CN114237057B - 智慧楼宇用电分析的动态建模方法、系统、设备和介质 - Google Patents
智慧楼宇用电分析的动态建模方法、系统、设备和介质 Download PDFInfo
- Publication number
- CN114237057B CN114237057B CN202111566675.9A CN202111566675A CN114237057B CN 114237057 B CN114237057 B CN 114237057B CN 202111566675 A CN202111566675 A CN 202111566675A CN 114237057 B CN114237057 B CN 114237057B
- Authority
- CN
- China
- Prior art keywords
- building
- physical
- region
- model
- data
- 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.)
- Active
Links
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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开智慧楼宇用电分析的动态建模方法、系统、设备和介质,涉及电力系统技术领域,具体包括以下步骤:步骤1、基于智慧楼宇的物理结构、用电设备的能耗特性以及建筑传热等物理机理,构建楼宇用电分析物理动态模型,并根据重要性、不可测量性和环境相关性,确定物理模型的关键参数为围护结构的传热系数和空调制冷量修正系数,步骤2、基于数据驱动,构建基于一维卷积神经网络的楼宇关键参数辨识模型,并将辨识结果回代入步骤1所述的物理模型。本发明在既保有基于物理机理建模能够明确反应流程内在联系、基于数据驱动方法能通过大量实际数据揭示不同数据之间无形关系的优势的同时,又提高能耗仿真模型的精确度,为后续研究提供重要的工具基础。
Description
技术领域
本发明属于电力系统技术领域,具体涉及智慧楼宇用电分析的动态建模方法、系统、设备和介质。
背景技术
建筑行业占全球能源消耗的三分之一以上,城市建筑占建筑总能耗的近90%,其中非住宅建筑占中国碳排放量的35%以上。在这种情况下,降低能源消耗、提高建筑能效对于实现中国的双碳目标起着至关重要的作用。而建立能够准确反映建筑能耗的仿真模型是深入研究建筑能耗优化的重要前提。传统的建筑能耗建模方法主要有基于物理机理和基于数据驱动的建模方法。前者可以有效地反应建筑物中热-电转换之间的内在关系,但物理模型的高度复杂性可能导致模型精度较低。同时,多种时间相关因素,如外部环境的动态变化、建筑物内的热分布不均匀、内部连接结构状态的变化,甚至居住者的能耗行为,都可能导致室内空气焓和传热系数等参数的偏差、难以准确反映建筑的实际能耗。后者则依靠历史测量数据和机器学习算法,通过训练直接挖掘数据之间的隐式关系,建立能耗模型。这种方法的缺点主要在于它所依赖的大型数据集在实际中并不总是能够获得。
发明内容
针对现有技术的不足,本发明的目的在于提供智慧楼宇用电分析的动态建模方法、系统、设备和介质,以解决上述背景技术中提出的问题。
本发明的目的可以通过以下技术方案实现:智慧楼宇用电分析动态建模方法,
步骤1:基于智慧楼宇的物理结构、用电设备的能耗特性以及建筑传热等物理机理,构建楼宇用电分析物理动态模型,并根据重要性、不可测量性和环境相关性,确定物理模型的关键参数为围护结构的传热系数和空调制冷量修正系数,
步骤2:基于数据驱动,构建基于一维卷积神经网络的楼宇关键参数辨识模型,并将辨识结果回代入步骤1所述的物理模型。
进一步地,所述步骤1中,考虑到时变特性,收集建筑的物理结构,构建分别表示建筑物的内部单区域物理结构和内部多区域交互情况的矩阵Bg和Br:
式中,ai用来存放第i个区域的区域类型,具体对应如附表1;矩阵元素cij(i<j)用来存放区域i和区域j之间的通风口情况,0表示两区域之间不存在通风口,1表示两区域之间存在通风口;矩阵元素bij(i>j)用来存放区域i和区域j之间的围护结构情况,0表示两区域之间不存在围护结构,1表示两区域之间存在围护结构。Vi用来存放第i个区域的体积(m3);矩阵元素dij(i>j)存放区域i和区域j之间围护结构的具体信息;
由于围护结构不同的类型和材质决定了其具有不同的换热系数,而其具体换热量与围护结构的换热面积也直接相关;对于涉及到太阳辐射量计算的围护结构而言,其不同的朝向又对应着不同的太阳辐射量修正系数。因此,对于一个围护结构,至少需要记录围护结构类型、材质、面积以及朝向这四个具体信息;若区域i和区域j之间存在的围护结构数目为n,则将围护结构具体信息保存为一个n行4列的矩阵,每列分别存放一个编号来记录信息;
对建筑物的电气设备的功耗进行建模
建筑物内的电气设备包括日间循环运行设备和日间间歇运行设备,日间循环运行设备的功耗建模如下:
在每小时正常运行的条件下,功率保持pf运行tx分钟后降至零;
对于白天间歇运行的设备,运行时间限制在办公楼使用时的时间段内,且当办公室无人时,该区域的所有电气设备都会关闭;
日间间歇运行设备工作状态的开关状态模型和功率模型如下所示:
式中αAC(t)是t时刻的开关状态,0代表关闭,1代表开启,2代表待机状态。Ts是设定温度,[ΔT1,ΔT2]代表制冷上下限,Tin是室内温度;
日间间歇运行设备分为环境关联型用电设备和事件关联型用电设备,环境关联型用电设备开关状态模型如下所示:
式中,Eenv表示测得的环境光照,nhum表示某区域的工作人员数量;
事件关联型用电设备的开关状态模型如下所示:
工作时,事件关联型用电设备的功率均保持恒定,如下所示:
在电-热转换过程的基础上,进行建筑热动态过程建模,建立能耗模型;
基于热平衡,单个区域(区域i)的动态热过程模型如下:
式中,ρ是空气密度(kg/m3),C是空气比热容(J/kg℃),Vi是区域i的空气体积,Ti,in表示室内温度,Qi,sum表示全部的交换热量,Qi,sun表示该区域内的太阳辐射热量,Qi,human表示该区域内的人员总散热量,Qi,water表示该区域内的热水壶总散热量,Qi,light表示该区域内的照明灯具总散热量,Qi,fridge表示该区域内的冰箱总散热量,Qi,vent表示该区域通过通风口及围护结构与其他区域及外界的总交换热量,Qi,AC表示该区域内的空调制冷量,最后两项具体计算如下:
式中,k表示围护结构或者通风口的传热系数A表示区域传热面积,ΔT表示围护结构或者通风口两侧的传热温差,εAC表示空调的制冷量修正系数,ni,AC表示区域i中的空调数量,
基于物理机理的分析,考虑传热系数在实际中无法直接测量,并且可能随环境条件而变化,同时,空调的实际制冷量还需要在理论制冷量的基础上乘以制冷修正系数使其值更接近实际情况,因此,根据重要性、不可测量性和环境相关性,选择不同材质的围护结构的传热系数和空调制冷量修正系数作为待辨识的关键参数。
进一步地,所述的步骤2中:构建一维卷积神经网络搭建关键参数的辨识模型的步骤如下:
抽样生成关键参数组合:在参数辨识模型中,深度神经网络的原始样本来自历史外部测量数据和基于物理模型的仿真数据,由于选定的待辨识参数通常受实际环境条件的影响,因此需要考虑其不确定性,蒙特卡罗模拟允许根据不同的概率分布函数p(x)对关键参数进行随机抽样,假设关键参数在合理的值范围内均匀分布,蒙特卡罗随机抽样与随机函数结合使用,生成若干关键参数组合;
建立样本集合:将参数组合分别替换到物理模型中,以获得特征向量总能耗和每个区域的模拟温度,重复上述过程,直到建立起设定的的样本集,在此过程中,初始条件保持不变;
使用样本集合,离线训练神经网络:将物理模型的仿真结果作为输入,每组相应的参数作为标签,在完成样本生成和离线训练后,输入用于参数识别的真实数据,输出辨识的参数用于物理模型的校正。
进一步地,所述初始条件包括建筑的静态结构、外部环境的温度和照明;
智慧楼宇用电分析系统,包括:
获取模块,用于获取实际建模楼宇的静态物理结构数据、用电设备布置数据、所处的外部环境温度及照明数据、一组真实能耗数据;
处理模块,用于将所述的一组真实能耗数据输入预先搭建好的关键参数辨识模型中,并将输出的辨识关键参数(围护结构的传热系数、空调制冷量修正系数)代入楼宇能耗仿真物理模型中替换原有典型取值的关键参数,得到数据-物理融合的楼宇用电能耗仿真结果;其中所述的智慧楼宇能耗仿真物理模型基于实际建模楼宇的静态物理结构数据、用电设备布置数据、不同用电设备开关及功耗特性、楼宇内传热过程分析建立;所述的关键参数辨识模型,基于一维卷积神经网络搭建,并在保持楼宇物理静态结构、外部环境温度及照明条件不变的情况下,通过在合理取值范围内改变楼宇围护结构的传热系数、空调制冷量修正系数,得到设定组数的仿真能耗与关键参数对应数据组,并用该数据组训练关键参数辨识模型,
显示模块,用于将数据-物理融合的楼宇能耗仿真结果输出显示。
电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行上述任一项所述的智慧楼宇用电分析动态建模方法的步骤。
非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述任一项所述的智慧楼宇用电分析动态建模方法的步骤。
