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技术方案

本发明专利技术公开了一种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，方法包括以下步骤：S1：采集前端实时用能数据和环境信息；S2：将步骤S1采集的前端实时用能数据和环境信息与历史用能数据进行分类存储；S3：根据所述实时用能数据，建立BP神经网络模型，并采用粒子群算法优化所述BP神经网络模型来进行校园能源用量的预测，根据所述校园能源用量的预测，得到能源浪费位置和原因；S4：根据能源浪费位置找到对应的耗能设备，自动化控制耗能设备的工作状态。本发明专利技术为学校管理部门提供能源动态监控信息和能耗数据分析和信息发布、设备节能分析、电力安全防范等智慧化能源管理技术。电力安全防范等智慧化能源管理技术。电力安全防范等智慧化能源管理技术。

【技术实现步骤摘要】
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


[0001]本专利技术涉及校园的能源和电气安全问题领域，更具体地，涉及一种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。

技术介绍

[0002]随着教学环境的变化和教学技术的发展，学校的能源消耗总量持续上升，存在比较严重的能源资源浪费现象，并且学校属于人员密度比较高的场合，对电气安全必须高度重视。因此节能减排和安全预防的工作对于学校非常重要。但是由于学校建筑类型和数量多，占地面积大，校园不仅有教学楼、科研楼、行政办公楼等公共建筑，而且有宿舍楼等居住建筑和食堂、浴室等生活辅助建筑。故其能源管理和火灾预防工作存在如下局限：学校设备多，很难统一监测实际使用情况、异常用电情况难定位主要原因、学校场景大，缺少统一设备管控平台、场景用电缺乏统一管理分析、学校人员多，对大功率危险设备管控难，所以很多学校没有合理的能源管理和电气火灾预防系统。
[0003]目前，现有的学校能耗和安全的管理系统和方法存在以下缺陷：能耗指标不明确，无法对实时指标进行动态监控，可操作性差，未进一步开发节能空间，并且电气火灾预警和自动管理技术不完善。因此，亟需研发一种基于人工智能技术进行学校能源和安全方面的一体化管理系统。
[0004]现有技术中公开了一种基于云计算大数据的校园能耗监测系统，包括数据采集层、数据处理层和显示层，所述数据采集层通讯连接所述数据处理层，所述数据处理层通讯连接所述显示层；本专利技术的有益效果：通过数据采集层准确采集校园内水、电、气的消耗数据，通过数据处理层对数据采集层采集的数据进行计算和存储，显示层通过数据处理层的计算结果，直观的环比显示能耗监测结果。该专利同样存在自动管理技术不完善等的缺陷。

技术实现思路

[0005]本专利技术的首要目的是提供一种基于人工智能技术的校园能效与电气安全管理方法，促进学校节能管理精细化，达到安全用能、节能减排的目的。
[0006]本专利技术的进一步目的是提供一种基于人工智能技术的校园能效与电气安全管理系统。
[0007]为解决上述技术问题，本专利技术的技术方案如下：
[0008]一种基于人工智能技术的校园能效与电气安全管理方法，包括以下步骤：
[0009]S1：采集前端实时用能数据和环境信息；
[0010]S2：将步骤S1采集的前端实时用能数据和环境信息与历史用能数据进行分类存储；
[0011]S3：根据所述实时用能数据，建立BP神经网络模型，并采用粒子群算法优化所述BP神经网络模型来进行校园能源用量的预测，根据所述校园能源用量的预测，得到能源浪费位置和原因；
[0012]S4：根据能源浪费位置找到对应的耗能设备，自动化控制耗能设备的工作状态。
[0013]优选地，步骤S1中采集前端实时用能数据和环境信息，具体包括：
[0014]用电量、太阳辐射值、太阳能用能、风速、风能用能、用水量、天然气用量、直接供热量、室内温度、万历表、人数和水泵用电量。
[0015]优选地，步骤S3中建立BP神经网络模型，具体包括以下步骤：
[0016]S201：设置输入神经元，输出神经元和隐含层神经元；
[0017]S202：设置最大训练步数、学习率和停止训练参数；
[0018]S203：将样本数据进行归一化映射到(0,1)之间；
[0019]S204：BP神经网络模型的输出再进行反归一化处理；
[0020]S205：利用用电量、太阳辐射值、风速、用水量、天然气用量、直接供热量、室内温度、万历表、人数和水泵用电量作为输入数据，用电量、太阳能用能、风能用能、天然气用量、直接供热量、用水量和水泵用电量作为输出数据训练所述BP神经网络模型；
[0021]S206：当误差小于所述停止训练参数时，训练结束，得到初步训练好的BP神经网络模型。
[0022]优选地，步骤S3中采用粒子群算法优化所述BP神经网络模型，具体包括以下步骤：
[0023]S211：初始化粒子群算法的最大迭代次数k、粒子个数m、惯性权重ω、学习因子c1和c2；
[0024]S212：确定粒子的位置和速度的变化范围，若超出这个范围D则设置为边界值，并随机选取每个粒子的初始位置和速度；
[0025]S213：将所述BP神经网路模型的预测误差作为粒子群的适应度函数，计算并比较粒子的适应度值，找到粒子的最优位置；
[0026]S214：在每一次迭代过程中，粒子目前所找到的最优解P
i
＝(P
i1
,P
i2
,
…
,P
iD
),整个种群目前所找到的最优解为P
s
＝(P
s1
,P
s2
,
…
,P
sD
),，每个粒子通过这两最优解来更新自己的速度和位置，相应的进化方程为
[0027]v
k+1
＝ωv
k
+1r1(P
i
‑
present)+2r2(P
g
‑
present)
[0028]P
k+1
＝P
k
+v
k+1
[0029]式中，v
k+1
、v
k
分别为第k次迭代时粒子的速度，P
k+1
、P
k
分别为第k次迭代时粒子的位置，present表示粒子当前所处位置，r1、r2为[0，1]范围内产生的随机数；
[0030]S215：当超过最大迭代次数k时停止运行；在预设的迭代次数内搜索到最优的网络连接权值，对BP神经网络模型进行优化。
[0031]优选地，步骤S3还包括建立预测误差估计模型，当校园能源用量的预测的误差在允许范围内时，将当前校园能源消耗情况与校园能源消耗最低的工作模式对比形成能源成本报表，得到能源浪费位置和原因；当校园能源用量的预测的误差不在允许范围内时，重新收集前端实时用能数据和环境信息，重新建立BP神经网络模型，并采用粒子群算法优化所述BP神经网络模型。
[0032]优选地，所述预测误差估计模型，具体为：
[0033]S221：将采用粒子群算法优化后的BP神经网络模型的预测数据结果s
f
与历史用能数据s
q
进行对比，计算不同时间段内的实际平均用能s
q
‑
、用能实际波动系数S
qa
以及用能预测值波动系数S
qf
：
[0034][0035][0036][0037]n表示预测数据结果s
f
与历史用能数据s
q
的个数；
[0038]S222：计算预测误差估计E
MAE
：
[0039]E
MAE
＝0+1S
qa
+2S
qf<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技术的校园能效与电气安全管理方法，其特征在于，包括以下步骤：S1：采集前端实时用能数据和环境信息；S2：将步骤S1采集的前端实时用能数据和环境信息与历史用能数据进行分类存储；S3：根据所述实时用能数据，建立BP神经网络模型，并采用粒子群算法优化所述BP神经网络模型来进行校园能源用量的预测，根据所述校园能源用量的预测，得到能源浪费位置和原因；S4：根据能源浪费位置找到对应的耗能设备，自动化控制耗能设备的工作状态。2.根据权利要求1所述的基于人工智能技术的校园能效与电气安全管理方法，其特征在于，步骤S1中采集前端实时用能数据和环境信息，具体包括：用电量、太阳辐射值、太阳能用能、风速、风能用能、用水量、天然气用量、直接供热量、室内温度、万历表、人数和水泵用电量。3.根据权利要求2所述的基于人工智能技术的校园能效与电气安全管理方法，其特征在于，步骤S3中建立BP神经网络模型，具体包括以下步骤：S201：设置输入神经元，输出神经元和隐含层神经元；S202：设置最大训练步数、学习率和停止训练参数；S203：将样本数据进行归一化映射到(0,1)之间；S204：BP神经网络模型的输出再进行反归一化处理；S205：利用用电量、太阳辐射值、风速、用水量、天然气用量、直接供热量、室内温度、万历表、人数和水泵用电量作为输入数据，用电量、太阳能用能、风能用能、天然气用量、直接供热量、用水量和水泵用电量作为输出数据训练所述BP神经网络模型；S206：当误差小于所述停止训练参数时，训练结束，得到初步训练好的BP神经网络模型。4.根据权利要求3所述的基于人工智能技术的校园能效与电气安全管理方法，其特征在于，步骤S3中采用粒子群算法优化所述BP神经网络模型，具体包括以下步骤：S211：初始化粒子群算法的最大迭代次数k、粒子个数m、惯性权重ω、学习因子c1和c2；S212：确定粒子的位置和速度的变化范围，若超出这个范围D则设置为边界值，并随机选取每个粒子的初始位置和速度；S213：将所述BP神经网路模型的预测误差作为粒子群的适应度函数，计算并比较粒子的适应度值，找到粒子的最优位置；S214：在每一次迭代过程中，粒子目前所找到的最优解P
i
＝(P
i1
,P
i2
,
…
,P
iD
),整个种群目前所找到的最优解为P
s
＝(P
s1
,P
s2
,
…
,P
sD
),，每个粒子通过这两最优解来更新自己的速度和位置，相应的进化方程为v
k+1
＝ωv
k
+c1r1(P
i
‑
present)+c2r2(P
g
‑
present)P
k+1
＝P
k
+v
k+1
式中，v
k+1
、v
k
分别为第k次迭代时粒子的速度，P
k+1
、P
k
分别为第k次迭代时粒子的位置，present表示粒子当前所处位置，r1、r2为[0，1]范围内产生的随机数；S215：当超过最大迭代次数k时停止运行；在预设的迭代次数内搜索到最优的网络连接权值，对BP神经网络模型进行优化。
5.根据权利要求4所述的基于人工智能技术的校园能效与电气安全管理方法，其特征在于，步骤S3还包括建立预测误差估计模型，当校园能源用量的预测的误差在允许范围内时，将当前校园能源消耗情况与校园能源消耗最低的工作模式对比形成能源成本报表，得到能源浪费位置和原因；当校园能源用量的预测的误差不在允许范围内时，重新收集前端实时用能数据和环境信息，重新建立BP神经网络模型，并采用粒子群算法优化所述BP神经网络模型。6.根据权利要求5所述的基于人工智能技术的校园能效与电气安全管理方法，其特征在于，所述预测误差估计模型，具体为：S221：将采用粒子群算法优化后的BP神经网络模型的预测数据结果s
f
与历史用能数据s
q
进行对比，计算不同时间段内的实际平均用能s
q
‑
、用能实际波动系数S
qa
以及用能预测值波动系数S
qf
：：：n表示预测数据结果s
f
与历史用能数据s
q
的个数；S222：计算预测误差估计E
MAE
：E
MAE
＝β0+β1S
qa
+β2S
qf
+β3S...

【专利技术属性】
技术研发人员：谭福太，谢方静，余昭胜，林海，陈庆文，张渊晟，马晓茜，
申请(专利权)人：广州汇锦能效科技有限公司，
类型：发明
国别省市：