27、基于物联网与人工智能的建筑节能解决方案

基于物联网与人工智能的建筑节能解决方案

在当今社会，能源效率成为了一个备受关注的话题。为了改变终端用户异常的能源消耗习惯，一种结合了人工智能（AI）、微时刻概念以及物联网（IoT）传感器的节能解决方案应运而生。

1. 提出的方法框架

该框架旨在通过提高消费者对家庭和建筑物能源使用的认识，来鼓励他们改变行为。它主要包括以下四个关键步骤：
1. 数据收集 ：从学术建筑中的各种电器收集能耗足迹和大气条件等数据。
2. 数据处理 ：对收集到的能耗足迹和大气条件数据进行处理，提取有助于识别异常的能源微时刻。
3. 节能建议生成 ：根据处理后的数据，生成节能相关的建议。
4. 能耗数据可视化 ：将消耗的功率数据进行可视化展示，方便用户查看。

2. 微时刻概念

微时刻的概念最初由谷歌在2015年作为一种广告解决方案重新引入。在能源效率的背景下，微时刻被描述为消费者可以进行与能源相关活动的短暂时间段。利用微时刻范式可以帮助确定向消费者提供节能建议的最佳时间，从而提高建议的接受概率。

为了识别正常或异常的能源消耗，对收集到的时间序列功率消耗数据进行微时刻分析。微时刻类别根据家电的占用情况分析（O）和功率消耗（P），结合设备运行时间（DOT）、设备待机功耗（DSPC）和设备主动消耗范围（DACR）来定义，具体如下表所示：
| 标签 | 类别 | 微时刻描述 |
| — | — | — |
| 0 | 良好消耗 | 小于电器最大主动功率消耗率的95% |
| 1 | 开启电器 | 终端用户打开电器的微时刻 |
| 2 | 关闭电器 | 终端用户关闭电器的微时刻 |
| 3 | 过度消耗 | 超过电器最大主动功率消耗率的95% 或超过设备运行时间 |
| 4 | 外出时消耗 | 终端用户不在场时电器仍在消耗能源 |

最后两类会导致大量的能源浪费，因此通过（EM）3移动应用向终端用户提供个性化建议，当检测到异常消耗行为时，提醒用户采取节能措施。

以下是用于将能源消耗观测值标注为上述五个微时刻类别的基于规则的算法：

Algorithm 12.1: Proposed rule-based algorithm for extracting power  
consumption micro-moment features
Result: M2F: micro-moment feature vector
Read p, O, DACR, DOT, DSPC and OT: operation time;
Initialization: M2F = ∅ while t ≤ l (with l is the length of the power signal) do
Rule 1: Non-excessive usage
if p(t) ≥ min(DACR) and p(t) ≤ 95% × max(DACR)
M2F(t) = 0 (Good usage);
Rule 2: Switching on a device
if p(t) ≥ min(DACR) and p(t − 1) ≤ max(DSP C)
M2F(t) = 1 (Turn on device);
Rule 3: Switching off a device
if p(t) ≤ max(DSP C) and p(t − 1) ≥ min (DACR)
M2F(t) = 2 (Turn off device);
Rule 4: Consumption exceeds 95% of DACR or DOT
if p(t) ≥ 95% × max(DACR) or OT (t) ≥ DOT
M2F(t) = 3 (Excessive consumption);
Rule 5: Consumption without presence of the end-user
if O(t) = 0 and p(t) ≥ 0.95 × DSPC
M2F(t) = 4 (consumption while outside);
end

3. 推荐系统

推荐系统（RS）的主要目标是逐渐改变消费者的日常习惯，减少重复行为的能源足迹。节能提示必须在合适的时刻提供，推荐消息中会解释每个推荐触发的原因，主要有以下两个方面：
- 用户离开房间但电器仍开着，造成不必要的电力浪费。
- 用户在房间内，但外部条件允许关闭某些电器，从而避免不必要的能源消耗。

4. Home - Assistant应用

目前市场上大多数设备都支持云连接，但为了降低传输成本、避免网络延迟并提高安全性和隐私性，Home - Assistant作为一个开源平台应运而生。它可以集中家中所有的传感器和设备，利用消息队列遥测传输（MQTT）与其他设备进行通信。此外，它还提供了一个能源仪表盘，方便终端用户快速查看每天的能源消耗情况，还可以按小时细分能源消耗，获得更深入和准确的见解。

5. 试点安装

在不同的试点地点分布多个环境模块，用于测量温度、湿度和光度等不同参数。同时，使用支持的Home - Assistant应用检测房间内的人员存在情况，该应用具有位置跟踪功能。为了测量各种家用电器的功率消耗，使用了自行设计和现成的智能插头解决方案。节能提示以通知的形式发送到Home - Assistant应用，参与研究的人员需要：
- 对通知做出回应，接受、拒绝或忽略。
- 完成一份两部分的调查，分别在研究开始和结束时收集他们对节能的看法。

以下是不同家用电器的功率消耗规格表：
| 电器 | 设备运行时间（DOT） | 设备主动消耗范围（DACR，瓦） | 设备待机功耗（DSPC，瓦） |
| — | — | — | — |
| 空调 | 15小时30分钟 | 1000 | 4 |
| 微波炉 | 1小时 | 1200 | 7 |
| 烤箱 | 3小时 | 2400 | 6 |
| 洗碗机 | 1小时45分钟 | 1800 | 3 |
| 笔记本电脑 | 12小时42分钟 | 100 | 20 |
| 洗衣机 | 1小时 | 500 | 6 |
| 灯 | 8小时 | 60 | 0 |
| 电视 | 12小时42分钟 | 65 | 6 |
| 冰箱 | 17小时30分钟 | 180 | 0 |
| 台式电脑 | 12小时42分钟 | 250 | 12 |

这个框架的整体流程可以用以下mermaid流程图表示：

graph LR
    A[数据收集] --> B[数据处理]
    B --> C[节能建议生成]
    C --> D[能耗数据可视化]
    E[微时刻分析] --> B
    F[推荐系统] --> C
    G[Home - Assistant应用] --> D
    H[试点安装] --> A
    H --> G

通过这样的框架和一系列措施，有望实现建筑能源的高效利用，改变用户的能源消耗习惯。后续还将继续介绍该节能框架的实验结果等内容。

基于物联网与人工智能的建筑节能解决方案

6. 实验结果

为了评估该节能框架，启动了一个小型试点项目，选取了多达10名具有不同用电观念的用户，分布在不同地点参与实验。大部分地点的总体设置与特定示例相似。

6.1 样本规模与特征

研究共收集了10名居住在卡塔尔多哈的参与者的数据。在年龄分布上，18 - 24岁的参与者占60%，25 - 34岁的占20%，35 - 44岁和45 - 55岁的各占10%。性别方面，女性占70%，男性占30%。具体的研究人口统计信息如下表所示：
| 性别 | 数量 | 年龄组 | 数量 | 职业组 | 数量 |
| — | — | — | — | — | — |
| 女性 | 7 | 18 - 24 | 6 | 学生 | 2 |
| 男性 | 3 | 25 - 34 | 2 | 研究人员 | 6 |
| | | 35 - 44 | 1 | 学术人员 | 2 |
| | | 45 - 54 | 1 | | |

6.2 调查概况

分发的调查分为两部分。第一部分在研究开始时发放，研究人员可借此初步了解参与者的能源使用习惯。第二部分在研究结束时发放，以观察参与者是否因参与试点而改变了行为。

除了用于确定参与者性别、位置、年龄组或职业的问题外，还准备了一系列问题来了解参与者在节能方面的行为和习惯，具体问题如下表所示：
| 问题 | 最大范围 | 最小范围 |
| — | — | — |
| 你在家中对节约用电有多在意？ | 非常在意 | 完全不在意 |
| 电价对你的用电习惯有多大影响？ | 影响很大 | 完全没有影响 |
| 你在家中临时离开居住区域（如卧室）时，多久会关闭空调一次？ | 总是 | 很少 |
| 你在家中临时离开居住区域时，多久会关闭灯光一次？ | 总是 | 很少 |
| 你在家中临时离开居住区域时，多久会断开电脑/平板电脑的电源一次？ | 总是 | 很少 |
| 技术在改变能源消耗行为方面起到了什么作用？ | 作用显著 | 作用微小 |

6.3 结果与讨论

• 响应分析 ：为了分析参与者的回答，使用了箱线图，因为它既有效又易于研究。从研究开始到结束，调查问卷问题的平均值明显增加。这可能表明参与者对如何节约能源有了更好的理解，并且意识到了日常过度消耗能源所带来的经济和环境后果。
• 有用性评估 ：为了评估框架各组件的有用性，在最终调查问卷中包含了一系列问题。大部分问题的回答平均值都在3.6以上。此外，当被要求描述在研究过程中收到的节能建议时，80%的参与者给出了积极的反馈。相关问题如下表所示：
  | 问题 | 最大范围 | 最小范围 |
  | — | — | — |
  | 通过移动应用提供的数据分析将在未来对你的能源消耗产生多大影响？ | 影响很大 | 完全没有影响 |
  | 你通过移动应用多久收到一次节能建议？ | 总是 | 从未 |
  | 你对通过移动应用收到的推荐通知多久互动一次？ | 总是 | 从未 |
  | 你多久会使用移动应用来可视化电力消耗和/或其他收集的数据？ | 总是 | 从未 |
  | 由于参与这项研究，你对节能态度的改变如何描述？ | 改变很大 | 改变很小 |

7. 结论

提出的节能解决方案基于多种技术的互补性。该框架采用人工智能和微时刻概念，以及一系列战略性放置的物联网传感器，旨在改变特定的习惯模式。根据习惯循环理论，一个人需要经历提示、常规和奖励三个阶段。在这个改变过程中使用了推荐系统，它将行动与奖励相关联，从而强化新习惯。节能建议通过Home - Assistant应用以警报的形式发送给用户。

小型试点研究的结果表明，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。然而，当前的实施存在一些局限性。例如，当前的传感技术可以通过使用更精确的测量芯片（如HLW8012）来改进。在网络安全方面，目前主要依赖边缘计算安全，缺乏应对不同网络攻击的防御机制，在某些情况下是不够的。

未来的工作可以包括以下方面：
- 研究使用前沿的网络安全技术，如区块链，来加强边缘设备的安全性，解决用户的隐私问题以及在需要将数据发送到云数据中心进行更复杂处理时的安全问题。
- 扩大研究样本规模，纳入更多的观点和意见，以观察该框架在更广泛参与者中的响应情况。

综上所述，通过结合先进技术和有效的用户干预措施，有望实现建筑能源的高效利用，为可持续发展做出贡献。

以下是整个研究过程的mermaid流程图总结：

graph LR
    A[试点安装] --> B[数据收集]
    B --> C[数据处理]
    C --> D[节能建议生成]
    D --> E[能耗数据可视化]
    E --> F[调查与反馈收集]
    F --> G[结果分析与评估]
    G --> H[结论与未来展望]
    I[微时刻分析] --> C
    J[推荐系统] --> D
    K[Home - Assistant应用] --> E
    K --> F

这个流程图展示了从试点安装开始，经过数据处理、建议生成、可视化，再到调查反馈、结果分析，最终得出结论并进行未来展望的完整过程。