JP7075944B2

JP7075944B2 - 予測建物制御システムと同システム内の機器を動作させる方法

Info

Publication number: JP7075944B2
Application number: JP2019556840A
Authority: JP
Inventors: ロバートディー．ターニー、
Original assignee: Johnson Controls Technology Co
Current assignee: Johnson Controls Technology Co
Priority date: 2017-04-25
Filing date: 2018-04-13
Publication date: 2022-05-26
Anticipated expiration: 2038-04-13
Also published as: EP3616007A1; JP2020517886A; US11391484B2; WO2018200225A1; CN110753886A; US20180306459A1; CN110753886B; US10845083B2; US20210055016A1

Description

関連出願への相互参照
本出願は、２０１７年４月２５日出願の米国仮特許出願第６２／４８９，９７５号の利益及び優先権を主張し、上記仮特許出願の開示全体を参照により本明細書に援用する。

本開示は、一般に、ＨＶＡＣ機器によって消費されるエネルギーの費用を最適化するべく予測モデルを使用する予測建物制御システムに関する。更に詳しくは、本開示は、予測モデルの最適化に関する制約を自動的に生成するべくニューラルネットワークモデルを使用する建物制御システムに関する。

本開示の一実装は、予測建物制御システムである。システムは、建物に対する加熱又は冷却を提供するべく動作可能な機器と、予測コントローラと、を含む。予測コントローラは、１つ又は複数の制約に従って最適化期間のそれぞれの時間ステップにおける機器用の設定点を生成するべく最適化を実行するように構成された１つ又は複数の最適化コントローラと、１つ又は複数の制約を生成するべくニューラルネットワークモデルを使用するように構成された制約生成器と、最適化期間のそれぞれの時間ステップにおける１つ又は複数の最適化コントローラによって生成された設定点を実現するべく機器を動作させるように構成された機器コントローラと、を含む。

いくつかの実施形態においては、制約生成器は、制約生成器によって生成された制約を満足であるか又は不満足であるとして分類し、且つ、制約生成器によって生成された制約が、満足であるとして分類されているのか、或いは、不満足であるとして分類されているのか、に基づいて、ニューラルネットワークモデルをトレーニングするように構成されたニューラルネットワークモデラを有する。

いくつかの実施形態においては、制約生成器は、制約生成器によって生成された制約の性能スコアを生成すると共に性能スコアを使用してニューラルネットワークモデルをトレーニングするように構成されたニューラルネットワークモデラを含む。

いくつかの実施形態においては、機器は、建物内の建物ゾーンのゾーン温度に影響を及ぼすべく動作する建物機器を含む。設定点は、最適化期間のそれぞれの時間ステップにおける建物ゾーン用のゾーン温度設定点を含むことができる。制約は、ゾーン温度設定点に関する１つ又は複数の温度境界を含むことができる。

いくつかの実施形態においては、制約生成器は、１つ又は複数の最適化コントローラによって生成された設定点に対する手動調節を検出し、制約生成器によって生成された制約の性能スコアを生成するべく手動調節の大きさを使用し、且つ、性能スコアを使用してニューラルネットワークモデルをトレーニングするように、構成されたニューラルネットワークモデラを含む。

いくつかの実施形態においては、機器は、建物に提供される冷水出力又は熱水出力の水温に影響を及ぼすべく動作する中央プラント機器を含む。設定点は、最適化期間のそれぞれの時間ステップにおける冷水出力又は熱水出力用の水温設定点を含むことができる。制約は、水温設定点に関する１つ又は複数の温度境界を含むことができる。

いくつかの実施形態においては、制約生成器は、１つ又は複数の熱交換器を通じて冷水出力又は熱水出力の流量を調節する流量制御弁の弁位置を検出し、制約生成器によって生成された制約の性能スコアを生成するべく、検出された弁位置と完全開放弁位置の間の差を使用し、且つ、性能スコアを使用してニューラルネットワークモデルをトレーニングするように構成されたニューラルネットワークモデラを含む。

いくつかの実施形態においては、ニューラルネットワークモデルは、１つ又は複数の入力ニューロンを有する入力層と、１つ又は複数の出力ニューロンを有する出力層と、入力層と出力層の間の中間層の１つ又は複数の組と、を含む、畳み込みニュートラルネットワークモデルである。中間層のそれぞれの組は、畳み込み層と、整流線形ユニット（ＲｅＬＵ：ＲｅｃｔｉｆｉｅｄＬｉｎｅａｒＵｎｉｔ）層と、プーリング層と、を含むことができる。

いくつかの実施形態においては、入力ニューロンは、屋外気温、特定の曜日、特定の日付、建物の占有状態のうちの少なくとも１つのものの値を含む。

いくつかの実施形態においては、出力ニューロンは、最適化期間のそれぞれの時間ステップにおける１つ又は複数の最適化コントローラによって生成された設定点に関する最小境界又は最適化期間のそれぞれの時間ステップにおける１つ又は複数の最適化コントローラによって生成された設定点に関する最大境界のうちの少なくとも１つのものの値を含む。

本開示の別の実装は、予測建物制御システム内の機器を動作させる方法である。方法は、入力の組をニューラルネットワークモデルに適用することにより、１つ又は複数の制約を生成するステップと、１つ又は複数の制約に従って最適化期間のそれぞれの時間ステップにおける機器用の設定点を生成するべく最適化を実行するステップと、最適化期間のそれぞれの時間ステップにおける設定点を実現するべく機器を動作させるステップと、を含む。

いくつかの実施形態においては、方法は、制約を満足であるか又は不満足であるとして分類するステップと、制約が、満足であると分類されているのか又は不満足であると分類されているのかに基づいてニューラルネットワークモデルをトレーニングするステップと、を含む。

いくつかの実施形態においては、方法は、制約の性能スコアを生成するステップと、性能スコアを使用してニューラルネットワークモデルをトレーニングするステップと、を含む。

いくつかの実施形態においては、機器は、建物ゾーンのゾーン温度に影響を及ぼすべく動作する建物機器を含む。設定点は、最適化期間のそれぞれの時間ステップにおける建物ゾーン用のゾーン温度設定点を含むことができる。制約は、ゾーン温度設定点に関する１つ又は複数の温度境界を含むことができる。

いくつかの実施形態においては、方法は、最適化を実行することによって生成された設定点に対する手動調節を検出するステップと、制約の性能スコアを生成するべく手動調節の大きさを使用するステップと、性能スコアを使用してニューラルネットワークモデルをトレーニングするステップと、を含む。

いくつかの実施形態においては、方法は、１つ又は複数の熱交換器を通じた冷水出力又は熱水出力の流量を調節する流量制御弁の弁位置を検出するステップと、制約の性能スコアを生成するべく、検出された弁位置と完全開放弁位置の間の差を使用するステップと、性能スコアを使用してニューラルネットワークモデルをトレーニングするステップと、含む。

いくつかの実施形態においては、ニューラルネットワークモデルは、１つ又は複数の入力ニューロンを有する入力層と、１つ又は複数の出力ニューロンを有する出力層と、入力層と出力層の間の中間層の１つ又は複数の組と、を含む畳み込みニューラルネットワークモデルである。中間層のそれぞれの組は、畳み込み層と、整流線形ユニット（ＲｅＬＵ）層と、プーリング層と、を含むことができる。

いくつかの実施形態においては、入力ニューロンは、屋外気温、特定の曜日、特定の日付、又は建物の占有状態のうちの少なくとも１つのものの値を含む。

いくつかの実施形態においては、出力ニューロンは、最適化期間のそれぞれの時間ステップの最適化を実行することによって生成された設定点に関する最小境界及び最適化期間のそれぞれの時間ステップの最適化を実行することによって生成された設定点に関する最大境界のうちの少なくとも１つのものの値を含む。

上記の概要は単に例示にすぎず、何ら限定を意図するものではないことを当業者には理解されたい。特許請求の範囲によってのみ定義される、本明細書で述べるデバイス及び／又はプロセスの他の態様、進歩性のある特徴、及び利点は、本明細書で述べる詳細な説明を添付図面と併せて読めば明らかになろう。

いくつかの実施形態による、ＨＶＡＣシステムを備えたビルディングを示す図である。いくつかの実施形態による、図１の建物に対する加熱又は冷却を提供するべく使用されうるウォーターサイドシステム（例えば、中央プラント）の概略図である。いくつかの実施形態による、図１の建物に対する加熱又は冷却を提供するべく使用されうるエアサイドシステムのブロック図である。いくつかの実施形態による、予測コントローラを有する建物エネルギーシステムのブロック図である。いくつかの実施形態による、図４の建物エネルギーシステムのいくつかのコンポーネントを示す図面である。いくつかの実施形態による、図４の予測コントローラを更に詳細に示すブロック図である。いくつかの実施形態による、図４の予測コントローラの制約生成器を更に詳細に示すブロック図である。いくつかの実施形態による、図７の制約生成器によって生成及び使用されうる畳み込みニューラルネットワーク（ＣＮＮ）の図面である。

ビルディング及びＨＶＡＣシステム
ここで、図１～図３を参照すると、いくつかの実施形態による、本開示のシステム及び方法を実施することができるビルディング及びＨＶＡＣシステムが示されている。簡単な概要として、図１は、ＨＶＡＣシステム１００を備えたビルディング１０を示す。図２は、ビルディング１０にサービス提供するために使用することができるウォーターサイドシステム２００のブロック図である。図３は、ビルディング１０にサービス提供するために使用することができるエアサイドシステム３００のブロック図である。

ビルディング及びＨＶＡＣシステム
特に図１を参照すると、ビルディング１０の斜視図が示されている。ビルディング１０は、ＢＭＳによってサービス提供される。ＢＭＳは、一般に、ビルディング又はビルディングエリアの内部又は周辺の機器を制御、監視、及び管理するように構成されたデバイスのシステムである。ＢＭＳは、例えば、ＨＶＡＣシステム、セキュリティシステム、照明システム、火災警報システム、ビルディングの機能若しくはデバイスを管理することが可能な任意の他のシステム、又はそれらの任意の組合せを含むことができる。

ビルディング１０にサービス提供するＢＭＳは、ＨＶＡＣシステム１００を含む。ＨＶＡＣシステム１００は、ビルディング１０のための暖房、冷房、換気、又は他のサービスを提供するように構成された複数のＨＶＡＣデバイス（例えば、加熱器、冷却器、エアハンドリングユニット、ポンプ、ファン、熱エネルギー貯蔵装置など）を含み得る。例えば、ＨＶＡＣシステム１００は、ウォーターサイドシステム１２０及びエアサイドシステム１３０を含むものとして示されている。ウォーターサイドシステム１２０は、加熱又は冷却された流体をエアサイドシステム１３０のエアハンドリングユニットに提供し得る。エアサイドシステム１３０は、加熱又は冷却された流体を使用して、ビルディング１０に提供される気流を加熱又は冷却し得る。ＨＶＡＣシステム１００で使用され得る例示的なウォーターサイドシステム及びエアサイドシステムについては、図２～３を参照してより詳細に述べる。

ＨＶＡＣシステム１００は、冷却器１０２、ボイラ１０４、及び屋上エアハンドリングユニット（ＡＨＵ）１０６を含むものとして示されている。ウォーターサイドシステム１２０は、ボイラ１０４及び冷却器１０２を使用して、作動流体（例えば水やグリコールなど）を加熱又は冷却することができ、作動流体をＡＨＵ１０６に循環させ得る。様々な実施形態において、ウォーターサイドシステム１２０のＨＶＡＣデバイスは、（図１に示されるように）ビルディング１０内若しくは周囲に位置していても、又は中央プラント（例えば冷却器プラント、蒸気プラント、熱プラントなど）など場外の位置に位置していてもよい。作動流体は、ビルディング１０に暖房が必要とされているか冷房が必要とされているかに応じて、ボイラ１０４で加熱されるか、又は冷却器１０２で冷却され得る。ボイラ１０４は、例えば、可燃性材料（例えば天然ガス）を燃焼することによって、又は電気加熱要素を使用することによって、循環される流体に熱を加え得る。冷却器１０２は、循環される流体を、熱交換器（例えば蒸発器）内の別の流体（例えば冷媒）との熱交換関係にして、循環される流体から熱を吸収し得る。冷却器１０２及び／又はボイラ１０４からの作動流体は、配管１０８を通してＡＨＵ１０６に輸送され得る。

ＡＨＵ１０６は、（例えば冷却コイル及び／又は加熱コイルの１つ又は複数のステージを通って）ＡＨＵ１０６を通過する気流と作動流体を熱交換関係にすることができる。気流は、例えば外気、ビルディング１０内からの還気、又はそれら両方の組合せであってもよい。ＡＨＵ１０６は、気流と作動流体との間で熱を伝達して、気流を加熱又は冷却し得る。例えば、ＡＨＵ１０６は、１つ又は複数のファン又は送風機を含んでもよく、ファン又は送風機は、作動流体を含む熱交換器の上に、又は熱交換器を通して空気を流すように構成される。次いで、作動流体は、配管１１０を通って冷却器１０２又はボイラ１０４に戻り得る。

エアサイドシステム１３０は、ＡＨＵ１０６によって供給される気流（すなわち給気流）を、給気ダクト１１２を通してビルディング１０に送給し、還気を、ビルディング１０から還気ダクト１１４を通してＡＨＵ１０６に提供し得る。いくつかの実施形態では、エアサイドシステム１３０は、複数の可変空気体積（ＶＡＶ）ユニット１１６を含む。例えば、エアサイドシステム１３０は、ビルディング１０の各フロア又は区域に別個のＶＡＶユニット１１６を含むものとして示されている。ＶＡＶユニット１１６は、ビルディング１０の個々の区域に提供される給気流の量を制御するように動作させることができるダンパ又は他の流量制御要素を含み得る。他の実施形態では、エアサイドシステム１３０は、中間ＶＡＶユニット１１６又は他の流量制御要素を使用せずに、（例えば給気ダクト１１２を通して）ビルディング１０の１つ又は複数の区域に給気流を送給する。ＡＨＵ１０６は、給気流の属性を測定するように構成された様々なセンサ（例えば温度センサや圧力センサなど）を含み得る。ＡＨＵ１０６は、ＡＨＵ１０６内及び／又はビルディング区域内に位置するセンサからの入力を受信することができ、ＡＨＵ１０６を通る給気流の流量、温度、又は他の属性を調節して、ビルディング区域に関する設定値条件を実現し得る。

ウォーターサイドシステム
次に図２を参照すると、いくつかの実施形態によるウォーターサイドシステム２００のブロック図が示されている。様々な実施形態において、ウォーターサイドシステム２００は、ＨＶＡＣシステム１００内のウォーターサイドシステム１２０を補助するか、若しくはそれに置き代わってもよく、又はＨＶＡＣシステム１００とは別個に実装されてもよい。ＨＶＡＣシステム１００に実装されるとき、ウォーターサイドシステム２００は、ＨＶＡＣシステム１００内のＨＶＡＣデバイスのサブセット（例えばボイラ１０４、冷却器１０２、ポンプ、弁など）を含んでもよく、加熱又は冷却された流体をＡＨＵ１０６に供給するように動作し得る。ウォーターサイドシステム２００のＨＶＡＣデバイスは、ビルディング１０内に（例えばウォーターサイドシステム１２０の構成要素として）位置しても、中央プラントなど場外の位置に位置してもよい。

