CN113531784A - Hvac控制细化粒度占用模式估计 - Google Patents
Hvac控制细化粒度占用模式估计 Download PDFInfo
- Publication number
- CN113531784A CN113531784A CN202110405338.5A CN202110405338A CN113531784A CN 113531784 A CN113531784 A CN 113531784A CN 202110405338 A CN202110405338 A CN 202110405338A CN 113531784 A CN113531784 A CN 113531784A
- Authority
- CN
- China
- Prior art keywords
- building
- count
- hvac
- occupancy
- misprediction
- 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
Links
- 238000009826 distribution Methods 0.000 claims abstract description 45
- 238000010438 heat treatment Methods 0.000 claims abstract description 11
- 238000009423 ventilation Methods 0.000 claims abstract description 8
- 238000004378 air conditioning Methods 0.000 claims abstract description 7
- 238000000034 method Methods 0.000 claims description 30
- 238000005265 energy consumption Methods 0.000 claims description 18
- 238000013528 artificial neural network Methods 0.000 claims description 15
- 238000012417 linear regression Methods 0.000 claims description 8
- 230000002123 temporal effect Effects 0.000 claims description 8
- 230000007704 transition Effects 0.000 claims description 7
- 230000000306 recurrent effect Effects 0.000 claims description 5
- 230000004044 response Effects 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 12
- 230000008569 process Effects 0.000 description 12
- 230000003044 adaptive effect Effects 0.000 description 4
- 238000001816 cooling Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000017525 heat dissipation Effects 0.000 description 2
- 238000012886 linear function Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 241000894006 Bacteria Species 0.000 description 1
- 240000004760 Pimpinella anisum Species 0.000 description 1
- 101100522751 Xenorhabdus nematophila (strain ATCC 19061 / DSM 3370 / CCUG 14189 / LMG 1036 / NCIMB 9965 / AN6) pvcA gene Proteins 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000004566 building material Substances 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001010 compromised effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000037323 metabolic rate Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 235000019645 odor Nutrition 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
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
- F24F11/30—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
- F24F11/47—Responding to energy costs
-
- 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
-
- 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
- F24F11/48—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring prior to normal operation, e.g. pre-heating or pre-cooling
-
- 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
- F24F11/50—Control or safety arrangements characterised by user interfaces or communication
- F24F11/56—Remote control
-
- 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
-
- 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
- F24F11/63—Electronic processing
- F24F11/65—Electronic processing for selecting an operating mode
-
- 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
- F24F11/70—Control systems characterised by their outputs; Constructional details thereof
-
- 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
- F24F11/88—Electrical aspects, e.g. circuits
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- 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
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F2120/00—Control inputs relating to users or occupants
