0 引言

对中央空调系统进行节能控制意义重大。由于中央空调系统具有多变量、强耦合、非线性、时变性、时滞性、干扰因素多等强烈动态特点，使得对其进行准确和实时的负荷预测和节能控制一直较为困难[1]。传统的控制方式有一定的节能效果，但不能进行准确和实时的负荷预测和控制。目前出现了基于支持向量机（SVM）的负荷预测方式，该预测方式准确度较高，但其使用的训练样本准确度不能保证，从而也无法准确地进行预测。

本文提出了一种基于SVM的中央空调节能控制方法。SVM使用传统的中央空调节能控制系统采集的训练样本数据进行负荷预测，控制系统根据预测结果进行控制调整，SVM根据调整结果增加新的训练样本、或对训练样本进行修正，进而对回归函数进行修正。重复该迭代过程，可不断提高预测和控制的准确度和实时性，进而在保证基本需求（如舒适度）的同时达到最佳的节能效果。

1 传统中央空调节能控制方式存在的问题

传统的中央空调节能控制方式主要以水泵和风机的变频技术为核心[6]，常见方式简述如下。

1）安装室内外温湿度传感器。在冷冻水管、冷却水管的供回水管上安装温度传感器。对冷冻泵、冷却泵电机安装变频器。

2）室内冷负荷变化时，冷冻水管中的冷冻的供回水温随之发生变化：冷负荷升高时，冷冻水回水温和供回水温差升高，反之则降低。

3）控制系统根据冷冻水供回水温差的变化调节冷冻水泵的频率，从而保证冷冻水的供回水温度在设定的范围内，即保证冷冻水合适的送冷能力：冷冻水供回温差升高时，调高冷冻水泵的频率，增大冷冻水的流量，反之则调低冷冻水泵频率，减小冷冻水流量。

4）控制系统冷冻水供回温差和流量的变化调节冷水机组供应的冷量：冷冻水温差升高，流量变大时，调高冷水机组供应的冷量；反之则降低冷水机组供应的冷量。

4）在时点k时，采集实际的运行影响参数向量Xr(k)，根据上述回归函数预测yp(k+1)=f(Xr(k))。

②收集河道相关的治理规划和具体实施情况，已建工程相应的建设任务、标准、主要建设内容和工程投资等，河道断面、滩地及堤防上下游、左右岸衔接情况。

与水泵和风机电机定频运行、通过冷冻水供回旁通阀进行冷冻水送冷量调节的控制方式相比，该种节能控制方式可根据实际冷负荷的变化调节水泵、风机和制冷机的功率，从而有效的降低了能耗。同时，变频技术的使用改善了系统启动时对配电系统的冲击，也缓解了负荷调节过程中室温忽高忽低的问题，从而改善了舒适度。

由于以上优点且实现相对简单等原因，该控制方式等到了非常广泛的应用，已经成为主流。但是，该控制方式依然存在着诸多问题。

1）中央空调系统运行有着多变量、强非线性、强耦合性等特点，无法通过准确的计算得出应供应的冷量，控制系统的具体控制逻辑严重依赖于设计人员的经验。因此，控制系统的准确度很难得到保证，也无法判断出系统是否已达到最优的节能效果。

2）中央空调有着大时滞性的特点，系统需要很长时间才能达到设定的冷量输出，而控制系统主要是基于当前时点的影响参数并根据经验进行调节。在达到设定的冷量输出时，系统的影响参数很可能发生了较大的变化，从而实际需冷量也发生了变化，并不一定等于此时系统的供冷量。也就是说，控制系统不具备准确的负荷预测，供冷量与实际需冷量的实时匹配能力。

2 基于支持向量机（SVM）的中央空调负荷预测及存在的问题

7）在时点 k+1 时，判断 |tN(k+1)-tN|≤ΔtN和 |yp(k+1)-yr(k+1)|≤Δ|y|是否同时成立。

中央空调的负荷预测属于回归问题。SVM的回归函数基于对大量数据的统计分析得出，会根据大量样本数据的变化进行动态调整。使用SVM进行建模会进行复杂的矩阵计算，因而计算时间较长，占用的存储空间较大。

