CN112462648A - 一种用于建筑综合环境监测及预测系统 - Google Patents

Abstract

本发明公开一种用于建筑综合环境监测及预测系统，涉及综合环境监测技术领域，包括单片机主控模块，环境监测模块，NB‑IOT模块，电源模块、时钟模块和掉电储存模块；单片机主控模块，作为数据交换中心，以一定的频率从环境监测模块中获取环境数据并将其传输至NB‑IOT模块，同时在从时钟模块获取时间信息的基础上对获取的数据进行时间标记，并将带有时间标记的传感器数据传输至掉电储存模块，本发明所获取的环境数据通过物联网传输，实现远端的数据监测和分析，通过在采集述的基础上对数据进行分析预测，可根据现有的数据推算未来一段时间内地环境数据，提高了数据对建筑运维的参考价值。

Description

一种用于建筑综合环境监测及预测系统

技术领域

本发明属于综合环境监测技术领域，具体涉及一种用于建筑综合环境监测及预测系统。

背景技术

建筑的智能化与自动化运维已经成为一个重要的发展方向，依托于物联网技术和快速发展及其广连接，低功耗的特点，建筑的环境数据可通过连接到物联网的传感器传输到服务器，以进行实时的监测；但目前的技术多着眼于环境状态数据的监测，但并不能结合相关的算法对收集到的数据进行分析，对建筑运维策略及能耗的降低等方面提供的参考有限，因此，我们提出一种用于建筑综合环境监测及预测系统。

发明内容

针对现有技术的不足，本发明的目的在于提供一种基于便携式物联网硬件设备的建筑综合环境感知传感器以及集成人工神经网络算法的一体化建筑室内环境监测及预测系统。该便携式物联网硬件设备自带电源、本地储存模块和数据通讯模块，可以随地安装、随时监测、并本地储存和网络储存数据，可用于建筑室内综合环境数据的随时随地的实时收集和分析，并依托网络储存方式汇聚于服务器端的监测数据，分析建筑室内各个环境状态参数的特征，并进行室内综合环境的动态预测处理，为建筑的运维提供状态反馈和决策参考。

本发明的目的可以通过以下技术方案实现：一种用于建筑综合环境监测及预测系统，包括单片机主控模块，环境监测模块，NB-IOT模块，电源模块、时钟模块和掉电储存模块；

所述单片机主控模块，作为数据交换中心，以一定的频率从环境监测模块中获取环境数据并将其传输至NB-IOT模块，同时在从时钟模块获取时间信息的基础山对获取的数据进行时间标记，并将带有时间标记的传感器数据传输至掉电储存模块；

所述环境监测模块，用于获取建筑室内环境的环境数据并传输至单片机主控模块进行处理，所述环境监测模块由温度传感器、CO2&TVOC传感器、光照传感器和人体红外释热传感器；

所述NB-IOT模块，用于连接物联网并将从单片机主控模块获取的数据上传至服务器；

所述时钟模块，在存储设定时间的基础上，为单片机主控提供时间数据；

所述掉电储存模块，用于从主控模块获取带时间标记的环境数据并储存为本地备份；

所述电源模块，为上述所有模块供电，包括锂电池及电压转换模块。

进一步地，对所述NB-IOT模块上传至服务器的数据进行预处理，预处理后提取数据集的特征信息。

进一步地，所述特征信息包括建筑环境和人行为的实时数据、建筑环境和人行为的变化量数据、建筑环境和人行为的统计量数据、人员到达时间统计量数据和人员离开时间统计量数据；

所述建筑环境和人行为的实时数据包含温湿度、CO2、人员信息、光照强度等，所述建筑环境和人行为的实时数据设定为x_t1，x_t2，x_t3，x_t4，...x_tn；

所述建筑环境和人行为的变化量数设定为x_Δt1，x_Δt2，x_Δt3，x_Δt4，...x_Δtn，Δt取每5分钟、10分钟、20分钟、1小时、24小时等时间间隔；

进一步地，将所述特征信息通过神经网络模型进行运算，神经网络模型中每个节点代表一种特定的输出函数(称为激励函数)，每两个节点间的连接都代表一个对于通过该连接信号的加权值，称之为权重，公式1-3示例了常规的反馈人工神经网络数学模型，反馈人工神经网络结构增加了承接层，其隐含层和承接层可由公式2和3计算，公式如下：

y_t+Δ1＝g(w³*h_t+b) (1)

h_t＝f(w¹*x_c,t+w²*x_t-1) (2)

x_c,t＝αx_c,t-1+h_t-1 (3)

其中，y_t+Δt是神经元输出值；h_t是隐含层输出；x_c，t是承接层的输出；w¹，w²，w³是承接层、输入层和隐含层神经元输入节点连接权重；b是固定常数；g是输出层神经元激活函数，多取线性函数y_t+Δt＝w³*h_t+b；f是隐含层激励函数，多取Sigmoid函数，f＝1/(1+e^-x)；Δt是预测时间步长；α是自连接反馈增益因子，当α为0时，该网络为常规的BP神经网络，不为0时，则为反馈神经网络。

本发明的有益效果：本发明所获取的环境数据通过物联网传输，可实现远端的数据监测和分析，同时保留了数据的本地备份以避免因网络连接不稳定造成的数据丢失；

采集述的基础上对数据进行分析预测，可根据现有的数据推算未来一段时间内地环境数据，提高了数据对建筑运维的参考价值。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明的系统结构示意图

图2为本发明中硬件部分的原理图

图3常见的人工神经网络结构图

图4基于人工神经网络的建筑环境多时间标度和空间尺度的预测流程图

图5建筑综合环境监测的网页可视化流程示意图

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

一种用于建筑综合环境监测及预测系统，包括单片机主控模块，环境监测模块，NB-IOT模块，电源模块、时钟模块和掉电储存模块；该监测及预测系统同时包含处理单元，其分析处理的结果可用于建筑室内综合环境动态监测的可视化，并为建筑环境控制决策提供参考；该监测及预测系统主要模块如图1所示；该监测及预测系统主要流程示意图如图5所示；。

所述单片机主控模块，作为数据交换中心，以一定的频率从环境监测模块中获取环境数据并将其传输至NB-IOT模块，同时在从时钟模块获取时间信息的基础山对获取的数据进行时间标记，并将带有时间标记的传感器数据传输至掉电储存模块；

所述环境监测模块，用于获取建筑室内环境的环境数据并传输至单片机主控模块进行处理，所述环境监测模块由温度传感器、CO2&TVOC传感器、光照传感器和人体红外释热传感器；

所述NB-IOT模块，用于连接物联网并将从单片机主控模块获取的数据上传至服务器；

所述时钟模块，在存储设定时间的基础上，为单片机主控提供时间数据；

所述掉电储存模块，用于从主控模块获取带时间标记的环境数据并储存为本地备份；

所述电源模块，为上述所有模块供电，包括锂电池及电压转换模块。

具体地，温湿度传感器模块中传感器芯片型号为si7021，CO2和TVOC传感器模块中传感器芯片型号为CCS811，光照传感器模块中传感器芯片型号为BH1750FVI，上述传感器芯片均通过I2C总线与单片机主控通信，发送传感器获得的数据。时钟模块芯片型号为DS3231，同样通过I2C总线向单片机发送时间数据。优选地，单片机主控型号为ATMEGA328P。人体红外释热传感器型号为SR602，通过数字I/O接口向单片机传输数据。掉电储存模块为TF卡，通过SPI总线与单片机主控通信；该集合模块如图2所示。

在单片机主控模块的程序设定下，主控模块以每5分钟一次的频率从各个传感器获取数据，并转化为物联网LWm2m通信协议下标准的数据类型和数据传送格式，上述数据经主控模块传送给NB-IOT模块，继而上传至物联网IOT平台，本实例中为中国移动ONENET平台；主控模块从DS3231芯片中获取时间信息，将所有传感器数据整合为带时间信息的标准格式并传送至掉电储存模块。上述步骤耗时约1分钟，之后主控模块进入休眠模式，直至下一个循环。

进一步地，所述的NB-IOT模块将数据上传到服务器平台进行数据储存。对储存在至服务器的数据进行预处理，预处理后提取数据集的特征信息，在建筑综合环境监测中，可能出现的传感器网络掉线、电池断电或者外部扰动等情况容易导致数据库构建过程中出现异常值或缺省值等数据问题，和需要消除量纲的影响，需对数据库进行数据预处理，以进行下一步人工神经网络算法训练学习。针对数据缺省值或异常值，常用的数据预处理方法有均值法、插值法、回归法等方法，消除量纲的常用方法有归一化(将原始数据处理为0-1区间的数)和标准化(将原始数据的均值和标准差进行数据的标准化)。

进一步地，所述特征信息包括建筑环境和人行为的实时数据、建筑环境和人行为的变化量数据、建筑环境和人行为的统计量数据、人员到达时间统计量数据和人员离开时间统计量数据；

所述建筑环境和人行为的实时数据包含温湿度、CO2、人员信息、光照强度等，所述建筑环境和人行为的实时数据设定为x_t1，x_t2，x_t3，x_t4，...x_tn；

所述建筑环境和人行为的变化量数设定为x_Δt1，x_Δt2，x_Δt3，x_Δt4，...x_Δtn，Δt取每5分钟、10分钟、20分钟、1小时、24小时等时间间隔；

进一步地，将所述特征信息通过神经网络模型进行运算，神经网络模型中每个节点代表一种特定的输出函数(称为激励函数)，每两个节点间的连接都代表一个对于通过该连接信号的加权值，称之为权重，公式1-3示例了常规的反馈人工神经网络数学模型，反馈人工神经网络结构增加了承接层，其隐含层和承接层可由公式2和3计算，公式如下：

y_t+Δ1＝g(w³*h_t+b) (1)

h_t＝f(w¹*x_c,t+w²*x_t-1) (2)

x_c,t＝αx_c,t-1+h_t-1 (3)

其中，y_t+Δt是神经元输出值；h_t是隐含层输出；x_c，t是承接层的输出；w¹，w²，w³是承接层、输入层和隐含层神经元输入节点连接权重；b是固定常数；g是输出层神经元激活函数，多取线性函数y_t+Δt＝w³*h_t+b；f是隐含层激励函数，多取Sigmoid函数，f＝1/(1+e^-x)；Δt是预测时间步长；α是自连接反馈增益因子，当α为0时，该网络为常规的BP神经网络，不为0时，则为反馈神经网络，图3示例了BP神经网络和反馈神经网络典型的结构。

对环境传感器上传平台里数据库的环境数据进行预测处理，以温度为例，经过数据特征提取后获得温度的实时值和变化值，并进行一段时期历史数据的储存。储存后的数据作为神经网络模型的训练学习数据集，确定神经网络模型的各项参数(w¹，w²，w³,b)，最后得出确定参数的神经网络模型。针对新实时采集的数据，作为确定的神经网络模型的输入(X),最终得出预测的温度值；考虑到建筑环境信息是空间尺度和时间尺度分布的，具体实施可以按照房间、楼层、整栋建筑等空间尺度和5分钟、10分钟、20分钟、1小时、24小时等时间尺度进行室内综合环境的预测，具体流程可参照图4。

对于本领域技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型。因此，从任意一处来说，都应将实施例看作是指导性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所有的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种用于建筑综合环境监测及预测系统，其特征在于，包括单片机主控模块，环境监测模块，NB-IOT模块，电源模块、时钟模块和掉电储存模块；

所述单片机主控模块，作为数据交换中心，以一定的频率从环境监测模块中获取环境数据并将其传输至NB-IOT模块，同时在从时钟模块获取时间信息的基础山对获取的数据进行时间标记，并将带有时间标记的传感器数据传输至掉电储存模块；

所述环境监测模块，用于获取建筑室内环境的环境数据并传输至单片机主控模块进行处理，所述环境监测模块由温度传感器、CO2&TVOC传感器、光照传感器和人体红外释热传感器；

所述NB-IOT模块，用于连接物联网并将从单片机主控模块获取的数据上传至服务器；

所述时钟模块，在存储设定时间的基础上，为单片机主控提供时间数据；

所述掉电储存模块，用于从主控模块获取带时间标记的环境数据并储存为本地备份；

所述电源模块，为上述所有模块供电，包括锂电池及电压转换模块。

2.根据权利要求1所述的一种用于建筑综合环境监测及预测系统，其特征在于，对所述NB-IOT模块上传至服务器的数据进行预处理，预处理后提取数据集的特征信息。

3.根据权利要求2所述的一种用于建筑综合环境监测及预测系统，其特征在于，所述特征信息包括建筑环境和人行为的实时数据、建筑环境和人行为的变化量数据、建筑环境和人行为的统计量数据、人员到达时间统计量数据和人员离开时间统计量数据；

所述建筑环境和人行为的实时数据包含温湿度、CO2、人员信息、光照强度等，所述建筑环境和人行为的实时数据设定为x_t1，x_t2，x_t3，x_t4，...x_tn；

所述建筑环境和人行为的变化量数设定为x_Δt1，x_Δt2，x_Δt3，x_Δt4，...x_Δtn，Δt取每5分钟、10分钟、20分钟、1小时、24小时等时间间隔；

所述人员到达时间统计量数据，人员到达建筑空间时间的统计分析，可用于分析确定建筑设备控制系统提前启动时间，预冷或预热建筑空间；

所述人员离开时间统计量数据，人员离开建筑空间时间的统计分析，可用于分析确定建筑设备控制系统提前关闭时间，以节约能源。

4.根据权利要求3所述的一种用于建筑综合环境监测及预测系统，其特征在于，将所述特征信息通过神经网络模型进行运算，神经网络模型中每个节点代表一种特定的输出函数(称为激励函数)，每两个节点间的连接都代表一个对于通过该连接信号的加权值，称之为权重，公式1-3示例了常规的反馈人工神经网络数学模型，反馈人工神经网络结构增加了承接层，其隐含层和承接层可由公式2和3计算，公式如下：

y_t+Δ1＝g(w³*h_t+b) (1)

h_t＝f(w¹*x_c,t+w²*x_t-1) (2)

x_c,t＝αx_c,t-1+h_t-1 (3)

其中，y_t+Δt是神经元输出值；h_t是隐含层输出；x_c，t是承接层的输出；w¹，w²，w³是承接层、输入层和隐含层神经元输入节点连接权重；b是固定常数；g是输出层神经元激活函数，多取线性函数y_t+Δt＝w³*h_t+b；f是隐含层激励函数，多取Sigmoid函数，f＝1/(1+e^-x)；Δt是预测时间步长；α是自连接反馈增益因子，当α为0时，该网络为常规的BP神经网络，不为0时，则为反馈神经网络。

Images