CN114364926A

CN114364926A - 具有用于建筑物传染控制的设计和操作工具的hvac系统

Info

Publication number: CN114364926A
Application number: CN202080061895.3A
Authority: CN
Inventors: 迈克尔·J·瑞斯贝克; 柯克·H·德雷斯; 乔纳森·D·道格拉斯
Original assignee: Johnson Controls Tyco IP Holdings LLP
Current assignee: Johnson Controls Tyco IP Holdings LLP
Priority date: 2019-07-12
Filing date: 2020-07-13
Publication date: 2022-04-15
Anticipated expiration: 2040-07-13
Also published as: EP3997390A1; US11131473B2; WO2021011497A1; US20210364181A1; CN114364926B; US20200348038A1; US20210011444A1; US11269306B2

Abstract

用于一个或多个建筑区的供暖、通风或空调(HVAC)系统包含：空侧HVAC设备，其可用于向所述一个或多个建筑区提供清洁空气；以及控制器。所述控制器被配置成获得用于所述一个或多个建筑区的动态温度模型和动态传染量子模型；确定传染概率；并且使用所述动态温度模型、所述动态传染量子模型和所述传染概率生成所述空侧HVAC设备的控制决策。

Description

具有用于建筑物传染控制的设计和操作工具的HVAC系统

相关申请案的交叉引用

本申请要求2019年7月12提交的第62/873,631号美国临时专利申请和2020年6月26日提交的第63/044,906号美国临时专利申请的权益和优先权，所述申请的全部公开内容以引用的方式并入本文中。

背景技术

本公开大体上涉及一种建筑物中的建筑物系统。本公开更具体地涉及通过环境控制来维持建筑物中的居住者舒适度。

维持建筑物中的居住者舒适度和消毒需要操作建筑物设备(例如，HVAC设备)以改变建筑物中的环境条件。在一些系统中，如果居住者感到不舒服，则需要居住者自己对环境条件进行任何所需的改变。当操作建筑设备以改变特定环境条件时，可以因此影响其它环境条件。如果不正确地执行，则保持居住者舒适度和消毒可能很昂贵。因此，需要系统和方法来维持居住者舒适度并且为多种环境条件提供足够的消毒，同时减少与维持居住者舒适度和消毒相关的费用。

发明内容

本公开的一个实施方案是用于一个或多个建筑区的供暖、通风或空调(HVAC)系统。HVAC系统包含空侧HVAC设备，其可用于向一个或多个建筑区提供清洁空气；以及控制器。控制器被配置成获得用于一个或多个建筑区的动态温度模型和动态传染量子模型；确定传染概率；并且使用动态温度模型、动态传染量子模型和传染概率生成空侧HVAC设备的控制决策。在一些实施例中，控制决策提供期望的消毒水平。在一些实施例中，控制决策指示将由空侧HVAC设备提供到一个或多个建筑区的清洁空气的量。获得动态温度模型和动态传染量子模型可以包含接收模型中的一个或两个作为输入；生成模型中的一个或两个；从数据库或从用户装置检索模型中的一个或两个；或另外以任何其它方式获得模型中的一个或两个。

在一些实施例中，空侧HVAC设备包含消毒照明装置，其可用于在将清洁空气提供到一个或多个建筑区之前对清洁空气进行消毒；以及一个或多个过滤器，其被配置成在将清洁空气提供到一个或多个建筑区之前过滤清洁空气。

在一些实施例中，控制器被配置成经由用户界面接收期望的消毒水平并且使用期望的消毒水平生成传染概率的阈值。

在一些实施例中，控制器被配置成获得用于一个或多个建筑区的动态湿度模型，并且除了动态温度模型和动态传染量子模型之外，还使用动态湿度模型生成控制决策。

在一些实施例中，一个或多个建筑区包含多个建筑区，并且动态温度模型和动态传染量子模型是用于多个建筑区中的每一个的单独动态模型或基于多个区的加权体积平均值的用于多个建筑区的聚合动态模型。

在一些实施例中，使用动态温度模型、动态传染量子模型和传染概率生成控制决策包含基于动态温度模型、动态传染量子模型和传染概率生成优化约束；以及对经受优化约束的目标函数执行优化以生成作为优化的结果的控制决策。

本公开的另一实施方案是用于建筑物的供暖、通风或空调(HVAC)系统的控制器。控制器包含一个或多个处理器和存储器，所述存储器存储在由一个或多个处理器执行时使一个或多个处理器执行包含以下项的操作的指令：获得建筑物的一个或多个建筑区的动态温度模型和动态传染量子模型；确定传染概率；以及使用动态温度模型、动态传染量子模型和传染概率生成控制决策。操作进一步包含使用控制决策来操作HVAC系统的消毒照明装置、变风量(VAV)单元或空气处理单元(AHU)中的至少一个。在一些实施例中，控制决策提供期望的消毒水平。在一些实施例中，控制决策指示将提供到一个或多个建筑区的清洁空气的量。获得动态温度模型和动态传染量子模型可以包含接收模型中的一个或两个作为输入；生成模型中的一个或两个；从数据库或从用户装置检索模型中的一个或两个；或另外以任何其它方式获得模型中的一个或两个。

在一些实施例中，基于Wells-Riley方程使用对传染量子浓度的约束生成控制信号。

在一些实施例中，操作进一步包含获得一个或多个建筑区的动态湿度模型，并且除了动态温度模型和动态传染量子模型之外，还使用动态湿度模型生成控制决策。

在一些实施例中，一个或多个建筑区包含多个建筑区，并且动态温度模型和动态传染量子模型是用于多个建筑区中的每一个的单独动态模型或基于多个建筑区的加权体积平均值的聚合动态模型。

在一些实施例中，控制决策指示将提供到一个或多个建筑区的清洁空气的量，并且使用控制决策操作VAV单元包含生成用于VAV单元的温度设定点和最小气流约束两者。最小气流约束可以是将提供到一个或多个建筑区的清洁空气的量。使用控制决策操作VAV单元可以进一步包含操作VAV单元以基于温度设定点控制经受最小气流约束的一个或多个建筑区的温度。

本公开的另一实施方案是用于控制建筑物设备以提供期望的消毒水平的方法。所述方法包含获得一个或多个建筑区的动态温度模型和动态传染量子模型；确定传染概率；并且使用动态温度模型、动态传染量子模型和传染概率生成控制决策。所述方法包含使用控制决策操作建筑物设备，以将一定量的清洁空气提供到一个或多个建筑区。在一些实施例中，控制决策提供期望的消毒水平。在一些实施例中，控制决策指示将由建筑物设备提供到一个或多个建筑区的清洁空气的量。获得动态温度模型和动态传染量子模型可以包含接收模型中的一个或两个作为输入；生成模型中的一个或两个；从数据库或从用户装置检索模型中的一个或两个；或另外以任何其它方式获得模型中的一个或两个。

在一些实施例中，所述方法包含获得一个或多个建筑区的动态湿度模型，并且除了动态温度模型和动态传染量子模型之外，还使用动态湿度模型生成控制决策。

在一些实施例中，建筑物设备包含消毒照明装置、过滤器、空气处理单元(AHU)或变风量(VAV)单元中的至少一个。

在一些实施例中，控制决策包含在接通状态与断开状态之间致动消毒照明装置的命令、AHU的新鲜空气进摄入分数，或VAV单元提供到一个或多个建筑区的气流量中的至少一个。

本公开的另一实施方案是用于一个或多个建筑区的供暖、通风或空调(HVAC)系统。HVAC系统包含空侧HVAC设备，其可用于向一个或多个建筑区提供清洁空气；以及控制器。控制器被配置成获得用于一个或多个建筑区的动态传染量子模型；确定传染概率；并且使用动态传染量子模型和传染概率生成空侧HVAC设备的控制决策。在一些实施例中，控制决策提供期望的消毒水平。在一些实施例中，控制决策指示将由空侧HVAC设备提供到一个或多个建筑区的清洁空气的量。在一些实施例中，控制器被配置成获得用于一个或多个建筑区的动态温度模型，并且使用动态传染量子模型和动态温度模型两者生成控制决策。获得动态温度模型和动态传染量子模型可以包含接收模型中的一个或两个作为输入；生成模型中的一个或两个；从数据库或从用户装置检索模型中的一个或两个；或另外以任何其它方式获得模型中的一个或两个。

本公开的另一实施方案是用于建筑物的HVAC系统的供暖、通风或空调系统(HVAC)设计和操作工具。HVAC设计和操作工具包含一个或多个处理器和存储器，所述存储器存储在由一个或多个处理器执行时使一个或多个处理器执行包含以下项的操作的指令：获得一个或多个建筑区的动态温度模型和动态传染量子模型；确定传染概率；使用动态温度模型、动态传染量子模型和传染概率执行多个不同设备配置的多个模拟以生成结果。所述操作包含使用多个模拟的结果生成设计或操作数据中的至少一个，所述设计包含一个或多个推荐的设计参数数据，所述操作数据包含HVAC系统的一个或多个推荐的操作参数；以及使用设计数据或操作数据中的至少一个发起自动动作。获得动态温度模型和动态传染量子模型可以包含接收模型中的一个或两个作为输入；生成模型中的一个或两个；从数据库或从用户装置检索模型中的一个或两个；或另外以任何其它方式获得模型中的一个或两个。

在一些实施例中，所述操作进一步包含确定一个或多个建筑区的动态湿度模型；以及使用动态湿度模型执行多个模拟以生成结果。

在一些实施例中，一个或多个推荐的设计参数指示是否在HVAC系统中包含消毒照明装置进行消毒、是否在HVAC系统中包含空气过滤器进行消毒，以及是否在HVAC系统中使用新鲜空气进行消毒。

在一些实施例中，一个或多个推荐的设计参数包括用于HVAC系统中的空气过滤器的推荐等级。

在一些实施例中，自动动作包含经由用户界面向用户呈现设计数据或操作数据中的至少一个。

在一些实施例中，多个模拟包括以下项中的至少两个：第一模拟，其中HVAC系统包含消毒照明装置，但不包含空气过滤器用于消毒；第二模拟，其中HVAC系统包含空气过滤器，但不包含消毒照明装置用于消毒；第三模拟，其中HVAC系统包含消毒照明装置以及空气过滤器两者用于消毒；以及第四模拟，其中HVAC系统既不包含消毒照明装置，也不包含空气过滤器用于消毒。

在一些实施例中，所述操作进一步包含基于指示期望的消毒水平的用户输入而生成传染量子约束；执行经受传染量子约束的多个模拟中的至少一个，以生成操作HVAC系统的所估计成本；以及经由用户界面呈现操作HVAC系统的所估计成本。

在一些实施例中，所述操作进一步包含使用多个模拟的结果来提供用户界面，所述用户界面指示传染概率与能量成本或能量消耗中的至少一个之间的折衷。

在一些实施例中，推荐的操作参数包括用于HVAC系统的推荐控制方案。

本公开的另一实施方案是用于建筑物的HVAC系统的供暖、通风或空调(HVAC)系统设计和操作工具。HVAC设计和操作工具包含一个或多个处理器和存储器，所述存储器存储在由一个或多个处理器执行时使一个或多个处理器执行包含以下项的操作的指令：获得一个或多个建筑区的动态温度模型和动态传染量子模型；确定传染概率；使用动态温度模型、动态传染量子模型和传染概率执行模拟以生成结果，所述结果包含HVAC系统的推荐设备配置；以及使用所述结果发起自动动作。获得动态温度模型和动态传染量子模型可以包含接收模型中的一个或两个作为输入；生成模型中的一个或两个；从数据库或从用户装置检索模型中的一个或两个；或另外以任何其它方式获得模型中的一个或两个。

在一些实施例中，所述操作进一步包含获得一个或多个建筑区的动态湿度模型；以及使用动态湿度模型执行模拟以生成结果。

在一些实施例中，推荐设备配置指示HVAC系统是否包含消毒照明装置进行消毒、HVAC系统是否包含过滤器进行消毒，以及HVAC系统是否使用新鲜空气进行消毒。

在一些实施例中，结果包括推荐的设备规范，其指示用于消毒的空气过滤器的推荐等级或消毒照明装置的推荐等级中的至少一个。

在一些实施例中，自动动作包含经由用户界面呈现结果。

在一些实施例中，执行模拟包含使用一个或多个可能的设备配置优化指示操作HVAC系统的成本的目标函数，以提供期望的消毒水平。

在一些实施例中，期望的消毒水平是用户选定值。

在一些实施例中，所述操作进一步包含基于指示期望的消毒水平的用户输入而生成传染量子约束；执行经受传染量子约束的模拟，以生成操作HVAC系统的所估计成本；以及经由用户界面呈现操作HVAC系统的所估计成本。

在一些实施例中，用户输入指示期望的消毒水平与能量成本之间的折衷，所述能量成本包括HVAC系统的所估计能量消耗或HVAC系统的能量消耗的所估计货币成本中的至少一个。

本公开的另一实施方案是用于提供供暖、通风或空调(HVAC)系统的设计和操作推荐以在建筑物中实现期望的传染控制水平的方法。所述方法包含获得一个或多个建筑区的动态温度模型和动态传染量子模型；确定传染概率；以及使用动态温度模型、动态传染量子模型和传染概率来生成设计推荐或操作推荐中的至少一个，以实现期望的传染控制水平。所述方法进一步包含操作显示器以向用户提供设计推荐或操作推荐，所述设计推荐或操作推荐中的每一个包含相关联成本。获得动态温度模型和动态传染量子模型可以包含接收模型中的一个或两个作为输入；生成模型中的一个或两个；从数据库或从用户装置检索模型中的一个或两个；或另外以任何其它方式获得模型中的一个或两个。

在一些实施例中，设计推荐或操作推荐包含以下项中的至少一个：HVAC系统的推荐设备配置、HVAC系统的推荐设备规范、HVAC系统的过滤器的推荐过滤器等级、HVAC系统的设备的推荐模型，或HVAC系统的推荐控制方案。

本领域的技术人员将了解，概述仅为说明性且并不意图以任何方式限制。如仅通过权利要求书所定义，本文所描述的装置和/或过程的其它方面、发明特征以及优点将在本文中且结合附图阐述的具体实施方式中变得显而易见。

附图说明

图1是根据一些实施例的配备有HVAC系统的建筑物的图。

图2是根据一些实施例的可以在图1的建筑物中实施的空侧系统的框图。

图3是根据一些实施例的HVAC系统的框图，所述HVAC系统包含配置成操作图1的HVAC系统的空气处理单元(AHU)的控制器。

图4是根据一些实施例的更详细地说明图3的控制器的框图，其示出当控制器用于在线模式或实时实施方案中以作出控制决策来最小化HVAC系统的能量消耗并提供充分消毒时执行的操作。

图5是根据一些实施例的更详细地说明图3的控制器的框图，其示出当控制器用于离线或规划模式中以作出设计提议来最小化HVAC系统的能量消耗并提供充分消毒时执行的操作。

图6是根据一些实施例的过程的流程图，所述过程可以由图3的控制器执行以确定HVAC系统的控制决策来最小化能量消耗并提供充分消毒。

图7是根据一些实施例的过程的流程图，所述过程可以由图3的控制器执行以确定HVAC系统的设计提议来最小化能量消耗并提供充分消毒。

图8是根据一些实施例的可以由图3的控制器提供的各种设计提议或信息的图形。

图9是根据一些实施例的可以用于指定建筑物选项和消毒选项并提供模拟结果的用户界面的图。

图10是根据一些实施例的说明可以由图3的控制器用于估计相对能量成本对传染概率的折衷曲线的帕累托前沿的图形。

具体实施方式

概述

通常参考图式，示出用于最小化HVAC系统的能量消耗，同时维持期望的消毒水平的系统和方法。所述系统可以包含：AHU，其服务于多个区；控制器；一个或多个UV灯，其在将空气从AHU提供到区之前对空气进行消毒；和/或过滤器，其被配置成在将空气提供到区之前过滤空气以提供额外消毒。在一些实施例中，系统还包含一个或多个区传感器(例如，温度和/或湿度传感器等)，以及一个或多个环境或室外传感器(例如，室外温度和/或室外湿度传感器等)。

控制器使用基于模型的设计和优化架构，以将建筑物消毒控制与建筑物HVAC系统中的现有温度调节整合。根据一些实施例，控制器使用Wells-Riley方程将所需的传染概率的上限变换成对室内传染性微粒浓度的约束。在一些实施例中，控制器使用传染因子浓度的动态模型将这些约束施加到类似于温度和湿度约束的优化问题。通过对各种类型的任选传染控制设备(例如，UV灯和/或过滤器)的影响进行建模，控制器可以利用新鲜空气通风和直接过滤/消毒的组合来实现期望的传染约束。在一些实施例中，控制器可以将此复合模型用于最佳设计(例如，在控制器的离线实施方案中)，以确定哪些额外的消毒策略是所需的、成本有效的或必要的。控制器还可以用于在线控制以实时确定各种可控设备(例如，AHU的风阀)的控制决策，从而最小化HVAC系统的能量消耗或能量成本，同时满足温度、湿度和传染量子浓度约束。

根据一些实施例，本文所描述的系统和方法将传染控制视为建筑物HVAC操作的组成部分，而不是短期或独立控制目标。虽然可以通过添加UV灯和满负荷运行的过滤器来实现消毒，但此种策略可能成本高并且消耗过多的能量。然而，本文所描述的系统和方法结合两个目标(消毒控制和最少能量消耗)，以逐案例评估最佳设计和操作决策，同时考虑特定建筑物的气候、能量消毒目标。

控制器可以在离线模式下实施为设计工具。随着各种建筑物消毒策略的出现，建筑设计师和操作者现在具有多种选择来改造建筑物，以减少传染病向建筑物居住者的传播。这通常通过降低空气空间中传染性微粒的浓度来实现，这可以通过经由UV辐射杀死微生物、经由过滤捕获微生物或经由新鲜空气通风简单地将微生物赶出建筑物来实现。虽然这些策略中的任一个都可以单独地提供期望的消毒水平，但这样做可能会带来不必要的高成本或对建筑物居住者的热舒适性造成负面影响。因此，为了帮助评估各种消毒选项之间的折衷和潜在协同作用，基于模型的设计工具可以估计给定一组消毒设备的年度资金和能量成本。对于给定AHU，这包含温度、湿度和传染性微粒浓度的动态模型，并且其采用Wells-Riley传染方程来施加对最大居住者传染概率的约束。通过能够快速地模拟各种模拟实例，控制器(当在离线模式下作为设计工具操作时)可以向建筑设计师呈现成本与消毒之间的折衷，从而使他们能够关于改造做出明智的决策。

设计工具的关键特征是它显示了现有HVAC系统的固有灵活性可以用于提供消毒的程度。具体来说，在传染性最受关注的几个月里，来自新鲜室外空气的自然冷却意味着无论控制器如何确定操作HVAC系统，能源图景都相对平坦。因此，控制器可能会显著地增加新鲜空气摄入，以在没有UV或高级过滤的情况下提供足够的消毒，同时仅带来很小的能量损失。设计工具可以向客户提供估计，使他们能够关于安装哪些额外的消毒设备(如果存在)做出明智的决策，然后提供实施期望的传染控制所需的修改后的控制系统。

控制器还可以在在线模式中实施为实时控制器。尽管可以在建筑物中安装UV灯和高级过滤器等设备以减轻传染病的传播，但通常不清楚如何最好地操作这些设备，从而以低本高效方式实现所需的消毒目标。一种常见策略是采取选择最高效率的过滤器并不断地运行UV灯的稳健方法。虽然此策略确实会将传染概率降低到其最低的可能值，但由于这两种策略的持续能量损失，这可能会以过高的成本进行。建筑物管理者可能会选择完全停用过滤器和UV灯来节省能量消耗。因此，建筑物可能最终处于两头吃亏的情况，其中建筑物管理者已支付消毒设备的费用，但所述区不再接受任何消毒。为了减轻建筑物操作者的负担，控制器可以通过将消毒控制(例如，基于Wells-Riley方程)集成到基于模型的控制方案中而使传染控制自动化。以此方式，控制器可以同时实现热舒适性，并在当前可用设备的情况下以尽可能低的成本提供充分消毒。

有利地，控制策略可以实时地优化所有可能的控制变量的能量和消毒折衷。具体来说，控制器可以选择提高新鲜空气摄入分数，即使它会引发轻微的能量损失，因为它可以显著地降低传染性微粒浓度，同时仍保持舒适的温度。因此，在某些气候下，可能无需额外设备来提供消毒，但这种策略仅在现有控制基础设施能够受到引导或限制以提供所需消毒的情况下才有可能。或者，在已选择添加UV灯和/或过滤的建筑物中，控制器可以找到最佳的技术组合来以最低可能成本实现所需的控制目标。另外，因为对传染概率的约束可配置，所以控制器可以授权建筑操作者在消毒和能源使用方面做出自己的选择(例如，在疾病罕见且能量使用密集的夏季选择宽松约束，同时在疾病流行且能量不太受关注的冬季过渡到严格约束)。有利地，与其它狭隘和单独的解决方案相比，控制器可以向客户提供集成的舒适度、消毒和能量管理以在所有三个区域实现更佳结果。

在一些实施例中，用于预测温度、湿度和/或感染性量子的模型是动态模型。术语“动态模型”以及其变体(例如，动态温度模型、动态湿度模型、动态传染量子模型等)在整个本公开中用于指预测作为零或更多输入变量的函数的在各个时间点处的量(例如，温度、湿度、传染量子)值的任何类型的模型。即使模型本身不改变，动态模型也可能是“动态的”，因为输入变量会随时间变化。例如，将环境温度或随时间变化的任何其它变量用作输入的稳态模型可以被视为动态模型。动态模型还可以包含随时间改变的模型。例如，配置成适应随时间变化的条件，和/或配置成使用输入变量与所预测输出之间的不同关系(例如，冬季月份的第一组关系或夏季月份的第二组关系)的定期重新训练的模型还可以视为动态模型。动态模型还可以包含常微分方程(ODE)模型或具有随时间变化的输入变量和/或表示变量的改变速率的输入变量的其它类型的模型。

建筑物和HVAC系统

现在参考图1，示出建筑物10的透视图。建筑物10可以由建筑物管理系统(BMS)服务。BMS通常是配置成控制、监测和管理建筑物或建筑区域中或周围的设备的装置的系统。BMS可以包含例如HVAC系统、安全系统、照明系统、火灾警示系统、能够管理建筑物功能或装置的任何其它系统，或其任何组合。可以用于监测和控制建筑物10的BMS的实例在2015年5月20日提交的第14/717,593号美国专利申请中描述，所述专利申请的全部公开内容以引用的方式并入本文中。

服务于建筑物10的BMS可以包含HVAC系统100。HVAC系统100可以包含配置成为建筑物10提供供暖、冷却、通风或其它服务的多个HVAC装置(例如，加热器、制冷机、空气处理单元、泵、风扇、热能存储装置等)。例如，HVAC系统100被示为包含水侧系统120和空侧系统130。水侧系统120可以将加热或冷却流体提供到空侧系统130的空气处理单元。空侧系统130可以使用加热或冷却流体来加热或冷却提供到建筑物10的气流。在一些实施例中，水侧系统120可以由中心设备或中心能量设施代替或补充(参考图2更详细地描述)。参考图2更详细地描述可以用于HVAC系统100中的空侧系统的实例。

HVAC系统100被示为包含制冷机102、锅炉104和屋顶空气处理单元(AHU)106。水侧系统120可以使用锅炉104和制冷机102来加热或冷却工作流体(例如，水、乙二醇等)并且可以使工作流体循环到AHU 106。在各种实施例中，水侧系统120的HVAC装置可以位于建筑物10中或周围(如图1中所示)，或位于例如中心设备(例如，制冷机设备、蒸汽设备、发热设备等)的场外位置。取决于建筑物10中是否需要加热或冷却，工作流体可以在锅炉104中加热或在制冷机102中冷却。锅炉104可以例如通过燃烧可燃材料(例如，天然气)或使用电加热元件来将热量添加到循环流体。制冷机102可以将循环流体置于与热交换器(例如，蒸发器)中的另一流体(例如，制冷剂)的热交换关系中，以从循环流体吸收热量。可以经由管道108将来自制冷机102和/或锅炉104的工作流体输送到AHU 106。

AHU 106可以将工作流体置于与穿过AHU 106的气流的热交换关系中(例如，经由冷却线圈和/或加热线圈的一个或多个级)。例如，气流可以是外部空气、来自建筑物10内的回流空气，或两者的组合。AHU 106可以在气流与工作流体之间传递热量，以提供对气流的加热或冷却。例如，AHU 106可以包含一个或多个风扇或鼓风机，其被配置成使气流通过或穿过含有工作流体的热交换器。工作流体然后可以经由管道110返回到制冷机102或锅炉104。

空侧系统130可以经由空气供应管道112将由AHU 106供应的气流(即，供应气流)输送到建筑物10，并且可以经由回风管道114将回流空气从建筑物10提供到AHU 106。在一些实施例中，空侧系统130包含多个变风量(VAV)单元116。例如，空侧系统130被示为包含在建筑物10的每个楼层或区上的单独VAV单元116。VAV单元116可以包含可以操作以控制提供到建筑物10的各个区的供应气流量的风阀或其它流控制元件。在其它实施例中，空侧系统130将供应气流传递到建筑物10的一个或多个区中(例如，经由供应管道112)，而不使用中间VAV单元116或其它流量控制元件。AHU 106可以包含配置成测量供应气流的属性的各种传感器(例如，温度传感器、压力传感器等)。AHU 106可以从位于AHU 106内和/或建筑区内的传感器接收输入，并且可以调整通过AHU 106的供应气流的流速、温度或其它属性以实现建筑区的设定点条件。

空侧系统

现在参考图2，根据一些实施例，示出空侧系统200的框图。在各种实施例中，空侧系统200可以补充或替代HVAC系统100中的空侧系统130，或者可以与HVAC系统100分开实施。当在HVAC系统100中实施时，空侧系统200可以包含HVAC系统100中的HVAC装置的子集(例如，AHU 106、VAV单元116、管道112到114、风扇、风阀等)，并且可以位于建筑物10中或周围。在一些实施例中，空侧系统200可以操作以对提供到建筑物10的气流进行加热、冷却、加湿、除湿、过滤和/或消毒。

空侧系统200被示为包含节热器类型的空气处理单元(AHU)202。节热器类型的AHU改变由空气处理单元用于加热或冷却的外部空气和回流空气的量。例如，AHU 202可以经由回流空气管道208从建筑区206接收回流空气204，并且可以经由供应空气管道212将供应空气210输送到建筑区206。在一些实施例中，AHU 202是位于建筑物10的屋顶上的屋顶单元(例如，如图1中所示的AHU 106)，或者另外定位成接收回流空气204和外部空气214两者的屋顶单元。AHU 202可以被配置成操作排气风阀216、混合风阀218和外部空气风阀220，以控制组合以形成供应空气210的外部空气214和回流空气204的量。不穿过混合风阀218的任何回流空气204可以作为排气222通过排气风阀216从AHU 202排出。

风阀216到220中的每一个可以由致动器操作。例如，排气风阀216可以由致动器224操作，混合风阀218可以由致动器226操作，并且外部空气风阀220可以由致动器228操作。致动器224到228可以经由通信链路232与AHU控制器230通信。致动器224到228可以从AHU控制器230接收控制信号并且可以将反馈信号提供到AHU控制器230。反馈信号可以包含例如当前致动器或风阀位置的指示、由致动器施加的扭矩或力的量、诊断信息(例如，由致动器224到228执行的诊断测试的结果)、状态信息、调试信息、配置设置、校准数据和/或可以由致动器224到228收集、存储或使用的其它类型的信息或数据。AHU控制器230可以是配置成使用一个或多个控制算法(例如，基于状态的算法、极值搜索控制(ESC)算法、比例积分(PI)控制算法、比例-积分-微分(PID)控制算法、模型预测控制(MPC)算法、反馈控制算法等)来控制致动器224到228的节热器控制器。

仍参考图2，AHU 202被示为包含冷却线圈234、加热线圈236，以及位于供应空气管道212内的风扇238。风扇238可以被配置成迫使供应空气210通过冷却线圈234和/或加热线圈236并且将供应空气210提供到建筑区206。AHU控制器230可以经由通信链路240与风扇238通信以控制供应空气210的流速。在一些实施例中，AHU控制器230通过调节风扇238的速度来控制施加到供应空气210的加热或冷却量。在一些实施例中，AHU 202包含一个或多个空气过滤器(例如，过滤器308)和/或一个或多个紫外线(UV)灯(例如，UV灯306)，如参考图3更详细地描述。AHU控制器230可以被配置成控制UV灯且引导气流穿过空气过滤器以对气流进行消毒，如下文更详细地描述。

冷却线圈234可以经由管道242从中心设备200(例如，从冷水回路216)接收冷却流体并且可以经由管道244将冷却流体返回到中心设备200。阀门246可以沿着管道242或管道244定位，以控制冷却流体通过冷却线圈234的流速。在一些实施例中，冷却线圈234包含可以独立地激活和去激活(例如，由AHU控制器230、由BMS控制器266等)以调节施加到供应空气210的冷却量的冷却线圈的多个级。

加热线圈236可以经由管道248从中心设备200(例如，从热水回路214)接收加热流体并且可以经由管道250将加热流体返回到中心设备200。阀门252可以沿着管道248或管道250定位，以控制加热流体通过加热线圈236的流速。在一些实施例中，加热线圈236包含可以独立地激活和去激活(例如，由AHU控制器230、由BMS控制器266等)以调节施加到供应空气210的加热量的加热线圈的多个级。

阀门246和252中的每一个可以由致动器控制。例如，阀门246可以由致动器254控制并且阀门252可以由致动器256控制。致动器254到256可以经由通信链路258到260与AHU控制器230通信。致动器254到256可以从AHU控制器230接收控制信号并且可以将反馈信号提供到控制器230。在一些实施例中，AHU控制器230从位于供应空气管道212(例如，在冷却线圈334和/或加热线圈236下游)中的温度传感器262接收供应空气温度的测量值。AHU控制器230还可以从位于建筑区206中的温度传感器264接收建筑区206的温度的测量值。

在一些实施例中，AHU控制器230经由致动器254到256操作阀门246和252以调节提供到供应空气210的加热或冷却量(例如，以实现供应空气210的设定点温度或将供应空气210的温度维持在设定点温度范围内)。阀门246和252的位置影响通过冷却线圈234或加热线圈236提供到供应空气210的加热或冷却量，并且可以与所消耗能量的量相关以实现期望的供应空气温度。AHU 230可以通过激活或去激活线圈234到236，调整风扇238的速度，或两者的组合来控制供应空气210和/或建筑区206的温度。

仍参考图2，空侧系统200被示为包含建筑物管理系统(BMS)控制器266和客户端装置268。BMS控制器266可以包含一个或多个计算机系统(例如，服务器、管理控制器、子系统控制器等)，所述计算机系统充当用于空侧系统200、中心设备200、HVAC系统100和/或服务于建筑物10的其它可控系统的系统级控制器、应用程序或数据服务器、头节点或主控制器。BMS控制器266可以根据相似或不同协议(例如，LON、BACnet等)经由通信链路270与多个下游建筑系统或子系统(例如，HVAC系统100、安全系统、照明系统、中心设备200等)通信。在各种实施例中，AHU控制器230和BMS控制器266可以是单独的(如图2中所示)或集成的。在集成实施方式中，AHU控制器230可以是配置用于由BMS控制器266的处理器执行的软件模块。

在一些实施例中，AHU控制器230从BMS控制器266接收信息(例如，命令、设定点、操作边界等)，并且将信息提供到BMS控制器266(例如，温度测量值、阀门或致动器位置、操作状态、诊断等)。例如，AHU控制器230可以向BMS控制器266提供来自温度传感器262到264的温度测量值、设备开/关状态、设备操作能力和/或BMS控制器266可以用于监测或控制建筑区206内的可变状态或条件的任何其它信息。

客户端装置268可以包含一个或多个人机界面或客户端界面(例如，图形用户界面、报告界面、基于文本的计算机界面、面向客户端的网络服务、向网络客户端提供页面的网络服务器等)，用于控制、查看HVAC系统100、其子系统和/或装置或以其它方式与HVAC系统100、其子系统和/或装置交互。客户端装置268可以是计算机工作站、客户端终端、远程或本地接口，或任何其它类型的用户界面装置。客户端装置268可以是固定终端或移动装置。例如，客户端装置268可以是台式计算机、具有用户界面的计算机服务器、膝上型计算机、平板计算机、智能电话、PDA，或任何其它类型的移动或非移动装置。客户端装置268可以经由通信链路272与BMS控制器266和/或AHU控制器230通信。

具有建筑物传染控制的HVAC系统

概述

特别参考图3，根据一些实施例，示出HVAC系统300，所述HVAC系统被配置成为建筑物(例如，建筑物10)的各种区提供消毒。HVAC系统300可以包含空气处理单元(AHU)304(例如，AHU 230、AHU 202等)，所述空气处理单元可以将调节后的空气(例如，冷却空气、供应空气210等)提供到各种建筑区206。AHU 304可以从区206吸入空气并结合从外部(例如，外部空气214)吸入空气，以向区206提供调节后或清洁的空气。HVAC系统1400包含控制器310(例如，AHU控制器230)，所述控制器被配置成确定AHU 304应使用以向建筑区206提供期望消毒量的室外空气与再循环空气的分数x。在一些实施例中，控制器310可以生成用于AHU 304的各种风阀的控制信号，使得AHU 304操作以使用分数x将调节后的空气提供到建筑区206。

HVAC系统300还可以包含紫外线(UV)灯306，所述UV灯被配置成在将UV光提供到建筑区206之前将UV光提供到调节后的空气。UV灯306可以提供如由控制器310确定和/或基于用户操作偏好的消毒。例如，控制器310可以结合室外空气的分数x确定UV灯306的控制信号，以提供期望消毒量并且满足传染概率约束。尽管贯穿本公开提及UV灯306，但是本文所描述的系统和方法可以使用任何类型的消毒照明，所述消毒照明使用有效地用于消毒的任何频率、波长或发光亮度。应理解，在不脱离本公开的教示的情况下，UV灯306(以及贯穿本公开对UV灯306的任何参考)可以用任何类型的消毒照明替换。

HVAC系统300还可以包含一个或多个过滤器308或过滤装置(例如，空气净化器)。在一些实施例中，过滤器308被配置成在将调节后的空气或再循环空气提供到建筑区206之前对调节后的空气或再循环空气进行过滤，以提供一定量的消毒。以此方式，控制器310可以实时地或作为规划工具执行优化，以确定AHU 304的控制信号(例如，分数x)和UV灯306的控制信号(例如，开/关命令)以提供对建筑区206的消毒并且降低占用建筑区206的个体的传染概率。控制器310还可以充当设计工具，所述设计工具被配置成关于安装或使用过滤器308的优势和/或可能由于使用或安装特定类型或尺寸的过滤器而产生的特定优势确定对建筑物管理者的建议。控制器310由此可以促进通知设计决策，以保持对提供给建筑区206的空气进行消毒并降低传染或传染性物质传播的可能性。

Wells-Riley空中传输

本文所描述的系统和方法可以在各种优化(例如，在线或实时优化或离线优化)中使用传染概率约束，以有助于降低HVAC系统服务的空间的居民或居住者之间的传染概率。传染概率约束可以基于针对由以下公式给出的传染因子的空中传输概率的稳态Wells-Riley方程：

其中P是个体受传染的概率(例如，在区、空间、房间、环境等中)，D是受传染个体数(例如，在区、空间、房间、环境等中)，S是易感个体总数(例如，在区、空间、房间、环境等中)，I是传染性个体数(例如，在区、空间、房间、环境等中)，q是疾病量子产生率(例如，以1/sec的单位)，p是一个人的体积呼吸率(例如，以m³/sec为单位)，t是总曝光时间(例如，以秒为单位)，并且Q是室外通风率(例如，以m³/sec为单位)。例如，Q可以是由AHU 304提供到建筑区206的新鲜室外空气的体积流率。

当如本文所描述由控制器310实施Wells-Riley方程时，控制器310可以使用Wells-Riley方程(或Wells-Riley方程的动态版本)来确定实际或当前传染概率P并且操作HVAC系统200以保持实际传染概率P低于(或驱动实际传染概率低于)约束或最大可允许值。约束值(例如，P_max)可以是恒定值，或可以由用户(例如，用户设定值)调整。例如，用户可以将传染概率的约束值设定成最大期望传染概率(例如，用于控制器310的在线实施方案以将传染概率保持低于最大期望概率，或者用于由控制器310执行的离线实施方案/模拟以确定HVAC系统200的各种设计参数，例如过滤器尺寸)，或者可以从各种预定值(例如，最大期望传染概率的3到5个不同选项)选择。

在一些实施例中，传染性个体数I可以由控制器310基于来自疾病和控制预防中心或类似数据源的数据确定。I的值通常可以设定成等于1，但是可以根据建筑区206的居住率而改变。

疾病量子产生率q可以是传染因子的函数。例如，更多的传染病可以具有q的更高值，而更少的传染病可以具有q的更低值。例如，用于COVID-19的q的值可以是30到300(例如，100)。

体积呼吸率p的值可以基于建筑物空间206的类型。例如，与办公室设置相反，如果建筑区206是健身房，则体积呼吸率p可以更高。一般来说，预期的居住者活动水平可以确定体积呼吸率p的值。

D(受传染个体数)与I(传染性个体数)之间的差异在于D是受传染(例如，受疾病传染)的个体数，而I是受传染且积极地传染的人数(例如，可能将疾病传播给其它个体或在呼气时传播传染性微粒的个体)。疾病量子产生率表明，许多感染性飞沫有63.2％的几率感染个体(例如，1-exp(-1))。例如，如果个体吸入k个传染性微粒，则个体受传染的概率(P)通过

给出，其中k是个体已吸入的传染性微粒数，并且k₀是特定疾病的微粒量(例如，不同疾病的预定义值)。量子产生率q是产生量子的速率(例如，K/k₀)，其中K是由传染性个体呼出的传染性微粒的速率。应注意，疾病量子产生率q的值可以从流行病学数据中反算出来，或者可以针对众所周知的疾病制成表格。

Wells-Riley方程(上文示出)通过假设空气中传染性微粒的稳态浓度导出。假设一个良好混合的空间：

其中V是总空气体积(例如，以m³为单位)，N是空气中的量子浓度，I是传染性个体数，q是疾病量子产生率并且Q是室外通风率。项Iq是传染性个体产生的量子(例如，当个体呼出或呼气时)，而项NQ是由于通风(例如，由于AHU 304的操作)引起的量子去除率。

假设稳态条件，根据一些实施例，空气中的稳态量子浓度表示为：

因此，如果个体以p的平均速率(例如，以m³/sec为单位)吸入，则在长度t的时间段内，个体吸入总量pt或N_ssptk₀个传染性微粒。因此，基于用于定义量子的概率模型，传染性概率通过以下公式给出：

其中P是个体受传染的概率，k是个体已吸入的传染性微粒数，并且k₀是特定疾病的微粒的量子。

用于传染性微粒代理的二氧化碳

虽然以上方程可能依赖于空气中传染量子浓度，但测量空气中传染量子浓度可能是困难的。然而，二氧化碳(CO2)是易于测量的参数，其可以是由区传感器312测量的代理物质。在一些实施例中，区206中的CO2的浓度可以与传染量子的浓度直接相关。

定义建筑物空气中受传染微粒浓度与传染性个体的呼气中受传染微粒浓度之比的量φ定义为：

其中p是个体的体积呼吸率，N是空气中的量子浓度，并且q是疾病量子产生率。相对于时间产率导出以上方程：

其中p是个体的体积呼吸率，q是疾病量子产生率，N是空气中的量子浓度，t是时间，I是传染性个体的数目，V是总空气体积，φ是比率，并且Q是室外通风率。由于很难测量空气的比率φ，因此可以使用CO2作为代理物质。

人类在呼气时会释放CO2，最终通过HVAC系统的通风转移到环境中。因此，CO2微粒与传染性微粒之间的区别在于，所有个体(而不仅仅是传染性人群)都会释放CO2，并且室外空气CO2浓度不为零。然而，可以假设环境CO2浓度相对于时间恒定，这意味着可以将新量C定义为净室内CO2浓度(例如，室内浓度减去室外浓度)。通过此假设，可以导出以下微分方程：

其中V是总空气体积(例如，以m³为单位)，C是净室内CO2浓度，t是时间，S是易感个体的总数目(例如，在建筑区206，或模型化空间，或所有建筑区206或建筑物10中)，p是一个个体的体积呼吸率，c是呼出的CO2的净浓度，并且Q是室外通风率。此方程假设去除传染性微粒的唯一方法是通过新鲜空气通风(例如，通过操作AHU 304以吸入室外空气并且将室外空气与再循环空气一起使用)。可以定义新量ψ，其给出建筑物空气中的净CO2浓度与呼出空气中的净CO2浓度的比率：

其中ψ是比率，C是净室内CO2浓度，并且c是呼出CO2的净浓度。

根据一些实施例，相对于时间产率导出比率ψ：

根据一些实施例，将以上方差与量φ组合，可以导出：

假设初始条件满足：

可以确定

方程的右手侧变成零。这意味着项

且因此

是常数。因此，φ/ψ对于所有时间t是恒定的，且当t＝0时，不仅仅是初始条件。

关系仅在新鲜室外空气用作唯一的消毒机制时才成立。然而，在许多情况下，HVAC系统200可以包含一个或多个过滤器308和UV灯306，可以操作所述UV灯以提供对建筑区206的消毒。如果使用额外的传染缓解策略，则通风率可能会改为与CO2不同的传染量子的有效通风率。另外，初始条件φ(0)和ψ(0)成比例的唯一方法是两者都为零。如果HVAC系统200在延长的时间段内运行(例如过夜，此时浓度有足够的时间达到平衡零值)，则此假设可能是合理的。然而，通风通常隔夜部分地或完全地停用且因此这两个量φ和ψ不相关。然而，可以测量CO2浓度以确定共同模型参数(例如，对于整个系统体积V)，而无需用于估计当前的传染性微粒浓度。如果新鲜室外空气通风是对区206进行消毒的唯一机制并且运行HVAC系统200以使浓度达到平衡，则可以测量CO2浓度并CO2浓度用于估计当前传染性微粒浓度。

动态扩展和传染概率约束

仍参考图3，可能需要将建筑区206的传染量子浓度N建模为动态参数，而不是假设N等于稳态N_SS值。例如，如果传染性个体进入建筑区206，离开建筑区206等，则传染量子浓度N可以随时间变化。这也可能是因为有效的新鲜空气通风率(包含室外空气进气以及过滤或UV消毒，其影响AHU 304向区206提供的供应空气中的传染因子浓度)可能随着HVAC系统200的运行而变化。

因此，假设传染量子浓度N(t)是在给定时间段t∈[0,T]内的时变量，则个体吸入：

其中k_[0,T]是个体在给定时间段[0,T]内吸入的传染性微粒的数目，p是一个个体的体积呼吸率，k₀是特定疾病的微粒的量子，并且N(t)是空气中的传染性微粒的时变量子浓度。

根据一些实施例，由于

以上方程可以重新排列，代入得到：

根据一些实施例假设可接受的或期望的传染概率的上限

则约束定义为：

约束可以定义在给定时间间隔内N_t的平均值的固定上限。

控制配方

特别参考图4，根据一些实施例，更详细地示出控制器310。控制器310被配置成产生用于UV灯306、过滤器308和/或AHU 304中的任一个的控制信号。AHU 304操作以吸入室外空气和/或再循环空气(例如，从区206)以输出调节后的(例如，冷却的)空气。调节后的空气可以通过穿过过滤器308(例如，其可以包含通过过滤器308吸入空气的风扇)过滤以输出过滤后的空气。滤波后的空气和/或调节后的空气可以通过UV灯306的操作消毒。AHU 304、过滤器308和UV灯306可以共同操作以将供应空气提供到区206。

控制器310包含处理电路402，所述处理电路包含处理器404和存储器406。处理电路402可以可通信地与控制器310的通信接口连接，使得处理电路402以及其各种组件可以经由通信接口发送和接收数据。处理器404可以实施为通用处理器、专用集成电路(ASIC)、一个或多个现场可编程门阵列(FPGA)、处理组件的群组或其它适合的电子处理组件。

存储器406(例如，存储器、存储器单元、存储装置等)可以包含用于存储数据和/或计算机代码的一个或多个装置(例如，RAM、ROM、快闪存储器、硬盘存储装置等)以用于完成或促进本申请中所描述的各种过程、层和模块。存储器406可以是或包含易失性存储器或非易失性存储器。存储器406可以包含数据库组件、目标代码组件、脚本组件或用于支持本申请中所描述的各种活动和信息结构的任何其它类型的信息结构。根据一些实施例，存储器406经由处理电路402可通信地连接到处理器404，并且包含用于(例如，由处理电路402和/或处理器404)执行本文中所描述的一个或多个过程的计算机代码。

在一些实施例中，控制器310在单个计算机(例如，一个服务器、一个外壳等)内实施。在各种其它实施例中，控制器310可以分布在多个服务器或计算机上(例如，可以存在于分布式位置)。

存储器406可以包含约束产生器410、模型管理器416、传感器管理器414、优化管理器412和控制信号产生器408。传感器管理器414可以被配置成获得来自区传感器312的区传感器数据和/或来自环境传感器314的环境传感器数据(例如，环境条件、室外温度、室外湿度等)，并且将所需传感器数据分配到其存储器406的各个组件。约束产生器410被配置成生成优化问题的一个或多个约束(例如，传染概率约束)并且将约束提供到优化管理器412。模型管理器416可以被配置成生成动态模型(例如，各个或逐区动态模型、聚合模型等)并且将动态模型提供到优化管理器412。优化管理器412可以被配置成使用由约束产生器410提供的约束和由模型管理器416提供的动态模型来制定优化问题。优化管理器412还可以定义优化问题的目标函数，并且最小化或优化受制于约束和动态模型的目标函数。目标函数可以是指示能量消耗量、能量消耗成本、碳足迹或作为各种控制决策的函数的在某一时间间隔或时间范围(例如，未来时间范围)内的任何其它优化目标的函数。优化管理器412可以将优化结果输出到控制信号产生器408。控制信号产生器408可以基于优化结果生成控制信号并且将控制信号提供到AHU 304、过滤器308和/或UV灯306中的任一个。

特别参考图3和4，AHU 304可以被配置成服务多个建筑区206。例如，AHU 304可以被配置成服务于编号为k＝1,…,K的一系列区206。每一区206可以具有称为温度T_k的温度(第k个区206的温度)、湿度ω_k(第k个区206的湿度)以及传染量子浓度N_k(第k个区206的传染量子浓度)。使用此记法，可以导出各个区206的以下动态模型：

其中f_k是进入第k个区中的空气的体积流量，ρ是空气的质量密度(例如，以kg/m³为单位)，c是空气的热容(例如，以kJ/kg·K为单位)，Q_k(·)是第k个区206上的热负荷(其可以取决于温度T_k)，w_k是第k个区206的湿气增益，并且I_k是第k个区206中的传染性个体数。T₀是提供到第k个区的空气的温度(例如，如由AHU 304的VAV箱排放)，ω₀是提供到第k个区206的空气的湿度，并且N₀是提供到第k个区206的空气的传染量子浓度。

使用以下方程计算由AHU 304输出的空气的温度T₀、由AHU 304输出的空气的湿度ω₀以及由AHU 304输出的空气的传染量子浓度N₀：

其中根据一些实施例，x是AHU 304的新鲜空气摄入分数，T_a是当前环境温度，ω_a是当前环境湿度，ΔT_c是从AHU 304的冷却线圈的温度降低，Δω_c是从AHU 304的冷却线圈的湿度降低，并且λ是由于在AHU 304处的过滤(过滤器308的操作)和/或UV处理(例如，UV灯306的操作)(但不由于因子1-x中考虑的通风)导致的传染量子的部分降低。

在一些实施例中，各个区的动态模型由模型管理器416存储和使用。模型管理器416可以存储上面所示的各个动态模型和/或聚合模型(下面更详细地描述)并填充所述模型。然后可以由模型管理器416将填充的模型提供给优化管理器412以用于执行优化。

在一些实施例中，模型管理器416被配置成从传感器管理器414接收传感器数据。传感器管理器414可以从区传感器312和/或环境传感器313接收传感器数据，并且将合适或所需的传感器数据提供到存储器406的各种管理器、模块、产生器、组件等。例如，传感器管理器414可以获得当前环境温度T_a、当前环境湿度ω_a、从AHU 304的冷却线圈产生的温度降低ΔT_c，和/或从AHU 304的冷却线圈产生的湿度降低Δω_c的值，并且将这些值提供到模型管理器416，以用于确定T₀、ω₀和N₀或用于填充各个区206的动态模型。

在一些实施例中，各个区206的动态模型的变量的各种参数或值是预定义的、预定的或存储的值，或可以基于传感器数据(例如，环境或室外区域的当前环境条件、区206的环境条件等)确定(例如，使用函数、方程、表格、查找表、图形、图表等)。例如，空气的质量密度ρ可以是预定值或可以基于传感器数据确定。在一些实施例中，模型管理器416可以使用存储值、传感器数据等完全地填充各个区206的动态模型(除了通过执行优化确定的各个区206的动态模型的控制或可调整变量)。一旦填充模型，使得仅控制变量保持未定义或未确定。模型管理器416就可以将填充的模型提供到优化管理器412。

传染性个体数I_k可以基于传感器数据(例如，基于建筑区206的居住者或个体的生物计量数据)填充，或可以基于传感器数据估计。在一些实施例中，模型管理器416可以使用预期的居住者数目和关于区域中受传染个体的数目的各种数据库。例如，模型管理器416可以查询有关所述区域中潜在传染传播的在线数据库(例如，特定病毒或传染性疾病的阳性测试的数目)并估计传染性个体是否可能在建筑区206中。

在一些实施例中，可能难以获得建模空间(例如，区206)中传染性个体数I_k的逐区值。在一些实施例中，模型管理器416被配置成使用N_k的模型的总体近似。根据一些实施例，模型管理器416可以存储和使用体积平均变量：

具体来说，上面所示的方程通过基于区206的体积计算加权平均值跨越多个区206聚合变量

和

可以为N_k添加K个单独的常微分方程模型(即，各个区206的动态模型)以确定聚合量子浓度模型：

根据一些实施例，针对每个区206假设

根据一些实施例，下文示出聚合量子浓度模型：

定义聚合温度、湿度、热负荷和湿气增益参数：

允许添加k个热模型

根据一些实施例(针对每个区206假设

)。根据一些实施例，这产生聚合热模型：

根据一些实施例，可以类似地聚合湿气模型

以产生聚合湿气模型：

以预测体积平均湿度的演变。

在一些实施例中，模型管理器416存储并使用上文所描述的聚合量子浓度模型、聚合热模型和/或聚合湿气模型。模型管理器416可以填充聚合模型的各种参数并且将聚合模型提供到优化管理器412以用于优化。

仍参考图4，存储器406包含优化管理器412。优化管理器412可以被配置成使用由模型管理器416提供的模型以及由约束产生器410提供的各种约束来构建HVAC系统200的优化问题(例如，以确定设计输出和/或确定UV灯306和/或AHU 304的控制参数、设定点、控制决策等)。优化管理器412可以构建优化问题，所述优化问题使用受约束的单独的或聚合的温度、湿度和/或量子浓度模型以最小化能量使用。在一些实施例中，由优化管理器412制定和求解的优化问题的决策变量是流量f_k(或者如果优化问题使用聚合模型，则聚合

)、室外空气分数x和传染量子去除分数λ。

传染量子去除分数λ被定义为：

λ＝λ_filter+λ_UV

其中λ_filter是由使用过滤器308产生的传染量子去除分数(例如，由过滤器308去除的传染量子的量或分数)，并且λ_UV是由使用UV灯306产生的传染量子去除分数(例如，由UV灯306的操作去除的传染量子的量或分数)。在一些实施例中，λ_filter是设计时间常数(例如，基于所选择过滤器308确定)，而λ_UV是可以通过优化问题的优化由优化管理器412确定的可调整或可控制变量。在一些实施例中，λ_UV是离散变量。在一些实施例中，λ_UV是连续变量。

根据一些实施例，HVAC系统200的瞬时电力或能量消耗使用方程(例如，最小化的目标函数)建模：

其中L是水的潜热，ΔP是管道压降，η_coil是AHU 304的冷却线圈的效率，η_fan是AHU304的风扇的效率，并且η_UV是UV灯306的效率。在一些实施例中，优化管理器412被配置成存储和使用上文所示的能量消耗模型来制定和执行优化。在一些实施例中，项

是由AHU 304的冷却线圈或加热线圈消耗的能量的量(例如，在优化时间周期或时间范围内)，项

是由AHU 304的风扇消耗的能量的量，并且η_UVλ_UV是由UV灯306消耗的能量的量。在一些实施例中，管道压降ΔP受过滤器308类型的选择影响或与过滤器308类型的选择相关，其中效率较高的过滤器308(例如，具有较高η_filter值的过滤器308)通常导致管道压降ΔP的较高值且因此导致更大能量消耗。在一些实施例中，优化管理器412使用能量消耗的更复杂模型来制定优化问题(例如，非线性风扇模型以及时变或温度相关线圈效率模型)。

在一些实施例中，AHU 304的冷却线圈的变量ΔT_c和Δω_c是隐含的相关决策变量。在一些实施例中，供应温度T_AHU的值针对AHU 304进行选择并且用于基于AHU 304的入口条件(例如，基于由传感器管理器414获得的传感器数据)确定变量ΔT_c和Δω_c。在此实施方案中，模型管理器416或优化管理器412可以确定T₀＝T_AHU以及用于ω₀的方程。

优化管理器412可以使用由模型管理器416提供的模型(例如，单独模型或聚合模型)以及由约束产生器410提供的约束来构建优化问题。优化管理器412可以制定优化问题以最小化经受对模型化参数ω和N的约束以及额外约束的能量消耗：

(能量成本)

s.t. … (用于T_t,ω_t,以及N_t的动态模型)

… (传染概率约束)

(温度界限)

(湿度界限)

(新鲜空气通风界限)

(VAV流量界限)

0≤x_t≤1 (室外空气风阀界限)

其中∑_tE_t是HVAC系统200在优化时间周期内的瞬时电力或能量消耗的总和，其经受T_t、ω_t和N_t的动态模型(逐区单独模型或如上文所述的聚合模型)、传染概率约束(下文更详细地描述)、温度边界约束(

保持T_t在最小温度边界

与最大温度边界

之间)、湿度边界约束(

保持湿度ω_t在最小湿度边界

与最大湿度边界

之间)、新鲜空气通风边界(

保持新鲜空气通风x_tf_t高于或等于最小所需量

)、VAV流量边界(

保持体积流率f_t在最小边界

与最大边界

之间)，以及室外空气风阀界限/约束(0≤x_t≤1，保存室外空气分数x_t在0与1之间)。在一些实施例中，优化管理器412被配置成使用矩阵指数或近似使用配置方法来离散化动态模型(例如，单独动态模型或聚合动态模型)。

温度

和湿度

的边界可以由优化管理器412基于用户输入确定或源自舒适性要求。温度湿度界限可以由优化管理器412作为软约束来实施。其余界限(例如，新鲜空气通风界限、VAV流量界限和室外空气风阀界限)可以由优化管理器412作为优化的硬约束应用于输入量(例如，决策变量)。在一些实施例中，新鲜空气通风界限由优化管理器412执行以满足美国供暖、制冷和空调工程师协会(ASHRAE)标准。在一些实施例中，新鲜空气通风界限被替换为CO2浓度的模型和对应界限。

在一些实施例中，由约束产生器410生成的各种约束或施加在优化问题上的其它约束可以被实施为软约束、硬约束或其组合。硬约束可以对优化问题中的一个或多个变量施加刚性边界(例如，最大值、最小值)，使得优化问题的任何可行解决方案都必须将硬约束变量保持在硬约束定义的范围内。相反，软约束可以实施为对目标函数值有贡献的惩罚(例如，如果优化问题试图最小化目标函数，则添加到目标函数中，或者如果优化问题试图最大化目标函数，则从目标函数中减去)。解决优化问题时可能会违反软约束，但这样做会产生影响目标函数值的惩罚。因此，软约束可以鼓励优化管理器412尽可能将软约束变量的值保持在由软约束定义的限制内以避免惩罚，但是可以允许优化管理器412在必要时违反软约束或在这样做时将产生更佳解决方案。

在一些实施例中，约束产生器410可以通过定义大的惩罚系数(相对于目标函数中其它项的尺度)对优化问题施加软约束，使得优化管理器412仅在绝对必要时违反软约束。然而，预期可以调整或调节惩罚系数的值(例如，由个人或由约束产生器410自动地)以在将软约束变量保持在限制内与由目标函数定义的结果成本(例如，能量成本、货币成本)之间提供最佳折衷。可以由约束产生器410使用的一种方法是使用与违反软约束的量成比例的惩罚(即，静态惩罚系数)。例如，对于软约束温度变量，惩罚系数0.1$/℃会为每1℃的目标函数增加$0.10的成本，使得对于优化周期的每一小时，温度变量超过软约束限制。可以由约束产生器410使用的另一种方法是使用取决于违反软约束的量的可变或渐进的惩罚系数。例如，可变或渐进惩罚系数可以为软约束温度变量超出定义限制的前1℃定义0.1$/℃的惩罚成本，但对于超出前1℃的软约束温度限制的任何违规，相对较高的惩罚成本为1.0$/℃。

可以由约束产生器410使用的另一方法是提供一个或多个约束变量的“约束违反预算”。约束违反预算可以定义在给定时间段内约束变量被允许违反定义的约束限制的总(例如，累积)量。例如，约束温度变量的约束违反预算可以将30℃hr(或任何其它值)定义为允许约束温度变量在给定时间周期内(例如，一天、一周、一月等)违反温度限制的累积量。这将允许温度将温度约束违反30℃持续一小时、1℃持续30个单独小时中的每一者、0.1℃持续300个单独小时中的每一者、10℃持续一小时且1℃持续20个单独小时中的每一者，或跨越给定时间周期的数小时的30℃·hr量的任何其它分布，前提是累积温度约束违反共计30℃·hr或更小。只要累积约束违反量在约束违反预算内(例如，小于或等于约束违反预算)，则约束产生器410可以不将惩罚添加到目标函数或从目标函数中减去惩罚。然而，超过约束违反预算的约束的任何进一步违规可以触发惩罚。可以使用如上文所论述的静态惩罚系数或可变/渐进惩罚系数定义惩罚。

根据一些实施例，传染概率约束(下文更详细地描述)是线性的。在一些实施例中，优化问题中的两个非线性源是动态模型以及线圈湿度降低Δω_c的计算。在一些实施例中，可以使用非线性编程技术来解决优化问题，只要将足够的界限应用于输入变量。

传染概率约束

仍参考图4，存储器406被示为包含约束产生器410。约束产生器410可以被配置成生成传染概率约束，并且将传染概率约束提供到优化管理器412。在一些实施例中，约束产生器410被配置成还生成温度界限、湿度界限、新鲜空气通风界限、VAV流量界限和室外空气风阀界限，并且将这些界限提供到优化管理器412以执行优化。

对于传染概率约束，Wells-Riley方程的动态扩展意味着应该在个体处于建筑物中的时间间隔内存在平均约束。根据一些实施例，个体i在时间间隔[0,T]内的传染概率P_i,[0,T]由下式给出：

假设个体的传染概率P_i,[0,T]是已知值，则根据一些实施例，可以为P_i,[0,T]选择上限P^max且可以将其实施为线性约束：

在一些实施例中，变量δ_it对于建筑物10中的每个个体可能不同，但可以如本文所述近似。

以上线性约束是向优化管理器412(例如，优化器)提供最大量的灵活性的平均约束，因为平均约束可以在一天中的某些时间(例如，当额外的新鲜空气通风由于室外环境条件昂贵时)允许更高浓度的传染量子，只要在一天中的其它时间，较高浓度与传染量子的较低浓度相平衡。然而，对于建筑物10中的每个个体，δ_it序列可以不同。出于本文所描述的实例的目的，假设通常每个个体总共呆8小时(例如，如果建筑物10是办公楼)。然而，对于其它类型的建筑物，个体在建筑物内的估计时间量可以调整或设置成其它值。例如，当本文所描述的系统和方法在餐厅或商店中实施时，假设个体出现在建筑物中的时间量可以设置为完成对应活动(例如，吃饭、购物等)所需的平均或估计时间量。虽然可以合理地知道每个个体对建筑物的占用时间，但个体出现在建筑物中的时间可能会有所不同(例如，个体可能在上午7点到下午3点、上午9点到下午5点出现等)。因此，为了确保满足所有可能的δ_it序列的约束，可能需要在对一天中具有最高浓度的8小时进行求和时满足约束。

此约束使用线性约束表示为：

其中η和μ_t是优化问题中的新辅助变量，并且M是对应于8小时(或个体预期占用建筑物10或建筑区206中的一个的任何其它时间量)的离散时间步长的数目。由于η设置成N_t的第M个最高值并且μ_t中的每一个满足μ_t＝max(N_t-η,0)，因此这个公式可能有效。有利地，当实施控制器310以执行HVAC系统200的控制决策时(例如，当控制器310在在线模式下操作时)，传染概率约束的这种实施方案可以由约束产生器410生成并且提供给优化管理器412以用于优化问题。

下文示出使用逐点约束的传染概率约束的替代实施方案：

其中对于最大传染概率值P^max，N_t被限制为小于或等于

在一些实施例中，上面所示的逐点约束由约束产生器410在优化管理器412用于离线或设计实施方案时生成。在一些实施例中，如果在所有区206中满足以上所示的逐点约束，则确保任何个体将满足传染概率约束。与本文所描述的传染概率约束的其它实施方案相比，这种约束可能牺牲灵活性，但转化为类似于优化问题中的其它界限的简单框约束，从而促进更简单的优化过程。

在一些实施例中，最大允许或期望传染概率P^max是由约束产生器410用来生成本文所描述的传染概率约束的预定值。在一些实施例中，约束产生器410被配置成从用户接收最大允许或期望传染概率P^max作为用户输入。在一些实施例中，最大允许或期望传染概率P^max是可调整的参数，其可以由用户设置或基于传染类型、一年中的时间、建筑物的类型或用途，或各种其它因素中的任何一个自动地生成。例如，一些建筑物(例如医院)可能比其它类型的建筑物对预防疾病传播更敏感，并且可能使用P^max的较低值。类似地，一些类型的疾病可能比其它类型的疾病更严重或危及生命，因此随着疾病严重程度的增加，P^max的值可以设置成相对较低的值。在一些实施例中，P^max的值可以由用户调整，并且本文所描述的系统和方法可以针对P^max的各种不同值运行多个模拟或优化以确定对成本和疾病传播的影响。考虑到估计的成本和对疾病传播的影响，用户可以使用模拟或优化的结果来选择P^max的期望值。

模型增强

仍参考图4，优化管理器412、约束产生器410和/或模型管理器416可以实施优化中的各种模型增强。在一些实施例中，优化管理器412被配置成添加用于辅助(例如，受控)加热(例如，经由脚板加热或VAV再热线圈)的决策变量。在一些实施例中，辅助加热的效果包含在与扰动热负荷Q_k(·)类似的温度动态模型中。与其它决策变量类似，辅助加热决策变量可能受制于约束产生器410生成并由优化管理器412在优化问题制定和解决中使用的界限(例如，在冷却季节期间两者都设置成零，以停用辅助加热)。在一些实施例中，辅助加热还导致优化管理器412包含被最小化的能量消耗方程(如上所示)中的相关联能量消耗的另一项。

在一些实施例中，某些区或区域可能具有可变的电价和/或高峰需求费用。在一些实施例中，目标函数(例如，能量消耗方程)可以由优化管理器412增强以考虑这种成本结构。例如，由优化管理器412最小化的现有能量消耗E_t可以乘以对应电价P_t。高峰需求费用可能需要使用表示建筑物10的基本电负荷的附加参数e_t(例如，用于非HVAC目的)。优化管理器412可以包含此成本结构并且可以最小化与电力消耗相关联的总成本，而不是仅仅最小化电力消耗。在一些实施例中，当生成目标函数时，优化管理器412考虑可以通过参与基于激励的需求响应(IBDR)计划、频率调节(FR)计划、经济负荷需求响应(ELDR)计划，或其它收入来源产生的收入。在一些实施例中，优化管理器412通过将未来成本或未来收益贴现到它们的净现值来计算货币时间价值。可以由优化管理器412考虑的这些和其它因素详细地描述于2019年7月23授予的第10,359,748号美国专利、2019年11月14日公开的第2019/0347622号美国专利申请公开和2018年12月13日公开的第2018/0357577号美国专利申请公开中，所述专利中的每一个通过引用以其全文并入本文中。

在一些实施例中，某些位置具有随时间变化的电价，因此存在通过使用建筑物10的固体块进行热能存储来显著地降低冷却成本的潜力。在一些实施例中，控制器310可以操作以在电力便宜时预冷却建筑物10的固体块，使得固体块稍后可以在当天晚些时候电力较便宜时提供被动冷却。在一些实施例中，优化管理器412和/或模型管理器416被配置成通过添加新变量

来使用模型增强对这种效果建模，以表示区206的固体块演变为：

其中对应项：

添加到空气温度模型(上文所示)。这个量也可以由模型管理器416聚合成类似于

的平均值

对于一些疾病，随着时间的推移，传染性微粒可能自然地变得失活或以其它方式从空气中去除。为了考虑这些影响，控制器310可以将比例衰减项添加到传染量子模型(除了上面讨论的传染量子模型的其它项)。以下方程中示出实例：

其中β表示传染性物质的自然衰减率(以s-1为单位)，并且省略号表示如上所述的传染量子模型的其它项。因为自然衰减从传染性微粒的总量中减去，所以自然衰减项从传染量子模型中的其它项中减去。例如，如果给定的传染因子的半衰期t_1/B为一小时(即t_1/B＝1hr＝3600s)，则对应衰减率由下式给出：

此额外项可以确保传染性微粒浓度不会在极长的时间周期内无限地累积。

离线优化

特别参考图5，控制器310可以被配置成用作设计或规划工具，以用于确定HVAC系统300的各种设计参数(例如，用于确定过滤器308、UV灯306等的尺寸)。在一些实施例中，实施为设计工具、规划工具、推荐工具等的控制器310(例如，在离线模式下)的功能类似于实施为实时控制装置的控制器310(例如，在在线模式下)。然而，模型管理器416、约束产生器410和优化管理器412可以从模拟数据库424接收所需的传感器输入数据(即，模型人口数据)。模拟数据库424可以存储HVAC系统200的能量消耗装置的各种约束或边界参数、动态模型或典型能量消耗成本或操作参数的值。在一些实施例中，模拟数据库424还存储从HVAC系统200的传感器获得的预测或历史值。例如，模拟数据库424可以存储典型的环境温度、湿度等条件，以用于执行离线模拟。

当控制器310被配置成用作设计工具(图5中示出)时，控制器310可以从用户输入装置420接收用户输入。用户输入可以是用于各种约束(例如，用于模拟的传染概率的最大值)或各种所需输入参数的初始输入。用户还可以为用于填充模型或约束等的模拟数据库424提供模拟数据。控制器310可以输出是否使用特定的一件设备(例如，是否使用或安装UV灯306)、是否使用AHU 304吸入外部空气等或其它因素的建议来最小化成本(例如，优化目标函数、最小化能量消耗、最小化能量消耗货币成本等)并且满足消毒目标(例如，提供期望的传染概率水平)。在一些实施例中，控制器310可以基于建筑物10的位置提供不同推荐或建议。在一些实施例中，推荐通知用户关于需要什么设备来将区206的传染概率保持在阈值内，而不增加能量成本或碳足迹。

与在线优化(下文更详细地描述)相比，通过优化管理器412为离线实施方案制定的优化问题包含对传染量子浓度的额外约束(如上文更详细地描述)。在一些实施例中，传染量子浓度可以通过以下步骤控制或调整：(a)改变进入每个区206的气流(例如，调整f_i)，(b)改变新鲜空气摄入分数(例如，调整x)，或(c)通过过滤或UV光(例如，调整λ)破坏AHU304中的传染性微粒。

应注意，第一和第二控制或调整(例如，(a)和(b))还可以影响建筑物10的区206的温度和湿度。然而，第三控制选项(c)(例如，通过UV灯的过滤和/或操作调整传染量子浓度)与建筑物10的区206的温度和湿度无关(例如，不影响建筑物10的区206的温度或湿度)。在一些实施例中，优化管理器412可以确定很大程度上或完全依赖于通过过滤器308和/或UV灯306的操作保持传染量子浓度低于其对应阈值或界限的结果。然而，建筑区206的温度和湿度可以存在足够灵活性，使得优化管理器412可以同时确定对(a)、(b)和(c)的调整以实现最低或最少操作成本(例如，能量消耗)。另外，由于购买过滤器308和/或UV灯306可能会产生大量的资金成本(例如，用于购买此类装置)，因此控制器310可以执行优化作为模拟，以确定购买过滤器308和/或UV灯306是否具有成本效益。

当控制器310被配置为图5中所示的设计工具时，控制器310可以提供总成本(资金成本和操作成本两者)的估计，以实现期望的传染控制水平(例如，以保持传染概率低于或处于期望的量)。目的是假设不同的设备配置(例如，由模拟数据库424存储和提供)和针对给定典型气候和居住率数据(例如，由模拟数据库424存储和提供)的不同传染概率约束，进行一系列独立的模拟。在一些实施例中，不同设备配置包含当过滤器308和/或UV灯306安装在HVAC系统200中时或当过滤器308和/或UV灯306不安装在HVAC系统200中时的情形。

在针对不同设备配置情形和/或不同传染概率约束执行模拟之后，控制器310可以基于全局设计决策(例如，是否安装UV灯306和/或过滤器308)执行成本收益分析。成本收益分析可以由结果管理器418执行，并且可以经由显示装置422将成本收益分析结果作为显示数据输出到建筑物管理者。这些结果可以帮助建筑物管理者或建筑物设计者评估对建筑物10进行传染控制的可能选项(如图8中所示)。

特别参考图5和8，图形800说明可以由显示装置422显示的结果管理器418的可能输出。图形800说明针对当过滤和UV灯都用于传染控制时的情况(由系列808表示)、当过滤用于传染控制而不使用UV灯时的情况(由系列802表示)、当UV灯用于传染控制而不使用过滤时的情况(由系列806表示)，以及当UV灯和过滤都不用于传染控制时的情况(由系列804表示)，相对于传染概率(X轴)的相对成本(Y轴)。在一些实施例中，由系列802到808说明的每一情况假设新鲜空气摄入用于控制传染概率。与图形800相关联的数据可以由结果管理器418输出，使得图形800可以生成并显示在显示装置422上。

在一些实施例中，由优化管理器412执行的离线优化比由优化管理器412执行的在线优化更快或计算效率更高。在一些实施例中，使用常规的基于规则的控制，而不是用于在线优化的模型预测控制方案执行模拟。另外，与在在线模式下执行优化时相比，可以在更短的时间范围内执行模拟以促进对各种设计条件的模拟。

在一些实施例中，优化管理器412被配置成使用由模型管理器416生成、填充和提供的聚合动态模型进行离线优化(例如，设计优化)。当优化管理器412使用聚合动态模型时，这意味着存在优化的三个决策变量：

x和λ。变量λ可以包含在每一时间步长处的两个位置(例如，对应于UV灯306接通或UV灯306断开)。

和x的合理网格尺寸可以是100。因此，这导致每个步骤处的控制决策的100×100×2＝20,000种可能组合，这在计算上可管理。因此，优化管理器412可以通过简单地评估所有可能的控制输入集合并选择实现最低成本的控制输入集合而经由优化问题的一步限制来选择变量

x和λ的值。

如果使用额外变量，例如辅助加热变量，则这可以增加优化问题的维度。然而，优化管理器412可以为额外变量选择更粗略的网格(例如，5到10个选项)。

在一些实施例中，优化管理器412被配置成在训练周期中解决多个一步优化问题(例如，为不同的控制变量集合制定不同优化问题并在单个时间步长上解决优化问题)，然后训练函数近似器(例如，神经网络)以重新创建映射。这可以改进优化的效率。在一些实施例中，优化管理器412被配置成将直接策略优化应用于动态模型，以便使用多个并行优化问题直接学习控制定律。

在一些实施例中，当控制器310充当图5中所示的设计工具时，存在两个设计变量。第一设计变量是购买和安装UV灯306是否具有成本效益或合乎需要，而第二设计变量是购买和安装过滤器308(例如，高级过滤装置)是否具有成本效益或合乎需要。

在一些实施例中，优化管理器412被配置成在每个模拟月内执行受不同模拟变量影响的各种模拟。这些模拟变量可以分为设计决策类别和随机参数类别。根据一些实施例，设计决策类别包含其值由系统设计者选择的变量。随机参数类别包含其值由外部(例如，随机)过程产生的变量。

设计决策类别可以包含是否激活UV灯306的第一变量。第一变量可以具有两个值(例如，当激活UV灯306时的第一值以及当去激活UV灯306时的第二值)。设计决策类别可以包含使用各种高效过滤器(如果存在的话)中的哪一个的第二决策变量。第二变量可以具有建筑物管理者希望模拟的任何数目的值(例如，5)并且可以经由用户输入装置420提供。设计决策类别还可以包含应该将什么值用于传染概率约束(由约束产生器410提供并由优化管理器412在优化问题中使用)的第三变量。在一些实施例中，第三变量的各种值还由用户输入装置420提供。在一些实施例中，第三变量的各种值预定或存储在模拟数据库424中并且提供到优化管理器412中以用于模拟。第三变量可以具有如用户需要的任何数目的值(例如，3个值)。

随机参数类别可以包含环境天气和区占用变量以及建筑物10变量中存在的受感染个体数。在一些实施例中，环境天气和区占用变量可以具有大约10个不同的值。在一些实施例中，存在的受传染个体数可以具有大约5个不同值。

为了确定给定月份的最低成本，优化管理器412可以聚合随机参数类别中的变量(例如，平均值)，然后执行优化以最小化设计决策类别的变量的可行值上的能量消耗或成本。在一些实施例中，一些设计决策情形受到全局设计决策的选择的限制。例如，为了优化管理器412计算每月操作成本，假设选择安装UV灯306但不过滤，优化管理器412可以确定所有情形中的最低成本情形没有过滤，但启用或停用UV灯306。虽然即使安装紫UV灯306，这也可能是不寻常的(例如，停用UV灯306)，但各种条件(例如，天气)可能使其成为最具成本效益的解决方案。

在一些实施例中，由优化管理器412执行的模拟逻辑可以在Tensorflow(如由膝上型计算机或任何其它计算能力足够强大的处理装置操作)中执行。为了每个月执行1,500个模拟情形，或全年执行18,000个模拟情形，时间步长为15分钟，这意味着给定模拟年份总共大约有5200万个时间步长的情形。

在一些实施例中，优化管理器412需要各种模拟数据，以便执行离线模拟(例如，以确定设计参数)。在一些实施例中，模拟数据存储在模拟数据库424中并且按需要提供给约束产生器410、模型管理器416和/或优化管理器412中的任一个以执行其相应功能。存储在模拟数据库424中的模拟数据可以包含每个区206的热传递参数、每个区206的热负荷和湿气负荷、AHU 304的线圈模型参数、AHU 304的风扇模型参数、外部温度、湿度和太阳能数据、过滤效率、压降和过滤器308的成本与类型、UV灯306的消毒分数和能耗、UV灯306和过滤器308的安装成本、典型呼吸率p、建筑区206中的传染个体数

以及各种疾病的疾病量子产生q值。在一些实施例中，每个区206的热传递参数可以通过模拟数据库424从先前的模拟或从用户输入装置420获得。在一些实施例中，基于区206的居住率和ASHRAE指南估计每个区206的热负荷和湿气负荷。在模拟数据库424中获得此模拟数据之后，控制器310可以执行如本文所描述的模拟(例如，离线优化)。

应理解，如整个本公开所使用，术语“优化”可以表示时间优化(例如，跨越时间范围)或静态优化(例如，在特定时刻的瞬时优化)。在一些实施例中，优化管理器412被配置成针对不同设备选择运行多个优化，或被配置成将设备配置视为决策变量且执行单个优化来确定最佳设备配置。

还应理解，如整个本公开中所使用的术语“设计”(例如，“设计数据”和/或“设计工具”)可以包含设备推荐(例如，购买特定设备或特定类型的设备，例如特定过滤器的推荐)和/或HVAC系统200的操作推荐。换句话说，如本文所使用的“设计数据”可以指用于选择设备、操作策略或任何其它选项的任何信息、度量、操作数据、指导、建议等，以改进财务指标或其它控制目标(例如，舒适度和/或传染概率)。

例如，如本文参考图5详细描述的控制器310可以被配置成提供特定型号的购买推荐。在一些实施例中，控制器310被配置成与设备性能数据库通信以提供产品特定的选择。例如，控制器310可以在数据库中搜索具有由优化确定或选择的特定规范的设备。在一些实施例中，控制器310还可以提供推荐或建议的控制算法(例如，模型预测控制)作为设计数据。在一些实施例中，控制器310可以提供一般类型的设备或一般设备配置的推荐或建议，而不指定特定型号。在一些实施例中，控制器310还可以推荐特定过滤器或特定过滤器等级。例如，优化管理器412可以使用不同的过滤器等级执行多个优化并选择与最佳结果相关联的过滤器等级。

在线优化

再次参考图4，控制器310可以实施为在线控制器，所述在线控制器被配置成确定建筑物10的设备的最优控制。具体来说，控制器310可以确定UV灯306和AHU 304的最佳操作，以在安装UV灯306和/或过滤器308并且HVAC系统200可操作之后将能量消耗最小化。当控制器310被配置为在线控制器时，控制器310的功能可以类似于配置用于离线优化且上文参考图5更详细地描述的控制器310。然而，控制器310可以确定用于建筑物10的特定设备配置的最佳控制决策。

在一些实施例中，优化管理器412被配置成执行与2017年3月29日提交的第15/473,496号美国专利申请中描述的技术类似的模型预测控制，所述专利申请的全部公开内容以引用的方式并入本文中。

虽然优化管理器412可以使用MPC技术构建和优化上文更详细地描述且下文示出的优化问题，但是主要差异在于，优化管理器412通过如上文更详细地描述的传染量子浓度模型执行优化。

(能量成本)

s.t. … (用于T_t,ω_t,和N_t的动态模型)

… (传染概率约束)

(温度界限)

(湿度界限)

(新鲜空气通风界限)

(VAV流量界限)

0≤x_t≤1 (室外空气风阀界限)

因此，所得优化问题对此新变量(传染量子浓度)具有额外的约束，而且通过激活UV灯306的所确定决策也具有新的灵活性。在一些实施例中，由优化管理器412执行的优化可以实时地平衡获得额外的室外空气(其通常引起冷却能量损失)与激活UV灯306(其需要电力消耗)之间的折衷。另外，传染因子控制的添加还可以在供暖季节(例如，在冬季)提供HVAC系统200的额外房间优化。在不考虑传染量子浓度的情况下，解决方案通常会导致最低室外气流低于某一收支平衡温度，整个建筑物10在低于所述温度时需要供暖。然而，由于通过优化管理器412制定的优化问题可以确定增加室外空气摄入，因此这可以提供消毒的额外益处。

出于实时或在线优化的目的，HVAC系统200可以在逐个区的基础上建模，因为区206各自具有单独的温度控制器和VAV箱。在一些实施例中，通过控制器310从区传感器312获得逐区温度测量值(例如，位于多个区206中的每一个处的一系列温度、湿度、CO2、空气质量等传感器)。在一些实施例中，优化管理器412被配置成使用区级温度模型，但聚合湿度和传染量子模型以用于在线优化。有利地，这可以减少必要的建模工作和优化问题中的决策变量数。在一些实施例中，如果AHU 304服务于过多数目的区206，则区级热建模可能在计算上过于具有挑战性，因此优化管理器412可以使用聚合温度模型。

在优化管理器412已经选择是使用单独模型还是聚合模型(或它们的某种组合)之后，优化管理器412可以实施以下形式的约束：

对于所有t∈[0,T]

给定范围t，其中u(t)是决策、控制或可调变量，而p(t)是时变参数(其值是提前预测的)。在一些实施例中，优化管理器412被配置成通过将u(t)和p(t)信号离散化成分段常数值u_n和p_n来实施此约束，其中离散索引n表示固定采样时间Δ的时间间隔t∈[nΔ,(n+1)Δ]。优化管理器412随后可以将约束变换成：

对于所有t∈[nΔ,(n+1)Δ]以及n∈{0,…,N-1}

其中N＝T/Δ是时间步长的总数。在一些实施例中，优化管理器412被配置成使用高级正交技术评估此约束。例如，优化管理器412可以将约束变换成：

x_n+1＝F(x_n,u_n,p_n)

其中x(t)离散化为x_n，并且F(·)表示数值求积分例程。在一些实施例中，如果由模型管理器416提供的模型足够简单，则优化管理器412可以推导F(·)的解析表达式以直接执行此计算。

在一些实施例中，优化管理器412使用近似中点法来推导解析表达式：

其中常微分方程f(·)在时间间隔的中点处进行评估。

在一些实施例中，优化管理器412被配置成以规律间隔(例如，每小时)重复地解决优化问题，以修正用于控制信号发生器408的优化输入序列。然而，由于优化是非线性和非凸的，降低解决优化问题的频率以提供额外的时间来重试失败的解决方案可能是有利的。

在一些实施例中，优化管理器412使用每日咨询容量。例如，优化管理器412可以每天一次(例如，在早晨)构建和解决优化问题，以确定(例如，AHU 304的)最佳风阀位置、UV利用率(例如，UV灯306的操作)和区级气流。使用此优化的结果，优化管理器412可以被配置成预先调度优化解决方案的各种变量的时变上限和下限，但是具有上下范围，使得优化管理器412可以具有足够的灵活性来拒绝局部干扰。在一些实施例中，HVAC系统200的调节控制系统被维持，但可能在从优化问题获得的新的更严格界限处饱和。然而，如果来自环境传感器314的环境传感器数据(例如，环境温度、室外温度、室外湿度等)和/或天气预报和/或居住率预报指示应重新执行优化(例如，如果天气预报不正确或变化)，则优化管理器412可以被配置成在中午重新优化。

在一些实施例中，优化管理器412被配置成通过基于多个离线最佳解决方案(例如，在执行离线优化时由控制器310确定)的结果训练神经网络来减少优化量。在一些实施例中，训练神经网络以学习初始状态与干扰预报之间到优化控制决策的映射。神经网络可以在控制器310的在线实施方案中用作解决优化问题的替代物。使用神经网络的一个优点是神经网络评估比执行优化问题快，并且神经网络不太可能建议质量较差的局部最优解(前提是从训练数据中排除此类解决方案)。然而，神经网络可能会返回干扰序列的无意义值。然而，可以通过将控制器310配置成使用混合信任区域策略来减轻这种不利影响，其中优化管理器412在一天开始时通过直接优化来解决优化问题，然后在一天的剩余时间，如果控制器310在最佳解决方案的预定义信任区域内，则控制器使用神经网络建议。如果神经网络建议在预定义信任区域之外，则优化管理器412可以使用在预定义信任区域内的先前最佳解决方案。

在一些实施例中，假设区级VAV流量f_k是决策变量，则通过优化管理器412制定优化问题。然而，在一些系统中，控制器310与HVAC系统200的设备之间的主要接口是发送到区级恒温器的温度设定点。在一些实施例中，优化管理器412和控制信号产生器408被配置成将预测的最佳温度序列向后移动一个时间间隔，然后将这些值(例如，优化的结果)作为温度设定点传递。例如，如果预报高估特定区206中的头部负荷，则所述区的VAV风阀将向区206输送更少的气流，因为需要更少的冷却来维持期望的温度。

当优化管理器412使用对传染量子浓度的约束时，控制器310现在可以使用区级气流来控制两个变量，而本地控制器仅知道一个变量。因此，在假设情形下，减少的气流可能导致违反对传染概率的约束。在一些实施例中，优化管理器412和/或控制信号产生器408被配置成在VAV处维持更高流速，即使所得温度可能低于所预测的温度。为了解决此情形，优化管理器412可以使用区级VAV风阀的最小界限和最大界限，特别是将它们设置为更窄的范围，使得迫使VAV风阀输送(至少大约)优化的空气循环水平。在一些实施例中，为了满足传染量子浓度，相关界限是流量下限(因为任何更高的流量仍将满足约束，尽管能量成本更高)。在一些实施例中，合适的策略是将VAV最小位置设置在输送75％到90％的优化流量的水平。在一些实施例中，当优化管理器412高估热负荷时，VAV控制器自由地略微下降到低于优化水平，同时当优化管理器412低估热负荷时，它还具有根据需要增加流量的完全灵活性。在前一种情况下，优化管理器412可能会稍微违反传染量子约束(如果流量下降到计划水平以下，则可能通过基于规则的逻辑来减轻传染量子约束以激活UV灯306)，而在后一种情况下，最佳解决方案仍然满足对传染量子的约束。因此，优化管理器412可以实现两个控制目标，而不会显著地破坏已经到位的低级调节控制。

在线优化过程

特别参考图6，根据一些实施例，示出用于执行在线优化以最小化能量消耗并满足建筑物中的传染概率约束的过程600。当控制器310被配置成执行在线优化时，过程600可以通过控制器310执行。在一些实施例中，为HVAC系统200实时执行过程600以确定AHU 304和/或UV灯306的最佳控制。可以针对HVAC系统执行过程600，所述HVAC系统包含：UV灯306，其被配置成为供应空气提供消毒，将所述供应空气提供到建筑物10的一个或多个区206；过滤器308，其过滤AHU的空气输出；和/或AHU(例如，AHU 304)。还可以针对HVAC系统执行过程600，所述HVAC系统不包含过滤器308和/或UV灯306。

根据一些实施例，过程600包含确定多个区中的每一个的温度模型，以基于对应区的一个或多个条件或参数预测对应区的温度(步骤602)。温度模型可以由模型管理器416产生或确定以用于优化问题。在一些实施例中，温度模型是：

其中ρ是空气的质量密度，c是空气的热容量，V_k是第k个区的体积，f_k是进入第k个区的空气的体积流量，T₀是由AHU输出的空气的温度，T_k是第k个区的温度，并且Q_k是第k个区上的热负荷。步骤602可以由模型管理器416执行，如上文参考图4到5更详细地描述。

根据一些实施例，过程600包含确定多个区中的每一个的湿度模型，以基于对应区的一个或多个条件或参数预测对应区的湿度(步骤604)。对于湿度模型而不是温度模型，步骤604可以类似于步骤602。在一些实施例中，对于第k个区206，湿度模型是：

在一些实施例中，步骤604由模型管理器416执行，如上文参考图4到5更详细地描述。

根据一些实施例，过程600包含确定多个区中的每一个的传染量子浓度模型，以基于对应区的一个或多个条件或参数预测对应区的传染量子(步骤606)。在一些实施例中，传染量子浓度模型类似于步骤604的湿度模型或步骤602的温度模型。传染量子浓度模型可以是：

根据一些实施例。在一些实施例中，步骤606由模型管理器416执行。

根据一些实施例，过程600包含确定聚合温度模型、聚合湿度模型、聚合传染量子模型、聚合热模型和聚合湿气模型(步骤608)。在一些实施例中，步骤608为任选的。步骤608可以包含通过确定跨越区206的体积平均值来生成或确定聚合模型中的每一个。根据一些实施例，聚合传染量子模型是：

根据一些实施例，聚合热模型是：

聚合湿气模型是：

根据一些实施例。在一些实施例中，聚合热和湿气模型是聚合热模型。步骤608可以是任选的。步骤608可以由模型管理器416执行。

根据一些实施例，过程600包含使用传感器数据或所存储值填充温度模型、湿度模型、传染量子模型或聚合模型中的任一个(步骤610)。在一些实施例中，步骤610由模型管理器416执行。在一些实施例中，步骤610为任选的。可以基于从区传感器312获得的传感器数据而执行步骤610。

根据一些实施例，过程600包含确定目标函数，所述目标函数包含操作服务于区的HVAC系统的成本(步骤612)。在一些实施例中，通过使用由模型管理器416提供的动态模型和/或聚合模型由优化管理器412执行步骤612。目标函数可以是在给定时间周期内能量消耗、能量成本，或其它所关注变量的总和。在离散时间步长处的瞬时能量消耗通过以下公式给出：

其可以如下在给定时间周期的所有时间步长上求和或积分：

其中根据一些实施例，Δ是离散时间步骤的持续时间。

根据一些实施例，过程600包含确定目标函数的一个或多个约束，包含传染概率约束(步骤614)。在一些实施例中，步骤614由约束产生器410执行。一个或多个约束可以包含传染概率约束、温度界限或约束、湿度界限或约束、新鲜空气通风界限或约束、VAV流量界限或约束，和/或室外空气风阀界限或约束。根据一些实施例，传染概率约束是：

或者：

根据一些实施例，过程600包含执行优化以确定HVAC系统的HVAC设备和HVAC系统的紫外线灯的控制决策，使得满足一个或多个约束且最小化成本(步骤616)。通过最小化经受一个或多个约束(例如，温度、湿度等界限和传染概率约束)的目标函数，步骤616可以由优化管理器412执行。步骤616还可以包含基于目标函数、动态模型(或聚合动态模型)和一个或多个约束构建优化问题和构建优化问题。控制决策可以包含HVAC系统的AHU(例如，AHU304)的新鲜空气分数x，打开还是关闭UV灯等。

离线优化过程

特别参考图7，根据一些实施例，示出用于执行离线优化以确定最小化能量消耗或成本并且满足传染概率约束的设备配置的过程。过程700可以与过程600共享相似性，但是可以在离线模式下执行(例如，不确定控制决策或基于实时传感器数据)以确定或评估各种设计决策并向建筑物管理者提供设计信息。当配置用于离线模式时，过程700可以由控制器310执行(如图5中所示)。

过程700包含可以与过程600的步骤602到608相同的步骤702到708。然而，虽然步骤608在过程600中可以是任选的，使得可以使用单独动态模型和聚合动态模型的组合执行优化，但是步骤708在过程700中可以是非任选的。在一些实施例中，使用聚合动态模型降低过程700的优化的计算复杂性。过程700可以针对各种设计参数(例如，不同设备配置)执行，然而过程600可以针对单个设备配置执行(例如，过程600用于优化的设备配置)。因此，在过程700中使用聚合模型来降低优化问题的复杂性可能是有利的。

过程700包含使用模拟数据填充聚合模型(步骤710)。在一些实施例中，由模型管理器416使用来自模拟数据库424的输出(例如，使用存储在模拟数据库424中的聚合模型的各种参数的值)执行步骤710。在一些实施例中，使用已知、假设或预定值来执行步骤710以填充聚合模型。

根据一些实施例，过程700包含确定目标函数，包含操作服务于区的HVAC系统的成本(步骤712)，以及确定目标函数的一个或多个约束，包含传染概率约束(步骤714)。在一些实施例中，步骤712和步骤714与过程600的步骤612和614相似或相同。

根据一些实施例，过程700包含执行各种设备配置的一系列单步优化以估计与所述设备配置相关联的操作成本(步骤716)。在一些实施例中，步骤716由优化管理器412执行。优化管理器412可以使用聚合温度模型、聚合湿度模型、聚合传染量子模型、一个或多个约束和目标函数来构建不同设备配置的不同优化问题。在一些实施例中，优化管理器412被配置成在单个时间步长内解决不同设备配置的优化问题。可以将优化问题的结果输出到结果管理器418以向用户显示。

根据一些实施例，过程700包含将设计建议或优化结果输出到用户(步骤718)。在一些实施例中，步骤718包含将与不同设备配置(例如，包含用于消毒的UV灯和/或用于消毒的过滤器的设备配置)相关联的成本输出到用户(例如，经由显示装置)，使得用户(例如，建筑物管理者)可以确定它们是否希望购买额外的消毒设备(例如，UV灯和/或过滤器)。例如，步骤718可以包含操作显示器以将图形800(或类似图形)提供到用户。

尽管过程700主要描述为“离线”过程，应理解，过程700不限于离线实施方案。在一些实施例中，当控制器310在在线模式下操作时，可以使用过程700(如参考图4和6所描述)。在一些实施例中，通过执行过程700产生的结果和/或当在离线模式下操作控制器310时产生的结果(例如，推荐的设备配置、推荐的操作参数等)可以用于执行HVAC设备的在线控制或执行其它自动动作。例如，控制器310可以使用推荐的设备配置来根据推荐的设备配置自动地启用、停用或改变HVAC设备的操作(例如，启用与由模拟/优化识别的最低成本设备配置相关联的HVAC设备的集合)。类似地，控制器310可以使用推荐的操作参数来产生控制信号并且将控制信号提供到HVAC设备(例如，根据推荐的操作参数操作HVAC设备)。

一般来说，控制器310可以使用当在离线模式下操作控制器310时产生的优化/模拟结果来生成包含一个或多个推荐的设计参数(例如，是否包含或使用UV灯306进行消毒、是否包含或使用过滤器308进行消毒、是否使用新鲜/室外空气进行消毒、推荐类型或等级的UV灯306或过滤器308等)的设计数据，以及包含一个或多个推荐的操作参数(例如，应在供应到建筑区的供应空气中存在的新鲜/室外空气的分数、UV灯306的操作决策、用于发送到每个建筑区的气流量等)的操作数据。设计数据可以包含推荐的设备配置，其指定哪个HVAC设备在HVAC系统中用于优化能量消耗、能量成本、碳排放或其它所关注的变量，同时确保提供期望的消毒水平。

控制器310可以使用设计数据和/或操作数据执行或发起一个或多个自动动作。在一些实施例中，自动动作包含自动控制动作，例如生成控制信号并且将控制信号提供到UV灯306、AHU 304、一个或多个VAV单元，或其它类型的空侧HVAC设备，其操作以将气流提供到一个或多个建筑区。在一些实施例中，自动动作包含发起购买或安装由设计数据定义的所推荐的HVAC设备集合的过程(例如，将关于所推荐的HVAC设备集合的信息提供到用户，自动地调度设备升级等)。在一些实施例中，自动动作包含将设计数据和/或操作数据提供到用户界面装置(例如，显示装置422)和/或获得经由用户界面装置提供的用户输入。用户输入可以指示期望的消毒水平，和/或基于限定期望的传染概率或消毒水平的用户选定值自动地更新优化/模拟结果的请求。控制器310可以被配置成提供各种用户界面中的任一个(下文论述其实例)，以允许用户与优化/模拟结果交互并且基于结果调整HVAC系统的操作或设计。

用户界面

现在参考图5和9，在一些实施例中，用户输入装置420被配置成将用户界面900提供到用户。图9中示出可以经由用户输入装置420生成和呈现的用户界面900的实例。用户界面900可以允许用户提供一个或多个用户输入，这些用户输入定义建筑物中哪些设备可用或哪些设备应该考虑用于设计目的(例如，过滤、UV等)以及期望的传染概率(例如，低、中、高、百分比等)。经由用户界面900提供的输入可以由控制器310设置优化问题或将由优化管理器412解决的问题。例如，约束产生器410可以使用经由用户界面900接收到的输入来生成由优化管理器412用于执行优化的各种界限、边界、约束、传染概率约束等。在完成所有模拟情形之后，可以经由用户界面900的“结果”部分将结果呈现给用户，所述结果部分允许用户探索各种折衷。

作为实例，用户界面900的“建筑物选项”部分允许用户指定期望的建筑物和气候参数，例如建筑物的平方英尺、建筑物所在的城市等。用户还可以指定在模拟情形中是否应考虑UV消毒和/或高级过滤(例如，通过选择或取消选择UV和过滤选项)。用户界面900的“消毒选项”部分允许用户指定期望的消毒水平或传染概率。例如，用户可以移动用户界面900的消毒选项部分内的滑块以定义每个月的期望消毒水平(例如，低、高、中间水平等)。或者，用户界面900可以允许用户通过输入传染概率百分比、经由下拉菜单、通过选择或取消选择复选框或任何其它用户界面元素来定义期望的消毒水平。

在指定所需参数并点击“运行”按钮之后，优化管理器412可以使用指定参数执行一个或多个模拟(例如，通过解决一个或多个优化问题)。一旦模拟已经完成，结果可以显示在用户界面900的“结果”部分中。结果可以指示能量成本、能量消耗、碳足迹或优化管理器412试图为用户选择的每个设计情形(例如，UV+过滤、仅UV、仅过滤、两者都不)优化的任何其它度量。结果还可以指示每个设计情形的日常传染概率(例如，平均传染概率、最小传染概率、最大传染概率)。在一些实施例中，使用消毒选项的默认设置运行一个或多个初始模拟。在一些实施例中，结果包含设备推荐(例如，使用UV+过滤、仅使用UV、仅使用过滤、两者都不使用)。可以对每个模拟结果进行排序，以首先呈现最佳结果，最后呈现最不理想的结果。例如，用户界面900被示为呈现首先能量消耗最少并且最后能量消耗最多的模拟结果。在其它实施例中，可以通过例如传染概率或任何其它因素的其它标准对结果进行分类。

用户可以每月调整期望的消毒选项(例如，通过调整用户界面900的消毒选项部分内的滑块)，此时可以通过将适当的模拟实例子集进行平均化来重新计算结果，这可以实时执行，因为模拟不需要重复。有利地，这允许用户调整消毒选项并容易地看到对能量成本、能量消耗、碳足迹等的影响，以及对每个设计情形的传染概率的影响。除了图9所示的内容之外的附加显示选项可以存在于各种实施例中，例如以在某些月份选择性地停用UV和/或过滤或考虑每个月的最坏情况而不是平均值。另外，可以添加各种其它图形显示器以提供更详细结果。用户界面900可以最初基于默认设置呈现优化结果和/或设备推荐，但是接着用户自由地改进那些设置并且立即看到对成本估计和建议设备的更新。

尽管图9中示出用户界面900的具体实施例，但是应理解，此实例仅仅是可以与本文所描述的系统和方法组合使用的一个可能的用户界面。一般来说，控制器310可以操作420以提供包含各种滑块、输入字段等的用户界面，以经由用户输入装置420从用户接收各种用户输入。在一些实施例中，用户输入装置420被配置成从用户接收期望的消毒水平、期望的传染概率水平等，并且将期望的消毒水平或期望的传染概率水平作为用户输入提供到约束产生器410。在一些实施例中，用户接口包含允许用户在能量节省水平与传染控制水平之间调整的旋钮或滑块。例如，用户可以调整用户输入装置420上的旋钮或滑块，以调整传染概率约束(例如，以调整与传染概率约束相关联的阈值或边界)。在一些实施例中，用户

在一些实施例中，传染扩散概率由约束产生器410视为约束，或视为由约束产生器410用于确定传染概率约束的值。如果用户希望提供较高消毒水平(例如，较低传染传播概率水平)且因此提供增加的能量消耗或能量消耗成本，则用户可以调整用户输入装置420的用户界面上的旋钮或滑块以指示能量消耗与传染概率之间的期望折衷。同样，如果用户希望提供较低消毒水平(例如，较高传染传播概率水平)且因此提供较低的能量消耗或能量消耗成本，则用户可以调整用户输入装置420的用户界面上的旋钮或滑块以指示能量消耗或能量消耗成本与消毒控制之间的此种期望折衷。

在一些实施例中，用户输入装置420被配置成经由用户输入装置420的用户界面向用户提供分析、数据、显示数据、建筑物数据、操作数据、诊断数据、能量消耗数据、模拟结果、估计的能量消耗或估计的能量消耗成本。例如，结果管理器418可以操作用户输入装置420和/或显示装置422，以向用户提供估计的能量消耗或能量消耗成本(例如，当在在线或离线模式/配置下操作时，优化管理器412的优化结果)。在一些实施例中，用户输入装置420和显示装置422是配置成提供用户界面的相同装置(例如，触摸屏显示装置等)，但是在其它实施例中，用户输入装置420和显示装置422是配置成各自提供其自身的相应用户界面的单独装置。

例如，控制器310可以实时(例如，当用户调整旋钮或滑块时)执行如上文更详细描述的离线或规划或设计工具功能，以在给定旋钮或滑块的特定位置的情况下(例如，在给定如由旋钮或滑块的位置指示的特定的期望传染或消毒控制水平的情况下)确定估计的能量消耗或能量成本。在一些实施例中，控制器310被配置成操作用户输入装置420和/或显示装置422，以在用户调整旋钮或滑块时提供或显示估计的能量消耗或估计的能量消耗成本。以此方式，可以通知用户与特定的消毒控制水平(例如，具有特定传染概率约束)相关的成本或能量消耗的估计。有利地，实时地或近实时地提供与特定的消毒控制水平相关联的成本或的估计有助于用户选择消毒控制水平，除了期望的能量消耗或能量消耗成本之外，所述消毒控制水平提供足够或期望的消毒控制。

帕累托优化

现在参考图10，根据示例性实施例，示出说明可以由控制器310使用的帕累托搜索技术的图形1000。在一些情况下，用户可能想要更详细的折衷分析，而不仅仅是针对一组选定的传染概率比较一组优化结果。对于此类情况，控制器310可以使用更详细的帕累托搜索，所述帕累托搜索迭代地确定在能量成本与传染概率折衷曲线的帕累托前沿1002上的点。通过运行额外的模拟，可以尽可能准确地绘制此折衷曲线，以便用户可以全面评估传染概率的整个连续性(例如，寻找额外的消毒概率开始变得更加昂贵的自然断裂点)。

为了确定帕累托前沿1002上的点，控制器310可以从已经模拟给定月份的少量传染概率开始，并相对于每月的能量成本绘制传染概率。然后，可以选择额外的候选传染概率(例如，作为距已经完成的模拟最远的点)。在模拟具有新传染概率的实例之后，将这些点添加到曲线图且方法重复到所需的准确性。选择新点的许多标准是可能的，但一种可能的策略是选择它们之间面积最大的连续点的中点(即，对角由两个现有点给出的矩形的中点)。此策略优先考虑曲线快速变化并导致有效收敛的区。

作为实例，考虑图形1000中的情况。目标是获得真实帕累托前沿1002的近似值，为了便于说明，图10中示出所述近似值，但所述近似值可能并不真正已知。针对少量传染概率运行的优化实例会在迭代0的图形1000中产生用正方形标记的点。这提供真实前沿的非常粗略的近似值。然后控制器310可以在每次迭代中选择新点，运行那些模拟，并将这些点添加到图形1000。例如，图形1000中用菱形标记的点显示为迭代1选择的点，图形1000中用三角形标记的点显示为迭代2选择的点，图形1000中用倒三角形标记的点显示为迭代3选择的点，并且图形1000中用圆圈标记的点显示为迭代4选择的点。到迭代4结束时，实验帕累托前沿是真实前沿1002的良好近似，并且当然可以执行额外的迭代以进一步提高准确性。使用此技术生成的实验帕累托前沿可以由控制器300用于解决帕累托优化问题，以确定在传染概率约束中选择不同传染概率值的成本和收益之间的最佳折衷。

在一些实施例中，确定传染概率约束(例如，以提供最佳消毒控制水平，或最佳传染概率传播水平)以及HVAC系统200运行以实现传染概率约束所需的所得能量消耗或能量消耗成本是帕累托优化问题。例如，在某一点处，额外的消毒控制可能需要不合需要地高的能量消耗或能量消耗成本。在一些实施例中，在给定系统的各种输入的情况下，控制器310可以解决帕累托优化问题以确定沿着成本(例如，能量消耗或能量消耗成本)与收益(例如，消毒控制、传染概率、消毒等)之间的曲线的一个或多个拐点或确定成本与收益之间的最佳折衷。

在一些实施例中，控制器310被配置成操作显示装置422和/或用户输入装置420，以提供与成本与收益之间的最佳折衷相关联的传染概率约束。在一些实施例中，控制器310可以根据可以由用户经由用户输入装置420的用户接口选择的各种模式操作。例如，用户可以选择第一模式，其中控制器310解决帕累托优化问题以确定与成本(例如，能量消耗或能量消耗成本)与收益(例如，消毒控制、提供的消毒水平、传染概率等)之间的最佳折衷点相关联的传染概率约束。在第一模式中，控制器310可以基于帕累托优化问题的结果自动地确定传染概率约束。在一些实施例中，控制器310仍然操作显示装置422以提供估计的、实际的或当前的能量消耗或能量消耗成本和传染概率约束。

在第二模式中，控制器310可以向用户提供手动地调整成本与收益之间的折衷的能力(例如，通过调整如上面更详细描述的滑块或旋钮)。在一些实施例中，用户可以基于所提供的能量消耗或能量消耗成本的估计来选择传染控制与能量消耗或能量消耗成本之间的期望折衷。

在第三模式中，控制器310可以为用户提供额外的手动能力以直接调整传染概率约束。以此方式，用户可以具体来说选择传染概率约束的各种边界(例如，如果传染概率约束被实施为如上文更详细描述的线性约束，则为线性边界)。在一些实施例中，用户可以在各种模式(例如，第一模式、第二模式和/或第三模式)之间选择。

应理解，虽然仅参考两个变量(例如，能量消耗或能量消耗成本和消毒控制)描述如本文所描述的帕累托优化，但是帕累托优化还可以考虑各种舒适性参数或变量(例如，单独的或聚合的区206的温度和/或湿度)。在一些实施例中，控制器310还可以操作显示装置422，以提供由在用户输入装置420的用户界面上提供的旋钮或滑块的特定位置产生的各种舒适性参数。在一些实施例中，额外旋钮、滑块、输入字段等还提供在用户输入装置420的用户界面上，以接收期望的舒适性参数(例如，温度和/或湿度)的各种输入或调整。在一些实施例中，控制器310(例如，结果管理器418)被配置成使用上述温度或湿度的动态模型，以在用户调整旋钮或滑块(例如，与消毒控制和/或能量成本消耗相关联的旋钮或滑块)时确定各种舒适性参数的估计。类似地，控制器310可以将帕累托优化问题作为多变量优化问题来解决，以确定表面上的拐点或帕累托效率(例如，3d图形或多变量优化)，这提供了成本(例如，能量消耗、能量消耗成本等)、舒适性(例如，温度和/或湿度)和消毒控制(例如，传染概率约束)之间的最佳折衷。

示例性实施例的配置

尽管图式示出方法步骤的特定次序，但步骤的次序可以不同于所描绘的次序。并且，可以同时或部分同时执行两个或更多个步骤。此种变化将取决于所选择的软件和硬件系统以及设计者选择。所有这类变化在本公开的范围内。同样，可以利用具有基于规则的逻辑和用于实现各种连接步骤、计算步骤、处理步骤、比较步骤和决策步骤的其它逻辑的标准编程技术来实现软件实施方案。

如在各种示例性实施例中所示的系统和方法的构造和布置仅是说明性的。尽管已在本公开中仅详细描述若干实施例，但是多个修改是可能的(例如，各个元件的大小、尺寸、结构、形状和比例的变化、参数值、安装布置、材料使用、颜色、取向等)。例如，元件的位置可以逆转或以其它方式变化并且离散元件或位置的性质或数目可以更改或变化。因此，所有此类修改旨在包含在本公开的范围内。任何过程或方法步骤的次序或顺序可以根据替代实施例变化或重新排序。在不脱离本公开的范围的情况下，还可以在示例性实施例的设计、操作条件和布置方面作出其它替代、修改、改变和省略。

如本文所用，术语“电路”可以包含被构造为执行本文描述的功能的硬件。在一些实施例中，每个相应“电路”可以包含用于配置硬件以执行本文所描述的功能的机器可读介质。电路可以体现为一个或多个电路组件，包含但不限于处理电路、网络接口、外围装置、输入装置、输出装置、传感器等。在一些实施例中，电路可以采用以下形式：一个或多个模拟电路、电子电路(例如，集成电路(IC)、离散电路、片上系统(SOC)电路等)、电信电路、混合电路和任何其它类型的“电路”。就此而言，“电路”可以包含用于实现或促进实现本文所描述的操作的任何类型的组件。例如，本文所描述的电路可以包含一个或多个晶体管、逻辑门(例如，NAND、AND、NOR、OR、XOR、NOT、XNOR等)、电阻器、多路复用器、寄存器、电容器、电感器、二极管、布线等)。

“电路”还可以包含可通信地耦合到一个或多个存储器或存储器装置的一个或多个处理器。就此而言，一个或多个处理器可以执行存储在存储器中的指令，或者可以执行一个或多个处理器另外可访问的指令。在一些实施例中，一个或多个处理器可以以各种方法实施。可以以足以至少执行本文所描述的操作的方式来构造一个或多个处理器。在一些实施例中，一个或多个处理器可以由多个电路共享(例如，电路A和电路B可以包括或以其它方式共享同一处理器，在一些示例实施例中，所述处理器可以执行经由不同存储器区域存储或以其它方式访问的指令)。替代地或另外，一个或多个处理器可以被构造成独立于一个或多个协处理器来执行或以其它方式执行特定操作。在其它实例实施例中，两个或更多个处理器可以经由总线耦合以实现独立、并行、管线化或多线程指令执行。每个处理器可以被实施为一个或多个通用处理器、专用集成电路(ASIC)、现场可编程门阵列(FPGA)、数字信号处理器(DSP)，或结构化为执行由存储器提供的指令的其它合适的电子数据处理组件。一个或多个处理器可以采用单核处理器、多核处理器(例如，双核处理器、三核处理器、四核处理器等)微处理器等形式。在一些实施例中，一个或多个处理器可以在设备外部，例如一个或多个处理器可以是远程处理器(例如，基于云的处理器)。替代地或另外，一个或多个处理器可以在设备内部和/或局部。就此而言，给定电路或其组件可以在本地(例如，作为本地服务器、本地计算系统等的一部分)或远程地(例如，作为例如基于云的服务器的远程服务器的一部分)安置。为此，如本文所描述的“电路”可以包含跨越一个或多个位置分布的组件。

本公开涵盖用于实现各种操作的方法、系统和在任何机器可读介质上的程序产品。本公开的实施例可以使用现有计算机处理器或通过为这一或另一目的并入的针对适当系统的专用计算机处理器，或通过硬接线系统实施。本公开的范围内的实施例包含程序产品，所述程序产品包括用于携载或其上存储机器可执行指令或数据结构的机器可读介质。此类机器可读介质可以是可以通过通用或专用计算机或具有处理器的其它机器存取的任何可用介质。借助于实例，此机器可读介质可以包括RAM、ROM、EPROM、EEPROM、CD-ROM或其它光盘存储装置、磁盘存储装置或其它磁性存储装置，或可以用于携载或存储呈机器可执行指令或数据结构形式的所要程序代码且可以由通用或专用计算机或具有处理器的其它机器访问的任何其它介质。上述的组合也应包含在计算机可读介质的范围内。机器可执行指令包含例如使通用计算机、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。

Claims

1.一种用于一个或多个建筑区的供暖、通风或空调(HVAC)系统，所述HVAC系统包括：

空侧HVAC设备，其可用于向所述一个或多个建筑区提供清洁空气；以及

控制器，其被配置成：

获得用于所述一个或多个建筑区的动态温度模型和动态传染量子模型；

确定传染概率；并且

使用所述动态温度模型、所述动态传染量子模型和所述传染概率生成所述空侧HVAC设备的控制决策。

2.根据权利要求1所述的HVAC系统，其中所述空侧HVAC设备包括：

消毒照明装置，其可用于在将所述清洁空气提供到所述一个或多个建筑区之前对所述清洁空气进行消毒；以及

一个或多个过滤器，其被配置成在将所述清洁空气提供到所述一个或多个建筑区之前过滤所述清洁空气。

3.根据权利要求1所述的HVAC系统，其中所述控制器被配置成经由用户界面接收期望的消毒水平并且使用所述期望的消毒水平生成所述传染概率的阈值。

4.根据权利要求1所述的HVAC系统，其中所述控制器被配置成获得所述一个或多个建筑区的动态湿度模型，并且除了所述动态温度模型和所述动态传染量子模型之外，还使用所述动态湿度模型生成所述控制决策。

5.根据权利要求1所述的HVAC系统，其中所述一个或多个建筑区包括多个建筑区，并且所述动态温度模型和所述动态传染量子模型是以下中的任一个：

用于所述多个建筑区中的每一个的单独动态模型；或

基于所述多个区的加权体积平均值的用于所述多个建筑区的聚合动态模型。

6.根据权利要求1所述的HVAC系统，其中使用所述动态温度模型、所述动态传染量子模型和所述传染概率生成所述控制决策包括：

基于所述动态温度模型、所述动态传染量子模型和所述传染概率生成优化约束；以及

执行经受所述优化约束的目标函数的优化，以生成所述控制决策作为所述优化的结果。

7.一种用于建筑物的供暖、通风或空调(HVAC)系统的控制器，所述控制器包括：

一个或多个处理器；以及

存储器，所述存储器存储当由所述一个或多个处理器执行时使所述一个或多个处理器执行包括以下项的操作的指令：

获得用于所述建筑物的所述一个或多个建筑区的动态温度模型和动态传染量子模型；

确定传染概率；

使用所述动态温度模型、所述动态传染量子模型和所述传染概率生成控制决策；以及

使用所述控制决策来操作所述HVAC系统的消毒照明装置、变风量(VAV)单元或空气处理单元(AHU)中的至少一个。

8.根据权利要求7所述的控制器，其中所述控制器被配置成经由用户界面接收期望的消毒水平并且使用所述期望的消毒水平生成所述传染概率的阈值。

9.根据权利要求7所述的控制器，其中基于Wells-Riley方程式使用对传染量子浓度的约束生成所述控制信号。

10.根据权利要求7所述的控制器，其中所述操作还包括：

获得用于所述一个或多个建筑区的动态湿度模型；以及

除了所述动态温度模型和所述动态传染量子模型之外，还使用所述动态湿度模型生成所述控制决策。

11.根据权利要求7所述的控制器，其中所述一个或多个建筑区包括多个建筑区，并且所述动态温度模型和所述动态传染量子模型是以下中的任一个：

用于所述多个建筑区中的每一个的单独动态模型；或

基于所述多个建筑区的加权体积平均值的聚合动态模型。

12.根据权利要求7所述的控制器，其中使用所述动态温度模型、所述动态传染量子模型和所述传染概率生成所述控制决策包括：

13.根据权利要求7所述的控制器，其中所述控制决策指示将提供到所述一个或多个建筑区的清洁空气的量，并且使用所述控制决策来操作所述VAV单元包括：

生成所述VAV单元的温度设定点和最小气流约束两者，所述最小气流约束基于将提供到所述一个或多个建筑区的所述清洁空气的量；以及

基于所述温度设定点操作所述VAV单元以控制所述一个或多个建筑区的温度，从而经受所述最小气流约束。

14.一种用于控制建筑物设备以提供期望的消毒水平的方法，所述方法包括：

确定传染概率；

使用所述控制决策操作所述建筑物设备，以将一定量的清洁空气提供到所述一个或多个建筑区。

15.根据权利要求14所述的方法，其中使用所述动态温度模型、所述动态传染量子模型和所述传染概率生成所述控制决策包括：

16.根据权利要求14述的方法，其中所述控制器被配置成经由用户界面接收所述期望的消毒水平并且使用所述期望的消毒水平生成所述传染概率的阈值。

17.根据权利要求14述的方法，其进一步包括：

获得用于所述一个或多个建筑区的动态湿度模型；以及

18.根据权利要求14所述的方法，其中所述一个或多个建筑区包括多个建筑区，并且所述动态温度模型和所述动态传染量子模型是以下中的任一个：

用于所述多个建筑区中的每一个的单独动态模型；或

基于所述多个建筑区的加权体积平均值的聚合动态模型。

19.根据权利要求14所述的方法，其中所述建筑物设备包括消毒照明装置、过滤器、空气处理单元(AHU)或变风量(VAV)单元中的至少一个。

20.根据权利要求19所述的方法，其中所述控制决策包括在接通状态与断开状态之间致动所述消毒照明装置的命令、所述AHU的新鲜空气摄入分数，或所述VAV单元提供到所述一个或多个建筑区的气流量中的至少一个。

21.一种用于建筑物的HVAC系统的供暖、通风或空调系统(HVAC)系统设计和操作工具，所述HVAC设计和操作工具包括：

一个或多个处理器；以及

获得用于一个或多个建筑区的动态温度模型和动态传染量子模型；

确定传染概率；

使用所述动态温度模型、所述动态传染量子模型和所述传染概率执行多个不同设备配置的多个模拟以生成结果；

使用所述多个模拟的所述结果生成设计数据或操作数据中的至少一个，所述设计数据包括一个或多个推荐的设计参数，所述操作数据包括所述HVAC系统的一个或多个推荐的操作参数；以及

使用所述设计数据或所述操作数据中的至少一个发起自动动作。

22.根据权利要求21所述的HVAC设计和操作工具，其中所述操作进一步包括：

确定用于所述一个或多个建筑区的动态湿度模型；以及

使用所述动态湿度模型执行所述多个模拟以生成所述结果。

23.根据权利要求21所述的HVAC设计和操作工具，其中所述一个或多个推荐的设计参数指示是否在所述HVAC系统中包含消毒照明装置进行消毒，是否在所述HVAC系统中包含空气过滤器进行消毒，以及是否在所述HVAC系统中使用新鲜空气进行消毒。

24.根据权利要求21所述的HVAC设计和操作工具，其中所述一个或多个推荐的设计参数包括用于所述HVAC系统中的空气过滤器的推荐等级。

25.根据权利要求21所述的HVAC设计和操作工具，其中所述自动动作包括经由用户界面向用户呈现所述设计数据或所述操作数据中的至少一个。

26.根据权利要求21所述的HVAC设计和操作工具，其中所述多个模拟包括以下项中的至少两个：

第一模拟，其中所述HVAC系统包含消毒照明装置，但不包含空气过滤器用于消毒；

第二模拟，其中所述HVAC系统包含所述空气过滤器，但不包含所述消毒照明装置用于消毒；

第三模拟，其中所述HVAC系统包含所述消毒照明装置和所述空气过滤器两者用于消毒；以及

第四模拟，其中所述HVAC系统既不包含所述消毒照明装置，也不包含所述空气过滤器用于消毒。

27.根据权利要求21所述的HVAC设计和操作工具，其中所述操作进一步包括：

基于指示期望的消毒水平的用户输入生成传染量子约束；

执行经受所述传染量子约束的所述多个模拟中的至少一个，以生成操作所述HVAC系统的估计成本；以及

经由用户界面呈现操作所述HVAC系统的所述估计成本。

28.根据权利要求21所述的HVAC设计和操作工具，其中所述操作进一步包括使用所述多个模拟的所述结果来提供用户界面，所述用户界面指示传染概率与能量成本或能量消耗中的至少一个之间的折衷。

29.根据权利要求21所述的HVAC设计和操作工具，其中所述推荐的操作参数包括用于所述HVAC系统的推荐的控制方案。

30.一种用于建筑物的HVAC系统的供暖、通风或空调系统(HVAC)设计和操作工具，所述HVAC设计工具包括：

一个或多个处理器；以及

确定传染概率；

使用所述动态温度模型、所述动态传染量子模型和所述传染概率执行模拟，以生成包括所述HVAC系统的推荐设备配置的结果；以及

使用所述结果发起自动动作。

31.根据权利要求30所述的HVAC设计和操作工具，其中所述操作进一步包括：

获得用于所述一个或多个建筑区的动态湿度模型；以及

使用所述动态湿度模型执行所述模拟以生成所述结果。

32.根据权利要求30所述的HVAC设计和操作工具，其中所述推荐设备配置指示所述HVAC系统是否包含消毒照明装置进行消毒、所述HVAC系统是否包含过滤器进行消毒，以及所述HVAC系统是否使用新鲜空气进行消毒。

33.根据权利要求30所述的HVAC设计和操作工具，其中所述结果包括推荐的设备规范，其指示用于消毒的空气过滤器的推荐等级或消毒照明装置的推荐等级中的至少一个。

34.根据权利要求30所述的HVAC设计和操作工具，其中所述自动动作包括经由用户界面呈现所述结果。

35.根据权利要求30所述的HVAC设计和操作工具，其中执行所述模拟包括使用一个或多个可能的设备配置优化指示操作所述HVAC系统的成本的目标函数，以提供期望的消毒水平。

36.根据权利要求35所述的HVAC设计和操作工具，其中所述期望的消毒水平是用户选定值。

37.根据权利要求30所述的HVAC设计和操作工具，其中所述操作进一步包括：

基于指示期望的消毒水平的用户输入生成传染量子约束；

执行经受所述传染量子约束的所述模拟以生成操作所述HVAC系统的估计成本；以及

经由用户界面呈现操作所述HVAC系统的所述估计成本。

38.根据权利要求37所述的HVAC设计和操作工具，其中所述用户输入指示所述期望的消毒水平与能量成本之间的折衷，所述能量成本包括所述HVAC系统的所估计能量消耗或所述HVAC系统的所述能量消耗的所估计货币成本中的至少一个。

39.一种用于提供供暖、通风或空调(HVAC)系统的设计和操作推荐以实现建筑物中的期望传染控制水平的方法，所述方法包括：

确定传染概率；

使用所述动态温度模型、所述动态传染量子模型和所述传染概率来生成设计推荐或操作推荐中的至少一个，以实现所述期望的传染控制水平；以及

操作显示器以向用户提供所述设计推荐或所述操作推荐中的至少一个，所述设计推荐或所述操作推荐中的每一个包括相关联成本。

40.根据权利要求39所述的方法，其中所述设计推荐或所述操作推荐包括以下项中的至少一个：

所述HVAC系统的推荐设备配置；

所述HVAC系统的推荐设备规范；

所述HVAC系统的过滤器的推荐过滤器等级；

所述HVAC系统的设备的推荐型号；或

所述HVAC系统的推荐控制方案。