AG体育·(中国)官方网站·AG SPORT

　　随着我国城市化进程不断加快，城市楼宇建筑的数量越来越多，各种写字楼、商场、公寓等为人们提供了舒适、高效的办公和生活环境。然而，建筑业的发展导致了建筑能耗不断增加，根据数据显示，建筑能耗占据社会总能耗的27％以上，有些地区接近40％，然而建筑能耗中三分之二的能耗为空调系统能耗。目前，我国正处于能源转型阶段，践行绿色低碳理念，实施节能减排措施是推动绿色发展的必然趋势。如何提高能源利用效率，减少空调能耗对建筑节能来说显得十分重要。因此，亟需设计一种中央空调系统节能优化方法，通过大数据技术构建能耗模型，寻找空调系统最低能耗下的工况参数，从而不断降低空调系统的能耗，实现建筑节能。

　　目前已有的研究中，对于空调系统的节能优化大多体现在对于空调系统优化控制技术的研究。随着楼宇自动化系统以及智能控制技术等的应用，业内通过对空调系统设备进行数据采集和控制的研究，使得空调系统实现动态调节。大部分研究的空调系统的总能耗是通过机理分析计算得到，再利用遗传蚁群算法、遗传算法、人工蜂群算法等智能优化算法对数学公式中的设备运行参数进行寻优，从而得到设备能耗最低运行参数。另外还有部分研究在机理分析公式中添加经过精准预测的空调负荷作为参数，使得空调系统能够根据空调负荷需求智能变化。

　　在目前的研究中，大部分的空调能耗是利用机理原理计算，然而空调系统是一个非线性的、动态的、复杂的系统，其总能耗伴随着环境和季节的变化而变化，具有时变性和随机性，难以用数学函数表达式进行准确表达。并且目前的研究中，虽有部分研究利用预测算法预测空调能耗，但对于输入特征未进行充分选择，并没有考虑到其他天气、建筑、人员密度等因素对空调能耗高低的影响，且忽略了空调负荷的预测。而部分研究虽已有对空调负荷的预测，但方法的预测结果精度不高，存在过拟合等问题，且最终仍是代入到机理分析的数学公式中，如果负荷预测不够准确，很大程度上影响了空调总能耗的目标函数。

　　为了解决现有技术存在的问题，本发明提供一种空调系统节能优化方法，能够对空调系统进行节能优化。

　　对归一化处理后的数据集进行特征选择得到用于作为建立空调负荷预测模型时输入的第一特征集和建立空调能耗模型时输入的第二特征集。

　　将第一特征集作为lstm神经网络的输入，将神经网络的特征维数设为第一特征集的特征个数，网络层数设置为1，通过torch.optim.adam优化算法对lstm神经网络进行训练得到空调负荷预测模型。

　　结合第一方面，进一步的，所述根据空调负荷预测结果构建空调能耗模型具体为：将第一特征集、空调负荷预测结果以及第二特征集作为随机森林回归器的输入对其进行训练得到空调能耗模型。

　　结合第一方面，进一步的，通过差分进化法初始化空调能耗模型需输入特征集中要寻优的设备运行参数，将初始化的参数值和特征集中除设备运行参数之外的特征值作为空调能耗模型的输入得到空调能耗，再通过差分进化法寻优得到最低空调能耗时的设备运行参数。

　　结合第一方面，进一步的，所述对设备参数寻优包括：所述通过差分进化法初始化空调能耗模型需输入特征集中要寻优的设备运行参数，将初始化的参数值和特征集中除设备运行参数之外的特征值作为空调能耗模型的输入得到空调能耗，再通过差分进化法寻优得到最低空调能耗时的设备运行参数，具体为：

　　对应的空调总能耗为适应度值表示为，将个体进行实数编码，并代入到空调能耗模型计算每一个个体对应的适应度值；

　　，以及当前种群适应度的平均值当前种群中最差和最优个体的适应度值分别为f

　　(g)，随机生成一个rand(0,1)，当随机值小于交叉概率时，将变异个体h

　　选择操作，如果交叉个体的适应度值小于父代个体的适应度值，选择保留交叉个体，如果交叉个体并不是最优，那么本次不更新个体，选择后的新个体x

　　当满足最大迭代次数或者达到最小能耗值的时候，终止迭代，输出最优的个体以其对应的适应度值，最优个体的值即为空调系统运行的最优运行参数组合。

　　建模模块：用于构建空调负荷预测模型，确定空调负荷；根据空调负荷预测结果构建空调能耗模型；

　　本发明有益效果：本发明通过建立空调负荷预测、空调系统能耗模型建模以及空调系统设备运行参数优化的方法，形成一种空调系统节能优化方法及系统。利用lstm算法预测空调负荷，提前确定制冷需求，提高空调负荷预测准确率；基于随机森林回归算法，将空调负荷预测模型的输入特征和预测结果继续作为空调能耗模型的输入，建立非线性的空调能耗模型；利用具有全局寻优能力和鲁棒性较好的自适应差分进化方法对于设备运行参数动态寻优，解决其他优化算法局部收敛的问题。这套方法在保证满足需求的前提下，对空调系统进行优化模拟计算，动态寻找系统最低能耗时的设备运行参数。该方法的提出为建筑、酒店、商住楼等空调设备运营人员对于空调的运行参数的设置提供参考，能够有效降低空调系统能耗，实现空调系统节能优化。

　　为了进一步描述本发明的技术特点和效果，以下结合附图和具体实施方式对本发明做进一步描述。

　　获取历史的一段时间的有时间特征的气象数据、建筑参数、人员数量、空调维持温度、空调负荷、空调系统的制冷机组、冷却水泵、冷冻水泵、冷却塔风机的运行参数、空调总AG体育能耗数据，具体数据如下：气象数据包括室外温度、室外湿度、气压、风速、风向、光照强度；

　　建筑参数包括建筑房间数、室内面积；设备运行参数包括冷负荷率、冷却水供水温度、冷却水流量、冷却水泵频率、冷冻水供水温度、冷冻水流量、冷冻水泵频率、冷却塔风机空气流量、冷却塔风机频率、冷水机组功率。

　　由于设备数据采集存在一定网络、采集设备等多方面因素，所以获取的数据不能直接应用于数据分析，需要对数据进行AG体育预处理，具体包括如下步骤：

　　1)首先去除数据集中的缺失值，将数据集的数据按照每天24h每1小时为颗粒度排列成数据输入矩阵，添加运行时刻t、当天日期、前日th空调负荷、t-1h室外温度、t-1h室外湿度、t-1h光照强度、t-1h空调负荷、t-2h空调负荷，t-1h空调总能耗、前日th空调总能耗、t-1h冷却水流量、t-1h冷却水流量作为输入矩阵的列，删除有空值的行。

　　2)进行数据变换，由于通过计算人员数量、室内面积与空调负荷的相关系数，以及计算人员密度＝人员数量/室内面积与空调负荷的相关系数，发现人员密度更能影响空调负荷；将数据变换成能够作为输入的数值，将当日时刻赋值为0-23，将当天日期转换为是否为休息日，休息日赋值为0，工作日为1。

　　3)为了消除数值间的量纲关系，将数值归一化处理，采取min-max归一化方法，利用公式进行计算，其中max为数据中的最大值，min为数据中的最小值，x

　　4)由于将于预测结果密切相关的特征作为输入更能提高预测的准确率，冗余的特征易增加模型计算量，因此要进行特征选择。为了得到空调负荷预测模型和空调能耗模型的输入特征，分别计算数据集与空调负荷以及空调总能耗的相关系数，删除相关性较低的特征，最终空调负荷预测模型的输入矩阵为特征集1(第一特征集)，特征集1包含人口密度、空调维持温度、运行时刻t、当天日期、前日th空调负荷、t-1h室外温度、t-1h室外湿度、t-1h光照强度、t-1h空调负荷、t-2h空调负荷。通过数据集与空调总能耗的分析，空调总能耗模型的输入矩阵同时考虑空调负荷对总能耗的影响，最终得到的空调能耗特征集包括特征集1的所有特征、空调负荷的预测结果以及特征集2(第二特征集)，特征集2包含冷却水供水温度、冷冻水供水温度、冷却水泵频率、冷冻水泵频率、冷却塔风机频率、冷负荷率、冷水机组功率、t-1h空调总能耗、前日th空调总能耗、t-1h冷却水流量、t-1h冷却水流量，总体输入特征如图2所示。

　　lstm算法是一种特定形式的循环神经网络，添加遗忘门机制，具有长期记忆功能，解决rnn无法处理长距离的依赖的问题。本发明使用pytorch机器学习库中的torch.nn.lstm接口，通过设置输入特征维数即特征集1的个数input_size＝10，网络层数num_layers＝1，利用torch.optim.adam优化算法进行模型训练，计算不同隐层维数hidden_size值下的预测准确率，选择合适的隐层维数，最终构建空调负荷预测模型，确定未来t时刻的空调负荷。

　　随机森林(random forest，rf)算法是以决策树为基学习器的bagging集成学习算法，如果是回归决策树所集成的森林就叫做随机森林回归器，随机森林回归能够提高预测

　　准确率和控制过拟合发生，具有很强的抗干扰能力和泛化能力。本发明利用随机森林回归进行空调能耗预测，利用机器学习库sklearn中的集成算法模块ensemble中的randomforestregressor进行构建设备运行参数等特征与空调总能耗之间的非线性模型，将空调能耗特征集作为模型输入，设置树的棵数为n_estimators＝10，每个决策树的分类标准criterion＝’mse’。最终建立历史数据设备运行参数与空调总能耗之间的随机森林回归模型，通过输入当前设备运行参数的值，能够计算得到空调总能耗。

　　差分进化方法(differential evolution algorithm，de)是一种基于群体自适应全局优化算法，属于进化算法，包括变异、交叉和选择的操作，模拟了群体中的个体的合作与竞争的过程。de算法每次迭代寻优的过程中，首先，进行变异操作，从父代个体中选择一个或多个个体的基因作为基，然后选择不同的个体的差分来构成差分基因；其次，将作为基的基因与差分基因相加来得出新的个体；之后，进行交叉操作将新的个体与父代的对应个体交叉，最后，计算父代个体和子代个体的适应度值，在父代个体和子代个体中进行选择操作，比较交叉后的个体与父代的对应个体，选择适应度值较优的个体保留至下一代。

　　本发明利用de算法进行空调设备运行参数寻优，在空调能耗特征集中确定需要寻优的设备运行参数(这些参数在特征集中)，其他剩余特征值为t-1时刻的实际数值，利用de算法初始化这些参数的值，将初始化的参数值以及剩余特征值作为输入，带入rf空调能耗模型得到空调能耗，之后通过de算法不断寻优，得到最低空调能耗时的设备运行参数，具体过程如图3所示，具体步骤如下：

　　1)确定需要寻优的设备运行参数为冷却水供水温度、冷冻水供水温度、冷却水泵频率、冷冻水泵频率、冷却塔风机频率，得到设备运行的约束条件，即参数的最大最小值，设置参数的优化范围。de算法的每一个个体表示待求问题的一个候选解，根据寻优参数个数为5，设置种群个体数m为10，个体维度n为5，最大迭代次数g为50，每个个体x

　　)。将个体进行实数编码，并代入到rf空调能耗模型空调能耗模型计算每一个个体对应的适应度值。

　　，以及当前种群适应度的平均值当前种群中最差和最优个体的适应度值分别为f

　　(g)，随机生成一个rand(0,1)，当随机值小于交叉概率时，将变异个体h

　　5)选择操作，如果交叉个体的适应度值小于父代个体的适应度值，选择保留交叉个体，如果交叉个体并不是最优，那么本次不更新个体。选择后的新个体x

　　6)当满足最大迭代次数或者达到最小能耗值的时候，终止迭代，输出最优的个体以其对应的适应度值，最优个体的值即为空调系统运行的最优运行参数组合。

　　计算得到空调系统总能耗最低时的冷却水供水温度、冷冻水供水温度、冷却水泵频率、冷冻水泵频率、冷却塔风机频率的运行值，结合实际操作情况，形成变频、变水温、变流量、机组启停等方式的空调系统优化控制策略。

　　建模模块：用于构建空调负荷预测模型，确定空调负荷；根据空调负荷预测结果构建空调能耗模型；

　　本发明解决了空调负荷预测、空调系统能耗模型建模以及空调系统设备运行参数优化控制的问题，在空调系统能够智能采集数据以及水泵、水塔具有或加装变频控制系统的前提下，提出一种空调系统节能优化方法及系统，能够利用大数据算法预测空调负荷，提前确定制冷需求，将空调负荷预测模型的输入特征和预测结果继续作为空调能耗模型的输入，建立非线性的基于随机森林的空调能耗模型。同时利用具有全局寻优能力的自适应差分进化方法对于设备参数寻优，最终形成一套智能分AG体育析决策的空调系统优化控制方法，实现空调系统的节能优化。

　　上述实施例不以任何形式限定本发明，凡采取等同替换或等效变换的形式所获得的技术方案，均落在本发明的保护范围之内。

　　技术研发人员：张庭玉;郝浩;陈志凯;赵竟;沈炎;胡恩俊;陆立广;刘永瑞

　　如您需求助技术专家，请点此查看客服电线.汽车流场分析和淀粉糖工艺技术。

　　1.振动信号时频分析理论与测试系统设计 2.汽车检测系统设计 3.汽车电子控制系统设计