CN116776283A - 一种自编码空调协同辨识模型的空调监测与参数辨识方法 - Google Patents
一种自编码空调协同辨识模型的空调监测与参数辨识方法 Download PDFInfo
- Publication number
- CN116776283A CN116776283A CN202310773349.8A CN202310773349A CN116776283A CN 116776283 A CN116776283 A CN 116776283A CN 202310773349 A CN202310773349 A CN 202310773349A CN 116776283 A CN116776283 A CN 116776283A
- Authority
- CN
- China
- Prior art keywords
- air conditioner
- model
- active power
- monitoring
- self
- 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.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 136
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000005070 sampling Methods 0.000 claims abstract description 68
- 238000012549 training Methods 0.000 claims abstract description 68
- 238000012952 Resampling Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 60
- 239000000178 monomer Substances 0.000 claims description 34
- 238000004378 air conditioning Methods 0.000 claims description 17
- 238000000605 extraction Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- 238000010200 validation analysis Methods 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 2
- 238000005265 energy consumption Methods 0.000 description 5
- 238000011144 upstream manufacturing Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000002921 genetic algorithm search Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000001483 mobilizing effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- 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
- 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
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明公开了一种自编码空调协同辨识模型的空调监测与参数辨识方法,方法包括获取若干款空调的运行采样数据,将运行采样数据进行重采样填充处理;通过预设滑动窗将空调采样填充数据划分成若干个子序列,构建空调监测参数辨识数据集;构建初始自编码空调协同辨识模型,根据空调监测参数辨识数据集,通过动态调整模型参数的任务权重对初始自编码空调协同辨识模型进行模型训练,获得自编码空调协同辨识模型;通过预设滑动窗进行流式读取当前空调的实时运行数据,将实时运行数据输入自编码空调协同辨识模型,得到空调监测数据和物理模型参数辨识结果。本实施例实现了空调负荷监测与物理参数的辨识准确,提高空调物理模型参数辨识的效率及泛化性能。
Description
技术领域
本发明涉及空调参数辨识领域,尤其涉及一种自编码空调协同辨识模型的空调监测与参数辨识方法。
背景技术
随着高级量测体系的迅速普及与智能算法的飞速发展,海量家庭级负荷数据的细粒度信息正在逐步发挥作用,有望用于调动需求侧响应能力以提高新型电力系统的新能源消纳能力。目前,住宅能耗占总能耗的40%,而空调占其中的53%,是最具响应潜力的用电设备之一。针对空调的智能算法应用研究可分为空调负荷监测与空调模型参数辨识两大类。空调负荷监测指由家庭入户电表的总线型数据监测得到单个空调的有功功率数据,主要采用机器学习方法,通过基于滤波算法与熵指数约束竞争聚类实现空调用电功率的分解,或者采用决策树与长-短期记忆神经网络,构建标准差、均值和分位数等特征实现空调的识别。空调模型参数辨识指由空调的运行功率与室内、外环境温度辨识得到物理等效模型的参数,目前主要采用智能搜索算法,如基于粒子群优化实现变频空调二阶ETP模型参数的在线辨识,基于遗传算法搜索得到定频空调的负荷二阶等效热参数模型参数。
