Nothing Special   »   [go: up one dir, main page]

CN106920006B - 一种基于isoa-lssvm的地铁站空调系统能耗预测方法 - Google Patents

一种基于isoa-lssvm的地铁站空调系统能耗预测方法 Download PDF

Info

Publication number
CN106920006B
CN106920006B CN201710098913.5A CN201710098913A CN106920006B CN 106920006 B CN106920006 B CN 106920006B CN 201710098913 A CN201710098913 A CN 201710098913A CN 106920006 B CN106920006 B CN 106920006B
Authority
CN
China
Prior art keywords
search
individual
lssvm
energy consumption
model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201710098913.5A
Other languages
English (en)
Other versions
CN106920006A (zh
Inventor
王普
武翠霞
高学金
付龙晓
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing University of Technology
Original Assignee
Beijing University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing University of Technology filed Critical Beijing University of Technology
Priority to CN201710098913.5A priority Critical patent/CN106920006B/zh
Publication of CN106920006A publication Critical patent/CN106920006A/zh
Application granted granted Critical
Publication of CN106920006B publication Critical patent/CN106920006B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00Administration; Management
    • G06Q10/04Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • FMECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24HEATING; RANGES; VENTILATING
    • F24FAIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00Control or safety arrangements
    • F24F11/30Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
    • FMECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24HEATING; RANGES; VENTILATING
    • F24FAIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00Control or safety arrangements
    • F24F11/62Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
    • FMECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24HEATING; RANGES; VENTILATING
    • F24FAIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00Control or safety arrangements
    • F24F11/30Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
    • F24F11/46Improving electric energy efficiency or saving
    • F24F11/47Responding to energy costs

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Combustion & Propulsion (AREA)
  • Chemical & Material Sciences (AREA)
  • Mechanical Engineering (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Theoretical Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Physics & Mathematics (AREA)
  • Game Theory and Decision Science (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Signal Processing (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Feedback Control In General (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

本发明公开一种基于ISOA‑LSSVM的地铁站空调系统能耗预测方法,包括:获取训练数据,将数据进行标准化,利用改进的人群搜索算法对最小二乘支持向量机进行参数寻优,建立预测模型;采集实时测量数据进行标准化,输入到预测模型进行预测,最后逆标准化输出预测能耗值。本发明实现了ISOA‑LSSVM的地铁站空调系统能耗预测方法,其中改进的人群搜索算法采用高斯隶属函数表示搜索步长的模糊变量,减少了迭代次数,增加了模型预测精度;预动方向采用个体最优适应度值和当前个体的适应度值比较得出,可以很好的代表当前个体的预动行为,同时提高了迭代速度。

