CN117043689A - 基于机器学习的预测性楼宇控制系统及方法 - Google Patents

基于机器学习的预测性楼宇控制系统及方法 Download PDF

Info

Publication number
CN117043689A
CN117043689A CN202280021760.3A CN202280021760A CN117043689A CN 117043689 A CN117043689 A CN 117043689A CN 202280021760 A CN202280021760 A CN 202280021760A CN 117043689 A CN117043689 A CN 117043689A
Authority
CN
China
Prior art keywords
building
model
linearized
control
nonlinear
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
CN202280021760.3A
Other languages
English (en)
Inventor
温文彬
杨诗雨
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.)
Nanyang Technological University
Original Assignee
Nanyang Technological University
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 Nanyang Technological University filed Critical Nanyang Technological University
Publication of CN117043689A publication Critical patent/CN117043689A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D23/00—Control of temperature
    • G05D23/19—Control of temperature characterised by the use of electric means
    • G05D23/1917—Control of temperature characterised by the use of electric means using digital means
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
    • F24F11/46—Improving electric energy efficiency or saving
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
    • F24F11/46—Improving electric energy efficiency or saving
    • F24F11/47—Responding to energy costs
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
    • F24F11/63—Electronic processing
    • F24F11/64—Electronic processing using pre-stored data
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B15/00—Systems controlled by a computer
    • G05B15/02—Systems controlled by a computer electric
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D23/00—Control of temperature
    • G05D23/19—Control of temperature characterised by the use of electric means
    • G05D23/1927—Control of temperature characterised by the use of electric means using a plurality of sensors
    • G05D23/193—Control of temperature characterised by the use of electric means using a plurality of sensors sensing the temperaure in different places in thermal relationship with one or more spaces
    • G05D23/1932—Control of temperature characterised by the use of electric means using a plurality of sensors sensing the temperaure in different places in thermal relationship with one or more spaces to control the temperature of a plurality of spaces
    • G05D23/1934—Control of temperature characterised by the use of electric means using a plurality of sensors sensing the temperaure in different places in thermal relationship with one or more spaces to control the temperature of a plurality of spaces each space being provided with one sensor acting on one or more control means
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/26—Pc applications
    • G05B2219/2614—HVAC, heating, ventillation, climate control
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Signal Processing (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Remote Sensing (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Fuzzy Systems (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

一种楼宇控制方法，包括：获取与所述区域相关的实时测量值，所述实时测量值包括至少两种类型的测量值；提供线性化楼宇动态模型；及在控制间隔中，基于线性化楼宇动态模型，通过优化成本函数以预测性地确定优化输出，其中所述成本函数被设置为同时优化两个或更多个目标，每个目标由不同类型的测量确定；及使用所述优化输出以控制在所述区域中可操作的至少一个致动器，其中所述优化输出为基于所述线性化楼宇动态模型确定的所述优化输出的时间序列的其一，且其中所述优化输出对应于操纵变量的组合，每个所述操纵变量被设置为可控制所述至少一个致动器中不同的致动器。

