CN114383295B - 一种基于室内污染浓度估计模型的通风控制方法 - Google Patents
一种基于室内污染浓度估计模型的通风控制方法 Download PDFInfo
- Publication number
- CN114383295B CN114383295B CN202111535815.6A CN202111535815A CN114383295B CN 114383295 B CN114383295 B CN 114383295B CN 202111535815 A CN202111535815 A CN 202111535815A CN 114383295 B CN114383295 B CN 114383295B
- Authority
- CN
- China
- Prior art keywords
- indoor
- gate
- output
- network
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/0001—Control or safety arrangements for ventilation
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
- F24F11/63—Electronic processing
- F24F11/64—Electronic processing using pre-stored data
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/70—Control systems characterised by their outputs; Constructional details thereof
- F24F11/72—Control systems characterised by their outputs; Constructional details thereof for controlling the supply of treated air, e.g. its pressure
- F24F11/74—Control systems characterised by their outputs; Constructional details thereof for controlling the supply of treated air, e.g. its pressure for controlling air flow rate or air velocity
- F24F11/77—Control systems characterised by their outputs; Constructional details thereof for controlling the supply of treated air, e.g. its pressure for controlling air flow rate or air velocity by controlling the speed of ventilators
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/70—Control systems characterised by their outputs; Constructional details thereof
- F24F11/72—Control systems characterised by their outputs; Constructional details thereof for controlling the supply of treated air, e.g. its pressure
- F24F11/79—Control systems characterised by their outputs; Constructional details thereof for controlling the supply of treated air, e.g. its pressure for controlling the direction of the supplied air
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F2110/00—Control inputs relating to air properties
- F24F2110/30—Velocity
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F2110/00—Control inputs relating to air properties
- F24F2110/50—Air quality properties
- F24F2110/64—Airborne particle content
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F2110/00—Control inputs relating to air properties
- F24F2110/50—Air quality properties
- F24F2110/65—Concentration of specific substances or contaminants
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F2110/00—Control inputs relating to air properties
- F24F2110/50—Air quality properties
- F24F2110/65—Concentration of specific substances or contaminants
- F24F2110/70—Carbon dioxide
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F2130/00—Control inputs relating to environmental factors not covered by group F24F2110/00
- F24F2130/10—Weather information or forecasts
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B30/00—Energy efficient heating, ventilation or air conditioning [HVAC]
- Y02B30/70—Efficient control or regulation technologies, e.g. for control of refrigerant flow, motor or heating
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Fuzzy Systems (AREA)
- Fluid Mechanics (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Ventilation (AREA)
Abstract
本发明涉及一种基于室内污染浓度估计模型的通风控制方法。该方法包括以下步骤:步骤1,搭建室内空气检测***;步骤2,将步骤1所采集的PM2.5、CO2、烟雾信号数据进行归一化处理;步骤3,建立室内污染浓度估计模型;步骤4,建立室内通风控制算法模型;步骤5,把设计完成的室内污染浓度估计模型和室内通风控制算法模型嵌入空气检测数据处理模块中,完成对室内通风的控制;步骤6,室内空气检测数据处理模块通过实时检测室外的风速和雨滴值,当超过限定阈值时,控制器关闭通风装置。本发明在建立室内PM2.5、CO2浓度和烟雾信号的动态估计模型基础上,再根据通风控制量的奖励值和动态估计PM2.5、CO2浓度和烟雾信号来完成对窗户开度和风机的控制,相比传统机械通风***可节约能耗、延长设备使用寿命。
Description
技术领域
本发明涉及室内污染领域,特别设计基于室内污染浓度估计模型的通风控制方法。
背景技术
随着现代科技的发展和人们对生活品质要求的提高,现代建筑的功能愈加完善,越来越多的人类活动可以从室外转移到室内进行。有研究显示,现代人会在建筑室内度过他们的绝大多数时间,所以室内的空气质量的优劣对人体健康和舒适度有着非常重要的影响。近年来,全球各地室内空气的污染问题频发,室内空气质量问题也越来越受到人们的重视。
室内空气污染物主要分为固体和气体两大类。固体污染物主要包括悬浮颗粒物、灰尘、部分植物的花粉、微生物的细胞、部分烟雾等;气体污染物主要包括挥发性有机物(VOCs)、臭氧(O3)、氮氧化物(NOx)、二氧化硫 (SO2)、氡气等。人体长期暴露于这些室内空气污染物会罹患严重的呼吸***疾病、心血管***疾病、皮肤病、癌症等,甚至死亡。本发明提出一种基于室内污染浓度估计模型的通风控制方法,建立室内PM2.5、CO2和烟雾浓度动态估计模型,再根据动态估计模型控制通风设备。
发明内容
为了解决上述存在问题,本发明在采集室内PM2.5、CO2、烟雾浓度数据和室外雨滴和风速数据的基础上,提出一种基于室内污染浓度估计模型的通风控制方法,建立室内PM2.5、CO2浓度和烟雾信号的动态估计模型基础上,再根据通风控制量的奖励值和动态估计PM2.5、CO2浓度和烟雾信号来完成对窗户开度和风机的控制,为达此目的,本发明的具体步骤如下,其特征在于:
步骤1,搭建室内空气检测***:室内空气检测***由PM2.5检测传感器、CO2检测传感器、烟雾检测传感器、风速检测传感器、雨滴传感器、信号调理电路模块、供电电路模块和NI采集卡组成;
步骤2,将步骤1所采集的PM2.5、CO2、烟雾信号数据进行归一化处理,把PM2.5、CO2、烟雾信号数据归一化至0到1范围内,以减小数据间的量纲影响;
步骤3,建立室内污染浓度估计模型:将步骤2归一化后的PM2.5、CO2、烟雾数据和控制器对执行机构的输出值作为输入,将下一时刻的室内PM2.5、 CO2、烟雾数据作为输出建立室内污染浓度估计模型;
步骤4,建立室内通风控制算法模型:将风速、通风动作、室内污染浓度估计模型计算的下一时刻室内PM2.5、CO2、烟雾数据和当前室内PM2.5、 CO2、烟雾数据作为输入训练深度确定性策略梯度网络,利用深度确定性策略梯度网络输出通风值;
步骤5,把设计完成的室内污染浓度估计模型和室内通风控制算法模型嵌入空气检测数据处理模块中,完成对室内通风的控制;
步骤6,室内空气检测数据处理模块通过实时检测室外的风速和雨滴值,当超过限定阈值时,控制器关闭通风装置。
进一步,步骤1中搭建室内空气检测***的过程可以表示如下:
通过供电电路分别对PM2.5检测传感器、CO2检测传感器、烟雾检测传感器、风速检测传感器、雨滴传感器进行供电,同时将传感器安装适当位置,把所检测的PM2.5、CO2、烟雾、风速、雨滴信号经调理电路转换后统一接入NI 采集卡,NI采集卡通过PCIE接口将信号传输至上位机的室内空气检测数据处理模块中。
进一步,步骤3中建立室内污染浓度估计模型的过程可以表示如下:
步骤3.1:室内污染浓度估计模型由输入门、遗忘门、细胞状态和输出门构成;首先,输入门对输入进行有选择性的记忆,遗忘门对细胞状态传进来的输入进行选择性的忘记;其次,将输入门和遗忘门的输出叠加至下一个细胞状态;最后,输出门对细胞状态的输出进行放缩输出下一时刻的预测值;
步骤3.2:构建室内污染浓度估计模型的输入门,过滤PM2.5、CO2、烟雾数据和控制器对执行机构输出值的无效信息,并向细胞状态输入有效信息,输
入门表示如下:
it=g(Wxixt+Whiht-1+Wcict-1+bi+Wnint (1)
式中,xt是归一化后的PM2.5、CO2、烟雾数据和控制器对执行机构输出值的数据,g()为激活函数,Wxi是输入门与xt之间的权重系数,ht-1是t-1时的隐藏状态,Whi是输入门与隐藏状态之间的权重系数,ct-1是t-1时的细胞状态,Wci是输入门样本与细胞状态间的权重系数,bi是输入门的偏置项,it为输入门样本,nt是t时的噪声干扰,Wni是输入门与噪声干扰之间的权重系数,通过添加噪声干扰来提高模型的鲁棒性;
步骤3.3:构建室内污染浓度估计模型的遗忘门,来删除细胞状态中部分无效信息,遗忘门表示如下:
ft=g(Wxf xt+Whf ht-1+Wcf ct-1+bf) (2)
式中,ft为遗忘门输出,Wxf是遗忘门和xt间的权重系数,Whf是遗忘门和隐藏状态间的权重系数,Wcf为遗忘门样本与细胞状态ct-1间的权重系数,bf是遗忘
门的偏置项;
步骤3.3:构建模型细胞状态:
ct=ftct-1+it tanh(Wxcxt+Whcht-1+bc) (3)
式中,Wxc是细胞状态与xt之间的权重系数,Whc是细胞状态与隐藏状态ht-1间的权重系数,bc为细胞状态的偏置项;
步骤3.4:构建模型输出门,输出下一时刻的室内PM2.5、CO2、烟雾数据:
st=g(Wxs xt+Whsht-1+Wcsct+bs) (4)
式中,st是输出门输出的下一时刻室内PM2.5、CO2、烟雾归一化数据, Wxs是输出门与xt间的权重系数,Whs是输出门样本与ht-1之间的权重系数,Wcs是输出门样本与ct之间的权重系数,bs为输出门的偏置项
步骤3.5:通过输出门对t时刻的隐藏状态ht进行更新:
ht=st tanh(ct) (5)
步骤3.6,重复步骤3.2~步骤3.5,利用SGD算法对模型中的权重和偏置参数进行更新,直至损失函数达到收敛阈值,收敛阈值设置为1e-4。
进一步,步骤4中建立室内通风控制算法模型的过程可以表示如下:
步骤4.1,室内通风控制算法模型包含策略网络和价值网络,价值网络目标是选出最佳的动作值,价值网络以损失函数最小化为目标来更新网络参数,策略网络目标是根据当前状态选择当前动作,并根据环境状态生成下一时刻动作;
步骤4.2,策略网络和价值网络中分别都包含了一个现实网络和一个目标网络,分别初始化策略网络和价值网络,随机初始化策略网络和价值网络参数:θQ、θμ,并令:
θQ′=θQ (6)
θμ′=θμ (7)
式中,θQ表示现实价值网络参数,θQ′表示目标价值网络参数,θμ表示现实策略网络参数,θμ′表示目标策略网络参数
步骤4.3,在当前状态下选取作动器动作at:
at=μ(st|θμ)+Nt (8)
式中,Nt是随机噪声,函数μ()为最优行为策略;
步骤4.4,通过执行动作at,得到奖励rt+1和室内污染浓度估计模型估计的状态st+1,保存当前状态st、动作at、奖励rt+1和状态st+1,并放入经验池中;,
步骤4.5,当经验池数据达到训练条件时,随机从经验池中选取N个样本 {(st,at,rt+1,st+1)};
步骤4.6,利用经验池中的样本对策略网络和价值网络参数θQ、θμ进行更新,通过价值网络计算的目标动作价值y:
y=rt+1+γQ(st+1,at+1/θQ′) (9)
γ为折扣因子,at+1是t+1时刻的动作;
步骤4.7,间隔一段时间更新一次目标网络:
θQ′=τθQ+(1-τ)θQ′ (10)
θμ′=τθμ+(1-τ)θμ′ (11)
式中,τ为学习率;
步骤4.8,返回步骤4.3进行循环迭代,知道最大回合数;
步骤4.9,根据训练完成的室内通风控制算法模型输出通风控制量at。
本发明基于室内污染浓度估计模型的通风控制方法,有益效果在于:
本发明在建立室内PM2.5、CO2浓度和烟雾信号的动态估计模型基础上,再根据通风控制量的奖励值和动态估计PM2.5、CO2浓度和烟雾信号来完成对窗户开度和风机的控制,相比传统机械通风***可节约能耗、延长设备使用寿命;
本发明通过实时检测室外的风速和雨滴值,当超过限定阈值时,控制器关闭通风装置,保证了通风***的安全运行;
本发明为了增加通风***的自适应和抗干扰能力,设计了一种新的基于室内浓度估计模型的通风控制方法,利用在线权值学习能力,对***执行器进行控制,能够自动通风***的不确定性和干扰;
本发明为室内污染通风控制方法提供一种重要技术手段。
附图说明
图1本发明的流程图;
图2本发明的室内通风控制算法模型图。
具体实施方式
本发明提出了基于室内污染浓度估计模型的通风控制方法,旨在完成对提升室内空气质量的同时,提高通风控制设备运行的稳定性和寿命,提出了一种基于室内污染浓度估计算法和通风控制算法的原理和预测框架。图1为本发明的流程图,下面结合附图与具体实施方式对本发明进一步描述:
步骤1,搭建室内空气检测***:室内空气检测***由PM2.5检测传感器、CO2检测传感器、烟雾检测传感器、风速检测传感器、雨滴传感器、信号调理电路模块、供电电路模块和NI采集卡组成;
通过供电电路分别对PM2.5检测传感器、CO2检测传感器、烟雾检测传感器、风速检测传感器、雨滴传感器进行供电,同时将传感器安装适当位置,把所检测的PM2.5、CO2、烟雾、风速、雨滴信号经调理电路转换后统一接入NI 采集卡,NI采集卡通过PCIE接口将信号传输至上位机的室内空气检测数据处理模块中。
步骤2,将步骤1所采集的PM2.5、CO2、烟雾信号数据进行归一化处理,把PM2.5、CO2、烟雾信号数据归一化至0到1范围内,以减小数据间的量纲影响;
步骤3,建立室内污染浓度估计模型:将步骤2归一化后的PM2.5、CO2、烟雾数据和控制器对执行机构的输出值作为输入,将下一时刻的室内PM2.5、 CO2、烟雾数据作为输出建立室内污染浓度估计模型;
步骤3.1:室内污染浓度估计模型由输入门、遗忘门、细胞状态和输出门构成;首先,输入门对输入进行有选择性的记忆,遗忘门对细胞状态传进来的输入进行选择性的忘记;其次,将输入门和遗忘门的输出叠加至下一个细胞状态;最后,输出门对细胞状态的输出进行放缩输出下一时刻的预测值;
步骤3.2:构建室内污染浓度估计模型的输入门,过滤PM2.5、CO2、烟雾数据和控制器对执行机构输出值的无效信息,并向细胞状态输入有效信息,输入门表示如下:
it=gWxixt+Whiht-1+Wcict-1+bi+Wnint (I)
式中,xt是归一化后的PM2.5、CO2、烟雾数据和控制器对执行机构输出值的数据,g()为激活函数,Wxi是输入门与xt之间的权重系数,ht-1是t-1时的隐藏状态,Whi是输入门与隐藏状态之间的权重系数,ct-1是t-1时的细胞状态,Wci是输入门样本与细胞状态间的权重系数,bi是输入门的偏置项,it为输入门样本,nt是t时的噪声干扰,Wni是输入门与噪声干扰之间的权重系数,通过添加噪声干扰来提高模型的鲁棒性;
步骤3.3:构建室内污染浓度估计模型的遗忘门,来删除细胞状态中部分无效信息,遗忘门表示如下:
ft=g(Wxf xt+Whf ht-1+Wcf ct-1+bf) (2)
式中,ft为遗忘门输出,Wxf是遗忘门和xt间的权重系数,Whf是遗忘门和隐藏状态间的权重系数,Wcf为遗忘门样本与细胞状态ct-1间的权重系数,bf是遗忘门的偏置项;
步骤3.3:构建模型细胞状态:
ct=ft ct-1+it tanh(Wxc xt+Whcht-1+bc) (3)
式中,Wxc是细胞状态与xt之间的权重系数,Whc是细胞状态与隐藏状态ht-1间的权重系数,bc为细胞状态的偏置项;
步骤3.4:构建模型输出门,输出下一时刻的室内PM2.5、CO2、烟雾数据:
st=g(Wxs xt+Whs ht-1+Wcs ct+bs) (4)
式中,st是输出门输出的下一时刻室内PM2.5、CO2、烟雾归一化数据, Wxs是输出门与xt间的权重系数,Whs是输出门样本与ht-1之间的权重系数,Wcs是输出门样本与ct之间的权重系数,bs为输出门的偏置项
步骤3.5:通过输出门对t时刻的隐藏状态ht进行更新:
ht=st tanh(ct) (5)
步骤3.6,重复步骤3.2~步骤3.5,利用SGD算法对模型中的权重和偏置参数进行更新,直至损失函数达到收敛阈值,收敛阈值设置为1e-4。
步骤4,建立室内通风控制算法模型:将风速、通风动作、室内污染浓度估计模型计算的下一时刻室内PM2.5、CO2、烟雾数据和当前室内PM2.5、 CO2、烟雾数据作为输入训练深度确定性策略梯度网络,利用深度确定性策略梯度网络输出通风值;
室内通风控制算法模型包含策略网络和价值网络,价值网络目标是选出最佳的动作值,价值网络以损失函数最小化为目标来更新网络参数,策略网络目标是根据当前状态选择当前动作,并根据环境状态生成下一时刻动作,室内通风控制算法模型图如图2所示;
步骤4.1,策略网络和价值网络中分别都包含了一个现实网络和一个目标网络,分别初始化策略网络和价值网络,随机初始化策略网络和价值网络参数:θQ、θμ,并令:
θQ′=θQ (6)
θμ′=θμ (7)
