| 0 | 0 | 5 |
| 下载次数 | 被引频次 | 阅读次数 |
本文提出了一种基于张量-时域卷积的制冷量预测方法，用于挖掘不同维度之间的潜在信息并进行特征提取，从而预测所需制冷量变化趋势。该方法将多维时间序列数据表示为张量形式，利用张量的多维特性来扩充不同维度之间的潜在关系。再通过时域卷积网络对张量进行深度学习，以提取时间序列中的长短期依赖关系。利用厦门某泛半导体制冷系统的数据构建多维制冷量预测数据集，与目前常用的时间序列预测方法对比发现，该模型平均绝对百分比误差（MAPE）为1.07%，在制冷量预测任务上效果较好。
Abstract：A refrigeration capacity prediction method based on tensor-temporal convolutional network is proposed to extract latent multi-dimensional features and forecast refrigeration capacity trends. By representing multivariate time-series data in tensor form, this approach captures inter-dimensional correlations through the multi-linear properties of tensors. Temporal convolutional networks are then applied to perform deep learning on the tensorstructured data, effectively modeling both long-and short-term temporal dependencies. Using operational data from a semiconductor cooling system in Xiamen, a multi-dimensional refrigeration capacity prediction dataset was constructed. Compared to conventional time-series forecasting methods, the proposed model achieved a mean absolute percentage error(MAPE) of 1.07%, demonstrating superior accuracy in refrigeration capacity prediction.
[1]安建月,邓仕钧,邓翔,等.基于负荷预测的中央空调制冷系统能耗综合优化[J].建筑热能通风空调, 2019,38(4):1-5.
[2]邵玉侠,李海龙,刘传明,等.基于冷负荷需求预测的空调系统智能节能控制[J].中国资源综合利用, 2024,42(4):177-179.
[3]杨心宇,任中俊,周国峰,等.基于奇异谱分析的CNNBiLSTM短期空调负荷预测模型[J].建筑节能(中英文),2024, 52(3):64-73.
[4]宋曾强,王前进,翟晓强.模糊控制与模型预测控制在空调系统中应用的研究现状[J].制冷技术, 2022, 42(6):79-85.
[5]宋文杰,林欣怡,张恒,等.基于傅里叶变换的多联机空调负荷提取及预测方法[J].暖通空调, 2024, 54(5):53-57.
[6]李嘉乐.基于负荷预测的中央空调冷冻站系统节能控制研究[D].西安:西安建筑科技大学, 2023.
[7]袁彭宋,陈焕新,周镇新,等.基于用能评价体系与能耗模型的工业冷水机组传感器与脏污故障能耗研究[J].制冷技术, 2024, 44(5):41-47.
[8]赵波峰,文远高,侯志坚.一种改进的多元线性回归空调负荷预测模型[J].制冷空调与电力机械, 2011, 32(4):49-51.
[9]翁卫兵,李鹏冲,彭晨,等.基于CNN-GA-XGBoost负荷预测的中央空调冷水机组数字孪生系统研究[J].工业工程, 2024, 27(6):26-37.
[10]丛琳,张勇.基于多目标回归的空调负荷预测方法[J].江苏大学学报(自然科学版), 2024, 45(4):470-475.
[11]林越,刘廷章.基于深度学习的房间冷负荷预测模型[J].上海大学学报(自然科学版), 2023, 29(6):1068-1075.
[12]李玲荣,贾志洋,薛琪,等.基于梯度提升回归树负荷预测的水蓄冷空调系统运行优化[J].制冷技术, 2024,44(5):9-15.
[13]赖添城,徐康康,朱成就,等.一种基于改进CNN-GRU的建筑冷负荷单步预测方法[J].机电工程技术, 2024,53(1):119-122.
[14]张伟平.冰蓄冷空调系统的负荷预测和末端房间解耦控制[D].兰州:兰州理工大学, 2006.
[15]BABADI B, SOMPOLINSKY H. Sparseness and expansion in sensory representations[J]. Neuron, 2014,83(5):1213-1226.
[16]TAY F E H, CAO L J. Modified support vector machines in financial time series forecasting[J]. Neurocomputing,2002, 48(1):847-861.
[17]张浩苒,徐金利.保持张量积矩阵秩的线性映射（英文）[J].黑龙江大学自然科学学报, 2023, 40(1):7-15.
[18]LEA C, FLYNN M D, VIDAL R, et al. Temporal convolutional networks for action segmentation and detection[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Piscataway:IEEE, 2017:156-165.
[19]钟寒露,朱尧星,徐成良,等.地源热泵系统能耗预测及实例验证研究[J].制冷技术, 2020, 40(1):54-58.
[20]廖文强,王江宇,陈焕新,等.基于长短期记忆神经网络的暖通空调系统能耗预测[J].制冷技术, 2019, 39(1):45-50.
[21]DEY R, SALEM F M. Gate-variants of Gated Recurrent Unit(GRU)neural networks[C]//2017 IEEE 60th International Midwest Symposium on Circuits and Systems.Piscataway, NJ:IEEE, 2017:1597-1600.
[22]KIM T Y, CHO S B. Predicting residential energy consumption using CNN-LSTM neural networks[J].Energy, 2019, 182:72-81.
[23]SAJJAD M, KHAN Z A, ULLAH A, et al. A novel CNNGRU-based hybrid approach for short-term residential load forecasting[J]. IEEE Access, 2020, 8:143759-143768.
[24]张帅,叶琳,丁之劼,等.基于平行粒子群优化-反向传播神经网络模型的空调系统故障诊断方法[J].制冷技术, 2021, 41(4):13-19.
基本信息:
中图分类号:TB61
引用信息:
[1]张皓鑫,张欣林,刘飞天.基于张量-时域卷积的制冷量预测方法[J].制冷技术,2025,45(06):40-46.
2025-04-02
2025
2026-03-15
2026
2
2025-12-31
2025-12-31