基于人工智能技术的校园能效与电气安全管理方法和系统与流程

1.本发明涉及校园的能源和电气安全问题领域，更具体地，涉及一种基于人工智能技术的校园能效与电气安全管理方法和系统。


背景技术：

2.随着教学环境的变化和教学技术的发展，学校的能源消耗总量持续上升，存在比较严重的能源资源浪费现象，并且学校属于人员密度比较高的场合，对电气安全必须高度重视。因此节能减排和安全预防的工作对于学校非常重要。但是由于学校建筑类型和数量多，占地面积大，校园不仅有教学楼、科研楼、行政办公楼等公共建筑，而且有宿舍楼等居住建筑和食堂、浴室等生活辅助建筑。故其能源管理和火灾预防工作存在如下局限：学校设备多，很难统一监测实际使用情况、异常用电情况难定位主要原因、学校场景大，缺少统一设备管控平台、场景用电缺乏统一管理分析、学校人员多，对大功率危险设备管控难，所以很多学校没有合理的能源管理和电气火灾预防系统。
3.目前，现有的学校能耗和安全的管理系统和方法存在以下缺陷：能耗指标不明确，无法对实时指标进行动态监控，可操作性差，未进一步开发节能空间，并且电气火灾预警和自动管理技术不完善。因此，亟需研发一种基于人工智能技术进行学校能源和安全方面的一体化管理系统。
4.现有技术中公开了一种基于云计算大数据的校园能耗监测系统，包括数据采集层、数据处理层和显示层，所述数据采集层通讯连接所述数据处理层，所述数据处理层通讯连接所述显示层；本发明的有益效果：通过数据采集层准确采集校园内水、电、气的消耗数据，通过数据处理层对数据采集层采集的数据进行计算和存储，显示层通过数据处理层的计算结果，直观的环比显示能耗监测结果。该专利同样存在自动管理技术不完善等的缺陷。


技术实现要素：

5.本发明的首要目的是提供一种基于人工智能技术的校园能效与电气安全管理方法，促进学校节能管理精细化，达到安全用能、节能减排的目的。
6.本发明的进一步目的是提供一种基于人工智能技术的校园能效与电气安全管理系统。
7.为解决上述技术问题，本发明的技术方案如下：
8.一种基于人工智能技术的校园能效与电气安全管理方法，包括以下步骤：
9.s1：采集前端实时用能数据和环境信息；
10.s2：将步骤s1采集的前端实时用能数据和环境信息与历史用能数据进行分类存储；
11.s3：根据所述实时用能数据，建立bp神经网络模型，并采用粒子群算法优化所述bp神经网络模型来进行校园能源用量的预测，根据所述校园能源用量的预测，得到能源浪费位置和原因；
12.s4：根据能源浪费位置找到对应的耗能设备，自动化控制耗能设备的工作状态。
13.优选地，步骤s1中采集前端实时用能数据和环境信息，具体包括：
14.用电量、太阳辐射值、太阳能用能、风速、风能用能、用水量、天然气用量、直接供热量、室内温度、万历表、人数和水泵用电量。
15.优选地，步骤s3中建立bp神经网络模型，具体包括以下步骤：
16.s201：设置输入神经元，输出神经元和隐含层神经元；
17.s202：设置最大训练步数、学习率和停止训练参数；
18.s203：将样本数据进行归一化映射到(0,1)之间；
19.s204：bp神经网络模型的输出再进行反归一化处理；
20.s205：利用用电量、太阳辐射值、风速、用水量、天然气用量、直接供热量、室内温度、万历表、人数和水泵用电量作为输入数据，用电量、太阳能用能、风能用能、天然气用量、直接供热量、用水量和水泵用电量作为输出数据训练所述bp神经网络模型；
21.s206：当误差小于所述停止训练参数时，训练结束，得到初步训练好的bp神经网络模型。
22.优选地，步骤s3中采用粒子群算法优化所述bp神经网络模型，具体包括以下步骤：
23.s211：初始化粒子群算法的最大迭代次数k、粒子个数m、惯性权重ω、学习因子c1和c2；
24.s212：确定粒子的位置和速度的变化范围，若超出这个范围d则设置为边界值，并随机选取每个粒子的初始位置和速度；
25.s213：将所述bp神经网路模型的预测误差作为粒子群的适应度函数，计算并比较粒子的适应度值，找到粒子的最优位置；
26.s214：在每一次迭代过程中，粒子目前所找到的最优解pi＝(p
i1
,p
i2
,
…
,p
id
),整个种群目前所找到的最优解为ps＝(p
s1
,p
s2
,
…
,p
sd
),，每个粒子通过这两最优解来更新自己的速度和位置，相应的进化方程为
27.v
k+1
＝ωvk+1r1(p
i-present)+2r2(p
g-present)
28.p
k+1
＝pk+v
k+1
29.式中，v
k+1
、vk分别为第k次迭代时粒子的速度，p
k+1
、pk分别为第k次迭代时粒子的位置，present表示粒子当前所处位置，r1、r2为[0，1]范围内产生的随机数；
[0030]
s215：当超过最大迭代次数k时停止运行；在预设的迭代次数内搜索到最优的网络连接权值，对bp神经网络模型进行优化。
[0031]
优选地，步骤s3还包括建立预测误差估计模型，当校园能源用量的预测的误差在允许范围内时，将当前校园能源消耗情况与校园能源消耗最低的工作模式对比形成能源成本报表，得到能源浪费位置和原因；当校园能源用量的预测的误差不在允许范围内时，重新收集前端实时用能数据和环境信息，重新建立bp神经网络模型，并采用粒子群算法优化所述bp神经网络模型。
[0032]
优选地，所述预测误差估计模型，具体为：
[0033]
s221：将采用粒子群算法优化后的bp神经网络模型的预测数据结果sf与历史用能数据sq进行对比，计算不同时间段内的实际平均用能s
q-、用能实际波动系数s
qa
以及用能预测值波动系数s
qf
：
[0034][0035][0036][0037]
n表示预测数据结果sf与历史用能数据sq的个数；
[0038]
s222：计算预测误差估计e
mae
：
[0039]emae
＝0+1s
qa
+2s
qf
+3s
q-[0040]
式中，β0为常数项系数，β
1-β3为对应变量的相关系数；
[0041]
s223：利用regress函数进行多元线性回归分析并计算得出相关系数β0、β1、β2、β3的值，计算置信区间估计值和
[0042][0043][0044]
式中，分别为β0的下限和上限，分别为β1的下限和上限，分别为β2的下限和上限，分别为β3的下限和上限；
[0045]
s224：得出用能数据预测值的上限和下限
[0046]
优选地，还包括步骤s5：通过步骤s2储存的历史用能数据计算能耗指标，并采用线性拟合方法获取校园内不同区域用能系统的能耗模式，拟合出用能系统设备的能耗占比方程，可视化耗能设备的节能比例。
[0047]
优选地，所述计算能耗指标，并采用线性拟合方法获取校园内不同区域用能系统的能耗模式，拟合出用能系统设备的能耗占比方程，具体为：
[0048]
所述能耗指标为学校、建筑楼的整体能耗水平，分为：
[0049]
a.综合能耗：
[0050]
式中：e为实时综合能耗，单位为kgce；n为消耗的能源种类数；ei为生产和/或服务活动中实际消耗的第i种能源量，ki为第i种能源的折标准煤系数；
[0051]
b.建筑楼面积能耗：en＝n/n[0052]
式中：an为不同建筑楼的总面积，单位为m2；en为建筑楼的综合能耗，单位为kgce；en为建筑楼的单位面积能耗，单位为kgce/m2；
[0053]
c.建筑楼的人均能耗：in＝n/n[0054]
式中：pn为不同建筑楼的总人数；in为建筑楼的人均能耗，单位为kgce/p；
[0055]
d.学校面积能耗：e＝e/a
[0056]
式中：a为学校的总面积，单位为m2；e为学校面积能耗，单位为kgce/m2；
[0057]
e.学校的人均能耗：i＝e/p
[0058]
式中：p为学校的总人数；i为学校的人均能耗，单位为kgce/p；
[0059]
采用线性拟合方法获取校园内不同区域用能系统的能耗模式，拟合出用能系统设备的能耗占比方程：
[0060]
将能耗数据根据建筑楼-房间-功能分类，分为空调系统、照明系统、电梯系统、用水系统、天然气系统和水泵，用能系统的综合能耗分别为ea、eb、ec、ed、ee和ef：
[0061]en
＝w1ea+w2eb+w3ec+w4ed+w5ee+w6ef[0062]
式中，wk为权值系数，k＝1,2,3,4,5,6。
[0063]
一种基于人工智能技术的校园能效与电气安全管理系统，包括前端数据采集模块、系统数据平台、能源分析模块、历史耗能分析模块、自动监管模块和用电安全预警模块，其中：
[0064]
所述前端数据采集模块采集前端实时用能数据和环境信息，并实时传输至所述系统数据平台；
[0065]
所述系统数据平台将所述实时采集的前端实时用能数据和环境信息与历史用能数据一起分类存储；
[0066]
所述能源分析模块利用所述系统数据平台存储的实时用能数据，建立bp神经网络模型，并采用粒子群算法优化所述bp神经网络模型来进行校园能源用量的预测，根据所述校园能源用量的预测，得到能源浪费位置和原因；
[0067]
所述历史耗能分析模块利用所述系统数据平台存储的历史用能数据，拟合获取校园内不同区域用能系统的能耗模式，得到用能系统设备的能耗占比方程，并可视化耗能设备的节能比例；
[0068]
所述自动监管模块利用所述系统数据平台存储的实时用能数据，对各耗能设备的运行状态进行自动化控制并设置有提醒功能；
[0069]
所述智能预警模块根据所述系统数据平台存储的实时用能数据，与设置的安全阈值进行对比，当所述实时用能数据超过所述安全阈值时，所述智能预警模块切断对应耗能设备的电源并发送预警信息。
[0070]
优选地，所述前端数据采集模块通过红外传感器、多功能电量监测仪表、线路温度探头和gis技术系统采集前端实时用能数据和环境信息，具体为：
[0071]
利用红外传感器获取采集室内的红外图像并转换为室内各区域的局部温度数据，同时采集室内外环境温度和统计房间环境内的人数；
[0072]
利用多功能电量监测仪表采集室内用电设备的电流、电压、漏电流、功率和功率因数；
[0073]
利用线路温度探头采集电路导线温度；
[0074]
利用gis技术系统获取校园边界内的气象数据。
[0075]
与现有技术相比，本发明技术方案的有益效果是：
[0076]
(1)本发明不仅收集基本的耗能数据(电能、水能、天然气量)，还设置了gis技术收集校园区域内的气象数据收集太阳能、风能的可利用资源数据，建立了全面、具体的能耗数据库；
[0077]
(2)本发明提供了一种基于bp神经网络、粒子群算法的人工智能技术进行校园能
耗预测，具有自学习能力的自适应优化特点，可准确预测校园区域内的能源消耗量便于查找能源浪费位置；
[0078]
(3)利用历史用能数据计算具体的能耗指标，并建立主要用能系统能耗与建筑楼(公共区域)总能耗的拟合方程，可视化耗能设备的节能比例。
附图说明
[0079]
图1为本发明的方法流程示意图。
[0080]
图2为本发明的自优化pso-bp神经网络模型的建立方法流程图示意图。
[0081]
图3为本发明的系统模块示意图。
具体实施方式
[0082]
附图仅用于示例性说明，不能理解为对本专利的限制；
[0083]
为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；
[0084]
对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
[0085]
下面结合附图和实施例对本发明的技术方案做进一步的说明。
[0086]
实施例1
[0087]
本实施例提供一种基于人工智能技术的校园能效与电气安全管理方法，如图1所示，包括以下步骤：
[0088]
s1：采集前端实时用能数据和环境信息；
[0089]
s2：将步骤s1采集的前端实时用能数据和环境信息与历史用能数据进行分类存储；
[0090]
s3：根据所述实时用能数据，建立bp神经网络模型，并采用粒子群算法优化所述bp神经网络模型来进行校园能源用量的预测，根据所述校园能源用量的预测，得到能源浪费位置和原因；
[0091]
s4：根据能源浪费位置找到对应的耗能设备，自动化控制耗能设备的工作状态。
[0092]
步骤s1中采集前端实时用能数据和环境信息，具体包括：
[0093]
用电量、太阳辐射值、太阳能用能、风速、风能用能、用水量、天然气用量、直接供热量、室内温度、万历表、人数和水泵用电量。
[0094]
步骤s3中建立bp神经网络模型，并采用粒子群算法优化所述bp神经网络模型来进行校园能源用量的预测，得到自适应优化pso-bp神经网络模型建立步骤如图2所示。
[0095]
步骤s3中建立bp神经网络模型，具体包括以下步骤：
[0096]
s201：设置输入神经元为10个，输出神经元为7个和隐含层神经元为10个，神经网络的数据预测结构是5-12-1，选择顺序排列为5个点的数据值作为网络输入，对后面第6点的用能数据值进行预测；
[0097]
s202：设置最大训练步数1000步、学习率0.01和停止训练参数10-3
；
[0098]
s203：采用s心激活函数，利用matlab中的归一化函数mapminmax将样本数据进行归一化映射到(0,1)之间，使神经网络运算更加迅速和准确；
[0099]
s204：bp神经网络模型的输出再进行反归一化处理；
[0100]
s205：利用用电量、太阳辐射值、风速、用水量、天然气用量、直接供热量、室内温度、万历表、人数和水泵用电量作为输入数据，用电量、太阳能用能、风能用能、天然气用量、直接供热量、用水量和水泵用电量作为输出数据训练所述bp神经网络模型；
[0101]
s206：当误差小于所述停止训练参数时，训练结束，得到初步训练好的bp神经网络模型。
[0102]
步骤s3中采用粒子群算法优化所述bp神经网络模型，具体包括以下步骤：
[0103]
s211：初始化粒子群算法的最大迭代次数k＝200、粒子个数m＝40、惯性权重ω、学习因子c1和c2；
[0104]
s212：确定粒子的位置和速度的变化范围，若超出这个范围d则设置为边界值，并随机选取每个粒子的初始位置和速度；
[0105]
s213：将所述bp神经网路模型的预测误差作为粒子群的适应度函数，计算并比较粒子的适应度值，找到粒子的最优位置；
[0106]
s214：在每一次迭代过程中，粒子目前所找到的最优解pi＝(p
i1
,p
i2
,
…
,p
id
),整个种群目前所找到的最优解为ps＝(p
s1
,p
s2
,
…
,p
sd
),，每个粒子通过这两最优解来更新自己的速度和位置，相应的进化方程为
[0107]vk+1
＝ωvk+c1r1(p
i-present)+c2r2(p
g-present)
[0108]
p
k+1
＝pk+v
k+1
[0109]
式中，v
k+1
、vk分别为第k次迭代时粒子的速度，p
k+1
、pk分别为第k次迭代时粒子的位置，present表示粒子当前所处位置，r1、r2为[0，1]范围内产生的随机数；
[0110]
s215：当超过最大迭代次数k时停止运行；在预设的迭代次数内搜索到最优的网络连接权值，对bp神经网络模型进行优化。
[0111]
实施例2
[0112]
本实施例在实施例的1的基础是，步骤s3还包括建立预测误差估计模型，当校园能源用量的预测的误差在允许范围内时，将当前校园能源消耗情况与校园能源消耗最低的工作模式对比形成能源成本报表，得到能源浪费位置和原因；当校园能源用量的预测的误差不在允许范围内时，重新收集前端实时用能数据和环境信息，重新建立bp神经网络模型，并采用粒子群算法优化所述bp神经网络模型。
[0113]
所述预测误差估计模型，具体为：
[0114]
s221：将采用粒子群算法优化后的bp神经网络模型的预测数据结果sf与历史用能数据sq进行对比，计算不同时间段内的实际平均用能s
q-、用能实际波动系数s
qa
以及用能预测值波动系数s
qf
：
[0115][0116]
[0117][0118]
n表示预测数据结果sf与历史用能数据sq的个数；
[0119]
s222：计算预测误差估计e
mae
：
[0120]emae
＝β0+β1s
qa
+β2s
qf
+β3s
q-[0121]
式中，β0为常数项系数，β
1-β3为对应变量的相关系数；
[0122]
s223：利用regress函数进行多元线性回归分析并计算得出相关系数β0、β1、β2、β3的值，计算置信区间估计值和
[0123]
设置bi和b
inti
分别为回归系数估计值和所有回归系数置信区间估计值：
[0124][0125][0126][0127]
式中，分别为β0的下限和上限，分别为β1的下限和上限，分别为β2的下限和上限，分别为β3的下限和上限；
[0128]
s224：得出用能数据预测值的上限和下限
[0129]
通过万历表和系统数据平台储存的历史数据，以一天为周期计算能耗指标，并采用回归分析法分析获取校园内不同区域周期内用能系统的能耗模式并寻找其规律性。
[0130]
还包括步骤s5：通过步骤s2储存的历史用能数据计算能耗指标，并采用线性拟合方法获取校园内不同区域用能系统的能耗模式，拟合出用能系统设备的能耗占比方程，可视化耗能设备的节能比例。
[0131]
所述计算能耗指标，并采用线性拟合方法获取校园内不同区域用能系统的能耗模式，拟合出用能系统设备的能耗占比方程，具体为：
[0132]
所述能耗指标为学校、建筑楼的整体能耗水平，分为：
[0133]
a.综合能耗：
[0134]
式中：e为实时综合能耗，单位为kgce；n为消耗的能源种类数；ei为生产和/或服务活动中实际消耗的第i种能源量，ki为第i种能源的折标准煤系数；
[0135]
b.建筑楼面积能耗：en＝en/an[0136]
式中：an为不同建筑楼的总面积，单位为m2；en为建筑楼的综合能耗，单位为kgce；en为建筑楼的单位面积能耗，单位为kgce/m2；
[0137]
c.建筑楼的人均能耗：in＝en/pn[0138]
式中：pn为不同建筑楼的总人数；in为建筑楼的人均能耗，单位为kgce/p；
[0139]
d.学校面积能耗：e＝e/a
[0140]
式中：a为学校的总面积，单位为m2；e为学校面积能耗，单位为kgce/m2；
[0141]
e.学校的人均能耗：i＝e/p
[0142]
式中：p为学校的总人数；i为学校的人均能耗，单位为kgce/p；
[0143]
采用线性拟合方法获取校园内不同区域用能系统的能耗模式，拟合出用能系统设备的能耗占比方程：
[0144]
将能耗数据根据建筑楼-房间-功能分类，分为空调系统、照明系统、电梯系统、用水系统、天然气系统和水泵，用能系统的综合能耗分别为ea、eb、ec、ed、ee和ef：
[0145]en
＝w1ea+w2eb+w3ec+w4ed+w5ee+w6ef[0146]
式中，wk为权值系数，k＝1,2,3,4,5,6。
[0147]
经过数据统计之后，输出判定系数r2和拟合方程的权值参数wk，当r2越接近1，表示回归方程的拟合效果也越好，当r2在[0.4,1]的范围时可以证明拟合方程的准确性
[0148]
实施例3
[0149]
一种基于人工智能技术的校园能效与电气安全管理系统，如图3所示，包括前端数据采集模块、系统数据平台、能源分析模块、历史耗能分析模块、自动监管模块和用电安全预警模块，其中：
[0150]
所述前端数据采集模块采集前端实时用能数据和环境信息，并实时传输至所述系统数据平台；
[0151]
所述系统数据平台将所述实时采集的前端实时用能数据和环境信息与历史用能数据一起分类存储；
[0152]
所述能源分析模块利用所述系统数据平台存储的实时用能数据，建立bp神经网络模型，并采用粒子群算法优化所述bp神经网络模型来进行校园能源用量的预测，根据所述校园能源用量的预测，得到能源浪费位置和原因；
[0153]
所述历史耗能分析模块利用所述系统数据平台存储的历史用能数据，拟合获取校园内不同区域用能系统的能耗模式，得到用能系统设备的能耗占比方程，并可视化耗能设备的节能比例；
[0154]
所述自动监管模块利用所述系统数据平台存储的实时用能数据，对各耗能设备的运行状态进行自动化控制并设置有提醒功能；
[0155]
所述智能预警模块根据所述系统数据平台存储的实时用能数据，与设置的安全阈值进行对比，当所述实时用能数据超过所述安全阈值时，所述智能预警模块切断对应耗能设备的电源并发送预警信息。
[0156]
所述前端数据采集模块通过红外传感器、多功能电量监测仪表、线路温度探头和gis技术系统采集前端实时用能数据和环境信息，具体为：
[0157]
利用红外传感器获取采集室内的红外图像并转换为室内各区域的局部温度数据，同时采集室内外环境温度和统计房间环境内的人数；
[0158]
利用多功能电量监测仪表采集室内用电设备的电流、电压、漏电流、功率和功率因数；
[0159]
利用线路温度探头采集电路导线温度；
[0160]
利用gis技术系统获取校园边界内的气象数据。
[0161]
所述的自动监管模块中根据红外传感器数据收集的数据源，自动调节/关闭空调
和照明系统用电设备。
[0162]
所述的用电安全预警模块中利用多功能电量监测仪表和线路温度探头获取电路运行状态，实时发现电气线路和用电设备存在的安全隐患。
[0163]
所述的系统数据平台，用于提供管理员设置，能源消耗类型，实时数据划分类型、历史信息，日历表标记等相关信息，并包括设备的强制启停，关键运行参数的调节。
[0164]
相同或相似的标号对应相同或相似的部件；
[0165]
附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制；
[0166]
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。