[发明专利]基于注意力机制LSTM的综合能耗费用优化方法、介质及设备

权利要求书

1.基于注意力机制LSTM的综合能耗费用优化方法，其特征在于，包括以下步骤：

S1、采集楼宇运作系统中的数据并进行预处理，得到环境数据，末端控制器设定值和机房设备工作状态构成的节能策略矩阵；

S2、将步骤S1预处理后的环境数据，末端控制器设定值和机房设备工作状态构成的节能策略矩阵送入加入注意力机制的LSTM网络中，对楼宇综合能耗预测模型进行训练，训练过程中，输入数据，通过带有卷积核的注意力机制层捕获各变量在不同时间段对预测结果的不同影响；将经过信息提取后的新变量分别与上一时刻隐状态向量h_t-1采用乘法注意力机制计算相关性f(H_i,h_t-1)，得到各输入变量权重α_i；为各特征变量赋以权重，得到LSTM网络最终输入变量送入网络进行能耗预测；样本数据通过注意力机制层后，通过LSTM网络前向计算与反向传播训练模型，损失函数选择均方误差MSE；楼宇综合能耗预测模型通过迭代循环进行参数学习；当网络收敛时训练结束，得到楼宇综合能耗预测模型；

第j个卷积核提取第i个特征随时间变化的结果H_i,j为：

H_i,j＝x_i*C_j

其中，C_j表示第j个卷积核，卷积核C_j∈R^1×k，k表示楼宇综合能耗预测模型一次输入k个时间步数据，*表示卷积操作，x_i表示输入样本中第i个特征在t到t+k时刻的值，共有M个卷积核；

S3、基于楼宇综合能耗预测模型、峰谷分时能源价格标准以及用户需求建立针对商用建筑的综合能耗费用优化模型，楼宇综合能耗预测模型根据输入的节能策略矩阵和通过互联网天气数据获得的未来k个时段的环境数据，预测出未来k个时段对应的能耗需求矩阵E，结合分时能源价格矩阵C得到总能耗费用，加入节能策略带来的约束条件，得到基于注意力机制LSTM预测网络的综合能耗费用优化模型如下：

Subject to E＝f(D,A)，D∈R^n×k，A∈R^w×k

a_i,jmin≤a_i,j≤a_i,jmax

其中，f表示加入注意力机制层的LSTM网络，A∈R^w×k表示末端控制器设定值以及机房设备工作状态等组成的节能策略矩阵，w表示节能策略所涵盖的变量个数；D∈R^d×k表示除节能策略所包含的输入参数之外的天气因素、房屋结构、人流密度等其它不可控输入变量；⊙表示Hadamard乘积，E∈R^3×k，3表示水、电、燃气三种能源；Q表示综合能源分时价格矩阵，Q∈R^3×k，a_i,jmin和a_i,jmax分别表示节能策略矩阵A的元素可以取值的上界与下界；

S4、采用遗传算法对商用建筑综合能耗费用优化模型进行求解，计算未来k个时段能耗费用最少对应的节能策略矩阵，根据节能策略矩阵的值调整未来k个时段各末端控制器设定值及冷冻机房设备工作状态，使未来k个时段综合能耗费用降至最低；

使用遗传算法求解模型具体为：

S401、产生初始种群，包括X组节能策略矩阵；

S402、通过楼宇综合能耗预测模型得到X组节能策略矩阵对应的综合能耗需求，根据分时能源价格计算对应综合能耗费用；

S403、依据综合能耗费用最低及选择概率θ选择个体，将前θ·X组节能策略矩阵遗传到下一代；

S404、对前θ·X组节能策略矩阵在约束条件范围内，两两随机对矩阵元素进行交换产生新的节能策略矩阵；

S405、在变异概率γ控制下，对经过步骤S403选择和步骤S404交叉后的节能策略矩阵在约束条件范围内对某些元素进行随机调整；

S406、通过步骤S403选择、步骤S404交叉和步骤S405变异得到一组新的节能策略矩阵，返回步骤S402，直到达到终止条件遗传代数T，以当前种群中使综合能耗费用最低的节能策略矩阵作为最优解输出。