[发明专利]一种基于输入凸神经网络的电力能耗优化控制方法

说明书

本发明公开了一种基于输入凸神经网络的电力能耗优化控制方法，包括取得电力系统控制数据，对所得数据做预处理，将处理好的数据输入到ICNN网络中训练，观察损失函数值，训练迭代完成后，将模型保存下来，加载测试数据集和算法模型，利用遗传算法寻优，编码、初始化种群、评估种群中个体适应值、演化遗传过程选用交叉或变异等方法，找到使目标函数最大值或最小值的种群个体即是最优解，本发明将深度学习应用于复杂的电力控制系统，利用输入凸神经网络拟合电力控制系统的算法，利用遗传算法找到拟合函数的最优解，得到复杂系统中能耗最低的最优控制。

技术领域

本发明涉及电力优化技术领域，具体涉及一种基于输入凸神经网络的电力能耗优化控制方法。

背景技术

能耗优化控制领域，现有技术主要采用两种方法，一是基于经验规则的优化，利用历史数据总结出规律，进行决策指导。传统控制论采用模型驱动算法，需要根据专家的专业技术能力，设计出复杂的控制模型及方案。二是使用传统的机器学习模型，例如支持向量机(SVM)、逻辑回归(LR)等。

随着社会的不断进步，各类能源的消耗增多、控制变量日益复杂，传统的经验规则已经满足不了当下的需求，不仅需要消耗大量的人力、物力，还存在预测验证困难，响应时间慢，维护成本高；传统机器学习算法应用于复杂控制系统存在不稳定性和不安全性，输出对于输入一般来说都是非凸的，后续优化常常陷入局部最优。且一般对于拟合电力控制系统的算法都是采用非凸的深度神经网络，虽然该神经网络包含很多局部最优点，但是在优化的过程中容易陷入局部最优，同时在对稳定性和安全性能要求很高的电力控制系统中，这种多个局部最优解并且没有全局最优收敛性的保证，会存在安全隐患。

发明内容

本发明的目的在于克服现有技术中存在的上述问题，提供一种基于输入凸神经网络的电力能耗优化控制方法，将深度学习应用于复杂的电力控制系统，利用输入凸神经网络拟合电力控制系统的算法，利用遗传算法找到拟合函数的最优解，得到复杂系统中能耗最低的最优控制。

为实现上述技术目的，达到上述技术效果，本发明是通过以下技术方案实现：

一种基于输入凸神经网络的电力能耗优化控制方法，包括以下步骤：

S1，取得电力系统控制数据，(例如室内外温度、冷机、冷凝器、冷泵等各设备运行状况和属性等)，并将取得的数据分为训练集和测试集；

S2，对所得数据做预处理：过滤掉差异值较大的误差数据，并做归一化，利用xgboost过滤掉无用特征；

S3，确定ICNN网络的网络层数、节点数以及连接方式；

S4，将处理好的数据输入到ICNN网络中训练，观察损失函数值，将损失函数值的大小作为函数是否拟合，训练迭代次数预先设定为500次；

S5，训练迭代完成后，将模型保存下来；

S6，加载测试数据集和算法模型，利用遗传算法寻优，编码、初始化种群、评估种群中个体适应值、演化遗传过程选用交叉或变异等方法，找到使目标函数最大值或最小值的种群个体即是最优解，在此过程中，新一代的个体不同于初始代，它向着适应度增加的方向迭代，选择适应度高的个体，淘汰适应度低的。迭代此类过程，直到达到终止条件：进化次数、最优条件值；

S7，将得到的最优解控制量输入到控制系统，进行预演评估。

进一步地，所述所述ICNN网络为深度学习凸神经网络，深度学习凸神经网络为五层网络结构，参数采用自顶向下的监督学习，电力能耗功率作为输出标签，利用损失函数逐层贪婪更新每层参数，损失函数如下：

J(W,b,a,y)＝-[y lna+(1-y)ln(1-a)]

W是神经网络权重参数，b是偏置项，也是训练样本神经网络预测输出值，a是训练样本实际值。