本發明涉及智能建筑控制，具體涉及一種建筑全域協同感知低碳控制方法。

背景技術：

1、目前，市場上存在很多針對樓宇的智能控制系統，但普遍存在以下問題：

2、1.缺乏有效的全域協同感知能力，具有信息孤島現象、效率低下、響應遲緩、用戶體驗不佳以及維護成本高等問題。分散的控制模式忽視了建筑作為一個整體的綜合性需求，使得各個系統在執行任務時可能產生沖突或重復勞動，無法及時做出調整以應對突發事件或環境變化，影響用戶對智能樓宇的滿意度，增加維護成本和復雜性。

3、2.精細化的能耗監測和管理機制匱乏。由于智能樓宇能源管理系統存在缺失或功能不足，無法實現對樓宇能耗的實時的精準監控和有效控制，這導致無法及時對能源使用進行調整，造成能源的無端浪費，不利于樓宇的可持續性運營與管理，與現代社會所倡導的綠色節能理念背道而馳。

4、在智能樓宇控制系統的研究領域，一種用于建筑設計的智能樓宇控制系統(專利號為：202311325080.3)通過集成中央管理、智能控制和數據采集等模塊，利用數學模型對歷史數據進行分析和未來趨勢預測，提升室內環境的舒適性，然而，該專利主要依賴簡單算法對溫濕度、能耗等參數進行獨立控制，這種控制方式缺乏整體性和協同性，導致能耗難以降低。在實際應用中，由于各算法獨立運行，未能充分考慮不同因素之間的相互影響，從而可能造成能源浪費。

5、因此，需要探索一種智能樓宇的全域協同感知低碳控制方法。

技術實現思路

1、為了克服以上現有技術存在的缺陷，本發明的目的在于提供一種建筑全域協同感知低碳控制方法，該控制方法實現了對建筑內外環境、設備運行狀態等多方面信息協同感知，基于此進行智能控制決策，達到低碳節能的效果。具有控制精度高、適應性強、實用性強，具有較好的經濟效益的優點。

2、為了實現上述目的，本發明采用的技術方案是：

3、一種建筑全域協同感知低碳控制方法，包括以下步驟；

4、步驟1：在建筑內外環境布置溫濕度傳感器、能耗監測傳感器和空氣質量監測傳感器，對內建筑外環境的溫濕度、能耗、空氣質量關鍵控制要素進行數據采集；

5、步驟2：對采集的數據進行預處理操作；用于提升數據質量與準確性，為多視角聚類分析奠定基礎；

6、步驟3：將步驟2處理后的數據構建為多視角數據矩陣，運用多視角k-means聚類算法對所述多視角數據矩陣進行剖析，獲得舒適區間；

7、步驟4：基于所述舒適區間，采用改進的動態區間預測與控制(difc)算法對建筑設備進行動態調節，使室內環境始終處于最佳舒適狀態，減少能源浪費，降低建筑能耗，實現低碳環保；通過步驟4實現對設備的控制，達到節能低碳的目的；

8、步驟5：通過可視化模塊展示整個過程的數據與分析結果。

9、所述步驟1具體為：

10、溫濕度傳感器用于精準采集建筑內外環境溫濕度數據，反映氣候條件與人體舒適度感知；

11、能耗監測傳感器用于實時捕捉建筑電、水、氣等能耗信息，助析能源消耗模式；

12、空氣質量檢測傳感器用于監測室內外pm2.5、甲醛、總揮發性有機碳(tvoc)濃度，關乎人員健康與通風需求。

13、進一步的：

14、溫濕度傳感器在室內各房間距地面1.5-2米的墻壁中心位置、走廊沿墻高約1.5-2米均勻間隔、樓梯間每層平臺處高約1.5-2米，室外建筑外墻高2-3米及樓頂空曠處；

15、能耗監測傳感器電力方面在每層配電箱及大型用電設備供電線路上，水方面在進水總管及分支水管，氣方面在燃氣總表進氣管道；

16、空氣質量監測傳感器室內在房間角落距地1-1.5米、通風口附近，室外在樓頂。這些安裝位置的設置旨在精準采集數據，從而實現對室內外環境狀況及能耗情況的有效監測與調控。

17、所述步驟2具體的實施步驟為：

18、步驟2.1：對傳感器采集的數據進行噪聲過濾

19、采用中值濾波的方法處理數據，使得處理后的數據更加平穩，減少數據波動。以溫度數據作為示例進行闡述，濕度數據、能耗數據以及其他相關數據均可參照此例采用相同的處理方法。

20、設定采集到的溫度傳感器的數據序列表示為t＝[t1，t2，t3，...，tn，其中ti表示在第i個時刻采集到的溫度值，n為采集的數據點數；

21、中值濾波是對于序列中的每一個數據點，以它為中心選取一個固定長度為奇數m的窗口，如對于ti，窗口內的數據為然后對這個窗口內的數據進行排序，取排序后的中間值來替換原數據點ti。

22、步驟2.2：補全傳感器數據缺失的數據點

23、對于數據缺失的數據序列，采用線性插值方法補全缺失的數據點，使得整個數據序列在時間維度上是完整的，保證后續分析不會因為數據缺失而出現偏差或無法進行對于多個存在缺失值的數據點。以能耗數據作為示例進行闡述，濕度數據、溫度數據以及其他相關數據均可參照此例采用相同的處理方法。

24、在采集的能耗數據序列e(e＝[e1，e2，e3，...，en])中，如果數據存在部分缺失值，比如ej為缺失值(1<j<n)；

25、設定已知ej-1和ej+1的值，根據線性關系來計算缺失的ej，具體的線性插值的計算公式為式(2-1)：

26、

27、對于多個存在缺失值的數據點，依次按照此方法進行補全，從而讓整個能耗數據序列完整可用；

28、步驟2.3：將不同傳感器的數據進行時間對齊與數據同步

29、時間對齊操作旨在構建統一的數據時間基準，具體而言，是以各傳感器中最早開始采集的時間作為起始點，并依據固定的時間間隔對數據予以重新梳理整合；

30、針對不同傳感器所采集的數據，按照此統一時間間隔分別實施抽取處理，確保在每一個經整合后的統一時間節點上，均能夠同時涵蓋溫濕度、能耗、空氣質量等多方面的數據信息，以此有效保障數據的同步性，為后續開展綜合分析不同控制要素之間的內在關聯關系等操作奠定堅實基礎；

31、步驟2.4：對數據進行標準化處理

32、使用z-score標準化對數據進行處理，將各指標轉化為無量綱形式，在后續進行多視角聚類分析等操作時，不同指標能在同等重要性的基礎上參與計算和分析，避免了因量綱不同而導致某些指標在分析中權重失衡的問題。

33、以溫度數據作為示例進行闡述，濕度數據、溫度數據以及其他相關數據均可參照此例采用相同的處理方法。

34、對于溫度t，其標準化后的數值的計算公式為式(2-2)，設定采集到的溫度傳感器的數據序列表示為t＝[t1，t2，t3，...，tn]，其中ti表示在第i個時刻采集到的溫度值，n為采集的數據點數，是溫度數據序列的均值，計算公式為式(2-3)，σt是溫度數據序列的標準差，計算公式為式(2-4)：

35、

36、所述步驟3具體的實施步驟為：

37、步驟3.1：構建多視角數據矩陣

38、從步驟2中得到的預處理數據中提取多維關鍵控制要素，以時間為橫軸，指標為縱軸，構建多視角數據矩陣，視角的選擇包括時間視角、空間視角、功能視角，其中，

39、時間視角：定義為其中表示第i個時間點的多維指標向量；

40、空間視角：定義為其中表示在空間位置s上的多維指標向量；

41、功能視角：定義為其中表示特定功能指標(如能耗或空氣質量)的向量；

42、該矩陣以[n,m]維度存儲，其中n為時間點或空間位置數量，m為控制要素的維數(如溫度、濕度等)；

43、步驟3.2：劃分初步聚類

44、對每個視角的局部數據子集應用k-means算法進行初步聚類分析，在每個視角內，通過加權歐氏距離度量數據點之間的相似性，設置適當的聚類數，將多維數據劃分為若干個簇。每個簇代表該視角下的一種典型環境模式，輸出每個視角的聚類結果，包括簇中心點和簇內數據分布；

45、對每個視角的數據矩陣xv(v∈{t,s,f})使用k-means算法進行初步聚類。目標是將xv劃分為k個簇其中每個簇的中心點計算公式為式(3-1)，

46、

47、簇內數據點到中心點的加權歐氏距離計算公式為式(3-2)：

48、

49、其中wl為第l個指標的權重，用于突出特定控制要素的重要性。聚類目標函數公式為式(3-3)：

50、

51、最終輸出每個視角的初步聚類結果，包括每個族的中心點和族內數據分布

52、步驟3.3：融合多視角聚類

53、采用聯合優化方法融合步驟3.2輸出的各視角的聚類信息；具體而言，基于所有視角的聚類中心點，建立一個全局的加權優化目標函數，通過迭代調整各簇中心位置，尋找使全局數據最優分類的簇劃分結果；

54、基于所有視角的初步聚類結果，建立全局加權優化目標函數：

55、

56、其中，αv為每個視角的權重，μj為全局聚類中心點，通過多視角聚類中心點的選代更新，融合不同視角的特性，最終輸出全局族劃分{c1,c2,...ck}和中心點μj；

57、步驟3.4：生成綜合舒適區間

58、結合步驟3.3生成的多視角聚類結果，提取建筑環境的綜合舒適區間，舒適區間的范圍由各簇的中心點和分布特性決定，包括溫度、濕度、空氣質量(如co2濃度、pm2.5濃度)等參數的上下限，輸出的舒適區間以多維范圍表示，為后續控制算法提供基準；

59、根據最終聚類結果提取綜合舒適區間，定義為每個族的中心點及其數據分布范圍：

60、s＝{(min(xl),max(xl))|xl∈cj,l＝1,2,...,m}

61、舒適區間包含溫度、濕度、空氣質量(如co2濃度、pm2.5濃度)等參數的上下限，為后續控制算法提供基準；

62、所述步驟4具體為：

63、動態區間預測與控制算法以當前環境狀態為初始條件，將舒適區間設為目標約束，通過融合物理規律與數據驅動的方法構建預測模型，動態預測未來環境參數的演變趨勢，進而輸出各建筑設備的最優運行參數，實現對建筑環境的精準、高效調控；

64、步驟1)：預測模型的輸入參數涵蓋當前時刻的環境參數、建筑設備的歷史運行狀態以及當前設置值，采用遞歸優化策略計算未來時刻的環境參數預測值；

65、步驟2)：改進后的difc算法在預測過程中，確保預測的環境參數值始終處于聚類分析所得的舒適區間內，同時以優化設備運行效率為目標，對各建筑設備的運行參數進行動態調整；

66、步驟3)：difc算法針對包括空調、通風設備、加濕器等在內的多種建筑設備，輸出如風機速度、制冷量、空氣循環頻率等關鍵運行參數，并將這些參數轉化為具體控制指令發送至相應設備，實現對建筑環境的實時、動態調節，在保障室內環境舒適度的前提下，最大程度地提高能源利用效率，降低建筑能耗。

67、所述步驟4具體為：

68、步驟4.1：建立狀態空間模型

69、建筑環境的狀態空間模型定義如下：

70、xt+1＝axt+but+wt??????????????????????(4-1)

71、yt＝cxt+vt

72、其中：

73、xt為時刻t的環境狀態向量(包括溫度、濕度、co2濃度等)；

74、ut為控制向量(包括空調制冷量、通風設備風速等)；

75、yt為輸出觀測向量；

76、a，b，c為系統的動態矩陣，由物理建模和數據擬合聯合確定；

77、wt和vt分別為過程噪聲和觀測噪聲，滿足高斯分布。

78、步驟4.2：初始化模型輸入

79、輸入數據包括：

80、實時環境狀態xt(如當前溫度、濕度、空氣質量參數)；

81、歷史控制記錄{ut-1，ut-2，...}

82、舒適區間約束s＝{(xmin，xmax)}；

83、步驟4.3：預測未來狀態

84、通過遞歸優化，difc算法預測未來t步內的狀態演變：

85、

86、其中表示預測的未來狀態。目標是保證預測值滿足舒適區間；

87、

88、步驟4.4：優化控制向量

89、為優化設備能耗，設定一個性能指標j來最小化控制成本：

90、

91、其中γ為舒適區間的目標值：

92、q為狀態誤差權重矩陣；

93、r為控制成本權重矩陣；

94、通過約束優化算法梯度下降，求解出使了最小化的最優控制向量：

95、{ut,ut+1,...,ut+t}

96、步驟4.5：輸出控制指令

97、根據優化結果，提取第一個控制向量ut作為當前時刻的設備運行參數，具體包括：

98、空調制冷量(單位：kw)；

99、通風設備風機速度(單位：rpm)；

100、加濕器工作功率(單位：w)

101、這些指令通過控制接口發送至對應設備，實時調整建筑環境；

102、步驟4.6：動態調整與反饋

103、系統每隔固定時間間隔更新狀態xt和控制向量ut，并重新執行步驟4.3至4.5，形成閉環控制，確保環境參數動態穩定在舒適區間內，且能耗最小化。

104、所述步驟5具體為：

105、可視化界面包括步驟1實時采集的環境數據和步驟4獲得的分布式控制算法的預測結果；該界面支持實時監控與調整，用戶可根據實際需求對系統參數進行調優。

106、本發明的有益效果：

107、本發明具備卓越的控制精度與強大的場景適配能力，能夠針對溫濕度、能耗以及空氣質量等關鍵控制要素，實施全自動化、全天候且多維度的協同低碳控制策略。通過實時反饋控制調整的具體情形，構建起完整的閉環控制系統，進而將控制結果予以可視化呈現，達到全域協同、節能減耗的效果。相對于傳統方法，本發明在滿足控制要求及精度的同時，具有良好的協調控制能力與實用性，能夠產生較大的經濟效益。