一种基于深度学习的空调系统节能控制方法、装置、设备及计算机介质与流程

1.本发明实施例涉及空调系统技术领域，具体涉及一种空调系统节能控制方法、装置、设备及计算机介质。


背景技术：

2.随着社会的发展，空调系统应用于各行各业当中。在一般公共建筑中，空调系统能耗一般占到总能耗的50％左右；在高电力成本的数据中心中，空调系统能耗也占到30％以上，具有巨大的节能潜力。而在空调系统内部，存在各式各样的设备，以数据中心冷冻水空调系统为例，存在制冷主机、冷却泵、冷冻泵、冷却塔、电磁阀、末端风机等，这些设备具有各自的可调节运行参数，影响着整体空调系统的运行能耗。例如，提升主机出水温度，主机能耗会降低，而末端风机、冷冻泵能耗会提升。空调系统能耗优化过程是各多参数优化过程，通过设置空调系统的最佳运行状态点，可在保证制冷量满足要求的前提下，降低空调系统能耗，达到节能的效果。
3.目前，一般的公共建筑或数据中心在空调系统调试完成后，各设备的运行状态点基本保持不变，或者由简单的自控逻辑满足制冷量的需求而改变，白白浪费能耗。部分建筑在运行过程中，注重空调系统的能耗优化，一般采用两种方式进行。
4.一种方式是人工调整单个运行参数。如制冷主机的出水温度，然后通过数据分析，得到主机最佳的出水温度设置值；以此类推进行冷冻泵、冷却泵等设备的调节，长时间重复试验。然而，人工调整的方法，一方面由于室外温湿度的变化导致试验的时间比较长，一般需要2周以上的时间测试；另一方面，单参数依次调节的周期太长，难以得到当前季节下的群体最优解，夏季与冬季室外环境差距较大，空调能耗最佳运行状态点早已改变。因此，人工参数寻优，数据的难度大；时效性差，室外气候变化导致最佳状态点的漂移；效果相对小，一般在局部最优。
5.另一种方式是楼宇自控系统的逻辑优化。如数据中心冬季制冷采用板式换热器与制冷主机制冷模式的切换，根据楼宇特性更改模式切换逻辑与多套系统的并行逻辑。这种方式需要大量的运维经验积累，更改代码的代价大，一方面代码自身安全性需要时间的检验；另一方面，代码的补丁可能影响其它模块的正常运行。因此，自控系统优化可能涉及到系统基础安全性的降低，产生未知的宕机风险。
6.因此，如何能够实时得到空调系统节能最佳运行状态的技术问题亟待解决。


技术实现要素：

7.鉴于上述问题，本发明实施例提供了一种基于深度学习的空调系统节能控制方法，用于解决现有技术中存在的无法实时得到调节空调系统最佳运行状态的技术问题。
8.根据本发明实施例的一个方面，提供了一种基于深度学习的空调系统节能控制方法，所述方法包括：
9.采集样本数据，其中，所述样本数据包括空调系统的历史环境状态量、历史动作状态量以及对应的历史控制状态量；
10.根据所述历史环境状态量、历史动作状态量以及对应的历史控制状态量利用预设神经网络模型进行建模，得到环境状态量、动作状态量及控制状态量的函数关系，其中，所述预设神经网络模型包括依次连接的输入层、第一bn层、第一全连接层、第二bn层、第一激活层、第二全连接层、第三bn层、第二激活层、第四bn层及输出层；
11.获取当前环境状态量，根据所述当前环境状态量和所述函数关系，得到使得当前控制状态量最小的当前动作状态量，作为目标动作状态量；
12.根据所述目标动作状态量对所述空调系统进行节能控制。
13.在一种可选的方式中，环境状态量的参数为m个，动作状态量的参数为n个；
14.所述预设神经网络模型包括：
15.输入层，用于接收所述样本数据，其中所述输入层的节点数量为m n；
16.第一bn层，用于用于对所述输入层进行标准化处理；
17.第一全连接层，所述第一全连接层的节点数量为3*(m n)；
18.第二bn层，所述第二bn层用于对所述第一全连接层进行标准化处理；
19.第一激活层，所述第一激活层的激活函数为tanh；
20.第二全连接层，所述第二全连接层的节点数量为3*(m n)；
21.第三bn层，所述第三bn层用于对所述第二全连接层进行标准化处理；
22.第二激活层，所述第二激活层的激活函数为tanh；
23.第四bn层，所述第四bn层用于对所述第二激活层进行标准化处理；
24.输出层，所述输出层的节点数量为1。
25.在一种可选的方式中，获取当前环境状态量，根据所述当前环境状态量和所述函数关系，得到目标动作状态量，进一步包括：
