【技術實現步驟摘要】
本專利技術涉及建筑節能，尤其涉及一種基于多智能體的模型辨識方法和系統。
技術介紹
1、能源消費關乎全球氣候變化，隨著經濟的發展，建筑能耗在能源消費中所占的比例越來越大，我國建筑能耗占社會能源消費的比例約為23%，相關碳排放量占全社會總碳排放量的比例約為22%。
2、在建筑能耗中，暖通空調系統是大型公共建筑的能源消耗大戶，其能耗占大型公共建筑總電耗的50%-60%。可見研究暖通空調系統的節能降耗對于節能減排具有重要意義。
3、暖通空調系統優化的基礎是建立準確的設備和系統數學模型，只有準確的數學模型才能保證優化結果的準確性。現有行業中暖通空調設備和系統建模方法主要可分為基于物理的機理建模方法和基于數據驅動的模型辨識方法。其中，基于物理的機理建模方法可解釋性強，覆蓋工況廣，然而由于模型在構造時存在一定的簡化，因此不可避免地存在一定誤差。基于數據驅動的模型辨識是控制領域的新興領域，是指不包含受控過程數學模型信息，僅利用受控系統的在線或者離線監測數據以及經過數據學習獲得的知識來進行控制，并在一定的假設下，有收斂性、穩定性保障和魯棒性結論的控制理論和方法。但是這種基于數據驅動的模型辨識方法對工作人員能力要求較高，一般工程人員缺乏暖通及控制專業知識，難以勝任該項工作。
4、可見，現有的暖通空調系統和設備的數據建模方法要么無法準確映射設備和系統特征，要么專業門檻高，需要專業人員的干預，智能化、自動化水平不夠高。
技術實現思路
1、本專利技術提供一種基于多智能體的
2、本專利技術提供一種基于多智能體的模型辨識方法，包括如下步驟。
3、在執行目標任務的算法模型需要更新的情況下，將數據預處理智能體處理后的訓練數據輸入至多個算法模型學習智能體，得到所述多個算法模型學習智能體中若干算法模型學習智能體輸出的用于執行所述目標任務的待篩選模型；
4、將各所述待篩選模型輸入至模型決策智能體，得到所述模型決策智能體輸出的用于執行所述目標任務的最佳算法模型；
5、其中，所述數據預處理智能體用于采集現場實時數據，并對所述現場實時數據進行數據預處理，得到所述訓練數據；
6、任一所述算法模型學習智能體用于確定自身用于執行所述目標任務的待訓練模型是否選用，若選用，則基于所述訓練數據訓練所述待訓練模型得到待篩選模型。
7、根據本專利技術提供的基于多智能體的模型辨識方法，所述在執行目標任務的算法模型需要更新的情況下，將數據預處理智能體處理后的訓練數據輸入至多個算法模型學習智能體，得到所述多個算法模型學習智能體中若干算法模型學習智能體輸出的用于執行所述目標任務的待篩選模型之前，所述方法還包括：
8、將指令轉發智能體決策后的訓練狀態信息分別下發至所述數據預處理智能體和所述多個算法模型學習智能體；所述訓練狀態信息用于指示所述算法模型需要更新；
9、其中，所述指令轉發智能體是基于如下至少一種方式進行決策：
10、響應于用戶輸入的模型更新指令，決策是否需要對所述算法模型進行更新；
11、響應于定期更新信息，決策是否需要對所述算法模型進行更新。
12、根據本專利技術提供的基于多智能體的模型辨識方法，所述將指令轉發智能體決策后的訓練狀態信息分別下發至所述數據預處理智能體和所述多個算法模型學習智能體之前，所述方法還包括：
13、通過訓練配置智能體獲取用戶輸入的訓練配置信息；所述訓練配置信息包括所述定期更新信息；所述訓練配置智能體用于基于所述定期更新信息確定是否需要對所述算法模型進行更新，若需要則發送定期更新信息至所述指令轉發智能體；
14、將所述訓練配置智能體的定期更新信息發送至所述指令轉發智能體。
15、根據本專利技術提供的基于多智能體的模型辨識方法，所述在執行目標任務的算法模型需要更新的情況下，將數據預處理智能體處理后的訓練數據輸入至多個算法模型學習智能體，得到所述多個算法模型學習智能體中若干算法模型學習智能體輸出的用于執行所述目標任務的待篩選模型之前，所述方法還包括：
16、通過訓練配置智能體獲取用戶輸入的訓練配置信息；所述訓練配置信息包括模型選用信息，所述模型選用信息用于供所述算法模型學習智能體確定自身用于執行所述目標任務的待訓練模型是否選用；
17、將所述模型選用信息發送至所述多個算法模型學習智能體。
18、根據本專利技術提供的基于多智能體的模型辨識方法，所述方法還包括：
19、所述模型決策智能體還用于確定各所述待篩選模型的排名結果，在所述將各所述待篩選模型輸入至模型決策智能體，得到所述模型決策智能體輸出的用于執行所述目標任務的最佳算法模型之后，所述方法還包括：
20、將所述模型決策智能體的排名結果輸入至所述若干算法模型學習智能體；任一所述算法模型學習智能體還用于基于所述排名結果再次進行學習。本專利技術還提供一種基于多智能體的模型辨識系統，數據預處理智能體、多個算法模型學習智能體和模型決策智能體；其中，
21、所述數據預處理智能體，用于采集現場實時數據，對所述現場實時數據進行數據預處理得到所述訓練數據；在執行目標任務的算法模型需要更新的情況下，將處理后的訓練數據輸入至多個算法模型學習智能體；
22、所述多個算法模型學習智能體中的任一算法模型學習智能體，用于確定自身用于執行所述目標任務的待訓練模型是否選用，若選用則基于所述訓練數據訓練所述待訓練模型得到待篩選模型；
23、模型決策智能體，用于從各所述待篩選模型中篩選出所述最佳算法模型。
24、根據本申請提供的一種基于多智能體的模型辨識系統，還包括指令轉發智能體；
25、所述指令轉發智能體，用于將自身決策后的訓練狀態信息分別下發至所述數據預處理智能體和所述多個算法模型學習智能體；所述訓練狀態信息用于指示所述算法模型需要更新；
26、其中，所述指令轉發智能體是基于如下至少一種方式進行決策：
27、響應于用戶輸入的模型更新指令，決策是否需要對所述算法模型進行更新；
28、響應于定期更新信息，決策是否需要對所述算法模型進行更新。
29、根據本申請提供的一種基于多智能體的模型辨識系統，所述系統還包括訓練配置智能體；
30、所述訓練配置智能體，用于獲取用戶輸入的訓練配置信息，并基于所述訓練配置信息中所包含的定期更新信息，確定是否需要對所述算法模型進行更新，若需要，則發送定期更新信息至所述指令轉發智能體。
31、根據本申請提供的一種基于多智能體的模型辨識系統，所述訓練配置智能體，用于獲取用戶輸入的訓練配置信息，將所述訓練配置信息中的模型選用信息發送至所述多個算法模型學習智能體；
32、其中，所述模型本文檔來自技高網...
【技術保護點】
1.一種基于多智能體的模型辨識方法，其特征在于，包括：
2.根據權利要求1所述的基于多智能體的模型辨識方法，其特征在于，所述在執行目標任務的算法模型需要更新的情況下，將數據預處理智能體處理后的訓練數據輸入至多個算法模型學習智能體，得到所述多個算法模型學習智能體中若干算法模型學習智能體輸出的用于執行所述目標任務的待篩選模型之前，所述方法還包括：
3.根據權利要求2所述的基于多智能體的模型辨識方法，其特征在于，所述將指令轉發智能體決策后的訓練狀態信息分別下發至所述數據預處理智能體和所述多個算法模型學習智能體之前，所述方法還包括：
4.根據權利要求1所述的基于多智能體的模型辨識方法，其特征在于，所述在執行目標任務的算法模型需要更新的情況下，將數據預處理智能體處理后的訓練數據輸入至多個算法模型學習智能體，得到所述多個算法模型學習智能體中若干算法模型學習智能體輸出的用于執行所述目標任務的待篩選模型之前，所述方法還包括：
5.根據權利要求1所述的基于多智能體的模型辨識方法，其特征在于，所述模型決策智能體還用于確定各所述待篩選模型的排名結果，在所
6.一種基于多智能體的模型辨識系統，其特征在于，所述系統包括：數據預處理智能體、多個算法模型學習智能體和模型決策智能體；其中，
7.根據權利要求6所述的基于多智能體的模型辨識系統，其特征在于，還包括指令轉發智能體；
8.根據權利要求6所述的基于多智能體的模型辨識系統，其特征在于，所述系統還包括訓練配置智能體；
9.根據權利要求6所述的基于多智能體的模型辨識系統，其特征在于，
10.根據權利要求6所述的基于多智能體的模型辨識系統，其特征在于，
...【技術特征摘要】
1.一種基于多智能體的模型辨識方法，其特征在于，包括：
2.根據權利要求1所述的基于多智能體的模型辨識方法，其特征在于，所述在執行目標任務的算法模型需要更新的情況下，將數據預處理智能體處理后的訓練數據輸入至多個算法模型學習智能體，得到所述多個算法模型學習智能體中若干算法模型學習智能體輸出的用于執行所述目標任務的待篩選模型之前，所述方法還包括：
3.根據權利要求2所述的基于多智能體的模型辨識方法，其特征在于，所述將指令轉發智能體決策后的訓練狀態信息分別下發至所述數據預處理智能體和所述多個算法模型學習智能體之前，所述方法還包括：
4.根據權利要求1所述的基于多智能體的模型辨識方法，其特征在于，所述在執行目標任務的算法模型需要更新的情況下，將數據預處理智能體處理后的訓練數據輸入至多個算法模型學習智能體，得到所述多個算法模型學習智能體中若干算法模型學習智能體輸出的用于執行所述...
【專利技術屬性】
技術研發人員：于震，李懷，郝玉珍，吳劍林，李立，
申請(專利權)人：中國建筑科學研究院有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。