DE102021109123A1

DE102021109123A1 - Feinkörnige belegungsmusterschätzung in der hvac-steuerung

Info

Publication number: DE102021109123A1
Application number: DE102021109123.3A
Authority: DE
Inventors: Shan Lin; Sirajum Munir
Original assignee: Robert Bosch GmbH
Current assignee: Robert Bosch GmbH
Priority date: 2020-04-16
Filing date: 2021-04-13
Publication date: 2021-10-21
Also published as: US20210325072A1; US11719458B2; CN113531784A

Abstract

Ein thermischer Zustand einer Vielzahl von Zonen des Gebäudes wird gemäß einem thermischen Gebäudemodell und von Temperatursensoren des Gebäudes empfangenen Informationen aktualisiert. Vorhergesagte Nutzerzahlen werden für eine bevorstehende Vielzahl von Zeitschlitzen für jede der Vielzahl von Zonen unter Verwendung tatsächlicher Belegungszahlen für jede der Vielzahl von Zonen aktualisiert. Eine Fehlvorhersagetypenverteilung wird für die bevorstehende Vielzahl von Zeitschlitzen für jede der Vielzahl von Zonen aktualisiert, wobei die Fehlvorhersagetypenverteilung Fehlvorhersagen für richtige Negative, falsche Positive, falsche Negative und richtige Positive anzeigt. Eine Fehlvorhersage-Gesamtkostenerwartung wird gemäß den vorhergesagten Nutzerzahlen und der Fehlvorhersagetypenverteilung aktualisiert. Eine HVAC-Leistung für jede der Vielzahl von Zonen wird bestimmt, um eine thermische Behaglichkeit der Nutzer gewichtet gemäß den vorhergesagten Nutzerzahlen zu optimieren, während die Fehlvorhersage-Gesamtkostenerwartung minimiert wird. Der HVAC-Betrieb wird über die HVAC-Leistung gesteuert.

Description

ERKLÄRUNG ZU STAATLICH GEFÖRDERTER FORSCHUNG ODER ENTWICKLUNG
Diese Erfindung wurde mit staatlicher Unterstützung unter DE-EE0007682 des Department of Energy und CNS-1553273 der National Science Foundation gemacht. Es bestehen von staatlicher Seite bestimmte Rechte an der Erfindung.
TECHNISCHES GEBIET
Die vorliegende Offenbarung betrifft die Nutzung von feinkörnigen Belegungsschätzungsmustern für eine effektive Steuerung von Heizungs-, Lüftungs- und Klimatechnik (HVAC).
HINTERGRUND
HVAC ist eine Hauptquelle des Energieverbrauchs in den USA. 2017 wurden etwa 30 % des Energieverbrauchs für gewerblich genutzte Gebäude in den USA für HVAC verwendet. Normalerweise verwenden Gebäudebetreiber einen statischen Zeitplan für die Steuerung von HVAC-Systemen, ohne ein tieferes Verständnis dafür zu haben, wie viele Personen das Gebäude zu verschiedenen Tageszeiten nutzen. Darüber hinaus arbeiten viele HVAC-Systeme unter der Annahme einer maximalen Belegung in jedem Raum. Dies kann zu einer erheblichen Energieverschwendung führen, z. B. ein HVAC-System, das Belüftung für dreißig Personen bereitstellt, obwohl sich nur zehn Personen in einem Raum befinden. Solche weit verbreiteten HVAC-Steuerungskonzepte verpassen Möglichkeiten, eine genauere und effizientere Steuerung durchzuführen.
KURZFASSUNG
In einem oder mehreren veranschaulichenden Beispielen umfasst ein Verfahren zum Steuern des HVAC-Betriebs eines Gebäudes zur Minimierung des Energieverbrauchs unter Verwendung vorhergesagter Nutzerzahlen und unter Berücksichtigung von Fehlvorhersagekosten ein Aktualisieren eines thermischen Zustands einer Vielzahl von Zonen des Gebäudes gemäß einem thermischen Gebäudemodell und von Temperatursensoren des Gebäudes empfangenen Informationen; Aktualisieren vorhergesagter Nutzerzahlen für eine bevorstehende Vielzahl von Zeitschlitzen für jede der Vielzahl von Zonen unter Verwendung tatsächlicher Belegungszahlen für jede der Vielzahl von Zonen; Aktualisieren einer Fehlvorhersagetypenverteilung für die bevorstehende Vielzahl von Zeitschlitzen für jede der Vielzahl von Zonen, wobei die Fehlvorhersagetypenverteilung Fehlvorhersagen für richtige Negative, falsche Positive, falsche Negative und richtige Positive anzeigt; Aktualisieren einer Fehlvorhersage-Gesamtkostenerwartung gemäß den vorhergesagten Nutzerzahlen und der Fehlvorhersagetypenverteilung; Bestimmen einer HVAC-Leistung für jede der Vielzahl von Zonen, um die thermische Behaglichkeit der Nutzer gemäß den vorhergesagten Nutzerzahlen gewichtet zu optimieren, während die Fehlvorhersage-Gesamtkostenerwartung minimiert wird, wobei das Bestimmen auf eine Wärmeaustauschkonfiguration des Gebäudes und eine für jede der Vielzahl von Zonen verfügbare minimale und maximale HVAC-Leistung beschränkt wird; und Steuern des HVAC-Betriebs des Gebäudes gemäß der für jede der Vielzahl von Zonen bestimmten HVAC-Leistung.
In einem oder mehreren veranschaulichenden Beispielen umfasst ein System zum Steuern eines HVAC-Betriebs eines Gebäudes zur Minimierung des Energieverbrauchs unter Verwendung vorhergesagter Nutzerzahlen und unter Berücksichtigung von Fehlvorhersagekosten eine HVAC-Steuereinrichtung, die so programmiert ist, dass sie einen thermischen Zustand einer Vielzahl von Zonen des Gebäudes gemäß einem thermischen Gebäudemodell und von Temperatursensoren des Gebäudes empfangenen Informationen aktualisiert; vorhergesagte Nutzerzahlen für eine bevorstehende Vielzahl von Zeitschlitzen für jede der Vielzahl von Zonen unter Verwendung tatsächlicher Belegungszahlen für jede der Vielzahl von Zonen aktualisiert; eine Fehlvorhersagetypenverteilung für die bevorstehende Vielzahl von Zeitschlitzen für jede der Vielzahl von Zonen aktualisiert, wobei die Fehlvorhersagetypenverteilung Fehlvorhersagen für richtige Negative, falsche Positive, falsche Negative und richtige Positive anzeigt; eine Fehlvorhersage-Gesamtkostenerwartung gemäß den vorhergesagten Nutzerzahlen und der Fehlvorhersagetypenverteilung aktualisiert; eine HVAC-Leistung für jede der Vielzahl von Zonen bestimmt, um eine thermische Behaglichkeit der Nutzer gewichtet gemäß den vorhergesagten Nutzerzahlen zu optimieren, während die Fehlvorhersage-Gesamtkostenerwartung minimiert wird, wobei das Bestimmen auf eine Wärmeaustauschkonfiguration des Gebäudes und eine für jede der Vielzahl von Zonen verfügbare minimale und maximale HVAC-Leistung beschränkt ist; und einen HVAC-Betrieb des Gebäudes gemäß der für jede der Vielzahl von Zonen bestimmten HVAC-Leistung steuert.
In einem oder mehreren veranschaulichenden Beispielen umfasst ein nicht transientes computerlesbares Medium Anweisungen zum Steuern eines Betriebs von Heizungs-, Lüftungs- und Klimatechnik (HVAC) eines Gebäudes zur Minimierung eines Energieverbrauchs unter Verwendung vorhergesagter Nutzerzahlen und unter Berücksichtigung von Fehlvorhersagekosten, die bei Ausführung durch eine HVAC-Steuereinrichtung die HVAC-Steuereinrichtung veranlassen, einen thermischen Zustand einer Vielzahl von Zonen des Gebäudes gemäß einem thermischen Gebäudemodell und von Temperatursensoren des Gebäudes empfangenen Informationen zu aktualisieren; vorhergesagte Nutzerzahlen für eine bevorstehende Vielzahl von Zeitschlitzen für jede der Vielzahl von Zonen unter Verwendung tatsächlicher Belegungszahlen für jede der Vielzahl von Zonen zu aktualisieren; eine Fehlvorhersagetypenverteilung für die bevorstehende Vielzahl von Zeitschlitzen für jede der Vielzahl von Zonen zu aktualisieren, wobei die Fehlvorhersagetypenverteilung Fehlvorhersagen für richtige Negative, falsche Positive, falsche Negative und richtige Positive anzeigt; eine Fehlvorhersage-Gesamtkostenerwartung gemäß den vorhergesagten Nutzerzahlen und der Fehlvorhersagetypenverteilung zu aktualisieren; eine HVAC-Leistung für jede der Vielzahl von Zonen zu bestimmen, um die thermische Behaglichkeit der Nutzer gemäß den vorhergesagten Nutzerzahlen gewichtet zu optimieren, während die Fehlvorhersage-Gesamtkostenerwartung minimiert wird, wobei das Bestimmen auf eine Wärmeaustauschkonfiguration des Gebäudes und eine für jede der Vielzahl von Zonen verfügbare minimale und maximale HVAC-Leistung beschränkt ist; und einen HVAC-Betrieb des Gebäudes gemäß der für jede der Vielzahl von Zonen bestimmten HVAC-Leistung zu steuern.
Figurenliste

1 veranschaulicht ein Beispiel für ein belegungsbewusstes HVAC-Steuersystem für ein Gebäude;
2 veranschaulicht ein Beispiel einer Belegungsdynamik als für einen Tag ausgerollte zeitlich inhomogene Markov-Kette;
3 veranschaulicht ein vorgeschlagenes Netzwerk, das zeitliche und kontextuelle Merkmale kombiniert, um die nächste N Belegungszahl vorherzusagen;
4 veranschaulicht die Performance eines zeitlich inhomogenen Markov-Ketten-Prädiktors;
5 veranschaulicht die Performance eines Linearregressionsprädiktors;
6 veranschaulicht die Performance eines sequentiellen und kontextuellen neuronalen Netzprädiktors;
7 veranschaulicht eine durchschnittliche Nutzerzahl über einen Tag für sechs Monate;
8 veranschaulicht ein Beispiel für die Performance der HVAC-Steuereinrichtung unter Verwendung mittels eines neuronalen Netzes vorhergesagter Nutzerzahlen und Grundwahrheit;
9 veranschaulicht eine beispielhafte adaptive modellprädiktive HVAC-Steuerarchitektur;
10 veranschaulicht einen beispielhaften Prozess zum Steuern eines HVAC-Betriebs eines Gebäudes zur Minimierung eines Energieverbrauchs unter Verwendung vorhergesagter Nutzerzahlen und unter Berücksichtigung von Fehlvorhersagekosten; und
11 veranschaulicht eine beispielhafte Datenverarbeitungseinrichtung zum Durchführen von Aspekten des vorliegend im Einzelnen beschriebenen HVAC-Betriebs.

