CN117077854A - 基于传感器网络的楼宇能耗监控方法及系统 - Google Patents
基于传感器网络的楼宇能耗监控方法及系统 Download PDFInfo
- Publication number
- CN117077854A CN117077854A CN202311028657.4A CN202311028657A CN117077854A CN 117077854 A CN117077854 A CN 117077854A CN 202311028657 A CN202311028657 A CN 202311028657A CN 117077854 A CN117077854 A CN 117077854A
- Authority
- CN
- China
- Prior art keywords
- energy consumption
- neural network
- historical
- sensing information
- parameter
- 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
Links
- 238000005265 energy consumption Methods 0.000 title claims abstract description 296
- 238000012544 monitoring process Methods 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000012549 training Methods 0.000 claims abstract description 61
- 238000003062 neural network model Methods 0.000 claims description 100
- 238000001931 thermography Methods 0.000 claims description 30
- 238000013528 artificial neural network Methods 0.000 claims description 21
- 230000005484 gravity Effects 0.000 claims description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 7
- 238000013479 data entry Methods 0.000 claims description 5
- 239000000446 fuel Substances 0.000 claims description 5
- 238000012545 processing Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000001953 sensory effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Computational Linguistics (AREA)
- Economics (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于传感器网络的楼宇能耗监控方法及系统，该方法包括：获取由包括在目标楼宇部署的多个传感器形成的传感器网络获取的历史传感信息和所述目标楼宇的历史能源消耗记录；根据所述历史能源消耗记录和所述历史传感信息，训练得到楼宇对应的能耗预测模型；获取由所述传感器网络获取的实时传感信息；根据所述实时传感信息和所述能耗预测模型，预测所述目标楼宇的能耗参数，并在所述能耗参数高于预设的参数阈值时进行报警。可见，本发明可以通过传感器获得的传感信息和楼宇的能源消耗记录来训练预测模型，以实现对实时传感信息的能耗预测以及报警，从而能够实现更加精准和实时的楼宇能耗监控和报警，实现绿色化建筑能耗目标。
Description
技术领域
本发明涉及数据预测技术领域，尤其涉及一种基于传感器网络的楼宇能耗监控方法及系统。
背景技术
随着城市化的发展和建筑的増多，楼宇建筑的能耗问题日渐成为了关注的焦点，而如何通过科技手段来监控以及减少楼宇建筑的能耗也成为了研究的重点。
但现有技术在实现对楼宇建筑的能耗的监控时，一般仅采用能源数据监控设备来实现对楼宇的特定能源输送通道的监控，例如通过水表或电表来实现对楼宇水能源和电能源的监控，没有考虑到利用数据传感网络以及神经网络技术来实现楼宇的能耗监控。可见，现有技术存在缺陷，亟需解决。
发明内容
本发明所要解决的技术问题在于，提供一种基于传感器网络的楼宇能耗监控方法及系统，能够实现更加精准和实时的楼宇能耗监控和报警，实现绿色化建筑能耗目标。
为了解决上述技术问题，本发明第一方面公开了一种基于传感器网络的楼宇能耗监控方法，所述方法包括：
获取由包括在目标楼宇部署的多个传感器形成的传感器网络获取的历史传感信息和所述目标楼宇的历史能源消耗记录；
根据所述历史能源消耗记录和所述历史传感信息，训练得到楼宇对应的能耗预测模型；
获取由所述传感器网络获取的实时传感信息；
