大数据在空调领域的应用

本文阐述了传统空调数据的主要来源,从空调研发等几个方面分析了传统空调数据的用途;围绕空调产品和空调企业,梳理了空调领域大数据的产生原因及来源;空调大数据的多度量性、多维度性、地域性等特点对数据挖掘提出了挑战;探讨了大数据在空调领域的应用,重点分析了大数据在空调系统优化、故障诊断、建筑能耗与维护预测、企业人力资源和资金分配、企业提供个性化定制服务等方面的用途;通过挖掘海量空调数据可以预测用户行为,表明空调领域大数据安全防护应当得到重视。     

基于支持向量机的多联机系统制冷剂充注量故障检测与诊断

利用支持向量机算法,建立了制冷剂充注量故障检测与诊断模型。采用网格搜索和十折交叉验证方法优化模型,通过测试数据验证模型性能。结果表明,制冷剂充注不足时的故障检测与诊断准确率较高,但制冷剂充注过量时准确率明显偏低。经过优化后,制冷剂充注量故障检测与诊断的总准确率由82.2%提高到94.6%。     

基于PCA-Clustering的压缩机回液故障诊断

在多联机(VRF)空调系统中,压缩机回液将导致能量损失。本文结合大数据提出了一种基于PCA-Clustering的压缩机回液故障诊断的方法。首先提取出故障相关变量,并通过数据预处理,剔除异常值与空值;然后将处理后的数据进行主成分分析(PCA),获取降维后的新主元变量数据;最后将新的主元变量进行聚类分析(Clustering analysis)得到回液故障数据分类标签。结果表明:该方法能够在数据标签未知的情况下,较好的区分不同类别的压缩机回液故障及正常数据,使压缩机回液故障诊断率达到94.29%。     

房间空调器中制冷剂R290、R32替代R22的仿真研究

制冷剂R290和R32是R22的主要替代物,受到了许多研究者的青睐。本文先建立了小型房间空调器制冷系统模型。然后在该模型的基础上,对R290、R32替代R22时,制冷系统性能(包括冷凝压力、蒸发压力、吸气压力、排气温度、压缩机功耗、制冷量、COP)的变化进行了研究。结果表明,R290和R32在房间空调器中替代R22有着较大的潜力。     

基于决策树算法的多联机气分插反故障诊断

本文将决策树算法应用于多联机气分插反故障诊断中,搭建了多联机实验平台采集数据,根据专家知识及数据变化模型验证选取了建模的特征变量,采用决策树C5.0算法构建气分插反故障诊断模型,进一步对由模型分类规则生成的最优变量即过冷器的EEV（电子膨胀阀）进行深入分析和验证。结果表明：将决策树算法应用于多联机气分插反故障诊断的方法,准确率为96%,有较高的准确性和可靠性,此诊断方法能满足多联机故障诊断实际运用的需要。由于多联机发生气分插反故障时,系统过热度降低,为保证多联机系统的制冷效果和能效比,可通过增大过冷器EXV开度调节。     

基于ARMA模型的地铁站环控系统能耗预测

本文通过对时间序列的研究分析,提出一种基于自回归移动平均(ARMA)模型来预测地铁站环控系统能耗的方法。对采集的地铁站环控系统能耗数据进行平稳性检验和白噪声检验;依据数据样本的自相关系数、偏自相关系数及AIC准则确定模型最优参数,建立可有效预测地铁站环控系统能耗的ARMA模型;采用4种方法对拟合模型的有效性进行检验;利用平均绝对误差(MAE)和均方根误差(RMSE)对模型拟合效果进行分析。结果表明,该方法能够有效提取能耗数据中有用的信息,MAE和RMSE分别可达0.101和0.470,对于地铁站环控系统能耗预测具有较高的拟合精度。     

