本發(fā)明涉及智能樓宇領域，具體涉及智能樓宇中暖通空調(diào)系統(tǒng)的自動化控制，利用遺傳算法和深度BP神經(jīng)網(wǎng)絡算法以實現(xiàn)對樓宇中暖通空調(diào)設備智能化控制和節(jié)能的方法。

背景技術：

遺傳算法(Genetic Algorithm)是模擬達爾文生物進化論的自然選擇和遺傳學機理的生物進化過程的計算模型，是一種通過模擬自然進化過程搜索最優(yōu)解的方法。

人工神經(jīng)網(wǎng)絡(Artificial Neural Network，即ANN)，它從信息處理角度對人腦神經(jīng)元網(wǎng)絡進行抽象，建立的簡單模擬模型，按不同的連接方式組成不同的網(wǎng)絡。最近十多年來，人工神經(jīng)網(wǎng)絡的研究工作不斷深入，已經(jīng)取得了很大的進展，其在模式識別、智能機器人、自動控制、預測估計、生物、醫(yī)學、經(jīng)濟等領域已成功地解決了許多現(xiàn)代計算機難以解決的實際問題，表現(xiàn)出了良好的智能特性。

BP(Back Propagation，反向傳播)神經(jīng)網(wǎng)絡，是一種按誤差逆?zhèn)鞑ニ惴ㄓ柧毜亩鄬忧梆伨W(wǎng)絡，是目前應用最廣泛的神經(jīng)網(wǎng)絡模型之一。BP網(wǎng)絡能學習和存貯大量的輸入-輸出模式映射關系，而無需事前揭示描述這種映射關系的數(shù)學方程。它的學習規(guī)則是使用梯度下降法，通過反向傳播來不斷調(diào)整網(wǎng)絡的權值和閾值，使網(wǎng)絡的誤差平方和最小。BP神經(jīng)網(wǎng)絡模型拓撲結構包括輸入層(input)、隱層(hidden layer)和輸出層(output layer)。

Sigmoid函數(shù)，是一個在生物學中常見的S型的函數(shù)，也稱為S型生長曲線。在信息科學中，由于其單增以及反函數(shù)單增等性質(zhì)，Sigmoid函數(shù)常被用作神經(jīng)網(wǎng)絡的閾值函數(shù)，將變量映射到0,1之間。

BAS(Building Automation System)，即樓宇自動化系統(tǒng)或建筑設備自動化系統(tǒng)，是將建筑物或建筑群內(nèi)的電力、照明、空調(diào)、給排水、消防、運輸、保安、車庫管理設備或系統(tǒng)，以集中監(jiān)視、控制和管理為目的而構成的綜合系統(tǒng)。

IBMS(Intelligent Building Management System)，即智能建筑/樓宇管理系統(tǒng)。IBMS是在BAS的基礎上更進一步的與通信網(wǎng)絡系統(tǒng)、信息網(wǎng)絡系統(tǒng)實現(xiàn)更高一層的建筑集成管理系統(tǒng)。IBMS的核心是把樓宇建筑中各種子系統(tǒng)集成為一個“有機”的統(tǒng)一系統(tǒng)，其接口界面標準化、規(guī)范化，完成各子系統(tǒng)的信息交換和通訊協(xié)議轉(zhuǎn)換，實現(xiàn)五個方面的功能集成：所有子系統(tǒng)信息的集成和綜合管理，對所有子系統(tǒng)的集中監(jiān)視和控制，全局事件的管理，流程自動化管理。最終實現(xiàn)集中監(jiān)視控制與綜合管理的功能。

暖通空調(diào)(Heating,Ventilation and Air Conditioning，簡稱HVAC)是指室內(nèi)或車內(nèi)負責暖氣、通風及空氣調(diào)節(jié)的系統(tǒng)或相關設備。

隨著社會的發(fā)展，智能建筑節(jié)能是世界性的大潮流和大趨勢，是21世紀中國建筑事業(yè)發(fā)展的一個重點和熱點，同時也是中國改革和發(fā)展的迫切要求，而節(jié)能和環(huán)保是實現(xiàn)可持續(xù)發(fā)展的關鍵。從可持續(xù)發(fā)展理論出發(fā)，建筑節(jié)能的關鍵又在于提高能量效率，因此應把提高能量效率作為建筑節(jié)能的著眼點，在實現(xiàn)智能樓宇高度現(xiàn)代化、高度舒適的同時能實現(xiàn)能源消耗大幅度降低，以達到樓宇建筑節(jié)能增效和降低營運成本的目的。

暖通空調(diào)系統(tǒng)在智能樓宇中應用廣泛，其在樓宇的整體能耗所占比例較大，超過了25％。而暖通空調(diào)系統(tǒng)當前的節(jié)能手段有限，通常只能通過合理的工程設計、改善建筑保溫性能、提高控制水平等手段來實現(xiàn)節(jié)能的目的。

目前暖通空調(diào)系統(tǒng)的控制方式有兩種：人工手動控制和設置參數(shù)自動控制。這兩種控制方式都是基于人的經(jīng)驗進行預先設置，在實際運行過程中，暖通空調(diào)系統(tǒng)節(jié)能控制和環(huán)境體感舒適度感知上有很大的主觀隨意性和局限性。

技術實現(xiàn)要素：

基于上述問題，本發(fā)明提出基于遺傳算法和神經(jīng)網(wǎng)絡算法來提升暖通空調(diào)系統(tǒng)的智能控制水平，對暖通空調(diào)系統(tǒng)的傳感器、執(zhí)行器、控制器等若干環(huán)節(jié)采集到的量化數(shù)據(jù)進行分析和預測，從而輸出暖通空調(diào)系統(tǒng)最佳運行控制參數(shù)，可持續(xù)的對運行中的系統(tǒng)進行控制調(diào)整，達到整體效能最佳、環(huán)境舒適度感知最佳和主動節(jié)能的目的。

本發(fā)明提供一種基于遺傳算法和深度BP神經(jīng)網(wǎng)絡算法的暖通空調(diào)系統(tǒng)自動化控制方法，以解決暖通空調(diào)系統(tǒng)日常運行過程主動節(jié)能控制問題，以及改善智能樓宇室內(nèi)環(huán)境舒適度的體感體驗。

本發(fā)明采用如下技術方案實現(xiàn)：

一種基于遺傳算法和深度BP神經(jīng)網(wǎng)絡算法的暖通空調(diào)系統(tǒng)自動化控制方法，通過對IBMS采集到的暖通空調(diào)系統(tǒng)的控制參數(shù)和環(huán)境指標參數(shù)進行數(shù)據(jù)量化，利用該數(shù)據(jù)作為訓練樣本，進行神經(jīng)網(wǎng)絡訓練，建立暖通空調(diào)節(jié)能控制預測模型，利用BP神經(jīng)網(wǎng)絡的特性實現(xiàn)暖通空調(diào)系統(tǒng)的復雜建模；其中引入遺傳算法解決BP神經(jīng)網(wǎng)絡訓練過程中陷入局部最優(yōu)和收斂慢的問題；

在神經(jīng)網(wǎng)絡訓練完成后，IBMS通過采集到的空調(diào)系統(tǒng)配置數(shù)據(jù)和環(huán)境監(jiān)測數(shù)據(jù)，從環(huán)境舒適性和節(jié)能的角度出發(fā)，周期性的嘗試計算空調(diào)運行參數(shù)，并輸入到神經(jīng)網(wǎng)絡中進行預測，根據(jù)神經(jīng)網(wǎng)絡的反饋結果，IBMS對暖通空調(diào)系統(tǒng)進行自動化運行調(diào)整，最終達到環(huán)境感知最優(yōu)和主動節(jié)能的目的。

