一种用于中央空调的能耗优化方法及数据采集系统技术方案

本发明专利技术公开了一种用于中央空调的能耗优化方法及数据采集系统，属于中央空调系统能源预测与优化技术领域。本发明专利技术采用卷积计算方式可有效缓解多变量与众多时间步构成的数据集计算量，受到感受野的限制，单通道卷积核对特征相关性初步提取能力有限，采用经验模态分解提取多个本征模函数，并联合原始数据集构成多通道数据集，有助于卷积计算时提取参数间特征，针对多步预测的非线性问题通过残差连接拓展神经网络深度，能够有效提升精度。对于粒子群优化算法，引入小生境法则并采用异步更新方式进行改进，并采用频繁模式增长算法获取运行参数之间的关联规则，赋予了优化算法的参数关联性，提高数据处理精度，达到调整中央空调参数实现降低功耗的目的。数实现降低功耗的目的。数实现降低功耗的目的。

【技术实现步骤摘要】
一种用于中央空调的能耗优化方法及数据采集系统


[0001]本专利技术属于中央空调系统能源预测与优化的
，涉及一种可用于中央空调的能耗预测与实时优化方法。

技术介绍

[0002]中央空调系统作为典型的空气调节装置，因其体量大工作时间长等特点，其能耗在建筑能耗中占比非常高，因此针对中央空调系统的节能研究对节能减排有着重要意义。
[0003]对中央空调系统进行节能研究首先需要有一个准确的模型，目前主要采用少数关键参数进行辨识拟合或搭建神经网络两种方式。针对中央空调的复杂系统参数辨识方法往往需要对多个子设备进行单独辨识拟合，最后进行结果整合，这就会导致每个子设备的辨识误差进行积累，而神经网络普遍采用反向传播神经网络，其全连接特性导致难以针对较多变量的建模。此外，两者普遍是单步预测方式，受中央空调大时滞性的影响，其运用于实际工况的预测效果一般。对于系统能耗优化，中央空调作为一个强耦合系统，目前优化算法普遍是没有能够附带优化参数的关联性，这也会导致最终优化的参数可能脱离实际运行特性，使得优化的效果受到影响。

