CN117581065A - 用于执行热泵除霜循环的方法和系统 - Google Patents
用于执行热泵除霜循环的方法和系统 Download PDFInfo
- Publication number
- CN117581065A CN117581065A CN202280023335.8A CN202280023335A CN117581065A CN 117581065 A CN117581065 A CN 117581065A CN 202280023335 A CN202280023335 A CN 202280023335A CN 117581065 A CN117581065 A CN 117581065A
- Authority
- CN
- China
- Prior art keywords
- water
- heat pump
- mla
- expected
- temperature
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 67
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 347
- 238000004146 energy storage Methods 0.000 claims abstract description 47
- 238000012546 transfer Methods 0.000 claims abstract description 10
- 238000010257 thawing Methods 0.000 claims abstract description 6
- 238000010438 heat treatment Methods 0.000 claims description 35
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000005265 energy consumption Methods 0.000 claims description 7
- 238000010801 machine learning Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 description 26
- 238000012549 training Methods 0.000 description 22
- 239000012071 phase Substances 0.000 description 21
- 238000004891 communication Methods 0.000 description 17
- 230000008859 change Effects 0.000 description 13
- 239000003570 air Substances 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 12
- 239000008399 tap water Substances 0.000 description 11
- 235000020679 tap water Nutrition 0.000 description 11
- 230000008569 process Effects 0.000 description 9
- 238000012545 processing Methods 0.000 description 9
- 239000012782 phase change material Substances 0.000 description 8
- 239000003507 refrigerant Substances 0.000 description 8
- 238000003860 storage Methods 0.000 description 8
- 230000001276 controlling effect Effects 0.000 description 6
- 230000005611 electricity Effects 0.000 description 6
- 239000012188 paraffin wax Substances 0.000 description 6
- 239000000284 extract Substances 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000002829 reductive effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 239000007788 liquid Substances 0.000 description 4
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 4
- 241000288105 Grus Species 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 239000008236 heating water Substances 0.000 description 3
- 230000000670 limiting effect Effects 0.000 description 3
- 230000008018 melting Effects 0.000 description 3
- 238000002844 melting Methods 0.000 description 3
- 230000015654 memory Effects 0.000 description 3
- 235000019809 paraffin wax Nutrition 0.000 description 3
- 235000019271 petrolatum Nutrition 0.000 description 3
- 230000002787 reinforcement Effects 0.000 description 3
- -1 salt hydrates Chemical class 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 230000001934 delay Effects 0.000 description 2
- 239000007791 liquid phase Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 239000003345 natural gas Substances 0.000 description 2
- 150000003839 salts Chemical class 0.000 description 2
- 238000005406 washing Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 239000012080 ambient air Substances 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 230000001143 conditioned effect Effects 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005485 electric heating Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000005338 heat storage Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 229910017053 inorganic salt Inorganic materials 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000135 prohibitive effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000000246 remedial effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007790 solid phase Substances 0.000 description 1
- 230000000153 supplemental effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000001755 vocal effect Effects 0.000 description 1
