一种基于数字孪生的楼宇能效智能化监管预测方法技术

本发明专利技术公开了一种基于数字孪生的楼宇能效智能化监管预测方法，包括如下步骤：获取待测楼宇的相关数据；将待测楼宇的相关数据输入训练获得的BP神经网络模型，预测输出楼宇的能耗数据。将能耗数据输入构建的实景孪生模型，进行可视化处理；本发明专利技术提供的基于数字孪生的楼宇能效智能化监管的方法，充分考虑了影响楼宇内能源消耗的各种场景，使用BP神经网络对用能量进行预测，结合楼宇自身特点制定合理的用能指标及建立实时预警系统。能指标及建立实时预警系统。能指标及建立实时预警系统。

【技术实现步骤摘要】
一种基于数字孪生的楼宇能效智能化监管预测方法


[0001]本专利技术涉及一种基于数字孪生的楼宇能效智能化监管预测方法，属于楼宇能效智能化监管预测


技术介绍

[0002]能源产业作为国民经济的基础，不仅是确保国家战略安全的必要前提，也是实现经济可持续发展的重要保障。据测算，未来几十年，我国不可再生能源将会枯竭，因此节能减排工作势在必行。
[0003]过去几十年间，我国楼宇节能监控自动化程度不高，特别是一些老旧的政府大楼和医院等公共机构场所，用能量大，人流量大，资源浪费大。随着建筑面积的不断增加，我国建筑能耗也会随之上升。
[0004]传统楼宇能效监管主要采用人工抄表和手动控制的方式，并没有将各区域分开进行监管。此外，能耗数据也只是以数字形式呈现，并没有进行直观展示，导致对能耗监管没有充分的认识。另一方面，传统的能效监管只是单一的记录之前的能耗数据，人为对下一阶段能耗指标进行设定，这种方式缺乏科学性，主观程度太大。
[0005]而现阶段，大型企业和公共机构对能源消耗有了新的要求，结合国家地方节能减排的一系列政策，各企业和公共机构必须要结合自身特点，展开更加精准的节能减排工作。尤其是目前人工智能、大数据和物联网等技术的快速兴起，楼宇能效监管结合这些技术可以实现更加精准的能耗控制。

技术实现思路

[0006]针对解决楼宇能效监管不透明、不科学和不简洁的问题，本专利技术的目的在于提供一种基于数字孪生的楼宇能效智能化监管方法，通过数字孪生技术建立楼宇实景孪生模型，将能耗数据进行可视化，同时利用BP神经网络，对楼宇各区域能耗进行预测。
[0007]为达到上述目的，本专利技术提供一种基于数字孪生的楼宇能效智能化监管预测方法，包括如下步骤：获取待测楼宇的相关数据；将待测楼宇的相关数据输入训练获得的BP神经网络模型，预测输出楼宇的能耗数据。
[0008]优先地，将能耗数据输入构建的实景孪生模型，进行可视化处理；能耗数据包括用水量、用电时间、用电量和用气量；待测楼宇的相关数据包括待测楼宇各不同办公分隔区域的建筑面积、待测楼宇的用能人数、待测楼宇的用能时间、人口密度、待测楼宇的室内亮度、待测楼宇的室内湿度和待测楼宇的室内温度。
[0009]优先地，训练获得BP神经网络模型，包括：获取训练集，训练集包括已知楼宇的各不同办公分隔区域的建筑面积、用能人数、
用能时间、人口密度、室内亮度、室内湿度、室内温度、用电量、用电时间、用水量和用气量；将训练集输入BP神经网络模型中，基于激活函数迭代优化调整BP神经网络模型的参数，构建作为输入的建筑面积、用能人数、用能时间、人口密度、室内亮度、室内湿度、室内温度以及作为输出的用电量、用电时间、用水量和用气量之间的映射关系；若激活函数收敛于一定值，则停止迭代，输出获得最终的BP神经网络模型。
[0010]优先地，将能耗数据输入构建的实景孪生模型，进行可视化处理，包括：S401：将楼宇不同时刻各不同办公分隔区域的用电量、用电时间、用水量、用气量、用能人数、用能时间、室内温度、室内湿度和室内亮度进行数字化；S402：基于建筑面积、用能人数、用能时间、人口密度、室内亮度、室内湿度、室内温度、用电量、用水量和用气量，利用数字孪生技术建立实景孪生模型，实时显示建筑面积、用电时间、用能人数、用能时间、人口密度、室内亮度、室内湿度、室内温度、用电量、用水量和用气量。
[0011]优先地，获取训练集，包括：获取数据集；对数据集进行无量纲化处理；对数据集采用十字交叉验证的方法，将数据集随机划分若干个的互斥子集，选择若干个互斥子集的并集作为训练集，剩余的作为测试集。
[0012]优先地，利用测试集判断训练获得的BP神经网络模型是否合格，包括：将测试集输入训练获得的BP神经网络模型，BP神经网络模型预测输出测试结果；将BP神经网络模型预测的用电量、用水量和用气量和对应的实际用电量、实际用水量和实际用气量进行比较，若预测的用电量和实际用电量差值、预测用水量和实际用水量差值以及预测的用气量和实际用气量差值均在设定的误差范围内，则判定此次测试合格；基于测试合格总数计算测试合格的概率，若测试合格的概率高于设定的概率阈值则训练获得的BP神经网络模型合格，否则判定BP神经网络模型不合格，重新获取训练集并重新训练BP神经网络模型。
[0013]一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述任一项所述方法的步骤。
[0014]一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述任一项所述方法的步骤。
[0015]本专利技术所达到的有益效果：本专利技术提供的基于数字孪生的楼宇能效智能化监管的方法，充分考虑了影响楼宇内能源消耗的各种场景，使用BP神经网络对用能量进行预测，结合楼宇自身特点制定合理的用能指标及建立实时预警系统。
附图说明
[0016]图1为本专利技术的流程图；图2为本专利技术训练BP神经网络模型的流程图；图3为本专利技术建立实景孪生模型的流程图。
具体实施方式
[0017]以下实施例仅用于更加清楚地说明本专利技术的技术方案，而不能以此来限制本专利技术的保护范围。
[0018]一种基于数字孪生的楼宇能效智能化监管预测方法，包括如下步骤：获取待测楼宇的相关数据；将待测楼宇的相关数据输入训练获得的BP神经网络模型，预测输出楼宇的能耗数据。
[0019]将能耗数据输入构建的实景孪生模型，进行可视化处理；能耗数据包括用水量、用电时间、用电量和用气量；待测楼宇的相关数据包括待测楼宇各不同办公分隔区域的建筑面积、待测楼宇的用能人数、待测楼宇的用能时间、人口密度、待测楼宇的室内亮度、待测楼宇的室内湿度和待测楼宇的室内温度。
[0020]训练获得BP神经网络模型，包括：S1，获取楼宇内不同办公分隔区域的建筑面积、用能人数、用能时间、室内亮度、室内湿度、室内温度和人口密度，构建数据集；物理传感器采集楼宇内不同办公分隔区域的能耗数据以及各种综合用能数据，综合用能数据包括室内温度、室内湿度和室内亮度；采集的能耗数据是为验证预测准确性和为训练提供数据支撑。采集综合用能数据是为了根据预测数据指导用能行为有可依据的标准，有可衡量的尺度。
[0021]对数据集采用十字交叉验证的方法，将数据集随机划分10个大小相同的互斥子集，然后每次用9个互斥子集的并集作为训练集，剩余的一个互斥子集作为测试集。
[0022]S2，获取训练集，训练集包括已知楼宇的各不同办公分隔区域的建筑面积、用能人数、用能时间、人口密度、室内亮度、室内湿度、室内温度、用电量、用水量和用气量；S3，将训练集输入BP神经网络模型中，基于激活函数迭代优化调整BP神经网络模型的参数，构建作为输入的建筑面积、用能人数、用能时间、人口密度、室内亮度、室内湿度、室内温度以及作为输出的用电量、用水量和用气量之间的映射关系；若激活函数收敛于一定值，则停止迭代，输出获得最终的BP神经网络模型。
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于数字孪生的楼宇能效智能化监管预测方法，其特征在于，包括如下步骤：获取待测楼宇的相关数据；将待测楼宇的相关数据输入训练获得的BP神经网络模型，预测输出楼宇的能耗数据。2.根据权利要求1所述的一种基于数字孪生的楼宇能效智能化监管预测方法，其特征在于，将能耗数据输入构建的实景孪生模型，进行可视化处理；能耗数据包括用水量、用电时间、用电量和用气量。3.根据权利要求1所述的一种基于数字孪生的楼宇能效智能化监管预测方法，其特征在于，训练获得BP神经网络模型，包括：获取训练集，训练集包括已知楼宇的各不同办公分隔区域的建筑面积、用能人数、用能时间、人口密度、室内亮度、室内湿度、室内温度、用电量、用电时间、用水量和用气量；将训练集输入BP神经网络模型中，基于激活函数迭代优化调整BP神经网络模型的参数，构建作为输入的建筑面积、用能人数、用能时间、人口密度、室内亮度、室内湿度、室内温度以及作为输出的用电量、用电时间、用水量和用气量之间的映射关系；若激活函数收敛于一定值，则停止迭代，输出获得最终的BP神经网络模型。4.根据权利要求1所述的一种基于数字孪生的楼宇能效智能化监管预测方法，其特征在于，将能耗数据输入构建的实景孪生模型，进行可视化处理，包括：S401：将楼宇不同时刻各不同办公分隔区域的用电量、用电时间、用水量、用气量、用能人数、用能时间、室内温度、室内湿度和室内亮度进行数字化；S402：基于建筑面积、用能人数、用能时间、人口密度、室内亮度、室内湿度、室内温度、用电量、用水量和用气量，利用数字孪生技术建立实景孪生模型，实时显示建筑面积、用电时间、用能人数、用能时间、人口密度、室内亮度、室内湿度、室内温度、用电量、用水量和用气量。5...

【专利技术属性】
技术研发人员：叶海亮，
申请(专利权)人：南京英诺森软件科技有限公司，
类型：发明
国别省市：