CN102812303B - Hvac控制系统和方法 - Google Patents

Abstract

一种控制建筑物的暖通空调（HVAC）系统的方法，所述方法包括以下步骤：（a）开发建筑物的初始热模型，并随着时间持续地更新热模型；（b）利用热模型持续地制定建筑物的日常HVAC运行计划；并且（c）持续检查当前HVAC运行计划，并将当前HVAC运行与当前HVAC运行计划之间的一致性最优化。

Description

HVAC控制系统和方法

技术领域

本发明涉及用于建筑物的暖通空调（HVAC）的有效系统和方法。特别地，本发明提供了在建筑物中使用的更有效的气候控制系统。

背景技术

暖通空调（HVAC）系统的广泛使用为建筑物设计和形式增加了很大的灵活性。即使在恶劣的气候条件下，其也能提供室内舒适度，并用于使热性能较差的建筑物适于居住。然而，该灵活性需要花费成本，例如，在澳大利亚，HVAC一般占商业建筑中的能源利用的60%以上[澳大利亚温室办公室，1999]，并且其为温室气体排放的重要贡献者，且推动着对电力网络的需求。

已经对最佳HVAC控制策略进行了相当多的研究。这些策略考虑了舒适度、电力网络交互和温室气体排放几个方面，尽管这些方面通常是孤立的。例如，Braun等人（1990,2001）研究了使用建筑物热质量进行能量荷载成形，Eto（2007）论证了使用空调为电力网络提供运转备用（spinningreserve），Fanger（19617）首次对热舒适进行了研究，近年来，Seppanen等人（2006）研究了热舒适对生产力的影响。温室气体排放一般作为所有节能策略的一部分来实现，但热电联产系统（例如，White和Ward（2006））直接利用废热和燃料替代来减少排放。

HVAC控制系统一般使用温度作为它们在商业建筑内的控制设定点。包括阀门和阻尼器位置、风扇速度等的HVAC设备被控制为实现指定设定点温度。通常，尽管现有技术的HVAC系统可基于减载请求（loadsheddingrequest）而改变温度，但该设定点温度为固定值。

发明内容

本发明的一个目的是提供具有多个预期特征的HVAC控制系统的改进形式。

根据本发明的第一方面，提供了一种控制建筑物的暖通空调（HVAC）系统的方法，所述方法包括以下步骤：（a）开发建筑物的初始热模型，并随着时间的过去持续更新热模型；（b）利用热模型持续制定建筑物的日常HVAC运行计划；并且（c）持续检查当前HVAC运行计划，并优化当前HVAC运行与该计划之间的一致性。

所述热模型使用被拟合成（fitto，逼近至）建筑物的历史热数据的一系列参数。热模型可为分段多项式模型。初始热模型可基本每天都迭代更新。日常运行计划为操作者优先级（包括使用者舒适度、功率消耗和能量成本）的组合的最优化。除操作者优先级之外的推进运行计划的外部输入包括电力定价数据、天气预报和居住者舒适度满意数据。日常HVAC运行计划可基本每5分钟重新计算一次。所述HVAC运行与当前HVAC运行计划之间的一致性的最优化可基本每10秒钟进行一次。

根据本发明的进一步方面，提供了一种控制建筑物的暖通空调（HVAC）系统的方法，所述方法包括以下步骤：（a）确定建筑物的热模型；（b）为建筑物的用户确定预期人体舒适度模型；（c）将预期人体舒适度模型作为主要要素（primefactor，主要系数）计算建筑物的HVAC运行计划。

可根据商业建筑物用户反馈的数据通过商业建筑物使用者的个人舒适度数据增强（augment，加强）人体舒适度模型。人体舒适度模型可从ASHRAE标准舒适度模型中衍生出。

在一个实施方式中，所述热模型具有以下形式：

$T_{\mathrm{int}}\left(z\right)=F_{\mathrm{amb}}\left(z\right)T_{\mathrm{amb}}\left(z\right)-\frac{10}{P_{\mathrm{coolTyp}}}{F}_{\mathrm{Pcool}}\left(z\right)+\frac{1}{P_{\mathrm{heatTyp}}}{F}_{\mathrm{Pheat}}\left(z\right)P_{\mathrm{heat}}\left(z\right)+B\left(z\right)$

其中，T_int(z)为平均内部建筑物温度；T_amb(z)为环境温度；P_cool(z)为HVAC制冷功率消耗；

P_coolTyp为典型HVAC制冷功率消耗；其在（1）中作为换算系数，用于获得F_Pcool(z)的参数在与其他参数相似的数值范围内的数量级；其还提供能在不同BMS系统上运行的规范化机制——这对优化约束特别重要

P_heat(z)为HVAC供暖功率消耗

P_heatTyp为典型HVAC供暖功率消耗；其在（1）中作为换算系数，用于获得F_Pheat(z)的参数在与其他参数相同的数值范围内的数量级；其还提供能在不同BMS系统上运行的规范化机制——这对优化约束特别重要

F_amb(z)获取对环境温度的内部建筑物温度响应

F_Pcool(z)获取对HVAC制冷功率的内部建筑物温度响应

F_Pheat(z)获取对HVAC供暖功率的内部建筑物温度响应

B（z），“基线”，获取除由F_amb(z)、F_Pcool(z)和F_Pheat(z)获取的因数之外的因数

10为换算系数，用于获得F_Pcool(z)的参数在与其他参数相似的数值范围内的数量级；该数值为任选数值。

在其他实施方式中，所述热模型可基本具有以下形式：

${\stackrel{\‾}{T}}_Z=F_A\left(s\right).T_{\mathrm{Amb}}+\mathrm{BaselineFcn}-F_T\left(s\right).\mathrm{\Δ}{T}_{\mathrm{SS}}$

其中：为（建模）总区域温度；T_Amb为外部（环境）空气温度；ΔT_SS为可能由当前HVAC制冷和供暖功率产生的区域温度的稳态差；BaselineFcn为关于人、设备、太阳等的时间学习函数；F_A(s)和F_T(s)为关于系统动力的线性非时变滤波器。

理想地，ΔT_SS具有以下形式：

ΔT_SS=α_c.μ_c.max{0,P_Cool-P_cb}-α_h.μ_h.max{0,P_Heat-P_hb}

其中，该式的第一部分为有效制冷温度（ΔT_Cool），第二部分为有效供暖温度（ΔT_Heat），参数为：P_Cool和P_heat分别为实际制冷功率和供暖功率的估值（kW）；P_cb和P_hb分别为基线制冷功率和供暖功率（kW）；α_c和α_h为HVAC功率有效性的额定比（°C/kW）；μ_c和μ_h为作为外部温度的函数的HVAC效率降级。

在上述优选形式中，所述基线函数优选根据一周内的当前日期而变化。更优选地，所述基线函数由三角基函数的组合构成，所述三角基函数在一天内的特定固定点进行估算。

附图说明

结合附图，根据对示例性实施方式和所附权利要求的后续说明，本发明的益处和优点对本发明相关领域的技术人员变得显而易见。

图1为HVAC系统的运行环境的示意图；

图2示出了优选实施方式的Opticool系统的示意性框图；

图3示意性地示出了商业建筑模型开发的功能性；

图4示意性地示出了基于舒适的区域控制；

图5示出了区域的热舒适建模的示例界面；

图6示出了用于对商业建筑的热特性进行建模的热建模循环；

图7示出了商业建筑电力规划循环；

图8示出了温度控制循环；

图9示出了商业建筑区域温度的建模结果。

图10示出了用于为本发明的一个实施方式的建筑模型创建基线函数的一组三角基函数；

图11示出了用于为建筑物模型全天创建基线函数的完整的一组12个三角基函数；

图12示出了供暖能量参数和制冷功率参数之间的关系的示例；

图13示出了将实际测量温度与预测环境温度相结合的处理；

图14示出了用于澳大利亚商业建筑的按类型使用的不同燃料；以及

图15示出了燃料价格规范的示例图形用户界面。

具体实施方式

现在将参照附图仅通过示例的方式对本发明的优选实施方式进行说明。

在优选实施方式中，提供了一种控制系统，其中，该系统的基本设定点并非温度，而是人体舒适度（“预测平均热感觉指标”量度）。在优选实施方式中，首先建立人体舒适度目标，根据该目标控制区域温度，随后控制设备参数，例如阀门和阻尼器位置、风扇速度等，以达到该舒适度设定点。这与一般采用基于温度的设定点方案的现有技术形成对比。例如，可以具有能达到相同的舒适度设定点的多个不同温度的范围。从性能上来说，通过使用人体舒适度作为基本控制参数，可实现能源和成本的明显节省，同时保持特定水平的人体舒适度。

该优选实施方式的系统还提供了持续更新商业建筑的热模型的系统和方法。该优选实施方式依赖于商业建筑的持续可调节热模型。在优选实施方式中，该控制系统持续地再学习热模型和舒适度模型，随后以非常规律的间隔重新计划商业建筑的特性。在一个示例性实施方式中，采用以下计划步骤：