10）若存在步骤（5）中的Xs(q)，找出ys(k+1)=arg max|Δy|=arg max(|yr(k+1)-ys(q+1)|)（即使得 Δ|y|最大的ys(q+1)）。

1）确定对中央空调负荷（供冷量）有一定影响的n个影响参数作为输入向量的特征元素，这些影响因素包括运行时点、室外参数（如室外温湿度、风速、太阳辐射强度等）、室内参数（如室内温湿度、人流量、发热设备功率等）、中央空调系统自身状态（如冷冻水和冷却水的流量和供回温度、制冷机的输出功率、水泵频率、水流量等）。其中数据可按0.5 h的间隔进行采集，在一个供冷周期开始时，时点k=0。

2）取影响参数向量Xs(k)={xs,1(k),xs,2(k),…,xs,n(k)}为样本的输入向量，其中xs,1(k),xs,2(k),…,xs,n(k)依次对应于上述k时点的n个影响因素，取ys(k+1)为向量X(k)对应的样本结果值（即时点k+1的供冷量）。其中，下标s则代表样本数据。

根据已有的研究成果，SVM可根据现有的训练样本求出回归函数，根据该回归函数对测试样本数据进行预测和对照，结果表明：预测值和对照值非常接近，因此SVM回归函数可相当准确的进行预测[6]。

现如今，高校在建设图书馆电子阅览室时，已基本实现了对网络信息科技、计算机信息技术和通信技术的充分利用，并基于互联网技术实现了对网络电子文献、多媒体光盘以及其他文献的转换工作，为读者提供了更加广泛的阅读空间，实现了传统文字资料与多媒体信息资料相结合的多元化组合，最大限度满足了读者对文献资源的个性化需求。目前，图书馆电子阅览室已成为了高校图书馆系统中不可或缺的重要组成部分。

4）针对以上训练样本组，使用SVM回归机（SVR）建模，求出回归函数y(k+1)=f(X(k))。

5）在中央空调运行过程中，将时点k采集的输入向量Xr(k)代入上述回归函数中，即可预测出时点k+1时的供冷量yp(k+1)=f(Xr(k))。其中，下标r代表求得回归函数后的实际运行数据，下标p代表根据回归函数求得的预测值。

3）将以上述形式表示的时点k采集的数据{Xs(k),ys(k+1)}做为训练样本，并采集足够多的训练样本组成训练样本组。

可看出：使用SVM对中央空调系统进行负荷预测时，不用考虑系统的强烈动态特点即可得出回归模型，且可根据当前时点的影响参数比较准确的预测出下一个时点的供冷量。

《英伦对决》是一部由中、英两国联合制作的动作大片，该片由新西兰导演马丁·坎贝尔（Martin Campbell）指导，成龙、皮尔斯·布鲁斯南（Pierce Brosnan）领衔主演，于2017年9月30日在中国、新加坡上映，于同年10月、11月、12月在美国、澳大利亚、法国、挪威等国上映。该片以英国爱尔兰问题作为历史及政治背景，主要讲述了英籍华裔关玉明的女儿在伦敦的一次恐怖袭击中遇难，而英国有关政府部门的不作为，使关玉明独自踏上了向恐怖组织复仇之路的故事。

3）SVM开始介入，根据训练样本组求出回归函数y(k+1)=f(X(k))。

3 基于SVM的中央空调节能控制方法

通过以上分析，本文提出了一种基于SVM的中央空调节能控制方法。具体流程描述如下（流程图见图1）：

1）建立样本数据{Xs(k),ys(k+1),yrs(k+1)},其中{Xs(k),ys(k+1)}为训练样本；各时点的样本数据形成样本数据组和训练样本组。下标rs代表在样本数据组中存储的实际运行值。SVM回归模型可使用ε-SVR模型，核函数选用泛化能力和学习能力较强的高斯径向基（RBF）核函数[6]。选择适当的精度ε>0、惩罚参数C>0、高斯径向基核函数宽度系数σ、室内干球温度控制精度ΔtN、样本替换最大允许距离偏差Δ|X|>0、结果值（即供冷量）最大允许偏差Δ|y|>0。注意：为突出本文重点，此处暂只考虑对室内温度tN进行控制。

