1、密級保密期限：出*建反大彥Zhejiang Sci-Tech University碩士專業(yè)學(xué)位論文Professional Master Thesis中文論文題目：基于神經(jīng)網(wǎng)絡(luò)的工業(yè)空調(diào)節(jié)能與運行策略研究英文論文題 目: Research on Energy Saving and Operation Strategy ofIndustrial Air Conditioning Based on Neural Network專業(yè)學(xué)位類別：工程碩士專業(yè)學(xué)位領(lǐng)域：計算機技術(shù)作者姓名：楊建軍2019年12月2號指導(dǎo)教師：何利力完成日期：浙江理工大學(xué)學(xué)位論文獨創(chuàng)性聲明本人聲明所呈交的學(xué)位論文是本人在導(dǎo)師

2、指導(dǎo)下進行的研究工 作及取得的研究成果。除了文中特別加以標(biāo)注和致謝的地方外，論 文中不包含其他人已經(jīng)發(fā)表或撰寫過的研究成果，也不包含為獲得 浙江理工大學(xué)或其他教育機構(gòu)的學(xué)位或證書而使用過的材料。與我 一同工作的同志對本研究所做的任何貢獻均已在論文中作了明確的 說明并表示謝意。學(xué)位論文作者簽名:簽字日期：AR年命月35日學(xué)位論文版權(quán)使用授權(quán)書本學(xué)位論文作者完全了解逝江理工大學(xué)有權(quán)保留并向國家有關(guān) 部門或機構(gòu)送交本論文的復(fù)印件和磁盤，允許論文被查閱和借閱。 本人授權(quán)逝江理工大堂可以將學(xué)位論文的全部或部分內(nèi)容編入有關(guān) 數(shù)據(jù)庫進行檢索和傳播，可以采用影印、縮印或掃描等復(fù)制手段保 存、匯編學(xué)位論文。（保

3、密的學(xué)位論文在解密后適用本授權(quán)書）學(xué)位論文作者簽名:簽字日期：g年午月歹曰導(dǎo)師簽名：I 4摘要節(jié)能減排是企業(yè)管理的重要一環(huán)，能源成本直接影響企業(yè)的經(jīng)濟效益，工業(yè)空調(diào)的能 源管控問題長久以來都是企業(yè)關(guān)注的重點。當(dāng)前，企業(yè)的空調(diào)啟動策略往往采用固定的預(yù) 冷預(yù)熱時間，沒有統(tǒng)一、科學(xué)的標(biāo)準(zhǔn)。本文通過對企業(yè)空調(diào)運行的歷史數(shù)據(jù)（氣候、產(chǎn)能）進 行采集、清洗，建立科學(xué)的空調(diào)能耗模型和空調(diào)啟動時間預(yù)測模型。并將本文提出的理論 和技術(shù)在實際中應(yīng)用，設(shè)計并實現(xiàn)了智慧工廠空調(diào)能源管控系統(tǒng)，實現(xiàn)對企業(yè)生產(chǎn)車間空 調(diào)的啟動時間預(yù)測。結(jié)果表明，該系統(tǒng)能夠有助于企業(yè)達成能源智能管控的目標(biāo)。研究工 作主要如下：1）企業(yè)生產(chǎn)全

4、環(huán)境的綜合工蛭調(diào)能耗模型的建立。通過車間內(nèi)現(xiàn)有的98個溫濕度 采集點對生產(chǎn)車間進行全面無死角的數(shù)據(jù)采集，并利用OPC技術(shù)對數(shù)據(jù)進行解析并持久 化到數(shù)據(jù)庫。依據(jù)收集到空調(diào)設(shè)備運行的歷史數(shù)據(jù)，對空調(diào)系統(tǒng)的主要部分（冷水機組、 冷卻水泵、冷凍水泵、冷卻塔、風(fēng)機盤管、空調(diào)機組）建立能耗模型。以企業(yè)空調(diào)系統(tǒng)整 體節(jié)能作為研究目標(biāo)，將所有部件的能效比作為節(jié)能優(yōu)化的目標(biāo)函數(shù)，最終建立起車間空 調(diào)系統(tǒng)全域能耗模型。2）基于神經(jīng)網(wǎng)絡(luò)的空調(diào)啟動時間預(yù)測模型的建立。針對傳統(tǒng)預(yù)測方法的不穩(wěn)定性和 RNN神經(jīng)網(wǎng)絡(luò)中梯度消失的問題，結(jié)合空調(diào)運行時間序列數(shù)據(jù)的特點，使用長短期記憶循 環(huán)神經(jīng)網(wǎng)絡(luò)建立以生產(chǎn)要求和環(huán)境舒適度為導(dǎo)

5、向的空調(diào)啟動時間預(yù)測模型。將本文建立的 空調(diào)啟動時間預(yù)測模型與隨機森林、支持向量回歸建立的預(yù)測模型進行比較分析，實驗結(jié) 果表明，本文建立的模型表現(xiàn)出明顯優(yōu)于另外兩者的穩(wěn)定性，并且經(jīng)過優(yōu)化控制的空調(diào)能 耗降低了約27.9%。3）基于IAFSA-LSTM的空調(diào)啟動時間預(yù)測模型的建立。為了提高長短期記憶網(wǎng)絡(luò)模 型的預(yù)測精度，在現(xiàn)有人工魚群算法的基礎(chǔ)上提出了一種改進視野和步長的人工魚群算法, 使用改進后的算法優(yōu)化LSTM網(wǎng)絡(luò)的參數(shù)，構(gòu)建基于改進人工魚群算法的長短期記憶網(wǎng)絡(luò) 預(yù)測模型。同時選取四種不同維度的數(shù)據(jù)集對該模型進行驗證，并將該模型應(yīng)用于空調(diào)啟 動時間的預(yù)測上，結(jié)果表明經(jīng)過改進后的模型預(yù)測精度有

6、了一定的提高，對空調(diào)啟動時間 有著較好的預(yù)測效果。4）智蕨工廠空調(diào)能源管控系統(tǒng)的設(shè)計與實現(xiàn)?；谏鲜鲅芯砍晒?，搭建了企業(yè)空調(diào)能 源管控平臺，其中包括空調(diào)設(shè)備的智能啟動和能耗預(yù)測模塊。從企業(yè)的實際需求出發(fā)，將 空調(diào)信息查詢、預(yù)測模型訓(xùn)練、預(yù)測結(jié)果查詢等功能在平臺上實現(xiàn)并在生產(chǎn)中應(yīng)用；同時 提供空調(diào)能耗全景視圖看板，使企業(yè)在空調(diào)能源管控方面由傳統(tǒng)的經(jīng)驗化轉(zhuǎn)化為精準(zhǔn)化、 精細化與科學(xué)化，降低生產(chǎn)所需能源成本。關(guān)鍵詞：空調(diào)節(jié)能；時間序列預(yù)測；長短期記憶網(wǎng)絡(luò)；人工魚群算法；能耗管理；AbstractEnergy conservation and emission reduction is an impo

7、rtant part of enterprise management, and energy costs directly affect the economic benefits of enterprises. The issue of energy management and control of industrial air conditioners has long been the focus of enterprises. This paper collects and cleans the historical data of entei-prise air-conditio

8、ning operation (Climate, capacity), and establishes a scientific air-conditioning energy consumption model and air- conditioning startup time prediction model. The theory and technology proposed in this paper are applied in practice, and the intelligent factory air-conditioning energy management and

9、 control system is designed and implemented to realize the startup time prediction of the air-conditioning in the production workshop. The results show that the system can help companies achieve the goal of energy smart control. The research work is mainly as follows:Establishment of a comprehensive

10、 industrial air conditioning energy consumption model for enterprises to produce the whole environment. Through the existing 98 temperature and humidity collection points in the workshop, comprehensive and no-dead data collection in the production workshop,and use OPC technology to parse and persist

11、 data to the database.Based on the historical data collected from the operation of the air-conditioning equipment, an energy consumption model is established for the main parts of the air-conditioning system (chiller, cooling water pump, chilled water pump, cooling tower, fan coil, air-conditioning

12、unit), faking the overall energy saving of enterprise air-conditioning system as the research goal, the energy efficiency ratio of all components is taken as the objective fijnetion of energy-saving optimization, and the universe energy consumption model of the workshop air-conditioning system is fi

13、nally established.Establishment of a prediction model for air conditioning start-up time based on neural network. Aiming at the instability of traditional prediction methods and the problem of gradient disappearance in RNN neural network, combined with the characteristics of air- conditioning runnin

14、g time series data, the Long Short-Term Memory neural network is used to establish the air conditioning start-time prediction model based on production requirements and environmental comfbrt.The air conditioning start-time prediction model established in this paper is compared with the prediction mo

15、del established by Random Forest and Support Vector Regression. The experimental results show that the model established in this paper shows the stability superior to the other two, and the optimized air conditioning energy consumption reduced by approximately 27.9%.Establishment of a prediction mod

16、el for air conditioning start-up time based on lASFA-LSTM.In order to improve the prediction accuracy of Long Short-Term Memory networkmodels, an artificial fish swarm algorithm with improved visual field and step size is proposed based on the existing artificial fish swarms algorithm. The improved

17、algorithm is used to optimize the parameters of LSTM network.A Long Short-Term Memory network prediction model based on improved artificial fish swarm algorithm is constructed. At the same time, the datasets of four different dimensions are selected to verify the model, and the model is applied to t

18、he prediction of air conditioning startup time.The results show that the improved model prediction accuracy has been improved, and have a good predictive effect on air conditioning start-up time.4) Design and implementation of intelligent factory air conditioning energy management and control system

19、. Based on the above research results, build a corporate air conditioning energy management and control platform,these include automatic start-up and energy consumption prediction modules fbr air conditioners. Starting from the actual needs of the enterprise, the functions of air-conditioning inform

20、ation inquiry, prediction model training, and prediction result query are implemented on the platform and applied in production. At the same time provide air conditioning energy consumption panoramic view board, so that enterprises can transform from traditional experience to precision, refinement a

21、nd scientificization in air- conditioning energy management and control, reducing the energy costs required for production.Keywords: Air conditioning energy saving; Time series prediction; Long Short-Term Memory; Artificial Fish Swarm Algorithm; Energy managementrv目錄 TOC o 1-5 h z HYPERLINK l bookma

22、rk1 o Current Document 摘要I HYPERLINK l bookmark8 o Current Document Abstract Ill HYPERLINK l bookmark19 o Current Document 第一章緒論 11.1研究背景及意義11.1.1節(jié)能減排政策的要求11.1.2行業(yè)信息化建設(shè)要求11.1.3企業(yè)的實際需求11.2研究現(xiàn)狀21.2.1時間序列預(yù)測研究現(xiàn)狀21.2.2空調(diào)節(jié)能研究現(xiàn)狀41.3研究內(nèi)容51.4本文組織結(jié)構(gòu)7 HYPERLINK l bookmark30 o Current Document 第二章企業(yè)生產(chǎn)全環(huán)境的綜合工業(yè)空調(diào)

23、能耗模型的建立92.1企業(yè)車間空調(diào)系統(tǒng)概況92.1.1企業(yè)生產(chǎn)車間概括 92.1.2生產(chǎn)車間空調(diào)系統(tǒng)結(jié)構(gòu)112.2空調(diào)系統(tǒng)環(huán)境負荷112.2.1冷負荷的計算122.2.2熱負荷的計算132.2.3濕負荷的計算132.3空調(diào)各子系統(tǒng)能耗模型142.3.1冷水機組能耗模型142.3.2冷卻水泵能耗模型1523.3冷凍水泵能耗模型162.3.4冷卻塔能耗模型1623.5風(fēng)機盤管能耗模型172.3.6空調(diào)機組能耗模型172.4綜合工業(yè)空調(diào)系統(tǒng)能耗模型192.5本章小結(jié) 19 HYPERLINK l bookmark37 o Current Document 第三章基于長短期記憶神經(jīng)網(wǎng)絡(luò)的空調(diào)啟動時間預(yù)

24、測模型研究203.1循環(huán)神經(jīng)網(wǎng)絡(luò)203.2長短期記憶神經(jīng)網(wǎng)絡(luò)21LSTM模型的基本結(jié)構(gòu)21LSTM模型的訓(xùn)練算法24323對比模型的遞擇 243.3基于LSTM的空調(diào)啟動時間預(yù)測模型253.3.1實驗數(shù)據(jù)的獲取 253.3.2數(shù)據(jù)的預(yù)處理253.3.3預(yù)測性能評估.273.3.4 LSTM模型的激活函數(shù)273.3.5預(yù)測模型的建立 303.3.6空調(diào)啟動控制策略 313.4模型預(yù)測的實驗結(jié)果和分析 313.4.1實驗環(huán)境313.4.2實驗結(jié)果對比分析31343優(yōu)化控制前后能耗的對比 333.5本章小結(jié)33 HYPERLINK l bookmark54 o Current Document 第四

25、章 基于IAFSA優(yōu)化LSTM網(wǎng)絡(luò)的時間序列預(yù)測模型344.1人工魚群算法模型344.L1人工魚模型344.1.2人工魚群算法(AFSA)344.1.3人工魚群算法的參數(shù)分析364.1.4人工魚群的尋優(yōu)過程404.1.5改進魚群算法(IAFSA)404.2基于IAFSA優(yōu)化LSTM網(wǎng)絡(luò)的時間序列預(yù)測模型414.3實驗環(huán)境及數(shù)據(jù)處理 424.3.1實驗環(huán)境及數(shù)據(jù)424.3.2數(shù)據(jù)預(yù)處理 434.3.3模型性能評估434.4實驗結(jié)果和分析.434.4.1不同模型的預(yù)測數(shù)據(jù)與實際數(shù)據(jù)的對比434.4.2不同模型的誤差分析 444.5 IAFSA-LSTM算法在空調(diào)啟動時間預(yù)測上的應(yīng)用454.6本章小

26、結(jié) 47 HYPERLINK l bookmark84 o Current Document 第五章智慧工廠空調(diào)能源管理系統(tǒng)設(shè)計與實現(xiàn)485.1需求分析485.1.1項目背景485.1.2系統(tǒng)開發(fā)環(huán)境與技術(shù)選型 485.2系統(tǒng)分析和設(shè)計495.2.1系統(tǒng)功能設(shè)計.495.2.3數(shù)據(jù)庫設(shè)計 53522系統(tǒng)架構(gòu)設(shè)計555.3系統(tǒng)實現(xiàn)565.3.1空調(diào)能耗監(jiān)控看板565.3.2空調(diào)信息查詢565.3.3空調(diào)預(yù)測模型訓(xùn)練585.3.4預(yù)測結(jié)果查詢 595.4本章小結(jié)61 HYPERLINK l bookmark104 o Current Document 第六章總結(jié)與展望 626.1全文總結(jié)626.2

27、研究展望63參考文獻 64致謝68 HYPERLINK l bookmark178 o Current Document 攻讀學(xué)位期間的研究成果69第一章緒論1.1研充背景及意義1.1.1節(jié)能政策的要求近年來，節(jié)能問題越來越成為各工業(yè)企業(yè)在生產(chǎn)過程中考慮的首要問題，一方面是能 源價格的持續(xù)上漲導(dǎo)致了生產(chǎn)成本的提高，另一方面是國家對環(huán)境的保護要求愈來愈嚴(yán)格。 目前，我國能源消耗占據(jù)著世界能源消耗總量的23%,并且還在不斷增長。隨著國家十 三五規(guī)劃綱要的出臺，對企業(yè)的節(jié)能降耗工作提出了新的目標(biāo)和要求。因此，各企業(yè)對 節(jié)能減排和能源管控工作也逐漸重視起來。1.1.2行業(yè)信息化建設(shè)要求當(dāng)前，信息化建設(shè)

28、迎來了第三次浪潮，信息化巳經(jīng)成為衡量一個國家、一個行業(yè)現(xiàn)代 化水平的重要標(biāo)準(zhǔn)之一。隨著萬物互聯(lián)和智慧運行時代的到來，越來越多的制造型企業(yè)開 始運用信息技術(shù)來推進企業(yè)的發(fā)展，促進企業(yè)的轉(zhuǎn)型升級。十九大報告中提出“加快建設(shè) 制造強國，加快發(fā)展先進制造業(yè)，推動互聯(lián)網(wǎng)、大數(shù)據(jù)、人工智能和實體經(jīng)濟深度融合” 的精神，國務(wù)院也相繼出臺了中國制造2025等系列文件要求，大力推動新一代信息技 術(shù)與制造業(yè)深度融合，加快推動實體經(jīng)濟轉(zhuǎn)型升級，實現(xiàn)制造強國和網(wǎng)絡(luò)強國。所以， 信息技術(shù)在工業(yè)上的應(yīng)用越來越廣泛。行業(yè)信息化建設(shè)的總體要求是：堅持以信息化促進行業(yè)的現(xiàn)代化，充分發(fā)揮信息化在 改造傳統(tǒng)產(chǎn)業(yè)、優(yōu)化資源配置、提升

29、管理水平、提高總體競爭實力等方面的作用，努力使 行業(yè)信息化建設(shè)水平達到國內(nèi)先進水平。1.1.3企業(yè)的實際需求企業(yè)通過技改項目，大幅度提高了工廠的信息化程度，信息化和工業(yè)化融合更加深入， 基本滿足企業(yè)生產(chǎn)管理需求。但是在動能管控方面，特別是對空調(diào)能源管控還存在著一些 問題，具體如下：空調(diào)運行數(shù)據(jù)分散，空調(diào)控制應(yīng)用碎片化，無法形成空調(diào)能源管控一體化集成和 智能決策；空調(diào)設(shè)備和車間生產(chǎn)計劃缺乏智能聯(lián)動，當(dāng)車間生產(chǎn)計劃變更時，空調(diào)設(shè)備無法 及時響應(yīng)，從而導(dǎo)致能源的浪費；缺乏空調(diào)設(shè)備啟動預(yù)測，尤其是空調(diào)啟動時間未能根據(jù)天氣和生產(chǎn)計劃情況及時 更改，只能依照人工經(jīng)驗管理設(shè)備，動力節(jié)能還有提升空間;涉及空調(diào)

30、系統(tǒng)的各部分信息監(jiān)控界面分散，缺乏一體化的全景視圖支持，沒有簡 要的概要信息用于生產(chǎn)管控決策；因此，亟需要在企業(yè)集成現(xiàn)有空調(diào)能源相關(guān)系統(tǒng)數(shù)據(jù)，構(gòu)建一個空調(diào)設(shè)備運行管控優(yōu) 化預(yù)測、能源成本管理、能源管控數(shù)據(jù)全景視圖的智慧空調(diào)能源管理平臺。通過本課題的 研究能夠在一定程度上降低空調(diào)系統(tǒng)能耗，同時為空調(diào)設(shè)備的運行管理人員帶來操作上的 便利。L2研究現(xiàn)狀1.2.1時間序列預(yù)測研究現(xiàn)狀時間序列指的是將某個目標(biāo)變量的值，按照時間發(fā)生的先后順序排列得到的序列，圖 1.1就是一個簡單的時間序列。圖1.1 f 簡單的時間序列生活中各個領(lǐng)域都存在時間序列數(shù)據(jù)，如氣象預(yù)報、股票價格、銷售數(shù)據(jù)等。按照 變量的數(shù)目，時

31、間序列可以分為兩種：單變量和多變量時間序列。單變量時間序列指的 是某單一變量i隨時間t變化所得到的序列，而多變量時間序列是指d個變量在長度為處的 時間變化所得到的多維序列集合，如圖1.2所示。 TOC o 1-5 h z VdiVdnVji四V2iv2ntl t2titnVlivln圖1-2多變量時間序列示意圖時間序列預(yù)測就是分析樣本數(shù)據(jù)在時間維度上的變化趨勢，對未來某時刻的數(shù)據(jù)值進 行估算。時間序列預(yù)測自1931年由Walked提出以來，就在各個領(lǐng)域得到廣泛的應(yīng)用。但是 由于在預(yù)測過程中往往忽略其他外界因素的影響，因而預(yù)測結(jié)果存在較大的誤差。因此， 為了提高預(yù)測的精度，一些學(xué)者提出了不同的預(yù)

32、測方法，如：自回歸模型如Auto-Regressive Model, AR)、移動平均模型回(Moving Average Model, MA)、自回歸移動平均模型 (Autoregressive Moving Average Model , ARMA )、自回歸差分移動平均模型圓 (Autoregressive Integrated Moving Average model, ARIMA ) 等。隨著人工智能浪潮的到來，神經(jīng)網(wǎng)絡(luò)廣泛應(yīng)用到多變量非線性的時間序列預(yù)測。 Kwangkaew Akanit等人叫吏用人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network, ANN)預(yù)測基于

33、自 然災(zāi)害期間電能消耗的經(jīng)濟趨勢，通過交叉檢查的方法提高了預(yù)測模型精度和性能。 Nikolaev等人的提出以結(jié)構(gòu)轉(zhuǎn)換循環(huán)神經(jīng)網(wǎng)絡(luò)(Regime-Switching Recurrent Neural Network, RS-RNN)預(yù)測風(fēng)速，實驗結(jié)果表明RS-RNN在非平穩(wěn)時間序列的預(yù)測方面要優(yōu)于MA-AR。長短期記憶網(wǎng)絡(luò)(Long Short-Term Memory, LSTM)在RNN的基礎(chǔ)上增加了忘記門、 輸入門和輸出門來保證記住長期的狀態(tài)。隨著數(shù)據(jù)的輸入，LSTM中的細胞會對輸入信息 進行判斷，遺忘不符合規(guī)則的信息，保留符合的信息，解決了 RNN中梯度消失或爆炸的 問題。因而，近年來LS

34、TM在時間序列預(yù)測方面得到廣泛的應(yīng)用。2016年劉陽【E結(jié)合Attention機制提出了基于LSTM的前提假設(shè)合并輸入的句子匹配 模型，使得文本蘊含識別更加準(zhǔn)確。2017年，蔡鑫和婁京生使用基于LSTM深度神經(jīng)網(wǎng) 絡(luò)模型對用戶交互文本的正負面情感進行分類，實現(xiàn)了電信官方微博訪問的用戶情緒分析。 2017年陳亮等人成依據(jù)短期電力數(shù)據(jù)的時間相關(guān)性，應(yīng)用張量流深度學(xué)習(xí)框架構(gòu)建了 LSTM神經(jīng)網(wǎng)絡(luò)模型，對電力負荷時序數(shù)據(jù)進行回歸預(yù)測。并使用某電力公司電力負荷數(shù) 據(jù)進行仿真，實驗結(jié)果表明在短期電力負荷預(yù)測中基于LSTM的深度學(xué)習(xí)模型可以有效地 預(yù)測負荷變化。1.2.2空調(diào)節(jié)能研究現(xiàn)狀對于空調(diào)節(jié)能方面，傳

35、統(tǒng)的節(jié)能策略是針對空調(diào)設(shè)備硬件進行優(yōu)化改進，提高空調(diào)能 源利用率。Lv J等人通過在空調(diào)系統(tǒng)中使用熱管熱交換器提高了空調(diào)能量回收效率。 WalyM等人功通過改進空調(diào)冷凝器的進氣口（對冷卻墊、冷卻網(wǎng)進行設(shè)置），降低了冷凝 器功耗，使得制冷性能系數(shù)得到一定的提高。但隨著信息技術(shù)的興起，越來越多的學(xué)者開始嘗試用軟件的方式來預(yù)測空調(diào)啟動時間 以達到節(jié)能的目的。因此，空調(diào)系統(tǒng)的預(yù)冷時間設(shè)置問題一直都是研究的重點（從提前開 啟空調(diào)到空調(diào)溫度達標(biāo)的時間稱作空調(diào)預(yù)冷時間或空調(diào)啟動時間）。空調(diào)預(yù)冷時間過長會 造成能耗的浪費，而空調(diào)預(yù)冷時間過短將會使空調(diào)控制區(qū)域在規(guī)定時間內(nèi)達不到要求的溫 濕度，無法滿足生產(chǎn)生活條

36、件。因此，確定最優(yōu)空調(diào)預(yù)冷時間，對于空調(diào)系統(tǒng)的優(yōu)化控制 和節(jié)能減排具有重要意義。現(xiàn)階段比較流行的空調(diào)預(yù)冷時間預(yù)測方法有：回歸分析預(yù)測法，時間序列預(yù)測法，神 經(jīng)網(wǎng)絡(luò)預(yù)測法等。在這幾種方法中，時間序列預(yù)測法和回歸分析預(yù)測法被歸為傳統(tǒng)方法； 神經(jīng)網(wǎng)絡(luò)預(yù)測法則被歸為人工智能方法。2018年，陸景等人I*】選取了七個影響空調(diào)系統(tǒng)提前關(guān)機時間的重要因素，在正交試驗 的基礎(chǔ)上，運用TRNSYS模擬不同工作情況下的空調(diào)系統(tǒng)提前關(guān)機時間。并對試驗結(jié)果進 行回歸分析，建立了空調(diào)系統(tǒng)提前關(guān)機時間的多元線性回歸模型，對空調(diào)關(guān)機時間預(yù)測有 著較高的精度。時斌等人珂提出了一種空調(diào)器及其溫度調(diào)節(jié)時間預(yù)測系統(tǒng)和方法，可以準(zhǔn)

37、確客觀地預(yù)測出室內(nèi)環(huán)境溫度達到預(yù)設(shè)溫度時空調(diào)的運行時間。2012年，范波等人1句提出了一種基于空調(diào)機組的最佳啟動時間預(yù)測優(yōu)化控制策略，并 通過BP神經(jīng)網(wǎng)絡(luò)預(yù)測空調(diào)機組的最佳啟動時間，減少空調(diào)系統(tǒng)運行能耗。張雪萍等人坷 使用BP神經(jīng)網(wǎng)絡(luò)、建模分析和懲罰函數(shù)的方法對定風(fēng)量空調(diào)系統(tǒng)進行最優(yōu)啟?？刂疲?達到最佳的運行效果，該研究只是針對定風(fēng)量空調(diào)進行，使用BP神經(jīng)網(wǎng)絡(luò)對變風(fēng)量空調(diào) 的預(yù)測效果并不理想。對于國外，2002年，Hagan MT等人以。】將神經(jīng)網(wǎng)絡(luò)模型應(yīng)用于變風(fēng)量空調(diào)的預(yù)冷時間 預(yù)測上，提供了詳細的神經(jīng)網(wǎng)絡(luò)設(shè)計和構(gòu)建過程，給以后的研究者提供了很大的幫助。In- Ho Yang等人囚必選用改

38、進后的BP神經(jīng)網(wǎng)絡(luò)對變風(fēng)量空調(diào)系統(tǒng)的預(yù)冷時間進行預(yù)測，同 時確定了影響預(yù)冷時間的主要因素，通過訓(xùn)練集對網(wǎng)絡(luò)進行訓(xùn)練，最終建立了基于改進后 的BP神經(jīng)網(wǎng)絡(luò)的空調(diào)系統(tǒng)預(yù)冷時間預(yù)測模型，并對網(wǎng)絡(luò)性能進行了評估。2008年，JJ Jianhui等人心】在家庭智能控制器的基礎(chǔ)上提出了一種基于Elman-NN神經(jīng)網(wǎng)絡(luò)的空調(diào)最佳 啟停時間預(yù)測方法，研究成果表明該方法可以優(yōu)先地減少空調(diào)的預(yù)冷時間，達到降低建筑 物能耗的效果。13研究內(nèi)容生產(chǎn)全環(huán)境的綜合工業(yè)空能耗模型建立基于神經(jīng)網(wǎng)絡(luò)的空調(diào)啟動時間預(yù)測模型建立基于IASFA-LSTM的空調(diào)啟動時間預(yù)測模型智慧工廠空調(diào)能耗管理系統(tǒng)的設(shè)計與實現(xiàn)圖1.3主要研究內(nèi)容本

39、文針對企業(yè)生產(chǎn)車間空調(diào)設(shè)備管理的模糊性、單一性以及不科學(xué)性，建立生產(chǎn)全環(huán) 境的綜合工業(yè)空調(diào)能耗模型和基于LSTM神經(jīng)網(wǎng)絡(luò)的空調(diào)啟動時間預(yù)測模型，采用改進視 野和步長的AFSA算法優(yōu)化LSTM網(wǎng)絡(luò)參數(shù)，提出基于IASFA-LSTM的空調(diào)啟動時間預(yù) 測模型，并搭建空調(diào)能源管理平臺，實際應(yīng)用于企業(yè)的空調(diào)設(shè)備的啟停管理，降低了空調(diào) 系統(tǒng)能耗及企業(yè)生產(chǎn)成本。具體內(nèi)容如下：1）生產(chǎn)全環(huán)境的綜合工業(yè)空調(diào)能耗模型的建立：企業(yè)所使用的空調(diào)系統(tǒng)是一個多變 量、大滯后的非線性復(fù)雜系統(tǒng)，在運行過程中受到室外溫濕度、太陽輻射、室內(nèi)負荷以及 維護結(jié)構(gòu)散熱等多種因素的影響。實現(xiàn)節(jié)能不僅要考慮個別核心參數(shù)，還要整合協(xié)調(diào)好各

40、個設(shè)備之間的關(guān)系。本文根據(jù)采集到的數(shù)據(jù)，分析空調(diào)的各個子系統(tǒng)之間的關(guān)系，在滿足 生產(chǎn)工作環(huán)境的前提下，建立系統(tǒng)的、綜合的工業(yè)空調(diào)能耗模型。2）基于LSTM空調(diào)啟動時間預(yù)測模型的建立：空調(diào)系統(tǒng)的提前啟動時間直接決定著 系統(tǒng)的總能耗?？照{(diào)啟動時間過長會造成能耗不必要的浪費，而空調(diào)啟動時間過短將會使 生產(chǎn)開始時控制區(qū)域達不到工藝要求的溫濕度，無法滿足生產(chǎn)需要。因此，確定最優(yōu)空調(diào) 啟動時間，對于空調(diào)系統(tǒng)的優(yōu)化控制和節(jié)能減排具有重要意義。本文采用長短期記憶神經(jīng) 網(wǎng)絡(luò)對空調(diào)啟動時間進行建模，實現(xiàn)車間空調(diào)提前啟動時間的預(yù)測，證明了長短期記憶神 經(jīng)網(wǎng)絡(luò)在空調(diào)啟動時間預(yù)測方面的可行性。3）基于IASFA-LST

41、M的空調(diào)啟動時間預(yù)測模型的建立：利用改進視野與步長的人工 魚群算法對長短期記憶神經(jīng)網(wǎng)絡(luò)模型參數(shù)進行優(yōu)化，提出基于IASFA-LSTM的預(yù)測模型， 以提升傳統(tǒng)LSTM神經(jīng)網(wǎng)絡(luò)模型的預(yù)測精度。最后將IAFSA-LSTM應(yīng)用于空調(diào)啟動時間 預(yù)測，結(jié)果表明改進后的模型能夠較準(zhǔn)確的預(yù)測空調(diào)啟動時間，為空調(diào)節(jié)能提供了有效的 是理論支持。4）智慧工廠空調(diào)能源管控系統(tǒng)設(shè)計與實現(xiàn)：依據(jù)企業(yè)實際生產(chǎn)環(huán)境、制冷需求和設(shè)備 特性，結(jié)合實際生產(chǎn)情況，采用微服務(wù)架構(gòu)，搭建了企業(yè)空調(diào)能源管控系統(tǒng)（隸屬智慧工 廠能源管控一體化平臺建設(shè)的一部分）。將上述算法研究成果應(yīng)用與該系統(tǒng)中，實現(xiàn)對生產(chǎn) 車間空調(diào)的智能啟動控制。結(jié)果表明，

42、通過使用該系統(tǒng)，企業(yè)在空調(diào)能源管控方面更加趨 向于精準(zhǔn)化、精細化和科學(xué)化；生產(chǎn)車間空調(diào)系統(tǒng)的整體能耗有所降低，單臺空調(diào)設(shè)備單 日節(jié)約能源約4.25KW。1.4本文組織結(jié)構(gòu)圖1.4本文組織結(jié)構(gòu)第一章：緒論。緒論部分主要介紹了本文的研究背景及意義。闡述了時間序列預(yù)測和 空調(diào)節(jié)能的國內(nèi)外研究現(xiàn)狀，并簡要介紹了本文的研究內(nèi)容和組織結(jié)構(gòu)。第二章：企業(yè)生產(chǎn)全環(huán)境的綜合工業(yè)空調(diào)能耗模型的建立。由于空調(diào)系統(tǒng)自身的復(fù)雜 性，要實現(xiàn)空調(diào)系統(tǒng)的節(jié)能管控，必須先建立一個系統(tǒng)的綜合的空調(diào)能耗模型。本章根據(jù) 采集到的數(shù)據(jù)，對空調(diào)的各個子系統(tǒng)進行數(shù)學(xué)建模，并給出空調(diào)系統(tǒng)整體的能耗數(shù)學(xué)模型， 為后續(xù)能耗計算及啟動優(yōu)化提供可靠

43、的依據(jù)。第三章：基于長短期記憶神經(jīng)網(wǎng)絡(luò)的空調(diào)啟動時間預(yù)測模型研究。本章首先介紹了循 環(huán)神經(jīng)網(wǎng)絡(luò)RNN的基本原理及其存在的梯度消失和梯度爆炸的問題。其次介紹了 LSTM 神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)，并結(jié)合工廠車間空調(diào)實際數(shù)據(jù)構(gòu)建一種基于長短期記憶網(wǎng)絡(luò)的工業(yè) 空調(diào)啟動時間預(yù)測模型。使用該模型對車間空調(diào)提前啟動時間進行預(yù)測，與隨機森林、支 持向量回歸建立的預(yù)測模型進行比較分析，并對比空調(diào)系統(tǒng)使用預(yù)測算法控制前后的能耗 情況。實驗結(jié)果表明，LSTM模型相比于傳統(tǒng)模型有著更高的預(yù)測精度。第四章：基于IAFSA優(yōu)化LSTM網(wǎng)絡(luò)的時間序列預(yù)測模型。該部分首先對人工魚群 算法進行詳細的介紹，緊接著提出了一種改進視野和

44、步長的人工魚群算法，來提高算法全 局最優(yōu)解的收斂速度。然后使用改進后魚群算法優(yōu)化LSTM網(wǎng)絡(luò)的參數(shù)，構(gòu)建IAFSA-LSTM 預(yù)測模型，并選取四種不同維度的數(shù)據(jù)集對IAFSA-LSTM模型進行驗證，實驗結(jié)果表明優(yōu) 化后的網(wǎng)絡(luò)比傳統(tǒng)的LSTM有著更高的預(yù)測精度和更快的收斂速度，對波動較大數(shù)據(jù)也有 較好的擬合效果。最后將IAFSA-LSTM模型應(yīng)用于空調(diào)啟動時間預(yù)測，以提高時間序列預(yù) 測的預(yù)測精度。第五章：智慧工廠空調(diào)能源管控系統(tǒng)的設(shè)計與實現(xiàn)。本章主要實現(xiàn)了一個基于批次跟 蹤的空調(diào)能源管理系統(tǒng)，簡要闡述了該系統(tǒng)了項目背景、開發(fā)環(huán)境、功能架構(gòu)、數(shù)據(jù)庫設(shè) 計和主要功能界面展示。該系統(tǒng)主要分為空調(diào)信息查

45、詢、空調(diào)預(yù)測模型訓(xùn)練和空調(diào)預(yù)測結(jié) 果查詢?nèi)竽K。該系統(tǒng)的實現(xiàn)證明了 IAFSA-LSTM算法在空調(diào)節(jié)能管控方面的實用性。第六章：總結(jié)與展望。本章是對全文所做的工作進行總結(jié)，并對文章中研究內(nèi)容所存 在的不足進行展望。第二章 企業(yè)生產(chǎn)全環(huán)境的綜合工空調(diào)能耗模型的建立2.1包車間空調(diào)系統(tǒng)概況2.1.1產(chǎn)車間概括本文的模擬研究所依據(jù)的是位于浙江寧波某工廠的制絲車間。該生產(chǎn)車間占地約 14220平方米，生產(chǎn)區(qū)域設(shè)有4套空調(diào)系統(tǒng)，空調(diào)系統(tǒng)編號為K-14,系統(tǒng)送風(fēng)量為4X 120000m3/h,換氣次數(shù)3.97次先，新回風(fēng)比例：新風(fēng)25%,回風(fēng)75%。氣流組織為上送上 回方式，送風(fēng)口為旋流風(fēng)口、球形噴口設(shè)

46、于頂部向下送風(fēng)，單層百葉回風(fēng)口設(shè)于頂部上回 風(fēng)，使空調(diào)氣流直接送至工作區(qū)。儲柜區(qū)域設(shè)1套空調(diào)系統(tǒng)，設(shè)備編號為K-9,系統(tǒng)送風(fēng)量為lX120000m3/h,換氣次數(shù) 3.87次/h,新回風(fēng)比例：新風(fēng)10%,回風(fēng)90%。氣流組織為百葉風(fēng)口下送上回方式。雙層 百葉送風(fēng)口設(shè)于沿墻、柱、貯柜底部，距地面0.3m,處向周圍送風(fēng)，單層百葉回風(fēng)口設(shè)于 貯葉柜頂部回風(fēng)。車間建筑材料熱工參數(shù)見表2.1,車間建筑結(jié)構(gòu)及設(shè)備分布（包括98個 溫濕度采集傳感器）如圖2.1所示。表2.1車間建筑用料熱工參數(shù)表功能結(jié)構(gòu)層厚度mm導(dǎo)熱系數(shù)lg/h-m-k熱熔蛇Zkgk密度kg/m3傳熱系數(shù)W/m2k水泥砂漿20512000混

47、凝土砌塊2403.211800外墻石膏550.1080.8400.437擠塑型聚苯板120.75611200擠塑型聚苯板200.1080.840內(nèi)墻石膏120.756112001.052水泥砂漿40512000樓板鋼筋混凝土3007.560.824002.116窗戶雙層鋼窗/1.4圖2.1車間空調(diào)設(shè)備及溫濕度采集點示意圖2.1.2生產(chǎn)車間空調(diào)系統(tǒng)結(jié)構(gòu)企業(yè)生產(chǎn)使用的空調(diào)系統(tǒng)是一個多變量、大滯后的非線性復(fù)雜系統(tǒng)，在運行過程中受 到室外溫濕度、太陽輻射、室內(nèi)負荷以及維護結(jié)構(gòu)散熱等多種因素的影響。因此本章首先 對企業(yè)的空調(diào)系統(tǒng)的結(jié)構(gòu)和運行原理進行相關(guān)介紹。空調(diào)系統(tǒng)結(jié)構(gòu)及運行示意圖如圖2.2 所示。圖2

48、.2空調(diào)系統(tǒng)結(jié)構(gòu)及運行示意圖由圖2.2可知，該工廠的空調(diào)系統(tǒng)的總體能耗由若干個子系統(tǒng)的能耗組成，主要包括： 冷水機組、冷卻水泵、冷凍水泵、冷卻塔、風(fēng)機盤管等。由于空調(diào)系統(tǒng)結(jié)構(gòu)的復(fù)雜性，對 整個空調(diào)系統(tǒng)的能耗預(yù)測研究，不僅僅是各子系統(tǒng)之間的簡單疊加，還要考慮整體系統(tǒng)與 子系統(tǒng)之間的聯(lián)系。在介紹各部分子系統(tǒng)之前，先要了解空調(diào)系統(tǒng)的環(huán)境負荷。2.2空調(diào)系統(tǒng)環(huán)境負荷在空調(diào)系統(tǒng)設(shè)計的過程中，環(huán)境負荷的計算是十分重要的一個部分，也是空調(diào)系統(tǒng)設(shè) 計的基礎(chǔ)。某廠房內(nèi)空調(diào)系統(tǒng)的送風(fēng)量和空調(diào)設(shè)備的功率都是依照該片區(qū)內(nèi)的負荷參數(shù)設(shè) 定的?？照{(diào)系統(tǒng)的負荷參數(shù)主要包含三個方面，分別是：冷負荷、熱負荷和濕負荷.PL2.2

49、.1冷負荷的計算冷負荷是指空調(diào)設(shè)備為了維護室內(nèi)溫濕度的穩(wěn)定，在某一時刻提供給室內(nèi)的制冷量。 主要包括照明散熱、人體散熱、室內(nèi)用電設(shè)備散熱、透過玻璃窗進入室內(nèi)日照量、經(jīng)玻璃 窗的溫差傳熱以及圍護結(jié)構(gòu)不穩(wěn)定傳熱2829】。窗戶的冷負荷窗戶的冷負荷主要分為兩個部分，一是由窗戶直接進入室內(nèi)，導(dǎo)致室內(nèi)溫度瞬間升高 而形成的冷負荷；二是太陽透過窗戶直射到室內(nèi)形成的冷負荷。第一部分的計算用到公式如式2-(1)所示：CLQt KFSiT_e2-(1)在式2-(1)中，K表示窗戶的導(dǎo)熱系數(shù)，單位F表示窗戶的面積，單位 表示計算時刻的負荷差，單位笆。通過太陽照射產(chǎn)生的熱量取決于很多因素，從太陽的角度來說主要有：入

50、射角度數(shù)和 輻射強度等；從窗戶本身來說主要有：窗戶本身玻璃的遮光性和窗戶材質(zhì)有關(guān)。綜合上述 因素，第二部分的計算公式如下：CLQjr = Xg，XdCsCnJj.T2-(2)式2-(2)中，表示窗戶的有效面積系數(shù)；呵表示地點的修正系數(shù)；C,和C,分別表示窗 戶的玻璃遮擋系數(shù)與遮擋設(shè)備遮陽系數(shù)。表示計算時刻通過單位面積窗口的陽光形成 的冷負荷。外門的冷負荷影響外門的冷負荷因素眾多，但考慮企業(yè)實際情況,廠房較為封閉，故可以忽略門窗 縫隙滲透產(chǎn)生的熱交換。只需計算有外門日射、外門瞬變傳熱以及熱風(fēng)侵襲這三者形成的 冷負荷。前兩者的計算方式與窗戶冷負荷的計算是一致的，這里不在贅述。熱風(fēng)侵襲形成 的冷負荷

51、，主要是由打開外門后滲入的空氣量G決定的?？諝饬縂和產(chǎn)生熱量。的計算公 式如式所示：G = 52-(3)Q=G*0.24 化-疳2-(4)在式2-(3)中，表示每小時人流量，單位人；匕表示開啟一次外門空氣的滲入量， 單位勿/人人；兒表示屋外空氣比重，單位kg/rr o外墻的冷負荷透過屋頂和墻體形成的冷負荷計算公式與式2-(1)相同，這里不再贅述。室內(nèi)的冷負荷室內(nèi)的冷負荷主要是指由內(nèi)墻、內(nèi)窗、地板、樓板產(chǎn)生的冷負荷。計算公式如下：。=歐(知+AI)2-(5)式2-(5)中，K表示導(dǎo)熱系數(shù)，單位W/m2 Ki F表示樓板或內(nèi)墻的面積，單位/； 表示相鄰房間平均溫度與夏季室外平均溫度差，單位。C。2

52、.2.2熱負荷的計算熱負荷是指在冬天，使室內(nèi)達到額定溫度，單位時間內(nèi)空調(diào)系統(tǒng)向室內(nèi)提供的熱量。 具體可通過單位面積計算法和單位體積計算法計算。單位面積計算法的計算公式如式2.(6)所示：。=時2-(6)在式2-(6)中，舒表示單位面積的熱指標(biāo)，單位尸表示建筑面積，單位尚； 單位體積計算法的計算公式如式2(7)所示：Q = ME2-(7)在式2-(7)中，久表示熱流密度，單位時/矛、C； y表示建筑體積，單位況；和。分 別代表室內(nèi)和室外溫度，單位C。2.2.3濕負荷的計算濕負荷是指空調(diào)廠房內(nèi)的濕源(如地面積水、人體散濕等)，向屋內(nèi)散發(fā)的濕量。具體 計算公式如下：地面積水散濕量：2-(8)在式2-

53、(8)中，尸表示蒸發(fā)系數(shù)，單位恕尸表示積水面積，單位淅2；乙和馬 分別表示積水表明的飽和空氣水蒸氣分壓力和空氣中水蒸氣分壓力，單位尸a ; 8表示標(biāo)準(zhǔn) 大氣壓由于當(dāng)?shù)卮髿鈮旱谋戎怠Ｈ梭w散濕量：Q=0.278gxl0*2-(9)在式2.(9)中，表示廠房內(nèi)人數(shù)；表示群聚系數(shù)；g表示人體每小時散濕量，單位 g/為。23空調(diào)各子系統(tǒng)解模型2.3.1冷zkm能耗模型該企業(yè)所使用的一定型號的冷水機組在運行時，由于它的蒸發(fā)器和冷凝器流量一般設(shè) 置為定值，故影響冷水機組能耗量的因素主要是冷凍水和冷卻水的入口溫度。以上述兩個 變量，建立冷水機組的能耗模型如下：-如化一 4)2-(10)i=O 7=0在公式2-

54、(10)中，/表示冷水機組能耗值，單位KW； .表示回歸系數(shù)，由制冷機確定 詳見表2.2；萬表示冷卻水進口溫度，單位。C；九表示冷卻水進口溫度回歸值，L=28.5C； 孔表示冷凍水入口溫度，單位。C；么表示冷凍水入口溫度回歸值，冗=125笆。表2.2回歸系數(shù)表為i=0i=li=2j=01.29301.04391.0687j=l-3.0247-1.1342-0.5791j=21.26921.6820-0.0079式2-(10)是冷水機組滿負荷運轉(zhuǎn)時的能耗模型，但在實際生產(chǎn)過程中，冷水機組只有少 部分時間在滿負荷運行。因此需要考慮部分負荷狀態(tài)下，冷水機組的能耗模型。通過對冷 水機組部分負荷狀態(tài)下的

55、數(shù)據(jù)擬合，得到公式2-(11)：PLCC = tiFPLCCm x (PLRY 22)3-(8)新狀態(tài)q結(jié)合忘記門的輸出/和上一時刻的細胞狀態(tài)C,通過圖3.7中的記憶管道, 計算出f時刻的細胞狀態(tài)G。hrtanh(jtanh+hr圖3.7輸入門中細胞狀態(tài)的更新該過程的計算公式如式3-(9)所示：3-(9)CU+Z輸出門圖3.8 LSTM中折出門結(jié)構(gòu)如圖3.8所示，輸出門同樣具有與前兩個門單元相似的輸入?yún)?shù)X,和久這兩個參數(shù) 經(jīng)過b激活后的結(jié)果。，與經(jīng)過激活函數(shù)tanh的C,進行乘運算，得到整個模型最終的輸出值 4。該過程的計算公式如式3-(10)、3-(11)所示。,=。(吟仇疽,+ 九)3-

56、(10)4=qtanh(G)3-(11)LSTM在RNN的基礎(chǔ)上增加了忘記門、輸入門和輸出門來保證記住長期的狀態(tài)。隨 著數(shù)據(jù)的輸入，LSTM中的細胞會對輸入信息進行判斷，遺忘不符合規(guī)則的信息，保留符 合的信息。依據(jù)此原理，LSTM可以解決長序列依賴問題，更好的對歷史數(shù)據(jù)進行篩選， 丟棄干擾無用的信息，從而更好的應(yīng)用于工業(yè)空調(diào)的啟動時間預(yù)測。3.2.2 LSTM模型的訓(xùn)練算法通過3.2.1節(jié)可知LSTM的輸入為：上一時刻網(wǎng)絡(luò)的輸出值如、前一時刻記憶細胞的 狀態(tài)I、當(dāng)前時刻網(wǎng)絡(luò)的輸入值LSTM的輸出為：當(dāng)前時刻網(wǎng)絡(luò)的輸出值龍、當(dāng)前時 刻記憶細胞的狀態(tài)C,。LSTM模型的訓(xùn)練是采用基于時間展開的反向

57、傳播算法進行的，在LSTM的反向傳播 的過程中，分為代價函數(shù)計算和誤差反傳兩部分。LSTM計算每次訓(xùn)練的結(jié)果代價函數(shù)， 并判斷代價函數(shù)是否滿足預(yù)先設(shè)定的要求，對于不滿足要求的訓(xùn)練結(jié)果進行誤差反傳更新。 3.2.3對比模型的選擇本章選取隨機森林(Random Forest, RF)和支持向量回歸(Support Vector Regression, SVR),比較LSTM與這兩種預(yù)測模型的差異。RF是決策樹的集成算法，它通過將每棵決策樹的結(jié)果集中起來，決定最后預(yù)測的結(jié) 果，在一定程度上減少了預(yù)測方差，在不進行降維的情況下，能夠進行高維特征的輸入樣本處理46,47。SVR是支持向量機（Suppor

58、t Vector Machine, SVM）在非線性系統(tǒng)回歸估計問題上的 應(yīng)用模型【48-5% SVR主要是通過核函數(shù)在高維空間中構(gòu)造線性決策函數(shù)來實現(xiàn)線性回歸。 3.3基于LSTM的空調(diào)啟動時間預(yù)測模型3.3.1實驗SC據(jù)的獲取本文實驗數(shù)據(jù)來源為某企業(yè)MES （Manufacturing Execution System）系統(tǒng)中兩臺數(shù)據(jù) 采集服務(wù)器采集的數(shù)據(jù)。實驗匯總了企業(yè)某車間2014年1月-2019年1月這段時間工作 日內(nèi)的天氣數(shù)據(jù)和系統(tǒng)運行數(shù)據(jù)，數(shù)據(jù)采集間隔為1日，原始數(shù)據(jù)約為1500條，以1300 條樣本為訓(xùn)練集，另外200條樣本用作測試集。實驗數(shù)據(jù)主要包含：日期4、生產(chǎn)任務(wù)量氣,、

59、每日預(yù)冷（熱）時間七、車間人員密度 4、空調(diào)制冷量叼、室外溫度Q、相對濕度風(fēng)速露點Q、天氣情況0,。實驗數(shù) 據(jù)樣例見表3.1。變量名稱變量取值樣例日期42017年5月17日預(yù)冷（熱）時間7；28 min空調(diào)制冷量町806 kw室外溫度Q19.5 C相對濕度q0.83風(fēng)速O.2.9 m/s露點Q15.4 C天氣Q多云表3.1實驗數(shù)據(jù)樣例3.3.2略的預(yù)處理輸入量確定本文選取日期、空調(diào)制冷量龍、當(dāng)日室外溫度O,、相對濕度Q、風(fēng)速Q(mào)、露點Q、 天氣。，作為輸入變量，以空調(diào)開機至溫度達標(biāo)所需時間（預(yù)冷/熱時間匕）為模型的最終輸出。33.2.2 IJfcW失處理在數(shù)據(jù)采集的過程中，由于許多不確定因素的存

60、在，數(shù)據(jù)的缺失問題不可避免。如果 采用不恰當(dāng)?shù)奶幚矸绞?，相?dāng)于引入了大量噪聲，會對數(shù)據(jù)造成污染。本文針對數(shù)據(jù)缺失 的不同情形，對應(yīng)著不同的處理方式：對于數(shù)據(jù)在連續(xù)3次及3次以內(nèi)的缺失情況，采用 三次樣條插值法cubic spline interpolation)進行缺失數(shù)據(jù)插值；對于數(shù)據(jù)在連續(xù)3次以上 的缺失情況，采用直接刪除這條數(shù)據(jù)，以減少模型訓(xùn)練過程中的噪聲干擾。三次樣條插值的原理如下：對于給定n+1個數(shù)據(jù)點(羽雙)(，= 0,1,2,/),其中a =吒 玉可工” =8 ,共有 n個子區(qū)間，樣條曲線S(x)在每段區(qū)間內(nèi)滿足下列條件：在每段分區(qū)間x/,x/+1(z=0,1,2,S(x) =