CN115249094B - 一种基于大数据的建筑能效管理和优化方法 - Google Patents

一种基于大数据的建筑能效管理和优化方法 Download PDF

Info

Publication number
CN115249094B
CN115249094B CN202211171334.6A CN202211171334A CN115249094B CN 115249094 B CN115249094 B CN 115249094B CN 202211171334 A CN202211171334 A CN 202211171334A CN 115249094 B CN115249094 B CN 115249094B
Authority
CN
China
Prior art keywords
data
building
value
load
power generation
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
Application number
CN202211171334.6A
Other languages
English (en)
Other versions
CN115249094A (zh
Inventor
孙爱国
王晓凡
杜小坤
李世乾
韩俊
吕海涛
王旭辉
李志鹏
杨晓燕
王卫国
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yantai Oriental Intelligent Technology Co ltd
Original Assignee
Yantai Oriental Intelligent Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Yantai Oriental Intelligent Technology Co ltd filed Critical Yantai Oriental Intelligent Technology Co ltd
Priority to CN202211171334.6A priority Critical patent/CN115249094B/zh
Publication of CN115249094A publication Critical patent/CN115249094A/zh
Application granted granted Critical
Publication of CN115249094B publication Critical patent/CN115249094B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/067—Enterprise or organisation modelling
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Educational Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于大数据的建筑能效管理和优化方法，包括：采集楼宇能效数据，进行能耗分析；建立楼宇负荷预测模型，对未来特定时间周期内的楼宇负荷进行预测；建立楼宇智慧场景控制模型，预测未来特定时间周期内人员在不同场景下对楼宇能耗设备作出的特定行为事件，并对楼宇能耗设备进行智能控制；建立能源优化调度模型，获取综合能源系统在未来时间周期t内的最优调度决策。本发明基于大数据进行楼宇能效分析、智能化预测、智慧场景控制和综合能源调度，实现了新能源一体化深度融合，提高了新能源综合利用率，降低了综合用电成本。

