办公楼用电能耗数据的分析(附基于AI的写字楼能耗分析系统设计).docx

办公楼用电能耗数据的分析（实例范本）一个建筑工程项目从设计开始到竣工完成为止，电气设计师通常会比较关注；而建筑工程项目一旦交付使用后，对于此项目的后续运行工作，设计师一般都很少去了解。原来的设计与实际的使用到底有多大距离，原来设计中所选择的设备容量是大了、还是小了等问题，设计师关注不多。一般是运行中出现了问题，使用单位才会通知原设计师到现场处理问题。这正是大多数设计师比较欠缺的地方，建筑工程项目的后续跟踪服务、设计师多到现场去了解设备实际运行情况，发现问题及时处理，并进行分析、归纳与总结，对于以后的设计工作是很有帮助的。笔者近日收集到了某单位办公楼电气设备的一些运行数据，通过整理、分析,发现了一些有趣的问题，或许对以后类似的工程项目设计会有些许帮助。通常做法电气的设计过程中，一般是通过负荷计算来确定10（20）/0.4kV变配电设备的型号、规格及其他相关的电气参数。而负荷计算方法有多种，通常用得较多的是单位指标估算法、需要系数法、二项式法等。对于民用建筑的电气设计，负荷计算一般采用需要系数法和单位指标法。而单位指标法又通常用在建筑工程项目的可行性研究及方案阶段；另外，还可以利用单位指标法来对已完成的设计项目进行验算，并判断设计指标是否合理。需要系数法则常常用于建筑工程项目的初步设计和施工图阶段。对于办公建筑，用电负荷的构成通常是照明（含插座）用电负荷、动力（水泵、风机、电梯等）用电负荷、空调用电负荷及特殊用电负荷这4大类。其中的特殊用电负荷中，可能有厨房用电负荷及小型计算机房的用电负荷等。在设计阶段，空调及动力用电负荷基本上可以根据相关专业提供的设计资料来确定，照明用电负荷也可以根据相关的标准来确定大致的负荷容量，而插座、特殊用电负荷一般难以估算准确，通常会根据其建筑规模、档次及大致的使用需求等来估算用电负荷的容量。以上这些工作做完后，还可以通过单位指标法来进行检验，设计师通过基本判断，确认是在负荷指标范围内以后，便可以开始动手绘图了。在空调冷水机组采用电动压缩机制冷时，对于办公建筑变压器配置容量指标，业内比较权威的参考资料中，有如下指标：a.工业与民用供配电设计手册（第4版），130VAm2ob.全国民用建筑工程技术措施电气（2009）,50100VAm2oc.国标图集19DX101-1建筑电气常用数据，对于一、二类办公建筑变压器容量节能评价指标限定值：110VA/m2；目标值：70VA/m2。某办公楼的设计（部分）工程概况某公司2016年新建办公楼，建筑高度23.9m,办公楼地上实测面积25163.55m2,办公楼配套地下室面积10838m2,合计36001.55m2。变压器的装机容量为2xlOOOkVA。长沙市位于长江中游，属于典型的夏热冬冷地区。本项目用电负荷包括了4大类：照明（插座）、空调、动力和特殊用电负荷。其中的特殊用电主要是公司的职工厨房、餐厅和计算机房用电负荷。而空调采用的是中央空调系统，分为两部分：23层采用水源热泵多联机系统（2层局部采用风冷热泵多联机系统）；地下室及1层、47层采用风冷热泵多联机系统。空调用电负荷总装机容量为1.27MWo用电总能耗分布情况从该办公楼能耗平台收集到的2018年全年用电总能耗数据（如图1所示）：用电总耗能为3230.9MWh,其中空调系统为1871.2MWh,动力100.7MWh,照明能耗828.6MWh,特殊用电430.4MWho从上面的数据分析中，可以看出，空调系统用电占比达到57.91%o全年空调系统用电能耗情况该办公楼全年空调系统运行情况：4月和10月主机系统处于停机状态，但仍有少量的末端在工作（风机盘管开启）,其他月份每天的工作时间为8：3022：OOo空调系统2018年的能耗情况如图2所示。从图2全年各月空调的耗能情况可以看出，只有7、8两个月的耗能比较大,这与长沙市炎热的夏季有关。查长沙市2018年全年气象资料，从每月平均气温（如图3所示）可以看出，7月、8月两个月的月平均气温在35°C左右，空调系统的用电能耗比较高；4月、10月两个月的月平均气温在24左右，比较舒适，不需要开空调，空调主机系统处于停运状态。空调系统用电各月占总能耗的情况从全年总用电能耗分布情况来看，空调系统年平均占比为57.91%,而每个月空调系统的能耗占比却不尽相同，主要还是与当地的气温变化有关。空调系统各月能耗占比情况如图4所示。从图4可以看出，除3月和11月，其他各月份（4月和10月停主机未计入）空调系统用电能耗，均超过了总能耗的50%o也就是说，本栋办公建筑主要能耗为空调系统。数据分析从上面案例的数据可以看出，本栋办公建筑单位指标变压器的装机容量为55.6VA/m2,小于国标图集19DX101-1中目标值的要求，说明本栋大楼的电气设计是节能的。用电能耗情况分析本项目投入使用以来，每月用电设备的能耗变化随空调系统的投入情况而变化，全年最高负荷出现在78月份，也是变压器负教率最高的两个月，2018年全年用电总能耗情况如图5所示。图5中，办公楼2018年各月份的用电能耗与空调系统用电能耗情况基本是相对应的。由此可见，空调系统是办公类建筑的耗能大户。如果不考虑空调系统的用电能耗情况，2018年整栋办公楼的用电能耗情况如图6所示，全年的用电能耗基本稳定。从图6可以看出，除2月和10月的月能耗少于IOoMWh外，其他月份均超过IOOMWh,基本处于一个稳定的水平。2月份的能耗最少，是因为2月份处在春节长假期间，用电设备基本处于关机状态；10月份有国庆黄金周（还是有部分人在加班）。空调系统月平均实际投入情况从图2空调系统能耗情况分析，2018年空调系统的实际投入率，基本上是根据全年各月份气温变化而有较大的差异。笔者通过每月空调系统的用电能耗情况及实际投入运行的大致时间，折算出空调系统每月平均的实际投入率，如图7所示。从图7可以看出，空调系统的投入率最高的月份还是7月和8月，也就是气温最高的两个月，其他月份的月均投入率均不是很高，全年只有4个月时间的投入率超过了50%o变压器月平均负载率通过对办公楼2018年全年用电能耗数据分析，折算出各月份变压器实际运行时负荷的大致负载率，如图8所示。从图8可以很直观地看出，2018年全年变压器月平均负载率的变化情况，基本上也是随空调系统投入率的变化而变化的，可见办公楼空调系统对办公楼的能耗变化起决定性的作用。在长沙这样的冬冷夏热地区，最热的月份（78月）变压器的负载率可以达到设计的最大值，其他时间均在61%及以下。几点参考建议通在对上面的图表及数据分析，尽管一年的数据不能完全反映全部的真实情况，特别是在2018年中，没有出现极端的气候天气，但是，还是大致可以给以后的设计提供一些参考：a.对于冬冷夏热地区，在空调系统采用电动压缩机制冷时，办公建筑空调系统用电负荷占比在50%左右，部分办公楼建筑将超出50%。b.冬冷夏热地区的办公建筑，变压器的负载率根据气温的变化而变化，其中在炎热的夏季将达到设计的最大值，其他时间基本上在60%及以下。c.在办公建筑项目的设计阶段，电气设计师可以根据空调系统的负荷情况,来确定变压器的大致装机容量，这里是在空调系统采用电动压缩机制冷，用电负荷提供的资料要求比较准确为前提条件。d.建筑电气设计师要多收集设计项目后续的运行数据与资料，并加以分析,以便将设计做得更好。基于Al的写字楼能耗分析系统设计摘要：近年来随着国内大型写字楼建筑的不断增多，能耗也迅速增长。为此，设计一个基于人工智能深度学习网络的写字楼能耗分析系统，首先对收集的能耗数据进行预处理，然后通过提取数据特征，运用反向传播网络对结果进行处理。该系统可通过训练大量能耗参数信息，评估写字楼历史能耗信息与当前能耗的量化关系，从而降低不必要的能耗，实现节能的目的。关键词：Al;能耗分析;写字楼;反向传播网络;深度学习网络0引言近年来国内大型写字楼建筑不断增多，并且95%为高能耗建筑，导致写字楼能耗迅速增长U-3。为了降低能耗、节约能源，需要对写字楼中的能耗设备进行监管。由于写字楼内部的能耗设备数量很多，人工监管压力非常大4。为了实时监测室内光照与温度信息，并对各灯具和空调运行状态进行智能控制，对能耗的精细化管理变得越来越重要5。国内外学者对此进行了相关研究。如樊丽军、于秋红等6-7通过函数拟合方法预测设备能耗，但由于能耗分析涉及因素众多，对于不同设备，分析与预测模型也通常有所不同，需要为每个用电器设计对应函数，所以该方法很难适应所有设备;MoCanU等网利用深度学习网络对建筑能耗进行预测，但其原理与实现细节并不详细。本文设计一款可以监测与管理写字楼照明及空调系统的能耗分析系统，以实现对写字楼每个房间温度、光照及电器运行状态的采集，并且可以将信息发送到管理平台上。管理员通过该系统平台可以查看建筑电器能耗状态，帮助管理者尽快发现能耗异常情况并提出解决方案，从而降低不必要的能耗，实现节能目的19o1写字楼能耗分析系统概述写字楼通常楼层较多，内部照明设备与空调数量也很多，以一栋二十层的写字楼为例，每层有200台照明设备、6台空调，则总共有4120台设备需要管理,监测与管理任务十分繁重，如果监测和管理不及时，会造成大量能源浪费。系统由数据采集、数据接收、数据分析与数据展示等几部分组成U0。数据采集是指采集嘉字楼内部电器能耗数据11,然后将采集的数据发送到远程服务器上;数据分析是指服务器对能耗历史数据进行学习，建立深度学习网络，并通过反向传播更正网络参数12;数据分析是指服务器通过分析采集的实时能耗数据，判断电器运行状态是否正常，从而辅助人工决策13;数据展示是指通过可视化图表展示电器历史运行状态11。能耗状态分类如表1所示。2数据库设计本文采用MySQL数据库进行存储14,根据需要设计了以下几个表：deviceinformation、devicestatus、roominformation、devicebpn、user。其中deviceinformation表存储设备详细信息，主要字段包括标号、类型、所属建筑、所属楼层、所属房间、设备名称等;devicestatus表存储设备运行状态信息，主要字段包括设备标号、日期、功耗、预测功耗等15;roominformation表存储房间信息，主要字段包括房间标号、光照、温度、时间等;USer表用来存储用户信息，主要字段包括用户标号、用户名、用户密码、年龄等。3系统框架设计系统前端页面采用HTML设计系统界面主题结构，利用CSS技术进行渲染与布局，并采用JaVaSCriPt对网站页面进行动态显示设计。系统后台采用JaVa语言编程，以及SSM框架进行搭建，服务器使用TomCat。后台交换数据通信时采用AjaX技术（页面不跳转，响应速度加快）。后台系统主要实现以下功能：（1）信息联动查询。选择建筑名称后，可自动查询该建筑内楼层信息，以及楼层所有房间信息，并根据选择的信息查询该房间内所有设备，查看该设备在某时间段内运行状态。采用联动查询方式，最初只需加载少量数据即可，从而提高了页面响应速度。（2）可视化展现电器运行状态。主要采用折线图与饼状图进行展示16,可视化图标采用echarts的API编写程序。根据折线图可以直观观测电器运行状态走势，饼状图用来分析各电器能耗占比。可视化展示有4种展现形式：以小时为单位，查询所选日期当天运行状态;以天为单位，查询所选日期当月运行状态;以月为单位，查询所选日期当年运行状态;对比查看预测能耗数据与实际能耗数据。通过该方式，可以按月或天查看电器运行状态长期走势，或按小时查看电器短期运行状态，也可以通过对比预测数据查看电器运行是否正常等。（3）接收能耗数据。采用网络编程实现，利用SoCket与采集系统建立连接,进行数据传输。首先服务器开放一个网络端口，然后客户端通过该端口与服务器连接，连接成功之后客户端按照一定时间间隔向服务器发送能耗数据（本文采用每IOmin发送一次能耗数据）。服务器收到客户端发送的能耗数据后，将数据存储到数据库中等待后续处理。（4）预测电器能耗与状态。采用神经网络对电器历史运行状态进行学习，建立网络模型，然后对电器能耗进行预测，并根据预测能耗与实际测量能耗对比,判断电器运行状态是否正常。4基于深度学习的写字楼能耗分析模型4.1 数据选择本文采用电子科技大学某实验室2018年3月1日-3月15日共360条数据作为训练数据，之后采用2018年3月16日数据进行测试。测试数据如表2所示。4.2 模型结构深度学习网络结构(DeepLearnNetworks,DLN)是由输入层、隐含层与输出层组成的一种深层神经网络12,17。在深度学习网络中，前一层网络的输出作为下一层输入，使上层网络获取到的特征可以被下一层使用18。输入层网络则以日处理后的数据作为输入，然后对输入特征进行分类或预测。模型结构如图1所示19。第层为输入层，该层节点数量可根据输入数据个数决定。隐含层可以有若干层，若隐含层太少，会导致模型过于简单，不能满足所需功能;若隐含层太多，进行梯度下降时权重收敛速度太慢，将导致训练模型耗时过长，并且容易出现过拟合状态20。因此，在建立学习网络时需要设置合适的隐含层数量。输出层仅有一层，建立过程比较简单，神经元个数根据需求结果进行设置即可。4.3 模型训练过程深度学习网络模型建立之后即可对模型权重进行训练。首先将建立的神经网络各权重参数初始化为一个随机数;然后对一组数据进行预处理，通过神经网络得到输出值，将输出值与期望值进行比较;采用梯度下降方式调节各网络节点连接权重，完成对该组数据的学习;对全部历史数据反复进行多次学习21,最终完成对神经网络的训练。5算法原理5.1 神经网络计算公式神经网络由若干层组成，由输入端逐层计算到输出层即可得到结果，某层输出即为下一层输入，各层输入与输出公式如下：5.2 反向传播网络如果设定该神经网络损失函数为L(W,b),则每次输入一个样本计算损失函数时公式如下：其中第一项是对预测结果进行判断，后面是规则化项，该方式将权重添加到损失函数中，梯度下降时则会使权重下降，从而避免了样本数据较小时产生的过拟合现象。输出层单元i的残差为：5.3 能耗状态评估利用神经网络分类功能，首先建立一个神经网络，使用历史数据对网络进行训练，然后进行预测，并采用神经网络模型对预测结果进行分类。输入为实际功耗与预测功耗，输出为yl、y2、y3三个值。当输出值为1、0、0时，表示功耗过低，电器无法正常运行，评估结果为Abnormal,此时管理者可根据提示，查看是否出现用电设备损坏或其它状况;当输出值为0、1、0时，表示功耗在正常范围内，电器运行正常，评估结果为NOrma1;当输出值为0、0、1时，表示功耗过高，电能出现浪费，评估结果为Waste,此时管理者应该根据提示查看电器功耗过高的原因，及时进行处理。6评估结果根据收集的能耗历史数据，采用折线图、饼状图等可视化技术展示电器运行状态，然后系统对收集的能耗历史数据进行学习并作出预测，同时结合实际观测数据对电器运行状态进行评估，从而帮助写字楼管理者作出更好的决策，以避免电能浪费。测试数据输出预测值如表3所示。该系统对预测的能耗数据进行处理，实际能耗与预测能耗折线图如图2所JO此时电器运行状态分类如表4所示。7结语本文金十对写字楼能耗分析结果，给出能耗特征参数信息处理与分析方法，并提出一种基于人工智能深度学习网络的写字楼能耗分析系统。该系统利用深度学习网络，建立一种采用写字楼能耗特征参数(例如年份、月份、日、小时、分钟、星期几、温度、光照等)作为输入特征，以及能耗状况作为输出结果的模型。该写字楼能耗分析系统能较好地提取能耗重要特征，预测能耗数据，评估电器运行状态，从而提高写字楼管理效率，避免电能浪费。参考文献：UJ邓钊鹏.一种基于BP神经网络的建筑能耗分析模型的研究与实现D.广州：华南理工大学，2015.程桃桃.基于EnergyPlus平台的办公建筑动态能耗模拟分析D.西安：西安建筑科技大学，2011引孙智超，王波.基于数据挖掘技术的建筑能耗分析集成方法J.计算机应用与软件，2017,34(11)：103-108,146.14张运楚，韩怀宝，杨红娟，等.数据挖掘技术及其在建筑节能中的应用JJ.计算机系统应用，2017,26(9)：151-157.15胡轩昂.浙江省某高校建筑能耗评价指标及其能耗分析研究D.杭州：浙江大学，2014.16于秋红.大型公共建筑能耗监测系统的设计研究J.通讯世界，2018(1)：198.17于秋红.物联网技术在大型公共建筑能耗数据采集中的应用现代电子技术，2018(11)：139-143.18 MOCANUE,NGUYENPH,GIBESCUM,ETal.DeeplearningforestimatingbuildingenergyconsumptionJ.SustainableEnergy,GridsandNetworks,2016,6：91-99.19贺梅葵武汉某高层建筑能耗分析及节能评价研究D.武汉:华中科技大学，2008.UOl王砚玲，杨志辉，王芳，等.哈尔滨某高校建筑能耗管理系统平台开发与应用.哈尔滨商业大学学报：自然科学版，2017,33(4)：482-487.11余乾仲.广西居住建筑能耗监测与分析平台研究J.建筑节能，2018,46(3)：123-126,141.112杜冠洲，韦古强，高正平.基于BP神经网络的公用建筑电力能耗预测研究J.工程经济,2017,27(6)：76-80.口引李世峰.基于策略的绿色建筑智能化控制系统J.山西建筑，2017,43(21)：185-187.114万玉建.一个建筑能耗分析系统的设计与实现D.南京：东南大学，2016.15王博铭，罗淑湘，顾中熠，等.建筑能耗数据管理系统研究J建筑技术，2017,48(12)：1243-124616王庭国.建筑能耗监测与智能控制系统J.福建建筑，2018(2)：110-113.17吕琼帅.BP神经网络的优化与研究D.河南：郑州大学，2011.19 COTTERENEIL.Thestone-weierstrasstheoremanditsapplicationtoneuralnetworksJ.IEEETransactionsonNeuralNetworks,1990(4)：290-295.119路阔，钟伯成，吕丁浩，等.基于GALM神经网络的建筑能耗短期预测UL建筑节能，2015,43(9)：85-88.20FUNAHASHIKI.OntheapproximaterealizationofcontinuousmappingsbyneuralnetworkslJ.Neuralnetworks,1989,2(3)：183-192121陈煜琛，蓝艇，史旭华.基于多目标优化的节能建筑方案设计J.工程技术研究，2017(6)：193-194.