Description

一种基于ISOA-LSSVM的地铁站空调系统能耗预测方法
技术领域
本发明属于暖通空调能耗建模领域,尤其涉及在地铁站空调系统中应用基于ISOA-LSSVM的地铁站空调系统能耗预测方法,用于预测短时间段内的能耗值。
背景技术
地铁站通风空调系统是整个地铁系统的能耗大户,占比为30%-50%。因此,目前空调系统的运行要在温度、湿度等各项指标达到控制要求的同时降低系统的运行能耗。然而,由于空调系统中影响能耗的因素众多,并且各因素之间的关系复杂,系统呈现大滞后性,能耗模型很难建立准确,因此对地铁站空调系统,建立出精确的能耗预测模型是节能运行和优化控制的基础和前提。
目前对于空调能耗常用的预测算法有时间序列算法、人工神经网络和支持向量回归机算法等。比如,何厚建等利用神经网络方法辨识中央空调系统的静态模型。赵廷法等人用回归的方法对VAV中央空调建能耗模型;Ioan等人利用最小二乘回归的方法,建立控制变量(冷却水温度、室内温度)和非控制变量(太阳热辐射、室外温度)跟能耗的表达式。Hyun等人利用改进的实数编码的遗传算法(GA)算法优化的最小二乘支持向量机(LSSVM)对建筑的能耗进行预测,但是计算速度偏慢。以上的研究虽然都取得了一定的成果,但是大多针对中央空调的研究,而地铁站空调系统有其独有的特点,因此迫切需要对地铁站空调系统的能耗模型研究。
LSSVM算法相对于神经网络来说,需要确定的参数较少,模型的泛化能力强,不宜陷入局部最小值。近些年一些智能优化算法应用到LSSVM中,为了解决传统LSSVM中的网格搜索算法速度慢的问题,其中人群搜索算法是相对较优的一种新型智能算法,但是其在迭代计算过程中还是会存在一定的改进空间,使得计算速度更快,因此建立一种基于ISOA-LSSVM算法并考虑地铁的独有特性建立的能耗预测模型,对研究地铁站空调系统的节能优化控制的理论研究具有重要的意义。
发明内容
本发明针对地铁站空调系统的多变量耦合、大滞后性和能耗模型难以建立的问题,提出一种基于ISOA-LSSVM的地铁站空调系统能耗预测方法,解决了传统网格搜索LSSVM的计算量大问题,提高了模型的预测速度和精度。
为实现上述目的,本发明采用如下的技术方案
一种基于ISOA-LSSVM的地铁站空调系统能耗预测方法包含以下步骤:
步骤(1):获取训练数据
采集地铁站空调系统运行中实时测得的能耗相关变量和下一时段的能耗变量形成训练数据,数据采样表示形式如下:
X=(x1,x2,...,xn) (1)
Y=(y1) (2)
其中,x1,x2,...,xn表示系统运行过程中在线可实时测量的n个测量变量,包括当前的时刻、送风温度设定值、回风温度设定值、冷机出水温度、室外温度,当前时刻的送风温度、回风温度、当前一个确定时段的能耗;y1表示空调系统运行过程中下一时段所测量的能耗变量,经过多次采样形成建模数据集D={(Xjn,Yj)},j=1,2,L,p,其中p表示样本个数;n表示模型输入变量的维数;
步骤(2):归一标准化处理
将采集的输入数据集Xpn和输出数据集Yp进行归一化,处理后的数据为Xg,pn=(xg1,xg2,...,xgn)和Yg,p=(yg);
Figure BDA0001231103030000031
Figure BDA0001231103030000032
式(3)-(4)中,xi,min和xi,max分别为X中xi的最小最大值,ymin和ymax分别为Y中y1的最小最大值,xgi、xi、yg为p维列向量,i=1,2,…,n。
步骤(3):初始化人群搜索算法SOA和最小二乘支持向量机LSSVM的参数;
步骤(4):根据上一步确定的种群寻优范围,随机产生SOA中的初始种群Swarm(i,:)=[γii],i=1,2,L,s,根据式(5)-(7),每一个种群对应一个LSSVM模型,因此建立s个初始的LSSVM模型,每个模型建立方法如下:
Figure BDA0001231103030000033
Figure BDA0001231103030000041
Figure BDA0001231103030000042
式(5)-(7)中,Xg,j*n为第j个样本的输入向量,Xg,n *为建模输入数据集中每个测量点的均值组成的行向量,K(Xg,j*n,Xg,n *)为高斯核函数,σ为高斯核参数,γ为正则化参数,aj为LSSVM中的拉格朗日乘子,a=[a1,a2,L,ap]T,b为一个偏置数,y=[Yg,1,Yg,2,L,Yg,p]T,1p*1=[1,1,L,1]T为p维列向量,I为p×p的单位矩阵,
计算每一个模型的适应度值,适应度值由模型预测的平均相对误差来计算,计算公式为式(8):
Figure BDA0001231103030000043
式中,Yg,j为第j个样本值;
Figure BDA0001231103030000044
为第j个样本的模型输出值,由预测模型计算获得,适应度函数F就是LSSVM中正则化参数γ和核参数σ的函数,最后,通过比较得出个体最优和群体最优,
步骤(5):利用改进的人群搜索算法ISOA进行迭代寻优,建立新的LSSVM预测模型,
步骤(6):在线测量和处理数据,具体步骤为:
步骤(6.1):在线采集新的测量数据Xnew,其数据格式与公式(1)中的X相同;
步骤(6.2):将采集到的新数据Xnew按照公式(3)进行标准化得到Xgnew
步骤(7):将Xgnew输入到已建立好的LSSVM模型中,得到预测输出Ygnew
步骤(8):将Ygnew进行逆标准化,得到预测值Ynew,逆标准化的具体公式为式(19):
Ynew=ymin+Ygnew·(ymax-ymin) (19)
步骤(9):若预测过程还需继续,则重复步骤(6)至(8)。
作为优选,步骤(5)为:令迭代次数t=1,具体步骤为:
