本發(fā)明涉及空調(diào)控制，具體涉及一種基于多維機器學(xué)習(xí)的多目標(biāo)智能優(yōu)化空調(diào)控制方法和系統(tǒng)，能夠根據(jù)人員流動和環(huán)境變化動態(tài)優(yōu)化空調(diào)系統(tǒng)的運行參數(shù)，適用于辦公樓、商場等建筑物的節(jié)能與舒適度調(diào)節(jié)。

背景技術(shù)：

1、隨著全球能源短缺問題的日益嚴(yán)重以及對環(huán)境保護要求的不斷提高，建筑物的節(jié)能和環(huán)保已成為現(xiàn)代社會亟待解決的重要課題。在建筑能源消耗中，空調(diào)系統(tǒng)是主要的能源消耗源之一，尤其是在大型建筑如辦公樓、商場和機場等環(huán)境中，空調(diào)系統(tǒng)占據(jù)了相當(dāng)大的能耗比例。同時，室內(nèi)環(huán)境的舒適度又直接影響用戶體驗、工作效率和公共場所的滿意度。因此，在保障室內(nèi)環(huán)境舒適度的前提下，最大限度地優(yōu)化空調(diào)系統(tǒng)的運行效率，降低能耗，對于節(jié)能減排具有重要意義。然而，傳統(tǒng)空調(diào)控制系統(tǒng)多采用簡單的溫度設(shè)定和時間控制，缺乏智能化調(diào)節(jié)手段，往往難以適應(yīng)復(fù)雜多變的環(huán)境，從而導(dǎo)致能耗過高和舒適性不足，且主要依賴于手動控制和簡單的定時器設(shè)置，缺乏對實時數(shù)據(jù)的動態(tài)調(diào)節(jié)機制，無法根據(jù)實際情況進行優(yōu)化，造成不必要的能耗?，F(xiàn)有的空調(diào)智能控制系統(tǒng)主要關(guān)注單一因素，依賴簡單的室內(nèi)溫度傳感器，無法有效整合多維度的環(huán)境數(shù)據(jù)(如人員流動、室外氣候變化、空氣質(zhì)量等)進行綜合優(yōu)化控制。這使得系統(tǒng)無法對未來環(huán)境的變化進行預(yù)測性調(diào)控，從而導(dǎo)致能源消耗與室內(nèi)舒適度之間難以取得良好的平衡。

2、近年來，隨著信息技術(shù)和智能化技術(shù)的迅速發(fā)展，空調(diào)控制技術(shù)也逐步向智能化和自動化方向邁進。尤其是,特別是機器學(xué)習(xí)、深度學(xué)習(xí)等算法的成熟，智能控制技術(shù)開始在建筑能源管理中展現(xiàn)出巨大的潛力。通過實時數(shù)據(jù)采集和學(xué)習(xí)模型，智能空調(diào)控制系統(tǒng)可以對多維數(shù)據(jù)進行綜合分析，包括人員流動、室內(nèi)外環(huán)境條件、天氣預(yù)報等，一方面可以對影響空調(diào)能效的建筑物內(nèi)外環(huán)境參數(shù)進行高精度預(yù)測，另一方面能夠基于預(yù)測數(shù)據(jù)不斷優(yōu)化控制策略，通過自適應(yīng)控制算法優(yōu)化空調(diào)系統(tǒng)的運行，提高運行效率和舒適性，為空調(diào)控制的智能化提供了新的解決方案。為此，我們提出一種基于多維機器學(xué)習(xí)的多目標(biāo)智能優(yōu)化空調(diào)控制方法和系統(tǒng)，能夠采用機器學(xué)習(xí)算法對未來人流和環(huán)境變化進行預(yù)測，并結(jié)合多目標(biāo)優(yōu)化控制算法動態(tài)調(diào)節(jié)空調(diào)系統(tǒng)的運行參數(shù)，以實現(xiàn)節(jié)能減碳和提高室內(nèi)舒適度的目標(biāo)。

技術(shù)實現(xiàn)思路

1、本發(fā)明提供了一種基于多維機器學(xué)習(xí)的多目標(biāo)智能優(yōu)化空調(diào)控制方法和系統(tǒng)，旨在解決傳統(tǒng)空調(diào)控制系統(tǒng)采用簡單的溫度設(shè)定和時間控制，缺乏智能化調(diào)節(jié)手段，難以適應(yīng)復(fù)雜多變的環(huán)境，導(dǎo)致能耗過高和舒適性不足，缺乏對實時數(shù)據(jù)的動態(tài)調(diào)節(jié)機制，造成不必要的能耗，難以實現(xiàn)節(jié)能和舒適度的平衡優(yōu)化的技術(shù)問題。

2、本發(fā)明目的在于提供一種基于多維機器學(xué)習(xí)的多目標(biāo)智能優(yōu)化空調(diào)控制方法，所述方法包括步驟：

3、實時采集建筑物運營環(huán)境的第一初始數(shù)據(jù)和所述建筑物所處天氣預(yù)報的第二初始數(shù)據(jù)；

4、對采集到的第一初始數(shù)據(jù)、第二初始數(shù)據(jù)依次進行清洗、預(yù)處理、平滑計算、提取特征值并分別生成第一初始數(shù)據(jù)輸入集、第二初始數(shù)據(jù)輸入集，并將所述第一初始數(shù)據(jù)輸入集、第二初始數(shù)據(jù)輸入集分別隨機劃分為訓(xùn)練數(shù)據(jù)集和驗證數(shù)據(jù)集；

5、訓(xùn)練具有時間序列輸出的基于lstm神經(jīng)網(wǎng)絡(luò)的第一訓(xùn)練模型和第二訓(xùn)練模型并分別輸出第一預(yù)測數(shù)據(jù)和第二預(yù)測數(shù)據(jù)；

6、根據(jù)多目標(biāo)優(yōu)化控制策略對所述第一預(yù)測數(shù)據(jù)、第二預(yù)測數(shù)據(jù)進行優(yōu)化并生成二級輸入數(shù)據(jù)；

7、根據(jù)所述二級輸入數(shù)據(jù)實時反饋、動態(tài)調(diào)整空調(diào)的運行參數(shù)；

8、優(yōu)選地，所述第一初始數(shù)據(jù)為建筑物內(nèi)的人員流動數(shù)據(jù)和室內(nèi)外環(huán)境參數(shù)數(shù)據(jù)；

9、所述第二初始數(shù)據(jù)為所述建筑物所處位置實時天氣預(yù)報數(shù)據(jù)；

10、優(yōu)選地，所述第一初始數(shù)據(jù)的平滑計算公式為：

11、

12、其中，mat表示第t時刻的第一初始數(shù)據(jù)移動平均值，n表示移動平均的項數(shù)，xt-i表示第t-i時刻的第一初始數(shù)據(jù)；

13、優(yōu)選地，所述第二初始數(shù)據(jù)的平滑計算公式為：

14、st＝αyt+(1-α)st-1

15、其中，st表示第t時刻天氣預(yù)報數(shù)據(jù)的平滑值，α是平滑系數(shù)，yt表示第t時刻的初始天氣預(yù)報數(shù)據(jù)的值；

16、優(yōu)選地，基于lstm神經(jīng)網(wǎng)絡(luò)的第一訓(xùn)練模型的公式為：

17、ht1＝lstm(xt1,ht1-1)

18、其中，ht1表示第t1時刻的第一初始數(shù)據(jù)的隱藏狀態(tài)，xt1表示第一初始數(shù)據(jù)輸入值，ht1-1表示前一時刻的第一初始數(shù)據(jù)的隱藏狀態(tài)；

