| 标题 | 基于AI的写字楼能耗分析系统设计 |
| 范文 | 张珣 王雪永 摘 要：近年来随着国内大型写字楼建筑的不断增多，能耗也迅速增长。为此，设计一个基于人工智能深度学习网络的写字楼能耗分析系统，首先对收集的能耗数据进行预处理，然后通过提取数据特征，运用反向传播网络对结果进行处理。该系统可通过训练大量能耗参数信息，评估写字楼历史能耗信息与当前能耗的量化关系，从而降低不必要的能耗，实现节能的目的。 关键词：AI;能耗分析;写字楼;反向传播网络;深度学习网络 DOI：10. 11907/rjdk. 182432 中图分类号：TP319文献标识码：A文章编号：1672-7800（2019）004-0104-04 0 引言 近年来国内大型写字楼建筑不断增多，并且95%为高能耗建筑，导致写字楼能耗迅速增长[1-3]。为了降低能耗、节约能源，需要对写字楼中的能耗设备进行监管。由于写字楼内部的能耗设备数量很多，人工监管压力非常大[4]。为了实时监测室内光照与温度信息，并对各灯具和空调运行状态进行智能控制，对能耗的精细化管理变得越来越重要[5]。国内外学者对此进行了相关研究。如樊丽军、于秋红等[6-7]通过函数拟合方法预测设备能耗，但由于能耗分析涉及因素众多，对于不同设备，分析与预测模型也通常有所不同，需要为每个用电器设计对应函数，所以该方法很难适应所有设备;Mocanu等[8]利用深度学习网络对建筑能耗进行预测，但其原理与实现细节并不详细。 本文设计一款可以监测与管理写字楼照明及空调系统的能耗分析系统，以实现对写字楼每个房间温度、光照及电器运行状态的采集，并且可以将信息发送到管理平台上。管理员通过该系统平台可以查看建筑电器能耗状态，帮助管理者尽快发现能耗异常情况并提出解决方案，从而降低不必要的能耗，实现节能目的[9]。 1 写字楼能耗分析系统概述 写字楼通常楼层较多，内部照明设备与空调数量也很多，以一栋二十层的写字楼为例，每层有200台照明设备、6台空调，则总共有4 120台设备需要管理，监测与管理任务十分繁重，如果监测和管理不及时，会造成大量能源浪费。 系统由数据采集、数据接收、数据分析与数据展示等几部分组成[10]。数据采集是指采集寫字楼内部电器能耗数据[11]，然后将采集的数据发送到远程服务器上;数据分析是指服务器对能耗历史数据进行学习，建立深度学习网络，并通过反向传播更正网络参数[12];数据分析是指服务器通过分析采集的实时能耗数据，判断电器运行状态是否正常，从而辅助人工决策[13];数据展示是指通过可视化图表展示电器历史运行状态[11]。能耗状态分类如表1所示。 2 数据库设计 本文采用MySQL数据库进行存储[14]，根据需要设计了以下几个表：deviceinformation、devicestatus、roominformation、devicebpn、user。其中deviceinformation表存储设备详细信息，主要字段包括标号、类型、所属建筑、所属楼层、所属房间、设备名称等;devicestatus表存储设备运行状态信息，主要字段包括设备标号、日期、功耗、预测功耗等[15];roominformation表存储房间信息，主要字段包括房间标号、光照、温度、时间等;user表用来存储用户信息，主要字段包括用户标号、用户名、用户密码、年龄等。 3 系统框架设计 系统前端页面采用HTML设计系统界面主题结构，利用CSS技术进行渲染与布局，并采用JavaScript对网站页面进行动态显示设计。系统后台采用Java语言编程，以及SSM框架进行搭建，服务器使用Tomcat。后台交换数据通信时采用Ajax技术（页面不跳转，响应速度加快）。后台系统主要实现以下功能： （1）信息联动查询。选择建筑名称后，可自动查询该建筑内楼层信息，以及楼层所有房间信息，并根据选择的信息查询该房间内所有设备，查看该设备在某时间段内运行状态。采用联动查询方式，最初只需加载少量数据即可，从而提高了页面响应速度。 （2）可视化展现电器运行状态。主要采用折线图与饼状图进行展示[16]，可视化图标采用echarts的API编写程序。根据折线图可以直观观测电器运行状态走势，饼状图用来分析各电器能耗占比。可视化展示有4种展现形式：①以小时为单位，查询所选日期当天运行状态;②以天为单位，查询所选日期当月运行状态;③以月为单位，查询所选日期当年运行状态;④对比查看预测能耗数据与实际能耗数据。通过该方式，可以按月或天查看电器运行状态长期走势，或按小时查看电器短期运行状态，也可以通过对比预测数据查看电器运行是否正常等。 （3）接收能耗数据。采用网络编程实现，利用socket与采集系统建立连接，进行数据传输。首先服务器开放一个网络端口，然后客户端通过该端口与服务器连接，连接成功之后客户端按照一定时间间隔向服务器发送能耗数据（本文采用每10min发送一次能耗数据）。服务器收到客户端发送的能耗数据后，将数据存储到数据库中等待后续处理。 （4）预测电器能耗与状态。采用神经网络对电器历史运行状态进行学习，建立网络模型，然后对电器能耗进行预测，并根据预测能耗与实际测量能耗对比，判断电器运行状态是否正常。 4 基于深度学习的写字楼能耗分析模型 4.1 数据选择 本文采用杭州电子科技大学某实验室2018年3月1日-3月15日共360条数据作为训练数据，之后采用2018年3月16日数据进行测试。测试数据如表2所示。 4.2 模型结构 深度学习网络结构（Deep Learn Networks，DLN）是由输入层、隐含层与输出层组成的一种深层神经网络[12，17]。在深度学习网络中，前一层网络的输出作为下一层输入，使上层网络获取到的特征可以被下一层使用[18]。输入层网络则以预处理后的数据作为输入，然后对输入特征进行分类或预测。模型结构如图1所示[19]。 第一层为输入层，该层节点数量可根据输入数据个数决定。隐含层可以有若干层，若隐含层太少，会导致模型过于简单，不能满足所需功能;若隐含层太多，进行梯度下降时权重收敛速度太慢，将导致训练模型耗时过长，并且容易出现过拟合状态[20]。因此，在建立学习网络时需要设置合适的隐含层数量。输出层仅有一层，建立过程比较简单，神经元个数根据需求结果进行设置即可。 4.3 模型训练过程 深度学习网络模型建立之后即可对模型权重进行训练。首先将建立的神经网络各权重参数初始化为一个随机数;然后对一组数据进行预处理，通过神经网络得到输出值，将输出值与期望值进行比较;采用梯度下降方式调节各网络节点连接权重，完成对该组数据的学习;对全部历史数据反复进行多次学习[21]，最终完成对神经网络的训练。 5 算法原理 5.1 神经网络计算公式 神经网络由若干层组成，由输入端逐层计算到输出层即可得到结果，某层输出即为下一层输入，各层输入与输出公式如下： 5.2 反向传播网络 如果设定该神经网络损失函数为[L（W，b）]，则每次输入一个样本计算损失函数时公式如下： 其中第一项是对预测结果进行判断，后面是规则化项，该方式将权重添加到损失函数中，梯度下降时则会使权重下降，从而避免了样本数据较小时产生的过拟合现象。输出层单元[i]的残差为： 5.3 能耗状态评估 利用神经网络分类功能，首先建立一个神经网络，使用历史数据对网络进行训练，然后进行预测，并采用神经网络模型对预测结果进行分类。输入为实际功耗与预测功耗，输出为y1、y2、y3三个值。当输出值为1、0、0时，表示功耗过低，电器无法正常运行，评估结果为Abnormal，此时管理者可根据提示，查看是否出现用电设备损坏或其它状况;当输出值为0、1、0时，表示功耗在正常范围内，电器运行正常，评估结果为Normal;当输出值为0、0、1时，表示功耗过高，电能出现浪费，评估结果为Waste，此时管理者应该根据提示查看电器功耗过高的原因，及时进行处理。 6 评估结果 根据收集的能耗历史数据，采用折线图、饼状图等可视化技术展示电器运行状态，然后系统对收集的能耗历史数据进行学习并作出预测，同时结合实际观测数据对电器运行状态进行评估，从而帮助写字楼管理者作出更好的决策，以避免电能浪费。测试数据输出预测值如表3所示。 该系统对预测的能耗数据进行处理，实际能耗与预测能耗折线图如图2所示。 此时电器运行状态分类如表4所示。 7 结语 本文針对写字楼能耗分析结果，给出能耗特征参数信息处理与分析方法，并提出一种基于人工智能深度学习网络的写字楼能耗分析系统。该系统利用深度学习网络，建立一种采用写字楼能耗特征参数（例如年份、月份、日、小时、分钟、星期几、温度、光照等）作为输入特征，以及能耗状况作为输出结果的模型。该写字楼能耗分析系统能较好地提取能耗重要特征，预测能耗数据，评估电器运行状态，从而提高写字楼管理效率，避免电能浪费。 参考文献： [1] 邓钊鹏. 一种基于BP 神经网络的建筑能耗分析模型的研究与实现[D]. 广州：华南理工大学， 2015. [2] 程桃桃. 基于EnergyPlus平台的办公建筑动态能耗模拟分析[D].西安：西安建筑科技大学， 2011. [3] 孙智超，王波. 基于数据挖掘技术的建筑能耗分析集成方法[J]. 计算机应用与软件， 2017， 34（11）：103-108， 146. [4] 张运楚，韩怀宝，杨红娟，等. 数据挖掘技术及其在建筑节能中的应用[J]. 计算机系统应用，2017，26（9）： 151-157. [5] 胡轩昂. 浙江省某高校建筑能耗评价指标及其能耗分析研究[D].杭州：浙江大学，2014. [6] 于秋红. 大型公共建筑能耗监测系统的设计研究[J]. 通讯世界， 2018（1）：198. [7] 于秋红. 物联网技术在大型公共建筑能耗数据采集中的应用[J]. 现代电子技术， 2018（11）：139-143. [8] MOCANU E， NGUYEN P H， GIBESCU M， ET al. Deep learning for estimating building energy consumption[J]. Sustainable Energy， Grids and Networks， 2016， 6： 91-99. [9] 贺梅葵. 武汉某高层建筑能耗分析及节能评价研究[D].武汉：华中科技大学， 2008. [10] 王砚玲，杨志辉，王芳，等. 哈尔滨某高校建筑能耗管理系统平台开发与应用[J]. 哈尔滨商业大学学报：自然科学版， 2017， 33（4）： 482-487. [11] 佘乾仲. 广西居住建筑能耗监测与分析平台研究[J]. 建筑节能， 2018， 46（3）：123-126， 141. [12] 杜冠洲，韦古强，高正平. 基于BP神经网络的公用建筑电力能耗预测研究[J]. 工程经济，2017，27（6）： 76-80. [13] 李世峰. 基于策略的绿色建筑智能化控制系统[J]. 山西建筑， 2017， 43（21）：185-187. [14] 万玉建. 一个建筑能耗分析系统的设计与实现[D]. 南京：东南大学， 2016. [15] 王博铭，罗淑湘，顾中煊，等. 建筑能耗数据管理系统研究[J]. 建筑技术， 2017， 48（12）： 1243-1246. [16] 王庭国. 建筑能耗监测与智能控制系统[J]. 福建建筑， 2018 （2）： 110-113. [17] 吕琼帅. BP 神经网络的优化与研究[D]. 河南： 郑州大学， 2011. [18] COTTER E NEIL. The stone-weierstrass theorem and its application to neural networks[J]. IEEE Transactions on Neural Networks， 1990（4）： 290-295. [19] 路阔，钟伯成，吕丁浩，等. 基于GALM神经网络的建筑能耗短期预测[J]. 建筑节能， 2015， 43（9）： 85-88. [20] FUNAHASHI K I. On the approximate realization of continuous mappings by neural networks[J]. Neural networks，1989，2（3）： 183-192. [21] 陈煜琛，蓝艇，史旭华. 基于多目标优化的节能建筑方案设计[J]. 工程技术研究， 2017（6）：193-194. （责任编辑：黄 健） |
| 随便看 |
|
科学优质学术资源、百科知识分享平台，免费提供知识科普、生活经验分享、中外学术论文、各类范文、学术文献、教学资料、学术期刊、会议、报纸、杂志、工具书等各类资源检索、在线阅读和软件app下载服务。