【技术实现步骤摘要】
本专利技术涉及数字孪生，特别是一种基于数字孪生技术的区域分布式楼宇能源设备能耗数字化量化重建方法。
技术介绍
1、随着科技和生活水平的发展，为保障工作与生成，能源电器的类型以及数量均在不断增长，因此，对于能源的消耗也越来越多，从而使得目前针对能源的节约以及环保问题可以越受重视。楼宇作为人们工作和生活的能源消耗的重要场所，对于楼宇中的能源设备的能源管理的则至关重要。
2、目前，针对楼宇中的能源设备的能耗则是通过数据统计或者是人工操作和经验判断，无法实现准确的监管。
3、虽然在一些方面会结合智能的方式进行管理采集，但是对于楼宇数字耗能则无法进行有效的预测，以至于无法对特殊情况的能源使用进行合理的规划和方案预备。
技术实现思路
1、鉴于上述问题，本专利技术提出一种克服上述问题或者至少部分地解决上述问题的基于数字孪生技术的区域分布式楼宇能源设备能耗数字化量化重建方法，本专利技术的方案运用电能热能的测算以及楼宇间图片数据，运用创建的rtnn网络对楼宇的能耗大小进行精准测算和预测。
2、本专利技术提供了一种基于数字孪生技术的区域分布式楼宇能源设备能耗数字化量化重建方法，所述方法包括：
3、获取目标楼宇中能源设备的实时耗能数据；
4、根据纳维-斯托克斯方程和热力学第一定律，计算所述目标楼宇的楼宇间的热能能耗数据；
5、获取所述目标楼宇的楼宇图像数据；
6、基于所述实时耗能数据、热能能耗数据和楼宇图像数据生成多模态
7、利用所述多模态数据集对预先创建的rtnn网络进行训练，得到预测模型，以利用所述预测模型对所述目标楼宇的能耗进行综合预测。
8、可选地，获取目标楼宇中能源设备的实时耗能数据包括：
9、获取所述目标楼宇中能源设备的设备功率，根据所述设备功率实时计算所述目标楼宇中能源设备的实时能耗数据；
10、所述实时能耗数据包括平均功率、电流以及电压。
11、可选地，利用以下公式计算所述目标楼宇的楼宇间的热能能耗数据：
12、
13、其中d是提取的直流功率，a是提取的功率的交流部分的幅度，ω是交变频率，t是时间，t是总时间段，ρ是耦合流体的密度，z是包含时间导数、对流项以及非线性黏性应力张量的流体速度。
14、可选地，基于所述实时耗能数据、热能能耗数据和楼宇图像数据生成多模态数据集包括：
15、对所述实时能耗数据和热能能耗数据进行预处理，包括去除与实际情况差异较大的数据或者0数据；
16、对所述楼宇图像数据进行去噪和降维的预处理，基于经过预处理后的楼宇图像数据生成图像矩阵；
17、将所述图像矩阵合并入经过预处理的实时能耗数据和热能能耗数据合中，以生成新的矩阵集合，作为多模态数据集。
18、可选地，将生成的多模态数据集输入rtnn网络进行训练，最终进行图像特征与文本特征的融合之前，所述方法还包括：
19、构建以四个resnet残差块网络为基础的数据处理网络模块，构建以transformer网络为基础的数据处理网络模块，然后进行特征融合，得到rtnn网络。
20、可选地，利用所述多模态数据集对预先创建的rtnn网络进行训练，得到预测模型包括：
21、将以每批次大小164×164的矩阵输入，采用batch_size＝12进行训练；
22、将所述多模态数据集分成训练集和测试集，并输入至rtnn网络中，采用adam优化器、relu损失函数，初始学习率设为0.001，直至网络损失不在下降，准确率趋于稳定时，停止训练并保存模型参数；
23、将测试集输入至已训练好的模型中进行最终的预测，测试该模型对测试数据集的判断准确率，以得到预测模型。
24、本专利技术还提供了一种计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行上述任一项所述的基于数字孪生技术的区域分布式楼宇能源设备能耗数字化量化重建方法。
25、本专利技术还提供了一种计算设备，所述计算设备包括处理器以及存储器：所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；所述处理器用于根据所述程序代码中的指令执行上述任一项所述的基于数字孪生技术的区域分布式楼宇能源设备能耗数字化量化重建方法。
26、本专利技术涉及楼宇能源设备能耗量化的方法，具体为通过数据采集模块实时采集楼宇能耗数据，创新性地实时计算生成平均功率、电流、电压、电能行为表征能力及应用纳维-斯托克斯方程和热力学第一定律生成热能能耗，融合多类型数据，形成动态数据库，构建基于多模态融合量化计算的rtnn网络(resnet网络、transformer网络融合)进行处理，进一步精确实现区域分布式能源设备数字孪生模型的动态更新，并实时预测能耗量。
27、本专利技术提供的基于数字孪生技术的区域分布式楼宇能源设备能耗数字化量化重建方法具有以下技术效果：
28、(1)基于数字孪生的电能计量，利用了数字孪生的全景镜像和真实系统实时状态的行为表征能力，反馈到数字空间的状态数据可用于综合判断控制效果并修改控制策略，从而实现各供能装置协调的精细闭环控制，提高系统的整体调节水平。
29、(2)使用纳维-斯托克斯方程和热力学第一定律(显示流线)对流体流动进行直接数值模拟，可以实时运行或比实际物理系统运行得更快的数字副本，适合作为设计工具或控制器，使用这种模型进行实时控制可能需要包含简化的降阶模型。
30、(3)resnet网络结构的巨大优势是残差结构，该结构的残差连接使得上一层的输入能够和残差特征相加，丰富了下一层的输入特征。本专利技术使用resnet残差网络的优点，构建了resnet特征提取网络来处理楼宇之间的图像特征；transformer模型中处理序列数据具有可并行性，全局依赖考虑的优点，用于处理楼宇间电能热能能耗的相关文本性数据的特征提取，通过两种擅长处理不同类型数据的网络融合，形成多源异构处理分析体系。
31、上述说明仅是本专利技术技术方案的概述，为了能够更清楚了解本专利技术的技术手段，而可依照说明书的内容予以实施，并且为了让本专利技术的上述和其它目的、特征和优点能够更明显易懂，以下特举本专利技术的具体实施方式。
32、根据下文结合附图对本专利技术具体实施例的详细描述，本领域技术人员将会更加明了本专利技术的上述以及其他目的、优点和特征。
本文档来自技高网...【技术保护点】
1.一种基于数字孪生技术的区域分布式楼宇能源设备能耗数字化量化重建方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，获取目标楼宇中能源设备的实时耗能数据包括：
3.根据权利要求1所述的方法，其特征在于，利用以下公式计算所述目标楼宇的楼宇间的热能能耗数据：
4.根据权利要求2所述的方法，其特征在于，基于所述实时耗能数据、热能能耗数据和楼宇图像数据生成多模态数据集包括：
5.根据权利要求1所述的方法，其特征在于，将生成的多模态数据集输入RTNN网络进行训练，最终进行图像特征与文本特征的融合之前，所述方法还包括：
6.根据权利要求5所述的方法，其特征在于，利用所述多模态数据集对预先创建的RTNN网络进行训练，得到预测模型包括：
7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行权利要求1-6任一项所述的基于数字孪生技术的区域分布式楼宇能源设备能耗数字化量化重建方法。
8.一种计算设备，其特征在于，所述计算设备包括处理器以及存储器
...【技术特征摘要】
1.一种基于数字孪生技术的区域分布式楼宇能源设备能耗数字化量化重建方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，获取目标楼宇中能源设备的实时耗能数据包括：
3.根据权利要求1所述的方法，其特征在于，利用以下公式计算所述目标楼宇的楼宇间的热能能耗数据：
4.根据权利要求2所述的方法，其特征在于，基于所述实时耗能数据、热能能耗数据和楼宇图像数据生成多模态数据集包括：
5.根据权利要求1所述的方法，其特征在于，将生成的多模...
【专利技术属性】
技术研发人员：李灯熬，王利民，时常成，王伟杰，任锐，梁波，高巍，张敏夫，
申请(专利权)人：太原理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。