図２で、ウォーターサイドシステム２００は、複数のサブプラント２０２～２１２を有する中央プラントとして示されている。サブプラント２０２～２１２は、加熱器サブプラント２０２、熱回収冷却器サブプラント２０４、冷却器サブプラント２０６、冷却塔サブプラント２０８、高温熱エネルギー貯蔵（ＴＥＳ）サブプラント２１０、及び冷熱エネルギー貯蔵（ＴＥＳ）サブプラント２１２を含むものとして示されている。サブプラント２０２～２１２は、公益事業からの資源（例えば水、天然ガス、電気など）を消費して、ビルディング又はキャンパスの熱エネルギー負荷（例えば温水、冷水、暖房、冷房など）を提供する。例えば、加熱器サブプラント２０２は、加熱器サブプラント２０２とビルディング１０との間で温水を循環させる温水ループ２１４内の水を加熱するように構成され得る。冷却器サブプラント２０６は、冷却器サブプラント２０６とビルディング１０との間で冷水を循環させる冷水ループ２１６内の水を冷却するように構成され得る。熱回収冷却器サブプラント２０４は、冷水ループ２１６から温水ループ２１４に熱を伝達して、温水のための追加加熱及び冷水のための追加冷却を可能にするように構成され得る。凝縮器水ループ２１８が、冷却器サブプラント２０６内の冷水から熱を吸収し、吸収された熱を冷却塔サブプラント２０８内に排除するか、又は吸収された熱を温水ループ２１４に伝達し得る。高温ＴＥＳサブプラント２１０及び低温ＴＥＳサブプラント２１２は、その後の使用のために、それぞれ高熱及び低熱エネルギーを貯蔵し得る。

温水ループ２１４及び冷水ループ２１６は、ビルディング１０の屋上に位置するエアハンドラ（例えばＡＨＵ１０６）に、又はビルディング１０の個々のフロア若しくは区域（例えばＶＡＶユニット１１６）に、加熱及び／又は冷却された水を送給し得る。エアハンドラは、水が流れる熱交換器（例えば加熱コイル又は冷却コイル）に空気を押し通して、空気を加熱又は冷却する。加熱又は冷却された空気は、ビルディング１０の個々の区域に送給されて、ビルディング１０の熱エネルギー負荷を提供し得る。次いで、水はサブプラント２０２～２１２に戻り、さらなる加熱又は冷却を受ける。

サブプラント２０２～２１２は、ビルディングへの循環用の水を加熱及び冷却するものとして図示されて述べられているが、熱エネルギー負荷を供給するために水の代わりに、又は水に加えて、任意の他のタイプの作動流体（例えばグリコールやＣＯ２など）が使用されてもよいことを理解されたい。他の実施形態では、サブプラント２０２～２１２は、中間伝熱流体を必要とせずに、ビルディング又はキャンパスに加熱及び／又は冷却を直接提供し得る。ウォーターサイドシステム２００に対するこれら及び他の変形形態も本開示の教示の範囲内にある。

サブプラント２０２～２１２はそれぞれ、サブプラントの機能を実現しやすくするように構成された様々な機器を含み得る。例えば、加熱器サブプラント２０２は、温水ループ２１４内の温水に熱を加えるように構成された複数の加熱要素２２０（例えばボイラや電気加熱器など）を含むものとして示されている。また、加熱器サブプラント２０２は、いくつかのポンプ２２２及び２２４を含むものとして示されており、これらのポンプ２２２及び２２４は、温水ループ２１４内で温水を循環させ、個々の加熱要素２２０を通る温水の流量を制御するように構成される。冷却器サブプラント２０６は、冷水ループ２１６内の冷水から熱を除去するように構成された複数の冷却器２３２を含むものとして示されている。また、冷却器サブプラント２０６は、いくつかのポンプ２３４及び２３６を含むものとして示されており、ポンプ２３４及び２３６は、冷水ループ２１６内で冷水を循環させ、個々の冷却器２３２を通る冷水の流量を制御するように構成される。

熱回収冷却器サブプラント２０４は、冷水ループ２１６から温水ループ２１４に熱を伝達するように構成された複数の熱回収熱交換器２２６（例えば冷蔵回路）を含むものとして示されている。また、熱回収冷却器サブプラント２０４は、いくつかのポンプ２２８及び２３０を含むものとして示されており、ポンプ２２８及び２３０は、熱回収熱交換器２２６を通して温水及び／又は冷水を循環させ、個々の熱回収熱交換器２２６を通る水の流量を制御するように構成される。冷却塔サブプラント２０８は、凝縮器水ループ２１８内の凝縮器水から熱を除去するように構成された複数の冷却塔２３８を含むものとして示されている。また、冷却塔サブプラント２０８は、いくつかのポンプ２４０を含むものとして示されており、ポンプ２４０は、凝縮器水ループ２１８内で凝縮器水を循環させ、個々の冷却塔２３８を通る凝縮器水の流量を制御するように構成される。

高温ＴＥＳサブプラント２１０は、後の使用のために温水を貯蔵するように構成された高温ＴＥＳタンク２４２を含むものとして示されている。また、高温ＴＥＳサブプラント２１０は、１つ又は複数のポンプ又は弁を含んでもよく、これらのポンプ又は弁は、高温ＴＥＳタンク２４２の内外への温水の流量を制御するように構成される。低温ＴＥＳサブプラント２１２は、後の使用のために冷水を貯蔵するように構成された低温ＴＥＳタンク２４４を含むものとして示されている。また、低温ＴＥＳサブプラント２１２は、１つ又は複数のポンプ又は弁を含むこともあり、これらのポンプ又は弁は、低温ＴＥＳタンク２４４の内外への冷水の流量を制御するように構成される。

いくつかの実施形態では、ウォーターサイドシステム２００内のポンプ（例えばポンプ２２２、２２４、２２８、２３０、２３４、２３６、及び／又は２４０）又はウォーターサイドシステム２００内のパイプラインの１つ又は複数が、それらに関連付けられた隔離弁を含む。隔離弁は、ウォーターサイドシステム２００内の流体の流れを制御するために、ポンプと一体化されても、ポンプの上流又は下流に位置決めされてもよい。様々な実施形態において、ウォーターサイドシステム２００は、ウォーターサイドシステム２００の特定の構成と、ウォーターサイドシステム２００によって提供される負荷のタイプとに基づいて、より多数、より少数、又は異なるタイプのデバイス及び／又はサブプラントを含むこともある。

エアサイドシステム
次に図３を参照すると、いくつかの実施形態によるエアサイドシステム３００のブロック図が示されている。様々な実施形態において、エアサイドシステム３００は、ＨＶＡＣシステム１００内のエアサイドシステム１３０を補助するか、若しくはそれに置き代わってもよく、又はＨＶＡＣシステム１００とは別個に実装されてもよい。ＨＶＡＣシステム１００に実装されるとき、エアサイドシステム３００は、ＨＶＡＣシステム１００内のＨＶＡＣデバイスのサブセット（例えばＡＨＵ１０６、ＶＡＶユニット１１６、ダクト１１２～１１４、ファン、ダンパなど）を含んでもよく、ビルディング１０内又は周辺に位置し得る。エアサイドシステム３００は、ウォーターサイドシステム２００によって提供される加熱又は冷却された流体を使用して、ビルディング１０に提供される気流を加熱又は冷却するように動作し得る。

図３に、エアサイドシステム３００が、エコノマイザ型エアハンドリングユニット（ＡＨＵ）３０２を含むものとして示されている。エコノマイザ型ＡＨＵは、加熱又は冷却のためにエアハンドリングユニットによって使用される外気及び還気の量を変える。例えば、ＡＨＵ３０２は、ビルディング区域３０６から還気ダクト３０８を通して還気３０４を受け取ってもよく、給気ダクト３１２を通してビルディング区域３０６に給気３１０を送給してもよい。いくつかの実施形態では、ＡＨＵ３０２は、ビルディング１０の屋根に位置する屋上ユニット（例えば図１に示されるＡＨＵ１０６）、又は還気３０４と外気３１４との両方を受け取るように他の場所に位置決めされた屋上ユニットである。ＡＨＵ３０２は、混ざり合って給気３１０を生成する外気３１４と還気３０４との量を制御するために、排気ダンパ３１６、混合ダンパ３１８、及び外気ダンパ３２０を動作させるように構成され得る。混合ダンパ３１８を通過しない還気３０４は、ＡＨＵ３０２から排気ダンパ３１６を通して排気３２２として排出され得る。

各ダンパ３１６～３２０は、アクチュエータによって動作することができる。例えば、排気ダンパ３１６はアクチュエータ３２４によって動作することができ、混合ダンパ３１８はアクチュエータ３２６によって動作することができ、外気ダンパ３２０はアクチュエータ３２８によって動作することができる。アクチュエータ３２４～３２８は、通信リンク３３２を介してＡＨＵ制御装置３３０と通信し得る。アクチュエータ３２４～３２８は、ＡＨＵ制御装置３３０から制御信号を受信することができ、ＡＨＵ制御装置３３０にフィードバック信号を提供し得る。フィードバック信号は、例えば、現在のアクチュエータ又はダンパ位置の標示、アクチュエータによって及ぼされるトルク又は力の量、診断情報（例えばアクチュエータ３２４～３２８によって実施された診断テストの結果）、ステータス情報、試運転情報、構成設定、較正データ、及び／又はアクチュエータ３２４～３２８によって収集、記憶、若しくは使用され得る他のタイプの情報若しくはデータを含み得る。ＡＨＵ制御装置３３０は、１つ又は複数の制御アルゴリズム（例えば、状態ベースアルゴリズム、極値探索制御（ＥＳＣ）アルゴリズム、比例積分（ＰＩ）制御アルゴリズム、比例積分微分（ＰＩＤ）制御アルゴリズム、モデル予測制御（ＭＰＣ）アルゴリズム、フィードバック制御アルゴリズムなど）を使用してアクチュエータ３２４～３２８を制御するように構成されたエコノマイザ制御装置であってもよい。

引き続き図３を参照すると、ＡＨＵ３０２は、給気ダクト３１２内に位置決めされた冷却コイル３３４、加熱コイル３３６、及びファン３３８を含むものとして示されている。ファン３３８は、給気３１０を冷却コイル３３４及び／又は加熱コイル３３６に通し、さらに給気３１０をビルディング区域３０６に提供するように構成され得る。ＡＨＵ制御装置３３０は、通信リンク３４０を介してファン３３８と通信して、給気３１０の流量を制御し得る。いくつかの実施形態では、ＡＨＵ制御装置３３０は、ファン３３８の速度を調整することによって、給気３１０に加えられる加熱又は冷却の量を制御する。

冷却コイル３３４は、冷却された流体を、配管３４２を通してウォーターサイドシステム２００から（例えば冷水ループ２１６から）受け取ることができ、また、冷却された流体を、配管３４４を通してウォーターサイドシステム２００に戻すことができる。冷却コイル３３４を通る冷却流体の流量を制御するために、配管３４２又は配管３４４に沿って弁３４６が位置決めされ得る。いくつかの実施形態では、冷却コイル３３４は、給気３１０に加えられる冷却量を調整するために、（例えばＡＨＵ制御装置３３０やＢＭＳ制御装置３６６などによって）独立して作動及び作動停止され得る複数ステージの冷却コイルを含む。

加熱コイル３３６は、加熱された流体を、配管３４８を通してウォーターサイドシステム２００から（例えば温水ループ２１４から）受け取ることができ、また、加熱された流体を、配管３５０を通してウォーターサイドシステム２００に戻すことができる。加熱コイル３３６を通る加熱流体の流量を制御するために、配管３４８又は配管３５０に沿って弁３５２が位置決めされ得る。いくつかの実施形態では、加熱コイル３３６は、給気３１０に加えられる加熱量を調整するために、（例えばＡＨＵ制御装置３３０やＢＭＳ制御装置３６６などによって）独立して作動及び作動停止され得る複数ステージの加熱コイルを含む。

弁３４６及び３５２はそれぞれ、アクチュエータによって制御され得る。例えば、弁３４６はアクチュエータ３５４によって制御されてもよく、弁３５２はアクチュエータ３５６によって制御されてもよい。アクチュエータ３５４～３５６は、通信リンク３５８～３６０を介してＡＨＵ制御装置３３０と通信し得る。アクチュエータ３５４～３５６は、ＡＨＵ制御装置３３０から制御信号を受信することができ、制御装置３３０にフィードバック信号を提供し得る。いくつかの実施形態では、ＡＨＵ制御装置３３０は、給気ダクト３１２内（例えば冷却コイル３３４及び／又は加熱コイル３３６の下流）に位置決めされた温度センサ３６２から給気温度の測定値を受信する。また、ＡＨＵ制御装置３３０は、ビルディング区域３０６内に位置する温度センサ３６４からビルディング区域３０６の温度の測定値を受信することもある。

いくつかの実施形態では、ＡＨＵ制御装置３３０は、アクチュエータ３５４～３５６によって弁３４６及び３５２を操作して、（例えば給気３１０の設定値温度を実現するため、又は設定値温度範囲内で給気３１０の温度を維持するために）給気３１０に提供される加熱又は冷却の量を調整する。弁３４６及び３５２の位置は、冷却コイル３３４又は加熱コイル３３６によって給気３１０に提供される加熱又は冷却の量に影響を及ぼし、所望の給気温度を実現するために消費されるエネルギーの量と相関し得る。ＡＨＵ３３０は、コイル３３４～３３６を作動若しくは作動停止させること、ファン３３８の速度を調節すること、又はそれら両方の組合せによって、給気３１０及び／又はビルディング区域３０６の温度を制御し得る。

引き続き図３を参照すると、エアサイドシステム３００は、ビルディング管理システム（ＢＭＳ）制御装置３６６及びクライアントデバイス３６８を含むものとして示されている。ＢＭＳ制御装置３６６は、システムレベル制御装置として働く１つ又は複数のコンピュータシステム（例えばサーバ、監視制御装置、サブシステム制御装置など）、アプリケーション若しくはデータサーバ、ヘッドノード、又は、エアサイドシステム３００用のマスタ制御装置、ウォーターサイドシステム２００、ＨＶＡＣシステム１００、及び／又はビルディング１０にサービス提供する他の制御可能なシステムを含み得る。ＢＭＳ制御装置３６６は、複数の下流のビルディングシステム又はサブシステム（例えばＨＶＡＣシステム１００、セキュリティシステム、照明システム、ウォーターサイドシステム２００など）と、同様の又は異なるプロトコル（例えばＬＯＮやＢＡＣｎｅｔなど）に従って通信リンク３７０を介して通信し得る。様々な実施形態において、ＡＨＵ制御装置３３０とＢＭＳ制御装置３６６は、（図３に示されるように）別々であっても、一体化されていてもよい。一体化された実装では、ＡＨＵ制御装置３３０は、ＢＭＳ制御装置３６６のプロセッサによって実行されるように構成されたソフトウェアモジュールであってもよい。

いくつかの実施形態では、ＡＨＵ制御装置３３０は、ＢＭＳ制御装置３６６から情報（例えばコマンド、設定値、動作境界など）を受信し、ＢＭＳ制御装置３６６に情報（例えば温度測定値、弁又はアクチュエータ位置、動作ステータス、診断など）を提供する。例えば、ＡＨＵ制御装置３３０は、温度センサ３６２～３６４からの温度測定値、機器のオン／オフ状態、機器の動作能力、及び／又は任意の他の情報をＢＭＳ制御装置３６６に提供することができ、これらの情報をＢＭＳ制御装置３６６が使用して、ビルディング区域３０６内の変動する状態又は条件を監視又は制御することができる。

クライアントデバイス３６８は、ＨＶＡＣシステム１００、そのサブシステム、及び／又はデバイスを制御、閲覧、又は他の形でそれらと対話するための１つ又は複数の人間－機械インターフェイス又はクライアントインターフェース（例えば、グラフィカルユーザインターフェース、報告インターフェイス、テキストベースのコンピュータインターフェイス、クライアントフェーシングウェブサービス、ウェブクライアントにページを提供するウェブサーバなど）を含み得る。クライアントデバイス３６８は、コンピュータワークステーション、クライアント端末、遠隔若しくはローカルインターフェイス、又は任意の他のタイプのユーザインターフェイスデバイスであってもよい。クライアントデバイス３６８は、固定端末でもモバイルデバイスでもよい。例えば、クライアントデバイス３６８は、デスクトップコンピュータ、ユーザインターフェースを備えるコンピュータサーバ、ラップトップコンピュータ、タブレット、スマートフォン、ＰＤＡ、又は任意の他のタイプのモバイルデバイス若しくは非モバイルデバイスであってもよい。クライアントデバイス３６８は、通信リンク３７２を介してＢＭＳ制御装置３６６及び／又はＡＨＵ制御装置３３０と通信し得る。

