CN106765959A - 基于遗传算法和深度bp神经网络算法的暖通空调节能控制方法 - Google Patents

Abstract

本发明提供一种基于遗传算法和深度BP神经网络算法的暖通空调***自动化控制方法，以解决暖通空调***日常运行过程看主动节能控制问题，以及改善智能楼宇室内环境舒适度的体感体验。本发明构建基于智能楼宇监测数据的BP神经网络，为了提高***控制效果，实现可预测的精确控制，利用暖通空调***日常运行数据作为训练样本，进行神经网络训练，建立暖通空调节能控制预测模型，解决暖通空调***本身因工况复杂，具有非线性、大滞后及环境影响等复杂控制特性的建模问题；引入遗传算法以解决 BP神经网络训练过程中陷入局部最优和收敛慢的问题；本发明使用神经网络进行运行参数调整控制，以达到暖通空调***主动改善环境感知和节能的目的。

Description

基于遗传算法和深度BP神经网络算法的暖通空调节能控制 方法

技术领域

本发明涉及智能楼宇领域，具体涉及智能楼宇中暖通空调***的自动化控制，利用遗传算法和深度BP神经网络算法以实现对楼宇中暖通空调设备智能化控制和节能的方法。

背景技术

遗传算法(Genetic Algorithm)是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法。

人工神经网络(Artificial Neural Network，即ANN)，它从信息处理角度对人脑神经元网络进行抽象，建立的简单模拟模型，按不同的连接方式组成不同的网络。最近十多年来，人工神经网络的研究工作不断深入，已经取得了很大的进展，其在模式识别、智能机器人、自动控制、预测估计、生物、医学、经济等领域已成功地解决了许多现代计算机难以解决的实际问题，表现出了良好的智能特性。

BP(Back Propagation，反向传播)神经网络，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP网络能学***方和最小。BP神经网络模型拓扑结构包括输入层(input)、隐层(hidden layer)和输出层(output layer)。

Sigmoid函数，是一个在生物学中常见的S型的函数，也称为S型生长曲线。在信息科学中，由于其单增以及反函数单增等性质，Sigmoid函数常被用作神经网络的阈值函数，将变量映射到0,1之间。

BAS(Building Automation System)，即楼宇自动化***或建筑设备自动化***，是将建筑物或建筑群内的电力、照明、空调、给排水、消防、运输、保安、车库管理设备或***，以集中监视、控制和管理为目的而构成的综合***。

IBMS(Intelligent Building Management System)，即智能建筑/楼宇管理***。IBMS是在BAS的基础上更进一步的与通信网络***、信息网络***实现更高一层的建筑集成管理***。IBMS的核心是把楼宇建筑中各种子***集成为一个“有机”的统一***，其接口界面标准化、规范化，完成各子***的信息交换和通讯协议转换，实现五个方面的功能集成：所有子***信息的集成和综合管理，对所有子***的集中监视和控制，全局事件的管理，流程自动化管理。最终实现集中监视控制与综合管理的功能。

暖通空调(Heating,Ventilation and Air Conditioning，简称HVAC)是指室内或车内负责暖气、通风及空气调节的***或相关设备。

随着社会的发展，智能建筑节能是世界性的大潮流和大趋势，是21世纪中国建筑事业发展的一个重点和热点，同时也是中国改革和发展的迫切要求，而节能和环保是实现可持续发展的关键。从可持续发展理论出发，建筑节能的关键又在于提高能量效率，因此应把提高能量效率作为建筑节能的着眼点，在实现智能楼宇高度现代化、高度舒适的同时能实现能源消耗大幅度降低，以达到楼宇建筑节能增效和降低营运成本的目的。

暖通空调***在智能楼宇中应用广泛，其在楼宇的整体能耗所占比例较大，超过了25％。而暖通空调***当前的节能手段有限，通常只能通过合理的工程设计、改善建筑保温性能、提高控制水平等手段来实现节能的目的。

目前暖通空调***的控制方式有两种：人工手动控制和设置参数自动控制。这两种控制方式都是基于人的经验进行预先设置，在实际运行过程中，暖通空调***节能控制和环境体感舒适度感知上有很大的主观随意性和局限性。

发明内容

基于上述问题，本发明提出基于遗传算法和神经网络算法来提升暖通空调***的智能控制水平，对暖通空调***的传感器、执行器、控制器等若干环节采集到的量化数据进行分析和预测，从而输出暖通空调***最佳运行控制参数，可持续的对运行中的***进行控制调整，达到整体效能最佳、环境舒适度感知最佳和主动节能的目的。

本发明提供一种基于遗传算法和深度BP神经网络算法的暖通空调***自动化控制方法，以解决暖通空调***日常运行过程主动节能控制问题，以及改善智能楼宇室内环境舒适度的体感体验。

本发明采用如下技术方案实现：

一种基于遗传算法和深度BP神经网络算法的暖通空调***自动化控制方法，通过对IBMS采集到的暖通空调***的控制参数和环境指标参数进行数据量化，利用该数据作为训练样本，进行神经网络训练，建立暖通空调节能控制预测模型，利用BP神经网络的特性实现暖通空调***的复杂建模；其中引入遗传算法解决BP神经网络训练过程中陷入局部最优和收敛慢的问题；

在神经网络训练完成后，IBMS通过采集到的空调***配置数据和环境监测数据，从环境舒适性和节能的角度出发，周期性的尝试计算空调运行参数，并输入到神经网络中进行预测，根据神经网络的反馈结果，IBMS对暖通空调***进行自动化运行调整，最终达到环境感知最优和主动节能的目的。

具体步骤如下；

步骤S201、IBMS***通过收集当前暖通空调运行数据和环境监测数据，并完成数据归一化处理；

步骤S202、IBMS***从环境舒适度和节能角度，计算下一刻暖通空调运行调整参数；

步骤S203、将下一刻运行调整参数输入到已训练好的神经网络中进行有效性评估；

步骤S204、已训练好的神经网络输出评估结果，如果评估结果未达到理想水平，则IBMS***重新计算调整参数，重新进行评估；

步骤S205、暖通空调运行调整参数评估达到理想水平，IMBS***则输出控制信号，对暖通空调进行运行参数调整；

步骤S206、暖通空调***运行调整控制流程结束。

所述神经网络训练的过程包括：

确定输入参数；

在确定输入参数之后，进行输入参数归一化处理，离差标准化，是对原始数据的线性变换，使数值映射到[0–1.0]之间；转换函数如下：

其中，max为样本数据值域最大值，min为样本数据值域最小值，x为样本数据抽样值，x*为线性变换后的数据值；

在归一化处理之后，开始构建基础的神经网络，确定神经网络层数以及各层神经元的数量；

在确定完每一层神经元数量之后，设置激励函数：

其中，e为自然常数；

设置每个神经元的偏置量Bias值，即每个神经元的默认权重值；

利用遗传算法通过学习寻找一组满足要求的权重系数，使给定的误差函数最小；在学习过程中，判断网络的误差值是否满足要求使用以下计算方法：

其中，t_j为期望值，y_j为每个神经元的输出值，E^p为一个神经层的误差和，E为整个神经网络的误差和；

通过多轮的学习，直到误差达到预计精度才开始停止训练。

通过遗传算法调整BP神经网络初始神经元之间的权值训练步骤如下；

步骤S102、BP神经网络参数初始化，对样本数据进行归一化处理，训练后再对输出进行反归一化处理，训练样本，经过归一化处理后用遗传算法和深度BP神经网络算法预测模型进行训练；

步骤S103、初始化种群，采用轮盘赌来获取种群，种群大小可根据经验值确定，基本原理是对样本进行抽样计算，通过杂交操作来达到优化的目的；

步骤S104、计算种群适应值，预测数据与期望数据之间的误差作为适应度函数；

步骤S105、杂交操作，杂交率根据经验值来调整，并通过实验来确定；

在步骤S106、变异操作，变异率根据经验值来调整，并通过实验来确定；

步骤S107、循环进行选择、交叉、变异、计算适应值操作，直到达到进化次数，得到最优的初始权值；

步骤S108、获取神经网络初始权重，利用遗传算法初始化权重、阈值，当遗传算法执行完一代时，新一代的权重重新***神经网络；

步骤S109、计算隐藏层、输出层节点的输出值；

步骤S110、计算隐藏层、输出层的输出误差值；

步骤S111、使用误差计算方法计算误差，判断是否达到可接受的误差范围，可接受的误差则训练结束；

步骤S112、不断调整各层连接权重及阈值；

步骤S113、神经网络训练结束。

本发明所描述的控制方法需要与智能楼宇管理***(以下简称IBMS)进行整合，整个发明分成两个部分：一是从IBMS中获取暖通空调***日常运行数据和室内外环境监测数据，利用获取的样本数据对神经网络进行训练，期间会使用遗传算法进行权值杂加变异，进行多重训练直至神经网络成熟；二是IBMS根据已训练成熟的神经网络中获取暖通空调***控制评估参数，对暖通空调***运行参数进行控制调整。

由于暖通空调***本身的工况复杂性，具有非线性、大滞后及环境影响等复杂控制特性，使得基础建模非常困难，为了提高***控制效果，实现可预测的精确控制，本发明利用暖通空调***日常运行数据作为训练样本，进行神经网络训练，建立暖通空调节能控制预测模型。

利用本发明中描述的方法实现智能楼宇内暖通空调***自动化控制方法，具有以下几个优点：

(1)基于暖通空调***日常运行数据和环境监测数据来训练预测模型，实现空调的完全自动化智能控制，并能得到较好的环境舒适度感知。

(2)实现暖通空调的自动控制空调开启、关闭，自动调节温度、湿度、通风值，能达到理想的节能效果。

附图说明

图1为实施例中神经网络计算单元与IBMS***之间的关系示意图；

图2为实施例中结合遗传算法的BP神经网络训练流程图；

图3为实施例中利用神经网络评估暖通空调***控制参数有效性，实现智能化控制的流程图。

具体实施方式

本发明的最佳实施例需要用到IBMS***，并且IBMS***要有暖通空调***数据采集接入和控制能力。其中IBMS能够采集暖通空调***、环境温度、湿度监测等数据。本发明提出的控制方法属于IBMS***中的一部分，与IBMS的关系见图1所示。在具本实施过程中还需要具备BP神经网络和遗传算法相应的基础知识。

本发明提出暖通空调***控制方法主要通过对IBMS采集到的暖通空调***各项控制参数和环境指标参数进行数据量化，利用BP神经网络的特性实现暖通空调***的复杂建模。

首先，确定输入参数。IBMS***在进行楼宇建筑信息化管理中，通常涉及了暖通空调***控制参数、环境监测数据、季节(春、夏、秋、冬)、时段、人流计数等。其中暖通空调控制参数主要包括当前空调送风温度、送风湿度、送风风速；环境监测数据主要包括室外温度、室内温度、室外湿度、室内湿度、室外风速、室内风速、二氧化碳浓度、室外PM2.5浓度、室内PM2.5浓度。

在确定输入参数之后，进行输入参数归一化处理，离差标准化，是对原始数据的线性变换，使数值映射到[0,1.0]之间。转换函数如下：

转换函数中，max为样本数据值域最大值，min为样本数据值域最小值，x为样本数据抽样值。完成计算后，x*为线性变换后的数据值，值域为[0,1.0]区间内。

对于非连续变化输入变量的变换，比如季节，可以量化为：[春,夏,秋,冬]＝[0.0,0.33,0.66,1.0]；时段可以将全天24小时量化为：[0,1/24,…,23/24]。使用上述输入变量变换方法，来完成输入变量的数值变换工作。

在确定输入参数后，开始构建基础的神经网络。在实施过程中选择构建3层神经网络，包括了1个输入层、1个输出层和1个隐含层。通常情况下神经网络层数的选取需要基于经验来判断，为了描述上的便利，这里选择层数为3。

在确定神经网络层数后，开始确定各层神经元的数量。本实施例中选择输入层神经元数量为5，因为从IBMS***各获取的输入参数分为了5类共15个量化指标：暖通空调***控制参数、环境监测数据、季节(春、夏、秋、冬)、时段、人流计数，因此在本实施例中根据输入数据分类选择输入层神经元数量为5。输出层神经元个数选择为3个，那么中间隐含层神经元个数为4个，计算方法可以使用如下经验公式：

其中，in为输入层神经元个数，out为输出层神经元个数，h为隐含层神经元的个数；

在确定完每一层神经元数量之后，为每个神经设置Sigmoid激励函数。BP神经网络一般使用Sigmoid函数或者线性函数作为激励函数，利用Sigmoid函数或其导数可以求得BP神经网络里某个神经元的总和、目标值和误差值。公式描述如下：

其中，e为自然常数e(约为2.71828)，计算后f(x)的值域为[0,1]区间，以此来判断神经元是激活状态还是抑制状态。

设置每个神经元的偏置量Bias值，也就是每个神经元的默认权重值。神经网络的本质是一个复杂的非线性表达式，而bias相当于其零次项系数。在本实施例中设置为1。

至此基本可以建立起含有一个隐含层的标准的BP神经网络。但是标准BP神经网络存在以下缺点：收敛速度慢，陷入局部最优，难于确定隐含层数和隐含层神经元个数。因此本发明引入遗传算法来对各层权重进行杂交，以达到快速收敛和解决局部最优问题实现全局最优的目的。因为涉及到暖通空调***的复杂性，无法确定神经网络的具体结构和权重系数，只能通过学习之后得到一个满足日常运行需求的模型，其主要原理是通过学习，寻找一组满足要求的权重系数，使给定的误差函数最小。在样本数据学习过程中，判断网络的误差值是否满足要求主要使用以下计算方法：

其中，t_j为每个神经元的期望值，y_j为每个神经元的输出值，m是每一层神经元的个数，p是神经网络的层数，E^p为一个神经层的误差和，E为整个神经网络的误差和。

通过多轮的学习，直到误差达到预计精度才开始停止训练。

在网络训练完成后，在暖通空调***日常运行过程中，IBMS***通过采集到的空调***配置数据和环境监测数据，从环境舒适性和节能的角度出发，周期性的尝试计算空调运行参数，并输入到神经网络中进行预测，根据神经网络的反馈结果，IBMS对暖通空调***进行自动化运行调整，最终达到环境感知最优和主动节能的目的。

接下来，就本发明的两个具体流程进行描述：

本发明中的通过遗传算法调整BP神经网络初始神经元之间的权值训练流程S100如图2所示，流程S100起始于S101。

在步骤S102中，BP神经网络参数初始化，对样本数据进行归一化处理，训练后再对输出进行反归一化处理，训练样本，经过归一化处理后用遗传算法和深度BP神经网络算法预测模型进行训练。

在步骤S103中，初始化种群，采用轮盘赌来获取种群，种群大小可根据经验值确定，基本原理是对样本进行抽样计算，通过杂交操作来达到优化的目的。

在步骤S104中，计算种群适应值，预测数据与期望数据之间的误差作为适应度函数。

在步骤S105中，杂交操作，杂交率可根据经验值来调整，并通过实验来确定。

在步骤S106中，变异操作，变异率可根据经验值来调整，并通过实验来确定。

在步骤S107中，循环进行选择、交叉、变异、计算适应值操作，直到达到进化次数，得到最优的初始权值。

在步骤S108中，获取神经网络初始权重，利用遗传算法初始化权重、阈值，当遗传算法执行完一代时，新一代的权重重新***神经网络，权重可以演化成任意大小，不受任何形式的限制。

在步骤S109中，计算隐藏层、输出层节点的输出值。

在步骤S110中，计算隐藏层、输出层的输出误差值。

在步骤S111中，使用误差计算方法计算误差，判断是否达到可接受的误差范围，可接受的误差则训练结束。

在步骤S112中，不断调整各层连接权重及阈值。

在步骤S113中，神经网络训练结束。

至此，本发明中结合遗传算法的BP神经网络训练流程描述完毕。

本发明的实现的IBMS通过神经网络评估暖通空调***控制参数有效性，实现智能化控制方法的流程如图3所示，始于S200。

在步骤S201中，IBMS***通过收集当前暖通空调运行数据和环境监测数据，并完成数据归一化处理。

在步骤S202中，IBMS***从环境舒适度和节能角度，计算下一刻暖通空调运行调整参数。

在步骤S203中，将下一刻运行调整参数输入到已训练好的神经网络中进行有效性评估。

在步骤S204中，已训练好的神经网络输出评估结果，如果评估结果未达到理想水平，则IBMS***重新计算调整参数，重新进行评估。

在步骤S205中，暖通空调运行调整参数评估达到理想水平，IMBS***则输出控制信号，对暖通空调进行运行参数调整。

在步骤S206中，暖通空调***运行调整控制流程结束。

至此，本实施例中利用神经网络评估暖通空调***控制参数有效性，实现智能化控制的流程描述完毕。

利用本发明中描述的方法，使用暖通空调***日常运行数据作为训练样本，进行神经网络训练，建立暖通空调节能控制预测模型，最终实现智能楼宇内暖通空调***自动化控制方法，具有以下几个优点：

(1)基于暖通空调***日常运行数据和环境监测数据来训练预测模型，实现空调的完全自动化智能控制，并能得到较好的环境舒适度感知。

(2)实现暖通空调的自动控制空调开启、关闭，自动调节温度、湿度、通风值，能达到理想的节能效果。

上述实施例流程描述仅为了清楚说明本发明的基本方法，但本发明并不仅限于上述实施例；凡是依据本发明的技术实质上实施例所作的任何简单修改、等同变化与修饰，均落入本发明的技术方案的保护范围之内。

Claims (4)

1.一种基于遗传算法和深度BP神经网络算法的暖通空调***自动化控制方法，其特征在于：通过对IBMS采集到的暖通空调***的控制参数和环境指标参数进行数据量化，利用该数据作为训练样本，进行神经网络训练，建立暖通空调节能控制预测模型，利用BP神经网络的特性实现暖通空调***的复杂建模；其中引入遗传算法解决BP神经网络训练过程中陷入局部最优和收敛慢的问题；

在神经网络训练完成后，IBMS通过采集到的空调***配置数据和环境监测数据，从环境舒适性和节能的角度出发，周期性的尝试计算空调运行参数，并输入到神经网络中进行预测，根据神经网络的反馈结果，IBMS对暖通空调***进行自动化运行调整，最终达到环境感知最优和主动节能的目的。

2.根据权利要求1所述的一种基于遗传算法和深度BP神经网络算法的暖通空调***自动化控制方法，其特征在于：具体步骤如下；

步骤S201、IBMS***通过收集当前暖通空调运行数据和环境监测数据，并完成数据归一化处理；

步骤S202、IBMS***从环境舒适度和节能角度，计算下一刻暖通空调运行调整参数；

步骤S203、将下一刻运行调整参数输入到已训练好的神经网络中进行有效性评估；

步骤S204、已训练好的神经网络输出评估结果，如果评估结果未达到理想水平，则IBMS***重新计算调整参数，重新进行评估；

步骤S205、暖通空调运行调整参数评估达到理想水平，IMBS***则输出控制信号，对暖通空调进行运行参数调整；

步骤S206、暖通空调***运行调整控制流程结束。

3.根据权利要求2所述的一种基于遗传算法和深度BP神经网络算法的暖通空调***自动化控制方法，其特征在于；所述神经网络训练的过程包括：

确定输入参数；

在确定输入参数之后，进行输入参数归一化处理，离差标准化，是对原始数据的线性变换，使数值映射到[0–1.0]之间；转换函数如下：

$x^{*}=\frac{x-min}{\max -min}$

其中，max为样本数据值域最大值，min为样本数据值域最小值，x为样本数据抽样值，x^*为线性变换后的数据值；

在归一化处理之后，开始构建基础的神经网络，确定神经网络层数以及各层神经元的数量；

在确定完每一层神经元数量之后，设置激励函数：

$f\left(x\right)=\frac{1}{1+e^{-x}}$

其中，e为自然常数；

设置每个神经元的偏置量Bias值，即每个神经元的默认权重值；

利用遗传算法通过学习寻找一组满足要求的权重系数，使给定的误差函数最小；在学习过程中，判断网络的误差值是否满足要求使用以下计算方法：

$E=\underset{p=1}{\overset{p}{\Σ}}{E}^p=\underset{j=1}{\overset{m}{\Σ}}\frac{1}{2}{\[t_j-y_j\]}^2$

其中，t_j为期望值，y_j为每个神经元的输出值，E^p为一个神经层的误差和，E为整个神经网络的误差和；

通过多轮的学习，直到误差达到预计精度才开始停止训练。

4.根据权利要求3所述的一种基于遗传算法和深度BP神经网络算法的暖通空调***自动化控制方法，其特征在于：通过遗传算法调整BP神经网络初始神经元之间的权值训练步骤如下；

步骤S102、BP神经网络参数初始化，对样本数据进行归一化处理，训练后再对输出进行反归一化处理，训练样本，经过归一化处理后用遗传算法和深度BP神经网络算法预测模型进行训练；

步骤S103、初始化种群，采用轮盘赌来获取种群，种群大小可根据经验值确定，基本原理是对样本进行抽样计算，通过杂交操作来达到优化的目的；

步骤S104、计算种群适应值，预测数据与期望数据之间的误差作为适应度函数；

步骤S105、杂交操作，杂交率根据经验值来调整，并通过实验来确定；

在步骤S106、变异操作，变异率根据经验值来调整，并通过实验来确定；

步骤S107、循环进行选择、交叉、变异、计算适应值操作，直到达到进化次数，得到最优的初始权值；

步骤S108、获取神经网络初始权重，利用遗传算法初始化权重、阈值，当遗传算法执行完一代时，新一代的权重重新***神经网络；

步骤S109、计算隐藏层、输出层节点的输出值；

步骤S110、计算隐藏层、输出层的输出误差值；

步骤S111、使用误差计算方法计算误差，判断是否达到可接受的误差范围，可接受的误差则训练结束；

步骤S112、不断调整各层连接权重及阈值；

步骤S113、神经网络训练结束。