建筑能耗优化方法及设备、可读存储介质

技术领域

本申请涉及能耗优化技术领域，尤其涉及一种建筑能耗优化方法及设备、可读存储介质。

背景技术

随着经济的发展，人民对生活品质的要求也随之提高，尤其是对于室内环境舒适度的要求。

然而，为了保证室内环境的是舒适度，通过空调系统对室内环境的状态进行调节，并造成了大量能耗。由于目前的空调系统无法根据环境因素进行自行调节，造成大量不必要的能量耗损。

发明内容

本申请旨在至少解决现有技术中存在的技术问题之一。为此，本申请提出一种建筑能耗优化方法及设备、可读存储介质，本申请所提供的建筑能耗优化方法将最优空调控制序列逐一下发至空调系统，以在通过空调系统调节室内环境的舒适度的同时，降低空调系统的能耗。

本申请实施例第一方面提供一种建筑能耗优化方法，包括：

获取室内环境参数、室外环境参数、初始空调参数；

根据第一偏置ReLU网络模型对所述室内环境参数、所述室外环境参数、所述初始空调参数、当前时间参数进行网络模拟计算，得到室温序列参数；

根据第二偏置ReLU网络模型对所述室内环境参数、所述室外环境参数、所述初始空调参数、所述当前时间参数进行网络预测处理，得到能耗参数；

根据优化算法对所述室温序列参数、所述室内环境参数、所述室外环境参数、所述能耗参数进行求解处理得到最优空调控制序列；

根据所述最优空调控制序列对空调进行控制调节。

本申请实施例中建筑能耗优化方法包括如下技术效果：通过优化算法求解得到最优空调控制序列，并根据最优空调控制序列调控空调系统，以在通过空调系统可调节室内环境的舒适度的同时，降低空调系统的能耗。

在一些实施例中，所述室内环境参数包括当前室内温度，所述室外环境参数包括室外温度参数、室外湿度参数、太阳辐射率，所述初始空调参数包括空调工作参数。

在一些实施例中，所述第一偏置ReLU网络模型，还包括：输入层，用于接收初始数据；

第一虚拟层，与所述输入层连接，用于对所述初始数据进行权重矩阵映射及批归一化处理，得到第一映射数据；

第一隐藏层，与所述第一虚拟层连接，用于对所述第一映射数据进行偏置处理，得到第一偏置映射数据；

第二虚拟层，与所述第一隐藏层连接，用于对所述第一偏置映射数据进行权重矩阵映射及批归一化处理，得到第二映射数据；

级联网络层组，与所述第二虚拟层连接，用于对所述第二映射数据进行数据处理，得到次级偏置映射数据；

输出层，与所述级联网络层组连接，用于对所述次级偏置映射数据进行加权求和，得到输出数据；

其中，所述级联网络层组由交替设置的隐藏层、虚拟层组成，所述数据处理至少包括偏置处理、权重矩阵映射、批归一化处理中的一种。

在一些实施例中，所述输入层包括多个维度，第一虚拟层包括多个第一虚拟节点；

其中，所述维度的数量与所述第一虚拟节点的数量相对应。

在一些实施例中，所述第一隐藏层包括多个第一隐藏神经元；

每一个所述第一虚拟节点的输出作为至少两个所述第一隐藏神经元的输入。

在一些实施例中，所述第二虚拟层包括多个第二虚拟节点；所述第二虚拟节点用于对输入数据进行批归一化处理。

在一些实施例中，所述第二偏置ReLU网络模型，还包括：

输入层，用于接收初始数据；

第一虚拟层，与所述输入层连接，用于对所述初始数据进行权重矩阵映射及批归一化处理，得到第一映射数据；

第一隐藏层，与所述第一虚拟层连接，用于对所述第一映射数据进行偏置处理，得到第一偏置映射数据；

第二虚拟层，与所述第一隐藏层连接，用于对所述第一偏置映射数据进行权重矩阵映射及批归一化处理，得到第二映射数据；

级联网络层组，与所述第二虚拟层连接，用于对所述第二映射数据进行数据处理，得到次级偏置映射数据；

输出层，与所述级联网络层组连接，用于对所述次级偏置映射数据进行加权求和，得到输出数据；

其中，所述级联网络层组由交替设置的隐藏层、虚拟层组成，所述数据处理至少包括偏置处理、权重矩阵映射、批归一化处理中的一种。

在一些实施例中，所述最优空调控制序列包括多个空调控制子信号，所述根据所述最优空调控制序列对空调进行控制调节包括：

将所述空调控制子信号依次下发至所述空调系统，以调控所述空调系统的工作状态。

本申请实施例第二方面提供一种计算机可读存储介质，存储有计算机可执行指令，所述计算机可执行指令用于：执行上述任一实施例中的建筑能耗优化方法。

本申请实施例第三方面提供一种计算机可读存储介质，存储有计算机可执行指令，所述计算机可执行指令用于：执行上述任一实施例中的建筑能耗优化方法。

本申请的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显。

附图说明

下面结合附图和实施例对本申请做进一步的说明，其中：

图1为本申请一实施例一种建筑能耗优化方法的流程图；

图2为本申请又一实施例的第一偏置ReLU网络模型的处理流程图；

图3为本申请再一实施例的的第一偏置ReLU网络模型的处理流程图；

图4为本申请又一实施例偏置ReLU网络模型的架构图；

图5为本申请还一实施例空调设置序列效果图；

图6为本申请还一实施例空调设置序列效果图。

具体实施方式

下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本申请，而不能理解为对本申请的限制。

在本申请的描述中，需要理解的是，涉及到方位描述，例如上、下、前、后、左、右等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。

在本申请的描述中，若干的含义是一个以上，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。

本申请的描述中，除非另有明确的限定，设置、安装、连接等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本申请中的具体含义。

本申请的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

随着经济的发展，人民对生活品质的要求也随之提高，尤其是对于室内环境舒适度的要求。

然而，为了保证室内环境的是舒适度，通过空调系统对室内环境的状态进行调节，并造成了大量能耗。由于目前的空调系统无法根据环境因素进行自行调节，造成大量不必要的能量耗损。

基于上述问题本申请提供一种建筑能耗优化方法，通过使用链接超平面神经网络模型对建筑系统进行较为精确的建模，并采用遗传算法对模型输出进行优化，从而实现建筑能耗的优化。

请参照图1，在一些实施例中，建筑能耗优化方法，包括：步骤S100、获取室内环境参数、室外环境参数、初始空调参数；步骤S200、根据第一偏置ReLU网络模型对室内环境参数、室外环境参数、初始空调参数、当前时间参数进行网络模拟计算，得到室温序列参数；步骤S300、根据第二偏置ReLU网络模型对室内环境参数、室外环境参数、初始空调参数、当前时间参数进行网络预测处理，得到能耗参数；步骤S400、根据优化算法对室温序列参数、室内环境参数、室外环境参数、能耗参数进行求解处理得到最优空调控制序列；步骤 S500、根据最优空调控制序列对空调进行控制调节。

通过预设传感器对室内环境、室外环境进行检测，以得到室内环境参数、室外环境参数、初始空调参数。通过室内环境参数、室外环境参数、初始空调参数表征对应的建筑能耗状态，以构建初步的建筑能耗模型。其中，优化算法可具体为遗传算法。

进一步地，通过第一偏置ReLU网络模型对室内环境参数、室外环境参数、初始空调参数、当前时间参数进行网络模拟计算以得到下一时刻的室温值，并根据下一个时刻的室温值进行循环迭代处理，以得到对应于连续时间段内各个时刻的室温值，即室温序列参数。

与此同时，将室内环境参数、室外环境参数、初始空调参数、当前时间参数作为第二偏置ReLU网络模型的输入，第二偏置ReLU网络模型对输入传输进行网络预测处理，以得到能耗参数。其中，能耗参数至少包括当前时刻的能耗数据。将能耗参数作为优化的目标函数，并通过优化算法对室温序列参数、能耗参数进行求解处理，以得到用于调控空调系统的最优空调控制序列，根据最优空调控制序列对空调进行的工作状态进行调控。

在一些实施例中，建筑能耗优化方法，室内环境参数包括当前室内温度，室外环境参数包括室外温度参数、室外湿度参数、太阳辐射率，初始空调参数包括空调工作参数。

可以理解的，通过当前室内温度、室外温度参数、室外湿度参数、太阳辐射率、空调工作参数、当前时间参数作为第一偏置ReLU网络模型、第二偏置ReLU网络模型的输入，并得到对应的室温序列参数、最优空调控制序列。通过室温序列参数表征未来一段时间内的室温变化状态，并通过最优算法对能耗参数进行最优求解处理，以得到能耗参数的最优解，从而有效地在保证室内环境舒适度的同时，降低空调系统的能耗。

请参照图2、图4，在一些实施例中，第一偏置ReLU网络模型，包括：输入层，用于接收初始数据；第一虚拟层，与输入层连接，用于对初始数据进行权重矩阵映射及批归一化处理，得到第一映射数据；第一隐藏层，与第一虚拟层连接，用于对第一映射数据进行偏置处理，得到第一偏置映射数据；第二虚拟层，与第一隐藏层连接，用于对第一偏置映射数据进行权重矩阵映射并批归一化，得到第二映射数据；级联网络层组，与第二虚拟层连接，用于对第二映射数据进行偏置处理，得到次级偏置映射数据；输出层，与级联网络层组组连接，用于对次级偏置映射数据进行加权求和，得到输出数据。其中，级联网络层组由交替设置的隐藏层、虚拟层组成，数据处理至少包括偏置处理、权重矩阵映射、批归一化处理中的一种。

可以理解的是，第一偏置ReLU网络模型包括多层神经网络层。第一层神经网络层为输入层，用于接收初始数据，并将初始数据映射至第一虚拟层中；第一虚拟层根据输入层的输出数据进行权重矩阵映射及批归一化处理，以输出第一映射数据；第一隐藏层根据第一虚拟层的输出数据进行偏置处理，得到第一偏置映射数据；第二虚拟层对第一隐藏层的输出数据 (第一偏置映射数据)进行权重矩阵映及批归一化处理，得到第二映射数据。

级联网络层组由多个隐藏层和虚拟层级联构成，每个隐藏层根据前一个虚拟层的输出数据进行偏置处理，得到偏置映射数据，每一个虚拟层对前一个隐藏层的输出进行偏置处理及批归一化，并将得到的数据作为下一个神经网络层的输入。输出层用于对级联网络层组的次级映射数据进行加权求和以得到对应输出数据。

在一些实施例中，输入层包括多个维度的输入，第一虚拟层包括多个第一虚拟节点，每一个第一虚拟节点用于对输入数据进行批归一化；每一个维度的输出至少作为两个第一虚拟节点的输入，每一个虚拟层节点的输出至少作为两个第一隐藏神经元的输入；其中，维度的维数与第一虚拟节点的数量相对应。

如图所示，输入层包括多个维度，用于分别接收室内环境参数、室外环境参数、初始空调参数。进一步地，输入层将接收到的数据分别映射至第一虚拟层，并进行批归一化处理，以作为第一虚拟节点的输入。

每一个虚拟层节点的输出至少作为两个第一隐藏神经元的输入。可以理解的是，根据室内环境参数、室外环境参数、初始空调参数、时间参数之间的关系，将相关参数映射至第一虚拟层的层节点中，以进行批归一化处理。

在一些实施例中，第一隐藏层包括多个维度的输入；每一个第一虚拟节点的输出作为至少两个第一隐藏神经元的输入。

进一步地，第一隐藏层包括多个第一隐藏神经元；每一个第一虚拟节点的输出作为至少两个第一隐藏神经元的输入。即第一虚拟层将第一映射数据输入到至少两个第一隐藏神经元。第一隐藏层中的第一隐藏神经元根据预设参数对多个第一映射数据进行偏置处理，得到第一偏置映射数据。

可以理解是，第一偏置ReLU网络模型中的每一个虚拟节点的输出都对应着多个神经元的输入。

相邻两个神经网络层中的神经元输入输出相互交错，并本层神经网络层的每一个输出都与下一层神经网络层的所有神经元连接。

在一些实施例中，第二虚拟层包括多个第二虚拟节点。

即第二虚拟层所输出的第二映射数据为通过多个第二虚拟节点对上一层级的多个第一隐藏神经元进行权重矩阵映射得到的。

请参照图3、图4，在一些实施例中，第二偏置ReLU网络模型，还包括：输入层，用于接收初始数据；第一虚拟层，与输入层连接，用于对初始数据进行权重矩阵映射并进行批归一化处理，得到第一映射数据；第一隐藏层，与第一虚拟层连接，用于对第一映射数据进行偏置处理，得到第一偏置映射数据；第二虚拟层，与第一隐藏层连接，用于对第一偏置映射数据进行权重矩阵映射并批归一化，得到第二映射数据；级联网络层组组，与第二虚拟层连接，用于对第二映射数据进行偏置处理，得到次级偏置映射数据；输出层，与级联网络层组连接，用于对次级偏置映射数据进行加权求和，得到输出数据。其中，级联网络层组由交替设置的隐藏层、虚拟层组成，数据处理至少包括偏置处理、权重矩阵映射、批归一化处理中的一种。

可以理解的是，第一偏置ReLU网络模型、第二偏置ReLU网络模型具有近似的网络架构。第一偏置ReLU网络模型用于根据室内环境参数、室外环境参数、初始空调参数、当前时间参数进行进行网络模拟计算得到室温序列参数，第二偏置ReLU网络模型用于根据室内环境参数、室外环境参数、初始空调参数、当前时间参数进行进行网络预测得到能耗参数。

通过对内部神经元的参数或者权值进行适应性调节，以使得偏置ReLU网络模型输出不同的值。

进一步地，根据第一偏置ReLU网络模型、第二偏置ReLU网络模型的输出对空调系统的控制信号进行最优求解，并得到包括多个空调控制信号的最优空调控制序列。

可以理解的是，第一偏置ReLU网络模型包括多层神经网络层。第一层神经网络层为输入层，用于接收初始数据，并将初始数据映射至第一虚拟层中；第一虚拟层根据输入层的输出数据进行权重矩阵映射并批归一化处理，以输出第一映射数据；第一隐藏层根据第一虚拟层的输出数据进行偏置处理，得到第一偏置映射数据；第二虚拟层对第一隐藏层的输出数据 (第一偏置映射数据)进行权重矩阵映射，得到第二映射数据。

级联网络层组由多个虚拟层与隐藏层级联构成，每一个虚拟层对前一个神经网络层的输出进行偏置处理及归一化并将得到的数据作为下一个神经网络层的输入。输出层用于对级联网络层组的次级映射数据进行加权求和，得到对应输出参数。在一些实施例中，最优空调控制序列包括多个空调控制子信号，根据最优空调控制序列对空调进行控制调节包括：将空调控制子信号依次下发至空调系统，以调控空调的状态参数。

将最优空调控制序列中的空调控制子信号逐一下发至空调系统，以在通过空调系统可调节室内环境的舒适度的同时，降低空调系统的能耗。

即根据室内环境参数、室外环境参数、初始空调参数得到用于控制空调系统工作状态的空调控制子信号，并通过下发空调控制子信号以实时调节空调系统工作状态，从而同时满足室内舒适度、低能耗的需求。

请参照图5、图6，实线曲线代表室外温度，虚线曲线代表空调设置的参考值为22-26 度之间随机设置。图5为与实际优化后空调设置点对应的空调设置序列效果图，图6为与随机设置的空调设置点对应的空调设置序列效果图。

由图对比可知，使用实际优化后空调设置点对空调系统进行调控，当室外温度较低时，空调的设置点的温度较低，以达到预冷的效果；在室外温度升高时，空调的设置点的温度逐渐变高，以有效地降低空调系统的能耗。

若使用随机设置的空调设置点对空调系统进行调控，设置空调的温度为定值或者随机值无法达到本申请所提供技术方案的技术效果。本申请提供的建筑能耗优化方法能够节省 4％-10％的能耗，且降低建模成本。与此同时，通过本申请的网络预测模型进行建筑模型能够保证建模的准确性，并实现节能的效果。

在一些实施例中，计算机可读存储介质，存储有计算机可执行指令，计算机可执行指令用于：执行权利要求上述任一实施例中的建筑能耗优化方法。

在一些实施例中，设备，包括：处理器；存储器，其上存储有可在处理器上运行的计算机程序；其中，计算机程序被处理器执行时实现如上述任一实施例中的的建筑能耗优化方法的步骤。

上面结合附图对本申请实施例作了详细说明，但是本申请不限于上述实施例，在所属技术领域普通技术人员所具备的知识范围内，还可以在不脱离本申请宗旨的前提下作出各种变化。此外，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。