一種潔凈室通風系統(tǒng)的預測控制方法、系統(tǒng)和存儲介質
文章來源：http://www.tongwell.cn/ 2024年11月04日 點擊數：833
一種潔凈室通風系統(tǒng)的預測控制方法、系統(tǒng)和存儲介質
技術領域
本發(fā)明涉及潔凈室通風系統(tǒng)技術領域，尤其是指一種潔凈室通風系統(tǒng)的預測控制方法、系統(tǒng)和計算機可讀存儲介質。
背景技術
潔凈室指對空氣潔凈度、溫度、濕度、壓力、噪聲等參數根據需要進行控制的密閉性較好的空間。潔凈室技術在制藥、微電子、生物工程等產業(yè)中至關重要，確保產品制造過程中的無菌和無塵環(huán)境。然而，潔凈室的運行成本高昂，其通風系統(tǒng)的能耗占總能耗的比重較大。
隨著對提高能源利用率的日益重視，優(yōu)化潔凈室通風系統(tǒng)成為了研究的熱點�，F有的潔凈室通風系統(tǒng)通常采用傳統(tǒng)的測試、調整和平衡（Testing Adjusting andBalancing，簡稱TAB）方法進行風量分配和壓差控制。例如，在潔凈室通風系統(tǒng)的初始調試階段，技術人員花費大量時間進行風量測量、閥門開度調整以及風機頻率校準，以達到設計要求的風量指標和壓差指標�；谌斯そ涷灥姆椒ê臅r長，效率較低，在面對復雜工況時難以快速響應。
雖然有些研究嘗試引入機器學習技術來解決上述問題，但往往局限于面向單一區(qū)域的風量預測，缺乏對多區(qū)域之間相互影響的預測處理，不能同時完成多區(qū)域潔凈室的壓差和風量兩類預測，且風量預測不夠全面、壓差預測精度不高，效率較低，不能滿足短時高頻的仿真預測需求。
發(fā)明內容
為此，本發(fā)明所要解決的技術問題在于克服現有技術中的潔凈室通風系統(tǒng)不能同時完成多區(qū)域潔凈室的壓差和風量預測，且風量預測不夠全面、壓差預測精度不高，效率較低的問題，提供了一種潔凈室通風系統(tǒng)的預測控制方法、系統(tǒng)和計算機可讀存儲介質，風量預測全面，壓差預測精度較高，且可以同時完成多區(qū)域潔凈室的壓差和風量預測，響應速度快，效率較高。
第一方面，為解決上述技術問題，本發(fā)明提供了一種潔凈室通風系統(tǒng)的預測控制方法，包括：
步驟S1：設定通風系統(tǒng)穩(wěn)定時間，確定M組可控變量；
步驟S2：下發(fā)一組所述可控變量，得到一組受控變量；待所述通風系統(tǒng)穩(wěn)定時間滿足設定要求后對該組可控變量和該組受控變量的實際值進行采集，形成一條實采數據樣本；
步驟S3：重復執(zhí)行步驟S2直至由所述M組可控變量得到M組所述受控變量，形成M條實采數據樣本；基于所述M條實采數據樣本得到實采數據集；
步驟S4：基于BIM仿真模型構建所述可控變量和所述受控變量的合成數據集；
步驟S5：對所述實采數據集和所述合成數據集進行預處理，得到訓練集、驗證集和測試集；
步驟S6：基于所述訓練集、所述驗證集和所述測試集構建并訓練預測模型；
步驟S7：基于所述預測模型對該通風系統(tǒng)進行優(yōu)化控制；
步驟S8：基于節(jié)能率對優(yōu)化控制后的所述通風系統(tǒng)進行性能評價；
其中，構建所述預測模型時，采用多任務學習架構和混合專家模型，基于全連接神經網絡構建所述預測模型的輸入層，基于多級萃取網絡構建所述預測模型的共享層，基于所述預測模型的輸出層輸出所述受控變量的預測值。
在本發(fā)明的一個實施例中，在所述多級萃取網絡中，每一級萃取網絡均包括送風專家模塊、回風專家模塊、排風專家模塊和共享專家模塊，所述送風專家模塊由Ne
個送風專家組成，所述回風專家模塊由Ne
個回風專家組成，所述排風專家模塊由Ne
個排風專家組成，所述共享專家模塊由Nse