现有研究中空调监测与空调参数辨识是两个独立的上下游任务,即将空调监测得到的空调运行功率用于后续的参数辨识,独立的空调监测模型由于训练的空调样本有限,单独训练的模型在新的品牌或新的运行模式的空调中监测性能出现大幅下降。空调的物理模型具有一定的泛化性,不同的空调通常仅是物理模型的参数发生变化,但现有方法无法在空调监测中引入空调物理模型的指导信息,无法保证参数辨识结果的准确性。目前的空调物理模型参数辨识方法虽可满足多数空调的参数辨识的要求,但算法需要大量的迭代,导致辨识速度慢以及效率低。
发明内容
本发明提供了一种自编码空调协同辨识模型的空调监测与参数辨识方法,实现空调负荷监测与物理参数的辨识准确,提高空调物理模型参数辨识的效率及泛化性能。
为了解决上述技术问题,本发明实施例提供了一种自编码空调协同辨识模型的构建方法,包括:
获取若干款空调的运行采样数据,将运行采样数据进行重采样填充处理,获得空调采样填充数据;其中,运行采样数据包括电表总线型有功功率、空调单体有功功率、室内温度和室外温度;
通过预设滑动窗将空调采样填充数据划分成若干个子序列,根据各子序列,构建空调监测参数辨识数据集;
构建初始自编码空调协同辨识模型,并根据空调监测参数辨识数据集,通过动态调整模型参数的任务权重对初始自编码空调协同辨识模型进行模型训练,当满足预设训练结束条件时,停止模型训练,获得自编码空调协同辨识模型;其中,初始自编码空调协同辨识模型包括若干个一维卷积层、空调负荷监测分支和空调物理参数辨识分支。
实施本发明实施例,获取若干款空调的运行采样数据,将运行采样数据进行重采样填充处理,获得空调采样填充数据;其中,运行采样数据包括电表总线型有功功率、空调单体有功功率、室内温度和室外温度;通过预设滑动窗将空调采样填充数据划分成若干个子序列,根据各子序列,构建空调监测参数辨识数据集;构建初始自编码空调协同辨识模型,并根据空调监测参数辨识数据集,通过动态调整模型参数的任务权重对初始自编码空调协同辨识模型进行模型训练,当满足预设训练结束条件时,停止模型训练,获得自编码空调协同辨识模型;其中,初始自编码空调协同辨识模型包括若干个一维卷积层、空调负荷监测分支和空调物理参数辨识分支。提出基于自编码器的空调监测与参数辨识模型(自编码空调协同辨识模型),首次将空调负荷监测与空调物理参数辨识两个任务集成至单个模型中完成,融合空调负荷监测(空调功率监测)与空调物理参数辨识(模型参数辨识)两种任务,利用上下游任务间的相关性提高空调监测与空调参数辨识的准确性,可有效地提高空调监测模型在不同品牌和不同运行模式的空调中的泛化性能,基于自编码器的空调监测与参数辨识模型(自编码空调协同辨识模型)的空调物理参数辨识分支可直接输出辨识的参数结果,无需多次迭代,大幅提高空调物理模型参数辨识的效率。
作为优选方案,构建初始自编码空调协同辨识模型,具体为:
通过各一维卷积层提取隐变量,将隐变量,输入空调负荷监测分支,获得空调负荷监测数据,并将隐变量,输入空调物理参数辨识分支,获得物理模型参数辨识结果,得到空调监测参数辨识结构,根据空调监测参数辨识结构,构建初始自编码空调协同辨识模型;
其中,初始自编码空调协同辨识模型的模型参数的初始值设置为预设范围内的数值;
空调负荷监测分支包括若干个一维反卷积层、第一全连接层和第二全连接层;
空调物理参数辨识分支包括第三全连接层。
作为优选方案,根据各子序列,构建空调监测参数辨识数据集,具体为:
统计各子序列中空调单体平均功率,随机抽取满足第一预设抽取条件的子序列和满足第二预设抽取条件的子序列,组成空调监测参数辨识数据集;
其中,第一预设抽取条件为第一预设数量的空调单体平均功率大于空调开启功率阈值的子序列;
第二预设抽取条件为第二预设数量的空调单体平均功率小于空调开启功率阈值的子序列;
空调监测参数辨识数据集中预设比例的子序列作为训练集,空调监测参数辨识数据集中非训练集的子序列为验证集。
作为优选方案,根据空调监测参数辨识数据集,通过动态调整模型参数的任务权重对初始自编码空调协同辨识模型进行模型训练,具体为:
将训练集输入初始自编码空调协同辨识模型,最小化损失函数作为目标函数,通过Adam优化器基于反向传播算法迭代求取初始自编码空调协同辨识模型的模型参数,通过动态权重平均法调整模型参数的任务权重进行模型训练;
其中,损失函数根据空调有功功率监测损失函数、空调有功功率监测损失函数的权重值、空调参数辨识损失函数和空调参数辨识损失函数的权重值计算得到,具体为:
Loss=w1·Loss1+w2·Loss2
