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

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

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

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；

v_i,j(t+1)＝ωv_i,j(t)+c₁r₁[p_i,j-x_i,j(t)]+c₂r₂[g_i,j-x_i,j(t)] (1)

x_i,j(t+1)＝x_i,j(t)+v_i,j(t+1),j＝1,…,d (2)

式中，x_i,j(t+1)是第t+1次迭代粒子i位置矢量的第j维分量；v_i,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。

Images