CN106066077A - 具有预测成本优化的hvac控制器 - Google Patents
具有预测成本优化的hvac控制器 Download PDFInfo
- Publication number
- CN106066077A CN106066077A CN201610257004.7A CN201610257004A CN106066077A CN 106066077 A CN106066077 A CN 106066077A CN 201610257004 A CN201610257004 A CN 201610257004A CN 106066077 A CN106066077 A CN 106066077A
- Authority
- CN
- China
- Prior art keywords
- hvac
- water side
- optimization
- building
- air
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D23/00—Control of temperature
- G05D23/19—Control of temperature characterised by the use of electric means
- G05D23/1917—Control of temperature characterised by the use of electric means using digital means
-
- 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
-
- 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
- F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B15/00—Systems controlled by a computer
- G05B15/02—Systems controlled by a computer electric
-
- 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
- F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
- F24F11/63—Electronic processing
- F24F11/64—Electronic processing using pre-stored data
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Chemical & Material Sciences (AREA)
- Signal Processing (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Air Conditioning Control Device (AREA)
Abstract
一种建筑物HVAC系统包括水侧系统和空气侧系统。所述水侧系统消耗来自公用事业提供者的一种或多种资源以生成加热和/或激冷的流体。所述空气侧系统使用所述加热和/或激冷的流体来加热和/或冷却提供至所述建筑物的供应空气流。HVAC控制器执行一体化的空气侧/水侧优化过程以同时确定所述水侧系统和所述空气侧系统这两者的控制输出。所述优化过程包括优化预测成本模型,所述预测成本模型在一组优化约束条件下预测由所述HVAC系统消耗的所述资源的成本,所述一组优化约束条件包括所述建筑物的温度约束条件。所述HVAC控制器使用所述确定的控制输出来控制所述水侧系统和所述空气侧系统的所述HVAC设备。
Description
相关专利申请的交叉引用
本申请要求于2015年4月23日提交的美国专利申请号14/694,633的权益和优先权,该申请的全部公开内容以引用方式并入本文中。
技术领域
本发明整体涉及建筑物的采暖通风和空调(HVAC)系统。本发明更具体地涉及建筑物HVAC系统的预测成本优化系统。
背景技术
一些建筑物的HVAC系统使用水侧系统和空气侧系统两者来为建筑物提供制热或制冷。水侧系统消耗来自公用事业提供者的资源(例如,电力、天然气、水等),以产生加热或激冷的流体。空气侧系统使用加热或激冷的流体来对提供至建筑物的供应空气流进行加热或冷却。
空气侧和水侧优化的先前方案明确地单独考虑空气侧和水侧的优化问题。例如,名称为“高层级中央设施优化”的美国专利申请号14/634,609使用级联方案进行中央设施的优化。级联方案首先执行空气侧优化,以预测建筑物的制热和制冷负荷。预测的制热和制冷负荷接着作为固定参数提供至水侧优化,其次执行水侧优化以优化中央设施的性能。如果空气侧系统不知道水侧系统的能量储存/生成能力,则初始的空气侧优化可能是次优的。在不将显著的复杂性引入到优化问题的情况下对空气侧系统和水侧系统两者的性能进行优化是困难而有挑战性的。
发明内容
本公开的一个具体实施是建筑物的采暖通风或空调(HVAC)系统。HVAC系统包括水侧系统和空气侧系统。水侧系统包括一套水侧HVAC设备,所述水侧HVAC设备消耗来自公用事业提供者的一种或多种资源以产生加热和/或激冷的流体。空气侧系统包括一套空气侧HVAC设备,所述空气侧HVAC设备接收来自水侧系统的加热和/或激冷的流体,并且使用加热和/或激冷的流体来对提供至建筑物的供应空气流进行加热和/或冷却。HVAC系统还包括HVAC控制器,其接收来自水侧系统和空气侧系统两者的输入。HVAC控制器执行一体化的空气侧/水侧优化过程以同时确定水侧HVAC设备和空气侧HVAC设备两者的控制输出。执行一体化的空气侧/水侧优化过程包括优化预测成本模型,该模型在一组优化约束条件下预测由水侧系统消耗的所述一种或多种资源的成本。优化约束条件包括建筑物的温度约束条件。HVAC控制器将根据一体化的空气侧/水侧优化过程确定的控制输出提供至水侧系统和空气侧系统,以用于控制水侧HVAC设备和空气侧HVAC设备。
在一些实施例中,优化约束条件包括建筑物的温度演化模型。温度演化模型可以将建筑物的温度作为由水侧系统提供至建筑物的一种或多种热能资源的函数来进行预测。
在一些实施例中,执行一体化的空气侧/水侧优化过程包括使用单一优化来同时确定建筑物满足温度约束条件所需的热能资源的量和用于让水侧系统为建筑物生产所需量的热能资源的控制输出两者。
在一些实施例中,执行一体化的空气侧/水侧优化过程包括使用单一优化来同时确定建筑物满足温度约束条件所需的热能资源的量和为了允许水侧系统为建筑物生产所需量的热能资源而必须从公用事业提供者购买的所述一种或多种资源的量这两者。
在一些实施例中,其中确定为了允许水侧系统为建筑物生产所需量的热能资源而必须从公用事业提供者购买的所述一种或多种资源的量包括访问水侧HVAC设备的性能曲线。性能曲线可以限定由水侧HVAC设备生产的热能资源和为了生产该热能资源而必须由水侧HVAC设备消耗的一种或多种资源之间的关系。
在一些实施例中,性能曲线为至少三维的,并且将由水侧HVAC设备生产的热能资源的量限定为至少两个输入变量的函数。执行一体化的空气侧/水侧优化过程可包括在每个时间点为每台设备独立地调整所述至少两个输入变量以优化预测成本模型。
在一些实施例中,水侧HVAC设备包括激冷器。性能曲线可以将由激冷器生产的热能资源的量限定为在激冷器上的负荷和由激冷器生产的激冷的流体的温度两者的函数。
在一些实施例中,HVAC控制器被配置成通过将非凸形性能曲线转化为包括多个分段的线性区段的凸形性能曲线而生成性能曲线。
在一些实施例中,执行一体化的空气侧/水侧优化过程包括确定控制输出,所述控制输出在包括多个离散的时间步长的优化周期内优化预测成本模型。HVAC控制器可以被配置成在一体化的空气侧/水侧优化过程之后执行第二优化过程,以调整控制输出,从而优化资源消耗的瞬时速率。在一些实施例中,一体化的空气侧/水侧优化过程使用水侧HVAC设备的线性规划和线性化的性能曲线在优化周期内优化控制输出。第二优化过程可以使用水侧HVAC设备的非线性规划和非线性的性能曲线来针对线性化的性能曲线中的误差进行调整。
在一些实施例中,水侧系统包括热能存储装置,该热能存储装置被配置成存储由水侧HVAC设备生产的热能资源以供后续使用。
本公开的另一个具体实施是预测成本优化系统。预测成本优化系统被用来优化建筑物HVAC系统,建筑物HVAC系统使用水侧系统和空气侧系统两者来对提供至建筑物的供应空气流进行加热和/或冷却。预测成本优化系统包括HVAC控制器,该控制器接收来自水侧系统和空气侧系统两者的输入。HVAC控制器执行一体化的空气侧/水侧优化过程以同时确定水侧系统和空气侧系统两者的控制输出。执行一体化的空气侧/水侧优化过程包括优化预测成本模型,该模型在一组优化约束条件下预测由水侧系统消耗的一种或多种资源的成本。优化约束条件包括建筑物的温度约束条件。HVAC控制器将根据一体化的空气侧/水侧优化过程确定的控制输出提供至水侧系统(以用于控制水侧HVAC设备)和空气侧系统(以用于控制空气侧HVAC设备)两者。
在一些实施例中,优化约束条件包括建筑物的温度演化模型。温度演化模型可以将建筑物的温度作为由水侧系统提供至建筑物的一种或多种热能资源的函数来进行预测。
在一些实施例中,执行一体化的空气侧/水侧优化过程包括使用单一优化来同时确定建筑物满足温度约束条件所需的热能资源的量和用于让水侧系统为建筑物生产所需量的热能资源的控制输出这两者。
在一些实施例中,执行一体化的空气侧/水侧优化过程包括使用单一优化来同时确定建筑物满足温度约束条件所需的热能资源的量和为了允许水侧系统为建筑物生产所需量的热能资源而必须从公用事业提供者购买的所述一种或多种资源的量这两者。
在一些实施例中,确定为了允许水侧系统为建筑物生产所需量的热能资源而必须从公用事业提供者购买的所述一种或多种资源的量包括访问水侧HVAC设备的性能曲线。性能曲线限定了由水侧HVAC设备生产的热能资源和为了生产该热能资源而必须由水侧HVAC设备消耗的一种或多种资源之间的关系。
在一些实施例中,性能曲线为至少三维的,并且将由水侧HVAC设备生产的热能资源的量限定为至少两个输入变量的函数。执行一体化的空气侧/水侧优化过程可包括在每个时间点为每台设备独立地调整所述至少两个输入变量以优化预测成本模型。
在一些实施例中,HVAC控制器被配置成通过将非凸形性能曲线转化为包括多个分段的线性区段的凸形性能曲线而生成性能曲线。
在一些实施例中,执行一体化的空气侧/水侧优化过程包括确定控制输出,所述控制输出在包括多个离散的时间步长的优化周期内优化预测成本模型。HVAC控制器可以被配置成在一体化的空气侧/水侧优化过程之后执行第二优化过程,以调整控制输出,从而优化资源消耗的瞬时速率。在一些实施例中,一体化的空气侧/水侧优化过程使用水侧HVAC设备的线性规划和线性化的性能曲线在优化周期内优化控制输出。第二优化过程可以使用水侧HVAC设备的非线性规划和非线性的性能曲线来针对线性化的性能曲线中的误差进行调整。
本领域的技术人员将了解,发明内容仅为说明性的,而并非意图以任何方式进行限制。由权利要求唯一地限定的本文所述装置和/或过程的其它方面、创新性特征和优点将在本文中阐述并且结合附图进行的详细描述中变得显而易见。
附图说明
图1是根据一个示例性实施例的装有HVAC系统的建筑物的图纸,该HVAC系统包括在建筑物内的空气侧系统和水侧系统。
图2是根据一个示例性实施例的另一个水侧系统(例如,中央设施)的框图,该系统可以被用作图1的水侧系统的备选方案,以将加热或激冷的流体提供至建筑物。
图3是根据一个示例性实施例的空气侧系统的框图,该系统使用由图1或图2的水侧系统提供的加热或激冷的流体来对递送至建筑物的空气流进行加热或冷却。
图4是根据一个示例性实施例的包括HVAC控制器的HVAC控制系统的框图,该HVAC控制器解决了一体化的空气侧/水侧优化问题,以优化图2的水侧系统和图3的空气侧系统两者的性能。
图5是根据一个示例性实施例的框图,示出了由图4的HVAC控制器解决的一体化的空气侧/水侧优化问题的系统阐述,其中由HVAC系统消耗的各种公用事业和由HVAC系统产生的流体流被建模为不同类型的资源。
图6是根据一个示例性实施例的框图,更详细地示出了图4的HVAC控制器的优化模块。
图7A-7B是根据一个示例性实施例的示例性性能曲线的坐标图,该曲线可以在一体化的空气侧/水侧优化问题中使用以将HVAC设备的资源消耗量限定为在HVAC设备上的负荷的函数。
图8是根据一个示例性实施例的激冷器子设施的非凸形和波状性能曲线的坐标图,该曲线可以通过将激冷器子设施的各个激冷器的装置特定的性能曲线结合而生成。
图9是根据一个示例性实施例的凸形和分段线性性能曲线的坐标图,该曲线可以通过将图8的性能曲线转化为分段线性区段的凸形排列而生成。
图10是根据一个示例性实施例的多维度性能曲线的坐标图,该曲线可以在一体化的空气侧/水侧优化问题中使用以将一个或多个因变量(例如,HVAC设备的资源产量)限定为两个或更多个可独立控制的决策变量的函数。
图11是根据一个示例性实施例的用于利用一体化的空气侧/水侧优化过程来优化和控制HVAC系统的过程的流程图,该系统包括水侧系统和空气侧系统两者。
图12是根据一个示例性实施例的图11中使用的一体化的空气侧/水侧优化过程的流程图,该过程用来同时确定空气侧系统和水侧系统两者的控制输出。
具体实施方式
大体上参看附图,示出了根据各种示例性实施例的用于预测成本优化的系统和方法及其组件。本文所述系统和方法可以用来优化建筑物采暖通风或空调(HVAC)系统的性能,该HVAC系统包括水侧系统和空气侧系统两者。水侧系统消耗来自公用事业提供者的资源(例如,电力、天然气、水等),以产生加热或激冷的流体。空气侧系统使用加热或激冷的流体来对提供至建筑物的供应空气流进行加热或冷却。在一些实施例中,空气侧系统和水侧系统两者均位于建筑物内。在其它实施例中,水侧系统可以作为中央设施实施,并且可以与建筑物分离。
HVAC控制系统监测并控制空气侧系统和水侧系统两者。HVAC控制系统包括HVAC控制器,该控制器执行一体化的空气侧/水侧优化过程,以同时确定空气侧系统和水侧系统两者的控制输出。空气侧和水侧优化的先前方案明确地单独考虑空气侧和水侧优化问题。例如,先前的具体实施使用级联方案,其中首先执行空气侧优化,以预测建筑物的制热和制冷负荷。级联实施接着将预测的制热和制冷负荷作为固定参数提供至水侧优化,其次执行水侧优化以优化水侧系统的性能。有利地,本发明使用一体化的空气侧/水侧优化过程,该过程同时解决空气侧优化问题和水侧优化问题两者。该优点允许本发明的系统和方法基于对水侧系统作出的控制决策来确定空气侧系统的最佳行为,反之亦然。
本文所述HVAC控制器可以接收各种数据输入,包括例如来自天气服务的天气预报、来自公用事业提供者的公用事业费率、限定HVAC设备的容量和性能特性的设备性能曲线、来自位于建筑物内的各种传感器的建筑物状况、和/或来自水侧系统和空气侧系统的设备状态。HVAC控制器可以使用各种数据输入来表述优化问题并解决优化问题,以确定水侧系统和空气侧系统的一组最佳控制输出。有利地,HVAC控制器能够在设备分布的多维优化中使用二维性能曲线和三维(或以上)性能曲线两者。
如本文所用,术语“优化问题”可以表示确定一组控制输出的最佳值的任何数学规划或优化。优化问题通常包括待优化的变量(例如,设备开/关状态、操作设定点等),并且可包括目标函数(例如,待最小化的成本函数)、对优化过程的约束条件(例如,建筑物的可接受的温度范围、装置容量等)、和/或在目标函数中使用的参数的表述。这些组件中的一些或全部可以在本发明中使用以解决一体化的空气侧/水侧优化问题,并且在下文中更详细地描述。
一体化的空气侧/水侧优化问题可包括优化预测成本模型,该模型在一组优化约束条件下预测由HVAC系统消耗的所述一种或多种资源的成本。在一些实施例中,HVAC控制器使用混合整数线性规划和/或线性优化程序(例如,分枝定界、分枝剪枝、基交换、内点等)解决优化问题,以确定HVAC设备的最佳操作状态(例如,开/关决策、设定点等)。最佳操作状态可以在一组优化约束条件下最小化在预定时间段内操作HVAC设备的成本。
在一些实施例中,优化约束条件包括建筑物的温度演化模型。温度演化模型可以将建筑物的温度作为由水侧系统提供至建筑物的一种或多种热能资源的函数进行预测。优化约束条件也可包括建筑物的温度约束条件。有利地,单一优化过程可以用来同时确定建筑物的最佳制热/制冷需求和使HVAC系统满足该最佳制热/制冷需求的控制输出这两者。优化过程也可以确定为了允许HVAC系统满足该最佳制热/制冷需求而必须从公用事业提供者购买的资源的量。
在一些实施例中,HVAC控制器调整线性优化过程的结果以考虑线性化的性能曲线中的误差和/或确定各种设备组内的各个装置的设定点。HVAC控制器可以使用最佳控制决策来为HVAC设备生成并分发控制信号。可以在设备正操作时收集描述HVAC设备的性能的经验性能数据并且用来更新HVAC设备的性能曲线。更新的性能曲线可接着在优化过程的后续迭代中使用。在随后的段落中将详细描述本发明的其它方面、创新性特征和优点。
具体参看图1,示出了根据一个示例性实施例的建筑物10的透视图。建筑物10由HVAC系统100提供服务。HVAC系统100可包括多个HVAC装置(例如,加热器、激冷器、空气处理单元、泵、风扇、热能存储装置等),这些装置被配置成为建筑物10提供制热、制冷、通风或其它服务。例如,HVAC系统100示出为包括水侧系统120和空气侧系统130。水侧系统120可以将加热或冷却的流体提供至空气侧系统130的空气处理单元。空气侧系统130可以使用加热或冷却的流体来对提供至建筑物10的空气流进行加热或冷却。参照图2-3将更详细地描述示例性的水侧系统和空气侧系统。
HVAC系统100示出为包括激冷器102、锅炉104和屋顶空气处理单元(AHU)106。水侧系统120可以使用锅炉104和激冷器102来对工作流体(例如,水、乙二醇等)进行加热或冷却,并且可以将工作流体循环至AHU 106。在各种实施例中,水侧系统120的HVAC装置可以位于建筑物10内或周围(如图1所示)或者位于诸如中央设施的场外位置。工作流体可以在锅炉104中加热或在激冷器102中冷却,具体取决于建筑物10中是否需要制热或制冷。锅炉104可以例如通过燃烧易燃材料(例如,天然气)或使用电加热元件而将热量添加到循环的流体。激冷器102可以将循环的流体置于与热交换器(例如,蒸发器)中的另一种流体(例如,制冷剂)的热交换关系中,以从循环的流体吸收热量。来自激冷器102或锅炉104的工作流体可以经由管道108输送至AHU 106。
AHU 106可以将工作流体与(例如,经由冷却盘管和/或加热盘管的一个或多个级)穿过AHU 106的空气流置于热交换关系中。空气流可以是例如外部空气、来自建筑物10内的回流空气、或两者的组合。AHU 106可以在空气流和工作流体之间传递热量,以便为空气流提供加热或冷却。例如,AHU 106可包括一个或多个风扇或鼓风机,该一个或多个风扇或鼓风机被配置成将空气流传递经过或穿过包含工作流体的热交换器。工作流体可以接着经由管道110返回至激冷器102或锅炉104。
空气侧系统130可以将由AHU 106供应的空气流(即,供应空气流)经由空气供应管112递送至建筑物10,并且可以将回流空气经由空气回流管114从建筑物10提供至AHU 106。在一些实施例中,空气侧系统130包括多个变风量(VAV)单元116。例如,空气侧系统130示出为在建筑物10的各个楼层或区上包括单独的VAV单元116。VAV单元116可包括挡板或其它流量控制元件,可以操作该元件以控制提供至建筑物10的各个区的供应空气流的量。在其它实施例中,空气侧系统130将供应空气流递送到建筑物10的一个或多个区中(例如,经由供应管112),而不需要中间VAV单元116或其它流量控制元件。AHU 106可包括配置成测量供应空气流的属性的各种传感器(例如,温度传感器、压力传感器等)。AHU 106也可以从位于建筑物区内的传感器接收输入,并且可以调整通过AHU 106的供应空气流的流量和/或温度,以达到建筑物区的设定点条件。
现在参看图2,示出了根据一个示例性实施例的水侧系统200的框图。在各种实施例中,水侧系统200可以辅助或替代在HVAC系统100中的水侧系统120,或者可以独立于HVAC系统100实施。当在HVAC系统100中实施时,水侧系统200可包括在HVAC系统100中的HVAC装置的子设备(例如,锅炉104、激冷器102、泵、阀等),并且可以操作以将加热或激冷的流体供应至AHU 106。水侧系统200的HVAC装置可以位于建筑物10内(例如,作为水侧系统120的组件)或者位于诸如中央设施的场外位置。
在图2中,水侧系统200示出为具有多个子设施202-212的中央设施。子设施202-212示出为包括加热器子设施202、热回收激冷器子设施204、激冷器子设施206、冷却塔子设施208、热的热能存储装置(TES)子设施210和冷的热能存储装置(TES)子设施212。子设施202-212消耗来自公用事业的资源(例如,水、天然气、电力等)以服务于建筑物或校园的热能负荷(例如,热水、冷水、制热、制冷等)。例如,加热器子设施202可以被配置成加热热水环路214中的水,热水环路214使热水在加热器子设施202和建筑物10之间循环。激冷器子设施206可以被配置成激冷冷水环路216中的水,冷水环路216使冷水在激冷器子设施206和建筑物10之间循环。热回收激冷器子设施204可以被配置成将热量从冷水环路216传递至热水环路214,以便为热水提供额外的加热并为冷水提供额外的冷却。冷凝器水环路218可以从激冷器子设施206中的冷水吸收热量,并且在冷却塔子设施208中排放吸收的热量或将吸收的热量传递至热水环路214。热的TES子设施210和冷的TES子设施212可以分别存储热和冷的热能,以供后续使用。
热水环路214和冷水环路216可以将加热和/或激冷的水递送至位于建筑物10的屋顶上的空气处理器(例如,AHU 106)或建筑物10的各个楼层或区(例如,VAV单元116)。空气处理器将空气推送经过水流过的热交换器(例如,加热盘管或冷却盘管),以便为空气提供加热或冷却。加热或冷却的空气可以被递送至建筑物10的各个区,以服务于建筑物10的热能负荷。水然后返回至子设施202-212,以接收另外的加热或冷却。
虽然子设施202-212示出和描述为加热和冷却水以循环至建筑物,但应当理解,任何其它类型的工作流体(例如,乙二醇、CO2等)都可以代替水或作为其补充使用,以服务于热能负荷。在其它实施例中,子设施202-212可以直接为建筑物或校园提供制热和/或制冷,而不需要中间热传递流体。
