本技術涉及通風系統節能優化，尤其涉及一種基于神經網絡的通風系統節能優化方法及系統。

背景技術：

1、隨著全球能源需求的不斷增加和環境問題的日益嚴重，如何有效地節約能源、降低能耗已成為各個行業關注的焦點。建筑物的通風系統作為建筑環境控制的重要組成部分，其能耗在建筑物總能耗中占有相當大的比例。

2、傳統的通風系統主要依賴于預設的運行策略和簡單的反饋控制，難以實時響應環境變化和動態調節，導致能源浪費和運行效率低下。

技術實現思路

1、本技術旨在至少在一定程度上解決相關技術中的技術問題之一。

2、為此，本技術的第一個目的在于提出一種基于神經網絡的通風系統節能優化方法。

3、本技術的第二個目的在于提出一種基于神經網絡的通風系統節能優化系統。

4、本技術的第三個目的在于提出一種電子設備。

5、本技術的第四個目的在于提出一種計算機可讀存儲介質。

6、本技術的第五個目的在于提出一種計算機程序產品。

7、為達上述目的，本技術第一方面實施例提出了一種基于神經網絡的通風系統節能優化方法，包括：

8、采集風機的歷史運行數據，對所述歷史運行數據進行均值插補和小波變換濾波預處理；所述歷史運行數據包括每個風機的開度、外部溫度、濕度、風機處的溫度及總能耗；

9、采用高斯變異策略優化人類進化優化算法heoa，得到改進的人類進化優化算法iheoa；

10、通過iheoa算法對softs模型的參數進行優化；所述參數包括嵌入維度、核心表示維度、編碼器層數、預測窗口長度、學習率；

11、構建iheoa-softs通風系統模型，建立風量開度與室內溫度和能耗之間的關系；所述iheoa-softs通風系統模型將每個風機的開度、外部溫度、濕度作為輸入，將每個風機處的溫度及總能耗作為輸出；

12、建立考慮室內溫度控制精度和總功耗的綜合目標函數，以最小化所述綜合目標函數為目標，利用iheoa算法不斷優化調整iheoa-softs通風系統模型中每個風機的開度，確定風機開度與室內各處溫度及總功耗之間的最優關系。

13、可選的，所述對所述歷史運行數據進行均值插補和小波變換濾波預處理，包括：

14、對所述歷史運行數據進行均值插補，識別數據集中的缺失值，計算數據集中所有非缺失值的均值，并將計算得到的均值填充到缺失值位置，計算公式如下：

15、

16、其中，xi為非缺失值，n是非缺失值的總數，mean為填補缺失值的位置的均值；

17、對均值插補后的數據集進行小波變換濾波，選擇daubechies小波作為小波函數；

18、對濾波后的數據進行離散小波變換，得到小波系數，計算公式如下：

19、

20、ψj,k(m)＝2-j/2ψ(2-j·m-k)

21、其中，wj,k是在尺度j和位置k上的小波系數，j是尺度，k是位置參數，m是原始數據的位置索引，ψj,k(m)是縮放和平移后的小波函數，縮放和平移是通過將原始小波函數ψ縮放2-j/2倍并平移2-j·m-k來實現的，f(m)為原始數據在位置m上的值；

22、對所述小波系數進行硬閾值處理，去除噪聲和不重要的信息，公式如下：

23、

24、其中，λ是設定的閾值，若小波系數wj,k的絕對值大于閾值λ，則保留該系數，否則，將其設為0；

25、使用閾值處理后的小波系數重構數據，公式如下：

26、

27、其中，f′(m)為重構后的數據在位置m上的值，通過將所有重構后的小波系數wth,j,k與對應的小波函數ψj,k(m)相乘，并對所有尺度j和位置k進行求和得到；

28、整體重構后的數據表示為：

29、f′＝{f′(m)∣m＝1,2,…,m}

30、其中m是信號的長度，f′為整體重構后的數據。

31、可選的，所述采用高斯變異策略優化人類進化優化算法heoa，得到改進的人類進化優化算法iheoa，包括：

32、模擬人類進化初期的混沌階段，使用邏輯混沌映射法對種群進行初始化，計算公式如下：

33、xi＝α·xi-1·(1-xi-1),0≤x0≤1,i＝1,2,...,n,α＝4

34、其中，xi代表第i次迭代值，xi-1代表前一次迭代值，n是種群規模，α為混沌映射的控制參數；將混沌值xi映射到搜索空間，得到初始種群的位置，計算公式為：

35、

36、其中，表示第i個體的初始位置，lb和ub分別為搜索空間的下限和上限；

37、在人類進化優化算法的每次迭代中，對于種群中的每個個體計算其個體適應度，并應用高斯變異策略生成一個正態分布的隨機數擾動，使新解在原始解附近進行微調，更新公式如下：

38、xnew＝xold+gaussian(0,σ)

39、其中，xnew是變異后的新解，xold是變異前的原始解，gaussian(0,σ)表示均值為0，方差為σ2的高斯分布隨機數；在人類探索階段，個體通過高斯變異策略進行搜索，更新位置的公式如下：

40、

41、其中，β是自適應函數，dim是問題的維度，與分別表示第i個個體的當前位置和更新后的下一個位置，xbest是迄今為止探索到的最佳位置，是當前種群的平均位置，levy表示levy分布，fjump是跳躍系數，rand是范圍在[0,1]的隨機數；

42、在人類發展階段，將種群分為領導者、探索者、追隨者和失敗者，為每個角色應用高斯變異策略，并使用相應的策略更新位置；

43、檢查終止條件，如果滿足終止條件，則停止迭代，輸出最優解。

44、可選的，所述在人類發展階段，將種群分為領導者、探索者、追隨者和失敗者，為每個角色應用高斯變異策略，并使用相應的策略更新位置，包括：

45、對于種群中的每個領導者i，應用高斯變異策略，公式如下：

46、

47、其中，xi+1是變異后的新解，xi是變異前的原始解，表示均值為0，方差為的高斯隨機變量；

48、將種群內預適應排名前40％的人個體指定為領導者，使用領導者策略更新位置并加入高斯變異策略，公式如下：

49、

50、其中，為第t+1代第i個個體的位置，為第t代第i個個體的位置，rn表示遵循正態分布的隨機數，函數ones(1,dim)表示生成一個包含dim元素的行向量，其中每個元素都設為1，r為一個范圍為[0,1]的隨機數，代表與領導者相關的情況的復雜程度，a為情況評估值，用于決定領導者是否改變其搜索策略，ω為知識獲取難易系數，隨著時間的推移逐漸減小，表達式為：

51、

52、將種群內預適應排名前40％至80％的個體指定為探索者，使用探索者策略更新位置并加入高斯變異策略，公式如下：

53、

54、其中，為第t+1代第i個體的位置，為第t代第i個體的位置，是在第t代種群中最不適應的個體，表示均值為0，方差為的高斯隨機變；

55、將種群內預適應排名前80％至90％的個體指定為追隨者，應用高斯變異策略，公式如下：

56、

57、其中，代表第t次迭代時人類種群中適應性最強的個體位置，rd表示[1,dim]范圍內的隨機數，表示均值為0，方差為的高斯隨機變量；

58、將種群內預適應最后10％的個體指定為失敗者，種群補充方程高斯變異策略改進后為：

59、

60、其中，xi+1為新生成的種群個體的位置，xbest為種群中適應度最高的個體的位置，xi為種群中失敗者個體的位置，rn表示遵循正態分布的隨機數，σ是控制高斯變異幅度的參數，稱為標準差，為標準正態分布。

61、可選的，所述通過iheoa算法對softs模型的參數進行優化，包括：

62、根據softs模型的均方誤差定義目標函數f(θ)，其中，θ是待優化的參數集合，包括嵌入維度d、核心表示維度d′、編碼器層數n、預測窗口長度h、學習率l；所述目標函數f(θ)的公式如下：

63、

64、其中，n是樣本數量，yi是實際值，是模型預測值；

65、初始化時，通過iheoa算法的種群初始化方法生成初始的參數集合θ＝{d,d′,n,h,l}；

66、定義預測模型，公式為：

67、

68、其中，xi是輸入特征，softs(θ,xi)為softs模型基于參數集合θ的預測結果；

69、在每次迭代中，應用iheoa算法的探索和發展階段，更新參數集合θ；

70、通過計算當前適應度，計算每個參數集合對應的softs模型的性能，更新最優參數集合；

71、當達到終止條件后，輸出最優的參數集合，并將其應用于softs模型中。

72、可選的，所述iheoa-softs通風系統模型的預測過程，包括：

73、向所述通風系統模型中輸入預處理后的數據集xt＝{at,text,t,hext,t}，其中，xt為在時間步長t時模型總輸入，at為在時間步長t時每個風機的開度，text,t為在時間步長t時的外部溫度，hext,t為在時間步長t時的外部濕度；

74、在所述通風系統模型中，通過嵌入層將輸入數據嵌入到高維空間，公式為：

75、s0＝embedding(xt)

76、其中，s0為嵌入層的輸出特征表示；

77、將嵌入層的輸出特征表示輸入到star模塊中，通過時間序列處理獲得第i層的輸出特征表示，公式為：

78、si＝star(si-1)

79、其中，si表示star模塊中第i層輸出的特征表示，si-1表示star模塊中第i-1層的輸出特征表示；

80、通過多層感知機對第i-1層的輸出特征表示進行處理，提取核心表示，公式如下：

81、oi＝mlp(si-1)

82、其中，oi為為第i層的核心表示；

83、將核心表示與特征表示進行重復和拼接操作，生成組合特征表示，公式為：

84、fi＝repeat_concat(si-1,oi)

85、其中，fi為輸入到第i層多層感知機的特征表示和輸出的核心表示的組合特征；

86、對所述組合特征表示通過編碼器層進行處理，并通過殘差結合原始特征和處理后的特征表示，公式如下：

87、si＝mlp(fi)+si-1

88、其中，si為編碼器層輸出的特征表示；

89、將編碼器層輸出的特征表示輸入到線性層，輸出預測結果，表示為：

90、

91、其中，表示預測結果，sl表示通過多層神經網絡逐層處理后得到的最終特征表示，表示在預測時間步長t時每個風機處的溫度，etotal,t表示在預測時間步長t時的總功耗。

92、可選的，所述建立考慮室內溫度控制精度和總功耗的綜合目標函數，以最小化所述綜合目標函數為目標，利用iheoa算法不斷優化調整iheoa-softs通風系統模型中每個風機的開度，確定風機開度與室內各處溫度及總功耗之間的最優關系，包括：

93、建立綜合目標函數f(θ)，所述綜合目標函數f(θ)同時考慮室內溫度控制精度和總功耗，定義如下：

94、

95、其中，ttarget為目標溫度，為溫度控制的均方誤，是總功耗，w1,w2是權重系數，用于平衡不同目標的影響；

96、利用iheoa智能算法初始化種群，生成初始的風機開度解集合at，每個解表示為一個風機開度的組合，種群初始化公式如下：

97、

98、對種群中的每個解計算其適應度值，適應度值由綜合目標函數決定，公式為：

99、

100、根據適應度值對種群進行篩選，選擇較優解組成新的候選種群，篩選后的種群表示為：

101、p′＝select(p)

102、在篩選后的種群基礎上，進行交叉操作以生成新的候選解，交叉公式為：

103、p″＝crossover(p′)

104、對交叉生成的新解執行變異操作，對每個候選解進行小幅調整，更新公式為：

105、p″′＝mutate(p″)

106、將變異后的解與當前種群進行融合，生成更新后的種群，更新公式為：

107、p＝update(p,p″′)

108、當達到預定的迭代次數或目標函數值收斂時，終止算法并輸出最終優化的風機開度參數集合，表示為：

109、

110、使用優化后的風機開度控制通風系統，調整風機開度與室內各處溫度及總功耗的關系，實現風機參數的優化控制和系統的節能優化。

111、為達上述目的，本技術第二方面實施例提出了一種基于神經網絡的通風系統節能優化系統，包括：

112、預處理模塊，用于采集風機的歷史運行數據，對所述歷史運行數據進行均值插補和小波變換濾波預處理；所述歷史運行數據包括每個風機的開度、外部溫度、濕度、風機處的溫度及總能耗；

113、第一優化模塊，用于采用高斯變異策略優化人類進化優化算法heoa，得到改進的人類進化優化算法iheoa；

114、第二優化模塊，用于通過iheoa算法對softs模型的參數進行優化；所述參數包括嵌入維度、核心表示維度、編碼器層數、預測窗口長度、學習率；

115、模型構建模塊，用于構建iheoa-softs通風系統模型，建立風量開度與室內溫度和能耗之間的關系；所述iheoa-softs通風系統模型將每個風機的開度、外部溫度、濕度作為輸入，將每個風機處的溫度及總能耗作為輸出；

116、最優關系輸出模塊，用于建立考慮室內溫度控制精度和總功耗的綜合目標函數，以最小化所述綜合目標函數為目標，利用iheoa算法不斷優化調整iheoa-softs通風系統模型中每個風機的開度，確定風機開度與室內各處溫度及總功耗之間的最優關系。

117、為達上述目的，本技術第三方面實施例提出了一種電子設備，包括：處理器，以及與所述處理器通信連接的存儲器；

118、所述存儲器存儲計算機執行指令；

119、所述處理器執行所述存儲器存儲的計算機執行指令，以實現如第一方面中任一項所述的方法。

120、為達上述目的，本技術第四方面實施例提出了一種計算機可讀存儲介質，所述計算機可讀存儲介質中存儲有計算機執行指令，所述計算機執行指令被處理器執行時用于實現如第一方面中任一項所述的方法。

121、為達上述目的，本技術第五方面實施例提出了一種計算機程序產品，該計算機程序被處理器執行時實現第一方面中任一項所述的方法。

122、本技術的實施例提供的技術方案至少帶來以下有益效果：

123、通過基于神經網絡的通風系統節能優化方法，利用iheoa-softs模型，能夠在兼顧室內溫度控制精度的同時，顯著降低通風系統的總能耗；通過優化風機開度參數，建立風機開度與室內溫度和總功耗之間的最優關系，實現了風機參數的精確控制，提升了系統的節能性和運行效率。本技術能夠有效平衡舒適性和能耗目標，為通風系統的智能化優化提供了一種高效的解決方案。

124、本技術附加的方面和優點將在下面的描述中部分給出，部分將從下面的描述中變得明顯，或通過本技術的實踐了解到。