本技术涉及暖通空调，具体而言，涉及一种基于人工智能的hvac系统能耗优化方法。
背景技术：
1、大型暖通空调机组（heating ventilation and air conditioning，简称hvac）是指室内负责暖气、通风及空气调节的系统或相关设备。暖通空调系统的设计应用到热力学、流体力学及流体机械，能够控制空气的温度及湿度，提高室内的舒适度，是中大型工业建筑或办公建筑（如摩天楼）中重要的一环。在制药、电子、关键任务设施以及油气等领域和行业中，暖通空调的作用举足轻重。但工业建筑中hvac的能耗相对较高，因此，降低能源消耗、提高能源利用效率至关重要。
技术实现思路
1、本技术实施例的目的在于提供一种基于人工智能的hvac系统能耗优化方法，以通过预测冷却系统下阶段在各种冷却塔运行功率下的hvac系统能耗，确定出冷却系统控制策略，实现hvac系统能耗优化。
2、为了实现上述目的，本技术的实施例通过如下方式实现：
3、第一方面，本技术实施例提供一种基于人工智能的hvac系统能耗优化方法，包括：获取hvac中冷却系统在当前阶段的运行参数和环境参数，其中，运行参数包括冷却水流量、冷却水进水温度、冷却塔送风量、冷却塔运行功率，环境参数包括室外温度、室外湿度和自然风速；对当前阶段的运行参数和环境参数进行处理，形成输入数据；将输入数据输入至预设的能耗优化模型中，通过能耗优化模型确定出冷却系统在下一阶段的控制策略，并基于冷却系统控制策略调节冷却塔运行功率，实现hvac系统的能耗优化。
4、结合第一方面，在第一方面的第一种可能的实现方式中，能耗优化模型的构建过程为：获取hvac中冷却系统的历史数据集，其中，历史数据集包括多条历史数据，每条历史数据对应一个阶段，每条历史数据包括阶段内的hvac系统能耗和冷却系统在阶段内的运行参数和环境参数，运行参数包括冷却水流量、冷却水进水温度、冷却塔送风量、冷却塔运行功率，环境参数包括室外温度、室外湿度和自然风速；对每条历史数据进行处理，形成对应的训练数据，得到训练数据集；搭建人工智能模型框架，并利用训练数据集对人工智能模型框架进行训练和测试，得到训练完成的能耗优化模型。
5、结合第一方面的第一种可能的实现方式，在第一方面的第二种可能的实现方式中，对每条历史数据进行处理，形成对应的训练数据，包括：对每条历史数据进行预处理；对预处理后的历史数据进行特征提取，得到历史数据对应的特征数据；基于预处理后的历史数据中的冷却塔运行功率，构建历史数据对应的功率标识；基于预处理后的历史数据中的hvac系统能耗，构建历史数据对应的能耗标签；基于历史数据对应的功率标识、特征数据和能耗标签，形成对应的训练数据。
6、结合第一方面的第二种可能的实现方式，在第一方面的第三种可能的实现方式中，对预处理后的历史数据进行特征提取，包括：针对每条历史数据：对历史数据中的各项参数进行异常值处理和缺失值填补，其中，对于冷却水进水温度、室外温度、室外湿度采用线性插值，对于自然风速采用多项式插值，对于冷却水流量采用第一插值公式进行插值，对于冷却塔送风量采用第二插值公式进行插值；对异常值处理和缺失值填补后的历史数据中的每种参数，进行归一化处理。
7、结合第一方面的第三种可能的实现方式，在第一方面的第四种可能的实现方式中，第一插值公式为：
8、 ，其中，表示冷却水流量中第个采样值缺失时所填补的缺失值，为冷却水流量中第个采样值，为冷却水流量中第个采样值，为该阶段内的冷却水流量均值，为权重，满足：
9、当时，有：
10、 ，
11、其中，表示取括号中的最小值，表示取括号中的最大值，表示冷却水流量中第个采样值，为大于2的整数；
12、当时，有：
13、 ，
14、其中，为冷却水流量中的采样值形成的采样值片段数量，其中，依次相邻的连续三个不存在缺失的采样值组成一个采样值片段，为满足中间采样值的取值在两端采样值形成的取值范围之间的采样值片段数量。
15、结合第一方面的第三种可能的实现方式，在第一方面的第五种可能的实现方式中，第二插值公式为：
16、
17、其中，表示冷却塔送风量中第个采样值缺失时所填补的缺失值，为冷却塔送风量中第个采样值，为冷却塔送风量中第个采样值，为该阶段内的冷却塔送风量均值，为自然风速，不小于0，为自然风速对冷却塔送风量的增益指数，为权重，满足：
18、 ，
19、其中，为参照风速，基于冷却塔能承受的风速决定。
20、结合第一方面的第二种可能的实现方式，在第一方面的第六种可能的实现方式中，对预处理后的每条历史数据进行特征提取，得到对应的特征数据，包括：针对预处理后的每条历史数据：对第条历史数据中的冷却水流量、冷却水进水温度、冷却塔送风量、室外温度、室外湿度和自然风速进行统计特征提取，据此形成每种参数对应的特征向量；将第条历史数据中每种参数的特征向量进行拼接融合，得到历史数据对应的特征数据。
21、结合第一方面的第二种可能的实现方式，在第一方面的第七种可能的实现方式中，基于预处理后的历史数据中的冷却塔运行功率，构建历史数据对应的功率标识，包括：针对第条历史数据：获取第条历史数据和第条历史数据的冷却塔运行功率，其中，第条历史数据所处阶段与第条历史数据所处阶段属于连续的两个阶段，且第条历史数据所处阶段位于第条历史数据所处阶段之后；基于第条历史数据的冷却塔运行功率和第条历史数据的冷却塔运行功率，形成第条历史数据对应的功率标识。
22、结合第一方面的第二种可能的实现方式，在第一方面的第八种可能的实现方式中，基于预处理后的每条历史数据中的hvac系统能耗，构建每条历史数据对应的能耗标签，包括：针对第条历史数据：获取第条历史数据和第条历史数据的hvac系统能耗，其中，第条历史数据所处阶段与第条历史数据所处阶段属于连续的两个阶段，第条历史数据所处阶段与第条历史数据所处阶段属于连续的两个阶段，且第条历史数据所处阶段位于第条历史数据所处阶段之后，第条历史数据所处阶段位于第条历史数据所处阶段之后；采用以下公式计算能耗标签的数值：
23、 ，
24、其中，为第条历史数据对应的能耗标签的数值，为第条历史数据中的hvac系统能耗，为第条历史数据中的hvac系统能耗；将第条历史数据对应的能耗标签的数值，作为第条历史数据对应的能耗标签。
25、结合第一方面的第八种可能的实现方式，在第一方面的第九种可能的实现方式中，人工智能模型框架包含输入单元、个预测单元和决策单元，输入单元用于接收输入的数据，并将输入的数据按照功率标识传输至对应的预测单元；每个预测单元，用于基于输入的数据，预测在对应的冷却系统控制策略下后两个阶段的hvac系统能耗之和，并将发送给决策单元，其中，，为冷却系统控制策略的数量，与预测单元数量相同，为冷却塔运行功率的种类数量，，冷却系统控制策略包括种不调节冷却塔运行功率的策略和种调节冷却塔运行功率的策略；决策单元，用于从接收到的hvac系统能耗之和中确定出最小hvac系统能耗之和，输出对应的冷却系统控制策略。
26、有益效果：1.本方案通过构建能耗优化模型，采用人工智能模型框架，包含输入单元、个预测单元和决策单元，输入单元用于接收输入的数据，并将输入的数据按照功率标识传输至对应的预测单元；每个预测单元，用于基于输入的数据，预测在对应的冷却系统控制策略下后两个阶段的hvac系统能耗之和，并将发送给决策单元，从而利用决策单元从接收到的hvac系统能耗之和中确定出最小hvac系统能耗之和，输出对应的冷却系统控制策略。这样的方式可以实现对各种冷却系统控制策略下的能耗预测，确定出最优方案进行调控，实现hvac系统能耗的优化。
27、2.在进行预测时，设计个预测单元，预测当前阶段后的两个阶段的能耗，可以考虑到能耗优化的滞后体现（即，在下一阶段的冷却系统控制策略的调控下，其能耗优化可能会部分延伸到再后一阶段），从而更准确可靠地进行能耗优化。设计功率标识，作为每个预测单元训练时的区分，从而可以针对每种冷却系统控制策略更准确地进行预测（训练阶段，对各个预测单元进行独立的训练）。而在应用阶段，通过输入单元对输入数据进行标签处理，可以同时基于当前阶段对应的冷却塔运行功率，生成各种冷却系统控制策略，从而利用个预测单元预测各种冷却系统控制策略下的hvac系统能耗。
28、3.在进行数据预处理的阶段，针对各种参数的特性，采用适配的缺失值填补方案，并针对其中的冷却水流量设计了第一插值公式进行插值，针对冷却塔送风量设计了第二插值公式进行插值，可以很好地考虑到这两种参数的特性，进行更精准的缺失值填充，保证训练效果。
1.一种基于人工智能的hvac系统能耗优化方法，其特征在于，包括：
2.根据权利要求1所述的基于人工智能的hvac系统能耗优化方法，其特征在于，能耗优化模型的构建过程为：
3.根据权利要求2所述的基于人工智能的hvac系统能耗优化方法，其特征在于，对每条历史数据进行处理，形成对应的训练数据，包括：
4.根据权利要求3所述的基于人工智能的hvac系统能耗优化方法，其特征在于，对预处理后的历史数据进行特征提取，包括：
5.根据权利要求4所述的基于人工智能的hvac系统能耗优化方法，其特征在于，第一插值公式为：
6.根据权利要求4所述的基于人工智能的hvac系统能耗优化方法，其特征在于，第二插值公式为：
7.根据权利要求3所述的基于人工智能的hvac系统能耗优化方法，其特征在于，对预处理后的每条历史数据进行特征提取，得到对应的特征数据，包括：
8.根据权利要求3所述的基于人工智能的hvac系统能耗优化方法，其特征在于，基于预处理后的历史数据中的冷却塔运行功率，构建历史数据对应的功率标识，包括：
9.根据权利要求3所述的基于人工智能的hvac系统能耗优化方法，其特征在于，基于预处理后的每条历史数据中的hvac系统能耗，构建每条历史数据对应的能耗标签，包括：
10.根据权利要求9所述的基于人工智能的hvac系统能耗优化方法，其特征在于，人工智能模型框架包含输入单元、个预测单元和决策单元，
