一种基于样本数据衍生与增量学习的冷热源主机建模方法

1.本发明属于暖通空调领域，具体涉及一种基于样本数据衍生与增量学习的冷热源主机建模方法。


背景技术：

2.冷热源主机是暖通空调系统中耗能占比很高的设备，为了预测冷热源主机在不同工况下的运行情况，总结冷热源主机运行规律，优化设备的节能运行，需要对冷热源主机进行建模，方便对机房中的设备进行统一的管理。
3.在目前的工程应用中，冷热源主机的模型建立一般要依赖于一段时间的冷热源主机运行数据，当数据量及数据质量不满足建模要求时，往往难以获得冷热源主机的模型。同时，只依靠冷热源主机实际运行数据进行建模的方法，由于设备在一定时间内的运行工况较少出现变化，使得收集到的数据过于集中，容易造成模型出现过拟合现象，无法预测训练工况以外的工况场景。因此，亟需一种能够在少样本场景下快速准确建立冷热源主机模型，又可以使得能够根据真实运行工况不断更新调整自身模型的建模方法。


技术实现要素：

4.为解决上述问题，本发明公开了一种基于样本数据衍生与增量学习的冷热源主机建模方法，在少样本场景下能够快速准确建立冷热源主机模型，能够根据真实运行工况不断更新调整自身模型的建模方法，使得模型既符合冷热源主机实际运行规律又可以预测全工况场景下数据的模型。
5.为达到上述目的，本发明的技术方案如下：
6.一种基于样本数据衍生与增量学习的冷热源主机建模方法，包括以下步骤：
7.s1：获取样本机组的工况数据；
8.s2：根据现场冷热源主机铭牌上名义工况数据对样本数据进行衍生；
9.s3：利用样本衍生数据进行模型拟合，获得数据衍生模型；
10.s4：采集现场实际冷热源主机的运行数据，对其进行聚类，得到k个簇，k个簇的簇心即为现场典型工况；
11.s5：利用s4中获得的现场典型工况对s3中的数据衍生模型进行增量学习得到最终预测模型。
12.进一步地，所述步骤s1中：
13.收集到的工况数据包含不同冷却水温度、不同冷冻水温度、不同负荷率下冷热源主机的制冷量或制热量以及制冷效率或制热效率cop取值；
14.样本数据中的冷却水温度、冷冻水温度、负荷率变化范围需要包含冷热源主机运行范围内所有可能取值；
15.样本机组需要保证与现场目标机组同类型。
16.进一步地，所述步骤s2包括：
17.s21：计算现场冷热源主机名义工况与样本冷热源主机名义工况制冷量或制热量比值，从而对样本数据所有制冷量或制热量进行放缩；
18.s22：计算现场冷热源主机名义工况与样本冷热源主机名义工况cop比值，从而对样本数据所有制冷量或制热量进行放缩。
19.进一步地，所述步骤s3包括
20.步骤s3中进行数据衍生模拟拟合时，使用的待拟合模型公式为：
21.cop＝a1×
t
e，out
+a2×
t
c，in
+a3×
t
c，out
+a4×
q+a5×q×
q+a6×
t
e，out
×
q+a7×
t
c，in
×
q+a8×
t
c，out
×
q+a9；
22.其中，a1，a2...a9为待拟合参数，cop为制冷效率或制热效率，t
e，out
为冷热源主机冷冻水出水温度，t
c，in
为冷热源主机冷却水进水温度，t
c，out
为冷热源主机冷却水出水温度，q为冷热源主机制冷量或制热量，使用的回归拟合方法为lasso回归。
23.进一步的，当样本数据中不包含冷热源主机冷却水出水温度时，通过以下方法进行计算，从而获得带有冷热源主机冷却水出水温度的样本数据：
24.s31.通过样本数据中的名义工况下的制冷量或制热量及功率，计算名义工况下冷热源主机的额定冷却水流量g；
25.s32.假定样本数据工况中的冷却水供回水温差均为5℃，从而计算样本数据中所有工况的冷却水流量；
26.s33.当步骤s32中所计算的冷却水流量大于冷热源主机的额定冷却水流量g的30％时，通过以下公式计算冷热源主机冷却水出水温度：
