CN109299560A - 一种基于gmdh算法的跨临界co2系统最优排气压力特征变量的确定方法 - Google Patents

一种基于gmdh算法的跨临界co2系统最优排气压力特征变量的确定方法 Download PDF

Info

Publication number
CN109299560A
CN109299560A CN201811174422.5A CN201811174422A CN109299560A CN 109299560 A CN109299560 A CN 109299560A CN 201811174422 A CN201811174422 A CN 201811174422A CN 109299560 A CN109299560 A CN 109299560A
Authority
CN
China
Prior art keywords
model
layer
transcritical
optimal
exhaust pressure
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201811174422.5A
Other languages
English (en)
Other versions
CN109299560B (zh
Inventor
曹锋
崔策
殷翔
王琳玉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian Jiaotong University
Original Assignee
Xian Jiaotong University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xian Jiaotong University filed Critical Xian Jiaotong University
Priority to CN201811174422.5A priority Critical patent/CN109299560B/zh
Publication of CN109299560A publication Critical patent/CN109299560A/zh
Application granted granted Critical
Publication of CN109299560B publication Critical patent/CN109299560B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Genetics & Genomics (AREA)
  • Data Mining & Analysis (AREA)
  • Physiology (AREA)
  • Geometry (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Computer Hardware Design (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明提供一种基于GMDH算法的跨临界CO2系统最优排气压力特征变量的确定方法，包括：第一步，确定数据样本集以构建效能预测模型；第二步，对于第一步中确定的9输入单输出样本数据集，确定参考函数；第三步，确定外准则的计算公式；第四步：构建二元线性函数y＝ax1+bx2作为传递函数产生中间模型并且进行逐层筛选，形成最优复杂度模型结构。本发明是基于实时数据驱动的效能决策，利用数据挖掘的方法去挖掘跨临界CO2热泵系统中影响运行的特征变量，从而克服了研究人员的主观经验和判断，不依赖于研究者的经验、直觉，由系统产生的实时数据自身进行判断和选择。

