一种大数据空调系统动态智能预测系统建模方法技术方案

一种大数据空调系统动态智能预测系统建模方法，包括以下步骤：S1、建立冷源系统的BP神经网络能耗预测模型：对已知的空调实际运行的能耗数据进行去趋势去周期处理：得到去趋势和去周期处理后的时间序列的能耗值；然后建立三层BP神经网络模型并对该模型进行训练，最后将BP网络的输出预测结果转换成空调系统冷源系统的能耗需求预测值；S2、遗传算法优化神经网络：将初始BP网络的权值和阈值编码成染色体，通过遗传算法配置BP神经网络，最后得到优化后的BP神经网络。本设计不仅能够有效提高预测精度，而且能够实现全局优化使预测结果更加贴合实际。贴合实际。贴合实际。

【技术实现步骤摘要】
一种大数据空调系统动态智能预测系统建模方法


[0001]本专利技术涉及一种大数据空调系统动态智能预测系统建模方法，具体适用于降低训练精度和预测精度的相对误差。

技术介绍

[0002]国内外学者在建筑节能领域已有诸多研究，目前主要可以从两个方面持续推动建筑的节能降耗：一是加快推进以装配式建筑为代表的新型建筑的工业化进程。例如，通过门窗流失的建筑能耗占比高达51％，因此可以在结构形式、材料、装配工艺等方面加强节能门窗的研究；二是通过提高绿色建筑的建设和管理水平、促进可再生能源高质量的应用、提高新建筑的节能标准水平和提高已有建筑的能效和等措施，减少建筑运行能耗。在建筑运行耗能方面，空调系统运行是建筑能耗的主要设备，能占到建筑运行耗能的30％，将该领域与传感器技术、通信技术和先进的控制算法相结合进行空调运行控制的优化策略研究，以优化能源利用，达到节能目的一直是国内外学者研究的重点。而对空调系统冷源系统的能耗的准确预测是做好空调系统节能运行的重要前提。
[0003]一般来说，每栋建筑或每户家庭都由多个持续或定期使用的电器负载组成，包括照明、电机、空调系统和其他一些设备(如计算机、打印机、电视、移动电话等)。但总的来说，空调系统消耗了最多的电力能源。由于建筑内部系统的复杂性，特定建筑内能源电力的消耗通常受许多因素的影响，很难实现最优控制。在空调用电期间，想要获得稳定的能源供应，长久以来都依靠操作管理者的经验和直觉。然而目前除了稳定的能源供应外，消费者还要求节约能源和成本，再加之考虑随季节和时间变化的能量需求以及相应的能耗成本，操作管理者很难很好的操作设备。
[0004]那么，在提倡节能减排的大环境和消费者想要降低成本的需求的条件下，需要一个可以给操作管理者提供能耗信息的咨询系统或设备。该咨询系统的主要功能是准确预测能源需求，来作为运行规划的基本条件，并能从节约能源、节约成本和保证能源供给稳定等角度，根据预测的能源需求适当的给出系统的运行规划。

技术实现思路

[0005]本专利技术的目的是克服现有技术中存在的易陷入局部最优的问题，提供了一种能够考虑全局的大数据空调系统动态智能预测系统建模方法。
[0006]为实现以上目的，本专利技术的技术解决方案是：
[0007]一种大数据空调系统动态智能预测系统建模方法，包括以下步骤：
[0008]S1、建立冷源系统的BP神经网络能耗预测模型：
[0009]对已知的空调实际运行的能耗数据进行去趋势去周期处理：将空调的实际运行能耗数据以Δt＝1h采样，得到时间序列的能耗值O
t
(t＝1,2,
…
)，之后对该时间序列的能耗数据做去趋势和去周期处理，得到去趋势和去周期处理后的时间序列的能耗值w
t
；然后建立三层BP神经网络模型并应用已知的空调运行数据对该模型进行训练，最后将BP网络的输
出预测结果转换成空调系统冷源系统的能耗需求预测值；
[0010]S2、遗传算法优化神经网络：
[0011]将初始BP网络的权值和阈值编码成染色体，生成初始种群后，经过每一代种群个体间的选择、交叉和变异操作产生下一代新种群；依据迭代完成后的种群中适应度值最高的个体的基因值，配置BP神经网络，经过训练后便得到优化后的BP神经网络。
[0012]所述S1、建立冷源系统的BP神经网络能耗预测模型：
[0013]S1.1、对已知的空调实际运行的能耗数据进行去趋势去周期处理：
[0014]将空调的实际运行能耗数据以Δt＝1h采样，得到时间序列的能耗值O
t
(t＝1,2,
…
)，之后对该时间序列的能耗数据做去趋势和去周期处理，得到去趋势和去周期处理后的时间序列的能耗值w
t
；
[0015]S1.1.1、去趋势处理：
[0016]从数据中删除趋势利于集中分析数据趋势本身的波动，采用差分法来去除数据中的线性趋势；一阶差分如式1所示：
[0017][0018]上式中，是普通差分算子，O
t
为在时间t时空调的能耗值，O
t
‑1为在时间t
‑
1时空调的能耗值；
[0019]执行上述操作d次，d阶差分得到u
t
，如式2所示：
[0020][0021]上式中，表示从d个元素中选择e个元素的组合数，u
t
表示去趋势处理后的时间序列的能耗值；
[0022]S1.1.2、去周期处理：
[0023]由于能耗需求是以24h的周期变化的，使用季节差分去除时间序列的周期性趋势，一次去周期处理如式3所示：
[0024][0025]其中，为去周期操作算子，u
t
表示去趋势处理后的时间序列的能耗值，s为一日内的采样次数，s＝24；
[0026]重复执行上述操作D次，即D次去周期操作后得w
t
，w
t
的值如式4所示：
[0027][0028]上式中，表示从d个元素中选择e个元素的组合数，u
t
表示去趋势处理后的时间序列的能耗值，w
t
表示去趋势、去周期处理后的时间序列的能耗值；
[0029]S1.2、建立三层神经网络模型
[0030]BP神经网络由n个输入层神经元、h个隐含层神经元和m个输出层神经元组成，由于只有能耗预测值一个输出，故输出层的神经元数量设定为m＝1；
[0031]BP神经网络的输入包括：经去趋势去周期处理的p个时间序列数据w
t+l
‑1、 w
t+l
‑2、
…
、w
t+l
‑
p
和对应的室外温度、空气相对湿度数据；BP神经网络的输入层神经元数量应为p+2个，网络的输出为：在时间t时预测的时间t+l(l＝1,2,
…
,L)时的能耗需求w
t+l|t
,其中
l≤s；
[0032]设网络的输入模式为x＝(x1,x2,
…
,x
n
)
T
，隐含层的输出为y＝(y1,y2,
…
,y
h
)
T
，输出层的输出为z＝(z1,z2,
…
,z
m
)
T
，隐含层到输出层的传递函数为f，输出层的传递函数为g，于是可以得到隐含层和输出层的输入输出关系以及输出层的输入输出关系，如式5、式6所示：
[0033][0034][0035]上式中，w
ij
为输入层第i个神经元和隐含层第j个神经元之间的权值，η
j
为隐含层第j个神经元的阈值，w
jk
为隐含层第j个神经元和输出层第k个神经元之间的权值，θ
k
为输出层第k个神经元的阈值；
