外文翻譯級(jí)熱能與動(dòng)力工程制冷空調(diào)

SmartmetermonitoringanddataminingtechniquesforpredictingrefrigerationsystemperformanceJ.-S.Chouetal./ExpertSystemswithApplications41(2014)2144–（ANNs（SVMs，（CAT（MR統(tǒng)（CHAIDCOP值后，設(shè)備運(yùn)行故障的狀況可以用制冷劑泄漏指標(biāo)進(jìn)行評(píng)挖掘技術(shù)能準(zhǔn)確且高效的預(yù)測(cè)COP值。在液體泄漏階段中，ANNs為最佳的模型。在蒸氣階段中，最佳的模型是GLR模型。實(shí)驗(yàn)結(jié)果證實(shí)對(duì)模型構(gòu)建過程的系統(tǒng)化分前言（Li,Chu,&Hiao2012（Koksal,Batmaz,&estik,201Chiang,Wu,&Chu,2013;Chou,2009;Kao,Chen,&Chou,2011;Koyuncugil&2012;Kucuksille,Selbas_,&S_encan,2009;MorenoSaez,Sidrach-de-Cardona,&Mora-2013)。并且，Koksal等(2011)而，DM （Lee,2011家得到了實(shí)現(xiàn)。(BektasEkici,&Aksoy2011;Kalogirou,2000Og?uzSar?tas&2010;Rodger,2014;Soyguder&Alli,2009)。因此通過智能 優(yōu)化研究批量涌現(xiàn)(Bektas,Ekici,&Aksoy,2011;Kalogirou,2000;Og?uz,Sar?tas,&Baydan,2010;Rodger,2014;Soyguder&Alli,2009)。其中，用于保存食品和空氣調(diào)節(jié)且 有經(jīng)過完整的研究。(Ahmed,Korres,Ploennigs,Elhadi,&Menzel,2011;Ozgoren,Bilgili,&Babayigit,2012;S_ahin,2011)。因此，建立一個(gè)合適的能夠預(yù)測(cè)制冷系統(tǒng)性能基于制現(xiàn)。此項(xiàng)研究通過設(shè)計(jì)實(shí)驗(yàn)來達(dá)成目的。所有的實(shí)驗(yàn)數(shù)據(jù)通過智 ，智 （MAPE將分為接下來幾部分進(jìn)行闡述。Section2對(duì)文獻(xiàn)綜述進(jìn)行簡(jiǎn)單概述。Section3闡述數(shù)據(jù)挖掘技術(shù)在實(shí)際工作中的應(yīng)用。Section4描述設(shè)計(jì)的實(shí)驗(yàn)以及 Section5討論方法的實(shí)現(xiàn)和結(jié)果分析，包括模型建立、交叉檢驗(yàn)和結(jié)果分析。最后一部文獻(xiàn)綜如今，在能夠提供充足的能源給予人類經(jīng)濟(jì)發(fā)展活動(dòng)的同時(shí)，做到對(duì)社會(huì)以及環(huán)境危害最小化已經(jīng)成為了許多國(guó)家 的主要 。因此，電力系統(tǒng)載荷預(yù)測(cè)技術(shù)對(duì)于社會(huì)和科學(xué)發(fā)展愈為重要。(iu&,2010;taxioti,giann,kouni,&Prr,2003;Po,2006)。近些年來，不同的電力載預(yù)測(cè)方法已經(jīng)高度完善。(Tylor&uiz,2003)。目前的預(yù)測(cè)工具包括：回歸型、時(shí)間序列模型、人工智能技術(shù)、模糊邏輯、非線性方法、基于推理系統(tǒng)的自應(yīng)性網(wǎng)絡(luò)和 模糊網(wǎng)絡(luò)。例如，Kucuksilleetal.2009)在數(shù)據(jù)挖掘過程中，提出10種技術(shù)模型預(yù)測(cè)制冷劑的熱物理性質(zhì)（R134a,R404a,R407c和R410a）。Sahin在電子工程領(lǐng)域，對(duì)制冷系統(tǒng)的Yufeng,andLijun提出三種技術(shù)模型，即逐步回歸，決策樹和神經(jīng)網(wǎng)絡(luò)，來預(yù)測(cè)電能消YingandPan之后應(yīng)用基于模糊推理系統(tǒng)的自應(yīng)性網(wǎng)絡(luò)模型預(yù)測(cè) Hosoz,Ertunc,andBulgurcu提出ANFIS模型技術(shù)能成功運(yùn)用于制冷劑為R134a的冷卻塔出與輸入的比值。