一种建筑暖通空调节能控制方法与流程

本发明涉及空调节能控制方法领域，具体是一种建筑暖通空调节能控制方法。

背景技术：

1、随着现代建筑向着舒适化的方向发展，暖通空调系统已经成为现代建筑技术中的重要标志，但其能耗巨大的特点迫使人们寻找相应的节能减排方法和技术。据统计，空调能耗占建筑能耗的55％左右，约占社会总能耗的20％。因此空调系统的节能不容忽视，降低暖通空调系统的能耗对减少建筑系统总能耗的有着重大的意义。

2、传统的建筑物能耗预测方法大多基于统计模型，无法充分利用建筑物自身的热量消耗特性和天气数据的时空变化规律。此外，传统的能耗优化方法大多是单一的控制策略，无法根据建筑物的实时状态进行动态调整。

3、因此，本领域技术人员提供了一种建筑暖通空调节能控制方法，以解决上述背景技术中提出的问题。

技术实现思路

1、本发明的目的在于提供一种建筑暖通空调节能控制方法，采用时间序列预测模型和门控残差网络来预测建筑物的未来能耗，并采用强化学习算法来优化建筑物的控制策略，以提高能源效率，以解决上述背景技术中提出的问题。

2、为实现上述目的，本发明提供如下技术方案：

3、一种建筑暖通空调节能控制方法，包括以下步骤：

4、数据收集，即收集建筑物的实时数据，实时数据包括建筑物热量消耗、建筑物所在位置地理数据、建筑物所在位置天气数据；

5、数据预处理，即对收集到的数据进行预处理，预处理包括数据清洗、归一化；

6、模型训练，即训练时间序列预测模型和门控残差网络来预测建筑物的未来能耗；

7、策略优化，采用强化学习算法来优化建筑物的控制策略；

8、模型部署，即将训练好的模型部署到实际应用中。

9、作为本发明进一步的方案：所述时间序列预测模型的损失函数为：

10、l＝l触发(t,y触)+l能量-(a,y能)

11、

12、

13、其中，t为触发加热或冷却条件的时刻；y触为时间序列预测模型输出的概率；wn为时间序列预测模型中连接不同层神经元之间的权重矩阵；a为实际能量负载；y能为时间序列预测模型的能量需求分位数预测；q为能量需求分位数目标。

14、作为本发明再进一步的方案：所述时间序列预测模型在预测出建筑物的未来能耗后，采用多头注意力机制融合天气数据的时间和空间特征进行优化，再结合加热解码器或冷却解码器生成触发条件与能量需求。

15、作为本发明再进一步的方案：所述策略优化的具体过程为：

16、将触发条件与能量需求反馈给经验复现模块；

17、从经验复现模块进行采样并馈入深度q网络模型；

18、深度q网络模型的目标q网络将下一状态作为输入并估计下一动作的目标q值，通过将该估计的目标q值与当前状态的q值进行比较来计算损失；

19、通过循环更新训练确保深度q网络模型的逐步改进；

20、训练完成后，训练后的深度q网络模型根据学习到的最优策略在任何条件下产生最佳动作；

21、将产生的动作输出给分区空调阀门用于控制阀门开闭。

22、作为本发明再进一步的方案：所述分区空调阀门开闭的通风状态与空气流速具体计算过程为：

23、接收出风口传感器与室内用户手机的信号；

24、通过低通滤波器对接收的信号进行滤波；

25、将滤波后的信号经过快速傅里叶变换，选取7种频率分量；

26、通过xgboost分类器预测通风状态，通过决策树回归器结合出风口感知算法预测空气流速。

27、作为本发明再进一步的方案：所述时间序列预测模型在导入数据训练前，通过编码器对导入的数据进行编码，该编码器结合时间序列编码循环神经网络将静态协变量编码为时间序列预测模型可使用的形式。

28、与现有技术相比，本发明的有益效果是：

29、1、本申请采用深度学习模型来预测建筑物的能耗，可以充分利用建筑物自身的热量消耗特性和天气数据的时空变化规律，提高预测精度。

30、2、本申请采用强化学习算法来优化建筑物的控制策略，可以根据建筑物的实时状态进行动态调整，提高能源效率。

31、3、本申请的通用性强，可以应用于不同类型的建筑物和不同类型的场景。

技术特征：

1.一种建筑暖通空调节能控制方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种建筑暖通空调节能控制方法，其特征在于，所述时间序列预测模型的损失函数为：

3.根据权利要求2所述的一种建筑暖通空调节能控制方法，其特征在于，所述时间序列预测模型在预测出建筑物的未来能耗后，采用多头注意力机制融合天气数据的时间和空间特征进行优化，再结合加热解码器或冷却解码器生成触发条件与能量需求。

4.根据权利要求3所述的一种建筑暖通空调节能控制方法，其特征在于，所述策略优化的具体过程为：

5.根据权利要求4所述的一种建筑暖通空调节能控制方法，其特征在于，所述分区空调阀门开闭的通风状态与空气流速具体计算过程为：

6.根据权利要求5所述的一种建筑暖通空调节能控制方法，其特征在于，所述时间序列预测模型在导入数据训练前，通过编码器对导入的数据进行编码，该编码器结合时间序列编码循环神经网络将静态协变量编码为时间序列预测模型可使用的形式。

技术总结本发明公开了一种建筑暖通空调节能控制方法，属于空调节能控制方法领域，包括以下步骤：数据收集，即收集建筑物的实时数据，实时数据包括建筑物热量消耗、建筑物所在位置地理数据、建筑物所在位置天气数据；数据预处理，即对收集到的数据进行预处理，预处理包括数据清洗、归一化；模型训练，即训练时间序列预测模型和门控残差网络来预测建筑物的未来能耗；策略优化，采用强化学习算法来优化建筑物的控制策略；模型部署，即将训练好的模型部署到实际应用中。本发明，采用时间序列预测模型和门控残差网络来预测建筑物的未来能耗，并采用强化学习算法来优化建筑物的控制策略，以提高能源效率。技术研发人员：江宋标,朱少林,郭勇,吴德珠,龚思越,李培鑫受保护的技术使用者：广东省建筑设计研究院有限公司技术研发日：技术公布日：2024/7/18