【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)屬于地溫場(chǎng)預(yù)測(cè)，具體涉及一種基于模糊最小二乘支持向量機(jī)的地溫場(chǎng)變化預(yù)測(cè)方法。
技術(shù)介紹
1、地源熱泵空調(diào)系統(tǒng)的運(yùn)行會(huì)引起地溫場(chǎng)的變化，特別是在全年冷熱負(fù)荷不平衡的地區(qū)。地溫場(chǎng)的變化一方面會(huì)影響到地埋管的出水溫度，進(jìn)而改變熱泵機(jī)組的運(yùn)行性能；另一方面地溫場(chǎng)的變化會(huì)在一定程度上破壞地下生態(tài)環(huán)境。因此，維持地溫場(chǎng)的持續(xù)穩(wěn)定意義重大。地源熱泵系統(tǒng)的實(shí)時(shí)運(yùn)行不可避免的會(huì)造成地溫場(chǎng)的瞬時(shí)變化，為了及時(shí)恢復(fù)地溫和抑制地溫場(chǎng)變化的進(jìn)一步擴(kuò)大，需實(shí)時(shí)掌握地溫場(chǎng)的變化情況。
2、數(shù)值模擬是較為常用的地溫場(chǎng)預(yù)測(cè)方法，但是由于地下地質(zhì)構(gòu)造復(fù)雜，難以獲取其完整的地下巖土信息，據(jù)此使用物理建模方法得到的模型無(wú)法保證其精確度，而采用鉆孔布置傳感器實(shí)現(xiàn)地溫場(chǎng)的預(yù)測(cè)，該方法獲取成本高，地下傳感器損壞后不易修復(fù)。
技術(shù)實(shí)現(xiàn)思路
1、為了解決上述現(xiàn)有技術(shù)中存在的問(wèn)題，提供了一種基于模糊最小二乘支持向量機(jī)的地溫場(chǎng)變化預(yù)測(cè)方法。
2、本專利技術(shù)解決其技術(shù)問(wèn)題所采用的技術(shù)方案是：
3、本技術(shù)方案提出了一種基于模糊最小二乘支持向量機(jī)的地溫場(chǎng)變化預(yù)測(cè)方法，包括以下步驟：
4、s1：基于鉆孔分布圖，布置淺層地溫監(jiān)測(cè)點(diǎn)，獲取監(jiān)測(cè)初始參數(shù)；
5、s2：基于初始參數(shù)，進(jìn)行皮爾遜相關(guān)性分析，確定預(yù)測(cè)模型的輸入?yún)?shù)；
6、s3：對(duì)輸入?yún)?shù)進(jìn)行模糊化處理，建立模糊最小二乘支持向量機(jī)模型；
7、s4：基于果蠅優(yōu)化算法對(duì)參數(shù)進(jìn)行優(yōu)化，進(jìn)行模糊最小二乘支持
8、s5：基于訓(xùn)練與驗(yàn)證后的模糊最小二乘支持向量機(jī)模型，進(jìn)行地溫場(chǎng)預(yù)測(cè)。
9、優(yōu)選的，所述s1中，初始參數(shù)包括用戶側(cè)供回水溫度，地源側(cè)供回水溫度、流量、環(huán)境溫度。
10、優(yōu)選的，所述s2中，皮爾遜相關(guān)系數(shù)，公式如下：
11、
12、式中，表示x的平均值，表示y的平均值；
13、確定rxy的絕對(duì)值不低于0.5的參數(shù)，為預(yù)測(cè)模型的輸入?yún)?shù)。
14、優(yōu)選的，所述s3中，采用高斯隸屬函數(shù)對(duì)輸入?yún)?shù)進(jìn)行模糊化處理，公式如下：
15、
16、式中，k表示模糊集的數(shù)量，t表示輸入樣本，t0(i)和σ分別表示第i個(gè)隸屬度函數(shù)的對(duì)稱軸和方差，表示樣本i第j個(gè)輸入數(shù)據(jù)的模糊隸屬度。
17、優(yōu)選的，模糊最小二乘支持向量機(jī)模型建立方法包括：
18、s11：定義訓(xùn)練集為：
19、t＝{(xi,yi)|xi∈rm,yi∈rn,i＝1,2,…l}?(3)；
20、式中，l表示樣本總數(shù)，rm表示輸入空間，rn表示輸出空間；
21、定義決策函數(shù)為：
22、
23、式中，w∈rm表示法向量，b表示閾值，表示輸入數(shù)據(jù)在高維空間的映射；
24、s12：轉(zhuǎn)化成求解帶有約束的最小值問(wèn)題，公式如下：
25、
26、式中，j表示結(jié)構(gòu)風(fēng)險(xiǎn)，yi表示約束條件，c表示懲罰參數(shù)，ei表示誤差變量；
27、s13：引入拉格朗日乘子α＝[α1,α2,…αn]，構(gòu)造拉格朗日函數(shù)，公式如下：
28、
29、s14：分別對(duì)w,b,e,α進(jìn)行偏導(dǎo)數(shù)求解，并消去w,ei，公式如下：
