一种动态预测性机器学习型空调节能控制方法及系统

1.本发明涉及中央空调系统控制领域，尤其涉及一种动态预测性机器学习型空调节能控制方法及系统。


背景技术：

2.随着全球气候变暖的趋势，我国城镇化和工业化加速发展的进程，目前建筑能耗占我国社会总能耗的30％以上，中央空调系统能耗占建筑能耗的60％以上，占社会总碳排放的25％以上，建筑中央空调系统节能已经成为国民经济节能减排领域中的重点和热点问题。
3.据统计，我国公共建筑节能达标率不足10％；中央空调的运行调节主要集中在冷冻水泵的定温差(一般设定为5℃)变流量(变频)调节上，且依赖于技术操作人员的经验，节能调节策略单一、局限性较为明显。这些调节模式一般只关注冷冻水泵自身的运行状态，而忽略了冷却水泵、制冷机组、冷却塔等系统主要能耗设备所构成的系统综合能耗最优化问题。
4.另外，自动化控制理论及技术作为节能控制技术手段，在中央空调系统控制中越来越重要，传统的自动化控制理论中的pid(比例、积分、微分)控制算法适用于单变量线性系统，不太适应多变量、非线性、大滞后和时变性的中央空调系统；反馈式控制方式应用于中央空调系统的节能控制运行稳定性较差，节能效果和稳定性有待进一步提高。当空调系统负荷发生变化时，若仅采用压差控制，则不能够准确表述系统负荷的变化，从而可能导致控制系统失效；若仅采用温差控制，则当负荷发生较大变化时，控制系统往往会滞后一段时间后对空调水系统进行调节，从而影响了控制的及时性和快速性。目前，中央空调节能控制领域流行的恒压差和恒温差控制模式属于“跟随控制”，一般只适用于无时滞的被控对象或过程，用在负荷动态性波动的中央空调系统中难以取得较好的稳定节能控制效果。


技术实现要素：

5.针对现有技术中的不足，本发明提供一种既能满足中央空调系统综合能耗最优化，又能实现动态预测性智能化管理和稳定性控制为目的的中央空调节能控制系统。
6.为实现上述目的，本发明的技术方案如下：
7.一种动态预测性机器学习型空调节能控制方法，其包括：
8.采集建筑物空调历史时序负荷作为输出变量，采集影响建筑空调负荷的因素作为输入变量，将所述输入变量和所述输出变量组建原始数据集；
9.对所述原始数据集内的数据归一化处理，得到历史时刻样本空间记录向量，采用双种群协同进化策略和反正切调整策略，获得支持向量机的最佳性能参数组合粒子；
10.利用所述原始数据集内的数据，结合最佳性能参数组合粒子优化的支持向量机，预测下一时刻中央空调系统负荷；
11.以下一时刻空调系统能耗为优化目标，以下一时刻空调负荷、已知设备容量和控
制阈值为约束条件，求解下一时刻最低能耗并得到系统全局决策最优变量值；
12.根据全局决策最优变量值输出系统下一时刻起始的各设备单元的控制参数。
13.一种动态预测性机器学习型空调节能控制系统，其包括：数据采集模块，双种群粒子群训练算法模块，支持向量机负荷预测算法模块，全局参数寻优模块，控制参数结果输出模块；
14.所述数据采集模块用于采集建筑物空调历史时序负荷作为输出变量，采集影响建筑空调负荷的因素作为输入变量，将所述输入变量和所述输出变量组建原始数据集；
15.所述双种群粒子群训练算法模块用于对所述原始数据集内的数据归一化处理，得到历史时刻样本空间记录向量，采用双种群协同进化策略和反正切调整策略，获得支持向量机的最佳性能参数组合粒子；
16.所述支持向量机负荷预测算法模块用于利用所述原始数据集内的数据，结合最佳性能参数组合粒子优化的支持向量机，预测下一时刻中央空调系统负荷；
17.所述全局参数寻优模块用于以下一时刻空调系统能耗为优化目标，以下一时刻空调负荷、已知设备容量和控制阈值为约束条件，求解下一时刻最低能耗并得到系统全局决策最优变量值；以及，
18.所述控制参数结果输出模块用于根据全局决策最优变量值输出系统下一时刻起始的各设备单元的控制参数。
19.本发明与现有技术相比，其有益效果在于：本发明基于大数据模块挖掘环境参数、用户习惯和节假日规律等多特征变量，通过双种群粒子群训练模块优化支持向量机中央空调负荷预测模块，提高了预测精确度和参数寻优性能；以空调系统运行能耗最小化为目标，构建全局参数寻优模块，实现系统多参数快速寻优，保证系统运行的稳定性；利用机器学习智能算法，预测下一时刻空调系统逐时负荷，消除了常规“跟随控制”系统中出现的负荷变化反馈时滞和水温变化惯性，实现了控制的及时性和快速性，满足了中央空调系统综合能耗最优化，又能实现动态预测性智能化管理和稳定性控制。
附图说明
20.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例中所需要使用的附图进行简单的介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，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。
21.图1为本发明实施例提供的一种动态预测性机器学习型空调节能控制系统的流程图；
22.图2为本发明实施例提供的双种群粒子群优化支持向量机中央空调负荷预测参数优化流程图；
23.图3为本发明实施例提供的中央空调系统运行工况全局参数寻优流程图。
具体实施方式
24.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅是本技术一部分实施例，而不是全部的实施例。基于本
申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
25.实施例：
26.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，本发明实施例的术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
27.参见图1至图3，图1为本发明实施例提供的一种动态预测性机器学习型空调节能控制系统的流程图；图2为本发明实施例提供的双种群粒子群优化支持向量机中央空调负荷预测参数优化流程图；图3为本发明实施例提供的中央空调系统运行工况全局参数寻优流程图。
28.如图1所示，本实施例提出了一种动态预测性机器学习型空调节能控制系统包括：数据采集模块1，双种群粒子群训练算法模块2，支持向量机负荷预测算法模块3，全局参数寻优模块4，控制参数结果输出模块5；包括以下步骤s1-s5：
29.s1.数据采集：采集建筑物空调历史时序负荷作为输出变量和影响建筑空调负荷的室外环境、室内人员流动等因素作为输入变量的原始数据集；采集的影响建筑空调负荷的关键因素包括：干球温度、相对湿度、水平面太阳总辐射；建筑逐时人员流动数量；中央空调系统逐时负荷、制冷机组的蒸发温度、冷凝温度、电流及电压，冷冻水泵的供回水温度、流量、电流及电压，冷却水泵的供回水温度、流量、电流及电压，冷却塔风量、电流、电压等；s1所获取的参数来自楼宇自动化系统，楼宇自动化系统(bas)是集成了物联网技术，控制技术、网络技术等技术的系统，大量的中央空调运行及环境数据，如：温度、湿度、流量、功率等，都被记录在数据库中，如建筑逐时使用参数和中央空调系统逐时运行参数，能够从其客观存在的参数当中提炼出用户习惯和节假日规律，但是这些数据很少有效的被用在空调负荷分析、数据挖掘、优化控制当中；通过大量数据对空调系统进行分析、建模、优化，能更好地实现负荷动态预测性智能化管理和能耗最优化运行，同时降低对技术操作人员的节能控制经验依赖和劳动强度。
