本發(fā)明涉及神經(jīng)網(wǎng)絡(luò)、區(qū)域冷熱源調(diào)優(yōu)和自控，尤其涉及一種基于雙重物理信息神經(jīng)網(wǎng)絡(luò)的區(qū)域冷熱源供能網(wǎng)絡(luò)調(diào)優(yōu)方法及系統(tǒng)。

背景技術(shù)：

1、隨著“雙碳”目標(biāo)，能源轉(zhuǎn)型升級及建筑智能化理念的提出，智慧供能調(diào)控系統(tǒng)已成為區(qū)域建筑實(shí)現(xiàn)多冷熱源調(diào)優(yōu)控制的重要技術(shù)方案。其中以區(qū)域建筑源荷網(wǎng)儲能量自平衡為原則的調(diào)優(yōu)思想，可實(shí)現(xiàn)按需供能，避免冷熱冗余，實(shí)現(xiàn)節(jié)能減排。

2、基于區(qū)域建筑預(yù)測冷熱負(fù)荷的供能網(wǎng)絡(luò)調(diào)優(yōu)是實(shí)現(xiàn)源荷網(wǎng)儲能量自平衡的關(guān)鍵技術(shù)，其核心難點(diǎn)在于常規(guī)預(yù)測算法缺乏泛化能力，在區(qū)域建筑復(fù)雜的寬工況下，計算精度不足，無法滿足工程化應(yīng)用需求；常規(guī)調(diào)優(yōu)算法在面對非線性多目標(biāo)優(yōu)化時，計算速度慢耗時長，無法滿足連續(xù)規(guī)劃的實(shí)時性需求。且常規(guī)神經(jīng)網(wǎng)絡(luò)訓(xùn)練得到的模型難以避免輸入輸出數(shù)據(jù)集與基本物理模型/原理相悖的問題。

3、另一方面，物聯(lián)網(wǎng)技術(shù)的應(yīng)用使得建筑內(nèi)部的各種設(shè)備、傳感器和控制系統(tǒng)能夠相互連接、通信和協(xié)作，實(shí)現(xiàn)了對建筑環(huán)境和能源消耗的自動化管理和調(diào)控。具有實(shí)時監(jiān)測、數(shù)據(jù)分析和自動化控制等能力建筑供能系統(tǒng)可以精確地適應(yīng)用戶需求和環(huán)境變化，提高能源利用效率，實(shí)現(xiàn)節(jié)能減排，已成建筑能源調(diào)優(yōu)領(lǐng)域的發(fā)展趨勢。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的在于克服現(xiàn)有技術(shù)的上述缺點(diǎn)，提出一種基于雙重物理信息神經(jīng)網(wǎng)絡(luò)的區(qū)域冷熱源供能網(wǎng)絡(luò)調(diào)優(yōu)方法及系統(tǒng)。所述基于物理信息約束構(gòu)建并訓(xùn)練的建筑負(fù)荷預(yù)測模型pinn-anti具有極強(qiáng)的可解釋性和泛化能力，在區(qū)域建筑復(fù)雜的寬工況下仍具極佳的預(yù)測精度，滿足工程化需求；所述基于物理信息約束構(gòu)建并訓(xùn)練的建筑多目標(biāo)調(diào)優(yōu)模型pinn-acti利用mopso算法制取訓(xùn)練集和驗(yàn)證集，在面對非線性多目標(biāo)優(yōu)化時，計算效率高，可以滿足連續(xù)規(guī)劃的實(shí)時性需求；且提供一種基于預(yù)測負(fù)荷的區(qū)域建筑源網(wǎng)自動化調(diào)優(yōu)管控系統(tǒng)。

2、本發(fā)明所述的一種基于雙重物理信息神經(jīng)網(wǎng)絡(luò)的區(qū)域冷熱源供能網(wǎng)絡(luò)調(diào)優(yōu)方法及系統(tǒng)，其特征在于，包括以下步驟：

