基于遗传算法和人工神经网络的冷水机组模型参数辨识及误差补偿方法

DOE-2模型被广泛应用于冷水机组仿真建模,如何根据有限传感器实测数据对某特定冷水机组DOE-2模型的参数进行可靠地辨识,并补偿模型误差,对于节能运行等场景具有重要意义。在实践中由于传感器不足且数据质量不高等问题,DOE-2模型参数的可靠辨识较为困难。因此,本文提出一种基于外部知识库的遗传算法和一种基于人工神经网络的方法分别对DOE-2模型进行参数辨识和误差补偿。结果表明:基于外部知识库的遗传算法可以有效降低DOE-2模型参数辨识时间,并显著提升DOE-2模型预测精度。误差补偿后的DOE-2模型的预测精度显著高于未作补偿的DOE-2模型,前者在预测冷冻水出口温度时的MAE、RMSE、MAPE和CV-RMSE分别降低36.49%、46.00%、33.16%和45.73%,R2提高25.75%。