一种蓄冰空调节能预测方法和装置

技术领域

本发明涉及蓄冰空调节能技术领域，特别是指一种蓄冰空调节能预测方法和装置。

背景技术

蓄冰空调是利用冰进行热能储存的过程。该过程可以在电力需求高峰期减少用于冷却的能源。太阳能等替代能源也可以使用该技术存储能量以备后用。这很实用，因为水的熔化热很大。对于蓄冰空调节能控制研究有很多，但目前尚缺少对蓄冰空调节能情况进行很好的预测方面的研究。

发明内容

本发明提供了一种蓄冰空调节能预测方法和装置，用以对待预测蓄冰空调的节能情况进行很好的预测。所述技术方案如下：

一方面，提供了一种蓄冰空调节能预测方法，所述方法包括：

S1、输入训练样本的蓄冰空调运作时的指标参数到节能预测模型，所述指标参数包括如下中的任意两种：制冷机制冷时的温度、制冷机冷凝压力、蓄冰体积量、蓄冰容量约束、系统冷平衡率、电平衡权重系数、空调冷热负荷系数、压缩机制冷功率、制冷剂和冰水混合物之间的换热效率；

S2、通过调整所述节能预测模型的权重训练所述节能预测模型，直到完成所述节能预测模型的构建；

S3、使用构建好的节能预测模型预测待预测蓄冰空调的节能情况。

可选地，所述节能预测模型包括BP神经网络模型，所述节能预测模型包括BP神经网络模型，所述BP神经网络模型包括输入层、隐含层和输出层，将两种指标参数x

以x

y

y

上式中隐含层神经元的激活函数为：f(x)＝-1+max(0,x)+x·tanh(e

y

z

z

可选地，所述方法在S1之前还包括初始化所述节能预测模型的权重，将权重的初始值设置为W

可选地，所述S2的调整所述节能预测模型的权重，具体包括：

以上各式中W

δ

可选地，在训练时学习率ω的取值从小于2.75开始，直至ω取0.25时预测精度最高。

另一方面，提供了一种蓄冰空调节能预测装置，所述装置包括：

输入模块，用于输入训练样本的蓄冰空调运作时的指标参数到节能预测模型，所述指标参数包括如下中的任意两种：制冷机制冷时的温度、制冷机冷凝压力、蓄冰体积量、蓄冰容量约束、系统冷平衡率、电平衡权重系数、空调冷热负荷系数、压缩机制冷功率、制冷剂和冰水混合物之间的换热效率；

训练模块，用于通过调整所述节能预测模型的权重训练所述节能预测模型，直到完成所述节能预测模型的构建；

预测模块，用于使用构建好的节能预测模型预测待预测蓄冰空调的节能情况。

可选地，所述节能预测模型包括BP神经网络模型，所述节能预测模型包括BP神经网络模型，所述BP神经网络模型包括输入层、隐含层和输出层，将两种指标参数x

以x

y

y

上式中隐含层神经元的激活函数为：f(x)＝-1+max(0,x)+x·tanh(e

y

z

z

可选地，所述装置还包括初始化模块，用于初始化所述节能预测模型的权重，将权重的初始值设置为W

可选地，所述训练模块，用于通过调整所述节能预测模型的权重训练所述节能预测模型，具体包括：

以上各式中W

δ

可选地，所述训练模块在训练时学习率ω的取值从小于2.75开始，直至ω取0.25时预测精度最高。

另一方面，提供了一种电子设备，所述电子设备包括处理器和存储器，所述存储器中存储有至少一条指令，所述至少一条指令由所述处理器加载并执行以实现上述蓄冰空调节能预测方法。

另一方面，提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现上述蓄冰空调节能预测方法。

本发明提供的技术方案带来的有益效果至少包括：

采用本发明的一种蓄冰空调节能预测方法和装置，可以对待预测蓄冰空调节能情况进行很好的预测，进而实现碳达峰，碳中和等节能减排效益，目的是使利用最简单的神经网络，探求最准确的预测精度，为使用者进行进一步规划做了最优决策。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的一种蓄冰空调节能预测方法流程图；

图2是本发明实施例提供的BP神经网络示意图；

图3是本发明实施例提供的一种蓄冰空调节能预测方法详细流程图；

图4是本发明实施例提供的对W

图5是本发明实施例提供的一种蓄冰空调节能预测装置框图；

图6是本发明实施例提供的一种电子设备的结构示意图。

具体实施方式

如图1所示，本发明实施例提供了一种蓄冰空调节能预测方法，所述方法包括：

S1、输入训练样本的蓄冰空调运作时的指标参数到节能预测模型，所述指标参数包括如下中的任意两种：制冷机制冷时的温度、制冷机冷凝压力、蓄冰体积量、蓄冰容量约束、系统冷平衡率、电平衡权重系数、空调冷热负荷系数、压缩机制冷功率、制冷剂和冰水混合物之间的换热效率；

S2、通过调整所述节能预测模型的权重训练所述节能预测模型，直到完成所述节能预测模型的构建；

S3、使用构建好的节能预测模型预测待预测蓄冰空调的节能情况。

下面结合图2-图4，详细说明本发明实施例的蓄冰空调节能预测方法，所述方法包括：

S1、输入训练样本的蓄冰空调运作时的指标参数到节能预测模型，所述指标参数包括如下中的任意两种：制冷机制冷时的温度、制冷机冷凝压力、蓄冰体积量、蓄冰容量约束、系统冷平衡率、电平衡权重系数、空调冷热负荷系数、压缩机制冷功率、制冷剂和冰水混合物之间的换热效率；

