CN109242166A - 一种基于多尺度深度神经网络的环境预测防控系统 - Google Patents
一种基于多尺度深度神经网络的环境预测防控系统 Download PDFInfo
- Publication number
- CN109242166A CN109242166A CN201810976271.9A CN201810976271A CN109242166A CN 109242166 A CN109242166 A CN 109242166A CN 201810976271 A CN201810976271 A CN 201810976271A CN 109242166 A CN109242166 A CN 109242166A
- Authority
- CN
- China
- Prior art keywords
- prevention
- control
- environmental
- data
- module
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000002265 prevention Effects 0.000 title claims abstract description 197
- 230000007613 environmental effect Effects 0.000 title claims abstract description 116
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 23
- 239000011159 matrix material Substances 0.000 claims abstract description 57
- 238000012549 training Methods 0.000 claims abstract description 34
- 238000003062 neural network model Methods 0.000 claims abstract description 27
- 238000010276 construction Methods 0.000 claims abstract description 19
- 238000012544 monitoring process Methods 0.000 claims abstract description 17
- 230000000694 effects Effects 0.000 claims description 20
- 238000000034 method Methods 0.000 claims description 20
- 238000010606 normalization Methods 0.000 claims description 15
- 238000011156 evaluation Methods 0.000 claims description 12
- 238000000354 decomposition reaction Methods 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 9
- 238000004140 cleaning Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 6
- 238000012886 linear function Methods 0.000 claims description 6
- 238000013210 evaluation model Methods 0.000 claims description 5
- 235000013399 edible fruits Nutrition 0.000 claims description 4
- 230000008030 elimination Effects 0.000 claims description 4
- 238000003379 elimination reaction Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 241000208340 Araliaceae Species 0.000 claims description 3
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 3
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 235000008434 ginseng Nutrition 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 2
