一种冷水主机单机能耗预测方法、系统及存储介质技术方案

本发明专利技术涉及中央空调冷水机组能耗预测技术领域，公开了一种冷水主机单机能耗预测方法、系统及存储介质，该方法包括获取待测建筑制冷站管理系统的运行数据集；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；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；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，得到预测能耗，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，实时地对冷水主机单机能耗进行预测。实时地对冷水主机单机能耗进行预测。实时地对冷水主机单机能耗进行预测。

【技术实现步骤摘要】
一种冷水主机单机能耗预测方法、系统及存储介质


[0001]本专利技术涉及中央空调冷水机组能耗预测
，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。

技术介绍

[0002]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。
[0003]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。
[0004]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。

技术实现思路

[0005]本专利技术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。
[0006]为了实现上述目的，本专利技术通过如下的技术方案来实现：
[0007]第一方面，本申请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：
[0008]获取待测建筑制冷站管理系统的运行数据集；
[0009]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；
[0010]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；
[0011]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；
[0012]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；
[0013]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。
[0014]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：
[0015]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；
[0016]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；
[0017]所述全局关联邻接矩阵为全局关系图的数学表征。
[0018]可选地，所述将所述运行数据集划分为若干个子集，包括：
[0019]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。
[0020]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：
[0021]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；
[0022]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；
[0023]所述局部关联邻接矩阵为局部关系图的数学表征。
[0024]可选地，所述目标动态关联邻接矩阵满足如下关系式：
[0025]A
dt
＝A
s
[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，A
s
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，本申请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，本申请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]本专利技术具有以下有益效果：
[0033]本专利技术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为本专利技术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为本专利技术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为本专利技术优选实施例提供的关联矩阵的形式示意图；
[0037]图4为本专利技术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]下面对本专利技术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专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。
[0039]请参见图1
‑
图2，本申请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10本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种冷水主机单机能耗预测方法，其特征在于，包括以下步骤：获取待测建筑制冷站管理系统的运行数据集；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；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；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；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；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。2.根据权利要求1所述的冷水主机单机能耗预测方法，其特征在于，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：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；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；所述全局关联邻接矩阵为全局关系图的数学表征。3.根据权利要求1所述的冷水主机单机能耗预测方法，其特征在于，所述将所述运行数据集划分为若干个子集，包括：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。4.根据权利要求2所述的冷水主机单机能耗预测方法，其特征在于，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：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...

【专利技术属性】
技术研发人员：陈志文，赵正润，邓撬，唐鹏，骆伟超，樊欣宇，蒋朝辉，
申请(专利权)人：中南大学，
类型：发明
国别省市：