CN113960925A - 基于人工智能的楼宇能耗控制方法及装置 - Google Patents
基于人工智能的楼宇能耗控制方法及装置 Download PDFInfo
- Publication number
- CN113960925A CN113960925A CN202111000240.8A CN202111000240A CN113960925A CN 113960925 A CN113960925 A CN 113960925A CN 202111000240 A CN202111000240 A CN 202111000240A CN 113960925 A CN113960925 A CN 113960925A
- Authority
- CN
- China
- Prior art keywords
- energy consumption
- building
- information
- model
- environment
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000005265 energy consumption Methods 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 18
- 238000005286 illumination Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 15
- 238000007476 Maximum Likelihood Methods 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 6
- 230000001413 cellular effect Effects 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 2
- 230000000717 retained effect Effects 0.000 claims description 2
- 230000008447 perception Effects 0.000 claims 2
- 238000004378 air conditioning Methods 0.000 abstract description 2
- 238000010223 real-time analysis Methods 0.000 abstract description 2
- 238000005457 optimization Methods 0.000 description 6
- 238000007726 management method Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明涉及一种基于人工智能的楼宇能耗控制方法及装置，方法包括以下步骤：a.采集楼宇内各个区域内的环境和设备信息以及能耗数据；b.根据环境和设备信息以及能耗数据建立环境、设备信息和能耗的关系的初始补缺模型；c.继续采集楼宇内各个区域内的环境和设备信息以及能耗数据训练所述初始补缺模型得到最终补缺模型，以获得完整的数据集；d.根据完整的数据集，建立环境和设备信息以及能耗数据的初始预测模型；e.继续采集楼宇内各个区域内的环境和设备信息以及能耗数据训练所述初始预测模型得到最终预测模型，以对楼宇能耗进行实时监测。所述的楼宇能耗控制装置针对楼宇主要耗能的公共区域空调、插座、照明三方面，采集多种环境变量信息，从而有效整合利用强相关的数据信息；并可从时间和空间两个维度进行智能化的实时分析和耗能预测，帮助能耗管理员做出智能化决策。
Description
技术领域
本发明属于智能楼宇能耗控制领域，具体涉及一种基于人工智能的楼宇能耗控制方法及装置。
背景技术
建筑业的发展带来的是建筑总量的增多，导致相应的建筑用能也不断上升，进而使建筑能耗在节能工作者中越发地收到重视。从上世纪七十年代末开始，建筑能耗正逐渐成为我国城镇生产生活的主要消耗源。本文提到的建筑能耗针对建筑运行能耗，指维持建筑物运行的如制冷设备、供暖设备、照明设备等各类设备的能耗，这意味着这部分的能耗始终贯穿于建筑的生命周期内，因此，建筑运行能耗一直是致力于建筑节能的研究人员所关注的重要领域。
为节约能耗资源，楼宇中往往会设立能耗管理系统。但实际的楼宇系统中，由于缺乏管理的统一标准，且大部分楼宇在建造时并未充分考虑到节能问题，没有有效的传感层对环境变量数据和能耗数据进行收集，因此难以管理且维护困难。
同时由于智能楼宇内网络节点多、系统庞大，在数据的传输、转发过程中，极易发生数据改变或丢失的情况，导致传输到控制层进行处理的信息数据往往与真实数据存在偏差，使数据处理的准确度变低，因此管理者进行数据处理时往往需要对能耗数据进行修正和补充。
而楼宇中的能源信息庞杂，且相关数据间往往具有很强的联动性，普通的算法往往难以处理如此巨大和复杂的数据。随着人工智能技术在建筑领域的渗透应用，人工智能算法越来越多地应用到建筑能耗预测方面。目前在建筑能耗预测领域应用过的人工智能算法有人工神经网络法、支持向量机法、深度学习法等方法，以及基于上述方法的优化算法。但建筑运行能耗数据是大量的历史数据，且随季节、环境、节假日等因素变化明显，具有长期依赖的关系。
发明内容
本发明的目的是提供一种基于人工智能的楼宇能耗控制方法及装置。
为达到上述目的，本发明采用的技术方案是：一种基于人工智能的楼宇能耗控制方法，其包括以下步骤：
a.采集楼宇内各个区域内的环境和设备信息以及能耗数据；
b.根据环境和设备信息以及能耗数据建立环境、设备信息和能耗的关系的初始补缺模型；
c.继续采集楼宇内各个区域内的环境和设备信息以及能耗数据训练所述初始补缺模型得到最终补缺模型，以获得完整的数据集；
d.根据完整的数据集，建立环境和设备信息以及能耗数据的初始预测模型；
e.继续采集楼宇内各个区域内的环境和设备信息以及能耗数据训练所述初始预测模型得到最终预测模型，以对楼宇能耗进行实时监测。
另一种优化方式，步骤b中，基于EM算法建立初始补缺模型。
另一种优化方式，步骤d中，基于时间序列的LSTM预测算法，建立初始预测模型。
另一种优化方式，所述各个区域内的环境和设备信息包括各楼层的各会议室及公共区域的温湿度，光照强度，空气质量的变量信息，以及空调、插座和照明配置能耗。
另一种优化方式，步骤b，进行参数的最大似然估计，在已采集的数据及其分布模型基础上，估计出模型相应的参数，这组参数能够使从该模型中产生这些数据的概率最大，用于代表这个模型，对于f(x，θ)模型，样本k1，χ2，...，χn，参数θ为最大似然估计量，记为
似然函数记为：
Expectation步骤，根据初始化的参数值或上一次迭代的模型参数估计隐藏变量的概率分布期望函数，隐藏变量的估计值：
Qi(zi)：＝f(zi|xi；θ)
Maximization步骤，将对数似然函数最大化，得到新的参数值，获得新的分布函数，新的参数值：
另一种优化方式，步骤d中，遗忘门计算为：
ft＝σ(Wf*[ht-1，xt]+bf).
其中：ft代表遗忘门，it代表输入门，Ot代表输出门，C是细胞状态，存储记忆信息，Ct-1代表前一时刻的细胞状态，Ct则是当前时刻的细胞状态，h是输出，ht1是前一刻的输出，[ht-1，xt]将两个向量拼接起来，bf是门的偏置，Sigmoid函数输出0～1之间的数，作为遗忘门的控制信号，决定需要被遗忘或丢弃的信息，
输入门的计算为：
it＝σ(Wi*[ht-1，xt]+bi)
bi是输入门的偏置，使用Sigmoid函数是作为输入门的控制，其值决定上个时刻需要保留的信息，
当前细胞状态候选项：
Ct′＝tanh(Wc*[ht-1xt]+bc)
更新当前细胞状态，即更新当前时刻的信息：
Ct＝ft*Ct-1+it*Ct′
当前的细胞状态即当前时刻的信息由两部分组成，一个是前一时刻细胞状态经过遗忘门丢弃一些信息后所保留的信息部分，另一部分是经输入门的值与当前细胞状态候选项相乘的值，表示需要加入到新细胞状态上的新信息，
输出门的计算为：
Ot＝σ(Wo*[ht-1，xt]+bo)
LSTM的最终输出为：
ht＝Ot*tsnh(Ct)
由于LSTM的输出由输出门和当前细胞状态一起决定，对能耗数据进行预测。
本发明还提供了一种基于人工智能的楼宇能耗控制装置，其包括感知部、控制部以及连接在感知部和控制部之间的转发部，其特征在于：所述感知部包括安装于各区域内的温湿度传感器、光照强度传感器、空气质量检测传感器以及针对空调、插座和照明配置能耗传感器，所述转发部包括若干网关以及路由器，所述控制部包括储存有上述任一所述控制方法的处理器。
由于上述技术方案运用，本发明与现有技术相比具有下列优点：所述的楼宇能耗控制装置针对楼宇主要耗能的公共区域空调、插座、照明三方面，采集多种环境变量信息，从而有效整合利用强相关的数据信息；并可从时间和空间两个维度进行智能化的实时分析和耗能预测；采用EM-LSTM算法，对能耗数据进行有效监控预测。基于EM的插值算法可处理异常数据，并对缺失数据插值处理，还原完整的数据集，提高算法的准确度；基于时间序列的LSTM算法可对楼宇能耗进行实时监测，及时发现异常情况；同时可对未来能耗值进行预测，帮助能耗管理员做出智能化决策。
附图说明
图1为楼宇能耗管理系统装置
图2为EM算法流程
图3为LSTM算法流程。
具体实施方式
下面结合附图所示的实施例对本发明作进一步描述。
基于人工智能的楼宇能耗控制方法，其包括以下步骤：
a.采集楼宇内各个区域内的环境和设备信息以及能耗数据；
b.根据环境和设备信息以及能耗数据建立环境、设备信息和能耗的关系的初始补缺模型，进行参数的最大似然估计，在已采集的数据及其分布模型基础上，估计出模型相应的参数，这组参数能够使从该模型中产生这些数据的概率最大，用于代表这个模型，对于f(x，θ)模型，样本χ1，χ2，...，χn，参数θ为最大似然估计量，记为
似然函数记为：
Expectation步骤，根据初始化的参数值或上一次迭代的模型参数估计隐藏变量的概率分布期望函数，隐藏变量的估计值：
Qi(zi)：＝f(zi|xi；θ)
Maximization步骤，将对数似然函数最大化，得到新的参数值，获得新的分布函数，新的参数值：
c继续采集楼宇内各个区域内的环境和设备信息以及能耗数据训练所述初始补缺模型得到最终补缺模型，以获得完整的数据集；
d.根据完整的数据集，建立环境和设备信息以及能耗数据的初始预测模型，遗忘门计算为：
ft＝σ(Wf*[ht-1，xt]+bf)，
其中：ft代表遗忘门，it代表输入门，Ot代表输出门，C是细胞状态，存储记忆信息，Ct-1代表前一时刻的细胞状态，Ct则是当前时刻的细胞状态，h是输出，ht1是前一刻的输出，
[ht-1，xt]将两个向量拼接起来，bf是门的偏置，Sigmoid函数输出0～1之间的数，作为遗忘门的控制信号，决定哪些信息需要被遗忘或丢弃，
输入门的计算为：
it＝σ(Wi*[ht-1，xt]+bi)
bi是输入门的偏置，使用Sigmoid函数是作为输入门的控制，其值决定上个时刻的哪些信息需要保留，
当前细胞状态候选项：
Ct′＝tanh(Wc*[ht-1xt]+bc)
更新当前细胞状态，即更新当前时刻的信息：
Ct＝ft*Ct-1+it*Ct′
当前的细胞状态即当前时刻的信息由两部分组成，一个是前一时刻细胞状态经过遗忘门丢弃一些信息后所保留的信息部分，另一部分是经输入门的值与当前细胞状态候选项相乘的值，表示需要将哪些新信息加入到新细胞状态上，
输出门的计算为：
Ot＝σ(Wo*[ht-1，xt]+bo)
LSTM的最终输出为：
ht＝Ot*tsnh(Ct)
由于LSTM的输出由输出门和当前细胞状态一起决定，对能耗数据进行预测。
上述实施例只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人士能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡根据本发明精神实质所作的等效变化或修饰，都应涵盖在本发明的保护范围之内。
Claims (7)
1.一种基于人工智能的楼宇能耗控制方法，其特征在于，其包括以下步骤：
a.采集楼宇内各个区域内的环境和设备信息以及能耗数据；
b.根据环境和设备信息以及能耗数据建立环境、设备信息和能耗的关系的初始补缺模型；
c.继续采集楼宇内各个区域内的环境和设备信息以及能耗数据训练所述初始补缺模型得到最终补缺模型，以获得完整的数据集；
d.根据完整的数据集，建立环境和设备信息以及能耗数据的初始预测模型；
e.继续采集楼宇内各个区域内的环境和设备信息以及能耗数据训练所述初始预测模型得到最终预测模型，以对楼宇能耗进行实时监测。
2.根据权利要求1所述的基于人工智能的楼宇能耗控制方法，其特征在于：步骤b中，基于EM算法建立初始补缺模型。
3.根据权利要求1所述的基于人工智能的楼宇能耗控制方法，其特征在于：步骤d中，基于时间序列的LSTM预测算法，建立初始预测模型。
4.根据权利要求1所述的基于人工智能的楼宇能耗控制方法，其特征在于：所述各个区域内的环境和设备信息包括各楼层的各会议室及公共区域的温湿度,光照强度,空气质量的变量信息,以及空调、插座和照明配置能耗。
5.根据权利要求2所述的基于人工智能的楼宇能耗控制方法，其特征在于：步骤b，进行参数的最大似然估计，在已采集的数据及其分布模型基础上，估计出模型相应的参数，这组参数能够使从该模型中产生这些数据的概率最大，用于代表这个模型，对于f(x，θ)模型，样本χ1，χ2，...，χn，参数θ为最大似然估计量，记为
似然函数记为：
Expectation步骤，根据初始化的参数值或上一次迭代的模型参数估计隐藏变量的概率分布期望函数，隐藏变量的估计值：
Qi(zi)：＝f(zi|xi；θ)
Maximization步骤，将对数似然函数最大化，得到新的参数值，获得新的分布函数，新的参数值：
6.根据权利要求3所述的基于人工智能的楼宇能耗控制方法，其特征在于：步骤d中，遗忘门计算为：
ft＝σ(Wf*[ht-1,xt]+bf)，
其中：ft代表遗忘门，it代表输入门，Ot代表输出门，C是细胞状态，存储记忆信息，Ct-1代表前一时刻的细胞状态，Ct则是当前时刻的细胞状态，h是输出，ht-1是前一刻的输出，[ht-1,xt]将两个向量拼接起来，bf是门的偏置，Sigmoid函数输出0～1之间的数，作为遗忘门的控制信号，决定需要被遗忘或丢弃的信息，
输入门的计算为：
it＝σ(Wi*[ht-1,xt]+bi)
bi是输入门的偏置，使用Sigmoid函数是作为输入门的控制，其值决定上个时刻需要保留的信息，
当前细胞状态候选项：
Ct'＝tanh(Wc*[ht-1xt]+bc)
更新当前细胞状态，即更新当前时刻的信息：
Ct＝ft*Ct-1+it*Ct'
当前的细胞状态即当前时刻的信息由两部分组成，一个是前一时刻细胞状态经过遗忘门丢弃一些信息后所保留的信息部分，另一部分是经输入门的值与当前细胞状态候选项相乘的值，表示需要加入到新细胞状态上的新信息，
输出门的计算为：
Ot＝σ(Wo*[ht-1,xt]+bo)
LSTM的最终输出为：
ht＝Ot*tsnh(Ct)
由于LSTM的输出由输出门和当前细胞状态一起决定，对能耗数据进行预测。
7.一种基于人工智能的楼宇能耗控制装置，其包括感知部、控制部以及连接在感知部和控制部之间的转发部，其特征在于：所述感知部包括安装于各区域内的温湿度传感器、光照强度传感器、空气质量检测传感器以及针对空调、插座和照明配置能耗传感器，所述转发部包括若干网关以及路由器，所述控制部包括储存有权1-6中任一所述控制方法的处理器。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111000240.8A CN113960925A (zh) | 2021-08-30 | 2021-08-30 | 基于人工智能的楼宇能耗控制方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111000240.8A CN113960925A (zh) | 2021-08-30 | 2021-08-30 | 基于人工智能的楼宇能耗控制方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113960925A true CN113960925A (zh) | 2022-01-21 |
Family
ID=79460548
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111000240.8A Pending CN113960925A (zh) | 2021-08-30 | 2021-08-30 | 基于人工智能的楼宇能耗控制方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113960925A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115291555A (zh) * | 2022-09-06 | 2022-11-04 | 深圳市彩生活网络服务有限公司 | 基于互联网的智能楼宇数字化信息管理系统 |
| CN115996503A (zh) * | 2023-03-23 | 2023-04-21 | 深圳市森辉智能自控技术有限公司 | 一种自优化楼宇照明传感器节能控制系统 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0833060A (ja) * | 1994-07-14 | 1996-02-02 | Mitsubishi Electric Corp | ビル管理システム |
| JP2007107446A (ja) * | 2005-10-13 | 2007-04-26 | Hitachi Ltd | ガスタービンの性能診断方法及び診断システム |
| CN105706122A (zh) * | 2013-11-05 | 2016-06-22 | 日本电气株式会社 | 模型估计设备、模型估计方法和模型估计程序 |
| EP3291033A1 (fr) * | 2016-08-24 | 2018-03-07 | Electricité de France | Système et procédé d'estimation du comportement thermique d'un bâtiment, pour un contrôle optimal de chauffage |
| CN107870306A (zh) * | 2017-12-11 | 2018-04-03 | 重庆邮电大学 | 一种基于深度神经网络下的锂电池荷电状态预测算法 |
| CN108090558A (zh) * | 2018-01-03 | 2018-05-29 | 华南理工大学 | 一种基于长短期记忆网络的时间序列缺失值自动填补方法 |
| CN108197743A (zh) * | 2017-12-31 | 2018-06-22 | 北京化工大学 | 一种基于深度学习的预测模型软测量方法 |
| CN109214592A (zh) * | 2018-10-17 | 2019-01-15 | 北京工商大学 | 一种多模型融合的深度学习的空气质量预测方法 |
| CN111178626A (zh) * | 2019-12-30 | 2020-05-19 | 苏州科技大学 | 基于wgan算法的建筑能耗预测方法及监测预测系统 |
| CN111563610A (zh) * | 2020-03-30 | 2020-08-21 | 山东电力工程咨询院有限公司 | 一种基于lstm神经网络的建筑物电负荷综合预测方法及系统 |
| CN111984626A (zh) * | 2020-08-25 | 2020-11-24 | 西安建筑科技大学 | 一种基于统计模式的能耗数据识别与修复方法 |
| CN112101521A (zh) * | 2020-08-13 | 2020-12-18 | 国网辽宁省电力有限公司电力科学研究院 | 一种基于长短期记忆网络混合模型的建筑能耗预测方法 |
| CN112434787A (zh) * | 2020-10-28 | 2021-03-02 | 西安交通大学 | 基于楼宇总能耗的末端空间能耗预测方法、介质及设备 |
| CN112561728A (zh) * | 2020-10-28 | 2021-03-26 | 西安交通大学 | 基于注意力机制lstm的综合能耗费用优化方法、介质及设备 |
-
2021
- 2021-08-30 CN CN202111000240.8A patent/CN113960925A/zh active Pending
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0833060A (ja) * | 1994-07-14 | 1996-02-02 | Mitsubishi Electric Corp | ビル管理システム |
| JP2007107446A (ja) * | 2005-10-13 | 2007-04-26 | Hitachi Ltd | ガスタービンの性能診断方法及び診断システム |
| CN105706122A (zh) * | 2013-11-05 | 2016-06-22 | 日本电气株式会社 | 模型估计设备、模型估计方法和模型估计程序 |
| EP3291033A1 (fr) * | 2016-08-24 | 2018-03-07 | Electricité de France | Système et procédé d'estimation du comportement thermique d'un bâtiment, pour un contrôle optimal de chauffage |
| CN107870306A (zh) * | 2017-12-11 | 2018-04-03 | 重庆邮电大学 | 一种基于深度神经网络下的锂电池荷电状态预测算法 |
| CN108197743A (zh) * | 2017-12-31 | 2018-06-22 | 北京化工大学 | 一种基于深度学习的预测模型软测量方法 |
| CN108090558A (zh) * | 2018-01-03 | 2018-05-29 | 华南理工大学 | 一种基于长短期记忆网络的时间序列缺失值自动填补方法 |
| CN109214592A (zh) * | 2018-10-17 | 2019-01-15 | 北京工商大学 | 一种多模型融合的深度学习的空气质量预测方法 |
| CN111178626A (zh) * | 2019-12-30 | 2020-05-19 | 苏州科技大学 | 基于wgan算法的建筑能耗预测方法及监测预测系统 |
| CN111563610A (zh) * | 2020-03-30 | 2020-08-21 | 山东电力工程咨询院有限公司 | 一种基于lstm神经网络的建筑物电负荷综合预测方法及系统 |
| CN112101521A (zh) * | 2020-08-13 | 2020-12-18 | 国网辽宁省电力有限公司电力科学研究院 | 一种基于长短期记忆网络混合模型的建筑能耗预测方法 |
| CN111984626A (zh) * | 2020-08-25 | 2020-11-24 | 西安建筑科技大学 | 一种基于统计模式的能耗数据识别与修复方法 |
| CN112434787A (zh) * | 2020-10-28 | 2021-03-02 | 西安交通大学 | 基于楼宇总能耗的末端空间能耗预测方法、介质及设备 |
| CN112561728A (zh) * | 2020-10-28 | 2021-03-26 | 西安交通大学 | 基于注意力机制lstm的综合能耗费用优化方法、介质及设备 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115291555A (zh) * | 2022-09-06 | 2022-11-04 | 深圳市彩生活网络服务有限公司 | 基于互联网的智能楼宇数字化信息管理系统 |
| CN115996503A (zh) * | 2023-03-23 | 2023-04-21 | 深圳市森辉智能自控技术有限公司 | 一种自优化楼宇照明传感器节能控制系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhou et al. | Using long short-term memory networks to predict energy consumption of air-conditioning systems | |
| Liu et al. | Study on deep reinforcement learning techniques for building energy consumption forecasting | |
| CN109063938B (zh) | 基于psode-bp神经网络的空气质量预测方法 | |
| WO2023004838A1 (zh) | 一种风电出力区间预测方法 | |
| CN106529719B (zh) | 基于粒子群优化算法风速融合的风电功率预测的方法 | |
| CN113960925A (zh) | 基于人工智能的楼宇能耗控制方法及装置 | |
| Han et al. | Energy saving of buildings for reducing carbon dioxide emissions using novel dendrite net integrated adaptive mean square gradient | |
| CN108399470B (zh) | 一种基于多示例遗传神经网络的室内pm2.5预测方法 | |
| CN112415924A (zh) | 一种空调系统节能优化方法及系统 | |
| CN114240000A (zh) | 一种基于时空图卷积网络的空气质量预测方法 | |
| CN111594996A (zh) | 一种基于深度置信神经网络的变风量空调送风量的预测方法 | |
| CN110852498A (zh) | 一种基于gru神经网络预测数据中心能耗效率值pue的方法 | |
| CN112434787A (zh) | 基于楼宇总能耗的末端空间能耗预测方法、介质及设备 | |
| CN112418495A (zh) | 一种基于天牛须优化算法和神经网络的建筑能耗预测方法 | |
| CN114265913A (zh) | 工业物联网边缘设备上基于联邦学习的空时预测算法 | |
| CN116227689A (zh) | 一种光伏板污秽度状态评价及清扫决策系统 | |
| CN116989442A (zh) | 一种中央空调负荷预测方法及系统 | |
| Chen et al. | Research on short-term load forecasting of new-type power system based on GCN-LSTM considering multiple influencing factors | |
| CN116307287B (zh) | 一种光伏发电有效时段的预测方法、系统及预测终端 | |
| CN113128666A (zh) | 基于Mo-S-LSTMs模型的时间序列多步预测方法 | |
| CN110782077B (zh) | 基于周期性数据驱动的建筑热负荷混合预测方法及系统 | |
| CN115628522A (zh) | 一种基于emd-pso-lstm的商场中央空调负荷预测方法、系统及介质 | |
| CN114298973A (zh) | 一种基于红外图像分割的智能供热监测方法 | |
| CN114970946A (zh) | 基于深度学习模型与经验模态分解耦合的pm2.5污染浓度长时空预测方法 | |
| Qin et al. | Exploring New Building Energy Saving Control Strategy Application under the Energy Internet of Things |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |