基于AI的寫字樓能耗分析系統(tǒng)設(shè)計(jì)

張珣 王雪永

摘 要：近年來(lái)隨著國(guó)內(nèi)大型寫字樓建筑的不斷增多，能耗也迅速增長(zhǎng)。為此，設(shè)計(jì)一個(gè)基于人工智能深度學(xué)習(xí)網(wǎng)絡(luò)的寫字樓能耗分析系統(tǒng)，首先對(duì)收集的能耗數(shù)據(jù)進(jìn)行預(yù)處理，然后通過(guò)提取數(shù)據(jù)特征，運(yùn)用反向傳播網(wǎng)絡(luò)對(duì)結(jié)果進(jìn)行處理。該系統(tǒng)可通過(guò)訓(xùn)練大量能耗參數(shù)信息，評(píng)估寫字樓歷史能耗信息與當(dāng)前能耗的量化關(guān)系，從而降低不必要的能耗，實(shí)現(xiàn)節(jié)能的目的。

關(guān)鍵詞：AI;能耗分析;寫字樓;反向傳播網(wǎng)絡(luò);深度學(xué)習(xí)網(wǎng)絡(luò)

DOI：10. 11907/rjdk. 182432

中圖分類號(hào)：TP319文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1672-7800（2019）004-0104-04

0 引言

近年來(lái)國(guó)內(nèi)大型寫字樓建筑不斷增多，并且95%為高能耗建筑，導(dǎo)致寫字樓能耗迅速增長(zhǎng)[1-3]。為了降低能耗、節(jié)約能源，需要對(duì)寫字樓中的能耗設(shè)備進(jìn)行監(jiān)管。由于寫字樓內(nèi)部的能耗設(shè)備數(shù)量很多，人工監(jiān)管壓力非常大[4]。為了實(shí)時(shí)監(jiān)測(cè)室內(nèi)光照與溫度信息，并對(duì)各燈具和空調(diào)運(yùn)行狀態(tài)進(jìn)行智能控制，對(duì)能耗的精細(xì)化管理變得越來(lái)越重要[5]。國(guó)內(nèi)外學(xué)者對(duì)此進(jìn)行了相關(guān)研究。如樊麗軍、于秋紅等[6-7]通過(guò)函數(shù)擬合方法預(yù)測(cè)設(shè)備能耗，但由于能耗分析涉及因素眾多，對(duì)于不同設(shè)備，分析與預(yù)測(cè)模型也通常有所不同，需要為每個(gè)用電器設(shè)計(jì)對(duì)應(yīng)函數(shù)，所以該方法很難適應(yīng)所有設(shè)備;Mocanu等[8]利用深度學(xué)習(xí)網(wǎng)絡(luò)對(duì)建筑能耗進(jìn)行預(yù)測(cè)，但其原理與實(shí)現(xiàn)細(xì)節(jié)并不詳細(xì)。

本文設(shè)計(jì)一款可以監(jiān)測(cè)與管理寫字樓照明及空調(diào)系統(tǒng)的能耗分析系統(tǒng)，以實(shí)現(xiàn)對(duì)寫字樓每個(gè)房間溫度、光照及電器運(yùn)行狀態(tài)的采集，并且可以將信息發(fā)送到管理平臺(tái)上。管理員通過(guò)該系統(tǒng)平臺(tái)可以查看建筑電器能耗狀態(tài)，幫助管理者盡快發(fā)現(xiàn)能耗異常情況并提出解決方案，從而降低不必要的能耗，實(shí)現(xiàn)節(jié)能目的[9]。

1 寫字樓能耗分析系統(tǒng)概述

寫字樓通常樓層較多，內(nèi)部照明設(shè)備與空調(diào)數(shù)量也很多，以一棟二十層的寫字樓為例，每層有200臺(tái)照明設(shè)備、6臺(tái)空調(diào)，則總共有4 120臺(tái)設(shè)備需要管理，監(jiān)測(cè)與管理任務(wù)十分繁重，如果監(jiān)測(cè)和管理不及時(shí)，會(huì)造成大量能源浪費(fèi)。

系統(tǒng)由數(shù)據(jù)采集、數(shù)據(jù)接收、數(shù)據(jù)分析與數(shù)據(jù)展示等幾部分組成[10]。數(shù)據(jù)采集是指采集寫字樓內(nèi)部電器能耗數(shù)據(jù)[11]，然后將采集的數(shù)據(jù)發(fā)送到遠(yuǎn)程服務(wù)器上;數(shù)據(jù)分析是指服務(wù)器對(duì)能耗歷史數(shù)據(jù)進(jìn)行學(xué)習(xí)，建立深度學(xué)習(xí)網(wǎng)絡(luò)，并通過(guò)反向傳播更正網(wǎng)絡(luò)參數(shù)[12];數(shù)據(jù)分析是指服務(wù)器通過(guò)分析采集的實(shí)時(shí)能耗數(shù)據(jù)，判斷電器運(yùn)行狀態(tài)是否正常，從而輔助人工決策[13];數(shù)據(jù)展示是指通過(guò)可視化圖表展示電器歷史運(yùn)行狀態(tài)[11]。能耗狀態(tài)分類如表1所示。

2 數(shù)據(jù)庫(kù)設(shè)計(jì)

本文采用MySQL數(shù)據(jù)庫(kù)進(jìn)行存儲(chǔ)[14]，根據(jù)需要設(shè)計(jì)了以下幾個(gè)表：deviceinformation、devicestatus、roominformation、devicebpn、user。其中deviceinformation表存儲(chǔ)設(shè)備詳細(xì)信息，主要字段包括標(biāo)號(hào)、類型、所屬建筑、所屬樓層、所屬房間、設(shè)備名稱等;devicestatus表存儲(chǔ)設(shè)備運(yùn)行狀態(tài)信息，主要字段包括設(shè)備標(biāo)號(hào)、日期、功耗、預(yù)測(cè)功耗等[15];roominformation表存儲(chǔ)房間信息，主要字段包括房間標(biāo)號(hào)、光照、溫度、時(shí)間等;user表用來(lái)存儲(chǔ)用戶信息，主要字段包括用戶標(biāo)號(hào)、用戶名、用戶密碼、年齡等。

3 系統(tǒng)框架設(shè)計(jì)

系統(tǒng)前端頁(yè)面采用HTML設(shè)計(jì)系統(tǒng)界面主題結(jié)構(gòu)，利用CSS技術(shù)進(jìn)行渲染與布局，并采用JavaScript對(duì)網(wǎng)站頁(yè)面進(jìn)行動(dòng)態(tài)顯示設(shè)計(jì)。系統(tǒng)后臺(tái)采用Java語(yǔ)言編程，以及SSM框架進(jìn)行搭建，服務(wù)器使用Tomcat。后臺(tái)交換數(shù)據(jù)通信時(shí)采用Ajax技術(shù)（頁(yè)面不跳轉(zhuǎn)，響應(yīng)速度加快）。后臺(tái)系統(tǒng)主要實(shí)現(xiàn)以下功能：

（1）信息聯(lián)動(dòng)查詢。選擇建筑名稱后，可自動(dòng)查詢?cè)摻ㄖ?nèi)樓層信息，以及樓層所有房間信息，并根據(jù)選擇的信息查詢?cè)摲块g內(nèi)所有設(shè)備，查看該設(shè)備在某時(shí)間段內(nèi)運(yùn)行狀態(tài)。采用聯(lián)動(dòng)查詢方式，最初只需加載少量數(shù)據(jù)即可，從而提高了頁(yè)面響應(yīng)速度。

（2）可視化展現(xiàn)電器運(yùn)行狀態(tài)。主要采用折線圖與餅狀圖進(jìn)行展示[16]，可視化圖標(biāo)采用echarts的API編寫程序。根據(jù)折線圖可以直觀觀測(cè)電器運(yùn)行狀態(tài)走勢(shì)，餅狀圖用來(lái)分析各電器能耗占比?？梢暬故居?種展現(xiàn)形式：①以小時(shí)為單位，查詢所選日期當(dāng)天運(yùn)行狀態(tài);②以天為單位，查詢所選日期當(dāng)月運(yùn)行狀態(tài);③以月為單位，查詢所選日期當(dāng)年運(yùn)行狀態(tài);④對(duì)比查看預(yù)測(cè)能耗數(shù)據(jù)與實(shí)際能耗數(shù)據(jù)。通過(guò)該方式，可以按月或天查看電器運(yùn)行狀態(tài)長(zhǎng)期走勢(shì)，或按小時(shí)查看電器短期運(yùn)行狀態(tài)，也可以通過(guò)對(duì)比預(yù)測(cè)數(shù)據(jù)查看電器運(yùn)行是否正常等。

（3）接收能耗數(shù)據(jù)。采用網(wǎng)絡(luò)編程實(shí)現(xiàn)，利用socket與采集系統(tǒng)建立連接，進(jìn)行數(shù)據(jù)傳輸。首先服務(wù)器開放一個(gè)網(wǎng)絡(luò)端口，然后客戶端通過(guò)該端口與服務(wù)器連接，連接成功之后客戶端按照一定時(shí)間間隔向服務(wù)器發(fā)送能耗數(shù)據(jù)（本文采用每10min發(fā)送一次能耗數(shù)據(jù)）。服務(wù)器收到客戶端發(fā)送的能耗數(shù)據(jù)后，將數(shù)據(jù)存儲(chǔ)到數(shù)據(jù)庫(kù)中等待后續(xù)處理。

（4）預(yù)測(cè)電器能耗與狀態(tài)。采用神經(jīng)網(wǎng)絡(luò)對(duì)電器歷史運(yùn)行狀態(tài)進(jìn)行學(xué)習(xí)，建立網(wǎng)絡(luò)模型，然后對(duì)電器能耗進(jìn)行預(yù)測(cè)，并根據(jù)預(yù)測(cè)能耗與實(shí)際測(cè)量能耗對(duì)比，判斷電器運(yùn)行狀態(tài)是否正常。

4 基于深度學(xué)習(xí)的寫字樓能耗分析模型

4.1 數(shù)據(jù)選擇

本文采用杭州電子科技大學(xué)某實(shí)驗(yàn)室2018年3月1日-3月15日共360條數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，之后采用2018年3月16日數(shù)據(jù)進(jìn)行測(cè)試。測(cè)試數(shù)據(jù)如表2所示。

4.2 模型結(jié)構(gòu)

深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)（Deep Learn Networks，DLN）是由輸入層、隱含層與輸出層組成的一種深層神經(jīng)網(wǎng)絡(luò)[12，17]。在深度學(xué)習(xí)網(wǎng)絡(luò)中，前一層網(wǎng)絡(luò)的輸出作為下一層輸入，使上層網(wǎng)絡(luò)獲取到的特征可以被下一層使用[18]。輸入層網(wǎng)絡(luò)則以預(yù)處理后的數(shù)據(jù)作為輸入，然后對(duì)輸入特征進(jìn)行分類或預(yù)測(cè)。模型結(jié)構(gòu)如圖1所示[19]。

第一層為輸入層，該層節(jié)點(diǎn)數(shù)量可根據(jù)輸入數(shù)據(jù)個(gè)數(shù)決定。隱含層可以有若干層，若隱含層太少，會(huì)導(dǎo)致模型過(guò)于簡(jiǎn)單，不能滿足所需功能;若隱含層太多，進(jìn)行梯度下降時(shí)權(quán)重收斂速度太慢，將導(dǎo)致訓(xùn)練模型耗時(shí)過(guò)長(zhǎng)，并且容易出現(xiàn)過(guò)擬合狀態(tài)[20]。因此，在建立學(xué)習(xí)網(wǎng)絡(luò)時(shí)需要設(shè)置合適的隱含層數(shù)量。輸出層僅有一層，建立過(guò)程比較簡(jiǎn)單，神經(jīng)元個(gè)數(shù)根據(jù)需求結(jié)果進(jìn)行設(shè)置即可。

4.3 模型訓(xùn)練過(guò)程

深度學(xué)習(xí)網(wǎng)絡(luò)模型建立之后即可對(duì)模型權(quán)重進(jìn)行訓(xùn)練。首先將建立的神經(jīng)網(wǎng)絡(luò)各權(quán)重參數(shù)初始化為一個(gè)隨機(jī)數(shù);然后對(duì)一組數(shù)據(jù)進(jìn)行預(yù)處理，通過(guò)神經(jīng)網(wǎng)絡(luò)得到輸出值，將輸出值與期望值進(jìn)行比較;采用梯度下降方式調(diào)節(jié)各網(wǎng)絡(luò)節(jié)點(diǎn)連接權(quán)重，完成對(duì)該組數(shù)據(jù)的學(xué)習(xí);對(duì)全部歷史數(shù)據(jù)反復(fù)進(jìn)行多次學(xué)習(xí)[21]，最終完成對(duì)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。

5 算法原理

5.1 神經(jīng)網(wǎng)絡(luò)計(jì)算公式

神經(jīng)網(wǎng)絡(luò)由若干層組成，由輸入端逐層計(jì)算到輸出層即可得到結(jié)果，某層輸出即為下一層輸入，各層輸入與輸出公式如下：

5.2 反向傳播網(wǎng)絡(luò)

如果設(shè)定該神經(jīng)網(wǎng)絡(luò)損失函數(shù)為[L（W，b）]，則每次輸入一個(gè)樣本計(jì)算損失函數(shù)時(shí)公式如下：

其中第一項(xiàng)是對(duì)預(yù)測(cè)結(jié)果進(jìn)行判斷，后面是規(guī)則化項(xiàng)，該方式將權(quán)重添加到損失函數(shù)中，梯度下降時(shí)則會(huì)使權(quán)重下降，從而避免了樣本數(shù)據(jù)較小時(shí)產(chǎn)生的過(guò)擬合現(xiàn)象。輸出層單元[i]的殘差為：

5.3 能耗狀態(tài)評(píng)估

利用神經(jīng)網(wǎng)絡(luò)分類功能，首先建立一個(gè)神經(jīng)網(wǎng)絡(luò)，使用歷史數(shù)據(jù)對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，然后進(jìn)行預(yù)測(cè)，并采用神經(jīng)網(wǎng)絡(luò)模型對(duì)預(yù)測(cè)結(jié)果進(jìn)行分類。輸入為實(shí)際功耗與預(yù)測(cè)功耗，輸出為y1、y2、y3三個(gè)值。當(dāng)輸出值為1、0、0時(shí)，表示功耗過(guò)低，電器無(wú)法正常運(yùn)行，評(píng)估結(jié)果為Abnormal，此時(shí)管理者可根據(jù)提示，查看是否出現(xiàn)用電設(shè)備損壞或其它狀況;當(dāng)輸出值為0、1、0時(shí)，表示功耗在正常范圍內(nèi)，電器運(yùn)行正常，評(píng)估結(jié)果為Normal;當(dāng)輸出值為0、0、1時(shí)，表示功耗過(guò)高，電能出現(xiàn)浪費(fèi)，評(píng)估結(jié)果為Waste，此時(shí)管理者應(yīng)該根據(jù)提示查看電器功耗過(guò)高的原因，及時(shí)進(jìn)行處理。

6 評(píng)估結(jié)果

根據(jù)收集的能耗歷史數(shù)據(jù)，采用折線圖、餅狀圖等可視化技術(shù)展示電器運(yùn)行狀態(tài)，然后系統(tǒng)對(duì)收集的能耗歷史數(shù)據(jù)進(jìn)行學(xué)習(xí)并作出預(yù)測(cè)，同時(shí)結(jié)合實(shí)際觀測(cè)數(shù)據(jù)對(duì)電器運(yùn)行狀態(tài)進(jìn)行評(píng)估，從而幫助寫字樓管理者作出更好的決策，以避免電能浪費(fèi)。測(cè)試數(shù)據(jù)輸出預(yù)測(cè)值如表3所示。

該系統(tǒng)對(duì)預(yù)測(cè)的能耗數(shù)據(jù)進(jìn)行處理，實(shí)際能耗與預(yù)測(cè)能耗折線圖如圖2所示。

此時(shí)電器運(yùn)行狀態(tài)分類如表4所示。

7 結(jié)語(yǔ)

本文針對(duì)寫字樓能耗分析結(jié)果，給出能耗特征參數(shù)信息處理與分析方法，并提出一種基于人工智能深度學(xué)習(xí)網(wǎng)絡(luò)的寫字樓能耗分析系統(tǒng)。該系統(tǒng)利用深度學(xué)習(xí)網(wǎng)絡(luò)，建立一種采用寫字樓能耗特征參數(shù)（例如年份、月份、日、小時(shí)、分鐘、星期幾、溫度、光照等）作為輸入特征，以及能耗狀況作為輸出結(jié)果的模型。該寫字樓能耗分析系統(tǒng)能較好地提取能耗重要特征，預(yù)測(cè)能耗數(shù)據(jù)，評(píng)估電器運(yùn)行狀態(tài)，從而提高寫字樓管理效率，避免電能浪費(fèi)。

參考文獻(xiàn)：

[1] 鄧釗鵬. 一種基于BP 神經(jīng)網(wǎng)絡(luò)的建筑能耗分析模型的研究與實(shí)現(xiàn)[D]. 廣州：華南理工大學(xué)， 2015.

[2] 程桃桃. 基于EnergyPlus平臺(tái)的辦公建筑動(dòng)態(tài)能耗模擬分析[D].西安：西安建筑科技大學(xué)， 2011.

[3] 孫智超，王波. 基于數(shù)據(jù)挖掘技術(shù)的建筑能耗分析集成方法[J]. 計(jì)算機(jī)應(yīng)用與軟件， 2017， 34（11）：103-108， 146.

[4] 張運(yùn)楚，韓懷寶，楊紅娟，等. 數(shù)據(jù)挖掘技術(shù)及其在建筑節(jié)能中的應(yīng)用[J]. 計(jì)算機(jī)系統(tǒng)應(yīng)用，2017，26（9）： 151-157.

[5] 胡軒昂. 浙江省某高校建筑能耗評(píng)價(jià)指標(biāo)及其能耗分析研究[D].杭州：浙江大學(xué)，2014.

[6] 于秋紅. 大型公共建筑能耗監(jiān)測(cè)系統(tǒng)的設(shè)計(jì)研究[J]. 通訊世界， 2018（1）：198.

[7] 于秋紅. 物聯(lián)網(wǎng)技術(shù)在大型公共建筑能耗數(shù)據(jù)采集中的應(yīng)用[J]. 現(xiàn)代電子技術(shù)， 2018（11）：139-143.

[8] MOCANU E， NGUYEN P H， GIBESCU M， ET al. Deep learning for estimating building energy consumption[J]. Sustainable Energy， Grids and Networks， 2016， 6： 91-99.

[9] 賀梅葵. 武漢某高層建筑能耗分析及節(jié)能評(píng)價(jià)研究[D].武漢：華中科技大學(xué)， 2008.

[10] 王硯玲，楊志輝，王芳，等. 哈爾濱某高校建筑能耗管理系統(tǒng)平臺(tái)開發(fā)與應(yīng)用[J]. 哈爾濱商業(yè)大學(xué)學(xué)報(bào)：自然科學(xué)版， 2017， 33（4）： 482-487.

[11] 佘乾仲. 廣西居住建筑能耗監(jiān)測(cè)與分析平臺(tái)研究[J]. 建筑節(jié)能， 2018， 46（3）：123-126， 141.

[12] 杜冠洲，韋古強(qiáng)，高正平. 基于BP神經(jīng)網(wǎng)絡(luò)的公用建筑電力能耗預(yù)測(cè)研究[J]. 工程經(jīng)濟(jì)，2017，27（6）： 76-80.

[13] 李世峰. 基于策略的綠色建筑智能化控制系統(tǒng)[J]. 山西建筑， 2017， 43（21）：185-187.

[14] 萬(wàn)玉建. 一個(gè)建筑能耗分析系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D]. 南京：東南大學(xué)， 2016.

[15] 王博銘，羅淑湘，顧中煊，等. 建筑能耗數(shù)據(jù)管理系統(tǒng)研究[J]. 建筑技術(shù)， 2017， 48（12）： 1243-1246.

[16] 王庭國(guó). 建筑能耗監(jiān)測(cè)與智能控制系統(tǒng)[J]. 福建建筑， 2018 （2）： 110-113.

[17] 呂瓊帥. BP 神經(jīng)網(wǎng)絡(luò)的優(yōu)化與研究[D]. 河南： 鄭州大學(xué)， 2011.

[18] COTTER E NEIL. The stone-weierstrass theorem and its application to neural networks[J]. IEEE Transactions on Neural Networks， 1990（4）： 290-295.

[19] 路闊，鐘伯成，呂丁浩，等. 基于GALM神經(jīng)網(wǎng)絡(luò)的建筑能耗短期預(yù)測(cè)[J]. 建筑節(jié)能， 2015， 43（9）： 85-88.

[20] FUNAHASHI K I. On the approximate realization of continuous mappings by neural networks[J]. Neural networks，1989，2（3）： 183-192.

[21] 陳煜琛，藍(lán)艇，史旭華. 基于多目標(biāo)優(yōu)化的節(jié)能建筑方案設(shè)計(jì)[J]. 工程技術(shù)研究， 2017（6）：193-194.

（責(zé)任編輯：黃 ?。?/p>