(19)中华 人民共和国 国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110704784.6 (22)申请日 2021.06.24 (65)同一申请的已公布的文献号 申请公布号 CN 113268913 A (43)申请公布日 2021.08.17 (73)专利权人 广州鼎泰智慧能源科技有限公司 地址 510630 广东省广州市天河区庆亿街1 号802-806房及9 -19层 （部位： 1505房， 1504房自编之二， 15 06房） 专利权人 佛山市品智 信息技术有限公司 (72)发明人 陈楚雄　彭磊　林明槐　谢永良　 (74)专利代理 机构 广州中粤知识产权代理事务 所(普通合伙) 44752 代理人 杨毅宇(51)Int.Cl. G06F 30/25(2020.01) G06F 30/27(2020.01) G06K 9/62(2022.01) G06N 3/00(2006.01) G06N 3/12(2006.01) G06F 111/08(2020.01) G06F 119/08(2020.01) (56)对比文件 CN 112348655 A,2021.02.09 CN 111366848 A,2020.07.0 3 CN 109635914 A,2019.04.16 JP 2009006921 A,2009.01.15 US 2018240 018 A1,2018.08.23 审查员 张琪 (54)发明名称 一种基于PSO-ELM算法的智能建筑 空调冷机 系统运行优化方法 (57)摘要 本发明涉及空调节能技术领域， 公开了一种 基于PSO‑ELM算法的智能建筑 空调冷机系统运行 优化方法， 包括以下步骤： S1： 数据采集模块采用 数据采集方式为空调系统中的传感器采集， 采集 数据为空调系统的可调参数和过程变量数值.可 调参数作为待优化参数,对 过程变量数值进行数 据处理后获取空调冷水机能效数据,并将其作为 预测输出数值； S2： 将数据集进行划分， 划分为训 练集与测试集； S3： ELM 预测算法模块进行预测后 续能效模型中的中间数值， 模型中主要需要确定 的超参数有w、 b和β， 其中w和b是通过S3模型来 确定， β是通过数据集训练确定。 本发明能够快 速高效的获取系统的优化参数 组合， 进而在保证 制冷需求的前提下， 提高系统效率， 降低能源消 耗。 权利要求书5页 说明书13页 附图3页 CN 113268913 B 2022.02.11 CN 113268913 B 1.一种基于PSO ‑ELM算法的智能建筑空调冷机系统运行优化方法， 其特征在于， 包括以 下步骤： S1： 数据采集模块采用数据采集方式为空调系统中的传感器采集， 采集数据为空调系 统的可调参数和过程变量数值.可调参数作为待优化参数,对过程变量数值进行数据 处理 后获取空调冷水机能效数据,并将其作为预测输出 数值； S2： 将数据集进行划分， 划分为训练集与测试集； S3： ELM预测算法模块进行预测后续能效模型中的中间数值， 模型中主要需要确定的超 参数有w、 b和β， 其中w和b 是通过模型来确 定， β 是通过数据集训练确 定， 训练单台基于获取 改进超限学习机的冷水机能效预测模型， 训练出能效模型的具体过程如下： 将训练样本设定为 其中n是优化参数的个数， m 是训练样本的数量， 隐含层数量为l， 输入层与隐藏层的权重为w， 隐藏层与输出层的权重为 β， 激活函数为采用Sigmo id函数， 其表达形式为： 基于超限学习机的冷机能效预测模型的结果为cj， 根据现有的数据集， 单台冷机能效预 测模型的表达式为： 上述预测模型在训练过程中， 不断迭代更新系数β， 为了无限接近训练的数据的真实 性， 模型的预测效果是希望预测结果cj和实际数据结果yj一致， 所以就有： 联立(2)(3)可以整理得： 式中， l为输入层各隐藏层的节点个数， w和b在训练过程中可以随机选择， 且训练过程 中保持不变， 为了提升预测模型的精度， 通过粒子群算法对ELM的超参数w和b进行了寻优， 而隐藏层和输出层的连接 权重β 可以通过求 解以下方程组的最小二乘解获得： 权　利　要　求　书 1/5 页 2 CN 113268913 B 2其中 该方程中最小二乘解 为： 其中， H+为隐藏层输出矩阵H的Mo ore‑Penrose广义逆； 将(6)式结果代入(2)式， 就能够建立单台冷机能效预测模型： c＝f(x1,x2,...,xn)                      (7) 考虑到超限学习机的预测能力受参数设置的影响， 再引入粒子群优化PSO方法， 以通过 参数优模型性能； 超限学习机模型的参数在开始时是随机设置的， 并且使用PSO方法自动确定可以获得 最佳预测结果的参数， PSO算法中每个粒子就是d搜索空间中的一个潜在解， 记为Zi＝(zi1,zi2,…,zid)， 将Zi 代入目标函数计算其适应度值， 则粒子的 “好坏”可用适应度值来评判， 第i个粒子的速度则 是用一个d维向量表示， 记作Vi＝[vi1,vi2,…,vid]； 在寻优的过程中， 第i个粒子搜索到的最佳位置记为Pid＝[Pi1,Pi2,…,Pid]， 所有粒子搜 索到的最佳位置记为Pgd＝[Pg1,Pg2,…,Pgd]， 粒子根据下式更新速度和位置： 式中， i＝1,2, …m； k为迭代的次数； α 是惯性权重因子； 非负数c1， c2为学习因子； r1， r2为 (0,1)之间的随机数， 考虑到粒子在搜索的过程中是非线性变化的， 因此采用非线性凹函数 递减惯性权 重方式会获得 更好的效果： 式中， Tmax为最大迭代次数； αmax， αmin分别为惯性权重的最大和最小值， 本发明的αmax＝ 0.9， αmin＝0.4； 从空调系统冷机能效预测模型可知， 输入层神经元个数、 隐含层神经元个数以及输出 层神经元个数预先设定， 模型未知的参数变量是输入层与隐含层之间的连接权重w和隐含 层神经元阈值b， 激励函数采用Sigmo id函数； 因此， 粒子群中的解Zi＝[wi,bi]， 参数求解过程 中， 就是固定超限学习超参数β， 找到使 得目标函数最小的解Zi， 而粒子群的目标参数即为式(5)； 粒子群求解完 成后， 将最优参数组合[wi,bi]代入式(6)， 实现超限学习机的超参数优化 为后续的优化模型 可靠的适应度函数； S4： 建立空调系统冷机组能效优化模型， 通过ELM预测算法模块预测后续能效模型中的 中间数值， 模型中主要需要确 定的超参数有w、 b和β， 其中w和b是通过S3模型来确 定， β 是通 过数据集训练确定；权　利　要　求　书 2/5 页 3 CN 113268913 B 3