本发明涉及计算机应用技术领域,具体为一种基于支持向量机的换热站温度控制模型建模方法。
背景技术:
供热系统的热负荷是一直变化着的,它是随着室外气象条件的变化而改变的。当室外温度较高,阳光照射强烈,风速较低时,供热系统热负荷就低;当室外温度较低,阳光照射不明显,风速较大时,供热系统热负荷就高。换热站自动化系统将以上规律作为调节依据来优化控制二次侧供水温度,使供热量的变化与热负荷的变化相适应,确保用户的室内温度维持基本恒定。目前主要控制温度的方法有分时、分阶段和气候补偿等。
现有申请号cn201711021896.1的发明公开了一种温度控制装置及其控制方法。
该发明虽然解决了一些问题,但是在使用时依然存在以下等问题需要解决:
1、该发明在不同温度区间以不同参数组合来设定比例积分微分(proportional-integral-derivative,pid)控制器的控制参数,其计算方式使得温度控制的精准度受到影响,降低工作效率的同时造成一定的能源浪费;
2、该发明虽然可以避免在暂态响应区间内,风扇转速因温度差及控制参数的加乘而急剧攀升进而导致过度冷却的情况,以及避免在进入稳态响应区域前环境温度或元件温度过冲的情况,但是实时性较差,当温度变化时,需要较长的时间进行调整,降低了工作效率。
于是,本申请人秉持多年该相关行业丰富的设计开发及实际制作的经验,针对现有的结构及缺失予以研究改良,提供一种基于支持向量机的换热站温度控制模型建模方法,以期达到更具有更加实用价值性的目的。
技术实现要素:
(一)解决的技术问题
针对现有技术的不足,本发明提供了一种基于支持向量机的换热站温度控制模型建模方法,解决了在现有技术中,控制温度的方法在实时性和精度方面都有所欠缺的问题。
(二)技术方案
为实现以上目的,本发明通过以下技术方案予以实现:一种基于支持向量机的换热站温度控制模型建模方法,包括如下步骤:
s1、确定模型变量:确定建模所用的输入输出数据,即模型变量;
s2、数据预处理:收集数据,对获取到的数据进行预处理,将其分类为训练集和验证集;
s3、选取损失函数:为模型选取合适的损失函数;
s4、选取核函数:为模型选取合适的核函数;
s5、选取模型参数:训练支持向量回归机,选取合适的参数,作为模型的结构参数;
s6、模型计算:将模型输入变量的实际值代入训练后的模型,计算出二次侧供水温度。
优选的,在步骤s1中,模型的输入变量有室外温度、室内温度、一次侧供水温度、一次侧瞬时热量的实际值,输出变量为二次侧供水温度的设定值。
优选的,在步骤s2中,收集数据的时间步长为五分钟,数据的预处理是指将实际数据分为有效数据和无效数据,并从有效数据中分出两类为训练集和验证集。
优选的,在步骤s3中,使用ε-不敏感损失函数作为温度控制模型的损失函数,公式为
优选的,在步骤s4中,选择高斯径向基核函数作为温度控制模型的核函数,公式为
优选的,在步骤s5中,温度控制模型的训练是求解一个大规模的二次规划问题,并采用quadprog算法来求解。
优选的,在步骤s5中,采用交叉验证的方法来训练温度模型,调整模型结构参数,交叉验证:将原始数据均分成k组,将每个子集数据分别做一次验证集,其余的k-1组子集数据作为训练集,这样会得到k个模型参数,在其中挑选一个最佳的参数作为最终的模型参数。
优选的,在步骤s6中,采用训练后的温度控制模型来计算换热站的二次侧供水温度,辅助自动化系统进行工况调节。
(三)有益效果
本发明提供了一种基于支持向量机的换热站温度控制模型建模方法。具备以下有益效果:
(1)、该基于支持向量机的换热站温度控制模型建模方法,通过确定模型输入输出变量、损失函数和核函数来建立温度模型,并采用交叉验证的方法对温度模型进行训练,优化自动化系统的控制能力,有助于提供一个稳定恰当的热负荷,从而增加了温度控制的精准度。
(2)、该基于支持向量机的换热站温度控制模型建模方法,通过选择ε-不敏感损失函数和高斯径向基核函数,并结合二次规划问题的思路,采用quadprog算法来求解出最佳的温度模型。最后采用交叉验证的方法来训练温度模型,选取出最佳的模型参数,可以避免模型参数引起的准确度不高、计算结果差异较大等问题,从而加强了温度控制的实时性。
附图说明
图1为本温度控制模型的建立步骤流程图。
图2为本温度控制模型中交叉验证训练模型的流程图。
具体实施方式