式中,Loss为损失函数,Loss1为空调有功功率监测损失函数,Loss2为空调参数辨识损失函数,w1为空调有功功率监测损失函数的权重值,w2为空调参数辨识损失函数的权重值,num为训练集的样本数,woutput为预设滑动窗的输出窗的窗宽,f(·)为初始自编码空调协同辨识模型的空调负荷监测分支的输出,xij为训练集中第i个子序列中第j个电表总线型有功功率值,yij为训练集中第i个子序列中第j个空调单体有功功率值,为训练集中第i个子序列中第j+1个室内温度值,/>为ETP一阶空调模型的室外温度计算值,xi(j+1)为训练集中第i个子序列中第j+1个电表总线型有功功率值,/>为训练集中第i个子序列中第j+1个室外温度值,/>为训练集中第i个子序列中第j个室内温度值,Δt为采样间隔,η为能效比,R为等效热阻,C为等效比热容。
作为优选方案,动态权重平均法,具体为:
根据迭代公式,将空调有功功率监测损失函数的权重值和空调参数辨识损失函数的权重值进行迭代更新;其中,迭代公式,具体为:
式中,w1(epoch)与w2(epoch)分别为w1与w2在第epoch次迭代中的权重值,epoch为迭代次数,r1(epoch-1)为第epoch-1次迭代中Loss1的衰减比率,r2(epoch-1)为第epoch-1次迭代中Loss2的衰减比率,T为验证集选定的参数,Loss1(epoch-1)为第epoch-1次迭代中的空调有功功率监测损失函数,Loss1(epoch-2)为第epoch-2次迭代中的空调有功功率监测损失函数,Loss2(epoch-1)为第epoch-1次迭代中的空调参数辨识损失函数,Loss2(epoch-2)为第epoch-2次迭代中的空调参数辨识损失函数。
作为优选方案,通过预设滑动窗将空调采样填充数据划分成若干个子序列,具体为:
根据预设滑动窗的输出窗的窗宽和输入窗的窗宽,按时间顺序由后往前将空调采样填充数据划分为各子序列;
其中,同一子序列中的电表总线型有功功率、空调单体有功功率、室内温度和室外温度的采样时间戳相同;输出窗与滑动方向一致的前端与输入窗的前端相同。
作为优选方案,将运行采样数据进行重采样填充处理,获得空调采样填充数据,具体为:
按照预设的填充规则,将室内温度和室外温度向后填充,填充至与电表总线型有功功率或空调单体有功功率相同的频率;
其中,预设的填充规则为将室内温度和室外温度重复预设次数,构成与电表总线型有功功率或空调单体有功功率的频率相同的序列;
预设次数为电表总线型有功功率或空调单体有功功率相对于室内温度或室外温度的采样频率倍数。
作为优选方案,获取若干款空调的运行采样数据,具体为:
通过智能终端量测各款空调的运行采样数据;
其中,智能终端包括智能电表、智能插座和智能空气开关;
电表总线型有功功率是智能电表或智能空气开关从家庭用户入户处采集得到的有功功率,采样频率不低于1Hz;
空调单体有功功率是仅有单台空调运行时所采集的有功功率,空调单体有功功率的采样频率与电表总线型有功功率的采样频率相同;
室内温度是与电表总线型有功功率或电表总线型有功功率同步采集的室内环境温度数据,室内温度的采样间隔不低于5分钟;
室外温度是与电表总线型有功功率或电表总线型有功功率同步采集的室外环境温度数据,室外温度的采样间隔不低于5分钟。
为了解决相同的技术问题,本发明实施例还提供了一种自编码空调协同辨识模型的空调监测与参数辨识方法,包括:通过预设滑动窗进行流式读取当前空调的实时运行数据,将实时运行数据输入自编码空调协同辨识模型,得到空调监测数据和物理模型参数辨识结果;
其中,自编码空调协同辨识模型通过自编码空调协同辨识模型的构建方法获得;实时运行数据包括电表总线型有功功率、空调单体有功功率、室内温度和室外温度。
为了解决相同的技术问题,本发明实施例还提供一种计算机设备,包括处理器和存储器,存储器用于存储计算机程序,计算机程序被处理器执行时实现用电设备的碳效分析方法。
为了解决相同的技术问题,本发明实施例还提供一种计算机可读存储介质,其存储有计算机程序,计算机程序被处理器执行时实现一种自编码空调协同辨识模型的空调监测与参数辨识方法。
附图说明
图1:为本发明提供的一种自编码空调协同辨识模型的构建方法的一种实施例的流程示意图;
图2:为本发明提供的一种自编码空调协同辨识模型的构建方法的一种实施例的空调监测参数辨识结构图;
图3:为本发明提供的一种自编码空调协同辨识模型的空调监测与参数辨识方法的一种实施例的流程示意图。
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作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。
实施例一
请参照图1,为本发明实施例提供的一种自编码空调协同辨识模型的构建方法的流程示意图。该构建方法包括步骤101至步骤103,各步骤具体如下:
步骤101:获取若干款空调的运行采样数据,将运行采样数据进行重采样填充处理,获得空调采样填充数据;其中,运行采样数据包括电表总线型有功功率、空调单体有功功率、室内温度和室外温度。
可选的,步骤101具体包括步骤1011至步骤1012,各步骤具体如下:
步骤1011:通过智能终端量测各款空调的运行采样数据;
在本实施例中,通过使用智能终端量测多款定频空调运行的电表总线型有功功率、空调单体有功功率、室内温度和室外温度。
可选的,智能终端包括智能电表、智能插座和智能空气开关。
在本实施例中,智能终端是对有功功率具备大于1Hz采样能力的智能电表、智能插座与智能空气开关。
可选的,电表总线型有功功率是智能电表或智能空气开关从家庭用户入户处采集得到的有功功率,采样频率不低于1Hz。