本发明的有益效果:本发明基于数据-物理融合的核心思想,提出智慧楼宇用电分析动态建模方法。在既保有基于物理机理建模能够明确反应流程内在联系、基于数据驱动方法可以通过大量实际数据揭示不同数据之间无形关系的优势的同时,又提高能耗仿真模型的精确度,为后续研究提供重要的工具基础。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图和附表作简单地介绍,显而易见地,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的流程示意图;
图2为本发明的基于深度神经网络的参数辨识模型原理图;
图3为本发明实施例中空间分布示意图;
图4为参数辨识模型的具体结构;
图5为损失函数变化情况;
图6楼宇区域类型与对应代号关系表;
图7围护结构具体信息对应表;
图8各区域的电器分布表;
图9待辨识参数的合理取值范围。
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。
智慧楼宇用电分析动态建模方法,如图1所示;基于深度神经网络的参数辨识模型原理图,如图2所示。
步骤1:基于智慧楼宇的物理结构、用电设备的能耗特性以及建筑传热等物理机理,构建楼宇用电分析物理动态模型,并根据重要性、不可测量性和环境相关性,确定物理模型的关键参数为围护结构的传热系数和空调制冷量修正系数,
步骤2:基于数据驱动,构建基于一维卷积神经网络的楼宇关键参数辨识模型,并将辨识结果回代入步骤1所述的物理模型。
进一步地,所述步骤1中,考虑到时变特性,收集建筑的物理结构,构建分别表示建筑物的内部单区域物理结构和内部多区域交互情况的矩阵Bg和Br:
式中,ai用来存放第i个区域的区域类型,具体对应如附表1;矩阵元素cij(i<j)用来存放区域i和区域j之间的通风口情况,0表示两区域之间不存在通风口,1表示两区域之间存在通风口;矩阵元素bij(i>j)用来存放区域i和区域j之间的围护结构情况,0表示两区域之间不存在围护结构,1表示两区域之间存在围护结构。Vi用来存放第i个区域的体积(m3);矩阵元素dij(i>j)存放区域i和区域j之间围护结构的具体信息;
由于围护结构不同的类型和材质决定了其具有不同的换热系数,而其具体换热量与围护结构的换热面积也直接相关;对于涉及到太阳辐射量计算的围护结构而言,其不同的朝向又对应着不同的太阳辐射量修正系数。因此,对于一个围护结构,至少需要记录围护结构类型、材质、面积以及朝向这四个具体信息;若区域i和区域j之间存在的围护结构数目为n,则将围护结构具体信息保存为一个n行4列的矩阵,每列分别存放一个编号来记录信息;
对建筑物的电气设备的功耗进行建模
建筑物内的电气设备包括日间循环运行设备和日间间歇运行设备,日间循环运行设备的功耗建模如下:
在每小时正常运行的条件下,功率保持pf运行tx分钟后降至零;
对于白天间歇运行的设备,运行时间限制在办公楼使用时的时间段内,且当办公室无人时,该区域的所有电气设备都会关闭;
日间间歇运行设备工作状态的开关状态模型和功率模型如下所示:
式中αAC(t)是t时刻的开关状态,0代表关闭,1代表开启,2代表待机状态。Ts是设定温度,[ΔT1,ΔT2]代表制冷上下限,Tin是室内温度;
日间间歇运行设备分为环境关联型用电设备和事件关联型用电设备,环境关联型用电设备开关状态模型如下所示:
式中,Eenv表示测得的环境光照,nhum表示某区域的工作人员数量;
事件关联型用电设备的开关状态模型如下所示:
工作时,事件关联型用电设备的功率均保持恒定,如下所示:
在电-热转换过程的基础上,进行建筑热动态过程建模,建立能耗模型;
基于热平衡,单个区域(区域i)的动态热过程模型如下:
式中,ρ是空气密度(kg/m3),C是空气比热容(J/kg℃),Vi是区域i的空气体积,Ti,in表示室内温度,Qi,sum表示全部的交换热量,Qi,sun表示该区域内的太阳辐射热量,Qi,human表示该区域内的人员总散热量,Qi,water表示该区域内的热水壶总散热量,Qi,light表示该区域内的照明灯具总散热量,Qi,fridge表示该区域内的冰箱总散热量,Qi,vent表示该区域通过通风口及围护结构与其他区域及外界的总交换热量,Qi,AC表示该区域内的空调制冷量,最后两项具体计算如下:
式中,k表示围护结构或者通风口的传热系数A表示区域传热面积,ΔT表示围护结构或者通风口两侧的传热温差,εAC表示空调的制冷量修正系数,ni,AC表示区域i中的空调数量,
基于物理机理的分析,考虑传热系数在实际中无法直接测量,并且可能随环境条件而变化,同时,空调的实际制冷量还需要在理论制冷量的基础上乘以制冷修正系数使其值更接近实际情况,因此,根据重要性、不可测量性和环境相关性,选择不同材质的围护结构的传热系数和空调制冷量修正系数作为待辨识的关键参数。
进一步地,所述的步骤2中:构建一维卷积神经网络搭建关键参数的辨识模型的步骤如下:
1)抽样生成关键参数组合:在参数辨识模型中,深度神经网络的原始样本来自历史外部测量数据和基于物理模型的仿真数据,由于选定的待辨识参数通常受实际环境条件的影响,因此需要考虑其不确定性,蒙特卡罗模拟允许根据不同的概率分布函数p(x)对关键参数进行随机抽样,假设关键参数在合理的值范围内均匀分布,蒙特卡罗随机抽样与随机函数结合使用,生成若干关键参数组合。
2)建立样本集合:将参数组合分别替换到物理模型中,以获得特征向量总能耗和每个区域的模拟温度,重复上述过程,直到建立起设定的的样本集,在此过程中,初始条件保持不变;
3)使用样本集合,离线训练神经网络:将物理模型的仿真结果作为输入,每组相应的参数作为标签,在完成样本生成和离线训练后,输入用于参数识别的真实数据,输出辨识的参数用于物理模型的校正。
进一步地,所述初始条件包括建筑的静态结构、外部环境的温度和照明;
智慧楼宇用电分析系统,包括:
获取模块,用于获取实际建模楼宇的静态物理结构数据、用电设备布置数据、所处的外部环境温度及照明数据、一组真实能耗数据;
处理模块,用于将所述的一组真实能耗数据输入预先搭建好的关键参数辨识模型中,并将输出的辨识关键参数(围护结构的传热系数、空调制冷量修正系数)代入楼宇能耗仿真物理模型中替换原有典型取值的关键参数,得到数据-物理融合的楼宇用电能耗仿真结果;其中所述的智慧楼宇能耗仿真物理模型基于实际建模楼宇的静态物理结构数据、用电设备布置数据、不同用电设备开关及功耗特性、楼宇内传热过程分析建立;所述的关键参数辨识模型,基于一维卷积神经网络搭建,并在保持楼宇物理静态结构、外部环境温度及照明条件不变的情况下,通过在合理取值范围内改变楼宇围护结构的传热系数、空调制冷量修正系数,得到设定组数的仿真能耗与关键参数对应数据组,并用该数据组训练关键参数辨识模型,
显示模块,用于将数据-物理融合的楼宇能耗仿真结果输出显示。
电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行上述任一项所述的智慧楼宇用电分析动态建模方法的步骤。
非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述任一项所述的智慧楼宇用电分析动态建模方法的步骤。
算例的研究对象为由五个室内区域构成的办公平层,其具体空间分布及对应的编号情况如图3和图7所示。各区域主要电气设备的具体分布情况见图8所述。根据实际场景建立物理能耗模型后,确定待辨识参数的合理值范围,如图9所示。
以夏季一个典型日为例,给定楼宇静态结构的初始条件,外部环境的温度和光照为X,针对任何目标参数U获得相应的输出信号Y(室内模拟温度和能耗)。固定X常数,采样值Ui进入物理模拟模型,设定10分钟的采样周期,得到相应的响应特性向量Yi。每个向量的长度Yi为L(Yi)=6(室内面积数+建筑总能耗)×144(采样每10分钟采样点24小时)=864。Yi的物理含义是室内温度和Ui确定的24小时内以10分钟为单位取样的总能耗。将上述过程循环5000次以建立样本集:{(Y1,U1),…,(Y5000,U5000)}。生成训练样本后,确定输入层的输入特征为矩阵Y,输出层的输出目标为矩阵U,并随机抽取样本空间容量的90%作为训练样本,10%作为测试样本。
基于一维卷积神经网络,在TensorFlow中搭建参数辨识模型,具体结构如图4所示。Adam优化器用于学习神经网络的权重,学习率为0.001。采用平均绝对误差(MAE)作为评价方法,均方误差(MSE)作为参数辨识模型的损失函数。损失函数变化情况如附图5所示。
模型训练完成后,将一组真实的室内温度和建筑总能耗数据Yt代入参数辨识模型,得到参数辨识结果Ut。将物理仿真模型中的典型参数替换为Ut,并保持其他初始条件不变,以获得一组新的仿真结果Yt’。计算典型参数和辨识参数的建筑总能耗与实际能耗之差的MSE,以评估参数识别模型的动态校正效果,计算结果如下表。
算例的研究对象为由五个室内区域构成的办公平层,其具体空间分布及对应的编号情况如图3、图5-图7所示。各区域主要电气设备的具体分布情况见图,根据实际场景建立物理能耗模型后,确定待辨识参数的合理值范围,如图9所示。
以夏季一个典型日为例,给定楼宇静态结构的初始条件,外部环境的温度和光照为X,针对任何目标参数U获得相应的输出信号Y(室内模拟温度和能耗)。固定X常数,采样值Ui进入物理模拟模型,设定10分钟的采样周期,得到相应的响应特性向量Yi。每个向量的长度Yi为L(Yi)=6(室内面积数+建筑总能耗)×144(采样每10分钟采样点24小时)=864。Yi的物理含义是室内温度和Ui确定的24小时内以10分钟为单位取样的总能耗。将上述过程循环5000次以建立样本集:{(Y1,U1),…,(Y5000,U5000)}。生成训练样本后,确定输入层的输入特征为矩阵Y,输出层的输出目标为矩阵U,并随机抽取样本空间容量的90%作为训练样本,10%作为测试样本。
