基于CPSO-SVR的冷水機組運行能效預測模型研究

李利文，蔡盼盼

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

冷水機組是中央空調最大耗能設備，精確、合理的冷水機組能效模型對于實現中央空調節能運行控制具有重要意義。本文借助混沌粒子群優化算法（CPSO）較強的全局搜索能力，尋找支持向量回歸機（SVR）的最優參數，進一步提高冷水機組運行能效的黑箱模型精度。

1 冷水機組運行能效預測模型

建立基于混沌粒子群的冷水機組運行能效預測模型，需經過數據選取、數據預處理、SVR模型建立、CPSO-SVR模型參數的尋優及模型的驗證等幾個步驟。

1.1 數據選取

本文以廣州某大型商場的離心式冷水機為例，從全年運行數據庫中隨機選取1 428組運行數據作為樣本數據進行建模，為使算法具有較好的均衡性，樣本數據按2∶1的比例隨機劃分為訓練樣本和測試樣本兩部分[1]，通過訓練樣本對模型進行訓練，利用測試樣本對模型的有效性進行分析。

1.2 數據預處理

根據冷水機組運行能效影響因素分析，本文選取負荷率PLR、冷凍水供水溫度Tei和冷卻水出水溫度Tco3個參數作為模型輸入參數，并采用最大最小值方法對各參數進行歸一化處理，將數據處理成[0，1]的無因次數。

1.3 SVR模型建立

支持向量回歸機是針對有限樣本情況下根據結構風險最小化原則設計的一種統計學習理論，已廣泛用于解決分類和回歸問題[2]。在冷水機組運行能效建模過程中，設若樣本數量為l，則樣本集可表達為.由于核函數的選擇對于支持向量回歸機分析有很大影響，常用的核函數有線性、多項式、高斯徑向基RBF、Sigmoid函數等多種。本文選用高斯徑向基RBF核函數，因為其具有較強的非線性逼近能力，在選擇適當參數時具有良好的泛化性能。

1.4 CPSO-SVR模型參數尋優

1.4.1 粒子群優化算法

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

1.4.2 混沌粒子群優化算法

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

圖1 CPSO參數尋優流程圖

1.4.3 SVR參數尋優

SVR模型參數主要包括不敏感損失系數ε、懲罰系數C和RBF核函數的寬度γ，這3個參數的選擇對SVR模型的預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（ε，C，γ）進行尋優，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證方法進行驗證，將訓練樣本集分為5等份，4份用于學習，1份用于驗證，交替進行直至遍歷整個評價集，最終選擇出與最小MSE平均值對應的各參數值作為優化的參數值。兩種算法SVR參數尋優結果如表1所示。

表1 兩種算法SVR參數尋優結果

2 實驗測試

2.1 評價指標

為了更好地對冷水機組能效模型的有效性進行評價，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 兩種尋優算法預測結果

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

3 結論

本文利用冷水機組的運行數據，提出了基于CPSO-SVR冷水機組運行能效模型的建模方法。實驗結果表明，基于CPSO的SVR參數優化算法可改善粒子群優化算法易陷入局部最優值，同時提高算法的預測精度。該模型可以為冷水機組運行能效分析、故障診斷以及優化控制等提供基礎。

圖2PSO-SVR模型精度與CPSO-SVR神經網絡模型精度對比