本发明属于供暖技术领域,尤其涉及一种基于物联网的楼宇供暖节能预测分析终端。
背景技术:
目前,业内常用的现有技术是这样的:
供暖是人类最早发展起来的建筑环境控制技术。人类自从懂得用火以来,为抵御寒冷对生存的威胁,发明了火炕、火炉、火墙、火地等供暖方式,这是最早的供暖设备与系统,有的至今还在被应用。发展到今天,供暖设备与系统,在对人的舒适感和卫生、设备的美观和灵巧、系统和设备的自动控制、系统形式的多样化、能量的有效利用等方面都有着长足的进步。然而,现有楼宇供暖通过电能、燃料燃烧方式供暖耗费能源,影响环境;同时对供暖节能预测数据处理速度慢,不能及时获取数据。
随着经济全球化的深入和科学技术的发展,供暖面临的外部环境越来越复杂多变,如何节能是一个核心问题。
对供暖行业,影响预测的因素不仅仅局限于某个因素,涉及的数据即属于大数据的范畴,包含传感器数据、控制器数据及设备系统的网络化数据等。因此,预测需要与大数据的挖掘分析有机融合,即需要通过大数据的分析获取影响供暖温度的各项数据和影响因素,进而利用这些影响因素及相关的其它历史数据完成预测。
综上所述,现有技术存在的问题是:现有楼宇供暖通过电能、燃料燃烧方式供暖耗费能源,影响环境;同时对供暖节能预测数据处理速度慢,不能及时获取数据;智能化程度低。
技术实现要素:
针对现有技术存在的问题,本发明提供了一种基于物联网的楼宇供暖节能预测分析终端。
本发明是这样实现的,一种基于物联网的楼宇供暖节能预测分析终端包括:
太阳能供电模块、温度检测模块、中央控制模块、加热模块、大数据计算模块、数据存储模块、显示模块;
太阳能供电模块,与中央控制模块连接,用于通过太阳能电池板将太阳能转化为电能给楼宇提供供暖能源;
温度检测模块,与中央控制模块连接,用于通过温度传感器检测供暖温度;
温度检测模块的检测信号y(t)表示为:
y(t)=x(t)+n(t);
其中,x(t)为数字调制信号,n(t)为服从标准sαs分布的脉冲噪声,x(t)的解析形式表示为:
其中,n为采样点数,an为发送的信息符号,在mask信号中,an=0,1,2,…,m-1,m为调制阶数,an=ej2πε/m,ε=0,1,2,…,m-1,g(t)表示矩形成型脉冲,tb表示符号周期,fc表示载波频率,载波初始相位
数字调制信号x(t)的分数低阶模糊函数表示为:
其中,τ为时延偏移,f为多普勒频移,0<a,b<α/2,x*(t)表示x(t)的共轭,当x(t)为实信号时,x(t)<p>=|x(t)|<p>sgn(x(t));当x(t)为复信号时,[x(t)]<p>=|x(t)|p-1x*(t);
中央控制模块,与太阳能供电模块、温度检测模块、加热模块、大数据计算模块、数据存储模块、显示模块连接,用于调度各个模块正常工作;
加热模块,与中央控制模块连接,用于通过加热电炉进行加热;
大数据计算模块,与中央控制模块连接,用于通过大数据计算资源对检测数据进行处理;
具体包括:
1)基于hadoop构建包含关系型数据库数据、温度检测模块数据和中央控制模块数据的大数据分析平台,转到步骤2);
2)、在mapreduce框架下运用apriori关联规则挖掘算法,在大数据分析平台中进行分析和挖掘,得到楼宇供暖温度影响因素,转到步骤3);
3)结合楼宇供暖温度影响因素和楼宇供暖流量历史数据,构建神经网络模型bp,产生神经网络模型bp的初始权值,转到步骤4);
4)、对神经网络模型bp的权值和阈值进行动态改进,获得动态神经网络模型dbp,产生动态神经网络模型dbp的权值和阈值,转到步骤5);
5)、运用自适应免疫遗传aiga算法优化动态神经网络模型dbp,获得预测模型aiga-dbp,根据预测模型aiga-dbp计算楼宇供暖流量预测值,转到步骤6);
6)、判断楼宇供暖流量预测值与楼宇供暖流量期望值的误差是否满足设定的条件,若是,转到步骤7);否则重新执行到步骤5);
7)、输出楼宇供暖流量预测值,结束;
数据存储模块,与中央控制模块连接,用于将采集的数据存储为大数据库;
显示模块,与中央控制模块连接,用于通过显示器进行显示检测数据信息。
进一步,步骤1)具体包括以下步骤:
将关系型数据库数据、传感器数据和控制器数据通过sqoop上传至分布式文件系统hdfs,并存储至nosql数据库中;利用mapreduce计算框架对关系型数据库数据、温度检测模块数据和中央控制模块数据进行挖掘分析,将分析好的数据写入nosql数据库,并通过web展示;
步骤2)中在mapreduce框架下运用apriori关联规则挖掘算法具体包括以下步骤:
s201、使用mapreduce计算模型得到频繁1项集的集合l1,产生候选k项集的集合ck(k≥2);
s202、在map函数处理阶段,每个map任务计算其所处理的事务数据集中每个事务记录中包含在ck中的项目集的出现次数,对于每个map任务来说,如果候选k项集的某个项集(包含k个项目)出现在一个事务记录中,则map函数产生并输出<某个项集,1>键值对给combiner函数,由combiner函数处理后交给reduce函数;
s203、在reduce函数处理阶段,reduce函数累加ck中的项目集的出现次数,得到所有项目集的支持频度,所有支持频度≥设定的最小支持频度的项目集组成频繁项集lk的集合,如果k<最大的迭代次数且不为空,则执行k++,转入步骤s202;否则,结束运行;
步骤3)中所述产生神经网络模型bp初始权值的方法为以下4种方法中任意一种:
方法一:随机地在区间[-1,1]之间选择初始权值;
方法二:随机地在零附近的一个区间[-0.01,0.01]之间选择初始权值;
方法三:神经网络模型bp中存在两级网络:输入层与隐含层与之间的网络、隐含层与输出层之间的网络,两级网络的初始权值采用不同的选择方式:输入层至隐含层连接权值初始化为随机数,隐含层到输出层的连接权值初始化为-1或1;
方法四:将权值初始化为[a,b]之间的随机数,其中a,b为满足以下方程的整数:
其中h为网络隐含层节点数;
步骤4)具体包括以下步骤:
s401、调整神经网络模型bp隐含层与输出层之间的权值wkj;
调整wkj的目的是希望输出节点j的新输出
其中α代表接近度,在每个训练周期保持不变,并随隐含层节点数h的调整而变小,不考虑阈值,则有:
其中wkj和
根据公式(3)得到△wkj的求解方程:
其中,
根据最小平方和误差原则求解方程(4),得到△wkj的近似解:
对每一个连接到输出节点j的隐含层节点k,计算k与j之间的权值变化△wkj,更新权值并计算平方和误差e,然后在k∈[1,h]区间选择一个最优的k,使得e最小;
s402、调整神经网络模型bp输入层与隐含层之间的权值vik;
调整vik的目的是一旦神经网络算法陷入局部极小点,修改权值能够跳出该极小点,判断神经网络算法陷入局部极小点的条件是误差e的变化率△e=0,且e>0;
不考虑阈值,隐含层节点k的权值的改变通过以下方程求解:
其中δpj=f-1(ypk+δypk)-f-1(ypk),m为自然数,则隐含层输出ypk求解公式为:
其中△ypk为ypk的改变量,则有:
根据最小平方和误差原则求解公式(6)构建的矩阵方程,可以算出:
综合公式(6)和(10),计算隐含层与输出层之间权值的动态平均改变量
计算输入层与隐含层之间权值的动态平均改变量
公式(12)中m取10~20之间的自然数,根据公式(11)和(12)获得神经网络模型bp的动态平均权值,根据神经网络模型bp的动态平均权值获得动态神经网络模型dbp。
进一步,所述大数据计算模块包括大数据采集模块和大数据处理模块;
大数据采集模块用于采集温度检测模块采集的不同时间段的温度信息,并将信息传输到数据存储模块中的数据库进行储存;
大数据处理模块用于对数据库中的数据进行分析和处理;
所述大数据计算模块计算方法如下:
首先,获取功能检测数据;
然后,获取对大数据进行计算的指示信息;
最后,根据所述指示信息对所述大数据中的部分数据进行计算,输出计算结果。
进一步,大数据处理模块根据收集到的数据特性,对要优化数据进行分析:如果数据处理问题是求解函数的最小值优化问题则建立最小值优化模型;否则,通过对数据的正则化处理,转化为求解最小值优化问题,再建立最小值优化模型;
建立最小值优化模型
选取梯度类优化方法,所述方法包括梯度下降法、牛顿法和l-bfgs方法;具体根据选取的优化方法,引入powerball函数,建立powerball迭代公式,进行迭代;所述powerball函数表达式σγ(z)=sign(z)|z|γ,γ∈(0,1)为power系数,z∈r;
对于梯度下降法,对应的powerball迭代公式为:
对于牛顿法,对应的powerball迭代公式为:
x(k+1)=x(k)-(▽2f(x(k)))-1σγ(▽f(x(k)));
对于l-bfgs方法,对应的powerball迭代公式为:
其中,
式中,▽f(x)为目标函数f(x)的梯度;▽2f(x)为目标函数f(x)的hesse矩阵;k是迭代次数,取值为0,1,2,……,αk为第k次迭代时的步长,x(k)为第k次迭代得到的逼近值;当k=0时,bk初值取为单位矩阵,x(k)的初值x(0)可任意选取;σγ(·):r→r为powerball函数σγ对目标函数梯度的非线性变换即powerball变换,对任意的向量x=(x1,...,xn)t,经powerball函数σγ的非线性变换,成为σγ(x)=(σγ(x1),...,σγ(xn))t;
当目标函数是强凸函数,且其梯度满足l-lipschitz条件,即满足利普希茨条件,且其利普希茨系数为l时,则判别迭代次数是否大于n;是则迭代结束,输出最优值x(k+1);否则继续迭代;
当目标函数不是强凸函数,或其梯度不满足l-lipschitz条件时,则判断||x(k+1)-x(k)||<ε是否成立,是则迭代结束,输出最优值x(k+1);否则继续迭代;ε为误差精度,根据精度要求和计算量权衡;
其中,n为预设的迭代次数上限。
进一步,所述指示信息包括以下至少之一的信息:
所述计算结果为指定类型、在预定时间段内对所述数据进行计算的信息、对所述大数据中的指定数据进行计算的信息、预先设置的数据筛选条件。
进一步,所述指示信息对所述大数据中的部分数据进行计算,输出计算结果包括:
在所述计算结果为指定类型的情况下,终止对所述大数据进行计算;
在当前时间为超出所述预定时间段之后的时间时,终止对所述大数据进行计算;
对所述指定数据计算完成之后,终止对所述大数据进行计算。
本发明的优点及积极效果为:
本发明通过太阳能供电模块可以利用太阳能进行供暖,大大节约资源,节能环保;同时通过大数据处理模块可以集中大数据资源进行对供暖节能数据进行快速处理,及时进行反馈数据变化信息,更加有效的控制能源,提升能源利用率。
本发明的大数据处理模块根据收集到的数据特性,对要优化数据进行分析:如果数据处理问题是求解函数的最小值优化问题则建立最小值优化模型;否则,通过对数据的正则化处理,转化为求解最小值优化问题,再建立最小值优化模型;
建立最小值优化模型
可实时获得准确的数据,为后序的处理提供保证。
温度检测模块的检测信号获得的信号准确,检测的温度数据精准。
本发明首先构建大数据分析平台,然后运用关联规则算法挖掘出影响因素,并构建神经网络模型bp,对神经网络模型bp的权值和阈值进行动态改进,从而获得动态神经网络模型dbp,再运用自适应免疫遗传aiga算法优化动态神经网络模型dbp获得预测模型aiga-dbp,最后运用预测模型aiga-dbp计算出供暖预测值,根据预测值能够优化生产流程,提高供暖效率。
本发明中的动态神经网络模型dbp能够适应企业因时间推移引起的各种变化。
本发明中运用了大数据分析技术,使得供暖影响因素的挖掘更为高效和准确,影响因素考虑更加全面,有效提高预测的准确性。
附图说明
图1是本发明实施例提供的基于物联网的楼宇供暖节能预测分析终端结构框图。
图中:1、太阳能供电模块;2、温度检测模块;3、中央控制模块;4、加热模块;5、大数据计算模块;6、数据存储模块;7、显示模块。
具体实施方式
为能进一步了解本发明的发明内容、特点及功效,兹例举以下实施例,并配合附图详细说明如下。
如图1所示,本发明提供的基于物联网的楼宇供暖节能预测分析终端包括:太阳能供电模块1、温度检测模块2、中央控制模块3、加热模块4、大数据计算模块5、数据存储模块6、显示模块7。
太阳能供电模块1,与中央控制模块3连接,用于通过太阳能电池板将太阳能转化为电能给楼宇提供供暖能源;
温度检测模块2,与中央控制模块3连接,用于通过温度传感器检测供暖温度;
温度检测模块的检测信号y(t)表示为:
y(t)=x(t)+n(t);
其中,x(t)为数字调制信号,n(t)为服从标准sαs分布的脉冲噪声,x(t)的解析形式表示为:
其中,n为采样点数,an为发送的信息符号,在mask信号中,an=0,1,2,…,m-1,m为调制阶数,an=ej2πε/m,ε=0,1,2,…,m-1,g(t)表示矩形成型脉冲,tb表示符号周期,fc表示载波频率,载波初始相位
数字调制信号x(t)的分数低阶模糊函数表示为:
其中,τ为时延偏移,f为多普勒频移,0<a,b<α/2,x*(t)表示x(t)的共轭,当x(t)为实信号时,x(t)<p>=|x(t)|<p>sgn(x(t));当x(t)为复信号时,[x(t)]<p>=|x(t)|p-1x*(t);
中央控制模块3,与太阳能供电模块1、温度检测模块2、加热模块4、大数据计算模块5、数据存储模块6、显示模块7连接,用于调度各个模块正常工作;
加热模块4,与中央控制模块3连接,用于通过加热电炉进行加热;
大数据计算模块5,与中央控制模块3连接,用于通过大数据计算资源对检测数据进行处理;
具体包括:
1)基于hadoop构建包含关系型数据库数据、温度检测模块数据和中央控制模块数据的大数据分析平台,转到步骤2);
2)、在mapreduce框架下运用apriori关联规则挖掘算法,在大数据分析平台中进行分析和挖掘,得到楼宇供暖温度影响因素,转到步骤3);
3)结合楼宇供暖温度影响因素和楼宇供暖流量历史数据,构建神经网络模型bp,产生神经网络模型bp的初始权值,转到步骤4);
4)、对神经网络模型bp的权值和阈值进行动态改进,获得动态神经网络模型dbp,产生动态神经网络模型dbp的权值和阈值,转到步骤5);
5)、运用自适应免疫遗传aiga算法优化动态神经网络模型dbp,获得预测模型aiga-dbp,根据预测模型aiga-dbp计算楼宇供暖流量预测值,转到步骤6);
6)、判断楼宇供暖流量预测值与楼宇供暖流量期望值的误差是否满足设定的条件,若是,转到步骤7);否则重新执行到步骤5);
7)、输出楼宇供暖流量预测值,结束;
数据存储模块6,与中央控制模块3连接,用于存储检测数据;
显示模块7,与中央控制模块3连接,用于通过显示器进行显示检测数据信息。
步骤1)具体包括以下步骤:
将关系型数据库数据、传感器数据和控制器数据通过sqoop上传至分布式文件系统hdfs,并存储至nosql数据库中;利用mapreduce计算框架对关系型数据库数据、温度检测模块数据和中央控制模块数据进行挖掘分析,将分析好的数据写入nosql数据库,并通过web展示;
步骤2)中在mapreduce框架下运用apriori关联规则挖掘算法具体包括以下步骤:
s201、使用mapreduce计算模型得到频繁1项集的集合l1,产生候选k项集的集合ck(k≥2);
s202、在map函数处理阶段,每个map任务计算其所处理的事务数据集中每个事务记录中包含在ck中的项目集的出现次数,对于每个map任务来说,如果候选k项集的某个项集(包含k个项目)出现在一个事务记录中,则map函数产生并输出<某个项集,1>键值对给combiner函数,由combiner函数处理后交给reduce函数;
s203、在reduce函数处理阶段,reduce函数累加ck中的项目集的出现次数,得到所有项目集的支持频度,所有支持频度≥设定的最小支持频度的项目集组成频繁项集lk的集合,如果k<最大的迭代次数且不为空,则执行k++,转入步骤s202;否则,结束运行;
步骤3)中所述产生神经网络模型bp初始权值的方法为以下4种方法中任意一种:
方法一:随机地在区间[-1,1]之间选择初始权值;
方法二:随机地在零附近的一个区间[-0.01,0.01]之间选择初始权值;
方法三:神经网络模型bp中存在两级网络:输入层与隐含层与之间的网络、隐含层与输出层之间的网络,两级网络的初始权值采用不同的选择方式:输入层至隐含层连接权值初始化为随机数,隐含层到输出层的连接权值初始化为-1或1;
方法四:将权值初始化为[a,b]之间的随机数,其中a,b为满足以下方程的整数:
其中h为网络隐含层节点数;
步骤4)具体包括以下步骤:
s401、调整神经网络模型bp隐含层与输出层之间的权值wkj;
调整wkj的目的是希望输出节点j的新输出
其中α代表接近度,在每个训练周期保持不变,并随隐含层节点数h的调整而变小,不考虑阈值,则有:
其中wkj和
根据公式(3)得到△wkj的求解方程:
其中,
根据最小平方和误差原则求解方程(4),得到△wkj的近似解:
对每一个连接到输出节点j的隐含层节点k,计算k与j之间的权值变化△wkj,更新权值并计算平方和误差e,然后在k∈[1,h]区间选择一个最优的k,使得e最小;
s402、调整神经网络模型bp输入层与隐含层之间的权值vik;
调整vik的目的是一旦神经网络算法陷入局部极小点,修改权值能够跳出该极小点,判断神经网络算法陷入局部极小点的条件是误差e的变化率△e=0,且e>0;
不考虑阈值,隐含层节点k的权值的改变通过以下方程求解:
其中δpj=f-1(ypk+δypk)-f-1(ypk),m为自然数,则隐含层输出ypk求解公式为:
其中△ypk为ypk的改变量,则有:
根据最小平方和误差原则求解公式(6)构建的矩阵方程,可以算出:
综合公式(6)和(10),计算隐含层与输出层之间权值的动态平均改变量
计算输入层与隐含层之间权值的动态平均改变量
公式(12)中m取10~20之间的自然数,根据公式(11)和(12)获得神经网络模型bp的动态平均权值,根据神经网络模型bp的动态平均权值获得动态神经网络模型dbp。
本发明提供的大数据计算模块包括大数据采集模块和大数据处理模块;
大数据采集模块用于采集温度检测模块采集的不同时间段的温度信息,并将信息传输到数据存储模块中的数据库进行储存;
大数据处理模块用于对数据库中的数据进行分析和处理;
所述大数据计算模块计算方法如下:
首先,获取功能检测数据;
然后,获取对大数据进行计算的指示信息;
最后,根据所述指示信息对所述大数据中的部分数据进行计算,输出计算结果。
大数据处理模块根据收集到的数据特性,对要优化数据进行分析:如果数据处理问题是求解函数的最小值优化问题则建立最小值优化模型;否则,通过对数据的正则化处理,转化为求解最小值优化问题,再建立最小值优化模型;
建立最小值优化模型
选取梯度类优化方法,所述方法包括梯度下降法、牛顿法和l-bfgs方法;具体根据选取的优化方法,引入powerball函数,建立powerball迭代公式,进行迭代;所述powerball函数表达式σγ(z)=sign(z)|z|γ,γ∈(0,1)为power系数,z∈r;
对于梯度下降法,对应的powerball迭代公式为:
对于牛顿法,对应的powerball迭代公式为:
对于l-bfgs方法,对应的powerball迭代公式为:
其中,
yk=▽f(x(k+1))-▽f(x(k)),
式中,▽f(x)为目标函数f(x)的梯度;▽2f(x)为目标函数f(x)的hesse矩阵;k是迭代次数,取值为0,1,2,……,αk为第k次迭代时的步长,x(k)为第k次迭代得到的逼近值;当k=0时,bk初值取为单位矩阵,x(k)的初值x(0)可任意选取;σγ(·):r→r为powerball函数σγ对目标函数梯度的非线性变换即powerball变换,对任意的向量x=(x1,...,xn)t,经powerball函数σγ的非线性变换,成为σγ(x)=(σγ(x1),...,σγ(xn))t;
当目标函数是强凸函数,且其梯度满足l-lipschitz条件,即满足利普希茨条件,且其利普希茨系数为l时,则判别迭代次数是否大于n;是则迭代结束,输出最优值x(k+1);否则继续迭代;
当目标函数不是强凸函数,或其梯度不满足l-lipschitz条件时,则判断||x(k+1)-x(k)||<ε是否成立,是则迭代结束,输出最优值x(k+1);否则继续迭代;ε为误差精度,根据精度要求和计算量权衡;
其中,n为预设的迭代次数上限。
大数据计算模块5计算方法如下:
首先,获取功能检测数据;
然后,获取对大数据进行计算的指示信息;
最后,根据所述指示信息对所述大数据中的部分数据进行计算,输出计算结果。
本发明提供的指示信息包括以下至少之一的信息:
所述计算结果为指定类型、在预定时间段内对所述数据进行计算的信息、对所述大数据中的指定数据进行计算的信息、预先设置的数据筛选条件。
本发明提供的指示信息对所述大数据中的部分数据进行计算,输出计算结果包括:
在所述计算结果为指定类型的情况下,终止对所述大数据进行计算;
在当前时间为超出所述预定时间段之后的时间时,终止对所述大数据进行计算;
对所述指定数据计算完成之后,终止对所述大数据进行计算。
本发明工作时,通过太阳能供电模块1将太阳能转化为电能给楼宇提供供暖能源;通过温度检测模块2检测供暖温度;中央控制模块3调度加热模块4通过加热电炉进行加热;通过大数据计算模块5对检测数据进行处理;通过数据存储模块6存储检测数据;通过显示模块7显示检测数据信息。
以上所述仅是对本发明的较佳实施例而已,并非对本发明作任何形式上的限制,凡是依据本发明的技术实质对以上实施例所做的任何简单修改,等同变化与修饰,均属于本发明技术方案的范围内。