KR101973652B1 - Hvac 시스템에 대한 가변 공기 용적 모델링 - Google Patents

Hvac 시스템에 대한 가변 공기 용적 모델링 Download PDF

Info

Publication number
KR101973652B1
KR101973652B1 KR1020177026955A KR20177026955A KR101973652B1 KR 101973652 B1 KR101973652 B1 KR 101973652B1 KR 1020177026955 A KR1020177026955 A KR 1020177026955A KR 20177026955 A KR20177026955 A KR 20177026955A KR 101973652 B1 KR101973652 B1 KR 101973652B1
Authority
KR
South Korea
Prior art keywords
air conditioner
hvac
blower
air
ventilation
Prior art date
Application number
KR1020177026955A
Other languages
English (en)
Other versions
KR20170120666A (ko
Inventor
로버트 제이. 코완
로버티토 라이문도
제임스 존 왈커
오스만 아메드
Original Assignee
지멘스 인더스트리 인코포레이티드
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 지멘스 인더스트리 인코포레이티드 filed Critical 지멘스 인더스트리 인코포레이티드
Publication of KR20170120666A publication Critical patent/KR20170120666A/ko
Application granted granted Critical
Publication of KR101973652B1 publication Critical patent/KR101973652B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B15/00—Systems controlled by a computer
    • G05B15/02—Systems controlled by a computer electric
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
    • F24F11/32—Responding to malfunctions or emergencies
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
    • F24F11/46—Improving electric energy efficiency or saving
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/50—Control or safety arrangements characterised by user interfaces or communication
    • F24F11/54—Control or safety arrangements characterised by user interfaces or communication using one central controller connected to several sub-controllers
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/50—Control or safety arrangements characterised by user interfaces or communication
    • F24F11/56—Remote control
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/50—Control or safety arrangements characterised by user interfaces or communication
    • F24F11/56—Remote control
    • F24F11/58—Remote control using Internet communication
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
    • F24F11/63—Electronic processing
    • F24F11/64—Electronic processing using pre-stored data
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/70—Control systems characterised by their outputs; Constructional details thereof
    • F24F11/72—Control systems characterised by their outputs; Constructional details thereof for controlling the supply of treated air, e.g. its pressure
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/70—Control systems characterised by their outputs; Constructional details thereof
    • F24F11/72—Control systems characterised by their outputs; Constructional details thereof for controlling the supply of treated air, e.g. its pressure
    • F24F11/74—Control systems characterised by their outputs; Constructional details thereof for controlling the supply of treated air, e.g. its pressure for controlling air flow rate or air velocity
    • F24F11/77—Control systems characterised by their outputs; Constructional details thereof for controlling the supply of treated air, e.g. its pressure for controlling air flow rate or air velocity by controlling the speed of ventilators
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
    • F24F11/63—Electronic processing
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2110/00—Control inputs relating to air properties
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2140/00—Control inputs relating to system states
    • F24F2140/60—Energy consumption
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B30/00—Energy efficient heating, ventilation or air conditioning [HVAC]
    • Y02B30/70—Efficient control or regulation technologies, e.g. for control of refrigerant flow, motor or heating

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • Chemical & Material Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Mathematical Physics (AREA)
  • Human Computer Interaction (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Fuzzy Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Fluid Mechanics (AREA)
  • Automation & Control Theory (AREA)
  • Air Conditioning Control Device (AREA)
  • Health & Medical Sciences (AREA)

Abstract

공기 조화기들의 제어기 또는 제어기들로부터 이용가능한 정보를 사용하여, 원격 서버는 공기 조화기들에 대한 세팅들을 결정하기 위해 휴리스틱 모델을 사용한다. 단지 각각의 공기 조화기에 대한 규칙들을 사용하는 것이 아니라, 모델-기반 솔루션이 세팅들을 결정한다. 모델은, 공기 분배 동작을 최적화시키기 위해 사용된다. 추가적인 또는 대안적인 실시예들에서, 분석들을 유도하기 위해, 측정들이 모아져 사용된다. 측정들은, 공기 조화기의 규칙-기반 제어를 위해 달리 사용되지 않는 데이터를 포함할 수 있다. 분석들은, 모델링에 대한 입력들로서 요구들을 예측하고, 문제들을 식별하며, 그리고/또는 기회들을 식별하기 위해 사용된다.

Description

HVAC 시스템에 대한 가변 공기 용적 모델링
[0001] 본 출원은, 2015년 2월 24일(출원일)자로 출원된 미국 가특허 출원 제 62/120,218호를 우선권으로 주장하며, 이로써 위의 가특허 출원은 법에 의해 허용되는 범위까지 인용에 의해 통합된다.
[0002] 본 실시예들은 일반적으로 산업 프로세스(process) 난방, 환기, 및 공기 조절(HVAC;heating, ventilation, and air conditioning) 시스템(system)들에 관한 것이다.
[0003] HVAC 시스템에서 공기를 분배하기 위해, 공기 조화기(air-handling unit)들을 포함하는 공기 분배 시스템이 환기될 공간과 플랜트(plant) 간에 공기를 이동시킨다. 공기 조화기들은 구역(zone)들, 방들, 또는 점유자 공간(occupant space)에 한정된 다른 영역들에서 공기를 이동시키기 위해 송풍기들을 포함한다.
[0004] 공기 조화는 하나 이상의 제어기들, 이를테면 패널(panel)의 제어기들에 의해 제어된다. 규칙들의 세트(set)를 사용하여, 제어기는 공기 조화기들이 더 많거나 또는 더 적은 흐름을 제공하게 한다. 예컨대, 송풍기 속력을 증가시키거나 또는 감소시켜 온도를 세트 포인트(set point) 범위 내로 몰아가기 위해, 온도 센서(sensor)로부터의 피드백(feedback)이 사용된다. 불량한 설계, 마모, 또는 다른 이유들에 기인하여, 공기 조화기는 최적으로 동작하지 못할 수 있거나, 또는 충분한 동작이 불가능할 수 있다. 규칙-기반 제어는 오류 보고를 통해 다른 부적절한 동작을 식별하지 못할 수 있다. 다수의 상호연결된 공기 조화기들을 갖는 더욱 복잡한 공기 분배 시스템들의 경우, 규칙-기반 제어는 공기 조화기들 간의 상호작용들을 다루지 못할 수 있다.