Description

一种基于大数据的建筑能效管理和优化方法
技术领域
本发明涉及楼宇能效管理技术领域，具体涉及一种基于大数据的建筑能效管理和优化方法。
背景技术
随着经济社会的发展，人民对工作和生活环境的要求逐渐提高，更加注重便捷性、安全性以及节能环保，建筑智能行业的市场空间广阔，城市建筑能耗一直是城市用能的重点，目前存在以下问题：
1、智能化规模较低，部分既有楼宇因建筑年限长，仍然采用人工抄表的方式进行能效数据采集，部分楼宇能效管理平台相对独立，但仅对数据进行简单的记录与统计管理，并未对楼宇的能源消耗情况作出详细的数据分析及指导；
2、既有楼宇平台的设计中缺少利用海量运行数据进行智能化预测分析功能，或系统设计中的预测分析数据因算法缺乏合理性，导致预测值与实际值差距较大，无法为用户提供行之有效的参考；
3、既有楼宇平台仅处于信息化状态，缺乏智慧体验及深度智慧化探索；
4、新能源利用率较低，光伏等新能源与既有和新建建筑未达到深度融合。
发明内容
本发明提出了一种基于大数据的建筑能效管理和优化方法，其目的是：基于大数据进行楼宇能效分析、智能化预测、智慧场景控制和综合能源调度，实现新能源一体化深度融合，提高新能源利用率。
本发明技术方案如下：
一种基于大数据的建筑能效管理和优化方法，包括如下步骤：
步骤S1：采集楼宇能效数据，进行能耗分析；
步骤S2：建立楼宇负荷预测模型，对未来特定时间周期内的楼宇负荷进行预测；
步骤S3：建立楼宇智慧场景控制模型，预测未来特定时间周期内人员在不同场景下对楼宇能耗设备作出的特定行为事件，并对楼宇能耗设备进行智能控制；
步骤S4：建立能源优化调度模型，获取综合能源系统在未来时间周期t内的最优调度决策。
进一步地，所述步骤S4具体包括如下步骤：
步骤S4-1：链接智能楼宇光伏系统、电池储能系统与主电网系统，建立光伏-储能-外购电量系统工作分析模型：
Figure 130077DEST_PATH_IMAGE001
其中，
Figure 706552DEST_PATH_IMAGE002
为光伏有功发电量，
Figure 367340DEST_PATH_IMAGE003
为外购市电系统电量，
Figure 916133DEST_PATH_IMAGE004
为电池储能系统电量，
Figure 269754DEST_PATH_IMAGE005
为运营用电量；
建立调度负荷优化模型：
Figure 802367DEST_PATH_IMAGE006
其中，
Figure 17579DEST_PATH_IMAGE007
为最小成本，
Figure 686457DEST_PATH_IMAGE008
为每1kWh电量外购价，
Figure 210980DEST_PATH_IMAGE009
为每1kWh电量出售价，
Figure 965309DEST_PATH_IMAGE010
为电池储能系统每1kWh电量成本；
步骤S4-2：预测未来时间周期t内楼宇运行电力负荷
Figure 967900DEST_PATH_IMAGE011
、光伏发电负荷
Figure 22444DEST_PATH_IMAGE012
、运营用电量
Figure 717867DEST_PATH_IMAGE013
和光伏有功发电量
Figure 959493DEST_PATH_IMAGE014
；
运行电力负荷
Figure 15042DEST_PATH_IMAGE011
的预测方法为：
根据步骤S3所述场景控制模型对未来时间周期t内楼宇各子系统的设备即将执行的动作进行预测，并对各子系统的设备额定功率进行统计求和得到
Figure 658513DEST_PATH_IMAGE011
；
光伏发电负荷
Figure 524838DEST_PATH_IMAGE012
的预测方法为：
Figure 253760DEST_PATH_IMAGE015
其中，
Figure 598153DEST_PATH_IMAGE012
为光伏发电负荷的最终预测值，
Figure 96131DEST_PATH_IMAGE016
为光伏发电负荷的初始预测值，
Figure 133357DEST_PATH_IMAGE017
为光伏发电负荷的波动值，
Figure 615154DEST_PATH_IMAGE018
和
Figure 497659DEST_PATH_IMAGE019
为波动值
Figure 115722DEST_PATH_IMAGE017
的上下阈值；
利用步骤S2所述楼宇负荷预测模型预测运营用电量
Figure 74582DEST_PATH_IMAGE013
，光伏有功发电量
Figure 778096DEST_PATH_IMAGE014
的预测方法为：采取基于气温、风速、湿度、光照强度多气象参数参与光伏发电量预测模型，采集光伏历史发电量作为因变量，对应的历史日气温、风速、湿度、光照强度天气数据作为自变量，建立第二回归方程并求解，将未来时间周期t内的气温、风速、湿度、光照强度预测数据带入所述第二回归方程，得到光伏有功发电量
Figure 198713DEST_PATH_IMAGE014
；
计算未来时间周期t内楼宇运行电力负荷与光伏发电负荷净值P：
Figure 202441DEST_PATH_IMAGE020
计算未来时间周期t内预测运营用电量与光伏有功发电量净值E：
Figure 50311DEST_PATH_IMAGE021
；
步骤S4-3：根据P、E判断光伏发电是否满足楼宇系统需求，包括如下两种情况：
第一，若P≥0且E≥0，则判断时间周期t内光伏有功发电量满足运营需求，电量净值E存储至电池储能系统，完成能源优化调度；
第二，若P＜0且E＜0，则判断时间周期t内光伏有功发电量不满足运营需求，通过外购市电满足运营需求，按照公式一重新计算P、E的值，并转至步骤S4-4；
公式一：
Figure 241121DEST_PATH_IMAGE022
其中，
Figure 731009DEST_PATH_IMAGE023
为市电系统电量，
Figure 323664DEST_PATH_IMAGE024
为市电系统负荷，
Figure 608015DEST_PATH_IMAGE025
为电池储能系统电量，
Figure 286121DEST_PATH_IMAGE026
为电池储能系统负荷；
步骤S4-4：遍历历史数据，筛选历史楼宇运营用电量
Figure 554598DEST_PATH_IMAGE027
与
Figure 1760DEST_PATH_IMAGE013
相同情形下的历史楼宇运行电力负荷
Figure 722591DEST_PATH_IMAGE028
、历史电池储能系统电量
Figure 622414DEST_PATH_IMAGE029
、历史电池储能系统负荷
Figure 454104DEST_PATH_IMAGE030
、历史外购市电系统电量
Figure 755772DEST_PATH_IMAGE031
、历史外购市电系统负荷
Figure 381926DEST_PATH_IMAGE032
、历史光伏有功发电量
Figure 34624DEST_PATH_IMAGE033
、历史光伏发电负荷
Figure 404425DEST_PATH_IMAGE034
，将相应历史数据分别带入所述公式一、光伏-储能-外购电量系统工作分析模型和调度负荷优化模型，求解满足条件的
Figure 826179DEST_PATH_IMAGE007
，将
Figure 623234DEST_PATH_IMAGE007
为最小值时对应的历史数据
Figure 248382DEST_PATH_IMAGE031
、
Figure 687453DEST_PATH_IMAGE029
作为未来时间周期t内的
Figure 963714DEST_PATH_IMAGE023
、
Figure 931670DEST_PATH_IMAGE025