予測制御を有する建物エネルギーシステム
まず、図４～図５を参照すれば、いくつかの実施形態による、予測制御を有する建物エネルギーシステム４００が示されている。システム４００において示されているコンポーネントのいくつかは、図１～図３を参照して説明したように、ＨＶＡＣシステム１００、ウォーターサイドシステム２００、及び／又はエアサイドシステム３００の一部分であってよい。例えば、システム４００は、１つ又は複数の建物４０４と、中央プラント４０６と、を含むキャンパス４０２を含むものとして示されている。建物４０４は、建物４０４にサービスするように構成された様々な建物機器（例えば、ＨＶＡＣ機器）のいずれかを含むことができる。例えば、建物４０４は、１つ又は複数のエアハンドリングユニット、ルーフトップユニット、冷却器、ボイラ、可変冷媒流量（ＶＲＦ：ＶａｒｉａｂｌｅＲｅｆｒｉｇｅｒａｎｔＦｌｏｗ）システム、或いは、建物４０４に対する加熱又は冷却を提供するべく動作可能なその他のＨＶＡＣ機器を含むことができる。中央プラント４０６は、ウォーターサイドシステム２００のコンポーネント（例えば、加熱器サブプラント２０２、熱回収冷却器サブプラント２０４、冷却器サブプラント２０６、冷却塔サブプラント２０８、高温熱エネルギー貯蔵（ＴＥＳ：ＴｈｅｒｍａｌＥｎｅｒｇｙＳｔｏｒａｇｅ）サブプラント２１０、及び低温熱エネルギー貯蔵（ＴＥＳ）サブプラント２１２など）のうちのいくつか又はすべてを含むことができる。中央プラントの機器（例えば、ウォーターサイド機器）は、建物４０４に対する加熱又は冷却を提供するべく、建物４０４の機器（例えば、エアサイド機器）との組み合わせにおいて使用することができる。

キャンパス４０２は、エネルギーグリッド４１２、電池４１４、及びグリーンエネルギー生成４０８を含む、いくつかの異なる電力供給源により、電力供給することができる。エネルギーグリッド４１２は、電気事業によって運営される電気グリッドを含むことができる。エネルギーグリッド４１２によって提供される電力は、Ｐ_ｇｒｉｄとして示されている。グリーンエネルギー生成４０８は、再生可能なエネルギー供給源（即ち、グリーンエネルギー）を使用してエネルギーを生成している任意のシステム又は装置を含むことができる。例えば、グリーンエネルギー生成４０８は、太陽光発電所、風力タービンのアレイ、水力発電機、地熱発電機、或いは、システム４００内において使用されるグリーンエネルギーを収集及び／又は生成する任意のその他のタイプの機器又はシステムを含むことができる。グリーンエネルギー生成４０８によって提供される電力は、Ｐ_{ｇｒｅｅｎ}として示されている。電池４１４は、電気エネルギー（即ち、エネルギーグリッド４１２及び／又はグリーンエネルギー生成４０８によって提供される電気）を保存及び放出するように構成することができる。電池４１４によって提供される電力は、Ｐ_ｂａｔとして示されており、これは、電池４１４が放電している場合には、正であることが可能であり、且つ、電池４１４が充電している場合には、負でありうる。

電池電力インバータ４１６は、直流（ＤＣ：ＤｉｒｅｃｔＣｕｒｒｅｎｔ）と交流（ＡＣ：ＡｌｔｅｒｎａｔｉｎｇＣｕｒｒｅｎｔ）の間において電力を変換するように構成することができる。例えば、電池４１４は、ＤＣ電力を保存及び出力するように構成することができる一方で、エネルギーグリッド４１２及びキャンパス４０２は、ＡＣ電力を消費及び提供するように構成することができる。電池電力インバータ４１６は、電池４１４からのＤＣ電力をエネルギーグリッド４１２及び／又はキャンパス４０２のグリッド周波数に対して同期した正弦波ＡＣ出力に変換するように、使用することができる。また、電池電力インバータ４１６は、エネルギーグリッド４１２からのＡＣ電力を電池４１４内において保存されうるＤＣ電力に変換するように、使用することもできる。電池４１４の電力出力は、Ｐ_ｂａｔとして示されている。Ｐ_ｂａｔは、電池４１４が電力を電力インバータ４１６に提供している（即ち、電池４１４が放電している）場合には、正であってよく、且つ、電池４１４が電力インバータ４１６から電力を受け取っている（即ち、電池４１４が放電している）場合には、負であってよい。

また、グリーン電力インバータ４１８も、直流（ＤＣ）と交流（ＡＣ）の間において電力を変換するように構成することができる。例えば、グリーンエネルギー生成４０８は、ＤＣ電力を生成するように構成することができる一方で、キャンパス４０２は、ＡＣ電力を消費するように構成することができる。グリーン電力インバータ４１８は、グリーンエネルギー生成４０８からのＤＣ電力をエネルギーグリッド４１２及び／又はキャンパス４０２のグリッド周波数に対して同期した正弦波ＡＣ出力に変換するように、使用することができる。

いくつかの例においては、電力インバータ４１６～４１８は、電池４１４及び／又はグリーンエネルギー生成４０８からＤＣ電力出力を受け取り、且つ、ＤＣ電力出力をキャンパス４０２に提供されうるＡＣ電力出力に変換している。電力インバータ４１６～４１８は、局部発振器を使用することにより、ＡＣ電力出力の周波数をエネルギーグリッド４１２のもの（例えば、５０Ｈｚ又は６０Ｈｚ）と同期させることができると共に、ＡＣ電力出力の電圧をグリッド電圧以下に制限することができる。いくつかの実施形態においては、電力インバータ４１６～４１８は、エネルギーグリッド４１２の周波数にマッチングした正弦波を実現するべく、単純な方形波から高調波を除去するために、ＬＣ回路を含む又はこれを使用する共振インバータである。様々な実施形態において、電力インバータ４１６～４１８は、高周波変圧器又は低周波変圧器を使用して、或いは、変圧器を伴うことなしに、動作することができる。低周波変圧器は、電池４１４又はグリーンエネルギー生成４０８からのＤＣ出力をキャンパス４０２に提供されるＡＣ出力に直接的に変換することができる。高周波数変圧器は、ＤＣ出力を高周波ＡＣに変換し、次いで、ＤＣに戻し、且つ、次いで、最終的に、キャンパス４０２に提供されるＡＣ出力に変換するステップを伴う、マルチステッププロセスを利用することができる。

相互接続ポイント（ＰＯＩ：ＰｏｉｎｔＯｆｉｎｔｅｒｃｏｎｎｅｃｔｉｏｎ）４１０は、キャンパス４０２、エネルギーグリッド４１２、及び電力インバータ４１６～４１８が電気的に接続されている地点である。電池電力インバータ４１６からＰＯＩ４１０に供給される電力は、Ｐ_ｂａｔとして示されている。Ｐ_ｂａｔは、電池電力インバータ４１６が電力をＰＯＩ４１０に提供している（即ち、電池４１４が放電している）場合には、正であってよく、且つ、電池電力インバータ４１６がＰＯＩ４１０から電力を受け取っている（即ち、電池４１４が充電している）場合には、負であってよい。エネルギーグリッド４１２からＰＯＩ４１０に供給される電力は、Ｐ_ｇｒｉｄとして示されおり、且つ、グリーン電力インバータ４１８からＰＯＩ４１０に供給される電力は、Ｐ_{ｇｒｅｅｎ}として示されている。Ｐ_ｂａｔ、Ｐ_ｇｒｅｅ、及びＰ_ｇｒｉｄは、Ｐ_{ｃａｍｐｕｓ}を形成するべく、ＰＯＩにおいて組み合わせられている（即ち、Ｐ_{ｃａｍｐｕｓ}＝Ｐ_ｇｒｉｄ＋Ｐ_ｂａｔ＋Ｐ_{ｇｒｅｅｎ}である）。Ｐ_{ｃａｍｐｕｓ}は、ＰＯＩ４１０からキャンパス４０２に提供される電力として定義することができる。いくつかの例においては、Ｐ_{ｃａｍｐｕｓ}は、Ｐ_ｇｒｉｄよりも大きい。例えば、電池４１４が放電している際には、Ｐ_ｂａｔは、正であってもよく、これは、Ｐ_ｂａｔとＰ_ｇｒｉｄがＰＯＩ４１０において組み合わせられた際に、グリッド電力Ｐ_ｇｒｉｄに加算される。同様に、グリーンエネルギー生成４０８が電力をＰＯＩ４１０に提供している際には、Ｐ_{ｇｒｅｅｎ}は、正であり、これは、Ｐ_{ｇｒｅｅｎ}とＰ_ｇｒｉｄがＰＯＩ４１０において組み合わせられた際に、Ｐ_ｇｒｉｄに加算される。その他の例においては、Ｐ_{ｃａｍｐｕｓ}は、Ｐ_ｇｒｉｄ未満であってよい。例えば、電池４１４が放電している際には、Ｐ_ｂａｔは、負であってよく、これは、Ｐ_ｂａｔとＰ_ｇｒｉｄがＰＯＩ４１０において組み合わせられた際に、グリッド電力Ｐ_ｇｒｉｄから減算される。

予測コントローラ４２０は、建物４０４の加熱及び冷却の経済的費用を最適化するべく、キャンパス４０２の機器及び電池電力インバータ４１６を制御するように、構成することができる。いくつかの実施形態においては、予測コントローラ４２０は、電池電力設定点Ｐ_{ｓｐ，ｂａｔ}を生成し、且つ、電池電力インバータ４１６に提供している。電池電力設定点Ｐ_{ｓｐ，ｂａｔ}は、電池電力設定点Ｐ_{ｓｐ，ｂａｔ}を実現するべく、電池電力インバータ４１６が、（Ｐ_{ｓｐ，ｂａｔ}が負である際に）ＰＯＩ４１０において利用可能な電力を使用して電池４１４を充電する、或いは、（Ｐ_{ｓｐ，ｂａｔ}が正である際に）ＰＯＩ４１０に電力を提供するべく電池４１４を放電する、ようにする、正又は負の電力値（例えば、ｋＷ）を含むことができる。

いくつかの実施形態においては、予測コントローラ４２０は、制御信号を生成し、且つ、キャンパス４０２に提供している。予測コントローラ４２０は、制御信号を生成するべく、マルチステージ最適化技法を使用することができる。例えば、予測コントローラ４２０は、最適化期間におけるそれぞれの時間ステップにおいてキャンパス４０２によって消費されるべき最適な電力の量を判定するように構成された経済コントローラを含むことができる。消費されるべき最適な電力量は、建物４０４の機器及び／又は中央プラント４０６によって消費されるエネルギーの費用を表す費用関数を極小化することができる。エネルギーの費用は、様々な時点においてエネルギーグリッド４１２から電気を購入する費用を定義する時変エネルギー価格に基づいたものであってよい。いくつかの実施形態においては、予測コントローラ４２０は、エネルギーグリッド４１２から購入する電力の最適な量（即ち、グリッド電力設定点Ｐ_{ｓｐ，ｇｒｉｄ}）と、複数の時間ステップのそれぞれにおいて電池４１４に保存する又はこれから放電するべき電力の最適な量（即ち、電池電力設定点Ｐ_{ｓｐ，ｂａｔ}）と、を判定している。いくつかの実施形態においては、予測コントローラ４２０は、キャンパス４０２のそれぞれのサブシステム又は装置（例えば、中央プラント４０６のそれぞれのサブプラント、建物機器のそれぞれの装置など）用の最適な電力設定点を判定している。予測コントローラ４２０は、キャンパス４０２の実際の電力使用法を監視することができると共に、最適な電力設定点を生成する際に実際の電力使用法をフィードバック信号として利用することができる。

予測コントローラ４２０は、それぞれの時間ステップにおける最適な電力消費の量を実現する温度設定点（例えば、ゾーン温度設定点Ｔ_{ｓｐ，ｚｏｎｅ}、供給空気温度設定点Ｔ_{ｓｐ，ｓａ}など）を生成するように構成された追跡コントローラを含むことができる。いくつかの実施形態においては、予測コントローラ４２０は、最適な電力消費の量に基づいて機器によって生成されうる加熱又は冷却の量を判定するべく、建物４０４又はキャンパス４０２の機器用の機器モデルを使用している。予測コントローラ４２０は、電力設定点及び／又は温度設定点に基づいて、建物ゾーンの温度Ｔ_ｚｏｎｅが変化することになる方式を予測するべく、天気予報サービスからの天気予報との組み合わせにおいて、ゾーン温度モデルを使用することができる。

いくつかの実施形態においては、予測コントローラ４２０は、建物４０４及びキャンパス４０２の機器用の制御信号を生成するべく、温度設定点を使用している。制御信号は、オン／オフコマンド、ファンの速度設定点、アクチュエータ及び弁の位置設定点、又はキャンパス４０２の個々の装置用のその他の動作コマンドを含むことができる。その他の実施形態においては、制御信号は、予測コントローラ４２０によって生成された温度設定点（例えば、ゾーン温度設定点Ｔ_{ｓｐ，ｚｏｎｅ}、供給空気温度設定点Ｔ_{ｓｐ，ｓａ}など）を含むことができる。温度設定点は、温度設定点を実現するべく動作する、キャンパス４０２又はキャンパス４０２用のローカルコントローラに提供することができる。例えば、建物４０４内のＡＨＵファン用のローカルコントローラは、供給空気温度センサからの供給空気温度Ｔ_ｓａの計測値及び／又はゾーン温度センサからのゾーン温度Ｔ_ｚｏｎｅの計測値を受け取ることができる。ローカルコントローラは、１つ又は複数の計測された温度を１つ又は複数の温度設定点に駆動するべく、ＡＨＵファンの速度を調節するために、フィードバック制御プロセス（例えば、ＰＩＤ、ＥＳＣ、ＭＰＣなど）を使用することができる。類似のフィードバック制御プロセスは、アクチュエータ及び弁の位置を制御するべく、使用することができる。予測コントローラ４２０によって実行されるマルチステージ最適化については、図６を参照し、更に詳しく説明する。

予測コントローラ
次に図６を参照すれば、例示用の一実施形態による、予測コントローラ４２０を更に詳細に示すブロック図が示されている。予測コントローラ４２０は、通信インターフェイス６０２と、処理回路６０４と、を含むものとして示されている。通信インターフェイス６０２は、予測コントローラ４２０と外部システム又は装置との間の通信を促進することができる。例えば、通信インターフェイス６０２は、ゾーン温度センサ６２２からのゾーン温度Ｔ_ｚｏｎｅの計測値と、キャンパス４０２の電力使用法の計測値と、を受け取ることができる。いくつかの実施形態においては、通信インターフェイス６０２は、電池４１４の充電の状態（ＳＯＣ）の計測値を受け取っており、これは、最大電池容量の百分率（即ち、電池％）として提供することができる。同様に、通信インターフェイス６０２は、グリーンエネルギー生成４０８によって生成された電力の量の通知を受け取ってもよく、これは、最大グリーン電力生成の百分率（即ち、グリーン％）として提供することができる。通信インターフェイス６０２は、天気予報サービス６１８からの天気予報と、電気事業６１６からの予測エネルギー費用及び需要費用と、を受け取ることができる。いくつかの実施形態においては、予測コントローラ４２０は、制御信号をキャンパス４０２及び電池電力インバータ４１６に提供するべく、通信インターフェイス６０２を使用している。

通信インターフェイス６０２は、外部システム若しくはデバイスとのデータ通信を行うための有線若しくは無線通信インターフェイス（例えばジャック、アンテナ、送信機、受信機、送受信機、有線端末など）を含むことができる。様々な実施形態において、通信は、直接的なもの（例えばローカル有線又は無線通信）でも、通信ネットワーク（例えばＷＡＮ、インターネット、セルラネットワークなど）を介するものでもよい。例えば、通信インターフェイス６０２は、Ｅｔｈｅｒｎｅｔ（登録商標）ベースの通信リンク又はネットワークを介してデータを送受信するためのＥｔｈｅｒｎｅｔカード及びポートを含むことができる。別の例では、通信インターフェイス６０２は、無線通信ネットワークを介して通信するためのＷｉＦｉ送受信機、セルラ又は携帯電話通信送受信機を含み得る。