步骤(5.1):判断迭代的条件,如果终止条件满足的话,输出寻优结果,进入步骤(5.7);否则进入下一步(5.2),设置终止迭代条件为:迭代次数达到最大,或者全局最优适应度值小于确定的最小适应度值。
步骤(5.2):确定搜索方向,为了使新一代在进化中的位置更新,需要确定三个搜索方向,根据个体最佳和全局最佳确定出利己方向
Figure BDA0001231103030000051
利他方向
Figure BDA0001231103030000052
和预动方向
Figure BDA0001231103030000053
计算如下式(9)-(11):
Figure DA00012311030356068
Figure BDA0001231103030000055
Figure BDA0001231103030000056
预动方向采用个体最优适应度值和当前个体的适应度值比较得出,可以很好的代表当前个体的预动行为,同时减小了计算量,提高了计算速度,
综合以上3个因素,采用3个方向随机加权几何平均确定搜索方向
Figure BDA0001231103030000061
如下式(12):
Figure BDA0001231103030000062
Figure BDA0001231103030000063
式(9)-(13)中
Figure BDA0001231103030000064
为第t次迭代中第i个搜寻个体的位置;
Figure BDA0001231103030000065
为第i个搜寻个体到目前为止经历过的最佳位置;
Figure BDA0001231103030000066
为第i个搜寻个体所在领域的集体历史最佳位置;Fpi,best
Figure BDA0001231103030000067
位置的适应度值;
Figure BDA0001231103030000068
Figure BDA0001231103030000069
位置的适应度值;sign()为符号函数;
Figure BDA00012311030300000610
Figure BDA00012311030300000611
为[0,1]内符合均匀分布的随机常数;ω为惯性权值,随进化代数的增加从最大权值Wmax=0.9线性递减至最小权值Wmin=0.1;t和tmax分别为当前迭代次数和最大迭代次数;
Figure BDA00012311030300000612
为第t次迭代中第i个搜寻个体的第j维搜索方向,其中
Figure BDA00012311030300000613
dij(t)=1表示搜寻个体i沿着j维坐标的正方向前进;dij(t)=-1表示搜寻个体i沿着j维坐标的反方向前进;dij(t)=0表示搜寻个体i在第j维保持静止不动。
步骤(5.3):确定搜索步长
相比于线性隶属函数来说,采用如下式(14、15)的高斯隶属函数表示搜索步长的模糊变量可以很好的将第i个搜寻个体的适应度值非线性的模糊到[0.0111,0.95]之间,避免了由线性隶属函数模糊的步长不准确性,可以快速收敛,并且可以减小计算量。
ui=exp(-(fitness(i)-MinFit)/2δij 2) (14)
uij=ui+rand·(1-ui),j=1,L,D (15)
其中,ui为第i个搜寻个体的步长模糊变量;fitness(i)为第i个搜寻个体的适应度值;MinFit为目标最小适应度值;uij为由不确定性推理得出的第i个搜寻个体的第j维步长的模糊变量隶属度;D为搜寻个体的维数;
Figure BDA0001231103030000071
为高斯隶属函数参数,如下式(16):
Figure BDA0001231103030000072
因此步长计算公式如下式(17):
Figure BDA0001231103030000073
式(16)和(17)中,αij为计算的搜索步长;
Figure BDA0001231103030000074
Figure BDA0001231103030000075
分别为同一种群中的最小和最大适应度值的位置;ω为惯性权值,范围为[0.1,0.9]。
步骤(5.4):位置更新
在确定出的搜索方向和步长后,即可对每一个搜寻个体进行位置更新,公式如下式(18):
Figure BDA0001231103030000076
其中,Δxij(t+1)为第t+1次搜寻个体相对于第t次的位置增量,xij(t+1)为搜寻个体的第t+1次位置,xij(t)为搜寻个体的第t次位置,αij(t)为搜索步长,dij(t)为搜索方向。
步骤(5.5):由式(5)-(7)更新LSSVM模型,由式(8)计算适应度值,通过比较,进行个体最优更新和群体最优更新。
步骤(5.6):令t=t+1,返回步骤(5.1)。
步骤(5.7):根据寻优结果,建立新的LSSVM预测模型,迭代结束。
作为优选,所述人群搜索算法的参数包括:种群规模s,最大迭代次数itermax,最小适应度值MinFit,初始的利己方向
Figure BDA0001231103030000081
利他方向
Figure BDA0001231103030000082
和预动方向
Figure BDA0001231103030000083
初始的搜索方向
Figure BDA0001231103030000084
搜索步长αij、高斯隶属参数δij;最小二乘支持向量机需要初始的参数包括:正则化参数γ和核参数σ的寻优范围分别为[γminmax]和[σminmax]。
