基于人工智能的商业建筑暖通空调控制系统设计与实现

引言

暖通作为建筑领域的重要分支其运行能耗占据建筑总能耗的一半以上，而人工智能的运用能为暖通空调的节能减排提供很大的帮助。研究者们把人工智能技术与暖通领域知识相结合，使得人工智能技术在建筑行业中取得了非常广泛的应用。已有许多专家系统、决策支持系统应用取得了很好的经济效益和社会效益。

1 研究方法

本文采用了设计科学研究(designscienceresearch，DSR)方法，该方法有助于为信息驱动的行业开发提供解决方案，其特征涉及理论知识的迭代过程。DSR方法整合了社会背景和知识库技术能力，以实现研究目标。DSR包括面向问题的评估研究和面向解决方案的技术研究两种类型。面向问题的评估研究着眼于问题的原因和影响，或如何解决问题;而面向解决方案的技术研究则设计和验证系统或需求。通过 DSR，本文提出在商业建筑中采用基于 AI 的 HVAC 控制系统，以解决现有 HVAC 系统低效能源管理的研究问题。该系统用于准确预测商业建筑的能源供应，以满足人类对能源的需求。通过 DSR开发的系统创新性在于无需传感器便可处理天气数据，这不仅为商业建筑的能源管理实践带来了新颖性，也提供了重要的解决方案。在信息系统科学中，DSR方法是通过开发信息技术来解决已识别问题的首选方法。

2 实现与测试

2.1 每小时入住率预测

2.1.1 建筑属性、用途和环境信息

商业建筑中的购物中心大多是为消费和娱乐目的而建造的，往往没有良好的能效策略，经常使用各种过度的照明来吸引人们，导致能源效率低下。作为一个复杂的环境，与办公楼不同，购物中心没有一定的每日入住率分布，因此准确测量供暖和制冷设置并不容易。正是由于这些原因，为了进行更准确的能量分析，本文使用了一个真实的建筑模型，该模型结合了建筑元素的真实属性。此外，利用 IDA-ICE4.8 软件自动获取建筑位置的太阳辐射和天气数据，以用于能源模拟。

2.1.2 基于 ANN 的入住率预测

(1)ANN 参数

影响购物中心入住率和分布的因素可分为两类:社会和环境。当检查收集到的真实数据时，温度、湿度、天气状况、时间和特殊日期成为重要参数。这些参数在 ANN 计算中被确定为属性，因此: ① 温度是影响人数的关键因素之一。冬天去购物中心的游客比夏天少。 ② 湿度也会影响温度感:当空气湿度高时，温暖的水分会在人的皮肤上停留更长时间，让人感觉更热。③ 天气状况也会显著影响乘客数量。在雨天或雪天，购物中心吸引的游客较少。 ④ 时间指标。购物中心入住天数也很重要，在非工作日，访客数量高于工作日，本文研究未区分工作日和非工作日，而是将一周中的每一天单独计算在内。此外，月份和年份信息被视为单独的参数，因为它们是购物中心长期使用中的基本变量。 ⑤ 特殊日期。法定节假日对入住率有重大影响，国家法定节日游客人数增加。

(2)ANN 模型

由于其强大的逻辑性、容错性、通用性和泛化能力，AI 方法被用于各种应用中。ANN 是一种模仿生物神经系统且应用最广泛的 AI 类型之一，已被用于解决诸多研究领域的各种实际挑战。神经系统的基本生物单位是神经元，它是一个基本的处理因子，通过树突输入路径接收和整合来自其他神经元的信号。如果组合输入信号足够高，神经元会沿着轴突产生输出信号，该轴突与其他几个神经元的树突相连。因此，ANN 是一组独立链接的处理单元，它们充当并行分布式计算网络。与传统计算机不同，传统计算机被编程为执行特定任务，而 ANN 可以从示例中学习，并通过充当(人类)大脑般的数学模型来消除对复杂数学公式或物理模型的需求。它们具有容错性，可以处理有噪声的数据，允许快速泛化未知输入。它们还具有特定的适应能力，使其能够解决高度非线性的问题，与其他统计方法不同，ANN 可以使用当前计算机的高计算能力从大量相关数据中提取非显式关系。因此，ANN 已成为各种研究领域中流行的问题解决策略。

2.2HVAC 模拟控制场景

为衡量本文所提出的基于 AI 的控制方法节省的能源量，建立 HVAC模拟控制方案。传统控制策略中传感器在能耗方面的缺陷是无法实现快速响应。例如，许多购物中心为附近工作的人提供午餐场所，导致午休期间的入住密度短暂增加。由于人口密度突然增加而导致的温度升高是一个较慢的过程，当温度到达传感器时，控制系统会做出响应，并提供适当的环境温度，但大多数人已经离开建筑物返回工作岗位。AI 预测技术提供了比传统楼宇自动化系统更准确的占用信息和更高的能源效率。因此，本文提出的 HVAC 控制机制采用预测的占用信息和每天的最大人数，并根据一段时间内的占用率调整其功率。此外，基于占用信息和天气预报，开发了新的调度算法。根据这些设定点调度算法确定 HVAC 的开关状态。最后，模拟了四种不同的情景，显示了从传统到高级的发展水平。 ①s1 场景表示始终全功率的 HVAC 控制系统。 ②S2 场景代表基于温度和传感器的最常见的传统 HVAC 控制系统，其中 HVAC 控制系统根据传感器的温度设定点和温度测量值自动启停。这种类型的传感器在测量占用率方面比标准运动传感器更准确。 ③S3 场景代表基于 AI 的 HVAC 控制系统，该系统使用 ANN模型产生的预测入住率。在这种情况下，与基于传感器的系统相反，HVAC系统会自动响应占用率的变化，没有滞后时间。控制算法提供 HVAC 设定点时间表，以根据实际天气条件和预测的乘客数量来控制系统。现有传感器仍可用于监测实时室内温度、湿度等。如果实际热舒适度参数超过期望值，则控制系统会根据传感器进行自我调整，直到提供热舒适度。 ④S4 场景表示在 S3 场景中的 HVAC 控制系统基础上，添加预冷能力和快速响应能力。控制算法根据预测的天气状况和乘客数量提供预冷时间来控制系统，其他功能与 S3 相同。

结束语

本文考虑了以 ANN 为重点的预测占用率，以通过简单的控制算法实现显著节能。因此，该方法可成为安装成本低、能效高的新型 HVAC 系统的先驱。本文成果可以在指导基于 AI 的商业建筑 HVAC 可持续发展控制工具方面发挥重要作用。

参考文献

[1]罗时超.基于神经网络和灰色系统的供暖热负荷组合预测方法研究[D].广州:暨南大学,2017

[2]刘鹏飞,付波.基于遗传算法优化BP 神经网络的短期热负荷预测方法研究[J].区域供热,2019,(1):43-49.

[3]廖文强,王江宇,陈焕新.基于长短期记忆神经网络的暖通空调系统能耗预测[J].制冷技术,2019,39(1):45-50.

[4] 侯忠生. 无模型自适应控制的现状与展望[J]. 控制理论与应用,2006,(4):586-592.