AUSFÜHRLICHE BESCHREIBUNG
Vorliegend werden Ausführungsformen der vorliegenden Offenbarung beschrieben. Es versteht sich jedoch, dass die offenbarten Ausführungsformen lediglich Beispiele sind und andere Ausführungsformen verschiedene und alternative Formen annehmen können. Die Figuren sind nicht notwendigerweise maßstabsgetreu; einige Merkmale könnten übertrieben oder verkleinert sein, um Einzelheiten bestimmter Komponenten zu zeigen. Daher sind konkrete strukturelle und funktionelle Einzelheiten, die vorliegend offenbart werden, nicht als einschränkend zu verstehen, sondern lediglich als repräsentative Grundlage, um einem Fachmann zu zeigen, wie er die Ausführungsformen in unterschiedlicher Weise einsetzen kann. Wie ein Fachmann versteht, können verschiedene Merkmale, die unter Bezugnahme auf eine der Figuren veranschaulicht und beschrieben sind, mit Merkmalen kombiniert werden, die in einer oder mehreren anderen Figuren veranschaulicht sind, um Ausführungsformen zu erzeugen, die nicht explizit veranschaulicht oder beschrieben sind. Die veranschaulichten Merkmalskombinationen stellen repräsentative Ausführungsformen für typische Anwendungen dar. Verschiedene Kombinationen und Modifikationen der Merkmale, die mit den Lehren dieser Offenbarung in Einklang stehen, könnten jedoch für bestimmte Anwendungen oder Implementierungen erwünscht sein.
Einige Gebäude verfügen über grobkörnige Belegungssensoren, die binäre Daten in Bezug auf Gebäudebelegungsmuster liefern (z.B. ob ein Raum belegt ist oder nicht). In modernen Gewerbegebäuden werden zunehmend feinkörnige Belegungssensoren eingesetzt. Diese feinkörnigen Belegungssensoren liefern Belegungszahl-Informationen in Echtzeit, im Gegensatz zu der einfachen Angabe, ob ein Raum belegt ist oder nicht. Diese Belegungszahl-Informationen können einer HVAC-Steuerung des Gebäudes zugute kommen, um die Energieeffizienz des Gebäudes zu verbessern, die thermische Behaglichkeit der Nutzer zu gewährleisten und das Gebäudemanagement zu verbessern. Durch die Verwendung der feinkörnigen Belegungssensordaten können Vorhersagemodelle entworfen werden, die die räumlich-zeitliche Natur der Belegungsdynamik erfassen. Unter Verwendung eines solchen Vorhersagemodells kann ein Modellvorhersage-Steueralgorithmus für HVAC-Steuerung implementiert werden, der erhebliche Energieeinsparungen erzielt.
1 veranschaulicht ein Beispiel für ein belegungsbewusstes HVAC-Steuersystem 100 für ein Gebäude 102. Wie gezeigt, verfügt das Gebäude 102 über Belegungssensoren 108, die so konfiguriert sind, dass sie eine Belegung des Gebäudes 102 erfassen. Ein Nutzerzahl-Vorhersagemodell 112 empfängt von den Belegungssensoren 108 eine Anzahl im Gebäude erfasster Nutzer. Das Nutzerzahl-Vorhersagemodell 112 gibt auf Grundlage der aktuellen Echtzeit- und historischen erfassten Belegungsinformationen, eine Nutzerzahlvorhersage aus, die eine vorhergesagte Anzahl von Nutzern in jeder Zone des Gebäudes 102 für verschiedene Zeitschlitze angibt. Eine HVAC-Steuereinrichtung 106 ist so konfiguriert, dass sie die Nutzerzahlvorhersage und einen Gebäudezustand einschließlich Temperaturinformationen im Gebäude empfängt und ein thermisches Gebäudemodell 110 pflegt. Der thermische Zustand des Gebäudes wird über Gebäudeüberwachungssysteme wie beispielsweise Temperatursensoren, die sich in den Zonen des Gebäudes 102 befinden, erfasst. Das thermische Gebäudemodell 110 kann auf Daten des Gebäudes 102 basieren (beispielsweise Grundriss, Baumaterial, Einsatz des HVAC-Systems usw.). Anhand der Nutzerzahlvorhersage und des Gebäudezustands gibt die HVAC-Steuereinrichtung 106 Steuereingaben an die Gebäude-HVAC 104. Die Betätigung der Gebäude-HVAC 104 beeinflusst wiederum den Gebäudezustand. Entsprechend stellt das belegungsbewusste HVAC-Steuersystem 100 die Gebäude-HVAC 104 adaptiv ein, um gemäß der vorhergesagten Nutzerzahl und dem thermischen Echtzeitzustand des Gebäudes die Behaglichkeit der Nutzer aufrechtzuerhalten und Energie zu sparen. Es ist zu beachten, dass das veranschaulichte HVAC-Steuersystem 100 ein Beispiel ist und Systeme mit mehr, weniger oder anders angeordneten Elementen verwendet werden können.
Das Gebäude 102 kann eine geschlossene Struktur sein, in der ein Klima durch das belegungsbewusste HVAC-Steuersystem 100 gesteuert wird. In vielen Beispielen hat das Gebäude 102 Wände, ein Dach, Fenster und in vielen Fällen mehr als eine Ebene. Das Gebäude 102 kann über einen oder mehrere Räume sowie Türen oder andere Öffnungen verfügen, durch die Nutzer ein- und ausgehen können. In einigen Beispielen kann das Gebäude 102 in logische Zonen unterteilt sein. Jede Zone kann eine Teilmenge des einen oder der mehreren Räume oder anderer Bereiche des Gebäudes 102 umfassen. In einigen Systemen 100 sind die Zonen des Gebäudes 102 durch Bereiche des Gebäudes 102 definiert, die einer separaten HVAC-Steuerung unterliegen, oder beziehen sich auf diese.
Die Gebäude-HVAC 104 bezieht sich auf die Heizungs-, Lüftungs- und Klimatechniksysteme im Gebäude 102, die zum Heizen, Lüften und/oder Kühlen der Zonen des Gebäudes 102 verwendet werden. Zusätzlich zur Temperatur- und Feuchtigkeitssteuerung kann die Gebäude-HVAC 104 auch zur Verbesserung der Qualität der Umgebungsbedingungen innerhalb des Gebäudes 102 verwendet werden, beispielsweise zur Beseitigung von Rauch, Gerüchen, Staub, Luftbakterien und Kohlendioxid sowie zur Durchführung der Sauerstoffnachlieferung.
Die HVAC-Steuereinrichtung 106 verfügt über eine oder mehrere Einrichtungen, die so konfiguriert sind, dass sie die Gebäude-HVAC 104 so lenken, dass sie die Umgebung des Gebäudes 102 steuert. Die HVAC-Steuereinrichtung 106 kann über einen oder mehrere Prozessoren verfügen, die so konfiguriert sind, dass sie Anweisungen, Befehle und andere Routinen zur Unterstützung der vorliegend beschriebenen Prozesse ausführen. Solche Anweisungen und andere Daten können auf nichtflüchtige Weise mit einer Vielzahl von Typen von computerlesbaren Speichermedien aufbewahrt werden. Die Daten können vom Speichermedium in einen Speicher geladen werden, auf den der Prozessor zugreifen kann. Das computerlesbare Speichermedium (auch als prozessorlesbares Medium oder Speicher bezeichnet) umfasst jedes nicht transiente Medium (z.B. ein greifbares Medium), das am Bereitstellen von Anweisungen oder anderen Daten beteiligt ist, die vom Prozessor der Telematik-Steuereinrichtung gelesen werden können. Computerausführbare Befehle können aus Computerprogrammen kompiliert oder interpretiert werden, die mit einer Vielzahl von Programmiersprachen und/oder Technologien erstellt wurden, einschließlich, ohne Einschränkung, und entweder allein oder in Kombination, Java, C, C++, C#, Objective C, Fortran, Pascal, Java Script, Python, Perl und PL/SQL.
Die Belegungssensoren 108 können über verschiedene Arten von Einrichtungen verfügen, die so konfiguriert sind, dass sie die An- oder Abwesenheit von Nutzern in Räumen des Gebäudes 102 erfassen. In einigen Beispielen können die Anwesenheitssensoren 108 Ultraschallsensoren, Passiv-Infrarot- (PIR-) Sensoren und/oder Rot-Grün-Blau- (RGB-) Kameras umfassen. Als ein spezifisches Beispiel für einen Bewegungssensor kann ein Tiefensensor (wie z.B. der KINECT-Sensor für die MICROSOFT XBOX) verwendet werden, der z.B. an der Decke in der Nähe einer Türöffnung angebracht ist, um die Belegung zu schätzen. Der Tiefensensor kann in Kombination mit einem Belegungsschätzungsalgorithmus verwendet werden (z.B. dem Fine-grained Occupancy estimatoR using Kinect (FORK), mit Kinect arbeitender feinkörniger Belegungsschätzer). In einem solchen Beispiel werden dem Algorithmus Echtzeit-Tiefenbilder von Belegungssensoren 108, die an jeder Türöffnung platziert sind, zur Verfügung gestellt, was dem Algorithmus ermöglicht, Belegungszahlen für die Räume (oder Zonen) zu schätzen und in Reaktion auf durch die Türöffnungen ein- oder austretende Nutzer zu aktualisieren.
Das thermische Gebäudemodell 110 kann ein dynamisches Modell sein, das beschreibt, wie sich der thermische Zustand des Gebäudes 102 ändert. Diese Änderungen können auf Faktoren wie der HVAC-Leistung und der Anzahl der Nutzer basieren. Ein Beispielmodell ist in der folgenden Gleichung gezeigt: $x (k + 1) = A x (k) + B_{u} u (k) + B_{d} d (k), y (k) = C x (k)$
wobei:

x_i (k) der Zustandsvektor (mit den Temperaturen, Oberflächen und internen Knoten) am Ende des Zeitschlitzes k der Zone i ist;
d(k) ein Spaltenvektor zur Darstellung des externen (z.B. Außentemperatur und solare Gewinne) und internen (z.B. Nutzer) Gewinnstörungsvektors während des Zeitschlitzes k ist;
y(k) ein Spaltenvektor der Länge n ist, der die Innentemperatur am Ende des Zeitschlitzes k für n Regionen angibt; und
A, B_u, B_d und C Festparametermatrizen sind, die durch die Gebäudekonfigurationen vorgegeben sind.

Es wird angemerkt, dass diese Festparameter nicht nur beschreiben, wie der Zustand einer Zone i durch den Zustand, die Aktivität und die Störung dieser Zone beeinflusst wird, sondern auch den Wärmeaustausch zwischen Zonen berücksichtigen. Zum Beispiel kann xi (k + 1) durch ein lineares Modell von x(k), u(k) und d(k) bestimmt werden, wobei die Parameter die i-te Zeile der Matrix A, B_u und B_d sind. Einige Elemente von d(k) stellen die Wärmebelastung durch die Wärmeabgabe der Nutzer dar, während andere den Wärmeaustausch mit der Umgebung beschreiben. Angenommen, jeder Nutzer gibt die gleiche Wärmemenge ab und die menschliche Wärmeabgabe in Innenräumen wird als e_heat × Occ_i(k) formuliert, wobei e_heat die von einem Nutzer während eines Zeitschlitzes abgegebene Wärme und Occ_i(k) die tatsächliche Anzahl der Nutzer in der Zone i für den Zeitschlitz k ist. Für eine Zone, die keinen direkten Wärmeaustausch mit der Umgebung hat, können die entsprechenden Elemente in B_d auf Null gesetzt werden.
Das Belegungszahl-Vorhersagemodell 112 ist ein Modell, das so konfiguriert ist, dass es die Informationen über die Anzahl der Nutzer von den Belegungssensoren 108 empfängt und zukünftige Belegungszahlen in der Zone i für die nächsten N Zeitschlitze vorhersagt. In einem Beispiel ist die Nutzeranzahl eine Störfunktion, die von keiner Zustandsgröße außer der Zeit abhängt. Der Einfluss der Nutzer erscheint in der Dynamik als interner Wärmegewinn auf den thermischen Zustand des Gebäudes. Durch Verwenden des Nutzerzahl-Vorhersagemodells 112 zur genauen Vorhersage der Anzahl der Nutzer für einen Zeithorizont kann die HVAC-Steuereinrichtung 106 fundierte Entscheidungen treffen, um dieser Störung entgegenzuwirken und den thermischen Zustand des Gebäudes 102 zu stabilisieren. Wie vorliegend beschrieben, können statistische Modelle mit realen Daten trainiert werden, die zur Vorhersage von Belegungsänderungen genutzt werden können, so dass das Modell 112 am Ende des aktuellen Zeitschlitzes t und mit früheren Belegungszahlen die zukünftigen Belegungszahlen in der Zone i für die nächsten N Zeitschlitze vorhersagen kann. Dies wird vorliegend als $\hat{O c c_{i}} (t + 1), \hat{O c c_{i}} (t + 2), \dots, \hat{O c c_{i}} (t + N)$
bezeichnet.
2 veranschaulicht ein Beispiel einer Belegungsdynamik als für einen Tag ausgerollte zeitlich inhomogene Markov-Kette. Als Ausgangspunkt kann die Belegungsdynamik mit einer zeitlich inhomogenen Markov-Kette modelliert werden, wobei der Zustand die Nutzerzahl repräsentiert und der Übergang zwischen Zuständen sich auf die zeitliche Belegungsänderung bezieht. Aufgrund der Natur der Belegung ist die Markov-Kette natürlich zeitlich inhomogen: die Wahrscheinlichkeitsverteilung des nächsten Zustands hängt vom aktuellen Zustand und der aktuellen Zeit ab. Daher ist im Zeitschlitz t die Wahrscheinlichkeit, dass die zukünftige Nutzerzahl im nächsten Zeitschlitz m₂ ist, angesichts der aktuellen Zahl m₁: $P (\hat{O c c_{i}} (t + 1) = m_{2} | O c c_{i} (t) = m_{1})$
In einem Beispiel kann eine feste Zeitschlitzdauer von 30 Minuten und eine Nutzerzahl in einem Bereich von 0 bis 50 (max. Anzahl) verwendet werden, so dass die zeitlich inhomogene Markov-Kette zeitlich ausgerollt werden kann, wie in 2 gezeigt, in der der Belegungszustand eines ganzen Tages als eine Kette aus 48 Zuständen dargestellt wird. Dabei wird davon ausgegangen, dass sich die Zustandsdynamik von Tag zu Tag nicht unterscheidet. Somit kann sich der Aufbau der Kette nach 48 Zuständen wiederholen.
Unter Verwendung historischer Belegungsdaten zur Schätzung der Übergangswahrscheinlichkeit kann eine N-Schritt-Vorhersage unter Verwendung der Erwartung zukünftiger Zahlen nach N Schritten wie folgt gemacht werden: $\begin{matrix} \hat{O c c_{i}} (t + N) = \\ \sum_{m_{2}} m_{2} \times P (O c c_{i} (t + N) = \\ m_{2} | O c c_{i} (t + N - 1)) \dots P (O c c_{i} (t + 1) | O c c_{i} (t) = m_{1}) \end{matrix}$
Es ist möglich, dass einige Zustände nicht ein einziges Mal in den Trainingsdaten vorkommen, sondern erst nach dem Training auftreten. In diesem Fall kann der nächstgelegene Zustandsübergang verwendet werden.
Die Markov-Kette erfordert, dass die Belegungsdynamik Annahmen wie der Markov-Eigenschaft gehorcht, was in der Praxis möglicherweise nicht der Fall ist. Daher kann ferner ein Linearregressionsmodell implementiert werden, um Vorhersagen zu machen, beispielsweise wie folgt: $\hat{O c c_{i}} (t + 1) = \sum_{j}^{T} β_{j} O c c_{i} (t - j) + b i a s$
Die vorhergesagte Belegung bei t + 1 kann erneut in die Regressionsfunktion eingegeben werden, um die Belegung bei t + 2 vorherzusagen. Nach dem Ausrollen für N Schritte können N zukünftige Nutzerzahlen vorhergesagt werden. In diesem Modell gibt es T Koeffizienten β_j und einen bias-Term als Parameter, auf den trainiert wird.
3 veranschaulicht ein vorgeschlagenes Netzwerk, das zeitliche und kontextuelle Merkmale kombiniert, um die nächsten N Belegungszahlen vorherzusagen. Da die Belegungsdynamik inhärent nichtlinear ist, können mit der längeren Zeitspanne, in der Daten gesammelt werden können, statistische Modelle verwendet werden, die eine höhere Repräsentativität haben und gleichzeitig gut verallgemeinern, ohne sich zu sehr anzupassen.
Mit einem neuronalen Netz kann die Vorhersage als Regressionsproblem dargestellt werden. Der rekurrente Teil eines neuronalen Netzes ist eine Funktion, die die Belegungszahl in T vorherigen Zeitschlitzen als Eingabe nimmt und eine Verbindung mit den letzten N Neuronen herstellt, die den Wert der zukünftigen Belegungszahlen der nächsten N Zeitschlitze darstellten. Diese rekurrente Funktion ist in 3 als rechteckiger Kasten dargestellt, der aus zwei verborgenen Schichten mit jeweils 32 Einheiten (d.h. Neuronen) und Aktivierung mittels gleichgerichteter linearer Einheit (Rectified Linear Unit, ReLU) besteht. (Es sei darauf hingewiesen, dass diese Konfiguration des neuronalen Netzes nur ein Beispiel ist und neuronale Netze mit einer anderen Anzahl von Neuronen und/oder einer anderen Anzahl von Schichten verwendet werden können.) Neben der fortlaufenden Nutzerzahl können auch andere Kontextinformationen wie Tageszeit und Wochentag in die Vorhersage einbezogen werden. Daher kann eine vollverknüpfte Schicht das kategorische Merkmal ƒ₀(t), ... , ƒ_k(t) in eine One-Hot-Codierung umwandeln (z.B. wird das Tageszeitmerkmal in 24 Spalten als Stunde diskretisiert) und stellt erneut eine Verbindung mit den letzten N Einheiten her. Die pyramidenartige Architektur in 3 veranschaulicht also, wie die zeitlichen und kontextuellen Informationen kombiniert werden können, um die endgültige Belegungsvorhersage auf der obersten Ebene zu treffen. Diese Architektur ist flexibel, um ein kategorischeres Merkmal einzubinden, das in anderen Anwendungen und der Nutzung des Raums des Gebäudes 102 verfügbar sein kann.
Die belegungsbewusste Modellvorhersage-HVAC-Steuereinrichtung 106 hat zwei Ziele: Minimieren des HVAC-Energieverbrauchs und Optimieren der thermischen Behaglichkeit der Nutzer. Zu Beginn des Zeitschlitzes t berücksichtigt die Modellvorhersage-HVAC-Steuereinrichtung 106 die HVAC-Steuerung für zukünftige N Zeitschlitze und berechnet die HVAC-Leistungssequenz in diesem Horizont, um diese beiden Ziele zu optimieren.
In Bezug auf das erste Ziel kann die belegungsbewusste HVAC-Steuereinrichtung 106 die Energieverschwendung auf Grundlage der Belegungsvorhersage reduzieren, insbesondere dann, wenn eine Nullbelegung während der Arbeitszeiten korrekt vorhergesagt wird, z.B. wenn Nutzer morgens spät ankommen oder abends früher gehen. Die HVAC-Leistung für eine Zone i während des Zeitschlitzes k kann wie folgt eingeschränkt werden: $\underline{U_{i}} \leq u_{i} (k) \leq \bar{U_{i}}$
wobei U_i und U_i die Kühl- bzw. Heizkapazität der Gebäude-HVAC 104 darstellen. Wenn u_i(k) positiv ist, zeigt dies an, dass das HVAC-System die Zone heizt; andernfalls kühlt die Gebäude-HVAC 104 die Zone. Dabei bezieht sich u_i(k) auf die Menge des Wärmestroms von der Gebäude-HVAC 104, der auf die Zone wirkt. Da größere Werte von u_i(k) einen höheren HVAC-Energieverbrauch bedeuten würden, wird die L1-Norm von u_i (k) als Proxy für den Energieverbrauch verwendet. Die Gesamtleistungsaufnahme kann als $\sum_{k = t}^{t + N - 1} \sum_{i = 1}^{n} | u_{i} (k) |$
dargestellt werden.
In Bezug auf das zweite Ziel kann die belegungsbewusste HVAC-Steuereinrichtung 106 die thermische Behaglichkeit der Nutzer optimieren. Der vorhergesagte Mittelwert (predicted mean vote, PMV) ist ein gängiges Maß für die Behaglichkeit, das in der ISO 7730 genormt ist. Das PMV-Modell schätzt die durchschnittliche Nutzerbehaglichkeit mithilfe einer Funktion wie folgt: $P M V (\cdot) : P M V (M, T_{a}, T_{r}, v, P_{a}, I_{c l})$
wobei

M die Stoffwechselrate des Nutzers ist;
T_a die Lufttemperatur ist;
T_r die mittlere Strahlungstemperatur (gleichgesetzt mit T_a) ist;
v die relative Luftgeschwindigkeit ist;
P_a die relative Feuchtigkeit ist; und
I_cl der Isolationsfaktor der Kleidung des Nutzers ist.

