CN114237049A - 一种基于lstm的智能建筑系统预测控制参数整定方法 - Google Patents

Abstract

本发明公开了一种基于LSTM的智能建筑系统预测控制参数整定方法，包括以下步骤：1)基于MPC算法获取训练样本；2)建立长短期记忆人工神经网络，根据步骤1)得到的训练样本对长短期记忆人工神经网络进行训练；3)利用训练后的长短期记忆人工神经网络预测智能建筑系统的控制参数，该方法能够实现智能建筑系统预测控制参数的整定，且具有成本低及速度快的特点。

Description

一种基于LSTM的智能建筑系统预测控制参数整定方法

技术领域

本发明涉及一种智能建筑系统预测控制参数整定方法，具体涉及一种基于LSTM的智能建筑系统预测控制参数整定方法。

背景技术

由于工业过程往往具有非线性、时变性、强耦合和不确定性等特点，难以得到精确的数学模型，因而控制效果将大大降低。模型预测控制(MPC)的问世解决了这些问题，被广泛的应用了起来。

随着社会的高速发展，能源消耗量也随之迅速增长。建筑业作为国民经济的支柱性产业，在推动社会发展的同时也消耗了大量的能源。在能源消耗中，建筑能耗是能源消耗的三大巨头之一。因此对于建筑能耗系统进行稳健的控制是必要的。然而模型预测控制在现代智能建筑能耗系统中也得到了广泛的应用。

在建筑能耗系统模型预测控制的过程中，以变风量空调系统为例，如图1所示，给定一个参考输入，经过MPC形成一个闭环控制，使得系统达到一个期望的响应。通过研究发现：如图2所示，模型预测控制器的参数对被控系统的响应性能有显著影响。改变其控制参数就会改变被控系统的响应好坏。在现有技术中，大多数控制器参数都是根据人工经验方法确定的，以使系统达到期望的响应。随着被控对象的复杂度的提高、自由度的增加，根据经验法会确定出现调整难度大，时间长，成本高等问题。这在一定程度上阻碍了模型预测控制在实际工业中的进一步推广和应用。

模型预测控制参数整定算法，在系统控制中，已知控制参数和系统响应的性能指标的对应关系，通过参数整定算法来调节预测控制器的控制参数，这虽然解决了人工经验法调试的缺点，但出现的又一个难题是：寻找控制参数和系统响应的性能指标之间的对应关系。

发明内容

本发明的目的在于克服上述现有技术的缺点，提供了一种基于LSTM的智能建筑系统预测控制参数整定方法，该方法能够实现智能建筑系统预测控制参数的整定，且具有成本低及速度快的特点。

为达到上述目的，本发明所述的基于LSTM的智能建筑系统预测控制参数整定方法包括以下步骤：

1)基于MPC算法获取训练样本；

2)建立长短期记忆人工神经网络，根据步骤1)得到的训练样本对长短期记忆人工神经网络进行训练；

3)利用训练后的长短期记忆人工神经网络预测智能建筑系统的控制参数。

步骤1)中的训练样本包括智能建筑系统的预测步长N_p、控制步长N_c、权重系数r_w、超调量σ、上升时间t_p及调整时间t_s。

步骤1)的具体过程为：

智能建筑系统的预测输出函数为：

Y＝[y(k+1|k),y(k+2|k)…y(k+N_p|k)]^T (8)

控制量的变化量矩阵ΔU为：

ΔU＝[Δu(k),Δu(k+1)…Δu(k+Nc-1)]^T (9)

定义优化型代价函数为:

将式(8)，(9)代入式(10)中，得二次优化函数为：

J＝(R_s-Fx(k))^T(R_s-Fx(k))+Δu^TEΔu+2Δu^TF_n (11)

以控制量的变化量Δu为优化变量，计算J最小时对应的最优智能建筑系统的预测输出函数；

根据所述最优智能建筑系统的预测输出函数绘制响应曲线，再获取响应曲线的超调量、上升时间及调整时间。

长短期记忆人工神经网络包括三个输入层、三个输出层及十二个隐含层。

本发明具有以下有益效果：

本发明所述的基于LSTM的智能建筑系统预测控制参数整定方法在具体操作时，基于MPC算法获取训练样本，利用训练后的长短期记忆人工神经网络预测智能建筑系统的控制参数，该网络对数据处理能力强，预测性能更准确，具有成本低及速度快的特点；经试验，本发明与BP及RBF神经网络参数整定算法进行对比，本发明的期望性能误差小于BP和RBF神经网络参数整定算法，计算精度较优。

附图说明

图1为模型预测控制过程图；

图2为模型预测控制器；

图3为本发明的流程框图；

图4为归一化的训练样本集的示意图；

图5为本发明的流程图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，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的实施例，不是全部的实施例，而并非要限制本发明公开的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要的混淆本发明公开的概念。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，都应当属于本发明保护的范围。

在附图中示出了根据本发明公开实施例的结构示意图。这些图并非是按比例绘制的，其中为了清楚表达的目的，放大了某些细节，并且可能省略了某些细节。图中所示出的各种区域、层的形状及它们之间的相对大小、位置关系仅是示例性的，实际中可能由于制造公差或技术限制而有所偏差，并且本领域技术人员根据实际所需可以另外设计具有不同形状、大小、相对位置的区域/层。

参考图1至图5，本发明所述的基于LSTM的智能建筑系统预测控制参数整定方法包括以下步骤：

1)基于MPC算法获取训练样本；

所述训练样本包括预测步长、控制步长、权重系数、超调量、上升时间及调整时间；

步骤1)的具体操作为：

对于n维输入、m维输出的系统，其传递函数为:

或

其中：K为开环增益，T为时间常数，τ为延迟时间，ζ为阻尼比，ω_n为固有频率。

系统的表达为：

y_(S)＝G_(S)u_(S) (2)

其中，y_(S)为系统的输出，u_(S)为系统的输入，G_(S)为系统的传递函数。

定义代价函数为：

优化问题：

服从：u_max<Δu<u_min

其中，R_s为参考轨迹，

为加权矩阵，

r_w为权重系数,Δu为控制量的变化量,u_max及u_min为Δu的约束，u为控制量。

将传递函数G_(S)转化为状态空间，即：

其中，A、B、C及D为连续状态空间对应维数的模型矩阵，x为状态变量，y为系统输出。

设时域长度为N_p，控制时域为N_c，则k+N_p时刻的状态空间方程为：

k+N_p的预测输出序列为：

则系统的预测输出为：

Y＝Fx(k)+ΦΔu(k) (7)

则有Y＝[y(k+1|k),y(k+2|k)…y(k+N_p|k)]^T (8)

ΔU＝[Δu(k),Δu(k+1)…Δu(k+Nc-1)]^T (9)

将式(8)代入式(9)，得二次优化函数为：

J＝(R_s-Fx(k))^T(R_s-Fx(k))+Δu^TEΔu+2Δu^TF_n (10)

其中，

F_n＝Φ^TFx(k)-Φ^TR_s；

以Δu为变量，求解J最小时对应的最优优化函数Y，根据最优优化函数Y绘制响应曲线，再获取响应曲线的超调量、上升时间及调整时间σ,t_p,t_s；

得超调量、上升时间及调整时间σ,t_p,t_s以及预测步长、控制步长及权重系数N_p；N_c；r_w；

求解J最小时对应的最优优化函数Y的具体过程如表1所示：

表1

2)建立长短期记忆人工神经网络(LSTM)，根据步骤1)得到的训练样本对长短期记忆人工神经网络进行训练；

具体的，长短期记忆人工神经网络的具体架构如图2所示，图2中，x_t为当前时刻的网络输入，y_t-1为前一刻的网络输出，S_t-1为前一刻神经元的网络状态。

由于LSTM的最终输出由输出门和单元状态共同决定，其输出表示为：

o_t＝y_t*tanh(s_t) (11)

其中，o_t为最终输出，y_t为网络的输出，tanh为激活函数。

设误差函数为：

其中，E为误差，o_s为期望输出。

LSTM的训练有8组参数，分别为输入门的权重矩阵w_i，遗忘门的权重矩阵w_f，输出门的权重矩阵w_f，状态矩阵w_i，以及对应的偏移项b_i,b_f,b_o,b_s。

由于反向传播中权值矩阵的方向不同，所以这四个权值应该分开写。因此，LSTM参数调整因子为：

根据MPC系统响应的维度，将输入层设置为：

其中，N_i为网络的输入层数。

将输出层设置为:

其中，N_o为网络输出层数。

根据MPC算法将系统的响应和控制参数作为神经网络的输入和输出，并根据上述参数进行神经网络建模，隐藏层的选择可以根据经验公式，如下所示：

其中，h为隐含层数，m为输入层节点，n为输出层节点，α为1～10之间的整数。

LSTM中的参数优化过程如表2所示：

表2

其中，num为系统收集数据的次数，D为LSTM训练的样本集，Δw为各部分权重的更新，Δb为偏置项的更新。

3)利用训练后的长短期记忆人工神经网络预测智能建筑系统的控制参数。

利用变风量系统来验证本发明的正确性，给定系统响应的期望指标，通过本发明整定出预测控制器的控制参数，该控制器参数会让系统得到在误差范围内的响应，其可行性在变风量空调系统中进行了验证。

Claims (4)

1.一种基于LSTM的智能建筑系统预测控制参数整定方法，其特征在于，包括以下步骤：

1)基于MPC算法获取训练样本；

2)建立长短期记忆人工神经网络，根据步骤1)得到的训练样本对长短期记忆人工神经网络进行训练；

3)利用训练后的长短期记忆人工神经网络预测智能建筑系统的控制参数。

2.根据权利要求1所述的基于LSTM的智能建筑系统预测控制参数整定方法，其特征在于，步骤1)中的训练样本包括智能建筑系统的预测步长N_p、控制步长N_c、权重系数r_w、超调量σ、上升时间t_p及调整时间t_s。

3.根据权利要求1所述的基于LSTM的智能建筑系统预测控制参数整定方法，其特征在于，步骤1)的具体过程为：

智能建筑系统的预测输出矩阵为：

Y＝[y(k+1|k),y(k+2|k)…y(k+N_p|k)]^T (8)

控制量的变化量矩阵ΔU为：

ΔU＝ [Δu(k),Δu(k+1)…Δu(k+Nc-1)]^T (9)

定义优化型代价函数为：

将式(8),(9)代入式(10)中，得二次优化函数为：

J＝(R_s-Fx(k))^T(R_s-Fx(k))+Δu^TEΔu+2Δu^TF_n (11)

以控制量的变化量Δu为优化变量，计算J最小时对应的最优智能建筑系统的预测输出函数；

根据所述最优智能建筑系统的预测输出函数绘制响应曲线，再获取响应曲线的超调量、上升时间及调整时间。

4.根据权利要求1所述的基于LSTM的智能建筑系统预测控制参数整定方法，其特征在于，长短期记忆人工神经网络包括三个输入层、三个输出层及十二个隐含层。

Images