技术实现思路

[0004]本专利技术针对
技术介绍
中少变量单步预测的效果不佳问题，以及缺乏参数的关联性导致实际优化效果不佳的问题，提出了一种能够进行多步长时间的系统能耗预测方法，并在优化算法中融合运行参数的关联特性。
[0005]解决其技术问题所采用的技术方案是：一种用于中央空调的能耗优化方法，中央空调作为复杂的多变量非线性系统，采用卷积计算方式可以有效缓解多变量与众多时间步构成的数据集计算量，受到感受野的限制，单通道卷积核对特征相关性初步提取能力有限，采用经验模态分解提取多个本征模函数，并联合原始数据集构成多通道数据集，有助于卷积计算时提取参数间特征。针对多步预测的非线性问题通过残差连接拓展神经网络深度，能够有效提升预测精度。对于粒子群优化算法，引入小生境法则并采用异步更新方式进行改进，同时采用频繁模式增长算法获取运行参数之间的关联规则，以此作为粒子群算法的约束条件加入到优化中，赋予了优化算法的参数关联性。搭建的中央空调运行参数采集系统如图1所示，整体系统能耗预测与优化技术路线流程图如图2所示。因而，本专利技术技术方案为一种用于中央空调的能耗优化方法，该方法包括：
[0006]步骤1：分别采集中央空调系统中蒸发器入口和出口温度、冷凝器入口和出口温度、冷冻水总流量、冷却水总流量、冷水机组负荷率、室内环境温度以及系统总功率，其中室内温度以五层楼温度求均值，并根据设备变频器获取冷冻水泵频率、冷却水泵频率以及冷却塔风机频率，得到共Q个运行参数，Q的具体值根据设备数量确定，因为中央空调可能存在多个冷冻水泵、冷却水泵、冷却塔风机；
[0007]步骤2：对步骤1采集到的Q个运行参数进行预处理；
[0008]步骤2.1：对数据集进行归一化处理；
[0009][0010]式中：为归一化后的第j个参数中的第i条运行数据，为归一化前的对应数据，和分别为第j个参数中的最小值和最大值；
[0011]步骤2.2：结合设备参数的运行范围剔除每个变量中的离群数据，之后采用基于密度的聚类方法对数据集在Q维空间进行聚类，得到一个不规则的簇，并去除其余运行数据点；
[0012]步骤2.3：针对传感器采集存在的不同步问题，以一分钟时间间隔对所有参数数据进行区间整合，针对同一分钟内的多个采集数据取平均值，并按照时间序列将所有参数合并，得到的数据集中部分缺失采集数据的区间采用前向填充或后向填充；
[0013]步骤3：对步骤2预处理得到的数据集进行多通道深度残差网络的建模及能耗预测；
[0014]步骤3.1：将连续的59分钟运行参数与一条相隔1小时的运行参数合并作为一条数据的输入部分，间隔1小时的运行参数理解为系统设定参数，以输入的最后时刻点为终点连续60分钟功率作为这条数据的输出部分，构建成59分钟运行数据结合设定参数预测后续60分钟的系统功率的模式；
[0015]步骤3.2：采用经验模态分解方法对步骤3.1得到的数据集进行分解，获取前3个本征模函数分量，每个本征模函数分量包含了不同时间尺度的局部特征数据，将步骤3.1得到的数据集结合3个本征模函数构建成4通道的新数据集；
[0016]步骤3.3：将数据集按照9：1的划分为训练集与验证集，深度残差网络基于ResNet18模型进行针对性调整：去除ResNet18模型中间的池化层，最后一个平均池化层更换为全连接层，可以避免参数层面的维度缩减过快，难以有效提取特征；考虑到模型复杂程度，在该全连接层中添加了随机删除连接节点层，避免模型出现过拟合现象；并在保证卷积核较小的情况下对模型层参数进行遍历寻优，得到深度残差网络模型结构，共采用19个非线性运算层，图3中虚线部分为采用步长为2的向下采样卷积计算，保持和主干道的维度一致；
[0017]步骤4：对步骤2预处理得到的数据集挖掘潜在的关联规则；
[0018]步骤4.1：采用K均值聚类算法对步骤2得到的数据集中每个特征参数进行数据聚类，聚类数根据最大平均轮廓系数S与尽可能小的误差平方和SSE来设定：
[0019][0020][0021]其中：
[0022][0023][0024]式中：n表示数据总长度，S
i
表示样本点x
i
的轮廓系数，a
i
是样本点x
i
与簇内其他样本点的平均距离，称为凝聚度；b
i
是样本点x
i
与最近簇中所有样本的平均距离，称为分离度；p是某个簇C
k
中的样本点，m
i
是簇心坐标；
[0025]步骤4.2：将步骤1中Q个参数按照字母顺序编号，每个参数中得到的多个聚类簇按照数字进行编号，例如“a1”表示蒸发器入口温度中的第一个聚类区间，将每条数据转化为各自所述区间的编号；
[0026]步骤4.3：采用频繁模式增长算法对步骤4.2得到的编号集进行处理，设定最小支持度为数据集长度的5％，最小置信度为85％，得到一组包含不同长度的关联规则；
[0027]步骤5：采用优化模型对采集的实时数据进行能耗优化；
[0028]步骤5.1：对粒子群优化算法进行改进，采用小生境法则进行种群划分，对于粒子x
i
，它与其他粒子的欧氏距离为：
[0029]d
ik
＝||x
i
‑
x
k
||,k＝1,2,3...,n
[0030]根据设定参数ε0，当d
ik
＜ε0时，则将该粒子加入到小生境群体X
c
，在粒子属性更新过程中，整个种群信息共享下降为各自生境群体内部共享，粒子的更新公式为：
[0031][0032][0033]式中：和为第j个种群中第i个粒子在第t次迭代时的速度和位置属性，ω为惯性系数，c1和c2为学习因子，和gBest
j
(t)分别是当前粒子最优位置本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于中央空调的能耗优化方法，该方法包括：步骤1：分别中央空调系统的采集运行参数，包括：蒸发器入口和出口温度、冷凝器入口和出口温度、冷冻水总流量、冷却水总流量、冷水机组负荷率、室内环境温度以及系统总功率，其中室内温度以五层楼温度求均值，并根据设备变频器获取冷冻水泵频率、冷却水泵频率以及冷却塔风机频率；步骤2：对步骤1采集到的运行参数进行预处理；步骤2.1：对数据集进行归一化处理；式中：为归一化后的第j个参数中的第i条运行数据，为归一化前的对应数据，和分别为第j个参数中的最小值和最大值；步骤2.2：结合设备参数的运行范围剔除每个变量中的离群数据，之后采用基于密度的聚类方法对数据集进行聚类，得到一个不规则的簇，并去除其余运行数据点；步骤2.3：对所有参数数据进行分段区间整合，针对同一时间段内的多个采集数据取平均值，并按照时间序列将所有参数合并，得到的数据集中部分缺失采集数据的区间采用前向填充或后向填充；步骤3：对步骤2预处理得到的数据集进行多通道深度残差网络的建模及能耗预测；步骤3.1：将连续N段时间内的运行参数与一条相隔一段时间T的运行参数合并作为一条数据的输入部分，间隔时间T的运行参数理解为系统设定参数，以输入的最后时刻点为终点连续时间T的功率作为这条数据的输出部分，构建成连续N段时间内运行数据结合设定参数预测后续时间T的系统功率的模式；步骤3.2：采用经验模态分解方法对步骤3.1得到的数据集进行分解，获取前3个本征模函数分量，每个本征模函数分量包含了不同时间尺度的局部特征数据，将步骤3.1得到的数据集结合3个本征模函数构建成4通道的新数据集；步骤3.3：将数据集按照9：1的划分为训练集与验证集，深度残差网络基于ResNet18模型进行针对性调整：去除ResNet18模型中间的池化层，最后一个平均池化层更换为全连接层，在该全连接层中添加了随机删除连接节点层，并在保证卷积核较小的情况下对模型层参数进行遍历寻优，得到深度残差网络模型结构；步骤4：对步骤2预处理得到的数据集挖掘潜在的关联规则；步骤4.1：采用K均值聚类算法对步骤2得到的数据集中每个特征参数进行数据聚类，聚类数根据最大平均轮廓系数S与尽可能小的误差平方和SSE来设定：SE来设定：其中：
式中：n表示数据总长度，S
i
表示样本点x
i
的轮廓系数，a
i
是样本点x
i
与簇内其他样本点的平均距离，称为凝聚度；b
i
是样本点x
i
与最近簇中所有样本的平均距离，称为分离度；p是某个簇C
k
中的样本点，m
i
是簇心坐标；步骤4.2：将步骤1中的参数进行顺序编号，每个参数中得到的多个聚类簇按照数字进行编号，将每条数据转化为各自所述区间的编号；步骤4.3：采用频繁模式增长算法对步骤4.2得到的编号集进行处理，得到一组包含不同长度的关联规则；步骤5：采用优化模型对采集的实时数据进行能耗优化；步骤5.1：对粒子群优化算法进行改进，采用小生境法则进行种群划分，对于粒子x
i
，它与其他粒子的欧氏距离为：d
ik
＝||x
i
‑
x
k
||,k＝1,2,3...,n根据设定参数ε0，当d
ik
＜ε0时，则将该粒子加入到小生境群体X
c
，在粒子属性更新过程中，整个种群信息共享下降为各自生境群体内部共享...

【专利技术属性】
技术研发人员：蒋丹，赵雯婷，姚巍，付益路，郭庆，杨平，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：