[发明专利]基于LightGBM算法和网格搜索算法的暖通空调系统故障诊断方法

说明书

本发明公开了一种基于LightGBM算法和网格搜索算法的暖通空调系统故障诊断方法，包括以下步骤：1)数据采集和预处理，收集空调冷水机组的故障数据，对数据进行数据清洗和归一化等预处理；2)构建基于LightGBM的空调故障诊断模型，确定模型需要优化的超参数以及超参数的取值范围；3)使用网格搜索法结合五折交叉验证的方法训练和来优化超参数，确定模型的最优超参数组合。通过采用以上技术，与现有技术相比，本发明克服了现有技术的不足，提出了一种基于LightGBM算法和网格搜索算法的暖通空调系统故障诊断方法，利用LightGBM快速、高性能分布式的特点，提高了对空调故障的诊断预测效果。

技术领域

本发明涉及空调故障诊断技术领域，具体涉及一种基于LightGBM算法和网格搜索算法的暖通空调系统故障诊断方法。

背景技术

空调系统在运行过程中因设备老化、自然磨损、设计调控不合理等多种因素而出现故障，而故障往往会引起系统效率下降，不仅造成能耗浪费和碳排放的升高，也会造成经济损失并破坏环境。因此，对暖通空调系统故障进行及时检测和准确诊断具有重要现实意义，不仅可以节约能源、减少停机、避免空调系统发生不可逆损坏，还能降低碳排放并减少规划备件与库存所需的时间。

以往的故障诊断方法多是基于统计或者设置阈值的方式，但是阈值的设定依赖工作人员的经验，往往报错率较高，诊断效果较差。近年来，空调系统结构越来越复杂，故障种类也越来越多样化，通过机器学习和数据挖掘的方法进行空调故障诊断也成为当前的研究热点。梯度提升机(GBM)模型是基于决策树算法，它的相关改进算法对多分类预测问题有着不错的效果，例如极端梯度提升机(XGBoost)以及轻梯度提升机(LightGBM)等，它们具有训练速度快、内存占用低等优点，是进行中小结构数据预测的最佳算法。

但是基于上诉方法构建的故障诊断模型依然存在大量参数不确定的情况，导致模型诊断准确率波动较大。不同的超参数对故障诊断模型的诊断效果影响较大，因此选择一个好的超参数组合能够发挥出故障诊断模型的优越性，并且提升故障诊断的准确率。

发明内容

为了提高空调故障诊断的准确率，解决现有技术存在的诊断效果较差的问题，本发明提出了一种基于LightGBM算法和网格搜索算法的暖通空调系统故障诊断方法，利用机器学习和数据挖掘技术，实现了暖通空调系统冷水机组故障的精确预测和诊断。

本发明采用的技术方案为：

一种基于LightGBM算法和网格搜索算法的暖通空调系统故障诊断方法，包括以下步骤：

(1)数据采集和预处理，收集暖通空调系统冷水机组正常运行和不同故障时的状态数据，对数据进行数据清洗和归一化等预处理并打上故障标签，获得训练样本数据；

(2)构建LightGBM模型作为空调故障诊断模型，并确定模型需要优化的超参数以及超参数的取值范围；其中，LightGBM模型的输入为预处理后的状态数据，输出为故障标签的预测值。

(3)利用步骤(1)的训练样本数据，使用网格搜索法结合五折交叉验证的方法训练和优化LightGBM模型的超参数，确定模型的最优超参数组合，得到最优的空调故障诊断模型。

(4)实时收集暖通空调系统冷水机组运行的状态数据进行数据清洗和归一化等预处理后输入至最优的空调故障诊断模型进行空调故障诊断。

进一步地，所述状态数据至少包括蒸发温度、冷凝温度、吸气温度、排气温度、蒸发压力、冷凝压力、流量、阀门位置信息、压缩机功率等。

进一步地，所述步骤(1)中，对于数据采集过程中出现的缺失值，采用拉格朗日插值法进行处理，其插值多项式为：