具體步驟如下；

步驟S201、IBMS系統(tǒng)通過收集當前暖通空調(diào)運行數(shù)據(jù)和環(huán)境監(jiān)測數(shù)據(jù)，并完成數(shù)據(jù)歸一化處理；

步驟S202、IBMS系統(tǒng)從環(huán)境舒適度和節(jié)能角度，計算下一刻暖通空調(diào)運行調(diào)整參數(shù)；

步驟S203、將下一刻運行調(diào)整參數(shù)輸入到已訓練好的神經(jīng)網(wǎng)絡中進行有效性評估；

步驟S204、已訓練好的神經(jīng)網(wǎng)絡輸出評估結果，如果評估結果未達到理想水平，則IBMS系統(tǒng)重新計算調(diào)整參數(shù)，重新進行評估；

步驟S205、暖通空調(diào)運行調(diào)整參數(shù)評估達到理想水平，IMBS系統(tǒng)則輸出控制信號，對暖通空調(diào)進行運行參數(shù)調(diào)整；

步驟S206、暖通空調(diào)系統(tǒng)運行調(diào)整控制流程結束。

所述神經(jīng)網(wǎng)絡訓練的過程包括：

確定輸入?yún)?shù)；

在確定輸入?yún)?shù)之后，進行輸入?yún)?shù)歸一化處理，離差標準化，是對原始數(shù)據(jù)的線性變換，使數(shù)值映射到[0–1.0]之間；轉(zhuǎn)換函數(shù)如下：

其中，max為樣本數(shù)據(jù)值域最大值，min為樣本數(shù)據(jù)值域最小值，x為樣本數(shù)據(jù)抽樣值，x*為線性變換后的數(shù)據(jù)值；

在歸一化處理之后，開始構建基礎的神經(jīng)網(wǎng)絡，確定神經(jīng)網(wǎng)絡層數(shù)以及各層神經(jīng)元的數(shù)量；

在確定完每一層神經(jīng)元數(shù)量之后，設置激勵函數(shù)：

其中，e為自然常數(shù)；

設置每個神經(jīng)元的偏置量Bias值，即每個神經(jīng)元的默認權重值；

利用遺傳算法通過學習尋找一組滿足要求的權重系數(shù)，使給定的誤差函數(shù)最??；在學習過程中，判斷網(wǎng)絡的誤差值是否滿足要求使用以下計算方法：

其中，t_j為期望值，y_j為每個神經(jīng)元的輸出值，E^p為一個神經(jīng)層的誤差和，E為整個神經(jīng)網(wǎng)絡的誤差和；

通過多輪的學習，直到誤差達到預計精度才開始停止訓練。

通過遺傳算法調(diào)整BP神經(jīng)網(wǎng)絡初始神經(jīng)元之間的權值訓練步驟如下；

步驟S102、BP神經(jīng)網(wǎng)絡參數(shù)初始化，對樣本數(shù)據(jù)進行歸一化處理，訓練后再對輸出進行反歸一化處理，訓練樣本，經(jīng)過歸一化處理后用遺傳算法和深度BP神經(jīng)網(wǎng)絡算法預測模型進行訓練；

步驟S103、初始化種群，采用輪盤賭來獲取種群，種群大小可根據(jù)經(jīng)驗值確定，基本原理是對樣本進行抽樣計算，通過雜交操作來達到優(yōu)化的目的；

步驟S104、計算種群適應值，預測數(shù)據(jù)與期望數(shù)據(jù)之間的誤差作為適應度函數(shù)；

步驟S105、雜交操作，雜交率根據(jù)經(jīng)驗值來調(diào)整，并通過實驗來確定；

在步驟S106、變異操作，變異率根據(jù)經(jīng)驗值來調(diào)整，并通過實驗來確定；

步驟S107、循環(huán)進行選擇、交叉、變異、計算適應值操作，直到達到進化次數(shù)，得到最優(yōu)的初始權值；

步驟S108、獲取神經(jīng)網(wǎng)絡初始權重，利用遺傳算法初始化權重、閾值，當遺傳算法執(zhí)行完一代時，新一代的權重重新插入神經(jīng)網(wǎng)絡；

