CN117011092B - 一种智能建筑设备管理监控系统及方法 - Google Patents
一种智能建筑设备管理监控系统及方法 Download PDFInfo
- Publication number
- CN117011092B CN117011092B CN202311264314.8A CN202311264314A CN117011092B CN 117011092 B CN117011092 B CN 117011092B CN 202311264314 A CN202311264314 A CN 202311264314A CN 117011092 B CN117011092 B CN 117011092B
- Authority
- CN
- China
- Prior art keywords
- data
- equipment
- representing
- output
- building 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.)
- Active
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 34
- 239000013598 vector Substances 0.000 claims abstract description 57
- 238000003062 neural network model Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims description 22
- 238000000605 extraction Methods 0.000 claims description 16
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 238000012098 association analyses Methods 0.000 claims description 12
- 230000005540 biological transmission Effects 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 11
- 230000009466 transformation Effects 0.000 claims description 10
- 230000003993 interaction Effects 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 5
- 210000002569 neuron Anatomy 0.000 claims description 4
- 230000001131 transforming effect Effects 0.000 claims description 4
- 238000010219 correlation analysis Methods 0.000 claims description 2
- 230000003631 expected effect Effects 0.000 claims description 2
- 238000011478 gradient descent method Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 10
- 238000010586 diagram Methods 0.000 description 6
- 238000010276 construction Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000004378 air conditioning Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012795 verification 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及智能建筑设备管理监控领域，尤其涉及一种智能建筑设备管理监控系统及方法。首先，构建建筑设备数据采集网络，得到建筑设备数据源，提取设备运行数据的特征向量，形成智能建筑设备的三维全景模型；然后，获取建筑室外气象数据和建筑设备属性数据，构建内外关联神经网络模型，拟合得到每个建筑设备与气象环境的关系函数，确定设备之间的联动关系，根据气象信息和设备联动生成智能建筑设备的管理监控指令。解决了现有技术没有充分考虑气象环境对建筑设备的影响的问题，以及设备之间的联动效应，导致对设备的管理监控不够全面，设备管理效率有待提高的问题。
Description
技术领域
本发明涉及智能建筑设备管理监控领域，尤其涉及一种智能建筑设备管理监控系统及方法。
背景技术
智能建筑设备监控系统是现代通信信息级数、计算机技术以及监控技术相结合的产物，其作用是实现建筑和建筑设备的自动检测，以及合理控制建筑信息资源，确保智能建筑设备安全稳定运行；同时，在智能建筑设备中使用自动控制系统，实现智能建筑安全、舒适、环保等目标。
基于现在智能建筑的运行要求，智能建筑内的各个设备的运行状态在进行监控时，一般都是采集设备端的各种输入端、输出端以及关键部件的电流和电压以及温度，然后在判断这些设备或者设备上的部件是否出现了异常状态，这样的方式可以将智能建筑内的设备进行统一的管控，但现有的技术手段并不能对设备的使用状态进行智能管控，由于很多设备的运行工况具有很大的变动性，需要对智能建筑设备进行整体管理和监控。
我国专利申请号：CN202210025749.6，公开日：2023.01.03，公开了一种基于建筑设备的监控管理系统，具体包括空调系统模块，电梯运行监控系统模块，能源管理系统模块，并建立分布式管理与集中控制的监控策略。该发明针对现有的建筑设备监控管理系统中存在的能源利用率较低的问题，提出了一种监控策略，所述的监控策略针对监控管理系统中存在的各个模块，进行建筑设备在各阶段运行参数的处理与监控，并将采集的运行参数中设立约束条件，在不同约束条件下进行建筑设备的分级管控，从而避免建筑设备使用最大负荷全天候运转，在不必要情况下节省了建筑设备的能源损耗，提升了建筑设备整体的工作效率。
但上述技术至少存在如下技术问题：现有技术没有充分考虑气象环境对建筑设备的影响，以及设备之间的联动效应，导致对设备的管理监控不够全面，设备管理效率有待提高的问题。
发明内容
本申请实施例通过提供一种智能建筑设备管理监控系统及方法，解决了现有技术没有充分考虑气象环境对建筑设备的影响的问题，以及设备之间的联动效应，导致对设备的管理监控不够全面，设备管理效率有待提高的问题，能够有效满足对智能建筑内各个设备的位置和状态进行全面监控、定位，增加了设备管理监控的效率，提高设备管理的一致性和协同性。
本申请提供了一种智能建筑设备管理监控系统及方法具体包括以下技术方案：
一种智能建筑设备管理监控系统，包括以下部分：
数据采集网络、特征提取模块、三维全景模块、大数据获取接口、内外关联分析模块、设备关联模块和调控模块；
所述特征提取模块，用于提取设备运行数据的特征向量，特征提取模块通过数据传输的方式与三维全景模块、内外关联分析模块、设备关联模块相连；
所述内外关联分析模块，用于构建内外关联神经网络模型，将历史建筑设备数据源、设备属性及对应的气象环境的时序数据作为样本数据，将建筑设备属性数据和气象环境的时序数据作为模型的输入，建筑设备运行数据作为实际输出，拟合得到每个建筑设备与气象环境的关系函数，内外关联分析模块通过数据传输的方式与调控模块相连；
所述设备关联模块，用于根据设备之间的数据交互和运行数据之间的影响确定设备之间的联动关系，确定建筑内每个设备对应的联动设备，根据设备运行数据的变化生成对联动设备的联动指令，设备关联模块通过数据传输的方式与调控模块相连。
一种智能建筑设备管理监控方法，应用于所述的一种智能建筑设备管理监控系统，包括以下步骤：
S1. 构建建筑设备数据采集网络，得到建筑设备数据源，提取设备运行数据的特征向量，形成智能建筑设备的三维全景模型；
S2. 获取建筑室外气象数据和建筑设备属性数据，构建内外关联神经网络模型，拟合得到每个建筑设备与气象环境的关系函数，确定设备之间的联动关系，根据气象信息和设备联动生成智能建筑设备的管理监控指令。
优选的，所述步骤S1，具体包括：
获取智能建筑各个设备在固定时段内的运行数据，将各个设备在固定时段内的运行数据分别按照时间序列作为输入向量，提取设备运行数据的特征向量。
优选的，所述步骤S1，还包括：
由第一卷积层对运行数据时序向量进行一维卷积处理，得到第一运行特征向量，由第二卷积层对运行数据时序向量进行一维卷积处理，得到第二运行特征向量，由第一运行特征向量和第二运行特征向量得到设备运行数据的特征向量。
优选的，所述步骤S2，具体包括：
构建内外关联神经网络模型，将建筑设备属性数据和气象环境的时序数据作为模型的输入X，建筑设备运行数据作为实际输出Y，从样本数据中选取N组数据作为训练样本，其中，/>表示第i个输入数据，/>表示第i个输出数据，/>。内外关联神经网络包括输入层、变换层、K个隐含层和输出层。
优选的，所述步骤S2，还包括：
针对连续m个输入数据进行神经网络变换，在选取连续m个输入数据时需注意，连续m个输入数据对应的实际输出值的差值小于预设的阈值。
优选的，所述步骤S2，还包括：
，
其中，表示m个输入数据经过神经网络变换后得到的第j个变换后的数据，，/>，/>表示向上取整，/>表示输入数据的维数，/>表示第k个隐含层的输出，/>表示第j个数据的参数矩阵，/>表示第j个数据的神经元输出，/>为激活函数，/>为第j个数据的权重系数，/>为偏置，/>表示J个数据的总参数矩阵，/>表示J个数据的输出和。
优选的，所述步骤S2，还包括：
根据设备之间的数据交互和运行数据之间的影响确定设备之间的联动关系，确定建筑内每个设备对应的联动设备，根据设备运行数据的变化生成对联动设备的联动指令。
有益效果：
本申请实施例中提供的多个技术方案，至少具有如下技术效果或优点：
1、将智能建筑各个设备的运行数据进行多尺度特征提取，得到各个设备的运行特征，根据设备的运行特征和位置信息构建三维全景模型，可有效满足对智能建筑内各个设备的位置和状态进行全面监控、定位；
2、通过采集气象数据、设备属性数据和设备运行数据，构建内外关联神经网络模型对三者进行拟合，得到建筑设备与气象环境的关系，根据气象信息和设备联动生成智能建筑设备的管理监控指令，使设备处于最佳运行状态；
3、根据设备之间的数据交互和运行数据之间的影响确定设备之间的联动关系，确定建筑内每个设备对应的联动设备，根据设备运行数据的变化生成对联动设备的联动指令，控制联动设备运行，降低了建筑设备数据处理的成本，增加了设备管理的效率，提高设备管理的一致性和协同性。
4、本申请的技术方案能够有效解决现有技术没有充分考虑气象环境对建筑设备的影响的问题，以及设备之间的联动效应，导致对设备的管理监控不够全面，设备管理效率有待提高的问题，能够有效满足对智能建筑内各个设备的位置和状态进行全面监控、定位，增加了设备管理监控的效率，提高设备管理的一致性和协同性。
附图说明
图1为本申请所述的一种智能建筑设备管理监控系统结构图；
图2为本申请所述的一种智能建筑设备管理监控方法流程图；
具体实施方式
本申请实施例通过提供一种智能建筑设备管理监控系统及方法，解决了现有技术没有充分考虑气象环境对建筑设备的影响的问题，以及设备之间的联动效应，导致对设备的管理监控不够全面，设备管理效率有待提高的问题。
本申请实施例中的技术方案为解决上述问题，总体思路如下：
将智能建筑各个设备的运行数据进行多尺度特征提取，得到各个设备的运行特征，根据设备的运行特征和位置信息构建三维全景模型，可有效满足对智能建筑内各个设备的位置和状态进行全面监控、定位；通过采集气象数据、设备属性数据和设备运行数据，构建内外关联神经网络模型对三者进行拟合，得到建筑设备与气象环境的关系，根据气象信息和设备联动生成智能建筑设备的管理监控指令，使设备处于最佳运行状态；根据设备之间的数据交互和运行数据之间的影响确定设备之间的联动关系，确定建筑内每个设备对应的联动设备，根据设备的运行数据的变化生成对联动设备的联动指令，控制联动设备运行，降低了建筑设备数据处理的成本，增加了设备管理的效率，提高设备管理的一致性和协同性。
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
参照附图1，本申请所述的一种智能建筑设备管理监控系统包括以下部分：
数据采集网络10、特征提取模块20、三维全景模块30、大数据获取接口40、内外关联分析模块50、设备关联模块60和调控模块70；
所述数据采集网络10，包括数据采集设备、传感器和处理设备，所述数据采集设备用于采集每个建筑设备的运行数据，即设备在运行状态下的运行参数，数据采集设备通过数据传输的方式与传感器相连；所述传感器用于将采集的建筑设备运行数据和设备位置信息汇集到处理设备；所述处理设备用于对采集的建筑设备运行数据进行预处理；数据采集网络10通过数据传输的方式与特征提取模块20相连；
所述特征提取模块20，用于提取设备运行数据的特征向量，特征提取模块20通过数据传输的方式与三维全景模块30、内外关联分析模块50、设备关联模块60相连；
所述三维全景模块30，用于根据设备的位置信息形成智能建筑设备的三维全景模型，显示设备在建筑中的位置。同时，还将设备运行数据的特征向量叠加到三维全景图中进行显示，使得用户能够直观地对智能建筑内的设备进行监视，并查看设备的运行状态；
所述大数据获取接口40，用于获取建筑室外气象数据和建筑设备属性数据，大数据获取接口40通过数据传输的方式与内外关联分析模块50相连；
所述内外关联分析模块50，用于构建内外关联神经网络模型，将历史建筑设备数据源、设备属性及对应的气象环境的时序数据作为样本数据，将建筑设备属性数据和气象环境的时序数据作为模型的输入，建筑设备运行数据作为实际输出，拟合得到每个建筑设备与气象环境的关系函数，内外关联分析模块50通过数据传输的方式与调控模块70相连；
所述设备关联模块60，用于根据设备之间的数据交互和运行数据之间的影响确定设备之间的联动关系，确定建筑内每个设备对应的联动设备，根据设备运行数据的变化生成对联动设备的联动指令，设备关联模块60通过数据传输的方式与调控模块70相连；
所述调控模块70，用于根据气象信息和设备联动生成智能建筑设备的管理监控指令。
参照附图2，本申请所述的一种智能建筑设备管理监控方法包括以下步骤：
S1. 构建建筑设备数据采集网络，得到建筑设备数据源，提取设备运行数据的特征向量，形成智能建筑设备的三维全景模型；
构建建筑设备数据采集网络，所述建筑设备数据采集网络由多个数据采集设备、传感器和处理设备构成；所述数据采集设备用于采集每个建筑设备的运行数据，即设备在运行状态下的运行参数。由传感器将采集的建筑设备运行数据和设备位置信息汇集到处理设备，所述处理设备对采集的建筑设备运行数据进行预处理，所述预处理包括数据清洗、集成、转换和消减，采用现有的预处理方法对建筑设备运行数据进行处理形成建筑设备数据源。
在一个具体实施例中，设备在运行状态下的运行参数可以是设备在线状态下的电压、电流和功率参数。
三维全景模块根据设备的位置信息形成智能建筑设备的三维全景模型，显示设备在建筑中的位置。同时，还将设备运行数据的特征向量叠加到三维全景图中进行显示，使得用户能够直观地对智能建筑内的设备进行监视，并查看设备的运行状态。
具体地，获取智能建筑各个设备在固定时段内的运行数据，将各个设备在固定时段内的运行数据分别按照时间序列作为输入向量，通过特征提取模块提取设备运行数据的特征向量。所述特征提取过程如下：
由第一卷积层对运行数据时序向量进行一维卷积处理，得到第一运行特征向量，具体公式为：
，
其中，表示第一运行特征向量，/>表示第一卷积层中一维卷积核参数，表示第一卷积层中一维卷积核的宽度，/>表示第一卷积层中一维卷积核的尺寸，表示第一卷积层中的向量矩阵，/>表示运行数据时序向量。
由第二卷积层对运行数据时序向量进行一维卷积处理，得到第二运行特征向量，具体公式为：
，
其中，表示第二运行特征向量，/> 表示第二卷积层中一维卷积核参数，/>表示第二卷积层中一维卷积核的宽度，/>表示第二卷积层中一维卷积核的尺寸，表示第二卷积层中的向量矩阵。
由第一运行特征向量和第二运行特征向量得到设备运行数据的特征向量，具体公式为：
，
其中，表示设备运行数据的特征向量，将所述设备运行数据的特征向量显示到三维全景图中。
S2. 获取建筑室外气象数据和建筑设备属性数据，构建内外关联神经网络模型，拟合得到每个建筑设备与气象环境的关系函数，确定设备之间的联动关系，根据气象信息和设备联动生成智能建筑设备的管理监控指令。
大数据获取接口获取建筑室外气象数据和建筑设备属性数据，所述气象数据包括温度、湿度、降雨量、日照时间等；所述建筑设备属性数据是指设备类型、规格、技术参数等能与其他设备明显区别的特性。将历史建筑设备数据源、设备属性及对应的气象环境的时序数据作为样本数据，拟合得到每个建筑设备与气象环境的关系函数。在一个实施例中，温度的变化对建筑中空调设备的运行参数产生影响。
内外关联分析模块构建内外关联神经网络模型，将建筑设备属性数据和气象环境的时序数据作为模型的输入X，建筑设备运行数据作为实际输出Y，从样本数据中选取N组数据作为训练样本，其中，/>表示第i个输入数据，/>表示第i个输出数据，。内外关联神经网络模型包括输入层、变换层、K个隐含层和输出层。
设立输入层的输入为,/>为输入数据的维数，为了提高拟合精度，针对连续m个输入数据进行神经网络变换，在选取连续m个输入数据时需注意，连续m个输入数据对应的实际输出值的差值小于预设的阈值，所述阈值根据专家经验法自行设定，神经网络变换方式如下：
，
其中，表示m个输入数据经过神经网络变换后得到的第j个变换后的数据，，/>，/>表示向上取整。
隐含层产生的拟合函数表示为：
，
其中，表示第k个隐含层的输出，/>表示第j个数据的参数矩阵，/>表示第j个数据的神经元输出，/>为激活函数，/>为第j个数据的权重系数，/>为偏置，/>表示J个数据的总参数矩阵，/>表示J个数据的输出和，/>。
将第K个隐含层的输出传递给输出层，输出层的输出结果为：
，
其中，表示连续m个输入数据对应的输出结果，/>表示输出层的权重，/>表示输出层的偏置。计算模型输出与实际输出的误差：
，
其中，表示第j个数据的输出误差，/>表示第j组连续m个输入数据的实际输出的均值。若输出误差大于预设误差精度值，则根据梯度下降法对模型中的参数进行优化改进，再次训练，直至输出误差达到预期效果为止，从而得到气象环境对每个建筑设备的影响。根据气象环境对建筑设备的影响，生成对设备的调控指令，使设备处于最佳运行状态。
设备关联模块根据设备之间的数据交互和运行数据之间的影响确定设备之间的联动关系，确定建筑内每个设备对应的联动设备，根据设备运行数据的变化生成对联动设备的联动指令。
作为一个具体实施例，电梯为建筑大门的联动设备，当建筑大门产生打开的运行数据时，可向电梯发送“在一楼等待”的联动指令，需要注意的是，联动指令的优先级要比电梯实际运行指令的优先级低，因此，在电梯处于空闲状态时，可执行联动指令，提高建筑设备智能性。
调控模块根据气象信息和设备联动生成智能建筑设备的管理监控指令，使得在不同气象环境下，智能建筑设备处于最佳运行状态，且当设备运行数据发生变化时，联动设备能及时收到联动指令进入准备状态，提升建筑设备的综合管理水平和监控能力。
综上所述，便完成了本申请所述的一种智能建筑设备管理监控系统及方法。
上述本申请实施例中的技术方案，至少具有如下的技术效果或优点：
1、将智能建筑各个设备的运行数据进行多尺度特征提取，得到各个设备的运行特征，根据设备的运行特征和位置信息构建三维全景模型，可有效满足对智能建筑内各个设备的位置和状态进行全面监控、定位；
2、通过采集气象数据、设备属性数据和设备运行数据，构建内外关联神经网络模型对三者进行拟合，得到建筑设备与气象环境的关系，根据气象信息和设备联动生成智能建筑设备的管理监控指令，使设备处于最佳运行状态；
3、根据设备之间的数据交互和运行数据之间的影响确定设备之间的联动关系，确定建筑内每个设备对应的联动设备，根据设备运行数据的变化生成对联动设备的联动指令，控制联动设备运行，降低了建筑设备数据处理的成本，增加了设备管理的效率，提高设备管理的一致性和协同性。
效果调研：
本申请的技术方案能够有效解决现有技术没有充分考虑气象环境对建筑设备的影响的问题，以及设备之间的联动效应，导致对设备的管理监控不够全面，设备管理效率有待提高的问题，并且，上述系统或方法经过了一系列的效果调研，通过验证，最终能够有效满足对智能建筑内各个设备的位置和状态进行全面监控、定位，增加了设备管理监控的效率，提高设备管理的一致性和协同性。
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 (8)
1.一种智能建筑设备管理监控系统，其特征在于，包括以下部分：
数据采集网络、特征提取模块、三维全景模块、大数据获取接口、内外关联分析模块、设备关联模块和调控模块；
所述特征提取模块，用于将获取到的各个设备在固定时段内的运行数据分别按照时间序列作为输入向量，通过特征提取模块提取设备运行数据的特征向量，具体的特征提取过程如下：
由第一卷积层对运行数据时序向量进行一维卷积处理，得到第一运行特征向量，具体公式为：
，
其中，表示第一运行特征向量，/>表示第一卷积层中一维卷积核参数，/>表示第一卷积层中一维卷积核的宽度，/>表示第一卷积层中一维卷积核的尺寸，表示第一卷积层中的向量矩阵，/>表示运行数据时序向量；
由第二卷积层对运行数据时序向量进行一维卷积处理，得到第二运行特征向量，具体公式为：
，
其中，表示第二运行特征向量，/> 表示第二卷积层中一维卷积核参数，/>表示第二卷积层中一维卷积核的宽度，/>表示第二卷积层中一维卷积核的尺寸，表示第二卷积层中的向量矩阵；
由第一运行特征向量和第二运行特征向量得到设备运行数据的特征向量，具体公式为：
，
其中，表示设备运行数据的特征向量，将所述设备运行数据的特征向量显示到三维全景图中；特征提取模块通过数据传输的方式与三维全景模块、内外关联分析模块、设备关联模块相连；
所述内外关联分析模块，用于构建内外关联神经网络模型，将历史建筑设备数据源、设备属性及对应的气象环境的时序数据作为样本数据，将建筑设备属性数据和气象环境的时序数据作为模型的输入，建筑设备运行数据作为实际输出/>，拟合得到每个建筑设备与气象环境的关系函数，从样本数据中选取/>组数据作为训练样本/>，其中，/>表示第/>个输入数据，/>表示第/>个输出数据，/>；所述内外关联神经网络模型包括输入层、变换层、K个隐含层和输出层；
设立输入层的输入为,/>为输入数据的维数，针对连续m个输入数据进行神经网络变换，所述连续m个输入数据对应的实际输出值的差值小于预设的阈值，所述阈值根据专家经验法自行设定，神经网络变换方式如下：
，
其中，表示m个输入数据经过神经网络变换后得到的第/>个变换后的数据，/>，，/>表示向上取整；
隐含层产生的拟合函数表示为：
，
其中，表示第k个隐含层的输出，/>表示第j个数据的参数矩阵，/>表示第j个数据的神经元输出，/>为激活函数，/>为第j个数据的权重系数，/>为偏置，/>表示J个数据的总参数矩阵，/>表示J个数据的输出和；
将第K个隐含层的输出传递给输出层，输出层的输出结果为：
，
其中，表示连续m个输入数据对应的输出结果，/>表示输出层的权重，/>表示输出层的偏置；计算模型输出与实际输出的误差：
，
其中，表示第j个数据的输出误差，/>表示第j组连续m个输入数据的实际输出的均值；当输出误差大于预设误差精度值时，根据梯度下降法对模型中的参数进行优化改进，再次训练，直至输出误差达到预期效果为止，从而得到气象环境对每个建筑设备的影响，进而生成对设备的调控指令；内外关联分析模块通过数据传输的方式与调控模块相连；
所述设备关联模块，用于根据设备之间的数据交互和运行数据之间的影响确定设备之间的联动关系，确定建筑内每个设备对应的联动设备，根据设备运行数据的变化生成对联动设备的联动指令，设备关联模块通过数据传输的方式与调控模块相连。
2.一种智能建筑设备管理监控方法，应用于权利要求1所述的一种智能建筑设备管理监控系统，其特征在于，包括以下步骤：
S1. 构建建筑设备数据采集网络，得到建筑设备数据源，提取设备运行数据的特征向量，形成智能建筑设备的三维全景模型；
S2. 获取建筑室外气象数据和建筑设备属性数据，构建内外关联神经网络模型，拟合得到每个建筑设备与气象环境的关系函数，确定设备之间的联动关系，根据气象信息和设备联动生成智能建筑设备的管理监控指令。
3.根据权利要求2所述的一种智能建筑设备管理监控方法，其特征在于，所述步骤S1，具体包括：
获取智能建筑各个设备在固定时段内的运行数据，将各个设备在固定时段内的运行数据分别按照时间序列作为输入向量，提取设备运行数据的特征向量。
4.根据权利要求3所述的一种智能建筑设备管理监控方法，其特征在于，所述步骤S1，还包括：
由第一卷积层对运行数据时序向量进行一维卷积处理，得到第一运行特征向量，由第二卷积层对运行数据时序向量进行一维卷积处理，得到第二运行特征向量，由第一运行特征向量和第二运行特征向量得到设备运行数据的特征向量。
5.根据权利要求2所述的一种智能建筑设备管理监控方法，其特征在于，所述步骤S2，具体包括：
构建内外关联神经网络模型，将建筑设备属性数据和气象环境的时序数据作为模型的输入X，建筑设备运行数据作为实际输出Y，从样本数据中选取N组数据作为训练样本，其中，/>表示第i个输入数据，/>表示第i个输出数据，/>；内外关联神经网络包括输入层、变换层、K个隐含层和输出层。
6.根据权利要求5所述的一种智能建筑设备管理监控方法，其特征在于，所述步骤S2，还包括：
针对连续m个输入数据进行神经网络变换，在选取连续m个输入数据时需注意，连续m个输入数据对应的实际输出值的差值小于预设的阈值。
7.根据权利要求6所述的一种智能建筑设备管理监控方法，其特征在于，所述步骤S2，还包括：
隐含层产生的拟合函数表示为：
，
其中，表示m个输入数据经过神经网络变换后得到的第j个变换后的数据，/>，，/>表示向上取整，/>表示输入数据的维数，/>表示第k个隐含层的输出，/>表示第j个数据的参数矩阵，/>表示第j个数据的神经元输出，/>为激活函数，/>为第j个数据的权重系数，/>为偏置，/>表示J个数据的总参数矩阵，/>表示J个数据的输出和。
8.根据权利要求2所述的一种智能建筑设备管理监控方法，其特征在于，所述步骤S2，还包括：
根据设备之间的数据交互和运行数据之间的影响确定设备之间的联动关系，确定建筑内每个设备对应的联动设备，根据设备运行数据的变化生成对联动设备的联动指令。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311264314.8A CN117011092B (zh) | 2023-09-28 | 2023-09-28 | 一种智能建筑设备管理监控系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311264314.8A CN117011092B (zh) | 2023-09-28 | 2023-09-28 | 一种智能建筑设备管理监控系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117011092A CN117011092A (zh) | 2023-11-07 |
| CN117011092B true CN117011092B (zh) | 2023-12-19 |
Family
ID=88562112
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311264314.8A Active CN117011092B (zh) | 2023-09-28 | 2023-09-28 | 一种智能建筑设备管理监控系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117011092B (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109727319A (zh) * | 2018-11-26 | 2019-05-07 | 广东省气象探测数据中心(广东省气象技术装备中心、广东省气象科技培训中心) | 一种气象探测设备三维全息化场景建设方法 |
| CN110073301A (zh) * | 2017-08-02 | 2019-07-30 | 强力物联网投资组合2016有限公司 | 工业物联网中具有大数据集的数据收集环境下的检测方法和系统 |
| CN111582588A (zh) * | 2020-05-12 | 2020-08-25 | 中国人民解放军国防科技大学 | 一种基于三重卷积融合gru的建筑物能耗预测方法 |
| CN113222231A (zh) * | 2021-04-30 | 2021-08-06 | 洛阳双瑞精铸钛业有限公司 | 一种基于物联网技术的智慧供热系统 |
| CN114065335A (zh) * | 2021-09-01 | 2022-02-18 | 中国人民解放军国防科技大学 | 基于多尺度卷积循环神经网络的建筑物能耗预测方法 |
| CN114818095A (zh) * | 2022-06-30 | 2022-07-29 | 武昌理工学院 | 一种绿色建筑弹性约束节能优化方法 |
| CN114937137A (zh) * | 2022-07-25 | 2022-08-23 | 中国建筑第二工程局有限公司 | 一种基于bim与gis的建筑环境智能分析方法 |
| CN115553742A (zh) * | 2022-10-10 | 2023-01-03 | 哈尔滨工业大学 | 一种用于建筑智慧运维的人体微环境数据采集系统及运维方法 |
| CN115564333A (zh) * | 2022-01-11 | 2023-01-03 | 上海申安自动化系统工程有限公司 | 一种基于建筑设备的监控管理系统 |
| CN115693918A (zh) * | 2022-09-07 | 2023-02-03 | 浙江心友机电设备安装有限公司 | 一种建筑综合智能用电系统及其方法 |
| CN115803756A (zh) * | 2020-06-01 | 2023-03-14 | 辉达公司 | 利用联合学习执行神经网络架构搜索的技术 |
| CN116049764A (zh) * | 2023-01-16 | 2023-05-02 | 中国科学院软件研究所 | 一种面向物联网的跨尺度时序数据融合方法及系统 |
| CN116384773A (zh) * | 2023-04-25 | 2023-07-04 | 华润数字科技有限公司 | 公共建筑冷负荷预测方法和装置、设备及存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150154279A1 (en) * | 2013-12-04 | 2015-06-04 | Electronics And Telecommunications Research Institute | Apparatus and method for building relation model based on resource management architecture |
-
2023
- 2023-09-28 CN CN202311264314.8A patent/CN117011092B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110073301A (zh) * | 2017-08-02 | 2019-07-30 | 强力物联网投资组合2016有限公司 | 工业物联网中具有大数据集的数据收集环境下的检测方法和系统 |
| CN109727319A (zh) * | 2018-11-26 | 2019-05-07 | 广东省气象探测数据中心(广东省气象技术装备中心、广东省气象科技培训中心) | 一种气象探测设备三维全息化场景建设方法 |
| CN111582588A (zh) * | 2020-05-12 | 2020-08-25 | 中国人民解放军国防科技大学 | 一种基于三重卷积融合gru的建筑物能耗预测方法 |
| CN115803756A (zh) * | 2020-06-01 | 2023-03-14 | 辉达公司 | 利用联合学习执行神经网络架构搜索的技术 |
| CN113222231A (zh) * | 2021-04-30 | 2021-08-06 | 洛阳双瑞精铸钛业有限公司 | 一种基于物联网技术的智慧供热系统 |
| CN114065335A (zh) * | 2021-09-01 | 2022-02-18 | 中国人民解放军国防科技大学 | 基于多尺度卷积循环神经网络的建筑物能耗预测方法 |
| CN115564333A (zh) * | 2022-01-11 | 2023-01-03 | 上海申安自动化系统工程有限公司 | 一种基于建筑设备的监控管理系统 |
| CN114818095A (zh) * | 2022-06-30 | 2022-07-29 | 武昌理工学院 | 一种绿色建筑弹性约束节能优化方法 |
| CN114937137A (zh) * | 2022-07-25 | 2022-08-23 | 中国建筑第二工程局有限公司 | 一种基于bim与gis的建筑环境智能分析方法 |
| CN115693918A (zh) * | 2022-09-07 | 2023-02-03 | 浙江心友机电设备安装有限公司 | 一种建筑综合智能用电系统及其方法 |
| CN115553742A (zh) * | 2022-10-10 | 2023-01-03 | 哈尔滨工业大学 | 一种用于建筑智慧运维的人体微环境数据采集系统及运维方法 |
| CN116049764A (zh) * | 2023-01-16 | 2023-05-02 | 中国科学院软件研究所 | 一种面向物联网的跨尺度时序数据融合方法及系统 |
| CN116384773A (zh) * | 2023-04-25 | 2023-07-04 | 华润数字科技有限公司 | 公共建筑冷负荷预测方法和装置、设备及存储介质 |
Non-Patent Citations (4)
| Title |
|---|
| 基于Opensees的农业设施结构预警处理系统设计研究;赵吉祥;吕香归;倪伟茗;孔洁;;赤峰学院学报(自然科学版)(第08期);全文 * |
| 实景三维模型在气象防灾减灾中的应用;黄磊;廖向花;;测绘通报(第S1期);全文 * |
| 建筑能耗模拟用气象数据研究;杨柳;李红莲;;暖通空调(第03期);全文 * |
| 气象要素与高空建筑作业的关系分析;徐浩文;顾榕蓉;郭泓昊;葛慧;;科技创新导报(第14期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117011092A (zh) | 2023-11-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112413831A (zh) | 一种中央空调节能控制系统及方法 | |
| CN112836720B (zh) | 建筑运维设备异常诊断方法、系统及计算机可读存储介质 | |
| CN105630648A (zh) | 基于多维数据深度学习的数据中心智能控制方法及系统 | |
| CN111507520A (zh) | 一种换热机组负荷的动态预测方法及系统 | |
| CN112949181A (zh) | 一种多源关联数据的预警预测方法、存储介质及电子设备 | |
| CN111785093A (zh) | 一种基于分形插值的空中交通流量短期预测方法 | |
| CN117011092B (zh) | 一种智能建筑设备管理监控系统及方法 | |
| CN114069642A (zh) | 一种考虑用户满意度的温控负荷综合调峰方法 | |
| CN117273402A (zh) | 基于物联网技术的玻璃深加工生产线节能管理系统及方法 | |
| CN117113086A (zh) | 一种储能机组负荷预测方法、系统、电子设备及介质 | |
| CN117390507A (zh) | 一种基于深度学习的航天器遥测数据检测系统 | |
| CN110991519A (zh) | 一种智能开关状态分析调整方法及系统 | |
| CN116341716A (zh) | 一种基于数字孪生的智能降损方法 | |
| CN115264768A (zh) | 一种基于物联网的楼宇空调节能控制方法及系统 | |
| CN114330705A (zh) | 光伏发电量的预测方法、装置、电子设备和存储介质 | |
| CN112529285A (zh) | 一种基于相似日理论和pca-pso-bp的光伏发电功率预测方法 | |
| CN116150666B (zh) | 储能系统故障检测方法、装置及智能终端 | |
| CN112365103B (zh) | 运行阶段建筑短期负荷预测方法、装置、设备和介质 | |
| CN117634217B (zh) | 基于数字孪生的建筑物智能化管理系统及方法 | |
| CN117455725B (zh) | 一种基于bim建筑的建筑能耗管理方法及系统 | |
| Li | Energy consumption prediction of public buildings based on PCA-RF-AdaBoost | |
| WO2023065553A1 (zh) | 一种用于新能源电力市场的净负荷预测方法及装置 | |
| CN116205148A (zh) | 基于Wide&Deep模型的数据中心冷负荷预测方法 | |
| CN117558947A (zh) | 一种燃料电池在线健康诊断和寿命预测方法、装置及系统 | |
| CN116961216A (zh) | 一种基于大数据的继电保护状态检修研判系统及方法 |
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 |