[发明专利]基于人工智能技术的校园能效与电气安全管理方法和系统

权利要求书

1.一种基于人工智能技术的校园能效与电气安全管理方法，其特征在于，包括以下步骤：

S1：采集前端实时用能数据和环境信息；

S2：将步骤S1采集的前端实时用能数据和环境信息与历史用能数据进行分类存储；

S3：根据所述实时用能数据，建立BP神经网络模型，并采用粒子群算法优化所述BP神经网络模型来进行校园能源用量的预测，根据所述校园能源用量的预测，得到能源浪费位置和原因；

S4：根据能源浪费位置找到对应的耗能设备，自动化控制耗能设备的工作状态。

2.根据权利要求1所述的基于人工智能技术的校园能效与电气安全管理方法，其特征在于，步骤S1中采集前端实时用能数据和环境信息，具体包括：

用电量、太阳辐射值、太阳能用能、风速、风能用能、用水量、天然气用量、直接供热量、室内温度、万历表、人数和水泵用电量。

3.根据权利要求2所述的基于人工智能技术的校园能效与电气安全管理方法，其特征在于，步骤S3中建立BP神经网络模型，具体包括以下步骤：

S201：设置输入神经元，输出神经元和隐含层神经元；

S202：设置最大训练步数、学习率和停止训练参数；

S203：将样本数据进行归一化映射到(0,1)之间；

S204：BP神经网络模型的输出再进行反归一化处理；

S205：利用用电量、太阳辐射值、风速、用水量、天然气用量、直接供热量、室内温度、万历表、人数和水泵用电量作为输入数据，用电量、太阳能用能、风能用能、天然气用量、直接供热量、用水量和水泵用电量作为输出数据训练所述BP神经网络模型；

S206：当误差小于所述停止训练参数时，训练结束，得到初步训练好的BP神经网络模型。

4.根据权利要求3所述的基于人工智能技术的校园能效与电气安全管理方法，其特征在于，步骤S3中采用粒子群算法优化所述BP神经网络模型，具体包括以下步骤：

S211：初始化粒子群算法的最大迭代次数k、粒子个数m、惯性权重ω、学习因子c₁和c₂；

S212：确定粒子的位置和速度的变化范围，若超出这个范围D则设置为边界值，并随机选取每个粒子的初始位置和速度；

S213：将所述BP神经网路模型的预测误差作为粒子群的适应度函数，计算并比较粒子的适应度值，找到粒子的最优位置；

S214：在每一次迭代过程中，粒子目前所找到的最优解P_i＝(P_i1,P_i2,…,P_iD),整个种群目前所找到的最优解为P_s＝(P_s1,P_s2,…,P_sD),，每个粒子通过这两最优解来更新自己的速度和位置，相应的进化方程为

v^k+1＝ωv^k+c₁r₁(P_i-present)+c₂r₂(P_g-present)

P^k+1＝P^k+v^k+1

式中，v^k+1、v^k分别为第k次迭代时粒子的速度，P^k+1、P^k分别为第k次迭代时粒子的位置，present表示粒子当前所处位置，r₁、r₂为[0，1]范围内产生的随机数；

S215：当超过最大迭代次数k时停止运行；在预设的迭代次数内搜索到最优的网络连接权值，对BP神经网络模型进行优化。