一种同时开空调和开门窗的异常识别方法技术

本发明专利技术涉及一种同时开空调和开门窗的异常识别方法，包括：步骤1：建立运行大数据集合，包括：进行空调运行试验，记录各种情况下的运行大数据集合；步骤2：获得预测模型，包括：步骤2.1：将运行大数据集合中的数据分配为训练集和测试集；步骤2.2：利用训练集训练神经网络模型；步骤2.3：采用测试集对神经网络模型进行测试，得到预测模型；步骤3：应用预测模型获得异常识别结果，包括：步骤3.1：从空调系统中提取实时运行大数据；步骤3.2：将实时运行大数据输入预测模型中，获得预测结果；步骤3.3：基于预测结果识别异常情况。本发明专利技术可准确识别大型建筑开空调时未关闭门窗的异常状态，保证了空调运行效率，提升了建筑节能管理水平，降低了碳排放。排放。排放。

【技术实现步骤摘要】
一种同时开空调和开门窗的异常识别方法


[0001]本专利技术涉及建筑智慧运维
，尤其涉及一种同时开空调和开门窗的异常识别方法。

技术介绍

[0002]根据统计表明，建筑运行阶段碳排放占全国总碳排放22％左右，其中维持建筑舒适性的空调系统在建筑运行阶段碳排放中的占比超过30％，对于节能减排具有较大潜力。调研表明，每个房间的空调运行状态与门窗的开启是强相关的，譬如开着门窗时，空调将室内温度调节到设定温度的时间会比较长。而在公共建筑使用中，经常会出现同时开空调和打开连接户外的门窗的情况，这将造成空调机组长时间高负荷工作，从而提升空调能耗，并影响建筑舒适性。但由于公共建筑面积大、人员杂，很难通过管理手段保障门窗处于常闭状态，只能依靠大量管理人员人工巡查识别，导致异常发现不及时，效率低。

技术实现思路

[0003]本专利技术提供一种同时开空调和开门窗的异常识别方法，以解决上述技术问题。
[0004]为解决上述技术问题，本专利技术提供一种同时开空调和开门窗的异常识别方法，包括如下步骤：
[0005]步骤1：建立运行大数据集合，包括：进行空调运行试验，记录各种情况下的运行大数据集合，所述运行大数据集合中的参数至少包括空调功率、服务空间面积、室外温度、室内温度、空调设定温度、空调风速、空调开启至达到设定温度的时长以及门窗是否打开；
[0006]步骤2：获得预测模型，包括：
[0007]步骤2.1：将所述运行大数据集合中的数据按比例随机分配为训练集和测试集；
[0008]步骤2.2：将所述训练集中的参数“门窗是否打开”及其值作为输出，其余参数及其值作为输入，训练神经网络模型；
[0009]步骤2.3：采用所述测试集对所述神经网络模型进行测试，当输出的准确性达到阈值，则所述神经网络模型训练完成，得到预测模型；
[0010]步骤3：应用所述预测模型获得异常识别结果，包括：
[0011]步骤3.1：从空调系统中提取实时运行大数据，所述实时运行大数据至少包括：空调功率、服务空间面积、室外温度、室内温度、空调设定温度、空调风速以及空调开启至达到设定温度的时长；
[0012]步骤3.2：将所述实时运行大数据输入所述预测模型中，获得预测结果；
[0013]步骤3.3：基于所述预测结果识别是否出现同时开空调和开门窗的异常情况。
[0014]较佳地，步骤1中，在记录时刻内，若空调未达到设定温度，则通过非线性拟合，预测未来达到设定温度所需的时间作为参数“空调开启至达到设定温度的时长”的值。
[0015]较佳地，步骤2.1中，按8:2的比例随机分配所述训练集和测试集。
[0016]较佳地，步骤2.2中，所述神经网络模型为全连接神经网络模型。
[0017]较佳地，步骤3.3中，当所述预测结果大于0.8时，则提示管理人员去现场确认和处理。
[0018]与现有技术相比，本专利技术提供的同时开空调和开门窗的异常识别方法具有如下优点：
[0019]1、本专利技术可及时、准确地识别大型建筑中开空调时未关闭门窗的异常状态，保证了空调运行效率，提升建筑节能管理水平，降低建筑运行阶段碳排放；
[0020]2、本专利技术提出一种根据末端空调运行大数据智能识别各个区域是否存在开空调、同时开门窗的预测模型，无需增加新设备，实现成本低、可实现智能分类、支持精细化的节能管理。
附图说明
[0021]图1为本专利技术一具体实施方式中同时开空调和开门窗的异常识别方法的流程图；
[0022]图2为本专利技术一具体实施方式中空调设定温度与室内温度的变化情况示意图。
具体实施方式
[0023]为了更详尽的表述上述专利技术的技术方案，以下列举出具体的实施例来证明技术效果；需要强调的是，这些实施例用于说明本专利技术而不限于限制本专利技术的范围。
[0024]本专利技术提供的同时开空调和开门窗的异常识别方法，如图1所示，包括如下步骤：
[0025]步骤1：建立运行大数据集合，包括：进行空调运行试验，记录各种情况下的运行大数据集合，所述运行大数据集合中的参数至少包括空调功率、服务空间面积、室外温度、室内温度、空调设定温度、空调风速、空调开启至达到设定温度的时长以及门窗是否打开。
[0026]在一些实施例中，步骤1可以包括：
[0027]步骤1.1：选择不同建筑面积的建筑空间进行试验，并建立空调数据集合，记为空调数据集合AC＝{空调ac
i
＝(空调功率ap
i
，服务空间面积ba
i
)}。
[0028]步骤1.2：选择不同室外温度调节，关闭门窗进行空调运行试验，并记录运行大数据集合AR＝{(空调功率ap
i
，服务空间面积ba
i
，室外温度tw
i
，室内温度tn
i
，空调设定温度ts
i
，空调风速as
i
，空调开启至达到设定温度的时长t
i
，门窗是否打开C
i
＝0)}。由于“空调开启至达到设定温度的时长”的值t
j
与空调功率ap
j
，空调风速as
j
，服务空间面积ba
j
，门窗面积、室内外温差等都有关系，是一个复杂的非线性的分类问题。例如，空调设定温度与室内温度的变化情况如图2所示。本申请将空调功率ap
i
，服务空间面积ba
i
，室外温度tw
i
，室内温度tn
i
，空调设定温度ts
i
，空调风速as
i
，空调开启至达到设定温度的时长t
i
，门窗是否打开C
i
作为参数，从而确保异常识别的准确性。
[0029]步骤1.3：选择不同室外温度调节，打开门窗进行空调运行试验，记录在运行大数据集合AR中，其中，门窗是否打开C
i
＝1，其余参数相同。
[0030]步骤2：获得预测模型，包括：
[0031]步骤2.1：将所述运行大数据集合AR中的数据按比例随机分配为训练集和测试集。在一些实施例中，可以按8:2的比例随机分配所述训练集和测试集，也可以按7:3的比例随机分配所述训练集和测试集，能够高效地完成训练和测试目的即可。
[0032]步骤2.2：将所述训练集中的参数“门窗是否打开”(C
i
)及其值(0或1)5作为输出，
其余参数及其值(空调功率ap
i
，服务空间面积ba
i
，室外温度tw
i
，
[0033]室内温度tn
i
，空调设定温度ts
i
，空调风速as
i
，开启空调至达到设定温度的时长t
i
)作为输入，训练神经网络模型M；
[0034]步骤本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种同时开空调和开门窗的异常识别方法，其特征在于，包括如下步骤：步骤1：建立运行大数据集合，包括：进行空调运行试验，记录各种情况下的运行大数据集合，所述运行大数据集合中的参数至少包括空调功率、服务空间面积、室外温度、室内温度、空调设定温度、空调风速、空调开启至达到设定温度的时长以及门窗是否打开；步骤2：获得预测模型，包括：步骤2.1：将所述运行大数据集合中的数据按比例随机分配为训练集和测试集；步骤2.2：将所述训练集中的参数“门窗是否打开”及其值作为输出，其余参数及其值作为输入，训练神经网络模型；步骤2.3：采用所述测试集对所述神经网络模型进行测试，当输出的准确性达到阈值，则所述神经网络模型训练完成，得到预测模型；步骤3：应用所述预测模型获得异常识别结果，包括：步骤3.1：从空调系统中提取实时运行大数据，所述实时运行大数据至少包括：空调功率、服务空间面积、室外温度、室内温度、空调...

【专利技术属性】
技术研发人员：余芳强，彭阳，张铭，高尚，谈骏杰，陈芊茹，李晨辉，
申请(专利权)人：上海建工四建集团有限公司，
类型：发明
国别省市：