[发明专利]一种基于PSO-ELM算法的智能建筑空调冷机系统运行优化方法

权利要求书

1.一种基于PSO-ELM算法的智能建筑空调冷机系统运行优化方法，其特征在于，包括以下步骤：

S1：数据采集模块采用数据采集方式为空调系统中的传感器采集，采集数据为空调系统的可调参数和过程变量数值.可调参数作为待优化参数,对过程变量数值进行数据处理后获取空调冷水机能效数据,并将其作为预测输出数值；

S2：将数据集进行划分，划分为训练集与测试集；

S3：ELM预测算法模块进行预测后续能效模型中的中间数值，模型中主要需要确定的超参数有w、b和β，其中w和b是通过模型来确定，β是通过数据集训练确定，训练单台基于获取改进超限学习机的冷水机能效预测模型，训练出能效模型的具体过程如下：

将训练样本设定为其中n是优化参数的个数，m是训练样本的数量，隐含层数量为l，输入层与隐藏层的权重为w，隐藏层与输出层的权重为β，激活函数为采用Sigmoid函数，其表达形式为：

基于超限学习机的冷机能效预测模型的结果为c_j，根据现有的数据集，单台冷机能效预测模型的表达式为：

上述预测模型在训练过程中，不断迭代更新系数β，为了无限接近训练的数据的真实性，模型的预测效果是希望预测结果c_j和实际数据结果y_j一致，所以就有：

联立(2)(3)可以整理得：

式中，l为输入层各隐藏层的节点个数，w和b在训练过程中可以随机选择，且训练过程中保持不变，为了提升预测模型的精度，通过粒子群算法对ELM的超参数w和b进行了寻优，而隐藏层和输出层的连接权重β可以通过求解以下方程组的最小二乘解获得：

其中

该方程中最小二乘解为：

其中，H+为隐藏层输出矩阵H的Moore-Penrose广义逆；

将(6)式结果代入(2)式，就能够建立单台冷机能效预测模型：

c＝f(x₁,x₂,...,x_n) (7)

考虑到超限学习机的预测能力受参数设置的影响，再引入粒子群优化PSO方法，以通过参数优模型性能；

超限学习机模型的参数在开始时是随机设置的，并且使用PSO方法自动确定可以获得最佳预测结果的参数，

PSO算法中每个粒子就是d搜索空间中的一个潜在解，记为Zi＝(z_i1,z_i2,…,z_id)，将Zi代入目标函数计算其适应度值，则粒子的“好坏”可用适应度值来评判，第i个粒子的速度则是用一个d维向量表示，记作V_i＝[v_i1,v_i2,…,v_id]；

在寻优的过程中，第i个粒子搜索到的最佳位置记为P_id＝[P_i1,P_i2,…,P_id]，所有粒子搜索到的最佳位置记为P_gd＝[P_g1,P_g2,…,P_gd]，粒子根据下式更新速度和位置：

式中，i＝1,2,…m；k为迭代的次数；α是惯性权重因子；非负数c₁，c₂为学习因子；r₁，r₂为(0,1)之间的随机数，考虑到粒子在搜索的过程中是非线性变化的，因此采用非线性凹函数递减惯性权重方式会获得更好的效果：

式中，T_max为最大迭代次数；α_max，α_min分别为惯性权重的最大和最小值，本发明的α_max＝0.9，α_min＝0.4；

从空调系统冷机能效预测模型可知，输入层神经元个数、隐含层神经元个数以及输出层神经元个数预先设定，模型未知的参数变量是输入层与隐含层之间的连接权重w和隐含层神经元阈值b，激励函数采用Sigmoid函数；

因此，粒子群中的解Z_i＝[w_i,b_i]，参数求解过程中，就是固定超限学习超参数β，找到使得目标函数最小的解Z_i，而粒子群的目标参数即为式(5)；

粒子群求解完成后，将最优参数组合[w_i,b_i]代入式(6)，实现超限学习机的超参数优化为后续的优化模型可靠的适应度函数；

S4：建立空调系统冷机组能效优化模型，通过ELM预测算法模块预测后续能效模型中的中间数值，模型中主要需要确定的超参数有w、b和β，其中w和b是通过S3模型来确定，β是通过数据集训练确定；

优化模型具体建立过程如下：空调系统冷机组的整体能效通常用EER来评价，其定义为在额定工况下，冷机组提供的制冷量与所消耗电能的比值；

冷机组有M台制冷机，第e台制冷机的额定制冷量为L_e，制冷机的负载作为优化参数之一，为了后续建模说明，假设第e台制冷机的负载为f_e，第e台制冷机的能效COP预测模型根据式(7)为：

c_e＝f_e(x₁,x₂,...,x_n) (10)

空调系统的制冷需求为T冷吨，根据EER的定义，建立制冷机组整体能效模型为：

式中冷机额定制冷量和负载的乘积为该冷机的实际制冷量，在空调系统工作过程中，冷机组的总制冷量需要大于等于制冷需求量；

因此，空调冷机组的能耗优化模型为：

S5：通过冷机组能效优化模型建立能效优化模型，并运用进化算法进行求解，通过智能优化算法求得最优组合，并基于粒子群的超参数寻优模块，并结合ELM的特性，用粒子群算法优化S2中的超参数w和b；

其具体过程如下：

通过遗传算法求解式(12)，先根据约束的遗传算法适应度函数：

得到带约束条件下的遗传算法适应度函数，再经过遗传方法寻优后，计算得到最优参数组合，即为智能建筑空调制冷机组优化参数；

S6：输出空调系统冷水机组参数优化方案到智慧能源管理系统并基于优化结果与控制模型进行交互式处理，系统运行参数调整，根据控制指令后，运行参数重新调整。