CN115907191A - 一种自适应建筑光伏表皮模型预测控制方法 - Google Patents
一种自适应建筑光伏表皮模型预测控制方法 Download PDFInfo
- Publication number
- CN115907191A CN115907191A CN202211569065.9A CN202211569065A CN115907191A CN 115907191 A CN115907191 A CN 115907191A CN 202211569065 A CN202211569065 A CN 202211569065A CN 115907191 A CN115907191 A CN 115907191A
- Authority
- CN
- China
- Prior art keywords
- indoor
- adaptive
- time
- building photovoltaic
- state parameter
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000003044 adaptive effect Effects 0.000 title claims description 165
- 238000004088 simulation Methods 0.000 claims abstract description 61
- 238000013528 artificial neural network Methods 0.000 claims abstract description 59
- 238000010801 machine learning Methods 0.000 claims abstract description 54
- 238000010248 power generation Methods 0.000 claims abstract description 38
- 230000008859 change Effects 0.000 claims abstract description 18
- 238000005457 optimization Methods 0.000 claims description 125
- 238000012549 training Methods 0.000 claims description 74
- 230000006870 function Effects 0.000 claims description 64
- 238000005265 energy consumption Methods 0.000 claims description 32
- 238000004422 calculation algorithm Methods 0.000 claims description 30
- 238000012795 verification Methods 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000010606 normalization Methods 0.000 claims description 13
- 230000036314 physical performance Effects 0.000 claims description 12
- 230000005540 biological transmission Effects 0.000 claims description 11
- 230000006403 short-term memory Effects 0.000 claims description 10
- 238000013461 design Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 238000005096 rolling process Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- 230000002068 genetic effect Effects 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 7
- 238000012544 monitoring process Methods 0.000 claims description 7
- 238000013433 optimization analysis Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000011217 control strategy Methods 0.000 claims description 6
- 230000007787 long-term memory Effects 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 5
- 101100322249 Caenorhabditis elegans lev-1 gene Proteins 0.000 claims description 3
- 239000002245 particle Substances 0.000 claims description 3
- 101150116173 ver-1 gene Proteins 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 2
- 210000003491 skin Anatomy 0.000 claims 43
- 230000015654 memory Effects 0.000 claims 6
- 210000002615 epidermis Anatomy 0.000 claims 2
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 claims 1
- 230000008685 targeting Effects 0.000 claims 1
- 229910052799 carbon Inorganic materials 0.000 abstract description 9
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 abstract description 8
- 238000004134 energy conservation Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 11
- 238000005259 measurement Methods 0.000 description 9
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical compound [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 description 8
- 238000010200 validation analysis Methods 0.000 description 6
- 230000001276 controlling effect Effects 0.000 description 5
- 230000009467 reduction Effects 0.000 description 5
- 238000005286 illumination Methods 0.000 description 4
- 230000005855 radiation Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 230000000875 corresponding effect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 241000255749 Coccinellidae Species 0.000 description 2
- 235000011034 Rubus glaucus Nutrition 0.000 description 2
- 244000235659 Rubus idaeus Species 0.000 description 2
- 235000009122 Rubus idaeus Nutrition 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000004043 responsiveness Effects 0.000 description 2
- 101000827703 Homo sapiens Polyphosphoinositide phosphatase Proteins 0.000 description 1