30.s2.双种群粒子群训练：对原始数据集进行归一化处理，得到历史时刻样本空间记录向量，采用双种群协同进化策略和反正切调整策略，计算支持向量机最佳性能参数组合粒子；所述双种群粒子群训练算法模块(2)样本空间记录特征矩阵进行归一化处理的具体方法为：对各维度特征变量分别进行线性变换，令各维度特征值被映射到[0，1]之间，转换函数如下：
[0031][0032]
式中，为归一化后样本空间记录特征矩阵第k条样本空间记录的第n个特征变量值；为样本空间记录特征矩阵第k条样本空间记录的第n个特征变量特征值；max(xn)
为样本空间记录特征矩阵第n个特征变量的最大值；min(xn)为样本空间记录特征矩阵第n个特征变量的最小值。
[0033]
所述双种群粒子群训练算法模块(2)的计算支持向量机最佳性能参数组合粒子具体方法为：
[0034]
第一步，初始化性能参数组合粒子(c，σ，ε)，其中，c为惩罚参数，σ为核函数参数，ε为损失函数参数；初始化惯性权重ω、加速因子、种群数量以及最大迭代次数；
[0035]
第二步，使用支持向量机对所述归一化处理后的所述双种群粒子群训练集进行回归训练(为归一化后第k条样本的空调负荷记录)，得到每个粒子的适应度值，记录粒子的个体最优位置和全局最优位置；
[0036]
第三步，根据所述双种群协同进化策略和反正切动态调整策略对位置和速度进行更新；定义性能参数组合粒子由i个粒子组成，分为：负责局部寻优群体q1和负责全局寻优群体q2；
[0037]
所述负责局部寻优群体q1采用快速收敛进化方程：
[0038]
q1：v
ij
(t+1)＝ω
×vij
(t)+c1×
rand()
×
[p
ij
(t)-x
ij
(t)]+c2×
rand()
×
[p
gj
(t)-x
ij
(t)]
[0039]
式中：v
ij
(t)为粒子在搜索空间的速度；ω为惯性权重，取0.3；c1和c2为加速因子；rand()为区间[0，1]中分布均匀的任意数；p
ij
(t)为当前粒子本身飞行过的最优位置；p
gj
(t)为粒子所对应的整个种群的最优位置；x
ij
(t)为粒子在搜索空间的位置；t，当前迭代次数；i，第i个粒子；j，第j个维度；
[0040]
所述负责全局寻优群体q2采用全局搜索进化方程：
[0041][0042]
式中：t
max
为最大迭代次数；
[0043]
利用反正切函数动态调整c1和c2的策略，更好平衡全局和局部搜索，分别为：
[0044][0045]
式中：c
1s
为c1初始值；c
1e
为c1终值；c
2s
为c2初始值；c
2e
为c2终值；e为调节系数，取0～10。
[0046]
第四步，再次使用支持向量机对所述归一化处理后的所述样本空间记录特征矩阵进行回归训练，得出每个粒子的适应度值，将每个粒子的当前位置及种群中所有粒子所经历的最好位置进行比较，若每个所述粒子的当前位置相对于所述经历的最好位置更优，则将其设置为当前最优位置值，否则保持原有最优位置值；
[0047]
第五部，返回第三步，当所述当前最优位置值满足所述最大迭代次数或达到预设的误差范围，输出当前所述支持向量机的最佳性能参数组合粒子(c
*
，σ
*
，ε
*
)。
[0048]
s3.支持向量机负荷预测：用于结合上一时刻环境、人员参数，利用历史训练集最佳性能参数组合粒子优化的支持向量，预测下一时刻中央空调系统负荷；
[0049]
第一步，以影响因素作为输入数据、负荷作为输出值构建原始训练样本集，清洗样本集的异常数据并进行归一化处理，获得模型训练集；
[0050]
第二步，利用模块(2)历史训练集最佳性能参数组合粒子优化的支持向量获得最佳性能参数组合粒子(c
*
，σ
*
，ε
*
)；
[0051]
第三步，根据最优参数组合，在训练集上利用十折交叉验证法，采用高斯核函数进行支持向量机训练，得到负荷预测模型。
[0052]
s4.全局参数寻优：以下一时刻空调系统能耗为优化目标，以下一时刻空调负荷、已知设备容量和控制阈值为约束条件，求解下一时刻最低能耗并得到系统全局决策最优变量值；
[0053]
第一步，建立下一时刻空调系统能耗目标函数；
[0054]
第二步，建立模块(3)预测的下一时刻空调负荷、已知设备容量和控制阈值约束条件；
[0055]
第三步，基于遗传算法求解下一时刻空调系统能耗最低值，获得该函数值对应的决策变量解，即为系统全局决策最优变量值。
[0056]
s5.控制参数结果输出：根据全局最优决策变量，输出系统下一时刻起始的各设备单元控制参数；
[0057]
第一步，根据下一时刻空调系统实时能耗最小值，得到对应的全局系统运行工况最优控制参数组合包括：制冷机组负荷率、出水温度，冷冻水泵流量，冷却水泵流量，冷却塔风机风量；
[0058]
第二步，通过本地可编程控制器把控制参数发送到各设备控制单元输入寄存器地址上：空调机组控制器、冷冻水泵变频器、冷却水泵变频器、冷却塔风机变频器，控制单元读取寄存器参数实现自动运行。
[0059]
本发明基于大数据采集模块挖掘环境参数、用户习惯和节假日规律等多特征变量，通过双种群粒子群训练模块优化支持向量机中央空调负荷预测模块，提高了预测精确度和参数寻优性能；以空调系统运行能耗最小化为目标，构建全局参数寻优模块，实现系统多参数快速寻优，保证系统运行的稳定性；利用机器学习智能算法，预测下一时刻空调系统逐时负荷，消除了常规“跟随控制”系统中出现的负荷变化反馈时滞和水温变化惯性，实现了控制的及时性和快速性，满足了中央空调系统综合能耗最优化，又能实现动态预测性智能化管理和稳定性控制。
[0060]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
[0061]
上述实施例只是为了说明本发明的技术构思及特点，其目的是在于让本领域内的
普通技术人员能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡是根据本发明内容的实质所做出的等效的变化或修饰，都应涵盖在本发明的保护范围内。