一种适用于近零能耗建筑的室内环境监测系统的制作方法

1.本发明属于涉及近零能耗建筑技术领域，具体是一种适用于近零能耗建筑的室内环境监测系统。


背景技术：

2.目前，随着对环境保护意识的不断提高和新能源技术的广泛应用，近零能耗建筑在建筑领域得到了广泛的应用。
3.这种建筑能够减少能源的消耗，并降低对环境的影响。然而因为近零能耗建筑的很多措施是基于建筑材料或节能电器，例如高效隔热材料和外墙保温，但是这些材料和电器都可能会出现老化现象，老化后的节能效果将大打折扣，从而又进一步导致能耗升高；
4.传统的室内环境监测方法多采用人工巡检和手动记录，这种方法工作效率低、周期长、易出错，且对数据分析与处理的要求较高。虽然现有的自动化监测系统可以实现数据的自动采集和处理，但是其大多只能对环境参数进行简单监测和报警，难以实现智能分析和节能控制的功能。因此，需要一种室内环境监测系统，能够实现实时监测、智能分析和节能控制的一体化功能；
5.为此，本发明提出一种适用于近零能耗建筑的室内环境监测系统。


技术实现要素：

6.本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种适用于近零能耗建筑的室内环境监测系统，该一种适用于近零能耗建筑的室内环境监测系统实现了对近零能耗建筑室内环境的实时监测，并基于监测结果智能分析能耗异常原因。
7.为实现上述目的，根据本发明的第一方面的实施例提出一种适用于近零能耗建筑的室内环境监测系统，包括历史数据收集模块、模型训练模块、实时数据收集模块以及异常分析模块；其中，各个模块之间通过电气和/或无线网络方式连接；
8.其中，所述历史数据收集模块主要用于预先收集若干训练近零能耗建筑内历史的实时室内环境数据，并基于实时室内环境数据为每个训练近零能耗建筑构造训练数据集合；所述训练近零能耗建筑为预先准备用于收集训练数据的近零能耗建筑；
9.所述实时室内环境数据包括实时温度、实时湿度、实时光照强度、实时空气质量以及实时能耗；需要说明的是，实时室内环境数据中各项数据可以使用对应的传感器实时获得；
10.基于实时室内环境数据为每个训练近零能耗建筑构造训练数据集合的方式为：
11.将i为训练近零能耗建筑的数量标记为i，每个训练近零能耗建筑的编号标记为i；将时间按季节进行划分，划分为四个季节，将季节的编号标记为s；
12.对于每个季节s，将每个训练近零能耗建筑的实时温度、实时湿度、实时光照强度、实时空气质量以及实时能耗分别根据该季节中数据采集的时间进行连接，分别获得实时温度曲线、实时湿度曲线、实时光照曲线、实时空气质量曲线以及实时能耗曲线；
13.训练数据集合包括4组季节训练数据；其中，每组季节训练数据分别对应一个季节；每组季节训练数据包括i组训练数据；第i组训练数据集合包括第i个训练近零能耗建筑的实时温度曲线、实时湿度曲线、实时光照曲线、实时空气质量曲线以及实时能耗曲线；
14.所述历史数据收集模块将训练数据集合发送至模型训练模块；
15.其中，所述模型训练模块主要用于基于训练数据集合训练出预测室内第一预测能耗曲线的多特征时间序列预测神经网络模型，并训练出预测第二预测能耗曲线的循环神经网络模型；
16.对于第s个季节，读取对应季节的季节训练数据中的所有训练数据；
17.训练出预测室内第一预测能耗曲线的神经网络模型的方式为：
18.对于第s个季节，根据预设的第一预测时间步长、第一滑动步长以及第一滑动窗口长度，将每组训练数据中的实时温度曲线、实时湿度曲线、实时光照曲线以及实时空气质量曲线转化为若干第一训练样本；将第一训练样本作为多特征时间序列预测神经网络模型的输入，该多特征时间序列预测神经网络模型以预测的后续第一预测时间步长的第一预测能耗曲线作为输出，以第一训练样本的实际后续第一预测时间步长的实时能耗曲线作为预测目标，以预测准确率作为训练目标；对多特征时间序列预测神经网络模型进行训练；生成根据训练数据预测室内能耗的多特征时间序列预测神经网络模型；
19.训练出预测室内第二能耗的神经网络模型方式为：
20.对于第s个季节，根据预设的第二预测时间步长、第二滑动步长以及第二滑动窗口长度，将每组训练数据中的实时能耗曲线使用滑动窗口方法将其转化为若干个第二训练样本，将训练样本作为循环神经网络模型的输入，该循环神经网络模型以预测的未来第二预测时间步长的第二预测能耗作为输出，每个训练样本的后续的实际的第二预测时间步长的实时能耗曲线作为预测目标，以预测准确率作为训练目标；对循环神经网络模型进行训练；生成根据实时能耗曲线预测室内能耗的循环神经网络模型；
21.将第s个季节中，训练完成的多特征时间序列预测神经网络模型标记为ms1，训练完成的循环神经网络模型标记为ms2；
22.所述模型训练模块将多特征时间序列预测神经网络模型ms1以及训练完成的循环神经网络模型ms2发送至异常分析模块；
23.其中，所述实时数据收集模块主要用于收集待监测近零能耗建筑的实时室内环境数据，并生成待监测特征曲线集合；
24.生成待监测特征曲线集合的方式为：
25.在每个季节的开始日期，收集待监测近零能耗建筑的实时室内环境数据，基于实时室内环境数据为每个训练近零能耗建筑构造待监测特征曲线集合；所述待监测特征曲线集合包括实时温度曲线、实时湿度曲线、实时光照曲线、实时空气质量曲线以及实时能耗曲线；
26.所述实时数据收集模块将待监测特征曲线集合发送至异常分析模块；
27.其中，所述异常分析模块主要用于基于待监测特征曲线集合和多特征时间序列预测神经网络模型以及训练完成的循环神经网络模型，对待监测近零能耗建筑内的节能措施进行异常监测；
28.对待监测近零能耗建筑内的节能措施进行异常监测的方式为：
29.将实时温度曲线、实时湿度曲线、实时光照曲线、实时空气质量曲线以及实时能耗曲线输入至对应季节的多特征时间序列预测神经网络模型中，获得对未来第一预测时间步长的能耗进行预测的第一预测能耗曲线；
30.将实时能耗曲线输入至对应季节的循环神经网络模型中，获得对未来第二预测时间步长能耗进行预测的第二预测能耗曲线；
31.继续分别收集未来若干时间内的实际能耗曲线；
32.计算实际能耗曲线的实际平均能耗c3，计算第一预测能耗曲线的第一平均能耗c1，计算第二实际能耗曲线的第二平均能耗c2；
33.第一平均能耗c1/第二平均能耗c2/实际平均能耗c3的计算方式为：利用微积分方法分别计算第一预测能耗曲线/第二实际能耗曲线/实际能耗曲线的实时能耗总和，再将该差值总和除以第一预测能耗曲线/第二实际能耗曲线/实际能耗曲线对应的时长；
34.预设建筑阈值a以及差值阈值b；
35.若c1《a1且c2《a时，若c3》a，向建筑维修中心发起电器维修预警；若c3《a，不做处理；
36.若c1≥a，向建筑维修中心发起建筑节能措施失效预警；
37.若c2≥a，说明历史能耗数据具有超标的风险，若a-c1《b，向建筑维修中心发起建筑节能措施失效预警；若a-c1≥b，向建筑维修中心发起电器维修预警。
38.与现有技术相比，本发明的有益效果是：
39.本发明通过预先收集历史的实时室内环境数据，并基于实时室内环境数据为每个训练近零能耗建筑构造训练数据集合，再基于训练数据集合训练出预测室内第一预测能耗曲线的多特征时间序列预测神经网络模型，并训练出预测第二预测能耗曲线的循环神经网络模型，再实时收集待监测近零能耗建筑的实时室内环境数据，最后基于待监测特征曲线集合和多特征时间序列预测神经网络模型以及训练完成的循环神经网络模型，对待监测近零能耗建筑内的节能措施进行异常监测；实现了对近零能耗建筑室内环境的实时监测，并基于监测结果智能分析能耗异常原因。
附图说明
40.图1为本发明的实施例1中近零能耗建筑的室内环境监测系统的模块连接图。
具体实施方式
41.下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
42.实施例1
43.如图1所示，一种适用于近零能耗建筑的室内环境监测系统，包括历史数据收集模块、模型训练模块、实时数据收集模块以及异常分析模块；其中，各个模块之间通过电气和/或无线网络方式连接；
44.其中，所述历史数据收集模块主要用于预先收集若干训练近零能耗建筑内历史的
实时室内环境数据，并基于实时室内环境数据为每个训练近零能耗建筑构造训练数据集合；所述训练近零能耗建筑为预先准备用于收集训练数据的近零能耗建筑；
45.在一个优选的实施例中，所述实时室内环境数据包括实时温度、实时湿度、实时光照强度、实时空气质量以及实时能耗；需要说明的是，实时室内环境数据中各项数据可以使用对应的传感器实时获得；
46.基于实时室内环境数据为每个训练近零能耗建筑构造训练数据集合的方式为：
47.将i为训练近零能耗建筑的数量标记为i，每个训练近零能耗建筑的编号标记为i；将时间按季节进行划分，划分为四个季节，将季节的编号标记为s；
48.对于每个季节s，将每个训练近零能耗建筑的实时温度、实时湿度、实时光照强度、实时空气质量以及实时能耗分别根据该季节中数据采集的时间进行连接，分别获得实时温度曲线、实时湿度曲线、实时光照曲线、实时空气质量曲线以及实时能耗曲线；
49.训练数据集合包括4组季节训练数据；其中，每组季节训练数据分别对应一个季节；每组季节训练数据包括i组训练数据；第i组训练数据集合包括第i个训练近零能耗建筑的实时温度曲线、实时湿度曲线、实时光照曲线、实时空气质量曲线以及实时能耗曲线；通过将数据按季节进行划分，避免了因季节因素导致的温度、湿度等差异过大的问题，提高了模型预测的准确性；
50.所述历史数据收集模块将训练数据集合发送至模型训练模块；
51.其中，所述模型训练模块主要用于基于训练数据集合训练出预测室内第一预测能耗曲线的多特征时间序列预测神经网络模型，并训练出预测第二预测能耗曲线的循环神经网络模型；
52.对于第s个季节，读取对应季节的季节训练数据中的所有训练数据；
53.在一个优选的实施例中，训练出预测室内第一预测能耗曲线的神经网络模型的方式为：
54.对于第s个季节，根据预设的第一预测时间步长、第一滑动步长以及第一滑动窗口长度，将每组训练数据中的实时温度曲线、实时湿度曲线、实时光照曲线以及实时空气质量曲线转化为若干第一训练样本；将第一训练样本作为多特征时间序列预测神经网络模型的输入，该多特征时间序列预测神经网络模型以预测的后续第一预测时间步长的第一预测能耗曲线作为输出，以第一训练样本的实际后续第一预测时间步长的实时能耗曲线作为预测目标，以预测准确率作为训练目标；对多特征时间序列预测神经网络模型进行训练；生成根据训练数据预测室内能耗的多特征时间序列预测神经网络模型；优选的，所述多特征时间序列预测神经网络模型为lstm神经网络模型；
55.需要说明的是，多特征时间序列预测神经网络作为本领域的现有技术，其本质上为一项工具，在给定具体输入和输出任务的条件下，具体的训练过程和参数设置根据具体工程实现情况而定；
56.训练出预测室内第二能耗的神经网络模型方式为：
57.对于第s个季节，根据预设的第二预测时间步长、第二滑动步长以及第二滑动窗口长度，将每组训练数据中的实时能耗曲线使用滑动窗口方法将其转化为若干个第二训练样本，将训练样本作为循环神经网络模型的输入，该循环神经网络模型以预测的未来第二预测时间步长的第二预测能耗作为输出，每个训练样本的后续的实际的第二预测时间步长的
实时能耗曲线作为预测目标，以预测准确率作为训练目标；对循环神经网络模型进行训练；生成根据实时能耗曲线预测室内能耗的循环神经网络模型；优选的，所述循环神经网络模型为rnn神经网络模型；
58.将第s个季节中，训练完成的多特征时间序列预测神经网络模型标记为ms1，训练完成的循环神经网络模型标记为ms2；
59.具体的，使用滑动窗口方法对训练数据进行转化的一个简单例子如下：假设我们要用历史数据[1,2,3,4,5,6]来训练一个时间预测模型，预测未来1个时间步的值，可以使用长度为6的滑动窗口以及长度为1的第一滑动步长，生成[1,2,3]、[2,3,4]以及[3,4,5]作为训练数据，以[4]、[5]以及[6]分别作为预测目标；
[0060]
可以理解的是，第一能耗为根据室内环境对未来能耗的预测，第二能耗为根据历史能耗数据对未来能耗的预测，当两者偏差较大时，说明近零能耗建筑中的部分节能措施可能失效；
[0061]
所述模型训练模块将多特征时间序列预测神经网络模型ms1以及训练完成的循环神经网络模型ms2发送至异常分析模块；
[0062]
其中，所述实时数据收集模块主要用于收集待监测近零能耗建筑的实时室内环境数据，并生成待监测特征曲线集合；
[0063]
在一个优选的实施例中，生成待监测特征曲线集合的方式为：
[0064]
在每个季节的开始日期，收集待监测近零能耗建筑的实时室内环境数据，基于实时室内环境数据为每个训练近零能耗建筑构造待监测特征曲线集合；所述待监测特征曲线集合包括实时温度曲线、实时湿度曲线、实时光照曲线、实时空气质量曲线以及实时能耗曲线；
[0065]
所述实时数据收集模块将待监测特征曲线集合发送至异常分析模块；
[0066]
其中，所述异常分析模块主要用于基于待监测特征曲线集合和多特征时间序列预测神经网络模型以及训练完成的循环神经网络模型，对待监测近零能耗建筑内的节能措施进行异常监测；
[0067]
在一个优选的实施例中，对待监测近零能耗建筑内的节能措施进行异常监测的方式为：
[0068]
将实时温度曲线、实时湿度曲线、实时光照曲线、实时空气质量曲线以及实时能耗曲线输入至对应季节的多特征时间序列预测神经网络模型中，获得对未来第一预测时间步长的能耗进行预测的第一预测能耗曲线；
[0069]
将实时能耗曲线输入至对应季节的循环神经网络模型中，获得对未来第二预测时间步长能耗进行预测的第二预测能耗曲线；
[0070]
继续分别收集未来若干时间内的实际能耗曲线；
[0071]
计算实际能耗曲线的实际平均能耗c3，计算第一预测能耗曲线的第一平均能耗c1，计算第二实际能耗曲线的第二平均能耗c2；
[0072]
需要说明的是，第一平均能耗c1/第二平均能耗c2/实际平均能耗c3的计算方式为：利用微积分方法分别计算第一预测能耗曲线/第二实际能耗曲线/实际能耗曲线的实时能耗总和，再将该差值总和除以第一预测能耗曲线/第二实际能耗曲线/实际能耗曲线对应的时长；
[0073]
预设建筑阈值a以及差值阈值b；
[0074]
若c1《a1且c2《a时，说明基于室内环境数据预测的能耗与基于历史能耗预测的能耗均符合节能标准，若c3》a，说明实际能耗超标，可能存在电器老化现象，向建筑维修中心发起电器维修预警；若c3《a，不做处理；
[0075]
若c1≥a，说明基于室内环境数据预测的能耗不符合节能标准，向建筑维修中心发起建筑节能措施失效预警；
[0076]
若c2≥a，说明历史能耗数据具有超标的风险，若a-c1《b，则说明基于室内环境数据预测的能耗也偏大，能耗数据可能是由建筑节能措施失效导致，向向建筑维修中心发起建筑节能措施失效预警；若a-c1≥b，则说明建筑节能措施无问题，向建筑维修中心发起电器维修预警。
[0077]
以上实施例仅用以说明本发明的技术方法而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方法进行修改或等同替换，而不脱离本发明技术方法的精神和范围。

技术特征：
1.一种适用于近零能耗建筑的室内环境监测系统，其特征在于，包括历史数据收集模块、模型训练模块、实时数据收集模块以及异常分析模块；其中，各个模块之间通过电气和/或无线网络方式连接；历史数据收集模块，预先收集若干训练近零能耗建筑内历史的实时室内环境数据，并基于实时室内环境数据为每个训练近零能耗建筑构造训练数据集合，并将训练数据集合发送至模型训练模块；模型训练模块，基于训练数据集合训练出预测室内第一预测能耗曲线的多特征时间序列预测神经网络模型，并训练出预测第二预测能耗曲线的循环神经网络模型，并将多特征时间序列预测神经网络模型以及训练完成的循环神经网络模型发送至异常分析模块；实时数据收集模块，收集待监测近零能耗建筑的实时室内环境数据，并生成待监测特征曲线集合，并将待监测特征曲线集合发送至异常分析模块；所述异常分析模块，基于待监测特征曲线集合和多特征时间序列预测神经网络模型以及训练完成的循环神经网络模型，对待监测近零能耗建筑内的节能措施进行异常监测。2.根据权利要求1所述的一种适用于近零能耗建筑的室内环境监测系统，其特征在于，所述实时室内环境数据包括实时温度、实时湿度、实时光照强度、实时空气质量以及实时能耗；基于实时室内环境数据为每个训练近零能耗建筑构造训练数据集合的方式为：将i为训练近零能耗建筑的数量标记为i，每个训练近零能耗建筑的编号标记为i；将时间按季节进行划分，划分为四个季节，将季节的编号标记为s；对于每个季节s，将每个训练近零能耗建筑的实时温度、实时湿度、实时光照强度、实时空气质量以及实时能耗分别根据该季节中数据采集的时间进行连接，分别获得实时温度曲线、实时湿度曲线、实时光照曲线、实时空气质量曲线以及实时能耗曲线；训练数据集合包括4组季节训练数据；其中，每组季节训练数据分别对应一个季节；每组季节训练数据包括i组训练数据；第i组训练数据集合包括第i个训练近零能耗建筑的实时温度曲线、实时湿度曲线、实时光照曲线、实时空气质量曲线以及实时能耗曲线。3.根据权利要求2所述的一种适用于近零能耗建筑的室内环境监测系统，其特征在于，训练出预测室内第一预测能耗曲线的神经网络模型的方式为：对于第s个季节，读取对应季节的季节训练数据中的所有训练数据；对于第s个季节，根据预设的第一预测时间步长、第一滑动步长以及第一滑动窗口长度，将每组训练数据中的实时温度曲线、实时湿度曲线、实时光照曲线以及实时空气质量曲线转化为若干第一训练样本；将第一训练样本作为多特征时间序列预测神经网络模型的输入，该多特征时间序列预测神经网络模型以预测的后续第一预测时间步长的第一预测能耗曲线作为输出，以第一训练样本的实际后续第一预测时间步长的实时能耗曲线作为预测目标，以预测准确率作为训练目标；对多特征时间序列预测神经网络模型进行训练；生成根据训练数据预测室内能耗的多特征时间序列预测神经网络模型。4.根据权利要求3所述的一种适用于近零能耗建筑的室内环境监测系统，其特征在于，训练出预测室内第二能耗的神经网络模型方式为：对于第s个季节，读取对应季节的季节训练数据中的所有训练数据；对于第s个季节，根据预设的第二预测时间步长、第二滑动步长以及第二滑动窗口长
度，将每组训练数据中的实时能耗曲线使用滑动窗口方法将其转化为若干个第二训练样本，将训练样本作为循环神经网络模型的输入，该循环神经网络模型以预测的未来第二预测时间步长的第二预测能耗作为输出，每个训练样本的后续的实际的第二预测时间步长的实时能耗曲线作为预测目标，以预测准确率作为训练目标；对循环神经网络模型进行训练；生成根据实时能耗曲线预测室内能耗的循环神经网络模型。5.根据权利要求4所述的一种适用于近零能耗建筑的室内环境监测系统，其特征在于，生成待监测特征曲线集合的方式为：在每个季节的开始日期，收集待监测近零能耗建筑的实时室内环境数据，基于实时室内环境数据为每个训练近零能耗建筑构造待监测特征曲线集合；所述待监测特征曲线集合包括实时温度曲线、实时湿度曲线、实时光照曲线、实时空气质量曲线以及实时能耗曲线。6.根据权利要求5所述的一种适用于近零能耗建筑的室内环境监测系统，其特征在于，对待监测近零能耗建筑内的节能措施进行异常监测的方式为：将实时温度曲线、实时湿度曲线、实时光照曲线、实时空气质量曲线以及实时能耗曲线输入至对应季节的多特征时间序列预测神经网络模型中，获得对未来第一预测时间步长的能耗进行预测的第一预测能耗曲线；将实时能耗曲线输入至对应季节的循环神经网络模型中，获得对未来第二预测时间步长能耗进行预测的第二预测能耗曲线；继续分别收集未来若干时间内的实际能耗曲线；计算实际能耗曲线的实际平均能耗c3，计算第一预测能耗曲线的第一平均能耗c1，计算第二实际能耗曲线的第二平均能耗c2；预设建筑阈值a以及差值阈值b；若c1<a1且c2<a时，若c3>a，向建筑维修中心发起电器维修预警；若c3<a，不做处理；若c1≥a，向建筑维修中心发起建筑节能措施失效预警；若c2≥a，说明历史能耗数据具有超标的风险，若a-c1<b，向建筑维修中心发起建筑节能措施失效预警；若a-c1≥b，向建筑维修中心发起电器维修预警。7.根据权利要求6所述的一种适用于近零能耗建筑的室内环境监测系统，其特征在于，第一平均能耗c1/第二平均能耗c2/实际平均能耗c3的计算方式为：利用微积分方法分别计算第一预测能耗曲线/第二实际能耗曲线/实际能耗曲线的实时能耗总和，再将该差值总和除以第一预测能耗曲线/第二实际能耗曲线/实际能耗曲线对应的时长。

技术总结
本发明公开了一种适用于近零能耗建筑的室内环境监测系统，涉及近零能耗建筑技术领域，通过预先收集历史的实时室内环境数据，为每个训练近零能耗建筑构造训练数据集合，基于训练数据集合训练出预测室内第一预测能耗曲线的多特征时间序列预测神经网络模型，并训练出预测第二预测能耗曲线的循环神经网络模型，基于待监测特征曲线集合和多特征时间序列预测神经网络模型以及训练完成的循环神经网络模型，对待监测近零能耗建筑内的节能措施进行异常监测；实现了对近零能耗建筑室内环境的实时监测，并基于监测结果智能分析能耗异常原因。因。因。


技术研发人员：陈廷敏
受保护的技术使用者：宁夏中昊银晨能源技术服务有限公司
技术研发日：2023.06.05
技术公布日：2023/9/14