- 239000001993 wax Substances 0.000 description 1
Landscapes
- Heat-Pump Type And Storage Water Heaters (AREA)
Abstract
本发明提供了一种对安装在建筑物中的供水系统的热泵进行除霜的计算机实现的方法,该供水系统包括热泵和控制模块,热泵配置成将热能从建筑物外部传递到建筑物内部的热能存储介质,控制模块配置成控制热泵的运行,供水系统配置成在一个或多个出水口处向建筑物的居住者提供由热能存储介质加热的水,该方法由控制模块执行以及包括:基于热泵的性能确定下一个除霜循环的预期开始时间;在下一个除霜循环的预期开始时间之前准备好供水系统。
Description
技术领域
本发明总体上涉及能源设施管理(utility management)。具体地,本发明涉及可用于帮助改变用户热水使用习惯的方法和系统。
背景技术
无论是在商业还是家庭环境中,全年全天都离不开热水。不言而喻,提供热水既需要清洁水,也需要热源。为了提供热水,通常集中的供水系统提供有加热系统,以将水加热到,例如由用户设定的,预定温度;通常使用一个或多个电加热元件或燃烧天然气作为热源。通常在能源(例如天然气或电力)需求旺盛期间,能源设施供应商会实行高峰价格,从而增加能源的单位成本,部分原因是需要覆盖购买更多能源来供应给消费者所带来的额外成本,部分原因是鼓励减少不必要的能源使用。然后,在能源需求低谷时期,能源设施供应商会实行非高峰价格,从而降低能源的单位成本,以激励消费者在非高峰时段而不是高峰时段使用能源,从而实现长期更平衡的能源消耗。然而,这种策略只有在消费者始终了解能源的价格变动,并且有意识地努力改变他们的能源消费习惯时才会有效。
清洁水作为能源设施目前受到广泛关注。随着清洁水越来越稀缺,人们付出了很大努力来教育公众节约清洁水,并开发出减少用水量的系统和设备,例如可以减少出水量的充气花洒和水龙头;配备有运动传感器,可以在未检测到活动时停止出水的花洒和水龙头等。然而,这些系统和设备仅限于特定用途,对不良用水习惯的影响有限。
随着人们越来越关注能源消耗对环境的影响,最近人们越来越关注使用热泵技术,作为提供家用热水的方式。热泵是一种将热能从热源转移到储热器的装置。虽然热泵需要电力来将热能从热源转移到储热器,但是,由于它的性能系数通常至少为3或4,因而通常比电阻加热器(电加热元件)更高效。这意味着在相同的用电量下,与电阻加热器相比,热泵可以为用户提供3或4倍的热量。
带走热能的传热介质称为制冷剂。来自空气(例如室外空气或来自房子里热室的空气)或地源(例如地埋回路或充满水的地埋回填井(borehole))的热能由热接收交换器提取出来,并转移到所包含的制冷剂中。压缩此时能量较高的制冷剂,使得其温度显著升高,此时热的制冷剂通过热交换器将热能交换到热水回路中。在提供热水的情况下,通过热泵提取的热量可以转移到充当热能储存器的隔热水箱中的水中,并且可以在以后需要时使用热水。根据需要,可以将热水送至一个或多个出水口,例如水龙头、淋浴器、散热器。然而,与电阻加热器相比,热泵通常需要更多时间才能使水达到所需温度,部分原因是由于热泵通常启动缓慢。
由于不同的家庭、工作场所和商业空间对热水的使用有不同的要求和偏好,因此需要新的热水供应方式,以使热泵成为电加热器的实用替代方案。此外,为了节约能源和水资源,需要调节能源和清洁水的消耗;然而,不能简单地通过限制用量来调节能源设施消耗。
因此,希望提供一种改进的用于提供热水的方法和系统。
发明内容
本发明一方面提供了一种对安装在建筑物中的供水系统的热泵进行除霜的计算机实现的方法,该供水系统包括热泵和控制模块,热泵配置为将热能从建筑物外部传递到建筑物内部热能存储介质,控制模块配置为控制热泵的运行,供水系统配置为在一个或多个出水口处向建筑物的居住者提供由热能存储介质加热的水,该方法由控制模块执行,包括:基于热泵的性能,确定下一个除霜循环的预期开始时间;通过在下一个除霜循环的预期开始时间之前运行所述热泵预定时间段来预充热能存储介质以将热能存储在热能存储介质中使得所述热能存储介质在预期开始时间之前达到第一温度的方式,在下一个除霜循环的预期开始时间之前准备供水系统。
根据本实施例,基于热泵的性能来确定热泵的下一个除霜循环的预期开始时间,然后控制模块在除霜循环开始之前预测性地准备供水系统。这样做,本实施例允许以对热水的供应干扰较小的方式执行必要的热泵除霜循环,从而使得热泵可以高效提供热水。通过预充热能存储介质,使其在下一个除霜循环的预期开始时间之前达到所需温度,当热泵的运行将被干扰时,可以确保存储足够的热能以减少对热水供应的干扰。
在一些实施例中,该方法可以至少部分地由在控制模块上实施的第一机器学习算法MLA来执行,第一MLA已经被训练基于天气数据来预测下一个除霜循环。
在一些实施例中,热泵的性能可包括热泵的平均热能输出、热泵效率、热泵的性能系数,或其组合。
热泵需要进行除霜循环的时间受到室外温度和湿度等外部因素的影响。因此,在一些实施例中,该方法还可包括接收天气数据,其中下一个除霜循环的预期开始时间进一步基于天气数据来确定。
在一些实施例中,天气数据可包括以下一项或多项:天气预报、当前天气状况、建筑物的室内温度,或其组合。
在一些实施例中,该方法还包括收集与热泵的一个或多个先前除霜循环相关的数据,其中下一个除霜循环的预期开始时间进一步基于所收集的数据确定。使用从之前的除霜循环收集的数据,例如不同天气条件或不同室内温度下的连续除霜循环之间的时间间隔、完成每个除霜循环所需的时间等,控制模块或第一MLA可以更准确地确定下一个除霜循环的预期开始时间。
在一些实施例中,预定时间段可以基于第一温度和热泵的性能和/或天气数据来设置。
在一些实施例中,第一温度可以高于由居住者设定的预设运行温度。通过将热存储介质预充至高于正常运行温度的温度,在下一个除霜循环期间可以使用更多存储的热能,从而进一步减少由下一个除霜循环引起的对热水供应的干扰。
在除霜循环期间,热泵运行受干扰,无法为建筑物供暖。因此,在一些实施例中,供水系统可包括用于升高建筑物的室内温度的中央加热系统,其中准备供水系统包括在预期开始时间之前运行热泵向中央加热系统供应热水,升高建筑物的室内温度。
在一些实施例中,供水系统可包括一个或多个电阻加热元件,其中升高建筑物的室内温度包括运行一个或多个电阻加热元件以向中央加热系统供应热水。
在一些实施例中,升高建筑物的室内温度可包括将建筑物的室内温度从当前温度升高到第二温度。
在一些实施例中,第二温度可以高于由居住者设定的预设室内温度。通过在下一个除霜循环的预期开始时间之前将建筑物的室内温度升高到比居住者设定的预设温度更高的温度(例如,高一两度),当热泵在下一个除霜循环运行时,可以确保建筑物的室内温度保持在舒适的范围内。
在一些实施例中,预充所述热能存储介质和/或升高所述建筑物的室内温度是基于能源设施使用模式所确定的热水的预期需求来执行的,能源设施使用模式是基于从供水系统获取的传感器数据由用于供水系统的第二MLA建立的。
在一些实施例中,第一温度可以由第二MLA基于能源设施使用模式来确定。
在一些实施例中,能源设施使用模式包括与时间、天数和/或日期有关的预期冷水使用量,与时间、天数和/或日期有关的预期热水使用量,与时间、天数和/或日期有关的预期能量使用量,或其组合。
在一些实施例中,该方法还可包括当对热水的预期需求低时,基于能源设施使用模式来确定下一个除霜循环的预期开始时间附近的低需求时间。
在一些实施例中,预充热能存储介质和/或升高建筑物的室内温度可以基于建筑物的预期居住率来执行的,预期居住率是基于从供水系统获取的传感器数据由用于供水系统的第三MLA来确定的。
在一些实施例中,该方法还包括当所述建筑物的预期居住率低时,基于预期居住率来确定除霜循环的预期开始时间附近的低居住率时间。
在一些实施例中,传感器数据包括一天中的时间、星期几、日期、一个或多个出水口处的水流速和/或压力、从出水口开启后的已过时间、自来水(mains water)温、一个或多个出水口处的水温、能量消耗量和/或速率、用户的当前位置,或其组合。
在某些情况下,下一个除霜循环的预期开始时间可能会尤其干扰供水系统的正常热水供应。例如,预期开始时间可能是对热水或能量预期需求较高的时段,如傍晚时分。因此,在一些实施例中,该方法还可包括基于低需求时间和/或低居住率时间来将除霜循环的预期开始时间调整为已调整开始时间。如此,有可能减少下一个除霜循环造成的干扰。
在一些实施例中,该方法还可包括运行热泵以在已调整开始时间启动下一个除霜循环。
本发明另一方面提供了一种包括机器可读代码的计算机可读介质,当该机器可读代码被处理器实施时,使得该处理器执行如上所述的方法。
本发明另一方面提供了一种用于控制供水系统的控制模块,该控制模块包括处理器,该处理器上具有经过训练以执行如上方法的机器学习算法。
本发明的每个实施方式均具有上述目的和/或方面中的至少一个,但不一定具有全部。应当理解,由于试图实现上述目的而产生的本发明的一些方面可能不满足某目的和/或可能满足本文未具体列举的其他目的。
本技术实施方式的附加和/或替代特征、方面和优点将在下文描述、附图和权利要求中清楚阐述。
附图说明
现在将参照附图对本发明的实施例进行描述,其中:
图1是示例性供水系统的系统概述示意图;
图2示意性地示出了建立使用模式的MLA的示例性训练阶段;
图3示意性地示出了MLA输出居住率预测的示例性数据处理;
图4示意性地示出了MLA预充热能存储的示例性数据处理;
图5示意性地示出了MLA激活热泵的示例性数据处理;
图6示意性地示出了MLA发起热泵除霜循环的示例性数据处理;
图7是改变用户用水习惯的一个实施例的示例性方法的流程图。
图8是调节用水量的一个实施例的示例性方法的流程图;
图9是调节用水量的一个实施例的另一示例性方法的流程图;和
图10示意性地示出了MLA输出泄漏警告的示例性数据处理。
具体实施方式
如前所述,本发明提供了使用热泵或在热泵辅助下提供热水的各种方法,并且在某些情况下还可以调节水和能量等能源设施的使用,以减少水和能量的浪费。本方法可以通过使用一种或多种机器学习算法(MLA)来实现,该机器学习算法经过训练可以根据从供水系统接收的传感器数据,通过控制模块来控制和调节供水系统的供水。例如,在训练阶段,MLA可以监控家庭环境中的家用热水使用情况,并建立正常使用模式。MLA可以基于多种不同的输入,例如一天中的时间、星期几、日期、天气等,进行训练以识别不同类型的用水情况(例如淋浴、洗手、供暖等)。在一些实施例中,MLA可以收集额外的数据,例如,系统出水口的打开时间和关闭时间、使用的持续时间、用户设置的水温以及向用户提供热水时的实际水温。在使用时,MLA可以用各种不同的方式使用所学习到的使用模式来提高使用热泵或在热泵辅助下提供热水的效率和效果。
在一些实施例中,MLA可以被训练以在打开出水口时或之前实施一种或多种节能策略,并且可选地实施一种或多种交互式策略以帮助改变水和能源的使用习惯,例如逐步减少水和/或能源的使用。
下面简要概述了若干不同类型的机器学习算法,这些算法可用于使用一个或多个MLA的实施例中。然而,应该指出的是,使用MLA来建立正常使用模式只是实现本技术的一种方式,并非必需的;在一些实施例中,控制模块可以使用适当的软件功能进行编程以达到特定目标的热水使用量,例如,水流过大时,并以预定方式做出反应。
MLA概述
本领域已知有许多不同类型的MLA。从广义上讲,有三种类型MLA:监督学习的MLA、无监督学习的MLA和强化学习的MLA。
监督学习MLA过程基于目标结果变量(或因变量),该目标结果变量将根据一组给定的预测变量(自变量)进行预测。使用这些变量集,MLA(在训练期间)生成一个将输入映射到所需输出的函数。训练过程将持续进行,直到MLA在验证数据上达到所需的准确度。基于监督学习的MLA的例子包括:回归、决策树、随机森林、逻辑回归等。
无监督学习MLA不涉及预测目标或结果变量本身。此类MLA用于将一群值聚类为不同的组,这种方法广泛用于将消费者细分为不同的组以进行特定干预。无监督学习MLA的例子包括:Apriori算法、K均值。
强化学习MLA经过训练可以做出具体决策。在训练期间,MLA暴露在训练环境中,通过试错法不断进行自我训练。MLA从过去的经验中学习,并尝试捕捉最佳知识以做出准确的决策。强化学习MLA的一个例子是马尔可夫(Markov)决策过程。
应当理解,具有不同结构或拓扑的不同类型MLA可以用于各种任务。一种特定类型的MLA包括人工神经网络(ANN),也称为神经网络(NN)。
神经网络(NN)
一般来说,给定的神经网络由一组互连的人工“神经元”组成,它们使用连接主义的计算方法来处理信息。神经网络用于模拟输入和输出之间的复杂关系(而不需要实际知道这些关系)或发现数据中的模式。首先在训练阶段对神经网络进行调节,在该阶段向神经网络提供一组已知的“输入”和信息,以调试神经网络,使其生成适当的输出(针对试图模拟的特定情况)。在此训练阶段,给定的神经网络适应正在学习的情况并改变其结构,以便给定的神经网络能够在新情况下(基于所学的内容)为给定的输入提供合理的预测输出。因此,给定的神经网络并不是试图为给定的情况确定复杂的统计安排或数学算法,而是基于对情况的“感觉”提供“直觉”的答案。因此,给定的神经网络被视为经过训练的“黑匣子”,在“匣子”中发生了什么并不重要的情况下,它可以用于针对一组给定输入来确定合理答案。
神经网络通常用于许多这样的情况,在这些情况下,只需要知道基于给定输入的输出结果即可,而输出结果的确切推导方式则不那么重要或并不重要。例如,神经网络通常用于优化服务器之间的网络流量分配,以及数据处理,包括过滤、聚类、信号分离、压缩、向量生成等。
深度神经网络
在本发明的一些非限制性实施例中,神经网络可以作为深度神经网络来实现。应当理解,神经网络可以被分为各种类型,其中之一包括循环神经网络(RNNs)。
循环神经网络(RNNs)
RNNs适合使用其“内部状态”(存储的内存)来处理输入序列。这使得RNNs非常适合诸如未分段手写识别和语音识别等任务。RNN的这些内部状态是可以控制的,被称为“门控”状态或“门控”存储器。
还应该注意的是,RNNs本身也可以被分为RNNs的各种子类。例如,RNNs包括长短期记忆(LSTM)网络、门控循环单元(GRUs)、双向RNNs(BRNNs)等。
LSTM网络是一种深度学习系统,它可以在某种意义上学习需要“记忆”事件的任务,这些事件发生在此前非常短的离散时间步。LSTM网络的拓扑可能会根据它们“学习”执行的特定任务而有所不同。例如,LSTM网络可以学习执行任务,其中事件之间出现相对较长延迟或事件以低频和高频同时发生。具有特定门控机制的RNNs称为GRUs。与LSTM网络不同,GRUs缺乏“输出门”,因此参数比LSTM网络少。BRNNs可能具有以相反方向连接的神经元“隐藏层”,因此可以使用来自过去和未来状态的信息。
残差神经网络(ResNet)
可用于实现本发明的非限制性实施例的神经网络的另一个实施例是残差神经网络(ResNet)。
深度网络自然地以端到端的多层方式集成低/中/高级的特征和分类器,并且特征的“级(level)”可以通过堆叠层的数量(深度)来丰富。
总而言之,在本发明的背景下,一个或多个MLA的至少一部分的实施可以大致分为两个阶段——训练阶段和使用阶段。首先,在训练阶段使用一个或多个适当的训练数据集对给定的MLA进行训练。然后,一旦给定的MLA学习了预期将何种数据作为输入以及提供何种数据作为输出,则给定的MLA将在使用阶段运行正在使用的数据。
供水系统
在本技术的实施例中,在家庭或商业环境中的建筑物中,冷水和热水由集中供水系统提供至多个出水口,包括水龙头、淋浴器、散热器等。图1显示了一个基于实施例的示例性供水系统。在本实施例中,供水系统100包括控制模块110。控制模块110通信地连接到供水系统的各个元件,并被配置为控制这些元件,包括流量控制130、(地源或空气源)热泵140、热能存储器150以及一个或多个电加热元件160,流量控制130为例如用于控制系统内部和外部的水流的一个或多个阀门的形式,该热泵140配置为从周围环境提取热量并将提取的热量存储在热能存储器150中以用于加热水,该电加热元件160配置为通过控制提供给电加热元件160的能量直接将冷水加热到所需温度。无论是由热能存储器150加热还是由电加热元件160加热的热水,在需要时被引导到一个或多个出水口。在实施例中,热泵140从环境中提取热量(例如空气源热泵从环境空气中提取热量,地源热泵从地热中提取热量,水源热泵从水体中提取热量),其热量被制冷剂吸收,然后从制冷剂传递至工作液体,工作液体又将热量传递至热能储存器150内的热能存储介质,在热能储存器150中,热量优选地作为潜热储存。热能存储介质的能量随后可用于加热较冷的水,例如将来自供水系统,可能是自来水系统的冷水加热到所需温度。然后可以将加热的水供应至系统中的各个出水口。
在本实施例中,控制模块110被配置为接受来自多个传感器170-1、170-2、170-3、...、170-n的输入。多个传感器170-1、170-2、170-3、...、170-n,例如可以包括设置在室内和/或室外的一个或多个空气温度传感器、一个或多个水温传感器、一个或多个水压传感器、一个或多个计时器、一个或多个运动传感器,并且可以包括与供水系统100不直接连接的其他传感器,例如GPS信号接收器、日历、例如居住者携带的智能手机上并通过通信通道与控制模块通信的天气预报应用程序等。在本实施例中,控制模块110被配置为利用接收到的输入来执行各种控制功能,例如控制通过流量控制器130流向热能存储器150或电加热元件160的水流,以加热水。在本实施例中,使用了机器学习算法(MLA)120,其可以在控制模块110的处理器(未示出)上实施,或者在通过通信信道与控制模块110的处理器进行通信的服务器上实施。可以使用控制模块110接收到的输入传感器数据对MLA 120进行训练,以基于例如一天中的时间、星期几、日期(例如季节变化、公共假日)、居住率等建立居住者的基线的水和能源使用模式。然后,可利用学习到的使用模式来确定并在某些情况下改进控制模块110执行的各种控制功能。
虽然与电阻加热器相比,热泵在加热水时通常更高效,但启动热泵需要时间,这是因为热泵在达到全功率之前必须经过检查/循环,并且也需要时间将足够量的热能转移到热能存储介质中,以使存储介质在其可用于加热水之前达到期望的运行温度;因此,从初始启动点来看,与电阻加热器相比,热泵通常需要更长的时间才能将相同量的水加热到相同的温度。此外,在一些实施例中,热泵140可以例如使用相变材料(PCM)作为热能存储介质,该相变材料在加热时从固态变为液态。在这种情况下,在热泵提取的热能产生提高热存储介质温度(在此之前,能量以潜热形式储存)的效果之前,如果PCM已变成固态的话,则可能需要更多的时间将PCM从固态变为液态。虽然这种加热水的方法速度较慢,但与电加热元件相比,它加热水消耗的能量更少,因此总体而言,节省了能源,并降低了提供热水的成本。
相变材料
在本实施例中,可以用相变材料作为热泵的热能存储介质。一类适合的相变材料是石蜡,在家用热水供应以及与热泵结合使用时,其在相关温度下会发生固液相变。特别令人感兴趣的是石蜡在40至60摄氏度(℃)范围内熔化,并且发现石蜡可以在此范围内在不同温度下融化以用于特定用途。典型的潜热容约在180kJ/kg至230kJ/kg之间,液相比热容约为2.27Jg-1K-1,固相约为2.1Jg-1K-1。可以看出,利用聚变潜热可以储存大量能量。通过将相变液体加热到其熔点以上还可以储存更多的能量。例如,当非高峰期间电力成本相对较低时,可以运行热泵,将热能存储器“充”至比正常更高的温度,使热能存储器“过热”。
合适的蜡的熔点在48℃左右,例如正二十三烷C23或石蜡C20-C33,这需要热泵在约51℃左右的温度下运行,并且能够将水加热至一般家用热水所需的45℃左右,满足例如厨房水龙头、淋浴/浴室水龙头的需求。如果需要,可在水流中加入冷水以降低水温。这要考虑热泵的温度执行情况。通常,由热泵加热的水流的输入和输出温度之间的最大差值优选地保持在5℃至7℃的范围内,但也可以高达10℃。
虽然石蜡是用作热能存储介质的优选材料,但也可以使用其他合适的材料。例如,在本系统中盐的水合物也适用于潜热存储系统。在本发明中,盐水合物是无机盐和水的混合物,相变过程中会失去全部或大部分水分。在相变过程中,水合物晶体分为无水(或含水较少)盐和水。盐水合物的优点是其导热系数远高于石蜡(高2至5倍),并且相变时的体积变化更小。目前应用的合适盐水合物是Na2S2O3·5H2O,其熔点约为48℃至49℃,潜热为200-220kJ/kg。
使用模式
图2示出了根据一个实施例建立基线能源设施使用模式的MLA 2200(例如MLA120)的训练阶段。
在该实施例中,MLA 2200在一段时间内从多个传感器和其他源接收输入,以学习例如房屋居住者使用模式。例如,实施MLA 2200的控制模块,如控制模块110,可包括时钟,并且MLA 2200可以从时钟接收当天的时间2101、日期以及星期几2102。房屋可以安装多个运动传感器,并且MLA 2200可以从运动传感器接收居住率数据2103。在下面描述的另一个实施例中,也可以基于多个因素来预测居住率。控制模块可以与一个或多个室外温度传感器通信,用于使MLA 2200接收当前天气2104的输入。控制模块还可以与一个或多个室内温度传感器通信,用于使MLA 2200接收室内温度2105。可以在供水系统的不同位置处设置多个水温、压力和流量传感器,例如在自来水入口处测量自来水入口温度2106、自来水流量2107和自来水压力2108,这些数据可以输入到MLA 2200。可以在一个或多个或每个出水口处(或者控制流向出水口水流的阀门)设置传感器,以检测各个出水口何时打开和关闭,该出水口处的水温,与热/冷水使用时间和温度2109,以及热/冷水使用量2110有关的数据可以输入到MLA 2200。MLA 2200还可以收集供水系统的能源使用2111数据,例如使用时间、能量使用量,以及在控制模块与能源供应方通信的情况下的当前价格。MLA 2200还可以收集热泵使用2112的数据,例如使用时间、使用时长等。应当注意的是,MLA接收、收集和/或使用本发明描述的所有输入传感器数据并不是必需的,并且本发明描述的输入传感器的数据列表也不是详尽的,MLA还可以根据需要接收、收集和/或使用其他输入数据。特别地,在控制模块与例如一个或多个智能设备(例如智能手机)或一个或多个居住者的个人电脑通信的实施例中,MLA可以从这些设备获取并使用其他个人数据或公共数据。
在训练阶段,MLA 2200根据接收到的输入数据为居住者建立水和能源使用模式。例如,使用模式2300可以包括热水使用模式、冷水使用模式、能源使用模式、热泵使用模式、居住率模式,其基于例如一天中的时间、星期几、日期、居住率水平等提供预期使用的基线。
居住率预测
图3示意性地示出了在控制模块(例如控制模块110)上实施MLA 3200的一个实施例,其处理一组输入数据以输出,例如房屋的居住率预测。MLA 3200可以与MLA 2200是同一个MLA,也可以是不同的MLA。MLA 3200可以使用适当的训练数据集来进行训练,例如基于一年中房屋的居住率水平和居住者到达房屋的时间安排进行训练。
MLA 3200通过控制模块从多个来源接收特定于房屋及其居住者的输入数据,数据来源包括设置在房屋周围的一个或多个传感器、一个或多个用户界面(例如,与控制模块、智能设备、个人计算机等通信的房屋周围的控制面板)、一个或多个软件程序、一个或多个公共和私有数据库等。在本实施例中,MLA 3200接收当前时间3101、日期3102和星期几3103的输入,例如从控制模块上运行的时钟和日历功能或通过通信网络远程接收。MLA 3200还接收任何特殊事件或公共假期3104的输入,例如通过用户界面从房屋居住者处获取,从居住者智能设备上的日历应用程序自动获取,或者通过通信网络从公共域获取。然后MLA3200基于输入数据确定预期居住率水平,并输出居住率预测3300。通过确定建筑物的预期居住率,可以估计或预测可能的能源设施(例如能源和水)的需求量。
在另一实施例中,当确定居住者不在房屋中时,MLA 3200接收一个或多个居住者的当前位置3105的输入。例如,居住者可以向控制模块或与控制模块通信的服务器注册一个或多个具有GPS功能的智能设备(例如智能手机),然后MLA 3200可以通过通信网络获取每个居住者注册的智能设备上接收到的GPS信号,从而接收每个居住者的当前位置。然后,基于居住者的当前位置3105和可选的其他信息,例如从公共域获得的交通状况,MLA 3200确定每个居住者到达房屋的预期到达时间3106。每个居住者的预期到达时间3106也可以基于其他输入来确定,例如当前时间3101、日期3102、星期几3103和事件日3104。然后,MLA3200可以使用预期到达时间3106来输出房屋的居住率预测3300(未来的居住率水平而不是当前的居住率水平)。
当控制模块执行供水系统的各种控制功能时,居住率预测3300是有用的指示器。例如,在预期居住者到达之前,可以将热水引流至安装在房屋中的中央加热系统的散热器。另一个例子是在预期居住者到达之前激活热泵来开始将热能存储在热能存储器中,此外,可以根据居住者的预期到达时间3106激活热泵,使得在预期居住者到达之前,热能存储器已“充满”(达到一定程度的液化)。
预充热能存储
在传统方法中,热泵从环境(例如外部空气)以及从制冷剂压缩过程中提取的热量,会直接从热泵的工作液体传递到水(例如自来水)中,如储存在隔热储水箱中,然后在需要时将储水箱中的热水供应到各个出水口。这种传统方法的一个缺点是热泵需要时间来将足够量的热量传递至水箱中的水以使水达到所需温度。因此,热泵热水器一般与传统的电阻热水器一起安装,当热泵没有充分加热水时,电阻热水器可将水加热到所需温度。
根据本发明的实施例,热能存储器150中的热能存储介质用于存储由热泵140提取的热量,并且所存储的热量可以在需要时用于加热水。在本实施例中,可通过运行热泵,在出现热水的需求之前就将热量转移到热能存储器中,从而对热能存储介质进行预充。在对热水的需求和/或对电力的需求全天波动的情况下,这可能是可取的,例如,在对热水的需求较高时运行热泵和/或电阻热水器可能成本过高,并可能在需求较高时对能源网络造成额外压力。
图4示意性地示出了在控制模块(例如控制模块110)上实施的MLA 4200的一个实施例,该MLA 4200处理一组输入数据,以输出对热能存储介质进行预充的决定,从而将其温度提高到所需的运行温度。MLA 4200与MLA 2200和/或MLA 3200可以是相同的MLA,也是不同的MLA。MLA 4200可以使用适当的训练数据集来训练,例如基于房屋的热水需求。