- 102100023591 Polyphosphoinositide phosphatase Human genes 0.000 description 1
- 101100012902 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) FIG2 gene Proteins 0.000 description 1
- 101100233916 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) KAR5 gene Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Images
Landscapes
- Feedback Control In General (AREA)
Abstract
本发明属于新能源与节能技术领域，具体涉及一种自适应建筑光伏表皮模型预测控制方法，本发明通过构建基于数据驱动的模型预测控制系统，将机器学习和人工神经网络与MPC控制器相结合，使自适应建筑光伏表皮模型预测控制更具精准性、便捷性；本发明通过MPC控制器辅助机器学习发掘并学习数据中的信息，由机器学习和人工神经网络快速完成室内热舒适度和自适应建筑光伏表皮发电量的模拟预测，然后通过MPC控制器生成控制信号。本发明通过模型预测控制实现自适应建筑光伏表皮主动式调节变化，高效改善室内热舒适环境，实现自适应建筑光伏表皮调节室内热舒适度的同时，合理利用太阳能资源，减少建筑碳排放。
Description
技术领域
本发明属于新能源与节能技术领域，具体涉及一种自适应建筑光伏表皮模型预测控制方法。
背景技术
建筑行业为三大用能领域之一，为实现国家提出的绿色发展目标，探索先进的自适应建筑光伏表皮控制技术，将成为零碳建筑发展的重要措施。先进的控制策略有利于改善建筑碳排放，其中模型预测控制(MPC)是最具潜力的控制技术之一，MPC(ModelPredictive Control)技术可以对问题进行滚动优化，获得预测范围内的最佳控制策略，进行预测性地控制建筑物。MPC技术通过受控建筑物的模型并获取室外气候环境条件，例如：室外温度、室外相对湿度和室外风速等，通过在每个采样时刻求解相应的优化问题来计算最小化受约束的某个代价函数(考虑室内热舒适度)的控制输入，进行前向反馈预测和优化建筑室内环境性能，实现建筑节能减碳的目标，提高用户建筑室内环境的舒适度。现有MPC技术一般基于牛顿力学搭建的被控对象物理模型来预测控制，要提高控制性能，则需搭建更加复杂的物理模型，或者使用非线性的优化求解器，而过于复杂的物理模型和非线性优化，导致过高的计算负荷和存储需求，因此这项技术在自适应建筑光伏表皮的运用还处于早期阶段。
随着人工智能技术逐渐应用于各个行业领域，取得了一定成功。其中机器学习是人工智能技术的重要领域，是一种通过数据驱动的建模预测方法，区别于传统基于物理模型的预测方法，不需要具备大量的专业物理知识，采用机器学习进行数据训练，构建模型进行快速地分析预测；将机器学习与MPC技术相结合，把机器学习作为MPC控制器的状态估计器，快速预测室内热舒适环境变化，再通过MPC控制器进行滚动优化得到最佳室内热舒适度的控制策略。
建筑行业对于太阳能的利用方式主要是在建筑顶部安装光伏板进行太阳能发电，但对于建筑立面空间的开发利用仍处于初步阶段。自适应建筑光伏表皮作为一种新型的室内外环境交互界面，通过自适应建筑光伏表皮系统将光伏板与建筑立面空间设计进行结合，不仅能满足对建筑室内热舒适度的灵活调节，也能实现建筑立面上光伏发电产能，节能减碳的目标。现有的自适应建筑光伏表皮系统是根据室外气候环境变化后，再进行被动地调节，操作上具有一定的滞后性，未能进行提前预测，不能实现高效的自适应环境主动式调控，亟须一种高效可行的自适应建筑光伏表皮模型预测控制方法。
发明内容
本发明为解决以上背景技术提出的问题，提出了一种自适应建筑光伏表皮预测控制方法，将机器学习与MPC技术相结合，预测室内热舒适环境变化，通过控制自适应建筑光伏表皮，调节室内热舒适度满足用户室内需求，同时利用自适应建筑光伏表皮的光伏板进行立面光伏发电产能，进一步实现节能减碳效率。
本发明为了达到上述目的，通过以下技术方案实现，具体包括如下步骤：
S1：构建自适应建筑光伏表皮参数化性能模拟优化模型
S1.1：定义自适应建筑光伏表皮参数化模型的边界条件和操纵参量，通过参数化设计平台，构建自适应建筑光伏表皮参数化模型；
S1.2：定义自适应建筑光伏表皮参数化性能模拟优化模型的历史气象数据参量、室内状态参量以及优化目标，借助物理性能模拟平台，将自适应建筑光伏表皮参数化模型转化为自适应建筑光伏表皮参数化性能模拟优化模型，进行室内状态参量模拟计算；再通过优化算法进行优化分析，生成操纵参量解集、室内状态参量解集和优化目标解集；
S1.3：建立多目标决策函数，对生成的优化目标解集进行决策分析，分别获取基于机器学习的室内状态参量预测模型训练样本数据，以及基于人工神经网络的优化目标预测模型训练样本数据。
优选地，所述步骤S1.1中边界条件包括：建筑朝向、建筑开间、建筑进深、建筑层高和建筑窗墙比；所述步骤S1.1中操纵参量为自适应建筑光伏表皮滑动步长，自适应建筑光伏表皮滑动步长包括沿水平方向的滑动步长(Mlev)和沿竖直方向的滑动步长(Mver)；所述步骤S1.1中参数化设计平台可以选择BIM、MAYA、3DMax、Rhino-Grasshopper等等，本发明优选参数化设计平台为Rhino-Grasshopper，根据实验对象和定义的边界条件和操纵参量，通过Rhino-Grasshopper进行自适应建筑光伏表皮参数化模型构建。
优选地，所述步骤S1.2中历史气象数据参量来源气象站预测信息数据和数据库储存的历史气候信息数据，所述历史气象数据参量包括太阳辐照度(L0)、室外温度(Tout)、室外风速(Wout)、室外相对湿度(RHout)和时间序列(hod)；室内热舒适度影响因素包括室内温度，室内湿度，室内风速，太阳辐射，服装热阻等，其中室内温度是最主要的因素，因此所述室内状态参量为室内温度(Tin)；所述优化目标包括室内热舒适度(PMV)和自适应建筑光伏表皮发电量(EPV)，其中室内热舒适度(PMV)作为优化目标一，自适应建筑光伏表皮发电量(EPV)作为优化目标二，所述优化目标一优先级高于优化目标二，即需在满足室内热舒适度的条件下，再进行自适应建筑光伏表皮的发电量计算。
优选地，所述步骤S1.2物理性能模拟平台可以选择TRNSYS、DOE-2、EnergyPlus、LadybugTools等等，本发明优选物理性能模拟平台为Ladybug Tools，借助物理性能模拟平台，将自适应建筑光伏表皮参数化模型转化为自适应建筑光伏表皮参数化性能模拟优化模型，进行室内状态参量以及各优化目标的模拟计算；采集用户室内需求，在自适应建筑光伏表皮参数化性能模拟优化模型中设置距离地面0.75m的室内热舒适度模拟平面，并进行0.5x0.5m的网格划分，利用LadybugTools平台调用EnergyPlus性能模拟引擎进行室内状态参量和室内热舒适度模拟计算，通过LadybugTools可再生能源模块进行自适应建筑光伏表皮发电量模拟计算。
优选地，所述步骤S1.2优化算法可以选择遗传算法、粒子群优化算法、蚁群算法等等，本发明优选遗传算法中的非支配排序遗传算法(NSGA-II)进行多目标优化分析，以操纵参量作为自变量，以优化目标作为因变量，进行室内热舒适度(PMV)和自适应建筑光伏表皮发电量(EPV)的多目标优化分析，生成优化目标解集。
进行步骤S1.2优化目标模拟计算时，为提高获取训练样本数据效率，以历史气象数据参量为抽样对象，沿时间轴随机抽取1000组模拟样本，以1小时为模拟时间单元，模拟沿时间轴随机抽取1000个小时；所述操纵参量以0.1m为滑动步长；通过物理性能模拟平台，同时进行室内状态参量和各优化目标的模拟计算，再通过优化算法对优化目标进行多目标分析，分别记录在t时刻下室内热舒适度和自适应建筑光伏表皮发电量的优化目标解集A(t)，自适应建筑光伏表皮滑动变化的操纵参量解集B(t)以及室内温度构成的室内状态参量解集C(t)。
其中优化目标解集A(t)在t时刻下表示为：
A(t)＝{(PMV1,EPV1),(PMV2,EPV2),...,(PMVm,EPVm)}
其中PMVm是t时刻下第m个室内热舒适度值；EPVm是t时刻下第m个自适应建筑光伏表皮发电量值；m＝1，2，3,...；n＝1,2,3,...，1000。
操纵参量解集B(t)在t时刻下表示为：
B(t)＝{(Mlev1,Mver1),(Mlev2,Mver2),...,(Mlevm,Mverm)}
其中Mlevm为t时刻下第m个水平方向自适应建筑光伏表皮滑动步长值；Mverm为t时刻下第m个竖直方向自适应建筑光伏表皮的滑动步长值；m＝1，2，3,...；t＝1,2,3,...，1000。
室内状态参量解集C(t)在t时刻下表示为：
C(t)＝{Tin1,Tin2,...,Tinm}
其中Tinm为t时刻下第m个室内温度值；m＝1，2，3,...；t＝1,2,3,...，1000；
为简化多目标决策函数，用自适应建筑光伏表皮滑动变化时所需的电机能耗值Q反映操纵参量的变化量，表达式为：
Qm(t)＝λ(Mlevm+Mverm)
其中Qm(t)表示为t时刻下自适应建筑光伏表皮滑动变化时，第m个所需电机能耗值；λ为电机控制自适应建筑光伏表皮滑动变化的能耗系数。
优选地，步骤S1.3中建立以最佳室内热舒适度和最低电机能耗为目标的多目标决策函数，将生成的优化目标解集通过多目标决策函数计算，多目标决策函数计算值越小，则室内热舒适度越佳，电机能耗值最低；通过多目标决策函数筛选出t时刻下最佳室内热舒适度(PMV'(t))和最低电机能耗(Qm'(t))；通过最佳室内热舒适度(PMV'(t))找到最优自适应建筑光伏表皮发电量(EPV'(t))，通过最优目标解(PMV'(t),EPV'(t))确定t时刻下最优操纵参量解(Mlev'(t),Mver'(t))和最优室内状态参量解(Tin'(t))，其中Mlev'(t)表示t时刻下水平方向自适应建筑光伏表皮最优滑动步长；Mver'(t)表示t时刻下竖直方向自适应建筑光伏表皮最优滑动步长；Tin'(t)表示t时刻下最优室内温度。
所述多目标决策函数表达为：
其中U(t)表示t时刻下多目标决策函数的计算值；由于不同类型的数据有不同量纲，数值分布差异较大，因此需要将不同量纲的数据进行归一化处理，使不同量纲的数据类型范围均映射为0到1之间；
表示为t时刻下自适应建筑光伏表皮滑动变化时，第m个电机能耗归一化处理后的值；
表示为t时刻下第m个室内热舒适度归一化处理后的值；W表示权重因子；WPMV表示室内热舒适度的权重因子，控制室内热舒适度在多目标决策函数中的权重，满足优化目标的优先级顺序；m＝1，2，3,...；t＝1,2,3,...，1000。
其中Qm(t)表示t时刻下模拟优化的第m个自适应建筑光伏表皮滑动变化时的所需电机能耗值，其中Qmmax(t)表示t时刻下模拟优化中自适应建筑光伏表皮滑动变化最大距离时所需电机能耗值；m＝1，2，3,...；t＝1,2,3,...，1000。
PMVm(t)表示t时刻下模拟优化的第m个室内热舒适度值，其中PMVmmax(t)表示t时刻下模拟优化中室内热舒适度的最大值；PMVmmin(t)表示t时刻下模拟优化中室内热舒适度最小值；m＝1，2，3,...；t＝1,2,3,...，1000。
通过多目标决策函数分析，分别获得基于机器学习的室内状态参量预测模型训练样本数据，以及基于人工神经网络的优化目标预测模型训练样本数据，共获得两套训练样本数据。
所述基于机器学习的室内状态参量预测模型训练样本数据包括输入数据和输出数据两部分，输入数据包括历史气象数据参量、最优操纵参量解以及最优室内状态参量解，输出数据为最优室内状态参量解；基于人工神经网络的优化目标预测模型训练样本数据包括输入数据和输出数据两部分，输入数据包括最优室内状态参量解和最优操纵参量解，输出数据为最优目标解。
其中以t时刻为例，基于机器学习的室内状态参量预测模型训练样本数据的输入数据为t时刻下历史气象数据参量(L0(t),Tout(t),RHout(t),Wout(t),hod(t))、最优操纵参量解(Mlev'(t),Mver'(t))以及最优室内状态参量解(Tin'(t))，输出数据为t+1时刻下的最优室内状态参量解(Tin'(t+1))；基于人工神经网络的优化目标预测模型训练样本数据的输入数据为t时刻下的最优室内状态参量解(Tin'(t))和最优操纵参量解(Mlev'(t),Mver'(t))，输出数据为t时刻下最优目标解(PMV'(t),EPV'(t))；其中t＝1,2,3,...,1000。
S2：构建基于数据驱动的模型预测控制系统
S2.1：将步骤S1.3获得的基于机器学习的室内状态参量预测模型训练样本数据和基于人工神经网络的优化目标预测模型训练样本数据进行数据清洗，并归一化处理；
S2.2：构建基于机器学习的室内状态参量预测模型；
S2.3：构建基于人工神经网络的优化目标预测模型；
S2.4：确定约束条件，建立代价函数；
S2.5：将基于机器学习的室内状态参量预测模型作为模型预测控制系统的室内状态参量估计器，通过基于人工神经网络的优化目标预测模型进行快速的目标预测，构建基于数据驱动的模型预测控制系统；在预测控制周期内和约束条件下，基于数据驱动的模型预测控制系统利用穷举搜索法进行滚动优化，生成自适应建筑光伏表皮控制信号。
优选地，所述步骤S2.1通过数据清洗，分别把基于机器学习的室内状态参量预测模型训练样本数据，以及基于人工神经网络的优化目标预测模型训练样本数据进行重复信息的删除，并矫正错误信息，再将清洗后的两套训练样本数据进行归一化处理。
优选地，步骤S2.2中用于构建基于机器学习的室内状态参量预测模型的机器学习模型有非线性自回归结构的神经网络(NARX)模型、前向神经网络(BPNN)模型、长短期记忆神经网络(LSTM)模型等等，本发明优选长短期记忆神经网络(LSTM)模型用于构建基于机器学习的室内状态参量预测模型，即构建基于LSTM网络的室内状态参量预测模型，其具体步骤如下：
首先，将归一化处理后的基于机器学习的室内状态参量预测模型训练样本数据按照7：3的比例划分为训练集和验证集两部分。
其次，LSTM利用训练集建立基于历史气象数据参量和操纵参量的室内状态参量的预测模型；LSTM模型主要分为输入层、隐藏层和输出层三层网络结构，所述输入层和输出层至少由一个数据结构组成，具体数量根据实际情况调整，将太阳辐射照度L0(t)、室外温度Tout(t)、室外相对湿度RHout(t)、室外风速Wout(t)、时间序列hod(t)、最优水平方向自适应建筑光伏表皮滑动步长Mlev'(t)、最优竖直方向自适应建筑光伏表皮滑动步长Mver'(t)和最优室内温度(Tin'(t))作为输入数据，因此LSTM输入层数据结构为八维向量；将t+1时刻的最优室内温度Tin'(t+1)作为输出数据，因此LSTM输出层数据结构为一维向量；所述LSTM模型选择sigmoid函数和tanh函数分别作为隐藏层中遗忘门和输出门的激活函数；基于LSTM网络的室内状态参量预测模型表示为：
d(Tin'(t+1))＝fL0(t),Tout(t),Wout(t),RHout(t),hod(t),Mlev'(t),Mver'(t),Tin'(t)
其中d()为t+1时刻的室内状态参量解；Tin'(t+1)为t+1时刻的最优室内温度；f()为基于历史气象数据参量和操纵参量的室内状态参量映射函数；Mver'(t)为t时刻最优水平方向自适应建筑光伏表皮滑动步长；Mver'(t)为t时刻最优竖直方向自适应建筑光伏表皮滑动步长；L0(t)为t时刻的太阳照度；Tout(t)为t时刻的室外温度；Wout(t)为t时刻的室外风速；RHout(t)为t时刻的室外相对湿度；hod(t)为t时刻的时间序列；Tin'(t)为t时刻最优室内温度。
再其次，选择误差算法；把每一次基于LSTM网络的室内状态参量预测模型训练计算出的预测值与验证集的数据进行验证，评估预测结果；若验证结果符合基于LSTM网络的室内状态参量预测模型的要求，则完成基于LSTM网络的室内状态参量预测模型的训练及验证；反之，则需重新进行基于LSTM网络的室内状态参量预测模型训练及验证；所述误差算法采用均方差公式，通过均方差公式计算值(Loss)表示预测值与实际值的偏差。得到的Loss越小，表示拟合度越高，预测值越接近实际值；在训练计算过程中Loss逐渐降低，表示训练模型逐渐收敛；其均方差公式表达如下：
其中r为验证集里的数据和预测值对比次数；
为LSTM网络模型第i个样本的预测值；yi为第i个样本的验证集里的验证值。
最后，将训练及验证完成后的基于LSTM网络的室内状态参量预测模型用于室内温度预测，将预测值与实际测量数据集的数据进行比对，通过均方差公式验证，进一步修正基于LSTM网络的室内状态参量预测模型。
优选地，所述步骤S2.3构建基于人工神经网络的优化目标预测模型的具体步骤如下：
首先，将归一化处理后的基于人工神经网络的优化目标预测模型训练样本数据按照7：3的比例划分为训练集和验证集两部分；
其次，人工神经网络利用训练集建立基于室内状态参量和操纵参量的优化目标的预测模型；所述输入层和输出层至少由一个数据结构组成，具体数量根据实际情况调整；将t时刻下最优室内温度(Tin'(t))与最优操纵参量解(Mlev'(t),Mver'(t))作为输入数据；将t时刻下最佳室内热舒适度(PMV'(t))和最优自适应建筑光伏表皮发电量(EPV'(t))作为输出数据，选择sigmoid函数作为隐藏层和输出层的激活函数，通过误差算法进行训练模型验证，得到优化目标的预测模型，表示为：
g(PMV'(t),EPV'(t))＝k(Tin'(t),Mlev'(t),Mver'(t))
其中g()为t时刻的优化目标解；PMV'(t)为的t时刻下最佳室内热舒适度；EPV'(t)为的t时刻下最优自适应建筑光伏表皮发电量；k()为基于室内状态参量与操纵参量的优化目标映射函数；Tin'(t)为t时刻的最优室内温度；Mver'(t)为t时刻的最优水平方向自适应建筑光伏表皮滑动步长；Mver'(t)为t时刻的最优竖直方向自适应建筑光伏表皮滑动步长。
优选地，所述步骤S2.4中所述代价函数和约束条件分别为：
其中J表示代价函数的目标值；
表示自适应建筑光伏表皮滑动变化时，所需电机能耗值归一化处理值；
表示归一化处理后自适应建筑光伏表皮滑动变化最大距离时所需电机能耗值；
表示室内热舒适度归一化处理后的值；
和
分别表示归一化处理后室内热舒适度的最大值和最小值；W表示权重因子；WPMV表示室内热舒适度的权重因子；Wε表示惩罚因子权重；N表示预测时间范围，N＝1,2,3,...,24；ε表示松弛变量；下标t+1|t表示在当前t时刻预测t+1时刻。
优选地，所述步骤S2.5中基于数据驱动的模型预测控制系统预测控制周期包括预测控制时间和预测时间范围；所述预测控制时间步长为1小时，预测时间范围为24小时。
所述步骤S2.5具体包括以下步骤：通过基于机器学习的室内状态参量预测模型计算出t+1时刻的最优室内状态参量信息数据，将t+1时刻最优室内状态参量输入给基于人工神经网络的优化目标预测模型，计算出t+1时刻最佳室内热舒适度和最优自适应建筑光伏表皮发电量；在每个预测控制周期内，利用穷举搜索法在约束条件下，对室内热舒适度和自适应建筑光伏表皮发电量进行预测和代价函数的滚动优化，使预测控制周期内代价函数J最小，即计算出下一时刻自适应建筑光伏表皮滑动步长的控制量，将满足最佳室内热舒适度要求的第一个控制策略进行自适应建筑光伏表皮控制信号生成。
S3：构建自适应建筑光伏表皮控制系统
通过单片机控制器接收基于数据驱动的模型预测控制系统生成的自适应建筑光伏表皮控制信号，通过控制自适应建筑光伏表皮传动装置，实现自适应建筑光伏表皮滑动变化，改善室内热舒适环境。
优选地，所述步骤S3中单片机控制器可以选择STM32系列控制器、Raspberry控制器、Arduino编程控制器等等，本发明优选的Arduino编程控制器构建自适应建筑光伏表皮控制系统；通过Arduino编程控制器接收自适应建筑光伏表皮控制信号，进行自适应建筑光伏表皮控制，建立自适应建筑光伏表皮与室内热舒适度相互关联的响应能力；借助Arduino编程控制器将步骤S2.5生成的自适应建筑光伏表皮控制信号映射为自适应建筑光伏表皮滑动步长，输出到自适应建筑光伏表皮的传动装置，实时调节自适应建筑光伏表皮滑动步长，实现自适应建筑光伏表皮滑动变化对室内热舒适度的控制。
所述步骤S3中自适应建筑光伏表皮目前存在多种形状，自适应建筑光伏表皮通过传动装置可以在水平和垂直两个方向进行滑动调节，因自适应建筑光伏表皮传动装置为现有公知装置，这里不再赘述，本发明对自适应建筑光伏表皮形式及传动装置不做特殊限制。
S4：构建室内热舒适度监测系统
设置室内热舒适度测量设备进行室内热舒适度的实时监测，将测量的数据信号反馈给基于机器学习的模型预测控制系统，对室内状态参量预测模型进行实时修正，再通过基于数据驱动的模型预测控制系统模拟预测自适应建筑光伏表皮控制信号。
优选地，所述步骤S4室内热舒适度测量设备为测量感应装置，测量感应装置优选BES-02型号的温度盒，BES-02型号的温度盒测量室内温度的精度为0.01。所述测量感应装置的安装平面位置与所述步骤S1.2设置的室内热舒适度模拟平面相对应，选取网格划分中的六个点分别测量，悬挂点远离围护结构，并设于离地高度0.75m平面高度，实时监测室内温度变化，最后将测量的室内温度与基于机器学习的室内状态参量预测模型计算出的室内温度进行判断，若预测值与实际测量值误差较小，则进行t时刻下减碳目标计算，反之，则将实际测量值反馈给所述步骤S2.1中进行数据清洗和归一化处理，进一步修正基于机器学习的室内状态参量预测模型，重新进行步骤S2、S3和S4步骤，直至符合预测值与实际测量值误差要求。
与现有技术相比，本发明的有益效果是：
1.本发明提供的室内状态参量预测模型是一种拥有多个非线性映射层级的深度神经网络模型，能够对输入信号逐层抽象并提取特征，挖掘出更深层次的潜在规律，LSTM模型通过添加选择性学习的结构，弥补了传统递归神经网络梯度消失和梯度爆炸、长期记忆能力不足等问题，可以有效地利用长距离的时序信息；同时LSTM模型利用历史气象数据，通过参数化性能模拟数据获取训练样本数据，再利用实时监测数据进一步修正LSTM模型；增加了LSTM模型构建的精准性、稳定性和广泛性；
2.本发明提出的一种自适应建筑光伏表皮模型预测控制方法，通过构建基于数据驱动的模型预测控制系统，将机器学习和人工神经网络与MPC控制器相结合，使自适应建筑光伏表皮模型预测控制更具精准性、便捷性；一方面MPC控制器可以辅助机器学习发掘并学习数据中的信息，另一方面室内热舒适度和自适应建筑光伏表皮发电量的模拟预测可以由机器学习和人工神经网络快速完成，再通过MPC控制器生成控制信号；
3.本发明通过模型预测控制实现自适应建筑光伏表皮主动式调节变化，高效改善室内热舒适环境，实现自适应建筑光伏表皮调节室内热舒适度的同时，合理利用太阳能资源，减少建筑碳排放。
附图说明
图1是本发明流程图；
图2是本发明中一室内监测平面网格划分及测量感应装置分布示意图；
图3本发明中基于长短期记忆神经网络的室内状态参量预测模型结构示意图；
图4本发明中基于人工神经网络的室内热舒适度和自适应建筑光伏表皮发电量预测模型结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
以下以寒冷地区某一办公建筑的办公单元为设计实例，进行详细说明。如附图1-4所示，本实施例提供的一种自适应建筑光伏表皮模型预测控制方法，具体包括如下步骤：
S1：构建自适应建筑光伏表皮参数化性能模拟优化模型
S1.1：定义自适应建筑光伏表皮参数化模型的边界条件和操纵参量，通过参数化设计平台，构建自适应建筑光伏表皮参数化模型；
S1.2：定义自适应建筑光伏表皮参数化性能模拟优化模型的历史气象数据参量、室内状态参量以及优化目标，借助物理性能模拟平台，将自适应建筑光伏表皮参数化模型转化为自适应建筑光伏表皮参数化性能模拟优化模型，进行室内状态参量模拟计算；再通过优化算法进行优化分析，生成操纵参量解集、室内状态参量解集和优化目标解集；
S1.3：建立多目标决策函数，对生成的优化目标解集进行决策分析，分别获取基于机器学习的室内状态参量预测模型训练样本数据，以及基于人工神经网络的优化目标预测模型训练样本数据。
优选地，所述步骤S1.1中边界条件包括：建筑朝向、建筑开间、建筑进深、建筑层高和建筑窗墙比。本实施例具体的，建筑坐北朝南布置，建筑开间4.2m，建筑进深6.6m，建筑层高3.6m，建筑南向开窗，建筑窗墙比为0.9。
优选地，所述步骤S1.1中操纵参量为自适应建筑光伏表皮滑动步长，自适应建筑光伏表皮滑动步长包括沿水平方向的滑动步长(Mlev)和沿竖直方向的滑动步长(Mver)；所述步骤S1.1中参数化设计平台可以选择BIM、MAYA、3DMax、Rhino-Grasshopper等等，本发明优选参数化设计平台为Rhino-Grasshopper，根据实验对象和定义的边界条件和操纵参量，通过Rhino-Grasshopper进行自适应建筑光伏表皮参数化模型构建。
优选地，所述步骤S1.2中历史气象数据参量来源气象站预测信息数据和数据库储存的历史气候信息数据，本实施例选取济南典型气象年全年天气数据(美国能源部提供的EnergyPlusWeatherData气象数据)作为历史气象数据参量输入对象。所述历史气象数据参量包括太阳辐照度(L0)、室外温度(Tout)、室外风速(Wout)、室外相对湿度(RHout)和时间序列(hod)；室内热舒适度影响因素包括室内温度，室内湿度，室内风速，太阳辐射，服装热阻等，其中室内温度是最主要的因素，因此所述室内状态参量为室内温度(Tin)；所述优化目标包括室内热舒适度(PMV)和自适应建筑光伏表皮发电量(EPV)，其中室内热舒适度(PMV)作为优化目标一，自适应建筑光伏表皮发电量(EPV)作为优化目标二，所述优化目标一优先级高于优化目标二，即需在满足室内热舒适度的条件下，再进行自适应建筑光伏表皮的发电量计算。
优选地，所述步骤S1.2物理性能模拟平台可以选择TRNSYS、DOE-2、EnergyPlus、LadybugTools等等，本发明优选物理性能模拟平台为Ladybug Tools，借助物理性能模拟平台，将自适应建筑光伏表皮参数化模型转化为自适应建筑光伏表皮参数化性能模拟优化模型，进行室内状态参量以及各优化目标的模拟计算；采集用户室内需求，在自适应建筑光伏表皮参数化性能模拟优化模型中设置距离地面0.75m的室内热舒适度模拟平面，并进行0.5x0.5m的网格划分，利用LadybugTools平台调用EnergyPlus性能模拟引擎进行室内状态参量和室内热舒适度模拟计算，通过LadybugTools可再生能源模块进行自适应建筑光伏表皮发电量模拟计算。
优选地，所述步骤S1.2优化算法可以选择遗传算法、粒子群优化算法、蚁群算法等等，本发明优选遗传算法中的非支配排序遗传算法(NSGA-II)进行多目标优化分析，以操纵参量作为自变量，以优化目标作为因变量，进行室内热舒适度(PMV)和自适应建筑光伏表皮发电量(EPV)的多目标优化分析，生成优化目标解集。
进行步骤S1.2优化目标模拟计算时，为提高获取训练样本数据效率，以历史气象数据参量为抽样对象，沿时间轴随机抽取1000组模拟样本，以1小时为模拟时间单元，模拟沿时间轴随机抽取1000个小时；所述操纵参量以0.1m为滑动步长；通过物理性能模拟平台，同时进行室内状态参量和各优化目标的模拟计算，再通过优化算法对优化目标进行多目标分析，分别记录在t时刻下室内热舒适度和自适应建筑光伏表皮发电量的优化目标解集A(t)，自适应建筑光伏表皮滑动变化的操纵参量解集B(t)以及室内温度构成的室内状态参量解集C(t)。
其中优化目标解集A(t)在t时刻下表示为：
A(t)＝{(PMV1,EPV1),(PMV2,EPV2),...,(PMVm,EPVm)}
其中PMVm是t时刻下第m个室内热舒适度值；EPVm是t时刻下第m个自适应建筑光伏表皮发电量值；m＝1，2，3,...；t＝1，2，3，...，1000。
操纵参量解集B(t)在t时刻下表示为：
B(t)＝{(Mlev1,Mver1),(Mlev2,Mver2),...,(Mlevm,Mverm)}
其中Mlevm为t时刻下第m个水平方向自适应建筑光伏表皮滑动步长值；Mverm为t时刻下第m个竖直方向自适应建筑光伏表皮的滑动步长值；m＝1，2，3,...；t＝1，2，3，...，1000。
室内状态参量解集C(t)在t时刻下表示为：
C(t)＝{Tin1,Tin2,...,Tinm}
其中Tinm为t时刻下第m个室内温度值；m＝1，2，3,...；t＝1，2，3，...，1000。
为简化多目标决策函数，用自适应建筑光伏表皮滑动变化时所需的电机能耗值Q反映操纵参量的变化量，表达式为：
Qm(t)＝λ(Mlevm+Mverm)
其中Qm(t)表示为t时刻下自适应建筑光伏表皮滑动变化时，第m个所需电机能耗值；λ为电机控制自适应建筑光伏表皮滑动变化的能耗系数。
优选地，步骤S1.3中建立以最佳室内热舒适度和最低电机能耗为目标的多目标决策函数，将生成的优化目标解集通过多目标决策函数计算，多目标决策函数计算值越小，则室内热舒适度越佳，电机能耗值最低；通过多目标决策函数筛选出t时刻下最佳室内热舒适度(PMV'(t))和最低电机能耗(Qm'(t))；通过最佳室内热舒适度(PMV'(t))找到最优自适应建筑光伏表皮发电量(EPV'(t))，通过最优目标解(PMV'(t),EPV'(t))确定t时刻下最优操纵参量解(Mlev'(t),Mver'(t))和最优室内状态参量解(Tin'(t))，其中Mlev'(t)表示t时刻下水平方向自适应建筑光伏表皮最优滑动步长；Mver'(t)表示t时刻下竖直方向自适应建筑光伏表皮最优滑动步长；Tin'(t)表示t时刻下最优室内温度。
所述多目标决策函数表达为：
其中U(t)表示t时刻下多目标决策函数的计算值；由于不同类型的数据有不同量纲，数值分布差异较大，因此需要将不同量纲的数据进行归一化处理，使不同量纲的数据类型范围均映射为0到1之间；
表示为t时刻下自适应建筑光伏表皮滑动变化时，第m个电机能耗归一化处理后的值；
表示为t时刻下第m个室内热舒适度归一化处理后的值；W表示权重因子；WPMV表示室内热舒适度的权重因子，控制室内热舒适度在多目标决策函数中的权重，满足优化目标的优先级顺序；m＝1，2，3,...；t＝1，2，3，...，1000。
其中Qm(t)表示t时刻下模拟优化的第m个自适应建筑光伏表皮滑动变化时的所需电机能耗值，其中Qmmax(t)表示t时刻下模拟优化中自适应建筑光伏表皮滑动变化最大距离时所需电机能耗值；m＝1，2，3,...；t＝1，2，3，...，1000。
PMVm(t)表示t时刻下模拟优化的第m个室内热舒适度值，其中PMVmmax(t)表示t时刻下模拟优化中室内热舒适度的最大值；PMVmmin(t)表示t时刻下模拟优化中室内热舒适度最小值；m＝1，2，3,...；t＝1，2，3，...，1000。
通过多目标决策函数分析，分别获得基于机器学习的室内状态参量预测模型训练样本数据，以及基于人工神经网络的优化目标预测模型训练样本数据，共获得两套训练样本数据。
所述基于机器学习的室内状态参量预测模型训练样本数据包括输入数据和输出数据两部分，输入数据包括历史气象数据参量、最优操纵参量解以及最优室内状态参量解，输出数据为最优室内状态参量解；基于人工神经网络的优化目标预测模型训练样本数据包括输入数据和输出数据两部分，输入数据包括最优室内状态参量解和最优操纵参量解，输出数据为最优目标解。
其中以t时刻为例，基于机器学习的室内状态参量预测模型训练样本数据的输入数据为t时刻下历史气象数据参量(L0(t),Tout(t),RHout(t),Wout(t),hod(t))、最优操纵参量解(Mlev'(t),Mver'(t))以及最优室内状态参量解(Tin'(t))，输出数据为t+1时刻下的最优室内状态参量解(Tin'(t+1))；基于人工神经网络的优化目标预测模型训练样本数据的输入数据为t时刻下的最优室内状态参量解(Tin'(t))和最优操纵参量解(Mlev'(t),Mver'(t))，输出数据为t时刻下最优目标解(PMV'(t),EPV'(t))；其中t＝1，2，3，...，1000。
S2：构建基于数据驱动的模型预测控制系统
S2.1：将步骤S1.3获得的基于机器学习的室内状态参量预测模型训练样本数据和基于人工神经网络的优化目标预测模型训练样本数据进行数据清洗，并归一化处理；
S2.2：构建基于机器学习的室内状态参量预测模型；
S2.3：构建基于人工神经网络的优化目标预测模型；
S2.4：确定约束条件，建立代价函数；
S2.5：将基于机器学习的室内状态参量预测模型作为模型预测控制系统的室内状态参量估计器，通过基于人工神经网络的优化目标预测模型进行快速的目标预测，构建基于数据驱动的模型预测控制系统；在预测控制周期内和约束条件下，基于数据驱动的模型预测控制系统利用穷举搜索法进行滚动优化，生成自适应建筑光伏表皮控制信号。
优选地，所述步骤S2.1通过数据清洗，分别把基于机器学习的室内状态参量预测模型训练样本数据，以及基于人工神经网络的优化目标预测模型训练样本数据进行重复信息的删除，并矫正错误信息，再将清洗后的两套训练样本数据进行归一化处理。
优选地，步骤S2.2中用于构建基于机器学习的室内状态参量预测模型的机器学习模型有非线性自回归结构的神经网络(NARX)模型、前向神经网络(BPNN)模型、长短期记忆神经网络(LSTM)模型等等，本发明优选长短期记忆神经网络(LSTM)模型用于构建基于机器学习的室内状态参量预测模型，即构建基于LSTM网络的室内状态参量预测模型，其具体步骤如下：
首先，将归一化处理后的基于机器学习的室内状态参量预测模型训练样本数据按照7：3的比例划分为训练集和验证集两部分。
其次，LSTM利用训练集建立基于历史气象数据参量和操纵参量的室内状态参量的预测模型；LSTM模型主要分为输入层、隐藏层和输出层三层网络结构，所述输入层和输出层至少由一个数据结构组成，具体数量根据实际情况调整，将太阳辐射照度L0(t)、室外温度Tout(t)、室外相对湿度RHout(t)、室外风速Wout(t)、时间序列hod(t)、最优水平方向自适应建筑光伏表皮滑动步长Mlev'(t)、最优竖直方向自适应建筑光伏表皮滑动步长Mver'(t)和最优室内温度(Tin'(t))作为输入数据，因此LSTM输入层数据结构为八维向量；将t+1时刻的最优室内温度Tin'(t+1)作为输出数据，因此LSTM输出层数据结构为一维向量；所述LSTM模型选择sigmoid函数和tanh函数分别作为隐藏层中遗忘门和输出门的激活函数；基于LSTM网络的室内状态参量预测模型表示为：
d(Tin'(t+1))＝f(L0(t),Tout(t),Wout(t),RHout(t),hod(t),Mlev'(t),Mver'(t),Tin'(t))
其中d()为t+1时刻的室内状态参量解；Tin'(t+1)为t+1时刻的最优室内温度；f()为基于历史气象数据参量和操纵参量的室内状态参量映射函数；Mver'(t)为t时刻最优水平方向自适应建筑光伏表皮滑动步长；Mver'(t)为t时刻最优竖直方向自适应建筑光伏表皮滑动步长；L0(t)为t时刻的太阳照度；Tout(t)为t时刻的室外温度；Wout(t)为t时刻的室外风速；RHout(t)为t时刻的室外相对湿度；hod(t)为t时刻的时间序列；Tin'(t)为t时刻最优室内温度。
再其次，选择误差算法；把每一次基于LSTM网络的室内状态参量预测模型训练计算出的预测值与验证集的数据进行验证，评估预测结果；若验证结果符合基于LSTM网络的室内状态参量预测模型的要求，则完成基于LSTM网络的室内状态参量预测模型的训练及验证；反之，则需重新进行基于LSTM网络的室内状态参量预测模型训练及验证；所述误差算法采用均方差公式，通过均方差公式计算值(Loss)表示预测值与实际值的偏差。得到的Loss越小，表示拟合度越高，预测值越接近实际值；在训练计算过程中Loss逐渐降低，表示训练模型逐渐收敛；其均方差公式表达如下：
其中r为验证集里的数据和预测值对比次数；
为LSTM网络模型第i个样本的预测值；yi为第i个样本的验证集里的验证值。
最后，将训练及验证完成后的基于LSTM网络的室内状态参量预测模型用于室内温度预测，将预测值与实际测量数据集的数据进行比对，通过均方差公式验证，进一步修正基于LSTM网络的室内状态参量预测模型。
优选地，所述步骤S2.3构建基于人工神经网络的优化目标预测模型的具体步骤如下：
首先，将归一化处理后的基于人工神经网络的优化目标预测模型训练样本数据按照7：3的比例划分为训练集和验证集两部分；
其次，人工神经网络利用训练集建立基于室内状态参量和操纵参量的优化目标的预测模型；所述输入层和输出层至少由一个数据结构组成，具体数量根据实际情况调整；将t时刻下最优室内温度(Tin'(t))与最优操纵参量解(Mlev'(t),Mver'(t))作为输入数据；将t时刻下最佳室内热舒适度(PMV'(t))和最优自适应建筑光伏表皮发电量(EPV'(t))作为输出数据，选择sigmoid函数作为隐藏层和输出层的激活函数，通过误差算法进行训练模型验证，得到优化目标的预测模型，表示为：
g(PMV'(t),EPV'(t))＝k(Tin'(t),Mlev'(t),Mver'(t))
其中g()为t时刻的优化目标解；PMV'(t)为的t时刻下最佳室内热舒适度；EPV'(t)为的t时刻下最优自适应建筑光伏表皮发电量；k()为基于室内状态参量与操纵参量的优化目标映射函数；Tin'(t)为t时刻的最优室内温度；Mver'(t)为t时刻的最优水平方向自适应建筑光伏表皮滑动步长；Mver'(t)为t时刻的最优竖直方向自适应建筑光伏表皮滑动步长。
优选地，所述步骤S2.4中所述代价函数和约束条件分别为：
其中J表示代价函数的目标值；
表示自适应建筑光伏表皮滑动变化时，所需电机能耗值归一化处理值；
表示归一化处理后自适应建筑光伏表皮滑动变化最大距离时所需电机能耗值；
表示室内热舒适度归一化处理后的值；
和
分别表示归一化处理后室内热舒适度的最大值和最小值；W表示权重因子；WPMV表示室内热舒适度的权重因子；Wε表示惩罚因子权重；N表示预测时间范围，N＝1,2,3,...,24；ε表示松弛变量；下标t+1|t表示在当前t时刻预测t+1时刻。
优选地，所述步骤S2.5中基于数据驱动的模型预测控制系统预测控制周期包括预测控制时间和预测时间范围；所述预测控制时间步长为1小时，预测时间范围为24小时。
所述步骤S2.5具体包括以下步骤：通过基于机器学习的室内状态参量预测模型计算出t+1时刻的最优室内状态参量信息数据，将t+1时刻最优室内状态参量输入给基于人工神经网络的优化目标预测模型，计算出t+1时刻最佳室内热舒适度和最优自适应建筑光伏表皮发电量；在每个预测控制周期内，利用穷举搜索法在约束条件下，对室内热舒适度和自适应建筑光伏表皮发电量进行预测和代价函数的滚动优化，使预测控制周期内代价函数J最小，即计算出下一时刻自适应建筑光伏表皮滑动步长的控制量，将满足最佳室内热舒适度要求的第一个控制策略进行自适应建筑光伏表皮控制信号生成。
S3：构建自适应建筑光伏表皮控制系统
通过单片机控制器接收基于数据驱动的模型预测控制系统生成的自适应建筑光伏表皮控制信号，通过控制自适应建筑光伏表皮传动装置，实现自适应建筑光伏表皮滑动变化，改善室内热舒适环境。
优选地，所述步骤S3中单片机控制器可以选择STM32系列控制器、Raspberry控制器、Arduino编程控制器等等，本发明优选的Arduino编程控制器构建自适应建筑光伏表皮控制系统；通过Arduino编程控制器接收自适应建筑光伏表皮控制信号，进行自适应建筑光伏表皮控制，建立自适应建筑光伏表皮与室内热舒适度相互关联的响应能力；借助Arduino编程控制器将步骤S2.5生成的自适应建筑光伏表皮控制信号映射为自适应建筑光伏表皮滑动步长，输出到自适应建筑光伏表皮的传动装置，实时调节自适应建筑光伏表皮滑动步长，实现自适应建筑光伏表皮滑动变化对室内热舒适度的控制。
所述步骤S3中自适应建筑光伏表皮目前存在多种形状，自适应建筑光伏表皮通过传动装置可以在水平和垂直两个方向进行滑动调节，因自适应建筑光伏表皮传动装置为现有公知装置，这里不再赘述，本发明对自适应建筑光伏表皮形式及传动装置不做特殊限制。
S4：构建室内热舒适度监测系统
设置室内热舒适度测量设备进行室内热舒适度的实时监测，将测量的数据信号反馈给基于机器学习的模型预测控制系统，对室内状态参量预测模型进行实时修正，再通过基于数据驱动的模型预测控制系统模拟预测自适应建筑光伏表皮控制信号。
优选地，所述步骤S4室内热舒适度测量设备为测量感应装置，测量感应装置优选BES-02型号的温度盒，BES-02型号的温度盒测量室内温度精度为0.01。所述测量感应装置的安装平面位置与所述步骤S1.2设置的室内热舒适度模拟平面相对应，选取网格划分中的六个点分别测量，悬挂点远离围护结构，并设于离地高度0.75m平面高度，实时监测室内温度变化，最后将测量的室内温度与基于机器学习的室内状态参量预测模型计算出的室内温度进行判断，若预测值与实际测量值误差较小，则进行t时刻下减碳目标计算，反之，则将实际测量值反馈给所述步骤S2.1中进行数据清洗和归一化处理，进一步修正基于机器学习的室内状态参量预测模型，重新进行步骤S2、S3和S4步骤，直至符合预测值与实际测量值误差要求。
本发明还可有其它多种实例，在不背离本发明精神及其实质的情况下，本领域技术人员可根据本发明做出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (10)
1.一种自适应建筑光伏表皮模型预测控制方法，其特征在于，包括如下步骤：
S1：构建自适应建筑光伏表皮参数化性能模拟优化模型；
S1.1：定义自适应建筑光伏表皮参数化模型的边界条件和操纵参量，通过参数化设计平台，构建自适应建筑光伏表皮参数化模型；
S1.2：定义自适应建筑光伏表皮参数化性能模拟优化模型的历史气象数据参量、室内状态参量以及优化目标，借助物理性能模拟平台，将自适应建筑光伏表皮参数化模型转化为自适应建筑光伏表皮参数化性能模拟优化模型，进行室内状态参量模拟计算；再通过优化算法进行优化分析，生成操纵参量解集、室内状态参量解集和优化目标解集；所述历史气象数据参量包括太阳辐照度、室外温度、室外风速、室外相对湿度、时间序列；所述室内状态参量包括室内温度；所述优化目标包括室内热舒适度和自适应建筑光伏表皮发电量，其中室内热舒适度优先级高于自适应建筑光伏表皮发电量；
S1.3：建立多目标决策函数，对生成的优化目标解集进行决策分析，分别获取基于机器学习的室内状态参量预测模型训练样本数据，以及基于人工神经网络的优化目标预测模型训练样本数据；
S2：构建基于数据驱动的模型预测控制系统；
S2.1：将步骤S1.3获得的基于机器学习的室内状态参量预测模型训练样本数据和基于人工神经网络的优化目标预测模型训练样本数据进行数据清洗，并归一化处理；
S2.2：构建基于机器学习的室内状态参量预测模型；
S2.3：构建基于人工神经网络的优化目标预测模型；
S2.4：确定约束条件，建立代价函数；
S2.5：将基于机器学习的室内状态参量预测模型作为模型预测控制系统的室内状态参量估计器，通过基于人工神经网络的优化目标预测模型进行快速的目标预测，构建基于数据驱动的模型预测控制系统；在预测控制周期内和约束条件下，基于数据驱动的模型预测控制系统利用穷举搜索法进行滚动优化，生成自适应建筑光伏表皮控制信号；
S3：构建自适应建筑光伏表皮控制系统；
通过单片机控制器接收基于数据驱动的模型预测控制系统生成的自适应建筑光伏表皮控制信号，通过控制自适应建筑光伏表皮传动装置，实现自适应建筑光伏表皮滑动变化，改善室内热舒适环境；
S4：构建室内热舒适度监测系统；
设置室内热舒适度测量设备进行室内热舒适度的实时监测，将测量的数据信号反馈给基于机器学习的模型预测控制系统，对基于机器学习的室内状态参量预测模型进行实时修正，再通过基于数据驱动的模型预测控制系统模拟预测自适应建筑光伏表皮控制信号。
2.根据权利要求1所述的自适应建筑光伏表皮模型预测控制方法，其特征在于，所述步骤S1.1中边界条件包括建筑朝向、建筑开间、建筑进深、建筑层高、建筑窗墙比；所述操纵参量为自适应建筑光伏表皮滑动步长，自适应建筑光伏表皮滑动步长包括沿水平方向的滑动步长和沿竖直方向的滑动步长。
3.根据权利要求1所述的自适应建筑光伏表皮模型预测控制方法，其特征在于，所述步骤S1.2物理性能模拟平台为LadybugTools，利用LadybugTools调用EnergyPlus性能模拟引擎进行室内状态参量和室内热舒适度模拟计算，通过LadybugTools可再生能源模块进行自适应建筑光伏表皮发电量模拟计算。
4.根据权利要求1所述的自适应建筑光伏表皮模型预测控制方法，其特征在于，所述步骤S1.2中优化算法选择遗传算法、粒子群优化算法、蚁群算法中任一种。
5.根据权利要求1所述的自适应建筑光伏表皮模型预测控制方法，其特征在于，所述步骤S1.2中优化目标解集在t时刻下表示为：
A(t)＝{(PMV1,EPV1),(PMV2,EPV2),...,(PMVm,EPVm)}；
其中PMVm是t时刻下第m个室内热舒适度值；EPVm是t时刻下第m个自适应建筑光伏表皮发电量值；m＝1，2，3,...；n＝1,2,3,...，1000；
操纵参量解集在t时刻下表示为：
B(t)＝{(Mlev1,Mver1),(Mlev2,Mver2),...,(Mlevm,Mverm)}；
其中Mlevm为t时刻下第m个水平方向自适应建筑光伏表皮滑动步长值；
Mverm为t时刻下第m个竖直方向自适应建筑光伏表皮的滑动步长值；
室内状态参量解集在t时刻下表示为：
C(t)＝{Tin1,Tin2,...,Tinm}；
其中Tinm为t时刻下第m个室内温度值；
用自适应建筑光伏表皮滑动变化时所需的电机能耗值Q反映操纵参量的变化量，表达式为：
Qm(t)＝λ(Mlevm+Mverm)；
其中Qm(t)表示为t时刻下自适应建筑光伏表皮滑动变化时，第m个所需电机能耗值；λ为电机控制自适应建筑光伏表皮滑动变化的能耗系数。
6.根据权利要求1所述的自适应建筑光伏表皮模型预测控制方法，其特征在于，所述步骤S1.3中建立以最佳室内热舒适度和最低电机能耗为目标的多目标决策函数，将生成的优化目标解集通过多目标决策函数计算，通过多目标决策函数筛选出t时刻下最佳室内热舒适度和最低电机能耗，通过最佳室内热舒适度找到最优自适应建筑光伏表皮发电量，通过最优目标解确定t时刻下最优操纵参量解和最优室内状态参量解，所述多目标决策函数表达为：
其中U(t)表示t时刻下多目标决策函数的计算值；
表示为t时刻下自适应建筑光伏表皮滑动变化时，第m个电机能耗归一化处理后的值；
表示为t时刻下第m个室内热舒适度归一化处理后的值；W表示权重因子；WPMV表示室内热舒适度的权重因子；
其中Qm(t)表示t时刻下模拟优化的第m个自适应建筑光伏表皮滑动变化时的所需电机能耗值；Qmmax(t)表示t时刻下模拟优化中自适应建筑光伏表皮滑动变化最大距离时所需电机能耗值；
PMVm(t)表示t时刻下模拟优化的第m个室内热舒适度值；PMVmmax(t)表示t时刻下模拟优化中室内热舒适度的最大值；PMVmmin(t)表示t时刻下模拟优化中室内热舒适度最小值；
通过多目标决策函数分析，分别获得基于机器学习的室内状态参量预测模型训练样本数据，以及基于人工神经网络的优化目标预测模型训练样本数据；所述基于机器学习的室内状态参量预测模型训练样本数据包括输入数据和输出数据两部分，输入数据包括历史气象数据参量、最优操纵参量解以及最优室内状态参量解，输出数据为最优室内状态参量解；基于人工神经网络的优化目标预测模型训练样本数据包括输入数据和输出数据两部分，输入数据包括最优室内状态参量解和最优操纵参量解，输出数据为最优目标解。
7.根据权利要求1所述的自适应建筑光伏表皮模型预测控制方法，其特征在于，所述步骤S2.2中用于构建基于机器学习的室内状态参量预测模型的机器学习模型选用长短期记忆神经网络模型，构建基于长短期记忆神经网络的室内状态参量预测模型，其具体步骤如下：
S2.2.1：将归一化处理后的基于机器学习的室内状态参量预测模型训练样本数据按照7：3的比例划分为训练集和验证集两部分；
S2.2.2：长短期记忆神经网络利用训练集建立基于历史气象数据参量和操纵参量的室内状态参量的预测模型；长短期记忆神经网络选择sigmoid函数和tanh函数分别作为隐藏层中遗忘门和输出门的激活函数；建立的基于长短期记忆神经网络的室内状态参量预测模型表示为：
d(Tin'(t+1))＝
fL0(t),Tout(t),Wout(t),RHout(t),hod(t),Mlev'(t),Mver'(t),Tin'(t)；
其中d()为t+1时刻的室内状态参量解；Tin'(t+1)为t+1时刻的最优室内温度；f()为基于历史气象数据参量和操纵参量的室内状态参量映射函数；Mver'(t)为t时刻最优水平方向自适应建筑光伏表皮滑动步长；Mver'(t)为t时刻最优竖直方向自适应建筑光伏表皮滑动步长；L0(t)为t时刻的太阳照度；Tout(t)为t时刻的室外温度；Wout(t)为t时刻的室外风速；RHout(t)为t时刻的室外相对湿度；hod(t)为t时刻的时间序列；Tin'(t)为t时刻最优室内温度；
S2.2.3：选择误差算法；把每一次基于长短期记忆神经网络的室内状态参量预测模型训练计算出的预测值与验证集的数据进行验证，评估预测结果；若验证结果符合基于长短期记忆神经网络的室内状态参量预测模型的要求，则完成基于长短期记忆神经网络的室内状态参量预测模型的训练及验证；反之，则需重新进行基于长短期记忆神经网络的室内状态参量预测模型训练及验证；所述误差算法采用均方差公式，其均方差公式表达如下：
其中Loss表示均方差公式计算值；r为验证集里的数据和预测值对比次数；
为第i个样本的预测值；yi为第i个样本的验证集里的验证值；
S2.2.4：将训练及验证完成后的基于长短期记忆神经网络的室内状态参量预测模型用于室内温度预测，将预测值与实际测量数据集的数据进行比对，通过均方差公式验证，进一步修正基于长短期记忆神经网络的室内状态参量预测模型。
8.根据权利要求1所述的自适应建筑光伏表皮模型预测控制方法，其特征在于，所述步骤S2.3构建基于人工神经网络的优化目标预测模型的具体步骤如下：
S2.3.1：将归一化处理后的基于人工神经网络的优化目标预测模型训练样本数据按照7：3的比例划分为训练集和验证集两部分；
S2.3.2：人工神经网络利用训练集建立基于室内状态参量和操纵参量的优化目标的预测模型；将t时刻下最优室内温度与最优操纵参量解作为输入数据，将t时刻下最佳室内热舒适度和最优自适应建筑光伏表皮发电量作为输出数据，选择sigmoid函数作为隐藏层和输出层的激活函数，通过误差算法进行训练模型验证，得到优化目标的预测模型，表示为：
g(PMV'(t),EPV'(t))＝k(Tin'(t),Mlev'(t),Mver'(t))；
其中g()为t时刻的优化目标解；PMV'(t)为的t时刻下最佳室内热舒适度；EPV'(t)为的t时刻下最优自适应建筑光伏表皮发电量；k()为基于室内状态参量与操纵参量的优化目标映射函数。
9.根据权利要求1所述的自适应建筑光伏表皮模型预测控制方法，其特征在于，所述步骤S2.4中所述代价函数和约束条件分别为：
其中J表示代价函数的目标值；
表示自适应建筑光伏表皮滑动变化时，所需电机能耗值归一化处理值；
表示归一化处理后自适应建筑光伏表皮滑动变化最大距离时所需电机能耗值；
表示室内热舒适度归一化处理后的值；
和
分别表示归一化处理后室内热舒适度的最大值和最小值；W表示权重因子；WPMV表示室内热舒适度的权重因子；Wε表示惩罚因子权重；N表示预测时间范围，N＝1,2,3,...,24；ε表示松弛变量；下标t+1|t表示在当前t时刻预测t+1时刻。
10.根据权利要求1所述的自适应建筑光伏表皮模型预测控制方法，其特征在于，所述步骤S2.5中基于数据驱动的模型预测控制系统的预测控制周期包括预测控制时间和预测时间范围；所述预测控制时间步长为1小时，预测时间范围为24小时；步骤S2.5具体包括以下步骤：通过基于机器学习的室内状态参量预测模型计算出t+1时刻的最优室内状态参量信息数据，将t+1时刻最优室内状态参量输入给基于人工神经网络的优化目标预测模型，计算出t+1时刻最佳室内热舒适度和最优自适应建筑光伏表皮发电量；在每个预测控制周期内，利用穷举搜索法在约束条件下，对室内热舒适度和自适应建筑光伏表皮发电量进行预测和代价函数的滚动优化，使预测控制周期内代价函数最小，将满足最佳室内热舒适度要求的第一个控制策略进行自适应建筑光伏表皮控制信号生成。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211569065.9A CN115907191B (zh) | 2022-12-08 | 2022-12-08 | 一种自适应建筑光伏表皮模型预测控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211569065.9A CN115907191B (zh) | 2022-12-08 | 2022-12-08 | 一种自适应建筑光伏表皮模型预测控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115907191A true CN115907191A (zh) | 2023-04-04 |
| CN115907191B CN115907191B (zh) | 2023-07-14 |
Family
ID=86479370
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211569065.9A Active CN115907191B (zh) | 2022-12-08 | 2022-12-08 | 一种自适应建筑光伏表皮模型预测控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115907191B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116663412A (zh) * | 2023-06-01 | 2023-08-29 | 上海嘉仕迈科技有限公司 | 一种基于深度学习技术的零碳建筑布局优化方法及系统 |
| CN117146382A (zh) * | 2023-10-31 | 2023-12-01 | 西华大学 | 一种智能化调适系统优化方法 |
| CN121206645A (zh) * | 2025-11-26 | 2025-12-26 | 中国海洋大学 | 一种基于物理信息神经网络的热存储热泵系统控制方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106152387A (zh) * | 2015-04-20 | 2016-11-23 | 上海交通大学 | 一种用于室内热舒适度的检测方法 |
| CN107704875A (zh) * | 2017-09-30 | 2018-02-16 | 山东建筑大学 | 基于改进ihcmac神经网络的建筑负荷预测方法和装置 |
| CN110309972A (zh) * | 2019-06-28 | 2019-10-08 | 天津大学 | 一种基于室内人员行为的可再生能源系统及其负荷预测方法 |
| CN112524751A (zh) * | 2020-12-01 | 2021-03-19 | 西安建筑科技大学 | 一种动态空调系统能耗预测模型构建、预测方法及装置 |
| CN112613232A (zh) * | 2020-12-18 | 2021-04-06 | 大连海事大学 | 一种冬季供暖条件下室内人体热舒适预测及评价方法 |
| CN215830405U (zh) * | 2021-07-30 | 2022-02-15 | 青岛理工大学 | 一种基于光热耦合舒适智能化户外遮阳系统 |
| CN114370698A (zh) * | 2022-03-22 | 2022-04-19 | 青岛理工大学 | 基于强化学习的室内热环境学习效率提升的优化控制方法 |
| CN114811714A (zh) * | 2022-04-26 | 2022-07-29 | 大连理工大学 | 一种基于模型预测控制的供暖房间室温控制方法 |
| CN114896664A (zh) * | 2022-05-12 | 2022-08-12 | 浙江大学 | 园区建筑光伏一体化围护结构优化方法及系统 |
-
2022
- 2022-12-08 CN CN202211569065.9A patent/CN115907191B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106152387A (zh) * | 2015-04-20 | 2016-11-23 | 上海交通大学 | 一种用于室内热舒适度的检测方法 |
| CN107704875A (zh) * | 2017-09-30 | 2018-02-16 | 山东建筑大学 | 基于改进ihcmac神经网络的建筑负荷预测方法和装置 |
| CN110309972A (zh) * | 2019-06-28 | 2019-10-08 | 天津大学 | 一种基于室内人员行为的可再生能源系统及其负荷预测方法 |
| CN112524751A (zh) * | 2020-12-01 | 2021-03-19 | 西安建筑科技大学 | 一种动态空调系统能耗预测模型构建、预测方法及装置 |
| CN112613232A (zh) * | 2020-12-18 | 2021-04-06 | 大连海事大学 | 一种冬季供暖条件下室内人体热舒适预测及评价方法 |
| CN215830405U (zh) * | 2021-07-30 | 2022-02-15 | 青岛理工大学 | 一种基于光热耦合舒适智能化户外遮阳系统 |
| CN114370698A (zh) * | 2022-03-22 | 2022-04-19 | 青岛理工大学 | 基于强化学习的室内热环境学习效率提升的优化控制方法 |
| CN114811714A (zh) * | 2022-04-26 | 2022-07-29 | 大连理工大学 | 一种基于模型预测控制的供暖房间室温控制方法 |
| CN114896664A (zh) * | 2022-05-12 | 2022-08-12 | 浙江大学 | 园区建筑光伏一体化围护结构优化方法及系统 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116663412A (zh) * | 2023-06-01 | 2023-08-29 | 上海嘉仕迈科技有限公司 | 一种基于深度学习技术的零碳建筑布局优化方法及系统 |
| CN116663412B (zh) * | 2023-06-01 | 2024-03-29 | 上海嘉仕迈科技有限公司 | 一种基于深度学习技术的零碳建筑布局优化方法及系统 |
| CN117146382A (zh) * | 2023-10-31 | 2023-12-01 | 西华大学 | 一种智能化调适系统优化方法 |
| CN117146382B (zh) * | 2023-10-31 | 2024-01-19 | 西华大学 | 一种智能化调适系统优化方法 |
| CN121206645A (zh) * | 2025-11-26 | 2025-12-26 | 中国海洋大学 | 一种基于物理信息神经网络的热存储热泵系统控制方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115907191B (zh) | 2023-07-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lin et al. | An improved moth-flame optimization algorithm for support vector machine prediction of photovoltaic power generation | |
| CN115907191A (zh) | 一种自适应建筑光伏表皮模型预测控制方法 | |
| CN113112077B (zh) | 基于多步预测深度强化学习算法的hvac控制系统 | |
| CN115186803B (zh) | 一种考虑pue的数据中心算力负荷需求组合预测方法和系统 | |
| CN110866592B (zh) | 模型训练方法、装置、能效预测方法、装置和存储介质 | |
| CN107909220A (zh) | 一种电采暖负荷预测方法 | |
| CN112232575A (zh) | 一种基于多元负荷预测的综合能源系统调控方法和装置 | |
| CN114119273A (zh) | 一种园区综合能源系统非侵入式负荷分解方法及系统 | |
| CN114200839A (zh) | 一种耦合环境行为动态监测的办公建筑能耗智能控制模型 | |
| CN119047652B (zh) | 一种负荷预测方法、系统、介质及设备 | |
| CN116937565B (zh) | 一种分布式光伏发电功率预测方法、系统、设备及介质 | |
| CN115656439B (zh) | 一种基于迁移学习的燃煤机组氮氧化物排放浓度在线监测方法 | |
| CN113219871A (zh) | 一种养护室环境参数检测系统 | |
| CN113962454A (zh) | 基于双重特征选择+粒子群优化的lstm能耗预测方法 | |
| CN114397043A (zh) | 多点温度智能检测系统 | |
| CN116182343A (zh) | 一种基于强化学习的暖通空调个性化调控方法 | |
| CN118211847A (zh) | 一种针对多能负荷的碳排放短期预测方法 | |
| Chen | Enhancing validity of green building information modeling with artificial-neural-network-supervised learning—taking construction of adaptive building envelope based on daylight simulation as an example | |
| CN116415713A (zh) | 一种基于e+和人工智能的建筑能耗预测方法 | |
| CN116090608A (zh) | 一种基于动态加权组合的短期风电功率预测方法及系统 | |
| Zhao et al. | Multi-objective optimisation of a free-form building shape to improve the solar energy utilisation potential using artificial neural networks | |
| Li et al. | Machine learning modeling and genetic optimization of adaptive building facade towards the light environment | |
| CN113902492A (zh) | 一种分时电价预测方法及系统 | |
| CN119594042A (zh) | 矿井局部通风机需风量超前调节方法 | |
| CN118645992A (zh) | 基于IACO-Attention-LSTM的电动汽车充电负荷预测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |