基于XGBoost-神经网络的建筑负荷预测模型构建

针对建筑负荷预测模型特征选择工作量大、泛化能力提升难的问题,提出一种基于极限梯度提升(extreme gradient boosting,XGBoost)-神经网络的建筑负荷特征筛选及预测方法,利用XGBoost算法训练滤波处理后的数据,基于平均绝对误差百分比(mean absolute percentage error,MAPE)确定最优特征子集,以改善模型精度和泛化能力;采用贝叶斯正则化算法训练前馈神经网络,以便能够在训练优化过程中降低网络结构复杂性,从而避免网络过拟合,进一步提升其泛化能力。针对某商业建筑的负荷预测实验结果表明,特征筛选后较筛选前模型均方误差(mean squared error,MSE)降低43.29%,有效提高了模型预测精度;分别以贝叶斯正则化和Levenberg-Marquardt(L-M)算法对神经网络进行训练,前者5次试验均方根误差(root mean squared error,RMSE)和MAPE平均值较后者分别降低87.08%、85.33%,预测模型泛化能力得到有效提升。

数据中心制冷系统非线性模型预测控制

数据中心制冷系统具有非线性、强耦合和大滞后特性,目前常用的PID方法无法实现系统整体能效提升,而现有非线性优化算法计算量大,不易工程实现.鉴于此,提出一种数据中心制冷系统模型预测控制策略,上层优化层设计预测控制器,其目标为在满足制冷要求的前提下降低系统能耗,优化层采用神经网络作为反馈控制器,将系统整体优化目标函数作为神经网络控制器优化性能指标,结合变分法与随机梯度下降法,通过滚动优化求取下层各回路被控变量最优设定值,算法占用存储区适中、计算量小;下层现场控制层通过实时控制使各回路被控变量跟踪最优设定值,可以在不破坏原有现场控制系统的情况下实现性能优化.构建Trnsys-Matlab联合仿真平台,针对系统夏季、过渡季和冬季的控制策略进行仿真实验.结果表明,所提出控制策略能够在满足数据中心安全运行的前提下,实现系统整体能效提升,且具有良好的鲁棒性.

基于Stacking模型的数据中心能效指标预测

提出一种基于Stacking集成学习的数据中心制冷系统能效指标预测模型。分别以XGboost、RF、SVR算法建立能效指标基模型,并采用线性回归法构建元模型;分别组合不同堆叠结构,使用K折交叉验证和基于网格搜索法的超参数优化增强模型性能;并引入期望误差百分比(EEP)、平均偏移误差(MBE)及决定系数(R2)三项评价指标检验模型性能。针对北京市某数据中心制冷系统的建模实验表明,所提出的XGboost+RF结构堆叠模型与单一模型相比,各项性能指标提升约5%~19%。