本发明属于节能控制，尤其涉及基于深度学习的集中空调制冷系统节能控制方法及系统。
背景技术：
1、制冷机房的制冷系统是现代工业和商业建筑中不可或缺的基础设施之一，广泛应用于数据中心、冷链物流、制造业等领域。这些机房通过制冷设备控制温度和湿度，以保障设备的正常运行和产品的质量。然而，制冷机房的制冷系统也是高能耗的设备，长期运行过程中，其能耗占据了建筑总能耗的很大比例。因此，优化制冷机房的制冷系统的能耗管理对降低运营成本和减少环境负担至关重要。当前，制冷机房的制冷系统的节能控制方法主要依赖于预设的控制策略和经验规则，这些方法通常基于历史数据或静态的工况模型，通过调整设备的运行参数，如压缩机的启停时间、冷媒流量、风机转速等，来实现一定程度的节能。
2、然而，这些传统的控制方法存在显著的局限性。首先，制冷机房的制冷系统的工况和负载变化复杂，传统方法难以动态适应环境和负载的快速变化，导致节能效果不理想。其次，传统方法往往依赖于预设的控制模型或简单的反馈控制，缺乏对系统全局优化的能力，容易陷入局部最优，难以实现整体能耗的最小化。此外，随着大数据和智能化技术的发展，制冷机房的制冷系统的数据量和数据维度日益增加，传统方法难以充分利用这些数据进行深度分析和优化，导致能源浪费和管理效率低下。最后，传统控制系统在处理设备间复杂的交互关系时也显得力不从心，无法有效协调各设备的运行，从而进一步降低了系统的整体能效。
3、现有的一些改进方法如基于模型预测控制（mpc）和基于规则的自适应控制虽然在一定程度上提高了控制的灵活性和响应速度，但仍然面临以下挑战：一是难以处理多变量之间的复杂非线性关系，导致系统优化效果有限；二是在多机房或大型制冷机房的制冷系统中，协同控制的能力不足，各机房间难以实现协同优化，造成资源浪费；三是对于突发的异常情况，传统系统缺乏智能识别和响应的能力，难以实时调整控制策略，防止能耗异常。综上所述，现有的制冷机房的制冷系统节能控制技术还存在许多亟待解决的问题，迫切需要一种更为智能、高效且能够自适应多种工况的节能控制方法。
技术实现思路
1、本发明的目的是提出基于深度学习的集中空调制冷系统节能控制方法及系统，通过引入多种深度学习和智能优化技术，提供了全新的节能控制解决方案，能够动态适应复杂多变的环境工况，实现全局能效优化。
2、为了达到上述目的，在本发明的第一方面提供了基于深度学习的集中空调制冷系统节能控制方法，所述方法包括：
3、s1、在制冷机房的制冷系统部署多种类型的传感器监测关键参数，并对关键参数进行时间同步处理和预处理，引入温湿联合指数和设备状态平稳度对预处理后的数据进行特征提取；其中，所述关键参数包括温度、湿度、能耗和设备的运行状态；
4、s2、构建基于多任务学习的深度学习模型，将深度学习模型训练任务分为实时控制的任务和能耗预测和异常检测的任务，同时在深度学习模型中加入混合正则化策略防止深度学习模型的训练过拟合；所述混合正则化策略结合正则化和稀疏正则化；
5、s3、设计基于多尺度状态表示和混合策略优化的自适应强化学习模型通过使用基于多任务学习的深度学习模型的输出的训练对制冷机房的制冷系统的运行参数进行优化；
6、s4、设计基于自适应权重共享机制的联邦学习方案在多个分布式制冷机房的制冷系统之间实现制冷机房的制冷系统运行参数的协同优化；
7、s5、根据制冷机房的制冷系统出现复杂非线性行为和突发异常的时候的操作，则根据能耗预测和异常检测的任务的损失函数构建基于自适应时序的多阶自回归模型对制冷机房的制冷系统进行能耗预测和异常检测，在训练过程中自适应权重调整机制，如果某一时间段的预测误差较大，则当前时间段的数据在后续训练中将被赋予更高的权重，同时设计正则化项提高基于自适应时序的多阶自回归模型在处理高维特征时的稳定性，并减少过拟合风险；
8、s6、定义多目标优化模型将多个目标整合并引入风险评估正则项评估潜在的系统风险，同时设置动态权重调整多目标优化模型的损失函数确保制冷机房的制冷系统在不同工况下始终聚焦于当前最为重要的目标，最后设置基于强化学习的反馈控制并引入对多目标优化模型进行优化，并引入基于蒙特卡罗仿真的扰动评估机制模拟制冷机房的制冷系统出现的外部扰动，然后对制冷机房的制冷系统的控制策略进行评估与筛选，确保控制策略在各种条件下的稳健性；
9、其中，所述自适应强化学习模型的构建如下：
10、引入多尺度状态表示方法定义状态表示，将原始状态表示分解为多个尺度的特征表示，表示如下：
11、；
12、其中，表示在第m个尺度下的特征输入，为当前尺度的特征权重矩阵；
13、根据多个尺度的特征表示设计了混合策略优化机制，处理高维连续控制问题，所述混合策略优化机制，表示如下：
14、；
15、其中，表示最优策略，表示折扣因子，表示即时奖励，π表示旧的策略，t表示总时间时长，t表示当前时刻；
16、引入了温度调整机制，通过监测系统的性能变化，自动调整探索率和学习率，表示如下：
17、；
18、其中，和分别表示最小和最大探索率，表示调整速度参数。
19、优选的，多种类型的传感器布置在不同的空间位置和设备上，形成了一个多维度的数据采集矩阵，表示如下：
20、；
21、其中，表示位置i处的温度，表示第i台设备的湿度，表示第i台设备的功率消耗，表示第i台压缩机的状态，0表示关闭，1表示启动，表示第i台设备的风机转速，n为传感器总数；
22、所述时间同步处理表示如下：
23、；
24、其中，表示时间同步处理的第i个传感器的数据，表示第i个传感器的原始数据，为传感器的时间延迟，是同步调节系数，是基于历史数据计算的动态时间偏移项，用于细化时间同步；
25、所述预处理包括数据校准与噪声处理、数据清洗与缺失值填补和数据标准化。
26、优选的，所述温湿联合指数结合温度和湿度的特征，表示如下：
27、；
28、所述设备状态平稳度反映设备运行状态的平稳性，表示如下：
29、；
30、其中，t表示窗口总数，k表示第k个数据点。
31、优选的，所述基于多任务学习的深度学习模型的损失函数表示如下：
32、；
33、其中，表示控制任务的损失函数，表示能耗预测和异常检测任务的损失函数，表示正则化项，用于防止过拟合，、和表示任务之间的权重系数，表示基于多任务学习的深度学习模型的模型参数；
34、其中，所述控制任务的损失函数，表示如下：
35、；
36、其中，表示在时间步t上获得的即时奖励，表示时间步t的折扣因子，用于平衡短期和长期收益；
37、所述能耗预测和异常检测任务的损失函数，表示如下：
38、；
39、其中，表示模型预测的能耗值，表示真实能耗值，表示正则化系数，表示预测输出对输入特征的二阶导数，m表示特征总数，n表示样本总数；
40、所述混合正则化策略，表示如下：
41、；
42、其中，表示混合正则化项目，表示正则化项，表示第k个特征权重的正则化项，k表示特征数，和表示对应的正则化系数。
43、优选的，所述s4，具体包括：
44、s401、设计各机房本地模型的训练目标，其中，在每个机房中，本地模型的目标是最小化本地损失函数，表示如下：
45、；
46、其中，和表示第i条训练样本的数据和标签，表示机房k的模型参数，表示正则化系数，表示机房的个性化特征矩阵，表示逐元素乘积，表示损失函数，表示机房的实际运行数据，表示机房的运行特点；
47、s402、在各个机房完成本地模型训练后，使用自适应权重共享机制在全局范围内进行协同优化，表示如下：
48、；
49、其中，表示全局模型参数，表示与机房k的数据质量、模型性能相关的自适应权重；
50、s403、将更新后的全局模型参数通过反馈机制传回各个机房，同时设计动量修正机制，调整新旧参数的融合程度，将修正后的全局模型参数作为下一轮本地训练的初始参数；其中，所述动量修正机制表示如下：
51、；
52、其中，表示动量因子，控制新旧参数的权重比重。
53、优选的，所述自适应权重，计算如下：
54、；
55、其中，表示控制权重分布敏感度的调节参数，表示机房k的全局模型参数，表示机房j的全局模型参数，表示机房k的本地损失函数， 表示机房j的本地损失函数。
56、优选的，所述基于自适应时序的多阶自回归模型的预测公式表示如下：
57、；
