CN114897241A - 一种基于数字孪生的楼宇能效智能化监管预测方法 - Google Patents
一种基于数字孪生的楼宇能效智能化监管预测方法 Download PDFInfo
- Publication number
- CN114897241A CN114897241A CN202210502528.3A CN202210502528A CN114897241A CN 114897241 A CN114897241 A CN 114897241A CN 202210502528 A CN202210502528 A CN 202210502528A CN 114897241 A CN114897241 A CN 114897241A
- Authority
- CN
- China
- Prior art keywords
- building
- consumption
- energy consumption
- neural network
- network model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000005265 energy consumption Methods 0.000 claims abstract description 84
- 238000012549 training Methods 0.000 claims abstract description 44
- 238000003062 neural network model Methods 0.000 claims abstract description 42
- 238000012545 processing Methods 0.000 claims abstract description 20
- 238000012800 visualization Methods 0.000 claims abstract description 10
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 32
- 238000012360 testing method Methods 0.000 claims description 26
- 230000005611 electricity Effects 0.000 claims description 17
- 238000005192 partition Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 claims description 6
- 238000002790 cross-validation Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 abstract description 7
- 238000012544 monitoring process Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 6
- 230000009467 reduction Effects 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 238000004134 energy conservation Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Biomedical Technology (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Geometry (AREA)
- Computer Graphics (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于数字孪生的楼宇能效智能化监管预测方法,包括如下步骤:获取待测楼宇的相关数据;将待测楼宇的相关数据输入训练获得的BP神经网络模型,预测输出楼宇的能耗数据。将能耗数据输入构建的实景孪生模型,进行可视化处理;本发明提供的基于数字孪生的楼宇能效智能化监管的方法,充分考虑了影响楼宇内能源消耗的各种场景,使用BP神经网络对用能量进行预测,结合楼宇自身特点制定合理的用能指标及建立实时预警系统。
Description
技术领域
本发明涉及一种基于数字孪生的楼宇能效智能化监管预测方法,属于楼宇能效智能化监管预测技术领域。
背景技术
能源产业作为国民经济的基础,不仅是确保国家战略安全的必要前提,也是实现经济可持续发展的重要保障。据测算,未来几十年,我国不可再生能源将会枯竭,因此节能减排工作势在必行。
过去几十年间,我国楼宇节能监控自动化程度不高,特别是一些老旧的政府大楼和医院等公共机构场所,用能量大,人流量大,资源浪费大。随着建筑面积的不断增加,我国建筑能耗也会随之上升。
传统楼宇能效监管主要采用人工抄表和手动控制的方式,并没有将各区域分开进行监管。此外,能耗数据也只是以数字形式呈现,并没有进行直观展示,导致对能耗监管没有充分的认识。另一方面,传统的能效监管只是单一的记录之前的能耗数据,人为对下一阶段能耗指标进行设定,这种方式缺乏科学性,主观程度太大。
而现阶段,大型企业和公共机构对能源消耗有了新的要求,结合国家地方节能减排的一系列政策,各企业和公共机构必须要结合自身特点,展开更加精准的节能减排工作。尤其是目前人工智能、大数据和物联网等技术的快速兴起,楼宇能效监管结合这些技术可以实现更加精准的能耗控制。
发明内容
针对解决楼宇能效监管不透明、不科学和不简洁的问题,本发明的目的在于提供一种基于数字孪生的楼宇能效智能化监管方法,通过数字孪生技术建立楼宇实景孪生模型,将能耗数据进行可视化,同时利用BP神经网络,对楼宇各区域能耗进行预测。
为达到上述目的,本发明提供一种基于数字孪生的楼宇能效智能化监管预测方法,包括如下步骤:
获取待测楼宇的相关数据;
将待测楼宇的相关数据输入训练获得的BP神经网络模型,预测输出楼宇的能耗数据。
优先地,将能耗数据输入构建的实景孪生模型,进行可视化处理;
能耗数据包括用水量、用电时间、用电量和用气量;
待测楼宇的相关数据包括待测楼宇各不同办公分隔区域的建筑面积、待测楼宇的用能人数、待测楼宇的用能时间、人口密度、待测楼宇的室内亮度、待测楼宇的室内湿度和待测楼宇的室内温度。
优先地,训练获得BP神经网络模型,包括:
获取训练集,训练集包括已知楼宇的各不同办公分隔区域的建筑面积、用能人数、用能时间、人口密度、室内亮度、室内湿度、室内温度、用电量、用电时间、用水量和用气量;
将训练集输入BP神经网络模型中,基于激活函数迭代优化调整BP神经网络模型的参数,构建作为输入的建筑面积、用能人数、用能时间、人口密度、室内亮度、室内湿度、室内温度以及作为输出的用电量、用电时间、用水量和用气量之间的映射关系;
若激活函数收敛于一定值,则停止迭代,输出获得最终的BP神经网络模型。
优先地,将能耗数据输入构建的实景孪生模型,进行可视化处理,包括:
S401:将楼宇不同时刻各不同办公分隔区域的用电量、用电时间、用水量、用气量、用能人数、用能时间、室内温度、室内湿度和室内亮度进行数字化;
S402:基于建筑面积、用能人数、用能时间、人口密度、室内亮度、室内湿度、室内温度、用电量、用水量和用气量,利用数字孪生技术建立实景孪生模型,实时显示建筑面积、用电时间、用能人数、用能时间、人口密度、室内亮度、室内湿度、室内温度、用电量、用水量和用气量。
优先地,获取训练集,包括:
获取数据集;
对数据集进行无量纲化处理;
对数据集采用十字交叉验证的方法,将数据集随机划分若干个的互斥子集,选择若干个互斥子集的并集作为训练集,剩余的作为测试集。
优先地,利用测试集判断训练获得的BP神经网络模型是否合格,包括:
将测试集输入训练获得的BP神经网络模型,BP神经网络模型预测输出测试结果;
将BP神经网络模型预测的用电量、用水量和用气量和对应的实际用电量、实际用水量和实际用气量进行比较,若预测的用电量和实际用电量差值、预测用水量和实际用水量差值以及预测的用气量和实际用气量差值均在设定的误差范围内,则判定此次测试合格;
基于测试合格总数计算测试合格的概率,若测试合格的概率高于设定的概率阈值则训练获得的BP神经网络模型合格,否则判定BP神经网络模型不合格,重新获取训练集并重新训练BP神经网络模型。
一种电子设备,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,所述处理器执行所述程序时实现上述任一项所述方法的步骤。
一种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方法的步骤。
本发明所达到的有益效果:
本发明提供的基于数字孪生的楼宇能效智能化监管的方法,充分考虑了影响楼宇内能源消耗的各种场景,使用BP神经网络对用能量进行预测,结合楼宇自身特点制定合理的用能指标及建立实时预警系统。
附图说明
图1为本发明的流程图;
图2为本发明训练BP神经网络模型的流程图;
图3为本发明建立实景孪生模型的流程图。
具体实施方式
以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
一种基于数字孪生的楼宇能效智能化监管预测方法,包括如下步骤:
获取待测楼宇的相关数据;
将待测楼宇的相关数据输入训练获得的BP神经网络模型,预测输出楼宇的能耗数据。
将能耗数据输入构建的实景孪生模型,进行可视化处理;
能耗数据包括用水量、用电时间、用电量和用气量;
待测楼宇的相关数据包括待测楼宇各不同办公分隔区域的建筑面积、待测楼宇的用能人数、待测楼宇的用能时间、人口密度、待测楼宇的室内亮度、待测楼宇的室内湿度和待测楼宇的室内温度。
训练获得BP神经网络模型,包括:
S1,获取楼宇内不同办公分隔区域的建筑面积、用能人数、用能时间、室内亮度、室内湿度、室内温度和人口密度,构建数据集;
物理传感器采集楼宇内不同办公分隔区域的能耗数据以及各种综合用能数据,综合用能数据包括室内温度、室内湿度和室内亮度;
采集的能耗数据是为验证预测准确性和为训练提供数据支撑。采集综合用能数据是为了根据预测数据指导用能行为有可依据的标准,有可衡量的尺度。
对数据集采用十字交叉验证的方法,将数据集随机划分10个大小相同的互斥子集,然后每次用9个互斥子集的并集作为训练集,剩余的一个互斥子集作为测试集。
S2,获取训练集,训练集包括已知楼宇的各不同办公分隔区域的建筑面积、用能人数、用能时间、人口密度、室内亮度、室内湿度、室内温度、用电量、用水量和用气量;
S3,将训练集输入BP神经网络模型中,基于激活函数迭代优化调整BP神经网络模型的参数,构建作为输入的建筑面积、用能人数、用能时间、人口密度、室内亮度、室内湿度、室内温度以及作为输出的用电量、用水量和用气量之间的映射关系;
若激活函数收敛于一定值,则停止迭代,输出获得最终的BP神经网络模型。
获取训练集,包括:
获取数据集;
对数据集进行无量纲化处理;
将无量纲化处理得到的数据集分成训练集与测试集。
BP神经网络模型的内部网络构架为现有技术,本领域技术人员可根据实际需求选用合适的,本实施例不再一一举例。
将能耗数据输入构建的实景孪生模型,进行可视化处理,包括:
S401:将楼宇不同时刻各不同办公分隔区域的用电量、用水量、用气量、用能人数、室内温度、室内湿度和室内亮度进行数字化;
S402:将用能数据以及各种综合用能数据进行数据可视化处理,根据楼宇的实际场景,利用数字孪生技术建立实景孪生模型,结合监测数据检测到的各房间的用电,用水,用气量,用能人数,室内温度,亮度和湿度进行实时显示。
利用测试集判断训练获得的BP神经网络模型是否合格,包括:
将测试集输入训练获得的BP神经网络模型,BP神经网络模型预测输出测试结果;
将BP神经网络模型预测的用电量、用水量和用气量和对应的实际用电量、实际用水量和实际用气量进行比较,若预测的用电量和实际用电量差值、预测用水量和实际用水量差值以及预测的用气量和实际用气量差值均在设定的误差范围内,则判定此次测试合格;
基于测试合格总数计算测试合格的概率,若测试合格的概率高于设定的概率阈值则训练获得的BP神经网络模型合格,否则判定BP神经网络模型不合格,重新获取训练集,并重新训练BP神经网络模型。
步骤S1采集楼宇内用能数据,采集数据的传感器包括温度传感器,湿度传感器,光线传感器等各种物理传感器,用于采集室内温度,室内湿度和室内亮度等,使用各种用能计量表收集用电量、用水量以及用气量,通过蓝牙、光纤、Zigbee或WiFi等技术上传;
步骤2将采集的数据进行无量纲化处理,消除由于统计量纲不同而造成的数据放大或者缩小;
步骤3使用BP神经网络进行训练。楼宇内影响能耗量的因素有很多,包括:建筑面积,机构类型,用能人数,天气状况等,这些因素与能耗之间有着复杂的对应关系,BP神经网络正适合于这种场景,噪声干扰对BP神经网络不会对训练模型造成很大的影响,具有一定的容错能力。
步骤4中,通俗的将,数字孪生就是在一个设备或系统上,创造一个数字版的现实世界。它可以将现实场景中各部分的参数复现到系统中的孪生模型中,能实现整个过程的数字化。将楼宇能耗数据复现在孪生模型中,可以对楼宇内各个部分用能数据进行透明化管理和全方位展示,有利于对不同区域和部分提供具有针对性,个性化的用能方案的制定,指导现实世界中用能行为。实现对楼宇的智能化,自动化管理,助力节能减排的施行。
如图2中训练BP神经网络模型的流程,包括以下步骤:
S301:将S2处理后的数据集分成测试集和训练集两部分数据。
S302:确定BP神经网络的各部分参数,包括层数选择三层神经网络。输入节点选择建筑面积、用能人数、用能时间、各区域人口密度、室内亮度、室内湿度、室内温度、用电量、用水量和用气量等因素。假设输入节点为N个,隐含节点数量为2N+1个。
结合图3 所示的根据实景空间建立孪生模型的流程,建立实景孪生模型的步骤:
S401:根据实际场景将楼宇各部分数字化;
S402:将S1收集到的能耗数据进行展示;
S403:使用训练获得的BP神经网络模型,对楼宇各部分用能进行预测,制定合理的用能指南,对超标用能行为进行警示;
S404:对周期内用能量进行预测,结合实景孪生模型进行实时展示。
其中,S403具体做法如下:
例如:针对楼宇某办公分隔区域用电行为进行监管,针对该日分隔办公区域内的建筑面积、用能人数、用能时间、各区域人口密度、室内亮度、室内湿度、室内温度等数据进行采集,如果气温较低,可以自动调节空调升温,光线充足的区域可以自动关掉灯光;依据数据集训练BP神经网络模型,预测每天何时某办公分隔区域人流量最多,对该办公分隔区域温度进行调节,针对某办公分隔区域长期浪费耗能现象,在孪生模型展示中显示预警信息。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (9)
1.一种基于数字孪生的楼宇能效智能化监管预测方法,其特征在于,包括如下步骤:
获取待测楼宇的相关数据;
将待测楼宇的相关数据输入训练获得的BP神经网络模型,预测输出楼宇的能耗数据。
2.根据权利要求1所述的一种基于数字孪生的楼宇能效智能化监管预测方法,其特征在于,
将能耗数据输入构建的实景孪生模型,进行可视化处理;
能耗数据包括用水量、用电时间、用电量和用气量。
3.根据权利要求1所述的一种基于数字孪生的楼宇能效智能化监管预测方法,其特征在于,
训练获得BP神经网络模型,包括:
获取训练集,训练集包括已知楼宇的各不同办公分隔区域的建筑面积、用能人数、用能时间、人口密度、室内亮度、室内湿度、室内温度、用电量、用电时间、用水量和用气量;
将训练集输入BP神经网络模型中,基于激活函数迭代优化调整BP神经网络模型的参数,构建作为输入的建筑面积、用能人数、用能时间、人口密度、室内亮度、室内湿度、室内温度以及作为输出的用电量、用电时间、用水量和用气量之间的映射关系;
若激活函数收敛于一定值,则停止迭代,输出获得最终的BP神经网络模型。
4.根据权利要求1所述的一种基于数字孪生的楼宇能效智能化监管预测方法,其特征在于,
将能耗数据输入构建的实景孪生模型,进行可视化处理,包括:
S401:将楼宇不同时刻各不同办公分隔区域的用电量、用电时间、用水量、用气量、用能人数、用能时间、室内温度、室内湿度和室内亮度进行数字化;
S402:基于建筑面积、用能人数、用能时间、人口密度、室内亮度、室内湿度、室内温度、用电量、用水量和用气量,利用数字孪生技术建立实景孪生模型,实时显示建筑面积、用电时间、用能人数、用能时间、人口密度、室内亮度、室内湿度、室内温度、用电量、用水量和用气量。
5.根据权利要求4所述的一种基于数字孪生的楼宇能效智能化监管预测方法,其特征在于,
获取训练集,包括:
获取数据集;
对数据集进行无量纲化处理;
对数据集采用十字交叉验证的方法,将数据集随机划分若干个的互斥子集,选择若干个互斥子集的并集作为训练集,剩余的作为测试集。
6.根据权利要求5所述的一种基于数字孪生的楼宇能效智能化监管预测方法,其特征在于,
利用测试集判断训练获得的BP神经网络模型是否合格,包括:
将测试集输入训练获得的BP神经网络模型,BP神经网络模型预测输出测试结果;
将BP神经网络模型预测的用电量、用水量和用气量和对应的实际用电量、实际用水量和实际用气量进行比较,若预测的用电量和实际用电量差值、预测用水量和实际用水量差值以及预测的用气量和实际用气量差值均在设定的误差范围内,则判定此次测试合格;
基于测试合格总数计算测试合格的概率,若测试合格的概率高于设定的概率阈值则训练获得的BP神经网络模型合格,否则判定BP神经网络模型不合格,重新获取训练集并重新训练BP神经网络模型。
7.根据权利要求1所述的一种基于数字孪生的楼宇能效智能化监管预测方法,其特征在于,
待测楼宇的相关数据包括待测楼宇各不同办公分隔区域的建筑面积、待测楼宇的用能人数、待测楼宇的用能时间、人口密度、待测楼宇的室内亮度、待测楼宇的室内湿度和待测楼宇的室内温度。
8.一种电子设备,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权利要求1至7中任一项所述方法的步骤。
9.一种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权利要求1至7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210502528.3A CN114897241A (zh) | 2022-05-10 | 2022-05-10 | 一种基于数字孪生的楼宇能效智能化监管预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210502528.3A CN114897241A (zh) | 2022-05-10 | 2022-05-10 | 一种基于数字孪生的楼宇能效智能化监管预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114897241A true CN114897241A (zh) | 2022-08-12 |
Family
ID=82721645
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210502528.3A Pending CN114897241A (zh) | 2022-05-10 | 2022-05-10 | 一种基于数字孪生的楼宇能效智能化监管预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114897241A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115049083A (zh) * | 2022-08-15 | 2022-09-13 | 天津理工大学 | 一种机电设备运行管理方法、装置及系统 |
CN115619138A (zh) * | 2022-10-10 | 2023-01-17 | 卓思韦尔(北京)信息技术有限公司 | 基于数字孪生的楼宇管控运营的方法、装置、设备及介质 |
CN117077854A (zh) * | 2023-08-15 | 2023-11-17 | 广州视声智能科技有限公司 | 基于传感器网络的楼宇能耗监控方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200142365A1 (en) * | 2018-11-05 | 2020-05-07 | Johnson Controls Technology Company | Building management system with device twinning, natural language processing (nlp), and block chain |
CN112116140A (zh) * | 2020-09-10 | 2020-12-22 | 同济大学 | 一种基于孪生模型的建筑能耗预测方法 |
CN114239972A (zh) * | 2021-12-20 | 2022-03-25 | 广州汇锦能效科技有限公司 | 基于人工智能技术的校园能效与电气安全管理方法和系统 |
-
2022
- 2022-05-10 CN CN202210502528.3A patent/CN114897241A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200142365A1 (en) * | 2018-11-05 | 2020-05-07 | Johnson Controls Technology Company | Building management system with device twinning, natural language processing (nlp), and block chain |
CN112116140A (zh) * | 2020-09-10 | 2020-12-22 | 同济大学 | 一种基于孪生模型的建筑能耗预测方法 |
CN114239972A (zh) * | 2021-12-20 | 2022-03-25 | 广州汇锦能效科技有限公司 | 基于人工智能技术的校园能效与电气安全管理方法和系统 |