処理回路６０４は、プロセッサ６０６と、メモリ６０８と、を含むものとして示されている。プロセッサ６０６は、汎用プロセッサ又は特定用途プロセッサ、特定用途向け集積回路（ＡＳＩＣ）、１つ若しくは複数のフィールドプログラマブルゲートアレイ（ＦＰＧＡ）、１群の処理コンポーネント、又は他の適切な処理コンポーネントでもよい。プロセッサ６０６は、メモリ６０８に記憶された、又は他のコンピュータ可読媒体（例えば、ＣＤＲＯＭ、ネットワークストレージ、リモートサーバなど）から受信されたコンピュータコード又は命令を実行するように構成される。

メモリ６０８は、本開示で述べる様々なプロセスを完遂及び／又は容易化するためのデータ及び／又はコンピュータコードを記憶するための１つ又は複数のデバイス（例えばメモリユニット、メモリデバイス、記憶デバイスなど）を含み得る。メモリ６０８は、ランダムアクセスメモリ（ＲＡＭ）、読み出し専用メモリ（ＲＯＭ）、ハードドライブ記憶装置、一時記憶装置、不揮発性メモリ、フラッシュメモリ、光学メモリ、又は、ソフトウェアオブジェクト及び／又はコンピュータ命令を記憶するための任意の他の適切なメモリを含み得る。メモリ６０８は、データベースコンポーネント、オブジェクトコードコンポーネント、スクリプトコンポーネント、又は、本開示で述べる様々な活動及び情報構造をサポートするための任意の他のタイプの情報構造を含み得る。メモリ６０８は、処理回路６０４を介してプロセッサ６０６に通信可能に接続されてもよく、本明細書で述べる１つ又は複数のプロセスを（例えばプロセッサ６０６によって）実行するためのコンピュータコードを含み得る。プロセッサ６０６が、本明細書において記述されている様々な活動を完了させるべく、メモリ６０８内において保存されている命令を実行した際に、プロセッサ６０６は、一般に、それらの活動を完了させるように、予測コントローラ（並びに、更に具体的には、処理回路６０４）を構成する。

図６を更に参照すれば、予測コントローラ４２０は、経済コントローラ６１０と、追跡コントローラ６１２と、機器コントローラ６１４と、を含むものとして示されている。コントローラ６１０～６１４は、パワー電池電力インバータ４１６及びキャンパス４０２用の制御信号を生成するべく、マルチ状態最適化プロセスを実行するように構成することができる。簡潔な概要として、経済コントローラ６１０は、最適化期間のそれぞれの時間ステップにおける、エネルギーグリッド４１２から購入するべき最適な電力の量（即ち、グリッド電力設定点Ｐ_{ｓｐ，ｇｒｉｄ}）、電池４１４に保存し且つこれから放電するべき最適な電力の量の（即ち、電池電力設定点Ｐ_{ｓｔ，ｂａｔ}）、及び／又はキャンパス４０２によって消費されるべき最適な電力の量（すなわち、キャンパス電力設定点Ｐ_{ｓｐ，ｃａｍｐｕｓ}）を判定するべく、予測費用関数を最適化することができる。追跡コントローラ６１２は、最適温度設定点（例えば、ゾーン温度設定点Ｔ_{ｓｐ，ｚｏｎｅ}、供給空気温度設定点Ｔ_{ｓｐ，ｓａ}など）及び最適電池充電又は放電レート（即ち、Ｂａｔ_Ｃ／Ｄ）を判定するべく、最適電力設定点Ｐ_{ｓｐ，ｇｒｉｄ}、Ｐ_{ｓｐ，ｂａｔ}、及び／又はＰ_{ｓｐ，ｃａｍｐｕｓ}を使用することができる。機器コントローラ６１４は、（例えば、フィードバック制御技法を使用することにより）実際の（例えば、計測された）温度Ｔ_ｚｏｎｅ及び／又はＴ_ｓａを設定点に駆動するキャンパス４０２用の制御信号を生成するべく、最適温度設定点Ｔ_{ｓｐ，ｚｏｎｅ}又はＴ_{ｓｐ，ｓａ}を使用することができる。コントローラ６１０～６１４のそれぞれについては、詳しく後述する。

経済コントローラ
経済コントローラ６１０は、最適化期間のそれぞれの時間ステップにおける、エネルギーグリッド４１２から購入するべき最適な電力の量（即ち、グリッド電力設定点Ｐ_{ｓｐ，ｇｒｉｄ}）、電池４１４に保存し又はこれから放電するべき最適な電力の量（即ち、電池電力設定点Ｐ_{ｓｐ，ｂａｔ}）、及び／又はキャンパス４０２によって消費されるべき最適な電力の量（即ち、キャンパス電力設定点Ｐ_{ｓｐ，ｃａｍｐｕｓ}）を判定するべく、予測費用関数を最適化するように構成することができる。経済コントローラ６１０によって最適化されうる予測費用関数の一例が、以下の式において示されている。

ここで、Ｃ_ｅｃ（ｋ）は、時間ステップｋにおけるエネルギーグリッド４１２から購入される電気の単位当たりの費用（例えば、＄／ｋＷｈ）であり、Ｐ_ＣＰＯ（ｋ）は、時間ステップｋにおける中央プラント４０６の合計電力消費（例えば、ｋＷ）であり、Ｐ_ＲＴＵ（ｋ）は、時間ステップｋにおける建物４０４のＲＴＵの合計電力消費であり、Ｐ_ＶＲＦ（ｋ）は、時間ステップｋにおける建物４０４にサービスするべく使用されたＶＲＦシステムの合計電力消費であり、Ｐ_ＡＨＵ（ｋ）は、時間ステップｋにおける建物４０４のＡＨＵの合計電力消費であり、Ｃ_ＤＣは、需要料金レート（例えば、＄／ｋＷ）であり、ｍａｘ（）は、最適化期間の任意の時間ステップｋにおけるＰ_ｇｒｉｄ（ｋ）の最大値を選択しており、Ｐ_ｂａｔ（ｋ）は、時間ステップｋにおける電池４１４から放電された電力の量であり、且つ、Δｔは、それぞれの時間ステップｋの持続時間である。経済コントローラ６１０は、最適化期間の持続時間にわたるキャンパス４０２の加熱又は冷却の合計費用を予測するべく、最適化期間の持続時間にわたって（例えば、時間ステップｋ＝１から時間ステップｋ＝ｈまで）予測費用関数Ｊを最適化することができる。

予測費用関数Ｊの第１項は、最適化期間の持続時間にわたる中央プラント４０６によって消費された電気の費用を表している。それぞれの時間ステップｋにおけるパラメータＣ_ｅｃ（ｋ）の値は、電気事業６１６によって提供されるエネルギー費用情報によって定義することができる。いくつかの実施形態においては、電気の費用は、時間の関数として変化しており、この結果、異なる時間ステップｋにおいて、異なるＣ_ｅｃ（ｋ）の値がもたらされる。変数Ｐ_ＣＰＯ（ｋ）は、経済コントローラ６１０によって最適化されうる決定変数である。いくつかの実施形態においては、Ｐ_ＣＰＯ（ｋ）は、Ｐ_{ｃａｍｐｕｓ}の構成要素である（例えば、Ｐ_{ｃａｍｐｕｓ}＝Ｐ_ＣＰＯ＋Ｐ_ＲＴＵ＋Ｐ_ＶＲＦ＋Ｐ_ＡＨＵである）。いくつかの実施形態においては、Ｐ_ＣＰＯ（ｋ）は、中央プラント４０６のそれぞれのサブプラントの電力消費の合計である（例えば、Ｐ_ＣＰＯ＝Ｐ_{ＣｈｉｌｌｅｒＳｕｂｐｌａｎｔ}＋Ｐ_{ＨＲＣＳｕｂｐｌａｎｔ}＋Ｐ_{ＨｅａｔｅｒＳｕｂｐｌａｎｔ}である）。

いくつかの実施形態においては、経済コントローラ６１０は、Ｐ_ＣＰＯの値を中央プラント４０６の生成（例えば、熱水生成、冷水生成など）に関係付けるべく、中央プラント４０６用の１つ又は複数のサブプラント曲線を使用している。例えば、冷却器サブプラント２０６が、冷流体を生成するべく使用される場合には、冷却器サブプラント２０６の性能をモデル化するべく、冷却器サブプラント２０６用のサブプラント曲線を使用することができる。いくつかの実施形態においては、サブプラント曲線は、冷却器サブプラント２０６の入力リソースと出力リソースの間の関係を定義している。例えば、冷却器サブプラント２０６用のサブプラント曲線は、冷却器サブプラント２０６によって提供される冷却の量（例えば、トン）の関数として、冷却器サブプラント２０６の電気消費（例えば、ｋＷ）を定義することができる。経済コントローラ６１０は、所与の量の冷却（トン）に対応する電気消費の量（ｋＷ）を判定するべく、冷却器サブプラント２０６用のサブプラント曲線を使用することができる。中央プラント４０６のその他のサブプラントの性能をモデル化するべく、類似のサブプラント曲線を使用することができる。経済コントローラ６１０によって使用されうるサブプラント曲線のいくつかの例については、２０１５年２月２７日付けで出願された米国特許出願第１４／６３４，６０９号明細書において更に詳述されており、この開示のすべては、引用により、本明細書において包含される。

予測費用関数Ｊの第２、第３、及び第４の項は、建物４０４の機器によって消費される電気の費用を表している。例えば、予測費用関数Ｊの第２項は、建物４０４の１つ又は複数のＡＨＵによって消費される電気の費用を表している。予測費用関数Ｊの第３項は、建物４０４のＶＲＦシステムによって消費される電気の費用を表している。予測費用関数Ｊの第４項は、建物４０４の１つ又は複数のＲＴＵによって消費される電気の費用を表している。いくつかの実施形態においては、経済コントローラ６１０は、建物４０４の個々の機器によって提供される加熱又は冷却の量の関数として電力消費Ｐ_ＲＴＵ、Ｐ_ＶＲＦ、及びＰ_ＡＨＵをモデル化するべく、機器性能曲線を使用している。機器性能曲線は、システム又は装置に対する加熱又は冷却負荷とそのシステム又は装置の電力消費の間の関係を定義しているという点において、サブプラント曲線に類似したものであってよい。サブプラント曲線及び機器性能曲線は、制約を予測費用関数Ｊに課すべく、経済コントローラ６１０によって使用することができる。

予測費用関数Ｊの第５項は、需要料金を表している。需要料金は、適用可能な需要料金期間において最大電力消費に基づいていくつかの事業提供者によって課される追加的な料金である。例えば、需要料金レートＣ_ＤＣは、電力の単位当たりのドル（例えば、＄／ｋＷ）の観点において規定することができると共に、需要料金を算出するべく、需要料金期間におけるピーク電力使用法（例えば、ｋＷ）によって乗算することができる。予測費用関数Ｊにおいては、需要料金レートＣ_ＤＣは、電気事業６１６から受け取られる需要費用情報によって定義することができる。変数Ｐ_ｇｒｉｄ（ｋ）は、需要料金期間において発生するピーク電力使用法ｍａｘ（Ｐ_ｇｒｉｄ（ｋ））を低減するべく、経済コントローラ６１０によって最適化されうる決定変数である。負荷のシフトにより、キャンパス４０２の電力消費が小さい際に電池４１４内においてエネルギーを保存することにより、経済コントローラ６１０がキャンパス４０２の電気需要における瞬間的なスパイクをスムージングすることを許容することができる。保存されたエネルギーは、キャンパス４０２の電力消費が大きい際に、エネルギーグリッド４１２からのピーク電力引き出しＰ_ｇｒｉｄを低減することにより、発生する需要料金を減少させるべく、電池４１４から放電することができる。

予測費用関数Ｊの最後の項は、電池４１４の使用から結果的に得られる費用の節約を表している。費用関数Ｊにおける以前の項とは異なり、最後の項は、合計費用から減算している。それぞれの時間ステップｋにおけるパラメータＣ_ｅｃ（ｋ）の値は、電気事業６１６によって提供されるエネルギー費用情報によって定義することができる。いくつかの実施形態においては、電気の費用は、時間の関数として変化しており、この結果、異なる時間ステップｋにおいて、異なるＣ_ｅｃ（ｋ）の値がもたらされる。変数Ｐ_ｂａｔ（ｋ）は、経済コントローラ６１０によって最適化されうる決定変数である。Ｐ_ｂａｔ（ｋ）の正の値は、電池４１４が放電していることを通知する一方で、Ｐ_ｂａｔ（ｋ）の負の値は、電池４１４が充電していることを通知している。電池４１４から放電される電力Ｐ_ｂａｔ（ｋ）は、キャンパス４０２の合計電力消費Ｐ_{ｔｏｔａｌ}（ｋ）の一部分又はすべてを充足するべく、使用することが可能であり、この結果、エネルギーグリッド４１２から購入される電力の量Ｐ_ｇｒｉｄ（ｋ）が低減される（即ち、Ｐ_ｇｒｉｄ（ｋ）＝Ｐ_{ｔｏｔａｌ}（ｋ）－Ｐ_ｂａｔ（ｋ）－Ｐ_{ｇｒｅｅｎ}（ｋ）である）。但し、電池４１４の充電は、結果的に、Ｐ_ｂａｔ（ｋ）の負の値をもたらし、これは、エネルギーグリッド４１２から購入される電力の合計量Ｐ_ｇｒｉｄ（ｋ）に加算される。

いくつかの実施形態においては、グリーンエネルギー生成４０８によって提供される電力Ｐ_{ｇｒｅｅｎ}は、予測費用関数Ｊに含まれてはおらず、その理由は、グリーン電力の生成は、費用を発生させないからである。但し、グリーンエネルギー生成４０８によって生成された電力Ｐ_{ｇｒｅｅｎ}は、キャンパス４０２の合計電力消費Ｐ_{ｃａｍｐｕｓ}（ｋ）の一部分又はすべてを充足するべく、使用することが可能であり、この結果、エネルギーグリッド４１２から購入される電力の合計量Ｐ_ｇｒｉｄ（ｋ）が低減される（即ち、Ｐ_ｇｒｉｄ（ｋ）＝Ｐ_{ｃａｍｐｕｓ}（ｋ）－Ｐ_ｂａｔ（ｋ）－Ｐ_{ｇｒｅｅｎ}（ｋ）である）。任意の時間ステップｋにおいて生成されるグリーン電力の量Ｐ_{ｇｒｅｅｎ}は、経済コントローラ６１０によって予測することができる。グリーンエネルギー生成４０８によって生成されるグリーン電力の量を予測するいくつかの技法については、米国特許出願第１５／２４７，８６９号明細書、米国特許出願第１５／２４７，８４４号明細書、及び米国特許出願第１５／２４７，７８８号明細書において記述されている。これらの特許出願のそれぞれは、２０１６年８月２５日という出願日を有しており、且つ、これらの特許出願のそれぞれのものの開示内容は、引用により、そのすべてが本明細書において包含される。

経済コントローラ６１０は、最適化期間におけるそれぞれの時間ステップにおける決定変数の最適な値を判定するべく、最適化期間の持続時間にわたって予測費用関数Ｊを最適化することができる。いくつかの実施形態においては、最適化期間は、約１日の持続時間を有しており、且つ、それぞれの時間ステップは、約１５分である。但し、最適化期間及び時間ステップの持続時間は、その他の実施形態において変化することが可能であり、且つ、ユーザーによって調節することができる。有利には、経済コントローラ６１０は、エネルギー価格が安い際には、且つ／又は、キャンパス４０２によって消費される電力が小さい際には、エネルギーグリッド４１２から電気を引き出すことにより、負荷のシフトを実行するべく、電池４１４を使用することができる。電気は、電池４１４内において保存することが可能であり、且つ、エネルギー価格が高い際には、且つ／又は、キャンパス４０２の電力消費が大きい際には、後から放電することができる。これにより、経済コントローラ６１０は、キャンパス４０２によって消費される電気の費用を低減することを可能であり、且つ、キャンパス４０２の電気需要における瞬間的なスパイクをスムージングすることにより、発生する需要料金を低減することができる。

