本發明涉及空氣凈化，特別是一種具有專用濾網的抗菌防霉新風系統控制方法及系統。
背景技術：
1、隨著室內空氣質量需求提升，新風系統成為建筑通風核心設備，但霉菌、細菌滋生問題嚴重影響其運行效能與室內健康。現有新風系統多配備基礎濾網與紫外燈，但抗菌防霉控制存在顯著短板：傳感器數據處理粗放，僅單一采集溫濕度等參數，未針對濾網壓差等關鍵狀態數據優化，且缺乏標準化與降噪協同處理，數據失真導致風險判斷偏差。同時專用濾網的抗菌防霉潛力未與智能控制結合，濾網堵塞與微生物滋生形成惡性循環，使得新風系統控制效率不高且不準確。
技術實現思路
1、本發明的目的是為了解決上述問題，設計了一種具有專用濾網的抗菌防霉新風系統控制方法及系統。
2、實現上述目的本發明的技術方案為，進一步，在上述一種具有專用濾網的抗菌防霉新風系統控制方法中，該抗菌防霉新風系統控制方法包括以下步驟：
3、利用傳感器獲取抗菌防霉新風系統中的環境參數、濾網狀態數據和外部條件數據，通過滑動窗口算法對傳感器數據進行標準化處理，結合小波變換去除噪聲，得到預處理數據；
4、通過lstm網絡處理時序數據，預測霉菌滋生風險，基于cnn卷積神經網絡提取傳感器數據的空間特征，利用gnn圖神經網絡建模傳感器節點間關聯性，建立混合神經網絡模型；
5、利用改進的iwoa鯨魚優化算法優化所述混合神經網絡模型的超參數，將所述預處理數據輸入優化好的混合神經網絡模型中，輸出霉菌孢子釋放概率；
6、根據所述霉菌孢子釋放概率進行霉菌風險等級劃分，基于等級劃分結果動態調節紫外燈功率。
7、進一步，在上述一種具有專用濾網的抗菌防霉新風系統控制方法中，所述利用傳感器獲取抗菌防霉新風系統中的環境參數、濾網狀態數據和外部條件數據，通過滑動窗口算法對傳感器數據進行標準化處理，結合小波變換去除噪聲，得到預處理數據，包括：
8、根據抗菌防霉新風系統的運行場景，部署三類傳感器集群，通過傳感器采集數據，設定滑動窗口大小為10個采樣周期，窗口滑動步長為1個采樣周期，對每個窗口內的單一類型數據采用z-score標準化方法處理，得到標準化數據；
9、選擇db4小波基作為變換基函數，根據數據采樣頻率設定分解層數為3層，分解標準化數據，得到低頻近似分量和高頻細節分量；
10、采用默認閾值法計算各層高頻分量的閾值，對高于閾值的高頻分量進行置零處理，保留低于閾值的高頻分量及全部低頻分量，通過小波逆變換將處理后的低頻分量與高頻分量重構，得到預處理數據。
11、進一步，在上述一種具有專用濾網的抗菌防霉新風系統控制方法中，所述通過lstm網絡處理時序數據，預測霉菌滋生風險，基于cnn卷積神經網絡提取傳感器數據的空間特征，利用gnn圖神經網絡建模傳感器節點間關聯性，建立混合神經網絡模型，包括：
12、構建3層lstm網絡，輸入層維度為預處理數據的特征數，第一隱藏層設置64個lstm單元；
13、第二隱藏層設置32個lstm單元，第三隱藏層設置16個lstm單元，每個隱藏層后添加dropout層防止過擬合，輸出層為未來24小時內每小時的霉菌滋生風險初步預測值。
14、進一步，在上述一種具有專用濾網的抗菌防霉新風系統控制方法中，所述通過lstm網絡處理時序數據，預測霉菌滋生風險，基于cnn卷積神經網絡提取傳感器數據的空間特征，利用gnn圖神經網絡建模傳感器節點間關聯性，建立混合神經網絡模型，包括：
15、構建2層卷積+1層池化的cnn模塊，輸入為傳感器部署的空間矩陣數據，第一卷積層采用16個3×3卷積核，激活函數為relu；隨后連接1層2×2最大池化層；
16、第二卷積層采用32個3×3卷積核，激活函數為relu；最后通過扁平層將卷積特征轉換為一維向量，輸出空間特征向量；
17、將每個傳感器作為一個節點，節點特征為該傳感器的預處理數據；根據傳感器間的物理距離構建鄰接矩陣，得到傳感器節點圖結構。
18、進一步，在上述一種具有專用濾網的抗菌防霉新風系統控制方法中，所述利用改進的iwoa鯨魚優化算法優化所述混合神經網絡模型的超參數，將所述預處理數據輸入優化好的混合神經網絡模型中，輸出霉菌孢子釋放概率，包括：
19、在標準woa鯨魚優化算法基礎上引入自適應權重因子，增強算法前期探索能力與后期收斂能力，同時加入變異操作避免陷入局部最優，得到改進的iwoa鯨魚優化算法。
20、進一步，在上述一種具有專用濾網的抗菌防霉新風系統控制方法中，所述利用改進的iwoa鯨魚優化算法優化所述混合神經網絡模型的超參數，將所述預處理數據輸入優化好的混合神經網絡模型中，輸出霉菌孢子釋放概率，包括：
21、以混合神經網絡模型的預測誤差最小化為優化目標，待優化超參數包括lstm隱藏層單元數、cnn卷積核數量、學習率和批處理大小；
22、設置改進的iwoa鯨魚優化算法的種群規模為30，最大迭代次數為50，初始化種群為隨機超參數組合，通過鯨魚優化算法的包圍、捕食、搜索行為更新種群，每輪迭代后計算對應模型的預測誤差，迭代輸出最優超參數。
23、進一步，在上述一種具有專用濾網的抗菌防霉新風系統控制方法中，所述根據所述霉菌孢子釋放概率進行霉菌風險等級劃分，基于等級劃分結果動態調節紫外燈功率，包括：
24、根據霉菌孢子釋放概率劃分三個風險等級，低風險霉菌滋生速度緩慢，對環境影響極小；中風險霉菌開始滋生需輕度干預；高風險霉菌滋生活躍，易引發濾網霉變及室內污染。
25、進一步，在一種具有專用濾網的抗菌防霉新風系統控制系統，所述抗菌防霉新風系統控制系統包括以下模塊：
26、數據采集處理模塊，用于利用傳感器獲取抗菌防霉新風系統中的環境參數、濾網狀態數據和外部條件數據，通過滑動窗口算法對傳感器數據進行標準化處理，結合小波變換去除噪聲，得到預處理數據；
27、網絡模型建立模塊，用于通過lstm網絡處理時序數據，預測霉菌滋生風險，基于cnn卷積神經網絡提取傳感器數據的空間特征，利用gnn圖神經網絡建模傳感器節點間關聯性，建立混合神經網絡模型；
28、霉菌風險預測模塊，用于利用改進的iwoa鯨魚優化算法優化所述混合神經網絡模型的超參數，將所述預處理數據輸入優化好的混合神經網絡模型中，輸出霉菌孢子釋放概率；
29、系統動態調節模塊，用于根據所述霉菌孢子釋放概率進行霉菌風險等級劃分，基于等級劃分結果動態調節紫外燈功率。
30、進一步，在一種具有專用濾網的抗菌防霉新風系統控制系統中，所述霉菌風險預測模塊包括以下子模塊：
31、改進子模塊，用于在標準woa鯨魚優化算法基礎上引入自適應權重因子，增強算法前期探索能力與后期收斂能力，同時加入變異操作避免陷入局部最優，得到改進的iwoa鯨魚優化算法。
32、進一步，在一種具有專用濾網的抗菌防霉新風系統控制系統中，所述霉菌風險預測模塊包括以下子模塊：
33、劃分子模塊，用于根據霉菌孢子釋放概率劃分三個風險等級，低風險霉菌滋生速度緩慢，對環境影響極小；中風險霉菌開始滋生需輕度干預；高風險霉菌滋生活躍，易引發濾網霉變及室內污染。
34、其有益效果在于，通過多維度數據處理體系提升輸入質量，滑動窗口標準化消除量綱差異，小波變換精準濾除噪聲，結合濾網狀態與外部條件采集，數據有效率提升，為后續預測奠定基礎；基于混合神經網絡突破單一模型局限，lstm捕捉時序趨勢、cnn提取空間特征、gnn建模節點關聯，融合后24小時滋生風險預測精度提升；動態功率控制實現能效協同，基于30分鐘孢子釋放概率劃分三級風險，對應30%、60%、100%功率調節，較固定功率模式更節能，同時避免濾網霉變堵塞，延長濾網壽命，提升系統控制效率和精度。