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、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
请参阅图1-2,本发明提供一种技术方案:一种基于支持向量机的换热站温度控制模型建模方法,包括如下步骤:
s1、确定模型变量:确定建模所用的输入输出数据,即模型变量(模型的输入变量有室外温度、室内温度、一次侧供水温度、一次侧瞬时热量的实际值,输出变量为二次侧供水温度的设定值);
s2、数据预处理:收集数据,对获取到的数据进行预处理,将其分类为训练集和验证集(收集数据的时间步长为五分钟,数据的预处理是指将实际数据分为有效数据和无效数据,并从有效数据中分出两类为训练集和验证集),其具体操作如下:通过对不同损失函数的比较后,选取拥有支持向量的稀疏性特点、在进行大量数据训练时拥有更快的速度和更小的存储空间的ε-不敏感损失函数,公式为:
在线性函数集中选择一个估计回归函数,如下式所示
f(x)=(w·x)+bw,x∈rn,b∈r
(1.1)
其中,(x1,y1),…,(xl,yl)是独立同分布的数据,b为偏置量。解决回归估计问题的重点在于w和b,其中w为待求的函数关系式,使得对于非样本的输入数据x,|f(x)-(w·x)-b|≤ε成立。求解式(1.1)的参数相当于求解在(1.3)式的约束条件下,求解式(1.2)最小值的优化问题。
约束条件为:
为了保证式(1.2)有解,在这里通过系统输出结果的约束条件的上界和下界(即松弛变量ξ,ξ*),将问题化为求解在式(1.5)的约束条件下,求解式(1.4)的最小值的问题。
约束条件为:
其中,c>0为指定的常数,用来表示函数f的复杂度与容许偏离量ε的数值之间的折中。
通过分析可以看出该问题是一个凸二次优化问题,在这里引用拉格朗日函数可以得到优化的初始问题:
其中,w,b,ξi,
将式(1.7)带入式(1.6),转化为初始问题的对偶优化,即在约束条件式(1.9)下,对
约束条件为:
它对应的库恩塔克(kkt条件)互补条件为
ai(yi-(w·xi)-b-ε-ξi)=0i=1,2,…,l
综合求解出w和待估计函数f:
其中与
为了解决支持向量回归机的非线性问题,首先将训练数据集映射到高维特征空间中,把非线性问题转化为高维特征空间中的线性问题,最后利用核函数k(x,x’)来替换点积,得到新的回归函数:
s3、选取损失函数:为模型选取合适的损失函数(使用ε-不敏感损失函数作为温度控制模型的损失函数,公式为
s4、选取核函数:为模型选取合适的核函数(选择高斯径向基核函数作为温度控制模型的核函数,公式为
s5、选取模型参数:训练支持向量回归机,选取合适的参数,作为模型的结构参数(温度控制模型的训练是求解一个大规模的二次规划问题,并采用quadprog算法来求解,采用交叉验证的方法来训练温度模型,调整模型结构参数,交叉验证:将原始数据均分成k组,将每个子集数据分别做一次验证集,其余的k-1组子集数据作为训练集,这样会得到k个模型参数,在其中挑选一个最佳的参数作为最终的模型参数);
s6、模型计算:将模型输入变量的实际值代入训练后的模型,计算出二次侧供水温度(采用训练后的温度控制模型来计算换热站的二次侧供水温度,辅助自动化系统进行工况调节),具体计算方式如下:
确定拥有数字问题少、参数少、映射到跟高维空间优点的高斯径向基核函数,公式为
向量x的2-范数的定义为:
同样,向量xi-xj的2-范数可表示为:
此时核函数变为如下形式:
步骤四、结合上述核函数,得到温度控制模型的公式为
上面数学模型中的σ2、ai、
综上所述,该基于支持向量机的换热站温度控制模型建模方法,通过确定模型输入输出变量、损失函数和核函数来建立温度模型,并采用交叉验证的方法对温度模型进行训练,优化自动化系统的控制能力,有助于提供一个稳定恰当的热负荷,从而增加了温度控制的精准度;
同时,通过选择ε-不敏感损失函数和高斯径向基核函数,并结合二次规划问题的思路,采用quadprog算法来求解出最佳的温度模型。最后采用交叉验证的方法来训练温度模型,选取出最佳的模型参数,可以避免模型参数引起的准确度不高、计算结果差异较大等问题,从而加强了温度控制的实时性。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。