丁月　尹可　董港

摘要：文章選取熱帶地區(qū)某城市的一套中央空調(diào)系統(tǒng)數(shù)據(jù)，通過對中央空調(diào)系統(tǒng)各指標(biāo)之間的關(guān)系進(jìn)行分析，借助SAS、SPSS和MATLAB軟件，采用概率抽樣的方法，構(gòu)建基于加權(quán)偏最小二乘法的中央空調(diào)系統(tǒng)變量關(guān)系模型，計算模型最優(yōu)解，給出中央空調(diào)系統(tǒng)的最優(yōu)控制策略，實現(xiàn)中央空調(diào)系統(tǒng)的智能控制與節(jié)能的目的。

關(guān)鍵詞：Leveraging Method；加權(quán)偏最小二乘法

一、引言

隨著全球氣候的變化和空調(diào)技術(shù)的發(fā)展，越來越多的大型建筑物利用中央空調(diào)系統(tǒng)來實現(xiàn)室內(nèi)溫度和濕度的調(diào)節(jié)控制，特別是隨著“智慧城市”建設(shè)步伐的快速推進(jìn)，使得圍繞智慧城市建設(shè)實現(xiàn)中央空調(diào)系統(tǒng)的智能控制與節(jié)能成為實際中的一個很有普遍意義的重要課題。本文利用數(shù)據(jù)挖掘技術(shù)對熱帶地區(qū)某城市的一套中央空調(diào)系統(tǒng)數(shù)據(jù)進(jìn)行分析，給出中央空調(diào)系統(tǒng)的最優(yōu)控制策略，為中央空調(diào)系統(tǒng)的智能控制與節(jié)能提供了有效的方法。

二、模型的建立與求解

（一）Leveraging Method

由于收集到的信息量龐大，需采用Leveraging Method方法篩選出對中央空調(diào)的系統(tǒng)影響較大的指標(biāo)數(shù)據(jù)。

首先要運(yùn)用杠桿評分對每個數(shù)據(jù)點定義合適的采樣概率，通過計算每個樣本數(shù)據(jù)的杠桿評分，給出樣本數(shù)據(jù)的采樣概率，評分越高的數(shù)據(jù)采樣概率越大。當(dāng)數(shù)據(jù)對應(yīng)的概率值大于平均采樣概率時，選取該數(shù)據(jù)作為樣本數(shù)據(jù)，得到一組新的數(shù)據(jù)。然后，在新的數(shù)據(jù)里用選取的t個樣本點進(jìn)行線性回歸，通過加權(quán)最小二乘得分計算出每個樣本數(shù)據(jù)的權(quán)重，得到一組加權(quán)后的樣本數(shù)據(jù)。最后，通過定義采樣概率與數(shù)據(jù)加權(quán)，確定由系統(tǒng)效率、系統(tǒng)耗電量等24個指標(biāo)構(gòu)成的加權(quán)后的17306條樣本數(shù)據(jù)作為研究數(shù)據(jù)。

（二）偏最小二乘回歸分析

經(jīng)過篩選得到樣本數(shù)據(jù)，借助偏最小二乘回歸構(gòu)建中央空調(diào)系統(tǒng)的變量關(guān)系模型，尋找變量之間的關(guān)系，為最優(yōu)控制策略提供依據(jù)。偏最小二乘回歸基本原理如下：

令樣本容量為r，自變量X為r×m-1維矩陣，因變量Y為r×1維向量，設(shè)由前k個PLS成分組成的r×k維隱變量矩陣H，且有H=XW，則最小二乘回歸的模型為：

選取的樣本數(shù)據(jù)與預(yù)測數(shù)據(jù)之間存在不同的相似度，根據(jù)相似度的大小對權(quán)值大小進(jìn)行合理的分配，相似度越大，預(yù)測能力越大，分配的權(quán)值也就越大。借助SAS軟件，部分運(yùn)行結(jié)果如下：

圖1是一個利用VIP指標(biāo)進(jìn)行變量篩選的結(jié)果，指標(biāo)的VIP數(shù)值越大，說明指標(biāo)越重要，從圖1可以看出有15個指標(biāo)的VIP值較大，可代表全部數(shù)據(jù)的大部分信息。

表1給出了中央空調(diào)系統(tǒng)的總耗電量、冷卻負(fù)載及系統(tǒng)效率與20個自變量之間的線性關(guān)系模型，可用其表示中央空調(diào)系統(tǒng)變量間的關(guān)系模型。

為使中央空調(diào)能夠節(jié)約電能、減少成本，進(jìn)一步求解最優(yōu)控制策略，將系統(tǒng)耗電量和系統(tǒng)效率差值最小作為目標(biāo)函數(shù)，構(gòu)建多目標(biāo)規(guī)劃模型。采用概率抽樣、蒙特卡洛模擬及理想值法三種方法對該模型進(jìn)行求解。借助SPSS、MATLAB軟件對樣本數(shù)據(jù)分別進(jìn)行100次抽樣和1000次模擬，利用LINGO軟件對模型進(jìn)行求解，通過求取最優(yōu)解給出最優(yōu)控制策略。部分總體最優(yōu)策略數(shù)據(jù)如下：

三、結(jié)論

本文通過對中央空調(diào)系統(tǒng)各個指標(biāo)之間的關(guān)系進(jìn)行分析，利用基于加權(quán)偏最小二乘法、概率抽樣、蒙特卡洛模擬、理想值法建立多種數(shù)據(jù)挖掘模型，得到了通過調(diào)節(jié)可控變量（冷水泵轉(zhuǎn)速、冷凝水泵轉(zhuǎn)速和冷卻塔風(fēng)扇轉(zhuǎn)速）最優(yōu)控制策略，以及各個最優(yōu)控制策略相應(yīng)的系統(tǒng)總耗電量和系統(tǒng)效率，還可以通過此方法給出調(diào)節(jié)中央空調(diào)系統(tǒng)設(shè)備狀態(tài)變量的最優(yōu)控制策略，為中央空調(diào)的節(jié)能與智能控制提供有利的方法。

參考文獻(xiàn)：

[1]Ma， Ping，and Xiaoxiao Sun. Leveraging for big data regression[J].Wiley Interdisciplinary Reviews： Computational Statistics，2015（07）.

[2]王鑫.半集中式中央空調(diào)空氣處理系統(tǒng)的控制研究[D].沈陽工業(yè)大學(xué)，2014.

[3]李小燕.多目標(biāo)規(guī)劃問題真有效解和近似解的研究[D].重慶師范大學(xué)，2016.

*課題項目：2017年地方高校國家級大學(xué)生創(chuàng)新創(chuàng)業(yè)訓(xùn)練計劃項目（201713320127）立項課題“中央空調(diào)系統(tǒng)運(yùn)行的數(shù)據(jù)分析與有優(yōu)化策略研究--以某公司為例”。

（作者單位：青島黃海學(xué)院）