3、s100：獲取并預(yù)處理包含建筑環(huán)境信息的負(fù)荷歷史數(shù)據(jù)集，基于熱力學(xué)先驗(yàn)機(jī)理建立定量或定性的冷熱負(fù)荷物理信息約束；

4、s200：基于上述負(fù)荷數(shù)據(jù)集和物理信息約束構(gòu)建并訓(xùn)練建筑負(fù)荷預(yù)測模型pinn-anti；

5、s300：基于能源梯級利用原則，構(gòu)建區(qū)域冷熱源供能網(wǎng)絡(luò)多目標(biāo)優(yōu)化配置模型；

6、s400：根據(jù)上述pinn-anti模型負(fù)荷預(yù)測結(jié)果，采用多目標(biāo)粒子群算法對冷熱源進(jìn)行優(yōu)化配置；

7、s500：分析上述預(yù)測負(fù)荷和多目標(biāo)優(yōu)化結(jié)果，基于后驗(yàn)知識建立多維的冷熱負(fù)荷物理信息約束；

8、s600：對上述預(yù)測和優(yōu)化結(jié)果做輸入輸出集預(yù)處理，基于上述物理信息約束構(gòu)建并訓(xùn)練建筑冷熱源調(diào)優(yōu)模型pinn-acti。

9、s700：獲取建筑環(huán)境實(shí)測信息，基于上述pinn-anti和pinn-acti模型，通過控制系統(tǒng)實(shí)現(xiàn)對區(qū)域建筑基于預(yù)測負(fù)荷的源網(wǎng)自動化調(diào)優(yōu)管控。

10、優(yōu)選地，所述步驟s100，其特征在于，處理并分析歷史數(shù)據(jù)集，獲取物理約束，用于指導(dǎo)模型學(xué)習(xí)建筑負(fù)荷的真實(shí)規(guī)律，包括以下步驟：

11、s101：獲取包含建筑環(huán)境信息的負(fù)荷歷史數(shù)據(jù)集；

12、s102：對上述負(fù)荷歷史數(shù)據(jù)集做預(yù)處理；

13、s103：基于熱力學(xué)傳熱傳質(zhì)先驗(yàn)機(jī)理對建筑環(huán)境參數(shù)和冷熱負(fù)荷進(jìn)行依賴性分析，建立符合冷熱負(fù)荷實(shí)際產(chǎn)生機(jī)理的物理單調(diào)性約束關(guān)系。

14、優(yōu)選地，所述步驟s101，其特征在于，所述獲取包含建筑環(huán)境信息的負(fù)荷歷史數(shù)據(jù)集包括：建筑使用率xa，室外溫度xb、室外風(fēng)速xc、室外太陽輻射率xd、室內(nèi)溫度xe，室內(nèi)人員密度xf、室內(nèi)設(shè)備使用率xg、時間序列數(shù)據(jù)t及建筑歷史冷熱負(fù)荷y(yc和yh)，其中表示數(shù)據(jù)維數(shù)。

15、優(yōu)選地，所述步驟s102，其特征在于，在物理約束神經(jīng)網(wǎng)絡(luò)(pinn)算法中，為了確保訓(xùn)練模型的穩(wěn)定性、收斂性和泛化能力，需要對數(shù)據(jù)做預(yù)處理，包括以下步驟：

16、s1021：首先利用周期性分解方法對數(shù)據(jù)做平滑降噪處理；

17、s1022：接著采用時間序列抽樣法對平滑數(shù)據(jù)集進(jìn)行取樣，建立訓(xùn)練集、測試集和驗(yàn)證集；

18、s1023：確定上述各取樣數(shù)據(jù)集的變化范圍，進(jìn)行歸一化處理。

19、優(yōu)選地，所述步驟s1021中采用周期性分解方法，其特征在于，使用周期性分解方法(如stl分解)將原始數(shù)據(jù)分解成趨勢、季節(jié)性和殘差三個部分；采用加權(quán)移動平均方法對季節(jié)性和殘差部分進(jìn)行平滑處理，以降低數(shù)據(jù)的噪聲水平；將平滑處理后的季節(jié)性和殘差部分與原始數(shù)據(jù)的趨勢相加，得到平滑后的數(shù)據(jù)。