为了解决这一问题，提高夜间监控视频目标识别的准确率，本文提出一种基于模糊粒子滤波器的目标识别算法。首先将原始视频帧图像转换到新的HRsg色彩空间[16]，并进行滤波降噪处理；随后，引入模糊理论，对预处理后的视频图像信息建立模糊隶属度信息，将其作为粒子滤波方法的信息输入源，实现对夜间视频目标的实时检测。对比试验表明，本文提出的方法较传统方法准确性和可靠性更高，鲁棒性好，能够满足实际应用需求。

2）运行控制系统，按常规（即SVM不介入时）的控制速度进行控制，根据一定的时间间隔采集各时点相应的输入向量和结果值，运行一段时间（如一个供冷周期）后获得足够多的各时点的数据{Xr(k),yr(k+1)}，并使得{Xs(k)=Xr(k),ys(k+1)=yr(k+1),yrs(k+1)=yr(k+1)}，从而形成初始样本数据组和初始训练样本组。

式(13)右边是标量乘积,左边则是矢量点乘,其中一个是末端距矢量,另一个是在z轴上链延伸的极小量,其点积可以看成是矢量在方向上的投影与的乘积,而在方向即z轴上的投影正好是投影长度的模为dL,因此该式成立.

但是，现有的SVM预测模型只能使用已知的运行数据作为训练样本建立，而目前的控制方式并未解决中央空调系统的时滞性问题。即对于时点k而言，用于预测的供冷量ys(k+1)只是实际中央空调系统在下一个时点k+1时的采集的实际供冷量，而非时点k+1时的实际需冷量。而某些SVM预测模型使用模拟软件等计算出需冷量做为ys(k+1)，考虑到了供冷量和需冷量的偏差，但由于模拟软件的局限性，也是不准确的[6]。因此，由于做为预测用的训练样本不准确，现有的SVM预测方法无法做到准确预测，因而并不实用。

学校里教什么行业的班级都有：厨师（刀功、面案、烹饪、摆台），汽车修理和驾驶，公共电汽车售票员，园艺工（花匠），开城市洒水车，美容美发，电影放映员，澡堂子服务员，商店售货员，服装裁剪，仓库保管员，会计、出纳和文秘，差不多就是一个综合性社会服务业预备班。

根据龙牙楤木皂苷回归模型做出相应的三维球面图，如图7所示。响应面曲面的坡度可反映该因素对龙牙楤木皂苷得率影响的强弱程度。等高线的形状表明因素之间的交互影响是否显著。圆形等高线表明两因素之间的交互影响不显著；椭圆形等高线表明两因素之间的交互影响显著[22]。如图7a、b所示，响应面显示坡度较陡，等高线呈马鞍形或椭圆形，表明酶解pH和酶解温度、酶解pH和盐的添加量之间交互作用显著，对龙牙楤木皂苷的提取得率影响较大，这与方差分析结果一致。酶解温度和盐添加量交互作用不显著，方差分析结果p值为0.1075，表现为曲线平滑，等高线为圆形。

5）控制系统根据冷水机组的冷量变化和室外温度的变化调节冷却水泵的频率，从而保证冷却水的供回水温差在设定的范围内，即保证一定的冷却能力：冷量变低或（和）室外温度或（和）室外湿度较低时，冷却水供回水温差降低，则调低冷却水泵的频率，降低冷冻水的流量。反之则升高冷却水泵的频率，升高冷冻水的流量。

1.2.4 考试实施 考试场所安排在医院临床技能培训中心，考站标识明确，分布合理。考试顺序由抽签决定，每5个人为一组，每站考试时间10 min。考试专门设置等候区，由专人负责维持秩序。考生在考试开始之前统一上交手机，避免考试结束的考生与正在等候的考生交流。

5）找出 Xs(q)=arg m inΔX=arg min(||Xr(k)-Xs(q)||2)≤Δ|X|（即满足ΔX≤Δ|X|的最小的Xs(q)），判断是否存在这样的Xrs(q)。

方案一：选用三轮双驱的车体。三轮双驱是车体使用三个轮子、两个驱动马达和一个电机驱动模块构成。后轮为一个万向轮，用于转弯和调整方向；前面两个轮用于驱动车身，安装过程容易。

6）若存在这样的Xrs(q)，时间段k～k+1的控制速度可参考{Xrs(q),ys(q+1),yrs(q+1),}进行调整：计算结果值偏差Δy=yp(k+1)-yrs(q+1)，若 Δy>Δ|y|，说明按照原有控制调节速度在时点k+1时的供冷量将过小，需要加速调节。若Δy<-Δ|y|，则需要减速调节。其他情况说明原调节速度合适。若不存在这样的Xrs(q)，则说明出现了新的影响情况，时间段k～k+1可仍保持原控制调节速度。

随着大数据处理技术的发展，开始尝试将SVM用于进行中央空调的负荷预测。SVM是在统计学习理论上发展而来的一种预测模型，可根据已知的一些数据样本（称为训练样本，每个样本包括若干输入特征和一个输出结果，各输入特征形成输入向量），得出决策函数（或回归函数）。预测时，将获得的输入向量代入决策函数（或回归函数），即可求出预测结果[6]。SVM可用于分类和回归预测中，具有自学习的特点。

8）上两式同时成立，说明预测和控制调节均准确，将{Xr(k),yr(k+1)}做为新的训练样本加入训练样本组，即将{Xs(k)=Xr(k),ys(k+1)=yr(k+1),yrs(k+1)=yr(k+1)}加入样本数据组，转入步骤（13）。

9）上两式若不同时成立，说明预测和（或）控制调节不正确。估算冷量偏差Δy(k+1)，并使yc(k+1)=yr(k+1)+Δy(k+1)，其中下标c代表修正值。

使用SVM对中央空调进行负荷预测的方法简述如下[6]（实际过程是非常复杂的）。

11）若 |Δy|=|yr(k+1)-ys(q+1)|≥Δ|y|，说明该样本最不准确，需要修正，使用{Xs(k)=Xr(k),ys(k+1)|=yc(k+1)|,yrs(k+1)=yr(k+1)}替换{Xs(q),ys(q+1),yrs(q+1)}；否则将{Xs(k)=Xr(k),ys(k+1)=yc(k+1),yrs(k+1)=yr(k+1)}加入样本数据组。转入步骤（13）。

12）若不存在这样的Xs(q)，说明出现了新的影响情况，将{Xs(k)=Xr(k),ys(k+1)=yc(k+1),yrs(k+1)=yr(k+1)}加入样本数据组。

13）若到达供冷周期最后一个时点，则进入下一个时点，并转向下一步，否则转向步骤（3）。

14）若本时点开始了新的供冷周期，则k=0，转向步骤（3），否则本流程结束。

上述流程需要注意下述几点：

3.积极实施挂职锻炼，提高干部的工作能力。干部挂职是加快干部培养锻炼、促进干部队伍建设的一项重要举措。机关干部通过深入基层、深入群众了解实际，使得工作的针对性进一步增强，思考问题、安排工作就会更符合基层的实际。同样，基层的干部到机关挂职，则有助于从宏观上了解采油厂的工作，开阔视野，拓宽思路，增强了大局意识，提高了综合能力和宏观管理水平。科研与生产单位的干部交叉挂职，能有效地促进科研与生产的紧密结合，既促使科研成果尽快转化为生产力，又不断地提高了领导干部的领导水平和执政能力。

1）ε-SVR模型的计算方法非常复杂，但比较成熟，具体可见文献[6]等，本文不再具体介绍。

2）若影响向量X(k)和X(q)接近（即影响中央空调负荷的因素接近），则结果值（供冷量）y(k+1)和y(q+1)也应该接近。影响向量的接近程度可用两者的距离表示，可取向量(X(k)-X(q))的 2-范数 ΔX=||X(k)-X(q)||2=(Σ(xl(k)-xl(q))2)1/2(l=0,1,2,…,n)，或根据不同影响参数对结果的不同重要性进行加权，即 ΔX=(Σ(αl(xl(k)-xl(q))))2)1/2(l=0,1,2,…,n),αl为权值。ΔX越小意味着两者越接近，则两者的结果值也应越接近，即偏差 Δy=y(k+1)-y(q+1)也越小。