Der Bereich des PMV kann vorliegend als zwischen -3 (für kalt) und 3 (für heiß) definiert werden, wobei 0 neutral ist. Dies ist jedoch willkürlich und es können auch andere Skalen verwendet werden. Um die Beschreibung zu vereinfachen, sei PMV_i(k) zur Beschreibung der individuellen Nutzerbehaglichkeit für die Zone i im Zeitschlitz k.
Damit die HVAC effizient arbeitet, wird die gewichtete Nutzerbehaglichkeit berücksichtigt, das heißt: (i) die thermische Behaglichkeit der Nutzer ist gewährleistet, wenn die Zone des Gebäudes 102 belegt ist, und (ii) je mehr Nutzer sich in der Zone befinden, desto behaglicher wird das Raumklima. Ein Ziel zum Bereitstellen von Nutzergruppenbehaglichkeit kann daher als $\sum_{k = t}^{t + N - 1} \sum_{i = 1}^{n} O c c_{i} (k) | P M V_{i} (k) |$
formuliert werden.
Es besteht ein Zielkonflikt zwischen den beiden Zielen. Wenn beispielsweise das Wetter draußen kalt ist, z.B. unter 0° C, sollte die HVAC die Zonen beheizen, damit sich die Nutzer wohl fühlen. Dies würde jedoch hohe Energiekosten verursachen. Daher wird eine Gewichtung β verwendet, um die beiden Ziele zusammenzufassen und auszugleichen, und das Problem für die Modellvorhersage-HVAC-Steuereinrichtung 106 wird daher wie folgt als Gleichung (1) formuliert: $min_{u (k), x (k)} \sum_{k = t}^{t + N - 1} \sum_{i = 1}^{n} (| u_{i} (k) | + β O c c_{i} (k) | P M V_{i} (k) |)$
unter der Nebenbedingung x(k + 1) = Ax(k) + B_uu(k) + B_dd(k) $\begin{array}{l} y (k) = C x (k) \\ \underline{U_{i}} \leq u_{i} (k) \leq \bar{U_{i}} \end{array}$
wobei U _i ≤ u_i(k) ≤ U_i die HVAC-Leistung für jede Zone i einschränkt. Es bezeichne P(Occ(t)) die obige Gleichung mit der tatsächlichen Nutzerzahl Occ(t) = {Occ_i (k)|1 ≤ i ≤ n,t ≤ k ≤ t + N - 1}. Zu Beginn des Zeitschlitzes t ist die tatsächliche Nutzerzahl Occ(t) für die Steuereinrichtung 106 jedoch unbekannt. Daher wird die vorhergesagte Nutzerzahl als die Eingabeparameter der Steuereinrichtung 106 verwendet, um die HVAC-Leistung zu bestimmen, und das Problem der Modellvorhersage-HVAC-Steuerung wird als $P (\hat{O c c_{i}} (t))$
bezeichnet, wobei $\hat{O c c} (t) = {\hat{O c c_{i}} (k) | 1 \leq i \leq n, t \leq k \leq t + N - 1} .$
In einem Beispiel können die drei Prädiktoren verwendet werden: zeitlich inhomogene Markov-Kette, Linearregression und sequentielles und kontextuelles neuronales Netz zur Vorhersage von $\hat{O c c} (t)$
auf Grundlage der historisch gesammelten Daten und der Echtzeit-Belegungsinformationen zu Beginn des Zeitschlitzes t. Da es sich bei dem Ziel und den Einschränkungen um konvexe Funktionen handelt, können sie von vorhandenen Solvern gelöst werden, z.B. von Gurobi, das in OpenBuild verwendet wird.
Auf Grundlage der vorherigen Beschreibung verwendet die prädiktive HVAC-Steuereinrichtung 106 den belegungsbewussten Modellprädiktor 112, um die Leistung für jede Zone i des Gebäudes 102 basierend auf der vorhergesagten Belegungszahl für zukünftige Zeitschlitze zu bestimmen. Diese Performance kann jedoch durch die Vorhersagegenauigkeit aufgrund von Belegungsmusterunsicherheit beeinträchtigt werden.
Um diese Performance zu analysieren, können Fehlvorhersagen und Fehlvorhersagen zur Nutzerzahl definiert werden. Die Fehlvorhersage bezieht sich darauf, dass der Prädiktor den Status „belegt“ oder „nicht belegt“ für die zukünftigen Zeitschlitze falsch vorhersagt, und die Fehlvorhersage zur Nutzerzahl bezieht sich darauf, dass der Prädiktor die Anzahl der Nutzer in einer Zone für die zukünftigen Zeitschlitze falsch schätzt. Dementsprechend kann es zwei Messmetriken geben: Fehlvorhersagetypenverteilung und Vorhersagefehler, um die Performance eines Prädiktors zu messen. Die Fehlvorhersage kann in eine von vier Kategorien eingeteilt werden: falsch positiv, falsch negativ, richtig positiv und richtig negativ, was in Tabelle 1 dargestellt ist. Tabelle 1: Klassifizierung von Fehlvorhersagen

