厲 明，吳元澤，楊 峰，劉廣東

(中國綠發(fā)投資集團(tuán)有限公司，北京 100020)

《全球建筑和建設(shè)狀況報(bào)告》中指出，大型建筑的能耗占據(jù)全球總能耗的35%以上，其中大型建筑運(yùn)行階段的碳排放量占全球碳排放總量的28%[1]。為了加速建筑領(lǐng)域的節(jié)能減碳，我國提出了建設(shè)科技創(chuàng)新專項(xiàng)規(guī)劃，提出智慧工地等理念，但當(dāng)前仍存在較多的大型建筑能效監(jiān)測方面仍存在較多的問題[2]。

近年來在建筑能耗監(jiān)測方面進(jìn)行了許多研究，其中文獻(xiàn)[3]方法中應(yīng)用了當(dāng)量滿載負(fù)荷運(yùn)行法和有效傳熱系數(shù)，能夠根據(jù)建筑體型、窗墻面積比等因素準(zhǔn)確的計(jì)算出建筑的能耗量，并統(tǒng)計(jì)建筑冷熱負(fù)荷和溫度的實(shí)用關(guān)系。但不適用與以空調(diào)和供暖設(shè)備為主導(dǎo)的建筑，容易出現(xiàn)能耗計(jì)算精度不高的問題。文獻(xiàn)[4]方法中建立多元回歸模型預(yù)測建筑能耗，基于建筑的體型、結(jié)構(gòu)、面積等參數(shù)進(jìn)行預(yù)測；但對大量的負(fù)荷變化波動較大的數(shù)據(jù)，分析和處理能力較差，不能較好地挖掘出樣本數(shù)據(jù)隱藏特征。文獻(xiàn)[5]系統(tǒng)中應(yīng)用了建筑信息模型，并與物聯(lián)網(wǎng)技術(shù)相結(jié)合，實(shí)現(xiàn)對建筑的靜態(tài)信息與動態(tài)信息的全面透徹的感知；但系統(tǒng)無法無法大量儲存能耗數(shù)據(jù)，并且建筑的電力供需不平衡容易造成資源的浪費(fèi)。

1 大型建筑用能管理監(jiān)測系統(tǒng)設(shè)計(jì)

該研究設(shè)計(jì)出大型建筑用能管理監(jiān)測系統(tǒng)，用來全面檢測建筑用能情況，及時發(fā)現(xiàn)能源利用不合理或有效利用率不高的應(yīng)用場景，為優(yōu)化建筑能效提供支持。系統(tǒng)用能數(shù)據(jù)采集模塊采用智能化和自動化的方式進(jìn)行數(shù)據(jù)采集，系統(tǒng)完成對建筑用能的數(shù)據(jù)采集后，存儲到指定的數(shù)據(jù)庫再進(jìn)行數(shù)據(jù)分析，完成對建筑整體的能效分析。

系統(tǒng)主要在web端提供服務(wù)，通過后臺邏輯處理將能耗數(shù)據(jù)展示給web端的用戶，業(yè)務(wù)邏輯部分主要使用 SpringBoot框架和Mybatis持久層框架[6]。系統(tǒng)的數(shù)據(jù)庫使用了開源數(shù)據(jù)庫HIVE，并且支持離線數(shù)據(jù)分析和OLAP查詢?nèi)蝿?wù)[7]。系統(tǒng)的用能數(shù)據(jù)管理模塊主要完成系統(tǒng)邏輯和數(shù)據(jù)的交互，包含的主要功能由數(shù)據(jù)統(tǒng)計(jì)、異常數(shù)據(jù)告警、能耗監(jiān)控等。系統(tǒng)架構(gòu)如圖1所示。

系統(tǒng)架構(gòu)自上而下可分為應(yīng)用層、數(shù)據(jù)層、網(wǎng)絡(luò)層和感知層，其中感知層處于系統(tǒng)最底層，與建筑中的硬件感知設(shè)備結(jié)合最為緊密，通過多種類型的傳感器、工業(yè)測量設(shè)備和用能監(jiān)測裝置實(shí)現(xiàn)對建筑內(nèi)能耗情況的全面感知。感知層通過部署大量的用能感知設(shè)備，可以在應(yīng)用場景的監(jiān)控區(qū)域內(nèi)組成一張感知網(wǎng)絡(luò)，按照約定的傳輸協(xié)議進(jìn)行用能信息的傳輸，并且具有較強(qiáng)的動態(tài)性[8]。網(wǎng)絡(luò)層保證通信數(shù)據(jù)傳輸?shù)陌踩院屯暾?，網(wǎng)絡(luò)層主要包括有線通信網(wǎng)絡(luò)和無線通信網(wǎng)絡(luò)，連接建筑內(nèi)部大量的移動終端設(shè)備，并保證用戶之間的通信質(zhì)量，對感知設(shè)備的采集數(shù)據(jù)進(jìn)行匯總并在網(wǎng)絡(luò)層傳輸。數(shù)據(jù)層從多個維度對建筑的用能數(shù)據(jù)進(jìn)行分析，得出用能數(shù)據(jù)的變化趨勢，通過WebService服務(wù)與系統(tǒng)數(shù)據(jù)庫進(jìn)行數(shù)據(jù)交互[9]。應(yīng)用層主要將感知層中采集到的用能信息進(jìn)行整理分析，使用戶能夠直觀地觀察到建筑整體用能情況，并為建筑用能優(yōu)化提供數(shù)據(jù)支撐從而做出科學(xué)的決策。應(yīng)用層的應(yīng)用程序部署中應(yīng)用到了PAXOS分布式架構(gòu)技術(shù)，相較于獨(dú)立部署的單個服務(wù)器實(shí)例，能夠?qū)ν馓峁└€(wěn)定可靠的服務(wù)滿足系統(tǒng)的特點(diǎn)業(yè)務(wù)需求，不同的節(jié)點(diǎn)之間的數(shù)據(jù)具有一致性[10]。

圖1 用能管理監(jiān)測系統(tǒng)架構(gòu)Fig.1 Energy consumption managementand monitoring system architecture

2 關(guān)鍵技術(shù)分析

2.1 基于嵌入式的多通道用能數(shù)據(jù)采集模塊設(shè)計(jì)

系統(tǒng)中感知層應(yīng)用了多種類型的感知設(shè)備對建筑的用能數(shù)據(jù)進(jìn)行采集，感知設(shè)備中包含了多通道用能數(shù)據(jù)采集模塊。模塊中集成了多種類型的傳感器，通過多個通道同時采集用能數(shù)據(jù)，并通過通信模塊在上位機(jī)上顯示采集到的用能信息。當(dāng)監(jiān)測的用能數(shù)據(jù)超過閾值之后，系統(tǒng)進(jìn)行報(bào)警并控制采集模塊發(fā)送報(bào)警信號。

多通道用能數(shù)據(jù)采集模塊使用了基于Cortex-M3 內(nèi)核的STM32F103ZET6處理器。模塊的數(shù)據(jù)采集通道包括4路單端輸入電壓采集、4路電流信號采集、4路差分輸入電壓采集、溫度采集通道和一氧化碳濃度采集通道[11]。溫度傳感器和一氧化碳傳感器的輸入信號需要先經(jīng)過前端調(diào)理電路，然后進(jìn)入模塊處理器進(jìn)行數(shù)據(jù)的轉(zhuǎn)換和濾波。

2.2 建筑用能的混合網(wǎng)絡(luò)預(yù)測模型

大型建筑的用能數(shù)據(jù)在時間維度上具有周期性和遲滯性特點(diǎn)，用能數(shù)據(jù)作為時間序列數(shù)據(jù)受到各種因素的影響。該研究對大型建筑運(yùn)行階段的能耗進(jìn)行預(yù)測，有利于提高建筑整體能效水平，完成用能優(yōu)化控制和需求側(cè)響應(yīng)等用能管理任務(wù)。該研究利用循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)和BP神經(jīng)網(wǎng)絡(luò)構(gòu)建出混合網(wǎng)絡(luò)預(yù)測模型，完成建筑能耗預(yù)測?；旌暇W(wǎng)絡(luò)預(yù)測模型的時序預(yù)測原理如圖2所示。

圖2 混合網(wǎng)絡(luò)預(yù)測模型的時序預(yù)測原理Fig.2 Time series prediction principle of hybrid network prediction model

從圖2可以看出，混合神經(jīng)網(wǎng)絡(luò)由RNN和BPNN前后連接組成。RNN的輸出為BPNN的輸入，RNN用來從建筑的時序用能數(shù)據(jù)中提取重要特征信息；BPNN將提取到的信息完成低維空間映射[12]，輸出建筑的能耗預(yù)測值。混合神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)為建筑歷史用電負(fù)荷數(shù)據(jù)，建筑面積、建筑樓層、室外溫度、室外相對濕度、建筑冷負(fù)荷數(shù)據(jù)和熱負(fù)荷數(shù)據(jù)等。RNN中遺忘門用來接收當(dāng)前時刻輸入的建筑用能數(shù)據(jù)Xi={x1,x2,x3,…,xi}和上一時刻網(wǎng)絡(luò)狀態(tài)ht-1；遺忘門輸出：

ft=σ(Wf*[ht-1,xt]+bf)

(1)

式中：σ表示能耗預(yù)測模型的激活函數(shù)；Wf表示遺忘門的權(quán)重矩陣；xt表示輸入的建筑用能信息[13]；ht-1表示上一時刻網(wǎng)絡(luò)狀態(tài)；bf表示用能數(shù)據(jù)的激發(fā)閾值向量。式(1)表示了RNN網(wǎng)絡(luò)中遺忘門對輸入的建筑用能數(shù)據(jù)的操作[14]。

RNN中記憶門決定了輸出的建筑用能信息和上層輸出的建筑用能信息哪些信息被保留，可表示：

(2)

式中：σ、tanh表示記憶門的激活函數(shù)；Wi、Wc表示用能預(yù)測模型中的權(quán)重矩陣；bt、bc表示RNN網(wǎng)絡(luò)的偏移量；Ct表示新的狀態(tài)候選向量。式(2)表示了RNN記憶門的具體操作。

通過門之后更新RNN的狀態(tài)，選擇遺忘和保留一些建筑用能信息，新的狀態(tài)包含了丟棄的上一時刻傳遞的建筑用能信息和輸入數(shù)據(jù)中獲取的用能信息，可表示：

(3)

通過RNN網(wǎng)絡(luò)處理具有時序特性的建筑用能數(shù)據(jù)，提取出數(shù)據(jù)中的時序特征信息和用能特征，再輸入到BPNN中進(jìn)行用能預(yù)測[15]。輸出層：

(4)

(5)

式中：x(n)表示了用能信息的時序序列；x(K)表示用能信息的頻域序列；N表示用能信息序列長度。通過式(5)確定了模型的時間步長，提高預(yù)測精度的同時能夠降低模型訓(xùn)練的復(fù)雜程度。

綜上所述，通過RNN提取出輸入到預(yù)測模型中建筑用能數(shù)據(jù)的特征向量，能耗預(yù)測階段采用BPNN輸出預(yù)測值，特征提取過程與能耗預(yù)測過程兩者緊密耦合，并設(shè)定混合模型的時間步長，以預(yù)測誤差最小為目標(biāo)指導(dǎo)模型的能耗預(yù)測過程。

3 應(yīng)用測試

該研究對大型建筑用能管理監(jiān)測系統(tǒng)進(jìn)行測試，對測試數(shù)據(jù)進(jìn)行分析以驗(yàn)證系統(tǒng)的有效性。測試環(huán)境由數(shù)據(jù)庫服務(wù)器、應(yīng)用服務(wù)器、實(shí)驗(yàn)計(jì)算機(jī)和交換機(jī)等硬件設(shè)備組成，實(shí)驗(yàn)通信網(wǎng)絡(luò)選擇建筑內(nèi)部公共網(wǎng)絡(luò)。測試環(huán)境下的硬件配置如表1所示。

表1 硬件配置參數(shù)Tab.1 Hardware configuration parameters

實(shí)驗(yàn)環(huán)境選擇在某地區(qū)內(nèi)的一座大型建筑為用能監(jiān)測環(huán)境，該建筑分為A、B、C和D區(qū)4個部分，該大型建筑總面積有25 600 m2，總空調(diào)面積有18 500 m2。建筑結(jié)構(gòu)參數(shù)如表2所示。

表2 建筑結(jié)構(gòu)參數(shù)Tab.2 Building structure parameters

實(shí)驗(yàn)數(shù)據(jù)為該建筑2020年5月至2021年6月的用能數(shù)據(jù)，包括建筑電負(fù)荷數(shù)據(jù)、冷負(fù)荷數(shù)據(jù)、熱負(fù)荷數(shù)據(jù)和其他氣象參數(shù)，數(shù)據(jù)采樣間隔為1 h，一天收集24個時間點(diǎn)數(shù)據(jù)；運(yùn)行數(shù)據(jù)統(tǒng)計(jì)信息表如表3所示。

表3 建筑運(yùn)行數(shù)據(jù)Tab.3 Building operation data

進(jìn)行建筑用能采集實(shí)驗(yàn)時，對建筑內(nèi)用戶的電負(fù)荷數(shù)據(jù)和熱負(fù)荷數(shù)據(jù)進(jìn)行采集，該研究系統(tǒng)使用了多通道用能數(shù)據(jù)采集模塊，與沒有使用采集模塊的文獻(xiàn)[3]系統(tǒng)進(jìn)行對比測試。實(shí)驗(yàn)時間最大設(shè)定為30 min，用戶數(shù)量最多為100戶，完成用能數(shù)據(jù)采集系統(tǒng)使用的時間如圖3所示。

圖3 用能數(shù)據(jù)采集時間Fig.3 Energy consumption data collection time

對比該研究系統(tǒng)和文獻(xiàn)[3]系統(tǒng)的用能數(shù)據(jù)采集時間曲線可知，該研究系統(tǒng)的數(shù)據(jù)采集時間更短，對建筑內(nèi)用戶的用能數(shù)據(jù)采集效率更高。當(dāng)用戶數(shù)量達(dá)到30時，文獻(xiàn)[3]系統(tǒng)的采集時間就超過了40 s，用戶數(shù)量增加到70時，采集時間達(dá)到81.2 s，用戶數(shù)最大時的采集時間為107.4 s。文獻(xiàn)[3]系統(tǒng)中采集設(shè)備的采集通道有限，并且采集時間收到通信模塊性能的限制，導(dǎo)致系統(tǒng)的采集效率不高。

該研究系統(tǒng)的用能數(shù)據(jù)采集時間最大仍不超過60 s，對建筑內(nèi)用戶用能數(shù)據(jù)的采集速率更快，用戶數(shù)量達(dá)到50時，系統(tǒng)的采集時間為18.5 s，用戶數(shù)增加到90時采集時間為47.8 s。數(shù)據(jù)采集模塊具有多個數(shù)據(jù)通道能夠進(jìn)行同步采集，并且模塊具有更快的數(shù)據(jù)傳輸速率，加快了系統(tǒng)的數(shù)據(jù)采集效率。

進(jìn)行建筑用能預(yù)測實(shí)驗(yàn)時，對于建立的混合預(yù)測模型，確定時間步長為24，與文獻(xiàn)[4]系統(tǒng)中使用支持向量回歸模型進(jìn)行對比實(shí)驗(yàn)。使用預(yù)測模型預(yù)測建筑未來一個小的冷負(fù)荷，實(shí)驗(yàn)時間設(shè)定為10 min，該研究系統(tǒng)得到在測試集中預(yù)測結(jié)果與實(shí)際值的關(guān)系如圖4所示;文獻(xiàn)[4]系統(tǒng)預(yù)測結(jié)果如圖5所示。

圖4 該研究系統(tǒng)預(yù)測結(jié)果Fig.4 Prediction results of the research system

圖5 文獻(xiàn)[4]系統(tǒng)預(yù)測結(jié)果Fig.5 Document [4] system prediction results

從圖4、圖5可以看出，紅色區(qū)域和綠色區(qū)域表示了預(yù)測點(diǎn)分布較為密集，對比圖4和圖5中的預(yù)測結(jié)果可知，該研究系統(tǒng)具有更好的預(yù)測精度，能夠更好地預(yù)測到建筑的冷負(fù)荷數(shù)據(jù)，預(yù)測誤差為0～500 kW左右，其中預(yù)測值與實(shí)際值的誤差最大為1 120 kW。文獻(xiàn)[4]系統(tǒng)的預(yù)測結(jié)果中預(yù)測點(diǎn)明顯偏移建筑冷負(fù)荷的實(shí)際值，預(yù)測誤差范圍在0～2 000 kW，預(yù)測誤差最大可達(dá)到2 157 kW。文獻(xiàn)[4]系統(tǒng)的預(yù)測模型擬合能力有限，不能充分利用數(shù)據(jù)特征，導(dǎo)致重要信息丟失，使系統(tǒng)的預(yù)測精度較差。

4 結(jié)語

該研究設(shè)計(jì)出大型建筑用能管理監(jiān)測系統(tǒng)，感知層完成建筑能耗數(shù)據(jù)的采集任務(wù)，通過對建筑用能歷史數(shù)據(jù)進(jìn)行綜合分析，總結(jié)用能數(shù)變化趨勢，使用過更加了解實(shí)際用能情況，并指導(dǎo)用戶進(jìn)行更加合理高效的用能。結(jié)合循環(huán)神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)對建筑用能數(shù)據(jù)和氣象數(shù)據(jù)進(jìn)行特征提取，完成能耗特征信息的空間映射，混合預(yù)測模型輸出建筑的用能預(yù)測值。

隨著建筑內(nèi)用戶數(shù)量的增加和建筑面積的擴(kuò)展，系統(tǒng)面對的用能數(shù)據(jù)量將急劇增加，在以后工作中需要提高系統(tǒng)處理大數(shù)據(jù)的性能，在建筑節(jié)能和用能模式的優(yōu)化方面還需進(jìn)行研究。