CN110322007A - 一种建筑电气节能监控方法 - Google Patents

Abstract

本发明公开了一种建筑电气节能监控方法，包括：步骤一、监测目标楼宇的环境信息，计算环境影响因子；步骤二、监测中央空调的运行信息，计算空调的运行能力系数；步骤三、监测中央空调的调节面积和室内温度，将上述监测信息与存储的标准信息进行比较分类后得到代表监测区域的监测状态标识符，根据所监测区域的监测状态标识符，确定所监测区域匹配的运行情况。能够对建筑楼宇的中央空调具体环境信息和运行信息进行监测，并在环境变化时进行调节和报警，提高建筑电气节能和监控效率。

Description

一种建筑电气节能监控方法

技术领域

本发明涉及一种建筑电气节能监控方法，属于节能领域。

背景技术

能源短缺已成为我国同时也成为世界各国面临的一个重大问题，目前， 我国正处于大量消耗煤、石油和天然气等自然资源、原材料以支撑经济高速 增长的工业化时期，能源短缺对我国经济增长的约束已经日趋明显，在此背 景下，节能已成为我国经济可持续发展的关键，同时，建筑作为我国重要的 耗能源，会消耗大量的电能。

供配电系统是建筑电气的重中之重，关系着终端用电负荷能否安全，可 靠的经济运行。供配电系统中电压等级的确定依据负荷量的统计，提高功率 因数等都是提高供电质量、节约能源的途径。

随着国民经济的发展，建筑电气节能问题变得越来越重要，同时也受到 了各级政府部门的重视。我国在建筑电气节能领域的研究还不够完善，还需 要深入开展建筑电气理论研究和实践应用。

根据大量的调查和实验，空调系统是高层楼宇建筑内部营造舒适宜人环 境的重要保障性系统，是高层楼宇住宅居民供热制冷的核心，因此，空调系 统节能是建筑电气节能研究的重中之重。

发明内容

本发明设计开发了一种建筑电气节能监控方法，能够对建筑楼宇的中央 空调具体环境信息和运行信息进行监测，并在环境变化时进行调节和报警， 提高建筑电气节能和监控效率。

本发明的另一发明目的，通过计算环境影响因子和空调运行能力系数， 实现对空调的运行情况进行判断。

本发明的另一发明目的，通过BP神经网络和模糊控制对中央空调的运 行情况进行进行监控，并在出现异常时进行报警，监控精度高，效果好。

本发明提供的技术方案为：

一种建筑电气节能监控方法，包括：

步骤一、监测目标楼宇的环境信息，计算环境影响因子；

步骤二、监测中央空调的运行信息，计算空调的运行能力系数；

步骤三、监测中央空调的调节面积和室内温度，将上述监测信息与存储 的标准信息进行比较分类后得到代表监测区域的监测状态标识符，根据所监 测区域的监测状态标识符，确定所监测区域匹配的运行情况；

当监测状态标识符不存在时，则根据神经网络模型，给出针对所监测信 号的运行类别，包括：

所监测得到的多个监测信号的编码层构建为神经网络模型，在所述神经 网络中对所监测信号进行解析和输出；

将输出结果输入到模糊控制器中，获得表示调节类别的输出向量群，将 其作为调节答案输出。

优选的是，所述目标楼宇的环境信息包括：环境温度T₁、环境湿度wet、 环境光照强度λ以及风力等级α。

优选的是，所述环境影响因子的经验公式为：

其中，为环境温度设定值，为环境湿度设定值，为光照强度。

优选的是，所述空调的运行信息包括：风道温度T₂、风道压力P、送风 机转速n以及送风机的功率Pe。

优选的是，所述空调的运行能力系数的经验公式为：

其中，为额定功率，为设定的送风机转速，为设定的风道压力，为设定的风道温度，η₁为与空调运行能力系数相关的第一常数，η₂为与空调 运行能力系数相关的第二常数。

优选的是，所述步骤三中神经网络模型为三层BP神经网络模型，所述 神经网络具体监测过程包括：

步骤1、按照采样周期，采集监测信息包括：调节面积S、室内温度T、 环境系数χ和空调运行能力系数σ，并进行归一化，确定三层BP神经网络的 输入层向量为x＝{x₁,x₂,x₃,x₄}；其中，x₁为调节面积系数、x₂为室内温度系数、 x₃为环境影响因子系数、x₄为空调运行能力系数；

步骤2、所述输入层向量映射到中间层，所述中间层向量y＝{y₁,y₂,…,y_m}； m为中间层节点个数；

步骤3、得到输出层向量o＝{o₁,o₂,o₃}；o₁为出风量调节系数、o₂为送风机 电压调节系数，o₃为送风机报警系数。

优选的是，所述中间层节点个数m满足：其中，n为输 入层节点个数，p为输出层节点个数；所述中间层及所述输出层的激励函数 均采用S型函数f_j(x)＝1/(1+e^-x)。

优选的是，所述模糊控制器的工作过程包括：

将所述出风量调节系数与设定的出风量调节系数比较得到出风量调节偏 差信号，将所述送风机电压调节系数与设定的送风机电压调节系数比较得到 送风机电压调节偏差信号，将所述送风机报警系数与预设的报警系数比较得 到报警偏差信号；

将出风量调节偏差信号经过微分计算得到出风量调节偏差变化率信号， 送风机电压调节偏差信号经过微分计算得到送风机电压偏差变化率信号，将 送风机报警信号经过微分计算得到送风机报警偏差信号；

将出风量调节偏差变化率信号、送风机调节偏差变化率信号以及报警偏 差变化率信号共同经过放大后输入模糊控制器中，输出调节等级。

本发明所述的有益效果：本方法通过对建筑楼宇的空调运行情况进行监 测，并在环境变化时进行调节和报警，提高建筑电气节能和监控效率，同时 通过计算环境系数和空调运行能力系数，实现对空调的运行情况进行判断， 通过BP神经网络和模糊控制对中央空调的运行情况进行进行监控，并在出 现异常时进行报警，监控精度高，效果好。

具体实施方式

下面对本发明做进一步的详细说明，以令本领域技术人员参照说明书文 字能够据以实施。

本发明提供一种建筑电气节能监控方法，能够对建筑楼宇的中央空调具 体环境信息和运行信息进行监测，并在环境变化时进行调节和报警，提高建 筑电气节能和监控效率，具体包括如下：

步骤一、监测目标楼宇的环境信息，计算环境系数；

其中，目标楼宇的环境信息包括：环境温度T₁、环境湿度wet、环境光照 强度λ以及风力等级α；

在另一实施例中，环境系数的经验公式为：

其中，为环境温度设定值，为环境湿度设定值，为光照强度。

步骤二、监测中央空调的运行信息，计算空调的运行能力系数χ；

其中，空调的运行信息包括：风道温度T₂、风道压力P、送风机转速n以 及送风机的功率Pe；

在另一实施例中，空调运行能力系数的经验公式为：

其中，为额定功率，为设定的送风机转速，为设定的风道压力，为设定的风道温度，η₁为与空调运行能力系数相关的第一常数，η₂为与空调 运行能力系数相关的第二常数，η₁＝0.15～0.35，η₂＝0.4～0.55.

步骤三、监测中央空调的调节面积和室内温度，将上述监测信息与存储 的标准信息进行比较分类后得到代表监测区域的监测状态标识符，根据所监 测区域的监测状态标识符，确定所监测区域匹配的运行情况；

当监测状态标识符不存在时，则根据神经网络模型，给出针对所监测信 号的运行类别，包括：

将所监测得到的多个监测信号的编码层构建为神经网络模型，在神经网 络中对所监测信号进行解析和输出；

将输出结果输入到模糊控制器中，获得表示调节类别的输出向量群，将 其作为调节答案输出。

其中，在本发明中，神经网络选用三层BP神经网络，具体包括：

步骤1、建立BP神经网络模型；

本发明采用的BP网络体系结构由三层组成，第一层为输入层，共n个节 点，对应了表示设备工作状态的n个检测信号，这些信号参数由数据预处理模 块给出。第二层为隐层，共m个节点，由网络的训练过程以自适应的方式确 定。第三层为输出层，共p个节点，由系统实际需要输出的响应确定。

该网络的数学模型为：

输入层向量：x＝(x₁,x₂,…,x_n)^T

中间层向量：y＝(y₁,y₂,…,y_m)^T

输出层向量：z＝(z₁,z₂,…,z_p)^T

本发明中，输入层节点数为n＝4，输出层节点数为p＝3，隐藏层节点数m 由下式估算得出：

输入信号4个参数分别表示为：x₁为调节面积系数、x₂为室内温度系数、 x₃为环境系数、x₄为空调运行能力系数

由于传感器获取的数据属于不同的物理量，其量纲各不相同。因此，在 数据输入人工神经网络之前，需要将数据归一化为0-1之间的数值。

归一化的公式为：

具体而言，对于中央空调的调节面积，进行归一化后，得到调节面积系 数x₁；

其中，S_min和S_max分别为调节面积的最小值和最大值；

具体而言，对于室内温度，进行归一化后，得到室内温度系数x₂；

其中，T_1min和T_1max分别室内温度的最小值和最大值；

具体而言，对于环境系数，进行归一化后，得到环境系数x₃；

其中，χ_min和χ_max分别为环境系数最小值和最大值

具体而言，对于中央空调运行能力，进行归一后，得到中央空调运行能 力系数x₄；，

其中，σ_min和σ_max分别为中央空调运行能力系数的最大值和最小值。

输出层向量o＝{o₁,o₂,o₃}的三个参数分别表示为o₁为出风量调节系数、o₂为 送风机电压调节系数，o₃为送风机报警系数

步骤2、进行BP神经网络的训练。

建立好BP神经网络节点模型后，即可进行BP神经网络的训练。根据产 品的历史经验数据获取训练的样本，并给定输入节点i和隐含层节点j之间的 连接权值，隐层节点j和输出层节点k之间的连接权值。

训练方法

各子网采用单独训练的方法；训练时，首先要提供一组训练样本，其中 的每一个样本由输入样本和理想输出对组成，当网络的所有实际输出与其理 想输出一致时，表明训练结束；否则，通过修正权值，使网络的理想输出与 实际输出一致；各子网训练时的输入样本如表1所示：

表1

在系统设计时，系统模型是一个仅经过初始化了的网络，权值需要根据 在使用过程中获得的数据样本进行学习调整，为此设计了系统的自学习功能。 在指定了学习样本及数量的情况下，系统可以进行自学习，以不断完善网络 性能，各子网训练后的输出样本如表2所示：

步骤3、将得到的样本输出层向量输入到模糊控制器中，获得表示调节 类别的向量群，具体如下：

将出风量调节系数o₁与设定的空调调节系数比较得到出风量调节 偏差信号，将送风机的电压调节系数o₂与设定的送风机的电压调节系数 比较得到送风机电压调节偏差信号，将送风机报警系数与设定的送风 机报警系数进行比较得到送风机报警系数偏差信号；

将出风量调节偏差信号经过微分计算得到出风量调节偏差变化率信号 e₁，将送风机电压调节偏差信号经过微分计算得到送风机电压调节偏差变化 率信号e₂，将送风机报警偏差信号经过微分计算得到送风机报警系数偏差变 化率e₃。

将出风量调节偏差变化率信号e₁、送风机电压调节偏差变化率信号e₂以 及送风机报警系数偏差变化率e₃共同经过放大后输入模糊控制器，输出调节 等级I＝{I₀,I₁,I₂,I₃}，其中，I₀为正常运行，I₁为一级调节，I₂为二级调节，I₃为报警信号，需要引起注意，必要的时候进行紧急撤离。

其中，e₁、e₂、e₃的实际变化范围分别为[-1,1]，[-1,1]，[-1,1]；离散论域 均为{-6，-5，-4，-3，-2，-1，0，1，2，3，4，5，6}，I的离散论域为{0,1,2,3}，

则e₁、e₂、e₃对应的量化因子k₁＝6/1，k₂＝6/1，k₃＝6/1；

定义模糊子集及隶属函数：

把出风量调节偏差变化率信号分为7个模糊状态：PB(正大)，PM(正 中)，PS(正小)，ZR(零)，NS(负小)，NM(负中)，NB(负大)，结合经 验得出空调调节变化率信号e₁的隶属度函数表，如表3所示

表3

e<sub>1</sub>	-6	-5	-4	-3	-2	-1	0	+1	+2	+3	+4	+5	+6
														PB	0	0	0	0	0	0	0	0	0	0	0.2	0.8	1.0
PM	0	0	0	0	0	0	0	0	0.2	0.5	1.0	0.5	0.1
														PS	0	0	0	0	0	0	0	0.4	1.0	0.8	0.7	0	0
ZR	0	0	0	0	0.2	0.7	1.0	0	0	0	0	0	0
														NB	0	0	0.3	0.6	1.0	0.8	0.5	0	0	0	0	0	0
NM	0.2	0.4	1.0	0.6	0.1	0	0	0	0	0	0	0	0
														NS	1.0	0.6	0.4	0.2	0	0	0	0.2	0	0	0	0	0

把送风机电压调节偏差变化率信号e₂分为7个模糊状态：PB(正大)， PM(正中)，PS(正小)，ZR(零)，NS(负小)，NM(负中)，NB(负大)， 结合经验得出送风机电压调节偏差变化率信号e₂的隶属度函数表，如表4所 示：

表4

把报警系数偏差变化率e₃分为三个模糊状态：PB(正大)，ZR(零)，NB (负大)，结合经验报警系数偏差变化率e₃的隶属的函数表，如表5所示

表5

e<sub>3</sub>	-6	-5	-4	-3	-2	-1	0	+1	+2	+3	+4	+5	+6
														PB	0	0	0	0	0	0	0	0	0	0	0.4	0.8	1.0
ZR	0	0	0	0	0.2	0.7	1.0	0	0	0	0	0	0
														NS	1.0	0.6	0.4	0.2	0	0	0	0.2	0	0	0	0	0

模糊推理过程必须执行复杂的矩阵运算，计算量非常大，在线实施推理 很难满足控制系统实时性的要求，本发明采用查表法进行模糊推理运算，模 糊推理决策采用三输入单输出的方式通过经验可以总结出模糊控制器的初步 控制规则，模糊控制器根据得出的模糊值对输出信号进行解模糊化，得到调 节等级I，求模糊控制查询表，由于论域是离散的，模糊控制规则及可以表示 为一个模糊矩阵，采用单点模糊化，得出I控制规则见表5。

表6

通过BP神经网络和模糊控制对中央空调的运行情况进行进行监控，并 在出现异常时进行报警，监控精度高，效果好。

尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方 式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领 域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范 围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的实 施例。

Claims (8)

1.一种建筑电气节能监控方法，其特征在于，包括：

步骤一、监测目标楼宇的环境信息，计算环境影响因子；

步骤二、监测中央空调的运行信息，计算空调的运行能力系数；

步骤三、监测中央空调的调节面积和室内温度，将上述监测信息与存储的标准信息进行比较分类后得到代表监测区域的监测状态标识符，根据所监测区域的监测状态标识符，确定所监测区域匹配的运行情况；

当监测状态标识符不存在时，则根据神经网络模型，给出针对所监测信号的运行类别，包括：

所监测得到的多个监测信号的编码层构建为神经网络模型，在所述神经网络中对所监测信号进行解析和输出；

将输出结果输入到模糊控制器中，获得表示调节类别的输出向量群，将其作为调节答案输出。

2.根据权利要求1所述的建筑电气节能监控方法，其特征在于，所述目标楼宇的环境信息包括：环境温度T₁、环境湿度wet、环境光照强度λ以及风力等级α。

3.根据权利要求2所述的建筑电气节能监控方法，其特征在于，所述环境影响因子的经验公式为：

其中，为环境温度设定值，为环境湿度设定值，为光照强度。

4.根据权利要求3所述的建筑电气节能监控方法，其特征在于，所述空调的运行信息包括：风道温度T₂、风道压力P、送风机转速n以及送风机的功率Pe。

5.根据权利要求4所述的建筑电气节能监控方法，其特征在于，所述空调的运行能力系数的经验公式为：

其中，为额定功率，为设定的送风机转速，为设定的风道压力，为设定的风道温度，η₁为与空调运行能力系数相关的第一常数，η₂为与空调运行能力系数相关的第二常数。

6.根据权利要求5所述的建筑电气节能监控方法，其特征在于，所述步骤三中神经网络模型为三层BP神经网络模型，所述神经网络具体监测过程包括：

步骤1、按照采样周期，采集监测信息包括：调节面积S、室内温度T、环境系数χ和空调运行能力系数σ，并进行归一化，确定三层BP神经网络的输入层向量为x＝{x₁,x₂,x₃,x₄}；其中，x₁为调节面积系数、x₂为室内温度系数、x₃为环境影响因子系数、x₄为空调运行能力系数；

步骤2、所述输入层向量映射到中间层，所述中间层向量y＝{y₁,y₂,…,y_m}；m为中间层节点个数；

步骤3、得到输出层向量o＝{o₁,o₂,o₃}；o₁为出风量调节系数、o₂为送风机电压调节系数，o₃为送风机报警系数。

7.根据权利要求6所述的建筑电气节能监控方法，其特征在于，所述中间层节点个数m满足：其中，n为输入层节点个数，p为输出层节点个数；所述中间层及所述输出层的激励函数均采用S型函数f_j(x)＝1/(1+e^-x)。

8.根据权利要求7所述的建筑电气节能监控方法，其特征在于，所述模糊控制器的工作过程包括：

将所述出风量调节系数与设定的出风量调节系数比较得到出风量调节偏差信号，将所述送风机电压调节系数与设定的送风机电压调节系数比较得到送风机电压调节偏差信号，将所述送风机报警系数与预设的报警系数比较得到报警偏差信号；

将出风量调节偏差信号经过微分计算得到出风量调节偏差变化率信号，送风机电压调节偏差信号经过微分计算得到送风机电压偏差变化率信号，将送风机报警信号经过微分计算得到送风机报警偏差信号；

将出风量调节偏差变化率信号、送风机调节偏差变化率信号以及报警偏差变化率信号共同经过放大后输入模糊控制器中，输出调节等级。