一种冷水主机单机能耗预测方法、系统及存储介质

1.本发明涉及中央空调冷水机组能耗预测技术领域，尤其涉及一种冷水主机单机能耗预测方法、系统及存储介质。


背景技术：

2.暖通空调系统作为建筑能耗中重要部分，对其能耗进行监测和预测是进一步进行节能控制的重要前提之一。目前，在大型空调系统中，冷水主机作为制冷的核心设备，其系统结构复杂，在工作时涉及到众多物理过程，因此，为了对空调系统的能耗进行合理预测，传统方法需要较多的专业理论知识。
3.随着计算设备算力的增强，机器学习已经广泛运用于工业领域。大型冷站中也配备了数据收集装置，有利于进行冷水主机能耗的数据驱动建模。由于冷水主机往往是多台并行运行，主机之间存在着较强的耦合性，各机器之间的相互作用会对单台冷机能耗产生一定影响，而对冷水主机能耗的研究一般聚焦于单个冷水主机或者整个冷站总体的情况，多台冷水主机之间的相互作用难以显式地表现出来，传统算法也难以直观地对输入变量之间的相互作用进行表征，图神经网络为解决不同输入变量之间的关联程度提供了一种重要途径，这种关联能一定程度上反应变量之间的关系以及相互作用。然而在传统图神经网络中，由节点和边组成的关联图并未有一种通用的构建方法。同时，由于外界环境的复杂性和多样性，冷水机组在不同时刻的运行工况可能有所不同，所述变量间的关联程度也会随着工况的波动产生变化，关联程度时变的特点对所述表征方法的实时性提出了更高要求。
4.因此，如何根据时间变化动态表征各种所采集数据之间的关联情况，根据这种关联情况和当前采集的数据实时地进行预测成为一个亟需解决的问题。


