CN114041031B - 组合解确定系统 - Google Patents
组合解确定系统 Download PDFInfo
- Publication number
- CN114041031B CN114041031B CN202080048321.2A CN202080048321A CN114041031B CN 114041031 B CN114041031 B CN 114041031B CN 202080048321 A CN202080048321 A CN 202080048321A CN 114041031 B CN114041031 B CN 114041031B
- Authority
- CN
- China
- Prior art keywords
- sequence data
- solution
- combined solution
- unit
- data
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
- F24F11/46—Improving electric energy efficiency or saving
- F24F11/47—Responding to energy costs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N99/00—Subject matter not provided for in other groups of this subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Business, Economics & Management (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Computing Systems (AREA)
- Operations Research (AREA)
- Strategic Management (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Combustion & Propulsion (AREA)
- Computational Linguistics (AREA)
- Chemical & Material Sciences (AREA)
- Artificial Intelligence (AREA)
- Mechanical Engineering (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Air Conditioning Control Device (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Complex Calculations (AREA)
Abstract
本发明提供一种能够有效地导出黑箱最优化问题的解的组合解确定系统。组合解确定系统(190)具备解候选生成部(110)、仿真部(120)、评价指标计算部(130)、解确定部(140)以及必要序列数据提取部(150)。仿真部利用与解候选生成部生成的组合解的候选相关的信息和序列数据来运算仿真数据。评价指标计算部基于仿真数据计算出评价指标。解确定部基于评价指标,从多个组合解的候选中确定评价高的组合解。必要序列数据提取部从序列数据(第一序列数据)中提取用于以规定的精度计算评价指标所需的第二序列数据。必要序列数据提取部从第一序列数据中提取为了验证规定的约束条件的适当与否所需的第三序列数据。必要序列数据提取部将第二序列数据和第三序列数据合并而取得必要序列数据。仿真部在必要序列数据提取部提取出必要序列数据之后,使用与组合解的候选有关的信息和必要序列数据来运算仿真数据。
Description
技术领域
本发明涉及组合解确定系统。
背景技术
以往,如专利文献1(日本特开2006-48475号公报)所公开的那样,为了最大限度地利用资源,使用将现实的各种问题公式化为数学规划问题的方法。
发明内容
发明所要解决的课题
在数学规划问题是不能公式化目标函数的黑箱最优化问题的情况下,存在导出最优解需要较多的计算时间的问题。
用于解决课题的手段
第一观点的组合解确定系统具备解候选生成部、仿真部、评价指标计算部、解确定部以及必要序列数据提取部。解候选生成部生成组合解的候选。仿真部利用与解候选生成部生成的组合解的候选相关的信息和用于评价组合解的序列数据,来运算仿真数据。评价指标计算部基于仿真数据来计算评价指标。解确定部基于评价指标计算部根据多个组合解的各个候选计算出的评价指标,从多个组合解的候选中确定评价高的组合解。必要序列数据提取部根据与解候选生成部生成的n个(n≥2)组合解的候选中的m个(m≥2)组合解的候选相关的信息和作为序列数据的第一序列数据,基于评价指标计算部计算出的评价指标,从第一序列数据中提取用于以规定的精度计算出评价指标所需的第二序列数据。必要序列数据提取部从第一序列数据中提取为了针对该m个组合解的候选验证规定的约束条件的适当与否所需的第三序列数据。必要序列数据提取部将第二序列数据和第三序列数据合并而取得必要序列数据。仿真部在必要序列数据提取部提取出必要序列数据之后,至少利用与该n个组合解的候选中的该m个组合解的候选以外的组合解的候选有关的信息和包含必要序列数据的序列数据来运算仿真数据。
第一观点的组合解确定系统能够有效地导出黑箱最优化问题的解。
第二观点的组合解确定系统是第一观点的组合解确定系统,必要序列数据提取部提取不满足规定的约束条件的可能性高的第一序列数据作为第三序列数据。
第二观点的组合解确定系统能够高效地导出黑箱最优化问题的解。
第三观点的组合解确定系统是第一观点或第二观点的组合解确定系统,必要序列数据提取部通过稀疏推理来提取第二序列数据,通过极值统计提取第三序列数据。
第三观点的组合解确定系统能够高效地导出黑箱最优化问题的解。
第四观点的组合解确定系统是第一至第三观点中的任意一个组合解确定系统,必要序列数据提取部通过从第一序列数据中排除以规定的精度计算出评价指标所不需要的数据以及在考虑规定的约束条件时不需要的数据,来取得必要序列数据。
第四观点的组合解确定系统能够有效地导出黑箱最优化问题的解。
第五观点的组合解确定系统是第一至第四观点中的任意一个组合解确定系统,组合解是物体的组合解或者方法的组合解。
第五观点的组合解确定系统能够有效地导出黑箱最优化问题的解。
第六观点的组合解确定系统是第一至第五观点中的任意一个组合解确定系统,组合解用于改善组合解的应用对象的状况,第一序列数据是对组合解的应用对象的该状况的改善带来影响的、与该状况相关的过去的数据。
第六观点的组合解确定系统能够有效地导出黑箱最优化问题的解。
附图说明
图1是表示空调系统100的结构的一例的图。
图2是组合解确定系统190的概略框图。
图3是由组合解确定系统190选定空调系统的处理的流程图。
图4是表示反复局部探索中的时刻提取的曲线图。
图5是表示11月19日10时的未处理显热的曲线图。
图6是表示11月19日11时的未处理显热的曲线图。
图7是表示11月19日12时的未处理显热的曲线图。
图8是表示第3642次计算出的构成中的未处理显热的曲线图。
具体实施方式
参照附图,对实施方式所涉及的组合解确定系统进行说明。组合解确定系统对导出消耗电力最小的空调系统的数理规划问题的解进行确定。
(1)空调系统的构成
空调系统设置于建筑物,主要由室外机、室内机和换气装置构成。图1是表示空调系统100的结构的一例的图。在图1中,空调系统100由2台室外机10a、10b、6台室内机20a~20f、2台换气装置30a、30b构成。各室外机10a、10b经由制冷剂配管与1台或多台室内机20a~20f连接。各室内机20a~20f连接于2台室外机10a、10b中的任意一台,且设置于设置有空调系统100的建筑物的区域40a~40c中的任意一区域。在图1中,各室外机10a、10b分别与3台室内机20a~20f连接,在各区域40a~40c设置有2台室内机20a~20f。区域40a~40c是空调系统100的空调对象空间。室内机20a~20f通过除去区40a~40c的显热,将区域40a~40c维持在舒适的状态。换气装置30a、30b对1个或多个区域40a~40c进行换气,将区域40a~40c维持在舒适的状态。
(2)空调系统的选定
在将空调系统100设置于建筑物之前,需要进行空调系统100的选定。空调系统100的选定是考虑区域40a~40c的热负荷以及消耗电力等来选择设备(室外机10a、10b、室内机20a~20f以及换气装置30a、30b)或者决定设备的组合。通过空调系统100的选定确定的参数(空调选定参数)例如是各区域40a~40c的室内机20a~20f的台数、室内机20a~20f的机型以及性能(容量等)、室外机10a、10b的机型以及性能(容量等)、换气装置30a、30b的机型以及性能(换气量等)、制冷剂系统以及控制参数等。制冷剂系统是指例如与室外机10a、10b和与该室外机10a、10b连接的室内机20a~20f的组相关的信息。控制参数是指例如各区域40a~40c的设定温度以及设定湿度。
以往,在空调系统的选定时选择具有过大性能的设备,以使得能够应对峰值时的热负荷。但是,存在如下课题:只能进行将温度设为固定值的静态热负荷计算,或者根据现场的负责人的经验和技巧来选定的设备存在偏差,从消耗电力的观点出发选定不适当的设备。为了解决该课题,需要考虑设备及建筑物的特性以及空调对象空间的温度及显热的变化来选定空调系统。但是,在该情况下,热负荷及消耗电力的计算成本变大。另外,在空调系统的选定时,设备的数量以及种类越多,选定所需的计算时间就越增大。
实施方式所涉及的组合解确定系统是解决上述课题的系统,从多个选项中高效地选定消耗电力最小的空调系统。由此,组合解确定系统能够选定使总成本最小化的空调系统。总成本是指设备成本和电气成本的合计。设备成本例如包括设备自身的费用、设备的设置施工费用、以及设备的维护费用。电气成本包括用于使空调系统工作所需的电费,根据设备的消耗电力等来计算。
由实施方式所涉及的组合解确定系统决定解的数学规划问题相当于由于无法公式化目标函数而无法使用通用求解器的黑箱最优化问题。为了确定黑箱最优化问题的解,一般需要通过仿真来计算目标函数的值,因此容易花费计算成本。例如,在选定消耗电力最小的空调系统的问题的情况下,需要使用仿真软件来计算多个时刻的消耗电力,计算时间容易变长。实施方式所涉及的组合解确定系统通过使用也能够用于黑箱最优化问题的局部探索法的应用方法即反复局部探索法,能够削减计算时间。
(3)组合解确定系统的构成
图2是组合解确定系统190的概略框图。组合解确定系统190选定消耗电力最小的空调系统。组合解确定系统190例如由1个或多个计算机构成。在组合解确定系统190由多个计算机构成的情况下,该多个计算机也可以经由网络而彼此连接。
组合解确定系统190主要具备解候选生成部110、仿真部120、评价指标计算部130、解确定部140以及必要序列数据提取部150。解候选生成部110~必要序列数据提取部150例如通过该计算机的CPU执行构成组合解确定系统190的存储于计算机的存储装置中的程序来实现。
解候选生成部110生成组合解的候选。组合解是由组合解确定系统190决定的解。组合解是与空调系统100的构成相关的信息,具体而言,包含上述的空调选定参数。
仿真部120使用与解候选生成部110生成的组合解的候选相关的信息和用于评价组合解的序列数据来运算仿真数据。仿真数据包含将组合解的候选作为输入参数而通过仿真计算出的空调系统100的消耗电力。序列数据是指在计算出规定的时刻的仿真数据(消耗电力)的情况下与该时刻相关的数据。在仿真部120通过仿真来计算出1年间的消耗电力的情况下,序列数据例如是该1年间的每1小时的时刻。在该情况下,序列数据由8760个时刻数据构成(365日×24小时/日)。仿真部120计算出的消耗电力是室外机10a、10b、室内机20a~20f以及换气装置30a、30b的消耗电力。换气装置30a、30b的消耗电力通过换气仿真来计算。考虑由换气装置30a、30b产生的热负荷的影响,室外机10a、10b及室内机20a~20f的消耗电力根据各区域40a~40c的热负荷(显热负荷)通过空调仿真来计算出。
评价指标计算部130基于仿真部120计算出的仿真数据(消耗电力)来计算评价指标。评价指标是根据上述的总成本、未处理热负荷以及未处理换气量等计算出的参数。未处理热负荷相当于在配置于区域40a~40c的室内机20a~20f能够处理的显热负荷小于该区域40a~40c的显热负荷的情况下无法处置的量的显热负荷。未处理换气量相当于在配置于区域40a~40c的换气装置30a、30b能够处理的换气负荷小于该区域40a~40c的换气负荷的情况下无法处置的量的换气负荷。总成本、未处理热负荷以及未处理换气量越小,评价指标越小。从最大限度地利用资源的观点出发,评价指标越小越优选。
解确定部140基于评价指标计算部130根据多个组合解的候选分别计算出的评价指标,从多个组合解的候选中确定评价高的组合解。评价高的组合解是指评价指标最小的组合解。由解确定部140确定的组合解是从最大限度地利用资源的观点出发最优的空调选定参数。
必要序列数据提取部150取得必要序列数据。必要序列数据是指从序列数据中提取出的数据。具体而言,如上所述,在序列数据由每1小时的8760个时刻数据构成的情况下,必要序列数据是该8760个时刻数据(以下称为“第一序列数据”)中的一部分的时刻数据。
仿真部120在必要序列数据提取部150提取了必要序列数据之后,使用与组合解的候选相关的信息和必要序列数据来运算仿真数据。因此,仿真部120能够基于比第一序列数据所包含的时刻数据少的时刻数据来运算仿真数据(消耗电力)。由此,组合解确定系统190能够削减消耗电力的运算所需的计算成本。
在此,参照图3,对组合解确定系统190能够削减计算成本的理由进行说明。图3是由组合解确定系统190选择空调系统的处理的流程图。
在步骤S11中,确定系统构成。具体而言,在步骤S11中,由解候选生成部110生成组合解的候选。
在步骤S12中,判定必要序列数据是否已经提取完毕。在步骤S16中必要序列数据提取完毕的情况下,转移到步骤S13,在未提取完毕的情况下,转移到步骤S18。
在步骤S13中执行仿真。具体而言,仿真部120使用组合解的候选和第一序列数据,运算第一序列数据所包含的各时刻的仿真数据。
在步骤S14中,将在步骤S13中得到的各时刻的仿真数据(消耗电力)作为训练数据进行保存。
在步骤S15中,评价指标计算部130根据在步骤S14中保存的训练数据计算评价指标并保存。
在步骤S16中,基于根据训练数据计算出的评价指标,判定最初的局部解是否已导出。最初的局部解通过反复局部探索法来计算。最初的局部解例如是从仿真的执行开始起评价指标最初示出最小值(局部的最小值)的系统构成。
在步骤S16中最初的局部解已导出的情况下,在步骤S17中,基于到此为止得到的训练数据,从第一序列数据中提取必要序列数据。具体而言,必要序列数据提取部150提取消耗电力的运算所需的时刻。之后,在步骤S11中确定新的系统构成,执行仿真。
在步骤S16中未导出最初的局部解的情况下,不在步骤S17中提取必要序列数据,而在步骤S11中确定新的系统构成,进而取得训练数据。
在步骤S18中,基于在步骤S17中提取出的时刻(必要序列数据)来执行仿真。具体而言,仿真部120使用组合解的候选和必要序列数据,运算必要序列数据所包含的各时刻的仿真数据。
在步骤S19中,评价指标计算部130根据在步骤S18中得到的仿真数据计算评价指标并保存。
之后,在步骤S11中重新确定系统构成,在步骤S18中执行仿真,在步骤S19中计算评价指标并保存。对规定数量的组合解的候选进行以上的处理。
在步骤S13中执行的仿真(以下称为“全计算”)使用包含所有时刻的第一序列数据(8760个时刻数据)来进行。另一方面,在步骤S18中执行的仿真(以下称为“提取计算”)使用从第一序列数据中提取出的必要序列数据(小于8760个的时刻数据)来进行。提取计算所需的计算时间比全计算所需的计算时间短。因此,在得到最初的局部解之前,对各系统构成(组合解的候选)执行全计算而记录训练数据,在得到最初的局部解之后,对各系统构成执行提取计算,能够高效地得到评价指标。因此,通过对多个系统构成执行仿真(提取计算),能够抑制为了得到评价指标最小的系统构成(最优解)所需的计算时间。
接着,说明在图3的步骤S17中从第一序列数据中提取必要序列数据的具体的处理概要。
必要序列数据提取部150使用与解候选生成部110生成的n个(n≥2)的组合解的候选中的m个(m≥2且n>m)的组合解的候选相关的信息和第一序列数据,基于评价指标从第一序列数据中提取第二序列数据。所谓第二序列数据,包含以规定的精度计算出评价指标所需的时刻数据。换言之,第二序列数据包含对仿真数据(消耗电力)的贡献大的时刻数据。“m个组合解的候选”是与在得到最初的局部解之前生成的系统构成相关的信息,换言之,是与在训练数据的生成中利用的系统构成相关的信息。
进而,必要序列数据提取部150从第一序列数据中提取为了对上述的“m个组合解的候选”验证规定的约束条件的适当与否所需的第三序列数据。规定的约束条件是与未处理热负荷有关的条件。所谓第三序列数据,例如包含未处理热负荷超过规定的基准值的可能性高的时刻数据。即使通过仿真计算出的消耗电力小,但在未处理热负荷大的情况下,从最大限度地利用资源的观点出发不优选。因此,通过将与未处理热负荷相应的值作为惩罚而加入总成本,能够计算出适当的评价指标。作为规定的约束条件,可以举出未处理热负荷为规定的基准值以下这样的条件。在该情况下,必要序列数据提取部150提取不满足规定的约束条件的可能性高的第一序列数据作为第三序列数据。
而且,必要序列数据提取部150将第二序列数据和第三序列数据合并而取得必要序列数据。仿真部120在必要序列数据提取部150提取了必要序列数据之后,至少使用与上述的“m个组合解的候选”以外的组合解的候选有关的信息和包含必要序列数据的序列数据来运算仿真数据。“m个组合解的候选”以外的组合解的候选是与得到最初的局部解后生成的系统构成相关的信息。
必要序列数据提取部150例如通过稀疏推理提取第二序列数据,通过极值统计提取第三序列数据。
稀疏推理是回归分析中的回归系数的推定方法之一。关于稀疏推理,由于在说明变量多的情况下基于尽可能少的说明变量的值来推定目标变量,因此是同时进行回归系数的推定和变量选择的方法。
极值统计是指在概率论以及统计学上基于连续概率分布模型来推定极值的方法,连续概率分布模型表示根据某个累积分布函数而产生的大小n的样本X1、X2、···、Xn中的x以上(或者x以下)的样本的个数如何分布。
(4)组合解确定系统的具体例
(4-1)概要
接着,作为具体例,对用于选定消耗电力最小的空调系统的组合解确定系统进行详细说明。该组合解确定系统提取基于稀疏推理和极值统计待计算消耗电力的时刻,根据提取出的时刻进行一年间的消耗电力的推定,从而以削减整体的计算成本为目标。
(4-2)空调机构成问题
在向某个建筑物导入室内机时,必须使任意的室内机都与室外机连接。能够与一个室外机连接的室内机的数量有限制,但能够向一个室外机连接多台室内机。此时,将导入建筑物的室外机和与其连接的室内机的组称为空调系统。
向一个建筑物中设置空调机时,考虑各种模式。首先,在设置室内机时,室内机通过除去各区域的显热而维持舒适的温度,因此需要能够处理各区域中必要的显热负荷以上的室内机。作为室内机的组合方法,考虑配置一个能够处理的显热负荷大的室内机这样的模式、或配置多个能够处理的显热负荷小的类型的室内机等各种组合。另外,换气装置需要满足一个区域所需的换气量,通过换气装置的导入,各区域所需的显热负荷也发生变化。接着,在配置室外机时,对于首先导入哪个类型的室外机,接着与哪个区域的室内机连接而构成空调系统,可以考虑各种模式。
通过导入哪个空调系统而消耗电力发生变化。将此时导出消耗电力最小的空调系统的问题称为空调机构成问题。在本公开中,以将消耗电力换算为15年的电费的运行成本与空调机的价格(初始成本)相加而得到的成本的最小化为目标。
(4-2-1)在空调机构成中应该考虑的约束
对配置空调机所需的约束条件进行说明。
首先,配置于各区域的室内机和换气装置能够处理的负荷需要超过该区域所需的负荷,另外,也可以添加使能够配置于各区域的室内机的数量不超过某个上限、能够与室外机连接的室内机的数量也不超过某个上限作为条件。另外,即使配置区域所需的负荷以上的室内机,有时也存在由于该室内机的连接状态等而产生未处理的热负荷的时刻,因此也添加在此产生的未处理显热负荷为规定值以下这样的条件。以下整理上述应考虑的约束。
(A)配置于各区域的室内机能够处理的显热负荷为该区域的显热负荷以上。
(B)保护配置于各区域的室内机的上限。
(C)保护能够与室外机连接的室内机的台数的上限。
(D)保护室外机的设置上限。
(E)配置于各区域的换气装置能够处理的换气量为该区域的换气负荷以上。
(F)在各区域产生的无法处理的显热负荷为规定值以下。
(4-2-2)作为0-1整数规划问题的公式化
将空调机构成问题公式化为0-1整数规划问题。
0-1整数规划问题是在优化问题中所有变量取0或1的值。在(4-2-1)节中举出的应考虑的约束(A)~(F)中的(A)、(E)、(F)以能够缓和条件的方式进行处理,利用目标函数将违反约束的量最小化。
(4-2-2-1)符号说明
对用于公式化的符号进行说明。
常数
I:室内机的集合
O:室外机的集合
Z:区域的集合
V:换气装置的集合
T={1,2,…,8760}:时刻的集合
aj,j∈I:室内机j可处理的显热负荷
bi,i∈Z:区域i的显热负荷
fi,i∈Z:区域i的换气负荷
gv,v∈V:换气装置v可处理的换气负荷
pj,j∈I:室内机j的价格
qv,v∈V:换气装置v的价格
c:配置于区域的室内机的上限
d:能够与室外机连接的室内机的台数的上限
e:室外机的设置上限
M:未处理显热的基准值
变量
xi,j,k,i∈Z,j∈I,k∈O:室内机j配置于区域i且与类型k的室外机连接时为1,否则为0的变量
yi,v,i∈Z,v∈V:换气装置v配置于区域i时为1,否则为0的变量
x:xi,j,k的矢量标记
y:yi,v的矢量标记
δk,i∈Z:表示是否设置了类型k的室外机的变量(用数学式1表示的变量)
[数学式1]
(4-2-2-2)公式化
以下示出利用(4-2-2-1)节的符号并基于(4-2-1)节的(A)~(D)的约束而公式化的数学式。
[数学式2]
最小化
其中,
ut(x)≤M,t∈T
目标函数f(x)、h(y)是通过将变量xi,j,k、yi,v分别输入到仿真软件而作为输出得到的消耗电力,C(f(x),h(y))是根据消耗电力计算出电费的函数。
约束式中的g(y)是通过将变量yi,v输入到仿真软件而作为输出得到的负荷。
约束式中的ut(x)是通过将变量xi,j,k输入到仿真软件而作为输出得到的时刻t的未处理显热负荷。
(4-2-3)带约束的黑箱最优化问题的解法
一般而言,将带约束条件的黑箱最优化问题变形为无约束最优化问题。作为用于向无约束最优化问题变更的方法,考虑了使用将探索时不满足约束条件的情况从探索空间排除的方法和使用惩罚函数法的方法。
在本问题中,关于约束(A)、(E)、(F)应用惩罚函数法,将违反约束(B)~(D)的情况从探索空间中排除。惩罚函数法是对将针对不满足约束条件的情况的惩罚项添加到目标函数而定义的惩罚函数进行无约束最优化的方法。
如下定义惩罚函数F(x)。
[数学式3]
ρ是正的参数。
(4-2-4)黑箱最优化问题的解法
在本节中,介绍针对黑箱最优化问题的解法,说明在本公开中采用的解法的方针。通过在(4-2-3)节中使用的方法将问题变形为无约束黑箱最优化问题,对于F(x)使用作为针对基本的黑箱最优化问题的解法而已知的反复局部探索法,以改善解。
(4-3)计算时刻的提取
在提取计算时刻时,需要成为怎样的数据构成这样的训练数据。但是,在空调机构成问题中,由于配置空调机的建筑物的种类、立地条件、气候等而使仿真结果也发生变动,因此无法制作唯一的训练数据。因此,在本公开中,如图4所示,在反复局部探索法中,在导出最初的局部解之前不进行时刻提取,在全部时刻下进行计算,将在最初的局部解导出之前得到的数据作为训练数据进行时刻提取,在此后的探索中提取计算时刻并进行计算,由此实现了计算时间的削减。
(4-3-1)稀疏推理
关于稀疏推理,在此数十年间,在信息学、机器学习、统计学等各种领域中受到关注。在本公开中,使用了作为L1正则化法的代表的Tibshirani提出的LASSO(LeastAbsolute Shrinkage and Selection Operator:最小绝对收缩和选择运算符)。LASSO是通过使对回归模型的损失函数加上基于参数的L1范数的正则化项而得到的正则化损失函数最小化来推定参数的方法,是能够与推定的稳定化一起进行变量选择的方法。以下,说明稀疏推理的理论和本公开中的应用方法。
(4-3-1-1)稀疏推理的理论
关于取连续值的目标函数Y和p维说明变量x=(x1,…,xp)T,通过n个观测得到数据(xi,yi);i=1,…,n。设xi=(xi1,…,xip)T。
以满足下述数学式的方式进行标准化。
[数学式4]
当X=(x(1),…,x(p)),xi=(xi1,…,xnj)T,y=(y1,…,yn)T时,回归模型如下写出。
[数学式5]
y=Xβ+ε
作为线性回归模型的回归系数的推定法,考虑被称为lasso的下一个受约束的最小化函数。
[数学式6]
通过基于lasso进行参数推定,一些参数的推定值具有正好缩小为0的性质。由数学式6的式子得到的解为与通过如下方式得到的解相同的值:通过将通过对数学式6的式子应用拉格朗日的未定乘数法得到的下述函数相对于参数β最小化而得到。
[数学式7]
(4-3-1-2)本公开中的稀疏推理
若将第i次的仿真计算中的时刻t的消耗电力设为xit(t=1,…,8760),将全部时刻的消耗电力的合计值设为yi,则能够如下式那样写出线性回归模型,
[数学式8]
yi=β1xi1+…+β8760xi8760
通过对该模型进行稀疏推理,回归系数(β1,…,β8760)中的多个时刻的系数为0,仅在系数不为0的时刻通过仿真软件导出消耗电力并乘以系数,由此推定全部时刻的消耗电力。
(4-3-2)极值统计
在本节中,对为了提取可能产生未处理负荷的某时刻而使用的极值统计进行说明。极值统计学是原本在自然灾害的预测或评价时使用的科学,其目的在于根据有限期间的观测数据来预测将来会发生具有怎样的较大值的现象。为了对未观测到的右下端的区域进行推测,考虑在极值统计中仅对取较大的值的数据应用分布。极值统计中存在几个统计模型,但在本公开中利用GEV模型。在GEV模型中,对某期间中的块最大数据应用一般极值分布进行解析。下面介绍GEV模型及其分析方法。
(4-3-2-1)极值理论
首先,考虑独立地根据同一分布F的随机变量X1、X2、…。将n个随机变量的最大值预先设为如下值。在通过与适当的尺度之间的转换而进行基准化时,在大部分的连续分布满足的条件下,已知Zn收敛于未退化的分布。
[数学式9]
(Fisher-Tippett定理)
存在某个常数an>0,bn∈R和未退化的分布G,
如果满足下式,
[数学式10]
则分布G能够用以下的标准极值分布Gξ表示。
[数学式11]
(定义)
将下一分布称为一般极值分布,用GEV(μ,σ,ξ)(-∞<μ<∞,σ>0,-∞<ξ<∞)表示。
[数学式12]
将一般极值分布适用于块最大数据,通过最大似然法来推定一般极值分布GEV(μ,σ,ξ)的参数(μ,σ,ξ)。一般极值分布不满足与最大似然推定量有关的正规条件,但在ξ>0.5的情况下,表示最大似然推定量成为渐近有效推定量,由于此前的实验在应用中很少成为ξ≤0.5,所以一般利用最大似然法进行参数推定。
在一般极值分布GEV(μ,σ,ξ)的上侧p概率点zp(数学式13)中
[数学式13]
将该概率点zp称为再现期间1/p的再现水平。在此,考虑再现水平。将分布G设为某期间中(一年间等)的最大数据所依据的一般极值分布GEV(μ,σ,ξ)。期间最大数据成为相互独立地基于同一分布G的随机变量Z1、Z2、…的实现值。此时,若考虑第i个期间,则Zi为期间最大,因此事件Zi>zp表示最大数据超过值zp,事件Zi≤zp表示观测到的所有数据不超过值zp。在此,考虑2值的随机变量数学式14。
[数学式14]
该B1、B2、…成为伯努利试验。与G(zp)=1-p相比,Bi相互独立地依据二项分布B(1,p)。此时,
[数学式15]
JT=B1+B2+…+BT
表示在T年间超过各年的最大数据zp的年的数量,与JT~B(T,p)相比成为其平均E(JT)=Tp,特别是若T=1/p,则观测到比E(J1/p)=1超过再现水平zp的现象是在1/p年中平均一次。
(4-3-2-2)本公开中的极值统计
本公开中的块是通过局部探索法探索到的10点中的未处理负荷成为最大的数据,在各时刻进行极值分布的制作。基于制作出的极值分布,在各时刻推定今后可能出现的未处理负荷的最大值zmax。在此,作为更安全的水平期间zp,以小的概率α抑制在期间Y中超过zp的概率。即,考虑对于充分小的α满足下式的p。
[数学式16]
其中,MY=max{Z1,Z2,…ZY}。
对于这里给出的α,计算成为下式的p。
[数学式17]
即,为了将期间Y中年最大数据超过zp的概率抑制为α以下,将期间最大数据所依据的一般极值分布G的上侧p=p(α,Y)概率点zp定义为可能引起的最大值zmax。作为未处理显热的基准值M,进行zmax>M的时刻的提取计算,将zmax<M的时刻进行了间隔剔除。
(4-4)问题例
(4-4-1)基本信息
将空调机分配上的基本信息示于以下的表1、表2、表3、表4。
表1从上到下表示区域数、室内机的种类数、室外机的种类数。
表2表示各换气装置类型中的可处理的换气负荷。
表3表示各室内机类型中的可处理的显热负荷容量。
表4表示各区域的显热负荷和换气负荷。
[表1]
区域数 | 6 |
室内机的种类 | 25 |
室外机的种类 | 4 |
换气装置的种类 | 18 |
[表2]
[表3]
[表4]
区域A | 区域B | 区域C | 区域D | 区域E | 区域F | |
显热负荷(kw) | 7.7 | 8.2 | 2.4 | 9.7 | 5.5 | 12.7 |
换气负荷(CMH) | 250 | 250 | 250 | 250 | 250 | 250 |
(4-4-2)各约束条件
(4-2)关于在章节中叙述的各约束,在下面示出。
(B)能够配置于区域的室内机为1至2台。
(C)能够与一个室外机连接的室内机为1至6台。
(D)室外机的设置上限为4台。
(F)未处理显热负荷的规定值设为5.5kW。
对通过稀疏推理和极值统计提取计算出的结果的评价、以往人选定的构成和本公开中导出的最优解进行比较。
(4-5)计算实验
(4-5-1)结束条件
反复局部探索法中的结束时条件为进行了反复次数为10000点的探索后结束。另外,一次探索的附近设为10点,移动到10点中的最优的解。在即使在单纯反复局部探索法的过程中探索350点解也没有改善解的情况下,将该解作为局部解,转移到反复局部探索的步骤。
(4-5-2)时刻提取
在到达最初的局部解之前进行1100次的解计算,将该1100次的计算数据作为训练数据进行了基于稀疏推理、极值统计的时刻提取。
(4-5-2-1)基于稀疏推理的时刻提取
通过进行稀疏推理,进行了24小时365天、8760变量中的27变量的提取。基于稀疏推理的消耗电力推定中的mae(mean absolute error:平均绝对误差)为31.23。认为整体的mae小,并且得到的全部的局部解中的实现值和推定值如下表5那样,局部解中的评价值的推测也正确。
[表5]
推定値(千日元) | 6677.45 | 6690.08 | 6768.79 | 6455.74 | 6514.41 | 6549.81 | 6478.29 |
实现值(千日元) | 6661.45 | 6682.79 | 6759.84 | 6440.43 | 6516.01 | 6568.47 | 6488.83 |
推定值与实现值的相关系数为0.9999867。由此,可知解的上下关系几乎不破坏,能够证明进行基于推定值的局部探索。
(4-5-2-2)基于极值统计的时刻提取
为了使基于极值统计时刻提取中的基准值M作用于安全侧,使用比本来的基准值(5.5kW)低的4kW。在本公开中进行了10000次的计算,在极值统计中使用10次的计算结果的最大值,因此通过成为Y=1000,α=0.05,计算一般极值分布G的上侧p(0.05,1000)=5.13×10-5概率点zp,能够计算在计算过程中以5%的概率引起的值zmax,提取zmax≥4的时刻。无论是否在安全侧降低了基准值,在超过作为本来的基准值的5.5kW的日期和时间,基于极值统计的提取中不能包括的时刻存在[11/19 10:00:00,11/19 11:00:00,11/19 12:00:00]这3点。将该3个时刻的全部探索过程中的未处理显热的推移示于图5~图7。由图5~图7可知,超过基准值5.5的是基于第3642次的计算的结果。图8表示针对第3642次探索到的空调机构成的全部时刻的未处理显热。
根据图8可知,若确认各个构成中的未处理显热,则在任意构成中都存在产生大幅超过基准值的未处理显热的时刻,在极值统计中未选择的时刻下出现超过基准值的未处理显热是因为,仅针对特殊的构成,在接近局部解时产生的未处理显热能够通过基于极值统计的提取来覆盖。
(4-5-2-3)最优解和计算时间
本公开中导出的最优构成和现有人选择出的构成的评价值如以下的表6所示。
[表6]
观察表6可知,能够导出最优设计的总成本比任何的现有设计好的结果,惩罚的值也能够为0。
将与计算时间相关的比较示于以下的表7。
[表7]
计算时间(小时) | 削减比例 | |
全计算 | 13.37 | |
提取计算 | 3.62 | 72.92 |
与进行全计算时相比,计算时间能够削减73%。
(4-6)结论
空调机构成问题是通过仿真可知目标函数、约束条件的黑箱最优化问题,无法公式化。因此,在本公开中,使用反复局部探索法来进行最优化。通过使用反复局部探索法,能够导出成本比以往低的构成。但是,存在基于仿真软件的计算成本大的问题,在单纯的反复局部探索法中花费巨大的时间。
因此,在本公开中,将最初得到局部解之前的数据设为训练数据,使用稀疏推理从一部分的日期和时间进行目标函数值的推定,由此能够将待计算的时刻从8760变量缩短为27变量,能够进行mae为31.23、相关系数为0.9999867的精度非常高的推定。但是,仅通过基于稀疏推理的时刻提取,没有考虑约束条件,因此有可能在未提取出的时刻产生未处理显热。因此,通过进行有可能违反基于极值统计的约束条件的某时刻提取,提取有可能违反约束条件的某变量,并以消除了与通过稀疏推理提取出的时刻重复的172变量进行提取计算,由此能够将计算时间削减73%。另外,与目标函数值相比,能够导出成本比现有设计小的值,能够得到不逊色于进行全计算时的结果。
(5)效果
组合解确定系统190能够削减仿真所需的计算成本。因此,组合解确定系统190能够削减计算时间,有效地导出黑箱最优化问题的解。
(6)变形例
(6-1)变形例A
必要序列数据提取部150可以通过从第一序列数据中排除为了以规定的精度计算评价指标而不需要的数据,来取得第二序列数据。
必要序列数据提取部150可以通过从第一序列数据中排除在考虑规定的约束条件时不需要的数据,来取得第三序列数据。
(6-2)变形例B
组合解确定系统190确定的组合解是物体的组合解或者方法的组合解。在实施方式的情况下,组合解也可以是空调控制参数以及空调控制内容等方法的组合解。
另外,组合解确定系统190可以用于空调系统以外。例如,组合解确定系统190能够用于车间的设计系统。在该情况下,组合解确定系统190也可以用于确定实现车间运用费用的最小化的车间的各设备的最优容量,或者确定各设备的最优的运用方法。
(6-3)变形例C
组合解确定系统190确定的组合解可以改善组合解的应用对象的状况。在实施方式的情况下,组合解的应用对象是空调对象空间。第一序列数据是对组合解的应用对象的状况的改善带来影响的与状况相关的过去的数据。状况例如是空调对象空间的温度、湿度以及二氧化碳浓度。过去的数据例如是热负荷以及换气负荷。
(6-4)变形例D
必要序列数据提取部150通过稀疏推理来提取第二序列数据。但是,必要序列数据提取部150也可以通过除稀疏推理以外的其他方法来提取第二序列数据。其他方法可例举多元回归分析、主成分分析、判别分析和随机森林。
(6-5)变形例E
必要序列数据提取部150通过极值统计提取第三序列数据。但是,必要序列数据提取部150也可以通过极值统计以外的其他方法提取第三序列数据。其他方法的一例是以某一定的频度提取超过了规定的值的条件的方法。其他方法的另一例是将所产生的值应用于正态分布,算出平均和方差,以某概率提取超过规定的值的条件的方法。
―总结―
以上,对本公开的实施方式进行了说明,但应当理解,能够在不脱离权利要求书所记载的本公开的主旨以及范围的情况下进行方式、详细的各种变更。
产业上的利用可能性
组合解确定系统能够有效地导出黑箱最优化问题的解。
标号说明
110:解候选生成部;120:仿真部;130:评价指标计算部;140:解确定部;150:必要序列数据提取部;190:组合解确定系统。
现有技术文献
专利文献
专利文献1:日本特开2006-48475号公报。
Claims (6)
1.一种组合解确定系统(190),其具备:
解候选生成部(110),其生成组合解的候选;
仿真部(120),其利用与所述解候选生成部生成的组合解的候选相关的信息和用于评价组合解的序列数据,来运算仿真数据;
评价指标计算部(130),其基于所述仿真数据,来计算评价指标;
解确定部(140),其基于所述评价指标计算部根据多个组合解的各个候选计算出的所述评价指标,从所述多个组合解的候选中确定评价高的组合解;以及
必要序列数据提取部(150),
所述必要序列数据提取部
根据与所述解候选生成部生成的n个(n≥2)组合解的候选中的m个(m≥2)组合解的候选相关的信息和作为所述序列数据的第一序列数据,基于所述评价指标计算部计算出的所述评价指标,从所述第一序列数据中提取用于以规定的精度计算出所述评价指标所需的第二序列数据,
从所述第一序列数据中提取为了针对所述m个组合解的候选验证规定的约束条件的适当与否所需的第三序列数据,
合并地取得所述第二序列数据和所述第三序列数据作为必要序列数据,
所述仿真部在所述必要序列数据提取部提取出所述必要序列数据之后,至少利用与所述n个组合解的候选中的所述m个组合解的候选以外的组合解的候选有关的信息和包含所述必要序列数据的序列数据,来运算所述仿真数据。
2.根据权利要求1所述的组合解确定系统,其中,
所述必要序列数据提取部提取不满足所述规定的约束条件的可能性高的所述第一序列数据作为所述第三序列数据。
3.根据权利要求1或2所述的组合解确定系统,其中,
所述必要序列数据提取部通过稀疏推理来提取所述第二序列数据,通过极值统计来提取所述第三序列数据。
4.根据权利要求1至3中任一项所述的组合解确定系统,其中,
所述必要序列数据提取部通过从所述第一序列数据中排除以规定的精度计算所述评价指标所不需要的数据以及在考虑所述规定的约束条件时不需要的数据,来取得所述必要序列数据。
5.根据权利要求1至4中任一项所述的组合解确定系统,其中,
组合解是物体的组合解或方法的组合解。
6.根据权利要求1至5中任一项所述的组合解确定系统,其中,
组合解用于改善组合解的应用对象的状况,
所述第一序列数据是对组合解的应用对象的所述状况的改善带来影响的、与所述状况相关的过去的数据。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019-125449 | 2019-07-04 | ||
JP2019125449A JP6841305B2 (ja) | 2019-07-04 | 2019-07-04 | 組合せ解決定システム |
PCT/JP2020/026247 WO2021002464A1 (ja) | 2019-07-04 | 2020-07-03 | 組合せ解決定システム |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114041031A CN114041031A (zh) | 2022-02-11 |
CN114041031B true CN114041031B (zh) | 2022-08-09 |
Family
ID=74101366
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080048321.2A Active CN114041031B (zh) | 2019-07-04 | 2020-07-03 | 组合解确定系统 |
Country Status (5)
Country | Link |
---|---|
US (1) | US11568108B2 (zh) |
EP (1) | EP3996011A4 (zh) |
JP (1) | JP6841305B2 (zh) |
CN (1) | CN114041031B (zh) |
WO (1) | WO2021002464A1 (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7277803B2 (ja) * | 2021-03-26 | 2023-05-19 | ダイキン工業株式会社 | 決定システム |
WO2023282348A1 (ja) * | 2021-07-08 | 2023-01-12 | ダイキン工業株式会社 | 出力システム、出力方法、出力プログラム、及び出力プログラムを記録したコンピュータ読み取り可能な記録媒体 |
JP2023010617A (ja) * | 2021-07-08 | 2023-01-20 | ダイキン工業株式会社 | 出力システム、出力方法、出力プログラム、及び出力プログラムを記録したコンピュータ読み取り可能な記録媒体 |
WO2024047879A1 (ja) * | 2022-09-02 | 2024-03-07 | 日本電信電話株式会社 | 特徴量選択装置、特徴量選択方法、及びプログラム |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006048475A (ja) * | 2004-08-06 | 2006-02-16 | Fuji Electric Systems Co Ltd | プラント最適設計方法 |
JP2009014300A (ja) * | 2007-07-06 | 2009-01-22 | Mitsubishi Electric Corp | 空調熱源最適制御装置 |
CN101393570A (zh) * | 2007-09-19 | 2009-03-25 | 深圳达实智能股份有限公司 | 中央空调运行仿真系统 |
JP2010033349A (ja) * | 2008-07-29 | 2010-02-12 | Toshiba Corp | 接触点算出方法およびプログラム |
CN102077031A (zh) * | 2008-07-01 | 2011-05-25 | 大金工业株式会社 | 组管理装置及组管理系统 |
CN106950849A (zh) * | 2015-11-30 | 2017-07-14 | 欧姆龙株式会社 | 控制参数调整装置、控制参数调整方法 |
CN107023933A (zh) * | 2015-10-27 | 2017-08-08 | 阿自倍尔株式会社 | 热源运行辅助装置及方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1345167A1 (en) * | 2002-03-12 | 2003-09-17 | BRITISH TELECOMMUNICATIONS public limited company | Method of combinatorial multimodal optimisation |
CA2554580C (en) * | 2004-01-21 | 2014-03-25 | Metalogic, Inc. | Constraint condition solving method, constraint condition solving device, and constraint condition solving system |
US8874477B2 (en) * | 2005-10-04 | 2014-10-28 | Steven Mark Hoffberg | Multifactorial optimization system and method |
CN110249344A (zh) * | 2017-03-15 | 2019-09-17 | 富士胶片株式会社 | 最佳解判定方法、最佳解判定程序及最佳解判定装置 |
-
2019
- 2019-07-04 JP JP2019125449A patent/JP6841305B2/ja active Active
-
2020
- 2020-07-03 EP EP20834972.0A patent/EP3996011A4/en active Pending
- 2020-07-03 US US17/623,167 patent/US11568108B2/en active Active
- 2020-07-03 CN CN202080048321.2A patent/CN114041031B/zh active Active
- 2020-07-03 WO PCT/JP2020/026247 patent/WO2021002464A1/ja unknown
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006048475A (ja) * | 2004-08-06 | 2006-02-16 | Fuji Electric Systems Co Ltd | プラント最適設計方法 |
JP2009014300A (ja) * | 2007-07-06 | 2009-01-22 | Mitsubishi Electric Corp | 空調熱源最適制御装置 |
CN101393570A (zh) * | 2007-09-19 | 2009-03-25 | 深圳达实智能股份有限公司 | 中央空调运行仿真系统 |
CN102077031A (zh) * | 2008-07-01 | 2011-05-25 | 大金工业株式会社 | 组管理装置及组管理系统 |
JP2010033349A (ja) * | 2008-07-29 | 2010-02-12 | Toshiba Corp | 接触点算出方法およびプログラム |
CN107023933A (zh) * | 2015-10-27 | 2017-08-08 | 阿自倍尔株式会社 | 热源运行辅助装置及方法 |
CN106950849A (zh) * | 2015-11-30 | 2017-07-14 | 欧姆龙株式会社 | 控制参数调整装置、控制参数调整方法 |
Also Published As
Publication number | Publication date |
---|---|
US20220253572A1 (en) | 2022-08-11 |
JP2021012479A (ja) | 2021-02-04 |
EP3996011A1 (en) | 2022-05-11 |
JP6841305B2 (ja) | 2021-03-10 |
WO2021002464A1 (ja) | 2021-01-07 |
US11568108B2 (en) | 2023-01-31 |
EP3996011A4 (en) | 2023-08-09 |
CN114041031A (zh) | 2022-02-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114041031B (zh) | 组合解确定系统 | |
Oldewurtel et al. | Stochastic model predictive control for building climate control | |
Yoganathan et al. | Optimal sensor placement strategy for office buildings using clustering algorithms | |
CN102436296B (zh) | 用于在数据中心中预测温度值的系统和方法 | |
Tao et al. | Application of SVR optimized by modified simulated annealing (MSA-SVR) air conditioning load prediction model | |
Zhao et al. | Reconstructing building stock to replicate energy consumption data | |
Shen et al. | Assessments of experimental designs in response surface modelling process: Estimating ventilation rate in naturally ventilated livestock buildings | |
Yoon et al. | Energy consumption model with energy use factors of tenants in commercial buildings using Gaussian process regression | |
Niu et al. | A robust optimization model for designing the building cooling source under cooling load uncertainty | |
CN101589656A (zh) | 设备支架冷却性能的评估系统和方法 | |
Sun et al. | Optimization of support vector regression model based on outlier detection methods for predicting electricity consumption of a public building WSHP system | |
Wang et al. | Event-driven optimal control of central air-conditioning systems: Event-space establishment | |
Zhang et al. | A systematic feature extraction and selection framework for data-driven whole-building automated fault detection and diagnostics in commercial buildings | |
Huang et al. | Sizing heating, ventilating, and air-conditioning systems under uncertainty in both load-demand and capacity-supply side from a life-cycle aspect | |
Hu et al. | An efficient robust optimization method with random and interval uncertainties | |
Shi et al. | Building energy model reduction using model-cluster-reduce pipeline | |
Hu et al. | Multi-zone building control with thermal comfort constraints under disjunctive uncertainty using data-driven robust model predictive control | |
Conficoni et al. | Hpc cooling: A flexible modeling tool for effective design and management | |
GB2584614A (en) | Optimising building energy use | |
Chen et al. | Simulation-based estimation of cycle time using quantile regression | |
Haaland et al. | A statistical approach to thermal management of data centers under steady state and system perturbations | |
Flake | Parameter estimation and optimal supervisory control of chilled water plants | |
Huang et al. | Review of uncertainty-based design methods of central air-conditioning systems and future research trends | |
Hillary et al. | Guidelines for developing efficient thermal conduction and storage models within building energy simulations | |
Zhang et al. | Investigations on machine learning-based control-oriented modeling using historical thermal data of buildings |
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 |