一种基于联邦学习的能源地下地铁车站设计方法技术

本发明专利技术涉及地热能开发与利用技术领域，具体为一种基于联邦学习的能源地下地铁车站设计方法，通过参数收集、本地客户端局部模型更新，计算结果上传中央服务器，中央服务器进行更新计算，下发至本地客户端局部模型，更新迭代直至全局模型稳健为止，计算出各个模块的设计结果，并对换热效率和热致应力进行预测。本发明专利技术提出的能源地下地铁车站设计方法，可以充分考虑车站室内用户端、机组设备选型、3种能源车站结构埋管端之间的协调性，得到的设计方案可极大程度地符合节能减排设计理念，计算成本低，可以准确的评估换热效率和换热过程对车站结构的影响，相比传统试验方法和现场监测方法可大幅降低投入的人力物力成本。可大幅降低投入的人力物力成本。可大幅降低投入的人力物力成本。

【技术实现步骤摘要】
一种基于联邦学习的能源地下地铁车站设计方法


[0001]本专利技术涉及地热能开发与利用
，具体为一种基于联邦学习的能源地下地铁车站设计方法。

技术介绍

[0002]地下地铁车站环控系统的能耗在城市轨道交通耗能中的占比高达30～40％，具有较大的节能潜力。浅层地热能作为一种分布广、易开发的可再生低品位热能，主要用于建筑的供暖制冷，利用浅层地热能替代传统的空调系统可降低地铁车站环控系统能耗约1/3。
[0003]能源地下地铁车站是通过在车站结构中埋设换热管形成能源车站结构(能源隧道、能源底板、能量支护桩)提取浅层地热能进行地下地铁车站室内温度控制的新兴技术。该技术无需额外钻孔布设换热井，初次投资成本低，且赋予传统地下结构新功能，符合综合开发地下空间的发展理念。地下结构多为设计年限为100年的永久性结构，其安全稳定性决定着地下车站的服役时间。换热过程对地下结构力学性能的影响评估是设计中不可忽略的内容。
[0004]中国技术专利申请号为CN202120598233.1，名称为一种适用于地铁车站的复合热泵系统，建立了由地源热泵系统和本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于联邦学习的能源地下地铁车站设计方法，其特征在于，包括以下步骤：D1：收集整理车站数据，包括结构信息参数、环境信息参数、地基信息参数、系统设备参数、能源车站结构参数，进行必要的数据预处理，建立本地客户端局部模型，分析样本数据特征，并分配至相应的本地客户端局部模型，本地客户端的局部模型包括车站负荷计算模块、机组设备选型模块、能量支护桩埋管设计模块、能源隧道埋管设计模块、能源底板埋管设计模块；D2：各本地客户端更新各自的局部模型，并将计算结果上传给中央服务器；D3：中央服务器利用私钥对各个本地客户端局部模型上传的加密脱敏参数进行解密、安全聚合，随后更新全局共享模型；D4：中央服务器将全局共享模型生成用于加密传输数据的公钥，并下发至各本地客户端模型，各本地客户端局部模型根据全局共享模型更新其他相关客户端模型的迭代结果作为新样本数据属性参数；D5：重复步骤D2
‑
D4不断迭代，直至全局共享模型稳健为止，各本地客户端的局部模型根据全局共享模型计算出能源地下地铁车站中相互匹配的设计参数，设计参数包括：车站室内负荷端、热泵机组型号、循环泵型号、能量支护桩几何结构和埋管参数、能源隧道几何结构和埋管参数、能源底板几何结构和埋管参数。2.根据权利要求1所述的一种基于联邦学习的能源地下地铁车站设计方法，其特征在于，所述车站负荷计算模块更新局部模型，包括以下步骤：D2.1.1：利用私钥对加密传输数据的公钥进行解密，根据中央服务器的全局共享模型更新机组设备端、能量支护桩埋管端、能源隧道埋管端、能源底板埋管端相关客户端迭代的设计参数结果作为新样本数据属性参数，根据样本数据，将环境温度、环境湿度、客流量行为、室内设备行为、照明行为、通风行为、站内设备热量、围护结构材料、围护结构尺寸、围护结构热物性参数作为样本属性空间集，将车站冷热负荷作为学习目标；D2.1.2：引入松弛变量ξ
i
、ξ
i*
和惩罚函数C构造考虑软间隔的非线性分割支持向量分类器,表示车站负荷预测样本属性空间与车站负荷之间的关系，通过损失函数表示模型预测精度和模型的自身稳定性，具体表达式为：L＝max(0,|z|
‑
ε),得出其对应的条件最值函数；D2.1.3：通过拉格朗日函数将上述条件最值函数转换为多元函数进行求解，令拉格朗日函数对优化目标w，b，ξ的偏导数为0，得到拉格朗日乘子，可将原始条件最值函数转化为对偶函数，从而找到约束区域内的最小值；D2.1.4：通过核函数处理计算模型中映射函数内积；D2.1.5：根据网格搜索法、粒子群优化法、PSO算法、遗传算法优化支持向量回归模型参数：不敏感损失函数ε、惩罚系数C、核函数中的超参数：γ、λ、a、c、d；D2.1.6：输入车站的目标基本特征参数，用训练出的支持向量回归模型预测计算目标车站的全年逐时冷热负荷，将车站冷热负荷结果以公钥的形式上传加密的脱敏参数至服务器，以备中央服务器端联邦学习的全局共享模型迭代。3.根据权利要求1所述的一种基于联邦学习的能源地下地铁车站设计方法，其特征在于，所述机组设备选型模块更新局部模型，包括以下步骤：D2.2.1：利用私钥对加密传输数据的公钥进行解密，根据中央服务器的全局共享模型更新车站负荷计算模块、能量支护桩埋管设计模块、能源隧道埋管设计模块、能源底板埋管
设计模块相关客户端的迭代结果作为新样本数据属性参数，根据信息熵计算训练样本的所有属性的信息增益，并按照信息增益对所有属性进行排序，并按照信息增益对所有属性进行排序；D2.2.2：从候选属性中找信息增益高于平均水平的属性，从中选择增益率最高的属性预测作为决策树的分支属性；D2.2.3：将每个根节点视为完整数据集，按照次优属性作为依据进行样本划分，将属性取值相同的样本作为同一样本集形成叶子节点，采用REP方法进行决策树的剪枝，依次迭代形成决策树，计算出的机组参数利用公钥转化为加密参数上传中央服务器，以备中央服务器端联邦学习的全局共享模型迭代。4.根据权利要求1所述的一种基于联邦学习的能源地下地铁车站设计方法，其特征在于，所述能量支护桩埋管设计模块更新局部模型，包括以下步骤；D2.3.1：利用私钥对中央服务器的全局共享模型更新车站负荷计算模块、机组设备选型模块相关客户端的加密迭代结果进行解密，结合本地客户端的能量支护桩埋管参数作为新样本数据属性参数，利用Bootstrap抽样法从样本中随机产生样本子集，作为其中一棵决策树模型的训练样本，重复k次抽样形成k个决策树训练样本；D2.3.2：根据k个训练样本中的属性子集进行决策树训练，形成k个相互独立的随机决策树；D2.3.3：对k个决策树预测出的埋管方案进行投票，投票结果作为随机森林的最优埋管方案；D2.3.4：将能量支护桩最优埋管参数利用公钥转化为加密参数上传中央服务器，以备中央服务器端联邦学习的全局共享模型迭代。5.根据权利要求1所述的一种基于联邦学习的能源地下地铁车站设计方法，其特征在于，所述能源隧道埋管设计模块和能源底板埋管设计模块均基于随机森林局部模型计算出满足车站设备区负荷需求、机组设备参数和热力特征的能源隧道埋管设计参数和能源底板埋管设计参数作为最优方案并加密上传至中央处理器。6.根据权利要求1所述的一种基于联邦学习的能源地下地铁车站设计方法，其特征在于，还包括对所设计的能源地下地铁车站，进行能源车站结构换热效率预测，包括以下步骤：S1：能源车站结构换...

【专利技术属性】
技术研发人员：王晓辉，杨庆，胡帅军，钟国，王忠涛，孔纲强，赵祯，钱嘉怡，戴国豪，王天赐，常洪林，
申请(专利权)人：大连理工大学河海大学，
类型：发明
国别省市：