CN116842764B - 一种跨临界二氧化碳制冷数据仿真系统 - Google Patents
一种跨临界二氧化碳制冷数据仿真系统 Download PDFInfo
- Publication number
- CN116842764B CN116842764B CN202311115024.7A CN202311115024A CN116842764B CN 116842764 B CN116842764 B CN 116842764B CN 202311115024 A CN202311115024 A CN 202311115024A CN 116842764 B CN116842764 B CN 116842764B
- Authority
- CN
- China
- Prior art keywords
- data
- moment
- observation
- refrigeration
- time
- 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
- 238000005057 refrigeration Methods 0.000 title claims abstract description 89
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 title claims abstract description 54
- 238000004088 simulation Methods 0.000 title claims abstract description 35
- 229910002092 carbon dioxide Inorganic materials 0.000 title claims abstract description 27
- 239000001569 carbon dioxide Substances 0.000 title claims abstract description 27
- 239000011159 matrix material Substances 0.000 claims abstract description 54
- 230000006835 compression Effects 0.000 claims abstract description 47
- 238000007906 compression Methods 0.000 claims abstract description 47
- 230000002159 abnormal effect Effects 0.000 claims abstract description 39
- 238000000034 method Methods 0.000 claims abstract description 37
- 230000008569 process Effects 0.000 claims abstract description 10
- 238000011156 evaluation Methods 0.000 claims description 31
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000001816 cooling Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 5
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 238000012545 processing Methods 0.000 abstract description 3
- 230000004927 fusion Effects 0.000 abstract description 2
- 238000005457 optimization Methods 0.000 abstract description 2
- 238000010276 construction Methods 0.000 abstract 1
- 230000008859 change Effects 0.000 description 8