個共享專家組成；所述每一級萃取網絡均在內部設置有送風門網絡、回風門網絡、排風門網絡和共享門網絡，分別對應于所述送風專家模塊、所述回風專家模塊、所述排風專家模塊和所述共享專家模塊；所述每一級萃取網絡的輸出均作為下一級萃取網絡的輸入；其中，第一級萃取網絡直接接收來自所述輸入層輸入的特征向量，最后一級萃取網絡的輸出作為所述多級萃取網絡的輸出。
在本發(fā)明的一個實施例中，所述送風門網絡與所述送風專家模塊的對應關系為：
；
所述回風門網絡與所述回風專家模塊的對應關系為：
；
所述排風門網絡與所述排風專家模塊的對應關系為：
；
所述共享門網絡與所述共享專家模塊的對應關系為：
；
其中，為多分類問題的激活函數，表示第j級萃取網絡中的送風門網絡，表示所述第j級萃取網絡中送風專家模塊的輸入，表示所述第j級萃取網絡中的送風門網絡的內部參數矩陣，表示對所述第j級萃取網絡中的Ne
個所述送風專家和Nse
個所述共享專家進行整合后的初步輸出；表示第j級萃取網絡中的回風門網絡，表示所述第j級萃取網絡中回風專家模塊的輸入，表示所述第j級萃取網絡中的回風門網絡的內部參數矩陣，表示對所述第j級萃取網絡中的Ne
個所述回風專家和Nse
個所述共享專家進行整合后的初步輸出；表示第j級萃取網絡中的排風門網絡，表示所述第j級萃取網絡中排風專家模塊的輸入，表示所述第j級萃取網絡中的排風門網絡的內部參數矩陣，表示對所述第j級萃取網絡中的Ne
個所述排風專家和Nse
個所述共享專家進行整合后的初步輸出；表示第j級萃取網絡中的共享門網絡，表示所述第j級萃取網絡中共享專家模塊的輸入，表示所述第j級萃取網絡中的共享門網絡的內部參數矩陣，表示對所述第j級萃取網絡中的Ne
個所述送風專家、Ne
個所述回風專家、Ne
個所述排風專家和Nse
個所述共享專家進行整合后的初步輸出。
在本發(fā)明的一個實施例中，基于所述預測模型對該通風系統(tǒng)進行優(yōu)化控制的方法為：使用IoT云平臺將多區(qū)域的壓差設計值和風量設計值作為主要控制目標輸入至所述預測模型的優(yōu)化器，基于所述優(yōu)化器對所述可控變量進行迭代優(yōu)化以滿足約束條件；在每次迭代中，所述優(yōu)化器對所述預測模型進行調用，基于所述可控變量對所述受控變量進行預測，再基于目標函數計算預測工況與設計工況的偏差；在滿足所述約束條件的前提下，所述優(yōu)化器通過迭代得到所述目標函數最小化時對應的可控變量值；基于所述可控變量值進行最優(yōu)可控參數的下發(fā)。
在本發(fā)明的一個實施例中，所述目標函數最小化的方法為：
；
所述約束條件為：
；
其中，表示最小化函數，Z表示所述目標函數，表示風機個數，表示壓差個數，表示預測壓差數組，表示設計壓差數組，表示風機頻率，s.t.表示受約束條件，表示任意區(qū)域的壓差偏差，表示預設的壓差偏差閾值，表示設計送風量，表示預測送風量，表示設計排風量，表示預測排風量，表示末端風閥開度。
在本發(fā)明的一個實施例中，對所述實采數據集和所述合成數據集進行預處理，得到訓練集、驗證集和測試集的方法為：先排除不可用樣本，再基于z-score歸一化方法將所述實采數據集和所述合成數據集中的可控變量輸入和受控變量輸出分別轉換為標準正態(tài)分布，再按照自主設定的比例隨機劃分為訓練集、驗證集和測試集。
在本發(fā)明的一個實施例中，在基于所述訓練集、所述驗證集和所述測試集構建并訓練預測模型時，采用均方誤差函數作為損失函數來計算所述預測模型的預測值與實際值之間的差異；基于所述合成數據集對所述預測模型進行預訓練，再基于所述實采數據集的訓練集對所述預測模型進行微調；基于所述實采數據集的驗證集對所述預測模型進行實時驗證；在全部訓練完成后，基于所述實采數據集的測試集對所述預測模型進行檢測。
在本發(fā)明的一個實施例中，基于拉丁超立方采樣策略確定所述M組可控變量；通過現場的IoT云平臺和PLC對所述M組可控變量進行下發(fā)。
