本发明涉及机电设备的技术，特别是涉及一种基于深度学习的智慧建筑自适应综合管控方法的技术。
背景技术：
智慧建筑已成为建筑技术发展的新趋势，智慧建筑都以建筑物为平台，采用ba系统（buildingautomationsystem，简称ba系统）来控制建筑物中的机电设备，具有感知、传输、记忆、推理、判断和决策的综合智慧能力，形成以人、建筑、环境互为协调的整合体，为人们提供安全、高效、便利及可持续发展功能环境的建筑。
智慧建筑有安全、健康、舒适、清洁、便利、节能、绿色、低碳等的管理和运行目标，实现这些目标的统一需要形成大量的机电设备的控制策略。由于建筑形态各异、功能各异、用户各异，各目标、各系统又存在大量的耦合，控制策略的定制复杂度已经超出期望，而ba系统的应用水平高低很大程度取决于工程师定制、调试、调适的深度，使用需求发生变化时无法自动调整，需要人工干预重新调整，具有滞后性，已无法能满足日益增长的生活和工作人居环境需求。
技术实现要素：
针对上述现有技术中存在的缺陷，本发明所要解决的技术问题是提供一种能根据使用需求的变化自适应调整管控策略的基于深度学习的智慧建筑自适应综合管控方法。
为了解决上述技术问题，本发明所提供的一种基于深度学习的智慧建筑自适应综合管控方法，其特征在于，具体步骤如下：
先构建一个神经网络模型，再实施人工管控模式；
在人工管控模式下，利用人工来管控智慧建筑中的各机电设备，并在人工管控过程中实时采集智慧建筑特征数据，并将采集的智慧建筑特征数据输入神经网络模型进行训练；
智慧建筑特征数据包括智慧建筑的环境参数、建筑物能耗，及智慧建筑中的各机电设备的工况状态，智慧建筑中各区域的人流状况；
在人工管控模式下，根据智慧建筑的环境参数、建筑物能耗，及智慧建筑中各区域的人流状况，利用神经网络模型来预测智慧建筑中的各机电设备的工况状态；如果预测结果与人工管控结果一致，则结束人工管控模式，转入自动管控模式；
在自动管控模式下，根据实时采集的智慧建筑特征数据，利用神经网络模型来管控智慧建筑中的各机电设备；并且在自动管控模式下，如果有人工介入智慧建筑中的各机电设备的管控，则结束自动管控模式，转入人工管控模式。
本发明提供的基于深度学习的智慧建筑自适应综合管控方法，先采集智慧建筑特征数据对神经网络模型进行训练，使得神经网络模型能根据不同的使用需求自动形成各种优化的管控策略，然后再利用训练好之后的神经网络模型来管控智慧建筑中的各机电设备，当智慧建筑的使用需求发生变化时，神经网络模型能自适应调整优化的管控策略。
具体实施方式
以下结合具体实施例对本发明的技术方案作进一步详细描述，但本实施例并不用于限制本发明，凡是采用本发明的相似结构及其相似变化，均应列入本发明的保护范围，本发明中的顿号均表示和的关系，本发明中的英文字母区分大小写。
本发明实施例所提供的一种基于深度学习的智慧建筑自适应综合管控方法，其特征在于，具体步骤如下：
先构建一个神经网络模型，再实施人工管控模式；
在人工管控模式下，利用人工来管控智慧建筑中的各机电设备，并在人工管控过程中实时采集智慧建筑特征数据，并将采集的智慧建筑特征数据输入神经网络模型进行训练；
智慧建筑特征数据包括智慧建筑的环境参数、建筑物能耗，及智慧建筑中的各机电设备的工况状态，智慧建筑中各区域的人流状况（人流状况可利用摄像头采集）；智慧建筑的环境参数包括智慧建筑所处环境的温度、湿度、光照、空气质量（空气中的二氧化碳、甲醛等有害物质的浓度）；
在人工管控模式下，根据智慧建筑的环境参数、建筑物能耗，及智慧建筑中各区域的人流状况，利用神经网络模型来预测智慧建筑中的各机电设备的工况状态；如果预测结果与人工管控结果一致，则结束人工管控模式，转入自动管控模式；
在自动管控模式下，根据实时采集的智慧建筑特征数据，利用神经网络模型来管控智慧建筑中的各机电设备；并且在自动管控模式下，如果有人工介入智慧建筑中的各机电设备的管控，则结束自动管控模式，转入人工管控模式。
本发明实施例中，所述神经网络模型可以采用多层感知器、卷积神经网络、循环神经网络、深度置信网络等算法。
本发明实施例所述的智慧建筑可以是单个建筑物，也可以是多个建筑物的组合。