20、優(yōu)選地，所述步驟s1022中采用時間序列抽樣法，其特征在于，以小時為時序步長，對每個數(shù)據(jù)點(diǎn)按時間順序進(jìn)行抽樣，依次將數(shù)據(jù)點(diǎn)分配到訓(xùn)練集、測試集和驗(yàn)證集中。確保訓(xùn)練集中的數(shù)據(jù)是連續(xù)的時間序列，以便用于模型的訓(xùn)練。

21、優(yōu)選地，所述步驟s1023中采用歸一化處理方法，其特征在于，將數(shù)據(jù)集中的所有特征都映射到[0,1]的范圍內(nèi)，確保不同特征的數(shù)值范圍統(tǒng)一到相同的尺度范圍內(nèi)，以便更好地訓(xùn)練模型并提高模型的穩(wěn)定性和收斂速度。歸一化公式如下：

22、

23、其中，x是原始數(shù)據(jù)，x`是歸一化后的數(shù)據(jù)。

24、優(yōu)選地，所述步驟s103，其特征在于，所述基于熱力學(xué)先驗(yàn)機(jī)理建立定量或定性的冷熱負(fù)荷物理信息約束方法，首先基于熱力學(xué)傳熱傳質(zhì)先驗(yàn)機(jī)理對建筑環(huán)境參數(shù)和冷熱負(fù)荷進(jìn)行依賴性分析，接著建立符合冷熱負(fù)荷實(shí)際產(chǎn)生機(jī)理的物理單調(diào)性約束關(guān)系。其中：

25、建筑使用率與建筑冷熱負(fù)荷之間呈單調(diào)遞增關(guān)系，即：

26、室外溫度和室外太陽輻射率分別與建筑冷負(fù)荷之間呈單調(diào)遞增關(guān)系，室外風(fēng)速和室內(nèi)溫度分別與建筑冷負(fù)荷之間呈單調(diào)遞減關(guān)系，即：

27、

28、室外溫度和室外太陽輻射率分別與建筑熱負(fù)荷之間呈單調(diào)遞減關(guān)系，室外風(fēng)速和室內(nèi)溫度分別與建筑熱負(fù)荷之間呈單調(diào)遞增關(guān)系，即：

29、

30、室內(nèi)人員密度和室內(nèi)設(shè)備使用率分別與建筑熱負(fù)荷之間呈單調(diào)遞減關(guān)系，與建筑冷負(fù)荷之間呈單調(diào)遞增關(guān)系，即：

31、

32、優(yōu)選地，所述步驟s200，其特征在于，為提高模型的泛化能力和可解釋性，將物理信息約束融入模型中，基于上述負(fù)荷數(shù)據(jù)集構(gòu)建并訓(xùn)練建筑負(fù)荷預(yù)測模型pinn-anti，包括以下步驟：

33、s201：采用結(jié)構(gòu)為n-n-1的神經(jīng)網(wǎng)絡(luò)作為建筑負(fù)荷(冷或熱)預(yù)測模型的基礎(chǔ)框架；

34、s202：將物理約束方程嵌入到神經(jīng)網(wǎng)絡(luò)中，構(gòu)建包含結(jié)構(gòu)損失項和物理不一致性損失項的損失函數(shù)；

35、s203：初始化預(yù)測模型的網(wǎng)絡(luò)參數(shù)θ＝w,b，基于訓(xùn)練數(shù)據(jù)集對pinn模型進(jìn)行訓(xùn)練，采用協(xié)方差矩陣自適應(yīng)進(jìn)化策略(cma-es)對網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化，滿足收斂條件時即為最優(yōu)。

36、優(yōu)選地，所述步驟s201，其特征在于，所述結(jié)構(gòu)為n-n-1神經(jīng)網(wǎng)絡(luò)模型中n和n分別代表模型輸入層和隱藏層的神經(jīng)元個數(shù)，且n＝a+b+…+g+1；輸出層為建筑冷熱負(fù)荷(一維)。

37、優(yōu)選地，所述步驟s202，其特征在于，結(jié)構(gòu)損失項用于約束網(wǎng)絡(luò)的學(xué)習(xí)過程，使其更好地符合物理規(guī)律；物理不一致性損失項用于衡量模型輸出與物理方程之間的差異，以進(jìn)一步提高模型的準(zhǔn)確性和可解釋性。所述含結(jié)構(gòu)損失項和物理不一致性損失項的損失函數(shù)表達(dá)式為：

38、lanti＝lanti,r+lanti,s+lanti,p

39、式中，lanti,r為預(yù)測模型的回歸損失項，表示模型殘差值；lanti,s為預(yù)測模型的結(jié)構(gòu)損失項，表示網(wǎng)絡(luò)權(quán)重的l2范數(shù)；lanti,p預(yù)測模型的物理不一致性損失項，表示模型與物理機(jī)理的擬合程度。

40、其中，回歸損失項：

41、式中，yi,nn為預(yù)測模型輸出值，yi為期望值。

42、結(jié)構(gòu)損失項：

43、式中，wjk為連接第j維輸入層和第k維隱藏層的結(jié)構(gòu)權(quán)重。

44、物理不一致性損失項：

45、式中，tj為第j維輸入和輸出之間單調(diào)性的合成樣本數(shù)量；mi,j為單調(diào)性因子，如果物理約束單調(diào)性為正，則mi,j＝-1，否則mi,j＝1；xi,syn為第i個合成樣本的人工輸入部分。

46、優(yōu)選地，所述步驟s203，其特征在于，使用cma-es策略對網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化。cma-es是一種基于進(jìn)化算法的參數(shù)優(yōu)化方法，通過模擬自然選擇的過程，不斷調(diào)整參數(shù)的組合，以尋找損失函數(shù)的最小值點(diǎn)，包括以下步驟：

47、s2031：初始化cma-es算法的參數(shù)，包括初始參數(shù)向量、協(xié)方差矩陣、種群大小等；

48、s2032：計算cma-es的適應(yīng)度，即上述損失函數(shù)；

49、s2033：根據(jù)適應(yīng)度值的變化自適應(yīng)調(diào)整參數(shù)搜索策略，直至滿足收斂條件，此時即為最優(yōu)。

50、優(yōu)選地，所述步驟s300，其特征在于，為實(shí)現(xiàn)不同能源形態(tài)之間的高效轉(zhuǎn)化利用、降低供能系統(tǒng)運(yùn)行成本、實(shí)現(xiàn)節(jié)能減排以及提高穩(wěn)定性，基于能源梯級利用原則，構(gòu)建區(qū)域冷熱源供能網(wǎng)絡(luò)多目標(biāo)優(yōu)化配置模型，包括以下步驟：

51、s301：針對區(qū)域建筑冷熱源供能網(wǎng)絡(luò)分布特性，基于能源梯級利用原則，制定能源利用優(yōu)先級；

52、s302：綜合考慮到供能網(wǎng)絡(luò)的經(jīng)濟(jì)性、穩(wěn)定性、環(huán)境友好性和能源利用效率等指標(biāo)，建立多目標(biāo)優(yōu)化配置模型。

53、優(yōu)選地，所述步驟s301，其特征在于，所述能源梯級利用原則為：首先，應(yīng)優(yōu)先考慮使用高品質(zhì)的能源，如清潔能源(太陽能、風(fēng)能)，以及能量密度較高、污染較低的化石能源(天然氣)；如果高品質(zhì)能源不足或成本較高，則可以考慮使用中品質(zhì)的能源，如石油、煤炭等化石能源；在高品質(zhì)和中品質(zhì)能源不可用或不足時，可以考慮利用低品質(zhì)的能源，如生物質(zhì)、廢物熱能等。

54、優(yōu)選地，所述步驟s302，其特征在于，所述供能網(wǎng)絡(luò)多目標(biāo)優(yōu)化方法以最小碳排放量、最低年運(yùn)行成本、最高能源利用效率和最佳區(qū)域供能可靠性為優(yōu)化目標(biāo)，以電量平衡、冷熱量平衡及設(shè)備安全運(yùn)行范圍為約束條件。

55、優(yōu)選地，所述步驟s302，其特征在于，所述供能網(wǎng)絡(luò)各優(yōu)化目標(biāo)表達(dá)式為：

56、最小碳排放量：min?ccar＝min?ch+cc+ce

57、式中，ccar為區(qū)域建筑供能系統(tǒng)全生命運(yùn)行周期的總碳排量，tco2；ch為供能系統(tǒng)全生命供熱周期的碳排量，tco2；cc為供能系統(tǒng)全生命制冷周期的碳排量，tco2；ce為供能系統(tǒng)全生命供電周期的碳排量，tco2。

58、最低年運(yùn)行成本：minccost＝min∑rar×cinv,r×geq,r+cop,r×nr]

59、式中，r為設(shè)備類別；ccost為系統(tǒng)的年運(yùn)行成本，萬元；ar為設(shè)備投資成本回收系數(shù)；cinv,r為設(shè)備單位容量的初始投資成本，萬元/kw；geq,r為設(shè)備容量，kw；cop,r為設(shè)備運(yùn)行維護(hù)成本系數(shù)，包括系統(tǒng)維護(hù)成本、燃料消耗成本；n為設(shè)備個數(shù)。

60、最高能源利用效率：

61、式中，λ為能源利用效率；ph為風(fēng)、光、電及天然氣等高品質(zhì)能源消耗量；pz為供能系統(tǒng)總能源消耗量。

62、最佳區(qū)域供能可靠性：

63、式中，η為區(qū)域供能系統(tǒng)可靠性；r為設(shè)備類別；rr?t是設(shè)備r在給定時間段內(nèi)運(yùn)行工況的穩(wěn)定性能；gr?t、gr,min和gr,max分別表示各設(shè)備的運(yùn)行負(fù)載、最低負(fù)載和最高負(fù)載，kw；ω1和ω2為設(shè)備運(yùn)行穩(wěn)定性能權(quán)重，且

64、優(yōu)選地，所述步驟s302，其特征在于，所述供能網(wǎng)絡(luò)各約束表達(dá)式為：

65、電量平衡約束：eice+egri+epv+ebat,out+ewf≥euse+eash+ehp

66、式中，eice為燃機(jī)的發(fā)電量，kwh；egri為從市政電網(wǎng)的購電量，kwh；epv為光伏發(fā)電量，kwh；ebat,out為蓄電池放電量，kwh；ewf為風(fēng)力發(fā)電的放電量，kwh；euse為區(qū)域建筑電負(fù)荷，kwh；eash為電制冷機(jī)的耗電量，kwh；ehp為地源熱泵的耗電量，kwh。

67、熱量平衡約束：qex+qgb+qsol+qhts,out≥quse

68、式中，qex為換熱器的放熱量，kwh；qgb為鍋爐放熱量，kwh；qsol為光熱系統(tǒng)集熱量，kwh；qhts,out為儲熱系統(tǒng)放熱量，kwh；quse為園區(qū)熱負(fù)荷，kwh。

69、冷量平衡約束：cash+chp+cahp≥cuse

70、式中，cash為電制冷機(jī)的制冷量，kwh；chp為地源熱泵的制冷量，kwh；cahp為吸收式制冷劑的制冷量，kwh；cuse為園區(qū)冷負(fù)荷，kwh。

71、設(shè)備安全運(yùn)行約束：gr,min≤gr≤gr,max

72、式中，gr表示各設(shè)備運(yùn)行負(fù)載，kw；gr,min和gr,max表示各設(shè)備的極限負(fù)載，kw。

73、優(yōu)選地，所述步驟s400，其特征在于，為獲得區(qū)域建筑冷熱源供能系統(tǒng)最優(yōu)調(diào)控策略，根據(jù)上述pinn-anti模型負(fù)荷預(yù)測結(jié)果，采用多目標(biāo)粒子群算法得到冷熱源優(yōu)化配置策略，作為決策參考，包括以下步驟：

74、s401：利用已經(jīng)構(gòu)建并訓(xùn)練好的pinn-anti模型對建筑負(fù)荷進(jìn)行預(yù)測，獲取預(yù)測結(jié)果；

75、s402：初始化mopso算法的參數(shù)，包括種群規(guī)模、迭代次數(shù)、學(xué)習(xí)因子、初始速度與位置等；

76、s403：對上述優(yōu)化目標(biāo)進(jìn)行歸一化加權(quán)處理，構(gòu)建多目標(biāo)優(yōu)化函數(shù)，即適應(yīng)度函數(shù)；

77、s404：基于上述約束條件進(jìn)行邊界值處理，根據(jù)粒子的適應(yīng)度值更新每個粒子的速度和位置，直至滿足收斂條件，此時即為最優(yōu)。

78、優(yōu)選地，所述步驟s402，其特征在于，mopso算法中粒子個體通過局部搜索或隨機(jī)搜索朝著個體極值優(yōu)化，并通過個體極值得到種群極值，種群極值反過來指引個體搜索方向，個體與種群共享信息以得到全局最優(yōu)解，迭代公式如下：

79、

80、式中，vid(k)為粒子i在第k次迭代中d方向上的速度；xid(k)為粒子i在第k次迭代中d方向上的位置；ωi為慣性權(quán)重；c1和c2為個體學(xué)習(xí)因子；ρ1和ρ1為位于[0,1]區(qū)間內(nèi)的隨機(jī)數(shù)；pid,pbest(k)為粒子i在第k次迭代中d方向上的歷史最優(yōu)位置，即在第k次迭代后，第i個粒子(個體)搜索得到的最優(yōu)解；pd,gbest(k)為群體在在第k次迭代中d方向上的歷史最優(yōu)位置，即在第k次迭代后，整個粒子種群中的最優(yōu)解；i和n分別為當(dāng)前迭代次數(shù)和總迭代次數(shù)。

81、優(yōu)選地，所述步驟s403，其特征在于，所述歸一化加權(quán)處理并構(gòu)建多目標(biāo)優(yōu)化函數(shù)表達(dá)式如下：

82、

83、式中，ccar,e、ccost,e、λe和ηe分別為歸一化處理后的各目標(biāo)函數(shù)；μ1、μ2、μ3和μ4分別為各目標(biāo)函數(shù)的權(quán)重系數(shù)；f?gr,t為多目標(biāo)優(yōu)化函數(shù)，即適應(yīng)度函數(shù)。

84、優(yōu)選地，所述步驟s500，其特征在于，基于上述預(yù)測負(fù)荷和多目標(biāo)優(yōu)化結(jié)果，通過分析實(shí)際情況和后驗(yàn)知識來建立多維的冷熱負(fù)荷物理信息約束，進(jìn)一步優(yōu)化冷熱源的配置方案，使其符合實(shí)際需求和物理規(guī)律，包括以下步驟

85、s501：對上述多目標(biāo)粒子群算法優(yōu)化結(jié)果中各目標(biāo)函數(shù)值與供能系統(tǒng)各部件負(fù)載進(jìn)行基于后驗(yàn)知識的定量或定性分析；

86、s502：接著構(gòu)建符合區(qū)域建筑冷熱源供能原則、能源市場規(guī)律和碳排放路徑的物理信息約束關(guān)系及物理不一致性損失項。

87、優(yōu)選地，所述步驟s501，其特征在于，所述定量或定性分析物理信息約束關(guān)系為：

88、最小碳排放量與最高能源利用效率之間呈單調(diào)遞增關(guān)系，即：

89、冷熱預(yù)測負(fù)荷分別與最低年運(yùn)行成本和各設(shè)備功能負(fù)載之間呈單調(diào)遞增關(guān)系，即：

90、

91、優(yōu)選地，所述步驟s502，其特征在于，所述構(gòu)建物理不一致性損失項為：

92、

93、式中，lacti,p為調(diào)優(yōu)模型的物理不一致性損失項；lacti,η為系統(tǒng)可靠性約束損失，為保證系統(tǒng)穩(wěn)定運(yùn)行，當(dāng)其超出范圍時對損失函數(shù)進(jìn)行懲罰；lacti,st為調(diào)優(yōu)模型的單調(diào)約束損失。

94、優(yōu)選地，所述步驟s600，其特征在于，為提高非線性多目標(biāo)優(yōu)化問題的計算效率，滿足連續(xù)規(guī)劃的實(shí)時性需求，對上述預(yù)測和優(yōu)化結(jié)果做輸入輸出集預(yù)處理，并基于上述物理信息約束構(gòu)建并訓(xùn)練建筑冷熱源調(diào)優(yōu)模型pinn-acti，包括以下步驟：

95、s601：將冷熱負(fù)荷預(yù)測結(jié)果和mopso迭代尋優(yōu)后的最小碳排放量、最低年運(yùn)行成本、最高能源利用效率及最佳區(qū)域供能可靠性作為輸入數(shù)據(jù)集，將mopso迭代尋優(yōu)后的各設(shè)備的運(yùn)行負(fù)載作為輸出數(shù)據(jù)集；

96、s602：確定上述輸入輸出數(shù)據(jù)集的變化范圍，進(jìn)行歸一化處理。

97、s603：基于上述物理信息約束和預(yù)處理的輸入輸出數(shù)據(jù)集，構(gòu)建并訓(xùn)練建筑冷熱源調(diào)優(yōu)模型pinn-acti。

98、優(yōu)選地，所述步驟s603，其特征在于，調(diào)優(yōu)模型構(gòu)建訓(xùn)練過程能夠融入物理規(guī)律，并結(jié)合數(shù)據(jù)進(jìn)行端到端的學(xué)習(xí)，其中調(diào)優(yōu)模型pinn-acti損失函數(shù)表達(dá)式為：

99、

100、式中，lacti,r為調(diào)優(yōu)模型的回歸損失項，lacti,s為調(diào)優(yōu)模型的結(jié)構(gòu)損失項。

101、優(yōu)選地，所述步驟s700，其特征在于，所述可實(shí)現(xiàn)基于預(yù)測負(fù)荷的區(qū)域建筑源網(wǎng)自動化調(diào)優(yōu)管控系統(tǒng)包括：將雙重pinn算法轉(zhuǎn)化為計算機(jī)可以識別的機(jī)器語言寫入存儲模塊；將建筑環(huán)境傳感器和末端冷熱源控制裝置采集的數(shù)據(jù)通過通信裝置返回給計算機(jī)；計算模塊根據(jù)采集數(shù)據(jù)劃分輸入輸出數(shù)據(jù)集并利用內(nèi)置算法對系統(tǒng)進(jìn)行計算尋優(yōu)；尋優(yōu)結(jié)果轉(zhuǎn)化為控制信號通過通信裝置下達(dá)給末端控制器；末端控制器根據(jù)控制信號改變各部件工作狀態(tài)，完成對區(qū)域建筑供能系統(tǒng)的自動化調(diào)優(yōu)配置。