融合代理模型与逻辑规则的热泵温度双层调控方法及系统与流程

本发明涉及热泵系统智能控制。更具体地说，本发明涉及一种融合代理模型与逻辑规则的热泵温度双层调控方法及系统。

背景技术：

1、热泵系统作为一种高效节能的供暖设备，在建筑供暖领域得到了广泛应用。空气源热泵（air source heat pump, ashp）因其较高的性能系数（cop）以及对传统化石能源供暖方式的替代能力，已在寒冷地区建筑供暖场景中得到规模化推广。热泵系统的运行优化控制，尤其是制热温度的精确调节，直接关系到系统能耗水平与室内热舒适性，是热泵技术领域持续关注的问题。

2、目前，热泵系统的制热温度控制主要采用基于设备性能曲线和预设逻辑规则的调节方式。中国专利cn106287904a公开了一种热泵系统的控制方法，其控制模块根据当前室外环境温度通过预设的出水温度设定曲线获取热泵机组的出水设定温度，该出水温度设定曲线包括制热低温设定曲线、制热高温设定曲线等多个温度区间曲线。该方案根据不同工作模式和室外环境温度从预设曲线中查表获取出水设定温度，属于典型的基于性能曲线的规则式开环控制。中国专利cn115560374b进一步提出了一种基于热泵机组状态数据处理的采暖控制方法，通过生成进风温度-制热量变化曲线并进行线性拟合，将实时运行外环境指标输入自适应控制模型输出控制参数。上述技术方案代表了当前热泵温度控制的主流思路，以性能曲线或经验规则为核心依据，通过简单的逻辑判断（如查表、线性拟合、条件分支）实现温度设定值的调节。然而，这种基于静态曲线和简化逻辑的控制方式存在固有局限：性能曲线通常基于标准工况测试获得，难以精确刻画实际运行中热泵系统复杂的非线性动态特性；规则式调节本质上是离散的、分段式的决策，无法实现连续精细的温度优化。

3、除上述专利文献所代表的规则式控制方案外，学术研究领域也对热泵系统的优化控制进行了广泛探索。有学者建立了空气源热泵集中供暖系统的数学模型，提出了三种基于供回水流量和温度调节的控制方式，通过引入结除霜损失和启停损失的数值模型进行研究。另有研究基于能效目标构建了热泵机组能效与供能量的二元二次多项式回归模型，以多台热泵机组联合运行时总能耗最低为目标进行优化。还有学者提出了室内外温度协同的供水温度在线优化控制策略，以实时室外温度作为主参数进行前馈优化，以实时室内温度作为辅参数采用模糊自适应pi控制器进行反馈修正。上述研究虽然在一定程度上提升了热泵系统的控制性能，但其优化方法仍主要基于简化的机理模型、经验公式或静态回归模型，对热泵系统运行中普遍存在的热惯性滞后效应、多因素耦合扰动等复杂动态特性的刻画能力仍然有限。

4、由此可见，无论是工程实践中广泛采用的性能曲线查表控制，还是学术研究中提出的各类优化方法，均存在一个共同的深层缺陷：控制决策仅基于当前时刻或极短时间内的状态信息，缺乏对未来时段内系统动态响应的预测能力。热泵系统的能耗响应受室外气象条件波动、建筑热惯性滞后、用户用热行为变化等多因素共同影响，呈现显著的非线性、时变性和多时间尺度动态特征。现有基于静态曲线或简化模型的控制方法无法前瞻性地预判未来一段时间内室内热状态的变化趋势和能耗响应规律，因而难以在保证室内热舒适性的前提下充分挖掘系统的节能潜力。这一缺陷在低温工况、负荷快速变化等场景下尤为突出，当室外温度骤降时，规则式控制只能在温度已经下降后才被动响应，而无法提前调节制热温度以平抑波动。因此，如何突破现有规则式控制和简化模型优化的精度瓶颈，使热泵系统具备对未来热状态和能耗响应的预测能力，从而实现前瞻性的制热温度优化决策，是本领域亟待解决的难题。

