智慧建筑已经成为未来建筑的发展趋势, 并且智慧建筑能耗管理也成为国内外学者的研究热点。就研究方向来看, 能耗管理算法层面上的研究主要分为2个方向: 一是基于人工智能的学习方式, 二是基于模型的预测控制^[1]。

电力物联网是实现智慧建筑能耗管理的重要技术, 主要用于智慧建筑的数据采集、传递和处理。电力物联网是一种具有状态全面感知、信息高效处理、应用便捷灵活等特征的智慧服务系统, 从"云、管、边、端"4层架构的新角度, 对智慧建筑的架构进行优化设计, 进一步提升能源利用率, 实现设备智能化、办公自动化、用能清洁绿色化, 推动电力物联网智慧建筑实现可持续发展。

本文首先介绍了智慧建筑和电力物联网的概念, 提出了电力物联网框架下智慧建筑的能耗管理架构, 进而总结智慧建筑能耗管理中节能和预测技术的研究进展, 最后分析了电力物联网下智慧建筑能耗管理的关键技术与应用前景。

智慧建筑是顺应科学发展和生活需求提出的概念, 是将传统建筑与通信技术、计算机技术以及自动控制技术相结合, 实现建筑内设备的互联互通, 充分提高建筑安全性能。早期的智慧建筑能耗管理系统大部分采用有线通信方式, 具有实时性差、数据准确性不高、成本高、安装难度大等问题^[2-3]。5G和低功耗广域网技术为智慧建筑能耗管理系统提供了更高速率、低时延的通信方式。

当前智慧建筑主要向环境友好型的绿色建筑方向发展。绿色建筑强调对建筑模型信息、电气设备用电量和用户的用电习惯等数据采集后, 通过各种学习算法, 如支持向量机(Supper Vector Machine, SVM)、神经网络算法等对数据进行深度挖掘分析, 提出行之有效的建筑节能方案, 提高能源利用率、降低建筑能耗、大幅减少建筑运行成本。

电力物联网是物联网在智能电网中的应用, 是信息通信技术发展到一定阶段的产物, 将有效整合通信基础设施资源和电力系统基础设施资源, 提高电力系统信息化水平, 改善电力系统现有基础设施利用效率, 为电网发、输、变、配、用电等环节提供重要技术支撑^[3]。作为能源互联网的重要组成部分, 推进电力物联网建设是未来重点的发展方向。

电力物联网不仅是指在电力系统中实现人与物、物与物相连, 更进一步将服务也加入进去^[4], 表现为人、物和服务相互连接的系统。电力物联网人、物、服务互联如图 1所示。

图 1 电力物联网人、物、服务互联

电力物联网是以电网为枢纽, 通过与通信行业资源共享复用, 开展能源电力大数据挖掘分析, 为更多市场主体提供增值服务的综合能源体系。5G技术的快速发展引发的带宽和时延方面的较大提升, 为实现电力物联网提供了良好的技术支撑。本文运用电力物联网技术对智慧建筑架构进行优化, 从智慧建筑绿色节能角度展开分析, 通过对建筑用电能耗的预测和管理, 致力于打造信息全面感知、用能灵活便捷、信息高效处理的新型智慧建筑。

传统智慧建筑能耗管理系统由感知层、网络层、应用层3层组成, 具体如图 2所示。

图 2 传统能耗管理网络架构

其中, 感知层经能耗采集节点将采集的能耗数据发送, 中继节点实现数据的远传, 协调节点实现能耗数据的汇集并将其发送给网关; 网络层将协调器汇集的能耗数据通过网络上传至应用层; 应用层主要由服务器实现能耗数据的远程存储^[5]。

随着智慧建筑终端设备的不断智能化发展, 终端数据量大幅增长, 传统能耗管理架构显然已经没有处理较高时空复杂度数据的能力。在电力物联网时代, 边缘计算技术、云雾计算技术为实现智慧建筑能耗管理统一化、轻量化提供了可能^[6]。本文基于电力物联网技术, 对智慧建筑能耗管理系统架构进行优化, 设计为"云—管—边—端"4个层面^[7], 具体如图 3所示。

图 3 基于泛在电力物联网的能耗管理架构

"云"是指物联网平台云, 拥有强大的大数据分析与储存能力; "管"是指有线/无线通信方式, 采用新型5G网络与低功耗广域网, 实现数据传输广覆盖、低延时、低功耗、低成本^[8]; "边"是指部署边缘计算装置, 构建分布式数据中心, 提升整体的边缘计算能力, 并克服了异构系统"信息孤岛"的问题; "端"则涵盖了智能传感、智能设备和智能终端, 对设备信息进行识别与采集。通过4个层面的建设, 可以使建筑内部任何时间、地点的人、物间实现信息连接与交互, 产生共享数据, 从而为用户、电网和供应商提供服务。

云: 可以为智慧建筑提供强大计算能力, 通过云数据、云计算与人工智能相结合, 实现电力流、信息流与数据流的显性隐性价值挖掘, 确保建筑内部电力通信系统的稳定运行和持续使用^[9]。智慧建筑通过云技术支持, 进行能耗数据管理分析, 从而达到节能的目的。

管: 可以理解为边缘设备上行至云平台的数据传输通道, 根据网络架构对通信方式进行融合, 并实现对网络资源灵活合理的调度和管理。智慧建筑前端设备通过有线或无线通信与设备进行连接, 在设备模型中涉及众多接口和通信协议, 包括ZigBee, Wifi, BACnet, LonWorks等^[10]。能耗管理系统在管层将设备统一接入网关, 实现协议转换以及上传, 使各系统设备随时随地实现联网状态。

边: 首先, 边缘计算基于冗余计算, 可将云平台的运算能力向靠近终端的地方下沉, 并融合多站网络传输、变电储能等创新技术, 提高每个节点的数据处理效率; 其次, 由于数据本身就分布在不同节点, 边缘计算可以提供更精准、更本地化的数据处理能力, 将数据局部融合并加密, 将器件虚拟化后只需将结果向后台反馈, 从源头上保护数据的安全性和隐私性^[11]; 最后, 通过不同边缘计算的协调获取全局结果, 比如设计相应的分布式优化算法, 开展边缘计算, 从而极大地降低数据传输量, 节省带宽, 缩短响应时间。

端: 在智慧建筑里合理布置传感器节点, 基于智能芯片的微型智能传感及智能终端完成设备信息的采集、提取和传递, 对数据进行科学的应用分类。如对建筑电气设备控制、能耗统计数据等被归至绿色节能类应用; 对访客管理、发布信息、公共广播等在内的其他应用则一并划分至高效办公类应用; 车辆与人员进出控制、智能楼宇监控系统等被归为安全防护类应用。这样采集到的数据具有更细分化、更大颗粒度、更加精确等特点, 进而通过边缘计算完成本地自控, 无需像传统设备一样只具备遥测遥信功能而不具备遥控功能^[12]。

目前, 云平台应用了数据存储、计算与监测技术。基于云计算的数据存储技术主要有2种, 一是Google公司开发的GFS, 二是Hadoop团队开发的HDFS^[13]。GFS能够对建筑能耗中的大量数据进行搜寻和分析; HDFS则有非常强的分布式存储与处理能力。智慧建筑通过对电网和设备实时进行监测, 在配电网不同节点安装传感单元, 可以实时感知配电网络的运行状态(电压幅值相角、注入有功无功等)^[14]。另外, 公共建筑耗能监测也离不开云计算的虚拟化技术。虚拟化技术将多个负载次要的虚拟机节点合并到一个物理节点上, 能够在巨大的数据库中灵活地进行资源管理和分配, 大幅度提升云计算资源的管理效率^[15]。

新一代通信技术也是智慧建筑能耗管理发展的一大关键。一方面, 未来5G通信具有高速率、高容量、高可靠性、低时延与低能耗特征, 将在万物互联、精准控制、海量量测、宽带通信、高效计算等方面具有广泛的应用; 另一方面, 以NB-IoT, LoRa为代表的低功耗广域网技术由于其广覆盖、大连接、低功耗、低成本等特点成为工信部《物联网发展规划(2016—2020年)》中明确发展的网络技术^[16]。

由于网络波动或设备故障等问题, 所以在整个数据采集、传输、分析挖掘的过程中必将造成数据缺失或冗余。因此: 从算法层面优化数据挖掘技术, 包括对缺失数据的填补和异常数据的监测; 从设备层面增强网络、网关信号强度与稳定性, 及时监测排查故障, 保证建筑安全稳定运行是减少建筑能耗、提高建筑运行效率必要的研究方向。

美国能源信息署公布的数据表明^[17], 在全球范围内, 建筑能耗占社会总能耗的20%~40%。社会城市化水平越高的地区能耗占比越高, 建筑能耗已是第二大能源消耗产业, 仅次于工业能耗。建筑内部的能耗占比如图 4所示。

图 4 各类建筑能耗占比情况

其中, 暖通空调系统的能耗占比最高, 达到平均40%以上。其次是热水系统和照明系统, 平均达到15%和10%左右。

建筑能耗预测对建筑的舒适度、安全和节能有着重要的作用。预测结果通常包括建筑的内部热负荷、冷负荷、用电量、用电量的峰值、室内温湿度、室内空气安全质量以及终端设备的运行状态等。常用的基本预测算法包括支持向量机(Support Vector Machine, SVM)、多元线性回归模型(Mutiple Linear Regression, MLR)和K邻近算法(K-Nearest Neighbors, KNN)。MLR算法用来预测每日峰值负荷和每月用电需求, KNN算法广泛应用于风速预测、电力预测和太阳能预测。SVM算法基于结构风险最小化原理, 用于能源消耗预测。SHINE P等人^[18]通过SVM算法对爱尔兰一个农场的年度用电量进行了预测, 误差率低于5%;FANG T等人^[19]通过MLR算法对城市建筑每小时的温度变化进行了一周(168 h)的预测, 显示出很高的精确度和鲁棒性。结合算法的优劣性, 采用准确性、通用性和鲁棒性为算法检验指标^[20]。建筑能耗预测框架如图 5所示。

图 5 建筑能耗预测框架

文献[21]提出了一种基于集成学习的能耗预测模型, 将多种算法模型进行融合, 以5组预测结果和测试结果作为新算法模型的训练集和测试集, 得出新的输出结果, 集成学习算法流程如图 6所示。

图 6 集成学习算法流程

文献[22]以天津大学校内教室和办公室的电能消耗作为研究对象, 将集成算法与随机森林算法(Random Forest, RF)、梯度增强决策树(Gradient Boosting Decision Tree, GBDT)、支持向量回归(Support Vector Regression, SVR)、极端梯度增强算法(extreme Gradient Boosting, XGBoost)、KNN算法在算法的精确度和相对误差分布之间进行了对比, 结果如图 7所示。由图 7可知, 相对于上述5种算法, 集成算法的精确度提高了16.2%~49.4%。

图 7 集成学习算法与其他算法对比

建筑节能是指建筑建造材料的节能和能源使用节能。对应建筑信息模型(Building Information Modeling, BIM)技术和模型预测控制(Model Predictive Control, MPC)技术是建筑节能的有效方法。

BIM通过三维模型视角展示建筑的全方位信息, 可以实现对建筑物全生命周期能耗的分析, 为设计初期进行建筑物节能设计提供有力的数据支持。

文献[23]对现阶段BIM技术的研究进行了综述, 介绍了建筑设计过程及建筑信息建模、建筑能源建模在设计过程中的应用, 对当前基于建筑信息建模的建筑能源方法进行了评估, 概述了未来发展的趋势。BIM技术为整个建筑从规划、设计、施工和运维的全生命周期信息的插入、获取、更新和修改提供了可靠的支持。其各阶段工作内容如表 1所示。

表 1 BIM技术在各阶段的工作内容

下载CSV

阶段	规划	设计	招标	施工	竣工
BIM模型	估算模型	设计模型	算量模型	施工模型	竣工模型
BIM工作内容	方案比较 投资分析	限额设计 设计概算 碰撞检查 模型建立	工程量计算 招标清算 工程预算 预算审核	进度控制 动态成本 计量支付 变更管理 材料管理	工程结算 竣工模型 交付

MPC自20世纪70年代问世以来, 已经从最初在工业中应用的启发式控制算法发展成为一个具有丰富理论和实践内容的新的学科分支。该模型为处理复杂约束优化控制问题提供了一种有效的解决方法。

文献[24]提出了一种基于模型预测控制的智能楼宇用能灵活性调控策略。该策略以居民楼宇的用电情况为研究对象, 通过热容、热阻模型建立空间状态方程, 分别通过改进日前控制(Day-ahead Predictive, DAP)和MPC两种方式进行控制, 具体结果如图 8所示。由图 8可知, 基于MPC方法调控下的楼宇电能消耗更低, 并且电压波动曲线更为稳定。

图 8 DAP和MPC调控对比

电力物联网的搭建将为能耗管理提供许多便利。相对于传统物联网架构, 电力物联网架构下的平台能够更好地为管理提供方便, 包括园区能耗管理、园区故障诊断、新能源接入和汽车充电桩等。能源管理监控系统通过检测并网点计量表状态, 对电池电流进行跟踪和预测, 并根据用户实际用电负荷实时调整储能系统出力, 削平用户用电高峰, 增加电网容量, 最大效率地利用电池存储电量, 将储能系统的效用发挥到最大^[25]。

文献[26]将光伏发电系统、储能系统、充电桩系统和智能路灯系统与能效管理监控展示平台结合, 改造后的能源系统在能源消耗总量上降低了18.3%, 能源利用效率提升了10.2%。文献[27]设计了楼宇智慧用能系统, 从用户侧生成一条控制策略, 在需求响应启动后, 自动控制设备执行。该系统运用在烟台某商业综合体中, 能降低企业综合能耗15%左右。文献[28]通过综合检测、优化调度、能耗分析和智能运维4个方面分析了电力物联网在智慧楼宇和智慧园区的应用, 实现了多能互补协调优化控制, 降低了用能成本, 提高了用能质量, 实现了能源监测、能效分析和能效诊断等功能, 充分发挥了能源供给的配置作用。文献[29]以能耗监测管理系统为研究对象, 设计了采集和通信硬件通信模块以及能源控制系统软件, 构建了一个智慧能源综合服务平台, 通过柱状图显示各区域当月用电高能耗的前5名以及用电低能耗的前5名, 建立了完整、统一的奖惩制度以及清晰、准确的层次组织关系。文献[30]明确了生产运营、客户服务、施工管理、能源生态、企业中间平台、SIoT、基础支撑和技术研究等8个方向的重点建设。文献[31]提出了智慧用能管理系统UPIoT的总体技术框架, 为政府、企业和个人的物联网总体架构开发提供了参考。

基于电力物联网的智慧建筑能耗管理系统设计以"云、管、边、端"4层架构为基础, 与建筑内用户的实际需求、各能耗特点进行有机整合, 使得物联网建筑内各系统、设备之间能够实现互联互通。目前在能耗管理系统设计上仍存在诸多问题。

在后续研究中, 将从数据处理与算法入手, 对采集的数据及时归属、界定数据密级、赋予数据权限, 保障通信网与电力网的隐私与安全; 同时研究更优化的分层和分布式算法, 以实现对海量数据的即时控制与监测。