态数据与所述运行状态数据子集Dj中的同一种类的关联运行状态数据间的残差值;并根据所述运行状态数据子集Di和运行状态数据子集Dj中的各种关联运行状态数据间的残差值判断所述运行状态数据子集Di和运行状态数据子集Dj是否具有关联关系。
4.根据权利要求3所述的基于图神经网络的冷水机组能耗预测方法,其特征在于,所述关联运行状态数据种类包括:t+1时刻与t时刻运行冷水主机数目的差值、t+1时刻与t时刻设置的冷冻水供水温度的差值、数据采集的星期、冷冻水供水温度、冷却水回水温度、冷冻水供回水温差、冷却水供水温度、冷却水供回水温差、t+1时刻设置的冷冻水供水温度、t+1时刻运行冷水主机的数目、冷水主机制冷量以及数据采集时间;分别计算所述运行状态数据子集Di中各种关联运行状态数据与所述运行状态数据子集Dj中的同一种类的关联运行状态数据间的残差值通过以下公式实现:
其中,i表示第i时刻,j表示第j时刻。
6.根据权利要求5所述的基于图神经网络的冷水机组能耗预测方法,其特征在于,所述关联关系图中,每个节点代表运行状态数据集中的一个运行状态数据子集,两节点间的连线形成的边表示两节点存在关联,所述关联为两节点具有相似的工况。
8.根据权利要求1所述的基于图神经网络的冷水机组能耗预测方法,其特征在于,所述图神经网络具体为图采样聚合网络。
9.一种计算机系统,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,处理器执行计算机程序时实现上述权利要求1至8任一方法的步骤。
10.一种计算机存储介质,其上存储有计算机程序,其特征在于,程序被处理器执行时实现上述权利要求1至8任一项方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110552435.7A CN113432247B (zh) | 2021-05-20 | 2021-05-20 | 基于图神经网络的冷水机组能耗预测方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110552435.7A CN113432247B (zh) | 2021-05-20 | 2021-05-20 | 基于图神经网络的冷水机组能耗预测方法、系统及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113432247A true CN113432247A (zh) | 2021-09-24 |
CN113432247B CN113432247B (zh) | 2022-04-26 |
Family
ID=77802529
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110552435.7A Active CN113432247B (zh) | 2021-05-20 | 2021-05-20 | 基于图神经网络的冷水机组能耗预测方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113432247B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115127192A (zh) * | 2022-05-20 | 2022-09-30 | 中南大学 | 基于图神经网络的半监督的冷水机组故障诊断方法及系统 |
CN115388586A (zh) * | 2022-08-24 | 2022-11-25 | 南栖仙策(南京)高新技术有限公司 | 一种制冷控制模型、装置、电子设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106765932A (zh) * | 2016-12-14 | 2017-05-31 | 深圳达实智能股份有限公司 | 中央空调系统制冷主机的能效比预测方法及装置 |
CN109959123A (zh) * | 2019-03-11 | 2019-07-02 | 浙江工业大学 | 一种基于遗传算法和长短期记忆循环神经网络的空调节能方法 |
CN109959122A (zh) * | 2019-03-11 | 2019-07-02 | 浙江工业大学 | 一种基于长短期记忆循环神经网络的空调能耗预测方法 |
CN109961177A (zh) * | 2019-03-11 | 2019-07-02 | 浙江工业大学 | 一种基于长短期记忆循环神经网络的通用水冷中央空调能耗预测方法 |
CN111256294A (zh) * | 2020-01-17 | 2020-06-09 | 深圳市得益节能科技股份有限公司 | 一种基于模型预测的冷水机组组合运行优化控制方法 |
US20210056428A1 (en) * | 2019-08-22 | 2021-02-25 | Google Llc | De-Biasing Graph Embeddings via Metadata-Orthogonal Training |
-
2021
- 2021-05-20 CN CN202110552435.7A patent/CN113432247B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106765932A (zh) * | 2016-12-14 | 2017-05-31 | 深圳达实智能股份有限公司 | 中央空调系统制冷主机的能效比预测方法及装置 |
CN109959123A (zh) * | 2019-03-11 | 2019-07-02 | 浙江工业大学 | 一种基于遗传算法和长短期记忆循环神经网络的空调节能方法 |
CN109959122A (zh) * | 2019-03-11 | 2019-07-02 | 浙江工业大学 | 一种基于长短期记忆循环神经网络的空调能耗预测方法 |
CN109961177A (zh) * | 2019-03-11 | 2019-07-02 | 浙江工业大学 | 一种基于长短期记忆循环神经网络的通用水冷中央空调能耗预测方法 |
US20210056428A1 (en) * | 2019-08-22 | 2021-02-25 | Google Llc | De-Biasing Graph Embeddings via Metadata-Orthogonal Training |
CN111256294A (zh) * | 2020-01-17 | 2020-06-09 | 深圳市得益节能科技股份有限公司 | 一种基于模型预测的冷水机组组合运行优化控制方法 |
Non-Patent Citations (3)
Title |
---|
严中俊、闫军威: "基于BP神经网络的冷水机组能效预测方法", 《制冷与空调》 * |
徐麟、周传辉、胡云鹏、李冠男、方曦: "基于长短期记忆神经网络的冷水机组能耗预测", 《制冷与空调》 * |
王健宗、孔令炜、黄章成、肖京: "图神经网络综述", 《计算机工程》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115127192A (zh) * | 2022-05-20 | 2022-09-30 | 中南大学 | 基于图神经网络的半监督的冷水机组故障诊断方法及系统 |
CN115127192B (zh) * | 2022-05-20 | 2024-01-23 | 中南大学 | 基于图神经网络的半监督的冷水机组故障诊断方法及系统 |
CN115388586A (zh) * | 2022-08-24 | 2022-11-25 | 南栖仙策(南京)高新技术有限公司 | 一种制冷控制模型、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113432247B (zh) | 2022-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103912966B (zh) | 一种地源热泵制冷系统优化控制方法 | |
CN113792762B (zh) | 基于贝叶斯优化LightGBM的冷水机组故障诊断方法、系统及介质 | |
Geng et al. | Building energy performance diagnosis using energy bills and weather data | |
CN113432247B (zh) | 基于图神经网络的冷水机组能耗预测方法、系统及存储介质 | |
CN112577161A (zh) | 空调能耗模型训练方法与空调系统控制方法 | |
US20230312174A1 (en) | Variable refrigerant flow system with zone grouping | |
CN111486552B (zh) | 基于分项计量数据的空调冷冻水供水温度策略识别方法 | |
CN114484731A (zh) | 一种基于stacking融合算法的中央空调故障诊断方法及装置 | |
CN113268913B (zh) | 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 | |
Qian et al. | Power consumption and energy efficiency of VRF system based on large scale monitoring virtual sensors | |
CN113405223A (zh) | 一种基于grnn的冷机台数控制方法及其控制系统 | |
CN111723085B (zh) | 公共建筑空调用电能耗数据清洗方法及系统 | |
CN114740727B (zh) | 室外温度扰动条件下的空气源热泵动态能效优化控制方法 | |
CN114200839B (zh) | 一种耦合环境行为动态监测的办公建筑能耗智能控制模型 | |
CN115127192A (zh) | 基于图神经网络的半监督的冷水机组故障诊断方法及系统 | |
CN114154689A (zh) | 一种冷水主机单机能耗预测方法、系统及存储介质 | |
CN116928984B (zh) | 一种恒温恒湿冷库内外双循环温湿调控系统及调控方法 | |
CN116642262B (zh) | 一种工业空调热量回收的智能管理方法及系统 | |
CN113028610A (zh) | 中央空调动态负荷全局优化与节能控制的方法和装置 | |
CN115327930B (zh) | 一种可视化节能管控方法及系统 | |
CN117013520A (zh) | 一种基于增量学习的柔性负荷可调功率评估方法 | |
CN111473480A (zh) | 一种基于决策树分类的中央空调节能控制方法 | |
CN110702438A (zh) | 一种离心式冷水机组与新风系统联合故障诊断方法 | |
Kim et al. | Deterministic vs. stochastic calibration of energy simulation model for an existing building | |
CN110966711B (zh) | 电子膨胀阀目标排气温度的确定方法和装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |