CN113325762A - 一种智能建筑个性化用能控制方法、系统、装置和设备 - Google Patents

Abstract

本发明公开了一种智能建筑个性化用能控制方法、系统、装置和设备，所述系统包括数据采集模块，特征提取模块，需求感知模块，优化控制四个模块；本发明能够获取环境信息和用户信息，提取关键特征，实时预测当前时刻用户的个性化热舒适度需求和照明需求，并针对此进行个性化用能控制，并进行了空调能效分析调节。本发明系统，实现简单，计算复杂度低，对个体针对性强，预测准确度高，不依赖于种类繁杂的传感器，可根据应用场景选取不同的机器学习算法，具有实际应用的优势，建立了用户的个性化热舒适度动态感知模型，估计和更新用户对环境舒适度的需求，针对空调系统进行了单独优化。

Description

一种智能建筑个性化用能控制方法、系统、装置和设备

技术领域

本发明属于智能建筑领域，特别涉及一种智能建筑个性化用能控制方法、系统、装置和设备。

背景技术

能源问题正在日益成为困扰全球的重大资源问题，与此同时，普通用户对设备的智能化需求快速增长，智能建筑成为未来经济的增长点所在。建筑能耗不仅是能能源消耗的主要来源之一，其设备用能也受用户需求影响严重。建设智能建筑，满足用户个性化需求成为解决能源问题的重中之重。

智能建筑的浪潮快速发展，使得智能设备已逐渐进入居家的各个角落，但不同居民的需求有所不同，传统的建筑用能控制系统无法满足用户的个性化需求，单方面地受到用户的直接控制，这种控制方式相对用户的舒适度表现出滞后性，控制的不及时的同时带来了能源的损耗。

按照国际惯例，建筑能耗主要是指民用建筑在采暖、空调、通风、照明以及电梯方面的能耗。世界平均建筑能耗占总能耗的37％，其中，包括采暖、通风、空调、照明在内的民生能耗又占建筑能耗的80％以上。我国建筑能耗约占总能耗的25％，且由于近年来住宅建筑迅速增多，年增长率高达15％。随着生活水平的逐步提高，建筑能耗，特别是中央空调能耗，呈增长趋势。此外，我国的发电总量中，照明占据了10％～12％左右，并且大多数的照明都为低效照明，照明节能具有极大的发展空间。照明节能不仅具备节能和优化环境的功能，而且能有效减缓用电高峰与用电供需冲突的问题。

发明内容

本发明的目的在于提供一种智能建筑个性化用能控制方法、系统、装置和设备，以解决上述现有技术中由于没有考虑到室内人员的个性化，对建筑环境内的温度和照明采用统一调控，无法适配人员的个性化热需求和照明需求，同时会造成巨大的能源浪费这一问题。

为了实现上述目的，本发明采用的技术方案是：

一种智能建筑个性化用能控制方法，包括以下步骤：

步骤1、获取室内外环境数据和人员状态数据，所述人员状态数据包括人员环境偏好、人员的实时位置和运动状态，人员真实热舒适反馈和人员真实照明反馈；

步骤2、从步骤1得到的室内外环境数据中提取室内外环境特征，从室内人员状态数据中提取人员特征；从人员环境偏好中提取人员热偏好特征与人员照明偏好特征；

步骤3、基于步骤2提取的室内外环境特征、人员特征、人员热偏好特征与人员照明偏好特征，以及步骤1获取的人员实时位置与运动状态，预测室内人员的个性化热需求与照明需求；

步骤4、基于步骤3获得的内人员的个性化热需求和照明需求，对室内热环境和光照环境进行控制，并对空调系统进行能耗优化。

进一步的，步骤1包括以下步骤：

S101、每隔设定时间采集室内外环境数据；

S102、收集人员的个人信息，并收集人员对环境的偏好，包括热偏好和照明偏好；

S103、采集人员实时位置，仪获取人员体表温度，与人员位置分布结合，得到人员运动状态。

进一步的，步骤2包括以下步骤：

S201、从室内外环境数据中提取室内外环境特征；

S202、从人员的实时位置信息中，提取人员的位置状态特征；从人员运动状态中，提取人员行为特征，人员行为特征分为静态和动态两种状态；

S203、根据人员环境偏好提取人员热偏好特征与人员照明偏好特征。

进一步的，步骤3包括以下步骤：

S301、根据室内外环境特征及人员特征以人员真实热舒适反馈为目标标签，建立神经网络热需求预测模型；

S302、根据室内外环境数据中的室内外光照强度、人员位置状态特征、人员照明偏好特征，以人员真实照明反馈为目标标签，建立决策树照明需求预测模型；

S303、在新的时刻点，采集并提取室内外环境特征、室内人员特征，利用神经网络热需求预测模型和决策树照明需求预测模型，分别预测人员新时刻的实时热需求和照明需求。

进一步的，步骤4包括以下步骤：

S401、根据步骤3预测的人员照明需求，基于室内外环境特征对窗帘、灯光进行实时调节；

S402、根据步骤3预测的室内人员的个性化热需求，对空调设定温度进行实时调节；

S403、收集空调系统能耗，建立含制冷负荷样本的参数集，根据给定的标准差在参数集的基础上生成情景，按照情景之间的欧氏距离，依次删去距离最小的情景，将其概率赋予在连接的情景上，对情景进行约简，重复执行步骤，得到情景树；

S404、建立空调系统的数学模型，根据生成的情景树，求解对应的满足舒适度要求时温度稳态房间制冷量需求；

S405、对空调运行策略进行求解，求解目标为：拟定空调负载率曲线，使得空调以此曲线运行时，各个情景下实际制冷量与制冷需求量的距离最小。

进一步的，S404包括以下步骤：

S4041、根据空调负载样本，按照给定的标准差生成M个情景；

S4042、计算所有情景两两之间随机变量的欧氏距离；

S4043、将欧氏距离最小的一对情景中的任意一个情景删除，并将被删除情景的概率加给与之欧氏距离最小的情景，将删除的情景的概率变为零；

S4044、重复执行步骤S4041K-1次，其中K＝(0.8～0.99)×M，得到含有M-K个情景的情景树。

一种智能建筑个性化用能控制系统，包括：

数据采集模块，用于获取室内外环境数据和室内人员状态数据；

特征提取模块，用于从数据采集模块采集的数据中提取需求预测所需要的特征；

需求感知模块，用于基于特征提取模块得到的各项特征，分别对室内人员的个性化热需求与照明需求进行预测；

优化控制模块，用于基于需求感知模块获得的个性化热需求和照明需求，对室内热环境和光照环境进行控制，并对空调系统进行能耗优化。

进一步的，数据采集模块包括：红外热像仪、路由器网络、室内温度传感器、室外温度传感器、室内相对湿度传感器、室内光照强度传感器、室外光照传感器、室内风速传感器和室内二氧化碳浓度传感器。

一种智能建筑个性化用能控制装置，包括感知单元、存储单元、处理单元和执行单元，所述感知单元用于获取室内外环境数据和人员状态数据，所述存储单元用于存储室内外环境数据和人员状态数据，以及可被处理单元和执行单元执行的指令，所述指令被处理单元和执行单元执行，以使处理单元和执行单元执行权利要求上述个性化用能控制方法。

一种智能建筑个性化用能控制设备，包括电连接的存储器和处理器，所述存储器上存储有可在处理器上运行的计算程序，所述处理器执行所述计算程序时，实现上述个性化用能控制方法的步骤。

与现有技术相比，本发明具有以下有益效果：

1)、对于每个人员个体建立个性化的热舒适度回归预测模型，改善了过往方法只考虑整体均值意义、针对性弱的缺点，提高了预测的准确性；

2)、考虑到用户的运动状态，每种运动状态下可以根据不同的活动强度对模型进行调整，从而可以更准确地动态跟踪和预测用户的热舒适性；

3)、根据用户实时投票产生的真实热舒适性反馈，不断调整优化模型，随着数据量增大，预测模型越来越准确。

4)、引入用户反馈，不需要高精度的传感器去测量皮肤表面平均温度，且可以根据实际应用场景选择不同的机器学习算法进行回归分析，具有很好的鲁棒性。

5)、本发明不仅考虑了环境参数、用户基本生理特性，同时也考虑了用户个体自身特点，针对不同个体构建个性化的热舒适度回归预测模型具有自适应、动态感知、个性化等优点，使得本申请与传统的系统相比，具有明显的优势。

6)对空调系统进行了建模分析，在满足个性化需求的条件下，针对不同的人员热需求，生成独立的运行策略，相比传统方法，节能效果显著。

附图说明

构成本申请的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。

图1是本发明的控制方法流程图；

图2是本发明的智能建筑个性化用能控制系统中数据采集模块的流程图；

图3是本发明的智能建筑个性化用能控制系统中特征提取模块的流程图；

图4是本发明的智能建筑个性化用能控制系统中人员需求感知模块的流程图；

图5是本发明的智能建筑个性化用能控制系统中优化控制模块的流程图；

图6是本发明的智能建筑个性化用能控制系统第一种可能的结构示意图；

图7是本发明的智能建筑个性化用能控制系统第二种可能的结构示意图；

图8是本发明提供的计算机设备的结构示意图。

具体实施方式

下面将参考附图并结合实施例来详细说明本发明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

本发明的目的在于提供一种智能建筑个性化用能控制的系统，以解决上述现有技术中由于没有考虑到室内人员的个性化，对建筑环境内的温湿度和照明采用统一调控，无法适配人员的个性化热需求和照明需求，同时会造成巨大的能源浪费这一问题。

为了实现上述目的，本发明采用的技术方案如下：

实施例1

请参考图6，本发明实例提供了一种智能建筑个性化用能控制的系统，包括数据采集模块、特征提取模块、需求感知模块和优化控制模块。

各模块连接方式如下：布置在建筑中的环境感知与人员感知传感器以及其它智能设备(路由器)组成了数据采集模块，数据采集模块的信息流输出与特征提取模块的输入端连接，信息流再依次传递到需求感知模块和优化控制模块，优化控制模块接入空调、窗帘、灯光等设备接口，实现用能控制。

1)数据采集模块，用于从预先布置在智能建筑的多种传感器上获取室内外环境数据，作为提取环境特征的依据；用于从预先布置在智能建筑的红外热像仪和路由器网络获取室内人员状态数据，作为提取室内人员特征的依据；用于采集人员输入的性别、年龄、身高以及体重等个人信息，并收集人员真实热舒适反馈和人员真实照明反馈；

预先布置在智能建筑的多种传感器包括：红外热像仪、路由器网络、室内温度传感器、室内辐射温度传感器、室外温度传感器、室内湿度传感器、室内风速传感器、室内光照强度传感器和室外光照强度传感器。

室内外环境数据：包括室内外温度数据、室内湿度数据、室内风速数据、室内平均辐射温度、空调能耗和室内外光照强度；

室内人员状态数据包括人员运动状态、人员环境偏好信息以及人员实时位置信息；

2)特征提取模块，用于从数据采集模块采集的数据中提取需求预测所需要的特征：包括环境特征、室内人员特征以及热偏好特征与照明偏好特征：

环境特征包括：室外温度、室内湿度、室内风速、室外光照强度、室内温度、室内平均辐射温度、室内光照强度特征；

室内人员特征包括：人员位置状态特征、人员运动特征、人员环境偏好特征。

3)需求感知模块，用于基于特征提取模块得到的环境特征和室内人员特征，分别对室内人员的个性化热需求与照明需求进行预测，包括热需求感知模块和照明需求感知模块；

热需求感知模块，用于根据数据采集模块及特征提取模块得到的过去半小时内采集的历史环境特征与历史人员特征，过去一个月内的历史用户真实热舒适反馈，建立神经网络热需求预测模型，当新的时刻到来，输入实时室内外环境特征及室内人员特征，通过神经网络热需求预测模型预测得到新时刻的人员舒适需求；

照明需求感知模块，根据特征提取模块中得到的实时室内外光照强度、实时人员位置状态以及在历史数据基础上建立的人员照明偏好特征，建立决策树照明需求预测模型，预测用户的实时照明需求。

4)优化控制模块，用于基于需求感知模块获得的热需求和照明需求，对室内热环境和光照环境进行控制，并对空调系统进行能耗优化，包括光照控制模块、热环境控制模块和能耗优化模块；光照控制模块，根据人员照明需求和室内外光照强度对窗帘和灯光进行调节；热环境控制模块，根据用户热需求对空调运行状态进行调节；能耗优化模块中，根据数据采集模块采集到的空调能耗，建立制冷负荷样本集，在此基础上生成情景树，建立空调系统能效数学模型，针对制冷负荷情景树进行优化，拟定空调系统在最佳室内温度区间的运行策略。

实施例2

参照图1，一种智能建筑个性化用能控制方法，包括以下步骤：

步骤1、获取室内外环境数据和人员状态数据，所述人员状态数据包括人员环境偏好，热人员的实时位置和运动状态；

步骤2、从步骤1得到的室内外环境数据中提取环境特征，从室内人员状态数据中提取室内人员位置与行为特征、人员热偏好特征与人员照明偏好特征；

步骤3、基于步骤2提取的环境特征、室内人员特征、人员热偏好特征与人员照明偏好特征，预测对室内人员的个性化热需求与照明需求；

步骤4、基于步骤3获得的热需求和照明需求，对室内热环境和光照环境进行控制，并对空调系统进行能耗优化。

参考图2，步骤1包括以下步骤：

S101)、通过智能建筑布置的温湿度传感器、辐射温度传感器、风速传感器、光照强度传感器，每隔半小时采集智能建筑室内外环境数据；

S102)、通过计算机收集人员输入的性别、年龄、身高以及体重等个人信息，并收集人员对环境做出的热反馈和照明反馈，得到人员环境偏好信息，人员环境偏好信息包括热偏好和照明偏好；

S103)、通过红外热像仪获取人员体表温度，与智能建筑内实时的人员位置分布结合，得到个性化的人员体表温度感知和人员运动状态，通过红外热像仪采集到的人员体表温度信息和运动状态信息，对不同人员的活动强度进行感知；

S104)、通过路由器网络，采集人员设备的信号强度RSSI和MAC地址，构建指纹数据库并获取已采集个人信息的人员的实时位置；

S105)、通过红外热像仪获取未采集个人信息的人员的实时位置与体表温度，根据未采集个人信息的人员位置随时间变化获取未采集个人信息的人员的运动状态。

请参考图3，步骤2工作流程包括三个部分：提取室内外环境特征、提取人员位置与运动特征以及提取人员偏好特征，包括以下步骤：

S201)、从数据采集模块得到的室内外环境数据中提取室内外环境特征；

S202)、从数据采集模块得到的人员实时位置信息中，提取人员的位置状态特征，人员在该房间内，为状态1，否则为状态0；从数据采集模块得到的人员运动状态中，提取人员运动特征，分为静态和动态两种状态特征；运动特征为动态的人员，其运动特征可根据活动强度进一步细分为：低强度运动、中等强度运动、高强度运动三种状态；

S203)、根据数据采集模块得到的人员环境偏好，提取人员的热偏好特征与照明偏好特征；人员的热偏好特征分为三种：喜欢偏冷环境、喜欢中性环境、喜欢偏热环境；人员的照明偏好特征分为三种：喜欢偏亮照明、喜欢常规照明、喜欢偏暗照明；

请参考图4，步骤3包括建立神经网络热需求预测模型、建立决策树照明需求预测模型，预测热需求和照明需求等步骤，具体包括以下步骤：

S301)、使用特征提取模块得到的室内外环境特征及人员特征，包括室外温度特征、室外光照强度特征、室内温度特征、室内光照强度特征、人员位置状态特征、人员运动状态特征、人员热偏好特征，结合数据采集模块中得到的人员真实热舒适反馈为目标标签，将S102中收集的性别、年龄、身高、体重个人信息作为另一组输入，建立神经网络热需求预测模型；

S302)、根据特征提取模块中得到的室内外光照强度特征、人员位置状态特征、人员照明偏好特征，结合数据采集模块中得到的人员真实照明反馈为目标标签，建立决策树照明需求预测模型；

S303)、在新的时刻点，重复步骤1至步骤2，利用步骤S301)、S302)中用历史数据训练好的神经网络热需求预测模型和建立的决策树照明需求预测模型，预测人员新时刻的实时热需求和照明需求；

人员的热需求分为想要变冷、保持不变、想要变暖三种类型；

人员的照明需求分为五种等级，1代表光照需求最弱，5代表关照需求最强；

需求感知模块的热需求预测模型，可以是神经网络模型，也可以是支持向量机模型等其他分类模型。

请参考图5，步骤4包括以下步骤：

S401)、根据步骤3得到的人员照明需求，基于步骤1得到的室内外光照强度，对窗帘、灯光进行实时调节；

S402)、根据热需求，对空调设定温度进行实时调节；

进一步的，人员想要变暖，则空调设定温度上升一度，人员想要变冷，则空调设定温度下降一度，人员想要保持不变则空调保持现有策略；

S403)、收集空调设定温度保持不变，即维持室内温度时，空调系统能耗，建立制冷负荷样本的参数集，参数集包括不同温度下对应的空调能耗，根据给定的标准差在参数集的基础上生成情景，情景数量由给定的标准差和参数集决定，按照各个情景之间的欧氏距离，依次删去距离最小的两个情景中的任意一个，将删除情景的概率赋予在原本与其连接的情景上，对情景进行约简，重复执行步骤，得到情景树，用于求解房间制冷量需求；

S404)、建立空调系统的数学模型，制冷效率和电力负载率的复杂关系可以通过建立分段线性化模型来描述，根据S403)生成的情景树，求解对应的满足舒适度要求时温度稳态房间制冷量需求，制冷量是和空调负载对应的情景树；

S405)、对空调运行策略进行求解，拟定能够在各种情境下都能满足制冷量需求的空调运行策略。

进一步的，S404包括以下步骤：

S4041、根据空调负载样本，按照给定的标准差生成M个情景；

S4042、计算所有情景两两之间随机变量的欧氏距离；

S4043、将欧氏距离最小的一对情景中的任意一个情景删除，并将被删除情景的概率加给与之欧氏距离最小的情景，将删除的情景的概率变为零；

S4044、重复执行步骤S4041K-1次，其中K＝(0.8～0.99)×M，得到含有M-K个情景的情景树。

进一步的，S4041中，每个情景均遵循正态分布，每个正态分布的均值为其预测值，标准差为X；

进一步的，空调系统的运行，需要满足冷热平衡约束，舒适度约束，电力约束以及运行能效约束，其分段线性化模型由以下方程式给出：

R_min(i)·z_p(k,i)≤R(k,i)≤R_max(i)·z_p(k,i)

q_min(i)·z_p(k,i)≤q(k,i)≤q_max(i)·z_p(k,i)

q(k,i)＝q_min(i)·z_p(k,i)+s_p(i)·(R(k,i)-R_min(i)·z_p(k,i))

其中，R(k,i)是k时段内空调系统供给的电力负载率的第i段，q(k,i)是k时段内空调系统供给的制冷率的第i段。z_p(k,i)表示空调系统在k时段内工作于模型的第i段。R_min(i)和R_max(i)则分别是第i段电力负载率的最小值与最大值，q_min(i)与q_max(i)则是第i段制冷率的最小值与最大值。e_h(k)为空调在k时段的能耗，z_h(k)为空调在k时段运作与否(1为开启，0为关闭)，s_p(i)为模型中的第i段线性系数，cop是制冷模式下的性能系数，

为额定性能系数，

为额定功率。

进一步的，S405求解目标为：寻求随时间变化的空调负载率曲线，使得空调按照该曲线运行时，使M-K个情景下实际制冷量与制冷需求量的距离最小。

实施例3

在采用对应各个功能划分各个功能模块的情况下，图6示出了上述实施例中所涉及的种智能建筑个性化用能控制系统10的一种可能的结构示意图，包括：数据采集模块101、特征提取模块102、需求感知模块103和优化控制模块104。数据采集模块101用于支持一种智能建筑个性化用能控制的系统执行步骤S101-S105；特征提取模块102用于支持一种智能建筑个性化用能控制的系统执行步骤S201-S203；需求感知模块103用于支持一种智能建筑个性化用能控制的系统执行步骤S301-S303；优化控制模块104用于支持一种智能建筑个性化用能控制的系统执行步骤S401-S405。其中，上述方法实施例涉及的各步骤的所有相关内容均可以援引到对应功能模块的功能描述，在此不再赘述。

实施例4

在采用集成的单元的情况下，图7示出了上述实施例中所涉及的一种智能建筑个性化用能控制装置11的一种可能的结构示意图。一种智能建筑个性化用能控制装置11包括：感知单元111、存储单元112、处理单元113和执行单元114。一种智能建筑个性化用能控制方法的步骤S101-S105由感知单元111支持运行；一种智能建筑个性化用能控制方法的步骤S201-S203由处理单元113支持运行；考一种智能建筑个性化用能控制方法的步骤S301-S303由存储单元112和处理单元113支持运行；一种智能建筑个性化用能控制方法的步骤S401-S405由存储单元112、处理单元113和执行单元114支持运行。

其中，感知单元111可以是传感器、智能路由器、红外热像仪、门限开关或者其他可感知器件及其任意组合，其可以实现或执行结合本发明公开内容所描述的各种示例性的模块和电路。存储单元112可以是存储器。处理单元113可以是处理器或控制器，例如可以是中央处理器(central processing unit，CPU)，通用处理器，数字信号处理器(digitalsignal processor，DSP)，专用集成电路(application-specific integrated circuit，ASIC)，现场可编程门阵列(field programmable gate array，FPGA)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本发明公开内容所描述的各种示例性的逻辑方框，模块和电路。所述处理器也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等等，执行单元114可以是红外遥控装置、电磁阀或者其他可以实现或执行结合本发明公开内容所描述的各种示例性的模块和电路。

实施例5

如图8所示，本发明提供的一种计算机设备，包括电连接的存储器和处理器，其中，存储器上存储有可在处理器上运行的计算程序，所述处理器执行所述计算程序时，实现上述的用能控制方法的步骤。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件程序实现时，可以全部或部分地以计算机程序产品的形式来实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或者数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line，DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可以用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如，软盘、硬盘、磁带)，光介质(例如，DVD)、或者半导体介质(例如固态硬盘(solid state disk，SSD))等。

尽管结合具体特征及其实施例对本发明进行了描述，显而易见的，在不脱离本发明的精神和范围的情况下，可对其进行各种修改和组合。相应地，本说明书和附图仅仅是所附权利要求所界定的本发明的示例性说明，且视为已覆盖本发明范围内的任意和所有修改、变化、组合或等同物。显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

由技术常识可知，本发明可以通过其它的不脱离其精神实质或必要特征的实施方案来实现。因此，上述公开的实施方案，就各方面而言，都只是举例说明，并不是仅有的。所有在本发明范围内或在等同于本发明的范围内的改变均被本发明包含。

Claims (10)

1.一种智能建筑个性化用能控制方法，其特征在于，包括以下步骤：

步骤1、获取室内外环境数据和人员状态数据，所述人员状态数据包括人员环境偏好、人员的实时位置和运动状态，人员真实热舒适反馈和人员真实照明反馈；

步骤2、从步骤1得到的室内外环境数据中提取室内外环境特征，从室内人员状态数据中提取人员特征；从人员环境偏好中提取人员热偏好特征与人员照明偏好特征；

步骤3、基于步骤2提取的室内外环境特征、人员特征、人员热偏好特征与人员照明偏好特征，以及步骤1获取的人员实时位置与运动状态，预测室内人员的个性化热需求与照明需求；

步骤4、基于步骤3获得的内人员的个性化热需求和照明需求，对室内热环境和光照环境进行控制，并对空调系统进行能耗优化。

2.根据权利要求1所述的一种智能建筑个性化用能控制方法，其特征在于，所述步骤1包括以下步骤：

S101、每隔设定时间采集室内外环境数据；

S102、收集人员的个人信息，并收集人员对环境的偏好，包括热偏好和照明偏好；

S103、采集人员实时位置，仪获取人员体表温度，与人员位置分布结合，得到人员运动状态。

3.根据权利要求1所述的一种智能建筑个性化用能控制方法，其特征在于，所述步骤2包括以下步骤：

S201、从室内外环境数据中提取室内外环境特征；

S202、从人员的实时位置信息中，提取人员的位置状态特征；从人员运动状态中，提取人员行为特征，人员行为特征分为静态和动态两种状态；

S203、根据人员环境偏好提取人员热偏好特征与人员照明偏好特征。

4.根据权利要求3所述的一种智能建筑个性化用能控制方法，其特征在于，所述步骤3包括以下步骤：

S301、根据室内外环境特征及人员特征以人员真实热舒适反馈为目标标签，建立神经网络热需求预测模型；

S302、根据室内外环境数据中的室内外光照强度、人员位置状态特征、人员照明偏好特征，以人员真实照明反馈为目标标签，建立决策树照明需求预测模型；

S303、在新的时刻点，采集并提取室内外环境特征、室内人员特征，利用神经网络热需求预测模型和决策树照明需求预测模型，分别预测人员新时刻的实时热需求和照明需求。

5.根据权利要求1所述的一种智能建筑个性化用能控制方法，其特征在于，所述步骤4包括以下步骤：

S401、根据步骤3预测的人员照明需求，基于室内外环境特征对窗帘、灯光进行实时调节；

S402、根据步骤3预测的室内人员的个性化热需求，对空调设定温度进行实时调节；

S403、收集空调系统能耗，建立含制冷负荷样本的参数集，根据给定的标准差在参数集的基础上生成情景，按照情景之间的欧氏距离，依次删去距离最小的情景，将其概率赋予在连接的情景上，对情景进行约简，重复执行步骤，得到情景树；

S404、建立空调系统的数学模型，根据生成的情景树，求解对应的满足舒适度要求时温度稳态房间制冷量需求；

S405、对空调运行策略进行求解，求解目标为：拟定空调负载率曲线，使得空调以此曲线运行时，各个情景下实际制冷量与制冷需求量的距离最小。

6.根据权利要求5所述的一种智能建筑个性化用能控制方法，其特征在于，S404包括以下步骤：

S4041、根据空调负载样本，按照给定的标准差生成M个情景；

S4042、计算所有情景两两之间随机变量的欧氏距离；

S4043、将欧氏距离最小的一对情景中的任意一个情景删除，并将被删除情景的概率加给与之欧氏距离最小的情景，将删除的情景的概率变为零；

S4044、重复执行步骤S4041K-1次，其中K＝(0.8～0.99)×M，得到含有M-K个情景的情景树。

7.一种智能建筑个性化用能控制系统，其特征在于，包括：

数据采集模块(101)，用于获取室内外环境数据和室内人员状态数据；

特征提取模块(102)，用于从数据采集模块采集的数据中提取需求预测所需要的特征；

需求感知模块(103)，用于基于特征提取模块得到的各项特征，分别对室内人员的个性化热需求与照明需求进行预测；

优化控制模块(104)，用于基于需求感知模块获得的个性化热需求和照明需求，对室内热环境和光照环境进行控制，并对空调系统进行能耗优化。

8.根据权利要求7所述的一种智能建筑个性化用能控制系统，其特征在于，所述数据采集模块包括：红外热像仪、路由器网络、室内温度传感器、室外温度传感器、室内相对湿度传感器、室内光照强度传感器、室外光照传感器、室内风速传感器和室内二氧化碳浓度传感器。

9.一种智能建筑个性化用能控制装置，包括感知单元(111)、存储单元(112)、处理单元(113)和执行单元(114)，所述感知单元(111)用于获取室内外环境数据和人员状态数据，所述存储单元(112)用于存储室内外环境数据和人员状态数据，以及可被处理单元(113)和执行单元(114)执行的指令，所述指令被处理单元(113)和执行单元(114)执行，以使处理单元(113)和执行单元(114)执行权利要求1-6中任意一项所述的方法。

10.一种智能建筑个性化用能控制设备，其特征在于，包括：电连接的存储器和处理器，所述存储器上存储有可在处理器上运行的计算程序，所述处理器执行所述计算程序时，实现权利要求1-6中任意一项所述方法的步骤。

Images