Description

基于机器学习的预测性楼宇控制系统及方法
本申请请求新加坡专利申请号10202102726W的优先权益，其全部公开内容通过援引并入本文。
发明领域
本公开涉及楼宇自动化及控制系统领域，并且更具体地涉及预测性楼宇控制的系统及方法。
背景技术
楼宇服务通常以零碎的方式进行控制，例如，由各个使用者手动选择房间内空调系统的温度设定点。整个楼宇的楼宇服务控制方法在许多方面都具有挑战性，其中包括需要考虑多种因素之间复杂的相互影响，例如室内空气温度、相对湿度、辐射温度、气流速度、使用者的新陈代谢率及衣服隔热等。
发明内容
在一个方面，本公开提供了一种控制区域的环境的楼宇控制方法，该楼宇控制方法包括：获取与该区域相关的实时测量值，该实时测量值包括至少两种类型的测量值；提供线性化楼宇动态模型；及在控制间隔中，基于线性化楼宇动态模型，通过优化成本函数以预测性地确定优化输出，其中成本函数被设置为同时优化两个或更多个目标，每个目标由不同类型的测量确定；及使用优化输出以控制在区域中可操作的至少一个致动器，其中优化输出为基于线性化楼宇动态模型确定的优化输出的时间序列的其一，且其中优化输出对应于操纵变量的组合，每个操纵变量被设置为可控制至少一个致动器中不同的致动器。
楼宇控制方法，还包括：在模型适配间隔中，使用实时测量值及历史测量值的两者或其一，对基于机器学习的非线性楼宇动态模型进行适配，以获得适配后非线性楼宇动态模型；及对于获得的每个适配后非线性楼宇动态模型，使用具有反馈的线性化过程，线性化适配后非线性楼宇动态模型，以获得用于在后续控制间隔中优化成本函数的线性化楼宇动态模型。
据以上任一的楼宇控制方法还包括：在选定控制间隔中，使用实时测量值重新生成线性化楼宇动态模型，以获得重新生成的线性化楼宇动态模型；及在选定控制间隔之后的控制间隔中，使用所述重新生成的线性化楼宇动态模型优化成本函数。优选地，重新生成的线性化楼宇动态模型在连续控制间隔中重新生成。
在模型适配间隔中获得的适配后非线性楼宇动态模型可被用于重新生成多个所述线性化楼宇动态模型，多个所述线性化楼宇动态模型中的每一个对应于相应的所述连续控制间隔。楼宇控制方法还可包括：在第一多个连续控制间隔之后，对适配后非线性楼宇动态模型执行第二适配，以获得第二适配后非线性楼宇动态模型；及在第二多个连续控制间隔中的每一个，使用所述第二适配后非线性楼宇动态模型重新生成线性化楼宇动态模型。优选地，在一个或多个适配间隔的每一个中，对适配后非线性楼宇动态模型进行适配，其中一个或多个模型适配间隔中的每一个包括多个连续控制间隔。
根据以上任一所述的楼宇控制方法，其中非线性楼宇动态模型是基于具有非线性自回归外生结构的循环神经网络。
据以上任一所述的楼宇控制方法，其中线性化楼宇动态模型通过对给定状态向量进行泰勒展开(Taylor’s expansion)获得。
根据以上任一所述的楼宇控制方法，其中使用线性化过程以提供线性化楼宇动态模型的过程的特征在于平均处理时间短于所述控制间隔，其中平均处理时间包括：线性化以获得线性化楼宇动态模型及确定优化输出的时间。该控制间隔比处理时间大三个数量级。
据另一方面，本文提供了一种控制区域的环境的楼宇控制系统，该楼宇控制系统包括：至少一个模型预测控制系统，该模型预测控制系统设置为：获取与区域相关的实时测量值，实时测量值包括至少两种类型的测量值；提供线性化楼宇动态模型；及在控制间隔中，基于线性化楼宇动态模型，通过优化成本函数以预测性地确定优化输出，其中成本函数设置为同时优化两个或更多个目标，每个目标由不同类型的测量确定；及使用优化输出以控制在区域中可操作的至少一个致动器，其中优化输出为基于线性化楼宇动态模型确定的优化输出的时间序列的其一，且其中优化输出对应于操纵变量的组合，每个操纵变量被设置为可控制至少一个致动器中的一个。
模型预测系统还可被设置为：在模型适配间隔中，使用实时测量值及历史测量值的两者或其一，对基于机器学习的非线性楼宇动态模型进行适配，以获得适配后非线性楼宇动态模型；及对获得的每个所述适配后非线性楼宇动态模型，使用具有反馈的线性化过程，线性化所述适配后非线性楼宇动态模型，以获得用于在后续控制间隔中优化成本函数的线性化楼宇动态模型。
模型预测系统还可被设置为：在选定控制间隔中，使用实时测量值重新生成线性化楼宇动态模型，以获得重新生成的线性化楼宇动态模型；及在选定控制间隔之后的控制间隔中，使用重新生成的线性化楼宇动态模型优化所述成本函数。重新生成的线性化楼宇动态模型可在连续控制间隔中重新生成。在第一模型适配间隔中获得的适配后非线性楼宇动态模型，用于重新生成多个线性化楼宇动态模型，多个所述线性化楼宇动态模型中的每一个对应于相应的连续控制间隔。模型预测控制系统还设置为：在多个第一连续控制间隔之后，对适配后非线性楼宇动态模型执行第二适配，以获得第二适配后非线性楼宇动态模型；及使用第二适配后非线性楼宇动态模型，在多个第二连续控制间隔中的每一个中，重新生成线性化楼宇动态模型。在一个或多个模型适配间隔的每一个中，对适配后非线性楼宇动态模型进行适配，其中一个或多个模型适配间隔中的每一个包括多个连续控制间隔。
据以上任一所述的楼宇控制方法，其中非线性楼宇动态模型基于具有非线性自回归外生结构的循环神经网络。根据以上任一所述的楼宇控制方法，其中线性化楼宇动态模型通过对给定状态向量进行泰勒展开(Taylor’s expansion)获得。根据以上任一所述的楼宇控制方法，其中线性化楼宇动态模型的特征在于平均处理时间短于控制间隔，其中平均处理时间包括：线性化以获得线性化楼宇动态模型及确定优化输出的时间。根据以上任一所述的楼宇控制方法，其中控制间隔比处理时间大三个数量级。
据另一方面，本公开提供一种楼宇，其包括：可在楼宇的一个或多个区域中操作的两个或多个楼宇服务子系统，该两个或多个楼宇服务子系统中的至少一个可被至少一个致动器设置；至少一个传感器被设置于一个或多个区域中；基于机器学习的模型预测控制系统被设置为：从至少一个传感器获取实时测量值，实时测量值包括与一个或多个区域相关的至少两种类型的测量值；提供线性化楼宇动态模型；及在控制间隔中，基于线性化楼宇动态模型，通过优化成本函数以预测性地确定优化输出，其中成本函数被设置为同时优化两个或更多个目标，每个目标由不同类型的测量确定；及使用优化输出以控制至少一个致动器，其中优化输出为基于线性化楼宇动态模型确定的优化输出的时间序列的其一，且其中优化输出对应于操纵变量的组合，每个操纵变量被设置为可控制至少一个致动器中不同的致动器。
模型预测系统还被设置为：在模型适配间隔中，使用实时测量值及历史测量值的两者或其一，对基于机器学习的非线性楼宇动态模型进行适配；及在每个控制间隔：对非线性楼宇动态模型进行线性化；及优化成本函数以获得优化输出，其中模型适配间隔包括多个控制间隔。对基于机器学习的非线性楼宇动态模型进行的适配可响应于一个或多个区域的配设的变化。该适配可在每24小时中执行不超过一次，且其中在每个控制间隔进行的线性化在每一天内执行多次。
附图简要说明
图1是具有根据本公开实施例的楼宇控制系统的楼宇的透视图。
图2是根据本公开实施例的楼宇控制系统的示意图。
图3是根据本公开实施例的机器学习模型结构的示意图。
图4是根据本公开另一方面的楼宇控制方法及系统的示意性流程图。
图5及图6是根据本公开实施例实施于办公室的楼宇控制系统的示意图。
图7及图8是根据图5及图6的实施方式测量的室内预测平均投票值(P M V)的曲线图。
图9及图10是根据图5及图6的实施方式测量的室内空气温度的曲线图。
图11及图12是根据图5及图6的实施方式测量的制冷能力的曲线图。
图13是根据图5及图6的实施方式的平均每日制冷能量消耗的曲线图。
图14是根据图5及图6的实施方式线性化对模型预测的性能的影响的曲线图。
图15及图16示意性示出在楼宇中实施模型预测控制系统的实施例方法。
图17是用于多区域的模型预测控制系统的实施例的分散控制架构的示意图。
图18是用于多区域的模型预测控制系统的实施例的集中架构的示意图。
详细说明
在本文中，“一个实施例”、“另一实施例”或“一实施例”(或类似术语)意味着结合该实施例描述的特定特征、结构或特性被包括在至少一个实施例中。因此，在说明书的各处出现的短语“在一个实施例中”或“在一实施例中”等不一定都指同一实施例。此外，所描述的特征、结构或特性可以在一个或多个实施例中以任何合适的方式组合。以下描述提供了许多具体的细节以对实施例提供透彻的理解。相关领域的技术人员将意识到各个实施例可以在无需一个或多个具体细节情况下实践，或者可利用其他方法、组件、材料等来实践各种实施例。在其他情况下，一些或所有已知的结构、材料或操作在此不进行详细显示或描述，以避免混淆。
本文使用的词语“示例性”意指“用作示例、实例或说明”。本文中描述为“示例性”的任何实施例不一定被解释为比其他实施例优选或有利。除非从上下文有明显相反的意思，如本文所使用的，单数“一”和“一个”可以被解释为包括复数“一个或多个”。
除非上下文需要，在说明书和权利要求中使用诸如“第一”和“第二”的术语仅是为了简洁和清楚起见，并不一定意味优先权或顺序。应用于规定的数值的术语“约”和“大约”涵盖本领域普通技术人员将理解的精确值和合理的方差，并且除非另有说明，术语“一般”和“基本上”也以类似方式理解。
从下文的各种非限制性示例可以明显看出，本公开的实施例可以有广泛的应用，其包括但不限于控制楼宇中的环境中或楼宇的特定区域中的环境。“楼宇”一词被宽泛地用来指有屋顶和墙壁的结构，并且可以比该词的普通字典含义更广泛地解释。可以应用本公开的实施例的楼宇的示例包括但不限于高层建筑物和摩天大楼、诸如医院或地下结构的专用楼宇、临时避难所和永久结构、用于人类居住的结构以及用于其他用途，如农业结构、气候可控的室内空间等。
图1示出了配置于楼宇80内、用于环境控制的楼宇控制系统100(或楼宇服务控制系统)的实施例。楼宇控制系统100包括设置于楼宇80内、周围或附近的一个或多个传感器200及一个或多个楼宇环境致动器300(为了简洁起见，下文均称为“致动器”)。控制系统100包括可操作地与一个或多个传感器200及一个或多个致动器300耦接或信号通信的实地或远程模型预测控制系统110。一个或多个传感器200可包括一个或多个湿度传感器、温度传感器、照明/亮度传感器、二氧化碳传感器等。一个或多个传感器200还可以包括一个或多个能耗计、排放传感器等。楼宇80可以具有一个或多个供暖、通风及空调(Heating,Ventilation,and Air Conditioning，HVAC)系统及/或空调及机械通风(Air-conditionand Mechanical Ventilation，ACMV)系统。一个或多个致动器300可包括一个或多个HVAC/ACMV致动器310、调光器、可控窗帘或百叶窗320、恒温器、动态立面等。
一些示例，在楼宇80的一个或多个选定的房间/空间82/84提供一个或多个传感器200，而在楼宇80的一个或多个选定的房间/空间84还提供一个或多个传感器200及一个或多个致动器300。并非楼宇80的所有房间/空间86都需要提供传感器200或楼宇环境致动器300。楼宇控制系统100可配置用于一个或多个楼宇80的整个内部空间，或者针对楼宇80的一处或多处具体连接或未连接的区域88。
为了帮助理解，根据本公开的一个实施例的楼宇控制系统100及方法102将在以下先关于一个区域88，并参考图2的示意图进行描述，随后示出所提出的系统及方法应用于整个楼宇和/或多个区域而产生的优点。
楼宇控制系统100包括被设置为可获取区域88与楼宇操作或环境控制相关的测量值208的模型预测控制系统110。在一些示例中，测量值208可从监测区域88的一个或多个传感器200获取及/或经由在区域88中操作的一个或多个致动器300的反馈获取。在一些示例中，至少一个传感器200或致动器300可提供多种不同类型的测量值208，例如提供相对湿度测量及温度测量两者。优选地，模型预测控制系统110可接收至少两种不同类型的测量值208。在一个非限制性示例中，模型预测控制系统110可获取温度读数及二氧化碳测量值的两种不同类型的测量值208。在另一个非限制性示例中，模型预测控制系统110可被设置为获取空气流量测量值、热能计测量值及温度传感器测量值的三种不同类型的测量值208。在又一个非限制性示例中，模型预测控制系统110被设置为可从温度及相对湿度的综合传感器、空气流量传感器及二氧化碳传感器获取不同类型的测量值208。测量值208可包括测量扰动206及测量输出204中的任一或两者。测量扰动206包括区域内的环境变化的测量。测量扰动206的示例包括但不限于内部热负荷测量、HVAC/ACMV系统的回风中的二氧化碳浓度的测量、天气状况的测量。测量输出204包括但不限于区域内的室内状况的测量。测量输出204的示例包括但不限于室内热舒适度或热不适度。
由模型预测控制系统110获取的测量值208可先进行预处理。测量值可存储于数据库210中。为了本公开的目的，在测量时间或接近测量时间由模型预测控制系统110获取的测量值，被称为实时测量值202。在(相对于测量时间)后续时刻从数据库210获取的测量值被称为历史测量值212。实时测量值202可在当前的时步或当前的控制时间间隔同时使用，并且可存储于数据库210以供在后续的时步或后续的控制时间间隔(作为历史测量值212)使用。
在针对区域88第一次执行(初始化)所提出的模型预测控制系统110的示例中，模型预测控制系统110执行步骤140，基于历史测量值212构建楼宇动态模型142，可选地基于历史测量212及实时测量202两者。为了构建模型140，所需的历史测量212可从在相对短的时间段内所获取的测量值208中选择。在一个非限制性示例中，构建模型140使用历史测量212及在构建模型140前30秒内或同时收集的实时测量值。在另一非限制性示例中，构建模型140基于的历史测量212选择于在24小时期间中不同时刻获取的测量值208。使用所提出的模型预测控制系统110，无需建立基于物理的模型以描述楼宇动态。在构建及使用楼宇动态模型之前，也无需收集(如传统数据驱动模型训练所需的)数月或数季的数据。
在一些示例中，具有非线性自回归外生(Nonlinear Autoregressive Exogenous，NARX)结构的循环神经网络(Recurrent Neural Network，RNN)NARX RNN可用于构建区域88的楼宇动态模型142。也可使用用于近似区域88的动态的适合时间序列预测的其他网络结构。在一些示例中，可以使用长短期记忆(Long Short-Term Memory，LSTM)网络。在一些非限制性示例中，如图3示意性所示，模型预测控制系统110可包括由具有输出反馈的NARXRNN提供的模型构建模块140。输入变量401可包括以下的任意组合Qclg，fshade，flig，Cra，GHI，DHI及/或Iinc，其分别对应于空调提供的制冷能力(W)、遮阳度(％)、照明调光度(％)、回风二氧化碳浓度(ppm)、全局水平辐照度(W/m2)、漫射水平辐照度(W/m2)及窗户的入射辐照度(W/m2)。输出变量407可以包括以下任意一项或多项：PMVz，DGPz及/或Iz，其分别对应于室内预测平均投票(无单位)、室内日光眩光概率(无单位)及室内照度(勒克斯，lux)。输入401的时间延迟412及输出反馈409的时间延迟416，以及RNN隐藏层403中的神经元的数量均可通过试验来确定。S形(sigmoidal)激活函数455、495可在相应的隐藏层403及输出层405中，在相应的权重432、436、472及偏置434、474的基础上，应用于相应的输入及/或输出反馈。所得的楼宇动态模型142也可被称为基于机器学习的模型142。
用于近似区域88的动态的示例性非线性NARX RNN可由以下的等式(1)表示：
y(t)＝f(y(t-1),y(t-2)…y(t-nd,y),u(t-1),u(t-2)…u(t-nd,u)) (1)
其中y、f()、u、t及n分别指输出、函数、输入、时间及数字，且下标d指时间延迟。
模型预测控制系统110对基于机器学习的模型142进行线性化144以提供线性化的基于机器学习的楼宇动态模型122。继续上面的示例，将状态向量x引入非线性NARX RNN以得到以下的等式(2)：