西北雨淹过我们，继续向前冲去。奇异的是，我们站的地方仍然阳光普照，使落下的雨丝恍如金线，一条一条编织成金黄色的大地，溅起来的水滴像是碎金屑，真是美极了。

3）冷量偏差Δy(k+1)的估算方法是能否尽快迭代到需要精确度的关键，也是预测的供冷量是否接近实际需冷量的关键。作为一种可考虑的简单方法，可取Δy(k+1)=(tN(k+1)-tN)×V×cv，其中 V 为房间体积，cv为空气的体积比热。

加强对河道进行清淤疏浚是保证周围地区防汛安全，促进经济发展重要手段。当前河道的清淤疏浚工作还存在一些问题，比如河槽治理不当，河道易成险工段；河床抬高泄洪能力减弱；部分砂质土堤在水位高流量大时，易发生溃堤；临堤串沟威胁堤坝安全，洪水漫滩，堤坝面临溃决的危险。受上游土质疏松的地区影响，下游易出现淤积, 而河道淤积严重，泄洪不畅, 会危害当地的居民的生命财产安全。因此加强河道的清淤疏浚，减轻河道淤泥现象，不仅能提高堤坝的泄洪能力，而且也可以利用河道发展当地水利建设和农业经济。

  

图1 基于SVM的中央空调节能控制流程示意图

由图可看出：以上基于SVM的中央空调控制方法不需要人为选择训练样本，而是使用控制系统在运行过程中不断采集并进行适当修正的运行数据作为训练样本，从而不断的提高预测和控制精度。该方法有效的避免了目前采用的SVM预测方法不准确的缺陷。也有效的避免了因中央空调系统各种强烈动态特性带来的无法准确建模，进而无法精确和实时进行冷量（温度）控制的问题。也因此可使得系统的供冷量尽量接近实际需冷量，从而在保证舒适度的情况下最大程度的节约了能源。

为了解决SVM计算对计算速度和存储空间要求比较高的问题，可将SVM的建模，训练和样本和回归函数修正等工作通过物联网在云计算端进行。同时，为了降低对物联网数据通道的使用，也可在进行一段时间后（如每天的夜间），将运行采集的数据集中传输到云端，并在云端进行调整计算新的回归模型后将相关控制参数回传到控制系统使用，而非每个时点都进行调整。

4 结语

本文提出的基于SVM的中央空调节能控制方法，综合考虑了传统中央空调控制的简单成熟和有节能效果的优点，以及SVM负荷预测的不用考虑中央空调各种强烈动态特性即可进行负荷预测，且只要训练数据准确则预测结果就相当准确的优点，从而克服了传统的中央空调控制无法达到最大程度节能和现有SVM预测的方法中训练样本不准确的问题，满足了预测和控制的精确度和实时性要求，因而值得进一步研究。下一步需要对SVM对控制系调节速度的调整（加快、减慢、不变），预测的供冷量与实际需冷量偏差对样本结果值的修正，空调设备的最小能耗预测和控制等方法进行重点研究。

参考文献

[1] 张杰.中央空调水系统节能控制研究[D].合肥:中国科学技术大学,2011

[2] 温志英,黄冠明,毕南楠.变频技术在中央空调节能控制中的应用[J].自动化技术与应用,2005,26(2):80-83

[3] 邓乃扬,田英杰.支持向量机:理论、算法与拓展[M].北京:科学出版社,2009

[4] 唐莉,唐中华,靳俊杰.最小二乘法支持向量机(LS-SVM)在短期空调负荷预测中的应用[J].建筑节能,2013,41(2):56-58

[5] 李琼,孟庆林,吉野博.基于支持向量机的建筑物空调负荷预测模型[J].暖通空调,2008,38(1):14-17

[6] 王东,史晓霞,尹交英.不同核函数的支持向量机用于空调负荷预测的对比研究[J].电工技术学报,2015,30(S1):531-535