本发明的基于ISOA-LSSVM的地铁站空调系统能耗预测方法,针对地铁站空调系统的多变量耦合、大滞后性和能耗模型难以建立的问题,使地铁站空调系统可提前调节被控参数,建立一种短时能耗预测模型是非常有必要的。具体步骤包括:获取训练数据,将数据进行标准化,利用改进的人群搜索算法对最小二乘支持向量机进行参数寻优,建立预测模型;采集实时测量数据进行标准化,输入到预测模型进行预测,最后逆标准化输出预测能耗值。本发明实现了ISOA-LSSVM的地铁站空调系统能耗预测方法,其中改进的人群搜索算法采用高斯隶属函数表示搜索步长的模糊变量,减少了迭代次数,增加了模型预测精度;预动方向采用个体最优适应度值和当前个体的适应度值比较得出,可以很好的代表当前个体的预动行为,同时提高了迭代速度。对实现地铁站空调系统的优化控制有重要意义。
有益效果
与其他现有技术相比,本发明实现了ISOA-LSSVM的地铁站空调系统能耗预测方法,其中改进的人群搜索算法采用高斯隶属函数表示搜索步长的模糊变量,减少了迭代次数,增加了模型预测精度;预动方向采用个体最优适应度值和当前个体的适应度值比较得出,可以很好的代表当前个体的预动行为,同时提高了迭代速度。
附图说明
图1本发明地铁站空调系统能耗预测方法流程图。
具体实施方式
结合本发明的内容提供如下实施例:
由于影响空调系统能耗的因素众多,并且各因素之间关系复杂,系统呈现大滞后性,能耗模型很难建立准确,因此对地铁站空调系统,建立出精确的能耗预测模型是节能运行和优化控制的基础和前提。
本实验利用北京某高校地铁实训平台的实际数据,验证本发明方法的准确性。地铁实训平台由两个子系统组成,分别为通风系统和水系统。通风系统的主要设备包括组合式空调机组两台,组合式空调机组内包含风机1台,额定功率3kW,8排表冷器1个,板式初效过滤器1个,风阀1个。水系统主要设备包括冷水机组2台,一用一备,额定功率8.81kW;冷冻水水泵3台,一用两备,额定功率3kW;冷却水水泵2台,一用一备,额定功率5kW;冷却塔1台,额定功率1.5kW。系统的控制方式:风系统采用变频变风量控制回风温度,即随着站内热湿负荷的变化,通过变频调节空气处理机组(AHU)风机的转速改变送风量;水系统采用冷冻水泵变频变流量控制送风温度,以满足站内送风温度的要求。
试验过程中送风温度和回风温度的设定值采用排列组合的方式进行交叉变化,同时实验过程中会监控18个变量值,最后选出8个能耗相关变量最为建模数据的输入,下一时间段的能耗值作为预测输出,输入与输出之间相差的时间段由经验取值为0.5h,具体的模型输入变量为:当前的时刻,送风温度设定值,回风温度设定值,冷机出水温度,室外温度,当前时刻的送风温度、回风温度,和当前0.5h内的能耗值。实验收集数据为夏季两个月的时间,组成样本数为2910,将这些数据的5/6的数据,即2425个样本,作为建模数据;1/6的数据,即485个样本,作为测试数据。
如图1所示,本发明提供一种基于ISOA-LSSVM的地铁站空调系统能耗预测方法,包括如下步骤:
步骤(1):获取训练数据。
采集地铁站空调系统运行中实时测得的能耗相关变量和下一时段的能耗变量形成训练数据,具体的一次数据采样表示形式如下:
X=(x1,x2,...,x8) (1)
Y=(y1) (2)
其中,x1,x2,...,x8分别表示当前的时刻、送风温度设定值、回风温度设定值、冷机出水温度、室外温度、当前时刻的送风温度、回风温度,和当前0.5h的能耗;y1表示空调系统下0.5h时段所测量的能耗变量。
步骤(2):归一标准化处理。将采集的输入数据集Xpn和输出数据集Yp进行归一化,处理后的数据为Xg,pn=(xg1,xg2,...,xgn)和Yg,p=(yg);
Figure BDA0001231103030000101
Figure BDA0001231103030000102
式(3)-(4)中,xi,min和xi,max分别为X中xi的最小最大值,ymin和ymax分别为Y中y1的最小最大值,xgi、xi、yg为p维列向量,i=1,2,…,n。
步骤(3):初始化人群搜索算法SOA和最小二乘支持向量机LSSVM的参数。人群搜索算法的参数包括:种群规模s=20,最大迭代次数tmax=80,最小适应度值MinFit=0.0085,初始的利己方向
Figure BDA0001231103030000111
利他方向
Figure BDA0001231103030000112
和预动方向
Figure BDA0001231103030000113
初始的搜索方向
Figure BDA0001231103030000114
搜索步长αij=0、高斯隶属参数δij=0。最小二乘支持向量机需要初始的参数包括:正则化参数γ和核参数σ的寻优范围分别为[0.1,106]和[0.1,10];
步骤(4):根据种群寻优范围,随机产生初始种群Swarm(i,:)=[γii],i=1,2,L,20,根据式(5)-(7),每一个种群对应一个初始LSSVM模型,因此建立s个初始的LSSVM模型,每个模型建立方法如下:
Figure BDA0001231103030000115
Figure BDA0001231103030000116
Figure BDA0001231103030000117
式(5)-(7)中,Xg,j*n为第j个样本的输入向量,Xg,n *为建模输入数据集中每个测量点的均值组成的行向量,K(Xg,j*n,Xg,n *)为高斯核函数,σ为高斯核参数,γ为正则化参数,aj为LSSVM中的拉格朗日乘子,a=[a1,a2,L,a2425]T,b偏置数,y=[Yg,1,Yg,2,L,Yg,2425]T,1p*1=[1,1,L,1]T为p维列向量,I为2425×2425的单位矩阵。
计算每一个模型的适应度值,计算公式为式(8):
Figure BDA0001231103030000121
式中,Yg,j为第j个样本值;
Figure BDA0001231103030000122
为第j个样本的模型输出值,由预测模型计算获得。因此,适应度函数F就是LSSVM中正则化参数γ和核参数σ的函数。最后,通过比较得出个体最优和群体最优。