最优决策，根据最优决策下发系统调度命令。
进一步地，所述步骤S3具体包括如下步骤：
步骤S3-1：将人员信息、房间信息、设备信息形成列表化数据M1进行统一管理，基于人员、空间、设备列表M1建立同时间、天气、人员对所属房间内设备作出的特定行为事件之间的关联关系表M2｛person,room,device,time,weather,action｝；
步骤S3-2：采集并储存人员历史行为信息，构建人员在不同日常场景下的场景行为样本库，所述场景行为样本库包括对于所述M2的行为事件对应集合；
步骤S3-3：构建基于所述场景行为样本库的行为预测模型，以所述场景行为样本库中｛person,room,device,time,weather｝作为输入数据，对应的｛action｝作为输出数据，进行数据训练，获得基于大数据的深度学习场景模型；
步骤S3-4：对未来某一时刻的｛person,room,device,time,weather｝进行预测并作为输入数据置入所述深度学习场景模型，得到人员对所属房间内设备作出的特定行为事件｛action｝，控制楼宇用能系统提前自动执行此行为事件，实现智慧化运营。
进一步地，步骤S3-3中，所述深度学习场景模型设置有多层隐藏层，每一个隐藏层对输入层的参数有不同的接收权重，使用逐层训练的方法依次进行训练，得到深度学习模型的权值矩阵、可见层偏置参数以及隐藏层偏置参数，对深度学习模型进行微调。
进一步地，所述步骤S3-2还包括场景行为样本库的更新：根据人员行为的时空相似性，利用观测的特殊行为在场景行为样本库中搜索匹配相似的场景行为集合，并将观测到的特殊行为纳入场景行为样本库，不断更新场景行为样本库，提升预测准确度。
进一步地，所述步骤S2具体包括如下步骤：
步骤S2-1：将水、电、冷热能源历史运行数据作为因变量
Figure 293381DEST_PATH_IMAGE035
，日气温、风速、湿度、光照强度天气数据作为自变量
Figure 270564DEST_PATH_IMAGE036
，形成项集
Figure 666911DEST_PATH_IMAGE037
；
步骤S2-2：假设每个自变量对于因变量的影响都为线性，建立第一回归方程：
Figure 805768DEST_PATH_IMAGE038
Figure 654775DEST_PATH_IMAGE039
其中，
Figure 684917DEST_PATH_IMAGE040
为回归参数，
Figure 935770DEST_PATH_IMAGE041
为误差项；
使用矩阵形式表示为：
Figure 245528DEST_PATH_IMAGE042
其中，
Figure 581832DEST_PATH_IMAGE043
；
步骤S2-3：采用最小二乘法求解所述第一回归方程，得到回归参数；
步骤S2-4：以预置步长为“日”预测未来一周的日气温、光照强度、湿度、风速数据，带入已计算出回归参数的第一回归方程，得出预测能效数据Y，作为未来一周的日能效预测分析运维参考。
进一步地，所述步骤S1具体包括如下步骤：
步骤S1-1：采集楼宇用能系统的多信息节点数据，传输至云平台，所述多信息节点数据中携带有上传设备标识、上传设备类型、上传设备参数和累计值实时值标识；
步骤S1-2：云平台将所述多信息节点数据按照携带标识进行智能归类，将数据划分至不同的数据库表中进行存储，形成原始数据仓库；
步骤S1-3：对所述原始数据仓库进行数据清洗操作，包括如下情形：
Ⅰ.若某一时刻m出现遗失数据，调取对应设备运行状态及m-1、m+1时刻运行数据，处理过程如下：
a.若所述设备m-1时刻开启且遗失数据为累计数值，则按下式计算遗失数据估计值，并将所述估计值作为遗失数据值进行补充；
Figure 900818DEST_PATH_IMAGE044
其中，
Figure 6177DEST_PATH_IMAGE045
为m时刻遗失数据估计值，
Figure 752416DEST_PATH_IMAGE046
为m-1时刻数据值，
Figure 310436DEST_PATH_IMAGE047
为m+1时刻数据值；
b．若所述设备m-1时刻开启且遗失数据为实时数据，则按下式计算遗失数据估计值，并将所述估计值作为遗失数据值进行补充；
Figure 167534DEST_PATH_IMAGE048
其中，
Figure 878132DEST_PATH_IMAGE049
为m-1时刻运行值，
Figure 795272DEST_PATH_IMAGE050
为m+1时刻运行值；
c.若所述设备m-1时刻未开启，则对本条所述遗失数据采取删除操作；
Ⅱ.若某一时刻数值不在数据合理取值范围内，则对此时刻的数值进行过滤；
Ⅲ.若某一参数的无效值和缺失值的数量超过设定范围且该参数对能效分析无影响，则去除此参数；
Ⅳ.若数值中有不符合的字符数据，则进行字符去除操作；
Ⅴ.对同一时刻产生的多条重复数据，执行自动剔除；
步骤S1-4：原始数据仓库的数据清洗后形成准确数据，对所述准确数据采取统一单位换算操作，形成结果数据仓库；
步骤S1-5：对所述结果数据仓中的数据按照不同类别进行能效计算，得到楼宇各子系统能效数据，能效计算公式如下：
性能系数COP=总制冷量或总制热量/总用电功率；
单位电耗=（总用电量-数据中心用电量）/建筑面积；
单位水耗=（总用水量-景观绿化用水量）/建筑面积；
步骤S1-6：将能效计算结果在所述云平台进行数据可视化，并形成多维度楼宇运行数据分析报告。
相对于现有技术，本发明具有以下有益效果：
（1）通过建立能源优化调度模型，链接光伏-储能-外购电量综合能源系统，能源优化调度模型建立过程中利用楼宇负荷预测模型和智慧场景控制模型预测未来时间周期内的负荷数据，并基于历史大数据寻求综合能源系统在未来时间周期内的最优调度决策，使得综合能源系统的各子系统之间能够进行智能协调转换，实现了新能源一体化深度融合，提高了新能源综合利用率，降低了综合用电成本；
（2）智慧场景控制模型中，采用基于大数据的深度学习智能“场景”控制方法，通过学习深层的非线性网络结构和数据集的本质特征实现函数逼近，在与环境交互的过程中利用强化学习生成最优的行为策略，解决了既有楼宇平台仅处于信息化状态，缺乏智慧能动及深度智慧化探索的问题；场景行为样本库保持不断更新，训练过程中深度学习场景模型不断进行优化，提高了智慧行为预测的准确性；
（3）楼宇负荷预测模型采用基于气温、风速、湿度、光照强度多气象参数参与的模型，优化了传统预测方法仅有气温参数参与预测产生的误差，提升了负荷预测的准确度，为提前预测建筑能效从而提出有效运维方案支撑提供了有力支撑；
（4）基于大数据进行楼宇能效分析时，通过数据清洗清除异常数据，对剩余正常数据根据不同的设备类型、系统分项进行计算，解决了既有楼宇能效数据孤岛、能源管理模式封闭落后、能效数据仅抄表采集无数据分析的问题。
附图说明
图1为楼宇能效分析流程图；
图2为楼宇负荷预测分析流程图；
图3为楼宇智慧场景控制流程图；
图4为楼宇能源优化调度流程图。
具体实施方式
下面结合附图详细说明本发明的技术方案：
一种基于大数据的建筑能效管理和优化方法，包括如下步骤：
步骤S1：采集楼宇能效数据，进行能耗分析。
如图1，所述步骤S1具体包括如下步骤：
步骤S1-1：感知层安装智能终端，利用物联网技术，采集楼宇用能系统的多信息节点数据，并通过智能网关传输至云平台，所述多信息节点数据中携带有上传设备标识、上传设备类型、上传设备参数和累计值实时值标识等多种标识。
步骤S1-2：云平台将所述多信息节点数据按照携带标识进行智能归类，采用设备实时运行、系统实时运行、表计实时运行、设备用能、分项用能、时间用能、总体用能等方式将数据划分至不同的数据库表中进行存储，形成原始数据仓库。
根据所述楼宇系统需求设置数据存储周期，所述周期包括但不限于秒级、分钟级、小时级、日级、周级等时间频率。
步骤S1-3：对所述原始数据仓库进行数据清洗操作，包括如下情形：
Ⅰ.若某一时刻m出现遗失数据，调取对应设备运行状态及m-1、m+1时刻运行数据，处理过程如下：
a.若所述设备m-1时刻开启且遗失数据为累计数值，则按下式计算遗失数据估计值，并将所述估计值作为遗失数据值进行补充；
Figure 106168DEST_PATH_IMAGE051
其中，
Figure 766957DEST_PATH_IMAGE045
为m时刻遗失数据估计值，
Figure 315750DEST_PATH_IMAGE046
为m-1时刻数据值，
Figure 200529DEST_PATH_IMAGE047
为m+1时刻数据值；
b．若所述设备m-1时刻开启且遗失数据为实时数据，则按下式计算遗失数据估计值，并将所述估计值作为遗失数据值进行补充；
Figure 467562DEST_PATH_IMAGE052
其中，
Figure 666462DEST_PATH_IMAGE049
为m-1时刻运行值，
Figure 853118DEST_PATH_IMAGE050
为m+1时刻运行值；
c.若所述设备m-1时刻未开启，则对本条所述遗失数据采取删除操作，从而减少误差；
Ⅱ.若某一时刻出现误差严重与数据合理取值范围不符的数值，则对其进行过滤；
Ⅲ.若某一参数的无效值和缺失值较多，且该参数对能效分析无影响，则去除此参数；
Ⅳ.若数值中有不符合的字符数据，则进行字符去除操作；
Ⅴ.对同一时刻产生的多条重复数据，执行自动剔除。
步骤S1-4：原始数据仓库的数据清洗后形成准确数据，对所述准确数据采取统一单位换算操作，形成结果数据仓库。
步骤S1-5：对所述结果数据仓中的数据按照不同类别进行能效计算，得到楼宇各子系统能效数据。
以空调主机电耗数据为例，读取各历史时刻主机电表数据，并进行曲线拟合，得到空调主机的日电耗数据曲线。选择一栋办公楼宇能效数据，其能效高峰时段为每日7：00至18：00，需重点对该时段内的楼宇能效情况进行分析，能效计算公式如下：
性能系数COP=总制冷量或总制热量/总用电功率
该方法较传统的依据国标进行部分负荷理论加权的计算方法，经过实际建筑运营数据验证更准确，更有实用价值。
单位电耗=（总用电量-数据中心用电量）/建筑面积；
单位水耗=（总用水量-景观绿化用水量）/建筑面积。
步骤S1-6：将能效计算结果在所述云平台采用折线图、柱状图、饼图、K线图、仪表盘等进行数据可视化，对日、月、季度、年等多时间维度下水、电、热/冷能效数据进行同比、环比、占比分析，形成多维度楼宇运行数据分析报告。
本方法通过物联网技术采集建筑的运行数据形成数据仓库，并对采集数据加以分析和挖掘，通过数据清洗清除异常数据，对剩余正常数据根据不同的设备类型、系统分项进行计算，分项分析楼宇中的用电情况、用冷/热情况、用水情况、空调情况等，克服了目前楼宇系统存在的能效数据孤岛、能源管理模式封闭落后、能效数据仅抄表计数并未作出详细的数据分析的问题，协助运维者掌控建筑整体运行情况，实现了自动化、智能化、低碳化、绿色化运行。
步骤S2：建立楼宇负荷预测模型，对未来特定时间周期内的楼宇负荷进行预测。
如图2，所述步骤S2具体包括如下步骤：
步骤S2-1：表计感知并获取数值，准确采集水、电、冷热能源历史运行数据作为因变量
Figure 377640DEST_PATH_IMAGE035
，利用气象传感模块获取日气温、风速、湿度、光照强度天气数据作为自变量
Figure 131969DEST_PATH_IMAGE036
，形成项集
Figure 134560DEST_PATH_IMAGE037
。
步骤S2-2：假设每个自变量对于因变量的影响都为线性，建立第一回归方程：
Figure 923525DEST_PATH_IMAGE038
Figure 618948DEST_PATH_IMAGE053
其中，
Figure 126153DEST_PATH_IMAGE054
为回归参数，
Figure 932435DEST_PATH_IMAGE055
为误差项。
使用矩阵形式表示为：
Figure 326638DEST_PATH_IMAGE042
其中，
Figure 458542DEST_PATH_IMAGE043
；
步骤S2-3：采用最小二乘法求解所述第一回归方程，得到回归参数(因运行参数不同，求解的值有所不同，这里不做赘述)。
步骤S2-4：以预置步长为“日”，预测未来一周的日气温、光照强度、湿度、风速数据，带入已计算出回归参数的第一回归方程，得出预测能效数据Y，作为未来一周的日能效预测分析运维参考，并对计算数值生成能效预测曲线。
为解决既有楼宇系统运营管理中无法提前预测建筑能效从而提出有效运维方案支撑的问题；合理地考虑气象因素对负荷的影响是提高楼宇负荷预测精度的关键之一。本实施例将光照强度和风速纳入负荷预测模型，充分考虑多天气参数影响，优化了传统预测方法仅有气温参数参与预测产生的误差，提升了负荷预测准确度。
利用所述负荷预测模型为楼宇整体运行提供预测水耗、电耗、冷/热耗值，通过所述云平台展示未来一周楼宇能源预测运维方案，协助用户做出合理的运行决策，并由此预估暖通空调系统开启泵台数、开启主机数、开启泵频率、阀门开度、预设目标温度，提升预知性管控能力。
用户可按照当前给出的楼宇预测运维方案进行运作，从而保障智慧楼宇能源管理的指导策略与实际楼宇项目的高度匹配，以有效减少运维中的能源消耗。
用户无需自己采集气候信息来调整楼宇运营，负荷预测模型直接采集光照强度、气温、风速、风向等气候数据，自动计算出更为准确的预测值，系统会按照预测值给出每日的楼宇建议运维方案，用户可直接按照方案提前调整运维方案进行运转，实现从能源数据采集——过程监控——能源消耗分析——能效管理等全过程的自动化、高效化、科学化管理，使之能够运用先进的数据处理与分析技术，为用户实现楼宇智能节能降耗和提升整体能源管理水平的目的。
步骤S3：建立楼宇智慧场景控制模型，预测未来特定时间周期内人员在不同场景下对楼宇能耗设备作出的特定行为事件，并对楼宇能耗设备进行智能控制。
如图3，所述步骤S3具体包括如下步骤：
步骤S3-1：将人员信息、房间信息、设备信息（包括不限于照明、微环境、温控器、新风系统）形成列表化数据M1进行统一管理，基于人员、空间、设备列表M1建立同时间、天气、人员对所属房间内设备作出的特定行为事件之间的关联关系表M2｛person,room,device,time,weather,action｝。
步骤S3-2：跟踪人员行为，进行人员特定行为标定。通过采集并储存人员历史行为信息，构建人员在不同日常场景下的场景行为样本库，所述场景行为样本库包括对于所述M2的行为事件对应集合：｛P1, R1,D1,T1,W1,A1｝...｛Pn, Rn,Dn,Tn,Wn,An｝。
本实施例中，场景行为样本库保持不断更新：根据人员行为的时空相似性，利用观测的特殊行为在场景行为样本库中搜索匹配相似的场景行为集合，并将观测到的特殊行为纳入场景行为样本库，不断更新场景行为样本库，提升预测准确度。
步骤S3-3：构建基于所述场景行为样本库海量数据的行为预测模型，以所述场景行为样本库中｛person,room,device,time,weather｝作为输入数据，对应的｛action｝作为输出数据，进行数据训练，输入数据为某房间内在某一时刻某种天气状况数据，输出数据为人员对所属房间内设备作出的特定行为事件，通过多历史数据输入获得基于大数据的深度学习场景模型。
优选地，所述深度学习场景模型设置有三层隐藏层，每一个隐藏层对输入层的参数有不同的接收权重，权重会影响对输入信息敏感程度，从而形成识别偏置参数。使用逐层训练的方法依次进行训练，得到深度学习模型的权值矩阵、可见层偏置参数以及隐藏层偏置参数，对深度学习模型进行微调。
步骤S3-4：对未来某一时刻的｛person,room,device,time,weather｝进行预测并作为输入数据置入所述深度学习场景模型，得到人员对所属房间内设备作出的特定行为事件｛action｝，控制楼宇用能系统提前自动执行此行为操作，实现智慧化运营。
本方法从楼宇使用的安全性、便捷性及舒适性方面满足用户需求考虑，围绕海量楼宇内人员使用行为，提出了一种基于大数据的深度学习算法的“场景”能效优化方法，深度强化学习算法根据大量原始用户行为数据分析，通过学习深层的非线性网络结构和数据集的本质特征，实现函数逼近。在与环境交互的过程中，利用强化学习来生成最优的行为策略。
智慧预测行为与自动执行指令相结合的运营模式，可以减少系统能源使用，达到节能减排的目的。
步骤S4：建立能源优化调度模型，获取综合能源系统在未来时间周期t内的最优调度决策。
如图4，所述步骤S4具体包括如下步骤：
步骤S4-1：建筑电力能源主要由光伏可再生能源系统、外购电量系统(即市电)、电池储能系统构成。为便于光伏接入，本地需安装必要传感器、逆变器和执行器，通过安装在目标配电网区域的配电房和变电站的辐照度传感器采集若干日的太阳辐照度，并对光照充足时期内多余电量收集储存。
链接智能楼宇光伏系统、电池储能系统与主电网系统，光伏系统发电与楼宇负荷用电存在时间差问题，加入电池储能系统可起到平滑光伏输出功率效果，同时能降低用电费用。
建立光伏-储能-外购电量系统工作分析模型：
Figure 921885DEST_PATH_IMAGE001
其中，
Figure 797437DEST_PATH_IMAGE002
为光伏有功发电量，
Figure 560994DEST_PATH_IMAGE003
为外购市电系统电量，
Figure 332641DEST_PATH_IMAGE004
为电池储能系统电量，
Figure 548858DEST_PATH_IMAGE005
为运营用电量。
建立调度负荷优化模型：
Figure 696943DEST_PATH_IMAGE056
其中，
Figure 564274DEST_PATH_IMAGE007
为最小成本，
Figure 506822DEST_PATH_IMAGE008
为每1kWh电量外购价，
Figure 210336DEST_PATH_IMAGE009
为每1kWh电量出售价，
Figure 896532DEST_PATH_IMAGE010
为电池储能系统每1kWh电量成本。
步骤S4-2：将楼宇子系统按照时间运营顺序划分为若干耦合部分，预测未来时间周期t内楼宇运行电力负荷
Figure 369101DEST_PATH_IMAGE011
、光伏发电负荷
Figure 13709DEST_PATH_IMAGE012
、运营用电量
Figure 204519DEST_PATH_IMAGE013
和光伏有功发电量
Figure 428827DEST_PATH_IMAGE014
。
优选地，运行电力负荷
Figure 21483DEST_PATH_IMAGE011
的预测方法为：
根据步骤S3所述场景控制模型对未来时间周期t内楼宇各子系统的设备即将执行的动作（即人员在不同场景下对楼宇能耗设备作出的特定行为事件）进行预测，并对各子系统的设备额定功率进行统计求和得到
Figure 322145DEST_PATH_IMAGE011
。
光伏发电负荷
Figure 734672DEST_PATH_IMAGE012
的预测方法为：
Figure 762671DEST_PATH_IMAGE057
其中，
Figure 475412DEST_PATH_IMAGE012
为光伏发电负荷的最终预测值，
Figure 196243DEST_PATH_IMAGE016
为光伏发电负荷的初始预测值，
Figure 96066DEST_PATH_IMAGE017
为光伏发电负荷的波动值，
Figure 927756DEST_PATH_IMAGE018
和
Figure 229424DEST_PATH_IMAGE019
为波动值
Figure 121157DEST_PATH_IMAGE017
的上下阈值。
利用步骤S2所述楼宇负荷预测模型预测运营用电量
Figure 760473DEST_PATH_IMAGE013
，光伏有功发电量
Figure 395854DEST_PATH_IMAGE014
的预测方法为：采取基于气温、风速、湿度、光照强度多气象参数参与光伏发电量预测模型，采集光伏历史发电量作为因变量，对应的历史日气温、风速、湿度、光照强度天气数据作为自变量，建立第二回归方程并求解，将未来时间周期t内的气温、风速、湿度、光照强度预测数据带入所述第二回归方程，得到光伏有功发电量
Figure 817608DEST_PATH_IMAGE014
。
计算未来时间周期t内楼宇运行电力负荷与光伏发电负荷净值P：
Figure 614663DEST_PATH_IMAGE020
计算未来时间周期t内预测运营用电量与光伏有功发电量净值E：
Figure 754657DEST_PATH_IMAGE021
。
步骤S4-3：根据P、E判断光伏发电是否满足楼宇系统需求，包括如下两种情况：
第一，若P≥0且E≥0，则判断时间周期t内光伏有功发电量满足运营需求，电量净值E存储至电池储能系统，完成能源优化调度；
第二，若P＜0且E＜0，则判断时间周期t内光伏有功发电量不满足运营需求，通过外购市电满足运营需求，按照公式（1）重新计算P、E的值，并转至步骤S4-4；
Figure 662570DEST_PATH_IMAGE058
（1）
其中，
Figure 938831DEST_PATH_IMAGE023
为市电系统电量，
Figure 906787DEST_PATH_IMAGE024
为市电系统负荷，
Figure 534077DEST_PATH_IMAGE025
为电池储能系统电量，
Figure 245681DEST_PATH_IMAGE026
为电池储能系统负荷。
步骤S4-4：遍历历史数据，筛选历史楼宇运营用电量
Figure 392760DEST_PATH_IMAGE027
与
Figure 797196DEST_PATH_IMAGE013
相同情形下的历史楼宇运行电力负荷
Figure 380624DEST_PATH_IMAGE028
、历史电池储能系统电量
Figure 895919DEST_PATH_IMAGE029
、历史电池储能系统负荷
Figure 412351DEST_PATH_IMAGE030
、历史外购市电系统电量
Figure 987689DEST_PATH_IMAGE031
、历史外购市电系统负荷
Figure 58413DEST_PATH_IMAGE032
、历史光伏有功发电量
Figure 111820DEST_PATH_IMAGE033
、历史光伏发电负荷
Figure 217179DEST_PATH_IMAGE034
，将相应历史数据分别带入所述公式（1）、光伏-储能-外购电量系统工作分析模型和调度负荷优化模型，求解满足条件的
Figure 212686DEST_PATH_IMAGE007
，将
Figure 770706DEST_PATH_IMAGE007
为最小值时对应的历史数据
Figure 893383DEST_PATH_IMAGE031
、
Figure 853249DEST_PATH_IMAGE029
作为未来时间周期t内的
Figure 770389DEST_PATH_IMAGE023
、
Figure 815706DEST_PATH_IMAGE025
最优决策，根据最优决策下发系统调度命令。
在下一个时间周期t+1内，利用新的状态数据
Figure 476494DEST_PATH_IMAGE059
和预测信息
Figure 556446DEST_PATH_IMAGE060
，重复优化调度过程，获取时间周期t+1内的最优调度命令。

Claims (6)

1.一种基于大数据的建筑能效管理和优化方法，其特征在于，包括如下步骤：
步骤S1：采集楼宇能效数据，进行能耗分析；
步骤S2：建立楼宇负荷预测模型，对未来特定时间周期内的楼宇负荷进行预测；
步骤S3：建立楼宇智慧场景控制模型，预测未来特定时间周期内人员在不同场景下对楼宇能耗设备作出的特定行为事件，并对楼宇能耗设备进行智能控制；
步骤S4：建立能源优化调度模型，获取综合能源系统在未来时间周期t内的最优调度决策；
所述步骤S4具体包括如下步骤：
步骤S4-1：链接智能楼宇光伏系统、电池储能系统与主电网系统，建立光伏-储能-外购电量系统工作分析模型：
Figure 808770DEST_PATH_IMAGE001
其中，
Figure 777208DEST_PATH_IMAGE002
为光伏有功发电量，
Figure 377953DEST_PATH_IMAGE003
为外购市电系统电量，
Figure 106875DEST_PATH_IMAGE004
为电池储能系统电量，
Figure 654531DEST_PATH_IMAGE005
为运营用电量；
建立调度负荷优化模型：
Figure 152508DEST_PATH_IMAGE006
其中，
Figure 252051DEST_PATH_IMAGE007
为最小成本，
Figure 202690DEST_PATH_IMAGE008
为每1kWh电量外购价，
Figure 350774DEST_PATH_IMAGE009
为每1kWh电量出售价，
Figure 906521DEST_PATH_IMAGE010
为电池储能系统每1kWh电量成本；
步骤S4-2：预测未来时间周期t内楼宇运行电力负荷
Figure 442544DEST_PATH_IMAGE011
、光伏发电负荷
Figure 146058DEST_PATH_IMAGE012
、运营用电量
Figure 769937DEST_PATH_IMAGE013
和光伏有功发电量
Figure 835982DEST_PATH_IMAGE014
；
运行电力负荷
Figure 215011DEST_PATH_IMAGE011
的预测方法为：
根据步骤S3所述场景控制模型对未来时间周期t内楼宇各子系统的设备即将执行的动作进行预测，并对各子系统的设备额定功率进行统计求和得到
Figure 140242DEST_PATH_IMAGE011
；
光伏发电负荷
Figure 833391DEST_PATH_IMAGE012
的预测方法为：
Figure 894888DEST_PATH_IMAGE015
其中，
Figure 772714DEST_PATH_IMAGE012
为光伏发电负荷的最终预测值，
Figure 185241DEST_PATH_IMAGE016
为光伏发电负荷的初始预测值，
Figure 416502DEST_PATH_IMAGE017
为光伏发电负荷的波动值，
Figure 191560DEST_PATH_IMAGE018
和
Figure 646812DEST_PATH_IMAGE019
为波动值
Figure 749898DEST_PATH_IMAGE017
的上下阈值；
利用步骤S2所述楼宇负荷预测模型预测运营用电量
Figure 909483DEST_PATH_IMAGE013
，光伏有功发电量
Figure 476731DEST_PATH_IMAGE014
的预测方法为：采取基于气温、风速、湿度、光照强度多气象参数参与光伏发电量预测模型，采集光伏历史发电量作为因变量，对应的历史日气温、风速、湿度、光照强度天气数据作为自变量，建立第二回归方程并求解，将未来时间周期t内的气温、风速、湿度、光照强度预测数据带入所述第二回归方程，得到光伏有功发电量
Figure 306147DEST_PATH_IMAGE014
；
计算未来时间周期t内楼宇运行电力负荷与光伏发电负荷净值P：
Figure 21162DEST_PATH_IMAGE020
计算未来时间周期t内预测运营用电量与光伏有功发电量净值E：
Figure 656543DEST_PATH_IMAGE021
；
步骤S4-3：根据P、E判断光伏发电是否满足楼宇系统需求，包括如下两种情况：
第一，若P≥0且E≥0，则判断时间周期t内光伏有功发电量满足运营需求，电量净值E存储至电池储能系统，完成能源优化调度；
第二，若P＜0且E＜0，则判断时间周期t内光伏有功发电量不满足运营需求，通过外购市电满足运营需求，按照公式一重新计算P、E的值，并转至步骤S4-4；
公式一：
Figure 750400DEST_PATH_IMAGE022
其中，
Figure 813034DEST_PATH_IMAGE023
为市电系统电量，
Figure 18275DEST_PATH_IMAGE024
为市电系统负荷，
Figure 191768DEST_PATH_IMAGE025
为电池储能系统电量，
Figure 671291DEST_PATH_IMAGE026
为电池储能系统负荷；
步骤S4-4：遍历历史数据，筛选历史楼宇运营用电量
Figure 967143DEST_PATH_IMAGE027
与
Figure 63275DEST_PATH_IMAGE013
相同情形下的历史楼宇运行电力负荷
Figure 243720DEST_PATH_IMAGE028
、历史电池储能系统电量
Figure 374487DEST_PATH_IMAGE029
、历史电池储能系统负荷
Figure 841241DEST_PATH_IMAGE030
、历史外购市电系统电量
Figure 690248DEST_PATH_IMAGE031
、历史外购市电系统负荷
Figure 143226DEST_PATH_IMAGE032
、历史光伏有功发电量
Figure 721975DEST_PATH_IMAGE033
、历史光伏发电负荷
Figure 297313DEST_PATH_IMAGE034
，将相应历史数据分别带入所述公式一、光伏-储能-外购电量系统工作分析模型和调度负荷优化模型，求解满足条件的
Figure 836879DEST_PATH_IMAGE007
，将
Figure 218181DEST_PATH_IMAGE007
为最小值时对应的历史数据
Figure 323541DEST_PATH_IMAGE031
、
Figure 7463DEST_PATH_IMAGE029
作为未来时间周期t内的
Figure 893379DEST_PATH_IMAGE023
、
Figure 219318DEST_PATH_IMAGE025
