暖通空调预测供暖规律算法制造技术

本发明专利技术属于供暖控制技术领域，具体涉及暖通空调预测供暖规律算法，包括决策网络算法

【技术实现步骤摘要】
暖通空调预测供暖规律算法


[0001]本专利技术属于供暖控制
，具体涉及暖通空调预测供暖规律算法
。

技术介绍

[0002]房间的温度变化常数是不随时间变化而变化的
。
温度变化常数的大小反映房间保温性能的好坏，在实际应用过程中，室外温度
、
风向等外界因素会随时间变化而变化，影响每个房间的保温性能，即影响房间优先级的变化
。
当室外温度升高时，房间的耗热量会减少，温度下降速率降低，保温性能增强，室外温度降低时，房间耗热量增加，温度下降速率升高，保温性能减弱
。
当风向为南风时，位于南向的房间比位于北向的房间的耗热量增加，温度下降速率升高，保温性能减弱
。
[0003]决策网络算法利用房间加热频率反映房间的保温性能好坏，而加热频率是通过一段时间的供暖数据计算的，具有一定的延时特性，在外界时变因素的影响下，不能正确反映房间真实的优先级大小
。

技术实现思路

[0004]针对现有技术中存在的上述不足之处，本专利技术提供了暖通空调预测供暖规律算法，用以解决现有技术具有一定的延时特性，不能正确反映房间真实的优先级大小等问题
。
[0005]为了解决上述技术问题，本专利技术采用了如下技术方案：
[0006]暖通空调预测供暖规律算法，包括决策网络算法
、
预测供暖规律算法，预测供暖规律算法用历史供暖数据预测当前房间的优先级的大小，优先级取当前计算数值与预测优先级数值的均值，通过均值对决策网络算法修正实现整体电供暖控制优化，预测供暖规律算法包括神经网络模型
、
隐含层神经网络，通过调整隐含层节点数对神经网络模型进行调整，隐含层神经网络神经元个数的经验公式如下：
[0007][0008]神经网络模型表达式如下：
[0009]y(t)
＝
a0+a1y(t
‑
1)+a2y(t
‑
2)+
…
a
n
y(t
‑
n)+e(t)
；
[0010]其中
a0，
a1…
a
n
为序列的自回归系数，
e(t)
为白噪声，第
t
时刻的时间序列的数值取决于前
n
个时刻的时间序列的数值
。
[0011]神经网络模型包括非线性层
、
自学习层
、
自稳定层，非线性层将神经元构成神经网络，使每个神经元可以处于激活或抑制状态，自学习层通过数据的训练和学习，具有特定的自学习能力和非线性计算能力；
[0012]使神经网络向贴合输入输出数据关系的结构进行调整，自稳定层稳定非线性层中的神经元，使神经元相互作用稳定构成神经网络，小部分的神经元发生错误不会严重影响总体结果，具有一定的鲁棒性
。
[0013]隐含层神经网络以
x
i
作为时间序列的输入，根据输入的数据，输入与隐含层之间连接的权值
w
ij
，阙值
a
j
计算每个神经元的输出
H
j
，表达式如下：
[0014][0015]式中，
n
代表时间序列延迟的阶数，
l
代表隐含层神经元的数目，
f
代表神经元激励函数
。
[0016]a
j
代表第
j
个隐含层神经元的阙值
。
[0017]隐含层神经网络还包括输出层，输出层根据隐含层的输出
H
j
计算神经网络模型的输出结果，输出结果的计算公式如下：
[0018][0019]式中，
O
代表神经网络模型网络的输出值，
b
代表输出神经元的阙值，
w
j
代表第
j
个隐含层神经元的阙值
。
[0020]决策网络算法的供暖数据是已知的，训练过程为串联模式，利用真实的输出值代替反馈值来减少误差值，误差的表达式如下：
[0021][0022]y
表示原始数据，
O
代表通过模型输出的数据
。
[0023]决策网络算法对预测供暖规律算法的修正过程是通过调整网络的连接权值完成的，训练结束的标志是达到最大训练次数或误差符合误差容限要求，具体计算公式如式：
[0024][0025]式中
a
j
表示第
j
个隐含层神经元的阙值，
w
ij
表示输入与隐含层之间连接的权值，
w
j
代表第
j
个隐含层神经元的阙值，
b
代表输出神经元的阙值，
e
代表修正值，
η
代表学习率，
H
j
代表隐含层的输出，
O
代表模型输出的数据，
y
代表样本原始数据，
m
表示样本数据个数
。
[0026]隐含层神经网络的神经元个数的经验公式如：
[0027][0028]式中
s
代表隐含层个数，
a
代表输入层节点个数，
b
代表输出层节点个数，
c
为常数，取值通常为1到
10
，按照经验公式的节点数作为初始值，通过试凑法逐一对网络进行训练，选取均方误差最小，准确性最高的数据组合，构建合适的隐含层神经网络
。
[0029]隐含层神经网络神经元个数为
20
，延迟阶数为
4.
[0030]本专利技术与现有技术相比，具有如下有益效果：
[0031]根据当前供暖状态计算当前的优先级，进行供暖规则的制定和控制，预测供暖规律算法利用历史供暖规律预测当前房间的优先级的大小，利用神经网络预测的优先级结果加入到决策网络算法的优先级中，对其进行修正，检验总体电供暖自动控制运行方法的效果，从衡量控制效果的各项指标分析，加入预测结果后算法的控制效果得到优化，温度一致
性和稳定性有更出色的表现，改善电供暖自动控制运行方法的整体控制效果
。
附图说明
[0032]图1为本专利技术暖通空调预测供暖规律算法实施例的中神经网络原理示意图；
[0033]图2为本专利技术暖通空调预测供暖规律算法实施例中神经网络结构图；
[0034]图3为本专利技术暖通空调预测供暖规律算法实施例中决策网络算法与预测供暖规律算法串联图；
[0035]图4为本专利技术暖通空调预测供暖规律算法实施例中房间优先级变化曲线示意图一；
[0036]图5为本专利技术暖通空调预测供暖规律算法实施例中房间优先级变化曲线示意图二；<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
暖通空调预测供暖规律算法，包括决策网络算法
、
预测供暖规律算法，所述预测供暖规律算法用历史供暖数据预测当前房间的优先级的大小，优先级取当前计算数值与预测优先级数值的均值，通过均值对决策网络算法修正实现整体电供暖控制优化，其特征在于：所述预测供暖规律算法包括神经网络模型
、
隐含层神经网络，通过调整隐含层节点数对神经网络模型进行调整，所述隐含层神经网络神经元个数的经验公式如下：所述神经网络模型表达式如下：
y(t)
＝
a0+a1y(t
‑
1)+a2y(t
‑
2)+
…
a
n
y(t
‑
n)+e(t)
；所述神经网络模型包括非线性层
、
自学习层
、
自稳定层，所述非线性层将神经元构成神经网络，使每个神经元可以处于激活或抑制状态，所述自学习层通过数据的训练和学习，使神经网络向贴合输入输出数据关系的结构进行调整，所述自稳定层稳定非线性层中的神经元，使神经元相互作用稳定构成神经网络
。2.
根据权利要求1所述的暖通空调预测供暖规律算法，其特征在于：所述隐含层神经网络以
x
i
作为时间序列的输入，根据输入的数据，输入与隐含层之间连接的权值
w...

【专利技术属性】
技术研发人员：汤永泉，张立星，赵学辉，孙毅，李明阳，
申请(专利权)人：黑龙江隆宇科技开发有限责任公司，
类型：发明
国别省市：