步骤(5):利用改进的人群搜索算法ISOA进行迭代寻优,令迭代次数t=1,具体步骤为:
步骤(5.1):判断迭代的条件,如果终止条件满足的话,输出寻优结果,进入步骤(5.7);否则进入下一步(5.2)。设置终止迭代条件为:迭代次数达到最大,或者全局最优适应度值小于确定的最小适应度值。
步骤(5.2):确定搜索方向。为了使新一代在进化中的位置更新,需要确定三个搜索方向。根据个体最佳和全局最佳确定出利己方向
Figure BDA0001231103030000123
利他方向
Figure BDA0001231103030000124
和预动方向
Figure BDA0001231103030000125
计算如下式(9)-(11):
Figure DA00012311030356178
Figure BDA0001231103030000127
Figure BDA0001231103030000128
预动方向采用个体最优适应度值和当前个体的适应度值比较得出,可以很好的代表当前个体的预动行为,同时减小了计算量,提高了计算速度。
综合以上3个因素,采用3个方向随机加权几何平均确定搜索方向
Figure BDA0001231103030000131
如下式(12):
Figure BDA0001231103030000132
Figure BDA0001231103030000133
式(9)-(13)中
Figure BDA0001231103030000134
为第t次迭代中第i个搜寻个体的位置;
Figure BDA0001231103030000135
为第i个搜寻个体到目前为止经历过的最佳位置;
Figure BDA0001231103030000136
为第i个搜寻个体所在领域的集体历史最佳位置;
Figure BDA00012311030300001315
Figure BDA0001231103030000137
位置的适应度值;
Figure BDA0001231103030000138
Figure BDA0001231103030000139
位置的适应度值;sign()为符号函数;
Figure BDA00012311030300001310
Figure BDA00012311030300001311
为[0,1]内符合均匀分布的随机常数;ω为惯性权值,随进化代数的增加从最大权值Wmax=0.9线性递减至最小权值Wmin=0.1;t和tmax分别为当前迭代次数和最大迭代次数;
Figure BDA00012311030300001312
为第t次迭代中第i个搜寻个体的第j维搜索方向,其中
Figure BDA00012311030300001313
步骤(5.3):确定搜索步长。
采用如下式(11)的高斯隶属函数表示搜索步长的模糊变量将第i个搜寻个体的适应度值非线性的模糊到[0.0111,0.95]之间。
ui=exp(-(fitness(i)-MinFit)/2δij 2) (14)
uij=ui+rand·(1-ui),j=1,L,D (15)
其中,i=1,2,L,20;ui为第i个搜寻个体的步长模糊变量;fitness(i)为第i个搜寻个体的适应度值;uij为由不确定性推理得出的第i个搜寻个体的第j维步长的模糊变量隶属度;
Figure BDA00012311030300001314
为高斯隶属函数参数,如下式(16):
Figure BDA0001231103030000141
因此步长计算公式如下式(17):
Figure BDA0001231103030000142
式(15)和(16)中,αij为计算的搜索步长;
Figure BDA0001231103030000143
Figure BDA0001231103030000144
分别为同一种群中的最小和最大适应度值的位置;ω为惯性权值,范围为[0.1,0.9]。
步骤(5.4):位置更新。在确定出的搜索方向和步长后,即可对每一个搜寻个体进行位置更新,公式如下式(18):
Figure BDA0001231103030000145
其中,Δxij(t+1)为第t+1次搜寻个体相对于第t次的位置增量,xij(t+1)为搜寻个体的第t+1次位置,xij(t)为搜寻个体的第t次位置,αij(t)为搜索步长,dij(t)为搜索方向。
步骤(5.5):由式(5)-(7)更新LSSVM模型,由式(8)计算适应度值,通过比较,进行个体最优更新和群体最优更新。
步骤(5.6):令t=t+1,返回步骤(5.1)。
步骤(5.7):根据寻优结果,建立新的LSSVM预测模型,迭代结束。
步骤(6):在线测量和处理数据,具体步骤为:
步骤(6.1):在线采集新的测量数据Xnew,其数据格式与公式(1)中的X相同;
步骤(6.2):将采集到的新数据Xnew按照公式(3)进行标准化得到Xgnew
步骤(7):将Xgnew输入到已建立好的LSSVM模型中,得到预测输出Ygnew
步骤(8):将Ygnew进行逆标准化,得到预测值Ynew,逆标准化的具体公式为式(19):
Ynew=ymin+Ygnew·(ymax-ymin) (19)
步骤(9):若预测过程还需继续,则重复步骤(6)至(8)。
按照以上步骤在计算机上用MATLAB程序实现,则所建立五种方法的模型预测平均相对误差MAPE、均方根误差MSE、建模预测时间、收敛迭代次数和参数输出值如表1所示,即本发明(ISOA-LSSVM)、使用高斯隶属函数的SOA优化最小二乘支持向量机(GSOA-LSSVM)、SOA优化最小二乘支持向量机(SOA-LSSVM)、粒子群优化最小二乘支持向量机(PSO-LSSVM)和传统的网格搜索优化LSSVM:
表1
Figure BDA0001231103030000151