- 238000009826 distribution Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Operations Research (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于多尺度深度神经网络的环境预测防控系统,该环境预测防控系统包括:训练数据集构建模块,多尺度深度神经网络模型构建模块,环境数据获取模块,环境参数预测模块,防控模型构建模块,环境干预值矩阵获取模块;其中,训练数据集包括时间尺度数据集、空间尺度数据集以及标签集;本发明基于多尺度深度神经网络,对环境参数进行预测,在兼具数据监控、展示的同时,还根据预测结果和关键指标进行事前干预,解决了传统系统中环境参数监控的灵活性和实用性不高的问题,综合考虑不同时间长短、空间大小对楼宇环境参数的影响,具备预测监控及预测分析功能。
Description
技术领域
本发明涉及环境参数监控技术领域,特别涉及一种基于多尺度深度神经网络的环境预测防控系统。
背景技术
环境参数监控是近年来楼宇智能化的一个重要功能,然而,传统的环境参数监控方法,往往是事后发现(实时监控),很难形成事前预防(预测监控)效果,此外,监测系统,只是对数据的展示和搬运,缺乏专业指导,且无法集成行业管理人员的专业知识。
发明内容
本发明的目的是提供了一种基于多尺度深度神经网络的环境预测防控系统,不仅能够根据历史数据对环境信息进行时域及空间域的预测,而且能够根据预测信息以及环境关键性指标进行事前环境区间控制。
为实现上述目的,本发明提供了如下方案:
一种基于多尺度深度神经网络的环境预测防控系统,所述环境预测防控系统包括:
训练数据集构建模块,用于对环境历史数据进行整理,构建训练数据集;所述训练数据集包括时间尺度数据集、空间尺度数据集以及标签集;
多尺度深度神经网络模型构建模块,用于采用所述训练数据集对深度神经网络进行训练建模,得到多尺度深度神经网络模型,并将所述多尺度深度神经网络模型发送至环境参数预测模块;所述多尺度深度神经网络模型的输入为监测到的环境数据;所述多尺度深度神经网络模型的输出为对应环境函数的预测值矩阵;所述预测值矩阵包括未来不同时间不同目标区域的预测值;
环境数据获取模块,用于获取实时监测到的环境数据;
所述环境参数预测模块,用于将监测到的环境数据输入到所述多尺度深度神经网络模型中,得到预测值矩阵;
防控模型构建模块,用于构建防控模型,并将所述防控模型发送至环境干预值矩阵获取模块;所述防控模型内置环境参数阈值;所述防控模型的输入为所述预测值矩阵,所述防控模型的输出为环境干预值矩阵;所述环境干预值矩阵包括未来不同时间不同目标区域的环境干预值;
所述环境干预值矩阵获取模块,用于将所述预测值矩阵输入到所述防控模型中,并所述防控模型中与所述环境参数阈值比较,输出环境干预值矩阵。
可选的,所述训练数据集构建模块,具体包括:
环境历史数据清洗单元,用于对所述环境历史数据进行清洗处理;其中,数据清洗包含缺失数据补齐、重复数据去重、异常数据剔除;所述环境历史数据为具有物理意义的参数波形;所述环境历史数据的种类包括PM2.5,PM10,SO2,CO2,温度、湿度、人流密度;
数据规整单元,用于按照不同尺度,对清洗后的数据进行整理,得到时间尺度数据集和空间尺度数据集;所述尺度包括时间尺度和空间尺度;所述时间尺度是基于环境参数的潮汐变化现象而采用的三种不同尺度,分别是时、日、周;所述时间尺度数据集是利用历史数小时、数日同一小时、数周同一日同一小时的数据进行整理得到的;所述空间尺度是基于空间分布相关的原理;所述空间尺度数据集是对任一观测点,利用所述观测点周围四个方向或者八个方向形成十字型历史数据进行建模整理得到的;
标签集构建单元,用于构建标签集;所述标签集包括未来观测时间为1小时标签、2小时标签、3小时标签、4小时标签、5小时标签、6小时标签、12小时标签、24小时标签、48小时标签以及72小时标签;
训练数据集构建单元,用于根据所述时间尺度数据集、所述空间尺度数据集以及所述标签集,构建训练数据集;
数据归一化单元,用于将所述训练数据集中不同尺度的数据进行归一化操作;归一化方法包括0均值标准化和线性函数归一化。
可选的,所述防控模型构建模块具体包括:
环境参数阈值存储单元,用于存储环境参数阈值;
干预结果获取单元,用于实时监测所述环境干预值介入后的环境参数值;得到干预结果;
预测误差计算单元,用于根据所述环境干预值和所述环境干预值对应的干预结果,计算预测误差;
防控模型构建单元,用于根据所述环境参数阈值和所述预测误差,构建防控模型;所述防控模型的输入包括当前轮的环境干预值矩阵和上一轮的预测误差,所述防控模型的输出为当前轮的环境干预值矩阵。
可选的,所述环境预测防控系统还包括参数分解及设定模块;
所述参数分解及设定模块,用于根据所述环境干预值矩阵获取模块的输出,进行管控参数分解,将所述环境干预值矩阵中不同的环境干预值分解给对应的控制元器件。
可选的,所述环境预测防控系统还包括防控算法选择模块;所述防控算法选择模块内存储多种防控算法;
所述防控算法选择模块,用于根据预测值矩阵中不同的预测值,确定对应的防控类型,并根据确定的防控类型,选择相应的防控算法。
可选的,所述环境预测防控系统还包括:防控模型有效管理模块;
