一种基于人工神经网络的室内通风性能预测方法及系统与流程

本发明涉及室内空气质量预测领域，尤其是涉及一种基于人工神经网络的室内通风性能预测方法及系统。

背景技术：

1、室内空气质量受室外空气质量的影响很大，主要原因是室外空气颗粒物携带病毒病菌进入室内，给室内空气质量造成严重威胁。为了改善室内空气质量，可以采用通风的方式。现有技术中通风方式一般包括自然通风以及机械通风，自然通风可以有效节约能源，但在极热或极冷的天气、污染的空气或高噪声环境中受到限制；机械通风使用没有这些限制，许多建筑更喜欢机械通风，机械通风已经广泛用于商业和住宅建筑中以改善室内空气质量和热舒适性。

2、在建筑设计、验收、运营以及评估领域，建筑物的空气指标主要包括建筑物内部空气质量、通风效果等，一般采用通风性能参数来反映建筑物内部空气质量，通风性能参数（在通风条件下，建筑物室内空气中某一粒径大小的颗粒物的浓度）越高，对应的建筑物内部空气质量越差；通风性能参数（在通风条件下，室内空气中某一粒径大小的颗粒物的浓度）越低，对应的建筑物内部空气质量越好。因此，对于建筑设计、验收、运营以及评估，需要模拟建筑物室内未来环境变化，以便于及时了解建筑物室内未来通风性能情况，并对建筑物室内未来通风性能进行持续改善。

3、相关技术中，建筑物的通风性能预测一般是通过人工神经网络建模实现。例如，如申请号为cn202211656292 .5公开的一种室内环境质量预测方法，公开了：步骤s1：构建多维度数据集；步骤s2：构建神经网络模型并利用步骤s1构建的多维度数据集对神经网络模型进行训练得到预测模型；步骤s3：利用步骤s2训练的预测模型进行室内环境质量预测；步骤s21：将步骤s1构建的数据分为训练集和测试集并进行归一化；步骤s22：构建3个独立的神经网络，采用每个子集相应对每个神经网络进行训练；步骤s23：预测模型最终输出为：三个神经网络输出的叠加p＝ps+pt+pr；虽然也可以实现室内环境质量（通风性能）预测，但是，最终预测模型是三个独立神经网络的叠加，并不会根据待预测室内通风性能参数的不同（即，存在于室内空气中的不同粒径大小的微小颗粒物质的浓度，微小颗粒物质的粒径大小主要包括pm1.0、pm2.5和pm10等），选择不同的预测模型，使得室内不同类型通风性能参数（即，存在于室内空气中的不同粒径大小的微小颗粒物质的浓度，微小颗粒物质的粒径大小主要包括pm1.0、pm2.5和pm10等）预测的可靠性不高。

4、为解决现有技术中室内不同类型通风性能参数预测的可靠性不高的问题，现提出本方案。

技术实现思路

1、本发明为了解决现有技术中存在的问题，创新提出了一种基于人工神经网络的室内通风性能预测方法及系统，有效解决由于现有技术造成室内不同类型通风性能参数预测的可靠性不高的问题，有效地提高了室内不同类型通风性能参数预测的可靠性。

2、本发明第一方面提供了一种基于人工神经网络的室内通风性能预测方法，包括：

3、分别获取第一历史数据以及第二历史数据，其中，所述第一历史数据为建筑物室内某一类型通风性能参数的历史数据，所述第二历史数据为建筑物室内该类型通风性能参数的每一项影响参数的历史数据，所述建筑物室内某一类型通风性能参数为存在于室内空气中某一粒径大小的颗粒物的浓度，所述影响参数包括室内通风影响因素和室外颗粒物影响因素；所述室外颗粒物为存在于室外空气中不同粒径大小的颗粒物；

4、基于第一历史数据以及第二历史数据，分别建立前馈神经网络模型和递归神经网络模型；

5、基于第一历史数据以及第二历史数据，分别对前馈神经网络模型和递归神经网络模型进行训练，根据前馈神经网络模型和递归神经网络模型的训练结果，选择前馈神经网络模型或递归神经网络模型，作为该类型通风性能参数对应的预测模型；

6、将每一项影响参数的实际数据均输入至该类型通风性能参数对应的预测模型，输出该类型通风性能参数的预测结果。

7、可选地，所述室内通风影响因素包括自然通风时的第一室外温度、第一室外风速、第一空气过滤器过滤效率，机械通风时的第二室外温度、机械通风系统通风量、第二室外风速、第二空气过滤器过滤效率，所述室外颗粒物影响因素包括室外颗粒物种类、室外颗粒物粒径大小、室外颗粒物浓度。

8、进一步地，所述分别获取第一历史数据以及第二历史数据具体包括：

9、获取待预测建筑物室内空气渗透速率与室内压差之间的对应关系；

10、在待预测建筑物室内空气渗透速率与室内压差之间的对应关系下，对待预测建筑物预设时长内室内某一类型通风性能参数在每一项影响参数下进行实际测量，获取每一项影响参数的实际数据以及在每一项影响参数下室内该类型通风性能参数的实际数据。

11、进一步地，所述获取待预测建筑物室内空气渗透速率与室内压差之间的对应关系具体包括：

12、使待预测建筑物所有通风口保持关闭，对待预测建筑物进行气密性检测，对开启频次大于预设次数阈值的通风口安置能够以预设室内空气渗透速率将空气移入或移出待预测建筑物室内的风扇，并用布面板对安置在通风口的风扇与通风口边壁之间的空隙进行密封，防止因空隙漏风使压力测量出现错误；

13、在能够以预设室内空气渗透速率将空气移入或移出待预测建筑物室内的风扇上设置数字压力计；

14、使用待预测建筑物内部加热装置控制室内空气温度，以使待预测建筑物室内温度与自然通风的第一室外温度或机械通风时的第二室外温度相同，测量并记录此时的待预测建筑物室内空气压力p0；

15、使用数字压力计控制风扇以预设气流速率将空气移入或移出待预测建筑物，每间隔预设时长测量一次室内空气压力pi，记录两次测量之间的压力变化δpi；

16、同等条件下，多次重复进行气密性检测，对已有室内空气渗透速率与室内压差进行拟合，得到待预测建筑物室内空气渗透速率与室内压差之间的对应关系。

17、可选地，所述获取待预测建筑物室内空气渗透速率与室内压差之间的对应关系具体包括：

18、获取影响室内某一类型通风性能参数的待预测建筑物的风致压差，其中，待预测建筑物的风致压差的获取方式为：

19、，

20、其中，为室内和室外压力之间的风致压差；为第一固定常数； cpi是待预测建筑物内部风压系数； cp为待预测建筑物当地风系数； ρ0为待预测建筑物室外空气密度； umet是待预测建筑物所在气象站测得的参考风速；为第二固定常数；为第三固定常数；为第四固定常数； h是参考平面高度；

21、获取影响室内某一类型通风性能参数的待预测建筑物的烟囱效应引起的压差，其中，待预测建筑物的烟囱效应引起的压差的计算方式为：

22、，

23、其中，为室内和室外压力之间的烟囱引起的差； g是重力加速度常数； hnpl为中性压力水平在参考平面上方的高度； cd为一校正因子；为待预测建筑物室内温度为待预测建筑物在自然通风时的第一室外温度或在机械通风时的第二室外温度；

24、计算得到影响室内某一类型通风性能的待预测建筑物的总压差，其中，待预测建筑物的总压差的计算方式为：

25、，

26、根据待预测建筑物的总压差得到影响室内某一类型通风性能的待预测建筑物的空气渗透速率，其中，待预测建筑物的空气渗透速率与待预测建筑物的总压差之间的对应关系为：

27、，

28、其中，为；为第五固定常数；v是待预测建筑物室内呼吸区体积；是指数；c为流量系数；室外空气渗透进入室内的通风量qin，渗透的计算公式为：

29、qin，渗透=×v。

30、可选地，所述在待预测建筑物室内空气渗透速率与室内压差之间的对应关系下，对待预测建筑物预设时长内室内某一类型通风性能参数在每一项影响参数下进行实际测量，获取每一项影响参数的实际数据以及在每一项影响参数下室内该类型通风性能参数的实际数据具体包括：

31、关闭影响室内某一类型通风性能参数的待预测建筑物的所有通风口，使用数字压力计测量房间内外压差，以获得待预测建筑物室内外初始对照压差；

32、分别获取机械通风时的第二室外温度、机械通风系统通风量、第二室外风速、第二空气过滤器过滤效率，自然通风时的第一室外温度、第一室外风速、第一空气过滤器过滤效率；

33、在影响室内某一类型通风性能参数的待预测建筑物室内各个房间布置室内颗粒物浓度传感器，对各个房间的室内颗粒物浓度传感器的测量数据作平均化处理，获取该类型通风性能参数；在影响室内某一类型通风性能参数的待预测建筑物室外布置室外不同类型颗粒物浓度传感器，获取室外不同类型颗粒物浓度；

34、在影响室内某一类型通风性能参数的待预测建筑物的房间单独安装空气过滤器，将空气过滤器设置为最大功率，收集使用空气过滤器前后房间内的颗粒物浓度变化数据。

35、可选地，所述基于第一历史数据以及第二历史数据，分别对前馈神经网络模型和递归神经网络模型进行训练，根据前馈神经网络模型和递归神经网络模型的训练结果，选择前馈神经网络模型或递归神经网络模型，作为该类型通风性能参数对应的预测模型具体包括：

36、将第一历史数据划分为第一训练数据以及第一测试数据，将第二历史数据划分为第二训练数据以及第二测试数据，将第二训练数据作为输入因素分别同时输入至前馈神经网络模型和递归神经网络模型，将第一训练数据作为输出因素，分别对前馈神经网络模型和递归神经网络模型进行训练；其中，当待预测建筑物室内通风类型为自然通风时，前馈神经网络模型和递归神经网络模型中的输出参数的求解方程为：

37、

38、其中，为自然通风下进入待预测建筑物房间的渗透风输入风量；为自然通风下室外颗粒物的穿透系数；为自然通风下室外颗粒物浓度；为自然通风下前馈神经网络模型或递归神经网络模型中的输出参数；为自然通风下室内颗粒物的沉降效率；为自然通风下室内颗粒物的生成量；为由于空气过滤器过滤造成室内颗粒物的去除量；自然通风下前馈神经网络模型或递归神经网络模型中的输出参数为自然通风下存在待预测建筑物室内空气中某一粒径大小的颗粒物浓度；当待预测建筑物室内无空气过滤器，且通风类型为自然通风时，前馈神经网络模型和递归神经网络模型中的输出参数的计算公式为：

39、

40、其中，为待预测建筑物室内无空气过滤器条件，且通风类型为自然通风下，对应当前时刻的室内颗粒物浓度；为待预测建筑物室内无空气过滤器条件，且通风类型为自然通风下，当前时刻的前一时刻的颗粒物浓度；

41、当待预测建筑物室内存在空气过滤器，且通风类型为自然通风时，前馈神经网络模型和递归神经网络模型中的输出参数的计算公式为：

42、其中，为待预测建筑物室内存在空气过滤器条件，且通风类型为自然通风下，对应当前时刻的室内颗粒物浓度；为待预测建筑物室内存在空气过滤器条件，且通风类型为自然通风下，当前时刻的前一时刻的颗粒物浓度；为自然通风下待预测建筑物室内空气过滤器级别对应的第一空气过滤器过滤效率；

43、当待预测建筑物室内通风类型为机械通风时，前馈神经网络模型和递归神经网络模型中的输出参数的求解方程为：

44、

45、其中：qin，机械为进入待预测建筑物房间的机械通风输入风量；为机械通风下进入待预测建筑物房间的渗透风输入风量；为机械通风下室外颗粒物的穿透系数；为机械通风下室外颗粒物浓度；为机械通风下前馈神经网络模型或递归神经网络模型中的输出参数；为机械通风下室内颗粒物的沉降效率；为机械通风下室内颗粒物的生成量；机械通风下前馈神经网络模型或递归神经网络模型中的输出参数为机械通风下存在待预测建筑物室内空气中某一粒径大小的颗粒物浓度；为机械通风下待预测建筑物室内空气过滤器级别对应的第二空气过滤器过滤效率；

46、当待预测建筑物室内通风类型为机械通风时前馈神经网络模型和递归神经网络模型中的输出参数的计算公式为：

47、其中，为待预测建筑物室内通风类型为机械通风下，对应当前时刻的室内颗粒物浓度；为待预测建筑物室内通风类型为机械通风下，当前时刻的前一时刻的颗粒物浓度；

48、根据第一历史数据以及前馈神经网络模型的前馈输出进行误差计算，根据第一历史数据以及递归神经网络模型的rnn输出进行误差计算；

49、根据通过lmbp算法修正前馈神经网络模型和递归神经网络模型各层的权值和阈值；

50、如果全部第一训练数据以及第二训练数据均已完成学习，分别获取前馈神经网络模型和递归神经网络模型的训练结果的均方根误差系数；其中，训练结果的均方根误差系数的计算方式为：

51、，

52、其中，为训练结果的均方根误差系数，为某一类型通风性能参数的历史数据的实际数值，为该类型通风性能参数对应的前馈神经网络模型或递归神经网络模型输出层的预测输出值，为前馈神经网络模型或递归神经网络模型输入层的数量，为前馈神经网络模型或递归神经网络模型第个输入层；

53、选择cvrmse结果更小的前馈神经网络模型或递归神经网络模型作为该类型通风性能参数对应的预测模型；

54、将第二测试数据作为输入因素分别输入至预测模型，将第一测试数据作为输出因素，对预测模型进行测试。

55、进一步地，所述根据通过lmbp算法修正前馈神经网络模型和递归神经网络模型各层的权值和阈值具体包括：

56、设置前馈神经网络模型和递归神经网络模型的训练误差允许值ε，对前馈神经网络模型和递归神经网络模型各层权值和阈值进行初始化处理；

57、计算前馈神经网络模型和递归神经网络模型的误差指标函数；其中，误差指标函数的计算方式为：

58、，

59、其中，为第个样本对应的期望的网络输出向量；为第个样本对应的实际的网络输出向量；为用于训练的样本数目；表示第次迭代的权值和阈值所组成的向量；()为第次迭代的权值和阈值所组成的向量对应的误差；

60、分别计算前馈神经网络模型和递归神经网络模型的雅克比矩阵；

61、分别计算前馈神经网络模型和递归神经网络模型的权值增量δw；其中，权值增量δw计算公式为：

62、，

63、其中，μ为用户定义的学习率，为前馈神经网络模型的雅克比矩阵或递归神经网络模型的雅克比矩阵；

64、如果前馈神经网络模型或递归神经网络模型的误差指标函数小于训练误差允许值ε，则lmbp算法结束；否则，令，计算前馈神经网络模型或递归神经网络模型的下一次迭代后的误差指标函数，如果下一次迭代后的误差指标函数小于当前迭代的误差指标函数，则定义第六固定常数γ1，所述第六固定常数的取值范围为0<γ1<1，令μ=μγ1，减小前馈神经网络模型或递归神经网络模型的学习率，并重新计算前馈神经网络模型或递归神经网络模型的误差指标函数；否则，定义第七固定常数γ2，所述第六固定常数的取值范围为γ2>1，令μ=μγ2，增大前馈神经网络模型或递归神经网络模型的学习率，重新计算前馈神经网络模型和递归神经网络模型的权值增量δw，直至前馈神经网络模型或递归神经网络模型的误差指标函数小于训练误差允许值ε。

65、可选地，所述根据前馈神经网络模型和递归神经网络模型的训练结果，选择前馈神经网络模型或递归神经网络模型，作为该类型通风性能参数对应的预测模型之后，还包括：

66、获取该类型通风性能参数对应的预测模型的影响因子χ值，所述影响因子χ值用于反映影响室内通风性能的不同影响参数对该类型通风性能参数的影响相关度的大小；其中，该类型通风性能参数对应的预测模型的影响因子χ的获取方式为：

67、，

68、其中，ytest为预测得到的新的结果，ytest,10%为增加或减少10%样本的新预测结果。

69、本发明第二方面提供了一种基于人工神经网络的室内通风性能预测系统，包括：

70、获取模块，分别获取第一历史数据以及第二历史数据，其中，所述第一历史数据为建筑物室内某一类型通风性能参数的历史数据，所述第二历史数据为建筑物室内该类型通风性能参数的每一项影响参数的历史数据，所述建筑物室内某一类型通风性能参数为存在于室内空气中某一粒径大小的颗粒物的浓度，所述影响参数包括室内通风影响因素和室外颗粒物影响因素；所述室外颗粒物为存在于室外空气中不同粒径大小的颗粒物；

71、建立模块，基于第一历史数据以及第二历史数据，分别建立前馈神经网络模型和递归神经网络模型；

72、训练及选择模块，基于第一历史数据以及第二历史数据，分别对前馈神经网络模型和递归神经网络模型进行训练，根据前馈神经网络模型和递归神经网络模型的训练结果，选择前馈神经网络模型或递归神经网络模型，作为该类型通风性能参数对应的预测模型；

73、输入及输出模块，将每一项影响参数的实际数据均输入至该类型通风性能参数对应的预测模型，输出该类型通风性能参数的预测结果。

74、本发明采用的技术方案包括以下技术效果：

75、1、本发明根据基于分别获取第一历史数据以及第二历史数据，基于第一历史数据以及第二历史数据，分别建立并训练前馈神经网络模型和递归神经网络模型；根据前馈神经网络模型和递归神经网络模型的训练结果，选择前馈神经网络模型或递归神经网络模型，作为该类型通风性能参数对应的预测模型；将每一项影响参数的实际数据均输入至该类型通风性能参数对应的预测模型，输出该类型通风性能参数的预测结果，有效解决由于现有技术造成室内不同类型通风性能参数预测的可靠性不高的问题，有效地提高了室内不同类型通风性能参数预测的可靠性。

76、2、本发明技术方案中分别获取前馈神经网络模型和递归神经网络模型的训练结果的均方根误差系数；选择均方根误差系数结果更小的前馈神经网络模型或递归神经网络模型作为该类型通风性能参数对应的预测模型，进一步地提高了室内不同类型通风性能参数预测的可靠性。

77、3、本发明技术方案中所述根据通过lmbp算法修正前馈神经网络模型和递归神经网络模型各层的权值和阈值，直至前馈神经网络模型或递归神经网络模型的误差指标函数小于训练误差允许值ε，进一步地提高了室内不同类型通风性能参数预测的可靠性。

78、4、本发明技术方案中，在根据前馈神经网络模型和递归神经网络模型的训练结果，选择前馈神经网络模型或递归神经网络模型，作为该类型通风性能参数对应的预测模型之后，还包括：获取该类型通风性能参数对应的预测模型的影响因子χ值，可以有效地反映影响室内通风性能的不同影响参数对该类型通风性能参数的影响相关度的大小。

79、应当理解的是以上的一般描述以及后文的细节描述仅是示例性和解释性的，并不能限制本发明。