27.t
c，out
＝t
c，in
+5；
28.当步骤s32中所计算的冷却水流量小于等于于冷热源主机的额定冷却水流量g的30％时，将其流量视为额定流量的30％，进而以下公式计算冷热源主机冷却水出水温度：
29.t
c，out
＝(q+q/cop)/c/(g
×
0.3)+t
c，in
；
30.其中，c为水的比热容。
31.进一步地，所述步骤s4包括：
32.s41：采集现场冷热源主机运行过程中的启停状态、冷冻水进出水温度、冷却水进出水温度、负荷率、制冷量或制热量及功率数据，并由公式cop＝q/w计算冷热源主机制冷效率或制热效率，式中q为冷热源主机制冷量或制热量，w为冷热源主机功率；
33.s42：对s41采集到的数据进行预处理，具体包含：将冷热源主机设备的非数值类运行参数数据进行数值化转换，如：设备开关状态，用1表示开启，0表示关闭；基于运行参数实际可能出现的区间范围对异常值进行剔除与修正，如：采集到的温度超过冷热源主机实际可能运行的温度范围；对缺失信号参数利用前后时间点的数据使用内插法或外插法对缺失值进行填充；
34.s43：利用s42处理后的数据集d使用k-means方法聚类分析：
35.进一步地，所述步骤s43包括：
36.s431：从数据集d中随机确定k个数据点作为簇心；
37.s432：然后为数据集d中每一个数据点找到与其距离最近的簇心并将该数据点分配为该簇心所对应的簇；
38.s433：将每个簇的簇心更新为该簇中所有数据点的均值；
39.s434：重复s432和s433步骤直到簇心位置不再发生变化时结束。
40.s44：将s43步骤获得的k个簇心定义为现场典形工况
41.进一步地，所述步骤s5包括：
42.步骤s3获得的数据衍生模型将步骤s4步骤中获取的k个现场典形工况纳入数据集中进行增量学习，对数据衍生模型中已获得的a1，a2...a9拟合参数的进行修正，形成最终预测模型。
43.本发明的有益效果是：
44.本发明通过利用同类型冷热源主机在不同型号下的性能曲线具有相似变化趋势的特点，选定以需要建模的同类型冷热源主机下某一型号冷热源主机的样本运行工况数据作为基准，对目标冷热源主机进行数据衍生，并利用衍生数据进行模型拟合，最后利用目标冷热源主机少量实际运行数据通过聚类提取典型工况对模型进行增量学习，进而得到适配于该冷热源主机的模型。该方法易于扩展到不同类型不同型号的冷热源主机建模中，有较好的实际工程应用前景。
附图说明
45.图1为本发明的流程图；
46.图2为本发明所述的建模方法中根据现场冷热源主机铭牌上名义工况数据对样本数据进行衍生的流程图；
47.图3为本发明所述的建模方法中利用现场真实数据进行聚类分析的流程图；
48.图4为本发明所述的建模方法中一具体实施例获得的最终预测模型的对cop的预测结果与真实运行工况的散点图。
具体实施方式
49.下面结合附图和具体实施方式，进一步阐明本发明，应理解下述具体实施方式仅用于说明本发明而不用于限制本发明的范围。
50.如图1所示，本发明所述的基于样本数据衍生与增量学习的冷热源主机建模方法，包括：
51.s1：获取样本机组的工况数据；
52.s2：根据现场冷热源主机铭牌上名义工况数据对样本数据进行衍生；
53.s3：利用样本衍生数据进行模型拟合，获得数据衍生模型；
54.s4：采集现场实际冷热源主机的运行数据，对其进行聚类，得到k个簇，k个簇的簇心即为现场典型工况；
55.s5：利用s4中获得的现场典形工况对s3中的数据衍生模型进行增量学习得到最终预测模型。
56.作为具体实施例地，所述步骤s1中：
57.收集到的工况数据包含不同冷却水温度、不同冷冻水温度、不同负荷率下冷热源主机的制冷量或制热量以及制冷效率或制热效率cop取值；
58.样本数据中的冷却水温度、冷冻水温度、负荷率变化范围需要包含冷热源主机运行范围内所有可能取值；
59.样本机组需要保证与现场目标机组同类型。
60.作为具体实施例地，步骤s1所采集的样本机组数据来自于trnsys18中的type142水冷冷热源主机数据集。
61.具体的，所述步骤s2包括：
62.s21：计算现场冷热源主机名义工况与样本冷热源主机名义工况制冷量或制热量比值，从而对样本数据所有制冷量或制热量进行放缩；
63.s22：计算现场冷热源主机名义工况与样本冷热源主机名义工况cop比值，从而对样本数据所有制冷量或制热量进行放缩。
64.具体地，所述步骤s3包括：
65.进行数据衍生模拟拟合时，使用lasso回归的拟合方法，待拟合模型公式为：
66.cop＝a1×
t
e，out
+a2×
t
c，in
+a3×
t
c，out
+a4×
q+a5×q×
q+a6×
t
e，out
×
q+a7×
t
c，in
×
q+a8×
t
c，out
×
q+a9；
67.其中，a1，a2...a9为待拟合参数，cop为制冷效率或制热效率，t
e，out
为冷热源主机冷冻水出水温度，t
c，in
为冷热源主机冷却水进水温度，t
c，out
为冷热源主机冷却水出水温度，q为冷热源主机制冷量或制热量。
68.lasso回归算法是一种正则化的线性回归模型，在最小二乘回归的基础上加上正则表达式对参数进行约束，在具体实施时，将惩罚项alpha设置为0.005。
69.当样本数据中不包含冷热源主机冷却水出水温度时，通过以下方法进行计算，从而获得带有冷热源主机冷却水出水温度的样本数据：
70.s31.通过样本数据中的名义工况下的制冷量或制热量及功率，计算名义工况下冷热源主机的额定冷却水流量g；
71.s32.假定样本数据工况中的冷却水供回水温差均为5℃，从而计算样本数据中所有工况的冷却水流量；
72.s33.当步骤s32中所计算的冷却水流量大于冷热源主机的额定冷却水流量g的30％时，通过以下公式计算冷热源主机冷却水出水温度：
73.t
c，out
＝t
c，in
+5；
74.当步骤s32中所计算的冷却水流量小于等于于冷热源主机的额定冷却水流量g的30％时，将其流量视为额定流量的30％，进而以下公式计算冷热源主机冷却水出水温度：
75.t
c，out
＝(q+q/cop)/c/(g
×
0.3)+t
c，in
；
76.其中，c为水的比热容。
77.作为具体实施例地，利用trnsys18中的type142水冷冷水主机数据集经过步骤s3拟合获得的模型公式为：
78.cop＝9.162
×
10-2
×
t
e，out
+1.802
×
10-2
×
t
c，in-1.606
×
10-1
×
t
c，out
+6.543
×
10-4
×
q-8.206
×
10
81
×q×
q+1.708
×
10-5
×
t
e，out
×
q-1.548
×
10-5
×
t
c，in
×
q+1.016
×
10-5
×
t
c，out
×
q+10.269；
79.具体的，所述步骤s4包括：
80.s41：采集现场冷热源主机运行过程中的启停状态、冷冻水进出水温度、冷却水进出水温度、负荷率、制冷量或制热量及功率数据，并由公式cop＝q/w计算冷热源主机制冷效率或制热效率，式中q为冷热源主机制冷量或制热量，w为冷热源主机功率；
81.s42：对s41采集到的数据进行预处理，具体包含：将冷热源主机设备的非数值类运行参数数据进行数值化转换，如：设备开关状态，用1表示开启，0表示关闭；基于运行参数实际可能出现的区间范围对异常值进行剔除与修正，如：采集到的温度超过冷热源主机实际可能运行的温度范围；对缺失信号参数利用前后时间点的数据使用内插法或外插法对缺失值进行填充；
82.s43：利用s42处理后的数据集d使用k-means方法聚类分析：
83.具体的，所述步骤s43如图3所示，包括：
84.s431：从数据集d中随机确定k个数据点作为簇心
85.s432：然后为数据集d中每一个数据点找到与其距离最近的簇心并将该数据点分配为该簇心所对应的簇
86.s433：将每个簇的簇心更新为该簇中所有数据点的均值；
87.s434：重复s432和s433步骤直到簇心位置不再发生变化时结束。
88.s44：将s43步骤获得的k个簇心定义为现场典形工况。
89.作为具体实施例地，某冷水主机运行数据经步骤s4后获得的三个簇心为：[[8.15，27.22，4252.67，30.16，6.51]，[8.18，22.84，3638.67，25.27，6.74]，[8.04，29.86，4730.78，32.97，6.33]]，其中第一项至第五项分别为：冷冻水出水温度、冷却水进水温度、制冷量、冷却水出水温度、cop。
[0090]
作为具体实施例地，所述步骤s5包括：
[0091]
步骤s3获得的数据衍生模型依次将步骤s4步骤中获取的k个现场典型工况纳入数据集中进行增量学习，对数据衍生模型中已获得的a1，a2...a9拟合参数的进行修正，形成最终预测模型。
[0092]
作为具体实施例地，某冷水主机现场典形工况对参数进行修正后的最终预测模型为：
[0093]
cop＝9.162
×
10-2
×
t
e，out
+1.802
×
10-2
×
t
c，in-1.606
×
10-1
×
t
c，out
+6.543
×
10-4
×
q-8.206
×
10
81
×q×
q+1.708
×
10-5
×
t
e，out
×
q-1.548
×
10-5
×
t
c，in
×
q+1.016
×
10-5
×
t
c，out
×
q+9.047；
[0094]
作为具体实施例地，如图4所示该模型对某冷水主机真实运行过程cop预测的均方根误差(rmse)为0.499，证明该模型具备预测能力并有较高的准确性。
[0095]
需要说明的是，以上内容仅仅说明了本发明的技术思想，不能以此限定本发明的保护范围，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰均落入本发明权利要求书的保护范围之内。

技术特征：
1.一种基于样本数据衍生与增量学习的冷热源主机建模方法，其特征在于，包括：s1：获取样本机组的工况数据；s2：根据现场冷热源主机铭牌上的名义工况数据对样本数据进行衍生；s3：利用s2中获得的样本衍生数据进行模型拟合，获得数据衍生模型；s4：采集现场实际冷热源主机的运行数据，对现场实际冷热源主机的运行数据进行聚类，得到k个簇，k个簇的簇心即为现场典型工况；s5：利用s4中获得的现场典型工况对s3中的数据衍生模型进行增量学习得到最终预测模型。2.如权利要求1所述的一种基于样本数据衍生与增量学习的冷热源主机建模方法，，其特征在于：收集到的工况数据包含不同冷却水温度、不同冷冻水温度、不同负荷率下冷热源主机的制冷量或制热量以及制冷效率或制热效率取值；样本数据中的冷却水温度、冷冻水温度、负荷率变化范围需要包含冷热源主机运行范围内所有可能取值；样本机组需要保证与现场目标机组同类型。3.如权利要求2所述的一种基于样本数据衍生与增量学习的冷热源主机建模方法，其特征在于，所述步骤s2包括：s21：计算现场冷热源主机名义工况下的制冷量或制热量与样本冷热源主机名义工况下的制冷量或制热量的比值a，并将样本机组的工况数据中的制冷量或制热量数据均乘以比值a，从而对样本数据所有制冷量或制热量据进行放缩；s22：计算现场冷热源主机名义工况下的制冷效率或制热效率与样本冷热源主机名义工况下的制冷效率或制热效率的比值b，并将样本机组的工况数据中的制冷效率或制热效率数据均乘以比值b，从而对样本数据所有制冷效率或制热效率数据进行放缩。4.如权利要求1所述的一种基于样本数据衍生与增量学习的冷热源主机建模方法，其特征在于：步骤s3中进行数据衍生模拟拟合时，使用的待拟合模型公式为：cop＝a1×
t
e，out
+a2×
t
c，in
+a3×
t
c，out
+a4×
q+a5×
q
×
q+a6×
t
e，out
×
q+a7×
t
c，in
×
q+a8×
t
c，out
×
q+a9；其中，a1，a2...a9为待拟合参数，cop为制冷效率或制热效率，t
e，out
为冷热源主机冷冻水出水温度，t
c，in
为冷热源主机冷却水进水温度,t
c，out
为冷热源主机冷却水出水温度，q为冷热源主机制冷量或制热量，使用的回归拟合方法为lasso回归。5.如权利要求4所述的一种基于样本数据衍生与增量学习的冷热源主机建模方法，其特征在于：当样本数据中不包含冷热源主机冷却水进水温度时，通过以下方法进行计算，从而获得带有冷热源主机冷却水进水温度的样本数据：s31.通过样本数据中的名义工况下的制冷量或制热量及功率，计算名义工况下冷热源主机的额定冷却水流量g；s32.假定样本数据工况中的冷却水供回水温差均为5℃，从而计算样本数据中所有工况的冷却水流量；
s33.当步骤s32中所计算的冷却水流量大于冷热源主机的额定冷却水流量g的30％时，通过以下公式计算冷热源主机冷却水出水温度：t
c，out
＝t
c，in
+5；当步骤s32中所计算的冷却水流量小于等于于冷热源主机的额定冷却水流量g的30％时，将其流量视为额定流量的30％，进而以下公式计算冷热源主机冷却水出水温度：t
c，out
＝(q+q/cop)/c/(g
×
0.3)+t
c，in
；其中，c为水的比热容。6.如权利要求1所述的一种基于样本数据衍生与增量学习的冷热源主机建模方法，其特征在于，所述步骤s4包括：s41：采集现场冷热源主机运行过程中的启停状态、冷冻水进出水温度、冷却水进出水温度、负荷率、制冷量或制热量及功率数据，并由公式cop＝q/w计算冷热源主机制冷效率或制热效率，式中w为冷热源主机功率；s42:对s41采集到的数据进行预处理，具体包含：将冷热源主机设备的非数值类运行参数数据进行数值化转换；基于运行参数实际可能出现的区间范围对异常值进行剔除与修正；s43：利用s42处理后的数据集d使用k-means方法聚类分析，具体步骤如下：s431：从数据集d中随机确定k个数据点作为簇心；s432：然后为数据集d中每一个数据点找到与其距离最近的簇心并将该数据点分配为该簇心所对应的簇；s433：将每个簇的簇心更新为该簇中所有数据点的均值；s434：重复s432和s433步骤直到簇心位置不再发生变化时结束；s44：将s43步骤获得的k个簇心定义为现场典型工况。7.如权利要求1所述的一种基于样本数据衍生与增量学习的冷热源主机建模方法，其特征在于：步骤s3获得的数据衍生模型将步骤s4步骤中获取的k个现场典型工况纳入数据集中进行增量学习，对数据衍生模型中已获得的a1，a2...a9拟合参数的进行修正，形成最终预测模型。

技术总结
本发明公开了一种基于样本数据衍生与增量学习的冷热源主机建模方法，利用同类型冷热源主机在不同型号下的性能曲线具有相似变化趋势的特点，选定以需要建模的同类型冷热源主机下某一型号冷热源主机的样本运行工况数据作为基准，对目标冷热源主机进行数据衍生，并利用衍生数据进行模型拟合，最后利用目标冷热源主机实际运行数据通过聚类提取典型工况对模型进行增量学习，进而得到适配于该冷热源主机的模型。该方法易于扩展到不同类型不同型号的冷热源主机建模中，有较好的实际工程应用前景。景。景。


技术研发人员：林清宾 徐轩如 张伦
受保护的技术使用者：东南大学
技术研发日：2023.07.11
技术公布日：2023/10/5