CN114200839A - 一种耦合环境行为动态监测的办公建筑能耗智能控制模型 - Google Patents

Abstract

本发明公开一种耦合环境行为动态监测的办公建筑能耗智能控制模型，以办公建筑为研究对象，结合建筑环境控制模型，吸收国内外智能控制模型和人工智能的最新理念，开展耦合建筑人行为和多源环境信息监测的建筑环境智能控制模型研究；通过物联网技术建立建筑环境及运行数据的监测平台进行建筑环境信息收集，采用数据挖掘技术研究匹配人行为信息的建筑环境模式识别，建立开源数据库；通过研究探究建立神经网络预测学习模型,对真实环境下人为行为与能源驱动的办公建筑空间与理想环境下仿真模拟的办公建筑空间进行分析、比对与评估；通过耦合人行为信息，研究基于神经网络算法建立建筑环境智能控制模型。

Description

一种耦合环境行为动态监测的办公建筑能耗智能控制模型

技术领域

本发明涉及动态监测与办公环境控制技术领域，具体是一种耦合环境行为动态监测的办公建筑能耗智能控制模型。

背景技术

建筑环境的控制不仅关系到使用人员健康舒适和工作效率，同时也决定了建筑能耗的高低，进而影响了建筑的健康和绿色节能。近些年，健康和绿色节能已成为我国建筑性能发展的重要目标，也是住建部《建筑节能与绿色建筑发展“十三五”规划》中“以人为本”、“满足人民群众对建筑舒适性、健康性能不断提高的要求”的迫切需求。目前，建筑热湿环境和室内空气品质等环境需求的控制理论和实验研究已经取得了大批阶段性研究成果，如并已经广泛的应用于建筑系统控制中。

在“迫切需求”的逐渐提高和多元化，以及国家对建筑绿色节能的大力倡导的背景下，在现有的建筑环境控制中，主要难点在于获取建筑人行为与建筑环境耦合机理，动态精准感知多源建筑环境参数的控制需求，实现建筑智能化和精准化控制模型，并有效地保证建筑健康与绿色节能的重要目标。随着物联网和人工智能技术的发展，也给建筑环境的控制带来了新的机遇和挑战。

发明内容

本发明的目的在于提供一种耦合环境行为动态监测的办公建筑能耗智能控制模型，通过动态监测人行为，提高办公空间设备能源使用效率，实现最佳建筑办公空间人行为与设备布局模式。

本发明的目的可以通过以下技术方案实现：

一种耦合环境行为动态监测的办公建筑能耗智能控制模型，包括如下步骤：

S1、针对典型办公建筑为研究对象，布置传感器，获取办公建筑空间的参数与数据；

S2、根据参数和数据建立数据库，提取数据库的特征信息，以综合分析建筑运行状态和进行模式识别；

S3、对数据库进行数据预处理；

S4、耦合机器学习智能算法，建立基于数据驱动的建筑环境预测模型；

S5、集成人工神经网络算法，将人工神经网络算法应用到建筑环境控制；

S6、将真实环境下人为行为和能源驱动的办公建筑空间与理想环境下仿真模拟的办公建筑空间进行分析、比对与评估。

进一步地，所述数据库包括人行为信息和能源消耗。

所述人行为信息包括人员有无信息和人数信息；能源消耗数据包括办公建筑消耗的水、电和燃气；环境参数包括温湿度、CO₂和TVOC。

进一步地，所述S2具体包括以下步骤：

S21、布置动态监测传感器，获取办公建筑空间信息；

S22、建立办公建筑人行为信息和能源消耗数据库；

S23、提取数据库的特征信息，综合分析建筑运行状态和进行模式识别。

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。

所述传感器的动态监测构建包括中心数据采集模块、数据存储传输模块和电源模块，采集模块包括中心未处理单元、CO₂和TVOC组件、温湿度组件、人体感应器组件和时间模块。

进一步地，所述数据预处理包括：

S31、数据库构建中出现的异常值和缺省值数据问题；

S32、利用Adaptive-lasso分析法在相关性分析和回归分析，求解各因子与建筑能耗变的Lasso值输出相关性

并设立选择阈值。

进一步地，所述S4包括以下步骤：

S41、从特征提取和模式识别挖掘出的环境和人行为特征作为算法设计优化输入参数；

S42、利用参数进行算法的训练、验证与学习，最终输出目标的控制参数的预测模型；

S43、人工神经网络对不同建筑环境控制变量进行学习预测。

所述人工神经网络包括反向传播神经网络结构和反馈神经网络结构。

进一步地，所述S5包括以下步骤：

S51、通过集成人工神经网络算法和建筑环境控制模型智能控制方法，将人工神经网络算法应用到建筑环境控制系统；

S52、神经网络预测控制通过耦合S51中的人工神经网络算法建立神经网络预测器；

S53、通过设计优化性能指标，利用非线性优化器求出优化后的控制作用，神经网络预测器建立一个非线性被控对象的预测模型，并在线学习修正。

进一步地，所述建筑环境控制系统含有两种典型的神经网络控制，包括神经网络预测控制和神经网络自适应控制；

所述神经网络自适应控制通过参考控制模型的输出结果进行学习预测控制。

进一步地，所述预测模型由控制输入u(t)和系统的输出y(t)预报出被控系统在将来一段时间范围内的输出值y_m(t+j|t)，其中j＝N₁，N₁+1，...，N₂；N₁和N₂表示最小和最大的预测范围，如下式比较t+j时刻的预报误差：

e(t+j)=y_d(t+j)-y_m(t+j|t)

其中y_d(t+j)表示t+j时刻的期望输出。则非线性控制器将使如下性能指标函数最小，以便得到最优的控制输入：

其中，Δu(t+j-1)＝u(t+j-1)-u(t+j-2),λ是控制加权系数。

进一步地，所述S6包括一下步骤：

S61、构建简化的办公建筑空气处理单元，消除负荷；

S62、通过空气处理单元调控新风量，稀释室内不利元素；

S63、计算空气处理单元的能耗负荷，公式如下：

Q_r＝m_z*C_p*(T_in-T_s)

Q_vent，r＝m_OA，r*(h_OA-h_in)＝m_OA，r*(f(T_air，H_air)-f(T_in，r，H_in，r))

W_fan＝βm³

W_cost＝W_fan+(Q_r+Q_vent，r)/COP

式中，m_z和m_OA，r表示空调送风量和新风量，T_in和T_s表示房间内的温度和空调末端的送风温度；h_OA和h_in分别表示室外空气和室内空气的焓值；T和H分别表示温湿度；β是风机能耗系数；Q_r，Q_vent，r和W_fan分别表示冷热负荷、新风负荷和风机能耗；COP是空调系统能效比，W_Cost表示空气处理单元总能耗负荷；

S64、利用集成算法耦合S53中非线性被控对象的预测模型输出的办公环境智能控制与S63的输出结果，得出办公建筑平面楼层节能策略模型，得出耦合人行为与环境能耗动态监测的办公建筑智能控制模型；

S65、综合优化结果，利用输出数值进行模型鲁棒性检验，输出最优的环境控制检验策略、节能潜力策略模型、办公空间设备节能控制模型。

本发明的有益效果：

1、本发明智能控制模型结合建筑环境控制模型理论，采用国内外智能控制模型和人工智能的最新理念，以办公建筑为研究对象，融合近些年建筑人行为和能耗分析相关的研究成果，开展耦合建筑人行为和多源环境信息监测的建筑环境智能控制模型研究，是一种将先进技术引入世纪发明应用的典范；

2、本发明智能控制模型响应当前我国对低碳建筑、智能建筑和可持续建筑发展的现实需求，从办公建筑运维阶段中的建筑环境控制入手，研究多源环境参数的控制模型，以建筑环境适宜为标准、建筑节能为控制目标，建立智能化主动控制模型，提高建筑智能化与能耗效率；

3、本发明智能控制模型基于神经网络算法理论，通过动态监测获取数据，耦合人行为与环境能耗动态监测，构建办公建筑智能控制模型，是一种集实际数据采集，人工智能分析与应用，环境控制实施于一体的直观部署与算法分析相结合的，人行为与空间模式计量统一化的智能控制模型构建。

附图说明

下面结合附图对本发明作进一步的说明。

图1是本发明智能控制模型构建方法流程图；

图2是拟选取用于本发明实施的办公建筑的第3楼层示意图；

图3是建筑环境智能控制概念简化图；

图4是本发明开发集成并测试的建筑环境传感器模块(正反面示意图)；

图5是建筑多源环境监测模块与动态监测流程示意图；

图6是本发明所使用的人工神经网络结构图；

图7是本发明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8是基于神经网络算法的智能控制(NNC)结构；

图9是空气处理单元(AHU)结构示意图。

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。

一种耦合环境行为动态监测的办公建筑能耗智能控制模型，如图1所示，只能控制模型的构建包括以下步骤：

步骤1：选取典型办公建筑为研究对象，如图2所式，为拟选取用于本发明实施的办公建筑的第3楼层示意图，通过动态监测对办公环境布置传感器，获取办公建筑空间的室内环境、人行为数据、能耗数据、环境参数；

步骤2：如图3所示，通过动态监测获取办公建筑空间的室内环境、人行为数据、能耗数据、环境参数，建立办公建筑人行为信息和能源消耗数据库，所述人行为信息包括人员有无信息(空间是否被占用)和人数信息，能源消耗数据包括办公建筑消耗的水、电、燃气，环境参数包括温湿度、CO₂、TVOC，并提取数据集的特征信息，以综合分析建筑运行状态和进行模式识别；

步骤3：在建筑实际环境监测中，会出现传感器网络掉线、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，需要消除量纲的影响，需要利用相关性分析法或聚类分析法，针对数据缺省值或异常值，以均值法、插值法、回归法等方法需对数据库进行数据预处理；

步骤4：利用提取的特征和模式，通过耦合机器学习等智能算法，建立基于数据驱动的建筑环境预测模型；

步骤5：通过集成人工神经网络算法和建筑环境控制模型智能控制方法，将人工神经网络算法应用到建筑环境控制；

步骤6：基于人工神经网络的建筑环境智能控制模型，对真实环境下人行为与能源驱动的办公建筑空间与理想环境下仿真模拟的办公建筑空间进行分析、比对与评估。

在步骤1中，选取典型办公建筑为研究对象，通过动态监测对办公环境布置传感器，获取办公建筑空间的室内环境、人行为数据、能耗数据、环境参数，动态监测获取获取办公建筑空间的室内环境、人行为数据、能耗数据、环境参数，建立办公建筑人行为信息和能源消耗数据库。

步骤2具体方法为：

步骤2.1：通过动态监测对办公环境布置传感器，获取办公建筑空间的室内环境、人行为数据、能耗数据、环境参数，如图4所示，其中动态监测传感器构建包括中心数据采集模块、数据存储传输模块和电源模块；

中心数据采集模块的中心微处理单元采用ARDUINO Nano组件，将CO₂和TVOC组件(模块CCS811)、温湿度组件(模块DHT22)和人体感应器组件(模块SR602)进行集成，并添加时间模块；

数据存储传输模块：数据存储通过本地存储和云储存相结合的方式，其中本地储存采取添加SD Card组件进行本地存储，根据容量和数据的大小进行定期数据保存；云储存通过添加无线网络组件(如Wi-Fi，4G/5G等)；

步骤2.2：建立办公建筑人行为信息和能源消耗数据库，如图5所示，建筑环境多源环境监测模块与动态监测流程：

通过部署Wi-Fi和BLE信号网络采集建筑内无线网络信号，包含信号强度和信号区间，并通过申请人研究成果中建立的人行为算法模型，分析得出建筑人行为特征，包含建筑空间人数和人员分布，并储存在云服务器中；并通过智能插座等监测建筑设备末端的运行参数，如功率或用电量、设定状态等；

中β代表建筑群消耗的水，γ代表建筑群消耗的电，α代表建筑群消耗的燃气，λ为映射函数，y的单位为焦耳(J)；

步骤2.3：除了实时获取的建筑环境和人行信息外，还需提取数据集的特征信息，以综合分析建筑运行状态和进行模式识别，通常包括(但不限于)以下特征：

建筑环境和人行为的实时数据，(x_t1,x_t2,x_t3,…,x_tn)，x可以是温湿度、CO₂、TVOC、人员信息等；

建筑环境和人行为的变化量数据，(x_Δt1,x_Δt2,x_Δt3,…,x_Δtn),Δt可以取每1分钟、5分钟、20分钟、每小时、每天等时间间隔；

建筑环境和人行为的统计量数据，(Max,Min,Average，Stev.)；

人员到达时间统计量数据(time of arrival,TOA),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；

人员离开时间统计量数据(time of leave,TOL),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。

步骤3具体为：

步骤3.1：在建筑环境监测中，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；

步骤3.2：利用Adaptive-lasso相关性分析法在相关性分析和回归分析，求解各个因子与建筑能耗变的Lasso值输出相关性

并设立选择阈值，过滤掉小于阈值的因子，通过下式表达

其中，λ和θ是一个正值常量；

是二乘法计算误差，β_j是使其达到最小值的参数；

是adaptive-lasso模型输出的相关性；

步骤4的具体步骤为：

步骤4.1：利用已有的联合数据库为基础，从特征提取和模式识别挖掘出的环境和人行为特征作为算法设计优化输入参数；

步骤4.2：利用参数进行算法的训练、验证与学习，最终输出目标的控制参数的预测模型，人工神经网络从信息处理角度对生物神经元网络进行抽象，建立数学模型，按不同的连接方式组成不同的网络；

步骤4.3：本发明使用了两种典型的神经网络结构，如图6所示，本发明所使用的的人工神经网络结构图分别为，反向传播神经网络结构(BP-ANN)，和反馈神经网络结构(RNN)；

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；

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，所运用的计算公式为；

y_t+Δt＝g(w³*h_t+b)

h_t＝f(w¹*x_c，t+w²*x_t-1)

x_c，t＝αx_c，t-1+h_t-1

其中，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；

步骤4.4：本发明中的人工神经网络对不同建筑环境控制变量进行学习预测，过程如图3所示，其中：

输入参数为所测量参数的特征值(含人行为信息，建筑环境信息等)，将输入数据集分为训练集(70％)和验证集(30％)，预测目标划分为不同时间标度(5min，10min，20min，1hour和1day等)和空间尺度(单个房间、多人房间、楼层和建筑尺度等)。

如图7所示，本发明基于人工神经网络的预测流程包含了建筑环境多时间标度和空间尺度，针对某一时间标度和空间尺度的建筑环境变量，通过初始化权重，代入训练数据集，然后运用梯度下降法不断地训练权重，直至输出与真实数据之间的误差最小，然后确定算法模型，并输出综合评估表。预测模型评估指标为以下输出公式(但不限于)：

均方根误差(Root Mean Squared Error,RMSE)，定义如下：

平均相对误差(Mean Relative Error,MRE)，定义如下：

其中，表示建筑环境变量实际数据，表示建筑环境变量预测数据；

步骤5具体步骤为：

基于人工神经网络的建筑环境智能控制模型，对真实环境下人为行为与能源驱动的办公建筑空间与理想环境下仿真模拟的办公建筑空间进行分析、比对与评估；

步骤5.1：通过集成人工神经网络算法和建筑环境控制模型智能控制方法，将人工神经网络算法应用到建筑环境控制系统流图。如图8所示，本发明使用了两种典型的神经网络控制(Neural Network Control，NNC)结构；

步骤5.2：神经网络预测控制通过耦合上一步的人工神经网络算法建立预测器，预测器可以通过将已获取的建筑人员信息和环境参数作为输入进行训练和学习系统的控制信息，然后该预测模型可以用当前的系统控制信息预测出在未来一段时间范围内的输出量(如送风量、送风温度、新风量等)，此过程的智能控制(NNC)结构中实现。神经网络自适应控制模型则可以通过参考控制模型(如PID等控制)的输出结果进行学习预测控制；

步骤5.3：通过设计优化性能指标，利用非线性优化器可求出优化后的控制作用，神经网络预测器建立一个非线性被控对象的预测模型，并可在线学习修正。利用此预测模型，可以由目前的控制输入u(t)和系统的输出y(t)预报出被控系统在将来一段时间范围内的输出值y_m(t+j|t)，其中j＝N₁，N₁+1，...，N₂；N₁和N₂表示最小和最大的预测范围。则可如下式比较t+j时刻的预报误差：

e(t+j)＝y_d(t+j)-y_m(t+j|t)

其中y_d(t+j)表示t+j时刻的期望输出。则非线性控制器将使如下性能指标函数最小，以便得到最优的控制输入：

其中，Δu(t+j-1)＝u(t+j-1)-u(t+j-2),λ是控制加权系数。

步骤6具体步骤为：

步骤6.1：构建简化的办公建筑空气处理单元，消除室内的与人员使用相关的负荷和与人员使用不相关的负荷，前者包含通风负荷，人员和与人员操作的设备(电脑、打印机、热水机等)所获得的热量，后者负荷包括来自空气渗透、建筑围护结构等产生的负荷；

步骤6.2：在模型构建中增加需要提供一定的新风量用稀释室内的CO₂、TVOC等不利元素以保证建筑环境质量，图9示例了简化的办公建筑空气处理单元(Air HandlingUnit,AHU)；

步骤6.3：对于空气处理单元，能耗负荷主要用于制冷或制热过程中消除室内冷负荷和热负荷、消除维持室内空气品质的新风的冷热负荷和送/回风机负荷。根据室外气候条件，通过以下方式简化计算所得：

Q_r＝m_z*C_p*(T_in-T_s)

Q_vent，r＝m_OA，r*(h_OA-h_in)＝m_OA，r*(f(T_air，H_air)-f(T_in，r，H_in，r))

W_fan＝βm³

W_cost＝W_fan+(Q_r+Q_vent，r)/COP

式中，m_z和m_OA，r表示空调送风量和新风量，T_in和T_s表示房间内的温度和空调末端的送风温度；h_OA和h_in分别表示室外空气和室内空气的焓值；T和H分别表示温湿度，β是风机能耗系数，通常可取0.6；Q_r，Q_vent，r和W_fan分别表示冷热负荷、新风负荷和风机能耗，COP是空调系统能效比，W_Cost表示空气处理单元总能耗负荷；

利用集成算法耦合步骤S53中非线性被控对象的预测模型输出的办公环境智能控制与步骤6.2输出结果(室内实际监测结果与冷热负荷参数)，得出办公建筑平面楼层节能策略模型，得出耦合人行为与环境能耗动态监测的办公建筑智能控制模型；

步骤6.4：利用集成算法耦合步骤5.x输出的办公环境智能控制与步骤6.2输出结果，得出办公建筑平面楼层节能策略模型，得出耦合人行为与环境能耗动态监测的办公建筑智能控制模型；

步骤6.5：综合优化结果，利用输出数值进行模型鲁棒性检验，输出最优的环境控制检验策略、节能潜力策略模型、办公空间设备节能控制模型。

在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。

Claims (10)

1.一种耦合环境行为动态监测的办公建筑能耗智能控制模型，其特征在于，包括如下步骤：

S1、针对典型办公建筑为研究对象，布置传感器，获取办公建筑空间的参数与数据；

S2、根据参数和数据建立数据库，提取数据库的特征信息，以综合分析建筑运行状态和进行模式识别；

S3、对数据库进行数据预处理；

S4、耦合机器学习智能算法，建立基于数据驱动的建筑环境预测模型；

S5、集成人工神经网络算法，将人工神经网络算法应用到建筑环境控制；

S6、将真实环境下人为行为和能源驱动的办公建筑空间与理想环境下仿真模拟的办公建筑空间进行分析、比对与评估。

2.根据权利要求1所述的一种耦合环境行为动态监测的办公建筑能耗智能控制模型，其特征在于，所述数据库包括人行为信息和能源消耗；

所述人行为信息包括人员有无信息和人数信息；能源消耗数据包括办公建筑消耗的水、电和燃气；环境参数包括温湿度、CO₂和TVOC。

3.根据权利要求1所述的一种耦合环境行为动态监测的办公建筑能耗智能控制模型，其特征在于，所述S2具体包括以下步骤：

S21、布置动态监测传感器，获取办公建筑空间信息；

S22、建立办公建筑人行为信息和能源消耗数据库；

S23、提取数据库的特征信息，综合分析建筑运行状态和进行模式识别。

4.根据权利要求3所述的一种耦合环境行为动态监测的办公建筑能耗智能控制模型，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；

所述传感器的动态监测构建包括中心数据采集模块、数据存储传输模块和电源模块，采集模块包括中心未处理单元、CO₂和TVOC组件、温湿度组件、人体感应器组件和时间模块。

5.根据权利要求1所述的一种耦合环境行为动态监测的办公建筑能耗智能控制模型，其特征在于，所述数据预处理包括：

S31、数据库构建中出现的异常值和缺省值数据问题；

S32、利用Adaptive-lasso分析法在相关性分析和回归分析，求解各因子与建筑能耗变的Lasso值输出相关性

并设立选择阈值。

6.根据权利要求1所述的一种耦合环境行为动态监测的办公建筑能耗智能控制模型，其特征在于，所述S4包括以下步骤：

S41、从特征提取和模式识别挖掘出的环境和人行为特征作为算法设计优化输入参数；

S42、利用参数进行算法的训练、验证与学习，最终输出目标的控制参数的预测模型；

S43、人工神经网络对不同建筑环境控制变量进行学习预测；

所述人工神经网络包括反向传播神经网络结构和反馈神经网络结构。

7.根据权利要求6所述的一种耦合环境行为动态监测的办公建筑能耗智能控制模型，其特征在于，所述S5包括以下步骤：

S51、通过集成人工神经网络算法和建筑环境控制模型智能控制方法，将人工神经网络算法应用到建筑环境控制系统；

S52、神经网络预测控制通过耦合S51中的人工神经网络算法建立神经网络预测器；

S53、通过设计优化性能指标，利用非线性优化器求出优化后的控制作用，神经网络预测器建立一个非线性被控对象的预测模型，并在线学习修正。

8.根据权利要求7所述的一种耦合环境行为动态监测的办公建筑能耗智能控制模型，其特征在于，所述所述建筑环境控制系统含有两种典型的神经网络控制，包括神经网络预测控制和神经网络自适应控制；

所述神经网络自适应控制通过参考控制模型的输出结果进行学习预测控制。

9.根据权利要求7所述的一种耦合环境行为动态监测的办公建筑能耗智能控制模型，其特征在于，所述预测模型由控制输入u(t)和系统的输出y(t)预报出被控系统在将来一段时间范围内的输出值y_m(t+j|t)，其中j＝N₁，N₁+1，...，N₂；N₁和N₂表示最小和最大的预测范围，如下式比较t+j时刻的预报误差：

e(t+j)＝y_d(t+j)-y_m(t+j|t)

其中y_d(t+j)表示t+j时刻的期望输出，则非线性控制器将使如下性能指标函数最小，以便得到最优的控制输入：

其中，Δu(t+j-1)＝u(t+j-1)-u(t+j-2)，λ是控制加权系数。

10.根据权利要求1所述的一种耦合环境行为动态监测的办公建筑能耗智能控制模型，其特征在于，所述S6包括一下步骤：

S61、构建简化的办公建筑空气处理单元，消除负荷；

S62、通过空气处理单元调控新风量，稀释室内不利元素；

S63、计算空气处理单元的能耗负荷，公式如下：

Q_r＝m_z*C_p*(T_in-T_s)

Q_vent，r＝m_OA，r*(h_OA-h_in)＝m_OA，r*(f(T_air，H_air)-f(T_in，r，H_in，r))

W_fan＝βm³

W_cost＝W_fan+(Q_r+Q_vent，r)/COP

式中，m_z和m_OA，r表示空调送风量和新风量，T_in和T_s表示房间内的温度和空调末端的送风温度；h_OA和h_in分别表示室外空气和室内空气的焓值；T和H分别表示温湿度；β是风机能耗系数；Q_r，Q_vent，r和W_fan分别表示冷热负荷、新风负荷和风机能耗；COP是空调系统能效比，W_Cost表示空气处理单元总能耗负荷；

S64、利用集成算法耦合S53输出的办公环境智能控制与S63的输出结果，得出办公建筑平面楼层节能策略模型，得出耦合人行为与环境能耗动态监测的办公建筑智能控制模型；

S65、综合优化结果，利用输出数值进行模型鲁棒性检验，输出最优的环境控制检验策略、节能潜力策略模型、办公空间设备节能控制模型。

Images