因此，文獻(xiàn)集中預(yù)測(cè)和優(yōu)化COP。Bechtler,Browne,Bansal,andKecman(2001)確的識(shí)別所有的過程特征。Chengminetal.(2012)采用COP作為顯示指標(biāo)衡量中國(guó) 熱泵系統(tǒng)的階段運(yùn)行成本和對(duì)環(huán)境造成的影響。Ozgorenetal.(2012)在 的，Swider2003)預(yù)測(cè)用輸入量預(yù)測(cè)COP，對(duì)于工程師來說，輸入量是現(xiàn)成可Arcakliog?lu,Eris_en,andYilmaz(2004)利用ANNs預(yù)測(cè)蒸氣壓縮熱泵系統(tǒng)的性能，在不COPR2值被確認(rèn)為0.9999。Leung,Tse,Lai,andChow(2012)建立基于ANNs的模型，Kucuksille,Selbas_,andS_encan(2011)利用數(shù)據(jù)挖掘技術(shù)確定制冷劑的熱力學(xué)性質(zhì)，包(Kucuksilleetal.,2009)。文獻(xiàn)表明一個(gè)全面的制冷系統(tǒng)模型能大大幫助到使用者對(duì)制研究方聯(lián)、演化、圖像匹配、數(shù)據(jù)可視化、元規(guī)則引導(dǎo)挖掘。(Liaoetal.,2012;S_en,Ucar,&Delen,2012;Tsai,2012;Yeh&Lien,2009)。因此，DM和AI模型的使用能預(yù)測(cè)和改善此項(xiàng)研究運(yùn)用數(shù)值預(yù)測(cè)節(jié)點(diǎn)和6項(xiàng)數(shù)據(jù)挖掘技術(shù)，，SM，T，L，L，和ID，自動(dòng)建立和比較預(yù)設(shè)模型的連續(xù)數(shù)值結(jié)果?？杖敝悼衫肐MSPSS模型機(jī)在數(shù)值預(yù)測(cè)節(jié)點(diǎn)中設(shè)定。顯然，當(dāng)比較兩種方法的預(yù)測(cè)精度時(shí)，研究員經(jīng)常采用k-隨機(jī)劃分成不同的折，折被分層。在分層的k布與在初始數(shù)據(jù)中大致相同。KohaviR.(1995)建議10層為最佳層，因?yàn)槠湓诳山邮艿钠泻头讲罘秶惸塬@得··從隨機(jī)子集中提取出十分之一大小的原始子集（單折··重復(fù)步驟2-3·單通過平均k折精確測(cè)量交叉驗(yàn)證準(zhǔn)確率。(Chou,Chiu,Farfoura,&Al-Taharwa,2011)數(shù)據(jù)挖掘（DM，是AI自動(dòng)搜索功能從大量的數(shù)據(jù)中提取出有效信息的過程(Koksaletal.,2011)。數(shù)據(jù)挖掘的預(yù)測(cè)技術(shù)，是應(yīng)用最廣泛的數(shù)據(jù)挖掘技執(zhí)行不同的DM模型，進(jìn)而執(zhí)行圖形和數(shù)據(jù)統(tǒng)計(jì)方法，由此確定變量之間的隱性關(guān)人工神經(jīng) 神經(jīng)元網(wǎng)絡(luò)由人工神經(jīng)元組成。一個(gè)ANN是由許多這樣的神經(jīng)元系統(tǒng)性連接架構(gòu)起來的。ANNs可用來預(yù)測(cè)制冷劑的系統(tǒng)性能，此項(xiàng)研究也被集中化的進(jìn)行。(Kamar,Ahmad,Kamsah,& madMustafa,2013; nraj,Jayaraj,&Muraleedharan,2012;S_encan,Kose,&Selbas_,2011)。前饋性神經(jīng)網(wǎng)絡(luò)以多層感知機(jī)被大家所熟知應(yīng)用于此項(xiàng)研究中。輸入層包括一系列感知輸入神經(jīng)元，以溫度和壓力成分表示，1個(gè)或多個(gè)隱藏層包含多個(gè)計(jì)算節(jié)點(diǎn)，而輸出層包含一個(gè)計(jì)算節(jié)點(diǎn)以COP表示。與任何智能模型，ANNs也能學(xué)習(xí)。應(yīng)用最廣泛且最有效的測(cè)試MLP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法是后饋式（BP）netk

ykf(netk

其中netk是k個(gè)神經(jīng)元的激活函數(shù)，jwkj是由上一層的單元k單元joj是上一單元jykf(net)1/1wkjwkj(t)wkj(t1)Vwkj改變量Vwkj(t)Vwkj(t)pjopjVwkj

其中是設(shè)定學(xué)習(xí)率，pj 誤差，opj是單元j的實(shí)際輸出，是參數(shù)動(dòng)量Vwkj(t1wkj顯然，BP神經(jīng)網(wǎng)絡(luò)能在影響因素及其影響權(quán)重中建立非線性聯(lián)系。根據(jù)特殊記錄支持向量支持向量機(jī)是由Vapnik(1995)第一個(gè)在AT&TBell 。SVM設(shè)定一系空間上。核函數(shù)運(yùn)用了通用機(jī)制使訓(xùn)練數(shù)據(jù)適應(yīng)于超平面。顯然，通過-SVR建立COP的輸入-輸出模型是一個(gè)泛型的支持變量機(jī)，用于函數(shù)值估算。在SVM回歸中，輸入值采用非線性映射到Mm該特征空間上的線性模型fx,mf(x,)wjgj(x)j

可用公式（5）

（x,w L

y,f(x,w)yfx,

的支持向量機(jī)的特性為利用-不敏感

w2值降低模型的復(fù)雜程度。這個(gè)函數(shù)由非負(fù)松弛變量和 表示，其中i=1,…..,n用于鑒定-不敏感空間的訓(xùn)練樣本。SVR可以通過以下函數(shù)形成min2

yf(x,w) 服從于f(xwy ,0,i , n f

)(xx)服從于0C.0

m其中nmK(X,Xi)gi(x)gi(xi

用戶可能在訓(xùn)練過程中選擇SVM核函數(shù)來鑒定函數(shù)面上的支持向量機(jī)。由于內(nèi)核非線性樣本映射到一個(gè)高并減少了數(shù)值集中，其為合理的第一選擇。RBF二叉決策決策樹是經(jīng)常用于分類和預(yù)測(cè)的一種數(shù)據(jù)挖掘技術(shù)(hien&hn,2008)。分類決樹是根據(jù)其因變量的類型構(gòu)建的一種決策樹的方法，其可能是種類型的或者數(shù)值型的(rimn,riedmn,hn,&Stone,198)。T把數(shù)據(jù)集分成兩個(gè)子集，這樣新的子集可以成為主集合。也就是相對(duì)于之前的集合更加純。為了得到 準(zhǔn)則，分配過程必須是遞歸的。在這個(gè)方法中，純度等級(jí)應(yīng)該在值與目標(biāo)值建立相似性。當(dāng)所有子集值都相同了，純度就完美了?？捎糜贑ART模型的位置 法可自動(dòng)篩選連續(xù)值。基尼系數(shù)在CART叉點(diǎn)t中，用g(t)表示，以公式10定義如g(t)pjtp(i其中ij

p(jt)

p(j,t)

,p(jt)

(j)Nj(t)Nj

和p(t)=p(j,j

其中(j)是j的先前概率值，Nj(t)是記錄節(jié)點(diǎn)t的j的頻數(shù)，Nj是記錄j出現(xiàn)的根節(jié)點(diǎn)的頻數(shù)。顯然，當(dāng)基尼系數(shù)在成長(zhǎng) 改善后，僅有節(jié)點(diǎn)t和根節(jié)點(diǎn)有詳細(xì)值用預(yù)測(cè)機(jī)分別計(jì)算Nj(t)Nj一般線性一般線性回歸模型（L）不像傳統(tǒng)的線性回歸模型（L式來預(yù)測(cè)，因?yàn)長(zhǎng)R布的。一個(gè)解決問題的思路是建立線性模型，采用自變量線性組合的方式。這個(gè)過程叫做功能聯(lián)系，在傳統(tǒng)模型LR傳統(tǒng)的LRLR的特例。GLR比LR更靈活，假設(shè)數(shù)據(jù)是任意分布的格局，XY之間的關(guān)系可通過其分布格局建立。X-Y的關(guān)系模型因此可定義為：g(E(Y))=Xg

其中g(shù)（）是連接函數(shù)，O是補(bǔ)償變量，F(xiàn)Y的分布模型，X是自變量，Y是因變是回歸系數(shù)。GLRNewton–Raphson方法獲得連續(xù)值，使得Xg+O值接近g(E(Y。最終約等于形成X-YGLR模型越精確，GLR多元線性（MLR， 變量之間的模型。由于其簡(jiǎn)潔性和可讀性，這個(gè)方法非常實(shí)用。然而，TsoandYau 了能夠執(zhí)行最小二乘法線性回歸，MLR運(yùn)用四種方法進(jìn)行變量選擇，分別是深入式、輸出值上有一個(gè)缺失值，IBMSPSS模型自動(dòng)從他們的計(jì)算中排除(IBM,2010)。 yb0bi

y是預(yù)測(cè)值；pb0和biXi卡方自動(dòng)交互Kass(1980)提出將CHAID決策樹技術(shù)應(yīng)用于數(shù)據(jù)集分類。如CART、CHAID使用規(guī)則設(shè)定對(duì)輸入集的結(jié)果進(jìn)行分類。然而，相對(duì)于CART其需要 且，因?yàn)镃HAID能在枝上的任意節(jié)點(diǎn)分成大于2群的區(qū)間。與二叉樹相比，其更容易產(chǎn)生更廣泛的樹。顯然，CHAID可以解決定性和定量的獨(dú)立變量(Koyuncugil&Ozgulbas,2012)。然而，在 當(dāng)用大量數(shù)據(jù)改善純度時(shí)，ID用卡方檢測(cè)節(jié)點(diǎn) 。在 大量數(shù)據(jù)之前，最好是對(duì)自變量的方差分量的解釋進(jìn)行分析。對(duì)目標(biāo)領(lǐng)域進(jìn)行分類的ID，需要解決其方法的局限性(igg,eille,&Sun,191)。然而，詳細(xì)的ID不能使自變量分類最優(yōu)化，因?yàn)楫?dāng)其確定所有類別皆不一樣時(shí)，會(huì)終止合并同類項(xiàng)。詳盡的ID避免了過度適應(yīng)成長(zhǎng)樹針對(duì)于訓(xùn)練數(shù)據(jù)，連續(xù)的合并預(yù)測(cè)類別直到保留了兩個(gè)大類。然后它鑒定預(yù)測(cè)的一系列合并和計(jì)算和假定p值的一系列分類，其給出了與目標(biāo)變量最佳關(guān)聯(lián)的的類別。并且，詳盡的ID找到了每個(gè)預(yù)測(cè)機(jī)的最佳分類以及選擇出于適應(yīng)p值的分類預(yù)測(cè)模型。評(píng)估方R2，1-R，MAPE,MAE,RMSE和屬性值在此項(xiàng)研究中被用于模型性能的評(píng)估標(biāo) )R2SSR1SSE

