CN115630434A - 一种基于多智能体模拟的建筑碳排放预测方法和装置 - Google Patents

一种基于多智能体模拟的建筑碳排放预测方法和装置 Download PDF

Info

Publication number
CN115630434A
CN115630434A CN202211669812.6A CN202211669812A CN115630434A CN 115630434 A CN115630434 A CN 115630434A CN 202211669812 A CN202211669812 A CN 202211669812A CN 115630434 A CN115630434 A CN 115630434A
Authority
CN
China
Prior art keywords
agent
room
building
carbon emission
equipment
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.)
Granted
Application number
CN202211669812.6A
Other languages
English (en)
Other versions
CN115630434B (zh
Inventor
张智慧
吕志鹏
马韵婷
刘文龙
杨晓霞
周珊
宋振浩
宋天琦
史超
薛琳
刘锋
杨飞
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.)
China Online Shanghai Energy Internet Research Institute Co ltd
Original Assignee
China Online Shanghai Energy Internet Research Institute 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 China Online Shanghai Energy Internet Research Institute Co ltd filed Critical China Online Shanghai Energy Internet Research Institute Co ltd
Priority to CN202211669812.6A priority Critical patent/CN115630434B/zh
Publication of CN115630434A publication Critical patent/CN115630434A/zh
Application granted granted Critical
Publication of CN115630434B publication Critical patent/CN115630434B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/80—Management or planning
    • Y02P90/84—Greenhouse gas [GHG] management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Computer Hardware Design (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Civil Engineering (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Structural Engineering (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Analysis (AREA)
  • Educational Administration (AREA)
  • Primary Health Care (AREA)
  • Architecture (AREA)
  • Pure & Applied Mathematics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

本发明涉及一种基于多智能体模拟的建筑碳排放预测方法和装置，其中，方法包括：构建多智能体模型，并对所述多智能体模型进行初始化，所述多智能体模型包括环境智能体、设备智能体以及人员智能体；建立所述设备智能体的碳排放计算模型；建立环境智能体的热/冷负荷计算模型；建立人员智能体的用能行为模型；建立建筑碳排放计算模型；利用所述多智能体模型、设备智能体的碳排放计算模型、环境智能体的热/冷负荷计算模型、人员智能体的用能行为模型和建筑碳排放计算模型进行建筑碳排放预测模拟，得到不同时间段建筑不同房间及建筑总体碳排放量。本发明能够对历史用能数据不足的建筑进行不同时空尺度的碳排放量预测。

Description

一种基于多智能体模拟的建筑碳排放预测方法和装置
技术领域
本发明涉及碳排放计算与预测技术领域，特别是涉及一种基于多智能体模拟的建筑碳排放预测方法和装置。
背景技术
目前，众多企业针对建筑楼宇节能这一领域开展节能减排工作，建设了大量能耗监测平台，但大多运行维护不到位，且缺乏碳排放管理功能，无法对楼宇碳排放进行预测和预警，未能合理充分引导建筑使用人员进一步节能降碳，不能充分挖掘建筑楼宇的减碳潜力。
现有的研究和方法主要针对地区级碳排放量预测，针对园区级、建筑级甚至更小单元级别的碳排放预测方法及研究极少，现有方法的预测建模颗粒度不够细化。此外，现有碳排放预测方法大都需要基于用户历史用能数据，难以对于历史负荷数据不足的新建建筑的碳排放预测提供有力支撑，且现有预测方法比较少考虑人员行为的影响。
发明内容
本发明所要解决的技术问题是提供一种基于多智能体模拟的建筑碳排放预测方法和装置，能够对历史用能数据不足的建筑进行不同时空尺度的碳排放量预测。
本发明解决其技术问题所采用的技术方案是：提供一种基于多智能体模拟的建筑碳排放预测方法，包括以下步骤：
构建多智能体模型，并对所述多智能体模型进行初始化，所述多智能体模型包括环境智能体、设备智能体以及人员智能体；
建立所述设备智能体的碳排放计算模型；
建立环境智能体的热/冷负荷计算模型；
建立人员智能体的用能行为模型；
建立建筑碳排放计算模型；
利用所述多智能体模型、设备智能体的碳排放计算模型、环境智能体的热/冷负荷计算模型、人员智能体的用能行为模型和建筑碳排放计算模型进行建筑碳排放预测模拟，得到不同时间段建筑不同房间及建筑总体碳排放量。
所述环境智能体包括房间智能体以及室外环境智能体；所述环境智能体初始化包括房间智能体的平面布置、墙体内表面积、墙体内表面与空气表面的传热系数、墙体材料比热容、房间内空气密度、房间与外部环境的换气量、房间与相邻房间的换气量、窗户表面积及对应的遮阳系数的初始化；所述的室外环境智能体初始化包括室外环境温度、照度的环境参数的初始化。
所述设备智能体包括连续设备智能体、待机设备智能体、冷热设备智能体和主动设备智能体；所述设备智能体初始化包括设备智能体的数量、类型、初始状态、不同状态下对应的电功率以及位置的初始化。
所述人员智能体包括环保型人员智能体、节约型人员智能体、正常型人员智能体和浪费型人员智能体；所述人员智能体初始化包括人员数量、人员的节能意识类型以及人员所在位置的初始化。
所述对所述多智能体模型进行初始化时，还包括对全局参数进行初始化，所述全局参数进行初始化是指碳排因子的初始化。
所述建立所述设备智能体的碳排放计算模型，包括：
建立连续设备智能体的碳排放量计算模型：
Figure 370180DEST_PATH_IMAGE001
；
建立待机设备智能体的碳排放量计算模型：
Figure 128621DEST_PATH_IMAGE002
；
建立主动设备智能体的碳排放量计算模型：
Figure 315014DEST_PATH_IMAGE003
；
建立冷热设备智能体的碳排放量计算模型：
Figure 772147DEST_PATH_IMAGE004
；
其中，P con (τ)为τ时刻连续设备的电功率，P con-1为连续设备的额定功率，C con (t)为t时段内连续设备的碳排放量，P sta (τ)为τ时刻待机设备的电功率，S表示待机设备的状态，S 0、S 1和S 2分别代表关闭、开启和待机，P sta-1为待机设备的额定功率，P sta-2为待机设备处于待机状态时的功率，C sta (t)为t时段内待机设备的碳排放量，P act (τ)为τ时刻主动设备的电功率，S'表示主动设备的状态，S' 0和S' 1分别代表关闭和开启，C act (t)为t时段内主动设备的碳排放量，P cold (τ)为τ时刻冷热设备在制冷时的电功率，P heat (τ)为τ时刻冷热设备在制热时的电功率，q cool (τ)为房间在τ时刻的冷负荷，q heat (τ)为房间在τ时刻的热负荷，COP cool 为冷热设备的制冷系数，COP heat 为冷热设备的制热系数，S''为冷热设备的状态，S'' 0和S'' 1分别代表关闭和开启，C c (t)为t时段内冷热设备在制冷时的碳排放量，C h (t)为t时段内冷热设备在制热时的碳排放量，c grid 为碳排放因子。
所述建立环境智能体的热/冷负荷计算模型，包括：
通过动态传热方程计算采暖季热负荷q heat (τ)和供冷季冷负荷q cool (τ)，所述动态传热方程为：
Figure 414131DEST_PATH_IMAGE006
其中，C r 为房间内的空气热容，T room 为房间内需要维持的温度，P n (τ)为τ时刻房间内第n个用电设备的电功率，ξ n 为房间内第n个用电设备的散热系数，M m 为房间内第m个人的质量，ζ m 为房间内第m个人的散热系数，S win,k 为房间内第k扇窗户的面积，D k 为房间内第k扇窗户的日辐射得热因子，Z win,k 为房间内第k扇窗户的遮阳系数，s i 为房间内第i面墙的内表面面积，h in 为墙体内表面与空气表面的传热系数，T r (τ)为τ时刻房间内的温度，T i (τ)为τ时刻房间内第i面墙的表面温度，C p 为墙体材料的比热容，ρ为空气密度，G out 为房间与室外环境的换气量，T out (τ)为τ时刻室外环境的温度，G adj 为房间与相邻房间的换气量，T room+1(τ)为τ时刻相邻房间的室内温度。
所述建立人员智能体的用能行为模型，包括：
将人员智能体的用能行为分为事件触发型和环境触发型；
