智慧節能理念下建筑用能監測技術及系統設計

厲 明，吳元澤，楊 峰，劉廣東

(中國綠發投資集團有限公司，北京 100020)

《全球建筑和建設狀況報告》中指出，大型建筑的能耗占據全球總能耗的35%以上，其中大型建筑運行階段的碳排放量占全球碳排放總量的28%[1]。為了加速建筑領域的節能減碳，我國提出了建設科技創新專項規劃，提出智慧工地等理念，但當前仍存在較多的大型建筑能效監測方面仍存在較多的問題[2]。

近年來在建筑能耗監測方面進行了許多研究，其中文獻[3]方法中應用了當量滿載負荷運行法和有效傳熱系數，能夠根據建筑體型、窗墻面積比等因素準確的計算出建筑的能耗量，并統計建筑冷熱負荷和溫度的實用關系。但不適用與以空調和供暖設備為主導的建筑，容易出現能耗計算精度不高的問題。文獻[4]方法中建立多元回歸模型預測建筑能耗，基于建筑的體型、結構、面積等參數進行預測；但對大量的負荷變化波動較大的數據，分析和處理能力較差，不能較好地挖掘出樣本數據隱藏特征。文獻[5]系統中應用了建筑信息模型，并與物聯網技術相結合，實現對建筑的靜態信息與動態信息的全面透徹的感知；但系統無法無法大量儲存能耗數據，并且建筑的電力供需不平衡容易造成資源的浪費。

1 大型建筑用能管理監測系統設計

該研究設計出大型建筑用能管理監測系統，用來全面檢測建筑用能情況，及時發現能源利用不合理或有效利用率不高的應用場景，為優化建筑能效提供支持。系統用能數據采集模塊采用智能化和自動化的方式進行數據采集，系統完成對建筑用能的數據采集后，存儲到指定的數據庫再進行數據分析，完成對建筑整體的能效分析。

系統主要在web端提供服務，通過后臺邏輯處理將能耗數據展示給web端的用戶，業務邏輯部分主要使用 SpringBoot框架和Mybatis持久層框架[6]。系統的數據庫使用了開源數據庫HIVE，并且支持離線數據分析和OLAP查詢任務[7]。系統的用能數據管理模塊主要完成系統邏輯和數據的交互，包含的主要功能由數據統計、異常數據告警、能耗監控等。系統架構如圖1所示。

系統架構自上而下可分為應用層、數據層、網絡層和感知層，其中感知層處于系統最底層，與建筑中的硬件感知設備結合最為緊密，通過多種類型的傳感器、工業測量設備和用能監測裝置實現對建筑內能耗情況的全面感知。感知層通過部署大量的用能感知設備，可以在應用場景的監控區域內組成一張感知網絡，按照約定的傳輸協議進行用能信息的傳輸，并且具有較強的動態性[8]。網絡層保證通信數據傳輸的安全性和完整性，網絡層主要包括有線通信網絡和無線通信網絡，連接建筑內部大量的移動終端設備，并保證用戶之間的通信質量，對感知設備的采集數據進行匯總并在網絡層傳輸。數據層從多個維度對建筑的用能數據進行分析，得出用能數據的變化趨勢，通過WebService服務與系統數據庫進行數據交互[9]。應用層主要將感知層中采集到的用能信息進行整理分析，使用戶能夠直觀地觀察到建筑整體用能情況，并為建筑用能優化提供數據支撐從而做出科學的決策。應用層的應用程序部署中應用到了PAXOS分布式架構技術，相較于獨立部署的單個服務器實例，能夠對外提供更穩定可靠的服務滿足系統的特點業務需求，不同的節點之間的數據具有一致性[10]。

圖1 用能管理監測系統架構Fig.1 Energy consumption managementand monitoring system architecture

2 關鍵技術分析

2.1 基于嵌入式的多通道用能數據采集模塊設計

系統中感知層應用了多種類型的感知設備對建筑的用能數據進行采集，感知設備中包含了多通道用能數據采集模塊。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據，并通過通信模塊在上位機上顯示采集到的用能信息。當監測的用能數據超過閾值之后，系統進行報警并控制采集模塊發送報警信號。

多通道用能數據采集模塊使用了基于Cortex-M3 內核的STM32F103ZET6處理器。模塊的數據采集通道包括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過前端調理電路，然后進入模塊處理器進行數據的轉換和濾波。

2.2 建筑用能的混合網絡預測模型

大型建筑的用能數據在時間維度上具有周期性和遲滯性特點，用能數據作為時間序列數據受到各種因素的影響。該研究對大型建筑運行階段的能耗進行預測，有利于提高建筑整體能效水平，完成用能優化控制和需求側響應等用能管理任務。該研究利用循環神經網絡(RNN)和BP神經網絡構建出混合網絡預測模型，完成建筑能耗預測。混合網絡預測模型的時序預測原理如圖2所示。

圖2 混合網絡預測模型的時序預測原理Fig.2 Time series prediction principle of hybrid network prediction model