i1(YiY

nn(YY)2i(YY2ii1R

(YY

)Yi)YiiMAPEn i11nn)2

MAE1) n

)SST，平方總和；SSE，平方差總和；SSRYiYY平均值；n在訓(xùn)練和測(cè)試數(shù)據(jù)集中，精確度通過公式(14)-(18)評(píng)估。低MAPE，RMSE和MAER2代表著預(yù)測(cè)值與觀測(cè)值的相似程度。值1表明預(yù)測(cè)和觀測(cè)值越相似。MAPE對(duì)于模型的預(yù)測(cè)性能評(píng)估具有實(shí)用性，因?yàn)槠涫窍嚓P(guān)值。MAPE不受觀測(cè)和預(yù)測(cè)值數(shù)值或單位的影響，因?yàn)樗@示的是其相關(guān)性偏差。當(dāng)MAPE值低于10% 預(yù)測(cè)精度。當(dāng)值介于10%至20%之間時(shí)，表明預(yù)測(cè)精度良好；介于20%到50%時(shí)，預(yù)測(cè)合理；大于50%時(shí)，表明預(yù)測(cè) RMSE計(jì)算預(yù)測(cè)值相對(duì)于觀測(cè)值的平方差，以及其平方根總和值。因?yàn)榇蟮牟钪禂嗑薮笃钪稻哂袑?shí)用性。相對(duì)而言，MAE定義為計(jì)算預(yù)測(cè)值與觀測(cè)值偏差量的絕對(duì)值。由于MAE可以用于計(jì)算連續(xù)變量，所以 （SI屬性在模型中的使用依據(jù)其與結(jié)果的關(guān)聯(lián)強(qiáng)度。關(guān)聯(lián)值越接近于1表明特征屬性與結(jié)果越強(qiáng)關(guān)聯(lián)。因此，研究提供了兩個(gè)評(píng)估指標(biāo)，基于前面的四種方法SI4以及在SI4基礎(chǔ)上附加的特征屬性。在預(yù)測(cè)COP后，4個(gè)統(tǒng)計(jì)學(xué)的計(jì)算方法加以應(yīng)用：1-R，MAPE，MAE，和RMSE。然而，為了獲得一個(gè)全面的評(píng)估指標(biāo)，計(jì)算需要考慮應(yīng)用 相關(guān)系數(shù)的屬性值的數(shù)量。均值將轉(zhuǎn)由以下SI計(jì)算： SIq(O )/

