[发明专利]一种基于深度学习的空调系统节能控制方法、装置、设备及计算机介质

权利要求书

1.一种基于深度学习的空调系统节能控制方法，其特征在于，所述方法包括：

采集样本数据，其中，所述样本数据包括空调系统的历史环境状态量、历史动作状态量以及对应的历史控制状态量；

根据所述历史环境状态量、历史动作状态量以及对应的历史控制状态量利用预设神经网络模型进行建模，得到环境状态量、动作状态量及控制状态量的函数关系，其中，所述预设神经网络模型包括依次连接的输入层、第一BN层、第一全连接层、第二BN层、第一激活层、第二全连接层、第三BN层、第二激活层、第四BN层及输出层；

获取当前环境状态量，根据所述当前环境状态量和所述函数关系，得到使得当前控制状态量最小的当前动作状态量，作为目标动作状态量，包括：获取预设时间段内的多个当前环境状态量；根据所述预设时间段内的多个当前环境状态量和所述函数关系，分别获取预设时间段内使得当前控制状态量最小的多个当前动作状态量；分别以每一个所述当前动作状态量作为所述预设时间段的整体动作状态量，根据预设时间段内的多个当前环境状态量及所述函数关系，计算得到多个预设时间段的当前整体控制状态量；将多个所述当前整体控制状态量中最小的当前整体控制状态量对应的当前动作状态量作为预设时间段内的目标动作状态量；将预设时间段内空调系统的动作状态量调整为所述目标动作状态量；

根据所述目标动作状态量对所述空调系统进行节能控制。

2.根据权利要求1所述的方法，其特征在于，环境状态量的参数为m个，动作状态量的参数为n个；

所述预设神经网络模型包括：

输入层，用于接收所述样本数据，其中所述输入层的节点数量为m+n；

第一BN层，用于用于对所述输入层进行标准化处理；

第一全连接层，所述第一全连接层的节点数量为3*(m+n)；

第二BN层，所述第二BN层用于对所述第一全连接层进行标准化处理；

第一激活层，所述第一激活层的激活函数为tanh；

第二全连接层，所述第二全连接层的节点数量为3*(m+n)；

第三BN层，所述第三BN层用于对所述第二全连接层进行标准化处理；

第二激活层，所述第二激活层的激活函数为tanh；

第四BN层，所述第四BN层用于对所述第二激活层进行标准化处理；

输出层，所述输出层的节点数量为1。

3.根据权利要求1所述的方法，其特征在于，获取预设时间段内的多个当前环境状态量，进一步包括：

通过LSTM算法或时间序列算法预测在预设时间段内的多个当前环境状态量。

4.根据权利要求1所述的方法，其特征在于，根据所述历史环境状态量、历史动作状态量以及对应的历史控制状态量利用预设神经网络模型进行建模，得到环境状态量、历史动作状态量及控制状态量的函数关系，进一步包括：

采用BGD批梯度下降算法、Adam优化算法及MSE均方差损失函数对所述预设神经网络模型进行训练，得到最优训练结果，从而得到环境状态量、历史动作状态量及控制状态量的函数关系。

5.根据权利要求1所述的方法，其特征在于，在监测到空调系统的室外气候或内部结构发生改变时，采集最新记录的历史数据作为新的样本数据，对所述预设神经网络模型进行训练，得到新的环境状态量、历史动作状态量及控制状态量的函数关系。