中央空調系統運行的數據分析與優化策略研究

丁月　尹可　董港

摘要：文章選取熱帶地區某城市的一套中央空調系統數據，通過對中央空調系統各指標之間的關系進行分析，借助SAS、SPSS和MATLAB軟件，采用概率抽樣的方法，構建基于加權偏最小二乘法的中央空調系統變量關系模型，計算模型最優解，給出中央空調系統的最優控制策略，實現中央空調系統的智能控制與節能的目的。

關鍵詞：Leveraging Method；加權偏最小二乘法

一、引言

隨著全球氣候的變化和空調技術的發展，越來越多的大型建筑物利用中央空調系統來實現室內溫度和濕度的調節控制，特別是隨著“智慧城市”建設步伐的快速推進，使得圍繞智慧城市建設實現中央空調系統的智能控制與節能成為實際中的一個很有普遍意義的重要課題。本文利用數據挖掘技術對熱帶地區某城市的一套中央空調系統數據進行分析，給出中央空調系統的最優控制策略，為中央空調系統的智能控制與節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的系統影響較大的指標數據。

首先要運用杠桿評分對每個數據點定義合適的采樣概率，通過計算每個樣本數據的杠桿評分，給出樣本數據的采樣概率，評分越高的數據采樣概率越大。當數據對應的概率值大于平均采樣概率時，選取該數據作為樣本數據，得到一組新的數據。然后，在新的數據里用選取的t個樣本點進行線性回歸，通過加權最小二乘得分計算出每個樣本數據的權重，得到一組加權后的樣本數據。最后，通過定義采樣概率與數據加權，確定由系統效率、系統耗電量等24個指標構成的加權后的17306條樣本數據作為研究數據。

（二）偏最小二乘回歸分析

經過篩選得到樣本數據，借助偏最小二乘回歸構建中央空調系統的變量關系模型，尋找變量之間的關系，為最優控制策略提供依據。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：

選取的樣本數據與預測數據之間存在不同的相似度，根據相似度的大小對權值大小進行合理的分配，相似度越大，預測能力越大，分配的權值也就越大。借助SAS軟件，部分運行結果如下：

圖1是一個利用VIP指標進行變量篩選的結果，指標的VIP數值越大，說明指標越重要，從圖1可以看出有15個指標的VIP值較大，可代表全部數據的大部分信息。

表1給出了中央空調系統的總耗電量、冷卻負載及系統效率與20個自變量之間的線性關系模型，可用其表示中央空調系統變量間的關系模型。

為使中央空調能夠節約電能、減少成本，進一步求解最優控制策略，將系統耗電量和系統效率差值最小作為目標函數，構建多目標規劃模型。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行求解。借助SPSS、MATLAB軟件對樣本數據分別進行100次抽樣和1000次模擬，利用LINGO軟件對模型進行求解，通過求取最優解給出最優控制策略。部分總體最優策略數據如下：

三、結論

本文通過對中央空調系統各個指標之間的關系進行分析，利用基于加權偏最小二乘法、概率抽樣、蒙特卡洛模擬、理想值法建立多種數據挖掘模型，得到了通過調節可控變量（冷水泵轉速、冷凝水泵轉速和冷卻塔風扇轉速）最優控制策略，以及各個最優控制策略相應的系統總耗電量和系統效率，還可以通過此方法給出調節中央空調系統設備狀態變量的最優控制策略，為中央空調的節能與智能控制提供有利的方法。

參考文獻：

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

[2]王鑫.半集中式中央空調空氣處理系統的控制研究[D].沈陽工業大學，2014.

[3]李小燕.多目標規劃問題真有效解和近似解的研究[D].重慶師范大學，2016.

*課題項目：2017年地方高校國家級大學生創新創業訓練計劃項目（201713320127）立項課題“中央空調系統運行的數據分析與有優化策略研究--以某公司為例”。

（作者單位：青島黃海學院）