- F24F2120/10—Occupancy
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Combustion & Propulsion (AREA)
- Chemical & Material Sciences (AREA)
- Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Fuzzy Systems (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Optimization (AREA)
- Human Computer Interaction (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本公开涉及利用细化粒度占用估计模式来进行有效的加热、通风和空调（HVAC）控制。根据建筑物热模型和从建筑物的温度传感器接收的信息，更新建筑物的多个区域的热状态。使用多个区域中的每个区域的实际占用计数来更新多个区域中的每个区域的即将到来的多个时隙的预测占用者计数。更新多个区域中的每个区域的即将到来的多个时隙的误预测类型分布，该误预测类型分布指示真阴性、假阳性、假阴性和真阳性的误预测。根据预测占用者计数和误预测类型分布，更新总误预测成本预期。确定多个区域中的每个区域的HVAC功率，以优化根据预测占用者计数加权的占用者热舒适性，同时最小化总误预测成本预期。HVAC操作由HVAC功率控制。
Description
关于联邦赞助的研究或开发的声明
本发明是在政府的支持下在由能源部授予的DE-EE0007682和由国家科学基金会授予的CNS-1553273下完成的。政府对这项发明有一定的权利。
技术领域
本公开涉及利用细化粒度占用估计模式来进行有效的加热、通风和空调（HVAC）控制。
背景技术
HVAC是美国能量消耗的主要源头。在2017年，在美国，商业建筑物大约30%的能量消耗用于HVAC。通常，建筑物运营商使用静态调度来控制HVAC系统，而没有更深入地理解一天中不同时间有多少人使用该建筑物。此外，许多HVAC系统通过假设每个房间中的最大占用来操作。这可能导致大量的能量浪费，例如，当房间中仅存在十个人时，HVAC系统为三十个人提供通风。这样的广泛使用的HVAC控制设计错过了执行更准确和高效控制的机会。
发明内容
在一个或多个说明性示例中，一种用于控制建筑物的HVAC操作以使用预测占用者计数并计及误预测成本来最小化能量消耗的方法，包括根据建筑物热模型和从建筑物的温度传感器接收的信息来更新建筑物的多个区域的热状态；使用多个区域中的每个区域的实际占用计数来更新多个区域中的每个区域的即将到来的多个时隙的预测占用者计数；为多个区域中的每个区域更新即将到来的多个时隙的误预测类型分布，该误预测类型分布指示对真阴性、假阳性、假阴性和真阳性的误预测；根据预测占用者计数和误预测类型分布来更新总误预测成本预期；确定所述多个区域中的每个区域的HVAC功率，以优化根据预测占用者计数加权的占用者热舒适性，同时最小化总的误预测成本预期，所述确定被约束于建筑物的热交换配置以及对所述多个区域中的每个区域可用的最小和最大HVAC功率；以及根据为多个区域中的每个区域确定的HVAC功率来控制建筑物的HVAC操作。
在一个或多个说明性示例中，一种用于控制建筑物的HVAC操作以使用预测占用者计数并计及误预测成本来最小化能量消耗的系统，包括HVAC控制器，该HVAC控制器被编程为根据建筑物热模型和从建筑物的温度传感器接收的信息来更新建筑物的多个区域的热状态；使用多个区域中的每个区域的实际占用计数来更新多个区域中的每个区域的即将到来的多个时隙的预测占用者计数；为多个区域中的每个区域更新即将到来的多个时隙的误预测类型分布，该误预测类型分布指示针对真阴性、假阳性、假阴性和真阳性的误预测；根据预测占用者计数和误预测类型分布来更新总误预测成本预期；确定所述多个区域中的每个区域的HVAC功率，以优化根据预测占用者计数加权的占用者热舒适性，同时最小化总的误预测成本预期，所述确定被约束于建筑物的热交换配置以及对所述多个区域中的每个区域可用的最小和最大HVAC功率；以及根据为多个区域中的每个区域确定的HVAC功率来控制建筑物的HVAC操作。
在一个或多个说明性示例中，非暂时性计算机可读介质包括用于控制建筑物的加热、通风和空调（HVAC）操作以使用预测占用者计数并计及误预测成本来最小化能量消耗的指令，所述指令当由HVAC控制器执行时，使得HVAC控制器根据建筑物热模型和从建筑物的温度传感器接收的信息来更新建筑物的多个区域的热状态；使用多个区域中的每个区域的实际占用计数来更新多个区域中的每个区域的即将到来的多个时隙的预测占用者计数；为多个区域中的每个区域更新即将到来的多个时隙的误预测类型分布，该误预测类型分布指示针对真阴性、假阳性、假阴性和真阳性的误预测；根据预测占用者计数和误预测类型分布来更新总误预测成本预期；确定所述多个区域中的每个区域的HVAC功率，以优化根据预测占用者计数加权的占用者热舒适性，同时最小化总的误预测成本预期，所述确定被约束于建筑物的热交换配置以及对所述多个区域中的每个区域可用的最小和最大HVAC功率；以及根据为多个区域中的每个区域确定的HVAC功率来控制建筑物的HVAC操作。
附图说明
图1图示了用于建筑物的示例占用感知HVAC控制系统；
图2图示了占用动态的示例，其作为针对一天展开的时间非均匀马尔可夫链；
图3图示了建议的网络，其组合了时间和上下文特征来预测下N个占用计数；
图4图示了时间非均匀马尔可夫链预测器的性能；
图5图示了线性回归预测器的性能；
图6图示了序贯和上下文神经网络预测器的性能；
图7图示了六个月内每天的平均占用者计数；
图8图示了使用基本真值和神经网络预测的占用者计数的HVAC控制器的性能示例；
图9图示了示例自适应模型预测HVAC控制架构；
图10图示了用于控制建筑物的HVAC操作以使用预测占用者计数并计及误预测成本来最小化能量消耗的示例处理；和
图11图示了用于执行本文详细描述的HVAC操作的各方面的示例计算设备。
具体实施方式
本文描述了本公开的实施例。然而，应当理解，所公开的实施例仅仅是示例，并且其他实施例可以采取各种形式和替代形式。各图不一定是按比例的；一些特征可以被放大或最小化以示出特定组件的细节。因此，本文公开的具体结构和功能细节不应被解释为限制性的，而仅作为教导本领域技术人员以不同方式采用实施例的代表性基础。如本领域普通技术人员应当理解的那样，参考各图中的任何一个来图示和描述的各种特征可以与一个或多个其他图中图示的特征相组合，以产生没有明确图示或描述的实施例。图示特征的组合为典型应用提供了代表性实施例。然而，与本公开的教导一致的特征的各种组合和修改对于特定的应用或实现可以是期望的。
一些建筑物包括粗粒度占用传感器，其提供与建筑物占用模式相关的二元数据（例如，空间是否被占用）。现代商业建筑物中越来越多地部署细化粒度的占用传感器。这些细化粒度的占用传感器实时提供占用信息，而不仅仅是空间是否被占用。该占用计数信息可以有益于建筑物HVAC控制，以提高建筑物能量效率，提供占用者热舒适性，并增强建筑物管理。通过使用细化粒度的占用传感器数据，可以设计预测模型来捕捉占用动态的时空特性。使用这样的预测模型，可以实现用于HVAC控制的模型预测控制算法，从而实现显著的能量节省。
图1图示了用于建筑物102的示例占用感知HVAC控制系统100。如所示，建筑物102包括被配置为感测建筑物102的占用的占用传感器108。占用者计数预测模型112从占用传感器108接收在建筑物中感测到的占用者数量。占用者计数预测模型112基于当前实时和历史感测到的占用者信息输出占用者计数预测，该占用者计数预测指示建筑物102的每个区域中在各个时隙的预测占用者数量。HVAC控制器106被配置为接收包括建筑物中的温度信息的占用者计数预测和建筑物状态，以及维护建筑物热模型110。建筑物热状态经由建筑物监视系统来检测，诸如位于建筑物102的区域中的温度传感器。建筑物热模型110可以基于建筑物102数据（诸如平面图、建筑物材料、HVAC系统部署等）。使用占用者计数预测和建筑物状态，HVAC控制器106向建筑物HVAC 104提供控制输入。建筑物HVAC 104的致动进而影响建筑物状态。因此，占用感知的HVAC控制系统100根据预测占用者计数和实时建筑物热状态自适应地调整建筑物HVAC 104以维持占用者舒适性并节省能量。应当注意，图示的HVAC控制系统100是示例，并且可以使用具有更多、更少或不同地布置的元件的系统。
建筑物102可以是封闭结构，其中气候由占用感知HVAC控制系统100控制。在许多示例中，建筑物102具有墙壁、屋顶、窗户，并且在许多情况下具有多于一层。建筑物102可以包括一个或多个房间以及占用者可以通过其进入和离去的门或其他开口。在一些示例中，建筑物102可以被划分成逻辑区域。每个区域可以包括建筑物102的一个或多个房间或其他区域的子集。在一些系统100中，建筑物102的区域被限定或以其他方式与在单独的HVAC控制下的建筑物102的区域相关。
建筑物HVAC 104是指建筑物102中用于加热、通风和/或冷却建筑物102的区域的加热、通风和空调系统。除了温度和湿度控制之外，建筑物HVAC 104还可以用于改进建筑物102内部的环境条件的质量，诸如移除烟雾、气味、灰尘、空气传播的细菌、二氧化碳，以及执行氧气补充。
HVAC控制器106包括被配置为引导建筑物HVAC 104控制建筑物102的环境的一个或多个设备。HVAC控制器106可以包括一个或多个处理器，所述处理器被配置为执行支持本文描述的处理的指令、命令和其他例程。这样的指令和其他数据可以使用多种类型的计算机可读存储介质以非易失性方式维护。数据可以从存储介质加载到处理器要访问的存储器中。计算机可读存储介质（也称为处理器可读介质或存储装置）包括任何非暂时性介质（例如，有形介质），其参与提供可以由远程信息处理控制器的处理器读取的指令或其他数据。计算机可执行指令可以从使用多种编程语言和/或技术创建的计算机程序编译或解释，所述多种编程语言和/或技术在没有限制的情况下并且单一或组合地包括Java、C、C++、C#、Objective C、Fortran、Pascal、Java Script、Python、Perl和PL/SQL。
占用传感器108可以包括被配置为检测建筑物102的房间中占用者的存在或不存在的各种类型的设备。作为一些示例，占用传感器108可以包括超声波传感器、无源红外（PIR）传感器或红绿蓝（RGB）相机中的一个或多个。作为运动传感器的一个具体示例，可以使用深度传感器（例如，诸如微软XBOX的KINECT传感器），例如安装在门口附近的天花板上，以估计占用。深度传感器可以与占用估计器算法（例如，使用Kinect（FORK）的细化粒度占用估计器）组合使用。在这样的示例中，来自放置在每个门口的占用传感器108的实时深度帧被提供给算法，允许算法响应于占用者通过门口进入或离去来估计和更新房间（或区域）的占用计数。
建筑物热模型110可以是描述建筑物102热状态如何改变的动态模型。这些改变可以基于诸如HVAC功率和占用者数量之类的因素。下面的方程中示出了一个示例模型：
其中：
A、B u 、B d 和C是由建筑物配置指定的固定参数矩阵。
要注意的是，这些固定参数不仅描述了一个区域i的状态如何受到该区域的状态、动作和干扰影响，而且还考虑了区域之间的热交换。例如，
可以由
、
和
的线性模型确定，其中参数是矩阵A、B u 和B d 的第i行。
的一些元素表示由于占用者散热所致的热负荷，而其他元素描述与周围环境的热交换。假设每个占用者散发相同的热量，并且室内人体热量散发公式为
，其中
是占用者在一个时隙内散发的热量，并且
是时隙k的在i区域中的实际占用者数量。对于不直接与环境进行热交换的区域，B d 中的对应元素可以设置为零。
占用者计数预测模型112是被配置为从占用传感器108接收占用者数量信息，并预测下N个时隙的区域i中的未来占用者计数的模型。在示例中，占用者计数是强制函数，其不取决于除时间之外的任何状态变量。占用者的影响在动态中表现为建筑物热状态的内部热增益。通过使用占用者计数预测模型112来准确预测一个时间范围内的占用者数量，HVAC控制器106可以做出明智的决策来抵消这种干扰并稳定化建筑物102的热状况。如本文所述，统计模型可以在现实世界数据上训练，该现实世界数据可以用来预测占用改变，使得在当前时隙t结束时，并且利用先前的占用计数，模型112可以预测下N个时隙的区域i中的未来占用计数。这在本文标示为
。
图2图示了占用动态的示例，其作为针对一天展开的时间非均匀马尔可夫链。对于基线，占用动态可以利用时间非均匀马尔可夫链来建模，其中状态表示占用者计数，并且状态之间的转移指代在时间上的占用改变。给定占用的性质，马尔可夫链自然是时间不均匀的：下一个状态的概率分布取决于当前状态和当前时间。因此，在时隙t，给定当前计数m 1 ，下一个时隙的未来占用者计数为m 2 的概率为：
在示例中，可以使用30分钟的固定时隙持续时间和从0到50（最大计数）范围内的占用者计数，使得时间不均匀的马尔可夫链可以在时间上展开，如图2中所示，其中一整天的占用状态被表示为48个状态的链。这里，假设状态动态每天没有不同。因此，链的结构可以在48个状态之后重复自身。
使用历史占用数据来估计转移概率，可以通过对N步之后的未来计数的预期进行如下N步预测：
一些状态可能在训练数据中一次也没有出现，而是在训练之后出现。在该情况下，可以利用最接近的状态转移。
马尔可夫链要求占用动态服从如马尔可夫性质这样的假设，其在实践中可能不成立。因此，可以进一步实现线性回归模型来进行预测，诸如如下：
在t + 1的预测占用可以再次馈入回归函数，以预测在t + 2处的占用。在展开N步之后，可以预测N个未来的占用者计数。在该模型中，存在T系数
和偏差项作为针对其待训练的参数。
图3图示了建议的网络，该网络组合了时间和上下文特征来预测下N个占用计数。由于占用动态本质上是非线性的，因此随着可以被收集的数据周期延长，可以使用具有更高代表性能力的统计模型，同时很好地概括而没有过度拟合。
在具有神经网络的情况下，预测可以变成回归问题。神经网络的循环（recurrent）部分是函数，其以T个先前时隙中的占用者计数作为输入，并连接到最后的N个神经元——其表示下N个时隙的未来占用计数的值。该循环函数如图3中的矩形框所示，它由每个具有32个单元（即，神经元）的两个隐藏层和整流线性单元（ReLU）激活组成。（应当注意，该神经网络配置仅是示例，并且可以使用利用不同数量的神经元和/或不同数量的层的神经网络。除了序贯占用者计数，还可以利用其他上下文信息，诸如预测中的一天中的时间和一周中的天。因此，全连接层可以将分类特征
变换成一个热编码（例如，一天中的时间特征被离散化成按小时的24列），并再次连接到最终的N个单元。所以，图3中的金字塔状架构说明了可以如何将时间和上下文信息组合，以在顶层做出最终的占用预测。该架构是灵活的，以并入可以在建筑物102空间的不同应用和使用中可用的更明确的特征。
占用感知模型预测HVAC控制器106具有两个目标：最小化HVAC能量消耗和优化占用者热舒适性。在时隙t的开始处，模型预测HVAC控制器106考虑未来N个时隙的HVAC控制，并计算该范围内的HVAC功率序列，以优化这两个目标。
关于第一个目标，占用感知HVAC控制器106可以基于占用预测来减少能量浪费，尤其是当在工作时间期间正确预测了零占用——例如占用者早上迟到或晚上早退——时。在时隙k期间，一个区域i的HVAC功率可以被约束如下：
其中
和
分别表示建筑物HVAC 104的冷却和加热能力。如果
为正，则指示HVAC系统正在加热该区域；否则，建筑物HVAC 104正在冷却该区域。
指代来自建筑物HVAC 104的作用于该区域的热通量的量。因为较大的
值将暗示着更多的HVAC能量消耗，所以
的L1范数被用作能量消耗的代理。总功率消耗可以表示为
。
关于第二个目标，占用感知的HVAC控制器106可以优化占用者的热舒适性。预测平均投票（PMV）是一种常见的舒适性测量方法，其在ISO 7730中被标准化。PMV模型使用如下函数估计平均占用者舒适性水平：
其中
M是占用者的代谢率；
T a 为气温；