可选地，如图2所示，所述节能预测模型包括BP神经网络模型，所述BP神经网络模型包括输入层、隐含层和输出层，将两种指标参数x

以x

y

y

上式中隐含层神经元的激活函数为：f(x)＝-1+max(0,x)+x·tanh(e

y

z

z

偏置变量b

其中，隐含层神经元的活化函数为：f(x)＝-1+max(0,x)+x·tanh(e

输入层变量为：X＝[x

x

定义：

上式中δ

可选地，如图4所示，所述方法在S1之前还包括初始化所述节能预测模型的权重，将权重初始值设置为W

S2、通过调整所述节能预测模型的权重训练所述节能预测模型，直到完成所述节能预测模型的构建；

可选地，所述S2的调整所述节能预测模型的权重，具体包括：

以上各式中W

δ

可选地，在训练时学习率ω的取值从小于2.75开始，直至ω取0.25时预测精度最高。

经过大量实验标明ω取0.25时，各项预测精度为最高。当然，在使用该方法时，可以根据实际情况调整ω为0.3,0.1,0.01,0.001等常见参数，但经过试验表明，当ω≥2.75时，权重值开始趋向于无穷大，这便失去了机器学习训练的意义。所以要使学习率的取值尽量小于2.75时直至ω取0.25时预测精度最高。

定义：损失函数

损失函数的目的是判断期望值(实际准确值)和神经网络输出值的差距。d

图4中的“是否达到精度要求”可根据用户实际需求进行设置，一般根据MSE公式，MSE指数越小越精确。

一些现有技术中提出了同时使用t个输入(t≥5)变量，一齐研究这t个变量对预测目标的影响，这当然是合理的，基于本发明实施例的原理，也可以直接使用权重的时间序列对多个变量因子同时作用时来进行预测。但是对于多个变量来说，不利于像本发明实施例中的方法来提取权重图，这会大大加大提取难度。通过测试后，计算机对于权重的计算精度与效率大幅降低，且在多次训练后会使得数据间关联度原来越小，甚至不如逐个训练，每次训练都精确调整参数来预测对目标的影响精度高，经过试验发现，由于同时使用t个输入(t≥5)变量时每次调整权重容易出现权重变为无穷大的情况，甚至预测精度会总体使低6.4％。因此，采用本发明实施例的预测方法，可以对待预测蓄冰空调节能情况进行很好的预测，进而实现碳达峰，碳中和等节能减排效益，目的是使利用最简单的神经网络，探求最准确的预测精度，为使用者进行进一步规划做了最优决策。

另外，对于迭代次数(训练次数)n的取值限定问题，通过参数调试发现，要使训练次数n≥200次，才能使权重呈现较为明显的递归时间序列关系。但取值不可过大(n≥10

S3、使用构建好的节能预测模型预测待预测蓄冰空调的节能情况。

当所述节能预测模型构建好后，就可以对待预测蓄冰空调的节能情况进行预测。具体方法为：

输入任意两种待预测蓄冰空调运作时的指标参数到节能预测模型，所述指标参数包括如下中的任意两种：制冷机制冷时的温度、制冷机冷凝压力、蓄冰体积量、蓄冰容量约束、系统冷平衡率、电平衡权重系数、空调冷热负荷系数、压缩机制冷功率、制冷剂和冰水混合物之间的换热效率；

所述节能预测模型输出对待预测蓄冰空调的节能情况，所述节能情况具体表示对环境影响最小化的输出因子，包括最低耗电量或者最低二氧化碳排放量。即所述节能预测模型输出待预测蓄冰空调的最低耗电量或者最低二氧化碳排放量。

如图5所示，本发明实施例还提供一种蓄冰空调节能预测装置，所述装置包括：

输入模块510，用于输入训练样本的蓄冰空调运作时的指标参数到节能预测模型，所述指标参数包括如下中的任意两种：制冷机制冷时的温度、制冷机冷凝压力、蓄冰体积量、蓄冰容量约束、系统冷平衡率、电平衡权重系数、空调冷热负荷系数、压缩机制冷功率、制冷剂和冰水混合物之间的换热效率；

训练模块520，用于通过调整所述节能预测模型的权重训练所述节能预测模型，直到完成所述节能预测模型的构建；

预测模块530，用于使用构建好的节能预测模型预测待预测蓄冰空调的节能情况。

可选地，所述节能预测模型包括BP神经网络模型，所述BP神经网络模型包括输入层、隐含层和输出层，将两种指标参数x

以x

y

y

上式中隐含层神经元的激活函数为：f(x)＝-1+max(0,x)+x·tanh(e

y

z

z

可选地，所述装置还包括初始化模块，用于初始化所述节能预测模型的权重，将权重的初始值设置为W

可选地，所述训练模块，用于通过调整所述节能预测模型的权重训练所述节能预测模型，具体包括：

以上各式中W

可选地，所述训练模块在训练时学习率ω的取值从小于2.75开始，直至ω取0.25时预测精度最高。

本发明实施例提供的一种蓄冰空调节能预测装置，其功能结构与本发明实施例提供的一种蓄冰空调节能预测方法相对应，在此不再赘述。

图6是本发明实施例提供的一种电子设备600的结构示意图，该电子设备600可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(centralprocessing units，CPU)601和一个或一个以上的存储器602，其中，所述存储器602中存储有至少一条指令，所述至少一条指令由所述处理器601加载并执行以实现上述蓄冰空调节能预测方法的步骤。

在示例性实施例中，还提供了一种计算机可读存储介质，例如包括指令的存储器，上述指令可由终端中的处理器执行以完成上述蓄冰空调节能预测方法。例如，所述计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。

本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。