Python新手求助：神经网络+Gekko优化热泵功耗完整代码

核心问题解答 #

拟合后的神经网络模型完全可以用于Gekko优化问题，但需将训练好的模型转换为Gekko支持的计算形式（避免依赖TensorFlow/Keras的原生计算图，可通过导出模型权重，在Gekko中手动构建网络计算逻辑实现）。

完整代码实现 #

以下是针对12输入1输出（功耗）的全流程代码，包含数据预处理、神经网络训练、模型导入Gekko、功耗优化全步骤，注释清晰适配新手：

1. 环境准备 #

先在命令行执行以下命令安装依赖库：

pip install numpy pandas tensorflow gekko matplotlib

2. 完整运行代码 #

import numpy as np
import pandas as pd
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, InputLayer
from sklearn.preprocessing import MinMaxScaler
import matplotlib.pyplot as plt
from gekko import GEKKO

# --------------------------
# 步骤1：加载与预处理热泵数据
# --------------------------
# 替换为你的实际数据文件路径，确保前12列为输入变量，最后一列为功耗输出
data = pd.read_csv('heat_pump_data.csv')

# 分离输入（X）和输出（y）
X = data.iloc[:, :-1].values  # 提取前12个输入变量
y = data.iloc[:, -1].values   # 提取最后一列功耗数据

# 数据归一化（提升神经网络训练稳定性与优化精度）
scaler_X = MinMaxScaler(feature_range=(0, 1))
scaler_y = MinMaxScaler(feature_range=(0, 1))
X_scaled = scaler_X.fit_transform(X)
y_scaled = scaler_y.fit_transform(y.reshape(-1, 1))

# --------------------------
# 步骤2：训练神经网络模型
# --------------------------
# 构建全连接神经网络（可根据拟合效果调整层数/神经元数量）
model = Sequential()
model.add(InputLayer(input_shape=(12,)))  # 输入层：适配12个变量
model.add(Dense(16, activation='relu'))  # 隐藏层1：16个神经元，ReLU激活
model.add(Dense(8, activation='relu'))   # 隐藏层2：8个神经元，ReLU激活
model.add(Dense(1, activation='linear')) # 输出层：线性激活，输出功耗值

# 编译模型
model.compile(optimizer='adam', loss='mse')

# 训练模型，预留20%数据做验证
history = model.fit(X_scaled, y_scaled, epochs=100, batch_size=8, validation_split=0.2)

# 绘制训练损失曲线（可选，验证模型拟合效果）
plt.plot(history.history['loss'], label='训练损失')
plt.plot(history.history['val_loss'], label='验证损失')
plt.xlabel('迭代次数')
plt.ylabel('均方误差')
plt.legend()
plt.show()

# --------------------------
# 步骤3：将神经网络导入Gekko
# --------------------------
# 导出模型权重与偏置
weights = []
biases = []
for layer in model.layers:
    if 'dense' in layer.name:
        w, b = layer.get_weights()
        weights.append(w)
        biases.append(b)

# 初始化Gekko本地模型
m = GEKKO(remote=False)

# 创建12个输入变量，根据实际工况调整上下限
x = [m.Var(lb=0, ub=100) for _ in range(12)]

# 对输入变量做归一化（与训练阶段逻辑一致）
x_scaled = []
for i in range(12):
    x_min = scaler_X.data_min_[i]
    x_max = scaler_X.data_max_[i]
    x_scaled.append((x[i] - x_min)/(x_max - x_min))

# 在Gekko中重建神经网络计算逻辑
# 第一层隐藏层计算
h1 = [m.Intermediate(m.sum([x_scaled[j]*weights[0][j][i] for j in range(12)]) + biases[0][i]) for i in range(16)]
h1_relu = [m.Intermediate(m.max2(h1[i], 0)) for i in range(16)]

# 第二层隐藏层计算
h2 = [m.Intermediate(m.sum([h1_relu[j]*weights[1][j][i] for j in range(16)]) + biases[1][i]) for i in range(8)]
h2_relu = [m.Intermediate(m.max2(h2[i], 0)) for i in range(8)]

# 输出层计算（归一化后的功耗）
y_scaled_gekko = m.Intermediate(m.sum([h2_relu[j]*weights[2][j][0] for j in range(8)]) + biases[2][0])

# 将归一化功耗转换回原始刻度
y_min = scaler_y.data_min_[0]
y_max = scaler_y.data_max_[0]
power_consumption = m.Intermediate(y_scaled_gekko*(y_max - y_min) + y_min)

# --------------------------
# 步骤4：设置优化目标与约束
# --------------------------
# 优化目标：最小化功耗
m.Obj(power_consumption)

# 添加自定义约束（示例：输入变量1≥20，输入变量5≤80，替换为你的实际工况约束）
m.Equation(x[0] >= 20)
m.Equation(x[4] <= 80)

# --------------------------
# 步骤5：求解优化问题
# --------------------------
m.solve(disp=True)

# --------------------------
# 步骤6：输出优化结果
# --------------------------
print("\n优化结果：")
print(f"最小功耗值: {power_consumption.value[0]:.2f}")
print("最优输入变量组合：")
for i in range(12):
    print(f"输入变量{i+1}: {x[i].value[0]:.2f}")

新手适配说明 #

• 数据替换：将heat_pump_data.csv替换为你的实际数据文件，确保列顺序正确。
• 模型调整：若拟合效果不佳，可修改神经网络的隐藏层神经元数量（如16→32）、增加层数，或调整epochs（迭代次数）。
• 约束修改：根据热泵实际运行限制，调整m.Equation中的约束条件，如温度、压力范围等。
• 单输入单输出适配：只需将代码中输入变量数量改为1，神经网络输入层设为input_shape=(1,)，同时调整Gekko变量数量即可，核心逻辑通用。

内容的提问来源于stack exchange，提问作者Athar's Chem