x(t)＝[y(t-1),y(t-2)…y(t-nd,y),u(t-1),u(t-2)…u(t-nd,u)]。 (2)
在时间t，可利用泰勒展开式(Taylor Expansion)以及当前测量状态的反馈，以线性化关于当前测量状态(x(t))线性化等式(1)。为预测在时间(t+1)的输出，方程(1)变为：
其中,
等式(3)是非线性NARX RNN模型(等式(1))在时步t处的线性近似。
再次参考图2，模型预测控制系统110的模型预测控制器(MPC)120被设置为可使用成本函数124搜索优化的操纵变量，旨在优化或最小化表示于成本函数124中的多个目标、操纵变量112与性能目标125的偏差、以及约束126的违反。
MPC 120被设置为可生成一系列操纵变量112(本文中也称为目标变量输出)。每个操纵变量112为对应于至少一个性能目标125的优化定量值。操纵变量112作为用于控制至少一个致动器300的目标，以实现区域88环境的改变。操纵变量112的示例包括但不限于HVAC/ACMV系统的制冷能力设定点、预测平均投票(PMV)值、目标相对湿度、目标亮度、温度、空气速度、平均辐射温度、(使用者的)衣服、以及(使用者的)新陈代谢率等。
PC 120被设置为可参考区域88的至少一个(环境控制相关的)性能目标125。该至少一个性能目标125可预设或被动态确定。在一些实施例中，成本函数124包括对应于多个性能目标125的多个项，使得MPC 120可针对多个目标进行优化。例如，成本函数124可具有至少两个性能目标125，或诸如热舒适度及节能的目标。性能目标125的示例包括但不限于优化能源效率及改善使用者的热舒适度等。
成本函数124也可被描述为目标函数。尽管本公开的实施例不排除使用线性成本函数，本公开的各种优点在以其他方式表述成本函数，使得其更好地反映楼宇控制作为复杂多变量问题的本质时，更为明显。为了说明，根据本公开的实施例的模型预测控制器120中采用的示例性成本函数124，在以下等式(4)中描述。
其产生如下等式(5)所示的约束126，
0≤Qclg≤Qcc,-0.5-ε≤PEV≤0.5+ε。 (5)
其中符号J为目标，Q为热流率(瓦特)，sf为比例因子，PMV为PMV指数，W为惩罚因子，N为预测范围，ε为松弛变量。下标ref为参考，clg为制冷，cc为制冷功率，k为时步的索引。等式(4)右侧的三项分别表示制冷能量的成本、热不适性的成本及违反约束的成本。
在该非限制性示例中，成本函数124被设置为在HVAC/ACMV系统的所选预测范围内，搜索呈制冷能力设定点形式的最佳操纵变量112，且同时考虑能源的使用情况的优化，其中该优化根据HVAC/ACMV风机盘管的热流率计算及根据预测平均投票(PMV)得到的热舒适度。室内PMV的约束126可设在(-0.5，0.5)的范围内，以环境在热舒适性方面保持于对预期使用者舒适的范围内。更具体地，参考PMV可被设为0，对应于热中性。所施的约束确保HVAC/ACMV系统的最大制冷功率保持于其制冷能力以下。HVAC/ACMV系统的制冷功率的比例因子被设置为其制冷能力。热不适的惩罚因子(WPMV)及约束(Wε)可分别设置为4及10000。该设置驱动模型预测控制器120跟踪热中性并于寻求最小化制冷能量消耗时尽可能避免违反约束。控制间隔及预测范围可分别设置为5分钟及12个控制间隔。
一些致动器300可直接由操纵变量112控制。在一些示例中，致动器300的操作参数可由本地控制器130调节。当操纵变量112从模型预测控制器120传送至本地控制器130时，本地控制器130被设置为可相应地控制致动器300，以改变区域88的环境。本地控制器130可以是比例积分微分(proportional–integral–derivative，PID)控制器。
MPC 120还可被设置为可周期性地确定及更新至少一个操纵变量112，并且将相应的更新后的操纵变量，发送至相应的致动器300。例如，在初始化时，MPC 120可发送操纵变量，将针对第一控制间隔生成的操纵变量112传送给本地控制器130。本地控制器130(其可基于PID控制)通过调节相关致动器300(例如，HVAC/ACMC系统的水阀门及风扇)以追踪操纵变量112(例如，制冷能力设定点)。楼宇的实时测量输出204(例如，室内热舒适度)及测量扰动206(例如，天气状况及内部热负荷)可被反馈到模型预测控制系统110，并存储于数据库210中。
对于后续的控制间隔，模型预测控制系统110被设置为执行(在第一控制间隔处获取)非线性楼宇动态模型142的瞬时线性化144。换言之，模型预测控制系统被设置为，在每个控制间隔迭代地重新生成线性化楼宇动态模型。后续的每个控制间隔处的模型线性化144可基于实时测量202。实时测量202可包括实时测量输出204及实时测量干扰206两者。再生的线性化楼宇动态模型122可用于在控制间隔更新操纵变量112。在一个实验中，当实施本公开的模型预测控制系统时，操纵变量可每五分钟更新一次。在一些实施例中，线性化楼宇动态模型122可根据预定规则重新生成，例如在一段时间内周期性地及/或响应于满足一个或多个预定条件，而重新生成。重新生成线性化楼宇动态模型122本质上形成更新的模型预测控制器122。在一些实施例中，线性化楼宇动态模型122的重新生成可与至少一个操纵变量112的更新同步。在其他实施例中，线性化楼宇动态模型122的再生与至少一个操纵变量112的更新形成相位移。
模型预测控制系统110还被设置为可不时地对非线性楼宇动态模型141进行适配。在执行模型适配过程141时，基于机器学习的适配后非线性楼宇动态模型被线性化144，以提供基于机器学习的线性化楼宇动态模型122，以供MPC120使用。用于模型适配过程141的测量值208可包括实时测量值202及历史测量值212。用于模型适配过程141的测量值208可包括测量输出204以及测量扰动206。根据本公开的优选实施例，每次执行模型适配过程141时，适配后模型142被用作于在多个控制间隔中，重新生成线性化模型122的基础。模型适配可在模型适配间隔执行，其中每个模型适配间隔优选地明显地比一个控制间隔长。为了说明，在一个非限制性示例中，模型适配间隔为24小时(以覆盖楼宇的完整昼夜运行周期)，且控制间隔为5分钟(以实现在24小时内发生的可变干扰或变化的快速或“实时”响应)。在一些实施例中，模型适配过程141可由虚拟定时器触发。例如，办公楼的模型适配过程141可在夜间或通过季节变化被触发。
换言之，在选定控制间隔，使用实时测量重新生成线性化楼宇动态模型，以获得重新生成的线性化楼宇动态模型。在所选控制间隔之后的控制间隔，使用重新生成的线性化楼宇动态模型来优化成本函数。可在每个控制间隔中重新生成重新生成的线性化楼宇动态模型。在第一适配中获得的适配后非线性楼宇动态模型可用于在第一多个连续控制间隔中的每一个，重新生成线性化楼宇动态模型。在第一多个连续控制间隔之后，可执行适配后非线性楼宇动态模型的第二适配，以获得第二适配后非线性楼宇动态模型。之后，第二适配后非线性楼宇动态模型可用于在第二多个连续控制间隔中的每一个，重新生成线性动态模型。
如上所示，MPC 120可顾及多个目标或多个性能目标125(诸如热舒适性及节能)。这种协调或集成的优化，使得能够协调控制多种类型的执行器(例如，HVAC/ACMV系统及照明系统)，而非分段式及独立式的调整。本文提出的模型预测控制系统的实施例，可为改进旧楼宇的楼宇控制提供实用的解决方案。该楼宇可能配备了旧的反应式控制系统。旧的控制系统可包括各种传感器200及致动器300，其中一些提供本地控制器130。楼宇可能已经被使用，因此构建且升级基于物理模型的楼宇控制系统可能造成过多干扰、耗时且昂贵。优选地，新/升级的楼宇控制系统可继续利用现有的传感器200及致动器300，以降低费用且避免浪费。图4示出了用于在此类楼宇中的非限制性示例，实现所提出的模型预测控制系统110而无要构建基于物理的楼宇动态模型的方案500。
数据可从楼宇的旧控制系统502获取，或者以其他方式收集504，并且存储于数据库210中。从数据库210可用的历史测量，可用于训练/构建140基于机器学习的楼宇动态模型142。楼宇动态模型142设置为以集成方式、描述多种类型的性能目标及/或不同类型的操纵变量，包括各项非线性行的环境变量，因此为非线性的。基于机器学习的楼宇动态模型142被线性化144，以提供线性化楼宇动态模型122。MPC 120(基于线性化模型122制定510)可与现有楼宇控制系统的其余部分集成。例如，从模型预测控制器120输出的操纵变量112可用于现有致动器300的实时控制530及/或现有致动器的本地控制器130。方案500的特征在于至少两个数据反馈回路。数据反馈回路540的其一馈送实时测量，以针对基于机器学习的非线性楼宇动态模型进行适配141。数据反馈回路550的另一馈送实时测量值，以在下一控制间隔，重新生成线性化楼宇动态模型122。
提出的MPC 120的一个实施例(根据本公开的实施例的MPC 120)的测试案例与传统恒温器测试案例及非线性MPC测试案例比较。图5示出了办公室600的简化布设。办公室的总建筑面积相对较小(100m2)，由开放式办公区602及会议区603组成。开放式办公区602可容纳25人的座位。由于两个区域602，603通过敞开的门口606连接，所以办公室600的整个空间被认为是同一个热区域88'。开放式办公区域602的形状较为不规则，有两根柱子604、一处开放的入口605及一处可关闭的出口门606。办公室的外墙608厚0.15米，由混凝土砖石单元组成。天花板上安装18个照明灯具(未显示)，每个灯具的额定功率为45瓦特。办公室的空调由图6中示意性示出的风机盘管单元(Fan Coil Unit，FCU)700提供。FCU 700由总制冷功率为15kW的制冷盘管702及恒定风量(Constant Air Volume，CAV)组成。风扇704通过四个空气扩散器610向办公室600供应0.64m3/s的调节空气，空气扩散器610通过空气管道704连接于FCU 700。供应到FCU 700的主要空气730，来自主要空气处理单元(Primary AirHandling Unit，PAU)，其温度变化范围在实验中为25℃至27℃。室内回风通过两个回风格栅612及天花板回风道返回FCU 700。在实验之前，FCU 700仅由可被使用者手动调节的恒温器630控制。恒温器630基于PID控制，并且根据22℃与26℃之间的设定点的室内空气温度(由使用者输入)，调节机动水阀722供应制冷盘管702的冷冻水720的流量。恒温器630还根据室内空气中为700ppm的二氧化碳浓度设定点，调节通过机动空气阻尼器732的主要空气730的流量。在实验之前，FCU 700在工作日由使用者手动打开并在晚上关闭。FCU 700在周末及公共假期期间保持关闭状态。
为了在办公室600中实施所提出的模型预测控制系统110，开放办公区域及ACMV系统安装了附加传感器622，624。温度-相对湿度综合传感器622及球形温度传感器624，安装于开放办公区域内，以测量室内空气温度、相对湿度及球形温度。该测量值用于确定由PMV表示的室内热舒适度。影响PMV的其他变量(例如空气速度、使用者的新陈代谢率及使用者的衣服)，分别设定为恒定的0.1m/s、0.57met及1.2clo。热能表740安装于FCU 700的冷冻水回路720中。热能表740测量流过制冷盘管702的冷冻水的供应温度及返回温度以及流量，以计算制冷能力。其他传感器，包括温度-相对湿度综合传感器741、空气流量传感器742及二氧化碳传感器743，安装于FCU的空气回路中。
所使用的基于机器学习的模型的架构，如图3所示。制冷能力Qclg及回风的二氧化碳(CO2)浓度Cra作为输入，以预测室内PMV(测量输出，MO)。Qclg是模型预测控制系统中的操纵变量(MV)，Cra是测量扰动(MD)。来自其他相邻房间、设备及照明的热量增益被视为未测量的扰动。使用人数负荷由回风中的二氧化碳浓度表示。NARX RNN的输入及输出在下面的表1中总结。
表1.办公室NARX RNN模型的输入及输出
办公司600两周的历史楼宇运营数据(包括NARX RNN模型的输入及输出)在由其原始恒温器控制收集，其用于训练初始NARX RNN模型。数据由I/O(输入/输出)系统收集，其以5秒的间隔收集数据，并以5分钟的间隔将数据存储在服务器中。制冷能力Qclg及回风中二氧化碳浓度Cra，通过热能计740及二氧化碳传感器743测量。室内PMV通过温度-相对湿度综合传感器622及球形温度传感器624测量。历史测量值沿时间线随机分为三个子集，即70％用于模型训练，15％用于模型验证，剩余15％用于模型测试。NARX RNN模型使用Levenberg-Marquardt(LM)算法进行训练。模型训练中使用的目标函数用于预测室内PMV与测量值的均方误差(mean square error)的最小化。隐藏层中的五个神经元根据试验选择。在此设定下，初始的NARX RNN模型在训练、验证及测试阶段的R值分别为0.975、0.974及0.977。当模型预测控制系统控制办公室时，NARX RNN模型利用在线建筑运行数据继续进行更新。
具有不同控制的三个FCU 700测试案例在办公司600中进行，每个案例运行5个工作日。三个案例的检测时间为每天上午8点至晚上7点。三个案例的设定如下表2所示。分别使用实测的室内PMV及实测的FCU制冷能力，来评估三种情况的热舒适性及能效性能。实验中的两个模型预测控制案例在一般的笔记本电脑上运行。
表2.在办公室进行的测试案例的设定
图7示出了三个测试案例中每一个测试案例所测量的室内PMV的统计分布。图8示出了一个工作日上午9点到下午6点期间的PMV的时间序列。图9示出了测量的室内空气温度的统计分布。图10示出了同一天测量的室内空气温度的时间序列。由于室温与热舒适水平相关，在图7与图9的曲线图之间、以及图8与图10的曲线图之间，可以观察到对应关系。PMV基于综合热感觉模型，且考虑了除室温之外的其他因素。与建筑控制中的许多因素及参数一样，即使是PMV测量值与测量的室内空气温度之间，也没有明确的线性或直接比例关系。
其他控制方法相比，恒温器大致使办公室全天保持较低的室温，即室内空气温度中位数为23.7℃。尽管PMV保持在“舒适”范围内(-0.5，0.5)，但全天PMV远低于热中性(PMV＝0)。这说明了办公室的冷却过度。恒温器测试案例中的中位制冷能力(图11)及制冷能量(图13)，明显高于其他两个测试案例。此外，PMV及温度在整个观察期间都发生了显着变化，PMV的四分位距(interquartile range)分别为0.19及0.57℃。较大的波动为反应控制方法的特征。
非线性MPC(现有技术的MPC/基于机器学习的MPC)能够全天将PMV保持于接近热中性(PMV＝0)(图7及8)，形成最小的PMV波动量(图7及8)及测量的室内空气温度(图9及10)。非线性MPC相对于恒温器的性能改进，可归因于非线性MPC实现的预测控制。在制冷能力方面(图11)，非线性MPC相对恒温器(图13)有较大的改进，相当于节省了31.84％的制冷能量。
上述测试案例基于占地面积为100m2的办公室的一个区域。为了验证在典型商业建筑规模上实施非线性MPC的实用性，对具有60个热独立区域，且每个区域都由一个专用FCU提供服务的模拟楼宇，进行了非线性MPC的模拟。非线性MPC用了755.70秒的中央处理单元处理时间来解决非线性优化问题，并获得整个楼宇中所有FCU的最优解。换言之，非线性MPC每轮优化耗时超过2小时，远长于预期的5分钟控制间隔。这意味着非线性MPC将无法执行实时建筑控制。
使用具有瞬时线性化功能的基于机器学习的MPC进行了另一项具有类似条件及约束的模拟(具有60个独立热区域的商业建筑，每个区域均由专用FCU提供服务)。瞬时线性化的基于机器学习的MPC仅需17.14秒的中央处理单元处理时间，即可获得所有FCU的最优解决方案，比5分钟的控制间隔要短得多。这代表了计算负载的显着改进，使得实时响应建筑控制系统具有可行的预测控制器。
在另一示例中，线性化楼宇动态模型的特征在于平均处理时间(平均中央处理单元处理时间)短于控制间隔。平均处理时间包括用于线性化以获得线性化楼宇动态模型的时间及用于确定优化输出的时间。在一项测试中，控制间隔(300秒)比处理时间(0.22秒)长三个数量级。
再次参考图7至图10，可看出线性MPC 120测试案例的性能与非线性MPC测试案例的性能相当，使得楼宇控制系统的多个目标不会为了实时反应能力而被牺牲。线性MPC 120能够将PMV保持为足够接近热中性，对于使用者，非线性MPC及线性MPC 120在热舒适度或室内空气温度方面，几乎没有任何可察觉的差异。所提出的线性MPC 120的特点为制冷能力中值略高于非线性MPC(图11)，但线性MPC 120(所提出的MPC)与恒温器相比的制冷能量相比，仍提供了相当于节省了28.16％的显着改进(图13)。
进一步分析了瞬时线性化对模型预测性能的影响。两种预测模型(基于机器学习的非线性楼宇动态模型及基于机器学习的线性化楼宇动态模型)预测的室内PMV与办公室测量的室内PMV之间的绝对误差分布，如图所示14。显著地，相对于基于机器学习的楼宇动态模型(基于机器学习的楼宇模型)，基于机器学习的线性化楼宇动态模型(瞬时线性化的基于机器学习的楼宇模型)具有可比的中值、绝对误差、25百分位数及最小绝对误差。基于机器学习的线性化楼宇动态模型仅在75百分位数及最大绝对误差，略高于基于机器学习的楼宇模型。这说明了瞬时线性化不会在任何实质的方式降低模型预测性能。性能对比说明了所提出的MPC 120能够在不牺牲模型精度或环境控制精度的情况下，显着提高计算效率。
在100m2面积办公室测试案例的背景下，将非线性模型预测控制系统与所提出的模型预测控制系统110之间进行计算速度比较。在两个预测测试案例中均使用相同的普通笔记本电脑，非线性模型预测控制系统与所提出的模型预测控制系统110进行一次优化的中央处理单元处理时间，分别为8.21秒及0.03秒，这说明了与非线性MPC相比，所提出的模型预测控制系统110可显着地减少超过200倍的计算负载。随着所需计算负载的减少，所提出的模型预测控制系统110(与非线性模型预测控制系统相比)能够更频繁地更新操纵变量，而不会给楼宇控制系统带来过重的负担。这转化为影响于实时测量输出及/或实时测量扰动的变化的实时响应的改进。另外，较轻的计算负载要求还意味着所提出的模型预测控制系统110可在较旧的楼宇中实施，而无需要对现有硬件进行昂贵的检修。
所提出的MPC 120的实施例使得能够实现较轻的计算负载的楼宇控制系统的设置104。这为在一栋建筑内实施多个环境控制系统而不会加重现有计算硬件的负担，提供了选项。将模型预测控制系统110与现有楼宇控制系统集成，可包括与以下之一建立通信协议：现有计算设备、现有处理器、现有计算指令集等。通信协议的示例(用于传送控制致动器的命令72及来自传感器的反馈74)包括NiagaraTM、/> 及ModbusTM等。模型预测控制系统110可以插件模块实施，其与现有的楼宇控制系统75及现有的直接数字控制器77通信(图15)。可替代地，对于没有配备楼宇自动化控制(BuildingAutomation Controls，BAC)的楼宇，所提出的模型预测控制系统110，可通过直接数字控制器77耦接于现有传感器200及致动器300，且本质上用为BAC系统(图16)。无论楼宇是否具有现有的BAC系统或具有仅能处理相对有限的计算负载的BAC系统，均可在不需要对大多数楼宇的现有硬件进行重大升级的情况下，实施所提出的模型预测控制系统110。
如图17所示，根据本公开的一个实施例，楼宇80可被分为多个区域88。模型预测控制系统110可包括多个MPC 120，每个MPC 120部署于相应的区域88中。在控制方案810中，每个MPC 120控制不同的区域88，使得同一楼宇80的不同部分可享有不同的定制环境。
本公开的实施例，实现了楼宇控制系统的设置104，且不需要构建基于物理的楼宇动态模型。这使得本公开的MPC 120能够在构建基于物理的楼宇动态模型的楼宇构造信息(例如，建筑材料吸热/反射特性、物理尺寸、气流模式、死气空间等)不足或缺乏的楼宇中，快速实施。其还可使MPC 120能够适应可变尺寸/配置的区域。如图18所示，本公开的一个MPC 120可实施为，可控制多个区域88(在一处或多处互连的楼宇中)。在这种集中控制方案下，模型预测控制系统820可包括设置在每个区域中的至少一个传感器及至少一个致动器。在一个非限制性示例中，区域可为可连接地形成大会议室或分开以形成几个单独的会议室的房间。基于机器学习的非线性楼宇动态模型可响应于区域88设置的变化而进行调整。
在一些实施例中，模型适配过程141步骤可被自动触发，使得基于机器学习的楼宇动态模型142可响应于预定规则或条件，被适配。这提供了一种响应于楼宇变化的自动化方法。在其他示例中，预定规则对应于楼宇外部环境的变化，例如季节或一天中的时间的变化。适应过程可每24小时执行不超过一次(例如，在非工作时间期间)，而当楼宇被使用时，线性化可全天执行多次。在另一示例中，预定规则对应于楼宇的楼宇动态的变化。基于机器学习的非线性楼宇动态模型的适配可响应于一个或多个区域的配置的变化。建筑动态变化的示例包括但不限于以下：建筑体积空间的变化、房间大小或房间配置的变化、操作性能的变化、楼宇类型及/或数量的变化、传感器及/或执行器、大气辐射水平等。
楼宇自动化及控制是一个复杂的多变量问题。多个楼宇性能参数的优化必须考虑多个相互竞争的目标，例如使用者的热舒适度、能源消耗等。楼宇中的环境可能受到许多因素的影响，包括但不限于温度、压力、亮度、噪声、湿度、二氧化碳含量、氧气含量、振动等。此外，楼宇内部及周围的人类活动及人流也会影响楼宇的动态。此外，建筑动态还包括不同子系统或不同物理系统之间相互作用的影响，例如供暖和制冷系统、通风系统、照明系统。可以理解地，增加制冷系统中的空气流量将导致振动及噪音增加，其对环境有影响。此外，制冷系统的空气流量增加，导致邻近制冷系统的区域产生热量。尽管楼宇控制具有的复杂性，所提出的MPC方法102已被证实为是传统反应控制方法以及非线性预测控制方法的可行替代方案。具体地，所提出的MPC方法102对于管理整体楼宇的多个因素是可行的。仅为所提出的MPC方法102的优点之一，其特征在于在被设置为同时优化多个目标且考虑到多个楼宇服务子系统的复杂影响，具有较快的响应时间(在短至几秒的非常短的时间内完成优化和/或比其他方法快约200倍)。例如，HVAC/ACMC系统可以是一个楼宇服务子系统，并且照明系统可以是另一楼宇服务子系统。
根据一方面，所提出的MPC方法102被设置为利用楼宇动态模型及测量/预测的扰动(内部及外部热负载)以执行对楼宇的未来响应的预期。所提出的MPC 120被设置为基于模型的预测能力，对成本函数进行最小化，以获得预测范围内的最佳控制策略。基于机器学习的模型142以及线性化的楼宇动态模型122考虑了各种楼宇服务子系统之间的相互依赖性或寄生效应，其在考虑独立楼宇服务子系统时不会考虑到。本文公开的楼宇控制系统100考虑各种楼宇服务子系统(例如供暖系统、通风系统、照明系统)以及子系统之间的相互依赖性的影响，以实现对楼宇环境的控制。楼宇服务子系统之间的各种相互依赖的关系可以是非线性的，并且由根据本公开的实施例的单个基于机器学习的模型来建模。这与其他提案完全不同，在其他提案中，基于数据的模型要求每个楼宇服务子系统通过各自的子系统模型单独优化，即，针对每个特定楼宇服务子系统进行计算获得的一个单独子系统模型。
在一些实施例中，基于机器学习的楼宇动态模型142可以是控制导向的楼宇模型。线性化楼宇动态模型122可接收测量值并输出楼宇的预测环境。线性化楼宇模型能够根据当前及预计的测量值，以预测楼宇中的环境。可以理解地，基于机器学习的线性化楼宇动态模型122可考虑不同性质的测量，例如，与加热、制冷、通风、湿度等相关的测量，而无需要为每个模型开发用于不同测量类型的子模型。
本文描述的所有示例，无论是装置、方法、材料还是产品，都是为了说明和帮助理解的目的而呈现的，并且不旨在限制或穷举。本领域普通技术人员可以做出各种改变和修改而不脱离所要求保护的本发明的范围。

Claims (26)

1.一种控制区域的环境的楼宇控制方法，所述楼宇控制方法包括：
获取与所述区域相关的实时测量值，所述实时测量值包括至少两种类型的测量值；
提供线性化楼宇动态模型；及
在控制间隔中，基于所述线性化楼宇动态模型，通过优化成本函数以预测性地确定优化输出，其中所述成本函数被设置为同时优化两个或更多个目标，每个目标由不同类型的测量确定；及
使用所述优化输出以控制在所述区域中可操作的至少一个致动器，其中所述优化输出为基于所述线性化楼宇动态模型确定的所述优化输出的时间序列的其一，且其中所述优化输出对应于操纵变量的组合，每个所述操纵变量被设置为可控制所述至少一个致动器中不同的致动器。
2.根据权利要求1所述的楼宇控制方法，其特征在于还包括：
在模型适配间隔中，使用所述实时测量值及历史测量值的两者或其一，对基于机器学习的非线性楼宇动态模型进行适配，以获得适配后非线性楼宇动态模型；及
对获得的每个所述适配后非线性楼宇动态模型，使用具有反馈的线性化过程，线性化所述适配后非线性楼宇动态模型，以获得用于在后续控制间隔中优化所述成本函数的线性化楼宇动态模型。
3.根据权利要求1或2所述的楼宇控制方法，其特征在于还包括：
在选定控制间隔中，使用所述实时测量值重新生成所述线性化楼宇动态模型，以获得重新生成的线性化楼宇动态模型；及
在所述选定控制间隔之后的控制间隔中，使用所述重新生成的线性化楼宇动态模型优化所述成本函数。
4.根据权利要求3所述的楼宇控制方法，其特征在于，所述重新生成的线性化楼宇动态模型在连续控制间隔中重新生成。
5.根据权利要求2至4中的任一项所述的楼宇控制方法，其特征在于，在所述模型适配间隔中获得的所述适配后非线性楼宇动态模型被用于重新生成多个所述线性化楼宇动态模型，该多个所述线性化楼宇动态模型中的每一个对应于相应的所述连续控制间隔。
6.根据权利要求2至5中的任一项所述的楼宇控制方法，其特征在于还包括：
在第一多个连续控制间隔之后，对所述适配后非线性楼宇动态模型执行第二适配，以获得第二适配后非线性楼宇动态模型；及
在第二多个连续控制间隔中的每一个，使用所述第二适配后非线性楼宇动态模型重新生成所述线性化楼宇动态模型。
7.根据权利要求2所述的楼宇控制方法，其特征在于，在一个或多个模型适配间隔的每一个中，对所述适配后非线性楼宇动态模型进行适配，其中所述一个或多个模型适配间隔中的每一个包括多个连续控制间隔。
8.根据权利要求1至7中的任一项所述的楼宇控制方法，其特征在于，所述非线性楼宇动态模型是基于具有非线性自回归外生结构的循环神经网络。
9.根据权利要求1至8中的任一项所述的楼宇控制方法，其特征在于，所述线性化楼宇动态模型通过对给定状态向量进行泰勒展开(Taylor’s expansion)获得。
10.根据权利要求1至9中的任一项所述的楼宇控制方法，其特征在于，使用线性化过程以提供所述线性化楼宇动态模型的过程的特征在于平均处理时间短于所述控制间隔，其中所述平均处理时间包括：线性化以获得所述线性化楼宇动态模型及确定所述优化输出的时间。
11.根据权利要求10所述的楼宇控制方法，其特征在于，所述控制间隔比所述处理时间大三个数量级。
12.一种控制区域的环境的楼宇控制系统，所述楼宇控制系统包括：
至少一个模型预测控制系统，所述模型预测控制系统被设置为：
获取与所述区域相关的实时测量值，所述实时测量值包括至少两种类型的测量值；
提供线性化楼宇动态模型；及
在控制间隔中，基于所述线性化楼宇动态模型，通过优化成本函数以预测性地确定优化输出，其中所述成本函数被设置为同时优化两个或更多个目标，每个目标由不同类型的测量确定；及
使用所述优化输出以控制在所述区域中可操作的至少一个致动器，其中所述优化输出为基于所述线性化楼宇动态模型确定的所述优化输出的时间序列的其一，且其中所述优化输出对应于操纵变量的组合，每个所述操纵变量被设置为可控制所述至少一个致动器中的一个。
13.根据权利要求12所述的楼宇控制系统，其特征在于，所述模型预测系统还设置为：
在模型适配间隔中，使用所述实时测量值及历史测量值的两者或其一，对基于机器学习的非线性楼宇动态模型进行适配，以获得适配后非线性楼宇动态模型；及
对获得的每个所述适配后非线性楼宇动态模型，使用具有反馈的线性化过程，线性化所述适配后非线性楼宇动态模型，以获得用于在后续控制间隔中优化所述成本函数的线性化楼宇动态模型。
14.根据权利要求12或13所述的楼宇控制系统，其特征在于，所述模型预测系统还被设置为：
在选定控制间隔中，使用所述实时测量值重新生成所述线性化楼宇动态模型，以获得重新生成的线性化楼宇动态模型；及
在所述选定控制间隔之后的控制间隔中，使用所述重新生成的线性化楼宇动态模型优化所述成本函数。
15.根据权利要求14所述的楼宇控制系统，其特征在于，所述重新生成的线性化楼宇动态模型在连续控制间隔中重新生成。
16.根据权利要求13至15中的任一项所述的楼宇控制系统，其特征在于，在第一模型适配间隔中获得的所述适配后非线性楼宇动态模型，用于重新生成多个所述线性化楼宇动态模型，所述多个所述线性化楼宇动态模型中的每一个对应于相应的所述连续控制间隔。
17.根据权利要求13至16中的任一项所述的楼宇控制系统，其特征在于，所述模型预测控制系统还设置为：
在第一多个连续控制间隔之后，对所述适配后非线性楼宇动态模型执行第二适配，以获得第二适配后非线性楼宇动态模型；及
在第二多个连续控制间隔中的每一个，使用所述第二适配后非线性楼宇动态模型重新生成所述线性化楼宇动态模型。
18.根据权利要求13所述的楼宇控制系统，其特征在于，在一个或多个模型适配间隔的每一个中，对所述适配后非线性楼宇动态模型进行适配，其中所述一个或多个模型适配间隔中的每一个包括多个连续控制间隔。
19.根据权利要求12至18中的任一项所述的楼宇控制系统，其特征在于，所述非线性楼宇动态模型是基于具有非线性自回归外生结构的循环神经网络。
20.根据权利要求12至19中的任一项所述的楼宇控制系统，其特征在于，所述线性化楼宇动态模型通过对给定状态向量进行泰勒展开获得。
21.根据权利要求12至20中的任一项所述的楼宇控制系统，其中所述线性化楼宇动态模型的特征在于平均处理时间短于所述控制间隔，其中所述平均处理时间包括：线性化以获得所述线性化楼宇动态模型及确定所述优化输出的时间。
22.根据权利要求21所述的楼宇控制系统，其特征在于，所述控制间隔比所述处理时间大三个数量级。
23.一种楼宇，所述楼宇包括：
可在所述楼宇的一个或多个区域中操作的两个或多个楼宇服务子系统，所述两个或多个楼宇服务子系统中的至少一个可被至少一个致动器设置；
至少一个传感器被设置于所述一个或多个区域中；
基于机器学习的模型预测控制系统被设置为：
获取与所述区域相关的实时测量值，所述实时测量值包括与所述一个或多个区域相关的至少两种类型的测量值；
提供线性化楼宇动态模型；及
在控制间隔中，基于线性化楼宇动态模型，通过优化成本函数以预测性地确定优化输出，其中所述成本函数被设置为同时优化两个或更多个目标，每个目标由不同类型的测量确定；及
使用所述优化输出以控制所述至少一个致动器，其中所述优化输出为基于所述线性化楼宇动态模型确定的所述优化输出的时间序列的其一，且其中所述优化输出对应于操纵变量的组合，每个所述操纵变量被设置为可控制所述至少一个致动器中不同的致动器。
24.根据权利要求23所述的楼宇，其特征在于，其中所述模型预测系统还被设置为：
在模型适配间隔中，使用所述实时测量值及历史测量值的两者或其一，对基于机器学习的非线性楼宇动态模型进行适配；及
在每个控制间隔：
对所述非线性楼宇动态模型进行线性化；及
优化所述成本函数以获得所述优化输出，其中所述模型适配间隔包括多个所述控制间隔。
25.根据权利要求24所述的楼宇，其特征在于，其中对所述基于机器学习的非线性楼宇动态模型进行的适配响应于所述一个或多个区域的配设的变化。
26.根据权利要求25所述的楼宇，其特征在于，其中所述适配在每24小时内执行不超过一次，且其中在所述每个控制间隔进行的所述线性化在每一天内执行多次。
CN202280021760.3A 2021-03-17 2022-03-17 基于机器学习的预测性楼宇控制系统及方法 Pending CN117043689A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
SG10202102726W 2021-03-17
SG10202102726W 2021-03-17
PCT/SG2022/050146 WO2022197251A1 (en) 2021-03-17 2022-03-17 Machine learning-based predictive building control system and method

Publications (1)

Publication Number Publication Date
CN117043689A true CN117043689A (zh) 2023-11-10

Family

ID=83322377

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202280021760.3A Pending CN117043689A (zh) 2021-03-17 2022-03-17 基于机器学习的预测性楼宇控制系统及方法

Country Status (2)

Country Link
CN (1) CN117043689A (zh)
WO (1) WO2022197251A1 (zh)

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9651929B2 (en) * 2014-09-29 2017-05-16 International Business Machines Corporation HVAC system control integrated with demand response, on-site energy storage system and on-site energy generation system
KR102198817B1 (ko) * 2018-09-12 2021-01-05 주식회사 석영시스템즈 열·공조 시스템에 대한 수요 반응 결정 모델을 생성하는 방법 및 수요 반응을 수행하기 위한 방법

Also Published As

Publication number Publication date
WO2022197251A1 (en) 2022-09-22

Similar Documents

Publication Publication Date Title
Yang et al. Model predictive control with adaptive machine-learning-based model for building energy efficiency and comfort optimization
US11783203B2 (en) Building energy system with energy data simulation for pre-training predictive building models
Maddalena et al. Data-driven methods for building control—A review and promising future directions
Okochi et al. A review of recent developments and technological advancements of variable-air-volume (VAV) air-conditioning systems
Mirakhorli et al. Occupancy behavior based model predictive control for building indoor climate—A critical review
Bilous et al. Parametric analysis of external and internal factors influence on building energy performance using non-linear multivariate regression models
US10107513B2 (en) Thermodynamic modeling for enclosures
Yang et al. Machine-learning-based model predictive control with instantaneous linearization–A case study on an air-conditioning and mechanical ventilation system
Yang et al. Experimental study of a model predictive control system for active chilled beam (ACB) air-conditioning system
Zhuang et al. A new simplified modeling method for model predictive control in a medium-sized commercial building: A case study
US20040144849A1 (en) Building control system using integrated MEMS devices
CN104956280A (zh) 用于商业楼宇的社交学习软温控器
Spindler et al. Naturally ventilated and mixed-mode buildings—Part I: Thermal modeling
US20220373209A1 (en) System and method for climate control
Zhu et al. Online optimal control of variable refrigerant flow and variable air volume combined air conditioning system for energy saving
JP7343289B2 (ja) 空調負荷の予測方法および空調システム
Zhang et al. On the joint control of multiple building systems with reinforcement learning
US20110153088A1 (en) Method and system for controlling and/or regulating room comfort variables in a building
Zhao et al. Data-driven online energy management framework for HVAC systems: An experimental study
Brooks et al. Energy-efficient control of under-actuated HVAC zones in buildings
Jin et al. Prediction-based online optimal control of outdoor air of multi-zone VAV air conditioning systems
Yang et al. A machine-learning-based event-triggered model predictive control for building energy management
Peng et al. Case study review: Prediction techniques in intelligent HVAC control systems
Song et al. Model predictive control applied toward the building indoor climate
CN117043689A (zh) 基于机器学习的预测性楼宇控制系统及方法

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