(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211272055.9 (22)申请日 2022.10.18 (71)申请人 重庆大学 地址 400044 重庆市沙坪坝区沙正 街174号 (72)发明人 丁勇　罗梓淇　罗庆　张东林　 蒋祥婷　 (74)专利代理 机构 重庆缙云专利代理事务所 (特殊普通 合伙) 50237 专利代理师 王翔 (51)Int.Cl. G06F 30/27(2020.01) G06F 119/06(2020.01) (54)发明名称 一种基于机器学习的建筑碳排放动态寻优 管控系统及方法 (57)摘要 本发明公开一种基于机器学习的建筑碳排 放动态寻优 管控系统及方法， 包括建筑碳排放动 态调控系统和建筑碳排放动态管 理系统； 所述建 筑碳排放动态调控系统包括建筑监测模块、 能源 资源预测模块、 碳排放定额计算模块、 当前碳排 放计算模块、 碳排放调控模块； 所述建筑碳排放 动态管理系统包括建筑运营期碳排放计算模块、 建筑固有碳计算模块、 建筑低碳性能评价模块； 本发明可根据当天或一段时间建筑运营信息与 能源资源消耗数据得到即时动态的建筑能源资 源模型， 进而得到动态的碳排放定额和影响要 素， 针对性的调控影响碳排放的主要对象， 直到 建筑运营碳排放达到允许条件下最优， 可减少建 筑运营期的碳 排放。 权利要求书3页 说明书13页 附图2页 CN 115526112 A 2022.12.27 CN 115526112 A 1.一种基于机器学习的建筑碳排放动态寻优管控系统， 其特征在于： 包括所述建筑碳 排放动态调控系统。 所述建筑碳排放动态调控系统包括建筑监测模块、 能源资源预测模块、 碳排放定额计 算模块、 当前碳 排放计算模块、 碳 排放调控模块； 所述建筑监测模块用于采集建筑运营信 息与能源资源消耗数据， 并输入到能源资源预 测模块和当前碳 排放计算模块中； 所述能源资源预测模块存储有基于机器学习算法构建的能源预测模型和资源预测模 型； 根据建筑运营信 息与能源资源消耗数据， 所述能源预测模型向碳排放定额计算模块输 出能源预测数据， 所述资源预测模型向碳 排放定额计算模块输出资源预测数据； 根据建筑运营信息与能源消耗数据， 形成所述能源预测模型， 模型得到当前能源消耗 的影响因素， 并传输 至碳排放调控模块； 根据建筑运营信息与资源消耗数据， 形成所述资源预测模型， 模型得到当前资源消耗 的影响因素， 并传输 至碳排放调控模块； 所述碳排放定额计算模块根据碳排放因子将能源预测数据、 资源预测数据转换为碳排 放预测数据， 然后根据碳排放预测数据计算得到建筑的小时碳排放定额， 并传输至碳排放 调控模块； 所述当前碳排放计算模块根据碳排放因子将能源资源消耗数据转换为小时运营碳排 放数据， 并传输 至碳排放调控模块； 所述碳排放调控模块对小时运营碳排放数据和小时碳排放定额进行比较， 若小时运营 碳排放数据大于小时碳排放定额， 则碳排放调控模块根据当前能源消 耗的影响因素、 当前 资源消耗的影响因素进行能源、 资源的系统调控， 并控制建筑监测模块继续工作。 2.根据权利要求1所述的一种基于机器学习的建筑碳排放动态寻优管控系统， 其特征 在于： 所述建筑运营信息包括机电设备运行性能与状态、 环境状态、 可再生能源系统性能、 非传统水源系统性能； 所述能源资源消耗数据包括建筑所有系统实际消耗的总能源与总资 源。 3.根据权利要求2所述的一种基于机器学习的建筑碳排放动态寻优管控系统， 其特征 在于： 建筑运营信息中所述机电设备运行性能与状态包括照明插座系统中开启的灯具数 量、 时长与功率， 使用插座的电器数量、 时长与功率； 动力系统中电梯运行数量、 时长与性 能； 空调系统中冷热源运行时长、 频率、 功率、 进出水温度、 流量， 空调水泵运行数量、 时长、 频率与功率， 空调风机运行数量、 时长、 频率与功率， 冷却 塔风机运行数量、 时长、 频率与功 率， 空调末端设备运行数量、 时长与性能； 生活热水系统中热水锅炉运行性能与水泵运行性 能； 用能系统中运行的设备数量、 时长、 频率、 功 率与性能； 给水排水系统中用水器具使用次 数与时长； 绿化喷淋运行次数与时长； 所述环境状态包括房间与公共区域的空调设定温度 与风速， 实际环境温度、 相对湿度、 CO2浓度。 4.根据权利要求3所述的一种基于机器学习的建筑碳排放动态寻优管控系统， 其特征 在于： 当建筑建设有可再生能源系统与非传统水源系统时， 所述建筑运营信息还包括可再 生能源系统性能、 非传统水源系统性能； 所述可再生能源系统性能包括可 再生能源设备装机容 量、 开启率、 可 再生能源产生 量；权　利　要　求　书 1/3 页 2 CN 115526112 A 2所述非传统水源系统性能包括 雨水和中水回收装置容 量、 收集量、 使用量。 5.根据权利要求1所述的一种基于机器学习的建筑碳排放动态寻优管控系统， 其特征 在于： 所述能源资源消 耗数据包括建筑所有系统实际消 耗的总能源与总资源； 所述能源包 括电力、 天然气、 煤、 汽油、 柴油、 液化石油气； 所述资源 包括自来水、 自备 供给水、 桶装水。 6.根据权利要求1所述的一种基于机器学习的建筑碳排放动态寻优管控系统， 其特征 在于， 建立能源预测模型和资源预测模型的步骤 包括： 1)根据自变量参数类型进行变量预处理； 当自变量为连续型变量时， 预处理方法包括 Z‑Score标准化； 当自变量为分类型变量时， 预处理方法包括One ‑hot编码； 对因变量进行正 态分布转 化； 自变量 为建筑运营信息， 因变量 为能源资源消耗数据； 2)将建筑运营信息与能源资源消耗数据集S分为训练集D和测试集T， 其中S＝D∪T, 3)选择机器学习算法， 以超参数取值为横坐标， 以K折交叉验证法得到的决定系数R2为 纵坐标， 绘制学习曲线， 以决定系数R2增长率不超过预设阈值为标准进行超参数调优； 当调 整的决定系数R2增长率不超过预设阈值后， 以该参数作为最优超参数， 以此完成所有超参 数的调优； 其中， 决定系数R2如下所示： 式中， y是真实值， 是模型的预测值， 是真实值y的算数平均值， n是样本数量； 4)以最优 超参数再次进行训练测试， 得到能源预测模型与资源预测模型。 7.根据权利要求1所述的一种基于机器学习的建筑碳排放动态寻优管控系统， 其特征 在于： 所述机器学习算法为能识别因素特征重要性的算法， 包括基于线性核的学习算法： 线 性回归、 岭回归、 支持向量回归 ‑线性核， 基于树模 型的学习算法： 决策树回归、 随机森林、 梯 度提升树。 8.根据权利要求1所述的一种基于机器学习的建筑碳排放动态寻优管控系统， 其特征 在于： 所述能源预测模型得到的当前能源消耗的影响因素是以下能源消耗影响因素中的一 个或多个： 灯具使用数量与时长； 插座电器使用数量与时长； 电梯使用数量与时长； 空调系 统各设备使用数量、 时长与性能； 生活热水系统各设备使用数量、 时长与性能； 房间与公共 区域空调设定温度与风速； 可 再生能源设备装机容 量、 开启率、 可 再生能源产生 量。 所述资源预测模型得到的当前资源消耗的影响因素是以下能源消耗影响因素中的一 个或多个： 用水器具使用次数与时长； 绿化喷淋运行次数与时长； 雨水和中水回收装置容 量、 收集量、 使用量。 9.根据权利要求1所述的一种基于机器学习的建筑碳排放动态寻优管控系统， 其特征 在于： 还包括建筑碳 排放动态管理系统； 当小时运营碳 排放数据小于等于小时碳 排放定额， 建筑碳 排放动态管理系统启动； 所述建筑碳排放动态管理系统包括建筑运营期碳排放计算模块、 建筑固有碳计算模 块、 建筑低碳 性能评价模块； 所述建筑运营期碳排放计算模块按照建筑运营时间对小时运营碳排放数据进行累加，权　利　要　求　书 2/3 页 3 CN 115526112 A 3