构建系统模型的方法和装置制造方法及图纸

本公开公开了一种构建系统模型的方法和装置。所述系统包括多种类型的设备，每种类型的设备分别包括多个设备。所述方法包括：构建前馈神经网络，前馈神经网络包括输入层、多个隐藏层和输出层，输入层中的每个神经元对应为每个设备的参数，输出层的输出对应为系统的输出，输入层根据设备的类型划分为多个设备区，与输入层直接连接的隐藏层划分为多个隐藏区，多个隐藏区与多个设备区一一对应，每个设备区中的神经元仅与所对应的隐藏区中的神经元全连接；对前馈神经网络进行训练，得到系统的系统模型。这样，将前馈神经网络进行了简化，避免了过拟合，并在一定程度上针对不同类型的设备进行了粗特征的提取，使构建的系统更加准确。

Method and apparatus for constructing a system model

The present invention discloses a method and a device for constructing a system model. The system comprises a wide variety of devices, each of which comprises a plurality of devices. The method includes: constructing feedforward neural network, feedforward neural network including multiple input layer, hidden layer and output layer, each neuron in the input layer corresponding to parameters of each device, the output corresponding to the output layer to the input layer according to the output of the system, the type of equipment is divided into a plurality of devices, and input layer directly connected to the hidden layer is divided into multiple hidden area, a hidden area with a plurality of devices corresponding to each equipment area, area of neurons in the whole area only connected with the hidden in the corresponding neurons; the training of feedforward neural network, then the system model system. In this way, the feed-forward neural network is simplified, the overfitting is avoided, and the coarse features of different types of equipment are extracted to a certain extent, so that the constructed system is more accurate.

【技术实现步骤摘要】
构建系统模型的方法和装置
本公开涉及计算机领域，具体地，涉及一种构建系统模型的方法和装置。
技术介绍
系统是指将零散的东西进行有序地整理、编排形成的具有整体性的整体。随着社会的不断发展，在各个领域中构建了越来越多的系统(例如，中央空调系统)，用于将多个设备整体性地运行，以达到统一管理的目的。系统建模的方法通常包括机理分析法、系统辨识法和机器学习法。其中，机理分析法以描述物理特性为基础，包括流体力学、工程热力学和传热学等，模型精度高，参数量大；系统辨识法相比机理分析法，无需了解机理，但需要给出系统模型的结构，对于多输入多输出非线性系统需要解耦，过程比较复杂；机器学习法根据输入输出，根据历史数据学习输入输出的映射关系，不需要机理方面细节的知识，也能够很好地解决非线性多变量系统的建模问题。
技术实现思路
本公开的目的是提供一种简单易行的构建系统模型的方法和装置。为了实现上述目的，本公开提供一种构建系统模型的方法。所述系统包括多种类型的设备，每种类型的设备分别包括多个设备。所述方法包括：构建前馈神经网络，所述前馈神经网络包括输入层、多个隐藏层和输出层，所述输入层中的每个神经元对应为每个设备的参数，所述输出层的输出对应为所述系统的输出，所述输入层根据设备的类型划分为多个设备区，与所述输入层直接连接的隐藏层划分为多个隐藏区，所述多个隐藏区与所述多个设备区一一对应，每个设备区中的神经元仅与所对应的隐藏区中的神经元全连接；对所述前馈神经网络进行训练，得到所述系统的系统模型。可选地，在所述前馈神经网络中，每个设备区中的神经元仅与所对应的隐藏区中的神经元连接。可选地，在所述前馈神经网络中，相邻的两个隐藏层的神经元全连接，且所述输出层和与所述输出层直接连接的隐藏层的神经元全连接。可选地，所述对所述前馈神经网络进行训练，得到所述系统的系统模型的步骤包括：设置所述前馈神经网络中每个层的目标函数，其中，与所述输入层直接连接的隐藏层的目标函数包括该隐藏层中各个连接的权重的L1范数；根据所述目标函数进行迭代计算，得到各个连接的权重，其中，在迭代过程中，当与所述输入层直接连接的隐藏层中的一连接的权重的绝对值小于预定的值时，设定该连接的权重为零。可选地，所述根据所述目标函数进行迭代计算，得到各个连接的权重的步骤包括：根据所述目标函数确定所述输出层的目标函数对各个连接的权重的偏导数为：各个隐藏层的目标函数对各个连接的权重的偏导数为：根据所确定的各个连接的权重的偏导数，用误差反向传播算法进行迭代计算，得到各个连接的权重，其中，L为所述前馈神经网络所包含的总层数；E(i)为第i个样本的目标函数；为与所述输出层直接连接的隐藏层的第j个神经元到所述输出层的第1个神经元的连接的权重；为与所述输出层直接连接的隐藏层的第j个神经元的输出；d(i)为与样本中的输入x(i)对应的、经过所述前馈神经网络的预测值；y(i)为样本中与输入x(i)对应的输出；为d(i)与y(i)的残差；f(.)为激活函数；f′(.)为所述激活函数的导数；为第l-1层的第j个神经元到第l层的第i个神经元的连接的权重；为第l层的第i个神经元到第l+1层的第k个神经元的连接的权重；为第l-1层的第j个神经元的输出；为从输出层误差反向传导到第l层的残差，为从输出层误差反向传导到第l+1层的残差，sl+1为第l+1层的神经元个数，sl-1为第l-1层的神经元个数。本公开还提供一种构建系统模型的装置，所述系统包括多种类型的设备，每种类型的设备分别包括多个设备。所述装置包括：构建模块，用于构建前馈神经网络，所述前馈神经网络包括输入层、多个隐藏层和输出层，所述输入层中的每个神经元对应为每个设备的参数，所述输出层的输出对应为所述系统的输出，所述输入层根据设备的类型划分为多个设备区，与所述输入层直接连接的隐藏层划分为多个隐藏区，所述多个隐藏区与所述多个设备区一一对应，每个设备区中的神经元仅与所对应的隐藏区中的神经元全连接；训练模块，用于对所述前馈神经网络进行训练，得到所述系统的系统模型。通过上述技术方案，在前馈神经网络中，将输入层按照系统中设备的类型分成多个设备区，将与输入层直接连接的隐藏层划分为多个隐藏区，每个设备区仅与所对应的隐藏区全连接。这样，将前馈神经网络进行了简化，避免了过拟合，并且，在一定程度上对不同类型的设备进行了粗特征的提取。因此，构建的系统模型更加准确，从而使得构建的系统更加符合实际。例如，在中央空调系统中，可以将设备分为冷却塔、冷却泵、冷机和冷冻泵四种类型。将神经网络的输入层中的神经元分为与四个类型一一对应的四个设备区，每个神经元为对应设备的功率值。这样构建出的神经网络在一定程度上对设备类型的粗特征进行了提取，因此，对神经网络进行了简化，避免了过拟合。本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。附图说明附图是用来提供对本公开的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本公开，但并不构成对本公开的限制。在附图中：图1是一示例性实施例提供的构建系统模型的方法的流程图；图2是一示例性实施例提供的前馈神经网络的架构图；图3是一示例性实施例提供的构建系统模型的装置的框图。具体实施方式以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本公开，并不用于限制本公开。如上所述，系统建模的方法可以包括机器学习法。在机器学习法中，通常可以根据前馈神经网络对系统进行建模。例如可以采用贝叶斯信念网络来进行建模。在贝叶斯信念网络中，可以根据观测到的历史设备运转状态数据，对贝叶斯信念网络的架构以及参数分别进行训练，设备节点之间的关联性(条件概率)需要中间输出量的观测数据的支持。然而在实际应用中，由于目前传感器设备的限制，对于中间设备的状态的监控有时处于缺失的状态，对于系统，往往只能监测到最终的输出，中间设备的输出无法进行监测，设备间的状态基本属于黑盒子状态。这就导致了上述方法无法在很多系统中实施应用。另外，通过上述方法计算的往往是设备间的直接线性关系，对于复杂程度较大、受控因素庞大的系统来说，设备之间的关系往往是复杂的、间接的非线性关系，利用线性函数拟合非线性关系会存在较大的误差。考虑到以上因素，对于系统中包括多种类型的设备，且每种类型的设备中又包括多个设备的情况，专利技术人提出了在前馈神经网络中，在与输入层直接连接的隐藏层中根据设备的类型进行粗特征提取的专利技术构思，以下详细描述。图1是一示例性实施例提供的构建系统模型的方法的流程图。所述系统包括多种类型的设备，每种类型的设备分别包括多个设备。如图1所示，所述方法包括以下步骤。在步骤S11中，构建前馈神经网络，该前馈神经网络包括输入层、多个隐藏层和输出层，输入层中的每个神经元对应为每个设备的参数，输出层的输出对应为系统的输出，输入层根据设备的类型划分为多个设备区，与输入层直接连接的隐藏层划分为多个隐藏区，多个隐藏区与多个设备区一一对应，每个设备区中的神经元仅与所对应的隐藏区中的神经元全连接。在步骤S12中，对前馈神经网络进行训练，得到系统的系统模型。在前馈神经网络中，通常包括输入层、输出层、以及处于输入层和输出层之间的多个隐藏层。例如，前馈神经网络可以包括从输入本文档来自技高网...

【技术保护点】
一种构建系统模型的方法，所述系统包括多种类型的设备，每种类型的设备分别包括多个设备，其特征在于，所述方法包括：构建前馈神经网络，所述前馈神经网络包括输入层、多个隐藏层和输出层，所述输入层中的每个神经元对应为每个设备的参数，所述输出层的输出对应为所述系统的输出，所述输入层根据设备的类型划分为多个设备区，与所述输入层直接连接的隐藏层划分为多个隐藏区，所述多个隐藏区与所述多个设备区一一对应，每个设备区中的神经元仅与所对应的隐藏区中的神经元全连接；对所述前馈神经网络进行训练，得到所述系统的系统模型。

【技术特征摘要】
1.一种构建系统模型的方法，所述系统包括多种类型的设备，每种类型的设备分别包括多个设备，其特征在于，所述方法包括：构建前馈神经网络，所述前馈神经网络包括输入层、多个隐藏层和输出层，所述输入层中的每个神经元对应为每个设备的参数，所述输出层的输出对应为所述系统的输出，所述输入层根据设备的类型划分为多个设备区，与所述输入层直接连接的隐藏层划分为多个隐藏区，所述多个隐藏区与所述多个设备区一一对应，每个设备区中的神经元仅与所对应的隐藏区中的神经元全连接；对所述前馈神经网络进行训练，得到所述系统的系统模型。2.根据权利要求1所述的方法，其特征在于，在所述前馈神经网络中，每个设备区中的神经元仅与所对应的隐藏区中的神经元连接。3.根据权利要求1所述的方法，其特征在于，在所述前馈神经网络中，相邻的两个隐藏层的神经元全连接，且所述输出层和与所述输出层直接连接的隐藏层的神经元全连接。4.根据权利要求1所述的方法，其特征在于，所述对所述前馈神经网络进行训练，得到所述系统的系统模型的步骤包括：设置所述前馈神经网络中每个层的目标函数，其中，与所述输入层直接连接的隐藏层的目标函数包括该隐藏层中各个连接的权重的L1范数；根据所述目标函数进行迭代计算，得到各个连接的权重，其中，在迭代过程中，当与所述输入层直接连接的隐藏层中的一连接的权重的绝对值小于预定的值时，设定该连接的权重为零。5.根据权利要求4所述的方法，其特征在于，所述根据所述目标函数进行迭代计算，得到各个连接的权重的步骤包括：根据所述目标函数确定所述输出层的目标函数对各个连接的权重的偏导数为：各个隐藏层的目标函数对各个连接的权重的偏导数为：根据所确定的各个连接的权重的偏导数，用误差反向传播算法进行迭代计算，得到各个连接的权重，其中，L为所述前馈神经网络所包含的总层数；E(i)为第i个样本的目标函数；为与所述输出层直接连接的隐藏层的第j个神经元到所述输出层的第1个神经元的连接的权重；为与所述输出层直接连接的隐藏层的第j个神经元的输出；d(i)为与样本中的输入x(i)对应的、经过所述前馈神经网络的预测值；y(i)为样本中与输入x(i)对应的输出；为d(i)与y(i)的残差；f(.)为激活函数；f′(.)为所述激活函数的导数；为第l-1层的第j个神经元到第l层的第i个神经元的连接的权重；为第l层的第i个神经元到第l+1层的第k个神经元的连接的权重；为第l-1层的第j个神经元的输出；为从输出层误差反向传导到第l层的残差，为从输出层误差反向传导到第l+1层的残差，sl+1为第l+1层的神经元个数，sl-1为第l-1层的神经元个数。6...

【专利技术属性】
技术研发人员：邹存璐，孙浩，高睿，
申请(专利权)人：东软集团股份有限公司，
类型：发明
国别省市：辽宁,21