1.一种基于数字孪生的楼宇能效智能化监管预测方法,其特征在于,包括如下步骤:
将待测楼宇的相关数据输入训练获得的BP神经网络模型,预测输出楼宇的能耗数据。
2.根据权利要求1所述的一种基于数字孪生的楼宇能效智能化监管预测方法,其特征
3.根据权利要求1所述的一种基于数字孪生的楼宇能效智能化监管预测方法,其特征
获取训练集,训练集包括已知楼宇的各不同办公分隔区域的建筑面积、用能人数、用能
时间、人口密度、室内亮度、室内湿度、室内温度、用电量、用电时间、用水量和用气量;
将训练集输入BP神经网络模型中,基于激活函数迭代优化调整BP神经网络模型的参
数,构建作为输入的建筑面积、用能人数、用能时间、人口密度、室内亮度、室内湿度、室内温
4.根据权利要求1所述的一种基于数字孪生的楼宇能效智能化监管预测方法,其特征
S401:将楼宇不同时刻各不同办公分隔区域的用电量、用电时间、用水量、用气量、用能
S402:基于建筑面积、用能人数、用能时间、人口密度、室内亮度、室内湿度、室内温度、
用电量、用水量和用气量,利用数字孪生技术建立实景孪生模型,实时显示建筑面积、用电
时间、用能人数、用能时间、人口密度、室内亮度、室内湿度、室内温度、用电量、用水量和用
5.根据权利要求4所述的一种基于数字孪生的楼宇能效智能化监管预测方法,其特征
对数据集采用十字交叉验证的方法,将数据集随机划分若干个的互斥子集,选择若干
6.根据权利要求5所述的一种基于数字孪生的楼宇能效智能化监管预测方法,其特征
将测试集输入训练获得的BP神经网络模型,BP神经网络模型预测输出测试结果;
将BP神经网络模型预测的用电量、用水量和用气量和对应的实际用电量、实际用水量
和实际用气量进行比较,若预测的用电量和实际用电量差值、预测用水量和实际用水量差
值以及预测的用气量和实际用气量差值均在设定的误差范围内,则判定此次测试合格;
基于测试合格总数计算测试合格的概率,若测试合格的概率高于设定的概率阈值则训
练获得的BP神经网络模型合格,否则判定BP神经网络模型不合格,重新获取训练集并重新
7.根据权利要求1所述的一种基于数字孪生的楼宇能效智能化监管预测方法,其特征
待测楼宇的相关数据包括待测楼宇各不同办公分隔区域的建筑面积、待测楼宇的用能
人数、待测楼宇的用能时间、人口密度、待测楼宇的室内亮度、待测楼宇的室内湿度和待测
8.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算
机程序,其特征在于,所述处理器执行所述程序时实现权利要求1至7中任一项所述方法的
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处
经济可持续发展的重要保障。据测算,未来几十年,我国不可再生能源将会枯竭,因此节能
和医院等公共机构场所,用能量大,人流量大,资源浪费大。随着建筑面积的不断增加,我国
行监管。此外,能耗数据也只是以数字形式呈现,并没有进行直观展示,导致对能耗监管没
有充分的认识。另一方面,传统的能效监管只是单一的记录之前的能耗数据,人为对下一阶
排的一系列政策,各企业和公共机构必须要结合自身特点,展开更加精准的节能减排工作。
尤其是目前人工智能、大数据和物联网等技术的快速兴起,楼宇能效监管结合这些技术可
一种基于数字孪生的楼宇能效智能化监管方法,通过数字孪生技术建立楼宇实景孪生模
型,将能耗数据进行可视化,同时利用BP神经网络,对楼宇各区域能耗进行预测。
将待测楼宇的相关数据输入训练获得的BP神经网络模型,预测输出楼宇的能耗数
用能人数、待测楼宇的用能时间、人口密度、待测楼宇的室内亮度、待测楼宇的室内湿度和
获取训练集,训练集包括已知楼宇的各不同办公分隔区域的建筑面积、用能人数、
用能时间、人口密度、室内亮度、室内湿度、室内温度、用电量、用电时间、用水量和用气量;
将训练集输入BP神经网络模型中,基于激活函数迭代优化调整BP神经网络模型的
参数,构建作为输入的建筑面积、用能人数、用能时间、人口密度、室内亮度、室内湿度、室内
S401:将楼宇不同时刻各不同办公分隔区域的用电量、用电时间、用水量、用气量、
S402:基于建筑面积、用能人数、用能时间、人口密度、室内亮度、室内湿度、室内温
度、用电量、用水量和用气量,利用数字孪生技术建立实景孪生模型,实时显示建筑面积、用
电时间、用能人数、用能时间、人口密度、室内亮度、室内湿度、室内温度、用电量、用水量和
将测试集输入训练获得的BP神经网络模型,BP神经网络模型预测输出测试结果;
将BP神经网络模型预测的用电量、用水量和用气量和对应的实际用电量、实际用
水量和实际用气量进行比较,若预测的用电量和实际用电量差值、预测用水量和实际用水
量差值以及预测的用气量和实际用气量差值均在设定的误差范围内,则判定此次测试合
则训练获得的BP神经网络模型合格,否则判定BP神经网络模型不合格,重新获取训练集并
内能源消耗的各种场景,使用BP神经网络对用能量进行预测,结合楼宇自身特点制定合理
将待测楼宇的相关数据输入训练获得的BP神经网络模型,预测输出楼宇的能耗数
用能人数、待测楼宇的用能时间、人口密度、待测楼宇的室内亮度、待测楼宇的室内湿度和
S1,获取楼宇内不同办公分隔区域的建筑面积、用能人数、用能时间、室内亮度、室
集,然后每次用9个互斥子集的并集作为训练集,剩余的一个互斥子集作为测试集。
S2,获取训练集,训练集包括已知楼宇的各不同办公分隔区域的建筑面积、用能人
数、用能时间、人口密度、室内亮度、室内湿度、室内温度、用电量、用水量和用气量;
S3,将训练集输入BP神经网络模型中,基于激活函数迭代优化调整BP神经网络模
型的参数,构建作为输入的建筑面积、用能人数、用能时间、人口密度、室内亮度、室内湿度、
BP神经网络模型的内部网络构架为现有技术,本领域技术人员可根据实际需求选
S401:将楼宇不同时刻各不同办公分隔区域的用电量、用水量、用气量、用能人数、
S402:将用能数据以及各种综合用能数据进行数据可视化处理,根据楼宇的实际
场景,利用数字孪生技术建立实景孪生模型,结合监测数据检测到的各房间的用电,用水,
将测试集输入训练获得的BP神经网络模型,BP神经网络模型预测输出测试结果;
将BP神经网络模型预测的用电量、用水量和用气量和对应的实际用电量、实际用
水量和实际用气量进行比较,若预测的用电量和实际用电量差值、预测用水量和实际用水
量差值以及预测的用气量和实际用气量差值均在设定的误差范围内,则判定此次测试合
则训练获得的BP神经网络模型合格,否则判定BP神经网络模型不合格,重新获取训练集,并
步骤S1采集楼宇内用能数据,采集数据的传感器包括温度传感器,湿度传感器,光
线传感器等各种物理传感器,用于采集室内温度,室内湿度和室内亮度等,使用各种用能计
量表收集用电量、用水量以及用气量,通过蓝牙、光纤、Zigbee或WiFi等技术上传;
步骤3使用BP神经网络进行训练。楼宇内影响能耗量的因素有很多,包括:建筑面
积,机构类型,用能人数,天气状况等,这些因素与能耗之间有着复杂的对应关系,BP神经网
络正适合于这种场景,噪声干扰对BP神经网络不会对训练模型造成很大的影响,具有一定
步骤4中,通俗的将,数字孪生就是在一个设备或系统上,创造一个数字版的现实
世界。它可以将现实场景中各部分的参数复现到系统中的孪生模型中,能实现整个过程的
数字化。将楼宇能耗数据复现在孪生模型中,可以对楼宇内各个部分用能数据进行透明化
管理和全方位展示,有利于对不同区域和部分提供具有针对性,个性化的用能方案的制定,
指导现实世界中用能行为。实现对楼宇的智能化,自动化管理,助力节能减排的施行。
S302:确定BP神经网络的各部分参数,包括层数选择三层神经网络。输入节点选择
建筑面积、用能人数、用能时间、各区域人口密度、室内亮度、室内湿度、室内温度、用电量、
结合图3 所示的根据实景空间建立孪生模型的流程,建立实景孪生模型的步骤:
S403:使用训练获得的BP神经网络模型,对楼宇各部分用能进行预测,制定合理的
建筑面积、用能人数、用能时间、各区域人口密度、室内亮度、室内湿度、室内温度等数据进
行采集,如果气温较低,可以自动调节空调升温,光线充足的区域可以自动关掉灯光;依据
数据集训练BP神经网络模型,预测每天何时某办公分隔区域人流量最多,对该办公分隔区
域温度进行调节,针对某办公分隔区域长期浪费耗能现象,在孪生模型展示中显示预警信
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程
图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流
程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序
指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产
生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实
现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指
令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或
算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或
其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一
员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形