基于长短期记忆网络的制冷剂剩余量的预测研究

发布时间：2021-01-06 10:43

　　随着生产力的迅速发展,能源消耗量也在不断增加,其中建筑物的能耗大约占全球能耗的20⁴0%,而采暖,通风和空调能耗约占建筑物能耗的40%。多联机空调系统作为一种能够最大限度降低运营和维护成本的高效冷却系统,加上其较高的灵活性、舒适性、可靠性等优点,现已被广泛运用于建筑中。但是设备的老化与各种故障,会对其性能产生较大的影响。鉴于多联机的系统复杂,设备繁多,无法全部进行研究。制冷剂泄漏作为多联机系统中较为常见的问题,以往的研究多集中在制冷剂充注量的诊断上,对制冷剂含量的预测研究较少。因此,本文针对多联机系统中的制冷剂剩余量,借助数据驱动的方法对制冷剂剩余量进行预测。由于在系统运行中,制冷剂的含量较难测量,因此本文采用前人所建立的经验关系式,根据实际运行数据计算出当前时刻的制冷剂含量。为了获得稳态数据,采用高斯稳态判别算法提取稳态数据,结果表明该方法能够较好的剔除原始数据中的非稳态数据。通过使用皮尔逊相关系数与最大互信息系数选取相关性较高的5个特征,作为长短期记忆网络（long short-term memory,LSTM）模型以及反向传播神经网络（back propag... 

【文章来源】：华中科技大学湖北省 211工程院校 985工程院校 教育部直属院校

【文章页数】：58 页

【学位级别】：硕士

【部分图文】：

模块高压时序图

10图 2-3 模块低压时序图所绘制的模块高低压的时序图可以发现，实验数据一直处于波定时段的数据，参数的波动很大，甚至出现骤升骤降的情况。制热模式下运行，当室外环境达到一定条件时，安装在室外的导致室外机的热交换能力下降，从而导致液态冷媒蒸发能力变均降低，当低到一定程度时，空调室内、外风机停止运转，四

确定窗口长度N(0-t时刻)窗口内数据处理sn（Glass方法）确定阈值sn<εsst>Tn=n+1是n=n+1n/N>εT时段数据为稳态数据T时段数据为非稳态数据是是 否否否图 2-5 稳态数据判别方法处理后的数据图 2-5 所示。总计有 2664 个数据点被去除%。观察图 2-6 可以发现，通过该方法基本将化霜段的波动数据示去除的数据段），而对于制冷剂泄漏所引起的特征参数的变化了保留，因而其余的数据可以近似认为是多联机机组在“正常

【参考文献】：
期刊论文
[1]基于ReliefF与mRMR耦合特征选择的多联机制冷剂充注量故障诊断[J]. 李正飞,谭泽汉,陈焕新,刘江岩,黄荣庚,刘佳慧.  暖通空调. 2018(10)
[2]多变量灰色马尔科夫模型在建筑物沉降预测中的应用[J]. 李志伟,李克昭,赵磊杰,王云凯.  测绘地理信息. 2018(03)
[3]基于遗传算法和BP神经网络的多联机阀类故障诊断[J]. 郭梦茹,谭泽汉,陈焕新,郭亚宾,黄耀.  制冷学报. 2018(02)
[4]基于灰色神经网络的微电网短期负荷预测[J]. 张浩,邓步青,彭道刚,夏飞.  系统仿真技术. 2018(01)
[5]基于组合模型的短期电力负荷预测研究[J]. 王瑞,周晨曦,逯静.  软件导刊. 2017(10)
[6]数据挖掘技术在制冷空调行业的应用[J]. 陈焕新,孙劭波,刘江岩,李冠男.  暖通空调. 2016(03)
[7]办公建筑多联机能耗现状调研及分析[J]. 赵德印,钟鸣,张旭.  建筑科学. 2016(02)
[8]数据驱动故障预测和健康管理综述[J]. 彭宇,刘大同.  仪器仪表学报. 2014(03)
[9]基于神经网络的非线性时间序列故障预报[J]. 胡寿松,张正道.  自动化学报. 2007(07)
[10]基于未知输入观测器的非线性时间序列故障预报[J]. 张正道,胡寿松.  控制与决策. 2005(07)

博士论文
[1]我国能源消费总量控制的经济及环境影响与优化研究[D]. 张倩倩.中国矿业大学(北京) 2018

硕士论文
[1]基于数据挖掘的水轮机异常预警方法研究[D]. 崔维玉.山东大学 2018
[2]基于偏最小二乘和灰色关联分析的时序预测研究[D]. 张瑞全.大连理工大学 2017
[3]多元时间序列关联挖掘算法研究与应用[D]. 徐昭邦.电子科技大学 2016
[4]基于优化灰色马尔科夫链模型的铁路客流量预测方法研究[D]. 樊冬雪.重庆交通大学 2015



本文编号：2960429