CN116391095A - 使用空气净化减轻传染风险的系统和方法 - Google Patents

使用空气净化减轻传染风险的系统和方法 Download PDF

Info

Publication number
CN116391095A
CN116391095A CN202180072632.7A CN202180072632A CN116391095A CN 116391095 A CN116391095 A CN 116391095A CN 202180072632 A CN202180072632 A CN 202180072632A CN 116391095 A CN116391095 A CN 116391095A
Authority
CN
China
Prior art keywords
air
zone
building
infection
filter
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202180072632.7A
Other languages
English (en)
Inventor
乔纳森·D·道格拉斯
柯克·H·德雷斯
迈克尔·J·瑞斯贝克
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Johnson Controls Tyco IP Holdings LLP
Original Assignee
Johnson Controls Tyco IP Holdings LLP
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Johnson Controls Tyco IP Holdings LLP filed Critical Johnson Controls Tyco IP Holdings LLP
Publication of CN116391095A publication Critical patent/CN116391095A/zh
Pending legal-status Critical Current

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
    • F24F11/0001—Control or safety arrangements for ventilation
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F3/00—Air-conditioning systems in which conditioned primary air is supplied from one or more central stations to distributing units in the rooms or spaces where it may receive secondary treatment; Apparatus specially designed for such systems
    • F24F3/12—Air-conditioning systems in which conditioned primary air is supplied from one or more central stations to distributing units in the rooms or spaces where it may receive secondary treatment; Apparatus specially designed for such systems characterised by the treatment of the air otherwise than by heating and cooling
    • F24F3/16—Air-conditioning systems in which conditioned primary air is supplied from one or more central stations to distributing units in the rooms or spaces where it may receive secondary treatment; Apparatus specially designed for such systems characterised by the treatment of the air otherwise than by heating and cooling by purification, e.g. by filtering; by sterilisation; by ozonisation
    • 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
    • F24F11/52—Indication arrangements, e.g. displays
    • 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
    • F24F11/72—Control systems characterised by their outputs; Constructional details thereof for controlling the supply of treated air, e.g. its pressure
    • F24F11/74—Control systems characterised by their outputs; Constructional details thereof for controlling the supply of treated air, e.g. its pressure for controlling air flow rate or air velocity
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F8/00—Treatment, e.g. purification, of air supplied to human living or working spaces otherwise than by heating, cooling, humidifying or drying
    • F24F8/10—Treatment, e.g. purification, of air supplied to human living or working spaces otherwise than by heating, cooling, humidifying or drying by separation, e.g. by filtering
    • F24F8/108—Treatment, e.g. purification, of air supplied to human living or working spaces otherwise than by heating, cooling, humidifying or drying by separation, e.g. by filtering using dry filter elements
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F8/00—Treatment, e.g. purification, of air supplied to human living or working spaces otherwise than by heating, cooling, humidifying or drying
    • F24F8/95—Treatment, e.g. purification, of air supplied to human living or working spaces otherwise than by heating, cooling, humidifying or drying specially adapted for specific purposes
    • 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
    • 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
    • F24F2110/30—Velocity
    • 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
    • F24F2110/50—Air quality 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
    • F24F2110/50—Air quality properties
    • F24F2110/65—Concentration of specific substances or contaminants
    • F24F2110/70—Carbon dioxide
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B30/00—Energy efficient heating, ventilation or air conditioning [HVAC]
    • Y02B30/70—Efficient control or regulation technologies, e.g. for control of refrigerant flow, motor or heating

Landscapes

  • Engineering & Computer Science (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Fluid Mechanics (AREA)
  • Human Computer Interaction (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Air Conditioning Control Device (AREA)
  • Ventilation (AREA)
  • Filtering Of Dispersed Particles In Gases (AREA)

Abstract

本公开提供了一种用于向建筑物的区提供过滤后的空气的方法，所述方法包括使空气处理器运作以使未过滤的空气通过过滤器并将过滤后的空气输出到所述建筑物的所述区。所述方法包括确定由所述空气处理器提供给所述建筑物的所述区的过滤后的空气的量。所述方法包括确定是否需要额外的空气过滤以满足期望量的清洁气流或期望的传染风险降低中的至少一者。所述方法包括响应于确定需要额外的空气过滤而启动区内过滤装置并使所述区内过滤装置运作以将空气从所述区吸入到内部空间中、过滤所述空气，并将过滤后的空气再循环到所述建筑物的所述区。

Description

使用空气净化减轻传染风险的系统和方法
相关专利申请的交叉引用
本申请要求于2020年9月16日提交的美国临时专利申请63/079,330的权益和优先权，该美国临时专利申请的全部公开内容通过引用并入本文。
背景技术
本公开通常涉及用于预测和减轻建筑物中的传染风险的系统和方法。本公开更特别地涉及用于根据建筑物HVAC设备的设计和控制决策来预测和减轻/控制传染风险、居用者舒适度、能量消耗/成本和其它因素的传染控制工具。
保持建筑物中的居用者舒适度和消毒可涉及使建筑设备(例如，HVAC设备)运作以改变建筑物中的环境条件。在一些系统中，如果居用者感到不舒服，则他们自己会对环境条件进行任何期望的改变。当运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，则保持居用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用者舒适度并且为多种环境条件提供足够的消毒，同时减少与维持居用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式是根据一些实施例的用于建筑物的区的供热、通风或空气调节(HVAC)系统。在一些实施例中，HVAC系统包括空气处理器、区内过滤装置和控制器。在一些实施例中，空气处理器被配置成使未过滤的空气通过过滤器并将过滤后的空气输出到建筑物的区。在一些实施例中，区内过滤装置被配置成将空气从该区吸入到内部空间中、过滤该空气并将过滤后的空气再循环到建筑物的区。在一些实施例中，控制器包括处理电路，该处理电路被配置成确定由空气处理器提供给建筑物的区的过滤后的空气的量。在一些实施例中，处理电路被配置成确定是否应用额外的空气过滤以满足期望量的清洁气流或期望的传染风险降低中的至少一者。在一些实施例中，处理电路被配置成响应于确定应用额外的空气过滤而启动区内过滤装置，以将过滤后的空气再循环到建筑物的区。
在一些实施例中，控制器被配置成从在区中或在空气处理器处的传感器接收传感器数据，以及使用传感器数据来确定由空气处理器提供给建筑物的区的过滤后的空气的量。在一些实施例中，控制器被配置成使区内过滤装置和空气处理器一致地运作，使得区内过滤装置与空气处理器之间的累积量的过滤后的空气被提供给建筑物的区。
在一些实施例中，空气处理器和区内过滤装置被配置成运作以提供过滤后的空气从而减少区中的二氧化碳。在一些实施例中，控制器被配置成确定空气处理器和区内过滤装置两者的设定点。在一些实施例中，设定点定义由空气处理器和区内过滤装置中的每一者提供的过滤后的空气的量，以实现满足温度约束和过滤后的空气约束的温度控制和空气过滤控制两者。
在一些实施例中，控制器被配置成监测由空气处理器提供到区中的过滤后的空气的量。在一些实施例中，控制器被配置成响应于过滤后的空气的量下降到低于清洁空气预警水平，向用户提供警报。在一些实施例中，控制器被配置成响应于过滤后的空气的量下降到低于清洁空气警报水平，启动区内过滤装置以向区提供过滤后的空气。
在一些实施例中，空气处理器被配置成提供具有特定温度的过滤后的空气以用于区的温度调整。在一些实施例中，区内过滤装置以与空气被吸入该区内过滤装置中的温度基本上相同的温度将过滤后的空气输出到区，从而提供过滤后的空气而基本上不提供对该区的温度调整。
本公开的另一实施方式是根据一些实施例的一种用于向建筑物的区提供过滤后的空气的方法。在一些实施例中，该方法包括使空气处理器运作以使未过滤的空气通过过滤器并将过滤后的空气输出到建筑物的区。在一些实施例中，该方法包括确定由空气处理器提供给建筑物的区的过滤后的空气的量。在一些实施例中，该方法包括确定是否需要额外的空气过滤以满足期望量的清洁气流或期望的传染风险降低中的至少一者。在一些实施例中，该方法包括响应于确定需要额外的空气过滤而启动区内过滤装置并使该区内过滤装置运作以将空气从区吸入到内部空间、过滤该空气并将过滤后的空气再循环到建筑物的区。
在一些实施例中，该方法进一步包括从在区中或在空气处理器处的传感器接收传感器数据，以及使用传感器数据来确定由空气处理器提供给建筑物的区的过滤后的空气的量。在一些实施例中，该方法进一步包括使区内过滤装置和空气处理器一致地运作，使得区内过滤装置与空气处理器之间的累积量的过滤后的空气被提供给建筑物的区。
在一些实施例中，空气处理器和区内过滤装置被配置成运作以提供过滤后的空气从而减少区中的二氧化碳。在一些实施例中，该方法进一步包括确定空气处理器和区内过滤装置中的每一者的设定点。在一些实施例中，设定点定义由空气处理器和区内过滤装置中的每一者提供的过滤后的空气的量，以实现满足温度约束和过滤后的空气约束的温度控制和空气过滤控制两者。
在一些实施例中，该方法进一步包括监测由空气处理器提供到区中的过滤后的空气的量。在一些实施例中，该方法包括响应于过滤后的空气的量下降到低于清洁空气预警水平，向用户提供警报。在一些实施例中，该方法包括响应于过滤后的空气的量下降到低于清洁空气警报水平，启动区内过滤装置以向区提供过滤后的空气。
在一些实施例中，空气处理器被配置成提供具有特定温度的过滤后的空气以用于区的温度调整。在一些实施例中，区内过滤装置以与空气被吸入该区内过滤装置中的温度基本上相同的温度将过滤后的空气输出到区，从而提供过滤后的空气而基本上不提供对该区的温度调整。
本公开的另一实施方式是根据一些实施例的用于向建筑物的区提供过滤后的空气的供热、通风或空气调节(HVAC)系统。在一些实施例中，HVAC系统包括处理电路，该处理电路被配置成确定由空气处理器提供给建筑物的区的过滤后的空气的量。在一些实施例中，处理电路被配置成确定是否应用额外的空气过滤以满足期望量的清洁气流或期望的传染风险降低中的至少一者。在一些实施例中，处理电路被配置成响应于确定应用额外的空气过滤而启动区内过滤装置，以将过滤后的空气再循环到建筑物的区。在一些实施例中，空气处理器被配置成使未过滤的空气通过过滤器并将过滤后的空气输出到建筑物的区。在一些实施例中，区内过滤装置被配置成将空气从该区吸入到内部空间中、过滤该空气并将过滤后的空气再循环到建筑物的区。
在一些实施例中，处理电路被配置成从在区中或在空气处理器处的传感器接收传感器数据，以及使用传感器数据来确定由空气处理器提供给建筑物的区的过滤后的空气的量。在一些实施例中，处理电路被配置成使区内过滤装置和空气处理器一致地运作，使得区内过滤装置与空气处理器之间的累积量的过滤后的空气被提供给建筑物的区。
在一些实施例中，处理电路被配置成使空气处理器运作以提供具有特定温度的过滤后的空气以用于区的温度调整，并且使区内过滤装置运作来以与空气被吸入该区内过滤装置中的温度基本上相同的温度将过滤后的空气输出到区，从而提供过滤后的空气而基本上不提供对该区的温度调整。在一些实施例中，处理电路被配置成确定空气处理器和区内过滤装置两者的设定点。在一些实施例中，设定点定义由空气处理器和区内过滤装置中的每一者提供的过滤后的空气的量，以实现满足温度约束和过滤后的空气约束的温度控制和空气过滤控制两者。
在一些实施例中，处理电路被配置成监测由空气处理器提供到区中的过滤后的空气的量。在一些实施例中，处理电路被配置成响应于过滤后的空气的量下降到低于清洁空气预警水平，向用户提供警报。在一些实施例中，处理电路被配置成响应于过滤后的空气的量下降到低于清洁空气警报水平，启动区内过滤装置以向该区提供过滤后的空气。
本领域的技术人员将了解，概述仅为说明性且并不旨在以任何方式进行限制。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气侧系统的框图。
图3是根据一些实施例的HVAC系统的框图，所述HVAC系统包含配置成使图1的HVAC系统的空气处理单元(AHU)运作的控制器。
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式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运作。
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运作。
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。
图11是根据一些实施例的包括传染控制工具的传染控制系统的框图。
图12是示出根据一些实施例的基准场景的和用于传染控制的六个其它场景的相对风险和增量运作成本的图形。
图13是根据一些实施例的建筑物的基准场景的应用的传染风险的图形。
图14是根据一些实施例的用于接收关于基准场景和其它场景的建筑物居用情况的用户输入的用户界面。
图15是根据一些实施例的用于接收关于基准场景和其它场景的建筑物的设备设置的用户输入的用户界面。
图16是根据一些实施例的示出基准场景和其它场景的传染风险结果和各种增量成本的用户界面。
图17是根据一些实施例的示出可由用户填充的建筑物、居用情况、设备设置和能量成本字段的用户界面。
图18是根据一些实施例的示出Wells-Riley和通风成本参数的用户界面。
图19是根据一些实施例的示出过滤器数据的用户界面。
图20是根据一些实施例的用于确定基准场景和不同的传染控制场景的运作成本和传染风险的过程的流程图。
图21是示出根据一些实施例的不同等级的过滤器的过滤器信息的表。
图22是示出根据一些实施例的不同等级的过滤器的过滤器信息的表。
图23是展示根据一些实施例的用于生成传染风险等级的随机种子技术的表。
图24是示出根据一些实施例的用于计算供热成本和制冷成本的不同参数的表。
图25是示出根据一些实施例的各个地点的采暖度日数(heating degree days)、制冷度日数(cooling degree days)、供热成本、制冷成本和总成本的表。
图26是示出根据一些实施例的用于计算地点的采暖度日数和制冷度日数的该地点的历史数据的表。
图27是示出根据一些实施例的使用MERV 13过滤器的HVAC系统的关于清洁空气气流的传染概率的图形。
图28是示出根据一些实施例的在冬季期间使用MERV 13过滤器和区内过滤装置的HVAC系统的关于清洁空气气流的传染概率的图形。
图29是示出根据一些实施例的在夏季期间使用MERV 13过滤器和区内过滤装置的HVAC系统的关于清洁空气气流的传染概率的图形。
图30是展示根据一些实施例的关于提供给区的过滤后的空气的传染风险的图形。
图31是展示根据一些实施例的在一天的时间段内向区递送过滤后的空气的时变阈值的图形。
图32是展示根据一些实施例的固定风量(constant air volume)HVAC系统的用于降低区中的传染风险的各种方法的图形。
图33是展示根据一些实施例的空气中(at-air)处理器过滤和区内过滤装置对于降低传染风险的有效性的图形。
图34是展示根据一些实施例的不同区内过滤装置对于降低传染风险的有效性的图形。
图35是展示根据一些实施例的可变风量(variable air volume)HVAC系统的用于降低区中的传染风险的各种方法的图形。
图36是展示根据一些实施例的气流对空气中处理器过滤的功效的影响的图形。
图37是展示根据一些实施例的当以最小气流速率使空气处理器运作并且安装区内过滤装置时传染风险降低的图形。
图38是展示根据一些实施例的当以设计气流速率使空气处理器运作并且安装区内过滤装置时传染风险降低的图形。
图39是根据一些实施例的包括空气处理器处的过滤器和区内过滤装置两者的HVAC系统的框图。
图40是根据一些实施例的用于执行帕累托优化以确定空气中处理单元过滤器的推荐等级以及区内过滤装置的类型和数量的过程的流程图。
图41是根据一些实施例的用于使包括空气处理器处的过滤器和区内过滤装置两者的HVAC系统运作的过程的流程图。
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式中)，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、湿度和传染性量子浓度约束。
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运作的组成部分，而不是短期或独立控制目标。虽然可以通过添加UV灯和全容量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运作决策，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，建筑设计者和运营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用者的传播。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用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用者传染概率的约束。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运作时)可以向建筑物设计者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制冷意味着无论控制器如何确定运作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。
控制器还可以于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运作这些设备，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恒定能量惩罚，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。为了减轻建筑物运营者的负担，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运营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/或传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、动态传染性量子模型等)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、传染性量子)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，示出了建筑物10的透视图。建筑物10可以由建筑物管理系统(BMS)服务。BMS通常为被配置成控制、监测和管理建筑物或建筑区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、火灾警报系统、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日提交的美国专利申请第14/717,593号中描述，所述专利申请的全部公开内容以引用的方式并入本文。
服务于建筑物10的BMS可以包含HVAC系统100。HVAC系统100可以包含被配置成为建筑物10提供供热、制冷、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、风机(fan)、热能存储装置等)。例如，HVAC系统100被示出为包含水侧系统120和空气侧系统130。水侧系统120可以向空气侧系统130的空气处理单元提供加热或冷却的流体。空气侧系统130可以使用所述加热或冷却的流体来加热或冷却提供给建筑物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中的空气侧系统的实例。
HVAC系统100被示出为包含制冷机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)并且可以将工作流体循环到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所示)，或位于如中央设备(例如，制冷机设备、蒸汽设备、发热设备等)等场外位置。取决于建筑物10中是否需要供热或制冷，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向循环流体添加热量。制冷机102可以使循环流体与热交换器(例如，蒸发器)中的另一流体(例如，制冷剂)成热交换关系以从循环流体吸收热量。可以通过管道108将来自制冷机102和/或锅炉104的工作流体递送到AHU 106。
AHU 106可以使工作流体与传递通过AHU 106的气流成热交换关系(例如，通过一级或多级冷却盘管和/或加热盘管来进行)。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，以为气流提供加热或冷却。例如，AHU 106可以包含一个或多个风机或鼓风机，所述风机或鼓风机被配置成使气流通过或穿过含有工作流体的热交换器。然后工作流体可以通过管道110返回到制冷机102或锅炉104。
空气侧系统130可以通过送风管112将AHU 106所供应的气流(即，供应气流)递送到建筑物10，并且可以通过回风管114将来自建筑物10的回流空气提供给AHU 106。在一些实施例中，空气侧系统130包含多个可变风量(VAV)单元116。例如，空气侧系统130被示出为在建筑物10的每个楼层或区包含单独的VAV单元116。VAV单元116可以包含可以运作以控制提供到建筑物10的各个区的供应气流量的风门或其它流控制元件。在其它实施例中，空气侧系统130(例如，通过送风管112)将供应气流递送到建筑物10的一个或多个区中而不使用中间VAV单元116或其它流控制元件。AHU 106可以包含被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。
空气侧系统
现在参考图2，根据一些实施例，示出空气侧系统200的框图。在各种实施例中，空气侧系统200可以补充或替代HVAC系统100中的空气侧系统130，或者可以与HVAC系统100分开实施。当在HVAC系统100中实施时，空气侧系统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至114、风机、风阀等)，并且可以位于建筑物10中或周围。在一些实施例中，空气侧系统200可以运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。
空气侧系统200被示为包含节热器类型的空气处理单元(AHU)202。节能器型AHU可改变被空气处理单元用于加热或冷却的室外空气和回流空气的量。例如，AHU 202可以经由回风管道208从建筑区206接收回流空气204，并且可以经由送风管道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可以被配置成运作排气风阀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至220中的每一个可以由致动器运作。例如，排气风阀216可以由致动器224运作，混合风阀218可以由致动器226运作，并且外部空气风阀220可以由致动器228运作。致动器224至228可以经由通信链路232与AHU控制器230通信。致动器224至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至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至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至228的节热器控制器。
仍参考图2，AHU 202被示为包含冷却盘管234、加热盘管236，以及位于送风管道212内的风机238。风机238可以被配置成迫使供应空气210通过冷却盘管234和/或加热盘管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与风机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通过调节风机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，如在下文更详细地描述。
冷却盘管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盘管234的流速。在一些实施例中，冷却盘管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的冷却量的冷却盘管的多个级。
加热盘管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盘管236的流速。在一些实施例中，加热盘管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的加热量的加热盘管的多个级。
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至256可以经由通信链路258至260与AHU控制器230通信。致动器254至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从位于送风管道212(例如，在冷却盘管334和/或加热盘管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至256运作阀门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盘管234或加热盘管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盘管234至236，调整风机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，空气侧系统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气侧系统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、运作边界等)，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、运作状态、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至264的温度测量值、设备开/关状态、设备运作能力和/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其交互。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提供调节后的空气或清洁空气。HVAC系统300包括控制器310(例如，AHU控制器230)，该控制器被配置成确定AHU 304应当用来向建筑区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运作以使用分数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/或基于用户运作偏好的消毒。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的消毒并且降低居用建筑区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空气传播
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用者之间的传染概率。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：
Figure BDA0004195621620000131
/>
其中P是个体被传染的概率(例如，在区、空间、房间、环境等中)，D是被传染个体的数量(例如，在区、空间、房间、环境等中)，S是易感个体的总数(例如，在区、空间、房间、环境等中)，I是传染性个体的数量(例如，在区、空间、房间、环境等中)，q是疾病量子生成率(例如，单位为1/sec)，P是一位个体的体积呼吸率(例如，以m3/sec为单位)，t是总暴露时间(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提供给建筑区206的新鲜室外空气的体积流速。
当Wells-Riley方程由如本文所述的控制器310实施时，控制器310可使用Wells-Riley方程(或Wells-Riley方程的动态版本)来确定实际或当前的传染概率P并使HVAC系统200运作以保持实际传染概率P低于(或驱动实际传染概率低于)约束或最大允许值。约束值(例如Pmax)可以是恒定值，或者可以由用户调整(例如，用户设置值)。例如，用户可将传染概率的约束值设置为最大期望传染概率(例如，用于控制器310的在线实施方式，以保持传染概率低于最大期望概率，或者用于由控制器310执行的离线实施方式/模拟，以确定HVAC系统200的各种设计参数，诸如过滤器尺寸)，或者可以从各种预定值中选择(例如，最大期望传染概率的3种至5种不同的选择)。
在一些实施例中，传染性个体的数量I可以由控制器310基于来自疾病预防控制中心或类似数据源的数据来确定。通常可以将I的值设置为等于1，但可以根据建筑区206的居用情况而变化。
疾病量子生成率q可以是传染性因子的函数。例如，传染性较强的疾病可具有较高的q值，而传染性较弱的疾病可具有较低的q值。例如，对于COVID-19的q值可以是30-300(例如100)。
体积呼吸率p的值可以基于建筑空间206的类型。例如，如果建筑区206是健身房而不是办公室环境，则体积呼吸率p可能更高。通常，居用者活动的预期水平可以确定体积呼吸率p的值。
D(被传染个体的数量)与I(传染性个体的数量)之间的区别是，D是被传染的个体的数量(例如，被传染了某种疾病)，而I被传染并具有活动的接触传染性的人数(例如，可能将疾病传播给其它个体或在他们呼气时传播传染性微粒的个体)。疾病量子生成率指示传染性飞沫的数量，这些传染性飞沫有63.2％的机会传染个体(例如，1-exp(-1))。例如，如果个体吸入k个传染性微粒，则该个体被传染的概率(P)由
Figure BDA0004195621620000141
给出，其中k是该个体吸入的传染性微粒的数量，并且k0是特定疾病的微粒的量子(例如，不同疾病的预定义值)。量子生成率q是量子生成的速率(例如，K/k0)，其中K是传染性个体呼出传染性微粒的速率。应当注意的是，疾病量子生成率q的值可以从流行病学数据反算得到，或者可以针对众所周知的疾病制成表。
Wells-Riley方程(如上所示)是通过假设空气中传染性微粒的稳态浓度推导出的。假设充分混合的空间：
Figure BDA0004195621620000142
其中V是总风量(例如，以m3为单位)，N是空气中的量子浓度，I是传染性个体的数量，q是疾病量子生成率，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)，并且项NQ是由于通风(例如，由于AHU 304的运作)引起的量子去除率。
假设是稳态条件，则根据一些实施例，空气中的稳态量子浓度表示为：
Figure BDA0004195621620000143
因此，如果个体以平均速率p(例如，以m3/sec为单位)吸气，则在长度为t的期间内，该个体会吸入总体积pt或Nssptk0个传染性微粒。因此，基于用于定义量子的概率模型，传染性概率由下式给出：
Figure BDA0004195621620000151
其中P是个体被传染的概率，k是个体吸入的传染性微粒的数量，并且k0是特定疾病的微粒的量子。
用于传染性微粒代替物的二氧化碳
虽然上述方程可依赖于空气中的传染性量子浓度，但测量空气中的传染性量子浓度可能是困难的。然而，二氧化碳(CO2)是由区传感器312测量的易于测量的参数，它可以是代替物质。在一些实施例中，区206中的CO2浓度可以与传染性量子的浓度直接相关。
定义建筑物空气中被传染的微粒浓度与传染性个体的呼出气中的被传染的微粒浓度之比的参量φ被定义为：
Figure BDA0004195621620000152
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是疾病量子生成率。关于时间推导上述方程得到：
Figure BDA0004195621620000153
其中p是个体的体积呼吸率，q是疾病量子生成率，N是空气中的量子浓度，t是时间，I是传染性个体的数量，V是总风量，φ是比率，并且Q是室外通风率。由于可能难以测量空气的比率φ，因此可以使用CO2作为代替物质。
人类在呼气时释放CO2，其最终经由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(不仅是传染性群体)都会释放CO2，并且室外空气CO2浓度是非零的。然而，可以假设环境CO2浓度相对于时间是恒定的，这意味着可以将新的参量C定义为净室内CO2浓度(例如，室内浓度减去室外浓度)。利用该假设，可以推导出下面的微分方程：
Figure BDA0004195621620000154
其中V是总风量(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(例如，在建筑区206，或建模空间，或所有建筑区206，或建筑物10中)，p是一位个体的体积呼吸率，c是呼出的CO2的净浓度，并且Q是室外通风率。该方程假设去除传染性微粒的唯一方法是使用新鲜空气通风(例如，通过使AHU 304运作来吸入室外空气并将室外空气与再循环空气一起使用)。可以定义给出建筑物空气中的净CO2浓度与呼出空气中的净CO2浓度的比率的新的参量ψ：
Figure BDA0004195621620000161
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，关于时间推导比率ψ得到：
Figure BDA0004195621620000162
根据一些实施例，将上述方程与参量φ结合，可以推导出：
Figure BDA0004195621620000163
假设初始条件满足：
Figure BDA0004195621620000164
则可以确定
Figure BDA0004195621620000165
方程的右侧变为零。这意味着项/>
Figure BDA0004195621620000166
并且因此/>
Figure BDA0004195621620000167
是常数。因此，φ/ψ对于所有时间t都是恒定的，而不仅仅是t＝0时的初始条件。
仅当新鲜室外空气被用作唯一的消毒机制时，
Figure BDA0004195621620000168
关系才成立。然而，在许多情况下，HVAC系统200可以包括一个或多个过滤器308，以及可运作以针对建筑区206提供消毒的UV灯306。如果使用额外的传染减轻策略，则通风率可被不同于CO2的传染性量子的有效通风率代替。此外，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(例如过夜，当浓度具有足够的时间达到平衡零值时)运作，则该假设可能是合理的。然而，通风通常在一夜之间部分或完全停用，因此这两个量φ和ψ是不相关的。然而，可以测量CO2浓度以确定通用模型参数(例如，对于整个系统体积V)而无需将其用于估计当前传染性微粒浓度。如果室外新鲜空气通风是区206的消毒的唯一机制，并且HVAC系统200运行使得浓度达到平衡，则可以测量CO2浓度并将其用于估计当前传染性微粒浓度。
动态扩展和传染概率约束
仍然参考图3，可期望将建筑区206的传染性量子浓度N建模为动态参数而不是假设N等于稳态NSS值。例如，如果传染性个体进入建筑区206、离开建筑区206等，则传染性量子浓度N可随时间改变。这也可能是由于有效的新鲜空气通风率(包括影响由AHU 304提供给区206的供应空气中的传染性因子浓度的室外空气摄入以及过滤或UV消毒)可随着HVAC系统200的运作而有所不同。
因此，假设传染性量子浓度N(t)是时变参量，则对于给定的时间段t∈[0,T]，个体吸入：
Figure BDA0004195621620000171
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量，p是一位个体的体积呼吸率，k0是特定疾病的微粒的量子，并且N(t)是空气中传染性微粒的时变量子浓度。
根据一些实施例，由于
Figure BDA0004195621620000172
上述方程可以重新排列，代入后可以得到：
Figure BDA0004195621620000173
根据一些实施例，假设可接受的或期望的传染概率的上边界
Figure BDA0004195621620000174
约束被定义为：
Figure BDA0004195621620000175
该约束可以定义给定时间间隔内的Nt的平均值的固定上边界。
控制制定
特别参考图4，更详细地示出了根据一些实施例的控制器310。控制器310被配置成生成用于UV灯306、过滤器308和/或AHU 304中的任一者的控制信号。AHU 304运作以吸入室外空气和/或再循环空气(例如，来自区206)从而输出调节后的(例如，冷却的)空气。调节后的空气可以通过过滤器308(例如，其可包括风机以将空气吸入通过过滤器308)以得到过滤，从而输出过滤后的空气。过滤后的空气和/或调节后的空气可通过UV灯306的运作进行消毒。AHU 304、过滤器308和UV灯306可以一致地运作，以向区206提供供应空气。
控制器310包括处理电路402，该处理电路包括处理器404和存储器406。处理电路402可以与控制器310的通信接口可通信地连接，使得处理电路402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可以被实施为通用处理器、专用集成电路(ASIC)、一个或多个现场可编程门阵列(FPGA)、一组处理组件或其它合适的电子处理组件。
存储器406(例如，存储器、存储器单元、存储装置等)可包括一个或多个用于存储用于完成或促进本申请中描述的各种过程、层和模块的数据和/或计算机代码的装置(例如，RAM、ROM、闪存、硬盘存储器等)。存储器406可以为或包括易失性存储器或非易失性存储器。存储器406可以包括用于支持本申请中描述的各种活动和信息结构的数据库组件、目标代码组件、脚本组件或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并且包括用于执行(例如，通过处理电路402和/或处理器404)本文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、一栋房屋等)内实施。在各种其它实施例中，控制器310可分布在多个服务器或计算机上(例如，可存在于分布式地点中)。
存储器406可以包括约束生成器410、模型管理器416、传感器管理器414、优化管理器412和控制信号生成器408。传感器管理器414可以被配置成从区传感器312获得区传感器数据和/或从环境传感器314获得环境传感器数据(例如，环境条件、室外温度、室外湿度等)，并且将所需的传感器数据分发到其存储器406的各个组件。约束生成器410被配置成针对优化问题生成一个或多个约束(例如，传染概率约束)并将约束提供给优化管理器412。模型管理器416可以被配置成生成动态模型(例如，单独动态模型或逐区的动态模型、聚合模型等)并且将动态模型提供给优化管理器412。优化管理器412可以被配置成使用由约束生成器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还可以为优化问题定义目标函数，并且受制于一个或多个约束和动态模型最小化或优化该目标函数。目标函数可以是指示在作为各种控制决策的函数的时间间隔或时间范围(例如，未来时间范围)内的能量消耗量、能量消耗成本、碳足迹或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生成器408。控制信号生成器408可以基于优化结果生成控制信号并且将控制信号提供给AHU 304、过滤器308和/或UV灯306中的任一者。
特别参考图3和图4，AHU 304可以被配置成服务于多个建筑区206。例如，AHU 304可以被配置成服务于编号为k＝1,…,K的区206的集合。每个区206可以具有温度(称为温度Tk(第k区206的温度))、湿度ωk(第k区206的湿度)和传染性量子浓度Nk(第k区206的传染性量子浓度)。使用该表示法，可以推导出各个区206的以下动态模型：
Figure BDA0004195621620000181
Figure BDA0004195621620000182
Figure BDA0004195621620000183
其中fk是进入第k区的空气体积流量，ρ是空气的质量密度(例如，以千克每立方米为单位)，c是空气的热容量(例如，以kJ/kg·K为单位)，Qk(·)是第k区206上的热负荷(其可取决于温度Tk)，wk是第k区206的散湿量，并且Ik是第k区206中传染性个体的数量。T0是提供给第k区的空气的温度(例如，如由AHU 304的VAV箱所排放的)，ω0是提供给第k区206的空气的湿度，并且N0是提供给第k区206的空气的传染性量子浓度。
AHU 304输出的空气的温度T0、AHU 304输出的空气的湿度ω0、AHU 304输出的空气的传染性量子浓度N0使用如下方程计算：
Figure BDA0004195621620000191
Figure BDA0004195621620000192
Figure BDA0004195621620000193
其中根据一些实施例，x是AHU 304的新鲜空气摄入分数，Ta是当前环境温度，ωa是当前环境湿度，ΔTc是来自AHU 304的冷却盘管的温度降低，Δωc是来自AHU 304的冷却盘管的湿度降低，并且λ是由于在AHU 304处的过滤(例如，过滤器308的运作)和/或UV处理(例如，UV灯306的运作)引起的(但不是由于在系数1-x中考虑的通风引起的)传染性量子的分数减少。
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可以存储上文所示的各个动态模型和/或聚合模型(在下文更详细地描述)并且填充这些模型。然后，填充的模型可以由模型管理器416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接收传感器数据并向存储器406的各种管理器、模块、生成器、组件等提供适当的或所需的传感器数据。例如，传感器管理器414可以获得当前环境温度Ta、当前环境湿度ωa、由AHU 304的冷却盘管引起的温度降低ΔTc，和/或由AHU 304的冷却盘管引起的湿度降低Δωc，并且提供这些值给模型管理器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的动态模型的各种参数或变量的值是预定义值、预定值或存储值，或者可以基于传感器数据(例如，周围或室外地区的当前环境条件、区206的环境条件等)来确定(例如，使用函数、方程、表、查找表、图形、图表等)。例如，空气的质量密度ρ可以是预定值或者可以基于传感器数据来确定。在一些实施例中，模型管理器416可以使用存储值、传感器数据等来完全填充各个区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变量)。一旦模型被填充使得仅控制变量保持未定义或未确定，模型管理器416就可将填充的模型提供给优化管理器412。
传染性个体的数量Ik可基于传感器数据(例如，基于建筑区206的居用者或个体的生物特征数据)来填充，或者可基于传感器数据来估计。在一些实施例中，模型管理器416可以使用预期的居用者数量和关于地区中被传染个体的数量的各种数据库。例如，模型管理器416可以查询关于该地区中潜在传染性传播的在线数据库(例如，特定病毒或传染病的阳性测试的数量)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，可能难以获得在建模空间(例如，区206)中的传染性个体的数量Ik的逐区值。在一些实施例中，模型管理器416被配置成对于Nk使用模型的整体近似值。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：
Figure BDA0004195621620000201
Figure BDA0004195621620000202
Figure BDA0004195621620000203
Figure BDA0004195621620000204
具体地，上文所示的方程通过基于区206的体积计算加权平均值来跨多个区206聚合变量
Figure BDA00041956216200002010
Figure BDA0004195621620000205
和/>
Figure BDA0004195621620000206
根据一些实施例，可以为Nk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：
Figure BDA0004195621620000207
假设对于每个区206，
Figure BDA0004195621620000208
根据一些实施例，聚合量子浓度模型如下所示：
Figure BDA0004195621620000209
根据一些实施例，定义聚合温度、湿度、热负荷和散湿量参数：
Figure BDA0004195621620000211
Figure BDA0004195621620000212
Figure BDA0004195621620000213
Figure BDA0004195621620000214
允许添加k个热模型
Figure BDA0004195621620000215
Figure BDA0004195621620000216
(假设对于每个区206，
Figure BDA0004195621620000217
)。根据一些实施例，这得到了聚合热模型：/>
Figure BDA0004195621620000218
根据一些实施例，可类似地聚合含水量模型
Figure BDA0004195621620000219
以得到聚合含水量模型：
Figure BDA00041956216200002110
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存储并使用上文描述的聚合量子浓度模型、聚合热模型和/或聚合含水量模型。模型管理器416可以填充聚合模型的各种参数并将聚合模型提供给优化管理器412以在优化中使用。
仍然参考图4，存储器406包括优化管理器412。优化管理器412可以被配置成使用由模型管理器416提供的模型和由约束生成器410提供的各种约束来构建HVAC系统200的优化问题(例如，确定UV灯306和/或AHU 304的控制参数、设定点、控制决策等和/或确定设计输出)。优化管理器412可以构建优化问题，该优化问题受制于约束而使用单独或聚合的温度、湿度和/或量子浓度模型来最小化能量使用。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fk(或者如果优化问题使用聚合模型，则是聚合
Figure BDA0004195621620000221
)、室外空气分数x和传染性量子去除分数λ。
传染性量子去除分数λ被定义为：
λ＝λ过滤器+λUV
其中λ过滤器是由使用过滤器308而产生的传染性量子去除分数(例如，通过过滤器308去除的传染性量子的量或分数)，并且λUV是由使用UV灯306而产生的传染性量子去除分数(例如，通过UV灯306的运作去除的传染性量子的量或分数)。在一些实施例中，λ过滤器是设计时间常数(例如，基于所选择的过滤器308确定的)，而λUV是可由优化管理器412通过执行优化问题的优化来确定的可调或可控变量。在一些实施例中，λUV是离散变量。在一些实施例中，λUV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以下方程(例如，最小化的目标函数)建模：
Figure BDA0004195621620000222
其中L是水的潜热，ΔP是管道压降，η盘管是AHU 304的冷却盘管的效率，η风机是AHU304的风机的效率，并且ηUV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以用于制定和执行该优化。在一些实施例中，项
Figure BDA0004195621620000223
是AHU 304的冷却盘管或加热盘管所消耗的能量的量(例如，在优化时间段或时间范围内)，项/>
Figure BDA0004195621620000224
是AHU 304的风机所消耗的能量的量，并且ηUVλUV是UV灯306所消耗的能量的量。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之相关，其中更高效的过滤器308(例如，具有更高η过滤器值的过滤器308)通常产生更高的管道压降ΔP值，并且因此导致更大的能量消耗。在一些实施例中，优化管理器412使用更复杂的能量消耗模型来制定优化问题(例如，非线性风机模型和时变或与温度相关的盘管效率模型)。
在一些实施例中，AHU 304的冷却盘管的变量ΔTc和Δωc是隐式的因式决策变量。在一些实施例中，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)为AHU 304选择供应温度TAHU的值并且该值用于确定变量ΔTc和Δωc。在这样的实施方式中，模型管理器416或优化管理器412可以确定T0＝TAHU以及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)以及由约束生成器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受制于对建模参数ω和N的约束以及额外约束来最小化能量消耗：
Figure BDA0004195621620000231
(能量成本)
s.t…(动态模型，对于Tt，ωt，以及Nt)
…(传染概率约束)
Figure BDA0004195621620000232
(温度界限)
Figure BDA0004195621620000233
(湿度界限)
Figure BDA0004195621620000234
(新鲜空气通风界限)
Figure BDA0004195621620000235
(VAV流量界限)
0≤xt≤1(室外控气风阀界限)
其中∑tEt是HVAC系统200在优化时间段内的瞬时电力或能量消耗的总和，受制于Tt、ωt和Nt的动态模型(逐区的单独模型，或如上所述的聚合模型)，传染概率约束(在下文更详细地描述)，温度边界约束(
Figure BDA0004195621620000236
将Tt保持在最小温度边界/>
Figure BDA0004195621620000237
与最大温度边界/>
Figure BDA0004195621620000238
之间)，湿度边界约束(/>
Figure BDA0004195621620000239
将湿度ωt保持在最小湿度边界/>
Figure BDA00041956216200002310
与最大湿度边界/>
Figure BDA00041956216200002311
之间)，新鲜空气通风边界(/>
Figure BDA00041956216200002312
保持新鲜空气通风xtft高于或等于最小所需量/>
Figure BDA00041956216200002313
)，VAV流量边界(/>
Figure BDA00041956216200002314
将体积流速ft保持在最小边界/>
Figure BDA00041956216200002315
与最大边界/>
Figure BDA00041956216200002316
之间)，以及室外空气风阀界限/约束(0≤xt≤1，将室外空气分数xt保持在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地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
Figure BDA00041956216200002317
t湿度/>
Figure BDA00041956216200002318
的边界可以由优化管理器412基于用户输入来确定或从舒适度要求推导得出。温度和湿度界限可以由优化管理器412作为软约束强制执行。剩余的界限(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强制执行以满足美国供热、制冷和空气调节工程师协会(ASHRAE)标准。在一些实施例中，新鲜空气通风界限被用于CO2浓度的模型和对应的界限替换。
在一些实施例中，由约束生成器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必须将硬约束变量保持在由硬约束定义的限值内。相反，软约束可以作为对目标函数值有贡献的惩罚来实施(例如，如果优化问题寻求最小化目标函数，则添加到目标函数中，或者如果优化问题寻求最大化目标函数，则从目标函数中减去)。在求解优化问题时可能会违反软约束，但这样做将带来影响目标函数值的惩罚。因此，软约束可鼓励优化管理器412尽可能将软约束变量的值保持在由软约束定义的限值内以避免惩罚，但可允许优化管理器412在必要时或在这样做将引起更优解时违反软约束。
在一些实施例中，约束生成器410可以通过定义大惩罚系数(相对于目标函数中其它项的大小(scale))来对优化问题施加软约束，使得优化管理器412仅在绝对必要时才违反软约束。然而，可以设想的是，可以调整或调节惩罚系数的值(例如，由人进行或由约束生成器410自动进行)，以提供将软约束变量保持在限值内与由目标函数定义的所产生的成本(例如，能量成本、货币成本)之间的最佳折衷。约束生成器410可以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，软约束温度变量的0.1$/℃·hr的惩罚系数将在优化期间的每个小时对于温度变量超出软约束限制的每1℃给目标函数增加$0.10的成本。约束生成器410可以使用的另一种方法是使用取决于违反软约束的量的可变或渐进惩罚系数。例如，对于软约束温度变量超出定义限制的第一1℃，可变或渐进惩罚系数可以定义0.1$/℃·hr的惩罚成本，但对于第一1℃之外的软约束温度限值的任何违反情况，可定义相对较高的惩罚成本1.0$/℃·hr。
约束生成器410可以使用的另一种方法是为约束变量中的一个或多个提供“约束违反预算”。约束违反预算可以定义允许约束变量在给定时间段内违反定义的约束限制的总的(例如，累积的)量。例如，约束温度变量的约束违反预算可以定义30℃·hr(或任何其它值)作为允许约束温度变量在给定时间段(例如，一天、一周、一个月等)内违反温度限制的累积量。这将允许温度在单个小时内违反温度约束30℃，在30个独立小时中的每个小时违反温度约束1℃，在300个独立小时中的每个小时违反温度约束0.1℃，在一个小时内违反温度约束10℃并且在20个独立小时中的每个小时违反温度约束1℃，或30℃·hr的量在给定时间段的各小时内的任何其它分布，只要累积温度约束违反加起来是30℃·hr或更少。只要累积约束违反量在约束违反预算内(例如，小于或等于)，约束生成器410就可以不向目标函数添加惩罚或从目标函数中减去惩罚。然而，超出约束违反预算的任何进一步违反约束都可能触发惩罚。如上所讨论，可以使用静态惩罚系数或可变/渐进惩罚系数来定义惩罚。
根据一些实施例，传染概率约束(在下文更详细地描述)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和盘管湿度降低Δωc的计算。在一些实施例中，只要对输入变量施加足够的界限，就可以使用非线性规划技术来求解优化问题。
传染概率约束
仍参考图4，存储器406被示出为包括约束生成器410。约束生成器410可以被配置成生成传染概率约束，并且将该传染概率约束提供给优化管理器412。在一些实施例中，约束生成器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给优化管理器412以用于执行优化。
对于传染概率约束，Wells-Riley方程的动态扩展意味着在期间个体处于建筑物中的时间间隔内应存在平均约束。根据一些实施例，个体i在时间间隔[0,T]内的传染概率Pi,[0,T]由下式给出：
Figure BDA0004195621620000251
根据一些实施例，假设个体的传染概率Pi,[0,T]是已知值，则可以为Pi,[0,T]选择上界Pmax并将其实施为线性约束：
Figure BDA0004195621620000252
在一些实施例中，变量δit对于建筑物10中的每位个体而言可以是不同的，但可以如本文所述近似地计算。
上述线性约束是给予优化管理器412(例如，优化器)最大量灵活性的平均约束，因为该平均约束可以允许在一天中的特定时间期间(例如，当由于室外环境条件，另外的新鲜空气通风是昂贵的时候)具有较高浓度的传染性量子，只要在一天中的其它时间期间较高浓度被较低浓度的传染性量子平衡。然而，对于建筑物10中的每一个体来说，δit序列可以是不同的。出于本文描述的示例的目的，假设通常每一个体出现总共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被调整或设置为其它值。例如，当本文所述的系统和方法在餐厅或商店中实施时，假设个体在建筑物中出现的时间量可以被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一个体在建筑物中的居用时间，但个体在建筑物中出现的时间可有所不同(例如，个体可在早上7点至下午3点、早上9点至下午5点等出现)。因此，为了确保针对所有可能的δit序列都满足约束，可需要在对一天中具有最高浓度的8小时求和时满足约束条件。
该约束使用线性约束表示为：
Figure BDA0004195621620000261
Figure BDA0004195621620000262
其中η和μt是优化问题中的新辅助变量，并且M是对应于8小时(或期望个体居用建筑物10或建筑区206中的一个建筑区的任何其它时间量)的离散时间步长的数量。该制定可以起作用，因为η被设置为Nt的第M个最高值并且μt中的每一者都满足μt＝max(Nt-η,0)。有利地，传染概率约束的这种实施方式可以由约束生成器410生成，并提供给优化管理器412，以在实施控制器310以执行针对HVAC系统200的控制决策时(例如，当控制器310于在线模式下运作时)在优化问题中使用。
传染概率约束的使用逐点约束的替代实施方式如下所示：
Figure BDA0004195621620000263
其中对于最大传染概率值Pmax，Nt被约束为小于或等于
Figure BDA0004195621620000264
在一些实施例中，当优化管理器412在离线或设计实施方式中使用时，上文所示的逐点约束由约束生成器410生成。在一些实施例中，如果在所有区206中都得到满足，则上文所示的逐点约束确保任何个体都将满足传染概率约束。与本文所述的传染概率约束的其它实施方式相比，这样的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式约束，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Pmax是约束生成器410用来生成本文描述的传染概率约束的预定值。在一些实施例中，约束生成器410被配置成从用户接收最大允许或期望传染概率Pmax作为用户输入。在一些实施例中，最大允许或期望传染概率Pmax是可调参数，其可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任何其它各种因素自动生成。例如，某些建筑物(例如，医院)可比其它类型的建筑物对预防疾病传播更敏感，并且可使用Pmax的较低值。类似地，某些类型的疾病可能比其它疾病更严重或更危及生命，并且因此随着疾病严重程度的增加，可以将Pmax的值设置为相对较低的值。在一些实施例中，用户可以调整Pmax的值，并且本文描述的系统和方法可以针对Pmax的各个不同值运行多次模拟或优化，以确定对成本和疾病传播的影响。用户可以使用模拟或优化的结果，根据所估计的成本和对疾病传播的影响来选择Pmax的期望值。
模型改进
仍然参考图4，优化管理器412、约束生成器410和/或模型管理器416可以在优化中实施各种模型改进。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，经由底板加热或VAV再加热盘管)的决策变量。在一些实施例中，辅助加热的影响被包括在类似于扰动热负荷Qk(·)的温度动态模型中。类似于其它决策变量，辅助加热决策变量可受制于由约束生成器410生成并由优化管理器412在优化问题制定和求解中使用的界限(例如，在制冷季节期间将两者都设置为零以停用辅助加热)。在一些实施例中，辅助加热还使得优化管理器412在被最小化的能量消耗方程(如上文所示)中包括用于相关联能量消耗的另一项。
在一些实施例中，某些区域或地区可能具有可变电价和/或高峰需求收费。在一些实施例中，可以通过优化管理器412增强目标函数(例如，能量消耗方程)以考虑这样的成本结构。例如，通过优化管理器412最小化的现有能量消耗Et可以乘以对应的电价Pt。峰值需求收费可需要使用表示建筑物10的基本电力负荷的额外参数et(例如，出于非HVAC目的)。优化管理器412可以包括这样的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，优化管理器412在生成目标函数时考虑到可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)计划或其他收入来源而生成的收入。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折算成它们的净现值来考虑货币的时间价值。优化管理器412可以考虑的这些和其它因素在2019年7月23日授予的美国专利第10,359,748号、2019年11月14日公布的美国专利申请公开第2019/0347622号和2018年12月13日发布的美国专利申请公开第2018/0357577号中有所描述，所述专利中的每一者的全部公开内容以引用方式并入本文。
在一些实施例中，某些地点具有时变电价，并且因此存在通过使用建筑物10的实体块用于热能存储来显著降低制冷成本的可能性。在一些实施例中，控制器310可运作以在电力便宜时预冷却建筑物10的实体块，使得实体块可以稍后在电力不太昂贵时在当天晚些时候提供被动制冷。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
Figure BDA0004195621620000271
来使用模型增强对这种影响进行建模，以将区206的固体质量演变表示为：
Figure BDA0004195621620000272
对应的项为：
Figure BDA0004195621620000273
其被添加到空气温度模型(如上所示)。模型管理器416也可以将该参量聚合成类似于
Figure BDA0004195621620000274
的平均值/>
Figure BDA0004195621620000275
对于某些疾病，随着时间的推移，传染性微粒可自然地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性量子模型(除了上文讨论的传染性量子模型的其它项之外)。在以下方程中示出了示例：
Figure BDA0004195621620000281
其中β表示传染性物质的自然衰减率(以s-1为单位)，省略号表示如上所讨论的传染性量子模型的其它项。由于自然衰变从传染性微粒的总量中减去，所以自然衰减项要从传染性量子模型中的其它项中减去。例如，如果给定的传染性因子的半衰期t1/2为一小时(即，t1/2＝1 hr＝3600s)，则对应的衰减率由下式给出：
Figure BDA0004195621620000282
该另外的项可以确保传染性微粒浓度不会在极长的时间段内无限期地累积。
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，该设计或规划工具用于确定HVAC系统300的各种设计参数(例如，用于确定过滤器308、UV灯306等的大小)。在一些实施例中，被实施为设计工具、规划工具、推荐工具等(例如，在离线模式中)的控制器310的功能与被实施为实时控制装置(例如，于在线模式下)的控制器310类似。然而，模型管理器416、约束生成器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，模型群体数据)。模拟数据库424可以存储HVAC系统200的能量消耗装置的约束或边界的各种参数的值、动态模型或典型的能量消耗成本或运作参数。在一些实施例中，模拟数据库424还存储如从HVAC系统200的传感器获得的预测值或历史值。例如，模拟数据库424可以存储典型的环境温度、湿度等条件以在执行离线模拟中使用。
当控制器310被配置成用作设计工具时(如图5所示)，控制器310可以从用户输入装置420接收用户输入。用户输入可以是各种约束的初始输入(例如，模拟的传染概率的最大值)或各种所需的输入参数。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设备(例如，是否使用或安装UV灯306)、是否使用AHU 304来吸入外部空气等的建议；或最小化成本(例如，以优化目标函数、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)的其他因素。在一些实施例中，控制器310可以基于建筑物10的地点提供不同的推荐或建议。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同时不增加能量成本或碳足迹。
与在线优化(在下文更详细地描述)相比，通过优化管理器412制定的用于离线实施方式的优化问题包括对传染性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，可以通过(a)改变进入每个区206的气流(例如，调整fi)，(b)改变新鲜空气摄入分数(例如，调整x)，或(c)经由过滤或UV灯破坏AHU 304中的传染性微粒(例如，调整λ)来控制或调整传染性量子浓度。
应当注意的是，第一控制或调整和第二控制或调整(例如，(a)和(b))也可以影响建筑物10的区206的温度和湿度。然而，第三控制选项(c)(例如，通过过滤和/或UV灯的运作来调整传染性量子浓度)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可以确定严重依赖或完全依赖通过过滤器308和/或UV灯306的运作保持传染性量子浓度低于其对应阈值或界限的结果。然而，建筑区206的温度和湿度可以有足够的灵活性，使得优化管理器412可以同时确定对(a)、(b)和(c)的调整，以实现最低或最小的运作成本(例如，能量消耗)。此外，由于购买过滤器308和/或UV灯306可能会带来显著的资金成本(例如，用于购买此类装置)，因此控制器310可以作为模拟执行优化以确定购买过滤器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所示的设计工具时，控制器310可以提供总成本(资金成本和运作成本)的估计，以实现期望的传染控制水平(例如，保持传染概率低于期望量或处于期望量)。目的是在(例如，如由模拟数据库424存储和提供的)给定典型气候和居用数据的情况下，运行一系列独立的模拟，假设(例如，如由模拟数据库424存储和提供的)不同的设备配置并且针对不同传染概率约束。在一些实施例中，不同的设备配置包括当过滤器308和/或UV灯306安装在HVAC系统200中时，或者当过滤器308和/或UV灯306未安装在HVAC系统200中时的场景。
在针对不同的设备配置场景和/或不同的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执行并且成本收益分析结果可以作为显示数据经由显示装置422输出到建筑物管理器。这些结果可以帮助建筑物管理者或建筑物设计者评估建筑物10的传染控制的潜在选项(如图8所示)。
特别参考图5和图8，图形800展示了可以由显示装置422显示的结果管理器418的潜在输出。图形800展示了对于过滤和UV光两者都用于传染控制时的情况(由系列808表示)，过滤用于传染控制而不使用UV灯时的情况(由系列802表示)、UV灯用于传染控制而不使用过滤时的情况(由系列806表示)以及既不使用UV灯又不使用过滤时的情况(由系列804表示)关于传染概率(X轴)的相对成本(Y轴)。在一些实施例中，系列802至808所展示的情况中的每一个假设使用新鲜空气摄入来控制传染概率。结果管理器418可以输出与图形800相关联的数据，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场景来执行模拟。此外，与以在线模式执行优化时相比，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被配置成使用如由模型管理器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：
Figure BDA0004195621620000301
x和λ。变量λ在每个时间步长可以包括两个位置(例如，对应于UV灯306打开或UV灯306关闭)。/>
Figure BDA0004195621620000302
和x的合理的网格大小可以是100。因此，这导致在每个步骤的控制决策的100×100×2＝20,000个可能组合，这在计算上是可管理的。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并选择实现最低成本的控制输入集，经由优化问题的一步限制来选择变量/>
Figure BDA0004195621620000303
λ和x的值。
如果使用额外的变量，诸如辅助加热变量，则这可能会增加优化问题的维数。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个至10个选择)。
在一些实施例中，优化管理器412被配置成在训练期间求解多个一步优化问题(例如，针对不同的控制变量集制定不同的优化问题并在单个时间步长上求解该优化问题)，然后训练函数逼近器(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律。
在一些实施例中，当控制器310用作图5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是否可取，并且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是否可取。
在一些实施例中，优化管理器412被配置成受制于每个模拟月的不同模拟变量执行各种模拟。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，设计决策类别包括其值由系统设计者选择的变量。随机参数类别包括其值由外部(例如，随机)过程生成的变量。
设计决策类别可以包括是否激活UV灯306的第一变量。第一变量可以具有两个值(例如，当UV灯306被激活时的第一值和当UV灯306被去激活时的第二值)。设计决策类别可以包括使用各种高效过滤器中的哪一个的第二决策变量(如果有的话)。第二变量可以具有建筑物管理者希望模拟的任意数量的值(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括什么值应该用于(如由约束生成器410提供并由优化管理器412在优化问题中使用的)传染概率约束的第三变量。在一些实施例中，第三变量的各个值也由用户输入装置420提供。在一些实施例中，第三变量的各个值被预先确定或存储在模拟数据库424中并且被提供给优化管理器412以在模拟中使用。第三变量可以具有用户所需的任意数量的值(例如，3个值)。
随机参数类别可以包括环境天气和区居用变量以及出现在建筑物10中的被传染个体的数量变量。在一些实施例中，环境天气和区居用变量可以具有约10个不同的值。在一些实施例中，出现的被传染个体的数量可以具有约5个不同的值。
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，以便在设计决策类别的变量的可行值上最小化能量消耗或成本。在一些实施例中，设计决策场景中的一些场景受到全局设计决策的选择的限制。例如，在假设选择安装UV灯306但不过滤的情况下，对于优化管理器412计算月度运作成本来说，优化管理器412可以确定所有场景中成本最低的场景是没有过滤但启用或停用UV灯306。尽管即使安装了UV灯306这也可能是不寻常的(例如，对于UV灯306被停用来说)，但各种条件(诸如，天气)可使这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(例如，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所运作的)中执行。为了每个月执行1,500个模拟场景，或全年执行18,000个场景(时间步长为15分钟)，这意味着给定模拟年份总共有约5200万个场景时间步长。
在一些实施例中，优化管理器412需要各种模拟数据以执行离线模拟(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中并根据需要提供给约束生成器410、模型管理器416和/或优化管理器412中的任一者以执行它们相应的功能。存储在模拟数据库424中的模拟数据可以包括每个区206的传热参数、每个区206的热负荷和含水量负荷、AHU 304的盘管模型参数、AHU 304的风机模型参数、外部温度、湿度和太阳能数据、过滤效率、压降，以及过滤器308的成本对比类型、UV灯306的消毒分数和能量消耗、UV灯306和过滤器308的安装成本、典型呼吸速率p、在建筑区206中的被传染个体
Figure BDA0004195621620000311
的数量，以及各种疾病的疾病量子生成q值。在一些实施例中，每个区206的传热参数可以由模拟数据库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，每个区206的热负荷和含水量负荷是基于区206的居用情况和ASHRAE指南来估计的。在模拟数据库424中获得该模拟数据之后，控制器310可以执行如本文所述的模拟(例如，离线优化)。
应当理解，如贯穿本公开所使用的，术语“优化”可以表示时间优化(例如，跨时间范围)或静态优化(例如，在特定时刻，瞬时优化)。在一些实施例中，优化管理器412被配置成针对不同的设备选择运行多个优化，或者被配置成将设备配置视为决策变量并执行单个优化以确定最佳设备配置。
还应当理解，如贯穿本公开所使用的术语“设计”(例如，“设计数据”和/或“设计工具”)可以包括设备推荐(例如，推荐购买特定设备或特定类型的设备，诸如特定过滤器)和/或HVAC系统200的运作推荐。换句话说，如本文所使用的“设计数据”可以指用于选择设备、运作策略的任何信息、指标、运作数据、指南、建议等，或改进财务指标或其它控制目标的任何其它选项(例如，舒适度和/或传染概率)。
例如，如在本文参考图5详细描述的控制器310被配置成提供购买特定型号的推荐。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如通过优化确定或选择的特定规格的设备。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还可以推荐特定的过滤器或特定的过滤器等级。例如，优化管理器412可以使用不同过滤器等级执行多个优化并且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，其被配置成确定建筑物10的设备的最佳控制。具体地，控制器310可以确定UV灯306和AHU 304的最佳运作，以在安装UV灯306和/或过滤器308并且HVAC系统200运作之后最小化能量消耗。当控制器310被配置为在线控制器时，控制器310的功能可类似于如被配置用于离线优化并且在上文参考图5更详细描述的控制器310。然而，控制器310可以确定建筑物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被配置成执行模型预测控制，该模型预测控制类似于2017年3月29日提交的美国专利申请第15/473,496号中描述的技术，所述专利申请的全部公开内容以引用方式并入本文。
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描述和如下所示的优化问题，但主要区别在于优化管理器412使用如上文更详细描述的传染性量子浓度模型执行优化。
Figure BDA0004195621620000331
(能量成本)
s.t…(动态模型，对于Tt，ωt，以及Nt)
…(传染概率约束)
Figure BDA0004195621620000332
(温度界限)
Figure BDA0004195621620000333
(湿度界限)
Figure BDA0004195621620000334
(新鲜空气通风界限)
Figure BDA0004195621620000335
(VAV流量界限)
0≤xt≤1(室外空气风阀界限)
因此，所产生的优化问题对这个新变量(传染性量子浓度)具有额外的约束，但通过所确定的激活UV灯306的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平衡吸入额外的室外空气(这通常带来制冷能量处罚)和激活UV灯306(这需要电力消耗)之间的折衷。此外，增加传染性因子控制还可以在供热季节(例如，在冬季期间)提供HVAC系统200的额外房间优化。在不考虑传染性量子浓度的情况下，解决方案通常导致最小室外气流低于某个收支平衡温度，低于该温度时，整个建筑物10都需要供热。然而，由于由优化管理器412制定的优化问题可以确定增加室外空气摄入，这可以提供额外的消毒优势。
出于实时或在线优化的目的，HVAC系统200可以逐区建模，因为区206各自具有独立的温度控制器和VAV箱。在一些实施例中，逐区温度测量值由控制器310从区传感器312获得(例如，温度、湿度、CO2、空气质量等的集合，位于多个区206中的每一个处的传感器)。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性量子模型进行在线优化。有利地，这可以减少优化问题中必要的建模工作和决策变量的数量。在一些实施例中，如果AHU 304服务于过多数量的区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：
Figure BDA0004195621620000336
对于所有t∈[0，T]
给定t，其中u(t)是决策、控制或可调变量，并且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)信号离散成分段常数值un和pn来实施这样的约束，其中离散指数n表示针对固定采样时间Δ的时间间隔t∈[nΔ,(n+1)Δ]。然后，优化管理器412可以将约束变换成：
Figure BDA0004195621620000341
对于所有t∈[nΔ,(n+1)Δ]和n∈{0,…,N-1}
其中N＝T/Δ，时间步长的总数量。在一些实施例中，优化管理器412被配置成使用高级求积技术来评估该约束。例如，优化管理器412可以将约束变换成：
xn+1＝F(xn,un,pn)
其中x(t)被离散为xn，并且F(·)表示数值求积例程。在一些实施例中，如果模型管理器416提供的模型足够简单，则优化管理器412可以推导出F(·)的解析表达式以直接执行该计算。
在一些实施例中，优化管理器412使用近似中点法来推导出解析表达式：
Figure BDA0004195621620000342
其中在时间间隔的中点处评估常微分方程f(·)。
在一些实施例中，优化管理器412被配置成以规则的间隔(例如，每小时)重复求解优化问题以修改用于控制信号生成器408的优化的输入序列。然而，由于优化是非线性的和非凸的，因此降低求解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以是有利的。
在一些实施例中，优化管理器412使用每日咨询能力。例如，优化管理器412可以每天一次(例如，在早上)构建和求解优化问题以确定(例如，AHU 304的)最佳风阀位置、UV利用(例如，UV灯306的运作)和区级气流。使用该优化的结果，优化管理器412可以被配置成预先安排优化的解决方案的各种变量的时变上界和下界，但是具有高于和低于的范围，使得优化管理器412可以具有足够的灵活性来拒绝局部扰动。在一些实施例中，保持HVAC系统200的调节控制系统，但该调节控制系统可能会在从优化问题获得的新的更严格的界限处饱和。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/或天气预测和/或居用情况预测指示应该重新执行优化(例如，如果天气预测不正确或发生改变)，则优化管理器412可以被配置成在一天的中间期间重新进行优化。
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优解的结果(例如，在执行离线优化时由控制器310确定的)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和对于最佳控制决策的扰动预测之间的映射。神经网络可以作为求解优化问题的替代在控制器310的在线实施方式中使用。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更快，并且神经网络不太可能建议质量差的局部最优(前提是从训练数据中排除此类解决方案)。然而，对于扰动序列，神经网络可能会返回无意义的值。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在一天的开始时经由直接优化来求解优化问题，然后在一天的剩余时间里，如果神经网络建议在最优解的预定义信任区域内，则控制器310使用这些神经网络建议。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优解。
在一些实施例中，优化问题由优化管理器412制定，假设区级VAV流量fk是决策变量。然而，在一些系统中，控制器310和HVAC系统200的设备之间的主接口是被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和控制信号生成器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)作为温度设定点进行传递。例如，如果预测高估了特定区206中的水头负荷，则该区的VAV风阀将向区206输送较少的气流，因为保持期望温度所需的制冷较少。
当优化管理器412使用对传染性量子浓度的约束时，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，在假设的场景中，减少的气流可能会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/或控制信号生成器408被配置成在VAV处保持较高的流速，即使所产生温度可低于预测温度。为了解决这种情况，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，尤其是将它们设置到更窄的范围，使得VAV风阀被迫输送(至少约)优化水平的空气循环。在一些实施例中，为了满足传染性量子浓度，相关界限是流量下限(因为任何更高的流量都仍将满足约束，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优化流量的75％至90％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优化水平以下，同时还具有在优化管理器412低估热负荷时根据需要增加流量的充分灵活性。在前一种情况下，优化管理器412可能会略微违反传染性量子约束(如果流量下降到低于规划水平，则这可能会经由基于规则的逻辑激活UV灯306来减轻)，而在后一种情况下，最优解仍然满足对传染性量子的约束。因此，优化管理器412可以实现两个控制目标而不会显著破坏已经存在的低级调节控制。
在线优化过程
特别参考图6，示出了根据一些实施例的用于执行在线优化以使建筑物中的能量消耗最小化并满足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可以由控制器310执行。在一些实施例中，针对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，该系统包括被配置成为提供给建筑物10的一个或多个区206的供应空气提供消毒的UV灯306、过滤AHU的空气输出的过滤器308，和/或AHU(例如，AHU 304)。还可以针对不包括过滤器308和/或UV灯306的HVAC系统执行过程600。
根据一些实施例，过程600包括确定多个区中的每个区的温度模型，以基于对应区的一个或多个条件或参数来预测该对应区的温度(步骤602)。温度模型可以由模型管理器416生成或确定以在优化问题中使用。在一些实施例中，温度模型如下：
Figure BDA0004195621620000361
其中ρ是空气的质量密度，c是空气的热容量，Vk是第k区的体积，fk是进入第k区的空气体积流量，T0是由AHU输出的空气的温度，fk是第k区的温度，并且Qk是第k区的热负荷。步骤602可以由模型管理器416执行，如上文参考图4至图5更详细描述的。
根据一些实施例，过程600包括确定多个区中的每一者的湿度模型，以基于对应区的一个或多个条件或参数来预测该对应区的湿度(步骤604)。步骤604可以类似于步骤602，但是用于湿度模型而不是温度模型。在一些实施例中，湿度模型如下：
Figure BDA0004195621620000362
(对于第k区206)。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至图5更详细描述的。
根据一些实施例，过程600包括确定多个区中的每一者的传染性量子浓度模型，以基于对应区的一个或多个条件或参数来预测该对应区的传染性量子(步骤606)。在一些实施例中，传染性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。根据一些实施例，传染性量子浓度模型可以是：
Figure BDA0004195621620000363
在一些实施例中，由模型管理器416执行步骤606。
根据一些实施例，过程600包括确定聚合温度模型、聚合湿度模型、聚合传染性量子模型、聚合热模型和聚合含水量模型(步骤608)。在一些实施例中，步骤608为任选的。步骤608可以包括通过跨区206确定体积平均值来生成或确定聚合模型中的每一者。根据一些实施例，聚合传染性量子模型如下：
Figure BDA0004195621620000371
根据一些实施例，聚合热模型如下：
Figure BDA0004195621620000372
根据一些实施例，聚合含水量模型如下：
Figure BDA0004195621620000373
在一些实施例中，聚合的热和含水量模型是聚合热模型。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包括使用传感器数据或存储值来填充温度模型、湿度模型、传染性量子模型或聚合模型中的任一者(步骤610)。在一些实施例中，由模型管理器416执行步骤610。在一些实施例中，步骤610为任选的。可以基于从区传感器312获得的传感器数据来执行步骤610。
根据一些实施例，过程600包括确定目标函数，该目标函数包括使为区服务的HVAC系统运作的成本(步骤612)。在一些实施例中，步骤612由优化管理器412使用模型管理器416提供的动态模型和/或聚合模型来执行。目标函数可以是给定时间段内的能量消耗、能量成本或其它感兴趣的变量的总和。根据一些实施例，离散时间步长的瞬时能量消耗由下式给出：
Figure BDA0004195621620000374
可以对给定时间段的所有时间步长进行求和或积分，如下所示：
Figure BDA0004195621620000375
其中Δ是离散时间步长的持续时间。
根据一些实施例，过程600包括确定目标函数的一个或多个约束，包括传染概率约束(步骤614)。在一些实施例中，由约束生成器410执行步骤614。一个或多个约束可以包括传染概率约束、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，传染概率约束如下：
Figure BDA0004195621620000381
Figure BDA0004195621620000382
或：
Figure BDA0004195621620000383
根据一些实施例，过程600包括执行优化以确定针对HVAC系统的HVAC设备以及HVAC系统的紫外线灯的控制决策，使得满足一个或多个约束并且使成本最小化(步骤616)。步骤616可以由优化管理器412通过受制于一个或多个约束(例如，温度、湿度等的界限和传染概率约束)最小化目标函数来执行。步骤616还可以包括构建优化问题并基于目标函数、动态模型(或聚合动态模型)和一个或多个约束来构建优化问题。控制决策可以包括HVAC系统的AHU(例如，AHU 304)的新鲜空气分数x，是否打开或关闭UV灯等。
离线优化过程
特别参考图7，示出了根据一些实施例的用于执行离线优化以确定最小化能量消耗或成本并满足传染概率约束的设备配置的过程。过程700可与过程600有相似之处但可以在离线模式下执行(例如，无需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。过程700可以在被配置用于离线模式时由控制器310执行(如图5所示)。
过程700包括可以与过程600的步骤602至步骤608相同的步骤702至步骤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来执行优化，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了过程700的优化的计算复杂度。过程700可以针对多种设计参数(例如，不同的设备配置)执行，而过程600可以针对单个设备配置(例如，过程600用于优化的设备配置)执行。因此，在过程700中使用聚合模型来降低优化问题的复杂度可以是有利的。
过程700包括使用模拟数据填充聚合模型(步骤710)。在一些实施例中，步骤710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)来执行。在一些实施例中，使用已知的、假设的或预定的值来执行步骤710以填充聚合模型。
根据一些实施例，过程700包括：确定目标函数，该目标函数包括使为区服务的HVAC系统运作的成本(步骤712)；以及确定目标函数的一个或多个约束，该一个或多个约束包括传染概率约束(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和步骤614相似或相同。
根据一些实施例，过程700包括针对各种设备配置执行一系列一步优化，以估计与该设备配置相关联的运作成本(步骤716)。在一些实施例中，由优化管理器412执行步骤716。优化管理器412可以使用聚合温度模型、聚合湿度模型、聚合传染性量子模型、一个或多个约束以及目标函数来为不同的设备配置构建不同的优化问题。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求解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以显示给用户。
根据一些实施例，过程700包括向用户输出设计建议或优化结果(步骤718)。在一些实施例中，步骤718包括向用户输出(例如，经由显示装置)与不同设备配置(例如，包括用于消毒的UV灯和/或用于消毒的过滤器的设备配置)相关联的成本，使得用户(例如，建筑物管理者)可以确定他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可以包括使显示器运作以向用户提供图形800(或类似的图形)。
尽管过程700主要被描述为“离线”过程，但是应当理解，过程700不仅限于离线实施方式。在一些实施例中，当控制器310于在线模式下运作时可以使用过程700(如参考图4和图6所描述的)。在一些实施例中，通过执行过程700生成的结果和/或使控制器310在离线模式下运作时生成的结果(例如，推荐的设备配置、推荐的运作参数等)可以用于执行HVAC设备的在线控制或执行其它自动化动作。例如，控制器310可以使用所推荐的设备配置以根据所推荐的设备配置自动启用、停用或改变HVAC设备的运作(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一组HVAC设备)。类似地，控制器310可以使用所推荐的运作参数来生成控制信号并向HVAC设备提供这些控制信号(例如，根据所推荐的运作参数来使HVAC设备运作)。
通常，控制器310可以使用使控制器310在离线模式下运作时生成的优化/模拟结果来生成包括一个或多个所推荐的设计参数(例如，是否包括或使用UV灯306进行消毒、是否包括或使用过滤器308进行消毒、是否使用新鲜/室外空气进行消毒、UV灯306或过滤器308的推荐类型或等级等)的设计数据以及包括一个或多个所推荐的运作参数(例如，在提供给建筑区的供应空气中应存在的新鲜/室外空气的分数、UV灯306的运作决策、发送到每个建筑区的气流的量等)的运作数据。设计数据可包括所推荐的设备配置，该所推荐的设备配置指定在HVAC系统中使用哪些HVAC设备来优化能量消耗、能量成本、碳足迹或其它感兴趣的变量，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/或运作数据来执行或启动一个或多个自动化动作。在一些实施例中，自动化动作包括自动化控制动作，诸如生成控制信号并将其提供给UV灯306、AHU 304、一个或多个VAV单元或运作以向一个或多个建筑区提供气流的其它类型的空气侧HVAC设备。在一些实施例中，自动化动作包括启动购买或安装由设计数据定义的所推荐的一组HVAC设备的过程(例如，向用户提供关于所推荐的一组HVAC设备的信息，自动安排设备升级等)。在一些实施例中，自动化动作包括向用户界面装置(例如，显示装置422)提供设计数据和/或运作数据，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/或基于定义期望的传染概率或消毒水平的用户选择的值自动更新优化/模拟的结果的请求。控制器310可以被配置成提供多种用户界面中的任一种(其示例在下文讨论)，以允许用户与优化/模拟的结果交互并且基于该结果调整HVAC系统的运作或设计。
用户界面
现在参考图5和图9，在一些实施例中，用户输入装置420被配置成向用户提供用户界面900。可以经由用户输入装置420生成和呈现的用户界面900的示例示出在图9中。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是可用的或应被考虑用于设计目的(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提供的输入可以被控制器310用来设置要由优化管理器412求解的一个或多个优化问题。例如，约束生成器410可以使用经由用户界面900接收的输入以生成优化管理器412用来执行优化的各种界限、边界、约束、传染概率约束等。在完成所有模拟场景之后，可以经由允许用户探索各种折衷的用户界面900的“结果”部分将结果呈现给用户。
例如，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，诸如建筑物的建筑面积、建筑物所在的城市等。用户还可以指定是否应在模拟场景中考虑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，用户可以在用户界面900的消毒选项部分内移动滑块，以定义每个月的期望消毒水平(例如，低、高、中等水平等)。可替代地，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。
在指定期望的参数并点击“运行”按钮之后，优化管理器412可以使用指定的参数执行一个或多个模拟(例如，通过求解一个或多个优化问题)。一旦模拟已经完成，结果就可以显示在用户界面900的“结果”部分中。这些结果可以指示能量成本、能量消耗、碳足迹或优化管理器412试图优化的针对由用户选择的设计场景中的每一者的任何其它指标(例如，UV+过滤、仅UV、仅过滤、两者都不用)。这些结果还可以指示设计场景中的每一者的每日传染概率(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，结果包括设备推荐(例如，使用UV+过滤、仅使用UV、仅使用过滤、两者都不用)。可以对每个模拟的结果进行排序，以首先呈现最优化的结果，最后呈现最不优化的结果。例如，用户界面900被示出为首先呈现具有最少能量消耗的模拟结果并且最后呈现具有最多能量消耗的模拟结果。在其它实施例中，结果可以按其它标准，诸如传染概率或任何其它因素进行排序。
用户可以按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)，此时可以通过对适当的模拟实例子集求平均值来重新计算结果，这可以实时执行，因为不需要重复模拟。有利的是，这允许用户调整消毒选项并轻松查看对能量成本、能量消耗、碳足迹等的影响，以及对设计场景中的每一者的传染概率的影响。在各种实施例中，可以存在除了图9所示之外的额外显示选项，例如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。此外，可以添加各种其它图形显示以提供更详细的结果。用户界面900最初可以基于默认设置呈现优化结果和/或设备推荐，但是随后用户自由地细化那些设置并立即查看对成本估计和所建议的设备的更新。
尽管用户界面900的具体实施例示出在图9中，但应当理解，该示例仅仅是可以与本文所述的系统和方法结合使用的一种可能的用户界面。通常，控制器310可以使用户输入装置420运作以提供包括各种滑块、输入字段等的用户界面，以经由用户输入装置420接收来自用户的各种用户输入。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给约束生成器410。在一些实施例中，用户界面包括允许用户在节能水平和传染控制水平之间进行调整的旋钮或滑块。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，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，约束生成器410将传染传播概率视为约束，或者视为约束生成器410用来确定传染概率约束的值。如果用户期望提供较高的消毒水平(例如，较低的传染传播概率水平)并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，以指示能量消耗和传染概率之间的期望折衷。同样，如果用户期望提供较低的消毒水平(例如，较高的传染传播概率水平)并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这种期望的折衷。
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、运作数据、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可以使用户输入装置420和/或显示装置422运作，以向用户提供估计的能量消耗或能量消耗成本(例如，优化管理器412于在线或离线模式/配置下运作时优化的结果)。在一些实施例中，用户输入装置420和显示装置422是被配置成提供用户界面的同一装置(例如，触摸屏显示装置等)，而在其它实施例中，用户输入装置420和显示装置422是被配置成各自提供它们相应的用户界面的独立装置。
例如，控制器310可以实时执行如上文更详细描述的离线或规划或设计工具功能(例如，当用户调整旋钮或滑块时)，以在给定旋钮或滑块的特定位置的情况下(例如，给定如旋钮或滑块的位置所指示的特定的期望传染水平或消毒控制水平)确定估计的能量消耗或能量消耗成本。在一些实施例中，控制器310被配置成使用户输入装置420和/或显示装置422运作，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。以这种方式，可以告知用户关于与具体的消毒控制水平(例如，与特定的传染概率约束)相关联的成本或能量消耗的估计。有利地，实时或近实时地向用户提供与具体的消毒控制水平相关联的成本或能量消耗的估计有助于用户选择除了提供期望的能量消耗或能量消耗成本之外还提供足够的或期望的消毒控制的消毒控制水平。
帕累托优化
现在参考图10，根据示例性实施例，示出了展示可以由控制器310使用的帕累托搜索技术的图形1000。在某些情况下，用户可需要更详细的折衷分析，而不是仅仅比较一组所选择的传染概率的一组优化结果。对于此类情况，控制器310可以使用更详细的帕累托搜索，该帕累托搜索迭代地确定帕累托前沿1002上的点以获得能量成本对传染概率的折衷曲线。通过运行额外的模拟，可以尽可能准确地绘制该折衷曲线，使得用户可以全面评估整个连续的传染概率(例如，寻找额外消毒概率开始变得更昂贵的自然断点)。
为了确定帕累托前沿1002上的点，控制器310可以从已经模拟的给定月份的少量传染概率开始，并针对每月能量成本将它们绘制出来。然后，可以选择额外的候选传染概率(例如，作为距离已完成的模拟最远的点)。在用新的传染概率模拟实例后，将这些点添加到图中，并且该过程重复到期望的精度。用于选择新点的许多标准都是可能的，但一种可能的策略是选择它们之间具有最大面积(即，其对角由两个现有点给出的矩形)的连续点的中点。该策略优先考虑曲线快速变化并导致有效收敛的区域。
例如，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，为了便于解释，这些近似值在图10中进行了展示，但可能并不真正为人所知。针对少量传染概率运行的优化实例产生迭代0的在图形1000中用方块标记的点。这给出了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，并将那些点添加到图形1000。例如，图形1000中用菱形标记的点示出针对迭代1选择的点，图形1000中用三角形标记的点示出针对迭代2选择的点，图形1000中用倒三角形标记的点示出针对迭代3选择的点，并且图形1000中用圆圈标记的点示出针对迭代4选择的点。到迭代4结束时，经验帕累托前沿是真实前沿1002的良好近似值，并且当然可以执行额外的迭代以进一步改进精度。使用该技术生成的经验帕累托前沿可以被控制器300用来求解帕累托优化问题，以确定在传染概率约束中选择不同传染概率值的成本与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，提供最佳的消毒控制水平，或最佳的传染概率传播水平)和HVAC系统200运作以实现该传染概率约束所需的所产生的能量消耗或能量消耗成本是帕累托优化问题。例如，在某种程度上，额外的消毒控制可能需要不期望的高能量消耗或能量消耗成本。在一些实施例中，控制器310可以在给定系统的各种输入的情况下求解帕累托优化问题，以确定沿成本(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被配置成使显示装置422和/或用户输入装置420运作，以提供与成本和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可以根据可由用户经由用户输入装置420的用户界面选择的各种模式来运作。例如，用户可以选择第一模式，其中控制器310求解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)和收益(例如，消毒控制、所提供的消毒水平、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确定传染概率约束。在一些实施例中，控制器310仍然使显示装置422运作以提供估计的、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调整成本与收益之间的折衷的能力(例如，通过调整如上文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可以为用户提供直接调整传染概率约束的额外的手动能力。以这种方式，用户可以针对传染概率约束具体地选择各种边界(例如，如果传染概率约束被实施为线性约束，则选择线性边界，如上文更详细描述的)。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)之间进行选择。
应当理解，虽然如本文所述的帕累托优化仅参考两个变量(例如，能量消耗或能量消耗成本和消毒控制)进行描述，但是帕累托优化还可以考虑各种舒适度参数或变量(例如，区206的温度和/或湿度，无论是单独的还是聚合的)。在一些实施例中，控制器310还可以使显示装置422运作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度参数。在一些实施例中，还在用户输入装置420的用户界面上提供额外的旋钮、滑块、输入字段等，以接收对期望的舒适度参数(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)被配置成当用户调整旋钮或滑块(例如，与消毒控制和/或能量消耗或能量成本消耗相关联的旋钮或滑块)时，使用如上所述的温度或湿度的动态模型来确定各种舒适度参数的估计。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进行求解，以确定表面上的提供成本(例如，能量消耗、能量消耗成本等)、舒适度(例如，温度和/或湿度)与消毒控制(例如，传染概率约束)之间的最佳折衷的拐点或帕累托效率(例如，3d图形或多变量优化)。
传染控制工具
概述
现在参考图11至图20，示出和描述了如本文所述的各种技术的用户工具。该用户工具可以接收关于实际或假设的设置、设备升级等的用户输入，并且可以针对不同的假设设置、设备升级等提供传染概率、运作成本或能量消耗的计算或估计。在一些实施例中，计算或估计是实时确定的并且响应于接收到更新的用户输入而被提供给用户。以这种方式，用户可以执行试错法来确定适当的或期望的设置或设备升级，以实现期望的传染概率、运作和/或购买成本以及能量消耗。在一些实施例中，在本文参考图11至图20描述的用户工具可与建筑物10一起使用。
当空气在建筑物10内循环时，传染性个体可能会呼出病原体，这些病原体可在建筑物10的大量空气中传播。这些病原体可能会传染建筑物10内的健康个体。为了减少或管理此类病原体的传播并控制传染概率，HVAC系统(例如，HVAC系统200)可以加装过滤(例如，高效过滤)和/或UV灯(例如，管道内UV灯、包括UV灯的再循环装置等)。过滤和UV灯两者都可以引起再循环空气中的传染性微粒浓度的显著降低，从而降低建筑物10中的传染率或传染概率。在一些实施例中，可以通过将更高分数的空气排放到环境(例如，建筑物10外部或外面)并增加新鲜空气摄入以补偿所排放的空气来实现类似的效果。然而，这些方法中的每一种(UV灯、过滤和新鲜空气摄入)都可能带来额外的资金和/或运作成本(例如，通过采购成本、额外的能量消耗等)。这三种方法的最有效使用可取决于气候或用户偏好。在一些实施例中，这些方法的有效性还可以取决于其它非HVAC相关决策(诸如要求用户在建筑物10中时佩戴口罩和/或降低的居用限度)。
在给定由用户提供的不同输入的情况下，本文描述的用户工具可以使用上文参考图3至图10更详细描述的技术来提供各种决策参数(诸如传染概率、成本和/或能量消耗)的实时计算。在本文描述的用户工具可以使用Wells-Riley传染方程和HVAC能量计算来评估建筑物传染控制的各种可能性，以确定不同消毒策略的所产生的传染概率、运作成本或能量消耗。对于给定的建筑物和气候，用户工具可以实时或近实时地估计是否需要设置高级的过滤能力、安装UV灯等来控制传染的传播，或者是否增加通风就足够了。用户工具还可以提供可防止疾病失控传播的最大居用者数量的估计。
用户工具
特别参考图11，示出了根据一些实施例的传染控制系统1100。在一些实施例中，传染控制系统1100包括传染控制工具1102(例如，用户工具)、用户界面装置1110和显示屏1120。在一些实施例中，用户界面装置1110和显示屏1120是同一装置的不同组件。例如，用户界面装置1110可以包括显示屏1120并且可以促进来自用户的输入和到用户的输出(例如，不同选项或场景的计算结果)两者。
传染控制工具1102包括处理电路1104，该处理电路包括处理器1106和存储器1108。处理电路1104可以与传染控制工具1102的通信接口可通信地连接，使得处理电路1104及其各种组件可以经由通信接口发送和接收数据。处理器1106可以被实施为通用处理器、专用集成电路(ASIC)、一个或多个现场可编程门阵列(FPGA)、一组处理组件或其它合适的电子处理组件。
存储器1108(例如，存储器、存储器单元、存储装置等)可包括一个或多个用于存储用于完成或促进本申请中描述的各种过程、层和模块的数据和/或计算机代码的装置(例如，RAM、ROM、闪存、硬盘存储器等)。存储器1108可以为或包括易失性存储器或非易失性存储器。存储器1108可以包括用于支持本申请中描述的各种活动和信息结构的数据库组件、目标代码组件、脚本组件或任何其它类型的信息结构。根据一些实施例，存储器1108经由处理电路1104可通信地连接到处理器1106并且包括用于执行(例如，通过处理电路1104和/或处理器1106)本文描述的一个或多个过程的计算机代码。
在一些实施例中，传染控制工具1102在单个计算机(例如，一个服务器、一栋房屋等)内实施。在各种其它实施例中，传染控制工具1102可分布在多个服务器或计算机上(例如，可存在于分布式地点中)。
在一些实施例中，传染控制工具1102被配置成使用两种不同的模型。具体地，传染控制工具1102可以使用针对在建筑物(例如，建筑物10)内的传染传播的传染模型和用于估计或预测由给定的消毒策略带来的成本的另一模型。在一些实施例中，传染模型由传染模型管理器1112使用和实施。在一些实施例中，用于估计或预测成本的模型由成本模型管理器1114使用和实施。
在一些实施例中，传染模型和/或用于估计成本的模型包括一个或多个子模型。在一些实施例中，对传染传播建模可需要针对建筑物10的空气中的传染性微粒浓度的模型和个体在暴露于给定浓度的传染性微粒后生病的概率的模型。在一些实施例中，运作成本包括由于增加通风而导致的额外供热和制冷、由于增加气流导致的更高的风机功率消耗以及需要定期更换或维护的更昂贵的过滤器。
根据一些实施例，传染模型管理器1112被配置成使用Wells-Riley方程的修改版本，如下所示：
Figure BDA0004195621620000461
其中：
μ＝1-(1-μ传染性的)(1-μ易感的)
λ＝1-(1-λOA)(1-λ过滤器)(1-λUV)
k＝k沉积+k失活。
根据一些实施例，先前的方程从基于剂量的传染概率模型和基于质量平衡的传染性微粒浓度的简单动态模型推导而来。根据一些实施例，对于基于剂量的模型，变量d被定义为个体接收的传染性微粒的总剂量(例如，在相关期间吸入的微粒的数量)。根据一些实施例，在暴露于给定剂量之后，假设传染概率由下式给出：
Figure BDA0004195621620000462
其中d0是依赖于疾病的比例系数，被称为传染性微粒的“量子”。因此，根据一些实施例，在t小时的期间内以pm3/hr的速率吸入体积浓度为n个微粒/m3的空气的个体接受的剂量如下：
d＝(1-μ易感的)npt
其中μ易感的给出了由于佩戴口罩引起的实际吸入的传染性微粒的分数减少。微粒数的直接测量值可能难以获得，因此根据一些实施例，可以使用归一化剂量D＝d/d0(以量子表示，即d0的倍数)和对应的归一化浓度N：＝n/d0(以量子/m3表示)来推导出模型。
根据一些实施例，通过这种归一化，可以确定：
P＝1-exp(-(1-μ易感的)Npt)
作为传染概率。
在一些实施例中，对于动态模型，假定空气传播的传染性微粒的均匀浓度n(以微粒/m3为单位)，得出：
Figure BDA0004195621620000471
其中n0是供应空气中的传染性微粒浓度，
Figure BDA0004195621620000472
是传染性微粒的内部生成率，并且其余参量与之前相同。根据一些实施例，上文所示方程的右侧的三项表示由于空气循环(假设系统体积不变)引起的传染性微粒的净流入、传染性个体在空间中内部生成的传染性微粒，以及由于沉积和失活造成的传染性微粒的破坏。与剂量模型一样，传染模型管理器1112可以使用量子归一化值，这些量子归一化值可以通将/>
Figure BDA0004195621620000473
和n两者的值除以量子d0得到：
Figure BDA0004195621620000474
其中
Figure BDA0004195621620000475
根据一些实施例，为了计算N0，应当注意的是，供应空气流是λOA室外空气(传染性微粒浓度为NOA)和1-λOA再循环空气(假设其传染性微粒浓度N与空间相同)的混合物。
根据一些实施例，该混合的空气流随后通过过滤器(例如，过滤器308)(这将其传染性微粒浓度降低了1-λ过滤器倍)，然后通过UV照射(例如，UV灯306)(这将浓度进一步降低了1-λUV倍)。因此，根据一些实施例，供应空气传染性微粒浓度可由下式给出：
N0＝(λOANOA+(1-λOA)N)(1-λ过滤器)(1-λUV)
其中通常假设NOA＝0(即，室外空气中没有传染性微粒)。
根据一些实施例，对于生成项
Figure BDA0004195621620000476
应当注意的是，在传染性个体的呼出气中存在给定的传染性微粒浓度N生成。因此，根据一些实施例，对于I个传染性个体，每个传染性个体以pm3/hr的速率呼气，则可以确定：
Figure BDA0004195621620000477
在一些实施例中，μ传染性的给出由于传染性个体佩戴口罩引起的实际上变成空气传播的传染性微粒的分数减少。然而，在像咳嗽或打喷嚏等间歇性呼吸事件期间，传染性微粒的释放速率可能会显著更高。因此，该项可被定义为：
Figure BDA0004195621620000481
其中q是以量子/hr表示(例如，以归一化单位表示)的疾病相关的常数。
根据一些实施例，将P＝1-exp(-(1-μ易感的)Npt)、
Figure BDA0004195621620000482
和/>
Figure BDA0004195621620000483
组合得到最终ODE模型，该模型可由下式使用：
Figure BDA0004195621620000484
其中：
λ＝1-(1-λOA)(1-λ过滤器)(1-λUV)
假设NOA＝0。
根据一些实施例，在稳态浓度Nss下，dN/dt＝0，这意味着：
Figure BDA0004195621620000485
因此，根据一些实施例，假设易感个体在其暴露期间受该平均浓度的影响，则可以将Nss由
Figure BDA0004195621620000486
代入P＝1-exp(-(1-μ易感的)Npt)中的N，从而得到：
Figure BDA0004195621620000487
根据一些实施例，所产生的对易感个体的传染传播可以经由再生数概括为：
R均值＝SP/I。
传染模型管理器1112也使用上述方程来确定再生数。
上述方程中的变量定义如下：
·P是个体在给定暴露时间、呼吸速率和室内条件情况下的传染概率；
·I是空间(例如，建筑物10)中传染性(例如，活动的接触传染性)个体的数量；
·S是空间中易感个体的数量，μ是由于空间中的个体佩戴口罩引起的传染性微粒传播的分数减少；
·μ传染性的是由于空间中的传染性个体佩戴口罩引起的空气传播的传染性微粒生成的分数减少；
·μ易感的是由于易感个体佩戴口罩引起的吸入的传染性微粒的分数减少；
·q是传染性个体的传染性量子生成率(例如，以量子/小时为单位)；
·p是空间中个体的吸入率(例如，以m3/小时为单位)；
·t是个体的总暴露时间(例如，以小时为单位)；
·λ是再循环空气的有效分数消毒；
·λOA是新鲜室外空气的摄入分数，假设新鲜室外空气没有任何传染性微粒；
·λ过滤器是由于过滤引起的再循环空气中的传染性微粒的分数截留；
·λUλ是由于UV照射或UV灯的运作引起的再循环空气中的传染性微粒的分数失活；
·f是总循环气流(例如，以m3/小时为单位)；
·k是空气传播的传染性微粒的有效衰减率(例如，以hr-1为单位)；
·k沉积是空气传播的传染性微粒在表面上的沉积速率(例如，以hr-1为单位)；
·k失活是空气传播的传染性微粒的自然失活速率(例如，以hr-1为单位)；并且
·R均值是在给定已被每个传染性个体传染的易感个体的平均数量的情况下，传染传
播的平均再生数(无单位值)。
在一些实施例中，传染概率P、分数减少μ、分数减少μ传染性的、分数减少μ易感的、有效分数消毒λ、摄入分数λOA、分数截留λ过滤器和分数失活λUV是归一化值(例如，具有在0与1之间的值)。
传染控制系统1100的目标是保持传染概率P(如由传染模型管理器1112所估计的)足够低(例如，在用户期望的水平)，使得再生数R保持低于值1。这可以使用以下方法(或其任何组合)来完成(例如，通过传染控制工具1102、控制器310)：
·口罩：要求建筑物10的居用者佩戴口罩(增加μ)；
·通风：增加新鲜空气的摄入(增加λOA)；
·高级过滤：使用更高效的过滤器(增加λ过滤器)；
·UV消毒：安装UV消毒灯(增加λUV)；
·气流：增加再循环率，使得更频繁地清洁空气(例如，经由通风、过滤和UV消
毒)(增加f)；并且
·居用情况控制：减少允许进入空间的个体的数量(减少S)。
通常，可以以两种不同的方式或根据两种不同的形状系数应用过滤或UV灯(例如，消毒装置)。例如，过滤或消毒装置可以位于HVAC系统的中央(例如，在空气处理器或屋顶单元内)，如上文参考图1至图10更详细描述的。过滤或UV灯也可以被实施为位于建筑物10中或建筑物10的房间或空间内的独立装置。这些装置可以完全独立于HVAC系统自由运作。在一些实施例中，此类装置永久地安装在空间内。在一些实施例中，此类装置是便携式的并且可以在空间中安装或去除。例如，MACH 10是永久安装的风机过滤器单元的示例，它独立于任何HVAC系统在区中运作以提供过滤。类似地，UVC暗槽是装设在该区中的永久装设或安装的UV消毒通道的示例。此外，可以使用便携式空气过滤器单元。
使用上文所示的方程，传染模型管理器1112可以量化这七种方法对传染传播的影响。在一些实施例中，传染模型管理器1112从用户界面装置1110接收用户输入以确定传染概率P和/或再生数R。在一些实施例中，从用户界面装置1110获得的用户输入包括以下各项中的任一种：
·是否要求居用者佩戴口罩；
·增加通风；
·是否使用高级过滤，或者选择了哪个过滤器；
·是否使用UV消毒；
·增加再循环率，使得更频繁地清洁空气；
·居用情况控制数据(例如，减少的容量)；
·平均气流(例如，设备的设计气流的百分比)；
·供应气流(例如，以CFM为单位)；
·通风率(例如，室外空气的百分比)；
·所选择的过滤器的过滤等级；
·UVC杀灭通道有效性(例如，在0％与100％之间或在0与1之间)；
·UVC暗槽百分比；
·MACH 10风机过滤器百分比；
·居用情况数据，诸如：
ο空间中(例如，在建筑物10或在建筑物10的房间或空间中)的居用者的总数；
ο个体生病的概率；
ο建筑物10中的患病个体的数量(例如，默认情况下假定为0.5)；
ο暴露时间(例如，预期个体每天在建筑物10内的预计小时数)；
ο建筑物10的居用开始时间；
ο建筑物10的居用结束时间；以及
ο每周居用建筑物10的天数；
·建筑物地点数据，诸如：
ο建筑物10位于哪个城市；
ο建筑物10的地点处的平衡点；
ο空间或建筑物10的居用类别(例如，根据ASHRAE 62.1)；
ο空间大小信息(例如，面积和/或天花板高度)；
·设备数据，诸如：
ο设计气流速率；
ο制冷性能系数(COP)；
ο燃气供热效率；
ο送风机机械效率；
ο送风机电效率；以及
·能量成本数据，诸如：
ο电力成本(例如，以$/kWh为单位)；和
ο天然气成本(例如，以$/MMBTU为单位)。
在一些实施例中，传染模型管理器1112被配置成使用用户输入来估计或预测各种输入对传染传播的影响。然后可以针对所带来的额外成本对这些影响进行权衡。
在一些实施例中，将口罩有效性μ作为用户输入(例如，由用户通过用户界面装置1110提供)提供给传染模型管理器1112。在一些实施例中，如果不要求居用者佩戴口罩，或者如果居用者都没有佩戴口罩，则μ＝μ传染性的＝μ易感的＝0。当两个不同的群体(例如，传染性个体和易感个体)佩戴相同类型的口罩时，预期μ传染性的>μ易感的(例如，口罩在防止传染性微粒被传染性群体呼出方面比在防止微粒被易感个体吸入方面更有效)。发生这种情况的原因可能是传染性微粒可倾向于以较小微粒的附聚物被呼出，因此这些微粒具有可以被口罩截留的较大的有效大小。然而，一旦这些附聚物变成空气传播的，这些附聚物就可能会分裂成可以穿过布质口罩的较小的单独微粒。在一些实施例中，传染模型管理器1112假设量子生成率q在60量子/小时和185量子/小时之间。在一些实施例中，量子生成率q是预定的或预定义的值、用户输入值或基于来自健康组织的数据获得的值。在一些实施例中，假设吸入率为0.67m3/小时，这介于成人久坐和低强度活动的建议值之间。在一些实施例中，传染模型管理器1112被配置成基于建筑物特定的年龄分布(例如，针对儿童的学校对比针对老年人的疗养院)或基于建筑物10中的预期活动来调整吸入率。
在一些实施例中，暴露时间t是具有7小时默认值的可调参数。暴露时间t表示计算传染概率P的时间段。出于计算再生数R的目的，暴露时间t可以等于每个传染性个体的潜伏传染期(例如，传染性个体具有活动的接触传染性并出现在建筑物10或居用空间中的时间量)。例如，标准流感个体在症状发作前1天和出现症状后5天至7天具有传染性。因此，假设传染性个体一旦出现症状就可能待在家里，则对于标准流感，适当的潜伏期可能是6小时至8小时，对应于个体在他们无症状期间留在建筑物10中的时间量。对于COVID-19，总传染期可能持续10天至14天。在一些实施例中，传染模型管理器1112假设COVID-19的潜伏期为1天，这将适用于流感，但可以基于指示患有COVID-19的个体具有传染性的时间量的额外信息来调整潜伏期。
对于气流f，传染模型管理器1112可以使用已安装系统的设计气流的可调分数。根据一些实施例，特定系统的设计流量以立方英尺每米(cfm)表示，其中一般指南以cfm每平方英尺表示。根据一些实施例，这些设计值给出了f的最大可能值，其中默认值通常在上限的40％与50％之间。
在一些实施例中，分数消毒λ包括室外空气通风、高级过滤和UV照射的三个组成部分。对于室外空气项，λOA只是从外部吸入的再循环空气的分数(并且因此排出了对应量的回流空气)。根据一些实施例，室外空气项λOA的最小值被确定为总流量f和根据ASHRAE标准62.1的最小通风要求的函数。在一些实施例中，室外空气项λOA的最大值为1。根据一些实施例，对于过滤，由传染模型管理器1112基于过滤器类型来确定λ过滤器，其值范围从约0.4(例如，对于MERV-7过滤器)到0.999(例如，对于HEPA过滤器)。根据一些实施例，制造商数据可以提供依赖于微粒大小的过滤效率，传染模型管理器1112使用相关传染性微粒的大小分布根据该依赖于微粒大小的过滤效率计算加权平均值。最后，根据一些实施例，对于UV照射，λUV是可调值，因为UV强度可以基于管道大小和平均速度来调整以输送致死剂量。
根据一些实施例，对于沉积率k沉积，传染模型管理器1112使用1.0hr-1至2.7hr-1的范围，均值为1.7hr-1。根据一些实施例，这些是基于人类呼出气溶胶的典型大小分布的针对流感的加权值。根据一些实施例，当有关COVID-19的更多信息可用时，可以更新这些值。在一些实施例中，对于k失活，传染模型管理器1112当前使用默认值0hr-1，使得计算对于长寿命的情况是稳健的。COVID-19可具有在1.1hr至超过15hr范围内的半衰期，它们分别对应于0.63hr-1和0.058hr-1的k失活。
根据一些实施例，从指定的楼面面积(例如，建筑面积)和高度(例如，天花板高度)来计算(例如，通过传染模型管理器1112计算)空间的体积V。在一些实施例中，楼面面积和/或高度由用户经由用户界面装置1110输入。根据一些实施例，传染模型管理器1112使用基于来自ASHRAE标准62.1的建筑类型的标准居用者密度，基于楼面面积计算易感个体总数的最大值S。在一些实施例中，传染模型管理器1112可以基于施加更严格的居用限制(例如，作为用户输入被提供)来减小最大值。在一些实施例中，传染模型管理器1112假定传染性个体的数量I为1，以得到再生数R的最高值。
在一些实施例中，传染模型管理器1112被配置成基于实时或近实时的用户输入使用上述方程来确定传染的概率。在一些实施例中，传染模型管理器1112被配置成针对不同的选项(例如，不同的用户输入集)确定多个不同的传染概率。传染模型管理器1112将传染概率(或多个传染概率)输出到显示管理器1118，使得可以在显示屏1120上显示针对不同选项的传染概率。
仍然参考图11，传染控制工具1102包括成本模型管理器1114和能量管理器1116，它们被配置成基于用户界面装置1110提供的用户输入来估计成本(例如，货币成本)和/或能量消耗。类似于传染模型管理器1112，成本模型管理器1114和能量管理器1116可以确定多个不同选项(例如，不同的用户输入集)的成本和能量消耗。
为了评估特定消毒策略的成本，成本模型管理器1114和/或能量管理器1116除了考虑所选择的过滤器的更换成本之外还可以考虑与供热、制冷、使风机运行相关联的能量成本。在一些实施例中，所有值均由成本模型管理器1114和能量管理器1116按年计算。
为了估计供热成本和制冷成本，成本模型管理器1114和/或能量管理器1116可以使用采暖度日数和制冷度日数。采暖度日数和制冷度日数计算(例如，通过成本模型管理器1114或能量管理器1116)如下：
Figure BDA0004195621620000531
Figure BDA0004195621620000532
其中TOA(t)是时间t时的室外空气温度，
Figure BDA0004195621620000533
是所选择的平衡温度(通常为65℉)，并且δ是环境温度数据的离散化频率(在每小时典型气象年数据的情况下，为1hr)。
在一些实施例中，能量管理器1116被配置成计算由采取或建议采取的各种传染措施引起的增量能量成本。在一些实施例中，能量管理器1116被配置成估计由额外通风引起的额外能量成本。能量管理器1116可以使用以下方程计算供热能量：
Figure BDA0004195621620000534
其中E采暖是供热所需的能量(例如，以MJ为单位，假设燃料是天然气)，ρ空气是空气的密度(例如，1.2kg/m3)，Cp,空气是空气的比热容(例如，以1000J/(kg-K)为单位)，HDD是建筑物运作时间期间的采暖度日数(例如，K-天数，或D采暖)，η采暖是所使用的供热设备的转换效率，并且α是单位转换系数(例如，24小时/天x 10-6MJ/J)。
在一些实施例中，使用如下方程类似地计算每年制冷所需的能量的量：
Figure BDA0004195621620000541
其中E制冷是制冷所需的电力(例如，以kWh为单位)，η制冷是制冷设备的电效率，CDD是建筑物运作时间期间的制冷度日数(例如，K-天数或D制冷)，并且β是单位换算系数(例如，24小时/天x 0.277kWh/MJ x 10-6MJ/J)。
对于风机能量，能量管理器1116可以使用如下模型：
Figure BDA0004195621620000542
其中η风机是总风机效率(例如，假设等于0.5)，ΔP0是等于XXXXX Pa的基本风机压降，ΔP过滤器是由于过滤器(例如过滤器308，因过滤器类型而异)引起的额外压降，并且α风机(t)是作为时间的函数的分数风机气流。根据一些实施例，α风机(t)的值如下给出：
Figure BDA0004195621620000543
在一些实施例中，假设当建筑物(例如，建筑物10)被居用时风机气流等于f，未被居用时等于f的一半。应当注意的是，过滤器压降ΔP过滤器可能会随着过滤器的使用寿命而变化，但是由于该关系是时间的线性函数，传染控制工具1102可以使用平均值并假设该平均值是常数。为了确定所产生的成本，将E风机乘以风机能量成本φ风机，这就是平均电价。在一些实施例中，所产生的成本由成本模型管理器1114确定。
根据一些实施例，与UV照射相关联的能量消耗计算如下：
Figure BDA0004195621620000544
在一些实施例中，∈UV是从消毒分数λUV转换为所需能量消耗的比例系数，其被取为XXXXX kW。根据一些实施例，类似于风机的情况，αUV(t)是作为时间的函数的UV灯的分数使用，被取为：
Figure BDA0004195621620000551
根据一些实施例，αUV(t)的以上值指示UV灯仅在居用时间期间运作。相关联的能量成本计算为EUV和其能量价格φUV的乘积，该乘积等于电价。
最后，根据一些实施例，使用跨过滤器类型大致恒定的平均寿命τ过滤器来计算与过滤器相关联的成本。因此，根据一些实施例，在一年中：
Figure BDA0004195621620000552
在一些实施例中，必须购买过滤器，每个过滤器的单位成本φ过滤器随过滤器类型而显著变化并且取自制造商的数据。
在一些实施例中，总年度运作成本由成本模型管理器1114使用以下方程确定：
年度成本＝成本年度＝φ采暖E采暖+φ制冷E制冷+φ风机E风机+φUVEUV+φ过滤器M过滤器其各项由如本文所述的成本模型管理器1114和/或能量管理器1116计算。类似地，根据一些实施例，能量管理器1116可以计算年度能量使用量：
年度能量＝E年度＝E采暖+E制冷+E风机+EUV。
仍然参考图11，根据一些实施例，存储器1108包括显示管理器1118。在一些实施例中，显示管理器1118被配置成接收或获得传染模型管理器1112、成本模型管理器1114和能量管理器1116的结果，并生成用于显示屏1120的显示数据或控制信号。在一些实施例中，这些结果包括传染概率P(例如，如由传染模型管理器1112所确定的)、年度成本(例如，如由成本模型管理器1114所确定的)和估计的能量消耗(例如，如由能量管理器1116所确定的)。在一些实施例中，显示管理器1118被配置成接收来自传染模型管理器1112、成本模型管理器1114和能量管理器1116的针对传染控制的多个选项的结果(例如，经由用户界面装置1110提供的不同的用户输入集)，并使显示屏1120运作以显示不同选项的结果。以这种方式，用户可以比较不同的潜在方法(例如，从成本、能量和/或传染概率的角度)以确定最佳解决方案。
在一些实施例中，传染控制工具1102接收针对控制传染传播的不同潜在选项的用户输入，计算不同选项中的每一者的传染概率、年度成本、年度能量消耗等，并使显示屏1120运作以显示传染模型管理器1112、成本模型管理器1114和能量管理器1116的结果。当用户调整针对不同选项中的一个或多个的一个或多个用户输入时，传染控制工具1102可以自动重新执行其功能以确定更新的结果(例如，更新的传染概率值、能量消耗和/或成本)，并且可以使显示屏运作1120以向用户提供更新的结果。以这种方式，用户可以调整各种选项的不同设置以确定用于传染控制的期望的解决方案。
在一些实施例中，成本模型管理器1114被配置成估计由传染控制策略带来的相对于基准成本(例如，年度成本，假设没有采取任何步骤来解决传染控制)的增量成本。在一些实施例中，成本模型管理器1114被配置成向显示管理器1118提供选项中的每一者的增量成本。
用户界面
现在参考图12至图19，根据一些实施例，示出了各种用户界面或显示数据。在一些实施例中，可以在显示装置1120上提供(例如，通过显示管理器1118)图12至图19所示的显示数据。
特别参考图12，示出了根据一些实施例的展示不同选项的相对风险和增量年度运作成本的图形1200。在一些实施例中，在显示屏1120上将图形1200提供给用户(例如，通过传染控制工具1102)。根据一些实施例，图形1200包括系列1202，该系列展示了基准场景和六个其它场景(例如，如由用户经由用户界面装置1110输入的)的相对风险。图形1200还包括系列1204，该系列展示了基准场景和六个其它场景的增量年度运作成本。在一些实施例中，相对风险是基准的传染概率P与不同选项中的每一者(例如，选项1至选项6，如图形1200的X轴上所展示的)的传染概率P之间的比率。在一些实施例中，系列1204的每个数据点包括值和展示该值的不确定性的误差条。这些误差条可以由传染模型管理器1112确定。在一些实施例中，误差条展示
根据一些实施例，系列1204展示了影响传染控制的不同选项中的每一者所带来的增量成本。在一些实施例中，增量成本由成本模型管理器1114使用上述技术针对不同选项中的每一者(例如，选项1至选项6)来确定。
现在参考图13，根据一些实施例，图形1300示出了应用的传染风险。图形1300可以显示在显示屏1120上。根据一些实施例，图形1300包括数据点1302，该数据点展示了基准场景的平均或均值传染概率。例如，传染模型管理器1112可以确定建筑物10的传染概率，假设没有采取预防措施来解决传染的传播。根据一些实施例，数据点1302还包括误差条1304。在一些实施例中，误差条1304展示了与基准场景的传染概率相关联的不确定性、标准偏差或σ值。在一些实施例中，误差条1304由传染模型管理器1112计算(例如，与基准场景的传染概率相关联的不确定性)。
图形1300可以包括展示从高传染风险到低传染风险的范围的轴。这可以为用户提供信息，使得用户知道是否应当采取额外的预防措施来控制传染传播。
特别参考图14，示出了根据一些实施例的用户界面1400，用户可以通过该用户界面输入各种数据以供传染控制工具1102执行其相应的功能。用户界面1400可以在显示屏1120和/或用户界面装置1110(它们可以是同一装置，或同一装置的不同组件)上提供。根据一些实施例，用户界面1400展示可以提供给用户和从用户接收的关于居用情况的信息。具体地，用户可以输入出现在空间中(例如，在建筑物10中)的总人数。在一些实施例中，个体生病的概率默认为1％(如图所示)，但可以由用户更新或调整。在一些实施例中，病人的数量(如图14所示)是由传染模型管理器1112基于空间中的人数和个体生病的概率计算的值(例如，通过将这两个值相乘)。
在一些实施例中，用户还可以输入暴露时间(例如，预期每位个体居用建筑物的时间量)。在一些实施例中，暴露时间(例如，暴露时间t)可以由用户基于建筑物居用者的预期居用时间或基于空间或建筑物的类型来调整。例如，在健身设施或健身房，可预期居用者在建筑物10中平均花费一小时。然而，如果建筑物10是办公室，则可预期居用者平均每天在办公室花费8小时。同样，如果建筑物10是一家律师事务所，则可预期居用者平均每天在律师事务所花费12个小时。
在一些实施例中，用户还可以经由用户界面1400输入在建筑物10中是否需要口罩的指示。在一些实施例中，当用户更新如本文中参考图14描述的用户界面1400的输入中的一个或多个时，传染控制工具1102可以自动更新用户界面1400的计算值中的任一个(例如，患病个体的数量)，或本文描述的其它用户界面中的任一个(例如，用户界面1500，如以下参考图15所描述)。
仍然参考图14，用户界面被示出为包括用于六个不同选项的一组不同的居用情况数据(输入数据和计算数据两者)。用户可以针对六个不同选项中的每一者以任意组合来调整空间中的总人数、居用者生病的概率、暴露时间或是否需要口罩中的任一个。以这种方式，用户可以针对不同的选项进行调整并且查看调整的效果。
现在参考图15，示出了可以向用户显示的用户界面1500(例如，经由显示屏1120)并且用户可以通过该用户界面输入有关基准场景和/或六个不同选项中的任一个的各种信息。在一些实施例中，用户界面1500与用户界面1400同时显示在显示屏1120上。例如，用户界面1400的基准和六个不同选项可以是用户界面1500的相同的基准和六个不同选项。
用户界面1500包括针对基准和六个不同选项中的每一者的建筑物10的平均气流(例如，设计气流的％)、供应气流(例如，以CFM为单位)、建筑物10的每平方英尺的CFM、通风率(例如，室外空气的％)、通风气流(例如，以CFM为单位)、ASHRAE 62.1的百分比、过滤器等级、UVC杀灭通道有效性、UVC暗槽百分比和MACH 10风机过滤器。在一些实施例中，对于基准和/或六个不同选项中的任一者，平均气流、供应气流、通风率、过滤器等级、UVC杀灭通道有效性、UVC暗槽百分比和MACH 10风机过滤器字段都是被配置成接收用户输入的输入字段(例如，由用户填充)。在一些实施例中，供应气流用作不使用设计气流的压降计算的输入。在一些实施例中，通风率(例如，室外空气的％)是所使用的室外空气的绝对百分比。在一些实施例中，建筑物10的每平方英尺CFM、通风气流和ASHRAE 62.1的百分比字段是基于用户输入的计算字段。在一些实施例中，建筑物10的每平方英尺的CFM等于以CFM为单位的供应气流(由用户输入)除以建筑物10的空间的建筑面积或占地面积。
在一些实施例中，ASHRAE 62.1的百分比是显示当前考虑的气流相对于ASHRAE62.1标准的计算百分比的输出字段。在一些实施例中，用户可以调整通风率(室外空气的％)以增加ASHRAE 62.1的百分比(例如，将ASHRAE 62.1的百分比驱动到100％使得满足ASHRAE标准)。在一些实施例中，ASHRAE 62.1的百分比是通风气流与由ASHRAE 62.1标准基于建筑物10的居用情况设置的通风气流之间的比率(例如，作为经由用户界面1400的输入)。
根据一些实施例，过滤器等级、UVC杀灭通道有效性、UVC暗槽百分比和MACH 10风机过滤器字段指示可以实施以控制传染传播的不同方法。然而，此类方法并非是详尽的，并且仅出于说明性目的示出。用户可以为六个选项中的每一者选择不同的过滤器等级。在一些实施例中，传染模型管理器1112被配置成使用或包括过滤器数据库，该过滤器数据库包括不同等级过滤器的各种参数。在一些实施例中，传染模型管理器1112可以针对六个不同的选项使用不同的过滤器等级，以确定六个选项中的每一者的传染概率(例如，如图形1200所示)。
现在参考图16，示出了根据一些实施例的用户界面1600。在一些实施例中，用户界面1600显示在显示屏1120上。在一些实施例中，用户界面1600不显示在显示屏1120上，但可以响应于接收到查看用户界面1600的用户请求而显示。在一些实施例中，用户界面1600不显示给用户，但出于说明性目的在本文中被示出和描述以描述传染控制工具1102的功能。
仍然参考图16，根据一些实施例，用户界面1600被示出为包括用于传染风险结果、平均传染风险、传染风险的不确定性(例如，标准偏差)、传染风险的95％置信区间、平均比率、比率的不确定性(σ)、比率的95％置信区间的字段，以及各种成本字段。在一些实施例中，成本字段包括用于通风成本、过滤器成本、UVC杀灭通道成本、UVC暗槽成本、MACH 10成本和总成本的字段。对于基准以及六个不同选项中的每一者，包括在本文描述的字段中的每一者。
在一些实施例中，传染风险结果是通过将平均传染风险(如图16所示)除以个体生病的概率(如图14的用户界面1400所示)来确定的。可以确定传染风险结果(对于基准和六个不同选项中的每一者，由传染模型管理器1112确定)。
在一些实施例中，平均传染风险是由传染模型管理器1112确定的传染概率P。在一些实施例中，传染模型管理器1112被配置成确定使用随机种子生成技术获得的多个传染概率P的平均值，以及预期的平均量子(例如，对于COVID-19为122.5)和预期的平均量子不确定性(例如，对于COVID-19为31.88)。在一些实施例中，预期的平均量子和预期的平均量子不确定性是预先确定或存储在传染模型管理器1112中的值(例如，基于对特定疾病的研究)。
传染模型管理器1112可以使用随机种子生成器来估计量子的归一化分布(例如，COVID-19或任何其它疾病的多个量子值，这些多个值具有预期的平均量子的平均值，以及预期的量子不确定性的不确定性)。传染模型管理器1112可以类似地使用随机种子技术来生成多个肺通气率(例如，吸入率p)和多个沉积率(例如，传染性微粒在表面上的沉积率k沉积)，它们中的每一者都形成正态分布，具有在预期值处的均值或平均值和在预期不确定性处的分布(例如，标准偏差)。例如，预期的平均肺通气率(例如，吸入率p)可以是每小时3立方米，预期的不确定性或标准偏差为每小时0.13立方米。同样，沉积率k沉积的预期平均值可以为1.65hr-1，预期不确定性为0.33hr-1。
传染模型管理器1112可以使用量子q的多个值、多个肺通气率(例如，p)和多个沉积率k沉积来确定传染概率P的多个值。然后，可以由传染模型管理器1112对传染概率P的这些多个值进行平均，以确定平均传染风险(在图16的用户界面1600中示出)。传染概率P的多个值也可以被传染模型管理器1112用来确定平均传染风险的标准偏差。在一些实施例中，传染模型管理器1112还使用平均传染风险的标准偏差来确定平均传染风险的95％置信区间。
传染模型管理器1112还可以确定基准平均传染风险(例如，使用本文描述的随机种子技术确定的针对基准条件的传染概率P)与不同选项中的每一者的传染风险之间的比率。在一些实施例中，传染模型管理器1112确定六个选项的中的每一者的比率，此外还确定六个选项的比率中的每一者的不确定性(或标准偏差)，以及六个选项中的每一者的比率的95％置信区间。在一些实施例中，六个不同选项的比率的95％置信区间是图12的图形1200中所示的系列1202的误差条。
成本模型管理器1114可以被配置成确定通风、过滤、UVC杀灭通道、UVC暗槽和MACH10的增量成本，如图16所示。在一些实施例中，这些字段示出相对于六个不同选项中的每一者的基准成本的使用通风、过滤、UVC杀灭通道、UVC暗槽或MACH 10的增量成本(例如，所带来的额外成本)。在一些实施例中，成本模型管理器1114还被配置成确定六个不同选项中的每一者的总成本(例如，所带来的总的额外成本)(例如，通过对通风、过滤、UVC杀灭通道、UVC暗槽或MACH 10所带来的额外成本求和)。在一些实施例中，总成本(在用户界面1600的底行处示出)被绘制为图形1200上的系列1204。
特别参考图17，示出了根据一些实施例的允许用户输入各种建筑物、居用情况、设备设置和能量成本数据的另一用户界面1700。用户界面1700可以通过显示屏1120显示。在一些实施例中，用户可以输入建筑物10所在的城市、平衡点、建筑物10的居用类别(根据ASHRAE 62.1)、建筑物10的面积(例如，建筑面积或占地面积)以及建筑物10的天花板高度。在一些实施例中，传染控制工具1102可以使用所提供的建筑物数据来确定建筑物10的体积(如图所示)。在一些实施例中，用户界面1700允许用户输入一天中的居用开始时间、一天中的居用结束时间以及建筑物10被居用的每周的天数。在一些实施例中，用户界面1700还允许用户输入建筑物10的设备的设计气流速率、制冷性能系数、燃气供热效率、送风机机械效率和送风机电效率。在一些实施例中，用户界面1700还允许用户输入各种能量成本，诸如电力能量成本和天然气能量成本。传染控制工具1102可以计算建筑物10的体积、ASHRAE 62.1默认居用情况、居用者密度、供应气流和各种ASHRAE 62.1变量(诸如Rp、Ra和楼层通风量(vent floor))，如在用户界面1700上所示。
特别参考图18，示出了用户界面1800。用户界面1800可以类似地显示在显示屏1120上。用户界面1800包括各种Wells-Riley变量，诸如特定疾病的量子生成率(例如，随机种子技术中使用的q的预期平均值，对于COVID-19其可以为122.5)、平均肺通气率(例如，随机种子技术中使用的p的预期平均值，其可以为3.00或基于预期居用者活动进行调整)，以及各种通风成本。
特别参考图19，示出了可以类似地显示在显示屏1120上的用户界面1900。用户界面1900包括由用户提供的各种设计数据。设计数据可包括设计气流(例如，以CFM或每秒立方米为单位)、过滤面积和/或迎面风速。在一些实施例中，用户界面1900还包括过滤器的数量、预期的过滤器寿命、建筑物10被居用的一天的分数、预期建筑物10被居用的周数、建筑物10将被居用的每周的天数，以及建筑物10将被居用的总时间量。
特别参考图21和图22，根据一些实施例，示出了用户界面2100和2200。在一些实施例中，用户界面2100和2200示出了各种等级过滤器(例如，MERV 8、MERV 11和MERV 13)的过滤器数据。在一些实施例中，传染模型管理器1112被配置成存储不同等级过滤器的各种过滤器数据，使得当用户输入或选择过滤器等级时可以检索这些过滤器数据。在一些实施例中，过滤器效率(例如，平均值和/或σ)作为不同等级过滤器的用户输入被提供。
现在参考图23，表2300示出了根据一些实施例的用于生成传染概率的随机种子技术。具体地，表2300包括量子生成的预期平均值(例如，122.5，假设COVID-19)，以及量子生成的预期不确定性(例如，σ)(例如，31.88……)。表2300还包括肺通气率的平均值或预期值(例如，每小时3立方米)，以及肺通气率的预期不确定性(例如，σ)(例如，如图所示的0.1279)。类似地，表2300包括k沉积的预期值或平均值(例如，1.65)和k沉积的预期不确定性或标准偏差(例如，0.3316)。在一些实施例中，使用随机种子技术来生成量子数据集2302、肺通气率数据集2304和k沉积数据集2306。这些集合2302至集合2306(如图23所示)然后可用于计算或估计传染概率集2308。在一些实施例中，传染概率集2308由传染模型管理器1112使用由传染模型管理器1112使用随机种子技术生成的集合2302至集合2306来计算。传染模型管理器1112然后可以使用传染概率集2308来确定平均传染概率(例如，通过对传染概率集2308进行平均)。
图23示出了使用随机种子技术针对基准场景进行的传染概率计算。传染模型管理器1112可以使用类似的技术来计算不同场景中的每一者的传染概率并且可以确定基准场景的平均传染概率与其它场景中的每一者的平均传染概率之间的比率。
特别参考图24，表2400生成了能量管理器1116和/或成本模型管理器1114用来估计通风或供热/制冷成本的各种参数及其值。表2400中所示的参数包括面积(例如，楼面面积)、高度(例如，天花板高度)、V(例如，空间体积)、λ通风(例如，额外的通风)、Cp,空气(空气的比热)、ρ空气(空气的密度)、η采暖(供热效率)和η制冷(制冷效率)、α、β、电力成本以及燃气成本。成本模型管理器1114使用这些参数来确定供热和制冷成本。
特别参考图25，表2500被示出为展示采暖度日数、制冷度日数、供热成本、制冷成本和总成本。在一些实施例中，供热成本和制冷成本可以由成本模型管理器1114确定，如上文更详细描述的。在一些实施例中，采暖度日数和制冷度日数存储在数据库中(例如，针对不同的地点)并且响应于用户提供指示建筑物10的地点的输入而由传染控制工具1102选择。在一些实施例中，不同地点的采暖度日数和制冷度日数由传染模型管理器1112基于历史数据(例如，随时间变化的干球温度和湿球温度)确定。这样的历史数据的示例在图26的表2600中示出。
应当理解，虽然在本文描述的用户界面使用单个基准和六个不同的选项，但是可以使用任何数量的选项。例如，用户界面可以包括输入/输出字段，用于输入或输出多于或少于六个不同选项的在本文描述的数据中的任一个。仅出于说明性目的示出了六个选项，但不应将在本文描述的系统和方法理解为仅限于六个选项。
过程
特别参考图20，示出了根据一些实施例的用于向用户或建筑物的管理者提供关于控制传染传播的潜在选项的相关信息的过程2000。过程2000包括步骤2002至步骤2018并且可以由传染控制系统1100执行。
根据一些实施例，过程2000包括获得用于基准计算和不同传染控制选项的用户输入数据(步骤2002)。在一些实施例中，用户输入数据包括在本文描述的和图14至图19中示出的用户输入数据中的任一个。例如，用户输入数据可以包括以下各项中的任一项：
·是否要求居用者佩戴口罩；
·增加通风；
·是否使用高级过滤，或者选择了哪个过滤器；
·是否使用UV消毒；
·增加再循环率，使得更频繁地清洁空气；
·居用情况控制数据(例如，减少的容量)；
·平均气流(例如，设备的设计气流的百分比)；
·供应气流(例如，以CFM为单位)；
·通风率(例如，室外空气的百分比)；
·所选择的过滤器的过滤等级；
·UVC杀灭通道有效性(例如，在0％与100％之间或在0与1之间)；
·UVC暗槽百分比；
·MACH 10风机过滤器百分比；
·居用情况数据，诸如：
ο空间中(例如，在建筑物10或在建筑物10的房间或空间中)的居用者的总数；
ο个体生病的概率；
ο建筑物10中的患病个体的数量(例如，默认情况下假定为0.5)；
ο暴露时间(例如，预期个体每天在建筑物10内的预计小时数)；
ο建筑物10的居用开始时间；
ο建筑物10的居用结束时间；以及
ο每周居用建筑物10的天数；
·建筑物地点数据，诸如：
ο建筑物10位于哪个城市；
ο建筑物10的地点处的平衡点；
ο空间或建筑物10的居用类别(例如，根据ASHRAE 62.1)；
ο空间大小信息(例如，面积和/或天花板高度)；
·设备数据，诸如：
ο设计气流速率；
ο制冷性能系数(COP)；
ο燃气供热效率；
ο送风机机械效率；
ο送风机电效率；以及
·能量成本数据，诸如：
ο电力成本(例如，以$/kWh为单位)；和
ο天然气成本(例如，以$/MMBTU为单位)。
在一些实施例中，用户输入数据是经由用户界面装置1110从用户获得的。
根据一些实施例，过程2000包括使用随机种子技术生成疾病量子、肺通气率和沉积参数的数据集(步骤2004)。在一些实施例中，生成数据集以提供量子、肺通气率和沉积参数中的每一者的正态分布。例如，疾病量子可具有已知或预期值(例如，122.5)和已知或预期不确定性。类似地，肺通气率和沉积参数可具有已知或预期平均值和已知或预期不确定性。在一些实施例中，疾病量子是如本公开中所描述的变量q。在一些实施例中，肺通气率是如本公开中所描述的变量p。在一些实施例中，沉积参数是如本公开中所描述的变量k沉积。在一些实施例中，步骤2004由传染模型管理器1112执行。
根据一些实施例，过程2000包括针对基准计算和不同的传染控制选项中的每一者重复步骤2004(步骤2006)。在一些实施例中，基于用户输入数据生成针对基准计算和不同的传染控制选项中的每一者的数据集。步骤2006可以由传染模型管理器1112执行。
根据一些实施例，过程2000包括使用数据集确定基准计算和不同传染控制选项中的每一者的平均传染概率(步骤2008)。在一些实施例中，步骤2008包括对基于在步骤2004中生成的数据集确定的传染概率值的数据集进行平均。步骤2008可以由传染模型管理器1112执行。
根据一些实施例，过程2000包括确定基准场景与不同传染控制选项中的每一者的平均传染概率之间的比率(步骤2010)。在一些实施例中，步骤2010由传染控制工具1102执行。
根据一些实施例，过程2000包括使显示器运作以向用户提供基准计算和不同传染控制选项中的每一者的比率(步骤2012)。在一些实施例中，步骤2012由显示管理器1118和显示屏1120基于传染模型管理器1112的结果来执行。在一些实施例中，提供基准计算和不同传染控制选项中的每一者的比率包括经由显示屏1120向用户提供图形。
根据一些实施例，过程2000包括针对不同传染控制选项中的每一者估计相对于基准成本的增量成本(步骤2014)。在一些实施例中，步骤2014由成本模型管理器1114执行。在一些实施例中，通过对所估计的增量通风成本、增量过滤成本、增量UVC杀灭通道成本、增量UVC暗槽成本和增量MACH 10成本求和来执行步骤2014。在一些实施例中，增量成本使用方程年度成本＝成本年度＝φ采暖E采暖+φ制冷E制冷+φ风机E风机+φUVEUV+φ过滤器M过滤器来确定。
根据一些实施例，过程2000包括使显示器运作以提供不同传染控制选项中的每一者的增量成本(步骤2016)。在一些实施例中，步骤2016类似于步骤2012。在一些实施例中，步骤2016包括在图形上(例如，在步骤2012中提供的图形上)提供不同传染控制选项种的每一者的增量成本。
根据一些实施例，过程2000包括重新执行步骤2002至步骤2016，以响应于用户输入数据的变化向用户实时更新所显示的比率和所显示的增量成本(步骤2018)。在一些实施例中，响应于用户调整用户输入数据中的任一个而重新执行步骤2002至步骤2016。有利地，这允许在用户改变或调整用户输入数据时实时更新或显示所显示的数据(例如，在步骤2012和步骤2016中提供的所显示的数据)。
图形
现在参考图27至图29，图形2700至图形2900展示了使用区内过滤装置的效果。根据一些实施例，图形2700至图形2900示出了关于以cfm为单位的清洁空气气流速率(X轴)的传染概率(Y轴)。图形2700展示了使用位于HVAC设备的空气处理单元处的MERV 13过滤器的效果。然而，如图形2800和图形2900所示，可以通过添加区内过滤装置进一步降低传染概率。例如，除了示出了位于空气处理单元处的MERV 13过滤器的效果之外，图形2800和图形2900还示出了600cfm区内过滤装置所具有的效果。根据一些实施例，图形2800示出，在冬季时间期间，区内过滤装置可使得传染概率额外降低10％。图形2900示出，在夏季时间期间，区内过滤装置可使得传染概率额外降低4％。
空气处理器和区内过滤
现在参考图30至图41，空气处理器(例如，AHU 304)处的过滤和区内过滤(例如，在建筑物10的区内)的组合可用于提供期望的传染风险概率降低。区内过滤可以通过使空气再循环并局部定位在建筑物10的区、空间、地区、房间等中的不同装置来执行。可以在空气处理器处执行过滤，以提供传染风险概率的基准或初始水平或期望的传染概率降低(例如，相对传染风险概率)。如果在AHU 304处的过滤不足以单独将传染风险概率驱动到期望水平，或不足以将传染风险概率降低相对量，则可以在局部执行额外过滤(例如，在建筑物10的所有区处或在建筑物10的特定区处)，以实现期望的传染风险概率或实现期望的传染风险概率降低(例如，实现期望的相对传染风险概率)。
当建筑物所有者或管理者试图调整或改进HVAC基础设施以实现期望的传染风险概率水平或期望的传染风险概率降低时，建筑物所有者必须在因改变HVAC基础设施和使用改变后的基础设施运作所带来的额外成本(例如，资金和/或运营)的折衷，以及所实现的传染风险概率之间做出选择。此外，额外的过滤可以提供在传染风险概率方面的减少的单位成本改进。以这种方式，根据传染风险概率和成本(例如，资金和/或运作成本，或其组合)确定最佳或最具成本效益的解决方案可以采用如上所讨论的帕累托优化问题的形式。有利地，在本文描述的技术、系统和方法指示使用空气处理器过滤和区内过滤的组合的优势。在一些实施方式中，可以使用MERV-13过滤器与区内过滤装置的组合来实现传染风险概率的降低。
即使当使用某种过滤(例如，在AHU 304处)以实现期望的传染风险概率时，过滤的效率或功效扔可取决于HVAC系统(例如，AHU 304)的运作。具体地，虽然特定的过滤器可以过滤所通过的空气，但提供给房间的空气(例如，过滤后的空气、净化空气、清洁空气等)的体积、数量或量(例如，每小时换气量)也会影响传染概率。例如，相比于使用较高等级的空气过滤器并使少量空气通过该过滤器然后进入某个区，使用较低等级的空气过滤器并使大量空气通过过滤器然后进入该区可产生更大的传染风险概率降低。
特别参考图30，图形3000展示了曲线3002，该曲线示出关于输送到区的清洁空气、过滤后的空气或净化空气的量的传染风险(Y轴)。图形3000包括围绕曲线3002的误差区域3004。图形3000展示了随着输送到区的空气增加(例如，随着沿X轴的增加)，传染风险降低(例如，曲线3002沿Y轴降低)。如图形3000的Y轴所展示的传染风险可以是使用Wells-Riley作为输入预测的再生率R0或R，或其变体。
图形3000还包括直方图3006，该直方图示出服务于空间的HVAC系统的典型的、预期的或基准清洁空气输送(假设没有执行额外的措施或过滤来实现更好的传染风险降低)。如直方图3006和平均线3008所展示，平均每小时换气次数为约4.7，其中最大线3010指示最大预期每小时换气次数为6，最小线3006指示最小预期每小时换气次数为约2.5。这可导致该区以每小时约4.7次换气的速率(例如，4700cfm)接收清洁空气，从而将传染风险降低约25％。
然而，用户或建筑物管理者可期望较低的传染风险。例如，客户或建筑物管理者可期望R0<1的传染风险，如图形3000上的客户目标点3016所展示。为了实现这样的传染风险，HVAC系统应提供至少7000cfm的清洁空气输送率。以这种方式，可以通过提高清洁空气输送率来实现或最小化目标传染风险(例如，R0<1)。
现在参考图31，图形3100示出了在一天的时间里(例如，X轴，24小时周期)提供给房间、区或地区的空气输送(Y轴)。图形3100包括空气警报水平3102和空气预警水平3104。空气警报水平指示预定的、预定义的或期望的最小警报阈值，使得如果当前提供的空气量(例如，清洁空气、过滤后的空气、净化空气等)下降到低于空气警报水平3102以下，可以启动额外的方法(例如，区内过滤)以确保充分满足一天中所有时间的传染概率或传染风险。在一些实施例中，图形3100展示了使集中式空气处理单元过滤装置和局部区内过滤装置两者运作的控制系统的运作。可以在一天中的不同时间(例如，当AHU提供的过滤、清洁或净化的空气总量不足以实现期望的风险传染降低量时)启动或激活局部区内过滤装置，以在该区内再循环和过滤空气(例如，通过系统的控制器)。
图形3100还包括空气预警水平3104。当总清洁空气输送量(例如，过滤后的、净化的、清洁的等空气的量)降低到低于空气预警水平3104时，控制器可以提醒或警示建筑物管理者。建筑物管理者或房间的居用者可以响应于警示或警报手动使区内过滤装置运作或将其激活。
图形3100包括系列3106，该系列展示在一天的时间中提供给对应区的总清洁空气。如图31所示，空气预警水平3104和空气警报水平3106在一天的时间中变化。例如，空气预警水平3104和空气警报水平3106可以随着预期该区的居用率增加而上升，并且在预期该区的居用率下降时下降(例如，在一天结束时)。
如图31所示，在一天中的某些时间，如区3108所展示，系列3106下降到低于空气预警水平3104和/或空气警报水平3106。在一天中的这些时间期间，控制器可以启动区内过滤装置以使空气在该区局部再循环，并提供额外的过滤后的空气以实现期望的传染风险降低。
特别参考图39，示出了根据一些实施例的HVAC系统3900。HVAC系统3900是双HVAC系统，其包括AHU 304和过滤器308，以及区内过滤装置3904。带有过滤器308的AHU 304以及区内过滤装置3904都运作以将一定体积、数量、速率等的过滤后的空气、净化空气或清洁空气输送到区3902，以保持一定的传染风险降低量(例如，如用户所提供的期望量)。
HVAC系统3900包括控制器3908，该控制器被配置成向AHU 304和区内过滤装置3904提供控制信号。控制器3908包括处理电路3910，该处理电路包括处理器3912和存储器3914。处理电路3910可以与控制器3908的通信接口可通信地连接，使得处理电路3910及其各种组件可以经由通信接口发送和接收数据。处理器3912可以被实施为通用处理器、专用集成电路(ASIC)、一个或多个现场可编程门阵列(FPGA)、一组处理组件或其它合适的电子处理组件。
存储器3914(例如，存储器、存储器单元、存储装置等)可包括一个或多个用于存储用于完成或促进本申请中描述的各种过程、层和模块的数据和/或计算机代码的装置(例如，RAM、ROM、闪存、硬盘存储器等)。存储器3914可以为或包括易失性存储器或非易失性存储器。存储器3914可以包括用于支持本申请中描述的各种活动和信息结构的数据库组件、目标代码组件、脚本组件或任何其它类型的信息结构。根据一些实施例，存储器3914经由处理电路3910可通信地连接到处理器3912并且包括用于执行(例如，通过处理电路3910和/或处理器3912)本文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3908在单个计算机(例如，一个服务器、一栋房屋等)内实施。在各种其它实施例中，控制器3908可分布在多个服务器或计算机上(例如，可存在于分布式地点中)。
控制器3908被配置成从中央过滤装置(AHU 304和过滤器308)和区内过滤装置3904的一个或多个传感器(例如，流量计、流量传感器等)接收传感器数据。控制器3908可以监测提供给区3902的清洁空气、过滤后的空气或净化空气的总量。控制器3908可以将空气警报水平3102和/或空气预警水平3104存储在存储器3914中。当由AHU 304和过滤器308提供给区3902的总空气量下降到低于空气预警水平3104或空气警报水平3102时，控制器3908可以使用户装置3916运作，以向用户或建筑物管理者提供警报，即应启动或激活额外的(例如，区内)过滤，以实现期望的传染风险降低水平。当控制器3908确定需要或要求额外的过滤以便满足建筑物管理者所期望的风险降低时，控制器3908可以生成控制信号并将其提供给区内过滤装置3904，以激活区内过滤装置3904从而提供额外的过滤后的空气用于区3902。控制器3908可以基于如建筑物管理者所提供的期望传染风险降低以及预期居用时间、预期居用量、居用者是否佩戴口罩等，或如在本文描述的各种其他输入信息来生成空气预警水平3104和/或空气警报水平3102的值。
在一些实施例中，控制器3908为区内过滤装置3904和/或AHU 304生成控制信号或设定点，这些控制信号或设定点被预测为保持区3902中的过滤后的空气的量低于阈值(例如，在未来时间范围内)。在一些实施例中，用于使区内过滤装置3904或AHU 304运作的控制信号或设定点由控制器3908通过执行如上文参考图3至图8更详细描述的优化来确定，该优化考虑或包括清洁空气输送。例如，根据区内过滤装置3904和/或AHU 304的运作来预测清洁空气或过滤后的空气输送的额外动态模型中的任一个或一个额外动态模型可用于确定区内过滤装置3904和/或AHU 304的设定点。在一些实施例中，将过滤后的空气或清洁空气约束应用于上文更详细描述的目标函数，使得在区3902中满足最小清洁空气量或过滤后的空气量。以这种方式，区内过滤装置3904的激活、运作和设定点可以集成到建筑物(例如，建筑物10)的整个HVAC系统的优化或控制过程中，使得区内过滤装置3904的运作也是优化的控制决策。在其它系统中，区内过滤装置3904是完全独立的，并且在确定HVAC系统及其设备的最佳运作时不被中央HVAC系统使用。然而，集成区内过滤装置3904(例如，配备有无线或有线通信)为HVAC系统或控制器3908提供了额外的可控点，使得在确定AHU 304的控制决策时可以考虑过滤装置3904的运作。在一些实施例中，区内过滤装置3904在优化中被视为可以控制提供给区3902的过滤后的空气的量而不会显著影响或控制区3902中的温度的装置。有利地，向区3902提供清洁空气或过滤后的空气可以减轻区3902中的传染风险、降低该区中的传染概率或减少该区中的二氧化碳(例如，从而改进区3902中的居用者的认知功能)。
在一些实施例中，在确定AHU 304和/或区内过滤装置3904的控制决策时也可以考虑由区内过滤装置3904的运作产生的能量消耗或成本。例如，可以以具有成本效益的方式(例如，受制于传染概率、温度、湿度，或过滤后的空气约束最小化能量成本或能量消耗)执行优化或控制决策确定过程，以满足各种传染概率、温度、湿度或过滤后的空气约束。例如，可以修改上文详细描述的E成本函数，以包括区内过滤装置的项或模型，该项或模型将区内过滤装置3904的能量成本或能量消耗(例如，在未来时间段内、在当前时间、在先前时间段内等)定义为区内过滤装置3904的一个或多个控制决策、设定点或运作参数的函数。此外，可以使用区内过滤装置3904的将过滤后的空气输送定义为区内过滤装置3904的相同的一个或多个控制决策、设定点或运作参数的函数的模型，使得预测满足清洁空气或过滤后的空气约束的控制决策得到满足。在一些实施例中，控制决策、设定点或运作参数包括是否激活区内过滤装置3904，以及区内过滤装置3904的其它运作参数，诸如确定由区内过滤装置3904提供的清洁空气量的风机速度。以这样的方式，区内过滤装置3904的控制决策或设定点被配置成既定义区内过滤装置3904是否被激活，又确定一旦激活，区内过滤装置3904应当如何运作(例如，风机应当运行多快以向区3902提供特定数量、特定量或特定速率的过滤后的空气或清洁空气)。在一些实施例中，定义区内过滤装置3904应当如何运作的设定点，或提供给区3902的过滤后的空气或清洁空气的速率是优化中的控制决策，该优化还包括AHU 304的控制决策，以便确定区内过滤装置3904的运作的优化，同时还考虑AHU 304或中央HVAC系统的其它设备的运作。在一些实施例中，优化产生针对未来时间段的设定点的计划表，并且区内过滤装置3904可以根据设定点的该计划表自动运作(例如，激活或去激活)。
如图39和图31所示，由AHU 304(通过过滤器308)和区内过滤装置3904两者向区3902提供过滤后的空气、净化空气、清洁空气或新鲜空气。AHU 304通过各种管道、导管等，以及通风口4006提供来自过滤器308的过滤后的空气。AHU 304可以吸入室外空气和/或来自区3902的空气。AHU 304可以向过滤器308提供未过滤的空气，该过滤器通过通风口4006向区3902提供过滤后的空气。区内过滤装置3904吸入区空气，使该区空气通过过滤器(例如，与过滤器308相同或相似的过滤器)并将过滤后的区空气输出到区3902。区内过滤装置3904可包括风机、电动机等，以将空气吸入过滤器所在的区内过滤装置3904的内部空间，并将过滤后的区空气排出到区3902。应当理解，AHU 304可以被配置成服务于多个区3902并将所需量的过滤后的空气输送到如由控制器3908确定的多个区中的每一者。类似地，虽然图39仅示出了一个区内过滤装置3904，但在区3902中可以使用多个区内过滤装置3904。区内过滤装置3904的数量或等级可基于区3902的大小、区3902内的空气量、区内过滤装置3904的容量、过滤器308的等级等，或其它建筑物HVAC系统参数来确定。在一些实施例中，控制器3908被配置成执行优化以确定区内过滤装置3902的数量、等级、类型、容量等。
特别参考图32，图形3200展示了可以采取的各种措施或可用于降低建筑物10的区、空间、房间等中的传染风险的技术。如图32所示，图形3200包括与曲线3002相似或相同的曲线3202。曲线3202展示了Wells-Riley方程关于提供给建筑物(例如，建筑物10)的房间、空间或区(例如，区3004)的清洁的、过滤后的、净化的等空气的输出。
曲线3202包括通风部分3204、第一过滤器部分3206、第二过滤器部分3208、清洁空气部分3210和区内过滤部分3212。提供不同的通风量(例如，根据ASHRAE 62.1)(如上文参考图11至图20更详细描述的)，可以实现在通风部分3204的右侧最低点处的传染风险(例如，达到约10.5的传染风险)。如第一过滤器部分3206所展示，在AHU 304处使用MERV 8过滤器可允许进一步降低传染风险(例如，实现约8的传染风险)。如第二过滤器部分3208所展示，在AHU 304处使用MERV 8过滤器可允许进一步降低传染风险(例如，实现约6.5的传染风险)。用MERV 13过滤器使用100％清洁空气可以进一步降低传染风险(例如，达到约6的传染风险)。为了实现传染风险的进一步降低(例如，实现区内过滤部分3212内的传染风险水平)，可需要区内过滤或空气清洁(例如，安装和使用一个或更多区内过滤装置3904)。图形3200展示了假设固定风量(CAV)的HVAC系统的不同示例。
然而，在许多情况下，为某个区提供服务的HVAC系统不是CAV系统，而是可变风量(VAV)系统。现在参考图35，图形3500展示了根据一些实施例的关于输送清洁空气、过滤后的空气或净化空气(X轴)的传染风险(Y轴)。类似于图形3200，图形3500包括曲线3502，该曲线包括通风部分3504。曲线3502还包括由低冷却气流点3508和高冷却气流点3510界定的VAV气流范围3506。实际气流可以在低冷却气流点3508与高冷却气流点3510之间变化，从而使传染风险分别在约10与6之间改变。为了实现传染风险的额外降低(例如，超出高冷却气流点3510)并将传染风险推入区3512，可能需要额外的区内空气清洁。
现在参考图36，图形3600展示了根据一些实施例的关于清洁空气、过滤后的空气或净化空气输送(X轴)的传染风险(Y轴)。图形3600包括可以与曲线3502、曲线3202或系列3004相同或相似的曲线3602。曲线3602包括与通风部分3504或通风部分3204相同或相似的通风部分3604。曲线3602还包括过滤器部分3606，该过滤器部分展示了使用MERV 13过滤器可能对传染风险产生的影响。过滤器部分3606包括最小气流点3608和大于最小气流点3608的设计气流点3610。如过滤器部分3606、最小气流点3608和设计气流点3610所展示，根据通过MERV 13过滤器的空气的速率，使用MERV 13过滤器可能对传染风险具有不同的影响。例如，在最小气流点3608处，传染风险可显著高于设计气流点3610处的传染风险。以这种方式，所使用的过滤器的功效可取决于通过过滤器的空气的速率。为了实现传染风险的额外降低并沿曲线3602过渡到区3612，
现在参考图37和图38，图形3700和图形3800展示了安装和使用区内过滤装置可能对传染风险产生的影响。图形3700展示了当AHU在最小气流点3608处运作时的曲线3604。添加区内过滤装置导致实现降低的传染风险，如区内部分3702所展示。具体地，当AHU包括MERV 13过滤器并在最小气流点3608处运作时，添加区内过滤装置可产生约6的传染风险。如图37所示，传染风险最初为约18，通过使AHU运作并且使用MERV 13过滤器可降低至小于10，并在安装区内过滤装置时进一步降低至约6。
图38的图形3800示出了类似的结果，但是是针对当AHU在MERV 13过滤器的设计气流下运作时的情况(例如，在设计气流点3610处)。通过AHU在设计气流点3610处的运作并使用MERV 13过滤器，可以将传染风险降低至约6。曲线3602的部分3802进一步示出通过安装和使用区内过滤装置可以将传染风险降低到小于5。
应当理解，如本文所描述的任何区内过滤装置可以是独立式、天花板安装式、壁挂式等装置，该装置包括用于将空气吸入装置的内部空间的机构(例如，风机)和过滤空气、净化空气、清洁空气等(例如，使用过滤器)的机构。区内过滤装置然后将空气从内部空间排出到该区。例如，区内过滤装置可以是局部位于区内的Mach 10 600cfm MERV 13过滤器单元。
现在参考图40，示出了根据一些实施例的用于确定在AHU处使用的过滤器的等级以及区内过滤装置的等级和数量的过程4000。过程4000包括步骤4002至步骤4008并且可以由在本文描述的控制器中的任一个执行。在一些实施例中，过程4000是使用上文参考图11至图20更详细描述的技术中的任一项来执行的。
根据一些实施例，过程4000包括获得指示HVAC系统参数、天气参数和期望的传染风险的一个或多个用户输入(步骤4002)。在一些实施例中，步骤4002包括接收期望的相对传染风险(例如，期望的传染风险降低、传染概率、疾病生成率或传播率等)。
根据一些实施例，过程4000包括基于一个或多个用户输入构建帕累托优化问题(步骤4004)。帕累托优化问题可以定义为HVAC系统的AHU购买和使用一个或多个过滤器的成本，以及购买和使用一个或多个区内过滤装置以实现期望的传染风险的成本。在一些实施例中，这些成本被预测到未来的时间范围内。在一些实施例中，用于HVAC系统的AHU的区内过滤装置的等级、类型或大小，区内过滤装置的数量以及过滤器的等级是优化问题的控制参数。在一些实施例中，期望的传染风险是针对优化问题的约束。在一些实施例中，期望传染风险和总成本(例如，在未来时间范围内)都是优化目标，并且优化被执行以最小化期望传染风险和预测传染风险之间的差异并最小化在未来时间范围内的总成本。
根据一些实施例，过程4000包括求解帕累托优化问题以确定HVAC系统的AHU的过滤器等级、区内过滤装置的类型和区内过滤装置的数量(步骤4006)，并输出HVAC系统的AHU的该过滤器等级、该区内过滤器装置类型和该区内过滤装置数量作给对建筑物管理者的推荐(步骤4008)。步骤4004至步骤4008可由如本文所描述的控制器中的任一个执行。
虽然过程4000和在本文公开的各种其它实施例是关于满足期望的传染风险水平进行讨论的，但应当理解，在一些实施例中，本文描述的特征可以与满足特定的清洁空气目标以及传染风险水平结合使用，或者可以与特定清洁空气目标而不是传染风险水平结合使用。例如，在一些实施方式中，过程4000可用于识别组件,以满足空间中特定的空气周转率，或特定的清洁空气输送率(例如，清洁气流的某个最小立方英尺每分钟(CFM))。设想所有此类修改都在本公开的范围内。
现在参考图41，示出了根据一些实施例的用于使包括具有过滤器的AHU和一个或多个区内过滤装置的HVAC系统运作的过程4100。过程4100可以由系统3900的控制器3908执行。过程4100包括步骤4102至4108。
根据一些实施例，过程4100包括获得传感器数据，该传感器数据指示在使AHU运作时提供给区的过滤后的空气的监测量(步骤4102)。传感器数据可以指示从AHU输出到区的过滤后的空气的量。传感器数据可以作为来自AHU(例如，基于AHU的风机的运作电压或速度)或来自流量计传感器的反馈获得。
根据一些实施例，过程4100包括确定是否需要额外的过滤后的空气(步骤4104)。控制器3908可以基于传感器数据执行步骤4104。步骤4104可以包括将传感器数据与对应的阈值进行比较，以确定是否正在向该区提供足够量的过滤后的空气。对应阈值可以是全天变化的时变阈值。对应阈值可以是这样的阈值：当符合或满足该阈值时，使得期望的传染风险或足够低的传染风险被满足。如果需要额外的过滤后的空气(步骤4104，“是”)，则过程4100前进到步骤4106。如果不需要额外的过滤后的空气(步骤4104，“否”)，则过程4100前进到步骤4108。
根据一些实施例，过程4100包括响应于步骤4104激活区内过滤装置(步骤4106)。在一些实施例中，步骤4106由控制器3908执行。可以响应于确定需要额外的过滤后的空气以保持期望程度的传染风险降低来执行步骤4106。步骤4106可包括生成控制信号并将其提供给区内过滤装置(例如，区内过滤装置3904)。
根据一些实施例，过程4100包括继续仅使用AHU运作(步骤4108)。步骤4108可以包括返回到步骤4102。可以响应于确定不需要额外的过滤后的空气以保持区中期望的传染风险降低(步骤4104，“否”)来执行步骤4108。
现在参考图33，图形3300展示了各种优化场景的不同结果。图形3300展示了每运作货币成本的风险降低。在一些实施例中，图形3300展示了过程4000的输出，或如上文参考图11至图20更详细描述的传染控制工具的输出。图形3300的两个最左侧的选项3302展示了在HVAC系统的AHU处安装MERV 11或MERV 13过滤器的风险降低。选项3304展示了各种区内过滤装置或其它方法。如图形3300所示，实现风险降低的最具成本效益的初始步骤可以是在AHU处安装和使用MERV 11过滤器或MERV 13过滤器。
现在参考图34，图形3400展示了各种优化场景的不同结果。图形3400还展示了每运作货币成本的风险降低。图形3400可以展示过程4000的输出，或如上文参考图11至图20更详细描述的传染控制工具的输出。图形3400展示了假设HVAC系统的AHU使用MERV 13过滤器的优化或模拟结果。图形3400的所有选项均示出了可以采用以实现额外风险降低的不同区内措施或额外措施(例如，除了在AHU处使用MERV 13过滤器之外的辅助方法)。如图形3400所示，确定MACH 10MERV 13过滤器装置(例如，使用MERV 13过滤器的区内过滤装置)是最具成本效益的。
所附的附录描述了在本文描述的系统和方法的各种示例性实施例以及可以在其中实施在本文描述的系统和方法的示例性系统架构、框架、运作环境等。本公开的系统可以包括附录中描述的硬件、软件或其它组件中的任一个，并且可以被配置成执行所附附录中描述的功能中的任一个。类似地，本公开的方法或过程可以包括附录中描述的处理步骤中的任一个。在一些实施例中，本文描述的系统和方法可以使用或结合附录中描述的系统、方法或其它特征中的任一个来实施。应当理解，附录中提供的公开仅作为示例提供，不应被视为限制性的。
示例性实施例的配置
尽管附图示出了方法步骤的特定顺序，但是步骤的顺序可以与描绘的不同。并且，可以同时或部分同时执行两个或更多个步骤。此类变化将取决于所选择的软件和硬件系统以及设计者的选择。所有此类变化都处于本公开的范围内。同样，软件实施方式可以用具有基于规则的逻辑和其它逻辑的标准编程技术来完成，以完成各种连接步骤、计算步骤、处理步骤、比较步骤和决策步骤。
各个示范性实施例中所示的系统和方法的构建和布置仅是说明性的。尽管在本公开中仅详细描述了几个实施例，但是许多修改是可能的(例如，各种元件的大小、尺度、结构、形状和比例、参数值、安装布置、材料的使用、颜色、取向等的变化)。例如，元件的位置可颠倒或以其它方式变化，并且离散元件的性质或数目或位置可更改或变化。因此，所有此类修改旨在被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、运作条件和布置方面作出其它替代、修改、改变和省略。
如本文所使用的，术语“电路”可以包括被构造成执行本文所描述的功能的硬件。在一些实施例中，每个相应的“电路”可以包括用于配置硬件以执行本文所描述的功能的机器可读介质。该电路可以体现为一个或多个电路组件，包括但不限于处理电路、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，电路可以采用一个或多个模拟电路、电子电路(例如，集成电路(IC)、分立电路、片上系统(SOC)电路等)、电信电路、混合式电路，以及任何其它类型“电路”的形式。就这一点而言，“电路”可以包括用于完成或促进本文描述的运作的实现的任何类型的组件。例如，如在本文所描述的电路可以包括一个或多个晶体管、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”还可以包括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。就这一点而言，一个或多个处理器可以执行存储在存储器中的指令或可以执行一个或多个处理器以其他方式可访问的指令。在一些实施例中，一个或多个处理器可以以各种方式体现。一个或多个处理器可以以足以执行至少本文描述的运作的方式构建而成。在一些实施例中，一个或多个处理器可由多个电路共享(例如，电路A和电路B可包括或以其它方式共享同一处理器，在一些示例性实施例中，该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)。可替代地或另外地，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进行或以其它方式执行某些运作。在其它示例性实施例中，两个或更多个处理器可以经由总线耦合，以实现独立的、并行的、流水线的或多线程的指令执行。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)或被构造成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)、微处理器等的形式。在一些实施例中，一个或多个处理器可以在器械外部，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)。可替代地或另外地，一个或多个处理器可以在器械内部和/或本地。就这一点而言，给定的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(例如，作为诸如基于云的服务器等的远程服务器的一部分)设置。为此，在本文描述的“电路”可以包括分布在一个或多个地点的组件。
本公开考虑用于完成各种运作的任何机器可读介质上的方法、系统和程序产品。可使用现有计算机处理器，或由用于(为实施本公开的实施例的目的或另一目的并入的)适当系统的专用计算机处理器，或由硬连线系统来实施本公开的实施例。本公开的范围内的实施例包括包含机器可读介质的程序产品，该机器可读介质用于携载或具有存储在其上的机器可执行指令或数据结构。此类机器可读介质可以是可以由通用或专用计算机或具有处理器的其它机器访问的任何可用介质。举例来说，此机器可读介质可包括含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由通用或专用计算机或具有处理器的其它机器存取的任何其它介质。以上的组合也包括在机器可读介质的范围内。机器可执行指令包括例如使通用计算机、专用计算机或专用处理机执行特定功能或功能组的指令和数据。

Claims (20)

1.一种用于建筑物的区的供热、通风或空气调节(HVAC)系统，其包括：
空气处理器，所述空气处理器被配置成使未过滤的空气通过过滤器并将过滤后的空气输出到所述建筑物的所述区；
区内过滤装置，所述区内过滤装置被配置成将空气从所述区吸入到内部空间中、过滤所述空气，并将过滤后的空气再循环到所述建筑物的所述区；以及
控制器，所述控制器包括处理电路，所述处理电路被配置成：
确定是否应用额外的空气过滤以满足期望量的清洁气流或期望的传染风险降低中的至少一者；以及
响应于确定应用额外的空气过滤，启动所述区内过滤装置以将所述过滤后的空气再循环到所述建筑物的所述区。
2.根据权利要求1所述的HVAC系统，其中所述控制器被配置成从在所述区中或在所述空气处理器处的传感器接收传感器数据，以及使用传感器数据来确定由所述空气处理器提供给所述建筑物的所述区的过滤后的空气的量。
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使所述区内过滤装置和所述空气处理器一致地运作，使得所述区内过滤装置与所述空气处理器之间的累积量的过滤后的空气被提供给所述建筑物的所述区。
4.根据权利要求1所述的HVAC系统，其中所述空气处理器和所述区内过滤装置被配置成运作以提供过滤后的空气从而减少所述区中的二氧化碳。
5.根据权利要求1所述的HVAC系统，其中所述控制器被配置成确定所述空气处理器和所述区内过滤装置两者的设定点，所述设定点定义由所述空气处理器和所述区内过滤装置中的每一者提供的过滤后的空气的量，以实现满足温度约束和过滤后的空气约束的温度控制和空气过滤控制两者。
6.根据权利要求1所述的HVAC系统，其中所述控制器被配置成监测由所述空气处理器提供到所述区中的过滤后的空气的量，并且：
响应于所述过滤后的空气的量下降到低于清洁空气预警水平，向用户提供警报；以及
响应于所述过滤后的空气的量下降到低于清洁空气警报水平，启动所述区内过滤装置以向所述区提供过滤后的空气。
7.根据权利要求1所述的HVAC系统，其中所述空气处理器被配置成提供具有特定温度的过滤后的空气以用于对所述区的温度调整，并且其中所述区内过滤装置以与空气被吸入到所述区内过滤装置中的温度基本上相同的温度将过滤后的空气输出到所述区，以提供过滤后的空气而基本上不提供对所述区的温度调整。
8.一种向建筑物的区提供过滤后的空气的方法，其包括：
使空气处理器运作以使未过滤的空气通过过滤器并将过滤后的空气输出到所述建筑物的所述区；
确定是否需要额外的空气过滤以满足期望量的清洁气流或期望的传染风险降低中的至少一者；
响应于确定需要额外的空气过滤：
启动区内过滤装置并使所述区内过滤装置运作以将空气从所述区吸入到内部空间中、过滤所述空气并将过滤后的空气再循环到所述建筑物的所述区。
9.根据权利要求8所述的方法，其进一步包括从在所述区中或在所述空气处理器处的传感器接收传感器数据，以及使用传感器数据来确定由所述空气处理器提供给所述建筑物的所述区的过滤后的空气的量。
10.根据权利要求8所述的方法，其进一步包括使所述区内过滤装置和所述空气处理器一致地运作，使得所述区内过滤装置与所述空气处理器之间的累积量的过滤后的空气被提供给所述建筑物的所述区。
11.根据权利要求8所述的方法，其中所述空气处理器和所述区内过滤装置被配置成运作以提供过滤后的空气从而减少所述区中的二氧化碳。
12.根据权利要求8所述的方法，其进一步包括确定所述空气处理器和所述区内过滤装置中的每一者的设定点，所述设定点定义由所述空气处理器和所述区内过滤装置中的每一者提供的过滤后的空气的量，以实现满足温度约束和过滤后的空气约束的温度控制和空气过滤控制两者。
13.根据权利要求8所述的方法，其进一步包括监测由所述空气处理器提供到所述区中的过滤后的空气的量，并且：
响应于所述过滤后的空气的量下降到低于清洁空气预警水平，向用户提供警报；以及
响应于所述过滤后的空气的量下降到低于清洁空气警报水平，启动所述区内过滤装置以向所述区提供过滤后的空气。
14.根据权利要求8所述的方法，其中所述空气处理器被配置成提供具有特定温度的过滤后的空气以用于对所述区的温度调整，并且其中所述区内过滤装置以与空气被吸入到所述区内过滤装置中的温度基本上相同的温度将过滤后的空气输出到所述区，以提供过滤后的空气而基本上不提供对所述区的温度调整。
15.一种用于向建筑物的区提供过滤后的空气的供热、通风或空气调节(HVAC)系统，所述HVAC系统包括处理电路，所述处理电路被配置成：
确定是否应用额外的空气过滤以满足期望量的清洁气流或期望的传染风险降低中的至少一者；以及
响应于确定应用额外的空气过滤，启动区内过滤装置以将所述过滤后的空气再循环到所述建筑物的所述区
其中空气处理器被配置成使未过滤的空气通过过滤器并将过滤后的空气输出到所述建筑物的所述区；并且
其中区内过滤装置被配置成将空气从所述区吸入到内部空间中、过滤所述空气，并将过滤后的空气再循环到所述建筑物的所述区。
16.根据权利要求15所述的HVAC系统，其中所述处理电路被配置成从在所述区中或在所述空气处理器处的传感器接收传感器数据，以及使用传感器数据来确定由所述空气处理器提供给所述建筑物的所述区的过滤后的空气的量。
17.根据权利要求15所述的HVAC系统，其中所述处理电路被配置成使所述区内过滤装置和所述空气处理器一致地运作，使得所述区内过滤装置与所述空气处理器之间的累积量的过滤后的空气被提供给所述建筑物的所述区。
18.根据权利要求1所述的HVAC系统，其中所述处理电路被配置成使所述空气处理器运作，所述空气处理器被配置成提供具有特定温度的过滤后的空气以用于对所述区的温度调整，以及使所述区内过滤装置运作从而以与空气被吸入到所述区内过滤装置中的温度基本上相同的温度将过滤后的空气输出到所述区，以提供过滤后的空气而基本上不提供对所述区的温度调整。
19.根据权利要求15所述的HVAC系统，其中所述处理电路被配置成确定所述空气处理器和所述区内过滤装置两者的设定点，所述设定点定义由所述空气处理器和所述区内过滤装置中的每一者提供的过滤后的空气的量，以实现满足温度约束和过滤后的空气约束的温度控制和空气过滤控制两者。
20.根据权利要求15所述的HVAC系统，其中所述处理电路被配置成监测由所述空气处理器提供到所述区中的过滤后的空气的量，并且：
响应于所述过滤后的空气的量下降到低于清洁空气预警水平，向用户提供警报；以及
响应于所述过滤后的空气的量下降到低于清洁空气警报水平，启动所述区内过滤装置以向所述区提供过滤后的空气。
CN202180072632.7A 2020-09-16 2021-09-15 使用空气净化减轻传染风险的系统和方法 Pending CN116391095A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US202063079330P 2020-09-16 2020-09-16
US63/079,330 2020-09-16
PCT/US2021/050529 WO2022060886A1 (en) 2020-09-16 2021-09-15 Systems and methods to mitigate infection risk using air purification

Publications (1)

Publication Number Publication Date
CN116391095A true CN116391095A (zh) 2023-07-04

Family

ID=78372091

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202180072632.7A Pending CN116391095A (zh) 2020-09-16 2021-09-15 使用空气净化减轻传染风险的系统和方法

Country Status (4)

Country Link
US (1) US11885510B2 (zh)
EP (1) EP4214450A1 (zh)
CN (1) CN116391095A (zh)
WO (1) WO2022060886A1 (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210207825A1 (en) * 2018-08-21 2021-07-08 Carrier Corporation Air filter with deployment mechanism and control for hvac applications
CN112180733B (zh) * 2020-10-14 2021-12-28 西安建筑科技大学 一种基于模糊逻辑的建筑能耗系统预测控制参数整定方法
US11585799B2 (en) * 2021-05-12 2023-02-21 IDES Canada Inc. System for monitoring the probability of viral disease transmission
US20220404055A1 (en) * 2021-06-16 2022-12-22 United States Of America As Represented By The Secretary Of The Army Bioprotection of transportion and facilities using lumped element model
US11714930B2 (en) 2021-11-29 2023-08-01 Johnson Controls Tyco IP Holdings LLP Building data platform with digital twin based inferences and predictions for a graphical building model

Family Cites Families (42)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5279609A (en) * 1992-10-30 1994-01-18 Milton Meckler Air quality-temperature controlled central conditioner and multi-zone conditioning
US5290330A (en) 1993-06-10 1994-03-01 The Johns Hopkins University HEPA filtration system
US6453993B1 (en) 2000-05-17 2002-09-24 Carrier Corporation Advanced starting control for multiple zone system
US7117045B2 (en) 2001-09-08 2006-10-03 Colorado State University Research Foundation Combined proportional plus integral (PI) and neural network (nN) controller
US20070059225A1 (en) 2004-05-14 2007-03-15 Willette Christopher A Ultraviolet light filtration apparatus
WO2012161804A1 (en) 2011-02-24 2012-11-29 Clean Urban Energy, Inc. Integration of commercial building operations with electric system operations and markets
US8668886B2 (en) * 2011-04-24 2014-03-11 Therapeutic Proteins International, LLC Separative bioreactor
WO2013130956A1 (en) 2012-03-02 2013-09-06 Vigilent Corporation Multi-dimensional optimization for controlling environmental maintenance modules
US9566545B2 (en) * 2012-05-22 2017-02-14 Enverid Systems, Inc. Efficient use of adsorbents for indoor air scrubbing
US10175681B2 (en) 2014-05-01 2019-01-08 Johnson Controls Technology Company High level central plant optimization
CA2948193A1 (en) * 2014-05-15 2015-11-19 Emerson Electric Co. Hvac system air filter diagnostics and monitoring
US10422727B2 (en) * 2014-08-10 2019-09-24 Harry Leon Pliskin Contaminant monitoring and air filtration system
JP6282678B2 (ja) 2016-02-17 2018-02-21 株式会社トクヤマ 空気調和方法及び空気調和システム
US10359748B2 (en) 2017-02-07 2019-07-23 Johnson Controls Technology Company Building energy cost optimization system with asset sizing
US10949777B2 (en) 2017-06-07 2021-03-16 Johnson Controls Technology Company Building energy optimization system with economic load demand response (ELDR) optimization
US11847617B2 (en) 2017-02-07 2023-12-19 Johnson Controls Tyco IP Holdings LLP Model predictive maintenance system with financial analysis functionality
US10706375B2 (en) 2017-03-29 2020-07-07 Johnson Controls Technology Company Central plant with asset allocator
WO2019010603A1 (en) * 2017-07-10 2019-01-17 Carrier Corporation ENERGY SAVING AIR CIRCULATION SYSTEM BASED ON STATE
US11380438B2 (en) 2017-09-27 2022-07-05 Honeywell International Inc. Respiration-vocalization data collection system for air quality determination
CN107477733B (zh) 2017-09-28 2019-11-29 湖南精准信息科技有限公司 一种中央空调空气净化系统
US11421901B2 (en) * 2018-04-20 2022-08-23 Emerson Climate Technologies, Inc. Coordinated control of standalone and building indoor air quality devices and systems
KR102658136B1 (ko) * 2018-12-28 2024-04-18 삼성전자주식회사 공기 조화 장치 및 이의 제어 방법
US10978199B2 (en) 2019-01-11 2021-04-13 Honeywell International Inc. Methods and systems for improving infection control in a building
CN109945347B (zh) 2019-03-28 2021-07-06 中国人民解放军火箭军疾病预防控制中心 一种疫区隔离室空气净化装置
US11513486B2 (en) 2019-07-18 2022-11-29 Siemens Industry, Inc. Systems and methods for intelligent disinfection of susceptible environments based on occupant density
US20210391089A1 (en) 2020-06-15 2021-12-16 Honeywell International Inc. Methods and systems for reducing a risk of spread of an illness in a building
US11783652B2 (en) 2020-06-15 2023-10-10 Honeywell International Inc. Occupant health monitoring for buildings
US11783658B2 (en) 2020-06-15 2023-10-10 Honeywell International Inc. Methods and systems for maintaining a healthy building
US11184739B1 (en) 2020-06-19 2021-11-23 Honeywel International Inc. Using smart occupancy detection and control in buildings to reduce disease transmission
US11823295B2 (en) 2020-06-19 2023-11-21 Honeywell International, Inc. Systems and methods for reducing risk of pathogen exposure within a space
US20210398690A1 (en) 2020-06-22 2021-12-23 Honeywell International Inc. Devices, systems, and methods for assessing facility compliance with infectious disease guidance
US20210398659A1 (en) 2020-06-22 2021-12-23 Honeywell International Inc. Methods and systems for contact tracing of occupants of a facility
US20210398691A1 (en) 2020-06-22 2021-12-23 Honeywell International Inc. Methods and systems for reducing a risk of spread of disease among people in a space
CN116648679A (zh) 2020-11-05 2023-08-25 施耐德电气楼宇美国股份有限公司 用于智能建筑的软件定义主系统
US11865487B2 (en) 2020-12-29 2024-01-09 Trane International Inc. Switchable filtration system
US20220203288A1 (en) 2020-12-29 2022-06-30 Trane International Inc. Systems and methods for optimization of occupied space comfort, air quality, and energy consumption
US20220207215A1 (en) 2020-12-31 2022-06-30 Trane International Inc. Contaminant spread analysis
US20220205962A1 (en) 2020-12-31 2022-06-30 Trane International Inc. Battery life extender for indoor air quality sensor
US11846440B2 (en) 2021-01-14 2023-12-19 Honeywell International Inc. Dynamic ventilation control for a building
US20220277851A1 (en) 2021-03-01 2022-09-01 Honeywell International Inc. Airborne infection early warning system
US11906189B2 (en) 2021-03-03 2024-02-20 Siemens Industry, Inc. System and method for high ventilation of outdoor air
US11577197B2 (en) 2021-03-26 2023-02-14 Trane International Inc. Combining air cleaning methods for improved anti-contaminant efficacy and air cleaning arrays

Also Published As

Publication number Publication date
WO2022060886A1 (en) 2022-03-24
US11885510B2 (en) 2024-01-30
EP4214450A1 (en) 2023-07-26
US20220082280A1 (en) 2022-03-17

Similar Documents

Publication Publication Date Title
CN114364926B (zh) 具有用于建筑物传染控制的设计和操作工具的hvac系统
US11960261B2 (en) HVAC system with sustainability and emissions controls
US11885510B2 (en) Systems and methods to mitigate infection risk using air purification
US20220065479A1 (en) Infection control tool for hvac system
US20210011443A1 (en) Heat mapping system
Ma et al. Measuring the right factors: A review of variables and models for thermal comfort and indoor air quality
US11747037B2 (en) Building system with an in-zone plume control system
Zhou et al. Optimization of ventilation system design and operation in office environment, Part I: Methodology
Nassif Modeling and optimization of HVAC systems using artificial neural network and genetic algorithm
Risbeck et al. Modeling and multiobjective optimization of indoor airborne disease transmission risk and associated energy consumption for building HVAC systems
US20230280064A1 (en) Building management system with clean air and infection reduction features
US20230324071A1 (en) System for minimizing indoor infection risk and maximizing energy savings
Hou et al. Prediction and optimization of thermal comfort, IAQ and energy consumption of typical air-conditioned rooms based on a hybrid prediction model
WO2015173842A1 (ja) パラメータ学習装置およびパラメータ学習方法
Wu et al. Optimizing demand-controlled ventilation with thermal comfort and CO2 concentrations using long short-term memory and genetic algorithm
Cho et al. An intelligent HVAC control strategy for supplying comfortable and energy-efficient school environment
Nassif Modeling and Optimization of HVAC Systems Using Artificial Intelligence Approaches.
US20220341609A1 (en) Heat mapping system
Song Intelligent PID controller based on fuzzy logic control and neural network technology for indoor environment quality improvement
Li et al. Multi-objective optimal control of multi-zone VAV systems for adaptive switching between normal and pandemic modes
US12007732B2 (en) HVAC system with building infection control
US20220325913A1 (en) Control system for medium-sized commercial buildings
US20210373519A1 (en) Hvac system with building infection control
WO2023022980A1 (en) Hvac system with building infection control and sustainability and emissions controls
Risbeck et al. Data-driven control of airborne infection risk and energy use in buildings

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