一种基于运行数据的中央空调能耗预测方法与流程

本发明属于于中央空调建模研究领域，特别涉及一种基于运行数据的中央空调能耗预测方法。

背景技术

在中央空调建模研究领域，过往的研究工作常从建立中央空调系统运行能效的数学模型出发，根据系统运行数据进行各个设备的数据模型参数辨识，最后确定中央空调系统优化仿真控制策略，这里将该方法称为常规方法。由于中央空调系统是相互耦合相互关联的运行整体，它的能效数学模型及辨识模型结构复杂，模型参数难以获取，常规方法的机理建模困难。

随着云数据库技术的发展，在中央空调系统运行能耗计量中，积累了大量高维的实时能耗数据，常规方法难以发现和总结这些数据蕴含的知识。数据挖掘中的boruta特征选择算法是随机森林的一种包装算法，为空调原始能耗特征提取能耗特征子集，继而采用pearson相关系数法降低能耗特征子集的冗余度，最后该特征子集作为启发式bp神经网络的输入参数，能有效的预测中央空调能耗，因此对中央空调能耗建模有重大意义。

目前，针对各个中央空调系统的不同，中央空调系统能耗特征也不同，缺乏一套普适的中央空调能耗预测方法。

技术实现要素：

为了解决现有技术中缺乏一套普适的中央空调能耗预测方法的问题，本发明提出了一种基于运行数据的中央空调能耗预测方法。使用boruta算法在运行数据中提取能耗特征子集，继而采用pearson相关系数法降低能耗特征子集的冗余度，最后使用bp神经网络预测中央空调能耗。

一种基于运行数据的中央空调能耗预测方法，包括以下步骤：

步骤1，采集中央空调系统的运行数据；

步骤2，对采集到的运行数据进行预处理，得到能耗特征集；

步骤3，根据预处理后得到的所述能耗特征集，提取能耗特征子集；

步骤4，对能耗特征子集进行相关系数分析，降低能耗特征子集冗余度；

步骤5，将进行相关系数分析后的能耗特征子集作为bp神经网络的输入参数，所述bp神经网络的输出参数为中央空调系统总功率，训练所述bp神经网络，得到能耗预测模型。

进一步地，所述运行数据包括旁通阀开度、冷冻水流量、负荷率、冷冻水出水压力、冷冻水回水压力、冷冻水出水温度、冷却水温差、冷冻水回水温度、冷冻水温差、冷却水回水温度、冷却水出水温度、冷却泵频率、冷冻泵频率及系统总功率。

进一步地，所述步骤2包络以下流程：

基于采集到的运行数据，采用拉格朗日插值法补充空缺值，得到能耗特征集。

进一步地，所述步骤3包括以下流程：

根据所述能耗特征集，应用boruta特征提取算法提取能耗特征子集。

进一步地，boruta特征提取算法为采用语言中的boruta包。

进一步地，所述步骤4包括以下流程：

采用pearson相关系数衡量随机变量的相关性，解决能耗特征子集的多重共线性，降低能耗特征子集冗余度。

本发明的有益效果：本发明提供了一种基于运行数据的中央空调能耗预测方法，针对传统的机理分析法和系统辨识法难以解决的高度非线性中央空调建模问题，使用boruta特征选择算法对原始高维运行数据进行能耗特征选择，得到能耗特征子集，降低了运行数据中的能耗特征维度；继而使用pearson相关系数法减少能耗特征子集的冗余性；最后将能耗特征子集作为bp神经网络能耗模型的输入，空调系统总功率作为其输出，训练该bp神经网络模型，得到的空调系统能耗模型可靠而普适，对运行节能策略意义重大。

附图说明

图1为本发明实施例的流程图。

图2为boruta特征提取算法重要度排序图。

图3为特征变量盒状图描述图。

图4为bp神经网络结构图。

图5为bp神经网络中央空调能耗模型预测模型的效果图。

具体实施方式

下面结合附图对本发明的实施例做进一步的说明。

请参阅图1，本发明提出的一种基于运行数据的中央空调能耗预测方法，通过以下步骤实现：

步骤1，采集中央空调系统的运行数据。

本实施例中，如下表(一)所示，采集的运行数据包括旁通阀开度、冷冻水流量、负荷率、冷冻水出水压力、冷冻水回水压力、冷冻水出水温度、冷却水温差、冷冻水回水温度、冷冻水温差、冷却水回水温度、冷却水出水温度、冷却泵频率、冷冻泵频率及系统总功率。