该系统使用历史性能数据学习商业建筑的热模型，一天一次。该模型包括对一天中的时间和一周中的日期的具体考虑，因此，生成的热模型知晓一天中的时间和一周中的日期。

该系统每5分钟为后一天HVAC运行创建一次新计划。通过规律地更新后一天运行计划，该系统能适应于一天中变化的天气和商业建筑物使用模式。

该系统每10秒钟检查一次后一天运行计划，将其当前状态与计划的状态相比较，并控制HVAC设备试图与后一天运行计划一致。

该持续学习和重新计划行为具有以下性能优点：该系统能够处理商业建筑的动态变化——快速变化（例如，因居住者突然涌入，改变商业建筑的一部分的热响应）或慢速变化（例如，因树沿着建筑物的西墙壁生长，改变建筑物在下午的热响应）。此外，在实践中，商业建筑和HVAC系统通常脱离其在初次试运行时的状态，在不进行持续学习和适应的情况下，该HVAC系统后续的较差性能会导致人体舒适度较差，能量效率较低。

典型的商业建筑中的HVAC控制由建筑管理系统进行，其中，建筑管理系统为计算机程序和相关硬件、致动器（actuator）、传感器和控制器，其对制冷器、制热器和空气处理单元的运行进行测量和调节，从而为商业建筑居住者调节温度。

为了提高商业建筑能量性能，要求采用管理资源（诸如功率消耗和财务支出）的更先进方法，同时提供适宜的环境条件。考虑到各种类型的资源和预期环境条件，先进商业建筑控制系统的作用在于平衡不可避免地存在竞争的目标。找到适当的平衡是该优选实施方式的其中一个主要功能。

没有包括在常用HVAC控制器中的该优选实施方式的HVAC控制系统的特征包括：

-知晓不同的能源，并包含其用途—例如，商业建筑可使用天然气供暖和电力制冷。不同的燃料类型具有不同的成本和温室气体产生，而在不同负荷水平下使用的特定设备项目以不同的效率运行。

-利用预报来脱离反应控制原理。例如，温带气候下的许多商业建筑在早晨以供暖模式运行，在之后的一天内以制冷模式运行。通过考虑一天中的预计天气和热负荷，可适当限制供暖，从而减少供暖负荷和后续制冷负荷。

-通过热舒适模型并使用测量的温度和湿度及其他因素（气流速度、衣服保温和活动水平）的标称值（nominalvalue）明确考虑人体舒适度。

-进一步考虑个体建筑物和居住者。尽管热舒适研究有所进步，但舒适度和满意度的最佳度量总是将由建筑物居住者本人反馈。优选实施方式包括用于获得居住者关于热舒适度和满意度的反馈的机制。这种使用者反馈被用于计算每个HVAC区域的舒适度补偿图（comfortoffsetmap），该舒适度补偿图被添加到计算的热舒适模型中，以反映局部使用者偏好。响应于区域水平处的实际使用者舒适度信息提供了使建筑物不满意的人的百分比降到理论上的5%下限以下的机会。

-一种机制，用于在控制HVAC系统时平衡（i）运行成本、（ii）温室气体排放和（iii）居住者热舒适。

实施方式详情

首先，转到图1，其示意性地示出了优选实施方式的运行环境1。下文被称作OptiCOOL控制系统2的优选实施方式为监督控制系统。即，OptiCOOL与现有建筑管理系统（BMS）3连接，或者为其的一个组件，并且为BMS提供高级命令。该OptiCOOL控制系统不考虑单个阀门、风扇速度、界面的控制以感应或控制设备4——这些低级功能留给BMS系统3。OptiCOOL通过HVAC行业标准通信界面（多种可用）与BMS对接5，并从BMS获得基本数据，例如，区域温度、制冷设备和风扇设定点。OptiCOOL2将该HVAC设备数据与外部数据6（包括电价、天气预报、使用者舒适度数据和建筑热模型）相结合，以进行为BMS3提供基本区域设定点温度的控制判定。然后，该BMS对HVAC设备进行管理，以达到该设定点温度。

如上所述，该OptiCOOL控制系统2基于为整座建筑物的HVAC设备建立后一天（或相似时间段）运行计划。在图2中更详细示出了该OptiCOOL控制系统。为了完成这种计划10，需要具有建筑物如何响应天气和HVAC设备动作的热模型。该模型11从历史建筑数据中“知悉”。

为了实现HVAC系统的智能调度，要求一种能够评估对可行控制动作范围作出的系统响应的模型。一旦该模型被拟合成受控系统时，其能够被用作最优化循环的一部分，该优化循环对可行控制动作的范围进行评估，以识别适当的控制策略。图3示出了隐含地包括建筑物热性能、HVAC系统特性和建筑热负荷的基本HVAC模型。通过使用外部热条件和区域功率消耗作为输入，该模型能了解其与区域条件的关系。

为了识别区域对设定点变化和外部条件的响应，可采用几种建模方法。在某些实施方式中，采用了复杂的学习技术。在其他实施方式中，简单的“黑箱”模型仅从输入/输出特性的观测中获得，而没有明确知晓所建模的基础物理过程。这些后来的“黑箱”模型特别适用于复杂的非线性多变量系统，该方法不需要对系统参数进行任何手动配置。已经发现，简单的多项式方法是适合的。这种模型的益处在于，其在拟合参数中为线性，这大大简化了模型拟合过程。

在一个实施方式中，对HVAC模型实施复杂的学习处理。该处理涉及对模型参数进行评估，其旨在获取建筑物如何响应于环境温度，以及HVAC制冷和供暖能量。在下文中基于“建筑物模型的示例”一节描述了这种模型的一个示例。

输入数据可手动输入，或每个信息源采用合适的接口。例如，在一个实施方式中，已经开发了Java接口，用于从澳大利亚气象局获得天气预报数据，从澳大利亚电力市场运营商获得实时电力定价信息，以及建筑物居住者舒适度调查结果。

该多项式模型利用建筑物的HVAC功率、环境温度和识别的热基本负载表示来估算建筑物的平均区域温度。该模型基于以下形式：

$T_{\mathrm{Av}}=\frac{k_1{s}^2+k_{2}s+k_3}{({\mathrm{\τ}}_{1}s+1)({\mathrm{\τ}}_{2}s+1)}{T}_{\mathrm{ambient}}+\frac{k_{4}s+k_5}{({\mathrm{\τ}}_{1}s+1)({\mathrm{\τ}}_{2}s+1)}{P}_{\mathrm{HVAC}}+\left\{\begin{array}{c}\mathrm{Initial}\\ \mathrm{conditions}\end{array}\right\}+\left\{\begin{array}{c}\mathrm{Thermal}\\ \mathrm{Baseload}\end{array}\right\}$

其中，T_AV为整个建筑物内的平均区域温度，T_ambient为外部环境温度，P_HVAC为HVAC系统消耗的总功率，k1、k2、k3、k4、k5为通过最佳拟合成测量数据而获得的可调参数，τ₁、τ₂为建筑物HVAC系统的主导热时间常数，s为复拉普拉斯变量，“InitialConditions（初始条件）”说明（accountfor）测量周期开始时建筑物结构和HVAC系统的内部热态的不确定性。这些初始条件造成一个瞬态，即，为系统的自然模式的组合，由此具有以下形式：这些模式可明确被识别为不偏离系统识别。ThermalBaseload（热基本负载）为所识别的基本负载曲线，解释一天内的不同热负载。这取决于诸如太阳能增益和建筑物居住者活动等的因素。该热基本负载可被参数表示为分段线性函数。该基本负载函数被定义为在数据集中针对每天是相同的，并确定为与环境温度和HVAC功率无关。

利用来自具有常规VAV系统的试验建筑物的数据，采用回归分析将16天的五分钟间隔数据拟合成多项式模型，以确定各种参数。对该数据集进行拟合的确定系数为r₂=0.956，这表示，该模型提供了良好的拟合。还对额外的二阶项进行了估算（即，幂平方），但这些二阶项没有明显增加已说明的方差，因此这没有包括在该模型内。由此产生的拟合的一个示例如图9所示。

一旦建立了建筑物热模型11，该模型与天气预报和电费信息6一起被用于合计HVAC设备的功率消耗计划输出12。基于对达到整个建筑物的预测平均热感觉指标（PMV）舒适度设定点所需的单个HVAC设备的功率消耗进行累计，该计划为建筑物的时间序列功率表示（timeseriespowerprofile）。为了确定并输出该计划12，最优化程序考虑建筑物的各种可能功率表示，并根据考虑居住者舒适度、运行费用和CO₂排放的成本函数来判定使用哪个表示。一旦确定了最佳（从成本函数上说，成本最低）功率表示12之后，该表示随后被转化成整个建筑物的舒适度表示，其中，整个建筑物舒适度设定点针对一天内的规则间隔来确定。

一旦确定了整个建筑物的舒适度设定点15，实际HVAC控制是基于经由区域控制确定16单独控制建筑物的各个区域来进行的。

如图4所示，（控制系统的屏幕截图），区域控制基于三个主要功能块：舒适度反馈块41，基于ComfortSENSE客户端应用程序获取用户反馈，并将其转化为“不满意人群百分比”数字。区域舒适度模型块42，获得区域温度（由BMS经由OptiCOOL-BMS数据链路提供），并使用ASHRAE-55标准“人类居住热环境条件”来计算区域的预测平均热感觉指标（PMV）44和不满意人群预测百分比（PPD）数字。该块的功能性如图5所示。理论PMV和PPD数字随后由从舒适度反馈块获得的测量PPD数字来补偿45。如果舒适度反馈块没有数据可用（其用途任选），则该系统将其PMV/PPD数字整体建立在根据ASHRAE标准所计算的理论PMV/PPD数字上。

区域控制块47从整个建筑物控制循环获得区域的预定舒适度设定点（PMV），（从BMS）获得区域和外部温度，从舒适度模型获得实际PMV/PPD值，并确定区域设定点温度48，以达到预期区域PMV设定点。

返回到图2，在OptiCOOL软件系统2中具有三个核心控制循环：这些循环包括：用于确定建筑物热模型11的热建模循环、用于确定功率消耗计划10的功率计划循环，以及用于设置建筑物区域设定点的建筑物设定点确定循环。OptiCOOL软件系统所创建的三个前瞻性计划被持续地最优化和更新。即，建筑物热模型、反馈调节人体舒适度模型，随后，整个建筑物功率表示以规律的（预定的）控制间隔被更新。该特性十分重要，因为其可使系统对改变诸如预计电价或天气预报、建筑物用途或人体舒适度的突然变化等的外部因素做出响应。该特性可使HVAC功率消耗、人体舒适度和时间的前瞻表示（look-aheadprofile）得以始终更新。该三个主要循环可以以如下方式运行：

建模循环（图6）

建模循环一天运行一次，形成建筑物的热模型11，该热模型11根据一周内的日期、一天内的时间、HVAC功率消耗和外部天气来预测内部温度。该循环中的步骤包括：加载历史功率和相应的温度表示61，计算预期产生的功率和取决于天气的系数61，计算一周内的时间和日期系数的常数63，并且组合多项式模型，该多项式模型预测一周内的指定日、时间、预期外部天气和HVAC功率下的建筑物温度。

功率计划循环（图7）

该功率消耗计划循环每5分钟运行一次，提前24小时为建筑物创建计划的HVAC功率消耗表示12。该循环首先确定当前总的HVAC功率消耗，确定未来的天气预报，并通过最优化生成成本最低的功率消耗计划。

设定点确定控制循环（图8）

整个建筑物的设定点确定控制循环14每10秒钟运行一次，以获得建筑物功率计划，并为BMS提供旨在实现该功率计划的区域设定点温度。该控制系统使用人体舒适度作为建筑物的每个HVAC区域的计划参数。通过应用ASHRAE舒适度模型，包括基于局部用户反馈的任何变化，人体舒适度被转化成诸如室内温度和湿度等的物理参数。诸如风扇速度或阀门设定点等的建筑物参数没有指定，因为它们由负有该责任的BMS根据提供的区域温度数据来确定。

该执行系统采用一个建模技术——线性非时变技术。该技术基于使用约束最小二乘拟合算法来确定模型建筑物的热响应的三阶线性非时变模型的参数。

系统的初始条件通过对历史建筑物性能数据执行该算法来建立。

智能HVAC监督控制系统可通过行业标准处理控制接口（例如，OPC）随时被改进为现有建筑管理系统（BMS）。该智能HVAC控制器利用机器学习技术自动形成周围建设环境的模型，以通过使用这些模型评估不同的控制策略，来确定最佳HVAC运行计划。由于该技术针对的是新的和现有建筑物群，并要求资本支出最低，所以可明显削减花费以在相对较短的投资回收期内降低运行成本。此外，可通过减少能量消耗和减少相关的CO₂排放来帮助提高建筑物能量效率和性能等级。

评估热舒适度和生产力

尽管考虑热舒适度会容易想到温度，但还有许多其他组成因素。这些因素包括气流速度、辐射温度、湿度、代谢率和穿衣水平。“人类居住热环境条件”的ASHRAE-55（ASHRAE，2004）标准针对一组指定条件在理论上确定预测平均热感觉指标（PMV）和预测不满意人群百分比（PPD）的方法进行了详细说明。

在评估和预测热舒适度时，PPD度量标准（经由图5所示的用户界面执行）与居住者舒适度反馈应用相结合。在ASHRAE自适应舒适度标准的情况下，只要建筑物自然通风，并且使用者对其环境条件直接控制——例如开窗/关窗，则发现较宽范围的条件是可接受的。同样，提供个体居住者舒适度反馈机制可提高热满意度——其不仅来自用户对室内气候调节的直接物理效应，还来自居住者的授权[Brager等人，2004]。

居住者应用程序可置于居住者的个人计算机上，以经由小的颜色编码图标和提供信息的“弹出式”消息警报而向其通知HVAC运行模式（例如，空调、自然通风、峰值需求）的变化。上述内容涉及到热舒适度的评估，然而，在工作场所的背景下，还存在热舒适度对生产力有何影响的复杂问题。尽管许多研究尝试对此问题进行量化，但结果远远不够清楚，并且在评估由多个研究产生的结果时，Seppanen等人（2003、2006）发现21°C至25°C温度下的生产力在统计上没有明显差别。在温度为25°C以上时，Seppanen发现生产力降低约2%每摄氏度。

已经发现，在现有BMS中保持相同的热舒适度的同时，可以大大减少能量成本和CO₂排放。

通过使建筑物管理者或使用者确定针对竞争性能目标而给定的相对权重，这些相对权重在选择特定控制策略时通过明确知晓折衷而被授权。

建筑物模型的示例

该学习过程模型涉及模型参数的估计，该模型在于获取建筑物如何对环境温度以及HVAC制冷和供暖功率做出响应。参数估计为对一组学习数据的最小方差拟合。该学习数据实时或离线地从BMS或从设定点值的BMS历史中收集。该学习过程不受如何收集数据（实时或离线）的影响，而其要求要收集的数据量充足，以确保“足够好”的拟合。

该模型的一个实施方式具有以下形式：

$T_{\mathrm{int}}\left(z\right)=F_{\mathrm{amb}}\left(z\right)T_{\mathrm{amb}}\left(z\right)-\frac{10}{P_{\mathrm{coolTyp}}}{F}_{\mathrm{Pcool}}\left(z\right)+\frac{1}{P_{\mathrm{heatTyp}}}{F}_{\mathrm{Pheat}}\left(z\right)P_{\mathrm{heat}}\left(z\right)+B\left(z\right)---\left(1\right)$

其中：T_int(z)为平均内部建筑物温度；T_amb(z)为环境温度；P_cool(z)为HVAC制冷功率；P_coolTyp为典型的HVAC制冷功率，其在式（1）中作为换算系数，用于获得F_Pcool(z)的参数在与其他参数相同的数值范围内的数量级，其还提供能在不同BMS系统上运行的规范化机制——这对最优化约束特别重要；P_heat(z)为HVAC供暖功率；P_heatTyp为典型的HVAC供暖功率，其在式（1）中作为换算系数，用于获得F_Pheat(z)的参数在与其他参数相同的数值范围内的数量级，其还提供能在不同BMS系统上运行的规范化机制——这对最优化约束特别重要；F_amb(z)代表内部建筑物温度对环境温度的响应；F_Pcool(z)代表内部建筑物温度对HVAC制冷功率的响应；F_Pheat(z)代表内部建筑物温度对HVAC供暖功率的响应；B（z），“Baseline（基线）”，代表除由F_amb(z)、F_Pcool(z)和F_Pheat(z)表示的因数之外的因数；10为随机换算系数，用于获得F_Pcool(z)的参数在与其他参数相似的数值范围内的数量；在其他实施方式中，使用不同的换算系数。

在上述模型中，特别关注的项是表示对环境温度和供暖/制冷功率以及基线的动态响应的传递函数。在一个实施方式中，这些传递函数为具有不同时间常数的一阶低通滤波器的组合，每个滤波器具有以下形式：

$F\left(z\right)=\frac{a}{z-(1-a)}---\left(2\right)$

其中，z^-1为差分算子，a被表示为：

$a=\frac{h}{\mathrm{\τ}-h}---\left(3\right)$

其中，τ为系统时间常数，h为采样间隔。在其他实施方式中，这些传递函数表示其他类型的函数，诸如，高阶滤波函数。根据经验，需要确保与时间常数相比，采样足够快，通常为：

h≤τ/5（4）

在从BMS中检索历史数据时，这是一个重要的考虑因素。在离散时域中，式（2）的一阶滤波器采用以下形式：

y(t_k)=(1-a)y(t_k-1)+ax(t_k)（5）

其中，x(t_k)为输入，并且a被表示为上述式（3），t_k为样本k的采样时间。应注意的是，当前所述的实施方式使用x(t_k-1)来代替x(t_k)——这是一个微小差别，并且如果在实践中有任何影响，该影响在理想情况下应较小。在其他实施方式中，x(t_k-1)被实现为不同表示。然而，对于当前描述的实施方式，使用以下形式：

y(t_k)=(1-a)y(t_k-1)+ax(t_k-1)（6）

符号表示（notation）可仅通过使用样本号码来简化：

y(k)=(1-a)y(k-1)+ax(k-1)（7）

对环境温度和HVAC功率的响应

在当前实施方式中，建筑物对环境温度以及制冷/供暖HVAC功率的响应被建模为一组三个一阶系统，每个一阶系统均具有式（5）的形式，但时间常数不同。具体来说，

a_1h=5/60,a=5/120,a_5h=5/300（8）

其为与三个一阶响应的lh、2h和5h时间常量的时间常数相对应的式（3）的参数（注意，其与式（3）并不十分一致，但出于当前原因而十分相近）。鉴于此，并且由于F_1h、F_2h、F_5h为与这些时间常数对应的式（2）的形式的一阶滤波器，对环境温度、HVAC制冷功率和HVAC供暖功率的动态响应被建模为：

F_amb(z)=p₁₁+p₁₂F_1h(z)+p₁₃F_2h(z)+p₁₄F_5h(z)（9）

F_Pheat(z)=p₂₁+p₂₂F_1h(z)+p₂₃F_2h(z)+p₂₄F_5h(z)（10）

F_Pcool(z)=p₃₁+p₃₂F_1h(z)+p₃₃F_2h(z)+p₃₄F_5h(z)（11）

在时域中，对以上因素的动态响应（或滤波响应——因此加了上标F）变为：

$T_{\mathrm{amb}}^F\left(k\right)=p_{11}+p_{12}{F}_{\mathrm{amb}-1h}\left(k\right)+p_{13}{F}_{\mathrm{amb}-2h}\left(k\right)+p_{14}{F}_{\mathrm{amb}-5h}\left(k\right)---\left(12\right)$

$P_{\mathrm{heat}}^F\left(k\right)=p_{21}+p_{22}{P}_{\mathrm{heat}-1h}\left(k\right)+p_{23}{P}_{\mathrm{heat}-2h}\left(k\right)+p_{24}{P}_{\mathrm{heat}-5h}\left(k\right)---\left(13\right)$

$P_{\mathrm{cool}}^F\left(k\right)=p_{31}+p_{32}{P}_{\mathrm{coll}-1h}\left(k\right)+p_{33}{P}_{\mathrm{cool}-2h}\left(k\right)+p_{34}{P}_{\mathrm{cool}-5h}\left(k\right)---\left(14\right)$

其中：

T_amb-Nh(k)=(1-a_Nh)T_amb-Nh(k-1)+a_NhT_amb(k-1)（15）

P_{cool-Nh_}(k)=(1-a_Nh)P_cool-Nh(k-1)+a_NhP_cool(k-1)（16）

P_{heat-Nh_}(k)=(1-a_Nh)_Pheat-Nh(k-1)+a_NhP_heat(k-1)（17）

其中，N分别为lh、2h和5h时间常数的1、2和5。参数p_ij表示与各个时间常数对应的动态响应的相对作用。这些参数在“学习：模型参数估计”中如下文所述的那样被估计（“学习”）。

对式（1）的总建筑物模型应用以上等式会得出以下时域型态：

$T_{\mathrm{int}}\left(k\right)=T_{\mathrm{amb}}^F\left(k\right)-\frac{10}{P_{\mathrm{coolTyp}}}{P}_{\mathrm{cool}}^F\left(k\right)+\frac{1}{P_{\mathrm{heatTyp}}}{P}_{\mathrm{heat}}^F\left(k\right)+B_{\mathrm{state}}\left(k\right)---\left(18\right)$

这里，基线B_state(k)为catch-all函数，捕捉由环境温度和制冷/供暖功率响应所建模的响应之外的平均内部温度响应的变化。下标“state”为“工作日”或“周末”，前者表示典型工作时间期间建筑物主动运行，后者表示周末运行。因此，实际上，根据一周内的日期，存在两种不同的模型。

在一个实施方式中，基线函数的具体形式如下：

$B_{\mathrm{state}}\left(k\right)={\mathrm{\Σ}}_{i=1}^{11}{B}_{h_i}\left(t_k\right)---\left(19\right)$

其中，表示基函数，并被表示为：

$B_{h_i}\left(t_k\right)=\left\{\begin{array}{c}\frac{B_{h_{i+1}}}{h_{i+1}-h_i}(t_k-h_i)+\frac{B_{h_i}}{h_{i+1}-h_i}(h_{i+1}-t_k)\\ 0\end{array}\right.$ 如果h_i≤t_k<h_i（20）

其他

在式（20）中，值在h_i这一天内的特定a-priori固定点被估算。估算过程的一个形式如下所述。如图10所示，式（19）实际上相当于对三角形成形函数的一组线性组合进行采样。该图图解出了在时间t_k下建立的值，t_k的范围为h_i≤t_k<h_i+1。与式（19）一致，的值为具有下的峰值的三角函数与具有下的峰值的三角函数的组合。由此，所有其他三角函数（总共12个，包括 和）的结果为0时，式（19）的由给定。

数字12反映出，预计基线特性每两小时会存在显著差别（由一个三角函数的峰值所捕捉），通过三角函数的线性组合适当建模的中间时间，相当于在起作用的三角函数的峰值之间的线性内插。

图11示出了完整的一组12个假设三角函数以及产生的所有t_k的B_state(k)。峰值被确定为下文所述的学习过程的一部分。

基线函数的目的在于了解建筑物负荷（式（9）至（17）获取的负荷之外的负荷）在一天内如何变化。例如，人们会自然地预期到，早晨人群的涌入将会对建筑物的热动力产生影响，人群在午餐时间以及一天的晚上的离开也是如此。存在工作日基线的一组12个三角函数，并且存在周末基线的分离的12个三角函数。

应理解的是，在其他实施方式中，可利用基线函数的不同组合来实施基线函数的不同形式。

学习：模型参数估计

一个实施方式的“学习”过程由估计式（9）至（11）中的参数p_ij以及式（20）中的组成。在一个实施方式中，该估计过程为受约束的线性最小二乘拟合：

$\hat{p}=\begin{array}{c}\min \\ p\end{array}{|\mathrm{Dp}-T_{\mathrm{int}}^A|}^2$ 条件是A_p≤b（21）

其中，为估计的建筑物参数的向量；D为由过滤的建筑物数据和基线函数“值”(具体如下所述)组成的数据矩阵，p表示建筑物参数空间，其限制条件为A_p≤b(限制条件具体如下所述)。明确来说，具有以下形式：

其中

$T_{\mathrm{amb}}^{\mathrm{FA}}\left(k\right)=\left[\begin{array}{cccc}1& T_{\mathrm{amb}-1h}\left(k\right)& T_{\mathrm{amb}-2h}\left(k\right)& T_{\mathrm{amb}-5h}\left(k\right)\end{array}\right]---\left(23\right)$

$T_{\mathrm{cool}}^{\mathrm{FA}}\left(k\right)=\frac{-10}{P_{\mathrm{coolTyp}}}\left[\begin{array}{cccc}1& P_{\mathrm{cool}-1h}\left(k\right)& P_{\mathrm{cool}-2h}\left(k\right)& P_{\mathrm{cool}-5h}\left(k\right)\end{array}\right]---\left(24\right)$

$T_{\mathrm{heat}}^{\mathrm{FA}}\left(k\right)=\frac{1}{P_{\mathrm{heatTyp}}}\left[\begin{array}{cccc}1& P_{\mathrm{heat}-1h}\left(k\right)& P_{\mathrm{heat}-2h}\left(k\right)& P_{\mathrm{heat}-5h}\left(k\right)\end{array}\right]---\left(25\right)$

在式(23)至(25)中，行向量分量T_amb-Nh(k)，P_cool-Nh(k)和P_heat-Nh(k)按照式(9)至(11)计算，T_{amb_}(k-1)，P_{cool_}(k-1)和P_{heat_}(k-1)为在时间t_k下从BMS收集的实际环境温度、制冷功率和供暖功率读数； 和中的缩写FA代表“实际滤波”，表示行向量包含实际BMS数据的滤波型态。中的A也表示实际BMS数据——在当前该实施方式中，其为实际平均内部建筑物温度。

目前为止未说明的式(22)中的最后一个项为基线值B(k)。存在以h_i为中心(如式(20)中也使用的)，峰值为1的三角函数的示例：

当前描述的实施方式的基线值B(k)由三角函数的样本给出：

B(k)＝[B_weekday(k)B_weekend(k)](27)

$B_{\mathrm{weekday}}\left(k\right)=\left[\begin{array}{ccccccccccccccccc}{\mathrm{\&Delta;}}_{h_1}\left(k\right)& ...& {\mathrm{\&Delta;}}_{h_i}\left(k\right)& ...& {\mathrm{\&Delta;}}_{h_{12}}\left(k\right)& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0\end{array}\right]---\left(28\right)$

$B_{\mathrm{weekend}}\left(k\right)=\left[\begin{array}{ccccccccccccccccc}0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& {\mathrm{\&Delta;}}_{h_1}\left(k\right)& ...& {\mathrm{\&Delta;}}_{h_i}\left(k\right)& ...& {\mathrm{\&Delta;}}_{h_{12}}\left(k\right)\end{array}\right]---\left(29\right)$

上述基线值通过适当地选择由式(21)中的约束线性最小二乘拟合确定的参数来度量。在其他实施方式中，采用其他基线值B(k)和参数

返回至式(21)的约束部分，该矩阵A被设计为实现多个约束关系：

·参数p_ij和必须为正。

·环境温度滤波器的p_ij总和应接近一；其直观意义为，环境温度滤波器的稳定状态应接近实际环境温度。

·然而，优选实施方式的模型内存在限制，约束范围为2.0至4.0。在其他实施方式中，采用供暖滤波器。

·制冷能量滤波器的p_ij总和应接近一；其直观意义为，制冷能量滤波器的稳定状态应接近实际制冷能量。

·基线峰值一般不应超过20°C。

达到这些要求的A的具体形式如下：

$A=\left[\begin{array}{c}-I_{36\&times;36}\\ \begin{array}{cccc}{I}_{4\&times;1}& 0_{4\&times;1}& 0_{4\&times;1}& 0_{24\&times;1}\\ -I_{4\&times;1}& 0_{4\&times;1}& 0_{4\&times;1}& 0_{24\&times;1}\\ 0_{4\&times;1}& I_{4\&times;1}& 0_{4\&times;1}& 0_{24\&times;1}\\ 0_{4\&times;1}& -I_{4\&times;1}& 0_{4\&times;1}& 0_{24\&times;1}\\ 0_{4\&times;1}& 0_{4\&times;1}& I_{4\&times;1}& 0_{24\&times;1}\\ 0_{4\&times;1}& 0_{4\&times;1}& {-I}_{4\&times;1}& 0_{24\&times;1}\\ & 0_{12\&times;24}& I_{24\&times;24}& \end{array}\end{array}\right]---\left(30\right)$

其中，I_mxm为大小m×m的单位矩阵，0_mxn为具有m个列和n个行的零矩阵。参数估计限制包含在向量b内，该向量的具体示例表示为：

$b=\left[\begin{array}{c}{0}_{1\&times;36}\\ 1.5\\ -0.2\\ 2.0\\ 4.0\\ -0.2\\ 2.0\\ {20}_{1\&times;24}\end{array}\right]---\left(31\right)$

其中，在上式中，20_1x24表示20的24个值的向量。

最优化

通过根据上述参数估计的模型，可确定出符合特定“成本”目标和/或限制的最佳功率表示。本节的讨论内容仅限于制冷情况。然而，应理解的是，相似的最优化过程也可用于包括供暖的模型。

例如，假定由T_amb＝{T_amb(1)，...，T_amb(k)}表示天气预报。还假定选择了建筑物的制冷功率表示，其被表示为P_cool＝{P_cool(1)，...，P_cool(k)}。可将这两个时间序列加入滤波器式(12)至(17)，以获得滤波型态，据此可通过式(18)获得内部建筑物温度：T_int＝{T_int(1)，...，T_int(k)}。

P_cool和T_int用于评估所选功率表示P_cool是否表现良好。特别地，可检验功率消耗和CO₂排放(基于P_cool)的成本，以及对居住者舒适度的影响(基于T_int)。

该实施方式的能量消耗的美元成本如下给出：

$C_S=\underset{i=1}{\overset{K}{\mathrm{\&Sigma;}}}\mathrm{Tariff}\left(t_k\right)*P_{\mathrm{cool}}\left(k\right)---\left(32\right)$

其中，Tariff(t_k)表示与样本k对应的时间下的能源关税。

CO₂排放成本表示如下：

$C_{{\mathrm{CO}}_2}=\underset{i=1}{\overset{K}{\mathrm{\&Sigma;}}}{P}_{\mathrm{cool}}\left(k\right)---\left(33\right)$

还能够增加偏离预定目标平均舒适度水平的成本，其被表示如下：

$C_{\mathrm{comf}}\left({\mathrm{PPD}}_{t\arg \mathrm{et}}\right)=\underset{i=1}{\overset{K}{\mathrm{\&Sigma;}}}{|\mathrm{PPD}\left(T_{\mathrm{int}}\left(k\right)\right)-{\mathrm{PPD}}_{\tan \mathrm{get}}|}^2---\left(34\right)$

我们可将这三个成本分量组合成单个成本函数：

$C\left(P_{\mathrm{cool}}\right|T_{\mathrm{amb}})=w_1{C}_S+w_2{C}_{{\mathrm{CO}}_2}+C_{\mathrm{comf}}\left({\mathrm{PPD}}_{t\arg \mathrm{et}}\right)---\left(35\right)$

在式(35)中，三个参数w₁、w₂和PPD_target可由用户配置。C(P_cool|T_amb)中的P_cool参数用于强调：对于指定环境温度预报，整个成本函数仅取决于所选的功率表示。

该成本函数可使用户通过利用标准最优化确定最佳功率表示。毫无疑问，也可使用可选或修正的成本函数。

包括供暖的替代模型

现在将对包括供暖最优化的前述模型的一种扩展形式进行说明。该扩展允许有额外的建筑物运行类型、供暖和燃料源混合，有替代最优化和建模方法。该模型可被扩展为，可识别热能、电和非电燃料源的效果以及关于建筑物的能量消耗、舒适度水平和CO₂排放的供暖和制冷混合情况。

该替代模型被设计为对具有常规煤气锅炉供暖系统、热水冷水回路和VAV的建筑物进行测试。毫无疑问，还应执行对任何特定建筑物的定制。已开发了该模型的示例建筑物位于澳大利亚的维多利亚，并具有以下特性：建设：砌块，建于2006年；占地面积：1808m²，3层，办公室。运行：混合模式——具有风扇和自动窗的自然通风。供暖：Raypak868煤气锅炉868kWth（链接）。制冷：YorkYCA02356级风冷涡卷式制冷设备——标称值235kWth（链接）。BMS：SiemensDesigov3.0、SiemensBACNet服务器；计量：煤气表、电气辅助计量——机械设备和整个建筑物。

该替代模型可用于扩展建筑物能量模型的结构，以了解供暖和制冷对区域温度的影响。该模型还可将供暖和制冷能量的消耗最优化。该模型还采用非电燃料源。这需要对容量、定价结构和温室气体排放进行考虑。该模型还可允许使用多种可能同时使用的能源。

前述仅制冷模型针对在温暖气候（其中，MVAC能量消耗由制冷占主导地位）下运行的建筑物而设计。尽管制冷几乎可完全通过电气制冷设备而实现，但还存在通常用于进行供暖的多种不同的系统和燃料类型。另外，可安装多个不同的系统，甚至同时在单个建筑物上运行多个不同的系统——这会使实施的复杂性大大增加。

尽管建筑物可具有多个供暖/制冷系统，由于确定指定条件下使用哪个系统具有很大灵活性，用于该替代模型的方法为，使现有BMS确定将用于影响指定条件设定点的设备的适当组合。从高水平上说，该替代模型了解能量温室气体与建筑物条件之间的关系，并应用最优化区域条件设定点。从低水平上说，该替代模型可用于优先封锁或使用特定设备，尽管这并不是核心优化的一部分。当发生低水平变化时，该替代模型识别出条件/能量关系中的这些变化，并由此更新建筑物模型。

区域级供暖/制冷控制

最初讨论的模型使用关键控制变量上的区域级PMV设定点。对于这种制冷为主的情况，采用基于规则的方法进行供暖（加热到最低可接受舒适度水平，且不再进一步加热），PMV设定点被解释为目标制冷水平。单个区域控制算法基本如下：如果T_Zone<T_MinAllowed，则Heat_To_T_Min，否则Cool_To_PMV_Setpoint结束。

具体如何实现这些供暖/制冷设定点随后取决于特定BMS和建筑物配置——包括供气设定点、冷水和热水阀门等的控制。重要的是，该低水平BMS界面确保在制冷设定点以下制冷时，或在供暖设定点以上供暖时(例如，当为了减少制冷功率而提高区域设定点时，进行电力再热)，不会浪费能量。为了使供暖和制冷均得以最优化，在将同时供暖/制冷(对于相邻区域，这会造成很大的能量浪费)的可能性降到最低的同时，将替代模型的高水平建筑物最优化修改为生成两个设定点——一个制冷设定点PMV和一个供暖设定点PMV。随后修改该基本各个区域控制算法，以基本实行：如果PMV_Zone＜PMV_{Heat_Setpoint}，则Heat_To_PMV_{Heat_Setpoin}，否则，Cool_To_PMV_{Cool_Setpoint}结束。这与前述算法基本相同，但供暖和制冷设定点均用PMV表示，并通过最优化情况而动态地改变。这要求对低水平区域控制器的变化最小。

为了帮助将供暖、制冷和不同燃料源包括在内，修改了“灰箱”建筑物模型的结构。更新后的公式如下所示：

${\stackrel{\&OverBar;}{T}}_z=F_A\left(s\right).T_{\mathrm{Amb}}+\mathrm{BaselineFcn}-F_T\left(s\right).\mathrm{\&Delta;}{T}_{\mathrm{SS}}$

其中：为(建模)总区域温度；T_Amb为外部(环境)空气温度；ΔT_SS为可能由当前HVAC制冷和供暖功率产生的区域温度的稳态差；BaselineFcn为关于人、设备、太阳等的已知时间函数；F_A(s)和F_T(s)为关于系统动力的线性非时变滤波器。另外，我们将

${\stackrel{\&OverBar;}{T}}_{\mathrm{ZF}}=F_A\left(s\right).T_{\mathrm{Amb}}+\mathrm{BaselineFcn}$

表示为(建模)空转区域温度——即，HVAC系统不运行时我们对总建筑物区域温度的估值；并将

ΔT_Z＝F_T(s).ΔT_SS

作为HVAC系统产生的区域温度差。

滤波器F(s)是并保持在1个、2个和5个小时下具有馈通(feed-through)和时间常数的三阶LTI。具体如下：

$F_T\left(s\right)=k_{\mathrm{\&tau;}\_0}+\frac{k_{T\_1}}{{\mathrm{\&tau;}}_1\&CenterDot;s+1}+\frac{k_{T\_2}}{{\mathrm{\&tau;}}_2\&CenterDot;s+1}+\frac{k_{T\_3}}{{\mathrm{\&tau;}}_5\&CenterDot;s+1}$

以及

$F_A\left(s\right)=k_{A\_0}+\frac{k_{A\_1}}{{\mathrm{\&tau;}}_1\&CenterDot;s+1}+\frac{k_{A\_2}}{{\mathrm{\&tau;}}_2\&CenterDot;s+1}+\frac{k_{A\_3}}{{\mathrm{\&tau;}}_5\&CenterDot;s+1}$

其中，k_{T_0}、k_{T_1}、k_{t_2}、k_{t_3}、k_{A_0}、k_{A_1}、k_{A_2}和k_{A_3}为识别的滤波器增益，τ₁、τ₂和τ₅分别为1、2和5个小时的时间常数。

BaselineFcn由两个向量，即，BaselineWeekday和BaselineWeekend来表示，每个向量的大小为1×12，这两个向量可被解释为在工作日或周末内的[024810121416182022]小时时间下增加到建模平均区域温度中的偏移温度(单位为°C)。在计算其他时间下的适当BaselineFcn值时，可在两个最接近值之间进行线性内插。替代模型的一个区别在于，规范化HVAC制冷功率现在已用ΔT_SS代替——其表示多个供暖/制冷源对区域温度的总影响。

供暖/制冷功率关系

尽管前述模型针对的是制冷为主的方案，但为了处理供暖情况，预期替代功率模型结构。核心因素包括：区域之间的差异意味着，尽管总区域温度可处于设定点，但将单个区域保持在设定点的同时需要供暖和制冷能量；不再将制冷和供暖视为与施加的HVAC功率成正比，而需要理解的是，即使在达到任何明显的制冷/供暖之前，也能够存在与运行的HVAC系统相关的多个合理固定负载(即，风扇和泵)。某些这种基线也可能是其他现场负载造成的。另一个因素为，供暖/制冷系统的效率随着环境温度而变化——一个特定示例为，制冷设备的COP(性能系数)随着环境温度的增加而降低。优先于运行制冷设备/供暖设备(每日吹扫)而增加外部空气的使用也会产生这种影响。

利用测量功率与对总区域温度的影响之间的以下关系：

ΔT_SS＝α_c.μ_c.max{0，P_Cool-P_cb}-α_h.μ_h.max{0，P_Heat-P_hb}

其中，等式的第一部分为有效制冷温度(ΔT_Cool)，第二部分为有效供暖温度(ΔT_Heat)，参数为：P_Cool和P_Heat分别为实际制冷和供暖功率(kW)；P_cb和P_Hb分别为基线制冷和供暖功率(kW)；α_c和α_h为HVAC功率有效性的额定比(°C/kW)；μ_c和μ_h为作为外部温度函数的HVAC效率降级。

该降级被参数表示为：

μ_c＝min{1，1+α_cd[T_cx-T_Amb]}

以及

μ_h＝min{1，1-α_hd[T_hx-T_Amb]}

T_cx为会产生制冷降级的温度，而T_hx为低于其时会产生供暖降级的温度。典型值可为20°C。α_cd和α_hd为降级分数——一般为0.02/°C左右。

另外，为了模拟供暖/制冷混合方案，ΔT_SS＞ΔT_c0时考虑进行有效制冷，ΔT_SS＜ΔT_h0时进行供暖。其典型值可为ΔT_c0＝-0.5°C和ΔT_h0＝0.5°C——这意味着，对于ΔT_SS处于-0.5°C至0.5°C的情况，供暖和制冷将结合在一起。

图12示出了这些变量的相互关系。经结合的供暖和制冷功率现在给出了总建筑物功率，其可匹配我们预期建筑物功率作为外部温度函数的“V”型或抛物线型关系。

拟合为修正建筑物模型

在修正模型中，建筑物模型的拟合在系统重新启动时每天进行一次。读取来自建筑物日志文件的数据，并为信号提取时间序列数据：该数据可包括：T_s——总区域温度，作为所有区域温度的加权平均值——基于“ConfigZoneSizes”配置参数；P_Cool——作为所有制冷相关功率测量值的总和，如下所述；P_Heat——作为所有供暖相关功率测量值的总和，如下所述；T_Amb——测量环境(外部)温度。

理想地，这些数据集应包括2至3个月的持续数据。其中，情况并非如此时，可在其中插入小的数据间隙。在数据中存在大间隙的情况下，数据可被分成多个集合，对数据进行过滤之后，将每个集的前5个小时丢弃，以将未知初始条件的影响最小化。

模型拟合评估基于2的范数——即，模型参数在可允许范围内选择，以将最小化，为建模的和测量的总建筑物区域温度之间的平方误差。

模型拟合可被编程为嵌套最优化：

$\underset{\mathrm{PowerParameters}}{\min }{\left|\right|T_z-{\tilde{T}}_z\left|\right|}_2\mathrm{where}{\tilde{T}}_z:\{\underset{\mathrm{FilterParameters}}{\min }{\left|\right|T_z-{\stackrel{\&OverBar;}{T}}_z\left|\right|}_2{|}_{\mathrm{PowerParameters}}$

其中，PowerParameters为P_cb、P_hb、α_c、α_h、μ_c、μ_c、α_cd和α_hd；FilterParameters为k_{T_0}、k_{T_1}、k_{T_2}、k_{T_3}、k_{A_0}、k_{A_1}、k_{A_2}、k_{A_3}、BaselineWeekday和BaselineWeekend；在最终步骤中，ΔT_c0和ΔT_h0基于已知模型进行拟合。

在实施该模型拟合时，MatlabIsqlin函数(具有线性约束的最小平方)可用于拟合FilterParameters，而fmincon(多维约束非线性最小化)可用于PowerParameters搜索。该模型以这种方式被拆分，以减小所需非线性最小化的维度——这个问题比线性情况更难。对模型拟合程序进行了更新，使这些参数值的限值不会被编码到程序中，相反，作为每个参数的上限和下限而被输入。如果不对参数进行拟合，这些上限和下限可被设定为相等值。

通过修正建筑物模型最优化建筑物设定点

在替代模型中，可修改建筑物设定点最优化的方法，以考虑供暖情况。之前，最优化返回建筑物的最佳功率表示，随后，在跟踪该曲线的同时，该最佳功率表示用于确定每个区域的适当PMV设定点。在替代模型中，修正优化除预期供暖和制冷能量之外，还明确提供供暖和制冷双重目标PMV设定点。该PMV设定点现在被视为初级最佳设定点，并且仅可在超过预期功率使用的情况下放宽。该方法和初始条件计算修正方法帮助解决功率测量中对浮动的某些敏感性——除非超过预期功率使用，否则建筑物将在PMV设定点上运行。

双重PMV设定点通过先前的相似优化过程产生，然而，ΔT_SS现在为最佳变量，而不是制冷功率。根据ΔT_SS，预期供暖/制冷功率在非线性映射中确定，从而可计算功率成本、温室气体成本和PMV。根据最佳PMV，双重PMV设定点被表示为

即，当建筑物处于统一供暖时，需要制冷的任何区域仅应制冷到最低可接受的PMV(注意，PMV的范围为-3：冷至3：热)，而供暖区域应以最佳PMV设定点作为目标。针对制冷模式，也可采用相似的公式。

设定点优化基于以下更新信息每5分钟运行一次：实际建筑物区域温度；能源价格；天气预报。这些信息与先前确定的建筑物模型相结合而使用，由此得出供暖和制冷功率与建筑物热条件之间的预期关系：

${\stackrel{\&OverBar;}{T}}_z=F_A\left(s\right).T_{\mathrm{Amb}}+\mathrm{BaselineFcn}-F_T\left(s\right).\mathrm{\&Delta;}{T}_{\mathrm{SS}}$

最优化以下等式最小化：

I(ΔT_SS)＝W_CO2.CO2+W_Cost.Cost；s.t.averagePPD≤Av_PPD

其中：CO2为建议运行方案对一天内其余时间的估计CO₂影响；Cost为建议运行方案对一天内其余时间的估计资金成本；averagePPD为整天达到的估计平均PPD；W_CO2和W_Cost为用于将这些度量的相对重要性分配到最优化过程中的(标量)权重；Av_PPD为建筑物在一天内的目标最大可允许平均PPD。

在估算该成本函数时，ΔT_SS与供暖/制冷功率之间(因此，即功率和CO₂成本之间)存在一个静态(非线性)图，如上一节所述。为了估算一天内其余时间的PMV和PPD表示，要求提供未来天气条件的估值。根据BMS，我们获得T_Amb的历史数据，根据BOM(以及任何局部天气学习算法)，我们具有预报环境温度T_Forecast。这两个数据集必须合并在一起，使得数据不存在不连续的情况。历史和预报环境温度的这种合并以3小时间隔进行，后续数据集由T_Predicted表示。在图13中示出了合并过程。

处理初始条件

前述模型依靠测量的制冷功率和环境温度将模型动态进行初始化。这会造成以下问题：测量功率与预期建模功率存在很大差别(例如，由于压缩机分级)，或建筑物动力和负载(使用方式)与建模的建筑物动力和负载存在很大差别。其本身可表现为测量特性(截止到当前时间)与前移的预测特性之间的不连续性。为了帮助解决该问题，并消除对功率建模的依赖性，该优化可使用状态“估计程序”(观测)对建筑物动力状态建模，并提供空转响应。这使最优化程序仅需要处理零初始条件用于计算建筑物对提出的ΔT_SS的响应。

通过在时间t_now之前重新配置建筑物模型来获得估计条件：

$\stackrel{\&OverBar;}{{\mathrm{\&Delta;T}}_{\mathrm{SS}}}=F_T^{-1}\left(s\right)[F_A\left(s\right).T_{\mathrm{Amb}}+\mathrm{BaselineFcn}-T_z]$

并且空转建筑物响应(无HVAC)通过对大于t_now的时间设置并计算以下公式而获得：

$\stackrel{\&OverBar;}{T_{\mathrm{ZF}}}=F_A\left(s\right).T_{\mathrm{Amb}}+\mathrm{BaselineFcn}-F_T\left(s\right).\stackrel{\&OverBar;}{{\mathrm{\&Delta;T}}_{\mathrm{SS}}}$

受控建筑物的总区域温度响随后应被表示为：

$\stackrel{\&OverBar;}{T_{\mathrm{ZF}}}=F_A\left(s\right).T_{\mathrm{Amb}}+\mathrm{BaselineFcn}-F_T\left(s\right).\stackrel{\&OverBar;}{{\mathrm{\&Delta;T}}_{\mathrm{SS}}}-F_T\left(s\right).\stackrel{\&OverBar;}{{\mathrm{\&Delta;T}}_{\mathrm{SS}}}$

其中，F_T(s).ΔT_SS为时间＞t_now的最佳零初始条件响应，其他滤波动力特性可在前一天数据的基础上演进，以在时间t_now下处于适当的状态。

适应不同燃料类型

替代模型还能应付不同的燃料类型。这里的主要问题为：不同燃料类型具有不同的温室气体潜能；不同的燃料类型具有不同的定价结构；并且不同的测量方法被用于监控燃料利用。

在澳大利亚，不同能源的相对影响由澳大利亚政府气候变化和能效部(DCCEE)负责计算。这些数字每年都会更新并作为“国家温室气体排放(NGA)因子”[1]公布。这些因子根据开采方法、燃料混合物和配电损失等的不同而变化，并因此在时间和地理位置上改变。报告温室气体影响时，使用3种不同类型的排放系数：范围1排放——这些排放均为来自活动的直接CO₂等量排放(例如，燃烧的天然气中直接释放出来的CO₂，气体的提取/提纯/运输所涉及的CO₂忽略)；范围2排放——这些排放均为机制购买和消费的，用于进行活动的电力产生的间接CO₂等量排放(即，代表发电站在为您发电时进行的范围1排放)；范围3排放——具有与燃料的提取、生产、运输、发电、配电/输电等相关联的多种额外排放。这包括电子网络损失。燃料全循环成本的评估包括范围3排放。

对于商业建筑物部门，在图14中示出了如在澳大利亚商业建筑物报告和使用的不同燃料类型的相对比例。毫无疑问，其由电和天然气的使用占主导地位。澳大利亚这些燃料的全燃料循环的最新估值（根据2010年7月，来自[I]）如下表所述（注意1MWh=3.6GJ）：

适用不同燃料类型和测量方法的配置变化

前述模型仅有效处理了一种类型的功率测量——用于制冷的电kW。在替代模型中，这通过包含配置参数来更新。

替代模型包括5个配置变量：

Config_PowerWeights10.72278

Config_CarbcnWeights1.071.070.236

Config_PowerTypesCPCPHE

Config_PowerPrices112

Config_PowerPriceNames'ElecTOU″Gas'

尽管可以采用多种类型的规范化，换算系数需要提供将不同燃料和测量类型的相对效果进行比较的机制。换算系数一般用于将测定量转换成kW（或kWh），以比较功率，并转换成kgCO₂-e/kWh，以比较温室影响。PowerWeights配置变量由kW（或kWh）表示。CarbonWeights变量由kgCO₂-e表示。PowerTypes变量将每次功率测量分成制冷（C）用或供暖（H）用，随后将测量类型分成功率（P）或能量（E）。功率测量为（例如）直接kW测量。能量测量通过累积寄存器进行，为kWh测量，且必须与时间区分，以确定功率水平。PowerTypes的有效值为‘CP’、‘CE’、‘HP’和‘HE’。PowerPriceNames保留不同能源定价配置的名称。PowerPrices提供PowerPriceNames的指标，以确定哪个能源定价结构适用于每次功率测量。

对于上述示例中的特定配置值，具有3个测量功率数据点。其在建筑物配置文件中被命名为Powerl、Power2和Power3。Powerl直接以kW为单位进行测量，因此PowerWeights=l。到CO₂-e的换算系数1.07（NSW）。该能源用于利用直接测量的功率“CP”进行制冷。能源定价类型为“ElecTOU”，因此，PowerPriceNames的指标为1。Power2通过测量平衡三相系统的一相上的amps而获得——因此将PowerWeights设为0.72，因为1测量的amp与720W功率对应。其他换算系数与Powerl相同。Power3为用于供暖的煤气。其使用累积表以GJ为单位进行测量。278的PowerWeights将GJ转换为等量的kWh。0.236的CarbonWeights为等于天然气消耗量的一个kWh等量的kgCO₂-e。PowerPrices为2，即煤气价格结构的PowerPriceNames的指标。

尽管各个能量定价结构的名称都存储在配置文件内，但定价等级的实际配置通过“能源定价配置”GUI进行，其被更新为允许多种燃料类型（参见EnergyPriceConfigV2.m）。这允许针对每种燃料类型设置TOU定价结构——可为固定恒定价格，例如，煤气的价格。图15示出并更新了GUI的数据条目。单位一般采用c/kWh，但毫无疑问，该单位任意的。

参考文献

AustralianGreenhouseOffice（1999）,AustralianCommercialBuildingSectorGreenhouseGasEmissions1990-2010.Availableonlineathttp://www.cnvironmcnt.gov.au/[Accessed17June2008]

Braun,J.E.（1990）,ReducingEnergyCostsandPeakElectricalDemandThroughOptimalControlofBuildingThermalStorage,ASHRAETrans.Vol96（2）,pp.876-888

Braun,J.E.,Montgomery,K.W.andChaturvedi,N.（2001）,Evaluatingtheperformanceofbuildingthermalmasscontrolstrategics.HVAC&RResearch.Vol7（4）pp403-428.

Eto,J.（2007）,DemandResponseSpinningReserveDemonstration.ErnestOrlandoLawrenceBerkeleyNationalLaboratory.BerkeleyCA,USA.http://eetd.lbl.gov/ea/EMS/EMS_pubs.html[Accessed17June2008]

Fanger,P.O.（1967）,Calculationofthermalcomfort:introductionofabasiccomfortequation.ASHRAETransactions73（2）:III.4.1.

Scppancn,O.,Fisk,W.J.andLei,Q.II.（2006）,Roomtemperatureandproductivityinofficework,LawrenceBerkeleyNationalLaboratory,UniversityofCalifornia.http://rcpositorics.cdlib.org/lbnl/LBNL-60952[Accessed17June2008]

White,S.andWard,J.K.（2006）,PerformanceofaMicroturbinePowerandDesiccantCoolingDemonstration.IIR-IRHACEInternationalConference2006.Auckland,NewZealand.16th-18thFeb2006.

Durress,C.（2008）,Stateabandonsplantoallowutilitiestocontrolhomethermostats,SanFranciscoChronicle,Jan172008.[Online].Available:http://www.sfgatc.com[AccessedMay1,2008].

AustralianGovernmentDepartmentofClimateChange（2008）,NationalGreenhouseAccounts（NGA）Factors,http://www.climatechange.gov.au[Accessed17June2008]

AS11RAE（2004）,ANSI/ASIIRAEStandard55-2004,ThermalEnvironmentalConditionsforHumanOccupancy.AmericanSocietyofHeating,RefrigeratingandAir-ConditioningEngineers.Atlanta,USA.www.ashrae.org

Bragcr,G.,Paliaga,G.anddcDear,R.J.（2004）,Operablewindows,personalcontrolandoccupantcomfort.ASHRAETrans.,Vol.110（2）,pp.17-35.

Seppiinen,O.,Fisk,W.J.andFaulkner,D.（2003）,Costbenefitanalysisofthenight-timevcntilativccooling.ProceedingsoftheIlealthyBuildings2003Conference.Singapore2003,Vol3pp394-399.

NationalGreenhouseAccounts（NGA）Factors.DepartmentofClimateChangeandEnergyEfficiency,CommonwealthofAustralia2010.ISBN:978-1-921299-04-9

解释

本说明中提到的“一个实施方式”或“实施方式”意指与该实施方式有关的特定特征、结构或特性包括在本发明的至少一个实施方式中。因此，本说明中各个位置出现的词语“在一个实施方式中”或“在实施方式中”并不一定都涉及同一实施方式，但可涉及同一实施方式。另外，本发明领域的普通技术人员应理解的是，特定特征、结构或特性可以任何合适方式组合到一个或多个实施方式中。

相似地，应理解的是，在本发明的例示性实施方式的上述说明中，本发明的各个特征有时一起分组到单个实施方式、附图或其说明中，以简化本发明，并有助于理解各个发明方面的一个或多个。但是，本发明的该方法不应理解为本发明要求的特征多于每条权利要求中明确所述的特征。相反，如以下权利要求所述，本发明的方面少于单个前述公开的实施方式的所有特征。因此，详细说明之后的权利要求明确合并到本文中该详细说明中，每条权利要求自身均支持本发明的单独实施方式。

另外，本文所述的某些实施方式包括其他实施方式中包括的某些而不是其他特征，但本领域的技术人员应理解的是，不同实施方式的特征的组合应处于本发明的范围内，并形成不同的实施方式。例如，在以下权利要求中，任何该实施方式可用在任何组合中。

另外，某些实施方式在本文中描述为可由计算机系统的处理器或通过执行功能的其他器具实施的一个方法或方法的要素的组合。因此，具有用于执行方法或方法要素的必要指令的处理器形成执行方法或方法要素的器具。另外，本文所述该的仪器实施方式的一个单元为用于进行该单元执行的功能的器具的示例，用于实施本发明。

本文的说明中对多个特定细节进行了说明。但是，应理解的是，本发明的实施方式在实践中可不具有这些特定细节。在其他示例中，已知方法、结构和技术没有详细显示，以避免模糊对本说明的理解。

除非另有指定，本文使用的用于描述共同对象的序数形容词“第一”、“第二”、“第三”等仅表示指代相似对象的不同示例，不应理解为如此描述的对象在时间、空间、分级或任何其他方式上必须符合指定顺序。

在以下权利要求和本文的说明中，术语“包括”（comprise）为开放式术语，至少包括该术语之后的单元/特征，但不排除其他。因此，术语“包括”使用在权利要求中时，不应理解为限于其后列举的器具或单元或步骤。例如，“装置包括A和B”这种表达的范围不应限于装置仅由单元A和B组成。本文使用的术语“包括”（include）也为开放式术语，至少包括该术语之后的单元/特征，但不排除其他。因此，“包括”（include）与“包括”（comprise）具有相同意义，意为“包括”（comprise）。

另外，应注意的是，术语“耦接”使用在权利要求中时不应理解为仅限于直接连接。可使用术语“耦接”和“连接”及其变型。应理解的是，这些术语并非互为同义词。因此，“装置A与装置B耦接”这种表达的范围不应限于装置A的输出与装置B的输入直接连接的装置或系统。其表示，A的输出与B的输入之间存在一个路径，该路径可包括其他装置或器具。“耦接”可表示，两个或多个单元直接物理接触或电气接触，或两个或多个单元并非互相直接接触，但仍互相配合或交互。

上文根据本发明的特定优选实施方式对本发明进行了说明，但只要不脱离以下权利要求的主旨和范围，可对本发明进行改变和修改。

Claims (21)

1.一种控制建筑物的暖通空调(HVAC)系统的方法，所述方法包括以下步骤：

(a)开发所述建筑物的初始热模型，并随着时间基本每天迭代地持续地更新该热模型，其中，所述热模型具有以下形式之一：

$\left(i\right)---T_{\mathrm{int}}\left(z\right)=F_{amb}\left(z\right)T_{amb}\left(z\right)-\frac{10}{P_{coolTyp}}{F}_{Pcool}\left(z\right)+\frac{1}{P_{heatTyp}}{F}_{Pheat}\left(z\right)P_{heat}\left(z\right)+B\left(z\right)$

其中：

·T_int(z)为平均内部建筑物温度

·T_amb(z)为环境温度

·P_cool(z)为HVAC制冷功率消耗

·P_coolTyp为典型的HVAC制冷功率消耗；在(i)中被用作换算系数，以获得F_Pcool(z)的参数在与其他参数相似的数值范围内的数量级；其还提供能在不同BMS系统上运行的规范化机制——这对最优化约束特别重要

·P_heat(z)为HVAC供暖功率消耗

·P_heatTyp为典型的HVAC供暖功率消耗；其在式(1)中被用作换算系数，以获得F_Pheat(z)的参数在与其他参数相似的数值范围内的数量级；其还提供能在不同BMS系统上运行的规范化机制——这对最优化约束特别重要

·F_amb(z)获取对环境温度的内部建筑物温度响应

·F_Pcool(z)获取对HVAC制冷功率的内部建筑物温度响应

·F_Pheat(z)获取对HVAC供暖功率的内部建筑物温度响应

·B(z)，“基线”，获取除由F_amb(z)、F_Pcool(z)和F_Pheat(z)获得的因数之外的因数

·10为用于获得F_Pcool(z)的参数在与其他参数相似的数值范围内的数量级的换算系数；该数值为任选数值；

$\left(ii\right)---{\stackrel{\&OverBar;}{T}}_Z=F_A\left(s\right).T_{Amb}+BaselineFcn-F_T\left(s\right).{\mathrm{\&Delta;T}}_{SS}$

其中：

·为(建模的)总区域温度；

·T_Amb为外部(环境)空气温度；

·△T_SS为可能由当前HVAC制冷和供暖功率产生的区域温度的稳态差；

·BaselineFcn为由两个向量表示的关于人、设备、太阳等的时间学习函数；

·F_A(s)和F_T(s)为关于系统动力的线性非时变滤波器；

(b)利用所述热模型持续地基本每5分钟重新计算所述建筑物的日常HVAC运行计划；以及

(c)持续地检查当前HVAC运行计划，并试图基本每10秒钟将当前HVAC运行与所述当前HVAC运行计划的一致性最优化。

2.根据权利要求1所述的方法，其中，所述热模型使用被拟合成所述建筑物的历史热数据的一系列参数。

3.根据权利要求1所述的方法，其中，所述热模型为分段多项式模型。

4.根据权利要求1所述的控制建筑物的暖通空调(HVAC)系统的方法，所述方法进一步包括以下步骤：

(d)确定所述建筑物的热模型；

(e)为所述建筑物的用户确定预期人体舒适度模型；

(f)利用所述预期人体舒适度模型作为主要要素计算所述建筑物的HVAC功率消耗计划。

5.根据权利要求4所述的方法，其中，根据所述建筑物的用户反馈的数据通过所述建筑物的用户的个人舒适度数据增强所述人体舒适度模型。

6.根据权利要求4所述的方法，其中，所述人体舒适度模型从ASHRAE标准舒适度模型中衍生出。

7.根据权利要求1所述的控制建筑物的暖通空调(HVAC)系统的方法，所述方法进一步包括以下步骤：

(d)确定所述建筑物的热模型；

(e)确定所述HVAC系统的功率消耗或碳排放模型；

(f)利用所述功率消耗或碳排放模型作为主要要素计算所述建筑物的HVAC运行计划。

8.根据权利要求7所述的方法，其中，通过来自能量供应商的消耗和定价数据增强所述功率消耗或碳排放模型。

9.根据权利要求1所述的控制建筑物的暖通空调(HVAC)系统的方法，所述方法进一步包括以下步骤：

(d)确定所述建筑物的热模型；

(ce)确定所述HVAC系统的能量成本模型；

(f)利用所述能量成本模型作为主要要素计算所述建筑物的HVAC运行计划。

10.根据权利要求9所述的方法，其中，通过来自能量供应商的消耗和定价数据增强所述能量成本模型。

11.根据权利要求1所述的控制建筑物的暖通空调(HVAC)系统的方法，所述方法进一步包括以下步骤：

(d)确定所述建筑物的热模型；

(e)确定所述建筑物的周围区域的预期外部气象条件；

(f)确定所述HVAC系统的外部气象条件模型；

(g)利用所述外部气象条件模型作为主要要素计算所述建筑物的HVAC运行计划。

12.根据权利要求11所述的方法，其中，通过来自气象数据供应商的数据增强所述外部气象条件模型。

13.根据权利要求1所述的控制建筑物的暖通空调(HVAC)系统的方法，所述方法进一步包括以下步骤：

(d)确定所述建筑物的热模型；

(e)为所述建筑物的用户确定预期人体舒适度模型；

(f)确定所述HVAC系统的功率消耗或碳排放模型；

(g)确定所述HVAC系统的能量成本模型；

(h)确定所述HVAC系统的外部气象条件模型；

(i)应用所述HVAC系统的所述预期人体舒适度模型、所述功率消耗或碳排放模型、所述能量成本模型和所述外部气象条件模型中的两个或多个的相对权重，来计算所述建筑物的HVAC运行计划。

14.根据权利要求13所述的方法，其中，根据所述建筑物的用户所反馈的数据通过所述建筑物的用户的个人舒适度数据增强所述人体舒适度模型。

15.根据权利要求13所述的方法，其中，所述人体舒适度模型从ASHRAE标准舒适度模型中衍生出。

16.根据权利要求13所述的方法，其中，通过来自能量供应商的消耗和定价数据增强所述功率消耗或碳排放模型。

17.根据权利要求13所述的方法，其中，通过来自能量供应商的消耗和定价数据增强所述能量成本模型。

18.根据权利要求1所述的方法，其中，在所述热模型(i)中的所述基线函数根据一周内的当前日期而变化。

19.根据权利要求18所述的方法，其中，在所述热模型(i)中的所述基线函数由三角基函数的组合构成，所述的这些三角基函数在一天内的特定固定点被估算。

20.根据前述任一权利要求所述的方法，其中，所述HVAC对利用所述当前HVAC运行计划的控制基本每几秒钟进行一次。

21.根据权利要求1所述的方法，其中，在所述热模型(ii)中的△T_SS具有以下形式：

△T_SS＝α_c.μ_c.max{0,P_Cool-P_cb}-α_h.μ_h.max{0,P_Heat-P_hb}

其中，式的第一部分为有效制冷温度(△T_Cool)，第二部分为有效供暖温度(△T_Heat)，参数是：P_Cool和P_Heat分别为实际制冷功率和供暖功率的估值(kW)；P_cb和P_hb分别为基线制冷功率和供暖功率(kW)；α_c和α_h为HVAC功率有效性的额定比(℃/kW)；以及μ_c和μ_h为作为外部温的度函数的HVAC效率降级。