基于数据驱动的多联机系统用能评估与诊断

发布时间：2020-08-13 13:29

【摘要】：用能评估与诊断是对能耗的使用情况进行评价,识别出用能异常情况,对节能优化有着重要意义,对节能管理工作的开展有着指导价值。作为常见的暖通空调,对多联机系统进行用能评估与诊断对优化多联机性能、建筑节能、提高能源效率有着重大意义,基于数据驱动的用能评估与诊断方法具有运算快速、准确率高等优点,有着较大的应用和推广价值。本文针对多联机系统进行用能评估与诊断,对多联机正常实验工况下的用能正常数据集进行预处理,采用不同数据驱动算法对多联机用能进行预测,确定最佳预测模型,将基于预测模型输出的预测值与实际值间的差异作为输入变量,构建基于单分类算法的多联机用能评估与诊断模型,并将多联机制冷剂充注故障工况下的用能异常数据应用到模型中。根据多联机正常实验工况下的数据集构建多联机用能预测模型。采用相关性分析等方法,提取四个对多联机用能有重要影响的特征变量:压缩机运行频率、压缩机排气温度、室外环境温度、部分符合率(PLR)。采用局部异常因子算法剔除异常样本,数据标准化,优化建模的数据。分别采用多元线性回归算法、支持向量回归算法、BP神经网络、随机森林四种算法构建预测模型,结果分析表明支持向量回归算法(SVR)预测精度高于其他算法,用于构建预测模型。采用遗传算法方法(GA)对支持向量回归算法的参数C和g进行寻优,确实最优参数C=1.0843、g=14.101,参数寻优提高了预测模型的精度。考虑到实际运行工况的影响,提出了一种基于聚类的预测模型,针对不同类别样本分别建立预测模型,预测精度略有提高。综合考虑建模的简便性等因素,确定GA-SVR模型作为最优预测模型。基于多联机系统正常实验工况下的数据构建用能评估与诊断模型,根据GA-SVR预测模型对多联机用能进行预测,将预测值与实际值的差值和比值作为输入变量,构建基于两种单分类算法——单类支持向量机算法(OCSVM)和支持向量数据描述算法(SVDD)的用能评估与诊断模型,然后将多联机系统故障实验工况下的数据作为用能异常数据,应用到构建好的多联机用能评估与诊断模型。多联机用能评估与诊断结果表明,基于OCSVM的多联机用能评估与诊断模型和基于SVDD的多联机用能评估与诊断模型均可高准确评估与诊断出制冷剂充注故障实验工况下的多联机用能异常情况,特别在制冷剂充注不足与过量故障较为严重时,其用能异常诊断效率达到85%以上。
【学位授予单位】：华中科技大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TB657.2
【图文】：

图 2- 2 多联机用能评估与诊断框架 采集汇总后的原始数据，数据变量繁多且冗杂，不利于模型的构建与分析行特征提取，选择对建模有益的变量来构建模型，从而简化模型的构建。另对原始数据集进行异常值剔除，去除原始数据集中的异常样本，有助于提型的精度。 经过异常值剔除、特征提取后的数据需要标准化处理。由于采集得到的数同变量参数有着不同的数量级和量纲，为了保证建模结果的有效性与准确对不同量纲的数据进行标准化处理，来消除不同量纲之间的影响。通过标，将数据转化为无量纲数值，各参数转化为同一数量级，便于建模评价指数据标准化方法有多种，比如：“最小—最大标准化”、“Z-score 标准化采用“最小—最大标准化（Min-max normalization）”，又名离差标准化，公式（2-1）对数据进行线性变换，将数据映射到[0,1]区间。

中 科 技 大 学 硕 士 学 位 论 异常检测方法，用于剔除异常值，获得用于建模的相关因子（LOF）[49]是一种基于密度的异常检测方法，其主通过计算样本中每个样本点与该点邻域点之间的偏差来定一个数据集 M，其中点 p 和 o 表示 M 中的数据点，间的距离，简化用 d(p, o)表示，要求其一定要达到以下两包括 p 的样本点 ( ∈ )距离样本 p 的距离 d(p, ) 不包括 p 的样本点 ( ∈ ) 距离样本 p 的距离 d(p, 本 p 的第 h 距离的邻域区间的所有样本点，其大小应该th(p, o)表示样本点 p 到样本点 o 的可达距离，其表达公式 - ( , ) max { - ( ), ( , ) }hreach dist p o h distance o d p o

图 3- 2 数据集中样本的局部异常因子 的预测模型的预测效果，从模型的性能差异确定最佳预测模型。 .1 多元线性回归多元线性回归方法（MLR）是较常见的回归算法。多联机用能作为预测模变量。图 3- 3（a）和（b）分别表示基于 MLR 算法的训练集和测试集的预图中横向坐标表示多联机用能的实际值，纵坐标表示预测模型输出的多联测结果，实斜线表示斜率为 1 的拟合线，图中预测点越靠近实斜线表明预好。另外，两条虚斜线分别表示-15%和+15%的相对误差线，意味着在这两之间的点都是预测值和实际值的相对误差小于 15%的点。同时，为了定量模型的准确度，通过计算 RMSE、MAE 和 MAPE 来评估预测模型方法。 可以看出训练集和测试集都有较多的点没有落在两条相对误差线内，较多实线。训练集的 RMSE、MAE 和 MAPE 分别是 0.541、0.38 和 8.89，而测估结果是 0.527、0.373 和 7.82，计算结果表明基于 MLR 算法的多联机用

【相似文献】

相关期刊论文 前10条

1 刘莉莉;;土壤源水冷多联机系统供热特性实验研究[J];城市建设理论研究(电子版);2016年36期

2 张超甫;李红旗;赵志刚;周彬彬;;多联机系统中电子膨胀阀运行特性研究[J];制冷;2007年01期

3 赖雪龙;王宪;王晓冬;;深圳地铁空调变频式多联机系统的节能分析[J];城市轨道交通研究;2011年02期

4 周增;李金彪;刘鹏;;浅谈多联机系统的施工控制[J];科技传播;2010年12期

5 聂扬;;多联机系统图形法建模方法[J];建筑热能通风空调;2007年06期

6 陈晗;;多联机系统的问题及对策[J];科技展望;2014年17期

7 卞相娟;曲涛;张春霞;;多联机系统与半集中式空调系统能耗分析与比较[J];中国高新技术企业;2008年20期

8 ;工程设计问答(31)[J];暖通空调;2013年04期

9 刘晓庆;夏卓平;;浅谈水源热泵多联机系统设计要点[J];江苏建筑;2019年05期

10 龙力;;空调多联机系统优化研究[J];机电信息;2016年06期

相关会议论文 前10条

1 胡松涛;宋伟;李绪泉;;水冷多联机系统特性的仿真研究[A];山东土木建筑学会热能动力专业委员会第13届学术交流会论文集[C];2010年

2 胡松涛;张玉瑾;潘黛岱;王婧倩;;夏季水冷多联机系统等效水源半径的研究[A];山东土木建筑学会热能动力专业委员会第13届学术交流会论文集[C];2010年

3 胡松涛;张玉瑾;潘黛岱;王婧倩;;夏季水冷多联机系统等效水源半径的研究[A];中国建筑学会建筑热能动力分会第十七届学术交流大会暨第八届理事会第一次全会论文集[C];2011年

4 胡松涛;宋伟;李绪泉;;水冷多联机系统特性的仿真研究[A];中国建筑学会建筑热能动力分会第十七届学术交流大会暨第八届理事会第一次全会论文集[C];2011年

5 韩俊;;空调(热泵)多联机系统的应用[A];山东省暖通空调制冷2007年学术年会论文集[C];2007年

6 宫华耀;矫晓龙;李亚军;任兆亭;何成军;;应用于多联机系统的智能独立人感主控逻辑及检测算法的研究[A];2019年中国家用电器技术大会论文集[C];2019年

7 杨柳春;袁周;;多联机使用性能浅析[A];土木建筑学术文库(第15卷)[C];2011年

8 余凯;姜灿华;熊建国;;数码多联机系统回油特性[A];第八届全国空调器、电冰箱（柜）及压缩机学术交流会论文集[C];2006年

9 王新亚;张志刚;聂亚飞;樊健;石云从;;某高层办公楼多联机系统室外机换热条件研究[A];绿色设计 创新 实践——第5届全国建筑环境与设备技术交流大会文集[C];2013年

10 董丽娟;张旭;杨洁;;土壤源多联机系统极限工况运行特性实验研究[A];2013年第十五届西南地区暖通热能动力及空调制冷学术年会论文集[C];2013年

相关重要报纸文章 前1条

1 本报记者 赵君利;高性价比的供暖选择[N];中国建设报;2014年

相关硕士学位论文 前10条

1 刘佳慧;基于数据驱动的多联机系统用能评估与诊断[D];华中科技大学;2019年

2 刘鹏飞;基于长短期记忆网络的制冷剂剩余量的预测研究[D];华中科技大学;2019年

3 张莹;水冷VRV系统特性分析与应用研究[D];沈阳建筑大学;2015年

4 禹法文;基于主元分析的多联机系统传感器故障检测与诊断[D];华中科技大学;2018年

5 宋伟;水冷多联机系统特性的仿真研究[D];青岛理工大学;2010年

6 郑坤;空调多联机系统优化研究[D];西安建筑科技大学;2007年

7 周柯岑;土壤源水冷多联机系统特性研究[D];南京理工大学;2014年

8 位耀华;土壤源水冷多联机系统供热特性实验研究[D];青岛理工大学;2011年

9 林博;土壤源水冷多联机系统全年运行特性研究[D];青岛理工大学;2012年

10 闫小涛;数码多联机系统的研究[D];华南理工大学;2009年

本文编号：2792062