一种基于LSTM神经网络和磷虾群优化算法的室内通风控制方法技术

本发明专利技术提供了一种基于LSTM神经网络和磷虾群优化算法的室内通风控制方法，包括：步骤S1：采集室内环境数据，在云端基于LSTM神经网络对室内环境参数和通风控制量建立关系模型。步骤S2：系统结合实时采集到的室内环境数据，能通过下载到本地的模型计算出在当前环境不同控制量下对应的不同控制结果。步骤S3：记录获得的实时环境数据和寻优后得到的最优控制量记录并上传至云端服务器，增加神经网络模型的样本数据集，定期进行模型的反馈训练，提高模型的准确性。采用本发明专利技术的技术方案，优化了室内通风控制过程，避免了过量通风造成的能源浪费和不足通风造成的室内环境不良的情况。

【技术实现步骤摘要】
一种基于LSTM神经网络和磷虾群优化算法的室内通风控制方法
本专利技术属于室内空气控制
，特别是涉及一种基于LSTM神经网络和磷虾群优化算法的室内通风控制方法。
技术介绍
室内空气质量的控制得到了越来越多人的重视，而提高室内空气质量，降低空气污染对人体的影响的常用的方法可采用新风系统进行调节。新风系统是一种室内通风排气设备，通过控制通风设备的运行，将室外的新鲜空气按照需要输送到室内之中，保证室内的空气质量。常见的控制方法为手动控制或根据空气中某些污染成分的浓度进行自动控制。
技术实现思路
本专利技术提出了一种基于LSTM神经网络和磷虾群优化算法的室内通风控制方法，基于LSTM神经网络对室内环境参数和通风控制量建立关系模型，结合实时采集到的室内环境数据，能通过下载到本地的模型计算出在当前环境不同控制量下对应的不同控制结果。通过本专利技术设计的一个评分方案对控制结果评分并采用磷虾群优化算法迭代不同的控制量获取对应最佳评分的控制量，既避免了过量通风造成的能源浪费也避免了不足通风造成的室内环境不良的情况。同时在系统的运本文档来自技高网...

【技术保护点】
1.一种基于LSTM神经网络和磷虾群优化算法的室内通风控制方法，其特征在于，包括以下步骤：/n步骤S1：采集室内环境数据，在云端基于LSTM神经网络对室内环境参数和通风控制量建立关系模型；/n步骤S2：系统结合实时采集到的室内环境数据，能通过下载到本地的模型计算出在当前环境不同控制量下对应的不同控制结果；通过本专利技术设计的一个评分方案对控制结果评分并采用磷虾群优化算法迭代不同的控制量获取对应最佳评分的控制量，最后将最佳控制量传输给通风设备进行控制；/n步骤S3：记录获得的实时环境数据和寻优后得到的最优控制量记录并上传至云端服务器，增加神经网络模型的样本数据集，定期进行模型的反馈训练，提高模型...

【技术特征摘要】
1.一种基于LSTM神经网络和磷虾群优化算法的室内通风控制方法，其特征在于，包括以下步骤：
步骤S1：采集室内环境数据，在云端基于LSTM神经网络对室内环境参数和通风控制量建立关系模型；
步骤S2：系统结合实时采集到的室内环境数据，能通过下载到本地的模型计算出在当前环境不同控制量下对应的不同控制结果；通过本发明设计的一个评分方案对控制结果评分并采用磷虾群优化算法迭代不同的控制量获取对应最佳评分的控制量，最后将最佳控制量传输给通风设备进行控制；
步骤S3：记录获得的实时环境数据和寻优后得到的最优控制量记录并上传至云端服务器，增加神经网络模型的样本数据集，定期进行模型的反馈训练，提高模型的准确性；
其中，所述步骤S1进一步包括：
步骤S11:通过手动或自动调节控制量，获取不同控制量在不同环境下所得到的控制结果，即在该控制量下运行一段时间后的室内环境数据；
步骤S12：将获取得到的数据集，进行预处理，防止因异常数据或数据丢失对数据集造成干扰；
步骤S13：将预处理之后的数据集分割为样本集和测试集，样本集用于训练，测试集用于测试模型准确度；根据数据类别作为不同维度的输入数据输入LSTM模型进行训练，得到关系模型；
步骤S13进一步包括：
步骤S131:假设室内环境参数数据为分别表示第i时刻室内不同气体的浓度数据；系统控制量为Ci，表示第i时刻的系统控制量；
步骤S132:根据样本集构建输入和输出，输入选取连续k个时刻的室内环境参数数据和系统控制变量组成；一组输入数据表示为相对应的输出结果为选择合适的网络参数和训练次数，将输入输出代入LSTM神经网络，进行训练，得到关系模型；
步骤S2根据训练好的关系模型结合实时的环境数据进行下一时刻控制结果的预测并评分，采用磷虾群算法迭代控制量，选择对应最优评分的控制结果的控制量传输给通风设备；该步骤进一步包括：
步骤S21：根据实时环境数据和实时控制量构建实时输入数据其中CTra为当前的所要采用的控制量(即为优化算法中所迭...

【专利技术属性】
技术研发人员：严义，郑宇聪，赵建勇，邬惠峰，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：浙江;33