CN114115150B - 基于数据的热泵系统在线建模方法及装置 - Google Patents
基于数据的热泵系统在线建模方法及装置 Download PDFInfo
- Publication number
- CN114115150B CN114115150B CN202111405800.8A CN202111405800A CN114115150B CN 114115150 B CN114115150 B CN 114115150B CN 202111405800 A CN202111405800 A CN 202111405800A CN 114115150 B CN114115150 B CN 114115150B
- Authority
- CN
- China
- Prior art keywords
- data
- heat pump
- observation data
- pump system
- model
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 73
- 238000005457 optimization Methods 0.000 claims abstract description 39
- 239000002245 particle Substances 0.000 claims description 41
- 238000004422 calculation algorithm Methods 0.000 claims description 28
- 230000006870 function Effects 0.000 claims description 23
- 230000015654 memory Effects 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 13
- 230000002159 abnormal effect Effects 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000007621 cluster analysis Methods 0.000 abstract description 3
- 238000013500 data storage Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 5
- 238000012216 screening Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32339—Object oriented modeling, design, analysis, implementation, simulation language
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了基于数据的热泵系统在线建模方法及装置，获取热泵系统的历史观测数据；对热泵系统的历史观测数据进行聚类处理，得到K个类簇，为每个类簇求解出最优的聚类中心；将最优聚类中心作为热泵系统模型参数辨识的观测数据；将模型的实际输出值与输出观测数据的误差平方和作为优化目标函数，以模型的各输入输出观测数据的边界为约束条件，把模型参数辨识问题转化为带约束的非线性优化问题，求解非线性优化问题，得到目标函数的最优解，从而辨识出模型中的未知参数，完成热泵系统模型的建立；获取在线观测数据，基于在线观测数据对已建立的热泵系统模型进行参数辨识。通过进行聚类分析，减少大量观测数据，提高模型参数辨识的速度和精度。
Description
技术领域
本发明涉及热泵系统的优化运行控制技术领域，特别是涉及基于数据的热泵系统在线建模方法及装置。
背景技术
本部分的陈述仅仅是提到了与本发明相关的背景技术，并不必然构成现有技术。
热泵系统的建模在系统的运行优化控制中起着至关重要的作用。由于热泵系统的非线性及复杂性等原因，对热泵系统进行精确的理论建模是非常困难的，因而热泵系统的模型往往采用基于数据的经验建模方法或混合建模方法。
然而，基于数据的建模方法的模型精度往往与参与辨识模型的数据范围密切相关，当测量数据在辨识数据范围内时模型精度较高，当测量数据超出辨识数据范围时模型精度较差。
发明人发现，现有参与辨识过程的数据量非常大，辨识过程中会大大增加模型辨识的计算量，辨识速度非常慢，且辨识精度不够高。
发明内容
为了解决现有技术的不足，本发明提供了基于数据的热泵系统在线建模方法及装置；
第一方面，本发明提供了基于数据的热泵系统在线建模方法；
基于数据的热泵系统在线建模方法，包括：
获取热泵系统的历史观测数据；对热泵系统的历史观测数据进行聚类处理，得到K个类簇，为每个类簇求解出最优的聚类中心；K为正整数；
将最优聚类中心作为热泵系统模型参数辨识的观测数据；将模型的实际输出值与输出观测数据的误差平方和作为优化目标函数，以模型的各输入输出观测数据的边界为约束条件，把模型参数辨识问题转化为带约束的非线性优化问题，求解所述非线性优化问题，得到目标函数的最优解，从而辨识出模型中的未知参数，完成热泵系统模型的建立；
获取热泵系统的在线观测数据，基于在线观测数据对已建立的热泵系统模型进行参数辨识。
第二方面，本发明提供了基于数据的热泵系统在线建模装置；
基于数据的热泵系统在线建模装置，包括：
获取模块，其被配置为：获取热泵系统的历史观测数据；对热泵系统的历史观测数据进行聚类处理，得到K个类簇，为每个类簇求解出最优的聚类中心；K为正整数；
模型建立模块，其被配置为：将最优聚类中心作为热泵系统模型参数辨识的观测数据；将模型的实际输出值与输出观测数据的误差平方和作为优化目标函数，以模型的各输入输出观测数据的边界为约束条件，把模型参数辨识问题转化为带约束的非线性优化问题，求解所述非线性优化问题，得到目标函数的最优解，从而辨识出模型中的未知参数，完成热泵系统模型的建立；
参数在线辨识模块，其被配置为：获取热泵系统的在线观测数据，基于在线观测数据对已建立的热泵系统模型进行参数辨识。
第三方面，本发明还提供了一种电子设备，包括：
存储器，用于非暂时性存储计算机可读指令；以及
处理器，用于运行所述计算机可读指令，
其中，所述计算机可读指令被所述处理器运行时，执行上述第一方面所述的方法。
第四方面，本发明还提供了一种存储介质，非暂时性地存储计算机可读指令，其中，当所述非暂时性计算机可读指令由计算机执行时，执行第一方面所述方法的指令。
第五方面，本发明还提供了一种计算机程序产品，包括计算机程序，所述计算机程序当在一个或多个处理器上运行的时候用于实现上述第一方面所述的方法。
与现有技术相比，本发明的有益效果是：
(1)基于DBI(Davies-Bouldin Index，戴维森堡丁指数)准则的最优K值得获取方法避免了在Kmeans算法中人工干预设定分类数K值，使聚类的结果更加合理。
(2)粒子群优化算法对函数有具有很好的优化效果，可以确定较优的初始聚类中心，并提高聚类结果的准确度。
(3)通过进行聚类分析，可以减少大量观测数据，从而可提高热泵系统中模型参数辨识的速度和精度。
(4)离线模型辨识时往往需要采集热泵系统各种运行工况下的数据来确保模型的精度，而大量采集的数据中往往包含着很多特性相同的数据，这些数据在模型参数的辨识过程中起着相同的作用，选择这些数据中的代表性数据参与模型参数辨识不仅不会降低模型精度，而且会大大减少模型辨识的计算量。
附图说明
构成本发明的一部分的说明书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。
图1为实施例一的方法流程图；
图2为实施例一的粒子排序结果图；
图3为实施例一的方法流程图。
具体实施方式
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，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。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
本实施例所有数据的获取都在符合法律法规和用户同意的基础上，对数据的合法应用。
基于数据的优良建模方法离不开辨识数据的筛选处理。采用聚类算法可以很好地对辨识模型的数据进行分类处理，聚类中心的数据能够反映该类数据的基本特性，所以采用聚类中心的数据代替该类数据参与模型的辨识可以大大减少参与模型辨识的数据量，减少计算负担，同时又保留了该类数据的基本特性。
尽管离线模型辨识采集数据时会充分考虑所采集数据的范围来确保模型在各种工况下的精度，然而在实际的应用中很难涵盖热泵系统所有的运行工况。因此，充分利用热泵系统运行的实时数据，对模型参数进行在线修正，可以不断扩大模型的应用范围，提高模型在各种工况下的精度。而热泵系统在线运行时的数据量非常庞大，全部参与模型参数的辨识是不可能的，同样需要利用聚类算法进行聚类分析，通过分析判断新采集的数据是否能够对模型参数产生影响。若新采集的数据不能分类到已有类中，那么该数据可以新建一类，其聚类中心数据加入到模型辨识数据之中，对模型参数重新辨识；若新采集的数据能够分类到已有类中，那么放弃该数据，保留原模型参数，不用对模型重新辨识。应用此方法可以对海量的在线测量数据进行筛选，减少参与模型在线辨识的数据量，进而减少模型辨识的计算量，实现模型的在线辨识。
本发明提出的基于数据的热泵系统在线系统建模方法利用计算机语言编写成应用程序下载到下位机之中，负责完成模型参数的在线辨识。该建模方法主要包含四个部分：数据标准化、数据聚类、参数辨识和数据在线筛选。
实施例一
本实施例提供了基于数据的热泵系统在线建模方法；
基于数据的热泵系统在线建模方法，包括：
S101：获取热泵系统的历史观测数据；对热泵系统的历史观测数据进行聚类处理，得到K个类簇，为每个类簇求解出最优的聚类中心；K为正整数；
S102：将最优聚类中心作为热泵系统模型参数辨识的观测数据；将模型的实际输出值与输出观测数据的误差平方和作为优化目标函数，以模型的各输入输出观测数据的边界为约束条件，把模型参数辨识问题转化为带约束的非线性优化问题，求解所述非线性优化问题，得到目标函数的最优解，从而辨识出模型中的未知参数，完成热泵系统模型的建立；
S103：获取热泵系统的在线观测数据，基于在线观测数据对已建立的热泵系统模型进行参数辨识。
进一步地，所述S101：获取热泵系统的历史观测数据；具体包括：热泵系统部件数学模型的输入输出变量，例如：压力、温度、流量等。
进一步地，所述S101：获取热泵系统的历史观测数据步骤之后，所述对热泵系统的历史观测数据进行聚类处理步骤之前，还包括：
对热泵系统的历史观测数据进行预处理。
优选地，所述对热泵系统的历史观测数据进行预处理，具体是指：消除属性之间量纲和取值范围差异的标准化处理。
进一步地，所述标准化处理，具体是指：第一数值与第二数值的求商结果；其中，第一数值，是指数据集中属性i的原始值与属性i的原始值均值的差值；第二数值，是指属性i的方差，i表示属性编号，i为正整数。
示例性地，所述标准化处理，具体包括：
通过下位机将热泵系统中的稳态数据采集并存储到数据存储单元后，数据存储单元中的算法程序对这些数据先进行标准化，目的是消除属性之间的量纲和取值范围的差异，标准化公式如公式(1)所示。
公式(1)中，x表示为数据集中的某一属性的原始值，
为该属性原始值的均值，σ为该属性原始值的方差，x*为标准化后的数据。经过标准化的数据，其均值变为1，方差变为0，从而消除了属性量纲以便聚类。
进一步地，所述S101：对热泵系统的历史观测数据进行聚类处理，得到K个类簇；具体采用K均值算法来实现。
示例性地，根据标准化后的观测数据D＝{D1,D2,…,DN}N×d，采用K均值算法构建出K组数据，并提取各组的聚类中心作为观测数据，用于热泵系统中混合模型的参数辨识。但在数据聚类的过程中，分类数K的确定影响着K均值算法的精度，如何确定合理的K值是数据聚类过程中至关重要的环节。为了辩识热泵系统中模型的参数，K的最小值应大于等于模型的参数个数t。因此，本发明分别计算在
的DBI函数值来确定最佳的分类数K*。假设/>
其中Ci,Cj表示第i类和第j类数据集，将ci,cj表示为第i类和第j类的聚类中心，DBI计算步骤如下：
步骤1：计算
其表示第i类内的数据Xi到聚类中心ci的平均距离，Ni表示为属于第i类数据的数量。该公式可定义为类内距离。
步骤2：计算
用于表示第i类聚类中心和第j类聚类中心的距离。由于聚类中心可以代表每一类的数据，因此，可用聚类中心之间的距离可定义为类间距离。
步骤3：计算
用于衡量第i类和第j类的相似度。当分母越大时，Rij的值越小，表示第i类和第j类的相似程度越小；当分子越大时，表示第i类与第j类中的数据距离各自聚类中心较远，得到的Rij值越大，表示两类的相似程度越大。
步骤4：由前三步可以计算出
该式表明，当设定不同的K值并取最大的Rij时，DBI指数越小，则表明取得的K值越合理。
进一步地，所述S101：为每个类簇求解出最优的聚类中心；具体采用粒子群算法来实现。
示例性地，由于K均值算法还容易因初始的聚类中心陷入局部最优。因此，在确定好最优的K值后，将K均值聚类算法转化为最优化问题，并利用粒子群优化算法对目标函数进行求解得到最优的聚类中心。目标函数如公式(2)所示。
粒子群算法的目标是minf(X),s.t.K＝K*，其寻优步骤如下。
步骤1：输入初始化参数，包括最佳聚类数K*，初始粒子的个数，粒子初始速度、位置、个体加速度c1、群体加速度c2、随机数r1,r2∈[0,1]、惯性权重ω。
步骤2：计算每个粒子的适应度值f(C1,C2,...,CK*),根据公式(3)～(4)计算粒子群的初始个体最优位置和全局最优位置。
步骤3：设粒子xi第j维分量为xi,j＝(Ci,j)1×d根据公式(5)更新每个粒子的速度和位置。
步骤4：根据公式(3)～(4)重新更新粒子群的个体最优位置和全局最优位置。
步骤5：若满足终止条件，则输出最优解为
否则，跳回步骤2循环。
进一步地，所述S101步骤之后，所述S102步骤之前还包括：数据反标准化处理。
示例性地，当聚类算法完成后，需要对数据进行反标准化用于后续的辨识热泵系统中模型的参数，如公式(6)所示：
其中，x为原始数据，x*为标准化后的数据，
为原始数据的均值，σ为原始数据的方差。
进一步地，所述S102中，每个最优聚类中心包括d个特征表示，将前d-1个特征表示作为模型的输入观测数据；将第d个特征表示作为模型的输出观测数据；d为正整数。
进一步地，所述S102：求解所述非线性优化问题，采用社会粒子群优化算法。
示例性地，对于已有的经验模型或混合模型，将模型的输出值与输出观测数据的误差平方和作为优化目标函数，以模型的各输入输出变量的边界为约束条件，把模型参数辨识问题转化为带约束的非线性优化问题。本发明采用社会粒子群算法来求解此优化问题。把所得的最优聚类中心
作为模型参数辨识的观测数据，每个聚类中心由d个特征表示为/>
c1,c2,...,cd-1为模型的输入观测数据，cd为模型的输出观测数据。下位机数据存储单元中的模型参数辨识程序负责将筛选后的观测数据C*应用于社会粒子群优化算法(SLPSO)之中获得目标函数的最优解，从而辨识出模型中的未知参数，完成模型的建立。
对于已有的热泵系统非线性混合模型
为模型的参数，x＝{c1,c2,...,cd-1}为输入观测数据，/>
为模型的输出数据。SLPSO优化算法的目标函数为：
为了寻找到目标函数的最优解θ*，可以随机初始参数化作为粒子群对其适应度值评估，再对所有粒子进行排序得到当前最优的解和最差的解，如图2所示。
图2中，粒子
进而模型参数的最优解可以通过公式(8)迭代求出。
公式(8)中，Ii,j(t)为粒子Xi向当前最优粒子学习的结果，Ci,j(t)表示为粒子Xi对于粒子群的学习情况，Vi,j(t)为在第t次迭代下粒子的速度。参数
用于控制粒子的平均行为的影响，n为粒子的维数，M粒子的数量，一般取M＝100，β为控制参数一般取0.01进而模型参数的最优解可以通过下式迭代求出：
公式(9)中，Pl为当前粒子随机生成的学习概率，Pi l为用户自定义的学习概率。其定义为：
公式(10)中，n为粒子的维数，m为种群的大小，α<1用于控制学习概率，一般取α＝0.5。当粒子i的学习概率比Pl小时，粒子进行学习，否则不学习。具体的社会粒子群算法的建模步骤如下：
步骤1，确定种群大小
其中，n为粒子的维数，M为基本粒子群算法种群的数量，一般取M＝100。
步骤2，随机初始化m个粒子，并通过公式(10)计算各个粒子的学习概率。
步骤3，通过公式(7)计算每个粒子的适应度值，并将m个粒子按适应度值由大到小进行排序。
步骤4，通过公式(8)～(9)更新每个粒子的速度和位置，若满足最大迭代次数或者第t次迭代所计算的目标函数值小于某一阈值ε∈[1×10-6，1×10-5]时，则输出辨识的参数θ*。否则，返回步骤3并重新计算各粒子的学习概率。
进一步地，所述S103：获取热泵系统的在线观测数据，基于在线观测数据对已建立的热泵系统模型进行参数辨识；具体包括：
根据新采集的观测数据与聚类中心的欧式距离，选出距离最小的聚类中心a；
计算新采集的观测数据与聚类中心a的第一距离；
根据新采集的观测数据中与聚类中心a的最远点b，计算最远点b与聚类中心a的第二距离；
根据第一距离与第二距离的大小，决定新采集的观测数据，是否参与模型的参数辨识。
进一步地，所述根据第一距离与第二距离的大小，决定新采集的观测数据，是否参与模型的参数辨识；具体包括：
当第一距离小于第二距离时，新采集的观测数据不参与参数辨识；
当第一距离大于第二距离时，计算新采集的观测数据与聚类中心a的余弦相似度，根据余弦相似度判断是否为异常点，如果是异常点，则新采集的观测数据不参与参数辨识；如果不是异常点，则新采集的观测数据参与参数辨识。
进一步地，根据余弦相似度判断是否为异常点；具体包括：
如果只有一个新采集的观测数据和聚类中心a的余弦相似度，与-1的差值在设定范围内，则认为新采集的观测数据为异常数据；
如果有多个新采集的观测数据和聚类中心a的余弦相似度，与-1的差值在设定范围内，则认为新采集的观测数据为新出现工况的观测数据，需要将新出现工况的观测数据参与模型参数辨识过程中。
离线辨识出热泵系统中已有混合模型的参数后，对于传感器新测量的数据，需要利用下位机的数据存储模块中和原有的数据对比，并判断这些数据是否需要参与模型的参数辨识中。本发明先计算新采集的数据Dnew与K*个聚类中心的欧式距离，并选出距离最小的聚类中心。然后比较新采集数据与该类聚类中心C*的距离dn和这类数据中离聚类中心最远点Df和该类聚类中心C*的距离df，来判断新采集的点是否需要舍弃。若dn≤df，则该数据属于该组中，不参与模型参数的辨识；若dn>df，则该数据超出了这一类的边界，并计算这个数据和聚类中心的余弦相似度判断是否为异常点或者是新的观测数据。余弦相似度计算方法如下所示：
公式(11)中，余弦相似度的取值范围为[-1，1]，若Dnew与和C*计算出的余弦相似度取值趋近于1，则认为该数据属于一类，不需要重新参与模型参数辨识；若Dnew与和C*计算出的余弦相似度只有某个数据取值趋近于-1，则认为该数据为异常数据，不需要重新参与模型参数辨识，并且需要进行数据清洗，不必存储在数据存储单元中；若Dnew与和C*计算出的余弦相似度存在大量数据取值趋近于-1则认为这些数据属于热泵系统新出现工况的观测数据，需要将这些数据重新聚类并参与模型的参数辨识。
综上所述，本发明利用聚类算法和最优化方法提出了一种在热泵系统中基于数据的系统在线建模方法，该方法的整体流程图如图3所示。
采用K均值聚类算法对热泵系统中在线测量的海量数据进行聚类分组，选取每一组数据的聚类中心代替该组数据作为观测数据参与模型参数的辨识。然后，对于已有的离线经验模型或混合模型，将模型的输出值与输出观测数据的误差平方和作为优化目标函数，以模型的各输入输出变量的边界为约束条件，把模型参数辨识问题转化为带约束的非线性优化问题。利用社会粒子群优化算法对模型参数进行辨识。对热泵系统在线测量的每组数据均进行聚类分析，若新测量的数据可以被分类到已有的K类数据之中，则该数据可以被抛弃，不再参与模型参数辨识；若新测量的数据不能被分类到已有的K类数据之中，那么对该数据重新分配一类，把该数据也作为观测数据对模型参数重新辨识。本发明所提出的建模方法通过聚类算法对参与模型辨识的数据进行在线筛选，大大减少了数据的冗余和模型参数的计算量，实现了模型参数在线辨识的功能。
本发明提及的在线建模方法应用于热泵系统测控系统，该系统主要包括三部分：传感器、下位机和上位机，结构框图如图1所示。传感器负责测量温度、压力、流量等模型辨识所需的物理量，并与下位机中的数据采集模块进行数据通讯。下位机包括CPU、数据输入输出模块、数据存储、485通讯等模块，其中：数据输入输出模块分为两个部分：一部分为数据输入模块，负责采集传感器测量的温度、压力、流量等用于模型参数辨识的数据，并把数据存储于数据存储单元中，以备模型参数辨识所用；另一部分为数据输出模块，用于将优化控制算法所获得的最优控制信号施加于热泵系统对象的执行机构，实现系统的优化控制。数据存储单元包含三部分：第一部分用于存储模型辨识的观测数据，该数据不能被覆盖，用于模型参数的在线辨识；第二部分用于存储系统的实时测量数据，当存储单元溢满时数据可以被覆盖；第三部分用于存储模型辨识的应用程序；RS485通讯模块负责下位机和上位机通过总线进行通讯，通讯协议为MODBUS协议。CPU负责运行模型辨识的应用程序，利用实时采集的数据在线辨识模型参数，并与数据采集模块、数据存储模块和RS485通讯模块相配合完成数据采集、存储以及与上位机通讯的功能。上位机通过串口与下位机的通讯模块相连，实现数据的串行通讯，利用数据库存储下位机所采集的实时数据，用于数据的在线分析与实时显示。
实施例二
本实施例提供了基于数据的热泵系统在线建模装置；
基于数据的热泵系统在线建模装置，包括：
获取模块，其被配置为：获取热泵系统的历史观测数据；对热泵系统的历史观测数据进行聚类处理，得到K个类簇，为每个类簇求解出最优的聚类中心；K为正整数；
模型建立模块，其被配置为：将最优聚类中心作为热泵系统模型参数辨识的观测数据；将模型的实际输出值与输出观测数据的误差平方和作为优化目标函数，以模型的各输入输出观测数据的边界为约束条件，把模型参数辨识问题转化为带约束的非线性优化问题，求解所述非线性优化问题，得到目标函数的最优解，从而辨识出模型中的未知参数，完成热泵系统模型的建立；
参数在线辨识模块，其被配置为：获取热泵系统的在线观测数据，基于在线观测数据对已建立的热泵系统模型进行参数辨识。
此处需要说明的是，上述获取模块、模型建立模块和参数在线辨识模块对应于实施例一中的步骤S101至S103，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例一所公开的内容。需要说明的是，上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
上述实施例中对各个实施例的描述各有侧重，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。
所提出的系统，可以通过其他的方式实现。例如以上所描述的系统实施例仅仅是示意性的，例如上述模块的划分，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，例如多个模块可以结合或者可以集成到另外一个系统，或一些特征可以忽略，或不执行。
实施例三
本实施例还提供了一种电子设备，包括：一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序；其中，处理器与存储器连接，上述一个或多个计算机程序被存储在存储器中，当电子设备运行时，该处理器执行该存储器存储的一个或多个计算机程序，以使电子设备执行上述实施例一所述的方法。
应理解，本实施例中，处理器可以是中央处理单元CPU，处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC，现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。
在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。
实施例一中的方法可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。
本领域普通技术人员可以意识到，结合本实施例描述的各示例的单元及算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
实施例四
本实施例还提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成实施例一所述的方法。
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 (11)
1.基于数据的热泵系统在线建模方法，其特征是，包括：
获取热泵系统的历史观测数据；对热泵系统的历史观测数据进行聚类处理，得到K个类簇，为每个类簇求解出最优的聚类中心；K为正整数；
将最优聚类中心作为热泵系统模型参数辨识的观测数据；将模型的实际输出值与输出观测数据的误差平方和作为优化目标函数，以模型的各输入输出观测数据的边界为约束条件，把模型参数辨识问题转化为带约束的非线性优化问题，求解所述非线性优化问题，得到目标函数的最优解，从而辨识出模型中的未知参数，完成热泵系统模型的建立；
获取热泵系统的在线观测数据，基于在线观测数据对已建立的热泵系统模型进行参数辨识，具体包括：
根据新采集的观测数据与聚类中心的欧式距离，选出距离最小的聚类中心a；
计算新采集的观测数据与聚类中心a的第一距离；
根据新采集的观测数据中与聚类中心a的最远点b，计算最远点b与聚类中心a的第二距离；
根据第一距离与第二距离的大小，决定新采集的观测数据，是否参与模型的参数辨识。
2.如权利要求1所述的基于数据的热泵系统在线建模方法，其特征是，获取热泵系统的历史观测数据之后，所述对热泵系统的历史观测数据进行聚类处理之前，还包括：
对热泵系统的历史观测数据进行预处理。
3.如权利要求2所述的基于数据的热泵系统在线建模方法，其特征是，所述对热泵系统的历史观测数据进行预处理，具体是指：消除属性之间量纲和取值范围差异的标准化处理。
4.如权利要求3所述的基于数据的热泵系统在线建模方法，其特征是，所述标准化处理，具体是指：第一数值与第二数值的求商结果；其中，第一数值，是指数据集中属性i的原始值与属性i的原始值均值的差值；第二数值，是指属性i的方差，i表示属性编号，i为正整数。
5.如权利要求1所述的基于数据的热泵系统在线建模方法，其特征是，
对热泵系统的历史观测数据进行聚类处理，得到K个类簇；具体采用K均值算法来实现；
为每个类簇求解出最优的聚类中心；具体采用粒子群算法来实现；
求解所述非线性优化问题，采用社会粒子群优化算法。
6.如权利要求1所述的基于数据的热泵系统在线建模方法，其特征是，每个所述最优聚类中心包括d个特征表示，将前d-1个特征表示作为模型的输入观测数据；将第d个特征表示作为模型的输出观测数据；d为正整数。
7.如权利要求1所述的基于数据的热泵系统在线建模方法，其特征是，所述根据第一距离与第二距离的大小，决定新采集的观测数据，是否参与模型的参数辨识；具体包括：
当第一距离小于第二距离时，新采集的观测数据不参与参数辨识；
当第一距离大于第二距离时，计算新采集的观测数据与聚类中心a的余弦相似度，根据余弦相似度判断是否为异常点，如果是异常点，则新采集的观测数据不参与参数辨识；如果不是异常点，则新采集的观测数据参与参数辨识。
8.如权利要求7所述的基于数据的热泵系统在线建模方法，其特征是，所述根据余弦相似度判断是否为异常点；具体包括：
如果只有一个新采集的观测数据和聚类中心a的余弦相似度，与-1的差值在设定范围内，则认为新采集的观测数据为异常数据；
如果有多个新采集的观测数据和聚类中心a的余弦相似度，与-1的差值在设定范围内，则认为新采集的观测数据为新出现工况的观测数据，需要将新出现工况的观测数据参与模型参数辨识过程中。
9.基于数据的热泵系统在线建模装置，其特征是，包括：
获取模块，其被配置为：获取热泵系统的历史观测数据；对热泵系统的历史观测数据进行聚类处理，得到K个类簇，为每个类簇求解出最优的聚类中心；K为正整数；
模型建立模块，其被配置为：将最优聚类中心作为热泵系统模型参数辨识的观测数据；将模型的实际输出值与输出观测数据的误差平方和作为优化目标函数，以模型的各输入输出观测数据的边界为约束条件，把模型参数辨识问题转化为带约束的非线性优化问题，求解所述非线性优化问题，得到目标函数的最优解，从而辨识出模型中的未知参数，完成热泵系统模型的建立；
参数在线辨识模块，其被配置为：获取热泵系统的在线观测数据，基于在线观测数据对已建立的热泵系统模型进行参数辨识，具体包括：
根据新采集的观测数据与聚类中心的欧式距离，选出距离最小的聚类中心a；
计算新采集的观测数据与聚类中心a的第一距离；
根据新采集的观测数据中与聚类中心a的最远点b，计算最远点b与聚类中心a的第二距离；
根据第一距离与第二距离的大小，决定新采集的观测数据，是否参与模型的参数辨识。
10.一种电子设备，其特征是，包括：
存储器，用于非暂时性存储计算机可读指令；以及
处理器，用于运行所述计算机可读指令，
其中，所述计算机可读指令被所述处理器运行时，执行上述权利要求1-8任一项所述的方法。
11.一种存储介质，其特征是，非暂时性地存储计算机可读指令，其中，当所述非暂时性计算机可读指令由计算机执行时，执行权利要求1-8任一项所述方法的指令。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111405800.8A CN114115150B (zh) | 2021-11-24 | 2021-11-24 | 基于数据的热泵系统在线建模方法及装置 |
| ZA2021/10857A ZA202110857B (en) | 2021-11-24 | 2021-12-23 | Method for online modeling of heat pump system based on data and device thereof |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111405800.8A CN114115150B (zh) | 2021-11-24 | 2021-11-24 | 基于数据的热泵系统在线建模方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114115150A CN114115150A (zh) | 2022-03-01 |
| CN114115150B true CN114115150B (zh) | 2023-06-06 |
Family
ID=80371978
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111405800.8A Active CN114115150B (zh) | 2021-11-24 | 2021-11-24 | 基于数据的热泵系统在线建模方法及装置 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN114115150B (zh) |
| ZA (1) | ZA202110857B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107704875A (zh) * | 2017-09-30 | 2018-02-16 | 山东建筑大学 | 基于改进ihcmac神经网络的建筑负荷预测方法和装置 |
| CN110490220A (zh) * | 2019-07-02 | 2019-11-22 | 中国电力科学研究院有限公司 | 一种母线负荷辨识方法和系统 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103887815B (zh) * | 2014-02-21 | 2016-03-02 | 华南理工大学 | 基于运行数据的风电场参数辨识及动态等值方法 |
| US20200219027A1 (en) * | 2018-06-15 | 2020-07-09 | Dalian University Of Technology | Knowledge transfer-based modeling method for blast furnace gas scheduling systems |
| CN109063818B (zh) * | 2018-06-21 | 2022-10-25 | 华北电力大学 | 一种热工过程模型在线辨识方法及装置 |
| CN109255726A (zh) * | 2018-09-07 | 2019-01-22 | 中国电建集团华东勘测设计研究院有限公司 | 一种混合智能技术的超短期风功率预测方法 |
| CN109934386B (zh) * | 2019-01-30 | 2022-06-28 | 山西河坡发电有限责任公司 | 热电联供系统热负荷预测方法 |
| CN110163304A (zh) * | 2019-06-14 | 2019-08-23 | 福州大学 | 一种采用线性关系聚类的谐波源耦合参数辨识方法 |
| CN111860622B (zh) * | 2020-07-03 | 2023-12-22 | 北京科技大学 | 一种应用于编程现场大数据的聚类方法及系统 |
| CN113326651B (zh) * | 2021-05-10 | 2023-05-23 | 北京建筑大学 | 基于t-s模糊模型的制冷站负荷和能效比动态建模方法 |
-
2021
- 2021-11-24 CN CN202111405800.8A patent/CN114115150B/zh active Active
- 2021-12-23 ZA ZA2021/10857A patent/ZA202110857B/en unknown
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107704875A (zh) * | 2017-09-30 | 2018-02-16 | 山东建筑大学 | 基于改进ihcmac神经网络的建筑负荷预测方法和装置 |
| CN110490220A (zh) * | 2019-07-02 | 2019-11-22 | 中国电力科学研究院有限公司 | 一种母线负荷辨识方法和系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| ZA202110857B (en) | 2022-02-23 |
| CN114115150A (zh) | 2022-03-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110458187B (zh) | 一种恶意代码家族聚类方法和系统 | |
| CN111832647A (zh) | 异常流量检测系统及方法 | |
| CN112734135B (zh) | 一种电力负荷预测方法、智能终端及计算机可读存储介质 | |
| CN116881832B (zh) | 旋转机械设备故障诊断模型的构建方法及装置 | |
| CN111881617A (zh) | 数据处理方法、风力发电机组的性能评估方法及系统 | |
| CN111695594A (zh) | 图像类别识别方法、装置、计算机设备及介质 | |
| CN113449919B (zh) | 一种基于特征和趋势感知的用电量预测方法及系统 | |
| CN113807568B (zh) | 一种电力负荷预测方法、装置及终端设备 | |
| CN113377880A (zh) | 一种基于bim的建筑模型自动匹配方法及系统 | |
| CN113095511A (zh) | 一种在自动化主站实现操作到位的判断方法及装置 | |
| CN114353261A (zh) | 空调机组故障分析方法、装置、终端设备及存储介质 | |
| CN114912720A (zh) | 基于记忆网络电力负荷预测方法、装置、终端及存储介质 | |
| CN112215398A (zh) | 电力用户负荷预测模型建立方法、装置、设备及存储介质 | |
| US20200160148A1 (en) | Machine learning models for predicting time in traffic | |
| CN113268929B (zh) | 短期负荷区间预测方法及装置 | |
| CN113703506A (zh) | 一种建筑材料生产车间环境控制调节方法及系统 | |
| CN114115150B (zh) | 基于数据的热泵系统在线建模方法及装置 | |
| CN113110961A (zh) | 设备异常检测方法、装置、计算机设备及可读存储介质 | |
| CN113191540A (zh) | 一种产业链路制造资源的构建方法及装置 | |
| Cabanes et al. | On the use of Wasserstein metric in topological clustering of distributional data | |
| CN109902762A (zh) | 基于1/2相似度偏离的数据预处理方法 | |
| CN116736173B (zh) | 一种储能电池模型构建和储能电池状态判定方法、装置 | |
| CN116528270B (zh) | 一种基站节能潜力评估方法、装置、设备及存储介质 | |
| CN113487080B (zh) | 一种基于风速分类的风速动态场景生成方法、系统及终端 | |
| CN116580360B (zh) | 一种用于安防监控的图像数据处理方法及系统 |
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 |