Vorhersage der Belegung

unbelegt belegt

Richtigkeit der Belegung unbelegt Richtig negativ Falsch positiv

belegt Falsch negativ Richtig positiv
Wenn sowohl Richtigkeit als auch Vorhersage der Belegung belegt sind, wird der Fehlvorhersagetyp als richtig positiv markiert. Wenn sowohl die Richtigkeit als auch die Vorhersage der Belegung unbelegt sind, wird der Fehlvorhersagetyp als richtig negativ markiert. Wenn der Prädiktor fälschlicherweise belegt als unbelegt oder unbelegt als belegt vorhersagt, wird die Fehlvorhersage als falsch negativ bzw. falsch positiv vermerkt. Der Vorhersagefehler kann verwendet werden, um die Fehlvorhersage zur Nutzerzahl zu messen, und ist gleich dem absoluten Wert der Differenz zwischen der vorhergesagten Anzahl von Nutzern und der Grundwahrheit.
4 veranschaulicht die Performance eines zeitlich inhomogenen Markov-Ketten-Prädiktors. 5 veranschaulicht die Performance eines Linearregressionsprädiktors. 6 veranschaulicht die Performance eines sequentiellen und kontextuellen neuronalen Netzprädiktors. Da die korrekte Vorhersage des Belegungszustands keinen Einfluss auf das Steuerverhalten hat, werden richtig positive und richtig negative Ergebnisse als richtig zusammengefasst. Es ist zu beobachten, dass jeder Prädiktor den Belegungsindex zu Beginn und am Ende des Tages mit einer relativ größeren Wahrscheinlichkeit falsch vorhersagt als in der Mitte des Tages. Während der Arbeitsstunden eines Tages ist der vorhergesagte Belegungsindex immer richtig, wohingegen der Vorhersagefehler zu Beginn und am Ende des Tages klein und während der Arbeitsstunden groß ist.
7 veranschaulicht eine durchschnittliche Nutzerzahl über einen Tag für sechs Monate. Wie zu sehen ist, befinden sich während des Zeitraums mit hoher Fehlvorhersagewahrscheinlichkeit nur wenige Nutzer in der Zone, was ein möglicher Grund dafür ist, dass der Prädiktor den Belegungsstatus mit einer höheren Wahrscheinlichkeit falsch vorhersagt, verglichen mit der Wahrscheinlichkeit während des Zeitraums mit hoher Nutzerdichte. Die Variation des Belegungsmusters über die Monate in den Beispieldaten von 7 kann durch saisonale Schwankungen in der Personalbesetzung erklärt werden.
Basierend auf der Vorhersagegenauigkeit der drei Prädiktoren kann eine Performance einer belegungsbewussten HVAC-Steuereinrichtung 106 mit jedem der drei Prädiktoren ermittelt werden. Um die Performance zu messen, kann eine Messmetrik als Energieeffizienz mal effektive PMV-Verbesserung definiert werden, um die Kombination aus Energieeffizienz und wie viel Nutzerbehaglichkeit geboten wird, zu messen. Zur Berechnung der Energieeffizienz und der effektiven PMV-Verbesserung für den Zeitschlitz k: (i) wird basierend auf der tatsächlichen Erfassung der Nutzerzahl im Zeitschlitz k, Occi(k) und dem anfänglichen Gebäudezustand x(k - 1) die Ein-Zeitschlitz-Version von Gleichung (1) gelöst, um die optimale HVAC-Leistung u_i(k) und den Behaglichkeitswert PMV_i(k) zu bestimmen; und (ii) die Energieeffizienz und die effektive PMV-Verbesserung werden wie folgt berechnet: $E n e r g i e e f f i z i e n z = {\begin{array}{l} \frac{min {u_{i} (k), \hat{u_{i}} (k)}}{\hat{u_{i}} (k)} & w e n n \hat{u_{i}} (k) \neq 0 \\ 1 & w e n n \hat{u_{i}} (k) = 0 \end{array}$
$E f f e k t i v e P M V - V e r b e s s e r u n g = {\begin{array}{l} | {\hat{P M V}}_{i} (k) - F | & w e n n O c c_{i} (k) \neq 0 \\ 3 & w e n n O c c_{i} (k) = 0 \end{array}$
wobei F der Extremwert von PMV ist (z.B. -3 für kalt und 3 für heiß). Unter Verwendung von Messmetriken ist, wenn die HVAC die Energie verbraucht, während die Zone unbelegt ist, ihr effizientes Energieverbrauchsverhältnis 0, da der optimale Energieverbrauch 0 ist, und wenn es Nutzer gibt, wird die Steuerperformance durch die PMV-Verbesserung und die Energieeffizienz in Bezug auf die Vorhersagemodell-HVAC-Steuerung unter Verwendung der richtigen Nutzerzahl bestimmt.
8 veranschaulicht ein Beispiel für die Performance der HVAC-Steuereinrichtung 106 unter Verwendung mittels eines neuronalen Netzes vorhergesagter Nutzerzahlen und Grundwahrheit. Wie dargestellt, erstreckt sich das Beispiel über einen Zeitraum von vier Tagen. Das neuronale Netz kann ein sequentielles und kontextuelles neuronales Netz sein, wie vorstehend erwähnt.
Wie vorstehend beschrieben, gibt es zwei Ziele der HVAC-Steuerung, nämlich Minimieren des Energieverbrauchs und Maximieren einer Nutzergruppenbehaglichkeit, und es besteht ein Zielkonflikt zwischen diesen beiden Zielen. Die HVAC-Steuereinrichtung 106 sollte darauf abzielen, den Energieverbrauch zu minimieren, wenn in einem Zeitschlitz kein Nutzer vorhanden ist, und die Minimierung einer gewichteten Summe aus Energieverbrauch und Nutzergruppenbehaglichkeit für einen Zeitschlitz mit Bewohnern berücksichtigen. Aufgrund der Fehlvorhersage optimiert die HVAC-Steuereinrichtung 106, die die vorhergesagte Nutzerzahl verwendet, die HVAC-Steuerung jedoch mit falschen Zielen. Um die Fehlvorhersage, insbesondere den zufälligen falsch positiv/negativ-Fall, in den Griff zu bekommen, sollte die HVAC-Steuereinrichtung 106 daher die HVAC-Leistung bestimmen, die robust gegenüber der Fehlvorhersage ist und minimale Fehlvorhersagekosten verursacht.
9 veranschaulicht eine beispielhafte adaptive modellprädiktive HVAC-Steuerarchitektur. Um die Steuerungsentscheidungen der HVAC-Steuereinrichtung 106 robuster gegenüber der zufälligen Fehlvorhersage zu machen, kann die HVAC-Steuereinrichtung 106 eine solche Architektur übernehmen, um sich an die Fehlvorhersagetypenverteilung und die entsprechenden Fehlvorhersagekosten in den verschiedenen Zeitschlitzen anzupassen.
Das Steuerdiagramm ist als geschlossener Regelkreis dargestellt. Wie dargestellt, bestimmt die HVAC-Steuereinrichtung 106 die HVAC-Leistung, die wiederum die Temperatur des manipulierten Luftstroms und die thermischen Zustände des Gebäudes verändert. Die Belegungssensoren 108 erfassen die Nutzerereignisse und berechnen die aktuelle Nutzerzahl, die vom Prädiktor 112 zur Vorhersage der zukünftigen Nutzerzahl verwendet wird. Umgebungssensoren des Gebäudes 102 erfassen und geben den thermischen Zustand des Gebäudes in Echtzeit aus. Diese Informationen vom Nutzerzahlprädiktor 112 und den Umgebungssensoren des Gebäudes 102 werden als Rückmeldung an die HVAC-Steuereinrichtung 106 weitergeleitet, um die Steuereffizienz zu verbessern. Insbesondere erzeugt die HVAC-Steuereinrichtung 106 für einen bevorstehenden Zeitschlitz eine Fehlvorhersagetypenverteilung durch Abtasten der historischen Vorhersage- und richtigen Nutzerzahlinformationen. Basierend auf der Fehlvorhersagetypenverteilung und der Informationen zur vorhergesagten Nutzerzahl für einen bestimmten Zeitschlitz bestimmt die HVAC-Steuereinrichtung 106 die HVAC-Leistung durch Minimieren der erwarteten Fehlvorhersagekosten.
Was die Klassifizierung und Verteilung von Fehlvorhersagen betrifft, so kann die Fehlvorhersagetypenverteilung in den verschiedenen Zeitschlitzen des Tages auf Grundlage der in Echtzeit gesammelten Vorhersage- und tatsächlichen Nutzerzahldaten aktualisiert werden. Für die kommenden N Zeitschlitze werden die historischen Vorhersage- und die richtigen Belegungsstatusdaten zur gleichen Tageszeit abgetastet und die Häufigkeit der verschiedenen Fehlvorhersagetypen gezählt. Seien $p_{i}^{t n} (k), p_{i}^{f p} (k), p_{i}^{f n} (k) und p_{i}^{t p} (k)$
die Wahrscheinlichkeit,dass die Wahrscheinlichkeit, dass die Fehlvorhersagetypen richtig negativ, falsch positiv, falsch negativ und richtig positiv in der Zone i für den Zeitschlitz k existieren. Die Verteilung dieser vier Typen von Fehlvorhersagen kann an den Teil zur Optimierung der Fehlvorhersagekosten weitergeleitet werden.
Insbesondere kann die HVAC-Steuereinrichtung 106, die $P (\hat{O c c} (t))$
berechnet, empfindlich auf die Fehlvorhersage reagieren, wenn es eine große Wahrscheinlichkeit einer falsch positiven/negativen Fehlvorhersage aufgrund der falschen Gewichtung zwischen zwei Zielen gibt. Daher zielt der Teil zur Optimierung der Fehlvorhersagekosten darauf ab, die HVAC-Leistung zu bestimmen, um die Fehlvorhersagekostenerwartung zu minimieren, die auf der Wahrscheinlichkeit beruht, den Belegungsstatus für einen gegebenen vorhergesagten Status richtig oder falsch vorherzusagen.
Es wird daran erinnert, dass das Ziel der Vorhersagemodell-HVAC-Steuerung mit der richtigen Belegungszahl Occ_i(k) für die Zone i im Zeitschlitz k wie folgt definiert ist: $J_{i} (k) = | u_{i} (k) | + β O c c_{i} (k) | P M V_{i} (k) |$
Bezeichnenderweise verfügt die Berechnung zu Beginn des Zeitschlitzes k nur über die vorhergesagte Nutzerzahl für zukünftige N Zeitschlitze und n Zonen.
Seien $\hat{u_{i}} (k) und \hat{P M V_{i}} (k)$
der Energieverbrauch und PMV bei Verwendung von $\hat{O c c_{i}} (k)$
zur Lösung von Gleichung (1) für die Zone i und den Zeitschlitz k sein. Hier ist der Steuerzielwert mit $\hat{u_{i}} (k) und \hat{O c c_{i}} (k)$
definiert als $J_{i} (k) = | \hat{u_{i}} (k) | + β O c c_{i} (k) | \hat{P M V_{i}} (k) |$
Dann können die Fehlvorhersagekosten als $Δ J_{i} (k) = \hat{J_{i}} (k) - J_{i} (k)$
definiert werden.
Die Fehlvorhersagekostenerwartung für die Zone i und die Region k kann wie folgt definiert werden: $\begin{array}{l} E (Δ J_{i} (k)) = \frac{p_{i}^{f p} (k) Δ J_{i}^{f p} (k)}{p_{i}^{f p} (k) + p_{i}^{t p} (k)} + \frac{p_{i}^{t p} (k) Δ J_{i}^{t p} (k)}{p_{i}^{f p} (k) + p_{i}^{t p} (k)} \\ o d e r = \frac{p_{i}^{t n} (k) Δ J_{i}^{t n} (k)}{p_{i}^{t n} (k) + p_{i}^{f n} (k)} + \frac{p_{i}^{f n} (k) Δ J_{i}^{f n} (k)}{p_{i}^{t n} (k) + p_{i}^{f n} (k)} \end{array}$
Gemäß der vorhergesagten Belegungsstatusinformationen können diese verschiedenen mathematischen Gleichungen der Fehlvorhersagekostenerwartung definiert werden. $Δ J_{i}^{f p} (k),$
$Δ J_{i}^{f n} (k), Δ J_{i}^{t p} (k) und Δ J_{i}^{t n} (k)$
können sich auf die Fehlvorhersagekosten der entsprechenden verschiedenen Typen von Fehlvorhersagen beziehen (falsch positiv, falsch negativ, richtig positiv bzw. richtig negativ). Diese können wie vorliegend beschrieben berechnet werden.
Wie in Tabelle 1 gezeigt, befindet sich sowohl bei der richtig negativen als auch bei der falsch positiven Fehlvorhersage kein Nutzer in der Zone, so dass die Fehlvorhersagekosten die verschwendete Energie sein sollten, die wie folgt dargestellt werden kann: $Δ J_{i}^{t n} (k) = | \hat{u_{i}} (k) |, Δ J_{i}^{f p} (k) = | \hat{u_{i}} (k) |$
Für die richtig positive Vorhersage ist der durch eine Steuerentscheidung $\hat{u_{i}} (k)$
ermittelte $Zeilwert \hat{J_{l}} (k) = | \hat{u_{l}} (k) | + β \hat{O c c_{l}} (k) | \hat{P M V_{l}} (k) |,$
wobei der vorhergesagte Wert $\hat{O c c_{l}} (k)$
als Istwert verwendet wird, da der Prädiktor eine richtig positive Vorhersage macht. Wenn der Belegungsstatus korrekt als belegt vorhergesagt wird, wird die optimale HVAC-Leistung in der Zone i während des Zeitschlitzes k auch von den anderen nN - 1 Entscheidungsvariablen beeinflusst. Daher kann der optimale Zielwert von Zone i und Zeitschlitz k mit richtig positiver Vorhersage als der erwartete optimale Zielwert mit 2^nN-1 möglichen Fällen definiert werden. Für den Fall 1 ≤ j ≤ 2^nN-1 sei P_j die Wahrscheinlichkeit, dass dieser Fall vorliegt. Für den Fall, dass bestimmte Vorhersageinformationen richtig oder falsch sind, kann die Problemformulierung bestimmt und der optimale Zielwert berechnet werden, der mit J_i,j(k) bezeichnet wird. Dies führt zu $J_{i}^{t p} (k)$
$\sum_{j = 1}^{2^{n N - 1}} P_{j} J_{i, j} (k | I_{j} (k) = richtig positiv),$
wobei I_i(k) eine Indikatorfunktion ist, die den Fehlvorhersagetyp anzeigt. Die Fehlvorhersagekosten können definiert werden als: $\begin{array}{l} Δ J_{i}^{t p} (k) = | \hat{u_{i}} (k) | + β \hat{O c c_{l}} (k) | \hat{P M V_{l}} (k) | \\ - \sum_{j = 1}^{2^{n N - 1}} P_{j} J_{i, j} (k | I_{i} (k) = richtig positiv) \end{array}$
In der vorstehenden Funktion ist $J_{i}^{t p} (k)$
ein vorberechneter konstanter Wert für die gegebene Vorhersage- und Fehlvorhersageverteilung von n Zonen und N Zeitschlitzen und $\hat{P M V_{l}} (k)$
ist ebenfalls eine lineare Funktion, die sich auf $\hat{u_{l}}$
(k) bezieht. Daher ist $Δ J_{i}^{t p} (k)$
eine lineare Funktion von $\hat{u_{l}} (k) .$
Für die falsch negative Vorhersage gilt $\hat{J_{l}} (k) = | \hat{u_{l}} (k) | + β | \hat{P M V_{l}} (k) |,$
wobei Occi(k) = 1 verwendet wird, da der Prädiktor den Status als unbelegt folgert. Der optimale Zielwert von Zeitschlitz k und Zone i, bezeichnet als $J_{i}^{f n} (k),$
ist ebenfalls ein erwarteter optimaler Zielwert. Diese Gleichung kann wie folgt definiert werden: $\begin{array}{l} Δ J_{i}^{t p} (k) = | \hat{u_{i}} (k) | + β \hat{O c c_{l}} (k) | \hat{P M V_{l}} (k) | \\ - \sum_{j = 1}^{2^{n N - 1}} P_{j} J_{i, j} (k | I_{i} (k) = falsch negativ) \end{array}$
Diese Gleichung (5) ist ebenfalls eine lineare Gleichung, die sich auf die HVAC-Leistung $\hat{u_{l}} (k),1 \leq$
$i \leq n,1 \leq k \leq N$
bezieht.
Die Fehlvorhersage-Gesamtkostenerwartung kann über N Zeitschlitze und n Zonen minimiert werden, definiert als $\sum_{i = 1}^{n} \sum_{k = t}^{t + N - 1} E (Δ J_{j} (k)) .$
Gemäß Gleichung (2) ist E(ΔJ_i(k)) linear zu $Δ J_{i}^{f p} (k) und Δ J_{i}^{t p} (k) oder Δ J_{i}^{f n} (k) .$
Auf Grundlage der vorherigen Definition dieser vier Variablen sind diese linear zu den Steuerentscheidungsvariablen $\hat{u_{l}} (k) .$
Daher ist die Zielfunktion linear zur HVAC-Leistung $\hat{u_{l}} (k) .$
Das Problem des Bestimmens der HVAC-Leistung zur Minimierung der Fehlvorhersage-Gesamtkosten kann also wie folgt formuliert werden: $min_{\hat{u} (k), \hat{x (k)}} \sum_{k = t}^{t + N - 1} \sum_{i = 1}^{n} E (Δ J_{i} (k))$
unter der Nebenbedingung x̂(k + 1) = Ax̂(k) + B_uû(k) + B_dd̂(k) $\begin{array}{l} \hat{y} (k) = C \hat{x} (k) \\ \underline{U_{i}} \leq \hat{u_{i}} (k) \leq \bar{U_{i}} \end{array}$
Da die Zielfunktion des Problems der Minimierung der Fehlvorhersage-Gesamtkosten linear zu den Entscheidungsvariablen ist, und da alle Einschränkungen ebenfalls linear sind, ist Gleichung (6) konvex und kann mit einem konvexen Optimierer gelöst werden.