第二方面，為解決上述技術問題，本發(fā)明還提供了一種潔凈室通風系統(tǒng)的預測控制系統(tǒng)，包括：
數據采集模塊，依次執(zhí)行：步驟S1：設定通風系統(tǒng)穩(wěn)定時間，確定M組可控變量；步驟S2：下發(fā)一組所述可控變量，得到一組受控變量；待所述通風系統(tǒng)穩(wěn)定時間滿足設定要求后對該組可控變量和該組受控變量的實際值進行采集，形成一條實采數據樣本；步驟S3：重復執(zhí)行步驟S2直至由所述M組可控變量得到M組所述受控變量，形成M條實采數據樣本；基于所述M條實采數據樣本得到實采數據集；步驟S4：基于BIM仿真模型構建所述可控變量和所述受控變量的合成數據集；
模型構建與訓練模塊，對所述實采數據集和所述合成數據集進行預處理，得到訓練集、驗證集和測試集；基于所述訓練集、所述驗證集和所述測試集構建并訓練預測模型；
優(yōu)化控制模塊，基于所述預測模型對該通風系統(tǒng)進行優(yōu)化控制；
性能評價模塊，基于節(jié)能率對優(yōu)化控制后的所述通風系統(tǒng)進行性能評價；
其中，構建所述預測模型時，所述模型構建與訓練模塊采用多任務學習架構和混合專家模型，基于全連接神經網絡構建所述預測模型的輸入層，基于多級萃取網絡構建所述預測模型的共享層，基于所述預測模型的輸出層輸出所述受控變量的預測值。
第三方面，為解決上述技術問題，本發(fā)明還提供了一種計算機可讀存儲介質，所述計算機可讀存儲介質上存儲有計算機程序，所述計算機程序被處理器執(zhí)行時實現所述的一種潔凈室通風系統(tǒng)的預測控制方法的步驟。
本發(fā)明的上述技術方案相比現有技術具有以下有益效果：
本發(fā)明提供了一種潔凈室通風系統(tǒng)的預測控制方法、系統(tǒng)和計算機可讀存儲介質，采用多任務學習架構和混合專家模型來構建預測模型，可以充分利用不同類型風量之間的耦合關系，風量預測全面，壓差預測精度較高，且可以同時完成多區(qū)域潔凈室的壓差和風量預測；基于預測模型對通風系統(tǒng)進行優(yōu)化控制，響應速度快，效率較高。
附圖說明
為了使本發(fā)明的內容更容易被清楚的理解，下面根據本發(fā)明的具體實施例并結合附圖，對本發(fā)明作進一步詳細的說明。
圖1為本發(fā)明優(yōu)選實施例中一種潔凈室通風系統(tǒng)的預測控制方法的步驟圖；
圖2為本發(fā)明優(yōu)選實施例中一種潔凈室通風系統(tǒng)的預測控制方法的預測模型架構圖；
圖3為本發(fā)明實施例中一種潔凈室通風系統(tǒng)的預測控制系統(tǒng)的模塊圖。
說明書附圖標記說明：
Input輸入層；Shared Layer共享層；Tower Layer任務塔層；Output輸出層；
First level Extraction Network第一級萃取網絡；Extraction Network j-1th第j-1級萃取網絡；Extraction Network jth第j級萃取網絡；Extraction Network j+1th第j+1級萃取網絡；Final level Extraction Network最后一級萃取網絡；
Experts on SA送風門專家；Experts on RA回風門專家；Experts on EA排風門專家；Shared Experts共享門專家；Tower Room a多區(qū)域中的區(qū)域a；Tower SA送風任務；Tower OA新風任務；
風機頻率；末端風閥開度；g門網絡函數符號；H張量；預測壓差數組；預測送風量；預測排風量；
：的簡寫，表示第一級萃取網絡中的送風門網絡；
：的簡寫，表示第一級萃取網絡中的回風門網絡；
：的簡寫，表示第一級萃取網絡中的排風門網絡；
：的簡寫，表示第一級萃取網絡中的共享門網絡；
：第j級萃取網絡中的第1個，第2個，…，第Ne
個送風門專家；
：第j級萃取網絡中的第1個，第2個，…，第Ne
個回風門專家；
：第j級萃取網絡中的第1個，第2個，…，第Ne
個排風門專家；
：第j級萃取網絡中的第1個，第2個，…，第Nse
個共享門專家；
：的簡寫，表示對第j級萃取網絡中的Ne
個送風專家和Nse
個共享專家進行整合后的初步輸出；
：第j級萃取網絡中送風專家模塊的輸入；
：的簡寫，表示第j級萃取網絡中的送風門網絡。
具體實施方式
應當理解，此處所描述的具體實施例僅僅用以解釋本申請，并不用于限定本申請。
下面將結合本申請實施例中的附圖，對本申請實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本申請的一部分實施例，而不是全部的實施例。
現有的潔凈室通風系統(tǒng)通常采用傳統(tǒng)的TAB方法進行風量分配和壓差控制，但是耗時長，效率較低，在面對復雜工況時難以快速響應。有些研究嘗試引入機器學習技術來解決上述問題，但往往局限于面向單一區(qū)域的風量預測，缺乏對多區(qū)域之間相互影響的預測處理，不能同時完成多區(qū)域潔凈室的壓差和風量兩類預測，且風量預測不夠全面、壓差預測精度不高，效率較低，不能滿足短時高頻的仿真預測需求。
為此，本申請實施例提供了一種潔凈室通風系統(tǒng)的預測控制方法、系統(tǒng)和計算機可讀存儲介質。
實施例一
本實施例提供了一種潔凈室通風系統(tǒng)的預測控制方法，請參照圖1所示，包括：
步驟S1：設定通風系統(tǒng)穩(wěn)定時間，確定M組可控變量；
步驟S2：下發(fā)一組所述可控變量，得到一組受控變量；待所述通風系統(tǒng)穩(wěn)定時間滿足設定要求后對該組可控變量和該組受控變量的實際值進行采集，形成一條實采數據樣本；
步驟S3：重復執(zhí)行步驟S2直至由所述M組可控變量得到M組所述受控變量，形成M條實采數據樣本；基于所述M條實采數據樣本得到實采數據集；
步驟S4：基于BIM仿真模型構建所述可控變量和所述受控變量的合成數據集；
步驟S5：對所述實采數據集和所述合成數據集進行預處理，得到訓練集、驗證集和測試集；
步驟S6：基于所述訓練集、所述驗證集和所述測試集構建并訓練預測模型；
步驟S7：基于所述預測模型對該通風系統(tǒng)進行優(yōu)化控制；
步驟S8：基于節(jié)能率對優(yōu)化控制后的所述通風系統(tǒng)進行性能評價；
其中，構建所述預測模型時，采用多任務學習架構和混合專家模型，基于全連接神經網絡構建所述預測模型的輸入層，基于多級萃取網絡構建所述預測模型的共享層，基于所述預測模型的輸出層輸出所述受控變量的預測值。
本實施例所提供的一種潔凈室通風系統(tǒng)的預測控制方法，（1）采用多任務學習架構和混合專家模型來構建預測模型，可以充分利用不同類型風量之間的耦合關系，風量預測全面，壓差預測精度較高，且可以同時完成多區(qū)域潔凈室的壓差和風量預測；（2）基于預測模型對通風系統(tǒng)進行優(yōu)化控制，響應速度快，效率較高，減少了因通風過度或者通風不足導致的能源浪費。
接下來對本實施例所提供的一種潔凈室通風系統(tǒng)的預測控制方法進行詳細介紹：
一、工作步驟：
步驟S1：
具體的，設定通風系統(tǒng)穩(wěn)定時間，確定M組可控變量；
可選的，基于拉丁超立方采樣策略確定所述M組可控變量；通過現場的IoT云平臺和PLC對所述M組可控變量進行下發(fā)。
可選的，所述可控變量包括設備運行可控參數：各風機頻率、各風閥開度。
可選的，所述受控變量包括系統(tǒng)受控參數：各區(qū)域壓差、系統(tǒng)風量。
可選的，所述等待時間設定為2min。
步驟S2：
具體的，下發(fā)一組所述可控變量，得到一組受控變量；待所述通風系統(tǒng)穩(wěn)定時間滿足設定要求后對該組可控變量和該組受控變量的實際值進行采集，形成一條實采數據樣本；
步驟S3：
具體的，重復執(zhí)行步驟S2直至由所述M組可控變量得到M組所述受控變量，形成M條實采數據樣本；基于所述M條實采數據樣本得到實采數據集；
步驟S4：
具體的，基于BIM仿真模型構建所述可控變量和所述受控變量的合成數據集；
步驟S5：
具體的，對所述實采數據集D1和所述合成數據集D2進行預處理，得到訓練集、驗證集和測試集。
可選的，先排除不可用樣本，再基于z-score歸一化方法將所述實采數據集和所述合成數據集中的可控變量輸入和受控變量輸出分別轉換為標準正態(tài)分布，再按照自主設定的比例隨機劃分為所述訓練集、所述驗證集和所述測試集。
可選的，所述不可用樣本包括不完整樣本。
可選的，按照8：1：1的比例隨機劃分所述訓練集、所述驗證集和所述測試集。
步驟S6：
具體的，基于所述訓練集、所述驗證集和所述測試集構建并訓練預測模型。
具體的，請參照圖2所示，構建所述預測模型時，采用多任務學習架構和混合專家模型，基于全連接神經網絡構建所述預測模型的輸入層Input，基于多級萃取網絡構建所述預測模型的共享層Shared Layer，基于所述預測模型的輸出層Output輸出所述受控變量的預測值。
可選的，所述預測模型采用Leaky ReLU作為基礎激活函數。
可選的，在所述多級萃取網絡中，每一級萃取網絡均包括送風專家模塊ESA
、回風專家模塊ERA
、排風專家模塊EEA
和共享專家模塊ES
，所述送風專家模塊ESA
由Ne
個送風專家組成，所述回風專家模塊ERA
由Ne
個回風專家組成，所述排風專家模塊EEA
由Ne
個排風專家組成，所述共享專家模塊ES
由Nse
個共享專家組成，請參照圖2所示。
具體的，所述每一級萃取網絡均在內部設置有送風門網絡、回風門網絡、排風門網絡和共享門網絡，分別對應于所述送風專家模塊ESA
、所述回風專家模塊ERA
、所述排風專家模塊EEA
和所述共享專家模塊ES
。
具體的，所述每一級萃取網絡的輸出均作為下一級萃取網絡的輸入；其中，第一級萃取網絡直接接收來自所述輸入層輸入的特征向量，最后一級萃取網絡的輸出作為所述多級萃取網絡的輸出。
具體的，所述送風專家模塊ESA
、所述回風專家模塊ERA
和所述排風專家模塊EEA
為三類特定專家模塊，每類所述特定專家模塊僅負責提取潔凈室通風系統(tǒng)中相應的氣流特征；所述共享專家模塊ES
對不同氣流特征之間的耦合交互信息進行提取。
具體的，所述多級萃取網絡的級數是在所述預測模型的訓練過程中確定的。
具體的，所述送風門網絡與所述送風專家模塊的對應關系為：
；
其中，為多類分類問題的激活函數，表示第j級萃取網絡中的送風門網絡，表示所述第j級萃取網絡中送風專家模塊的輸入，表示所述第j級萃取網絡中的送風門網絡的內部參數矩陣，表示對所述第j級萃取網絡中的Ne
個所述送風專家和Nse
個所述共享專家進行整合后的初步輸出。
具體的，所述回風門網絡與所述回風專家模塊的對應關系為：
；
其中，表示第j級萃取網絡中的回風門網絡，表示所述第j級萃取網絡中回風專家模塊的輸入，表示所述第j級萃取網絡中的回風門網絡的內部參數矩陣，表示對所述第j級萃取網絡中的Ne
個所述回風專家和Nse
個所述共享專家進行整合后的初步輸出。
具體的，所述排風門網絡與所述排風專家模塊的對應關系為：
；
其中，表示第j級萃取網絡中的排風門網絡，表示所述第j級萃取網絡中排風專家模塊的輸入，表示所述第j級萃取網絡中的排風門網絡的內部參數矩陣，表示對所述第j級萃取網絡中的Ne
個所述排風專家和Nse
個所述共享專家進行整合后的初步輸出。
具體的，所述共享門網絡與所述共享專家模塊的對應關系為：
；
其中，表示第j級萃取網絡中的共享門網絡，表示所述第j級萃取網絡中共享專家模塊的輸入，表示所述第j級萃取網絡中的共享門網絡的內部參數矩陣，表示對所述第j級萃取網絡中的Ne
個所述送風專家、Ne
個所述回風專家、Ne
個所述排風專家和Nse
個所述共享專家進行整合后的初步輸出。
具體的，所述、所述、所述和所述可分別表示為：
其中，T表示轉置。
可選的，所述特征向量包括各風機頻率、各末端風閥開度。
具體的，請參照圖2所示，經過所述多級萃取網絡對氣流特征的逐步分離后，將所述最后一級萃取網絡輸出的數據拼接組合為張量H傳入任務塔層Tower Layer。
可選的，在所述任務塔層Tower Layer中，每個任務都有獨立分支塔，比如多區(qū)域中的區(qū)域a的獨立分支塔Tower Room a；所述任務塔層Tower Layer采用多層全連接網絡對所述共享層Shared Layer萃取的深層特征進行再學習，最終輸出各區(qū)域壓差、系統(tǒng)送風量、系統(tǒng)回風量、系統(tǒng)排風量、系統(tǒng)新風量；其中，所述新風量并未設置有對應的特定專家，所述新風量由其他類型風量綜合計算得到。
可選的，采用均方誤差函數（Mean Squared Error，簡稱MSE）作為損失函數L2來計算所述預測模型的預測值與實際值之間的差異；基于所述合成數據集D2對所述預測模型進行預訓練，再基于所述實采數據集的訓練集對所述預測模型進行微調；基于所述實采數據集的驗證集對所述預測模型進行實時驗證；在全部訓練完成后，基于所述實采數據集的測試集對所述預測模型進行檢測。
步驟S7：
具體的，基于所述預測模型對該通風系統(tǒng)進行優(yōu)化控制。
可選的，所述預測模型基于增強精英保留的遺傳算法對所述通風系統(tǒng)進行優(yōu)化控制。
具體的，使用IoT云平臺將多區(qū)域的壓差設計值和風量設計值作為主要控制目標輸入至所述預測模型的優(yōu)化器，基于所述優(yōu)化器對所述可控變量進行迭代優(yōu)化以滿足約束條件；在每次迭代中，所述優(yōu)化器對所述預測模型進行調用，基于所述可控變量對所述受控變量進行預測，再基于目標函數Z計算預測工況與設計工況的偏差；在滿足所述約束條件的前提下，所述優(yōu)化器通過迭代得到所述目標函數最小化時對應的可控變量值；基于所述可控變量值進行最優(yōu)可控參數的下發(fā)。
可選的，所述目標函數最小化的方法為：
；
其中，表示最小化函數，Z表示所述目標函數，表示風機個數，表示壓差個數，表示預測壓差數組，表示設計壓差數組，表示風機頻率。
可選的，所述約束條件為：
；
其中，s.t.表示受約束條件，表示任意區(qū)域的壓差偏差，表示預設的壓差偏差閾值，表示設計送風量，表示預測送風量，表示設計排風量，表示預測排風量，表示末端風閥開度。
可選的，采用AdamW優(yōu)化器作為所述優(yōu)化器對所述預測模型進行訓練；所述AdamW優(yōu)化器結合了自適應矩估計（Adaptive Moment Estimation，簡稱Adam）優(yōu)化器的優(yōu)點和所述損失函數L2的正則化效果，有助于所述預測模型快速收斂。
步驟S8：
具體的，基于節(jié)能率對優(yōu)化控制后的所述通風系統(tǒng)進行性能評價。
具體的，風機功率P與所述風機頻率的三次方成正比，即。
進一步的，通過降低所有風機的平均工作頻率，可在滿足壓差梯度和換氣次數要求的基礎上實現節(jié)能運行，因此，將平均頻率相對于參考頻率降低的百分比作為評價控制節(jié)能率的直接指標：
；
二、舉例說明：
示例性的，某個多區(qū)域潔凈廠房具有a、b、c、d、e、f共計6個獨立區(qū)域，其通風系統(tǒng)的關鍵組件包括3個風機、7個送風閥、4個回風閥和4個排風閥。
具體的，所述風機頻率的取值范圍為0~50Hz，其最小可控度為0.1Hz；所述末端風閥開度的取值范圍為0~90°，其最小可控度為5°。
實采數據集D1：步驟S1：設定通風系統(tǒng)穩(wěn)定時間為2min，采用所述拉丁超立方采樣策略制定436組可控變量（3個風機頻率+15個末端風閥開度）樣本；步驟S2：下發(fā)一組所述可控變量，得到一組受控變量，等待2min直至所述通風系統(tǒng)穩(wěn)定后對該組可控變量和該組受控變量的實際值進行采集，形成一條實采數據樣本；步驟S3：重復執(zhí)行步驟S2直至由所述436組可控變量得到436組所述可控變量，形成436條實采數據樣本，基于所述436條實采數據樣本得到實采數據集D1；
合成數據集D2：基于現場數據建立所述BIM仿真模型，其風機頻率最小可控度1Hz，其末端風閥開度最小可控度1°；采用所述拉丁超立方采樣策略制定400,000組可控變量，并通過仿真計算其對應受控變量。
進一步的，對D1和D2中的樣本數據進行預處理：排除不完整數據等不可用樣本后，使用z-score歸一化方法將D1和D2中的可控變量輸入和受控變量輸出分別轉換為標準正態(tài)分布。
具體的，D1被隨機劃分成含403條訓練樣本的訓練集A1、含12條驗證樣本的驗證集A2和含21條測試樣本的測試集A3；D2被隨機劃分成含319,890條訓練樣本的訓練集B1、含39,986條驗證樣本的驗證集B2和含39,987條測試樣本的測試集B3。
進一步的，基于所述訓練集A1、所述驗證集A2、所述測試集A3、所述訓練集B1、所述驗證集B2和所述測試集B3構建并訓練預測模型。具體的，輸入特征向量包括所述3個風機頻率和所述15個末端風閥開度，采用所述多任務學習架構和所述混合專家構建所述預測模型；所述預測模型采用Leaky ReLU作為基礎激活函數；所述送風專家模塊ESA
、所述回風專家模塊ERA
和所述排風專家模塊EEA
分別使用一組等寬的全連接網絡構建，所述多級萃取網絡的總級數為J；獨立任務分支塔的深度和寬度分別為DT
和WT
；采用所述AdamW優(yōu)化器作為所述預測模型的優(yōu)化器，采用MSE作為所述損失函數L2；使用所述合成數據集D2對所述預測模型進行預訓練，然后在所述訓練集A1上對所述預測模型進行微調；對Ne
、De
、We
、J、Nse
、Dse
、Wse
、DT
、WT
、訓練學習率Ir
和批規(guī)模BS這些參數進行自動調優(yōu)。
具體的，在微調訓練過程中使用所述驗證集A2的數據對所述預測模型的性能進行實時驗證，可以確保所述預測模型的正確訓練。
進一步的，在全部訓練完畢后使用所述測試集A3的數據對訓練好的所述預測模型的性能進行檢測，可以確保訓練好的所述預測模型具有較好的預測精度和泛化能力。
進一步的，所述預測模型基于所述增強精英保留的遺傳算法對該通風系統(tǒng)進行優(yōu)化控制。
進一步的，基于所述節(jié)能率ξ對優(yōu)化控制后的所述通風系統(tǒng)進行性能評價。
具體的，本實施例所提供的一種潔凈室通風系統(tǒng)的預測控制方法僅需人工手動調試時間的3%（約17.21秒）即可找到更優(yōu)工況點并部署，極大提高了調試效率；通過對系統(tǒng)送風量、系統(tǒng)回風量和系統(tǒng)排風量的精確控制，合理安排各區(qū)域的換氣次數和壓差梯度，可以減少不必要的通風冗余，降低整體能耗和潔凈室的運行成本。
實施例二
本實施例提供了一種潔凈室通風系統(tǒng)的預測控制系統(tǒng)，請參照圖3所示，包括：
數據采集模塊，依次執(zhí)行：步驟S1：設定通風系統(tǒng)穩(wěn)定時間，確定M組可控變量；步驟S2：下發(fā)一組所述可控變量，得到一組受控變量；待所述通風系統(tǒng)穩(wěn)定時間滿足設定要求后對該組可控變量和該組受控變量的實際值進行采集，形成一條實采數據樣本；步驟S3：重復執(zhí)行步驟S2直至由所述M組可控變量得到M組所述受控變量，形成M條實采數據樣本；基于所述M條實采數據樣本得到實采數據集；步驟S4：基于BIM仿真模型構建所述可控變量和所述受控變量的合成數據集；
模型構建與訓練模塊，對所述實采數據集和所述合成數據集進行預處理，得到訓練集、驗證集和測試集；基于所述訓練集、所述驗證集和所述測試集構建并訓練預測模型；
優(yōu)化控制模塊，基于所述預測模型對該通風系統(tǒng)進行優(yōu)化控制；
性能評價模塊，基于節(jié)能率對優(yōu)化控制后的所述通風系統(tǒng)進行性能評價；
其中，構建所述預測模型時，所述模型構建與訓練模塊采用多任務學習架構和混合專家模型，基于全連接神經網絡構建所述預測模型的輸入層，基于多級萃取網絡構建所述預測模型的共享層，基于所述預測模型的輸出層輸出所述受控變量的預測值。
對于本實施例所提供的一種潔凈室通風系統(tǒng)的預測控制系統(tǒng)的介紹請參照實施例一，本實施例在此不再贅述。
本實施例提供了一種潔凈室通風系統(tǒng)的預測控制系統(tǒng)，具有和上述一種潔凈室通風系統(tǒng)的預測控制方法相同的有益效果。
實施例三
本實施例提供了一種計算機可讀存儲介質，所述計算機可讀存儲介質上存儲有計算機程序，所述計算機程序被處理器執(zhí)行時實現如實施例一所描述的一種潔凈室通風系統(tǒng)的預測控制方法的步驟。
對于本實施例所提供的一種計算機可讀存儲介質的介紹請參照實施例一，本實施例在此不再贅述。
本實施例所提供的一種計算機可讀存儲介質具有和所述的一種潔凈室通風系統(tǒng)的預測控制方法相同的有益效果。
本領域內的技術人員應明白，本申請的實施例可提供為方法、系統(tǒng)、或計算機程序產品。因此，本申請可采用完全硬件實施例、完全軟件實施例、或結合軟件和硬件方面的實施例的形式。而且，本申請可采用在一個或多個其中包含有計算機可用程序代碼的計算機可用存儲介質（包括但不限于磁盤存儲器、CD-ROM、光學存儲器等）上實施的計算機程序產品的形式。
本申請是參照根據本申請實施例的方法、設備（系統(tǒng)）、和計算機程序產品的流程圖和／或方框圖來描述的。應理解可由計算機程序指令實現流程圖和／或方框圖中的每一流程和／或方框、以及流程圖和／或方框圖中的流程和／或方框的結合�？商峁┻@些計算機程序指令到通用計算機、專用計算機、嵌入式處理機或其他可編程數據處理設備的處理器以產生一個機器，使得通過計算機或其他可編程數據處理設備的處理器執(zhí)行的指令產生用于實現在流程圖一個流程或多個流程和／或方框圖一個方框或多個方框中指定的功能的裝置。
這些計算機程序指令也可存儲在能引導計算機或其他可編程數據處理設備以特定方式工作的計算機可讀存儲器中，使得存儲在該計算機可讀存儲器中的指令產生包括指令裝置的制造品，該指令裝置實現在流程圖一個流程或多個流程和／或方框圖一個方框或多個方框中指定的功能。
這些計算機程序指令也可裝載到計算機或其他可編程數據處理設備上，使得在計算機或其他可編程設備上執(zhí)行一系列操作步驟以產生計算機實現的處理，從而在計算機或其他可編程設備上執(zhí)行的指令提供用于實現在流程圖一個流程或多個流程和／或方框圖一個方框或多個方框中指定的功能的步驟。
顯然，上述實施例僅僅是為清楚地說明所作的舉例，并非對實施方式的限定。對于所屬領域的普通技術人員來說，在上述說明的基礎上還可以做出其它不同形式變化或變動。這里無需也無法對所有的實施方式予以窮舉。而由此所引申出的顯而易見的變化或變動仍處于本發(fā)明創(chuàng)造的保護范圍之中。
相關文章：
Tags：
上一條：一種潔凈室通風管空氣過濾裝置下一條：一種用于潔凈室的過濾送風裝置