j1 45SI4和SI5OijOij,maxOij,min一個(gè)測(cè)量顯示機(jī)的最小值；n是測(cè)量值的總數(shù)，q實(shí)驗(yàn)設(shè)實(shí)驗(yàn)設(shè)置在北部城市--桃園的職業(yè)培訓(xùn)中心。實(shí)驗(yàn)數(shù)據(jù)的測(cè)量和記錄通過智能實(shí)現(xiàn)，分布在設(shè)備的傳感器自動(dòng)接收溫度和壓力值。這些數(shù)據(jù)被用于建立能夠描述制冷劑物理性質(zhì)的莫圖。實(shí)驗(yàn)過程通過以下詳述。制冷過在制冷系統(tǒng)中，熱量從低溫流向高溫區(qū)域。制冷劑流動(dòng)過程中，以沸騰和蒸發(fā)狀吸收熱量變成氣態(tài)。蒸氣在經(jīng)過壓縮壓力增大，冷凝過程熱量釋放到環(huán)境中的空氣和水中，制冷劑被冷凝成液態(tài)。整個(gè)過程把低溫區(qū)域的熱量轉(zhuǎn)移到了高溫區(qū)域。制冷系統(tǒng)內(nèi)部熱量交換的P取決于蒸發(fā)溫度、冷凝溫度、過冷溫度、過熱溫度和其冷卻能力。這些變量值可在莫 圖中描繪，達(dá)到系統(tǒng)性能參數(shù)可視化的效果。圖表顯示的信息包括壓力、溫度、電能消耗值。運(yùn)用于工業(yè)制冷系統(tǒng)的蒸氣壓縮制冷循環(huán)中，家用冰箱或者 制冷系統(tǒng)，低壓氣進(jìn)過壓縮機(jī)壓強(qiáng)增大。因此，當(dāng)輸入的能量通過壓縮過程轉(zhuǎn)移到制冷劑時(shí)，制冷劑溫度會(huì)急劇增大。制冷劑經(jīng)過壓縮后從氣態(tài)變成液態(tài)。接下來，高壓液態(tài)制冷劑通過膨脹閥時(shí)，壓力降低流入蒸發(fā)器。最后，低壓液態(tài)制冷劑從環(huán)境周圍的空氣、水中吸收熱量，從低壓液態(tài)轉(zhuǎn)變?yōu)闅鈶B(tài)。系此項(xiàng)研究中，系統(tǒng)性能通過智能 ，這是一個(gè)電子 ，可每小時(shí)或更小間記錄電力消耗值，并且實(shí)時(shí)將數(shù)據(jù)發(fā)送到 中心。智能 能夠使 和中心系統(tǒng)連接起來。不像主 ，智能 能連續(xù)記錄收集的數(shù)據(jù)。其主要功能是功率測(cè)量和網(wǎng)絡(luò)傳輸。該系統(tǒng)能監(jiān)測(cè)所有有用的電能消耗，包括正在執(zhí)行的和歷史的數(shù)據(jù)以及每日每月的電量需求，通過S-485orEthernorZige進(jìn)行連接。一旦一個(gè)不正常的數(shù)據(jù)被檢測(cè)到，系統(tǒng)將自動(dòng)通過郵件或文件傳輸?shù)姆绞礁嬷褂谜摺?16個(gè)溫度值和四個(gè)壓力值。傳感器分 1展示了液體/蒸氣通過實(shí)驗(yàn)測(cè)定的泄漏數(shù)值屬性。收集的數(shù)據(jù)可以分為功率數(shù)據(jù)、溫度數(shù)據(jù)和壓力值。溫度數(shù)據(jù)可以通過位于壓縮機(jī)出口、油分離器/出口，冷凝器制冷劑端/出口，冷凝器空氣流動(dòng)端/ 的16個(gè) 528個(gè)值。氣態(tài)泄漏獲得217個(gè)值。由于監(jiān)測(cè)數(shù)據(jù)是“連續(xù)型”IBMSPSS模型進(jìn)行數(shù)值預(yù)測(cè)。在軟件中的數(shù)值預(yù)測(cè)節(jié)點(diǎn)自動(dòng)通過數(shù)值輸出進(jìn)行構(gòu)建與修正。實(shí)驗(yàn)選擇的制冷劑是R404A，和HCFCs已經(jīng)不再使用。R404A包含的三種制冷劑分別為：HFC125(44%),HFC134a(52%)HFC134a(4%)R404AODP0，GWP3260404A22和502制冷劑的廣泛使用。(Li&Zho,200).404A統(tǒng)發(fā)生泄漏時(shí)，通常需要移除和重新灌注全部制冷劑，因?yàn)楸Ａ舻闹评鋭┏煞趾拖到y(tǒng)性能穩(wěn)定性無法確定。因此，研究重新灌注液態(tài)制冷劑，分析不同量制冷劑的運(yùn)行效應(yīng)而無需考慮剩余制冷劑的成分組成。COP預(yù)顯然，COP可以通過繪制莫圖進(jìn)行計(jì)算，其是利用焓-熵圖描繪熱力學(xué)系統(tǒng)焓值變化。莫圖用于顯示有關(guān)制冷劑的物理性質(zhì)，其中每個(gè)點(diǎn)都代表不同的物理性質(zhì)。假若狀態(tài)點(diǎn)上無對(duì)應(yīng)，選擇最接近其狀態(tài)上的一點(diǎn)。COP用于評(píng)估制冷設(shè)六種數(shù)據(jù)挖掘技術(shù)運(yùn)用于預(yù)測(cè)，系統(tǒng)在不同量的制冷劑下的COP。蒸發(fā)器的運(yùn)行溫度設(shè)置范圍為+20°C到-20°C。表格二顯示實(shí)驗(yàn)的設(shè)置條件。制冷機(jī)的COP是熱交VHevap(kj/COP

VHcompvap(kj/

其中，COPVHevapVHcompvap是制冷消耗的熱數(shù)據(jù)預(yù)處理和結(jié)果分?jǐn)?shù)據(jù)預(yù)處理和模型建實(shí)驗(yàn)測(cè)量液體泄漏和蒸氣。實(shí)驗(yàn)數(shù)據(jù)通過智能獲得并通過電子數(shù)據(jù)表轉(zhuǎn)換為可視模式。在數(shù)據(jù)收集完成后，第一步就是清除從智能傳輸?shù)诫娔X上的不正在檢測(cè)到不正常的數(shù)據(jù)后，下一步是采用數(shù)值分析方法去挖掘與COP有關(guān)的臨界變量。相關(guān)系數(shù)用于測(cè)量輸入和輸出變量的相關(guān)關(guān)系。算法為： (XiX)(YiY)r (n1)SX

