CN116579506B - 一种基于大数据的建筑能耗数据智能管理方法及系统 - Google Patents
一种基于大数据的建筑能耗数据智能管理方法及系统 Download PDFInfo
- Publication number
- CN116579506B CN116579506B CN202310856198.2A CN202310856198A CN116579506B CN 116579506 B CN116579506 B CN 116579506B CN 202310856198 A CN202310856198 A CN 202310856198A CN 116579506 B CN116579506 B CN 116579506B
- Authority
- CN
- China
- Prior art keywords
- information
- energy consumption
- data
- building
- 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.)
- Active
Links
- 238000005265 energy consumption Methods 0.000 title claims abstract description 227
- 238000007726 management method Methods 0.000 title claims abstract description 42
- 238000005286 illumination Methods 0.000 claims abstract description 122
- 238000012545 processing Methods 0.000 claims abstract description 70
- 238000004364 calculation method Methods 0.000 claims abstract description 36
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000004088 simulation Methods 0.000 claims abstract description 28
- 238000005457 optimization Methods 0.000 claims abstract description 27
- 238000004378 air conditioning Methods 0.000 claims abstract description 24
- 238000010276 construction Methods 0.000 claims abstract description 19
- 238000007405 data analysis Methods 0.000 claims abstract description 18
- 230000033228 biological regulation Effects 0.000 claims abstract description 12
- 238000003909 pattern recognition Methods 0.000 claims abstract description 9
- 238000005094 computer simulation Methods 0.000 claims abstract description 8
- 238000004458 analytical method Methods 0.000 claims description 24
- 230000000694 effects Effects 0.000 claims description 24
- 230000009471 action Effects 0.000 claims description 23
- 238000000354 decomposition reaction Methods 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 238000011217 control strategy Methods 0.000 claims description 16
- 238000012544 monitoring process Methods 0.000 claims description 12
- 239000002245 particle Substances 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 12
- 238000012546 transfer Methods 0.000 claims description 12
- 230000007613 environmental effect Effects 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 10
- 238000013178 mathematical model Methods 0.000 claims description 10
- 238000013461 design Methods 0.000 claims description 9
- 230000001276 controlling effect Effects 0.000 claims description 8
- 230000003993 interaction Effects 0.000 claims description 8
- 230000005540 biological transmission Effects 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 7
- 230000005855 radiation Effects 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 5
- 230000010354 integration Effects 0.000 claims description 5
- 239000000463 material Substances 0.000 claims description 5
- 230000001105 regulatory effect Effects 0.000 claims description 4
- 238000011002 quantification Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 2
- 230000000875 corresponding effect Effects 0.000 description 11
- 210000000349 chromosome Anatomy 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 6
- 230000001932 seasonal effect Effects 0.000 description 6
- 230000035772 mutation Effects 0.000 description 5
- 230000000737 periodic effect Effects 0.000 description 4
- 238000000513 principal component analysis Methods 0.000 description 4
- 108090000623 proteins and genes Proteins 0.000 description 4
- 238000013523 data management Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 230000002068 genetic effect Effects 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000020169 heat generation Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000002194 synthesizing effect Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
