基于异构图神经网络和强化学习的水冷中央空调节能控制方法技术

本发明专利技术公开了一种基于异构图神经网络和强化学习的水冷中央空调节能控制方法，该方法根据实际水冷中央空调制冷机房环境建立异构图神经网络模型，利用训练数据集训练该模型，将训练好的模型模拟制冷机房的运行环境；再建立强化学习模型，并置于模拟制冷机房运行环境进行训练学习，结合真实中央空调运行数据进行评估，直到节能效果满足要求，才停止训练，将训练好的强化学习模型导入控制终端，进行推理下发控制指令进行节能调控。本发明专利技术使用异构图神经网络作为控制模型，仅更新节点之间是否存在关系，不需要更新数据的权重和偏置，从而降低训练时间，节约训练成本，通过本发明专利技术对控制指令进行安全评估，预测和审核控制指令下发，保障系统的安全运行。

【技术实现步骤摘要】

本专利技术涉及能源管理领域，特别是一种基于异构图神经网络和强化学习的水冷中央空调节能控制方法。

技术介绍

1、水冷中央空调系统中有多种类型的设备，例如冷水机组、水泵、冷却塔、分集水器、阀门、末端空气处理装置等，它们产生的数据也是多种多样。在传统的神经网络训练过程中，神经网络的结构是顺序结构，所有设备的数据都被视为同种类型的数据，因此训练得到的神经网络预测精度不高，具体为系统总电功率、冷却塔出水温度、末端支管回水温度较难获得高精度预测，问题出在传统神经网络都是线性的，无法对各变量之间相互的影响进行预测，需要对各变量单独建立神经网络。

2、为了获得更加精准的能效预测结果，需要使用可以学习节点之间的关系，采用拓扑结构，支持多种类型数据的神经网络，例如图神经网络。

技术实现思路

1、为解决上述技术问题，本专利技术提供了基于异构图神经网络和强化学习的水冷中央空调节能控制方法，该方法采用异构图神经网络模拟仿真水冷中央空调制冷机房模型，该模型构建的图结构仅通过节点和边体现相应的关联关系，能有效降低训练时间，节约本文档来自技高网...

【技术保护点】

1.基于异构图神经网络和强化学习的水冷中央空调节能控制方法，其特征在于步骤包括：

2.根据权利要求1所述的基于异构图神经网络和强化学习的水冷中央空调节能控制方法，其特征在于，所述运行数据包括：(1)室外环境温湿度，冷冻水总管供回水温度、压力、流量，冷却水总管供回水温度、压力、流量；(2)冷水机组、冷冻水泵、冷却水泵和冷却塔的开关、功率；(3)冷水机组的冷冻出水温度设定值，进出水温度，蒸发温度、冷凝温度，蒸发压力、冷凝压力；(4)冷冻水泵和冷却水泵的频率，进出水压力。

3.根据权利要求1所述的基于异构图神经网络和强化学习的水冷中央空调节能控制方法，其特征在于，步骤S...

【技术特征摘要】

1.基于异构图神经网络和强化学习的水冷中央空调节能控制方法，其特征在于步骤包括：

2.根据权利要求1所述的基于异构图神经网络和强化学习的水冷中央空调节能控制方法，其特征在于，所述运行数据包括：(1)室外环境温湿度，冷冻水总管供回水温度、压力、流量，冷却水总管供回水温度、压力、流量；(2)冷水机组、冷冻水泵、冷却水泵和冷却塔的开关、功率；(3)冷水机组的冷冻出水温度设定值，进出水温度，蒸发温度、冷凝温度，蒸发压力、冷凝压力；(4)冷冻水泵和冷却水泵的频率，进出水压力。

3.根据权利要求1所述的基于异构图神经网络和强化学习的水冷中央空调节能控制方法，其特征在于，步骤s4中训练的目标是通过最小化预测结果与真实数据之间的误差，优化异构图神经网络模型的参数。

4.根据权利要求1所述的基于异构图神经网络和强化学习的水冷中央空调节能控制方法，其特征在于，步骤s4中使用反向传播算法及优化器进行训练，对每个子网络的各卷积层的参数进行反向传播回归计算，更新各卷积层的参数，使用验证数据集验证更新后的异构图神经网络的准确率，防止过拟合；所述优化器选择adam优化器。

5.根据权利要求1所述的基于异构图神经网络和强化学习的水冷中央空调节能控制方法，其特征在于，对于步骤s4中异构图神经网络模型的训练，是在云端使用cuda、pytorch、dgl、openai-gym构建神经网络训练系统，使用nvidia t...

【专利技术属性】
技术研发人员：程矿，马如明，胡值彬，肖惠群，林冬冬，
申请(专利权)人：南京天溯自动化控制系统有限公司，
类型：发明
国别省市：