[发明专利]一种动态预测性机器学习型空调节能控制方法

权利要求书

1.一种动态预测性机器学习型空调节能控制方法，其特征在于，包括以下步骤：

S1，采集逐时环境参数：包括干球温度、相对湿度以及水平面太阳总辐射；记录建筑逐时使用参数：包括入住率、小时标签以及日期标签；记录中央空调系统逐时运行参数：包括空调负荷、制冷机组的蒸发温度、冷凝温度、电流以及电压，冷冻水泵的供回水温度、流量、电流以及电压，冷却水泵的供回水温度、流量、电流以及电压，冷却塔风量、电流、电压、小时标签以及日期标签；

S2，定义历史T_i时刻干球温度、T_i时刻相对湿度、T_i时刻水平面太阳总辐射、T_i时刻入住率、(T_i-1)时刻入住率、(T_i-24)时刻入住率、(T_i-1)时刻空调负荷以及(T_i-24)时刻空调负荷为样本空间记录特征矩阵定义T_i时刻空调负荷为输出变量组成样本空间记录向量对所述样本空间记录特征矩阵进行归一化处理；

S3，根据所述归一化处理后的所述样本空间记录特征矩阵建立双种群粒子群训练集通过所述双种群粒子群训练集优化支持向量机中央空调负荷预测模型，所述双种群粒子群采用具有局部寻优和全局寻优的双种群粒子群优化算法，以及采用双种群协同进化策略和反正切调整策略动态调整加速因子，用于提高算法的寻优性能，计算得到所述支持向量机中央空调负荷预测模型的最佳性能参数组合粒子；

S4，定义当前T_m时刻干球温度、T_m时刻相对湿度、T_m时刻水平面太阳总辐射、T_m时刻入住率、(T_m-1)时刻入住率、(T_m-24)时刻入住率、(T_m-1)时刻空调负荷以及(T_m-24)时刻空调负荷为输入向量利用所述最佳性能参数组合粒子优化后的支持向量机中央空调负荷预测模型预测所述输出变量

S5，以中央空调系统T_m时刻能耗Es为最优化目标，以T_m时刻干球温度、T_m时刻相对湿度以及T_m时刻空调负荷作为求解条件，求解得到空调系统实时能耗最小值min(Es)以及对应的全局优化系统运行工况参数组合；

S3所述的支持向量机中央空调负荷预测模型的最佳性能参数组合粒子具体计算方法如下：

S31，初始化性能参数组合粒子(C，σ，ε)，其中，C为惩罚参数，σ为核函数参数，ε为损失函数参数；初始化惯性权重ω、加速因子、种群数量以及最大迭代次数；

S32，使用支持向量机对所述归一化处理后的所述双种群粒子群训练集进行回归训练，得到每个粒子的适应度值，记录粒子的个体最优位置和全局最优位置；

S33，根据所述双种群协同进化策略和反正切动态调整策略对位置和速度进行更新；

S34，再次使用支持向量机对所述归一化处理后的所述样本空间记录特征矩阵进行回归训练，得出每个粒子的适应度值，将每个粒子的当前位置及种群中所有粒子所经历的最好位置进行比较，若每个所述粒子的当前位置相对于所述经历的最好位置更优，则将其设置为当前最优位置值，否则保持原有最优位置值；

S35，返回S33，当所述当前最优位置值满足所述最大迭代次数或达到预设的误差范围，输出当前所述支持向量机的最佳性能参数组合粒子(C^*，σ^*，ε^*)；

S33所述双种群协同进化策略和反正切动态调整策略对位置和速度进行更新的方法如下：

定义性能参数组合粒子由i个粒子组成，分为：负责局部寻优群体Q₁和负责全局寻优群体Q₂，

所述负责局部寻优群体Q₁采用快速收敛进化方程：Q₁：v_ij(t+1)＝ω×v_ij(t)+c₁×rand()×[p_ij(t)-x_ij(t)]+c₂×rand()×[p_gj(t)-x_ij(t)] (2)

式中：v_ij(t)为粒子在搜索空间的速度；ω为惯性权重，取0.3；c₁和c₂为加速因子；rand()为区间[0，1]中分布均匀的任意数；p_ij(t)为当前粒子本身飞行过的最优位置；p_gj(t)为粒子所对应的整个种群的最优位置；x_ij(t)为粒子在搜索空间的位置；t，当前迭代次数；i，第i个粒子；j，第i个维度；

所述负责全局寻优群体Q₂采用全局搜索进化方程：

式中：t_max为最大迭代次数；

利用反正切函数动态调整c₁和c₂的策略，更好平衡全局和局部搜索，分别为：

式中：c_1s为c₁初始值；c_1e为c₁终值；c_2s为c₂初始值；c_2e为c₂终值；e为调节系数，取0～10。