步驟S109、計算隱藏層、輸出層節(jié)點的輸出值；

步驟S110、計算隱藏層、輸出層的輸出誤差值；

步驟S111、使用誤差計算方法計算誤差，判斷是否達到可接受的誤差范圍，可接受的誤差則訓練結束；

步驟S112、不斷調(diào)整各層連接權重及閾值；

步驟S113、神經(jīng)網(wǎng)絡訓練結束。

本發(fā)明所描述的控制方法需要與智能樓宇管理系統(tǒng)(以下簡稱IBMS)進行整合，整個發(fā)明分成兩個部分：一是從IBMS中獲取暖通空調(diào)系統(tǒng)日常運行數(shù)據(jù)和室內(nèi)外環(huán)境監(jiān)測數(shù)據(jù)，利用獲取的樣本數(shù)據(jù)對神經(jīng)網(wǎng)絡進行訓練，期間會使用遺傳算法進行權值雜加變異，進行多重訓練直至神經(jīng)網(wǎng)絡成熟；二是IBMS根據(jù)已訓練成熟的神經(jīng)網(wǎng)絡中獲取暖通空調(diào)系統(tǒng)控制評估參數(shù)，對暖通空調(diào)系統(tǒng)運行參數(shù)進行控制調(diào)整。

由于暖通空調(diào)系統(tǒng)本身的工況復雜性，具有非線性、大滯后及環(huán)境影響等復雜控制特性，使得基礎建模非常困難，為了提高系統(tǒng)控制效果，實現(xiàn)可預測的精確控制，本發(fā)明利用暖通空調(diào)系統(tǒng)日常運行數(shù)據(jù)作為訓練樣本，進行神經(jīng)網(wǎng)絡訓練，建立暖通空調(diào)節(jié)能控制預測模型。

利用本發(fā)明中描述的方法實現(xiàn)智能樓宇內(nèi)暖通空調(diào)系統(tǒng)自動化控制方法，具有以下幾個優(yōu)點：

(1)基于暖通空調(diào)系統(tǒng)日常運行數(shù)據(jù)和環(huán)境監(jiān)測數(shù)據(jù)來訓練預測模型，實現(xiàn)空調(diào)的完全自動化智能控制，并能得到較好的環(huán)境舒適度感知。

(2)實現(xiàn)暖通空調(diào)的自動控制空調(diào)開啟、關閉，自動調(diào)節(jié)溫度、濕度、通風值，能達到理想的節(jié)能效果。

附圖說明

圖1為實施例中神經(jīng)網(wǎng)絡計算單元與IBMS系統(tǒng)之間的關系示意圖；

圖2為實施例中結合遺傳算法的BP神經(jīng)網(wǎng)絡訓練流程圖；

圖3為實施例中利用神經(jīng)網(wǎng)絡評估暖通空調(diào)系統(tǒng)控制參數(shù)有效性，實現(xiàn)智能化控制的流程圖。

具體實施方式

本發(fā)明的最佳實施例需要用到IBMS系統(tǒng)，并且IBMS系統(tǒng)要有暖通空調(diào)系統(tǒng)數(shù)據(jù)采集接入和控制能力。其中IBMS能夠采集暖通空調(diào)系統(tǒng)、環(huán)境溫度、濕度監(jiān)測等數(shù)據(jù)。本發(fā)明提出的控制方法屬于IBMS系統(tǒng)中的一部分，與IBMS的關系見圖1所示。在具本實施過程中還需要具備BP神經(jīng)網(wǎng)絡和遺傳算法相應的基礎知識。

本發(fā)明提出暖通空調(diào)系統(tǒng)控制方法主要通過對IBMS采集到的暖通空調(diào)系統(tǒng)各項控制參數(shù)和環(huán)境指標參數(shù)進行數(shù)據(jù)量化，利用BP神經(jīng)網(wǎng)絡的特性實現(xiàn)暖通空調(diào)系統(tǒng)的復雜建模。

首先，確定輸入?yún)?shù)。IBMS系統(tǒng)在進行樓宇建筑信息化管理中，通常涉及了暖通空調(diào)系統(tǒng)控制參數(shù)、環(huán)境監(jiān)測數(shù)據(jù)、季節(jié)(春、夏、秋、冬)、時段、人流計數(shù)等。其中暖通空調(diào)控制參數(shù)主要包括當前空調(diào)送風溫度、送風濕度、送風風速；環(huán)境監(jiān)測數(shù)據(jù)主要包括室外溫度、室內(nèi)溫度、室外濕度、室內(nèi)濕度、室外風速、室內(nèi)風速、二氧化碳濃度、室外PM2.5濃度、室內(nèi)PM2.5濃度。

在確定輸入?yún)?shù)之后，進行輸入?yún)?shù)歸一化處理，離差標準化，是對原始數(shù)據(jù)的線性變換，使數(shù)值映射到[0,1.0]之間。轉(zhuǎn)換函數(shù)如下：

轉(zhuǎn)換函數(shù)中，max為樣本數(shù)據(jù)值域最大值，min為樣本數(shù)據(jù)值域最小值，x為樣本數(shù)據(jù)抽樣值。完成計算后，x*為線性變換后的數(shù)據(jù)值，值域為[0,1.0]區(qū)間內(nèi)。

對于非連續(xù)變化輸入變量的變換，比如季節(jié)，可以量化為：[春,夏,秋,冬]＝[0.0,0.33,0.66,1.0]；時段可以將全天24小時量化為：[0,1/24,…,23/24]。使用上述輸入變量變換方法，來完成輸入變量的數(shù)值變換工作。

在確定輸入?yún)?shù)后，開始構建基礎的神經(jīng)網(wǎng)絡。在實施過程中選擇構建3層神經(jīng)網(wǎng)絡，包括了1個輸入層、1個輸出層和1個隱含層。通常情況下神經(jīng)網(wǎng)絡層數(shù)的選取需要基于經(jīng)驗來判斷，為了描述上的便利，這里選擇層數(shù)為3。

在確定神經(jīng)網(wǎng)絡層數(shù)后，開始確定各層神經(jīng)元的數(shù)量。本實施例中選擇輸入層神經(jīng)元數(shù)量為5，因為從IBMS系統(tǒng)各獲取的輸入?yún)?shù)分為了5類共15個量化指標：暖通空調(diào)系統(tǒng)控制參數(shù)、環(huán)境監(jiān)測數(shù)據(jù)、季節(jié)(春、夏、秋、冬)、時段、人流計數(shù)，因此在本實施例中根據(jù)輸入數(shù)據(jù)分類選擇輸入層神經(jīng)元數(shù)量為5。輸出層神經(jīng)元個數(shù)選擇為3個，那么中間隱含層神經(jīng)元個數(shù)為4個，計算方法可以使用如下經(jīng)驗公式：

其中，in為輸入層神經(jīng)元個數(shù)，out為輸出層神經(jīng)元個數(shù)，h為隱含層神經(jīng)元的個數(shù)；

在確定完每一層神經(jīng)元數(shù)量之后，為每個神經(jīng)設置Sigmoid激勵函數(shù)。BP神經(jīng)網(wǎng)絡一般使用Sigmoid函數(shù)或者線性函數(shù)作為激勵函數(shù)，利用Sigmoid函數(shù)或其導數(shù)可以求得BP神經(jīng)網(wǎng)絡里某個神經(jīng)元的總和、目標值和誤差值。公式描述如下：

其中，e為自然常數(shù)e(約為2.71828)，計算后f(x)的值域為[0,1]區(qū)間，以此來判斷神經(jīng)元是激活狀態(tài)還是抑制狀態(tài)。

設置每個神經(jīng)元的偏置量Bias值，也就是每個神經(jīng)元的默認權重值。神經(jīng)網(wǎng)絡的本質(zhì)是一個復雜的非線性表達式，而bias相當于其零次項系數(shù)。在本實施例中設置為1。

至此基本可以建立起含有一個隱含層的標準的BP神經(jīng)網(wǎng)絡。但是標準BP神經(jīng)網(wǎng)絡存在以下缺點：收斂速度慢，陷入局部最優(yōu)，難于確定隱含層數(shù)和隱含層神經(jīng)元個數(shù)。因此本發(fā)明引入遺傳算法來對各層權重進行雜交，以達到快速收斂和解決局部最優(yōu)問題實現(xiàn)全局最優(yōu)的目的。因為涉及到暖通空調(diào)系統(tǒng)的復雜性，無法確定神經(jīng)網(wǎng)絡的具體結構和權重系數(shù)，只能通過學習之后得到一個滿足日常運行需求的模型，其主要原理是通過學習，尋找一組滿足要求的權重系數(shù)，使給定的誤差函數(shù)最小。在樣本數(shù)據(jù)學習過程中，判斷網(wǎng)絡的誤差值是否滿足要求主要使用以下計算方法：

其中，t_j為每個神經(jīng)元的期望值，y_j為每個神經(jīng)元的輸出值，m是每一層神經(jīng)元的個數(shù)，p是神經(jīng)網(wǎng)絡的層數(shù)，E^p為一個神經(jīng)層的誤差和，E為整個神經(jīng)網(wǎng)絡的誤差和。

通過多輪的學習，直到誤差達到預計精度才開始停止訓練。

在網(wǎng)絡訓練完成后，在暖通空調(diào)系統(tǒng)日常運行過程中，IBMS系統(tǒng)通過采集到的空調(diào)系統(tǒng)配置數(shù)據(jù)和環(huán)境監(jiān)測數(shù)據(jù)，從環(huán)境舒適性和節(jié)能的角度出發(fā)，周期性的嘗試計算空調(diào)運行參數(shù)，并輸入到神經(jīng)網(wǎng)絡中進行預測，根據(jù)神經(jīng)網(wǎng)絡的反饋結果，IBMS對暖通空調(diào)系統(tǒng)進行自動化運行調(diào)整，最終達到環(huán)境感知最優(yōu)和主動節(jié)能的目的。

接下來，就本發(fā)明的兩個具體流程進行描述：

本發(fā)明中的通過遺傳算法調(diào)整BP神經(jīng)網(wǎng)絡初始神經(jīng)元之間的權值訓練流程S100如圖2所示，流程S100起始于S101。

在步驟S102中，BP神經(jīng)網(wǎng)絡參數(shù)初始化，對樣本數(shù)據(jù)進行歸一化處理，訓練后再對輸出進行反歸一化處理，訓練樣本，經(jīng)過歸一化處理后用遺傳算法和深度BP神經(jīng)網(wǎng)絡算法預測模型進行訓練。

在步驟S103中，初始化種群，采用輪盤賭來獲取種群，種群大小可根據(jù)經(jīng)驗值確定，基本原理是對樣本進行抽樣計算，通過雜交操作來達到優(yōu)化的目的。

在步驟S104中，計算種群適應值，預測數(shù)據(jù)與期望數(shù)據(jù)之間的誤差作為適應度函數(shù)。

在步驟S105中，雜交操作，雜交率可根據(jù)經(jīng)驗值來調(diào)整，并通過實驗來確定。

在步驟S106中，變異操作，變異率可根據(jù)經(jīng)驗值來調(diào)整，并通過實驗來確定。

在步驟S107中，循環(huán)進行選擇、交叉、變異、計算適應值操作，直到達到進化次數(shù)，得到最優(yōu)的初始權值。

在步驟S108中，獲取神經(jīng)網(wǎng)絡初始權重，利用遺傳算法初始化權重、閾值，當遺傳算法執(zhí)行完一代時，新一代的權重重新插入神經(jīng)網(wǎng)絡，權重可以演化成任意大小，不受任何形式的限制。

在步驟S109中，計算隱藏層、輸出層節(jié)點的輸出值。

在步驟S110中，計算隱藏層、輸出層的輸出誤差值。

在步驟S111中，使用誤差計算方法計算誤差，判斷是否達到可接受的誤差范圍，可接受的誤差則訓練結束。

在步驟S112中，不斷調(diào)整各層連接權重及閾值。

在步驟S113中，神經(jīng)網(wǎng)絡訓練結束。

至此，本發(fā)明中結合遺傳算法的BP神經(jīng)網(wǎng)絡訓練流程描述完畢。

本發(fā)明的實現(xiàn)的IBMS通過神經(jīng)網(wǎng)絡評估暖通空調(diào)系統(tǒng)控制參數(shù)有效性，實現(xiàn)智能化控制方法的流程如圖3所示，始于S200。

在步驟S201中，IBMS系統(tǒng)通過收集當前暖通空調(diào)運行數(shù)據(jù)和環(huán)境監(jiān)測數(shù)據(jù)，并完成數(shù)據(jù)歸一化處理。

在步驟S202中，IBMS系統(tǒng)從環(huán)境舒適度和節(jié)能角度，計算下一刻暖通空調(diào)運行調(diào)整參數(shù)。

在步驟S203中，將下一刻運行調(diào)整參數(shù)輸入到已訓練好的神經(jīng)網(wǎng)絡中進行有效性評估。

在步驟S204中，已訓練好的神經(jīng)網(wǎng)絡輸出評估結果，如果評估結果未達到理想水平，則IBMS系統(tǒng)重新計算調(diào)整參數(shù)，重新進行評估。

在步驟S205中，暖通空調(diào)運行調(diào)整參數(shù)評估達到理想水平，IMBS系統(tǒng)則輸出控制信號，對暖通空調(diào)進行運行參數(shù)調(diào)整。

在步驟S206中，暖通空調(diào)系統(tǒng)運行調(diào)整控制流程結束。

至此，本實施例中利用神經(jīng)網(wǎng)絡評估暖通空調(diào)系統(tǒng)控制參數(shù)有效性，實現(xiàn)智能化控制的流程描述完畢。

利用本發(fā)明中描述的方法，使用暖通空調(diào)系統(tǒng)日常運行數(shù)據(jù)作為訓練樣本，進行神經(jīng)網(wǎng)絡訓練，建立暖通空調(diào)節(jié)能控制預測模型，最終實現(xiàn)智能樓宇內(nèi)暖通空調(diào)系統(tǒng)自動化控制方法，具有以下幾個優(yōu)點：

(1)基于暖通空調(diào)系統(tǒng)日常運行數(shù)據(jù)和環(huán)境監(jiān)測數(shù)據(jù)來訓練預測模型，實現(xiàn)空調(diào)的完全自動化智能控制，并能得到較好的環(huán)境舒適度感知。

(2)實現(xiàn)暖通空調(diào)的自動控制空調(diào)開啟、關閉，自動調(diào)節(jié)溫度、濕度、通風值，能達到理想的節(jié)能效果。

上述實施例流程描述僅為了清楚說明本發(fā)明的基本方法，但本發(fā)明并不僅限于上述實施例；凡是依據(jù)本發(fā)明的技術實質(zhì)上實施例所作的任何簡單修改、等同變化與修飾，均落入本發(fā)明的技術方案的保護范圍之內(nèi)。