CN107430388A - 用于控制建筑物内的环境管理系统的方法和装置 - Google Patents

用于控制建筑物内的环境管理系统的方法和装置 Download PDF

Info

Publication number
CN107430388A
CN107430388A CN201680012566.3A CN201680012566A CN107430388A CN 107430388 A CN107430388 A CN 107430388A CN 201680012566 A CN201680012566 A CN 201680012566A CN 107430388 A CN107430388 A CN 107430388A
Authority
CN
China
Prior art keywords
model
building
future
management system
control
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.)
Pending
Application number
CN201680012566.3A
Other languages
English (en)
Inventor
安德鲁·迈克尔·哈斯莱特
约翰·埃尔文·迈克尔·巴特比
达伦·罗宾逊
帕哈姆·A·米尔扎伊
马津·阿拉瓦尼
萨义德·贾布泊
安娜·桑乔·托马斯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Energy Technology Research Institute Co Ltd
Energy Technologies Institute LLP
Original Assignee
Energy Technology Research Institute Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Energy Technology Research Institute Co Ltd filed Critical Energy Technology Research Institute Co Ltd
Publication of CN107430388A publication Critical patent/CN107430388A/zh
Pending legal-status Critical Current

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
    • G05B15/00—Systems controlled by a computer
    • G05B15/02—Systems controlled by a computer electric
    • 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
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • 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
    • 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
    • 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
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
    • 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
    • G05B17/00—Systems involving the use of models or simulators of said systems
    • G05B17/02—Systems involving the use of models or simulators of said systems electric
    • 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
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • 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
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L12/00—Data switching networks
    • H04L12/28—Data switching networks characterised by path configuration, e.g. LAN [Local Area Networks] or WAN [Wide Area Networks]
    • H04L12/2803—Home automation networks
    • H04L12/2816—Controlling appliance services of a home automation network by calling their functionalities
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/26—Pc applications
    • G05B2219/2642—Domotique, domestic, home control, automation, smart house
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B70/00—Technologies for an efficient end-user side electric power management and consumption
    • Y02B70/30—Systems integrating technologies related to power network operation and communication or information technologies for improving the carbon footprint of the management of residential or tertiary loads, i.e. smart grids as climate change mitigation technology in the buildings sector, including also the last stages of power distribution and the control, monitoring or operating management systems at local level

Landscapes

  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Evolutionary Computation (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Tourism & Hospitality (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mechanical Engineering (AREA)
  • Combustion & Propulsion (AREA)
  • Chemical & Material Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Human Resources & Organizations (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Primary Health Care (AREA)
  • Marketing (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Air Conditioning Control Device (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种操作建筑物内的环境管理系统的方法，包括：使用至少第一模型和第二模型中的每一个，针对所选的将来时段：预测以下一项或两项：i)根据当前测量的系统状态和期望的将来系统状态的针对环境管理系统的控制需求，或ii)利用特定控制输入集合将达到的将来系统状态；其中，第一模型包括建筑物的参数化物理模型，第二模型包括建筑物的隐式模型。基于先前针对与为所选的将来时段所预报的条件相类似的条件预测建筑物热行为的成功，评估第一模型和第二模型的预测。基于所确定的不确定带，选择使得与期望的将来系统状态的可能偏离水平最小化的控制策略。该控制策略包括针对环境管理系统的控制参数。环境管理系统被操作为根据所选择的控制策略控制建筑物中的环境。

Description

用于控制建筑物内的环境管理系统的方法和装置
技术领域
本发明涉及用于控制建筑物内的环境管理系统的方法和装置。
背景技术
建筑物至少如同人类一样各具特点。尽管可以按照原型来对住所分类，但是最起码存在上百种类型。还清楚的是，这些原型组的众多成员彼此之间由于构造细节、后期改建和修补的差异而大大不同。建筑物系统尤其是采暖和通风系统也大大不同，而且这些系统与它们所在的建筑物之间的相互影响是复杂的。
另外，具有不同居住者的相同建筑物的能量行为可能极为不同。使个体进入不同建筑物中的不同居住人群也会导致重大的行为改变。尽管清楚锅炉的行为与采暖系统中的其他部件以及建筑物和居住者密切相关，但是可能不太明显的是制冷器的能量使用取决于其位于建筑物中何处特别是冷凝器周围微环境的物理特性。
对建筑物特别是家用建筑物应用复杂的控制在目前极为有限，特别是在将建筑物物理模型应用到控制方案方面。随着更廉价和强大的家用自动化部件的出现，现在已有机会实现更有效的控制。一般而言，建筑物物理模型形成建筑物环境管理系统(BEMS)的功能集的一部分。然而，本发明在家庭环境管理系统(HEMS)中更有机会。因此，为简明起见，说明书的其余部分趋向于仅谈及HEMS。但是，应当理解，本发明可以应用于任何BEMS，而不仅仅是HEMS。
现有技术包括：a)通过连接到各房间恒温器的中央控制器进行采暖系统的多区域控制；b)检测到高热输入和低采暖率则用信号告知有窗户打开并通过减少供热来避免浪费；c)估计加热某一区域所需的时间以便随时调度目标温度，而不是开启/关闭加热控制。
尽管上述各系统可以优于采用单独区域性恒温器(例如，恒温散热器调节阀，TRV)的采暖系统的时控运行，但是并不能解决与建筑物采暖和热力学相关的一些重要需求。
因此，鉴于上述问题，做出了本发明。
发明内容
当前系统不能充分解决的因素的一些示例如下：
·区域之间的热泄漏(例如，通过门、墙壁、地面和天花板)通常是严重的。除非对此留有余量，否则由于不同区域中号称独立的控制回路之间存在耦合，可能难以达到目标温度，。
·太阳能增益可能是极为重要的热源，即便在冬季也是如此，除非这被明确包括在控制模型中，否则可能导致过度加热、能源浪费甚至在寒冷时节开窗。注意，温室可以是热源或热沉。
·加热某一区域所需的时间是多因素问题，并包括诸如窗户是打开还是关闭以及建筑物结构热质量的当前温度等因素。例如，寒冷时节的升温率低于炎热时节的升温率。
·尽管通过相对于升温率的过度热输入来检测窗户打开是一种状态估计方法，但是这不可避免仅仅是一种调节过度供热的粗陋方式，除非考虑大范围的环境参数。例如，存在每当外门打开时就关闭靠近外门的供热的风险，这取决于加热器和恒温器相对于门的位置。
·人的舒适度取决于气温之外的众多因素，对这些因素进行估计是高效HEMS的重要需求。
·在某些环节中湿度管理是重要的，这也要求对来自烹饪、洗浴、洗涤的强制暂时性通风进行建模和识别，以及估计不同区域中的湿度以及在墙壁、窗户、配件和家具上凝结并变潮的风险等。
·系统的元件可能具有加热效果，并导致主要的益处，例如毛巾架/散热器以及淋浴/洗浴。
·控制可以通过HEMS识别并估计来自家电(包括二次加热)和人类活动的加热贡献来改进。这对于良好隔绝的建筑物尤其如此，在这种建筑物中，挑战在于尽可能避免在加热区域时过度供热。
·给定极宽范围的建筑物状态、建筑物内的人类活动以及外部环境因素，难以预测具体控制动作的结果。
一般而言，HEMS的建筑物物理模型也可以为其他过程提供输入，例如，改变不同区域中设置点的可能成本影响或者标识主要建筑结构低效率的可能原因。
建筑物物理特性的一种可能方法是：基于对建筑物及其部件的非常准确的描述，使用详细建模工具来计算建筑物响应。这种方法已经用于少量建筑物，作为建筑物物理特性和效率的设计-建造-验证方法的一部分。对于具有主要环境控制问题的大型商用建筑物，通过离线建模和设计修改，这可能是应对出租价值及舒适性损失的成本有效方式。然而，以这种方式产生建筑物的可靠模型所需的专业水准、复杂度和数据极高，远超出了住宅所能达到的范围。不仅是对于住宅而言不可接受的成本-收益比，而且由于相比于旅馆或办公楼来说对于竣工数据的更少访问、区域更多地受到外部环境影响以及更复杂和多变的居住方式而更加难以达到。因此，申请人提出了针对该问题的解决方案。
根据本发明的第一方面，提供了一种如权利要求1所述的操作建筑物内的环境管理系统的方法。该方法包括：针对至少第一模型和第二模型中的每一个：
A.使用该模型来针对所选的将来时段，预测以下一项或两项：i)根据当前测量的系统状态和期望的将来系统状态的针对环境管理系统的控制需求，或ii)利用特定控制输入集合将达到的将来系统状态；其中第一模型包括建筑物的参数化物理模型，第二模型包括建筑物的隐式模型；
B.基于先前针对与为所选的将来时段预报的条件相类似的条件预测建筑物热行为的成功，评估第一模型和第二模型的预测；
C.确定期望或预测的将来系统状态的不确定带。
基于所确定的不确定带，该方法选择使得与期望的将来系统状态的可能偏离水平最小化的控制策略，该控制策略包括针对环境管理系统的控制参数，以及操作环境管理系统，以根据所选择的控制策略控制建筑物中的环境。
因此，本发明第一方面的实施例实现了HEMS的基于模型的预测控制，同时使得由于建模的不准确而导致的不满意风险最小化。该方法提供了在控制策略中引入谨慎方法的措施。通过运行两种模型中的每一种并将它们与来自之前时间段的历史数据和模型预测相比较，可以建立关于模型预测的可能准确度的不确定度的范围或带。于是，这允许基于使得策略导致建筑物的条件(系统状态)偏离期望条件太远的可能性最小化来确定“安全”策略。
根据本发明的第二方面，本发明提供了一种根据权利要求1所述的操作建筑物内的环境管理系统的方法。该方法包括：
使用第一模型针对所选的将来时段，预测以下一项或两项：i)根据当前测量的系统状态和期望的将来系统状态的针对环境管理系统的控制需求，或ii)利用特定控制输入集合将达到的将来系统状态；其中第一模型包括建筑物的参数化物理模型；
使用第二模型针对所选的将来时段，预测以下一项或两项：i)根据当前测量的系统状态和期望的将来系统状态的针对环境管理系统的控制需求，或ii)利用特定控制输入集合将达到的将来系统状态；其中第二模型包括建筑物的隐式(黑盒子)模型；
基于先前针对与为所选的将来时段所预报的条件相类似的条件预测建筑物热行为的成功，评估第一模型和第二模型的预测；
基于评估，选择第一模型和第二模型之一；以及
操作环境管理系统，以根据针对所选时段选择的模型控制建筑物中的环境。
本发明第一方面的实施例实现了可靠性比现有技术系统好的HEMS的基于模型的预测控制，因为评估两种不同类型的模型来确定对于给定环境集合最有可能给出最好结果的模型，并基于此控制HEMS。相信本发明的混合方法将使得控制系统能够考虑建筑物的动态操作中不可避免的误差和未知变量。本发明的实施例可以包括预测未来环境变量的值以及可能的未来控制输入。
本发明第一方面和第二方面的实施例可以通过构成环境管理系统一部分的建筑物物理模块/单元来执行。建筑物物理模块可以形成该系统的整体部分，或者可以是分立单元。
上述方法可以包括基于经验丰富的安装工程师的检查和/或用户输入，构建关于建筑物物理特性(即，热力学)的可信假设(plausible hypotheses)。可以提供支持工具来帮助收集合适的建筑物数据。数据收集可以受从包含环境管理系统的其他类似建筑物收集的数据影响。例如，该系统可以确定对于某类建筑物，某些数据比其他数据更重要。这种假设可以用于预测对于控制和其他因素(即，天气)的建筑物响应。
上述方法可以包括设置/安装过程，尝试识别主要家电及其在建筑物内的位置，并使用安装者与建筑物居住者之前的社交交互(social interaction)来配置系统以适应他们的需要。设置过程还可以包括输入与建筑物的结构和特征相关的数据(例如，包括房间布局或功能分区，窗、门、散热器的位置和特性等)。本发明的实施例可以设计为使得在系统安装期间以及贯穿HEMS的寿命所收集的信息的利用最大化。
第一模型可以包括从建筑物子系统模型的库中选择选择的一个或多个子模型，可以由安装工程师在系统安装时来选择，或者可以由系统根据安装工程师输入的数据来识别。
上述方法还可以包括确定能够提供建筑物的有效表示的最小参数集。可以对来自一个或多个建筑物的实际数据的相对长时间序列进行分析，以便做出这种确定。
上述方法还可以包括调节第一模型的参数，直至第一模型解释所测量的系统状态(即，表示建筑物的热力学)。这可以包括对一个或多个建筑物系统的动力学(例如，供暖、通风、热水系统)及其与建筑物物理特性(例如，窗户位置)的相互影响进行建模。
上述方法可以包括用于识别合适的部件模型及其参数的训练时段。训练时段可以根据特性参数进行分割。换言之，可以根据已经表现为对其他类似建筑物中特别是历史上在本建筑物中的模型利用进行区分的环境因素对子模型(方程和参数)进行分类。例如，分割可以根据建筑物被居住的时间、建筑物被居住但是都在睡眠的时间、建筑物未被居住的时间、根据外部温度水平或一年中相对于日出/日落的时间来进行。应理解，任何这种分割可能是非常粗略的，但是多维的。
分割可以具有通过主成分分析而缩减的维度，以便识别真正地产生不同模型集和参数表示的时段。模型训练时段分割的额外维度可以从历史数据和/或通过添加来自其他建筑物的额外测量和估计参数作为推定维度来识别。对类似用途的建筑物(住宅、办公楼、休闲中心等)中多个环境管理系统的时段特征维度的分析可以用来作为分割过程的种子或者发起分割过程。
训练时段可以包括通过将一些项分组在一起来简化第一模型(例如，当系统被识别为过度参数化时)。
第一模型包括使用连续时间随机模型(CTSM)。
第二模型可以包括基于根据上述相同的环境因素的分割而发展的子模型集合。子模型的识别可以使用实际测量数据来进行。
第二模型包括人工神经网络。应注意，第二模型是系统的隐式(黑盒子)模型，而第一模型(参数化物理模型)可以视为系统的准显式(灰盒子)模型。
应注意，对于第一模型和第二模型的提及并不意味着该方法的时间顺序，而是简单地指代两种不同类型的模型。
上述方法可以包括识别第一模型和/或子模型中的隐藏状态变量(例如，门窗打开、百叶窗升降、墙和窗的内部温度、散热器的温度、窗帘打开或闭合、空气交换(即，通风)率)，并可以包括假设预定时段中所述隐藏状态变量的可能状态。这种假设可以用在控制算法内以传递舒适参数，如气温、湿度水平和通风控制。
可以对安装工程师提出供选择的子模型进行挑选或排序，以反映已经被确定为在多个(例如，类似)环境管理系统中最成功的模型结构和/或参数概率分布。
子模型可以被配置为从环境管理系统的其他部分接收输入，这可以实现对物理输入的估计，例如人体新陈代谢热输入、来自家电的热增益、二次加热(例如，来自毛巾架、淋浴或洗浴)、强制通风系统、除湿器以及湿气源如清洗、干燥和烹饪。
评估第一模型和第二模型的预测的步骤可以包括比较模型输出和/或能量输入。
控制环境管理系统的步骤包括控制以下一项或多项以实现期望的将来系统状态：供暖系统、热水系统、通风系统和制冷系统。
可以控制该系统以管理热量、湿度、凝结和发霉中的一项或多项。
上述方法还可以包括在环境管理系统的直接控制之外的其他功能中使用来自第一模型和第二模型中的任一个或两个的参数。这种功能包括以下一项或多项：预算管理、家电选择、家庭改进建议、估计固有建筑物效率、提供支持社交支付(social payment)的证据以及产品和服务的目标销售。
在第二方面的实施例中，如果在特定情形(例如，对于特定分割)下，第一模型或第二模型之一被确定为几乎总是被选择，则该系统可以适配并可以总是使用该模型，而不评估另一模型。
在本发明的实施例中，可以提供中央服务器来从多个HEMS收集数据。在这种情况下，中央服务器将能够建立不同区域中建筑物的特征的极有价值的数据库。另外，在大量建筑物中收集的数据可以使得能够构建在相对短时间范围中在新建筑物内极有可能有效工作的模型和参数集合(即，盒外)。
根据本发明的第三方面，提供了一种操作建筑物内的环境管理系统的装置，包括：
用于测量系统状态的装置；以及
处理器，被配置为：
使用第一模型针对所选的将来时段，预测以下一项或两项：i)根据当前测量的系统状态和期望的将来系统状态的针对环境管理系统的控制需求，或ii)利用特定控制输入集合将达到的将来系统状态；其中第一模型包括建筑物的参数化物理模型；
使用第二模型针对所选的将来时段，预测以下一项或两项：i)根据当前测量的系统状态和期望的将来系统状态的针对环境管理系统的控制需求，或ii)利用特定控制输入集合将达到的将来系统状态；其中第二模型包括建筑物的隐式模型；
基于先前针对与为所选的将来时段所预报的条件相类似的条件预测建筑物热行为的成功，评估第一模型和第二模型的预测；
基于评估，选择第一模型和第二模型之一；以及
操作环境管理系统，以根据针对所选时段选择的模型控制建筑物中的环境。
根据本发明的第四方面，提供了一种建筑物环境管理系统，包括根据第二方面的装置。
本发明的第三方面和第四方面可以包括以上关于本发明的第一和第二方面描述的任何特征。
根据本发明的第五方面，提供了一种操作建筑物内的环境管理系统的装置，包括：
用于测量系统状态的装置；以及
处理器，被配置为，针对至少第一模型和第二模型中的每一个：
A.使用该模型来针对所选的将来时段，预测以下一项或两项：i)根据当前测量的系统状态和期望的将来系统状态的针对环境管理系统的控制需求，或ii)利用特定控制输入集合将达到的将来系统状态；其中第一模型包括建筑物的参数化物理模型，第二模型包括建筑物的隐式模型；
B.基于先前针对与为所选的将来时段所预报的条件相类似的条件预测建筑物热行为的成功，评估第一模型和第二模型的预测；
C.确定期望或预测的将来系统状态的不确定带。
基于所确定的不确定带，处理器选择使得与期望的将来系统状态的可能偏离水平最小化的控制策略，该控制策略包括针对环境管理系统的控制参数。处理器操作环境管理系统，以根据所选择的控制策略控制建筑物中的环境。
根据本发明的第六方面，提供了一种建筑物环境管理系统，包括根据第五方面的装置。
本发明的第五方面和第六方面可以包括以上关于本发明的第一和第二方面描述的任何特征。
附图说明
现在将参照附图，描述本发明的实施例，仅作为示例，附图中：
图1示出了根据本发明实施例的建筑物物理模型的整体构想的流程图(包括训练阶段和随后的应用阶段)
图2示出了根据本发明实施例的人工神经网络(ANN)的初始训练阶段的流程图；
图3示出了图2的ANN的连续操作的流程图；
图4示出了根据本发明实施例的前向选择过程的流程图；
图5示出了根据本发明实施例的连续时间随机模型(CTSM)的初始训练时段的流程图；
图6示出了根据本发明实施例的模型选择的流程图；以及
图7示出了根据本发明实施例的图2和3中ANN的应用的流程图。
具体实施方式
现在将在作为建筑物环境管理系统(BEMS)特例的家庭环境管理系统(HEMS)内的建筑物物理模块(BPM)的情景下描述本发明的实施例。
该特定BPM/系统的目的在于实时预测家中每一个房间的温度和采暖需求。更具体地，家庭被分为多个热区域，每个区域具有自身的传感器。模块将决定每个区域中的温度数据和推荐采暖需求，并提供控制信号以便实现推荐采暖等级。
原则上，所描述的模型可以用于估计达到未来期望状态所需的热输入或者特定热输入集合将达到的未来状态。在一些实施例中，可能需要这两种功能以便有效的控制优化。因此，一些实施例的BPM构成了一种用于操作建筑物内的环境管理系统的装置，并包括：用于测量系统当前状态的装置；以及处理器，配置为：使用第一模型，针对将来的选定时段，预测以下之一或二者：i)基于当前测量的系统状态和期望的未来系统状态的针对环境管理系统的控制需求；或者ii)在特定控制输入集合下能够达到的未来系统状态；其中第一模型包括建筑物的参数化物理模型；使用第二模型，针对将来的选定时段，预测以下之一或二者：i)基于当前测量的系统状态和期望的未来系统状态的针对环境管理系统的控制需求；或者ii)在特定控制输入集合下能够达到的未来系统状态；其中第二模型包括建筑物的隐性(黑盒子)模型；基于先前针对与为所选的将来时段预报的条件相类似的条件预测建筑物热行为的成功，评估第一模型和第二模型的预测；基于评估，选择第一模型和第二模型之一；以及操作环境管理系统，以根据针对所选时段选择的模型控制建筑物中的环境。
一些实施例的BPM构成了一种用于操作建筑物内的环境管理系统的装置，并包括：用于测量系统当前状态的装置；以及处理器，配置为针对至少第一模型和第二模型中的每一个：A.使用该模型，针对所选的将来时段，预测以下之一或二者：i)基于当前测量的系统状态和期望的未来系统状态的针对环境管理系统的控制需求；或者ii)在特定控制输入集合下能够达到的未来系统状态；其中第一模型包括建筑物的参数化物理模型；B.基于先前针对与为所选的将来时段预报的条件相类似的条件预测建筑物热行为的成功，评估第一模型和第二模型的预测；以及C.确定针对期望或预测未来系统状态的不确定带。基于所确定的不确定带，处理器选择使得与期望未来系统状态的可能偏离水平最小化的控制策略，该控制策略包括针对环境管理系统的控制参数。处理器操作环境管理系统，以根据所选择的控制策略控制建筑物中的环境。
安装和设置
热区域由安装工程师在系统安装期间定义，安装工程师将区域分配给每一个单独供暖空间。每个空间可以热耦合到一个或多个其他供暖空间，在这种情况下，这些连接应当由工程师输入到系统中，从而BMP可以确定相关联的热交换。工程师具有能够构建建筑物及其内容和家电的空间模型的工具，这将支持众多HEMS功能，包括BPM。
BPM可能需要工程师分配诸如门、窗、散热器等部件并确定它们的尺寸，并标识诸如百叶窗、窗帘、顶棚之类的特征以及诸如供暖和水系统、排风扇、风帽之类的子系统，以及可能对于在建筑物内产生或者向建筑物内或从建筑物中传送热和湿气作出贡献的任何其他特征，包括蓄水池，例如墙壁或散热器的热容或者软装的位置、毛巾等。
系统概览
本实施例示出了本发明如何使用连续时间随机模型和人工神经网络在建筑物内的供暖控制方面实施。本领域技术人员应清楚，可以应用贝叶斯统计、主成分分析和对于多维空间中的相似性(similarity)和一致性(congruence)的分析技术(例如，欧几里德分割和形态分类)。这些概念如何扩展到包括湿度或者从模型中提取隐藏状态估计(即，门已经关上)并不明确讨论，但是根据本说明书的整体教导以及下面的具体例示而变得清楚。
在本BMP中使用两种不同类型的模型：第一模型包括人工神经网络(ANN)，第二模型包括连续时间随机模型(CTSM)。在一些实施例中，系统使用使用这两个模型的预测，并基于先前对于与所预报的条件类似的条件预测建筑物热行为的成功，评估这些预测。然后，系统确定期望或预测的未来系统状态的不确定带，并选择使得与期望的建筑物将来热状态的可能偏离水平最小化的控制策略。在其他实施例中，系统针对每24小时时段，基于先前对于与针对这一天提前预报的条件类似的条件预测建筑物热行为的成功，选择最适合使用的模型。
ANN是“黑盒子”模型，从而其内部过程并无物理意义。这可能是有利的，因为它可以对未知或无法在物理上定义的现象进行建模，只要存在用于描述这种现象的代理输入。
另一方面，CTSM更加灵活，因为其具有物理意义。这种“灰盒子”模型还需要少得多的数据来产生可靠结果，并且可以对建筑物外围(envelope)的改变(即，由于窗户打开)包括隐藏状态变量进行显式建模。
图1示出了这两种方法如何一起用在BPM中。在初始设置过程10之后，如上所述，系统开始针对两个模型的训练时段。在该时间期间，没有一种方法能提供可靠结果(因为两种模型需要针对受控的特定建筑物的行为来进行校准)。然而，在第一实例中，默认CTSM模型可以用于近似控制动作，直至其可以被针对实际建筑物进行训练后的模型所替代。HEMS也可以在这一段时间期间学习建筑物的其他特性，例如居住模方式。因此，HEMS的功能不那么初始，并且将采取预防方法来控制动作以避免基于不正确的假设而得到不幸运的结果。有效地，HEMS的行为类似于多区域常规供暖系统的数字版本，但是更加准确。
第一模型(CTSM)可能需要训练时段(过程I)步骤12，该步骤需要约三个供暖季日的累积时段，在此期间，建筑物未被居住且外部外围被密闭(例如，窗户和外门被关闭)。这可能要求多达如两周的经历时间。这可能足以定义对建筑物的热性能加以描述的模型，在外围密闭的情形下，所有重要的热阻、热容和热增益项被表征。可能需要多达十八周的另一时段来定义另一三日的累积时段，在该时段中，对于每个区域，不密闭外围(即，门或窗打开)。在这些条件下，可以估计修改阻值项，以考虑由于通过打开的窗/门进行的热传递而导致的热阻减小。
在两个CTSM模型被校准(外围密闭以及外围打开)的情况下，可以直接使用累积的历史数据(例如，在训练时段获得)来确定需要从“密闭”模型到“打开”模型——反之亦然——进行转换的情形。该数据和后继数据可以用于使用一般化线性模型的二项式族来拟合模型以预测相关联的转换概率，这将在下面详细描述。该模型随后可以与天气预报和/或来自其他模型的居住预报数据结合使用，以便推测预测是打开还是关闭窗户，并因此为每一预报选择合适的CTSM模型。
第二“黑盒子”ANN模型不需要这种分离——其隐含解决“密闭”和“打开”外围两者情况。在这种情况下，按照步骤S14(过程IIA)，该模型可能需要至少两周(多达六周)的连续数据的初始训练时段，以便配置近似模型，且可以据此进行初始预测。然而，按照步骤S16(过程IIB)，可能需要另外八至十六周时段的运行时连续训练，在此期间连续更新网络。
在上述训练时段完成之后，正常运行时间(过程III)步骤18包括模型预测、评估和选择。模型预测可以输出对于两种模型类型的温度和采暖需求，评估阶段将它们相对于已经观察到的数据进行测试，并且选择过程确定ANN和CTSM模型中哪一个最适于各预报日。
以下段落针对两种方法详细描述图1的流程图中每一阶段所涉及的过程。
ANN描述
人工神经网络(ANN)是一种以大脑和生物神经网络的运行为原型的机器学习算法。它们是统计学习算法，允许基于历史观察数据来构建数学模型，发现大量参数之间的关系。因此，它们被分类为黑盒子模型，在这种模型中，系统的特定特征或变量的行为可以根据给定刺激来估计，而无需描述所发生的物理或数学过程。
神经网络是这样一种系统：节点(称作“神经元”)互连并且按层分配，从而根据特定配置的输入，可以获得输出响应。计算这种响应的方式取决于用来根据输入计算输出的数学激活函数。
网络的架构可以通过层的数目和类型来定义。通常，具有一个输入层、一个或多个隐藏层以及一个输出层。
ANN的性能依赖于用来训练网络的数据的数量和质量。适当的训练时段对于确保网络被可靠地配置(意味着可靠地预报未来系统行为：在这种情形下，室温和采暖需求)来说是关键的。
下述网络配置已经证明在平衡准确性和复杂度之间是成功的。这是三层的前馈网络：输入、隐藏和输出。然而，在其他实施例中可以采用其他类型的网络或者其他类型的隐式(例如，时间序列)模型。
本实施例中的输入层和输出层是线性层，而隐藏层遵循S函数(另一常见可能是双曲正切函数)。偏置神经元包括在输入层和输出层中；这是通过允许在必要时修改激活函数来改进网络学习过程的额外加权参数。
在本例中，针对时间步长t，输入层包括以下神经元：
·一天中的时间
·室外温度
·风速
·入射的直接阳光照射
·针对N个热区域的来自加热器的热通量
·针对N个热区域的内部温度
·每对热区域的内部温差(导致N！/2(N-2)！个输入)
输出层包括：
·下一时间步长中针对N个热区域的来自加热器的热通量
·下一时间步长中针对N个热区域的内部温度
隐藏层包含输入神经元的1.5倍神经元。例如，在N＝4个热区域的情形中，输入层具有18个神经元，隐藏层具有27个隐藏神经元，且输出层具有8个神经元(描述四个区域中每个区域的温度和热通量)。
通过向其神经元之间的连接所赋予的加权参数，ANN隐含地能够描述行为影响(例如，窗户打开)及其对热性能和家电(例如，煤气灶)使用的影响。实际上，申请人已经发现，这种效果的明确表示(需要布尔变量)趋向于使ANN不稳定。
建筑物内部的测量得自测量传感器。水平照射传感器可能要安装在HEMS所安装于的建筑物的屋顶上，从而直接表示对于天空和太阳的局部反射闭塞。这种传感器应当能够计算全局水平照射(Igh)与漫射水平照射(Idh)之间的拆分。给定对于相关时间和位置所计算的太阳高度(γ)，于是束法向照射(Ibn)简单地是：Ibn＝(Igh-Idh)/sinγ，并且入射直接太阳照射I(t)[W.m-2]是：Ibncosθ，其中，θ是接收面(例如，窗户)上的入射角。
应注意，可以将ANN训练为在给定本地气象站处测量的同时水平照射的情况下预测本地直接水平照射，从而该气象站的天气预报可以被局域化(事实上，该原理也可以应用于其他气象参数)，例如，平均风速和风向。这些参数对于下述第二CTSM模型的方案可能也是需要的。
为了该实施例的目的，假设需要在每一住宅上测量照射，而风速和风向可以根据外部输入来估计。显然，有机会使用多个HEMS上的数据结合其他天气数据和预报来改进气象数据的局部估计和预报。
ANN：初始训练
ANN在开始做出合理的预测之前一般需要大量数据。为此，可能需要约两周的训练时段来收集数据并训练初始网络，然后这将在本方法中改进和使用。
ANN的初始训练时段在图2中描述，并包括如下步骤：
步骤20.收集两周的数据(例如，使用5分钟的数据采样率)。
步骤21.使用根据两周的工作所生成的数据来建立数据集。该数据集可以包括以下输入和输出：
o输入：
·一天中的时间：time
·室外温度：Tout(t)
·风速：Sw(t)
·入射直接太阳照射：I(t)
·每个区域中来自加热器的热通量：Qh_zone(t)
·每个区域中的区域温度：T_zone(t)
·每对区域(i,j)的温差：Tdiff_ij(t)
o输出：
·每个区域中在下一时间步长来自加热器的热通量：Qh_zone(t+1)
·每个区域中在下一时间步长的区域温度：T_zone(t+1)
步骤22.初始化神经网络(配置有上述的层和神经元)。
步骤23.在至少100个世代(epoch)(例如，针对t＝1到100)期间训练网络。
步骤24.这导致初始network(0)。
ANN：“运行时(on-the-fly)”连续训练
在收集了头两周的数据并用来训练和获得network(0)之后，实施动态训练的过程。对于接下来十周期间每15分钟的时间步长，测量新数据，并用来重新训练网络。只有在与network(0)相比导致改进的预测能力时才接受经过更新的网络。
对于每一时间步长，训练过程如图3所示，其中虚线表示数据流，实线表示过程链接。步骤如下：
步骤30.在时间t，记录新的测量数据，这些数据可以用于评估在上一时间步长做出的预测。因此，第一步骤是针对以下各项读取t处的测量值：
o室外温度：Tout(t)
o风速：Sw(t)
o直接太阳照射：I(t)
o每个区域中来自加热器的热通量：Qh_zone(t)
o每个区域中的区域温度：T_zone(t)
步骤32.使用区域条件的当前测量(T_zone(t)和Qh_zone(t))以及在前一时间步长计算的当前区域条件的预测P[T_zone(t)]和P[Qh_zone(t)]，通过计算所有区域的均方差MSE(t)来评估每个预测。
步骤34.通过计算预测的MSE(t)，评估上一次使用的网络network(t-1)与先前network(t-2)相比的性能。如果MSE(t)小于或等于针对前一时间步长计算的均方差MSE(t-1)，则保留network(t-1)(步骤36)，否则拒绝network(t-1)而保留network(t-2)(步骤38)。所选择的网络被命名为network_old(t)。
步骤40.此时，Qh_zone(t)、T_zone(t)被测量并已知。这些值结合到network_old(t)中作为目标输出值。输入值将是时间t-1处的测量值。因此，这些值构成网络可以用来重新训练的输入-输出对：
o输入：T_out(t-1)、Sw(t-1)、I(t-1)、Qh_zone(t-1)、T_zone(t-1)
o输出：Qh_zone(t)、T_zone(t)
步骤42.利用上述数据来重新训练网络，并且保存为network_new(t)。
步骤44a.使用network_new(t)来预报区域温度P[T_zone(t+1)]和供暖P[Qh_zone(t+1)]的下一预测输出值。
步骤44b.还使用network_old(t)来预报区域温度P[T_zone(t+1)]和供暖P[Qh_zone(t+1)]的下一预测输出值。
步骤46.前两个步骤产生两组预测，每一预测针对一种网络(新和旧)。为了选择其中一种，预测出最低(预测与当前温度之间)温差或其MSE的网络将被选择并保存为network(t)。这一阶段避免预测所述区域中的大温度改变。
然后，从第2周至第10周，针对每15分钟时间步长，对于t＝t+1重复图3的过程，以训练ANN。
CTSM描述
连续时间随机建模(CTSM)是用来求解随机微分方程(SDE)的过程。与传统常微分方程或偏微分方程(ODE或PDE)不同，SDE可以明确表示自然界中随机的过程。换言之，它们表达随机性，例如由于随水分含量而变化的热物理特征，由于随局部压力波动而变化的穿透等，以及影响建筑物的动力行为的其他过程。SDE中的随机般式随机白噪声或者布朗运动的导数。维纳过程是SDE中用来表示布朗运动的连续时间随机过程。
CTSM迄今已用于对简单的单区域未居住建筑物的动力热行为进行建模。本发明的实施例超越了现有技术，旨在对多区域住宅进行建模，明确地考虑这些区域之间的热交互，并且还考虑居住者与住宅的相互影响(特别是，关于内部热增益以及与外围开口如门窗的相互影响)。还可以对模型进行适配，以考虑季节性因素，以及例如考虑窗户的有效太阳孔径的变化，因为在低太阳高度时段附近的障碍物会遮挡太阳。
CTSM包括针对住宅内的每个区域(房间)估计随机微分方程组的参数且然后对其进行求解。这种方程组在结构上非常相似；它们的差别在于反映房间大小和配置变化、光照程度、内部热增益大小等的参数值。尽管方程组不可分割地联系在一起，但是它们被独立地求解，因为影响某一区域的相互影响在针对该区域的方程组内求解。
在每一方程组内，具有与状态变量一样多的方程。这些是为了对某种效果进行建模而必须预测的关键变量(并非所有建模的现象都需要状态变量)。最重要的第一状态变量是Ti，即区域的内部温度。其他方程通常可以由此引出，并描述Ti与它们自身之间的关系。以下方程[1]示出了Ti关于时间t的基本形式：
其中：
■Ti是区域的内部温度
■Te是外围的温度
■Ci是区域的热容——这使得热传递是现实的，并且是非瞬时的
■Rie是区域内部与外围之间的热阻
■φh是来自房间中加热器的通量
■An是调节入射太阳照射的常数——其是有效太阳孔径
■φs是入射太阳照射
■σi是维纳过程(布朗运动ω的导数)
方程[1]可以扩展为表示其他现象，例如，通过添加以下附加项来处理与相邻区域的相互影响：
其中：
■Rint是区域间的传递阻抗(即，由内墙和门提供的热阻)
■ΔT是这些区域之间的温差。由于区域之间的温差通常较小，可以使用前一时间步长数据。
在本例中，可能需要相邻区域中温度的当前状态变量。
也可以添加其他内部增益，但是无需进一步的状态变量，因为这只需要在针对Ti的方程中包括如下形式的附加项：
其中，是区域内的入射内部热增益。
于是，基于以上附加的更现实形式的Ti如以下方程[2]：
求和项表示所有相邻区域(即，在N个相邻区域的情况下，这些区域与目标区域之间有N个热交换项)。Rn等同于上述Rint。在该示例中，状态变量为：
Ti：内部温度
Te：外围温度(表示建筑物的外墙)
Tn：相邻区域的内部温度
Th：加热器温度
在该情形下，热增益项φh处于针对Th的状态变量方程中，以便允许Th具有热阻及其自身的热容。
该公式表示取决于相邻区域，最需要四个状态变量。可以添加额外的状态变量，但是已经发现就预测能力而言这些变量带来减小的回报，在估计参数值时降低收敛的可能性，并增加运行时间。
CTSM-r是从已经用来估计上述SDE的参数的统计计算包R中选择的模块。存在选择CTSM-r的三种模型结构：线性时不变、线性时变和非线性。以上示出的方程是线性时不变的。给定模型结构的选择，CTSM-r具有三种参数估计技术：最大似然、最大后验以及使用多个独立数据集。
最大似然估计(ML)估计将使得测量序列的似然函数最大的参数。似然函数L是如以下方程[3]所示的联合概率密度：
L(θ；YN)＝p(YN|θ) 方程[3]
其中，θ是参数，YN是测量序列(即，针对模型的训练数据)。该过程选择最有可能输出与测量值(训练数据)相匹配的预测的参数。
最大后验估计(MAP)类似于ML，但可以利用关于参数的在先信息。在这种情形下，新的概率密度泛函p如以下方程[4]所示：
应注意，没有在先信息，MAP缩减为ML估计，从而ML是MAP估计的一种特例。另外，多个独立数据集是MAP估计的归纳，其中对于MAP中概率密度泛函的表达被扩展为针对多个连续测量。在本实施例中，采用MAP估计，但是在其他实施例中可以使用其他技术。
CTSM建模
如同ANN，CTSM包括训练过程和建模过程。在该具体情形中，将考虑CTSM模型的三种不同训练过程。前两张涉及对描述外围(在该阶段中，可以选择最高效形式的CTSM模型)的参数的估计，而最后一种模型对居住者与外围的相互影响进行建模，这确定了在给定时间步长中应当选择前两种模型中的哪一个。
需要与外围被密闭或者打开相关的等价的连续数据的时段来进行训练。注意，该时段不必是精确地连续的；可以由数据拼合在一起的分离时段构成。可用数据集可以从约3天至约一周的时间获得，并且CTSM将估计状态方程(例如，方程[2])中的如下参数:
·热阻：Rie、Rn等
·热容：Ci、Ce、Ch等
·随机噪声变量：σi、dω项目
接着，通过前向选择过程，使用预测的参数，计算期望的状态变量(Ti)，在前向选择过程中，使用参数的最大后验估计来拟合模型。图4中示出了该过程，其中使用最简单可行的模型来开始(步骤50)，使用估计的参数来拟合该模型(步骤52)，然后通过与最高对数似然(LR)或最低赤池或贝叶斯信息准则(AIC，BIC)相关联来扩展该模型(步骤54)，只要这些扩展的模型带来预测能力的显著改进；换言之，选择最节俭的模型。
使用选择指示符，相对于每一个扩展模型来评估并比较当前模型(步骤56)，每次迭代中选择的用于改进的可能候选模型是对当前模型的最小扩展。当没有模型的扩展能够导致小于5％的p值或者当AIC改变的商变得不明显时，该过程可以停止(步骤58)。p值是如果虚假设(null hypothesis)为真则预测可能偶然出现的概率——即，观测和预测可能来自相同数据集。如果p值低于指定的重要性级别(即，p<5％)，则可以拒绝虚假设，因为两个数据集彼此明显不同。第二准则在于确保不选择更复杂的模型，如果其并不明显改善结果的话。阈值和准则当然可以根据建模者的判断来调整。对所选择的扩展模型进行评估，并且如果结果是满意的，则保持该模型并可以开始下一迭代，否则再次使用前一步骤54来选择另一扩展。在该过程期间，应为每个模型评估预测质量，例如基于以下各项进行：
·t测试的p值对于所有参数低于0.05。如上所述，p(>|t|)值是特定初始状态或参数不重要即等于0的概率。如果该值不低(即，应当低于0.05)，这可以指示该模型被过度参数化。
·目标函数(objective function)相对于每个参数的导数(即，dF/dPar)接近零，其中目标函数是希望最大化或最小化的性能的测量。
·惩罚函数相对于每个参数的导数(即，dPen/dPar)相比于dF/dPar不重要。惩罚函数应用于目标函数，以模拟对于目标函数的约束(通过使得在接近这些约束时有限差导数增加)。
·相关矩阵不具有接近-1或1的非对角值。这将表明该模型被过度参数化，并且一些参数可能需要被消除。
一旦针对外围关闭的情况根据图4选择了模型的形式，应当针对外围“打开”的情况重复参数估计的过程。这更新某些参数；具体地，热阻，考虑到门窗的工作。
现在可以根据以上过程针对被居住的建筑物计算Ti。
图5描述了CTSM训练过程。在步骤60，在约一周的时间中收集数据。然后，步骤62预测建筑物的外围系数，然后进行前向选择和评估过程(步骤64)。然后，选择最好地拟合数据的模型(步骤66)，然后进行建筑物被居住的第二数据收集时段(步骤68)。然后，步骤70预测系数全集，然后进行另外的前向选择和评估过程(步骤72)。同样，选择最好地拟合数据的模型(步骤74)。注意，实际中，在步骤63和64之间以及步骤70和72之间存在迭代，因为针对逐步变得复杂的模型估计新的系数。然后，该系统可以通过重复以上过程(步骤76)，针对另一季节(或者实际上影响系统行为的多维参数中任何其他参数)来重新评估模型，直到已经在整个年度中收集数据并使用数据来训练模型。
如前所述，利用训练时段之后校准的两种CTSM模型(外围密闭以及外围打开)，可以基于返回最小预测误差的模型，使用积累的历史数据，直接确定需要从“密闭”模型到“打开”模型的转换——反之亦然——的情形。该数据和后继数据可以用于使用一般化的线性模型的二项式族，拟合模型以预测相关联的转换概率。该模型随后可以与天气预报数据相结合，用来推测地预测是否打开窗户或关闭窗户，并因此选择合适的CTSM模型用于这些预报。
因此，一旦具有如下三个参数化模型：
·针对密闭外围的CTSM模型
·针对打开外围的CTSM模型
·针对前一时间步长，使用Ti，预测外围打开概率的模型。
可以在系统操作期间如下使用这三种模型(如果为当日的控制选择了CTSM)：
·抽取随机数。如果窗户转换为打开或者保持打开的概率超过该数，则选择外围“打开”模型；否则，选择外围“关闭”模型。
·前进至使用所选择的模型，预测当前时间步长的内部温度和热通量。
反向过程(供暖预测)
如前所述，能够预测维持给定目标温度所需的供热负载可能是重要的。这可以通过进一步的混合模型(基于CTSM加上回归)来实现。在来自CTSM针对预测室内温度的结果(如上所述)之后，可以使用回归分析来基于预测的温度和相关预测符(例如，内部温度、太阳热增益和内部热增益)，预测供热负载。
回归分析将依赖性变量联系到一个或多个独立变量。这种情形下，依赖性变量是而候选独立变量包括：
·Ti：内部温度，用于确定当前温度和期望温度之差
·太阳增益和内部热增益，因为它们将使所需的热通量发生偏移
模型预测、评估和选择
因此，在此描述的BPM可以使用以上详述的两种方案(ANN和CTSM)来预测温度和供热需求。在一些实施例中，对于给定的一天(即，从午夜到午夜)，可以基于当天的天气预报，根据过去针对即将到来的天候(Day)的成功，选择最合适的模型。该过程将随着时间改进，因为历史性能数据的量增减，并且该方法逐步精细对于每种天候的模型分类：CTSM或ANN模型。
天候可以采取居住参数和气候参数的n维矩阵的形式，具有以下候选维度：
·居住：工作日、周末、假期
·气候，辐射：低、中、高晴朗度(表示低、中、高辐射传输的晴朗指数，影响太阳利用和舒适度)。
·气候，热学：寒冷、适中、温暖(表示持续、间歇供热需求以及无供热需求的温度)
·气候，风力：(表示低、中、高穿透率的风速)。
默认地，天候的该n维矩阵的所有元素应包含对CTSM的引用，这将用于通告在初始训练时段期间的供热控制动作。随后，该矩阵将逐步改善，元素参照使MSE最小化的CTSM(现在已经针对该特定建筑物对于打开和关闭情形进行了训练，并且预测了哪一个应用于各区域的各时间步长)或ANN变体。
一般而言，算法可以如下工作：
·获得参数的当前值，并将它们添加到已经收集的历史数据中。
·通过将对于温度和供热需求的之前24小时预测与测量值相比较，评估对于之前24小时的预测。获得对于之前24小时的均方差。确定CTSM和ANN中哪一个使得该误差最小化。
图6更详细地描述了模型选择过程。在步骤80，获得针对接下来24小时的预报(在其他实施例中，可以选择不同的时间段)。在步骤82，从天气预报类似的各天中获得历史数据。在步骤84，使用预报数据和历史数据来识别天候。在步骤86，检查是否存在针对这种类型天候的已有(优选)模型。如果没有，则使用MSE方法，利用类似的历史数据来评估ANN和CTSM模型(步骤88)，并选择MSE最低的ANN和CTSM模型，分配到针对这一天天候的查找表(步骤90)。然后，选择并评估查找表中针对这种天候类型的模型(步骤92)，并选择MSE最低的模型用于接下来的24小时(步骤94)。然后，使用所选择的模型来预测接下来24小时HEMS的控制需求(步骤96)，并且基于外围的预测状态(打开/关闭)来调整这些预测，如步骤98所示。
系统的操作/控制
图7示出了根据本发明实施例的图2和3的ANN模型在被选择用于控制时的应用的流程图。该过程类似于如图3中描述的ANN连续训练过程，同样虚线表示数据流，实线表示过程链接。
在本例中，步骤如下：
步骤100.在时间t，记录新的测量数据，这些数据可以用于评估在上一时间步长做出的预测。因此，第一步骤是针对以下各项读取t处的测量值：
o室外温度：Tout(t)
o风速：Sw(t)
o直接太阳照射：I(t)
o每个区域中来自加热器的热通量：Qh_zone(t)
o每个区域中的区域温度：T_zone(t)
步骤102.然后，将时间t以及过去24小时直至t-24处的区域条件的实际测量(T_zone(t,…,t-24)和Qh_zone(t,…,t-24))与针对相同时段的预测的区域条件P[T_zone(t,…,t-24)]和P[Qh_zone(t,…,t-24)]相比较，以便通过计算每个预测的均方差MSE来评估该预测。这产生了针对过去24小时的误差(步骤104)。
步骤106.系统检查是否是一天的开始。
步骤108.如果不是，则使用ANN，利用network(t-1)预测接下来24小时的区域条件P[T_zone(t,…,t+24)]和P[Qh_zone(t,…,t+24)]。
步骤110.如果是一天的开始，则系统使用来自前一天的数据，重新训练ANN模型。
步骤112.如果重新训练的模型的误差大于先前(老)模型的误差，则模型不更新，并被指定为修订模型。
步骤114.如果重新训练的模型的误差小于先前(老)模型的误差，则将模型更新为重新训练的模型，并将其指定为修订模型。
步骤116.然后，在步骤108中使用修订模型来预测接下来24小时的区域条件P[T_zone(t,…,t+24)]和P[Qh_zone(t,…,t+24)]。
然后，在24小时时段中，针对每1小时的时间步长，对于t＝t+1重复图7的过程。
在一些实施例中，BPM可以按照使由于差或不准确的模型预测而导致建筑物中一个或多个居住者不满意的风险最小化的方式来使用。这在控制策略中引入了谨慎方法。在这些实施例中，每个模型按上述方式运行，但是不是简单地为控制策略选择一个最佳模型，而是基于两种(或所有)模型的预测结果以及与历史数据之间的比较来使用一种方法，以确定关于每种模型可能表现好到何种程度的不确定度等级。
因此，如同上述实施例中，使用每种模型来针对所选的将来时段预测以下一项或两项：i)根据当前测量的系统状态和期望的将来系统状态的针对环境管理系统的控制需求，或ii)利用特定控制输入集合将达到的将来系统状态；其中第一模型包括建筑物的参数化物理模型，第二模型包括建筑物的隐式模型。在其他实施例中，基于先前针对与为所选的将来时段所预报的条件相类似的条件预测建筑物热行为的成功，评估模型的预测。在这些实施例中，针对每个模型预测，确定不确定度的范围或带，以确定下文所描述的不确定度空间。
例如，不确定度空间可以基于概率来定义。基于一个模型所用的历史数据，可以针对一个参数例如房间或区域的温度，确定控制策略的结果的统计分布。这可以用作基于该模型的预测的控制策略的概率分布的基础——例如，在特定时间温度偏离期望温度超出指定度数的概率。这还可以针对可能导致不确定度的不同因素——即，可能致使模型预测错误的因素，例如天气预报的不确定度——进行。可以对其他模型进行类似分析。因此，不确定度空间表示基于历史数据和模型预测的统计分析，与每个模型相关联的概率分布。
基于所确定的不确定度空间，选择使得与建筑物的最佳或期望热条件的可能偏离水平最小化的控制策略。于是，这允许基于使得策略导致建筑物的条件偏离期望条件太远的可能性最小化来选择“安全”策略。所选择的控制策略包括EMS的控制参数，控制参数例如可以根据一个或其他模型确定，或者可以使用针对该参数的不同的其他值，例如两种模型预测的值之间的值。备选地，不确定度空间指示两种(或所有)模型提供的控制参数在无论使用哪种模型的情况下均可能导致热条件的过于不准确的预测，则策略可以采用针对该控制参数的中性或保守值。于是，根据所选的策略来操作EMS，以控制建筑物中的环境。
例如，考虑这样的房间，在CSTM的初始设置时忽略了天窗(skylight)。在大多数时间CSTM得到比ANN更好的结果，因此趋向于在控制策略选择中具有高得多甚至主导的权重。然而，随着时间进入夏季而且太阳开始通过天窗使得房间闷热，ANN开始得到更好的结果。支持CSTM的数据量远大于支持ANN的有限数据(针对该房间)。然而，现在在控制策略中具有重大分歧(基于两种模型中的每一种)。随着更多数据进入，HEMS向CSTM分配逐渐增大的过热概率。因此，可以采取愈加保守的策略来在预报为晴朗的日子中加热该房间。
在某些时间，可能数年后，HEMS将具有足够的数据来建立参数空间的分离子集，其中ANN变为主导模型，且CSTM被分配了在预报为晴朗的日子中预测房间温度的低概率。现实中，HEMS在这一方面可能需要考虑多于一个(可能非常多)的不同参数，而不仅仅是室温和预报的光照量。
作为反例，考虑这样的房间，有一棵树开始生长，从而遮蔽窗户。通过识别预报为晴朗的日子来针对太阳增益进行校正的两种模型对于供暖需求均具有影响。树木遮蔽窗户的第一年，CSTM检测到其太阳增益模型中的阻塞参数是错误的。ANN最终赶上，但是需要更多训练数据。在该时间段期间，CSTM具有更好的跟踪记录，但是供暖输入被认为是冒险的(即，不确定度的水平较高)，因为两种模型预测具有分歧。因此，HEMS采取基于CSTM预测来调节热输入的谨慎方法。
这些示例说明了该系统的众多特征：
1)CSTM设置中不准确(例如，错误尺寸)和误差(缺失特征)的不可避免性；
2)ANN应对其输入和输出参数中捕获的任何信息的能力；
3)ANN比CSTM需要更多数据来学习；
4)HEMS可能需要记住的极大量潜在“环境”集(春季的晴朗日子、寒冷冬日的空房间，等等)；
5)系统中需要对模型进行重新评估的漂移(树木生长)和冲击(窗户更换)的不可避免性，导致两种模型的预测的分歧，并且需要状态集合的重新学习和重新分割；
6)还有其他含糊之处——例如，HEMS在上述第一示例中将认识到CSTM趋向于在阴天表现更好而ANN在晴天表现更好。则不得不基于天气预报来选择供暖策略。天气不确定度和模型不确定度都会导致有风险的策略。晴天过多供热，一个模型指示太热；阴天过少供热，另一模型指示冷。注意，HEMS可以利用与居住舒适度参数相关的数据来编程，在确定要使用的控制策略时对此予以考虑——即，采用使居住者的不舒适度最小化的策略。
根据上文应清楚，本发明的实施例相对于现有技术具有众多优点。
本领域技术人员还应认识到，在不脱离由所附权利要求限定的本发明范围的前提下，可以对上述实施例进行各种修改。例如，一个实施例中的特征可以与其他实施例中的特征相组合和匹配。

Claims (30)

1.一种操作建筑物内的环境管理系统的方法，包括：
针对至少第一模型和第二模型中的每一个：
A.使用该模型来针对所选的将来时段，预测以下一项或两项：i)根据当前测量的系统状态和期望的将来系统状态的针对环境管理系统的控制需求，或ii)利用特定控制输入集合将达到的将来系统状态；其中，第一模型包括建筑物的参数化物理模型，第二模型包括建筑物的隐式模型；
B.基于先前针对与为所选的将来时段预报的条件相类似的条件预测建筑物热行为的成功，评估第一模型和第二模型的所述预测；
C.确定期望或预测的将来系统状态的不确定带；以及
基于所确定的不确定带，选择使得与期望的将来系统状态的可能偏离水平最小化的控制策略，该控制策略包括针对环境管理系统的控制参数，以及
操作环境管理系统，以根据所选择的控制策略控制建筑物中的环境。
2.一种操作建筑物内的环境管理系统的方法，包括：
使用第一模型针对所选的将来时段，预测以下一项或两项：i)根据当前测量的系统状态和期望的将来系统状态的针对环境管理系统的控制需求，或ii)利用特定控制输入集合将达到的将来系统状态；其中，第一模型包括建筑物的参数化物理模型；
使用第二模型针对所选的将来时段，预测以下一项或两项：i)根据当前测量的系统状态和期望的将来系统状态的针对环境管理系统的控制需求，或ii)利用特定控制输入集合将达到的将来系统状态；其中，第二模型包括建筑物的隐式模型；
基于先前针对与为所选的将来时段所预报的条件相类似的条件预测建筑物热行为的成功，评估第一模型和第二模型的所述预测；
基于所述评估，选择第一模型和第二模型之一；以及
操作环境管理系统，以根据针对所选时段选择的模型控制建筑物中的环境。
3.根据权利要求1或2所述的方法，其中，第一模型和第二模型的所述预测包括：针对所选的将来时段使用天气预报数据。
4.根据前述权利要求中任一项所述的方法，包括：基于安装工程师的检查和/或用户输入，构建关于建筑物物理特性的可信假设。
5.根据前述权利要求中任一项所述的方法，包括：设置/安装过程，尝试识别主要家电及其在建筑物内的位置。
6.根据权利要求5所述的方法，其中，所述设置过程包括：输入与建筑物的结构和特征相关的数据。
7.根据前述权利要求中任一项所述的方法，其中，第一模型包括：从建筑物子系统模型的库中选择的一个或多个子模型。
8.根据权利要求7所述的方法，其中，所述子模型是基于系统安装选择的。
9.根据权利要求7所述的方法，其中，所述子模型是由安装工程师选择的，或者是由系统根据安装工程师输入的数据识别的。
10.根据权利要求7所述的方法，其中，两个或更多个子模型能够被选作可选假设，每个子模型具有概率加权。
11.根据权利要求7所述的方法，包括：确定能够提供建筑物的有效表示的最小子模型集合。
12.根据前述权利要求中任一项所述的方法，包括：调节第一模型的参数，直至第一模型解释所测量的系统状态。
13.根据权利要求12所述的方法，包括：对一个或多个建筑物系统的动力学及其与建筑物物理特性的相互影响进行建模。
14.根据前述权利要求中任一项所述的方法，包括：用于识别合适的部件模型及其参数的训练时段。
15.根据权利要求14所述的方法，其中，所述训练时段根据特性参数进行分割。
16.根据权利要求14所述的方法，其中，第一模型包括使用连续时间随机模型CTSM。
17.根据前述权利要求中任一项所述的方法，其中，第二模型包括基于根据特性参数的分割而发展的子模型集合。
18.根据前述权利要求中任一项所述的方法，其中，第二模型包括人工神经网络。
19.根据前述权利要求中任一项所述的方法，包括：识别第一模型和/或子模型中的隐藏状态变量，并假设预定时段中所述隐藏状态变量的可能状态。
20.根据权利要求9所述的方法，其中，对供选择的子模型进行挑选或排序，以反映已经被确定为在多个环境管理系统中最成功的模型结构和/或参数概率分布。
21.根据权利要求7所述的方法，其中，子模型被配置为从环境管理系统的其他部分接收输入。
22.根据前述权利要求中任一项所述的方法，其中，评估第一模型和第二模型的预测的步骤包括：比较模型输出和/或能量输入。
23.根据前述权利要求中任一项所述的方法，其中，操作环境管理系统以控制建筑物中的环境的步骤包括控制以下一项或多项以实现期望的将来系统状态：供暖系统、热水系统、通风系统和制冷系统。
24.根据前述权利要求中任一项所述的方法，其中，所述系统被控制为管理热量、湿度、凝结和发霉中的一项或多项。
25.根据前述权利要求中任一项所述的方法，还包括：在环境管理系统的直接控制之外的其他功能中使用来自第一模型和第二模型中的任一个或两个的参数。
26.根据前述权利要求中任一项所述的方法，其中，所述功能包括以下一项或多项：预算管理、家电选择、家庭改进建议、估计固有建筑物效率、提供支持社交支付的证据以及产品和服务的目标销售。
27.一种用于操作建筑物内的环境管理系统的装置，包括：
用于测量当前系统状态的装置；以及
处理器，被配置为：
使用第一模型针对所选的将来时段，预测以下一项或两项：i)根据当前测量的系统状态和期望的将来系统状态的针对环境管理系统的控制需求，或ii)利用特定控制输入集合将达到的将来系统状态；其中，第一模型包括建筑物的参数化物理模型；
使用第二模型针对所选的将来时段，预测以下一项或两项：i)根据当前测量的系统状态和期望的将来系统状态的针对环境管理系统的控制需求，或ii)利用特定控制输入集合将达到的将来系统状态；其中，第二模型包括建筑物的隐式模型；
基于先前针对与为所选的将来时段所预报的条件相类似的条件预测建筑物热行为的成功，评估第一模型和第二模型的所述预测；
基于所述评估，选择第一模型和第二模型之一；以及
操作环境管理系统，以根据针对所选时段选择的模型控制建筑物中的环境。
28.一种建筑物环境管理系统，包括根据权利要求27所述的装置。
29.一种用于操作建筑物内的环境管理系统的装置，包括：
用于测量当前系统状态的装置；以及
处理器，被配置为，针对至少第一模型和第二模型中的每一个：
A.使用该模型来针对所选的将来时段，预测以下一项或两项：i)根据当前测量的系统状态和期望的将来系统状态的针对环境管理系统的控制需求，或ii)利用特定控制输入集合将达到的将来系统状态；其中，第一模型包括建筑物的参数化物理模型；
B.基于先前针对与为所选的将来时段所预报的条件相类似的条件预测建筑物热行为的成功，评估第一模型和第二模型的所述预测；
C.确定期望或预测的将来系统状态的不确定带；以及
基于所确定的不确定带，选择使得与期望的将来系统状态的可能偏离水平最小化的控制策略，该控制策略包括针对环境管理系统的控制参数，以及
操作环境管理系统，以根据所选择的控制策略控制建筑物中的环境。
30.一种建筑物环境管理系统，包括根据权利要求29所述的装置。
CN201680012566.3A 2015-02-27 2016-02-29 用于控制建筑物内的环境管理系统的方法和装置 Pending CN107430388A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
GB1503302.0 2015-02-27
GB1503302.0A GB2535769B (en) 2015-02-27 2015-02-27 Method and apparatus for controlling an environment management system within a building
PCT/GB2016/050519 WO2016135514A1 (en) 2015-02-27 2016-02-29 Method and apparatus for controlling an environment management system within a building

Publications (1)

Publication Number Publication Date
CN107430388A true CN107430388A (zh) 2017-12-01

Family

ID=52876209

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201680012566.3A Pending CN107430388A (zh) 2015-02-27 2016-02-29 用于控制建筑物内的环境管理系统的方法和装置

Country Status (7)

Country Link
US (1) US20180081330A1 (zh)
EP (1) EP3262792A1 (zh)
JP (1) JP2018506807A (zh)
KR (1) KR20170125349A (zh)
CN (1) CN107430388A (zh)
GB (1) GB2535769B (zh)
WO (1) WO2016135514A1 (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109709813A (zh) * 2018-12-20 2019-05-03 无锡小天鹅股份有限公司 应用模式显示方法、装置及家用电器
CN109783860A (zh) * 2018-12-13 2019-05-21 清华大学 热力系统整体数学模型的分层分治求解方法
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
CN113260944A (zh) * 2018-11-22 2021-08-13 斯德哥尔摩艾克瑟基股份公司 用于在区域供热网中的生产故障或不足期间平衡质量流量的方法和系统
CN113531784A (zh) * 2020-04-16 2021-10-22 罗伯特·博世有限公司 Hvac控制细化粒度占用模式估计
CN115438590A (zh) * 2022-10-27 2022-12-06 国能大渡河大数据服务有限公司 一种基于bp神经网络的降水预报订正方法及系统
CN116761306A (zh) * 2023-08-14 2023-09-15 华能山东发电有限公司烟台发电厂 一种两用照明装置的照明优化方法及系统

Families Citing this family (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106527184B (zh) * 2016-12-30 2023-07-25 贵州大学 一种能源互联网中电网联合热力网的实时仿真装置
US10810006B2 (en) * 2017-08-28 2020-10-20 Bank Of America Corporation Indicator regression and modeling for implementing system changes to improve control effectiveness
US11023812B2 (en) 2017-08-28 2021-06-01 Bank Of America Corporation Event prediction and impact mitigation system
US10877443B2 (en) * 2017-09-20 2020-12-29 Bank Of America Corporation System for generation and execution of improved control effectiveness
US11829886B2 (en) 2018-03-07 2023-11-28 International Business Machines Corporation Epistemic and aleatoric deep plasticity based on sound feedback
CN112237013A (zh) 2018-04-09 2021-01-15 开利公司 对于智能建筑物的满意度测量
KR102212663B1 (ko) * 2018-05-22 2021-02-05 주식회사 석영시스템즈 목표 온도를 기반으로 하는 빌딩의 열·공조 시스템에 대한 공급 전력 제어 방법 및 장치
JP6651162B1 (ja) * 2018-06-21 2020-02-19 Ｔｒａｄｆｉｔ株式会社 プログラムおよび情報処理方法
CN110738380B (zh) * 2018-07-18 2023-11-07 浙江盾安节能科技有限公司 热负荷控制方法、装置及系统
EP3670783B1 (de) 2018-12-21 2021-04-21 Swiss Krono TEC AG Montageclip zur schwimmenden lagerung von wand- und deckenpaneelen
JP7216566B2 (ja) * 2019-02-19 2023-02-01 日立造船株式会社 情報処理装置、情報処理方法、および情報処理プログラム
CN115023677A (zh) * 2020-03-31 2022-09-06 Abb瑞士股份有限公司 用于监测机器学习模型的方法和装置
CN113537264B (zh) * 2020-04-21 2022-09-20 阿里巴巴集团控股有限公司 空间的应用状态检测方法、管理方法、装置及设备
SE544494C2 (en) * 2020-10-21 2022-06-21 Senseair Ab Temperature controller for a temperature control mechanism
KR102437297B1 (ko) * 2021-12-24 2022-08-26 서울시립대학교 산학협력단 건물 운영 정보 예측 및 관리를 위한 하이브리드 모델 제공 장치 및 방법
FR3132364A1 (fr) * 2022-01-31 2023-08-04 Safran Electronics & Defense Procédé de contrôle d’un système comportant un post-traitement d’une commande prédictive
CN117370770B (zh) * 2023-12-08 2024-02-13 江苏米特物联网科技有限公司 一种基于Shapelet-XGboost的酒店负荷综合预测方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9286582B2 (en) * 2009-06-22 2016-03-15 Johnson Controls Technology Company Systems and methods for detecting changes in energy usage in a building
US8532839B2 (en) * 2009-06-22 2013-09-10 Johnson Controls Technology Company Systems and methods for statistical control and fault detection in a building management system
EP2302470A3 (en) * 2009-09-29 2014-06-11 Honeywell International Inc. Systems and methods for configuring a building management system
WO2013043863A1 (en) * 2011-09-20 2013-03-28 The Trustees Of Columbia University In The City Of New York Adaptive stochastic controller for energy efficiency and smart buildings
US9441847B2 (en) * 2012-03-19 2016-09-13 Wojciech Maciej Grohman System for controlling HVAC and lighting functionality
US8554376B1 (en) * 2012-09-30 2013-10-08 Nest Labs, Inc Intelligent controller for an environmental control system
US8600561B1 (en) * 2012-09-30 2013-12-03 Nest Labs, Inc. Radiant heating controls and methods for an environmental control system
US20140365017A1 (en) * 2013-06-05 2014-12-11 Jason Hanna Methods and systems for optimized hvac operation

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11243503B2 (en) 2018-07-20 2022-02-08 Johnson Controls Tyco IP Holdings LLP Building management system with online configurable system identification
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
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
CN113260944A (zh) * 2018-11-22 2021-08-13 斯德哥尔摩艾克瑟基股份公司 用于在区域供热网中的生产故障或不足期间平衡质量流量的方法和系统
CN113260944B (zh) * 2018-11-22 2022-07-15 斯德哥尔摩艾克瑟基股份公司 用于在区域供热网中的生产故障或不足期间平衡质量流量的方法和系统
CN109783860A (zh) * 2018-12-13 2019-05-21 清华大学 热力系统整体数学模型的分层分治求解方法
CN109709813A (zh) * 2018-12-20 2019-05-03 无锡小天鹅股份有限公司 应用模式显示方法、装置及家用电器
CN109709813B (zh) * 2018-12-20 2022-08-12 合肥美的洗衣机有限公司 应用模式显示方法、装置及家用电器
CN113531784A (zh) * 2020-04-16 2021-10-22 罗伯特·博世有限公司 Hvac控制细化粒度占用模式估计
CN115438590A (zh) * 2022-10-27 2022-12-06 国能大渡河大数据服务有限公司 一种基于bp神经网络的降水预报订正方法及系统
CN115438590B (zh) * 2022-10-27 2023-05-02 国能大渡河大数据服务有限公司 一种基于bp神经网络的降水预报订正方法及系统
CN116761306A (zh) * 2023-08-14 2023-09-15 华能山东发电有限公司烟台发电厂 一种两用照明装置的照明优化方法及系统
CN116761306B (zh) * 2023-08-14 2023-11-07 华能山东发电有限公司烟台发电厂 一种两用照明装置的照明优化方法及系统

Also Published As

Publication number Publication date
GB2535769A (en) 2016-08-31
GB201503302D0 (en) 2015-04-15
KR20170125349A (ko) 2017-11-14
GB2535769B (en) 2019-03-06
US20180081330A1 (en) 2018-03-22
WO2016135514A1 (en) 2016-09-01
JP2018506807A (ja) 2018-03-08
EP3262792A1 (en) 2018-01-03

Similar Documents

Publication Publication Date Title
CN107430388A (zh) 用于控制建筑物内的环境管理系统的方法和装置
KR102212663B1 (ko) 목표 온도를 기반으로 하는 빌딩의 열·공조 시스템에 대한 공급 전력 제어 방법 및 장치
Taki et al. Heat transfer and MLP neural network models to predict inside environment variables and energy lost in a semi-solar greenhouse
Baruque et al. Geothermal heat exchanger energy prediction based on time series and monitoring sensors optimization
Zamora-Martinez et al. On-line learning of indoor temperature forecasting models towards energy efficiency
Kamel et al. Data-driven predictive models for residential building energy use based on the segregation of heating and cooling days
Yan et al. A simplified prediction model for energy use of air conditioner in residential buildings based on monitoring data from the cloud platform
Kalogirou et al. Thermosiphon solar domestic water heating systems: long-term performance prediction using artificial neural networks
Spindler et al. Naturally ventilated and mixed-mode buildings—Part I: Thermal modeling
Delcroix et al. Autoregressive neural networks with exogenous variables for indoor temperature prediction in buildings
CN111561734B (zh) 基于人工智能的供暖户阀调节方法、系统及设备
CN111461466B (zh) 基于lstm时间序列的供暖户阀调节方法、系统及设备
Kalogirou Artificial neural networks and genetic algorithms in energy applications in buildings
Paul et al. IoT and machine learning based prediction of smart building indoor temperature
Sha et al. Machine learning-based cooling load prediction and optimal control for mechanical ventilative cooling in high-rise buildings
Alamin et al. An Artificial Neural Network (ANN) model to predict the electric load profile for an HVAC system
Hosamo et al. Digital Twin of HVAC system (HVACDT) for multiobjective optimization of energy consumption and thermal comfort based on BIM framework with ANN-MOGA
Demirezen et al. Application of artificial neural network in the prediction of ambient temperature for a cloud-based smart dual fuel switching system
Park et al. Stacking deep transfer learning for short-term cross building energy prediction with different seasonality and occupant schedule
Tan et al. An optimised window control strategy for naturally ventilated residential buildings in warm climates
Matsuda et al. Development of a prediction model tuning method with a dual-structured optimization framework for an entire heating, ventilation and air-conditioning system
Yu et al. Predicting indoor temperature from smart thermostat and weather forecast data
Odesola et al. An ANN Approach for Estimation of Thermal Comfort and Sick Building Syndrome.
Zhang Data-driven whole building energy forecasting model for data predictive control
Ali et al. A comparison of different weather forecasting models for the monthly forecast of Lahore city

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20171201