CN113869571A - 一种基于异构数据的智慧能源建筑综合信息物理融合方法 - Google Patents

Abstract

本发明涉及一种基于异构数据的智慧能源建筑综合信息物理融合方法，以遗传算子的协同作用机制，提取多设备终端的全局最优解，优化建筑体多设备终端的智能节能调控，本发明利用建筑体多设备终端耦合的全局节能调控技术，突破建筑体多场景自组织优化技术，实现建筑体全局优化与互动调控。从环境感知、机组协同调控、多场景自组织优化等方面协同运行，有效提升建筑体用能经济性，辅助提升电网运行优化水平，可为具备多源数据融合的建筑体能源优化运行提供经验参考。

Description

一种基于异构数据的智慧能源建筑综合信息物理融合方法

技术领域

本发明属于信息技术领域，涉及智慧能源建筑，尤其是一种基于异构数据的智慧能源建筑综合信息物理融合方法。

背景技术

智能能源的广泛应用是社会科技发展的必然趋势，伴随着国民经济的迅速发展，人们对建筑的要求越来越高，尤其是随着现代社会智能技术的发展，智慧建筑逐渐出现在人们的生活中，并迎来了发展的快速时期。

但是就目前来说，智慧建筑在发展的过程中也存在着较多的问题，智慧建筑的发展应与建筑的功能相匹配，不同技术标准产生了大量的异构数据，亟待融合，需实现统一共享。因此需要建立基于异构数据特征的信息物理融合方法，解决数据种类多样、标准规范差异等问题。

发明内容

本发明目的其一在于为智能建筑提供一种综合信息物理融合方法，充分考虑异构数据在其中的影响，提取数据类型、数据关系及数据质量的特征，为智慧能源建筑的推广提供有效的措施。

本发明的目的其二在于为智能建筑的异构数据提供一种检测和处理方法，目前多源异构数据融合中的“异构”指的是数据结构的不等价性，主要包括数据的概率分布、数据密度及数据内属性的相关性。对于非同源数据，数据通常为异构的，且差异明显存在，本发明能有效提高多源异构数据融合的有效性，屏蔽各个异构数据源的平台、系统环境、内部数据结构等方面的异构性对它们进行无缝连接，为智慧能源建筑提供统一的透明接口。

本发明的目的其三在于提供一种基于智慧能源建筑的综合信息物理融合方法。针对能源互联网中的设备终端、感知终端、用户终端等设备，多元设备、异构网络、实时共享以及开放协议等将在结构演化、信息交互及信息空间安全等方面带来更多的挑战，这也是主要难点之一。本发明耦合建筑能源信息物理融合的发展方向。将系统结构演化路径从拓扑结构、交互风险和系统运行等层面，提出一套基于智慧能源建筑的信息物理融合方法的设计思路。

本发明解决技术问题所采用的技术方案是：

一种基于异构数据的智慧能源建筑综合信息物理融合方法，包括计算单元、网络通信、物理设备，物理设备中的连续过程由计算单元中的离散信息控制，以遗传算子的协同作用机制，提取多设备终端的全局最优解，优化建筑体多设备终端的智能节能调控，包括如下步骤：

1)对示范建筑体能源设备进行异构数据采集和预处理，针对高频信号的处理和特征提取，分析数据信息的时间尺度，运行多数据汇集/多源数据融合的算法；

2)在风力发电、光伏发电最大功率点神经网络中，基于电压极值点的预测值和建模，将神经网络与最大功率点控制策略相结合，构建基于组合损失函数的风电功率预测神经网络模型；在模型中将数据进行分类，以最小化组合损失函数为目标的BP神经网络风力发电短期预测模型，由均方差损失函数、交叉熵损失函数和排序损失函数按照不同的权重比构成组合损失函数，基于实际风场数据，对基于组合损失函数的预测模型效果进行训练和仿真验证，获取风力发电、光伏系统的最大功率点，实现能源供应端的智能调节；

3)结合免疫遗传算法，基于二进制的交叉与变异抗体参数，调整不同的进化率值与适应度差值，利用优异度与多样性指标，精确修正交叉位置与变异率，根据路径诱导算法的滚动循环形式，创建最短路径数学模型，依据无环路径集合计算最优、最短路径集合，按照路径距离完成顺序排列得出最优路径，实现路径诱导算法的求解，根据由二进制抗体组成的种群，分析其各项参数之间的变化规律，完成交叉率、交叉位置以及变异率的合理调整，通过有向图数学模型及其约束条件的架构，对多设备终端路径集合进行求解，依据实时的工况与其它因素，将所得最短路径实施排序，最终将最优路径供设备选择，实现设备终端的智能节能调控。

而且，所述多数据汇集/多源数据融合的算法是：

首先对特征数据进行卡尔曼滤波、最大似然估计、小波阈值变换与小波包变换去噪处理；

建立相似性用户分类模型，首先根据采集数据的数据特征进行过滤和筛选，该数据经数据处理后，利用该数据建立用户描述模型，根据楼宇不同电器耗能情况和发电机、太阳能光伏板等发电装置的发电、储能情况，将这些信息映射成为用户的属性，并存储起来形成用户档案，实时关注数据的波动，及时采取行动，通过不断地调整，来完成用户描述模型；

根据耗能规律推导出分类依据，根据分类依据给出最适合处理该情况的控制算法，控制算法包含前馈神经网络、径向基网络、循环神经网络；

数据处理后构建三层神经网络模型，作为特征学习模型，特征学习模型基于用户描述模型建立，突出典型用能工况下的特征参数及逻辑要求，将数据正面和负面向量与用户档案的原型向量结合起来，由用能分析器提取的信息，用于在用户描述模型中予以修正和补充，特征学习器收集用户偏好信息并以此构建用户配置文件，并存储到数据存储器中，然后通过数据存储器与推荐算法的匹配度进行比对，校正算法适应性或修正存储数据，根据推荐算法实现用户相似度分类，并进行分类标识，实现智能用户分类。

而且，所述神经网络与最大功率点控制策略相结合的方法是：对风力发电、光伏发电样本数据进行筛选，处理无效数据及错误数据，针对数据进行参数归一化整理，将不同量纲数据变为统一的无量纲数据，对计算样本数据和运行数据之间的特征矢量相似度比对，并对神经网络的权重系数和阈值进行连续优化，采用神经网络将输出层电压极值点值与输入层最大功率点相关联，并通过交叉熵损失来量化当前结果的优劣，通过神经网络反向传播的参数优化后，完成电压极值点对最大功率点的直接反馈和输出，实现能源供应端的智能调节。

而且，所述免疫遗传算法包括如下步骤：

(1)随机产生初始种群，根据建筑类型、位置、朝向、时间、用户情况、能源类型作为变量，确定智能建筑的能源消耗数量、形式、波动情况参数；设初始种群数目为N，随机产生N个初始染色体。ψi(x,y)为第i个染色体，[a1i,b1i].[a2i,b2i]分别为第i个染色体中x与y两个基因的取值范围，对于一般函数优化，随机产生2xN个小于1的数βi1和βi2,i＝1,2,3,...N；取初始第i个染色体的两个基因分别为

重复上述过程N次，即可获得初始染色体；

(2)根据目标函数或者先验知识抽取疫苗，所述目标函数为以满足用户使用为基础，考虑能源消耗最小、运行费用最低、舒适性最高，进行疫苗抽取，提取出最基本的特征信息；

(3)计算种群适应度，建立基于排序的适应度评价函数，种群按目标值进行排序，若当前种群包含最优个体，即包含了最优结果，则算法结束；否则，进行下一步；

(4)对当前第K代种群A(k)进行交叉操作，得到种群B(k)，对种群B(k)进行变异操作，得到C(k)，对种群C(k)进行接种疫苗操作，得到D(k)，通过对种群参数的交叉、变异和接种疫苗，以目标函数为约束条件，并通过循环迭代的方式找出所有满足要求的能源组合作为疫苗；

(5)对种群D(k)进行免疫操作，得到新一代父种群A(k+1)，返回步骤(3)，对种群免疫操作是指对上述经过免疫接种的抗体进行求解，采用新一代父种群作为下一步迭代求解的初始值，通过逐步寻优的过程，在用电特征参数的指引下，将建筑体用电效率、用电形式匹配、调节力度、节能效益等参数确定，实现节能设备以最小的调节获得最大的节能效益，达到建筑体多设备终端耦合的全局节能调控。

本发明的优点和积极效果是：

1、本发明信息物理融合方法可为能源结构优化提供技术支撑，通过“感知层一网络层一认知层一控制层”的紧密联系，实现能源生产、运输、存储和共享的协同联动。对于将多种能源互联与综合利用的新型能源系统，CPS可为能源系统中提升能量流处理效率的研究提供方向，在考虑能量与信息融合的同时，社会与人的因素相融合也将为能源互联的驱动力和应用价值提供更为清晰的认识。

将CPS融合分析与建模的理论引入至能源系统中，按照“源一网一荷”的层次结构对能源系统进行划分与规划，目前主流的CPS体系结构是将CPS构建成三层层次架构，由物理层、网络层和信息层组成。物理层处于系统的最底端，主要工作是与客观物理世界的交互，核心构成是传感器与执行器，传感器负责客观物理世界的感知与信息采样，执行器只能具备特定的机械动作，接受控制指令执行相应操作。网络层负责信息的传输，工业控制系统中，系统层与设备层的通信方式多种多样，如Modbus协议、EtherCAT工业自动化现场总线以及TCP/IP网络通信。相对抽象的网络层却是CPS的核心纽带，用于连接整个系统，其中包括了各种通信协议与通信设备。信息层负责数据信息相关的工作，其作用包括对物理层中传感单元采集的信息进行处理、根据任务需求和资源的调度对执行单元生成控制指令以及系统整体的管理与状态监测，其构成包括终端、数据库以及服务器等一系列信息组件。

将对能源系统的运行方式优化提供极大帮助，有助于建立高效、准确和规范的模型。大量分布式采集与存储装置和各类负荷组成的新型的能源网络节点，通过能源系统进行互联互通，融合运用信息采集、态势感知、协调控制、云计算、大数据分析、物联网与智能终端等技术，实现能量与信息双向流动，构建能源网络信息共享的框架，实现能源系统的优化运行。

我们采用基于Reactor模型的响应机制来优化CPS的网络连接。Reactor模型，尤其是较多使用的主从Reactor多线程模型，的特点是将TCP/IP中通信的连接与处理部分用多线程的方式分割开来。传统的工业服务器，由于服务的对象往往只有数量较少的生产设备，因此大多通过线程池的方式，将每个连接分发了相对独立的线程处理，而由于业务处理的复杂性以及I/O操作的阻塞特性，限制了服务器性能，消息响应较慢，因此这种通信机制不能满足CPS高设备请求并发量的业务需求。通过引入主从Reactor多线程模型，将服务器对端口的轮询监听服务和业务数据处理分割开来，提高服务器性能。主线程负责监听端口，只负责对新接入的连接进行响应，从线程负责业务处理。

信息物理融合方法和传统工业系统不同，不同的设备单元、多样的消息内容导致传统的消息机制不能保证消息处理的时间周期，某一条消息的过长响应时间对设备单元的影响，会导致其他设备单元出现执行问题。同时，设备单元的重要性和不同消息的复杂度，要求信息物理融合方法对不同的消息需要提供更加合理的响应时间，因此本文设计并实现了一种新的消息机制以便解决消息响应实时性和优先级问题。消息处理机制的设计如图7所示。

2、本发明提供的一种基于异构数据融合的城市建筑体供需侧状态感知架构系统，利用建筑体多设备终端耦合的全局节能调控技术，突破建筑体多场景自组织优化技术，实现建筑体全局优化与互动调控。从环境感知、机组协同调控、多场景自组织优化等方面协同运行，有效提升建筑体用能经济性，辅助提升电网运行优化水平，可为具备多源数据融合的建筑体能源优化运行提供经验参考。

附图说明

图1为基于智慧能源建筑的信息物理融合架构图。

图2为多源数据融合的建筑体全局优化架构图。

图3为能源供应端的智能调节流程图。

图4为建筑体智能调控算法流程图。

图5为基于免疫遗传算法的全局节能调控方法流程图。

图6为免疫遗传算法流程图。

图7为消息处理机制的设计图。

图8为极值寻优流程图。

具体实施方式

下面通过具体实施例对本发明作进一步详述，以下实施例只是描述性的，不是限定性的，不能以此限定本发明的保护范围。

一种基于异构数据的智慧能源建筑综合信息物理融合方法，针对于智慧能源建筑的特点，利用智能控制、清洁能源高效利用等技术，实现能源网内冷、热、电多种能源的综合高效利用，使系统内多种能源经济运行。

如图1所示，用户通过软件平台进行设置，设置指令和智能数据采集终端采集到的数据经过网络设备(路由器、交换机等)和互联网实时传送至综合能源智慧管控平台，综合能源智慧管控平台经过分析和处理，对光伏发电，风力发电等供能设备的进行调控，将绿色电能接入能源路由器，储能电池存储或者提供电能，能源路由器可向外部电网提供和接收电能，向外部热网提供和接收热能，从而实现对系统内的智能楼宇设备控制。实现系统内多种复合能源的低碳、高效、智慧运行，提高可再生能源利用效率。

一种基于异构数据的智慧能源建筑综合信息物理融合方法，采用数据驱动的建筑体能源供需侧CPS架构，包含了智能感知层、智能分析层、智能网络层、智能认知层和决策与执行层的系统级的5C CPS，以遗传算子的协同作用机制，提取多设备终端的全局最优解，优化建筑体多设备终端的智能节能调控，实现实时了解电网和建筑物的协同运行环境状况，可完成信息实时交互、网络连接互动、多种能源协同的功能，其包括如下内容和步骤：

步骤一、多源数据融合的建筑体全局感知和优化。

1)对示范建筑体能源设备进行异构数据采集和预处理，针对高频信号的处理和特征提取，分析数据信息的时间尺度，运行多数据汇集/多源数据融合的算法。

如图4所示，对特征数据进行预处理和小波变换，实现数据局部化处理，充分突出数据特征。建立相似性用户分类模型，首先通过采集数据进行筛选，数据处理后一方面要建立用户描述模型，就是根据楼宇不同电器耗能情况和发电机、太阳能光伏板等发电装置的发电、储能情况完成用户描述模型。随后，根据耗能规律推导出分类依据，根据分类依据给出最适合处理该情况的控制算法，控制算法主要包含神经网络算法的多种形式，能够并行处理、分布式信息存储和自组织功能。此外数据处理后要建立特征学习模型，特征学习模型是基于用户描述模型建立，突出典型用能工况下的特征参数及逻辑要求，将数据正面和负面向量与用户档案的原型向量结合起来，由用能分析器提取的信息，用于在用户描述模型中予以修正和补充。特征学习器收集用户偏好信息并以此构建用户配置文件，并存储到数据存储器中，然后通过数据存储器与推荐算法的匹配度进行评分，校正算法适应性或修正存储数据。根据推荐算法实现用户相似度分类，并进行分类标识，实现智能用户分类。

2)在风力发电、光伏发电等最大功率点神经网络研究中，基于电压极值点的预测值和建模，将神经网络与最大功率点控制策略相结合，获取风力发电、光伏系统的最大功率点，提高建筑体用电效率。实现能源供应端的智能调节，具体调节方法为：

如图3所示，对风力发电、光伏发电样本数据进行筛选，处理无效数据及错误数据，针对数据进行参数归一化整理，将不同量纲数据变为统一的无量纲数据。对计算样本数据和运行数据之间的特征矢量相似度比对，并对神经网络的权重系数和阈值进行连续优化。采用神经网络将输出层电压极值点值与输入层最大功率点相关联，并通过交叉熵损失来量化当前结果的优劣。通过神经网络反向传播的参数优化后，完成电压极值点对最大功率点的直接反馈和输出，实现能源供应端的智能调节。

