CN112634083A - 一种建筑节能监测方法 - Google Patents

Abstract

本发明公开了一种建筑节能监测方法，包括：采集建筑楼宇的居住环境信息，并计算环境评价系数；采集建筑楼宇的能耗信息，计算能耗评价系数；采集建筑楼宇的使用面积、居住人口数，将上述采集到的信息经过归一化后输入到BP神经网络模型中，作为输入层；经过BP神经网络模型训练，输出建筑楼宇的监测情况；将异常运行的监测结果输入到模糊控制器中，获得表示异常类别的输出向量群，将其作为监测答案输出。通过对建筑楼宇的实际运行情况进行监测，并对异常运行情况进行调节或报警，提高对建筑楼宇的节能和监测效率。通过BP神经网络和模糊控制对建筑楼宇的运行情况进行监控，并在异常时进行调节或报警，监控精度高，效果好。

Description

一种建筑节能监测方法

技术领域

本发明涉及一种建筑节能监测方法，属于建筑节能领域。

背景技术

建筑节能具体指在建筑物的规划、设计、新建(改建、扩建)、改造和使用过程中，执行节能标准，采用节能型的技术、工艺、设备、材料和产品，提高保温隔热性能和采暖供热、空调制冷制热系统效率，加强建筑物用能系统的运行管理，利用可再生能源，在保证室内热环境质量的前提下，增大室内外能量交换热阻，以减少供热系统、空调制冷制热、照明、热水供应因大量热消耗而产生的能耗。

目前，我国已成为世界第三大能源生产国和第二大能源消费国，每年建成建筑总面积已超过所有发达国家的总和。建筑在生产和使用过程中要消耗能源总量的50％，其中建筑能耗约占全社会总能耗的24％，而该比例还仅仅是建造和使用过程中所消耗的能源比例，如果再加上建筑材料在生产过程中所消耗的能源，那么建筑能耗将占到全社会总能耗的47.24％，在社会总能耗中位居首位。近年来我国建筑业的长足、快速发展，需要大量运行和使用能源。

发明内容

本发明设计开发了一种建筑节能监测方法，通过对建筑楼宇的实际运行情况进行监测，并对异常运行情况进行调节或报警，提高对建筑楼宇的节能和监测效率。

本发明的另一发明目的，通过BP神经网络和模糊控制对建筑楼宇的运行情况进行监控，并在异常时进行调节或报警，监控精度高，效果好。

本发明的另一发明目的，通过计算环境评价系数和能耗评价系数，实现对建筑楼宇的运行情况进行判断。

本发明提供的技术方案为：

一种建筑节能监测方法，包括：

采集建筑楼宇的居住环境信息，并计算环境评价系数；

采集建筑楼宇的能耗信息，计算能耗评价系数；

采集建筑楼宇的使用面积、居住人口数，将上述采集到的信息经过归一化后输入到BP神经网络模型中，作为输入层；

经过BP神经网络模型训练，输出建筑楼宇的监测情况；

将异常运行的监测结果输入到模糊控制器中，获得表示异常类别的输出向量群，将其作为监测答案输出。

优选的是，通过传感器采集居住环境信息，包括：居住环境温湿度T_W、 CO₂浓度C、光照强度λ、风速v。

优选的是，通过传感器采集能耗信息，包括：总耗电量L_D、总燃气使用量L_R以及总用水量L_W。

优选的是，所述环境评价系数的经验计算公式为：

其中，δ为校正系数，

为CO₂浓度标准值，

为环境温湿度标准值，

为光照强度标准值，

为风速标准值。

优选的是，所述能耗评价系数的经验公式为：

其中，

为耗电量标准值，

为标准总燃气使用量值，

为总用水量标准值。

优选的是，所述BP神经网络训练具体包括：

步骤1、按照采样周期，获取环境评价系数ε、能耗评价系数α、建筑楼宇的使用面积S、居住人口数P；

步骤2、依次将获取的参数进行归一化，确定三层BP神经网络的输入层向量为，x＝{x₁,x₂,x₃,x₄}；其中，x₁为环境评价系数、x₂为能耗评价系数、x₃为使用面积系数、x₄为居住人口系数；

步骤3、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4、得到输出层向量o＝{o₁,o₂}；o₁为正常运行系数、o₂为异常运行系数。

优选的是，还包括：

将异常运行系数与预设的异常运行系数进行比较得到异常运行偏差信号；将异常运行偏差信号经过微分计算得到异常运行偏差变化率信号；将异常运行偏差信号共同经过放大后输入模糊控制器，输出异常运行等级。

优选的是，所述输入层向量进行归一化的公式为：

其中，x_j为输入层向量中的参数，X_j分别为测量参数：ε、α、S、P， j＝1,2,3,4；X_jmax和X_jmin分别为相应测量参数中的最大值和最小值。

优选的是，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)。

本发明所述的有益效果：本发明提供的建筑节能监测方法，通过对建筑楼宇的实际运行情况进行监测，并对异常运行情况进行报警，提高对建筑楼宇的节能和监测效率。通过BP神经网络和模糊控制对建筑楼宇的运行情况进行监控，并在异常时进行报警，监控精度高，效果好。通过计算环境评价系数和能耗评价系数，实现对建筑楼宇的运行情况进行判断。

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节能监测方法，能够对建筑楼宇的运行情况进行监测，并在异常运行时进行调节和报警，提高建筑楼宇的节能效率，具体包括：

采集建筑楼宇的居住环境信息，并计算环境评价系数；

其中，通过传感器采集居住环境信息，包括：居住环境温湿度T_W、CO₂浓度、光照强度λ、风速v。

其中，环境评价系数的经验计算公式为：

式中，δ为校正系数，

为CO₂浓度标准值，

为环境温湿度标准值，

为光照强度标准值，

为风速标准值。

采集建筑楼宇的能耗信息，计算能耗评价系数；

其中，通过传感器采集能耗信息，包括：总耗电量L_D、总燃气使用量L_R以及总用水量L_W。

其中，能耗评价系数的经验公式为：

式中，

为耗电量标准值，

为标准总燃气使用量值，

为总用水量标准值。

采集建筑楼宇的使用面积以及居住人口数，并与环境评价系数、能耗评价系数，并进行归一化后输入到BP神经网络中，作为输入层；

经过BP神经网络模型训练，输出建筑楼宇的监测情况；将监测到的异常运行的监测结果输入到模糊控制器中，获得表示异常类别的输出向量群，将其作为监测答案输出。

在本发明中，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；

BP模型上各层次的神经元之间形成全互连连接，各层次内的神经元之间没有连接，输入层神经元的输出与输入相同，即o_i＝x_i。中间隐含层和输出层的神经元的操作特性为

o_pj＝f_j(net_pj)

其中，p表示当前的输入样本，ω_ji为从神经元i到神经元j的连接权值， o_pi为神经元j的当前输入，o_pj为其输出；f_j为非线性可微非递减函数，取为 S型函数，即f_j(x)＝1/(1+e^-x)。

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＝2，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为环境评价系数、x₂为能耗评价系数、 x₃为使用面积系数、x₄为居住人口系数；

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：

输出层向量o＝{o₁,o₂}的二个参数分别表示为：o₁为正常运行系数、o₂为异常运行系数。

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：

表2

步骤3、将得到的样本输出层输入到模糊控制器中，获得表示异常类别的输出向量群，将其作为监测答案输出，具体如下：

将异常运行系数o₂与预设的异常运行系数

进行比较得到异常运行偏差信号e；将异常运行偏差信号e经过微分计算得到异常运行偏差变化率信号ec；将异常运行偏差信号e经过放大后输入模糊控制器，输出异常运行等级。 I＝{I₁,I₂,I₃}，其中，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，e的实际变化范围分别为[-1,1]，离散论域为{-6，-5，-4，-3，-2， -1，0，1，2，3，4，5，6}，I的离散论域为{0,1,2}，则e对应的量化因子k＝6/1；

定义模糊子集及隶属函数：

把异常运行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)，结合经验得出异常运行偏差变化率信号e的隶属度函数表，如表3所示：

表3

e	-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

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，得到阀门开度调节等级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4

表4

通过BP神经网络和模糊控制对建筑楼宇的运行情况进行监控，并在异常时进行调节或报警，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 (9)

1.一种建筑节能监测方法，其特征在于，包括：

采集建筑楼宇的居住环境信息，并计算环境评价系数；

采集建筑楼宇的能耗信息，计算能耗评价系数；

采集建筑楼宇的使用面积、居住人口数，将上述采集到的信息经过归一化后输入到BP神经网络模型中，作为输入层；

经过BP神经网络模型训练，输出建筑楼宇的监测情况；

将异常运行的监测结果输入到模糊控制器中，获得表示异常类别的输出向量群，将其作为监测答案输出。

2.根据权利要求1所述的建筑节能监测方法，其特征在于，通过传感器采集居住环境信息，包括：居住环境温湿度T_W、CO₂浓度C、光照强度λ、风速v。

3.根据权利要求2所述的建筑节能监测方法，其特征在于，通过传感器采集能耗信息，包括：总耗电量L_D、总燃气使用量L_R以及总用水量L_W。

4.根据权利要求3所述的建筑节能监测方法，其特征在于，所述环境评价系数的经验计算公式为：

其中，δ为校正系数，

为CO₂浓度标准值，

为环境温湿度标准值，

为光照强度标准值，

为风速标准值。

5.根据权利要求4所述的建筑节能监测方法，其特征在于，所述能耗评价系数的经验公式为：

其中，

为耗电量标准值，

为标准总燃气使用量值，

为总用水量标准值。

6.根据权利要求5所述的建筑节能监测方法，其特征在于，所述BP神经网络训练具体包括：

步骤1、按照采样周期，获取环境评价系数ε、能耗评价系数α、建筑楼宇的使用面积S、居住人口数P；

步骤2、依次将获取的参数进行归一化，确定三层BP神经网络的输入层向量为，x＝{x₁,x₂,x₃,x₄}；其中，x₁为环境评价系数、x₂为能耗评价系数、x₃为使用面积系数、x₄为居住人口系数；

步骤3、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4、得到输出层向量o＝{o₁,o₂}；o₁为正常运行系数、o₂为异常运行系数。

7.根据权利要求6所述的建筑节能监测方法，其特征在于，还包括：

将异常运行系数与预设的异常运行系数进行比较得到异常运行偏差信号；将异常运行偏差信号经过微分计算得到异常运行偏差变化率信号；将异常运行偏差信号共同经过放大后输入模糊控制器，输出异常运行等级。

8.根据权利要求7所述的建筑节能监测方法，其特征在于，所述输入层向量进行归一化的公式为：

其中，x_j为输入层向量中的参数，X_j分别为测量参数：ε、α、S、P，j＝1,2,3,4；X_jmax和X_jmin分别为相应测量参数中的最大值和最小值。

9.根据权利要求6所述的建筑节能监测方法，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)。