首页 > 论文范文 > 工程工业论文 > 建筑工程论文 > 基于ARMA模型的公共建筑空调系统优化技术研究

基于ARMA模型的公共建筑空调系统优化技术研究

2025-03-05 53 上传者：管理员

摘要：随着智能建筑的兴起和迅猛发展，建筑设备在使用过程中，难免会发生各种故障。对于中大型建筑物，公共建筑空调系统中的传感器具有分布广、数量大、安装位置比较特殊等特点，仅靠传统方法很难及时、准确、有效地发现这些故障。以空调系统为例，从节能角度来讲，温度传感器的漂移故障造成的能量损耗非常大，同时又难以被发现。本文以研究公共建筑空调系统温度传感器的漂移故障为基础，采用ARMA模型对空调温度传感器温度漂移数据进行建模分析，结合自动控制系统，研究改善传感器漂移故障的数学模型，以达到节能减排的目的。

关键词：
ARMA模型
中央空调
公共建筑空调
漂移故障
空气处理设备
加入收藏

中央空调是目前最常用的空气处理设备,在各个关系国家经济与人民日常生活的领域都有广泛应用｡在公共建筑空调系统中,温度传感器是最常用的元件[1],其安装位置隐蔽不易发现｡

一旦发生故障,则会带来巨大的安全事故和经济损失｡温度传感器是测量温度的重要工具,但长时间使用后可能会因为环境､材料､电路设计等因素出现漂移现象,影响温度测量的准确性,从而增加能耗｡传感器是信息采集系统的首要器件,如果传感器的输出结果并不是真实的测量值,那么造成的能量损耗是不可估量的｡因此,本研究基于ARMA模型对公共建筑空调系统温度传感器漂移故障进行优化,通过收集和分析历史数据,建立公共建筑空调系统温度传感器故障的预测模型,为空调系统的运行提供科学､有效的依据｡在响应国家提出的“双碳”计划以及节能减排大政方针方面,本项目有着深远的意义和影响｡

1、ARMA模型理论基础

自回归滑动平均模型(AutoregressiveMovingAverageModel,ARMA)由美国统计学家博克斯(GeorgeE.P.Box)和英国统计学家詹金斯(BoxJenkins)在20世纪70年代提出[2],也称B-J方法,ARMA模型是时间序列模型中应用最为广泛的模型[3]｡优势是可以通过利用过去值､当期值以及滞后随机扰动项的加权建模,进而解释并且预测时间序列的变化发展规律[4],ARMA(p,q)模型的形式可以表示为:

式中,{εt}为白噪声序列;ϕi和θi为模型计算系数;p和q为阶数｡ARMA模型同时具有AR模型和MA模型的性质,AR模型为自回归模型,它旨在捕获和量化变量的过去对其现在和未来的影响;MA模型为移动平均模型,它描述的是当前时间点的数据与过去噪声的关系｡

2、传感器漂移故障

受传感器自身特征及工作环境的扰动,传感器故障可以将其划分为偏差故障､漂移故障､精度等级下降故障和完全失效故障｡前三种故障又称为软故障,由于数值很小,很难被检测出来,但长时间积累对传感器本身危害较大,并且由于测量值不准确也会造成大量能源浪费[5]｡其中传感器的漂移故障是指输入量不变的情况下,输出量由于传感器内部老化､外部环境温度变化､传感器本身制造工艺等因素随时间发生线性变化等,输出量随着时间逐渐变大,导致测量结果不准确,并且还会将错误的信号反馈给控制器[6]｡传感器是信息采集系统的首要器件,如果传感器的输出结果并不是真实的测量值,会使系统变得不稳定,或者不能正常运作,不能达到舒适的要求,并且造成的能量损耗是不可估量的[7]｡温度年漂移量允许值为±2℃,生产商会标明标定有效时间,到期需要重新标定,然而这2℃的偏差是在一个听之任之的状态｡

3、ARMA模型在公共建筑空调系统中的应用

利用ARMA模型对公共建筑空调系统温度传感器漂移故障测量数据进行预测｡

(1)数据来源

针对某项具体已投入使用一段时间的工程,对其送新风系统的温度测量值进行数据测试,采集的数据为正常工况下的300组运行数据以引入漂移故障后的200组数据,如图1所示｡

图1运行数据

(2)数据平稳化处理

将样本编号300~500的数据定义为Xt,对Xt进行单位根(ADF)检验,P值大于0.05,并且从图1中可以看到引入漂移故障后数据有明显的上升趋势｡因此,序列是不平稳的,需要进行差分处理将不平稳序列转化为平稳序列｡对序列进行一次差分,P值显著为零,通过单位根检验,并且ACF(自相关函数)以及PACF(偏相关函数)的P值也显著为零,所以一阶差分后的序列为平稳序列｡单位根检验结果如图2所示

图2单位根检验结果

(3)设定模型形式和滞后阶数

绘制序列的自相关(ACF)和偏自相关(PACF)函数图,如图3所示｡自相关性(ACF)指在某一时刻的值与另一时刻之间的关系,偏自关(PACF)用于描述时间序列数据内部的相关性结构｡

图3自相关及偏自相关函数图

从图3中可以看出,两个函数均有拖尾的性质,故建立ARMA模型｡对原序列进行一阶差分后为平稳序列,所以分析一阶差分下的ARMA的p､q值｡建立不同阶数下的ARMA模型,如表1所示｡

表1各阶数检验结果

通过反复比较表1中数据,发现ARMA(1,1)下的AIC､SC､HQ信息准则最小,并且ARMA(1,1)的回归系数R2最大,P值显著为0,模型的所有系数显著不为0,所以选择ARMA(1,1)对序列进行建模｡该模型的检验结果如图4所示｡

图4模型校验结果

(4)残差校验及预测

在模型阶数确定后,还需要对残差进行校验,残差是指模型预测值与观测值之间的差异｡绘制残差序列进行自相关和偏自相关图进行分析,由图5可知最终校验结果为P值大于0.05,通过校验,因此建立的ARMA(1,1)模型是适用的｡残差校验结果如图5所示｡

图5残差校验结果

通过建立的ARMA(1,1)模型对501~510组温度传感器漂移故障数据进行预测,发现预测结果与实际数据取得了良好的拟合效果,误差相对较小,说明可以使用ARMA模型进行预测｡预测结果如表2所示｡

表2预测结果

4、基于ARMA模型的空调系统优化策略

利用ARMA模型对发生漂移故障后的温度传感器输出数据进行建模与预测,通过软件补偿的线性化处理,得出温度传感器的线性输出,通过与自动控制原理的结合,研究出空调系统温度采集过程的最优控制算法,对温度传感器漂移故障进行实时补偿,以保证测量精度,减小误差,从而达到节能减排的目的,为公共建筑节能减排提供新的思路和方法｡

5、结束语

本研究通过ARMA模型对漂移故障数据进行短期预测,首先将序列由非平稳序列通过一阶差分转化为平稳序列,然后对其进行单位根校验,通过单位根检验后根据自相关图与偏自相关图以及AIC､SC､HQ信息准则确定ARMA模型的阶数,最终确定为ARMA(1,1)模型;然后对模型残差进行校验,证明模式是合适的｡基于ARMA模型对公共建筑空调系统进行优化,对发生漂移故障后的温度传感器进行实时补偿,通过实验与分析,将ARMA模型运用到空调系统温度传感器漂移故障中,达到了节能减排的目的,取得了显著的研究成果｡

通过本文的研究对相关空调､传感器优化作为指导依据｡

参考文献:

[1]张琳峰.基于WNN的中央空调系统传感器故障诊断方法研究[D].北京:北京工业大学,2022.

[2]张哲,杨会杰.原油差价合约波动性实证分析[J].数学理论与应用,2015,35(3):114-121.

[3]蔡倒录,王伯礼.基于ARMA模型的新疆铁路客运量预测[J].经济研究导刊,2022(33):51-53.

[4]鲍燕妮,沈丹祎,石振明,等.ARMA模型在锚碇基坑变形预测中的应用[J].工程地质学报,2021,29(5):1621-1631.

[5]李玉云.建筑智能化系统现场控制设备的常见故障[J].智能建筑,2006(6):25-28.

[6]马金强,王雅南,郝学信.MEMS压力传感器压力漂移故障研究与改进[J].内燃机与配件,2023(19):46-48.

[7]何慎之.一种压力传感器温度漂移补偿修正算法研究[J].中国仪器仪表,2024(6):53-56.

文章来源:吴思明,陈伟利,邢晓柯,等.基于ARMA模型的公共建筑空调系统优化技术研究[J].电器工业,2025,(03):82-85.