一种基于深度学习的中央空调系统控制数据实时设置方法

技术领域

本发明涉及控制系统技术领域，具体涉及一种基于深度学习的中央空调系统控制数据实时设置方法。

背景技术

为什么自控系统中，在多变量非线性反馈中表现非常差，常常不能满足于我们的控制要求。就算通过参数调整，也只能短暂的适用于某一些区间，当控制对象数据发生较大变化时，无法很好的应对，达不到很好的控制效果。因为普通的自控系统没有经验体系。不能够把昨天的控制经验，传递给今天的实际控制过程，所以无法，越来越聪明的运行。运行结果只取决于工程师参数设定的范围，一旦系统运行状态超出了这个预估范围，那么系统无法进行很好的自动适应控制需求。例如在中央空调的控制系统，不仅无法很好的根据用户的个性需求进行自动控制，而且控制系统的运行方式较为单一，往往根据设置的温度，控制系统内的冷冻水、冷却水、冷却塔等组件的运行方式固定不便，不能自适应的进行调整其运行效率，运行能效。

深度学习(DL，DeepLearning)是机器学习(ML，MachineLearning)领域中一个新的研究方向，它被引入机器学习使其更接近于最初的目标——人工智能(AI，ArtificialIntelligence)。深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。深度学习是一个复杂的机器学习算法，在语音和图像识别方面取得的效果，远远超过先前相关技术。深度学习在搜索技术，数据挖掘，机器学习，机器翻译，自然语言处理，多媒体学习，语音，推荐和个性化技术，以及其他相关领域都取得了很多成果。深度学习使机器模仿视听和思考等人类的活动，解决了很多复杂的模式识别难题，使得人工智能相关技术取得了很大进步。

同时，深度学习的出现使得中央空调自控系统中系统无法进行很好的自动适应控制需求的问题得到解决的办法，基于此，本发明提出一种基于深度学习的中央空调系统控制数据实时设置方法。

发明内容

发明目的：

本发明为了克服现有技术存在的问题，提供一种基于深度学习的中央空调系统控制数据实时设置方法，通过深度学习使中央空调系统能够分析出运行数据是否在最佳范围内，如果出现偏差，根据环境数据对所述实时运行数据进行神经网络训练，将训练结果自动导入修改和对工作模式进行动态调整，以使系统实现最有的运行状态，并且系统能够具备一定的学习能力，能够胜任任更复杂的，逻辑变化更多的复杂性系统，解决了中央空调自控系统中系统无法进行很好的自动适应控制需求的问题。

为解决上述问题，本发明采用以下技术方案：

一种基于深度学习的中央空调系统控制数据实时设置方法，包括以下步骤：

S1、建立中央空调运行策略库；

S2、获取中央空调工作时的环境数据和运行数据；

S3、进行状态分析，判断当前环境数据下中央空调的关键性运行数据是否在合理区间内；

S4、在合理区间内，则根据策略库中相应的指令输出数据控制运行；不在合理区间内，根据环境数据对所述实时运行数据进行神经网络训练，对训练结果进行反馈评估，若反馈结果在设定范围内，将训练结果自动导入修改和对工作模式进行动态调整；若反馈结果不在设定范围内，对其进行惩罚，并采用策略库中最相近的策略进行运行；

环境数据包括室内温度，室外温度，空间的大小，温度的设定，运行时间的设定，风速的设定，能效的设定；

神经网络训练方法包括对环境数据设置不同的权重参数进行计算，在进行权重参数计算完之后进行非线性变换，设置损失函数对其进行惩罚，在训练过程中不断改进，通过反向传播构造出各个环境数据对应的相关性函数，根据相关性函数制定相应环境下空调的运行策略。

优选的，所述运行数据包括冷冻水循环系统运行数据，冷却水循环系统运行数据，冷却塔系统运行数据，然后冷机能量控制系统运行数据，制冷机组的运行数据，室内实时温度数据。

优选的，所述反馈结果包括对运行数据计算出的运行效果、运行效率和运行能效，根据温度的设定，运行时间的设定，风速的设定，能效的设定对运行效果、运行效率和运行能效设置不同的得分值。

优选的，所述策略库存储有采用神经网络训练预训练的实时控制的方法。

优选的，预训练过程中每一次训练每层选择丢弃一定数量的神经元。

优选的，所述非线性变换采用为ReLU函数。

优选的，所述神经网络训练包括对数据进行预处理和参数初始化，所述参数初始化使用随机策略。

优选的，神经网络训练层数选择28层。

本发明还公开了一种基于深度学习的中央空调控制系统，包括

策略库：存储有预训练的中央空调控制方法；

数据采集模块：对环境中的各种数据进行采集，以及对中央空调系统内各组件的运行状态进行收集；

策略分析模块：对采集到的环境数据分析央空调的关键性运行数据是否在合理区间内；

控制输出模块：控制输出模块根据策略分析模块的分析进行控制输出，在状态分析时运行数据在合理范围内对其直接输出；

深度学习模块：深度学习模块对不在合理区间内的运行数据进行神经网络训练。

有益效果：与现有技术相比，本发明具有以下优点：

通过深度学习使中央空调系统能够分析出运行数据是否在最佳范围内，如果出现偏差，根据环境数据对所述实时运行数据进行神经网络训练，将训练结果自动导入修改和对工作模式进行动态调整，以使系统实现最有的运行状态，并且系统能够具备一定的学习能力，能够胜任任更复杂的，逻辑变化更多的复杂性系统。

附图说明

图1是本发明中央空调系统控制数据实时设置的方法；

图2是本发明神经网络训练方法；

图3是本发明训练过程中损失函数的相关数据；

图4是本发明中央空调系统的结构图；

图5是本发明深度学习模型不同丢弃率下训练准确率的柱状图；

图6是本发明深度学习模型不同训练层数准确率的柱状图。

具体实施方式

本说明书中公开的所有特征，或公开的所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以以任何方式组合。

本说明书(包括任何附加权利要求、摘要和附图)中公开的任一特征，除非特别叙述，均可被其他等效或具有类似目的的替代特征加以替换。即，除非特别叙述，每个特征只是一系列等效或类似特征中的一个例子而已。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。

如图1所示，一种基于深度学习的中央空调系统控制数据实时设置方法，包括以下步骤：

S1、建立中央空调运行策略库；

S2、获取中央空调工作时的环境数据和运行数据；

S3、进行状态分析，判断当前环境数据下中央空调的关键性运行数据是否在合理区间内；

S4、在合理区间内，则根据策略库中相应的指令输出数据控制运行；不在合理区间内，根据环境数据对所述实时运行数据进行神经网络训练，对训练结果进行反馈评估，若反馈结果在设定范围内，将训练结果自动导入修改和对工作模式进行动态调整；若反馈结果不在设定范围内，对其进行惩罚，并采用策略库中最相近的策略进行运行；

环境数据包括室内温度，室外温度，空间的大小，温度的设定，运行时间的设定，风速的设定，能效的设定；

环境数据的采集通过各种传感器进行采集，其中室内温度的采集能够通过设置多个温度传感器，采集模块将采集到的温度进行平均，而空间的大小能够根据图像传感器进行采集，而因中央空调是安装在固定的位置，空间的大小一般保持不变，其数据也能够进行人工的直接输入，温度的设定，运行时间的设定，风速的设定，能效的设定直接从遥控器上进行采集。

如图2所示，神经网络训练方法包括对环境数据设置不同的权重参数进行计算，在进行权重参数计算完之后进行非线性变换，设置损失函数对其进行惩罚，在训练过程中不断改进，通过反向传播构造出各个环境数据对应的相关性函数，根据相关性函数制定相应环境下空调的运行策略。

在本实施例中，所述初始运行数据包括冷冻水循环系统运行数据，冷却水循环系统运行数据，冷却塔系统运行数据，然后冷机能量控制系统运行数据，制冷机组的运行数据，室内实时温度数据。初始运动数据的采集能够通过各种传感器采集，也能够够通过上述各制冷系统内的处理器直接采集得到。

进一步的，运行数据也能够是中间运行数据，中间运行数据为通过初始运行数据冷冻水循环系统运行数据，冷却水循环系统运行数据，冷却塔系统运行数据，然后冷机能量控制系统运行数据，制冷机组的运行数据，室内实时温度数据计算得出的运行效果、运行效率和运行能效这些中间运行数据。

反馈结果包括通过损失函数对初始运行数据计算出的运行效果、运行效率和运行能效，根据温度的设定，运行时间的设定，风速的设定，能效的设定对运行效果、运行效率和运行能效设置不同的得分值。

损失函数能够对上述的初始的运行数据进行综合评定，也能够对计算出的运行效果、运行效率和运行能效这些中间运行数据进行综合评定，保证数据的全面性。

在本实例中，在环境数据室内温度29度，室外温度32度，空间体积123m

图中第五和第六组的数据由于超出设定，将对其进行惩罚，并采用策略库中最相近的策略进行运行。

如图3所示，在本实施例中，所述策略库存储有采用神经网络预训练的中央空调实时控制的方法，通过预训练给深度学习模型提供一个初始参数，将该初始参数存入策略库中。

神经网络预训练方法具体为通过采集室内温度，室外温度，空间的大小，温度的设定，运行时间的设定，风速的设定，能效的设定这些环境数据，并将其输入到神经网络中，根据上述损失函数对神经网络进行预训练，损失函数能够由运行效果、运行效率和运行能效这些中间运行数据进行综合评定，获取初始神经网络模型，保证数据的全面性，也能够直接由初始运行数据进行评定，中间运行数据的数据量相对较少，计算较为简单。

如图5所示，为了防止过拟合，在预训练过程中加入drop out操作，每一次训练每层选择丢弃一定数量的神经元，能够有效的减少训练复杂程度，丢弃率在10％-50％之间对训练结果的影响相近，优选为50％，对训练复杂程度的减小较大的同时对训练结果的影响较小。

也能够使用L2正则化对损失函数进行修正，通过对损失函数中权重的平方值进行惩罚，将所有权重驱动为较小的值，从而使模型更平滑，输出随着输入的变化而变化的更慢。

在本实施例中的预训练过程中，优化算法采用小批量梯度下降算法，相较于批量梯度下降，小批量梯度下降每次选取一个批大小的样本更新参数，相较于随机梯度下降，降低了收敛的波动性，使得参数更新更加稳定，其损失函数为：

在本实施例中，所述非线性变换采用为ReLU函数，其表达式为f(x)＝max(0,x)，其中，f(x)表示ReLU激活函数的输出；x表示输入值；max(0,x)表示取输入值和零之间的较大值。

采用ReLU函数，由于ReLU激活函数是分段线性函数，且每段的导数都能简单，导数要么为0，要么为1计算简单、不存在梯度消失问题，并且能够加速收敛和提高模型的泛化能力，在训练过程中能够大幅加快训练速度。

在本实施例中，所述神经网络训练包括对数据进行预处理和参数初始化。

所述参数初始化使用随机策略，遵循这个原则，可以将参数设置为接近0的很小的随机数(有正有负)，在实际中，随机参数服从高斯分布/正态分布和均匀分布都是有效的初始化方法。

所述数据预处理包括对环境数据的规范化和归一化，采用z-score方法，将不同量级的数据统一转化为同一个量级，统一用计算出的z-score值衡量，以保证数据之间的可比性。数据预处理中包括对环境数据的采样，通过传感器对环境数据每隔一定时间进行采样。

在本实施例中，神经网络训练层数选择28层。

如图6所示，神经网络训练层数通过构建多个BP网络，除了隐含的神经元个数不同外，其他一切条件相同，通过比较它们的训练的循环次数和网络精度，找到最佳的神经元个数，本实施例中训练层数为28层。

通过在策略库中存储预训练的中央空调实时控制的方法，在实际使用过程中，通过状态分析模块根据环境数据对所述实时运行数据是否在最佳范围内，即是否与策略库中存储的预训练的中央空调实时控制的方法相匹配，如果出现偏差，根据环境数据对所述实时运行数据进行神经网络训练，将训练结果自动导入修改和对工作模式进行动态调整，以使系统实现最有的运行状态，并且系统能够具备一定的学习能力，能够胜任任更复杂的，逻辑变化更多的复杂性系统。

在本实施例中，将训练结果自动导入修改和对工作模式进行动态调整采用与预训练相同的小批量梯度下降算法。

图4出示了一种基于深度学习的中央空调系统的结构示意图：包括策略库，数据采集模块，策略分析模块，控制输出模块，深度学习模块；

其中策略库与数据采集模块和深度学习模块连接，数据采集模块、策略分析模块和控制输出模块依次连接。

策略库中存储有预训练的中央空调控制方法；

数据采集模块通过各种传感器对执行环境中的各种数据进行采集，以及对中央空调系统内各组件的运行状态进行收集，运行状态包括初始运行数据，包括冷冻水循环系统运行数据，冷却水循环系统运行数据，冷却塔系统运行数据，然后冷机能量控制系统运行数据，制冷机组的运行数据，室内实时温度数据；也能够是处理器根据上述运行数据分析出的中间运行数据，包括运行效率、运行效果和运行效能等参数值。

策略分析模块针对采集到的环境数据分析央空调的关键性运行数据是否在合理区间内，策略分析模块连接有深度学习模块；

深度学习模块对不在合理区间内的运行数据进行神经网络训练，将反馈结果在设定范围内的训练结果存储至策略库中；

控制输出模块根据策略分析模块的分析进行控制输出，在状态分析时运行数据在合理范围内对其直接输出，神经网络训练的反馈结果不在设定范围内时，自动采用策略库中最相近的策略进行运行。

以上实施例的目的，是对本发明的技术方案进行示例性的再现与推导，并以此完整的描述本发明的技术方案、目的及效果，其目的是使公众对本发明的公开内容的理解更加透彻、全面，并不以此限定本发明的保护范围。

以上实施例也并非是基于本发明的穷尽性列举，在此之外，还可以存在多个未列出的其他实施方式。在不违反本发明构思的基础上所作的任何替换与改进，均属本发明的保护范围。