30、
31、定義徑向基函數(shù)為核函數(shù)，公式如下：
32、
33、式中，σ作為核函數(shù)寬度調(diào)節(jié)參數(shù)，用于控制徑向基函數(shù)的作用范圍；
34、s15：聯(lián)合式(7)和(8)，得到線性方程組矩陣，公式如下：
35、
36、求解矩陣式(9)，極值解為最優(yōu)解和每一個(gè)非零拉格朗日乘子αi對(duì)應(yīng)的輸入向量xi，為落在分類超平面上的最小二乘支持向量；
37、s16：通過(guò)最優(yōu)解構(gòu)造最優(yōu)擬核函數(shù)，公式如下：
38、
39、對(duì)輸入?yún)?shù)進(jìn)行劃分，按照比例用隨機(jī)函數(shù)劃分出訓(xùn)練集和驗(yàn)證集。
40、優(yōu)選的，所述s4中，基于果蠅優(yōu)化算法對(duì)核函數(shù)參數(shù)σ和懲罰參數(shù)c進(jìn)行尋優(yōu)，指標(biāo)的計(jì)算公式如下：
41、
42、式中，mre表示平均相對(duì)誤差，mae表示最大相對(duì)誤差，mse表示均方誤差，r2表示擬合度，表示模型計(jì)算值。
43、優(yōu)選的，果蠅優(yōu)化算法包括以下步驟：
44、s21：初始化果蠅群體位置p(x0，y0)、種群規(guī)模n和最大迭代次數(shù)imax參數(shù)；
45、s22：設(shè)定果蠅個(gè)體尋找食物的隨機(jī)方向和單次飛行步長(zhǎng)l(i)，經(jīng)過(guò)i次迭代后，果蠅個(gè)體的位置更新為p(xi，yi)，式中，xi＝x0+l(i)，yi＝y(tǒng)0+l(i)；
46、s23：經(jīng)過(guò)i次迭代后，果蠅個(gè)體飛出的距離為計(jì)算味道濃度的判定值ei＝1/di；
47、s24：將上述味道濃度判定值代入判斷函數(shù)f(i)，計(jì)算出每個(gè)果蠅個(gè)體的味道濃度值為：smell(i)＝f(ei)；
48、s25：確定具有最佳味道濃度的果蠅個(gè)體的味道濃度值和位置為：
49、[smell_best,index_best]＝min(smell)?(15)；
50、s26：給核函數(shù)參數(shù)σ和懲罰參數(shù)c賦初值：
51、σ＝c1ei(1,1)，c＝c2ei(1,2)?(16)；
52、式中，ei為1×2的矢量，c1和c2為常數(shù)；
53、s27：判斷smell_best(i)是否小于最佳味道濃度smell_best(i0)，若是，則保留該濃度值和果蠅位置，否則，記錄smell_best(i)對(duì)應(yīng)的位置；
54、s28：判斷是否達(dá)到最大迭代次數(shù)imax，若是，執(zhí)行下一步，否則，循環(huán)執(zhí)行s22-s28；
55、s29：輸出尋優(yōu)結(jié)果核函數(shù)參數(shù)σ和懲罰參數(shù)c。
56、優(yōu)選的，基于隸屬函數(shù)對(duì)每個(gè)模糊子集中的樣本點(diǎn)賦予不同的模糊隸屬度，通過(guò)模糊隸屬度對(duì)所有模型輸出的結(jié)果進(jìn)行疊加，疊加后的輸出作為模型的最終預(yù)測(cè)結(jié)果，計(jì)算訓(xùn)練集數(shù)據(jù)與預(yù)測(cè)結(jié)果之間的誤差值和擬合度。
57、優(yōu)選的，所述s5中，基于訓(xùn)練與驗(yàn)證后的模糊最小二乘支持向量機(jī)模型，得到輸入的新樣本后中第i個(gè)溫度值的預(yù)測(cè)結(jié)果ti，對(duì)應(yīng)的模糊隸屬度權(quán)值為μi，公式如下：
58、
59、式中，l表示模糊子集的數(shù)量，模糊疊加的輸出ti'為最終結(jié)果。
60、與現(xiàn)有技術(shù)相比，本專利技術(shù)具有以下優(yōu)點(diǎn)：
61、本申請(qǐng)通過(guò)引入模糊方法，構(gòu)建基于模糊的最小二乘支持向量機(jī)模型，便于后續(xù)的數(shù)據(jù)的有效處理，通過(guò)采用果蠅優(yōu)化算法對(duì)模型參數(shù)進(jìn)行優(yōu)化，有效發(fā)揮了模糊方法處理非確定信息的能力，通過(guò)充分利用最小二乘支持向量機(jī)，有效提高了模型預(yù)測(cè)的快速性和泛化性，使對(duì)地溫場(chǎng)的預(yù)測(cè)具有較高的準(zhǔn)確性，同時(shí)整體成本更低更加可靠。
本文檔來(lái)自技高網(wǎng)...【技術(shù)保護(hù)點(diǎn)】
1.一種基于模糊最小二乘支持向量機(jī)的地溫場(chǎng)變化預(yù)測(cè)方法，其特征在于，包括以下步驟：
2.根據(jù)權(quán)利要求1所述的一種基于模糊最小二乘支持向量機(jī)的地溫場(chǎng)變化預(yù)測(cè)方法，其特征在于，所述S1中，初始參數(shù)包括用戶側(cè)供回水溫度，地源側(cè)供回水溫度、流量、環(huán)境溫度。
3.根據(jù)權(quán)利要求2所述的一種基于模糊最小二乘支持向量機(jī)的地溫場(chǎng)變化預(yù)測(cè)方法，其特征在于，所述S2中，皮爾遜相關(guān)系數(shù)，公式如下：
4.根據(jù)權(quán)利要求1所述的一種基于模糊最小二乘支持向量機(jī)的地溫場(chǎng)變化預(yù)測(cè)方法，其特征在于，所述S3中，采用高斯隸屬函數(shù)對(duì)輸入?yún)?shù)進(jìn)行模糊化處理，公式如下：
5.根據(jù)權(quán)利要求4所述的一種基于模糊最小二乘支持向量機(jī)的地溫場(chǎng)變化預(yù)測(cè)方法，其特征在于，模糊最小二乘支持向量機(jī)模型建立方法包括：
6.根據(jù)權(quán)利要求1所述的一種基于模糊最小二乘支持向量機(jī)的地溫場(chǎng)變化預(yù)測(cè)方法，其特征在于，所述S4中，基于果蠅優(yōu)化算法對(duì)核函數(shù)參數(shù)σ和懲罰參數(shù)c進(jìn)行尋優(yōu)，指標(biāo)的計(jì)算公式如下：
7.根據(jù)權(quán)利要求6所述的一種基于模糊最小二乘支持向量機(jī)的地溫場(chǎng)變化預(yù)測(cè)方法，其特征在于
8.根據(jù)權(quán)利要求7所述的一種基于模糊最小二乘支持向量機(jī)的地溫場(chǎng)變化預(yù)測(cè)方法，其特征在于，基于隸屬函數(shù)對(duì)每個(gè)模糊子集中的樣本點(diǎn)賦予不同的模糊隸屬度，通過(guò)模糊隸屬度對(duì)所有模型輸出的結(jié)果進(jìn)行疊加，疊加后的輸出作為模型的最終預(yù)測(cè)結(jié)果，計(jì)算訓(xùn)練集數(shù)據(jù)與預(yù)測(cè)結(jié)果之間的誤差值和擬合度。
9.根據(jù)權(quán)利要求1所述的一種基于模糊最小二乘支持向量機(jī)的地溫場(chǎng)變化預(yù)測(cè)方法，其特征在于，所述S5中，基于訓(xùn)練與驗(yàn)證后的模糊最小二乘支持向量機(jī)模型，得到輸入的新樣本后中第i個(gè)溫度值的預(yù)測(cè)結(jié)果Ti，對(duì)應(yīng)的模糊隸屬度權(quán)值為μi，公式如下：
...【技術(shù)特征摘要】
1.一種基于模糊最小二乘支持向量機(jī)的地溫場(chǎng)變化預(yù)測(cè)方法，其特征在于，包括以下步驟：
2.根據(jù)權(quán)利要求1所述的一種基于模糊最小二乘支持向量機(jī)的地溫場(chǎng)變化預(yù)測(cè)方法，其特征在于，所述s1中，初始參數(shù)包括用戶側(cè)供回水溫度，地源側(cè)供回水溫度、流量、環(huán)境溫度。
3.根據(jù)權(quán)利要求2所述的一種基于模糊最小二乘支持向量機(jī)的地溫場(chǎng)變化預(yù)測(cè)方法，其特征在于，所述s2中，皮爾遜相關(guān)系數(shù)，公式如下：
4.根據(jù)權(quán)利要求1所述的一種基于模糊最小二乘支持向量機(jī)的地溫場(chǎng)變化預(yù)測(cè)方法，其特征在于，所述s3中，采用高斯隸屬函數(shù)對(duì)輸入?yún)?shù)進(jìn)行模糊化處理，公式如下：
5.根據(jù)權(quán)利要求4所述的一種基于模糊最小二乘支持向量機(jī)的地溫場(chǎng)變化預(yù)測(cè)方法，其特征在于，模糊最小二乘支持向量機(jī)模型建立方法包括：
6.根據(jù)權(quán)利要求1所述的一種基于模糊最小二乘支持向量機(jī)的...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：周世玉，賈寒冰，毛煜東，楊開(kāi)敏，劉吉營(yíng)，
申請(qǐng)(專利權(quán))人：山東建筑大學(xué)，
類型：發(fā)明
國(guó)別省市：
還沒(méi)有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。