從圖2可以看出，混合神經網絡由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據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]，輸出建筑的能耗預測值。混合神經網絡的輸入數據為建筑歷史用電負荷數據，建筑面積、建筑樓層、室外溫度、室外相對濕度、建筑冷負荷數據和熱負荷數據等。RNN中遺忘門用來接收當前時刻輸入的建筑用能數據Xi={x1,x2,x3,…,xi}和上一時刻網絡狀態ht-1；遺忘門輸出：

ft=σ(Wf*[ht-1,xt]+bf)

(1)

式中：σ表示能耗預測模型的激活函數；Wf表示遺忘門的權重矩陣；xt表示輸入的建筑用能信息[13]；ht-1表示上一時刻網絡狀態；bf表示用能數據的激發閾值向量。式(1)表示了RNN網絡中遺忘門對輸入的建筑用能數據的操作[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；Wi、Wc表示用能預測模型中的權重矩陣；bt、bc表示RNN網絡的偏移量；Ct表示新的狀態候選向量。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，選擇遺忘和保留一些建筑用能信息，新的狀態包含了丟棄的上一時刻傳遞的建筑用能信息和輸入數據中獲取的用能信息，可表示：

(3)

通過RNN網絡處理具有時序特性的建筑用能數據，提取出數據中的時序特征信息和用能特征，再輸入到BPNN中進行用能預測[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，提高預測精度的同時能夠降低模型訓練的復雜程度。

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

3 應用測試

該研究對大型建筑用能管理監測系統進行測試，對測試數據進行分析以驗證系統的有效性。測試環境由數據庫服務器、應用服務器、實驗計算機和交換機等硬件設備組成，實驗通信網絡選擇建筑內部公共網絡。測試環境下的硬件配置如表1所示。

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

實驗環境選擇在某地區內的一座大型建筑為用能監測環境，該建筑分為A、B、C和D區4個部分，該大型建筑總面積有25 600 m2，總空調面積有18 500 m2。建筑結構參數如表2所示。

表2 建筑結構參數Tab.2 Building structure parameters

實驗數據為該建筑2020年5月至2021年6月的用能數據，包括建筑電負荷數據、冷負荷數據、熱負荷數據和其他氣象參數，數據采樣間隔為1 h，一天收集24個時間點數據；運行數據統計信息表如表3所示。

表3 建筑運行數據Tab.3 Building operation data

進行建筑用能采集實驗時，對建筑內用戶的電負荷數據和熱負荷數據進行采集，該研究系統使用了多通道用能數據采集模塊，與沒有使用采集模塊的文獻[3]系統進行對比測試。實驗時間最大設定為30 min，用戶數量最多為100戶，完成用能數據采集系統使用的時間如圖3所示。

圖3 用能數據采集時間Fig.3 Energy consumption data collection time

對比該研究系統和文獻[3]系統的用能數據采集時間曲線可知，該研究系統的數據采集時間更短，對建筑內用戶的用能數據采集效率更高。當用戶數量達到30時，文獻[3]系統的采集時間就超過了40 s，用戶數量增加到70時，采集時間達到81.2 s，用戶數最大時的采集時間為107.4 s。文獻[3]系統中采集設備的采集通道有限，并且采集時間收到通信模塊性能的限制，導致系統的采集效率不高。

該研究系統的用能數據采集時間最大仍不超過60 s，對建筑內用戶用能數據的采集速率更快，用戶數量達到50時，系統的采集時間為18.5 s，用戶數增加到90時采集時間為47.8 s。數據采集模塊具有多個數據通道能夠進行同步采集，并且模塊具有更快的數據傳輸速率，加快了系統的數據采集效率。

進行建筑用能預測實驗時，對于建立的混合預測模型，確定時間步長為24，與文獻[4]系統中使用支持向量回歸模型進行對比實驗。使用預測模型預測建筑未來一個小的冷負荷，實驗時間設定為10 min，該研究系統得到在測試集中預測結果與實際值的關系如圖4所示;文獻[4]系統預測結果如圖5所示。

圖4 該研究系統預測結果Fig.4 Prediction results of the research system

圖5 文獻[4]系統預測結果Fig.5 Document [4] system prediction results

從圖4、圖5可以看出，紅色區域和綠色區域表示了預測點分布較為密集，對比圖4和圖5中的預測結果可知，該研究系統具有更好的預測精度，能夠更好地預測到建筑的冷負荷數據，預測誤差為0～500 kW左右，其中預測值與實際值的誤差最大為1 120 kW。文獻[4]系統的預測結果中預測點明顯偏移建筑冷負荷的實際值，預測誤差范圍在0～2 000 kW，預測誤差最大可達到2 157 kW。文獻[4]系統的預測模型擬合能力有限，不能充分利用數據特征，導致重要信息丟失，使系統的預測精度較差。

4 結語

該研究設計出大型建筑用能管理監測系統，感知層完成建筑能耗數據的采集任務，通過對建筑用能歷史數據進行綜合分析，總結用能數變化趨勢，使用過更加了解實際用能情況，并指導用戶進行更加合理高效的用能。結合循環神經網絡和BP神經網絡對建筑用能數據和氣象數據進行特征提取，完成能耗特征信息的空間映射，混合預測模型輸出建筑的用能預測值。

隨著建筑內用戶數量的增加和建筑面積的擴展，系統面對的用能數據量將急劇增加，在以后工作中需要提高系統處理大數據的性能，在建筑節能和用能模式的優化方面還需進行研究。