基于数据挖掘技术的地铁站环控系统用能诊断

本文提出了一种地铁站环控系统用能诊断方法,通过数据挖掘技术建立评价模型来评价地铁环控系统的用能特性。首先,通过相关性分析,确定影响地铁环控系统能耗的关键变量:室外温度、客流量;其次,根据所选取的关键变量,采用决策树划分不同的用能模式,进而根据各个模式建立相应的的用能基准;最后,根据不同模式的用能基准对地铁环控系统实际运行数据进行用能诊断。诊断结果表明:环境和客流的变化会引起用能水平的波动,但仍然贴近用能基准。该用能诊断方法能够诊断地铁站用能、识别异常用能模式和识别低能耗的用能模式,有助于地铁站运营漏洞、故障排查和环控模式优化,为单个地铁站的节能工作提供理论依据和实际参考。     

锂离子电池低温复合加热策略及优化北大核心CSCD

电动汽车因为节能环保和能量转化效率高等特性在近年来发展迅速。在低温下,作为动力来源的锂离子电池的放电功率和容量等性能严重衰减,影响着电动汽车在北方极寒地区的发展和普及。因此,如何在低温下对锂离子电池进行可靠、高效、安全地低温加热显得尤为重要。以三元锂方块电池为研究对象,通过测试电池在不同工况下的低温特性,得出了电池电特性和热特性参数。建立单体电池低温电热耦合模型,通过神经网络方法拟合实验数据,得到电池低温加热仿真模型。通过电池不同工况下的温升实验,验证了仿真模型的精度。本文提出了电池多段恒流复合加热方法,建立了电池老化、加热时间、容量收益的多目标非线性优化模型,揭示了电池老化、加热时间和容量收益之间的关系,得到了评价加权权重矩阵。利用非支配排序遗传算法-Ⅱ(NSGA-Ⅱ)和优劣解距离法(TOPSIS),得到单体电池平衡加热策略,探究了电池不同初始状态对优化目标的影响规律。根据电池的不同初始状态以平衡加热策略为基础建立了单体电池加热电流数据库。电池初始温度为-20℃时,加热到10℃,所需加热时间为253 s,容量收益为4.72 Ah,电池老化为0.482‱,峰值功率收益为1104 W。     

基于关联规则分类的冷水机组故障诊断研究

鉴于现有基于数据驱动的故障诊断方法多以黑箱模型为主,诊断过程和结果难以解释的问题,本文提出一种基于关联规则分类的冷水机组故障诊断和故障作用机理解释的方法,在保证较好故障诊断精度的前提下,利用故障诊断模型中的规则库对诊断过程进行逆向分析,解析故障作用机理和模型的诊断过程,提升了基于数据驱动的故障诊断方法的可靠性。通过ASHRAE研究项目1043的实验数据对该方法进行验证。结果表明,基于关联规则分类的冷水机组故障诊断方法可以有效地识别7种典型冷水机组故障,平均故障诊断准确率高达90.84％。此外,提取的规则能够较好地吻合制冷原理及热力学相关知识,可用于故障作用机理分析与故障诊断的进一步研究。     

基于PSO的SVR模型在多联机功耗预测上的应用

支持向量回归(SVR)模型在多联机系统功耗预测稳定性和精度上存在不足,本文引入粒子群优化(PSO)算法,对SVR预测模型的惩罚系数C和核参数γ进行最优求解,来改善模型预测性能。在制冷剂充注量为95. 75%工况下,对多联机组进行运行实验,并对实验数据进行预处理。基于PSO算法建立PSO-SVR模型,对多联机功耗进行预测,并与SVR模型的预测结果和理论公式计算结果进行对比。结果表明:SVR、PSO-SVR、理论公式计算法总体预测误差分别为1. 43%、1. 08%和1. 57%,均方根误差RMSE分别为105. 36、88. 79、91. 37 W,参数寻优结果为惩罚系数C=10 000和核参数γ=4. 275。粒子群优化算法的引入显著提高了SVR模型的预测精度和稳定性;相较于理论公式计算法,PSO-SVR精度更高,且需要测量的参数数目明显减少,在降低了测量系统复杂性同时更具经济适用性。