Claims (3)

1.一种基于ISOA-LSSVM的地铁站空调系统能耗预测方法,其特征在于,包含以下步骤:
步骤(1):获取训练数据
采集地铁站空调系统运行中实时测得的能耗相关变量和下一时段的能耗变量形成训练数据,数据采样表示形式如下:
X=(x1,x2,...,xn) (1)
Y=(y1) (2)
其中,x1,x2,...,xn表示系统运行过程中在线实时测量的n个测量变量,包括当前的时刻、送风温度设定值、回风温度设定值、冷机出水温度、室外温度,当前时刻的送风温度、回风温度、当前一个确定时段的能耗;y1表示空调系统运行过程中下一时段所测量的能耗变量,经过多次采样形成建模数据集D={(Xjn,Yj)},j=1,2,…,p,其中p表示样本个数;n表示模型输入变量的维数;
步骤(2):归一标准化处理
将采集的输入数据集Xpn和输出数据集Yp进行归一化,处理后的数据为Xg,pn=(xg1,xg2,...,xgn)和Yg,p=(yg);
Figure FDA0002431229960000011
Figure FDA0002431229960000012
式(3)-(4)中,xi,min和xi,max分别为X中xi的最小最大值,ymin和ymax分别为Y中y1的最小最大值,xgi、xi、yg为p维列向量,i=1,2,…,n;
步骤(3):初始化人群搜索算法SOA和最小二乘支持向量机LSSVM的参数;
步骤(4):根据上一步确定的种群寻优范围,随机产生SOA中的初始种群Swarm(i,:)=[γii],i=1,2,…,s,根据式(5)-(7),每一个种群对应一个LSSVM模型,因此建立s个初始的LSSVM模型,每个模型建立方法如下:
Figure FDA0002431229960000021
Figure FDA0002431229960000022
Figure FDA0002431229960000023
式(5)-(7)中,Xg,j*n为第j个样本的输入向量,Xg,n *为建模输入数据集中每个测量点的均值组成的行向量,K(Xg,j*n,Xg,n *)为高斯核函数,σ为高斯核参数,γ为正则化参数,aj为LSSVM中的拉格朗日乘子,a=[a1,a2,…,ap]T,b为一个偏置数,y=[Yg,1,Yg,2,…,Yg,p]T,1p*1=[1,1,…,1]T为p维列向量,I为p×p的单位矩阵,
计算每一个模型的适应度值,适应度值由模型预测的平均相对误差来计算,计算公式为式(8):
Figure FDA0002431229960000024
式中,Yg,j为第j个样本值;
Figure FDA0002431229960000025
为第j个样本的模型输出值,由预测模型计算获得,适应度函数F为LSSVM中正则化参数γ和核参数σ的函数,
步骤(5):利用改进的人群搜索算法ISOA进行迭代寻优,建立新的LSSVM预测模型,
步骤(6):在线测量和处理数据,具体步骤为:
步骤(6.1):在线采集新的测量数据Xnew
步骤(6.2):将采集到的新数据Xnew进行标准化得到Xgnew
步骤(7):将Xgnew输入到已建立好的LSSVM模型中,得到预测输出Ygnew
步骤(8):将Ygnew进行逆标准化,得到预测值Ynew,逆标准化的具体公式为式(19):
Ynew=ymin+Ygnew·(ymax-ymin) (19)
步骤(9):若预测过程还需继续,则重复步骤(6)至(8)。
2.如权利要求1所述的基于ISOA-LSSVM的地铁站空调系统能耗预测方法,其特征在于,步骤(5)为:令迭代次数t=1,具体步骤为:
步骤(5.1):判断迭代的条件,如果终止条件满足的话,输出寻优结果,进入步骤(5.7);否则进入下一步(5.2),设置终止迭代条件为:迭代次数达到最大,或者全局最优适应度值小于确定的最小适应度值;
步骤(5.2):确定搜索方向,根据个体最佳和全局最佳确定出利己方向
Figure FDA0002431229960000031
利他方向
Figure FDA0002431229960000032
和预动方向
Figure FDA0002431229960000033
计算如下式(9)-(11):
Figure FDA0002431229960000034
Figure FDA0002431229960000035
Figure FDA0002431229960000041
采用3个方向随机加权几何平均确定搜索方向
Figure FDA0002431229960000042
如下式(12):
Figure FDA0002431229960000043
Figure FDA0002431229960000044
式(9)-(13)中
Figure FDA0002431229960000045
为第t次迭代中第i个搜寻个体的位置;
Figure FDA0002431229960000046