可选的,空调单体有功功率是仅有单台空调运行时所采集的有功功率,空调单体有功功率的采样频率与电表总线型有功功率的采样频率相同。
可选的,室内温度是与电表总线型有功功率或电表总线型有功功率同步采集的室内环境温度数据,室内温度的采样间隔不低于5分钟。
可选的,室外温度是与电表总线型有功功s率或电表总线型有功功率同步采集的室外环境温度数据,室外温度的采样间隔不低于5分钟。
在本实施例中,室内温度和室外温度是与有功功率同步采集的环境温度数据,由于温度的惯性,采样间隔不低于5分钟。
步骤1012:按照预设的填充规则,将室内温度和室外温度向后填充,填充至与电表总线型有功功率或空调单体有功功率相同的频率;
其中,预设的填充规则为将室内温度和室外温度重复预设次数,构成与电表总线型有功功率或空调单体有功功率的频率相同的序列;预设次数为电表总线型有功功率或空调单体有功功率相对于室内温度或室外温度的采样频率倍数。
在本实施例中,对采集的运行采样数据进行重采样填充处理,即指对步骤1011中采集的室内、外温度向后填充至与电表总线型有功功率、空调单体有功功率相同的频率。预设的填充规则为将各个室内、外温度值均重复k次(预设次数),构成与电表总线型有功功率、空调单体有功功率频率相同的序列,其中,预设次数k为电表总线型有功功率、空调单体有功功率相对于室内、外温度的采样频率倍数。
步骤102:通过预设滑动窗将空调采样填充数据划分成若干个子序列,根据各子序列,构建空调监测参数辨识数据集。
在本实施例中,基于预设滑动窗将数据划分成多个子序列,构建空调监测与参数辨识数据集(空调监测参数辨识数据集)。
可选的,步骤102具体包括步骤1021至步骤1024,各步骤具体如下:
步骤1021:根据预设滑动窗的输出窗的窗宽和输入窗的窗宽,按时间顺序由后往前将空调采样填充数据划分为各子序列;
其中,同一子序列中的电表总线型有功功率、空调单体有功功率、室内温度和室外温度的采样时间戳相同;输出窗与滑动方向一致的前端与输入窗的前端相同。
在本实施例中,基于预设滑动窗将填充后的空调采样填充数据划分成多个子序列,使用窗宽分别为输入窗winput和输出窗woutput按时间顺序由后往前划分为多个子序列,同一子序列中的电表总线型有功功率、空调单体有功功率、室内温度和室外温度的采样时间戳相同,其中,输出窗与滑动方向一致的前端与输入窗的前端相同。作为本实施例的一种举例,winput与woutput可分别选为1024与256。
步骤1022:统计各子序列中空调单体平均功率,随机抽取满足第一预设抽取条件的子序列和满足第二预设抽取条件的子序列,组成空调监测参数辨识数据集;
其中,第一预设抽取条件为第一预设数量的空调单体平均功率大于空调开启功率阈值的子序列;第二预设抽取条件为第二预设数量的空调单体平均功率小于空调开启功率阈值的子序列;空调监测参数辨识数据集中预设比例的子序列作为训练集,空调监测参数辨识数据集中非训练集的子序列为验证集。
在本实施例中,先统计各个子序列中的空调单体平均功率,随机抽取第一预设数量(如:0.5×n条)空调单体平均功率大于空调开启功率阈值Pth的子序列与第二预设数量(如:0.5×n条)空调单体平均功率小于空调开启功率阈值Pth的子序列组成空调监测与参数辨识数据集(空调监测参数辨识数据集),其中,n为滑动窗划分后的子序列的总数。从空调监测与参数辨识数据集(空调监测参数辨识数据集)中随机抽取预设比例(如:70%)的子序列作为训练集,剩余子序列作为验证集。作为本实施例的一种举例,空调开启功率阈值Pth选为35W。
步骤103:构建初始自编码空调协同辨识模型,并根据空调监测参数辨识数据集,通过动态调整模型参数的任务权重对初始自编码空调协同辨识模型进行模型训练,当满足预设训练结束条件时,停止模型训练,获得自编码空调协同辨识模型;其中,初始自编码空调协同辨识模型包括若干个一维卷积层、空调负荷监测分支和空调物理参数辨识分支。
在本实施例中,初始化基于自编码器的空调监测与参数辨识模型(初始自编码空调协同辨识模型),初始化是指将模型参数初始化至范围为0至1的浮点数,使用步骤1022中得到的训练集进行模型训练,并采用动态权重平均算法调整空调监测与参数辨识的任务权重。在模型训练的过程中,预设训练结束条件,使得初始化的基于自编码器的空调监测与参数辨识模型(初始自编码空调协同辨识模型)的损失函数Loss在验证集上最小。
可选的,构建初始自编码空调协同辨识模型,具体为:通过各一维卷积层提取隐变量,将隐变量,输入空调负荷监测分支,获得空调负荷监测数据,并将隐变量,输入空调物理参数辨识分支,获得物理模型参数辨识结果,得到空调监测参数辨识结构,根据空调监测参数辨识结构,构建初始自编码空调协同辨识模型;其中,初始自编码空调协同辨识模型的模型参数的初始值设置为预设范围内的数值;空调负荷监测分支包括若干个一维反卷积层、第一全连接层和第二全连接层;空调物理参数辨识分支包括第三全连接层。