Description

一种基于GMDH算法的跨临界CO2系统最优排气压力特征变量的 确定方法
技术领域
本发明属于热泵技术领域，特别涉及一种CO2热泵最优排气压力特征变量的确定方法。
背景技术
随着经济社会的进一步发展，环保以及可持续发展问题成为全人类社会的共同关切。蒙特利尔协议的签订，标志着制冷剂对于环境的影响问题第一次在全球范围内得到重视，制冷剂的替代也自此成为引导制冷空调行业发展的第一要素。在新型合成制冷剂的研发以及推广过程中出现的新型环保和制冷问题，让越来越多的研究人员确信自然制冷剂将会成为这一轮替代的终点。在自然制冷剂中，二氧化碳凭借其自身优异的热物理特性和跨临界装置的推广，成为当下热泵行业的研究热点。
在跨临界CO2热泵热水器系统的研究中，系统最优排气压力的研究是其最核心的内容之一，而其中确定哪些参数对系统最优排气压力有着具体的影响和对应参数对最优排气压力影响的程度，是实现变工况条件下系统最优排气压力控制的基础。众多学者都在此领域做出显著的贡献，并且提出了跨临界CO2热泵系统的最优排气压力关联式。在跨临界CO2热泵系统机组的开发过程中，研究人员也照此模式，当系统部件选择完成之后，在设计控制系统时一般选择通过大量实验数据拟合的最优排气压力的计算公式作为。但是大量的实验数据拟合的计算公式最适配的是实验样机系统的最优排气压力，在实际的工程背景中，即使采用完全相同的配件进行组装生产，也可能因为安装工艺，不同批次产品的性能差别，使得最终机组表现出来的性能差别很大，这就给机组控制系统的开发带来了以下问题：
(1)通过对样机的常规最优控制算法去控制机组不能完全适配外部的工况环境。
(2)基于已有的经验方程去预测最优压力时存在较大的偏差，且随着时间的推移机组的性能衰减会增大这样的差异性。
为了实现控制系统对于最优排气压力的准确控制，使用基于实时数据驱动的效能决策，对影响系统最优排气压力的变量进行分类特征抽取和效能预测很有必要。
发明内容
本发明的目的在于提供一种基于GMDH算法的跨临界CO2系统最优排气压力特征变量的确定方法，以解决上述技术问题。
为了实现上述目的，本发明采用如下技术方案：
一种基于GMDH算法的跨临界CO2系统最优排气压力特征变量的确定方法，包括以下步骤：
第一步：采集跨临界CO2热泵热水器系统工况测试过程中得到的样本，获得样本数据集；构建效能预测模型，输入为环境温度、蒸发器出口温度、吸气温度、排气温度、水泵进水温度、水泵出水温度、气冷出口温度、蒸发器盘管温度和吸气压力，输出为排气压力；
对数据样本集进行划分，用字母A表示训练集，用于产生竞争模型；用字母B表示检验集；利用外准则来筛选竞争模型有wn＝NA+NB，w＝A∪B，其中w表示所有数据样本；
第二步：对于第一步中确定的9输入单输出样本数据集，确定参考函数 为自变量和因变量的映射关系，并以其子项v1＝a0，v2＝a1x1，v3＝a2x2，.....，v55＝a54x8x9作为建模网络中的55个初始模型；
第三步：确定外准则的计算公式为： 式中yt为第t个实际输出值；为在数据集K上得到的模型估计的第t个输出值，在建模中K取A，B及A∪B＝w；
第四步：构建二元线性函数y＝axi+bxj作为传递函数产生中间模型并且进行逐层筛选，最终形成最优复杂度模型结构。
最优排气压力的相关变量有9个，GMDH算法目的在于使用遗传变异选择的方法对这9个变量进行评价，确定最终的最优排气压力关联式中的最相关变量。该传递函数的目的在于产生中间模型，对上一层的模型进行遗传及变异。具体做法为：预先打乱训练集、检测集样本顺序，将该过程随机进行50次，并在每一次进行过程中，进行GMDH，得到最优复杂度模型，统计出每种要素作为主成份的概率；针对每次实验均统计随机50次的实验结果，并取得50次试验的平均值，从而根据出现概率的从大到小得到最相关变量的排序。
进一步的，第四步中，传递函数wk＝axi+bxj为第一层中间模型，其中竞争模型个数k的大小和前一层的项数m有关，m＝9，则依据公式得表示在第一层由自组织过程自适应产生36个竞争模型，且彼此因所含变量个数、函数结构的差异性而不同；同时在训练集A上估计wk的参数a，b；
中间模型在第一层中间模型地基础上进而搭建第二层的竞争模型；第二层的输入变量与第一层的输出变量wk相等，构建竞争模型的个数为再次通过检测集B对第二层中间模型进行筛选，选中的竞争模型进入第三层；
从第二层开始，在第二选择层产生进入下一层的结构相同的模型数由外准则确定；通过不断产生竞争模型及根据外准则值进行筛选，模型的复杂度不断增加，同时通过计算外准则值提高模型质量；当模型质量无法再次提高时，建模过程停止，最优模型找到；此时检测集上计算的最小拟合方差取得全局最小值。
进一步的，在GMDH算法中加入循环，确保训练集、检验集的不同分割方式，生成含有更多跨临界CO2系统变量的样本组合方式；假定n为训练集的总样本数，从2循环取值到n-1，确保训练集与预测集样本分配比例在同一种样本分布顺序下的完备性。
进一步的，为了比较分析的公平性，确保样本顺序的完备性；统计作为主成份的要素出现次数，预先打乱训练集、检测集样本顺序，将该过程随机进行50次，并在每一次进行过程中，进行GMDH，再统计出每种要素作为主成份的概率；针对每次实验均统计随机50次的实验结果，并取得50次试验的平均值。
进一步的，样本数据集中的样本均为跨临界CO2热泵热水器系统COP稳态下记录的系统运行数据。
进一步的，样本数据集中样本的数量为5000。
与现有技术相比，本发明具有以下有益效果：
传统的控制系统设计的最优控制算法是基于实验样机数据拟合的最优排气压力公式，未能考虑实际工程制造中装置差异性以及运行过程中装置老化等问题给跨临界系统带来的性能差别。本发明提供的一种基于GMDH算法的跨临界CO2系统最优排气压力特征变量的确定方法，是基于实时数据驱动的效能决策，利用数据挖掘的方法去挖掘跨临界CO2热泵系统中影响运行的特征变量，从而克服了研究人员的主观经验和判断，不依赖于研究者的经验、直觉，由系统产生的实时数据自身进行判断和选择。
与其他的数据挖掘方法相比，GMDH算法具有以下一些优点：
(1)建模过程智能化程度高。建模者除提供样本数据以及外准则外，为保证其在模型选择上的客观性，不再参与其余建模过程，从而保证了计算机软件的自由性。
(2)与ANN(神经网络)、SVM、灰色关联度等隐式模型相比，GMDH能得到显示表达模型，有利于人们识别系统的影响因素。
(3)抗干扰性比较强、预测精度相对较高。GMDH算法以数据驱动为出发点，为提高模型的拟合准确度，保证算法在数据噪声干扰状态下发现符合真实内在规律的模型，通过选择准则使网络结构达到最优的复杂度。
附图说明
为了更清楚地说明本发明提供的一种基于GMDH算法的跨临界CO2系统最优排气压力特征变量的确定方法，下面将对本发明描述中所需要的附图作简单介绍。
图1为基于GMDH算法的最优排气压力特征变量提取步骤流程图；
图2为GMDH产生最优模型过程示意图。
具体实施方式
请参阅图1所示，本发明提供的一种基于GMDH算法的跨临界CO2系统最优排气压力特征变量的确定方法，包括以下步骤：
第一步：确定数据样本集以构建效能预测模型，选择在机组工况测试过程中得到的5000个样本数据集，输入为环境温度(℃)、蒸发器出口温度(℃)、吸气温度(℃)、排气温度(℃)、水泵进水温度(℃)、水泵出水温度(℃)、气冷出口温度(℃)、蒸发器盘管温度(℃)和吸气压力(MPa)，输出为排气压力(MPa)。
机组在实际运行中的采用的是最优压力的控制方案，每隔5分钟采集一次。在相同测试条件下进行测试的情况，机组达到测试稳态需要经历一段时间，这是机组工况在稳定达到测试工况的情况下记录的数据。其中，机组数据中水泵进水温度和水泵出水温度属于系统外部的运行数据，通过改变水路水泵的频率来满足实际条件。根据实际的运行情况，因为单次通电测试实验需要做一系列工况测试实验，温度及进出水温度存在变化的情况，数据均已经剔除了在未开机以及刚开机未接入最优压力运行的数据。所有选择的数据均为在测试系统下跨临界CO2热泵系统COP稳态下记录的系统运行数据，此时进出水温度以及环境温度为稳定值。
对数据样本集进行划分，训练集(用字母A表示)用于产生竞争模型，即确定模型参数和结构，检验集(用字母B表示)利用外准则来筛选竞争模型；有wn＝NA+NB，w＝A∪B，其中wn表示所有数据样本个数，NA表示训练集样本个数，NB表示检验集样本个数。
第二步：建立自组织模型时，依据自变量(输入)和因变量(输出)映射关系的参考函数生成初始组织(初始模型集合)，并通过组织的自我进化对这一类系统进行描述。对于有限记忆点的系统，参考函数采用Kolmogorov-Gabor(简称K-G)多项式，其表达式为：
其中x1～xn为相关的不同变量，为多项式子项的系数。将该多项式的子项作为建模网络结构中的m个初始模型，对于n个输入的K-G多项式，建模网络结构中的初始模型m＝1+2n+(n(n-1))/2个。对于第一步中确定的9输入单输出样本数据集，确定参考函数 为自变量和因变量的映射关系，其中x1～x9为环境温度(℃)、蒸发器出口温度(℃)、吸气温度(℃)、排气温度(℃)、水泵进水温度(℃)、水泵出水温度(℃)、气冷出口温度(℃)、蒸发器盘管温度(℃)和吸气压力(MPa)，f(x1，x2，..，x9)表示作为输出量的排气压力(MPa)，a0～a54为多项式子项的系数，将多项式子项v1＝a0，v2＝a1x1，v3＝a2x2，......，v55＝a54x8x9作为建模网络中的55个初始模型。
第三步：在系统模型搭建过程中，在训练数据集上构建中间模型，并进行参数估计，即筛选过程是利用不同竞争模型的质量来进行区分。而外准则正是这些特定要求的数学描述，通过计算外准则值(通过输出yM和输出y的实际观测值的差值)，从简单的候选模型类中选出“最优的”模型，再通过外部条件的限定得到“最好”的模型。外准则计算公式为：J(C)＝E{Q(yM，y，C)}，式中yM为参考函数的输出值，y为实际观测值，J(C)为外准则值，C表示数据集，Q表示损失函数，E表示期望值。
常见的外准则包括精度准则、相关性准则、相容性准则、变量平衡准则等。在外准则选择方面，Ivakhnenko强调应依据问题的具体特征性在特征抽取过程中进行具体选取，进而提高拟合精度。在本系统模型搭建过程中，为了提高预测精度，预测准则的计算公式如下：式中yt为第t个实际输出值；为在数据集K上得到的模型估计的第t个输出值，在建模中K取A，B及A∪B＝w，式中A表示训练集，B表示检验集，w表示所有数据样本。
第四步：构建二元线性函数y＝axi+bxj作为传递函数产生中间模型并且进行逐层筛选，形成最优复杂度模型结构，其中xi，xj表示上一层的模型，y表示这一层新产生的中间模型，a，b为参数。
进一步的，如图2所示，第四步中，传递函数wk＝axi+bxj为第一层中间模型，其中竞争模型个数k的大小和前一层的项数有关，如m＝9，则依据公式可得表示在第一层由自组织过程自适应产生36个神经元(竞争模型)，且彼此因所含变量个数、函数结构的差异性而不同。同时在训练集A上估计wk的参数a，b。
其中，第一层产生的部分竞争模型结构如下：
w1＝a1x1+b1x2，w2＝a2x1+b2x3，……，w7＝a7x1+b7x8，w8＝a8x1+b8x9
w9＝a9x2+b9x3，……，w14＝a14x2+b14x8，w15＝a15x2+b15x9
……
w34＝a34x7+b34x8，w35＝a35x7+b35x9
w36＝a36x8+b36x9
中间模型将在第一层中间模型地基础上进而搭建第二层的竞争模型，即第二层的输入变量与第一层的输出变量wk相等，构建竞争模型的个数为再次通过检测集B对第二层中间模型进行筛选，选中的竞争模型进入第三层。
从第二层开始，在第二选择层产生进入下一层的结构相同的模型数由外准则确定。通过不断产生竞争模型及根据外准则值进行筛选，模型的复杂度在不断增加，同时通过计算外准则值提高模型质量。当模型质量无法再次提高时，建模过程停止，最优模型找到。此时检测集上计算的最小拟合方差取得全局最小值。
进一步的，为了验证多种工况下的系统各种变量的组合，提取不同工况下影响最优排压的主要特征，在系统中做了循环处理。在GMDH算法中加入循环，确保训练集、检验集的不同分割方式，生成含有更多跨临界CO2系统变量的样本组合方式。为了对不同的跨临界CO2热泵机组进行识别排序，按照特征提取次数计算其相应的发生概率。假定n为训练集的总样本数，从2循环取值到n-1，即可确保训练集与预测集样本分配比例在同一种样本分布顺序下的完备性。
进一步的，为了比较分析的公平性，确保样本顺序的完备性。统计作为主成份的要素出现次数，预先打乱训练集、检测集样本顺序，将该过程随机进行50次，并在每一次进行过程中，进行GMDH，再统计(单一要素作为主成份的频数/所有主成份的总数)统计出每种要素作为主成份的概率。针对每次实验均统计随机50次的实验结果，并取得50次试验的平均值。
通过选取统计结果排在前列的要素作为最优排气压力的特征变量，为后续的最优排气压力公式拟合以及控制策略的制定提供基础。通过对比最终控策略与以往通过实验数据拟合公式而成的控制策略的效果来看，GMDH方法选取特征变量能够更加客观地从数据本身出发并且避免了研究人员对于未知模型的主观猜测，从而取得相对较好的控制效果，此外，通过实时对于数据库的更新还能够自行实现最适应当前数据库的控制策略的调整。

Claims (6)

1.一种基于GMDH算法的跨临界CO2系统最优排气压力特征变量的确定方法，其特征在于，包括以下步骤：
第一步：采集跨临界CO2热泵热水器系统工况测试过程中得到的样本，获得样本数据集；构建效能预测模型，输入为环境温度、蒸发器出口温度、吸气温度、排气温度、水泵进水温度、水泵出水温度、气冷出口温度、蒸发器盘管温度和吸气压力，输出为排气压力；
对数据样本集进行划分，用字母A表示训练集，用于产生竞争模型；用字母B表示检验集；利用外准则来筛选竞争模型有wn＝NA+NB，w＝A∪B，其中w表示所有数据样本；
第二步：对于第一步中确定的9输入单输出样本数据集，确定参考函数 为自变量和因变量的映射关系，并以其子项v1＝a0,v2＝a1x1,v3＝a2x2,……,v55＝a54x8x9作为建模网络中的55个初始模型；
第三步：确定外准则的计算公式为： 式中yt为第t个实际输出值；为在数据集K上得到的模型估计的第t个输出值，在建模中K取A,B及A∪B＝w；
第四步：构建二元线性函数y＝axi+bxj作为传递函数产生中间模型并且进行逐层筛选，最终形成最优复杂度模型结构。
2.根据权利要求1所述的一种基于GMDH算法的跨临界CO2系统最优排气压力特征变量的确定方法，其特征在于，第四步中，传递函数wk＝axi+bxj为第一层中间模型，其中竞争模型个数k的大小和前一层的项数m有关，m＝9，则依据公式得表示在第一层由自组织过程自适应产生36个竞争模型，且彼此因所含变量个数、函数结构的差异性而不同；同时在训练集A上估计wk的参数a,b；
中间模型在第一层中间模型地基础上进而搭建第二层的竞争模型；第二层的输入变量与第一层的输出变量wk相等，构建竞争模型的个数为再次通过检测集B对第二层中间模型进行筛选，选中的竞争模型进入第三层；
从第二层开始，在第二选择层产生进入下一层的结构相同的模型数由外准则确定；通过不断产生竞争模型及根据外准则值进行筛选，模型的复杂度不断增加，同时通过计算外准则值提高模型质量；当模型质量无法再次提高时，建模过程停止，最优模型找到；此时检测集上计算的最小拟合方差取得全局最小值。
3.根据权利要求1所述的一种基于GMDH算法的跨临界CO2系统最优排气压力特征变量的确定方法，其特征在于，在GMDH算法中加入循环，确保训练集、检验集的不同分割方式，生成含有更多跨临界CO2系统变量的样本组合方式；假定n为训练集的总样本数，从2循环取值到n-1，确保训练集与预测集样本分配比例在同一种样本分布顺序下的完备性。
4.根据权利要求1所述的一种基于GMDH算法的跨临界CO2系统最优排气压力特征变量的确定方法，其特征在于，为了比较分析的公平性，确保样本顺序的完备性；统计作为主成份的要素出现次数，预先打乱训练集、检测集样本顺序，将该过程随机进行50次，并在每一次进行过程中，进行GMDH，再统计出每种要素作为主成份的概率；针对每次实验均统计随机50次的实验结果，并取得50次试验的平均值。
5.根据权利要求1所述的一种基于GMDH算法的跨临界CO2系统最优排气压力特征变量的确定方法，其特征在于，样本数据集中的样本均为跨临界CO2热泵热水器系统COP稳态下记录的系统运行数据。
6.根据权利要求1所述的一种基于GMDH算法的跨临界CO2系统最优排气压力特征变量的确定方法，其特征在于，样本数据集中样本的数量为5000。
CN201811174422.5A 2018-10-09 2018-10-09 一种co2系统最优排气压力特征变量的确定方法 Active CN109299560B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811174422.5A CN109299560B (zh) 2018-10-09 2018-10-09 一种co2系统最优排气压力特征变量的确定方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811174422.5A CN109299560B (zh) 2018-10-09 2018-10-09 一种co2系统最优排气压力特征变量的确定方法

Publications (2)

Publication Number Publication Date
CN109299560A true CN109299560A (zh) 2019-02-01
CN109299560B CN109299560B (zh) 2020-10-27

Family

ID=65162018

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811174422.5A Active CN109299560B (zh) 2018-10-09 2018-10-09 一种co2系统最优排气压力特征变量的确定方法

Country Status (1)

