(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202211171334.6 (22)申请日 2022.09.26 (65)同一申请的已公布的文献号 申请公布号 CN 115249094 A (43)申请公布日 2022.10.28 (73)专利权人 烟台东方智能技 术有限公司 地址 264003 山东省烟台市莱山区金都路6 号 (72)发明人 孙爱国　王晓凡　杜小坤　李世乾　 韩俊　吕海涛　王旭辉　李志鹏　 杨晓燕　王卫国　 (74)专利代理 机构 烟台双联专利事务所(普通 合伙) 37225 专利代理师 贡丽妙 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 10/06(2012.01)G06Q 50/08(2012.01) (56)对比文件 CN 104484682 A,2015.04.01 CN 113809755 A,2021.12.17 CN 109946968 A,2019.0 6.28 CN 113762586 A,2021.12.07 CN 112949942 A,2021.0 6.11 WO 2022193531 A1,202 2.09.22 CN 105305472 A,2016.02.0 3 US 20152481 18 A1,2015.09.0 3 WO 202124 4000 A1,2021.12.09 US 2019154873 A1,2019.0 5.23 JP 201515 6785 A,2015.08.27 WO 201710 3955 A1,2017.0 6.22 纪姝彦等.基 于用户满意度的智能用电能量 调度方法研究. 《电气工程学报》 .2017,(第04 期), 审查员 刘明辉 (54)发明名称 一种基于大数据的建筑能效管理和优化方 法 (57)摘要 本发明公开了一种基于大数据的建筑能效 管理和优化方法， 包括： 采集楼宇能效数据， 进行 能耗分析； 建立楼宇负荷预测模型， 对未来特定 时间周期内的楼宇负荷进行预测； 建立楼宇智慧 场景控制模 型， 预测未来特定时间周期内人员在 不同场景下对楼宇能耗设备作出的特定行为事 件， 并对楼宇能耗设备进行智 能控制； 建立能源 优化调度模 型， 获取综合能源系统在未来时间周 期t内的最优调度决策。 本发明基于大数据进行 楼宇能效分析、 智 能化预测、 智慧场景控制和综 合能源调度， 实现了新能源一体化深度融合， 提 高了新能源综合利用率， 降低了综合用电成本 。 权利要求书4页 说明书10页 附图4页 CN 115249094 B 2022.12.09 CN 115249094 B 1.一种基于大 数据的建筑能效管理和优化方法， 其特 征在于， 包括如下步骤： 步骤S1： 采集楼宇能效数据， 进行能耗分析； 步骤S2： 建立楼宇负荷预测模型， 对未来特定时间周期内的楼宇负荷进行 预测； 步骤S3： 建立楼宇智慧场景控制模型， 预测未来特定时间周期内人员在不同场景下对 楼宇能耗设备作出的特定行为事 件， 并对楼宇能耗设备进行智能控制； 步骤S4： 建立能源优化调度模型， 获取综合能源系统在未来时间周期t内的最优调度决 策； 所述步骤S4具体包括如下步骤： 步骤S4‑1： 链接智能楼宇光伏系统、 电池储能系统与主电网系统， 建立光伏 ‑储能‑外购 电量系统工作分析模型： 其中， 为光伏有功发电量， 为外购市电系统电量， 为电池储能系统电量， 为运营 用电量； 建立调度负荷优化模型： 其中， 为最小成本， 为每1kWh电量外购价， 为每1kWh电量出售价， 为电池 储能系统每1k Wh电量成本； 步骤S4‑2： 预测未来时间周期t内楼宇运行电力负荷 、 光伏发电负荷 、 运营用电量 和光伏有功发电量 ； 运行电力负荷 的预测方法为： 根据步骤S3所述场景控制模型对未来时间周期t内楼宇各子系统的设备即将执行的动 作进行预测， 并对各子系统的设备额定功率进行统计求和得到 ； 光伏发电负荷 的预测方法为： 其中， 为光伏发电负荷的最终预测值， 为光伏发电负荷的初始预测值， 为光伏 发电负荷的波动值， 和 为波动值 的上下阈值； 利用步骤S2所述楼宇负荷预测模型预测运营用电量 ， 光伏有功发电量 的预测方法 为： 采取基于气温、 风速、 湿度、 光照强度多气象参数参与光伏发电量预测模型， 采集光伏历 史发电量作为因变量， 对应的历史日气温、 风速、 湿度、 光照强度天气数据作为自变量， 建立 第二回归方程并求解， 将未来时间周期t内的气温、 风速、 湿度、 光照强度预测数据带入所述 第二回归方程， 得到光伏有功发电量 ； 计算未来时间周期t内楼宇 运行电力负荷与光伏发电负荷净值 P： 计算未来时间周期t内预测运营用电量与光伏有功发电量净值 E：权　利　要　求　书 1/4 页 2 CN 115249094 B 2； 步骤S4‑3： 根据P、E判断光伏发电是否满足楼宇系统需求， 包括如下两种情况： 第一， 若P≥0且E≥0， 则判断时间周期t内光伏有功发电量满足运营需求， 电量净值E存 储至电池 储能系统， 完成能源 优化调度； 第二， 若P＜0且E＜0， 则判断时间周期t内光伏有功发电量不满足运营需求， 通过外购 市电满足运营需求， 按照公式一重新计算 P、E的值， 并转至步骤S4 ‑4； 公式一： 其中， 为市电系统电量， 为市电系统负荷， 为电池储能系统电量， 为电池储能 系统负荷； 步骤S4‑4： 遍历历史数据， 筛选历史楼宇运营用电量 与 相同情形下的历史楼宇运 行电力负荷 、 历史电池储能系统电量 、 历史电池储能系统负荷 、 历史外购市电系统 电量 、 历史外购市电系统负荷 、 历史光伏有功发电量 、 历史光伏发电负荷 ， 将相 应历史数据分别带入 所述公式一、 光伏 ‑储能‑外购电量系统工作分析模型和调 度负荷优化 模型， 求解满足条件的 ， 将 为最小值时对应的历史数据 、 作为未来时间周期t 内的 、 最优决策， 根据最优决策 下发系统调度命令 。 2.如权利要求1所述的基于大数据的建筑能效管理和优化方法， 其特征在于， 所述步骤 S3具体包括如下步骤： 步骤S3‑1： 将人员信息、 房间信息、 设备信息形成列表化数据M1进行统一管理， 基于人 员、 空间、 设备列表M1建立同时间、 天气、 人员对所属房间内设备作出的特定行为事件之间 的关联关系表M2 ｛perso n,room,device,time,weather,acti on｝ ； 步骤S3‑2： 采集并储存人员历史行为信息， 构建人员在不同日常场景下的场景行为样 本库， 所述场景 行为样本库包括对于所述M2的行为事 件对应集合； 步骤S3‑3： 构建基于所述场景行为样本库的行为预测模型， 以所述场景行为样本库中 ｛ person,room,device,time,weather｝ 作为输入数据， 对应的 ｛action｝ 作为输出数据， 进行 数据训练， 获得基于大 数据的深度学习场景模型； 步骤S3‑4： 对未来某一时刻的 ｛person,room,device,time,weather｝ 进行预测并作为 输入数据置入所述深度学习场景模型， 得到人员对所属房间内设备作出 的特定行为事件 ｛ action｝ ， 控制楼宇用能系统提前自动执 行此行为事件， 实现智慧化 运营。 3.如权利要求2所述的基于大数据的建筑能效管理和优化方法， 其特征在于： 步骤S3 ‑3 中， 所述深度学习场景模型设置有多层隐藏层， 每一个隐藏层对输入层的参数有不同的接 收权重， 使用逐层训练的方法依次进 行训练， 得到深度学习模 型的权值矩阵、 可见层偏 置参 数以及隐藏层偏置参数， 对深度学习模型进行微调。 4.如权利要求2所述的基于大数据的建筑能效管理和优化方法， 其特征在于， 所述步骤 S3‑2还包括场景行为样本库的更新： 根据人员行为的时空相 似性， 利用观测的特殊行为在 场景行为样本库中搜索匹配相似的场景行为集合， 并将观测到的特殊行为纳 入场景行为样权　利　要　求　书 2/4 页 3 CN 115249094 B 3