MLA 4200通过控制模块从多个来源接收特定于房屋及其居住者的输入数据,数据来源包括布置在房屋周围的一个或多个传感器、一个或多个用户界面(例如,与控制模块、智能设备、个人计算机等通信的房屋周围的控制面板)、一个或多个软件程序、一个或多个公共和私有数据库等。在本实施例中,MLA 4200接收当前时间和日期4101的输入,例如来自控制模块上的时钟和/或日历;以及接受能源需求数据,例如规定了能源单价的当前能源费用4102,例如在房屋提供能源的能源供应商处获得的在单位能源成本较低的非高峰期时期的数据。
可选地或此外,MLA 4200可以从如上所述建立的能源设施使用模式2300和居住率预测3300推导出能源需求数据。例如,如果房屋当前的能源使用量低于一段时间,例如,一天内的平均水平,则可认为当前的能源使用量较低;相反,如果房屋当前的能源使用量高于平均水平,则可认为当前的能源使用量较高。
然后,根据从能源供应方处接收到的能源费用信息4102(以及任何其他能源需求数据),MLA 4200可以确定当前的能源需求水平,并在认为当前能源需求较低时激活热泵,预充热能存储器4300,以便在热水需求增加之前,例如,当居住者预计到达房屋时和/或当晚上热水需求预计上升时,为提供热水做好准备。
此外,使用接收到的时间/日期4101以及能源设施使用模式2300和居住率预测3300,MLA 4200可以预测一个或多个参数,例如预期的热水使用水平和预期的能源使用水平。然后,基于预测的参数,MLA 4200可以确定需要在热能存储介质中存储的热量。例如,如果预期热水使用水平预计较高并持续较长时间,则MLA 4200可以在预期需求增加之前将热泵运行一段足够长的时间,以便将热能存储介质预充至高于正常工作温度设定(如居住者或安装人员设定)的温度,从而储存足够的能量以供持续使用热水。
本实施例利用热泵,通过使供水系统预测对热水的预期需求以便在需求增加之前准备好存储的热源,否则如果只在需求时激活热泵,热泵的响应速度可能不够快。此外,以当前能源费用为输入数据,可以在单位能源成本较低的低能源需求时段对热能存储器进行预充,并通过将能源使用从高需求时段转移到低需求时段来缓解能源网络的压力。本实施例同样适用于自给自足的家庭,因为一天中对热水和电力的需求往往呈现并行上升和下降的趋势。因此,将用于运行热泵的电力转移到电力需求低的时间,可以使自给自足的家庭运行更平稳。总体而言,本实施例能够以较低的成本使用更高效的热水供应形式,即热泵,并且几乎不会有因将水加热到所需温度而产生的延迟的缺点。
热水需求预测
图5示意性地示出了在控制模块(例如控制模块110)上实施的MLA 5200的实施例,该MLA 5200经过训练可以基于冷水的使用来确定是否激活热泵。MLA 5200与MLA 2200和/或MLA 3200和/或MLA 4200可以是相同的MLA,也可以是不同的MLA。
MLA 5200通过控制模块从多个来源接收特定于房屋及其居住者的输入数据,数据来源包括布置在房屋周围的一个或多个传感器、一个或多个用户界面(例如,与控制模块、智能设备、个人计算机等通信的房屋周围的控制面板)、一个或多个软件程序、一个或多个公共和私有数据库等。在训练阶段,MLA 5200可以被训练来识别热水使用量与冷水使用量之间的相关性。例如,MLA 5200可以经过训练,识别浴室中冷水的使用(例如马桶水箱用水)后紧跟的浴室水龙头中的热水需求(例如洗手)之间的相关性。因此,在训练阶段期间,MLA5200可以使用紧随冷水使用之后的热水使用情况相关的传感器数据来建立两个事件之间的相关程度。例如,传感器数据可包括接收第一传感器数据和接收第二传感器数据之间的已过时间、第二出水口相对于第一出水口的位置、在接收第一传感器数据之后接收第二传感器数据的频率、一天中的时间、星期几,但该列表并不详尽。
在本实施例中,MLA5200接收被激活的冷水出口的输入5101,并且基于与已建立的能源设施使用模式2300和居住率预测3300相关的当前冷水使用量,MLA5200能够根据当前冷水使用的相关程度确定可能由当前冷水使用引起的热水需求的概率。如果确定了预期的热水需求,MLA 5200可以指示控制模块激活热泵5300以满足需求。
为了确定随当前冷水使用可能出现的热水需求的概率是否足够高以值得消耗能源来运行热泵来预充热能存储介质,MLA 5200可以在训练阶段建立一个阈值,指示何时该概率值得激活热泵。在一个实施例中,该阈值可由居住者或安装人员手动建立,并手动输入需要预测激活热泵的情况。在另一实施例中,阈值可以由MLA 5200基于能源设施使用模式2300和/或居住率预测3300来建立。
在另一个实施例中,MLA 5200对是否激活热泵的判断还可以基于当前能源费用5102的输入,如从能源供应商处获得的输入。在本实施例中,可以基于在训练阶段期间从能源供应商获得的能源费用来确定阈值。可选地或此外,在运行期间,可以根据当前能源费用来修改阈值。例如,如果能源费用5102指示非高峰费用,意味着电加热元件160可以低成本运行,并且MLA 5200确定当前冷水使用量和热水的预期需求之间的相关性较低,则MLA5200可以确定没有必要激活热泵来预充热能存储器,因为不太可能需要热水;如果需要热水,可以使用电加热元件160来加热水。另一方面,如果当前能源费用5102指示单位能源成本较高时的峰值费率,这意味着使用电加热元件160加热水的费用较高,并且如果MLA 5200确定当前冷水使用量和热水的预期需求之间的相关性较低,则MLA 5200可以确定激活热泵以预充热能存储器来准备热水需求,尽管相关性较低,但成本更低,从而避免使用电加热元件160提供热水这一成本较高的选择。在后一示例中,MLA 5200可以修改阈值,使得其低于前一示例中的阈值,从而使得即使两种情况下的概率相同,也可以在后一示例中激活热泵。
通过在需要热水之前准备好供水系统,可以减少热水供应的延迟,从而通过减少居住者等待水加热时打开出水口的时间来减少清洁水的浪费。此外,通过预测热水预期需求,并在需要热水之前运行热泵,预测性地准备储存热源,就有可能利用热泵作为一种可靠的热水供应形式,减少甚至消除固有的延迟。
除霜预测
如上所述,像热泵140这样的热泵包括一个具有热交换器线圈的室外单元,其从室外空气或地面中提取热量,并将其传输到室内单元中,或者直接传输到建筑物内部以取暖,或者传输到热能存储介质中以储存待用。从室外空气中提取热能的过程会使得室外单元中的热交换器线圈冷却,空气中的水分会凝结在冷却的室外线圈上。在寒冷的室外条件下,例如当室外空气温度为5℃时,室外线圈可能会冷却到冰点以下,并且室外线圈上可能会形成霜。当室外线圈上积霜时,热泵的效率会降低,与无霜线圈相比,需要与室外空气有更大的温差才能输出相同的功率。因此,最好定期在积霜时运行热泵进行除霜循环,以便清除热泵室外单元热交换器线圈上的霜。
许多因素都会影响热泵何时需要除霜循环,例如室外温度和湿度、热泵的功率输出以及热泵的状况(例如,较旧的系统效率可能较低,需要更频繁的除霜)。一般来说,只要室外热交换器线圈上结霜,热泵就会运行除霜循环。
在除霜循环期间,热泵反向运行,将热的制冷剂发输送到室外单元以解冻热交换器线圈。例如,热泵可以运行除霜循环,直到线圈温度达到15℃左右。一旦热交换器线圈解冻,热泵就可以恢复正常的加热循环。显然,当热泵运行除霜循环时,在除霜循环完成之前,其将无法执行其将热量传递到室内单元的正常功能(例如传递到热能存储器150)。因此,在热泵除霜循环启动之前,准备好供水系统和/或建筑物可能是可取的。
图6示意性地示出了在控制模块(例如控制模块110)上实施的MLA 6200的实施例,该MLA 6200处理一组输入数据以预测热泵(例如热泵140)的下一个除霜循环。MLA 6200与MLA 2200和/或MLA 3200和/或MLA 4200和/或MLA 5200可以是相同的MLA,也可以是不同的MLA。
MLA 6200通过控制模块从多个输入源接收房屋的特定输入数据,数据来源包括布置在房屋周围的一个或多个传感器、一个或多个用户界面(例如,与控制模块、智能设备、个人计算机等通信的房屋周围的控制面板)、一个或多个软件程序、一个或多个公共和私有数据库等。在训练阶段,MLA 6200可以基于例如天气预报、当前天气条件、室内温度和从先前除霜循环收集的数据,结合对热泵性能的了解(例如热泵的平均热能输出、热泵效率或性能系数,以及与热泵性能有关的任何其他相关信息或数量),进行训练来识别需要进行除霜循环的时间,并建立在除霜循环中用于运行热泵的时间表和平均能量需求。
在本实施例中,MLA 6200接收天气预报6101的输入,例如,其可以从公共域或在控制模块上注册的智能设备上的天气应用程序获得;当前的天气状况6102,例如温度和湿度的输入,例如,其可以从公共域或布置在房屋周围的一个或多个传感器中获得;室内温度6103,例如,其可以从布置在室内的一个或多个温度传感器中获得;以及与热泵上次除霜时的上次除霜循环6104有关的数据。基于天气预报、当前天气状况和室内温度,MLA 6200可以预测下一个除霜循环6301的预期时间,例如,当出现长时间的低温和高湿度时,可能很快需要进行除霜循环,并可以估计热泵除霜所需的时长。此外,利用已建立的能源设施使用模式2300和居住率预测3300,MLA 6200可以估计在预测除霜循环期间的预期能量和热水需求,并且在预测的除霜循环之前准备好供水系统6302,例如通过在热能存储器中存储额外的热能(除了PCM中的潜热之外,还可以将能量存储为显热)、将房屋加热到高于预设温度的温度等。具体地,控制模块可以基于MLA 6200的预测,在下一个除霜循环的预期开始时间之前,提前足够的时间启动运行热泵向热能存储器中存储热能,以预充热能存储器,直到完全充满热能存储器(达到预定或最佳运行温度)。此外,由于MLA 6200可以估计热泵除霜所需的时长,因此可以通过对热能存储器进行预充来为供水系统做好准备,以确保在除霜循环的持续时间内存储足够的热能用于热水供应。
可选地或此外,MLA 6200还可以预测何时对能量和热水(例如对于水龙头、淋浴和/或中央供暖)需求较低,并确定一个热泵除霜的合适时间,如对居住者热水供应干扰较小的时间。利用这些输入,MLA 6200可以确定何时水和能源需求较低的时间段(例如夜间)和/或居住率较低的时间段(例如上学和上班时间),并将下一个除霜循环的预期开始时间调整到确定的低需求时间和/或低居住率时间。然后MLA 6200可以指示控制模块在已调整后的开始时间运行热泵启动除霜循环6301。例如,如果MLA 6200预测在傍晚时分可能需要除霜循环,此时能源和热水需求预计较高,则MLA 6200可以通过运行热泵来预充热能存储介质以存储更多能量,例如通过将热能存储介质的温度升高到更高的运行温度,以及在预测的除霜循环之前分流一些热量来预热建筑物,和/或MLA 6200可以将除霜循环的开始时间调整到晚上更晚的时间,此时需求预计较低。在另一个示例中,如果预期在白天进行除霜循环,则MLA 6200可以基于居住率预测和/或使用模式来确定,下一个除霜循环是在能量和热水需求较低的时间段,例如当预计居住率较低或为零的时间段,从而确定不需要准备或调整。
通过根据例如热泵的性能、天气预报、当前天气状况、当前室内温度、预期居住率和对热水的需求等,预测热泵的下一个除霜循环并在除霜循环启动前预测性地准备供水系统,本实施例允许以较少干扰热水供应的方式执行必要的热泵除霜循环,从而使热泵能够作为提供热水的有效方式。
冷水建议
在一个实施例中,提供了一种监测和交互式修改居住者用水习惯的方法和系统。这些方法可以由MLA7200实现。MLA 7200可以是与MLA 2200和/或MLA 3200和/或MLA 4200和/或MLA 5200和/或MLA 6200相同的MLA,也可以是不同的MLA。在训练阶段,MLA 7200会获得与用水相关的数据,例如房屋居住者的用水量,以建立正常的用水模式。此外,MLA 7200还可以被训练来辨认或识别正常使用模式中的实例:打开出水口以提供由居住者设定的温度为T1的热水,但随后在水被加热到T1之前关闭出水口。当用热泵提供热水时,这一点尤其相关,因为可能存在这样的情况:在激活热泵时,热泵提取的能量必须首先将热能存储介质加热到所需的运行温度,然后该热能存储介质才能充分加热水。如果热泵响应热水需求而激活,但在水被加热到所需温度之前出水口就被关闭,则用于运行热泵的能量(电力)就会被浪费,因为居住者实际上并没有得到热水。鉴于此,当确定一个这样的短时实例时,MLA7200可以经训练采用一个或多个节能策略。
参照图7,在S7001,居住者将出水口的水温设定为T1,并打开出水口。在S7002,控制模块例如通过使用一个或多个传感器检测向供水系统供水的水源处的水压或水流量的变化来确定出水口是打开的,在S7003处的控制模块运行MLA 7200来监测出水口的水温变化。随后,在S7004处的控制模块确定出水口是关闭的,并且在S7005处的MLA 7200确定在打开出水口的时间段内水温是否已达到用户设定的T1。如果是,则该方法结束,不再采取进一步行动。
如果在S7005确定在打开出水口的时间段内水温尚未达到T1,则MLA 7200可以采用一种或多种节能策略。在一个实施例中,MLA 7200在S7006处激活软件功能来生成通知,以通知居住者在出水口被关闭之前水尚未达到预设温度。MLA 7200可以选择在S7007处记录事件。
随后,居住者可以再次将同一出水口的水温设置为T1,并打开出水口。在确定打开出水口之前或之时,在本实施例中,MLA 7200将该用水实例识别为一个短时实例,在该短时实例中,在用户关闭出水口之前水温不可能达到T1,然后激活软件功能产生提示信号,提示用户将水温设置为较低温度T2或使用冷水代替热水。提示信号可以例如是出水口处或附近的闪光、产生预定声音或音调、口头和/或视觉提示(例如播放消息或图像)等。MLA 7200可以基于所建立的使用模式来确定这样的短时实例,或者使用一个或多个指示器来识别这样的短时实例。例如,MLA 7200可以使用出水口的位置或需要热水的时间作为指示器。作为另一个示例,MLA 7200可以预先确定这种短时热水使用实例之前的冷水使用情况,例如当马桶被冲水然后重新注水时,和随后洗手的热水需求之间的相关性,并使用这种冷水使用情况作为一个指示器。
因此,根据本实施例,当居住者要求使用热水,但使用热水的时间不够长,不足以将将水加热到相应温度时,会提醒居住者。此外,在下一次使用时长可能较短时,会提示用户使用温度较低的水或冷水,而不是热水,这样用户可以避免在可能不必要的情况下要求供水系统提供热水从而浪费能源。因此,本实施例能够交互式地修改居住者的热水使用习惯,以减少能源的使用。
在图8所示的另一补充或可选的实施例中,居住者在S8001再次将水温设置为T1并打开出水口。控制模块在S8002处确定出水口是打开的之前或之时,MLA 7200将该用水实例识别为短时实例,并通过使控制模块将出水口的温度设定从T1变为较低温度T2来采用附加或可选的节能策略。温度T2可能比T1低,但仍可加热,或者T2可代表来自自来水管的未加热冷水。在控制模块的控制下,供水系统在S8003处向出水口输出温度为T2的水。
因此,根据本实施例,当MLA 7200识别出短时实例时,控制模块会主动降低水温。通过降低水温,减少加热水所需的能量。这样做,本实施例在不需要热水时减少了能量消耗。
在图9所示的又一补充或可选的实施例中,居住者在S9001再次将水温设置为T1并打开出水口。控制模块在S9002确定出水口是打开的之前或之时,MLA 7200将该用水实例识别为短时实例,并通过使控制模块将出水口的流速调整为较低流速来采用附加或可选的节能策略。在控制模块的控制下,供水系统在S9003处以较低的流速向出水口输出水。
因此,根据本实施例,当MLA识别出短时实例时,控制模块主动减少水流量。当水例如,通过电加热元件等加热时,本实施例尤为相关,因为通过减少水流量,需要加热的水量就会减少,加热所用水量所需的能源也会减少。这样,本实施例既减少了水的消耗,也减少了能源消耗。
漏水警告
图10示意性地示出了在控制模块(例如控制模块110)上实施的MLA 1200的实施例,该MLA 1200处理一组传感器数据以输出针对特定建筑物的漏水警告。MLA 1200可以是与MLA 2200和/或MLA 3200和/或MLA 4200和/或MLA 5200和/或MLA 6200和/或MLA 7200相同的MLA,也可以是不同的MLA。
MLA 1200通过控制模块从多个输入源接收房屋的特定输入数据,包括布置在房屋周围的一个或多个传感器、一个或多个用户界面(例如,与控制模块、智能设备、个人计算机等通信的房屋周围的控制面板)、一个或多个软件程序、一个或多个公共和私有数据库等。在本实施例中,MLA 1200接收当前时间、日期1101的输入,例如从控制模块上运行的时钟和日历功能或通过通信网络远程接收,然后通过使用所建立的能源设施使用模式2300和居住率预测3300,MLA 1200可以估计当前时间和日期的预期用水量。另外,MLA 1200接收,例如通过房屋自来水入口处的传感器进行测量的自来水入口温度1102、自来水流速1103和自来水压力1104的输入,并确定实时用水量。MLA 1200然后可以基于预期使用量和实时使用量来确定当前用水量是否符合预期,并且如果当前用水量超过预期使用量,则MLA 1200输出漏水警告1300。MLA 1200可以预先经过培训,以识别当前用水量超过预期用水量的情况是与系统中的漏水有关,还是与需求的意外增加有关,例如天气变化或居住者需求增加。在一些实施例中,MLA 1200可以设置有阈值,用水量与预期使用量之间的差值超过阈值,则被视为漏水。可选地,MLA 1200可以在训练阶段建立这样的阈值,或者在使用时例如基于用户反馈来调整阈值。
通过建立能源设施使用模式并根据该模式监控当前用水量,可以检测系统中潜在的漏水情况,并在漏水变得更严重之前向居住者发出早期警告,以便采取补救或纠正措施。
上述各种MLA可以指相同或不同的MLA。如果有多个MLA,则一个或部分或全部MLA可以在控制模块110上实行,并且一个或部分或全部MLA可在通过通信信道与控制模块110通信的服务器(例如云服务器)上实施。本领域技术人员应当理解,上述实施例可以根据需要以任何组合、并行或可选策略来实现。
本领域技术人员应当理解,本技术可以体现为系统、方法或计算机程序产品。相应地,本技术可以采取完全硬件化、完全软件化或软硬件结合的形式。
此外,本技术还可以采用计算机程序产品的形式,嵌入于具有计算机可读程序代码的计算机可读介质中。计算机可读介质可以是计算机可读信号介质或计算机可读存储介质。计算机可读介质可以是,包括但不限于,电学、磁性、光学、电磁、红外或半导体系统、装置或设备,或上述介质的任何适当组合。
用于执行本技术的操作的计算机程序代码可以以一种或多种编程语言的任意组合来编写,包括面向对象的编程语言和传统的过程编程语言。
例如,用于执行本技术的运行的程序代码可以包括C语言等常规编程语言(解释或编译)的源代码、目标代码或可执行代码,或包括汇编代码,或包括用于设定或控制ASIC(专用集成电路)或FPGA(现场可编程门阵列)的代码,或VerilogTM或VHDL(极高速集成电路硬件描述语言)等硬件描述语言代码。
程序代码可以完全在用户计算机上实施;也可以部分在用户计算机上实施,部分在远程计算机上实施;或者完全在远程计算机或服务器上实施。在后一种情况下,远程计算机可以通过任何类型的网络连接到用户的计算机。代码组件可以体现为过程、方法等,并且可以包括子组件,子组件可以采取任何抽象层次的指令或指令序列的形式,从本地指令集的直接机器指令到高级编译或解释语言结构。
本领域技术人员还清楚的是,根据本技术的优选实施例的逻辑方法可以全部或部分地体现在逻辑装置中,该逻辑装置包括用于执行该方法的步骤的逻辑元件,并且这种逻辑元件可以包括诸如可编程逻辑阵列或专用集成电路中的逻辑门等组件。这种逻辑装置还可以体现为使用虚拟硬件描述语言等用于在这样的阵列或电路中临时或永久地建立逻辑结构的使能元件,其可以使用固定或可传输载体介质来进行存储和传输。
本文所述的示例和条件语言旨在帮助读者理解本发明的原理,而不是将其范围限制于此类具体引用的示例和条件。应当理解的是,本领域的技术人员可以设计出各种布置,这些布置虽然没有在本文中明确描述或显示,但体现了本发明的原理,并包含在所附权利要求书定义的范围内。
此外,为了帮助理解,上述说明可能描述了本发明相对简化的实施方式。正如本领域技术人员所理解的,本发明的各种实施方式可能更加复杂。
在一些情况下,还可以设定对本技术进行修改的有益示例。这样做仅仅是为了帮助理解,并且再次强调,这不会限制本发明的范围或阐述本发明的界限。这些修改并不详尽,并且本领域技术人员仍然可以在本发明的范围内做出其他修改。此外,在未列出修改示例的情况下,不应解释为不可能进行修改和/或所描述的是实现本发明该要素的唯一方式。
此外,本文中叙述的该技术的原理、方面和实现方式及其具体示例的所有陈述旨在涵盖其结构和功能等同物,无论它们是当前已知的还是将来开发的。因此,例如,本领域技术人员将理解,本文中的任何框图都是体现本发明的原理的说明性电路的概念视图。类似地,应当理解,任何流程图、流程示意图、状态转换图、伪代码等都代表各种过程,这些过程可以在计算机可读介质中进行实质性表示,并由计算机或处理器实施,无论是否明确显示了计算机或处理器。
图中所示各种元件的功能,包括任何标为“处理器”的功能块,都可以通过使用专用硬件以及能够与适当软件一起实施软件的硬件来实现。当由处理器提供时,功能可以由单个专用处理器、单个共享处理器或者多个单独的处理器提供,其中一些处理器可以是共享的。此外,术语“处理器”或“控制器”的明确使用不应被解释为排他地指能够实施软件的硬件,可能隐含地包括但不限于数字信号处理器(DSP)硬件、网络处理器、应用特定集成电路(ASIC)、现场可编程门阵列(FPGA)、用于存储软件的只读存储器(ROM)、随机存取存储器(RAM)和非易失性存储器。还可以包括其他常规和/或定制的硬件。
软件模块或隐含为软件的简单模块在本文中可以被表示为流程图元素或指示过程步骤的执行和/或文本描述的其他元素的任意组合。这样的模块可以由明确或隐含地示出的硬件来实施。
本领域技术人员将清楚,在不脱离本技术的范围的情况下,可以对前述示例性实施例进行许多改进和修改。
Claims (23)
1.一种对安装在建筑物中的供水系统的热泵进行除霜的计算机实现的方法,所述供水系统包括所述热泵和控制模块,所述热泵配置成将热能从所述建筑物外部传递到所述建筑物内部的热能存储介质,所述控制模块配置成控制所述热泵的运行,所述供水系统配置成在一个或多个出水口处向所述建筑物的居住者提供由所述热能存储介质加热的水,所述方法由所述控制模块执行并且包括:
基于所述热泵的性能,确定下一个除霜循环的预期开始时间;以及
通过在所述下一个除霜循环的预期开始时间之前运行所述热泵预定时间段来预充所述热能存储介质以将热能存储在所述热能存储介质中使得所述热能存储介质在所述预期开始时间之前达到第一温度的方式,在所述下一个除霜循环的预期开始时间之前准备所述供水系统。
2.根据权利要求1所述的方法,其中所述方法至少部分地由在所述控制模块上实施的第一机器学习算法MLA执行,所述第一MLA已被训练以预测下一个除霜循环。
3.根据权利要求1或2所述的方法,其中所述热泵的性能包括所述热泵的平均热能输出、热泵效率、所述热泵的性能系数,或其组合。
4.根据前述任一权利要求所述的方法,还包括接收天气数据,其中所述下一个除霜循环的预期开始时间进一步基于所述天气数据来确定。
5.根据权利要求4所述的方法,其中所述天气数据包括以下一项或多项:天气预报、当前天气状况、所述建筑物的室内温度,或其组合。
6.根据前述任一权利要求所述的方法,还包括收集与所述热泵的一个或多个先前除霜循环相关的数据,其中所述下一个除霜循环的预期开始时间进一步基于所收集的数据来确定。
7.根据权利要求2至6中任一项所述的方法,其中所述预定时间段基于所述第一温度和所述热泵的性能和/或所述天气数据来设定。
8.根据前述任一权利要求所述的方法,其中所述第一温度高于由居住者设定的预设运行温度。
9.根据前述任一权利要求所述的方法,其中所述供水系统包括用于升高所述建筑物的室内温度的中央加热系统,其中准备所述供水系统包括在所述预期开始时间之前通过运行所述热泵向所述中央加热系统供应热水,来升高所述建筑物的室内温度。
10.根据权利要求10所述的方法,其中所述供水系统包括一个或多个电阻加热元件,其中升高所述建筑物的室内温度包括运行所述一个或多个电阻加热元件以向所述中央加热系统供应热水。
11.根据权利要求9或10所述的方法,其中升高所述建筑物的室内温度包括将所述建筑物的室内温度从当前温度升高到第二温度。
12.根据权利要求11所述的方法,其中所述第二温度高于由居住者设定的预设室内温度。
13.根据前述任一权利要求所述的方法,其中预充所述热能存储介质和/或升高所述建筑物的室内温度是基于能源设施使用模式所确定的热水的预期需求来执行的,所述能源设施使用模式是基于从所述供水系统获取的传感器数据由用于所述供水系统的第二MLA建立的。
14.根据权利要求13所述的方法,其中所述第一温度由所述第二MLA基于所述能源设施使用模式来确定。
15.根据权利要求13或14所述的方法,其中所述能源设施使用模式包括与时间、星期几和/或日期有关的预期冷水使用量,与时间、星期几和/或日期有关的预期热水使用量,与时间、星期几和/或日期有关的预期能量使用量,或其组合。
16.根据权利要求13、14或15所述的方法,还包括当对热水的预期需求低时,基于所述能源设施使用模式来确定所述下一个除霜循环的预期开始时间附近的低需求时间。
17.根据前述任一权利要求所述的方法,其中预充所述热能存储介质和/或升高所述建筑物的室内温度是基于所述建筑物的预期居住率来执行的,所述预期居住率是基于从所述供水系统获取的传感器数据由用于所述供水系统的第三MLA确定的。
18.根据权利要求17所述的方法,还包括当所述建筑物的预期居住率低时,基于所述预期居住率来确定所述除霜循环的预期开始时间附近的低居住率时间。
19.根据权利要求13至18中任一项所述的方法,其中所述传感器数据包括一天中的时间、星期几、日期、所述一个或多个出水口处的水流速和/或压力、出水口开启后的已过时间、自来水温、所述一个或多个出水口处的水温、能量消耗量和/或速率、用户的当前位置,或其组合。
20.根据权利要求16或18所述的方法,还包括基于所述低需求时间和/或所述低居住率时间来将所述除霜循环的预期开始时间调整为已调整开始时间。
21.根据权利要求20所述的方法,还包括运行所述热泵以在所述已调整开始时间启动所述下一个除霜循环。
22.一种计算机可读介质,包括机器可读代码,当所述机器可读代码被处理器实施时,使得所述处理器执行前述权利要求中任一项所述的方法。
23.一种配置用于控制供水系统的控制模块,所述控制模块包括处理器,所述处理器上具有经过训练以实施权利要求1至21中任一项所述的方法的机器学习算法。
Applications Claiming Priority (11)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
GB2101678.7 | 2021-02-07 | ||
GB2109599.7 | 2021-07-02 | ||
GB2109596.3 | 2021-07-02 | ||
GB2109600.3 | 2021-07-02 | ||
GB2109598.9 | 2021-07-02 | ||
GB2109597.1 | 2021-07-02 | ||
GB2109593.0 | 2021-07-02 | ||
GB2109594.8 | 2021-07-02 | ||
GB2111084.6A GB2604955B (en) | 2021-02-07 | 2021-08-02 | Methods and systems for performing a heat pump defrost cycle |
GB2111084.6 | 2021-08-02 | ||
PCT/IB2022/051079 WO2022168047A1 (en) | 2021-02-07 | 2022-02-07 | Methods and systems for performing a heat pump defrost cycle |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117581065A true CN117581065A (zh) | 2024-02-20 |
Family
ID=89890457
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202280023335.8A Pending CN117581065A (zh) | 2021-02-07 | 2022-02-07 | 用于执行热泵除霜循环的方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117581065A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102798214A (zh) * | 2012-07-27 | 2012-11-28 | 太原理工大学 | 一种相变蓄热空气源热泵热水机组 |
WO2014087701A1 (ja) * | 2012-12-04 | 2014-06-12 | リンナイ株式会社 | 給湯システム |
JP2019007692A (ja) * | 2017-06-26 | 2019-01-17 | 株式会社ノーリツ | 貯湯給湯装置 |
CN109690219A (zh) * | 2016-06-23 | 2019-04-26 | 苏纳珀有限公司 | 蒸汽压缩制冷系统中的反循环除霜基于相变材料的增强 |
CN209495387U (zh) * | 2018-12-28 | 2019-10-15 | 北京华业阳光新能源有限公司 | 带有补热除霜控制回路的低环境温度空气源热泵热风机 |
CN112050293A (zh) * | 2020-09-14 | 2020-12-08 | 西安交通大学 | 一种基于相变材料的除霜时补偿室内温度变化的空调系统 |
WO2021002003A1 (ja) * | 2019-07-04 | 2021-01-07 | 三菱電機株式会社 | 給湯システム |
-
2022
- 2022-02-07 CN CN202280023335.8A patent/CN117581065A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102798214A (zh) * | 2012-07-27 | 2012-11-28 | 太原理工大学 | 一种相变蓄热空气源热泵热水机组 |
WO2014087701A1 (ja) * | 2012-12-04 | 2014-06-12 | リンナイ株式会社 | 給湯システム |
CN109690219A (zh) * | 2016-06-23 | 2019-04-26 | 苏纳珀有限公司 | 蒸汽压缩制冷系统中的反循环除霜基于相变材料的增强 |
JP2019007692A (ja) * | 2017-06-26 | 2019-01-17 | 株式会社ノーリツ | 貯湯給湯装置 |
CN209495387U (zh) * | 2018-12-28 | 2019-10-15 | 北京华业阳光新能源有限公司 | 带有补热除霜控制回路的低环境温度空气源热泵热风机 |
WO2021002003A1 (ja) * | 2019-07-04 | 2021-01-07 | 三菱電機株式会社 | 給湯システム |
CN112050293A (zh) * | 2020-09-14 | 2020-12-08 | 西安交通大学 | 一种基于相变材料的除霜时补偿室内温度变化的空调系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
GB2604954A (en) | Methods and systems for modifying heated water usage | |
US20240102695A1 (en) | Methods and systems for modifying heated water usage | |
WO2022168042A1 (en) | Methods and systems for predictive heated water provision | |
WO2022168040A1 (en) | Methods and systems for detecting water leakage | |
CN117581065A (zh) | 用于执行热泵除霜循环的方法和系统 | |
AU2022216916B2 (en) | Methods and systems for performing a heat pump defrost cycle | |
AU2022216915B2 (en) | Methods and systems for predictive heated water provision | |
AU2022217537B2 (en) | Methods and systems for predictively preparing water provision system | |
CN117441138A (zh) | 用于改变热水使用的方法和系统 | |
CN117321341A (zh) | 用于预测性地准备供水系统的方法和系统 | |
WO2022168031A1 (en) | Methods and systems for modifying heated water usage | |
GB2613983A (en) | Methods and systems for detecting water leakage | |
WO2022168047A1 (en) | Methods and systems for performing a heat pump defrost cycle | |
WO2022168045A1 (en) | Methods and systems for predictively preparing water provision system | |
AU2022216913B2 (en) | Reduction of water/energy waste in a water provision system | |
US20240093885A1 (en) | Reduced temperature water supply mode in a water provision system | |
CN117063017A (zh) | 基于供水系统中当前费率调节能源使用 | |
CN117242303A (zh) | 供水系统中的降低温度的水供应模式 | |
WO2022168032A1 (en) | Reduction of water/energy waste in a water provision system | |
KR20230154023A (ko) | 급수 시스템에서 현재 요금에 기반하여 에너지 사용량을 조절하는 방법 | |
WO2022168037A1 (en) | Reduced temperature water supply mode in a water provision system | |
CN116940792A (zh) | 降低供水系统中的水耗/能耗 |
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 |