Country Link
CN (1) CN109299560B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS5616261A (en) * 1979-07-17 1981-02-17 Toshiba Corp Forecasting method for water demand
JP4599730B2 (ja) * 2001-03-02 2010-12-15 株式会社デンソー 画像領域抽出装置
CN103337000A (zh) * 2013-07-18 2013-10-02 中国石油化工股份有限公司 一种油气集输系统安全监测预警方法
CN105698454A (zh) * 2016-03-11 2016-06-22 西安交通大学 一种跨临界co2热泵最优压力的控制方法
CN108229592A (zh) * 2018-03-27 2018-06-29 四川大学 基于gmdh神经元网络的离群点检测方法及装置
CN108537581A (zh) * 2018-03-27 2018-09-14 四川大学 基于gmdh选择性组合的能源消费量时间序列预测方法及装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS5616261A (en) * 1979-07-17 1981-02-17 Toshiba Corp Forecasting method for water demand
JP4599730B2 (ja) * 2001-03-02 2010-12-15 株式会社デンソー 画像領域抽出装置
CN103337000A (zh) * 2013-07-18 2013-10-02 中国石油化工股份有限公司 一种油气集输系统安全监测预警方法
CN105698454A (zh) * 2016-03-11 2016-06-22 西安交通大学 一种跨临界co2热泵最优压力的控制方法
CN108229592A (zh) * 2018-03-27 2018-06-29 四川大学 基于gmdh神经元网络的离群点检测方法及装置
CN108537581A (zh) * 2018-03-27 2018-09-14 四川大学 基于gmdh选择性组合的能源消费量时间序列预测方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
LUCA CECCHINATO等: "A real-time algorithm for the determination of R744 systems optimal high pressure", 《INTERNATIONAL JOURNAL OF REFRIGERATION》 *
鲁茂: "改进的GMDH算法及其应用", 《软科学》 *

Also Published As

Publication number Publication date
CN109299560B (zh) 2020-10-27

Similar Documents

Publication Publication Date Title
CN109634121B (zh) 基于径向基函数神经网络的多父代遗传算法空气源热泵多目标优化控制方法
CN114186469A (zh) 空调系统能效预测方法及空调系统
CN111546854B (zh) 一种智能列车空调机组在途识别与诊断方法
CN109961177A (zh) 一种基于长短期记忆循环神经网络的通用水冷中央空调能耗预测方法
CN115905857A (zh) 基于数学形态学和改进Transformer的非侵入式负荷分解方法
CN107992976A (zh) 热点话题早期发展趋势预测系统及预测方法
CN113094988A (zh) 一种基于数据驱动的浆液循环泵运行优化方法及系统
Chen et al. Multicondition operation fault detection for chillers based on global density-weighted support vector data description
CN110400222A (zh) 一种基于隐马尔可夫与深度学习的股市预测方法
CN109882996A (zh) 一种控制的方法及设备
CN107203659B (zh) 一种过冷流动沸腾换热质量传递松弛因子预测方法
Yue et al. Power consumption prediction of variable refrigerant flow system through data-physics hybrid approach: An online prediction test in office building
CN113405223A (zh) 一种基于grnn的冷机台数控制方法及其控制系统
CN112561089A (zh) 一种易损备件关联分析预测方法
CN118468152B (zh) 一种面向余热锅炉的动态运行特性计算建模方法
Putrada et al. Gru-mf: A novel appliance classification method for non-intrusive load monitoring data
CN109611077A (zh) 一种基于多模型的抽油井油液气油比在线软测量方法
Jiang et al. ECMFGN: extended conditional mapping feature generation network for severe few-shot fault diagnosis of chillers
CN119768797A (zh) 能源管理系统的模型训练方法、装置及存储介质
CN119538134A (zh) 一种冷水机组故障检测和分类方法、系统、装置及介质
CN114357412A (zh) 一种暖通空调系统效率自控寻优控制系统
CN110033126A (zh) 基于注意力机制与逻辑回归的长短期记忆网络预测方法
CN109299560A (zh) 一种基于gmdh算法的跨临界co2系统最优排气压力特征变量的确定方法
CN109630092A (zh) 一种基于数据的抽油井泵效多模型软测量方法
Wang et al. Multi-Objective Prediction of the Energy Consumption of the Steam Turbine System Based on the 660 MW Ultra-Supercritical Coal-Fired Unit

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant