一种面向存量建筑场景的楼宇全域空间认知智能体构建方法及系统与流程
本发明涉及智慧楼宇空间计算,具体涉及一种面向存量建筑场景的楼宇全域空间认知智能体构建方法及系统,属于人工智能物联网、建筑节能控制与数字孪生,可用于对既有建筑内部空间拓扑结构的动态感知与自适应重构、在极度稀疏传感条件下对全域三维物理场分布的推演,以及对老旧异构机电设备控制回路与物理空间对应关系的自动辨识,最终实现对存量建筑暖通空调等闭环控制系统的低成本、可规模化智能节能调控。
背景技术:
1、数字孪生技术是指在虚拟空间中构建与物理实体一一对应的数字化模型,并通过实时数据交互实现对物理实体状态的映射与预测,在智慧楼宇领域,数字孪生底座通常依赖建筑信息模型作为空间几何基础,无线通信系统中的信道状态信息是物理层信道估计得到的多径衰落特征量,可用于反映物理空间环境的遮挡与散射变化,已广泛应用于室内定位、人员感知等领域,图神经网络及其变体图注意力网络是处理非欧式图结构数据的深度学习方法,能够根据节点间的关联关系自适应地聚合邻居信息,物理信息神经网络通过将偏微分方程形式的物理规律嵌入损失函数,能够在样本稀疏的情况下求解热传导、流体力学等物理场分布问题,基于预测模型对楼宇设备进行调节的自动化控制系统,通常通过直接数字控制器、可编程逻辑控制器等控制器对风机盘管、新风机组、照明回路等末端设备下发调节指令。
2、目前,行业内与本发明较为接近的技术方案为基于建筑信息模型建模与密集传感网络的智慧楼宇数字孪生群控系统,该方案的结构组成包括:三维建筑信息模型建模模块,通过人工建模软件或激光雷达扫描点云重建生成建筑高精度三维几何模型,密集部署的物联网感知网络模块,在建筑各功能区按固定网格密度布设温湿度、二氧化碳、人流传感器,基于规则库或深度强化学习的人工智能群控算法模块,依据全量传感器数据进行环境状态预测与控制决策,与楼宇自动化系统对接的标准协议网关模块,通过预先建立的机电点位映射表将控制指令下发至对应设备,其工作流程为:通过人工测绘或激光扫描获取建筑三维几何数据并导入建模系统建立空间几何模型,在各功能区域密集部署传感器并接入统一物联网平台采集环境参数,人工智能群控算法基于全量传感器实时数据对全域温湿度、气流等物理量进行预测并生成控制策略,通过预先人工核对建立的点位映射表,将控制指令经通信协议网关下发至对应控制器所控制的末端机电设备,形成控制闭环。
3、上述现有技术方案存在以下缺陷,其一,存量建筑普遍缺失竣工图纸与完整建筑信息模型,导致该方案所依赖的三维建模步骤难以以低成本方式在存量建筑中实施,数字孪生底座建立成本极高,其二,存量建筑改造成本与装修保护约束限制了传感器的密集加装,该方案所依赖的人工智能群控算法所需的全量感知数据条件难以满足,算法在传感盲区容易做出错误或次优的控制决策,引发局部冷热不均与能源浪费,其三,存量建筑内部空间结构会随运营周期持续发生微改造,而该方案缺乏动态感知与自适应重构机制,数字孪生模型会随时间推移逐步与真实物理空间脱节,导致控制策略出现逻辑错误,其四,存量建筑中大量老旧机电设备缺乏统一的点位映射表与通信协议标准,该方案只能依靠人工现场逐点核查建立映射关系,改造周期长、人力成本高昂,严重制约了智能化改造的规模化推广。
技术实现思路
1、本发明要解决的技术问题是:在存量建筑普遍缺乏完整建筑信息模型与竣工图纸、缺乏高密度物联网传感网络、缺乏统一底层机电控制协议的条件下,如何构建一种能够自主感知空间拓扑动态变化、在极度稀疏传感条件下推演全域三维物理场分布、并自动完成对老旧异构机电设备控制回路与物理空间对应关系辨识的楼宇全域空间认知智能体,从而实现对存量建筑暖通空调等闭环控制系统的精准、低成本、可规模化部署的智能节能调控。
2、本发明是这样实现的,本发明提供一种面向存量建筑场景的楼宇全域空间认知智能体构建方法,包括:
3、构建初始空间语义拓扑图,所述初始空间语义拓扑图以空间单元为节点、以空间单元之间的连通关系为边,每个节点携带语义属性标签,持续采集既有无线局域网接入点与终端设备之间的信道状态信息,提取所述信道状态信息的多径畸变特征,并采集稀疏部署的监控设备获取的人员活动轨迹信息,提取轨迹重心的位移偏差特征,将所述多径畸变特征与所述位移偏差特征在时间维度和空间维度上对齐后进行融合,得到对应空间节点的融合特征向量,将所述融合特征向量输入图注意力网络,对所述初始空间语义拓扑图中的节点进行邻居信息加权聚合,得到节点更新后的隐藏状态,根据节点更新前后隐藏状态的变化幅度与预设拓扑变更判定阈值的比较结果,判定对应空间单元是否发生边界变化,并在判定发生边界变化时执行相应的拓扑重构处理,得到更新后的空间语义拓扑图;
4、以所述更新后的空间语义拓扑图为几何拓扑基础离散化为三维物理场推演网格,结合离散布设的传感器历史观测数据与根据人员活动轨迹信息估计得到的人员实时分布密度,通过嵌入有能量守恒物理方程约束的图神经网络进行训练与推演,得到全域连续三维温度场分布与流场分布,并据此生成暖通空调控制系统的预测性调节指令;
5、在建筑非工作时段和人员稀疏时段中的至少一种时段内,向未知点位映射关系的机电控制回路下发幅值受限的微扰动控制信号,以施加微扰动前后的全域物理场变化作为强化学习环境反馈,通过策略迭代更新构建机电控制回路与空间语义节点之间的具身行动映射图谱;
6、将所述预测性调节指令经所述具身行动映射图谱查表转换为底层执行指令下发至对应机电设备执行,并将执行后的实际物理场变化反馈至传感器重新采集,用于全域物理场推演的在线校正,形成感知、拓扑重构、物理场推演、控制决策、映射辨识、执行与反馈的闭环。
7、本发明还提供实现上述方法的楼宇全域空间认知智能体构建系统。
8、与现有技术相比,本发明的有益效果如下:
9、无需依赖高精度建筑信息模型与密集传感器部署,充分利用既有无线局域网与安防监控基础设施,显著降低存量建筑智能化改造的前期硬件与建模成本,在空间结构动态变化时无需人工重新建模即可自动完成数字空间同步更新,避免数字孪生模型退化,在极低传感器覆盖率条件下实现全域连续物理场的推演,消除控制盲区,提升节能效果,免除传统改造中耗时费力的人工机电点位核查过程,实现控制映射关系的自动化建立与持续自适应校正。
1.一种面向存量建筑场景的楼宇全域空间认知智能体构建方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,提取所述信道状态信息的多径畸变特征包括:计算滑动时间窗口内所述信道状态信息各子载波幅值的方差,作为所述多径畸变特征,提取所述位移偏差特征包括:计算相邻检测周期内人员活动轨迹片段重心坐标之间的欧几里得距离,作为所述位移偏差特征。
3.根据权利要求1所述的方法,其特征在于,将所述融合特征向量输入图注意力网络进行邻居信息加权聚合包括:对节点与其邻居节点的融合特征向量分别进行线性变换后拼接,并结合可学习的注意力权重向量计算未归一化注意力得分,对所述未归一化注意力得分在邻居节点范围内进行归一化,得到归一化注意力系数,根据所述归一化注意力系数对邻居节点的线性变换特征进行加权求和,并经非线性激活函数处理,得到节点更新后的隐藏状态。
4.根据权利要求1所述的方法,其特征在于,所述图神经网络的训练过程采用的总损失函数包含三个部分加权求和:由稀疏传感器观测点处的温度预测值与实测值之间偏差构成的数据拟合损失,由随机采样的配点处温度场预测结果代入所述能量守恒物理方程计算得到的方程残差构成的物理方程残差损失,以及由所述三维物理场推演网格边界节点处墙体位置、门窗位置和送风口位置构成的边界条件损失。
5.根据权利要求1所述的方法,其特征在于,生成的所述暖通空调控制系统预测性调节指令包括新风机组风阀开度设定值和末端风机盘管转速设定值。
6.根据权利要求1所述的方法,其特征在于,所述微扰动控制信号的幅值限制在对应机电设备的安全裕量范围以内和用户体感阈值范围以内。
7.根据权利要求1所述的方法,其特征在于,判定所述回路与对应空间节点之间的映射关系时,构建强化学习模型的奖励函数,所述奖励函数为空间语义拓扑图中各节点的温度场响应幅值经节点权重系数加权求和后,减去所述响应幅值在全域空间上的分布方差与预设方差惩罚系数的乘积。
8.根据权利要求1所述的方法,其特征在于,判定所述回路与对应空间节点之间存在有效映射关系的条件为:所述回路与对应空间节点之间的累计响应关联强度超过预设映射置信度阈值,且经多轮重复试探验证结果保持稳定,所述方法还包括:在所述具身行动映射图谱建立完成后,在日常运行阶段以低于建立阶段的频次和幅度持续进行验证性微扰动,检测映射关系的漂移情况,并对所述具身行动映射图谱进行动态校正。
9.一种面向存量建筑场景的楼宇全域空间认知智能体构建系统,其特征在于,包括:
10.根据权利要求9所述的系统,其特征在于,所述多模态稀疏感知层包括既有无线局域网接入点、蓝牙信标、稀疏部署的安防监控摄像头、离散布设的温湿度传感器和二氧化碳传感器,以及由直接数字控制器和可编程逻辑控制器中的至少一种控制的末端机电设备,所述闭环控制执行层包括bacnet协议网关和modbus协议网关中的至少一种网关以及控制指令下发模块。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com