根据所述实时传感信息和所述能耗预测模型，预测所述目标楼宇的能耗参数，并在所述能耗参数高于预设的参数阈值时进行报警。
作为一种可选的实施方式，在本发明第一方面中，所述传感器包括图像传感器、红外线热成像传感器和分贝传感器；和/或，所述历史传感信息或所述实时传感信息包括人员图像信息、热成像人员行动轨迹信息和工作区域的分贝信息。
作为一种可选的实施方式，在本发明第一方面中，所述历史能源消耗记录包括所述目标楼宇在历史时间段的电能消耗记录、水能消耗记录、燃料消耗记录中的至少一种。
作为一种可选的实施方式，在本发明第一方面中，所述能耗预测模型包括第一神经网络模型、第二神经网络模型和第三神经网络模型；所述根据所述历史能源消耗记录和所述历史传感信息，训练得到楼宇对应的能耗预测模型，包括：
将所述历史传感信息中的人员图像信息与所述历史能源消耗记录中对应时间点的能源消耗记录输入至第一神经网络模型中进行训练，得到训练好的第一神经网络；
根据所述历史传感信息中的热成像人员行动轨迹信息与所述历史能源消耗记录中对应时间点的能源消耗记录输入至第二神经网络模型中进行训练，得到训练好的第二神经网络；
将所述历史传感信息中的工作区域的分贝信息与所述历史能源消耗记录中对应时间点的能源消耗记录输入至第三神经网络模型中进行训练，得到训练好的第三神经网络。
作为一种可选的实施方式，在本发明第一方面中，在所述将所述历史传感信息中的人员图像信息与所述历史能源消耗记录中对应时间点的能源消耗记录输入至第一神经网络模型中进行训练，得到训练好的第一神经网络之前，所述方法还包括：
将所述历史传感信息中的人员图像信息、热成像人员行动轨迹信息和工作区域的分贝信息与所述历史能源消耗记录中对应时间点的能源消耗记录作为同一套训练数据集，输入至第一神经网络模型、第二神经网络模型和第三神经网络模型中进行预训练后，保留所述第一神经网络模型、第二神经网络模型和第三神经网络模型的编码层参数；所述编码层参数在后续的训练中保持不变。
作为一种可选的实施方式，在本发明第一方面中，所述根据所述实时传感信息和所述能耗预测模型，预测所述目标楼宇的能耗参数，包括：
计算所述实时传感信息中人员图像信息、热成像人员行动轨迹信息和工作区域的分贝信息分别对应的数据比重参数；所述数据比重参数包括数据大小占比和数据条目占比中的一种或两种的加权求和平均值；
将所述实时传感信息分别输入至所述第一神经网络模型、第二神经网络模型和第三神经网络模型中，以得到输出的第一预测能耗参数、第二预测能耗参数和第三预测能耗参数；
计算所述第一预测能耗参数、第二预测能耗参数和第三预测能耗参数的加权求和平均值，以得到所述目标楼宇的能耗参数；其中，所述第一预测能耗参数、第二预测能耗参数和第三预测能耗参数的权重分别与所述人员图像信息、热成像人员行动轨迹信息和工作区域的分贝信息对应的数据比重参数成正比，且所述第一预测能耗参数、第二预测能耗参数和第三预测能耗参数的权重之和为1。
作为一种可选的实施方式，在本发明第一方面中，所述获取由所述传感器网络获取的实时传感信息以及所述根据所述实时传感信息和所述能耗预测模型，预测所述目标楼宇的能耗参数的步骤每隔一个时间间隔执行一次；所述时间间隔与上一次执行时获取到的所述实时传感信息中包括的数据种类的数量成反比；
以及，所述在所述能耗参数高于预设的参数阈值时进行报警，包括：
计算前预设数量次执行得到的所述能耗参数的平均值，并在所述能耗参数的平均值高于预设的参数阈值时进行报警。
本发明第二方面公开了一种基于传感器网络的楼宇能耗监控系统，所述系统包括：
第一获取模块，用于获取由包括在目标楼宇部署的多个传感器形成的传感器网络获取的历史传感信息和所述目标楼宇的历史能源消耗记录；
训练模块，用于根据所述历史能源消耗记录和所述历史传感信息，训练得到楼宇对应的能耗预测模型；
第二获取模块，用于获取由所述传感器网络获取的实时传感信息；
预测模块，用于根据所述实时传感信息和所述能耗预测模型，预测所述目标楼宇的能耗参数，并在所述能耗参数高于预设的参数阈值时进行报警。
作为一种可选的实施方式，在本发明第二方面中，所述传感器包括图像传感器、红外线热成像传感器和分贝传感器；和/或，所述历史传感信息或所述实时传感信息包括人员图像信息、热成像人员行动轨迹信息和工作区域的分贝信息。
作为一种可选的实施方式，在本发明第二方面中，所述历史能源消耗记录包括所述目标楼宇在历史时间段的电能消耗记录、水能消耗记录、燃料消耗记录中的至少一种。
作为一种可选的实施方式，在本发明第二方面中，所述能耗预测模型包括第一神经网络模型、第二神经网络模型和第三神经网络模型；所述训练模块根据所述历史能源消耗记录和所述历史传感信息，训练得到楼宇对应的能耗预测模型的具体方式，包括：
将所述历史传感信息中的人员图像信息与所述历史能源消耗记录中对应时间点的能源消耗记录输入至第一神经网络模型中进行训练，得到训练好的第一神经网络；
根据所述历史传感信息中的热成像人员行动轨迹信息与所述历史能源消耗记录中对应时间点的能源消耗记录输入至第二神经网络模型中进行训练，得到训练好的第二神经网络；
将所述历史传感信息中的工作区域的分贝信息与所述历史能源消耗记录中对应时间点的能源消耗记录输入至第三神经网络模型中进行训练，得到训练好的第三神经网络。
作为一种可选的实施方式，在本发明第二方面中，所述训练模块还用于在将所述历史传感信息中的人员图像信息与所述历史能源消耗记录中对应时间点的能源消耗记录输入至第一神经网络模型中进行训练，得到训练好的第一神经网络之前，执行以下步骤：
