[发明专利]一种冷源系统冷量智能预测方法、系统及存储介质

说明书

本发明涉及冷量智能预测技术领域，公开了一种冷源系统冷量智能预测方法、系统及存储介质，该方法构建以特征变量为节点，以特征变量间关联关系为边的图结构，能通过经验信息和数据信息对特征做初步划分，利用特征变量之间的关联关系提升数据的利用率，对冷量进行实时、精确地预测。

技术领域

本发明涉及冷量智能预测技术领域，尤其涉及一种冷源系统冷量智能预测方法、系统及存储介质。

背景技术

在大型建筑中，暖通空调系统的冷量供应是维持建筑物内舒适度以及保证建筑正常运作的重要条件，作为建筑冷量的来源，暖通空调系统是建筑中能耗占比最高的部分。因此，建立高精度的冷量预测模型，进行冷量的精准预测是实现优化控制，进而实现节能减排的重要基础。

冷量的影响因素众多，具体可分为室外因素和室内因素，这些影响因素之间互相影响，耦合性强，单纯采用机理方式进行热力学分析难度大，成本高，并且针对不同的建筑结构需要重复进行机理分析。因此，建立一种可高效提取冷量影响因素之间的关系，在此基础上进行精准的冷量预测，对实现中央空调冷源系统优化控制、实现建筑的节能降碳目标具有十分重要的现实意义。随着智慧楼宇系统的推广，建筑的实时数据更易获取，基于数据驱动的预测方法在建筑领域中的普及度逐渐上升。然而，传统的机器学习方法对影响因素间的关联关系利用有限，这种关联关系所提供的隐含信息对冷量预测有着重要意义。此外，由于不同影响因素数据的单位、数据数量级的不同，利用简单的关联性分析方法难以反映出不同性质数据之间关联的差异。可见，现有技术中的冷量预测方法对数据的利用率较低，预测精度较低。

发明内容

本发明提供了一种冷源系统冷量智能预测方法、系统及存储介质，以解决现有技术中的冷量预测方法对数据的利用率较低，预测精度较低的问题。

为了实现上述目的，本发明通过如下的技术方案来实现：

第一方面，本发明提供一种冷源系统冷量智能预测方法，包括：

获取待分析冷源系统的历史的运行数据集，确定所述运行数据集中影响冷量的因素作为特征变量，并确定所述特征变量的数据单位；

根据所述特征变量之间的关联关系，构建不同特征变量间的关联关系图；

根据所述数据单位、所述特征变量构建同类特征集合，并根据特征变量的性质，将所述同类特征集合划分为同质特征子集；

基于所述同质特征子集构建同质特征蒙版矩阵，并基于所述同质特征蒙版矩阵对所述关联关系图的节点之间的关联关系进行重新分配，获得蒙版关联图；

基于所述蒙版关联图确定得到目标图神经网络模型，将实时获取的待分析冷源系统的待测数据输入所述目标图神经网络模型，得到所述目标图神经网络模型输出的预测冷量。

可选地，所述关联关系图包括节点和边，其中，节点表示冷量预测所使用的特征变量，边表示特征变量间的关联关系系数。

可选地，所述关联关系图满足图结构的邻接矩阵A_cor的数学表达式，其数学表达式满足如下公式：

A_CORij＝COR(f_i,f_j)；

其中，COR表示计算第i个特征变量f_i和第j个特征变量f_j之间的关联系数，A_CORij为邻接矩阵A_COR的第i行，第j列的元素，该元素取值为第i个特征变量f_i和第j个特征变量f_j之间的关联系数，关联系数为范围0至1的正实数，关联系数越接近1，表示f_i和f_j之间的关联性越强。

可选地，所述根据特征变量的性质，将所述同类特征集合划分为同质特征子集，包括：