技术实现思路

1、本发明的一个目的是解决至少上述问题，并提供至少后面将说明的优点。

2、本发明还有一个目的是提供一种融合代理模型与逻辑规则的热泵温度双层调控方法，其通过构建逻辑规则基础层与代理模型智能决策层相融合的双层调控架构，使热泵制热温度控制兼具规则控制的安全可靠性与数据驱动模型的预测优化能力；利用多任务残差mlp-lstm代理模型同时预测能耗与室内热状态，并通过枚举优化在满足热舒适约束的前提下选择能耗最低的制热温度，相比现有规则式调节显著提升了温度控制精度并有效降低了系统能耗。

3、为了实现根据本发明的这些目的和其它优点，提供了一种融合代理模型与逻辑规则的热泵温度双层调控方法，包括：

4、s1、采集热泵系统的运行数据，并将所述运行数据重构为包含历史状态序列和未来已知条件的窗口级监督学习样本；

5、s2、构建多任务残差mlp-lstm代理模型并利用历史运行数据进行训练，所述代理模型包括用于提取所述历史状态序列特征的历史lstm编码分支、用于提取所述未来已知条件非线性映射特征的未来条件残差mlp编码分支、用于融合所述历史lstm编码分支和未来条件残差mlp编码分支的输出结果得到融合特征的残差融合模块以及基于所述融合特征同时输出未来时段能耗预测值和室内热状态预测值的多任务输出模块；

6、s3、在线决策系统进行双路并行决策：第一路基于设备性能曲线和预设逻辑规则输出逻辑规则层调节结果；第二路利用所述代理模型枚举多个候选制热温度值，分别预测各候选制热温度值对应的能耗预测值和室内热状态预测向量，根据所述室内热状态预测向量筛选满足室内热状态约束的候选集合，根据所述能耗预测值在所述候选集合中选择能耗最低的候选温度值作为智能决策层输出结果；

7、s4、融合所述逻辑层调节结果和所述智能决策层输出结果，在满足室内热舒适性约束和设备安全运行约束的前提下优先采纳所述智能决策层输出结果，当所述智能决策层输出结果超出安全边界时回退至所述逻辑规则层调节结果，确定最终制热温度设定值；

8、s5、将所述最终制热温度设定值下发至热泵机组执行，采集执行反馈数据用于所述代理模型的持续优化。

9、作为优选，s3中第一路基于设备性能曲线和预设逻辑规则输出逻辑规则层调节结果具体包括：

10、（一）云端定时：支持各用户按周、月等周期自定义时间区间与工作参数，构建多时段用能计划；在预设的用能时段内允许机组启动运行，在非用能时段内保持机组停机或低功率待机状态，降低待机能耗。（二）行为智能：记录用户每次温度调节操作对应的调节时刻、调节幅度及调节后的运行特征值，逐步形成面向特定用户的用能特征表；基于所述用能特征表，在后续运行中根据当前时段和用户历史用能习惯，预判用户用热需求并提前调节制热温度，逐渐降低人工干预程度。（三）环温补偿：获取室外环境温度实时值；根据所述室外环境温度实时值，查询预设的机组制热性能曲线集合，所述机组制热性能曲线集合至少包括环境温度-制热量曲线、环境温度-功率曲线和环境温度-cop曲线，各曲线分别表征不同制热出水温度条件下，制热量、输入功率及cop值随室外环境温度的变化规律；根据查询得到的制热量、输入功率及cop值，以满足供暖需求、实现用电成本最优、使机组cop处于最优区间为目标，对制热温度进行动态调节。其中，所述环境温度-制热量曲线中，制热量随制热出水温度升高而降低，随室外环境温度降低而降低；所述环境温度-功率曲线中，输入功率随制热出水温度升高而增大，随室外环境温度降低而减小；所述环境温度-cop曲线中，cop值随制热出水温度升高而降低，随室外环境温度降低而降低。第一路中，基于所述环境温度-cop曲线确定当前室外环境温度下cop值处于最优区间所对应的制热温度范围，并在该范围内结合所述环境温度-制热量曲线和所述环境温度-功率曲线选取满足供暖需求且用电成本最低的制热温度值作为逻辑规则层调节结果。（四）室温预测：基于建筑热惰性与历史室内温度数据，采用季节性差分自回归移动平均模型预测未来1~3小时室内温度变化趋势。需要说明的是，所述第一路中云端定时、行为智能、环温补偿、室温预测四个功能模块并行执行，各模块输出的制热温度调节值取最大值，作为逻辑规则层调节结果输出至综合决策融合模块。

11、作为优选，在s5中，所述代理模型的持续优化为周期性增量更新，所述采集执行反馈数据包括所述最终制热温度设定值下发执行后的实际室内温度、实际机组运行功率及实际累计耗电量，以所述实际数据作为新增训练样本，与历史训练数据合并后对所述代理模型进行重新训练或微调。增量更新周期为每周一次，可根据数据积累速度和系统工况变化速率在每天一次至每月一次范围内调整。

12、优选的是，步骤s1中所述运行数据至少包括室外环境温度、室内温度、制热温度设定值、供水温度、回水温度、机组运行功率及累计耗电量；将所述运行数据重构为窗口级监督学习样本具体包括：

13、s11、对采集的所述运行数据进行缺失值处理；

14、s12、根据所述运行数据基于热工关系生成热工衍生变量，所述热工衍生变量包括室内外温差、供水温度与室内温度差、室内温度与回水温度差，分别为：

15、；

16、；

17、；

18、s13、采用滑动窗口对所述运行数据及所述热工衍生变量进行聚合，设历史窗口长度为w，第k个历史窗口的起始时刻为τk，则该历史窗口对应的时刻集合为：

19、；

20、s14、对室内温度、室外环境温度、室内外温差、供水温度与室内温度差及室内温度与回水温度差，采用窗口内累积和作为聚合特征，设参与窗口积分的变量集合为：

21、β={ti,to,d io,dsi,dir}；

22、对于任一变量b∈β，任一变量b在第k个历史窗口内的累积特征定义为：

23、；

24、对于制热控制温度，采用窗口内均值进行表征：；

25、对于电表电量增量et，采用窗口内累积值进行表征：；

26、则历史状态序列pn表示为：

27、；

28、未来已知条件kn表示为：kn=ano,cn；

29、其中，tti为t时刻室内温度；

30、tto为t时刻室外环境温度；

31、tts为t时刻供水温度；

32、ttr为t时刻回水温度；

33、k为由原始时间序列生成的窗口级样本数量；

34、aki为窗口内温度累积值；

35、ako为窗口内室外环境温度累积值；

36、 akio、aksi和akir分别表示室内外温差、供水温度与室内温度差、室内温度与回水温度差的窗口累积值；

37、ck为第k个历史窗口内制热控制温度的平均水平；

38、gk为第k个历史窗口内对应的能耗累积量；

39、hn为第n个监督学习样本对应的历史窗口集合；

40、为预测窗口内室外环境温度积分值；

41、cn为预测窗口内制热控制温度均值。

42、作为优选，所述运行数据还包括供水温度、回水温度及机组cop值，用于辅助评估系统运行。采集频率为5min/次，该频率与热泵系统的热惯性时间常数相匹配，既能够捕捉系统运行状态的动态变化，又不会产生过大的数据存储和传输开销。在实际工程应用中，所述采集频率可根据传感器配置和通信带宽在1min/次至15min/次范围内调整。

43、作为优选，对采集的所述运行数据进行缺失值处理具体采用差异化方法：对于室外环境温度、室内温度、供水温度、回水温度等连续变化的温度变量，采用线性插值方法进行补全。设任一温度变量tt在t1和t2时刻存在有效观测值，且t1

44、作为优选，所述包括室内外温差用于描述建筑内部热环境与室外环境之间的温度梯度，当较大时，围护结构两侧的传热驱动力增强，室内热量散失趋势显著，该变量能够反映外部环境变化对室内热负荷的影响程度。供水温度与室内温度差用于表征供热系统向室内环境传递热量的潜在能力，当较大时，系统向室内释放热量的驱动力较强。室内温度与回水温度差用于描述室内热环境与系统回水状态之间的相对关系，有助于表征系统换热后的温度响应特征。

45、作为优选，设历史窗口长度为w=20（对应20个采样时刻，即1小时），第k个历史窗口的起始时刻为τk，则该历史窗口对应的时刻集合为：。对于室内温度、室外环境温度及三个温差衍生变量，采用窗口内累积和作为聚合特征。设参与窗口积分的变量集合为β={ti,to,d io,dsi,dir}，对于任一变量b∈β，任一变量b在第k个历史窗口内的累积特征定义为：；对于制热控制温度，采用窗口内均值进行表征：；对于电表电量增量et，采用窗口内累积值进行表征：；则历史状态序列pn表示为：；未来已知条件kn表示为：。

46、优选的是，步骤s2中所述历史lstm编码分支包括两层lstm，其计算过程包括： 第一层lstm包含128个隐藏单元并保留完整序列输出； 第二层lstm包含 64个隐藏并输出：；

47、通过全连接层和残差块对第二层输出结果进行增强表达，输出最终历史状态序列特征：；；

48、所述未来条件残差mlp编码分支的计算过程包括：

49、；

50、；

51、通过全连接层和残差块对第二层输出结果进行增强表达，输出最终历史状态序列特征：；；

52、所述未来条件残差mlp编码分支的计算过程包括：

53、；

54、；

55、；

56、所述残差融合模块将所述历史lstm编码分支的输出hn和所述未来条件残差mlp编码分支的输出un进行拼接：；

57、拼接后的cn输入多层残差融合模块输出融合特征：；即依次经过6个残差块（输出维度交替为128和64）的堆叠处理，输出融合特征sn；该融合特征同时包含历史热惯性信息、未来环境边界条件和控制设定信息，是后续多任务输出模块的共享隐层表示；

58、其中，为标准化后的历史状态序列；

59、为第一层lstm输出结果；

60、为第二层lstm输出结果；

61、为swish激活函数，定义为，σ(·)为sigmoid函数；

62、wp和bp分别为历史lstm编码分支全连接层的权重矩阵和偏置向量；

63、r128(·)、r64(·)为输出维度为128和64的残差块；

64、hn为历史lstm编码分支最终输出；

65、为标准化后的未来已知条件；

66、wk,0和bk,0分别为未来条件残差mlp编码全连接层的权重矩阵和偏置向量；

67、un为未来条件残差mlp编码分支的最终输出；

68、[;]为向量拼接操作；

69、sn为融合特征，同时包含历史热惯性信息、未来环境边界条件和控制设定信息。

70、优选的是，残差块的计算方法为：

71、；

72、其中，d为残差块的输出维度；

73、q为残差块输入特征；

74、ρ为dropout率，取0.3；

75、w1、b1和w2、b2分别为残差块内两全连接层的权重矩阵和偏置向量；

76、dropoutρ(·)为以概率ρ随机丢弃神经元的dropout操作；

77、p(·)为维度匹配映射函数，当输入维度与输出维度一致时，p(q)=q；当输入维度与输出维度不一致时，p(q)=wp,1q+bp,1，wp,1和bp,1为投影层的权重矩阵和偏向量。

