中央空调系统运行的数据分析与优化策略研究

丁月　尹可　董港

摘要：文章选取热带地区某城市的一套中央空调系统数据，通过对中央空调系统各指标之间的关系进行分析，借助SAS、SPSS和MATLAB软件，采用概率抽样的方法，构建基于加权偏最小二乘法的中央空调系统变量关系模型，计算模型最优解，给出中央空调系统的最优控制策略，实现中央空调系统的智能控制与节能的目的。

关键词：Leveraging Method；加权偏最小二乘法

一、引言

随着全球气候的变化和空调技术的发展，越来越多的大型建筑物利用中央空调系统来实现室内温度和湿度的调节控制，特别是随着“智慧城市”建设步伐的快速推进，使得围绕智慧城市建设实现中央空调系统的智能控制与节能成为实际中的一个很有普遍意义的重要课题。本文利用数据挖掘技术对热带地区某城市的一套中央空调系统数据进行分析，给出中央空调系统的最优控制策略，为中央空调系统的智能控制与节能提供了有效的方法。

二、模型的建立与求解

（一）Leveraging Method

由于收集到的信息量庞大，需采用Leveraging Method方法筛选出对中央空调的系统影响较大的指标数据。

首先要运用杠杆评分对每个数据点定义合适的采样概率，通过计算每个样本数据的杠杆评分，给出样本数据的采样概率，评分越高的数据采样概率越大。当数据对应的概率值大于平均采样概率时，选取该数据作为样本数据，得到一组新的数据。然后，在新的数据里用选取的t个样本点进行线性回归，通过加权最小二乘得分计算出每个样本数据的权重，得到一组加权后的样本数据。最后，通过定义采样概率与数据加权，确定由系统效率、系统耗电量等24个指标构成的加权后的17306条样本数据作为研究数据。

（二）偏最小二乘回归分析

经过筛选得到样本数据，借助偏最小二乘回归構建中央空调系统的变量关系模型，寻找变量之间的关系，为最优控制策略提供依据。偏最小二乘回归基本原理如下：

令样本容量为r，自变量X为r×m-1维矩阵，因变量Y为r×1维向量，设由前k个PLS成分组成的r×k维隐变量矩阵H，且有H=XW，则最小二乘回归的模型为：

选取的样本数据与预测数据之间存在不同的相似度，根据相似度的大小对权值大小进行合理的分配，相似度越大，预测能力越大，分配的权值也就越大。借助SAS软件，部分运行结果如下：

图1是一个利用VIP指标进行变量筛选的结果，指标的VIP数值越大，说明指标越重要，从图1可以看出有15个指标的VIP值较大，可代表全部数据的大部分信息。

表1给出了中央空调系统的总耗电量、冷却负载及系统效率与20个自变量之间的线性关系模型，可用其表示中央空调系统变量间的关系模型。

为使中央空调能够节约电能、减少成本，进一步求解最优控制策略，将系统耗电量和系统效率差值最小作为目标函数，构建多目标规划模型。采用概率抽样、蒙特卡洛模拟及理想值法三种方法对该模型进行求解。借助SPSS、MATLAB软件对样本数据分别进行100次抽样和1000次模拟，利用LINGO软件对模型进行求解，通过求取最优解给出最优控制策略。部分总体最优策略数据如下：

三、结论

本文通过对中央空调系统各个指标之间的关系进行分析，利用基于加权偏最小二乘法、概率抽样、蒙特卡洛模拟、理想值法建立多种数据挖掘模型，得到了通过调节可控变量（冷水泵转速、冷凝水泵转速和冷却塔风扇转速）最优控制策略，以及各个最优控制策略相应的系统总耗电量和系统效率，还可以通过此方法给出调节中央空调系统设备状态变量的最优控制策略，为中央空调的节能与智能控制提供有利的方法。

参考文献：

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

[2]王鑫.半集中式中央空调空气处理系统的控制研究[D].沈阳工业大学，2014.

[3]李小燕.多目标规划问题真有效解和近似解的研究[D].重庆师范大学，2016.

*课题项目：2017年地方高校国家级大学生创新创业训练计划项目（201713320127）立项课题“中央空调系统运行的数据分析与有优化策略研究--以某公司为例”。

（作者单位：青岛黄海学院）