本发明涉及建筑节能领域,具体涉及一种建筑电气节能监测方法。
背景技术:
建筑节能,在发达国家最初为减少建筑中能量的散失,普遍称为“提高建筑中的能源利用率”,在保证提高建筑舒适性的条件下,合理使用能源,不断提高能源利用效率。建筑节能具体指在建筑物的规划、设计、新建(改建、扩建)、改造和使用过程中,执行节能标准,采用节能型的技术、工艺、设备、材料和产品,提高保温隔热性能和采暖供热、空调制冷制热系统效率,加强建筑物用能系统的运行管理,利用可再生能源,在保证室内热环境质量的前提下,增大室内外能量交换热阻,以减少供热系统、空调制冷制热、照明、热水供应因大量热消耗而产生的能耗。
技术实现要素:
本发明设计开发了一种建筑电气节能监测方法,本发明的发明目的之一是通过bp神经网络对节能监控系统系统进行有效调节,进而到达节能监测的目的。
本发明的发明目的之二是通过异常状况的设置,能够有效的进行报警,提高系统的安全性能。
本发明提供的技术方案为:
一种建筑电气节能监测方法,包括如下步骤:
通过能耗监测系统的传感器采集监测数据,获得建筑的室内外环境参数,并且将数据传输至节能监控系统,节能监控系统根据所述数据进行控制调节后,将调节后的信息传输至中心服务器,中心服务器通过公共网络与远程监控系统进行连接,从而进行监控。
优选的是,所述传感器包括温度传感器、湿度传感器、亮度传感器和水流传感器。
优选的是,所述节能监控系统包括中央空调节能监控系统、供水节能监控系统、供电节能监控系统、照明节能监控系统。
优选的是,所述节能监控系统还包括报警系统,当所述节能监控系统根据所述数据进行控制调节时,出现异常状态时进行报警,并且将所述报警信息传输至中心服务器。
优选的是,所述节能监控系统根据所述数据基于bp神经网络进行控制调节包括如下步骤:
步骤一、按照采样周期,通过传感器测量建筑物内部温度t、建筑物内部湿度rh、建筑物内部亮度l、建筑物内部水流流速q;
步骤二、依次将上述参数进行规格化,确定三层bp神经网络的输入层向量x={x1,x2,x3,x4};其中x1为内部温度系数、x2为内部湿度系数、x3为内部亮度系数、x4为内部水流流速系数;
步骤三、所述输入层向量映射到中间层,所述中间层向量y={y1,y2,…,ym};m为中间层节点个数;
步骤四、得到输出层向量o={o1,o2,o3,o4};o1为中央空调节能监控系统调节系数、o2为供水节能监控系统调节系数、o3为供电节能监控系统调节系数、o4为集中照明节能监控调节系数;
步骤五、控制中央空调节能监控系统、供水节能监控系统、供电节能监控系统和集中照明节能监控系统,使
其中,
根据所述中央空调节能监控系统调节系数、所述供水节能监控系统调节系数、所述供电节能监控系统调节系数和所述集中照明节能监控调节系数对所述节能监控系统进行调节,从而控制建筑电气内部温度、内部湿度、照明亮度和水流流速。
优选的是,所述中间层节点个数m满足:
优选的是,建筑物内设置有nx个传感器,采集的测量值分别为
式中,x分别为测量参数t、rh、l、q。
优选的是,在所述步骤三中,将建筑物内部温度t、建筑物内部湿度rh、建筑物内部亮度l、建筑物内部水流流速q进行规格化的公式为:
其中,xj为输入层向量中的参数,xj分别为测量参数t、rh、l、q,j=1,2,3,4;xjmax和xjmin分别为相应测量参数中的最大值和最小值。
优选的是,在所述步骤三中,初始运行状态,中央空调节能监控系统、供水节能监控系统、供电节能监控系统和集中照明节能监控系统满足经验值:
ωa0=0.78ωa_max
ωb0=0.73ωb_max
ωc0=0.68ωc_max
ωd0=0.87ωd_max
其中,ωa0、ωb0、ωc0、ωd0分别为中央空调节能监控系统、供水节能监控系统、供电节能监控系统和集中照明节能监控系统的初始调节开度,ωa_max、ωb_max、ωc_max、ωd_max分别为中央空调节能监控系统、供水节能监控系统、供电节能监控系统和集中照明节能监控系统的最大调节开度。
优选的是,所述异常状态包括:o1≥ψ(x)、o2≥0.92、o3≥0.92或者o2≥0.95;
其中,x分别为测量参数t、rh;
式中,t为建筑物内部温度,t0为建筑物内部经验对比温度,rh为建筑物内部湿度,rh0为建筑物内部经验对比湿度,pt为建筑物内部温度经验对比常数,取值范围0.95~1.08,prh为建筑物内部湿度经验对比常数,取值范围1.85~1.94。
本发明与现有技术相比较所具有的有益效果:本发明通过基于bp神经网络对节能监控系统进行监控调节,从而对建筑电气节能系统进行有效监测,同时对异常状况进行监测有效报警,挺高监测系统的安全性能。
具体实施方式
下面对本发明做进一步的详细说明,以令本领域技术人员参照说明书文字能够据以实施。
本发明提供了一种建筑电气节能监测方法,包括如下步骤:通过能耗监测系统的传感器采集监测数据,获得建筑的室内外环境参数,并且将数据传输至节能监控系统,节能监控系统根据所述数据进行控制调节后,将调节后的信息传输至中心服务器,中心服务器通过公共网络与远程监控系统进行连接,从而进行监控;其中,传感器包括温度传感器、湿度传感器、亮度传感器和水流传感器;节能监控系统包括中央空调节能监控系统、供水节能监控系统、供电节能监控系统、照明节能监控系统。
在另一种实施例中,节能监控系统还包括报警系统,当所述节能监控系统根据所述数据进行控制调节时,出现异常状态时进行报警,并且将所述报警信息传输至中心服务器。
其中,温度传感器设置在建筑物内部,用于测量建筑物内部温度t;在本实施里中,作为一种优选,在建筑物内部温度传感器设置有nt个,它们测量的温度值分别为
权值wti根据经验分析得出,并且满足:
湿度传感器设置在建筑物内部,用于测量建筑物内部湿度rh;在本实施里中,作为一种优选,在建筑物内部湿度传感器设置有nrh个,它们测量的湿度值分别为
权值wrhi根据经验分析得出,并且满足:
亮度传感器设置在建筑物内部,用于测量建筑物内部亮度l;在本实施里中,作为一种优选,在建筑物内部亮度传感器设置有nl个,它们测量的亮度值分别为
权值wli根据经验分析得出,并且满足:
水流传感器设置在建筑物内部,用于测量建筑物内部水流流速q;在本实施里中,作为一种优选,在建筑物内部水流传感器设置有nq个,它们测量的水流流速值分别为
权值wqi根据经验分析得出,并且满足:
节能监控系统根据所述数据基于bp神经网络进行控制调节包括如下步骤:
步骤一:建立bp神经网络模型。
本发明采用的bp网络体系结构由三层组成,第一层为输入层,共n个节点,对应了表示设备工作状态的n个检测信号,这些信号参数由数据预处理模块给出。第二层为隐层,共m个节点,由网络的训练过程以自适应的方式确定。第三层为输出层,共p个节点,由系统实际需要输出的响应确定。
该网络的数学模型为:
输入向量:x=(x1,x2,...,xn)t
中间层向量:y=(y1,y2,...,ym)t
输出向量:o=(o1,o2,...,op)t
本发明中,输入层节点数为n=4,输出层节点数为p=4。隐藏层节点数m由下式估算得出:
输入信号4个参数分别表示为:x1为内部温度系数、x2为内部湿度系数、x3为内部亮度系数、x4为内部水流流速系数。
由于传感器获取的数据属于不同的物理量,其量纲各不相同。因此,在数据输入人工神经网络之前,需要将数据规格化为0-1之间的数。
具体而言,对于使用温度传感器测量的内部温度t,进行规格化后,得到内部温度系数x1:
其中,tmin和tmax分别为所述温度传感器的最小内部温度和最大内部温度。
同样的,使用湿度传感器测量的内部湿度rh通过下式进行规格化,得到内部湿度系数x2:
其中,rhmin和rhmax分别为所述湿度传感器的最小内部湿度和最大内部湿度。
使用亮度传感器测量得到内部亮度l,进行规格化后,得到内部亮度系数x3:
其中,lmin和lmax分别为所述湿度传感器的最小内部亮度和最大内部亮度。
使用水流传感器测量得到内部水流流速q,进行规格化后,得到内部水流流速系数x4:
其中,qmin和qmax分别为水流传感器的最小内部水流流速和最小内部水流流速。
输出信号的4个参数分别表示为:o1为中央空调节能监控系统调节系数、o2为供水节能监控系统调节系数、o3为供电节能监控系统调节系数、o4为集中照明节能监控调节系数。
中央空调节能监控系统调节系数o1表示为下一个采样周期中中央空调节能监控系统的开度与当前采样周期中中央空调节能监控系统的设定最大开度之比,即在第i个采样周期中,采集到的中央空调节能监控系统的开度为ωai,通过bp神经网络输出第i个采样周期的中央空调节能监控系统开度调节系数
供水节能监控系统调节系数o2表示为下一个采样周期供水节能监控系统的开度与当前采样周期中供水节能监控系统的设定最大开度之比,即在第i个采样周期中,采集到的供水节能监控系统的开度为ωbi,通过bp神经网络输出第i个采样周期的供水节能监控系统开度调节系数
供电节能监控系统调节系数o3表示为下一个采样周期中供电节能监控系统的开度与当前采样周期中供电节能监控系统的设定最大开度之比,即在第i个采样周期中,采集到的供电节能监控系统的开度为ωci,通过bp神经网络输出第i个采样周期的供电节能监控系统开度调节系数
集中照明节能监控调节系数o4表示为下一个采样周期中集中照明节能监控的开度与当前采样周期中集中照明节能监控的设定最大开度之比,即在第i个采样周期中,采集到的集中照明节能监控的开度为ωdi,通过bp神经网络输出第i个采样周期的集中照明节能监控开度调节系数
步骤二、进行bp神经网络的训练。
建立好bp神经网络节点模型后,即可进行bp神经网络的训练。根据产品的历史经验数据获取训练的样本,并给定输入节点i和隐含层节点j之间的连接权值wij,隐层节点j和输出层节点k之间的连接权值wjk,隐层节点j的阈值θj,输出层节点k的阈值θk、wij、wjk、θj、θk均为-1到1之间的随机数。
在训练过程中,不断修正wij和wjk的值,直至系统误差小于等于期望误差时,完成神经网络的训练过程。
如表3所示,给定了一组训练样本以及训练过程中各节点的值。
表3训练过程各节点值
步骤三、采集建筑电气节能监测系统运行参数输入神经网络得到调节系数。
监测系统加电启动后,中央空调节能监控系统、供水节能监控系统、供电节能监控系统和集中照明节能监控系统均以最大的开度开始运行,即中央空调节能监控系统初始开度为ωa0=0.78ωa_max,供水节能监控系统初始开度为ωb0=0.73ωb_max,供电节能监控系统初始开度为ωc0=0.68ωc_max,集中照明节能监控系统初始开度为ωd0=0.87ωd_max;
同时使用温度传感器、湿度传感器、亮度传感器和水流传感器测量初始温度t0、初始湿度rh0,初始亮度l0,初始水流流速q0。通过将上述参数规格化,得到bp神经网络的初始输入向量
步骤四、控制中央空调节能监控系统、供水节能监控系统、供电节能监控系统和集中照明节能监控系统的开度。
得到初始输出向量
通过传感器获取第i个采样周期的内部温度ti、内部湿度rhi、内部亮度li、内部水流流速qi,通过进行格式化得到第i个采样周期的输入向量
通过上述设置,通过传感器实时监测节能监控系统的运行状态,通过采用bp神经网络算法,根据所述中央空调节能监控系统调节系数、所述供水节能监控系统调节系数、所述供电节能监控系统调节系数和所述集中照明节能监控调节系数对所述节能监控系统进行调节,从而控制建筑电气内部温度、内部湿度、照明亮度和水流流速。
在另一种实施例中,异常状态包括:o1≥ψ(x)、o2≥0.92、o3≥0.92或者o2≥0.95;
其中,x分别为测量参数t、rh;
式中,t为建筑物内部温度,t0为建筑物内部经验对比温度,rh为建筑物内部湿度,rh0为建筑物内部经验对比湿度,pt为建筑物内部温度经验对比常数,取值范围0.95~1.08,prh为建筑物内部湿度经验对比常数,取值范围1.85~1.94;作为一种优选,在本实施例中,t0取值为25℃,rh0取值为40%,pt取值为1.04,prh取值为1.92。
尽管本发明的实施方案已公开如上,但其并不仅仅限于说明书和实施方式中所列运用,它完全可以被适用于各种适合本发明的领域,对于熟悉本领域的人员而言,可容易地实现另外的修改,因此在不背离权利要求及等同范围所限定的一般概念下,本发明并不限于特定的细节和这里示出与描述的图例。