式中,θQ表示现实价值网络参数,θQ′表示目标价值网络参数,θμ表示现实策略网络参数,θμ′表示目标策略网络参数
步骤4.2,在当前状态下选取作动器动作at:
at=μ(st|θμ)+Nt (8)
式中,Nt是随机噪声,函数μ()为最优行为策略;
步骤4.3,通过执行动作at,得到奖励rt+1和室内污染浓度估计模型估计的状态st+1,保存当前状态st、动作at、奖励rt+1和状态st+1,并放入经验池中;,
步骤4.4,当经验池数据达到训练条件时,随机从经验池中选取N个样本 {(st,at,rt+1,st+1)};
步骤4.5,利用经验池中的样本对策略网络和价值网络参数θQ、θμ进行更新,通过价值网络计算的目标动作价值y:
=rt+1+γQ(st+1,at+1/θQ′) (9)
γ为折扣因子,at+1是t+1时刻的动作;
步骤4.6,间隔一段时间更新一次目标网络:
θQ′=τθQ+(1-τ)θQ′ (10)
θμ′=τθμ+(1-τ)θμ′ (11)
式中,τ为学习率;
步骤4.7,返回步骤4.2进行循环迭代,知道最大回合数;
步骤4.8,根据训练完成的室内通风控制算法模型输出通风控制量at。
步骤5,把设计完成的室内污染浓度估计模型和室内通风控制算法模型嵌入空气检测数据处理模块中,完成对室内通风的控制;
步骤6,室内空气检测数据处理模块通过实时检测室外的风速和雨滴值,当超过限定阈值时,控制器关闭通风装置。
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作任何其他形式的限制,而依据本发明的技术实质所作的任何修改或等同变化,仍属于本发明所要求保护的范围。
Claims (1)
1.基于室内污染浓度估计模型的通风控制方法,具体步骤如下,其特征在于:
步骤1,搭建室内空气检测***:室内空气检测***由PM2.5检测传感器、CO2检测传感器、烟雾检测传感器、风速检测传感器、雨滴传感器、信号调理电路模块、供电电路模块和NI采集卡组成;
步骤1中搭建室内空气检测***的过程可以表示如下:
通过供电电路分别对PM2.5检测传感器、CO2检测传感器、烟雾检测传感器、风速检测传感器、雨滴传感器进行供电,同时将传感器安装适当位置,把所检测的PM2.5、CO2、烟雾、风速、雨滴信号经调理电路转换后统一接入NI采集卡,NI采集卡通过PCIE接口将信号传输至上位机的室内空气检测数据处理模块中;
步骤2,将步骤1所采集的PM2.5、CO2、烟雾信号数据进行归一化处理,把PM2.5、CO2、烟雾信号数据归一化至0到1范围内,以减小数据间的量纲影响;
步骤3,建立室内污染浓度估计模型:将步骤2归一化后的PM2.5、CO2、烟雾数据和控制器对执行机构的输出值作为输入,将下一时刻的室内PM2.5、CO2、烟雾数据作为输出建立室内污染浓度估计模型;
步骤3中建立室内污染浓度估计模型的过程表示如下:
步骤3.1:室内污染浓度估计模型由输入门、遗忘门、细胞状态和输出门构成;首先,输入门对输入进行有选择性的记忆,遗忘门对细胞状态传进来的输入进行选择性的忘记;其次,将输入门和遗忘门的输出叠加至下一个细胞状态;最后,输出门对细胞状态的输出进行放缩输出下一时刻的预测值;
步骤3.2:构建室内污染浓度估计模型的输入门,过滤PM2.5、CO2、烟雾数据和控制器对执行机构输出值的无效信息,并向细胞状态输入有效信息,输入门表示如下:
it=g(Wxixt+Whiht-1+Wcict-1+bi)+Wnint (1)
式中,xt是归一化后的PM2.5、CO2、烟雾数据和控制器对执行机构输出值的数据,g()为激活函数,Wxi是输入门与xt之间的权重系数,ht-1是t-1时的隐藏状态,Whi是输入门与隐藏状态之间的权重系数,ct-1是t-1时的细胞状态,Wci是输入门样本与细胞状态间的权重系数,bi是输入门的偏置项,it为输入门样本,nt是t时的噪声干扰,Wni是输入门与噪声干扰之间的权重系数,通过添加噪声干扰来提高模型的鲁棒性;
步骤3.3:构建室内污染浓度估计模型的遗忘门,来删除细胞状态中部分无效信息,遗忘门表示如下:
ft=g(Wxfxt+Whfht-1+Wcfct-1+bf) (2)
式中,ft为遗忘门输出,Wxf是遗忘门和xt间的权重系数,Whf是遗忘门和隐藏状态间的权重系数,Wcf为遗忘门样本与细胞状态ct-1间的权重系数,bf是遗忘门的偏置项;
步骤3.3:构建模型细胞状态:
ct=ftct-1+ittanh(Wxcxt+Whcht-1+bc) (3)
式中,Wxc是细胞状态与xt之间的权重系数,Whc是细胞状态与隐藏状态ht-1间的权重系数,bc为细胞状态的偏置项;
步骤3.4:构建模型输出门,输出下一时刻的室内PM2.5、CO2、烟雾数据:
st=g(Wxsxt+Whsht-1+Wcsct+bs) (4)
式中,st是输出门输出的下一时刻室内PM2.5、CO2、烟雾归一化数据,Wxs是输出门与xt间的权重系数,Whs是输出门样本与ht-1之间的权重系数,Wcs是输出门样本与ct之间的权重系数,bs为输出门的偏置项
步骤3.5:通过输出门对t时刻的隐藏状态ht进行更新:
ht=sttanh(ct) (5)
步骤3.6,重复步骤3.2~步骤3.5,利用SGD算法对模型中的权重和偏置参数进行更新,直至损失函数达到收敛阈值,收敛阈值设置为1e-4;
步骤4,建立室内通风控制算法模型:将风速、通风动作、室内污染浓度估计模型计算的下一时刻室内PM2.5、CO2、烟雾数据和当前室内PM2.5、CO2、烟雾数据作为输入训练深度确定性策略梯度网络,利用深度确定性策略梯度网络输出通风值;
步骤4中建立室内通风控制算法模型的过程可以表示如下:
步骤4.1,策略网络和价值网络中分别都包含了一个现实网络和一个目标网络,分别初始化策略网络和价值网络,随机初始化策略网络和价值网络参数:θQ、θμ,并令:
θQ′=θQ (6)
θμ′=θμ (7)
式中,θQ表示现实价值网络参数,θQ′表示目标价值网络参数,θμ表示现实策略网络参数,θμ′表示目标策略网络参数
步骤4.2,在当前状态下选取作动器动作at:
at=μ(st|θμ)+Nt (8)
式中,Nt是随机噪声,函数μ()为最优行为策略;
步骤4.3,通过执行动作at,得到奖励rt+1和室内污染浓度估计模型估计的状态st+1,保存当前状态st、动作at、奖励rt+1和状态st+1,并放入经验池中;
步骤4.4,当经验池数据达到训练条件时,随机从经验池中选取N个样本{(st,at,rt+1,st+1)};
步骤4.5,利用经验池中的样本对策略网络和价值网络参数θQ、θμ进行更新,通过价值网络计算的目标动作价值y:
y=rt+1+γQ(st+1,at+1/θQ′) (9)
γ为折扣因子,at+1是t+1时刻的动作;
步骤4.6,间隔一段时间更新一次目标网络:
θQ′=τθQ+(1-τ)θQ′ (10)
θμ′=τθμ+(1-τ)θμ′ (11)
式中,τ为学习率;
步骤4.7,返回步骤4.2进行循环迭代,知道最大回合数;
步骤4.8,根据训练完成的室内通风控制算法模型输出通风控制量at;
步骤5,把设计完成的室内污染浓度估计模型和室内通风控制算法模型嵌入空气检测数据处理模块中,完成对室内通风的控制;
步骤6,室内空气检测数据处理模块通过实时检测室外的风速和雨滴值,当超过限定阈值时,控制器关闭通风装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111535815.6A CN114383295B (zh) | 2021-12-15 | 2021-12-15 | 一种基于室内污染浓度估计模型的通风控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111535815.6A CN114383295B (zh) | 2021-12-15 | 2021-12-15 | 一种基于室内污染浓度估计模型的通风控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114383295A CN114383295A (zh) | 2022-04-22 |
CN114383295B true CN114383295B (zh) | 2023-05-16 |
Family
ID=81198537
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111535815.6A Active CN114383295B (zh) | 2021-12-15 | 2021-12-15 | 一种基于室内污染浓度估计模型的通风控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114383295B (zh) |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6286808B2 (ja) * | 2013-04-12 | 2018-03-07 | パナソニックIpマネジメント株式会社 | 空調システムおよびコントローラ |
CN106707999B (zh) * | 2017-02-09 | 2023-04-18 | 苏州科技大学 | 基于自适应控制器的建筑物节能***、控制方法及仿真 |
CN110348592A (zh) * | 2019-05-21 | 2019-10-18 | 华电电力科学研究院有限公司 | 一种基于人工神经网络的负荷模型预测方法及预测*** |
WO2021010505A1 (ko) * | 2019-07-12 | 2021-01-21 | 엘지전자 주식회사 | 지능형 공기 청정기, 지능형 공기 청정기를 이용한 실내 공기질 제어방법 및 제어 장치 |
KR102264855B1 (ko) * | 2019-11-26 | 2021-06-15 | 전남대학교산학협력단 | 인공 신경망을 기반으로 하는 환기 모드 예측 방법 및 시스템 |
CN111103220B (zh) * | 2019-12-31 | 2021-04-27 | 西安交通大学 | 一种对大气污染物浓度的预测调控方法及*** |
US11892187B2 (en) * | 2020-03-26 | 2024-02-06 | Generac Power Systems, Inc. | Thermostat device with improved energy optimization |
CN112628955B (zh) * | 2020-12-23 | 2022-03-01 | 杭州电子科技大学 | 一种基于lstm神经网络和磷虾群优化算法的室内通风控制方法 |
-
2021
- 2021-12-15 CN CN202111535815.6A patent/CN114383295B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114383295A (zh) | 2022-04-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11648504B2 (en) | Air conditioning device and control method thereof | |
CN110395286B (zh) | 一种列车车内空气品质监测与通风调控方法、*** | |
Chenari et al. | Towards sustainable, energy-efficient and healthy ventilation strategies in buildings: A review | |
Liu et al. | Multi-objective optimization of indoor air quality control and energy consumption minimization in a subway ventilation system | |
Li et al. | A coupled computational fluid dynamics and back-propagation neural network-based particle swarm optimizer algorithm for predicting and optimizing indoor air quality | |
CN109489212B (zh) | 一种空调智能睡眠控制方法、调整***及设备 | |
CN106918113B (zh) | 一种智能家居的管理方法和*** | |
CN111561764A (zh) | 用于新风***的控制方法、装置及存储介质 | |
Kim et al. | Prediction and correlation analysis of ventilation performance in a residential building using artificial neural network models based on data-driven analysis | |
CN114383295B (zh) | 一种基于室内污染浓度估计模型的通风控制方法 | |
Majdi et al. | A novel method for Indoor Air Quality Control of Smart Homes using a Machine learning model | |
CN106707999B (zh) | 基于自适应控制器的建筑物节能***、控制方法及仿真 | |
CN205533374U (zh) | 卫生间排气扇自动开启控制装置 | |
CN207065822U (zh) | 一种卫生间通风*** | |
Wang et al. | A model-based control of CO2 concentration in multi-zone ACB air-conditioning systems | |
CN112051621B (zh) | 一种房间有人无人状态的判定方法与装置 | |
CN105571997A (zh) | 一种室内空气颗粒浓度测量及控制方法和装置 | |
Zhi et al. | Fuzzy control of intelligent indoor exercise environment in air-polluted area | |
CN205374235U (zh) | 一种室内空气颗粒浓度测量装置 | |
Wolf et al. | CO2-based grey-box model to estimate airflow rate and room occupancy | |
Putra et al. | Artificial Neural Network Approach for Modelling Modified Zeolite Adsorption | |
Tugores et al. | Modelling indoor air quality in schools using grey box models | |
Wang et al. | Research on Indoor Air Quality Evaluation Based on Improved BP Neural Network | |
CN205678828U (zh) | 一种具有空调控制功能的空气检测仪 | |
CN110307615A (zh) | 新风量优化方法和单元计价方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |