基于人工智能的零碳建筑能源控制系统计算方法与流程

1.本发明涉及零碳建筑技术领域，具体来说涉及基于人工智能的零碳建筑能源控制系统计算方法。


背景技术：

[0002][0003]
零碳建筑是指可再生能源且年产能大于或等于建筑全年全部用能，且完全不使用一次能源的建筑物，可以独立于电网运作，能够依靠太阳能或风能等可再生能源运作。
[0004]
值得注意的是，自从中国领导人提出双碳目标，目前学术讨论较多的仍是低碳建筑，对零碳建筑开展的课题研究较少。目前对于零碳建筑如何配置能源系统，目前尚无良好方案；比如零碳建筑要搭配多少规模的光伏，配置多大容量蓄电池，是否要搭配其他能源，才能满足零碳要求等技术问题；特别是上述问题所需的数据仅依靠估算而无明确的计算依据时，难以让建设方信服。
[0005]
此外，在目前已有的零碳建筑能源系统研究中，尚存在不足之处需要解决：
[0006]
第一，空调能耗无法实现有效调配。空调能耗是目前建筑物的主要能耗，占比70％左右。目前的研究均先采用蓄电池储能，再用于空调系统，这样一来蓄电池设置将十分庞大。如果不能有效调配空调能耗，零碳建筑能源系统的效率将会很低，从而造成系统造价高昂，难以推广。
[0007]
第二，未将电动汽车纳入系统调配考虑。未来电动汽车数量将会非常庞大，电动汽车用电量将不容小觑。根据已有研究，电动汽车未来不仅可以充电，还可以向电网放电，而放电不会影响其电池寿命。因此，确保电动汽车在发电峰值充电，在用电峰值向电网适当放电，可以降低能源系统容量配置，提高系统经济性。
[0008]
第三，零碳建筑能源系统各子系统之间配合不够。零碳建筑能源系统由众多子系统组成，比如发电模块、化学储能模块、物理储能模块、电动汽车模块等，这些子系统之间存在密切配合关系。如果不考虑彼此之间的配合，而按照最高容量进行配置，将会浪费节能潜力，导致系统造价偏高。而如果详细考虑各模块间逻辑关系，合理调配容量数据，则能够提高系统经济性，使零碳建筑达到向社会全面推广的目的。


技术实现要素：

[0009]
鉴于上述情况，本发明目的在于提供一种基于人工智能的零碳建筑能源控制系统计算方法，以改善上述技术问题。
[0010]
为实现上述目的，本发明采取的技术方案是提供一种基于人工智能的零碳建筑能源控制系统计算方法，所述系统包括发电模块、化学储能模块及物理储能模块；其中，所述方法的步骤包括：
[0011]
步骤s10：获取建筑物自身有功计算数据data1；
[0012]
步骤s20：获取建筑所在地气象数据data2；
[0013]
步骤s30：计算所述发电模块的安装容量pg；
[0014]
步骤s40：计算所述化学储能模块的安装容量pb；
[0015]
步骤s50：计算所述物理储能模块安装容量ps。
[0016]
本发明零碳建筑能源控制系统计算方法的进一步改进在于，所述步骤 s10还包括：
[0017]
步骤s11：根据变压器负荷率计算表，提取变压器有功计算功率p0；
[0018]
步骤s12：获取照明、空调、电力、充电桩的有功计算功率，并根据负荷率计算表分配变压器有功计算功率p0；如下列式(1)：p0＝p1 p2 p3 p4；其中，p0为变压器有功计算功率，p1为照明有功计算功率，p2为空调有功计算功率，p3为电力有功计算功率，p4为充电桩有功计算功率。
[0019]
本发明零碳建筑能源控制系统计算方法的进一步改进在于，所述发电模块中设有光伏供电单元及风力供电单元；其中，所述步骤s20还包括：
[0020]
步骤s21：根据建筑物性质、气象数据、国家节假日信息，采用人工智能算法计算全年能耗p
e0
的曲线图；
