基于AI的智慧节能控制系统及其方法与流程
本发明涉及智慧节能控制。更具体地,本发明涉及基于ai的智慧节能控制系统及其方法。
背景技术:
1、现代大型建筑例如医院、商场、工厂等通常配备暖通空调及机电设备,其运行控制不仅关系到整体能耗水平,也影响室内人员热舒适度和设备的长期使用寿命。现有建筑设备节能控制系统多采用基于固定规则的逻辑判断或经典比例积分微分控制算法,控制策略相对静态,难以适应建筑内部环境变化产生的多源异构数据。
2、将深度学习与智能控制技术应用于建筑智慧节能领域,可通过深度神经网络提取建筑运行过程中的空间状态特征和时间序列特征,作为多目标控制策略寻优的输入依据。
3、现有技术中,公告号为cn112540535b的中国专利文件公开了一种基于深度强化学习的办公建筑热舒适控制系统及方法,该方法将暖通空调子系统与个人舒适子系统的总成本最小化问题建模为马尔可夫博弈,由深度强化学习智能体根据环境状态信息输出协同控制行为。然而,该方法依赖现场充足的运行数据对智能体进行训练,在待控建筑数据采集周期短、样本数量有限的工程场景下容易出现模型冷启动困难及跨场景泛化迁移能力不足的问题,且其代价函数对能耗与舒适度等子目标采用相对固定的权衡方式,难以随运行时段动态调整各子目标的相对侧重。
4、在实际部署中还发现,现有模型在处理时空异构数据时,常采用特征提取后简单拼接的方式,难以挖掘空间分布特征与时间序列特征之间的关联,容易造成环境状态信息表达不完整。此外,控制策略网络在进行指令寻优时,通常对能耗、舒适度及设备损耗等子目标采用固定权重的代价函数,难以根据不同时间节点下建筑运行特性的差异动态调整各代价子项的权重,不易生成贴合当前真实工况的优化控制指令,从而制约建筑综合节能效率的进一步提升。
技术实现思路
1、为解决现有建筑节能控制在现场样本有限时跨场景迁移能力不足、且代价子目标权重固定难以随运行时段动态调整的技术问题,本发明在如下的多个方面中提供方案。
2、在第一方面中,本发明提供了基于ai的智慧节能控制方法,包括:
3、s1、利用仿真模型生成的第一数据集预训练包含三维卷积分支、门控循环单元分支和交叉注意力模块的源特征提取网络;基于现场第二数据集在源特征提取网络部署特征残差对齐模块,冻结权重,仅训练特征残差对齐模块,得到目标域特征提取网络;
4、s2、获取待控建筑实时多源异构时序数据,分解为空间分布数据流和时间序列数据流,分别输入三维卷积分支与门控循环单元分支,得到空间特征和时间特征;
5、s3、通过交叉注意力模块以空间特征为查询向量、时间特征为键值向量进行特征融合,输出初始融合特征和注意力权重向量,初始融合特征经特征残差对齐模块得到目标域修正特征;
6、s4、目标域修正特征输入控制策略网络,以最小化复合代价函数生成控制指令,复合代价函数包括由预测能耗序列与分时电价序列内积得到的能耗成本子项、由预测不满意率与舒适度阈值偏差得到的热舒适度惩罚子项和由执行元件控制量变化值的l1范数得到的设备损耗惩罚子项;控制策略网络根据注意力权重向量调整各子项基础权重,使各子项权重按时间节点重要程度分配。
7、本发明利用仿真模型生成的第一数据集预训练源特征提取网络,并在待控建筑现场仅训练新部署的特征残差对齐模块,在现场样本数量有限的条件下完成源域到目标域的特征偏移修正,降低模型冷启动难度与现场训练开销;将实时多源异构时序数据分解为空间分布数据流与时间序列数据流分别提取空间特征和时间特征,再通过交叉注意力模块以空间特征为查询向量、时间特征为键值向量进行融合,输出目标域修正特征及注意力权重向量,使环境状态特征的表达更为完整;控制策略网络以最小化包含能耗成本子项、热舒适度惩罚子项和设备损耗惩罚子项的复合代价函数生成控制指令,并依据注意力权重向量按时间节点重要程度调整各子项基础权重,从而生成兼顾多维目标的控制指令,有助于提升建筑系统的节能效果与运行稳定性。
8、优选地,所述获取待控建筑实时多源异构时序数据,分解为空间分布数据流和时间序列数据流,包括:通过部署于待控建筑的物联网温湿度传感器阵列采集室内环境数据,按传感器空间位置构建为所述空间分布数据流;通过调用外部公共接口获取包含室外气象预测参数与分时电价时序信息的数据集合,构建为所述时间序列数据流,使空间维度与时间维度的输入来源相互独立。
9、优选地,所述通过交叉注意力模块以空间特征为查询向量、时间特征为键值向量进行特征融合,包括:通过线性变换层将空间特征映射为查询向量,将时间特征映射为键向量和值向量;计算查询向量与键向量的缩放点积,经softmax函数归一化处理得到所述注意力权重向量;将注意力权重向量与值向量进行矩阵乘法运算得到初始融合特征。
10、优选地,所述在源特征提取网络部署特征残差对齐模块,包括:在源特征提取网络的预定特征提取层之间旁路接入由低秩矩阵分解结构构成的特征残差对齐模块;微调阶段固定源特征提取网络的网络参数,仅通过反向传播更新特征残差对齐模块的低秩矩阵参数,将输出重构为与对应层目标域前向特征张量维度一致的特征修正残差;将特征修正残差与对应层目标域前向特征逐元素相加,实现目标域特征对齐与修正。
11、以低秩矩阵分解结构旁路接入预定特征提取层之间,微调阶段固定主干网络参数仅更新低秩矩阵参数,在不改变主干拓扑结构的前提下以较少参数完成目标域特征修正,减少现场训练的显存消耗与数据需求量。
12、优选地,所述仅通过反向传播更新特征残差对齐模块的低秩矩阵参数,包括:每轮微调中将第一数据集源域样本输入已冻结源特征提取网络得到源域融合特征;将第二数据集目标域样本输入接入特征残差对齐模块的网络得到目标域修正特征;在目标域修正特征输出端接入加载预训练参数并冻结的温度预测头和能耗预测头,所述温度预测头和能耗预测头分别输出下一控制周期的温度预测值和能耗预测值;采用基于高斯核的最大均值差异算法计算源域融合特征与目标域修正特征的分布距离得到分布对齐项,将温度预测值、能耗预测值与目标域样本对应真实值的均方误差之和作为预测保真项,取分布对齐项与预测保真项的加权和形成微调损失函数。
13、微调损失函数由分布对齐项与预测保真项加权构成,使特征残差对齐模块在缩小源域与目标域分布差异的同时保持对温度与能耗的预测精度。
14、优选地,所述能耗成本子项、热舒适度惩罚子项和设备损耗惩罚子项的计算方式包括:能耗成本子项通过将时间对齐的预测系统能耗序列与分时电价序列进行内积计算得到;热舒适度惩罚子项利用预测不满意率指标与预设舒适度阈值的偏差计算得到;设备损耗惩罚子项通过对执行元件归一化控制量变化值求l1范数得到。
15、优选地,所述控制策略网络根据注意力权重向量调整各子项基础权重,包括:分别将注意力权重向量经第一全连接层、第二全连接层和第三全连接层特征映射后,再经指数映射函数对应转化为能耗成本子项、热舒适度惩罚子项和设备损耗惩罚子项的放大系数;将各放大系数与各自基础权重相乘,得到调整后的权重参与复合代价函数的极小化计算。
16、将注意力权重向量经三个全连接层映射后再经指数映射函数转化为各子项放大系数,放大系数与各自基础权重相乘得到调整后的权重,使代价函数各子项权重随时间节点重要程度变化,在电价高峰时段侧重降低能耗成本、在人员占用率升高时段侧重保障热舒适度。
17、优选地,所述控制策略网络采用深度强化学习网络;将目标域修正特征作为环境状态输入,将控制指令作为动作输出,将取负后的复合代价函数作为奖励函数;更新控制策略网络的策略参数和评价参数。
18、优选地,所述控制指令包括待控建筑暖通空调系统的送风温度设定值、送风量调节比例和机组设备启停状态序列;通过通信网关将控制指令下发至可编程逻辑控制器执行。
19、将控制指令解析为送风温度设定值、送风量调节比例和机组设备启停状态序列,并经通信网关下发至可编程逻辑控制器执行,建立从决策网络到现场暖通设备的控制回路。
20、第二方面,本发明提供基于ai的智慧节能控制系统,包括处理器和存储器,所述存储器存储有计算机程序指令,当所述计算机程序指令被所述处理器执行时实现第一方面所述的基于ai的智慧节能控制方法。
21、将基于ai的智慧节能控制方法编写为计算机程序指令存储于存储器中,由处理器加载并执行,实现现场样本有限时的跨场景迁移控制与各代价子项权重的动态调整。
22、本发明的技术方案具有以下有益技术效果:
23、本发明利用仿真模型生成的第一数据集预训练源特征提取网络,并在目标场景仅训练新部署的特征残差对齐模块,在现场样本有限时降低模型冷启动难度与现场训练开销,提升模型跨场景迁移能力;将实时多源异构时序数据分解为空间分布数据流与时间序列数据流后分别提取空间特征与时间特征,再经交叉注意力模块以空间特征为查询向量、时间特征为键值向量进行融合,增强环境状态特征表达的完整性;结合能耗成本子项、热舒适度惩罚子项及设备损耗惩罚子项构建复合代价函数,并利用注意力权重向量按时间节点重要程度动态调节各子项权重,使控制策略网络生成兼顾用电经济成本、室内热舒适度与设备损耗的控制指令,提升建筑系统的节能效果与运行稳定性。
24、进一步,注意力权重向量按时间节点重要程度对各代价子项权重进行分配,使代价函数在电价高峰、极端天气或人员占用率变化等不同工况下侧重不同控制目标,在压缩用电经济成本的同时兼顾室内热舒适度并约束设备频繁动作,使建筑系统的综合节能效率与运行稳定性得到改善。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com