买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：华中科技大学

摘要：本发明涉及建筑能耗预测技术领域，公开了一种建筑能耗快速预测方法，通过部署传感器网络，采集建筑内部的环境参数数据，采集到的数据包括实时数据或历史数据；对采集到的环境参数数据进行数据预处理，利用预处理后的环境参数数据和对应的能耗数据，使用深度学习算法训练建筑能耗预测模型，通过模型训练，建立环境参数和能耗之间的复杂关系，利用训练好的深度学习模型，结合实时采集的环境参数数据，进行建筑能耗的快速预测，根据能耗预测结果和用户需求，生成有效的能源管理策略。该建筑能耗快速预测方法，通过采集建筑的环境参数数据，并利用深度学习算法进行模型训练和预测，能够处理复杂的非线性关系，实现对建筑能耗的快速、准确预测。

主权项：1.一种建筑能耗快速预测方法，其特征在于，方法步骤包括如下：S1、通过部署传感器网络，采集建筑内部的环境参数数据，采集到的数据包括实时数据或历史数据；S2、对采集到的环境参数数据进行数据预处理，用于后续的模型训练和预测提供可靠的数据基础；S3、利用预处理后的环境参数数据和对应的能耗数据，使用深度学习算法训练建筑能耗预测模型，通过模型训练，建立环境参数和能耗之间的复杂关系；S4、利用训练好的建筑能耗预测模型，结合实时采集的环境参数数据，进行建筑能耗的快速预测，所述建筑能耗预测模型输出相应的能耗预测结果，预测过程通过批量预测或逐时预测的方式进行；S5、根据能耗预测结果和用户需求，生成有效的能源管理策略，根据预测的能耗情况，制定适当的节能措施，优化设备运行，以实现能源的高效利用和节能减排的目标；步骤S1中，建筑内部的环境参数数据包括温度、湿度、光照强度、能源消耗、CO2浓度、空气流速、压力、声音水平、空气质量指数、人员数量活动、窗户状态、设备状态和外部气象条件；步骤S2中，数据预处理包括有数据清洗、数据转换、数据归一化和数据集划分；数据预处理的具体方法步骤包括如下：S201，对采集到的原始数据进行清洗，去除数据中的噪声、异常值和冗余信息，使用滤波、异常值检测和去重的技术和算法，用于确保数据质量；S202，对清洗后的数据进行转换处理，包括特征提取、降维、数据重构操作，转换后的数据更好地反映数据的特征和模式；S203，对转换后的数据进行归一化处理，将数据映射到特定的范围或分布，归一化方法包括最大最小归一化和标准化，用于确保不同特征或属性的数据具有相似的尺度和范围；S204，将处理后的数据集划分为训练集、验证集和测试集，用于后续的模型训练和评估中使用不同的数据集，以验证模型的性能和泛化能力；步骤S3中，使用深度学习算法训练建筑能耗预测模型，用于建立环境参数和能耗之间的复杂关系，具体方法步骤包括如下：S301，深度卷积生成对抗网络：使用DCGAN来训练建筑能耗预测模型，DCGAN结合了卷积神经网络和生成对抗网络的思想；通过一组生成器和判别器网络，从环境参数数据生成能耗数据，并通过对抗训练使得生成的能耗数据与真实能耗数据无法区分，捕捉到环境参数和能耗之间的复杂非线性关系；S302，变分自编码器和生成对抗网络的结合：使用VAE和GAN结合的方法来训练建筑能耗预测模型，VAE用于学习环境参数数据的潜在表示，同时GAN用于生成能耗数据；通过结合在潜在空间中控制环境参数的变化，并生成对应的能耗数据，学习到环境参数和能耗之间的复杂关系，并进行能耗的快速预测；S303，图神经网络：使用GNN来训练建筑能耗预测模型，将建筑内部的环境参数数据表示为图结构，并通过GNN学习到环境参数之间的依赖关系和能耗之间的复杂关系；通过所述建筑能耗预测模型在建筑内部不同位置的环境参数数据之间进行信息传递和交互，进而实现能耗的快速预测；步骤S4中，建筑能耗批量预测或逐时预测结合时间序列分析和深度学习的具体方法步骤包括如下：S4001，建立时间序列模型：首先，将预处理后的环境参数数据和对应的能耗数据构建成时间序列数据集，使用ARIMA或SARIMA时间序列分析方法，来对数据进行建模和分析，以捕捉数据中的趋势、周期性和季节性特征；S4002，基于深度学习的建筑能耗预测模型：利用深度学习算法，包括循环神经网络或长短期记忆网络，对时间序列数据进行建模和预测，将时间序列数据作为输入，所述建筑能耗预测模型学习到数据中的复杂关系和非线性模式，通过训练所述建筑能耗预测模型，获得能耗的预测结果；S4003，批量预测或逐时预测：根据实际需求，选择批量预测或逐时预测的方式进行能耗预测，在批量预测中，将一段时间范围内的环境参数数据作为输入，通过时间序列模型和建筑能耗预测模型，同时预测该时间段内的能耗结果，在逐时预测中，将每个时间点的环境参数数据作为输入，通过建筑能耗预测模型预测每个时间点的能耗结果；步骤S5中，生成有效的能源管理策略结合了智能优化和反馈控制方法，具体通过以下步骤：S501，建立优化模型：利用历史能耗数据、环境参数数据和实时能耗预测结果，建立一个优化模型，优化模型的目标是最小化能源消耗，并满足用户需求和舒适性要求，同时考虑到建筑设备的运行限制和能源供应的约束，使用线性规划、整数规划或动态规划的数学规划方法，来建立和求解优化模型；S502，动态调整策略：基于优化模型的结果，生成针对不同时间段的能源管理策略，包括设备的开关机控制、温度和湿度设定值的调整、照明和空调系统的协调运行，根据实际需求和环境条件进行动态调整，以实现能源的高效利用和节能减排的目标；S503，反馈控制机制：引入实时监测和反馈控制机制，对能源管理策略进行实时调整和优化，通过传感器网络和智能控制系统，实时监测建筑内部的环境参数和能耗情况，根据监测结果，与优化模型进行对比和调整，实现实时反馈控制，使能源管理策略更加适应实际情况和变化；S504，智能决策支持：结合人工智能和机器学习技术，建立智能决策支持系统，学习和优化能源管理策略，通过分析大量历史数据和实时监测数据，自动提供最佳的能源管理建议和决策支持；步骤S5中，制定适当的节能措施包括以下具体方法步骤：S5001，智能设备控制：基于能耗预测结果和实时环境参数数据，采用智能控制算法对建筑内的设备进行动态控制，通过自适应控制策略，根据实际需求和环境条件，智能地调整设备的运行状态、工作模式和能耗水平；S5002，能源优化调度：通过优化调度算法，合理安排建筑内各设备的运行时间和工作顺序，以避免设备之间的能耗冲突和重叠运行，优化调度算法考虑设备的能源效率、运行成本、用户需求因素，以最优的方式调度设备的运行；S5003，动态能源供应：结合可再生能源和能源存储技术，实现动态能源供应和能源的灵活调配，根据能耗预测结果和实时需求，合理利用可再生能源，以及能源存储设备，灵活调配能源供应，以满足建筑的能源需求；优化设备运行的具体方法步骤包括如下：S5004，智能维护与故障预警：利用传感器网络和数据分析技术，监测设备的运行状态和性能参数，实时分析设备的健康状况，并预测设备的故障风险，通过智能维护和故障预警系统，及时发现设备异常和故障，并采取相应的维修措施；S5005，设备能效优化：通过设备改进和优化，提高设备的能效性能，利用先进的技术手段，包括智能传感器、高效电机、节能控制器，对设备进行升级和改造，以降低能耗、提高设备的能效水平，并确保设备在实际运行中能够达到最佳的能源利用效果；S5006，数据驱动的运维决策：利用大数据分析和机器学习技术，对建筑设备的运行数据进行深入挖掘和分析，基于数据驱动的运维决策，制定合理的设备运行策略和维护计划。

全文数据：

权利要求：

百度查询： 华中科技大学 一种建筑能耗快速预测方法