物聯網技術在建筑能耗感知預測的應用

導語：物聯網技術在建筑能耗感知預測的應用一文來源于網友上傳，不代表本站觀點，若需要原創文章可咨詢客服老師，歡迎參考。

【摘要】在保證建筑使用舒適度的情況下，為對建筑電力能耗情況實時監測與預測，本研究探索基于物聯網技術的建筑能耗感知預測系統的建設方法，提出系統架構及相關配置情況，闡述系統的典型應用，為能耗感知預測系統的研發提供思路，助力實現建筑運行過程中節約能耗、提高能源使用效率的目的，提高現代化城市管理能力。

【關鍵詞】物聯網技術；建筑能耗預測；能耗監測系統

1引言

隨著經濟的發展與人口數量的增加，人們對能源的需求也急速增長，統計結果表明，全國建筑全過程能耗與碳排放變化總體上呈現出一致性的階段性特點，2005年~2019年，我國建筑的全過程能耗由9.34億噸標準煤上升到22.33億噸標準煤，年均增長率6.3%，建筑全過程碳排放由22.34億噸二氧化碳增長到49.97億噸二氧化碳，年平均增長率為5.92%，其中，2019年建筑運行階段碳排放21.3億噸，占全國碳排放的21.6%，雖然年均增長率逐漸放緩，但是建筑運行過程中能源消耗依然占很大比重，因此，建筑物的能耗監測與預警成為眾多學者的研究對象。胡瑩堅[1]為避免地下室中布線困難等問題，開發了基于LoRa技術的建筑物能耗監測系統；陳輝[2]以建筑物耗能特點為研究對象，在建筑物節能標準中提取影響能耗的主要因素，并建立神經網絡算法對建筑物能耗仿真，提高建筑物能耗評估的智能度；侯驍虎[3]以物聯網技術、傳感器技術與軟件開發技術為實現手段，結合當前國內外高校在能耗監測應用系統開發與應用方面所積累的經驗，為某高校開發了校園能耗監測綜合管理平臺。開發基于物聯網技術的電力能耗感知預測系統，對建筑物電力能耗進行實時預測和監控，存儲過往歷史數據，預測用電高峰期與低谷期，實現電力資源的“削峰填谷”，可以有效提高能源的使用效率，減少能源浪費。

2建筑能耗感知預測系統

2.1物聯網技術概述21世紀以來，物聯網技術發展迅速，已經成為我國信息產業的重要組成部分。物聯網技術主要通過前端設備的布置，將采集到的信號與網絡進行連接，通過有線或者無線方式將信號實時傳輸[4]，實現對物體的有效定位、識別等功能。物聯網技術架構主要分為三層，即：感知層、網絡層和應用層[4]。感知層依靠安裝布置在物體上的傳感器設備，對物體信息采集與發送，網絡層在接收到信息后，使用互聯網、無線網絡等技術將信息傳送到應用層，通過應用層對信息進行智能處理，實現物體實時監控或控制的智能化管理體系。物聯網技術的發展和通信技術的進步加快了我國智慧城市的發展進程，建筑能耗感知與預測作為智能建筑的重要分支，也將得到更加廣泛的應用。2.2系統架構建筑能耗感知預測系統主要依托于物聯網技術以及智慧城市管理平臺（見圖1），整體系統架構根據物聯網基本架構分為感知層、傳輸層和應用層三部分，應用層依據系統實際應用功能分為能耗數據管理子系統及能耗預測子系統兩部分。本文研究對象為建筑物的電力耗能，能耗管理子系統對建筑物已發生的耗能進行有效記錄與存儲，能耗預測子系統根據傳感設備采集到的預測指標對建筑物能耗進行預測，便于建筑管理人員對能耗進行有效把控。

3系統功能

3.1能耗感知模塊物聯網技術的本質是通過互聯網實現物與物之間的相互連接，并實現物與物之間的信息聯通和交互[5]。建筑物能耗的實時感知依賴互聯網設備的布置，能耗數據通過傳感器設備采集后，利用無線通信技術傳輸到服務器，服務器將數據進行處理后存儲在后臺數據庫，并在能耗管理平臺展示能耗情況。傳感裝置用于采集各類數據，包括能耗監測數據和環境監測數據，能耗監測數據用于建筑物能耗實時感知，環境監測數據用于能耗預測。能耗感知模塊會對房間的能耗實時監測對比，當房間內的耗能超過歷史消耗能耗的最高值時，則會在系統頁面對建筑管理人員提示，建筑管理人員不僅可以查看能耗實時數據，還可對歷史數據進行分類篩選、搜索等操作，便于管理人員的決策。3.2能耗預測模塊能耗預測模塊配合能耗管理系統，根據歷史數據對建筑物未來能耗進行準確預測，合理優化用電配置，減少建筑用電浪費和碳排放。本研究基于物聯網技術采集能耗預測所需指標，構建BP（Backpropagation反向傳播）神經網絡進行建筑物能耗預測，其基本流程如圖2所示，通過傳感器采集室外溫度等所需信息，將采集到的信息傳輸到管理平臺，將模型數據擬合后便得到建筑能耗預測結果，將結果返回用戶界面。BP神經網絡算法是一種多層前饋神經網絡，基于最速下降法進行求解[6]，能夠模擬人的思維模式對機制進行學習，被廣泛地應用于建筑領域的能耗預測。BP神經網絡包括輸入層、隱含層與輸出層，在本研究當中，輸入層指標包括建筑面積、室外溫度、空調維持溫度以及人員密度四個指標，經過擬合后得到建筑物耗電量結果，即輸出層，其神經元個數為一，而隱含層的神經元個數是通過算法訓練過程中的不斷調整達到最優的。本研究中算法的訓練數據為天津市中新生態城某幼兒園的歷史數據，數據集溫度覆蓋-8%至32℃，基本滿足全年所有工況。算法訓練完成后進行封裝，在進行能耗預測時將建筑面積、室外溫度、空調維持溫度以及人員密度四個指標輸入算法，算法經過擬合計算后得到建筑能耗預測結果，并將結果返回用戶界面，如圖2結果輸出部分所示。

4系統典型應用

4.1信息存儲功能智慧城市管理平臺后臺內置數據庫，存儲建筑能耗歷史數據，便于管理者查詢使用的同時，可用于算法訓練優化迭代。4.2信息查詢功能可以按照時間段對能耗數據進行查詢篩選，同時，還可以按照能耗量篩選數據，便于管理者分析歷史數據，合理制定能源使用策略.4.3能耗異常預警功能系統可對能耗實時感知，并與歷史平均數據進行對比，若出現過高或過低的異常情況，則在管理平臺中顯示警報，提示建筑管理人員對該建筑或房間的能耗情況進行調查。4.4能耗預測功能構建BP神經網絡，使用物聯網設備采集相關指標，自動預測耗電量，得到某一房間或建筑的預測耗能，給建筑管理人員的能源分配決策提供指導。

5結語

綜上所述，隨著物聯網技術的進步和智慧城市的發展，基于物聯網技術構建建筑物能耗感知預測系統，可以使建筑物能耗可視化、存儲歷史數據、賦能城市管理水平、提高建筑管理能力以及能源使用效率。

參考文獻

[1]胡瑩堅.基于LoRa技術的建筑物能耗監測系統在人防地下室中的實現[J].現代建筑電氣，2020，11（8）：28-30.

[2]陳輝.基于神經網絡分析的建筑物耗能仿真模型分析[J].佳木斯大學學報(自然科學版)，2022，40（1）：13-15+138.

[3]侯驍虎.高校校園能耗監測綜合管理平臺的設計與實現[D].大連：大連理工大學，2017.

[4]梁禹鵬.基于物聯網技術的未來智能樓宇系統探析[J].智能建筑與智慧城市，2022（1）：113-115.

[5]付川琪.基于CFD仿真和SVM算法的建筑能耗預測系統云平臺[D].南京：南京信息工程大學，2021.

[6]滕文龍，叢炳虎，商云坤，張予宸，白天.基于MEA-BP神經網絡的建筑能耗預測模型[J].吉林大學學報(工學版)，2021，51（5）：1857-1865.

作者：于佳怡 周銳 鐘煒 單位：天津理工大學管理學院 天津生態城國有資產經營管理有限公司