一種建筑能源供應設備的能耗預測參數優(yōu)化方法
【專利摘要】本發(fā)明涉及一種建筑能源供應設備的能耗預測參數優(yōu)化方法，包括以下步驟：首先對建筑內的能耗供應設備及可能對這些設備能耗產生影響的參數數據進行采集，同時對設備的狀態(tài)變化及狀態(tài)變化時間進行采集，并計算狀態(tài)變化消耗的能耗，將這些數據生成數據集后，可建立設備預測模型；該模型可預測設備在不同情況下狀態(tài)改變需要的能耗及時間，由此向用戶提供設備的最優(yōu)調度計劃及工作順序，實現最小能耗，最短交貨時間或者完工時間。與現有技術相比，本發(fā)明能夠記錄設備能耗，相關影響因素以及設備狀態(tài)改變的信息，并能夠根據建筑特性的不同選擇適當的影響設備能耗的參數，同時能夠消除使用參數不當對建筑能源供應設備能耗預測的影響。
【專利說明】一種建筑能源供應設備的能耗預測參數優(yōu)化方法
【技術領域】
[0001]本發(fā)明涉及一種預測參數優(yōu)化方法，尤其是涉及一種建筑能源供應設備的能耗預測參數優(yōu)化方法。
【背景技術】
[0002]建筑用能巨大，尤其是在大型商場，實驗室，寫字樓等。目前對于建筑內能源供應設備的能耗數據分項采集是了解建筑能耗大小，尋找能耗浪費點前提。而隨著國家節(jié)能減排政策的落實，各地區(qū)對很多建筑的能耗數據進行了采集，但主要為實現能耗的分項計量和分項能耗數據的統(tǒng)計展示。同時，目前的數據采集方法多集中在對能耗數據本身進行采集，對能耗影響因素數據采集較少。此外，這些能耗數據采集設備多為定時對設備各項數據進行測量，讀取，并沒有注重某些設備從一個狀態(tài)過度到另一個狀態(tài)消耗的時間以及能耗。而了解可這些信息，才能對不同設備的開啟時間，開啟狀態(tài)順序進行規(guī)劃，尋找最優(yōu)調度方案。
[0003]同時，在大型商場、酒店、寫字樓等的全年能耗中，大約50?60%消耗于空調系統(tǒng)，節(jié)能潛力巨大。夏季空調冷負荷高峰與城市用電高峰幾乎同步，加劇了峰谷供電的不平衡，使峰期供電不足的矛盾更加突出?？照{系統(tǒng)能耗的準確預測，對于優(yōu)化空調系統(tǒng)運行模式，實現空調系統(tǒng)的綜合節(jié)能運行具有重要理論指導意義和現實意義。目前的空調能耗預測方法以多元回歸分析法，時間序列分析法，人工神經網絡分析法為主。這些預測方法都需要大量的歷史能耗數據作為支撐。若對建筑空調能耗進行預測則需要進一步搜集影響空調能耗的參數數據。因此，確定影響空調能耗的影響參數是準確預測空調能耗的基礎。而根據建筑地理位置，結構，使用方式的不同，影響建筑空調能耗的因素也會有所差別。識別及確定影響建筑能耗的關鍵因素對空調能耗的準確預測影響較大。而盲目搜集較多的影響因素數據不僅會增加大量的工作量，也會使得預測結果失真。目前確定空調能耗影響因素的計算方法主要有以下幾種:能耗模擬軟件(Dest-h, Doe-2, EnergyPlus等)分析法,正交分析法，主成分分析法等。這些方法需要多次實驗，并對實驗結果進行分析對比從而得出結論。這些方法專業(yè)性較強，計算量大，對于不同建筑沒有通用性，需重新進行模擬計算。而大多數情況下，一些研究人員在確定空調能耗影響因素時會根據經驗進行判斷，對影響因素考慮的過細過多，使得能耗預測程序輸入數據龐大，占用內存較多，計算緩慢。除此之外，影響因素選擇不當，也會對預測結果產生不良影響。

【發(fā)明內容】

[0004]本發(fā)明的目的就是為了克服上述現有技術存在的缺陷而提供一種建筑能源供應設備的能耗預測參數優(yōu)化方法，該方法能夠記錄設備能耗，相關影響因素以及設備狀態(tài)改變的信息，并能夠根據建筑特性的不同選擇適當的影響設備能耗的參數，同時能夠消除使用參數不當對建筑能源供應設備能耗預測的影響。
[0005]本發(fā)明的目的可以通過以下技術方案來實現:[0006]一種建筑能源供應設備的能耗預測參數優(yōu)化方法，該方法通過由傳感器、模式探測器、數據庫、SCADA系統(tǒng)、建模器、預測器、分析器、補償器和搜索引擎組成的系統(tǒng)實現，其特征在于，所述的方法包括以下步驟:
[0007]I) SCADA系統(tǒng)從數據庫中獲取現有的設備預測模型；
[0008]2)根據用戶指令進行數據采集或數據分析，若進行數據采集，則執(zhí)行步驟3)，若進行數據分析，則進行步驟7)；
[0009]3)通過傳感器采集建筑內能源供應設備的基本參數，通過模式探測器檢測能源供應設備的狀態(tài)信息及狀態(tài)改變時間，進行處理后保存在數據庫中；
[0010]4)根據用戶指令判斷是否生成設備運行計劃，若為是，則輸入設備運行的目標狀態(tài)，并執(zhí)行步驟5);若為否，則返回步驟3)；
[0011]5)搜索引擎和預測器根據數據庫中數據生成設備狀態(tài)轉移矩陣，結合步驟4)中輸入的設備運行的目標狀態(tài)，計算并輸出該設備運行計劃及其所需的操作時間、設備能耗和污染排放等信息；
[0012]6)根據用戶指令選擇設備運行計劃，選擇完畢后執(zhí)行步驟10)；
[0013]7)通過分析器執(zhí)行數據分析，搜索設備運行計劃中可改進的影響參數；
[0014]8)根據用戶指令選擇是否對設備運行計劃進行參數改進；若為是，則執(zhí)行步驟
9)，若為否，則執(zhí)行步驟11)；
[0015]9)對設備運行計劃的中可改進的影響參數進行參數改進，并執(zhí)行步驟10)；
[0016]10)執(zhí)行設備運行計劃，并執(zhí)行步驟11)；
[0017]11)判斷是否完成操作，若為否，則返回步驟2)，若為是，則結束能耗預測參數優(yōu)化。
[0018]步驟I)中所述的設備預測模型包括設備能耗模型，能量流動模型，輸出環(huán)境模型，由建模器建立，由補償器進行優(yōu)化修改。
[0019]步驟3)的具體包括以下步驟:
[0020]31)傳感器測量能源供應設備的基本參數，包括電壓、電流、消耗電能、溫度、濕度和空調風速；
[0021]32)模式探測器計算基本參數測量值的變化量，并將測量值分類為設置值和自由值，所述的設置值是由用戶輸入的環(huán)境或者設備需要達到的設備目標狀態(tài)，自由值是未達到設置值時的測量值；
[0022]33)模式探測器識別當前設備狀態(tài)；
[0023]34)判斷當前設備狀態(tài)是否等于先前設備狀態(tài)，若為是，保存測量數據后返回步驟31);若為否，則保存先前設備狀態(tài)的狀態(tài)改變時間；
[0024]35)模式探測器存儲當前設備狀態(tài)的狀態(tài)信息及狀態(tài)開始時間；
[0025]36)模式探測器通過建模器建立先前設備狀態(tài)的設備預測模型；
[0026]37)搜索引擎對數據庫進行搜索，判斷是否存在與先前設備狀態(tài)相同的狀態(tài)，若存在，則由補償器對該狀態(tài)的設備預測模型進行修改并保存，若不存在，則將步驟36)建立的設備預測模型保存于數據庫內；
[0027]38)判斷是否接收到完成信號，若為否，保存測量數據后，返回步驟31)，若為是，則結束整個步驟3)并繼續(xù)向下執(zhí)行。[0028]所述的設備預測模型包括運行狀態(tài)為連續(xù)數據的復雜設備預測模型和運行狀態(tài)為離散數據的簡單設備預測模型，所述的簡單設備預測模型通過狀態(tài)轉變的能耗和狀態(tài)改變所消耗的時間建立模型，所述的復雜設備預測模型通過以下步驟建立模型:
[0029]A)從數據庫中獲取可影響設備能耗的所有影響因素的原始數據，生產數據集Dl，然后對數據集Dl進行無放回抽樣，生成數據集D2 ；
[0030]B)對數據集D2應用二叉樹分類預測算法，生成決策樹，并對該決策樹進行剪枝處理；
[0031]C)提取剪枝后的決策樹的分類規(guī)則，即為實際對設備能耗產生的影響因素；
[0032]D)將提取的影響因素應用于數據集D1，刪去多余的影響因素，生成數據集Dl'，采用前向反饋神經網絡可對空調能耗進行預測，該神經網絡中間層激活函數采用Sigmoid函數，輸入層則包括數據集中的設備能耗數據以及數據集Dl'中的影響因素。
[0033]與現有技術相比，本發(fā)明具有以下優(yōu)點:
[0034]I)該方法不但能夠利用各種傳感器及能耗采集裝置記錄設備的運行狀態(tài)，環(huán)境參數，還可同時記錄這些環(huán)境參數及運行狀態(tài)改變時間等各種數據。
[0035]2)該方法可根據數據庫中的記錄自動選擇不同設備的能耗影響因素，同時預測設備在不同情況下狀態(tài)改變需要的能耗及時間，由此向用戶提供設備的最優(yōu)調度計劃及工作順序，實現最小能耗，最短交貨時間或者完工時間。
[0036]3)該方法能夠記錄設備狀態(tài)改變的信息，并能夠根據建筑特性的不同選擇適當的影響設備能耗的參數，同時能夠消除使用參數不當對建筑動力設備能耗預測的影響。而建筑能耗監(jiān)控僅為記錄信息，對于狀態(tài)何時改變沒有記錄。
【專利附圖】

【附圖說明】
[0037]圖1為本發(fā)明所采用的系統(tǒng)結構圖；
[0038]圖2為本發(fā)明的總體流程圖；
[0039]圖3為本發(fā)明中數據獲取過程的流程圖；
[0040]圖4為本發(fā)明針對空調設備能耗建模的流程圖。
【具體實施方式】
[0041]下面結合附圖和具體實施例對本發(fā)明進行詳細說明。
[0042]實施例
[0043]如圖1所示，在某建筑10中有一些能源供應設備20，整個系統(tǒng)包括SCADA(監(jiān)督控制和數據采集)系統(tǒng)100、電流表120、電壓表130、溫度傳感器140、濕度傳感器150、速度計160和其他傳感器170在內的多種用于設備基本數據的傳感器110。這些傳感器采集測量值并傳回SCADA系統(tǒng)100中，并保存在數據庫300內。I/O設備180用來從外部系統(tǒng)輸入數據，同時向外部系統(tǒng)傳送SCADA系統(tǒng)的數據，模式探測器200用來監(jiān)測設備狀態(tài)改變并且存儲狀態(tài)信息至數據庫300中，數據庫300記錄基本數據的測量值、設備預測模型310等數據等。建模器400用于建立設備預測模型，搜索引擎500在數據庫300中搜索數據，預測器600利用設備預測模型模擬未知狀態(tài)，對未采集到的設備預測模型參數進行模擬補充，補償器700用來對已有的設備預測模型進行修改，調度程序800能夠產生可供選擇的操作程序，分析器900則用于在測量數據和模擬數據的基礎上，結合設備預測模型確定可以改進的數據點。
[0044]圖2顯示了本發(fā)明進行能耗參數優(yōu)化的具體過程:
[0045]步驟S120 =SCADA系統(tǒng)100從數據庫300中裝載模型310，包括設備能耗模型，能
量流動模型，輸出環(huán)境模型等。
[0046]步驟S130:根據用戶指令進行數據采集或數據分析，如果用戶選擇數據采集，則執(zhí)行步驟S140實施數據獲取操作，此步驟中主要是通過傳感器采集建筑內能源供應設備的基本參數，通過模式探測器檢測能源供應設備的狀態(tài)信息及狀態(tài)改變時間，進行處理后保存在數據庫中；如果選擇數據分析，則執(zhí)行步驟S150，進行數據分析。
[0047]步驟S160:系統(tǒng)根據用戶指令判斷是否生成設備運行計劃，若為是，則執(zhí)行步驟S170輸入設備運行的目標狀態(tài)，如設備運行之后環(huán)境需要達到的溫度，濕度，風速等，如表I所示；若為否，則返回重復執(zhí)行步驟S140和S160。
[0048]步驟S180:搜索引擎500和預測器600根據數據庫中的數據生成設備狀態(tài)轉移矩陣，這些狀態(tài)轉換消耗的能耗及時間如表2所示，結合步驟S170中輸入的設備運行的目標狀態(tài)，然后執(zhí)行步驟S190，計算并輸出該設備運行計劃及其所需的操作時間、設備能耗和污染排放等信息。如果有四個目標狀態(tài)，則不同情況下的達到該狀態(tài)的路徑數目為P42,即12個。若數據庫300中存在某個路徑的狀態(tài)變化數據，則由搜索引擎500直接將該數據提取到該狀態(tài)轉移矩陣中。若該路徑不存在，則由預測器600根據設備預測模型310自動生成。根據狀態(tài)轉移矩陣，調度程序800輸出不同的設備操作運行計劃及該計劃對應的操作時間，設備能耗，CO2排放量。而后，用戶在步驟S200中選擇合適的調度計劃，在步驟S210中將執(zhí)行該計劃。
·[0049]表1
[0050]
【權利要求】
1.一種建筑能源供應設備的能耗預測參數優(yōu)化方法，該方法通過由傳感器、模式探測器、數據庫、SCADA系統(tǒng)、建模器、預測器、分析器、補償器和搜索引擎組成的系統(tǒng)實現，其特征在于，所述的方法包括以下步驟: 1)SCADA系統(tǒng)從數據庫中獲取現有的設備預測模型； 2)根據用戶指令進行數據采集或數據分析，若進行數據采集，則執(zhí)行步驟3)，若進行數據分析，則進行步驟7)； 3)通過傳感器采集建筑內能源供應設備的基本參數，通過模式探測器檢測能源供應設備的狀態(tài)信息及狀態(tài)改變時間，進行處理后保存在數據庫中； 4)根據用戶指令判斷是否生成設備運行計劃，若為是，則輸入設備運行的目標狀態(tài)，并執(zhí)行步驟5);若為否，則返回步驟3)； 5)搜索引擎和預測器根據數據庫中數據生成設備狀態(tài)轉移矩陣，結合步驟4)中輸入的設備運行的目標狀態(tài)，計算并輸出該設備運行計劃及其所需的操作時間、設備能耗和污染排放等信息； 6)根據用戶指令選擇設備運行計劃，選擇完畢后執(zhí)行步驟10)； 7)通過分析器執(zhí)行數據分析，搜索設備運行計劃中可改進的影響參數； 8)根據用戶指令選擇是否對設備運行計劃進行參數改進；若為是，則執(zhí)行步驟9)，若為否，則執(zhí)行步驟11)； 9)對設備運行計劃的中可改進的影響參數進行參數改進，并執(zhí)行步驟10)； 10)執(zhí)行設備運行計劃，并執(zhí)行步驟11)； 11)判斷是否完成操作，若為否，則返回步驟2)，若為是，則結束能耗預測參數優(yōu)化。
2.根據權利要求1所述的一種建筑能源供應設備的能耗預測參數優(yōu)化方法，其特征在于，步驟I)中所述的設備預測模型包括設備能耗模型，能量流動模型，輸出環(huán)境模型，由建模器建立，由補償器進行優(yōu)化修改。
3.根據權利要求1所述的一種建筑能源供應設備的能耗預測參數優(yōu)化方法，其特征在于，步驟3)的具體包括以下步驟: 31)傳感器測量能源供應設備的基本參數，包括電壓、電流、消耗電能、溫度、濕度和空調風速； 32)模式探測器計算基本參數測量值的變化量，并將測量值分類為設置值和自由值，所述的設置值是由用戶輸入的環(huán)境或者設備需要達到的設備目標狀態(tài)，自由值是未達到設置值時的測量值； 33)模式探測器識別當前設備狀態(tài)； 34)判斷當前設備狀態(tài)是否等于先前設備狀態(tài)，若為是，保存測量數據后返回步驟31);若為否，則保存先前設備狀態(tài)的狀態(tài)改變時間； 35)模式探測器存儲當前設備狀態(tài)的狀態(tài)信息及狀態(tài)開始時間； 36)模式探測器通過建模器建立先前設備狀態(tài)的設備預測模型； 37)搜索引擎對數據庫進行搜索，判斷是否存在與先前設備狀態(tài)相同的狀態(tài)，若存在，則由補償器對該狀態(tài)的設備預測模型進行修改并保存，若不存在，則將步驟36)建立的設備預測模型保存于數據庫內； 38)判斷是否接收到完成信號，若為否，保存測量數據后，返回步驟31)，若為是，則結束整個步驟3)并繼續(xù)向下執(zhí)行。
4.根據權利要求1所述的一種建筑能源供應設備的能耗預測參數優(yōu)化方法，其特征在于，所述的設備預測模型包括運行狀態(tài)為連續(xù)數據的復雜設備預測模型和運行狀態(tài)為離散數據的簡單設備預測模型，所述的簡單設備預測模型通過狀態(tài)轉變的能耗和狀態(tài)改變所消耗的時間建立模型，所述的復雜設備預測模型通過以下步驟建立模型: A)從數據庫中獲取可影響設備能耗的所有影響因素的原始數據，生產數據集D1，然后對數據集Dl進行無放回抽樣，生成數據集D2 ； B)對數據集D2應用二叉樹分類預測算法，生成決策樹，并對該決策樹進行剪枝處理； C)提取剪枝后的決策樹的分類規(guī)則，即為實際對設備能耗產生的影響因素； D)將提取的影響因素應用于數據集D1，刪去多余的影響因素，生成數據集Dl'，采用前向反饋神經網絡可對空調能耗進行預測，該神經網絡中間層激活函數采用Sigmoid函數，輸入層則包括 數據集中的設備能耗數據以及數據集Dl'中的影響因素。
【文檔編號】G05B19/418GK103853106SQ201210496493
【公開日】2014年6月11日 申請日期:2012年11月28日 優(yōu)先權日:2012年11月28日
【發(fā)明者】陳啟軍, 森一之, 劉丹丹 申請人:同濟大學, 三菱電機株式會社