李利文，蔡盼盼

（1.廣州遠(yuǎn)正智能科技股份有限公司，廣東 廣州 511400；2.華南理工大學(xué) 機(jī)械與汽車工程學(xué)院，廣東 廣州 510000）

冷水機(jī)組是中央空調(diào)最大耗能設(shè)備，精確、合理的冷水機(jī)組能效模型對于實(shí)現(xiàn)中央空調(diào)節(jié)能運(yùn)行控制具有重要意義。本文借助混沌粒子群優(yōu)化算法（CPSO）較強(qiáng)的全局搜索能力，尋找支持向量回歸機(jī)（SVR）的最優(yōu)參數(shù)，進(jìn)一步提高冷水機(jī)組運(yùn)行能效的黑箱模型精度。

1 冷水機(jī)組運(yùn)行能效預(yù)測模型

建立基于混沌粒子群的冷水機(jī)組運(yùn)行能效預(yù)測模型，需經(jīng)過數(shù)據(jù)選取、數(shù)據(jù)預(yù)處理、SVR模型建立、CPSO-SVR模型參數(shù)的尋優(yōu)及模型的驗(yàn)證等幾個步驟。

1.1 數(shù)據(jù)選取

本文以廣州某大型商場的離心式冷水機(jī)為例，從全年運(yùn)行數(shù)據(jù)庫中隨機(jī)選取1 428組運(yùn)行數(shù)據(jù)作為樣本數(shù)據(jù)進(jìn)行建模，為使算法具有較好的均衡性，樣本數(shù)據(jù)按2∶1的比例隨機(jī)劃分為訓(xùn)練樣本和測試樣本兩部分[1]，通過訓(xùn)練樣本對模型進(jìn)行訓(xùn)練，利用測試樣本對模型的有效性進(jìn)行分析。

1.2 數(shù)據(jù)預(yù)處理

根據(jù)冷水機(jī)組運(yùn)行能效影響因素分析，本文選取負(fù)荷率PLR、冷凍水供水溫度Tei和冷卻水出水溫度Tco3個參數(shù)作為模型輸入?yún)?shù)，并采用最大最小值方法對各參數(shù)進(jìn)行歸一化處理，將數(shù)據(jù)處理成[0，1]的無因次數(shù)。

1.3 SVR模型建立

支持向量回歸機(jī)是針對有限樣本情況下根據(jù)結(jié)構(gòu)風(fēng)險最小化原則設(shè)計(jì)的一種統(tǒng)計(jì)學(xué)習(xí)理論，已廣泛用于解決分類和回歸問題[2]。在冷水機(jī)組運(yùn)行能效建模過程中，設(shè)若樣本數(shù)量為l，則樣本集可表達(dá)為.由于核函數(shù)的選擇對于支持向量回歸機(jī)分析有很大影響，常用的核函數(shù)有線性、多項(xiàng)式、高斯徑向基RBF、Sigmoid函數(shù)等多種。本文選用高斯徑向基RBF核函數(shù)，因?yàn)槠渚哂休^強(qiáng)的非線性逼近能力，在選擇適當(dāng)參數(shù)時具有良好的泛化性能。

1.4 CPSO-SVR模型參數(shù)尋優(yōu)

1.4.1 粒子群優(yōu)化算法

粒子群優(yōu)化是一種采用速度—位置搜索模型的智能化優(yōu)化算法，是通過個體間的協(xié)作與競爭實(shí)現(xiàn)多維空間中最優(yōu)解的搜索，具有搜索速度快、算法簡單、適合于實(shí)值型處理等特點(diǎn)。

1.4.2 混沌粒子群優(yōu)化算法

粒子群優(yōu)化算法雖然簡單，但在進(jìn)化后期收斂速度慢且易陷入局部極值點(diǎn)?；煦缌Ｗ尤簝?yōu)化算法是將混沌思想引入到粒子群優(yōu)化算法中，可有效提高種群的多樣性和粒子搜索的遍歷性，改善粒子群優(yōu)化算法擺脫局部極值點(diǎn)的能力，提高算法的收斂速度和精度。CPSO參數(shù)尋優(yōu)流程圖見圖1.

圖1 CPSO參數(shù)尋優(yōu)流程圖

1.4.3 SVR參數(shù)尋優(yōu)

SVR模型參數(shù)主要包括不敏感損失系數(shù)ε、懲罰系數(shù)C和RBF核函數(shù)的寬度γ，這3個參數(shù)的選擇對SVR模型的預(yù)測性能有很大的影響。因此，本文采用粒子群算法和混沌粒子群算法對SVR超參數(shù)（ε，C，γ）進(jìn)行尋優(yōu)，其中，ε的取值范圍為[0.000 1，0.1]，C的取值范圍為[1，1 000]，γ的取值范圍為[0.1，100]。兩種算法均采用交叉驗(yàn)證方法進(jìn)行驗(yàn)證，將訓(xùn)練樣本集分為5等份，4份用于學(xué)習(xí)，1份用于驗(yàn)證，交替進(jìn)行直至遍歷整個評價集，最終選擇出與最小MSE平均值對應(yīng)的各參數(shù)值作為優(yōu)化的參數(shù)值。兩種算法SVR參數(shù)尋優(yōu)結(jié)果如表1所示。

表1 兩種算法SVR參數(shù)尋優(yōu)結(jié)果

2 實(shí)驗(yàn)測試

2.1 評價指標(biāo)

為了更好地對冷水機(jī)組能效模型的有效性進(jìn)行評價，本文采用相對均方根誤差百分比R_RMSE來衡量模型的擬合程度和精度，其值越小，表示模型的精度越高。

2.2 兩種尋優(yōu)算法預(yù)測結(jié)果

本文對比分析了PSO-SVR模型和CPSO-SVR模型的精度，結(jié)果如圖2所示。由圖可見，冷水機(jī)組能效模型R_RMSE值小于3%，誤差也大部分都在5%以內(nèi)，效果較好，具有一定的適用性。但相比較而言，通過混沌粒子群優(yōu)化算法對模型參數(shù)進(jìn)行優(yōu)化的CPSO-SVR模型，能夠更加準(zhǔn)確地挖掘輸入、輸出參數(shù)之間蘊(yùn)含的規(guī)律，精度也更高，其R_RMSE值為1.80，比PSO-SVR模型精度高22.4%.

3 結(jié)論

本文利用冷水機(jī)組的運(yùn)行數(shù)據(jù)，提出了基于CPSO-SVR冷水機(jī)組運(yùn)行能效模型的建模方法。實(shí)驗(yàn)結(jié)果表明，基于CPSO的SVR參數(shù)優(yōu)化算法可改善粒子群優(yōu)化算法易陷入局部最優(yōu)值，同時提高算法的預(yù)測精度。該模型可以為冷水機(jī)組運(yùn)行能效分析、故障診斷以及優(yōu)化控制等提供基礎(chǔ)。

圖2PSO-SVR模型精度與CPSO-SVR神經(jīng)網(wǎng)絡(luò)模型精度對比