経済コントローラ６１０は、予測費用関数Ｊの最適化に対して制約を課すように構成することができる。いくつかの実施形態においては、経済コントローラ６１０は、等式制約及び非等式制約の組に従って予測費用関数Ｊを最適化するように構成されている。例えば、経済コントローラ６１０によって実行される最適化は、以下の式によって記述することができる。
ｍｉｎＪ（ｘ）ｓｕｂｊｅｃｔｔｏＡｘ≦ｂ，Ｈｘ＝ｇ
ここで、ｘは、予測費用関数Ｊにおける決定変数の行列であり（例えば、Ｐ_ＣＰＯ、Ｐ_ＲＴＵ、Ｐ_ＶＲＦ、Ｐ_ＡＨＵ、Ｐ_ｇｒｉｄ、Ｐ_ｂａｔなど）、Ａ及びｂは、最適化問題に対する不等式制約を記述する（それぞれ）行列及びベクトルであり、Ｈ及びｇは、最適化問題に対する等式制約を記述する（それぞれ）行列及びベクトルである。不等式制約及び等式制約は、以下において更に詳細に記述される制約生成器６２０により、生成することができる。

いくつかの実施形態においては、決定変数の行列ｘは、次の形態を有する。
ｘ＝［Ｐ_{ＣＰＯ，１…ｈ}，Ｐ_{ＲＴＵ，１…ｈ}，Ｐ_{ＶＲＦ，１…ｈ}，Ｐ_{ＡＨＵ，１…ｈ}，Ｐ_{ｇｒｉｄ，１…ｈ}，Ｐ_{ｂａｔ，１…ｈ}］^Ｔ
ここで、Ｐ_{ＣＰＯ，１…ｈ}、Ｐ_{ＲＴＵ，１…ｈ}、Ｐ_{ＶＲＦ，１…ｈ}、Ｐ_{ＡＨＵ，１…ｈ}、Ｐ_{ｇｒｉｄ，１…ｈ}、及びＰ_{ｂａｔ，１…ｈ}は、最適化期間のｈ個の時間ステップのそれぞれにおける、中央プラント４０６、建物４０４の１つ又は複数のＲＴＵ、建物４０４のＶＲＦシステム、建物４０４の１つ又は複数のＡＨＵの電力消費、エネルギーグリッド４１２から購入された電力、電池４１４に保存された又はこれから放電された電力を表すｈ次元のベクトルである。

経済コントローラ６１０は、決定変数Ｐ_ＣＰＯ、Ｐ_ＲＴＵ、Ｐ_ＶＲＦ、Ｐ_ＡＨＵ、Ｐ_ｇｒｉｄ、及びＰ_ｂａｔの最適な値を判定するべく、制約に従って予測費用関数Ｊを最適化することが可能であり、この場合に、Ｐ_{ｃａｍｐｕｓ}＝Ｐ_ｂａｔ＋Ｐ_ｇｒｉｄ＋Ｐ_{ｇｒｅｅｎ}である。いくつかの実施形態においては、経済コントローラ６１０は、追跡コントローラ６１２用の電力設定点を生成するべく、Ｐ_{ｃａｍｐｕｓ}、Ｐ_ｂａｔ、及び／又はＰ_ｇｒｉｄの最適な値を使用している。電力設定点は、最適化期間における時間ステップｋのそれぞれごとの、電池電力設定点Ｐ_{ｓｐ，ｂａｔ}、グリッド電力設定点Ｐ_{ｓｐ，ｇｒｉｄ}、中央プラント電力設定点Ｐ_{ｓｐ，ＣＯＰ}、ＡＨＵ電力設定点Ｐ_{ｓｐ，ＡＨＵ}、ＶＲＦ電力設定点Ｐ_{ｓｐ，ＶＲＦ}、ＲＴＵ電力設定点Ｐ_{ｓｐ，ＲＴＵ}、及び／又は中央プラント４０６のそれぞれのサブプラント用の電力設定点を含むことができる。経済コントローラ６１０は、電力設定点を追跡コントローラ６１２に提供することができる。

追跡コントローラ
追跡コントローラ６１２は、最適な温度設定点（例えば、ゾーン温度設定点Ｔ_{ｓｐ，ｚｏｎｅ}、供給空気温度設定点Ｔ_{ｓｐ，ｓａ}など）及び最適な電池充電又は放電レート（即ち、Ｂａｔ_Ｃ／Ｄ）を判定するべく、経済コントローラ６１０によって生成される最適な電力設定点（例えば、Ｐ_{ｓｐ，ｂａｔ}、Ｐ_{ｓｐ，ｇｒｉｄ}、Ｐ_{ｓｐ，ＣＰＯ}、Ｐ_{ｓｐ，ＡＨＵ}、Ｐ_{ｓｐ，ＶＲＦ}、Ｐ_{ｓｐ，ＲＴＵ}、Ｐ_{ｓｐ，ｃａｍｐｕｓ}など）を使用することができる。いくつかの実施形態においては、追跡コントローラ６１２は、キャンパス４０２用の電力設定点（例えば、Ｐ_{ｓｐ，ＣＰＯ}、Ｐ_{ｓｐ，ＡＨＵ}、Ｐ_{ｓｐ，ＶＲＦ}、Ｐ_{ｓｐ，ＲＴＵ}、Ｐ_{ｓｐ，ｃａｍｐｕｓ}）を実現するべく予想されるゾーン温度設定点Ｔ_{ｓｐ，ｚｏｎｅ}及び／又は供給空気温度設定点Ｔ_{ｓｐ，ｓａ}を生成している。換言すれば、追跡コントローラ６１２は、キャンパス４０２が、経済コントローラ６１０によって判定された最適な量の電力Ｐ_{ｃａｍｐｕｓ}を消費するようにするゾーン温度設定点Ｔ_{ｓｐ，ｚｏｎｅ}及び／又は供給空気温度設定点Ｔ_{ｓｐ，ｓａ}を生成することができる。

いくつかの実施形態においては、追跡コントローラ６１２は、電力消費モデルを使用することにより、キャンパス４０２の電力消費をゾーン温度Ｔ_ｚｏｎｅ及びゾーン温度設定点Ｔ_{ｓｐ，ｚｏｎｅ}に関係付けている。例えば、追跡コントローラ６１２は、機器コントローラ６１４によって実行される制御動作を判定するべく、ゾーン温度Ｔ_ｚｏｎｅ及びゾーン温度設定点Ｔ_{ｓｐ，ｚｏｎｅ}の関数として、機器コントローラ６１４のモデルを使用することができる。このようなゾーン規制コントローラモデルの一例が、以下の式において示されている。
ｖ_ａｉｒ＝ｆ_３（Ｔ_ｚｏｎｅ，Ｔ_{ｓｐ，ｚｏｎｅ}）
ここで、ｖ_ａｉｒは、建物ゾーンに対する気流（即ち、制御動作）のレートである。ゾーン規制コントローラモデルは、制約生成器６２０によって生成することができると共に、最適化問題に対する制約として実装することができる。

いくつかの実施形態においては、ｖ_ａｉｒは、建物４０４に気流を提供するべく使用されるＡＨＵ又はＲＴＵのファンの速度に依存しており、且つ、Ｐ_ＡＨＵ又はＰ_ＲＴＵの関数であってよい。追跡コントローラ６１２は、ｖ_ａｉｒを対応する電力消費値Ｐ_ＡＨＵ又はＰ_ＲＴＵに変換するべく、ＡＨＵ又はＲＴＵ用の機器モデル又は製造者仕様を使用することができる。したがって、追跡コントローラ６１２は、ゾーン温度Ｔ_ｚｏｎｅ及びゾーン温度設定点Ｔ_{ｓｐ，ｚｏｎｅ}の関数として、キャンパス４０２の電力消費Ｐ_{ｃａｍｐｕｓ}を定義することができる。このようなモデルの一例が、次式において示されている。
ｖ_{ｃａｍｐｕｓ}＝ｆ_４（Ｔ_ｚｏｎｅ，Ｔ_{ｓｐ，ｚｏｎｅ}）
関数ｆ_４は、データから識別することができる。例えば、追跡コントローラ６１２は、Ｐ_{ｃａｍｐｕｓ}及びＴ_ｚｏｎｅの計測値を収集することが可能であり、且つ、Ｔ_{ｓｐ，ｚｏｎｅ}の対応する値を識別することができる。追跡コントローラ６１２は、このような変数の間の関係を定義する関数ｆ_４を判定するべく、トレーニングデータとして、収集されたＰ_{ｃａｍｐｕｓ}、Ｔ_ｚｏｎｅ、及びＴ_{ｓｐ，ｚｏｎｅ}の値を使用することにより、システム識別プロセスを実行することができる。ゾーン温度モデルを制約生成器６２０によって生成することができると共に、最適化問題に対する制約として実装することができる。

追跡コントローラ６１２は、キャンパス４０２の合計電力消費Ｐ_{ｃａｍｐｕｓ}と供給空気温度設定点Ｔ_{ｓｐ，ｓａ}の間の関係を判定するべく、類似のモデルを使用することができる。例えば、追跡コントローラ６１２は、ゾーン温度Ｔ_ｚｏｎｅ及び供給空気温度設定点Ｔ_{ｓｐ，ｚｏｎｅ}の関数として、キャンパス４０２の電力消費Ｐ_{ｃａｍｐｕｓ}を定義することができる。このようなモデルの一例が、次式において示されている。
ｖ_{ｃａｍｐｕｓ}＝ｆ_５（Ｔ_ｚｏｎｅ，Ｔ_{ｓｐ，ｓａ}）
関数ｆ_５は、データから識別することができる。例えば、追跡コントローラ６１２は、Ｐ_{ｃａｍｐｕｓ}及びＴ_ｚｏｎｅの計測値を収集することが可能であり、且つ、Ｔ_{ｓｐ，ｓａ}の対応する値を識別することができる。追跡コントローラ６１２は、このような変数の間の関係を定義する関数ｆ_５を判定するべく、トレーニングデータとして、収集されたＰ_{ｃａｍｐｕｓ}、Ｔ_ｚｏｎｅ、及びＴ_{ｓｐ，ｓａ}の値を使用することにより、システム識別プロセスを実行することができる。電力消費モデルは、制約生成器６２０によって生成することができると共に、最適化問題に対する制約として実装することができる。

追跡コントローラ６１２は、Ｔ_{ｓｐ，ｚｏｎｅ}及びＴ_{ｓｐ，ｓａ}の値を判定するべく、Ｐ_{ｃａｍｐｕｓ}、Ｔ_{ｓｐ，ｚｏｎｅ}、及びＴ_{ｓｐ，ｓａ}の間の関係を使用することができる。例えば、追跡コントローラ６１２は、経済コントローラ６１０から、入力としてＰ_{ｃａｍｐｕｓ}の値を受け取ることが可能であり（即ち、Ｐ_{ｓｐ，ｃａｍｐｕｓ}）、且つ、Ｔ_{ｓｐ，ｚｏｎｅ}及びＴ_{ｓｐ，ｓａ}の対応する値を判定するべく、Ｐ_{ｃａｍｐｕｓ}の値を使用することができる。追跡コントローラ６１２は、機器コントローラ６１４に対する出力として、Ｔ_{ｓｐ，ｚｏｎｅ}及びＴ_{ｓｐ，ｓａ}の値を提供することができる。

いくつかの実施形態においては、追跡コントローラ６１２は、電池４１４を充電又は放電するための最適なレートＢａｔ_Ｃ／Ｄを判定するべく、電池電力設定点Ｐ_{ｓｐ，ｂａｔ}を使用している。例えば、電池電力設定点Ｐ_{ｓｐ，ｂａｔ}は、電池電力インバータ４１６及び／又は機器コントローラ６１４用の制御信号に追跡コントローラ６１２によって変換されうる電力値（ｋＷ）を定義することができる。その他の実施形態においては、電池電力設定点Ｐ_{ｓｐ，ｂａｔ}は、電池電力インバータ４１６に直接的に提供され、且つ、電池電力Ｐ_ｂａｔを制御するべく電池電力インバータ４１６によって使用されている。

機器コントローラ
機器コントローラ６１４は、キャンパス４０２用の制御信号を生成するべく、追跡コントローラ６１２によって生成された最適な温度設定点Ｔ_{ｓｐ，ｚｏｎｅ}又はＴ_{ｓｐ，ｓａ}を使用することができる。機器コントローラ６１４によって生成された制御信号は、実際の（例えば、計測された）温度Ｔ_ｚｏｎｅ及び／又はＴ_ｓａを設定点に駆動することができる。機器コントローラ６１４は、キャンパス４０２用の制御信号を生成するべく、様々な制御技法のいずれかを使用することができる。例えば、機器コントローラ６１４は、キャンパス４０２用の制御信号を生成するべく、状態に基づいたアルゴリズム、極値探索制御（ＥＳＣ：ＥｘｔｒｅｍｕｍｓｅｅｋｉｎｇＣｏｎｔｒｏｌ）アルゴリズム、比例－積分（ＰＩ：Ｐｒｏｐｏｒｔｉｏｎａｌ－Ｉｎｔｅｇｒａｌ）制御アルゴリズム、比例－積分－微分（ＰＩＤ：Ｐｒｏｐｏｒｔｉｏｎａｌ－Ｉｎｔｅｇｒａｌ－Ｄｅｒｉｖａｔｉｖｅ）制御アルゴリズム、モデル予測制御（ＭＰＣ：ＭｏｄｅｌＰｒｅｄｉｃｔｉｖｅＣｏｎｔｒｏｌ）アルゴリズム、又はその他のフィードバック制御アルゴリズムを使用することができる。

制御信号は、オン／オフコマンド、ファン又はコンプレッサ用の速度設定点、アクチュエータ及び弁用の位置設定点、或いは、建物機器及び／又は中央プラント機器の個々の装置用のその他の動作コマンドを含むことができる。いくつかの実施形態においては、機器コントローラ６１４は、計測された温度Ｔ_ｚｏｎｅ及び／又はＴ_ｓａを温度設定点Ｔ_{ｓｐ，ｚｏｎｅ}及び／又はＴ_{ｓｐ，ｓａ}に駆動するために、中央プラント４０６の動作を調節するべく、フィードバック制御技法（例えば、ＰＩＤ、ＥＳＣ、ＭＰＣなど）を使用している。同様に、機器コントローラ６１４は、計測された温度Ｔ_ｚｏｎｅ及び／又はＴ_ｓａを温度設定点Ｔ_{ｓｐ，ｚｏｎｅ}及び／又はＴ_{ｓｐ，ｓａ}に駆動するために、建物４０４の機器（例えば、ＡＨＵ、ＲＴＵ、ＶＲＦ機器など）を制御するべく、フィードバック制御技法を使用することができる。機器コントローラ６１４は、このような機器の動作を制御するべく、制御信号をキャンパス４０２の機器に提供することにより、キャンパス４０２の機器が、ゾーン温度Ｔ_ｚｏｎｅ及び／又は供給空気温度Ｔ_ｓａに対して影響を及ぼすようにすることができる。

いくつかの実施形態においては、機器コントローラ６１４は、制御信号を電池電力インバータ４１６に提供するように構成されている。電池電力インバータ４１６に提供される制御信号は、電池電力設定点Ｐ_{ｓｐ，ｂａｔ}及び／又は最適充電／放電レートＢａｔ_Ｃ／Ｄを含むことができる。機器コントローラ６１４は、電池電力設定点Ｐ_{ｓｐ，ｂａｔ}を実現するべく、電池電力インバータ４１６を動作させるように構成することができる。例えば、機器コントローラ６１４は、電池電力設定点Ｐ_{ｓｐ，ｂａｔ}に従って、電池電力インバータ４１６が電池４１４を充電するか又は電池４１４を放電するようにすることができる。

制約生成器
更に図６を参照すれば、予測コントローラ４２０は、制約生成器６２０を含むものとして示されている。制約生成器６２０は、経済コントローラ６１０及び追跡コントローラ６１２によって実行される最適化プロセスに対する制約を生成及び適用するように構成することができる。例えば、制約生成器６２０は、最適な電力設定点を生成するべく、不等式制約及び等式制約を経済コントローラ６１０によって実行される予測費用関数Ｊの最適化に対して課すことができる。又、制約生成器６２０は、最適な温度設定点を生成するべく、追跡コントローラ６１２によって実行される最適化に対して制約を課すことができる。

