基于bim模型和图卷积神经网络的建筑内区域能耗预测方法

技术领域

本发明涉及智慧建筑技术领域，特别涉及一种基于bim模型和图卷积神经网络的建筑内区域能耗预测方法。

背景技术

智慧建筑是集现代科学技术之大成的产物。其技术基础主要由现代建筑技术、现代电脑技术、现代通讯技术和现代控制技术所组成。主要面向办公楼、商业综合楼、文化、媒体、学校、体育场馆、医院、交通、工业建筑、住宅小区等新建、扩建或改建工程，通过对建筑物智能化功能的配备，实现高效、安全、节能、舒适、环保和可持续发展的目标。传统的建筑能耗基于建筑的多种整体特征进行预测，未考虑建筑内部区域与区域之间的相互影响，智能进行整体能耗预测，无法精确至各个区域。基于bim模型和图卷积神经网络的建筑内区域能耗预测方法，可利用bim模型获取建筑中各区域的关联信息，利用图卷积神经网络对建筑内各区域的能耗进行预测，为建筑数据治理、建筑能耗预警及建筑节能减排提供决策支持。

发明内容

根据本发明实施例，提供了一种基于bim模型和图卷积神经网络的建筑内区域能耗预测方法，包含如下步骤：

从数据库中获取数据，其中，数据包含：bim模型数据和建筑能耗数据；

预处理bim模型数据和建筑能耗数据；

从bim模型数据中获取区域数据，建立区域的属性矩阵；

利用bim模型数据，建立区域与区域之间的邻接矩阵；

从建筑能耗数据中获取区域数据，建立区域的能耗矩阵；

建立图卷积神经网络，利用属性矩阵、邻接矩阵以及能耗矩阵对图卷积神经网络进行回归训练，得到训练完成的图卷积神经网络；

采用训练完成的图卷积神经网络预测建筑中各区域的能耗。

进一步，预处理bim模型数据和建筑能耗数据具体为将bim模型数据和建筑能耗数据的颗粒度统一。

进一步，从bim模型数据中获取区域数据包括但不限于：建筑空间数据、门窗数量以及区域用途。

进一步，建筑空间数据包含：区域的平面尺寸、高度、位置、朝向、日期。

进一步，能耗包含：电能、冷量、热量以及日期。

根据本发明实施例的基于bim模型和图卷积神经网络的建筑内区域能耗预测方法，可利用bim模型获取建筑中各区域的关联信息，利用图卷积神经网络对建筑内各区域的能耗进行预测，为建筑数据治理、建筑能耗预警及建筑节能减排提供决策支持。

要理解的是，前面的一般描述和下面的详细描述两者都是示例性的，并 且意图在于提供要求保护的技术的进一步说明。

附图说明

图1为根据本发明实施例基于bim模型和图卷积神经网络的建筑内区域能耗预测方法的流程图。

具体实施方式

以下将结合附图，详细描述本发明的优选实施例，对本发明做进一步阐述。

首先，将结合图1描述根据本发明实施例的基于bim模型和图卷积神经网络的建筑内区域能耗预测方法，用于建筑能耗预测，其应用场景很广。

如图1所示，本发明实施例的基于bim模型和图卷积神经网络的建筑内区域能耗预测方法，具有如下步骤：

S1：如图1所示，从数据库中获取数据，其中，数据包含：bim模型数据和建筑能耗数据。

S2：如图1所示，预处理bim模型数据和建筑能耗数据。

数据预处理的要求为将能耗数据、bim模型数据与计算区域的颗粒度统一。区域的颗粒度可以分为：房间、楼层的分区，当园区的楼层足够多时，也可以楼层为区域进行分区。

S3：如图1所示，从bim模型数据中获取区域数据，建立区域的属性矩阵。

从bim模型数据中获取区域数据包括但不限于：建筑空间数据、门窗数量以及区域用途。建筑空间数据包含：区域的平面尺寸、高度、位置、朝向、日期。区域属性矩阵中每一行代表一个区域的数据，每一列代表各个区域属性，对于位置、朝向等属性可用数字表示，日期可以进一步扩展为一年中的第几天及是否为工作日，由0和1表示，如表1所示。

S4：如图1所示，利用bim模型数据，建立区域与区域之间的邻接矩阵。

邻接矩阵中的行和列表示各个区域，当区域与区域间存在相邻关系时，矩阵中相应位置的数值设为1，否则为0，如表2所示。其中区域自身与自身的相邻关系设为0，后续在矩阵标准化时再增加自连接。

S5：如图1所示，从建筑能耗数据中获取区域数据，建立区域的能耗矩阵。

能耗主要包括电量、冷量、热量能耗矩阵中每一行代表一个区域的数据，每一列代表各个能耗属性，如表3所示。

S6：如图1所示，建立图卷积神经网络，利用属性矩阵、邻接矩阵以及能耗矩阵对图卷积神经网络进行回归训练，得到训练完成的图卷积神经网络。

图卷积神经网络训练时以邻接矩阵和区域属性矩阵为输入，以能耗矩阵作为标签进行监督。网络在训练前，对于分类属性进行独热编码、对于连续性数值进行规范化处理。

S7：如图1所示，采用训练完成的图卷积神经网络预测建筑中各区域的能耗。

预测的输入为邻接矩阵及区域属性矩阵，其中区域属性矩阵的中时间应在训练时区域属性矩阵中的时间范围内。网络的输出为各个区域的能耗。

以上，参照图1描述了根据本发明实施例的基于bim模型和图卷积神经网络的建筑内区域能耗预测方法，可利用bim模型获取建筑中各区域的关联信息，利用图卷积神经网络对建筑内各区域的能耗进行预测，为建筑数据治理、建筑能耗预警及建筑节能减排提供决策支持。

需要说明的是，在本说明书中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包含……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。