[0036]隐含层与输本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种大数据空调系统动态智能预测系统建模方法，其特征在于：所述智能预测方法包括以下步骤：S1、建立冷源系统的BP神经网络能耗预测模型：对已知的空调实际运行的能耗数据进行去趋势去周期处理：将空调的实际运行能耗数据以Δt＝1h采样，得到时间序列的能耗值O
t
(t＝1，2，...)，之后对该时间序列的能耗数据做去趋势和去周期处理，得到去趋势和去周期处理后的时间序列的能耗值w
t
；然后建立三层BP神经网络模型并应用已知的空调运行数据对该模型进行训练，最后将BP网络的输出预测结果转换成空调系统冷源系统的能耗需求预测值；S2、遗传算法优化神经网络：将初始BP网络的权值和阈值编码成染色体，生成初始种群后，经过每一代种群个体间的选择、交叉和变异操作产生下一代新种群；依据迭代完成后的种群中适应度值最高的个体的基因值，配置BP神经网络，经过训练后便得到优化后的BP神经网络。2.根据权利要求1所述的一种大数据空调系统动态智能预测系统建模方法，其特征在于：所述S1、建立冷源系统的BP神经网络能耗预测模型：S1.1、对已知的空调实际运行的能耗数据进行去趋势去周期处理：将空调的实际运行能耗数据以Δt＝1h采样，得到时间序列的能耗值O
t
(t＝1，2，...)，之后对该时间序列的能耗数据做去趋势和去周期处理，得到去趋势和去周期处理后的时间序列的能耗值w
t
；S1.1.1、去趋势处理：从数据中删除趋势利于集中分析数据趋势本身的波动，采用差分法来去除数据中的线性趋势；一阶差分如式1所示：上式中，是普通差分算子，Ot为在时间t时空调的能耗值，O
t
‑1为在时间t
‑
1时空调的能耗值；执行上述操作d次，d阶差分得到u
t
，如式2所示：上式中，表示从d个元素中选择e个元素的组合数，u
t
表示去趋势处理后的时间序列的能耗值；S1.1.2、去周期处理：由于能耗需求是以24h的周期变化的，使用季节差分去除时间序列的周期性趋势，一次去周期处理如式3所示：其中，为去周期操作算子，u
t
表示去趋势处理后的时间序列的能耗值，s为一日内的采样次数，s＝24；重复执行上述操作D次，即D次去周期操作后得w
t
，w
t
的值如式4所示：
上式中，表示从d个元素中选择e个元素的组合数，u
t
表示去趋势处理后的时间序列的能耗值，w
t
表示去趋势、去周期处理后的时间序列的能耗值；S1.2、建立三层神经网络模型BP神经网络由n个输入层神经元、h个隐含层神经元和m个输出层神经元组成，由于只有能耗预测值一个输出，故输出层的神经元数量设定为m＝1；BP神经网络的输入包括：经去趋势去周期处理的p个时间序列数据w
t+l
‑1、w
t+l
‑2、
…
、w
t+l
‑
p
和对应的室外温度、空气相对湿度数据；BP神经网络的输入层神经元数量应为p+2个，网络的输出为：在时间t时预测的时间t+l(l＝1，2，...，L)时的能耗需求w
t+l|t
，其中l≤s；设网络的输入模式为x＝(x1，x2，...，x
n
)
T
，隐含层的输出为y＝(y1，y2，...，y
h
)
T
，输出层的输出为z＝(z1，z2，...，z
m
)
T
，隐含层到输出层的传递函数为f，输出层的传递函数为g，于是可以得到隐含层和输出层的输入输出关系以及输出层的输入输出关系，如式5、式6所示：是可以得到隐含层和输出层的输入输出关系以及输出层的输入输出关系，如式5、式6所示：上式中，w
ij
为输入层第i个神经元和隐含层第j个神经元之间的权值，η
j
为隐含层第j个神经元的阈值，w
jk
为隐含层第j个神经元和输出层第k个神经元之间的权值，θ
k
为输出层第k个神经元的阈值；隐含层与输出层的传递函数为f和输出层的传递函数为g均选用双极Sigmoid函数作为激活函数，双极Sigmoid函数f(x)为式7：式中，a为0～10之间的常数，x表示输入层的输入量；在选取最佳隐含层神经元数量时主要参考下式：式中，a为0～10之间的常数，n表示输入层的神经元数量，m表示输出层的神经元数量；通过测试不同隐含层神经...

【专利技术属性】
技术研发人员：潘林，李奥，王千逸，张舒怡，王升，卢镜明，王雷冲，
申请(专利权)人：武汉理工大学，
类型：发明
国别省市：