CN117032363A - 节能型建筑物能效跟踪控制管理系统及方法 - Google Patents
节能型建筑物能效跟踪控制管理系统及方法 Download PDFInfo
- Publication number
- CN117032363A CN117032363A CN202311149848.6A CN202311149848A CN117032363A CN 117032363 A CN117032363 A CN 117032363A CN 202311149848 A CN202311149848 A CN 202311149848A CN 117032363 A CN117032363 A CN 117032363A
- Authority
- CN
- China
- Prior art keywords
- humidity
- temperature
- training
- time sequence
- energy
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title abstract description 39
- 238000012545 processing Methods 0.000 claims abstract description 43
- 238000011217 control strategy Methods 0.000 claims abstract description 37
- 230000000694 effects Effects 0.000 claims abstract description 13
- 238000004378 air conditioning Methods 0.000 claims abstract description 9
- 239000013598 vector Substances 0.000 claims description 150
- 238000012549 training Methods 0.000 claims description 97
- 230000004927 fusion Effects 0.000 claims description 55
- 238000007726 management method Methods 0.000 claims description 51
- 238000005070 sampling Methods 0.000 claims description 45
- 239000011159 matrix material Substances 0.000 claims description 22
- 238000000605 extraction Methods 0.000 claims description 19
- 238000004458 analytical method Methods 0.000 claims description 15
- 238000000513 principal component analysis Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 8
- 230000003993 interaction Effects 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 21
- 238000010586 diagram Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 7
- 239000000284 extract Substances 0.000 description 5
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D27/00—Simultaneous control of variables covered by two or more of main groups G05D1/00 - G05D25/00
- G05D27/02—Simultaneous control of variables covered by two or more of main groups G05D1/00 - G05D25/00 characterised by the use of electric means
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Air Conditioning Control Device (AREA)
Abstract
公开了一种节能型建筑物能效跟踪控制管理系统及方法。其首先利用温度传感器和湿度传感器来采集节能型建筑物内所有区域在预定时间段内多个预定时间点的温度值和湿度值，接着，对所述温度值和湿度值进行分析和处理以得到空调控制策略，然后，基于所述空调控制策略来对所述节能型建筑物中的空调进行控制，最后，向用户展示所述数据处理模块的所述空调控制策略以及所述控制模块的控制效果。这样，可以综合利用节能型建筑物的区域的温度数据和湿度数据来自动化地生成针对于该区域的空调控制策略。
