一种智能建筑能耗优化调控系统的制作方法

摘要: 本发明涉及深度学习,尤其涉及一种智能建筑能耗优化调控系统。背景技术:1、深度学习技术领域涉及以多层神经网络对时间序列、图像、语音和控制状态进行特征表达、关联计算...
一种智能建筑能耗优化调控系统的制作方法

本发明涉及深度学习,尤其涉及一种智能建筑能耗优化调控系统。

背景技术:

1、深度学习技术领域涉及以多层神经网络对时间序列、图像、语音和控制状态进行特征表达、关联计算与预测推理的计算机技术,深度学习为关键词。该技术领域通常通过卷积层、循环层、注意力权重、损失函数和梯度更新机制建立输入信息与目标结果之间的非线性映射,用于复杂状态下的识别、预测和控制决策。其中,传统用于智能建筑的能耗优化调控系统是指由楼宇控制器、分项电表、冷热量表、温湿度计、二氧化碳探测器、空调机组控制柜、变频泵、风阀执行器、水阀执行器、照明回路继电器和现场总线组成的楼宇自控系统,通常按照分时电价表、日程表、室内温度设定值和设备启停表发送控制指令,并通过比例积分微分回路调节冷冻水流量、送风量和照明回路开断状态。

2、既有楼宇控制器多按固定时段表和单点温度反馈运行,冷水机组启停指令与末端风阀开度缺少联动校验,人员滞留变化和围护结构蓄热滞后难以进入同一控制依据,局部负荷突变时易形成供冷供热错配,照明回路与空调回路独立响应导致峰值功率叠加,控制指令回传后缺少能耗偏差闭环修正,历史能耗曲线难以反映建筑热惯性变化,设备启停切换增多,调控结果容易出现舒适偏差和用电波动。

技术实现思路

1、本发明的目的是解决现有技术中存在的缺点,而提出的一种智能建筑能耗优化调控系统。

2、为了实现上述目的,本发明采用了如下技术方案,一种智能建筑能耗优化调控系统包括:

3、负荷分析模块,用于通过分项电表获取建筑总电功率序列,通过冷热量表获取空调供回水温差序列,通过门禁计数器获取人员滞留序列,将建筑总电功率序列、空调供回水温差序列和人员滞留序列输入时间卷积层,计算用能滞后特征,生成负荷记忆矩阵;

4、耦合构建模块,用于根据所述负荷记忆矩阵和本地气象探头获取的室外温度序列,计算围护结构温差梯度,将围护结构温差梯度与所述负荷记忆矩阵进行门控融合,构建热惯性耦合矩阵;

5、策略筛选模块,用于根据所述热惯性耦合矩阵生成空调供水温度序列、风机频率序列和照明回路开断序列,根据室内温度采样点在历史运行周期的分位间距计算舒适偏差限值,比较候选控制序列对应的舒适偏差值和耗电增量值,筛选调控策略矩阵;

6、指令调控模块,用于根据所述调控策略矩阵生成冷水机组启停指令、变频泵频率指令、风阀开度指令和照明继电器指令,将实际执行后的建筑总电功率序列回写至深度学习网络,调整权重梯度矩阵。

7、作为本发明的进一步方案,所述负荷分析模块包括:

8、电参量采集子模块,获取分项电表输出的建筑总电功率序列、冷热量表输出的空调供回水温差序列以及门禁计数器输出的人员滞留序列,按照统一采样间隔剔除缺失采样点和异常跳变点,并对保留采样点进行时间戳对齐,建立采样对齐表;

9、时序对齐子模块,读取采样对齐表中同一采样时刻的建筑总电功率序列、空调供回水温差序列和人员滞留序列,按照时间卷积层的感受野长度形成滑动窗口,并对滑动窗口内的边界数据进行补齐,得到时序输入矩阵;

10、滞后编码子模块,将时序输入矩阵输入时间卷积层,依据卷积核在相邻采样时刻之间的响应差异提取用能滞后特征,并按照采样时刻顺序对所述用能滞后特征进行矩阵化排列,生成负荷记忆矩阵。

11、作为本发明的进一步方案,所述耦合构建模块包括:

12、气象匹配子模块,获取负荷记忆矩阵和本地气象探头输出的室外温度序列,按照采样时间戳对室外温度序列进行重采样,并将重采样后的室外温度序列与负荷记忆矩阵中的行向量建立时刻映射关系,生成气象同步矩阵;

13、梯度计算子模块,读取气象同步矩阵和负荷记忆矩阵中的空调响应特征,比较相邻采样时刻的室外温度变化幅度与建筑负荷变化幅度,并依据温差变化方向筛除反向噪声响应,生成围护结构温差梯度;

14、门控融合子模块,获取围护结构温差梯度和负荷记忆矩阵,依据温差梯度强度对负荷记忆矩阵中的滞后响应维度进行门控加权,并将加权后的滞后响应维度与温差梯度维度进行拼接映射,构建热惯性耦合矩阵。

15、作为本发明的进一步方案,所述策略筛选模块包括:

16、序列生成子模块,获取热惯性耦合矩阵,依据矩阵中热惯性强度、用能滞后幅度和人员滞留变化方向确定候选调节幅度,并将候选调节幅度分别映射为空调供水温度序列、风机频率序列和照明回路开断序列,生成候选控制序列;

17、偏差定界子模块,采集室内温度采样点在历史运行周期内的温度分布数据,按照分位间距剔除极端温度采样值,并根据保留温度采样值相对于目标温度区间的偏离幅度建立舒适约束边界,计算舒适偏差限值;

18、策略选定子模块,获取候选控制序列和舒适偏差限值,计算候选控制序列对应的舒适偏差值和耗电增量值,删除舒适偏差值超过舒适偏差限值的候选控制序列,并按照耗电增量值由低至高筛选保留序列,筛选调控策略矩阵。

19、作为本发明的进一步方案,所述指令调控模块包括:

20、指令映射子模块,获取调控策略矩阵,按照空调供水温度序列、风机频率序列和照明回路开断序列与现场设备地址之间的映射关系,将调控策略矩阵转换为冷水机组启停指令、变频泵频率指令、风阀开度指令和照明继电器指令,生成设备指令表;

21、执行回写子模块,采集设备指令表实际下发后的建筑总电功率序列,按照指令生效时间和电功率采样时间之间的对应关系截取执行反馈区间,并将执行反馈区间内的建筑总电功率序列写入深度学习网络,生成执行反馈矩阵;

22、梯度调整子模块,获取执行反馈矩阵和调控策略矩阵对应的预测耗电数据,比较建筑总电功率序列与预测耗电数据之间的偏差幅度,并依据偏差幅度对深度学习网络的权重变化方向进行修正,调整权重梯度矩阵。

23、作为本发明的进一步方案,所述用能滞后特征的计算过程具体包含:

24、获取时序输入矩阵中相邻采样窗口的建筑总电功率变化量、空调供回水温差变化量和人员滞留变化量,按照采样窗口的时间间隔对各变化量进行归一化处理,并删除超出设备额定变化范围的异常变化量,得到滞后候选序列;

25、分析滞后候选序列中建筑总电功率变化量相对于空调供回水温差变化量和人员滞留变化量的响应延迟,将响应延迟低于采样噪声周期的候选片段剔除,并对保留候选片段进行卷积响应累计,得到滞后响应向量;

26、关联滞后响应向量与采样时刻对应的建筑总电功率水平,按照响应延迟长度对滞后响应向量进行权重衰减处理,并将处理后的滞后响应向量按时间顺序写入矩阵行列位置,生成负荷记忆矩阵。

27、作为本发明的进一步方案,围护结构温差梯度的计算过程具体包含:

28、获取气象同步矩阵中的室外温度序列以及负荷记忆矩阵中的空调响应特征,按照相同采样时刻提取室外温度变化方向和空调负荷变化方向,并删除温度传感器断点、负荷突跳点对应的数据片段,得到温负荷有效序列;

29、比较温负荷有效序列中室外温度变化幅度与空调负荷变化幅度之间的变化同步性,按照同步变化持续时间对短时扰动片段进行过滤,并将过滤后的变化幅度按围护结构响应延迟进行时间偏移,得到温差响应序列;

30、分析温差响应序列中升温区间、降温区间和温度平稳区间对应的负荷变化斜率,按照不同区间的斜率方向对矛盾片段进行修正,并对修正后的斜率数据进行连续化排列,生成围护结构温差梯度。

31、作为本发明的进一步方案,舒适偏差限值的计算过程具体包含:

32、采集室内温度采样点在历史运行周期内的温度分布数据,按照采样点空间位置、采样时刻和空调运行状态对温度分布数据进行分组,并删除传感器离线时段和门窗异常开启时段对应的温度采样值,得到温度有效样本;

33、计算温度有效样本在各历史运行周期内的上分位温度和下分位温度,比较上分位温度与下分位温度之间的间距变化,并依据间距变化剔除波动幅度超过历史稳定区间的运行周期,得到分位间距序列;

34、关联分位间距序列与目标温度区间,计算温度有效样本偏离目标温度区间边界的累计幅度,并按照累计幅度与分位间距序列之间的匹配关系修正边界容许范围,计算舒适偏差限值。

35、作为本发明的进一步方案,候选控制序列的筛选过程具体包含:

36、获取候选控制序列、舒适偏差限值以及候选控制序列对应的预测耗电数据,按照空调供水温度序列、风机频率序列和照明回路开断序列的执行时段建立序列对齐关系,并根据序列对齐关系计算舒适偏差值和耗电增量值,得到策略评价表;

37、比较策略评价表中舒适偏差值与舒适偏差限值,将舒适偏差值超过舒适偏差限值的候选控制序列标记为越界序列,并将越界序列从策略评价表中删除,得到合规候选表;

38、分析合规候选表中耗电增量值、设备启停次数和调节幅度变化率之间的约束冲突,删除存在设备频繁启停或调节幅度突变的候选控制序列,并按照耗电增量值由低至高提取保留序列,筛选调控策略矩阵。

39、作为本发明的进一步方案,权重梯度矩阵的调整过程具体包含:

40、获取执行反馈矩阵、调控策略矩阵和深度学习网络输出的预测耗电数据,按照指令生效时间将建筑总电功率序列与预测耗电数据进行采样对齐,并剔除设备故障报警时段和人工干预时段对应的数据片段,得到反馈对齐序列;

41、计算反馈对齐序列中建筑总电功率序列相对于预测耗电数据的偏差幅度,分析偏差幅度在连续采样窗口内的增长方向和持续时间,并根据增长方向对深度学习网络中对应权重的变化方向进行判定,生成梯度修正表;

42、关联梯度修正表与调控策略矩阵中的控制序列类型,按照控制序列类型对权重变化幅度进行分层限制,并将分层限制后的权重变化幅度写入深度学习网络的参数更新位置,调整权重梯度矩阵。

43、与现有技术相比,本发明的优点和积极效果在于:

44、本发明中,通过分项电表,冷热量表,门禁计数器和本地气象探头形成封闭运行信息来源,将建筑总电功率,供回水温差,人员滞留和室外温度映射为负荷记忆矩阵,结合围护结构温差梯度构建热惯性耦合关系,使冷水机组,变频泵,风阀和照明继电器指令由同一调控策略矩阵约束,利用历史运行周期的分位间距形成舒适偏差限值,对候选控制序列的舒适偏差和耗电增量同步比较,控制指令执行结果回写至深度学习网络修正权重梯度,减少供冷供热错配,峰值功率叠加,设备启停切换和用电波动。