基于人工智能的楼宇能耗控制方法及装置制造方法及图纸

本发明专利技术涉及一种基于人工智能的楼宇能耗控制方法及装置，方法包括以下步骤：a.采集楼宇内各个区域内的环境和设备信息以及能耗数据；b.根据环境和设备信息以及能耗数据建立环境、设备信息和能耗的关系的初始补缺模型；c.继续采集楼宇内各个区域内的环境和设备信息以及能耗数据训练所述初始补缺模型得到最终补缺模型，以获得完整的数据集；d.根据完整的数据集，建立环境和设备信息以及能耗数据的初始预测模型；e.继续采集楼宇内各个区域内的环境和设备信息以及能耗数据训练所述初始预测模型得到最终预测模型，以对楼宇能耗进行实时监测。所述的楼宇能耗控制装置针对楼宇主要耗能的公共区域空调、插座、照明三方面，采集多种环境变量信息，从而有效整合利用强相关的数据信息；并可从时间和空间两个维度进行智能化的实时分析和耗能预测，帮助能耗管理员做出智能化决策。化决策。化决策。

【技术实现步骤摘要】
基于人工智能的楼宇能耗控制方法及装置


[0001]本专利技术属于智能楼宇能耗控制领域，具体涉及一种基于人工智能的楼宇能耗控制方法及装置。

技术介绍

[0002]建筑业的发展带来的是建筑总量的增多，导致相应的建筑用能也不断上升，进而使建筑能耗在节能工作者中越发地收到重视。从上世纪七十年代末开始，建筑能耗正逐渐成为我国城镇生产生活的主要消耗源。本文提到的建筑能耗针对建筑运行能耗，指维持建筑物运行的如制冷设备、供暖设备、照明设备等各类设备的能耗，这意味着这部分的能耗始终贯穿于建筑的生命周期内，因此，建筑运行能耗一直是致力于建筑节能的研究人员所关注的重要领域。
[0003]为节约能耗资源，楼宇中往往会设立能耗管理系统。但实际的楼宇系统中，由于缺乏管理的统一标准，且大部分楼宇在建造时并未充分考虑到节能问题，没有有效的传感层对环境变量数据和能耗数据进行收集，因此难以管理且维护困难。
[0004]同时由于智能楼宇内网络节点多、系统庞大，在数据的传输、转发过程中，极易发生数据改变或丢失的情况，导致传输到控制层进行处理的信息数据往往与真实数据存在偏差，使数据处理的准确度变低，因此管理者进行数据处理时往往需要对能耗数据进行修正和补充。
[0005]而楼宇中的能源信息庞杂，且相关数据间往往具有很强的联动性，普通的算法往往难以处理如此巨大和复杂的数据。随着人工智能技术在建筑领域的渗透应用，人工智能算法越来越多地应用到建筑能耗预测方面。目前在建筑能耗预测领域应用过的人工智能算法有人工神经网络法、支持向量机法、深度学习法等方法，以及基于上述方法的优化算法。但建筑运行能耗数据是大量的历史数据，且随季节、环境、节假日等因素变化明显，具有长期依赖的关系。

技术实现思路

[0006]本专利技术的目的是提供一种基于人工智能的楼宇能耗控制方法及装置。
[0007]为达到上述目的，本专利技术采用的技术方案是：一种基于人工智能的楼宇能耗控制方法，其包括以下步骤：
[0008]a.采集楼宇内各个区域内的环境和设备信息以及能耗数据；
[0009]b.根据环境和设备信息以及能耗数据建立环境、设备信息和能耗的关系的初始补缺模型；
[0010]c.继续采集楼宇内各个区域内的环境和设备信息以及能耗数据训练所述初始补缺模型得到最终补缺模型，以获得完整的数据集；
[0011]d.根据完整的数据集，建立环境和设备信息以及能耗数据的初始预测模型；
[0012]e.继续采集楼宇内各个区域内的环境和设备信息以及能耗数据训练所述初始预
测模型得到最终预测模型，以对楼宇能耗进行实时监测。
[0013]另一种优化方式，步骤b中，基于EM算法建立初始补缺模型。
[0014]另一种优化方式，步骤d中，基于时间序列的LSTM预测算法，建立初始预测模型。
[0015]另一种优化方式，所述各个区域内的环境和设备信息包括各楼层的各会议室及公共区域的温湿度，光照强度，空气质量的变量信息，以及空调、插座和照明配置能耗。
[0016]另一种优化方式，步骤b，进行参数的最大似然估计，在已采集的数据及其分布模型基础上，估计出模型相应的参数，这组参数能够使从该模型中产生这些数据的概率最大，用于代表这个模型，对于f(x，θ)模型，样本k1，χ2，...，χ
n
，参数θ为最大似然估计量，记为似然函数记为：
[0017][0018]Expectation步骤，根据初始化的参数值或上一次迭代的模型参数估计隐藏变量的概率分布期望函数，隐藏变量的估计值：
[0019]Q
i
(z
i
)：＝f(z
i
|x
i
；θ)
[0020]Maximization步骤，将对数似然函数最大化，得到新的参数值，获得新的分布函数，新的参数值：
[0021][0022]另一种优化方式，步骤d中，遗忘门计算为：
[0023]f
t
＝σ(W
f
*[h
t
‑1，x
t
]+b
f
).
[0024]其中：f
t
代表遗忘门，i
t
代表输入门，O
t
代表输出门，C是细胞状态，存储记忆信息，C
t
‑1代表前一时刻的细胞状态，C
t
则是当前时刻的细胞状态，h是输出，h
t1
是前一刻的输出， [h
t
‑1，x
t
]将两个向量拼接起来，b
f
是门的偏置，Sigmoid函数输出0～1之间的数，作为遗忘门的控制信号，决定需要被遗忘或丢弃的信息，
[0025]输入门的计算为：
[0026]it＝σ(W
i
*[h
t
‑1，x
t
]+b
i
)
[0027]b
i
是输入门的偏置，使用Sigmoid函数是作为输入门的控制，其值决定上个时刻需要保留的信息，
[0028]当前细胞状态候选项：
[0029]C
t
′
＝tanh(W
c
*[h
t
‑
1xt
]+b
c
)
[0030]更新当前细胞状态，即更新当前时刻的信息：
[0031]C
t
＝f
t
*C
t
‑1+i
t
*C
t
′
[0032]当前的细胞状态即当前时刻的信息由两部分组成，一个是前一时刻细胞状态经过遗忘门丢弃一些信息后所保留的信息部分，另一部分是经输入门的值与当前细胞状态候选项相乘的值，表示需要加入到新细胞状态上的新信息，
[0033]输出门的计算为：
[0034]O
t
＝σ(W
o
*[h
t
‑1，x
t
]+b
o
)
[0035]LSTM的最终输出为：
[0036]h
t
＝O
t
*tsnh(C
t
)
[0037]由于LSTM的输出由输出门和当前细胞状态一起决定，对能耗数据进行预测。
[0038]本专利技术还提供了一种基于人工智能的楼宇能耗控制装置，其包括感知部、控制部以及连接在感知部和控制部之间的转发部，其特征在于：所述感知部包括安装于各区域内的温湿度传感器、光照强度传感器、空气质量检测传感器以及针对空调、插座和照明配置能耗传感器，所述转发部包括若干网关以及路由器，所述控制部包括储存有上述任一所述控制方法的处理器。
[0039]由于上述技术方案运用，本专利技术与现有技术相比具有下列优点：所述的楼宇能耗控制装置针对楼宇主要耗能的公共区域空调、插本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的楼宇能耗控制方法，其特征在于，其包括以下步骤：a.采集楼宇内各个区域内的环境和设备信息以及能耗数据；b.根据环境和设备信息以及能耗数据建立环境、设备信息和能耗的关系的初始补缺模型；c.继续采集楼宇内各个区域内的环境和设备信息以及能耗数据训练所述初始补缺模型得到最终补缺模型，以获得完整的数据集；d.根据完整的数据集，建立环境和设备信息以及能耗数据的初始预测模型；e.继续采集楼宇内各个区域内的环境和设备信息以及能耗数据训练所述初始预测模型得到最终预测模型，以对楼宇能耗进行实时监测。2.根据权利要求1所述的基于人工智能的楼宇能耗控制方法，其特征在于：步骤b中，基于EM算法建立初始补缺模型。3.根据权利要求1所述的基于人工智能的楼宇能耗控制方法，其特征在于：步骤d中，基于时间序列的LSTM预测算法，建立初始预测模型。4.根据权利要求1所述的基于人工智能的楼宇能耗控制方法，其特征在于：所述各个区域内的环境和设备信息包括各楼层的各会议室及公共区域的温湿度,光照强度,空气质量的变量信息,以及空调、插座和照明配置能耗。5.根据权利要求2所述的基于人工智能的楼宇能耗控制方法，其特征在于：步骤b，进行参数的最大似然估计，在已采集的数据及其分布模型基础上，估计出模型相应的参数，这组参数能够使从该模型中产生这些数据的概率最大，用于代表这个模型，对于f(x，θ)模型，样本χ1，χ2，...，χ
n
，参数θ为最大似然估计量，记为似然函数记为：Expectation步骤，根据初始化的参数值或上一次迭代的模型参数估计隐藏变量的概率分布期望函数，隐藏变量的估计值：Q
i
(z
i
)：＝f(z
i
|x
i
；θ)Maximization步骤，将对数似然函数最大化，得到新的参数值，获得新的分布函数，新的参数值：6.根据权利要求3所述的基于人工智能的楼宇能耗控制方法，其特征在于：步骤d中，遗忘门计算为：f
t
＝σ(W
f
*[h
t
‑1,x
t
]+b
f
)，其中：f
t
代表遗忘门，i
t
代表输入门，O
t
代表输出门，C是细胞状态，存储记忆信息，C
...

【专利技术属性】
技术研发人员：武锦，兰小东，
申请(专利权)人：中科苏州微电子产业技术研究院，
类型：发明
国别省市：