一种基于智能建筑AI的能耗分析诊断方法

技术领域

本发明可应用于高铁站、政府办公大楼、酒店、医院、园区、写字楼等大型商用建筑系统的能耗分析领域，具体涉及一种基于智能建筑AI的能耗分析诊断方法。

背景技术

现有的智能建筑能耗管理模式：

(1)只能根据现有数据生成的图表及运维人员的经验去判断能耗是否有问题，指标定制不够灵活多变且往往是已产生能耗异常过后的一段时间内才发现问题。

(2)发生能耗相关问题时无法快速定位问题原因，需要咨询各个设备的运维人员。

(3)需要人员对设备进行确认后逐个进行调度，容易发生疏漏或下发错误指令等问题。

发明内容

本发明的目的在于提供一种基于智能建筑AI的能耗分析诊断方法，通过在智能建筑中引入AI模块，根据能耗趋势预测达到提前预警，缩短能耗异常问题诊断的时间及响应时间，同一规范的执行设备操作，达成从能耗分析到能耗异常及异常定位、诊断最后解决的一体化服务。

为实现上述目的，本发明的技术方案是：一种基于智能建筑AI的能耗分析诊断方法，通过智能建筑的采集网关采集设备能耗使用数据，使用数据分析算法+AI深度学习模型进行可视化处理及异常分析，实现数据透明、智能运维和设备智能调度的服务。

在本发明一实施例中，所述AI深度学习模型包括LSTM、GRU和DNN。

在本发明一实施例中，通过数据分析算法中的数据挖掘技术和LSTM对设备能耗使用数据进行可视化处理，其中LSTM公式如下：

其中

在本发明一实施例中，通过数据分析算法和GRU对设备能耗使用数据进行趋势预测并对可能发生的异常值进行预警，并使用DNN与大数据技术实现的专家模型生成异常检测报告和处理方案，而后使用IBMS的楼宇自控技术在已授权的情况下根据处理方案进行一键式控制，调整设备运行功能以达到减少能耗的目的，GRU的基本公式如下：

其中X

相较于现有技术，本发明具有以下有益效果：本发明方法通过在智能建筑中引入AI模块，根据能耗趋势预测达到提前预警，缩短能耗异常问题诊断的时间及响应时间，同一规范的执行设备操作，达成从能耗分析到能耗异常及异常定位、诊断最后解决的一体化服务。

附图说明

图1为本发明方法流程示意图。

图2为本发明方法中能耗预测图：通过能耗模型来预测未来

图3为本发明方法中能耗诊断图(通过发生能耗异常，显示能耗23小时使用情况)。

具体实施方式

下面结合附图，对本发明的技术方案进行具体说明。

如图1所示，本发明一种基于智能建筑AI的能耗分析诊断方法，通过智能建筑的采集网关采集设备能耗使用数据，使用数据分析算法+AI深度学习模型进行可视化处理及异常分析，实现数据透明、智能运维和设备智能调度的服务。所述AI深度学习模型包括LSTM、GRU和DNN。

具体的本发明首先生成数据报表，即通过数据分析算法中的数据挖掘技术和LSTM对设备能耗使用数据进行可视化处理，其中LSTM公式如下：

其中

如图2所示，可以看到根据图例每隔半个小时采集一次一天内的采集信息，以及根据算法后分析出的预测的采集点信息表1。

表1

而后，生成异常分析检测与修复方案，即通过数据分析算法和GRU对设备能耗使用数据进行趋势预测并对可能发生的异常值进行预警，并使用DNN与大数据技术实现的专家模型生成异常检测报告和处理方案，而后使用IBMS的楼宇自控技术在已授权的情况下根据处理方案进行一键式控制，调整设备运行功能以达到减少能耗的目的，GRU的基本公式如下：

其中X

图3为本发明方法中能耗诊断图，通过发生能耗异常，显示能耗23小时使用情况。

本实例中，根据水表用水量情况采集分析可参见表2所示。

表2

以下为本发明一具体实例。

本实施例提供一种IBMS与AI结合对已授权的房间空调进行控制以达到降低能耗的办公大楼的案例。该案例包括：软件系统、硬件设备和AI模型。

软件系统包括：设备智能调度系统，设备监控系统，智慧能耗分析系统。

硬件设备包括：摄像头、门禁设备、系统服务器、空调。

AI模型包括：LSTM模型，DNN模型，GRU模型

本实施例的工作过程如下：

步骤S1、下班后房间的空调仍在工作。

步骤S2、智慧能耗分析系统通过LSTM模型和GRU模型分析得到未来能耗趋势与以往存在差异并使用DNN模型分析得出是由于该时间段房间空调仍在工作造成的，并提交关闭房间空调的方案给设备智能调度系统。

步骤S3、设备智能调度系统确认设备授权信息并向设备监控系统确认房间是否有人。

步骤S4、设备监控系统通过摄像头和门禁确认房间人数情况。

步骤S5、当房间无人时则将关闭空调，否则根据相关匹配规则更改为其他指令操作或不进行任何操作。

以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。