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002864 sequence alignment Methods 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
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
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明涉及数据处理技术领域，具体涉及一种跨临界二氧化碳制冷数据仿真系统，包括：通过制冷设备采集原始数据建立制冷系统的制冷端和压缩端的样本空间；通过样本空间中的异常数据对观测噪声矩阵进行自适应更新；根据最新一次采集观测数据预测下一时刻的观测数据得到预测结果，根据预测结果进行仿真。本发明通过监测数据构建仿真模型中的融合结果与噪声数据产生的离群差异，进行噪声矩阵的自适应更新。优化EKF在预测过程中观测噪声矩阵的描述准确性，提高根据预测结果对仿真模型的优化效果。
Description
技术领域
本发明涉及数据处理技术领域，具体涉及一种跨临界二氧化碳制冷数据仿真系统。
背景技术
跨临界二氧化碳制冷是一种高效且环保的制冷技术，它使用二氧化碳作为工质来实现制冷过程。数据仿真是一种通过计算机模拟来模拟和分析系统行为的方法，可以用于研究和优化跨临界二氧化碳制冷系统的性能；EKF（拓展卡尔曼滤波）可以在观测数据和已知模型之间进行融合，以估计系统的状态。通过对测量数据的处理，滤波算法可以提供对系统实际状态的估计，从而提供对系统行为的更好理解。
EKF在预测过程中观测噪声矩阵是用来描述观测模型中的噪声特性的矩阵，而仿真过程中，恶劣工况下形成的观测噪声强度变化情况更加难以预料，因此，传统仅通过噪声均值、方差数据构建的观测噪声矩阵对于极端情况出现的离群噪声被高频次的检测数据进行覆盖模糊，最终影响根据预测结果对仿真模型的优化效果。
发明内容
为了解决上述问题，本发明提供了一种跨临界二氧化碳制冷数据仿真系统，该系统包括以下模块：
数据采集模块：用于通过制冷设备采集原始数据建立制冷系统的制冷端和压缩端的样本空间，所述样本空间包含若干观测数据点，每个观测数据点包括温度和压强；
观测噪声矩阵自适应更新模块：用于获取每个时刻下制冷、压缩两端的观测数据点在样本空间的距离，记为第一特征；获取起始时刻开始到每个时刻上制冷系统中制冷、压缩两端的观测数据点在样本空间的距离的数据峰度，记为第二特征；根据第一特征和第二特征得到每个时刻下工况正常评价程度；
将相邻两个时刻分别记为上一时刻和下一时刻；
根据上一时刻和下一时刻工况正常评价程度获得下一时刻的观测噪声矩阵，包括的方法为：根据上一时刻的工况正常评价程度和下一时刻的工况正常评价程度获得下一时刻是否为异常数据，通过判断下一时刻是否为异常数据得到传感器观测数据序列；根据传感器观测数据序列获取下一时刻的观测噪声矩阵；
迭代执行所述根据上一时刻和下一时刻工况正常评价程度获得下一时刻的观测噪声矩阵的方法，得到每个时刻的观测噪声矩阵；
数据仿真模块：用于根据每个时刻下的观测噪声矩阵获取预测结果；根据预测结果利用仿真软件进行数据仿真。
优选的，所述通过制冷设备采集原始数据建立制冷系统的制冷端和压缩端的样本空间，包括的具体步骤如下：
将所有温度传感器和压力传感器设置为相同的数据采集间隔，通过同一个时钟获取时间数据；对于制冷端和压缩端，每一时刻下，均有对应的温度数据和压力/>数据两种数据组成观测数据点；将所有观测数据点构成制冷端和压缩端的样本空间。
优选的，所述获取每个时刻下制冷、压缩两端的观测数据点在样本空间的距离，包括的具体步骤如下：
获取起始时刻对应的制冷、压缩两端的观测数据点，/>表示起始时刻对应的制冷端的观测数据点的温度数据/>和压力数据/>，/>表示起始时刻对应的压缩端的观测数据点的温度数据/>和压力数据/>；将起始时刻下制冷、压缩两端的观测数据点/>在样本空间的欧式距离作为起始时刻下制冷、压缩两端的观测数据点在样本空间的距离，同理，获得每个时刻下制冷、压缩两端的观测数据点在样本空间的距离。
优选的，所述获取起始时刻开始到每个时刻上制冷系统中制冷、压缩两端的观测数据点在样本空间的距离的数据峰度的具体公式如下：
式中，表示起始时刻开始到/>时刻上制冷系统中制冷、压缩两端的观测数据点在样本空间的距离的数据峰度；/>表示第/>时刻下制冷、压缩两端的观测数据点数量；/>表示同一时刻下制冷、压缩两端的观测数据点在样本空间的距离；/>表示起始时刻到/>时刻所有同一时刻下制冷、压缩两端的观测数据点在样本空间的距离均值；/>表示起始时刻到/>时刻所有同一时刻下制冷、压缩两端的观测数据点在样本空间的距离标准差。
