CN115730228A - 基于bp神经网络的中央空调能耗分析方法 - Google Patents
基于bp神经网络的中央空调能耗分析方法 Download PDFInfo
- Publication number
- CN115730228A CN115730228A CN202211549674.8A CN202211549674A CN115730228A CN 115730228 A CN115730228 A CN 115730228A CN 202211549674 A CN202211549674 A CN 202211549674A CN 115730228 A CN115730228 A CN 115730228A
- Authority
- CN
- China
- Prior art keywords
- energy consumption
- central air
- data
- air conditioner
- 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.)
- Pending
Links
- 238000005265 energy consumption Methods 0.000 title claims abstract description 130
- 238000004458 analytical method Methods 0.000 title claims abstract description 67
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 41
- 238000004378 air conditioning Methods 0.000 claims abstract description 50
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 27
- 238000000034 method Methods 0.000 claims abstract description 26
- 238000007781 pre-processing Methods 0.000 claims abstract description 20
- 238000005457 optimization Methods 0.000 claims abstract description 16
- 238000003062 neural network model Methods 0.000 claims abstract description 14
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 48
- 238000012549 training Methods 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000007418 data mining Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 9
- 230000003068 static effect Effects 0.000 claims description 9
- 238000004140 cleaning Methods 0.000 claims description 7
- 238000012546 transfer Methods 0.000 claims description 6
- 230000008878 coupling Effects 0.000 claims description 5
- 238000010168 coupling process Methods 0.000 claims description 5
- 238000005859 coupling reaction Methods 0.000 claims description 5
- 230000005284 excitation Effects 0.000 claims description 4
- 238000011478 gradient descent method Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 2
- 230000007246 mechanism Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 10
- 239000000498 cooling water Substances 0.000 description 9
- 238000005057 refrigeration Methods 0.000 description 9
- 230000008859 change Effects 0.000 description 8
- 238000007637 random forest analysis Methods 0.000 description 7
- 238000013461 design Methods 0.000 description 5
- 238000007710 freezing Methods 0.000 description 5
- 230000008014 freezing Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 3
- 238000004134 energy conservation Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 239000003507 refrigerant Substances 0.000 description 2
- 241000288113 Gallirallus australis Species 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Landscapes
- Air Conditioning Control Device (AREA)
Abstract
本发明公开了基于BP神经网络的中央空调能耗分析方法,包括下列步骤:对中央空调原始数据进行预处理,最后得到中央空调稳定运行数据;采用Boruta特征选择算法,以能耗比为自变量特征,在多个能耗特征变量中选择对能耗影响较大且可控的能耗特征子集;利用中央空调系统稳定运行数据构建中央空调BP神经网络预测模型,以能耗比作为模型输出,为后期优化算法提供能耗模型基础;基于能耗特征子集,利用中央空调系统稳定运行数据建立中央空调关联规则模型,采用Apriori关联规则算法寻找系统稳定运行数据中不宜发现的关联规则;将参数输入到中央空调BP神经网络模型和构建中央空调关联规则模型中,得出能耗分析结果。通过机理建模、系统辨识、智能预测多种方式,确保数据充分利用和预测判断的准确率。
Description
技术领域
本发明涉及空调设备智慧节能技术领域,具体涉及基于BP神经网络的中央空调能耗分析方法。
背景技术
中央空调制冷系统分为直接制冷系统和间接制冷系统两大类,间接制冷系统,即中央空调的冷源系统循环、冷冻水循环、室内空气循环、冷却水循环系统,工作原理如附图1所示。系统运行过程中,任何变化,如中央空调管网结构复杂,造成水力失衡的现象,以及室外气象条件和室内负荷的不断变化,系统无法快速自适应调节等因素,最终造成了中央空调能耗较高。为了达到节能降耗的目标,最常规的解决办法是将冷冻水泵、冷却水泵、冷却塔等设备进行变频控制,实际是仅针对设备进行独立的变频控制无法做到降低整个中央空调系统的能耗,甚至可能适得其反,由于设备工作点偏移,系统无法满足实际负荷变化的需求,导致系统整体能耗的浪费,目前虽然有一些机房控制和系统运行数据判别的软件,实际应用中需要很多传感点位的实际映射,如果数据掉包或出现偏差,就无法有效做出判断,甚至是误判,造成能源的浪费,另外现有很多自动化编程人员,不具备暖通专业的知识,对制冷原理和空调运行规律不了解,无法准确分析各监测参数的意义,简单通过专家数据比对,针对某些状态,会列出多个问题判断选项,这就需要有一定暖通基础工程师现场判断。现有的运维场景中,由于用户工程人员的流动性高,能力质素差异大,缺乏经验导致发现和判定现场问题时存在困难,往往出现人为的误判。另由于设备图纸和点位信息往往不对应,或者设备掉线,数据不完整,给运维带来诸多不便和高能耗运行。
发明内容
本发明提供一种新的基于BP神经网络的中央空调能耗分析方法,通过机理建模、系统辨识、智能预测多种方式,确保数据充分利用和预测判断的准确率,智能化分析中央空调能耗,为节能调控提供可靠依据。
基于BP神经网络的中央空调能耗分析方法,包括下列步骤:
中央空调数据预处理:对中央空调原始数据进行预处理,包括数据合并、数据清洗、数据归一化,剔除不正常数据、重复数据,通过贝叶斯算法补齐运行中丢失的数据,最后得到中央空调稳定运行数据,中央空调稳定运行数据包括静态能耗分析数据和动态能耗分析数据;所述静态能耗分析数据利用建立在不稳定传热理论基础上的计算机软件动态模拟能耗分析方法;所述动态能耗分析数据建立在稳定传热理论基础上的静态能耗分析方法;
中央空调能耗分析和特征选择:采用Boruta特征选择算法,以能耗比为自变量特征,在多个能耗特征变量中选择对能耗影响较大且可控的能耗特征子集, 筛选的能耗特征子集将作为数据挖掘模型对象;
构建中央空调BP神经网络模型:利用中央空调系统稳定运行数据构建中央空调BP神经网络预测模型,通过能耗特征选择算法,选择能耗特征子集作为模型输入,以能耗比作为模型输出,为后期优化算法提供能耗模型基础;
构建中央空调关联规则模型: 基于能耗特征子集,利用中央空调系统稳定运行数据建立中央空调关联规则模型,采用Apriori关联规则算法寻找系统稳定运行数据中不宜发现的关联规则,该规则保证系统稳定运行的参数之间的耦合关系;
构建策略提升模型:基于能耗特征子集,每次从经验池中选取小批量的样本,通过梯度下降法更新网络参数,经验回放能够打破样本的相关性,使得中央空调关联规则模型和中央空调BP神经网络模型更稳定;
能耗分析结果:将参数输入到中央空调BP神经网络模型和构建中央空调关联规则模型中,通过学习,得出能耗分析结果。
更具体地,所述中央空调数据预处理步骤中,数据归一化将特征值归一到[0,1]之间。
更具体地,所述中央空调数据预处理步骤中,数据清洗的格式包括csv, excel,txt 格式。
更具体地,所述中央空调数据预处理步骤中,数据合并包括数据分类和聚类。
更具体地,所述数据分类先选择训练学习算法,然后对学习结果评价和保存。
更具体地,所述数据聚类将所有实例分配给多个集群,同一集群的实例围绕集群中心聚集,并且它们之间的距离相对接近,不同群集实例之间的距离很远。
更具体地,所述数据聚类包含四种模式:训练集模式、检验集模式、百分比划分模式、监督模式。
更具体地,所述构建中央空调关联规则模型步骤中,包括如下步骤:
设置以上某个关联规则决定因素;
迭代遍历一直到满足设置参数为止。
更具体地,所述中央空调能耗分析和特征选择步骤中,对数据挖掘模型影响特征进行分析,对模型输入特征进行评价排序,筛选影响模型结果的强输入特征变量作为数据挖掘模型对象。
本发明与现有技术相比,具有如下的优点和有益效果:
1、本发明基于BP神经网络的中央空调能耗分析方法,通过机理建模、系统辨识、智能预测多种方式,对数据进行预处理,得到稳定运行数据,对能耗进行分析和特征选择,为建模提供基础,通过建立BP神经网络模型和构建中央空调关联规则模型对数据进行充分学习,确保数据充分利用和预测判断的准确率,智能化分析中央空调能耗,为节能调控提供可靠依据,降低能源浪费;
2、本发明基于BP神经网络的中央空调能耗分析方法,中央空调数据通常具有量大和维度高的特征,并且所收集的数据包含诸如噪声和数据丢失的不确定因素,数据预处理技术可以很好的分离故障数据和稳定运行数据,为后期建模提供高质量数据;
3、本发明基于BP神经网络的中央空调能耗分析方法,能耗设备模型的识别通常基于数学和物理模型,因空调系统操作参数较多,各种经验模型具有较大的结构差异,设备运行时的磨损,换热器结垢,制冷剂泄漏等,使系统设备具有渐变特性和突变特性,因此采用分类与预测法中的 BP 神经网络预测中央空调能耗,为后期采用遗传算法优化节能策略提供高精度的空调模型;
4、本发明基于BP神经网络的中央空调能耗分析方法,中央空调运行参数较多,参数之间相互影响,是典型的强耦合系统,很难从数据表面去发现参数之间的规律,采用关联分析方法分析空调系统可控参数之间的相关特性,为后期优化策略的可行性提供保障。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解,构成本申请的一部分,并不构成对本发明实施例的限定。在附图中:
附图1为现有中央空调系统工作原理图;
附图2为本发明能耗分析方法应用拓扑图;
附图3为随机森林构造图;
附图4为随机森林重要度计算过程图;
附图5为水泵特性曲线图;
附图6为Boruta特征变量重要度(impotance)排序结果图;
附图7为Boruta特征变量重要度(impotance)排序位点图;
附图8(a)为运行参数分析图(a);
附图8(b)为运行参数分析图(b);
附图8(c)为运行参数分析图(c);
附图9为BP神经网络训练过程图;
附图10为四种不同隐含层结构训练结果图;
附图11为BP 神经网络训练测试与结果输出图;
附图12为中央空调BP神经网络预测模型图。
具体实施方式
下面结合实施例和附图对本发明进行进一步描述。以下实施例仅为本发明的几个具体实施例,但本发明的设计构思并不局限于此,凡利用此构思对本发明进行非实质性的改动,均应属于侵犯本发明保护范围的行为。
实施例
基于BP神经网络的中央空调能耗分析方法,结合附图2,包括下列步骤:
中央空调数据预处理:对中央空调原始数据进行预处理,包括数据合并、数据清洗、数据归一化,剔除不正常数据、重复数据,通过贝叶斯算法补齐运行中丢失的数据,最后得到中央空调稳定运行数据,中央空调稳定运行数据包括静态能耗分析数据和动态能耗分析数据;所述静态能耗分析数据利用建立在不稳定传热理论基础上的计算机软件动态模拟能耗分析方法;所述动态能耗分析数据建立在稳定传热理论基础上的静态能耗分析方法;
中央空调能耗分析和特征选择:采用Boruta特征选择算法,以能耗比为自变量特征,在多个能耗特征变量中选择对能耗影响较大且可控的能耗特征子集, 筛选的能耗特征子集将作为数据挖掘模型对象;
