一种基于数据驱动的冷冻水出水温度设定值优化方法与流程

1.本发明涉及商用中央空调能耗优化节能技术领域，具体涉及一种基于数据驱动的冷冻水出水温度设定值优化方法。


背景技术：

2.商务办公园区的中央空调系统均采用独立机组运行方式，每栋办公大楼配备一套独立的制冷机组。数据显示，商务办公园区的能耗主要由建筑物的能耗构成，占园区能耗总量的70％，而建筑物的能耗中，空调系统占办公建筑物能耗的59.95％。降低商用中央空调的能耗符合国家节能环保及“双碳”政策，有效降低运营成本。
3.通过对室内温度需求和室外温湿度的分析，优化冷冻水出水温度设定值，找到下一时刻环境状态下对应的最佳设定值，可以降低能耗成本，节约电能。


技术实现要素：

4.本发明的目的在于提供一种基于数据驱动的冷冻水出水温度设定值优化方法，实现对最佳设定值的寻优。
5.本发明的方案是：
6.一种基于数据驱动的冷冻水出水温度设定值优化方法，包括下列步骤：
7.s10、通过传感器采集制冷机组相关运行数据data1；
8.s20、原始数据data1通过预处理之后得到建模数据data2；
9.s30、通过使用lightgbm算法对建模数据data2进行训练预测，得到预测模型；
10.s40、对冷冻水出水温度通过鱼群算法进行寻优，得到能耗最低时的最佳出水温度。
11.作为优选的技术方案，步骤s10中通过温湿度传感器、电表获取数据。
12.作为优选的技术方案，步骤s10中通过温湿度传感器获取当前室外温度，使用粒子滤波算法对室外温度进行预测，得到下一时刻的室外温度数据。
13.作为优选的技术方案，所述粒子滤波算法实现室外温度预测的具体步骤为：
14.1)粒子群初始化，对于时刻k＝0，由先验条件概率p(x0)中采样n个粒子，得到初始粒子集其中表示k＝0时的第i个粒子；
15.2)对于k＝1,2,...,循环执行下列步骤：
16.①
通过对重要性概率密度中生成的采样粒子计算权值的方式进行重要性采样，并对结果值进行归一化处理；
17.②
对粒子群进行重采样，并输出状态预估值；
18.3)输出室外温度预测值。
19.作为优选的技术方案，所述步骤s20的具体过程如下，
20.s201、由于数据采集周期不同，导致特征数据不匹配，需要通过合并小周期数据达
到数据统一的建模数据data2；
21.s202、对建模数据data2通过相关性分析得到影响重要的特征；
22.s203、将重要特征之后的建模数据data2存储在csv表。
23.作为优选的技术方案，所述步骤s30的具体过程如下，
24.s301、将建模数据data2按照8:2原则划分为训练集和测试集；
25.s302、将建模数据data2输入到lightgbm算法中，通过r2与均方误差mse来衡量模型的准确性；
[0026][0027][0028]
其中，m表示数据集大小，yi表示目标参数真实值，表示目标参数预测值，表示目标参数所有真实值的平均值。
[0029]
s303、对lightgbm算法模型文件进行保存。
[0030]
作为优选的技术方案，所述步骤s40的具体过程如下，
[0031]
s401、通过预测模型对室内温度和室外温度预测；
[0032]
s402、在取值范围内通过鱼群算法调整冷冻水出水温度；
[0033]
s403、对优化的出水温度结合室外温度进行室内温度和电能预测；
[0034]
s404、得到能耗预测最小且满足出水温度取值范围内的数值，该数值即为当前环境下的最佳冷冻水出水温度设定值。
[0035]
作为优选的技术方案，数据预处理通过相关性分析，对数据进行筛选，具体步骤为：
[0036]
1)确定数据分析的因变量和自变量；
[0037]
2)绘制散点图，观察两个变量是否有规律性变化；
[0038]
3)根据变量类型或正态性检验，选择皮尔逊相关系数公式进行计算；
[0039][0040]
其中，n表示数据集大小，xi表示参数真实值，表示参数所有真实值的平均值，yi表示参数真实值，表示参数所有真实值的平均值。
[0041]
4)计算相关系数r，评估相关程度，如果|r|》0.95，表示存在显著相关性；
[0042]
5)从业务层面与业务策略分析和判断给出结论。
[0043]
作为优选的技术方案，所述lightgbm算法，通过单边梯度采样、互斥特征合并、直方图算法方式实现。输入模型文件，模型迭代次数进行预测，输出预测结果。
[0044]
由于本发明采用了一种基于数据驱动的冷冻水出水温度设定值优化方法，包括下列步骤：s10、通过传感器采集制冷机组相关运行数据data1；s20、原始数据data1通过预处理之后得到建模数据data2；s30、通过使用lightgbm算法对建模数据data2进行训练预测，得到预测模型；s40、对冷冻水出水温度通过鱼群算法进行寻优，得到能耗最低时的最佳出水温度。
[0045]
与现有技术相比，本发明的有益效果为：针对室内温度的需求和可变的室外温湿度环境下进行能耗预测，以进一步应用在最佳冷冻水出水温度设定值优化中，最终在一定程度上降低制冷机的能耗，降低成本。
附图说明
[0046]
图1为本发明中最佳冷冻水出水温度设定值优化方法的流程图；
[0047]
图2为本发明中室外温度预测图；
[0048]
图3为本发明中lightgbm算法预测流程图；
[0049]
图4为制冷机能耗预测值与观测值曲线图。
具体实施方式
[0050]
为了弥补以上不足，本发明提供了一种基于数据驱动的冷冻水出水温度设定值优化方法以解决上述背景技术中的问题。
[0051]
一种基于数据驱动的冷冻水出水温度设定值优化方法，包括下列步骤：
[0052]
s10、通过传感器采集制冷机组相关运行数据data1；
[0053]
s20、原始数据data1通过预处理之后得到建模数据data2；
[0054]
s30、通过使用lightgbm算法对建模数据data2进行训练预测，得到预测模型；
[0055]
s40、对冷冻水出水温度通过鱼群算法进行寻优，得到能耗最低时的最佳出水温度。
[0056]
步骤s10中通过温湿度传感器、电表获取数据。
[0057]
步骤s10中通过温湿度传感器获取当前室外温度，使用粒子滤波算法对室外温度进行预测，得到下一时刻的室外温度数据。
[0058]
所述粒子滤波算法实现室外温度预测的具体步骤为：
[0059]
10)粒子群初始化，对于时刻k＝0，由先验条件概率p(x0)中采样n个粒子，得到初始粒子集其中表示k＝0时的第i个粒子；
[0060]
20)对于k＝1,2,...,循环执行下列步骤：
[0061]
201)通过对重要性概率密度中生成的采样粒子计算权值的方式进行重要性采样，并对结果值进行归一化处理；
[0062]
202)对粒子群进行重采样，并输出状态预估值；
[0063]
30)输出室外温度预测值。
[0064]
所述步骤s20的具体过程如下，
[0065]
s201、由于数据采集周期不同，导致特征数据不匹配，需要通过合并小周期数据达到数据统一的建模数据data2；
[0066]
s202、对建模数据data2通过相关性分析得到影响重要的特征；
[0067]
s203、将重要特征之后的建模数据data2存储在csv表。
[0068]
作为优选的技术方案，所述步骤s30的具体过程如下，
[0069]
s301、将建模数据data2按照8:2原则划分为训练集和测试集；
[0070]
s302、将建模数据data2输入到lightgbm算法中，通过r2与均方误差mse来衡量模
型的准确性；
[0071][0072][0073]
其中，m表示数据集大小，yi表示目标参数真实值，表示目标参数预测值，表示目标参数所有真实值的平均值。
[0074]
s303、对lightgbm算法模型文件进行保存。
[0075]
作为优选的技术方案，所述步骤s40的具体过程如下，
[0076]
s401、通过预测模型对室内温度和室外温度预测；
[0077]
s402、在取值范围内通过鱼群算法调整冷冻水出水温度；
[0078]
s403、对优化的出水温度结合室外温度进行室内温度和电能预测；
[0079]
s404、得到能耗预测最小且满足出水温度取值范围内的数值，该数值即为当前环境下的最佳冷冻水出水温度设定值。
[0080]
数据预处理通过相关性分析，对数据进行筛选，具体步骤为：
[0081]
1)确定数据分析的因变量和自变量；
[0082]
2)绘制散点图，观察两个变量是否有规律性变化；
[0083]
3)根据变量类型或正态性检验，选择皮尔逊相关系数公式进行计算；
[0084][0085]
其中，n表示数据集大小，xi表示参数真实值，表示参数所有真实值的平均值，yi表示参数真实值，表示参数所有真实值的平均值。
[0086]
4)计算相关系数r，评估相关程度，如果|r|》0.95，表示存在显著相关性；
[0087]
5)从业务层面与业务策略分析和判断给出结论。
[0088]
所述lightgbm算法，通过单边梯度采样、互斥特征合并、直方图算法方式实现。输入模型文件，模型迭代次数进行预测，输出预测结果。
[0089]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
[0090]
实施例
[0091]
如图1所示具体实施步骤为：
[0092]
s1、通过传感器采集制冷机组相关数据data1，具体步骤为：
[0093]
s1-1、通过控制柜采集传感器的运行数据：室内温度、室外温湿度、电表数值、制冷机组功率、冷冻水出水温度和冷冻水回水温度，使用粒子滤波算法实现室外温度预测如下：
[0094]
1)粒子群初始化，对于时刻k＝0，由先验条件概率p(x0)中采样n个粒子，得到初始粒子集其中表示k＝0时的第i个粒子；
[0095]
2)对于k＝1,2,...,循环执行下列步骤：
[0096]
(1)通过对重要性概率密度中生成的采样粒子计算权值的方式进行重要性采样，并对结果值进行归一化处理；
[0097]
(2)对粒子群进行重采样，并输出状态预估值；
[0098]
3)输出室外温度预测值；
[0099]
s1-2、将采集到的数据汇聚到云平台进行合并存储并展示；
[0100]
s2、原始数据data1通过预处理之后得到建模数据data2；
[0101]
s2-1、由于数据采集周期不同，导致特征数据不匹配，需要通过合并小周期数据达到数据统一的建模数据data2；
[0102]
s2-2、对建模数据data2通过相关性分析得到影响重要的特征，对数据进行筛选，步骤如下：
[0103]
1)确定数据分析的因变量和自变量；
[0104]
2)绘制散点图，观察两个变量是否有规律性变化；
[0105]
3)根据变量类型或正态性检验，选择皮尔逊相关系数公式进行计算；
[0106][0107]
其中，n表示数据集大小，xi表示参数真实值，表示参数所有真实值的平均值，yi表示参数真实值，表示参数所有真实值的平均值。
[0108]
4)计算相关系数r，评估相关程度，如果|r|》0.95，表示存在显著相关性；
[0109]
5)从业务层面与业务策略分析和判断给出结论。
[0110]
s2-3、将重要特征之后的建模数据data2存储在csv表。
[0111]
s3、通过使用lightgbm算法对建模数据data2进行训练预测，得到预测模型；
[0112]
s3-1、将建模数据data2按照8:2原则划分为训练集和测试集；
[0113]
s3-2、将建模数据data2输入到lightgbm算法中，搭建室内温度预测模型和电能耗电量预测模型，通过r2与均方误差mse来衡量模型的准确性；
[0114][0115][0116]
其中，m表示数据集大小，yi表示目标参数真实值，表示目标参数预测值，表示目标参数所有真实值的平均值。
[0117]
s3-3、对lightgbm算法模型文件进行保存。
[0118]
s4、对冷冻水出水温度通过鱼群算法进行寻优，得到能耗最低时的最佳出水温度。
[0119]
s4-1、通过预测模型对室内温度和室外温度预测；
[0120]
s4-2、在取值范围内通过鱼群算法调整冷冻水出水温度；
[0121]
s4-3、对优化的出水温度结合室外温度进行室内温度和电能预测；
[0122]
s4-4、得到能耗预测最小且满足出水温度取值范围内的数值，该数值即为当前环境下的最佳冷冻水出水温度设定值。
[0123]
图2示出了一种基于数据驱动的冷冻水出水温度设定值优化方法对室外温度预测的结果图。
[0124]
图3示出了一种基于数据驱动的冷冻水出水温度设定值优化方法使用lightgbm算法预测的流程图。
[0125]
图4示出了一种基于数据驱动的冷冻水出水温度设定值优化方法能耗对比图，验证了lightgbm算法所训练出的能耗模型的准确性，证明了本发明方法的可行性。
[0126]
本发明实施例还提供了一种工控机硬件，数据驱动优化实现与结果值返回给工控机实现上述的冷冻水出水温度设定值优化。工控机适用于包含冷水机组、多联机和空气源热泵在内的商用中央空调的优化节能，冷冻水温度传感器/冷冻水回水温度传感器安装在各自的制冷机冷冻水出水/进水管上。
[0127]
以上显示和描述了本发明的基本原理、主要特征及本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。