[0021]
步骤s22：根据全年能耗p
e0
的曲线图，采用人工智能算法计算获得照明能耗、空调能耗，电力能耗、充电桩能耗的曲线图；全年能耗p
e0
的加总如下列式(2)：p
e0
＝p
e1
p
e2
p
e3
p
e4
；其中，p
e0
为全年能耗，p
e1
为照明能耗，p
e2
为空调能耗，p
e3
为电力能耗，p
e4
为充电桩能耗；
[0022]
步骤s23：根据建筑所在地气象数据data2，计算单位光伏供电单元的光伏全年发电量p
v0
的曲线图；
[0023]
步骤s24：根据建筑所在地气象数据data2，计算单位风力供电单元的风力全年发电量p
w0
的曲线图。
[0024]
本发明零碳建筑能源控制系统计算方法的更进一步改进在于，所述全年能耗p
e0
的计算步骤包括：
[0025]
提供各个类型建筑物的全年能耗数据；
[0026]
根据气候将所有数据分为春秋季、夏季、冬季；
[0027]
将每个季节的能耗数据结合相应气象数据进行分类，分别提供工作日/ 休息日组合，晴天/阴天/雨天组合；
[0028]
通过人工智能算法训练相应数据，实现数据拟合，并分别提取每个季度不同组合，以得到典型24h的全年能耗p
e0
的曲线图。
[0029]
本发明零碳建筑能源控制系统计算方法的进一步改进在于，所述步骤 s30还包括：
[0030]
步骤s31：按下列式(3)：pg＝αpv βpw计算所述发电模块的安装容量 pg；其中，α为光伏供电单元的安装单位数量，pv为单位光伏供电单元的发电量，β为风力供电单元的安装单位数量，pw为单位风力供电单元的发电量；
[0031]
步骤s32：按下列式(4)～式(8)计算全年能耗数据w0，以及照明全年能耗w1、空调全年能耗w2、电力全年能耗w3、充电桩全年能耗w4；其中：
[0032]
式(4)：全年能耗w0，
[0033]
式(5)：照明能耗w1，
[0034]
式(6)：空调能耗w2，
[0035]
式(7)：电力能耗w3，
[0036]
式(8)：充电桩能耗w4，
[0037]
步骤s33：按下列式(9)～式(11)计算发电模块的全年发电量wg，以及光伏供电单元的全年发电量wv、风力供电单元的全年发电量ww；其中：
[0038]
式(9)：发电模块的全年发电量wg，wg＝wv ww，
[0039]
式(10)：光伏供电单元的全年发电量wv，
[0040]
式(11)：风力供电单元的全年发电量ww，
[0041]
步骤s34：确保系统的发电量≥用电量，并考虑装机余量ke倍，按下列式(12)：wv ww≥kew0计算；其中，wv ww为系统的发电量，kew0为系统的用电量；
[0042]
步骤s35：光伏供电单元和风力供电单元的约束条件为确保经济效益最佳。
[0043]
本发明零碳建筑能源控制系统计算方法的更进一步改进在于，所述步骤s35，所述发电模块使用年限内费用最小值是按下列式(13)：αλ βμ计算；其中，λ为单位光伏供电单元使用年限内的费用，μ为单位风力供电单元使用年限内的费用，α为光伏供电单元的安装单位数量，β为风力供电单元的安装单位数量。
[0044]
本发明零碳建筑能源控制系统计算方法的更进一步改进在于，所述系统还包括电动汽车模块，所述电动汽车模块包括电动汽车及充电桩，所述化学储能模块中设有蓄电池；其中，所述步骤s40还包括：
[0045]
步骤s41：在所述化学储能模块的安装容量pb满足除空调外用电设备的使用，且高峰时刻不计入所述充电桩使用的基础上，按下列式(14)：pb＝ p
e1
p
e3
计算所述化学储能模块的安装容量pb；其中，p
e1
为照明能耗，p
e3
为电力能耗；
[0046]
步骤s42：在高峰阶段考虑所述电动汽车放电，补充除空调外用电设备的电力使用，其中，放电设备容量在充电桩安装容量的占比系数为k4；
[0047]
步骤s43：除空调外用电设备的使用，所述化学储能模块的安装容量 pb扣除所述发电模块的实时电量分配部分，考虑分配系数为k
g1
；分配系数 k
g1
按下列式(15)：k
g1
＝(w1 w3)/w0计算，其中，w1为照明能耗，w3为电力能耗；
[0048]
步骤s44：所述蓄电池的约束条件为最佳使用区间；
[0049]
步骤s45：考虑步骤s41～s44，使所述化学储能模块的安装容量pb满足下列式(16)：pb＝1.25(p
e1
p
e3-k
g1
p
g-k4p4)；其中，p
e1
为照明能耗，p
e3
为电力能耗，k
g1
pg为电力分配系数(k
g1
)乘以发电模块的安装容量(pg)，获得乘积为发电模块照明类负荷直接使用功率，k4p4为占比系数(k4)乘以充电桩有功计算功率(p4)，获得乘积为高峰时刻电动汽车放电功率。
[0050]
本发明零碳建筑能源控制系统计算方法的更进一步改进在于，所述步骤s44，所述
蓄电池的最佳使用区间为安装容量的60％～80％。
[0051]
本发明零碳建筑能源控制系统计算方法的更进一步改进在于，所述步骤s50还包括：
[0052]
步骤s51：使所述物理储能模块的安装容量ps满足空调能耗p
e2
；
[0053]
步骤s52：除去空调用电设备的使用，所述物理储能模块的安装容量 ps扣除发电模块的实时电量分配部分，考虑分配系数为k
g2
；分配系数k
g1
按下列式(17)：k
g2
＝w2/w0计算，其中，w2为空调能耗，w0为全年能耗；
[0054]
步骤s53：将所述物理储能模块的安装容量ps的使用系数设为ks；
[0055]
步骤s54：考虑步骤s51～s53，使所述物理储能模块的安装容量ps满足下列式(18)：ps＝(p
e2-k
g2
pg)/ks；其中，p
e2
为人工智能计算空调能耗，k
g2
pg为电力分配系数(k
g2
)乘以发电模块的安装容量(pg)，获得乘积为发电模块空调负荷直接使用功率，ks为水蓄能容量(ps)的使用系数。
[0056]
本发明零碳建筑能源控制系统计算方法的进一步改进在于，所述系统包括系统控制器，所述系统控制器通过数据总线电性控制发电模块、化学储能模块、物理储能模块以及电动汽车模块；其中，所述发电模块包括发电模块控制器与所述数据总线连接；所述发电模块控制器另连接光伏供电单元和风力供电单元；所述化学储能模块包括化学储能模块控制器与所述数据总线连接；所述化学储能模块控制器另连接蓄电池；所述物理储能模块包括物理储能模块控制器与所述数据总线连接；所述物理储能模块控制器另连接水蓄能设备；所述电动汽车模块包括电动汽车模块控制器与所述数据总线连接；所述电动汽车模块控制器另连接电动汽车和充电桩。
[0057]
本发明由于采用了以上技术方案，使其具有以下有益效果：
[0058]
(1)本发明采用水蓄能设备，则仅需1次转换，即电能-热能；因此采用水蓄能设备能源转换效率更高。
[0059]
(2)本发明的零碳建筑能源控制系统通过设置所述电动汽车模块，以利用电动汽车用能特性与其他用能设备不同，进而在单独考虑电动汽车特性的基础上，使得发电模块的光伏供电单元、风力供电单元和化学储能模块的蓄电池等设备配置更加准确并提高系统的柔韧性。
[0060]
(3)本发明零碳建筑能源控制系统计算方法采用人工智能算法，通过反复训练得到的年能耗数据，具有很高的可靠性，且通过在不同项目中的应用，具有自学习功能，从而使得零碳建筑能源系统中的应用准确性越来越高。