最优决策，根据最优决策下发系统调度命令。
2.如权利要求1所述的基于大数据的建筑能效管理和优化方法，其特征在于，所述步骤S3具体包括如下步骤：
步骤S3-1：将人员信息、房间信息、设备信息形成列表化数据M1进行统一管理，基于人员、空间、设备列表M1建立同时间、天气、人员对所属房间内设备作出的特定行为事件之间的关联关系表M2｛person,room,device,time,weather,action｝；
步骤S3-2：采集并储存人员历史行为信息，构建人员在不同日常场景下的场景行为样本库，所述场景行为样本库包括对于所述M2的行为事件对应集合；
步骤S3-3：构建基于所述场景行为样本库的行为预测模型，以所述场景行为样本库中｛person,room,device,time,weather｝作为输入数据，对应的｛action｝作为输出数据，进行数据训练，获得基于大数据的深度学习场景模型；
步骤S3-4：对未来某一时刻的｛person,room,device,time,weather｝进行预测并作为输入数据置入所述深度学习场景模型，得到人员对所属房间内设备作出的特定行为事件｛action｝，控制楼宇用能系统提前自动执行此行为事件，实现智慧化运营。
3.如权利要求2所述的基于大数据的建筑能效管理和优化方法，其特征在于：步骤S3-3中，所述深度学习场景模型设置有多层隐藏层，每一个隐藏层对输入层的参数有不同的接收权重，使用逐层训练的方法依次进行训练，得到深度学习模型的权值矩阵、可见层偏置参数以及隐藏层偏置参数，对深度学习模型进行微调。
4.如权利要求2所述的基于大数据的建筑能效管理和优化方法，其特征在于，所述步骤S3-2还包括场景行为样本库的更新：根据人员行为的时空相似性，利用观测的特殊行为在场景行为样本库中搜索匹配相似的场景行为集合，并将观测到的特殊行为纳入场景行为样本库，不断更新场景行为样本库，提升预测准确度。
5.如权利要求1所述的基于大数据的建筑能效管理和优化方法，其特征在于，所述步骤S2具体包括如下步骤：
步骤S2-1：将水、电、冷热能源历史运行数据作为因变量
Figure 913605DEST_PATH_IMAGE035
，日气温、风速、湿度、光照强度天气数据作为自变量
Figure 158641DEST_PATH_IMAGE036
，形成项集
Figure 469537DEST_PATH_IMAGE037
；
步骤S2-2：假设每个自变量对于因变量的影响都为线性，建立第一回归方程：
Figure 68009DEST_PATH_IMAGE038
Figure 882381DEST_PATH_IMAGE039
其中，
Figure 298319DEST_PATH_IMAGE040
为回归参数，
Figure 830931DEST_PATH_IMAGE041
为误差项；
使用矩阵形式表示为：
Figure 233094DEST_PATH_IMAGE042
其中，
Figure 901972DEST_PATH_IMAGE043
；
步骤S2-3：采用最小二乘法求解所述第一回归方程，得到回归参数；
步骤S2-4：以预置步长为“日”预测未来一周的日气温、光照强度、湿度、风速数据，带入已计算出回归参数的第一回归方程，得出预测能效数据Y，作为未来一周的日能效预测分析运维参考。
6.如权利要求1至5任一所述的基于大数据的建筑能效管理和优化方法，其特征在于，所述步骤S1具体包括如下步骤：
步骤S1-1：采集楼宇用能系统的多信息节点数据，传输至云平台，所述多信息节点数据中携带有上传设备标识、上传设备类型、上传设备参数和累计值实时值标识；
步骤S1-2：云平台将所述多信息节点数据按照携带标识进行智能归类，将数据划分至不同的数据库表中进行存储，形成原始数据仓库；
步骤S1-3：对所述原始数据仓库进行数据清洗操作，包括如下情形：
Ⅰ.若某一时刻m出现遗失数据，调取对应设备运行状态及m-1、m+1时刻运行数据，处理过程如下：
a.若所述设备m-1时刻开启且遗失数据为累计数值，则按下式计算遗失数据估计值，并将所述估计值作为遗失数据值进行补充；
Figure 751461DEST_PATH_IMAGE044
其中，
Figure 505791DEST_PATH_IMAGE045
为m时刻遗失数据估计值，
Figure 711644DEST_PATH_IMAGE046
为m-1时刻数据值，
Figure 562925DEST_PATH_IMAGE047
为m+1时刻数据值；
b．若所述设备m-1时刻开启且遗失数据为实时数据，则按下式计算遗失数据估计值，并将所述估计值作为遗失数据值进行补充；
Figure 258349DEST_PATH_IMAGE048
其中，
Figure 437657DEST_PATH_IMAGE049
为m-1时刻运行值，
Figure 243939DEST_PATH_IMAGE050
为m+1时刻运行值；
c.若所述设备m-1时刻未开启，则对本条所述遗失数据采取删除操作；
Ⅱ.若某一时刻数值不在数据合理取值范围内，则对此时刻的数值进行过滤；
Ⅲ.若某一参数的无效值和缺失值的数量超过设定范围且该参数对能效分析无影响，则去除此参数；
Ⅳ.若数值中有不符合的字符数据，则进行字符去除操作；
Ⅴ.对同一时刻产生的多条重复数据，执行自动剔除；
步骤S1-4：原始数据仓库的数据清洗后形成准确数据，对所述准确数据采取统一单位换算操作，形成结果数据仓库；
步骤S1-5：对所述结果数据仓中的数据按照不同类别进行能效计算，得到楼宇各子系统能效数据，能效计算公式如下：
性能系数COP=总制冷量或总制热量/总用电功率；
单位电耗=（总用电量-数据中心用电量）/建筑面积；
单位水耗=（总用水量-景观绿化用水量）/建筑面积；
步骤S1-6：将能效计算结果在所述云平台进行数据可视化，并形成多维度楼宇运行数据分析报告。
CN202211171334.6A 2022-09-26 2022-09-26 一种基于大数据的建筑能效管理和优化方法 Active CN115249094B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211171334.6A CN115249094B (zh) 2022-09-26 2022-09-26 一种基于大数据的建筑能效管理和优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211171334.6A CN115249094B (zh) 2022-09-26 2022-09-26 一种基于大数据的建筑能效管理和优化方法

