(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 202210435341.6 (22)申请日 2022.04.24 (71)申请人 浙江英集动力科技有限公司 地址 310000 浙江省杭州市余杭区仓前街 道龙园路8 8号2幢208、 209-1、 209-2室 (72)发明人 穆佩红　谢金芳　赵琼　金鹤峰　 刘成刚　 (74)专利代理 机构 常州市科谊专利代理事务所 32225 专利代理师 孙彬 (51)Int.Cl. G06F 30/13(2020.01) G06F 30/20(2020.01) G06F 111/10(2020.01) G06F 119/08(2020.01) (54)发明名称 基于多源信息融合的工业建筑供热自主优 化调控方法 (57)摘要 本发明公开了一种基于多源信息融合的工 业建筑供热自主优化调控方法， 包括： 建立工业 建筑供热系统数字孪生模型； 工业建筑供热设备 安装， 至少包括： 在工业建筑各层供热管道入口 处安装热计量表、 在工业建筑各层管道供热系统 入口支管处安装电动调节阀、 在工业建筑中设置 有环境温湿度检测装置和视频监控装置； 基于多 源信息融合技术体系架构建立工业建筑状态感 知模型， 获得工业建筑区域内供热运行数据、 人 流密度和环 境温湿度； 基于工业 建筑供热系统数 字孪生模型和依据历史供热运行数据、 天气数 据、 人流密度和环境温湿度数据、 预测的热负荷， 采用基于注意力机制结合改进的Bi GRU算法建立 阀门预测控制模 型， 获得工业建筑各层电动调节 阀的控制策略； 基于工业建筑供热系统数字孪生 模型对控制策略进行验证和下发执 行。 权利要求书3页 说明书8页 附图3页 CN 114912169 A 2022.08.16 CN 114912169 A 1.一种基于多源信息融合的工业建筑供 热自主优化调控方法， 其特 征在于， 它包括： 步骤S1、 采用机理建模和数据辨识方法建立工业建筑供 热系统数字 孪生模型； 步骤S2、 工业建筑供热设备安装， 至少包括： 在工业建筑各层供热管道入口处安装热计 量表、 在工业建筑各层管道供热系统入口支管处安装电动调节阀、 在工业建筑中设置有环 境温湿度检测装置和视频监控 装置； 步骤S3、 基于多源信息融合技术体系架构建立工业建筑状态感知模型， 获得工业建筑 区域内供 热运行数据、 人流密度和环境温湿度； 步骤S4、 基于工业建筑供热系统数字孪生模型和依据历史供热运行数据、 天气数据、 人 流密度和环 境温湿度数据、 预测的热负荷， 采用基于注 意力机制结合改进的BiGRU算法建立 阀门预测控制模型， 获得工业建筑各层电动调节阀的控制策略； 步骤S5、 基于工业建筑供热系统数字孪生模型对控制策略进行验证后， 进行控制策略 的下发和执 行。 2.根据权利要求1所述的工业建筑供热自主优化调控方法， 其特征在于， 所述步骤S1 中， 采用机理建模和数据辨识方法建立工业建筑供 热系统数字 孪生模型， 具体包括： 建立包括工业建筑供热系统物理实体、 虚拟实体、 孪生数据服务和各组成部分之间的 连接要素的数字 孪生模型； 建立包括二级网单元楼物理实体、 虚拟实体、 孪生数据服务和各组成部分之间的连接 要素的数字 孪生模型； 所述物理实体为整个数字 孪生模型的数据源； 所述虚拟实体对物理实体的实 际过程进行仿真模拟， 并对要素数据进行分析数据、 评 价、 预测及控制； 所述孪生数据服务集成物理空间信息与虚拟空间信息， 保证数据传输的实时性， 同时 提供包括智能算法、 模型、 规则标准、 专家经验的知识库数据， 通过融合物理信息、 多时空关 联信息、 知识库数据形成孪生数据库； 所述各组成部分之间的连接用于实现各组成部分的互联互通， 物理实体与孪生数据服 务之间通过传感器、 协议传输规范实现数据的实时采集与反馈； 所述物理实体与虚拟 实体之间通过协议进行数据传输， 物理信 息实时传输至虚拟空间 内更新校正模型， 所述虚拟实体通过 执行器对物理实体进行实时控制； 所述虚拟实体与孪生数据服 务之间通过 数据库接口进行信息传递； 对数字孪生模型进行辨识， 将工业建筑供热系统的多工况实时运行数据接入已建立的 数字孪生模型中， 采用反向辨识方法对数字孪生模型 的仿真结果进行自适应辨识修正， 获 得辨识修 正后的工业建筑供 热系统数字 孪生模型。 3.根据权利要求1所述的工业建筑供热自主优化调控方法， 其特征在于， 所述步骤S3 中， 基于多源信息融合 技术体系架构建立工业建筑状态感知模型， 具体包括： 建立包括采集层、 处 理层和服 务层的工业建筑状态感知模型架构； 所述采集层将环境温度检测装置和视频监控装置采集的数据、 热计量装置和电动调节 阀的数据， 以及历史数据库中存 储的供热信息进行获取； 所述处理层包括工业建筑信 息推理组件和信 息预测组件， 将采集层提交 的数据通过抽 象、 解释、 逻辑推理后进行工业建筑状态预测分析；权　利　要　求　书 1/3 页 2 CN 114912169 A 2所述服务层将处 理层处理后的工业建筑信息按照服 务进行分类。 4.根据权利要求3所述的工业建筑供热自主优化调控方法， 其特征在于： 还包括所述工 业建筑信息推理组件利用专家库中预先设定好的规则将采集层传递的数据信息， 采用信息 抽象和语义解释的方式进 行融合推理； 所述工业建筑信息预测组件将融合推理后的信息作 为样本进行训练， 并将训练结果与当前采集到的实时信息进行比对判断， 然后对下个时间 该工业建筑区域的物理环境信息做出 预测。 5.根据权利要求3所述的工业建筑供热自主优化调控方法， 其特征在于： 还包括基于所 述工业建筑状态感知模型计算获得工业建筑区域内人流密度， 具体包括： 根据工业建筑区域内的视频监控装置， 通过图像处理技术对视频当中的人员 信息进行 识别、 跟踪和计算， 获得工业建筑区域内的人流密度； 其中， 根据场景的不同将人流密度从低到高划分为不同等级； 通过图像处理技术对视 频当中的人员信息进 行识别、 跟踪和计算包括视频图像处理、 行人目标检测、 行人目标跟踪 和人流量计算； 所述行人目标检测采用运动目标的检测算法， 根据目标在视频序列中的运 动过程会引起图像的区域 发生变化， 通过提取变化的区域， 获得行人目标； 所述行人目标跟 踪是对运动的目标进行跟踪， 找出每一帧视频图像中目标位置并标定出来， 判断是否为同 一行人对 象； 所述人流量计算采用基于运动目标分类和机器学习的人流量统计法； 所述运 动目标分类根据目标团块的行人数量， 对目标团块进行分类， 确定目标团块中是否含有行 人、 单行人还是多 行人， 若目标信息为非行人目标则不计数， 若目标信息为单行人目标则叠 加即可； 若目标信息为多 行人目标， 则需要 再确定多 行人目标中的行人数量， 通过采用机器 学习算法提取 行人特征， 对行人特征进行训练， 利用训练好的结果对人进行识别。 6.根据权利要求3所述的工业建筑供热自主优化调控方法， 其特征在于： 还包括基于所 述工业建筑状态感知 模型计算获得工业建筑区域内的供热运行数据和环境温湿度， 具体包 括： 通过工业建筑状态感知模型中的采集层、 处理层和服务层， 对工业建筑区域内的环境 温湿度检测装置、 热计量表和电动调节阀采集的数据进行处理和分析后， 获得包括工业建 筑区域内的供 水温度、 回水温度、 供 水流量和环境温湿度状态信息 。 7.根据权利要求1所述的工业建筑供热自主优化调控方法， 其特征在于， 所述步骤S4 中， 基于工业建筑供热系统数字孪生模 型和依据历史供热运行数据、 天气数据、 人流密度和 环境温湿度数据、 预测的热负荷， 采用基于注意力机制结合改进的BiGRU算法建立阀门预测 控制模型， 获得工业建筑各层电动调节阀的控制策略， 具体包括： 步骤S401、 设置基于注意力机制的VMD结合改进的BiGRU算法建立阀门预测控制模型层 级结构， 所述阀门预测控制模型层级结构包括输入层、 BiGRU层和注意力层； 步骤S402、 基于工业建筑供热系统数字孪生模型获取历史供水温度、 回水温度、 供水流 量、 天气数据、 工业建筑人流密度、 环境温湿度数据和预测的热负荷， 作为阀门预测控制模 型的训练样本， 在输入层中将阀门预测控制模型的训练样本进行预处理获得数据序列长度 为N的输入数据， 表示 为： X＝[X1、 X2…XN]T； 步骤S403、 在BiGRU层中提取各分量间的信息， 通过前向与反向的BiGRU网络单元学习 历史与未来时刻对当前信息的影响， 在t时刻经过BiGRU层计算输出的隐藏层状态表示为： ht＝BiGRU(ht‑1,Xt)；权　利　要　求　书 2/3 页 3 CN 114912169 A 3