表(一)中央空调系统运行数据特征参数

步骤2，对采集到的运行数据进行预处理，得到能耗特征集。

本实施例中，在matlab中连接数据库，利用采集到的数据，采用拉格朗日插值法补充空缺值，得到能耗特征集。

步骤3，根据预处理后得到的所述能耗特征集，提取能耗特征子集。

本实施例的优选实施例中，应用boruta特征提取算法提取能耗特征子集，boruta特征提取算法可以由r语言中的boruta包提供，其原理如下：

假设原特征集为x,对原特征集x创建混合副本属性并进行重排，得到影特征集与原特征集的集合x1。在x1的基础上采用bootstrap方式抽取训练特征集d,未被抽取到的作为测试特征集d1.基于x1构建含有m棵决策树的随机森林模型，计算每个决策树对应测试特征集d1的均方残差mse(0-m).基于mse(0-m)计算对应特征的z值，筛选z值最大的影子特征，同时标记比其值大的特征，作为重要特征，而对应比其z值小的特征则标记为非重要的特征并从原特征集中删除。最后删除所有副本特征及不重要特征。

重复以上所以的步骤，直至达到设定的终止条件。

请参阅图2与图3，boruta特性选择结果如图所示，图中shadowmax为影子特征的最大重要度，shadowmean为影子特征的平均重要度，shadowmin为影子特征的最小重要度，冷冻水流量略高于平均影子特征分数，标记为不重要；其余特征变量由小到大排序均为重要特征变量，即能耗特征子集为旁通阀开度、负荷率、冷冻水出水压力、冷冻水回水压力、冷冻水出水温度、冷却水温差、冷冻水回水温度、冷冻水温差、冷却水回水温度、冷却水出水温度、冷却泵频率、冷冻泵频率。

步骤4，对能耗特征子集进行相关系数分析，降低能耗特征子集冗余度。

本实施例中，采用pearson相关系数衡量能耗特征子集的相关性，解决能耗特征子集的多重共线性，降低能耗特征子集冗余度。pearson相关系数即皮尔逊相关系数，主要用来描述两个向量上的数据是否在一条线上，其取值范围为0～1之间。其表达式为

式中：x、y为两个等长向量，n为向量元素个数。r为相关度，它是协方差与两变量标准差乘积的比值，是没有量纲的、标准化的协方差。

得到相关系数矩阵如下表(二)所示，在相关性强的一对特征变量中，结合boruta特征选择算法得到的重要度排序，重要度高的被保留，重要度低的被去除。例如：取相关度阀值为0.8，冷冻出水温度与冷冻回水温度相关度为0.97，在boruta算法结果图中冷冻出水温度重要度高于冷冻回水温度，因此删除冷冻回水温度；同理，冷却出水温度与冷却回水温度相关度为0.89，在boruta算法结果图中冷却回水温度重要度高于冷却出水温度，因此删除冷却出水温度；最后得到能耗特征子集为旁通阀开度、负荷率、冷冻水出水压力、冷冻水回水压力、冷冻水出水温度、冷却水温差、冷冻水温差、冷却水回水温度、冷却泵频率、冷冻泵频率。

表(二)中央空调系统能耗特征子集相关系数矩阵

步骤5，将进行相关系数分析后的能耗特征子集作为bp神经网络的输入参数，所述bp神经网络的输出参数为中央空调系统总功率，训练所述bp神经网络，得到能耗预测模型。

本实施例中，bp神经网络的输入层中，输入参数采用特征选择得到的能耗特征子集，即旁通阀开度、负荷率、冷冻水出水压力、冷冻水回水压力、冷冻水出水温度、冷却水温差、冷冻水温差、冷却水回水温度、冷却泵频率、冷冻泵频率；输出层中，输出参数为系统总功率；隐含层中，根据kolmogorov定理，中间隐含层神经元数一般取2n+1，其中n为输入层个数。其原理为：

请参阅图4，输入信号xi通过中间节点(隐层点)作用于输出节点，经过非线形变换，产生输出信号y，网络训练的每个样本包括输入向量x和期望输出量t。网络输出值y与期望输出值t之间的偏差，通过调整输入节点与隐层节点的联接强度取值wij和隐层节点与输出节点之间的联接强度tj以及阈值，使误差沿梯度方向下降，经过反复学习训练，确定与最小误差相对应的网络参数(权值和阈值)，训练即告停止。此时经过训练的bp神经网络即能对类似样本的输入信息，自行处理输出误差最小的经过非线形转换的信息。在bp神经网络中，隐含层节点输出为oj＝∫(∑wij×xi-qj)，输出层节点输出为y＝∫(∑tj×oj)，式中∫(·)为非线形作用函数，反映下层输入对上层节点刺激脉冲强度的函数，又称刺激函数，q为神经单元阈值。

请参阅图5，bp神经网络中央空调能耗模型预测模型的结果如图所示。根据已经设计好的中央空调系统能耗预测模型，将训练的最大训练次数设定为100，网格的目标误差设定为0.01，非线形作用函数选择sigmoid函数。图中3000组训练(training)数据进行bp神经网络训练得到回归系数r＝0.99908，3000组数据交叉验证后(validation)回归系数r＝0.99576，90组测试(test)数据进行验证得到回归系数r＝0.99119，全部样本的训练值(output)与目标值(target)的回归系数为r＝0.99765，训练效果理想。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。