Publications (2)

Publication Number Publication Date
CN115249094A CN115249094A (zh) 2022-10-28
CN115249094B true CN115249094B (zh) 2022-12-09

Family

ID=83700180

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211171334.6A Active CN115249094B (zh) 2022-09-26 2022-09-26 一种基于大数据的建筑能效管理和优化方法

Country Status (1)

Country Link
CN (1) CN115249094B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116029866B (zh) * 2023-02-20 2023-06-09 南京鲜玩网络科技有限公司 一种基于互联网的智慧园区管理系统及方法
CN116415801B (zh) * 2023-06-12 2023-08-29 山东创宇环保科技有限公司 基于大数据的商业能源负荷智能分配方法及系统
CN116481150B (zh) * 2023-06-25 2023-08-29 烟台东方智能技术有限公司 基于端云协同的高效空调机房系统能效优化控制方法
CN116579506B (zh) * 2023-07-13 2023-09-19 陕西通信规划设计研究院有限公司 一种基于大数据的建筑能耗数据智能管理方法及系统
CN117172620B (zh) * 2023-11-02 2023-12-26 江苏全天软件有限公司 一种基于参数化分析的建筑光伏潜力评估方法及系统
CN117575369B (zh) * 2024-01-16 2024-03-29 山东建筑大学 一种乡村建筑群能耗预测方法及系统
CN118168125B (zh) * 2024-05-16 2024-07-19 湖南大学 一种应对需求响应的空调控制方法、装置、空调和介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104484682A (zh) * 2014-12-31 2015-04-01 中国科学院遥感与数字地球研究所 一种基于主动深度学习的遥感图像分类方法
JP2015156785A (ja) * 2014-01-14 2015-08-27 三菱電機株式会社 エネルギーマネジメントシステム
CN105305472A (zh) * 2015-09-25 2016-02-03 清华大学 一种基于多能源协同供能的变电站容量优化方法
WO2017103955A1 (en) * 2015-10-30 2017-06-22 Edilvi Spa Electronic control unit for plant system management
CN109946968A (zh) * 2019-03-27 2019-06-28 北京快电科技有限公司 一种楼宇内分布式能源匹配系统和方法
CN112949942A (zh) * 2021-04-08 2021-06-11 湘潭大学 基于多目标多元宇宙优化算法的智能楼宇负荷优化调度方法
CN113762586A (zh) * 2020-05-29 2021-12-07 霍尼韦尔国际公司 在特定事件情境中设施状态和运行模式的识别
WO2021244000A1 (zh) * 2020-06-03 2021-12-09 国网上海市电力公司 一种区域能源综合体虚拟聚合系统及方法
CN113809755A (zh) * 2021-08-19 2021-12-17 中国华电集团有限公司福建分公司 一种基于需求响应的智慧楼宇节能优化控制方法
WO2022193531A1 (zh) * 2021-03-16 2022-09-22 南京邮电大学 一种源储荷分布式协同电压控制方法及其系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9817375B2 (en) * 2014-02-26 2017-11-14 Board Of Trustees Of The University Of Alabama Systems and methods for modeling energy consumption and creating demand response strategies using learning-based approaches
US20190154873A1 (en) * 2017-11-21 2019-05-23 Giancarlo Mitterhofer Automated weather related energy information system

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015156785A (ja) * 2014-01-14 2015-08-27 三菱電機株式会社 エネルギーマネジメントシステム
CN104484682A (zh) * 2014-12-31 2015-04-01 中国科学院遥感与数字地球研究所 一种基于主动深度学习的遥感图像分类方法
CN105305472A (zh) * 2015-09-25 2016-02-03 清华大学 一种基于多能源协同供能的变电站容量优化方法
WO2017103955A1 (en) * 2015-10-30 2017-06-22 Edilvi Spa Electronic control unit for plant system management
CN109946968A (zh) * 2019-03-27 2019-06-28 北京快电科技有限公司 一种楼宇内分布式能源匹配系统和方法
CN113762586A (zh) * 2020-05-29 2021-12-07 霍尼韦尔国际公司 在特定事件情境中设施状态和运行模式的识别
WO2021244000A1 (zh) * 2020-06-03 2021-12-09 国网上海市电力公司 一种区域能源综合体虚拟聚合系统及方法
WO2022193531A1 (zh) * 2021-03-16 2022-09-22 南京邮电大学 一种源储荷分布式协同电压控制方法及其系统
CN112949942A (zh) * 2021-04-08 2021-06-11 湘潭大学 基于多目标多元宇宙优化算法的智能楼宇负荷优化调度方法
CN113809755A (zh) * 2021-08-19 2021-12-17 中国华电集团有限公司福建分公司 一种基于需求响应的智慧楼宇节能优化控制方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于用户满意度的智能用电能量调度方法研究;纪姝彦等;《电气工程学报》;20170425(第04期);全文 *

Also Published As

Publication number Publication date
CN115249094A (zh) 2022-10-28

Similar Documents

Publication Publication Date Title
CN115249094B (zh) 一种基于大数据的建筑能效管理和优化方法
CN113112077B (zh) 基于多步预测深度强化学习算法的hvac控制系统
CN114742294A (zh) 一种碳排放预测的神经网络算法
CN113902582A (zh) 一种楼宇综合能源负荷预测方法及系统
JP2001336805A (ja) 建物熱源システムのエネルギー需要の算定方法及び建物熱源システムの最適運転方策の策定方法
Chellaswamy et al. A framework for building energy management system with residence mounted photovoltaic
CN114237057A (zh) 智慧楼宇用电分析的动态建模方法、系统、设备和介质
CN115796393A (zh) 基于多能互动的能源网管理优化方法、系统及存储介质
Yu et al. Estimating power demand shaving capacity of buildings on an urban scale using extracted demand response profiles through machine learning models
CN108346009A (zh) 一种基于用户模型自学习的电力生产配置方法和装置
CN109858668B (zh) 一种雷电气候下电力负荷区域协调预测方法
Shabbir et al. Machine learning and deep learning techniques for residential load forecasting: A comparative analysis
Fu et al. Predictive control of power demand peak regulation based on deep reinforcement learning
Shabbir et al. Residential DC Load Forecasting Using Long Short-Term Memory Network (LSTM)
Ma et al. A synchronous prediction method for hourly energy consumption of abnormal monitoring branch based on the data-driven
CN113449909A (zh) 一种基于改进长短期记忆网络的蓄冷空调冷负荷预测方法
CN116293982A (zh) 一种用于冰蓄冷的负荷预测及决策控制系统
CN115906396A (zh) 一种被动式建筑能源管理系统及其使用方法
Li et al. Office building energy consumption prediction based on LSTM and SVR
Neudakhina et al. An ANN-based intelligent system for forecasting monthly electric energy consumption
Wu et al. A method for forecasting alpine area load based on artificial neural network model
Zhang Data-driven whole building energy forecasting model for data predictive control
CN112600204A (zh) 一种商业综合体空调设备用电负荷预测方法及系统
CN111130107A (zh) 电网负荷预测方法及装置
Danylchenko et al. Research on Demographically Based Electricity Demand Schedules for the Potential of Demand Management

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