CN108388175A - 基于人工神经元网络的自优化能效管控系统及方法 - Google Patents

Abstract

本发明公开了基于人工神经元网络的自优化能效管控系统及方法，该系统包括传感器组、暖通设备、设备控制参数采集器、设备控制参数反馈模块和中央控制单元。该方法利用环境条件参数、设备工况参数作为样本输入，设备控制参数作为样本输出训练ANN，获取从环境条件、设备工况到设备控制参数之间的多维函数映射关系。与其它利用ANN的方案中ANN通常用于从设备控制参数到系统输出工况的仿真模拟不同，本案中ANN所获取的函数关系包含了从环境条件和系统工况到设备控制参数的反馈关系，因此系统可以利用包含该函数关系的ANN，直接通过环境条件和设备工况获取合适的设备控制参数。

Description

基于人工神经元网络的自优化能效管控系统及方法

技术领域

本发明涉及一种基于人工神经元网络的自优化能效管控系统及方法。

背景技术

现有技术大致分为三类：

1.随动控制方法：人工设定暖通空调系统的运行控制目标(如室温、水温等)，控制系统使用误差削减方法(如PID算法)不断逼近运行控制目标。

2.控制理论方法：通过物理过程分析，找到暖通空调系统环境条件与系统工况的数学关系，应用现代控制理论方法，建立控制过程数学模型，系统通过该模型进行控制运算。

3.CFD仿真与ANN结合：对暖通空调的环境条件和系统工况进行采样，根据采样数据建立CFD仿真模型，根据仿真结果对ANN进行训练，最后将训练好的ANN用于暖通空调系统控制。

所确定的现有技术存在的缺点：

1.随动控制方法：暖通空调系统的状态反馈存在较大的时滞，随动控制方法存在响应不及时、控制不准确、系统输出振荡的问题；即有技术方案中，对这些问题依赖于人的经验通过调节控制目标处理，人力工作量大，且效果不佳。

2.控制理论方法：由于暖通空调系统的物理过程涉及多个热交换过程且受到大时滞影响，分析极其复杂，该方法目前尚无有效的可行方案。

3.CFD仿真与ANN结合：仿真模型的精确性将会直接决定控制系统的精确性，而暖通空调系统的环境条件和设备条件，在不同项目、不同时期的差异都较大，仿真模型难以涵盖所有情况，因此仿真模型势必是不准确的，由此得出的控制过程也是不准确的；最终仍然依赖人的经验。

针对暖通空调系统的综合能效管理中不稳定、不准确和依赖经验的问题，本发明使暖通空调能效管理系统自行从实际运行中学习符合实地特征的环境条件和设备工况的函数映射关系，并按照学习到的函数关系，优化系统能效管理。

发明内容

本发明的目的在于针对现有技术的不足，提供一种基于人工神经元网络的自优化能效管控系统及方法。

为了解决上述技术问题，采用如下技术方案：

基于人工神经元网络的自优化能效管控系统，包括传感器组、暖通设备、设备控制参数采集器、设备控制参数反馈模块和中央控制单元，中央控制单元的输入端连接有设备控制参数采集器，中央控制单元的输出端连接有暖通设备，暖通设备连接设备控制参数反馈模块，设备控制参数反馈模块连接设备控制参数采集器，设备控制参数采集器连接有传感器组。

进一步，传感器组包括系统工况传感器和环境条件传感器，设备控制参数采集器包括环境条件参数采集模块和系统工况参数采集模块，系统工况传感器连接系统工况参数采集模块，系统工况参数采集模块连接中央控制单元，环境条件传感器连接环境条件参数采集模块，环境条件参数采集模块连接中央控制单元。

进一步，中央控制单元包含数据预处理单元、ANN、ANN控制单元和输出逆变单元，数据预处理单元的一端分别与环境条件参数采集模块、系统工况参数采集模块和设备控制参数反馈模块相连接，数据预处理单元的另一端分别与ANN和ANN控制单元相连接，ANN控制单元连接ANN，ANN连接输出逆变单元，输出逆变单元连接暖通设备。

基于人工神经元网络的自优化能效管控方法，包括以下处理步骤：

(1)设备控制参数采集器通过传感器组采集系统工况数据、环境条件数据、设备工况参数；

(2)数据预处理单元过滤异常数据，留下合法数据，得到系统工况-环境条件数据和设备控制参数数据；

(3)将合法数据作为样本存入样本存储区，以系统工况-环境条件数据为ANN输入，设备控制参数数据为ANN输出；

(4)进行ANN训练，获取从系统工况-环境条件数据到设备控制参数数据的函数映射；该函数映射为中央空调系统的环境条件和系统工况到设备控制参数的反馈关系；

(5)用训练好的ANN进行设备控制参数计算；

(6)计算结果通过输出逆变单元输出为控制信号；

(7)根据积累的样本数据，自动进行周期性优化。

进一步，在步骤(7)中，自动进行周期性优化的具体步骤如下：

(a)保存当前ANN的函数映射关系；

(b)根据系统工况、环境条件和控制目标值计算系统控制的优化空间；

(c)根据预设的最大优化试探步长调节控制目标值；

(d)通过ANN得到新控制方案的设备控制参数值；

(e)用新控制方案运行系统，检验系统状态是否满足使用要求；

(f)如满足则系统以新控制方案运行，并积累数据，准备下一轮的ANN训练优化；

(g)如不满足则缩小试探步长，返回第(d)步再次尝试优化；

(h)当优化试探步长小于预设的最小步长时，优化结束。

进一步，在步骤(4)中，ANN训练采用BP算法，引入动量因子，具体过程如下：

(a)创建ANN，确定输入节点数N、输出节点数M及隐含层节点数H；N为输入向量维数，M为输出向量维数，确定H的经验公式为式中C为取值范围在1-10之间的整数；

则有：隐含层-输出层权值矩阵Q，隐含层第h个节点到输出层第j个节点的权值为Q_hj；输入层-隐含层权值矩阵P，输入层第i个节点到隐含层第h个节点的权值为P_ih；

(b)初始化ANN，以随机值初始化权值矩阵P、Q和隐含层、输出层的偏移值Bias；

选择激活函数：f_(x)＝tanh(x)

其导数为：

(c)将输入样本X归一化为x，通常使用线性映射进行归一化：

(d)根据已归一化的输入样本x获取ANN输出Y：设隐含层的输出的S，则有：

(e)计算输出误差E：

(f)隐含层-输出层权值调整：

(g)输入层-隐含层权值调整：

(h)局部极小处理：

(i)返回第(c)步循环执行，直至误差E下降到给定误差限之内；

(j)取下一组样本，返回第(c)步，循环执行直至所有样本训练完成；

(k)结束训练。

进一步，在步骤(e)中，计算输出误差E的具体过程：设输入x对应的标准输出为D，选择方差和为误差函数：

进一步，在步骤(f)中，计算输出误差E的具体过程：设从隐含层第h个节点到输出层第j个节点的权值调整值为ΔQ_hj，选择梯度下降法为调参算法，则有：

完整展开式为：

令δ_hj＝(D_j-Y_j)·(1-tanh(S_h)²)，则：

进一步，在步骤(g)中，计算输出误差E的具体过程：设从输入层第i个节点到隐含层第h个节点的权值调整值为ΔP_ih，选择梯度下降法为调参算法，则有：

完整展开式为：

令δ_ih＝(D_j-Y_j)·(1-tanh(S_h)²)·(1-tanh(x_i)²)，有：

进一步，在步骤(h)中，计算输出误差E的具体过程：引入动量因子β＝f

(n)，n为当前样本的训练迭代次数，f(n)αn，修正权值调整公式为：

Q_hj＝Q_hj-δ_hj·S_h+β·δ_hj

P_ih＝P_ih-δ_ih·x_i+β·δ_hj

当迭代次数增长时，动量因子β将逐渐放大权值的振荡，确保ANN能够脱离局部极小点。

由于采用上述技术方案，具有以下有益效果：

本发明为基于人工神经元网络的自优化能效管控系统及方法，不但使使暖通空调系统能管控过程自动化，无需人力调节，而且使暖通空调系统能效管控的优化脱离人的经验，系统自动持续进行自我优化。

附图说明

下面结合附图对本发明作进一步说明：

图1为本发明中基于人工神经元网络的自优化能效管控系统的结构示意图；

图2为本发明中求取系统反馈映射关系的ANN示意图；

图3为本发明中自动进行周期性优化的流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示：基于人工神经元网络的自优化能效管控系统，包括传感器组、暖通设备、设备控制参数采集器、设备控制参数反馈模块和中央控制单元，中央控制单元的输入端连接有设备控制参数采集器，中央控制单元的输出端连接有暖通设备，暖通设备连接设备控制参数反馈模块，设备控制参数反馈模块连接设备控制参数采集器，设备控制参数采集器连接有传感器组。

传感器组包括系统工况传感器和环境条件传感器，设备控制参数采集器包括环境条件参数采集模块和系统工况参数采集模块，系统工况传感器连接系统工况参数采集模块，系统工况参数采集模块连接中央控制单元，环境条件传感器连接环境条件参数采集模块，环境条件参数采集模块连接中央控制单元。系统工况传感器包括冷冻水传感器、冷却水出传感器、回水温度传感器、流量传感器、流速传感器等。环境条件传感器包括室内传感器、外温度传感器、湿度传感器，可以根据需要设置一组或多组。设备控制参数采集器内设有冷冻、冷却水泵和主机。

中央控制单元包含数据预处理单元、ANN、ANN控制单元和输出逆变单元，数据预处理单元的一端分别与环境条件参数采集模块、系统工况参数采集模块和设备控制参数反馈模块相连接，数据预处理单元的另一端分别与ANN和ANN控制单元相连接，ANN控制单元连接ANN，ANN连接输出逆变单元，输出逆变单元连接暖通设备。

基于人工神经元网络的自优化能效管控方法，包括以下处理步骤：

(1)设备控制参数采集器通过传感器组采集系统工况数据、环境条件数据、设备工况参数；

(2)数据预处理单元过滤异常数据，留下合法数据，得到系统工况-环境条件数据和设备控制参数数据；

(3)将合法数据作为样本存入样本存储区，以系统工况-环境条件数据为ANN输入，设备控制参数数据为ANN输出；

(4)进行ANN训练，获取从系统工况-环境条件数据到设备控制参数数据的函数映射；该函数映射为中央空调系统的环境条件和系统工况到设备控制参数的反馈关系；

(5)用训练好的ANN进行设备控制参数计算；

(6)计算结果通过输出逆变单元输出为控制信号；

(7)根据积累的样本数据，自动进行周期性优化。

利用环境条件参数、设备工况参数作为样本输入，设备控制参数作为样本输出训练ANN，获取从环境条件、设备工况到设备控制参数之间的多维函数映射关系。与其它利用ANN的方案中ANN通常用于从设备控制参数到系统输出工况的仿真模拟不同，本案中ANN所获取的函数关系包含了从环境条件和系统工况到设备控制参数的反馈关系，因此系统可以利用包含该函数关系的ANN，直接通过环境条件和设备工况获取合适的设备控制参数。

在步骤(7)中，自动进行周期性优化的具体步骤如下：

(a)保存当前ANN的函数映射关系；

(b)根据系统工况、环境条件和控制目标值计算系统控制的优化空间；

(c)根据预设的最大优化试探步长调节控制目标值；

(d)通过ANN得到新控制方案的设备控制参数值；

(e)用新控制方案运行系统，检验系统状态是否满足使用要求；

(f)如满足则系统以新控制方案运行，并积累数据，准备下一轮的ANN训练优化；

(g)如不满足则缩小试探步长，返回第(d)步再次尝试优化；

(h)当优化试探步长小于预设的最小步长时，优化结束。

在所述步骤(4)中，所述ANN训练采用BP算法，引入动量因子，具体过程如下：

(a)创建ANN，确定输入节点数N、输出节点数M及隐含层节点数H；N为输入向量维数，M为输出向量维数，确定H的经验公式为式中C为取值范围在1-10之间的整数；

则有：隐含层-输出层权值矩阵Q，隐含层第h个节点到输出层第j个节点的权值为Q_hj；输入层-隐含层权值矩阵P，输入层第i个节点到隐含层第h个节点的权值为P_ih；

(b)初始化ANN，以随机值初始化权值矩阵P、Q和隐含层、输出层的偏移值Bias；

选择激活函数：f_(x)＝tanh(x)

其导数为：

(c)将输入样本X归一化为x，通常使用线性映射进行归一化：

(d)根据已归一化的输入样本x获取ANN输出Y：设隐含层的输出的S，则有：

(e)计算输出误差E：

(f)隐含层-输出层权值调整：

设从隐含层第h个节点到输出层第j个节点的权值调整值为ΔQ_hj，选择梯度下降法为调参算法，则有：

完整展开式为：

令δ_hj＝(D_j-Y_j)·(1-tanh(S_h)²)，则：

(g)输入层-隐含层权值调整：

设从输入层第i个节点到隐含层第h个节点的权值调整值为ΔP_ih，

选择梯度下降法为调参算法，则有：

完整展开式为：

令δ_ih＝(D_j-Y_j)·(1-tanh(S_h)²)·(1-tanh(x_i)²)，有：

(h)局部极小处理：

引入动量因子β＝f(n)，n为当前样本的训练迭代次数，f(n)∝n，

修正权值调整公式为：

Q_hj＝Q_hj-δ_hj·S_h+β·δ_hj

P_ih＝P_ih-δ_ih·x_i+β·δ_hj

当迭代次数增长时，动量因子β将逐渐放大权值的振荡，确保ANN能够脱离局部极小点；

(i)返回第(c)步循环执行，直至误差E下降到给定误差限之内；

(j)取下一组样本，返回第(c)步，循环执行直至所有样本训练完成；

(k)结束训练。

系统的自优化方法：周期性地根据系统被控制量的目标值和实测值之间的差值，试探系统优化的可能空间，并进行优化。

以上仅为本发明的具体实施例，但本发明的技术特征并不局限于此。任何以本发明为基础，为解决基本相同的技术问题，实现基本相同的技术效果，所作出地简单变化、等同替换或者修饰等，皆涵盖于本发明的保护范围之中。

Claims (10)

1.基于人工神经元网络的自优化能效管控系统，其特征在于：包括传感器组、暖通设备、设备控制参数采集器、设备控制参数反馈模块和中央控制单元，所述中央控制单元的输入端连接有设备控制参数采集器，所述中央控制单元的输出端连接有暖通设备，所述暖通设备连接所述设备控制参数反馈模块，所述设备控制参数反馈模块连接所述设备控制参数采集器，所述设备控制参数采集器连接有传感器组。

2.根据权利要求1所述的基于人工神经元网络的自优化能效管控系统，其特征在于：所述传感器组包括系统工况传感器和环境条件传感器，所述设备控制参数采集器包括环境条件参数采集模块和系统工况参数采集模块，所述系统工况传感器连接所述系统工况参数采集模块，所述系统工况参数采集模块连接所述中央控制单元，所述环境条件传感器连接所述环境条件参数采集模块，所述环境条件参数采集模块连接所述中央控制单元。

3.根据权利要求1所述的基于人工神经元网络的自优化能效管控系统，其特征在于：所述中央控制单元包含数据预处理单元、ANN、ANN控制单元和输出逆变单元，所述数据预处理单元的一端分别与所述环境条件参数采集模块、所述系统工况参数采集模块和所述设备控制参数反馈模块相连接，所述数据预处理单元的另一端分别与所述ANN和所述ANN控制单元相连接，所述ANN控制单元连接所述ANN，所述ANN连接所述输出逆变单元，所述输出逆变单元连接所述暖通设备。

4.如权利要求1所述的基于人工神经元网络的自优化能效管控方法，其特征在于包括以下处理步骤：

(1)所述设备控制参数采集器通过传感器组采集系统工况数据、环境条件数据、设备工况参数；

(2)所述数据预处理单元过滤异常数据，留下合法数据，得到系统工况-环境条件数据和设备控制参数数据；

(3)将所述合法数据作为样本存入样本存储区，以系统工况-环境条件数据为ANN输入，设备控制参数数据为ANN输出；

(4)进行ANN训练，获取从系统工况-环境条件数据到设备控制参数数据的函数映射；该函数映射为中央空调系统的环境条件和系统工况到设备控制参数的反馈关系；

(5)用训练好的ANN进行设备控制参数计算；

(6)计算结果通过输出逆变单元输出为控制信号；

(7)根据积累的样本数据，自动进行周期性优化。

5.根据权利要求4所述的基于人工神经元网络的自优化能效管控方法，其特征在于：在所述步骤(7)中，所述自动进行周期性优化的具体步骤如下：

(a)保存当前ANN的函数映射关系；

(b)根据系统工况、环境条件和控制目标值计算系统控制的优化空间；

(c)根据预设的最大优化试探步长调节控制目标值；

(d)通过ANN得到新控制方案的设备控制参数值；

(e)用所述新控制方案运行系统，检验系统状态是否满足使用要求；

(f)如满足则系统以所述新控制方案运行，并积累数据，准备下一轮的ANN训练优化；

(g)如不满足则缩小试探步长，返回第(d)步再次尝试优化；

(h)当优化试探步长小于预设的最小步长时，优化结束。

6.根据权利要求4所述的基于人工神经元网络的自优化能效管控方法，其特征在于：在所述步骤(4)中，所述ANN训练采用BP算法，引入动量因子，具体过程如下：

(a)创建ANN，确定输入节点数N、输出节点数M及隐含层节点数H；N为输入向量维数，M为输出向量维数，确定H的经验公式为式中C为取值范围在1-10之间的整数；

则有：隐含层-输出层权值矩阵Q，隐含层第h个节点到输出层第j个节点的权值为Q_hj；输入层-隐含层权值矩阵P，输入层第i个节点到隐含层第h个节点的权值为P_ih；

(b)初始化ANN，以随机值初始化权值矩阵P、Q和隐含层、输出层的偏移值Bias；

选择激活函数：f_(x)＝tanh(x)

其导数为：

(c)将输入样本X归一化为x，通常使用线性映射进行归一化：

(d)根据已归一化的输入样本x获取ANN输出Y：设隐含层的输出的S，则有：

(e)计算输出误差E：

(f)隐含层-输出层权值调整：

(g)输入层-隐含层权值调整：

(h)局部极小处理：

(i)返回第(c)步循环执行，直至误差E下降到给定误差限之内；

(j)取下一组样本，返回第(c)步，循环执行直至所有样本训练完成；

(k)结束训练。

7.根据权利要求6所述的基于人工神经元网络的自优化能效管控方法，其特征在于：在所述步骤(e)中，所述计算输出误差E的具体过程：设输入x对应的标准输出为D，选择方差和为误差函数：

8.根据权利要求6所述的基于人工神经元网络的自优化能效管控方法，其特征在于：在所述步骤(f)中，所述计算输出误差E的具体过程：设从隐含层第h个节点到输出层第j个节点的权值调整值为ΔQ_hj，选择梯度下降法为调参算法，则有：

完整展开式为：

令δ_hj＝(D_j-Y_j)·(1-tanh(S_h)²)，则：

9.根据权利要求6所述的基于人工神经元网络的自优化能效管控方法，其特征在于：在所述步骤(g)中，所述计算输出误差E的具体过程：设从输入层第i个节点到隐含层第h个节点的权值调整值为ΔP_ih，选择梯度下降法为调参算法，则有：

完整展开式为：

令δ_ih＝(D_j-Y_j)·(1-tanh(S_h)²)·(1-tanh(x_i)²)，有：

10.根据权利要求6所述的基于人工神经元网络的自优化能效管控方法，其特征在于：在所述步骤(h)中，所述计算输出误差E的具体过程：引入动量因子β＝f(n)，n为当前样本的训练迭代次数，f(n)∝n，修正权值调整公式为：

Q_hj＝Q_hj-δ_hj·S_h+β·δ_hj

P_ih＝P_ih-δ_ih·x_i+β·δ_hj

当迭代次数增长时，动量因子β将逐渐放大权值的振荡，确保ANN能够脱离局部极小点。