26.获取预设时间段内的多个当前环境状态量；
27.根据所述预设时间段内的多个当前环境状态量和所述函数关系，分别获取预设时间段内使得当前控制状态量最小的多个当前动作状态量；
28.分别以每一个所述当前动作状态量作为所述预设时间段的整体动作状态量，根据预设时间段内的多个当前环境状态量及所述函数关系，计算得到多个预设时间段的当前整体控制状态量；
29.将所述多个当前整体控制状态量中最小的当前整体控制状态量对应的当前动作状态量作为预设时间段内的目标动作状态量；
30.将预设时间段内空调系统的动作状态量调整为所述目标动作状态量。
31.在一种可选的方式中，获取预设时间段内的多个当前环境状态量，进一步包括：
32.通过lstm算法或时间序列算法预测在预设时间段内的多个当前环境状态量。
33.在一种可选的方式中，根据所述历史环境状态量、历史动作状态量以及对应的历史控制状态量利用预设神经网络模型进行建模，得到环境状态量、历史动作状态量及控制状态量的函数关系，进一步包括：
34.采用bgd批梯度下降算法、adam优化算法及mse均方差损失函数对所述预设神经网络模型进行训练，得到最优训练结果，从而得到环境状态量、历史动作状态量及控制状态量
的函数关系。
35.在一种可选的方式中，在监测到空调系统的室外气候或内部结构发生改变时，采集最新记录的历史数据作为新的样本数据，对所述预设神经网络模型进行训练，得到新的环境状态量、历史动作状态量及控制状态量的函数关系。
36.根据本发明实施例的另一方面，提供了一种基于深度学习的空调系统节能控制装置，包括：
37.数据采集模块，用于采集样本数据，其中，所述样本数据包括空调系统的历史环境状态量、历史动作状态量以及对应的历史控制状态量；
38.建模模块，用于根据所述历史环境状态量、历史动作状态量以及对应的历史控制状态量利用预设神经网络模型进行建模，得到环境状态量、动作状态量及控制状态量的函数关系，其中，所述预设神经网络模型包括依次连接的输入层、第一bn层、第一全连接层、第二bn层、第一激活层、第二全连接层、第三bn层、第二激活层、第四bn层及输出层；
39.预测模块，用于获取当前环境状态量，根据所述当前环境状态量和所述函数关系，得到使得当前控制状态量最小的当前动作状态量，作为目标动作状态量；
40.调整模块，用于根据所述目标动作状态量对所述空调系统进行节能控制。
41.在一种可选的方式中，环境状态量的参数为m个，动作状态量的参数为n个；
42.所述预设神经网络模型包括：
43.输入层，所述输入层的节点数量为m n；
44.第一bn层，所述第一bn层用于对所述输入层进行标准化处理；
45.第一全连接层，所述第一全连接层的节点数量为3*(m n)；
46.第二bn层，所述第二bn层用于对所述第一全连接层进行标准化处理；
47.第一激活层，所述第一激活层的激活函数为tanh；
48.第二全连接层，所述第二全连接层的节点数量为3*(m n)；
49.第三bn层，所述第三bn层用于对所述第二全连接层进行标准化处理；
50.第二激活层，所述第二激活层的激活函数为tanh；
51.第四bn层，所述第四bn层用于对所述第二激活层进行标准化处理；
52.输出层，所述输出层的节点数量为1。
53.根据本发明实施例的另一方面，提供了一种基于深度学习的空调系统节能控制设备，包括：
54.处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
55.所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行上述的基于深度学习的空调系统节能控制方法的操作。
56.根据本发明实施例的又一方面，提供了一种计算机可读存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令在基于深度学习的空调系统节能控制设备/装置上运行时，使得基于深度学习的空调系统节能控制设备/装置执行上述的基于深度学习的空调系统节能控制方法的操作。
57.本发明实施例通过深度神经网络算法，对多变量的空调系统进行能耗的建模，建立境状态量、动作状态量及控制状态量的函数关系，降低能耗模型构建难度；并通过强化学
习的方法，对模型进行实时更新，使能耗模型逐步适应空调系统设备性能及建筑所处环境。
58.更加地，通过预测未来一段时间内的环境状态变化，用以调整空调系统的动作状态量，使之保持在未来环境状态量下的能耗最优，降低频繁动作调整产生的能耗浪费。
59.上述说明仅是本发明实施例技术方案的概述，为了能够更清楚了解本发明实施例的技术手段，而可依照说明书的内容予以实施，并且为了让本发明实施例的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
60.附图仅用于示出实施方式，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
61.图1示出了本发明实施例提供的空调系统节能控制方法的流程示意图；
62.图2示出了本发明实施例提供的空调系统节能控制装置的结构示意图；
63.图3示出了本发明实施例提供的空调系统节能控制设备的结构示意图。
具体实施方式
64.下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。
65.图1示出了本发明基于深度学习的空调系统节能控制方法实施例的流程图，该方法由基于深度学习的空调系统节能控制设备执行。如图1所示，该方法包括以下步骤：
66.步骤110：采集样本数据，其中，所述样本数据包括空调系统的历史环境状态量、历史动作状态量以及对应的历史控制状态量。
67.其中，对于空调系统，运行数据分为三类，分别是环境状态量、动作状态量及控制状态量。环境状态量e包括室外温度、湿度、太阳辐射强度、室内设备功率等，可用e(e1,e2,e3,
……
,e
n
)表示；动作状态量a包括制冷主机出水温度、冷却泵频率等ba系统(楼宇自控系统)上可以调节的变量，可用a(a1,a2,a3,
……
,a
n
)表示；控制状态量包括空调系统能耗、室内温度等，可用c(c1,c2,c3,
……
,c
n
)表示。环境状态量e为随着时间变化的状态量，动作状态量a为人工可调的状态量，环境状态量e和动作状态量a这两者决定控制状态量c的最终的数值。控制状态量e可以表征空调系统的能耗情况。
68.本实施例中，采集样本数据包括采集空调系统的历史环境状态量、历史动作状态量以及对应的历史控制状态量。由于历史动作状态量a一般变化频率较低，因此单独采用变化存储方式进行数据存储，降低数据存储所需空间。对于历史环境状态量e与历史控制状态量c进行周期性数据采集并记录。
69.步骤120：根据所述历史环境状态量、历史动作状态量以及对应的历史控制状态量利用预设神经网络模型进行建模，得到环境状态量、动作状态量及控制状态量的函数关系，其中，所述预设神经网络模型包括依次连接的输入层、第一bn层、第一全连接层、第二bn层、第一激活层、第二全连接层、第三bn层、第二激活层、第四bn层及输出层。
70.其中，由于空调系统中的动作状态量的数量较多及环境状态量的影响，通过传统的计算，难以得到确切的函数关系。本技术提案采用深度神经网络的算法，对空调系统环境
状态量、动作状态量及控制状态量三类状态量的监测。具体地，对于获取的不同历史环境状态量e和历史动作状态量a条件下的历史控制状态量c的数值，进行样本数据的清洗，得到样本集后，将该样本集分为70％训练样本集及30％测试样本集，将训练样本集带入构建的预设的神经网络模型中新型训练。其中，样本数据的清洗为样本数据的预处理，包括将样本数据中明显错误值、缺失值进行修正或者丢弃。
71.该预设神经网络模型为深度神经网络模型，包括依次连接的输入层、第一bn层、第一全连接层、第二bn层、第一激活层、第二全连接层、第三bn层、第二激活层、第四bn层及输出层。
72.具体地，本实施例中，设置环境状态量的参数为m个，动作状态量的参数为n个，则所述预设神经网络模型包括：
73.输入层，用于接收所述样本数据，其中所述输入层的节点数量为m n；
74.第一bn层，用于用于对所述输入层进行标准化处理；
75.第一全连接层，所述第一全连接层的节点数量为3*(m n)；
76.第二bn层，所述第二bn层用于对所述第一全连接层进行标准化处理；
77.第一激活层，所述第一激活层的激活函数为tanh；
78.第二全连接层，所述第二全连接层的节点数量为3*(m n)；
79.第三bn层，所述第三bn层用于对所述第二全连接层进行标准化处理；
80.第二激活层，所述第二激活层的激活函数为tanh；
81.第四bn层，所述第四bn层用于对所述第二激活层进行标准化处理；
82.输出层，所述输出层的节点数量为1。
83.将训练样本集依次输入输入层、第一bn层、第一全连接层、第二bn层、第一激活层、第二全连接层、第三bn层、第二激活层、第四bn层及输出层，进行卷积及标准化计算，从而得到环境状态量、动作状态量及控制状态量之间的函数关系c＝f(e,a)。本实施例中，在第一全连接层与第一激活层之间设置了第二bn层，对第一全连接层输入的数据进行标准化处理，这使得该本实施例中的样本数据无需在输入该预设神经网络模型前进行归一化处理，输入的样本数据可以是原始样本数据。从而使得样本数据后，得到的环境状态量、动作状态量或控制状态量也是原始数据，该原始数据指的是与空调系统的状态量参数一致的数据，也即，在将获取到的环境状态量无需归一化处理，直接输入该预设神经网络模型后，通过函数关系计算，得到动作状态量参数的参数值，该动作状态量参数的参数值可以直接作为空调系统的动作状态量参数进行使用。如，当环境状态量为室外温度为30度时，将该30度的数据输入预设神经网络模型，即可得到相应的动作状态量的参数值。这是由于对于空调系统的输入参数(环境状态量、动作状态量及控制状态量的各个参数)，已从物理采集层面进行特征化处理，因此不需要其它过多复杂的卷积等处理。
84.其中，由于控制状态量c中系统的温度一般不变，为所需恒定的温度，因此空调系统能耗，受环境状态量e和动作状态量a的影响，因此，以能耗为回归目标，得到q＝f(e,a)。q为空调能耗，e为外界天气(室外温度)，动作状态量a为空调系统上的遥控参数温度、湿度、风速等。随着外界温度的变化，空调能耗q也会随着变化，对动作状态量a的参数进行各种设置的组合，可以尽量降低空调能耗，从而实现空调能耗q在环境状态量e上的最小值。
85.在空调系统在室外气候、内部结构发生改变时，使得环境状态量c发生较大改变，
原有的预设神经网络模型构建的函数关系的准确度会发生下降；此外，由于深度神经网络自身过拟合及建筑内设备结构改变、性能衰减等问题，建立的能耗模型的预测值会与真实值发生较大偏差，因此当发生控制状态量的真实值c与模拟值cs具有较大偏差时，需要进行对模型的强化训练，提升深度神经网络模型的预测能力。本实施例中，当原有模型的预测准确度下降一定程度时，重新对最新记录的整体历史数据进行采集取样，重新训练新的能耗模型，以适应气候环境变化、建筑设备变化等情况。具体地，设定相应地判定条件，若最近n日平均准确度下降超过a值时，进行重新学习。如，n＝3，a＝1％，即最近3日平均准确度下降超过了1％时，重新进行预设神经网络模型的训练学习。通过该预设神经网络模型的结构，相比于普通前馈神经网络，具有更高的训练效率，准确率及泛化能力，样本数据不需要进行归一化或者标准化的处理即可输入预设神经网络模型进行训练。
86.步骤130：获取当前环境状态量，根据所述当前环境状态量和所述函数关系，得到使得当前控制状态量最小的当前动作状态量，作为目标动作状态量。
87.其中，通过预设神经网络模型训练后，得到了环境状态量、动作状态量及控制状态量之间的函数关系q＝f(e,a)，因此，在获取到当前环境状态量后，根据该函数关系，即可计算得到使得当前控制状态量最小的当前动作状态量，将其作为目标动作状态量。
88.本实施例中，受限于空调ba自控系统的执行逻辑及空调系统自身的热延时性能，当空调系统大量运行参数(动作状态量a的参数)发生状态设置值的改变时，空调系统可能会出现整体能耗一段时间突增的情况，即使从理论预设神经网络模型预测能耗会降低，但由于这一原因使得节能效果会被减弱，甚至能耗增加。根据试验情况得到，一般动作幅度越大，调整过程中的能耗越高。因此，空调系统不适宜快速地频繁调整。
89.基于上述原因，本实施例设置预设时间段n，在预设时间段n内采用同一个动作状态量，因此，需要对预设时间段n内的动作状态量a的参数进行状态寻优，即：求出未来一段n个时间段内，某个动作状态量a*，使得该n个时间段内的整体能耗最低。具体地，包括以下步骤：
90.步骤1301：获取预设时间段内的多个当前环境状态量。本实施例中，预设时间段为n个时间段(t,t 1,t 2... t n)，各个时间段的当前环境状态量通过lstm算法或时间序列算法预测得到。如：通过lstm算法预测得到未来的6个小时内，第1小时的室外温度(当前环境状态量)为25度，第2小时为27度，第3小时为29度，第4小时为30度，第5小时为29度，第6小时为27度。
91.步骤1302：根据所述预设时间段内的多个当前环境状态量和所述函数关系，分别获取预设时间段内使得当前控制状态量最小的多个当前动作状态量。得到n个时间段分别对应的环境状态量后，根据函数关系，可以得到每个时间段对应的使得当前时间段内的当前控制状态量最小的多个当前动作状态量。也即，在得到第1小时的室外温度为25度后，根据函数关系计算在室外温度为25度时使得能耗最小的第一当前动作状态量。在得到第2小时的室外温度为27度后，根据函数关系计算在室外温度为27度时使得能耗最小的第二当前动作状态量。直至计算得到第6个小时对应的第六当前动作状态量。
92.步骤1303：根据每一个所述当前动作状态量、预设时间段内的多个当前环境状态量及所述函数关系，计算得到多个预设时间段的当前总控制状态量。
93.由于获得了每个时间段对应的当前动作状态量，则分别以每一个当前动作状态量
作为该预设时间段的整体动作状态量，预测在n个时间段内室外温度随时间变化过程中的整体控制状态量的值。也即，以第一当前动作状态量作为该预设时间段的整体动作状态量，来计算该预设时间段内的第一整体能耗。再以第二当前动作状态量作为预设时间段内的整体动作状态量，来计算该预设时间段内的第二整体能耗，直至得到第六整体能耗。
94.步骤1304：将所述多个当前总控制状态量中最小的当前总控制状态量对应的当前动作状态量作为预设时间段内的目标动作状态量。也即，判断第一整体能耗、第二整体能耗、第三整体能耗....第六整体能耗中值最小的整体能耗所对应的当前动作状态量，作为目标动作状态量。
95.步骤1305：将预设时间段内空调系统的动作状态量调整为所述目标动作状态量。
96.本实施例中，状态寻优的过程可采用粒子群算法来实现，固定环境状态量e(即环境状态量e的变化是已知的)，仅对动作状态量a进行空间上的寻优，得到动作状态量a后，再限制动作状态量a内一组状态参数，使得输出量q的能耗值最低。具体地，采用粒子群算法来进行动作状态量a的状态参数寻优包括：设定优化目标，将多时间段内的能耗累积值作为优化目标，其优化目标为：
97.qtotal＝q
t
q
t 1
q
t 2

…
q
t n
98.其中，qtotal为t时刻至t n时刻整体能耗。即通过粒子群算法求出未来一段n个时间段内，某个动作状态量a*，使得该时间段内的整体能耗最低。对于整体能耗qtotal，n的取值越大，状态突变产生的能耗上升的效果越小，节能效果越好。并且，由于环境状态量的预测时通过算法来实现，对于环境状态量的预测值，n的取值越大，预测偏差越高，节能效果越低。本实施例中，n个时间段累计值为3～6小时之间的值。
99.步骤140：根据所述目标动作状态量对所述空调系统进行节能控制。对于预设时间段的情况，将目标动作状态量作为整个预设时间段的整体动作状态量，从而使得该预设时间段内的空调系统能耗最低。
100.本实施例中，还包括以下步骤：在对动作状态量状态寻优后，得到的未来一段时间预测的目标动作状态量a
new
。相对于与上一预设时间段的动作状态量a
last
产生节能效果未超过预设阈值时，不进行相关动作状态的调整。若调整至目标动作状态量a
new
后，产生标动作状态量的相关系统参数的波动，制冷量、水流量等安全性下降时，需回退至上一预设时间段的动作状态量a
last
，保证空调系统正常稳定输出冷量。这是考虑到节能是以安全为基础的，若节能量预测效果不明显，尽量以安全为主。本实施例中，所述预设阈值可根据节能与安全的平衡，设置为5％左右。
101.本发明实施例通过深度神经网络算法，对多变量的空调系统进行能耗的建模，建立境状态量、动作状态量及控制状态量的函数关系，降低能耗模型构建难度；并通过强化学习的方法，对模型进行实时更新，使能耗模型逐步适应空调系统设备性能及建筑所处环境。
102.更加地，通过预测未来一段时间内的环境状态变化，用以调整空调系统的动作状态量，使之保持在未来环境状态量下的能耗最优，降低频繁动作调整产生的能耗浪费。
103.图2示出了本发明基于深度学习的空调系统节能控制装置实施例的结构示意图。如图2所示，该装置200包括：数据采集模块210、建模模块220、预测模块230及调整模块240。
104.数据采集模块210，用于采集样本数据，其中，所述样本数据包括空调系统的历史环境状态量、历史动作状态量以及对应的历史控制状态量。
105.建模模块220，用于根据所述历史环境状态量、历史动作状态量以及对应的历史控制状态量利用预设神经网络模型进行建模，得到环境状态量、动作状态量及控制状态量的函数关系，其中，所述预设神经网络模型包括依次连接的输入层、第一bn层、第一全连接层、第二bn层、第一激活层、第二全连接层、第三bn层、第二激活层、第四bn层及输出层。
106.预测模块230，用于获取当前环境状态量，根据所述当前环境状态量和所述函数关系，得到使得当前控制状态量最小的当前动作状态量，作为目标动作状态量。
107.调整模块240，用于根据所述目标动作状态量对所述空调系统进行节能控制。
108.该装置200的工作过程与上述基于深度学习的空调系统节能控制方法的实施例具体步骤流程相同，具有相同的特征，此处不再赘述。
109.本发明实施例通过深度神经网络算法，对多变量的空调系统进行能耗的建模，建立境状态量、动作状态量及控制状态量的函数关系，降低能耗模型构建难度；并通过强化学习的方法，对模型进行实时更新，使能耗模型逐步适应空调系统设备性能及建筑所处环境。
110.更加地，通过预测未来一段时间内的环境状态变化，用以调整空调系统的动作状态量，使之保持在未来环境状态量下的能耗最优，降低频繁动作调整产生的能耗浪费。
111.图3示出了本发明基于深度学习的空调系统节能控制设备实施例的结构示意图，本发明具体实施例并不对基于深度学习的空调系统节能控制设备的具体实现做限定。
112.如图3所示，该基于深度学习的空调系统节能控制设备可以包括：处理器(processor)302、通信接口(communications interface)304、存储器(memory)306、以及通信总线308。
113.其中：处理器302、通信接口304、以及存储器306通过通信总线308完成相互间的通信。通信接口304，用于与其它设备比如客户端或其它服务器等的网元通信。处理器302，用于执行程序310，具体可以执行上述用于基于深度学习的空调系统节能控制方法实施例中的相关步骤。
114.具体地，程序310可以包括程序代码，该程序代码包括计算机可执行指令。
115.处理器302可能是中央处理器cpu，或者是特定集成电路asic(application specific integrated circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。基于深度学习的空调系统节能控制设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个cpu；也可以是不同类型的处理器，如一个或多个cpu以及一个或多个asic。
116.存储器306，用于存放程序310。存储器306可能包含高速ram存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
117.程序310具体可以被处理器302调用使基于深度学习的空调系统节能控制设备执行以下操作：
118.采集样本数据，其中，所述样本数据包括空调系统的历史环境状态量、历史动作状态量以及对应的历史控制状态量；
119.根据所述历史环境状态量、历史动作状态量以及对应的历史控制状态量利用预设神经网络模型进行建模，得到环境状态量、动作状态量及控制状态量的函数关系，其中，所述预设神经网络模型包括依次连接的输入层、第一bn层、第一全连接层、第二bn层、第一激活层、第二全连接层、第三bn层、第二激活层、第四bn层及输出层；
120.获取当前环境状态量，根据所述当前环境状态量和所述函数关系，得到使得当前控制状态量最小的当前动作状态量，作为目标动作状态量；
121.根据所述目标动作状态量对所述空调系统进行节能控制。
122.在一种可选的方式中，环境状态量的参数为m个，动作状态量的参数为n个；
123.所述预设神经网络模型包括：
124.输入层，用于接收所述样本数据，其中所述输入层的节点数量为m n；
125.第一bn层，用于用于对所述输入层进行标准化处理；
126.第一全连接层，所述第一全连接层的节点数量为3*(m n)；
127.第二bn层，所述第二bn层用于对所述第一全连接层进行标准化处理；
128.第一激活层，所述第一激活层的激活函数为tanh；
129.第二全连接层，所述第二全连接层的节点数量为3*(m n)；
130.第三bn层，所述第三bn层用于对所述第二全连接层进行标准化处理；
131.第二激活层，所述第二激活层的激活函数为tanh；
132.第四bn层，所述第四bn层用于对所述第二激活层进行标准化处理；
133.输出层，所述输出层的节点数量为1。
134.在一种可选的方式中，获取当前环境状态量，根据所述当前环境状态量和所述函数关系，得到目标动作状态量，进一步包括：
135.获取预设时间段内的多个当前环境状态量；
136.根据所述预设时间段内的多个当前环境状态量和所述函数关系，分别获取预设时间段内使得当前控制状态量最小的多个当前动作状态量；
137.分别以每一个所述当前动作状态量作为所述预设时间段的整体动作状态量，根据预设时间段内的多个当前环境状态量及所述函数关系，计算得到多个预设时间段的当前整体控制状态量；
138.将所述多个当前整体控制状态量中最小的当前整体控制状态量对应的当前动作状态量作为预设时间段内的目标动作状态量；
139.将预设时间段内空调系统的动作状态量调整为所述目标动作状态量。
140.在一种可选的方式中，获取预设时间段内的多个当前环境状态量，进一步包括：
141.通过lstm算法或时间序列算法预测在预设时间段内的多个当前环境状态量。
142.在一种可选的方式中，根据所述历史环境状态量、历史动作状态量以及对应的历史控制状态量利用预设神经网络模型进行建模，得到环境状态量、历史动作状态量及控制状态量的函数关系，进一步包括：
143.采用bgd批梯度下降算法、adam优化算法及mse均方差损失函数对所述预设神经网络模型进行训练，得到最优训练结果，从而得到环境状态量、历史动作状态量及控制状态量的函数关系。
144.在一种可选的方式中，在监测到空调系统的室外气候或内部结构发生改变时，采集最新记录的历史数据作为新的样本数据，对所述预设神经网络模型进行训练，得到新的环境状态量、历史动作状态量及控制状态量的函数关系。
145.本发明实施例通过深度神经网络算法，对多变量的空调系统进行能耗的建模，建立境状态量、动作状态量及控制状态量的函数关系，降低能耗模型构建难度；并通过强化学
习的方法，对模型进行实时更新，使能耗模型逐步适应空调系统设备性能及建筑所处环境。
146.更加地，通过预测未来一段时间内的环境状态变化，用以调整空调系统的动作状态量，使之保持在未来环境状态量下的能耗最优，降低频繁动作调整产生的能耗浪费。
147.本发明实施例提供了一种计算机可读存储介质，所述存储介质存储有至少一可执行指令，该可执行指令在基于深度学习的空调系统节能控制设备/装置上运行时，使得所述基于深度学习的空调系统节能控制设备/装置执行上述任意方法实施例中的基于深度学习的空调系统节能控制方法。
148.可执行指令具体可以用于使得空调系统节能控制设备/装置执行以下操作：
149.采集样本数据，其中，所述样本数据包括空调系统的历史环境状态量、历史动作状态量以及对应的历史控制状态量；
150.根据所述历史环境状态量、历史动作状态量以及对应的历史控制状态量利用预设神经网络模型进行建模，得到环境状态量、动作状态量及控制状态量的函数关系，其中，所述预设神经网络模型包括依次连接的输入层、第一bn层、第一全连接层、第二bn层、第一激活层、第二全连接层、第三bn层、第二激活层、第四bn层及输出层；
151.获取当前环境状态量，根据所述当前环境状态量和所述函数关系，得到使得当前控制状态量最小的当前动作状态量，作为目标动作状态量；
152.根据所述目标动作状态量对所述空调系统进行节能控制。
153.在一种可选的方式中，环境状态量的参数为m个，动作状态量的参数为n个；
154.所述预设神经网络模型包括：
155.输入层，用于接收所述样本数据，其中所述输入层的节点数量为m n；
156.第一bn层，用于用于对所述输入层进行标准化处理；
157.第一全连接层，所述第一全连接层的节点数量为3*(m n)；
158.第二bn层，所述第二bn层用于对所述第一全连接层进行标准化处理；
159.第一激活层，所述第一激活层的激活函数为tanh；
160.第二全连接层，所述第二全连接层的节点数量为3*(m n)；
161.第三bn层，所述第三bn层用于对所述第二全连接层进行标准化处理；
162.第二激活层，所述第二激活层的激活函数为tanh；
163.第四bn层，所述第四bn层用于对所述第二激活层进行标准化处理；
164.输出层，所述输出层的节点数量为1。
165.在一种可选的方式中，获取当前环境状态量，根据所述当前环境状态量和所述函数关系，得到目标动作状态量，进一步包括：
166.获取预设时间段内的多个当前环境状态量；
167.根据所述预设时间段内的多个当前环境状态量和所述函数关系，分别获取预设时间段内使得当前控制状态量最小的多个当前动作状态量；
168.分别以每一个所述当前动作状态量作为所述预设时间段的整体动作状态量，根据预设时间段内的多个当前环境状态量及所述函数关系，计算得到多个预设时间段的当前整体控制状态量；
169.将所述多个当前整体控制状态量中最小的当前整体控制状态量对应的当前动作状态量作为预设时间段内的目标动作状态量；
170.将预设时间段内空调系统的动作状态量调整为所述目标动作状态量。
171.在一种可选的方式中，获取预设时间段内的多个当前环境状态量，进一步包括：
172.通过lstm算法或时间序列算法预测在预设时间段内的多个当前环境状态量。
173.在一种可选的方式中，根据所述历史环境状态量、历史动作状态量以及对应的历史控制状态量利用预设神经网络模型进行建模，得到环境状态量、历史动作状态量及控制状态量的函数关系，进一步包括：
174.采用bgd批梯度下降算法、adam优化算法及mse均方差损失函数对所述预设神经网络模型进行训练，得到最优训练结果，从而得到环境状态量、历史动作状态量及控制状态量的函数关系。
175.在一种可选的方式中，在监测到空调系统的室外气候或内部结构发生改变时，采集最新记录的历史数据作为新的样本数据，对所述预设神经网络模型进行训练，得到新的环境状态量、历史动作状态量及控制状态量的函数关系。
176.本发明实施例通过深度神经网络算法，对多变量的空调系统进行能耗的建模，建立境状态量、动作状态量及控制状态量的函数关系，降低能耗模型构建难度；并通过强化学习的方法，对模型进行实时更新，使能耗模型逐步适应空调系统设备性能及建筑所处环境。
177.更加地，通过预测未来一段时间内的环境状态变化，用以调整空调系统的动作状态量，使之保持在未来环境状态量下的能耗最优，降低频繁动作调整产生的能耗浪费。
178.本发明实施例提供一种基于深度学习的空调系统节能控制装置，用于执行上述基于深度学习的空调系统节能控制方法。
179.本发明实施例提供了一种计算机程序，所述计算机程序可被处理器调用使基于深度学习的空调系统节能控制设备执行上述任意方法实施例中的基于深度学习的空调系统节能控制方法。
180.本发明实施例提供了一种计算机程序产品，计算机程序产品包括存储在计算机可读存储介质上的计算机程序，计算机程序包括程序指令，当程序指令在计算机上运行时，使得所述计算机执行上述任意方法实施例中的基于深度学习的空调系统节能控制方法。
181.在此提供的算法或显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明实施例也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
182.在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
183.类似地，应当理解，为了精简本发明并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。
184.本领域技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或
组件组合成一个模块或单元或组件，以及可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
185.应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。上述实施例中的步骤，除有特殊说明外，不应理解为对执行顺序的限定。