子设施202-212中的每一个可包括配置成有利于子设施的功能的多种设备。例如,加热器子设施202示出为包括多个加热元件220(例如,锅炉、电加热器等),该多个加热元件220被配置成将热量添加至在热水环路214中的热水。加热器子设施202也示出为包括若干泵222和224,该若干泵222和224被配置成使热水在热水环路214中循环并且控制通过各个加热元件220的热水的流量。激冷器子设施206示出为包括多个激冷器232,该多个激冷器232被配置成从在冷水环路216中的冷水中移除热量。激冷器子设施206也示出为包括若干泵234和236,该若干泵234和236被配置成使冷水在冷水环路216中循环并且控制通过各个激冷器232的冷水的流量。
热回收激冷器子设施204示出为包括多个热回收热交换器226(例如,制冷回路),该多个热回收热交换器226被配置成将热量从冷水环路216传递至热水环路214。热回收激冷器子设施204也示出为包括若干泵228和230,该若干泵228和230被配置成使热水和/或冷水循环通过热回收热交换器226,并且控制通过各个热回收热交换器226的水的流量。冷却塔子设施208示出为包括多个冷却塔238,该多个冷却塔238被配置成从在冷凝器水环路218中的冷凝器水移除热量。冷却塔子设施208也示出为包括若干泵240,该若干泵240被配置成使冷凝器水在冷凝器水环路218中循环,并且控制通过各个冷却塔238的冷凝器水的流量。
热的TES子设施210示出为包括热的TES箱242,该热的TES箱242被配置成存储热水以供日后使用。热的TES子设施210也可包括一个或多个泵或阀,该一个或多个泵或阀被配置成控制进入或离开热的TES箱242的热水的流量。冷的TES子设施212示出为包括冷的TES箱244,该冷的TES箱244被配置成存储冷水以供日后使用。冷的TES子设施212也可包括一个或多个泵或阀,该一个或多个泵或阀被配置成控制进入或离开冷的TES箱244的冷水的流量。
在一些实施例中,水侧系统200中的一个或多个泵(例如,泵222、224、228、230、234、236和/或240)或水侧系统200中的管线包括与之相关联的隔离阀。隔离阀可以与泵一体化或定位在泵的上游或下游,以控制水侧系统200中的流体流。在各种实施例中,根据水侧系统200的特定配置和由水侧系统200服务的负荷的类型,水侧系统200可包括更多、更少或不同类型的装置和/或子设施。
现在参看图3,示出了根据一个示例性实施例的空气侧系统300的框图。在各种实施例中,空气侧系统300可以辅助或替代在HVAC系统100中的空气侧系统130,或者可以独立于HVAC系统100实施。当在HVAC系统100中实施时,空气侧系统300可包括在HVAC系统100中的HVAC装置的子设备(例如,AHU 106、VAV单元116、管112-114、风扇、挡板等),并且可以位于建筑物10中或周围。可以操作空气侧系统300使用由水侧系统200提供的加热或激冷的流体来加热或冷却提供至建筑物10的空气流。
在图3中,空气侧系统300示出为包括节热器式空气处理单元(AHU)302。节热器式AHU改变由空气处理单元使用以用于制热或制冷的外部空气和回流空气的量。例如,AHU 302可以经由回流空气管308接收来自建筑物区306的回流空气304,并且可以经由供应空气管312将供应空气310递送至建筑物区306。在一些实施例中,AHU 302为位于建筑物10的屋顶上的屋顶单元(例如,如图1所示的AHU 106)或者被定位成接收回流空气304和外部空气314两者。AHU 302可以被配置成操作排气挡板316、混合挡板318和外部空气挡板320,以控制外部空气314和回流空气304的量,该外部空气314和回流空气304结合以形成供应空气310。未穿过混合挡板318的任何回流空气304可以作为排气322通过排气挡板316从AHU 302排放。
挡板316-320中的每一个可以由致动器操作。例如,排气挡板316可以由致动器324操作,混合挡板318可以由致动器326操作,并且外部空气挡板320可以由致动器328操作。致动器324-328可以经由通信链路332与AHU控制器330通信。致动器324-328可以从AHU控制器330接收控制信号,并且可以将反馈信号提供至AHU控制器330。反馈信号可包括例如当前致动器或挡板位置的指示、由致动器施加的扭矩或力的量、诊断信息(例如,由致动器324-328执行的诊断测试的结果)、状态信息、调试信息、配置设置、校准数据、和/或可以由致动器324-328收集、存储或使用的其它类型的信息或数据。AHU控制器330可以是节热器控制器,该节热器控制器被配置成使用一种或多种控制算法(例如,基于状态的算法、ESC算法、PID控制算法、模型预测控制算法、反馈控制算法等)来控制致动器324-328。
仍然参看图3,AHU 302示出为包括冷却盘管334、加热盘管336、以及定位在供应空气管312内的风扇338。风扇338可以被配置成迫使供应空气310通过冷却盘管334和/或加热盘管336并将供应空气310提供至建筑物区306。AHU控制器330可以经由通信链路340与风扇338通信以控制供应空气310的流量。在一些实施例中,AHU控制器330通过调制风扇338的速度来控制施加到供应空气310的加热或冷却的量。
冷却盘管334可以经由管道342接收来自水侧系统200(例如,来自冷水环路216)的激冷的流体,并且可以将激冷的流体经由管道344返回至水侧系统200。阀346可以沿着管道342或管道344定位,以控制通过冷却盘管334的激冷的流体的流量。在一些实施例中,冷却盘管334包括多级冷却盘管,这些冷却盘管可被独立地启用和停用(例如,由AHU控制器330、由监督控制器366等),以调制施加到供应空气310的冷却的量。
加热盘管336可以经由管道348接收来自水侧系统200(例如,来自热水环路214)的加热的流体,并且可以将加热的流体经由管道350返回至水侧系统200。阀352可以沿着管道348或管道350定位,以控制通过加热盘管336的加热的流体的量。在一些实施例中,加热盘管336包括多级加热盘管,这些加热盘管可被独立地启用和停用(例如,由AHU控制器330、由监督控制器366等),以调制施加到供应空气310的加热的量。
阀346和352中的每一个可由致动器控制。例如,阀346可由致动器354控制,并且阀352可由致动器356控制。致动器354-356可以经由通信链路358-360与AHU控制器330通信。致动器354-356可以从AHU控制器330接收控制信号,并且可以将反馈信号提供至控制器330。在一些实施例中,AHU控制器330从定位在供应空气管312中(例如,冷却盘管334和/或加热盘管336下游)的温度传感器362接收供应空气温度的测量值。AHU控制器330也可以从定位于建筑物区306中的温度传感器364接收建筑物区306的温度的测量值。
在一些实施例中,AHU控制器330经由致动器354-356操作阀346和352,以调制提供至供应空气310的加热或冷却的量(例如,以达到供应空气310的设定点温度或将供应空气310的温度保持在设定点温度范围内)。阀346和352的位置影响由冷却盘管334或加热盘管336提供至供应空气310的加热或冷却的量,并且可以与为达到所需的供应空气温度而消耗的能量的量关联。AHU 330可以通过启用或停用盘管334-336、调整风扇338的速度或两者的组合来控制供应空气310和/或建筑物区306的温度。
仍然参看图3,空气侧系统300示出为包括监督控制器366和客户端装置368。客户端装置368可包括一个或多个人机接口或客户端接口(例如,图形用户接口、报告接口、基于文本的计算机接口、面向客户的Web服务、将页面提供至Web客户端的Web服务器等),以用于控制、查看或以其它方式与HVAC系统100、其子系统和/或装置交互。客户端装置368可以是计算机工作站、客户终端、远程或本地接口、或任何其它类型的用户接口装置。客户端装置368可以是静止的终端或移动装置。例如,客户端装置368可以是台式计算机、带有用户接口的计算机服务器、膝上型计算机、平板计算机、智能手机、PDA、或任何其它类型的移动或非移动装置。客户端装置368可以经由通信链路372与监督控制器366和/或AHU控制器330通信。
监督控制器366可包括一个或多个计算机系统(例如,服务器、BAS控制器等),该一个或多个计算机系统充当用于空气侧系统300、水侧系统200和/或HVAC系统100的系统级控制器、应用或数据服务器、头节点、或主控制器。监督控制器366可以根据类似或不同的协议(例如,LON、BACnet等)经由通信链路370与多个下游建筑物系统或子系统(例如,HVAC系统100、安防系统、照明系统、水侧系统200等)通信。在各种实施例中,AHU控制器330和监督控制器366可以是独立的(如图3所示)或是一体化的。在一体化的具体实施中,AHU控制器330可以是配置成由监督控制器366的处理器执行的软件模块。
在一些实施例中,AHU控制器330从监督控制器366接收信息(例如,命令、设定点、操作边界等),并且将信息(例如,温度测量值、阀或致动器位置、操作状态、诊断等)提供至监督控制器366。例如,AHU控制器330可以为监督控制器366提供来自温度传感器362-364的温度测量值、设备开/关状态、设备操作能力、和/或任何其它信息,这些信息可由监督控制器366使用以监测或控制建筑物区306内的可变状态或条件。
现在参看图4,示出了根据一个示例性实施例的HVAC控制系统400。HVAC控制系统400示出为包括HVAC控制器402、水侧系统200、空气侧系统300和建筑物10。如图4所示,操作水侧系统200以将加热或激冷的流体提供至空气侧系统300。空气侧系统300使用加热或激冷的流体来对提供至建筑物10的供应空气流进行加热或冷却。HVAC控制器402可以被配置成监测和控制建筑物10中的HVAC设备、水侧系统200、空气侧系统300、和/或其它HVAC系统或子系统。
根据一个示例性实施例,HVAC控制器402一体化在单个计算机(例如,一个服务器、一个外壳等)内。在各种其它示例性实施例中,HVAC控制器402可被分布在多个服务器或(例如,可存在于分散的位置的)计算机中。在另一个示例性实施例中,HVAC控制器402可以与建筑物自动化系统(例如,由Johnson Controls,Inc.销售的牌建筑物管理系统)或企业级建筑物管理器一体化,该管理器被配置成监测和控制多个建筑物系统(例如,基于云的建筑物管理器、由Johnson Controls,Inc.销售的牌建筑物节能系统)。
HVAC控制器402示出为包括通信接口404和处理电路406。通信接口404可包括有线或无线接口(例如,插座、天线、发射器、接收器、收发器、线端子等),以用于与各种系统、装置或网络进行数据通信。例如,通信接口404可包括以太网卡和端口,以用于经由基于以太网的通信网络发送和接收数据,和/或包括WiFi收发器,以便经由无线通信网络进行通信。通信接口404可以被配置成经由局域网或广域网(例如,互联网、建筑物WAN等)通信,并且可以使用多种通信协议(例如,BACnet、IP、LON等)。
通信接口404可以是网络接口,该网络接口被配置成有利于HVAC控制器402和各种外部系统或装置(例如,水侧系统200、空气侧系统300、建筑物10、天气服务416、公用事业418等)之间的电子数据通信。例如,通信接口404可以从建筑物10接收指示建筑物10的一个或多个测量状态(例如,温度、湿度、电负荷等)的信息。通信接口404也可以从水侧系统200和空气侧系统300接收指示水侧系统200和空气侧系统300的测量或计算状态的信息(例如,传感器值、设备状态信息、开/关状态、功耗、设备可用性等)。通信接口404可以从水侧系统200和空气侧系统300接收输入,并且可以将操作参数(例如,开/关决策、设定点等)提供至水侧系统200和空气侧系统300。操作参数可以致使水侧系统200和空气侧系统300启用、停用或为设备412-414的各种装置调整设定点。
在一些实施例中,HVAC控制器402经由通信接口404接收来自水侧系统200、空气侧系统300和建筑物10的测量值。测量值可以基于从分布在水侧系统200、空气侧系统300和建筑物10中各处的各种传感器(例如,温度传感器、湿度传感器、空气流传感器、电压传感器等)接收的输入。这样的测量值可包括例如热水环路214中加热的流体的供应和回流温度、冷水环路216中激冷的流体的供应和回流温度、建筑物区306的温度、供应空气310的温度、回流空气304的温度、和/或由HVAC控制系统400监测、控制或影响的其它值。在一些实施例中,HVAC控制器402从建筑物10接收指示建筑物10的耗电量的电负荷信息。
在一些实施例中,HVAC控制器402经由通信接口404接收来自水侧系统200和空气侧系统300的可用性信息。可用性信息可以指示设备412-414的当前操作状态(例如,开/关状态、操作设定点等)以及设备412-414用于服务于制热或制冷负荷的可用容量。设备412可包括水侧系统200的可操作设备,例如,子设施202-212的设备(例如,加热元件220、激冷器232、热回收激冷器226、冷却塔238、泵222、224、228、230、234、236、240、热的热能存储箱242、冷的热能存储箱244等),如参照图2所描述的。设备414可包括空气侧系统300的可操作设备(例如,风扇338、挡板316-320、阀346和352、致动器324-328和352-354等),如参照图3所描述的。设备412-414的各个装置可由HVAC控制器402开启或关闭,以调节由每个装置供应的热能负荷。在一些实施例中,设备412-414的各个装置可根据从HVAC控制器402接收的操作设定点以可变的容量操作(例如,在10%容量或60%容量下操作激冷器)。与设备412-414有关的可用性信息可以识别设备412-414的最大操作容量、设备412-414的当前操作容量、和/或用于生成用来供应加热或冷却负荷(例如,热水、冷水、空气流等)的资源的设备412-414的可用(例如,当前未使用的)容量。
仍然参看图4,HVAC控制器402示出为正接收来自天气服务416的天气预报和来自公用事业418的公用事业费率。天气预报和公用事业费率可以经由通信接口404或单独的网络接口接收。天气预报可包括针对建筑物10的地理位置的当前或预测的温度、湿度、压力、和/或其它与天气有关的信息。公用事业费率可以指示在预测窗口中的每个时间步长处由公用事业418提供的每单位资源(例如,电力、天然气、水等)的成本或价格。在一些实施例中,公用事业费率是随时间变化的费率。例如,电力的价格可能在一天中的某些时间或一周中的某些天(例如,在高需求时期期间)较高,并且在一天中的其它时间或一周中的某些天(例如,在低需求时期期间)较低。公用事业费率可以限定多个时间段以及在每个时间段期间的每单位资源的成本。公用事业费率可以是从公用事业418接收的实际费率或预测的公用事业费率。
在一些实施例中,公用事业费率包括由公用事业418提供的一种或多种资源的需量费用。需量费用可以基于在需量费用时期期间特定资源的最大使用量(例如,最大能耗)限定由公用事业418征收的单独的成本。公用事业费率可以限定多个需量费用时期以及与每个需量费用时期相关联的一个或多个需量费用。在一些情况下,需量费用时期可以彼此部分地或完全地重叠,并且/或者与预测窗口部分地或完全地重叠。公用事业418可以由随时间变化的(例如,每小时的)价格、最大服务水平(例如,由物理基础结构或由合同允许的最大消耗速率)和在电力的情况下的在某个时期内的峰值消耗速率的需量费用或费用来限定。
仍然参看图4,处理电路406示出为包括处理器408和存储器410。处理器408可以是通用或专用处理器、专用集成电路(ASIC)、一个或多个现场可编程门阵列(FPGA)、一组处理组件、或其它合适的处理组件。处理器408可以被配置成执行存储在存储器410中或接收自其它计算机可读介质(例如,CDROM、网络存储装置、远程服务器等)的计算机代码或指令。
存储器410可包括一个或多个装置(例如,存储器单元、存储器装置、存储装置等),以用于存储用于完成和/或有利于本公开中描述的各种过程的数据和/或计算机代码。存储器410可包括随机存取存储器(RAM)、只读存储器(ROM)、硬盘驱动器存储、临时存储、非易失性存储器、闪存、光学存储器、或用于存储软件对象和/或计算机指令的任何其它合适的存储器。存储器410可包括数据库组件、目标代码组件、脚本组件、或任何其它类型的信息结构,以用于支持本公开中描述的各种活动和信息结构。存储器410可以经由处理电路406可通信地连接到处理器408,并且可包括用于执行(例如,由处理器408)本文所述一个或多个过程的计算机代码。
仍然参看图4,存储器410示出为包括状态监视器436。状态监视器436可以接收并存储与建筑物10、水侧系统200和/或空气侧系统300有关的状态信息。例如,状态监视器436可以接收并存储关于待加热或冷却的整个建筑物或建筑物空间的数据。在一个示例性实施例中,状态监视器436可包括图形用户接口组件,该图形用户接口组件被配置成将图形用户接口提供给用户,以供用户选择建筑物要求(例如,总体温度参数、为建筑物选择计划表、为不同的建筑物区选择不同的温度水平等)。HVAC控制器402可以确定开/关配置和操作设定点,以满足从状态监视器436接收的建筑物要求。
在一些实施例中,状态监视器436接收、收集、存储和/或发送冷却负荷要求、建筑物温度设定点、占有率数据、天气数据、能量数据、计划表数据、以及其它建筑物参数。在一些实施例中,状态监视器436存储关于能量成本的数据,例如,可得自公用事业418的定价信息(能量费用、需量费用等)。在一些实施例中,状态监视器436存储由水侧系统200和空气侧系统300提供的测量值和可用性信息。状态监视器436可以将存储的状态信息提供至优化模块422,以用于优化系统200-300的性能。
仍然参看图4,存储器410示出为包括性能曲线模块420。性能曲线模块420可以存储性能曲线(也称为效率曲线、设备曲线或子设施曲线),该曲线描述了设备412-414的各种装置的输入和输出之间的关系。例如,激冷器子设施206的性能曲线可以将子设施202的公用事业使用速率(例如,以kW测量的电力使用量、以L/s测量的水使用量等)指示为子设施负荷(例如,冷水产量、供水温度等)的函数。性能曲线可以针对设备412-414的单个装置(例如,单个泵、单个激冷器、单个锅炉等)或设备412-414的一系列装置(例如,激冷器子设施206、加热器子设施202等)进行限定。性能曲线可以将一个装置或一系列装置生产第一资源(例如,热水、激冷水等)的速率限定为所述一个装置或所述一系列装置消耗第二资源(例如,电力、天然气、水等)的速率的函数。性能曲线可以是N维曲线(例如,一维曲线、二维曲线三维曲线、或更高维度的曲线),该曲线将一种或多种输出资源的产量限定为一种或多种输入资源的函数。一般来讲,性能曲线可以限定N个自变量或N个总变量之间的关系。参照图7-10更详细地示出和描述了示例性的性能曲线。
性能曲线可以由装置制造商提供或使用实验数据生成。在一些实施例中,性能曲线基于由装置制造商提供的初始性能曲线并且使用实验数据进行更新。在一些实施例中,性能曲线模块420通过合并组的各个装置的性能曲线而生成一组设备412-414的性能曲线(例如,子设施202-212中的一个的子设施曲线)。一些装置的性能曲线可以指示资源消耗量是负荷的非线性函数。因此,当多个性能曲线合并成整个子设施的性能曲线时,所得到的子设施曲线可以是如图8所示的波状(即,非凸形)曲线。波浪由单个装置在更有效地开启另一个装置以满足子设施负荷之前升负荷造成。
性能曲线模块420可以被配置成将非凸形性能曲线转化为凸形性能曲线。凸形曲线是这样的曲线:其中连接曲线上的任意两点的线始终在曲线的上方或沿着曲线(即,不在曲线的下方)。在由优化模块422执行的优化过程中使用凸形曲线可能是有利的,因为相对于使用非凸函数的优化过程,其能够实现计算费用较低的优化过程。性能曲线模块420可以被配置成将性能曲线分成分段的线性区段,这些区段组合以形成分段定义的凸形曲线。由性能曲线模块420生成的未修改的性能曲线和线性化的性能曲线分别在图8和图9中示出。性能曲线模块420可以将性能曲线提供至优化模块422以用于优化过程。
仍然参看图4,存储器410示出为包括优化模块422。优化模块422可以优化空气侧系统300和水侧系统200的性能。例如,优化模块422可以为设备412-414确定一组最优的控制输出(例如,设备开/关决策和操作设定点),该一组最优的控制输出使由水侧系统200和空气侧系统300消耗以将建筑物10中的条件保持在可接受的限度内的能量的成本最小化。由优化模块422确定的最优控制输出可以优化为了在预定时间期限内操作系统200-300而由系统200-300消耗的资源(例如,电力、天然气、水等)的总货币成本(例如,美元)。优化可以在长的时间期限内进行,并且可以考虑从公用事业418接收的分时计价能量价格和需量费用。
有利地,优化模块422可以使用单个统一的空气侧/水侧优化来优化水侧系统200和空气侧系统300的性能。空气侧和水侧优化的先前方案明确地单独考虑空气侧和水侧优化问题。例如,名称为“高层级中央设施优化”且提交于2015年2月27日的美国专利申请号14/634,609对中央设施的优化使用了级联方案。美国专利申请号14/634,609的全部公开内容以引用方式并入本文中。级联方案首先执行空气侧优化,以预测建筑物的制热和制冷负荷。预测的制热和制冷负荷接着作为固定参数提供至水侧优化,其次执行水侧优化以优化中央设施的性能。
由优化模块422进行的单个统一的空气侧/水侧优化有利地同时解决了空气侧优化问题和水侧优化问题。该优点允许优化模块422基于结合水侧系统200做出的控制决策来确定空气侧系统300的最佳行为,反之亦然。参照图6更详细地描述优化模块422和由优化模块422执行的统一的空气侧/水侧优化。
仍然参看图4,存储器410示出为包括控制输出模块428。控制输出模块428可以存储关于过去的操作状态、过去的操作设定点和指令的历史数据,所述指令用于计算和/或实施水侧系统200和空气侧系统300的控制参数。控制输出模块428也可以接收、存储和/或发送关于设备412-414的各个装置的状况的数据,例如,操作效率、设备退化、上次维修的日期、寿命参数、状态等级、或其它装置特定的数据。控制输出模块428可以经由通信接口404接收来自水侧系统200和空气侧系统300的数据。控制输出模块428也可以接收并存储由优化模块422确定的开/关状态和操作设定点。
来自优化模块422、控制输出模块428或HVAC控制器402的其它模块的数据和处理结果可以由监测和报告应用程序434访问(或推送至该应用程序)。监测和报告应用程序434可以被配置成生成实时“系统健康”仪表板,其可由用户(例如,中央设施工程师)查看和导航。例如,监测和报告应用程序434可包括基于Web的监测应用程序,该监测应用程序具有若干图形用户接口(GUI)元素(例如,小部件、仪表板控件、窗口等),以用于向GUI的用户显示关键性能指标(KPI)或其它信息。此外,GUI元素可以概述不同的建筑物(实际或模拟)、不同的校园等中的整个中央设施中的相对能量使用和强度。其它GUI元素或报告可以基于可用数据生成和示出,该数据允许用户从一个屏幕访问在一个或多个中央设施中的性能。用户接口或报告(或下面的数据引擎)可以被配置成将操作条件按建筑物、建筑物类型、设备类型等聚合和分类。GUI元素可包括图表或柱状图,该图标和柱状图允许用户在视觉上分析中央设施的装置的操作参数和功耗。
仍然参看图4,HVAC控制器402可包括一个或多个GUI服务器、Web服务426或GUI引擎424以支持对应用程序434的监测和报告。在一些实施例中,应用程序434、Web服务426和GUI引擎424可以作为单独的组件在HVAC控制器402的外部提供(例如,作为智能建筑物管理器的一部分)。HVAC控制器402可以被配置成保持相关数据的详细历史数据库(例如,关系数据库、XML数据库等)并且包括计算机代码模块,该模块连续地、经常地或很少地查询、聚合、转化、搜索、或以其它方式处理保持在详细数据库中的数据。HVAC控制器402可以被配置成将任何这种处理的结果提供至其它数据库、表、XML文件、或其它数据结构,以用于由例如外部监测和报告应用程序进一步查询、计算或访问。
HVAC控制器402示出为包括配置工具430。配置工具430可允许用户限定(例如,经由图形用户接口、经由提示驱动的“向导”等)HVAC控制器402应对水侧系统200和/或空气侧系统300中变化的条件做出反应的方式。在一个示例性实施例中,配置工具430允许用户构建并存储条件响应场景,该场景可横跨多个中央设施装置、多个建筑物系统、以及多个企业控制应用程序(例如,工作单管理系统应用程序、实体资源规划应用程序等)。例如,配置工具430可为用户提供使用多种条件逻辑合并(例如,来自子系统、来自事件历史的)数据的能力。在不同的示例性实施例中,条件逻辑可涵盖从条件之间的简单逻辑运算符(例如,AND、OR、XOR等)到伪代码构造或复杂的编程语言函数(允许更复杂的交互、条件语句、循环等)的范围。配置工具430可提供用户接口以用于构建这样的条件逻辑。用户接口可以允许用户以图形方式限定策略和响应。在一些实施例中,用户接口可以允许用户选择预存储的或预构造的策略并调适该策略或使其能够与用户接口的系统一起使用。
现在参看图5,示出了根据一个示例性实施例的示意图500,该示意图500示出由优化模块422解决的优化问题的系统阐述。在该系统阐述中,由公用事业418提供的所有公用事业(例如,电力、天然气、水等)和由水侧系统200生成的水流(例如,热水、冷水等)被视为不同类项的资源。一些资源可按随时间变化的价格购自公用事业418,并且可以按需求量计费。例如,示意图500示出了公用事业418将第一资源510(天然气)、第二资源512(水)、第三资源514(电力)和第K资源516提供至发电机502以换取货币付款($$$)。虽然在示意图500中仅示出几种购买的资源510-516,但应当理解,资源510-516可包括能够从另一个实体接收或购买的任何数量和/或类型的资源。由优化模块422解决的优化问题可以尝试在多种优化约束条件的约束之下最小化在预定的时间期限内提供至公用事业418以换取购买的资源510-516的货币付款的总量。
在示意图500中,各种装置或各组装置标示为发电机502。例如,发电机502示出为包括加热器水泵504、激冷器水泵506、加热器子设施202、激冷器子设施206、热的热能存储装置(TES)242和冷的TES 244。每一个发电机502消耗第一组资源并生产第二组资源。例如,加热器水泵504示出为消耗资源512(水)并生产资源518(热流)。激冷器水泵506示出为消耗资源512(水)并生产资源520(冷流)。加热器子设施202示出为消耗资源510(天然气)和资源512(水)并生产资源522(热水)。热水资源522可以提供至负载508(例如,空气侧系统300或建筑物10)或存储在热的TES 242中以供后续使用。激冷器子设施206示出为消耗资源512(水)和资源514(电力)并生产资源524(冷水)。冷水资源524可以提供至负载508或存储在冷的TES244中以供后续使用。由每一个发电机502生产和消耗的资源之间的关系可以由存储在对应的发电机502的性能曲线模块420中的性能曲线限定。
虽然在示意图500中仅示出几个发电机502,但应当理解,发电机502可包括消耗第一组资源以生产第二组资源的任何系统、装置或一系列装置。例如,发电机502可包括子设施202-212、加热元件220、激冷器232、热回收激冷器226、冷却塔238、风扇338、冷却盘管334、加热盘管336、或水侧系统200或空气侧系统300的任何其它设备中的任一者。优化模块422可以将约束条件施加到优化问题,以确保在预测窗口中的每个时间步长处每种资源的总供给(即,由发电机502生产、从TES 242-244分配和从公用事业418购买的每种资源的量)满足或超出该资源的总需求(即,由发电机502消耗、添加到TES 242-244和递送至负载508的资源的量)。
现在参看图6,示出了根据一个示例性实施例的框图,该图更详细地示出优化模块422。优化模块422示出为接收若干数据输入,包括来自天气服务416的天气预报、来自公用事业418的公用事业费率、来自性能曲线模块420的性能曲线、来自状态监视器436或建筑物10的建筑物状况、以及来自水侧系统200和空气侧系统300的设备状态。优化模块422可以使用数据输入来表述优化问题并解决该优化问题,以确定水侧系统200和空气侧系统300的一组最优控制输出。
优化问题可包括目标函数(例如,待最小化的成本函数)、对优化过程的约束条件(例如,建筑物10的可接受的温度范围、装置容量等)、待优化的变量(例如,设备开/关状态、操作设定点等)、和/或在目标函数中使用的参数的系统阐述。所有这些组件都可以由优化模块422使用以解决优化问题,并且在下文中更详细地描述。
优化模块422可以使用线性优化程序(例如,混合整数线性规划、基交换、内点等)来解决优化问题,以确定设备412-414的最佳操作状态(例如,开/关决策、设定点等)。最佳操作状态可以在优化约束条件下最小化在预定时间段内操作设备412-414的成本。有利地,由优化模块422执行的线性优化过程使用单个统一的优化过程为水侧系统200和空气侧系统300两者同时生成最佳控制决策。在一些实施例中,优化模块422修改线性优化过程的结果以考虑线性化的性能曲线中的误差并确定各种设备组内的各个装置的设定点。优化模块422可以使用最佳控制决策来为设备412-414生成并分发控制信号。
仍然参看图6,优化模块422示出为包括优化框架模块602。优化框架模块602可以被配置成选择和/或建立优化框架,以用于计算确定最佳控制决策。在一些实施例中,优化框架模块602将线性规划作为优化框架使用。例如,优化框架模块602可以将目标函数限定为决策变量(例如,设备开/关状态、操作设定点等)和参数的线性组合。
在一些实施例中,目标函数为预测成本模型,该预测成本模型限定在预定优化周期内操作水侧系统200和空气侧系统300的总货币成本。例如,优化框架模块602可以限定目标函数,该目标函数可以表示为如下简化形式:
其中,为在优化周期的持续时间内的资源k的总购买成本,并且K为包括从公用事业418购买的所有资源的集合。变量可以是由优化模块422控制的各种决策变量(下文更详细地描述)的线性函数。优化模块422可以通过为决策变量选择最佳值来使变量最小化。
以上提供的简化预测模型可以通过优化框架模块602修改,以考虑除了购买的资源的货币成本之外的成本。这样的非购买成本可包括例如积压资源、切换发电机的操作状态(例如,开/关)、对热能存储装置充注或排放、和/或未能将建筑物10中的条件保持在可接受的边界内。例如,修改的预测模型可以表达为:
其中,为显性资源成本,并且术语vkskT表示对应于在优化周期结束时存储的资源的半显性利润。修改的预测模型示出为包括:术语βkbkt,该术语表示在优化周期中的每个时间步长t处针对每种积压的资源k而强加的成本;术语该术语表示在优化周期中的每个时间步长t期间针对对来自组i的发电机在开启和关闭状态之间进行切换而强加的成本;以及术语该术语表示在优化周期中的每个时间步长t期间针对未能将建筑物区l内的温度保持在可接受的边界内而强加的成本。参照模块604-610更详细地描述预测模型的这些和其它变量和参数。预测模型也可包括一组优化约束条件,该组优化约束条件可以由下文更详细地描述的约束模块610表述并施加。
有利地,本文所述线性规划框架允许优化模块422以非常短的时帧确定长的优化周期的最佳控制动作连同负荷变化罚值、需量费用和多维性能曲线。然而,线性优化框架仅仅是可由优化模块422使用的优化框架的一个示例,并且不应认为是限制性的。在各种其它实施例中,优化模块422可以使用多种优化框架和/或优化技术(例如,二次规划、线性分式规划、非线性规划、组合算法等)来确定最佳控制动作。
以下段落描述了根据本发明的一个示例性实施例的由优化模块422使用的预测模型的各种特征。在此描述中,使用黑体罗马字符来表示集合。实数和整数的集合分别表示为R和Z。指标集(indexing sets)如参照集合模块604所描述那样进行定义。在预测模型中使用的决策变量由小写的罗马字符表示,并且如参照决策变量模块606所描述那样进行定义。模型的参数由小写的希腊字符表示,但有两处例外:决策变量的显式边界用对应的大写字母表示,并且动态决策变量的初始状态由带有下标0的决策变量表示。参照参数模块608更详细地描述预测模型的参数。
仍然参看图6,优化模块422示出为包括集合模块604。集合模块604可以被配置成存储并管理在预测模型中使用的数据集。下表1中提供了可以在预测模型中使用的指标集的列表:
在时间的指标集中,具有持续时间Δ(例如,小时、分、秒等)的时间段t∈T可以在(t-1)Δ至tΔ的范围内。例如,第一时间段可以从t=0持续至t=Δ。第二时间段可以从t=Δ持续至t=2Δ,依此类推。动态约束条件(即,离散的微分方程式)可以导致T之外的指标被定义为参数。例如,x0可以被定义为参数,使得表达式xt-1对于t=1仍然有效。
需量费用窗口可以用来对多个需量费用建模。例如,公用事业418可以为第一时间段(例如,日间、高峰期等)估算第一需量费用以及为第二时间段(例如,夜间、非高峰期等)估算第二需量费用。在该示例中,指标集W可以被定义为W={1,2},其中w=1对应于第一需量费用时期,并且w=2对应于第二需量费用时期。
下表2中提供了可以在预测模型中使用的定义集合的列表:
如表2中所用,术语“设备组”是指一系列发电机(例如,发电机502的子集),其被建模为以特定次序开启并且被认为对于切换约束条件来说是相同的。对于每个设备组i来说,对应的设备指标j∈J可以被排序,使得一台设备j只能在所有其它台设备j′>j也已开启时开启,其中j′∈Ji。该特征可以消除由优化模型中相同的设备产生的对称性。然而,应当指出,该约束条件仅仅是建模约束条件,其旨在使优化问题更容易且不限制物理设备的操作。设备组内的物理设备可以以任何次序开启/关闭,该次序对于负荷平衡或其它操作来说可能是理想。
插值点和插值区域的集合与各种发电机502的性能曲线有关。如上所述,发电机的性能曲线可以是非线性的,但是被建模为分段线性的,以有利于线性规划。将发电机j的性能曲线线性化可包括挑选在非线性曲线上的Nj插值点和这些点的Mj子集。为了指定操作点,可以选择区域m∈Mj,以选取在它们之间进行插值的操作点。然后,可以将适当的权重分配到每个操作点。为了有利于操作点的选择和加权,可以定义如在表2中规定的各种辅助集。
仍然参看图6,优化模块422示出为包括决策变量模块606。决策变量模块606可以被配置成存储并管理在预测模型中使用的变量。下表3中提供了可以在预测模型中使用的变量的列表:
在一些实施例中,唯一的自由决策变量是发电机的二进制开/关状态ujt、在效率曲线上的点的权重zijt、以及供应至库存或从库存取出的每种资源的量ykt。一旦这些变量已被指定,等式约束条件就可以确定所有其它变量的值。在其它实施例中,开启或关闭的发电机的数目可以被选择为自由变量来代替ujt。选择和作为自由变量指定了每个发电机应开启或关闭的时间,而不是指定该发电机开启或关闭的所有时间步长。库存供应/取出ykt可以被视为自由变量以考虑未满足的负荷。然而,与未满足的负荷相关联的成本可被设定得足够高,使得当需求超出最大发电机容量和库存取出率时库存优化模块422将仅选择包括未满足负荷的解。变量zijt可以是SOS2类特殊有序集变量。例如,变量zijt中的两个的最大值可以是非零的。如果zijt中的两个为非零的,则非零值可以是列表中的相邻成员。有利地,zijt使用SOS2变量可以有利于非线性函数的分段线性逼近。
仍然参看图6,优化模块422示出为包括参数模块608。参数模块608可以被配置成存储并管理在预测模型中使用的参数。下表4中提供了可以在预测模型中使用的参数的列表:
参数和可以被包括,使得可以在特定的时间防止特定的发电机动作(例如,以防止由于在优化周期开始之前发生的切换事件而在优化周期内的较早时间步长处开启/关闭发电机)。例如,如果类型j*的发电机在优化周期开始之前的某个时间t*<1被开启,则这样的发电机可以保持开启至少到时间这可以通过设定来实现。
存储在参数模块608中的一些参数可具有在T的范围之外的下标,以便有利于各种决策变量和参数的初始条件。例如,参数模块608可以存储参数uj0(即,动态切换罚值的初始条件)和sk0(即,热能存储动态的初始条件)。下表5中提供了可以在预测模型中使用的边界和初始条件的列表:
仍然参看图6,优化模块422示出为包括约束模块610。约束模块610可以被配置成存储并管理在预测模型中使用的各种约束。在一些实施例中,约束模块610存储决策变量模块606中的决策变量的显式边界。例如,下表6中提供了决策变量的显式边界的列表:
变量skT的边界(即,在优化周期结束处可存储的资源k的量)可以实现周期或近周期解的实施。例如,如果则系统可以被约束为以相同量的存储资源开始和结束优化周期。备选地,如果且(回想sk0≤0)),则在优化周期结束处存储的资源的量可以被约束至在优化周期的开始处存储的资源的量的25%内。这些约束条件可以用来确保优化模块422不会在有限的优化周期期间用完所有可用库存。
约束模块610可以表述预测模型并将函数约束条件强加于预测模型。许多变量可以由函数约束条件显式界定,该约束条件补充表6中提供的显式约束条件。例如,约束模块610可以强加以下约束条件:
该约束条件获得从公用事业418购买每种资源k的成本。项ρktpktΔ表示在优化周期中的时间步长t处购买资源k的增量成本。项表示在需量费用时期w期间与资源k的最大购买费率相关联的需量费用。
约束模块610可以强加以下约束条件:
该约束条件确保变量对应于在适用的需量费用时期w期间的最高资源购买费率。如果时间t落在资源k的需量费用时期w内,则参数κktw∈{0,1}可以限定为1,否则为0。以这种方式限定κktw确保变量在适用的需量费用时期w内仅受时间步长t影响。参数ψkt表示在时间步长t处对资源k的辅助需求(例如,建筑物的电力消耗等)并且被计入需量费用中。
约束模块610可以强加以下约束条件:
该约束条件要求在每个时间步长t处每种资源k的资源总产量满足对每种资源k的需求。资源需求被定义为在每个时间步长t处进入区l的每种资源k的流量glkt和需求φkt之和。总和glkt是为了控制各个区l中的温度而特别产生的需求。有利地,优化模块422可以最佳地确定总和glkt(例如,基于区温度约束条件和用于建筑物区的温度模型)而不是把glkt当作固定的参数。参照区温度模块612更详细地描述区温度模型。
资源产量被定义为在时间步长t处由发电机502生产的每种资源的量qjkt、从库存分配的每种资源的量ykt、从公用事业418购买的每种资源的量pkt和积压的每种资源的量hkt之和。变量hkt可以表示未满足的需求,并且可以用作针对未能满足需求的松弛变量。该方法确保优化问题始终存在可行解,即使需求过高。在一些实施例中,该约束条件可以不是约束性的,以便考虑到过量的供应(例如,如果产生过量的供应将妨碍对关闭发电机的需求)。在其它实施例中,该约束条件可以是约束性的,以防止过量供应和/或过量生产。
约束模块610可以强加以下约束条件:
该约束条件造成优化模块422挑选沿着每个发电机j的性能曲线的单个操作区域。变量vjmt指示发电机j在时间步长t处正在子域m中操作。变量ujt为二进制开/关变量(即,ujt∈{0,1}),其指示在时间步长t处的发电机j的状态。通过选取操作区域,根据下式,限定该操作区域的操作点的权重允许为非零:
其中,变量zjnt限定在时间步长t处沿着发电机j的性能曲线的点n的权重。因此,下式确保选择了有效的权重(例如,如果设备开启,则所有权重之和为1;或者如果设备关闭,则权重之和为0):
在一些实施例中,约束模块610强加以下约束条件:
该约束条件通过将权重zjnt乘以参数ζjknt中的权重来计算合适的资源产量qjkt。类似地,约束模块610可以强加以下约束条件:
该约束条件计算负荷比rjt(例如,在0和1之间的数,假定当前负荷为最大负荷的一部分),以打破由相同的发电机产生的模型对称性。模型对称性可能使优化模块422对除了在相同的发电机之间负荷的排列之外均相同的优化问题产生重复解。消除模型对称性使优化模块422可以更快速地求解优化问题,并且没有重复解。
约束模块610可以强加以下约束条件:
该约束条件确定设备组i中的发电机j在时间步长t期间是否已开启或关闭。发电机在给定的时间步长t处的状态ujt可以被定义为发电机在前一时间步长t-1处的状态,并且在发电机已开启或关闭时适当地调整。
在一些实施例中,约束模块610强加以下约束条件:
该约束条件规定设备组i内的发电机j必须按指标j的递增次序操作。例如,如果J1={1,3,4},则此前的约束条件可能要求r3t≤r1t和r4t≤r3t,这确保发电机3在发电机1的水平下或更低的水平操作,并且发电机4在发电机3的水平下或更低的水平操作。在一些实施例中,分配给设备组中的各个发电机的指标值可以随时间推移而调整(例如,改变将哪台发电机标示为发电机1、发电机3和发电机4),以均衡在每台发电机的寿命期内的耗损。备选地,此前的公式可以替换为切换约束条件,该约束条件规定在每组中应开启的发电机的总数,而不是指定每台发电机是否应独立地开启。
约束模块610可以强加以下约束条件:
该约束条件确保一旦设备组i中的发电机j已被开启/关闭,该发电机j至少在由参数和指定的时间段保持相同的开/关状态。例如,如果发电机j在此前的δ+-1个时间步长中的任一个期间被开启,那么此前的约束条件可能要求优化模块422将该发电机j保持在开启状态。同样,如果发电机j在此前的δ--1个时间步长中的任一个期间被关闭,则发电机j可能被保持在关闭状态。在一些实施例中,这些约束条件分别对于δ+≤1或δ-≤1不是约束性的。在一些实施例中,这些约束条件可以强加于每个组中的多个发电机,而不是单个发电机。例如,对于由发电机1和2组成的组来说,如果发电机1在时间步长t处开启,那么发电机1和2中的至少一个可以在接下来的δ+个时间步长中保持开启。
约束模块610可以强加限定预测模型的动态的各种约束条件。例如,约束模块610可以强加以下约束条件:
该约束条件将在每个时间步长t存储的每种资源k的量中的变化skt考虑为从库存取出或添加到库存的资源的量ykt和每单位时间Δ存储的资源的分数损失σk的函数。该定义允许将变量skt的初始条件提供为参数sk0,而不是将第一决策变量s1约束为限定的值。可以包括变量sk(t-1)上的系数σk以模拟存储的能量的耗散。如果热能存储装置被完全绝缘,系数σk将具有1的值。如果热能存储装置没有被完全绝缘,热能的耗散可被考虑为使用系数σk<1。约束模块610可以强加类似的约束条件:
该约束条件将在时间步长t处的资源k的积压量bkt考虑为每单位时间Δ的积压量的变化速率hkt和在前一时间步长t-1处的积压量bk(t-1)的函数。
在一些实施例中,约束模块610强加以下约束条件:
该约束条件模拟每个建筑物区l的温度演变。变量flt表示在时间步长t处的建筑物区l的温度。每个建筑物区l的温度flt被模拟为进入建筑物区l的每种资源k的流量glkt、进入另一个建筑物区l′的每种资源的流量ωkll′、其它建筑物区l′的温度λll′、以及外部环境的影响θlt的函数。有利地,该约束条件允许空气侧优化问题和水侧优化问题合并成由优化模块422执行的单个一体化的优化过程。参照区温度模块612更详细地描述区温度模型。
约束模块610可以强加以下约束条件:
该约束条件充当对区温度flt的软温度约束条件。参数和分别为在时间步长t处建筑物区l的温度flt的上边界和下边界。只要区温度在边界内,和的值就可以为零。然而,如果区温度在边界之外,和可以表示区温度flt超出上边界或小于下边界的量。
仍然参看图6,优化模块422示出为包括区温度模块612。区温度模块612可以存储建筑物10的一个或多个建筑物区l的温度模型。温度模型可以将一个或多个建筑物区的温度建模为进入区内的热能资源(例如,加热的空气、激冷的空气等)的流量、区的各种性质(例如,质量、热容量等)、相邻区的温度、以及外部环境的函数。有利地,温度模型可以用作由优化模块422执行的优化过程中的约束条件,从而将空气侧优化问题和水侧优化问题一体化。这样的一体化允许对每种热能资源gklt的需求与优化问题中的其它变量一起被优化,而不是独立地估计对每种资源的需求并将估计的需求看作水侧优化中的常数。
可以通过考虑单个区内的温度的演变来开发区温度模型。在不将任何热能资源提供至该区的情况下,区的温度轨迹仅是该区与外部环境的相互作用的函数。例如,可以使用下式来描述在不受控条件下区的温度轨迹:
其中,T为区的温度(例如,区内的平均温度),T°为外部环境的温度,k为时间常数,mC为区的质量与其热容量的乘积,并且Q°为来自外部环境的直接热传递(例如,来自太阳的辐射、来自区之外的对流等)。
为了控制区温度,HVAC控制器402可以操作水侧系统200和空气侧系统300以将热能资源提供至建筑物区。下式描述了在受控条件下区的温度轨迹:
其中,新项Q表示通过空气侧系统300强制进入或离开区的热传递。可能有利的是将区的温度保持在预定的温度范围内(例如,Tlo≤T(t)≤Tup)。参数Tlo和Tup可以是随时间变化的,以限定在不同时间的不同的温度范围。HVAC控制器402可以操作水侧系统200和空气侧系统300以在所有时间t保持Tlo≤T(t)≤Tup。
在此前的系统中,负荷分布Q(t)被估计并且作为水侧优化问题的固定输入提供。假设存在生成负荷分布Q(t)的过程,参照模块602-610描述的预测模型可以用来在最低成本下满足负荷分布Q(t)(例如,根据公用事业价格预测)。用来满足负荷分布Q(t)的预测模型可以被称为设备调度模型。在此前的系统中,挑选负荷分布Q(t)的过程使用负荷预测模型独立地进行。然而,由于存在一系列可接受的区温度(例如,Tlo≤T(t)≤Tup),存在可由负荷预测模型生成的多个有效的负荷分布Q(t)。如果负荷预测模型和设备调度模型是独立的,则不能确保所选的Q(t)会导致最低的总成本。
有利地,优化模块422将负荷预测模型与设备调度模型结合以生成单个一体化的模型,该模型用于结合的空气侧和水侧优化。例如,以上提供的温度模型可如下式所示:
通过将零阶保持器置于Q、Q°和T°上并且在时间步长Δt内积分而被离散化。重排模型的结果是:
其中参数λ、θ(t)和ω被适当地定义。
为了符合现有的设备调度模型的记法,变量ft可用来表示在时间步长t的结束处的区的温度,并且变量gkt可用来表示在时间步长t处进入建筑物区的资源k(例如,热水、冷水等)的流量。然后可将以下约束条件和可变边界添加到设备调度模型:
0≤gkt≤Gk
需求满足约束条件也可以被修改,以考虑到新负荷gkt,如下式所示:
该约束条件为单个温度区提供约束条件。
在一些实施例中,对区温度变量ft的刚性约束条件可以使模型变得不可行。通过允许和/或并在目标函数中对这样的条件进行惩罚,可以放宽对ft的约束条件。区温度ft可被看作自由变量(例如,ft∈R,且没有显式边界),并且可以添加以下约束条件:
其中,且目标函数可通过添加以下项来修改:
其中,和为惩罚系数。惩罚系数和可以是随时间变化的,和/或足够大,使得温度极限和尽可能被满足。
在一些实施例中,区温度模块612存储区温度模型,该模型考虑多个建筑物区。区可具有不同的温度,并且可以彼此交换热量。在建筑物区之间的相互作用导致以下能量平衡:
其中,指标l∈L表示不同的区。该能量平衡可以以矩阵形式表达如下:
其中,矩阵K被定义为使得Kll'=kll'-δll'(kl+∑l∈Lkll'),矩阵M为对角矩阵,其第l个元素为mlCl,并且为列向量,其第l个元素为kl。向量和可各自具有l个元素。δll'在l=l′时可具有一(1)的值,否则具有零(0)的值。
多区温度模型可被离散化如下:
对于其中矩阵K为不可逆(例如,K=0)的情况来说,可以使用以下多区温度模型:
备选地,可以使用以下分块公式计算
在该形式中,模型变为:
其中λll'得自eKΔt,ωkll'得自并且θlt得自项ωkll'的k指标可以将前因子+1、-1或0添加到的(l,l′)元素,其中+1用于增加温度的资源(例如,热水),-1用于降低温度的资源(例如,冷水),并且0用于不影响温度的资源(例如,电力)。
在一些实施例中,区温度模块612使用温度模型,该模型考虑建筑物区内不同类型的质量。例如,温度模型可以独立地考虑区内的固态物体和区内的空气的质量。对于单个区来说,这导致以下扩展的能量平衡,该平衡包括空气温度Tair和固体温度Tsol:
其中,为在区内的空气和固态物体之间的热传递系数,并且为从环境进入固体的直接热传递。传导项-k(Tsol-To)被包括在固体温度演变公式中以表示发生在外部环境和建筑物区的固体壁之间的热传递。空气和固体两者都具有直接热传递项(即,分别为Qo和),而来自空气处理器的热流Q仅出现在空气公式中。
上述公式可以以向量形式表达如下:
多区温度模型也可以通过指定特定的参数值而将每个区建模为多个子区。例如,可以为表示固体的任何区l指定参数Gkl=0。也可以为表示固体的任何区l指定参数和以确保对于固体来说温度违背不被惩罚。每个区可包括任意数目的相联的子区,因为总模型仍为相互作用的一阶区的系统。不同类型的区(例如,空气区、固体区、包含在其它区内的区、与其它区交界的区等)可以通过描述每个区的参数来限定和区分。
仍然参看图6,优化模块422示出为包括线性优化模块614。线性优化模块614可以在由模块610-612强加的优化约束条件下使用多种线性优化技术中的任一种来解决由优化框架模块602表述的优化问题。在一个示例性实施例中,线性优化模块614使用混合整数线性规划。在各种其它实施例中,线性优化模块614可以使用基交换算法(例如,单纯形、十字形等)、内点算法(例如,椭球、投影、路径跟踪等)、包盖算法、整数规划算法(例如,割平面(cutting-plant)、分枝定界、分枝剪枝、分支价格等)、或任何其它类型的线性规划算法或技术以解决在优化约束条件下的优化问题。
线性优化模块614可以在优化周期中的每个时间步长处确定参照决策变量模块606描述的决策变量的最佳值。由线性优化模块614优化的变量可包括例如从公用事业418购买的每种资源的量、发电机502对每种资源的净生产率、从库存取出或供应至库存的每种资源的量、每种资源的净库存、积压的每种资源的量、每种资源的积压量的变化速率、和/或与资源消耗量、资源产量、资源库存或资源购买有关的其它变量。线性优化模块614也可以优化建筑物区的温度和进入建筑物区的每种资源的流量。线性优化模块614可以确定发电机502中的每一个的最佳二进制开/关状态、在每个时间步长期间开启/关闭的发电机502的数量、以及发电机502中的每一个的负荷比或操作设定点。线性优化模块614可以为每个发电机502沿着性能曲线选择操作区域,并且使用所选的操作区域来确定发电机502的开/关状态和负荷比。
线性优化模块614可以确定使目标函数最小化的决策变量的值:
其中,为从公用事业418购买资源的成本,并且项vkskT表示对应于在优化周期结束时存储的资源的半显性利润。目标函数可包括:项βkbkt,其表示在优化周期中的每个时间步长t处针对每种积压的资源k而强加的成本;项其表示在优化周期中的每个时间步长t期间针对对来自组i的发电机在开启和关闭状态之间切换而强加的成本;以及项其表示在优化周期中的每个时间步长t期间针对未能将建筑物区l内的温度保持在可接受的边界内而强加的成本。线性优化模块614可以优化在参照约束模块610所述的优化约束条件下的目标函数。
仍然参看图6,优化模块422示出为包括非线性优化模块616。在一些实施例中,非线性优化模块616用来调整在由线性优化模块614执行的线性优化中的误差(例如,由于非线性性能曲线的线性化导致的误差)。非线性优化模块616可以从线性优化模块614接收设备开/关状态和负荷比。非线性优化模块616也可以接收由线性优化模块614确定的资源生产速率和温度。非线性优化模块616可以细化设备开/关状态、负荷比、资源生产速率和/或温度,以便优化在优化周期中的每个时间步长处的瞬时资源消耗速率。
在一些实施例中,非线性优化模块616使用二进制优化和二次补偿来细化设备开/关和操作设定点。二进制优化可以使表示设备组或子设施的资源消耗量的成本函数最小化,以产生给定的负荷。在一些实施例中,使用不完全的(即,未考虑装置的所有潜在组合)二进制优化。二次补偿可以用于其资源消耗量为二次的(或者说是非线性的)设备。非线性优化模块616也可以使用非线性优化确定设备的最佳操作设定点。非线性优化可以识别使目标函数进一步最小化的操作设定点。在一些实施例中,由非线性优化模块616执行的非线性优化与在2015年2月27日提交的标题为“Low Level CentralPlant Optimization”的美国专利申请号14/634,615中描述的低层次优化过程相同或类似。美国专利申请号14/634,615的全部公开内容以引用方式并入本文中。
在一些实施例中,非线性优化模块616基于发电机502的容量来调整设备开/关决策和操作设定点并且满足能量和质量平衡。非线性优化模块616可以在不考虑系统动力学的情况下执行非线性优化。优化过程可以足够慢,以安全地假设设备控制已达到其稳定状态。因此,非线性优化模块616可以在某一时间而不是在长的期限内确定最佳控制决策。非线性优化模块616可以将开/关决策和设定点提供至水侧系统200和空气侧系统300以用于控制设备412-414。
再次参看图4,优化模块422示出为包括操作组分解模块438。操作组分解模块438可以将操作点分配到设备组内的各个装置,以便满足必须由设备组满足的总负荷。一旦确定开/关状态和必须由发电机502中的每一个满足的总负荷,分配各个操作点的任务就可以是独立的子问题。例如,如果存在必须满足某个总负荷Q的两个开启的激冷器,则激冷器可以被设定为分别在单独的负荷q1和q2下操作,使得q1+q2=Q。没有其它约束条件依赖于该选择,因此它可以被独立地处理。在一些实施例中,操作组分解模块438将该问题作为离线参数问题求解,并且将解直接插入预测模型中。
在一些实施例中,操作组分解模块438修改优化问题以将集合Ji限定为“操作模式”的集合,而不是各个发电机的集合。集合Ji可包括针对设备组中的每个装置的一种操作模式。例如,如果设备组i包括三个激冷器,则Ji可以被限定为Ji={1on,2on,3on},以指示激冷器中的每一个都是开启的。操作组分解模块438可以合并设备组中的装置中的每一个的性能曲线,以生成表示设备组的总资源消耗量/产量的性能曲线。如果各个设备性能曲线是相同的凸函数,那么设备组中的所有发电机的最佳配置是在相同的负荷下操作。在每个时间步长处,操作组分解模块438可以为每组发电机选择操作模式。利用此修改,设备负荷比约束条件(即,rjt≥rj*t)可以被替换为以下约束条件:
在一些实施例中,操作组分解模块438修改切换约束条件。例如,操作组分解模块438可以将新参数Uj限定为当所述组以模式j操作时操作组i中开启的装置的数目。操作组分解模块438也可以将参数限定为在操作组i中的装置的最大数目。这些参数可以被添加到由约束模块610强加的约束条件,如下所示:
由于ujt为用于指示在时间t处正使用的操作模式j的二进制变量,乘积Ujujt给出在时间t处正使用的发电机的数目,这是约束条件初始表述的方式。
现在参看图7A-B,示出了根据一个示例性实施例的两个性能曲线700和710。性能曲线700和710可以由性能曲线模块420生成和/或存储,如参照图4所述。性能曲线700和710将装置或一组装置(例如,子设施202-210中的一个)的资源使用量限定为负荷的函数。每个性能曲线可以是针对特定设备组i或发电机j和由设备组或发电机使用的特定类型的资源的。例如,性能曲线700可以将激冷器子设施206的电力使用量702限定为激冷器子设施206上的负荷704的函数,而性能曲线710可以将激冷器子设施206的水使用量706限定为激冷器子设施206上的负荷704的函数。每个设备组和/或发电机可具有一个或多个性能曲线(例如,所消耗的每种类型的资源各一个)。
在一些实施例中,性能曲线模块420通过将各个装置的设备模型合并为设备组的总曲线来生成性能曲线700和710。在其它实施例中,操作组分解模块438通过针对若干不同的负荷值运行操作组分解过程以生成多个数据点而生成性能曲线700和710。操作组分解模块438可以将曲线拟合到数据点以生成性能曲线。在一些实施例中,性能曲线700和710接收自装置制造商或以其它方式从外部数据源获得。
现在参看图8,示出了根据一个示例性实施例的另一个性能曲线800。性能曲线800将激冷器子设施206的电力使用量限定为激冷器子设施206的冷水产量的函数。类似于性能曲线800的其它性能曲线可以限定其它设备组的资源消耗和生产速率。在一些实施例中,通过合并激冷器子设施206的各个装置(例如,各个激冷器、泵等)的性能曲线来生成性能曲线800。例如,子设施206中的每个激冷器可具有装置特定的性能曲线,该曲线将由激冷器使用的电力的量限定为激冷器上的负荷的函数。许多装置在较高负荷下较低效地操作,并且具有为负荷的非线性函数的装置特定的性能曲线。因此,合并多个装置特定的性能曲线以形成性能曲线800可以导致具有一个或多个波浪802的非凸形性能曲线800,如图8所示。波浪802可由离散的切换事件造成,例如,在更高效地开启另一个装置以满足子设施负荷之前单个装置的升负荷。
现在参看图9,示出了根据一个示例性实施例的线性化的性能曲线900。性能曲线900将激冷器子设施206的电力使用量限定为激冷器子设施206的冷水产量的函数。类似于性能曲线900的其它性能曲线可以限定其它设备组的资源消耗和生产速率。性能曲线900可以通过将子设施曲线800转化为线性化的凸形曲线而生成。凸形曲线是这样的曲线:其中连接曲线上的任意两点的线始终在曲线的上方或沿着曲线(即,不在曲线的下方)。在优化问题中使用凸形曲线可能是有利的,因为相对于使用非凸函数的优化过程,其能够实现计算费用较低的优化过程。
在一些实施例中,性能曲线900由性能曲线模块420生成,如参照图4所述。通过生成逼近性能曲线600的多个线性区段(即,区段902、904和906)并将线性区段合并成分段限定的线性化凸形曲线900,可以形成性能曲线900。线性化的性能曲线900示出为包括:第一线性区段902,其将点[u1,Q1]连接到点[u2,Q2];第二线性区段904,其将点[u2,Q2]连接到点[u3,Q3];以及第三线性区段906,其将点[u3,Q3]连接到点[u4,Q4]。线区段902-906的端点可以用来形成约束条件,该约束条件要求优化模块422选择特定的操作区域(例如,线区段902-902中的一个)以用于优化过程中。
现在参看图10,示出了根据一个示例性实施例的多维性能曲线1000。性能曲线1000可以作为四维空间中的二维表面存在,图10中示出了其中的三个维度。性能曲线1000可以限定在两个或更多个独立控制的决策变量和一个或多个因变量之间的关系。例如,性能曲线1000将激冷器(例如,激冷器232中的一个)的电力使用量W限定为激冷器上的负荷Q和激冷器供水温度TCHWS的函数。性能曲线1000也可以将激冷器(未示出)的耗水量限定为激冷器上的负荷Q和激冷器供水温度TCHWS的函数。类似于性能曲线1000的其它性能曲线可以限定其它和/或设备组的资源消耗和生产速率。
性能曲线1000示出为由在操作区域1002的顶点处的操作点1004限定的一系列三角形操作区域1002。虽然仅标出操作区域中的几个,但应当理解,每个三角形都表示操作区域,并且三角形的每个顶点都表示操作点。操作点1004可以用来形成约束条件,该约束条件要求优化模块422选择特定的操作区域1002以用于优化过程中。
现在参看图11,示出了根据一个示例性实施例的用于优化和控制包括水侧系统和空气侧系统两者的HVAC系统的过程1100的流程图。在一些实施例中,过程1100由HVAC控制系统(例如,HVAC控制系统400)执行以优化水侧系统(例如,水侧系统120、水侧系统200)和空气侧系统(例如,空气侧系统130、空气侧系统300)两者的性能。有利地,过程1100使用一体化的空气侧/水侧优化来同时确定空气侧系统和水侧系统两者的控制输出。
过程1100示出为包括执行一体化的空气侧/水侧优化过程以同时确定水侧系统和空气侧系统两者的控制输出(步骤1102)。在一些实施例中,步骤1102由优化模块422执行,如参照图4-6所述。步骤1102可包括优化预测成本模型,该模型在一组优化约束条件下预测由水侧系统消耗的一种或多种资源的成本。优化过程可以使用线性规划来最小化在限定的优化周期内操作水侧系统和空气侧系统两者的总成本。在一些实施例中,优化过程为水侧HVAC设备和空气侧HVAC设备两者确定开/关状态和操作设定点。优化过程还可确定在优化周期内的每个时间步长处由水侧系统消耗、生产、存储和/或递送至建筑物的每种资源的量。
有利地,优化约束条件可包括建筑物的温度演化模型。温度演化模型可以将建筑物的温度作为由水侧系统提供至建筑物的一种或多种热能资源的函数进行预测。优化约束条件还可包括建筑物的温度约束条件。一体化的空气侧/水侧优化过程可用来同时确定建筑物满足温度约束条件所需的热能资源的量和用于让水侧系统为建筑物生产所需量的热能资源的控制输出这两者。优化过程也可以确定为了允许水侧系统为建筑物生产所需量的热能资源而必须从公用事业提供者购买的资源的量。参照图12更详细地描述步骤1102。
仍然参看图11,过程1100示出为包括:将控制输出提供至水侧系统和空气侧系统(步骤1104);在水侧系统处使用控制输出来控制水侧HVAC设备(步骤1106);以及消耗来自公用事业提供者的一种或多种资源来在水侧系统处生成加热或激冷的流体(步骤1108)。控制输出可包括例如设备开/关状态、设备设定点、由设备消耗或生产的每种资源的量、资源生产或消耗速率、或可用来控制HVAC设备的任何其它参数。使用控制输出来控制HVAC设备可包括根据控制输出操作HVAC设备(例如,在限定的负荷下操作装置、操作装置以生产限定量的热能资源、开启/关闭装置、实现HVAC装置的设定点等)。
在各种实施例中,步骤1108可以由水侧系统120和/或水侧系统200执行。步骤1108可包括从公用事业提供者接收诸如天然气、水、电力等的资源。资源可以用作水侧系统的HVAC设备(即,水侧HVAC设备,例如激冷器、泵、加热器、热回收激冷器等)的输入并且由水侧HVAC设备使用以生产加热或激冷的流体。例如,水侧系统的激冷器可以消耗水和电力以生产激冷水。水侧系统的加热器可以消耗水和天然气以生产加热的水。在一些实施例中,加热或激冷的流体中的一些存储在热能存储装置中以供后续使用。水侧系统将加热或激冷的流体提供至空气侧系统。
过程1100示出为包括:在空气侧系统处使用控制输出来控制空气侧HVAC设备(步骤1110);以及在空气侧系统处使用加热或激冷的流体来加热或冷却提供至建筑物的供应空气流(步骤1112)。在各种实施例中,步骤1112可以由空气侧系统130和/或空气侧系统300执行。步骤1112可包括从水侧系统接收加热或激冷的流体并且将流体传递通过暴露于供应空气流的加热盘管或冷却盘管,如参照图3所述。供应空气流可以经由空气分配系统提供至建筑物,以加热或冷却建筑物。
在一些实施例中,过程1100迭代地执行。例如,步骤1106和1110可以分别与步骤1108和1112至少部分地重叠。在步骤1108中,可以根据在过程1100的前一迭代中确定的控制输出来控制水侧HVAC设备。类似地,可以在步骤1112中根据在过程1100的前一迭代中确定的控制输出来控制空气侧HVAC设备。对于过程1100的每个迭代来说,用于在过程1100的下一迭代中使用的控制输出可以被确定并提供至空气侧系统和水侧系统。
现在参看图12,示出了根据一个示例性实施例的用于执行一体化的空气侧/水侧优化的过程1200的流程图。过程1200可以用来实现过程1100的步骤1102,并且可以由优化模块422执行,如参照图4-6所述。
过程1200示出为包括接收优化周期的公用事业费率和天气预报(步骤1202)。天气预报可包括针对建筑物的地理位置的当前或预测的温度、湿度、压力、和/或其它与天气有关的信息。公用事业费率可以指示在优化周期内的每个时间步长处由公用事业提供的每单位资源(例如,电力、天然气、水等)的成本或价格。在一些实施例中,公用事业费率是随时间变化的费率。例如,电力的价格可能在一天中的某些时间或一周中的某些天(例如,在高需求时期期间)较高,并且在一天中的其它时间或一周中的某些天(例如,在低需求时期期间)较低。公用事业费率可以限定各个时间段和在每个时间段期间的每单位资源的成本。公用事业费率可以是从公用事业提供者接收的实际费率或预测的公用事业费率。
在一些实施例中,公用事业费率包括由公用事业提供者供应的一种或多种资源的需量费用。需量费用可以基于在需量费用时期期间特定资源的最大使用量(例如,最大能耗)限定由公用事业提供者强加的单独的成本。公用事业费率可以限定各种需量费用时期和与每个需量费用时期相关联的一个或多个需量费用。在一些情况下,需量费用时期可以彼此和/或与预测窗口部分地或完全地重叠。公用事业费率可以由随时间(例如,按小时)变化的价格来限定,在电力的情况中由需量费用或在某个时期内的峰值消耗速率的费用来限定。在一些实施例中,步骤1108包括为公用事业中的每一种接收最大服务水平(例如,物理基础设施或合同允许的最大消耗速率)。
过程1200示出为包括接收来自空气侧系统和水侧系统的输入(步骤1204)。来自空气侧系统和水侧系统的输入可包括测量值和可用性信息。测量值可以基于从分布在水侧系统、空气侧系统和/或建筑物中各处的各种传感器(例如,温度传感器、湿度传感器、空气流传感器、电压传感器等)接收的输入。这样的测量值可包括例如加热的流体的供应和回流温度、激冷的流体的供应和回流温度、建筑物的温度、供应空气的温度、回流空气的温度、和/或由HVAC控制系统监测、控制或影响的其它值。在一些实施例中,步骤1204包括从建筑物接收指示该建筑物的耗电量的电负荷信息。
可用性信息可以指示HVAC设备的当前操作状态(例如,开/关状态、操作设定点等)以及HVAC设备用于服务于加热或冷却负荷的可用容量。可用性信息可能涉及水侧系统的设备(例如,加热元件220、激冷器232、热回收激冷器226、冷却塔238、泵222、224、228、230、234、236、240、热的热能存储箱242、冷的热能存储箱244等),如参照图2所述。可用性信息也可能涉及空气侧系统的可操作设备(例如,风扇338、挡板316-320、阀346和352、致动器324-328和352-354等),如参照图3所述。
在一些实施例中,HVAC设备的各个装置可由HVAC控制器开启或关闭以调整由每个装置服务的热能负荷。在一些实施例中,HVAC设备的各个装置可根据从HVAC控制器接收的操作设定点以可变的容量操作(例如,在10%容量或60%容量下操作激冷器)。与HVAC设备有关的可用性信息可以识别设备的最大操作容量、设备的当前操作容量、和/或用于生成用来服务于加热或冷却负荷(例如,热水、冷水、空气流等)的资源的设备的可用(例如,当前未使用的)容量。
仍然参看图12,过程1200示出为包括优化预测成本模型(步骤1206),该模型在建筑物温度约束条件下预测由水侧系统消耗的一种或多种资源的成本。在一些实施例中,步骤1206由线性优化模块614执行,如参照图6所述。步骤1206可包括使用在一组优化约束条件下的线性规划来最小化在优化周期内操作空气侧系统和水侧系统的总成本。在一个示例性实施例中,步骤1206包括使用混合整数线性规划。在各种其它实施例中,步骤1206可包括使用基交换算法(例如,单纯形、十字形等)、内点算法(例如,椭球、投影、路径跟踪等)、包盖算法、整数规划算法(例如,割平面(cutting-plant)、分枝定界、分枝剪枝、分支价格等)、或任何其它类型的线性规划算法或技术以解决在优化约束条件下的优化问题。
有利地,优化约束条件可包括建筑物的温度演化模型。温度演化模型可以将建筑物的温度作为由水侧系统提供至建筑物的一种或多种热能资源的函数进行预测。优化约束条件还可包括建筑物的温度约束条件。步骤1206可用来同时确定建筑物满足温度约束条件所需的热能资源的量和用于让水侧系统为建筑物生产所需量的热能资源的控制输出这两者。步骤1206也可以确定为了允许水侧系统为建筑物生产所需量的热能资源而必须从公用事业提供者购买的资源的量。
在一些实施例中,步骤1206包括在优化周期中的每个时间步长处确定参照决策变量模块606描述的决策变量的最佳值。在步骤1206中优化的变量可包括例如从公用事业418购买的每种资源的量、发电机502对每种资源的净生产率、从库存取出或供应至库存的每种资源的量、每种资源的净库存、积压的每种资源的量、每种资源的积压量的变化速率、和/或与资源消耗量、资源产量、资源库存或资源购买有关的其它变量。步骤1206也可包括优化建筑物区的温度和进入建筑物区的每种资源的流量。步骤1206可包括确定发电机502中的每一个的最佳二进制开/关状态、在每个时间步长期间开启/关闭的发电机502的数量、以及发电机502中的每一个的负荷比或操作设定点。步骤1206可包括为每个发电机502沿着性能曲线选择操作区域,并且使用所选的操作区域来确定发电机502的开/关状态和负荷比。
在一些实施例中,步骤1206包括确定使目标函数最小化的决策变量的值:
其中,为从公用事业418购买资源的成本,并且项vkskT表示对应于在优化周期结束时存储的资源的半显性利润。目标函数可包括:项βkbkt,其表示在优化周期中的每个时间步长t处针对每种积压的资源k而强加的成本;项其表示在优化周期中的每个时间步长t期间针对在开启和关闭状态之间切换来自组i的发电机而强加的成本;以及项其表示在优化周期中的每个时间步长t期间针对未能将建筑物区l内的温度保持在可接受的边界内而强加的成本。步骤1206可包括优化在参照约束模块610所述的优化约束条件下的目标函数。步骤1206可包括确定HVAC设备的主要设备设定点。
仍然参看图12,过程1200示出为包括优化HVAC设备的资源消耗的瞬时速率(步骤1208)。在一些实施例中,步骤1208由非线性优化模块616执行,如参照图6所述。步骤1208可以用来对在步骤1206中执行的线性优化中的误差(例如,由于非线性性能曲线的线性化中的误差导致)进行调整。步骤1208可包括接收来自步骤1206的主要设备设定点(例如,设备开/关状态和负荷比)。步骤1208也可包括接收在步骤1206中确定的资源生产速率和温度。步骤1208可包括调整设备开/关状态、负荷比、资源生产速率和/或温度,以便优化在优化周期中的每个时间步长处的瞬时资源消耗速率。
在一些实施例中,步骤1208包括使用二进制优化和二次补偿来调整设备开/关和操作设定点。二进制优化可以使表示设备组或子设施的资源消耗量的成本函数最小化,以产生给定的负荷。在一些实施例中,使用不完全的(即,未考虑装置的所有潜在组合)二进制优化。二次补偿可以用于其资源消耗量为二次的(或者说是非线性的)设备。步骤1208也可包括使用非线性优化确定设备的最佳操作设定点。非线性优化可以识别使目标函数进一步最小化的操作设定点。在一些实施例中,在步骤1208中执行的非线性优化与在2015年2月27日提交的标题为“Low Level Central PlantOptimization”的美国专利申请号14/634,615中描述的低层次优化过程相同或类似。
在一些实施例中,步骤1208包括基于发电机502的容量来调整设备开/关决策和操作设定点并且满足能量和质量平衡。步骤1208可包括在不考虑系统动力学的情况下执行非线性优化。优化过程可以足够慢,以安全地假设设备控制已达到其稳定状态。因此,步骤1208可包括在某一时间而不是在长的期限内确定最佳控制决策。
仍然参看图12,过程1200示出为包括将设备设定点分发到HVAC设备(步骤1210)和使用经验数据更新性能曲线(步骤1212)。步骤1210可包括根据在步骤1206中确定的主要设备设定点和/或在步骤1208中确定的次要设备设定点来操作HVAC设备。HVAC设备可以被允许在分发的设定点下操作一段时间。当设备在分发的设定点下操作的同时,可以获得性能测量值。性能测量值提供经验数据,该数据描述设备的实际性能,并且可以在步骤1212中使用以更新性能曲线。在一些实施例中,步骤1212包括基于新性能数据更新性能曲线的回归系数。更新的回归系数和/或新性能数据可以用来重新线性化性能曲线,以用于在线性优化过程中使用。
在一些实施例中,过程1200被迭代地重复(例如,以每个新的时间步长、对于在优化周期中的时间步长的子集来说周期性地等)。例如,在执行步骤1212之后,过程1200可以返回至步骤1206。步骤1206-1212可以被迭代地重复,以适应更新的模型参数和/或新的经验数据。当重复步骤1206时,可以使用在前一迭代的步骤1212中生成的更新的性能曲线来执行线性优化过程。过程1200可以接着继续如前所述步骤1208-1212。
在各个示例性实施例中示出的系统和方法的构造和布置仅仅是说明性的。虽然在本公开中仅详细描述了几个实施例,但许多修改是可能的(例如,各种元件的大小、尺寸、结构、形状和比例、参数的值、安装布置、材料的使用、色彩、取向等的变化)。例如,元件的位置可以颠倒或以其它方式改变,并且离散的元件或位置的性质或数目可以更改或改变。相应地,所有这样的修改旨在包括在本公开的范围内。任何过程或方法步骤的顺序或次序可以根据备选实施例改变或重新排序。在不脱离本公开的范围的情况下,可以在示例性实施例的设计、操作条件和布置中做出其它替换、修改、变化和省略。
本公开设想出在任何机器可读介质上用于实现各种操作的方法、系统和程序产品。本公开的实施例可以使用现有的计算机处理器或由为此目的或另一目的并入的用于合适的系统的专用计算机处理器或由硬连线的系统实施。在本公开的范围内的实施例包括包含机器可读介质的程序产品,以用于执行机器可执行的指令或数据结构或将所述指令或数据结构存储在其上。这样的机器可读介质可以是任何可用介质,其可由通用或专用计算机或具有处理器的其它机器访问。举例来说,这样的机器可读介质可包括RAM、ROM、EPROM、EEPROM、CD-ROM或其它光盘存储装置、磁盘存储装置或其它磁性存储装置、或任何其它介质,该介质可用来执行或存储机器可执行指令或数据结构形式的所需程序代码,并可由通用或专用计算机或具有处理器的其它机器访问。当在网络或另一通信连接(硬连线的、无线的、或硬连线的或无线的组合)上传递信息或将信息提供至机器时,机器将该连接适当地看作机器可读介质。因此,任何这种连接被适当地称为机器可读介质。上述的组合也包括在机器可读介质的范围内。机器可执行指令包括例如使通用计算机、专用计算机或专用处理机器执行某些功能或一组功能的指令和数据。
虽然附图示出了特定次序的方法步骤,但步骤的次序可以与所描绘的不同。另外,两个或更多个步骤可以同时地或部分同时地执行。这样的变型将取决于所选择的软件和硬件系统以及设计者的选择。所有这样的变型都在本公开的范围内。同样,可以利用具有基于规则的逻辑和其它用以完成各种连接步骤、处理步骤、比较步骤和决策步骤的逻辑的标准编程技术来实现软件实施。
Claims (22)
1.一种用于建筑物的采暖通风或空调(HVAC)系统,所述HVAC系统包括:
水侧系统,所述水侧系统包括水侧HVAC设备,所述水侧HVAC设备被配置成消耗来自公用事业提供者的一种或多种资源以生成加热的和/或激冷的流体;
空气侧系统,所述空气侧系统包括空气侧HVAC设备,所述空气侧HVAC设备被配置成接收来自所述水侧系统的所述加热的和/或激冷的流体并且使用所述加热的和/或激冷的流体来对提供至所述建筑物的供应空气流进行加热和/或冷却;以及
HVAC控制器,所述HVAC控制器被配置成接收来自所述水侧系统和所述空气侧系统这两者的输入并且执行一体化的空气侧/水侧优化过程以同时确定所述水侧HVAC设备和所述空气侧HVAC设备这两者的控制输出,其中,执行所述一体化的空气侧/水侧优化过程包括在优化约束条件下使用预测成本模型来对由所述水侧系统消耗的所述一种或多种资源的成本进行优化,所述优化约束条件包括所述建筑物的温度约束条件;
其中,所述HVAC控制器被配置成将所述控制输出提供至所述水侧系统和所述空气侧系统以用于控制所述水侧HVAC设备和所述空气侧HVAC设备。
2.根据权利要求1所述的HVAC系统,其中:
所述优化约束条件包括所述建筑物的温度演化模型;并且
所述HVAC控制器被配置成使用所述温度演化模型来将所述建筑物的温度作为由所述水侧系统提供至所述建筑物的一种或多种热能资源的函数进行预测。
3.根据权利要求1所述的HVAC系统,其中,所述HVAC控制器被配置成通过使用单一优化来同时确定以下两者来执行所述一体化的空气侧/水侧优化过程:
所述建筑物满足所述温度约束条件所需的热能资源的量;以及
用于让所述水侧系统为所述建筑物生产所述所需量的热能资源的控制输出。
4.根据权利要求1所述的HVAC系统,其中,所述HVAC控制器被配置成通过使用单一优化来同时确定以下两者来执行所述一体化的空气侧/水侧优化过程:
所述建筑物满足所述温度约束条件所需的热能资源的量;以及
为了允许所述水侧系统为所述建筑物生产所述所需量的热能资源而必须从所述公用事业提供者购买的所述一种或多种资源的量。
5.根据权利要求4所述的HVAC系统,其中:
所述HVAC控制器被配置成通过访问所述水侧HVAC设备的性能曲线来确定必须从所述公用事业提供者购买的所述一种或多种资源的量;并且
所述性能曲线限定了由所述水侧HVAC设备生产的热能资源和为了生产所述热能资源而必须由所述水侧HVAC设备消耗的一种或多种资源之间的关系。
6.根据权利要求5所述的HVAC系统,其中:
所述性能曲线为至少三维的,并且在每个时间为所述水侧HVAC设备中的每个装置将由所述水侧HVAC设备生产的所述热能资源的量作为至少两个输入变量的函数进行限定;并且
所述HVAC控制器被配置成通过在每个时间为所述水侧HVAC设备中的每个装置独立地调整所述至少两个输入变量来执行所述一体化的空气侧/水侧优化过程以优化所述预测成本模型。
7.根据权利要求5所述的HVAC系统,其中:
所述水侧HVAC设备包括激冷器;并且
所述性能曲线将由所述激冷器生产的所述热能资源的量作为在所述激冷器上的负荷和由所述激冷器生产的所述激冷的流体的温度两者的函数进行限定。
8.根据权利要求5所述的HVAC系统,其中,所述HVAC控制器被配置成通过将非凸形性能曲线转化为包括多个分段线性区段的凸形性能曲线来生成所述性能曲线。
9.根据权利要求1所述的HVAC系统,其中,所述HVAC控制器被配置成:
通过确定所述控制输出来执行所述一体化的空气侧/水侧优化过程,所述控制输出在包括多个离散的时间步长的优化周期内优化所述预测成本模型;并且
在所述一体化的空气侧/水侧优化过程之后执行第二优化过程,以调整所述控制输出,从而优化资源消耗的瞬时速率。
10.根据权利要求9所述的HVAC系统,其中,所述HVAC控制器被配置成:
使用所述水侧HVAC设备的线性规划和线性化的性能曲线来执行所述一体化的空气侧/水侧优化过程,以在所述优化周期内优化所述控制输出;并且
使用所述水侧HVAC设备的非线性规划和非线性的性能曲线来执行所述第二优化过程,以针对所述线性化的性能曲线中的误差进行调整。
11.根据权利要求1所述的HVAC系统,其中,所述水侧系统包括热能存储装置,所述热能存储装置被配置成存储由所述水侧HVAC设备生产的热能资源以供后续使用。
12.一种用于建筑物HVAC系统的预测成本优化系统,所述建筑物HVAC系统被配置成使用水侧系统和空气侧系统这两者来对提供至所述建筑物的供应空气流进行加热和/或冷却,所述预测成本优化系统包括:
HVAC控制器,所述HVAC控制器被配置成接收来自所述水侧系统和所述空气侧系统这两者的输入并且执行一体化的空气侧/水侧优化过程以同时确定所述水侧系统和所述空气侧系统这两者的控制输出,其中,执行所述一体化的空气侧/水侧优化过程包括在优化约束条件下使用预测成本模型来优化由所述水侧系统消耗的所述一种或多种资源的成本,所述优化约束条件包括所述建筑物的温度约束条件;
其中,所述HVAC控制器被配置成将所述控制输出提供至所述水侧系统用于控制水侧HVAC设备,以及提供至所述空气侧系统用于控制空气侧HVAC设备。
13.根据权利要求12所述的预测成本优化系统,其中:
所述优化约束条件包括所述建筑物的温度演化模型;并且
所述HVAC控制器被配置成使用所述温度演化模型来将所述建筑物的温度作为由所述水侧系统提供至所述建筑物的一种或多种热能资源的函数进行预测。
14.根据权利要求12所述的预测成本优化系统,其中,所述HVAC控制器被配置成通过使用单一优化来同时确定以下两者来执行所述一体化的空气侧/水侧优化过程:
所述建筑物满足所述温度约束条件所需的热能资源的量;以及
用于让所述水侧系统为所述建筑物生产所述所需量的热能资源的控制输出。
15.根据权利要求12所述的预测成本优化系统,其中,所述HVAC控制器被配置成通过使用单一优化来同时确定以下两者来执行所述一体化的空气侧/水侧优化过程:
所述建筑物满足所述温度约束条件所需的热能资源的量;以及
为了允许所述水侧系统为所述建筑物生产所述所需量的热能资源而必须从所述公用事业提供者购买的所述一种或多种资源的量。
16.根据权利要求15所述的预测成本优化系统,其中:
所述HVAC控制器被配置成通过访问所述水侧HVAC设备的性能曲线来确定必须从所述公用事业提供者购买的所述一种或多种资源的量;并且
所述性能曲线限定了由所述水侧HVAC设备生产的热能资源和为了生产所述热能资源而必须由所述水侧HVAC设备消耗的一种或多种资源之间的关系。
17.根据权利要求16所述的预测成本优化系统,其中:
所述性能曲线为至少三维的,并且在每个时间为所述水侧HVAC设备中的每个装置将由所述水侧HVAC设备生产的所述热能资源的量作为至少两个输入变量的函数进行限定;并且
所述HVAC控制器被配置成通过在每个时间为所述水侧HVAC设备中的每个装置独立地调整所述至少两个输入变量来执行所述一体化的空气侧/水侧优化过程以优化所述预测成本模型。
18.根据权利要求16所述的预测成本优化系统,其中,所述HVAC控制器被配置成生成通过将非凸形性能曲线转化为包括多个分段线性区段的凸形性能曲线来生成所述性能曲线。
19.根据权利要求12所述的预测成本优化系统,其中,所述HVAC控制器被配置成:
通过确定所述控制输出来执行所述一体化的空气侧/水侧优化过程,所述控制输出在包括多个离散的时间步长的优化周期内优化所述预测成本模型;并且
在所述一体化的空气侧/水侧优化过程之后执行第二优化过程,以调整所述控制输出,从而优化资源消耗的瞬时速率。
20.根据权利要求19所述的预测成本优化系统,其中,所述HVAC控制器被配置成:
使用所述水侧HVAC设备的线性规划和线性化的性能曲线来执行所述一体化的空气侧/水侧优化过程,以在所述优化周期内优化所述控制输出;并且
使用所述水侧HVAC设备的非线性规划和非线性的性能曲线来执行所述第二优化过程,以针对所述线性化的性能曲线中的误差进行调整。
21.一种用于建筑物的采暖通风或空调(HVAC)系统,包括权利要求1至11中的任意一个技术特征或者技术特征的任意组合。
22.一种用于建筑物HVAC系统的预测成本优化系统,包括权利要求12至20中的任意一个技术特征或者技术特征的任意组合。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US14/694,633 US10761547B2 (en) | 2015-04-23 | 2015-04-23 | HVAC controller with integrated airside and waterside cost optimization |
US14/694,633 | 2015-04-23 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106066077A true CN106066077A (zh) | 2016-11-02 |
CN106066077B CN106066077B (zh) | 2020-12-18 |
Family
ID=55862536
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610257004.7A Active CN106066077B (zh) | 2015-04-23 | 2016-04-22 | 具有预测成本优化的hvac控制器 |
Country Status (3)
Country | Link |
---|---|
US (1) | US10761547B2 (zh) |
EP (2) | EP4080295A1 (zh) |
CN (1) | CN106066077B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108416503A (zh) * | 2017-02-07 | 2018-08-17 | 江森自控科技公司 | 具有资产规模调整的建筑物能量成本优化系统 |
CN110736227A (zh) * | 2018-07-20 | 2020-01-31 | 江森自控科技公司 | 具有在线可配置系统标识的建筑物管理系统 |
CN110753886A (zh) * | 2017-04-25 | 2020-02-04 | 江森自控科技公司 | 具有基于神经网络的约束生成的预测建筑物控制系统 |
CN112543852A (zh) * | 2018-01-19 | 2021-03-23 | 罗伯特·博世有限公司 | 用于使用基于聚类的规则挖掘方法来优化结构的能量使用的系统和方法 |
CN112696786A (zh) * | 2019-10-07 | 2021-04-23 | 霍尼韦尔国际公司 | 暖通空调系统中的分布式设定点配置 |
US11238547B2 (en) | 2017-01-12 | 2022-02-01 | Johnson Controls Tyco IP Holdings LLP | Building energy cost optimization system with asset sizing |
US11371739B2 (en) | 2017-04-25 | 2022-06-28 | Johnson Controls Technology Company | Predictive building control system with neural network based comfort prediction |
US11675322B2 (en) | 2017-04-25 | 2023-06-13 | Johnson Controls Technology Company | Predictive building control system with discomfort threshold adjustment |
US11847617B2 (en) | 2017-02-07 | 2023-12-19 | Johnson Controls Tyco IP Holdings LLP | Model predictive maintenance system with financial analysis functionality |
Families Citing this family (123)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9722813B2 (en) | 2008-09-08 | 2017-08-01 | Tendril Networks, Inc. | Consumer directed energy management systems and methods |
US10678279B2 (en) | 2012-08-01 | 2020-06-09 | Tendril Oe, Llc | Optimization of energy use through model-based simulations |
US9411327B2 (en) | 2012-08-27 | 2016-08-09 | Johnson Controls Technology Company | Systems and methods for classifying data in building automation systems |
US9423779B2 (en) | 2013-02-06 | 2016-08-23 | Tendril Networks, Inc. | Dynamically adaptive personalized smart energy profiles |
US9310815B2 (en) | 2013-02-12 | 2016-04-12 | Tendril Networks, Inc. | Setpoint adjustment-based duty cycling |
US9503623B2 (en) | 2014-06-03 | 2016-11-22 | Applied Minds, Llc | Color night vision cameras, systems, and methods thereof |
US11953865B2 (en) | 2015-04-23 | 2024-04-09 | Johnson Controls Tyco IP Holdings LLP | HVAC controller with predictive cost optimization |
US10506015B2 (en) * | 2015-05-04 | 2019-12-10 | Johnson Controls Technology Company | HVAC equipment providing a dynamic web interface systems and methods |
US10444712B2 (en) * | 2015-07-13 | 2019-10-15 | Tata Consultancy Services Limited | Method and system to optimize energy consumption in a zone with a multi-air handling unit (AHU) setup |
US10534326B2 (en) | 2015-10-21 | 2020-01-14 | Johnson Controls Technology Company | Building automation system with integrated building information model |
US11268732B2 (en) | 2016-01-22 | 2022-03-08 | Johnson Controls Technology Company | Building energy management system with energy analytics |
US11947785B2 (en) | 2016-01-22 | 2024-04-02 | Johnson Controls Technology Company | Building system with a building graph |
US11768004B2 (en) | 2016-03-31 | 2023-09-26 | Johnson Controls Tyco IP Holdings LLP | HVAC device registration in a distributed building management system |
US10866568B2 (en) * | 2016-04-01 | 2020-12-15 | Tendril Oe, Llc | Orchestrated energy |
US11774920B2 (en) | 2016-05-04 | 2023-10-03 | Johnson Controls Technology Company | Building system with user presentation composition based on building context |
US10505756B2 (en) | 2017-02-10 | 2019-12-10 | Johnson Controls Technology Company | Building management system with space graphs |
US10901373B2 (en) | 2017-06-15 | 2021-01-26 | Johnson Controls Technology Company | Building management system with artificial intelligence for unified agent based control of building subsystems |
US10417451B2 (en) | 2017-09-27 | 2019-09-17 | Johnson Controls Technology Company | Building system with smart entity personal identifying information (PII) masking |
EP3465021B1 (en) * | 2016-06-03 | 2023-03-29 | Belimo Holding AG | Method and computer system for monitoring an hvac system |
US20180004171A1 (en) | 2016-06-30 | 2018-01-04 | Johnson Controls Technology Company | Hvac system using model predictive control with distributed low-level airside optimization and airside power consumption model |
US11789415B2 (en) | 2016-06-30 | 2023-10-17 | Johnson Controls Tyco IP Holdings LLP | Building HVAC system with multi-level model predictive control |
WO2018005760A1 (en) | 2016-06-30 | 2018-01-04 | Johnson Controls Technology Company | Variable refrigerant flow system with predictive control |
JP6976976B2 (ja) | 2016-06-30 | 2021-12-08 | ジョンソン コントロールズ テクノロジー カンパニーJohnson Controls Technology Company | マルチレベルモデル予測制御のシステムと方法 |
US10878140B2 (en) * | 2016-07-27 | 2020-12-29 | Emerson Process Management Power & Water Solutions, Inc. | Plant builder system with integrated simulation and control system configuration |
US10684033B2 (en) | 2017-01-06 | 2020-06-16 | Johnson Controls Technology Company | HVAC system with automated device pairing |
US10324483B2 (en) | 2017-01-12 | 2019-06-18 | Johnson Controls Technology Company | Building energy storage system with peak load contribution cost optimization |
US10949777B2 (en) | 2017-06-07 | 2021-03-16 | Johnson Controls Technology Company | Building energy optimization system with economic load demand response (ELDR) optimization |
US11010846B2 (en) | 2017-01-12 | 2021-05-18 | Johnson Controls Technology Company | Building energy storage system with multiple demand charge cost optimization |
US11061424B2 (en) | 2017-01-12 | 2021-07-13 | Johnson Controls Technology Company | Building energy storage system with peak load contribution and stochastic cost optimization |
US10282796B2 (en) | 2017-01-12 | 2019-05-07 | Johnson Controls Technology Company | Building energy storage system with multiple demand charge cost optimization |
US10605477B2 (en) * | 2017-01-20 | 2020-03-31 | Johnson Controls Technology Company | HVAC system with free cooling optimization based on coolant flowrate |
US9982903B1 (en) | 2017-01-20 | 2018-05-29 | Johnson Controls Technology Company | HVAC system with predictive free cooling control based on the cost of transitioning into a free cooling state |
US11487277B2 (en) | 2017-05-25 | 2022-11-01 | Johnson Controls Tyco IP Holdings LLP | Model predictive maintenance system for building equipment |
US11900287B2 (en) | 2017-05-25 | 2024-02-13 | Johnson Controls Tyco IP Holdings LLP | Model predictive maintenance system with budgetary constraints |
US10854194B2 (en) | 2017-02-10 | 2020-12-01 | Johnson Controls Technology Company | Building system with digital twin based data ingestion and processing |
US10452043B2 (en) | 2017-02-10 | 2019-10-22 | Johnson Controls Technology Company | Building management system with nested stream generation |
US11764991B2 (en) | 2017-02-10 | 2023-09-19 | Johnson Controls Technology Company | Building management system with identity management |
US11280509B2 (en) | 2017-07-17 | 2022-03-22 | Johnson Controls Technology Company | Systems and methods for agent based building simulation for optimal control |
US11360447B2 (en) | 2017-02-10 | 2022-06-14 | Johnson Controls Technology Company | Building smart entity system with agent based communication and control |
US10095756B2 (en) * | 2017-02-10 | 2018-10-09 | Johnson Controls Technology Company | Building management system with declarative views of timeseries data |
US11307538B2 (en) * | 2017-02-10 | 2022-04-19 | Johnson Controls Technology Company | Web services platform with cloud-eased feedback control |
US20190361412A1 (en) | 2017-02-10 | 2019-11-28 | Johnson Controls Technology Company | Building smart entity system with agent based data ingestion and entity creation using time series data |
US10515098B2 (en) | 2017-02-10 | 2019-12-24 | Johnson Controls Technology Company | Building management smart entity creation and maintenance using time series data |
US10641514B2 (en) * | 2017-03-03 | 2020-05-05 | Andreas Hieke | Methods of increasing the average life time of building materials as well as reducing the consumption of other resources associated with operating buildings |
DE102017205033B4 (de) | 2017-03-24 | 2024-02-08 | Viessmann Werke Gmbh & Co. Kg | Verfahren und System zum internetgestützten Optimieren von Parametern einer Heizungsregelung |
WO2018175912A1 (en) | 2017-03-24 | 2018-09-27 | Johnson Controls Technology Company | Building management system with dynamic channel communication |
US10706375B2 (en) | 2017-03-29 | 2020-07-07 | Johnson Controls Technology Company | Central plant with asset allocator |
US11327737B2 (en) | 2017-04-21 | 2022-05-10 | Johnson Controls Tyco IP Holdings LLP | Building management system with cloud management of gateway configurations |
US10816235B2 (en) * | 2017-04-27 | 2020-10-27 | Johnson Controls Technology Company | Building energy system with predictive control of battery and green energy resources |
US10146237B2 (en) | 2017-04-28 | 2018-12-04 | Johnson Controls Technology Company | Smart thermostat with model predictive control |
US11274849B2 (en) | 2017-04-28 | 2022-03-15 | Johnson Controls Tyco IP Holdings LLP | Smart thermostat with model predictive control and demand response integration |
US10788229B2 (en) | 2017-05-10 | 2020-09-29 | Johnson Controls Technology Company | Building management system with a distributed blockchain database |
US11636429B2 (en) | 2017-05-25 | 2023-04-25 | Johnson Controls Tyco IP Holdings LLP | Model predictive maintenance systems and methods with automatic parts resupply |
US11747800B2 (en) | 2017-05-25 | 2023-09-05 | Johnson Controls Tyco IP Holdings LLP | Model predictive maintenance system with automatic service work order generation |
US11120411B2 (en) | 2017-05-25 | 2021-09-14 | Johnson Controls Tyco IP Holdings LLP | Model predictive maintenance system with incentive incorporation |
US11409274B2 (en) | 2017-05-25 | 2022-08-09 | Johnson Controls Tyco IP Holdings LLP | Model predictive maintenance system for performing maintenance as soon as economically viable |
US11416955B2 (en) | 2017-05-25 | 2022-08-16 | Johnson Controls Tyco IP Holdings LLP | Model predictive maintenance system with integrated measurement and verification functionality |
WO2018217398A1 (en) * | 2017-05-26 | 2018-11-29 | Johnson Controls Technology Company | Air handling unit and rooftop unit with predictive control |
US11271769B2 (en) | 2019-11-14 | 2022-03-08 | Johnson Controls Tyco IP Holdings LLP | Central plant control system with asset allocation override |
US11022947B2 (en) | 2017-06-07 | 2021-06-01 | Johnson Controls Technology Company | Building energy optimization system with economic load demand response (ELDR) optimization and ELDR user interfaces |
US11346572B2 (en) | 2017-06-23 | 2022-05-31 | Johnson Controls Tyco IP Holdings LLP | Building equipment with predictive control |
TWI644062B (zh) * | 2017-06-26 | 2018-12-11 | 群光電能科技股份有限公司 | 調整系統 |
EP3655825B1 (en) | 2017-07-21 | 2023-11-22 | Johnson Controls Tyco IP Holdings LLP | Building management system with dynamic rules with sub-rule reuse and equation driven smart diagnostics |
US20190033811A1 (en) | 2017-07-27 | 2019-01-31 | Johnson Controls Technology Company | Building management system with on-demand meter roll-ups |
CN107480829A (zh) * | 2017-08-25 | 2017-12-15 | 广东工业大学 | 一种短期电价预测方法、装置及系统 |
US11314726B2 (en) | 2017-09-27 | 2022-04-26 | Johnson Controls Tyco IP Holdings LLP | Web services for smart entity management for sensor systems |
US10565844B2 (en) | 2017-09-27 | 2020-02-18 | Johnson Controls Technology Company | Building risk analysis system with global risk dashboard |
US10962945B2 (en) | 2017-09-27 | 2021-03-30 | Johnson Controls Technology Company | Building management system with integration of data into smart entities |
US11314788B2 (en) | 2017-09-27 | 2022-04-26 | Johnson Controls Tyco IP Holdings LLP | Smart entity management for building management systems |
US11258683B2 (en) | 2017-09-27 | 2022-02-22 | Johnson Controls Tyco IP Holdings LLP | Web services platform with nested stream generation |
US11368534B2 (en) | 2017-10-06 | 2022-06-21 | Johnson Controls Tyco IP Holdings LLP | Building management system with device cloud registration and data adaptor |
US10642598B2 (en) | 2017-10-06 | 2020-05-05 | Johnson Controls Technology Company | Building management system with plug and play device registration and configuration |
US11262741B2 (en) * | 2017-10-06 | 2022-03-01 | Johnson Controls Tyco IP Holdings LLP | Building management system with automatic binding of equipment data |
US10809682B2 (en) | 2017-11-15 | 2020-10-20 | Johnson Controls Technology Company | Building management system with optimized processing of building system data |
US11281169B2 (en) | 2017-11-15 | 2022-03-22 | Johnson Controls Tyco IP Holdings LLP | Building management system with point virtualization for online meters |
US11127235B2 (en) | 2017-11-22 | 2021-09-21 | Johnson Controls Tyco IP Holdings LLP | Building campus with integrated smart environment |
US11209184B2 (en) * | 2018-01-12 | 2021-12-28 | Johnson Controls Tyco IP Holdings LLP | Control system for central energy facility with distributed energy storage |
US11954713B2 (en) | 2018-03-13 | 2024-04-09 | Johnson Controls Tyco IP Holdings LLP | Variable refrigerant flow system with electricity consumption apportionment |
CN112088278A (zh) * | 2018-04-24 | 2020-12-15 | 贝利莫控股公司 | 用于hvac流体输送系统的流量控制设备 |
CN108920866B (zh) * | 2018-07-20 | 2019-07-26 | 清华大学 | 基于滚动时域估计理论的热网动态调节运行参数估计方法 |
CN108897223B (zh) * | 2018-08-02 | 2021-03-23 | 杭州电子科技大学 | 一种工业加热炉分数阶预测控制方法 |
US11497144B2 (en) | 2018-09-21 | 2022-11-08 | Johnson Controls Tyco IP Holdings LLP | Optimized thermal control of data center |
US11960261B2 (en) | 2019-07-12 | 2024-04-16 | Johnson Controls Tyco IP Holdings LLP | HVAC system with sustainability and emissions controls |
US11016648B2 (en) | 2018-10-30 | 2021-05-25 | Johnson Controls Technology Company | Systems and methods for entity visualization and management with an entity node editor |
US11927925B2 (en) | 2018-11-19 | 2024-03-12 | Johnson Controls Tyco IP Holdings LLP | Building system with a time correlated reliability data stream |
US11436567B2 (en) | 2019-01-18 | 2022-09-06 | Johnson Controls Tyco IP Holdings LLP | Conference room management system |
US10788798B2 (en) | 2019-01-28 | 2020-09-29 | Johnson Controls Technology Company | Building management system with hybrid edge-cloud processing |
US11287191B2 (en) | 2019-03-19 | 2022-03-29 | Baltimore Aircoil Company, Inc. | Heat exchanger having plume abatement assembly bypass |
US11371737B2 (en) | 2019-07-08 | 2022-06-28 | Target Brands, Inc. | Optimization engine for energy sustainability |
US11226600B2 (en) | 2019-08-29 | 2022-01-18 | Johnson Controls Tyco IP Holdings LLP | Building control system with load curtailment optimization |
US11714393B2 (en) | 2019-07-12 | 2023-08-01 | Johnson Controls Tyco IP Holdings LLP | Building control system with load curtailment optimization |
US11274842B2 (en) | 2019-07-12 | 2022-03-15 | Johnson Controls Tyco IP Holdings LLP | Systems and methods for optimizing ventilation, filtration, and conditioning schemes for buildings |
US11098921B2 (en) * | 2019-07-18 | 2021-08-24 | Johnson Controls Tyco IP Holdings LLP | Building management system with automatic comfort constraint adjustment |
US11549710B2 (en) * | 2019-07-19 | 2023-01-10 | University Of Florida Research Foundation, Incorporated | Model predictive control-based building climate controller incorporating humidity |
US11149975B2 (en) | 2019-07-24 | 2021-10-19 | Uplight, Inc. | Adaptive thermal comfort learning for optimized HVAC control |
US11480360B2 (en) | 2019-08-06 | 2022-10-25 | Johnson Controls Tyco IP Holdings LLP | Building HVAC system with modular cascaded model |
US11144020B2 (en) | 2019-08-23 | 2021-10-12 | Johnson Controls Tyco IP Holdings LLP | Central plant control system with geometric modeling of operational sequences |
US11099530B2 (en) | 2019-08-23 | 2021-08-24 | Johnson Controls Technology Company | Central plant control system with device geometric modeling and control |
FR3103068B1 (fr) * | 2019-11-13 | 2021-11-12 | Commissariat Energie Atomique | procédé de détermination de la grandeur physique de sortie d’un système et procédé de pilotage associé |
US11662113B2 (en) | 2019-11-18 | 2023-05-30 | Johnson Controls Tyco IP Holdings LLP | Building cooling systems with energy optimization and model predictive control |
BR112022010740A2 (pt) | 2019-12-11 | 2022-08-23 | Baltimore Aircoil Co Inc | Sistema de trocador de calor com otimização baseada em aprendizagem de máquina |
US20210200164A1 (en) | 2019-12-31 | 2021-07-01 | Johnson Controls Technology Company | Building data platform with edge based event enrichment |
US11894944B2 (en) | 2019-12-31 | 2024-02-06 | Johnson Controls Tyco IP Holdings LLP | Building data platform with an enrichment loop |
US11719459B2 (en) * | 2020-01-14 | 2023-08-08 | Carrier Corporation | HVAC control system and method |
CN111125938B (zh) * | 2020-01-15 | 2021-07-16 | 华南理工大学 | 基于次优算法的大型中央空调冷冻水管网优化设计方法 |
US11537386B2 (en) | 2020-04-06 | 2022-12-27 | Johnson Controls Tyco IP Holdings LLP | Building system with dynamic configuration of network resources for 5G networks |
US11874809B2 (en) | 2020-06-08 | 2024-01-16 | Johnson Controls Tyco IP Holdings LLP | Building system with naming schema encoding entity type and entity relationships |
TWI764470B (zh) * | 2020-07-17 | 2022-05-11 | 群光電能科技股份有限公司 | 智慧建築整合管理系統及其管理方法 |
CN114024948A (zh) * | 2020-07-17 | 2022-02-08 | 群光电能科技股份有限公司 | 智能建筑整合管理系统 |
US11397773B2 (en) | 2020-09-30 | 2022-07-26 | Johnson Controls Tyco IP Holdings LLP | Building management system with semantic model integration |
US11954154B2 (en) | 2020-09-30 | 2024-04-09 | Johnson Controls Tyco IP Holdings LLP | Building management system with semantic model integration |
US20220137575A1 (en) | 2020-10-30 | 2022-05-05 | Johnson Controls Technology Company | Building management system with dynamic building model enhanced by digital twins |
US11340899B1 (en) * | 2020-11-05 | 2022-05-24 | Mitsubishi Electric Research Laboratories, Inc. | Controller with early termination in mixed-integer optimal control optimization |
US11976882B2 (en) | 2020-11-23 | 2024-05-07 | Baltimore Aircoil Company, Inc. | Heat rejection apparatus, plume abatement system, and method |
CN112487681B (zh) * | 2020-11-30 | 2022-05-17 | 北京航空航天大学 | 一种考虑制造约束的阵列微流道换热器性能优化方法 |
US11418969B2 (en) | 2021-01-15 | 2022-08-16 | Fisher-Rosemount Systems, Inc. | Suggestive device connectivity planning |
CN117280291A (zh) | 2021-03-17 | 2023-12-22 | 江森自控泰科知识产权控股有限责任合伙公司 | 用于确定设备能量浪费的系统和方法 |
US11769066B2 (en) | 2021-11-17 | 2023-09-26 | Johnson Controls Tyco IP Holdings LLP | Building data platform with digital twin triggers and actions |
US11899723B2 (en) | 2021-06-22 | 2024-02-13 | Johnson Controls Tyco IP Holdings LLP | Building data platform with context based twin function processing |
US11796974B2 (en) | 2021-11-16 | 2023-10-24 | Johnson Controls Tyco IP Holdings LLP | Building data platform with schema extensibility for properties and tags of a digital twin |
US11934966B2 (en) | 2021-11-17 | 2024-03-19 | Johnson Controls Tyco IP Holdings LLP | Building data platform with digital twin inferences |
US11704311B2 (en) | 2021-11-24 | 2023-07-18 | Johnson Controls Tyco IP Holdings LLP | Building data platform with a distributed digital twin |
US11714930B2 (en) | 2021-11-29 | 2023-08-01 | Johnson Controls Tyco IP Holdings LLP | Building data platform with digital twin based inferences and predictions for a graphical building model |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070005191A1 (en) * | 2005-06-30 | 2007-01-04 | Sloup Charles J | Real-time global optimization of building setpoints and sequence of operation |
US20090171512A1 (en) * | 2006-12-22 | 2009-07-02 | Duncan Scot M | Optimized Control System For Cooling Systems |
US20110066258A1 (en) * | 2009-09-11 | 2011-03-17 | Siemens Corporation | System and Method for Energy Plant Optimization Using Mixed Integer-Linear Programming |
CN102281220A (zh) * | 2010-06-12 | 2011-12-14 | 华为技术有限公司 | 数据流处理方法、设备及系统 |
CN102331758A (zh) * | 2010-07-09 | 2012-01-25 | 爱默生过程管理电力和水解决方案公司 | 能量管理系统 |
CN102597639A (zh) * | 2009-09-16 | 2012-07-18 | 施耐德电气美国股份有限公司 | 对能量负荷进行建模和监测的系统和方法 |
CN102812303A (zh) * | 2009-12-16 | 2012-12-05 | 国家科学和工业研究组织 | Hvac控制系统和方法 |
US20130274940A1 (en) * | 2012-03-05 | 2013-10-17 | Siemens Corporation | Cloud enabled building automation system |
US20130345880A1 (en) * | 2012-06-26 | 2013-12-26 | Johnson Controls Technology Company | Systems and methods for controlling a chiller plant for a building |
CN103941591A (zh) * | 2008-10-31 | 2014-07-23 | 优化能源有限公司 | 用以控制能量消耗效率的系统和方法 |
US20140229146A1 (en) * | 2013-02-08 | 2014-08-14 | Entic, Llc | In-situ optimization of chilled water plants |
US20140249876A1 (en) * | 2011-09-20 | 2014-09-04 | The Trustees Of Columbia University In The City Of New York | Adaptive Stochastic Controller for Energy Efficiency and Smart Buildings |
US20140277760A1 (en) * | 2013-03-15 | 2014-09-18 | Honeywell International Inc. | Supervisory controller for hvac systems |
Family Cites Families (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
IT1098266B (it) | 1977-08-29 | 1985-09-07 | Scherico Ltd | 2-sostituti-3-fenilindoli,procedimento per la loro preparazione e per il loro impiego come immunosoppresori |
US6453993B1 (en) * | 2000-05-17 | 2002-09-24 | Carrier Corporation | Advanced starting control for multiple zone system |
US7117045B2 (en) * | 2001-09-08 | 2006-10-03 | Colorado State University Research Foundation | Combined proportional plus integral (PI) and neural network (nN) controller |
US9166415B2 (en) | 2005-11-24 | 2015-10-20 | Komatsu Ltd. | AC link bidirectional DC-DC converter, hybrid power supply system using the same and hybrid vehicle |
US7580775B2 (en) | 2006-07-11 | 2009-08-25 | Regen Energy Inc. | Method and apparatus for implementing enablement state decision for energy consuming load based on demand and duty cycle of load |
US8527109B2 (en) | 2006-07-11 | 2013-09-03 | Regen Energy Inc. | Method and apparatus for managing an energy consuming load |
US8527108B2 (en) | 2006-07-11 | 2013-09-03 | Regen Energy Inc. | Method and apparatus for managing an energy consuming load |
US8020390B2 (en) * | 2009-06-06 | 2011-09-20 | International Business Machines Corporation | Cooling infrastructure leveraging a combination of free and solar cooling |
CA2797794C (en) * | 2010-05-05 | 2019-01-15 | Greensleeves, LLC | Energy chassis and energy exchange device |
US8903554B2 (en) | 2011-02-22 | 2014-12-02 | The Board Of Trustees Of The Leland Stanford Junior University | Energy plant design and operation |
US20120323637A1 (en) * | 2011-02-24 | 2012-12-20 | Cushing Vincent J | Optimization of attributes in a portfolio of commercial and industrial facilities |
WO2012161804A1 (en) | 2011-02-24 | 2012-11-29 | Clean Urban Energy, Inc. | Integration of commercial building operations with electric system operations and markets |
US9244444B2 (en) * | 2011-03-07 | 2016-01-26 | Callida Energy Llc | Systems and methods for optimizing energy and resource management for building systems |
US20150178865A1 (en) * | 2011-09-20 | 2015-06-25 | The Trustees Of Columbia University In The City Of New York | Total property optimization system for energy efficiency and smart buildings |
JP5809520B2 (ja) * | 2011-10-24 | 2015-11-11 | 大阪瓦斯株式会社 | 貯蔵タンク運用計画導出システム及び方法 |
WO2013130956A1 (en) | 2012-03-02 | 2013-09-06 | Vigilent Corporation | Multi-dimensional optimization for controlling environmental maintenance modules |
US9519731B2 (en) * | 2012-08-01 | 2016-12-13 | Honeywell International Inc. | Determining a heating, ventilation, and air conditioning model for a building |
US9645563B2 (en) * | 2012-08-30 | 2017-05-09 | Honeywell International Inc. | Tuning model structures of dynamic systems |
US8600561B1 (en) | 2012-09-30 | 2013-12-03 | Nest Labs, Inc. | Radiant heating controls and methods for an environmental control system |
CA2887909A1 (en) * | 2012-10-11 | 2014-04-17 | Siemens Corporation | On-line optimization scheme for hvac demand response |
US9292012B2 (en) * | 2012-11-05 | 2016-03-22 | Rockwell Automation Technologies, Inc. | Secure models for model-based control and optimization |
WO2015047273A1 (en) * | 2013-09-26 | 2015-04-02 | Hewlett-Packard Development Company, L.P. | Controlling usage of resources based on operating status and communications |
US20150178421A1 (en) * | 2013-12-20 | 2015-06-25 | BrightBox Technologies, Inc. | Systems for and methods of modeling, step-testing, and adaptively controlling in-situ building components |
US9741082B2 (en) * | 2014-03-10 | 2017-08-22 | Honeywell International Inc. | Distributed HVAC system cost optimization |
US9967107B2 (en) * | 2014-12-24 | 2018-05-08 | Optimum Energy Llc | Intelligent equipment sequencing |
-
2015
- 2015-04-23 US US14/694,633 patent/US10761547B2/en active Active
-
2016
- 2016-04-15 EP EP22177772.5A patent/EP4080295A1/en active Pending
- 2016-04-15 EP EP16165681.4A patent/EP3088972B1/en active Active
- 2016-04-22 CN CN201610257004.7A patent/CN106066077B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070005191A1 (en) * | 2005-06-30 | 2007-01-04 | Sloup Charles J | Real-time global optimization of building setpoints and sequence of operation |
US20090171512A1 (en) * | 2006-12-22 | 2009-07-02 | Duncan Scot M | Optimized Control System For Cooling Systems |
CN103941591A (zh) * | 2008-10-31 | 2014-07-23 | 优化能源有限公司 | 用以控制能量消耗效率的系统和方法 |
US20110066258A1 (en) * | 2009-09-11 | 2011-03-17 | Siemens Corporation | System and Method for Energy Plant Optimization Using Mixed Integer-Linear Programming |
CN102597639A (zh) * | 2009-09-16 | 2012-07-18 | 施耐德电气美国股份有限公司 | 对能量负荷进行建模和监测的系统和方法 |
CN102812303A (zh) * | 2009-12-16 | 2012-12-05 | 国家科学和工业研究组织 | Hvac控制系统和方法 |
CN102281220A (zh) * | 2010-06-12 | 2011-12-14 | 华为技术有限公司 | 数据流处理方法、设备及系统 |
CN102331758A (zh) * | 2010-07-09 | 2012-01-25 | 爱默生过程管理电力和水解决方案公司 | 能量管理系统 |
US20140249876A1 (en) * | 2011-09-20 | 2014-09-04 | The Trustees Of Columbia University In The City Of New York | Adaptive Stochastic Controller for Energy Efficiency and Smart Buildings |
US20130274940A1 (en) * | 2012-03-05 | 2013-10-17 | Siemens Corporation | Cloud enabled building automation system |
US20130345880A1 (en) * | 2012-06-26 | 2013-12-26 | Johnson Controls Technology Company | Systems and methods for controlling a chiller plant for a building |
US20140229146A1 (en) * | 2013-02-08 | 2014-08-14 | Entic, Llc | In-situ optimization of chilled water plants |
US20140277760A1 (en) * | 2013-03-15 | 2014-09-18 | Honeywell International Inc. | Supervisory controller for hvac systems |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11238547B2 (en) | 2017-01-12 | 2022-02-01 | Johnson Controls Tyco IP Holdings LLP | Building energy cost optimization system with asset sizing |
CN108416503A (zh) * | 2017-02-07 | 2018-08-17 | 江森自控科技公司 | 具有资产规模调整的建筑物能量成本优化系统 |
US11847617B2 (en) | 2017-02-07 | 2023-12-19 | Johnson Controls Tyco IP Holdings LLP | Model predictive maintenance system with financial analysis functionality |
CN108416503B (zh) * | 2017-02-07 | 2022-04-08 | 江森自控科技公司 | 具有资产规模调整的建筑物能量成本优化系统 |
US11371739B2 (en) | 2017-04-25 | 2022-06-28 | Johnson Controls Technology Company | Predictive building control system with neural network based comfort prediction |
CN110753886B (zh) * | 2017-04-25 | 2023-05-05 | 江森自控科技公司 | 具有基于神经网络的约束生成的预测建筑物控制系统 |
CN110753886A (zh) * | 2017-04-25 | 2020-02-04 | 江森自控科技公司 | 具有基于神经网络的约束生成的预测建筑物控制系统 |
US11675322B2 (en) | 2017-04-25 | 2023-06-13 | Johnson Controls Technology Company | Predictive building control system with discomfort threshold adjustment |
US11391484B2 (en) | 2017-04-25 | 2022-07-19 | Johnson Controls Technology Company | Building control system with constraint generation using artificial intelligence model |
CN112543852A (zh) * | 2018-01-19 | 2021-03-23 | 罗伯特·博世有限公司 | 用于使用基于聚类的规则挖掘方法来优化结构的能量使用的系统和方法 |
US11519628B2 (en) | 2018-01-19 | 2022-12-06 | Robert Bosch Gmbh | System and method for optimizing energy use of a structure using a clustering-based rule-mining approach |
CN110736227B (zh) * | 2018-07-20 | 2022-02-15 | 江森自控科技公司 | 具有在线可配置系统标识的建筑物管理系统 |
US11243503B2 (en) | 2018-07-20 | 2022-02-08 | Johnson Controls Tyco IP Holdings LLP | Building management system with online configurable system identification |
CN110736227A (zh) * | 2018-07-20 | 2020-01-31 | 江森自控科技公司 | 具有在线可配置系统标识的建筑物管理系统 |
CN112696786A (zh) * | 2019-10-07 | 2021-04-23 | 霍尼韦尔国际公司 | 暖通空调系统中的分布式设定点配置 |
US11536481B2 (en) | 2019-10-07 | 2022-12-27 | Honeywell International Inc. | Distributed set point configuration in heating, ventilation, and air-conditioning systems |
Also Published As
Publication number | Publication date |
---|---|
EP4080295A1 (en) | 2022-10-26 |
EP3088972A3 (en) | 2016-11-23 |
US10761547B2 (en) | 2020-09-01 |
EP3088972B1 (en) | 2022-07-20 |
CN106066077B (zh) | 2020-12-18 |
US20160313751A1 (en) | 2016-10-27 |
EP3088972A2 (en) | 2016-11-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106066077A (zh) | 具有预测成本优化的hvac控制器 | |
US10809675B2 (en) | HVAC system using model predictive control with distributed low-level airside optimization and airside power consumption model | |
US10956842B2 (en) | Central plant with asset allocator | |
US11914353B2 (en) | Control system with automatic optimization formulation | |
US11762377B2 (en) | Systems and methods for modeling and controlling building system entities | |
US11209184B2 (en) | Control system for central energy facility with distributed energy storage | |
US11067955B2 (en) | HVAC system using model predictive control with distributed low-level airside optimization | |
US11360451B2 (en) | Central plant optimization planning tool with advanced user interface | |
Maasoumy et al. | Model predictive control approach to online computation of demand-side flexibility of commercial buildings hvac systems for supply following | |
US20190384259A1 (en) | Incorporating a demand charge in central plant optimization | |
US20170031962A1 (en) | Systems and methods for visualizing equipment utilization in a central plant | |
US11385605B2 (en) | Building control system with features for operating under intermittent connectivity to a cloud computation system | |
WO2021108224A1 (en) | Building control system with smart edge devices having embedded model predictive control | |
US11953865B2 (en) | HVAC controller with predictive cost optimization | |
US11392095B2 (en) | Building control system with central plant model generation | |
US20230280732A1 (en) | Central plant with automatic subplant models | |
US11099530B2 (en) | Central plant control system with device geometric modeling and control | |
US20220397882A1 (en) | Central energy system with expert subplant models | |
US20230176534A1 (en) | Control system for building equipment with optimization search reduction based on equipment models and parameters | |
US20230350390A1 (en) | Building equipment control system with dynamic flow bounds |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20230601 Address after: Wisconsin Patentee after: Johnson Controls Tyco intellectual property holdings limited liability partnership Address before: Michigan, USA Patentee before: JOHNSON CONTROLS TECHNOLOGY Co. |