优选的，所述根据第一特征和第二特征得到每个时刻下工况正常评价程度的具体公式如下：
式中，表示起始时刻开始到/>时刻上制冷系统中制冷、压缩两端的观测数据点在样本空间的距离的数据峰度；/>表示第/>时刻下工况正常评价程度；/>表示起始时刻到/>时刻所有时刻下制冷、压缩两端的观测数据点在样本空间的距离中的最大值；/>表示起始时刻到/>时刻所有时刻下制冷、压缩两端的观测数据点在样本空间的距离中的最小值。
优选的，所述根据上一时刻的工况正常评价程度和下一时刻的工况正常评价程度获得下一时刻是否为异常数据，包括的具体步骤如下：
将上一时刻记为s时刻，将下一时刻记为时刻，获取/>时刻下工况正常评价程度/>，若/>时刻下工况正常评价程度/>不处于阈值区间内，则将/>时刻记为异常时刻，/>时刻所对应的观测数据记为异常数据，反之，则将/>时刻所对应的观测数据记为异常数据。
优选的，所述阈值区间为[]，其中/>表示起始时刻/>到/>时刻之间所有时刻下工况正常评价程度的标准差。
优选的，所述通过判断下一时刻是否为异常数据得到传感器观测数据序列，包括的具体步骤如下：
对于时刻，若/>时刻所对应的观测数据不属于异常数据，则将获取的初始时刻与/>时刻之间的所有观测数据组成的数据序列作为传感器观测数据序列；若/>时刻所对应的观测数据属于异常数据时，则将/>时刻与/>时刻的观测数据组成的数据序列作为传感器观测数据序列。
优选的，所述根据传感器观测数据序列获取下一时刻的观测噪声矩阵，包括的具体步骤如下：
通过STL算法分解出传感器观测数据序列中每个时刻对应的观测数据的残差项作为每个时刻的噪声，进而得到传感器观测数据序列中所有时刻的噪声，计算所有噪声的协方差矩阵，将协方差矩阵作为每个时刻的观测噪声矩阵。
优选的，所述根据每个时刻下的观测噪声矩阵获取预测结果；根据预测结果利用仿真软件进行数据仿真，包括的具体步骤如下：
将第时刻的观测噪声矩阵，作为最新一次采集观测数据的时刻的观测噪声矩阵；依据第/>时刻的观测噪声矩阵，运行EKF的预测算法，获得第/>时刻的观测数据，第/>时刻是指最新一次采集观测数据的时刻的下一时刻；当得到第/>时刻的观测数据后，利用第/>时刻的观测数据和第/>时刻的观测数据获得第/>时刻的观测噪声矩阵，依据第/>时刻的观测噪声矩阵，运行EKF的预测算法，获得第/>时刻的观测数据，以此类推，得到第/>时刻之后每个时刻的观测数据；将每个时刻的观测数据利用仿真软件进行数据仿真。
本发明的技术方案的有益效果是：针对高频次的监测数据中离群噪声被传统均值方差手段进行模糊的缺陷；本发明通过分析传感数据的异常离群特征，从数据集合空间中截取波动位置进行异常针对性判断，最终依据不同的数据波动情况进行观测噪声矩阵的自适应更新；使得有助于EKF构建合适的观测噪声矩阵，可以在EKF中更好地准确估计系统的状态变量，有助于提高算法的预测结果对于建立模拟仿真模型的数据真实性，以及仿真模型对于异常值的抗干扰能力。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一种跨临界二氧化碳制冷数据仿真系统的模块框架图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种跨临界二氧化碳制冷数据仿真系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种跨临界二氧化碳制冷数据仿真系统的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种跨临界二氧化碳制冷数据仿真系统的模块框架图，该系统包括以下模块：
数据采集模块：通过制冷设备采集原始数据建立制冷系统的制冷端和压缩端的样本空间。
需要说明的是，在进行跨临界二氧化碳制冷数据仿真时，用于建立仿真模型的海量数据在融合中会使部分重要的噪声数据被模糊，影响EKF的预测结果，最终导致模型数据不能充分优化。
进一步需要说明的是，跨临界二氧化碳制冷是一种基于二氧化碳作为制冷工质的制冷系统。二氧化碳是一种环保的天然工质，具有零臭氧耗尽潜力和较低的全球变暖潜势。跨临界二氧化碳制冷系统在制冷循环中，二氧化碳工质同时存在液态和气态两相的状态，在高压和高温条件下运行。制冷系统分为工质气化吸热的制冷端、压缩机加压将气态工质液化的压缩端。用于模型建立需要充足的数据支持，通过双端均布置多个传感器，避免单传感器自身误差干扰整体数据准确性。同时，传感器之间需要进行时序对齐，保证不同时间序列数据的时间进行同步，使它们在相同的时间点上对应。
具体的，将所有温度传感器和压力传感器设置为相同的数据采集间隔，通过同一个时钟获取时间数据；对于制冷端和压力端，每一时刻下，均有对应的温度数据和压力/>数据，两种数据组成观测数据点；将所有观测数据点分别建立制冷端和压力端的样本空间，将在样本空间中按时序顺序获取每时刻对应的温度/>数据和压力/>数据记为观测数据。本实施例以每一秒为一个时刻，所述的样本空间是指以温度为横坐标，压力为纵坐标的二维空间，那么任意一个观测数据在样本空间视为一个数据点；假设最新一次采集观测数据的时刻为第/>时刻，最新一次采集观测数据的时刻的前一时刻为第/>时刻。
至此，获得制冷系统的制冷端和压缩端的样本空间。
观测噪声矩阵自适应更新模块：通过样本空间中的异常数据对观测噪声矩阵进行自适应更新。
需要说明的是，噪声产生时刻是随机的，因此在历史属性的监测时刻下，噪声数据呈现特征能够通过前后的数据特征进行定位。但模型实时仿真时需要通过实时产生的数据波动进行噪声判断；在整个制冷系统中，产生的离群噪声数据会破坏制冷、压缩两端的二氧化碳工质平衡状态；而环境改变导致的平衡状态改变会持续影响平衡状态直至形成新的工质平衡状态，因此，可以通过实时数据向离群值的趋势改变情况进行异常噪声的定位判断，并综合后续的观测数据进行噪声干扰的更新。
进一步需要说明的是，在制冷系统中，制冷、压缩两端由二氧化碳工质在中间携带热量移动，因此当前呈现对应的稳定状态的观测数据点在样本空间中产生聚集，当后续观测数据点的数值偏离这种聚集的稳定状态时，应当判断为产生异常数据。
1.获取每个时刻下工况正常评价程度。
具体的，获取起始时刻对应的制冷、压缩两端的观测数据点，表示起始时刻对应的制冷端的观测数据点的温度数据/>和压力数据/>，/>表示起始时刻对应的压缩端的观测数据点的温度数据/>和压力数据/>，将起始时刻下制冷、压缩两端的观测数据点在样本空间的欧式距离作为起始时刻下制冷、压缩两端的观测数据点在样本空间的距离，同理，获得每个时刻下制冷、压缩两端的观测数据点在样本空间的距离，其中制冷、压缩两端的观测数据点位置差异代表设备中工质的工作状态产生的变化。
则第时刻下工况正常评价程度的计算表达式为：
式中，，/>表示第/>时刻下工况正常评价程度；/>表示第/>时刻下制冷、压缩两端的观测数据点数量；/>表示起始时刻开始到/>时刻上制冷系统中制冷、压缩两端的观测数据点在样本空间的距离的数据峰度；/>表示同一时刻下制冷、压缩两端的观测数据点在样本空间的距离；/>表示起始时刻到/>时刻所有同一时刻下制冷、压缩两端的观测数据点在样本空间的距离均值；/>表示起始时刻到/>时刻所有同一时刻下制冷、压缩两端的观测数据点在样本空间的距离标准差；/>表示起始时刻到/>时刻所有同一时刻下制冷、压缩两端的观测数据点在样本空间的距离中的最大值；/>表示起始时刻到/>时刻所有同一时刻下制冷、压缩两端的观测数据点在样本空间的距离中的最小值。
其中，作为从起始时刻开始到/>时刻上制冷系统中制冷、压缩两端的观测数据点在样本空间的距离的数据峰度。数据越小体现/>时刻下，制冷、压缩两端的观测数据点之间差异情况相似，即制冷、压缩两端的工作状态发生的改变越少。判断出s时刻对应的观测数据点之间存在的波动偏差越少；
为起始时刻开始到/>时刻下，d的极差，作为s时刻工作状态的数据描述，与峰度数据代表的状态改变因素产生综合判断，减少了制冷系统长时间保持稳定工况时突然产生的工况变化不能被及时识别的情况，增加了异常识别的准确性及实时性。
至此，获得每个时刻下工况正常评价程度。
2.获取异常数据。
需要说明的是，由于异常数据产生会导致样本空间中的观测数据点产生离群特性，但正常数据的工况变化体现为后续一定时间内其工况保持相同的偏离特点，完成工况状态的转换。
预设一个参数，其中本实施例以/>例进行叙述，本实施例不进行具体限定，其中/>根据具体实施情况而定。
则获取异常数据的具体方法为：
对于时刻，获取/>时刻下工况正常评价程度/>，获取起始时刻/>到/>时刻之间所有时刻下工况正常评价程度的标准差/>，若/>时刻下工况正常评价程度/>不处于/>区间，则将/>时刻记为异常时刻，/>时刻所对应的观测数据记为异常数据，反之，则将/>时刻所对应的观测数据不是异常数据。
至此判断出时刻所读是否为异常数据（/>），同理判断出任意时刻是否为异常数据；进而获取所有异常数据。
至此，获得异常数据。
3.实现观测噪声矩阵的自适应更新。
需要说明的是，由于实时的观测噪声矩阵中对角线上的元素是每时刻对应的噪声方差，非对角线上的元素是每时刻对应的噪声的协方差。
具体的，对于时刻，判断/>时刻所对应的观测数据是否属于异常数据，若时刻所对应的观测数据不属于异常数据，则说明/>时刻系统状态形成的观测数据点所受噪声影响与时序前端的观测数据点所受噪声干扰是相似的；则将获取的初始时刻与时刻之间的所有观测数据组成的数据序列作为传感器观测数据序列；根据传感器观测数据序列获得观测噪声矩阵的具体方法为：
在制冷系统中，通过STL算法分解出传感器观测数据序列中每个时刻对应的观测数据的残差项作为每个时刻的噪声，进而得到传感器观测数据序列中所有时刻的噪声，由于每个观测数据包含的温度t数据和压力p数据两个维度，因此每个噪声也是两个维度的，那么计算所有噪声的协方差矩阵，将协方差矩阵，记为初始观测噪声矩阵。
若时刻所对应的观测数据属于异常数据时，则将获取的/>时刻与/>时刻之间的所有观测数据组成的数据序列作为传感器观测数据序列，根据/>时刻与/>时刻间的传感器观测数据序列获取/>时刻的观测噪声矩阵。
至此，通过判断时刻所对应的观测数据是否属于异常数据获得/>时刻的观测噪声矩阵，同理获得每个时刻的观测噪声矩阵。
至此，根据利用第时刻的观测数据和第/>时刻的观测数据获得第/>时刻的观测噪声矩阵，同理利用第/>时刻的观测数据和第/>时刻的观测数据获得第/>时刻的观测噪声矩阵，以此类推，获得每个时刻的观测噪声矩阵，也即每经过一个时刻便对观测噪声矩阵进行一次更新。
数据仿真模块：根据最新一次采集观测数据预测下一时刻的观测数据得到预测结果，根据预测结果进行仿真。
上述获得了第时刻的观测噪声矩阵，即最新一次采集观测数据的时刻的观测噪声矩阵；
依据第时刻的观测噪声矩阵，运行EKF的预测算法，获得第/>时刻的观测数据，第/>时刻是指最新一次采集观测数据的时刻的下一时刻；当得到第/>时刻的观测数据后，利用第/>时刻的观测数据和第/>时刻的观测数据获得第/>时刻的观测噪声矩阵，依据第/>时刻的观测噪声矩阵，运行EKF的预测算法，获得第/>时刻的观测数据，以此类推，得到第/>时刻之后每个时刻的观测数据；将每个时刻的观测数据利用仿真软件进行数据仿真以及数据管理，例如对数据进行存储管理。
需要说明的是，通过直接采集或者通过预测的方式获得每个时刻的观测数据之后，利用这些观测数据进行数据仿真是公知的，本实施例不再叙述具体仿真过程；本实施例所用的仿真软件为cooltool制冷软件，其他仿真软件有coolpack以及CompressorDB。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，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 (6)
1.一种跨临界二氧化碳制冷数据仿真系统，其特征在于，该系统包括以下模块：
数据采集模块：用于通过制冷设备采集原始数据建立制冷系统的制冷端和压缩端的样本空间，所述样本空间包含若干观测数据点，每个观测数据点包括温度和压强；
观测噪声矩阵自适应更新模块：用于获取每个时刻下制冷、压缩两端的观测数据点在样本空间的距离，记为第一特征；获取起始时刻开始到每个时刻上制冷系统中制冷、压缩两端的观测数据点在样本空间的距离的数据峰度，记为第二特征；根据第一特征和第二特征得到每个时刻下工况正常评价程度；
将相邻两个时刻分别记为上一时刻和下一时刻；
根据上一时刻和下一时刻工况正常评价程度获得下一时刻的观测噪声矩阵，包括的方法为：根据上一时刻的工况正常评价程度和下一时刻的工况正常评价程度获得下一时刻是否为异常数据，通过判断下一时刻是否为异常数据得到传感器观测数据序列；根据传感器观测数据序列获取下一时刻的观测噪声矩阵；
迭代执行所述根据上一时刻和下一时刻工况正常评价程度获得下一时刻的观测噪声矩阵的方法，得到每个时刻的观测噪声矩阵；
数据仿真模块：用于根据每个时刻下的观测噪声矩阵获取预测结果；根据预测结果利用仿真软件进行数据仿真；
所述获取起始时刻开始到每个时刻上制冷系统中制冷、压缩两端的观测数据点在样本空间的距离的数据峰度的具体公式如下：
式中，表示起始时刻开始到/>时刻上制冷系统中制冷、压缩两端的观测数据点在样本空间的距离的数据峰度；/>表示第/>时刻下制冷、压缩两端的观测数据点数量；/>表示同一时刻下制冷、压缩两端的观测数据点在样本空间的距离；/>表示起始时刻到/>时刻所有同一时刻下制冷、压缩两端的观测数据点在样本空间的距离均值；/>表示起始时刻到/>时刻所有同一时刻下制冷、压缩两端的观测数据点在样本空间的距离标准差；
所述根据第一特征和第二特征得到每个时刻下工况正常评价程度的具体公式如下：
式中，表示起始时刻开始到/>时刻上制冷系统中制冷、压缩两端的观测数据点在样本空间的距离的数据峰度；/>表示第/>时刻下工况正常评价程度；/>表示起始时刻到/>时刻所有时刻下制冷、压缩两端的观测数据点在样本空间的距离中的最大值；/>表示起始时刻到/>时刻所有时刻下制冷、压缩两端的观测数据点在样本空间的距离中的最小值；
所述根据上一时刻的工况正常评价程度和下一时刻的工况正常评价程度获得下一时刻是否为异常数据，包括的具体步骤如下：
将上一时刻记为s时刻，将下一时刻记为时刻，获取/>时刻下工况正常评价程度，若/>时刻下工况正常评价程度/>不处于阈值区间内，则将/>时刻记为异常时刻，/>时刻所对应的观测数据记为异常数据，反之，则将/>时刻所对应的观测数据记为异常数据；
所述根据传感器观测数据序列获取下一时刻的观测噪声矩阵，包括的具体步骤如下：
通过STL算法分解出传感器观测数据序列中每个时刻对应的观测数据的残差项作为每个时刻的噪声，进而得到传感器观测数据序列中所有时刻的噪声，计算所有噪声的协方差矩阵，将协方差矩阵作为每个时刻的观测噪声矩阵。
2.根据权利要求1所述一种跨临界二氧化碳制冷数据仿真系统，其特征在于，所述通过制冷设备采集原始数据建立制冷系统的制冷端和压缩端的样本空间，包括的具体步骤如下：
将所有温度传感器和压力传感器设置为相同的数据采集间隔，通过同一个时钟获取时间数据；对于制冷端和压缩端，每一时刻下，均有对应的温度数据和压力/>数据两种数据组成观测数据点；将所有观测数据点构成制冷端和压缩端的样本空间。
3.根据权利要求1所述一种跨临界二氧化碳制冷数据仿真系统，其特征在于，所述获取每个时刻下制冷、压缩两端的观测数据点在样本空间的距离，包括的具体步骤如下：
获取起始时刻对应的制冷、压缩两端的观测数据点，/>表示起始时刻对应的制冷端的观测数据点的温度数据/>和压力数据/>，/>表示起始时刻对应的压缩端的观测数据点的温度数据/>和压力数据/>；将起始时刻下制冷、压缩两端的观测数据点/>在样本空间的欧式距离作为起始时刻下制冷、压缩两端的观测数据点在样本空间的距离，同理，获得每个时刻下制冷、压缩两端的观测数据点在样本空间的距离。
4.根据权利要求1所述一种跨临界二氧化碳制冷数据仿真系统，其特征在于，所述阈值区间为[]，其中/>表示起始时刻/>到/>时刻之间所有时刻下工况正常评价程度的标准差。
5.根据权利要求1所述一种跨临界二氧化碳制冷数据仿真系统，其特征在于，所述通过判断下一时刻是否为异常数据得到传感器观测数据序列，包括的具体步骤如下：
对于时刻，若/>时刻所对应的观测数据不属于异常数据，则将获取的初始时刻与/>时刻之间的所有观测数据组成的数据序列作为传感器观测数据序列；若/>时刻所对应的观测数据属于异常数据时，则将/>时刻与/>时刻的观测数据组成的数据序列作为传感器观测数据序列。
6.根据权利要求1所述一种跨临界二氧化碳制冷数据仿真系统，其特征在于，所述根据每个时刻下的观测噪声矩阵获取预测结果；根据预测结果利用仿真软件进行数据仿真，包括的具体步骤如下：
将第时刻的观测噪声矩阵，作为最新一次采集观测数据的时刻的观测噪声矩阵；依据第/>时刻的观测噪声矩阵，运行EKF的预测算法，获得第/>时刻的观测数据，第时刻是指最新一次采集观测数据的时刻的下一时刻；当得到第/>时刻的观测数据后，利用第/>时刻的观测数据和第/>时刻的观测数据获得第/>时刻的观测噪声矩阵，依据第/>时刻的观测噪声矩阵，运行EKF的预测算法，获得第/>时刻的观测数据，以此类推，得到第/>时刻之后每个时刻的观测数据；将每个时刻的观测数据利用仿真软件进行数据仿真。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311115024.7A CN116842764B (zh) | 2023-08-31 | 2023-08-31 | 一种跨临界二氧化碳制冷数据仿真系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311115024.7A CN116842764B (zh) | 2023-08-31 | 2023-08-31 | 一种跨临界二氧化碳制冷数据仿真系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116842764A CN116842764A (zh) | 2023-10-03 |
| CN116842764B true CN116842764B (zh) | 2023-11-10 |
Family
ID=88158525
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311115024.7A Active CN116842764B (zh) | 2023-08-31 | 2023-08-31 | 一种跨临界二氧化碳制冷数据仿真系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116842764B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102508278A (zh) * | 2011-11-28 | 2012-06-20 | 北京航空航天大学 | 一种基于观测噪声方差阵估计的自适应滤波方法 |
| WO2016101690A1 (zh) * | 2014-12-22 | 2016-06-30 | 国家电网公司 | 基于时间序列分析的输变电设备的状态监测数据清洗方法 |
| CN109669134A (zh) * | 2019-02-27 | 2019-04-23 | 浙江科技学院 | 一种基于卡尔曼滤波法的soc的估算方法 |
| CN111368403A (zh) * | 2020-02-24 | 2020-07-03 | 西安交通大学 | 一种自适应非线性退化剩余寿命预测方法 |
| CN113326651A (zh) * | 2021-05-10 | 2021-08-31 | 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 |
| WO2023005064A1 (zh) * | 2021-07-30 | 2023-02-02 | 江南大学 | 一种基于凸空间滤波的动力电池化成过程状态估计方法 |
| CN116181635A (zh) * | 2023-03-14 | 2023-05-30 | 中车青岛四方车辆研究所有限公司 | 基于孤立森林的地铁空调压缩机的异常检测方法与系统 |
| CN116258084A (zh) * | 2023-05-08 | 2023-06-13 | 江苏省特种设备安全监督检验研究院 | 一种基于混合仿真算法的电机健康评估方法及系统 |
-
2023
- 2023-08-31 CN CN202311115024.7A patent/CN116842764B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102508278A (zh) * | 2011-11-28 | 2012-06-20 | 北京航空航天大学 | 一种基于观测噪声方差阵估计的自适应滤波方法 |
| WO2016101690A1 (zh) * | 2014-12-22 | 2016-06-30 | 国家电网公司 | 基于时间序列分析的输变电设备的状态监测数据清洗方法 |
| CN109669134A (zh) * | 2019-02-27 | 2019-04-23 | 浙江科技学院 | 一种基于卡尔曼滤波法的soc的估算方法 |
| CN111368403A (zh) * | 2020-02-24 | 2020-07-03 | 西安交通大学 | 一种自适应非线性退化剩余寿命预测方法 |
| CN113326651A (zh) * | 2021-05-10 | 2021-08-31 | 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 |
| WO2023005064A1 (zh) * | 2021-07-30 | 2023-02-02 | 江南大学 | 一种基于凸空间滤波的动力电池化成过程状态估计方法 |
| CN116181635A (zh) * | 2023-03-14 | 2023-05-30 | 中车青岛四方车辆研究所有限公司 | 基于孤立森林的地铁空调压缩机的异常检测方法与系统 |
| CN116258084A (zh) * | 2023-05-08 | 2023-06-13 | 江苏省特种设备安全监督检验研究院 | 一种基于混合仿真算法的电机健康评估方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| Estimation of Noise Covariance Matrices for Linear Systems with Nonlinear Measurements;Jindrich Dunik等;《IFAC-PapersOnline》;第48卷(第28期);第1130-1135页 * |
| GPS/DR组合导航抗差自适应滤波算法;焦雅林等;《中国惯性技术学报》(第03期);全文 * |
| 天基红外相机大气背景测量数据处理与图像仿真技术研究;张寅;《CNKI博士学位论文全文库》(2016年第12期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116842764A (zh) | 2023-10-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110598851A (zh) | 一种融合lstm和gan的时间序列数据异常检测方法 | |
| CN113792762A (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 | |
| CN116992322B (zh) | 一种智慧城市数据中心管理系统 | |
| CN117271987B (zh) | 一种配电设备环境状态数据智能采集处理方法 | |
| CN117167903B (zh) | 基于人工智能的暖通设备异物故障检测方法 | |
| CN116842764B (zh) | 一种跨临界二氧化碳制冷数据仿真系统 | |
| CN117633696A (zh) | 一种基于bim模型的水利工程施工监测方法及系统 | |
| CN115146718A (zh) | 基于深度表示的风电机组异常检测方法 | |
| CN117272212B (zh) | 基于实时数据对制冷系统进行最优运行参数选择的方法 | |
| CN114154689A (zh) | 一种冷水主机单机能耗预测方法、系统及存储介质 | |
| CN116720150B (zh) | 一种机械制冷系统故障诊断方法及系统 | |
| CN116523429B (zh) | 基于物联网的智慧物流监控系统及方法 | |
| CN111504673A (zh) | 一种冷水机组故障诊断方法、系统及空调器 | |
| JP6830414B2 (ja) | 診断装置及び診断方法 | |
| CN117706927A (zh) | 基于样本库管理复合模型的能源系统节能控制方法及系统 | |
| CN116662920A (zh) | 钻爆法施工装备异常数据辨识方法、系统、装备及介质 | |
| Du et al. | IoT intelligent agent based cloud management system by integrating machine learning algorithm for HVAC systems | |
| CN110702438A (zh) | 一种离心式冷水机组与新风系统联合故障诊断方法 | |
| CN112149726B (zh) | 基于知识共享和模型迁移的全封闭压缩机故障诊断方法 | |
| CN115406055A (zh) | 用于冷媒泄漏诊断的空调系统及其控制方法 | |
| CN113051530A (zh) | 一种基于kde-fa的冷水机组故障特征刻画方法 | |
| Mtibaa et al. | Refrigerant leak detection in industrial vapor compression refrigeration systems using machine learning | |
| CN114528914B (zh) | 一种人在回路的冷水主机状态监测方法、终端及存储介质 | |
| CN118090078B (zh) | 一种闭式循环水冷系统渗漏在线监测方法 | |
| CN117312780B (zh) | 一种空压站数据增强方法、装置、存储介质及计算机设备 |
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 |