T r 为平均辐射温度（设置等于T a ）；
v是相对空气速度；
P a 为相对湿度；和
I cl 是占用者的服装隔热因子。
PMV的范围在本文可以定义为在-3（表示冷）和3（表示热）之间，其中0是中性的。但是，这是任意的，并且可以使用其他量表。为了简化描述，令
来描述时隙k中区域i的个体占用者舒适性。
为了使HVAC高效工作，考虑了加权的占用者舒适性，这意味着：（i）如果建筑物102的区域被占用，则确保占用者的热舒适性，并且（ii）在该区域中存在的占用者越多，室内环境就变得越舒适。因此，提供群组占用者舒适性的目标可以公式化为
。
存在这两个目标之间的权衡。例如，如果外部天气寒冷，例如，低于0℃，则为了使占用者舒适，HVAC应该加热区域。然而，这将引发高能量成本。因此，使用一个权重
来总计和平衡两个目标，并且模型预测HVAC控制器106的问题因此被公式化为如下方程（1）：
其中
约束每个区域i的HVAC功率。令
标示以上方程，其中实际占用者计数
。然而，在时隙t的开始处，对于控制器106来说，实际占用者计数
是未知的。因此，预测占用者计数被用作控制器106的输入参数以确定HVAC功率，并且模型预测HVAC控制问题被标示为
，其中
。在示例中，可以使用三个预测器：时间非均匀马尔可夫链、线性回归以及序贯和上下文神经网络，以基于历史收集的数据和时隙t开始时的实时占用信息来预测
。由于目标和约束是凸函数，所以它们可以通过现有的求解器来求解，诸如OpenBuild中使用的Gurobi。
基于先前的描述，预测HVAC控制器106使用占用感知模型预测器112基于未来时隙的预测占用计数来确定建筑物102的每个区域i的功率。然而，由于占用模式的不确定性，该性能可能受到预测准确度影响。
为了分析该性能，可以定义误预测和对占用者计数的误预测。误预测指代预测器错误预测未来时隙的占用或未占用状态，并且对占用者计数的误预测指代预测器不正确地估计未来时隙的一个区域中的占用者数量。因此，可以存在两种度量标准：误预测类型分布和预测误差来度量一个预测器的性能。误预测可以被分类为假阳性、假阴性、真阳性和真阴性四类中的一个，其在表1中示出。
如果占用的真值和预测值这二者均是占用，则误预测类型被标记为真阳性。如果占用的真值和预测值这二者均为未占用，则误预测类型被标记为真阴性。如果预测器将占用错误预测为未占用或者将未占用错误预测为占用，则误预测被分别记为假阴性或假阳性。预测误差可以用于测量对占用者计数的误预测，并且等于预测的占用者数量与基本真值之间的差的绝对值。
图4图示了时间非均匀马尔可夫链预测器的性能。图5图示了线性回归预测器的性能。图6图示了序贯和上下文神经网络预测器的性能。因为正确预测占用状态不影响控制性能，所以真阳性和真阴性组合为真。可以观察到，每个预测器具有相对大于一天中间的占用指数的概率不正确地预测一天开始和结束时的占用指数。同时，在一天的工作时间内，预测的占用指数总是真的，而预测器误差在一天的开始和结束时很小，并且在工作时间期间很大。
图7图示了六个月内一天的平均占用者计数。如可以看出的，在大的误预测概率时段期间，该区域中存在很少的占用者，这是预测器与高占用者密度时段期间的概率相比以更高的概率错误预测占用者状态的可能原因。图7的示例数据中随月份的占用模式变化可以根据人员配备方面的季节性变化来解释。
基于三个预测器的预测准确度，可以标识具有三个预测器中的任何一个的占用感知HVAC控制器106的性能。为了测量性能，可以将测量度量定义为能量效率乘以有效PMV改进，以测量能量效率和提供多少占用者舒适性的组合。为了计算时隙k的能量效率和有效的PMV改进：（i）基于时隙k中的占用者计数的实际检测、
和初始建筑物状态
，求解方程（1）的一个时隙版本，以确定最优HVAC功率
和舒适值
；和（ii）如下计算能量效率和有效PMV改进：
其中F是PMV的极值（例如，针对冷是-3，并且针对热是3）。使用测量度量，如果HVAC在区域未占用时消耗能量，则其高效能量消耗比率为0，因为最优能量消耗为0，并且如果存在占用者，则控制性能由关于使用真实占用者计数的模型预测HVAC控制的PMV改进和能量效率确定。
图8图示了使用基本真值和神经网络预测的占用者计数的HVAC控制器106的性能的示例。如所示的，该示例持续了四天的时段。神经网络可以是如上提及的序贯和上下文神经网络。
如上所述，HVAC控制存在两个目标，最小化能量消耗和最大化群组占用者舒适性，并且存在这两个目标之间的权衡。如果在一个时隙内没有占用者，则HVAC控制器106应当以最小化能量消耗为目标，并且考虑最小化时隙内有占用者时的能量消耗和群组占用者舒适性的一个加权和。然而，由于误预测，HVAC控制器106使用预测占用者计数以不正确的目标优化HVAC控制。因此，为了处置误预测，尤其是随机假阳性/阴性的情况，HVAC控制器106应该确定HVAC功率，该HVAC功率对于误预测是鲁棒的，并且引入最小的误预测成本。
图9图示了示例自适应模型预测HVAC控制架构。为了使HVAC控制器106的控制决策对随机误预测更鲁棒，HVAC控制器106可以采用这样的架构来适配不同时隙中的误预测类型分布和对应的误预测成本。
控制示图示出为闭合控制回路。如所示的，HVAC控制器106确定HVAC功率，这进一步改变操纵气流的温度和建筑物热状态。占用传感器108感测占用者事件并计算实际占用者计数，该实际占用者计数被预测器112用来预测未来的占用者数量。建筑物102的环境传感器检测并输出实时建筑物热状态。来自建筑物102的占用者计数预测器112和环境传感器的该信息作为反馈被转发给HVAC控制器106，以提高控制效率。特别地，对于一个即将到来的时隙，HVAC控制器106通过采样历史预测和真实的占用者计数信息来生成误预测类型分布。基于给定时隙的误预测类型分布和预测占用者计数信息，HVAC控制器106通过最小化误预测成本预期来确定HVAC功率。
关于误预测分类和分布，误预测类型分布可以基于实时收集的预测和实际占用者计数数据在一天的不同时隙中更新。对于即将到来的N个时隙，历史预测和真实占用状态数据在一天的同一时间被采样，并且不同类型的误预测的频率被计数。让
、
、
和
分别是时隙k的区域i中存在误预测类型真阴性、假阳性、假阴性和真阳性的概率。这四种类型的误预测的分布可以被转发到误预测成本优化部分。
值得注意的是，当由于两个目标之间的不正确权重而存在大概率的假阳性/假阴性误预测时，计算
的HVAC控制器106可能对误预测敏感。因此，误预测成本优化部分旨在对于给定的预测状态基于正确或不正确地预测占用状态的概率来确定HVAC功率，以最小化误预测成本预期。
忆及具有在时隙k中区域i的真实占用者计数
的模型预测HVAC控制目标被定义为：
显著地，在时隙k的开始处，计算仅具有未来N个时隙和n个区域的预测占用者计数。
令
和
是当使用
求解区域i和时隙k的方程（1）时的能量消耗和PMV。这里，具有
和
的控制目标值定义为
那么误预测成本可以被定义为
。
区域i和区域k的误预测成本预期可定义为：
根据预测的占用状态信息，可以定义这些不同的误预测成本预期的数学方程。
、
、
和
可以参考对应的不同类型的误预测（分别为假阳性、假阴性、真阳性和真阴性）的误预测成本。这些可以如本文所述进行计算。
如表1中所示，对于真阴性和假阳性误预测这二者，该区域中不存在占用者，因此误预测成本应当为浪费的能量，其可以表示为：
对于真阳性预测，由控制决策
确定的目标值是
，其中预测值
用作实际值，因为预测器作出真阳性预测。如果占用状态被正确地预测为占用，则在时隙k期间，区域i中的最优HVAC功率也受到其他
个决策变量影响。因此，在真阳性预测的情况下，区域i和时隙k的最优目标值可以定义为具有
个可能情况的预期最优目标值。对于情况
，令
为该情况存在的概率。给定具有某些正确或不正确预测信息的情况，可以确定问题公式，并且可以计算最优目标值，其利用
标示。这导致
=真阳性），其中
是示出误预测类型的一个指标函数。误预测成本可以定义为：
在上面的函数中，对于n个区域和N个时隙的给定的预测和误预测分布，
是一个预先计算的常数值，并且
也是与
相关的一个线性函数。因此，
是
的一个线性函数。
对于假阴性预测，
，其中使用
，因为预测器推断状态为未占用。标示为
