神经网络优化算法的建筑运行阶段碳排放智能预测方法

文献发布时间：2024-04-18 19:59:31

技术领域

本发明涉及一种智能预测方法，尤其涉及一种神经网络优化算法的建筑运行阶段碳排放智能预测方法。

背景技术

随着全球对碳排放的关注增加，建筑行业也面临着减少碳排放的挑战，在建筑全生命周期中，建筑运行中的碳排放量占比高达总量的60％，不同建筑类型(例如办公室、展馆、商场、教育等公共建筑与各类居住建筑)在运行中，其碳排放的来源不尽相同。使用单一模型进行计算建筑运行期间的碳排放量，所计算的结果会带来一定的偏差，对建筑运营商的采用的减碳策略造成影响。

同时，建筑运行阶段的碳排放量并不是一成不变的，一些外部因素，例如气候，建筑人流量，运行时能源价格波动等因素，都会对最后的碳排放量计算产生影响，因此，需要设计一种动态的、智能的建筑运行阶段碳排放预测系统。

发明内容

本发明主要是解决现有技术中存在的不足，提供一种能够基于神经网络优化算法，对建筑的日常碳排放进行预测计算，从而为建筑运营商提供减少碳排放的策略建议的神经网络优化算法的建筑运行阶段碳排放智能预测方法。

本发明的上述技术问题主要是通过下述技术方案得以解决的：

一种神经网络优化算法的建筑运行阶段碳排放智能预测方法，通过碳排放智能预测系统按以下步骤进行：

步骤①：建立建筑内IoT平台模块，用于收集和处理与建筑碳排放相关的各种数据，并根据以下五大类进行分类：(1)建筑能耗、(2)材料消耗、(3)气象数据、(4)建筑活动情况、(5)可再生能源；并对各类数据进行实施记录与监测；将5类数据中能耗相关数据进行计算，取得相应的碳排放量:

获取一段天数时间内建筑运行的各类能耗，并计算为碳排放量；

获取一段天数时间内建筑运行的各类材料损耗，并根据材料碳排放因子计算为碳排放量；

获取一段天数时间内建筑运行的气象数据；

获取一段天数时间内建筑运行时的活动情况；

获取一段天数时间内建筑附属可再生能源所产生的能源量，并计算为碳抵消量；

步骤②：根据建筑运营商要求，制定当年度建筑运行碳排放总量与平均建筑运行日碳排放量；

步骤③：建立碳排放计算模块，筛选平台数据，计算碳排放量；

步骤④：搭建神经网络模块，处理输入数据，并对预测日常碳排放量；

步骤⑤：搭建优化算法模块，使用优化算法调整神经网络内参数权重，优化预测误差，优化结果反馈回神经网络模块；

步骤⑥：基于预测碳排放结果，生成建筑运行碳排放报告与策略建议；

步骤⑦：根据碳排放报告与策略建议，更新神经网络各权重，进行有指向性的模型优化。

作为优选，按以下步骤进行：

步骤001：建立建筑IoT平台模块，通过建筑内传感器、监测仪表、建筑IoT平台收集运行阶段的数据，包括(1)建筑能耗、(2)材料消耗、(3)气象数据、(4)建筑活动情况、(5)可再生能源五大类数据；

步骤002：建立碳排放计算模块，筛选5大类数据中与建筑运行碳排放量直接相关数据，其他类数据作为权重矩阵中的输入特征数据；

步骤003：搭建神经网络模型，根据系统中的储存数据，计算建筑运行实际日碳排放量C

搭建的计算系统：

步骤S001，从建筑IoT平台模块进行数据收集和分类，并将有效数据导入碳排放计算模块；

步骤S002，计算建筑运行阶段碳排放量，并将计算碳排放量和有效数据导入神经网络模块，神经网络模块包括输入层、隐藏层和输出层；

步骤S003，在输入层中处理各类碳排放量；

输入层X＝[x

步骤S004，对于给定的输入碳排放量X，通过神经网络进行前向传播，计算各层输出值，可计算输出层预测日碳排放量C

，其中W

步骤S005，输出预测碳排放量值，同时将神经网络模块中权重、偏置变量输出至优化算法模块；

步骤004，搭建优化算法模块，使用优化算法调整神经网络内参数权重，优化预测误差，使用均方误差函数计算损失；

步骤S006，根据损失函数

步骤S007，在计算每一天的预测值C

计算输出层梯度：δ

计算第二隐藏层梯度：δ

计算第一隐藏层梯度：δ

更新第二隐藏层到输出层的权重：Δw

更新第一隐藏层到第二隐藏层的权重：Δw

更新输入层到第一隐藏层的权重：Δw

更新第二隐藏层到输出层的偏置向量：Δb

更新第一隐藏层到第二隐藏层的偏置向量：Δb

更新输入层到第一隐藏层的偏置向量：Δb

步骤S008，可根据运营商后端对碳排放量控制的特殊要求，输入指向性调整至神经网络模块；

步骤005：基于该算法，获得更加精确的预测日碳排放量，生成建筑运行碳排放报告与策略建议：

系统可将碳排放报告通过建筑IoT平台进行可视化处理，供建筑运营商和用户在建筑内控制面板中查看；

系统可联网后将碳排放报告上传云端，供建筑运营商和用户在移动端远程查阅；

系统可根据预测碳排放量，设置建筑内各类系统运行时的能耗阈值，当能耗超过阈值后，系统可向建筑运营商发送预警消息，及时调整建筑内系统运行工况；

步骤006：根据碳排放报告与策略建议，建筑运营商可指向性调节更新神经网络各参数，进一步优化预测系统：

根据系统生成的运行策略建议，建筑运营商可以预先将运行策略输入各类能耗系统，并利用该系统实时监控各类能耗系统的运行工况，从而降低建筑运行阶段的碳排放量；

根据系统生成的碳排放量报告，计算单位建筑面积内的年碳排放量，对建筑运行情况进行评估，为后续低碳建筑等认证提供数据支持；

系统碳排放报告生成的数据，可导出形成CSV格式文件，可导入现有大部分数据分析软件，供科研院所进一步研究；

系统碳排放报告生成的数据，可通过Grasshopper平台，将形成的三维碳排放分布模型、二维碳排放分布模型在Rhino软件中显示，可导出形成DWG格式文件。

建筑内IoT平台模块具有可视化功能，可将碳排放数据投影至展示界面。

建筑内IoT平台模块具有用户反馈系统，允许建筑内用户提供关于室内环境的反馈。并根据用户反馈调整设备的运行，确保既满足舒适度要求，又达到碳排放目标。

建筑内IoT平台模块具有设备效率报告功能，可分析各种建筑设备的能效，并为运营者提供报告，并提供设备升级或更换的建议，提高能效并减少碳排放。

碳排放计算模块具有能源来源分析功能，可选择建筑使用能源来源，能源来源包括太阳能、风能、电能等。

碳排放计算模块具有设备优先级设置功能，可选择不同建筑设备设置优先级，在需要减少碳排放时，系统会根据设备的优先级进行调整。不同建筑设备指空调、照明、电梯等。

神经网络模块具有网络结构选择功能，可根据IoT平台模块中的数据进行调整，选择使用浅层网络或深度网络。

神经网络模块具有激活函数选择功能，可根据IoT平台模块中的数据分类进行调整，选择使用ReLU、Sigmoid等激活函数。

神经网络模块具有反向传播算法功能，可根据建筑运行实际日碳排放量等数据，更新迭代神经网络中的权重参数。

优化算法模块具有算法选择功能，可根据优化精度要求，选择使用SGD、Momentum、Adam等优化算法。

优化算法模块具有学习率调整功能，可根据优化深度要求，选择固定学习率或动态学习率。

本发明涉及的碳排放智能预测系统，具有与其他系统集成的权限，便于接入地区碳排放监测系统。

建筑内IoT平台模块，可监测并记录一段时间内的建筑能耗，包括空调、照明、通风、电器插座、电梯、其他等产生的能量消耗。

建筑内IoT平台模块，可监测并记录一段时间内的建筑运行中的材料消耗，包括建筑内维护修理、建筑内使用部件更换、建筑内二次装修等产生的材料消耗。

建筑内IoT平台模块，可监测并记录一段时间内的气象数据，包括气温、相对湿度、太阳照度、风速等。

建筑内IoT平台模块，可监测并记录一段时间内的建筑活动情况，包括瞬时人员密度、瞬时人员在室率，瞬时室内人员活动强度等。

碳排放计算模块，可对建筑运行阶段碳排放量、可再生能源降碳量分类分项动态统计、计算。

碳排放计算模块，可按照建筑运营商后期需要，增加建筑绿地碳汇、外部碳汇购买功能。对建筑碳抵消量的分类分项动态统计、计算。

神经网络模块，可基于神经网络计算方法，对建筑运行阶段各类碳排放量进行计算，并预测未来时间段的内碳排放值。

神经网络模块，可根据建筑面积、建筑内能耗系统规模，建筑复杂程度等条件，对神经网络深度层数进行调整，以便满足系统的计算效率。

优化算法模块，可基于优化算法，基于建筑运行阶段各类数据和实际碳排放量进行反馈，从而优化未来时间段的内碳排放预测值的精度。

碳排放智能预测系统，包括碳排放相关数据的数据库，可长期独立储存碳排放相关数据信息。

碳排放智能预测系统，可基于Python、Matlab、C++等计算机开源语言进行编写，便于后期的更新与维护。

碳排放智能预测系统，可采用TensorFlow、PyTorch、Matlab等开源框架搭建算法模型，便于模型的创建和训练。

碳排放智能预测系统，对于具有多种用途、性质的大型建筑综合体，可以按照建筑功能、房间用途等条件进行划分区域，对具有相似功能的房间进行分类归纳，并进行监测与预测碳排放量，从而进一步提高预测的准确性。

碳排放智能预测系统，可以实时进行碳排放数据的查询、预警、记录和下载，并生产建筑碳排放报表。

碳排放智能预测系统，结合计算机应用，可提供一种计算机操作软件，包括数据收集与预处理模块、神经网络模型训练模块、优化算法模块、实时监控与反馈模块、数据存储与管理模块、用户界面模块、API与集成模块和安全与权限管理模块

碳排放智能预测系统，其数据收集与预处理模块可从IoT设备和其他数据源收集数据，进行数据的筛选、标准化和转换，为神经网络模型提供适当格式的输入数据。

碳排放智能预测系统，其数据收集与预处理模块可根据需求增加更多的数据源，如天气预报、能源价格等，以提供更精确的支持数据。

碳排放智能预测系统，其神经网络模型训练模块使用建筑运行的历史数据训练神经网络模型，以计算和预测碳排放量。

碳排放智能预测系统，其优化算法模块，可基于神经网络的计算结果进行优化，提供具有自我优化的建筑运行阶段碳排放预测计算方法。

碳排放智能预测系统，其实时监控与反馈模块，可实时显示当前的碳排放数据、预测结果和优化建议，具有报警功能，当碳排放超过阈值时自动发送通知。

碳排放智能预测系统，其实时监控与反馈模块，可提供建筑运行的优化建议，如调整空调系统的运行时间、更改照明策略等。

碳排放智能预测系统，其数据存储与管理模块，可存储历史数据、模型参数和优化结果，支持数据查询和报告生成。可增设数据备份和恢复功能，确保数据的安全性。

碳排放智能预测系统，其用户界面模块，具有友好的操作界面，使用户可以轻松地查看预测结果、优化建议和其他相关信息。并可以增加多语言支持、自定义仪表板和数据可视化工具。

碳排放智能预测系统，其API与集成模块可为系统提供APIs，使软件与其他建筑管理系统、能源管理系统等集成使用。

碳排放智能预测系统，其安全与权限管理模块可增加多级认证、数据加密等其他高级安全功能，确保数据的安全性，并提供用户认证和授权功能。

因此，本发明的一基于神经网络优化算法的建筑运行阶段碳排放智能预测方法，根据系统生成的运行策略建议，建筑运营商可以预先将运行策略输入各类能耗系统，并利用该系统实时监控各类能耗系统的运行工况，从而降低建筑运行阶段的碳排放量；根据系统生成的碳排放量报告，计算单位建筑面积内的年碳排放量，对建筑运行情况进行评估；为后续低碳建筑等认证提供数据支持；系统碳排放报告生成的数据，可导出形成CSV格式文件，可导入现有大部分数据分析软件，供科研院所进一步研究；系统碳排放报告生成的数据，可通过Grasshopper平台，将形成的三维碳排放分布模型、二维碳排放分布模型在Rhino软件中显示，可导出形成DWG格式文件。

附图说明

图1为本发明的流程图；

图2为本发明中该预测操作软件内部计算流程图。

具体实施方式

下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。

实施例1：如图所示，神经网络优化算法的建筑运行阶段碳排放智能预测方法，通过碳排放智能预测系统按以下步骤进行：