所述防控模型有效管理模块,用于对所述防控模型以及所述防控算法进行有效评价,并根据得到的有效评价结果调整所述防控模型中的参数以及所述防控算法选择模块中的防控算法。
可选的,所述环境预测防控系统还包括:防控状态检测模块;
所述防控状态检测模块,用于对所述防控模型使用过程中的状态进行检测,得到检测结果;所述检测结果包括预测状态、防控状态、预测误差以及防控曲线;所述防控曲线是实际干预控制过程中,预测值和实际值的差值曲线,防控数值越大,防控模型的干预程度就越大,反之越小。
可选的,所述环境预测防控系统还包括防控模型效果评价模型;
所述防控模型效果评价模型,用于根据所述预测误差和所述防控曲线的误差率对所述防控模型进行效果评价,并根据得到的效果评价结果调整所述防控模型中的参数。
可选的,所述环境预测防控系统还包括防控模型库;
所述防控模型库用于存储所述有效评价结果、所述效果评价结果,以形成防控模型优化体系。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供了一种基于多尺度深度神经网络的环境预测防控系统,该系统包括:训练数据集构建模块,用于对环境历史数据进行整理,构建训练数据集;所述训练数据集包括时间尺度数据集、空间尺度数据集以及标签集;多尺度深度神经网络模型构建模块,用于采用所述训练数据集对深度神经网络进行训练建模,得到多尺度深度神经网络模型,并将所述多尺度深度神经网络模型发送至环境参数预测模块;所述多尺度深度神经网络模型的输入为监测到的环境数据;所述多尺度深度神经网络模型的输出为对应环境函数的预测值矩阵;所述预测值矩阵包括未来不同时间不同目标区域的预测值;环境数据获取模块,用于获取实时监测到的环境数据;所述环境参数预测模块,用于将监测到的环境数据输入到所述多尺度深度神经网络模型中,得到预测值矩阵;防控模型构建模块,用于构建防控模型,并将所述防控模型发送至环境干预值矩阵获取模块;所述防控模型内置环境参数阈值;所述防控模型的输入为所述预测值矩阵,所述防控模型的输出为环境干预值矩阵;所述环境干预值矩阵包括未来不同时间不同目标区域的环境干预值;所述环境干预值矩阵获取模块,用于将所述预测值矩阵输入到所述防控模型中,并所述防控模型中与所述环境参数阈值比较,输出环境干预值矩阵。应用本发明,不仅能够根据历史数据对环境信息进行时域及空间域的预测,而且能够根据预测信息以及环境关键性指标进行事前环境区间控制。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例基于多尺度深度神经网络的环境预测防控系统的结构框图;
图2为本发明实施例环境参数预测子系统的流程图;
图3为本发明实施例多尺度深度神经网络模型的建模流程图;
图4为本发明实施例重点防控子系统的数据流程图;
图5为本发明实施例重点防控子系统的功能体系图;
图6为本发明实施例防控模型效果评价的流程图。
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。
本发明的目的是提供了一种基于多尺度深度神经网络的环境预测防控系统,不仅能够根据历史数据对环境信息进行时域及空间域的预测,而且能够根据预测信息以及环境关键性指标进行事前环境区间控制。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例一
图1为本发明实施例基于多尺度深度神经网络的环境预测防控系统的结构框图,如图1所示,本发明实施例提供的环境预测防控系统包括:
训练数据集构建模块1,用于对前期得到的环境历史数据进行整理,构建训练数据集;所述训练数据集包括时间尺度数据集、空间尺度数据集以及标签集。
多尺度深度神经网络模型构建模块2,与所述训练数据集构建模块1连接,用于采用所述训练数据集对深度神经网络进行训练建模,得到多尺度深度神经网络模型,并将多尺度深度神经网络模型发送至环境参数预测模块4;所述多尺度深度神经网络模型的输入为监测到的环境数据;所述多尺度深度神经网络模型的输出为对应环境函数的预测值矩阵;所述预测值矩阵包括未来不同时间不同目标区域的预测值。
环境数据获取模块3,用于获取实时监测到的环境数据。
所述环境参数预测模块4的输入端,分别与所述多尺度深度神经网络模型构建模块2的输出端、所述环境数据获取模块3的输出端连接,用于将监测到的环境数据输入到所述多尺度深度神经网络模型中,得到预测值矩阵。
防控模型构建模块5,用于构建防控模型,并将防控模型发送至环境干预值矩阵获取模块6内;所述防控模型内置环境参数阈值;所述防控模型的输入主要为所述预测值矩阵,所述防控模型的输出为环境干预值矩阵;所述环境干预值矩阵包括未来不同时间不同目标区域的环境干预值。
所述环境干预值矩阵获取模块6,分别与所述防控模型构建模块5的输出端、所述环境参数预测模块4的输出端连接,用于将所述预测值矩阵输入到所述防控模型中,并与所述环境参数阈值比较,输出环境干预值矩阵。
参数分解及设定模块7,与所述环境干预值矩阵获取模块6的输出端连接,用于对管控参数分解,主要是将所述环境干预值矩阵中不同的环境干预值分解给对应的控制元器件。
