王永海,李云峰,董 軍,關(guān)愛章,王華秋,向 力

(1.湖北中煙工業(yè)有限責(zé)任公司襄陽卷煙廠,湖北 襄陽 441000;2.重慶理工大學(xué) 兩江人工智能學(xué)院,重慶 401135;3.重慶太和空調(diào)自控有限公司,重慶 400030)

0 引言

現(xiàn)代卷煙行業(yè)依賴暖通空調(diào)來調(diào)節(jié)溫濕度,因此能源消耗量相當(dāng)巨大?？照{(diào)負荷主要是指末端冷熱需求,還要考慮到管路損耗和室外環(huán)境等因素。這些需求可以通過空壓機、制冷機、蒸發(fā)器和負壓機等暖通設(shè)備以被動方式提供,目的是盡可能少地消耗能量,同時滿足卷煙生產(chǎn)并符合工藝標準?？照{(diào)系統(tǒng)的調(diào)節(jié)策略要符合負荷需求和能源供給的最佳匹配原則,這樣系統(tǒng)才是最節(jié)能的。其方法就是調(diào)節(jié)空調(diào)系統(tǒng)的冷凍水量,使得空調(diào)實際負荷與預(yù)測負荷匹配,因此,準確預(yù)測空調(diào)負荷非常重要。

國內(nèi)外學(xué)者已在空調(diào)負荷預(yù)測方面做過大量研究,有基于統(tǒng)計的參數(shù)回歸法[1]、時間序列法[2]和小波分析法[3]等;也有基于數(shù)據(jù)挖掘的聚類法[4]和隨機森林法[5]等;還有基于網(wǎng)絡(luò)結(jié)構(gòu)的極限學(xué)習(xí)機[6]、支持向量機[7-8]、深度信念網(wǎng)絡(luò)[9]和深度循環(huán)網(wǎng)絡(luò)[10-11]等的負荷預(yù)測方法。

空調(diào)負荷預(yù)測方法逐步智能化,但是仍然有需要改進之處,比如無法準確預(yù)測周期性變化數(shù)據(jù)、訓(xùn)練耗時過大造成模型更新緩慢、沒有考慮輸入輸出數(shù)據(jù)之間的相關(guān)性,從而影響預(yù)測模型的精度。

Gallicchio 等學(xué)者在深度學(xué)習(xí)框架和基于泄漏積分型回聲狀態(tài)網(wǎng)絡(luò)的基礎(chǔ)上,于2017年提出了一種多層儲備池依次連接成的深度網(wǎng)絡(luò)DeepESN[12]。這種多層的結(jié)構(gòu)體現(xiàn)出了深度時間序列特性,其狀態(tài)動力學(xué)特性高于傳統(tǒng)的淺層網(wǎng)絡(luò),立即引起許多學(xué)者的高度關(guān)注[13-16],已經(jīng)應(yīng)用于許多領(lǐng)域[17-18],但是目前用于空調(diào)負荷預(yù)測方面的研究仍然比較少。

因此,本文采用改進的深度回聲網(wǎng)絡(luò)(improved deep echo state networks,iDESN)來預(yù)測某卷煙廠空調(diào)負荷,通過當(dāng)前時刻的冷凍水和冷卻水供回水溫度、冷凍水和冷卻水流量、室外溫濕度和風(fēng)速等參數(shù),預(yù)測出下一時刻的空調(diào)負荷。并且運用灰色關(guān)聯(lián)度計算屬性間的相關(guān)性從而確定輸入權(quán)值,用坐標輪換法搜索最佳的深度網(wǎng)絡(luò)的層數(shù)和儲備池個數(shù),解決由于負荷數(shù)據(jù)周期性波動幅度所帶來預(yù)測效率低下的問題。最后將該預(yù)測模型與相關(guān)的新型算法進行了對比,驗證了iDESN網(wǎng)絡(luò)的優(yōu)越性,同時也討論了其局限性。

1 深度回聲狀態(tài)網(wǎng)絡(luò)研究

為了提高回聲狀態(tài)網(wǎng)絡(luò)的特征表達能力,深度回聲狀態(tài)網(wǎng)絡(luò)(deep echo state networks,DESN)于2017年被Gallicchio等提出。深度回聲狀態(tài)網(wǎng)絡(luò)的儲備池是串行排列的,因此每個儲備池狀態(tài)主要依賴于前一時刻的狀態(tài)以及前一儲備池的輸出信息,深度回聲狀態(tài)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

從DESN的結(jié)構(gòu)圖可知,DESN包括輸入層、中間狀態(tài)層和輸出層。設(shè)DESN有Nu個輸入神經(jīng)元,Nl層儲備池,Ny個輸出神經(jīng)元,每層儲備池有Nr個神經(jīng)元。

在t時刻,輸入數(shù)據(jù)為：

UNu(t)=[u1(t),u2(t),…,uNu(t)]

輸出數(shù)據(jù)為：

YNy(t)=[y1(t),y2(t),…,yNy(t)]

DESN的多層儲備池狀態(tài)為：

這里,x(i)(t)=[x(i)(1)x(i)(2)…x(i)(Nr)],代表第i個儲備池的Nr個神經(jīng)元狀態(tài)。

winput∈RNr×Nu表示輸入權(quán)值,winner(i)∈RNr×Nr表示第i個儲備池的內(nèi)部權(quán)值,wextra(i)∈RNr×Nr表示第i-1個儲備池到第i個儲備池之間的連接權(quán)值,wout∈RNl×Ny表示輸出權(quán)值。

圖1 深度回聲狀態(tài)網(wǎng)絡(luò)結(jié)構(gòu)

由于回聲狀態(tài)都依賴于輸入信號的歷史值,因此winput,winner,wextra都是在[-1,1]范圍內(nèi)隨機選擇的。

每一層的回聲狀態(tài)按照下列公式進行更新：

x(1)(t+1)=(1-a)·x(1)(t)+

a·tanh(winput·u(t+1)+

winner(1)·x(1)(t))

(1)

x(2)(t+1)=(1-a)·x(2)(t)+

a·tanh(wextra(1)·x(1)(t+1)+

winner(2)·x(2)(t))

(2)

x(3)(t+1)=(1-a)·x(3)(t)+

a·tanh(wextra(2)·x(2)(t+1)+

winner(3)·x(3)(t))

(3)

……

x(L)(t+1)=(1-a)·x(L)(t)+

a·tanh(wextra(L-1)·x(L-1)(t+1)+

winner(L)·x(L)(t))

(4)

式中,a∈[0,1],是泄漏率,取0.5,tanh是正切激活函數(shù)。

以上公式可以歸納為：

當(dāng)L=1時：

x(1)(t+1)=(1-a)·x(1)(t)+

a·tanh(winput·u(t+1)+

winner(1)·x(1)(t))

(5)

當(dāng)L>1時：

x(L)(t+1)=(1-a)·x(L)(t)+

a·tanh(wextra(L-1)·x(L-1)(t+1)+

winner(L)·x(L)(t))

(6)

這樣,各層各個時刻的回聲狀態(tài)總和就是：

由n組中間狀態(tài)匯聚起來后,網(wǎng)絡(luò)就可以采用如下計算輸出：

YNy=WoutXNl

(7)

在深度回聲狀態(tài)網(wǎng)絡(luò)中,只有輸出權(quán)值需要通過回歸算法訓(xùn)練。

1) 如果采用最小二乘法算法訓(xùn)練,輸出權(quán)值的計算式為：

(8)

2) 如果采用嶺回歸算法訓(xùn)練,可以克服過擬合現(xiàn)象,輸出權(quán)值的計算式為：

(9)

式中：γ為正則化系數(shù),一般取0.5。

DESN的訓(xùn)練過程如下：

輸入：具有n個時刻的訓(xùn)練樣本

輸出：輸出層權(quán)值

1.參數(shù)設(shè)置：輸入神經(jīng)元為Nu個,輸出神經(jīng)元有Ny個,儲備池有Nl層,每層儲備池有Nr個神經(jīng)元,泄漏率是a,正則化系數(shù)是γ。

2.初始化：winput,winner,wextra都是在[-1,1]范圍內(nèi)隨機選擇的。

3.fort= 1 to 樣本時間序列

4.forL←1 toNl

5.ifi←1 then

6.式(5)計算

7.else

8.式(6)計算

9.end

10.end

13.end

首先,算法根據(jù)設(shè)置的參數(shù)隨機初始化權(quán)值,在每一時刻的訓(xùn)練中,輸入數(shù)據(jù)進入第一個儲備池,因此各個中間層儲備池的狀態(tài)發(fā)生變化。接著,得到所有訓(xùn)練樣本的全部儲備池的狀態(tài),根據(jù)輸出數(shù)據(jù)來訓(xùn)練輸出權(quán)值。

DESN的預(yù)測過程就比較簡單了,根據(jù)已有參數(shù)和權(quán)值,首先用測試輸入經(jīng)過多層儲備池的狀態(tài)轉(zhuǎn)換,得到最終狀態(tài),再乘以訓(xùn)練得到的輸出權(quán)值,如下式所示：

YNy(t+k)←WoutXNl(t+k)

其中k是預(yù)測步長,這樣就可得到預(yù)測輸出了。

2 深度回聲狀態(tài)網(wǎng)絡(luò)的改進

為了建立更準確可靠的負荷預(yù)測模型,針對深度回聲網(wǎng)絡(luò)的輸入權(quán)值、網(wǎng)絡(luò)層次、儲備池大小以及中間狀態(tài)等方面進行了改進。

2.1 按灰色關(guān)聯(lián)度初始化輸入權(quán)值

根據(jù)輸入和輸出之間的關(guān)聯(lián)程度,從而決定輸入變量對于輸出的重要程度,因此采用灰色關(guān)聯(lián)度法計算輸入權(quán)值,而沒有采用原來的隨機初始化方式。

將輸入變量和輸出變量組成一個關(guān)聯(lián)度矩陣G,如是多個輸出,則取輸出的平均值作為G的第一列：

將自變量序列減去因變量序列取絕對值,得到減序列：

Δ(k)=|Uinput(k)-Youtput(k)|

(10)

找出減序列中的最大值Δmax和最小值Δmin：

Δmin=min(min(Δ(k)))

(11)

Δmax=max(max(Δ(k)))

(12)

計算每個樣本的每個指標與因變量序列的關(guān)聯(lián)度ζi：

(13)

其中,ρ為分辨率。

每一條樣本都會有一個輸入與輸出之間的關(guān)聯(lián)度,因此關(guān)聯(lián)度數(shù)值和樣本數(shù)量一樣多。這不利于從整體上分析輸入和輸出之間的關(guān)聯(lián)程度,所以有必要將各個樣本的關(guān)聯(lián)系數(shù)集中為一個值,即求其平均值。作為輸入與輸出數(shù)列間關(guān)聯(lián)程度的數(shù)量表示,每一個輸入和輸出值之間的關(guān)聯(lián)度ri如下：

(14)

然后組成一個關(guān)聯(lián)度向量R：

RNu=[r1,r2,…,rNu]

得到的關(guān)聯(lián)度范圍都在[0,1]之間,將這些關(guān)聯(lián)度作為深度回聲狀態(tài)網(wǎng)絡(luò)的輸入權(quán)值。將關(guān)聯(lián)度向量做一個簡單的[0,1]之間的等距分箱,每個分箱的間距為0.1,統(tǒng)計每個分箱的分布情況,就可以把不為零的分箱區(qū)間數(shù)作為下一步K-Means聚類的中心個數(shù)k。

2.2 中間狀態(tài)聚類

深度回聲狀態(tài)網(wǎng)絡(luò)中間層比較多,造成中間狀態(tài)矩陣XNl比較大,這對于后一步求逆容易出現(xiàn)誤差,而且運算速度也會受影響,不利于輸出權(quán)值的回歸求解。因此,采用K-Means聚類對中間狀態(tài)進行聚合,可以減少無效的中間狀態(tài)對輸出權(quán)值的影響,減少求逆時間和誤差,從而提高預(yù)測精度和速度。

計算XNl的聚類中心,k為聚類中心數(shù)。對中間狀態(tài)XNl進行K-Means聚類,根據(jù)矩陣XNl的每一行所屬的類,得到中間狀態(tài)的k個聚類中心。中間狀態(tài)矩陣可以轉(zhuǎn)換為：

其中聚類個數(shù)k<

2.3 網(wǎng)絡(luò)層數(shù)和儲備池大小的坐標輪換法搜索

層數(shù)和儲備池大小是深度回聲狀態(tài)網(wǎng)絡(luò)的2個重要參數(shù),其值影響了預(yù)測的精度和性能,因此采用坐標輪換法搜索這2個參數(shù)。本文將儲備池層數(shù)Nl,每層儲備池神經(jīng)元個數(shù)Nr的搜索方向作為坐標軸的梯度變化方向,從這2個方向上對儲備池層數(shù)和每層儲備池神經(jīng)元個數(shù)進行搜索尋優(yōu),搜索目標是：

minE(x1,x2)=0.3×RMSEtrain+0.7×ARGEtrain

(15)

約束條件：5≤x1≤30,5≤x2≤30,其中x1表示Nl,x2表示Nr,RMSEtrain和ARGEtrain分別是訓(xùn)練集的均方根誤差和平均相對泛化誤差。

計算步驟如下：

3) 如果沿坐標軸e1的正負方向都搜索不到使得E(x1,x2)減小的點,則將搜索步長減小,令δ0=δ0/μ,轉(zhuǎn)第4步;

4) 依次沿其他坐標軸進行同樣的搜索,最終求得這輪搜索的最優(yōu)點y*;

以上就是本文的3個改進之處,由于整個預(yù)測算法計算比較復(fù)雜,圖2給出了改進的深度回聲狀態(tài)網(wǎng)絡(luò)預(yù)測模型的總體流程圖。

圖2 改進的網(wǎng)絡(luò)模型計算流程

3 工業(yè)負荷預(yù)測和分析

3.1 數(shù)據(jù)預(yù)處理和評價指標

由于本文的數(shù)據(jù)都是能耗負荷數(shù)據(jù),所有的變量都是連續(xù)數(shù)值,而且沒有缺失值或者異常值,因此數(shù)據(jù)不需要太多的預(yù)處理。采用Z-Score歸一化方法去除數(shù)據(jù)的量綱。

(16)

由于是針對深度回聲狀態(tài)網(wǎng)絡(luò)的改進,為了對比算法性能,本文另外選擇了幾種新型的深度回聲狀態(tài)學(xué)習(xí)算法進行預(yù)測建模,其參數(shù)設(shè)置和參考文獻中的一致。

1) 文獻[13]的DeePr-ESN是一種基于多重投影編碼的分層網(wǎng)絡(luò)結(jié)構(gòu),其投影層和編碼層之間交替重復(fù)而成為儲備層,特點是利用每個儲備層的時間特性來表示時序數(shù)據(jù)的多尺度動態(tài)性。

2) 文獻[14]的ADRC是一種異步深度儲備層計算模型,它由多個子儲備層組成。這些子儲備層依次連接,并在每2個相鄰子儲備層之間插入延遲模塊,由于鏈路延遲,網(wǎng)絡(luò)中的每一層都異步處理信息。

3) 文獻[15]的UPSO-WDESN是一種寬深度回聲狀態(tài)網(wǎng)絡(luò),該網(wǎng)絡(luò)具有多個并行和堆疊配置的儲備層,并且使用粒子群算法優(yōu)化了網(wǎng)絡(luò)架構(gòu)和關(guān)鍵參數(shù)。

4)文獻[16]的GD-ESN是一種增長型深度回聲狀態(tài)網(wǎng)絡(luò),結(jié)合互信息和全秩準則,通過以輸出為目標的監(jiān)督學(xué)習(xí)確定網(wǎng)絡(luò)的深度和寬度。

本文的iDESN算法的關(guān)鍵參數(shù)設(shè)置如表1所示。

表1 本文算法關(guān)鍵參數(shù)設(shè)置

采用平均相對泛化誤差(average relative generalization error,ARGE)和均方根誤差(root mean square error,RMSE)作為預(yù)測模型的性能評價指標。

平均相對泛化誤差計算公式如下：

(17)

均方根誤差計算公式如下：

(18)

3.2 建筑物冷熱負荷預(yù)測與分析

空調(diào)控制著建筑物的氣溫,消耗了建筑物的主要能源,因此預(yù)測建筑物的冷熱負荷有助于節(jié)能。為了驗證本文預(yù)測模型的有效性,采用了UCI標準數(shù)據(jù)集對模型進行測試。所使用的數(shù)據(jù)是模擬12種不同建筑負荷情況得到的能耗數(shù)據(jù),通過模擬上述特征的不同取值,以獲得不同的建筑物負荷情況。

3.2.1建筑物數(shù)據(jù)分析

數(shù)據(jù)集包含768條樣本,每一條樣本包含8個輸入屬性,分別用x1(相對密實度)、x2(表面積)、x3(墻面面積)、x4(屋頂面積)、x5(總高度)、x6(方位)、x7(玻璃區(qū)域面積)和x8(玻璃面積分布)表示,還包含2個輸出響應(yīng),分別用y1(熱負荷)和y2(冷負荷)表示。預(yù)測模型的作用是用8個輸入屬性正確預(yù)測2個輸出響應(yīng)。示例數(shù)據(jù)如表2所示。

表2 部分建筑物能耗數(shù)據(jù)

3.2.2建筑物負荷預(yù)測模型

建筑物在玻璃面積、玻璃面積分布和方向以及其他參數(shù)方面有所不同。這些物理特性對建筑物的能耗性能有很大影響。因此,本文將x1到x8都作為預(yù)測模型輸入,y1和y2作為輸出。訓(xùn)練集和測試集分別包含668和100條。

對于訓(xùn)練集和測試集數(shù)據(jù),各種不同的模型預(yù)測性能ARGE、RMSE和耗時如表3和表4所示。

表3 建筑能耗訓(xùn)練數(shù)據(jù)預(yù)測性能比較

表4 建筑能耗測試數(shù)據(jù)預(yù)測性能比較

如表3和表4所示,從擬合程度來看,無論是訓(xùn)練集,還是測試集,iDESN的ARGE和RMSE都是最低的。這說明iDESN模型擬合程度最高,其次是DeePr-ESN,擬合度最低的是UPSO-WDESN。DeePr-ESN擬合度較iDESN低的原因是：其編碼層接收了前一個儲備層的回聲狀態(tài)作為輸入,并將高維回聲狀態(tài)通過PCA編碼到低維特征空間中。這一步可能丟失了一些數(shù)據(jù)特征,而iDESN并沒有破壞其內(nèi)部各層的狀態(tài),因此預(yù)測精度較其他幾種算法高。

從時間消耗性能來看,iDESN模型并不是最低的,這是因為iDESN進行了網(wǎng)絡(luò)結(jié)構(gòu)的搜索尋優(yōu),增加了運算量。但是iDESN訓(xùn)練耗時已經(jīng)明顯低于DeePr-ESN、GD-ESN、UPSO-WDESN了,UPSO-WDESN耗時最多的原因是：使用了粒子群算法優(yōu)化網(wǎng)絡(luò)架構(gòu)和參數(shù)。這必然降低運算效率,而iDESN采用坐標輪換法就可以快速獲得最佳層數(shù)和儲備池個數(shù)。因此,iDESN在性能提高的同時并沒有降低運算速度。對于測試集,iDESN運算速度也較快,說明iDESN通過中間狀態(tài)聚類簡化了預(yù)測輸出的矩陣運算,從而提高了速度。

綜合可知,iDESN建筑能耗預(yù)測性能優(yōu)于DeePr-ESN、ADRC、GD-ESN、UPSO-WDESN。能耗預(yù)測性能如圖3所示。

圖3 能耗預(yù)測性能

對于測試集數(shù)據(jù),采用本文預(yù)測算法得到的預(yù)測值和期望值的對比曲線如圖4所示。

圖4 能耗負荷預(yù)測性能

由圖4可以看出,對于這100條測試數(shù)據(jù),數(shù)據(jù)總體上表現(xiàn)出一定的周期性。iDESN算法很好地跟蹤這種周期性,具有出色的泛化能力。iDESN不僅能擬合平緩變化的數(shù)據(jù),且在數(shù)據(jù)突變時也能迅速攀升,其快速擬合能力得到體現(xiàn)。

3.3 卷煙廠空調(diào)負荷預(yù)測與分析

空調(diào)系統(tǒng)節(jié)能的基本思想是根據(jù)調(diào)節(jié)冷凍水流量,使得負荷的需求和供應(yīng)最佳匹配,當(dāng)系統(tǒng)的負荷需求和負荷提供量相等時,系統(tǒng)是最節(jié)能的。

3.3.1空調(diào)負荷數(shù)據(jù)分析

本文收集了秋季工況數(shù)據(jù),其中包括外部環(huán)境數(shù)據(jù)和冷水機組的運行數(shù)據(jù),數(shù)據(jù)采樣從0點到24點,每小時采集一次,這樣每天獲得24條數(shù)據(jù),50 d可以采集超過1 200條的數(shù)據(jù),基本上涵蓋了工作時間空調(diào)系統(tǒng)的工況。

本文選擇了具有代表性的1 200條空調(diào)負荷樣本,每一條樣本包含9個輸入屬性,分別用x1(室外溫度)、x2(室外濕度)、x3(室外風(fēng)速)、x4(冷卻水供水溫度)、x5(冷卻水回水溫度)、x6(冷凍水供水溫度)、x7(冷凍水回水溫度)、x8(冷凍水流量)和x9(冷卻水流量)表示,還包含1個輸出響應(yīng),用y1(空調(diào)負荷)表示。預(yù)測模型的作用是用9個輸入屬性準確預(yù)測1個輸出響應(yīng)。示例數(shù)據(jù)如表5所示。

表5 部分空調(diào)負荷數(shù)據(jù)

3.3.2空調(diào)負荷預(yù)測模型

基于負荷預(yù)測的冷凍水流量動態(tài)控制,是一種基于末端服務(wù)質(zhì)量的能量平衡和最佳輸出的能量控制。因此,將x1到x9都作為預(yù)測模型輸入,y1作為輸出。經(jīng)過整理,得到訓(xùn)練集和測試集分別有1 000和200條。

對于訓(xùn)練集和測試集數(shù)據(jù),各種不同的模型預(yù)測性能ARGE、RMSE和耗時如表6和表7所示。

表6 空調(diào)負荷訓(xùn)練數(shù)據(jù)預(yù)測性能

表7 空調(diào)負荷測試數(shù)據(jù)預(yù)測性能

如表6和7所示,從擬合程度來看,通過灰色關(guān)聯(lián)度初始化輸入權(quán)值以及坐標輪換法尋優(yōu)層數(shù)和儲備池大小,提高了深度回聲狀態(tài)網(wǎng)絡(luò)擬合程度,iDESN的ARGE和RMSE都是最低的,GD-ESN次之。GD-ESN將儲備層和前饋層逐一交替添加到網(wǎng)絡(luò)中來,每個前饋層都以輸出為目標進行監(jiān)督學(xué)習(xí)預(yù)訓(xùn)練,從而自動確定網(wǎng)絡(luò)的深度和寬度,但是有監(jiān)督訓(xùn)練就會增加耗時,而且這種方法容易造成過擬合而增加預(yù)測誤差。iDESN采用無監(jiān)督聚類將中間狀態(tài)聚合,提取出的有效狀態(tài)更能反映數(shù)據(jù)特征,因此擬合效果優(yōu)于GD-ESN。

從時間消耗性能來看,iDESN將中間狀態(tài)聚類,從而簡化了輸出權(quán)值的計算,提高了深度回聲狀態(tài)網(wǎng)絡(luò)的運行速度。在模型訓(xùn)練階段,iDESN的耗時僅比ADRC稍高,低于DeePr-ESN、GD-ESN、UPSO-WDESN的耗時。但是在測試階段,由于不需要再進行求逆運算,因此速度提升效果不明顯。ADRC在每2個相鄰儲備層之間插入延遲模塊,在儲備層中生成中繼存儲模式,擴展了短期記憶容量,而且沒有動態(tài)調(diào)整網(wǎng)絡(luò)結(jié)構(gòu),因而耗時最短,iDESN需要動態(tài)搜索網(wǎng)絡(luò)的層數(shù)和儲備池大小,因此耗時較ADRC長。

綜合可知,iDESN空調(diào)負荷預(yù)測性能優(yōu)于DeePr-ESN、ADRC、GD-ESN、UPSO-WDESN。負荷預(yù)測性能如圖5所示。

圖5 負荷預(yù)測性能的對比

為了驗證iDESN負荷預(yù)測模型的泛化性能,采用沒有參與訓(xùn)練的200條測試數(shù)據(jù)預(yù)測負荷輸出。圖6反映了測試樣本數(shù)據(jù)擬合效果。

圖6 空調(diào)負荷預(yù)測性能

這200條負荷測試數(shù)據(jù)表現(xiàn)出一定的規(guī)律性,即工作時段的負荷需求比較大,而在休息時段,負荷需求則比較小。這時如果降低冷水機組的冷凍水流量,仍然能滿足系統(tǒng)負荷需求。因此可以通過降低冷凍水泵的轉(zhuǎn)速,甚至關(guān)閉某些運行的機組,減少多余的冷量輸送。采用深度回聲狀態(tài)網(wǎng)絡(luò)iDESN預(yù)測模型對空調(diào)負荷進行實時預(yù)測,其擬合曲線很好地符合了這種規(guī)律性,說明該模型具有很好的泛化能力。將該預(yù)測模型與控制技術(shù)結(jié)合起來,對冷水機組的運行參數(shù)甚至啟停狀態(tài)進行實時調(diào)節(jié),就可以達到空調(diào)負荷與機組供冷的相對平衡,降低冷水機組的能耗。

4 結(jié)論

1) 采用關(guān)聯(lián)度初始化輸入權(quán)值。采用灰色關(guān)聯(lián)度法對影響負荷輸出的各輸入?yún)?shù)進行分析,解決了深度回聲狀態(tài)網(wǎng)絡(luò)的輸入權(quán)值隨機優(yōu)化的問題。

2) 對中間狀態(tài)進行K-Means聚類,根據(jù)具有代表性的中間狀態(tài)計算輸出權(quán)值,減少回歸時間,提高了預(yù)測速度。

3) 采用坐標輪換法搜索最佳的網(wǎng)絡(luò)層數(shù)和儲備池大小。深度回聲狀態(tài)網(wǎng)絡(luò)的學(xué)習(xí)性能依賴于網(wǎng)絡(luò)層數(shù)和儲備池大小的尋優(yōu)過程,如果采用遍歷法對所有可能的取值進行尋優(yōu),時間消耗將會非常巨大,不利于實時預(yù)測;如果采用比較復(fù)雜的優(yōu)化算法尋優(yōu),訓(xùn)練時長也比較長。因此,采用快速準確的坐標輪換法搜索這2個參數(shù),提高了模型的預(yù)測性能。

通過UCI標準數(shù)據(jù)集和卷煙廠空調(diào)負荷預(yù)測實驗,證明iDESN模型具有更高的預(yù)測精度及更強的泛化能力,ARGE和RMSE均小于其他算法的對應(yīng)值。同時,坐標輪換法搜索時間較短,而且中間層聚類減少了求逆時間,該算法可以縮短預(yù)測時間,便于實時調(diào)節(jié)冷水機組流量以匹配供需負荷。這樣冷凍水流量甚至機組啟停狀態(tài)可以隨著負荷變化而調(diào)整,提高冷水機組的節(jié)能效果。

當(dāng)然在預(yù)測模型實際應(yīng)用時,由于管路延遲效應(yīng),還需要提前預(yù)測空調(diào)負荷。這樣冷水機組的冷量才能按時達到空調(diào)末端,滿足負荷需求。至于提前時間量,需要根據(jù)實際工況確定,這將是下一步的工作。