CN109416524A - 具有多级模型预测控制的变制冷剂流量系统 - Google Patents

具有多级模型预测控制的变制冷剂流量系统 Download PDF

Info

Publication number
CN109416524A
CN109416524A CN201780041246.5A CN201780041246A CN109416524A CN 109416524 A CN109416524 A CN 109416524A CN 201780041246 A CN201780041246 A CN 201780041246A CN 109416524 A CN109416524 A CN 109416524A
Authority
CN
China
Prior art keywords
subsystem
rudimentary
optimization
house
vrf
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
CN201780041246.5A
Other languages
English (en)
Inventor
尼什·R·帕特尔
马修·J·埃利斯
迈克尔·J·文策尔
罗伯特·D·特尼
布雷特·M·伦哈特
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.)
Johnson Controls Tyco IP Holdings LLP
Original Assignee
Johnson Controls Technology Co
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 Johnson Controls Technology Co filed Critical Johnson Controls Technology Co
Publication of CN109416524A publication Critical patent/CN109416524A/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
    • 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
    • G05B13/04—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
    • G05B13/041—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 in which a variable is automatically adjusted to optimise the performance
    • 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
    • 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
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D7/00—Control of flow
    • G05D7/06—Control of flow characterised by the use of electric means
    • G05D7/0617—Control of flow characterised by the use of electric means specially adapted for fluid materials
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
    • F24F11/46—Improving electric energy efficiency or saving
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Signal Processing (AREA)
  • Mathematical Physics (AREA)
  • Fuzzy Systems (AREA)
  • Air Conditioning Control Device (AREA)
  • Feedback Control In General (AREA)

Abstract

一种模型预测控制系统用于对变制冷剂流量(VRF)系统的能量成本进行优化。所述VRF系统包括室外子系统和多个室内子系统。所述模型预测控制系统包括高级模型预测控制器(MPC)和多个低级室内MFC。所述高级MFC执行高级优化以便为所述多个室内子系统中的每一个生成最佳室内子系统负载分布曲线。所述最佳室内子系统负载分布曲线优化能量成本。所述低级室内MFC中的每一个执行低级优化，以便为所述相应室内子系统的一个或多个室内VRF单元生成最佳室内设定值。所述室内设定值可以包括所述室内VRF单元的温度设定值和/或制冷剂流量设定值。

Description

具有多级模型预测控制的变制冷剂流量系统
相关专利申请的交叉引用
本申请要求于2016年6月30日提交的美国临时专利申请号62/357,338的权益和优先权，所述美国临时专利申请的全部披露通过援引整体并入本文。
背景技术
本披露总体上涉及一种用于建筑物暖通空调(HVAC)系统的模型预测控制(MPC)系统。本披露更具体地涉及一种用于对包括室外子系统和多个室内子系统的变制冷剂流量(VRF)系统的能量成本进行优化的MPC系统。
商业建筑物消耗占美国总能耗的大约20％，并且每年基本能源支出约占2000亿美元。能源情报署预计商业楼层面积和基本能源消耗未来将继续增长。另一方面，平均能源价格有望保持相对稳定。因此，在商业建筑物上所消耗的能源的量将继续大幅增加。鉴于这些能源成本值及其预计增长的重要性，建筑物已成为被设计用于减少消耗或提高效率的控制策略的主要目标，特别是在温度控制领域。
商业建筑物和教育设施中的许多HVAC系统使用简单的开/关控制器和比例-积分-微分(PID)控制器来控制其设备。所述系统依赖于温度控制器，所述温度控制器的唯一目标是收敛到期望温度设定值并在一定容限内保持于此。然而，更好的目标是使总能耗最小化或使总能量成本最小化。在具有时变价格的公用事业市场中，存在通过使用某种形式的能量储存暂时转移加热负载或冷却负载来节省成本的潜力。为了实现这些节省，预测优化可以与系统模型一起使用以预测未来负载。负载转移减轻了高峰时段发电厂的负担，使其能够更高效地运行。此外，在夜间当冷却水温度较低时，冷却器更高效地运行。
MPC是一种在过去二十年中已取得巨大成功的先进过程控制方法。MPC使用将输入(控制动作)与输出(过程测量结果)相关的系统模型。所述模型用于基于由控制器在称为范围的一段时间上采取的动作来预测过程变量。在每个步骤处，MPC在遵守诸如设备容量和安全界限等过程约束的同时使用这个模型确定实现目标(诸如使跟踪误差或输入使用最小化)的控制动作序列来解决在线优化问题。实施所述序列中的第一控制动作，并且在获得新的测量结果之后在下一步骤处再解决优化问题。在经济MPC中，优化问题的目标是使总成本最小化。
经济上最优的控制系统尚未广泛部署于HVAC行业。在HVAC系统中成功部署MPC的一个基本障碍是大量建筑物区域。为了在HVAC系统中实施MPC，可能期望在合理的较短时间内(例如，大约几分钟)解决优化问题。校园范围内的实施方式可能包含数百个建筑物和区域。用于这些应用的单个组合控制系统是不切实际且不期望的，因为所产生的单个优化问题太大而无法实时解决。
发明内容
本披露的一个实施方式是一种用于对变制冷剂流量(VRF)系统的能量成本进行优化的模型预测控制系统。所述VRF系统包括室外子系统和多个室内子系统。所述模型预测控制系统包括高级模型预测控制器(MPC)和多个低级室内MPC。所述高级MPC被配置用于执行高级优化以便为所述多个室内子系统中的每一个生成最佳室内子系统负载分布曲线。所述最佳室内子系统负载分布曲线优化所述能量成本。所述低级室内MPC中的每一个与所述室内子系统之一相对应并且被配置用于执行低级优化以便使用所述相应室内子系统的所述最佳室内子系统负载分布曲线为所述相应室内子系统的一个或多个室内VRF单元生成最佳室内设定值。所述低级室内MPC中的每一个被配置用于使用所述最佳室内设定值来操作所述相应室内子系统的所述室内VRF单元。
在一些实施例中，所述最佳室内子系统负载分布曲线中的每一个包括在优化时段中多个时间步长中的每一个处对所述室内子系统之一的热能分配。在一些实施例中，每个低级室内MPC被配置用于使用对所述相应室内子系统的所述热能分配来作为在执行所述低级优化时的优化约束。
在一些实施例中，所述最佳室内设定值包括针对所述室内VRF单元中的每一个的制冷剂流量设定值和针对由所述室内VRF单元控制的一个或多个建筑物区域的温度设定值中的至少一者。
在一些实施例中，每个室内子系统包括多个建筑物区域。所述低级室内MPC中的每一个可以被配置用于为所述相应室内子系统中的所述多个建筑物区域中的每一个生成最佳室内温度设定值。
在一些实施例中，每个室内子系统包括多个室内VRF单元。所述低级室内MPC中的每一个可以被配置用于为所述相应室内子系统中的所述多个室内VRF单元中的每一个生成最佳制冷剂流量决策并且使用所述最佳制冷剂流量决策来计算所述多个室内VRF单元中的每一个的流量设定值、温度设定值和阀设定值中的至少一项。
在一些实施例中，所述低级室内MPC中的每一个被配置用于识别所述相应室内子系统中的所述室内VRF单元中的每一个的热能负载与制冷剂流量之间的关系。所述低级室内MPC中的每一个可以使用所识别的热能负载与制冷剂流量之间的关系为所述相应室内子系统中的所述室内VRF单元中的每一个生成所述最佳制冷剂流量决策。
在一些实施例中，所述高级MPC被配置用于为每个室内子系统生成由所述最佳室内子系统负载分布曲线产生的预测温度分布曲线。在一些实施例中，所述低级室内MPC被配置用于通过使室内子系统温度与所述预测温度分布曲线之间的误差最小化来生成所述最佳室内设定值。
在一些实施例中，所述室内子系统中的每一个表示分离的建筑物，所述分离的建筑物彼此热解耦，使得在所述室内子系统之间不发生直接热交换。
在一些实施例中，所述高级MPC被配置用于为所述室外子系统生成最佳室外单元需求分布曲线。所述系统可以包括低级室外MPC，所述低级室外MPC被配置用于执行低级优化以便基于所述最佳室外单元需求分布曲线为受制于需求约束的所述室外子系统的一个或多个室外VRF单元生成最佳室外设定值。所述低级室外MPC可以被配置用于使用所述最佳室外设定值来操作所述室外VRF单元。
在一些实施例中，所述高级MPC被配置用于确定：在优化时段中多个时间步长中的每一个处对所述多个室内子系统中的每一个的最佳热能分配；以及在所述优化时段中所述多个时间步长中的每一个处所述室外子系统的最佳热能或制冷剂状态分配。
本披露的另一实施方式是一种用于对变制冷剂流量(VRF)系统的能量成本进行优化的方法。所述VRF系统包括室外子系统和多个室内子系统。所述方法包括：在高级模型预测控制器(MPC)处执行高级优化，以便为所述多个室内子系统中的每一个生成最佳室内子系统负载分布曲线。所述最佳室内子系统负载分布曲线优化所述能量成本。所述方法包括：将所述最佳室内子系统负载分布曲线从所述高级MPC提供至多个低级室内MPC。所述低级室内MPC中的每一个与所述多个室内子系统之一相对应。所述方法包括：在所述低级室内MPC中的每一个处执行低级优化，以便使用所述相应室内子系统的所述最佳室内子系统负载分布曲线为所述相应室内子系统的一个或多个室内VRF单元生成最佳室内设定值。所述方法包括：使用所述最佳室内设定值来操作所述多个室内子系统中的每一个中的所述室内VRF单元。
在一些实施例中，所述最佳室内子系统负载分布曲线中的每一个包括在优化时段中多个时间步长中的每一个处对所述室内子系统之一的热能分配。在一些实施例中，执行所述低级优化包括：使用对所述相应室内子系统的所述热能分配来作为优化约束。
在一些实施例中，所述最佳室内设定值包括针对所述室内VRF单元中的每一个的制冷剂流量设定值和针对由所述室内VRF单元控制的一个或多个建筑物区域的温度设定值中的至少一者。
在一些实施例中，每个室内子系统包括多个建筑物区域。执行所述低级优化可以包括：为所述相应室内子系统中的所述多个建筑物区域中的每一个生成最佳室内温度设定值。
在一些实施例中，每个室内子系统包括多个室内VRF单元。执行所述低级优化可以包括：为所述相应室内子系统中的所述多个室内VRF单元中的每一个生成最佳制冷剂流量决策并且使用所述最佳制冷剂流量决策来计算所述多个室内VRF单元中的每一个的流量设定值、温度设定值和阀设定值中的至少一项。
在一些实施例中，执行所述低级优化包括：识别所述相应室内子系统中的所述室内VRF单元中的每一个的热能负载与制冷剂流量之间的关系并且使用所识别的热能负载与制冷剂流量之间的关系为所述相应室内子系统中的所述室内VRF单元中的每一个生成所述最佳制冷剂流量决策。
在一些实施例中，执行所述高级优化包括：为每个室内子系统生成由所述最佳室内子系统负载分布曲线产生的预测温度分布曲线。在一些实施例中，执行所述低级优化包括：通过使室内子系统温度与所述预测温度分布曲线之间的误差最小化来生成所述最佳室内设定值。
在一些实施例中，执行所述高级优化包括：为所述室外子系统生成最佳室外单元需求分布曲线。所述方法可以进一步包括：在低级室外模型预测控制器处执行低级优化，以便基于所述最佳室外单元需求分布曲线为受制于需求约束的所述室外子系统的一个或多个室外VRF单元生成最佳室外设定值。所述方法可以进一步包括：使用所述最佳室外设定值来操作所述室外VRF单元。
在一些实施例中，执行所述高级优化包括确定以下各项：在优化时段中多个时间步长中的每一个处对所述多个室内子系统中的每一个的最佳热能分配；以及在所述优化时段中所述多个时间步长中的每一个处所述室外子系统的最佳热能或制冷剂状态分配。
本披露的另一实施方式是一种变制冷剂流量(VRF)系统。所述VRF系统包括多个室内子系统、室外子系统、高级模型预测控制器(MPC)、以及多个低级室内MPC。每个室内子系统包括一个或多个室内VRF单元。所述室外子系统包括一个或多个室外VRF单元。所述高级MPC被配置用于执行高级优化以便为所述多个室内子系统中的每一个生成最佳室内子系统负载分布曲线。所述最佳室内子系统负载分布曲线优化能量成本。每个低级室内MPC与所述室内子系统之一相对应并且被配置用于执行低级优化以便使用所述相应室内子系统的所述最佳室内子系统负载分布曲线为所述相应室内子系统的所述室内VRF单元生成最佳室内设定值。
本领域的技术人员将认识到，概述仅是说明性的而不旨在以任何方式进行限制。本文中所描述的如仅由权利要求限定的装置和/或过程的其他方面、发明性特征以及优点将在本文中陈述并结合附图进行的详细说明中变得清楚。
附图说明
图1A至图1B是根据一些实施例的具有一个或多个室外VRF单元和多个室内VRF单元的变制冷剂流量(VRF)系统的附图。
图2A是简图，展示了根据一些实施例的图1A至图1B的VRF系统在冷却模式下的操作。
图2B是有向图，展示了根据一些实施例的当VRF系统在冷却模式下操作时制冷剂状态的平衡。
图3A是简图，展示了根据一些实施例的图1A至图1B的VRF系统在加热模式下的操作。
图3B是有向图，展示了根据一些实施例的当VRF系统在加热模式下操作时制冷剂状态的平衡。
图4A是简图，展示了根据一些实施例的图1A至图1B的VRF系统在组合加热和冷却模式下的操作。
图4B是有向图，展示了根据一些实施例的当VRF系统在组合加热和冷却模式下操作时制冷剂状态的平衡。
图5是根据一些实施例的针对多个VRF系统的控制系统的框图。
图6是根据一些实施例的分布式模型预测控制系统的框图，所述分布式模型预测控制系统具有高级模型预测控制器、若干低级室内模型预测控制器、以及低级室外模型预测控制器。
图7是框图，更加详细地展示了根据一些实施例的图6的高级模型预测控制器。
图8是框图，更加详细地展示了根据一些实施例的图6的低级室内模型预测控制器。
图9是根据一些实施例的高级和分布式低级模型预测控制技术的流程图，所述技术在室内子系统负载在低级优化中用作约束时可以用于优化图6的MPC系统的能量成本。
图10是根据一些实施例的高级和分布式低级模型预测控制技术的另一流程图，所述技术在低级优化跟踪由高级优化提供的温度分布曲线时可以用于优化图6的MPC系统的能量成本。
具体实施方式
总体上参照附图，示出了根据一些实施例的一种用于变制冷剂流量(VRF)系统的模型预测控制(MPC)系统。MPC是一种使用受控系统的模型以使系统输入(例如，控制动作、设定值等)与系统状态和系统输出(例如，测量结果、过程变量等)相关的控制技术。所述模型可以用于基于由控制器在优化时段期间的每个时间步长处采取的动作来预测系统状态和系统输出。在每个时间步长处，MPC在遵守诸如设备容量和安全界限等过程约束(例如，温度约束、设备切换约束等)的同时使用系统模型确定实现目标(例如，使跟踪误差最小化、使能量成本最小化等)的控制动作序列来解决在线优化问题。实施所述序列中的第一控制动作，并且在获得新的测量结果之后在下一时间步长处再解决优化问题。
本文所描述的MPC系统可以优化(例如，最小化)用于向建筑物或校园提供加热和/或冷却的能量的总成本。大量研究已经表明，MPC由于其预测未来并在事件发生之前预见所述事件的能力而优于现有的控制系统。通过使用建筑物的质量进行被动热能储存(TES)，MPC使得能够将能量负载从高峰时段转移到非高峰时段。可以通过将设备使用集中到较低资源价格的时段来降低能量成本，同时在每个建筑物内维持舒适度极限。
在一些实施例中，MPC系统包括MPC层和监管层。所述MPC层可以从监管层接收测量结果并为监管层提供设定值。所述MPC层可以为包括例如区域温度设定值、制冷剂流速和设备开/关决策的各个决策变量生成最佳值。MPC层可以使用系统模型来确定决策变量的最佳值，所述系统模型诸如区域温度与冷却/加热负荷模型、冷却/加热负荷与温度设定值模型、以及设备模型。MPC层可以通过执行受制于若干约束的优化过程来确定决策变量的最佳值。所述约束可以包括区域空气温度的舒适度界限、设备容量约束、制冷剂平衡约束、以及监管层设备的变化率界限。
解决单个MPC问题以确定所有决策变量的最佳值对于大规模应用而言可能是困难的。例如，一些VRF系统可以包括数千个离散区域以及数千个唯一的HVAC装置。离散决策(例如，打开设备/关闭设备)可能导致混合整数优化问题，这进一步增加了复杂度。由于MPC问题的困难和计算复杂度，MPC层可以将整个MPC问题分解为多个更小、更易管理的优化问题。
分布式MPC系统可以将整个MPC问题分解为高级优化问题和低级优化问题。高级问题可以由高级模型预测控制器来解决，以确定多个低级室内子系统中的每一个的负载分布曲线以及室外子系统的需求分布曲线。室内子系统可以包括室内VRF单元，而室外子系统可以包括室外VRF单元。在一些实施例中，高级控制器使用每个室内子系统的聚合低级模型来降低计算复杂度。高级控制器可以确定优化(例如，最小化)MPC系统在优化时段上的总操作成本的负载分布曲线。每个负载分布曲线可以包括在优化时段中每个时间步长处的负载值。高级控制器可以将负载分布曲线提供至多个低级室内模型预测控制器。低级室内控制器可以使用负载分布曲线作为约束，以定义优化时段中每个时间步长处每个室内子系统的最大可允许负载值。
低级优化问题可以进一步被分解为低级室外优化问题以及一个或多个低级室内优化问题。每个低级室内问题可以由低级室内控制器之一来解决，以确定室内VRF单元的区域温度设定值和/或制冷剂流量设定值。每个低级室内控制器可以确定区域温度设定值和/或制冷剂流量设定值，所述区域温度设定值和/或制冷剂流量设定值优化(例如，最小化)相应室内子系统的能耗，同时将区域温度维持在定义的温度极限内并且不超过由高级控制器提供的负载值。可替代地，每个低级室内控制器可以根据高级优化问题来确定跟踪平均室内子系统温度(例如，预测的子系统温度状态)的温度设定值和/或制冷剂流量设定值。以下更加详细地描述了MPC系统的这些和其他部件。
变制冷剂流量系统
现在参照图1A至图1B，示出了根据一些实施例的变制冷剂流量(VRF)系统100。VRF系统100被示出为包括多个室外VRF单元102和多个室内VRF单元104。室外VRF单元102可以位于建筑物外部并且可以操作以加热或冷却制冷剂。室外VRF单元102可以消耗电力以在液相、气相和/或过热气相之间转换制冷剂。室内VRF单元104可以贯穿建筑物内的各个建筑物区域而分布，并且可以从室外VRF单元102接收加热或冷却的制冷剂。每个室内VRF单元104可以为室内VRF单元所在的特定建筑物区域提供温度控制。
VRF系统的主要优点是：一些室内VRF单元104可以在冷却模式下进行操作，而其他室内VRF单元104在加热模式下进行操作。例如，室外VRF单元102和室内VRF单元104中的每一个可以在加热模式、冷却模式或关闭模式下进行操作。每个建筑物区域可以独立控制，并且可以具有不同的温度设定值。在一些实施例中，每个建筑物具有多达三个位于建筑物外部(例如，在屋顶上)的室外VRF单元102以及多达128个贯穿建筑物(例如，在各个建筑物区域中)分布的室内VRF单元104。
VRF系统100存在许多不同的配置。在一些实施例中，VRF系统100是双管道系统，其中每个室外VRF单元102连接至单个制冷剂回流管线和单个制冷剂出口管线。在双管道系统中，所有室外VRF单元102以相同的模式进行操作，因为经由单个制冷剂出口管线仅可以提供加热制冷剂或冷却制冷剂中的一者。在其他实施例中，VRF系统100是三管系统，其中每个室外VRF单元102连接至制冷剂回流管线、热制冷剂出口管线和冷制冷剂出口管线。在三管道系统中，经由双制冷剂出口管线可以同时提供加热和冷却两者。下面详细描述了可以用于VRF系统100的三管道VRF系统的示例。
现在参照图2A至图4B，示出了展示根据一些实施例的VRF系统100在冷却模式、加热模式和组合加热/冷却模式下的操作的若干简图。每个室外VRF单元102可以包括一个或多个热交换器106(如图2A、图3A和图4A中示出的)。当室外VRF单元102在冷却模式下进行操作时，热交换器106可以作为冷凝器128(如图2B和图4B中示出的)进行操作以便为制冷剂提供冷却。当室外VRF单元102在加热模式下进行操作时，热交换器106可以作为蒸发器130(如图3B中示出的)来操作以便为制冷剂提供加热。设想到冷凝器128和蒸发器130可以作为室外VRF单元102内的单独装置而存在或者可以作为热交换器106而存在，所述热交换器可以取决于室外VRF单元102的操作模式而作为冷凝器128和蒸发器130两者来操作。尽管仅示出了两个室外VRF单元102，但是应当理解的是，VRF系统100可以包括任何数量n的室外VRF单元102。
每个室内VRF单元104可以包括一个或多个热交换器107(如图2A、图3A和图4A中示出的)。当室内VRF单元104在冷却模式下进行操作时，热交换器107可以作为蒸发器105(如图2B和图4B中示出的)进行操作以便为递送到建筑物区域的空气提供冷却。当室内VRF单元104在加热模式下进行操作时，热交换器107可以作为冷凝器103(如图3B中示出的)进行操作，以便为递送到建筑物区域的空气提供加热。设想到冷凝器103和蒸发器105可以作为室内VRF单元104内的单独装置而存在或者可以作为热交换器107而存在，所述热交换器可以取决于室内VRF单元104的操作模式而作为冷凝器103和蒸发器105两者来操作。尽管仅示出了三个室内VRF单元104，但是应当理解的是，VRF系统100可以包括任何数量m的室内VRF单元104。
具体参照图2A至图2B，示出了根据一些实施例的VRF系统100在冷却模式下的操作。在冷却模式中，室外VRF单元102的热交换器106作为冷凝器128进行操作，以便将过热气体制冷剂124冷凝成液体制冷剂120。来自热交换器106的液体制冷剂120流过膨胀阀(EEV)108并流到室内VRF单元104的热交换器107上。在冷却模式下，热交换器107作为蒸发器105进行操作，以便将液体制冷剂120蒸发成气体制冷剂122，从而从建筑物区域内的空气吸收热量并为建筑物区域提供冷却。螺线管阀110允许气体制冷剂122返回到室外单元102的一个或多个压缩机112。压缩机112对气体制冷剂122进行压缩以产生被提供至冷凝器128的过热气体制冷剂124。
现在参照图3A至图3B，示出了根据一些实施例的VRF系统100在加热模式下的操作。在加热模式下，室外VRF单元102的热交换器106作为冷凝器130进行操作，以便将液体制冷剂120从室内VRF单元104中蒸发。热交换器106将热量传递到液体制冷剂120中，从而使液体制冷剂120蒸发并形成气体制冷剂122。将气体制冷剂122提供至压缩机112，所述压缩机对气体制冷剂122进行压缩以形成过热气体制冷剂124。然后将过热气体制冷剂124提供至室内VRF单元104的热交换器107。热交换器107作为冷凝器102进行操作，以便通过将热量从过热气体制冷剂124传递到建筑区域来冷凝过热气体制冷剂124，从而使过热气体制冷剂124失去热量并变成液体制冷剂120。然后将液体制冷剂120返回到室外VRF单元102的热交换器106。
现在参照图4A至图4B，示出了根据一些实施例的VRF系统100在组合加热和冷却模式下的操作。在组合加热/冷却模型中，一些室内和室外VRF单元102至104在加热模式下进行操作，而其他室内和室外VRF单元102至104在冷却模式下进行操作。例如，室内VRF单元-2被示出为在加热模式下进行操作，而室内VRF单元-1和室内VRF单元-m被示出为在冷却模式下进行操作。室外VRF单元-1和室外VRF单元-n两者均被示出为在冷却模式下进行操作。
室外VRF单元102在冷却模式下的操作可以与先前参照图2A至图2B描述的相同。例如，室外VRF单元102可以接收气体制冷剂122并将气体制冷剂122冷凝成液体制冷剂120。可以将液体制冷剂120引导至室内VRF单元-1和室内VRF单元-m，以便为区域-1和区域-m提供冷却。室内VRF单元-1和室内VRF单元-m的热交换器107通过从建筑物区域-1和建筑物区域-m吸收热量而作为蒸发器105进行操作，从而使液体制冷剂120变为气体制冷剂122。然后将气体制冷剂122递送到室外VRF单元1022的压缩机112。压缩机112对气体制冷剂122进行压缩以形成过热气体制冷剂124。过热气体制冷剂124可以提供至室外VRF单元102的热交换器106，所述热交换器作为冷凝器128进行操作以便将气体制冷剂122冷凝成液体制冷剂120。过热气体制冷剂124也可以提供至室内VRF单元-2并用于向建筑物区域-2提供加热。
室内VRF单元-2在加热模式下的操作可以与先前参照图3A至图3B描述的相同。例如，室内VRF单元-2的热交换器107可以通过将来自过热气体制冷剂124的热量排放到建筑物区域-2而作为冷凝器103进行操作，从而使过热气体制冷剂124变为液体制冷剂120。可以将液体制冷剂120引导至室内VRF单元-1和室内VRF单元-m的热交换器107，所述热交换器作为蒸发器105进行操作以便从建筑物区域-1和建筑物区域-m吸收热量，如先前描述的。
在操作模式中的任一种操作模式下，VRF系统100可以操作以确保制冷剂状态保持平衡。例如，当在冷却模式下进行操作时，VRF系统100可以操作室外VRF单元102和室内VRF单元104，以确保室外VRF单元102以与室内VRF单元104将液体制冷剂120转换成气体制冷剂122的相同速率将气体制冷剂122转换成液体制冷剂120。类似地，当在加热模式下进行操作时，VRF系统100可以操作室外VRF单元102和室内VRF单元104，以确保室外VRF单元102以与室内VRF单元104将过热气体制冷剂124转换成液体制冷剂120的相同速率将液体制冷剂120转换成过热气体制冷剂124。
在操作模式中的每一种操作模式下，VRF系统100可以操作室外VRF单元102和室内VRF单元104，以确保由室外VRF单元102和室内VRF单元104产生的每种制冷剂状态(例如，液体制冷剂120、气体制冷剂122和过热气体制冷剂124)的量等于由室外VRF单元102和室内VRF单元104消耗的每种制冷剂状态的量。换言之，VRF系统100可以平衡从制冷剂状态中的每种制冷剂状态添加和去除制冷剂的速率。在一些实施例中，VRF系统100施加质量平衡约束或体积平衡约束以确保处于制冷剂状态中的每种制冷剂状态下的制冷剂净量在优化时段的每个时间步长处保持平衡。
在一些实施例中，使用预测能量成本优化框架来控制VRF系统100。例如，VRF系统100可以包括执行高级优化和低级优化的一个或多个控制器。高级优化可以通过操纵递送到每个区域的所请求冷却或加热负荷以及室内和室外VRF单元102至104的操作模式来寻求优化跨受制于若干系统约束的整个VRF系统100的电力使用成本加上峰值电费(即，电力需量电费)。在高级优化中施加的约束可以包括系统约束，诸如制冷剂状态平衡(如前所述)和区域温度约束。区域温度约束可能要求每个建筑物区域的温度维持在可接受的温度范围内以维持占用者的舒适度。
低级优化可以使用每个建筑物区域的、由高级优化计算的所请求加热和冷却负荷来作为低级优化的输入数据。低级优化可以操纵各个建筑物区域的区域温度设定值，使得区域加热和冷却负荷跟踪在高级优化中计算的所请求加热或冷却负荷分布曲线。
在一些实施例中，低级优化跨若干低级模型预测控制器分布，每个低级模型预测控制器可以操作以确定特定建筑物区域的温度设定值。例如，控制系统可以包括高级模型预测控制器(MPC)和若干低级MPC。高级MPC可以确定建筑物区域中的每个建筑物区域的最佳负载分布曲线，并且可以将最佳负载分布曲线分配给建筑物区域的低级MPC。每个低级MPC可以被配置用于控制特定建筑物区域并且可以从高级MPC接收相应建筑物区域的负载分布曲线。每个低级MPC可以使用来自高级MPC的负载分布曲线来确定相应建筑物区域的最佳温度设定值。参照图6更详细地描述了这种分布式实施方式的示例。
现在参照图5，示出了根据一些实施例的针对多个VRF系统510、520和530的控制系统500的框图。VRF系统510至530中的每一个可以包括VRF系统100的部件和/或特征中的一些或全部，如参照图1A至图4B描述的。通过引入在高级优化框架和低级优化框架之上操作的附加控制层(例如，监督层)，可以将上述优化框架可以扩展到包括多个VRF系统510至530的更大系统。例如，预测成本优化控制器可以充当协调器以协调多个VRF系统510至530随时间变化的电力使用，使得所述多个VRF系统510至530实现最佳能量成本性能(例如，整组VRF系统510至530的最小总能量成本)。
在各个实施例中，由预测成本优化控制器执行的成本优化可以考虑能量成本(例如，所消耗电力的$/kWh)、需量电费(例如，峰值功耗的$/kW)、峰值负载贡献成本、和/或参与基于激励的需求响应(IBDR)计划的货币激励。可以由预测成本优化控制器执行的成本优化的若干示例在2017年1月12日提交的美国专利申请号15/405,236、2017年1月12日提交的美国专利申请号15/405,234、2017年2月7日提交的美国专利申请号15/426,962、以及2017年3月29日提交的美国专利申请号15/473,496中进行了详细描述。这些专利申请中的每一个的全部披露通过引用结合在此。
在监督层中，单独VRF系统510至530中的每一个可以表示为单个资产，所述单个资产将来自508的电力502转换成电力公共设施建筑物区域所需的热空气504或冷空气506。热空气504和冷空气506可以递送到空气侧单元512、522和532，所述空气侧单元为由空气侧单元512、522和532服务的建筑物区域提供加热和/或冷却。热空气504和冷空气506可以被视为由VRF系统510至530产生的资源，而电力502可以被视为由VRF系统510至530消耗的资源。每个VRF系统510至530的资源产生与电力消耗之间的关系可以由每个VRF系统510至530的系统性能曲线来定义。系统性能曲线可以在监督层中用作对由预测成本优化控制器执行的成本优化的约束，以确保VRF系统510至530操作以便为建筑物区域生成足够的热空气504和冷空气506。
在优化时段的每个时间步长处将由VRF系统510至530中的每一个产生的热空气504和冷空气506的量可以由预测成本优化控制器通过执行资产分配过程来确定。可以由预测成本优化控制器执行的资产分配过程的若干示例在美国专利申请号15/405,236、美国专利申请号15/405,234、美国专利申请号15/426,962、以及美国专利申请号15/473,496中进行了详细描述。
分布式模型预测控制系统
现在参照图6，示出了根据一些实施例的分布式模型预测控制(MPC)系统600的框图。MPC系统600使用MPC技术来确定VRF系统(例如，VRF系统100)的设备在时间范围上的最佳设定值。MPC系统600可以与VRF系统100组合使用，如参考图1至图5所描述的。例如，MPC系统600可以确定室内VRF单元104的最佳温度设定值以及室外VRF单元102的最佳负载设定值。
MPC是一种使用受控系统的模型以使系统输入(例如，控制动作、设定值等)与系统状态和系统输出(例如，测量结果、过程变量等)相关的控制技术。所述模型可以用于基于由控制器在优化时段期间的每个时间步长处采取的动作来预测系统状态和系统输出。在每个时间步长处，MPC在遵守诸如设备容量和安全界限等过程约束(例如，温度约束、设备切换约束等)的同时使用系统模型确定实现目标(例如，使跟踪误差最小化、使能量成本最小化等)的控制动作序列来解决在线优化问题。实施所述序列中的第一控制动作，并且在获得新的测量结果之后在下一时间步长处再解决优化问题。
在经济MPC中，优化问题的目标通常是使如由成本函数定义的总成本最小化。大量研究已经表明，MPC由于其预测未来并在事件发生之前预见所述事件的能力而优于现有的控制系统。通过使用建筑物的质量进行被动热能储存(TES)，MPC使得能够将能量负载从高峰时段转移到非高峰时段。可以通过将设备使用集中到较低资源价格的时段来降低能量成本，同时在每个建筑物内维持舒适度极限。
仍然参照图6，分布式MPC系统600被示出为包括MPC层610和监管层620。MPC层610被示出为包括高级模型预测控制器608和若干低级模型预测控制器612至618。控制器612、614和616被示出为低级室内模型预测控制器，而控制器618被示出为低级室外模型预测控制器。MPC层610可以被配置用于确定最佳温度设定值和设备操作设定值并将其提供至监管层620的设备。在一些实施例中，MPC层610可以改装到任何现有的VRF系统，以便为VRF系统的设备提供设定值优化。
监管层620被示出为包括室内VRF单元622至626和室外VRF单元628。室内VRF单元622至626可以包括室内VRF单元104中的一些或全部，而室外VRF单元628可以包括室外VRF单元102中的一些或全部。在一些实施例中，监管层620可以包括PID控制器、可操作设备(例如，室外VRF单元、室内VRF单元、泵、风扇、阀等)、和/或被配置用于将过程变量控制到设定值的其他系统或装置。
在一些实施例中，分布式MPC系统600包括负载/费率预测器602。负载/费率预测器602可以向MPC层610提供负载和费率预测，包括例如干扰预测、电价、需量电费价格和外部空气温度。负载/费率预测器602被示出为接收来自天气服务604的天气预报。在一些实施例中，负载/费率预测器602根据天气预报来生成干扰预测。在一些实施例中，负载/费率预测器602使用来自监管层620的反馈来生成干扰预测。来自监管层620的反馈可以包括各种类型的传感器输入(例如，温度、流量、湿度、焓等)或与受控建筑物或校园相关的其他数据(例如，建筑物占用数据、建筑物电力负荷等)。在一些实施例中，负载/费率预测器602生成干扰预测，所述干扰预测包括优化时段内每个时间步长的预测干扰值。
在一些实施例中，负载/费率预测器602使用从历史负载数据中训练的确定性加随机性模型来生成干扰预测。负载/费率预测器602可以使用各种预测方法中的任何一种来生成干扰预测(例如，确定性部分的线性回归和随机部分的自回归模型)。负载/费率预测器602可以预测建筑物或校园的一个或多个不同类型的干扰。例如，负载/费率预测器602可以预测由建筑物内的空气与通过建筑物墙壁的外部空气之间的热传递产生的热负载。负载/费率预测器602可以预测由建筑物内的内部发热产生的热负载(例如，由建筑物中的电子器件生成的热量、由建筑物占用者生成的热量等)。在一些实施例中，负载/费率预测器602使用题为“Building Management System for Forecasting Time Series Values ofBuilding Variables(用于预测建筑物变量的时间序列值的建筑物管理系统)”并且于2015年5月20日提交的美国专利申请号14/717,593中描述的技术来进行负载/费率预测，所述美国专利申请的全部披露通过引用结合在此。
负载/费率预测器602被示出为接收来自公共设施606的公共设施费率。公共设施费率可以指示在优化时段中每个时间步长处由公共设施606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，公共设施费率是时变费率。例如，电力的价格在一天的某些时间或一周的某几天(例如，在高需求时段)较高，并且在一天的其他时间或一周的其他几天(例如，在低需求时段)较低。公共设施费率可以限定各种时间段以及在每个时间段期间的每单位资源的成本。公共设施费率可以是从公共设施606接收的实际费率或由负载/费率预测器602估计的所预测的公共设施费率。
在一些实施例中，公共设施费率包括由公共设施606提供的一种或多种资源的需量电费。需量电费可以限定由公共设施606基于在需量电费时段期间的特定资源的最大使用(例如，最大能耗)而施加的单独成本。公共设施费率可以限定各种需量电费时段和与每个需量电费时段相关联的一个或多个需量电费。在一些实例中，需量电费时段可以彼此和/或与优化时段部分或完全重叠。有利地，MPC层610可以考虑由高级模型预测控制器608执行的高级优化过程中的需量电费。可以由时变(例如，每小时)价格、最高服务水平(例如，由物理基础设施或由合同允许的最大消耗速率)以及(在电力的情况下)需量电费或在一定时段内高峰消耗速率的费用来限定公共设施606。负载/费率预测器602可以将所预测负载和公共设施费率存储在存储器中和/或将所预测负载和公共设施费率提供至高级MPC 608。
MPC层610可以从监管层620接收测量结果并向监管层620提供设定值。MPC层610可以为包括例如区域温度设定值、变制冷剂流量设定值、操作模式设定值(例如，加热或冷却)、和/或设备开/关决策的各个决策变量生成最佳值。MPC层610可以使用系统模型来确定决策变量的最佳值，所述系统模型诸如区域温度与冷却/加热负荷模型、冷却/加热负荷与温度设定值模型、以及设备模型。MPC层610可以通过执行受制于若干约束的优化过程来确定决策变量的最佳值。所述约束可以包括区域空气温度的舒适度界限、设备容量约束、制冷剂状态平衡约束、以及监管层620的设备的变化率界限。
如以上所讨论的，解决单个MPC问题以确定决策变量的最佳值对于大规模应用而言可能是困难的。例如，建筑物或建筑物系统可以包括数千个离散区域以及数千个唯一的HVAC装置。离散决策(例如，打开设备/关闭设备)可能导致混合整数优化问题，这进一步增加了复杂度。由于MPC问题的困难和计算复杂度，MPC层610可以将整个MPC问题分解为多个更小、更易管理的优化问题。
如图6中示出的，分布式MPC系统600可以将整个MPC问题分解为高级优化问题和低级优化问题。高级问题可以由高级控制器608来解决，以确定每个低级室内子系统632至636的负载分布曲线以及室外子系统638的需求分布曲线。在一些实施例中，高级控制器608使用每个室内子系统632至636的聚合低级模型以降低计算复杂度。高级控制器608可以确定优化(例如，最小化)MPC系统600在优化时段上的总操作成本的负载分布曲线。每个负载分布曲线可以包括在优化时段中每个时间步长处的负载值。低级室内控制器612至616可以使用负载分布曲线作为约束，以定义优化时段中每个时间步长处每个室内子系统632至636的最大可允许负载值。高级控制器608可以向低级室内控制器612至616中的每一个提供负载分布曲线。参照图7更加详细地描述了由高级控制器608执行的高级优化。
低级优化问题可以进一步被分解为低级室外优化问题以及一个或多个低级室内优化问题。每个低级室内问题可以由低级室内控制器612至616之一来解决，以确定每个室内子系统632至636的室内VRF单元622至626的区域温度设定值。每个低级室内控制器612至616可以确定区域温度设定值，所述区域温度设定值优化(例如，最小化)相应室内子系统632至636的能耗，同时将区域温度维持在定义的温度极限内并且不超过由高级控制器608提供的负载值。可替代地，每个低级室内控制器612至616可以根据高级优化问题来确定跟踪平均室内子系统温度(例如，预测的子系统温度状态)的温度设定值。参照图8更加详细地描述了由低级控制器612至616执行的低级优化。
低级室外问题可以由低级室外控制器618来解决。在一些实施例中，低级室外问题是混合整数线性程序。低级室外控制器618可以确定室外VRF单元628的最佳设定值，所述最佳设定值在满足来自高级控制器608的需求分布曲线的同时使操作成本最小化。由低级室外控制器618优化的决策变量可以包括例如设备开/关状态、冷却器的热负载、压缩机设定值、泵的流速、以及其他辅助室外设备的设定值。低级室外控制器618可以使用来自高级控制器608的需求分布曲线以作为由室外VRF单元628在优化时段的每个时间步长处满足的总需求的输入。
在一些实施例中，低级室外控制器618将低级室外优化问题分解为第一室外优化问题和第二室外优化问题。第一室外优化问题可以跨室外子系统的多个室外VRF单元来分配由高级控制器608指定的需求。第二室外优化问题可以被分解为混合整数优化问题，以使每个子设施确定室外VRF单元628的最佳设备开/关状态和设备设定值。可以由低级室外控制器618使用的优化技术的示例在2015年2月27日提交的美国专利申请号14/634,609中进行了详细描述，所述美国专利申请的全部披露通过引用结合在此。
如图6中示出的，每个低级室内模型预测控制器612至616可以控制整个VRF系统100的子系统632至636。每个低级室内控制器612至616可以执行单独的室内优化过程，以确定相应室内子系统632至636的室内VRF单元622至626的最佳温度设定值。每个室内子系统632至636可以包括一个或多个室内VRF单元，其中的每个室内VRF单元可以被配置用于向一个或多个建筑物区域递送空气。
在一些实施例中，高级控制器608使用每个室内子系统632至636的聚合模型并向每个室内子系统632至636分配热能负载。低级室内控制器612至616可以在低级优化过程期间使用更详细的区域级模型来确定相应室内子系统的每个建筑物区域的最佳温度设定值。将VRF系统100分解为单独的室内子系统632至636可以提高计算性能并且显着减少解决低级MPC问题所需的时间量。例如，所有低级MPC问题都可以在几分钟内解决。
在一些实施例中，每个室内子系统632至636表示分离的建筑物。室内子系统632至636之间的显著耦合(例如，子系统632至636之间的热交换)可能影响性能，因为不需要低级控制器612至616来协调它们的解决方案。分解VRF系统100以保证子系统632至636之间不存在耦合的一种方法是通过建筑物来分解，因为分离的建筑物不能彼此交换热量。出于这个原因，可能期望选择室内子系统632至636，使得每个室内子系统632至636表示分离的建筑物。每个室内子系统632至636可以包括多个区域(例如，建筑物内的房间或空间)，其中的每个区域可以由单独的室内VRF单元来控制。在其他实施例中，每个室内子系统632至636可以表示单个建筑物区域、建筑物内的区域集合、或者甚至多个建筑物。
在MPC系统600中，高级模型预测控制器608确定要分配给每个室内子系统632至636(例如，每个建筑物或每个区域)的热能负载以及室外子系统638的需求分布曲线。每个室内子系统632至636可以包括计算这个室内子系统632至636中的每个区域的温度设定值或可变制冷剂流速(例如，建筑物中的每个室内VRF单元的设定值)的单独低级室内控制器612至616。可以以分布式方式解决低级室内问题。低级室内问题可以轻易地扩展用于处理大型工业和校园范围内的实施方式而不会增加计算复杂度。
分布式MPC系统600提供优于替代控制策略的若干优点。例如，高级控制器608可以经由提供至每个低级控制器612至616的负载分布曲线来协调低级室内子系统632至636的操作。通过在高级目标函数中包括需量电费，高级控制器608可以生成呈现低级室内子系统632至636的操作的负载分布曲线。换言之，高级控制器608可以生成确保低级室内子系统632至636不会全部同时消耗功率的负载分布曲线。这允许高级控制器608协调低级室内子系统632至636的操作并且考虑需量电费而不需要低级室内控制器612至616之间的通信。由单个室外子系统638的存在引起的针对所有室内子系统632至636的耦合也由高级控制器608来解决。因此，低级控制问题完全没有关联，使得不需要低级控制器612至616之间的迭代和通信。
MPC层610与监管层620之间的数据通信也可以大大减少。例如，如图6中示出的，MPC层610与监管层620之间的数据通信可以限于测量结果和设定值。这允许MPC系统600与任何现有BMS集成。高级控制器608可以使用每个室内子系统632至636和室外子系统638的聚合模型来降低高级优化期间的计算复杂度。每个低级室内控制器612至616可以为高级控制器608提供相应室内子系统632至636的聚合扰动估计值、聚合温度和聚合系统参数(例如，热容、热传递系数等)。
分布式MPC系统600可以用于控制各种不同的系统，包括例如冷却器设施、空气处理单元、屋顶单元、变制冷剂流量系统、空气侧系统，水侧系统、建筑物管理系统、和/或其他类型的系统(针对所述系统，可以将功耗或热能负载分配给不同的子系统)。大多数建筑物温度调节方法不考虑VRF设备或整数决策变量的详细模型，这降低了能量成本计算的精确度。然而，MPC系统600可以在优化问题中包括整数变量以确定何时打开和关闭设备而不是依赖于启发式方法。
高级模型预测控制器
现在参照图7，示出了更加详细地展示根据一些实施例的高级模型预测控制器(MPC)608的框图。高级MPC 608被示出为包括通信接口702和处理电路704。通信接口702可以包括用于与各种系统、设备或网络进行数据通信的有线或无线接口(例如，插座、天线、发射器、接收器、收发器、电线端子等)。例如，通信接口702可以包括用于经由基于以太网的通信网络发送和接收数据的以太网卡和端口和/或用于经由无线通信网络进行通信的WiFi收发器。通信接口702可以被配置用于经由局域网或广域网(例如，互联网、建筑物WAN等)进行通信并且可以使用各种通信协议(例如，BACnet、IP、LON等)。
通信接口702可以是被配置用于促进高级MPC 608与各种外部系统或装置(例如，天气服务604、公共设施606、低级控制器612至618、BMS设备等)之间的电子数据通信的网络接口。例如，高级MPC 608可以从天气服务604接收天气预报、从公共设施606接收公共设施费率、和/或从负载/费率预测器602接收负载和费率预测。高级MPC 608可以从BMS接收指示受控建筑物或校园的一种或多种测量状态(例如，温度、湿度、电负载等)以及室外子系统638的一种或多种状态(例如，设备状态、功耗、设备可用性等)的测量结果。
高级MPC 608可以从每个低级室内控制器612至616接收室内子系统干扰估计值。室内子系统干扰估计值可以指示每个室内子系统632至636的估计热能负载。高级MPC 608可以从每个低级控制器612至618接收聚合系统曲线、聚合子系统参数和/或性能系数。高级MPC 608可以使用在通信接口702处接收到的信息以便为每个室内子系统632至636生成负载分布曲线并且为室外子系统638生成需求分布曲线。高级MPC 608可以向低级控制器612至618提供负载分布曲线和需求分布曲线。
处理电路704被示出为包括处理器706和存储器708。处理器706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)、一组处理部件或其他合适的处理部件。处理器706可以被配置用于执行存储在存储器708中或从其他计算机可读介质(例如，CDROM、网络存储设备、远程服务器等)接收到的计算机代码或指令。
存储器708可以包括用于存储用于完成和/或促进本披露中所描述的各个过程的数据和/或计算机代码的一个或多个装置(例如，存储器单元、存储器装置、存储装置等)。存储器708可以包括随机存取存储器(RAM)、只读存储器(ROM)、硬盘驱动器存储设备、临时存储设备、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他合适的存储器。存储器708可以包括数据库组件、目标代码组件、脚本组件或用于支持本披露中所描述的各种活动和信息结构的任何其他类型的信息结构。存储器708可以经由处理电路704可通信地连接至处理器706并且可以包括用于(例如，由处理器706)执行本文中所描述的一个或多个过程的计算机代码。当处理器706执行存储在存储器708中的指令时，处理器706通常配置高级MPC 608(以及更具体地处理电路704)来完成这种活动。
仍然参照图7，高级MPC 608被示出为包括温度建模器714。子系统温度建模器714可以为每个室内子系统632至636生成温度模型。由子系统温度建模器714生成的温度模型在每个室内子系统632至636表示分离建筑物的假设下可以被称为建筑物温度模型。然而，如果室内子系统632至636表示其他类型的空间，则由子系统温度建模器714生成的温度模型可以是其他类型的子系统的温度模型。子系统温度建模器714可以为每个室内子系统生成温度模型。尽管图6中仅示出了三个室内子系统632至636，但是应当理解的是，可以存在任何数量的建筑物和室内子系统632至636。通常，子系统温度建模器714可以生成nb室内子系统温度模型，其中，nb是建筑物和/或室内子系统632至636的总数。
在一些实施例中，子系统温度建模器714使用建筑物热传递模型来对每个室内子系统的温度进行建模。加热或冷却单个建筑物区域的动态通过能量平衡来描述：
其中，C是建筑物区域的热容，H是建筑物区域的环境热传递系数，T是建筑物区域的温度，Ta是建筑物区域外部的环境温度(例如，外部空气温度)，是施加到建筑物区域的冷却量(即，冷却负载)，并且是建筑物区域所经受的外部负载、辐射、或其他干扰。在前一方程中，表示由HVAC系统传递出建筑物区域的热量(即，冷却)并且因此具有负号。然而，如果对建筑物区域施加加热而不是冷却，则上的符号可以切换为正号，使得表示由HVAC系统施加到建筑物区域的加热量(即，加热负载)。
前一方程将建筑物区域的所有质量和空气特性组合成单个区域温度。可以由子系统温度建模器714使用的其他热传递模型包括以下空气和质量区域模型：
其中，Cz和Tz是建筑物区域中空气的热容和温度，Ta是环境空气温度，Haz是建筑物区域的空气与建筑物区域外部的环境空气(例如，通过建筑物区域的外墙)之间的热传递系数，Cm和Tm是建筑物区域内非空气质量的热容和温度，并且Hmz是建筑物区域的空气与非空气质量之间的热传递系数。
前一方程将建筑物区域的所有质量特性组合成单个区域质量。可以由子系统温度建模器714使用的其他热传递模型包括以下空气、浅层质量和深层质量区域模型：
其中，Cz和Tz是建筑物区域中空气的热容和温度，Ta是环境空气温度，Haz是建筑物区域的空气与建筑物区域外部的环境空气(例如，通过建筑物区域的外墙)之间的热传递系数，Cs和Ts是建筑物区域内浅层质量的热容和温度，Hsz是建筑物区域的空气与浅层质量之间的热传递系数，Cd和Td是建筑物区域内深层质量的热容和温度，并且Hds是浅层质量与深层质量之间的热传递系数。
在一些实施例中，子系统温度建模器714使用以下子系统温度模型来对每个室内子系统的温度进行建模：
其中，Cb和Tb是由指数b指定的室内子系统的热容和温度，Ta是室内子系统b外部的环境空气温度(例如，外部空气温度)，Hb是室内子系统b与环境空气之间的热传递系数，是由MPC系统600施加到室内子系统的冷却量(即，从室内子系统中去除的热量的量)，并且是室内子系统b所经受的外部负载、辐射或干扰。如果向室内子系统提供加热而不是冷却，则上的符号可以从负号切换为正号。
子系统温度建模器714可以使用从低级室内控制器612至616接收到的室内子系统干扰估计值来识别在优化时段的每个时间步长处每个室内子系统b的外部干扰的适当值。在一些实施例中，子系统温度建模器714使用来自天气服务604的天气预报和/或由负载/费率预测器602提供的负载和费率预测来确定在优化时段的每个时间步长处每个室内子系统b的环境空气温度Ta和/或外部干扰的适当值。Cb和Hb的值可以指定为室内子系统b的参数、从室内子系统b的低级室内控制器接收、从用户接收、从存储器708中检索、或者以其他方式被提供至子系统温度建模器714。子系统温度建模器714可以为每个室内子系统b生成室内子系统温度模型，其中，b＝1…nb，并且nb是室内子系统的总数。
高级MPC 608被示出为包括室外单元需求建模器722。室外单元需求建模器722可以生成一种模型，所述模型表示对室外子系统638的需求以作为在优化时段的每个时间步长处分配给每个室内子系统b的热能负载的函数。在一些实施例中，室外单元需求建模器722使用以下方程来对室外单元需求进行建模：
其中，是在时间步长k处的室外单元需求(例如，在时间步长k处室外子系统638的热能或制冷剂状态分配)，并且是在时间步长k处分配给室内子系统b的热能负载。前一方程指示对室外子系统638的总需求是分配给每个室内子系统b的热能负载的总和。这个方程可以由高级MPC 608用作能量平衡约束，以确保室外子系统638生成足够的热能以在每个时间步长k处覆盖室内子系统。
高级MPC 608被示出为包括约束建模器710。约束建模器710可以生成优化约束并对由高级优化器712执行的优化程序施加所述优化约束。由约束建模器710施加的约束可以包括例如设备容量约束和室内子系统温度约束。在一些实施例中，约束建模器710施加以下约束：
确保每个时间步长k处的室外单元需求小于或等于室外子系统638的最大容量
在一些实施例中，约束建模器710对室内子系统温度Tb施加约束。例如，约束建模器710可以约束如在以下方程中示出的最小温度T最小与最大温度T最大之间的室内子系统温度Tb：
T最小≤Tb≤T最大
其中，T最小和T最大的值可以基于室内子系统的温度设定值进行调节。在一些实施例中，约束建模器710基于从低级室内控制器和/或室内子系统的BMS接收到的信息来自动调节T最小和T最大的值。例如，约束建模器710可以使用室内子系统的温度设定值时间表和/或占用时间表来自动调节每个时间步长k上T最小和T最大的值。这允许约束建模器710使用基于室内子系统的时变设定值温度范围的温度极限，使得室内子系统温度Tb维持在时间适合的温度极限T最小和T最大内。
仍然参照图7，高级MPC 608被示出为包括能量成本建模器720和需量电费建模器718。能量成本建模器720可以生成表示由MPC系统600消耗的能量成本的能量成本模型。能量成本可以包括由MPC系统600在优化时段期间消耗的每单位能量资源(例如，电力、水、天然气等)的成本以及基于最大功耗的需量电费。能量成本模型的需量电费组分可以由需量电费建模器718来建模并且经由需量电费约束来执行。在一些实施例中，能量成本模型仅考虑由室外子系统638消耗的能量资源。在其他实施例中，能量成本模型还考虑室内子系统622至626的功耗，所述功耗可以由室内功耗建模器716来建模。以下描述了这两种场景的示例。
示例1：没有室内功耗的能量成本模型
在一些实施例中，能量成本建模器720生成能量成本模型，所述能量成本模型考虑了室外子系统638的能耗而不包括室内功耗。例如，能量成本建模器720可以使用以下方程在优化时段期间对总能量成本进行建模：
能量成本模型的第一项考虑在优化时段的每个时间步长k期间所消耗的能量的每单位成本(例如，$/kWh)。在一些实施例中，ck是在时间步长k处消耗的以满足时间步长k处的总室外单元需求的每单位能量的成本，参数ηtot是聚合VRF子系统的性能系数的倒数(例如，0.1≤ηtot≤0.25)，并且Δ是时间步长k的持续时间。因此，项ηtot Δ表示在时间步长k期间消耗的以满足室外单元需求的能量总量(例如，kWh)。乘以每单位所消耗能量的成本ck(例如，$/kWh)产生在时间步长k期间消耗的能量的总成本(例如，$)。能量成本模型可以包括在每个时间步长k期间的能量成本的总和，以确定在优化时段上能耗的总成本。
能量成本模型的第二项考虑需量电费。在一些实施例中，c峰值是需量电费费率(例如，$/kW)，是需量电费时段期间的峰值室外单元需求(例如，的最大值)，并且ηtot是聚合VRF子系统的性能系数的倒数。因此，项ηtot 表示满足峰值室外单元需求的峰值功耗。乘以需量电费费率c峰值产生需量电费的总成本(例如，$)。
在一些实施例中，需量电费建模器718生成需量电费约束以确保具有适当的值。如果需量电费时段完全包含在优化时段内(例如，在时间步长k＝0和k＝N-1之间)，则的适当值仅是优化时段期间的最大值需量电费建模器718可以实施以下需量电费约束：
确保峰值室外单元需求总是大于或等于每个时间步长处的室外单元需求这迫使峰值室外单元需求至少与优化时段期间的最大室外单元需求一样大。
如果需量电费时段在优化时段之前开始，则需量电费时段期间的的最大值可能在优化时段开始之前发生。需量电费建模器718可以实施以下需量电费约束：
确保：即使最大室外单元需求在当前优化时段开始之前发生，峰值室外单元需求也总是大于或等于在同一需量电费时段期间发生的最大室外单元需求在一些实施例中，每当设定新的最大室外单元需求时，需量电费建模器718就更新以确保能量成本模型准确地表示由电力公共设施强加的需量电费。
高级优化器712可以使用能量成本模型、需量电费模型、室内子系统温度模型、室外单元需求模型、以及优化约束以便使优化问题公式化。在一些实施例中，高级优化器712寻求使得由受制于室内子系统温度约束和由本文所述的高级模型提供的其他约束的室外子系统638所消耗的能量总成本(即，能量成本和需量电费)最小化。例如，高级优化器712可以将高级优化问题公式化为：
受制于以下约束：
T最小≤Tb≤T最大
以及确保每种状态(例如，液体、气体、过热气体等)下的制冷剂量在每个时间步长k处保持平衡所需的任何制冷剂平衡约束。
在一些实施例中，高级优化器712将上述所识别模型和/或约束中的一个或多个转换为状态空间形式，以用于高级优化问题。例如，高级优化器712可以将前述方程转换为以下形式的离散化状态空间模型：
xk+1＝Axk+Buk+Bddk
yk＝Cxk+Duk
其中，xk是在时间步长k处的系统状态向量，uk是在时间步长k处的系统输入向量，yk是在时间步长k处的测量结果或系统输出向量，dk是在时间步长k处的干扰矢量，并且xk+1是在时间步长k+1处的(预测)系统状态向量。表1展示了可以包括在这些向量中的每一个向量中的变量：
表1：高级优化中的变量
如表1中示出的，系统状态向量x包括室内子系统温度Tb。在一些实施例中，系统状态向量x包括nb个室内子系统中每一个的室内子系统温度Tb，使得系统状态向量x中的变量总数n等于nb。输入向量u可以包括分配给每个室内子系统b的热能负载在一些实施例中，输入向量u包括nb个室内子系统中每一个的热能负载使得输入向量u中的变量总数m等于nb。干扰向量d可以包括每个室内子系统的环境空气温度Ta和估计干扰在一些实施例中，干扰向量d包括nb个室内子系统中每一个的估计干扰以及单个环境空气温度Ta，使得干扰向量d中的变量总数nd等于nb+1。
在一些实施例中，测量向量y与系统状态向量x相同。这指示所有系统状态都是直接测量的(即yk＝xk)，并且状态空间模型中的C和D度量的值为C＝I和D＝0。在其他实施例中，可以根据测量结果y来构建或预测系统状态x。例如，高级MPC 608可以使用卡尔曼滤波器或其他预测技术以便根据测量结果y来构建系统状态x。因此，可以利用来代替系统状态x，其中，帽子符号表示这种状态是预测的。可以使用系统识别技术来识别状态空间表达式中的A、B、C、和D度量的值。可以由高级MPC 608使用的状态预测和系统识别技术的示例在题为“System Identification and Model Development(系统识别和模型开发)”并且于2013年3月13日提交的美国专利号9,235,657中进行了详细描述，所述美国专利的全部披露通过引用结合在此。
示例2：具有室内功耗的能量成本模型
在一些实施例中，能量成本建模器720生成能量成本模型，所述能量成本模型考虑室外子系统638的能耗和室内子系统622至626的能耗两者。例如，能量成本模型可以考虑由风扇和室内VRF单元中的其他类型的设备622至626所消耗的以向室内子系统递送所分配热能负载的功率在一些实施例中，每个室内子系统632至636的功耗是分配给这个室内子系统的热能负载的函数。
室内功耗建模器716可以生成使室内功耗与热能负载相关的室内功耗模型。在一些实施例中，室内功耗建模器716使用以下方程对室内功耗进行建模：
其中，是由室内子系统b的室内VRF单元622所消耗的以递送热能负载的功率量。转换因子η空气可以是室内VRF单元622的性能系数的函数(例如，性能系数的倒数)。在一些实施例中，η空气是常数，这指示室内功耗与热能负载之间的关系是线性的。在其他实施例中，可以由室内功耗建模器716使用操作数据来计算η空气以作为负载和其他参数的非线性函数。
在一些实施例中，室内功耗建模器716计算转换因数η空气以作为各种系统参数的函数，所述各种系统参数诸如室内子系统中的室内VRF单元的类型、一天中的时间、舒适度界限、环境条件、冷却水供应温度、冷却水供应流速、和/或表征室内子系统632至636或室内子系统632至636中的任何室内子系统的其他参数。例如，室内功耗建模器716可以从室内VRF单元622和/或低级室内控制器612收集操作数据并使用所述操作数据来确定η空气的适当值。
在一些实施例中，室内功耗建模器716计算η空气以作为热能负载和各个风扇功率模型的函数。例如，20℃的空气可以具有如在以下方程中示出的密度ρ空气和热容量Cp,空气：
由气流提供的热能负载可以使用以下模型来表示：
其中，是进入建筑物区域的供应空气的体积流速，T房间是建筑物区域的温度，并且T供应是供应空气的温度。假设供应空气温度T供应大约为55°F并且房间空气温度T房间大约为72°F，则室内功耗建模器716可以如下地计算每单位体积气流的热能负载(例如，空气的冷却能力)：
室内功耗建模器716可以使用这个冷却容量值和典型室内VRF单元风扇的每单位体积的估计功耗来估计η空气的值。例如，典型HVAC风扇消耗大约1马力(hp)以提供在每分钟1000立方英尺(CFM)与1500CFM之间的气流。可以将这些值如下地转换为度量值：
将这些值代入室内功耗模型中得到：
η空气＝0.091-0.14
这指示每个室内子系统632至636的室内功耗大约是由所述室内子系统递送的热能负载的10％。
假定可以将室内功耗建模为η空气 则能量成本建模器720可以使用以下方程在优化时段期间对总能量成本进行建模：
能量成本模型的第一部分考虑由室外子系统638在优化时段的每个时间步长k期间消耗的能量的每单位成本(例如，$/kWh)。在一些实施例中，ck是在时间步长k处消耗的每单位能量的成本，Δ是时间步长k的持续时间，并且ηHVAC是室外子系统638的性能系数的倒数(例如，ηHVAc～0.2)。项ηHVAC 表示在时间步长k期间室外子系统638的以满足室外单元需求的功耗的量(例如，kW)。乘以每单位所消耗能量的成本ck(例如，$/kWh)和持续时间Δ(例如，小时)产生由室外子系统638在时间步长k期间消耗的能量的总成本(例如，$)。可以跨优化时段的所有时间步长k＝0…N-1对能量成本模型的第一部分进行求和，以确定由室外子系统638在优化时段的持续时间上消耗的总能量。
能量成本模型的第而部分考虑由每个室内子系统在优化时段的每个时间步长k期间消耗的能量的每单位成本(例如，$/kWh)。如上所述，η空气是室内子系统的性能系数的倒数(例如，η空气～0.1)，并且是由室内子系统b在时间步长k处递送的热能负载。项η空气 表示子系统b的室内VRF单元的功耗可以跨所有室内子系统b＝1…nb且跨所有时间步长k＝0…N-1对能量成本模型的第二部分进行求和，以确定在优化时段的持续时间上所有室内子系统的总功耗。乘以每单位所消耗能量的成本ck(例如，$/kWh)和持续时间Δ(例如，小时)产生由室内子系统在时间步长的持续时间上消耗的能量的总成本(例如，$)。
能量成本模型的第三部分考虑需量电费。在一些实施例中，c峰值是需量电费费率(例如，$/kW)，并且是在可适用需量电费时段期间的峰值聚合室内和室外功耗。乘以需量电费费率c峰值产生需量电费的总成本(例如，$)。在一些实施例中，需量电费建模器718生成需量电费约束以确保具有适当的值。如果需量电费时段完全包含在优化时段内(例如，在时间步长k＝0和k＝N-1之间)，则的适当值是优化时段期间的任何时间步长k处的组合室内/室外功耗的最大值。需量电费建模器718可以实施以下需量电费约束：
确保峰值功耗总是大于或等于每个时间步长处的室外功耗ηHVAc 与室内功耗η空气 之和。这迫使峰值功耗至少与优化时段期间的最大组合室内/室外功耗一样大。
如果需量电费时段在优化时段之前开始，则需量电费时段期间的最大峰值功耗可能在优化时段开始之前发生。需量电费建模器718可以实施以下需量电费约束：
确保：即使最大功耗在当前优化时段开始之前发生，峰值功耗也总是大于或等于在同一需量电费时段期间发生的最大功耗在一些实施例中，每当设定新的最大功耗时，需量电费建模器718就更新以确保能量成本模型准确地表示由电力公共设施强加的需量电费。
高级优化器712可以使用能量成本模型、室内功耗模型、需量电费模型、室内子系统温度模型、室外单元需求模型、以及优化约束以便使优化问题公式化。在一些实施例中，高级优化器712寻求使得由受制于室内子系统温度约束和由本文所述的高级模型提供的其他约束的聚合VRF系统所消耗的能量总成本最小化。例如，高级优化器712可以将高级优化问题公式化为：
受制于以下约束：
T最小≤Tb≤T最大
以及如前所述的任何制冷剂平衡约束。
在一些实施例中，高级优化器712将上述所识别模型和/或约束中的一个或多个转换为状态空间形式，以用于高级优化问题。例如，高级优化器712可以将前述方程转换为以下形式的离散化状态空间模型：
xk+1＝Axk+Buk+Bddk
yk＝Cxk+Duk
其中，xk是在时间步长k处的系统状态向量，uk是在时间步长k处的系统输入向量，yk是在时间步长k处的测量结果或系统输出向量，dk是在时间步长k处的干扰矢量，并且xk+1是在时间步长k+1处的(预测)系统状态向量。包括在每个向量中的变量可以与如以上表1中所示的相同。
高级优化器712可以执行优化程序以确定在优化时段的每个时间步长k处向量u中的输入变量中的每个输入变量的最佳值。例如，高级优化器712可以确定在每个时间步长k处分配给每个室内子系统b的热能负载中的每个热能负载的最佳值。具有相同室内子系统指数b的每组热能负载形成特定室内子系统的负载分布曲线并且包括在优化时段中每个时间步长k上的负载值。高级优化712可以向低级室内控制器612至616提供室内子系统负载分布曲线。
在一些实施例中，高级优化器712为每个低级室内子系统632至636生成预测温度状态向量每个预测温度状态向量可以包括在优化时段期间的每个时间步长k上的预测温度状态可以使用各种预测技术中的任何一种来预测温度状态所述预测技术包括例如如在美国专利号9,235,657中描述的卡尔曼滤波器。高级优化器712可以向相应低级室内子系统632至636的低级室内控制器612至616提供预测温度状态的每个向量。在一些实施例中，低级室内控制器612至616使用预测温度状态生成在每个时间步长k处跟踪预测温度状态的区域温度设定值。
在一些实施例中，高级优化器712计算在每个时间步长k处对室外子系统638的总需求以作为在时间步长k处室内子系统热能负载的总和。这组室外单元需求值形成室外子系统638的需求分布曲线并包括优化时段中的每个时间步长k上的需求值。在特定时间步长k上的需求值表示室外子系统638在这个时间步长k处必须满足的总需求。高级优化器712可以将室外单元需求分布曲线提供至低级室外控制器618。
低级室内模型预测控制器
现在参照图8，示出了更加详细地展示根据一些实施例的低级室内模型预测控制器(MPC)612的框图。尽管仅详细示出了一个低级室内MPC 612，但应当理解的是，控制系统600中的任何其他低级室内MPC(例如，低级室内MPC 614至616)可以包括与低级室内MPC612同样的部件中的一些或全部。控制系统600可以包括任何数量的低级室内MPC，其中每个低级室内MPC可以独立地操作以监测和控制单独的低级室内子系统(例如，室内子系统632至636)。
低级室内MPC 612被示出为包括通信接口802和处理电路804。通信接口802可以包括用于与各种系统、设备或网络进行数据通信的有线或无线接口(例如，插座、天线、发射器、接收器、收发器、电线端子等)。例如，通信接口802可以包括用于经由基于以太网的通信网络发送和接收数据的以太网卡和端口和/或用于经由无线通信网络进行通信的WiFi收发器。通信接口802可以被配置用于经由局域网或广域网(例如，互联网、建筑物WAN等)进行通信并且可以使用各种通信协议(例如，BACnet、IP、LON等)。
通信接口802可以是被配置用于促进低级室内MPC 612与各种外部系统或装置(例如，天气服务604、高级MPC 608、室内VRF单元622等)之间的电子数据通信的网络接口。例如，低级室内MPC 612可以从天气服务604接收天气预报和/或从负载/费率预测器602接收负载预测。低级室内MPC 612可以从BMS接收指示受控建筑物或校园的一种或多种测量状态(例如，温度、湿度、电负载等)以及室内子系统632的一种或多种状态(例如，设备状态、功耗、设备可用性等)的测量结果。低级室内MPC 612可以从高级MPC 608接收预测温度状态和/或负载分布曲线。低级室内MPC 612可以使用在通信接口802处接收到的信息以便为低级室内子系统632的每个区域生成区域温度设定值和/或为低级室内子系统632的每个室内VRF单元生成制冷剂流量设定值。低级室内MPC 612可以将区域温度设定值和/或制冷剂流量设定值提供至室内VRF单元622。
处理电路804被示出为包括处理器806和存储器808。处理器806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)、一组处理部件或其他合适的处理部件。处理器806可以被配置用于执行存储在存储器808中或从其他计算机可读介质(例如，CDROM、网络存储设备、远程服务器等)接收到的计算机代码或指令。
存储器808可以包括用于存储用于完成和/或促进本披露中所描述的各个过程的数据和/或计算机代码的一个或多个装置(例如，存储器单元、存储器装置、存储装置等)。存储器808可以包括随机存取存储器(RAM)、只读存储器(ROM)、硬盘驱动器存储设备、临时存储设备、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他合适的存储器。存储器808可以包括数据库组件、目标代码组件、脚本组件或用于支持本披露中所描述的各种活动和信息结构的任何其他类型的信息结构。存储器808可以经由处理电路804可通信地连接至处理器806并且可以包括用于(例如，由处理器806)执行本文中所描述的一个或多个过程的计算机代码。当处理器806执行存储在存储器808中的指令时，处理器806通常配置低级室内MPC 612(以及更具体地处理电路804)来完成这种活动。
仍然参照图8，低级MPC 612被示出为包括区域干扰预测器824。区域干扰预测器824可以为室内子系统632的每个区域i生成干扰预测。贯穿本披露，指数i用于表示各个区域，其中，i＝1…nz，并且nz是给定室内子系统中的区域总数。在一些实施例中，每个区域i唯一地与被配置用于控制区域i的温度的特定室内VRF单元相关联。因此，指数i也可以表示单独室内VRF单元。区域i的干扰预测可以包括干扰值向量其中，所述向量的每个元素包括优化时段的特定时间步长k上的预测干扰值
区域干扰预测器824被示出为接收来自天气服务604的天气预报。在一些实施例中，区域干扰预测器824根据天气预报来生成干扰预测。在一些实施例中，区域干扰预测器824使用来自监管层620的反馈来生成干扰预测。来自监管层620的反馈可以包括各种类型的传感器输入(例如，温度、流量、湿度、焓等)或与受控建筑物或校园相关的其他数据(例如，建筑物占用数据、建筑物电力负荷等)。在一些实施例中，区域干扰预测器824使用从历史负载数据中训练的确定性加随机性模型来生成干扰预测。区域干扰预测器824可以使用各种预测方法中的任何一种来生成干扰预测(例如，确定性部分的线性回归和随机部分的自回归模型)。
区域干扰预测器824可以预测每个建筑物区域i的一个或多个不同类型的干扰。例如，区域干扰预测器824可以预测由建筑物区域i内的空气与通过建筑物墙壁的外部空气之间的热传递产生的热负载。区域干扰预测器824可以预测由建筑物区域内的内部发热产生的热负载(例如，由建筑物区域中的电子器件生成的热量、由区域占用者生成的热量等)。在一些实施例中，区域干扰预测器824使用在美国专利申请号14/717,593中描述的预测技术来进行干扰预测。
仍然参照图8，低级MPC 612被示出为包括区域温度建模器814。区域温度建模器814可以为室内子系统632的每个建筑物区域i生成温度模型。室内子系统632可以具有任何数量的区域。在一些实施例中，可以独立地控制和/或调节每个区域的温度。一些建筑物区域可以彼此交换热量(例如，如果建筑物区域彼此相邻)，而其他建筑物区域不能直接交换能量。通常，区域温度建模器814可以生成nz个区域温度模型，其中，nz是室内子系统632中的区域的总数。
在一些实施例中，区域温度建模器814使用区域热传递模型来对每个建筑物区域的温度进行建模。加热或冷却单个建筑物区域的动态通过能量平衡来描述：
其中，C是建筑物区域的热容，H是建筑物区域的环境热传递系数，T是建筑物区域的温度，Ta是建筑物区域外部的环境温度(例如，外部空气温度)，是施加到建筑物区域的冷却量(即，冷却负载)，并且是建筑物区域所经受的外部负载、辐射、或其他干扰。在前一方程中，表示由HVAC系统传递出建筑物区域的热量(即，冷却)并且因此具有负号。然而，如果对建筑物区域施加加热而不是冷却，则上的符号可以切换为正号，使得表示由HVAC系统施加到建筑物区域的加热量(即，加热负载)。
前一方程将建筑物区域的所有质量和空气特性组合成单个区域温度。可以由区域温度建模器814使用的其他热传递模型包括以下空气和质量区域模型：
其中，Cz和Tz是建筑物区域中空气的热容和温度，Ta是环境空气温度，Haz是建筑物区域的空气与建筑物区域外部的环境空气(例如，通过建筑物区域的外墙)之间的热传递系数，Cm和Tm是建筑物区域内非空气质量的热容和温度，并且Hmz是建筑物区域的空气与非空气质量之间的热传递系数。
前一方程将建筑物区域的所有质量特性组合成单个区域质量。可以由区域温度建模器814使用的其他热传递模型包括以下空气、浅层质量和深层质量区域模型：
其中，Cz和Tz是建筑物区域中空气的热容和温度，Ta是环境空气温度，Haz是建筑物区域的空气与建筑物区域外部的环境空气(例如，通过建筑物区域的外墙)之间的热传递系数，Cs和Ts是建筑物区域内浅层质量的热容和温度，Hsz是建筑物区域的空气与浅层质量之间的热传递系数，Cd和Td是建筑物区域内深层质量的热容和温度，并且Hds是浅层质量与深层质量之间的热传递系数。
在一些实施例中，区域温度建模器814使用以下区域温度模型来对每个建筑物区域的温度进行建模：
其中，Ci和Ti是由区域指数i指定的建筑物区域的热容和温度，Ta是区域i外部的环境空气温度(例如，外部空气温度)，Hi是区域i与环境空气之间的热传递系数，是由MPC系统600施加到建筑物区域i的冷却量(即，从区域中去除的热量的量)，并且是区域i所经受的外部负载、辐射或干扰。如果向区域提供加热而不是冷却，则上的符号可以从负号切换为正号。
参数βij表征区域i与另一区域j(例如，与区域i相邻的建筑物区域)之间的耦合程度。如果区域i和j不相邻和/或不能直接彼此交换热量，则区域温度建模器814可以设定βij的值等于零。区域温度模型可以包括建筑物区域i与每个其他建筑物区域j≠i之间的热传递的总和以作为区域温度Ti和Tj与耦合系数βij的函数。在其他实施例中，可以使用外部干扰估计值来考虑区域之间的热传递。
区域温度建模器814可以使用从区域干扰预测器824接收到的区域干扰估计值来识别在优化时段的每个时间步长处每个区域i的外部干扰的适当值。在一些实施例中，区域温度建模器814使用来自天气服务604的天气预报和/或由负载/费率预测器602提供的负载和费率预测来确定在优化时段的每个时间步长处每个区域i的环境空气温度Ta和/或外部干扰的适当值。Ci和Hi的值可以指定为区域的参数i、从管理建筑物区域i的BMS从用户接收、从用户接收、从存储器808中检索、或者以其他方式被提供至区域温度建模器814。区域温度建模器814可以为每个区域i生成区域温度模型，其中，i＝1…nz，并且nz是建筑物的总数。
仍然参照图8，低级MPC 612被示出为包括子系统负载建模器816。子系统负载建模器816可以生成递送到室内子系统的热能总量Q总(例如，递送到子系统的总加热或冷却量)以作为单独区域负载的函数的模型。在一些实施例中，子系统负载建模器816使用以下方程对总子系统负载进行建模：
其中，Q总是递送到室内子系统的热能(例如，加热或冷却)总量，并且是特定区域的i递送热能的速率(功率单位)。室内子系统负载模型可以对每个建筑物区域的热能负载进行求和以计算总室内子系统热能负载所述总室内子系统热能负载是递送到室内子系统的热能总量Q总的导数。
低级室内MPC 612被示出为包括冷却/加热负荷建模器820。冷却/加热负荷建模器820可以生成一个或多个模型，所述一个或多个模型将每个建筑物区域的热能负载定义为如以下方程中示出的区域温度Ti和区域设定值ui的函数：
由冷却/加热负荷建模器820生成的模型可以用作优化约束以确保热能负载不会降至将使区域温度Ti偏离可接受或较舒适温度范围的值。
在一些实施例中，区域设定值ui包括操作模式设定值zi(例如，加热或冷却)和制冷剂流量设定值mi。例如，区域设定值ui可以表示如下：
其中，变量zi表示室内VRF单元针对建筑物区域i的操作模式，并且变量mi表示室内VRF单元针对建筑物区域i的制冷剂流速设定值。在一些实施例中，操作模式zi是二进制变量，如以下方程中示出的：
其中，值zi＝1指示操作模式为冷却，而值zi＝0指示操作模式为加热或者非冷却。
在一些实施例中，冷却/加热负荷建模器820使用以下模型以使区域热能负载(即，建筑物区i的冷却负荷或加热负荷i)与制冷剂流量mi相关：
其中，αi,c(Ti)是区域冷却负荷(即，当操作模式为冷却时的区域热能负载)与制冷剂流量mi之间的转换因子，并且αi,h(Ti)是区域加热负荷(即，当操作模式为加热时的区域热能负载)与制冷剂流量mi之间的转换因子。在一些实施例中，转换因子αi,c(Ti)和αi,h(Ti)两者均是区域温度Ti的函数。区域温度Ti与转换因子αi,c(Ti)和αi,h(Ti)之间的关系可以预定义，使得冷却/加热负荷建模器820可以基于测量或估计的区域温度Ti来计算αi,c(Ti)和αi,c(Ti)的值。在其他实施例中，转换因子αi,c(Ti)和αi,h(Ti)中的一者或两者均可以具有恒定值，在这种情况下，冷却/加热负荷模型可以公式化为混合整数线性程序(MILP)。
在一些实施例中，区域设定值ui是区域温度设定值Tsp,。冷却/加热负荷建模器820可以使用多个模型以使区域热能负载与区域温度Ti和区域温度设定值Tsp,i相关。例如，冷却/加热负荷建模器820可以使用区域监管控制器的模型来确定由所述控制器执行的控制动作以作为区域温度Ti和区域温度设定值Tsp,i的函数。以下方程中示出了这种区域监管控制器模型的示例：
v空气,i＝f1(Ti,sp,i)
其中，v空气,i是气流到建筑物区域i的速率(即，控制动作)。函数f1可以从数据中识别出来。例如，冷却/加热负荷建模器820可以收集v空气,i和Ti的测量结果并且识别Tsp,i的相应值。冷却/加热负荷建模器820可以使用所收集的v空气,i、Ti和Tsp,i的值作为训练数据来执行系统识别过程以确定定义这种变量之间的关系的函数f1。
冷却/加热负荷建模器820可以使用使控制动作v空气,i与区域热能负载相关的能量平衡模型，如以下方程中示出的：
其中，函数f2可以从训练数据中识别出来。冷却/加热负荷建模器820可以使用所收集的v空气,i和的值来执行系统识别过程以确定定义这种变量之间的关系的函数f2。
在一些实施例中，与v空气,i之间存在线性关系。假设理想的比例积分(PI)控制器以及与v空气,i之间的线性关系，可以使用简化的线性控制器模型来将每个建筑物区域的热能负载定义为区域温度Ti和区域温度设定值Tsp,i的函数。以下方程中示出了这种模型的示例：
εi＝Tsp,i-Ti
其中，是稳态加热速率或冷却速率，Kc,i是缩放区域PI控制器比例增益，τI,i是区域PI控制器积分时间，并且εi是设定值误差(即，区域温度设定值Ti,sp与区域温度Tsp之间的差)。饱和度可以通过对的约束来表示。如果线性模型不足以准确地对PI控制器和区域i的室内VRF单元中的热传递进行建模，则可以替代使用非线性加热/冷却负荷模型。
有利地，在低级优化问题中对监管控制器(例如，区域PI控制器)进行建模允许低级室内MPC 612在确定最佳温度设定值时使用监管控制器的动态。在一些实施例中，监管控制器的响应可能较缓慢。例如，一些区域可能需要长达一个小时才能达到新的温度设定值。在低级MPC问题中使用监管控制器的动态允许低级室内MPC612考虑控制动作与效果之间的时间，使得可以根据时变能量价格来选择最佳温度设定值。
仍然参照图8，低级MPC 612被示出为包括约束建模器810。约束建模器810可以生成优化约束并对由低级优化器812执行的优化程序施加所述优化约束。由约束建模器810施加的约束可以包括例如设备容量约束和区域温度约束。在一些实施例中，约束建模器810对区域温度Ti施加约束。例如，约束建模器810可以约束如在以下方程中示出的最小温度T最小与最大温度T最大之间的区域温度Ti：
T最小≤Ti≤T最大
其中，T最小和T最大的值可以基于室内子系统的温度设定值进行调节。
在一些实施例中，约束建模器810基于从建筑物区域的BMS接收到的信息来自动调节T最小和T最大的值。例如，约束建模器810可以使用建筑物区域的温度设定值时间表和/或占用时间表来自动调节每个时间步长k处T最小和T最大的值。这允许约束建模器810使用基于区域的时变设定值温度范围的温度极限，使得区域温度Ti维持在时间适合的温度极限T最小和T最大内。
在一些实施例中，约束建模器810施加约束以确保在任何时间步长k期间的总室内子系统负载不大于由高级MPC 608分配给室内子系统的热能负载。例如，约束建模器810可以施加以下约束：
其中，Q总,k+1是在时间步长k+1处消耗的总室内子系统能量，Q总,k是在时间步长k处消耗的总室内子系统能量，是由高级MPC 608分配给室内子系统b的热能负载，并且Δ是每个时间步长的持续时间。方程的左侧表示在时间步长k期间的室内子系统热能负载(即，在连续时间步长之间递送的总热能的变化除以时间步长持续时间)，而方程的右侧表示在时间步长k期间由高级MPC 608分配给室内子系统b的热能负载。
在一些实施例中，约束建模器810施加附加约束以确保所递送的热能总量在连续时间步长之间不会减小，如以下方程中示出的：
Q总,k+1-Q总,k≥0
由于Q总,k+1是递送长达时间步长的热能的量的总和k+1，因此这个约束防止低级优化器812选择时间步长k处热能负载的负值。换言之，递送热能的速率(即，)可以加到在优化时段上递送的热能总量，但不能减去所递送的热能总量。
低级优化器812可以使用区域温度模型、室内子系统负载模型、冷却/加热负荷模型和优化约束以便使优化问题公式化。在一些实施例中，高级优化问题寻求使得由受制于区域温度约束和由本文所述的低级模型提供的其他约束的室内子系统632在优化时段上所使用的热能Q总,N总量最小化。例如，低级优化器812可以将低级优化问题公式化为：
受制于以下约束：
T最小≤Ti≤T最大
Q总,k+1-Q总,k≥0
其中，如上所述的，函数f是根据区域热能负载与区域设定值ui(例如，区域温度设定值Tsp,i或操作模式zi与制冷剂流速mi)之间的关系来定义的。
在一些实施例中，低级优化器812将上述所识别模型和/或约束中的一个或多个转换为状态空间形式，以用于低级优化问题。例如，低级优化器812可以将前述方程转换为以下形式的离散化状态空间模型：
xk+1＝Axk+Buk+Bddk
yk＝Cxk+Duk
其中，xk是在时间步长k处的系统状态向量，uk是在时间步长k处的系统输入向量，yk是在时间步长k处的测量结果或系统输出向量，dk是在时间步长k处的干扰矢量，并且xk+1是在时间步长k+1处的(预测)系统状态向量。表2展示了可以包括在这些向量中的每一个向量中的变量：
表2：低级优化中的变量
如表2中所示，系统状态向量x包括区域温度Ti、区域跟踪误差的积分以及递送到室内子系统的总热能。在一些实施例中，系统状态向量x包括nz个区域中每个区域的区域温度Ti和积分区域跟踪误差以及单个总热能值，使得系统状态向量x中的变量总数n等于2nz+1。输入向量u可以包括区域设定值ui(例如，区域温度设定值Tsp,i或操作模式zi和制冷剂流速mi)。在一些实施例中，输入向量u包括nz个区域中的每个区域的区域设定值ui，使得输入向量u中的变量总数m等于nz。
在一些实施例中，测量向量y与系统状态向量x相同，但不具有积分区域跟踪误差这指示区域温度Ti和所递送的热能总量Q总是直接测量的。可以根据Ti,sp与Ti之间的差来计算积分区域跟踪误差的值。干扰向量d可以包括环境空气温度Ta、每个区域的估计干扰以及每个区域的稳态加热/冷却速率在一些实施例中，干扰向量d包括nz个室内子系统中的每个室内子系统的估计干扰和稳态加热/冷却速率以及单个环境空气温度Ta，使得干扰向量d中的变量总数nd等于nz+1。
在一些实施例中，可以根据测量结果y来构建或预测系统状态x。例如，低级室内MPC 612可以使用卡尔曼滤波器或其他预测技术以便根据测量结果y来构建系统状态x。可以使用系统识别技术来识别状态空间表达式中的A、B、C、和D度量的值。可以由低级室内MPC612使用的状态预测和系统识别技术的示例在美国专利号9,235,657中进行了详细描述。
仍然参照图8，低级MPC 612被示出为包括模型聚合器818。模型聚合器818可以为在低级优化中使用的各种室内子系统参数和/或变量生成聚合值。例如，模型聚合器818可以通过对子系统中的每个区域的单独区域温度Ti进行聚合来为低级室内子系统生成聚合子系统温度Tb。在一些实施例中，模型聚合器818使用以下方程生成聚合子系统温度Tb：
其中，Ci是区域i的热容，并且Ti是区域i的温度。前一方程的分子表示子系统中的总热量，而分母表示子系统的总热容。跨所有子系统区域对这两个量进行求和i＝1…nz。模型聚合器818可以将总热量除以总热容来估计平均子系统温度Tb。模型聚合器818可以计算优化时段的每个时间步长k上的聚合子系统温度Tb,k。
模型聚合器818可以计算诸如子系统热容Cb、子系统热传递系数Hb和估计子系统干扰等其他子系统参数或变量的聚合值。在一些实施例中，模型聚合器818使用以下方程来计算这些变量和参数的聚合值：
其中，子系统热容Cb是每个子系统区域的区域热容Ci值的总和，子系统热传递系数Hb是每个子系统区域的区域热传递系数Hi值的总和，并且估计子系统干扰是每个子系统区域的估计子系统干扰的总和。模型聚合器818可以计算优化时段的每个时间步长k上的Cb,k、Hb,k和的聚合值。
在一些实施例中，模型聚合器818将聚合子系统参数和变量Tb、Cb、Hb和提供至高级MPC 608。高级MPC 608可以使用这类值作为到在高级优化中使用的高级模型、约束和优化函数的输入。有利地，由模型聚合器818执行的模型聚合有助于减少在每个低级室内MPC 612至616与高级MPC 608之间交换的信息量。例如，每个低级室内MPC 612至616可以向高级MPC 608提供上述聚合值，而不是每个建筑物区域的这类变量和参数的单独值。
仍然参照图8，低级室内MPC 612被示出为包括温度跟踪器822。在一些实施例中，温度跟踪器822执行替代优化，所述替代优化可以补充或代替由低级优化器812执行的低级优化。温度跟踪器822不是使由低级室内子系统使用的总热能Q总,N最小化，而是可以生成跟踪由高级MPC 608根据高级优化生成的预测子系统温度状态的区域温度设定值Tsp,i。例如，高级MPC 608可以计算每个低级室内子系统632至636的被预测以产生由高级MPC 608生成的负载分布曲线的子系统温度状态如上所述，可以使用卡尔曼滤波器或任何其他类型的状态预测技术来计算预测温度状态高级MPC 608可以将预测温度状态提供至每个低级室内MPC 612至616以用于温度跟踪过程。
温度跟踪器822被示出为经由通信接口802接收预测温度状态温度跟踪器822还可以接收由模型聚合器818生成的聚合子系统温度Tb,k。温度跟踪器822可以使寻求使得聚合子系统温度Tb,k与预测温度状态之间的误差最小化的目标函数公式化，如以下方程中示出的：
其中，μ是应用于由室内子系统在优化时段上使用的热能总量Q总,N的较小惩罚因子。可以调节μ的值以便相对于温度跟踪误差而增大或减小分配给热能总量Q总,N的权重。
温度跟踪器822可以在优化程序中使用前一方程作为目标函数，以确定区域温度设定值Tsp,i的最佳值。由温度跟踪器822执行的优化可以类似于由低级优化器812执行的优化，不同之处在于温度跟踪器822不受由高级MPC 608提供的负载分布曲线的约束并且寻求优化不同的目标函数。例如，温度跟踪器822可以使目标函数最小化：
受制于以下约束：
T最小≤Ti≤T最大
Q总,k+1-Q总,k≥0
其中，如上所述的，函数f是根据区域热能负载与区域设定值ui(例如，区域温度设定值Tsp,i或操作模式zi与制冷剂流速mi)之间的关系来定义的。
在一些实施例中，温度跟踪器822将上述所识别模型和/或约束中的一个或多个转换为状态空间形式，以用于低级优化问题。例如，温度跟踪器822可以将前述方程转换为以下形式的离散化状态空间模型：
xk+1＝Axk+Buk+Bddk
yk＝Cxk+Duk
其中，xk是在时间步长k处的系统状态向量，uk是在时间步长k处的系统输入向量，yk是在时间步长k处的测量结果或系统输出向量，dk是在时间步长k处的干扰矢量，并且xk+1是在时间步长k+1处的(预测)系统状态向量。包括在每个向量中的变量可以与如以上表2中所示的相同。
流程图
现在参照图9，示出了展示根据一些实施例的可以由MPC系统600执行的模型预测控制技术的流程图900。流程图900被示出为包括：在高级模型预测控制器(MPC)处执行高级优化，以便为变制冷剂流量(VRF)系统中的多个室内子系统中的每一个生成最佳负载分布曲线(框902)。在一些实施例中，高级优化由高级MPC 608来执行，如参照图6至图7所描述的。例如，高级优化可以包括生成高级能量成本函数，所述高级能量成本函数将能量成本定义为室外单元需求分布曲线的函数。在一些实施例中，所述室外单元需求分布曲线指示在优化时段中多个时间步长k中的每一个处所述室外子系统的热能或制冷剂状态分配。
在一些实施例中，高级MPC 608生成能量成本函数，所述能量成本函数考虑室外子系统638的每单位能耗成本和需量电费但不考虑室内子系统632至636的能耗。以下方程中示出了这种能量成本函数的示例：
能量成本函数的第一项考虑在优化时段的每个时间步长k期间所消耗的能量的每单位成本(例如，$/kWh)。在一些实施例中，ck是在时间步长k处消耗的以满足时间步长k处的总室外单元需求的每单位能量的成本，参数ηtot是聚合VRF系统的性能系数的倒数(例如，0.1≤ηtot≤0.25)，并且Δ是时间步长k的持续时间。因此，项ηtot Δ表示在时间步长k期间消耗的以满足室外单元需求的能量总量(例如，kWh)。乘以每单位所消耗能量的成本ck(例如，$/kWh)产生在时间步长k期间消耗的能量的总成本(例如，$)。能量成本函数可以包括在每个时间步长k期间的能量成本的总和，以确定在优化时段上能耗的总成本。
能量成本函数的第二项考虑需量电费。在一些实施例中，c峰值是需量电费费率(例如，$/kW)，是需量电费时段期间的峰值室外单元需求(例如，的最大值)，并且ηtot是聚合VRF系统的性能系数的倒数。因此，项ηtot 表示满足峰值室外单元需求的峰值功耗。乘以需量电费费率c峰值产生需量电费的总成本(例如，$)。
在一些实施例中，高级MPC 608生成能量成本函数，所述能量成本函数考虑室外子系统638的每单位能耗成本、需量电费、以及室内子系统632至636的能耗。以下方程中示出了这种能量成本函数的示例：
能量成本函数的第一部分考虑由室外子系统638在优化时段的每个时间步长k期间消耗的能量的每单位成本(例如，$/kWh)。在一些实施例中，ck是在时间步长k处消耗的每单位能量的成本，Δ是时间步长k的持续时间，并且ηHVAC是室外子系统638的性能系数的倒数(例如，ηHVAC～0.2)。项表示在时间步长k期间室外子系统638的以满足室外单元需求的功耗的量(例如，kW)。乘以每单位所消耗能量的成本ck(例如，$/kWh)和持续时间Δ(例如，小时)产生由室外子系统638在时间步长k期间消耗的能量的总成本(例如，$)。可以跨优化时段的所有时间步长k＝0…N-1对能量成本函数的第一部分进行求和，以确定由室外子系统638在优化时段的持续时间上消耗的总能量。
能量成本函数的第而部分考虑由每个室内子系统在优化时段的每个时间步长k期间消耗的能量的每单位成本(例如，$/kWh)。如上所述，η空气是室内子系统的性能系数的倒数(例如，η空气～0.1)，并且是由室内子系统针对室内子系统b在时间步长k处递送的热能负载。项η空气 表示室内子系统b的室内VRF单元的功耗可以跨所有室内子系统b＝1…nb且跨所有时间步长k＝0…N-1对能量成本函数的第二部分进行求和，以确定在优化时段的持续时间上所有室内子系统的总功耗。乘以每单位所消耗能量的成本ck(例如，$/kWh)和持续时间Δ(例如，小时)产生由室内子系统在时间步长的持续时间上消耗的能量的总成本(例如，$)。
能量成本函数的第三部分考虑需量电费。在一些实施例中，c峰值是需量电费费率(例如，$/kW)，并且是在可适用需量电费时段期间的峰值聚合功耗。乘以需量电费费率c峰值产生需量电费的总成本(例如，$)。
在一些实施例中，在框902中执行高级优化包括使用室外单元需求模型来将所述室外单元需求分布曲线定义为所述多个室内子系统负载分布曲线的函数。每个室内子系统负载分布曲线可以指示在所述多个时间步长中的每一个处对所述室内子系统之一的热能分配。
在一些实施例中，室外单元需求模型表示对室外子系统638的需求以作为在优化时段的每个时间步长处分配给每个室内子系统的热能负载的函数。以下方程中示出了这种室外单元需求模型的示例：
其中，是在时间步长k处的室外单元需求(例如，在时间步长k处室外子系统638的热能或制冷剂状态分配)，是在时间步长k处分配给室内子系统b的热能负载，并且是在时间步长k期间储存在TES罐中的热能的量。前一方程指示对室外子系统638的总需求是分配给每个室内子系统b的热能负载的总和。这个方程可以由高级MPC 608用作能量平衡约束，以确保室外子系统638生成足够的热能以在每个时间步长k处覆盖室内子系统负载。
在一些实施例中，框902中的高级优化包括为所述多个室内子系统中的每一个生成室内子系统温度模型。每个室内子系统温度模型可以定义对室内子系统的所述热能分配与所述室内子系统的温度Tb之间的关系。以下方程中示出了这种室内子系统温度模型的示例：
其中，Cb和Tb是由指数b指定的室内子系统的热容和温度，Ta是室内子系统b外部的环境空气温度(例如，外部空气温度)，Hb是室内子系统b与环境空气之间的热传递系数，是由MPC系统600施加到室内子系统的冷却量(即，从室内子系统中去除的热量的量)，并且是室内子系统b所经受的外部负载、辐射或干扰。如果向室内子系统提供加热而不是冷却，则上的符号可以从负号切换为正号。
高级优化可以使用从低级室内控制器612至616接收到的室内子系统干扰估计值来识别在优化时段的每个时间步长处每个室内子系统b的外部干扰的适当值。在一些实施例中，高级优化使用来自天气服务604的天气预报和/或由负载/费率预测器602提供的负载和费率预测来确定在优化时段的每个时间步长处每个室内子系统b的环境空气温度Ta和/或外部干扰的适当值。Cb和Hb的值可以指定为室内子系统b的参数、从室内子系统b的低级室内控制器接收、从用户接收、从存储器中检索、或者以其他方式被提供至高级MPC 608。高级优化可以包括为每个室内子系统b生成温度模型，其中，b＝1…nb，并且nb是室内子系统的总数。
在一些实施例中，在框902中执行所述高级优化包括优化所述能量成本以及受制于由所述室外单元需求模型和每个室内子系统温度模型提供的约束的所述多个室内子系统负载分布曲线。高级优化可以使用能量成本模型、需量电费模型、室内子系统温度模型、室外单元需求模型、以及优化约束以便使优化问题公式化。
在一些实施例中，高级优化寻求使得由受制于室内子系统温度约束和由本文所述的高级模型提供的其他约束的室外子系统638所消耗的能量总成本(即，能量成本和需量电费)最小化。例如，高级优化可以将高级优化问题公式化为：
受制于以下约束：
0≤sk≤s最大
T最小≤Tb≤T最大
在一些实施例中，高级优化寻求使得由受制于室内子系统温度约束和由本文所述的高级模型提供的其他约束的聚合VRF系统所消耗的能量总成本最小化。例如，高级优化可以将高级优化问题公式化为：
受制于以下约束：
0≤sk≤s最大
T最小≤Tb≤T最大
仍然参照图9，流程图900被示出为包括将最佳室内子系统负载分布曲线从高级MPC提供至多个低级室内MPC(框904)。每个负载分布曲线可以从高级MPC 608发送至低级室内MPC 612至616之一，如图6中示出的。在一些实施例中，每个低级室内MPC被配置用于监测和控制特定室内子系统。每个低级室内MPC可以接收由低级室内MPC监测和控制的室内子系统的最佳子系统负载分布曲线。
流程图900被示出为包括：在低级室内MPC中的每一个处执行低级优化，以便为室内子系统的每个室内VRF单元生成最佳制冷剂流量设定值(框906)。在一些实施例中，框906中的低级优化包括为每个室内子系统的每个区域i生成区域温度模型。区域温度模型可以定义区域的温度Ti与区域的热能负载分布曲线之间的关系。以下方程中示出了这种区域温度模型的示例：
其中，Ci和Ti是由区域指数i指定的建筑物区域的热容和温度，Ta是区域i外部的环境空气温度(例如，外部空气温度)，Hi是区域i与环境空气之间的热传递系数，是由MPC系统600施加到建筑物区域i的冷却量(即，从区域中去除的热量的量)，并且是区域i所经受的外部负载、辐射或干扰。如果向区域提供加热而不是冷却，则上的符号可以从负号切换为正号。
参数βij表征区域i与另一区域j(例如，与区域i相邻的建筑物区域)之间的耦合程度。如果区域i和j不相邻和/或不能直接彼此交换热量，则区域温度建模器814可以设定βij的值等于零。区域温度模型可以包括建筑物区域i与每个其他建筑物区域j≠i之间的热传递的总和以作为区域温度Ti和Tj与耦合系数βij的函数。在其他实施例中，可以使用外部干扰估计值来考虑区域之间的热传递。
低级优化可以包括使用从区域干扰预测器824接收到的区域干扰估计值来识别在优化时段的每个时间步长处每个区域i的外部干扰的适当值。在一些实施例中，低级优化使用来自天气服务604的天气预报和/或由负载/费率预测器602提供的负载和费率预测来确定在优化时段的每个时间步长处每个区域i的环境空气温度Ta和/或外部干扰的适当值。Ci和Hi的值可以指定为区域的参数i、从管理建筑物区域i的BMS从用户接收、从用户接收、从存储器808中检索、或者以其他方式被提供至区域温度建模器814。
在一些实施例中，框906中的低级优化包括生成递送到室内子系统的热能总量Q总(例如，递送到室内子系统的总加热或冷却量)以作为单独区域负载的函数的模型。在一些实施例中，低级优化包括使用以下方程对总室内子系统负载进行建模：
其中，Q总是递送到室内子系统的热能(例如，加热或冷却)总量，并且是特定区域的i递送热能的速率(功率单位)。室内子系统负载模型可以对每个建筑物区域的热能负载进行求和以计算总室内子系统热能负载所述总室内子系统热能负载是递送到室内子系统的热能总量Q总的导数。
在一些实施例中，低级优化包括生成一个或多个模型，所述一个或多个模型将每个建筑物区域的热能负载定义为如以下方程中示出的区域温度Ti和区域设定值ui的函数：
其中，如上所述的，函数f是根据区域热能负载与区域设定值ui(例如，区域温度设定值Tsp,或操作模式zi与制冷剂流速mi)之间的关系来定义的。由低级优化生成的模型可以用作优化约束以确保热能负载不会降至将使区域温度Ti偏离可接受或较舒适温度范围的值。
在一些实施例中，框906中的低级优化寻求使得由受制于区域温度约束和由本文所述的低级室内模型提供的其他约束的室内子系统在优化时段上所使用的热能Q总,N总量最小化。例如，低级优化可以将低级优化问题公式化为：
受制于以下约束：
T最小≤Ti≤T最大
Q总,k+1-Q总,k≥0
其中，如上所述的，函数f是根据区域热能负载与区域设定值ui(例如，区域温度设定值Tsp,或操作模式zi与制冷剂流速mi)之间的关系来定义的。
仍然参照图9，流程图900被示出为包括使用最佳制冷剂流量设定值来操作室内子系统中每个室内子系统中的室内VRF单元(框908)。例如，每个低级室内MPC 612至616可以操作位于相应室内子系统632至636中的室内VRF单元。操作室内VRF单元可以包括激活或去激活室内VRF单元、调节制冷剂流速、调节风扇速度、或以其他方式控制室内VRF单元以达到制冷剂流量设定值。
现在参照图10，示出了展示根据一些实施例的可以由MPC系统600执行的模型预测控制技术的流程图1000。流程图1000被示出为包括：在高级模型预测控制器(MPC)处执行高级优化，以便为变制冷剂流量(VRF)系统中的多个室内子系统中的每一个生成最佳温度分布曲线(框1002)。在一些实施例中，高级优化由高级MPC608来执行，如参照图6至图7所描述的。高级优化可以与参照图9所描述的高级优化相同或类似。
框1002中的高级优化可以为每个室内子系统生成最佳温度分布曲线最佳温度分布曲线可以包括每个低级室内子系统632至636的预测温度状态向量每个预测温度状态向量可以包括在优化时段期间的每个时间步长k上的预测室内子系统温度状态可以使用各种预测技术中的任何一种来预测温度状态所述预测技术包括例如如在美国专利号9,235,657中描述的卡尔曼滤波器。
流程图1000被示出为包括将最佳室内子系统温度分布曲线从高级MPC提供至多个低级室内MPC(框1004)。每个子系统温度分布曲线可以从高级MPC 608发送至低级室内MPC 612至616之一。在一些实施例中，每个低级室内MPC被配置用于监测和控制特定室内子系统。每个低级室内MPC可以接收由低级室内MPC监测和控制的室内子系统的最佳子系统温度分布曲线
流程图1000被示出为包括：在低级室内MPC中的每一个处执行低级优化，以便为相应室内子系统的每个室内VRF单元生成最佳温度设定值(框1006)。框1006中的低级优化可以类似于框906中的低级优化。然而，框1006中的低级优化可以使低级优化问题公式化以跟踪由框1002中的高级优化生成的最佳温度，而不是使所使用的热能总量最小化。
在一些实施例中，框1006中的低级优化可以公式化为：
受制于以下约束：
T最小≤Ti≤T最大
Q总,k+1-Q总,k≥0
其中，如上所述的，函数f是根据区域热能负载与区域设定值ui(例如，区域温度设定值Tsp,i或操作模式zi与制冷剂流速mi)之间的关系来定义的。
仍然参照图10，流程图1000被示出为包括使用最佳温度设定值来操作室内子系统中每个室内子系统中的室内VRF单元(框1008)。例如，每个低级室内MPC 612至616可以操作位于相应室内子系统632至636中的室内VRF单元。操作室内VRF单元可以包括激活或去激活室内VRF单元、调节制冷剂流速、调节风扇速度、或以其他方式控制室内VRF单元以达到制冷剂流量设定值。
示例性实施例的配置
如各个示例性实施例中所示出的系统和方法的构造和安排仅是说明性的。尽管本披露中仅详细描述了几个实施例，但是许多修改是可能的(例如，各种元件的大小、尺寸、结构、形状和比例、参数的值、安装安排、材料的使用、颜色、定向等变化)。例如，元件的位置可以颠倒或以其他方式变化，并且离散元件的性质或数量或位置可以更改或变化。因此，所有这类修改旨在被包括在本披露的范围内。可以根据替代实施例对任何过程或方法步骤的顺序或序列进行改变或重新排序。在不脱离本披露范围的情况下，可以在示例性实施例的设计、操作条件和安排方面作出其他替代、修改、改变、和省略。
本披露设想了用于完成各种操作的方法、系统和任何机器可读介质上的程序产品。可以使用现有计算机处理器或由结合用于此目的或另一目的的适当系统的专用计算机处理器或由硬接线系统来实施本披露的实施例。本披露范围内的实施例包括程序产品，所述程序产品包括用于承载或具有存储在其上的机器可执行指令或数据结构的机器可读介质。这种机器可读介质可以是可以由通用或专用计算机或具有处理器的其他机器访问的任何可用介质。举例来讲，这类机器可读介质可以包括RAM、ROM、EPROM、EEPROM、CD-ROM或其他光盘存储设备、磁盘存储设备或其他磁存储装置等，或者可以用来以机器可执行指令或数据结构的形式承载或存储期望程序代码并且可以由通用或专用计算机或具有处理器的其他机器访问的任何其他介质。上述内容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一功能或功能组的指令和数据。
尽管附图示出了方法步骤的特定顺序，但是步骤的顺序可以不同于所描绘的顺序。还可以同时或部分同时地执行两个或更多个步骤。这种变型将取决于所选软件和硬件系统以及设计者的选择。所有此类变型都在本披露的范围内。同样，可以用具有基于规则的逻辑和用于实施各个连接步骤、处理步骤、比较步骤和判定步骤的其他逻辑的标准编程技术来实施软件实施方式。

Claims (20)

1.一种用于对包括室外子系统和多个室内子系统的变制冷剂流量(VRF)系统的能量成本进行优化的模型预测控制系统，所述模型预测控制系统包括：
高级模型预测控制器，所述高级模型预测控制器被配置用于执行高级优化以便为所述多个室内子系统中的每一个生成最佳室内子系统负载分布曲线，其中，所述最佳室内子系统负载分布曲线优化所述能量成本；以及
多个低级室内模型预测控制器，每个低级室内模型预测控制器与所述室内子系统之一相对应并且被配置用于执行低级优化以便使用所述相应室内子系统的所述最佳室内子系统负载分布曲线为所述相应室内子系统的一个或多个室内VRF单元生成最佳室内设定值；
其中，所述多个低级室内模型预测控制器中的每一个被配置用于使用所述最佳室内设定值来操作所述相应室内子系统的所述室内VRF单元。
2.如权利要求1所述的模型预测控制系统，其中：
所述最佳室内子系统负载分布曲线中的每一个包括在优化时段中多个时间步长中的每一个处对所述室内子系统之一的热能分配；并且
每个低级室内模型预测控制器被配置用于使用对所述相应室内子系统的所述热能分配来作为在执行所述低级优化时的优化约束。
3.如权利要求1所述的模型预测控制系统，其中，所述最佳室内设定值包括以下各项中的至少一项：
针对所述室内VRF单元中的每一个的制冷剂流量设定值；以及
针对由所述室内VRF单元控制的一个或多个建筑物区域的温度设定值。
4.如权利要求1所述的模型预测控制系统，其中：
每个室内子系统包括多个建筑物区域；并且
所述低级室内模型预测控制器中的每一个被配置用于为所述相应室内子系统中的所述多个建筑物区域中的每一个生成最佳室内温度设定值。
5.如权利要求1所述的模型预测控制系统，其中：
每个室内子系统包括多个室内VRF单元；并且
所述低级室内模型预测控制器中的每一个被配置用于：
为所述相应室内子系统中的所述多个室内VRF单元中的每一个生成最佳制冷剂流量决策；以及
使用所述最佳制冷剂流量决策来计算所述多个室内VRF单元中的每一个的流量设定值、温度设定值和阀设定值中的至少一项。
6.如权利要求5所述的模型预测控制系统，其中，所述低级室内模型预测控制器中的每一个被配置用于：
识别所述相应室内子系统中的所述室内VRF单元中的每一个的热能负载与制冷剂流量之间的关系；以及
使用所识别的热能负载与制冷剂流量之间的关系为所述相应室内子系统中的所述室内VRF单元中的每一个生成所述最佳制冷剂流量决策。
7.如权利要求1所述的模型预测控制系统，其中：
所述高级模型预测控制器被配置用于为每个室内子系统生成由所述最佳室内子系统负载分布曲线产生的预测温度分布曲线；并且
所述低级室内模型预测控制器被配置用于通过使室内子系统温度与所述预测温度分布曲线之间的误差最小化来生成所述最佳室内设定值。
8.如权利要求1所述的模型预测控制系统，其中，所述室内子系统中的每一个表示分离的建筑物，所述分离的建筑物彼此热解耦，使得在所述室内子系统之间不发生直接热交换。
9.如权利要求1所述的模型预测控制系统，其中，所述高级模型预测控制器被配置用于为所述室外子系统生成最佳室外单元需求分布曲线；
所述系统进一步包括低级室外模型预测控制器，所述低级室外模型预测控制器被配置用于执行低级优化以便基于所述最佳室外单元需求分布曲线为受制于需求约束的所述室外子系统的一个或多个室外VRF单元生成最佳室外设定值；
其中，所述低级室外模型预测控制器被配置用于使用所述最佳室外设定值来操作所述室外VRF单元。
10.如权利要求1所述的模型预测控制系统，其中，所述高级模型预测控制器被配置用于确定：
在优化时段中多个时间步长中的每一个处对所述多个室内子系统中的每一个的最佳热能分配；以及
在所述优化时段中所述多个时间步长中的每一个处所述室外子系统的最佳热能或制冷剂状态分配。
11.一种用于对包括室外子系统和多个室内子系统的变制冷剂流量(VRF)系统的能量成本进行优化的方法，所述方法包括：
在高级模型预测控制器处执行高级优化，以便为所述多个室内子系统中的每一个生成最佳室内子系统负载分布曲线，其中，所述最佳室内子系统负载分布曲线优化所述能量成本；
将所述最佳室内子系统负载分布曲线从所述高级模型预测控制器提供至多个低级室内模型预测控制器，所述低级室内模型预测控制器中的每一个与所述多个室内子系统之一相对应；
在所述低级室内模型预测控制器中的每一个处执行低级优化，以便使用所述相应室内子系统的所述最佳室内子系统负载分布曲线为所述相应室内子系统的一个或多个室内VRF单元生成最佳室内设定值；以及
使用所述最佳室内设定值来操作所述多个室内子系统中的每一个中的所述室内VRF单元。
12.如权利要求11所述的方法，其中：
所述最佳室内子系统负载分布曲线中的每一个包括在优化时段中多个时间步长中的每一个处对所述室内子系统之一的热能分配；并且
执行所述低级优化包括使用对所述相应室内子系统的所述热能分配来作为优化约束。
13.如权利要求11所述的方法，其中，所述最佳室内设定值包括以下各项中的至少一项：
针对所述室内VRF单元中的每一个的制冷剂流量设定值；以及
针对由所述室内VRF单元控制的一个或多个建筑物区域的温度设定值。
14.如权利要求11所述的方法，其中：
每个室内子系统包括多个建筑物区域；并且
执行所述低级优化包括为所述相应室内子系统中的所述多个建筑物区域中的每一个生成最佳室内温度设定值。
15.如权利要求11所述的方法，其中：
每个室内子系统包括多个室内VRF单元；并且
执行所述低级优化包括：
为所述相应室内子系统中的所述多个室内VRF单元中的每一个生成最佳制冷剂流量决策；以及
使用所述最佳制冷剂流量决策来计算所述多个室内VRF单元中的每一个的流量设定值、温度设定值和阀设定值中的至少一项。
16.如权利要求15所述的方法，其中，执行所述低级优化包括：
识别所述相应室内子系统中的所述室内VRF单元中的每一个的热能负载与制冷剂流量之间的关系；以及
使用所识别的热能负载与制冷剂流量之间的关系为所述相应室内子系统中的所述室内VRF单元中的每一个生成所述最佳制冷剂流量决策。
17.如权利要求11所述的方法，其中：
执行所述高级优化包括为每个室内子系统生成由所述最佳室内子系统负载分布曲线产生的预测温度分布曲线；并且
执行所述低级优化包括通过使室内子系统温度与所述预测温度分布曲线之间的误差最小化来生成所述最佳室内设定值。
18.如权利要求11所述的方法，其中，执行所述高级优化包括为所述室外子系统生成最佳室外单元需求分布曲线，所述方法进一步包括：
在低级室外模型预测控制器处执行低级优化，以便基于所述最佳室外单元需求分布曲线为受制于需求约束的所述室外子系统的一个或多个室外VRF单元生成最佳室外设定值；以及
使用所述最佳室外设定值来操作所述室外VRF单元。
19.如权利要求11所述的方法，其中，执行所述高级优化包括确定以下各项：
在优化时段中多个时间步长中的每一个处对所述多个室内子系统中的每一个的最佳热能分配；以及
在所述优化时段中所述多个时间步长中的每一个处所述室外子系统的最佳热能或制冷剂状态分配。
20.一种变制冷剂流量(VRF)系统，包括：
多个室内子系统，每个室内子系统包括一个或多个室内VRF单元；
室外子系统，所述室外子系统包括一个或多个室外VRF单元；
高级模型预测控制器，所述高级模型预测控制器被配置用于执行高级优化以便为所述多个室内子系统中的每一个生成最佳室内子系统负载分布曲线，其中，所述最佳室内子系统负载分布曲线优化能量成本；以及
多个低级室内模型预测控制器，每个低级室内模型预测控制器与所述室内子系统之一相对应并且被配置用于执行低级优化以便使用所述相应室内子系统的所述最佳室内子系统负载分布曲线为所述相应室内子系统的所述室内VRF单元生成最佳室内设定值。
CN201780041246.5A 2016-06-30 2017-06-28 具有多级模型预测控制的变制冷剂流量系统 Pending CN109416524A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201662357338P 2016-06-30 2016-06-30
US62/357,338 2016-06-30
PCT/US2017/039798 WO2018005670A1 (en) 2016-06-30 2017-06-28 Variable refrigerant flow system with multi-level model predictive control

Publications (1)

Publication Number Publication Date
CN109416524A true CN109416524A (zh) 2019-03-01

Family

ID=59337890

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201780041246.5A Pending CN109416524A (zh) 2016-06-30 2017-06-28 具有多级模型预测控制的变制冷剂流量系统

Country Status (4)

Country Link
US (2) US10564612B2 (zh)
JP (1) JP6976976B2 (zh)
CN (1) CN109416524A (zh)
WO (1) WO2018005670A1 (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110925974A (zh) * 2019-12-09 2020-03-27 广东美的暖通设备有限公司 空调器及其输出参数的控制方法和控制装置
CN111839101A (zh) * 2020-06-28 2020-10-30 珠海格力电器股份有限公司 一种陈列柜控制方法、装置、存储介质及陈列柜
CN113091262A (zh) * 2021-04-12 2021-07-09 国家计算机网络信息与安全管理中心 一种基于模型预测控制的数据中心温湿度设定值确定方法

Families Citing this family (40)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10380705B2 (en) 2013-10-30 2019-08-13 Carrier Corporation System and method for modeling of target infrastructure for energy management in distributed-facilities
US10174957B2 (en) * 2015-07-27 2019-01-08 Mitsubishi Electric Research Laboratories, Inc. System and method for controlling multi-zone vapor compression systems
US10161834B1 (en) * 2016-02-05 2018-12-25 William R Henry Method to determine performance of a chiller and chiller plant
US10146237B2 (en) * 2017-04-28 2018-12-04 Johnson Controls Technology Company Smart thermostat with model predictive control
US10935940B2 (en) 2017-08-03 2021-03-02 Johnson Controls Technology Company Building management system with augmented deep learning using combined regression and artificial neural network modeling
JP6292338B1 (ja) * 2017-08-04 2018-03-14 富士電機株式会社 運用支援システム、運用支援装置、運用支援方法及びプログラム
CA3090718C (en) * 2018-02-19 2023-01-03 BrainBox AI Inc. Systems and methods of optimizing hvac control in a building or network of buildings
US11954713B2 (en) * 2018-03-13 2024-04-09 Johnson Controls Tyco IP Holdings LLP Variable refrigerant flow system with electricity consumption apportionment
US11118804B2 (en) * 2018-03-16 2021-09-14 Delta Controls Inc. Building automation system and method using ceiling-mounted infrared sensors
FR3085468B1 (fr) 2018-09-03 2020-12-18 Arkema France Procede de conditionnement d'air
US10684070B2 (en) * 2018-09-05 2020-06-16 Johnson Controls Technology Company Variable refrigerant flow system with capacity limits
CN109270841A (zh) * 2018-10-11 2019-01-25 东北电力大学 一种基于模型预测控制的智能楼宇用能灵活性调控方法
US12007732B2 (en) 2019-07-12 2024-06-11 Johnson Controls Tyco IP Holdings LLP HVAC system with building infection control
US11210591B2 (en) 2019-01-04 2021-12-28 Johnson Controls Tyco IP Holdings LLP Building control system with automated Kalman filter parameter initiation and system identification
SG11202104641UA (en) 2019-01-11 2021-06-29 Univ Nanyang Tech Method and control system for controlling building service systems
CN109812702B (zh) * 2019-01-28 2023-09-08 中国石油天然气集团有限公司 一种天然气管道自动分输实现装置
US11768003B2 (en) 2019-06-14 2023-09-26 Johnson Controls Tyco IP Holdings LLP Variable refrigerant flow system with zone grouping
US11137162B2 (en) 2019-06-14 2021-10-05 Johnson Controls Tyco IP Holdings LLP Variable refrigerant flow system with zone grouping
US11714393B2 (en) 2019-07-12 2023-08-01 Johnson Controls Tyco IP Holdings LLP Building control system with load curtailment optimization
US11226600B2 (en) 2019-08-29 2022-01-18 Johnson Controls Tyco IP Holdings LLP Building control system with load curtailment optimization
US20210018204A1 (en) * 2019-07-16 2021-01-21 Johnson Controls Technology Company Variable refrigerant flow system with zone grouping control feasibility estimation
US11067956B2 (en) 2019-08-08 2021-07-20 Johnson Controls Technology Company Variable refrigerant flow system with automatic sensor data correction
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
US11662113B2 (en) 2019-11-18 2023-05-30 Johnson Controls Tyco IP Holdings LLP Building cooling systems with energy optimization and model predictive control
US11445024B2 (en) * 2019-11-26 2022-09-13 Johnson Controls Tyco IP Holdings LLP Building control system with smart edge devices having embedded model predictive control
US11236917B2 (en) * 2019-12-18 2022-02-01 Johnson Controls Tyco IP Holdings LLP Building control system with zone grouping based on predictive models
CN111667637A (zh) * 2020-05-11 2020-09-15 中外运冷链物流有限公司 一种计算集中制冷系统单个冷库电费的方法
US11699197B2 (en) * 2020-05-19 2023-07-11 Austin J. Clark System and method for energy forecasting based on indoor and outdoor weather data
US20210368656A1 (en) * 2020-05-20 2021-11-25 Nvidia Corporation Intelligent control and distribution of a liquid in a data center
CN112650061B (zh) * 2020-12-25 2023-03-10 电子科技大学 一种基于区间模糊的暖通空调节能预测控制方法
CN112736915B (zh) * 2020-12-29 2023-05-23 广东电网有限责任公司电力调度控制中心 区域设备集群的需求响应控制系统、方法、装置及设备
CN112797598B (zh) * 2020-12-30 2022-07-26 宁波奥克斯电气股份有限公司 多联式空调的室内机控制方法、装置及空调器
CN112665159B (zh) * 2021-01-07 2021-12-21 西安建筑科技大学 基于需求响应的负荷反弹量优化、负荷调节方法及系统
CN113203187B (zh) * 2021-04-28 2022-03-01 清华大学 基于部分线性模型的建筑暖通空调负荷优化控制方法
US11686489B2 (en) * 2021-06-10 2023-06-27 Johnson Controls Technology Company Modulating reheat functionality for HVAC system
CN113848711B (zh) * 2021-09-18 2023-07-14 内蒙古工业大学 一种基于安全模型强化学习的数据中心制冷控制算法
US11846439B2 (en) 2021-10-11 2023-12-19 Johnson Controls Tyco IP Holdings LLP Building control system with peer analysis based on weighted outlier detection
CN114811857B (zh) * 2022-06-27 2022-09-27 深圳市森辉智能自控技术有限公司 一种冷站系统运行优化方法
CN115230433B (zh) * 2022-08-23 2024-05-14 重庆大学 电动汽车乘员舱与动力电池协同加热控制方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1161753A (zh) * 1994-10-24 1997-10-08 奥林公司 模型预测控制装置与方法
US20100268353A1 (en) * 2007-12-21 2010-10-21 Crisalle Oscar D Systems and Methods for Offset-Free Model Predictive Control
CN104279715A (zh) * 2014-10-29 2015-01-14 四川慧盈科技有限责任公司 一种楼宇空调设备负荷预测方法
CN104319766A (zh) * 2014-10-29 2015-01-28 四川慧盈科技有限责任公司 一种楼宇空调设备供电及监控方法
CN104898422A (zh) * 2015-05-05 2015-09-09 上海交通大学 联合供冷系统的递阶优化方法
US20160146491A1 (en) * 2014-11-26 2016-05-26 International Business Machines Corporation Building thermal control techniques

Family Cites Families (42)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4324960B2 (ja) * 2003-09-18 2009-09-02 横河電機株式会社 多変数予測制御システム
WO2006034718A1 (en) 2004-09-30 2006-04-06 Danfoss A/S A model prediction controlled refrigeration system
US20070203860A1 (en) 2006-02-24 2007-08-30 Gridpoint, Inc. Energy budget manager
US8457802B1 (en) 2009-10-23 2013-06-04 Viridity Energy, Inc. System and method for energy management
GB0919934D0 (en) 2009-11-16 2009-12-30 Sunamp Ltd Energy storage systems
BR112012014622A2 (pt) 2009-12-16 2019-05-14 Commonwealth Scientific And Industrial Research Organisation método de controle de sistema de aquecimento, ventilação e condicionamento de ar (hvac) de um edifício
US8442694B2 (en) * 2010-07-23 2013-05-14 Lg Electronics Inc. Distribution of airflow in an HVAC system to optimize energy efficiency and temperature differentials
US9300141B2 (en) 2010-11-18 2016-03-29 John J. Marhoefer Virtual power plant system and method incorporating renewal energy, storage and scalable value-based optimization
US8903554B2 (en) 2011-02-22 2014-12-02 The Board Of Trustees Of The Leland Stanford Junior University Energy plant design and operation
KR101500304B1 (ko) 2011-12-26 2015-03-11 주식회사 케이티 에너지 저장장치의 충방전 제어 방법 및 시스템
US9002531B2 (en) 2012-09-28 2015-04-07 Sharp Laboratories Of America, Inc. System and method for predictive peak load management via integrated load management
JP5981313B2 (ja) 2012-11-09 2016-08-31 株式会社東芝 電力抑制型蓄電蓄熱最適化装置、最適化方法及び最適化プログラム
US9235657B1 (en) 2013-03-13 2016-01-12 Johnson Controls Technology Company System identification and model development
US9436179B1 (en) 2013-03-13 2016-09-06 Johnson Controls Technology Company Systems and methods for energy cost optimization in a building system
US9810442B2 (en) * 2013-03-15 2017-11-07 Google Inc. Controlling an HVAC system in association with a demand-response event with an intelligent network-connected thermostat
US20140365017A1 (en) * 2013-06-05 2014-12-11 Jason Hanna Methods and systems for optimized hvac operation
CN105917174B (zh) 2013-12-19 2019-03-01 三菱电机株式会社 空调装置和空调装置的控制方法
KR102344058B1 (ko) 2013-12-24 2021-12-28 엘지전자 주식회사 공기조화 시스템 및 그 제어방법
KR102237600B1 (ko) * 2014-03-18 2021-04-07 삼성전자주식회사 공기 조화기 및 그 제어방법법
US10175681B2 (en) 2014-05-01 2019-01-08 Johnson Controls Technology Company High level central plant optimization
US20150378381A1 (en) 2014-06-30 2015-12-31 Qualcomm Incorporated Systems and methods for energy cost optimization
US10969128B2 (en) 2014-08-14 2021-04-06 Vigilent Corporation Method and apparatus for optimizing control variables to minimize power consumption of cooling systems
US9651929B2 (en) 2014-09-29 2017-05-16 International Business Machines Corporation HVAC system control integrated with demand response, on-site energy storage system and on-site energy generation system
CN104748239B (zh) 2015-03-31 2017-10-31 广东美的暖通设备有限公司 多联机系统
US10094586B2 (en) 2015-04-20 2018-10-09 Green Power Labs Inc. Predictive building control system and method for optimizing energy use and thermal comfort for a building or network of buildings
US10761547B2 (en) 2015-04-23 2020-09-01 Johnson Controls Technology Company HVAC controller with integrated airside and waterside cost optimization
US10359797B2 (en) 2015-04-30 2019-07-23 Solarcity Corporation Weather tracking in a photovoltaic energy generation system
CN104896682B (zh) 2015-06-30 2017-12-08 广东美的暖通设备有限公司 温湿双控型多联机系统及其的控制方法
CN105066539B (zh) 2015-07-16 2018-07-10 广东美的暖通设备有限公司 多联机系统及其电子膨胀阀控制方法
US10174957B2 (en) * 2015-07-27 2019-01-08 Mitsubishi Electric Research Laboratories, Inc. System and method for controlling multi-zone vapor compression systems
US11070082B2 (en) 2015-09-18 2021-07-20 Carbontrack Pty Ltd. Systems and methods for managing mesh-networked power control devices using tokens
US10389136B2 (en) 2015-10-08 2019-08-20 Con Edison Battery Storage, Llc Photovoltaic energy system with value function optimization
US10554170B2 (en) 2015-10-08 2020-02-04 Con Edison Battery Storage, Llc Photovoltaic energy system with solar intensity prediction
US10564610B2 (en) 2015-10-08 2020-02-18 Con Edison Battery Storage, Llc Photovoltaic energy system with preemptive ramp rate control
KR101834061B1 (ko) 2016-02-15 2018-03-02 두산중공업 주식회사 신재생 에너지 연계형 ess의 전력 관리 방법
US10094598B2 (en) * 2016-06-06 2018-10-09 Mitsubishi Electric Research Laboratories, Inc. System and method for controlling multi-zone vapor compression 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
US10324483B2 (en) 2017-01-12 2019-06-18 Johnson Controls Technology Company Building energy storage system with peak load contribution cost optimization
US10282796B2 (en) 2017-01-12 2019-05-07 Johnson Controls Technology Company Building energy storage system with multiple demand charge cost optimization
US10359748B2 (en) 2017-02-07 2019-07-23 Johnson Controls Technology Company Building energy cost optimization system with asset sizing
US11522487B2 (en) 2017-02-22 2022-12-06 Boards Of Regents, The University Of Texas System Building and building cluster energy management and optimization system and method
US10706375B2 (en) 2017-03-29 2020-07-07 Johnson Controls Technology Company Central plant with asset allocator

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1161753A (zh) * 1994-10-24 1997-10-08 奥林公司 模型预测控制装置与方法
US20100268353A1 (en) * 2007-12-21 2010-10-21 Crisalle Oscar D Systems and Methods for Offset-Free Model Predictive Control
CN104279715A (zh) * 2014-10-29 2015-01-14 四川慧盈科技有限责任公司 一种楼宇空调设备负荷预测方法
CN104319766A (zh) * 2014-10-29 2015-01-28 四川慧盈科技有限责任公司 一种楼宇空调设备供电及监控方法
US20160146491A1 (en) * 2014-11-26 2016-05-26 International Business Machines Corporation Building thermal control techniques
CN104898422A (zh) * 2015-05-05 2015-09-09 上海交通大学 联合供冷系统的递阶优化方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110925974A (zh) * 2019-12-09 2020-03-27 广东美的暖通设备有限公司 空调器及其输出参数的控制方法和控制装置
CN110925974B (zh) * 2019-12-09 2021-08-03 广东美的暖通设备有限公司 空调器及其输出参数的控制方法和控制装置
CN111839101A (zh) * 2020-06-28 2020-10-30 珠海格力电器股份有限公司 一种陈列柜控制方法、装置、存储介质及陈列柜
CN111839101B (zh) * 2020-06-28 2021-11-23 珠海格力电器股份有限公司 一种陈列柜控制方法、装置、存储介质及陈列柜
CN113091262A (zh) * 2021-04-12 2021-07-09 国家计算机网络信息与安全管理中心 一种基于模型预测控制的数据中心温湿度设定值确定方法

Also Published As

Publication number Publication date
US10809676B2 (en) 2020-10-20
JP6976976B2 (ja) 2021-12-08
US20180004173A1 (en) 2018-01-04
JP2019522290A (ja) 2019-08-08
WO2018005670A1 (en) 2018-01-04
US10564612B2 (en) 2020-02-18
US20200041966A1 (en) 2020-02-06

Similar Documents

Publication Publication Date Title
CN109416524A (zh) 具有多级模型预测控制的变制冷剂流量系统
US10956842B2 (en) Central plant with asset allocator
US11914353B2 (en) Control system with automatic optimization formulation
US11675320B2 (en) Systems and methods for controlling equipment operation using granular asset and general asset models to determine asset allocation
US11782409B2 (en) Systems and methods for maintaining occupant comfort for various environmental conditions
US11762377B2 (en) Systems and methods for modeling and controlling building system entities
US20210158975A1 (en) Building control system with smart edge devices having embedded model predictive control
US11385605B2 (en) Building control system with features for operating under intermittent connectivity to a cloud computation system
US11392095B2 (en) Building control system with central plant model generation
US11953871B2 (en) Building control system with automatic control problem formulation using building information model
US11099530B2 (en) Central plant control system with device geometric modeling and control
CN109451750A (zh) 将模型预测控制与分布式低级空气侧优化一起使用的hvac系统
Chintala A Methodology for Automating the Implementation of Advanced Control Algorithms Such as Model Predictive Control on Large Scale Building HVAC Systems
US20240201676A1 (en) Control system with automatic control problem formulation using bidirectional connections and ports
Tummalapalli Reinforcement Learning for Optimal Energy Control in Data Center Operations

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
TA01 Transfer of patent application right

Effective date of registration: 20230323

Address after: Wisconsin

Applicant after: Johnson Controls Tyco intellectual property holdings limited liability partnership

Address before: Michigan, USA

Applicant before: JOHNSON CONTROLS TECHNOLOGY Co.

TA01 Transfer of patent application right