在本实施例中,空调监测参数辨识结构,如图2所示,空调监测参数辨识结构为初始自编码空调协同辨识模型的结构,一维卷积层的括号内数值含义为(卷积核宽度,卷积步长),全连接层括号内数值含义为神经元个数,一维反卷积层的括号内数值含义为(反卷积核宽度,反卷积步长),输入的电表总线型有功功率序列(训练集中的子序列)首先使用一维卷积层提取得到隐变量z,在空调负荷监测分支中,隐变量z经过反卷积层与全连接层计算得到估计的空调单体有功功率空调负荷监测数据(空调监测数据)作为输出,由于输出序列长度小于输入序列,即模型为序列-子序列架构;而在空调物理参数辨识分支中,隐变量z经过全连接层计算得到估计的物理模型参数辨识结果,物理模型参数辨识结果包括等效比热容C、等效热阻R和能效比η。本实施例中的空调监测参数辨识结构作为一种举例,在实际应用过程中建立空调监测参数辨识结构,可采用其他不同的神经网络结构。
在本实施例中,在隐向量后引入空调物理参数辨识分支改进了原有基于自编码器的序列-子序列负荷监测模型,提出了基于自编码器的空调监测与参数辨识模型即自编码空调协同辨识模型,首次将空调负荷监测与空调物理参数辨识两个任务集成至单个模型中完成,提出融合空调功率监测与模型参数辨识任务的自编码空调协同辨识模型,利用上下游任务间的相关性提高空调监测与空调参数辨识的准确性。
可选的,根据空调监测参数辨识数据集,通过动态调整模型参数的任务权重对初始自编码空调协同辨识模型进行模型训练,具体为:
将训练集输入初始自编码空调协同辨识模型,最小化损失函数作为目标函数,通过Adam优化器基于反向传播算法迭代求取初始自编码空调协同辨识模型的模型参数,通过动态权重平均法调整模型参数的任务权重进行模型训练;
在本实施例中,模型训练指以损失函数Loss为最小化的目标函数,采用Adam优化器基于反向传播算法迭代求取基于自编码器的空调监测与参数辨识模型参数,动态权重平均法调整模型参数的任务权重,除动态权重平均法,还可采用其它的多任务权重调整算法替代动态权重平均算法进行迭代更新。在空调物理参数辨识分支可直接输出辨识的参数结果,无需多次迭代,大幅提高空调物理模型参数辨识的效率。
可选的,损失函数根据空调有功功率监测损失函数、空调有功功率监测损失函数的权重值、空调参数辨识损失函数和空调参数辨识损失函数的权重值计算得到,具体为:
Loss=w1·Loss1+w2·Loss2
式中,Loss为损失函数,Loss1为空调有功功率监测损失函数,Loss2为空调参数辨识损失函数,w1为空调有功功率监测损失函数的权重值,w2为空调参数辨识损失函数的权重值,num为训练集的样本数,woutput为预设滑动窗的输出窗的窗宽,f(·)为初始自编码空调协同辨识模型的空调负荷监测分支的输出,xij为训练集中第i个子序列中第j个电表总线型有功功率值,yij为训练集中第i个子序列中第j个空调单体有功功率值,为训练集中第i个子序列中第j+1个室内温度值,/>为ETP一阶空调模型的室外温度计算值,即ETP一阶空调模型根据基于自编码器的空调监测与参数辨识模型空调物理参数辨识分支输出的空调物理参数值计算得到的训练集中第i个子序列中第j+1个室外温度值,xi(j+1)为训练集中第i个子序列中第j+1个电表总线型有功功率值,/>为训练集中第i个子序列中第j+1个室外温度值,/>为训练集中第i个子序列中第j个室内温度值,Δt为采样间隔,η为能效比,R为等效热阻,C为等效比热容。
需要说明的是,ETP一阶空调模型为空调建模领域中应用广泛的基础模型,如下式所示:
式中,C为等效比热容,R为等效热阻,θo为外界温度,θ为室内气体温度,P为空调功率,η为空调的制冷效率。离散化后如下式所示:
式中,θ(k)和θo(k)表示k时刻的室内温度和室外温度,P(k)表示k时刻的空调功率,Δt为采样时间间隔。
在本实施例中,设计的融合ETP一阶空调模型的损失函数还可采用不同的函数形式,如基于L1范数的损失函数。融合ETP一阶空调模型设计损失函数,实现了空调负荷监测与空调物理参数辨识的联合训练,融合了电气量与温度的多源信息与融入了空调模型知识,在训练中对隐向量加入空调物理模型参数辨识任务作为额外指导,可有效地提高空调监测模型在不同品牌和不同运行模式的空调中的泛化性能。
可选的,动态权重平均法,具体为:
根据迭代公式,将空调有功功率监测损失函数的权重值和空调参数辨识损失函数的权重值进行迭代更新;其中,迭代公式,具体为:
式中,w1(epoch)与w2(epoch)分别为w1与w2在第epoch次迭代中的权重值,epoch为迭代次数,r1(epoch-1)为第epoch-1次迭代中Loss1的衰减比率,r2(epoch-1)为第epoch-1次迭代中Loss2的衰减比率,T为验证集选定的参数,Loss1(epoch-1)为第epoch-1次迭代中的空调有功功率监测损失函数,Loss1(epoch-2)为第epoch-2次迭代中的空调有功功率监测损失函数,Loss2(epoch-1)为第epoch-1次迭代中的空调参数辨识损失函数,Loss2(epoch-2)为第epoch-2次迭代中的空调参数辨识损失函数。
在本实施例中,采用了动态权重平均算法迭代更新空调负荷监测与空调物理参数辨识两个任务的权重,解决空调负荷监测与物理参数辨识任务在训练中重要性的权衡问题,采用动态权重平均算法对损失权重进行动态调整,有效提升训练的稳定性与模型性能。
实施例二
相应地,参见图3,图3是本发明提供的一种自编码空调协同辨识模型的空调监测与参数辨识方法的实施例二的流程示意图。如图3所示,通过预设滑动窗进行流式读取当前空调的实时运行数据,将实时运行数据输入自编码空调协同辨识模型,得到空调监测数据和物理模型参数辨识结果;
其中,自编码空调协同辨识模型通过自编码空调协同辨识模型的构建方法获得;实时运行数据包括电表总线型有功功率、空调单体有功功率、室内温度和室外温度。
在本实施例中,使用智能终端量测多款定频空调运行的电表总线型有功功率、空调单体有功功率、室内温度和室外温度,采集的数据进行重采样,基于滑动窗将数据划分成多个子序列,构建空调监测与参数辨识数据集,初始化自编码空调协同辨识模型,使用空调监测与参数辨识数据集的训练集进行模型训练,并采用动态权重平均算法调整空调监测与参数辨识的任务权重,将训练得到的自编码空调协同辨识模型投入部署应用后,基于与划分子序列时相同的滑动窗方式流式读取实时的电表总线型数据、室内温度数据和室外温度数据,输入模型后在空调负荷监测分支中得到空调监测数据,空调监测数据包括空调的运行功率,在空调物理参数辨识分支中得到物理模型参数辨识结果,物理模型参数辨识结果包括等效比热容、等效热阻和能效比。
实施本发明实施例,提出了融合空调功率监测与模型参数辨识任务的自编码空调协同辨识模型,利用上下游任务间的相关性提高空调监测与空调参数辨识的准确性;融合了电气量与温度的多源信息与融入了空调模型知识,在训练模型中对隐向量加入空调物理模型参数辨识任务作为额外指导,可有效地提高空调监测模型在不同品牌、不同运行模式的空调中的泛化性能;提出的自编码空调协同辨识模型的空调物理参数辨识分支可直接输出辨识的参数结果,无需多次迭代,大幅提高空调物理模型参数辨识的效率;为解决空调负荷监测与物理参数辨识任务在训练中重要性的权衡问题,采用动态权重平均算法对损失权重进行动态调整,有效提升训练的稳定性与模型性能。
另外,本申请实施例还提供一种计算机设备,计算机设备包括处理器和存储器,存储器用于存储计算机程序,计算机程序被处理器执行时实现上述任意方法实施例中的步骤。
上述的一种自编码空调协同辨识模型的空调监测与参数辨识方法基于实施上述方法实施例的一种自编码空调协同辨识模型的构建方法。上述方法实施例中的可选项也适用于本实施例,这里不再详述。本申请实施例的其余内容可参照上述方法实施例的内容,在本实施例中,不再进行赘述。
以上的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步的详细说明,应当理解,以上仅为本发明的具体实施例而已,并不用于限定本发明的保护范围。特别指出,对于本领域技术人员来说,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种自编码空调协同辨识模型的构建方法,其特征在于,包括:
获取若干款空调的运行采样数据,将所述运行采样数据进行重采样填充处理,获得空调采样填充数据;其中,所述运行采样数据包括电表总线型有功功率、空调单体有功功率、室内温度和室外温度;
通过预设滑动窗将所述空调采样填充数据划分成若干个子序列,根据各所述子序列,构建空调监测参数辨识数据集;
构建初始自编码空调协同辨识模型,并根据所述空调监测参数辨识数据集,通过动态调整模型参数的任务权重对所述初始自编码空调协同辨识模型进行模型训练,当满足预设训练结束条件时,停止模型训练,获得自编码空调协同辨识模型;其中,所述初始自编码空调协同辨识模型包括若干个一维卷积层、空调负荷监测分支和空调物理参数辨识分支。
2.如权利要求1所述的自编码空调协同辨识模型的构建方法,其特征在于,所述构建初始自编码空调协同辨识模型,具体为:
通过各所述一维卷积层提取隐变量,将所述隐变量,输入所述空调负荷监测分支,获得空调负荷监测数据,并将所述隐变量,输入所述空调物理参数辨识分支,获得物理模型参数辨识结果,得到空调监测参数辨识结构,根据所述空调监测参数辨识结构,构建所述初始自编码空调协同辨识模型;
其中,所述初始自编码空调协同辨识模型的模型参数的初始值设置为预设范围内的数值;
所述空调负荷监测分支包括若干个一维反卷积层、第一全连接层和第二全连接层;
所述空调物理参数辨识分支包括第三全连接层。
3.如权利要求1所述的自编码空调协同辨识模型的构建方法,其特征在于,所述根据各所述子序列,构建空调监测参数辨识数据集,具体为:
统计各所述子序列中空调单体平均功率,随机抽取满足第一预设抽取条件的子序列和满足第二预设抽取条件的子序列,组成所述空调监测参数辨识数据集;
其中,所述第一预设抽取条件为第一预设数量的空调单体平均功率大于空调开启功率阈值的子序列;
所述第二预设抽取条件为第二预设数量的空调单体平均功率小于所述空调开启功率阈值的子序列;
所述空调监测参数辨识数据集中预设比例的子序列作为训练集,所述空调监测参数辨识数据集中非所述训练集的子序列为验证集。
4.如权利要求3所述的自编码空调协同辨识模型的构建方法,其特征在于,所述根据所述空调监测参数辨识数据集,通过动态调整模型参数的任务权重对所述初始自编码空调协同辨识模型进行模型训练,具体为:
将所述训练集输入所述初始自编码空调协同辨识模型,最小化损失函数作为目标函数,通过Adam优化器基于反向传播算法迭代求取所述初始自编码空调协同辨识模型的模型参数,通过动态权重平均法调整所述模型参数的任务权重进行模型训练;
其中,所述损失函数根据空调有功功率监测损失函数、所述空调有功功率监测损失函数的权重值、空调参数辨识损失函数和所述空调参数辨识损失函数的权重值计算得到,具体为:
Loss=w1·Loss1+w2·Loss2
式中,Loss为所述损失函数,Loss1为所述空调有功功率监测损失函数,Loss2为所述空调参数辨识损失函数,w1为所述空调有功功率监测损失函数的权重值,w2为所述空调参数辨识损失函数的权重值,num为所述训练集的样本数,woutput为所述预设滑动窗的输出窗的窗宽,f(·)为所述初始自编码空调协同辨识模型的空调负荷监测分支的输出,xij为所述训练集中第i个子序列中第j个电表总线型有功功率值,yij为所述训练集中第i个子序列中第j个空调单体有功功率值,为所述训练集中第i个子序列中第j+1个室内温度值,为ETP一阶空调模型的室外温度计算值,xi(j+1)为所述训练集中第i个子序列中第j+1个电表总线型有功功率值,/>为所述训练集中第i个子序列中第j+1个室外温度值,为所述训练集中第i个子序列中第j个室内温度值,Δt为采样间隔,η为能效比,R为等效热阻,C为等效比热容。
5.如权利要求4所述的自编码空调协同辨识模型的构建方法,其特征在于,所述动态权重平均法,具体为:
根据迭代公式,将所述空调有功功率监测损失函数的权重值和所述空调参数辨识损失函数的权重值进行迭代更新;其中,所述迭代公式,具体为:
式中,w1(epoch)与w2(epoch)分别为w1与w2在第epoch次迭代中的权重值,epoch为迭代次数,r1(epoch-1)为第epoch-1次迭代中Loss1的衰减比率,r2(epoch-1)为第epoch-1次迭代中Loss2的衰减比率,T为所述验证集选定的参数,Loss1(epoch-1)为第epoch-1次迭代中的空调有功功率监测损失函数,Loss1(epoch-2)为第epoch-2次迭代中的空调有功功率监测损失函数,Loss2(epoch-1)为第epoch-1次迭代中的空调参数辨识损失函数,Loss2(epoch-2)为第epoch-2次迭代中的空调参数辨识损失函数。
6.如权利要求4所述的自编码空调协同辨识模型的构建方法,其特征在于,所述通过预设滑动窗将所述空调采样填充数据划分成若干个子序列,具体为:
根据所述预设滑动窗的输出窗的窗宽和输入窗的窗宽,按时间顺序由后往前将所述空调采样填充数据划分为各所述子序列;
其中,同一子序列中的所述电表总线型有功功率、所述空调单体有功功率、所述室内温度和所述室外温度的采样时间戳相同;所述输出窗与滑动方向一致的前端与所述输入窗的前端相同。
7.如权利要求1所述的自编码空调协同辨识模型的构建方法,其特征在于,所述将所述运行采样数据进行重采样填充处理,获得空调采样填充数据,具体为:
按照预设的填充规则,将所述室内温度和所述室外温度向后填充,填充至与所述电表总线型有功功率或所述空调单体有功功率相同的频率;
其中,所述预设的填充规则为将所述室内温度和所述室外温度重复预设次数,构成与所述电表总线型有功功率或所述空调单体有功功率的频率相同的序列;
所述预设次数为所述电表总线型有功功率或所述空调单体有功功率相对于所述室内温度或所述室外温度的采样频率倍数。
8.如权利要求1所述的自编码空调协同辨识模型的构建方法,其特征在于,所述获取若干款空调的运行采样数据,具体为:
通过智能终端量测各款所述空调的所述运行采样数据;
其中,所述智能终端包括智能电表、智能插座和智能空气开关;
所述电表总线型有功功率是所述智能电表或所述智能空气开关从家庭用户入户处采集得到的有功功率,采样频率不低于1Hz;
所述空调单体有功功率是仅有单台空调运行时所采集的有功功率,所述空调单体有功功率的采样频率与所述电表总线型有功功率的采样频率相同;
所述室内温度是与所述电表总线型有功功率或所述电表总线型有功功率同步采集的室内环境温度数据,所述室内温度的采样间隔不低于5分钟;
所述室外温度是与所述电表总线型有功功率或所述电表总线型有功功率同步采集的室外环境温度数据,所述室外温度的采样间隔不低于5分钟。
9.一种自编码空调协同辨识模型的空调监测与参数辨识方法,其特征在于,包括:
通过预设滑动窗进行流式读取当前空调的实时运行数据,将所述实时运行数据输入自编码空调协同辨识模型,得到空调监测数据和物理模型参数辨识结果;
其中,所述自编码空调协同辨识模型通过如权利要求1-8中任一项所述的自编码空调协同辨识模型的构建方法获得;所述实时运行数据包括电表总线型有功功率、空调单体有功功率、室内温度和室外温度。
10.一种计算机设备,其特征在于,包括处理器和存储器,所述存储器用于存储计算机程序,所述计算机程序被所述处理器执行时实现如权利要求9所述的一种自编码空调协同辨识模型的空调监测与参数辨识方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310773349.8A CN116776283A (zh) | 2023-06-27 | 2023-06-27 | 一种自编码空调协同辨识模型的空调监测与参数辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310773349.8A CN116776283A (zh) | 2023-06-27 | 2023-06-27 | 一种自编码空调协同辨识模型的空调监测与参数辨识方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116776283A true CN116776283A (zh) | 2023-09-19 |
Family
ID=88009672
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310773349.8A Pending CN116776283A (zh) | 2023-06-27 | 2023-06-27 | 一种自编码空调协同辨识模型的空调监测与参数辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116776283A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117804027A (zh) * | 2023-12-31 | 2024-04-02 | 杭州云牧科技有限公司 | 一种基于空调终端监测数据的空调异常诊断方法及装置 |
-
2023
- 2023-06-27 CN CN202310773349.8A patent/CN116776283A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117804027A (zh) * | 2023-12-31 | 2024-04-02 | 杭州云牧科技有限公司 | 一种基于空调终端监测数据的空调异常诊断方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210383041A1 (en) | In-situ thermodynamic model training | |
Zhuang et al. | Data-driven predictive control for smart HVAC system in IoT-integrated buildings with time-series forecasting and reinforcement learning | |
CN112946484B (zh) | 一种基于bp神经网络的soc估计方法、系统、终端设备及可读存储介质 | |
CN112633604B (zh) | 一种基于i-lstm的短期用电量预测方法 | |
Jiang et al. | Attention-LSTM architecture combined with Bayesian hyperparameter optimization for indoor temperature prediction | |
Liu et al. | Heating load forecasting for combined heat and power plants via strand-based LSTM | |
CN116776283A (zh) | 一种自编码空调协同辨识模型的空调监测与参数辨识方法 | |
CN113449919B (zh) | 一种基于特征和趋势感知的用电量预测方法及系统 | |
CN112884012A (zh) | 基于支持向量机原理的建筑能耗预测方法 | |
CN106778838A (zh) | 一种预测空气质量的方法 | |
CN116992322B (zh) | 一种智慧城市数据中心管理系统 | |
CN112433139B (zh) | 一种提高超级电容循环寿命的方法及装置 | |
CN114066071A (zh) | 一种基于能耗的电力参数优化方法、终端设备及存储介质 | |
CN113983646A (zh) | 基于生成对抗网络的空调互动末端能耗预测方法及空调 | |
CN112381673A (zh) | 一种基于数字孪生的园区用电信息分析方法及装置 | |
CN110781595A (zh) | 能源使用效率pue的预测方法、装置、终端及介质 | |
CN116796141A (zh) | 一种基于gbdt回归模型的办公建筑能耗预测方法 | |
CN112597921A (zh) | 一种基于注意力机制gru深度学习的人体行为识别方法 | |
CN115100466A (zh) | 一种非侵入式负荷监测方法、装置及介质 | |
CN117195747B (zh) | 一种磁性材料烘干用均匀热分布优化方法 | |
CN112152840A (zh) | 一种基于bim和模拟仿真的传感器部署方法和系统 | |
CN117390550A (zh) | 考虑排放训练集的低碳园区碳排放动态预测方法及系统 | |
CN117113086A (zh) | 一种储能机组负荷预测方法、系统、电子设备及介质 | |
CN111242266A (zh) | 一种运行数据管理系统 | |
CN117132334A (zh) | 电力零售的智能定价方法、系统、电子装置及存储介质 |
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 |