基于异构图神经网络和强化学习的水冷中央空调节能控制方法

专利主权项内容

1.基于异构图神经网络和强化学习的水冷中央空调节能控制方法，其特征在于步骤包括：S1，采集数据：采集水冷中央空调制冷机房的运行数据，将采集到的运行数据汇总到云端形成因子库；S2，数据处理：根据模拟仿真环境模型的构建需要，按照一定的时间颗粒度抽取数据，将所有抽取的数据汇集到云端并分别通过标签进行标记，形成数据集；所述标签上标明有数据产生的时间；所述数据集分为训练数据集、验证数据集和测试数据集，根据具体情况进行比例分配；S3，构建异构图神经网络模型S301，建立图结构，图结构中包括节点和边，节点代表水冷中央空调制冷机房的各个组件或各个参数，边代表各个组件之间或各个参数之间的关联关系；图结构中，节点的数量+边的数量>2；S302，利用异构图神经网络对图结构进行建模，构建水冷中央空调制冷机房的初步模拟仿真环境模型；所述异构图神经网络架构包括多个子网络，每个子网络对应特定类型的节点或边特征；每个子网络包括三个卷积层，分别是输入层、隐藏层和输出层；所述输入层，用于导入数据；所述隐藏层，用于提取节点特征和关联信息，将最终的特征表达传递给输出层；所述输出层，用于输出预测结果；S4，从步骤S2中得到训练数据集中选取数据，用于训练步骤S3构建的异构图神经网络模型；S5，对训练好的异构图神经网络模型进行评估和调优；S6，根据输入的节点特征和关联信息，采用经过评估和调优后的异构图神经网络模型应用于水冷中央空调制冷机房，对该机房的各个组件的状态、参数等进行预测，获得水冷中央空调制冷机房模拟环境；S7，根据DDPG算法建立强化学习模型，将强化学习模型置于步骤S6得到的水冷中央空调制冷机房模拟环境中训练，并使用真实水冷中央空调运行的数据集进行评估，直到评估的节能效果满足要求，则停止训练，将训练好的强化学习模型导出；S8，将强化学习模型导入基于Node-RED框架搭建的控制终端，所述控制终端采集水冷中央空调制冷机房的实际运行数据，将采集到的数据传输给强化学习模型，强化学习模型根据实际运行数据输出控制决策。S9，输出控制决策时，使用异构图神经网络模型对控制决策中将下发的控制命令进行预测和审核，预测待接受控制命令的设备的参数将发生的变化；将预测结果中的设备参数值与预设的设备报警阈值进行比较：如果未超过设备报警阈值，则审核通过，下发控制指令；如果超过设备报警阈值时，则审核不通过，拒绝控制指令的下发。