(19)中华 人民共和国 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 202111673587.9 (22)申请日 2021.12.31 (71)申请人 北京建筑大学 地址 100037 北京市西城区展览 路1号 申请人 北京市第三建 筑工程有限公司 (72)发明人 万珊珊　杨兰　苏中帅　吕橙　 岳云涛　陈卓　邱冬炜　 (74)专利代理 机构 北京高沃 律师事务所 1 1569 代理人 刘芳 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/762(2022.01) G06K 9/62(2022.01) (54)发明名称 一种基于大数据的楼宇自动化系统数据标 记方法及系统 (57)摘要 本发明涉及一种基于大数据的楼宇自动化 系统数据标记方法， 方法包括： S1： 获取室温温 度、 室外温度、 焓的含量、 电力消耗、 空气处理机 组AHU的监测数据以及变风量空调系统VAV的监 测数据； S2： 将步骤S1中获取的数据标注成M个测 量数据； S3： 对M个测量量进行数据分析， 提取数 据特征； S4： 基于的数据分析结果， 标定M个测量 量的数据类型、 数据功能和数据源； S5： 基于数据 特征， 进行聚类和相关性分析， 确定物理区域划 分， 进行区域标记； S6： 基于 数据特征， 进行Bi GRU 分类， 确定VAV和AHU的控制关系。 本发明中的上 述方法能够完全利用楼宇自动化系统产生的监 测数据标定监测值的类型和所从属的设备组别、 监测设备从属的物理区域划分、 以及设备之间的 控制关系。 权利要求书3页 说明书17页 附图7页 CN 114332540 A 2022.04.12 CN 114332540 A 1.一种基于大数据的楼宇自动化系统数据标记方法， 其特征在于， 所述数据标记方法 包括： S1： 获取室温温度、 室外温度、 焓的含量、 电力消耗、 空气处理机组AHU的监测数据以及 变风量空调系统V AV的监测数据； S2： 将步骤S1中获取的数据标注成M个测量数据X1、 X2 …、 XM； S3： 对步骤S2中的M个测量 量进行数据分析， 提取 数据特征； S4： 基于步骤S3中的数据分析 结果， 标定 M个测量量的数据类型、 数据功能和数据源； S5： 基于所述数据特 征， 进行聚类和相关性分析， 确定物理区域划分， 进行区域标记； S6： 基于所述数据特 征， 进行BiGRU分类， 确定V AV和AHU的控制关系； S7： 输出BAS数据的类型、 标记和数据源信息、 BAS数据的VAV或AHU的组标记信息， 区域 标定信息以及设备关系标定信息 。 2.根据权利要求1所述的基于大数据的楼宇自动 化系统数据标记方法， 其特征在于， 所 述对步骤S2中的M个测量 量进行数据分析， 提取 数据特征具体包括以下步骤： S2.1： 计算M个测量量中每个测量量的均值、 最大值、 最小值、 中值、 方差、 标准方差、 偏 度和峭度； S2.2： 计算每 个测量量的近似熵XEn； S2.3： 计算每 个测量量的分段聚合逼近值， 进行降维。 3.根据权利要求2所述的基于大数据的楼宇自动 化系统数据标记方法， 其特征在于， 所 述计算每 个测量量的近似熵XEn具体包括以下步骤： S2.21： 将按照时间序列 排列的n个数据点的值以m个数据点为一个字片段进行划分， 得 到(n‑m+1)个子序列片段， 每 个片段用X(i)表示； S2.22： 计算和当前第i个子片段序列相似的其 他序列所占的比例； S2.23： 计算当前第i个子片段序列X(i)和其他所有子片段之间的对应数据点之间的最 大距离d[X(i)， X(j)]； S2.24： 将上一步得到的n ‑m个距离d[X(i)， X(j)]与给定阈值r进行比较， 如果d＜r， 则认 为两个子序列相似； S2.25： 重复步骤S2.21 ‑步骤S2.24， 直到对整个时间序列对应 的子片段序列都计算完 毕， 根据相似子片段数目与总 序列数目的比例， 得到在m数据点规模 下的子片段序列的平均 相似率φ(m)； S2.26： 确定在m+1数据点 规模下的子片段序列的平均相似率φ(m+1)； S2.27： 基于φ(m+1)和φ(m)确定原 始信号序列的近似熵XEn＝φ(m+1) ‑φ(m)。 4.根据权利要求2所述的基于大数据的楼宇自动 化系统数据标记方法， 其特征在于， 所 述基于步骤S 3中的数据分析结果， 标定M个测量量的数据类型、 数据功能和数据源 具体包括 以下步骤： S3.1： 输入P个BAS中V AV的测量数据X1、 X2. .....XP； P＝6 *10＝60； S3.2： 根据特征提取的结果， 以及VAV包含的6种备选数据类型的先验知识， 完成P个数 据的类型 标定， 具体包括： 计算方差、 标准差和近似熵的加权值， 加权值最小的三个测量值为传感器数据， 标记为 Sensor类型；权　利　要　求　书 1/3 页 2 CN 114332540 A 2结合测量值的最大值、 最小值、 均值和中值信 息为三个传感器值分配标签， 其中范围在 20～40之间的为室温， 即Zone  temperature； 范围在70～90之间的为排气温度， 即 Discharge temperature； 大于10 0的值为空气流速， 即Air  flow rate； 计算方差、 标准差和近似熵的加权值， 加权值最大的三个量为控制量， 标记为Control 类型； 在三个控制量中， 偏度最大的为冷却阀门值， 即HW  valve； 偏度次大的值为风门位置； 偏度最小和峭度最小的为 流速值， 即Fl ow Stpt。 S3.3： 根据测量量的标准差、 近似熵、 偏度和峭度分析， 对数据进行特征强度评估， 按照 下面公式计算分为六个 类型的P个数据的有效性， Effi(Xi)＝α·σ +β·XEn+γ·|sk|+θ·|k‑3| 对六个类 型的有效性进行排序， 得到特征 强度序列Fe＝{Xi|i∈[1， 6]}； 其中， α、 β 、 γ和 θ 为加权参数； S3.4： 选取未做标记分类数据中Effi(Xi)最小的Xi作为首要 分类特征， 获得其分段聚合 逼近值， 将其加入分类数据池； S3.5： 选用随机森林算法， 利用待分类数据的数据特征进行10分类， 根据分类结果为10 个Xi设置其所 隶属的VAV的序号标签； S3.6： 判断数据池中是否包含了所有的测量量， 如果是， 转到步骤S3.9， 结束； 如果否， 转到步骤S3.7； S3.7： 将未分类数据与已分类数据进行相关性计算， 将未分类数据按照相关性绝对值 大小降序排列， 其中， 每两个测量 量X和Y之间的相关系数为： S3.8： 选取相关性和特征强度加权排序最小的待分类数据， 将其加入分类数据池， 转到 步骤S3.5 。 S3.9： 输出测量 量的分类结果， 进行组标记， 完成hasPo int、 hasPar t的标定。 5.根据权利要求1所述的基于大数据的楼宇自动 化系统数据标记方法， 其特征在于， 基 于所述数据特征， 进 行聚类和相关性分析， 确定物理区域划分， 进 行区域标记具体包括以下 步骤： S5.1： 获取P个V AV测量数据X1、 X2. .....XP， P＝6 *10＝60。 S5.2： 根据增量标记算法中的公式Effi(Xi)＝α·σ +β·XEn+γ·|sk|+θ·|k‑3|选取数 据特征较强的测量 量， 即Effi(Xi)最小的Xi作为聚类的依据； S5.3： 根据分段聚合近似方法对Xi进行数据降维； S5.4： 将10个Xi的最小距离评估和10个Xi的相关性分析作为分层聚类的依据， 分类判据 表示为： Cr(a， b)＝α ·D(a， b)+β /|Co(a， b)|； S5.5： 根据分层聚类结果， 判定测量量从属的物理区域， 若同类中有多于一个Xi， 表示Xi 所存在的区域属于同一个Zone， 为几个Xi标定相同的Zon e序号； 如果一个Xi单独被划分为一 类， 则表示Xi所在的区域 为单独的物理 空间， 为其单独标定Zo ne序号。 S5.6： 输出 Xi的Zone标记， 完成isL ocatedIn和isPar tOf的标定 。权　利　要　求　书 2/3 页 3 CN 114332540 A 3