[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

本發明提供了一種基于LSTM神經網絡和磷蝦群優化算法的室內通風控制方法，包括：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。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。采用本發明的技術方案，優化了室內通風控制過程，避免了過量通風造成的能源浪費和不足通風造成的室內環境不良的情況。

技術領域

本發明屬于室內空氣控制技術領域，特別是涉及一種基于LSTM神經網絡和磷蝦群優化算法的室內通風控制方法。

背景技術

室內空氣質量的控制得到了越來越多人的重視，而提高室內空氣質量，降低空氣污染對人體的影響的常用的方法可采用新風系統進行調節。新風系統是一種室內通風排氣設備，通過控制通風設備的運行，將室外的新鮮空氣按照需要輸送到室內之中，保證室內的空氣質量。常見的控制方法為手動控制或根據空氣中某些污染成分的濃度進行自動控制。

發明內容

本發明提出了一種基于LSTM神經網絡和磷蝦群優化算法的室內通風控制方法，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，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。通過評分方案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，既避免了過量通風造成的能源浪費也避免了不足通風造成的室內環境不良的情況。同時在系統的運行過程中實時上傳室內環境參數用于更新關系模型，保持了關系模型的準確性，使得系統能夠自適應動態變化的室內環境。

本發明的一種基于LSTM神經網絡和磷蝦群優化算法的室內通風控制方法，方案步驟如下:

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。通過評分方案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：