技术实现要素：

5.本发明提供了一种冷水主机单机能耗预测方法、系统及存储介质，以解决现有技术中存在的问题。
6.为了实现上述目的，本发明通过如下的技术方案来实现：
7.第一方面，本技术实施例提供一种冷水主机单机能耗预测方法，包括以下步骤：
8.获取待测建筑制冷站管理系统的运行数据集；
9.根据所述运行数据集的关联系数构建特征的全局关联邻接矩阵；
10.将所述运行数据集划分为若干个子集，根据每一个子集的关联系数构建特征的局部关联邻接矩阵；
11.基于所述全局关联邻接矩阵和所述局部关联邻接矩阵构建目标动态关联邻接矩阵；
12.基于所述目标动态关联邻接矩阵进行迭代训练得到目标图神经网络模型；
13.将实时获取的待测数据输入所述目标图神经网络模型，得到所述目标图神经网络模型输出的预测能耗。
14.可选地，所述根据所述运行数据集的关联系数构建特征的全局关联邻接矩阵，包括：
15.确定所述运行数据集的特征变量，计算所述特征变量之间的关联系数；
16.根据所述关联系数构建特征的全局关联邻接矩阵，其中，关联系数的绝对值用于表示特征变量之间的全局关联程度，所述全局关联邻接矩阵包含所述全局关联程度；
17.所述全局关联邻接矩阵为全局关系图的数学表征。
18.可选地，所述将所述运行数据集划分为若干个子集，包括：
19.对所述运行数据集进行连续的滑窗处理，得到连续的若干个子集。
20.可选地，所述根据每一个子集的关联系数构建特征的局部关联邻接矩阵，包括：
21.确定每一个子集中的特征变量，根据各子集中的数据计算所述各子集的特征变量间的关联系数；
22.根据各子集的特征变量间的关联系数构建特征的局部关联邻接矩阵，其中，各子集的特征变量间的关联系数的绝对值用于表示特征变量之间的局部关联程度，所述局部关联邻接矩阵包含所述局部关联程度；
23.所述局部关联邻接矩阵为局部关系图的数学表征。
24.可选地，所述目标动态关联邻接矩阵满足如下关系式：
25.a
dt
＝as[α+(1-α)a
vt
]，α∈[0，1]
[0026]
其中，a
dt
表示t时刻的目标动态关联邻接矩阵，as表示全局关联邻接矩阵，a
vt
表示t时刻的局部关联邻接矩阵，α表示公式的稳定系数。
[0027]
可选地，所述方法还包括：采用预设方式优化所述稳定系数；
[0028]
所述预设方式包括如下的至少一种：
[0029]
非梯度下降法或者梯度下降法。
[0030]
第二方面，本技术实施例还提供一种冷水主机单机能耗预测系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现第一方面所述的方法的步骤。
[0031]
第三方面，本技术实施例还提供一种计算机存储介质，其上存储有计算机程序，该程序被处理器执行时实现第一方面所述的方法的步骤。
[0032]
本发明具有以下有益效果：
[0033]
本发明提供的冷水主机单机能耗预测方法，通过建筑制冷站管理系统的运行数据集构建全局关联邻接矩阵和局部关联邻接矩阵，基于全局关联邻接矩阵和局部关联邻接矩阵构建目标动态关联邻接矩阵；基于目标动态关联邻接矩阵进行迭代训练得到目标图神经网络模型；将实时获取的待测数据输入目标图神经网络模型，得到目标图神经网络模型输出的预测能耗；这样，可以根据时间变化动态表征建筑制冷站管理系统的运行数据集中各数据之间的关联情况，根据这种关联情况和当前采集的数据实时地对冷水主机单机能耗进行预测。
附图说明
[0034]
图1为本发明优选实施例的一种冷水主机单机能耗预测方法的流程图之一；
[0035]
图2为本发明优选实施例的一种冷水主机单机能耗预测方法的流程图之二；
[0036]
图3为本发明优选实施例提供的关联矩阵的形式示意图；
[0037]
图4为本发明优选实施例提供的能耗预测方法与现有的预测方式的预测结果对比图。
具体实施方式
[0038]
下面对本发明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作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。
[0039]
请参见图1-图2，本技术实施例提供一种冷水主机单机能耗预测方法，包括以下步骤：
[0040]
步骤101、获取待测建筑制冷站管理系统的运行数据集。
[0041]
在该步骤中，建筑制冷站管理系统的运行数据集包括但不限于冷水主机运行数据、水泵运行数据、天气数据、时间数据在内的关键数据。此处仅作示例，不做限定。
[0042]
步骤102、根据运行数据集的关联系数构建特征的全局关联邻接矩阵。
[0043]
步骤103、将运行数据集划分为若干个子集，根据每一个子集的关联系数构建特征的局部关联邻接矩阵。
[0044]
步骤104、基于全局关联邻接矩阵和局部关联邻接矩阵构建目标动态关联邻接矩阵。
[0045]
步骤105、基于目标动态关联邻接矩阵进行迭代训练得到目标图神经网络模型。
[0046]
在该步骤中，目标图神经网络模型可以是图卷积网络与卷积神经网络结合而成的图时空神经网络。在进行迭代训练时，将目标动态关联邻接矩阵和采集的运行数据集输入至目标图神经网络模型进行迭代训练，通过网络的训练迭代不断缩小模型的拟合能耗数值与实际能耗数值之间的差距。直到得到精度符合要求的模型时停止训练并保存模型。
[0047]
步骤106、将实时获取的待测数据输入目标图神经网络模型，得到目标图神经网络模型输出的预测能耗。
[0048]
上述的冷水主机单机能耗预测方法，通过建筑制冷站管理系统的运行数据集构建全局关联邻接矩阵和局部关联邻接矩阵，基于全局关联邻接矩阵和局部关联邻接矩阵构建目标动态关联邻接矩阵；基于目标动态关联邻接矩阵进行迭代训练得到目标图神经网络模型；将实时获取的待测数据输入目标图神经网络模型，得到目标图神经网络模型输出的预测能耗；这样，可以根据时间变化动态表征建筑制冷站管理系统的运行数据集中各数据之间的关联情况，根据这种关联情况和当前采集的数据实时地对冷水主机单机能耗进行预测。
[0049]
可选地，所述根据所述运行数据集的关联系数构建特征的全局关联邻接矩阵，包括：
[0050]
确定所述运行数据集的特征变量，计算所述特征变量之间的关联系数；
[0051]
根据所述关联系数构建特征的全局关联邻接矩阵，其中，关联系数的绝对值用于表示特征变量之间的全局关联程度，所述全局关联邻接矩阵包含所述全局关联程度；
[0052]
所述全局关联邻接矩阵为全局关系图的数学表征。
[0053]
在本可选的实施方式中，运行数据集的特征变量可以是主机j冷凝器趋近温度
(t
cond_j
)、主机j蒸发器趋近温度(t
evap_j
)、主机j冷凝压力(p
cond_j
)、主机j蒸发压力(p
evap_j
)、主机j功率(powerj)、主机j冷冻水流量(qj)、主机j制冷量(rj)、主机j能效比(copj)、主机j冷冻水进水温度(t
chi_j
)、主机j冷冻水出水温度(t
cho_j
)、主机j冷却水进水温度(t
ci_j
)、主机j冷却水出水温度(t
co_j
)、室外湿球温度(t
wet
)、数据采集的星期或者月份日期小时(time)、主机j的开关情况(ioj)、主机启动数量(n)。此处仅作示例，不做限定。
[0054]
其中，全局关系图包括节点和边，全局关系图中的节点表示特征变量，边表示特征变量之间的关系，特征变量之间的关联程度被视作节点之间距离的度量标准，当两个节点之间的关联程度越高，视作距离越小，两个节点之间的数据在进行信息聚合时融合程度越高。
[0055]
对所有特征变量进行计算，得到两两间关联程度按顺序排列组合形成的以延对角线对称的全局关联邻接矩阵，其中，关联邻接矩阵的形式如图3所示，所述全局关联邻接矩阵表征了全局关系图的结构，同时反映了各特征变量之间的关联关系。
[0056]
具体地，全局关联邻接矩阵可以满足如下关系式：
[0057][0058]
其中，a
mn
表示关联邻接矩阵第m行第n列的数值，|correlate(xm，xn)|为特征xm与特征xn相关系数的绝对值，特殊的，在m＝n时，表示特征本身的关联程度设置为0。σ表示关系阈值，当特征间关联系数的绝对值小于σ时，相应位置的关联数值a
mn
设置为0。
[0059]
在本可选的实施方式中，通过构建全局关系图，可以充分发掘各数据之间的关联关系，直观地反映的数据关联程度。可为网络训练提供足够多的数据信息，保证预测结果的准确性，同时可为目标动态关联邻接矩阵的构建提供数据信息。
[0060]
可选地，所述将所述运行数据集划分为若干个子集，包括：
[0061]
对所述运行数据集进行连续的滑窗处理，得到连续的若干个子集。
[0062]
在本可选的实施方式中，数据集各子集所包含的特征数量相同。
[0063]
可选地，所述根据每一个子集的关联系数构建特征的局部关联邻接矩阵，包括：
[0064]
确定每一个子集中的特征变量，根据所述各子集中的数据计算所各述子集的特征变量间的关联系数；
[0065]
根据各子集的特征变量间的关联系数构建特征的局部关联邻接矩阵，其中，各子集的特征变量间的关联系数的绝对值用于表示特征变量之间的局部关联程度，所述局部关联邻接矩阵包含所述局部关联程度；
[0066]
所述局部关联邻接矩阵为局部关系图的数学表征。
[0067]
在本可选的实施方式中，运行数据集记为d，每一个子集记为d
t
，特征变量记为xi。对子集中的特征变量进行两两间关联关系分析所使用的方法包括但不限于斯皮尔曼相关性分析，皮尔森相关系数，余弦相似度、数据欧氏距离倒数。此处仅作示例，不做限定。
[0068]
其中，构建局部关系图和局部关联邻接矩阵的方式与上述构建全局时的方式一致，此处，不做赘述。
[0069]
可选地，所述目标动态关联邻接矩阵满足如下关系式：
[0070]adt
＝as[α+(1-α)a
vt
]，α∈[0，1]
[0071]
其中，a
dt
表示t时刻的目标动态关联邻接矩阵，as表示全局关联邻接矩阵，a
vt
表示t
时刻的局部关联邻接矩阵，α表示公式的稳定系数。
[0072]
在本可选的实施方式中，通过目标动态关联邻接矩阵实现数据之间的关联性构建，反映了各传感器之间的数据关联程度，能建立起各传感器之间的数据的空间关联性，加强网络对现实信息的提取能力。关系阈值能对特征关联性做出合理限定，排除不必要的数据关联以减小运算量。
[0073]
可选地，所述方法还包括：采用预设方式优化所述稳定系数；
[0074]
所述预设方式包括如下的至少一种：
[0075]
非梯度下降法或者梯度下降法。
[0076]
在本可选的实施方式中，通过优化所述稳定系数，可以改变全局关联程度与局部关联程度的比例关系，可以实现根据计算机处理能力进行灵活调节网络模型，能提升网络模型的适应性。
[0077]
在一示例中，在构建全局关联邻接矩阵或者局部关联邻接矩阵，可以取关系阈值为0，在训练网络过程中，将稳定系数作为待训练参数，目标动态关联邻接矩阵a
dt
和对应子集d
t
通过时空图神经网络利用梯度下降法进行模型训练，缩小模型预测值和实际值的差距，直到得到精度符合要求的模型时停止训练并保存模型。
[0078]
将已经训练完成的模型在系统及存储介质上运行，实时地根据历史数据和最新实况数据更新动态关联邻接矩阵，进行冷水主机能耗预测并保存数据至指定储存介质以供后续调用。
[0079]
采用本实施例中的方法，对使用时空图神经网络训练出的模型在测试集上进行效果分析，并采用较为成熟的卷积神经网络和长短期记忆神经网络进行能耗预测效果对比，结果如图4所示，可见采用本发明的模型在主机运行时能耗预测的准确率要高于其他两模型。
[0080]
综上，以时空图神经网络模型为基础，利用历史数据和实时数据构建动态关联邻接矩阵，时空图神经网络在时间域和空间域分别对数据进行了卷积操作，时间域卷积的引入保证了模型可提取数据时间域的高阶特征，空间域卷积保证了动态关联邻接矩阵提供的特征间关联信息的充分利用，在进行冷水主机单机能耗预测时，本实施例中的方法可以充分考虑其他并行主机以及其他变量对目标主机能耗的影响，另外，动态关联邻接矩阵的引入使得关联信息具备了更强的实时更新性，可以及时反映冷站中多台冷水主机在不同工况下共同运行时丰富的关联信息。
[0081]
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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。