[发明专利]一种基于建筑空间单元的并行冷负荷预测方法

权利要求书

1.一种基于建筑空间单元的并行冷负荷预测方法，其特征在于，包括以下步骤：

S1、结合建筑自身承重、维护结构，提出建筑空间单元划分原则，完成目标建筑的空间单元划分；

S2、根据空间单元划分基础，每个空间单元安装分布式控制节点DCN，通过有线或无线通信的形式相互连接；所有建筑空间单元的分布式控制节点DCN映射相连空间单元驱动控制器并连接成群智能网络；DCN与驱动控制器、DCN之间基于标准数据集实现建筑空间单元信息的互通；

S3、针对步骤S2安装的分布式控制节点DCN，建立改进的自适应学习率深度信念网络-偏最小二乘法ADBN-PLSR冷负荷预测模型，引入学习率增大系数和减小系数，根据自适应学习率对比散度学习算法训练自适应学习率深度信念网络-偏最小二乘法ADBN-PLSR冷负荷预测模型，当连续两次迭代后参数变化方向相同，学习率加大，否则学习率减小，具体为：

其中，γ为对比散度CD学习算法学习率，IN为学习率增大系数，DE为学习率减小系数，Δw_ij^t为第t次迭代的连接权重重构差值，Δw_ij^t+1为第t+1次迭代的连接权重重构差值，i为可见层第i个神经单元，j为隐含层第j个神经单元；

S4、各分布式控制节点DCN下载步骤S3建立的预测模型，任意DCN节点可发起模型训练指令，采集影响冷负荷因素的数据，进行数据预处理和归一化，选择相关性大的数据作为模型的输入变量，执行指令任务；并基于生成树将指令传递给其子节点，至指令传递到无子节点的叶子节点为止，对步骤S3建立的预测模型进行训练；

S5、各分布式控制节点DCN通过步骤S4训练后的预测模型，用户通过任意DCN发起预测指令，分布式控制节点DCN执行指令任务并基于生成树和拓扑结构传递指令至整个DCN网络，各DCN并行独立完成所控区域的预测；

S6、经过预测结果加和指令，于发起节点处得到整个建筑的冷负荷预测结果。

2.根据权利要求1所述的基于建筑空间单元的并行冷负荷预测方法，其特征在于，步骤S1中，建筑空间单元划分原则如下：

以建筑承重结构和围护结构作为边界进行初步划分；兼顾DCN、驱动控制器的处理能力，细分空间单元；不同类别空间不应划分在同一空间单元，同一类别不同功能空间不在同一空间单元内；不同源类设备附属的室内末端不放入同一个空间单元中；对走廊进一步划分；单独对电梯进行划分；防火分区优先级高于各类设备功能的分区，不跨越防火分区。

3.根据权利要求1所述的基于建筑空间单元的并行冷负荷预测方法，其特征在于，步骤S2中，标准数据集包括建筑空间标准数据、室外气象标准数据和空调箱标准数据集。

4.根据权利要求1所述的基于建筑空间单元的并行冷负荷预测方法，其特征在于，预测模型包括多个受限玻尔兹曼机RBM顺序堆叠和一个顶层判别模型PLSR算法，分为一个输入层，多个隐含层和一个输出层；深度信念网络DBN采用逐层训练的思想，预训练和反向微调，确定连接权重与神经元偏置；采用无监督算法逐层训练每个受限玻尔兹曼机RBM网络，通过顶层的回归算法进行有监督参数微调，有监督调优从顶层的输出层开始，每层神经元之间建立PLSR模型，直到最底的输入层。

5.根据权利要求4所述的基于建筑空间单元的并行冷负荷预测方法，其特征在于，RBM网络的能量函数E(v，h；θ)为：

其中，v_i和h_j分别表示可见层第i个和隐含层第j个神经单元的状态值，σ_i为v_i的容忍度，w_ij为可见层第i个神经单元和隐含层第j个神经单元的连接权重，θ为内部参数向量，a_j和b_i为对应的偏置值。