基于机器学习的中央空调的优化控制策略

针对中央空调时变、大滞后、非线性、模型复杂度高的问题,提出了一种基于机器学习的优化控制策略。首先,建立中央空调系统的物理模型,根据系统采集的数据信息,进行分类和预处理;其次,利用机器学习的相关算法,建立采集数据之间的机器学习模型,并验证模型的精度;然后,根据构造的机器模型,设计了一种优化控制策略,解决中央空调实际运行中存在的问题,并给出控制算法;最后,用Python进行了仿真,验证了方法的有效性。     

数据驱动的自寻阶最小二乘法及其在电机中的应用

为解决电机性能测试中某些性能曲线阶次难以确定,无法进行在线最佳阶次拟合的问题,本研究证明了转速-转矩曲线的泰勒多项式逼近,提出了一种基于数据驱动的自寻阶最小二乘算法,并应用于Visual Studio平台开发的电机测试系统中。该算法基于电机测试中采集的电参数数据,利用随机梯度算法,对要拟合的电机性能多项式曲线的参数进行逐次逼近,通过阶次评价函数选择出最佳阶次,从而实现在线最优拟合。经现场验证表明:该算法拟合速度快,能够给出最佳逼近模型,达到在线最佳阶次拟合的要求。