19、優(yōu)選地，基于lstm神經(jīng)網(wǎng)絡(luò)的第二訓(xùn)練模型的公式為：

20、ht2＝lstm(xt2,ht2-1)

21、其中，ht2表示第t2時刻的第二初始數(shù)據(jù)的隱藏狀態(tài)，xt2表示第二初始數(shù)據(jù)輸入值，ht2-1表示前一時刻的第二初始數(shù)據(jù)的隱藏狀態(tài)；

22、優(yōu)選地，所述多目標(biāo)優(yōu)化控制策略的計算公式為：

23、min(α·e+β·c)

24、其中，e表示能耗，c表示舒適度偏差，α和β是權(quán)重系數(shù)；

25、優(yōu)選地，所述反饋、動態(tài)調(diào)整的公式如下：

26、

27、其中，δp表示調(diào)整量，kp,ki，kd分別為比例、積分和微分系數(shù)，sp表示設(shè)定值，pv表示過程變量；

28、優(yōu)選地，所述步驟“根據(jù)所述二級輸入數(shù)據(jù)實時反饋、動態(tài)調(diào)整空調(diào)的運行參數(shù)”之后還包括步驟：

29、強化自我學(xué)習(xí)，完善多目標(biāo)優(yōu)化控制策略，并進入步驟“根據(jù)多目標(biāo)優(yōu)化控制策略對所述第一預(yù)測數(shù)據(jù)、第二預(yù)測數(shù)據(jù)進行優(yōu)化并生成二級輸入數(shù)據(jù)”；

30、所述強化自我學(xué)習(xí)的算法公式為：

31、q(s,a)←q(s,a)+α(r+γmaxaq(s′,a′)-q(s,a))

32、其中，q(s,a)表示狀態(tài)s下采取動作a的價值，α是學(xué)習(xí)率，r是即時獎勵，γ是折扣因子，s′和a′分別表示下一狀態(tài)和下一動作。

33、本發(fā)明另一個目的在于提供一種基于多維機器學(xué)習(xí)的多目標(biāo)智能優(yōu)化空調(diào)控制方法和系統(tǒng)，所述系統(tǒng)包括數(shù)據(jù)采集模塊、數(shù)據(jù)處理模塊、模型訓(xùn)練模塊、優(yōu)化控制模塊、反饋動態(tài)調(diào)整模塊；

34、所述數(shù)據(jù)采集模塊與數(shù)據(jù)處理模塊相連，用于實時采集建筑物運營環(huán)境的第一初始數(shù)據(jù)和所述建筑物所處天氣預(yù)報的第二初始數(shù)據(jù)，并將所述第一初始數(shù)據(jù)和第二初始數(shù)據(jù)發(fā)送到數(shù)據(jù)處理模塊；

35、所述數(shù)據(jù)處理模塊與數(shù)據(jù)采集模塊、模型訓(xùn)練模塊相連，用于對采集到的第一初始數(shù)據(jù)、第二初始數(shù)據(jù)依次進行清洗、預(yù)處理、平滑計算、提取特征值并分別生成第一初始數(shù)據(jù)輸入集、第二初始數(shù)據(jù)輸入集，并將所述第一初始數(shù)據(jù)輸入集、第二初始數(shù)據(jù)輸入集分別隨機劃分為訓(xùn)練數(shù)據(jù)集和驗證數(shù)據(jù)集，分別將所述第一初始數(shù)據(jù)輸入集、第二初始數(shù)據(jù)輸入集中的訓(xùn)練數(shù)據(jù)集和驗證數(shù)據(jù)集發(fā)送到模型訓(xùn)練模塊；

36、所述模型訓(xùn)練模塊與數(shù)據(jù)處理模塊和優(yōu)化控制模塊相連，用于預(yù)制基于lstm神經(jīng)網(wǎng)絡(luò)的第一訓(xùn)練模型和第二訓(xùn)練模型，分別訓(xùn)練所述第一訓(xùn)練模型和第二訓(xùn)練模型使其生成具有時間序列輸出的第一預(yù)測數(shù)據(jù)和第二預(yù)測數(shù)據(jù)，并將所述第一預(yù)測數(shù)據(jù)和第二預(yù)測數(shù)據(jù)發(fā)送到優(yōu)化控制模塊；

37、所述優(yōu)化控制模塊與模型訓(xùn)練模塊、反饋動態(tài)調(diào)整模塊相連，用于根據(jù)多目標(biāo)優(yōu)化控制策略對所述第一預(yù)測數(shù)據(jù)、第二預(yù)測數(shù)據(jù)進行優(yōu)化并生成二級輸入數(shù)據(jù)，并將所述二級輸入數(shù)據(jù)發(fā)送到反饋動態(tài)調(diào)整模塊；

38、所述反饋動態(tài)調(diào)整模塊與優(yōu)化控制模塊相連，用于根據(jù)所述二級輸入數(shù)據(jù)實時反饋、動態(tài)調(diào)整空調(diào)的運行參數(shù)。

39、本發(fā)明通過對采集到的初始數(shù)據(jù)依次進行清洗、預(yù)處理、平滑計算、提取特征值等處理，確保初始數(shù)據(jù)的準(zhǔn)確性，有效平滑掉短期的波動和噪聲，使得數(shù)據(jù)趨勢更加清晰，減少初始數(shù)據(jù)的隨機波動，同時數(shù)據(jù)中的極端值和異常波動被平均化，減少了數(shù)據(jù)不確定性，提高初始數(shù)據(jù)的穩(wěn)定性，為模型訓(xùn)練提供高質(zhì)量的輸入數(shù)據(jù)；通過時間序列分析和機器學(xué)習(xí)技術(shù)，使用長短期記憶網(wǎng)絡(luò)(lstm)訓(xùn)練模型進行高精度預(yù)測，通過數(shù)學(xué)訓(xùn)練模型及算法，能夠高效、準(zhǔn)確地預(yù)測建筑物內(nèi)的人員流動情況和室內(nèi)外環(huán)境變化，為空調(diào)智能系統(tǒng)的優(yōu)化控制策略提供了堅實的基礎(chǔ)，能夠高效、準(zhǔn)確地預(yù)測未來的天氣變化，為空調(diào)系統(tǒng)的智能控制策略提供數(shù)據(jù)支持，實現(xiàn)節(jié)能減碳和舒適性優(yōu)化的目標(biāo)；通過多目標(biāo)優(yōu)化控制策略，綜合考慮能源效率和室內(nèi)舒適度，通過權(quán)重調(diào)整實現(xiàn)平衡，降低能耗和提高舒適度；通過強化自我學(xué)習(xí)分析歷史數(shù)據(jù)和當(dāng)前數(shù)據(jù)，不斷優(yōu)化控制策略，提高系統(tǒng)的適應(yīng)性和智能化水平，逐步提高控制模型的準(zhǔn)確性和魯棒性；通過反饋機制分析系統(tǒng)的運行數(shù)據(jù)和控制效果，不斷優(yōu)化和更新控制模型參數(shù)，系統(tǒng)根據(jù)歷史數(shù)據(jù)和當(dāng)前數(shù)據(jù)的對比，識別控制策略的有效性和不足之處，進行針對性的調(diào)整和改進，提高系統(tǒng)的預(yù)測精度和適應(yīng)性；在理論應(yīng)用上，強化自我學(xué)習(xí)廣泛適用于智能建筑的空調(diào)系統(tǒng)優(yōu)化和節(jié)能減碳，通過自我學(xué)習(xí)和優(yōu)化控制，系統(tǒng)能夠在不同環(huán)境下實時響應(yīng)變化，提供個性化的控制方案，提高能源利用效率，減少碳排放，實現(xiàn)智能化和綠色建筑的目標(biāo)。