【技術實現步驟摘要】
本專利技術涉及空調控制，具體為空調負荷數據控制方法及系統。
技術介紹
1、在當前的空調負荷數據控制領域，隨著智能建筑與能源管理系統的快速發展，對空調系統進行高效、精準的負荷預測與優化控制成為了提升能源利用效率、降低運營成本的關鍵。
2、近年來，隨著數據科學和機器學習技術的興起，一些基于數據驅動的空調負荷預測和控制方法逐漸被應用。然而，這些方法在實際應用中仍面臨諸多挑戰。
3、傳統的機器學習模型往往依賴于大量的標注數據來進行訓練，但在空調負荷控制領域，高質量的歷史數據往往難以獲取，且數據之間存在較大的差異性和不完整性，這嚴重制約了模型的學習效果和泛化能力。另一方面，即使能夠獲取到足夠的數據，由于空調系統運行的復雜性和動態性，單一模型很難適應不同場景下的負荷控制需求，導致模型在實際應用中的魯棒性和適應性較差。
技術實現思路
1、本專利技術的目的在于提供空調負荷數據控制方法及系統，以解決上述
技術介紹
中提出的問題。
2、為實現上述目的，本專利技術提供如下技術方案：空調負荷數據控制方法，所述方法包括：
3、s1：收集空調的氣象參數和負荷參數，并對收集到的數據進行清洗、時間戳定義和標準化處理；
4、s2：根據收集到的數據定義特征向量，并生成若干組組合特征，形成特征數據集；
5、s3：使用神經網絡算法構建負荷預測模型，利用步驟s2獲取的特征數據集生成源域數據集與目標域數據集，并使用源域數據集預訓練負荷預測模型；
7、s5：將負荷預測模型的參數遷移到新任務的模型中，凍結部分網絡層的參數，獲得初始化后的增強學習模型；所述增強學習模型用于預測空調溫度的最優設定；
8、s6：使用目標域數據集訓練增強學習模型中未凍結層的參數，并微調模型；
9、s7：實時獲取天氣數據，利用訓練后的增強學習模型給出最優的空調溫度設定，實現負荷優化控制。
10、優選的，步驟s1中，數據清洗的方式包括數據缺失值處理和數據去噪：
11、對于缺失值，采用線性插值算法進行填充；
12、對于噪聲數據，采用滑動平均濾波算法進行數據去噪，其算法公式為：
13、
14、其中，y[n]為去噪后的數據，x[n]為原始數據，n為滑動窗口的大小。
15、優選的，步驟s1中，使用z-score方法對數據進行標準化處理，將每個數值數據減去其均值并除以其標準差，使得處理后的數據符合標準正態分布，標準化處理的公式為：其中，x為原始數據，μ為原始數據的均值，σ為原始數據的標準差，z為標準化后的數據。
16、優選的，步驟s2中，定義的特征向量包括空調的最大負荷、最小負荷、負荷標準差、負荷平均值、第一時間戳和第二時間戳，以及室外環境的溫度和濕度。
17、優選的，采用長短時記憶網絡lstm模型構建負荷預測模型，具體步驟為：
18、對模型的參數進行初始化，初始化的參數包括：初始化lstm模型的結構參數，包括輸入層的特征維度、隱藏層的層數及每層隱藏單元的數量、輸出層的節點數，其中輸入層的特征維度與提取的空調負荷相關特征數量相匹配，輸出層的節點數等于預測的目標數量，即所有空調負荷狀態的預測值；初始化模型權重和偏置，采用小隨機數進行初始化；設置lstm模型的激活函數，包括設置sigmoid函數用于門控機制，設置tanh函數用于候選記憶單元和隱藏狀態的計算；配置優化算法，并設置學習率參數；
19、使用源域數據集對所選模型進行迭代訓練；
20、在訓練過程中，定期使用驗證集評估模型性能，直到模型的性能滿足，訓練完成后，保存模型的權重和偏置。
21、優選的，在模型訓練過程中，采用均方誤差mse算法評估負荷預測模型的性能，具體算法為：
22、
23、其中，n為數據點的數量，ypred,i為模型預測的負荷值，yactual,i為真實的負荷值；根據mse值評估模型的預測精度，mse值越小，表示模型的預測精度越高。
24、優選的，步驟s4中，數據增強的方式包括數據生成、數據變換和數據混合，實現方式包括：
25、數據生成：對于空調負荷數據集中的每一個樣本xold，通過添加一定范圍內的隨機數生成新的數據xnew；
26、數據變換：對于空調負荷數據集中的標簽值yold，通過數學變換生成新的標簽值ynew，其中ynew＝f(yold)，f表示數據變換操作，包括對數變換、指數變換和線性變換，用于增加模型對不同標簽值分布的適應性；
27、數據混合：從空調負荷數據集中隨機選取兩個不同類別的樣本x1和x2，按照設定的混合比例α，生成新的混合樣本z，z的計算公式為：
28、z＝αx1+(1-α)x2
29、其中，α的取值范圍在0到1之間。
30、優選的，步驟s6實現方式為：
31、導入經過數據增強處理后的目標域數據集至增強學習模型中；
32、初始化增強學習模型中未凍結層的參數，設置學習率和迭代次數；
33、在訓練過程中，采用反向傳播算法計算損失函數值，通過優化算法調整未凍結層的參數以最小化損失函數；
34、迭代訓練至達到預設的停止條件，包括達到最大迭代次數或損失函數值收斂至預設閾值；
35、保存訓練后的增強學習模型參數，用于后續的空調溫度最優設定預測。
36、優選的，一種空調負荷數據控制系統，包括數據預處理層、特征提取層、模型訓練層和控制執行層；
37、所述數據預處理層包括數據清洗模塊和時間戳定義及標準化模塊；所述數據清洗模塊用于對收集到的空調氣象參數和負荷參數進行清洗處理；所述時間戳定義及標準化模塊用于對清洗后的數據進行時間戳定義和標準化處理；
38、所述特征提取層包括特征向量定義模塊和組合特征生成模塊；所述特征向量定義模塊用于根據預處理后的數據定義特征向量；所述組合特征生成模塊用于生成若干組組合特征，形成特征數據集；
39、所述模型訓練層包括負荷預測模型構建模塊、數據增強模塊、參數遷移模塊和增強學習模塊；所述負荷預測模型構建模塊使用神經網絡算法構建負荷預測模型，并利用特征數據集生成源域數據集與目標域數據集，使用源域數據集預訓練負荷預測模型；所述數據增強模塊用于對目標域數據集進行增強，生成新的數據樣本；所述參數遷移模塊將負荷預測模型的參數遷移到新任務的模型中，并凍結部分網絡層的參數；所述增強學習模塊獲得初始化后的增強學習模型，使用目標域數據集訓練增強學習模型中未凍結層的參數，并微調模型；
40、所述控制執行層包括實時數據獲取模塊和最優設定輸出模塊；所述實時數據獲取模塊用于實時獲取天氣數據；所述最優設定輸出模塊利用訓練后的增強學習模型給出最優的空調溫度設定，實現負荷優化控制。
41、與現有技術相比，本文檔來自技高網...
【技術保護點】
1.空調負荷數據控制方法，其特征在于，所述方法包括：
2.根據權利要求1所述的空調負荷數據控制方法，其特征在于，步驟S1中，數據清洗的方式包括數據缺失值處理和數據去噪：
3.根據權利要求1所述的空調負荷數據控制方法，其特征在于：步驟S1中，使用Z-score方法對數據進行標準化處理，將每個數值數據減去其均值并除以其標準差，使得處理后的數據符合標準正態分布，標準化處理的公式為：其中，X為原始數據，μ為原始數據的均值，σ為原始數據的標準差，Z為標準化后的數據。
4.根據權利要求1所述的空調負荷數據控制方法，其特征在于：步驟S2中，定義的特征向量包括空調的最大負荷、最小負荷、負荷標準差、負荷平均值、第一時間戳和第二時間戳，以及室外環境的溫度和濕度。
5.根據權利要求1所述的空調負荷數據控制方法，其特征在于，采用長短時記憶網絡LSTM模型構建負荷預測模型，具體步驟為：
6.根據權利要求5所述的空調負荷數據控制方法，其特征在于，在模型訓練過程中，采用均方誤差MSE算法評估負荷預測模型的性能，具體算法為：
7.根據權利要
8.根據權利要求7所述的空調負荷數據控制方法，其特征在于，步驟S6實現方式為：
9.一種空調負荷數據控制系統，其特征在于：
...【技術特征摘要】
1.空調負荷數據控制方法，其特征在于，所述方法包括：
2.根據權利要求1所述的空調負荷數據控制方法，其特征在于，步驟s1中，數據清洗的方式包括數據缺失值處理和數據去噪：
3.根據權利要求1所述的空調負荷數據控制方法，其特征在于：步驟s1中，使用z-score方法對數據進行標準化處理，將每個數值數據減去其均值并除以其標準差，使得處理后的數據符合標準正態分布，標準化處理的公式為：其中，x為原始數據，μ為原始數據的均值，σ為原始數據的標準差，z為標準化后的數據。
4.根據權利要求1所述的空調負荷數據控制方法，其特征在于：步驟s2中，定義的特征向量包括空調的最大負荷、最小負荷、負荷標準差、負荷平...
【專利技術屬性】
技術研發人員：許蘇軍，陳凱，管相東，邢穎，
申請(專利權)人：江蘇征途技術股份有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。