【数据驱动】基于深度学习LSTM模型的建筑温控系统（地源热泵 GSHP）预测控制附matlab代码
✅作者简介：热爱科研的Matlab仿真开发者，擅长毕业设计辅导、数学建模、数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。
🍎 往期回顾关注个人主页：Matlab科研工作室
👇 关注我领取海量matlab电子书和数学建模资料
🍊个人信条：格物致知,完整Matlab代码获取及仿真咨询内容私信。
🔥 内容介绍
一、建筑温控系统与地源热泵概述
- 建筑温控系统的重要性
：建筑温控系统旨在为建筑物内的人员提供舒适的室内环境，同时优化能源消耗。适宜的室内温度不仅能提升居住者或使用者的舒适度，还对提高工作效率、保障健康具有重要意义。此外，随着能源成本的上升和对可持续发展的追求，高效节能的温控系统成为建筑领域的研究重点。
- 地源热泵（GSHP）原理
：地源热泵是一种利用浅层地热能进行供热和制冷的高效节能技术。它通过地下埋管换热器与土壤进行热量交换，冬季将土壤中的热量提取出来为建筑物供热，夏季则将建筑物内的热量传递到土壤中实现制冷。地源热泵具有高效、环保、稳定等优点，但系统的性能受土壤温度、建筑物负荷等多种因素影响，其运行控制需要精确的调节以实现最佳的能源利用效率。
二、深度学习与 LSTM 模型
- 深度学习的优势
：深度学习作为机器学习的一个分支，能够自动从大量数据中学习复杂的模式和特征表示。在建筑温控系统中，深度学习可以处理多种影响因素之间的非线性关系，这些关系难以用传统的数学模型精确描述。通过对历史数据的学习，深度学习模型能够预测系统的未来状态，为优化控制提供依据。
- LSTM（长短期记忆网络）模型原理
：LSTM 是一种特殊的循环神经网络（RNN），专门用于处理序列数据中的长期依赖问题。传统 RNN 在处理长时间序列时会出现梯度消失或爆炸的问题，导致难以学习到长期的依赖关系。LSTM 通过引入门控机制解决了这一难题。它包含输入门、遗忘门和输出门，输入门决定当前输入信息有多少进入细胞状态，遗忘门控制细胞状态中保留多少过去的信息，输出门确定细胞状态中哪些信息将被输出。这种结构使得 LSTM 能够有效地捕捉时间序列中的长期依赖信息，在处理具有时间序列特性的数据时表现出色，非常适合用于预测建筑温控系统的动态变化。
三、基于 LSTM 模型的预测原理
- 数据收集与预处理
：为训练 LSTM 模型，需要收集与建筑温控系统相关的大量数据，包括室内外温度、湿度、太阳辐射、地源热泵的运行参数（如进出水温度、流量）以及建筑物的热负荷等。这些数据构成时间序列，反映了系统随时间的变化情况。收集到的数据首先要进行预处理，包括数据清洗，去除异常值和噪声；数据归一化，将不同范围的数据映射到统一区间，以加快模型收敛速度并提高训练效果。
- LSTM 模型训练
：预处理后的数据被划分为训练集、验证集和测试集。训练集用于训练 LSTM 模型，模型在训练过程中学习输入数据（如历史温度、负荷等信息）与输出数据（如未来的室内温度或地源热泵的最佳运行参数）之间的关系。通过不断调整模型的权重，最小化预测值与实际值之间的误差。验证集用于在训练过程中评估模型的性能，防止过拟合。根据验证集的反馈，调整模型的超参数（如隐藏层数量、神经元个数、学习率等），以优化模型的泛化能力。
- 预测过程
：训练好的 LSTM 模型可用于预测建筑温控系统的未来状态。将当前和历史的相关数据输入模型，模型根据学习到的模式预测未来的室内温度、地源热泵的运行参数等。例如，预测未来几小时的室内温度，有助于提前调整地源热泵的运行模式，以维持舒适的室内温度并优化能源消耗。
四、预测控制策略
- 基于预测的控制决策
：基于 LSTM 模型的预测结果，制定建筑温控系统的控制策略。例如，如果预测到未来一段时间室内温度将上升，且地源热泵当前运行模式无法维持舒适温度，系统可以提前调整地源热泵的运行参数，如增加制冷量或调整循环流量。这种基于预测的控制方式能够提前应对系统的变化，避免温度过度波动，提高能源利用效率。
- 实时反馈与调整
：在实际运行过程中，系统实时监测实际的室内温度、地源热泵的运行状态等信息，并与 LSTM 模型的预测结果进行对比。如果发现实际情况与预测有偏差，及时反馈给模型，对模型进行微调或重新训练，使模型能够更好地适应实际情况的变化，不断优化控制策略，确保建筑温控系统始终高效稳定运行。
⛳️ 运行结果
📣 部分代码
%%
clc;
clear;
close all;
disp('@author: Dr Clement Etienam')
%%{
fprintf('Box Configuration \n')
fprintf('Inputs: \n')
fprintf('Environment:Site Outdoor Air Drybulb Temperature [C] \n')
fprintf('Environment:Site Outdoor Air Wetbulb Temperature [C] \n')
fprintf('Environment:Site Outdoor Air Relative Humidity [%%] \n')
fprintf('Environment:Site Wind Speed [m/s] \n')
fprintf('Environment:Site Wind Direction [deg] \n')
fprintf('Environment:Site Horizontal Infrared Radiation Rate per Area [W/m2] \n')
fprintf('Environment:Site Diffuse Solar Radiation Rate per Area [W/m2] \n')
fprintf('Environment:Site Direct Solar Radiation Rate per Area [W/m2] \n')
fprintf('THERMAL ZONE: BOX:Zone Outdoor Air Wind Speed [m/s] \n')
fprintf('Outputs: \n')
fprintf('THERMAL ZONE: BOX:Zone Mean Air Temperature [C] \n')
fprintf('GSHP configuration \n')
fprintf('Inputs:\n')
fprintf('Environment:Site Outdoor Air Drybulb Temperature [C] \n')
fprintf('Environment:Site Outdoor Air Wetbulb Temperature [C] \n')
fprintf('Environment:Site Outdoor Air Relative Humidity [%%] \n')
fprintf('Environment:Site Wind Speed [m/s] \n')
fprintf('Environment:Site Wind Direction [deg] \n')
fprintf('Environment:Site Horizontal Infrared Radiation Rate per Area [W/m2] \n')
fprintf('Environment:Site Diffuse Solar Radiation Rate per Area [W/m2] \n')
fprintf('Environment:Site Direct Solar Radiation Rate per Area [W/m2] \n')
fprintf('THERMAL ZONE: BOX:Zone Outdoor Air Wind Speed [m/s] \n')
fprintf('GSHPCLG:Heat Pump Electric Power [W] \n')
fprintf('GSHPCLG:Heat Pump Source Side Inlet Temperature [C] \n')
fprintf('GSHPHEATING:Heat Pump Electric Power [W] \n')
fprintf('GSHPHEATING:Heat Pump Source Side Inlet Temperature [C] \n')
fprintf('Outputs: \n')
fprintf('THERMAL ZONE: BOX:Zone Mean Air Temperature [C] \n')
fprintf('Data Driven MPC Approach. Online approach \n')
fprintf('steps: \n')
fprintf('1) Predict room temperature at time t given current weather states \n')
fprintf('2) Optimise for control at time t to reference room temperature \n')
fprintf('3) Predict room temperature at time t+1 using temperature at time t \n')
fprintf('4) Predict weather states for t+1 using temperature at t+1 (gotten from 3) \n')
fprintf('4) Set for next evolution, temperature at t= temperature at t+1 \n')
fprintf( '(prior(t)= posterior(t+1)) \n')
fprintf('mathematically; \n')
fprintf('y=room temperature \n')
fprintf('X=weather states \n')
fprintf('u=control for GSHP pump \n')
fprintf('input: u(t-1)= initial guess,X(t-1)(= Known), r for all t(= known), ... \n')
fprintf('f1, f2,g (= Learned), \n')
fprintf('y(t-1)(=Infered from y(t-1)=f1(X(t-1))+e ) \n')
fprintf('g=LSTM machine \n')
fprintf('f1=States to output (room temperature) machine (Pure weather conditions) \n')
fprintf('f2=Augmented states (with control inputs) to room temperature \n')
fprintf('set: \n')
fprintf('y(1)=y(t-1) \n')
fprintf('X(1)=X(t-1) \n' )
fprintf('u(1)=u(t-1) \n')
fprintf('Do t= 1: Horizon: \n')
fprintf('y(t+1)=g(y(t))+n # Predict the future output given present output \n')
fprintf('y(t)=f1(X(t))+e # Predict current output with current states \n')
fprintf('ybig(t,:)=y(t) \n')
fprintf('u(opt)=argmin||r(t)-f2(X(t);u(t),X(t))||+z # Optimise the control at time t \n')
fprintf('ubig(t,:)=u(opt) \n')
fprintf('Xbig(t,:)=X \n')
fprintf('X(opt)=argmin||y(t+1)-f1(X(t)||+z # Optimise the state at time t+1 \n')
fprintf('set X(t)= X(t+1)=X(opt) \n')
fprintf('set u(t)= u(t+1)=u(opt) \n')
fprintf('End Do \n')
%%}
%%
disp('*******************************************************************')
oldfolder=cd;
cd(oldfolder);
addpath('Data');
addpath('Miscellaneous');
%%
disp('-----------------------TRAIN STATES MACHINE---------------------')
folder = strcat('MLSL_machine_1');
mkdir(folder);
ds=tabularTextDatastore("Box.csv");
T=readall(ds);
T(:,1)=[];
Bt=T{:,:};
X=Bt(:,1:end-1);
yb=Bt(:,end);
epoch=3000;
batch_size=5;
[costtrain1,costtest1,rangees1,clfx1,clfy1,Model1]=Learning_Clement...
(X,yb,epoch,batch_size,folder,oldfolder);
cd(folder)
save('rangees1.mat', 'rangees1');
save ('clfx1.mat', 'clfx1');
save ('clfy1.mat', 'clfy1');
save Model1.mat Model1
cd(oldfolder)
%%
disp('-----------------------TRAIN CONTROLLER MACHINE---------------------')
folder2 = strcat('MLSL_machine_2');
mkdir(folder2);
ds=tabularTextDatastore("GSHP.csv");
T=readall(ds);
T(:,1)=[];
Bt=T{:,:};
X=Bt(:,1:end-1);
yb=Bt(:,end);
[costtrain2,costtest2,rangees2,clfx2,clfy2,Model2]=Learning_Clement(X,...
yb,epoch,batch_size,folder2,oldfolder);
cd(folder2)
save('rangees2.mat', 'rangees2');
save ('clfx2.mat', 'clfx2');
save ('clfy2.mat', 'clfy2');
save ('Model2.mat', 'Model2');
cd(oldfolder)
%%
disp('-----------------------TRAIN LSTM MACHINE---------------------')
folder3 = strcat('LSTM_machine');
mkdir(folder3);
cd('Data')
ds=tabularTextDatastore("Box.csv"); %Weather data from history till previous timestep
cd(oldfolder)
T=readall(ds);
T(:,1)=[];
output=T(:,end);
inpuut=T(:,1:end-1);
Bt=inpuut{:,:};
rngg=1;
shiftt=10;
[netLSTM,X_train,train_size,transs]=Learning_LSTM_Clement...
(rngg,shiftt,Bt,oldfolder,folder3);
cd(folder3)
save('netLSTM.mat', 'netLSTM');
save('X_train.mat', 'X_train');
save('shiftt.mat', 'shiftt');
save('train_size.mat', 'train_size');
save('transs.mat', 'transs');
cd(oldfolder)
%%
rmpath('Data')
rmpath('Miscellaneous')
disp('-------------PROGRAMME EXECUTED----------------------------------')
🔗 参考文献
[1] Avinash G , Mishra S D .Bayesian model averaging based deep learning forecasts of inpatient bed occupancy in mental health facilities[J].Scientific Reports, 2025, 15(1).DOI:10.1038/s41598-025-22001-6.
🍅往期回顾扫扫下方二维码