买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉河海大学申请的专利一种基于物理信息深度学习的异构楼宇空调群快速响应控制方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN121408805B 。

龙图腾网通过国家知识产权局官网在2026-03-31发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202511982896.2，技术领域涉及：F24F11/64；该发明授权一种基于物理信息深度学习的异构楼宇空调群快速响应控制方法是由陈胜;赵宇;黄蔓云;卫志农;孙国强;臧海祥;金珈辉;李佩樾设计研发完成，并于2025-12-26向国家知识产权局提交的专利申请。

本一种基于物理信息深度学习的异构楼宇空调群快速响应控制方法在说明书摘要公布了：本发明提出一种基于物理信息深度学习的异构楼宇空调群快速响应控制方法，该方法包括：步骤1、获取电网下发的实时离散阶跃调度指令，获取异构建筑群中各建筑单元的热力学参数及设备惯性时间常数，并获取室外温度，太阳辐射强度以及各建筑单元的室内空气温度；步骤2、基于多头自注意力机制提取各建筑单元的时空特征，生成空调初始分配目标功率；步骤3、将初始分配目标功率输入预先训练好的级联物理信息神经网络PINN，预测未来调度周期内的功率和温度演变轨迹；步骤4、计算各单元的越限风险指数，判断是否执行分位数风险迁移策略，生成空调最终分配目标功率；步骤5、计算实际聚合功率与电网目标功率之间的瞬态爬坡偏差，并进行偏差补偿。

本发明授权一种基于物理信息深度学习的异构楼宇空调群快速响应控制方法在权利要求书中公布了：1.一种基于物理信息深度学习的异构楼宇空调群快速响应控制方法，其特征在于，该方法包括如下步骤： 步骤1、获取电网下发的实时离散阶跃调度指令，获取异构建筑群中各建筑单元的热力学参数及设备惯性时间常数，并获取室外温度，太阳辐射强度以及各建筑单元的室内空气温度； 步骤2、利用Transformer全局分配能力，基于多头自注意力机制提取各建筑单元的时空特征，生成空调初始分配目标功率； 步骤3、将初始分配目标功率输入预先训练好的级联物理信息神经网络PINN，预测未来调度周期内的功率和温度演变轨迹； 步骤4、基于预测温度演变轨迹计算各单元的越限风险指数，判断是否执行分位数风险迁移策略以生成空调最终分配目标功率； 步骤5、计算空调最终分配目标功率下的实际聚合功率与电网目标功率之间的瞬态爬坡偏差，控制电池储能系统补偿所述偏差； 所述步骤2的具体方法如下： 2.1采用基于建筑单元粒度的特征向量化策略，先对每个独立建筑单元的热力学参数、设备参数、当前时刻的温度状态进行Z-score标准化，将标准化数据进行拼接，并映射为独立的特征嵌入向量；对于任意第i个建筑单元，其特征嵌入向量的构造方式如下： 1 式中，i表示建筑单元索引，t表示时间索引，表示特征嵌入映射函数，用于将物理参数拼接并映射至特征空间，为对角热容矩阵，为空调压缩机的惯性时间常数，为空调的能耗系数，为室内空气温度，为空调的初始功率值，将所有建筑单元的特征嵌入向量按照建筑单元索引排列，构建总输入状态特征序列，N为建筑单元总数，表示特征嵌入向量的维度； 2.2将所述总输入状态特征序列输入Transformer的多头自注意力层，通过计算各特征嵌入向量之间的注意力权重分布，提取异构建筑单元在热惯性响应及调节能力上的全局时空相关性特征，注意力权重的计算遵循缩放点积自注意力机制： 2 式中，表示缩放点积注意力计算函数，其通过softmax函数将Q与K的点积归一化为注意力权重，再利用该权重对V进行加权求和以提取全局特征；查询矩阵Q、键矩阵K和值矩阵V均由经线性变换得到，表示键向量的维度； 2.3基于提取的时空相关性特征，通过全连接层映射输出针对每个建筑单元的归一化功率分配系数向量，并结合电网调度指令增量计算空调初始分配的目标功率： 3 4 式中，为空调初始分配的目标功率，为Transformer输出的分配系数，为Transformer输出的分配功率增量，为电网调度指令增量； 所述步骤3中级联物理信息神经网络PINN包括一阶段功率轨迹优化物理信息神经网络PINN和二阶段温度微分算子物理信息神经网络PINN，具体执行过程包括： 1构建一阶段功率轨迹优化物理信息神经网络PINN，该网络将连续时间坐标、控制参数及设备惯性参数映射为实际功率响应轨迹，其前向预测公式和待预测的空调压缩机的功率惯性微分方程如下： 5 6 式中，表示权重为的神经网络映射函数，为网络权重，为网络预测功率值，为空调机组的实际输出功率； 在该PINN网络离线训练中构建损失函数以更新网络权重，其中，总残差损失和各组成部分定义如下： 7 8 9 10 式中，和分别为物理和数值损失时间采样点总数，为功率总损失，、、分别为数据损失、物理残差损失和边界条件损失，和分别表示物理和边界的惩罚权重；和分别为物理和数值损失采样点对应的时间戳，和分别为tk时刻空调机组实际输出功率和初始分配目标功率；和分别表示tj时刻网络预测功率值和真实功率值；为0时刻空调初始功率值；为0时刻网络预测功率值； 2构建二阶段温度微分算子物理信息神经网络PINN，用于预测房间温度随时间的演变；该网络将第一阶网络输出的功率轨迹作为输入，融合热力学参数和扰动，映射输出温度演变轨迹，其算子映射公式以及建筑热力学公式如下： 11 12 其中，系统状态矩阵描述了热量在空气、墙体及外界之间的传导过程： 13 对角热容矩阵、输入控制矩阵与环境扰动矩阵定义为： 14 式中，实际温度向量，和表示实际墙体和地板温度，网络预测温度向量，、和分别表示网络预测的室内空气、墙体及地板温度，表示参数为的神经算子映射函数，为包含对角热容矩阵及系统状态矩阵的物理参数集，扰动向量，其中，为室外温度、为太阳辐射，为内部热增益，代表输入的制冷热功率，与网络预测电功率关系为；、和分别为室内空气与墙体、空气与地板、墙体与地板之间的热阻；分别代表室内空气、墙体及地板的热容参数；分别表示墙体、地板及窗户对外侧环境的热阻； 在二阶段温度微分算子物理信息神经网络PINN的离线单独训练中构建损失函数以更新网络权重，总损失以及各部分损失的计算如下： 15 16 17 18 式中，为温度总损失，最小化该值从而更新网络参数，、、分别表示该网络的数值损失，物理残差损失和边界条件损失，和分别表示对应温度网络的物理和边界损失的权重；、和分别表示tk时刻网络预测温度向量、输入的制冷热功率和扰动向量；和分别表示tj时刻网络预测温度向量和实际温度向量；和分别表示0时刻的网络预测温度向量和实际温度向量。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人河海大学，其通讯地址为：210000 江苏省南京市江宁区佛城西路8号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。