78、优选的是，步骤s2中多任务输出模块包括热状态预测头和能耗预测头：

79、所述热状态预测头基于所述融合特征sn预测预测窗口内的热状态变量：

80、；

81、；

82、所述能耗预测头将所述融合特征sn和所述热预测状态预测结果拼接后预测能耗：

83、；

84、，；

85、；该结构使最终能耗预测不仅依赖融合后的抽象隐层特征，还显式利用了热状态预测结果，从而增强模型对供热系统热状态变化与能耗响应关系的表达能力；

86、其中，wq,1、bq,1 和wq,2、bq,2分别为热状态预测头两个全连接层的权重矩阵和偏置向量；

87、，为未来室内热状态预测向量，dq为热状态预测目标维度；

88、wg,1、bg,1 和wg,2、bg,2分别为能耗预测头全连接层的权重矩阵和偏置向量；

89、为预测窗口内的能耗累积量预测值。

90、作为优选，多任务训练的监督标签包括主任务标签和辅助任务标签。主任务标签为预测窗口内的能耗累积量（真实标签值）gn：，其中nn为第n个样本对应的预测窗口时刻集合。辅助任务标签为未来热状态标签qn，包含三个分量：未来室内温度积分、未来供水与室内温差积分、未来室内与回水温差积分：。辅助任务不直接参与最终决策，而是在训练过程中为共享表示层提供热状态演化信息的监督信号，增强模型对热动态过程与能耗响应耦合关系的表达能力。

91、优选的是，步骤s2中所述代理模型的训练采用多任务联合损失函数：；

92、；

93、；

94、；

95、其中，l为总损失函数；

96、lq和lg分别为未来室内热状态预测损失和最终能耗预测损失；

97、λq和λg分别为未来室内热状态任务和能耗目标任务的损失权重，取λq=λg=1；

98、ntr为训练集样本数量；

99、和qn,j分别为第n个样本第j个热状态目标的预测值和对应的真实标签值；

100、和gn分别为第n个样本的能耗预测值和对应的真实能耗标签值；

101、lδ为采用huber损失的基础损失函数；

102、δ为huber损失的误差阈值。

103、作为优选，所述代理模型的训练采用adam优化算法，初始学习率为3×10−4，训练过程中引入早停策略和学习率自适应衰减策略：当验证集损失连续若干轮未下降时，提前停止训练并恢复验证集性能最优的模型参数；当验证集损失在设定轮数内未改善时，将学习率按比例衰减，直至达到最小学习率1×10−6。在一个具体实施方式中，模型训练的批次大小为16。训练过程中引入早停策略：当验证集损失连续15轮未下降时，提前停止训练并恢复验证集性能最优的模型参数。同时引入学习率自适应衰减策略：当验证集损失在设定轮数内未改善时，将学习率按比例0.5衰减，直至达到最小学习率1×10−6。

104、由于历史状态序列、未来已知条件、未来热状态标签和能耗目标具有不同的量纲和数值尺度，在训练前分别对各类变量进行了标准化处理，预测完成后需反标准化恢复到原始量纲。

105、作为优选，采集连续30天的运行数据训练所述代理模型，首先按照8:2的比例将运行数据划分为训练集和测试集，随后从训练集中进一步划分10%作为验证集，用于早停策略和超参数调整。训练集、验证集和测试集在时间顺序上保持连续，不进行随机打乱，以模拟实际在线部署时用历史数据预测未来数据的真实场景。

106、优选的是，步骤s3中，所述候选制热温度值按照预设步长δu在预设温度范围[umin,umax]内枚举，候选制热温度集合为：

107、u={ umin,umin+δu,umin+2δu,…, umax}；

108、对于任一候选制热温度u∈u，将所述未来已知条件kn中的制热控制温度分量替换为u，得到候选未来已知条件kn(u)；

109、将所述历史状态序列pn和所述候选未来已知条件kn(u)输入训练完成的所述代理模型fθ*，得到对应候选制热温度下的预测结果：；

110、其中，umin和umax分别为制热控制温度下限和上限；

111、θ*为训练完成后的代理模型参数；

112、，为候选制热温度u对应的未来室内热状态预测向量；

113、为候选制热温度u对应的预测窗口内能耗预测值。

114、作为优选，所述制热控制温度下限umin=35℃，所述制热控制温度上限umax=55℃，所述枚举步长δu=0.5℃。

115、优选的是，未来室内热状态预测向量中包含未来室内温度积分预测值，即；步骤s3中室内热状态预测向量满足室内热状态约束的条件为：；即满足室内热状态约束的候选集合为：；

116、其中，[·]为取向量中的第一个分量；

117、为室内热状态积分阈值：；

118、为室内温度下限。

119、作为优选，室内温度下限取值18℃。所述huber损失的误差阈值δ=1.0，训练轮数为100个epoch，批次大小为16。

120、优选的是，步骤s3中，当所述候选集合非空时，在所述候选集合中选择预测能耗最低的制热温度作为智能决策层输出结果：

121、；

122、此时对应优化后能耗预测值和室内热状态预测值分别为：

123、，；

124、当所述候选集合为空时，采用最大允许制热控制温度作为制热温度：

125、；

126、此时对应优化后能耗预测值和室内热状态预测值分别为：

127、，。采用最大允许制热控制温度作为兜底动作，兜底机制确保在所有工况下均存在可执行的制热温度设定值，保障系统的工程可用性。

128、本发明还要求保护一种融合代理模型与逻辑规则的热泵温度双层调控系统包括：

129、数据采集与预处理模块，其用于采集热泵系统的运行数据，并将所述运行数据重构为包含历史状态序列和未来已知条件的窗口级监督学习样本；

130、代理模型构建与训练模块，其用于构建多任务残差mlp-lstm代理模型并利用历史运行数据进行训练，所述代理模型包括用于提取所述历史状态序列特征的历史lstm编码分支、用于提取所述未来已知条件非线性映射特征的未来条件残差mlp编码分支、用于融合所述历史lstm编码分支和未来条件残差mlp编码分支的输出结果得到融合特征的残差融合模块以及基于所述融合特征同时输出未来时段能耗预测值和室内热状态预测值的多任务输出模块；

131、双路并行决策模块，其包括逻辑规则调控层和智能决策层，所述逻辑规则调控层用于基于设备性能曲线和预设逻辑规则输出逻辑规则层调节结果；所述智能决策层用于利用所述代理模型枚举多个候选制热温度值，分别预测各候选制热温度值对应的能耗预测值和室内热状态预测向量，根据所述室内热状态预测向量筛选满足室内热状态约束的候选集合，根据所述能耗预测值在所述候选集合中选择能耗最低的候选温度值作为智能决策层输出结果； 综合决策融合模块，其用于融合所述逻辑层调节结果和所述智能决策层输出结果，在满足室内热舒适性约束和设备安全运行约束的前提下优先采纳所述智能决策层输出结果，当所述智能决策层输出结果超出安全边界时回退至所述逻辑规则层调节结果，确定最终制热温度设定值； 闭环反馈控制模块，用于将所述最终制热温度设定值下发至热泵机组执行，采集执行反馈数据用于所述代理模型的持续优化。 本发明至少包括以下有益效果： 其一、本发明通过构建逻辑规则基础层与代理模型智能决策层相融合的双层调控架构，使热泵制热温度控制兼具规则控制的安全可靠性与数据驱动模型的预测优化能力；逻辑规则层作为安全兜底机制，当智能决策结果超出安全边界时自动回退，确保系统运行安全可靠，同时代理模型通过枚举优化实现了对传统规则式调节的精度突破； 其二、本发明通过构建窗口级监督学习样本重构方法，将原始逐时刻监测数据重构为包含历史状态序列和未来已知条件的结构化样本，使预测模型能够在给定历史状态和未来边界条件下评估不同控制设定对应的能耗响应，为后续基于代理模型的设定温度枚举筛选提供了统一的数据基础； 其三、本发明的mrml-p代理模型采用历史lstm编码分支与未来条件残差mlp编码分支分离建模的双分支结构，并通过残差融合模块进行深层非线性融合，能够充分刻画历史热惯性、未来环境边界和控制设定之间的耦合关系；多任务输出模块同时预测能耗与室内热状态，使最终能耗预测显式利用热状态演化信息，显著提升了预测精度和动态工况适应能力； 其四、本发明基于训练完成的mrml-p代理模型构建mrml-seo枚举优化策略，通过枚举多个候选制热温度值并利用代理模型分别预测各候选值对应的能耗与室内热状态，在满足室内热状态约束的前提下选择预测能耗最低的设定值，有效克服了现有规则式调节难以实现前瞻性优化控制的缺陷，在保证热舒适性的同时充分挖掘了系统节能潜力。 本发明的其它优点、目标和特征将部分通过下面的说明体现，部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。