构建中央空调BP神经网络模型:利用中央空调系统稳定运行数据建立中央空调BP神经网络预测模型,通过能耗特征选择算法,选择能耗特征子集作为模型输入,以能耗比作为模型输出,为后期优化算法提供能耗模型基础;
构建中央空调关联规则模型: 基于能耗特征子集,利用中央空调系统稳定运行数据建立中央空调关联规则模型,采用Apriori关联规则算法寻找系统稳定运行数据中不宜发现的关联规则,该规则是保证系统稳定运行的参数之间的耦合关系;
构建策略提升模型:基于能耗特征子集,每次从经验池中选取小批量的样本,通过梯度下降法更新网络参数,经验回放能够打破样本的相关性,使得中央空调关联规则模型和中央空调BP神经网络模型更稳定;
能耗分析结果:将参数输入到中央空调BP神经网络模型和构建中央空调关联规则模型中,通过学习,得出能耗分析结果。
中央空调数据通常具有量大和维度高的特征,并且所收集的数据包含诸如噪声和数据丢失的不确定因素,数据预处理技术可以很好的分离故障数据和稳定运行数据,为后期建模提供高质量数据。
能耗分析是对系统整个能耗情况有一个具体的了解,为后期提出节能优化策略提供参考。 中央空调能耗特征集中变量众多,选择合适的能耗特征子集,不仅可以提高数据挖掘模型的精度,而且是作为能耗策略优化对象的关键因素之一,能耗特征选择算法可以对影响自变量的变量进行重要度排序,重要度越高,说明变量对能耗影响越大。
能耗设备模型的识别通常基于数学和物理模型,因空调系统操作参数较多,各种经验模型具有较大的结构差异,设备运行时的磨损,换热器结垢,制冷剂泄漏等,使系统设备具有渐变特性和突变特性,因此采用分类与预测法中的 BP 神经网络预测中央空调能耗,为后期采用遗传算法优化节能策略提供高精度的空调模型。
中央空调运行参数较多,参数之间相互影响,是典型的强耦合系统,很难从数据表面去发现参数之间的规律,采用关联分析方法分析空调系统可控参数之间的相关特性,为后期优化策略的可行性提供保障。
更优化地,所述中央空调数据预处理步骤中,数据归一化将特征值归一到[0,1]之间。
通过数据归一化可以消除参数之间的多度量性,提高数据挖掘技术的精度,使用数据归一化可以避免数据的纲量问题。
更优化地,所述中央空调数据预处理步骤中,数据清洗的格式包括csv, excel,txt 格式。
更优化地,所述中央空调数据预处理步骤中,数据合并包括数据分类和聚类。
更优化地,数据分类先选择训练学习算法,然后对学习结果评价和保存。
数据分类主要是建立连续值的函数模型,先是根据已有训练样本类别关系建立分类或预测模型,然后对测试样本进行分类或预测。
更优化地,数据聚类将所有实例分配给多个集群,同一集群的实例围绕集群中心聚集,并且它们之间的距离相对接近,不同群集实例之间的距离很远。
更优化地,数据聚类包含四种模式:训练集模式、检验集模式、百分比划分模式、监督模式。
使用训练集模式可以报告训练对象的聚类结果和分组结果,使用检验集模式可以报告训练对象的聚类结果和附加的检验对象分组效果,使用百分比划分模式可以报告全部对象的聚类结果,使用监督模式可以报告训练对象的聚类结果和分组结果、类混淆矩阵和错误分组信息。
更优化地,所述构建中央空调关联规则模型步骤中,包括如下步骤:
设置以上某个关联规则决定因素;
迭代遍历一直到满足设置参数为止。
利用概率论中的条件概率法,通过设置各类参数,寻找有联系的变量,设置参数中的支持度是用于分别观察前一项和后一项的发生概率,前者与后者的支持之间的对比程度,平衡度是前者和后者彼此独立的条件,前者和后者的共同部分占总样本的比例,可信度用于衡量前者和后者的独立性,通过这些分析得出关联规则。
更优化地,所述中央空调能耗分析和特征选择步骤中, 对数据挖掘模型影响特征进行分析,对模型输入特征进行评价排序,筛选影响模型结果的强输入特征变量作为数据挖掘模型对象。
下面通过实例应用对本发明具体实施方案进行阐述:
1、中央空调数据预处理:
中央空调数据预处理之前先要对数据进行采集,采集数据来源于能耗数据、气象数据和专家变量,采集完毕后获得中央空调原始数据。
对中央空调原始数据进行预处理,包括数据合并、数据清洗、数据归一化、剔除故障数据、停运数据和重复数据,最后得到中央空调稳定运行数据。
2、中央空调能耗分析和特征选择:
数据特征提取采用Boruta特征选择算法,它是基于随机森林的封装式特征选择算法,使用随机森林对各个特征子集进行评价,即计算各个特征子集的重要度,再依据各个特征子集的重要度选取有效特征子集,随机森林构造图如附图3所示。
特征子集的重要度采用随机森林重要度计算,其计算公式如下:
结合附图4,式中Ntree是随机森林决策树的总个数,errOOBt j是变量xj训练数据原始特征变量决策树的预测误差,errOOBt是变量xj随机扰动后决策树的预测误差,t=1,2,3…Ntree。
Boruta特征选择:
中央空调中管路阻力与水泵运行效率是系统设计和选型的关键之一,通过计算选择合适的水泵,在实际运行过程中,依据逐时负荷变化,实时优化和调整水泵参数获取最优的工作效率点,实现节能,通过对现有某个项目实际参数分析如下:
a)系统管网阻力核定
管道沿程阻力系数计算公式如下:
其中L和D,可以根据初始设计图纸,或现场测量得到,V可以根据管道中安装的流量计及管径D计算求得。
管道局部阻力可根据局部阻力损失公式计算:
水泵流量,扬程,功率关系如下:
Q:流量、H:扬程、N:功率、n:叶轮外径
水泵特性曲线图如附图5所示。
通过对系统上千条稳定运行数据经行分析整理,数据包括旁通阀开度、冷却水泵频率、负荷率、冷却水温差、冷冻水温差、冷却水泵流量、冷冻水泵频率、主机出水温度、冷冻水泵流量、冷冻出水压力共10个能耗特征变量和1个自变量特征能耗比,通过将Ntree值从500变化到2500,再变化到500进行优化,然后利用产生最小误差的Ntree值进行后续分析,经验证明采用统计软件包Ntree默认值50误差最小,对应的Mtry默认值为10。
Boruta特征变量重要度(impotance)排序结果如附图6所示,应用软件为现有软件,Boruta特征变量重要度(impotance)排序位点图如附图7所示。
按照上述方法进行实际的运行,运行参数分析图如附图8(a)和附图8(b),通过数据分析可得出负荷率区间[81%,95%]占比最高,其占比为 63%,负荷率区间[95%,100%]占比次之,其占比为23%,负荷率区间[71%,80%]占比8%,负荷率区间[61%,70%]占比为4%,初步判断:系统负荷率低于50%与高于95%时故障率高,负荷率区间为61-75%运行效率低效,负荷率区间为75%-95%运行效率最高,负荷率高于95%运行不利于设备寿命。
如附图8(c)所示,冷冻水系统温差区间为[4.8,5.2]时占比最高,其占比为76%,冷冻水系统温差区间为[5.2,6]时占比次之,其占比为15%,冷冻水系统温差区间为[3,4.7]时占比4%,冷冻水系统温差区间为[1,2.9]时占比4%,冷冻水系统温差低于 0.9℃占比 1%。由上可得,冷冻水温差大于 4.85℃占比 91%,接近于冷冻水系统设计温差为 5℃,说明冷水主机高负荷运行率高。
通过中央空调能耗分析和特征选择,实现第一阶段系统分析功能,具体如下:
a)负荷率是决定中央空调制冷量的关键因素,因此重要度最高,将作为策略优化变量之一;
b)旁通阀位于冷水机组的集水器和分水器之间的主管道上,起平衡主机系统水压力的目的, 平时是人工进行设置,往往在中央空调控制系统实际运行中不优先变化,因此作为次要策略优化变量;
c)冷冻出水压力是冷冻水系统在向末端系统供冷时,冷冻水泵出水流量的压力,其会随水泵变频频率影响,重要度在水泵频率的变化值,将作为辅助策略优化变量;
d)冷冻水温差和冷却水温差为添加的扩展数据,主要取决于建筑内的外界影响因素,如商场中的人流、商场外的环境温度、商场的灯光、水泵等电气设备产生的热量等等,属于系统可控变量,与原楼控和系统分配流量相关,将作为辅助策略优化变量;
e)冷却水泵频率、冷冻水泵频率、冷却水泵流量和冷冻水泵流量重要度排序依次为第3、4、 5、6,重要度均较高,这是因为空调水系统为水泵变频控制方式,频率的变化引起流量的变化,而频率与能耗相关,水泵频率的重要度会比流量高,因此选择频率最为策略优化变量之一;
f)主机出口温度排序第2,主机出口温度由冷冻主机决定,而冷水主机作为系统的制冷设备,其耗能是中央空调系统中最大的设备,冷水主机制冷功能体现在改变主机出口温度,制冷量越高,主机出口温度相对越低,通过水泵输送到达末端的冷量也越多,且设备的出水温度会直接影响设备的COP值,因此重要度仅次于负荷率,将作为策略优化变量之一。
3、构建中央空调BP神经网络模型:
BP神经网络预测模型的建立目标为计算制冷系统能效比EER,根据系统能耗特征选择结果,采用能耗特征子集作为BP神经网络预测模型的输入变量,即系统负荷率、冷冻水泵频率、主机出水温度、冷却水泵频率;
EER计算公式:
式中:EER为中央空调系统能耗比,Pi为中央空调关键设备能耗数据,Q为中央空调冷水主机制冷量。
BP(back propagation)神经网路结构是前馈反向网络,是一种误差由后项向前项传输的训练网络,其误差函数在传输过程中更改连接权值,普遍工程情况在构建预测模型时,均采用BP神经网络。
BP算法的特点是利用输出误差调整前一层的权值,前一层的误差也随之改变,这个更正的误差继续前向传递,调整每一层的连接权值,这个过程可以获取各个连接线的误差,BP网络分两步实现,首先是数据信息随连接神经元传输到输出层,根据输出层的误差矫正学习方式,后向传输修正信息,重复迭代该过程一直到网络结构模型精度满足需求。
根据附图9推导BP神经网络训练过程如下:
信息前向处理过程:设隐含层阈值为θ,输出层阈值为ɑ,输入变量为M维向量 X=x1…xj…xm, 通过权值连接到隐含层节点,第i个隐含层节点为例,得到第i个隐含层节点输入∅χ,如公式所示:
∅χ,通过激励函数∅χ,得到输出∅γ如下公式所示:
以第xj下一层xk输出层为例,∅γ通过权值连接到第k个输出层节点,得到输出层的输入变量 Ψk如下公式所示:
Ψk通过激励函数Ψ得到输出Ok如下公式所示:
以上是以某个节点为例进行前向计算,剩余节点均按照该过程计算,每个节点采用并行操作方法,最后同时得到各个输出层数值O。
信息后向计算过程:设训练数据总条数为z,模型期望值为Z,以第k个输出节点为例,总误差计算公式如下所示:
使用计算得到的误差函E对各个连接层权值进行修正,根据权值变化量采用梯度下降法计算对应的前向连接权值,新的权值产生新的误差值,进而更改所有的连接权值,尽量使误差值最小,以得到预测度高的目的。Δwkj输出层权值变化量,Δɑk输入层权值变化量,Δwij代表隐含层阈值修正量,Δθi输入层权值变化量如公式所示:
通过以上BP神经网路结构,建立目标为制冷系统能效比 EER的神经网络。根据Kolmogorov定理,求得隐含层节点数,中间隐含层神经元数一般取 n2+1(n为输入层个数),通过随机变量序列ξ1,ξ2……满足不等式 ∑[1≤n≤+∞]Dξn/n²<+∞.则BP神经网络构建中中间隐含层数目n2,输入层数目n1,输出层数目m;
n2=sqrt(n1+m+1)+a; a=1-10;n1=log2(n2)
四种不同隐含层结构训练结果如附图10所示,(a)拓扑结构4-9-1;(b)拓扑结构4-9-9-1; (c)拓扑结构4-9-9-9-1;(d)拓扑结构4-9-9-9-1。
BP 神经网络训练测试与结果输出如附图11所示,(a)训练数据的回归结果;(b)验证数据的回归结果;(c)测试数据的回归结果;(d)全部数据的回归结果。
BP神经网络预测模型初步确认空调末端设备EER趋势值,为能耗分析提供判断依据。
4、构建策略提升模型
在动作选择上引入提升策略,即有1-e的概率选择平均概率最高的动作,剩下的e概率会随机选择一个动作作为探索机制,防止进入局部最优,在实验前期,由于缺乏经验数据,e概率会被设定为较大的值,增加探索性,随着迭代时间的增长,e会逐渐减小,从而增加效果的稳定性。
5、构建中央空调关联规则模型
结合上述步骤数据,通过Weka平台软件运算:包括负荷、供回水温度、水泵频率等获得了关联规则。
6、能耗分析结果
通过前述步骤,将参数输入到中央空调BP神经网络模型和构建中央空调关联规则模型中,通过学习,得出能耗分析结果。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、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.基于BP神经网络的中央空调能耗分析方法,其特征在于,包括下列步骤:
中央空调数据预处理:对中央空调原始数据进行预处理,包括数据合并、数据清洗、数据归一化,剔除不正常数据、重复数据,通过贝叶斯算法补齐运行中丢失的数据,最后得到中央空调稳定运行数据,中央空调稳定运行数据包括静态能耗分析数据和动态能耗分析数据;所述静态能耗分析数据利用建立在不稳定传热理论基础上的计算机软件动态模拟能耗分析方法;所述动态能耗分析数据建立在稳定传热理论基础上的静态能耗分析方法;
中央空调能耗分析和特征选择:采用Boruta特征选择算法,以能耗比为自变量特征,在多个能耗特征变量中选择对能耗影响较大且可控的能耗特征子集, 筛选的能耗特征子集将作为数据挖掘模型对象;
特征子集的重要度采用如下公式计算:
构建中央空调BP神经网络模型:利用中央空调系统稳定运行数据构建中央空调BP神经网络预测模型,通过能耗特征选择算法,选择能耗特征子集作为模型输入,以能耗比作为模型输出,为后期优化算法提供能耗模型基础;
EER计算公式:
式中:EER为中央空调系统能耗比,Pi为中央空调关键设备能耗数据,Q为中央空调冷水主机制冷量;
构建中央空调关联规则模型:基于能耗特征子集,利用中央空调系统稳定运行数据建立中央空调关联规则模型,采用Apriori关联规则算法寻找系统稳定运行数据中不宜发现的关联规则,该规则保证系统稳定运行的参数之间的耦合关系;
构建策略提升模型:基于能耗特征子集,每次从经验池中选取小批量的样本,通过梯度下降法更新网络参数,经验回放能够打破样本的相关性,使得中央空调关联规则模型和中央空调BP神经网络模型更稳定;
能耗分析结果:将参数输入到中央空调BP神经网络模型和构建中央空调关联规则模型中,通过学习,得出能耗分析结果。
2.根据权利要求1所述的基于BP神经网络的中央空调能耗分析方法,其特征在于,所述中央空调数据预处理步骤中,数据归一化将特征值归一到[0,1]之间。
3.根据权利要求1所述的基于BP神经网络的中央空调能耗分析方法,其特征在于,所述中央空调数据预处理步骤中,数据清洗的格式包括csv,excel,txt 格式。
4.根据权利要求1所述的基于BP神经网络的中央空调能耗分析方法,其特征在于,所述中央空调数据预处理步骤中,数据合并包括数据分类和聚类。
5.根据权利要求4所述的基于BP神经网络的中央空调能耗分析方法,其特征在于,所述数据分类先选择训练学习算法,然后对学习结果评价和保存。
6.根据权利要求4所述的基于BP神经网络的中央空调能耗分析方法,其特征在于,所述数据聚类将所有实例分配给多个集群,同一集群的实例围绕集群中心聚集,并且它们之间的距离相对接近,不同群集实例之间的距离很远。
7.根据权利要求6所述的基于BP神经网络的中央空调能耗分析方法,其特征在于,所述数据聚类包含四种模式:训练集模式、检验集模式、百分比划分模式、监督模式。
8.根据权利要求1所述的基于BP神经网络的中央空调能耗分析方法,其特征在于,所述构建中央空调关联规则模型步骤中,包括如下步骤:
设置以上某个关联规则决定因素;
迭代遍历一直到满足设置参数为止。
9.根据权利要求1所述的基于BP神经网络的中央空调能耗分析方法,其特征在于,所述中央空调能耗分析和特征选择步骤中,对数据挖掘模型影响特征进行分析,对模型输入特征进行评价排序,筛选影响模型结果的强输入特征变量作为数据挖掘模型对象。
10.根据权利要求1所述的基于BP神经网络的中央空调能耗分析方法,其特征在于,所述构建中央空调BP神经网络模型步骤中,BP神经网络训练过程如下:
信息前向处理过程:设隐含层阈值为θ,输出层阈值为ɑ,输入变量为M维向量 X=x1…xj…xm, 通过权值连接到隐含层节点,第i个隐含层节点为例,得到第i个隐含层节点输入∅χ,如公式所示:
∅χ,通过激励函数∅χ,得到输出∅γ如下公式所示:
以第xj下一层xk输出层为例,∅γ通过权值连接到第k个输出层节点,得到输出层的输入变量 Ψk如下公式所示:
Ψk通过激励函数Ψ得到输出Ok如下公式所示:
以上是以某个节点为例进行前向计算,剩余节点均按照该过程计算,每个节点采用并行操作方法,最后同时得到各个输出层数值O;
信息后向计算过程:设训练数据总条数为z,模型期望值为Z,以第k个输出节点为例,总误差计算公式如下所示:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211549674.8A CN115730228A (zh) | 2022-12-05 | 2022-12-05 | 基于bp神经网络的中央空调能耗分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211549674.8A CN115730228A (zh) | 2022-12-05 | 2022-12-05 | 基于bp神经网络的中央空调能耗分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115730228A true CN115730228A (zh) | 2023-03-03 |
Family
ID=85300100
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211549674.8A Pending CN115730228A (zh) | 2022-12-05 | 2022-12-05 | 基于bp神经网络的中央空调能耗分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115730228A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117056869A (zh) * | 2023-10-11 | 2023-11-14 | 轩创(广州)网络科技有限公司 | 一种基于人工智能的电子信息数据关联方法及系统 |
CN117875775A (zh) * | 2024-01-10 | 2024-04-12 | 杭州云牧科技有限公司 | 一种建筑空调节能效果评估方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108954680A (zh) * | 2018-07-13 | 2018-12-07 | 电子科技大学 | 一种基于运行数据的中央空调能耗预测方法 |
CN114383299A (zh) * | 2021-12-22 | 2022-04-22 | 武汉理工大学 | 基于大数据与动态仿真的中央空调系统运行策略优化方法 |
-
2022
- 2022-12-05 CN CN202211549674.8A patent/CN115730228A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108954680A (zh) * | 2018-07-13 | 2018-12-07 | 电子科技大学 | 一种基于运行数据的中央空调能耗预测方法 |
CN114383299A (zh) * | 2021-12-22 | 2022-04-22 | 武汉理工大学 | 基于大数据与动态仿真的中央空调系统运行策略优化方法 |
Non-Patent Citations (1)
Title |
---|
丁兆云 等: "Python机器学习 数据建模与分析", 中国环境科学出版社, pages: 308 - 162 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117056869A (zh) * | 2023-10-11 | 2023-11-14 | 轩创(广州)网络科技有限公司 | 一种基于人工智能的电子信息数据关联方法及系统 |
CN117875775A (zh) * | 2024-01-10 | 2024-04-12 | 杭州云牧科技有限公司 | 一种建筑空调节能效果评估方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111256294B (zh) | 一种基于模型预测的冷水机组组合运行优化控制方法 | |
CN115730228A (zh) | 基于bp神经网络的中央空调能耗分析方法 | |
Fan et al. | A framework for knowledge discovery in massive building automation data and its application in building diagnostics | |
CN109634121B (zh) | 基于径向基函数神经网络的多父代遗传算法空气源热泵多目标优化控制方法 | |
CN112901449B (zh) | 一种基于机器学习的空气压缩机系统能耗优化方法 | |
CN114692265B (zh) | 一种基于深度强化学习的零碳建筑优化设计方法 | |
Wang et al. | Data mining approach for improving the optimal control of HVAC systems: An event-driven strategy | |
CN111652461A (zh) | 基于sae-hmm的航空发动机连续健康状态评估方法 | |
CN112415924A (zh) | 一种空调系统节能优化方法及系统 | |
CN110400018B (zh) | 用于燃煤火力电厂制粉系统的运行控制方法、系统和装置 | |
CN112364560B (zh) | 矿山凿岩装备作业工时智能预测方法 | |
CN113240184B (zh) | 一种基于联邦学习的楼宇空间单元冷负荷预测方法及系统 | |
CN112241607A (zh) | 一种基于仿真并考虑气候变化的水资源规划方法 | |
CN113094988A (zh) | 一种基于数据驱动的浆液循环泵运行优化方法及系统 | |
CN112288157A (zh) | 一种基于模糊聚类与深度强化学习的风电场功率预测方法 | |
Aqlan et al. | Integrating artificial neural networks and cluster analysis to assess energy efficiency of buildings | |
Hobson et al. | Wi-Fi Based Occupancy Clustering and Motif Identification: A Case Study. | |
CN116151799A (zh) | 一种基于bp神经网络的配电线路多工况故障率快速评估方法 | |
CN115630331A (zh) | 一种基于数学物理模型的空调冷冻站全局节能优化及调控方法 | |
CN115186882A (zh) | 一种基于聚类的可控负荷空间密度预测方法 | |
CN113780686A (zh) | 一种面向分布式电源的虚拟电厂运行方案优化方法 | |
CN113505818A (zh) | 改进决策树算法的熔铝炉能耗异常诊断方法和系统及设备 | |
CN114114995A (zh) | 一种用于数据中心空调系统的调优系统 | |
Lin et al. | Optimizing for Large Time Delay Systems by BP Neural Network and Evolutionary Algorithm Improving. | |
CN111780350A (zh) | 一种基于融合遗传算法的空调节能方法 |
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 |