- 238000002759 z-score normalization Methods 0.000 description 1
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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Mathematical Optimization (AREA)
- Marketing (AREA)
- Mathematical Analysis (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于大数据的建筑能耗数据智能管理方法及系统,涉及建筑物能源管理技术领域,包括获取第一信息、第二信息和第三信息;根据第一信息进行模型构建处理得到第四信息,第四信息包括建筑物的综合能耗模型;根据第四信息和第二信息进行数据分析和模式识别,预测得到第五信息;根据第五信息进行能耗计算,并将计算得到的能耗数据进行优化处理得到第六信息,第六信息包括空气调节系统和照明系统的调节计划;根据第四信息和第二信息进行动态模拟处理,并根据模拟结果对第六信息进行优化。本发明通过构建建筑物的热能量模型和光照模型,结合数据分析和模式识别技术,能够预测建筑物的综合能耗模型和光照需求模式。
Description
技术领域
本发明涉及建筑物能源管理技术领域,具体而言,涉及一种基于大数据的建筑能耗数据智能管理方法及系统。
背景技术
随着全球社会的快速发展,人们对可持续发展和环境保护的意识不断增强。建筑行业作为能源消耗的主要领域之一,其能耗管理问题日益突出。建筑能耗数据管理的有效性对于降低能源消耗、提高能源利用效率以及减少环境影响具有重要意义。然而,在过去的一段时间里,现有的建筑能耗数据管理方法存在一些问题。首先,基于经验和规则的能耗管理方法无法适应日益复杂和多变的能耗需求,难以实现精细化的能源控制。此外,缺乏智能化的数据分析和模式识别技术,使得能耗管理无法及时响应变化的需求,并且缺乏个性化的能耗管理方案。
基于上述问题,现亟需一种基于大数据的建筑能耗数据智能管理方法及系统。
发明内容
本发明的目的在于提供一种基于大数据的建筑能耗数据智能管理方法及系统,以改善上述问题。为了实现上述目的,本发明采取的技术方案如下:
一方面,本申请提供了一种基于大数据的建筑能耗数据智能管理方法,包括:
获取第一信息、第二信息和第三信息,所述第一信息包括建筑物的设计数据、环境数据、人员分布数据和电气布设方案,所述第二信息包括历史建筑能耗数据,所述第三信息包括短期天气预测数据和实时监测能耗数据;
根据所述第一信息进行模型构建处理得到第四信息,所述第四信息包括建筑物的综合能耗模型;
根据所述第四信息和第二信息进行数据分析和模式识别,预测得到第五信息,所述第五信息包括建筑物中各房间的热量需求和光照需求;
根据所述第五信息进行能耗计算,并将计算得到的建筑物电能能耗数据进行优化处理得到第六信息,所述第六信息包括空气调节系统和照明系统的调节计划;
根据所述第四信息和所述第二信息进行动态模拟处理,并根据模拟结果对所述第六信息进行优化得到实施计划,基于所述实施计划对能耗进行控制。
另一方面,本申请还提供了一种基于大数据的建筑能耗数据智能管理系统,包括:
获取模块,用于获取第一信息、第二信息和第三信息,所述第一信息包括建筑物的设计数据、环境数据、人员分布数据和电气布设方案,所述第二信息包括历史建筑能耗数据,所述第三信息包括短期天气预测数据和实时监测能耗数据;
构建模块,用于根据所述第一信息进行模型构建处理得到第四信息,所述第四信息包括建筑物的综合能耗模型;
预测模块,用于根据所述第四信息和第二信息进行数据分析和模式识别,预测得到第五信息,所述第五信息包括建筑物中各房间的热量需求和光照需求;
计算模块,用于根据所述第五信息进行能耗计算,并将计算得到的建筑物电能能耗数据进行优化处理得到第六信息,所述第六信息包括空气调节系统和照明系统的调节计划;
模拟模块,用于根据所述第四信息和所述第二信息进行动态模拟处理,并根据模拟结果对所述第六信息进行优化得到实施计划,基于所述实施计划对能耗进行控制。
本发明的有益效果为:
本发明通过构建建筑物的热能量模型和光照模型,结合数据分析和模式识别技术,能够预测建筑物的综合能耗模型和光照需求模式。基于这些模型进行能耗计算、优化处理和调节计划生成,实现对空调系统和照明系统的精细化控制和能源优化。相较于简单的能耗分析和统计方法,本发明能够更准确地预测能耗需求和制定优化方案。
本发明的其他特征和优点将在随后的说明书阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明实施例了解。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本发明实施例中所述的基于大数据的建筑能耗数据智能管理方法流程示意图;
图2为本发明实施例中所述的基于大数据的建筑能耗数据智能管理系统结构示意图。
图中标记:1、获取模块;2、构建模块;21、第一计算单元;22、第一分析单元;23、第二分析单元;231、第一聚类单元;232、第一提取单元;233、第一处理单元;234、第二处理单元;235、第三处理单元;24、第一构建单元;3、预测模块;31、第二提取单元32、第四处理单元;33、第二聚类单元;34、第一分解单元;35第二构建单元;4、计算模块;41、第一模拟单元;42、第一优化单元;43、第二计算单元;5、模拟模块;51、第二模拟单元;52、第二优化单元;53;第三计算单元;54、第一调节单元。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。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他实施例,都属于本发明保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本发明的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
实施例1:
本实施例提供了一种基于大数据的建筑能耗数据智能管理方法。
参见图1,图中示出了本方法包括步骤S100、步骤S200、步骤S300、步骤S400和步骤S500。
步骤S100、获取第一信息、第二信息和第三信息,第一信息包括建筑物的设计数据、环境数据、人员分布数据和电气布设方案,第二信息包括历史建筑能耗数据,第三信息包括短期天气预测数据和实时监测能耗数据。
可以理解的是,本步骤中设计数据包括建筑的平面图、立面图和构造图,以及电气系统的线路图和配电盘布置。环境数据包括室内外温度、湿度、光照等环境参数。人员分布数据指建筑内人员的分布密度、活动范围等信息。电气布设方案则涉及建筑物内电气设备的布局和连接。历史建筑能耗数据提供了建筑物过去一段时间内的能耗情况。通过分析历史能耗数据,可以了解建筑的能耗趋势、峰谷负荷、能效指标等信息,为制定合理的能耗管理策略提供依据。短期天气预测数据提供了未来一段时间内的天气变化趋势,包括温度、湿度、风速等信息。实时监测能耗数据则通过传感器等设备实时采集建筑物的能耗数据,包括电力、照明、空调等系统的实时使用情况。
步骤S200、根据第一信息进行模型构建处理得到第四信息,第四信息包括建筑物的综合能耗模型。
可以理解的是,本步骤中综合能耗模型包括光照模型和热能量模型。热能量模型能够描述建筑物内部的热量分布、热传输和与外部环境的相互作用,为后续能耗预测和优化提供基础。光照模型包括建筑物内不同区域和时间段内的光照需求特征,可以帮助确定建筑物内的照明需求和控制策略。需要说明的是,步骤S200包括步骤S210、步骤S220、步骤S230和步骤S240。
步骤S210、根据第一信息中的建筑结构、外墙材料、窗户类型、室外温度、湿度、太阳辐射和设备功率信息,使用预设的热力学数学模型进行热能量计算和建模处理得到建筑物的热能量模型,热能量模型用于描述建筑物内部的热量分布、热传输和与外部环境的相互作用。
可以理解的是,本步骤中利用建筑结构、外墙材料和窗户类型等数据,通过预设的热力学数学模型进行热能量计算,该模型考虑了建筑物内部的热量分布、热传输和与外部环境的相互作用,可以定量描述建筑物内部的热量分布和热传输过程。同时,室外温度、湿度和太阳辐射等环境参数也被考虑在内,以更准确地模拟建筑物与外界环境的热交换。其次,将设备功率信息纳入模型,通过考虑设备在建筑物内的热负荷和热产生量,进一步完善热能量模型的精度和准确性。设备功率的变化对建筑物的热平衡和能耗有着重要的影响,因此将其纳入模型能够更好地反映实际能耗情况。热能量模型的构建使得我们能够更好地理解建筑物的热特性,并为能源管理和节能提供有针对性的措施和策略。涉及的计算公式如下:
