【技术实现步骤摘要】
本申请涉及洁净空调系统，尤其涉及一种洁净空调系统的智能调控方法及系统。
技术介绍
1、洁净空调系统是一种专门用于维持特定环境条件的空调系统，其设计目标是在提供适合的温度和湿度的同时，确保空气的高洁净度。这种系统常用于实验室、生产车间或医院等对空气质量有较高要求的场合。
2、目前，公开号为cn118960167a的专利申请文件公开了一种基于深度学习的洁净空调系统节能控制方法、控制器，其中的方法包括：标定当前空间的目标洁净参数，采集当前空间的洁净参数，所述目标洁净参数包括：室内外压差、空气颗粒度、温度、湿度、空气流速、室内污染源数据；计算当前空间的洁净参数和目标洁净参数的目标差值，将所述目标差值输入转速预测模型，得到滤风机和排风机的预测转速；根据洁净空调系统的滤风机和排风机的预测转速计算当前系统能耗，评估当前系统能耗和实时的洁净参数，得到实时评估值；判断实时评估值是否为最优评估值，是则使用预测转速进行控制，否则根据实时评估值与最优评估值的差值调节洁净空调系统的滤风机和排风机的转速。
3、上述方法通过转速预测模型得到滤风机和排风机的预测转速，能够在洁净度和能耗之间找到最佳平衡，确保在达到洁净标准的同时最小化能耗，然而，转速预测模型输出的预测转速无法保证能够在合理时长内将当前空间的洁净参数调整至目标洁净参数，且忽略了洁净空调系统运行过程中产生的噪声污染，导致洁净空调系统调控结果不精确。
技术实现思路
1、为了解决洁净空调系统调控结果不精确的技术问题，本申请提供了一种
2、本申请第一方面，提供了一种洁净空调系统的智能调控方法，所述调控方法包括：响应于实时环境参数不位于目标参数区间，将实时环境参数和初始控制序列输入预测模型以获取执行初始控制序列后的调整环境参数，所述初始控制序列为预设时间段内各维度的控制参数；预测所述初始控制序列的噪声程度，并构建损失函数：
3、；为调整环境参数，为目标参数区间的最小值，为目标参数区间的最大值，为噪声程度，为噪声程度阈值；利用梯度下降法迭代更新所述初始控制序列，响应于损失函数的取值小于预设值时停止，得到目标控制序列，以实现洁净空调系统的调控。
4、当实时环境参数不位于目标参数区间时，表示此时洁净空调系统的工作状态已经无法保证室内区域的环境参数处于舒适状态，将实时环境参数和随机生成的初始控制序列输入预测模型，获取执行初始控制序列后的调整环境参数，通过调整环境参数可判断初始控制序列能否在预设时间段将环境参数调节至目标参数区间；进一步地，预测初始控制序列的噪声程度，并构建损失函数，损失函数从调整环境参数是否位于目标参数区间，以及噪声程度是否小于噪声程度阈值两个方面来评价初始控制序列的控制效果；利用梯度下降法迭代更新初始控制序列，当损失函数的取值小于预设值时停止，得到目标控制序列，目标控制序列能够在预设时间段内将环境参数调节至目标参数区间，且保证洁净空调系统产生的噪声低于噪声程度阈值，实现洁净空调系统的精准调控。
5、优选地，所述预测模型包括时序提取子模型和回归子模型，所述时序提取子模型用于对初始控制序列进行时序特征提取，得到控制特征；所述回归子模型用于将控制特征和实时环境参数的拼接结果回归至调整环境参数。
6、给出一种端到端的预测模型，利用该预测模型能够准确输出在实时环境参数下，执行初始控制序列后室内区域的环境参数。
7、优选地，所述预测模型的训练方法包括：采集历史时刻的真实环境参数，并以历史时刻为起点，采集预设时间段内的真实控制序列，得到一组训练样本，并将预设时间段之后的真实环境参数作为标签值；将训练样本输入预测模型，得到预测结果；以预测结果和标签值的差值绝对值为损失函数训练预测模型。
8、优选地，预测所述初始控制序列的噪声程度包括：将初始控制序列中任意时刻的控制参数输入噪声评估模型，得到各时刻的噪声分贝；采集实时环境声音，利用独立成分分析算法将实时环境声音分解为多个声音分量，将各声音分量划分为空调噪声和非空调噪声，将所有非空调噪声的分贝值总和作为分贝阈值；统计预设时间段内噪声分贝大于分贝阈值的时刻占比，得到噪声程度。
9、由于洁净空调系统处于运行状态，实时环境声音为空调噪声和多种非空调噪声的混合结果，非空调噪声的分贝值总和即为不考虑洁净空调系统的情况下室内区域的噪声大小，因此，根据所有非空调噪声的分贝值自适应确定分贝阈值，确保洁净空调系统产生的噪声分贝不会对室内区域的人员造成较大影响，实现噪声程度的精准量化。
10、优选地，所述噪声评估模型为：
11、，为控制参数的种数，为时刻控制参数的取值，为控制参数的待定系数，为时刻的噪声分贝；所述待定系数由最小二乘法确定。
12、优选地，将各声音分量划分为空调噪声和非空调噪声包括：计算各声音分量的频谱特征与空调噪声标准频谱特征之间的相似度，将相似度最大值对应的声音分量作为空调噪声，剩余的声音分量作为非空调噪声。
13、优选地，利用梯度下降法迭代更新所述初始控制序列包括：依据所述损失函数对预测模型进行反向传播，得到初始控制序列中各控制参数的梯度值；初始控制序列的更新过程为：，为初始控制序列中的任意控制参数，为更新系数，为控制参数的梯度值，为更新后的控制参数。
14、梯度下降法能够将初始控制序列朝着损失函数减小的方向进行更新，对初始控制序列进行多次更新，当损失函数的取值小于预设值时，表示此时的初始控制序列能够取得较好的控制效果，将此时的初始控制序列作为目标控制序列，能够实现洁净空调系统的精准调控。
15、优选地，所述调控方法还包括：响应于迭代次数大于预设次数时，损失函数的取值不小于预设值，增大噪声程度阈值后，继续迭代更新所述初始控制序列。
16、当迭代次数大于预设次数时，损失函数的取值仍不小于预设值，表示在预设时间段内初始控制序列无法取得较好的控制效果，为了确保洁净空调系统能够在预设时间段内将室内区域的环境参数调整至目标参数区间，可以增大损失函数中的噪声程度阈值，即允许洁净空调系统存在一定的噪声，从而优先保证环境参数的控制效果。
17、本申请第二方面，还提供了一种洁净空调系统的智能调控系统，包括处理器和存储器，所述存储器存储有计算机程序指令，当所述计算机程序指令被所述处理器执行时实现根据本申请第一方面所述的一种洁净空调系统的智能调控方法。
18、本申请的技术方案具有以下有益技术效果：
19、首先，当实时环境参数不位于目标参数区间时，表示此时洁净空调系统的工作状态已经无法保证室内区域的环境参数处于舒适状态，将实时环境参数和随机生成的初始控制序列输入预测模型，获取执行初始控制序列后的调整环境参数，通过调整环境参数可判断初始控制序列能否在预设时间段将环境参数调节至目标参数区间；进一步地，预测初始控制序列的噪声程度，并构建损失函数，损失函数从调整环境参数是否位于目本文档来自技高网...
【技术保护点】
1.一种洁净空调系统的智能调控方法，其特征在于，所述调控方法包括：
2.根据权利要求1所述的一种洁净空调系统的智能调控方法，其特征在于，所述预测模型包括时序提取子模型和回归子模型，所述时序提取子模型用于对初始控制序列进行时序特征提取，得到控制特征；所述回归子模型用于将控制特征和实时环境参数的拼接结果回归至调整环境参数。
3.根据权利要求2所述的一种洁净空调系统的智能调控方法，其特征在于，所述预测模型的训练方法包括：
4.根据权利要求1所述的一种洁净空调系统的智能调控方法，其特征在于，预测所述初始控制序列的噪声程度包括：
5.根据权利要求4所述的一种洁净空调系统的智能调控方法，其特征在于，所述噪声评估模型为：
6.根据权利要求4所述的一种洁净空调系统的智能调控方法，其特征在于，将各声音分量划分为空调噪声和非空调噪声包括：计算各声音分量的频谱特征与空调噪声标准频谱特征之间的相似度，将相似度最大值对应的声音分量作为空调噪声，剩余的声音分量作为非空调噪声。
7.根据权利要求1所述的一种洁净空调系统的智能调控方法，其特
8.根据权利要求1至7中任一项所述的一种洁净空调系统的智能调控方法，其特征在于，所述调控方法还包括：
9.一种洁净空调系统的智能调控系统，其特征在于，包括处理器和存储器，所述存储器存储有计算机程序指令，当所述计算机程序指令被所述处理器执行时实现根据权利要求1至8中任一项所述的一种洁净空调系统的智能调控方法。
...【技术特征摘要】
1.一种洁净空调系统的智能调控方法，其特征在于，所述调控方法包括：
2.根据权利要求1所述的一种洁净空调系统的智能调控方法，其特征在于，所述预测模型包括时序提取子模型和回归子模型，所述时序提取子模型用于对初始控制序列进行时序特征提取，得到控制特征；所述回归子模型用于将控制特征和实时环境参数的拼接结果回归至调整环境参数。
3.根据权利要求2所述的一种洁净空调系统的智能调控方法，其特征在于，所述预测模型的训练方法包括：
4.根据权利要求1所述的一种洁净空调系统的智能调控方法，其特征在于，预测所述初始控制序列的噪声程度包括：
5.根据权利要求4所述的一种洁净空调系统的智能调控方法，其特征在于，所述噪声评估模型为：
6.根据权利要...
【专利技术属性】
技术研发人员：林志展，刘俊，杨鹏军，侯洪阳，韩辉，海拉提·吐尔逊，
申请(专利权)人：江苏中有信科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。