[發明專利]一種基于PSO-ELM算法的智能建筑空調冷機系統運行優化方法

有效

• 申請號: 202110704784.6
• 申請日: 2021-06-24
• 公開（公告）號: CN113268913B
• 公開（公告）日: 2022-02-11
• 發明（設計）人: 陳楚雄;彭磊;林明槐;謝永良
• 申請（專利權）人: 廣州鼎泰智慧能源科技有限公司;佛山市品智信息技術有限公司
• 主分類號: G06F30/25
• 分類號: G06F30/25;G06F30/27;G06K9/62;G06N3/00;G06N3/12;G06F111/08;G06F119/08
• 代理公司: 廣州中粵知識產權代理事務所(普通合伙) 44752
• 代理人: 楊毅宇

1.一種基于PSO-ELM算法的智能建筑空調冷機系統運行優化方法，其特征在于，包括以下步驟：

S1：數據采集模塊采用數據采集方式為空調系統中的傳感器采集，采集數據為空調系統的可調參數和過程變量數值.可調參數作為待優化參數,對過程變量數值進行數據處理后獲取空調冷水機能效數據,并將其作為預測輸出數值；

S2：將數據集進行劃分，劃分為訓練集與測試集；

S3：ELM預測算法模塊進行預測后續能效模型中的中間數值，模型中主要需要確定的超參數有w、b和β，其中w和b是通過模型來確定，β是通過數據集訓練確定，訓練單臺基于獲取改進超限學習機的冷水機能效預測模型，訓練出能效模型的具體過程如下：

將訓練樣本設定為其中n是優化參數的個數，m是訓練樣本的數量，隱含層數量為l，輸入層與隱藏層的權重為w，隱藏層與輸出層的權重為β，激活函數為采用Sigmoid函數，其表達形式為：

基于超限學習機的冷機能效預測模型的結果為c_j，根據現有的數據集，單臺冷機能效預測模型的表達式為：

上述預測模型在訓練過程中，不斷迭代更新系數β，為了無限接近訓練的數據的真實性，模型的預測效果是希望預測結果c_j和實際數據結果y_j一致，所以就有：

聯立(2)(3)可以整理得：

式中，l為輸入層各隱藏層的節點個數，w和b在訓練過程中可以隨機選擇，且訓練過程中保持不變，為了提升預測模型的精度，通過粒子群算法對ELM的超參數w和b進行了尋優，而隱藏層和輸出層的連接權重β可以通過求解以下方程組的最小二乘解獲得：

其中

該方程中最小二乘解為：

其中，H+為隱藏層輸出矩陣H的Moore-Penrose廣義逆；

將(6)式結果代入(2)式，就能夠建立單臺冷機能效預測模型：

c＝f(x₁,x₂,...,x_n) (7)

考慮到超限學習機的預測能力受參數設置的影響，再引入粒子群優化PSO方法，以通過參數優模型性能；

超限學習機模型的參數在開始時是隨機設置的，并且使用PSO方法自動確定可以獲得最佳預測結果的參數，

PSO算法中每個粒子就是d搜索空間中的一個潛在解，記為Zi＝(z_i1,z_i2,…,z_id)，將Zi代入目標函數計算其適應度值，則粒子的“好壞”可用適應度值來評判，第i個粒子的速度則是用一個d維向量表示，記作V_i＝[v_i1,v_i2,…,v_id]；

在尋優的過程中，第i個粒子搜索到的最佳位置記為P_id＝[P_i1,P_i2,…,P_id]，所有粒子搜索到的最佳位置記為P_gd＝[P_g1,P_g2,…,P_gd]，粒子根據下式更新速度和位置：

式中，i＝1,2,…m；k為迭代的次數；α是慣性權重因子；非負數c₁，c₂為學習因子；r₁，r₂為(0,1)之間的隨機數，考慮到粒子在搜索的過程中是非線性變化的，因此采用非線性凹函數遞減慣性權重方式會獲得更好的效果：

式中，T_max為最大迭代次數；α_max，α_min分別為慣性權重的最大和最小值，本發明的α_max＝0.9，α_min＝0.4；

從空調系統冷機能效預測模型可知，輸入層神經元個數、隱含層神經元個數以及輸出層神經元個數預先設定，模型未知的參數變量是輸入層與隱含層之間的連接權重w和隱含層神經元閾值b，激勵函數采用Sigmoid函數；

因此，粒子群中的解Z_i＝[w_i,b_i]，參數求解過程中，就是固定超限學習超參數β，找到使得目標函數最小的解Z_i，而粒子群的目標參數即為式(5)；

粒子群求解完成后，將最優參數組合[w_i,b_i]代入式(6)，實現超限學習機的超參數優化為后續的優化模型可靠的適應度函數；

S4：建立空調系統冷機組能效優化模型，通過ELM預測算法模塊預測后續能效模型中的中間數值，模型中主要需要確定的超參數有w、b和β，其中w和b是通過S3模型來確定，β是通過數據集訓練確定；

優化模型具體建立過程如下：空調系統冷機組的整體能效通常用EER來評價，其定義為在額定工況下，冷機組提供的制冷量與所消耗電能的比值；

冷機組有M臺制冷機，第e臺制冷機的額定制冷量為L_e，制冷機的負載作為優化參數之一，為了后續建模說明，假設第e臺制冷機的負載為f_e，第e臺制冷機的能效COP預測模型根據式(7)為：

c_e＝f_e(x₁,x₂,...,x_n) (10)

空調系統的制冷需求為T冷噸，根據EER的定義，建立制冷機組整體能效模型為：

式中冷機額定制冷量和負載的乘積為該冷機的實際制冷量，在空調系統工作過程中，冷機組的總制冷量需要大于等于制冷需求量；

因此，空調冷機組的能耗優化模型為：

S5：通過冷機組能效優化模型建立能效優化模型，并運用進化算法進行求解，通過智能優化算法求得最優組合，并基于粒子群的超參數尋優模塊，并結合ELM的特性，用粒子群算法優化S2中的超參數w和b；

其具體過程如下：

通過遺傳算法求解式(12)，先根據約束的遺傳算法適應度函數：

得到帶約束條件下的遺傳算法適應度函數，再經過遺傳方法尋優后，計算得到最優參數組合，即為智能建筑空調制冷機組優化參數；

S6：輸出空調系統冷水機組參數優化方案到智慧能源管理系統并基于優化結果與控制模型進行交互式處理，系統運行參數調整，根據控制指令后，運行參數重新調整。