[发明专利]基于逐步回归的冷水机组能效模型通用建模方法

摘要

本发明公开了基于逐步回归的冷水机组能效模型通用建模方法，由于影响冷水机组能效的可测参数在不同的实际工程中会存在差别，因此本发明专利在编制表征机组能效的模型因子项集合基础上，提出采用逐步回归法对模型因子项进行优化筛选，构建满足当前机组不同运行工况下的最优能效模型(SR)。并且由于数据质量提升是保证仿真模型精度的基础，因此本发明提出了多指标融合小波去噪方法有效去除集中在信号(即可测参数的监测数据)高频部分的噪声成分。该方法创新性地解决了传统黑/灰箱模型仿真精度偏低以及使用范围受限的缺陷，进而为机组运行策略的优化以及冷水机组的节能诊断奠定基础。

主权项

1.基于逐步回归的冷水机组能效模型通用建模方法，其特征在于包括以下步骤：步骤一、确定能效模型的模型因子项集合，所述的模型因子项集合包括以下三类模型因子项，第一类模型因子项由载冷剂侧参数构成、第二类模型因子项由制冷剂侧参数构成，第三类模型因子项由压缩机调节参数构成；其中所述的第一类模型因子项通过现有冷水机组能耗回归模型中模型因子项的收集整理得到，所述的第二类模型因子项和第三类模型因子项由影响参数作用机理分析得到；步骤二、针对某一实际工程，收集冷水机组现场可测参数的历史运行数据；步骤三、判断步骤二中的现场可测参数是否为所述的模型因子项集合中的模型因子项的构成参数，若是，则对该现场可测参数进行数据预处理，具体步骤为：(1)通过与冷水机组相连的监测平台在设定的测试周期内读取每个可测参数的数据形成数据序列；(2)对每个可测参数的数据序列中的数据进行筛选去掉其中的不理想数据，形成各个可测参数筛选后的数据序列；(3)将经过上述步骤处理后的每类可测参数的初筛数据进行多指标融合的小波去噪，采用多指标融合的综合评价指标确定每类可测参数数据对应的最佳分解重构尺度，并使用均方根误差RMSE和信噪比SNR指标确定每类可测参数数据对应的最佳小波基函数，在此基础上，针对每个分解层次构建一个合理的阈值，并使用软阈值法对高频系数进行处理，去除集中在高频部分的噪声成分，最后对低频系数和阈值量化后的高频系数进行小波重构，即获得采用多指标融合小波去噪方法去除噪声后的数据序列；其中最佳分解重构尺度确定的步骤为：(a)采用每个可测参数筛选后的数据序列中的数值分别求解均方根误差变化量Cvrm、信噪比变化量Csnr以及平滑度变化量Cvr；(b)将每类可测参数的均方根误差变化量Cvrm、信噪比变化量Csnr以及平滑度变化量Cvr数值采用熵值法进行加权融合得到标准小波去噪效果的综合评价指标序列，每类可测参数的综合评价指标序列由10个综合评价指标构成，所述的综合评价指标计算公式为：CEI(m)＝wvrm·Cvrm(m)+wvsnr·Cvsnr(m)+wvr·Cvr(m)式中m为小波分解重构尺度，取值为1～10的正整数；wvrm(m)、wvsnr(m)、wvr(m)分别为m尺度下Cvrm、Csnr以及Cvr所占的权重；(c)将每类可测参数的综合评价指标序列中的各个综合评价指标分别减去该序列中的最大值进行反转，并使用最小二乘法进行4阶拟合对序列整体变化趋势进行分析，剔除偏离整体的异常值，用相对应的拟合值代替；(d)根据每个综合评价指标序列中的数值做出曲线，寻找该曲线变化中明显的拐点，此节点对应的分解重构尺度即为初筛数据的最佳分解重构尺度；最佳小波基的确定方法为：使用均方根误差RMSE和信噪比SNR指标选择适合冷水机组实际运行数据的最佳小波基，其计算方程如下：SNR＝10×lg(powersignal/powernoise)式中f(i)为初筛后的监测数据；m为小波分解重构尺度，取值为1～10的正整数；为m尺度下的分解重构数据；n为数据个数，并且每个分解层次所对应的阈值λ采用长度对数阈值法计算得到：式中为噪声估计，N为每一层小波系数的个数；步骤四、若现场可测参数中包含冷冻水出口温度Teo、冷冻水进口温度Tei以及冷冻水流量Me，则通过制冷量的计算公式Qe＝CpMe(Tei‑Teo)计算Qe，其中Cp为水定压比热，其取值为4.2kJ/(K·kg)，将经过步骤三处理后的现场可测参数以及由处理后的可测参数计算得到的制冷量作为已知参数，从模型因子项集合中挑选出由这些已知参数构成的模型因子项构建冷水机组能效模型COP的初始表达式，若Teo、Tei以及Me不都是现场可测参数，则将经过步骤三处理后的现场可测参数作为已知参数构建COP的初始表达式：COP＝β0X0+β1X1+…+βmXm式中m为从模型因子项集合中挑选的因子项个数；β0,β1,…,βm为各个因子项对应的拟合系数；X0,X1,...Xm分别为经过步骤三处理后的现场可测参数；步骤五、采用逐步回归法，根据冷水机组能效模型中各模型因子项自变量对COP贡献率大小对各模型因子项进行筛选，去掉对COP的影响不显著的模型因子项，使得最终回归方程中各因子项对COP的影响都是显著的；步骤六、各模型因子项前的拟合系数采用多元线性回归进行求解，将筛选后的各项模型因子乘以相应的系数后求和得到冷水机组能效模型COP的最优能效模型；步骤七、收集冷水机组当前运行工况下COP最优能效模型中各模型因子项涉及的可测参数，并将每个可测参数采用步骤三中(2)‑(3)进行数据预处理，然后将所述的数据预处理后的可测参数代入COP最优能效模型中，进行冷水机组运行性能预测。