将所述历史传感信息中的人员图像信息、热成像人员行动轨迹信息和工作区域的分贝信息与所述历史能源消耗记录中对应时间点的能源消耗记录作为同一套训练数据集，输入至第一神经网络模型、第二神经网络模型和第三神经网络模型中进行预训练后，保留所述第一神经网络模型、第二神经网络模型和第三神经网络模型的编码层参数；所述编码层参数在后续的训练中保持不变。
作为一种可选的实施方式，在本发明第二方面中，所述预测模块根据所述实时传感信息和所述能耗预测模型，预测所述目标楼宇的能耗参数的具体方式，包括：
计算所述实时传感信息中人员图像信息、热成像人员行动轨迹信息和工作区域的分贝信息分别对应的数据比重参数；所述数据比重参数包括数据大小占比和数据条目占比中的一种或两种的加权求和平均值；
将所述实时传感信息分别输入至所述第一神经网络模型、第二神经网络模型和第三神经网络模型中，以得到输出的第一预测能耗参数、第二预测能耗参数和第三预测能耗参数；
计算所述第一预测能耗参数、第二预测能耗参数和第三预测能耗参数的加权求和平均值，以得到所述目标楼宇的能耗参数；其中，所述第一预测能耗参数、第二预测能耗参数和第三预测能耗参数的权重分别与所述人员图像信息、热成像人员行动轨迹信息和工作区域的分贝信息对应的数据比重参数成正比，且所述第一预测能耗参数、第二预测能耗参数和第三预测能耗参数的权重之和为1。
作为一种可选的实施方式，在本发明第二方面中，所述第二获取模块和所述预测模块每隔一个时间间隔执行获取由所述传感器网络获取的实时传感信息的步骤以及所述根据所述实时传感信息和所述能耗预测模型，预测所述目标楼宇的能耗参数的步骤一次；所述时间间隔与上一次执行时获取到的所述实时传感信息中包括的数据种类的数量成反比；
以及，所述预测模块在所述能耗参数高于预设的参数阈值时进行报警的具体方式，包括：
计算前预设数量次执行得到的所述能耗参数的平均值，并在所述能耗参数的平均值高于预设的参数阈值时进行报警。
本发明第三方面公开了另一种基于传感器网络的楼宇能耗监控系统，所述系统包括：
存储有可执行程序代码的存储器；
与所述存储器耦合的处理器；
所述处理器调用所述存储器中存储的所述可执行程序代码，执行本发明第一方面公开的基于传感器网络的楼宇能耗监控方法中的部分或全部步骤。
本发明第四方面公开了一种计算机存储介质，所述计算机存储介质存储有计算机指令，所述计算机指令被调用时，用于执行本发明第一方面公开的基于传感器网络的楼宇能耗监控方法中的部分或全部步骤。
与现有技术相比，本发明具有以下有益效果：
本发明可以通过传感器获得的传感信息和楼宇的能源消耗记录来训练预测模型，以实现对实时传感信息的能耗预测以及报警，从而能够实现更加精准和实时的楼宇能耗监控和报警，实现绿色化建筑能耗目标。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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的附图。
图1是本发明实施例公开的一种基于传感器网络的楼宇能耗监控方法的流程示意图；
图2是本发明实施例公开的一种基于传感器网络的楼宇能耗监控系统的结构示意图；
图3是本发明实施例公开的另一种基于传感器网络的楼宇能耗监控系统的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。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。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或端没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或端固有的其他步骤或单元。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
本发明公开了一种基于传感器网络的楼宇能耗监控方法及系统，可以通过传感器获得的传感信息和楼宇的能源消耗记录来训练预测模型，以实现对实时传感信息的能耗预测以及报警，从而能够实现更加精准和实时的楼宇能耗监控和报警，实现绿色化建筑能耗目标。以下分别进行详细说明。
实施例一
请参阅图1，图1是本发明实施例公开的一种基于传感器网络的楼宇能耗监控方法的流程示意图。其中，图1所描述的方法可以应用于相应的数据处理设备、数据处理终端、数据处理服务器中，且该服务器可以是本地服务器，也可以是云服务器，本发明实施例不做限定如图1所示，该基于传感器网络的楼宇能耗监控方法可以包括以下操作：
101、获取由包括在目标楼宇部署的多个传感器形成的传感器网络获取的历史传感信息和目标楼宇的历史能源消耗记录。
可选的，传感器包括图像传感器、红外线热成像传感器和分贝传感器。
可选的，历史能源消耗记录包括目标楼宇在历史时间段的电能消耗记录、水能消耗记录、燃料消耗记录中的至少一种。
102、根据历史能源消耗记录和历史传感信息，训练得到楼宇对应的能耗预测模型。
可选的，历史传感信息或实时传感信息包括人员图像信息、热成像人员行动轨迹信息和工作区域的分贝信息。
103、获取由传感器网络获取的实时传感信息。
104、根据实时传感信息和能耗预测模型，预测目标楼宇的能耗参数，并在能耗参数高于预设的参数阈值时进行报警。
