基于云平台的暖通空调监控系统、方法

摘要

本发明涉及一种基于云平台的暖通空调监控系统，包括数据采集结点，用于采集目标建筑的信息以及各暖通空调运行数据；控制结点，用于汇集所述数据采集结点接入的目标建筑的信息以及各暖通空调运行数据并进行处理，向暖通空调控制调节指令，实现本地化集中管控；前置数据采集服务结点，用于接入控制结点传输的目标建筑的信息以及各暖通空调运行数据，并对暖通空调运行数据处理后，传输到远程监控云平台；远程监控云平台，用于汇集前置数据采集服务单元处理后的目标建筑的信息以及各暖通空调运行数据，实现各暖通空调智能化协同和调度。本发明还提供了相应的监控方法。基于云平台与人工智能技术，实现暖通空调智能化协同和调度，进行能效优化。

权利要求

1.一种基于云平台的暖通空调监控系统，其特征在于，包括：

数据采集结点，用于采集目标建筑的信息以及各暖通空调运行数据；

控制结点，用于汇集所述数据采集结点接入的目标建筑的信息以及各暖通空调运行数据并进行处理，向暖通空调控制调节指令，实现本地化集中管控；

前置数据采集服务结点，用于接入控制结点传输的目标建筑的信息以及各暖通空调运行数据，并对目标建筑的信息以及各暖通空调运行数据再处理后，传输到远程监控云平台；

各数据采集结点、控制结点、前置数据采集服务结点之间采用半分布式P2P拓扑结构，所述控制结点、前置数据采集服务结点作为高层结点，各数据采集结点作为底层结点；

远程监控云平台，基于发布‑订阅模式集群的高并发消息服务，将前置数据采集服务节点处理后的目标建筑的信息以及各暖通空调运行数据经过人工智能算法训练，实现各暖通空调智能化协同和调度；

所述数据采集结点、控制结点、前置数据采集服务结点、远程监控云平台之间基于5G通信进行组网，所述数据采集结点基于5G边缘计算网络进行组网部署于网络边缘。

2.根据权利要求1所述的基于云平台的暖通空调监控系统，其特征在于，所述控制结点还存储有目标建筑信息模型，所述目标建筑信息模型包括各数据采集结点的虚拟地址、各暖通空调位置信息。

3.根据权利要求1所述的基于云平台的暖通空调监控系统，其特征在于，所述控制结点基于神经网络的专家系统算法，对暖通空调关键部件的健康度或故障进行预测，优化暖通空调运行参数。

4.一种采用权利要求1‑3任一项所述的基于云平台的暖通空调监控系统的监控方法，其特征在于，包括：根据目标建筑的信息和暖通空调的运行动态数据，建立目标建筑的暖通空调系统能耗仿真模型；

调用目标建筑的暖通空调系统能耗仿真模型，计算目标建筑所期望的冷热传递负荷，并控制暖通空调系统工作状态以调节目标建筑室内环境温度在预设的时间内达到期望环境温度，包括：根据室外环境温度实测值、室外环境温度历史值、室外环境温度的预测值、室内期望环境温度值优化目标建筑所期望的冷热传递负荷，在确定的最优解集中选取满足预设边界条件的最优解作为最优目标建筑所期望的冷热传递负荷；

基于目标建筑冷热传递负荷生成热传递‑功率曲线，根据热传递‑功率曲线控制暖通空调系统工作状态以调节目标建筑室内环境温度在预设的时间内达到期望环境温度。

说明书

基于云平台的暖通空调监控系统、方法

技术领域

[0001] 本发明属于暖通空调技术领域，尤其涉及一种基于云平台的暖通空调监控系统、方法。

背景技术

[0002] 暖通空调(HVAC)是指室内或车内负责暖气、通风及空气调节的系统或相关设备。暖通空调系统可以控制空气的温度及湿度，提高室内的舒适度，是中大型工业建筑或办公建筑中重要的一环。暖通空调系统最根本的目标是实现对环境温度的调控，在暖通空调系统的节能设计过程中，应根据工程建筑的实际情况，合理选择热源系统。在暖通空调系统中，节能工程设计应该注重各个环节的能源消耗,可以采用计算机系统全面测试空调系统的供暖状况，应用智能管网、平衡阀等，优化配置管网流量，加强管理对策，以此提高运行效率，实现节能目标。

[0003] 而现有暖通空调系统的控制大部分是封闭的，安装在本地，远程无法得到系统的系统配置、交付使用、运行数据和故障报警等内容。虽然有些系统采用了物联网技术，但其往往是独立部件(如房间控制器)，或者是数据监测和远程控制，没有能实现整个产品生命周期的管理，也不能进行控制程序的远程升级。因此，本发明考虑给予现有云平台+人工智能技术，设计一种暖通空调监控系统，以实现实现暖通空调智能化协同调度与能效优化。

发明内容

[0004] 本发明提供了一种基于云平台的暖通空调监控系统、方法，基于云平台与人工智能技术，实现暖通空调智能化协同和调度，进行暖通空调系统能效优化。

[0005] 本发明提供了一种基于云平台的暖通空调监控系统，包括：

[0006] 数据采集结点，用于采集目标建筑的信息以及各暖通空调运行数据；

[0007] 控制结点，用于汇集所述数据采集结点接入的目标建筑的信息以及各暖通空调运行数据并进行处理，向暖通空调控制调节指令，实现本地化集中管控；

[0008] 前置数据采集服务结点，用于接入控制结点传输的目标建筑的信息以及各暖通空调运行数据，并对目标建筑的信息以及各暖通空调运行数据再处理后，传输到远程监控云平台；

[0009] 远程监控云平台，用于汇集前置数据采集服务单元处理后的目标建筑的信息以及各暖通空调运行数据，实现各暖通空调智能化协同和调度。

[0010] 优选的，各数据采集结点、控制结点、前置数据采集服务结点之间采用半分布式P2P拓扑结构，所述控制结点、前置数据采集服务结点作为高层结点，各数据采集结点作为底层结点。

[0011] 优选的，所述控制结点还存储有目标建筑信息模型，所述目标建筑信息模型包括各数据采集结点的虚拟地址、各暖通空调位置信息。

[0012] 优选的，所述控制结点基于神经网络的专家系统算法，对暖通空调关键部件的健康度或故障进行预测，优化暖通空调运行参数。

[0013] 优选的，所述远程云监控平台基于发布‑订阅模式集群的高并发消息服务，将前置数据采集服务单元处理后的目标建筑的信息以及各暖通空调运行数据经过人工智能算法训练，实现各暖通空调智能化协同和调度。

[0014] 优选的，所述数据采集结点、控制结点、前置数据采集服务结点、远程监控云平台之间基于5G通信进行组网，所述数据采集结点基于5G边缘计算网络组网设计。

[0015] 本发明还提供了一种采用所述的基于云平台的暖通空调监控系统的监控方法，包括：

[0016] 根据目标建筑的信息和暖通空调的运行动态数据，建立目标建筑的暖通空调系统能耗仿真模型；

[0017] 调用目标建筑的暖通空调系统能耗仿真模型，计算目标建筑所期望的冷热传递负荷，并控制暖通空调系统工作状态以调节目标建筑室内环境温度在预设的时间内达到期望环境温度。

[0018] 优选的，根据室外环境温度实测值、室外环境温度历史值、室外环境温度的预测值、室内期望环境温度值优化目标建筑所期望的冷热传递负荷，在确定的最优解集中选取满足预设边界条件的最优解作为最优目标建筑所期望的冷热传递负荷。

[0019] 优选的，基于目标建筑冷热传递负荷生成热传递‑功率曲线，根据热传递‑功率曲线控制暖通空调系统工作状态以调节目标建筑室内环境温度在预设的时间内达到期望环境温度。

[0020] 与现有技术相比，本发明的优点和积极效果在于：

[0021] 本发明提供了一种基于云平台的暖通空调监控系统，基于云计算+人工智能设计，采用半分布式P2P拓扑结构，将暖通空调监控系统设计为数据采集结点、控制结点、前置数据采集与服务结点、以及远程监控云平台等部分组成，控制结点、前置数据采集服务结点作为高层结点，各数据采集结点作为底层结点，各数据采集结点之间具体基于5G边缘计算网络进行组网，简化楼宇暖通空调设备的控制通信，各结点之间可以相互进行通信，降低路由器的通信负担的同时提高数据传输的安全性。高层结点预设控制策略和传感器采集数据生成控制指令，该设计方式无需依赖服务器对暖通空调设备进行集中控制，降低服务器的运行负担，提高楼宇暖通空调控制的可靠性。

[0022] 同时，本发明还提供了相应的监控方法，基于模型预测+优化求解的方式，对暖通空调系统能效优化，根据目标建筑的信息和暖通空调的运行动态数据，建立目标建筑的暖通空调系统能耗仿真模型；同时为避免各暖通空调系统彼此之间的干扰，可以分解为多个子系统，构建多个子仿真模型，然后将所有子模型融合成一个总仿真模型。然后，综合考虑室内外环境温度实测值、室内外环境温度预测值、室外环境温度历史值然、以及人流量等因素的影响，将目标建筑的历史信息数据中的时间段、室内外温度、耗电量和人流量等因子输入到预设模型进行训练，进行模型预测训练，确定目标建筑冷热传递负荷预测模型，根据生成的热传递‑功率曲线控制暖通空调系统工作状态以调节目标建筑室内环境温度在预设的时间内达到期望环境温度，以进行能耗优化设计。该设计可应用于现有数据中心、智能楼宇的能效优化，以及对工业级复杂系统的预测与能效优化问题。

附图说明

[0023] 图1为本发明的基于云平台的暖通空调监控系统整体框图结构；

[0024] 图2为基于云平台的暖通空调监控系统的监控方法整体流程图。

具体实施方式

[0025] 以下结合附图对本发明的具体实施方式进行进一步的描述。

[0026] 本发明实施例提供了一种基于云平台的暖通空调监控系统，如图1所示，系统基于半分布式P2P拓扑结构，选择性能较好的结点作为高层结点，高层结点存储有底层结点的信息，检索算法只在高层结点之间转发，高层结点在将查询请求转发至适当的底层结点。具体为暖通空调监控系统包括数据采集结点、控制结点、前置数据采集与服务结点、以及远程监控云平台等主要部分组成，控制结点、前置数据采集服务结点作为高层结点，各数据采集结点作为底层结点。其中，数据采集结点作为底层结点，与目标建筑设置的各类传感器以及暖通空调通信，用于采集用于采集目标建筑的信息以及各暖通空调运行数据。控制结点作为高层结点，用于汇集数据采集结点接入的目标建筑的信息以及各暖通空调运行数据并进行处理，向暖通空调控制调节指令，实现本地化集中管控；控制结点还存储有目标建筑信息模型，目标建筑信息模型包括各数据采集结点的虚拟地址、各暖通空调位置信息等。前置数据采集服务结点作为控制结点的上一层结点，用于接入控制结点传输的目标建筑的信息以及各暖通空调运行数据，并对目标建筑的信息以及各暖通空调运行数据再处理后，传输到远程监控云平台。远程监控云平台用于汇集前置数据采集服务单元处理后的目标建筑的信息以及各暖通空调运行数据，实现各暖通空调智能化协同和调度。

[0027] 本实施例中数据采集结点、控制结点、前置数据采集服务结点、远程云平台之间具体基于5G通信进行组网，将严格低时延需求的各数据采集结点基于5G边缘计算网络进行组网部署于网络边缘，边缘设置的数据采集结点会提供和中心云一样的IaaS基础设施即服务环境，为诸如用以支持本地导流的UPF用户面功能的5G网络虚拟化网络功能和第三方应用或应用平台提供运行环境。控制结点基于神经网络的专家系统算法，对暖通空调关键部件的健康度或故障进行预测，优化暖通空调运行参数。具体可以采用神经网络支持专家系统，以传统的专家系统为主，以神经网络的有关技术为辅，对专家系统提供的暖通空调相关知识库，通过神经网络自动获取。或者采用专家系统支持神经网络方式，以神经网络的有关技术为核心，建立暖通空调相关领域的专家系统，采用专家系统的相关技术进行解释。或者采用协同式神经网络专家系统，将目标建筑的暖通空调系统分解为若干个子系统，针对每个子系统的设计，选择适用的神经网络或专家系统进行处理。

[0028] 本实施例中具体设置远程监控云平台基于kafka发布‑订阅模式集群的高并发消息服务，将前置数据采集服务单元处理后的目标建筑的信息以及各暖通空调运行数据经过人工智能算法训练，实现各暖通空调智能化协同和调度。kafka是一种支持分布式、分区的、多副本的、多订阅者，基于zookeeper协调的分布式日志系统，以时间复杂度为O(1)的方式提供消息持久化能力，即使对TB级以上数据也能保证常数时间的访问性能。具有高吞吐率，支持Kafka Server间的消息分区，能同时保证每个partition内的消息顺序传输。同时支持离线数据处理和实时数据处理、以及Scale out支持在线水平扩展。本实施例中基于kafka集群设计远程监控云平台，至少设计一个broker服务器结点，每条发布到Kafka集群的消息都有一个Topic类别，broker存储topic的数据，topic中的数据分割为一个或多个partition。每个topic至少有一个partition。每个partition中的数据使用多个segment文件存储。Producer将消息发布到Kafka的topic中，broker接收到生产者发送的消息后，broker将该消息追加到当前用于追加数据的segment文件中。Producer发送的消息，存储到一个随机partition中或指定数据存储的partition。Consumer从broker中读取数据，可以消费多个topic中的数据。每个partition有多个副本，其中有且仅有一个作为Leader，Leader是当前负责数据的读写的partition，Follower跟随Leader，所有写请求都通过Leader路由，数据变更会广播给所有Follower，Follower与Leader保持数据同步。远程监控云平台将前置数据采集服务单元处理后的目标建筑的信息以及各暖通空调运行数据经过人工智能算法训练，进行自动规划优化，实现各暖通空调智能化协同和调度。

[0029] 因此，本发明提供的暖通空调监控系统，将云计算+人工智能设计应用于楼宇暖通空调控制，基于半分布式P2P拓扑结构，将暖通空调监控系统设计为数据采集结点、控制结点、前置数据采集与服务结点、以及远程监控云平台等部分组成，控制结点、前置数据采集服务结点作为高层结点，各数据采集结点作为底层结点，将严格低时延需求的各数据采集结点基于5G边缘计算网络进行组网部署于网络边缘，简化楼宇暖通空调设备的控制通信，各结点之间可以相互进行通信，降低路由器的通信负担的同时提高数据传输的安全性。高层结点预设控制策略和传感器采集数据生成控制指令，控制结点可以基于神经网络的专家系统算法设计，对暖通空调关键部件的健康度或故障进行预测，优化暖通空调运行参数；远程监控云平台基于kafka发布‑订阅模式集群的高并发消息服务，将前置数据采集服务单元处理后的目标建筑的信息以及各暖通空调运行数据经过人工智能算法训练，实现各暖通空调智能化协同和调度。该设计方式无需依赖服务器对暖通空调设备进行集中控制，降低服务器的运行负担，提高楼宇暖通空调控制的可靠性。

[0030] 由于暖通空调技术用来对房间或空间内的温度、湿度、洁净度和空气流动速度进行调节，并提供足够量的新鲜空气的建筑环境控制系统现有HVAC系统通常由多个设备协同工作，每个设备的工作状态不仅受自身参数的影响，还会收到系统中其他设备工作状态的影响。因此在实际仿真建模过程中，尽可能的减少与专业知识的耦合，模型拆解中只需找到设备彼此关联影响的因变量，不需要进行大量的特征组合与特征工程工作。因此，本发明基于上述的云平台的暖通空调监控系统，考虑基于模型预测+优化求解的方式，对暖通空调系统能效优化方法，可应用于现有数据中心、智能楼宇的能效优化，以及对工业级复杂系统的预测与优化问题。参考图2所示，具体为：

[0031] 根据目标建筑的信息和暖通空调的运行动态数据，建立目标建筑的暖通空调系统能耗仿真模型。为避免各暖通空调系统彼此之间的干扰，可以分解为多个子系统，根据系统中各设备的连接关系，构建子仿真模型之间的空间位置连接关系，然后将所有子仿真模型融合成一个总仿真模型，每个子仿真模型的输出都作为损失函数的一部分共同参与训练，从而使每个子仿真模型的输入尽可能涵盖真实的参数空间，进而提高总仿真模型精度。在构建子仿真模型之间的连接关系时，每个设备子仿真模型的输入可以是独立的设备自身参数，也可以是其他子仿真模型的输出，还可以是两者结合，具体可以结合实际需要构建。在本实施例中，基于FMI协议将目标建筑的暖通空调系统能耗仿真模型封装为FMU文件，FMI用于将不同设备供应商提供的各种不同的行为模型设备与标准控制器的软件/硬件/模型进行半实物实时仿真测试。FMI的目标是定义一个开放的接口，用来实现可执行的并且可被调用的FMU文件及相关内容，主要是定义了模型交换和联合仿真的开放接口。

[0032] 然后，调用目标建筑的暖通空调系统能耗仿真模型，计算目标建筑所期望的冷热传递负荷，并控制暖通空调系统工作状态以调节目标建筑室内环境温度在预设的时间内达到期望环境温度。然后，综合考虑室内外环境温度实测值、室内外环境温度预测值、室外环境温度历史值然、以及人流量等目标建筑的动静态信息，将目标建筑的历史信息数据中的时间段、室内外温度、耗电量和人流量等因子输入到预设趋势模型进行训练，得到训练后的趋势模型；将目标建筑的历史信息数据中的时间段、室内外温度、耗电量和人流量等因子输入到预设周期模型进行训练，得到训练后的周期模型；将训练后的趋势模型、周期模型等进行拟合，确定目标建筑冷热传递负荷预测模型，在确定的最优解集中选取满足预设边界条件的最优解作为目标建筑所期望的冷热传递负荷，生成热传递‑功率曲线，根据热传递‑功率曲线控制暖通空调系统工作状态以调节目标建筑室内环境温度在预设的时间内达到期望环境温度。实际设计中对于室内外环境温度实际值可以使用温度传感器直接测量，对于预测值可以从因特网、云服务器或由气象局编译的数据库或直接来自气象站的数据等来源获得的气象数据容易地确定。

[0033] 因此，基于上述的暖通空调监控系统设计的监控方法，考虑基于模型预测+优化求解的方式，对暖通空调系统能效优化，根据目标建筑的信息和暖通空调的运行动态数据，建立目标建筑的暖通空调系统能耗仿真模型；同时为避免各暖通空调系统彼此之间的干扰，可以分解为多个子系统，构建多个子仿真模型，然后将所有子模型融合成一个总仿真模型。然后，综合考虑室内外环境温度实测值、室内外环境温度预测值、室外环境温度历史值然、以及人流量等因素的影响，将目标建筑的历史信息数据中的时间段、室内外温度、耗电量和人流量等因子输入到预设模型进行训练，进行模型预测训练，确定目标建筑冷热传递负荷预测模型，根据生成的热传递‑功率曲线控制暖通空调系统工作状态以调节目标建筑室内环境温度在预设的时间内达到期望环境温度，以进行能耗优化设计。该设计可应用于现有数据中心、智能楼宇的能效优化，以及对工业级复杂系统的预测与能效优化问题。

[0034] 综上，本发明基于云计算+人工智能设计，提供了一种暖通空调监控系统、以及监控方法，基于半分布式P2P拓扑结构，将暖通空调监控系统设计为数据采集结点、控制结点、前置数据采集与服务结点、以及远程监控云平台等部分组成，控制结点、前置数据采集服务结点作为高层结点，各数据采集结点作为底层结点，各数据采集结点之间具体基于5G边缘计算网络进行组网，以简化楼宇暖通空调设备的控制通信，各结点之间可以相互进行通信，降低路由器的通信负担的同时提高数据传输的安全性。高层结点预设控制策略和传感器采集数据生成控制指令，该设计方式无需依赖服务器对暖通空调设备进行集中控制，降低服务器的运行负担，提高楼宇暖通空调控制的可靠性。同时，基于模型预测+优化求解的方式，对暖通空调系统能效优化，根据目标建筑的信息和暖通空调的运行动态数据，建立目标建筑的暖通空调系统能耗仿真模型；同时为避免各暖通空调系统彼此之间的干扰，可以分解为多个子系统，构建多个子仿真模型，然后将所有子模型融合成一个总仿真模型。然后，综合考虑室内外环境温度实测值、室内外环境温度预测值、室外环境温度历史值然、以及人流量等因素的影响，将目标建筑的历史信息数据中的时间段、室内外温度、耗电量和人流量等因子输入到预设模型进行训练，进行模型预测训练，确定目标建筑冷热传递负荷预测模型，根据生成的热传递‑功率曲线控制暖通空调系统工作状态以调节目标建筑室内环境温度在预设的时间内达到期望环境温度，以进行能耗优化设计。该设计可应用于现有数据中心、智能楼宇的能效优化，以及对工业级复杂系统的预测与能效优化问题。

[0035] 以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例应用于其它领域，但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。