基于一维卷积神经网络,在TensorFlow中搭建参数辨识模型,具体结构如附图2所示。Adam优化器用于学习神经网络的权重,学习率为0.001。采用平均绝对误差(MAE)作为评价方法,均方误差(MSE)作为参数辨识模型的损失函数。损失函数变化情况如图5所示。
模型训练完成后,将一组真实的室内温度和建筑总能耗数据Yt代入参数辨识模型,得到参数辨识结果Ut。将物理仿真模型中的典型参数替换为Ut,并保持其他初始条件不变,以获得一组新的仿真结果Yt’。计算典型参数和辨识参数的建筑总能耗与实际能耗之差的MSE,以评估参数识别模型的动态校正效果,计算结果如下表。
将修正模型的模拟能耗和原模型的模拟能耗分别与实际能耗进行比较,其MSE从0.0144降至0.0010,可见,基于数据-物理融合的核心思想,将物理模型中的典型参数替换为辨识参数,可以提高建筑能耗模拟物理模型的精度,实现了动态校正。
将修正模型的模拟能耗和原模型的模拟能耗分别与实际能耗进行比较,其MSE从0.0144降至0.0010,可见,基于数据-物理融合的核心思想,将物理模型中的典型参数替换为辨识参数,可以提高建筑能耗模拟物理模型的精度,实现了动态校正。
对于本领域技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型。因此,从任意一处来说,都应将实施例看作是指导性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所有的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.智慧楼宇用电分析动态建模方法,其特征在于,
步骤1:基于智慧楼宇的物理结构、用电设备的能耗特性以及建筑传热物理机理,构建楼宇用电分析物理动态模型,并根据重要性、不可测量性和环境相关性,确定物理模型的关键参数为围护结构的传热系数和空调制冷量修正系数;
步骤2:基于数据驱动,构建基于一维卷积神经网络的楼宇关键参数辨识模型,并将辨识结果回代入步骤1所述的物理模型;
所述步骤1中,考虑到时变特性,收集建筑的物理结构,构建分别表示建筑物的内部单区域物理结构和内部多区域交互情况的矩阵Bg和Br:
式中,ɑi用来存放第i个区域的区域类型,0表示区域类型为环境,1表示区域类型为普通房间,2表示区域类型为敞开区域;矩阵元素cij,i<j,用来存放区域i和区域j之间的通风口情况,0表示两区域之间不存在通风口,1表示两区域之间存在通风口;矩阵元素bij,i>j,用来存放区域i和区域j之间的围护结构情况,0表示两区域之间不存在围护结构,1表示两区域之间存在围护结构;Vi用来存放第i个区域的空气体积,单位为m3;矩阵元素dij,i>j,存放区域i和区域j之间围护结构的具体信息;
由于围护结构不同的类型和材质决定了其具有不同的换热系数,而其具体换热量与围护结构的换热面积也直接相关;对于涉及到太阳辐射量计算的围护结构而言,其不同的朝向又对应着不同的太阳辐射量修正系数;因此,对于一个围护结构,至少需要记录围护结构类型、材质、面积以及朝向这四个具体信息;若区域i和区域j之间存在的围护结构数目为n,则将围护结构具体信息保存为一个n行4列的矩阵,每列分别存放一个编号来记录信息;
对建筑物的电气设备的功耗进行建模:
建筑物内的电气设备包括日间循环运行设备和日间间歇运行设备,日间循环运行设备的功耗建模如下:
在每小时正常运行的条件下,功率保持pf运行tx分钟后降至零;
对于白天间歇运行的设备,运行时间限制在办公楼使用时的时间段内,且当办公室无人时,该区域的所有电气设备都会关闭;
日间间歇运行设备工作状态的开关状态模型和功率模型如下所示:
式中αAC(t)是t时刻的开关状态,0代表关闭,1代表开启,2代表待机状态,Tset是设定温度,[ΔT1,ΔT2]代表制冷上下限,Tin是室内温度;
日间间歇运行设备分为环境关联型用电设备和事件关联型用电设备,环境关联型用电设备开关状态模型如下所示:
式中,Eenv表示测得的环境光照,nhum表示某区域的工作人员数量;
事件关联型用电设备的开关状态模型如下所示:
工作时,事件关联型用电设备的功率均保持恒定,如下所示:
在电-热转换过程的基础上,进行建筑热动态过程建模,建立能耗模型;
基于热平衡,单个区域i的动态热过程模型如下:
式中,ρ是空气密度,单位为kg/m3,C是空气比热容,单位为J/(kg℃),Vi是区域i的空气体积,Ti,in表示区域i的室内温度,Qi,sum表示区域i内全部的交换热量,Qi,sun表示区域i内的太阳辐射热量,Qi,human表示区域i内的人员总散热量,Qi,water表示区域i内的热水壶总散热量,Qi,light表示区域i内的照明灯具总散热量,Qi,fridge表示区域i内的冰箱总散热量,Qi,vent表示区域i通过通风口及围护结构与其他区域及外界的总交换热量,Qi,AC表示区域i内的空调制冷量,最后两项具体计算如下:
式中,k表示围护结构或者通风口的传热系数;A表示区域传热面积,ΔT表示围护结构或者通风口两侧的传热温差,εAC表示空调的制冷量修正系数,ni,AC表示区域i中的空调数量;
基于物理机理的分析,考虑传热系数在实际中无法直接测量,并且可能随环境条件而变化,同时,空调的实际制冷量还需要在理论制冷量的基础上乘以制冷修正系数使其值更接近实际情况,因此,根据重要性、不可测量性和环境相关性,选择不同材质的围护结构的传热系数和空调制冷量修正系数作为待辨识的关键参数。
2.根据权利要求1所述的智慧楼宇用电分析动态建模方法,其特征在于,所述的步骤2中:构建一维卷积神经网络搭建关键参数的辨识模型的步骤如下:
抽样生成关键参数组合:在参数辨识模型中,深度神经网络的原始样本来自历史外部测量数据和基于物理模型的仿真数据,由于选定的待辨识参数通常受实际环境条件的影响,因此需要考虑其不确定性,蒙特卡罗模拟允许根据不同的概率分布函数p(x)对关键参数进行随机抽样,假设关键参数在合理的值范围内均匀分布,蒙特卡罗随机抽样与随机函数结合使用,生成若干关键参数组合;
建立样本集合:将参数组合分别替换到物理模型中,以获得特征向量总能耗和每个区域的模拟温度,重复上述过程,直到建立起设定的的样本集,在此过程中,初始条件保持不变;
使用样本集合,离线训练神经网络:将物理模型的仿真结果作为输入,每组相应的参数作为标签,在完成样本生成和离线训练后,输入用于参数识别的真实数据,输出辨识的参数用于物理模型的校正。
3.根据权利要求2所述的智慧楼宇用电分析动态建模方法,其特征在于,所述初始条件包括建筑的静态结构、外部环境的温度和照明。
4.应用如权利要求1-3任一项所述的智慧楼宇用电分析动态建模方法的智慧楼宇用电分析系统,其特征在于,包括:
获取模块,用于获取实际建模楼宇的静态物理结构数据、用电设备布置数据、所处的外部环境温度及照明数据、一组真实能耗数据;
处理模块,用于将所述的一组真实能耗数据输入预先搭建好的关键参数辨识模型中,并将输出的辨识关键参数:围护结构的传热系数、空调制冷量修正系数,代入楼宇能耗仿真物理模型中替换原有典型取值的关键参数,得到数据-物理融合的楼宇用电能耗仿真结果;其中所述的智慧楼宇能耗仿真物理模型基于实际建模楼宇的静态物理结构数据、用电设备布置数据、不同用电设备开关及功耗特性、楼宇内传热过程分析建立;所述的关键参数辨识模型,基于一维卷积神经网络搭建,并在保持楼宇物理静态结构、外部环境温度及照明条件不变的情况下,通过在合理取值范围内改变楼宇围护结构的传热系数、空调制冷量修正系数,得到设定组数的仿真能耗与关键参数对应数据组,并用该数据组训练关键参数辨识模型;
显示模块,用于将数据-物理融合的楼宇能耗仿真结果输出显示。
5.电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至2任一项所述智慧楼宇用电分析动态建模方法的步骤。
6.非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至2任一项所述智慧楼宇用电分析动态建模方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111566675.9A CN114237057B (zh) | 2021-12-20 | 2021-12-20 | 智慧楼宇用电分析的动态建模方法、系统、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111566675.9A CN114237057B (zh) | 2021-12-20 | 2021-12-20 | 智慧楼宇用电分析的动态建模方法、系统、设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114237057A CN114237057A (zh) | 2022-03-25 |
CN114237057B true CN114237057B (zh) | 2023-09-19 |
Family
ID=80759787
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111566675.9A Active CN114237057B (zh) | 2021-12-20 | 2021-12-20 | 智慧楼宇用电分析的动态建模方法、系统、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114237057B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024040608A1 (zh) * | 2022-08-26 | 2024-02-29 | 西门子股份公司 | 能源管理系统的模型训练方法、装置及存储介质 |
WO2024075436A1 (en) * | 2022-10-03 | 2024-04-11 | Mitsubishi Electric Corporation | System and method for data-driven control of an air-conditioning system |
CN117113624B (zh) * | 2023-07-05 | 2024-03-19 | 安徽理工大学 | 一种室内制冷方案设计方法和系统 |
CN117436318B (zh) * | 2023-12-20 | 2024-05-17 | 广东博思信息技术股份有限公司 | 基于物联网的智慧楼宇管理方法及系统 |
CN117784736B (zh) * | 2024-02-23 | 2024-04-26 | 连云港智拓节能电气有限公司 | 一种基于物联网技术的智能楼宇能源管理方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108089440A (zh) * | 2017-12-06 | 2018-05-29 | 北京百度网讯科技有限公司 | 节能控制方法和装置 |
WO2019180865A1 (ja) * | 2018-03-22 | 2019-09-26 | 三菱電機ビルテクノサービス株式会社 | ビルの省エネ制御装置及びビルの省エネ制御方法 |
CN111898856A (zh) * | 2020-04-02 | 2020-11-06 | 沈阳工业大学 | 基于极限学习机的物理-数据融合楼宇的分析方法 |
CN113780684A (zh) * | 2021-10-15 | 2021-12-10 | 国网福建省电力有限公司龙岩供电公司 | 一种基于lstm神经网络的智慧楼宇用户用能行为预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10614146B2 (en) * | 2015-12-17 | 2020-04-07 | Siemens Aktiengesellschaft | Adaptive demand response method using batteries with commercial buildings for grid stability and sustainable growth |
-
2021
- 2021-12-20 CN CN202111566675.9A patent/CN114237057B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108089440A (zh) * | 2017-12-06 | 2018-05-29 | 北京百度网讯科技有限公司 | 节能控制方法和装置 |
WO2019180865A1 (ja) * | 2018-03-22 | 2019-09-26 | 三菱電機ビルテクノサービス株式会社 | ビルの省エネ制御装置及びビルの省エネ制御方法 |
CN111898856A (zh) * | 2020-04-02 | 2020-11-06 | 沈阳工业大学 | 基于极限学习机的物理-数据融合楼宇的分析方法 |
CN113780684A (zh) * | 2021-10-15 | 2021-12-10 | 国网福建省电力有限公司龙岩供电公司 | 一种基于lstm神经网络的智慧楼宇用户用能行为预测方法 |
Non-Patent Citations (1)
Title |
---|
基于楼宇分布式能源提升配电网韧性的智能表计优化配置方法;曾博 等;《电网技术》;第45卷(第1期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114237057A (zh) | 2022-03-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114237057B (zh) | 智慧楼宇用电分析的动态建模方法、系统、设备和介质 | |
Harish et al. | A review on modeling and simulation of building energy systems | |
JP5572799B2 (ja) | 空調システム制御装置 | |
JP2006331372A (ja) | エージェント装置、管理マネージャ装置および環境エネルギー管理システム | |
JP6104235B2 (ja) | 建物のエネルギー消費の予測方法 | |
Wu et al. | Intelligent multiobjective optimization design for NZEBs in China: Four climatic regions | |
Han et al. | Physical-data fusion modeling method for energy consumption analysis of smart building | |
Broka et al. | Modelling residential heat demand supplied by a local smart electric thermal storage system | |
Godina et al. | Home HVAC energy management and optimization with model predictive control | |
Kwak et al. | Management of cooling energy through building controls for thermal comfort and relative performance in an office building | |
CN113947261A (zh) | 一种建筑节能改造优化决策支持方法 | |
Avotins et al. | IoT Solution Approach for Energy Consumption Reduction in Buildings: Part 3. Mathematical Model of Building and Experimental Results | |
Sarabi et al. | Assessing the relevance of reduced order models for building envelop | |
Ke et al. | Optimizing and controlling building electric energy using cat boost under the energy internet of things | |
Yu et al. | Simulation based predictive control of low-energy building systems using two-stage optimization | |
Avotins et al. | Development of analysis tools for energy efficiency increase of existing data centres | |
CN116951672B (zh) | 中央空调能效分析方法、设备和可读存储介质 | |
Osonuga et al. | PREDIS-MHI Thermal Data | |
Fan et al. | Ultrashort-term heat load prediction for heat exchange stations based on dual-source data feature fusion | |
Chen et al. | Short-term electricity forecasting of air-conditioners of hospital using artificial neural networks | |
CN114543278B (zh) | 空调室温控制方法及装置 | |
Wu et al. | Event-based optimization for multi-room HVAC system | |
Wu et al. | Sample path sharing in policy improvement for indoor air temperature control | |
Sun et al. | Model-based investigation on building thermal mass utilization and flexibility enhancement of air conditioning loads | |
Liu et al. | Compromise between Investment and Return on Investment for a Small Building based on Economic Model Predicitive Control |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |