CN116384080A - 一种基于在线检测与ga-pso算法的压缩空气系统负荷预测方法 - Google Patents
一种基于在线检测与ga-pso算法的压缩空气系统负荷预测方法 Download PDFInfo
- Publication number
- CN116384080A CN116384080A CN202310266729.2A CN202310266729A CN116384080A CN 116384080 A CN116384080 A CN 116384080A CN 202310266729 A CN202310266729 A CN 202310266729A CN 116384080 A CN116384080 A CN 116384080A
- Authority
- CN
- China
- Prior art keywords
- air compressor
- data
- load prediction
- particle
- compressed air
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 20
- 238000000034 method Methods 0.000 title claims abstract description 15
- 238000012544 monitoring process Methods 0.000 claims abstract description 8
- 230000009466 transformation Effects 0.000 claims abstract description 7
- 239000002245 particle Substances 0.000 claims description 42
- 238000012549 training Methods 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 10
- 238000004519 manufacturing process Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 230000006978 adaptation Effects 0.000 claims description 6
- 238000004134 energy conservation Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 claims description 3
- 230000002068 genetic effect Effects 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000013480 data collection Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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"
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geometry (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Biology (AREA)
- Economics (AREA)
- Computer Hardware Design (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
Abstract
本发明涉及一种基于在线检测与GA‑PSO算法的压缩空气系统负荷预测方法,包括:步骤1,建立参数采集系统,所述参数采集系统包括数据采集传感器及数据采集主站,所述数据采集传感器用于采集空压机运行参数,并通过ZigBee将空压机运行参数汇集并实时发送至数据采集主站;步骤2,通过远程监控平台获取空压机运行参数,并对其可进行数据存储、显示及分析,初步评估空压机的节能潜力;步骤3,基于GA‑PSO算法建立空压机负荷预测模型;步骤4,基于建立的空压机负荷预测模型,对不同运行条件下压缩空气系统的能效进行分析,得到影响系统能效的关键因子。本发明不仅能够精确预测压缩空气系统的负荷,还能够分析得到影响系统效率的关键因子,为节能改造提供数据基础。
Description
技术领域
本发明属于空压机负荷预测技术领域,尤其涉及一种基于在线检测与GA-PSO算法的压缩空气系统负荷预测方法。
背景技术
空压机长期运行后极易出现老化、泄露、驱动电机效率下降等问题引发空压机能效下降,但大多数企业缺乏对空压机的有效检测与能效评估手段,存在的节能改造空间无从得知。究其原因,企业缺乏对空压机运行参数(进出口温度、压力、流量、压缩空气品质、泄露等参数)的准确测试,以及对检测数据的深度挖掘,致使无法明确有效的节能改造方案。
发明内容
本发明的目的是提供一种基于在线检测与GA-PSO算法的压缩空气系统负荷预测方法,为节能评估提供可靠的数据基础。
本发明提供了一种基于在线检测与GA-PSO算法的压缩空气系统负荷预测方法,包括如下步骤:
步骤1,建立参数采集系统,所述参数采集系统包括数据采集传感器及数据采集主站,所述数据采集传感器用于采集空压机运行参数,包括流量、压力、电流参数,并通过ZigBee将空压机运行参数汇集并实时发送至所述数据采集主站;
步骤2,通过远程监控平台获取空压机运行参数,并对其可进行数据存储、显示及分析,初步评估空压机的节能潜力;
步骤3,基于GA-PSO算法建立空压机负荷预测模型;
步骤4,基于建立的空压机负荷预测模型,对不同运行条件下压缩空气系统的能效进行分析,得到影响系统能效的关键因子,为节能评估提供指导。
进一步地,步骤2中所述远程监控平台包括:
空压机基础信息模块,用于录入和保存系统的基本信息;
图表分析模块,用于实时更新空压机各运行参数的动态数据,并以数图结合的形式呈现;
数据分析模块,用于实现任一时刻的历史数据再现,并基于检测数据进行趋势分析,结合国标能效标准,判断空压机机组存在的不合理因素或故障,用以初步评估空压机的节能潜力;
报表模块,用于生成空压机检测报表,为后续进行的节能改造提供参考依据。
进一步地,步骤3中所述空压机负荷预测模型建立方法如下:
1)选择空压机进出口压力、温度、流量、漏气率作为输入变量,同时根据行业特性引入相关的生产管理信息作为共同输入量,并对设备负荷数据进行剔除、填充和归一化,对生产管理信息进行量化;
2)将已监测数据集划分为训练集和测试集;
3)新建BPNN,初始化权值和阈值,设置神经网络参数,包括隐含层神经元数、训练迭代次数;
4)设置GA-PSO优化算法参数,初始化粒子群位置和速度,训练BPNN计算每个粒子的适应值;将每个粒子作为当前的局部最佳,将全局适应值最小的粒子作为当前的全局最佳;
5)设置迭代次数,对粒子的速度和位置进行更新;
6)对产生的种群进行编码,并对粒子进行种群选择、遗传交叉和突变操作;
7)重新计算粒子的适应度值,将每个粒子适应度值和个体历史最佳位置适应度值进行比较,比前一次适应度值更小,则将其作为局部最佳;对每个粒子适应度值和全局历史最佳位置适应度值进行比较,若比历史所有适应度值小,则将其作为全局最佳;
8)更新粒子的速度和位置,判断是否满足结束条件,若不满足,则迭代次数增加1,重复步骤6)-8),直到满足结束条件;
9)将优化后的权值和阈值重新赋值给BPNN,并进行训练;
10)将测试集输入空压机负荷预测模型,输出预测结果,并与采集的实测数据进行比较,验证空压机负荷预测模型的预测精度。
借由上述方案,通过基于在线检测与GA-PSO算法的压缩空气系统负荷预测方法,以实时测量的参数为基础,结合GA-PSO算法,不仅能够精确预测压缩空气系统的负荷,还能够分析得到影响系统效率的关键因子,为节能改造提供数据基础。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,并可依照说明书的内容予以实施,以下以本发明的较佳实施例并配合附图详细说明如后。
附图说明
图1是本发明空压机运行参数在线采集示意图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
本实施例提供了一种基于在线检测与GA-PSO算法的压缩空气系统负荷预测方法,具体内容如下:
1、建立参数采集系统。图1为空压机运行参数的采集示意图,采用流量、压力、电流等传感器采集空压机运行参数,采用ZigBee与各个分节点进行通信,将空压机运行参数汇集并实时发送到数据采集主站中,再由采集主站通过2G/4G/5G信号将数据传输至计算机或远程监控中心服务器(远程监控平台)。其中,采集主站硬件部分主要由微处理器(MCU)、5G模组、ZigBee模组、GPS模组和电源电路模块组成。
2、建立远程监控平台及数据可视化分析系统。远程监控平台基于Java程序设计语言开发,通过SQL数据库将硬件设备传输的实时数据进行存储、显示及分析,具体功能模块包括:
1)空压机基础信息模块。主要功能为录入和保存系统的基本信息。
2)图表分析模块。平台主界面可实时更新空压机各运行参数实时的动态数据,并以数图结合的形式呈现。
3)数据分析模块。通过SQL数据库,平台可实现任一时刻的历史数据再现。基于检测数据进行趋势分析,并结合国标能效标准,判断空压机机组存在的不合理因素或故障,初步评估空压机的节能潜力。
4)报表功能模块。用户可按需选择生成一份详尽且准确的空压机检测报表,可为后续进行的节能改造提供参考依据。
3、建立基于GA-PSO算法的空压机负荷预测模型,具体步骤为:
1)选择空压机进出口压力、温度、流量、漏气率等因素作为输入变量,同时根据行业特性引入相关的生产管理信息作为共同输入量,并对设备负荷数据进行剔除、填充和归一化,对生产管理信息进行量化。
2)依据已监测数据集划分为训练集(占总量80%)和测试集(占总量20%)。
3)新建BPNN,初始化权值和阈值,设置隐含层神经元数、训练迭代次数等神经网络参数。
4)设置GA-PSO优化算法参数,初始化粒子群位置和速度,训练BPNN计算每个粒子的适应值。将每个粒子作为当前的局部最佳,将全局适应值最小的粒子作为当前的全局最佳。
5)设置迭代次数,根据下式分别对粒子的速度和位置进行更新;
vi,j(t+1)=ωvi,j(t)+c1r1[pi,j-xi,j(t)]+c2r2[gi,j-xi,j(t)] (1)
xi,j(t+1)=xi,j(t)+vi,j(t+1),j=1,…,d (2)
式中,xi,j(t+1)是第t+1次迭代粒子i位置矢量的第j维分量;vi,j(t+1)是第t+1次迭代粒子i速度矢量的第j维分量;c1和c2是加速度常数,调节学习最大步长;r1,r2是随机函数,取值范围[0,1],用来增加搜索的随机性;ω为惯性因子。
6)对产生的种群进行编码,并对粒子进行种群选择、遗传交叉和突变操作。
7)重新计算粒子的适应度值,将每个粒子适应度值和个体历史最佳位置适应度值进行比较,比前一次适应度值更小,则将其作为局部最佳。对每个粒子适应度值和全局历史最佳位置适应度值进行比较,若比历史所有适应度值小,则将其作为全局最佳。
8)根据方程和更新粒子的速度和位置,判断是否满足结束条件。若不满足,则迭代次数增加1,重复步骤6)-8),直到满足结束条件。
9)将优化后的权值和阈值重新赋值给BPNN,并进行训练。
10)将测试集输入预测模型,输出预测结果,并与采集的实测数据进行比较,验证空压机负荷预测模型的预测精度。
4、以建立的负荷预测模型为基础,对不同运行条件下压缩空气系统的能效进行分析,得到影响系统能效的关键因子,为节能评估提供指导,比如基于生产调度计划,可以仿真预测系统的负荷曲线,从而前瞻性的指导空压机的群控策略;基于实时参数测量的对标分析可以得到温度、湿度、系统需求对能效的影响,从而得到改进系统能效的关键因子。
该基于在线检测与GA-PSO算法的压缩空气系统负荷预测方法,以实时测量的参数为基础,结合GA-PSO算法,不仅能够精确预测压缩空气系统的负荷,还能够分析得到影响系统效率的关键因子,为节能改造提供数据基础。
以上所述仅是本发明的优选实施方式,并不用于限制本发明,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型,这些改进和变型也应视为本发明的保护范围。
Claims (3)
1.一种基于在线检测与GA-PSO算法的压缩空气系统负荷预测方法,其特征在于,包括如下步骤:
步骤1,建立参数采集系统,所述参数采集系统包括数据采集传感器及数据采集主站,所述数据采集传感器用于采集空压机运行参数,包括流量、压力、电流参数,并通过ZigBee将空压机运行参数汇集并实时发送至所述数据采集主站;
步骤2,通过远程监控平台获取空压机运行参数,并对其可进行数据存储、显示及分析,初步评估空压机的节能潜力;
步骤3,基于GA-PSO算法建立空压机负荷预测模型;
步骤4,基于建立的空压机负荷预测模型,对不同运行条件下压缩空气系统的能效进行分析,得到影响系统能效的关键因子,为节能评估提供指导。
2.根据权利要求1所述的基于在线检测与GA-PSO算法的压缩空气系统负荷预测方法,其特征在于,步骤2中所述远程监控平台包括:
空压机基础信息模块,用于录入和保存系统的基本信息;
图表分析模块,用于实时更新空压机各运行参数的动态数据,并以数图结合的形式呈现;
数据分析模块,用于实现任一时刻的历史数据再现,并基于检测数据进行趋势分析,结合国标能效标准,判断空压机机组存在的不合理因素或故障,用以初步评估空压机的节能潜力;
报表模块,用于生成空压机检测报表,为后续进行的节能改造提供参考依据。
3.根据权利要求2所述的基于在线检测与GA-PSO算法的压缩空气系统负荷预测方法,其特征在于,步骤3中所述空压机负荷预测模型建立方法如下:
1)选择空压机进出口压力、温度、流量、漏气率作为输入变量,同时根据行业特性引入相关的生产管理信息作为共同输入量,并对设备负荷数据进行剔除、填充和归一化,对生产管理信息进行量化;
2)将已监测数据集划分为训练集和测试集;
3)新建BPNN,初始化权值和阈值,设置神经网络参数,包括隐含层神经元数、训练迭代次数;
4)设置GA-PSO优化算法参数,初始化粒子群位置和速度,训练BPNN计算每个粒子的适应值;将每个粒子作为当前的局部最佳,将全局适应值最小的粒子作为当前的全局最佳;
5)设置迭代次数,对粒子的速度和位置进行更新;
6)对产生的种群进行编码,并对粒子进行种群选择、遗传交叉和突变操作;
7)重新计算粒子的适应度值,将每个粒子适应度值和个体历史最佳位置适应度值进行比较,比前一次适应度值更小,则将其作为局部最佳;对每个粒子适应度值和全局历史最佳位置适应度值进行比较,若比历史所有适应度值小,则将其作为全局最佳;
8)更新粒子的速度和位置,判断是否满足结束条件,若不满足,则迭代次数增加1,重复步骤6)-8),直到满足结束条件;
9)将优化后的权值和阈值重新赋值给BPNN,并进行训练;
10)将测试集输入空压机负荷预测模型,输出预测结果,并与采集的实测数据进行比较,验证空压机负荷预测模型的预测精度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310266729.2A CN116384080A (zh) | 2023-03-15 | 2023-03-15 | 一种基于在线检测与ga-pso算法的压缩空气系统负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310266729.2A CN116384080A (zh) | 2023-03-15 | 2023-03-15 | 一种基于在线检测与ga-pso算法的压缩空气系统负荷预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116384080A true CN116384080A (zh) | 2023-07-04 |
Family
ID=86977926
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310266729.2A Pending CN116384080A (zh) | 2023-03-15 | 2023-03-15 | 一种基于在线检测与ga-pso算法的压缩空气系统负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116384080A (zh) |
-
2023
- 2023-03-15 CN CN202310266729.2A patent/CN116384080A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106572493B (zh) | Lte网络中的异常值检测方法及系统 | |
CN107992968B (zh) | 基于集成时间序列分析技术的电能表计量误差预测方法 | |
CN103268519B (zh) | 基于改进Lyapunov指数的电力系统短期负荷预测方法及装置 | |
CN108508863A (zh) | 一种基于灰色模型的机电设备故障诊断方法 | |
CN108873859B (zh) | 基于改进关联规则的桥式抓斗卸船机故障预测模型方法 | |
Alqahtani et al. | Artificial neural networks incorporating cost significant items towards enhancing estimation for (life-cycle) costing of construction projects | |
CN115438726A (zh) | 一种基于数字孪生技术的设备寿命与故障类型预测方法及系统 | |
CN111143768A (zh) | 一种基于arima-svm组合模型的空气质量预测算法 | |
CN110991776A (zh) | 一种基于gru网络实现水位预测的方法及系统 | |
CN116341272A (zh) | 一种用于配网工程数字化的施工安全风险管控系统 | |
CN114548494A (zh) | 一种可视化造价数据预测智能分析系统 | |
CN113657037A (zh) | 基于时间序列插值-注意力机制的铁水硅含量预测方法 | |
CN113192569A (zh) | 基于改进粒子群和误差反馈神经网络的有害气体监测方法 | |
CN117170221A (zh) | 一种污水处理的人工智能控制系统 | |
CN116384080A (zh) | 一种基于在线检测与ga-pso算法的压缩空气系统负荷预测方法 | |
CN116611864A (zh) | 一种基于rnn的城市轨道交通列车速度与客流量的预测方法 | |
CN115828744A (zh) | 一种白光发光二极管故障在线诊断与寿命预测方法 | |
CN115130805A (zh) | 分析装置、分析方法以及记录有程序的计算机可读介质 | |
CN114814092A (zh) | 基于bp神经网络的ip指标测量方法 | |
Shen et al. | Spatial-temporal evolution prediction of gas distribution based on PSO-Elman neural network | |
CN116915122B (zh) | 一种煤矿变频设备的自适应控制方法及系统 | |
CN113408441B (zh) | 基于DRSN和person相关系数的道床故障预警方法 | |
CN117291319B (zh) | 一种基于机器学习的o3余量预测方法 | |
CN115936166B (zh) | 一种电能表检定误差分析预测方法 | |
Zhang et al. | Traffic Track Dynamic Data Analysis Based on BP Neural Network Model |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |