智慧节能理念下建筑用能监测技术及系统设计

厉 明，吴元泽，杨 峰，刘广东

(中国绿发投资集团有限公司，北京 100020)

《全球建筑和建设状况报告》中指出，大型建筑的能耗占据全球总能耗的35%以上，其中大型建筑运行阶段的碳排放量占全球碳排放总量的28%[1]。为了加速建筑领域的节能减碳，我国提出了建设科技创新专项规划，提出智慧工地等理念，但当前仍存在较多的大型建筑能效监测方面仍存在较多的问题[2]。

近年来在建筑能耗监测方面进行了许多研究，其中文献[3]方法中应用了当量满载负荷运行法和有效传热系数，能够根据建筑体型、窗墙面积比等因素准确的计算出建筑的能耗量，并统计建筑冷热负荷和温度的实用关系。但不适用与以空调和供暖设备为主导的建筑，容易出现能耗计算精度不高的问题。文献[4]方法中建立多元回归模型预测建筑能耗，基于建筑的体型、结构、面积等参数进行预测；但对大量的负荷变化波动较大的数据，分析和处理能力较差，不能较好地挖掘出样本数据隐藏特征。文献[5]系统中应用了建筑信息模型，并与物联网技术相结合，实现对建筑的静态信息与动态信息的全面透彻的感知；但系统无法无法大量储存能耗数据，并且建筑的电力供需不平衡容易造成资源的浪费。

1 大型建筑用能管理监测系统设计

该研究设计出大型建筑用能管理监测系统，用来全面检测建筑用能情况，及时发现能源利用不合理或有效利用率不高的应用场景，为优化建筑能效提供支持。系统用能数据采集模块采用智能化和自动化的方式进行数据采集，系统完成对建筑用能的数据采集后，存储到指定的数据库再进行数据分析，完成对建筑整体的能效分析。

系统主要在web端提供服务，通过后台逻辑处理将能耗数据展示给web端的用户，业务逻辑部分主要使用 SpringBoot框架和Mybatis持久层框架[6]。系统的数据库使用了开源数据库HIVE，并且支持离线数据分析和OLAP查询任务[7]。系统的用能数据管理模块主要完成系统逻辑和数据的交互，包含的主要功能由数据统计、异常数据告警、能耗监控等。系统架构如图1所示。

系统架构自上而下可分为应用层、数据层、网络层和感知层，其中感知层处于系统最底层，与建筑中的硬件感知设备结合最为紧密，通过多种类型的传感器、工业测量设备和用能监测装置实现对建筑内能耗情况的全面感知。感知层通过部署大量的用能感知设备，可以在应用场景的监控区域内组成一张感知网络，按照约定的传输协议进行用能信息的传输，并且具有较强的动态性[8]。网络层保证通信数据传输的安全性和完整性，网络层主要包括有线通信网络和无线通信网络，连接建筑内部大量的移动终端设备，并保证用户之间的通信质量，对感知设备的采集数据进行汇总并在网络层传输。数据层从多个维度对建筑的用能数据进行分析，得出用能数据的变化趋势，通过WebService服务与系统数据库进行数据交互[9]。应用层主要将感知层中采集到的用能信息进行整理分析，使用户能够直观地观察到建筑整体用能情况，并为建筑用能优化提供数据支撑从而做出科学的决策。应用层的应用程序部署中应用到了PAXOS分布式架构技术，相较于独立部署的单个服务器实例，能够对外提供更稳定可靠的服务满足系统的特点业务需求，不同的节点之间的数据具有一致性[10]。

图1 用能管理监测系统架构Fig.1 Energy consumption managementand monitoring system architecture

2 关键技术分析

2.1 基于嵌入式的多通道用能数据采集模块设计

系统中感知层应用了多种类型的感知设备对建筑的用能数据进行采集，感知设备中包含了多通道用能数据采集模块。模块中集成了多种类型的传感器，通过多个通道同时采集用能数据，并通过通信模块在上位机上显示采集到的用能信息。当监测的用能数据超过阈值之后，系统进行报警并控制采集模块发送报警信号。

多通道用能数据采集模块使用了基于Cortex-M3 内核的STM32F103ZET6处理器。模块的数据采集通道包括4路单端输入电压采集、4路电流信号采集、4路差分输入电压采集、温度采集通道和一氧化碳浓度采集通道[11]。温度传感器和一氧化碳传感器的输入信号需要先经过前端调理电路，然后进入模块处理器进行数据的转换和滤波。

2.2 建筑用能的混合网络预测模型

大型建筑的用能数据在时间维度上具有周期性和迟滞性特点，用能数据作为时间序列数据受到各种因素的影响。该研究对大型建筑运行阶段的能耗进行预测，有利于提高建筑整体能效水平，完成用能优化控制和需求侧响应等用能管理任务。该研究利用循环神经网络(RNN)和BP神经网络构建出混合网络预测模型，完成建筑能耗预测。混合网络预测模型的时序预测原理如图2所示。

图2 混合网络预测模型的时序预测原理Fig.2 Time series prediction principle of hybrid network prediction model

从图2可以看出，混合神经网络由RNN和BPNN前后连接组成。RNN的输出为BPNN的输入，RNN用来从建筑的时序用能数据中提取重要特征信息；BPNN将提取到的信息完成低维空间映射[12]，输出建筑的能耗预测值。混合神经网络的输入数据为建筑历史用电负荷数据，建筑面积、建筑楼层、室外温度、室外相对湿度、建筑冷负荷数据和热负荷数据等。RNN中遗忘门用来接收当前时刻输入的建筑用能数据Xi={x1,x2,x3,…,xi}和上一时刻网络状态ht-1；遗忘门输出：

ft=σ(Wf*[ht-1,xt]+bf)

(1)

式中：σ表示能耗预测模型的激活函数；Wf表示遗忘门的权重矩阵；xt表示输入的建筑用能信息[13]；ht-1表示上一时刻网络状态；bf表示用能数据的激发阈值向量。式(1)表示了RNN网络中遗忘门对输入的建筑用能数据的操作[14]。

RNN中记忆门决定了输出的建筑用能信息和上层输出的建筑用能信息哪些信息被保留，可表示：

(2)

式中：σ、tanh表示记忆门的激活函数；Wi、Wc表示用能预测模型中的权重矩阵；bt、bc表示RNN网络的偏移量；Ct表示新的状态候选向量。式(2)表示了RNN记忆门的具体操作。

通过门之后更新RNN的状态，选择遗忘和保留一些建筑用能信息，新的状态包含了丢弃的上一时刻传递的建筑用能信息和输入数据中获取的用能信息，可表示：

(3)

通过RNN网络处理具有时序特性的建筑用能数据，提取出数据中的时序特征信息和用能特征，再输入到BPNN中进行用能预测[15]。输出层：

(4)

(5)

式中：x(n)表示了用能信息的时序序列；x(K)表示用能信息的频域序列；N表示用能信息序列长度。通过式(5)确定了模型的时间步长，提高预测精度的同时能够降低模型训练的复杂程度。

综上所述，通过RNN提取出输入到预测模型中建筑用能数据的特征向量，能耗预测阶段采用BPNN输出预测值，特征提取过程与能耗预测过程两者紧密耦合，并设定混合模型的时间步长，以预测误差最小为目标指导模型的能耗预测过程。

3 应用测试

该研究对大型建筑用能管理监测系统进行测试，对测试数据进行分析以验证系统的有效性。测试环境由数据库服务器、应用服务器、实验计算机和交换机等硬件设备组成，实验通信网络选择建筑内部公共网络。测试环境下的硬件配置如表1所示。

表1 硬件配置参数Tab.1 Hardware configuration parameters

实验环境选择在某地区内的一座大型建筑为用能监测环境，该建筑分为A、B、C和D区4个部分，该大型建筑总面积有25 600 m2，总空调面积有18 500 m2。建筑结构参数如表2所示。

表2 建筑结构参数Tab.2 Building structure parameters

实验数据为该建筑2020年5月至2021年6月的用能数据，包括建筑电负荷数据、冷负荷数据、热负荷数据和其他气象参数，数据采样间隔为1 h，一天收集24个时间点数据；运行数据统计信息表如表3所示。

表3 建筑运行数据Tab.3 Building operation data

进行建筑用能采集实验时，对建筑内用户的电负荷数据和热负荷数据进行采集，该研究系统使用了多通道用能数据采集模块，与没有使用采集模块的文献[3]系统进行对比测试。实验时间最大设定为30 min，用户数量最多为100户，完成用能数据采集系统使用的时间如图3所示。

图3 用能数据采集时间Fig.3 Energy consumption data collection time

对比该研究系统和文献[3]系统的用能数据采集时间曲线可知，该研究系统的数据采集时间更短，对建筑内用户的用能数据采集效率更高。当用户数量达到30时，文献[3]系统的采集时间就超过了40 s，用户数量增加到70时，采集时间达到81.2 s，用户数最大时的采集时间为107.4 s。文献[3]系统中采集设备的采集通道有限，并且采集时间收到通信模块性能的限制，导致系统的采集效率不高。

该研究系统的用能数据采集时间最大仍不超过60 s，对建筑内用户用能数据的采集速率更快，用户数量达到50时，系统的采集时间为18.5 s，用户数增加到90时采集时间为47.8 s。数据采集模块具有多个数据通道能够进行同步采集，并且模块具有更快的数据传输速率，加快了系统的数据采集效率。

进行建筑用能预测实验时，对于建立的混合预测模型，确定时间步长为24，与文献[4]系统中使用支持向量回归模型进行对比实验。使用预测模型预测建筑未来一个小的冷负荷，实验时间设定为10 min，该研究系统得到在测试集中预测结果与实际值的关系如图4所示;文献[4]系统预测结果如图5所示。

图4 该研究系统预测结果Fig.4 Prediction results of the research system

图5 文献[4]系统预测结果Fig.5 Document [4] system prediction results

从图4、图5可以看出，红色区域和绿色区域表示了预测点分布较为密集，对比图4和图5中的预测结果可知，该研究系统具有更好的预测精度，能够更好地预测到建筑的冷负荷数据，预测误差为0～500 kW左右，其中预测值与实际值的误差最大为1 120 kW。文献[4]系统的预测结果中预测点明显偏移建筑冷负荷的实际值，预测误差范围在0～2 000 kW，预测误差最大可达到2 157 kW。文献[4]系统的预测模型拟合能力有限，不能充分利用数据特征，导致重要信息丢失，使系统的预测精度较差。

4 结语

该研究设计出大型建筑用能管理监测系统，感知层完成建筑能耗数据的采集任务，通过对建筑用能历史数据进行综合分析，总结用能数变化趋势，使用过更加了解实际用能情况，并指导用户进行更加合理高效的用能。结合循环神经网络和BP神经网络对建筑用能数据和气象数据进行特征提取，完成能耗特征信息的空间映射，混合预测模型输出建筑的用能预测值。

随着建筑内用户数量的增加和建筑面积的扩展，系统面对的用能数据量将急剧增加，在以后工作中需要提高系统处理大数据的性能，在建筑节能和用能模式的优化方面还需进行研究。