基于CNN-GA-XGBoost负荷预测的中央空调冷水机组数字孪生系统研究

• Published in: 工业工程 Vol. 27; no. 6; pp. 26 - 37
• Main Authors: 翁卫兵, 李鹏冲, 彭晨, 万安平
• Format: Journal Article
• Language: Chinese
• Published: 浙大城市学院 工程学院,浙江 杭州 310015%浙大城市学院 工程学院,浙江 杭州 310015 2024; 浙江科技大学 机械与能源工程学院,浙江 杭州 310012%浙江科技大学 机械与能源工程学院,浙江 杭州 310012
• Subjects: genetic algorithm; 数字孪生; 遗传算法; chilled water system; 卷积神经网络; convolutional neural network; 负荷预测; digital twin; 冷水系统; load prediction; 超参数优化; hyperparameter optimization
• ISSN: 1007-7375
• DOI: 10.3969/j.issn.1007-7375.240012

TP391.9; 为满足建筑物末端的制冷需求,中央空调冷水系统长期在部分负荷下运行,这导致能源消耗较高.对中央空调冷水机组的负荷预测有利于节能改造以达到负荷最优.针对冷水系统存在的错综复杂交互关系和多变量等难以精确预测的问题,提出一种基于卷积神经网络(convolutional neural network,CNN)—遗传算法(genetic algorithm,GA)—极端梯度提升(extreme gradient boosting,XGBoost)的冷水机组数字孪生体预测模型.首先利用历史数据训练CNN-GA-XGBoost预测模型;然后将训练好的模型通过应用程序接口(application program interface,API)的方式连接到数字孪生体系统中进行实时预测;最后在数字孪生系统中展示预测结果.结果表明,所提的方法模型评估指标决定系数达到 0.995,平均绝对百分比误差为 0.82,均方根误差为 2.22.数字孪生体预测模型有效地连接了物理实体和数据驱动,能够实现建筑物空调负荷的精准预测,并且所提预测方法相较于其他模型具有更高的精度和更好的泛化性.