26、物联网与人工智能助力建筑能源效率提升

物联网与人工智能助力建筑能源效率提升

1. 引言

物联网（IoT）正成为一项极具潜力的技术，众多前沿技术如人工智能（AI）、机器学习（ML）、医疗保健、能源和智慧城市等都依赖于它。通过连接到互联网的大量物联网设备收集的数据，对于开发新服务、提高生产力和效率、增强实时决策能力、解决复杂问题以及创造创新体验至关重要。

在能源行业，物联网技术通过收集、传输和预处理大量数据，极大地推动了智能电网的发展，也催生了大数据分析这一新兴研究领域。由于先进深度学习模型（如卷积神经网络（CNNs）、循环神经网络（RNNs）和深度自动编码器（DAEs））的应用，该领域发展迅速，这些模型能够以渐进的方式自行执行特征工程。

物联网旨在智能地收集和整合能源网络中所有资产的数据，提高能源系统的灵活性并优化运营。对于能源部门而言，物联网技术提供了更丰富的信息，有助于做出更好的决策，实现远程控制和自动化执行。这一技术构成了一个包含物理过程、测量过程、决策过程和行动过程的控制循环，成功实施需要确保物联网技术之间互操作性的架构和标准。

大多数能源领域的物联网项目侧重于需求导向的应用，但正确使用物联网可以为整个价值链的优化带来无限益处，包括能源的生产、传输、分配和消费。随着能源系统变得日益复杂和分散，物联网应用提高了连接到网络的设备的可见性和响应能力。此外，随着人工智能的发展，算法可以利用物联网设备实时收集和预处理高质量数据的能力，开发涵盖不同能源方面的强大而准确的人工智能解决方案。

由于建筑能源部门占全球能源使用量的高达40%，因此研究物联网和人工智能结合以减少建筑能源浪费和促进节能行为具有极其重要的意义。通过结合物联网收集准确数据的能力和机器学习的分析能力，可以开发出有效的建筑节能解决方案，包括检测异常能源消耗行为、预测能源需求、防止非技术损失（如电力盗窃）、检测或预测电力故障以及管理供需平衡。

此外，推荐系统（RSs）作为另一类机器学习工具，可以促进用户行为改变和纠正用户习惯，为开发新一代能源效率系统开辟了新的视角。推荐系统可以根据习惯循环帮助终端用户纠正能源消耗习惯，通过及时、个性化和有吸引力的建议来促进能源消耗行为的改变。同时，智能手机在节能过程中也可以发挥重要作用，它们可以作为可视化仪表盘展示能源使用足迹，还可以提供节能通知、建议和解释，成为改变终端用户行为的关键因素。

为了分析终端用户的能源消耗方式，关注他们影响负载使用的意图驱动时刻（即微时刻）非常重要。这些微时刻是室内环境偏好形成和能源消耗决策做出的时刻，对终端用户和公用事业公司来说都是改变游戏规则的因素。

本文提出了一个节能框架，结合了人工智能、推荐系统、微时刻概念以及一系列战略性放置在学术空间周围的物联网传感器，旨在检测和纠正异常能源消耗习惯，并通过为终端用户提供个性化建议来促进节能。具体来说，根据习惯循环，一个人必须经历提示、常规和奖励三个阶段。因此，推荐系统在这个改变循环中被采用，它将行动与奖励联系起来，从而强化新习惯，节能建议通过Home - Assistant应用程序发送给用户。为了评估这个节能框架，启动了一个小型试点项目，涉及来自不同地区、具有不同电气观点的多达10名用户。研究结果表明，实施人工智能、物联网和推荐系统对提高能源效率具有积极影响。

2. 相关工作：人工智能和物联网在能源管理中的应用

随着人工智能、机器学习和物联网的出现，提高建筑能源效率变得更加可行。“智能建筑”这一术语应运而生，用于定义采用这些技术以帮助终端用户管理生活节奏、提高舒适度并优化能源消耗的建筑。在这一背景下，众多研究工作致力于开发不同类型的能源效率系统，许多行业参与者也进入了建筑节能这一充满前景的市场。

一般来说，建筑节能方法可以根据方法论分为不同类别，本文主要概述基于行为改变、热舒适度优化和负载预测的三种主要类型。

2.1 基于行为改变的节能

• Tomazzoli等人的方法 ：部署了基于物联网和机器学习的方法，定义了分布式电子设备子网中的集中式节能架构，并使用基于规则的算法和机器学习聚类技术提取行为能源消耗规则，以确定每个设备的最佳消费习惯。
• DeepM2节能方案 ：引入了基于深度学习的微时刻方案DeepM2，通过混合边缘 - 云计算架构分析设备级能源消耗足迹，自动检测异常能源消耗行为。
• 能源管理系统 ：提出了一个用于促进基于物联网的建筑网络能源效率的能源管理系统，使用遗传算法优化数据传感、处理和通信过程中的能源使用。
• 智能建筑能源管理 ：研究了将大数据分析和机器学习融入智能建筑能源管理平台的新方法，部署了随机森林（RF）、Rpart回归和深度神经网络（DNNs）等三种不同的机器学习模型，并结合降维策略创建能源优化方法。
• AI - 大数据分析框架 ：引入了一个AI - 大数据分析框架，集成到智能家居能源管理系统中，支持能源效率、安全和建筑舒适度。使用J48机器学习模型和Weka API学习用户行为和负载使用数据，并对家庭进行分类；使用RuleML和Apache Mahout生成节能建议并维护建筑的舒适度和安全性。
• 智能能源消耗监督平台 ：开发了一个智能能源消耗监督平台，包括使用物联网设备进行数据采集、使用云数据中心进行数据集成以及使用能源消耗预测、异常和故障检测以及差异管理进行大数据分析三个主要组件。该框架在华南理工大学的一座公共建筑中得到验证，经过3年的监测和应用，试点建筑的年负载使用量减少了35%。
• 节能四步法 ：通过提供能源足迹可视化、设计智能建议模型、使用物联网最小化预测和实际能源消耗之间的差异、准确评估室内环境舒适度并提高设备运行效率以及建立有说服力的能源效率工作流程等四个步骤实现节能。
• 物联网智能手机节能解决方案 ：开发了基于物联网的智能手机节能解决方案iSEA，通过深度学习模型跟踪商业建筑中终端用户的智能手机，识别其能源消耗并提供个性化建议，同时使用能源使用效率指数（EEI）对用户行为进行分类。该解决方案的架构包括物理层、云层、服务层和通信层。
• AI住宅节能平台 ：开发了基于人工智能的住宅建筑节能平台，使用微时刻概念，通过一组物联网设备收集能源微时刻和环境数据，使用集成袋装树（EBT）模型检测异常配置文件，并通过移动应用程序制定节能建议集合。

以下是这些方法的对比表格：
|方法|主要技术|实现方式|效果|
| ---- | ---- | ---- | ---- |
|Tomazzoli等人的方法|物联网、机器学习|定义架构，提取规则|确定最佳消费习惯|
|DeepM2节能方案|深度学习、边缘 - 云计算|分析设备级能源消耗足迹|检测异常能源消耗行为|
|能源管理系统|遗传算法|优化数据处理能源使用|促进网络能源效率|
|智能建筑能源管理|随机森林、Rpart回归、DNNs|结合降维策略|创建能源优化方法|
|AI - 大数据分析框架|J48模型、RuleML等|学习数据，生成建议|支持能源效率等|
|智能能源消耗监督平台|物联网、大数据分析|数据采集、集成和分析|年负载使用量减少35%|
|节能四步法|可视化、物联网等|多步骤实现|实现节能|
|物联网智能手机节能解决方案|深度学习、EEI|跟踪手机，提供建议|影响能源使用习惯|
|AI住宅节能平台|微时刻概念、EBT模型|收集数据，检测异常|制定节能建议|

2.2 基于热舒适度优化的节能

不同研究表明，建筑终端用户通常因不必要的供暖、通风和空调（HVAC）操作以及次优的热设置而浪费大量能源。因此，开发基于热舒适度优化的节能解决方案具有重要意义。

• 非侵入式节能解决方案 ：开发了一种非侵入式节能解决方案，通过湿度和温度传感器记录的环境模式，利用机器学习模型推断与HVAC系统运行相关的能源浪费行为。
• 开放物联网云平台 ：开发了一个开放的物联网云平台，通过融合机制收集和聚合不同类型的环境数据，利用AI - 大数据分析促进建筑HVAC系统的能源效率。

以下是这两种方法的mermaid流程图：

graph LR
    A[开始] --> B[收集环境数据]
    B --> C[机器学习分析]
    C --> D[推断能源浪费行为]
    D --> E[节能措施]
    E --> F[结束]

graph LR
    A[开始] --> B[收集环境数据]
    B --> C[数据融合]
    C --> D[AI - 大数据分析]
    D --> E[促进HVAC能源效率]
    E --> F[结束]

2.3 基于机器学习的负载预测节能

随着深度学习的出现，基于机器学习的负载预测方法受到越来越多的关注，尽管这些方法通常较为复杂。

• Bedi等人的方法 ：使用物联网设备和机器学习模型，在物联网驱动的建筑中开发了基于指数模型和Elman循环神经网络（RNN）模型的能源预测框架，通过使用历史能源消耗、环境温度和终端用户占用状态等不同参数预测负载使用，并检测这些参数之间的关系以提高预测准确性。
• 热能源预测方法 ：引入了使用物联网设备和集成分类器的热能源预测方法，采用在线学习方法使用收集的真实传感器观测数据训练预测模型，实现了优化的热能源消耗。
• RF能源预测方法 ：提出了基于随机森林（RF）的能源预测方法，以每小时采样率实施。
• SVM能源预测方法 ：在酒店建筑中使用支持向量机（SVM）方法进行能源预测。
• CNN - CF能源预测方法 ：使用改进的CNN模型设计了基于交叉特征分析的能源预测方法CNN - CF。

在建筑自动化系统（BASs）中，能源消耗预测对于有效管理能源至关重要，AI - 大数据分析技术在其中发挥着关键作用。通过不断收集不同建筑智能电表的负载模式和环境条件数据，并将其输入AI模型来预测能源使用。由于短期预测的实时性特点，它比一般预测更具挑战性，因此提出了各种AI - 大数据分析模型。

方法	使用技术	实现方式	应用场景
Bedi等人的方法	指数模型、Elman RNN	使用多参数预测负载	物联网驱动建筑
热能源预测方法	物联网设备、集成分类器	在线学习训练模型	热能源预测
RF能源预测方法	随机森林	每小时采样率预测	通用建筑
SVM能源预测方法	支持向量机	酒店建筑能源预测	酒店建筑
CNN - CF能源预测方法	改进的CNN	交叉特征分析预测	能源预测

总体而言，开发强大而可靠的节能解决方案变得比以往任何时候都更加简单，但需要多种技术的互补，如物联网、人工智能和机器学习、信息通信技术和智能手机。这些技术有助于建模和预测建筑的运行效率，使终端用户能够以尽可能低的成本采取节能行动。

3. 提出的节能框架

为了实现建筑能源效率的提升，这里提出了一个融合人工智能、推荐系统、微时刻概念以及物联网传感器的节能框架。该框架的核心目标是检测和纠正异常能源消耗习惯，并通过为终端用户提供个性化建议来促进节能。

3.1 微时刻概念

微时刻是指终端用户在决定开启或关闭设备、调节室内温度、打开窗户获取更多光线等时刻，这些时刻是室内环境偏好形成和能源消耗决策做出的关键节点。通过对微时刻的分析，可以深入了解终端用户的能源消耗意图，从而有针对性地提供节能建议。
框架中利用物联网传感器收集微时刻相关的能源和环境数据，例如在用户操作空调时，记录当时的室内外温度、时间、用户位置等信息。这些数据将作为后续分析和决策的基础。

3.2 推荐系统

推荐系统在整个节能框架中扮演着重要角色。它根据习惯循环，将行动与奖励联系起来，强化新的节能习惯。具体来说，推荐系统基于收集到的微时刻数据和用户的历史能源消耗信息，生成个性化的节能建议。
推荐系统的工作流程如下：
1. 数据收集 ：从物联网传感器获取能源消耗数据、环境数据以及用户操作数据。
2. 数据分析 ：运用机器学习算法分析数据，识别用户的能源消耗模式和异常行为。
3. 建议生成 ：根据分析结果，结合用户的偏好和设定，生成个性化的节能建议。
4. 建议推送 ：通过Home - Assistant应用程序将节能建议发送给用户。

3.3 Home - Assistant应用程序

Home - Assistant应用程序是用户与节能框架交互的重要界面。它不仅可以展示能源使用足迹，还能提供节能通知、建议和解释。用户可以通过该应用程序查看自己的能源消耗情况，接收实时的节能建议，并对建议进行反馈。
应用程序的主要功能包括：
- 能源使用可视化 ：以图表和报表的形式展示用户的能源使用情况，让用户直观了解自己的能源消耗模式。
- 节能建议推送 ：及时向用户推送个性化的节能建议，如“当前室内温度适宜，可关闭空调以节省能源”。
- 用户反馈 ：用户可以对节能建议进行反馈，提供自己的意见和建议，帮助系统不断优化。

3.4 试点安装

为了评估节能框架的有效性，启动了一个小型试点项目。该项目涉及来自不同地区、具有不同电气观点的多达10名用户。在试点安装过程中，将物联网传感器战略性地放置在学术空间周围，以收集准确的能源和环境数据。
试点安装的步骤如下：
1. 确定安装位置 ：根据建筑的布局和功能，确定物联网传感器的最佳安装位置，确保能够全面收集能源和环境数据。
2. 传感器安装 ：按照确定的位置安装物联网传感器，并进行调试和校准，确保传感器正常工作。
3. 系统集成 ：将物联网传感器与节能框架进行集成，确保数据能够准确传输和处理。
4. 用户培训 ：对参与试点的用户进行培训，让他们了解节能框架的功能和使用方法，鼓励他们积极参与节能行动。

以下是该节能框架的mermaid流程图：

graph LR
    A[微时刻数据收集] --> B[推荐系统分析]
    B --> C[生成节能建议]
    C --> D[Home - Assistant应用推送]
    D --> E[用户反馈]
    E --> B

4. 实验结果

为了验证节能框架的有效性，对试点项目进行了详细的实验和分析。

4.1 样本规模和特征

试点项目涉及10名来自不同地区、具有不同电气观点的用户。这些用户的能源消耗模式和习惯存在一定差异，为实验提供了丰富的数据样本。

4.2 调查概述

在试点项目期间，通过问卷调查和数据分析的方式，收集了用户对节能框架的反馈和意见。调查内容包括用户对节能建议的接受程度、节能效果的满意度以及对应用程序的使用体验等。

4.3 结果与讨论

• 响应分析 ：通过对用户反馈的分析发现，大部分用户对节能建议表示认可，并愿意尝试按照建议调整自己的能源消耗行为。约80%的用户表示收到节能建议后，会考虑采取相应的节能措施。
• 有用性评估 ：用户对节能框架的有用性给予了较高评价。超过70%的用户认为节能建议对他们的能源消耗行为产生了积极影响，帮助他们节省了能源。同时，用户对Home - Assistant应用程序的易用性和功能性也表示满意。

以下是用户对节能建议接受程度和有用性评估的表格：
|评估指标|比例|
| ---- | ---- |
|接受节能建议的用户比例|80%|
|认为节能建议有用的用户比例|70%|

5. 结论

通过对节能框架的研究和实验，可以得出以下结论：
- 结合人工智能、推荐系统、微时刻概念和物联网传感器的节能框架能够有效检测和纠正异常能源消耗习惯，为终端用户提供个性化的节能建议。
- 试点项目的结果表明，该节能框架得到了用户的认可和积极响应，对提高能源效率具有显著的促进作用。
- 智能手机应用程序在节能过程中发挥了重要作用，为用户提供了便捷的能源管理工具，有助于改变用户的能源消耗行为。

未来，可以进一步扩大试点项目的规模，收集更多的数据，以优化节能框架的性能。同时，可以探索与更多的智能设备和系统进行集成，实现更全面的能源管理和节能效果。此外，加强对用户行为和能源消耗模式的研究，不断改进推荐系统的算法，提供更加精准和个性化的节能建议。