技术特征：
1.一种耦合环境行为动态监测的办公建筑能耗智能控制模型，其特征在于，包括如下步骤：s1、针对典型办公建筑为研究对象，布置传感器，获取办公建筑空间的参数与数据；s2、根据参数和数据建立数据库，提取数据库的特征信息，以综合分析建筑运行状态和进行模式识别；s3、对数据库进行数据预处理；s4、耦合机器学习智能算法，建立基于数据驱动的建筑环境预测模型；s5、集成人工神经网络算法，将人工神经网络算法应用到建筑环境控制；s6、将真实环境下人为行为和能源驱动的办公建筑空间与理想环境下仿真模拟的办公建筑空间进行分析、比对与评估。2.根据权利要求1所述的一种耦合环境行为动态监测的办公建筑能耗智能控制模型，其特征在于，所述数据库包括人行为信息和能源消耗；所述人行为信息包括人员有无信息和人数信息；能源消耗数据包括办公建筑消耗的水、电和燃气；环境参数包括温湿度、co2和tvoc。3.根据权利要求1所述的一种耦合环境行为动态监测的办公建筑能耗智能控制模型，其特征在于，所述s2具体包括以下步骤：s21、布置动态监测传感器，获取办公建筑空间信息；s22、建立办公建筑人行为信息和能源消耗数据库；s23、提取数据库的特征信息，综合分析建筑运行状态和进行模式识别。4.根据权利要求3所述的一种耦合环境行为动态监测的办公建筑能耗智能控制模型，其特征在于，所述特征信息包括建筑环境和人行为的实时数据、建筑环境和人行为的变化量数据、建筑环境和人行为的统计量数据、人员到达时间统计量数据和人员离开时间统计量数据；所述传感器的动态监测构建包括中心数据采集模块、数据存储传输模块和电源模块，采集模块包括中心未处理单元、co2和tvoc组件、温湿度组件、人体感应器组件和时间模块。5.根据权利要求1所述的一种耦合环境行为动态监测的办公建筑能耗智能控制模型，其特征在于，所述数据预处理包括：s31、数据库构建中出现的异常值和缺省值数据问题；s32、利用adaptive-lasso分析法在相关性分析和回归分析，求解各因子与建筑能耗变的lasso值输出相关性并设立选择阈值。6.根据权利要求1所述的一种耦合环境行为动态监测的办公建筑能耗智能控制模型，其特征在于，所述s4包括以下步骤：s41、从特征提取和模式识别挖掘出的环境和人行为特征作为算法设计优化输入参数；s42、利用参数进行算法的训练、验证与学习，最终输出目标的控制参数的预测模型；s43、人工神经网络对不同建筑环境控制变量进行学习预测；所述人工神经网络包括反向传播神经网络结构和反馈神经网络结构。7.根据权利要求6所述的一种耦合环境行为动态监测的办公建筑能耗智能控制模型，其特征在于，所述s5包括以下步骤：
s51、通过集成人工神经网络算法和建筑环境控制模型智能控制方法，将人工神经网络算法应用到建筑环境控制系统；s52、神经网络预测控制通过耦合s51中的人工神经网络算法建立神经网络预测器；s53、通过设计优化性能指标，利用非线性优化器求出优化后的控制作用，神经网络预测器建立一个非线性被控对象的预测模型，并在线学习修正。8.根据权利要求7所述的一种耦合环境行为动态监测的办公建筑能耗智能控制模型，其特征在于，所述所述建筑环境控制系统含有两种典型的神经网络控制，包括神经网络预测控制和神经网络自适应控制；所述神经网络自适应控制通过参考控制模型的输出结果进行学习预测控制。9.根据权利要求7所述的一种耦合环境行为动态监测的办公建筑能耗智能控制模型，其特征在于，所述预测模型由控制输入u(t)和系统的输出y(t)预报出被控系统在将来一段时间范围内的输出值y
m
(t+j|t)，其中j＝n1，n1+1，...，n2；n1和n2表示最小和最大的预测范围，如下式比较t+j时刻的预报误差：e(t+j)＝y
d
(t+j)-y
m
(t+j|t)其中y
d
(t+j)表示t+j时刻的期望输出，则非线性控制器将使如下性能指标函数最小，以便得到最优的控制输入：其中，δu(t+j-1)＝u(t+j-1)-u(t+j-2)，λ是控制加权系数。10.根据权利要求1所述的一种耦合环境行为动态监测的办公建筑能耗智能控制模型，其特征在于，所述s6包括一下步骤：s61、构建简化的办公建筑空气处理单元，消除负荷；s62、通过空气处理单元调控新风量，稀释室内不利元素；s63、计算空气处理单元的能耗负荷，公式如下：q
r
＝m
z
*c
p
*(t
in-t
s
)q
vent，r
＝m
oa，r
*(h
oa-h
in
)＝m
oa，r
*(f(t
air
，h
air
)-f(t
in，r
，h
in，r
))w
fan
＝βm3w
cost
＝w
fan
+(q
r
+q
vent，r
)/cop式中，m
z
和m
oa，r
表示空调送风量和新风量，t
in
和t
s
表示房间内的温度和空调末端的送风温度；h
oa
和h
in
分别表示室外空气和室内空气的焓值；t和h分别表示温湿度；β是风机能耗系数；q
r
，q
vent，r
和w
fan
分别表示冷热负荷、新风负荷和风机能耗；cop是空调系统能效比，w
cost
表示空气处理单元总能耗负荷；s64、利用集成算法耦合s53输出的办公环境智能控制与s63的输出结果，得出办公建筑平面楼层节能策略模型，得出耦合人行为与环境能耗动态监测的办公建筑智能控制模型；s65、综合优化结果，利用输出数值进行模型鲁棒性检验，输出最优的环境控制检验策略、节能潜力策略模型、办公空间设备节能控制模型。
技术总结
本发明公开一种耦合环境行为动态监测的办公建筑能耗智能控制模型，以办公建筑为研究对象，结合建筑环境控制模型，吸收国内外智能控制模型和人工智能的最新理念，开展耦合建筑人行为和多源环境信息监测的建筑环境智能控制模型研究；通过物联网技术建立建筑环境及运行数据的监测平台进行建筑环境信息收集，采用数据挖掘技术研究匹配人行为信息的建筑环境模式识别，建立开源数据库；通过研究探究建立神经网络预测学习模型,对真实环境下人为行为与能源驱动的办公建筑空间与理想环境下仿真模拟的办公建筑空间进行分析、比对与评估；通过耦合人行为信息，研究基于神经网络算法建立建筑环境智能控制模型。建筑环境智能控制模型。建筑环境智能控制模型。
技术研发人员：王伟 徐小东 徐宁 刘可 孔令宇
受保护的技术使用者：东南大学
技术研发日：2021.12.09
技术公布日：2022/3/18