可见，实施本发明实施例所描述的方法可以通过传感器获得的传感信息和楼宇的能源消耗记录来训练预测模型，以实现对实时传感信息的能耗预测以及报警，从而能够实现更加精准和实时的楼宇能耗监控和报警，实现绿色化建筑能耗目标。
作为一种可选的实施例，能耗预测模型包括第一神经网络模型、第二神经网络模型和第三神经网络模型；上述步骤中的，根据历史能源消耗记录和历史传感信息，训练得到楼宇对应的能耗预测模型，包括：
将历史传感信息中的人员图像信息与历史能源消耗记录中对应时间点的能源消耗记录输入至第一神经网络模型中进行训练，得到训练好的第一神经网络；
根据历史传感信息中的热成像人员行动轨迹信息与历史能源消耗记录中对应时间点的能源消耗记录输入至第二神经网络模型中进行训练，得到训练好的第二神经网络；
将历史传感信息中的工作区域的分贝信息与历史能源消耗记录中对应时间点的能源消耗记录输入至第三神经网络模型中进行训练，得到训练好的第三神经网络。
通过上述实施例，能够实现根据历史能源消耗记录和历史传感信息分别训练出第一神经网络模型、第二神经网络模型和第三神经网络模型，以用于后续根据三个神经网络来更精确地预测楼宇的能耗。
作为一种可选的实施例，在上述步骤中的，将历史传感信息中的人员图像信息与历史能源消耗记录中对应时间点的能源消耗记录输入至第一神经网络模型中进行训练，得到训练好的第一神经网络之前，该方法还包括：
将历史传感信息中的人员图像信息、热成像人员行动轨迹信息和工作区域的分贝信息与历史能源消耗记录中对应时间点的能源消耗记录作为同一套训练数据集，输入至第一神经网络模型、第二神经网络模型和第三神经网络模型中进行预训练后，保留第一神经网络模型、第二神经网络模型和第三神经网络模型的编码层参数；编码层参数在后续的训练中保持不变。
通过上述实施例，能够实现通过同一套训练数据集对第一神经网络模型、第二神经网络模型和第三神经网络模型进行训练以得到学了相同参数特性的编码层，再进行后续的训练，能够使得最终训练得到的三个神经网络模型的输出结果具备关联性。
作为一种可选的实施例，上述步骤中的，根据实时传感信息和能耗预测模型，预测目标楼宇的能耗参数，包括：
计算实时传感信息中人员图像信息、热成像人员行动轨迹信息和工作区域的分贝信息分别对应的数据比重参数；数据比重参数包括数据大小占比和数据条目占比中的一种或两种的加权求和平均值；
将实时传感信息分别输入至第一神经网络模型、第二神经网络模型和第三神经网络模型中，以得到输出的第一预测能耗参数、第二预测能耗参数和第三预测能耗参数；
计算第一预测能耗参数、第二预测能耗参数和第三预测能耗参数的加权求和平均值，以得到目标楼宇的能耗参数；其中，第一预测能耗参数、第二预测能耗参数和第三预测能耗参数的权重分别与人员图像信息、热成像人员行动轨迹信息和工作区域的分贝信息对应的数据比重参数成正比，且第一预测能耗参数、第二预测能耗参数和第三预测能耗参数的权重之和为1。
通过上述实施例，能够通过计算第一神经网络模型、第二神经网络模型和第三神经网络模型输出的第一预测能耗参数、第二预测能耗参数和第三预测能耗参数的加权求和平均值来确定能耗参数，从而有效考虑了技术实际实施过程中传感器网络的传感信息获取的不同数据的占比可能不同的因素，可以提高最终预测的精确度。
作为一种可选的实施例，上述获取由传感器网络获取的实时传感信息的步骤，以及根据实时传感信息和能耗预测模型，预测目标楼宇的能耗参数的步骤每隔一个时间间隔执行一次；时间间隔与上一次执行时获取到的实时传感信息中包括的数据种类的数量成反比。
通过上述实施例，能够实现隔一段时间执行一次数据预测，且在前次获取的传感数据足够多样化的情况下，增大时间间隔，以节省计算资源。
作为一种可选的实施例，上述步骤中的，在能耗参数高于预设的参数阈值时进行报警，包括：
计算前预设数量次执行得到的能耗参数的平均值，并在能耗参数的平均值高于预设的参数阈值时进行报警。
通过上述实施例，能够实现根据多次执行得到的能耗参数的平均值和参数阈值来判断是否需要报警，从而能够实现更加精确的报警时机的确定。
实施例二
请参阅图2，图2是本发明实施例公开的一种基于传感器网络的楼宇能耗监控系统的结构示意图。其中，图2所描述的系统可以应用于相应的数据处理设备、数据处理终端、数据处理服务器中，且该服务器可以是本地服务器，也可以是云服务器，本发明实施例不做限定。如图2所示，该系统可以包括：
第一获取模块201，用于获取由包括在目标楼宇部署的多个传感器形成的传感器网络获取的历史传感信息和目标楼宇的历史能源消耗记录。
可选的，传感器包括图像传感器、红外线热成像传感器和分贝传感器。
可选的，历史能源消耗记录包括目标楼宇在历史时间段的电能消耗记录、水能消耗记录、燃料消耗记录中的至少一种。
训练模块202，用于根据历史能源消耗记录和历史传感信息，训练得到楼宇对应的能耗预测模型。
可选的，历史传感信息或实时传感信息包括人员图像信息、热成像人员行动轨迹信息和工作区域的分贝信息。
第二获取模块203，用于获取由传感器网络获取的实时传感信息。
预测模块204，用于根据实时传感信息和能耗预测模型，预测目标楼宇的能耗参数，并在能耗参数高于预设的参数阈值时进行报警。
可见，实施本发明实施例所描述的装置可以通过传感器获得的传感信息和楼宇的能源消耗记录来训练预测模型，以实现对实时传感信息的能耗预测以及报警，从而能够实现更加精准和实时的楼宇能耗监控和报警，实现绿色化建筑能耗目标。
作为一种可选的实施例，能耗预测模型包括第一神经网络模型、第二神经网络模型和第三神经网络模型；训练模块202根据历史能源消耗记录和历史传感信息，训练得到楼宇对应的能耗预测模型的具体方式，包括：
将历史传感信息中的人员图像信息与历史能源消耗记录中对应时间点的能源消耗记录输入至第一神经网络模型中进行训练，得到训练好的第一神经网络；
根据历史传感信息中的热成像人员行动轨迹信息与历史能源消耗记录中对应时间点的能源消耗记录输入至第二神经网络模型中进行训练，得到训练好的第二神经网络；
将历史传感信息中的工作区域的分贝信息与历史能源消耗记录中对应时间点的能源消耗记录输入至第三神经网络模型中进行训练，得到训练好的第三神经网络。
通过上述实施例，能够实现根据历史能源消耗记录和历史传感信息分别训练出第一神经网络模型、第二神经网络模型和第三神经网络模型，以用于后续根据三个神经网络来更精确地预测楼宇的能耗。
作为一种可选的实施例，训练模块202还用于在将历史传感信息中的人员图像信息与历史能源消耗记录中对应时间点的能源消耗记录输入至第一神经网络模型中进行训练，得到训练好的第一神经网络之前，执行以下步骤：
将历史传感信息中的人员图像信息、热成像人员行动轨迹信息和工作区域的分贝信息与历史能源消耗记录中对应时间点的能源消耗记录作为同一套训练数据集，输入至第一神经网络模型、第二神经网络模型和第三神经网络模型中进行预训练后，保留第一神经网络模型、第二神经网络模型和第三神经网络模型的编码层参数；编码层参数在后续的训练中保持不变。
通过上述实施例，能够实现通过同一套训练数据集对第一神经网络模型、第二神经网络模型和第三神经网络模型进行训练以得到学了相同参数特性的编码层，再进行后续的训练，能够使得最终训练得到的三个神经网络模型的输出结果具备关联性。
作为一种可选的实施例，预测模块204根据实时传感信息和能耗预测模型，预测目标楼宇的能耗参数的具体方式，包括：
计算实时传感信息中人员图像信息、热成像人员行动轨迹信息和工作区域的分贝信息分别对应的数据比重参数；数据比重参数包括数据大小占比和数据条目占比中的一种或两种的加权求和平均值；
将实时传感信息分别输入至第一神经网络模型、第二神经网络模型和第三神经网络模型中，以得到输出的第一预测能耗参数、第二预测能耗参数和第三预测能耗参数；
计算第一预测能耗参数、第二预测能耗参数和第三预测能耗参数的加权求和平均值，以得到目标楼宇的能耗参数；其中，第一预测能耗参数、第二预测能耗参数和第三预测能耗参数的权重分别与人员图像信息、热成像人员行动轨迹信息和工作区域的分贝信息对应的数据比重参数成正比，且第一预测能耗参数、第二预测能耗参数和第三预测能耗参数的权重之和为1。
通过上述实施例，能够通过计算第一神经网络模型、第二神经网络模型和第三神经网络模型输出的第一预测能耗参数、第二预测能耗参数和第三预测能耗参数的加权求和平均值来确定能耗参数，从而有效考虑了技术实际实施过程中传感器网络的传感信息获取的不同数据的占比可能不同的因素，可以提高最终预测的精确度。
作为一种可选的实施例，第二获取模块203和预测模块204每隔一个时间间隔执行获取由传感器网络获取的实时传感信息的步骤以及根据实时传感信息和能耗预测模型，预测目标楼宇的能耗参数的步骤一次；时间间隔与上一次执行时获取到的实时传感信息中包括的数据种类的数量成反比。
通过上述实施例，能够实现隔一段时间执行一次数据预测，且在前次获取的传感数据足够多样化的情况下，增大时间间隔，以节省计算资源。
作为一种可选的实施例，预测模块204在能耗参数高于预设的参数阈值时进行报警的具体方式，包括：
计算前预设数量次执行得到的能耗参数的平均值，并在能耗参数的平均值高于预设的参数阈值时进行报警。
通过上述实施例，能够实现根据多次执行得到的能耗参数的平均值和参数阈值来判断是否需要报警，从而能够实现更加精确的报警时机的确定。
实施例三
请参阅图3，图3是本发明实施例公开的另一种基于传感器网络的楼宇能耗监控系统的结构示意图。如图3所示，该系统可以包括：
存储有可执行程序代码的存储器301；
与存储器301耦合的处理器302；
处理器302调用存储器301中存储的可执行程序代码，执行本发明实施例一公开的基于传感器网络的楼宇能耗监控方法中的部分或全部步骤。
实施例四
本发明实施例公开了一种计算机存储介质，该计算机存储介质存储有计算机指令，该计算机指令被调用时，用于执行本发明实施例一公开的基于传感器网络的楼宇能耗监控方法中的部分或全部步骤。
以上所描述的系统实施例仅是示意性的，其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施例的具体描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中,存储介质包括只读存储器(Read-Only Memory，ROM)、随机存储器(Random Access Memory，RAM)、可编程只读存储器(Programmable Read-only Memory，PROM)、可擦除可编程只读存储器(ErasableProgrammable Read Only Memory，EPROM)、一次可编程只读存储器(One-timeProgrammable Read-Only Memory，OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory，EEPROM)、只读光盘(CompactDisc Read-Only Memory，CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
最后应说明的是：本发明实施例公开的一种基于传感器网络的楼宇能耗监控方法及系统所揭露的仅为本发明较佳实施例而已，仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解；其依然可以对前述各项实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或替换，并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。
Claims (10)
1.一种基于传感器网络的楼宇能耗监控方法，其特征在于，所述方法包括：
获取由包括在目标楼宇部署的多个传感器形成的传感器网络获取的历史传感信息和所述目标楼宇的历史能源消耗记录；
根据所述历史能源消耗记录和所述历史传感信息，训练得到楼宇对应的能耗预测模型；
获取由所述传感器网络获取的实时传感信息；
根据所述实时传感信息和所述能耗预测模型，预测所述目标楼宇的能耗参数，并在所述能耗参数高于预设的参数阈值时进行报警。
2.根据权利要求1所述的基于传感器网络的楼宇能耗监控方法，其特征在于，所述传感器包括图像传感器、红外线热成像传感器和分贝传感器；和/或，所述历史传感信息或所述实时传感信息包括人员图像信息、热成像人员行动轨迹信息和工作区域的分贝信息。
3.根据权利要求2所述的基于传感器网络的楼宇能耗监控方法，其特征在于，所述历史能源消耗记录包括所述目标楼宇在历史时间段的电能消耗记录、水能消耗记录、燃料消耗记录中的至少一种。
4.根据权利要求3所述的基于传感器网络的楼宇能耗监控方法，其特征在于，所述能耗预测模型包括第一神经网络模型、第二神经网络模型和第三神经网络模型；所述根据所述历史能源消耗记录和所述历史传感信息，训练得到楼宇对应的能耗预测模型，包括：
将所述历史传感信息中的人员图像信息与所述历史能源消耗记录中对应时间点的能源消耗记录输入至第一神经网络模型中进行训练，得到训练好的第一神经网络；
根据所述历史传感信息中的热成像人员行动轨迹信息与所述历史能源消耗记录中对应时间点的能源消耗记录输入至第二神经网络模型中进行训练，得到训练好的第二神经网络；
将所述历史传感信息中的工作区域的分贝信息与所述历史能源消耗记录中对应时间点的能源消耗记录输入至第三神经网络模型中进行训练，得到训练好的第三神经网络。
5.根据权利要求4所述的基于传感器网络的楼宇能耗监控方法，其特征在于，在所述将所述历史传感信息中的人员图像信息与所述历史能源消耗记录中对应时间点的能源消耗记录输入至第一神经网络模型中进行训练，得到训练好的第一神经网络之前，所述方法还包括：
将所述历史传感信息中的人员图像信息、热成像人员行动轨迹信息和工作区域的分贝信息与所述历史能源消耗记录中对应时间点的能源消耗记录作为同一套训练数据集，输入至第一神经网络模型、第二神经网络模型和第三神经网络模型中进行预训练后，保留所述第一神经网络模型、第二神经网络模型和第三神经网络模型的编码层参数；所述编码层参数在后续的训练中保持不变。
6.根据权利要求5所述的基于传感器网络的楼宇能耗监控方法，其特征在于，所述根据所述实时传感信息和所述能耗预测模型，预测所述目标楼宇的能耗参数，包括：
计算所述实时传感信息中人员图像信息、热成像人员行动轨迹信息和工作区域的分贝信息分别对应的数据比重参数；所述数据比重参数包括数据大小占比和数据条目占比中的一种或两种的加权求和平均值；
将所述实时传感信息分别输入至所述第一神经网络模型、第二神经网络模型和第三神经网络模型中，以得到输出的第一预测能耗参数、第二预测能耗参数和第三预测能耗参数；
计算所述第一预测能耗参数、第二预测能耗参数和第三预测能耗参数的加权求和平均值，以得到所述目标楼宇的能耗参数；其中，所述第一预测能耗参数、第二预测能耗参数和第三预测能耗参数的权重分别与所述人员图像信息、热成像人员行动轨迹信息和工作区域的分贝信息对应的数据比重参数成正比，且所述第一预测能耗参数、第二预测能耗参数和第三预测能耗参数的权重之和为1。
7.根据权利要求1所述的基于传感器网络的楼宇能耗监控方法，其特征在于，所述获取由所述传感器网络获取的实时传感信息以及所述根据所述实时传感信息和所述能耗预测模型，预测所述目标楼宇的能耗参数的步骤每隔一个时间间隔执行一次；所述时间间隔与上一次执行时获取到的所述实时传感信息中包括的数据种类的数量成反比；
以及，所述在所述能耗参数高于预设的参数阈值时进行报警，包括：
计算前预设数量次执行得到的所述能耗参数的平均值，并在所述能耗参数的平均值高于预设的参数阈值时进行报警。
8.一种基于传感器网络的楼宇能耗监控系统，其特征在于，所述系统包括：
第一获取模块，用于获取由包括在目标楼宇部署的多个传感器形成的传感器网络获取的历史传感信息和所述目标楼宇的历史能源消耗记录；
训练模块，用于根据所述历史能源消耗记录和所述历史传感信息，训练得到楼宇对应的能耗预测模型；
第二获取模块，用于获取由所述传感器网络获取的实时传感信息；
预测模块，用于根据所述实时传感信息和所述能耗预测模型，预测所述目标楼宇的能耗参数，并在所述能耗参数高于预设的参数阈值时进行报警。
9.一种基于传感器网络的楼宇能耗监控系统，其特征在于，所述系统包括：
存储有可执行程序代码的存储器；
与所述存储器耦合的处理器；
所述处理器调用所述存储器中存储的所述可执行程序代码，执行如权利要求1-7任一项所述的基于传感器网络的楼宇能耗监控方法。
10.一种计算机存储介质，其特征在于，所述计算机存储介质存储有计算机指令，所述计算机指令被调用时，用于执行如权利要求1-7任一项所述的基于传感器网络的楼宇能耗监控方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311028657.4A CN117077854B (zh) | 2023-08-15 | 2023-08-15 | 基于传感器网络的楼宇能耗监控方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311028657.4A CN117077854B (zh) | 2023-08-15 | 2023-08-15 | 基于传感器网络的楼宇能耗监控方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117077854A true CN117077854A (zh) | 2023-11-17 |
| CN117077854B CN117077854B (zh) | 2024-04-16 |
Family
ID=88717809
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311028657.4A Active CN117077854B (zh) | 2023-08-15 | 2023-08-15 | 基于传感器网络的楼宇能耗监控方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117077854B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117486029A (zh) * | 2023-12-28 | 2024-02-02 | 深圳市一广建设工程有限公司 | 基于传感器网络的电梯能耗实时监控方法及系统 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106295902A (zh) * | 2016-08-19 | 2017-01-04 | 北京世纪微熵科技股份有限公司 | 建筑冷热负荷预测系统、方法及建筑内部空气调节系统 |
| CN106292627A (zh) * | 2016-08-10 | 2017-01-04 | 广东技术师范学院 | 一种低功耗建筑设备能源流的网络监测模块 |
| CN107590565A (zh) * | 2017-09-08 | 2018-01-16 | 北京首钢自动化信息技术有限公司 | 一种构建建筑能耗预测模型的方法及装置 |
| CN108320016A (zh) * | 2018-03-08 | 2018-07-24 | 南京工业大学 | 一种建筑能耗短期预测方法 |
| CN112113317A (zh) * | 2020-10-14 | 2020-12-22 | 清华大学 | 一种室内热环境控制系统及方法 |
| CN213119453U (zh) * | 2020-10-14 | 2021-05-04 | 清华大学 | 一种室内热环境控制系统 |
| CN112766596A (zh) * | 2021-01-29 | 2021-05-07 | 苏州思萃融合基建技术研究所有限公司 | 建筑能耗预测模型的构建方法、能耗预测方法及装置 |
| CN114897241A (zh) * | 2022-05-10 | 2022-08-12 | 南京英诺森软件科技有限公司 | 一种基于数字孪生的楼宇能效智能化监管预测方法 |
| CN116109011A (zh) * | 2023-04-10 | 2023-05-12 | 知鱼智联科技股份有限公司 | 一种智慧园区的能耗管理方法及终端 |
| 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 |
| CN116494241A (zh) * | 2023-06-01 | 2023-07-28 | 上海启丰电子科技有限公司 | 一种机器人保安控制系统 |
-
2023
- 2023-08-15 CN CN202311028657.4A patent/CN117077854B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106292627A (zh) * | 2016-08-10 | 2017-01-04 | 广东技术师范学院 | 一种低功耗建筑设备能源流的网络监测模块 |
| CN106295902A (zh) * | 2016-08-19 | 2017-01-04 | 北京世纪微熵科技股份有限公司 | 建筑冷热负荷预测系统、方法及建筑内部空气调节系统 |