为第i个搜寻个体到目前为止经历过的最佳位置;
Figure FDA0002431229960000047
为第i个搜寻个体所在领域的集体历史最佳位置;
Figure FDA0002431229960000048
Figure FDA0002431229960000049
位置的适应度值;
Figure FDA00024312299600000410
Figure FDA00024312299600000411
位置的适应度值;sign()为符号函数;
Figure FDA00024312299600000412
Figure FDA00024312299600000413
为[0,1]内符合均匀分布的随机常数;ω为惯性权值,随进化代数的增加从最大权值Wmax=0.9线性递减至最小权值Wmin=0.1;t和tmax分别为当前迭代次数和最大迭代次数;
Figure FDA00024312299600000414
为第t次迭代中第i个搜寻个体的第j维搜索方向,其中
Figure FDA00024312299600000415
dij(t)=1表示搜寻个体i沿着j维坐标的正方向前进;dij(t)=-1表示搜寻个体i沿着j维坐标的反方向前进;dij(t)=0表示搜寻个体i在第j维保持静止不动;
步骤(5.3):确定搜索步长
采用如下式(14、15)的高斯隶属函数表示搜索步长的模糊变量将第i个搜寻个体的适应度值非线性的模糊到[0.0111,0.95]之间,
ui=exp(-(fitness(i)-MinFit)/2δij 2) (14)
uij=ui+rand·(1-ui),j=1,…,D (15)
其中,ui为第i个搜寻个体的步长模糊变量;fitness(i)为第i个搜寻个体的适应度值;MinFit为目标最小适应度值;uij为由不确定性推理得出的第i个搜寻个体的第j维步长的模糊变量隶属度;D为搜寻个体的维数;
Figure FDA0002431229960000051
为高斯隶属函数参数,如下式(16):
Figure FDA0002431229960000052
因此步长计算公式如下式(17):
Figure FDA0002431229960000053
式(16)和(17)中,αij为计算的搜索步长;
Figure FDA0002431229960000054
Figure FDA0002431229960000055
分别为同一种群中的最小和最大适应度值的位置;ω为惯性权值,范围为[0.1,0.9];
步骤(5.4):位置更新
在确定出的搜索方向和步长后,即可对每一个搜寻个体进行位置更新,公式如下式(18):
Figure FDA0002431229960000056
其中,Δxij(t+1)为第t+1次搜寻个体相对于第t次的位置增量,xij(t+1)为搜寻个体的第t+1次位置,xij(t)为搜寻个体的第t次位置,αij(t)为搜索步长,dij(t)为搜索方向;
步骤(5.5):由式(5)-(7)更新LSSVM模型,由式(8)计算适应度值,通过比较,进行个体最优更新和群体最优更新;
步骤(5.6):令t=t+1,返回步骤(5.1);
步骤(5.7):根据寻优结果,建立新的LSSVM预测模型,迭代结束。
3.如权利要求1所述的基于ISOA-LSSVM的地铁站空调系统能耗预测方法,其特征在于,所述人群搜索算法的参数包括:种群规模s,最大迭代次数itermax,最小适应度值MinFit,初始的利己方向
Figure FDA0002431229960000061
利他方向
Figure FDA0002431229960000062
和预动方向
Figure FDA0002431229960000063
初始的搜索方向
Figure FDA0002431229960000064
搜索步长αij、高斯隶属参数δij;最小二乘支持向量机需要初始的参数包括:正则化参数γ和核参数σ的寻优范围分别为[γminmax]和[σminmax]。
CN201710098913.5A 2017-02-23 2017-02-23 一种基于isoa-lssvm的地铁站空调系统能耗预测方法 Active CN106920006B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710098913.5A CN106920006B (zh) 2017-02-23 2017-02-23 一种基于isoa-lssvm的地铁站空调系统能耗预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710098913.5A CN106920006B (zh) 2017-02-23 2017-02-23 一种基于isoa-lssvm的地铁站空调系统能耗预测方法

