冷水機(jī)組作為空調(diào)系統(tǒng)最主要的能耗設(shè)備,建立冷水機(jī)組能耗預(yù)測模型對(duì)于節(jié)能運(yùn)行優(yōu)化具有重要意義。本文針對(duì)冷水機(jī)組運(yùn)行參數(shù)繁多,能耗預(yù)測模型超參數(shù)難以調(diào)優(yōu)等特點(diǎn),提出了基于梯度提升回歸樹的冷水機(jī)組能耗預(yù)測方法,并利用冷水機(jī)組實(shí)測數(shù)據(jù)對(duì)模型進(jìn)行了訓(xùn)練與驗(yàn)證,同時(shí)對(duì)比了支持向量回歸和決策樹模型。結(jié)果表明:基于梯度提升回歸樹的能耗預(yù)測模型能夠更準(zhǔn)確的預(yù)測冷水機(jī)組能耗。對(duì)比其他兩種模型,MAE和RMSE分別平均降低了24.5%和45.5%,相關(guān)系數(shù)達(dá)到0.999 7,并且模型對(duì)超參數(shù)不敏感,能夠在較寬泛的范圍內(nèi)比較好地?cái)M合數(shù)據(jù),具有較高的實(shí)用價(jià)值。 

【文章來源】：制冷與空調(diào). 2020,20(11)

【文章頁數(shù)】：5 頁

【部分圖文】：

冷水機(jī)組示意圖

本文以梯度提升回歸樹算法建立冷水機(jī)組能耗模型，建模過程包括數(shù)據(jù)預(yù)處理，特征選擇，模型超參調(diào)優(yōu)，模型建立和最后的結(jié)果分析對(duì)比，具體的建模流程如圖2所示。3.1 數(shù)據(jù)預(yù)處理

輸入訓(xùn)練集訓(xùn)練GBRT模型，并通過繪制學(xué)習(xí)曲線來判斷是否存在欠擬合或過擬合問題，如圖3所示，隨著訓(xùn)練樣本的增加，訓(xùn)練集的平均絕對(duì)誤差一直都維持在較低的水平，并且與交叉驗(yàn)證集的差距在不斷減小，可見模型能夠較好地?cái)M合數(shù)據(jù)。3.4 模型測試及結(jié)果分析對(duì)比

【參考文獻(xiàn)】：
期刊論文
[1]基于EWMA-BN的冷水機(jī)組故障診斷策略[J]. 尚鵬濤,郭亞賓,譚澤漢,陳煥新,丁新磊.  制冷學(xué)報(bào). 2019(02)
[2]基于長短期記憶神經(jīng)網(wǎng)絡(luò)的暖通空調(diào)系統(tǒng)能耗預(yù)測[J]. 廖文強(qiáng),王江宇,陳煥新,丁新磊,尚鵬濤,魏文天,周鎮(zhèn)新.  制冷技術(shù). 2019(01)
[3]基于關(guān)聯(lián)規(guī)則算法的冷水機(jī)組運(yùn)行性能優(yōu)化[J]. 周璇,王炳文,閆軍威,凡祖兵,石凱.  暖通空調(diào). 2018(12)
[4]基于機(jī)器學(xué)習(xí)的冷水機(jī)組能耗模型辨識(shí)方法研究[J]. 魏崢,王碧玲.  建筑科學(xué). 2018(06)
[5]梯度漸進(jìn)回歸樹在建筑能耗短期預(yù)測中的應(yīng)用[J]. 王尉同,潘毅群,黃治鐘.  建筑節(jié)能. 2018(03)
[6]大數(shù)據(jù)在空調(diào)領(lǐng)域的應(yīng)用[J]. 陳煥新,劉江巖,胡云鵬,李冠男.  制冷學(xué)報(bào). 2015(04)
[7]基于BP神經(jīng)網(wǎng)絡(luò)的冷水機(jī)組能效預(yù)測方法[J]. 嚴(yán)中俊,閆軍威.  制冷與空調(diào)(四川). 2013(05)
[8]基于外在參數(shù)的冷水機(jī)組數(shù)學(xué)模型[J]. 李威,張昌.  制冷與空調(diào). 2011(06)



本文編號(hào)：3421130