冷水機組作為空調系統(tǒng)最主要的能耗設備,建立冷水機組能耗預測模型對于節(jié)能運行優(yōu)化具有重要意義。本文針對冷水機組運行參數(shù)繁多,能耗預測模型超參數(shù)難以調優(yōu)等特點,提出了基于梯度提升回歸樹的冷水機組能耗預測方法,并利用冷水機組實測數(shù)據(jù)對模型進行了訓練與驗證,同時對比了支持向量回歸和決策樹模型。結果表明:基于梯度提升回歸樹的能耗預測模型能夠更準確的預測冷水機組能耗。對比其他兩種模型,MAE和RMSE分別平均降低了24.5%和45.5%,相關系數(shù)達到0.999 7,并且模型對超參數(shù)不敏感,能夠在較寬泛的范圍內(nèi)比較好地擬合數(shù)據(jù),具有較高的實用價值。 

【文章來源】：制冷與空調. 2020,20(11)

【文章頁數(shù)】：5 頁

【部分圖文】：

冷水機組示意圖

本文以梯度提升回歸樹算法建立冷水機組能耗模型，建模過程包括數(shù)據(jù)預處理，特征選擇，模型超參調優(yōu)，模型建立和最后的結果分析對比，具體的建模流程如圖2所示。3.1 數(shù)據(jù)預處理

輸入訓練集訓練GBRT模型，并通過繪制學習曲線來判斷是否存在欠擬合或過擬合問題，如圖3所示，隨著訓練樣本的增加，訓練集的平均絕對誤差一直都維持在較低的水平，并且與交叉驗證集的差距在不斷減小，可見模型能夠較好地擬合數(shù)據(jù)。3.4 模型測試及結果分析對比

【參考文獻】：
期刊論文
[1]基于EWMA-BN的冷水機組故障診斷策略[J]. 尚鵬濤,郭亞賓,譚澤漢,陳煥新,丁新磊.  制冷學報. 2019(02)
[2]基于長短期記憶神經(jīng)網(wǎng)絡的暖通空調系統(tǒng)能耗預測[J]. 廖文強,王江宇,陳煥新,丁新磊,尚鵬濤,魏文天,周鎮(zhèn)新.  制冷技術. 2019(01)
[3]基于關聯(lián)規(guī)則算法的冷水機組運行性能優(yōu)化[J]. 周璇,王炳文,閆軍威,凡祖兵,石凱.  暖通空調. 2018(12)
[4]基于機器學習的冷水機組能耗模型辨識方法研究[J]. 魏崢,王碧玲.  建筑科學. 2018(06)
[5]梯度漸進回歸樹在建筑能耗短期預測中的應用[J]. 王尉同,潘毅群,黃治鐘.  建筑節(jié)能. 2018(03)
[6]大數(shù)據(jù)在空調領域的應用[J]. 陳煥新,劉江巖,胡云鵬,李冠男.  制冷學報. 2015(04)
[7]基于BP神經(jīng)網(wǎng)絡的冷水機組能效預測方法[J]. 嚴中俊,閆軍威.  制冷與空調(四川). 2013(05)
[8]基于外在參數(shù)的冷水機組數(shù)學模型[J]. 李威,張昌.  制冷與空調. 2011(06)



本文編號：3421130