【技術實現步驟摘要】
本專利技術屬于地鐵站環境調控，更具體的，涉及一種基于深度學習的地鐵站環控風水聯動節能優化控制方法。
技術介紹
1、在現代地鐵站運行中，為保障乘客舒適度與站內設備穩定性，環控風水聯動系統已成為關鍵基礎設施。該系統通過綜合調控站內空氣流量、溫濕度與水冷循環，實現站內微環境的動態平衡與節能運營。
2、當前技術多采用基于傳統控制模型與經驗參數的策略，對恒定客流和穩定環境參數調整具有一定成效。然而，當列車進出站時，站臺區會受到瞬時壓力波與熱擾動沖擊（典型壓力波動范圍約±50?pa，列車車廂溫度通常高出站臺溫度2-3℃），導致系統能耗劇烈波動與調控滯后。這種傳統控制方法在應對快速、非線性、強耦合的動態變化方面存在顯著不足，難以實現精細化、實時化的節能優化控制。
技術實現思路
1、為解決現有技術中存在的不足，本專利技術的目的在于解決上述缺陷，進而提出一種基于深度學習的地鐵站環控風水聯動節能優化控制方法。
2、本專利技術采用如下的技術方案。
3、本專利技術第一方面公開了一種基于深度學習的地鐵站環控風水聯動節能優化控制方法，所述方法包括：
4、獲取列車運行狀態、站內環境數據以及環控設備數據，并對所述列車運行狀態、站內環境數據以及環控設備數據進行預處理，得到時間序列數據矩陣；
5、通過非負矩陣分解對所述時間序列數據矩陣進行分解，以提取所述時間序列數據矩陣中的擾動特性，并輸出盲源分離結果矩陣；
6、通過卷積神經網絡對所述盲源分離結果
7、將所述空間特征向量作為循環神經網絡中雙向gru結構的輸入，以捕捉動態擾動的時間變化規律，生成隱含狀態序列；
8、基于所述隱含狀態序列，在所述循環神經網絡的輸出層引入注意力機制，以關注列車進站時的隱含狀態，并通過權重加權生成優化后的擾動特征表示；
9、將優化后的擾動特征表示作為全連接層的輸入，生成并輸出相應的節能策略類別；
10、其中，所述列車運行狀態包括列車速度和列車進站時間，所述站內環境數據包括氣壓、溫度和濕度，所述環控設備數據包括風機轉速、冷水流量以及空調制冷負荷，所述擾動特性包括壓力波強度和熱擾動模式，所述空間模式包括地鐵站內不同區域的壓力波分布和熱量傳遞路徑。
11、進一步的，所述站內環境數據和環控設備數據為根據地鐵站環控需求布置的傳感器或設備所采集的數據，用于反映列車進出站所引發的壓力波和熱擾動；
12、所述獲取列車運行狀態、站內環境數據以及環控設備數據，并對所述列車運行狀態、站內環境數據以及環控設備數據進行預處理，得到時間序列數據矩陣，包括：
13、采用相同的時間間隔將所述站內環境數據和環控設備數據按照時間戳進行對齊，得到采集數據向量，所述采集數據向量的表達式為：
14、
15、式中，表示在時間的采集數據向量，為時間的氣壓數據，為時間的溫度數據，為時間的濕度數據，為時間的風機轉速數據，為時間的冷水流量數據，為時間的制冷負荷數據；
16、通過低通濾波濾除所述采集數據向量中的高頻噪聲，同時采用帶通濾波器保留預設頻率范圍內的信號，以及采用三倍標準差規則進行異常值剔除，且剔除的異常值用線性插值替代；
17、對濾波去噪以及異常值剔除后的采集數據向量進行時間窗切片，并將分割后的時間序列存儲為矩陣形式，以獲取所述時間序列數據矩陣，所述時間序列數據矩陣的表達式為：
18、
19、式中，為分割后的時間序列數據矩陣，為采樣點的數據量，在所述時間序列數據矩陣中，每行代表一個變量的時間序列，每列代表任一時間點的所有變量。
20、進一步的，所述通過非負矩陣分解對所述時間序列數據矩陣進行分解，以提取所述時間序列數據矩陣中的擾動特性，并輸出盲源分離結果矩陣，包括：
21、獲取所述時間序列數據矩陣的定義維度，并基于所述定義維度通過所述非負矩陣分解對所述時間序列數據矩陣進行分解，分解表達式為：
22、
23、式中，為所述時間序列數據矩陣，維度為定義維度m×n；為特征基矩陣，維度為m×r，用于表征r個特征基的權重，且每行對應m個變量；為激活矩陣，維度為r×n，用于表征每個特征基在n個時間點上的強度；r為分解的特征數，且滿足；
24、通過優化目標函數最小化矩陣重構誤差，并通過迭代優化算法對所述特征基矩陣和激活矩陣進行更新，所述迭代優化算法包括乘法更新規則，所述目標函數的表達式為：
25、
26、式中，為frobenius范數，表示矩陣元素平方和的平方根，且，用于矩陣元素的非負約束。
27、進一步的，所述通過非負矩陣分解對所述時間序列數據矩陣進行分解，以提取所述時間序列數據矩陣中的擾動特性，并輸出盲源分離結果矩陣，還包括：
28、對所述非負矩陣分解對所述時間序列數據矩陣的分解結果進行分析，并分別對所述激活矩陣和特征基矩陣進行歸一化處理，以基于所述激活矩陣中變量的最大值與分布從所述激活矩陣中提取出關鍵擾動時刻，以及通過對比所述特征基矩陣的列向量提取關鍵變量；
29、基于歸一化處理后的所述激活矩陣和特征基矩陣重構并輸出所述盲源分離結果矩陣；
30、其中，所述激活矩陣的歸一化處理表達式為：
31、
32、式中，為歸一化后的激活矩陣，表示激活矩陣中每行的最大值；
33、所述特征基矩陣的歸一化處理表達式為：
34、
35、式中，為歸一化后的特征基矩陣，表示特征基矩陣中的列和；
36、所述盲源分離結果矩陣的重構表達式為：
37、
38、式中，為所述盲源分離結果矩陣，維度為m×n，所述盲源分離結果矩陣的每列表示時間點對應的盲源特性，包含關鍵擾動信息。
39、進一步的，所述通過卷積神經網絡對所述盲源分離結果矩陣進行卷積操作，以提取所述擾動特性的空間模式，并通過池化降維生成空間特征向量，包括：
40、調用所述卷積神經網絡通過卷積操作識別所述盲源分離結果矩陣中的局部模式，并基于定義的卷積核進行卷積計算，得到卷積后的輸出矩陣；
41、通過非線性激活函數對所述卷積后的輸出矩陣進行處理，以及通過池化操作壓縮矩陣尺寸，并將池化后的矩陣拉直，得到所述空間特征向量；
42、其中，所述空間特征向量的表達式為：
43、
44、式中，為空間特征向量，長度為池化后矩陣的元素總數p×q，為池化后的矩陣。
45、進一步的，所述雙向gru結構包括正向gru和反向gru，用于通過更新門和重置門控制信息的傳遞，所述更新門和重置門用于通過sigmoid激活函數確定保留的空間特征信息和遺忘的空間特征信息；
46、所述將所述空間特征向量作為循環神經網絡中雙向gru結構的輸入，本文檔來自技高網...
【技術保護點】
1.一種基于深度學習的地鐵站環控風水聯動節能優化控制方法，其特征在于，所述方法包括：
2.根據權利要求1所述的基于深度學習的地鐵站環控風水聯動節能優化控制方法，其特征在于，所述站內環境數據和環控設備數據為根據地鐵站環控需求布置的傳感器或設備所采集的數據，用于反映列車進出站所引發的壓力波和熱擾動；
3.根據權利要求2所述的基于深度學習的地鐵站環控風水聯動節能優化控制方法，其特征在于，所述通過非負矩陣分解對所述時間序列數據矩陣進行分解，以提取所述時間序列數據矩陣中的擾動特性，并輸出盲源分離結果矩陣，包括：
4.根據權利要求3所述的基于深度學習的地鐵站環控風水聯動節能優化控制方法，其特征在于，所述通過非負矩陣分解對所述時間序列數據矩陣進行分解，以提取所述時間序列數據矩陣中的擾動特性，并輸出盲源分離結果矩陣，還包括：
5.根據權利要求4所述的基于深度學習的地鐵站環控風水聯動節能優化控制方法，其特征在于，所述通過卷積神經網絡對所述盲源分離結果矩陣進行卷積操作，以提取所述擾動特性的空間模式，并通過池化降維生成空間特征向量，包括：
6
7.根據權利要求6所述的基于深度學習的地鐵站環控風水聯動節能優化控制方法，其特征在于，所述基于所述隱含狀態序列，在所述循環神經網絡的輸出層引入注意力機制，以關注列車進站時的隱含狀態，并通過權重加權生成優化后的擾動特征表示，包括：
8.根據權利要求7所述的基于深度學習的地鐵站環控風水聯動節能優化控制方法，其特征在于，所述將優化后的擾動特征表示作為全連接層的輸入，生成并輸出相應的節能策略類別，包括：
9.一種終端，包括處理器及存儲介質；其特征在于：
10.計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，該程序被處理器執行時實現權利要求1-8任一項所述方法的步驟。
...【技術特征摘要】
1.一種基于深度學習的地鐵站環控風水聯動節能優化控制方法，其特征在于，所述方法包括：
2.根據權利要求1所述的基于深度學習的地鐵站環控風水聯動節能優化控制方法，其特征在于，所述站內環境數據和環控設備數據為根據地鐵站環控需求布置的傳感器或設備所采集的數據，用于反映列車進出站所引發的壓力波和熱擾動；
3.根據權利要求2所述的基于深度學習的地鐵站環控風水聯動節能優化控制方法，其特征在于，所述通過非負矩陣分解對所述時間序列數據矩陣進行分解，以提取所述時間序列數據矩陣中的擾動特性，并輸出盲源分離結果矩陣，包括：
4.根據權利要求3所述的基于深度學習的地鐵站環控風水聯動節能優化控制方法，其特征在于，所述通過非負矩陣分解對所述時間序列數據矩陣進行分解，以提取所述時間序列數據矩陣中的擾動特性，并輸出盲源分離結果矩陣，還包括：
5.根據權利要求4所述的基于深度學習的地鐵站環控風水聯動節能優化控制方法，其特征在于，所述通過卷積神經網絡對所述盲源分離結果矩陣進行卷積操作，以提取所述擾動特性的空間模式...
【專利技術屬性】
技術研發人員：李輝，黃政，偶洋，
申請(專利權)人：南京深度智控科技有限公司，
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。