能源消耗一直是經(jīng)久不衰的熱門話題,全球每年的建筑能耗正在逐漸升高。如今國(guó)內(nèi)城鎮(zhèn)化明顯加速了建筑能耗,建筑內(nèi)的主要耗能系統(tǒng)之一就是中央空調(diào)系統(tǒng)。21世紀(jì)初出現(xiàn)的云存儲(chǔ)平臺(tái),使中央空調(diào)在運(yùn)行中積累大量的能耗數(shù)據(jù),存儲(chǔ)在Oracle數(shù)據(jù)庫(kù)中,其數(shù)據(jù)量已經(jīng)達(dá)到上千萬條之多,為數(shù)據(jù)挖掘奠定了基礎(chǔ)。傳統(tǒng)的數(shù)據(jù)分析技術(shù)包括查詢、篩選、歸納、統(tǒng)計(jì)等,往往針對(duì)數(shù)據(jù)本身的數(shù)學(xué)特征進(jìn)行分析,不易發(fā)現(xiàn)隱含信息,因此采用新興的數(shù)據(jù)挖掘技術(shù)是研究中央空調(diào)系統(tǒng)節(jié)能策略優(yōu)化問題的重要途徑之一。本課題以某商場(chǎng)的中央空調(diào)系統(tǒng)為研究對(duì)象,通過傳感器采集系統(tǒng)數(shù)據(jù)并將其存儲(chǔ)在Oracle數(shù)據(jù)庫(kù)中,對(duì)采集的數(shù)據(jù)進(jìn)行預(yù)處理以獲得穩(wěn)定條件下的運(yùn)行數(shù)據(jù),并對(duì)其進(jìn)行能耗分析與能耗特征選擇。利用Boruta特征選擇算法從原始能耗變量中選擇出合適的能耗特征子集,即負(fù)荷率、主機(jī)出水溫度、冷凍水泵頻率和冷卻水泵頻率,將能耗特征子集作為后期數(shù)據(jù)挖掘模型和節(jié)能策略優(yōu)化的對(duì)象。根據(jù)預(yù)處理后的中央空調(diào)系統(tǒng)的穩(wěn)定運(yùn)行數(shù)據(jù),建立了中央空調(diào)系統(tǒng)的兩個(gè)數(shù)據(jù)挖掘模型,分別是中央空調(diào)BP神經(jīng)網(wǎng)絡(luò)模型和中央空調(diào)關(guān)聯(lián)規(guī)則模型,該模型分別可以有效的解決中央空調(diào)系統(tǒng)機(jī)理建...

【文章頁數(shù)】：99 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 課題研究背景
        1.1.1 課題的來源
        1.1.2 課題的目的與意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 中央空調(diào)建模研究現(xiàn)狀
        1.2.2 中央空調(diào)優(yōu)化研究現(xiàn)狀
    1.3 本文研究?jī)?nèi)容
第二章 數(shù)據(jù)挖掘技術(shù)基礎(chǔ)與技術(shù)路線
    2.1 數(shù)據(jù)挖掘技術(shù)
        2.1.1 數(shù)據(jù)挖掘的發(fā)展
        2.1.2 數(shù)據(jù)挖掘的功能
        2.1.3 數(shù)據(jù)挖掘的技術(shù)路線
    2.2 數(shù)據(jù)挖掘平臺(tái)
        2.2.1 數(shù)據(jù)挖掘平臺(tái)簡(jiǎn)介
        2.2.2 Weka平臺(tái)簡(jiǎn)介
        2.2.3 Weka平臺(tái)界面
    2.3 數(shù)據(jù)挖掘在中央空調(diào)運(yùn)行策略優(yōu)化中的技術(shù)路線
    2.4 本章小結(jié)
第三章 中央空調(diào)能耗分析與能耗特征選擇
    3.1 系統(tǒng)能耗數(shù)據(jù)特點(diǎn)
    3.2 數(shù)據(jù)預(yù)處理
        3.2.1 數(shù)據(jù)合并
        3.2.2 數(shù)據(jù)清洗
        3.2.3 數(shù)據(jù)歸一化
    3.3 系統(tǒng)能耗數(shù)據(jù)分析
    3.4 系統(tǒng)能耗特征選擇
        3.4.1 能耗特征選擇方法
        3.4.2 Boruta特征選擇算法
    3.5 中央空調(diào)Boruta特征選擇實(shí)驗(yàn)
    3.6 本章總結(jié)
第四章 中央空調(diào)數(shù)據(jù)挖掘模型建立過程
    4.1 系統(tǒng)能耗預(yù)測(cè)模型
        4.1.1 人工神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介
        4.1.2 BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)
        4.1.3 BP神經(jīng)網(wǎng)絡(luò)的建立
        4.1.4 BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練與測(cè)試
    4.2 系統(tǒng)能耗關(guān)聯(lián)規(guī)則模型
        4.2.1 關(guān)聯(lián)規(guī)則簡(jiǎn)介
        4.2.2 Apriori關(guān)聯(lián)規(guī)則算法的描述
        4.2.3 Weka平臺(tái)實(shí)現(xiàn)過程與結(jié)果分析
    4.3 本章小結(jié)
第五章 基于數(shù)據(jù)挖掘模型的改進(jìn)遺傳算法
    5.1 中央空調(diào)節(jié)能策略特點(diǎn)
    5.2 遺傳算法簡(jiǎn)介
        5.2.1 遺傳算法的發(fā)展
        5.2.2 遺傳算法的基本要素
    5.3 改進(jìn)的遺傳算法
        5.3.1 混合遺傳關(guān)聯(lián)算法簡(jiǎn)介
        5.3.2 混合遺傳關(guān)聯(lián)算法基本操作
    5.4 混合遺傳關(guān)聯(lián)算法的驗(yàn)證實(shí)驗(yàn)
        5.4.1 混合遺傳關(guān)聯(lián)算法的參數(shù)設(shè)置
        5.4.2 混合遺傳關(guān)聯(lián)算法的實(shí)現(xiàn)
        5.4.3 基于混合遺傳關(guān)聯(lián)算法的能耗特征子集優(yōu)化實(shí)驗(yàn)
    5.5 本章小結(jié)
第六章 中央空調(diào)節(jié)能優(yōu)化策略的仿真與分析
    6.1 中央空調(diào)系統(tǒng)介紹
    6.2 實(shí)驗(yàn)方案的分析與確定
    6.3 混合遺傳關(guān)聯(lián)算法與遺傳算法優(yōu)化結(jié)果比較及分析
        6.3.1 節(jié)能策略對(duì)比分析
        6.3.2 節(jié)能策略結(jié)果分析
    6.4 本章小結(jié)
第七章 總結(jié)與展望
    7.1 工作總結(jié)
    7.2 未來展望
致謝
參考文獻(xiàn)
攻讀碩士學(xué)位期間取得的成果



本文編號(hào)：3871874