[0061]
本发明的这些和其它目的、特点和优势，通过下述的详细说明和权利要求得以充分体现，并可通过所附权利要求中特地指出的手段、装置和它们的组合得以实现。
附图说明
[0062]
图1是本发明零碳建筑能源控制的配置架构示意图。
[0063]
图2是本发明零碳建筑能源系统计算流程示意图。
[0064]
图3是本发明建筑物有功计算数据获取流程示意图。
[0065]
图4是本发明建筑物气象数据获取流程示意图。
[0066]
图5是本发明发电模块安装容量获取流程示意图。
[0067]
图6是本发明蓄电池安装容量获取流程示意图。
[0068]
图7是本发明水蓄能安装容量获取流程示意图。
[0069]
图8是本发明零碳建筑能源系统的架构示意图。
[0070]
图9是本发明零碳建筑的系统控制器工作流程示意图。
[0071]
附图标记与部件的对应关系如下：
[0072]
系统控制器10；数据总线11；发电模块20；发电模块控制器21；光伏供电单元22；风力供电单元23；化学储能模块30；化学储能模块控制器31；蓄电池32；物理储能模块40；物理储能模块控制器41；水蓄能设备42；电动汽车模块50；电动汽车模块控制器51；电动汽车52；充电桩53；建筑能耗管理模块60；能耗管理模块接收器61数据设计输入阶段a；能源配置输出阶段b；建筑物自身有功计算数据data1；建筑所在地气象数据data2。
具体实施方式
[0073]
在这里将公开本发明的详细的具体实施方案。然而应当理解，所公开的实施方案仅仅是本发明的典型例子，并且本发明可以通过多种备选形式来实施。因此，这里所公开的具体结构和功能细节不是限制性的，仅是以权利要求为原则，作为向本领域技术人员说明不同实施方式的代表性原则。
[0074]
为利于对本发明的了解，以下结合附图1至图9及实施例进行说明。
[0075]
如图1所示，本发明零碳建筑能源控制系统的计算方法是根据数据设计输入阶段a输入的数据，进一步在能源配置输出阶段b生产输出相应或所需的数据。其中，所述数据设计输入阶段a包括输入建筑物自身有功计算数据data1和建筑所在地气象数据data2。在获取前述两部分数据后，便可进入所述能源配置输出阶段b，开展系统能源配置计算。
[0076]
如图1，本发明的系统配置主要包括发电模块20、化学储能模块30 和物理储能模块40。其中，所述发电模块20包括所述光伏供电单元22和所述风力供电单元23，二者配置比例详见后述计算方法。所述化学储能模块30在本发明实施例中采用所述蓄电池32，但不限于此，亦可采用技术成熟、性价比合理的锂电池或其他符合前述条件的蓄电设备。所述物理储能模块40在本发明实施例中采用所述水蓄能设备42，但不限于此，对于气候条件合适的地方，在经过经济技术比较确有优势的情况下，采用如冰蓄冷设备等其他能起到相同作用的蓄能设备。
[0077]
如图2至图7所示，显示本发明基于人工智能的零碳建筑能源控制系统计算方法的步骤流程图。
[0078]
如图2，本发明基于人工智能的零碳建筑能源控制系统计算方法包括步骤s10～步骤s50，其中，步骤s10、步骤s20对应于图1中的数据设计输入阶段a，步骤s30、步骤s40、步骤s50对应于图1中的能源配置输出阶段b。
[0079]
具体地，如图2所示，所述步骤s10～步骤s50包括：
[0080]
步骤s10：获取建筑物自身有功计算数据data1；
[0081]
步骤s20：获取建筑所在地气象数据data2；
[0082]
步骤s30：计算发电模块20的安装容量pg。于本发明实施例中，所述发电模块20具体采用光伏供电单元22、风力供电单元23实现零碳发电/ 供电。
[0083]
步骤s40：计算化学储能模块30(即蓄电池32)的安装容量pb。于本发明实施例中，
所述化学储能模块30具体采用蓄电池32实现化学储能。
[0084]
步骤s50：计算物理储能模块40(即水蓄能设备42)安装容量ps。于本发明实施例中，所述物理储能模块40具体采用水蓄能设备42实现物理储能。
[0085]
于本发明实施例中，将零碳建筑的用电区分为照明用电(简称照明)、空调用电(简称空调)、其他用电(简称电力)、用于电动汽车52充电的充电桩53用电(简称充电桩)。
[0086]
具体地，如图3所示，所述步骤s10还包括子步骤s11～s12。所述子步骤包括：
[0087]
步骤s11：根据变压器负荷率计算表，提取变压器有功计算功率p0。
[0088]
步骤s12：获取照明、空调、电力、充电桩的有功计算功率，并根据负荷率计算表分配变压器有功计算功率p0；如下列式(1)：p0＝p1 p2 p3 p4。其中，p0为变压器有功计算功率，p1为照明有功计算功率，p2为空调有功计算功率，p3为电力有功计算功率，p4为充电桩有功计算功率。
[0089]
其中，所述步骤s11中的变压器负荷率计算表，是根据《建筑工程设计文件编制深度规定(2016版)》第3.6.5条规定，于建筑物设计完成时随即生成的与建筑物相关设计文件。所述步骤s12中关于建筑物的照明、空调、电力、充电桩的有功计算功率可从与所述建筑物相应的变压器负荷率计算表中直接获得。
[0090]
具体地，如图4所示，所述步骤s20还包括子步骤s21～s24。所述子步骤包括：
[0091]
步骤s21：根据建筑物性质、气象数据、国家节假日信息，采用人工智能算法计算全年能耗p
e0
的曲线图。
[0092]
进一步地，本发明通过人工智能算法计算全年能耗p
e0
的步骤包括：第一，需要提供各个类型建筑物的全年能耗数据。第二，根据气候将所有数据分为3个季度，即春秋季、夏季、冬季。第三，将每个季节的能耗数据结合相应气象数据进行分类，分别提供工作日/休息日组合，晴天/阴天/ 雨天组合。第四，通过人工智能算法训练相应数据，实现数据拟合，并分别提取每个季度不同组合，从而得到典型24h的全年能耗p
e0
的曲线图。
[0093]
步骤s22：根据全年能耗p
e0
的曲线图，采用人工智能算法计算获得照明能耗、空调能耗，电力能耗、充电桩能耗的曲线图。全年能耗p
e0
的加总如下列式(2)：p
e0
＝p
e1
p
e2
p
e3
p
e4
。其中，p
e0
为全年能耗，p
e1
为照明能耗，p
e2
为空调能耗，p
e3
为电力能耗，p
e4
为充电桩能耗。
[0094]
步骤s23：根据建筑所在地气象数据data2，计算单位光伏供电单元22 的光伏全年发电量p
v0
的曲线图。
[0095]
步骤s24：根据建筑所在地气象数据data2，计算单位风力供电单元23 的风力全年发电量p
w0
的曲线图。
[0096]
于本发明实施例中，步骤s22与步骤s21均通过人工智能算法训练已有数据，以得到照明能耗、空调能耗、电力能耗、充电桩能耗的曲线图。此外，步骤s21与步骤s22建立在已被掌握的各地区、各类建筑运行大数据基础上；是以通过已有大数据获得新的配置数据，并将新项目的运行数据作为下一个项目的基础数据之一，从而达到通过自学习程序，进一步取得准确的零碳建筑能源系统配置数据。
[0097]
具体地，如图5所示，所述步骤s30还包括子步骤s31～s34。所述子步骤包括：
[0098]
步骤s31：按下列式(3)：pg＝αpv βpw计算所述发电模块20的安装容量pg；其中，α为光伏供电单元22的安装单位数量，pv为单位光伏供电单元22的发电量，β为风力供电单元23的安装单位数量，pw为单位风力供电单元23的发电量。
[0099]
步骤s32：按下列式(4)～式(8)计算全年能耗数据w0，以及照明全年能耗w1、空调全年能耗w2、电力全年能耗w3、充电桩全年能耗w4。其中：
[0100]
式(4)：全年能耗w0，
[0101]
式(5)：照明能耗w1，
[0102]
式(6)：空调能耗w2，
[0103]
式(7)：电力能耗w3，
[0104]
式(8)：充电桩能耗w4，
[0105]
步骤s33：按下列式(9)～式(11)计算发电模块20的全年发电量wg，以及光伏供电单元22的全年发电量wv、风力供电单元23的全年发电量ww。其中：
[0106]
式(9)：发电模块20的全年发电量wg，wg＝wv ww[0107]
式(10)：光伏供电单元22的全年发电量wv，
[0108]
式(11)：风力供电单元23的全年发电量ww，
[0109]
步骤s34：确保系统的发电量≥用电量，并考虑装机余量ke倍，按下列式(12)：wv ww≥kew0计算。其中，wv ww为系统的发电量，kew0为系统的用电量。
[0110]
其中，所述装机余量ke倍，是在根据建筑电气设计原则的基础上，于装机容量在确保用电容量之余，还应具备一定余量。
[0111]
步骤s35：光伏供电单元22和风力供电单元23的约束条件为确保经济效益最佳。具体地，假设单位光伏供电单元22使用年限内的费用为λ，单位风力供电单元23使用年限内的费用为μ，则发电模块20使用年限内费用最小值是按下列式(13)：αλ βμ计算。其中，α为光伏供电单元22的安装单位数量，β为风力供电单元23的安装单位数量。
[0112]
具体地，如图6所示，所述步骤s40还包括子步骤s41～s45。所述子步骤包括：
[0113]
步骤s41：在所述化学储能模块30的安装容量pb满足除空调外用电设备的使用，且高峰时刻充电桩53不计入使用的基础上，按下列式(14)： pb＝p
e1
p
e3
计算所述化学储能模块30的安装容量pb；其中，p
e1
为照明能耗，p
e3
为电力能耗。
[0114]
步骤s42：在高峰阶段考虑电动汽车52放电，补充除空调外用电设备的电力使用，其中，放电设备容量在充电桩安装容量的占比系数(放电系数)为k4。
[0115]
步骤s43：除空调外用电设备的使用，所述化学储能模块30的安装容量pb扣除发电模块20的实时电量分配部分，考虑分配系数为k
g1
。分配系数k
g1
按下列式(15)：k
g1
＝(w1 w3)/w0计算，其中，w1为照明能耗，w3为电力能耗。
[0116]
步骤s44：蓄电池32的约束条件为最佳使用区间，即安装容量的 60％～80％。
[0117]
步骤s45：考虑步骤s41～s44，使所述化学储能模块30的安装容量pb满足下列式(16)：pb＝1.25(p
e1
p
e3-k
g1
p
g-k4p4)；其中，p
e1
为照明能耗，p
e3
为电力能耗，k
g1
pg为电力分配系数(k
g1
)乘以发电模块20的安装容量(pg)，获得乘积为发电模块21的照明类负荷直接使用
功率，k4p4为占比系数(k4) 乘以充电桩有功计算功率(p4)，获得乘积为高峰时刻电动汽车52的放电功率。
[0118]
其中，所述式(16)中，蓄电池约束条件为最佳使用区间，即容量的 60％～80％，则计算容量应为安装容量的80％，即安装容量为计算容量的1.25 倍。pb的计算参照步骤s41～步骤s44。
[0119]
具体地，如图7所示，所述步骤s50还包括子步骤s51～s54。所述子步骤包括：
[0120]
步骤s51：使所述物理储能模块40的安装容量ps满足空调能耗p
e2
。
[0121]
步骤s52：除去空调用电设备的使用，所述物理储能模块40的安装容量ps扣除发电模块20的实时电量分配部分，考虑分配系数为k
g2
。分配系数k
g1
按下列式(17)：k
g2
＝w2/w0计算，其中，w2为空调能耗，w0为全年能耗。
[0122]
步骤s53：将所述物理储能模块40的安装容量ps的使用系数设为ks。
[0123]
其中，由于所有设备均存在使用效率，其中的能量损失包括热传导、辅助设备能耗等。设备的使用系数即为安装功率基础上扣除了这部分损耗的系数。
[0124]
步骤s54：考虑步骤s51～s53，使所述物理储能模块40的安装容量ps满足下列式(18)：ps＝(p
e2-k
g2
pg)/ks；其中，p
e2
为人工智能计算空调能耗， k
g2
pg为电力分配系数(k
g2
)乘以发电模块20的安装容量(pg)，获得乘积为发电模块空调负荷直接使用功率，ks为水蓄能容量(ps)的使用系数。
[0125]
以上说明了本发明的基于人工智能的零碳建筑能源控制系统计算方法，以下说明运算前述方法的控制系统架构。
[0126]
如图8所示，本发明的零碳建筑能源控制系统包括系统控制器10，所述系统控制器10通过数据总线11电性控制发电模块20、化学储能模块30、物理储能模块40、电动汽车模块50以及建筑能耗管理模块60。其中：
[0127]
所述发电模块20包括发电模块控制器21与所述数据总线11连接；所述发电模块控制器21另连接光伏供电单元22和风力供电单元23。
[0128]
所述化学储能模块30包括化学储能模块控制器31与所述数据总线11 连接；所述化学储能模块控制器31另连接蓄电池32。
[0129]
所述物理储能模块40包括物理储能模块控制器41与所述数据总线11 连接；所述物理储能模块控制器41另连接水蓄能设备42。
[0130]
所述电动汽车模块50包括电动汽车模块控制器51与所述数据总线11 连接；所述电动汽车模块控制器51另连接电动汽车52和充电桩53。
[0131]
所述建筑能耗管理模块60包括能耗管理模块接收器61与所述数据总线11连接，所述能耗管理模块接收器61通过所述数据总线11获得所述零碳建筑能源系统的能耗数据。
[0132]
如图9，显示了本发明的零碳建筑能源控制系统的系统控制器10工作流程。其流程步骤起始于参数设置，接着依序进行输入基本参数、获取历史数据、获取预测数据、随机生成蓄电池初始pso粒子数据，在生成所述蓄电池初始pso粒子数据后，判断粒子是否满足蓄电池约束条件，当满足约束条件时，迭代开始；当不满足约束条件时，调整初始值(参数设置及/ 或输入基本参数)以满足约束条件，完成调整后，迭代开始。
[0133]
接着，依序进行计算蓄电池适应值、随机生成水蓄能初始pso粒子数据，在生成所述水蓄能初始pso粒子数据后，判断粒子是否满足水蓄能约束条件，当满足约束条件时，迭
代开始；当不满足约束条件时，调整初始值(参数设置及/或输入基本参数)以满足约束条件，完成调整后，迭代开始。
[0134]
接著，依序进行计算水蓄能适应值、随机生成电动汽车初始pso粒子数据，在生成所述电动汽车初始pso粒子数据后，判断粒子是否满足电动汽车约束条件，当满足约束条件时，迭代开始；当不满足约束条件时，调整初始值(参数设置及/或输入基本参数)以满足约束条件，完成调整后，迭代开始。
[0135]
接著，依序进行计算电动汽车适应值、下一次迭代开始、判断是否达到迭代次数，当迭代次数未达到时，回到所述随机生成蓄电池初始pso粒子数据步骤；当迭代次数已达到时，所述系统控制器10结束工作。
[0136]
其中，pso是指粒子群优化算法(particle swarm optimization)，是一种基于种群的随机优化技术。所述粒子群优化算法是模仿昆虫、兽群、鸟群和鱼群等的群集行为，这些群体按照一种合作的方式寻找食物，群体中的每个成员通过学习它自身的经验和其他成员的经验来不断改变其搜索模式。
[0137]
于本发明实施例中，所述物理储能模块40的水蓄能设备42用于作为空调系统的储能设备，具体的使用方法是利用所述水蓄能设备42，在用电低谷时段(电费较低的时段)将空调系统的冷量储存起来，在用电高峰时段(电费较高的时段)将所储存的能量释放出来，再用于空气调节。借此，改善空调系统能耗占比较高，采用蓄电池储能再转化为空调所需冷热能源的方法，导致蓄电池设置庞大，经济性不好的问题；同时也避免了蓄电池设置过多，提高了蓄电池设备故障，会带来火灾安全性问题。此外，采用蓄电池储能为空调系统提供能耗，需要3次能量转换，即电能-化学能-电能-热能；而采用水蓄能设备42作为空调系统的储能设备，则仅需1次转换，即电能-热能；因此采用水蓄能设备能源转换效率更高。
[0138]
于本发明实施例中，所述电动汽车模块50用于增加本发明基于人工智能的零碳建筑能源控制系统的精确性和柔韧性。由于未来电动汽车数量将会非常庞大，电动汽车用电量将不容小觑；且根据已有研究，电动汽车未来不仅可以充电，还可以向电网放电，而放电不会影响其电池寿命。是以，本发明的零碳建筑能源控制系统通过设置所述电动汽车模块50，以利用电动汽车52用能特性与其他用能设备不同，进而在单独考虑电动汽车特性的基础上，使得发电模块20的光伏供电单元22、风力供电单元23和化学储能模块30的蓄电池32等设备配置更加准确。此外，当建筑能源消耗较高时，还可通过电动汽车模块控制器51控制电动汽车52及/或充电桩53放电，从而将其电能补充进本发明的零碳建筑能源控制系统，实现提高系统的柔韧性。
[0139]
由于零碳建筑能源系统由众多模块构成，包括发电模块、化学储能模块、物理储能模块、电动汽车模块等，各模块运行逻辑完全不同；在没有找出每个模块的数学模型和约束条件，以及各模块间的制约关系的基础上，无法形成成熟且可实际应用的系统设计。是以，于本发明实施例中，本发明零碳建筑能源控制系统基于前述系统架构，依据各模块间逻辑关系提出了用于调配能源数据的数学模型，所述数学模型具有高精准性和高可靠性，是能够应用在具体项目中切实可行的零碳建筑能源控制系统计算方法方法。
[0140]
由于不同建筑物因其建筑性质和所在地气象数据不同年能耗曲线有所差异，且国家节假日变化，年能耗数据也有变化。是以，于本发明实施例中，提出采用人工智能算法，通过反复训练得到的年能耗数据(全年能耗曲线图)，具有很高的可靠性。该算法通过在不同
项目中的应用，具有自学习功能，从而使得零碳建筑能源系统中的应用准确性越来越高。具体地，本发明采用的人工智能算法原理，是在一定算法指导下，系统自行搜索最优结果；该算法的目的也是指导系统自行搜索适应能耗数据检索的最优结果。
[0141]
以上结合附图及实施例对本发明进行了详细说明，本领域中普通技术人员可根据上述说明对本发明做出种种变化例。因而，实施例中的某些细节不应构成对本发明的限定，本发明将以所附权利要求书界定的范围作为本发明的保护范围。