Publications (2)

Publication Number Publication Date
CN106920006A CN106920006A (zh) 2017-07-04
CN106920006B true CN106920006B (zh) 2020-07-03

Family

ID=59454143

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710098913.5A Active CN106920006B (zh) 2017-02-23 2017-02-23 一种基于isoa-lssvm的地铁站空调系统能耗预测方法

Country Status (1)

Country Link
CN (1) CN106920006B (zh)

Families Citing this family (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107392381A (zh) * 2017-07-27 2017-11-24 中车青岛四方车辆研究所有限公司 一种轨道车辆空调系统能耗预测方法、装置及计算机设备
CN107461881B (zh) * 2017-07-27 2020-04-21 深圳达实智能股份有限公司 一种医院空调机房的制冷主机能效诊断方法及其系统
CN107679660A (zh) * 2017-09-30 2018-02-09 山东建筑大学 基于支持向量机的逐时建筑能耗预测方法
CN107990487B (zh) * 2017-11-29 2020-05-05 广东美的制冷设备有限公司 空调器和空调器功耗的预测方法、装置
CN108256802B (zh) * 2018-01-12 2022-01-11 东华大学 基于人群搜索算法的多供应商订单分配云处理方法
CN109711049B (zh) * 2018-12-26 2023-04-18 北京工业大学 一种混合式的地铁空调冷水机组能效估计方法
CN109611815B (zh) * 2018-12-28 2020-09-08 新奥数能科技有限公司 一种燃气蒸汽锅炉的能耗报警管理方法及装置
CN110046743B (zh) * 2019-03-06 2021-06-04 上海交通大学 基于ga-ann的公共建筑能耗预测方法和系统
CN110082136B (zh) * 2019-04-19 2021-03-30 电子科技大学 基于云遗传算法优化支持向量机的旋转机械故障诊断方法
CN110472321B (zh) * 2019-07-31 2022-12-16 武汉科技大学 基于pso-gpr的全金属半硬壳的固体火箭舱段加工能耗预测方法
JP7258172B2 (ja) * 2019-10-07 2023-04-14 三菱電機株式会社 空気調和機の制御装置、空気調和機及び、プログラム
CN111126707B (zh) * 2019-12-26 2023-10-27 华自科技股份有限公司 能耗方程构建、能耗预测方法与装置
CN111237988B (zh) * 2020-01-15 2021-05-28 北京天泽智云科技有限公司 地铁车载空调机组控制方法及系统
CN111339641A (zh) * 2020-02-13 2020-06-26 山东神舟制冷设备有限公司 制冷系统管理方法、装置、云平台及存储介质
CN111536639B (zh) * 2020-05-08 2021-06-11 东南大学 一种基于拉格朗日乘子法的冷水机组运行优化控制方法
CN111649457B (zh) * 2020-05-13 2021-06-22 中国科学院广州能源研究所 一种动态预测性机器学习型空调节能控制方法
CN112923534A (zh) * 2021-03-11 2021-06-08 上海叠腾网络科技有限公司 基于神经网络和改进粒子群算法的中央空调系统优化方法和系统
CN116702424B (zh) * 2023-04-26 2024-06-14 淮阴工学院 一种大数据智能减排系统
CN116951690B (zh) * 2023-07-24 2024-08-06 中建安装集团有限公司 一种地下室微风道防潮系统控制方法、介质及系统
CN117273241B (zh) * 2023-11-17 2024-04-05 北京京东乾石科技有限公司 一种处理数据的方法和装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102980272A (zh) * 2012-12-08 2013-03-20 珠海派诺科技股份有限公司 一种基于负荷预测的空调系统节能优化方法
CN103020434A (zh) * 2012-11-30 2013-04-03 南京航空航天大学 一种基于粒子群优化的最小二乘支持向量机组合预测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103020434A (zh) * 2012-11-30 2013-04-03 南京航空航天大学 一种基于粒子群优化的最小二乘支持向量机组合预测方法
CN102980272A (zh) * 2012-12-08 2013-03-20 珠海派诺科技股份有限公司 一种基于负荷预测的空调系统节能优化方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
《Forecasting regional electricity load based on recurrent support vector machines with genetic algorithms》;Ping-Feng Pai 等;《ELSEVIER》;20050408;正文第417-425页 *
《基于遗传算法优化LS-SVM的短期电力负荷预测研究》;张政国等;《兰州交通大学学报》;20121231;第31卷;正文第44-48页 *

Also Published As

Publication number Publication date
CN106920006A (zh) 2017-07-04

Similar Documents

Publication Publication Date Title
CN106920006B (zh) 一种基于isoa-lssvm的地铁站空调系统能耗预测方法
Afram et al. Artificial neural network (ANN) based model predictive control (MPC) and optimization of HVAC systems: A state of the art review and case study of a residential HVAC system
CN103049612B (zh) 一种基于模型降阶技术的建筑室内环境优化方法
Kusiak et al. Minimization of energy consumption in HVAC systems with data-driven models and an interior-point method
CN103912966B (zh) 一种地源热泵制冷系统优化控制方法
CN107392368B (zh) 一种基于气象预报的办公建筑动态热负荷组合预测方法
CN111649457B (zh) 一种动态预测性机器学习型空调节能控制方法
CN107704875A (zh) 基于改进ihcmac神经网络的建筑负荷预测方法和装置
CN113240184B (zh) 一种基于联邦学习的楼宇空间单元冷负荷预测方法及系统
CN113326651A (zh) 基于t-s模糊模型的制冷站负荷和能效比动态建模方法
CN105719028A (zh) 一种基于多因素混沌支持向量机的空调负荷动态预测方法
CN112884012A (zh) 基于支持向量机原理的建筑能耗预测方法
CN117146382B (zh) 一种智能化调适系统优化方法
CN116989442A (zh) 一种中央空调负荷预测方法及系统
CN113268913B (zh) 一种基于pso-elm算法的智能建筑空调冷机系统运行优化方法
Zhang et al. An improved cooling load prediction method for buildings with the estimation of prediction intervals
Sretenović et al. Support vector machine for the prediction of heating energy use
CN112288139B (zh) 基于混沌时间序列的空调能耗预测方法、系统及存储介质
Khalil et al. Federated learning for energy-efficient thermal comfort control service in smart buildings
CN117970986A (zh) 一种冷热系统的温湿度控制方法、装置及介质
KR20180138371A (ko) 데이터 기반 모델 평가 및 이를 이용한 캡슐형 빙축열 시스템 예측제어 방법
Deng et al. Optimal control of chilled water system with ensemble learning and cloud edge terminal implementation
Kumar et al. Forecasting indoor temperature for smart buildings with ARIMA, SARIMAX, and LSTM: A fusion approach
Zhou et al. Study on PID parameters tuning based on particle swarm optimization
CN113959071A (zh) 基于机器学习辅助的集中式冷水机组空调系统运行控制优化方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant