[發明專利]一種基于LSTM神經網絡和磷蝦群優化算法的室內通風控制方法

有效

• 申請號: 202011540725.1
• 申請日: 2020-12-23
• 公開（公告）號: CN112628955B
• 公開（公告）日: 2022-03-01
• 發明（設計）人: 嚴義;鄭宇聰;趙建勇;鄔惠峰
• 申請（專利權）人: 杭州電子科技大學
• 主分類號: F24F11/62
• 分類號: F24F11/62;F24F11/72;G06F30/27;G06N3/04;G06N3/08;G06N3/00
• 代理公司: 浙江永鼎律師事務所 33233
• 代理人: 陸永強

1.一種基于LSTM神經網絡和磷蝦群優化算法的室內通風控制方法，其特征在于，包括以下步驟：

步驟S1：采集室內環境數據，在云端基于LSTM神經網絡對室內環境參數和通風控制量建立關系模型；

步驟S2：系統結合實時采集到的室內環境數據，能通過下載到本地的模型計算出在當前環境不同控制量下對應的不同控制結果；通過一個評分方案對控制結果評分并采用磷蝦群優化算法迭代不同的控制量獲取對應最佳評分的控制量，最后將最佳控制量傳輸給通風設備進行控制；

步驟S3：記錄獲得的實時環境數據和尋優后得到的最優控制量記錄并上傳至云端服務器，增加神經網絡模型的樣本數據集，定期進行模型的反饋訓練，提高模型的準確性；

其中，所述步驟S1進一步包括：

步驟S11:通過手動或自動調節控制量，獲取不同控制量在不同環境下所得到的控制結果，即在該控制量下運行一段時間后的室內環境數據；

步驟S12：將獲取得到的數據集，進行預處理，防止因異常數據或數據丟失對數據集造成干擾；

步驟S13：將預處理之后的數據集分割為樣本集和測試集，樣本集用于訓練，測試集用于測試模型準確度；根據數據類別作為不同維度的輸入數據輸入LSTM模型進行訓練，得到關系模型；

步驟S13進一步包括：

步驟S131:假設室內環境參數數據為分別表示第i時刻室內不同氣體的濃度數據；系統控制量為Ci，表示第i時刻的系統控制量；

步驟S132:根據樣本集構建輸入和輸出，輸入選取連續k個時刻的室內環境參數數據和系統控制量組成；一組輸入數據表示為相對應的輸出結果為選擇合適的網絡參數和訓練次數，將輸入輸出代入LSTM神經網絡，進行訓練，得到關系模型；

步驟S2根據訓練好的關系模型結合實時的環境數據進行下一時刻控制結果的預測并評分，采用磷蝦群算法迭代控制量，選擇對應最優評分的控制結果的控制量傳輸給通風設備；該步驟進一步包括：

步驟S21：根據實時環境數據和實時控制量構建實時輸入數據其中C_Tra為當前的所要采用的控制量，即為優化算法中所迭代的參數，預測結果為

步驟S22：對預測結果進行采用評分方案進行評分；評分方案為根據污染氣體含量的高低、室內環境是否結露、體感是否舒適進行分級評分；根據分級得分，進行綜合計算；污染氣體評分為Score¹，結露評分為Score²,體感評分為Score³,綜合評分Score＝(λ¹*Score¹+λ²*Score²+λ³*Score³)/(λ¹+λ²+λ³)；評分的數值越低則代表控制效果越好；

步驟S23:采用磷蝦群優化算法尋找最優的迭代控制量，根據控制量的范圍初始化種群X＝{X₁,X₂,X₃…X_n}，計算控制結果的評分Score作為每個種群的適應度K＝{K₁,K₂,K₃…K_n}；種群速度的更新公式為:

其中N_i為誘導運動，F_i為覓食運動，D_i為物理擴散；種群個體會根據該速度方法移動到下一個位置，完成一次位置更新；誘導運動是隔壁種群對于該種群的影響，其表達式為：

其中a_i為誘導方向，由鄰居位置和最優適應度個體位置決定；w_n為慣性權重在[0，1]范圍之內；為先前誘導運動；N^max為最大的誘導速度；覓食運動是食物中心，即最佳控制量位置對于種群的吸引；其表達式為：

其中V_f為覓食速度；B_i為覓食方向由食物和最優適應度個體位置決定；為先前覓食運動；w_f為慣性權重在[0，1]范圍之內；物理擴散為種群隨機行為，隨迭代次數的增加而減少；

其中I為迭代次數；δ為隨機方向矢量，在[-1,1]之間；D^max為最大擾動速度；I_max為迭代總數；

完成位置更新之后，采用基因繁殖機制，采用交叉操作對種群進行更新，然后繼續下一次迭代；迭代完成后，擁有最優適應度的種群位置即為所要求的通風控制量；

步驟S3中上傳實時的室內環境參數和最優控制量到云端數據庫，增加了步驟S131中的數據集，豐富了樣本數據，使訓練得到的關系模型更為準確；系統通過定期下載云端服務器的新的關系模型，達到適應環境的效果。