一种基于负荷预测的空调机组优化控制方法及装置制造方法及图纸

本申请提供一种基于负荷预测的空调机组优化控制方法及装置，用以提高预测空调机组的负荷变化的稳定性和鲁棒性。方法包括：获得空调机组的运行数据，运行数据包括多类数据；通过第一神经网络模块处理运行数据，获得运行数据对应的多种成分，其中，第一神经网络模块包括特征提取模块和特征重构模块，特征提取模块用于将多类数据转换为多类特征，特征重构模块用于对多类特征进行分离，获得运行数据对应的多种成分特征；从多种成分特征中确定出一种关键成分特征；通过第二神经网络模块处理关键成分特征，预测空调机组在下一个时间段内的运行负荷。负荷。负荷。

【技术实现步骤摘要】
一种基于负荷预测的空调机组优化控制方法及装置


[0001]本申请涉及人工智能
，尤其涉及一种基于负荷预测的空调机组优化控制方法及装置。

技术介绍

[0002]随着技术的不断发展进步，人工智能已经在各种领域得到广泛应用。例如，在温控领域，可以通过神经网络模型，例如卷积神经网络(Convolutional Neural Networks，CNN)，快速卷积神经网络(Fast Convolutional Neural Networks，F
‑
CNN)等，对空调机组的运行数据进行处理，以预测空调机组的负荷变化趋势，并根据预测结果对空调机组的运行进行预先调控。
[0003]但是，由于空调机组的运行数据的类型比较多样，使得目前的神经网络模型在进行负荷变化预测时不够稳定，鲁棒性不够好。

技术实现思路

[0004]本申请实施例提供一种基于负荷预测的空调机组优化控制方法及装置，用以提高预测空调机组的负荷变化的稳定性和鲁棒性。
[0005]为达到上述目的，本申请采用如下技术方案：
[0006]第一方面，本申请实施例提供了一种基于负荷预测的空调机组优化控制方法，所述方法包括：获得空调机组的运行数据，所述运行数据包括多类数据；通过第一神经网络模块处理所述运行数据，获得所述运行数据对应的多种成分，其中，所述第一神经网络模块包括特征提取模块和特征重构模块，所述特征提取模块用于将所述多类数据转换为多类特征，所述特征重构模块用于对多类特征进行分离，获得所述运行数据对应的多种成分特征；从所述多种成分特征中确定出一种关键成分特征；通过第二神经网络模块处理所述关键成分特征，预测所述空调机组在下一个时间段内的运行负荷。
[0007]基于第一方面所述的方法可知，由于第一神经网络模块的特征提取模块和特征重构模块，可以将空调机组的多类运行数据转换为多种成分特征，并从多种成分特征中提取出关键成分特征，即对空调机组的负荷变化起到最关键作用，或者影响最大的成分特征。这样，第二神经网络模块利用关键成分特征，可以更准确地预测空调机组在下一个时间段内的运行负荷，以提高预测空调机组的负荷变化的稳定性和鲁棒性。
[0008]一种可能的设计方案中，所述特征重构模块包括多个自编码器，所述多个自编码器的数量与所述空调机组的规模负相关，所述多个自编码器的网络结构不同，每个所述自编码器用于对所述多类特征进行特征分离，得到所述运行数据的一种成分特征，所述多个自编码器共输出所述多种成分特征。可以理解，在空调机组的规模比较大的情况下，其负荷波动通常比较小，对负荷变化产生影响的关键成分特征的随机性也比较弱，因此可以采用数量较少的自编码器，以减小网络规模，提高运行效率。反之，在空调机组的规模比较小的情况下，其负荷波动通常比较大，对负荷变化产生影响的关键成分特征的随机性也比较强，
因此可以采用数量较多的自编码器，以增大网络规模，提高关键成分特征计算的准确性。
[0009]一种可能的设计方案中，每个所述自编码器用于对所述多类特征进行特征分离，得到所述运行数据的一种成分特征是指：每个所述自编码器用于所述多类特征进行特征分离，得到一种低维特征，并对所述低维特征进行升维处理，得到所述运行数据的一种成分特征。其中，每个所述自编码器用于所述多类特征进行特征分离，得到一种低维特征是指：每个所述自编码器可以用一些基向量对所述多类特征进行分解，从而得到多种基向量，这样每个所述自编码器可以计算出每种基向量的含量，含量高的是主成份，即上述低维特征，如此，每个所述自编码器都可以准确地计算出运行数据对应的一种成分特征。
[0010]一种可能的设计方案中，从所述多种成分特征中确定出一种关键成分特征，包括：从所述多种成分特征中确定出M种成分特征集合，所述M种成分特征集合中的每种所述成分特征集合中包含同一种成分特征，M为正整数；从所述M种成分特征集合中确定一种关键成分特征集合，所述关键成分特征集合是所述M种成分特征集合中包含成分特征最多的成分特征集合，所述关键成分特征集合中包含的成分特征为所述关键成分特征。也就是说，所谓关键成分特征是各种成分特征中出现次数最多的特征。这也恰恰反映出该关键成分特征能够对负荷变化产生最大或者说最关键的影响。因此，后续使用上述方式确定出的关键成分特征，可实现更准确地进行负荷预测。
[0011]一种可能的设计方案中，对于所述M种成分特征集合中的第i种成分特征集合和第j种成分特征集合，i和j不同，i和j均为取1至M的整数，所述第i种成分特征集合中包括的任意两种成分特征之间的欧式距离小于或等于距离阈值，所述第j种成分特征集合中包括的任意两种成分特征之间的欧式距离小于或等于所述距离阈值，所述第i种成分特征集合中包括任意一种成分特征与所述第j种成分特征集合中包括任意一种成分特征之间的欧式距离大于所述距离阈值。可以理解，通过计算特征的欧式距离，并将距离小的相似特征认为是同一种特征，以准确地确定出各种成分特征集合。
[0012]一种可能的设计方案中，所述空调机组包括N个空调，N为大于1的整数，所述N个空调中的每个所述空调对应一个所述第一子神经元和一个所述第二子神经元，共N个所述第一子神经元和N个所述第二子神经元，所述第一神经元根据N个所述第一子神经元加权确定，所述第二神经元根据N个所述第二子神经元加权确定，所述第二神经网络模块根据第一神经元和第二神经元组合确定。其中，每个所述空调对应一个所述第一子神经元和一个所述第二子神经元的权重，取决于该空调在空调机组中的重要性。该重要性可以指功能上的重要性，即该空调在空调机组的制冷或制热中起到越关键的作用，那么该空调的重要性越高。这样一来，通过加权计算第一神经元和第二神经元，使得第一神经元和第二神经元与空调机组在功能上耦合，以便使用第二神经网络模块能够更准确地进行负荷预测，以进一步地提高负荷预测的稳定性和鲁棒性。
[0013]一种可能的设计方案中，所述第二神经网络模块根据第一神经元和第二神经元组合确定是指：将所述第一神经元和所述第二神经元组合为一个水平对置网络结构，所述第一神经元位于所述水平对置网络结构的对角线上，所述第二神经元位于所述水平对置网络结构中除对角线以外的位置；或者，所述第二神经元位于所述水平对置网络结构的对角线上，所述第一神经元位于所述水平对置网络结构中除对角线以外的位置。这样，无论关键特征成分中的各特征以何种顺序输入模型，其负荷预测结果都不会产生变化，从而极大地提
高了模型的实用性。
[0014]一种可能的设计方案中，所述第二神经网络模块包括W个隐藏层，第s个隐藏层中的所述水平对置网络结构s包括所述第一神经元s和所述第二神经元s，第t个特征层中的所述水平对置网络结构t包括所述第一神经元t和所述第二神经元t，所述第一神经元s与第一神经元t不同，所述第二神经元s与第二神经元t不同，所述W为大于1的整数，s和t为取1至M的整数，且s和t不同。如此，可以在一定程度上提高模型的差异化程度，从而有效提高模型的鲁棒性。
[0015]第二方面，本申请实施例提供了本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于负荷预测的空调机组优化控制方法，其特征在于，所述方法包括：获得空调机组的运行数据，所述运行数据包括多类数据；通过第一神经网络模块处理所述运行数据，获得所述运行数据对应的多种成分，其中，所述第一神经网络模块包括特征提取模块和特征重构模块，所述特征提取模块用于将所述多类数据转换为多类特征，所述特征重构模块用于对多类特征进行分离，获得所述运行数据对应的多种成分特征；从所述多种成分特征中确定出一种关键成分特征；通过第二神经网络模块处理所述关键成分特征，预测所述空调机组在下一个时间段内的运行负荷。2.根据权利要求1所述的方法，其特征在于，所述特征重构模块包括多个自编码器，所述多个自编码器的数量与所述空调机组的规模负相关，所述多个自编码器的网络结构不同，每个所述自编码器用于对所述多类特征进行特征分离，得到所述运行数据的一种成分特征，所述多个自编码器共输出所述多种成分特征。3.根据权利要求2所述的方法，其特征在于，每个所述自编码器用于对所述多类特征进行特征分离，得到所述运行数据的一种成分特征是指：每个所述自编码器用于所述多类特征进行特征分离，得到一种低维特征，并对所述低维特征进行升维处理，得到所述运行数据的一种成分特征。4.根据权利要求1
‑
3中任一项所述的方法，其特征在于，从所述多种成分特征中确定出一种关键成分特征，包括：从所述多种成分特征中确定出M种成分特征集合，所述M种成分特征集合中的每种所述成分特征集合中包含同一种成分特征，M为正整数；从所述M种成分特征集合中确定一种关键成分特征集合，所述关键成分特征集合是所述M种成分特征集合中包含成分特征最多的成分特征集合，所述关键成分特征集合中包含的成分特征为所述关键成分特征。5.根据权利要求4所述的方法，其特征在于，对于所述M种成分特征集合中的第i种成分特征集合和第j种成分特征集合，i和j不同，i和j均为取1至M的整数，所述第i种成分特征集合中包括的任意两种成分特征之间的欧式距离小于或等于距离阈值，所述第j种成分特征集合中包括的任意两种成分特征之间的欧式距离小于或等于所述距离阈值，所述第i种成分特征集合中包括任意一种成分特征与所述第j种成分特征集合中包括任意一种成分特征之...

【专利技术属性】
技术研发人员：彭磊，靳璇如，
申请(专利权)人：佛山市品智信息技术有限公司，
类型：发明
国别省市：