Der Pseudocode des Algorithmus der adaptiven modellprädiktiven HVAC-Steuereinrichtung 106 ist in Algorithmus 1 dargestellt. Zu Beginn jedes Zeitschlitzes t wird der thermische Zustand des Gebäudes aktualisiert und die Nutzerzahl für die zukünftigen N Zeitschlitze in n Zonen vorhergesagt. Dann aktualisiert der Teil zur Klassifizierung und Verteilung von Fehlvorhersagen die Wahrscheinlichkeit der verschiedenen Typen von Fehlvorhersagen für N Zeitschlitze und n Zonen. Gemäß der vorhergesagten Nutzerzahl und der Verteilung der Fehlvorhersagetypen wird das Ziel der Minimierung der Fehlvorhersage-Gesamtkostenerwartung aktualisiert. Die Gleichung (6) kann dann gelöst werden, um die optimale HVAC-Leistung zu bestimmen, die robust gegenüber zufälligen Fehlvorhersagen ist.

Algorithmus 1: Echtzeit-HVAC-Leistungssteuerung durch adaptive modellprädiktive HVAC-Steuereinrichtung
	Eingabe: Zeithorizont N Zeitschlitze; Anzahl der Zonen n; Gewichtung durch Gebäudemanager entschieden, um zwei Ziele β auszugleichen.
	Ausgabe: Steuerentscheidung: u_i (k), 1 ≤ i ≤ n, t ≤ k ≤ t + N - 1
	1. während Zu Beginn jedes Zeitschlitzes t, bezeichnet als t-ter Zeitschlitz führe durch
		2. Aktualisieren des thermischen Ausgangszustands des Gebäudes x(t - 1);
		3. Aktualisieren der vorhergesagten Nutzerzahlen in den bevorstehenden N Zeitschlitzen Zder n onen, bezeichnet als $\hat{O c c} (t);$
		4. Aktualisieren der Fehlvorhersagetypenverteilung $p_{i}^{t n} (k), p_{i}^{f p} (k), p_{i}^{f n} (k) u n d p_{i}^{t p} (k)$ zfür die ukünftigen N Zeitschlitze und n Zonen.
		5. Aktualisieren der Fehlvorhersage-Gesamtkostenerwartung $\sum_{i, k} E (Δ J_{i} (k))$ gemäß der vorhergesagten Nutzerzahl $\hat{O c c_{i}} (k)$ und der Fehlvorhersagetypenverteilung gemäß Gleichung (2).
		6. Lösen der Gleichung (6), um die HVAC-Leistung $\hat{u_{l}} (k) für 1 \leq i \leq n und t \leq k \leq$ $t + N - 1$ zu bestimmen.
	7. beende und
	8. kehre zurück zu HVAC-Leistungsentscheidungen

Basierend auf der empirischen Performance-Analyse der Prädiktoren und der Steuerung unter Verwendung der HVAC-Steuereinrichtung 106 zeigt die belegungsbewusste Steuerung während der Zeitschlitze mit kleiner Fehlvorhersagewahrscheinlichkeit eine sehr gute Performance im Vergleich zur Verwendung der richtigen Nutzerzahl. Bei Zeitschlitzen mit großer Fehlvorhersagewahrscheinlichkeit ist es jedoch aufgrund der geringen richtigen Nutzerzahl schwierig, den Belegungsstatus mit hoher Genauigkeit zu schätzen. Hier bietet der Ansatz der wahrscheinlichkeitsbasierten adaptiven HVAC-Steuereinrichtung 106 im Wesentlichen eine probabilistische Garantie, dass, wenn ∈ Prozentsätze aller Fehlvorhersagetypendaten der abgetasteten Fehlvorhersagetypenverteilung folgen, die vorliegend vorgeschlagene Lösung die Fehlvorhersage-Gesamtkosten von ∈ Prozentsätzen zukünftiger Zeitschlitze minimieren kann. Nach dem Gesetz der großen Zahlen nähert sich bei langfristigen Belegungsdaten der ∈ Prozentsatz der Fehlvorhersagen von Zeitschlitzen der richtigen Verteilung an. Daher kann dieser Ansatz die Fehlvorhersagekostenerwartung über die Zeit minimieren.
10 veranschaulicht einen beispielhaften Prozess 1000 zum Steuern eines HVAC-Betriebs eines Gebäudes 102 zur Minimierung eines Energieverbrauchs unter Verwendung vorhergesagter Nutzerzahlen und unter Berücksichtigung von Fehlvorhersagekosten. In einem Beispiel kann der Prozess 1000 durch den Betrieb der HVAC-Steuereinrichtung 106 durchgeführt werden, wie vorliegend im Einzelnen beschrieben.
Im Arbeitsschritt 1002 aktualisiert die HVAC-Steuereinrichtung 106 einen thermischen Zustand einer Vielzahl von Zonen des Gebäudes 102 gemäß einem thermischen Gebäudemodell 110 und Informationen, die von Temperatursensoren des Gebäudes 102 empfangen werden. In einem Beispiel ist das thermische Gebäudemodell 110 ein dynamisches Modell, das beschreibt, wie sich der thermische Zustand des Gebäudes auf der Grundlage von gebäudeinternen und gebäudeexternen Temperaturstörungen während der Vielzahl von Zeitschlitzen und der Wärmeaustauschkonfiguration der Vielzahl von Zonen des Gebäudes 102 ändert.
Im Arbeitsschritt 1004 aktualisiert die HVAC-Steuereinrichtung 106 die vorhergesagten Nutzerzahlen für eine kommende Vielzahl von Zeitschlitzen für jede der Vielzahl von Zonen unter Verwendung der tatsächlichen Belegungszahlen für jede der Vielzahl von Zonen. In einem Beispiel kann die HVAC-Steuereinrichtung 106 die aktuellen Belegungszahlen unter Verwendung von Belegungssensoren 108 in der Nähe jeder Türöffnung des Gebäudes bestimmen, so dass Echtzeit-Tiefenbilder von den Belegungssensoren 108 bereitgestellt werden, die die Belegungszahlen für die Zonen in Reaktion auf die durch die Türöffnungen ein- oder austretenden Bewohner schätzen. Die vorhergesagten Nutzerzahlen können unter Verwendung eines Prädiktors 112 modelliert werden, der eine zeitlich inhomogene Markov-Kette, bei der jeder Zustand eine Nutzerzahl darstellt, ein Übergang zwischen den Zuständen sich auf eine zeitliche Belegungsänderung bezieht und eine Wahrscheinlichkeitsverteilung eines nächsten Zustands von einem aktuellen Zustand und einer aktuellen Zeit abhängt; ein Linearregressionsmodell, das eine Regressionsfunktion verwendet, um eine nächste Belegungszahl aus einer aktuellen Belegungszahl vorherzusagen; und/oder ein rekurrentes neuronales Netz umfasst, das zeitliche und kontextuelle Merkmale kombiniert, um die nächste Belegungszahl aus der aktuellen Belegungszahl vorherzusagen.
Im Arbeitsschritt 1006 aktualisiert die HVAC-Steuereinrichtung 106 eine Fehlvorhersagetypenverteilung für die bevorstehende Vielzahl von Zeitschlitzen für jede der Vielzahl von Zonen, wobei die Fehlvorhersagetypenverteilung Fehlvorhersagen für richtige Negative, falsche Positive, falsche Negative und richtige Positive anzeigt. Zum Beispiel kann die Fehlvorhersagetypenverteilung basierend auf den vorhergesagten Nutzerzahlen und den tatsächlichen Belegungszahlen für die Vielzahl von Zeitschlitzen, die später gemessen werden, für eine Vielzahl von Zeitschlitzen für jede der Vielzahl von Zonen aktualisiert werden.
Im Arbeitsschritt 1008 aktualisiert die HVAC-Steuereinrichtung 106 eine Fehlvorhersage-Gesamtkostenerwartung gemäß den vorhergesagten Nutzerzahlen und der Fehlvorhersagetypenverteilung. In einem Beispiel wird die Fehlvorhersagekostenerwartung für die Vielzahl von Zeitschlitzen für jede der Vielzahl von Zonen unter Verwendung eines Satzes von linearen Gleichungen aktualisiert, die sich auf die HVAC-Leistung für jedes von richtigen Negativen, falschen Positiven, falschen Negativen und richtigen Positiven beziehen.
Im Arbeitsschritt 1010 bestimmt die HVAC-Steuereinrichtung 106 die HVAC-Leistung für jede der mehreren Zonen, um die thermische Behaglichkeit der Nutzer zu optimieren, gewichtet gemäß den vorhergesagten Nutzerzahlen, während die Fehlvorhersage-Gesamtkostenerwartung minimiert wird. Diese Bestimmung kann auf Faktoren wie die Wärmeaustauschkonfiguration des Gebäudes 102 und die minimale und maximale HVAC-Leistung, die für jede der mehreren Zonen verfügbar ist, beschränkt sein.
Im Arbeitsschritt 1012 steuert die HVAC-Steuereinrichtung 106 den HVAC-Betrieb des Gebäudes 102 gemäß der für jede der Vielzahl von Zonen ermittelten HVAC-Leistung. Nach dem Arbeitsschritt 1012 endet der Prozess 1000. Es sollte jedoch beachtet werden, dass der Prozess 1000 iterativ ist und einige oder alle der beschriebenen Arbeitsschritte des Prozesses 1000 gleichzeitig ausgeführt werden können und/oder sich in einer schleifenartigen iterativen Weise wiederholen können, um den Betrieb des HVAC-Systems über die Zeit zu steuern.
Somit sind die von den Belegungssensoren 108 empfangene Echtzeit-Nutzerzahl und die mithilfe des Vorhersagemodells 112 ermittelte vorhergesagte zukünftige Nutzerzahl in jeder Zone des Gebäudes 102 nützlich für das Bereitstellen einer effizienten HVAC-Steuerung. In einem Aspekt informiert der genaue binäre Belegungsstatus, z.B. belegt oder nicht, die HVAC-Steuereinrichtung 106, um zu bestimmen, wann die Gebäude-HVAC 104 ein- oder ausgeschaltet werden soll. In einem anderen Aspekt kann die HVAC-Steuereinrichtung 106 aufgrund der Wärmeabgabe der Nutzer selbst die Nutzerzahlen nutzen, um Energie zu sparen und entsprechend präzise zu heizen und zu kühlen. In diesem Rahmen können Belegungssensoren 108 die Echtzeit-Nutzerzahlen verschiedener Zonen des Gebäudes 102 erfassen, wobei dieser Datensatz verwendet werden kann, um das Vorhersagemodell 112 zu entwerfen und eine prädiktive HVAC-Steuereinrichtung 106 zu erstellen.
Für die MPC- (Model Predictive Control) basierte HVAC-Steuereinrichtung 106 wird ein MPC-basiertes Optimierungsproblem gelöst, um die HVAC-Leistung für die zukünftigen Zeitschlitze zu bestimmen. Die MPC-Steuereinrichtung 106 diskretisiert die Zeitachse in mehrere Zeitschlitze und betrachtet die Leistungssteuerung für zukünftige N Zeitschlitze zu Beginn des Zeitschlitzes t. Ein Zeitschlitz kann durch k, (k = t,..., t + N - 1)indiziert werden. Für die Modellierung kann angenommen werden, dass es n Zonen in einem Gebäude 102 gibt und dass u(k) sich auf einen Spaltenvektor der Länge n bezieht, um die Steuereingabe zu beschreiben, z.B. die Heiz-/Kühlleistung während des Zeitschlitzes k für n Zonen.
11 veranschaulicht eine beispielhafte Datenverarbeitungseinrichtung 1100 zum Durchführen von Aspekten des vorliegend im Einzelnen beschriebenen HVAC-Betriebs. Die Algorithmen und/oder Methodiken der Komponenten des Systems 100, wie z.B. die HVAC-Steuereinrichtung 106, können mit einer solchen Datenverarbeitungseinrichtung 1100 implementiert werden. Die Datenverarbeitungseinrichtung 1100 kann einen Speicher 1102, einen Prozessor 1104 und einen nichtflüchtigen Speicher 1106 umfassen. Der Prozessor 1104 kann eine oder mehrere Einrichtungen umfassen, die aus Hochleistungs-Datenverarbeitungs- (HPC-, high-performance computing) Systemen ausgewählt sind, einschließlich Hochleistungs-Cores, Mikroprozessoren, Mikrocontrollern, digitalen Signalprozessoren, Mikrocomputern, Zentraleinheiten, feldprogrammierbaren Gate-Arrays, programmierbaren Logikeinrichtungen, Zustandsautomaten, Logikschaltungen, analogen Schaltungen, digitalen Schaltungen oder anderen Einrichtungen, die Signale (analog oder digital) auf Grundlage von computerausführbaren Anweisungen, die sich im Speicher 1102 befinden, manipulieren. Der Speicher 1102 kann eine einzelne Speichervorrichtung oder eine Reihe von Speichervorrichtungen umfassen, einschließlich, ohne jedoch hierauf eingeschränkt zu sein, Direktzugriffsspeicher (RAM), flüchtigen Speicher, nichtflüchtigen Speicher, statischen Direktzugriffsspeicher (SRAM), dynamischen Direktzugriffsspeicher (DRAM), Flash-Speicher, Cache-Speicher oder jede andere Einrichtung, die Informationen speichern kann. Der nichtflüchtige Speicher 1106 kann eine oder mehrere persistente Datenspeichereinrichtungen umfassen, beispielsweise eine Festplatte, ein optisches Laufwerk, ein Bandlaufwerk, eine nichtflüchtige Solid-State-Einrichtung, einen Cloud-Speicher oder eine andere Einrichtung, die in der Lage ist, Informationen persistent zu speichern.
Der Prozessor 1104 kann so konfiguriert sein, dass er in den Speicher 1102 einliest und computerausführbare Anweisungen ausführt, die sich in Programmanweisungen 1108 des nichtflüchtigen Speichers 1106 befinden und Algorithmen und/oder Methodiken einer oder mehrerer Ausführungsformen verkörpern. Die Programmanweisungen 1108 können Betriebssysteme und Anwendungen umfassen. Die Programmanweisungen 1108 können aus Computerprogrammen kompiliert oder interpretiert werden, die mit einer Vielzahl von Programmiersprachen und/oder Technologien erstellt wurden, einschließlich, ohne Einschränkung, und entweder allein oder in Kombination, Java, C, C++, C#, Objective C, Fortran, Pascal, Java Script, Python, Perl und PL/SQL.
Bei Ausführung durch den Prozessor 1104 können die computerausführbaren Anweisungen der Programmanweisungen 1108 die Datenverarbeitungseinrichtung 1100 veranlassen, einen oder mehrere der vorliegend offenbarten Algorithmen und/oder Methodiken zu implementieren. Der nichtflüchtige Speicher 1106 kann auch Daten 1110 umfassen, die die Funktionen, Merkmale und Prozesse der einen oder mehreren vorliegend beschriebenen Ausführungsformen unterstützen.
Die vorliegend offenbarten Prozesse, Methoden oder Algorithmen können an eine Verarbeitungseinrichtung, eine Steuereinrichtung oder einen Computer geliefert bzw. von diesem implementiert werden, was jede vorhandene programmierbare elektronische Steuereinheit oder dedizierte elektronische Steuereinheit umfassen kann. Ebenso können die Prozesse, Verfahren oder Algorithmen als Daten und Anweisungen gespeichert werden, die von einer Steuereinrichtung oder einem Computer in vielen Formen ausgeführt werden können, einschließlich, ohne jedoch hierauf eingeschränkt zu sein, Informationen, die dauerhaft auf nicht beschreibbaren Speichermedien wie ROM-Einrichtungen gespeichert sind, und Informationen, die veränderbar auf beschreibbaren Speichermedien wie Disketten, Magnetbändern, CDs, RAM-Einrichtungen und anderen magnetischen und optischen Medien gespeichert sind. Die Prozesse, Verfahren oder Algorithmen können auch in einem ausführbaren Software-Objekt implementiert sein. Alternativ können die Prozesse, Verfahren oder Algorithmen ganz oder teilweise unter Verwendung geeigneter Hardwarekomponenten verkörpert werden, wie beispielsweise anwendungsspezifische integrierte Schaltungen (ASICs), feldprogrammierbare Gate-Arrays (FPGAs), Zustandsautomaten, Steuereinrichtungen oder andere Hardwarekomponenten oder -einrichtungen oder eine Kombination aus Hardware-, Software- und Firmwarekomponenten.
Während vorstehend beispielhafte Ausführungsformen beschrieben werden, ist nicht beabsichtigt, dass diese Ausführungsformen alle möglichen Formen beschreiben, die von den Ansprüchen umfasst sind. Die in der Beschreibung verwendeten Wörter sind eher beschreibend als einschränkend, und es versteht sich, dass verschiedene Änderungen vorgenommen werden können, ohne vom Grundgedanken und Umfang der Offenbarung abzuweichen. Wie vorstehend beschrieben, können die Merkmale verschiedener Ausführungsformen zu weiteren Ausführungsformen der Erfindung kombiniert werden, die möglicherweise nicht explizit beschrieben oder abgebildet sind. Während verschiedene Ausführungsformen als vorteilhaft oder bevorzugt gegenüber anderen Ausführungsformen oder Implementierungen des Standes der Technik in Bezug auf eine oder mehrere gewünschte Eigenschaften beschrieben wurden, erkennt ein Fachmann, dass eine oder mehrere Eigenschaften oder Merkmale beeinträchtigt werden können, um die gewünschten Gesamtsystemeigenschaften zu erreichen, die von der spezifischen Anwendung und Implementierung abhängen. Diese Attribute können, ohne jedoch hierauf eingeschränkt zu sein, Kosten, Festigkeit, Haltbarkeit, Lebenszykluskosten, Marktfähigkeit, Aussehen, Verpackung, Größe, Wartungsfreundlichkeit, Gewicht, Herstellbarkeit, einfache Montage usw. umfassen. In dem Maße, in dem Ausführungsformen als weniger wünschenswert als andere Ausführungsformen oder Implementierungen des Standes der Technik in Bezug auf ein oder mehrere Merkmale beschrieben werden, liegen diese Ausführungsformen nicht außerhalb des Anwendungsbereichs der Offenbarung und können für bestimmte Anwendungen wünschenswert sein.

Claims

Verfahren zum Steuern des Heizungs-, Lüftungs- und Klimatechnik- (HVAC-) Betriebs eines Gebäudes zur Minimierung eines Energieverbrauchs unter Verwendung vorhergesagter Nutzerzahlen und Berücksichtigung von Fehlvorhersagekosten, umfassend: Aktualisieren eines thermischen Zustands einer Vielzahl von Zonen des Gebäudes gemäß einem thermischen Gebäudemodell und von Temperatursensoren des Gebäudes empfangenen Informationen; Aktualisieren vorhergesagter Nutzerzahlen für eine bevorstehende Vielzahl von Zeitschlitzen für jede der Vielzahl von Zonen unter Verwendung tatsächlicher Belegungszahlen für jede der Vielzahl von Zonen; Aktualisieren einer Fehlvorhersagetypenverteilung für die bevorstehende Vielzahl von Zeitschlitzen für jede der Vielzahl von Zonen, wobei die Fehlvorhersagetypenverteilung Fehlvorhersagen für richtige Negative, falsche Positive, falsche Negative und richtige Positive anzeigt; Aktualisieren einer Fehlvorhersage-Gesamtkostenerwartung gemäß den vorhergesagten Nutzerzahlen und der Fehlvorhersagetypenverteilung; Bestimmen einer HVAC-Leistung für jede der Vielzahl von Zonen, um die thermische Behaglichkeit der Nutzer gemäß den vorhergesagten Nutzerzahlen gewichtet zu optimieren, während die Fehlvorhersage-Gesamtkostenerwartung minimiert wird, wobei das Bestimmen auf eine Wärmeaustauschkonfiguration des Gebäudes und eine für jede der Vielzahl von Zonen verfügbare minimale und maximale HVAC-Leistung beschränkt wird; und Steuern des HVAC-Betriebs des Gebäudes gemäß der für jede der Vielzahl von Zonen bestimmten HVAC-Leistung.
Verfahren nach Anspruch 1, wobei das thermische Gebäudemodell ein dynamisches Modell ist, das beschreibt, wie sich der thermische Zustand des Gebäudes auf der Grundlage von gebäudeinternen und gebäudeexternen Temperaturstörungen während der Vielzahl von Zeitschlitzen und der Wärmeaustauschkonfiguration der Vielzahl von Zonen des Gebäudes ändert.
Verfahren nach Anspruch 1, ferner umfassend Bestimmen der aktuellen Belegungszahlen unter Verwendung von Belegungssensoren in der Nähe jeder Türöffnung des Gebäudes, so dass Echtzeit-Tiefenbilder von den Belegungssensoren bereitgestellt werden, die die Belegungszahlen für die Zonen in Reaktion auf die durch die Türöffnungen ein- oder austretenden Bewohner schätzen.
Verfahren nach Anspruch 1, ferner umfassend Modellieren der vorhergesagten Nutzerzahlen unter Verwendung eines oder mehrerer der Folgenden: einer zeitlich inhomogenen Markov-Kette, wobei jeder Zustand eine Nutzerzahl repräsentiert, ein Übergang zwischen Zuständen sich auf eine zeitliche Belegungsänderung bezieht und eine Wahrscheinlichkeitsverteilung eines nächsten Zustands von einem aktuellen Zustand und einer aktuellen Zeit abhängt; eines Linearregressionsmodells unter Verwendung einer Regressionsfunktion zur Vorhersage einer nächsten Belegungszahl aus einer aktuellen Belegungszahl; oder eines rekurrenten neuronalen Netzes, das zeitliche und kontextuelle Merkmale kombiniert, um die nächste Belegungszahl aus der aktuellen Belegungszahl vorherzusagen.
Verfahren nach Anspruch 1, ferner umfassend Aktualisieren der Fehlvorhersagetypenverteilung für die Vielzahl von Zeitschlitzen für jede der Vielzahl von Zonen auf Grundlage der vorhergesagten Nutzerzahlen und der tatsächlichen Belegungszahlen für die Vielzahl von Zeitschlitzen, wie sie später gemessen werden.
Verfahren nach Anspruch 1, ferner umfassend Aktualisieren der Fehlvorhersagekostenerwartung für die Vielzahl von Zeitschlitzen für jede der Vielzahl von Zonen unter Verwendung eines Satzes von linearen Gleichungen, die sich auf die HVAC-Leistung für jedes von richtigen Negativen, falschen Positiven, falschen Negativen und richtigen Positiven beziehen.
System zum Steuern des Heizungs-, Lüftungs- und Klimatechnik- (HVAC-) Betriebs eines Gebäudes zur Minimierung eines Energieverbrauchs unter Verwendung vorhergesagter Nutzerzahlen und Berücksichtigung von Fehlvorhersagekosten, umfassend: eine HVAC-Steuereinrichtung, die so programmiert ist, dass sie: einen thermischen Zustand einer Vielzahl von Zonen des Gebäudes gemäß einem thermischen Gebäudemodell und von Temperatursensoren des Gebäudes empfangenen Informationen aktualisiert; vorhergesagte Nutzerzahlen für eine bevorstehende Vielzahl von Zeitschlitzen für jede der Vielzahl von Zonen unter Verwendung tatsächlicher Belegungszahlen für jede der Vielzahl von Zonen aktualisiert; eine Fehlvorhersagetypenverteilung für die bevorstehende Vielzahl von Zeitschlitzen für jede der Vielzahl von Zonen aktualisiert, wobei die Fehlvorhersagetypenverteilung Fehlvorhersagen für richtige Negative, falsche Positive, falsche Negative und richtige Positive anzeigt; eine Fehlvorhersage-Gesamtkostenerwartung gemäß den vorhergesagten Nutzerzahlen und der Fehlvorhersagetypenverteilung aktualisiert; eine HVAC-Leistung für jede der Vielzahl von Zonen bestimmt, um eine thermische Behaglichkeit der Nutzer gewichtet gemäß den vorhergesagten Nutzerzahlen zu optimieren, während die Fehlvorhersage-Gesamtkostenerwartung minimiert wird, wobei das Bestimmen auf eine Wärmeaustauschkonfiguration des Gebäudes und eine für jede der Vielzahl von Zonen verfügbare minimale und maximale HVAC-Leistung beschränkt ist; und einen HVAC-Betrieb des Gebäudes gemäß der für jede der Vielzahl von Zonen bestimmten HVAC-Leistung steuert.
System nach Anspruch 7, wobei das thermische Gebäudemodell ein dynamisches Modell ist, das beschreibt, wie sich der thermische Zustand des Gebäudes auf der Grundlage von gebäudeinternen und gebäudeexternen Temperaturstörungen während der Vielzahl von Zeitschlitzen und der Wärmeaustauschkonfiguration der Vielzahl von Zonen des Gebäudes ändert.
System nach Anspruch 7, wobei die HVAC-Steuereinrichtung ferner so programmiert ist, dass sie die tatsächlichen Belegungszahlen unter Verwendung von Belegungssensoren in der Nähe jeder Türöffnung des Gebäudes bestimmt, so dass Echtzeit-Tiefenbilder von den Belegungssensoren bereitgestellt werden, die die Belegungszahlen für die Zonen in Reaktion auf die durch die Türöffnungen ein- oder austretenden Bewohner schätzen.
System nach Anspruch 7, wobei die HVAC-Steuereinrichtung ferner so programmiert ist, dass sie die vorhergesagten Nutzerzahlen unter Verwendung eines oder mehrerer der Folgenden modelliert: einer zeitlich inhomogenen Markov-Kette, wobei jeder Zustand eine Nutzerzahl repräsentiert, ein Übergang zwischen Zuständen sich auf eine zeitliche Belegungsänderung bezieht und eine Wahrscheinlichkeitsverteilung eines nächsten Zustands von einem aktuellen Zustand und einer aktuellen Zeit abhängt; eines Linearregressionsmodells unter Verwendung einer Regressionsfunktion zur Vorhersage einer nächsten Belegungszahl aus einer aktuellen Belegungszahl; oder eines rekurrenten neuronalen Netzes, das zeitliche und kontextuelle Merkmale kombiniert, um die nächste Belegungszahl aus der aktuellen Belegungszahl vorherzusagen.
System nach Anspruch 7, wobei die HVAC-Steuereinrichtung ferner so programmiert ist, dass sie die Fehlvorhersagetypenverteilung für die Vielzahl von Zeitschlitzen für jede der Vielzahl von Zonen auf Grundlage der vorhergesagten Nutzerzahlen und der tatsächlichen Belegungszahlen für die Vielzahl von Zeitschlitzen, wie sie später gemessen werden, aktualisiert.
System nach Anspruch 7, wobei die HVAC-Steuereinrichtung ferner so programmiert ist, dass sie die Fehlvorhersagekostenerwartung für die Vielzahl von Zeitschlitzen für jede der Vielzahl von Zonen unter Verwendung eines Satzes von linearen Gleichungen aktualisiert, die sich auf die HVAC-Leistung für jedes von richtigen Negativen, falschen Positiven, falschen Negativen und richtigen Positiven beziehen.
Nicht transientes computerlesbares Medium, das Anweisungen zum Steuern eines Heizungs-, Lüftungs- und Klimatechnik- (HVAC-) Betriebs eines Gebäudes umfasst, um einen Energieverbrauch unter Verwendung vorhergesagter Nutzerzahlen und unter Berücksichtigung von Fehlvorhersagekosten zu minimieren, die bei Ausführung durch eine HVAC-Steuereinrichtung die HVAC-Steuereinrichtung veranlassen: einen thermischen Zustand einer Vielzahl von Zonen des Gebäudes gemäß einem thermischen Gebäudemodell und von Temperatursensoren des Gebäudes empfangenen Informationen zu aktualisieren; vorhergesagte Nutzerzahlen für eine bevorstehende Vielzahl von Zeitschlitzen für jede der Vielzahl von Zonen unter Verwendung tatsächlicher Belegungszahlen für jede der Vielzahl von Zonen zu aktualisieren; eine Fehlvorhersagetypenverteilung für die bevorstehende Vielzahl von Zeitschlitzen für jede der Vielzahl von Zonen zu aktualisieren, wobei die Fehlvorhersagetypenverteilung Fehlvorhersagen für richtige Negative, falsche Positive, falsche Negative und richtige Positive anzeigt; eine Fehlvorhersage-Gesamtkostenerwartung gemäß den vorhergesagten Nutzerzahlen und der Fehlvorhersagetypenverteilung zu aktualisieren; eine HVAC-Leistung für jede der Vielzahl von Zonen zu bestimmen, um eine thermische Behaglichkeit der Nutzer gewichtet gemäß den vorhergesagten Nutzerzahlen zu optimieren, während die Fehlvorhersage-Gesamtkostenerwartung minimiert wird, wobei das Bestimmen auf eine Wärmeaustauschkonfiguration des Gebäudes und eine für jede der Vielzahl von Zonen verfügbare minimale und maximale HVAC-Leistung beschränkt ist; und einen HVAC-Betrieb des Gebäudes gemäß der für jede der Vielzahl von Zonen bestimmten HVAC-Leistung zu steuern.
Medium nach Anspruch 13, wobei das thermische Gebäudemodell ein dynamisches Modell ist, das beschreibt, wie sich der thermische Zustand des Gebäudes auf der Grundlage von gebäudeinternen und gebäudeexternen Temperaturstörungen während der Vielzahl von Zeitschlitzen und der Wärmeaustauschkonfiguration der Vielzahl von Zonen des Gebäudes ändert.
Medium nach Anspruch 13, ferner umfassend Anweisungen, die bei Ausführung durch die HVAC-Steuereinrichtung die HVAC-Steuereinrichtung veranlassen, die tatsächlichen Belegungszahlen unter Verwendung von Belegungssensoren in der Nähe jeder Türöffnung des Gebäudes zu bestimmen, so dass Echtzeit-Tiefenbilder von den Belegungssensoren bereitgestellt werden, die die Belegungszahlen für die Zonen in Reaktion auf die durch die Türöffnungen ein- oder austretenden Bewohner schätzen.
Medium nach Anspruch 13, ferner umfassend Anweisungen , die bei Ausführung durch die HVAC-Steuereinrichtung die HVAC-Steuereinrichtung veranlassen, die vorhergesagten Nutzerzahlen unter Verwendung eines oder mehrerer der Folgenden zu modellieren: einer zeitlich inhomogenen Markov-Kette, wobei jeder Zustand eine Nutzerzahl repräsentiert, ein Übergang zwischen Zuständen sich auf eine zeitliche Belegungsänderung bezieht und eine Wahrscheinlichkeitsverteilung eines nächsten Zustands von einem aktuellen Zustand und einer aktuellen Zeit abhängt; eines Linearregressionsmodells unter Verwendung einer Regressionsfunktion zur Vorhersage einer nächsten Belegungszahl aus einer aktuellen Belegungszahl; oder eines rekurrenten neuronalen Netzes, das zeitliche und kontextuelle Merkmale kombiniert, um die nächste Belegungszahl aus der aktuellen Belegungszahl vorherzusagen.
Medium nach Anspruch 13, ferner umfassend Anweisungen, die bei Ausführung durch die HVAC-Steuereinrichtung die HVAC-Steuereinrichtung veranlassen, die Fehlvorhersagetypenverteilung für die Vielzahl von Zeitschlitzen für jede der Vielzahl von Zonen auf Grundlage der vorhergesagten Nutzerzahlen und der tatsächlichen Belegungszahlen für die mehreren Zeitschlitze, wie sie später gemessen werden, zu aktualisieren.
Medium nach Anspruch 13, ferner umfassend Anweisungen, die bei Ausführung durch die HVAC-Steuereinrichtung die HVAC-Steuereinrichtung veranlassen, die Fehlvorhersagekostenerwartung für die Vielzahl von Zeitschlitzen für jede der Vielzahl von Zonen unter Verwendung eines Satzes von linearen Gleichungen zu aktualisieren, die sich auf die HVAC-Leistung für jedes von richtigen Negativen, falschen Positiven, falschen Negativen und richtigen Positiven beziehen.