いくつかの実施形態においては、制約生成器６２０によって生成される制約は、建物４０４の温度Ｔ_ｚｏｎｅに対する制約を含む。制約生成器６２０は、経済コントローラ６１０が、常に、最小温度境界Ｔ_ｍｉｎと最大温度境界Ｔ_ｍａｘの間において、実際の又は予測される温度Ｔ_ｚｏｎｅを維持する（即ち、Ｔ_ｍｉｎ≦Ｔ_ｚｏｎｅ≦Ｔ_ｍａｘ）、ことを必要とする制約を生成するように、構成することができる。パラメータＴ_ｍｉｎ及びＴ_ｍａｘは、異なる時点における異なる温度範囲（例えば、占有温度範囲、非占有温度範囲、昼間温度範囲、夜間温度範囲など）を定義するべく、時変型であってよい。

ゾーン温度制約が充足されることを保証するべく、制約生成器６２０は、経済コントローラ６１０によって最適化された決定変数の関数として、建物４０４のゾーン温度Ｔ_ｚｏｎｅをモデル化することができる。いくつかの実施形態においては、制約生成器６２０は、熱伝達モデルを使用してＴ_ｚｏｎｅをモデル化している。例えば、建物４０４の加熱又は冷却の動力学は、次のように、エネルギーバランスによって記述することができる。

ここで、Ｃは、建物ゾーンの熱キャパシタンスであり、Ｈは、建物ゾーン用の周辺熱伝達係数であり、Ｔ_ｚｏｎｅは、建物ゾーンの温度であり、Ｔ_ａは、建物ゾーンの外側の周辺温度（例えば、外気温）であり、

は、建物４０４のＨＶＡＣ機器によって建物ゾーンに適用される加熱の量であり、

は、建物ゾーンが経験する外部負荷、放射、又はその他の擾乱である。以前の式において、

は、建物ゾーン内への熱伝達（即ち、加熱負荷）を表しており、したがって、正の符号を有する。但し、加熱ではなく、冷却が、建物ゾーンに適用される場合には、

上の符号は、

が建物ゾーンに適用された冷却の量（即ち、冷却負荷）を表すように、負の符号に切り替わりうる。

いくつかの実施形態においては、建物４０４に提供される加熱又は冷却の量である

は、建物４０４のＨＶＡＣ機器（例えば、ＲＴＵ、ＡＨＵ、ＶＲＦシステムなど）及び／又は中央プラント４０６に対する加熱又は冷却負荷として定義することができる。ゾーン温度モデルを開発し、且つ、ゾーン温度Ｔ_ｚｏｎｅを予測費用関数Ｊ内の決定変数に関係付けるためのいくつかの技法については、２０１６年９月６日付けで付与された米国特許第９，４３６，１７９号明細書、２０１５年４月２３日付けで出願された米国特許出願第１４／６９４，６３３号明細書、及び２０１６年６月３０日付けで出願された米国特許出願第１５／１９９，９１０号明細書において更に詳しく記述されている。これらの特許及び特許出願のそれぞれのものの開示内容は、引用により、そのすべてが本明細書に包含される。

以前のエネルギーバランスは、建物ゾーンのすべての物質及び空気プロパティを単一のゾーン温度に組み合わせている。経済コントローラ６１０によって使用されうるその他の熱伝達モデルは、以下の空気及び物質ゾーンモデルを含む。

ここで、Ｃ_ｚ及びＴ_ｚｏｎｅは、建物ゾーン内の空気の熱キャパシタンス及び温度であり、Ｔ_ａは、周辺空気温度であり、Ｈ_ａｚは、（例えば、建物ゾーンの外部壁を通じた）建物の空気と建物ゾーンの外側の周辺空気の間の熱伝達係数であり、Ｃ_ｍ及びＴ_ｍは、建物ゾーン内の空気ではない物質の熱キャパシタンス及び温度であり、且つ、Ｈ_ｍｚは、建物ゾーンの空気と空気ではない物質の間の熱伝達係数である。

以前の式は、建物ゾーンのすべての物質プロパティを単一のゾーン物質に組み合わせている。経済コントローラ６１０によって使用されうるその他の伝達モデルは、以下の空気、浅い物質、及び深い物質ゾーンモデルを含む。

ここで、Ｃ_ｚ及びＴ_ｚｏｎｅは、建物ゾーン内の空気の熱キャパシタンス及び温度であり、Ｔ_ａは、周辺空気温度であり、Ｈ_ａｚは、（例えば、建物ゾーンの外部壁を通じた）建物ゾーンの空気と建物ゾーンの外側の周辺空気の間の熱伝達係数であり、Ｃ_ｓ及びＴ_ｓは、建物ゾーン内の浅い物質の熱キャパシタンス及び温度であり、Ｈ_ｓｚは、建物ゾーンの空気と浅い物質の間の熱伝達係数であり、Ｃ_ｄ及びＴ_ｄは、建物ゾーン内の深い物質の熱キャパシタンス及び温度であり、且つ、Ｈ_ｄｓは、浅い物質と深い物質の間の熱伝達係数である。

いくつかの実施形態においては、制約生成器６２０は、最適化期間のそれぞれの時間ステップにおける周辺空気温度Ｔ_ａ及び／又は外部擾乱である

の適切な値を判定するべく、天気予報サービス６１８からの天気予想を使用している。Ｃ及びＨの値は、追跡コントローラ６１２から受け取られた、ユーザーから受け取られた、メモリ６０８から取得された、或いは、さもなければ、入力として制約生成器６２０に提供された、建物ゾーンのパラメータとして規定することができる。したがって、建物ゾーンの温度Ｔ_ｚｏｎｅは、これらの熱伝達モデルのいずれかを利用することにより、建物ゾーンに適用された加熱又は冷却の量である

の関数として定義することができる。操作対象の変数である

は、予測費用関数Ｊ内の変数Ｐ_ＣＰＯ、Ｐ_ＲＴＵ、Ｐ_ＶＲＤ、及び／又はＰ_ＡＨＵを調節することにより、経済コントローラ６１０によって調節することができる。

いくつかの実施形態においては、制約生成器６２０は、経済コントローラ６１０によって提供される電力設定点Ｐ_{ｓｐ，ｇｒｉｄ}及びＰ_{ｓｐ，ｂａｔ}の関数として建物ゾーンに適用される加熱又は冷却の量である

を定義するモデルを使用している。例えば、制約生成器６２０は、キャンパス４０２によって消費されることになる電力Ｐ_{ｃａｍｐｕｓ}の合計量を判定するべく、電力設定点Ｐ_{ｓｐ，ｇｒｉｄ}及びＰ_{ｓｐ，ｂａｔ}をグリーン電力生成Ｐ_{ｇｒｅｅｎ}に追加することができる。いくつかの実施形態においては、Ｐ_{ｃａｍｐｕｓ}は、建物４０４と中央プラント４０６の組み合わせられた電力消費に等しい（例えば、Ｐ_{ｃａｍｐｕｓ}＝Ｐ_ＣＰＯ＋Ｐ_ＡＨＵ＋Ｐ_ＶＲＦ＋Ｐ_ＲＴＵである）。制約生成器６２０は、中央プラント４０６用のサブプラント曲線及び建物４０４のＨＶＡＣ機器用の機器性能曲線、及び建物ゾーンに適用された加熱又は冷却の合計量である

との組み合わせにおいて、Ｐ_{ｃａｍｐｕｓ}を使用することができる。

いくつかの実施形態においては、制約生成器６２０は、以下の式に示されているように、ゾーン温度Ｔ_ｚｏｎｅ及びゾーン温度設定点Ｔ_{ｓｐ，ｚｏｎｅ}の関数として建物ゾーンに適用される加熱又は冷却の量（即ち、

）を定義する１つ又は複数のモデルを使用している。

制約生成器６２０によって使用されるモデルは、提供される加熱又は冷却の量である

が、ゾーン温度Ｔ_ｚｏｎｅが、受け入れ可能な又は快適な温度範囲から逸脱するようにする値に低減されないことを保証するべく、最適化制約として課すことができる。

いくつかの実施形態においては、制約生成器６２０は、複数のモデルを使用することにより、加熱又は冷却の量である

をゾーン温度Ｔ_ｚｏｎｅ及びゾーン温度設定点Ｔ_{ｓｐ，ｚｏｎｅ}に関係付けている。例えば、制約生成器６２０は、機器コントローラ６１４によって実行される制御動作を判定するべく、ゾーン温度Ｔ_ｚｏｎｅ及びゾーン温度設定点Ｔ_{ｓｐ，ｚｏｎｅ}の関数として機器コントローラ６１４のモデルを使用することができる。このようなゾーン規制コントローラの一例が、以下の式において示されている。
ｖ_ａｉｒ＝ｆ_１（Ｔ_ｚｏｎｅ，Ｔ_{ｓｐ，ｚｏｎｅ}）
ここで、ｖ_ａｉｒは、建物ゾーンに対する気流（即ち、制御動作）のレートである。いくつかの実施形態においては、ｖ_ａｉｒは、ＡＨＵファン又はＲＴＵファンの速度に依存しており、且つ、Ｐ_ＡＨＵ及び／又はＰ_ＲＴＵの関数であってよい。制約生成器６２０は、Ｐ_ＡＨＵ又はＰ_ＲＴＵの関数としてｖ_ａｉｒを定義するべく、ＡＨＵ又はＲＴＵ用の機器モデル又は製造者仕様を使用することができる。関数ｆ_１は、データから識別することができる。例えば、制約生成器６２０は、ｖ_ａｉｒ及びＴ_ｚｏｎｅの計測値を収集することが可能であり、且つ、対応するＴ_{ｓｐ，ｚｏｎｅ}の値を識別することができる。制約生成器６２０は、このような変数の間の関係を定義する関数ｆ_１を判定するべく、トレーニングデータとして、収集されたｖ_ａｉｒ、Ｔ_ｚｏｎｅ、及びＴ_{ｓｐ，ｚｏｎｅ}の値を使用することにより、システム識別プロセスを実行することができる。

制約生成器６２０は、以下の式において示されているように、制御動作ｖ_ａｉｒを建物４０４に提供される加熱又は冷却の量である

に関係付けるエネルギーバランスモデルを使用することができる。

ここで、関数ｆ_２は、トレーニングデータから識別することができる。制約生成器６２０は、このような変数の間の関係を定義する関数ｆ_２を判定するべく、収集されたｖ_ａｉｒ及び

の値を使用することにより、システム識別プロセスを実行することができる。

いくつかの実施形態においては、

とｖ_ａｉｒの間には、線形関係が存在している。理想的な比例－積分（ＰＩ）コントローラと、

とｖ_ａｉｒの間の線形の関係と、を仮定することにより、ゾーン温度Ｔ_ｚｏｎｅ及びゾーン温度設定点Ｔ_{ｓｐ，ｚｏｎｅ}の関数として、建物４０４に提供される加熱又は冷却の量である

を定義するべく、単純化された線形コントローラモデルを使用することができる。このようなモデルの一例が、以下の式において示されている。

ε＝Ｔ_{ｓｐ，ｚｏｎｅ}－Ｔ_ｚｏｎｅ
ここで、

は、加熱又は冷却レートの安定状態レートであり、Ｋ_ｃは、スケーリング済みのゾーンＰＩコントローラ比例利得であり、τ_Ｉは、ゾーンＰＩコントローラ積分時間であり、且つ、εは、設定点誤差（即ち、ゾーン温度設定点Ｔ_{ｓｐ，ｚｏｎｅ}とゾーン温度Ｔ_ｚｏｎｅの間の差）である。飽和は、

に対する制約によって表すことができる。線形モデルが、機器コントローラ６１４を十分正確にモデル化しない場合には、その代わりに、非線形の加熱／冷却デューティモデルを使用することができる。

ゾーン温度Ｔ_ｚｏｎｅに対する制約に加えて、制約生成器６２０は、電池４１４の電荷の状態（ＳＯＣ：ｓｔａｔｅ－ｏｆ－ｃｈａｒｇｅ）及び充電／放電レートに対して制約を課すことができる。いくつかの実施形態においては、制約生成器６２０は、以下の予測費用関数Ｊに対する電力制約を生成及び適用している。
Ｐ_ｂａｔ≦Ｐ_{ｒａｔｅｄ}
－Ｐ_ｂａｔ≦Ｐ_{ｒａｔｅｄ}
ここで、Ｐ_ｂａｔは、電池４１４から放電された電力の量であり、且つ、Ｐ_{ｒａｔｅｄ}は、電池４１４の定格電池電力（例えば、電池４１４が充電又は放電されうる最大レート）である。これらの電力制約は、電池４１４が、最大可能電池充電／放電レートＰ_{ｒａｔｅｄ}を超過するレートにおいて、充電又は放電されないことを保証している。

いくつかの実施形態においては、制約生成器６２０は、予測費用関数Ｊに対する１つ又は複数の容量制約を生成及び適用している。容量制約は、それぞれの時間ステップにおいて充電又は放電される電池電力Ｐ_ｂａｔを電池４１４の容量及びＳＯＣに対して関係付けるべく、使用することができる。容量制約は、電池４１４の容量が、最適化期間のそれぞれの時間ステップにおいて、受け入れ可能な下部及び上部境界内において維持されることを保証することができる。いくつかの実施形態においては、制約生成器６２０は、以下の容量制約を生成している。
Ｃ_ａ（ｋ）－Ｐ_ｂａｔ（ｋ）Δｔ≦Ｃ_{ｒａｔｅｄ}
Ｃ_ａ（ｋ）－Ｐ_ｂａｔ（ｋ）Δｔ≧０
ここで、Ｃ_ａ（ｋ）は、時間ステップｋの開始時点における利用可能な電池容量（例えば、ｋＷｈ）であり、Ｐ_ｂａｔ（ｋ）は、電池４１４が時間ステップｋにおいて放電されるレート（例えば、ｋＷ）であり、Δｔは、それぞれの時間ステップの持続時間であり、且つ、Ｃ_{ｒａｔｅｄ}は、電池４１４の最大定格容量（例えば、ｋＷｈ）である。項Ｐ_ｂａｔ（ｋ）Δｔは、時間ステップｋにおける電池容量の変化を表している。これらの容量制約は、電池４１４の容量が、ゼロと最大定格容量Ｃ_{ｒａｔｅｄ}の間において維持されることを保証している。

いくつかの実施形態においては、制約生成器６２０は、１つ又は複数の電力制約を生成及び適用している。例えば、経済コントローラ６１０は、以下の式において示されているように、キャンパス４０２に提供される電力Ｐ_{ｃａｍｐｕｓ}をゼロとＰＯＩ４１０の最大電力スループットＰ_{ｃａｍｐｕｓ，ｍａｘ}の間において制限する制約を生成するように、構成することができる。
０≦Ｐ_{ｃａｍｐｕｓ}（ｋ）≦Ｐ_{ｃａｍｐｕｓ，ｍａｘ}
Ｐ_{ｃａｍｐｕｓ}（ｋ）＝Ｐ_{ｓｐ，ｇｒｉｄ}（ｋ）＋Ｐ_{ｓｐ，ｂａｔ}（ｋ）＋Ｐ_{ｇｒｅｅｎ}（ｋ）
ここで、キャンパス４０２に提供される合計電力Ｐ_{ｃａｍｐｕｓ}は、グリッド電力設定点Ｐ_{ｓｐ，ｇｒｉｄ}、電池電力設定点Ｐ_{ｓｐ，ｂａｔ}、及びグリーン電力生成Ｐ_{ｇｒｅｅｎ}の合計である。

いくつかの実施形態においては、制約生成器６２０は、中央プラント４０６の動作に対する１つ又は複数の容量制約を生成及び適用している。例えば、加熱は、加熱器サブプラント２０２によって提供することができると共に、冷却は、冷却器サブプラント２０６によって提供することができる。加熱器サブプラント２０２及び冷却器サブプラント２０６の動作は、加熱器サブプラント２０２及び冷却器サブプラント２０６のそれぞれ用のサブプラント曲線によって定義することができる。それぞれのサブプラント曲線は、サブプラントのリソース生成（例えば、トンを単位とする冷蔵、ｋＷを単位とする加熱など）をサブプラントによって消費される１つ又は複数のリソース（例えば、電気、天然ガス、水など）の関数として定義することができる。制約生成器６２０によって使用されうるサブプラント曲線のいくつかの例については、２０１５年２月２７日付けで出願された米国特許出願第１４／６３４，６０９号明細書において更に詳細に記述されている。

ニューラルネットワークモデル化
次に図７を参照すれば、例示用の一実施形態による制約生成器６２０を更に詳しく示すブロック図が示されている。制約生成器６２０は、ニューラルネットワークモデラ７０６と、不等式制約生成器７０８と、等式制約生成器７１０と、を含むものとして示されている。いくつかの実施形態においては、制約生成器６２０の１つ又は複数のコンポーネントは、単一のコンポーネントに組み合わせられている。但し、図７においては、コンポーネントは、説明の容易性を目的として、分離された状態において示されている。

ニューラルネットワークモデラ７０６は、経済コントローラ６１０及び／又は追跡コントローラ６１２によって実行される最適化手順用の制約を生成するべく使用されうるニューラルネットワークモデルを生成するように、構成することができる。いくつかの実施形態においては、ニューラルネットワークモデルは、畳み込みニューラルネットワーク（ＣＮＮ：ＣｏｎｖｏｌｕｔｉｏｎａｌＮｅｕｒａｌＮｅｔｗｏｒｋ）である。ＣＮＮは、そのニューロンの間の接続パターンが、動物の視覚野の組織に基づいて着想された、１つのタイプのフィードフォワード型の人工ニューラルネットワークである。個々の皮質ニューロンは、受容野と呼称される制限された空間の領域内の刺激に応答する。異なるニューロンの受容野が、視野をタイル状に覆うように、部分的にオーバーラップしている。その受容野内の刺激に対する個々のニューロンの応答は、畳み込み演算により、数学的に近似することができる。又、ＣＮＮは、シフト不変又は空間不変型の人工ニューラルネットワーク（ＳＩＡＮＮ：ＳｈｉｆｔＩｎｖａｒｉａｎｔｏｒＳｐａｃｅＩｎｖａｒｉａｎｔＡｒｔｉｆｉｃｉａｌＮｅｕｒａｌＮｅｔｗｏｒｋ）とも呼称され、これは、その共有重みアーキテクチャ及び変換不変性特性に基づいて命名されたものである。

次に図８を参照すれば、例示用の一実施形態による、ニューラルネットワークモデラ７０６によって生成及び使用されうるＣＮＮ８００の一例が示されている。ＣＮＮ８００は、入力層８０２と、畳み込み層８０４と、整流線形ユニット（ＲｅＬＵ）層８０６と、プーリング層８０８と、完全接続層８１０（即ち、出力層）と、を含む、層のシーケンスを含むものとして示されている。層８０２～８１０のそれぞれは、微分可能関数を通じて活性化の１つの容積を別のものに変換している。層８０２～８１０は、ＣＮＮ８００を形成するべく、積層させることができる。通常の（即ち、非畳み込み型の）ニューラルネットワークとは異なり、層８０２～８１０は、３つの次元、すなわち、幅、高さ、深さ、において配列されたニューロンを有することができる。ニューロンの深さは、ＣＮＮ８００内の層の合計数を意味しうる、ＣＮＮ８００の深さではなく、活性化容積の第３の次元を意味している。ＣＮＮ８００の層のうちの１つ又は複数の層内のいくつかのニューロンは、完全接続方式により、ニューロンのすべてではなく、その前又は後の層の小さな領域にのみ接続することができる。いくつかの実施形態においては、ＣＮＮ８００の最後の出力層（即ち、完全接続層８１０）は、深さ次元に沿って配列された、クラススコアの単一のベクトルである。

いくつかの実施形態においては、ＣＮＮ８００は、建物ゾーン用の温度境界（例えば、建物ゾーン用の最小及び最大許容可能温度又は温度設定点）を生成するべく、使用することができる。次いで、温度境界は、予測される建物ゾーン温度用の温度制約を生成及び適用するべく、不等式制約生成器７０８及び／又は等式制約生成器７１０により、使用することができる。いくつかの実施形態においては、ＣＮＮ８００は、中央プラント４０６の冷却器によって生成される冷水出力用の温度境界（例えば、冷水出力の最小及び最大許容可能温度又は冷水設定点）を生成するべく、使用することができる。次いで、温度境界は、中央プラント４０６の冷却器によって使用される冷水出力又は設定点用の温度制約を生成及び適用するべく、不等式制約生成器７０８及び／又は等式制約生成器７１０により、使用することができる。いくつかの実施形態においては、ＣＮＮ８００は、中央プラント４０６のボイラ又はその他の熱水生成器によって生成される熱水出力用の温度境界（例えば、熱水出力の最小及び最大許容可能温度又は熱水設定点）を生成するべく、使用することができる。次いで、温度境界は、中央プラント４０６のボイラ又はその他の熱水生成器によって使用される熱水出力又は設定点用の温度制約を生成及び適用するべく、不等式制約生成器７０８及び／又は等式制約生成器７１０により、使用することができる。これらの特定の例が詳細に記述されているが、ＣＮＮ８００は、経済コントローラ６１０及び／又は追跡コントローラ６１２によって実行される最適化手順に対する任意のその他の制約の値を生成するべく使用されうることを理解されたい。

入力層８０２は、入力ニューロン８０１の組を含むものとして示されている。入力ニューロン８０１のそれぞれは、ニューラルネットワークモデラ７０６によって監視されうる、且つ、ＣＮＮ８００に対する入力として使用されうる、変数に対応することができる。例えば、入力ニューロン８０１は、屋外気温（ＯＡＴ：ＯｕｔｄｏｏｒＡｉｒＴｅｍｐｅｒａｔｕｒｅ）（例えば、華氏又は摂氏の度を単位とする温度値）、曜日（例えば、１＝日曜、２＝月曜、…、７＝土曜）、日付（例えば、０＝１月１日、１＝１月２日、…、３６５＝１２月３１日）、建物ゾーン用の２値の占有値（例えば、０＝占有されていない、１＝占有されている）、建物ゾーン用の占有の百分率（例えば、建物ゾーンが占有されていない場合には、０％であり、建物ゾーンの３０％は、最大占有率の３０％であり、建物ゾーンの１００％は、完全な占有である、など）、建物ゾーンの計測された温度（例えば、華氏又は摂氏の度を単位とする温度値）、建物機器７０２又は中央プラント４０６からの動作データ（例えば、建物ゾーンに気流を提供するＡＨＵの動作容量、熱交換機を通じて加熱又は冷却される流体の流量を調節する流量制御弁の弁位置など）、或いは、適切な温度境界の生成に関連しうる任意のその他の変数、などの変数に対応することができる。

畳み込み層８０４は、入力層８０２から入力を受け取ることができると共に、出力をＲｅＬＵ層８０６に提供することができる。いくつかの実施形態においては、畳み込み層８０４は、ＣＮＮ８００のコア構築ブロックである。畳み込み層８０４のパラメータは、学習可能なフィルタ（或いは、カーネル）の組を含んでいてもよく、これは、小さな受容野を有するが、入力容積の深さ全体を通じて延在している。フォワードパスの際には、それぞれのフィルタは、入力容積の幅及び高さに跨って畳み込まれ、これにより、フィルタのエントリと入力層８０２内のエントリの間のドット積を演算することができると共に、そのフィルタの２次元活性化マップを生成することができる。この結果、ＣＮＮ８００は、入力層８０２によって通知されたなんらかの特定のタイプの特徴を検出した際に活性化するフィルタを学習している。深さ次元に沿ってすべてのフィルタ用の活性化マップを積層することにより、畳み込み層８０４の出力容積の全体が形成される。したがって、出力容積内のすべてのエントリは、入力層８０２内の小さな領域を観察する、且つ、同一の活性化マップ内のニューロンとの間においてパラメータを共有する、ニューロンの出力として解釈することもできる。いくつかの実施形態においては、ＣＮＮ８００は、複数の畳み込み層８０４を含む。

ＲｅＬＵ層８０６は、畳み込み層８０４から入力を受け取ることができると共に、出力を完全接続層８１０に提供することができる。ＲｅＬＵは、ＲｅｃｔｉｆｉｅｄＬｉｎｅａｒＵｎｉｔｓの略号である。ＲｅＬＵ層８０６は、ｆ（ｘ）＝ｍａｘ（０，ｘ）などの非飽和型の活性化関数を畳み込み層８０４からの入力に対して適用することができる。ＲｅＬＵ層８０６は、畳み込み層８０４の受容野に影響を及ぼすことなしに、決定関数の、且つ、ネットワーク全体の、非線形のプロパティを増大させるべく、機能することができる。又、非線形性を増大させるべく、例えば、飽和双曲線接線ｆ（ｘ）＝ｔａｎｈ（ｘ）又はｆ（ｘ）＝｜ｔａｎｈ（ｘ）｜及びシグモイド関数ｆ（ｘ）＝（１＋ｅ^－ｘ）^－１を含む、その他の関数をＲｅＬＵ層８０６内において使用することもできる。ＲｅＬＵ層８０６の包含により、一般化精度に対する大きなペナルティを伴うことなしに、ＣＮＮ８００が、数倍だけ高速にトレーニングされるようにすることができる。

プーリング層８０８は、ＲｅＬＵ８０６から入力を受け取ることができると共に、出力を完全接続層８１０に提供することができる。プーリング層８０８は、ＲｅＬＵ層８０６から受け取られた入力に対してプーリング動作を実行するように、構成することができる。プーリングは、非線形のダウンサンプリングの一形態である。プーリング層８０８は、例えば、最大プーリング（ｍａｘｐｏｏｌｉｎｇ）を含む、プーリングを実装するべく、様々な非線形関数のうちのいずれかを使用することができる。プーリング層８０８は、ＲｅＬＵ層８０６からの入力をオーバーラップしていないサブ領域の組にパーティション化し、且つ、それぞれのこのようなサブ領域ごとに、最大値を出力するように、構成することができる。直観は、特徴の正確な場所の重要性は、その他の特徴との関係におけるそのラフな場所よりも小さい、というものである。プーリング層８０８は、表現の空間的サイズを徐々に低減するべく、ネットワーク内のパラメータの数及び演算の量を低減するべく、したがって、更には、オーバーフィッティングを制御するべく、機能している。したがって、プーリング層８０８は、変換不変性の一形態を提供している。

いくつかの実施形態においては、プーリング層８０８は、入力のすべての深さスライスに対して独立的に動作しており、且つ、これを空間的にサイズ変更している。例えば、プーリング層８０８は、幅及び高さの両方に沿って、入力内のすべての深さスライスにおける２つのダウンサンプルに２を乗算したストライドと共に適用される、サイズ２×２のフィルタを含んでいてもよく、これにより、活性化の７５％が廃棄される。このケースにおいては、すべての最大演算（ｍａｘｏｐｅｒａｔｉｏｎ）は、４個超の数値である。深さ次元は、不変状態において留まっている。又、最大プーリングに加えて、プーリング層８０８は、平均プーリング又はＬ２ノームプーリングなどの、その他の機能を実行することもできる。

いくつかの実施形態においては、ＣＮＮ８００は、畳み込み層８０４、ＲｅＬＵ層８０６、及びプーリング層８０８の複数のインスタンスを含んでいる。例えば、プーリング層８０８は、畳み込み層８０４の別のインスタンスによって後続されてもよく、これは、ＲｅＬＵ層８０６の別のインスタンスによって後続されてもよく、これは、プーリング層８０８の別のインスタンスによって後続されてもよい。図８には、層８０４～８０８の１つの組のみが示されているが、ＣＮＮ８００は、入力層８０２と完全接続層８１０の間に、層８０４～８０８の１つ又は複数の組を含みうることを理解されたい。したがって、ＣＮＮ８００は、「Ｍ－層」のＣＮＮであってよく、この場合に、Ｍは、入力層８０２と完全接続層８１０の間の層の合計数である。

完全接続層８１０は、ＣＮＮ８００内の最後の層であり、且つ、出力層と呼称することができる。完全接続層８１０は、層８０４～８０８の１つ又は複数の組に後続することができると共に、ＣＮＮ８００内において、高度な推論を実行することができる。いくつかの実施形態においては、完全接続層８１０内の出力ニューロン８１１は、以前の層内のすべての活性化（即ち、プーリング層８０８のインスタンス）に対して十分な接続を有することができる。したがって、出力ニューロン８１１の活性化は、バイアスオフセットによって後続される行列乗算により、演算することができる。いくつかの実施形態においては、完全接続層８１０内の出力ニューロン８１１は、ＣＮＮ８００の深さ次元に沿ったクラススコアの単一のベクトルとして構成されている。

いくつかの実施形態においては、出力ニューロン８１１のそれぞれは、経済コントローラ６１０及び／又は追跡コントローラ６１２によって実行される最適化手順に対する制約を生成するべく使用されうる閾値（例えば、境界値、設定点の周りの境界範囲など）を表している。例えば、出力ニューロン８１１の１つ又は複数は、建物ゾーン用の温度境界（例えば、建物ゾーン用の最小及び最大許容可能温度又は温度設定点）を表すことができる。温度境界は、予測される建物ゾーン温度用の温度制約を生成及び適用するべく、不等式制約生成器７０８及び／又は等式制約生成器７１０により、使用することができる。

いくつかの実施形態においては、出力ニューロン８１１の１つ又は複数は、中央プラント４０６の冷却器によって生成される冷水出力用の温度境界（例えば、冷水出力の最小及び最大許容可能温度又は冷水設定点）を表している。温度境界は、中央プラント４０６の冷却器によって使用される冷水出力用の温度制約又は設定点を生成及び適用するべく、不等式制約生成器７０８及び／又は等式制約生成器７１０により、使用することができる。同様に、出力ニューロン８１１０の１つ又は複数は、中央プラント４０６のボイラ又はその他の熱水生成器によって生成される熱水出力用の温度境界（例えば、熱水出力の最小及び最大許容可能温度又は熱水設定点）を表すことができる。温度境界は、中央プラント４０６のボイラ又はその他の熱水生成器によって使用される熱水出力用の温度制約又は設定点を生成及び適用するべく、不等式制約生成器７０８及び／又は等式制約生成器７１０により、使用することができる。

再び図７を参照すれば、ニューラルネットワークモデラ７０６は、ＣＮＮ８００によって生成された制約を評価及び採点するべく、様々な入力を使用することができる。このような入力は、建物機器７０２からの動作データ、中央プラント４０６からの動作データ、及び／又はユーザー装置７０４からのユーザー入力を含むことができる。いくつかの実施形態においては、ユーザー装置７０４からのユーザー入力は、手動によるオーバーライド、設定点の調節、パラメータ用の手動値、又はユーザー動作を記述するその他の入力を含む。ニューラルネットワークモデラ７０６は、所与の時点における建物機器７０２及び／又は中央プラント４０６の動作状態が満足できたかどうか、或いは、調節が必要とされたかどうか、を判定するべく、ユーザー装置７０４からのユーザー入力を使用することができる。ニューラルネットワークモデラ７０６は、望ましい制約値を判定するために、人々が制約生成器６２０によって生成された制約に反応する方式を識別するべく、これらの且つその他のタイプのユーザー入力を使用することができる。

例えば、ＣＮＮ８００の出力は、建物ゾーン用の温度境界を含むことができる。温度境界は、建物ゾーンの温度は、最小ゾーン温度と最大ゾーン温度の間の許容可能な温度範囲内において変化するべく許容されている、と規定することができる。したがって、予測コントローラ４２０は、建物ゾーンの温度が最小ゾーン温度と最大ゾーン温度の間において維持されることを保証するように、建物機器７０２及び／又は中央プラント４０６を動作させることができる。制約生成器６２０によって生成された温度境界を採点するべく、ニューラルネットワークモデラ７０６は、建物ゾーン用の温度設定点に対する手動調節について通知するユーザー入力を検査することができる。手動設定点調節に応答して、ニューラルネットワークモデラ７０６は、以前の温度設定点（即ち、調節の前に予測コントローラ４２０によって生成された温度設定点）が、望ましい範囲の外にあったと判定することができる。

いくつかの実施形態においては、ニューラルネットワークモデラ７０６は、制約生成器６２０によって生成された温度制約に基づいて予測コントローラ４２０によって生成された温度設定点に伴うユーザーの不満足の通知として、手動設定点調節の大きさを使用している。例えば、大きな大きさを有する手動設定点調節は、制約生成器６２０によって生成された温度制約に伴う大きな不満足を通知しうると共に、したがって、小さな性能スコアを結果的にもたらしうる。小さな大きさを有する手動設定点調節は、制約生成器６２０によって生成された温度制約に伴うわずかな不満足を通知しうると共に、したがって、相対的に大きな性能スコアを結果的にもたらしうる。手動設定点調節の欠如は、制約生成器６２０によって生成された温度制約に伴うユーザーの満足を通知しうると共に、したがって、大きな性能スコアを結果的にもたらしうる。

別の例として、ＣＮＮ８００の出力は、中央プラント４０６の冷却器によって出力される冷水用の温度境界を含むことができる。温度境界は、冷水温度（又は、温度設定点）は、最小冷水温度と最大冷水温度の間における許容可能な温度範囲内において変化するべく許容されている、と規定することができる。したがって、予測コントローラ４２０は、冷水出力の温度（又は、温度設定点）が最小冷水温度と最大冷水温度の間において維持されることを保証するように、中央プラント４０６の冷却器を動作させることができる。

制約生成器６２０によって生成された温度境界を採点するために、ニューラルネットワークモデラ７０６は、任意の熱交換器が冷水を十分に活用しているかどうかを判定するべく、建物機器７０２からの動作データを使用することができる。例えば、建物機器７０２からの動作データは、冷却コイル又はその他の熱交換器を通じた冷水の流量を調節する流量制御弁の弁位置について通知することができる。動作データが、流量制御弁が完全に開放していることを通知している場合には、その弁は、冷水を十分に活用している。逆に、動作データが、流量制御弁のいずれもが、完全に開放してはいないことを通知している場合には、流量制御弁のいずれもが、冷水を十分に活用してはいない（即ち、熱交換機のいずれもが、冷水によって提供される冷却容量の全体を必要としてはいない）。

いくつかの実施形態においては、ニューラルネットワークモデラ７０６は、冷水温度制約が良いのか又は悪いのかの通知として、流量制御弁の位置を使用している。例えば、弁のいずれもが、完全に開放していない場合には、ニューラルネットワークモデラ７０６は、建物機器７０２の冷却性能に影響を及ぼすことなしに、冷却器のエネルギー消費を低減するべく、冷水温度設定点を増大させることができる、と判定することができる。冷水温度は、弁の少なくとも１つが、冷水の最も効率的な使用を実施するべく、完全に開放する時点まで、増大させることができる。したがって、ニューラルネットワークモデラ７０６は、完全開放に最も近接した弁を識別することが可能であり、且つ、その弁の位置（例えば、６０％の開放）と完全開放位置（例えば、１００％の開放）の間の位置の差を判定することができる。弁位置の大きな差は、小さな性能スコアを結果的にもたらしうる一方で、弁位置の小さな差は、大きな性能スコアを結果的にもたらしうる。同一の採点技法は、制約生成器６２０によって生成される熱水温度境界に対して適用することができる。

不等式制約生成器７０８及び等式制約生成器７１０は、不等式制約及び等式制約を生成するべく、ニューラルネットワークモデラ７０６によって生成されたニューラルネットワークモデルを使用することができる。制約生成器６２０は、最適な電力設定点を生成するために、経済コントローラ６１０によって実行される予測費用関数Ｊの最適化を制約するべく、経済コントローラ６１０に不等式制約及び等式制約を提供することができる。又、制約生成器６２０は、最適な温度設定点を生成するために、追跡コントローラ６１２によって実行される最適化を制約するべく、不等式制約及び等式制約を追跡コントローラ６１２に提供することもできる。

いくつかの実施形態においては、制約生成器７０８～７１０は、建物機器７０２の動作ドメインを定義する様々な関数を生成するべく、建物機器７０２からの動作データを使用している。同様に、中央プラントのそれぞれのサブプラント及び／又は中央プラント４０６のそれぞれの装置の入力及び出力の間の関係を識別するべく、中央プラント４０６からの動作データを使用することもできる。制約生成器７０８～７１０は、中央プラント４０６の動作ドメインを定義する様々な関数を生成するべく、中央プラント４０６からの動作データを使用することができる。

いくつかの実施形態においては、制約生成器７０８～７１０は、建物機器７０２及び中央プラント４０６の動作に対する制限を判定するべく、建物機器７０２及び中央プラント４０６からの動作データを使用している。例えば、冷却器は、冷却器が生成しうる冷却の量に対する制限として機能する最大冷却容量を有することができる。制約生成器７０８～７１０は、冷却器の最大動作限度を判定するために、（冷却出力が負荷設定点の関数であることを停止するポイントを識別することにより）冷却器によって提供される冷却がその最大値に到達するポイントを判定するべく、動作データを使用することができる。建物機器７０２及び中央プラント４０６のその他の装置の最大動作ポイントを識別するべく、類似のプロセスを使用することができる。これらの動作限度は、建物機器７０２及び中央プラント４０６の動作を許容可能な限度内において制限する不等式制約を生成するべく、不等式制約生成器７０８により、使用することができる。

例示的実施形態の構成
様々な例示的実施形態に示したようなシステム及び方法の構成及び配置は、例示的なものにすぎない。本開示ではいくつかの実施形態のみを詳細に述べているが、多くの変更が可能である（例えば、様々な要素のサイズ、寸法、構造、形状、及び広さ、パラメータの値、取付け配置、材料の使用、色、向きなど）。例えば、要素の位置が逆にされてもよく、又は他の形で変更されてもよく、個々の要素の性質若しくは数又は位置が変化又は変更されてもよい。したがって、そのような変更は全て本開示の範囲内に含まれることが意図される。任意のプロセス又は方法ステップの順序又は並びは、代替実施形態に従って変更されか又は並べ替えられてもよい。本開示の範囲から逸脱することなく、例示的実施形態の設計、動作条件、及び配置について、他の置換、修正、変更、及び省略が行われてもよい。

本開示は、様々な動作を達成するための方法、システム、及び任意の機械可読媒体でのプログラム製品を企図する。本開示の実施形態は、既存のコンピュータプロセッサを使用して実装されても、この目的若しくは別の目的で組み込まれた適切なシステムのための専用コンピュータプロセッサによって実装されても、又は有線システムによって実装されてもよい。本開示の範囲内の実施形態は、機械実行可能命令又はデータ構造を担持又は記憶するための機械可読媒体を備えるプログラム製品を含む。そのような機械可読媒体は、汎用若しくは専用コンピュータ、又はプロセッサを備える他の機械によってアクセスすることができる任意の利用可能な媒体であってもよい。一例として、そのような機械可読媒体は、ＲＡＭ、ＲＯＭ、ＥＰＲＯＭ、ＥＥＰＲＯＭ、ＣＤ－ＲＯＭ、若しくは他の光ディスク記憶装置、磁気ディスク記憶装置若しくは他の磁気記憶デバイス、又は任意の他の媒体を含むことができ、そのような媒体は、機械実行可能命令又はデータ構造の形態での所望のプログラムコードを担持又は記憶するために使用することができ、さらに、汎用若しくは専用コンピュータ、又はプロセッサを備える他の機械によってアクセスすることができる。上記の媒体の組合せも機械可読媒体の範囲に含まれる。機械実行可能命令は、例えば、汎用コンピュータ、専用コンピュータ、又は専用処理機械に特定の機能若しくは機能群を実施させる命令及びデータを含む。

図面は方法ステップの特定の順序を示しているが、ステップの順序は図示されるものとは異なっていてもよい。また、２つ以上のステップが並行して、又は一部並行して実施されてもよい。そのような変形形態は、選択されるソフトウェア及びハードウェアシステム、並びに設計者の選択に依存する。そのような変形形態は全て本開示の範囲内にある。同様に、ソフトウェア実装は、様々な接続ステップ、処理ステップ、比較ステップ、及び決定ステップを達成するために規則ベースの論理及び他の論理を備えた標準的なプログラミング技法によって達成することができる。

Claims

予測建物制御のシステムであって、
建物に対する加熱及び冷却を提供するべく動作可能な機器と、
予測コントローラと
を有し、
前記予測コントローラは、
制約を受ける変数のための閾値を含む１つ又は複数の制約に従って最適化期間のそれぞれの時間ステップにおける前記機器用の設定点を生成するべく、最適化を実行するように構成された１つ又は複数の最適化コントローラと、
ニューラルネットワークモデルを使用して前記１つ又は複数の制約の前記閾値を生成し、前記閾値を前記ニューラルネットワークモデルへの一つ又は複数の時変入力の関数として経時的に調節するように構成された制約生成器と、
前記最適化期間のそれぞれの時間ステップにおいて前記１つ又は複数の最適化コントローラによって生成された前記設定点を実現するべく、前記機器を動作させるように構成された機器コントローラと
を有する、システム。
前記制約生成器は、
前記制約生成器によって生成された前記制約を満足であるか又は不満足であるとして分類することと、
前記制約生成器によって生成された前記制約が、満足であると分類されているのか、又は不満足であると分類されているのか、に基づいて、前記ニューラルネットワークモデルをトレーニングすることと
を行うように構成されたニューラルネットワークモデラを有する、請求項１に記載のシステム。
前記制約生成器は、
前記制約生成器によって生成された前記制約の性能スコアを生成することと、
前記性能スコアを使用することにより、前記ニューラルネットワークモデルをトレーニングすることと
を行うように構成されたニューラルネットワークモデラを有する、請求項１に記載のシステム。
前記機器は、前記建物内の建物ゾーンのゾーン温度に影響を及ぼすべく動作する建物機器を有し、
前記設定点は、前記最適化期間のそれぞれの時間ステップにおける前記建物ゾーン用のゾーン温度設定点を有し、
前記制約は、前記ゾーン温度設定点に関する１つ又は複数の温度境界を有する、請求項１に記載のシステム。
前記制約生成器は、
前記１つ又は複数の最適化コントローラによって生成された前記設定点に対する手動調節を検出することと、
前記制約生成器によって生成された前記制約の性能スコアを生成するべく、前記手動調節の大きさを使用することと、
前記性能スコアを使用することにより、前記ニューラルネットワークモデルをトレーニングすることと
を行うように構成されたニューラルネットワークモデラを有する、請求項４に記載のシステム。
前記機器は、前記建物に提供される冷水出力又は熱水出力の水温に影響を及ぼすべく動作する中央プラント機器を有し、
前記設定点は、前記最適化期間のそれぞれの時間ステップにおける前記冷水出力又は前記熱水出力用の水温設定点を有し、
前記制約は、前記水温設定点に関する１つ又は複数の温度境界を有する、請求項１に記載のシステム。
前記制約生成器は、
１つ又は複数の熱交換器を通じた前記冷水出力又は前記熱水出力の流量を調節する流量制御弁の弁位置を検出することと、
前記制約生成器によって生成された前記制約の性能スコアを生成するべく、前記検出された弁位置と完全開放弁位置の間の差を使用することと、
前記性能スコアを使用することにより、前記ニューラルネットワークモデルをトレーニングすることと
を行うように構成されたニューラルネットワークモデラを有する、請求項６に記載のシステム。
前記ニューラルネットワークモデルは、
１つ又は複数の入力ニューロンを有する入力層と、
１つ又は複数の出力ニューロンを有する出力層と、
前記入力層と前記出力層の間の中間層の１つ又は複数の組であって、前記中間層のそれぞれの組は、畳み込み層、整流線形ユニット（ＲｅＬＵ）層、及びプーリング層を有する、中間層の１つ又は複数の組と
を有する畳み込みニューラルネットワークモデルである、請求項１に記載のシステム。
前記入力ニューロンは、
外気温、
特定の曜日、
特定の日付、又は、
前記建物の占有状態
のうちの少なくとも一方に対する時変値を有する、請求項８に記載のシステム。
前記出力ニューロンは、
前記最適化期間のそれぞれの時間ステップにおける、前記１つ又は複数の最適化コントローラによって生成された前記設定点に関する最小境界、又は、
前記最適化期間のそれぞれの時間ステップにおける、前記１つ又は複数の最適化コントローラによって生成された前記設定点に関する最大境界
のうちの少なくとも一方に対する値を有する請求項８に記載のシステム。
予測建物制御システム内の機器を動作させる方法であって、
制約を受ける変数のための時変閾値を取得するべく、時変入力の組をニューラルネットワークモデルに適用することにより、１つ又は複数の制約を生成及び調節することと、
前記１つ又は複数の制約に従って最適化期間のそれぞれの時間ステップにおける前記機器用の設定点を生成するべく、最適化を実行することと、
前記最適化期間のそれぞれの時間ステップにおいて前記設定点を実現するべく、前記機器を動作させることと
を有する方法。
前記制約を満足であるか又は不満足であるとして分類することと、
前記制約が、満足であると分類されているのか、又は不満足であると分類されているのか、に基づいて、前記ニューラルネットワークモデルをトレーニングすることと
を更に有する、請求項１１に記載の方法。
前記制約の性能スコアを生成することと、
前記性能スコアを使用することにより、前記ニューラルネットワークモデルをトレーニングすることと
を更に有する、請求項１１に記載の方法。
前記機器は、建物ゾーンのゾーン温度に影響を及ぼすべく動作する建物機器を有し、
前記設定点は、前記最適化期間のそれぞれの時間ステップにおける前記建物ゾーン用のゾーン温度設定点を有し、
前記制約は、前記ゾーン温度設定点に関する１つ又は複数の温度境界を有する、請求項１１に記載の方法。
前記最適化を実行することによって生成された前記設定点に対する手動調節を検出することと、
前記制約の性能スコアを生成するべく、前記手動調節の大きさを使用することと、
前記性能スコアを使用することにより、前記ニューラルネットワークモデルをトレーニングすることと
を更に有する、請求項１４に記載の方法。
前記機器は、建物に提供される冷水出力又は熱水出力の水温に影響を及ぼすべく動作する中央プラント機器を有し、
前記設定点は、前記最適化期間のそれぞれの時間ステップにおける前記冷水出力又は前記熱水出力用の水温設定点を有し、
前記制約は、前記水温設定点に関する１つ又は複数の温度境界を有する、請求項１１に記載の方法。
１つ又は複数の熱交換器を通じて前記冷水出力又は前記熱水出力の流量を調節する流量制御弁の弁位置を検出することと、
前記制約の性能スコアを生成するべく、前記検出された弁位置と完全開放弁位置の間の差を使用することと、
前記性能スコアを使用することにより、前記ニューラルネットワークモデルをトレーニングすることと
を更に有する、請求項１６に記載の方法。
前記ニューラルネットワークモデルは、
１つ又は複数の入力ニューロンを有する入力層と、
１つ又は複数の出力ニューロンを有する出力層と、
前記入力層と前記出力層の間の中間層の１つ又は複数の組であって、前記中間層のそれぞれの組は、畳み込み層、整流線形ユニット（ＲｅＬＵ）層、及びプーリング層を有する、中間層の１つ又は複数の組と
を有する畳み込みニューラルネットワークモデルである、請求項１１に記載の方法。
前記入力ニューロンは、
屋外気温、
特定の曜日、
特定の日付、又は、
建物の占有状態
のうちの少なくとも１つに対する時変値を有する、請求項１８に記載の方法。
前記出力ニューロンは、
前記最適化期間のそれぞれの時間ステップについて前記最適化を実行することによって生成された前記設定点に関する最小境界、又は、
前記最適化期間のそれぞれの時間ステップについて前記最適化を実行することによって生成された前記設定点に関する最大境界
のうちの少なくとも一方に対する値を有する、請求項１８に記載の方法。