本發(fā)明涉及空調(diào)建筑系統(tǒng)負荷領(lǐng)域，尤其涉及一種基于物理先驗神經(jīng)網(wǎng)絡(luò)的空調(diào)建筑系統(tǒng)負荷建模方法及系統(tǒng)。

背景技術(shù)：

1、大力發(fā)展可再生能源，逐步推進火電機組有序退出，成為構(gòu)建以新能源為主體的新型電力系統(tǒng)的必然要求。然而，新能源發(fā)電的波動性與間歇性給電力系統(tǒng)造成了巨大的調(diào)節(jié)負擔(dān)。因此，諸多研究提出以需求響應(yīng)、虛擬電廠等手段挖掘并聚合需求側(cè)資源的靈活性，彌補發(fā)電側(cè)調(diào)節(jié)能力的不足。其中，空調(diào)負荷在中國主要城市負荷高峰占比超過50％，且具有數(shù)量多、響應(yīng)快、成本低等優(yōu)點，其電熱轉(zhuǎn)化能力與建筑熱儲能特性相互耦合，能夠為負荷的削減與平移提供基礎(chǔ)，是極佳的可調(diào)資源。

2、空調(diào)負荷建模包括空調(diào)-建筑系統(tǒng)熱力學(xué)建模及空調(diào)主體電熱轉(zhuǎn)化建模。傳統(tǒng)的熱力學(xué)建模主要分為兩類，一是引入精細化參數(shù)，采用冷負荷系數(shù)法等方法結(jié)合相關(guān)建筑能源建模工具如cobmo(control-orientedbuildingmodel)建模，考慮了大量建筑參數(shù)。其二則為等效熱參數(shù)模型，該模型采用集中參數(shù)法(熱容、熱阻等)建立空調(diào)負荷用電功率與環(huán)境溫度、能效比、時間的關(guān)系，適用于居民或小型商業(yè)建筑的冷/熱負荷建模。然而，上述建模方法對模型參數(shù)大多選取典型值，考慮建筑環(huán)境、用戶偏好等因素的差異，空調(diào)負荷具有明顯的異質(zhì)性，即空調(diào)負荷具有非均質(zhì)參數(shù)，因此上述建模方法在實際場景中建模通常與實際負荷存在較大誤差，這不利于空調(diào)負荷在實際應(yīng)用中發(fā)揮其真實需求響應(yīng)潛力。

技術(shù)實現(xiàn)思路

1、鑒于上述存在的問題，提出了本發(fā)明。

2、因此，本發(fā)明解決的技術(shù)問題是：如何實現(xiàn)更精確的空調(diào)負荷建模，從而為能源系統(tǒng)仿真、空調(diào)負荷調(diào)控等應(yīng)用提供更加準確、可靠、靈活的模型基礎(chǔ)。

3、為解決上述技術(shù)問題，本發(fā)明提供如下技術(shù)方案：

4、第一方面，本發(fā)明實施例提供了一種基于物理先驗神經(jīng)網(wǎng)絡(luò)的空調(diào)建筑系統(tǒng)負荷建模方法，包括：

5、基于空調(diào)建筑系統(tǒng)的熱力學(xué)負荷動態(tài)演變過程，采用離散時間馬爾可夫決策過程，建立空調(diào)建筑系統(tǒng)熱負荷動態(tài)模型；

6、基于所述空調(diào)建筑系統(tǒng)熱負荷動態(tài)模型，基于輸入全狀態(tài)、動作、外在信息的網(wǎng)絡(luò)架構(gòu)，通過共享參數(shù)和恒等激活函數(shù)的輸出層編碼系統(tǒng)的物理約束，建立相應(yīng)的物理先驗神經(jīng)網(wǎng)絡(luò)；

7、對單熱源加熱的房間場景進行仿真生成訓(xùn)練數(shù)據(jù)，并結(jié)合實際場景采集數(shù)據(jù)構(gòu)建訓(xùn)練集及測試集，結(jié)合空調(diào)建筑系統(tǒng)熱負荷動態(tài)模型明確模型中狀態(tài)以及動作空間的物理意義，從而更新物理先驗神經(jīng)網(wǎng)絡(luò)的損失函數(shù)形式；

8、基于所述訓(xùn)練集訓(xùn)練物理先驗神經(jīng)網(wǎng)絡(luò)并進行超參數(shù)調(diào)優(yōu)，分別在仿真以及實際場景的測試集上驗證預(yù)測性能。

9、作為基于物理先驗神經(jīng)網(wǎng)絡(luò)的空調(diào)建筑系統(tǒng)負荷建模方法的一種優(yōu)選方案，其中：

10、所述建立空調(diào)建筑系統(tǒng)熱負荷動態(tài)模型包括：

11、采用離散時間馬爾可夫決策過程對空調(diào)建筑系統(tǒng)熱負荷動態(tài)模型建模，馬爾科夫決策過程建模形式表示為：

12、

13、其中為狀態(tài)變量可觀測部分，狀態(tài)變量分為可觀測部分與特征工程部分并且有x＝xobs×xf，fθ為狀態(tài)轉(zhuǎn)移函數(shù)，xi為當前給定狀態(tài)，ui為系統(tǒng)當前動作，wi為系統(tǒng)外部信息輸入?yún)?shù)。

14、作為基于物理先驗神經(jīng)網(wǎng)絡(luò)的空調(diào)建筑系統(tǒng)負荷建模方法的一種優(yōu)選方案，其中：

15、所述建立相應(yīng)的物理先驗神經(jīng)網(wǎng)絡(luò)包括：

16、將物理先驗神經(jīng)網(wǎng)絡(luò)的訓(xùn)練用以下最優(yōu)化問題的形式表示為：

17、

18、通過解決所述最優(yōu)化問題，在給定高維狀態(tài)輸入向量xi、動作向量ui、外在信息輸入向量wi的情況下預(yù)測下一步可觀測狀態(tài)向量以及隱藏狀態(tài)變量

19、

20、基于所述最優(yōu)化問題，定義相應(yīng)的損失函數(shù)，表示為：

21、

22、其中表示常規(guī)的預(yù)測值與真實值的回歸均方誤差，則為表示系統(tǒng)底層潛在物理約束偏差的損失項。

23、作為基于物理先驗神經(jīng)網(wǎng)絡(luò)的空調(diào)建筑系統(tǒng)負荷建模方法的一種優(yōu)選方案，其中：

24、所述建立相應(yīng)的物理先驗神經(jīng)網(wǎng)絡(luò)還包括：

25、設(shè)計相應(yīng)的物理先驗神經(jīng)網(wǎng)絡(luò)架構(gòu)，所述架構(gòu)的輸入由全狀態(tài)表示動作和外在信息組成；通過輸入，網(wǎng)絡(luò)同時預(yù)測下一個可觀測的狀態(tài)和一個潛在的表示；預(yù)測之間存在明確的參數(shù)共享，共享參數(shù)用θ表示；輸出層采用恒等激活函數(shù)，輸出(和)是網(wǎng)絡(luò)最后一個隱含層輸出(sθ)的線性組合；所述網(wǎng)絡(luò)的前向傳播表示為：

26、

27、其中g(shù)1、g2、h1、h2分別為適合維度的參數(shù)矩陣，sθ表示神經(jīng)網(wǎng)絡(luò)的最后一層隱藏層。

28、作為基于物理先驗神經(jīng)網(wǎng)絡(luò)的空調(diào)建筑系統(tǒng)負荷建模方法的一種優(yōu)選方案，其中：

29、所述對單熱源加熱的房間場景進行仿真生成訓(xùn)練數(shù)據(jù)包括：

30、采用2r2c等效電路模型對單熱源區(qū)域進行物理仿真近似，由以下狀態(tài)空間公式表示：

31、

32、其中，tr，tm和ta分別為房間室內(nèi)溫度、墻體溫度以及室外溫度，g與ig分別代表太陽輻射度以及室內(nèi)熱增量，ri與cj分別對應(yīng)建筑的相應(yīng)傳熱參數(shù)；tr作為室內(nèi)溫度為系統(tǒng)狀態(tài)向量的可觀測部分，tm作為墻體溫度為系統(tǒng)的不可觀測部分，使用部分可觀測馬爾可夫決策建模對此物理模型進行形式轉(zhuǎn)化，

33、空調(diào)的實際功率與設(shè)定功率存在差異，控制邏輯表示為：

34、

35、其中，與為室內(nèi)溫度的預(yù)設(shè)值，為空調(diào)實際功率，ui為空調(diào)設(shè)定功率。

36、作為基于物理先驗神經(jīng)網(wǎng)絡(luò)的空調(diào)建筑系統(tǒng)負荷建模方法的一種優(yōu)選方案，其中：

37、所述結(jié)合空調(diào)建筑系統(tǒng)熱負荷動態(tài)模型明確模型中狀態(tài)以及動作空間的物理意義包括：

38、對狀態(tài)空間公式描述的2r2c電路等效模型離散化，映射為一個部分可觀測馬爾可夫決策過程問題，時間步長根據(jù)選擇動作ui的頻率確定；

39、基于空調(diào)建筑系統(tǒng)熱負荷動態(tài)模型與2r2c等效模型的變量對應(yīng)關(guān)系，將2r2c的狀態(tài)空間等式改寫為如下形式：

40、

41、其中，參數(shù)ai、b、cj均為建筑物的特定參數(shù)，根據(jù)建筑物的epc值進行初始化，并在模型訓(xùn)練階段進行進一步調(diào)整。

42、作為基于物理先驗神經(jīng)網(wǎng)絡(luò)的空調(diào)建筑系統(tǒng)負荷建模方法的一種優(yōu)選方案，其中：

43、所述更新物理先驗神經(jīng)網(wǎng)絡(luò)的損失函數(shù)形式包括：

44、定義物理先驗神經(jīng)網(wǎng)絡(luò)的損失函數(shù)如下：

45、

46、其中物理損失項中的表示物理模型的輸出，通過基于物理約束神經(jīng)網(wǎng)絡(luò)初始的室內(nèi)溫度tr,i的估計值對2r2c的狀態(tài)空間等式求解得到，詳細計算公式如下：

47、

48、第二方面，本發(fā)明實施例提供了一種基于物理先驗神經(jīng)網(wǎng)絡(luò)的空調(diào)建筑系統(tǒng)負荷建模系統(tǒng)，包括：

49、動態(tài)模型建立模塊，用于基于空調(diào)建筑系統(tǒng)的熱力學(xué)負荷動態(tài)演變過程，采用離散時間馬爾可夫決策過程，建立空調(diào)建筑系統(tǒng)熱負荷動態(tài)模型；

50、神經(jīng)網(wǎng)絡(luò)建立模塊，用于基于所述空調(diào)建筑系統(tǒng)熱負荷動態(tài)模型，基于輸入全狀態(tài)、動作、外在信息的網(wǎng)絡(luò)架構(gòu)，通過共享參數(shù)和恒等激活函數(shù)的輸出層編碼系統(tǒng)的物理約束，建立相應(yīng)的物理先驗神經(jīng)網(wǎng)絡(luò)；

51、參數(shù)更新模塊，用于對單熱源加熱的房間場景進行仿真生成訓(xùn)練數(shù)據(jù)，并結(jié)合實際場景采集數(shù)據(jù)構(gòu)建訓(xùn)練集及測試集，結(jié)合空調(diào)建筑系統(tǒng)熱負荷動態(tài)模型明確模型中狀態(tài)以及動作空間的物理意義，從而更新物理先驗神經(jīng)網(wǎng)絡(luò)的損失函數(shù)形式；

52、參數(shù)調(diào)優(yōu)模塊，用于基于所述訓(xùn)練集訓(xùn)練更新?lián)p失函數(shù)形式后的物理先驗神經(jīng)網(wǎng)絡(luò)，并進行超參數(shù)調(diào)優(yōu)，得到最終的基于物理先驗神經(jīng)網(wǎng)絡(luò)的空調(diào)建筑系統(tǒng)負荷模型。

53、第三方面，本發(fā)明實施例提供了一種計算設(shè)備，包括：

54、存儲器和處理器；

55、所述存儲器用于存儲計算機可執(zhí)行指令，所述處理器用于執(zhí)行所述計算機可執(zhí)行指令，當所述一個或多個程序被所述一個或多個處理器執(zhí)行，使得所述一個或多個處理器實現(xiàn)如本發(fā)明任一實施例所述的基于物理先驗神經(jīng)網(wǎng)絡(luò)的空調(diào)建筑系統(tǒng)負荷建模方法。

56、第四方面，本發(fā)明實施例提供了一種計算機可讀存儲介質(zhì)，其存儲有計算機可執(zhí)行指令，該計算機可執(zhí)行指令被處理器執(zhí)行時實現(xiàn)所述的基于物理先驗神經(jīng)網(wǎng)絡(luò)的空調(diào)建筑系統(tǒng)負荷建模方法。

57、本發(fā)明的有益效果：本發(fā)明通過結(jié)合物理建模和神經(jīng)網(wǎng)絡(luò)的優(yōu)勢，可以實現(xiàn)對空調(diào)建筑系統(tǒng)溫度及功率的精準建模以及控制，該方法相較傳統(tǒng)神經(jīng)網(wǎng)絡(luò)更快地收斂，并且對訓(xùn)練數(shù)據(jù)的需求更少，因此有著更好的泛化性能以及更高的可擴展性部署潛力。