的时隙k和区域i的最优目标值也是一个预期最优目标值。该方程可定义为：
该方程（5）也是与HVAC功率
相关的线性方程，
。
在N个时隙和n个区域之上，总的误预测成本预期可以最小化，定义为
。根据方程（2），
与
和
或
和
成线性关系。基于先前对这四个变量的定义，它们与控制决策变量
成线性关系。因此，目标函数与HVAC功率
成线性关系。因此，确定HVAC功率以最小化总误预测成本的问题可以如下被公式化：
由于总误预测成本最小化问题的目标函数与决策变量成线性关系，并且由于所有约束也是线性的，因此方程（6）是凸的，并且可以使用凸优化器来求解。
算法1中示出了自适应模型预测HVAC控制器106算法的伪代码。在每个时隙t的开始处，建筑物热状态被更新，并且针对n个区域中的未来N个时隙预测占用者计数。然后，误预测分类和分布部分更新N个时隙和n个区域的不同类型的误预测的概率。根据预测占用者计数和误预测类型分布，更新最小化总误预测成本预期的目标。方程（6）然后可以被求解以确定最优HVAC功率，该最优HVAC功率对于随机误预测是鲁棒的。
基于使用HVAC控制器106的预测器和控制的经验性能分析，在具有小的误预测概率的时隙期间，与使用真实的占用者计数相比，占用感知控制示出非常接近的性能。然而，对于具有大的误预测概率的时隙，由于小的真实占用者数量，因此难以以高准确度估计占用状态。这里，基于概率的自适应HVAC控制器106方法实质上提供了概率性保证，即如果所有误预测类型数据中的百分之ϵ遵循采样的误预测类型分布，则我们的解决方案可以最小化百分之ϵ的未来时隙的总误预测成本。根据大数定律，利用长期占用数据，百分之ϵ的时隙误预测接近真实分布。因此，该方法可以随着时间推移最小化误预测成本预期。
图10图示了用于控制建筑物102的HVAC操作的示例处理1000，以使用预测占用者计数并计及误预测成本来最小化能量消耗。在示例中，处理1000可以由HVAC控制器106的操作来执行，如本文中详细讨论的。
在操作1002处，HVAC控制器106根据建筑物热模型110和从建筑物102的温度传感器接收的信息更新建筑物102的多个区域的热状态。在示例中，建筑物热模型110是描述建筑物热状态如何基于多个时隙期间的建筑物内部和建筑物外部温度干扰以及建筑物102的多个区域的热交换配置而改变的动态模型。
在操作1004处，HVAC控制器106使用多个区域中的每个区域的实际占用计数来更新所述多个区域中的每个区域的即将到来的多个时隙的预测占用者计数。在示例中，HVAC控制器106可以使用建筑物的每个门口附近的占用传感器108来确定当前占用计数，使得来自占用传感器108的实时深度帧被提供给响应于通过门口进入或离去的占用者的针对区域的估计占用计数。可以使用预测器112对预测占用者计数进行建模，该预测器112包括如下各项中的一个或多个：时间非均匀马尔可夫链，其中每个状态表示占用者计数，状态之间的转变指代时间上的占用改变，并且下一个状态的概率分布取决于当前状态和当前时间；线性回归模型，使用回归函数从当前占用计数预测下一个占用计数；或者组合时间和上下文特征的循环神经网络，用来根据当前占用计数预测下一个占用计数。
在操作1006处，HVAC控制器106为多个区域中的每个区域更新即将到来的多个时隙的误预测类型分布，该误预测类型分布指示真阴性、假阳性、假阴性和真阳性的误预测。例如，可以基于预测占用者计数和如随后测量的多个时隙的实际占用计数，为多个区域中的每个区域更新多个时隙的误预测类型分布。
在操作1008处，HVAC控制器106根据预测占用者计数和误预测类型分布来更新总误预测成本预期。在示例中，使用与真阴性、假阳性、假阴性和真阳性中的每一个的HVAC功率相关的一组线性方程，为多个区域中的每个区域的多个时隙更新误预测成本预期。
在操作1010处，HVAC控制器106确定多个区域中的每个区域的HVAC功率，以优化根据预测占用者计数加权的占用者热舒适性，同时最小化总误预测成本预期。该确定可能受约束于诸如建筑物102的热交换配置以及对多个区域中的每个区域可用的最小和最大HVAC功率之类的因素。
在操作1012处，HVAC控制器106根据为多个区域中的每个区域确定的HVAC功率来控制建筑物102的HVAC操作。在操作1012之后，处理1000结束。然而，应当注意，处理1000是迭代的，并且处理1000的一些或所有描述的操作可以同时执行，和/或可以以逐循环迭代的方式重复，以控制HVAC系统随时间的操作。
因此，从占用传感器108接收的实时占用者计数和使用预测模型112确定的建筑物102的每个区域中的预测未来占用者计数对于提供高效的HVAC控制是有用的。在一方面，准确的二元占用状态，例如无论是否被占用，通知HVAC控制器106确定何时开启或关闭建筑物HVAC 104。在另一方面，由于占用者自身的热量排放，HVAC控制器106可以利用占用者计数来节省能量并相应地执行精确的加热和冷却。在该框架中，占用传感器108可以收集建筑物102的不同区域的实时占用者计数，其中该数据集可以用于设计预测模型112并创建预测HVAC控制器106。
对于基于模型预测控制（MPC）的HVAC控制器106，解决了一个基于MPC的优化问题，以确定未来时隙的HVAC功率。MPC控制器106将时间线离散成多个时隙，并在时隙t的开始处考虑未来N个时隙的功率控制。一个时隙可以用k来索引，（
）。为了建模，可以假设在一个建筑物102中存在n个区域，并且
指代长度为n的列向量来描述控制输入，例如，在n个区域的时隙k期间的加热/冷却功率。
图11图示了用于执行本文详细描述的HVAC操作的各方面的示例计算设备1100。系统100的组件（诸如HVAC控制器106）的算法和/或方法可以使用这样的计算设备1100来实现。计算设备1100可以包括存储器1102、处理器1104和非易失性存储装置1106。处理器1104可以包括从高性能计算（HPC）系统选择的一个或多个设备，高性能计算系统（HPC）包括高性能核心、微处理器、微控制器、数字信号处理器、微型计算机、中央处理单元、现场可编程门阵列、可编程逻辑设备、状态机、逻辑电路、模拟电路、数字电路或基于驻留在存储器1102中的计算机可执行指令来操纵（模拟或数字）信号的任何其他设备。存储器1102可以包括单个存储器设备或多个存储器设备，包括但不限于随机存取存储器（RAM）、易失性存储器、非易失性存储器、静态随机存取存储器（SRAM）、动态随机存取存储器（DRAM）、闪速存储器、高速缓冲存储器或能够存储信息的任何其他设备。非易失性存储装置1106可以包括一个或多个持久性数据存储设备，诸如硬盘驱动器、光驱、磁带驱动器、非易失性固态设备、云存储或能够持久存储信息的任何其他设备。
处理器1104可以被配置为读入存储器1102，并执行驻留在非易失性存储装置1106的程序指令1108中并体现一个或多个实施例的算法和/或方法的计算机可执行指令。程序指令1108可以包括操作系统和应用。程序指令1108可以从使用多种编程语言和/或技术创建的计算机程序编译或解释，所述多种编程语言和/或技术在没有限制的情况下并且单一或组合地包括Java、C、C++、C#、Objective C、Fortran、Pascal、Java Script、Python、Perl和PL/SQL。
在由处理器1104执行时，程序指令1108的计算机可执行指令可以使得计算设备1100实现本文公开的一个或多个算法和/或方法。非易失性存储装置1106还可以包括支持本文描述的一个或多个实施例的功能、特征和处理的数据1110。
本文公开的处理、方法或算法可以是可递送到处理设备、控制器或计算机/由处理设备、控制器或计算机实现的，处理设备、控制器或计算机可以包括任何现有的可编程电子控制单元或专用电子控制单元。类似地，处理、方法或算法可以以多种形式存储为可由控制器或计算机执行的数据和指令，包括但不限于永久存储在诸如ROM设备的不可写存储介质上的信息和可变更地存储在诸如软盘、磁带、CD、RAM设备以及其他磁性和光学介质的可写存储介质上的信息。处理、方法或算法也可以在软件可执行对象中实现。可替代地，可以使用合适的硬件组件、诸如专用集成电路（ASIC）、现场可编程门阵列（FPGA）、状态机、控制器或其他硬件组件或设备，或者硬件、软件和固件组件的组合，来整体或部分地体现处理、方法或算法。
虽然上面描述了示例性实施例，但是不旨在使这些实施例描述权利要求所包含的所有可能的形式。说明书中使用的词语是描述性的词语，而不是限制性的词语，并且应当理解，在不脱离本公开的精神和范围的情况下，可以进行各种改变。如先前所述，各种实施例的特征可以被组合以形成可能没有被明确描述或图示的本发明的进一步的实施例。虽然各种实施例可能已经被描述为在一个或多个期望的特性方面相对于其他实施例或现有技术实现提供了优点或是优选的，但是本领域的普通技术人员认识到，一个或多个特征或特性可以被折衷以实现期望的总体系统属性，这取决于具体的应用和实现。这些属性可以包括但不限于成本、强度、耐用性、生命周期成本、适销性、外观、包装、大小、适用性、重量、可制造性、组装容易性等。照此，就一个或多个特性而言，到任何实施例都被描述为不如其他实施例或现有技术实现合期望的程度上，这些实施例不在本公开的范围之外，并且对于特定应用是合期望的。
Claims (18)
1.一种用于控制建筑物的加热、通风和空气调节（HVAC）操作以使用预测占用者计数并计及误预测成本来最小化能量消耗的方法，所述方法包括：
根据建筑物热模型和从建筑物的温度传感器接收的信息来更新建筑物的多个区域的热状态；
使用多个区域中的每个区域的实际占用计数来更新所述多个区域中的每个区域的即将到来的多个时隙的预测占用者计数；
为所述多个区域中的每个区域更新所述即将到来的多个时隙的误预测类型分布，所述误预测类型分布指示真阴性、假阳性、假阴性和真阳性的误预测；
根据预测占用者计数和误预测类型分布来更新总误预测成本预期；
确定所述多个区域中的每个区域的HVAC功率，以优化根据预测占用者计数加权的占用者热舒适性，同时最小化总误预测成本预期，所述确定被约束于建筑物的热交换配置以及对所述多个区域中的每个区域可用的最小和最大HVAC功率；和
根据为所述多个区域中的每个区域确定的HVAC功率来控制建筑物的HVAC操作。
2.根据权利要求1所述的方法，其中，所述建筑物热模型是动态模型，其基于在所述多个时隙期间的建筑物内部和建筑物外部温度干扰以及所述建筑物的多个区域的热交换配置来描述所述建筑物热状态如何改变。
3.根据权利要求1所述的方法，进一步包括使用建筑物的每个门口附近的占用传感器来确定实际占用计数，使得来自占用传感器的实时深度帧被提供给响应于占用者通过门口进入或离去的针对区域的估计占用计数。
4.根据权利要求1所述的方法，进一步包括使用以下各项中的一个或多个对预测占用者计数进行建模：
时间非均匀马尔可夫链，其中每个状态表示占用者计数，状态之间的转变指代时间上的占用改变，并且下一个状态的概率分布取决于当前状态和当前时间；
线性回归模型，使用回归函数从当前占用计数预测下一个占用计数；或者
循环神经网络，组合时间和上下文特征以从当前占用计数预测下一个占用计数。
5.根据权利要求1所述的方法，进一步包括基于预测占用者计数和如随后测量的所述多个时隙的实际占用计数，更新所述多个区域中的每个区域的所述多个时隙的误预测类型分布。
6.根据权利要求1所述的方法，进一步包括使用与真阴性、假阳性、假阴性和真阳性中的每一个的HVAC功率相关的线性方程组来更新所述多个区域中的每个区域的多个时隙的误预测成本预期。
7.一种用于控制建筑物的加热、通风和空气调节（HVAC）操作以使用预测占用者计数并计及误预测成本来最小化能量消耗的系统，所述系统包括：
HVAC控制器，所述HVAC控制器被编程为：
根据建筑物热模型和从建筑物的温度传感器接收的信息来更新建筑物的多个区域的热状态；
使用所述多个区域中的每个区域的实际占用计数来更新所述多个区域中的每个区域的即将到来的多个时隙的预测占用者计数；
为所述多个区域中的每个区域更新即将到来的多个时隙的误预测类型分布，所述误预测类型分布指示真阴性、假阳性、假阴性和真阳性的误预测；
根据预测占用者计数和误预测类型分布来更新总误预测成本预期；
确定所述多个区域中的每个区域的HVAC功率，以优化根据预测占用者计数加权的占用者热舒适性，同时最小化总误预测成本预期，所述确定被约束于建筑物的热交换配置以及对所述多个区域中的每个区域可用的最小和最大HVAC功率；和
根据为所述多个区域中的每个区域确定的HVAC功率来控制建筑物的HVAC操作。
8.根据权利要求7所述的系统，其中，所述建筑物热模型是动态模型，其基于在所述多个时隙期间的建筑物内部和建筑物外部温度干扰以及所述建筑物的多个区域的热交换配置来描述所述建筑物热状态如何改变。
9.根据权利要求7所述的系统，其中，所述HVAC控制器进一步被编程为使用建筑物的每个门口附近的占用传感器来确定实际占用计数，使得来自占用传感器的实时深度帧被提供给响应于占用者通过门口进入或离去的针对区域的估计占用计数。
10.根据权利要求7所述的系统，其中，所述HVAC控制器进一步被编程为使用以下各项中的一个或多个来对预测占用者计数进行建模：
时间非均匀马尔可夫链，其中每个状态表示占用者计数，状态之间的转变指代时间上的占用改变，并且下一个状态的概率分布取决于当前状态和当前时间；
线性回归模型，使用回归函数从当前占用计数预测下一个占用计数；或者
循环神经网络，组合时间和上下文特征以从当前占用计数预测下一个占用计数。
11.根据权利要求7所述的系统，其中，所述HVAC控制器进一步被编程为基于预测占用者计数和如随后测量的所述多个时隙的实际占用计数，更新所述多个区域中的每个区域的所述多个时隙的误预测类型分布。
12.根据权利要求7所述的系统，其中，所述HVAC控制器进一步被编程为使用与真阴性、假阳性、假阴性和真阳性中的每一个的HVAC功率相关的线性方程组来更新所述多个区域中的每个区域的多个时隙的误预测成本预期。
13.一种非暂时性计算机可读介质，包括指令，所述指令用于控制建筑物的加热、通风和空气调节（HVAC）操作，以使用预测占用者计数并计及误预测成本来最小化能量消耗，所述指令当由HVAC控制器执行时，使得HVAC控制器：
根据建筑物热模型和从建筑物的温度传感器接收的信息来更新建筑物的多个区域的热状态；
使用多个区域中的每个区域的实际占用计数来更新多个区域中的每个区域的即将到来的多个时隙的预测占用者计数；
为多个区域中的每个区域更新即将到来的多个时隙的误预测类型分布，所述误预测类型分布指示真阴性、假阳性、假阴性和真阳性的误预测；
根据预测占用者计数和误预测类型分布来更新总误预测成本预期；
确定所述多个区域中的每个区域的HVAC功率，以优化根据预测占用者计数加权的占用者热舒适性，同时最小化总误预测成本预期，所述确定被约束于建筑物的热交换配置以及对所述多个区域中的每个区域可用的最小和最大HVAC功率；和
根据为多个区域中的每个区域确定的HVAC功率来控制建筑物的HVAC操作。
14.根据权利要求13所述的介质，其中，所述建筑物热模型是动态模型，其基于在所述多个时隙期间的建筑物内部和建筑物外部温度干扰以及所述建筑物的多个区域的热交换配置来描述所述建筑物热状态如何改变。
15.根据权利要求13所述的介质，进一步包括指令，所述指令当由所述HVAC控制器执行时，使得所述HVAC控制器使用建筑物的每个门口附近的占用传感器来确定实际占用计数，使得来自占用传感器的实时深度帧被提供给响应于占用者通过门口进入或离去的针对区域的估计占用计数。
16.根据权利要求13所述的介质，进一步包括指令，所述指令当由所述HVAC控制器执行时，使得所述HVAC控制器使用以下各项中的一个或多个来对预测占用者计数进行建模：
时间非均匀马尔可夫链，其中每个状态表示占用者计数，状态之间的转变指代时间上的占用改变，并且下一个状态的概率分布取决于当前状态和当前时间；
线性回归模型，使用回归函数从当前占用计数预测下一个占用计数；或者
循环神经网络，组合时间和上下文特征以从当前占用计数预测下一个占用计数。
17.根据权利要求13所述的介质，进一步包括指令，所述指令当由所述HVAC控制器执行时，使得所述HVAC控制器基于预测占用者计数和如随后测量的所述多个时间间隙的实际占用计数来为所述多个区域中的每个区域更新所述多个时间间隙的误预测类型分布。
18.根据权利要求13所述的介质，进一步包括指令，所述指令当由所述HVAC控制器执行时，使得所述HVAC控制器使用与真阴性、假阳性、假阴性和真阳性中的每一个的HVAC功率相关的线性方程组来更新所述多个区域中的每个区域的多个时隙的误预测成本预期。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US16/850860 | 2020-04-16 | ||
| US16/850,860 US11719458B2 (en) | 2020-04-16 | 2020-04-16 | HVAC control fine-grained occupancy pattern estimation |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113531784A true CN113531784A (zh) | 2021-10-22 |
Family
ID=77919601
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110405338.5A Pending CN113531784A (zh) | 2020-04-16 | 2021-04-15 | Hvac控制细化粒度占用模式估计 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US11719458B2 (zh) |
| CN (1) | CN113531784A (zh) |
| DE (1) | DE102021109123A1 (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220373209A1 (en) * | 2021-05-21 | 2022-11-24 | Komfort Iq Inc. | System and method for climate control |
| US11859856B1 (en) | 2019-01-04 | 2024-01-02 | Renu, Inc. | HVAC system with single piece body |
| US11859845B1 (en) | 2019-01-04 | 2024-01-02 | Renu, Inc. | Networked HVAC system having local and networked control |
| US11692750B1 (en) | 2020-09-15 | 2023-07-04 | Renu, Inc. | Electronic expansion valve and superheat control in an HVAC system |
| US11353230B1 (en) * | 2020-12-31 | 2022-06-07 | Lennox Industries Inc. | Occupancy tracking using wireless signal distortion |
| US20220260271A1 (en) * | 2021-02-12 | 2022-08-18 | Honeywell International Inc. | Asset behavior modeling |
| WO2024068055A1 (en) | 2022-09-30 | 2024-04-04 | NEC Laboratories Europe GmbH | A computer-implemented method for controlling an operation of one or more functional devices in a defined surrounding and a corresponding system |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100262298A1 (en) * | 2009-03-27 | 2010-10-14 | Siemens Energy & Automation, Inc. | System and Method for Climate Control Set-Point Optimization Based On Individual Comfort |
| CN104303125A (zh) * | 2012-01-23 | 2015-01-21 | 地球网络股份有限公司 | 优化和控制建筑的能耗 |
| CN105910225A (zh) * | 2016-04-18 | 2016-08-31 | 浙江大学 | 一种基于人员信息检测的空调负荷控制系统及方法 |
| CN107430388A (zh) * | 2015-02-27 | 2017-12-01 | 能源技术研究所有限责任公司 | 用于控制建筑物内的环境管理系统的方法和装置 |
| CN108604102A (zh) * | 2016-01-04 | 2018-09-28 | 江森自控科技公司 | 具有占用者跟踪特征的多功能恒温器 |
| CN110186170A (zh) * | 2019-06-20 | 2019-08-30 | 北京石油化工学院 | 热舒适度指标pmv控制方法及设备 |
| CN110275442A (zh) * | 2018-03-16 | 2019-09-24 | 台达控制公司 | 建筑物自动化系统和方法 |
| CN110320885A (zh) * | 2018-03-29 | 2019-10-11 | 江森自控科技公司 | 用于自适应地调节建筑物中故障检测的阈值的系统和方法 |
| US20190360711A1 (en) * | 2018-05-22 | 2019-11-28 | Seokyoung Systems | Method and device for controlling power supply to heating, ventilating, and air-conditioning (hvac) system for building based on target temperature |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8457796B2 (en) * | 2009-03-11 | 2013-06-04 | Deepinder Singh Thind | Predictive conditioning in occupancy zones |
| CN110945967B (zh) * | 2017-08-22 | 2023-08-18 | 昕诺飞控股有限公司 | 用于确定自动照明操作的占用的设备、系统和方法 |
-
2020
- 2020-04-16 US US16/850,860 patent/US11719458B2/en active Active
-
2021
- 2021-04-13 DE DE102021109123.3A patent/DE102021109123A1/de active Pending
- 2021-04-15 CN CN202110405338.5A patent/CN113531784A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100262298A1 (en) * | 2009-03-27 | 2010-10-14 | Siemens Energy & Automation, Inc. | System and Method for Climate Control Set-Point Optimization Based On Individual Comfort |
| CN104303125A (zh) * | 2012-01-23 | 2015-01-21 | 地球网络股份有限公司 | 优化和控制建筑的能耗 |
| CN107430388A (zh) * | 2015-02-27 | 2017-12-01 | 能源技术研究所有限责任公司 | 用于控制建筑物内的环境管理系统的方法和装置 |
| CN108604102A (zh) * | 2016-01-04 | 2018-09-28 | 江森自控科技公司 | 具有占用者跟踪特征的多功能恒温器 |
| CN105910225A (zh) * | 2016-04-18 | 2016-08-31 | 浙江大学 | 一种基于人员信息检测的空调负荷控制系统及方法 |
| CN110275442A (zh) * | 2018-03-16 | 2019-09-24 | 台达控制公司 | 建筑物自动化系统和方法 |
| CN110320885A (zh) * | 2018-03-29 | 2019-10-11 | 江森自控科技公司 | 用于自适应地调节建筑物中故障检测的阈值的系统和方法 |
| US20190360711A1 (en) * | 2018-05-22 | 2019-11-28 | Seokyoung Systems | Method and device for controlling power supply to heating, ventilating, and air-conditioning (hvac) system for building based on target temperature |
| CN110186170A (zh) * | 2019-06-20 | 2019-08-30 | 北京石油化工学院 | 热舒适度指标pmv控制方法及设备 |
Non-Patent Citations (1)
| Title |
|---|
| 涂方亮;吴静怡;: "ANFIS实现依据人数变化来预测建筑负荷", 土木建筑与环境工程, no. 2, 15 December 2012 (2012-12-15) * |
Also Published As
| Publication number | Publication date |
|---|---|
| US20210325072A1 (en) | 2021-10-21 |
| DE102021109123A1 (de) | 2021-10-21 |
| US11719458B2 (en) | 2023-08-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113531784A (zh) | Hvac控制细化粒度占用模式估计 | |
| CN111795484B (zh) | 一种智慧空调控制方法和系统 | |
| KR102212663B1 (ko) | 목표 온도를 기반으로 하는 빌딩의 열·공조 시스템에 대한 공급 전력 제어 방법 및 장치 | |
| Zhuang et al. | Data-driven predictive control for smart HVAC system in IoT-integrated buildings with time-series forecasting and reinforcement learning | |
| Gao et al. | Energy-efficient thermal comfort control in smart buildings via deep reinforcement learning | |
| USRE48574E1 (en) | Systems and methods for estimating a return time | |
| US9791872B2 (en) | Method and apparatus for an energy saving heating, ventilation, and air conditioning (HVAC) control system | |
| US20180180314A1 (en) | Adaptive modeling method and system for mpc-based building energy control | |
| Hosseinloo et al. | Data-driven control of micro-climate in buildings: An event-triggered reinforcement learning approach | |
| KR20170125349A (ko) | 빌딩 내 환경 관리 시스템을 제어하기 위한 방법 및 장치 | |
| WO2010053469A1 (en) | System and method for occupancy estimation and monitoring | |
| US20200355392A1 (en) | Method and controller for controlling a chiller plant for a building and chiller plant | |
| Javed et al. | Comparison of the robustness of RNN, MPC and ANN controller for residential heating system | |
| Kusiak et al. | Reheat optimization of the variable-air-volume box | |
| Ferreira et al. | Energy savings in HVAC systems using discrete model-based predictive control | |
| Chen et al. | Adaptive model predictive control with ensembled multi-time scale deep-learning models for smart control of natural ventilation | |
| Godahewa et al. | A generative deep learning framework across time series to optimize the energy consumption of air conditioning systems | |
| CN116485044B (zh) | 一种电网交互型高效商业建筑智能运行优化方法 | |
| CN105759629A (zh) | 环境控制方法及其系统 | |
| Talib et al. | Grey-box and ANN-based building models for multistep-ahead prediction of indoor temperature to implement model predictive control | |
| Yuan et al. | Leveraging fine-grained occupancy estimation patterns for effective HVAC control | |
| Okulska et al. | Make a difference, open the door: The energy-efficient multi-layer thermal comfort control system based on a graph airflow model with doors and windows | |
| WO2021234763A1 (ja) | 室内温度推定装置、プログラム及び室内温度推定方法 | |
| EP4051968B1 (en) | System and method for thermal control based on invertible causation relationship | |
| EP3916492A1 (en) | Method and system for controlling a fluid transport system |
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 |