步骤S211、热能量计算公式:
通过考虑建筑物内不同区域的结构设置和热传导特性,以及不同时间段的热负荷变化,可以使用以下公式计算每个区域在不同时间段的热量分布:
;
其中,t表示时间段;i,j分别表示建筑物的空间区域名称;表示在时间段t内区域i与区域j间的热量分布;/>表示区域i与区域j间的体积流率;/>示区域i与区域j间的比热容;/>表示时间段t内区域i与区域j间的温度;/>表示时间段t内的室外温度;/>表示时间段t内区域i和区域j中的设备热产生量。
步骤S212、热传输公式:
考虑建筑物内部的热传导、对流和辐射传热以及不同区域之间的热传输关系,可以使用以下公式进行模拟:
;
其中,t表示时间段;i,j分别表示建筑物的空间区域名称;表示在时间段t内区域i与区域j间的热传输量;/>表示区域i与区域j间的热传导系数;/>表示区域i与区域j间的表面积;/>表示时间段t内区域i的温度;/>表示时间段t内区域j的温度;表示时间段t内区域i与区域j间窗户的热传输量。
步骤S220、根据人员分布数据中的人员进出建筑物时间分布数据和活动区域分布数据进行轨迹分析得到人员在建筑物内的行动规律数据。
可以理解的是,本步骤中通过对人员进出建筑物的时间分布数据进行分析,可以获得人员进出建筑物的频率和时间段分布情况。同时,通过对人员活动区域分布数据进行分析,可以了解人员在建筑物内的偏好区域和活动范围。人员在建筑物内的行动规律数据包括人员在不同区域的停留时间、区域之间的移动路径以及人员活动的时间分布。这些行动规律数据反映了人员在建筑物内的行为模式和行动习惯,为后续能耗管理和控制策略的制定提供了重要依据。进一步地,人员行动规律数据可以与其他数据进行关联,如照明需求、空调需求等,以进一步深入理解建筑物内部的人员行为与能耗之间的关系。
步骤S230、根据行动规律数据进行数据分析处理,通过对人员行动规律和光照需求之间的关系进行建模和识别,得到建筑物的光照需求模式,光照需求模式包括建筑物内不同区域和时间段内的光照需求特征。
可以理解的是,本步骤中从行动规律数据中挖掘出建筑物的光照需求模式,为照明系统的调节和控制提供依据。需要说明的是,步骤S230包括步骤S231、步骤S232、步骤S233、步骤S234和步骤S235。
步骤S231、基于人员在不同区域的活动频率和活动时间段将行动规律数据进行聚类分析得到聚类结果,聚类结果中的每个聚类簇表示一种光照需求模式。
优选地,本步骤中采用层次聚类对样本进行聚类处理。首先将人员在不同区域的活动频率和活动时间段作为样本数据。层次聚类是一种自底向上的聚类方法,通过逐步合并相似的样本来构建聚类簇的层次结构。具体地,选择适当的相似性度量方法,如相关系数计算样本之间的相似性。接下来将每个样本作为一个初始聚类簇,在聚类合并阶段使用平均链接作为距离计算方法,计算距离最近的两个聚类簇之间的距离,并将它们合并为一个新的聚类簇。这一合并过程重复进行,直到所有样本都被合并为一个聚类簇。最后,对聚类结果进行分析和验证,以确保得到具有意义和可行性的光照需求模式。通过这些步骤,能够从人员行动规律数据中识别出建筑物内部不同区域的光照需求模式,为优化能源管理和提高舒适性提供重要的参考。在本实施例中,相关系数能够更准确地衡量行动规律之间的关联程度,而平均链接能够综合考虑所有样本之间的相互作用。通过层次聚类方法,能够在不预先指定聚类数目的情况下,自动将样本分为具有相似光照需求模式的聚类簇。
步骤S232、对聚类结果中的每个聚类簇进行特征提取和分析得到光照需求特征集合,光照需求特征集合包括至少一种光照需求类别以及对应的平均光照强度和光照变化幅度。
可以理解的是,本步骤中对于每个聚类簇,分析该簇中样本的行动规律数据。在分析过程中,根据行动规律数据的特点和模式,确定光照需求类别。例如,可以识别出“高活动频率,长时间活动”的类别、"低活动频率,短时间活动"的类别等。这些类别反映了不同行动规律对光照的需求程度和模式。对于每个光照需求类别,计算平均光照强度和光照变化幅度。平均光照强度是指在该光照需求类别下,建筑物内部不同区域在特定时间段内的平均光照强度值。光照变化幅度是指光照强度在该类别下的波动程度,优选地,可以通过计算标准差、范围等指标来描述。最后进行统计分析和特征提取,将得到的光照需求类别、平均光照强度和光照变化幅度组成光照需求特征集合。这些特征集合能够描述每个聚类簇所代表的光照需求模式,以及该模式下的光照特征。这为照明系统的设计和能源管理提供了重要的参考依据,能够实现精确的光照调节和能源优化。
步骤S233、根据光照特征集合进行标准化处理,通过消除光照强度和光照变化幅度参数间的尺度差异,得到标准化数据。
可以理解的是,本步骤中标准化处理的目的是将不同参数的值映射到相同的尺度范围,以消除尺度差异对后续分析的影响。本实施例中提出一个改进的Z分数标准化方法,涉及的公式如下:
;
;
其中,i表示样本的索引;表示i样本的光照强度Z分数值;/>表示光照强度参数的均值;/>表示光照强度参数的标准差;/>表示光照变化幅度参数的均值;/>表示光照变化幅度参数的均值;/>表示i样本的光照变化幅度Z分数值;/>表示样本i的参数值;/>表示所有参数值的集合;/>表示集合/>中的最大值;/>是一个小的正常数,用于避免除以零。该方法考虑了数据特征的非线性关系,能够更准确地反映不同指标之间的复杂关系,提高数据标准化的精度;其次,该方法考虑了数据的时序性,能够更好地捕捉数据的时间演变规律,提供更准确的预测和分析。
步骤S234、根据标准化数据进行主成分分析处理,将标准化后的光照特征集合转换为主成分集合,并计算主成分集合中各主成分之间的方差贡献率筛选得到关键主成分特征集。
可以理解的是,本步骤中将经过标准化的光照特征集合进行主成分分析,通过线性变换将其转换为一组主成分集合。主成分分析能够将原始特征数据转化为具有更高解释性和更少冗余信息的主成分。同时,通过计算每个主成分的方差贡献率,对主成分集合进行筛选,选择具有较高方差贡献率的主成分作为关键主成分特征集。方差贡献率表示每个主成分对总方差的贡献程度,方差贡献率较高的主成分包含了更多原始数据的信息。通过这一步骤的处理,可以将原始的光照特征集合转换为更少且具有较高解释性的关键主成分特征集,减少数据维度并保留重要的信息。
步骤S235、根据关键主成分特征集进行关联规则挖掘处理,通过分析光照需求特征之间的关联性和依赖性得到建筑物的光照需求模式。
可以理解的是,本步骤中通过分析关键主成分特征集中的光照需求特征之间的关联性和依赖性,可以挖掘出它们之间的关联规则。关联规则是描述特征之间关联关系的模式,可以揭示光照需求特征之间的潜在关系和依赖关系。通过挖掘关联规则可以发现在不同条件下,光照需求特征之间的相互关系和影响,包括:光照强度与活动区域的关系,光照强度与特定活动区域的需求存在正向关联,例如在办公区域中,较高的光照强度与提高工作效率和舒适性相关;光照变化幅度与活动时间段的关系,不同的活动时间段,人们对光照变化的容忍程度有所不同,例如,在白天和夜晚人们对光照变化的敏感度可能存在差异;光照需求类别与活动频率的关系,不同的光照需求类别与特定活动频率相关联,例如在会议室中,较高的光照需求类别与会议的频率和时间段相关;光照强度与热量分布的关系,光照强度与建筑物内部的热量分布存在一定的关系,例如,在大量玻璃幕墙的区域,较高的光照强度可能导致热量的积聚,进而影响该区域的舒适性。其次,通过关联规则挖掘的结果,可以得到建筑物的光照需求模式,即不同光照需求特征之间的关系和依赖模式。这些模式可以帮助我们更好地理解建筑物的光照需求特征,并为光照系统的调控提供有针对性的建议和决策依据。
步骤S240、根据热能量模式和光照需求模式,采用层次分析法进行权重量化和比较构建得到建筑物的综合能耗模型。
可以理解的是,本步骤中通过层次分析法,可以对不同因素进行逐层的比较和评估,最终得出它们的相对权重。这些因素包括建筑物的热能量分布、光照需求特征以及其他可能影响能耗的因素。将得到的权重与相应的热能量模式和光照需求模式进行综合,得到建筑物的综合能耗模型。这个模型将考虑热能量分布、光照需求特征以及各个因素的相对重要性,从而能够更准确地预测建筑物的能耗情况。具体地,按照以下步骤进行层次分析:
步骤S241、建立一个层次结构,将不同的因素按照层次和关联关系进行排列。在本实施例中,将层次结构划分为三个层次:顶层为综合能耗,中层为热能量模式和光照需求模式,底层为具体的因素,如建筑物属性、设备功率等。
步骤S242、将对不同层次的因素进行两两比较,以确定它们之间的相对重要性。优选地,在比较过程中根据专家判断或数据分析的方法,给出相对权重的判断。例如,对于中层的热能量模式和光照需求模式,可以比较它们对综合能耗的贡献程度,确定它们之间的相对重要性。
步骤S243、根据两两比较的结果,构建一个比较矩阵。比较矩阵是一个正方形矩阵,其中每个元素表示对应因素之间的相对权重。根据比较矩阵的构建规则,将相对权重进行标准化处理,以确保每个因素对应的权重之和为1。
步骤S244、通过对比较矩阵进行特征向量的计算,得出每个因素的权重。特征向量是比较矩阵的最大特征值对应的特征向量,它表示了各个因素的相对重要性。
步骤S245、将得到的权重与相应的热能量模式和光照需求模式进行综合,构建建筑物的综合能耗模型。在这个模型中,考虑了各个因素的相对重要性,从而能够更准确地预测建筑物的能耗情况。
步骤S300、根据第四信息和第二信息进行数据分析和模式识别,预测得到第五信息,第五信息包括建筑物中各房间的热量需求和光照需求。
可以理解的是,本步骤中利用建筑物的热能量模型和光照模型,结合历史建筑能耗数据,进行数据分析,以了解建筑物中各个房间的热量需求和光照需求的模式和趋势。通过对历史能耗数据的分析,可以发现建筑物能耗的周期性变化、峰值需求时段以及与外部环境因素的关联等信息。然后应用模式识别的方法,基于已有的模式和趋势,预测未来的综合能耗模式。这将帮助我们了解建筑物中各房间未来的热量需求和光照需求,从而有效规划能源使用和光照控制策略。通过综合能耗模式的预测,能够实现对建筑物能耗的精确预测和调控,提高能源利用效率,减少能源浪费。需要说明的是,步骤S300包括步骤S310、步骤S320、步骤S330、步骤S340和步骤S350。
步骤S310、根据第四信息中的热量需求和光照需求数据,通过提取统计特征和构建滞后特征处理,结合历史建筑中能耗数据,得到时间序列特征。
可以理解的是,本步骤中首先提取第四信息中的热量需求和光照需求数据的统计特征,这些统计特征包括均值、方差、最大值、最小值等,用于描述热量和光照的整体趋势和变化范围。通过对这些统计特征的提取,可以获取建筑物中各房间热量需求和光照需求的整体特征。接下来通过构建滞后特征,捕捉时间序列数据中的时间延迟效应。具体地,通过将当前时刻的热量需求和光照需求数据与之前时刻的数据进行比较,可以获得热量和光照需求的滞后特征。这些滞后特征包括一阶差分、二阶差分等,用于描述热量和光照需求的变化速率和趋势。滞后特征的引入能够更准确地反映建筑物中热量和光照需求的动态变化。
步骤S320、根据时间序列特征进行滑动窗口处理,并基于预设的时间步长和预测步长按照时间顺序构建得到时间序列数据集,时间序列数据集包括每个时间步的热量需求、光照需求、环境条件以及对应的历史建筑能耗值。
可以理解的是,本步骤中使用滑动窗口的方法来划分时间序列数据,以便构建训练样本和预测样本。滑动窗口的大小由预设的时间步长确定,表示每个样本所包含的历史数据长度。然后根据滑动窗口的步幅,依次将窗口滑动到下一个时间步,构建下一个样本。这样通过逐步遍历时间序列数据,获得一系列的样本。时间序列数据集的构建为我们提供了有序、连续的样本,有助于更准确地捕捉建筑物能耗的时间相关性和趋势。
步骤S330、根据时间序列数据进行时序聚类处理,将具有相似变化模式的样本归为同一类别,得到时序聚类结果。
可以理解的是,本步骤中时序聚类是一种针对时间序列数据的聚类方法,旨在发现数据中的相似模式和趋势。优选地,应用基于模型的聚类方法对时间序列数据进行聚类分析。时序聚类的过程涉及将时间序列数据划分为多个聚类簇,每个聚类簇代表具有相似变化模式的样本。聚类算法通过考虑样本之间的相似性和距离,测量它们之间的距离或应用统计模型来确定样本的相似性。通过时序聚类处理将时间序列数据划分为不同的聚类簇,其中每个聚类簇代表一种特定的变化模式,有助于我们对综合能耗模式进行更深入的理解和分析,为我们提供了对建筑物能耗的不同模式和趋势的洞察,有助于在能源管理和优化方面做出更有针对性的决策和措施。
步骤S340、根据时序聚类结果中每个聚类类别的时序数据样本进行多变量时间序列分解处理,通过捕捉各变量之间的关系和特点,将时序数据样本拆分为趋势、季节性和残差三部分,得到时序分解结果。
可以理解的是,本步骤中的时序分解过程中,考虑建筑物能耗和光照需求等多个变量之间的相互作用和依赖关系。通过拆分时序数据样本,可以得到以下三个部分:
趋势部分:该部分反映了时序数据中的长期变化趋势,包括建筑物能耗和光照需求的整体增长或下降趋势。趋势部分可以识别建筑物能耗和光照需求的整体变化模式,以及与时间相关的长期影响因素。
季节性部分:该部分反映了时序数据中的周期性变化,如每天、每周或每月的重复模式。季节性部分可以识别建筑物能耗和光照需求的周期性变化,如每天的用电高峰期或季节性的光照变化。这些周期性模式通常与建筑物的使用习惯、天气条件等因素有关。
残差部分:该部分包含了时序数据中无法由趋势和季节性解释的部分。残差部分可以反映建筑物能耗和光照需求中的随机波动和异常情况。通过分析残差部分,可以发现和处理与建筑物能耗和光照需求相关的异常事件,如突发的用电峰值或异常的光照变化。
通过时序分解的结果,可以更好地理解和分析建筑物能耗和光照需求的时序数据,并为后续的能耗预测、光照调控等工作提供更准确的基础。
步骤S350、根据时序分解结果和预设的深度学习数学模型预测得到第五信息。
可以理解的是,本步骤中将时序分解得到的趋势、季节性和残差等分量作为输入特征,这些特征反映了建筑物能耗和光照需求的不同变化成分。然后利用预设的深度学习数学模型,如循环神经网络(RNN)或长短期记忆网络(LSTM),对这些特征进行建模和预测。深度学习模型通过学习时序数据的非线性关系和长期依赖性,能够更准确地预测建筑物的综合能耗模式。模型会自动捕捉到数据中的潜在模式和关联性,从而提高能耗预测的准确性和稳定性。
步骤S400、根据第五信息进行能耗计算,并将计算得到的建筑物电能能耗数据进行优化处理得到第六信息,第六信息包括空气调节系统和照明系统的调节计划。
可以理解的是,本步骤中利用预测的建筑物的综合能耗模式,结合建筑物的能耗需求和能源管理目标,设定一个初步的能耗控制策略,以指导空气调节系统和照明系统的运行。需要说明的是,步骤S400包括步骤S410、步骤S420和步骤S430。
步骤S410、根据第四信息中的综合能耗模型、热量需求和光照需求数据,通过传热传质方程模拟处理,结合光照模型考虑建筑物能耗与热量需求以及光照需求之间的关系,计算得到能耗数据。
可以理解的是,本步骤中通过数值计算或模拟方法,对建筑物的能耗进行模拟处理。通过在传热传质方程模型中输入热量需求和光照需求数据,以及考虑建筑物的热传导、辐射传热和光线传播特性,计算得到建筑物在特定时间段内的能耗数据。
步骤S420、根据能耗数据,采用粒子群算法进行能耗优化处理,通过迭代更新粒子的位置和速度,以最小化能耗峰值为目标,并考虑建筑物的可行性和限制条件,得到优化能耗数据。
可以理解的是,本步骤中以最小化能耗峰值为目标,通过迭代更新粒子的位置和速度,以逐步逼近最优解。每个粒子代表一个可能的解,其位置和速度代表了解的参数。通过不断更新粒子的位置和速度,并根据目标函数的评估结果进行调整,粒子群算法能够寻找到最优解,即能耗峰值最小化的情况。在优化过程中,考虑建筑物的可行性和限制条件,这些限制条件包括能源供应的限制、设备运行的约束、舒适性要求等。通过将这些限制条件纳入优化过程中,可以保证优化结果符合实际可行性,并满足建筑物的运行要求。
步骤S430、根据优化能耗数据生成空气调节系统和照明系统的调节策略,并计算每个预设时间步的调节方案和设备运行状态,得到最终调节计划。
可以理解的是,本步骤中调节策略包括温度设定、湿度控制、照明强度调整等。根据优化的能耗数据,可以确定在不同时间步中应该采取何种调节措施以达到最佳的能耗效果。接下来,计算每个预设时间步的调节方案和设备运行状态,根据调节策略和建筑物的需求,在每个时间步中确定空调系统的运行状态、照明系统的亮度以及其他相关设备的运行状态。这些计算考虑了能耗优化、舒适性需求和设备运行的实际限制。这个调节计划将作为实际运行的参考,指导空气调节系统和照明系统的运行,以实现建筑物能耗的有效控制和优化。
步骤S500、根据第四信息和第二信息进行动态模拟处理,并根据模拟结果对第六信息进行优化得到实施计划,基于实施计划对能耗进行控制。
可以理解的是,本步骤中通过对短期的能耗预测波动情况进行分析,了解建筑物能耗的变化趋势和波动性。根据这些预测结果,对之前得到的初步能耗控制策略进行动态调整,以适应实际的能耗需求和变化情况。需要说明的是,步骤S500包括步骤S510、步骤S520、步骤S530、步骤S540。
步骤S510、根据第四信息中的热能量模型和光照模型,结合第二信息中的短期天气预测数据和实时监测能耗数据,使用差分整合移动平均自回归模型进行短期能耗波动的预测和模拟处理,得到短期能耗波动曲线。
可以理解的是,本步骤中利用热能量模型和光照模型,结合第二信息中的短期天气预测数据,计算建筑物的预期热量需求和光照需求。这些预测值提供了基准能耗水平。然后结合实时监测的能耗数据,使用差分整合移动平均自回归模型进行数据分析和模拟处理。该模型考虑了能耗数据的趋势、季节性和周期性变化,通过对历史能耗数据的分析,预测短期能耗的波动情况。通过将预测的能耗波动曲线与实际能耗数据进行对比和验证,评估预测的准确性和可靠性。如果存在较大的差异或偏差,将进一步调整模型参数和数据输入,以提高预测的精度和可信度。最终得到了短期能耗波动曲线反映了建筑物在短期内的能耗变化趋势和波动性。
步骤S520、根据第六信息中的设备特性和能耗优化目标以及短期能耗波动曲线,使用优化算法对设备运行状态与能耗管理控制策略进行调整和优化,得到调节方案。
优选地,本步骤中使用改进的遗传算法进行对设备运行状态和能耗管理控制策略进行调整和优化,从而得到最佳的调节方案。具体地实施过程如下:
步骤S521、根据建筑物的设备特性和能耗管理需求,将设备运行状态和能耗管理控制策略的参数作为染色体的基因表示,定义遗传算法的染色体表示和初始种群。本实施例中,考虑到设备运行状态和能耗管理控制策略的多样性,采用浮点数编码来表示染色体的基因,这样可以更精确地表示设备参数的取值范围,并允许更细粒度的搜索空间。
步骤S522、将初始种群的染色体转换为具体的设备运行状态和能耗管理控制策略,并根据短期能耗波动曲线、能耗优化目标和约束条件,计算每个个体的适应度。适应度函数的设计综合考虑能耗优化目标、短期能耗波动曲线以及设备特性和约束条件。引入经济性指标、能源效率指标和舒适性指标,以权衡不同的优化目标,并结合短期能耗波动曲线设定动态权重,使算法能够更好地适应能耗波动的变化。
步骤S523、根据适应度评估的结果,使用选择操作从当前种群中选择优秀的个体作为父代,用于产生下一代种群。
步骤S524、从选出的父代中随机选择一对个体进行交叉操作,生成新的后代个体。本实施例中为了保持种群的多样性和避免早熟收敛,采用精英选择和锦标赛选择相结合的策略。精英选择保留优秀个体,锦标赛选择用于选择较好的个体和保持种群多样性。
步骤S525、对新的后代个体进行变异操作,引入随机性,以增加种群的多样性。变异操作可以通过改变染色体的某些基因值或引入新的基因值,以产生新的个体。本实施例中根据设备的可调节范围和步长,对染色体中的基因进行随机扰动或根据一定规则进行变异,以增加新的解的搜索空间。变异操作的引入可以增加种群的多样性,有助于避免陷入局部最优解。
步骤S526、根据选择、交叉和变异操作生成的后代个体,更新当前种群,形成下一代种群。
步骤S527、当达到预设的迭代次数或适应度值的收敛阈值时,可以终止算法的迭代过程选择最优个体作为最终的调节方案。
可以理解的是,本实施例中改进的遗传算法通过更准确的基因表示、综合考虑多个指标的适应度函数、灵活的选择操作和变异操作,以及合理的终止条件,能够更好地优化设备运行状态和能耗管理控制策略,实现能耗的最小化和适应短期能耗波动的需求。
步骤S530、根据调节方案和设备特性计算得到实际需要的空调和照明设备的运行状态和能耗,并根据计算结果确定每个时间步的设备运行状态以及对应的能耗管理控制策略得到实施计划。
可以理解的是,本步骤中将抽象的调节方案转化为可操作的指令。优选地,通过使用自然语言生成算法将调节方案和设备特性转化为可理解的文本描述。这包括确定每个时间步的设备运行状态、运行模式、调节参数等信息。例如,生成语句如:“在时间步t,空调设备1开启制冷模式,设定温度为25摄氏度;照明设备2开启,并调节亮度为50%。”这样的文本描述,能够清晰地表达出每个时间步的设备运行状态。然后将生成的文本描述转化为具体的实施计划。这涉及到将文本描述中的指令解析和映射到实际的设备控制命令和参数设置。例如,将文本描述中的设备编号、运行模式和调节参数映射为实际的设备控制指令,如发送特定的信号给空调设备以控制其运行状态和设定温度。最后,通过实施计划的生成得到了一个具体的时间序列,其中包括每个时间步的设备运行状态和相关的能耗管理控制策略。这个时间序列将作为实施计划的输出,可以直接应用于控制建筑物中空调和照明设备的运行。
步骤S540、根据实施计划对空调系统和照明系统进行实时调节和控制。
可以理解的是,本步骤中将实时获取的数据与实施计划中的目标进行比较,确定当前是否需要进一步调节和控制。如果环境条件与设定要求不符合,或者能耗超出预期范围,将根据实施计划的设备运行状态和能耗管理策略,进行实时的调节和控制,以使系统恢复到预期的状态。进一步地,随着时间的推移和实际情况的变化,持续监测建筑物中空调系统和照明系统的运行状态和能耗情况,并根据实时数据进行调整和优化实施计划,确保能耗的持续优化和建筑物舒适性的保持。
实施例2:
如图2所示,本实施例提供了一种基于大数据的建筑能耗数据智能管理系统,系统包括:
获取模块1,用于获取第一信息、第二信息和第三信息,第一信息包括建筑物的设计数据、环境数据、人员分布数据和电气布设方案,第二信息包括历史建筑能耗数据,第三信息包括短期天气预测数据和实时监测能耗数据。
构建模块2,用于根据第一信息进行模型构建处理得到第四信息,第四信息包括建筑物的热能量模型和光照模型。
预测模块3,用于根据第四信息和第二信息进行数据分析和模式识别,预测得到第五信息,第五信息包括建筑物中各房间的热量需求和光照需求。
计算模块4,用于根据第五信息进行能耗计算,并将计算得到的建筑物电能能耗数据进行优化处理得到第六信息,第六信息包括空气调节系统和照明系统的调节计划。
模拟模块5,用于根据第四信息和第二信息进行动态模拟处理,并根据模拟结果对第六信息进行优化得到实施计划,基于实施计划对能耗进行控制。
在本公开的一种具体实施方式中,构建模块2包括:
第一计算单元21,用于根据第一信息中的建筑结构、外墙材料、窗户类型、室外温度、湿度、太阳辐射和设备功率信息,使用预设的热力学数学模型进行热能量计算和建模处理得到建筑物的热能量模型,热能量模型用于描述建筑物内部的热量分布、热传输和与外部环境的相互作用。
第一分析单元22,用于根据人员分布数据中的人员进出建筑物时间分布数据和活动区域分布数据进行轨迹分析得到人员在建筑物内的行动规律数据。
第二分析单元23,用于根据行动规律数据进行数据分析处理,通过对人员行动规律和光照需求之间的关系进行建模和识别,得到建筑物的光照需求模式,光照需求模式包括建筑物内不同区域和时间段内的光照需求特征。
第一构建单元24,用于根据热能量模式和光照需求模式,采用层次分析法进行权重量化和比较构建得到建筑物的综合能耗模型。
在本公开的一种具体实施方式中,第二分析单元23包括:
第一聚类单元231,基于人员在不同区域的活动频率和活动时间段将行动规律数据进行聚类分析得到聚类结果,聚类结果中的每个聚类簇表示一种光照需求模式。
第一提取单元232,用于对聚类结果中的每个聚类簇进行特征提取和分析得到光照需求特征集合,光照需求特征集合包括至少一种光照需求类别以及对应的平均光照强度和光照变化幅度。
第一处理单元233,用于根据光照特征集合进行标准化处理,通过消除光照强度和光照变化幅度参数间的尺度差异,得到标准化数据。
第二处理单元234,用于根据标准化数据进行主成分分析处理,将标准化后的光照特征集合转换为主成分集合,并计算主成分集合中各主成分之间的方差贡献率筛选得到关键主成分特征集。
第三处理单元235,用于根据关键主成分特征集进行关联规则挖掘处理,通过分析光照需求特征之间的关联性和依赖性得到建筑物的光照需求模式。
在本公开的一种具体实施方式中,预测模块3包括:
第二提取单元31,用于根据第四信息中的热量需求和光照需求数据,通过提取统计特征和构建滞后特征处理,结合历史建筑中能耗数据,得到时间序列特征。
第四处理单元32,用于根据时间序列特征进行滑动窗口处理,并基于预设的时间步长和预测步长按照时间顺序构建得到时间序列数据集,时间序列数据集包括每个时间步的热量需求、光照需求、环境条件以及对应的历史建筑能耗值。
第二聚类单元33,用于根据时间序列数据进行时序聚类处理,将具有相似变化模式的样本归为同一类别,得到时序聚类结果。
第一分解单元34,终于根据时序聚类结果中每个聚类类别的时序数据样本进行多变量时间序列分解处理,通过捕捉各变量之间的关系和特点,将时序数据样本拆分为趋势、季节性和残差三部分,得到时序分解结果。
第二构建单元35,用于根据时序分解结果和预设的深度学习数学模型预测得到第五信息。
在本公开的一种具体实施方式中,计算模块4包括:
第一模拟单元41,用于根据第四信息中的综合能耗模型、热量需求和光照需求数据,通过传热传质方程模拟处理,结合光照模型考虑建筑物能耗与热量需求以及光照需求之间的关系,计算得到能耗数据。
第一优化单元42,用于根据能耗数据,采用粒子群算法进行能耗优化处理,通过迭代更新粒子的位置和速度,以最小化能耗峰值为目标,并考虑建筑物的可行性和限制条件,得到优化能耗数据。
第二计算单元43,用于根据优化能耗数据生成空气调节系统和照明系统的调节策略,并计算每个预设时间步的调节方案和设备运行状态,得到最终调节计划。
在本公开的一种具体实施方式中,模拟模块5包括:
第二模拟单元51,用于根据第四信息中的热能量模型和光照模型,结合第二信息中的短期天气预测数据和实时监测能耗数据,使用差分整合移动平均自回归模型进行短期能耗波动的预测和模拟处理,得到短期能耗波动曲线。
第二优化单元52,用于根据第六信息中的设备特性和能耗优化目标以及短期能耗波动曲线,使用优化算法对设备运行状态与能耗管理控制策略进行调整和优化,得到调节方案。
第三计算单元53,用于根据调节方案和设备特性计算得到实际需要的空调和照明设备的运行状态和能耗,并根据计算结果确定每个时间步的设备运行状态和能耗管理控制策略得到实施计划。
第一调节单元54,根据实施计划对空调系统和照明系统进行实时调节和控制。
需要说明的是,关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (2)
1.一种基于大数据的建筑能耗数据智能管理方法,其特征在于,包括:
获取第一信息、第二信息和第三信息,所述第一信息包括建筑物的设计数据、环境数据、人员分布数据和电气布设方案,所述第二信息包括历史建筑能耗数据,所述第三信息包括短期天气预测数据和实时监测能耗数据;
根据所述第一信息进行模型构建处理得到第四信息,所述第四信息包括建筑物的综合能耗模型;
根据所述第四信息和第二信息进行数据分析和模式识别,预测得到第五信息,所述第五信息包括建筑物中各房间的热量需求和光照需求;
根据所述第五信息进行能耗计算,并将计算得到的建筑物电能能耗数据进行优化处理得到第六信息,所述第六信息包括空气调节系统和照明系统的调节计划;
根据所述第四信息和所述第二信息进行动态模拟处理,并根据模拟结果对所述第六信息进行优化得到实施计划,基于所述实施计划对能耗进行控制;
其中,根据所述第一信息进行模型构建处理得到第四信息,包括:
根据所述第一信息中的建筑结构、外墙材料、窗户类型、室外温度、湿度、太阳辐射和设备功率信息,使用预设的热力学数学模型进行热能量计算和建模处理得到建筑物的热能量模型,所述热能量模型用于描述建筑物内部的热量分布、热传输和与外部环境的相互作用;
根据所述人员分布数据中的人员进出建筑物时间分布数据和活动区域分布数据进行轨迹分析得到人员在建筑物内的行动规律数据;
根据所述行动规律数据进行数据分析处理,通过对人员行动规律和光照需求之间的关系进行建模和识别,得到建筑物的光照需求模式,所述光照需求模式包括建筑物内不同区域和时间段内的光照需求特征;
根据所述热能量模型和所述光照需求模式,采用层次分析法进行权重量化和比较构建得到建筑物的综合能耗模型;
其中,根据所述第四信息和第二信息进行数据分析和模式识别,预测得到第五信息,包括:
根据所述第四信息中的热量需求和光照需求数据,通过提取统计特征和构建滞后特征处理,结合所述历史建筑中能耗数据,得到时间序列特征;
根据所述时间序列特征进行滑动窗口处理,并基于预设的时间步长和预测步长按照时间顺序构建得到时间序列数据集,所述时间序列数据集包括每个时间步的热量需求、光照需求、环境条件以及对应的历史建筑能耗值;
根据所述时间序列数据进行时序聚类处理,将具有相似变化模式的样本归为同一类别,得到时序聚类结果;
根据所述时序聚类结果中每个聚类类别的时序数据样本进行多变量时间序列分解处理,通过捕捉各变量之间的关系和特点,将时序数据样本拆分为趋势、季节性和残差三部分,得到时序分解结果;
根据所述时序分解结果和预设的深度学习数学模型预测得到第五信息;
其中,根据所述第五信息进行能耗计算,并将计算得到的建筑物电能能耗数据进行优化处理得到第六信息,包括:
根据所述第四信息中的综合能耗模型、热量需求和光照需求数据,通过传热传质方程模拟处理,结合光照模型考虑建筑物能耗与热量需求以及光照需求之间的关系,计算得到能耗数据;
根据所述能耗数据,采用粒子群算法进行能耗优化处理,通过迭代更新粒子的位置和速度,以最小化能耗峰值为目标,并考虑建筑物的可行性和限制条件,得到优化能耗数据;
根据所述优化能耗数据生成空气调节系统和照明系统的调节策略,并计算每个预设时间步的调节方案和设备运行状态,得到最终调节计划;
其中,根据所述第四信息和所述第二信息进行动态模拟处理,并根据模拟结果对所述第六信息进行优化,包括:
根据所述第四信息中的热能量模型和光照模型,结合所述第二信息中的短期天气预测数据和实时监测能耗数据,使用差分整合移动平均自回归模型进行短期能耗波动的预测和模拟处理,得到短期能耗波动曲线;
根据第六信息中的设备特性和能耗优化目标以及所述短期能耗波动曲线,使用优化算法对设备运行状态与能耗管理控制策略进行调整和优化,得到调节方案;
根据所述调节方案和所述设备特性计算得到实际需要的空调和照明设备的运行状态和能耗,并根据计算结果确定每个时间步的设备运行状态以及对应的能耗管理控制策略得到实施计划;
根据实施计划对空调系统和照明系统进行实时调节和控制。
2.一种基于大数据的建筑能耗数据智能管理系统,其特征在于,包括:
获取模块,用于获取第一信息、第二信息和第三信息,所述第一信息包括建筑物的设计数据、环境数据、人员分布数据和电气布设方案,所述第二信息包括历史建筑能耗数据,所述第三信息包括短期天气预测数据和实时监测能耗数据;
构建模块,用于根据所述第一信息进行模型构建处理得到第四信息,所述第四信息包括建筑物的综合能耗模型;
预测模块,用于根据所述第四信息和第二信息进行数据分析和模式识别,预测得到第五信息,所述第五信息包括建筑物中各房间的热量需求和光照需求;
计算模块,用于根据所述第五信息进行能耗计算,并将计算得到的建筑物电能能耗数据进行优化处理得到第六信息,所述第六信息包括空气调节系统和照明系统的调节计划;
模拟模块,用于根据所述第四信息和所述第二信息进行动态模拟处理,并根据模拟结果对所述第六信息进行优化得到实施计划,基于所述实施计划对能耗进行控制;
其中,所述构建模块包括:
第一计算单元,用于根据所述第一信息中的建筑结构、外墙材料、窗户类型、室外温度、湿度、太阳辐射和设备功率信息,使用预设的热力学数学模型进行热能量计算和建模处理得到建筑物的热能量模型,所述热能量模型用于描述建筑物内部的热量分布、热传输和与外部环境的相互作用;
第一分析单元,用于根据所述人员分布数据中的人员进出建筑物时间分布数据和活动区域分布数据进行轨迹分析得到人员在建筑物内的行动规律数据;
第二分析单元,用于根据所述行动规律数据进行数据分析处理,通过对人员行动规律和光照需求之间的关系进行建模和识别,得到建筑物的光照需求模式,所述光照需求模式包括建筑物内不同区域和时间段内的光照需求特征;
第一构建单元,用于根据所述热能量模型和所述光照需求模式,采用层次分析法进行权重量化和比较构建得到建筑物的综合能耗模型;
其中,所述预测模块包括:
第二提取单元,用于根据所述第四信息中的热量需求和光照需求数据,通过提取统计特征和构建滞后特征处理,结合所述历史建筑中能耗数据,得到时间序列特征;
第四处理单元,用于根据所述时间序列特征进行滑动窗口处理,并基于预设的时间步长和预测步长按照时间顺序构建得到时间序列数据集,所述时间序列数据集包括每个时间步的热量需求、光照需求、环境条件以及对应的历史建筑能耗值;
第二聚类单元,用于根据所述时间序列数据进行时序聚类处理,将具有相似变化模式的样本归为同一类别,得到时序聚类结果;
第一分解单元,终于根据所述时序聚类结果中每个聚类类别的时序数据样本进行多变量时间序列分解处理,通过捕捉各变量之间的关系和特点,将时序数据样本拆分为趋势、季节性和残差三部分,得到时序分解结果;
第二构建单元,用于根据所述时序分解结果和预设的深度学习数学模型预测得到第五信息;
其中,所述计算模块包括:
第一模拟单元,用于根据所述第四信息中的综合能耗模型、热量需求和光照需求数据,通过传热传质方程模拟处理,结合光照模型考虑建筑物能耗与热量需求以及光照需求之间的关系,计算得到能耗数据;
第一优化单元,用于根据所述能耗数据,采用粒子群算法进行能耗优化处理,通过迭代更新粒子的位置和速度,以最小化能耗峰值为目标,并考虑建筑物的可行性和限制条件,得到优化能耗数据;
第二计算单元,用于根据所述优化能耗数据生成空气调节系统和照明系统的调节策略,并计算每个预设时间步的调节方案和设备运行状态,得到最终调节计划;
其中,所述模拟模块包括:
第二模拟单元,用于根据所述第四信息中的热能量模型和光照模型,结合所述第二信息中的短期天气预测数据和实时监测能耗数据,使用差分整合移动平均自回归模型进行短期能耗波动的预测和模拟处理,得到短期能耗波动曲线;
第二优化单元,用于根据第六信息中的设备特性和能耗优化目标以及所述短期能耗波动曲线,使用优化算法对设备运行状态与能耗管理控制策略进行调整和优化,得到调节方案;
第三计算单元,用于根据所述调节方案和所述设备特性计算得到实际需要的空调和照明设备的运行状态和能耗,并根据计算结果确定每个时间步的设备运行状态和能耗管理控制策略得到实施计划;
第一调节单元,根据实施计划对空调系统和照明系统进行实时调节和控制。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310856198.2A CN116579506B (zh) | 2023-07-13 | 2023-07-13 | 一种基于大数据的建筑能耗数据智能管理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310856198.2A CN116579506B (zh) | 2023-07-13 | 2023-07-13 | 一种基于大数据的建筑能耗数据智能管理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116579506A CN116579506A (zh) | 2023-08-11 |
CN116579506B true CN116579506B (zh) | 2023-09-19 |
Family
ID=87543501
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310856198.2A Active CN116579506B (zh) | 2023-07-13 | 2023-07-13 | 一种基于大数据的建筑能耗数据智能管理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116579506B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117034043B (zh) * | 2023-10-09 | 2024-01-16 | 山东五棵松电气科技有限公司 | 基于多能源物联网的智慧建筑综合能耗监测方法及系统 |
CN117458450B (zh) * | 2023-10-25 | 2024-04-02 | 青岛德士朗电气有限公司 | 电力数据能耗预测分析方法及系统 |
CN117421618B (zh) * | 2023-11-24 | 2024-04-05 | 上海东方低碳科技产业股份有限公司 | 一种建筑能耗监测方法及系统 |
CN117575846A (zh) * | 2024-01-16 | 2024-02-20 | 中国铁塔股份有限公司江西省分公司 | 一种基于物联网的能源综合服务平台 |
CN117610972B (zh) * | 2024-01-24 | 2024-05-07 | 荣泰建设集团有限公司 | 一种基于人工智能的绿色建筑数字化管理系统及方法 |
CN117666448B (zh) * | 2024-01-31 | 2024-04-09 | 中建科工集团有限公司 | 基于物联网能耗预测的节能方法、装置、设备及介质 |
CN117744896B (zh) * | 2024-02-21 | 2024-04-26 | 深圳华澳建科集团有限公司 | 一种绿色建筑全能耗分析方法 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013176334A1 (ko) * | 2012-05-22 | 2013-11-28 | (주)시리우스소프트 | 지능형 건물 에너지 소비 관리 시스템 |
CN104134097A (zh) * | 2014-07-01 | 2014-11-05 | 哈尔滨工业大学 | 一种基于gann-bim模型的严寒地区办公建筑形态节能设计方法 |
KR101589262B1 (ko) * | 2014-09-24 | 2016-01-27 | 현대건설 주식회사 | 건물 에너지 모델의 보정을 이용한 에너지 관리 방법 |
CN110046743A (zh) * | 2019-03-06 | 2019-07-23 | 上海交通大学 | 基于ga-ann的公共建筑能耗预测方法和系统 |
CN110298104A (zh) * | 2019-06-24 | 2019-10-01 | 吉林建筑大学 | 一种采用数字模拟进行节能建筑设计信息处理系统及方法 |
CN112183869A (zh) * | 2020-10-06 | 2021-01-05 | 广州云莫凡信息科技有限公司 | 一种基于大数据的建筑能耗预测方法及系统 |
CN112561728A (zh) * | 2020-10-28 | 2021-03-26 | 西安交通大学 | 基于注意力机制lstm的综合能耗费用优化方法、介质及设备 |
WO2021063033A1 (zh) * | 2019-09-30 | 2021-04-08 | 北京国双科技有限公司 | 空调能耗模型训练方法与空调系统控制方法 |
CN114239991A (zh) * | 2021-12-24 | 2022-03-25 | 西安交通大学 | 一种基于数据驱动的楼宇供热负荷预测方法、装置与设备 |
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 |
CN114580772A (zh) * | 2022-03-15 | 2022-06-03 | 苏州筑源规划建筑设计有限公司 | 一种采用数字模拟进行节能建筑设计的综合方法及其系统 |
CN114741873A (zh) * | 2022-04-08 | 2022-07-12 | 郑峰 | 一种基于人工智能的数据调控系统 |
CN114967796A (zh) * | 2022-04-13 | 2022-08-30 | 安徽领电智能科技有限公司 | 一种智能建筑设备管理系统 |
CN115249094A (zh) * | 2022-09-26 | 2022-10-28 | 烟台东方智能技术有限公司 | 一种基于大数据的建筑能效管理和优化方法 |
CN115899977A (zh) * | 2022-09-27 | 2023-04-04 | 国网江苏省电力有限公司南京供电分公司 | 一种建筑用节能管理系统及应用方法 |
-
2023
- 2023-07-13 CN CN202310856198.2A patent/CN116579506B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013176334A1 (ko) * | 2012-05-22 | 2013-11-28 | (주)시리우스소프트 | 지능형 건물 에너지 소비 관리 시스템 |
CN104134097A (zh) * | 2014-07-01 | 2014-11-05 | 哈尔滨工业大学 | 一种基于gann-bim模型的严寒地区办公建筑形态节能设计方法 |
KR101589262B1 (ko) * | 2014-09-24 | 2016-01-27 | 현대건설 주식회사 | 건물 에너지 모델의 보정을 이용한 에너지 관리 방법 |
CN110046743A (zh) * | 2019-03-06 | 2019-07-23 | 上海交通大学 | 基于ga-ann的公共建筑能耗预测方法和系统 |
CN110298104A (zh) * | 2019-06-24 | 2019-10-01 | 吉林建筑大学 | 一种采用数字模拟进行节能建筑设计信息处理系统及方法 |
WO2021063033A1 (zh) * | 2019-09-30 | 2021-04-08 | 北京国双科技有限公司 | 空调能耗模型训练方法与空调系统控制方法 |
CN112183869A (zh) * | 2020-10-06 | 2021-01-05 | 广州云莫凡信息科技有限公司 | 一种基于大数据的建筑能耗预测方法及系统 |
CN112561728A (zh) * | 2020-10-28 | 2021-03-26 | 西安交通大学 | 基于注意力机制lstm的综合能耗费用优化方法、介质及设备 |
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 |
CN114239991A (zh) * | 2021-12-24 | 2022-03-25 | 西安交通大学 | 一种基于数据驱动的楼宇供热负荷预测方法、装置与设备 |
CN114580772A (zh) * | 2022-03-15 | 2022-06-03 | 苏州筑源规划建筑设计有限公司 | 一种采用数字模拟进行节能建筑设计的综合方法及其系统 |
CN114741873A (zh) * | 2022-04-08 | 2022-07-12 | 郑峰 | 一种基于人工智能的数据调控系统 |
CN114967796A (zh) * | 2022-04-13 | 2022-08-30 | 安徽领电智能科技有限公司 | 一种智能建筑设备管理系统 |
CN115249094A (zh) * | 2022-09-26 | 2022-10-28 | 烟台东方智能技术有限公司 | 一种基于大数据的建筑能效管理和优化方法 |
CN115899977A (zh) * | 2022-09-27 | 2023-04-04 | 国网江苏省电力有限公司南京供电分公司 | 一种建筑用节能管理系统及应用方法 |
Non-Patent Citations (2)
Title |
---|
李力刚 ; 王忠锋 ; 王乐辉 ; 黄剑龙 ; .第十五章 WIA建筑能耗测量与优化运行系统.仪器仪表标准化与计量.2009,(第03期), * |
第十五章 WIA建筑能耗测量与优化运行系统;李力刚;王忠锋;王乐辉;黄剑龙;;仪器仪表标准化与计量(第03期) * |
Also Published As
Publication number | Publication date |
---|---|
CN116579506A (zh) | 2023-08-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116579506B (zh) | 一种基于大数据的建筑能耗数据智能管理方法及系统 | |
Hong et al. | State-of-the-art on research and applications of machine learning in the building life cycle | |
Ayoub | A review on machine learning algorithms to predict daylighting inside buildings | |
Sun et al. | A review of the-state-of-the-art in data-driven approaches for building energy prediction | |
Ardabili et al. | Systematic review of deep learning and machine learning for building energy | |
Zhao et al. | Feature selection for predicting building energy consumption based on statistical learning method | |
CN106951611A (zh) | 一种基于使用者行为的严寒地区建筑节能设计优化方法 | |
CN108320016A (zh) | 一种建筑能耗短期预测方法 | |
Jiang et al. | Attention-LSTM architecture combined with Bayesian hyperparameter optimization for indoor temperature prediction | |
Han et al. | The reinforcement learning method for occupant behavior in building control: A review | |
Ngarambe et al. | A review on the current usage of machine learning tools for daylighting design and control | |
Pranolo et al. | Robust LSTM With tuned-PSO and bifold-attention mechanism for analyzing multivariate time-series | |
Sapnken et al. | Modeling energy-efficient building loads using machine-learning algorithms for the design phase | |
Zhao et al. | Heating load prediction of residential district using hybrid model based on CNN | |
CN111815039A (zh) | 基于天气分类的周尺度风电功率概率预测方法及系统 | |
Wasesa et al. | Predicting electricity consumption in microgrid-based educational building using google trends, google mobility, and covid-19 data in the context of covid-19 pandemic | |
Lei et al. | Prediction model of the large commercial building cooling loads based on rough set and deep extreme learning machine | |
Yu et al. | Predicting indoor temperature from smart thermostat and weather forecast data | |
Si et al. | Interactive effects of hyperparameter optimization techniques and data characteristics on the performance of machine learning algorithms for building energy metamodeling | |
Xiang et al. | Prediction model of household appliance energy consumption based on machine learning | |
Wang et al. | Prediction of heating load fluctuation based on fuzzy information granulation and support vector machine | |
Zhan et al. | Dual-objective building retrofit optimization under competing priorities using Artificial Neural Network | |
Kim et al. | Multi-criterion stochastic optimal selection of a double glazing system | |
CN114358474A (zh) | 一种典型多能用户模型建立方法 | |
Chong et al. | A framework for the continuous calibration of building energy models with uncertainty |
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 |