基于SVR-OCSVM模型的多联机系统用能评估与诊断

发布时间：2021-11-04 17:11

　　直接根据多联机系统能耗数据的变化来判断导致能耗大幅波动的因素是很困难的。本文提出一种有效的可用于多联机系统的能耗评估与诊断方法:将支持向量回归（SVR）算法与单类支持向量机（OCSVM）算法相结合,首先通过提取系统能耗数据集特征,去除非稳态数据,根据提取的特征变量与系统能耗建立SVR模型,预测多联机系统能耗;然后将实际能耗值与预测能耗值之差和之比分别标准化,作为输入变量,建立单类支持向量机（OCSVM）模型进行样本判别,确定是否为导致系统能耗异常的原因,以此评估诊断多联机系统能耗情况。本文基于多联机能耗正常的数据集构建了能耗评估与诊断模型,并用多联机系统能耗异常数据集验证了模型的可靠性。结果表明:基于SVR-OCSVM模型的能耗评估与诊断模型具有较高的准确度,基本能达到70%以上。 

【文章来源】：制冷学报. 2020,41(04)北大核心CSCD

【文章页数】：7 页

【部分图文】：

单类支持向量机算法示意图

本文以制冷剂为R410A的多联机系统为研究对象，在标准的焓差室进行相关实验。该多联机实验系统如图3所示，系统包括一台额定功率为28 kW的室外机、5台总额定功率为29.7 kW的室内机、压缩机、气液分离器、过滤器等。多联机系统内置多个传感器，用于采集压缩机运行频率等系统参数以及室内环境温度、室外环境温度等气象数据。此外，多联机系统用能由智能电表采集。表1所示为具体实验工况，制冷剂充注水平(refrigerant charge level,RCL)95.75%和103.74%被定义为正常实验工况，制冷剂充注不足与过量工况视为故障实验工况。实验在制热模式下进行，分别采集正常工况、制冷剂充注不足和过量故障工况下的实验数据。3 结果分析

多联机实验系统

【参考文献】：
期刊论文
[1]基于PCA-DT的多联机制冷剂充注量故障诊断[J]. 王江宇,陈焕新,刘江岩,李冠男.  华中科技大学学报(自然科学版). 2016(07)
[2]基于小波去噪和神经网络的冷水机组故障诊断[J]. 石书彪,陈焕新,李冠男,胡云鹏,黎浩荣,胡文举.  制冷学报. 2016(01)
[3]基于改进BP网络的冷水机组故障诊断[J]. 石书彪,陈焕新,李冠男,胡云鹏,黎浩荣,胡文举,李炅.  制冷学报. 2015(06)
[4]基于SVDD的冷水机组传感器故障检测及效率分析[J]. 李冠男,胡云鹏,陈焕新,黎浩荣,李炅,胡文举.  化工学报. 2015(05)



本文编号：3476150