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！

申请/专利权人：大连理工大学

摘要：本发明属于建筑能源技术领域，提供了一种基于LSTM‑AM算法及其FPGA硬件加速的建筑能耗预测方法，包括以下步骤：S1、对相关数据进行收集和预处理并构建数据集；S2、构建建筑能耗预测模型；S3、借助ZYNQ的PL端的FPGA的并行计算能力实现LSTM‑AM神经网络算法模型的加速计算。本发明的有益之处是把把建筑小时总能耗数据和建筑小时室内空气温度数据结合起来并用LSTM‑AM神经网络算法模型实现建筑能耗预测，在ZYNQ架构中利用FPGA硬件加速，实现基于LSTM‑AM神经网络的建筑能耗预测算法以高性能的方式运行在基于ZYNQ的楼宇控制器中。

主权项：1.一种基于LSTM-AM算法及其FPGA硬件加速的建筑能耗预测方法，其特征在于，步骤如下：S1、对相关数据进行收集和预处理并构建数据集；S1.1、收集建筑小时总能耗数据；S1.2、收集建筑小时室内空气温度数据；S1.3、将S1.1和S1.2收集的数据进行预处理，查看是否存在数据缺失、归零等问题，然后将预处理后的数据按比例划分为训练集、验证集、测试集；S2、构建建筑能耗预测模型；S2.1、将S1获取的建筑小时总能耗数据、建筑小时室内空气温度数据作为初始输入；S2.2、构建LSTM-AM神经网络算法模型；首先构建LSTM层，采用双层LSTM，将建筑小时总能耗数据、建筑小时室内空气温度数据作为输入进行训练建模；然后在LSTM层之后引入注意力机制，构建AM层，AM注意力机制通过学习得到的权重来对时序数据进行加权注意力处理，重点关注关键内容并赋予更大的权重，而给其它内容赋予更小的权重，通过差异化的权重配置方法，以增强LSTM-AM神经网络算法模型对关键信息的关注；S2.3、LSTM-AM神经网络算法的训练与评估过程；使用训练集数据对LSTM-AM神经网络算法模型进行训练，并使用验证集进行LSTM-AM神经网络算法模型的调优和选择最佳的超参数配置；最后，使用测试集来评估利用LSTM-AM神经网络算法模型进行建筑能耗预测的性能和准确性；具体评估参数为计算建筑能耗预测值与实际值之间的平均绝对百分比误差；S2.4、将LSTM-AM神经网络算法模型的参数导出；分别导出LSTM层和AM层的权重参数w和偏置参数bias，作为FPGA硬件加速器的参数输入；S3、借助ZYNQ的PL端的FPGA的并行计算能力实现LSTM-AM神经网络算法模型的加速计算；S3.1、设计FPGA工程获得LSTM-AM神经网络算法模型的加速模块；设计FPGA工程，获得的LSTM-AM神经网络算法模型的加速模块包括存储单元、计算单元及控制单元；所述存储单元包括ram_in、ram_h、ram_c、rom_weight，ram_in缓存输入门的数据、ram_h和ram_c分别缓存输出门以及细胞门的数据，rom_weight存储LSTM-AM神经网络算法模型的参数；所述计算单元包括：lstm_cell运算模块和am_cell运算模块：1lstm_cell运算模块：包括遗忘门f、输入门i、输入门g和输出门o四个矩阵点乘运算模块、tanh_sigmoid模块和乘加运算模块；四个矩阵点乘运算模块利用矩阵向量乘法对LSTM层的权重参数w和与LSTM-AM神经网络算法模型的输入向量做矩阵点乘运算并将矩阵点乘运算结果与LSTM层偏置参数bias做加和运算，能够实现四个矩阵运算的并行计算；tanh_sigmoid模块通过查表的方式实现指数函数形式的sigmoid和tanh函数；乘加运算模块计算当前时刻的细胞值ct和输出值ht；2am_cell运算模块，实现AM注意力机制的前向传播过程并得出LSTM-AM神经网络算法模型的输出；所述控制单元包括lstm_ctrl模块和am_ctrl模块，用于发送控制信号，让FPGA硬件加速器有序的分别读取LSTM层和AM层的权重参数w和偏置参数bias和LSTM-AM神经网络算法模型的输入向量，并有序完成LSTM层和AM层的前向传播计算；S3.2、把LSTM-AM神经网络算法模型的加速模块打包为IP核；将S3.1的FPGA工程打包为IP核，并使用AXI-Lite总线协议作为接口；S3.3、使用ZYNQ的PS端实现对LSTM-AM神经网络算法模型的加速模块的调用；设计ZYNQ工程，将LSTM-AM神经网络算法模型的加速模块作为片上外设，通过AXI-Lite总线协议挂载到PS端，在PS端设计驱动程序，通过AXI-Lite总线协议实现与LSTM-AM神经网络算法模型的加速模块的数据交互。

全文数据：

权利要求：

百度查询： 大连理工大学 一种基于LSTM-AM算法及其FPGA硬件加速的建筑能耗预测方法