欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2023115527986
申请人: 南京工程学院
专利类型:发明专利
专利状态:已下证
专利领域: 供热;炉灶;通风
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种计及空调运行状态的定频中央空调日前负荷预测方法,其特征在于:包括以下步骤,S1、获取历史时段的n组监测数据,每组监测数据包括影响中央空调冷量需求的因素和中央空调系统运行总功率;

S2、对监测数据进行归一化处理得出无量纲的新数据,并将影响中央空调冷量需求因素的新数据分别进行与中央空调系统负荷率的相关性分析,根据相关性分析结果分配权重,得到各无量纲的新数据对中央空调系统负荷率的贡献值历史数据序列;

S3、建立基于精英保留策略遗传算法EPGA改进的反向传播神经网络模型即EPGA-BPNN模型,将贡献值历史数据序列作为输入数据,结合历史时段的中央空调系统负荷率,对EPGA-BPNN模型进行训练后,得到训练后的EPGA-BPNN模型;

步骤S3中,基于精英保留策略遗传算法EPGA改进的反向传播神经网络模型即EPGA-BPNN模型包括反向传播神经网络模型即BPNN模型和参数优化模块,BPNN模型:将历史时段中w-v时刻至w时刻的贡献值历史数据序列作为输入数据,进行前向传播,并得到w+1时刻至w+u时刻的预测负荷率;将得到的预测负荷率和历史时段的对应的中央空调系统运行总功率之间的误差进行反向传播;

参数优化模块:采用精英保留策略遗传算法EPGA对BPNN模型的网络参数进行迭代优化,得到优化后的BPNN模型的网络参数;

S4、获取预测时段前设定时段的监测数据,并得到预测时段前设定时段的的贡献值数据序列;

S5、将预测时段前设定时段的贡献值数据序列输入训练后的EPGA-BPNN模型,得到预测时段的中央空调系统负荷率;

S6、根据步骤S5得到的预测时段的中央空调系统负荷率,判定预测时段的中央空调系统的运行状态,根据运行状态制定预测时段相应的调控策略。

2.如权利要求1所述的计及空调运行状态的定频中央空调日前负荷预测方法,其特征在于:步骤S1中,获取历史时段的n组监测数据,每组监测数据包括影响中央空调冷量需求的因素和中央空调系统运行总功率,具体为,采集n组影响中央空调冷量需求的因素包括室内温度Tin、室内湿度Hin、室外温度Tout、室外湿度Hout和冷冻水温度Tcw;并采集对应的中央空调系统运行总功率为Pair;得到n组监测数据。

3.如权利要求1所述的计及空调运行状态的定频中央空调日前负荷预测方法,其特征在于:步骤S2中,对监测数据进行归一化处理得出无量纲的新数据,具体为,归一化处理监测数据:,

其中,,序列分别表示输入变量室内温度Tin、室内湿度Hin、室外温度Tout、室外湿度Hout、冷冻水温度Tcw,序列为中央空调系统运行总功率为Pair的数据序列,即,进行变换后获得输出量,该输出量为无量纲的新数据。

4.如权利要求1-3任一项所述的计及空调运行状态的定频中央空调日前负荷预测方法,其特征在于:步骤S2中,将影响中央空调冷量需求因素的新数据分别进行与中央空调系统负荷率的相关性分析:,

其中,,为中央空调系统负荷率序列,为母序列;为第i个标准化输出序列,为子序列;表示第i个子序列与母序列对应维度上的关联性,取值范围在0~1之间,0表示不相关,1表示强关联性,数字越大,代表关联性越强;为分辨系数;p、q分别为两级最小差和两级最大差:,。

5.如权利要求1-3任一项所述的计及空调运行状态的定频中央空调日前负荷预测方法,其特征在于:步骤S2中,根据相关性分析结果分配权重,得到各无量纲的新数据对中央空调系统负荷率的贡献值历史数据序列,具体为,根据相关性分析结果分配权重,将经过归一化处理的数据序列乘以分配的权重值,得到对负荷率的贡献值历史数据序列:。

6.如权利要求1-3任一项所述的计及空调运行状态的定频中央空调日前负荷预测方法,其特征在于:步骤S3中,将贡献值历史数据序列作为输入数据,结合历史时段的中央空调系统负荷率,对EPGA-BPNN模型进行训练后,得到训练后的EPGA-BPNN模型,具体为,S31、将历史时段中w-v时刻至w时刻的贡献值历史数据序列,输入EPGA-BPNN模型的BPNN模型,输出w+1时刻至w+u时刻的中央空调系统负荷率预测值序列;

S32、由中央空调系统负荷率预测值序列和历史时段的中央空调系统运行总功率,计算预测误差的损失函数Loss;

S33、对BPNN模型的网络参数进行初始化,将初始化后的网络参数作为初始的参数种群;

S34、在预测误差的损失函数Loss反向传播时,使用精英保留策略遗传算法EPGA对参数种群迭代更新,重复步骤S31-S34直至损失函数小于设定值或达到设定次数后,求解得到最优网络参数值;

S35、赋值最优网络参数值给BPNN模型,得到训练后的EPGA-BPNN模型。

7.如权利要求6所述的计及空调运行状态的定频中央空调日前负荷预测方法,其特征在于:步骤S34中,在预测误差的损失函数Loss反向传播时,使用精英保留策略遗传算法EPGA对参数种群迭代更新,具体为,S341、精英保留策略遗传算法EPGA的参数种群记为,其中,x代表种群个体,t代表种群代数;

S342、在每次迭代时,将损失函数Loss作为个体的适应度函数值,将种群中表现最佳的个体即适应度函数值最高的个体直接复制到下一代中;

S343、旧种群在保持整体规模不变的前提下,将旧种群的其他个体通过遗传算子操作生成的新个体以及种群中表现最佳的个体一同组成新种群;对新再次进化时重新计算个体的适应度函数值;将种群中表现最佳的个体作为最优网络参数值。

8.如权利要求1-3任一项所述的计及空调运行状态的定频中央空调日前负荷预测方法,其特征在于:步骤S6中,预测时段的中央空调系统的运行状态包括启动阶段、运行阶段和停止阶段。

9.如权利要求8所述的计及空调运行状态的定频中央空调日前负荷预测方法,其特征在于:步骤S6中,根据步骤S5得到的预测时段的中央空调系统负荷率,判定预测时段的中央空调系统的运行状态,具体为,在预测时段的负荷率中,有以下三种情况中任一种判定为启动阶段:

情况一:负荷率呈现持续上升,且起始时刻的负荷率与终止时刻的负荷率上升变化速率在第一设定区间;

情况二:预测时段中存在时段的负荷率达到第二设定区间内;

情况三:负荷率呈现持续下降,且起始时刻的负荷率与终止时刻的负荷率下降变化速率在第三设定区间内;

在预测时段的负荷率保持在设定范围内时,负荷率变化速率在第四设定区间内时,判定为运行阶段;

起始时刻的负荷率与终止时刻的负荷率下降变化速率在第五设定区间内,且负荷率下降至0,判定为停止阶段。