CN112543852B - 用于使用基于聚类的规则挖掘方法来优化结构的能量使用的系统和方法 - Google Patents
用于使用基于聚类的规则挖掘方法来优化结构的能量使用的系统和方法 Download PDFInfo
- Publication number
- CN112543852B CN112543852B CN201980020285.6A CN201980020285A CN112543852B CN 112543852 B CN112543852 B CN 112543852B CN 201980020285 A CN201980020285 A CN 201980020285A CN 112543852 B CN112543852 B CN 112543852B
- Authority
- CN
- China
- Prior art keywords
- data
- rules
- sensor
- hvac
- air conditioning
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
- F24F11/63—Electronic processing
- F24F11/64—Electronic processing using pre-stored data
-
- 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
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K13/00—Thermometers specially adapted for specific purposes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R21/00—Arrangements for measuring electric power or power factor
-
- 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
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
- G06N5/025—Extracting rules from data
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F2110/00—Control inputs relating to air properties
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F2110/00—Control inputs relating to air properties
- F24F2110/10—Temperature
- F24F2110/12—Temperature of the outside air
-
- 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
- G05B2219/2614—HVAC, heating, ventillation, climate control
Abstract
操作结构的加热通风和空调(HVAC)系统的方法包括:收集与HVAC系统的参数相对应的第一传感器数据;收集与第一传感器数据不同的第二传感器数据;以及利用控制器、通过将第一传感器数据和第二传感器数据聚类到多个数据聚类中来生成聚类数据。所述方法还包括:利用控制器、基于至少第一传感器数据、第二传感器数据和聚类数据来形成事务数据集;利用控制器对事务数据集执行关联规则挖掘(ARM),以针对所述多个数据聚类中的每个数据聚类来生成多个规则;以及利用控制器、基于所述多个规则来改变HVAC系统的操作特性以优化所述参数。
Description
本申请要求于2018年1月19日提交的美国临时申请序列号62/619,267的优先权的权益,该美国临时申请的公开内容通过引用以其整体并入本文中。
技术领域
本公开涉及能量消耗监视领域,并且特别地涉及改进和优化结构的能量消耗装置的操作。
背景技术
商业和住宅结构通常包括加热通风和空调(HVAC)系统,该系统被设计成保持占用者舒适而不依赖于结构外部的空气温度。例如,在多楼层商业建筑物中,HVAC系统可以包括空调、热泵和/或气体炉,它们使经调节的空气移动通过建筑物的每个楼层,以确保占用者维持在舒适的温度下。
HVAC系统使用电能来产生期望的经调节的输出。然而,所消耗的电能的量取决于许多因素,其中一些因素包括结构的大小、结构中的占用者数量、以及室外温度。例如,在大型商业结构中,室内空气温度缓慢地改变,并且计及室外温度中的快速改变需要准确的预测技巧。如果预测不准确,则浪费电能,并且对结构进行调节的成本大于必要的成本。此外,在其中对HVAC寄予大量需求以迅速改变该结构的空气温度的时段期间,占用者可能是不舒适的。附加地,大多数商业结构在一年中的某些天期间相对地未被占用,并且因此通常没有必要在这些天期间来调节整个结构。因此,为了节省电能,商业结构的运营商可以预测这些未被占用的天,并且对HVAC系统进行对应的调整。住宅结构也受这些考虑所影响。
如上所阐述,在商业结构或住宅结构的调节中涉及许多因素。为了优化建筑物系统消耗的电能的量,在预测能量使用要求的能力方面期望进一步的发展。
发明内容
根据本公开的示例性实施例,一种操作结构的加热通风和空调(HVAC)系统的方法包括:收集与HVAC系统的参数相对应的第一传感器数据;收集与第一传感器数据不同的第二传感器数据;以及利用控制器、通过将第一传感器数据和第二传感器数据聚类到多个数据聚类中来生成聚类数据。所述方法还包括:利用控制器、基于至少第一传感器数据、第二传感器数据和聚类数据来形成事务数据集;利用控制器对事务数据集执行关联规则挖掘(ARM),以针对所述多个数据聚类中的每个数据聚类来生成多个规则;以及利用控制器、基于所述多个规则来改变HVAC系统的操作特性以优化所述参数。
根据本公开的另一示例性实施例,一种用于控制结构的HVAC系统的能量控制系统包括第一传感器、第二传感器和控制器。第一传感器可操作地连接到HVAC系统,并且被配置成生成与HVAC系统的参数相对应的第一传感器数据。第二传感器可操作地连接到所述结构,并且被配置成生成与第一传感器数据不同的第二传感器数据。控制器可操作地连接到第一传感器和第二传感器。控制器被配置成执行程序指令以:通过将第一传感器数据和第二传感器数据聚类到多个数据聚类中来生成聚类数据;基于至少第一传感器数据、第二传感器数据和聚类数据来形成事务数据集;对事务数据集执行关联规则挖掘(ARM),以针对所述多个数据聚类中的每个数据聚类来生成多个规则;以及基于所述多个规则来改变HVAC系统的操作特性以优化所述参数。
附图说明
通过参考以下详细描述和附图,上面描述的特征和优点以及其他对于本领域普通技术人员应当变得更加容易清楚,其中:
图1是如本文中所公开的系统的框图视图,该系统包括被配置成优化结构的HVAC系统的操作的能量控制系统;
图2是图示了利用图1的能量控制系统来操作HVAC系统的示例性方法的流程图;
图3是图1的HVAC系统所消耗的电加热功率相比于室外环境温度的标绘图;
图4是在将数据点聚类到多个数据聚类中之后的图3的标绘图的描绘。
具体实施方式
出于促进对本公开原理的理解的目的,现在将参考在附图中图示并在以下书面说明书中描述的实施例。应理解的是,并不由此意图对本公开范围的限制。应进一步理解的是,本公开包括对所图示的实施例的任何更改和修改,并且包括如本公开所属领域的技术人员通常将会想到的本公开原理的进一步应用。
在随附描述中公开了本公开的各方面。在不脱离本公开的精神或范围的情况下,可以设想本公开的替代实施例及其等同物。应当注意的是,本文中关于“一个实施例”、“一实施例”、“示例性实施例”等的任何讨论都指示所描述的实施例可以包括特定特征、结构或特性,并且这种特定特征、结构或特性可能不一定被包括在每一个实施例中。另外,对前述内容的引用不一定包括对相同实施例的引用。最后,无论是否明确地描述,本领域的普通技术人员都将容易地领会:给定实施例的每个特定特征、结构或特性可以与本文中讨论的任何其他实施例的特征、结构或特性结合地或组合地进行利用。
出于本公开的目的,短语“A和/或B”意指(A)、(B)或(A和B)。出于本公开的目的,短语“A、B和/或C”意指(A)、(B)、(C)、(A和B)、(A和C)、(B和C)或(A、B和C)。
关于本公开的实施例所使用的术语“包括”、“包含”、“具有”等是同义的。
如图1中所示,系统100包括具有HVAC系统108、水加热系统112的结构104,能量控制系统116以及远程计算机120。至少结构104、能量控制系统116和远程计算机120可操作地连接到因特网124。电功率源128、气体源132和水源136可操作地连接到结构104。在一个实施例中,结构104是商业结构,并且图示了结构104的两个层级(即,层级1和层级2)。
如本文中所描述,能量控制系统116被配置成优化至少HVAC系统108的能量使用。特别地,能量控制系统116使用聚类分析和数据挖掘来标识结构104的能量消耗内的模式。聚类分析用于标识能量使用数据中的模式。然后,将这些聚类与来自内部源(例如,其他建筑物传感器,诸如热水使用和通风设置)和外部源(例如,时间信息,其被分解成诸如早晨/下午/傍晚/晚上/工作日/周末等范围)两者的异构信息进行相关。在一个实施例中,能量控制系统116根据关联规则挖掘(ARM)方法来标识这些关系。根据规则和能量控制系统116所标识的关系来优化(自动地、或利用人在环中(human-in-the-loop)方法)结构104的能量使用。因此,系统100通过减少操作结构104所需的电能来改进HVAC系统108的操作,同时维持占用者舒适度。本文中描述了系统100的每个元件、连同操作系统100的示例性方法。
参考图1,示例性结构104被图示为具有至少两个楼层或两个层级的多楼层建筑物。结构104是商业建筑物或住宅建筑物。结构104可操作地连接到气体源132,气体源132向结构104提供天然气供应。结构104还可操作地连接到电功率源128,电功率源128向结构104提供电能供应。此外,结构104可操作地连接到水源136,水源136向结构104提供水的供应。在其它实施例中,结构104可以具有任何数量的层级。
HVAC系统108包括室内单元,该室内单元具有至少一个热泵148、至少一个气体炉152、至少一个鼓风机电动机156和至少一个恒温器180,它们均可操作地连接到控制器160。HVAC系统108还包括室外单元,该室外单元包括至少一个压缩机164和至少一个冷凝器盘管168。HVAC系统108的管道工程172和扩散器176形成导管,该导管被配置成使空气从室内单元移动到结构104的每个层级。取决于结构104的大小,结构104可以包括一个室内单元和一个室外单元,或者结构104可以包括多个室内单元和多个室外单元。
热泵148被配置成生成用于对结构104的内部空间进行加热的热空气和用于对结构104的内部空间进行冷却的冷空气(例如,热泵148可配置成空调)。热泵148包括通常位于结构104内部的蒸发器盘管184。为了生成用于对结构104进行加热的热空气,热泵148使热量从室外单元移动到蒸发器盘管184,并且鼓风机电动机156使用管道工程172和扩散器176使热量移动通过结构104。为了生成用于对结构104进行冷却的冷空气,热泵148使热量从蒸发器盘管184移动到室外单元,并且鼓风机电动机156利用管道工程172和扩散器176使冷却的空气移动通过结构104。热泵148可操作地连接到能量控制系统116。取决于结构104的大小,热泵148可以使用数千千瓦时(kWh)来对结构104进行加热和/或冷却。
气体炉152连接到气体源132,并且被配置成燃烧来自气体源132的气体。鼓风机电动机156使空气移动通过气体炉152以生成热空气,该热空气借助于管道工程172和扩散器176移动通过结构104。在一个实施例中,气体炉152可操作地连接到能量控制系统116。
如图1中所示,HVAC系统108的控制器160被配置成执行程序指令数据188以用于控制结构104内的空气温度。具体地,控制器160被配置成在至少四种模式下操作HVAC系统108,该四种模式包括:使用热泵148的第一加热模式;使用气体炉152的第二加热模式;使用热泵148的冷却模式;以及仅使用鼓风机电动机156的通风模式。在通风模式下,鼓风机电动机156使环境温度空气在没有被热泵148或气体炉152加热或冷却的情况下移动通过结构104。然后,使移动的空气流通或排放到外部。HVAC系统108还可在再循环模式下操作,在该再循环模式下,鼓风机电动机156使加热的空气、冷却的空气、和/或环境温度空气移动通过结构104而没有使空气流通或排放到外部,使得相同的空气反复地移动通过结构104。控制器160被提供为微处理器、处理器或任何其他类型的电子控制芯片。
在一个实施例中,扩散器176连接到控制器160,并且可在打开状态和关闭状态下电子地配置。在打开状态下,扩散器176将经调节的空气扩散到结构104的特定房间或层级中。在关闭状态下,扩散器176阻止经调节的空气流向结构104的所选房间或所选层级。因此,可电配置的扩散器176使得HVAC系统108能够选择性地调节结构104的(一个或多个)房间或(一个或多个)层级,同时使结构104的其他房间或层级未调节。
每个恒温器180被配置成生成与结构104的恒温器180位于其中的层级的温度相对应的电子温度信号。HVAC系统108基于由恒温器180生成的电子温度信号来确定何时操作热泵148、气体炉152和鼓风机电动机156。
在至少一个实施例中,HVAC系统108包括排放通风口192,该排放通风口192将空气从结构104内的室内单元引导至结构104外部的区域。
水加热系统112通过管路系统(plumbing)208可操作地连接到遍及结构104的水设备204。水加热系统112包括加热元件212,其用于对包含在其中的水进行加热。加热元件212电连接到电功率源128或气体源132。水设备204包括水槽、洗碗机、洗衣机、淋浴器和浴缸。在商业设置中,水设备204包括需要热水供应以进行操作的任何其他设备。
远程计算机120连接到因特网124,并且包括显示设备224(诸如,计算机监视器)和输入设备228(诸如,键盘和鼠标)。远程计算机120被配置成显示图形用户接口232(GUI),该图形用户接口使得远程计算机120的用户能够通过经由因特网124发送电子数据来从远程位置控制能量控制系统116、HVAC系统108和水加热系统112。
如图1中所示,能量控制系统116包括联网设备244、存储器248、室外空气温度传感器252、至少一个室内空气温度传感器256、HVAC排放空气温度传感器260和至少一个电功率传感器264,它们均可操作地连接到控制器266。联网设备244将能量控制系统116可操作地连接到因特网124,使得能量控制系统116被配置成从其他与因特网连接的设备接收电子数据,并且向其他与因特网连接的设备发送电子数据。在示例性实施例中,在远离结构104的位置中示出了能量控制系统116。在其他实施例中,能量控制系统116位于结构104内。在特定实施例中,能量控制系统116位于结构104内,并且直接电连接到HVAC系统108。
能量控制系统116的存储器248是电子数据存储单元,其在本文中也被称为非瞬态计算机可读介质。存储器248被配置成存储程序指令数据188、以及传感器数据270、聚类数据274、次级数据(secondary data)276、事务数据集数据278和ARM数据282。此外,存储器248被配置成存储与系统100相关联的任何其他电子数据。程序指令数据188包括用于操作能量控制系统116的计算机可执行指令。
能量控制系统116的室外空气温度传感器252被配置成生成与结构104处的室外空气温度相对应的电室外空气温度数据(即,第二传感器数据),该室外空气温度在本文中也被称为环境温度或环境室外温度。如图1中所示,室外空气温度传感器252通过因特网124可操作地连接到能量控制系统116。附加地或替代地,室外空气温度传感器252直接电连接到能量控制系统116。
能量控制系统116的(一个或多个)室内空气温度传感器256被配置成生成与结构104的特定位置处的室内空气温度相对应的电室内空气温度数据。例如,在一个实施例中,结构104的每个层级包括室内空气温度传感器256,使得针对结构104的每个层级生成了室内空气温度数据,包括第一室内空气温度数据和第二室内空气温度数据。室内空气温度传感器256通过因特网124可操作地连接到能量控制系统116。
能量控制系统116的排放空气温度传感器260被配置成生成与HVAC排放通风口192的空气温度相对应的电排放空气温度数据。如图1中所示,排放空气温度传感器260通过因特网124可操作地连接到能量控制系统116。
功率传感器264是被配置成生成电功率数据(即,第一传感器数据)的电功率传感器。例如,功率传感器264被配置成生成与HVAC系统108所消耗的电功率相对应的第一电功率数据。因此,取决于HVAC系统108的配置,功率传感器264生成电加热功率数据、电冷却功率数据和/或电通风功率数据。
能量控制系统116的控制器266被配置成执行用于控制能量控制系统116的程序指令数据188。控制器266被提供为微处理器、处理器或任何其他类型的电子控制芯片。
附加地,在一些实施例中,能量控制系统116包括热水体积流传感器290、冷水体积流传感器294、热水输出温度传感器298和热水返回温度传感器302,它们均可操作地连接到因特网124。热水体积流传感器290被配置成生成与通过水加热系统112或从热水加热系统112离开的热水的流速率相对应的电子热水流数据。冷水体积流传感器294被配置成生成与结构112的水设备204所消耗的冷水的流速率相对应的电子冷水流数据。热水输出温度传感器298被配置成生成与从水加热系统112输出到水设备204的水的温度相对应的电子热水返回温度数据。热水返回温度传感器302被配置成生成与从水设备204循环回到水加热系统112的水的温度相对应的电子热水返回温度数据。
在一些实施例中,能量控制系统116包括气体传感器306。气体传感器306被配置成测量由气体炉152用于对结构104进行加热的气体的量。气体传感器306生成与所测量的气体量相对应的电子气体体积数据。气体传感器306通过因特网124可操作地连接到能量控制系统116。
在操作中,系统100被配置成实现用于操作HVAC系统108的方法350(图2),以高效地使用电能和/或天然气,同时维持结构内的占用者舒适度。系统100对于标识长期能量消耗模式也是有用的。近来,在市场中越来越重视将机器学习技术用于与多个重要的商业服务提供商进行能量数据分析。能量控制系统116适于供如下各项使用:住宅结构、具有易于理解的一次性轮廓的较小商业建筑物、以及较大商业建筑物(如具有多个HVAC单元108、不同的舒适区、和变化的使用模式的更复杂的办公空间,诸如结构104)。
方法350由图2的流程图所例示。如图2中所示,在框354处,该方法包括生成电子传感器数据270。传感器数据270至少包括:由功率传感器264生成的电功率加热数据(即,第一传感器数据)和由室外温度传感器252生成的室外环境温度数据(即,第二传感器数据)。在图3的图表中绘制了示例性传感器数据270。加热数据表示HVAC系统108将结构104的内部空间加热到期望温度(即,预定温度或设定点温度)所消耗的电能/功率的量。在一示例中,每小时生成传感器数据270的一个数据点,使得一天中生成二十四个数据点。在一个实施例中,能量控制系统116存储与HVAC系统108的监视参数(诸如,电功率消耗)相关联的一年的传感器数据270。可以利用如适用于监视参数的任何其他传感器数据270生成速率。
对于人类建筑物运营商而言,解释传感器数据270所展现的关系可能是困难的。具体地,图3中示出了一些可辨别的趋势,其中当温度较低时使用更多的电功率,但是也明显地存在有区别的区域、如圆圈区308,在该有区别的区域处,传感器数据270的该区308表示什么不是立即显而易见的。方法350提供了对该分析的见解。
方法350的框354可以包括:利用能量控制系统116的任何其他传感器来生成传感器数据270。例如,使用功率传感器264生成电功率冷却数据,其对应于将结构104冷却到期望温度(例如,预定温度或设定点温度)所需的电力量。类似地,使用气体传感器306来生成气体加热数据。气体加热数据对应于将结构104加热到期望温度(例如,预定温度或设定点温度)所需的气体量。气体消耗是可以由能量控制系统116优化的HVAC系统108的另一示例性参数。
将传感器数据270从对应的传感器传输到能量控制系统116的控制器266。可以将传感器数据270直接传输到能量控制系统116,或者经由因特网124间接传输到能量控制系统116。能量控制系统116将所传输的传感器数据270存储在存储器248中。
在接收到传感器数据270之后,能量控制系统116的控制器266执行程序指令188,并且处理传感器数据270以准备传感器数据270用于分析。例如,控制器266对传感器数据270执行数据清理和准备步骤,包括:通过时间戳来对齐传感器数据270值;在时间戳对齐期间执行数据插补(或子采样);以及去除传感器数据270的离群数据点。控制器266可以利用任何其他数据处理或准备技术。
接下来,在方法350的框358处,控制器266执行程序指令188,并且对传感器数据270(即,第一传感器数据和第二传感器数据)执行聚类分析以生成聚类数据274。聚类数据274作为多个数据聚类而被存储在能量控制系统116的存储器248中。图4图示了经历聚类分析之后的传感器数据270的标绘图。在图4中,聚类分析已经将传感器数据270分组到五个数据聚类310中,从一到五对它们进行编号作为聚类310的“聚类ID”。使用存储在存储器248中作为程序指令188的聚类算法,在没有人类干预的情况下自动执行对传感器数据270的聚类。
在对传感器数据270进行聚类时,控制器266可以利用任何一种或多种聚类算法,诸如高斯混合模型(GMM)、k均值和分层聚类。在图4中,GMM被应用于传感器数据270。在一些实施例中,由于温度相比于功率消耗数据的非线性性质(这通常发生在寒冷天气区域中),因此GMM倾向于生成比k均值和分层聚类更好的优化结果。
GMM具有可以设置的两个参数——至收敛的迭代数量(迭代)和随机重启的数量(重复)。在生成图4的聚类数据274时,在运行多个实验之后,这些数字分别被设置为500和100。GMM可以将可能聚类310的最大数量取作参数,并且返回所找到的最佳聚类。
程序指令188被配置成优化传感器数据270被分组到其中的聚类310的数量。在一个实施例中,聚类310的最大数量是从三到十。例如,通过取得所得聚类310的对数似然性(log-likelihood)并且选择最小聚类数量来确定聚类310的最大数量,超出该最小聚类数量,对数似然性中的增益可忽略不计。这种方法粗略地转化成:在聚类310的数量相比于对数似然性的曲线图中找到“肘部”。
在一些实施例中,能量控制系统116被配置成删除如下传感器数据270:其被分组到具有少于预定数量的数据点的聚类310中。例如,聚类算法可以导致十个聚类310,其中三个聚类310均具有少于五个数据点的传感器数据270。控制器266可以确定应当忽略三个聚类310的传感器数据270,或者控制器266可以删除对应三个聚类310的传感器数据270。
在一个实施例中,控制器266将聚类数据274存储为多个三元组。示例性三元组可以是以(环境温度,加热功率(x105),聚类ID)的格式存储的(10,0.5,5)。聚类ID是作为聚类分析的结果而向其指派了温度和加热功率的聚类310的标识。
接下来,在方法350的框362中,对聚类数据274以及一些实施例中来自能量控制系统116的附加传感器的次级数据276执行ARM。能量控制系统116使用ARM来找到聚类数据274和次级数据276之间的关系和相关性。在至少一些实施例中,次级数据276对应于HVAC系统108的操作状态或者包括来自附加传感器的数据,该附加传感器诸如热水体积流传感器290、冷水体积流传感器294、热水输出温度传感器298和热水返回温度传感器302。下面描述了能量控制系统116的示例性ARM方法。
ARM算法通常被应用于事务数据集(TD)。为了开发TD,方法350包括首先在下面示为表1的输入数据集中进行开发。表1基于传感器数据270(即,第一传感器数据和第二传感器数据)、聚类数据274和次级数据276。
聚类1 | 聚类2 | 聚类3 | 0≤温度<10 | 10≤温度<20 | 通风口 打开 | 通风口 关闭 | 再循环 |
1 | 0 | 0 | 0 | 1 | 1 | 0 | 0 |
0 | 1 | 0 | 1 | 0 | 1 | 0 | 0 |
1 | 0 | 0 | 1 | 0 | 1 | 0 | 0 |
0 | 0 | 1 | 1 | 0 | 0 | 0 | 1 |
0 | 1 | 0 | 1 | 0 | 0 | 1 | 0 |
表1:输入数据集。
在表1中,每一行对应于传感器数据270和聚类数据274的三元组,该三元组已经标识了三个聚类310。此外,在表1中,基于对应测量值已经将环境温度(如室外温度传感器252所感测的)划分成两列。温度列中的“1”指示该行中的聚类数据274对应于针对该列的所标识温度范围内的温度。而温度列中的“0”指示聚类数据274在所标识温度范围之外。
在表1中,次级数据276包括通风和再循环数据。“通风口打开”列对应于使鼓风机电动机156上电并且使空气移动通过结构104。具体地,通风口打开列中的“1”指示:针对该数据行,鼓风机电动机156被通电;并且通风口打开列中的“0”指示:针对该数据行,鼓风机电动机156未被通电。“通风口关闭”列对应于使鼓风机电动机156断电并且不使空气移动通过结构104。通风口关闭列中的“1”指示:针对该数据行,鼓风机电动机156被断电;并且通风口关闭列中的“0”指示:针对该数据行,鼓风机电动机156被通电。“再循环”列标识了HVAC系统108被设置在再循环模式下(如“1”所指示)还是没有被设置在再循环模式下(如“0”所指示)。
次级数据276使得方法350能够在ARM过程期间开发规则,该规则提供了对与次级数据276有关的所评估的使用参数(即,电力使用、气体使用等)的见解。通风和鼓风机电动机156状态是次级数据276的示例性源。次级数据276的其他源包括来自连接到水加热系统112的传感器290、294、298、302的数据。这些传感器290、294、298、302所提供的次级数据276使得能量控制系统116能够在ARM方法期间开发出有趣的和/或具有见解的规则,所述规则可能是人类观察者原本未实现的。其他次级数据276包括恒温器180的设定点温度、扩散器176的状态数据、以及如排放温度传感器260所确定的HVAC系统108的排放温度。
每个传感器的输入数据集的列数取决于传感器值是离散的还是连续的。例如,针对离散传感器的每个值(诸如,鼓风机电动机156的通风状态),将单个列添加到输入数据集。如果传感器具有该特定值,则该列中的条目为“1”。在示例性实施例中,如果在数据集中针对传感器存在少于五个有区别的值,则认为该传感器是离散的。对于连续传感器(诸如,室外温度传感器252),在应用ARM算法之前,将值映射到离散空间。例如,能量控制系统116将传感器值的范围划分成分位数(其中默认为分位数),以便将数据均匀地间隔开。针对值的所划分范围的每个间隔,将一列添加到输入数据集。对于以这种方式形成的特定列,如果对应值在该间隔中,则针对特定时间点,值将被设置为“1”。
接下来,为了描述方法350的进一步的框362,能量控制系统116基于输入数据集来构建TD。如上所描述,通常对TD执行ARM,因此输入数据集的数据由控制器266转换成类似TD的表,该类似TD的表在本文中被简称为TD(即,事务数据集)并且被保存在TD数据278处。基于表1的输入数据集的示例性TD在下面被示为表2。
聚类ID | 温度 | 通风 |
1 | 13 | 打开 |
2 | 7 | 打开 |
1 | 3.5 | 打开 |
3 | 2 | 再循环 |
2 | 0 | 关闭 |
表2:事务数据集(“TD”)。
在表2的TD中,每一行对应于输入数据集的行。例如,TD的行1在聚类ID列中包括“1”,这是因为如输入数据集的行1中所示,第一行对应于聚类ID 1。TD的第一行在温度列中包括“13”,这是因为它是存储在输入数据集的行1处的对应值。TD的第一行在通风列中还包括“打开”值,这是因为它是来自输入数据集的第一行的对应值。其余的TD数据278由能量控制系统116以对应的方式来构建。TD数据278已经将与温度相对应的输入数据集的两列压缩成一列,并且TD数据278已经将与通风(即,次级数据276)相对应的三列压缩成一列。
接下来,能量控制系统116对TD数据278执行ARM,以针对聚类数据274的每个数据聚类310生成多个规则。规则作为ARM数据282被保存到存储器248。ARM算法对于在TD中的项目集(也称为数据集)当中找到有趣、重要且有时是罕见的相关性和关联而言是有用的。ARM算法找到A→B形式的隐含表达式(即,示例规则)。该示例规则意味着,如果TD包括数据“A”,则数据“B”通常是结果。
与ARM算法一起使用的两个常见指标是支持度和置信度。规则A→B的支持度是TD中的包含A和B两者的事务(例如,数据行)的比例。置信度是TD中包含A的事务、还包含B的比例。先验算法和FP树方法是由能量控制系统116用于对TD数据278执行ARM的合适技术。ARM对于发现否定规则而言也是有用的。否定规则找到在TD数据278中的数据集条目与另一个条目的缺乏之间的关联。否定规则通常是对一些应用的肯定关联规则的信息丰富的补充。
能量控制系统116使用ARM来找到所评估的参数与次级数据276之间的关系。例如,在一个实施例中,能量控制系统116使用ARM来找到占用者活动与电力消耗之间的关系,从而提供能量需求表征的基础。在其他实施例中,能量控制系统116使用ARM技术来理解个体电器能量消耗模式、以及电器使用中的相互关系。
能量控制系统116基于表2的TD根据方法350生成了ARM数据282的以下示例性规则。在实践中,能量控制系统116可以基于TD数据278来生成数千个规则,该TD数据278包含可维持一年的数据,诸如图3的数据。
聚类1 → 0<加热功率<2000 (规则1)
聚类4 → -10<环境温度<15 (规则2)
根据规则1,当传感器数据270被聚类到具有ID“1”的聚类310中时,则通常加热功率将在零与两千x105 W之间。规则1具有相关联的支持度和置信度,并且可以基于此来提供对HVAC系统108的能量需求的见解。
根据规则2,当传感器数据270被聚类到具有ID“4”的聚类310中时,则通常由室外温度传感器252测量的环境温度将在-10℃与15℃之间。规则2具有相关联的支持度和置信度,并且可以基于此来提供对HVAC系统108的能量需求的见解。
接下来,如图2的流程图的框366所示,由能量控制系统116执行的方法350对ARM生成的规则进行过滤、合并和排名,以确定提供对HVAC系统104的操作的见解最深的规则。ARM过程生成大量规则,其中许多规则在解释聚类310的含义方面可能是没有帮助的。方法350的过滤步骤从ARM数据282中检测并且消除信息不足(uninformative)或不有趣的规则,并且标识信息丰富或有趣的相关规则。
在实践中,基于客观度量来检测最有趣或最具有见解的规则(即,相关规则)可能是具有挑战性的任务。因此,在一些实施例中,人类专家对所发现规则的至少一个子集进行评分/排名。然后,利用能量控制系统116的控制器266对所发现的规则的其余部分进行评分/排名。从ARM数据282中过滤或去除被确定为在有趣性和信息性方面排名最低的规则。具有高排名的规则被标识为相关规则,并且被保存在ARM数据282中。
除了支持度和置信度之外,还存在用以对ARM数据282的规则进行排名的若干个其他度量。通常不存在一种适合所有条件的最佳指标;因此,在一个实施例中,方法350利用混合方法以用于对规则进行排名。例如,人类专家针对ARM数据282的所发现的规则集计算若干个指标,并且基于指标(以及指标的不同组合)对规则的子集进行排名。然后,方法350将提升(Lift)指标应用于经排名的规则以及还有规则的其余部分。提升是规则在将情况预测或分类为作为整体关于总数具有增强的响应方面的性能度量。因此,在一个实施例中,规则的提升值被定义为目标响应除以平均响应的比率。提升值还被定义为:属于LHS(左手侧)中指定的聚类的、具有RHS(右手侧)中给出的传感器值的数据点数量的比例——与——属于该聚类的、如果数据是均匀分布的则将具有RHS中给出的传感器值的数据点的比例——的比率。作为提升值的示例,考虑具有1000个数据点的具有ID“Cl”的聚类、以及关于聚类C1的以下规则3:
聚类C1 → 周末 (规则3)
在规则3中,聚类C1中的一半点满足该规则,即聚类C1中的500个点是在周末内被收集的。如果输入数据是均匀分布的,则2/7的点(~286个点)应当属于周末。因此,用于示例性规则3的提升值是1.75(500/286)。
具有提升值一的规则指示:如果数据具有均匀分布,则该规则仅捕获到我们预期在数据中看到的内容。提升值在任一方向上与一偏离超过预定容限指示有趣性,并且与一的偏离越大,该规则就越有趣。在一个实施例中,仅基于ARM数据282的多个相关规则来改变HVAC系统108的操作特性。
如上所指出,方法350的框366还包括判别ARM数据282的规则。针对特定聚类310而发现的许多规则也可能通常以不同的支持度和置信度(或任何其他得分)而出现在其他聚类310中。找到只出现在单个聚类310中或者以低得多的得分而出现在其他聚类310中的规则有助于理解聚类310的含义。这种规则在本文中称为“判别式规则”。为了找到判别式规则,首先通过聚类310中的点的数量来对针对每一个规则计算出的得分进行归一化。然后,将每个聚类310的最高的n个规则与其他聚类310中的最高规则进行比较。如果特定聚类310中的规则未出现在任何其他聚类310中,或者以少于该规则的得分的某个乘数的得分而出现,则将该规则标记为判别式规则。判别式规则可以帮助用户实现如下条件:在该条件下,应当预期以高置信度在特定聚类310中观察到系统。
方法350的框366还包括合并ARM数据282的规则以形成多个合并规则。例如,在一些情况下,传感器的基于分位数的划分可以导致跨越相邻传感器分位数的聚类310。这些显露为可以被组合或合并在一起以形成单个规则的规则。例如,考虑以下规则,其中规则4和5可以被合并成规则6。
聚类4 → -10≤环境温度<5 (规则4)
聚类4 → 5≤环境温度<15 (规则5)
聚类4 → -10≤环境温度<15 (规则6)
如所示出的,如室外温度传感器252确定的环境温度的范围在规则4与5之间具有一些重叠。因此,规则6是合并规则,其具有的环境温度范围涵盖了规则4和5的范围。当控制器266将ARM数据282修改为包括规则6时,在一个实施例中,规则4和5被从ARM数据282中去除。此外,基于以下公式,容易地计算出合并规则6的支持度和置信度值:
支持度(规则6)=支持度(规则4)+支持度(规则5)
置信度(规则6)=置信度(规则4)+置信度(规则5)。
在一个实施例中,仅基于多个合并规则来改变HVAC系统108的操作特性。
此外,在一些实施例中,控制器266被配置成针对基于决策树方法而生成的ARM数据282来生成附加规则。具体地,控制器266以输入数据集的聚类id作为目标(例如,“叶”)来构造决策树。所得的决策树向用户给出了各种传感器如何确切地对特定聚类中的系统做出贡献的表示。决策树被转化成规则集(由控制器266,或由在显示设备224上查看该决策的人类),这一次结果中具有聚类id。
在一个实施例中,在控制器266执行的ARM过程期间,基于所选策略将传感器数据270和次级数据276的定量属性分区成固定大小的范围。在创建分区之后,分区在ARM过程期间保持不变。一种分区方法是要将目标传感器范围划分成相等大小的间隔(分位数)。另一种分区方法是要以在每个间隔中将存在相等数量的数据点的方式来创建分区,并且间隔可以具有不同的长度。
在另一个实施例中,在控制器266执行的ARM过程期间,在ARM过程期间动态地调整间隔的大小。在ARM过程开始时,将定量特征划分成小间隔,并且然后基于特定准则来对范围进行合并。为了使该过程对于大型数据集实际,当针对合并间隔的所计算的支持度高于另一阈值(最大支持度)时,合并过程停止。
接下来,如图2的流程图的框370中所示,能量控制系统116基于ARM数据282的规则来调整或改变HVAC系统108的操作特性,以优化HVAC系统108的监视参数。通常,做出操作特性改变以改进HVAC系统108的能量效率。此外,操作特性改变受ARM过程的所标识的有趣的、具有见解的和/或相关的规则所影响。下面进一步描述了对ARM数据282的规则的解释。对HVAC系统108的特定改变可以包括对例如恒温器180的设定点温度的改变,这使HVAC系统108在特定时间段期间使用较少的电能。或者,对HVAC系统108的操作特性的改变可以包括基于即将来临的天气事件(诸如,当寒流正在逼近时)而对激活HVAC系统108的时间的改变。
可以基于方法350做出的其他改变包括对扩散器176设置的改变,以更“智能地”对结构104进行加热或冷却。例如,在一些实施例中,基于水加热系统112使用次级数据276来生成ARM数据282。在这种实施例中,基于水的使用(即,冷水流传感器294和热水流传感器290),能量控制系统116可以确定指示结构104的第二层在周二和周四未被占用的规则。可以通过调整扩散器176和/或对应恒温器180的状态来实现对HVAC系统108的改变,使得在周二和周四不使用HVAC系统108来对第二层进行加热(或冷却)。
方法350提供了与传感器数据270的所标识的聚类310的“解释”相对应的数据,该数据被用于预测HVAC系统108的能量要求。特别地,再次参考图4,作为ARM数据282的结果,从聚类数据274中探明了以下见解。使用方法350并且将ARM数据282与人类预期的意见进行比较,确定了图4的聚类1和聚类3对应于无加热的时段;聚类2对应于冬季中在工作时间期间的加热;聚类4对应于冬季中在非工作时间期间的加热;并且聚类5对应于整个日历年的基本负荷加热要求。此外,使用ARM数据282、预期外部温度和感兴趣的日历日期,能量控制系统116被配置成预测HVAC系统108的预期能量使用。这种数据使得建筑物运营商能够针对公用事业开支进行计划,并且还能够利用电力的时变计价(即,使用时间(TOU)计划),如果位于这种市场中的话。
可以由显示设备224使用GUI 232以人类可理解的格式来显示方法350提供的数据。此外,能量控制系统116的每个功能可使用远程计算机120来远程地控制。
由图2的流程图所例示的方法350在许多方式上与现有方法不同。首先,方法350针对大型数据集来产生长期能量使用中的解释性规则,该解释性规则在预测能量需求和当前操作状态方面是有用的。第二,方法350使用聚类来找到有趣的模式,并且通过在包括次级数据276(包括时间范围和其他建筑物传感器)的TD数据上应用ARM来提供关于这些模式的解释性规则。没有一个已知系统和方法使用聚类作为用以找到初始模式的策略,该初始模式然后经由ARM的使用而被解释。
虽然已经在附图和前述描述中详细图示并描述了本公开,但是其在性质上应当被视为说明性而非限制性的。应理解的是,仅呈现了优选实施例,并且期望保护落入本公开的精神内的所有改变、修改和进一步的应用。
Claims (11)
1.一种操作结构的加热通风和空调(HVAC)系统的方法,包括:
收集与结构的加热通风和空调(HVAC)系统的参数相对应的第一传感器数据;
收集与第一传感器数据不同的第二传感器数据;
利用控制器、通过将第一传感器数据和第二传感器数据聚类到多个数据聚类中来生成聚类数据;
利用控制器、基于至少第一传感器数据、第二传感器数据和聚类数据来形成事务数据集;
利用控制器对事务数据集执行关联规则挖掘(ARM),以针对所述多个数据聚类中的每个数据聚类来生成多个规则;以及
利用控制器、基于所述多个规则来改变结构的加热通风和空调(HVAC)系统的操作特性以优化所述参数,其中:
所述参数对应于结构的加热通风和空调(HVAC)系统所消耗的电能的量,并且
第二传感器数据包括结构的室外环境温度数据
对所述多个规则中的规则进行排名以标识多个相关规则;以及
利用控制器、仅基于所述多个相关规则来改变结构的加热通风和空调(HVAC)系统的操作特性以优化所述参数;或者
合并所述多个规则中的规则以形成多个合并规则;以及
利用控制器、仅基于所述多个合并规则来改变结构的加热通风和空调(HVAC)系统的操作特性以优化所述参数。
2.根据权利要求1所述的操作结构的加热通风和空调(HVAC)系统的方法,进一步包括:
利用可操作地连接到结构的加热通风和空调(HVAC)系统和控制器的电功率传感器来生成第一传感器数据;以及
利用位于所述结构处并且可操作地连接到控制器的室外温度传感器来生成第二传感器数据。
3.根据权利要求1所述的操作结构的加热通风和空调(HVAC)系统的方法,进一步包括:
利用控制器来收集与结构的加热通风和空调(HVAC)系统的操作状态相对应的次级数据;以及
基于至少第一传感器数据、第二传感器数据、聚类数据和次级数据来形成事务数据集。
4.根据权利要求3所述的操作结构的加热通风和空调(HVAC)系统的方法,其中次级数据对应于结构的加热通风和空调(HVAC)系统的多个通风设置中的所选通风设置。
5.根据权利要求3所述的操作结构的加热通风和空调(HVAC)系统的方法,其中次级数据对应于所述结构的水加热系统的热水流速率、冷水流速率、热水温度和热水返回温度中的一个。
6.根据权利要求1所述的操作结构的加热通风和空调(HVAC)系统的方法,其中对规则进行排名包括:
向所述多个规则中的每个规则指派提升值;以及
将所述多个相关规则标识为具有与一偏离超过预定容限的提升的规则。
7.一种用于控制结构的加热通风和空调(HVAC)系统的能量控制系统,包括:
第一传感器,可操作地连接到结构的加热通风和空调(HVAC)系统,并且被配置成生成与结构的加热通风和空调(HVAC)系统的参数相对应的第一传感器数据;
第二传感器,可操作地连接到所述结构,并且被配置成生成与第一传感器数据不同的第二传感器数据;以及
控制器,可操作地连接到第一传感器和第二传感器,并且被配置成执行程序指令以:
通过将第一传感器数据和第二传感器数据聚类到多个数据聚类中来生成聚类数据;
基于至少第一传感器数据、第二传感器数据和聚类数据来形成事务数据集;
对事务数据集执行关联规则挖掘(ARM),以针对所述多个数据聚类中的每个数据聚类来生成多个规则;以及
基于所述多个规则来改变结构的加热通风和空调(HVAC)系统的操作特性以优化所述参数,其中:
第一传感器是电功率传感器,并且所述参数对应于结构的加热通风和空调(HVAC)系统所消耗的电能的量,并且
第二传感器是位于所述结构外部的温度传感器;
对所述多个规则中的规则进行排名以标识多个相关规则;以及
利用控制器、仅基于所述多个相关规则来改变结构的加热通风和空调(HVAC)系统的操作特性以优化所述参数;或者
合并所述多个规则中的规则以形成多个合并规则;以及
利用控制器、仅基于所述多个合并规则来改变结构的加热通风和空调(HVAC)系统的操作特性以优化所述参数。
8.根据权利要求7所述的能量控制系统,其中控制器进一步被配置成执行程序指令以:
利用控制器来收集与结构的加热通风和空调(HVAC)系统的操作状态相对应的次级数据;以及
基于至少第一传感器数据、第二传感器数据、聚类数据和次级数据来形成事务数据集。
9.根据权利要求8所述的能量控制系统,其中次级数据对应于结构的加热通风和空调(HVAC)系统的多个通风设置中的所选通风设置。
10.根据权利要求8所述的能量控制系统,其中次级数据对应于所述结构的水加热系统的热水流速率、冷水流速率、热水温度和热水返回温度中的一个。
11.根据权利要求7所述的能量控制系统,其中控制器进一步被配置成执行程序指令以:
向所述多个规则中的每个规则指派提升值;以及
将所述多个相关规则标识为具有与一偏离超过预定容限的提升的规则。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201862619267P | 2018-01-19 | 2018-01-19 | |
US62/619267 | 2018-01-19 | ||
PCT/US2019/014126 WO2019143889A1 (en) | 2018-01-19 | 2019-01-18 | System and method for optimizing energy use of a structure using a clustering-based rule-mining approach |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112543852A CN112543852A (zh) | 2021-03-23 |
CN112543852B true CN112543852B (zh) | 2022-08-12 |
Family
ID=67301583
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980020285.6A Active CN112543852B (zh) | 2018-01-19 | 2019-01-18 | 用于使用基于聚类的规则挖掘方法来优化结构的能量使用的系统和方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11519628B2 (zh) |
CN (1) | CN112543852B (zh) |
DE (1) | DE112019000298T5 (zh) |
WO (1) | WO2019143889A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111260138B (zh) * | 2020-01-18 | 2023-05-26 | 湖南大学 | 加权和自适应并行关联规则的火电机组能耗动态优化方法 |
US11769332B2 (en) * | 2020-06-15 | 2023-09-26 | Lytx, Inc. | Sensor fusion for collision detection |
Family Cites Families (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060004492A1 (en) * | 2004-07-01 | 2006-01-05 | Terlson Brad A | Devices and methods for providing configuration information to a controller |
US8401986B1 (en) * | 2004-08-05 | 2013-03-19 | Versata Development Group, Inc. | System and method for efficiently generating association rules |
US9471045B2 (en) * | 2009-09-11 | 2016-10-18 | NetESCO LLC | Controlling building systems |
CH705980B1 (fr) * | 2012-01-12 | 2017-10-31 | Neurobat Ag | Système de régulation de la température dans une installation de chauffage d'un immeuble. |
US9513643B2 (en) * | 2012-04-23 | 2016-12-06 | Emerson Climate Technologies Retail Solutions, Inc. | Building device cluster data display with thumbnail graphical display interface |
JP2014070827A (ja) * | 2012-09-28 | 2014-04-21 | Daikin Ind Ltd | 換気装置のコントローラ |
US9958190B2 (en) | 2013-01-24 | 2018-05-01 | Advantek Consulting Engineering, Inc. | Optimizing energy efficiency ratio feedback control for direct expansion air-conditioners and heat pumps |
CA2948193A1 (en) | 2014-05-15 | 2015-11-19 | Emerson Electric Co. | Hvac system air filter diagnostics and monitoring |
US20150332294A1 (en) * | 2014-05-19 | 2015-11-19 | The Board Of Trustees Of The Leland Stanford Junior University | Method and system for profiling and scheduling of thermal residential energy use for demand-side management programs |
AU2015373896A1 (en) | 2015-01-02 | 2017-06-29 | Earth Networks, Inc. | Optimizing and controlling the energy consumption of a building |
US10761547B2 (en) * | 2015-04-23 | 2020-09-01 | Johnson Controls Technology Company | HVAC controller with integrated airside and waterside cost optimization |
EP3157264B1 (en) * | 2015-10-17 | 2019-02-20 | Tata Consultancy Services Limited | Multi-sensor data summarization |
CN105607508A (zh) | 2016-03-24 | 2016-05-25 | 重庆邮电大学 | 基于用户行为分析的智能家居设备控制方法及系统 |
US10120353B2 (en) | 2016-04-05 | 2018-11-06 | Schneider Electric USA, Inc. | Energy management system and method |
CN106022477A (zh) | 2016-05-18 | 2016-10-12 | 国网信通亿力科技有限责任公司 | 智能分析决策系统及方法 |
CN106096790A (zh) * | 2016-06-22 | 2016-11-09 | 东南大学 | 基于变频空调虚拟机组建模的虚拟电厂日前和实时市场优化调度方法 |
-
2019
- 2019-01-18 DE DE112019000298.8T patent/DE112019000298T5/de active Pending
- 2019-01-18 US US16/963,225 patent/US11519628B2/en active Active
- 2019-01-18 WO PCT/US2019/014126 patent/WO2019143889A1/en active Application Filing
- 2019-01-18 CN CN201980020285.6A patent/CN112543852B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
US20210048215A1 (en) | 2021-02-18 |
DE112019000298T5 (de) | 2020-10-15 |
CN112543852A (zh) | 2021-03-23 |
WO2019143889A8 (en) | 2021-01-14 |
WO2019143889A1 (en) | 2019-07-25 |
US11519628B2 (en) | 2022-12-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11385607B2 (en) | Variable air volume modeling for an hvac system | |
Ren et al. | Data mining of space heating system performance in affordable housing | |
Yoon et al. | Performance based thermal comfort control (PTCC) using deep reinforcement learning for space cooling | |
US10371405B2 (en) | Building power management systems | |
Salimi et al. | Optimizing energy consumption and occupants comfort in open-plan offices using local control based on occupancy dynamic data | |
US11029052B2 (en) | Operation device and method to control an air conditioner based on weather change patterns | |
Ouf et al. | A simulation-based method to investigate occupant-centric controls | |
US10830474B2 (en) | Systems and methods of predicting energy usage | |
CN112543852B (zh) | 用于使用基于聚类的规则挖掘方法来优化结构的能量使用的系统和方法 | |
JP2022536367A (ja) | ゾーングルーピングを用いた可変冷媒流システム | |
US10612808B2 (en) | Operating an HVAC system based on predicted indoor air temperature | |
Poço et al. | Improving the energy efficiency of aging retail buildings: a large department store in Lisbon as case study | |
KR102287293B1 (ko) | 공간 내의 복수의 에어컨을 제어하는 시스템, 방법, 및 컴퓨터-판독가능 매체 | |
US11474869B2 (en) | Central plant control system with subplant rank generator | |
Jain et al. | Occupancy-Driven Stochastic Decision Framework for Ranking Commercial Building Loads | |
Shan et al. | In-situ validation of a fault tolerant control strategy for VAV systems | |
JP5797212B2 (ja) | システムコントローラ、省エネ制御方法及びプログラム | |
Kumar et al. | A method to identify dynamic zones for efficient control of HVAC systems | |
Sala et al. | Occupancy forecasting for the reduction of HVAC energy consumption in smart buildings | |
Saranya et al. | AI buildings: design of artificially intelligent buildings in the energy sector with an autonomous federated learning approach | |
US20240011659A1 (en) | Building system with multi-space air quality and occupancy optimization | |
Yano et al. | Energy-Saving Occupant-Feedback Control Method under Preferred Air-Conditioner Settings of Occupants | |
Yang et al. | Iterative reassignment algorithm: leveraging occupancy based HVAC control for improved energy efficiency | |
Simtinică et al. | An Evaluation of Artificial Intelligence Integrated in Control Strategies in Building Services | |
Yilmaz et al. | ITERATIVE REASSIGNMENT ALGORITHM: LEVERAGING OCCUPANCY BASED HVAC CONTROL FOR IMPROVED ENERGY EFFICIENCY |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |