一种基于遗传算法和长短期记忆循环神经网络的空调节能方法技术

一种基于遗传算法和长短期记忆循环神经网络的空调节能方法，包括以下步骤：步骤1，建立空调能耗预测评估模型；步骤2，确定优化参数；步骤3，用遗传算法将冷却供水温度、冷却供回水温差进行编码，根据此编码，在一定范围内，随机生成冷却供水温度、冷却供回水温差，得到若干染色体组成的初始种群；步骤4，将当前工况的其他参数以及染色体参数解码并输入LSTM‑RNN空调预测评估模型，进行染色体评估，计算适应度函数，并对较优染色体进行交叉、变异；得到的最优染色体解码即最优参数；步骤5，将最优参数结合当前工况下的其他参数，输入预测评估模型得到优化后空调功耗。发明专利技术提升了预测评估准确率，达到较好的优化能耗的效果。

Energy Saving Method of Air Conditioning Based on Genetic Algorithms and Long-term Memory Cycle Neural Network

【技术实现步骤摘要】
一种基于遗传算法和长短期记忆循环神经网络的空调节能方法
本专利技术涉及到一种基于遗传算法和长短期记忆循环神经网络的空调节能方法。
技术介绍
在我国，建筑的能耗逐年增加，已经占到全球能源需求的40％左右。同时，空调和供暖系统约占建筑总能耗的一半，并且近些年来所占比例不断增加。据统计,我国公共建筑节能达标率不足10％。所以针对空调系统做一定的调整，可以做到节能潜力的最大挖掘。现代建筑通常与各种技术相结合，做到一定程度的楼宇节能。楼宇自动化系统(BAS)是集成了物联网技术，控制技术、网络技术等技术的系统。它通过对建筑(群)的各种设备实施综合自动化监控与管理，为业主和用户提供安全、舒适、便捷高效的工作与生活环境，并使整个系统和其中的各种设备处在最佳的工作状态，从而保证系统运行的经济性和管理的现代化、信息化和智能化。与此同时，在BAS系统中，大量的空调数据如温度、湿度、流量、功率等都被记录在数据库中。但是这些数据很少有效的被用在空调分析、建模、优化当中。通过大量数据对空调系统进行分析、建模、优化，能更好地预测空调能耗，反映大楼内空调工况并进行实时自动管理，实现自动化管理和节能，同时提高大楼内人员的舒适感。
技术实现思路
为了克服已有空调能耗优化方法的评估建模、优化步骤繁杂的不足，本专利技术提供一种较为简单、且效果不错的基于遗传算法和长短期记忆循环神经网络的空调节能方法。本专利技术解决其技术问题所采用的技术方案是：一种基于遗传算法和长短期记忆循环神经网络的空调节能方法，包括以下步骤：步骤1，建立空调能耗预测评估模型，使用大冲能源提供的水冷空调项目数据归一化后，作为LSTM-RNN长短期记忆循环神经网络的输入，当前工况下的空调总能耗空调总能耗作为神经网络预测目标，进行网络训练后，得到最终的空调能耗预测评估模型；步骤2，确定优化参数，在空调制冷量不变的情况下，最大限度的降低功耗，提高cop；设置冷却供水温度、冷却供回水温差为优化参数；步骤3，种群初始化，用遗传算法将冷却供水温度、冷却供回水温差进行编码，根据此编码，在一定范围内，随机生成冷却供水温度、冷却供回水温差，得到若干染色体组成的初始种群；步骤4，参数优化，将当前工况的其他参数以及染色体参数解码并输入步骤3得到的LSTM-RNN空调预测评估模型，进行染色体评估，计算适应度函数，并对较优染色体进行交叉、变异；重复操作步骤4，直到优化到设定程度或遗传到设定代数，得到的最优染色体解码就是得到的最优参数；步骤5，将得到的最优染色体解码结合当前工况下的其他参数，输入预测评估模型，得到优化后空调功耗。进一步，所述步骤1中的数据为：(1)输入变量：其中所述输入量包括室外温度、室外湿度、冷却供水温度、冷却回水温度、冷冻供水温度、冷冻回水温度、总管流量、月份标签和时间标签；(2)预测变量：预测变量为当前工况下的空调能耗；(3)数据归一化：输入变量的样本数据按下述公式进行归一化其中x'是归一化后的数据，x为输入数据，μ为数据的均值，σ为数据的标准差。再进一步，所述步骤1中的LSTM-RNN长短期记忆循环神经网络预测模型网络结构如下：(1)Timesteps：RNN中表示记忆历史信息长度的参数，其值代表RNN能够利用的时间序列长度，更具有通用性的模型采用timesteps为1；(2)激活函数：RNN中选择tanh作为激活函数，它能够把输入的连续实值“压缩”到-1和1之间，如果是非常大的负数，那么输出就是-1；如果是非常大的正数，输出就是1；(3)神经元选择：长短期记忆(long-shorttermmemory，LSTM)网络是RNN中的一种特定的神经元，在隐藏层中通过3个门的结构来控制信息的存留，可以筛选出信息流中重要与不重要的信息，使结果更加精确；(4)损失函数：对均方误差(meansquarederror，MSE)进行了修改，当算出预测值predictedt和实际值observert差的平方后，再除以实际值observert，得出误差平方对于实际值的比例，再进行平均；使得模型适当注重大误差比例数据的调整，又可以很好的排除离群点的干扰，一些特殊值也能照顾到，得到的结果更加平均，能更好做到普适性；(5)其他参数：模型采用10层LSTM节点构成的隐藏层，每层有50个节点，自适应梯度下降法，训练轮数为5000轮，batch_size为30，学习率为0.00005。进一步，所述步骤2、3、4中，遗传算法参数设置以及优化结构如下：(1)染色体编码：使用二进制编码作为遗传算法的编码方式。在空调正常运行的参数范围内设置空调参数；(2)优化目标函数：在正常运行且满足制冷需求的前提条件下，需要达到中央空调总设备运行能耗最低，可根据目标函数和约束条件，利用惩罚函数penalty，将约束条件进行相应的转换，把有约束条件变为无约束条件的问题，迫使目标函数的解在约束条件内；约束条件：(T冷却回水温度-T湿球温度)max≥T冷却回水温度-T湿球温度≥(T冷却回水温度-T湿球温度)min(T冷却供水温度-T湿球温度)max≥T冷供回水温度-T湿球温度≥(T冷却供水温度-T湿球温度)min惩罚函数：penalty＝[max{0,(2-(T冷却供水温度-T冷却供回水温差–T湿球温度))}]2+[max{0,(T冷却供水温度-T冷却供回水温差-T湿球温度-6)}]2+[max{0,(4-(T冷却供水温度-T湿球温度))}]2+[max{0,(T冷却供水温度-T湿球温度-8)}]2得到目标函数：F＝P预测功耗+penalty(3)适应度函数：适应度函数会评估所有的染色体，所得到的适应度值是衡量当前染色体的优劣程度的体现；fitness＝-F(4)其他条件：采用50个个体的种群进行进化，初始化基因采用随机轮盘赌的方式来选择初代种群，采用单点交叉的交叉方式，交叉概率为80％，10％的基因突变率，终止条件为经过100代的进化，选择适应度值最高的基因作为最终最优基因。本专利技术的技术构思为：在大冲能源科技公司提供的部分空调项目数据，以及外界环境数据的基础上，进行一定的数据预处理，特征筛选，得到与空调能耗关联度较高的一些特征数据，通过特定的算法对特征数据以及能耗数据进行训练，生成能耗预测模型，再根据空调数据和环境数据数据，并使用遗传算法进行参数优化，在制冷量不变的情况下，降低空调功耗，使空调cop提高。本专利技术的有益效果主要表现在：在对空调数据进行处理的时候，运用统计学中的相关系数等方法排除一些无关特征，并根据时间等信息增加一些相关特征；在此基础上，使用LSTM-RNN来训练模型，在一定程度上简化了模型训练过程，提升了预测评估准确率。使用遗传算法，较为简单的优化空调参数，达到较好的优化能耗的效果。附图说明图1为本专利技术所述基于遗传算法和长短期记忆循环神经网络的空调节能方法的流程图；图2为本专利技术所属LSTM-RNN基本结构图；图3为LSTM单元基本结构图。图4为遗传算法基本流程图具体实施方式下面结合附图对本专利技术作进一步描述。参照图1～图4，一种基于遗传算法和长短期记忆循环神经网络的空调节能方法，所述方法包括以下步骤：步骤1，建立空调能耗预测评估模型，使用大冲能源提供的水冷空调项目数据归一化后，作为LSTM-RNN长短期记忆循环神经网络的输入本文档来自技高网...

【技术保护点】
1.一种基于遗传算法和长短期记忆循环神经网络的空调节能方法，其特征在于，所述方法包括以下步骤：步骤1，建立空调能耗预测评估模型，使用大冲能源提供的水冷空调项目数据归一化后，作为LSTM‑RNN长短期记忆循环神经网络的输入，当前工况下的空调总能耗空调总能耗作为神经网络预测目标，进行网络训练后，得到最终的空调能耗预测评估模型；步骤2，确定优化参数，在空调制冷量不变的情况下，最大限度的降低功耗，提高cop；设置冷却供水温度、冷却供回水温差为优化参数；步骤3，种群初始化，用遗传算法将冷却供水温度、冷却供回水温差进行编码，根据此编码，在一定范围内，随机生成冷却供水温度、冷却供回水温差，得到若干染色体组成的初始种群。步骤4，参数优化，将当前工况的其他参数以及染色体参数解码并输入步骤3得到的LSTM‑RNN空调预测评估模型，进行染色体评估，计算适应度函数，并对较优染色体进行交叉、变异；重复操作步骤4，直到优化到设定程度或遗传到设定代数，得到的最优染色体解码就是得到的最优参数；步骤5，将得到的最优染色体解码结合当前工况下的其他参数，输入预测评估模型，得到优化后空调功耗。

【技术特征摘要】
1.一种基于遗传算法和长短期记忆循环神经网络的空调节能方法，其特征在于，所述方法包括以下步骤：步骤1，建立空调能耗预测评估模型，使用大冲能源提供的水冷空调项目数据归一化后，作为LSTM-RNN长短期记忆循环神经网络的输入，当前工况下的空调总能耗空调总能耗作为神经网络预测目标，进行网络训练后，得到最终的空调能耗预测评估模型；步骤2，确定优化参数，在空调制冷量不变的情况下，最大限度的降低功耗，提高cop；设置冷却供水温度、冷却供回水温差为优化参数；步骤3，种群初始化，用遗传算法将冷却供水温度、冷却供回水温差进行编码，根据此编码，在一定范围内，随机生成冷却供水温度、冷却供回水温差，得到若干染色体组成的初始种群。步骤4，参数优化，将当前工况的其他参数以及染色体参数解码并输入步骤3得到的LSTM-RNN空调预测评估模型，进行染色体评估，计算适应度函数，并对较优染色体进行交叉、变异；重复操作步骤4，直到优化到设定程度或遗传到设定代数，得到的最优染色体解码就是得到的最优参数；步骤5，将得到的最优染色体解码结合当前工况下的其他参数，输入预测评估模型，得到优化后空调功耗。2.根据权利要求1所述的一种基于遗传算法和长短期记忆循环神经网络的空调节能方法，其特征在于：所述步骤1中的数据为：(1)输入变量：其中所述输入量包括室外温度、室外湿度、冷却供水温度、冷却回水温度、冷冻供水温度、冷冻回水温度、总管流量、月份标签和时间标签；(2)预测变量：预测变量为当前工况下的空调能耗；(3)数据归一化：输入变量的样本数据按下述公式进行归一化其中x'是归一化后的数据，x为输入数据，μ为数据的均值，σ为数据的标准差。3.根据权利要求1或2所述的一种基于遗传算法和长短期记忆循环神经网络的空调节能方法，其特征在于：所述步骤1中，LSTM-RNN长短期记忆循环神经网络预测模型网络结构如下：(1)Timesteps：RNN中表示记忆历史信息长度的参数，其值代表RNN能够利用的时间序列长度，更具有通用性的模型采用timesteps为1；(2)激活函数：RNN中选择tanh作为激活函数，它能够把输入的连续实值“压缩”到-1和1之间，如果是非常大的负数，那么输出就是-1；如果是非常大的正数，输出就是1；(3)神...

【专利技术属性】
技术研发人员：胡海根，洪天佑，李伟，肖杰，周乾伟，管秋，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：浙江,33