| CN107590565A (zh) * | 2017-09-08 | 2018-01-16 | 北京首钢自动化信息技术有限公司 | 一种构建建筑能耗预测模型的方法及装置 |
| CN108320016A (zh) * | 2018-03-08 | 2018-07-24 | 南京工业大学 | 一种建筑能耗短期预测方法 |
| CN112113317A (zh) * | 2020-10-14 | 2020-12-22 | 清华大学 | 一种室内热环境控制系统及方法 |
| CN213119453U (zh) * | 2020-10-14 | 2021-05-04 | 清华大学 | 一种室内热环境控制系统 |
| CN112766596A (zh) * | 2021-01-29 | 2021-05-07 | 苏州思萃融合基建技术研究所有限公司 | 建筑能耗预测模型的构建方法、能耗预测方法及装置 |
| CN114897241A (zh) * | 2022-05-10 | 2022-08-12 | 南京英诺森软件科技有限公司 | 一种基于数字孪生的楼宇能效智能化监管预测方法 |
| CN116109011A (zh) * | 2023-04-10 | 2023-05-12 | 知鱼智联科技股份有限公司 | 一种智慧园区的能耗管理方法及终端 |
| 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 |
| CN116494241A (zh) * | 2023-06-01 | 2023-07-28 | 上海启丰电子科技有限公司 | 一种机器人保安控制系统 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117486029A (zh) * | 2023-12-28 | 2024-02-02 | 深圳市一广建设工程有限公司 | 基于传感器网络的电梯能耗实时监控方法及系统 |
| CN117486029B (zh) * | 2023-12-28 | 2024-03-08 | 深圳市一广建设工程有限公司 | 基于传感器网络的电梯能耗实时监控方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117077854B (zh) | 2024-04-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109041099B (zh) | 人流量预测方法、装置及终端 | |
| CN117077854B (zh) | 基于传感器网络的楼宇能耗监控方法及系统 | |
| CN116128674B (zh) | 一种基于智能交通的能源数据处理方法及装置 | |
| CN114911788B (zh) | 一种数据插补方法、装置及存储介质 | |
| CN115794532A (zh) | 多指标智能动态阈值监控方法及系统 | |
| CN114143734A (zh) | 一种用于5g物联网卡流量采集的数据处理方法及装置 | |
| CN112128950B (zh) | 一种基于多种模型对比的机房温湿度预测方法及系统 | |
| CN116245492B (zh) | 一种用于跟踪工程进度的数据处理方法及装置 | |
| CN117227177A (zh) | 基于设备间监督的多任务打印控制方法及系统 | |
| CN117093943A (zh) | 一种用电量监测预警方法及装置 | |
| CN115988034B (zh) | 管道安全状态的智能化监测方法及系统、服务平台 | |
| CN113011657A (zh) | 进行台风水位预测的方法、装置、电子设备及存储介质 | |
| CN113011674A (zh) | 一种光伏发电预测方法、装置、电子设备及存储介质 | |
| CN116863272B (zh) | 基于工程分类的巡检图像处理方法及系统 | |
| CN117235873B (zh) | 基于历史工作记录的智慧家居布局方法及系统 | |
| CN116934041B (zh) | 一种基于物联网协同的工厂任务管理方法及系统 | |
| CN116758111B (zh) | 基于ai算法的施工现场目标物追踪方法及装置 | |
| CN114792209B (zh) | 一种工程施工风险评估的方法、设备及存储介质 | |
| CN116955456B (zh) | 基于开源情报的舆论数据处理方法及系统 | |
| CN117201502B (zh) | 基于人工智能的智能云服务器接入方法及系统 | |
| CN114694099B (zh) | 基于人工智能的人流量预测方法、装置及相关设备 | |
| CN117632905A (zh) | 基于云端使用记录的数据库管理方法及系统 | |
| CN117237282A (zh) | 一种盆底超声图像分析方法及装置 | |
| CN116125288A (zh) | 用于检测电池异常的方法和装置 | |
| CN118153972A (zh) | 一种基于机器学习预测森林火险等级的方法及设备 |
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 |