神经网络训练过程：

①网络初始化。根据系统输入输出序列(X,Y)确定网络输入层节点数n、隐藏层节点数l、输出层节点数m，初始化输入层与隐藏层的连接权值为ω_ij、隐藏层与输出层的连接权值为ω_jk，初始化隐藏层各神经元的阈值为a_j(j＝1,2,...,l),输出层各神经元阈值为b_k(k＝1,2,...,m)，给定学习率和神经元激励函数。

②隐藏层输出计算。根据输入向量X，输入层与隐藏层间的连接权值ω_ij及隐藏层阈值a_j(j＝1,2,...,l)，计算隐藏层输出H。

公式中l为隐藏层节点数，f(*)为隐藏层激励函数。

③输出层输出计算。根据隐藏层输出H，隐藏层与输出层的连接权值为ω_jk输出层各神经元阈值为b_k(k＝1,2,...,m)，计算BP神经网络预测输出O。

④误差计算。根据网络预测输出O和期望输出Y,计算网络预测误差e。

e_k＝Y_k-O_k,k＝1,2,…,m

⑤权值更新。根据网络预测误差e更新网络连接权值ω_ij，ω_jk

ω_jk＝ω_jk+ηH_je_k,j＝1,2,…,l；k＝1,2,…,m

式中η为学习率。

⑥阈值更新。根据网络预测误差e更新网络节点阈值a，b。

b_k＝b_k+e_k,k＝1,2,…,m

⑦判断算法迭代是否结束，若没有结束，返回②。

3)结合免疫遗传算法，以遗传算子的协同作用机制为借鉴，以有效提取多设备终端的全局最优解，实现建筑体多设备终端的智能节能调控。

全局调控技术结合了免疫遗传算法，每一个建筑体设备终端相当于免疫遗传算法中一个个体，以遗传算子的协同作用机制为借鉴，以有效快速地提取多设备终端的全局最优解，实现建筑体多设备终端的智能节能调控。运用免疫遗传算法，得出各个节能设备的最佳调节力度，使节能设备以最小的调节获得最大的节能效益，实现建筑体多设备终端耦合的全局节能调控。

我们采用XGBoost算法对免疫遗传进行优化。XGBoost算法是以集成学习为思想，在梯度下降树算法的基础上发展起来的一种超级梯度提升树算法。XGBoost集成学习方法首先通过构建多个CART对数据集分别进行预测，随后将这些树集成为一个新的树模型，再不断迭代构建一棵新的树来回归拟合前一棵树的残差，随着构建的树逐渐增多，复杂度也会变高，模型精度会不断提高。且可以在Hadoop、SGE和MPI等分布式环境上高效的并行计算生成每个CART基模型。

XGBoost中的每一棵CART对应一个不同函数ft，通过不断迭代拟合上次树模型预测的残差，其迭代过程如下所示。

其中x_i表示输入第i个样本数据，f_t表示第t个回归树，

表示对第i个样本进行t个决策树预测的相加值。

根据残差迭代过程，定义XGBoost算法训练时的目标函数(损失函数)：

上述LObj目标函数由两部分构成，前者l为梯度提升算法，代表实际值yi与预测值

的偏离程度；后者Ω为正则化项，代表树的复杂程度。

为了防止过拟合，正则化项函数值越小，决策树的泛化能力越强，正则化项可由式计算：

Ω(f_i)表示决策树f_i的复杂度的函数，函数值越小，则树的泛化能力越强，其中w_j为决策树f_i在第j个叶子节点的权重，T为数的叶子节点总数，γ为L1正则的惩罚项，θ为L2正则的惩罚项。

为了最小化目标函数ft，使用牛顿法求解损失函数极值，将式损失函数按二阶泰勒的形式展开后，目标函数近似为：

式中：L^t _Obj为目标函数，h_i为二阶导数。

基于建筑体免疫遗传算法，通过提取疫苗、接种疫苗使得种群高效进化，免疫选择过程保证种群得以进化并逐步趋于全局最优解。可分为以下步骤，如图5所示：

(1)随机产生初始种群。根据建筑类型、位置、朝向、时间、用户情况、能源类型等作为变量，确定智能建筑的能源消耗数量、形式、波动情况等参数。

(2)根据目标函数或者先验知识抽取疫苗，目标函数为以满足用户使用为基础，考虑能源消耗最小、运行费用最低、舒适性最高等不同目标进行疫苗抽取。

(3)计算种群适应度，若当前种群包含最优个体，即包含了最优结果，则算法结束；否则，进行下一步。

(4)对当前第K代种群A(k)进行交叉操作，得到种群B(k)。对种群B(k)进行变异操作，得到C(k)。对种群C(k)进行接种疫苗操作，得到D(k)。通过对种群参数的交叉、变异和接种疫苗，以目标函数为约束条件，并通过循环迭代的方式找出所有满足要求的能源组合作为疫苗。

(5)对种群D(k)进行免疫操作，得到新一代父种群A(k+1)，返回步骤(3)。对种群免疫操作是指对上述经过免疫接种的抗体进行求解，采用新一代父种群作为下一步迭代求解的初始值。通过逐步寻优的过程，在用电特征参数的指引下，将建筑体用电效率、用电形式匹配、调节力度、节能效益等参数确定，实现节能设备以最小的调节获得最大的节能效益，达到建筑体多设备终端耦合的全局节能调控。同时采用XGBoost算法对于免疫遗传算进行优化，进行极值寻优。如图8所示。

免疫遗传算法步骤：

①根据具体问题，提取抗原，即问题的目标函数形式和约束条件，并提取疫苗。

②随机初始化群体。设置算法参数，如种群规模、变异概率、交叉概率。

③执行个体更新操作

交叉算子：依据适应度值和抗体浓度所决定的抗体选择概率，选择若干抗体。然后从这些选择出的个体中随机选择两个个体，由交叉概率P_C来控制交叉位，然后对交叉位的基因进行交叉操作。此处选用Position-based Crossover(PBX)交叉算子

步骤：

1、随机选择一对染色体(父代)中几个基因，位置可不连续，但两染色体被选位置相同

2、生成一个子代，并保证子代中被选中的基因的位置与父代相同

3、先找出第一步选中的基因在另一个父代中的位置，再将其余基因按顺序放入上一步生成的子代中。

会生成两个子代，另一个子代生成过程完全相同，只需要将两个父代染色体交换位置，第一步选中的基因型位置相同，不用进行冲突检测工作

变异算子：对进行交叉操作的抗体，循环每一个基因位，产生随机数当概率P_m>rand时，对该位基因进行变异运算，随机产生解空间中的一个数赋值给该位，生成子代群体。变异运算是对某一个基因座上的基因值按一较小概率进行改变,它也是产生新个体的一种操作方法.我们采用基本位变异的方法来进行变异运算,其具体操作过程是:首先确定出各个个体的基因变异位置，然后依照某一概率将变异点的原有基因取反

接种疫苗算子：将选择出来的抗体，用事先提取出的疫苗进行接种。即依据疫苗中的相应基因位来修改抗体相应基因位上的值。

④计算群体中每个抗体的适应度。

⑤免疫选择

免疫检测算子：比较接种疫苗前后两个抗体的适应度值，如果接种疫苗后的适应度值没有父代的抗体高，则用父代的抗体代替接种之后的抗体，参加种群选择。

对于免疫检测后的个体，计算抗体浓度。

免疫平衡算子：根据抗体的适应度和浓度确定选择概率，选择概率公式为：

p＝α^*pf+(1-α)^*p_d

选择算子：依据一些常用的选择方式进行选择，可采用轮盘赌选择算子、模拟退火选择算子等，选择出新的种群。

⑥从新种群中寻找最优个体并记录下来。

⑦判断是否达到停止条件，即是否达到最大迭代次数。如果是，则跳出循环，输出最优解；否则，返回③，继续进行迭代。

步骤二、强化互动的建筑体与电网互动调控

1)通过神经网络，结合建筑体能源系统与电网平台的特点，把建筑体能源系统的运行状态和一些重要警告信息及时上传到运控中心，及时了解前端各类设备的监控，及时掌握电网和建筑物的协同运行环境状况并提供各种预警以及事后分析功能，减少巡视次数。

2)在建筑体调控潜力量化分析方法中，首先考虑机组的阀点效应和成本系数的未知性，将负荷分配区间进行分解，比对负荷需求区间，将差值过大即突破了阀点的状态参数进行标记，从而将分配问题转化为优化问题。并考虑分配区间内的成本系数，结合基于负荷分配的神经网络，实现建筑体合理负荷分配。

3)在电网多场景自组织变压节点分布优化的实现中，将获取的多场景电网的有效覆盖率作为前提条件，求出电网最优电压，并作为求得电网最优电压输出值的依据，通过神经网络调整电压输出值，达到电网自组织变压节点分布的优化，实现自组织优化。

面对既有建筑体，充分采集包括室外温度、风速、室内温度、人员流量等数据的供能侧和用能侧的详细物理信息，对异构数据进行采集和预处理，融合可再生能源与传统能源功能。采用信息网络、计算网络和物理网络相结合的全面CPS架构，实现信息和能量的实时双向交换。

实现建筑体能源全局信息共享的基础，从全局的角度实现分布式电源优化调度、微电网的运行优化与控制，模块将CPS架构设计理论体系运用到软件模块当中，通过智能感知设备将底层数据进行感知并上传至汇聚节点，汇聚节点将数据进行封装发送至软件模块。软件模块功能包括数据的存储分析以及可视化、部分关键参数的智能监测、负荷的智能预测、系统的优化调度，与电网的智能互动等功能。

结合建筑体能源系统与电网平台的特点，及时掌握电网和建筑物的协同运行环境状况，提供用能预警以及事后分析功能，提升建筑体与电网的互动水平，获取的多场景电网的有效覆盖率，通过神经网络调整电网最优电压输出值，优化电网自组织变压节点分布。

以上所述的仅是本发明的优选实施方式，应当指出，对于本领域的普通技术人员来说，在不脱离发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。

Claims (4)

1.一种基于异构数据的智慧能源建筑综合信息物理融合方法，包括计算单元、网络通信、物理设备，物理设备中的连续过程由计算单元中的离散信息控制，以遗传算子的协同作用机制，提取多设备终端的全局最优解，优化建筑体多设备终端的智能节能调控，包括如下步骤：

1)对示范建筑体能源设备进行异构数据采集和预处理，针对高频信号的处理和特征提取，分析数据信息的时间尺度，运行多数据汇集/多源数据融合的算法；

2)在风力发电、光伏发电最大功率点神经网络中，基于电压极值点的预测值和建模，将神经网络与最大功率点控制策略相结合，构建基于组合损失函数的风电功率预测神经网络模型；在模型中将数据进行分类，以最小化组合损失函数为目标的BP神经网络风力发电短期预测模型，由均方差损失函数、交叉熵损失函数和排序损失函数按照不同的权重比构成组合损失函数，基于实际风场数据，对基于组合损失函数的预测模型效果进行训练和仿真验证，获取风力发电、光伏系统的最大功率点，实现能源供应端的智能调节；

3)结合免疫遗传算法，基于二进制的交叉与变异抗体参数，调整不同的进化率值与适应度差值，利用优异度与多样性指标，精确修正交叉位置与变异率，根据路径诱导算法的滚动循环形式，创建最短路径数学模型，依据无环路径集合计算最优、最短路径集合，按照路径距离完成顺序排列得出最优路径，实现路径诱导算法的求解，根据由二进制抗体组成的种群，分析其各项参数之间的变化规律，完成交叉率、交叉位置以及变异率的合理调整，通过有向图数学模型及其约束条件的架构，对多设备终端路径集合进行求解，依据实时的工况与其它因素，将所得最短路径实施排序，最终将最优路径供设备选择，实现设备终端的智能节能调控。

2.根据权利要求1所述的基于异构数据的智慧能源建筑综合信息物理融合方法，其特征在于：所述多数据汇集/多源数据融合的算法是：

首先对特征数据进行卡尔曼滤波、最大似然估计、小波阈值变换与小波包变换去噪处理；

建立相似性用户分类模型，首先根据采集数据的数据特征进行过滤和筛选，该数据经数据处理后，利用该数据建立用户描述模型，根据楼宇不同电器耗能情况和发电机、太阳能光伏板等发电装置的发电、储能情况，将这些信息映射成为用户的属性，并存储起来形成用户档案，实时关注数据的波动，及时采取行动，通过不断地调整，来完成用户描述模型；

根据耗能规律推导出分类依据，根据分类依据给出最适合处理该情况的控制算法，控制算法包含前馈神经网络、径向基网络、循环神经网络；

数据处理后构建三层神经网络模型，作为特征学习模型，特征学习模型基于用户描述模型建立，突出典型用能工况下的特征参数及逻辑要求，将数据正面和负面向量与用户档案的原型向量结合起来，由用能分析器提取的信息，用于在用户描述模型中予以修正和补充，特征学习器收集用户偏好信息并以此构建用户配置文件，并存储到数据存储器中，然后通过数据存储器与推荐算法的匹配度进行比对，校正算法适应性或修正存储数据，根据推荐算法实现用户相似度分类，并进行分类标识，实现智能用户分类。

3.根据权利要求1所述的基于异构数据的智慧能源建筑综合信息物理融合方法，其特征在于：所述神经网络与最大功率点控制策略相结合的方法是：对风力发电、光伏发电样本数据进行筛选，处理无效数据及错误数据，针对数据进行参数归一化整理，将不同量纲数据变为统一的无量纲数据，对计算样本数据和运行数据之间的特征矢量相似度比对，并对神经网络的权重系数和阈值进行连续优化，采用神经网络将输出层电压极值点值与输入层最大功率点相关联，并通过交叉熵损失来量化当前结果的优劣，通过神经网络反向传播的参数优化后，完成电压极值点对最大功率点的直接反馈和输出，实现能源供应端的智能调节。

4.根据权利要求1所述的基于异构数据的智慧能源建筑综合信息物理融合方法，其特征在于：所述免疫遗传算法包括如下步骤：

(1)随机产生初始种群，根据建筑类型、位置、朝向、时间、用户情况、能源类型作为变量，确定智能建筑的能源消耗数量、形式、波动情况参数；设初始种群数目为N，随机产生N个初始染色体。ψ_i(x,y)为第i个染色体，[a_1i,b_1i].[a_2i,b_2i]分别为第i个染色体中x与y两个基因的取值范围，对于一般函数优化，随机产生2xN个小于1的数β_i1和β_i2,i＝1,2,3,...N；取初始第i个染色体的两个基因分别为

重复上述过程N次，即可获得初始染色体；

(2)根据目标函数或者先验知识抽取疫苗，所述目标函数为以满足用户使用为基础，考虑能源消耗最小、运行费用最低、舒适性最高，进行疫苗抽取，提取出最基本的特征信息；

(3)计算种群适应度，建立基于排序的适应度评价函数，种群按目标值进行排序，若当前种群包含最优个体，即包含了最优结果，则算法结束；否则，进行下一步；

(4)对当前第K代种群A(k)进行交叉操作，得到种群B(k)，对种群B(k)进行变异操作，得到C(k)，对种群C(k)进行接种疫苗操作，得到D(k)，通过对种群参数的交叉、变异和接种疫苗，以目标函数为约束条件，并通过循环迭代的方式找出所有满足要求的能源组合作为疫苗；

(5)对种群D(k)进行免疫操作，得到新一代父种群A(k+1)，返回步骤(3)，对种群免疫操作是指对上述经过免疫接种的抗体进行求解，采用新一代父种群作为下一步迭代求解的初始值，通过逐步寻优的过程，在用电特征参数的指引下，将建筑体用电效率、用电形式匹配、调节力度、节能效益等参数确定，实现节能设备以最小的调节获得最大的节能效益，达到建筑体多设备终端耦合的全局节能调控。

Images