防控算法选择模块8内存储多种防控算法。所述防控算法选择模块8,与所述环境干预值矩阵获取模块6的输入端连接,用于根据预测值矩阵中不同的预测值,确定对应的防控类型,并根据确定的防控类型,选择相应的防控算法,并将选择的相应防控算法输出到防控模型中。
防控模型有效管理模块9,用于对所述防控模型以及所述防控算法进行有效评价,并根据得到的有效评价结果调整所述防控模型中的参数以及所述防控算法选择模块中的防控算法。
防控状态检测模块10,用于对所述防控模型使用过程中的状态进行检测,得到检测结果;所述检测结果包括预测状态、防控状态、预测误差以及防控曲线;所述防控曲线是实际干预控制过程中,预测值和实际值的差值曲线,防控数值越大,防控模型的干预程度就越大,反之越小。
防控模型效果评价模型11,用于根据所述预测误差和所述防控曲线的误差率对所述防控模型进行效果评价,并根据得到的效果评价结果调整所述防控模型中的参数。
防控模型库11,用于存储所述有效评价结果、所述效果评价结果,以形成防控模型优化体系。
所述训练数据集构建模块1具体包括:
环境历史数据清洗单元,用于对所述环境历史数据进行清洗处理;其中,数据清洗包含缺失数据补齐、重复数据去重、异常数据剔除;所述环境历史数据为具有物理意义的参数波形;所述环境历史数据的种类包括PM2.5,PM10,SO2,CO2,温度、湿度、人流密度。
数据规整单元,用于按照不同尺度,对清洗后的数据进行整理,得到时间尺度数据集和空间尺度数据集;所述尺度包括时间尺度和空间尺度;所述时间尺度是基于环境参数的潮汐变化现象而采用的三种不同尺度,分别是时、日、周;所述时间尺度数据集是利用历史数小时、数日同一小时、数周同一日同一小时的数据进行整理得到的;所述空间尺度是基于空间分布相关的原理;所述空间尺度数据集是对任一观测点,利用所述观测点周围四个方向或者八个方向形成十字型历史数据进行建模整理得到的。
标签集构建单元,用于构建标签集;所述标签集包括未来观测时间为1小时标签、2小时标签、3小时标签、4小时标签、5小时标签、6小时标签、12小时标签、24小时标签、48小时标签以及72小时标签。
训练数据集构建单元,用于根据所述时间尺度数据集、所述空间尺度数据集以及所述标签集,构建训练数据集。
数据归一化单元,用于将所述训练数据集中不同尺度的数据进行归一化操作;归一化方法包括0均值标准化和线性函数归一化。
所述防控模型构建模块5具体包括:
环境参数阈值存储单元,用于存储环境参数阈值。
干预结果获取单元,用于实时监测所述环境干预值介入后的环境参数值;得到干预结果。
预测误差计算单元,用于根据所述环境干预值和所述环境干预值对应的干预结果,计算预测误差。
防控模型构建单元,用于根据所述环境参数阈值和所述预测误差,构建防控模型;所述防控模型的输入包括当前轮的环境干预值矩阵和上一轮的预测误差,所述防控模型的输出为当前轮的环境干预值矩阵。
实施例二
本实施例提供的环境预测防控系统包括环境参数预测子系统和重点防控子系统;环境参数预测子系统主要为基于多尺度深度神经网络,根据历史数据对环境信息进行时域及空间域的预测,数据参数包含PM2.5,PM10,SO2,CO2,温度、湿度、人流密度等数据。重点防控子系统主要为基于数据预测,建立环境重点防控模型,针对关键性指标,进行区间控制。参数指标包括PM2.5,PM10,SO2,CO2,温度、湿度、人流密度等。
环境参数预测子系统:基于多尺度深度神经网络,根据历史数据对环境信息进行时域及空间域的预测。
图2为本发明实施例环境参数预测子系统的流程图,如图2所示,本实施例中环境参数预测子系统包括:
数据清洗(a)包含缺失数据补齐、重复数据去重、异常数据剔除功能;在这里数据指具有物理意义的参数波形,例如:温度、湿度、PM2.5、能耗等指标,由于物联网设备在采集过程中,不可避免会带有数据缺失、重复和异常尖峰等噪音,针对这些原始数据进行的数据清洗,对数据信息进行修复和补正。
数据规整(b)包含按照不同尺度,对多尺度深度神经网络模型所需的数据进行整理;本实施例中,(1)基于环境参数的潮汐变化现象,采用三种不同尺度,分别是时、日、周,利用历史数小时、数日同一小时、数周同一日同一小时的数据进行数据建模。(2)基于空间分布相关的原理,针对X观测点,利用其周围四个方向形成十字型历史数据和其本身进行建模(5pionts),八个方向形成3x3大小的历史数据矩阵和其本身进行建模(9pionts),此外也可以尝试了5X5(25points)大小的历史数据矩阵进行空间位置建模,以提高系统精度。
训练数据集(c)按照上述时间和空间上的多尺度,对各个监测点进行数据集构建;利用观测时间未来的1,2,3,4,5,6,12(半天),24(1天),48(2天),72(3天)进行标注集提取,最终和多尺度数集一起形成训练数据集。
数据归一化(d)是将不同尺度的信息进行归一化操作,首先将数据的取值范围限定,求取归一化参数,然后逐一进行数据归一化。方法主要包含0均值标准化和线性函数归一化;
1、线性函数归一化(Min-Max scaling)
线性函数将原始数据线性化的方法转换到[01]的范围,归一化公式如下:
该方法实现对原始数据的等比例缩放,其中Xnorm为归一化后的数据,X为原始数据,Xmax、Xmin分别为原始数据集总集合的最大值和最小值。
2、0均值标准化(Z-score standardization)
0均值归一化方法将原始数据集归一化为均值为0、方差1的数据集,归一化公式如下:其中,μ、σ分别为原始数据集总集合的均值和方法。该归一化方式要求原始数据的分布可以近似为高斯分布,否则归一化的效果会变得很糟糕。
深度神经网络建模(e)首先利用多个不同尺度的深度神经网络进行建模,然后在深度神经网络的最高隐层进行集成,最后在顶层输出参数预测模型,具体如图3所示。
(f),集成后的多尺度深度神经网络模型的输出对应环境函数的预测值矩阵,该矩阵将包含未来时间中的1-3天不同目标区间的预测值,其参数按照顺序排列,包含例如PM2.5,PM10等参数。
重点防控子系统:获取参数监测的数据后进行参数预测,并根据多尺度深度神经网络模型和防控参数设置(例如重点防控PM2.5,功耗,温度等指标在某一阈值,及其有效时间)进行防控模型的构建,最终实现事前的控制干预(例如,PM2.5高,则开启或加大新风系统等),干预结果将在下一个监控时间点被系统采集,并进行下一轮的参数预测及上一轮的预测误差评估,并作为下一轮干预的参考指标。重点防控子系统数据流程如图4所示。
图5为本发明实施例重点防控子系统的功能体系图,如图5所示,包括:
重点防控模型(a);基于预测模型,设置在某时间段、某空间端,某防控参数的控制上下限,进行重点防控模型构建。例如在早8点到18点之间,办公区域PM2.5不能超过一定阈值,系统在对PM2.5进行监测、预测的同时根据设定阈值,开启或调整新风系统的风量。
参数分解及设定(b);根据防控模型的设置,进行管控参数分解,将控制参数分解给对应的控制元器件。
防控算法选择(c);根据防控类型不同,选取防控算法,算法基于PID控制等算法,并附加制约条件。
模型有效性管理(d);定期对防控模型及算法进行有效性评价,当模型超过适用边界后(准确率低),该模块选取更合理算法,进行参数管控。
防控状态检测(e);对防控模型使用过程中的状态进行检测,包括预测状态、防控状态、预测误差和防控曲线。
模型效果评价(f);具体如图6所示,根据预测误差和防控曲线的误差率进行模型效果评价,两种评价结果和参数将保存在防控模型库,形成防控模型优化体系。
预测误差经过归一化后取值在[0,1]之间,0表示预测误差小,预测结果和真实值完全相符,1表示误差已经超出了最大值范围;模型在误差0.2以下时,被认定为执行正常,在0.2到0.5之间被认为异常,在0.5以上时被认为模型失效。
防控曲线是实际干预控制过程中,预测值和实际值的差值曲线,数值越大,防控模型的干预程度就越大,反之越小。防控曲线与防控模型中的事前干预设置相关,根据测评结果进行调整可以进一步优化系统节能效率。
本发明基于多尺度深度神经网络,对环境参数进行预测,在兼具数据监控、展示的同时,具备预测监控及预测分析功能,解决了传统系统中环境参数监控的灵活性和实用性不高的问题,综合考虑不同时间长短、空间大小对楼宇环境参数的影响。
本发明基于参数预测的动态事前管控系统,形成了对环境参数的事前管理,进一步延展了系统的实用功能。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (9)
1.一种基于多尺度深度神经网络的环境预测防控系统,其特征在于,所述环境预测防控系统包括:
训练数据集构建模块,用于对环境历史数据进行整理,构建训练数据集;所述训练数据集包括时间尺度数据集、空间尺度数据集以及标签集;
多尺度深度神经网络模型构建模块,用于采用所述训练数据集对深度神经网络进行训练建模,得到多尺度深度神经网络模型,并将所述多尺度深度神经网络模型发送至环境参数预测模块;所述多尺度深度神经网络模型的输入为监测到的环境数据;所述多尺度深度神经网络模型的输出为对应环境函数的预测值矩阵;所述预测值矩阵包括未来不同时间不同目标区域的预测值;
环境数据获取模块,用于获取实时监测到的环境数据;
所述环境参数预测模块,用于将监测到的环境数据输入到所述多尺度深度神经网络模型中,得到预测值矩阵;
防控模型构建模块,用于构建防控模型,并将所述防控模型发送至环境干预值矩阵获取模块;所述防控模型内置环境参数阈值;所述防控模型的输入为所述预测值矩阵,所述防控模型的输出为环境干预值矩阵;所述环境干预值矩阵包括未来不同时间不同目标区域的环境干预值;
所述环境干预值矩阵获取模块,用于将所述预测值矩阵输入到所述防控模型中,并所述防控模型中与所述环境参数阈值比较,输出环境干预值矩阵。
2.根据权利要求1所述的环境预测防控系统,其特征在于,所述训练数据集构建模块,具体包括:
环境历史数据清洗单元,用于对所述环境历史数据进行清洗处理;其中,数据清洗包含缺失数据补齐、重复数据去重、异常数据剔除;所述环境历史数据为具有物理意义的参数波形;所述环境历史数据的种类包括PM2.5,PM10,SO2,CO2,温度、湿度、人流密度;
数据规整单元,用于按照不同尺度,对清洗后的数据进行整理,得到时间尺度数据集和空间尺度数据集;所述尺度包括时间尺度和空间尺度;所述时间尺度是基于环境参数的潮汐变化现象而采用的三种不同尺度,分别是时、日、周;所述时间尺度数据集是利用历史数小时、数日同一小时、数周同一日同一小时的数据进行整理得到的;所述空间尺度是基于空间分布相关的原理;所述空间尺度数据集是对任一观测点,利用所述观测点周围四个方向或者八个方向形成十字型历史数据进行建模整理得到的;
标签集构建单元,用于构建标签集;所述标签集包括未来观测时间为1小时标签、2小时标签、3小时标签、4小时标签、5小时标签、6小时标签、12小时标签、24小时标签、48小时标签以及72小时标签;
训练数据集构建单元,用于根据所述时间尺度数据集、所述空间尺度数据集以及所述标签集,构建训练数据集;
数据归一化单元,用于将所述训练数据集中不同尺度的数据进行归一化操作;归一化方法包括0均值标准化和线性函数归一化。
3.根据权利要求1所述的环境预测防控系统,其特征在于,所述防控模型构建模块具体包括:
环境参数阈值存储单元,用于存储环境参数阈值;
干预结果获取单元,用于实时监测所述环境干预值介入后的环境参数值;得到干预结果;
预测误差计算单元,用于根据所述环境干预值和所述环境干预值对应的干预结果,计算预测误差;
防控模型构建单元,用于根据所述环境参数阈值和所述预测误差,构建防控模型;所述防控模型的输入包括当前轮的环境干预值矩阵和上一轮的预测误差,所述防控模型的输出为当前轮的环境干预值矩阵。
4.根据权利要求1所述的环境预测防控系统,其特征在于,所述环境预测防控系统还包括参数分解及设定模块;
所述参数分解及设定模块,用于根据所述环境干预值矩阵获取模块的输出,进行管控参数分解,将所述环境干预值矩阵中不同的环境干预值分解给对应的控制元器件。
5.根据权利要求1所述的环境预测防控系统,其特征在于,所述环境预测防控系统还包括防控算法选择模块;所述防控算法选择模块内存储多种防控算法;
所述防控算法选择模块,用于根据预测值矩阵中不同的预测值,确定对应的防控类型,并根据确定的防控类型,选择相应的防控算法。
6.根据权利要求5所述的环境预测防控系统,其特征在于,所述环境预测防控系统还包括:防控模型有效管理模块;
所述防控模型有效管理模块,用于对所述防控模型以及所述防控算法进行有效评价,并根据得到的有效评价结果调整所述防控模型中的参数以及所述防控算法选择模块中的防控算法。
7.根据权利要求1所述的环境预测防控系统,其特征在于,所述环境预测防控系统还包括:防控状态检测模块;
所述防控状态检测模块,用于对所述防控模型使用过程中的状态进行检测,得到检测结果;所述检测结果包括预测状态、防控状态、预测误差以及防控曲线;所述防控曲线是实际干预控制过程中,预测值和实际值的差值曲线,防控数值越大,防控模型的干预程度就越大,反之越小。
8.根据权利要求7所述的环境预测防控系统,其特征在于,所述环境预测防控系统还包括防控模型效果评价模型;
所述防控模型效果评价模型,用于根据所述预测误差和所述防控曲线的误差率对所述防控模型进行效果评价,并根据得到的效果评价结果调整所述防控模型中的参数。
9.根据权利要求6或8任一项所述的环境预测防控系统,其特征在于,所述环境预测防控系统还包括防控模型库;
所述防控模型库用于存储所述有效评价结果、所述效果评价结果,以形成防控模型优化体系。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810976271.9A CN109242166B (zh) | 2018-08-25 | 2018-08-25 | 一种基于多尺度深度神经网络的环境预测防控系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810976271.9A CN109242166B (zh) | 2018-08-25 | 2018-08-25 | 一种基于多尺度深度神经网络的环境预测防控系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109242166A true CN109242166A (zh) | 2019-01-18 |
CN109242166B CN109242166B (zh) | 2021-05-04 |
Family
ID=65068016
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810976271.9A Active CN109242166B (zh) | 2018-08-25 | 2018-08-25 | 一种基于多尺度深度神经网络的环境预测防控系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109242166B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110243044A (zh) * | 2019-06-14 | 2019-09-17 | 嘉兴技师学院 | 一种室内空气智能检测调节的新风系统及方法 |
CN111310970A (zh) * | 2020-01-16 | 2020-06-19 | 集美大学 | 一种环境参数实时预测方法、终端设备及存储介质 |
CN112947637A (zh) * | 2021-01-29 | 2021-06-11 | 安徽佳美瑞物联科技有限公司 | 一种办公环境智能调节系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102707026A (zh) * | 2012-06-06 | 2012-10-03 | 天津大学 | 一种用于再生水厂原水水质的在线预警系统及其控制方法 |
CN106067079A (zh) * | 2016-06-20 | 2016-11-02 | 三峡大学 | 一种基于bp神经网络的灰霾预测的系统和方法 |
CN106611090A (zh) * | 2016-12-31 | 2017-05-03 | 中国科学技术大学 | 一种基于重构深度学习的道边空气污染物浓度预测方法 |
CN107014970A (zh) * | 2017-04-11 | 2017-08-04 | 盐城工学院 | 污水处理水质预测方法及服务器 |
CN107909206A (zh) * | 2017-11-15 | 2018-04-13 | 电子科技大学 | 一种基于深层结构循环神经网络的pm2.5预测方法 |
-
2018
- 2018-08-25 CN CN201810976271.9A patent/CN109242166B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102707026A (zh) * | 2012-06-06 | 2012-10-03 | 天津大学 | 一种用于再生水厂原水水质的在线预警系统及其控制方法 |
CN106067079A (zh) * | 2016-06-20 | 2016-11-02 | 三峡大学 | 一种基于bp神经网络的灰霾预测的系统和方法 |
CN106611090A (zh) * | 2016-12-31 | 2017-05-03 | 中国科学技术大学 | 一种基于重构深度学习的道边空气污染物浓度预测方法 |
CN107014970A (zh) * | 2017-04-11 | 2017-08-04 | 盐城工学院 | 污水处理水质预测方法及服务器 |
CN107909206A (zh) * | 2017-11-15 | 2018-04-13 | 电子科技大学 | 一种基于深层结构循环神经网络的pm2.5预测方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110243044A (zh) * | 2019-06-14 | 2019-09-17 | 嘉兴技师学院 | 一种室内空气智能检测调节的新风系统及方法 |
CN111310970A (zh) * | 2020-01-16 | 2020-06-19 | 集美大学 | 一种环境参数实时预测方法、终端设备及存储介质 |
CN112947637A (zh) * | 2021-01-29 | 2021-06-11 | 安徽佳美瑞物联科技有限公司 | 一种办公环境智能调节系统 |
CN112947637B (zh) * | 2021-01-29 | 2022-06-24 | 阜阳小欧智能科技有限公司 | 一种办公环境智能调节系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109242166B (zh) | 2021-05-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Fan et al. | Short term load forecasting based on phase space reconstruction algorithm and bi-square kernel regression model | |
Fahimi et al. | Application of soft computing based hybrid models in hydrological variables modeling: a comprehensive review | |
Huan et al. | Prediction of dissolved oxygen in aquaculture based on EEMD and LSSVM optimized by the Bayesian evidence framework | |
Kalogirou | Artificial neural networks in energy applications in buildings | |
Fdez-Riverola et al. | CBR based system for forecasting red tides | |
CN109659933A (zh) | 一种基于深度学习模型的含分布式电源配电网电能质量预测方法 | |
Ismail et al. | A hybrid model of self organizing maps and least square support vector machine for river flow forecasting | |
CN109242166A (zh) | 一种基于多尺度深度神经网络的环境预测防控系统 | |
CN109683066A (zh) | 电力电缆典型缺陷局部放电信号识别方法 | |
CN110212524A (zh) | 一种区域电力负荷预测方法 | |
Prauzek et al. | Differential evolution of fuzzy controller for environmentally-powered wireless sensors | |
Guegan et al. | Developing a module for estimating climate warming effects on hydropower pricing in California | |
Senthil Kumar et al. | Feature selection used for wind speed forecasting with data driven approaches | |
CN115456245A (zh) | 一种感潮河网区溶解氧预测方法 | |
CN102279928A (zh) | 基于支持向量机和模糊信息粒化的产品性能退化区间预测方法 | |
Giebel et al. | Simulation and prediction of wind speeds: A neural network for Weibull | |
Rojek | Neural networks as prediction models for water intake in water supply system | |
Pape et al. | Multivariate analysis of nonlinearity in sandbar behavior | |
Ahmed et al. | Assessing the impact of borehole field data on AI-based deep learning models for heating and cooling prediction | |
Sun et al. | Water temperature prediction in sea cucumber aquaculture ponds by RBF neural network model | |
Naganathan et al. | A non-stationary analysis using ensemble empirical mode decomposition to detect anomalies in building energy consumption | |
Mohan et al. | Temporal data mining of uncertain water reservoir data | |
Oral et al. | Comparison of the Performance of K-Nearest Neighbours and Generalized Neural Network in Construction Crew Productivity Prediction | |
CN117439146B (zh) | 充电桩的数据分析控制方法及系统 | |
Shafiee et al. | Performance Evaluation of Decision Making Units Using Data Envelopment Model and Artificial Neural Network (Case Study: Fars Regional Water Corporation) |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20210305 Address after: Building 3-5, Yougu New Science Park, east of Jingfu Road, Tianjin Medical Equipment Industrial Park, Beichen District, Tianjin Applicant after: Zhenru (Tianjin) Technology Co., Ltd Address before: Building a-5-123, Xingqi No.1 Park, 3 Haitai development road, Huayuan Industrial Zone, Binhai New Area, Tianjin Applicant before: ZHONGKE GREEN CONSTRUCTION (TIANJIN) TECHNOLOGY DEVELOPMENT Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |