一种制冷机组多传感器数据预测模型的构建方法与流程

本发明属于多传感器数据预测技术领域，尤其是一种制冷机组多传感器数据预测模型的构建方法。

背景技术：

随着能源环境问题日益严重，节能降耗成为智能建筑必须考虑的重要课题。暖通空调系统是建筑耗能的主要设备，制冷机组又是暖通空调系统的主要耗能部件。若制冷机组发生故障将导致能源浪费，减少设备的使用寿命，并降低室内环境舒适度。然而，由于制冷机组的故障检测依托于系统多传感器的监测数据，各传感器检测数据的可靠性是智能建筑实施最优控制和管理的关键所在，因此，制冷机组多传感器故障诊断对空调系统的节能可靠运行起着至关重要的作用。为了准确、快速地对制冷机组多传感器故障进行定位，基于深度学习的制冷机组多传感器数据信息预测是首要的一步。

基于深度学习的多传感器数据预测是指在一定的代价函数约束下，通过对历史数据进行学习和挖掘，得到相应的数学模型关系，进而逼近系统多传感器数据信息中所隐含的映射机理。受到制冷机组各传感器本身响应特性的影响，各传感器会随着时间动态变化，展现出时间相关性特征；为了遵循系统各传感器之间的能量守恒原则，同一时刻各传感器之间的读数相互影响，展现出数据相关性特征。因此，如何充分挖掘制冷机组多传感器时间相关性特征和数据相关性特征以更好地动态预测制冷机组各传感器的数据信息是目前迫切需要解决的问题。

技术实现要素：

本发明的目的在于克服现有技术的不足，提出一种设计合理且能充分挖掘制冷机组多传感器动态特征的制冷机组多传感器数据预测模型的构建方法。

本发明解决其技术问题是采取以下技术方案实现的：

一种制冷机组多传感器数据预测模型的构建方法，包括以下步骤：

步骤1、在编码器的输入端加入数据注意力机制；

步骤2、将解码器某一时刻待预测时序信息所对应的制冷机组控制参数以及环境温度结合为向量形式，与时间注意力机制的输出级联在一起共同作为解码器的输入；

步骤3、将数据注意力机制和时间注意力机制加入到编码器-解码器网络中，建立依托于门限递归神经网络的制冷机组多传感器数据预测模型。

所述步骤1的编码器采用门限递归单元神经网络实现，其具体方法为：首先编码器网络根据当前时刻输入向量xt’以及前一时刻隐藏层状态ht-1计算出当前时刻更新门状态zt和重置门状态rt；然后根据当前时刻输入向量xt’、重置门状态rt以及前一时刻隐藏层状态ht-1计算当前时刻的记忆单元内容最后，当前的隐藏层状态ht是前一时刻的隐藏层状态ht-1与当前时刻记忆单元内容的结合。

所述在编码器的输入端加入数据注意力机制的方法为：在编码器的每一个输入时刻，根据当前时刻的前t个采样时刻多传感器时序信息，为当前时刻制冷机组多传感器时序信息中的每一个传感器自适应地分配权重；在第t个时间步下，数据注意力机制的输出，即第t个时间步编码器的输入向量xt’，为该时刻制冷机组多传感器读数值与其对应权重的乘积。

所述步骤2的解码器采用门限递归单元神经网络实现，其具体实现方法为：

根据门限递归单元的映射关系，第t个时间步下，解码器隐藏层状态st表示为：

以第t+1个时间步解码器隐藏层状态st+1、解码器预测输出第t个时间步时间注意力机制输出ct以及第t个时间步解码器待预测输出时序所对应的控制参数和环境温度pt为门限递归单元神经网络的输入量，n代表隐藏层节点个数，r表示全体实数集合；

第t个时间步对应于制冷机组多传感器输入时序xt的重建预测输出值表示为：

其中，w及b分别表示待学习的连接权重及偏置，17表示待诊断的传感器个数，制冷机组多传感器输入时序xt及重建预测输出时序具体表示为：

xt＝(xt,1,xt,2,xt,3,……,xt,15,xt,16,xt,17)^t,xt∈r¹⁷，

第t个时间步时间注意力机制的输出ct表示为：

第t个时间步时间注意力机制的输出ct是编码器t个时间步长下隐藏层状态值的加权输出；

其中，在解码器第t个时间步下，编码器在第i个时间步隐藏层状态hi所对应的权重αt,i表示为：

et,i＝score(st+1,hi)＝v^ttanh(w1st+1+w2hi),

v∈rⁿ，w1∈r^n×n，w2∈r^n×n

其中，et,i表示在解码器第t个时间步下，编码器第i个时间步隐藏层状态hi所对应的注意力映射得分，w1，w2，v均表示待学习的连接权重；

将第t个时间步下解码器待预测输出时序所对应的控制参数以及环境温度结合为向量形式pt，与第t个时间步的时间注意力输出ct级联在一起。

所述制冷机组控制参数包括压缩机频率和电子膨胀阀开度。

所述步骤3建立的制冷机组多传感器数据预测模型为依托于门限递归神经网络的解码器-编码器模型为：

模型输入为如下制冷机组多传感器t个时间步长的时序信息xinp：

xinp＝(x1,x2,……,xt-1,xt),

xi∈r¹⁷，i∈{1，2，……，t-1，t}

该模型输出为如下制冷机组多传感器t个时间步长的重建预测时序信息xout：

该模型的构造代价函数f表示为：

其中，s表示制冷机组多传感器正常工作状态下时序信息样本集，||·||为范数运算。

本发明的优点和积极效果是：

本发明根据制冷机组多传感器存在的时间相关性特征以及数据相关性特征对数据预测的影响，构建基于时间-数据注意力机制的编码器-解码器模型，实现对制冷机组多传感器数据信息的准确动态预测功能，可准确、快速地对制冷机组多传感器故障进行定位，避免造成能源浪费，提高设备的使用寿命。

附图说明

图1为本发明的门限递归单元结构图；

图2为本发明加入数据注意力机制的编码器网络框图；

图3为本发明级联控制参数、环境温度以及时间注意力机制输出的编码器-解码器网络框图；

图4为本发明建立的基于时间-数据注意力机制的编码器-解码器网络框图。

具体实施方式

以下结合附图对本发明实施例做进一步详述。

本发明的设计思想为：通过在编码器-解码器模型中加入时间注意力机制，编码器将制冷机组多传感器时序数据信息编码为相应的时序向量表示，针对解码器不同时刻的待预测输出时序数据信息，为编码器输出的时序向量表示匹配合适的权重，深入刻画制冷机组多传感器数据的时间相关性特征。由于不同时刻，不同传感器之间的数据信息相互影响，且不同传感器之间的相互影响会随着时间动态变化。为此，在编码器的输入端加入多传感器数据注意力机制，在每一个输入时刻，根据当前输入时刻的前t个采样时刻的多传感器时序信息特征，为当前输入时刻多传感器时序信息中的每一个传感器数值自适应地分配权重，以此来捕获不同传感器之间的动态数据相关性特征。该模型充分挖掘制冷机组多传感器时间相关性特征和数据相关性特征，能够准确地动态预测制冷机组各传感器的数据信息。

一种制冷机组多传感器数据预测模型的构建方法，包括以下步骤：

步骤1、通过门限递归单元神经网络建立编码器，在编码器的输入端加入数据注意力机制。

在本步骤中，编码器由门限递归单元神经网络实现，设置time_step为t。如图1所示，门限递归单元由更新门和重置门两个门结构组成。首先编码器网络根据当前时刻输入向量xt’以及前一时刻隐藏层状态ht-1计算出当前时刻更新门状态zt和重置门状态rt。然后根据当前时刻输入向量xt’、重置门状态rt以及前一时刻隐藏层状态ht-1计算当前时刻的记忆单元内容最后，当前的隐藏层状态ht是前一时刻的隐藏层状态ht-1与当前时刻记忆单元内容的结合。

根据门限递归单元的映射关系，第t个时间步下，编码器隐藏层状态ht表示为：

ht＝gru(x't,ht-1),ht,ht-1∈rⁿ.

其中，gru表示门限递归单元映射；xt’表示第t个时间步编码器的输入向量，xt’＝(x’t,1,x’t,2,x’t,3······,x’t,15,x’t,16,x’t,17)^t，17表示待预测传感器的个数；ht、ht-1分别表示第t个时间步及第t-1个时间步的编码器隐藏层状态，n表示隐藏层的节点个数，r表示全体实数集合。

如图2所示，在编码器的输入端加入数据注意力机制，即：在编码器的每一个输入时刻，根据当前时刻的前t个采样时刻多传感器时序信息，为当前时刻制冷机组多传感器时序信息中的每一个传感器自适应地分配权重。在第t个时间步下，数据注意力机制的输出，即第t个时间步编码器的输入向量xt’，为该时刻制冷机组多传感器读数值与其对应权重的乘积。

由此，第t个时间步下，编码器的输入向量xt’表示为：

x't＝(βt,1xt,1,βt,2xt,2,βt,3xt,3,……,βt,15xt,15,βt,16xt,16,βt,17xt,17)^t

其中，xt,j表示第t个时间步制冷机组第j个传感器的读数值，βt,j表示第t个时间步制冷机组第j个传感器所对应的权重。

其中，score为bahdanau加性注意力映射，gt,j表示第t个时间步制冷机组第j个传感器所对应的注意力映射得分，u1，u2，vg均表示待学习的连接权重，表示第t个时间步第j个传感器在当前时刻的前t个采样时刻的读数值，表示为：

步骤2、通过门限递归单元神经网络建立解码器，将解码器某一时刻待预测时序信息所对应的制冷机组控制参数(压缩机频率和电子膨胀阀开度)以及外部因素(环境温度)结合为向量形式，与时间注意力机制的输出级联在一起共同作为解码器的输入。

如图3所示，解码器也由门限递归单元神经网络实现，由于编码器-解码器网络用于对数据进行预测，因此，制冷机组多传感器输入时序与重建时序的时间步长相等，即：解码器的time_step设置为t。

根据门限递归单元的映射关系，第t个时间步下，解码器隐藏层状态st表示为：

由于重建的输出时序采用倒序输出，因此，以第t+1个时间步解码器隐藏层状态st+1、解码器预测输出第t个时间步时间注意力机制输出ct以及第t个时间步解码器待预测输出时序所对应的控制参数和环境温度pt为门限递归单元神经网络的输入量。

第t个时间步对应于制冷机组多传感器输入时序xt的重建预测输出值表示为：

其中，w及b分别表示待学习的连接权重及偏置，制冷机组多传感器输入时序xt及重建预测输出时序具体表示为：

xt＝(xt,1,xt,2,xt,3,……,xt,15,xt,16,xt,17)^t,xt∈r¹⁷，

第t个时间步时间注意力机制的输出ct表示为：

第t个时间步时间注意力机制的输出ct是编码器t个时间步长下隐藏层状态值的加权输出。

其中，在解码器第t个时间步下，编码器第i个时间步隐藏层状态hi所对应的权重αt,i表示为：

et,i＝score(st+1,hi)＝v^ttanh(w1st+1+w2hi),

v∈rⁿ,w1∈r^n×n,w2∈r^n×n.

其中，et,i表示在解码器第t个时间步下，编码器第i个时间步隐藏层状态hi所对应的注意力映射得分，w1，w2，v均表示待学习的连接权重。

将第t个时间步下解码器待预测输出时序所对应的控制参数(电子膨胀阀开度和压缩机频率)以及环境温度结合为向量形式pt，与第t个时间步的时间注意力输出ct级联在一起。

步骤3、将数据注意力机制和时间注意力机制加入到编码器-解码器网络中，建立依托于门限递归神经网络的制冷机组多传感器数据预测模型。

该模型输入为制冷机组多传感器t个时间步长的时序信息xinp，具体表示为：

xinp＝(x1,x2,……,xt-1,xt),

xi∈r¹⁷,i∈{1,2,……,t-1,t}.

该模型输出为制冷机组多传感器t个时间步长的重建预测时序信息xout，具体表示为：

模型的神经网络结构图如图4所示。

构造代价函数f，使得模型的预测输出时序信息准确逼近模型的输入时序信息。代价函数f表示为：

其中，s表示制冷机组多传感器正常工作状态下时序信息样本集，||·||为范数运算。

需要强调的是，本发明所述的实施例是说明性的，而不是限定性的，因此本发明包括并不限于具体实施方式中所述的实施例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，同样属于本发明保护的范围。