Description
技术领域
本申请涉及能效跟踪控制管理领域，且更为具体地，涉及一种节能型建筑物能效跟踪控制管理系统及方法。
背景技术
节能型建筑物是指利用先进的建筑设计理念和技术手段，有效地降低建筑物的能耗，提高建筑物的舒适性和环境友好性的建筑物。节能型建筑物的能效跟踪管理是为了优化能源利用，减少能源浪费，降低能源成本以及减少对环境的不良影响。
目前已有一些能效跟踪管理方法，例如基于时间表的调度控制。具体来说，基于时间表的调度控制是根据预定的时间表来控制空调设备的开关，以满足预设的舒适需求和节能目标。然而，这种方法缺乏对实时环境变化的响应能力，无法灵活适应不同的使用情况和季节变化。
因此，期待一种优化的方案。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种节能型建筑物能效跟踪控制管理系统及方法。其可以综合利用节能型建筑物的区域的温度数据和湿度数据来自动化地生成针对于该区域的空调控制策略。
根据本申请的一个方面，提供了一种节能型建筑物能效跟踪控制管理系统，其包括：
数据采集模块，用于利用温度传感器和湿度传感器来采集节能型建筑物内所有区域在预定时间段内多个预定时间点的温度值和湿度值；
数据处理模块，用于对所述温度值和湿度值进行分析和处理以得到空调控制策略；
控制模块，用于基于所述空调控制策略来对所述节能型建筑物中的空调进行控制；
显示模块，用于向用户展示所述数据处理模块的所述空调控制策略以及所述控制模块的控制效果；以及
通信模块，用于实现所述数据采集模块、所述数据处理模块、所述控制模块和所述显示模块之间的数据传输和信息交互。
根据本申请的另一个方面，提供了一种节能型建筑物能效跟踪控制管理方法，其包括：
利用温度传感器和湿度传感器来采集节能型建筑物内所有区域在预定时间段内多个预定时间点的温度值和湿度值；
对所述温度值和湿度值进行分析和处理以得到空调控制策略；
基于所述空调控制策略来对所述节能型建筑物中的空调进行控制；以及
向用户展示所述数据处理模块的所述空调控制策略以及所述控制模块的控制效果。
与现有技术相比，本申请提供的节能型建筑物能效跟踪控制管理系统及方法，其首先利用温度传感器和湿度传感器来采集节能型建筑物内所有区域在预定时间段内多个预定时间点的温度值和湿度值，接着，对所述温度值和湿度值进行分析和处理以得到空调控制策略，然后，基于所述空调控制策略来对所述节能型建筑物中的空调进行控制，最后，向用户展示所述数据处理模块的所述空调控制策略以及所述控制模块的控制效果。这样，可以综合利用节能型建筑物的区域的温度数据和湿度数据来自动化地生成针对于该区域的空调控制策略。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，以下附图并未刻意按实际尺寸等比例缩放绘制，重点在于示出本申请的主旨。
图1为根据本申请实施例的节能型建筑物能效跟踪控制管理系统的框图示意图。
图2为根据本申请实施例的节能型建筑物能效跟踪控制管理系统中的所述数据处理模块的框图示意图。
图3为根据本申请实施例的节能型建筑物能效跟踪控制管理系统中的所述联合分析单元的框图示意图。
图4为根据本申请实施例的节能型建筑物能效跟踪控制管理系统中的所述数据预处理子单元的框图示意图。
图5为根据本申请实施例的节能型建筑物能效跟踪控制管理系统中的所述特征提取融合子单元的框图示意图。
图6为根据本申请实施例的节能型建筑物能效跟踪控制管理系统中的所述空调控制单元的框图示意图。
图7为根据本申请实施例的节能型建筑物能效跟踪控制管理系统中进一步包括的训练模块的框图示意图。
图8为根据本申请实施例的节能型建筑物能效跟踪控制管理方法的流程图。
图9为根据本申请实施例的节能型建筑物能效跟踪控制管理方法的系统架构的示意图。
图10为根据本申请实施例的节能型建筑物能效跟踪控制管理系统的应用场景图。
具体实施方式
下面将结合附图对本申请实施例中的技术方案进行清楚、完整地描述，显而易见地，所描述的实施例仅仅是本申请的部分实施例，而不是全部的实施例。基于本申请实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，也属于本申请保护的范围。
如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。
虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用，然而，任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的，并且所述系统和方法的不同方面可以使用不同模块。
本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，根据需要，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
本申请提供了一种节能型建筑物能效跟踪控制管理系统，图1为根据本申请实施例的节能型建筑物能效跟踪控制管理系统的框图示意图。如图1所示，根据本申请实施例的节能型建筑物能效跟踪控制管理系统100，包括：数据采集模块110，用于利用温度传感器和湿度传感器来采集节能型建筑物内所有区域在预定时间段内多个预定时间点的温度值和湿度值；数据处理模块120，用于对所述温度值和湿度值进行分析和处理以得到空调控制策略；控制模块130，用于基于所述空调控制策略来对所述节能型建筑物中的空调进行控制；显示模块140，用于向用户展示所述数据处理模块的所述空调控制策略以及所述控制模块的控制效果；以及，通信模块150，用于实现所述数据采集模块、所述数据处理模块、所述控制模块和所述显示模块之间的数据传输和信息交互。
其中，现有的数据处理模块通常是基于建筑物的整体热力学特性和统计规律进行设计，缺乏对不同区域的个性化处理能力。因而，期待一种优化的方案。
针对上述技术问题，本申请的技术构思为结合基于深度学习的人工智能技术，综合利用节能型建筑物的区域的温度数据和湿度数据来自动化地生成针对于该区域的空调控制策略。
基于此，在本申请的技术方案中，首先，获取由温度传感器和湿度传感器采集的节能型建筑物的第一区域在预定时间段内多个预定时间点的温度值和湿度值，并将所述多个预定时间点的温度值和湿度值分别按照时间维度排列为温度时序输入向量和湿度时序输入向量。
接着，对所述温度时序输入向量和所述湿度时序输入向量分别进行基于线性插值的上采样处理以得到上采样温度时序输入向量和上采样湿度时序输入向量。也就是，通过基于线性插值的上采样处理对温度时序输入向量和湿度时序输入向量进行数据源域增强，以在时间维度上增加数据点，提高数据的时间分辨率。
然后，对所述上采样温度时序输入向量和所述上采样湿度时序输入向量进行特征提取和特征融合以得到所述温度-湿度主成分融合特征向量。也就是，对上采样温度时序输入向量和上采样湿度时序输入向量分别进行特征提取，以捕获温度数据的隐含变化特征与湿度数据的隐含变化特征，并以特征融合的方式将两者结合起来，使得融合得到的温度-湿度主成分融合特征向量具有更出色的特征表达能力。
在本申请的一个具体示例中，对所述上采样温度时序输入向量和所述上采样湿度时序输入向量进行特征提取和特征融合以得到所述温度-湿度主成分融合特征向量的编码过程，包括：先将所述上采样温度时序输入向量和所述上采样湿度时序输入向量分别通过基于一维卷积层的时序特征提取器以得到温度时序特征向量和湿度时序特征向量；再使用主成分分析来融合所述温度时序特征向量和所述湿度时序特征向量以得到温度-湿度主成分融合特征向量。其中，主成分分析方法可以减少特征的维数，同时避免重要信息的丢失，保持特征集中贡献最大的特征。
相应地，如图2所示，所述数据处理模块120，包括：温湿度值接收单元121，用于接收所述节能型建筑物的第一区域在预定时间段内多个预定时间点的温度值和湿度值；联合分析单元122，用于对所述多个预定时间点的温度值和湿度值进行联合分析以得到温度-湿度主成分融合特征向量；以及，空调控制单元123，用于基于所述温度-湿度主成分融合特征向量，确定所述空调控制策略。应可以理解，数据处理模块120包括温湿度值接收单元121、联合分析单元122和空调控制单元123三个单元。其中，温湿度值接收单元121用于接收节能型建筑物的第一区域在预定时间段内多个预定时间点的温度值和湿度值，它负责从传感器或其他数据源获取温度和湿度数据，并将其传递给下一个单元进行处理。联合分析单元122用于对多个预定时间点的温度值和湿度值进行联合分析，以得到温度-湿度主成分融合特征向量，主成分分析是一种统计方法，可以从多个相关变量中提取出主要的变化模式，在这种情况下，联合分析单元将温度和湿度数据结合起来，通过分析它们之间的关系，提取出主要的温度-湿度特征。空调控制单元123基于温度-湿度主成分融合特征向量确定空调控制策略，它利用从联合分析单元获得的特征向量来决定如何控制空调系统，以实现节能和提供舒适的室内环境，具体而言，空调控制单元可能根据特征向量中的温度和湿度信息，调整空调的温度设定、湿度控制、风速等参数，以满足节能和舒适性要求。这些单元共同协作，通过接收、分析和利用温度和湿度数据来实现节能型建筑物中空调系统的智能控制。
更具体地，如图3所示，所述联合分析单元122，包括：数据预处理子单元1221，用于将所述多个预定时间点的温度值和湿度值进行数据预处理以得到上采样温度时序输入向量和上采样湿度时序输入向量；以及，特征提取融合子单元1222，用于对所述上采样温度时序输入向量和所述上采样湿度时序输入向量进行特征提取和特征融合以得到所述温度-湿度主成分融合特征向量。
更具体地，如图4所示，所述数据预处理子单元1221，包括：输入向量排列二级子单元12211，用于将所述多个预定时间点的温度值和湿度值分别按照时间维度排列为温度时序输入向量和湿度时序输入向量；以及，上采样处理二级子单元12212，用于对所述温度时序输入向量和所述湿度时序输入向量分别进行基于线性插值的上采样处理以得到所述上采样温度时序输入向量和所述上采样湿度时序输入向量。值得一提的是，上采样处理是一种信号处理技术，用于增加信号的采样率或提高信号的时间分辨率。在数据预处理子单元1221中，上采样处理二级子单元12212对温度时序输入向量和湿度时序输入向量进行上采样处理，得到上采样温度时序输入向量和上采样湿度时序输入向量。上采样处理的目的是增加数据的密度，使得数据在时间维度上更加细致和连续。通常使用线性插值方法进行上采样处理。线性插值是一种基于已知数据点之间的直线性关系，通过插入新的数据点来填补原始数据之间的间隔。在上采样处理中，线性插值方法会根据已知的温度和湿度数据点，在时间轴上插入新的数据点，使得数据在时间上更加平滑和连续。上采样处理的好处是可以提高数据的时间分辨率，使得系统对时间变化的响应更加敏感。在温度和湿度的时序数据中，上采样处理可以提供更多的数据点，使得系统能够更准确地捕捉到温度和湿度的变化趋势和周期性。这对于后续的联合分析和特征提取非常重要，可以更好地分析和理解温湿度数据的特征，进而实现更精确的空调控制策略。
更具体地，如图5所示，所述特征提取融合子单元1222，包括：时序特征提取二级子单元12221，用于将所述上采样温度时序输入向量和所述上采样湿度时序输入向量分别通过基于一维卷积层的时序特征提取器以得到温度时序特征向量和湿度时序特征向量；以及，融合二级子单元12222，用于使用主成分分析来融合所述温度时序特征向量和所述湿度时序特征向量以得到所述温度-湿度主成分融合特征向量。值得一提的是，一维卷积层是深度学习中的一种常用神经网络层，用于处理时序数据或一维序列数据。在特征提取融合子单元1222中，时序特征提取二级子单元12221使用基于一维卷积层的时序特征提取器对上采样温度时序输入向量和上采样湿度时序输入向量进行处理，得到温度时序特征向量和湿度时序特征向量。一维卷积层通过应用一维卷积操作来提取输入数据中的局部特征。它使用一个可学习的滤波器(也称为卷积核)在输入数据上进行滑动，并计算滤波器与输入数据的卷积运算。这样可以捕捉到输入数据中的不同尺度的局部模式和特征。在时序数据处理中，一维卷积层可以有效地提取时序数据中的时序特征。它可以识别出不同时间窗口内的模式、趋势和周期性，从而捕捉到时序数据的重要特征。通过使用一维卷积层，时序特征提取二级子单元可以从上采样温度时序输入向量和上采样湿度时序输入向量中提取出温度和湿度的时序特征向量。这些时序特征向量随后被传递到融合二级子单元12222，该子单元使用主成分分析来融合温度时序特征向量和湿度时序特征向量，得到温度-湿度主成分融合特征向量。主成分分析是一种统计方法，用于从多维数据中提取出主要的变化模式。通过应用主成分分析，可以将温度和湿度的时序特征融合成一个更综合的特征向量，以更好地表示温湿度数据的主要变化模式和特征。这个融合后的特征向量将用于后续的空调控制策略确定。
进一步地，将所述温度-湿度主成分融合特征向量通过分类器以得到分类结果，所述分类结果用于表示是否关闭空调。
相应地，如图6所示，所述空调控制单元123，包括：分类子单元1231，用于将所述温度-湿度主成分融合特征向量通过分类器以得到分类结果，所述分类结果用于表示是否关闭空调；以及，控制子单元1232，用于将所述分类结果作为所述空调控制策略。
进一步地，所述分类子单元1231，用于：使用所述分类器的全连接层对所述温度-湿度主成分融合特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
也就是，在本公开的技术方案中，所述分类器的标签包括关闭空调(第一标签)，以及，不关闭空调(第二标签)，其中，所述分类器通过软最大值函数来确定所述温度-湿度主成分融合特征向量属于哪个分类标签。值得注意的是，这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念，实际上在训练过程当中，计算机模型并没有“是否关闭空调”这种概念，其只是有两种分类标签且输出特征在这两个分类标签下的概率，即p1和p2之和为一。因此，是否关闭空调的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布，实质上用到的是标签的自然概率分布的物理意义，而不是“是否关闭空调”的语言文本意义。
应可以理解，分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器，然后对未知数据进行分类(或预测)。逻辑回归(logistics)、SVM等常用于解决二分类问题，对于多分类问题(multi-class classification)，同样也可以用逻辑回归或SVM，只是需要多个二分类来组成多分类，但这样容易出错且效率不高，常用的多分类方法有Softmax分类函数。
进一步地，所述的节能型建筑物能效跟踪控制管理系统，其还包括用于对所述基于一维卷积层的时序特征提取器和所述分类器进行训练的训练模块。应可以理解，训练模块是节能型建筑物能效跟踪控制管理系统中的一个组件，用于对时序特征提取器和分类器进行训练。它的主要作用是通过使用已有的标注数据集，对模型进行学习和参数调整，使得模型能够更准确地进行特征提取和分类。具体来说，训练模块会使用标注的训练数据集，其中包含了已知的温湿度数据和对应的能效标签。训练模块会将这些数据输入到时序特征提取器中，提取出温度和湿度的时序特征向量。然后，这些特征向量会被传递给分类器进行能效分类，即判断当前温湿度数据对应的能效级别。在训练过程中，训练模块会根据已知的能效标签和模型的输出结果之间的差异，计算出损失函数，并利用反向传播算法来优化模型的参数，使得模型能够减小损失函数，从而提高模型的准确性和泛化能力。通过训练模块的训练过程，时序特征提取器和分类器可以逐渐学习到温湿度数据的有效特征表示和能效分类规则。这样，在实际应用中，系统就能够根据实时的温湿度数据，利用已经训练好的模型进行能效跟踪和控制管理，实现节能效果的监测和调整。训练模块的存在和训练过程，可以提高系统的准确性和可靠性，使得系统能够更好地适应不同建筑物的特点和能效需求。
其中，如图7所示，所述训练模块200，包括：训练数据获取单元210，用于获取训练数据，所述训练数据包括所述节能型建筑物的第一区域在预定时间段内多个预定时间点的训练温度值和训练湿度值；训练输入向量排列单元220，用于将所述多个预定时间点的训练温度值和训练湿度值分别按照时间维度排列为训练温度时序输入向量和训练湿度时序输入向量；训练上采样处理单元230，用于对所述训练温度时序输入向量和所述训练湿度时序输入向量分别进行基于线性插值的上采样处理以得到训练上采样温度时序输入向量和训练上采样湿度时序输入向量；训练时序特征提取单元240，用于将所述训练上采样温度时序输入向量和所述训练上采样湿度时序输入向量分别通过所述基于一维卷积层的时序特征提取器以得到训练温度时序特征向量和训练湿度时序特征向量；训练融合单元250，用于使用主成分分析来融合所述训练温度时序特征向量和所述训练湿度时序特征向量以得到训练温度-湿度主成分融合特征向量；训练分类单元260，用于将所述训练温度-湿度主成分融合特征向量通过分类器以得到分类损失函数值；以及，训练迭代单元270，用于以所述分类损失函数值来对所述基于一维卷积层的时序特征提取器和所述分类器进行训练，其中，在所述训练的每一轮迭代中，对所述分类器的权重矩阵进行基于基准注释的外部边界约束迭代。
在本申请的技术方案中，考虑到所述训练温度时序特征向量和所述训练湿度时序特征向量分别表达训练温度值和训练湿度值的一维时序局部关联特征，在使用主成分分析来融合所述训练温度时序特征向量和所述训练湿度时序特征向量时，在进行降维操作的同时，所得到的所述训练温度-湿度主成分融合特征向量的整体特征分布也会偏离所述训练温度时序特征向量和所述训练湿度时序特征向量表达的源数据时序特征分布，从而导致在分类场景下，所述分类器的权重矩阵迭代过程中导致所述训练温度-湿度主成分融合特征向量基于所述权重矩阵发生类概率映射的时序维度偏移，以及进一步的权重矩阵基于所述训练温度-湿度主成分融合特征向量的拟合发散，从而影响模型的训练效果，以及训练好的模型得到的所述训练温度-湿度主成分融合特征向量的分类结果的准确性。
基于此，本申请的申请人在所述训练温度-湿度主成分融合特征向量通过分类器的训练过程中，进行权重矩阵的基于基准注释的外部边界约束。
相应地，在一个具体示例中，所述训练迭代单元270，进一步用于：在所述训练的每一轮迭代中，以如下优化公式对所述分类器的权重矩阵进行基于基准注释的外部边界约束迭代；其中，所述优化公式为：
其中，M1和M2分别是上次和本次迭代的权重矩阵，其中在首次迭代时，采用不同的初始化策略设置M1和M2，(例如，M1设置为单位矩阵而M2设置为待分类特征向量的均值对角矩阵)，Vc是所述温度-湿度主成分融合特征向量，且Vc为列向量形式，(·)T表示转置操作，表示矩阵乘法，/>表示矩阵加法，M2′表示迭代后的所述分类器的权重矩阵。
这里，通过以所述相位交互特征向量在权重空间内的迭代关联表示来作为权重矩阵迭代的外部关联边界约束，从而在将前次的权重矩阵作为本次迭代过程中的基准注释(benchmark annotation)的情况下，减小权重空间迭代过程当中以所述训练温度-湿度主成分融合特征向量的类概率映射作为锚点的定向不匹配(oriented mismatch)，可以进行权重矩阵在迭代过程中相对于所述训练温度-湿度主成分融合特征向量的类概率映射偏移的补偿，并进一步增强权重矩阵基于所述温度-湿度主成分融合特征向量的拟合聚合，从而提升模型的训练效果，以及训练好的模型得到的所述训练温度-湿度主成分融合特征向量的分类结果的准确性。
综上，基于本申请实施例的节能型建筑物能效跟踪控制管理系统100被阐明，其可以综合利用节能型建筑物的区域的温度数据和湿度数据来自动化地生成针对于该区域的空调控制策略。
如上所述，根据本申请实施例的基于本申请实施例的节能型建筑物能效跟踪控制管理系统100可以实现在各种终端设备中，例如具有基于本申请实施例的节能型建筑物能效跟踪控制管理算法的服务器等。在一个示例中，基于本申请实施例的节能型建筑物能效跟踪控制管理系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该基于本申请实施例的节能型建筑物能效跟踪控制管理系统100可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该基于本申请实施例的节能型建筑物能效跟踪控制管理系统100同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该基于本申请实施例的节能型建筑物能效跟踪控制管理系统100与该终端设备也可以是分立的设备，并且该节能型建筑物能效跟踪控制管理系统100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
图8为根据本申请实施例的节能型建筑物能效跟踪控制管理方法的流程图。图9为根据本申请实施例的节能型建筑物能效跟踪控制管理方法的系统架构的示意图。如图8和图9所示，根据本申请实施例的节能型建筑物能效跟踪控制管理方法，其包括：S110，利用温度传感器和湿度传感器来采集节能型建筑物内所有区域在预定时间段内多个预定时间点的温度值和湿度值；S120，对所述温度值和湿度值进行分析和处理以得到空调控制策略；S130，基于所述空调控制策略来对所述节能型建筑物中的空调进行控制；以及，S140，向用户展示所述数据处理模块的所述空调控制策略以及所述控制模块的控制效果。
在一个具体示例中，在上述节能型建筑物能效跟踪控制管理方法中，对所述温度值和湿度值进行分析和处理以得到空调控制策略，包括：接收所述节能型建筑物的第一区域在预定时间段内多个预定时间点的温度值和湿度值；对所述多个预定时间点的温度值和湿度值进行联合分析以得到温度-湿度主成分融合特征向量；以及，基于所述温度-湿度主成分融合特征向量，确定所述空调控制策略。
这里，本领域技术人员可以理解，上述节能型建筑物能效跟踪控制管理方法中的各个步骤的具体操作已经在上面参考图1到图7的节能型建筑物能效跟踪控制管理系统100的描述中得到了详细介绍，并因此，将省略其重复描述。
图10为根据本申请实施例的节能型建筑物能效跟踪控制管理系统的应用场景图。如图10所示，在该应用场景中，首先，利用温度传感器和湿度传感器来采集节能型建筑物内所有区域在预定时间段内多个预定时间点的温度值(例如，图10中所示意的D1)和湿度值(例如，图10中所示意的D2)，然后，将所述温度值和湿度值输入至部署有节能型建筑物能效跟踪控制管理算法的服务器中(例如，图10中所示意的S)，其中，所述服务器能够使用所述节能型建筑物能效跟踪控制管理算法对所述温度值和湿度值进行处理以得到用于表示是否关闭空调的分类结果。
本申请使用了特定词语来描述本申请的实施例。如“第一/第二实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外，本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外，本领域技术人员可以理解，本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。
除非另有定义，这里使用的所有术语(包括技术和科学术语)具有与本发明所属领域的普通技术人员共同理解的相同含义。还应当理解，诸如在通常字典里定义的那些术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义，而不应用理想化或极度形式化的意义来解释，除非这里明确地这样定义。
上面是对本发明的说明，而不应被认为是对其的限制。尽管描述了本发明的若干示例性实施例，但本领域技术人员将容易地理解，在不背离本发明的新颖教学和优点的前提下可以对示例性实施例进行许多修改。因此，所有这些修改都意图包含在权利要求书所限定的本发明范围内。应当理解，上面是对本发明的说明，而不应被认为是限于所公开的特定实施例，并且对所公开的实施例以及其他实施例的修改意图包含在所附权利要求书的范围内。本发明由权利要求书及其等效物限定。
Claims (10)
1.一种节能型建筑物能效跟踪控制管理系统，其特征在于，包括：
数据采集模块，用于利用温度传感器和湿度传感器来采集节能型建筑物内所有区域在预定时间段内多个预定时间点的温度值和湿度值；
数据处理模块，用于对所述温度值和湿度值进行分析和处理以得到空调控制策略；
控制模块，用于基于所述空调控制策略来对所述节能型建筑物中的空调进行控制；
显示模块，用于向用户展示所述数据处理模块的所述空调控制策略以及所述控制模块的控制效果；以及
通信模块，用于实现所述数据采集模块、所述数据处理模块、所述控制模块和所述显示模块之间的数据传输和信息交互。
2.根据权利要求1所述的节能型建筑物能效跟踪控制管理系统，其特征在于，所述数据处理模块，包括：
温湿度值接收单元，用于接收所述节能型建筑物的第一区域在预定时间段内多个预定时间点的温度值和湿度值；
联合分析单元，用于对所述多个预定时间点的温度值和湿度值进行联合分析以得到温度-湿度主成分融合特征向量；以及
空调控制单元，用于基于所述温度-湿度主成分融合特征向量，确定所述空调控制策略。
3.根据权利要求2所述的节能型建筑物能效跟踪控制管理系统，其特征在于，所述联合分析单元，包括：
数据预处理子单元，用于将所述多个预定时间点的温度值和湿度值进行数据预处理以得到上采样温度时序输入向量和上采样湿度时序输入向量；以及
特征提取融合子单元，用于对所述上采样温度时序输入向量和所述上采样湿度时序输入向量进行特征提取和特征融合以得到所述温度-湿度主成分融合特征向量。
4.根据权利要求3所述的节能型建筑物能效跟踪控制管理系统，其特征在于，所述数据预处理子单元，包括：
输入向量排列二级子单元，用于将所述多个预定时间点的温度值和湿度值分别按照时间维度排列为温度时序输入向量和湿度时序输入向量；以及