建立事件触发型用能行为的概率模型：
Figure 985052DEST_PATH_IMAGE007
，其中，p ev 为事件触发型用能行为的概率，p e 为P e 或P n 或P s 或P w ，P e 、P n 、P s 和P w 分别表示环保型人员、节约型人员、正常型人员和浪费型人员关闭不使用电器的可能性；
建立环境触发型用能行为的概率模型：
Figure 226284DEST_PATH_IMAGE008
，
Figure 871896DEST_PATH_IMAGE009
，其中，p en 为人员在房间内时主动设备的开关动作概率，x表示房间内环境参数，X a 和X b 为控制主动设备的开关行为发生的阈值；p hot 为房间内人员感到闷热时打开冷热设备的概率，p cold 为房间内人员感到寒冷时打开冷热设备的概率，L和k'为拟合参数；c 1和c 2为控制冷热设备开启概率减弱程度的系数，T为房间内温度参数，u为控制舒适度的阈值。
所述建立的建筑碳排放计算模型为：
Figure 998246DEST_PATH_IMAGE011
，
其中，C room,j (t)为房间j在t时间段内的碳排放量；C con,j,x (t)为t时间段内房间j中连续设备x的碳排放量；C sta,j,y (t)为t时间段内房间j中待机设备y的碳排放量；C act,j,z (t)为t时间段内房间j中主动设备z的碳排放量；C h,j,v (t)为t时间段内房间j中冷热设备v制热时的碳排放量，C c,j,v (t)为t时间段内房间j中冷热设备v制冷时的碳排放量；C office (t)为建筑在t时间段内的总碳排放量。
所述利用所述多智能体模型、设备智能体的碳排放计算模型、环境智能体的热/冷负荷计算模型、人员智能体的用能行为模型和建筑碳排放计算模型进行建筑碳排放预测模拟，得到不同时间段建筑不同房间及建筑总体碳排放量具体为：
读取当前时间步的环境参数及各人员的行为信息，并更新人员移动后的位置信息；
基于所述人员智能体的用能行为模型计算人员行为触发用能设备状态变化的概率，并判断当前用能设备启停状态，基于所述建筑碳排放计算模型计算更新当前时段各房间及建筑内的碳排放量；
判断人员行为是否使环境参数发生改变，若不发生改变则直接进入下一步，若发生改变则更新环境参数后进入下一步；
判断模拟时间步长是否达到设定值，是则完成模拟，否则返回所述读取当前时间步的环境参数及各人员的行为信息，并更新人员移动后的位置信息的步骤进行下一个时间步的模拟。
本发明解决其技术问题所采用的技术方案是：提供一种基于多智能体模拟的建筑碳排放预测装置，包括：
构建模块，用于构建多智能体模型，并对所述多智能体模型进行初始化，所述多智能体模型包括环境智能体、设备智能体以及人员智能体；
第一建立模块，用于建立所述设备智能体的碳排放计算模型；
第二建立模块，用于建立环境智能体的热/冷负荷计算模型；
第三建立模块，用于建立人员智能体的用能行为模型；
第四建立模块，用于建立建筑碳排放计算模型；
预测模拟模块，用于利用所述多智能体模型、设备智能体的碳排放计算模型、环境智能体的热/冷负荷计算模型、人员智能体的用能行为模型和建筑碳排放计算模型进行建筑碳排放预测模拟，得到不同时间段建筑不同房间及建筑总体碳排放量。
本发明解决其技术问题所采用的技术方案是：提供一种电子设备，包括存储器、处理器及存储在存储器上并可在所述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计算机程序时实现上述基于多智能体模拟的建筑碳排放预测方法的步骤。
本发明解决其技术问题所采用的技术方案是：提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述基于多智能体模拟的建筑碳排放预测方法的步骤。
有益效果
由于采用了上述的技术方案，本发明与现有技术相比，具有以下的优点和积极效果：本发明构建了包含人员、设备、环境三类智能体的多智能体碳排放预测模型，充分考虑人员行为、环境影响以及用能设备耗能情况，实现不同时间尺度（小时、日、周、月等）、不同空间尺度（房间、楼层、楼宇）的精细化碳排放预测，引导用户进一步节能降碳，促进建筑楼宇实现节能降碳精细化管控，充分挖掘建筑的减碳潜力。
附图说明
图1是本发明第一实施方式的流程图；
图2是本发明第一实施方式中模拟预测的流程图；
图3是本发明第二实施方式中基于多智能体模拟的建筑碳排放预测装置的结构示意图。
具体实施方式
下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。
本发明的第一实施方式涉及一种基于多智能体模拟的建筑碳排放预测方法，该方法针对历史用能数据不足且考虑用户行为，构建了包含人员、设备、环境三类智能体的多智能体碳排放预测模型，充分考虑人员行为、环境影响以及用能设备耗能情况，实现不同时间尺度（小时、日、周、月等）、不同空间尺度（房间、楼层、楼宇）的精细化碳排放预测。如图1所示，具体包括以下步骤：
（一）多智能体模型初始化
所述的多智能体模型初始化主要是指多智能体建筑碳排放预测模型的不同类型智能体的划分及初始参数设定。多智能体模型中共包含三类智能体，分别为环境智能体、设备智能体以及人员智能体。
1）环境智能体初始化
环境智能体包括房间智能体以及室外环境智能体。
所述环境智能体初始化包括房间智能体的平面布置（房间面积、位置、门窗布置情况）、墙体内表面积、墙体内表面与空气表面的传热系数、墙体材料比热容、房间内空气密度、房间与外部环境的换气量、房间与相邻房间的换气量、窗户表面积及对应的遮阳系数。
所述的室外环境智能体初始化主要包括室外环境温度、照度等环境参数的初始化。
2）设备智能体初始化
根据使用方式的不同，用电设备可分为连续设备（一直处于开启状态且功率恒定的设备，如服务器、台式电话、路由器、报警器等）、待机设备（如台式计算机、电视机等可受用户控制，存在开启、待机、关闭三种状态的用电设备，当设备处于关闭状态时，设备的功率为零；当设备处于待机状态时，设备的功率相对较低；而当设备处于开启状态时，设备的功率相对较高且等于其额定功率）、冷热设备（此类设备开启后功耗将在恒温控制下处于零和设定功率水平之间波动，设备功耗受环境温度影响，如冰箱、空调等）、主动设备（如电灯、电热水壶等，可受用户控制，存在开启与关闭两种状态，开启时功率恒定且等于额定功率，关闭时功率为零）四类。
因此，设备智能体包含连续设备智能体、待机设备智能体、冷热设备智能体和主动设备智能体。所述的设备智能体初始化包括设备智能体的数量、类型、初始状态、不同状态下对应的电功率以及其位置（所在房间）。
3）人员智能体初始化
所述的人员智能体初始化主要指人员数量、人员的节能意识类型以及人员所在房间的初始化。根据人员的节能意识不同，将人员智能体划分为环保型、节约型、正常型、浪费型四类，每种类型在人群中所占比例分别为Pr e %、Pr s %、Pr n %、Pr w %（Pr e %+ Pr s %+ Pr n %+ Pr w %=100% 且 Pr n %> Pr w %> Pr s %> Pr e %），各类人群关闭不使用电器的可能性分别为P e 、P n 、P s 和P w （0< P w <P s < P n < P e <1）。
4）全局参数初始化
所述的全局参数初始化主要指碳排因子（建筑消耗单位电能所带来的碳排放量）的初始化。
（二）建立设备智能体的碳排放计算模型
四类设备智能体的碳排放计算模型分别为：
1）连续设备
连续设备的碳排放量可由下式计算：
Figure 104349DEST_PATH_IMAGE001
式中，P con (τ)为τ时刻连续设备的电功率，P con-1为连续设备的额定功率，C con (t)为t时段内连续设备的碳排放量，c grid 为碳排放因子。
2）待机设备
待机设备的碳排放量可由下式计算：
Figure 530913DEST_PATH_IMAGE002
式中，P sta (τ)为τ时刻待机设备的电功率，S表示待机设备的状态，S 0、S 1和S 2分别代表关闭、开启和待机，P sta-1为待机设备的额定功率，P sta-2为待机设备处于待机状态时的功率，C sta (t)为t时段内待机设备的碳排放量。
3）主动设备
主动设备的碳排放量可由下式计算：
Figure 335708DEST_PATH_IMAGE003
式中，P act (τ)为τ时刻主动设备的电功率，S'表示主动设备的状态，S' 0和S' 1分别代表关闭和开启，C act (t)为t时段内主动设备的碳排放量。
4）冷热设备
冷热设备在本实施方式中主要考虑空调，其碳排放量可由下式计算：
Figure 946425DEST_PATH_IMAGE004
式中，P cold (τ)为τ时刻冷热设备在制冷时的电功率，P heat (τ)为τ时刻冷热设备在制热时的电功率，q cool (τ)为房间在τ时刻的冷负荷，q heat (τ)为房间在τ时刻的热负荷，COP cool 为冷热设备的制冷系数，COP heat 为冷热设备的制热系数，S''为冷热设备的状态，S'' 0和S'' 1分别代表关闭和开启，C c (t)为t时段内冷热设备在制冷时的碳排放量，C h (t)为t时段内冷热设备在制热时的碳排放量。
（三）建立房间智能体热/冷负荷计算模型
对于由墙体维护结构组成的房间，可按照如下动态传热方程计算采暖季热负荷q heat (τ)和供冷季冷负荷q cool (τ)：
Figure 859148DEST_PATH_IMAGE012
式中，C r 为房间内的空气热容，T room 为房间内需要维持的温度，P n (τ)为τ时刻房间内第n个用电设备的电功率，ξ n 为房间内第n个用电设备的散热系数，M m 为房间内第m个人的质量，ζ m 为房间内第m个人的散热系数，S win,k 为房间内第k扇窗户的面积，D k 为房间内第k扇窗户的日辐射得热因子，Z win,k 为房间内第k扇窗户的遮阳系数，s i 为房间内第i面墙的内表面面积，h in 为墙体内表面与空气表面的传热系数，T r (τ)为τ时刻房间内的温度，T i (τ)为τ时刻房间内第i面墙的表面温度，C p 为墙体材料的比热容，ρ为空气密度，G out 为房间与室外环境的换气量，T out (τ)为τ时刻室外环境的温度，G adj 为房间与相邻房间的换气量，T room+1(τ)为τ时刻相邻房间的室内温度。
（四）建立人员智能体用能行为模型
建筑内的个体通过开关及调节设备等行为动作对室内的耗能设备进行控制与调节。对于不同的建筑类型，使用人员的行为状态存在较大差异。例如，对于办公建筑，根据办公建筑特点，人员在办公建筑内的状态可分为上班（在房间办公）、上班（在走廊）、短暂离开办公室（吃饭）、下班回家；对于住宅建筑，人员在建筑内的状态可分为睡觉休息、外出上班、做饭、娱乐、洗漱等等。人员在不同办公状态下的用能动作将直接影响用电设备的使用状态，根据触发条件不同可将用能动作分为事件触发型和环境触发型两类。
事件触发型用能动作在特定事件（如在房间办公时开启设备、短暂离开办公室挂起设备、下班回家关闭设备等）下发生的概率为固定值，其概率模型可由下式计算：
Figure 600271DEST_PATH_IMAGE007
式中，p ev 为事件触发型用能行为的概率，p e 表示遇到特定事件时，事件触发型用能发生的概率，当事件为关闭不使用电器时，p e =P e 或P n 或P s 或P w （取决于人员节能意识类型）。
环境触发型用能动作除与人员行为状态有关外，还与环境因素（如温度、湿度、照度等）有关。本发明主要涉及两类环境触发型用能动作，分别为照明设备的开关与空调设备的开关。人员在房间内时照明设备的开关动作概率可由下式计算：
Figure 570108DEST_PATH_IMAGE008
式中，p en 为人员在房间内时主动设备的开关动作概率，x表示房间内环境参数；X a 和X b 为控制行为发生的阈值。
空调设备的开关动作概率可由下式计算：
Figure 405471DEST_PATH_IMAGE009
式中，p hot 为房间内人员感到闷热时打开冷热设备的概率，p cold 为房间内人员感到寒冷时打开冷热设备的概率；T为室温；u为控制舒适度的阈值；L和k'为拟合参数；c 1和c 2为控制冷热设备开启概率减弱程度的系数（0≤c 1＜1，0≤c 2＜1），与房间内人数及人员习惯有关。
（五）建立建筑碳排放计算模型
建筑碳排放模型可由下式计算：
Figure 124815DEST_PATH_IMAGE011
式中，C room,j (t)为房间j在t时间段内的碳排放量；C con,j,x (t)为t时间段内房间j中连续设备x的碳排放量；C sta,j,y (t)为t时间段内房间j中待机设备y的碳排放量；C act,j,z (t)为t时间段内房间j中主动设备z的碳排放量；C h,j,v (t)为t时间段内房间j中冷热设备v制热时的碳排放量，C c,j,v (t)为t时间段内房间j中冷热设备v制冷时的碳排放量；C office (t)为建筑在t时间段内的总碳排放量。
（六）进行建筑碳排放预测模拟
建筑碳排放量预测模拟流程如图2所示。首先，利用（一）~（五）中建立的模型及参数进行预测模型初始化；其次，读取当前时间步的环境参数及各人员的行为信息，并更新人员移动后的位置信息；之后，计算人员行为触发用能设备状态变化的概率，并通过随机数和得到的概率的比较结果判断当前用能设备启停状态，计算更新当前时段各房间及建筑内的碳排放量；随后，判断人员行为是否使环境参数发生改变，若不发生改变则直接进入下一步，若发生改变则更新环境参数后进入下一步；最后，判断模拟时间步长是否达到设定值，是则完成模拟，否则返回第二步进行下一个时间步的模拟。
不难发现，本发明构建了包含人员、设备、环境三类智能体的多智能体碳排放预测模型，充分考虑人员行为、环境影响以及用能设备耗能情况，实现不同时间尺度（小时、日、周、月等）、不同空间尺度（房间、楼层、楼宇）的精细化碳排放预测，引导用户进一步节能降碳，促进建筑楼宇实现节能降碳精细化管控，充分挖掘建筑的减碳潜力。
本发明的第二实施方式涉及一种基于多智能体模拟的建筑碳排放预测装置，如图3所示，包括：
构建模块，用于构建多智能体模型，并对所述多智能体模型进行初始化，所述多智能体模型包括环境智能体、设备智能体以及人员智能体；
第一建立模块，用于建立所述设备智能体的碳排放计算模型；
第二建立模块，用于建立环境智能体的热/冷负荷计算模型；
第三建立模块，用于建立人员智能体的用能行为模型；
第四建立模块，用于建立建筑碳排放计算模型；
预测模拟模块，用于利用所述多智能体模型、设备智能体的碳排放计算模型、环境智能体的热/冷负荷计算模型、人员智能体的用能行为模型和建筑碳排放计算模型进行建筑碳排放预测模拟，得到不同时间段建筑不同房间及建筑总体碳排放量。
其中，所述构建模块包括环境智能体构建单元、设备智能体构建单元和人员智能体构建单元。
所述环境智能体构建单元用于构建房间智能体和室外环境智能体，并进行初始化。所述环境智能体初始化包括房间智能体的平面布置、墙体内表面积、墙体内表面与空气表面的传热系数、墙体材料比热容、房间内空气密度、房间与外部环境的换气量、房间与相邻房间的换气量、窗户表面积及对应的遮阳系数的初始化；所述的室外环境智能体初始化包括室外环境温度、照度的环境参数的初始化。
所述设备智能体构建单元用于构建连续设备智能体、待机设备智能体、冷热设备智能体和主动设备智能体，并进行初始化。所述设备智能体初始化包括设备智能体的数量、类型、初始状态、不同状态下对应的电功率以及位置的初始化。
所述人员智能体构建单元用于构建环保型人员智能体、节约型人员智能体、正常型人员智能体和浪费型人员智能体，并进行初始化。所述人员智能体初始化包括人员数量、人员的节能意识类型以及人员所在位置的初始化。
所述构建模块还用于对全局参数进行初始化，所述全局参数进行初始化是指碳排因子的初始化。
所述第一建立模块，包括：
第一建立单元，用于建立连续设备智能体的碳排放量计算模型：
Figure 260393DEST_PATH_IMAGE001
；
第二建立单元，用于建立待机设备智能体的碳排放量计算模型：
Figure 135551DEST_PATH_IMAGE002
；
第三建立单元，用于建立主动设备智能体的碳排放量计算模型：
Figure 738438DEST_PATH_IMAGE003
；
第四建立单元，用于建立冷热设备智能体的碳排放量计算模型：
Figure 320860DEST_PATH_IMAGE004
；
其中，P con (τ)为τ时刻连续设备的电功率，P con-1为连续设备的额定功率，C con (t)为t时段内连续设备的碳排放量，P sta (τ)为τ时刻待机设备的电功率，S表示待机设备的状态，S 0、S 1和S 2分别代表关闭、开启和待机，P sta-1为待机设备的额定功率，P sta-2为待机设备处于待机状态时的功率，C sta (t)为t时段内待机设备的碳排放量，P act (τ)为τ时刻主动设备的电功率，S'表示主动设备的状态，S' 0和S' 1分别代表关闭和开启，C act (t)为t时段内主动设备的碳排放量，P cold (τ)为τ时刻冷热设备在制冷时的电功率，P heat (τ)为τ时刻冷热设备在制热时的电功率，q cool (τ)为房间在τ时刻的冷负荷，q heat (τ)为房间在τ时刻的热负荷，COP cool 为冷热设备的制冷系数，COP heat 为冷热设备的制热系数，S''为冷热设备的状态，S'' 0和S'' 1分别代表关闭和开启，C c (t)为t时段内冷热设备在制冷时的碳排放量，C h (t)为t时段内冷热设备在制热时的碳排放量，c grid 为碳排放因子。
所述第二建立模块通过动态传热方程计算采暖季热负荷q heat (τ)和供冷季冷负荷q cool (τ)，所述动态传热方程为：
Figure 308015DEST_PATH_IMAGE013
其中，C r 为房间内的空气热容，T room 为房间内需要维持的温度，P n (τ)为τ时刻房间内第n个用电设备的电功率，ξ n 为房间内第n个用电设备的散热系数，M m 为房间内第m个人的质量，ζ m 为房间内第m个人的散热系数，S win,k 为房间内第k扇窗户的面积，D k 为房间内第k扇窗户的日辐射得热因子，Z win,k 为房间内第k扇窗户的遮阳系数，s i 为房间内第i面墙的内表面面积，h in 为墙体内表面与空气表面的传热系数，T r (τ)为τ时刻房间内的温度，T i (τ)为τ时刻房间内第i面墙的表面温度，C p 为墙体材料的比热容，ρ为空气密度，G out 为房间与室外环境的换气量，T out (τ)为τ时刻室外环境的温度，G adj 为房间与相邻房间的换气量，T room+1(τ)为τ时刻相邻房间的室内温度。
所述第三建立模块包括：
分类单元：用于将人员智能体的用能行为分为事件触发型和环境触发型；
事件触发型建立单元，用于建立事件触发型用能行为的概率模型：
Figure 357004DEST_PATH_IMAGE007
，其中，p ev 为事件触发型用能行为的概率，p e 为P e 或P n 或P s 或P w ，P e 、P n 、P s 和P w 分别表示环保型人员、节约型人员、正常型人员和浪费型人员关闭不使用电器的可能性；
环境触发型建立单元，用于建立环境触发型用能行为的概率模型：
Figure 701048DEST_PATH_IMAGE008
，
Figure 756335DEST_PATH_IMAGE009
，其中，p en 为人员在房间内时主动设备的开关动作概率，x表示房间内环境参数，X a 和X b 为控制主动设备的开关行为发生的阈值；p hot 为房间内人员感到闷热时打开冷热设备的概率，p cold 为房间内人员感到寒冷时打开冷热设备的概率，L和k'为拟合参数；c 1和c 2为控制冷热设备开启概率减弱程度的系数，T为房间内温度参数，u为控制舒适度的阈值。
所述第四建立模块建立的建筑碳排放计算模型为：
Figure 335346DEST_PATH_IMAGE014
，
其中，C room,j (t)为房间j在t时间段内的碳排放量；C con,j,x (t)为t时间段内房间j中连续设备x的碳排放量；C sta,j,y (t)为t时间段内房间j中待机设备y的碳排放量；C act,j,z (t)为t时间段内房间j中主动设备z的碳排放量；C h,j,v (t)为t时间段内房间j中冷热设备v制热时的碳排放量，C c,j,v (t)为t时间段内房间j中冷热设备v制冷时的碳排放量；C office (t)为建筑在t时间段内的总碳排放量。
所述预测模拟模块包括：
读取单元，用于读取当前时间步的环境参数及各人员的行为信息，并更新人员移动后的位置信息；
计算单元，用于基于所述人员智能体的用能行为模型计算人员行为触发用能设备状态变化的概率；
第一判断单元，用于根据所述概率与随机数的比较结果判断当前用能设备启停状态，基于所述建筑碳排放计算模型计算更新当前时段各房间及建筑内的碳排放量；
第二判断单元，判断人员行为是否使环境参数发生改变；
更新单元，用于在人员行为使环境参数发生改变时更新环境参数；
第三判断单元，用于在人员行为没有使环境参数发生改变时，判断模拟时间步长是否达到设定值，是则完成模拟，否则返回所述读取单元进行下一个时间步的模拟。
本发明的第三实施方式涉及一种电子设备，包括存储器、处理器及存储在存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现第一实施方式中基于多智能体模拟的建筑碳排放预测方法的步骤。
本发明的第四实施方式涉及一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现第一实施方式中基于多智能体模拟的建筑碳排放预测方法的步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。本发明实施例中的方案可以采用各种计算机语言实现，例如，面向对象的程序设计语言Java和直译式脚本语言JavaScript等。
本发明是参照根据本发明实施例的方法、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。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (13)

1.一种基于多智能体模拟的建筑碳排放预测方法，其特征在于，包括以下步骤：
构建多智能体模型，并对所述多智能体模型进行初始化，所述多智能体模型包括环境智能体、设备智能体以及人员智能体；
建立所述设备智能体的碳排放计算模型；
建立环境智能体的热/冷负荷计算模型；
建立人员智能体的用能行为模型；
建立建筑碳排放计算模型；
利用所述多智能体模型、设备智能体的碳排放计算模型、环境智能体的热/冷负荷计算模型、人员智能体的用能行为模型和建筑碳排放计算模型进行建筑碳排放预测模拟，得到不同时间段建筑不同房间及建筑总体碳排放量。
2.根据权利要求1所述的基于多智能体模拟的建筑碳排放预测方法，其特征在于，所述环境智能体包括房间智能体以及室外环境智能体；所述环境智能体初始化包括房间智能体的平面布置、墙体内表面积、墙体内表面与空气表面的传热系数、墙体材料比热容、房间内空气密度、房间与外部环境的换气量、房间与相邻房间的换气量、窗户表面积及对应的遮阳系数的初始化；所述的室外环境智能体初始化包括室外环境温度、照度的环境参数的初始化。
3.根据权利要求1所述的基于多智能体模拟的建筑碳排放预测方法，其特征在于，所述设备智能体包括连续设备智能体、待机设备智能体、冷热设备智能体和主动设备智能体；所述设备智能体初始化包括设备智能体的数量、类型、初始状态、不同状态下对应的电功率以及位置的初始化。
4.根据权利要求1所述的基于多智能体模拟的建筑碳排放预测方法，其特征在于，所述人员智能体包括环保型人员智能体、节约型人员智能体、正常型人员智能体和浪费型人员智能体；所述人员智能体初始化包括人员数量、人员的节能意识类型以及人员所在位置的初始化。
5.根据权利要求1所述的基于多智能体模拟的建筑碳排放预测方法，其特征在于，所述对所述多智能体模型进行初始化时，还包括对全局参数进行初始化，所述全局参数进行初始化是指碳排因子的初始化。
6.根据权利要求1所述的基于多智能体模拟的建筑碳排放预测方法，其特征在于，所述建立所述设备智能体的碳排放计算模型，包括：
建立连续设备智能体的碳排放量计算模型：
Figure 363030DEST_PATH_IMAGE001
；
建立待机设备智能体的碳排放量计算模型：
Figure 212299DEST_PATH_IMAGE002
；
建立主动设备智能体的碳排放量计算模型：
Figure 634797DEST_PATH_IMAGE003
；
建立冷热设备智能体的碳排放量计算模型：
Figure 849527DEST_PATH_IMAGE004
；
其中，P con (τ)为τ时刻连续设备的电功率，P con-1为连续设备的额定功率，C con (t)为t时段内连续设备的碳排放量，P sta (τ)为τ时刻待机设备的电功率，S表示待机设备的状态，S 0、S 1和S 2分别代表关闭、开启和待机，P sta-1为待机设备的额定功率，P sta-2为待机设备处于待机状态时的功率，C sta (t)为t时段内待机设备的碳排放量，P act (τ)为τ时刻主动设备的电功率，S'表示主动设备的状态，S' 0和S' 1分别代表关闭和开启，C act (t)为t时段内主动设备的碳排放量，P cold (τ)为τ时刻冷热设备在制冷时的电功率，P heat (τ)为τ时刻冷热设备在制热时的电功率，q cool (τ)为房间在τ时刻的冷负荷，q heat (τ)为房间在τ时刻的热负荷，COP cool 为冷热设备的制冷系数，COP heat 为冷热设备的制热系数，S''为冷热设备的状态，S'' 0和S'' 1分别代表关闭和开启，C c (t)为t时段内冷热设备在制冷时的碳排放量，C h (t)为t时段内冷热设备在制热时的碳排放量，c grid 为碳排放因子。
7.根据权利要求1所述的基于多智能体模拟的建筑碳排放预测方法，其特征在于，所述建立环境智能体的热/冷负荷计算模型，包括：
通过动态传热方程计算采暖季热负荷q heat (τ)和供冷季冷负荷q cool (τ)，所述动态传热方程为：
Figure 764525DEST_PATH_IMAGE005
其中，C r 为房间内的空气热容，T room 为房间内需要维持的温度，P n (τ)为τ时刻房间内第n个用电设备的电功率，ξ n 为房间内第n个用电设备的散热系数，M m 为房间内第m个人的质量，ζ m 为房间内第m个人的散热系数，S win,k 为房间内第k扇窗户的面积，D k 为房间内第k扇窗户的日辐射得热因子，Z win,k 为房间内第k扇窗户的遮阳系数，s i 为房间内第i面墙的内表面面积，h in 为墙体内表面与空气表面的传热系数，T r (τ)为τ时刻房间内的温度，T i (τ)为τ时刻房间内第i面墙的表面温度，C p 为墙体材料的比热容，ρ为空气密度，G out 为房间与室外环境的换气量，T out (τ)为τ时刻室外环境的温度，G adj 为房间与相邻房间的换气量，T room+1(τ)为τ时刻相邻房间的室内温度。
8.根据权利要求1所述的基于多智能体模拟的建筑碳排放预测方法，其特征在于，所述建立人员智能体的用能行为模型，包括：
将人员智能体的用能行为分为事件触发型和环境触发型；
建立事件触发型用能行为的概率模型：
Figure 691636DEST_PATH_IMAGE006
，其中，p ev 为事件触发型用能行为的概率，p e 为P e 或P n 或P s 或P w ，P e 、P n 、P s 和P w 分别表示环保型人员、节约型人员、正常型人员和浪费型人员关闭不使用电器的可能性；
建立环境触发型用能行为的概率模型：
Figure 655175DEST_PATH_IMAGE007
，
Figure 978273DEST_PATH_IMAGE008
，其中，p en 为人员在房间内时主动设备的开关动作概率，x表示房间内环境参数，X a 和X b 为控制主动设备的开关行为发生的阈值；p hot 为房间内人员感到闷热时打开冷热设备的概率，p cold 为房间内人员感到寒冷时打开冷热设备的概率，L和k'为拟合参数；c 1和c 2为控制冷热设备开启概率减弱程度的系数，T为房间内温度参数，u为控制舒适度的阈值。
9.根据权利要求1所述的基于多智能体模拟的建筑碳排放预测方法，其特征在于，所述建立的建筑碳排放计算模型为：
Figure 998925DEST_PATH_IMAGE009
，
其中，C room,j (t)为房间j在t时间段内的碳排放量；C con,j,x (t)为t时间段内房间j中连续设备x的碳排放量；C sta,j,y (t)为t时间段内房间j中待机设备y的碳排放量；C act,j,z (t)为t时间段内房间j中主动设备z的碳排放量；C h,j,v (t)为t时间段内房间j中冷热设备v制热时的碳排放量，C c,j,v (t)为t时间段内房间j中冷热设备v制冷时的碳排放量；C office (t)为建筑在t时间段内的总碳排放量。
10.根据权利要求1所述的基于多智能体模拟的建筑碳排放预测方法，其特征在于，所述利用所述多智能体模型、设备智能体的碳排放计算模型、环境智能体的热/冷负荷计算模型、人员智能体的用能行为模型和建筑碳排放计算模型进行建筑碳排放预测模拟，得到不同时间段建筑不同房间及建筑总体碳排放量具体为：
读取当前时间步的环境参数及各人员的行为信息，并更新人员移动后的位置信息；
基于所述人员智能体的用能行为模型计算人员行为触发用能设备状态变化的概率，并判断当前用能设备启停状态，基于所述建筑碳排放计算模型计算更新当前时段各房间及建筑内的碳排放量；
判断人员行为是否使环境参数发生改变，若不发生改变则直接进入下一步，若发生改变则更新环境参数后进入下一步；
判断模拟时间步长是否达到设定值，是则完成模拟，否则返回所述读取当前时间步的环境参数及各人员的行为信息，并更新人员移动后的位置信息的步骤进行下一个时间步的模拟。
11.一种基于多智能体模拟的建筑碳排放预测装置，其特征在于，包括：
构建模块，用于构建多智能体模型，并对所述多智能体模型进行初始化，所述多智能体模型包括环境智能体、设备智能体以及人员智能体；
第一建立模块，用于建立所述设备智能体的碳排放计算模型；
第二建立模块，用于建立环境智能体的热/冷负荷计算模型；
第三建立模块，用于建立人员智能体的用能行为模型；
第四建立模块，用于建立建筑碳排放计算模型；
预测模拟模块，用于利用所述多智能体模型、设备智能体的碳排放计算模型、环境智能体的热/冷负荷计算模型、人员智能体的用能行为模型和建筑碳排放计算模型进行建筑碳排放预测模拟，得到不同时间段建筑不同房间及建筑总体碳排放量。
12.一种电子设备，包括存储器、处理器及存储在存储器上并能够在所述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计算机程序时实现如权利要求1-10中任一所述基于多智能体模拟的建筑碳排放预测方法的步骤。
13.一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，所述计算机程序被处理器执行时实现如权利要求1-10中任一所述基于多智能体模拟的建筑碳排放预测方法的步骤。
CN202211669812.6A 2022-12-25 2022-12-25 一种基于多智能体模拟的建筑碳排放预测方法和装置 Active CN115630434B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211669812.6A CN115630434B (zh) 2022-12-25 2022-12-25 一种基于多智能体模拟的建筑碳排放预测方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211669812.6A CN115630434B (zh) 2022-12-25 2022-12-25 一种基于多智能体模拟的建筑碳排放预测方法和装置

Publications (2)

Publication Number Publication Date
CN115630434A true CN115630434A (zh) 2023-01-20
CN115630434B CN115630434B (zh) 2023-04-07

Family

ID=84909891

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211669812.6A Active CN115630434B (zh) 2022-12-25 2022-12-25 一种基于多智能体模拟的建筑碳排放预测方法和装置

Country Status (1)

Country Link
CN (1) CN115630434B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116468143A (zh) * 2023-02-17 2023-07-21 广东省城乡规划设计研究院有限责任公司 基于多智能体建模的城市交通碳排放预测方法及装置
CN116738232A (zh) * 2023-06-16 2023-09-12 中国科学院空天信息创新研究院 一种基于ftir光谱的城市大气碳排放分布检测方法
CN116757364A (zh) * 2023-06-28 2023-09-15 广州珠江外资建筑设计院有限公司 一种基于bim技术的碳排放评估方法及系统
CN117172352A (zh) * 2023-07-20 2023-12-05 南京电力设计研究院有限公司 一种数字化园区建筑碳排放优化设计方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101737849A (zh) * 2010-02-05 2010-06-16 山东建筑大学 基于多Agent技术和信息融合的建筑供热节能系统及方法
EP2755173A1 (en) * 2013-01-10 2014-07-16 Fujitsu Limited Computer-implemented method, program and apparatus for coupling flooding simulation and evacuation simulation in a populated area
US20160226308A1 (en) * 2015-02-02 2016-08-04 David Valin Wall Paneling Construction Smart Apparatus and System
CN113435095A (zh) * 2021-06-11 2021-09-24 中国电力科学研究院有限公司 一种用于综合能源系统的优化调度的方法及系统
CN113739360A (zh) * 2021-08-31 2021-12-03 广州汇电云联互联网科技有限公司 基于冷站多智能体的节能控制方法、装置、设备及介质
US20220108622A1 (en) * 2020-10-07 2022-04-07 Lghorizon, Llc Predictive building emergency training and guidance system
CN114723134A (zh) * 2022-04-07 2022-07-08 江苏丰彩节能科技有限公司 一种多情景建筑碳排放预测方法及装置
CN114897253A (zh) * 2022-05-23 2022-08-12 安徽大学 基于多智能体的电能路由器调度优化方法
CN115115089A (zh) * 2022-05-17 2022-09-27 国网上海市电力公司 建筑碳排放量预测分析方法、系统、终端及介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101737849A (zh) * 2010-02-05 2010-06-16 山东建筑大学 基于多Agent技术和信息融合的建筑供热节能系统及方法
EP2755173A1 (en) * 2013-01-10 2014-07-16 Fujitsu Limited Computer-implemented method, program and apparatus for coupling flooding simulation and evacuation simulation in a populated area
US20160226308A1 (en) * 2015-02-02 2016-08-04 David Valin Wall Paneling Construction Smart Apparatus and System
US20220108622A1 (en) * 2020-10-07 2022-04-07 Lghorizon, Llc Predictive building emergency training and guidance system
CN113435095A (zh) * 2021-06-11 2021-09-24 中国电力科学研究院有限公司 一种用于综合能源系统的优化调度的方法及系统
CN113739360A (zh) * 2021-08-31 2021-12-03 广州汇电云联互联网科技有限公司 基于冷站多智能体的节能控制方法、装置、设备及介质
CN114723134A (zh) * 2022-04-07 2022-07-08 江苏丰彩节能科技有限公司 一种多情景建筑碳排放预测方法及装置
CN115115089A (zh) * 2022-05-17 2022-09-27 国网上海市电力公司 建筑碳排放量预测分析方法、系统、终端及介质
CN114897253A (zh) * 2022-05-23 2022-08-12 安徽大学 基于多智能体的电能路由器调度优化方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
MBILINYIA B P: "GIS-baseddecision support system for identifying potential sites forrainwater harvesting" *
孙禹: "基于人行为影响的住区建筑多主体集成能耗模型" *
黄易君成: "基于个体时空行为模拟的区域电供暖负荷特性建模" *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116468143A (zh) * 2023-02-17 2023-07-21 广东省城乡规划设计研究院有限责任公司 基于多智能体建模的城市交通碳排放预测方法及装置
CN116738232A (zh) * 2023-06-16 2023-09-12 中国科学院空天信息创新研究院 一种基于ftir光谱的城市大气碳排放分布检测方法
CN116738232B (zh) * 2023-06-16 2024-05-31 中国科学院空天信息创新研究院 一种基于ftir光谱的城市大气碳排放分布检测方法
CN116757364A (zh) * 2023-06-28 2023-09-15 广州珠江外资建筑设计院有限公司 一种基于bim技术的碳排放评估方法及系统
CN117172352A (zh) * 2023-07-20 2023-12-05 南京电力设计研究院有限公司 一种数字化园区建筑碳排放优化设计方法
CN117172352B (zh) * 2023-07-20 2024-04-02 南京电力设计研究院有限公司 一种数字化园区建筑碳排放优化设计方法

Also Published As

Publication number Publication date
CN115630434B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
CN115630434B (zh) 一种基于多智能体模拟的建筑碳排放预测方法和装置
Taveres-Cachat et al. Responsive building envelope concepts in zero emission neighborhoods and smart cities-A roadmap to implementation
Sun et al. A framework for quantifying the impact of occupant behavior on energy savings of energy conservation measures
Salcido et al. From simulation to monitoring: Evaluating the potential of mixed-mode ventilation (MMV) systems for integrating natural ventilation in office buildings through a comprehensive literature review
Doukas et al. Intelligent building energy management system using rule sets
Moon Performance of ANN-based predictive and adaptive thermal-control methods for disturbances in and around residential buildings
Anvari-Moghaddam et al. Optimal smart home energy management considering energy saving and a comfortable lifestyle
Homod et al. Energy saving by integrated control of natural ventilation and HVAC systems using model guide for comparison
Reynders et al. Potential of structural thermal mass for demand-side management in dwellings
Mossolly et al. Optimal control strategy for a multi-zone air conditioning system using a genetic algorithm
Spindler et al. Naturally ventilated and mixed-mode buildings—Part II: Optimal control
Chen et al. Realizing natural ventilation potential through window control: The impact of occupant behavior
Yang et al. Experimental study of a model predictive control system for active chilled beam (ACB) air-conditioning system
Daum et al. Identifying important state variables for a blind controller
Qin et al. Energy-efficient heating control for nearly zero energy residential buildings with deep reinforcement learning
Sheikhnejad et al. Can buildings be more intelligent than users?-The role of intelligent supervision concept integrated into building predictive control
Peng et al. Case study review: Prediction techniques in intelligent HVAC control systems
Chapman et al. Coupling multi-agent stochastic simulation of occupants with building simulation
Shen et al. Advanced control framework of regenerative electric heating with renewable energy based on multi-agent cooperation
Fabi et al. The influence of occupant's behaviour in a high performing building
Verbruggen et al. Stochastic occupant behaviour model: impact on residential energy use
CN110942262B (zh) 一种面向增量配电园区内空调需求响应的分区域调控方法
Sun et al. A simulation framework for quantifying the influence of occupant behavior on savings of energy efficiency measures
Tanner et al. Quantifying the impact of occupant behavior in mixed mode buildings
Daum et al. Assessing the saving potential of blind controller via multi-objective optimization

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