基于BP神经网络的中央空调能量优化模型研究

因素决定$系统效率最低为 "$当状态参数开关开时$系统耗电
量等于各部分功率之和 (T1# `1! `12 $电机功率和转速的关
&&
下转第 %$ 页
%&
创新与实践
收手机红外信号的功能& !82&执行单元设计 !828#&风机设计
蓄电池室内放置许多电气设备$蓄电池具备易燃易爆特 征$依照相关规范要求采用防爆风机& 除具备通风功能外$考 虑到气体循环效率$在空间位置排布上$采用' 下进风#上出风( 的结构& 在蓄电池室内温度较高时$空气受热$密度变小$热气 体上浮.外界空气温度低于蓄电池室内温度时$外界空气密度 大于蓄电池室内受热空气的密度& 开启抽风机$热气从上方被 送出$冷气从下侧进风口进入蓄电池室& ' 下进风#上出风( 的 空间位置排布$可以有效提高热气散出效率$快速将蓄电池室 内温度降至与外界相同温度& 风机启动条件如下&
#" 在室外环境温度低于设定值时$可自 动 启 动 风 机 通 风$ 并关闭空调运行$从而保证蓄电池室的环境温度$降低空调能 耗$减少空调工作时长$避免空调长时间满负荷运行$延长空调 实际使用寿命&
!"蓄电池室内具备有害气体报警功能& 当有害气体传感 器检测到有害气体含量过高时$此时自动启动风机$进行排风& !828!&空调设计
因蓄电池室内环境要求特殊$'&() *%+ ,*-."! =/08!%$'/8#"$!"#$
此反复& 假定对残差进行 .次拟合$则输出节点 (-最终的预
测结果为*
r
r
r
r
(-T*-`&+-!#" `+-!!" `1 `+-! ." ! -T#$!$1$)"
&模型建立
!8#&样本数据预处理
经过缺失数据处理和异常值处理$并用 A(W?(D的 1/^\
k0/K函数对处理前和处理后的数据进行绘图& 可以明显的看
首先以 #T! ## $#! $1$#& " ' 作为输入变量#(T! (# $(! $ 1$()" ' 作为预测变量建立 D*神经网络$其预测输出为 *T ! *# $*! $1$*)" '$预测残差为 +r!#" T! +r!#" $+r!!" $1$+)r !#" " r'.以! #$*" *#$ 作为输入变量#以 # ! ,!#" 作为预测变 量构建第二个 D*神经网络$对第一个神经网络的残差进行预 测8其预测输出记为 +r!#" $其残差为 +r!!" T+r!#" >,!#" .再 以! #$*$ ,!#" " 作为输入变量#以 ,-!!" 作为预测变量构建第 三个 D*神经网络$对第二个 D*神经网络的残差进行预测$如
示出来$使不可控变量的值具有一定规律性&
!82&效率最高耗电最低的优化模型
通过多元线性回归建模以及 A(W?(D的方法$得出! 系统
效率%耗电量" 9+^为最优模型$即高效率#低耗能&
说明在忽略环境因素情况下或者将环境因素的影响降至
最低的情况下$系统中各个设备的状态变量对于系统耗电量其
主要影响作用*当状态变量开关关闭时$系统耗电量由不可控
&引言 主要对整体的中央空调系统$建立可控变量与不可控变量
之间的关系模型& 利用已知的采集好的数据$进行数据挖掘$ 对系统在温度#湿度等一系列变量的不同情况下进行优化$从 而实现能源的高效利用$能够有效地降低能耗$最终实现中央 空调系统的智能控制与节能& &具体步骤 #8#&样本数据预处理
样本原始数据中有很多缺失数据和异常值$为了确保辨识 模型参数的准确性#可靠性$需要对原始数据进行预处理$尽可 能减小系统误差和随机误差对模型辨识的干扰& 我们先对原 始数据进行预处理$筛选出有效正常数据& 样本数据预处理包 括缺失数据处理#异常值处理&
摘&要利用改进的基于 D*神经网络模型的有限时间残差模型分析不同速度和不同工况下的冷却功率与效率之间的 关系以获得一定的功耗 一方面预测的绝对百分比误差模型总体效应另一方面证明改进后的模型比经典 D*神经 网络更有效预测精度提高了 #68$7J 关键词 节能降耗 D*神经网络 多元线性回归 最优化 M/B#"82767 :N8BOOG8#""6 >$%%38!"#$8#"8"#$
创新与实践
!"#$%&'&() *%+ ,*-."! =/08!%$'/8#"$!"#$
基于 D*神经网络的中央空调 能量优化模型研究
李雨晨# 张菁岑# 何冰癑# 马志宏!通信作者
#8天津农学院 计算科学与信息工程学院 天津 2""2$3 !8天津农学院 基础科学学院 天津 2""2$3
出$处理后的数据更加集中$剔除掉了偏离值较大的点$使得数
据更加有效合理&
!8!&构建 D*神经网络模型
使用 A+K0+1 工具箱$对可控变量 /# 和不可控变量 /! 与冷
却负载 (# #系统效率 (! #耗电量 (2 分别进行拟合$得到符合数 据分布的曲线函数& 冷却负载与可控变量和不可控变量之间
的关系式为
(# T"P!!/# `"0$$/! 系统效率与可控变量和不可控变量之间的关系式为
(! T"024/! `"062/! 耗电量与可控变量和不可控变量之间的关系式为
(2 T"04#/# `"0!7/! 可以看出 (# #(! #(2 与 /# #/! 具有线性关系$即可以用可控 变量和冷却负载 (# #系统效率 (! #耗电量 (2 表示出不可控变 量$说明了不可控变量可以通过可控变量和已知的部分参数表
缺失数据处理*在原始数据中$我们认为除装置状态参数 以外$其他值为零的数据是无效数据$将这些数据进行剔除$保 留有效数据& #8!&基于有限次残差拟合的 D*神经网络组合模型
经典 D*神经网络的初始权值阈值是随机选取的$因此容 易陷入局部极小值$而诸如融合遗传算法的 D*神经网络等模 型可有效提高预测精度$但运算速度较慢& 尤其对于研究$插 值后的数据以分钟为时间窗口$有几十万个样本$在一般的微 型计算机中训练一次需时数分钟& 而遗传算法中$每一个种群 就是一次训练$而且还需几十#数百代的遗传$效率十分低$不 利于本题的情况$因此需要进行适当改进&