58、其中，表示在时间步t的预测能耗值，表示前i个时间步的实际能耗值，表示自回归系数，表示移动平均系数，表示前j个时间步的残差，表示偏移项；表示多维度特征修正项，其中，表示时间步t的多维特征向量，表示多维度特征修正项对应的权重向量；
59、设计基于自适应时序的多阶自回归模型的多任务损失函数，所述多任务损失函数包括能耗预测损失和异常检测损失，表示如下：
60、；
61、其中，和分别表示能耗预测误差和异常检测损失的权重系数，表示用于检测异常的阈值，表示残差的标准差，用于对异常值的置信度加权，表示在时间步t的实际能耗值；
62、其中，用于最小化预测误差，通过置信度调整，对出现的异常情况赋予更高的检测权重。
63、优选的，在基于自适应时序的多阶自回归模型的训练过程中，如果某一时间段的预测误差大，则当前时间段的数据在后续训练中将被赋予最高的权重，其中，所述权重调整公式表示如下：
64、；
65、其中，表示时间步t的样本权重，表示权重调整的敏感度参数；
66、所述设计正则化项提高基于自适应时序的多阶自回归模型在处理高维特征时的稳定性，所述正则化项 ，表示如下：
67、；
68、其中，表示第i个特征的权重向量，、和分别表示正则化的超参数，表示用于防止分母为零的小常数。
69、优选的，所述多目标优化模型的综合损失函数表示如下：
70、；
71、其中，表示时间步t的能耗，表示制冷效率，表示温度波动的标准差，表示温度的变化率，表示风险评估正则项，用于评估潜在的系统风险，、、、分别表示各目标的权重系数；其中，所述目标包括能耗、制冷效率和系统稳定性；
72、所述风险评估正则项表示如下：
73、；
74、其中，表示系统的第k个控制参数，表示风险权重系数，表示能耗对控制参数的二阶导数，用于捕捉系统的敏感性，表示温度波动对控制参数的灵敏度；
75、所述设置动态权重调整多目标优化模型的损失函数，在实际运行中，根据系统的实时状态，自动调整损失函数中各目标的权重系数，表示如下：
76、；
77、其中，表示初始基础权重，表示调节系数，表示时间步t的扰动项，用于引入一定的随机性以防止陷入局部最优解。
78、在本发明的第二方面提供了基于深度学习的制冷机房的制冷系统节能控制系统，所述系统包括：
79、参数收集模块，用于在制冷机房的制冷系统部署多种类型的传感器监测关键参数，并对关键参数进行时间同步处理和预处理，引入温湿联合指数和设备状态平稳度对预处理后的数据进行特征提取；其中，所述关键参数包括温度、湿度、能耗和设备的运行状态；
80、能耗预测和异常检测模块，用于构建基于多任务学习的深度学习模型，将深度学习模型训练任务分为实时控制的任务和能耗预测和异常检测的任务，同时在深度学习模型中加入混合正则化策略防止深度学习模型的训练过拟合；所述混合正则化策略结合正则化和稀疏正则化；
81、运行参数优化模块，用于设计基于多尺度状态表示和混合策略优化的自适应强化学习模型通过使用基于多任务学习的深度学习模型的输出的训练对制冷机房的制冷系统的运行参数进行优化；
82、联邦模型构建模块，用于设计基于自适应权重共享机制的联邦学习方案在多个分布式制冷机房的制冷系统之间实现制冷机房的制冷系统运行参数的协同优化；
83、突发异常优化模块，用于根据制冷机房的制冷系统出现复杂非线性行为和突发异常的时候的操作，则根据能耗预测和异常检测的任务的损失函数构建基于自适应时序的多阶自回归模型对制冷机房的制冷系统进行能耗预测和异常检测，在训练过程中自适应权重调整机制，如果某一时间段的预测误差较大，则当前时间段的数据在后续训练中将被赋予更高的权重，同时设计正则化项提高基于自适应时序的多阶自回归模型在处理高维特征时的稳定性，并减少过拟合风险；
84、系统优化模块，用于定义多目标优化模型将多个目标整合并引入风险评估正则项评估潜在的系统风险，同时设置动态权重调整多目标优化模型的损失函数确保制冷机房的制冷系统在不同工况下始终聚焦于当前最为重要的目标，最后设置基于强化学习的反馈控制并引入对多目标优化模型进行优化，并引入基于蒙特卡罗仿真的扰动评估机制模拟制冷机房的制冷系统出现的外部扰动，然后对制冷机房的制冷系统的控制策略进行评估与筛选，确保控制策略在各种条件下的稳健性；
85、其中，所述自适应强化学习模型的构建如下：
86、引入多尺度状态表示方法定义状态表示，将原始状态表示分解为多个尺度的特征表示，表示如下：
87、；
88、其中，表示在第m个尺度下的特征输入，为当前尺度的特征权重矩阵；
89、根据多个尺度的特征表示设计了混合策略优化机制，处理高维连续控制问题，所述混合策略优化机制，表示如下：
90、；
91、其中，表示最优策略，表示折扣因子，表示即时奖励，π表示旧的策略，t表示总时间时长，t表示当前时刻；
92、引入了温度调整机制，通过监测系统的性能变化，自动调整探索率和学习率，表示如下：
93、；
94、其中，和分别表示最小和最大探索率，表示调整速度参数。
95、本发明的有益技术效果至少在于以下：
96、本发明通过自适应强化学习模型，实时优化制冷机房的制冷系统的控制策略，解决了传统方法难以动态应对复杂工况变化的问题。当前模型通过不断学习和调整控制参数，如压缩机的启动时间、冷媒流量、风机转速等，确保系统在不同负载和环境条件下始终保持高效能运行，克服了传统方法静态控制的局限性。
97、本发明采用了联邦学习技术，实现了多机房间的协同优化控制。各机房通过本地训练的深度学习模型共享部分参数，在保证数据隐私的前提下，共同优化整体的节能策略，解决了现有技术中多机房协同控制能力不足的问题，显著提高了大规模分布式制冷机房的制冷系统的整体能效。
98、本发明还引入了生成对抗网络（gan）进行能耗预测和异常检测。通过gan模型的生成器和判别器，系统能够准确预测未来的能耗趋势，并实时监测能耗异常情况，提供早期预警和自动调整策略，解决了传统系统在应对突发异常时响应不及时、调整不智能的问题。
99、本发明通过深度迁移学习技术，将在其他类似场景中训练的模型应用到新机房中，减少模型重新训练的时间和成本，同时保证高效能的控制效果。迁移学习有效解决了传统系统在多变环境下模型泛化能力差的问题，使得系统能够快速适应不同的应用场景。
100、本发明通过整合自适应强化学习、联邦学习、生成对抗网络、深度迁移学习等最新技术，提供了一种高度智能化的制冷机房的制冷系统节能控制系统。当前系统能够动态适应多变的工况，协同优化多机房的节能策略，并在突发异常情况下迅速响应和调整控制策略，实现了全局能效的最优配置，大幅提升了制冷机房的制冷系统的节能效果和管理效率。
1.基于深度学习的集中空调制冷系统节能控制方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于深度学习的集中空调制冷系统节能控制方法，其特征在于，多种类型的传感器布置在不同的空间位置和设备上，形成了一个多维度的数据采集矩阵，表示如下：
3.根据权利要求2所述的基于深度学习的集中空调制冷系统节能控制方法，其特征在于，所述温湿联合指数结合温度和湿度的特征，表示如下：
4.根据权利要求1所述的基于深度学习的集中空调制冷系统节能控制方法，其特征在于，所述基于多任务学习的深度学习模型的损失函数表示如下：
5.根据权利要求1所述的基于深度学习的集中空调制冷系统节能控制方法，其特征在于，所述s4，具体包括：
6.根据权利要求5所述的基于深度学习的集中空调制冷系统节能控制方法，其特征在于，所述自适应权重，计算如下：
7.根据权利要求1所述的基于深度学习的集中空调制冷系统节能控制方法，其特征在于，所述基于自适应时序的多阶自回归模型的预测公式表示如下：
8.根据权利要求7所述的基于深度学习的集中空调制冷系统节能控制方法，其特征在于，在基于自适应时序的多阶自回归模型的训练过程中，如果某一时间段的预测误差大，则当前时间段的数据在后续训练中将被赋予最高的权重，其中，所述权重调整公式表示如下：
9.根据权利要求1所述的基于深度学习的集中空调制冷系统节能控制方法，其特征在于，所述多目标优化模型的综合损失函数表示如下：
10.基于深度学习的制冷机房的制冷系统节能控制系统，其特征在于，所述系统包括：