其中nXi是輸入變量iYiXYSX是XSY是Yr描述兩個(gè)變量r值表明兩個(gè)變量的強(qiáng)關(guān)聯(lián)。原始數(shù)據(jù)經(jīng)過標(biāo)準(zhǔn)化來改善預(yù)測(cè)實(shí)驗(yàn)組分別設(shè)置1kg到6kg的制冷劑和+20°C到-20°C的蒸發(fā)溫度。六種數(shù)據(jù)挖掘模型分別為ANNs,CART,CHAID,MLR,GLR和SVMs。首先，數(shù)據(jù)通過交叉測(cè)試法進(jìn)行 盡管模型的屬性是根據(jù)不同的關(guān)聯(lián)系數(shù)選擇的，他們一般基于11 結(jié)果與 關(guān)聯(lián)系數(shù)的顯示結(jié)果所決定的。尤其是，SI值被用于對(duì)每個(gè)模型的精確度進(jìn)，值越小模型精度越高。針對(duì)于SI，MAPE用于對(duì)模型優(yōu)良性的判斷，其廣泛應(yīng)R2而言，260.95,230.900.95之間，110.90。就氣相狀態(tài)下，110.95,38個(gè)模型的值0.900.95之間，120.90。這些數(shù)據(jù)表明大部分（81.67%）的液相80%的氣相模型R20.9是不夠的，結(jié)果需 的指標(biāo)來進(jìn)行模型的比較圖三對(duì)比了表四的液相MAPEs2110%。21個(gè)模型10%20%之間，1720%50%之間，僅一個(gè)模型的值大于50%98.33%模型領(lǐng)域的滿意度高于預(yù)期精確度。并且，在不同屬性值的設(shè)置下，ANNs6次表現(xiàn)最佳，CHAID3次表現(xiàn)最佳，CART1次表現(xiàn)最佳。當(dāng)SI4和SI5作為比較指標(biāo)時(shí)，ANNs在不同的屬性值設(shè)置下一直有最佳表現(xiàn)。圖四，氣相中模型的MAPE10%，3610%20%間，1520%50%之間，950%85%的下，CHAID7次表現(xiàn)最佳，GLR3次。當(dāng)用SI4作為評(píng)估指標(biāo)時(shí)，結(jié)果卻不同：GLR4次表現(xiàn)最佳，MR2次表現(xiàn)最佳，CARTANNs1次。SI5作為評(píng)價(jià)指標(biāo)時(shí)，GLR模型和MR4次表現(xiàn)最佳，ANNs模型和CART模型皆為一次。顯然，在液相中，用SI指標(biāo)值相對(duì)于MAPE指標(biāo)結(jié)果更顯有一致性。例如，表格 結(jié)果而言，SI對(duì)比表明 一致性的結(jié)果：液相中ANNs表現(xiàn)最佳。相對(duì)于液相，在氣相中的值更真實(shí)，其中氣相中的值更真實(shí)，其中MAPE評(píng)估顯示相對(duì)于SI評(píng)估值更穩(wěn)定。然而從r>0.5r>0.7的區(qū)間內(nèi)，MAPESI4SI5檢驗(yàn)的最佳模型皆是GLRr>0.8r>0.9的區(qū)間內(nèi)，對(duì)于SI4、SI5檢驗(yàn)指標(biāo)來說CART模型最佳，對(duì)于MAPE來說，CHAID模實(shí)驗(yàn)結(jié)果表明，最佳模型的顯示結(jié)果用SI方法檢驗(yàn)不同于單獨(dú)用MAPE.例如，GLR（L60）ANNs(L13)MAPE和SI5的最佳值。在L60中，6.6%可視為MAPE值的高精度優(yōu)于L557.1%。但是，RMSE=0.025的L60模型相對(duì)于L55有其RMSE0.018。L60中MAE0.018，L55中MAE0.012，前者比后者值更大。就R相關(guān)系數(shù)而言，L55較L60更容易適應(yīng)。類似的，在蒸氣狀態(tài)下，就MAPE值而言，最佳模型（V33）V24表現(xiàn)更加優(yōu)越。上述這些例子證實(shí)SI相對(duì)于MAPE對(duì)結(jié)果有更全面的分析解釋。SI的計(jì)算結(jié)果可由高相關(guān)性的屬性值代替。例如，當(dāng)運(yùn)用同樣的評(píng)估方法時(shí)，在液相使用的最佳模型為SI4應(yīng)用于ANNs，其中SI值為0.006。當(dāng)使用SI5時(shí)，液相中的最佳模型為ANNs(L13)，其SI值為0.076。第一個(gè)模型的 系數(shù)r>0，不能視為輸入和輸出屬性值的強(qiáng)關(guān)聯(lián)性，盡管后者r>0.7顯示了強(qiáng)關(guān)聯(lián)性。這意味著后者模型是基于r值的最佳模型。在蒸氣相中，最佳模型依舊是GLR，其中SI4值為0.213、SI5值為0.109（表7、8，其 值超過了0.5。校對(duì)模型精度的前提下，寧可選擇較少測(cè)量點(diǎn)的模型。例如，在液相中，L7可能代替模型L13，雖然L73等級(jí)。盡管L7相對(duì)于L13來說測(cè)量點(diǎn)更少，但其生產(chǎn)數(shù)據(jù)的費(fèi)用相對(duì)更低。同樣的，V18V24更好。為了評(píng)估設(shè)備性能利用數(shù)據(jù)挖掘技術(shù)對(duì)能源進(jìn)行管理。這項(xiàng)研究從長(zhǎng)遠(yuǎn)角度上來看分析了制冷量和P在不同制冷劑量的關(guān)系。冷負(fù)荷定義為蒸發(fā)器出口制冷劑溫度9Ns模型在液相中2kg404A177kj/kg。圖像表明系統(tǒng)當(dāng)404Akg時(shí)表現(xiàn)更出色。顯然，分析結(jié)果表明在液相和氣相中的制冷行為表現(xiàn)不一致。例如，圖10顯示制冷量當(dāng)制冷劑為2kg時(shí)在氣相中不變化。當(dāng)液態(tài)制冷劑轉(zhuǎn)變?yōu)檎魵鉅顟B(tài)時(shí)，制冷效果 結(jié)的目的在于，不同量R404ACOP方面的實(shí)用性。預(yù)測(cè)運(yùn)行效率在國(guó)有企業(yè)和私人企業(yè)的設(shè)備 用。研究比較了6項(xiàng)數(shù)據(jù)挖掘技術(shù)，分別為：ANNs、SVMs、MR、CHAID、CART和 系數(shù)的條件下確定各個(gè)模型的SI值。SI值可通過平均1-R、MAPE、MAE、RMSE及其分布值確定。研究成果可通過在液態(tài)中，ANNs能精確預(yù)測(cè)COP值。當(dāng)使用SI5值作為性能顯示指標(biāo)時(shí)L13提供了最佳的預(yù)測(cè)精度（r>0.7。在蒸氣相中，GLR為最佳模型，其r>0.6。當(dāng)制冷劑R404A3kgr0r>0.5情況下，對(duì)比于SI評(píng)估方法，MAPE評(píng)估法顯示的相對(duì)于單獨(dú)使用MAPEr>0.6到>0.9的模型，結(jié)果表明SI5方法生中預(yù)測(cè)COP致感謝圣得節(jié) GrantNo.NSC100-2628-E-011-022-MY3在能源轉(zhuǎn)換和管理參考文Ahmed,A.,Korres,N.E.,Ploennigs,J.,Elhadi,H.,&Menzel,K.(2011).Miningbuildingperformancedataforenergy-efficientoperation.AdvancedEngineeringInformatics,25,341–Arcakliog?lu,E.,Eris_en,A.,&Yilmaz,R.(2004).Artificialneuralnetworkysisofheatpumpsusingrefrigerantmixtures.EnergyConversionandManagement,45,1917–1929.Bechtler,H.,Browne,M.W.,Bansal,P.K.,&Kecman,V.(2001).Newapproachtodynamicmodellingof pressionliquidchillers:artificialneuralnetworks.AppliedThermalEngineering,21,941–953.BektasEkici,B.,&Aksoy,U.T.(2011).PredictionofbuildingenergyneedsinearlyofdesignbyusingANFIS.ExpertSystemswithApplications,38,Bennett,C.,Stewart,R.A.,&Beal,C.D.(2013).ANN-basedresidentialwaterend-usedemandforecastingmodel.ExpertSystemswithApplications,40,1014–1023.Biggs,D.,DeVille,B.,&Suen,E.(1991).Amethodofchoosingmultiwaypartitionsforclassificationanddecisiontrees.JournalofAppliedStatistics,18,49–62.Bin,Y.,Chuangxin,G.,&Yijia,C.(2004).Short-termloadforecastingusinganewmodelingstrategy.InIn ligentControlandAutomation,2004.WCICA2004.FifthWorldCongresson(Vol.6,pp.5045–5049).Breiman,L.,Friedman,J.H.,Olshen,R.A.,&Stone,C.J.(1984).ClassificationRegressionTrees.NewYork:Chapman&Chen,C.-H.,Chiang,R.-D.,Wu,T.-F.,&Chu,H.-C(2013).Acombinedmining-basedframeworkforpredicting municationscustomerpaymentbehaviors.ExpertSystemswithApplications,40,6561–6569.differentheatsources:Acasestudy.EnergyandBuildings,48,Chien,C.-F.,&Chen,L.-F.(2008).Dataminingtoimprove nelselectionandenhancehumancapital:Acasestudyinhigh-technologyindustry.ExpertSystemswithApplications,34,280–290.Chou,J.-S.(2009).Generalizedlinearmodel-basedexpertsystemforestimatingtheoftransportationprojects.ExpertSystemswithApplications,36,Chou,J.-S.,Chiu,C.-K.,Farfoura,M.,&Al-Taharwa,I.(2011).OptimizingthePredictionAccuracyofConcreteCompressiveStrengthBasedonaComparisonofData-MiningTechniques.JournalofComputinginCivilEngineering,25,242–253.Hosoz,M.,Ertunc,H.M.,&Bulgurcu,H.(2011).Anadaptiveneuro-fuzzysystemmodelforpredictingtheperformanceofarefrigerationsystemwithacoolingtower.ExpertSystemswithApplications,38,14148–14155.IBM.(2010).PASWModeler.NY:IBMCorporation,USA.Jun,Z.,&Chuntian,C.(2008).Day-aheadelectricitypriceforecastingusingartificialinligence.InElectricPowerConference,2008.EPEC2008.IEEECanada(pp.1–5).Kalogirou,S.A.(2000).Applicationsofartificialneural-networksforenergysystems.AppliedEnergy,67,17–35.Kamar,H.M.,Ahmad,R.,Kamsah,N.B.,& madMustafa,A.F.(2013).Artificialneuralnetworksforautomotiveair-conditioningsystemsperformanceprediction.AppliedThermalEngineering,50,63–70.Kao,W.-K.,Chen,H.-M.,&Chou,J.-S.(2011).Aseismicabilityestimationofschoolbuildingusingpredictivedataminingmodels.ExpertSystemswithApplications,38,10252–Kass,G.V.(1980).AnExploratoryTechniqueforInvestigatingLarge tiesofCategoricalData.JournaloftheRoyalStatisticalSociety.SeriesC(AppliedStatistics),29,KohaviR.(1995).Astudyofcross-validationandbootstrapforaccuracyestimationmodelselection.InProceedingsofthe14thinternationaljointconferenceonArtificialinligence–Volume2(pp.1137–1143).MorganKaufmannPublishersInc.Koksal,G.,Batmaz,_I.,&Testik,M.C.(2011).Areviewofdataminingapplicationsforqualityimprovementinmanufacturingindustry.ExpertSystemswithApplications,38,Koyuncugil,A.S.,&Ozgulbas,N.(2012).Financialearlywarningsystemmodelandminingapplicationforriskdetection.ExpertSystemswithApplications,Kucuksille,E.U.,Selbas_,R.,&S_encan,A.(2009).Dataminingtechniquesforthermophysicalpropertiesofrefrigerants.EnergyConversionandManagement,50,399–412.[23]Kucuksille,E.U.,Selbas_,R.,&S_encan,A.(2011).Predictionofthermodynamicpropertiesofrefrigerantsusingdatamining.EnergyConversionandManagement,52,836–Lee,H.I.(2011).Energyreport–lowerthepriceofelectricity.In(pp.35–38):BureauofEnergyMinistryofEconomicsAffairs.Leung,M.C.,Tse,N.C.F.,Lai,L.L.,&Chow,T.T.(2012).Theuseofoccupancyspaceelectricalpowerdemandinbuildingcoolingloadprediction.EnergyandBuildings,55,151–Li,H.,&Zhao,Z.(2008).ysisoftheOperatingCharacteristicsofaLowEvaporationTemperatureR404ARefrigerationSystem.InInternationalRefrigerationandAirConditioningConference.PurdueUniversity.Liao,S.-H.,Chu,P.-H.,&Hsiao,P.-Y.(2012).Dataminingtechniquesandapplications–Adecadereviewfrom2000to2011.ExpertSystemswithApplications,39,11303–11311.[28]Li,H.,Fang,D.,Mahatma,S.,&Hampapur,A.(2011).Usage ysisforsmartmetermanagement.InEmergingTechnologiesforaSmarterWorld(CEWIT),20118thInternationalConference&Expoon(pp.1–6).Liu,C.,&Yi,H.(2010).ResearchonPowerSystemLoadForecastingModelBasedonDataMiningTechnology.InInligentSystemDesignandEngineeringApplication(ISDEA),2010InternationalConferenceon(Vol.2,pp.240–243).E.(2013).Machinelearningmethodstoforecasttemperatureinbuildings.ExpertSystemswithApplications,40,1061–1068.Metaxiotis,K.,Kagiannas,A.,Askounis,D.,&Psarras,J.(2003).Artificialinligenceinshorttermelectricloadforecasting:astate-of-the-artsurveyfortheresearcher.EnergyConversionandManagement,44,1525–1534.nraj,M.,Jayaraj,S.,&Muraleedharan,C.(2012).Applicationsofartificialnetworksforrefrigeration,air-conditioningandheatpumpsystems—Areview.RenewableandSustainableEnergyReviews,16,1340–1358.MorenoSaez,R.,Sidrach-de-Cardona,M.,&Mora-Lopez,L.(2013).Dataminingandstatisticaltechniquesforcharacterizingtheperformanceofthin-filmphotovoltaicmodules.ExpertSystemswithApplications,40,7141–7150.Nelder,J.A.,&Wedderburn,R.W.M.(1972).Generalizedlinearmodels.JournaloftheRoyalStatisticalSociety,SeriesA(General),135,370–384.Og?uz,H.,Sar?tas,I.,&Baydan,H.E.(2010).Predictionofdieselengineusingbiofuelswithartificialneuralnetwork.ExpertSystemswithApplications,37,Ozgoren,M.,Bilgili,M.,&Babayigit,O.(2012).Hourlyperformancepredictionammonia–watersolarabsorptionrefrigeration.AppliedThermalEngineering,40,80–90.[37]Pao,H.-T.(2006).Comparinglinearandnonlinearforecastsfor ’selectricityconsumption.Energy,31,2129–2141.partialleastsquares,artificialneuralnetworkandsupportvectorregressiontechniquesindistrictheatingsystems.KoreanJournalofChemicalEngineering,27,1063–1071.[39]Pedersen,P.(1998).SubstitutesforPotentGreenhouseGases(HFCs,PFCsandSF6).In.Denmark:DanishTechnologicalInstitute.Penz,C.A.,Flesch,C.A.,Nassar,S.M.,Flesch,R.C.C.,&deOliveira,M.A.(2012).Fuzzy–Bayesiannetworkforrefrigerationcompressorperformancepredictionandtesttimereduction.ExpertSystemswithApplications,39,4268–4273.Rodger,J.A.(2014).Afuzzynearestneighborneuralnetworkstatisticalmodelforpredictingdemandfornaturalgasandenergycostsavingsinpublicbuildings.ExpertSystemswithApplications,42,1813–1829. Saab,S.,Badr,E.,&Nasr,G.(2001).Univariatemodelingandforecastingofconsumption:thecaseofelectricityinLebanon.Energy,26,S_ahin,A.S_.(2011).Performanceysisofsingle-stagerefrigerationsystemwithinternalheatexchangerusingneuralnetworkandneuro-fuzzy.RenewableEnergy,36,2747–S_en,B.,Ucar,E.,&Delen,D.(2012).Predictingandyzingsecondaryeducationplacement-testscores:Adataminingapproach.Exp