Non-Patent Citations (1)
Title |
---|
李婷婷 等: "浅析基于数字孪生技术的智慧医院后勤运维场景应用", 智能建筑电气技术, vol. 16, no. 2, pages 105 - 110 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115049083A (zh) * | 2022-08-15 | 2022-09-13 | 天津理工大学 | 一种机电设备运行管理方法、装置及系统 |
CN115619138A (zh) * | 2022-10-10 | 2023-01-17 | 卓思韦尔(北京)信息技术有限公司 | 基于数字孪生的楼宇管控运营的方法、装置、设备及介质 |
CN115619138B (zh) * | 2022-10-10 | 2023-04-28 | 卓思韦尔(北京)信息技术有限公司 | 基于数字孪生的楼宇管控运营的方法、装置、设备及介质 |
CN117077854A (zh) * | 2023-08-15 | 2023-11-17 | 广州视声智能科技有限公司 | 基于传感器网络的楼宇能耗监控方法及系统 |
CN117077854B (zh) * | 2023-08-15 | 2024-04-16 | 广州视声智能科技有限公司 | 基于传感器网络的楼宇能耗监控方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | A systematic feature selection procedure for short-term data-driven building energy forecasting model development | |
CN114897241A (zh) | 一种基于数字孪生的楼宇能效智能化监管预测方法 | |
Liu et al. | Enhancing building energy efficiency using a random forest model: A hybrid prediction approach | |
CN103853106B (zh) | 一种建筑能源供应设备的能耗预测参数优化方法 | |
CN109376960A (zh) | 基于lstm神经网络的电网负荷预测方法 | |
CN112434787B (zh) | 基于楼宇总能耗的末端空间能耗预测方法、介质及设备 | |
Liu et al. | Identifying the most significant input parameters for predicting district heating load using an association rule algorithm | |
CN108399470B (zh) | 一种基于多示例遗传神经网络的室内pm2.5预测方法 | |
CN114493049A (zh) | 基于数字孪生的产线优化方法、装置、电子设备及介质 | |
CN112149890A (zh) | 基于用户用能标签的综合能源负荷预测方法及系统 | |
KR20210011745A (ko) | 제로에너지 타운 구축을 위한 빅데이터 기반의 에너지 수요 및 공급 예측 시스템 그리고 방법 | |
CN112365056A (zh) | 一种电气负荷联合预测方法、装置、终端及存储介质 | |
CN116383773A (zh) | 基于自适应预测区间的数据中心能效异常检测方法、系统和介质 | |
CN115859450A (zh) | 一种基于bim技术的建筑建模数据处理方法及系统 | |
Song et al. | Framework on low-carbon retrofit of rural residential buildings in arid areas of northwest China: A case study of Turpan residential buildings | |
CN112365082A (zh) | 一种基于机器学习的公共能源消耗预测方法 | |
CN111582588B (zh) | 一种基于三重卷积融合gru的建筑物能耗预测方法 | |
CN105992213A (zh) | 智能路由器、云端服务器及智能路由器启停系统 | |
TW201903653A (zh) | 運用類神經網路學習之綠建築效能模擬分析系統及其運作方法 | |
CN117033923A (zh) | 一种基于可解释性机器学习的犯罪数量预测方法及系统 | |
CN114065646B (zh) | 基于混合优化算法的能耗预测方法、云计算平台及系统 | |
CN113837486B (zh) | 一种基于rnn-rbm的配网馈线长期负荷预测方法 | |
CN111859783B (zh) | 水压预测方法、系统、存储介质、设备、城市供水系统 | |
Zou et al. | Predicting the electric power consumption of office buildings based on dynamic and static hybrid data analysis | |
Bilal et al. | Energy Efficient Buildings in the Industry 4.0 Era: A Review |
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 |