上采样处理二级子单元，用于对所述温度时序输入向量和所述湿度时序输入向量分别进行基于线性插值的上采样处理以得到所述上采样温度时序输入向量和所述上采样湿度时序输入向量。
5.根据权利要求4所述的节能型建筑物能效跟踪控制管理系统，其特征在于，所述特征提取融合子单元，包括：
时序特征提取二级子单元，用于将所述上采样温度时序输入向量和所述上采样湿度时序输入向量分别通过基于一维卷积层的时序特征提取器以得到温度时序特征向量和湿度时序特征向量；以及
融合二级子单元，用于使用主成分分析来融合所述温度时序特征向量和所述湿度时序特征向量以得到所述温度-湿度主成分融合特征向量。
6.根据权利要求5所述的节能型建筑物能效跟踪控制管理系统，其特征在于，所述空调控制单元，包括：
分类子单元，用于将所述温度-湿度主成分融合特征向量通过分类器以得到分类结果，所述分类结果用于表示是否关闭空调；以及
控制子单元，用于将所述分类结果作为所述空调控制策略。
7.根据权利要求6所述的节能型建筑物能效跟踪控制管理系统，其特征在于，还包括用于对所述基于一维卷积层的时序特征提取器和所述分类器进行训练的训练模块；
其中，所述训练模块，包括：
训练数据获取单元，用于获取训练数据，所述训练数据包括所述节能型建筑物的第一区域在预定时间段内多个预定时间点的训练温度值和训练湿度值；
训练输入向量排列单元，用于将所述多个预定时间点的训练温度值和训练湿度值分别按照时间维度排列为训练温度时序输入向量和训练湿度时序输入向量；
训练上采样处理单元，用于对所述训练温度时序输入向量和所述训练湿度时序输入向量分别进行基于线性插值的上采样处理以得到训练上采样温度时序输入向量和训练上采样湿度时序输入向量；
训练时序特征提取单元，用于将所述训练上采样温度时序输入向量和所述训练上采样湿度时序输入向量分别通过所述基于一维卷积层的时序特征提取器以得到训练温度时序特征向量和训练湿度时序特征向量；
训练融合单元，用于使用主成分分析来融合所述训练温度时序特征向量和所述训练湿度时序特征向量以得到训练温度-湿度主成分融合特征向量；
训练分类单元，用于将所述训练温度-湿度主成分融合特征向量通过分类器以得到分类损失函数值；以及
训练迭代单元，用于以所述分类损失函数值来对所述基于一维卷积层的时序特征提取器和所述分类器进行训练，其中，在所述训练的每一轮迭代中，对所述分类器的权重矩阵进行基于基准注释的外部边界约束迭代。
8.根据权利要求7所述的节能型建筑物能效跟踪控制管理系统，其特征在于，所述训练迭代单元，进一步用于：
在所述训练的每一轮迭代中，以如下优化公式对所述分类器的权重矩阵进行基于基准注释的外部边界约束迭代；
其中，所述优化公式为：
其中，M1和M2分别是上次和本次迭代的权重矩阵，Vc是所述温度-湿度主成分融合特征向量，且Vc为列向量形式，(·)T表示转置操作，表示矩阵乘法，/>表示矩阵加法，M2′表示迭代后的所述分类器的权重矩阵。
9.一种节能型建筑物能效跟踪控制管理方法，其特征在于，包括：
利用温度传感器和湿度传感器来采集节能型建筑物内所有区域在预定时间段内多个预定时间点的温度值和湿度值；
对所述温度值和湿度值进行分析和处理以得到空调控制策略；
基于所述空调控制策略来对所述节能型建筑物中的空调进行控制；以及
向用户展示所述数据处理模块的所述空调控制策略以及所述控制模块的控制效果。
10.根据权利要求9所述的节能型建筑物能效跟踪控制管理方法，其特征在于，对所述温度值和湿度值进行分析和处理以得到空调控制策略，包括：
接收所述节能型建筑物的第一区域在预定时间段内多个预定时间点的温度值和湿度值；
对所述多个预定时间点的温度值和湿度值进行联合分析以得到温度-湿度主成分融合特征向量；以及基于所述温度-湿度主成分融合特征向量，确定所述空调控制策略。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311149848.6A CN117032363A (zh) | 2023-09-07 | 2023-09-07 | 节能型建筑物能效跟踪控制管理系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311149848.6A CN117032363A (zh) | 2023-09-07 | 2023-09-07 | 节能型建筑物能效跟踪控制管理系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117032363A true CN117032363A (zh) | 2023-11-10 |
Family
ID=88622814
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311149848.6A Pending CN117032363A (zh) | 2023-09-07 | 2023-09-07 | 节能型建筑物能效跟踪控制管理系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117032363A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117606112A (zh) * | 2023-11-20 | 2024-02-27 | 中建新疆建工集团第三建设工程有限公司 | 近零能耗建筑的室内环境控制系统及方法 |
-
2023
- 2023-09-07 CN CN202311149848.6A patent/CN117032363A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117606112A (zh) * | 2023-11-20 | 2024-02-27 | 中建新疆建工集团第三建设工程有限公司 | 近零能耗建筑的室内环境控制系统及方法 |
| CN117606112B (zh) * | 2023-11-20 | 2024-07-30 | 中建新疆建工集团第三建设工程有限公司 | 近零能耗建筑的室内环境控制系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | Application on traffic flow prediction of machine learning in intelligent transportation | |
| Cheng et al. | Fault detection and diagnosis for Air Handling Unit based on multiscale convolutional neural networks | |
| Khosrowpour et al. | Occupant workstation level energy-use prediction in commercial buildings: Developing and assessing a new method to enable targeted energy efficiency programs | |
| Stamatescu et al. | Data‐Driven Modelling of Smart Building Ventilation Subsystem | |
| WO2021107054A1 (ja) | 機械学習装置、デマンド制御システム、及び、空調制御システム | |
| CN117032363A (zh) | 节能型建筑物能效跟踪控制管理系统及方法 | |
| CN109740965A (zh) | 一种工程验证分析方法及装置 | |
| CN110781970A (zh) | 分类器的生成方法、装置、设备及存储介质 | |
| CN117202430B (zh) | 用于智慧灯杆的节能控制方法及系统 | |
| CN107330448A (zh) | 一种基于标记协方差和多标记分类的联合学习方法 | |
| CN116957315A (zh) | 雨衣布的智能化加工方法及其系统 | |
| CN116911929A (zh) | 基于大数据的广告服务终端及方法 | |
| CN117072740A (zh) | 气动调节阀的自动控制系统及其方法 | |
| CN117545122B (zh) | 一种led灯阵控制方法、装置、存储介质及设备 | |
| Shrivastava et al. | Selection of efficient and accurate prediction algorithm for employing real time 5G data load prediction | |
| CN117435489A (zh) | 基于需求文档自动分析软件功能点方法及系统 | |
| CN117371578A (zh) | 一种基于大数据的自动化终端电流统计分析方法及系统 | |
| CN116843345A (zh) | 基于人工智能技术对客户交易的智能风控系统及方法 | |
| CN117078007A (zh) | 一种融合尺度标签的多尺度风控系统及其方法 | |
| Chen | Embedding a back propagation network into fuzzy c-means for estimating job cycle time: wafer fabrication as an example | |
| US11847186B2 (en) | Methods and systems for obtaining user evulation used in natural gas energy measurement | |
| CN114529063A (zh) | 一种基于机器学习的金融领域数据预测方法、设备及介质 | |
| Li et al. | A Novel Semi-supervised Adaboost Technique Based on Improved Tri-training | |
| CN117555249B (zh) | 智能家居的门窗控制方法及系统 | |
| CN111414884A (zh) | 一种基于边缘计算的面部表情识别方法 |
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 |