[0005] 공기 조화기들의 제어기 또는 제어기들로부터 이용가능한 정보를 사용하여, 원격 서버(server)는 공기 조화기들에 대한 세팅(setting)들을 결정하기 위해 휴리스틱 모델(heuristic model)을 사용한다. 단지 각각의 공기 조화기에 대한 규칙들을 사용하는 것이 아니라, 모델-기반 솔루션(model-based solution)이 세팅들을 결정한다. 모델은, 공기 분배 동작을 최적화시키기 위해 사용된다. 추가적인 또는 대안적인 실시예들에서, 분석들을 유도하기 위해, 측정들이 모아져 사용된다. 측정들은, 공기 조화기의 규칙-기반 제어를 위해 달리 사용되지 않는 데이터(data)를 포함할 수 있다. 분석들은, 모델링(modeling)에 대한 입력들로서 요구들을 예측하고, 문제들을 식별하며, 그리고/또는 기회들을 식별하기 위해 사용된다.
[0006] 제1 양상에서, 난방, 환기, 및 공기 조절(HVAC;heating, ventilation, and air conditioning)을 위한 제어 시스템이 제공된다. 공기 조화기는, 공기 조화기의 송풍기의 가변 속력 구동(drive)에 대한 송풍기 흐름, 온도, 상대 습도, 송풍기 속력, 압력, 및 입력 전력의 그룹(group)으로부터의 복수의 센서들을 갖는다. 네트워크(network)가 공기 조화기의 제어기와 연결된다. 메모리(memory)는, 공기 조화기의 센서들로부터의 측정들 및 공기 조화기의 휴리스틱 모델을 저장하도록 구성된다. 클라우드 서버(cloud server)는 공기 조화기로부터 원격에 있고, 네트워크와 연결된다. 클라우드 서버는, 측정들을 수신하고, 이 측정들을 사용하여 휴리스틱 모델을 해결함으로써 공기 조화기에 대한 동작 매개변수를 식별하며, 이 동작 매개변수를 출력하도록 구성된다.
[0007] 제2 양상에서, 난방, 환기, 및 공기 조절(HVAC;heating, ventilation, and air conditioning)을 모델링(modeling)하기 위한 방법이 제공된다. 서버는, 센서들로부터의 측정들에 기반하여, HVAC 시스템에서의 공기 조화의 모델을 최적화시킨다. 서버는 모델로부터의, HVAC 시스템에서의 공기 조화의 세팅들을 최적화된 상태로서 결정하며, 이 세팅들을 HVAC 시스템에 송신한다.
[0008] 제3 양상에서, 난방, 환기, 및 공기 조화(HVAC;heating, ventilation, and air conditioning)에서의 분석들을 위한 방법이 제공된다. HVAC 시스템에서의 공기 조화기의 동작이 측정된다. 측정들은 송풍기 속력, 압력, 전력 입력, 및 흐름을 포함한다. 측정하는 단계로부터의 측정들이 프로세서(processor)에 송신된다. 프로세서는 송풍기 속력, 압력, 전력 입력, 또는 흐름 중 2 이상의 조합으로부터 공기 조화기의 동작을 분석한다. 분석하는 단계의 결과에 기반하여, 공기 조화기에 대한 문제 또는 기회가 디스플레이(display) 상에 제시된다.
[0009] 본 실시예들의 다른 시스템들, 방법들, 및/또는 특징들은 다음의 도면들 및 상세한 설명의 검사 시 당업자에게 명백해질 것이다. 모든 그러한 추가적인 시스템들, 방법들, 특징들, 및 장점들이 본 설명 내에 포함되고, 본 발명의 범위 내에 있으며, 첨부된 청구항들에 의해 보호되는 것으로 의도된다. 개시된 실시예들의 추가적인 특징들은 다음의 상세한 설명 및 도면들에서 설명되며, 이 상세한 설명 및 도면들로부터 명백해질 것이다.
[0010] 도면들의 컴포넌트(component)들이 반드시 실척대로 그려진 것은 아니며, 대신에 실시예들의 원리들을 예시할 때 강조가 이루어진다. 도면들에서, 동일한 참조 부호들은 상이한 도면들 전체에 걸쳐 대응하는 부분들을 표시한다.
[0011] 도 1은 HVAC에서의 공기 조화를 위한 제어 시스템의 일 실시예의 블록 다이어그램(block diagram)이다.
[0012] 도 2는 공기 조화기를 갖는 예시적 제어 시스템을 예시한다.
[0013] 도 3은 동작 효율 분석에 사용되는 정보의 그래프(graph)를 도시한다.
[0014] 도 4는 예시적 흐름 다이버시티(diversity) 그래프이다.
[0015] 도 5는 시간에 따른 다이버시티의 예시적 추세이다.
[0016] 도 6은 공기 흐름의 예시적 분배를 도시한다.
[0017] 도 7은 일 예에 따른, 최대 흐름의 퍼센티지(percentage)의 함수로써 박스(box)들의 개수의 플롯(plot)을 도시한다.
[0018] 도 8은 박스의 함수로써 최대 흐름의 퍼센트(percent)의 예시적 플롯이다.
[0019] 도 9는 공기 분배 시스템에서의 박스들의 상호연결의 일 예의 플롯이다.
[0020] 도 10은 박스별 액추에이터(actuator) 재배치 횟수의 그래프의 예이다.
[0021] 도 11은 시간의 함수로써 임계 및 최대 흐름 구역(zone)들 그리고 압력의 결정을 예시한다.
[0022] 도 12는 공기 조화, 플랜트, 및 제어되는 구역에 대한 성능 분석 통합을 예시한다.
[0023] 도 13은 휴리스틱 모델을 사용하는 HVAC 제어를 위한 방법의 일 실시예이다.
[0024] 도 14는 HVAC 분석들을 위한 방법의 일 실시예이다.
[0025]
[0026] 일부 실시예들의 설명
[0027] 아래의 설명은 가변 공기 용적 제어를 위한 것이지만, HVAC를 위한 다른 프로세스들에 사용될 수 있다. 가변 공기 용적에서의 모델-기반 접근법은 비용 효과적인 구현일 수 있다. 이는 동작 성능을 개선시키는 고가치 솔루션을 야기할 수 있다.
[0028] 일 양상에서, 온-라인(on-line) 최적화를 위해, 통계적 프로세싱(processing), 물리학-기반 모델링(modeling), 고전적인 최적화 방법, 또는 학습 알고리즘(algorithm)이 제공된다. HVAC는 원격 서버에 의해 클라우드에서의 최적화에 기반하여 제어된다. HVAC 시스템의 제어기 또는 제어기들은 네트워크, 이를테면 인트라넷(intranet) 또는 인터넷(Internet)을 통해 원격 서버에 연결된다. 서버는 HVAC 시스템을 제어하기 위한 클라우드 서비스(service)를 제공한다. HVAC 시스템이 동작할 때, 센서들 및/또는 제어기들로부터 서버로 다양한 측정치(measure)들이 제공된다. 측정치들은 HVAC 시스템의 특성들을 표시한다. 동작 포인트들(예컨대, 실제 동작 및 세트 포인트들)을 관찰하여, 모델링을 통해 HVAC 시스템의 행동을 설정하기 위해, 서버에 의해 분석들이 적용될 수 있다. HVAC 시스템에 대한 최적의 세트 포인트들, 동작, 또는 다른 제어가 결정되어 서버로부터 HVAC 시스템으로 제공된다. 현재 행동에 기반하는 미래 행동의 예측들이 이루어지며, 그리고 유지보수를 스케줄링하거나(schedule), 예상 성능을 변경하기 위해 현재 제어를 설정하거나, 또는 원치 않는 상황들을 방지하기 위해 사용되거나, 또는 그렇지 않으면 HVAC 시스템의 동작을 리셋(reset)하기 위해 사용될 수 있다.
[0029] 동작의 분석들은 모델링을 위한 피드백으로서 사용된다. 대안적으로 또는 부가적으로, 추세들, 효율, 문제들, 또는 기회들을 표시하기 위해 분석들이 사용된다. 다양한 측정치들이 주어지면, 설계의 변화들, 더욱 최적의 점유 할당, 진단 정보, 유지보수 정보, 또는 공기 분배를 모니터링(monitoring)하는데 유용한 다른 정보를 식별하기 위해, 공기 조화 동작이 분석될 수 있다.
[0030] 도 1은 HVAC를 위한 제어 시스템의 일 실시예를 도시한다. 시스템은 휴리스틱 모델링과 함께 원격 또는 클라우드 서버를 사용하여, HVAC 시스템에서의 공기 조화를 위한 세팅들을 결정한다. 공기 조화의 현재 동작, 및/또는 공기 조화의 현재 및 과거 동작이 주어지면, 휴리스틱 모델링은 물리학-기반 모델 또는 기계-학습 모델을 사용하여 세팅들을 제공한다. 대안적으로 또는 부가적으로, 제어 시스템은 유지보수, 예측 동작, 진단, 또는 공기 분배에서의 문제 또는 기회의 다른 표시에 사용될 수 있는 분석들을 수행한다.
[0031] 제어 시스템은 도 13 및 도 14의 방법들 중 하나 또는 둘 모두를 구현한다. 다른 방법들이 구현될 수 있다.
[0032] 제어 시스템은 공기 조화기(12), 네트워크(22), 클라우드 서버(24), 및 컴퓨터(computer)(30)를 포함한다. 추가적이거나, 상이하거나, 또는 더 적은 개수의 컴포넌트들이 제공될 수 있다. 예컨대, 임의의 개수, 이를테면 수십 또는 수백 개의 공기 조화기들이 제공된다. 다른 예로서, 컴퓨터(30)는, 독립형 디바이스(device)인 것이 아니라 공기 조화기(12)의 제어기(14)의 일부로서 구현되거나, 또는 제공되지 않는다. 다른 예에서, 대응하는 공기 조화기들(12)을 갖는 상이한 HVAC 공기 조화 시스템들이 네트워크(22)를 통해 클라우드 서버(24)와 연결된다.
[0033] 도 2는 도 1의 제어 시스템의 일 실시예를 도시하며, 여기서 휴리스틱 모델은 빌딩(building)(10)의 층(floor) 또는 구역에서의 에너지(energy) 사용량을 최소화하도록 지향된 물리학-기반 모델이다. 과거 행동을 표현하기 위해, 이전 동작에 대한 데이터가 모아진다. 도시된 예에서, 제어기(14)는 센서들로부터 데이터를 수신하고, 다른 정보로부터 데이터를 계산하며, 그리고/또는 공기 조화기(12)의 제어 또는 동작을 위해 데이터를 사용한다. T는 온도를 표현하고, RH는 상대 습도를 표현하고, V는 용적 흐름을 표현하고, P는 입력 전력을 표현하고, Q는 열을 표현하며, m은 질량 흐름을 표현한다. oa 첨자는 외기를 표기하고, ra 첨자는 반환 공기(return air)를 표기하고, chws 첨자는 냉수 공급을 표기하고, hwr 첨자는 냉수 반환(chilled water return)을 표기하고, sa 첨자는 급기를 표기하며, fan 첨자는 송풍기(18)를 표기한다.
[0034] 도 2의 예에서, 제어기(14)는 빌딩(10)의 공기 조화기(12)의 다양한 동작 데이터를 서버(24)에 제공한다. 온도, 용적, 반환 처리, 질량 흐름, 송풍기 압력, 또는 다른 정보의 부하 및/또는 측정치들이 측정되며, HVAC 시스템에 대한 물리학-기반 모델링에 의해 적용된다. 추가적이거나, 상이하거나, 또는 더 적은 개수의 값들이 제어기(14) 또는 서버(24)에 의해 모아지거나 또는 사용될 수 있다.
[0035] 서버(24)가 태양 열, 내부 열, 기상, 및 임의의 다른 열원들의 함수로써 열을 계산하거나, 또는 태양 열, 내부 열, 기상, 및 임의의 다른 열원들의 함수로써 계산된 열이 서버(24)에 제공된다. 공기 조화기(12)를 위한 용적 또는 구역에 대한 열이 계산된다. 열 이외의 공기 조화기(12)의 다른 동작 표시들이 사용될 수 있다. 물리학 모델에 기반하여, 모델을 특정 공기 조화기에 근사(fit)시키기 위해, 열, 그리고 과거 세팅들 또는 측정들이 사용된다. 솔루션은 비용 함수, 이를테면, 모델의 매개변수들의 변분법(calculus of variation)에 의한 에너지의 최소화(예컨대, 에너지 사용량을 최소화시키면서, 계산된 열을 야기하는 입력 매개변수들의 조합들에 대한 탐색)를 포함할 수 있다. 다른 비용들이 사용될 수 있다. 최소 에너지에 대해 모델을 해결하는 것에 기반하여, 급기 온도(Tsa), 냉수 공급 온도(Tchws), 냉수 반환 온도(Thwr), 냉수 질량 흐름(mchws), 및 반환수 질량 흐름(mhws)에 대한 세트 포인트들이 결정되며, 미래 사용을 위해 제어기(14)에 제공된다.
[0036] 도 1로 되돌아가면, 공기 조화기(12)는 주거, 산업, 또는 사무실 용도를 위한 임의의 현재 알려진 또는 추후에 개발되는 공기 조화기이다. 공기 조화기(12)는 반환 공기 유입구(input), 신선한 공기(fresh air) 유입구, 공기 혼합 섹션(section), 필터(filter)들, 냉각 코일(coil)들, 가열 코일들, 댐퍼(damper)들 또는 액추에이터(actuator)들, 감쇠기, 방출부(discharge), 및 하나 이상의 송풍기들(18)을 포함한다. 추가적이거나, 상이하거나, 또는 더 적은 개수의 컴포넌트들이 제공될 수 있다. 예컨대, 공기 조화기(12)는, 필터들, 혼합 섹션, 감쇠기들, 가열 코일들, 및/또는 냉각 코일들 없이, 댐퍼 및 송풍기(18)를 갖는 박스이다. 가열 코일 및 냉각 코일들은 냉수와 온수의 공급 및 반환을 위한 파이프(pipe)들에 의해 연결된다. 물을 이용하지 않는 가열 및/또는 냉각이 제공될 수 있다.
[0037] 공기 분배를 위한 송풍기(18)는 공기를 구역으로 강제하기 위한 임의의 송풍기이다. 송풍기(18)는 블레이드(blade) 및 모터(motor)를 포함한다. 임의의 블레이드가 사용될 수 있다. 임의의 모터가 사용될 수 있다. 일 실시예에서, 모터는 가변 구동(drive), 이를테면 가변 주파수 구동(VFD; variable frequency drive)이다. 제어 신호에 대한 응답으로, 이를테면, 주파수, 듀티 사이클(duty cycle), 진폭, 또는 다른 신호 특성에 대한 응답으로, 모터는 송풍기(18)의 속력을 제어한다. 송풍기(18)의 속력의 변화는 더 크거나 또는 더 적은 공기흐름(airflow)을 유발한다. 대안적으로 또는 부가적으로, 액추에이터는, 공기흐름을 증가 및/또는 감소시키기 위한 댐퍼를 제어한다. 송풍기(18)에 의한 공기흐름의 변화는, 공기 분배에서 송풍기의 다운스트림(downstream)에서의 온도를 더욱 면밀하게 조절하기 위해 사용될 수 있다.
[0038] 공기 조화기(12)는 하나 이상의 제어기들(14)을 포함한다. 제어기(14)는 필드(field) 패널, 프로세서, 컴퓨터, 주문형 집적 회로, 필드 프로그래머블 게이트 어레이(field programmable gate array), 아날로그(analog) 회로, 디지털(digital) 회로, 또는 다른 제어기이다. 단일 제어기(14)가 도시되지만, 상이한 제어기들의 어레인지먼트(arrangement)가 사용될 수 있다. 예컨대, 상이한 컴포넌트들에 대해 상이한 제어기들이 제공된다(예컨대, 송풍기(18)에 대한 제어기는 댐퍼, 가열 코일, 또는 냉각 코일에 대한 제어기와 상이함). 분산된 제어기들은 상호작용 제어를 위해 통신할 수 있고, 마스터(master) 제어기에 의해 제어될 수 있으며, 그리고/또는 다른 제어에 독립적으로 동작할 수 있다.
[0039] 메모리(16)는 랜덤 액세스 메모리(RAM;random access memory), 판독 전용 메모리(ROM;read only memory), 탈착가능 매체, 플래시(flash), 고체 상태, 또는 다른 메모리이다. 메모리(16)는 세트 포인트들, 센서 값들, 제어 정보, 및/또는 제어기(14)에 의한 제어를 위한 명령들을 저장한다. 예컨대, 메모리(16)는 명령들을 저장하기 위한 비-일시적 컴퓨터 판독가능 저장 매체이다. 물리적 제어기(14)가 명령들을 실행할 때, 본원에서 논의된 제어들이 수행된다.
[0040] 다른 예에서, 메모리(16)는 센서들(20)로부터 획득되는 데이터, 세트 포인트들, 또는 공기 조화기(12)의 다른 동작 측정치들을 저장한다. 저장된 데이터는 공기 조화기(12)의 동작을 제어하는데 사용되는데, 이를테면, 온도 측정치들은 온도 세트 포인트와 비교하는데 사용되고, 송풍기 속력 세팅들은 조화 공기를 점유 공간에 제공하는데 사용된다. 저장된 데이터는 또한, 공기 조화기(12)의 규칙-기반 제어에서 사용되지 않는 정보, 이를테면 압력 및/또는 입력 전력의 측정치들을 포함할 수 있다.
[0041] 센서들(20)은 온도, 상대 습도, 송풍기 속력, 압력, 입력 전력, 및 송풍기 흐름을 측정하기 위한 것이다. 추가적이거나, 상이하거나, 또는 더 적은 개수의 유형들의 센서들(20)이 사용될 수 있다. 고체 상태 또는 다른 센서들이 사용될 수 있다. 예컨대, 입력 전력 센서는 가변 속력 구동 송풍기(18) 및/또는 전체 공기 조화기(12)에 대한 전력계(power meter)이다. 하나 이상의 유형들의 센서들이 대리 실행될(emulated) 수 있다. 예컨대, 송풍기 속력은, 속력을 측정하는 것이 아니라, 송풍기(18)를 제어하기 위해 사용되는 제어 값(예컨대, 주파수)을 사용한다. 속력 세팅이 주어지면 예상 속력이 사용된다. 다른 예로서, 송풍기 속력에 기반하여 송풍기 흐름이 추정된다. 압력은 송풍기 속력으로부터 모델링되며(modeled), 그리고 댐퍼 및 다운스트림의 저항 소스(source)들로부터 모델링되거나, 또는 댐퍼 및 다운스트림의 저항 소스들로부터 이전에 측정된 저항일 수 있다.
[0042] 각각의 유형의 센서 중 하나 이상이 제공된다. 온도 센서들은, 송풍기 및/또는 다른 위치들에, 반환 공기, 신선한 공기, 실외, 배기(exit air)에 대해 제공될 수 있다. 유사하게, 상대 습도 센서들은 반환 공기 및 신선한 공기에 대해 제공된다. 다른 실시예들에서, 공기 조화기(12)로부터 원격의 센서들이 사용되는데, 이를테면, 기상 관측소 또는 소스로부터 네트워크(22)를 통해 실외 온도 및 상대 습도가 획득된다. 센서(20)가 규칙-기반 제어에 사용되지 않는 경우, 센서(20)는 레트로피트되거나(retrofitted) 또는 추가될 수 있다.
[0043] 센서들(20) 또는 다른 소스들로부터, 제어기(14)는 공기 조화기(12) 및/또는 공기 분배 시스템에 대한 데이터, 또는 이 공기 조화기(12) 및/또는 공기 분배 시스템으로부터의 데이터를 모으거나 또는 수집한다. 수집된 데이터는 또한, 공기 조화기(12)의 동작에 대한 것이며, 그리고/또는 다른 용도들을 위해 모아지지만, 서버(24)에 의한 모델링 없이 제어기(14)에 의한 공기 조화기(12)의 규칙-기반 동작에서는 사용되지 않을 수 있다. 일 예에서, 주어진 공기 조화기(12)에 대해 측정된 데이터는 송풍기 흐름, 송풍기 전압력, 송풍기에 대한 가변 속력 구동으로부터의 전력 입력(킬로와트(kilowatt) 단위임), 및 송풍기 rpm이다. 다른 측정치들이 사용될 수 있다.
[0044] 네트워크(22)는 공기 조화기(12)의 제어기(14), 서버(24), 및 컴퓨터(30)와 연결된다. 네트워크(22)는 로컬 영역 네트워크(local area network), 광역 네트워크, 엔터프라이즈(enterprise) 네트워크, 셀룰러(cellular) 네트워크, 인트라넷, 인터넷, 무선, 유선, 또는 TCP/IP 또는 다른 통신들을 위한 다른 네트워크이다. 네트워크(22)는 HVAC에 관련되지 않은 다양한 목적들에 사용될 수 있거나, 또는 HVAC에 전용인 네트워크일 수 있다. 하나의 네트워크(22)가 도시되지만, 다수의 네트워크들의 조합이 사용될 수 있다. 네트워크(22)는 공기 조화기(12), 서버(24), 및/또는 컴퓨터(30) 간의 통신을 제공한다.
[0045] 서버(24)는 프로세서, 컴퓨터, 카드(card), 또는 프로세싱하며 공기 조화기(12)와 통신하기 위한 다른 서버이다. 서버(24)는 상이한 빌딩, 도시, 카운티(county), 주(state), 또는 국가에 있는 것과 같이 공기 조화기(12)로부터 원격에 있다. 대안적으로, 서버(24)는 동일한 빌딩에 있는 워크스테이션(workstation), 이를테면, 전체 HVAC 시스템의 전반적인 관리를 위한 워크스테이션이다. 서버(24)는 공기 조화기(12)와 동일한 방 또는 구역에 있지 않는다. 다른 실시예들에서, 서버(24) 대신에, 제어기로서 워크스테이션이 사용된다.
[0046] 서버(24)의 메모리(26)는 제어기의 메모리(16)와 동일한 또는 상이한 유형의 메모리이다. 일 실시예에서, 메모리(26)는 서버(24)의 일부이거나 또는 서버(24)에 의해 접근할 수 있는 데이터베이스(database) 메모리 또는 다른 메모리이다.
[0047] 메모리(26)는 센서들(20)로부터의 측정들 및/또는 공기 조화기(12)의 다른 데이터(예컨대, 세트 포인트들 및 설계 규격(specification)들)를 저장하도록 구성된다. 데이터는 네트워크(22)를 통해 메모리(26)에 제공된다. 대안적으로, 별개의 또는 서버 측의 메모리(26)로의 데이터의 저장 없이, 서버(24)가 메모리(16)에 접근한다. HVAC 시스템 또는 서버(24)의 메모리(26, 20)는 클라우드 서버(24)에 의한 분석에서 사용하기 위한 측정들을 저장한다.
[0048] 다수의 디바이스들로부터의 데이터가 저장될 수 있다. 모델링을 위해, 데이터는 HVAC 시스템에 기반하여 링크된다(linked). 물리적으로 링크된 또는 관련된, HVAC 시스템의 컴포넌트들로부터의 데이터는 링크(link)들로 라벨링된다(labeled). 대안적으로, 데이터는 소스에 의해 라벨링되며, 메모리(26)는 관련된 컴포넌트들로부터의 데이터를 연관시키기 위한 개략적인 또는 다른 링킹(linking) 구조를 포함한다. 데이터를 링킹(linking)할 때 임의의 관계들, 이를테면 디바이스(device)들 간의 물리적 관계들이 사용될 수 있다. 예컨대, 센서들(20), 액추에이터들, 제어기들(14), 및/또는 방들, 구역들, 또는 동일한 공기 조화기를 위한 다른 빌딩 공간들이 링크된다. 다른 예로서, 가변 공기 용적 박스들(예컨대, AHU)이 빌딩 구역들과 링크된다. 또 다른 예에서, 제어 루프(loop) 또는 다른 제어 구조에서 함께 사용되는 디바이스들이 링크된다.
[0049] 메모리(26)는 또한, 하나 이상의 휴리스틱 모델들(28)을 저장한다. 휴리스틱 모델(28)은 공기 조화기의 유형을 표현하지만, 특정 공기 조화기(12)로부터 수신된 데이터에 기반하여, 이 특정 공기 조화기(12)에 근사될 것이다. 근사(fitting)는 마모 및 마손, 공차 범위 내에서의 디바이스 동작, 설치 효과들, 또는 동일한 유형임에도 불구하고, 주어진 공기 조화기(12)를 고유하게 만드는 다른 고려사항들을 고려한다. 휴리스틱 모델(28)은, 동작의 표현을 실제 동작에 근사시키기 위해 해결될 것이다. HVAC 시스템을 제어하기 위한 규칙-기반(예컨대, 고전적인 제어) 접근법이 아니라, 동작을 위한 최적의 또는 원하는 세팅들을 결정하기 위해, 휴리스틱 모델(28)이 사용될 수 있다. 휴리스틱 모델(28)은, 세트 포인트들을 결정하기 위해 사용되며, 그 다음, 이 세트 포인트들이 규칙-기반 제어에서 제어기(14)에 의해 사용된다.
[0050] 근사는, 규칙-기반 제어의 일부로서 사용되지 않는 데이터(예컨대, 다른 측정들, 설계 규격들, 및/또는 다른 정보)를 이용하여 또는 이 데이터 없이, 측정들을 비롯하여 규칙-기반 제어에서 사용되는 데이터에 의존한다. 예컨대, 압력은 모델로부터의 입력 없이 임의의 피드백 루프에서 제어기(14)에 의해 공기 조화기를 제어하도록 사용되지 않는다. 압력은 측정되거나 또는 계산되며, 모델을 근사시키는데 사용된다.
[0051] 이러한 온-라인(on-line) 최적화 접근법에서, 서버(24)는 규칙-기반 제어에 사용되는 값들을 결정하기 위해 휴리스틱 동작을 수행한다. 다른 실시예들에서, HVAC 시스템의 로컬 제어기(14) 또는 제어기들이 휴리스틱 동작을 수행한다.
[0052] 일 예시적 휴리스틱 모델(28)은 물리학-기반 모델이다. 물리학을 사용하여, 컴포넌트들 간의 연관성(inter-relationship)이 표현된다. 공기 조화기(12) 또는 다른 공기 분배의 동작 또는 행동을 모델링하기 위해, 방정식들, 매트릭스들(matrices), 관련된 변수들의 룩-업 테이블(look-up table)들, 또는 이들의 조합들의 그룹이 사용된다. 들어가고 나가는 공기는 용적 또는 질량 흐름, 온도, 압력, 및/또는 다른 특성들을 갖는 것으로서 표현된다. 이들 변수들은 유출 공기(output air)를 야기하는, 유입 공기(input air)에 대한 내부 동작을 관련시키기 위해 사용된다. 내부 동작이 공기 조화기(12)에 특정한 디바이스들(예컨대, 송풍기(18))에 의존하기 때문에, 모델링은, 제어기(14)로부터의 동작의 측정들에 기반하여 특정 디바이스들을 고려하도록 조정될 수 있다. 예컨대, 송풍기의 효율이 모델에 포함된다. 주어진 공기 조화기(12)에 대해 측정된 유입 공기에 기반하여 유출 공기를 야기하는 효율이 그 특정 송풍기(18)에 대해 결정된다. 송풍기(18)의 특성들에 대해 해결할 때 송풍기(18) 상의 임의의 댐퍼의 효과가 모델링되며, 따라서 댐퍼 특성들은 공기 조화기(12)에 근사되는 다른 변수 또는 변수들이다.
[0053] 일 실시예에서, 물리학-기반 모델은 수요 흐름 모델이다. 예컨대, 온수 분배 시스템에서 또는 냉수 시스템에서 냉수의 제어를 위한 미국 공개 특허 출원 번호 제2011/0301766호에서 설명된 바와 같이 공기 조화기(12)가 모델링된다. 수요 흐름 고려사항들을 사용하여 공기 조화기(12)의 제어를 위해 다양한 컴포넌트들의 연관성이 모델링된다. 수요 흐름은 낮은 델타(Low Delta) 온도(T)를 감소시키거나 또는 제거하며, 효율을 개선시킨다. 낮은 델타 T를 다루며, 효율을 실질적으로 증가시키기 위해, 수요 흐름은 가변 흐름을 활용한다. 수요 흐름 하에서의 가변 흐름은 컴포넌트들에 대한 델타 T를 유지하며, 여기서 델타 T는 컴포넌트들에 대한 설계 델타 T에 있거나 또는 그 근처에 있다. 그 결과, 수요 흐름은 동작 효율을 실질적으로 증가시키며, 이는 에너지 비용들의 절감(savings)을 야기한다. 수요 흐름에 의해 제공되는 증가된 효율은 또한, 오염을 감소시킬 수 있다. 또한, 수요 흐름은, 통상적인 가변 또는 다른 펌핑(pumping) 기술들과 달리, 컴포넌트들을 그들의 특정된 진입 및 진출 온도들(entering and leaving temperatures) 또는 설계 델타 T에서 또는 그 근처에서 동작시킴으로써, 이들 컴포넌트들의 기대 수명을 또한 증가시킬 수 있다.
[0054] 컴포넌트들을 동기식으로 동작시킴으로써, 냉방 또는 난방 수요 또는 부하에 관계없이, 수요 흐름은 증가된 효율을 제공한다. 하나 이상의 실시예들에서, 이는, 특정 컴포넌트들 또는 포인트들에서 델타 T를 유지시키도록 펌프(pump)들 및/또는 송풍기들을 제어함으로써 발생한다. 일반적으로, 특정 컴포넌트 또는 포인트에 걸쳐 델타 T를 유지시키기 위해, 수요 흐름은 개별 컴포넌트들에 대해 동작한다. 이러한 방식으로 개별 펌프들 또는 모터들(그리고 유량(flow rate))의 제어는 동기화된 동작을 야기한다. 이러한 동기화된 동작은 유량들을 밸런싱하며(balance), 이는 낮은 델타 T 신드롬(Syndrome) 및 관련된 비효율들을 상당히 감소시키거나 또는 제거한다.
[0055] 물리학-기반 모델과 동일한 이러한 수요 흐름 모델이 사용될 수 있다. 다른 물리학-기반 모델들이 사용될 수 있다.
[0056] 일반적인 물리학-기반 모델을 특정 공기 조화기에 근사시키기 위해, 제어의 세팅 및/또는 행동의 결정은 최적화 문제로서 취급된다. 이웃 탐색, 국소 최소화, 다른 프로세스, 또는 이들의 조합들을 사용하여, 동작이 최적화된다. 측정들이 사용된다. 다른 데이터, 이를테면 설계 규격 및 분석들이 사용될 수 있다. 입력 측정들 또는 데이터가 솔루션에서 경계 조건들로서 사용된다. 공기 조화기(12)의 컴포넌트들에 대한 하나 이상의 변수들을 변경함으로써, 모델은 측정된 출력을 제공하도록 변경된다. 시간에 따라 입력들이 주어지면 출력들을 제공한 공기 조화기에서 모델링된 특성들의 조합이 결정된다.
[0057] 일단 근사되면, 물리학-기반 모델은, 공기 조화기의 제어를 위한 최적의 세팅들을 결정하기 위해 사용될 수 있다. 분산 계산법(variance calculus)이 사용된다. 근사 모델(fit model)을 사용하여 출력들에서의 분산을 찾기 위해, 입력들은 변화된다. 기준 또는 기준들을 최선으로 충족시키는, 이를테면 에너지 사용량을 최소화시키는 출력들을 야기하는 입력들의 조합이, 근사 모델을 사용하여 결정된다.
[0058] 대안적 실시예에서, 휴리스틱 모델(28)은 기계-학습 분류기이다. 동일한 공기 조화기 및/또는 많은 개수의 동일한 유형의 공기 조화기들로부터의 데이터를 사용하여, 입력 특징이 주어지면, 최적화된 또는 원하는 세팅들을 출력하기 위한 기계 학습을 사용하여 분류기가 트레이닝될(trained) 수 있다. 트레이닝 데이터에는, 다양한 예들에 대한 실측 자료(ground truth) 또는 실제 출력을 제공하는 주석이 달린다. 기계 학습은, 입력 특징들이 주어지면 출력을 예측하도록 학습한다. 임의의 입력 특징들, 이를테면 공기 조화기로부터의 측정들이 사용될 수 있다. 부가적으로 또는 대안적으로, 설계 규격들 또는 다른 데이터가 사용될 수 있다. 트레이닝된(trained) 분류기는 공기 조화기(12)의 행동을 모델링한다.
[0059] 측정된, 그리고 다른 입력들이 주어지면, 분류기는 결과들, 이를테면 유출 공기 특성들을 예측하도록 트레이닝된다. 분류기는, 입력 세트 포인트들의 범위들이 주어지면 출력들의 범위를 예측할 수 있다. 상이한 세팅들을 반복적으로 테스팅(testing)함으로써, 원하는 결과, 이를테면 최소 에너지를 갖는 세팅들을 찾기 위해 기계-학습 분류기가 사용될 수 있다.
[0060] 기계 학습은, 입력 특징들이 주어지면 원하는 출력을 예측하도록 학습하기 위해, 클러스터링(clustering), 확률 분포, 신경망들, 지지 벡터 기계(support vector machine)들, 또는 다른 프로세스(process)를 사용한다. 임의의 기계 학습, 이를테면, 신경망 및/또는 임의의 킬(kill)/유지 기준들을 적용하는 일반 알고리즘(algorithm)이 사용될 수 있다. 일 실시예에서, 기계 학습을 구현하기 위해, 신경망과 결합된 일반 알고리즘이 사용된다. 다른 기계 학습 접근법들, 이를테면 확률론적 부스팅 트리(probabilistic boosting tree) 또는 베이지안 망(Bayesian network)이 사용될 수 있다.
[0061] 대안적 실시예에서, 알려진 최적의 세팅들을 갖는 대표 HVAC 시스템들로부터 트레이닝(training) 데이터가 수집된다. 시스템들에 대한 상이한 세팅들을 사용하는 데이터가 모아진다. 주어진 HVAC 시스템에 대한 입력 측정치들을 수신하고 최적의 세팅들을 출력하도록 분류기를 트레이닝하기 위해, 기계 학습이 적용된다. 분류기는, 기계-학습 분류기에 기반하여, 주어진 HVAC 시스템에 대해 최적화된 제어 세팅들을 출력한다. 다른 기계 학습 접근법들이 사용될 수 있다.
[0062] 일 실시예에서, 기계-학습 분류기는 온-라인 또는 계속형(on-going) 학습을 사용한다. 분류기는, 전적으로 또는 적어도 부분적으로, 특정 공기 조화기의 동작에 대해 트레이닝된다. HVAC 시스템의 행동이 결정될 때, 행동은 온-라인 또는 계속형 기계 학습과 함께 사용된다. 동작의 변화들의 결과들이 피드백 메커니즘(mechanism)으로서 모아지기 때문에, HVAC 시스템에 특정한 추가적인 기계 학습이 수행된다. 상이한 세팅들 및 결과들에 대한 응답으로 추가적인 데이터가 수집되기 때문에, 추가적인 확률들 및/또는 분포들을 계속되는 방식으로 학습하기 위해, 결과적 피드백이 사용된다. 기계 학습은 주어진 HVAC 시스템의 행동을 계속해서 학습한다. 학습된 행동은 최적화될 수 있는, HVAC 제어를 위한 세팅들을 결정하기 위해 사용된다. 기계 학습은 확률 분포들, 또는 HVAC 시스템의 동작을 제어하기 위해 사용될 수 있는 다른 통계치들(statistics)을 제공한다. HVAC 시스템을 최선으로 제어하기 위하여, 달성가능한 동작이 학습된다.
[0063] 클라우드 서버(24)는 공기 조화기(12)에 대한, 공기 조화기(12)에 관한, 또는 공기 조화기(12)로부터의 측정들 및/또는 다른 데이터를 수신하도록 구성된다. 메모리(26) 또는 메모리(16)로부터의 로딩(loading)에 의해, 제어기(14)로부터의 푸싱(pushing)에 의해, 또는 다른 프로세스에 의해, 질의에 대한 응답으로 데이터가 수신된다.
[0064] 모델링을 위해, 클라우드 서버(24)는 측정들로부터 하나 이상의 특성들을 유도하도록 구성될 수 있다. 본원에서 논의된 분석들 중 임의의 분석이 유도될 수 있다. 예컨대, 송풍기의 동작에 대한 다이버시티가 계산된다. 다른 특성들은 송풍기 속력 및 압력 측정들에 기반하는 질량 흐름일 수 있다. 유도되는 질량 흐름 없이, 모델 자체가 송풍기 속력 및 압력의 입력을 허용할 수 있거나, 또는 질량 흐름이 유도되고, 모델에서 입력 특징으로서 사용된다. 서버(24)는 측정들을 수집하고, 유도되는 특성들을 계산하며, 그리고/또는 특징들 또는 규격들을 룩 업한다(look up). 모델(28)을 근사시키기 위한, 그리고/또는 근사 모델(28)을 이용하여 입력들이 주어지면 출력들을 모델링하기 위한 입력들로서 사용되는 정보가 수집된다.
[0065] 서버(24)는, 측정들 및 다른 데이터를 사용하여 휴리스틱 모델을 해결함으로써, 공기 조화기(12)에 대한 동작 매개변수를 식별하도록 구성된다. 동작 매개변수는 세트 포인트, 또는 제어기(14)가 제어할 수 있는 다른 세팅이다. 동작 매개변수는 공기 조화기(12)에 대한 변수이며, 따라서 공기 조화기(12)의 동작을 변경하거나 또는 수행하기 위해, 그 변수의 값이 사용될 수 있다.
[0066] 서버(24)는 메모리(26)로부터 모델(28)을 로딩하며, 주어진 또는 특정 공기 조화기(12)에 대해 해결한다. 솔루션은 휴리스틱 모델(28)을 공기 조화기(12)에 근사시킨다. 모델(28)에 대한 경계 조건들 또는 입력들을 표현하기 위해, 측정들, 유도되는 특성들, 및/또는 다른 데이터가 사용된다. 서버(24)는 근사 모델(28)을 사용하여, 공기 조화기(12)를 최선으로 제어하기 위한 모델(28)의 조정치들 또는 변수들의 값들을 결정한다.
[0067] 기계-학습 분류기에 대해, 입력 특징들이 획득된다. 입력 특징들을 분류기에 적용함으로써, 분류기는 특정 공기 조화기(12)에 대해 해결한다. 입력 특징이 주어지면, 결과적 출력들은 예상 출력들을 표현한다. 이를테면 송풍기 동작과 연관된 입력들을 반복적으로 조정함으로써, 확률 분포들 또는 다른 세팅들이 출력된다. 분류기는 사용될 (예컨대, 감소된 에너지 사용량을 위한) 최적의 세팅들을 출력하도록 트레이닝될 수 있거나, 또는 임의의 비용을 사용하여 세팅들을 선택하기 위해, 입력 변동(variation)이 주어지면 출력들의 확률 분포들이 사용될 수 있다.
[0068] 물리학-기반 모델에 대해, 서버(24)는 반복적 최적화에 의해 해결한다. 최적화, 이를테면, 이웃 탐색 및/또는 국소 최소화가 모델에 적용된다. 반복적 접근법에서는, 모델의 최적화를 사용하여 에너지 사용량이 최소화될 수 있다. 대안적으로, 근사 모델(28)을 사용하는 에너지 사용량의 최소화의 일부로서, 변분법이 사용될 수 있다. 결과적 제어 값들이 결정되어 적용된다. 애플리케이션(application)에 기반하여, 물리학-기반 모델을 사용하여 추가로 최적화시키기 위해, 추가적인 측정치들이 제공된다.
[0069] 서버(24)는 동작 매개변수 또는 매개변수들을 출력하도록 구성된다. 제어기(14)에 의해 사용될 제어 매개변수들, 이를테면 세트 포인트들이 제어기(14)로 출력된다. 매개변수들은 네트워크(22)를 통해 제공된다.
[0070] 일 예에서, 공기 조화기(12)는 에너지를 소비한다. 공기 조화기(12)와 연관된 HVAC 시스템으로부터 다양한 동작 측정치들이 모아진다. 측정들로부터 다른 정보가 유도될 수 있다. 주어진 HVAC 시스템에 특정한 이러한 모아진 정보는, HVAC 시스템의 동작에서 사용될 제어 매개변수들의 세트를 제공하기 위해 서버(24)에 의해 사용된다. 이 클라우드-기반 서버(24)는, 규칙들에 기반하는 엄격한 최적화가 아니라 휴리스틱 접근법을 사용하여, 공기 조화기(12)에 대한 제어 매개변수들을 결정한다. 공기 조화기(12)에 대한 제어 매개변수들의 값들을 결정하기 위해, 기계 학습 및/또는 반복적 근사 프로세스들이 적용된다. 분석에서는 부하, 온도, 비용, 질량 흐름, 및/또는 다른 정보가 사용될 수 있다. 제어기(14)에 제공되는 세트 포인트들은 임의의 것, 이를테면 댐퍼 포지션(damper position) 또는 송풍기 속력일 수 있다. HVAC 시스템의 모델을 사용하여, 주어진 비용 함수에 대한 최적의 송풍기 동작이 결정된다.
[0071] 휴리스틱 모델을 사용하여 제어를 최적화시키는 것에 부가하여 또는 그에 대한 대안으로서, 서버(24) 또는 컴퓨터(30)는 공기 조화기(12)의 동작의 분석을 수행한다. 분석은 개별 컴포넌트로서의, 또는 전체 HVAC 시스템 내의 공기 조화기(12)(예컨대, 층 또는 전체 빌딩의 수십 개의 공기 조화기들)에 대해 이루어진다. 계속되는 동작을 모니터링(monitoring)하거나, 유지보수 또는 추가적인 문제들을 예측하거나, 설계 결점들을 식별하거나, 설계 또는 규격으로부터의 변동을 결정하거나, 또는 기회(예컨대, 구역들의 재할당에 더욱 효율적인 동작)를 식별하기 위한 데이터 분석이 제공된다.
[0072] 컴퓨터(30)는 워크스테이션(workstation), 퍼스널(personal) 컴퓨터, 태블릿(tablet), 스마트 폰(smart phone), 또는 다른 프로세싱(processing) 디바이스이다. 컴퓨터(30)는 공기 조화기(12) 및/또는 클라우드 서버(24)로부터 출력을 수신한다. 예컨대, 컴퓨터(30)는 공기 조화기(12)를 포함하는 HVAC 시스템의 동작을 관리하거나 또는 모니터링하는 HVAC 워크스테이션이다. 다른 예로서, 컴퓨터(30)는 퍼스널 컴퓨터 또는 서버이다.
[0073] 컴퓨터(30)는 분석 정보, 이를테면 그래프, 값, 또는 권장 복원(remediation)을 디스플레이하기 위한(displaying) 디스플레이(32)를 포함한다. 부가적으로 또는 대안적으로, 디스플레이(30)는 측정들, 데이터, 세팅들, 또는 모델 정보를 디스플레이할 수 있다.
[0074] 도 3 내지 도 11은 예시적 분석들을 표현한다. 공기 조화기(12)의 동작을 분석하기 위해, 공기 조화기(12)로부터의, 또는 공기 조화기(12)에 관한 데이터가 사용된다. 다른 예들이 제공될 수 있다. 제어에 사용되는 데이터, 및/또는 획득되지만 제어에 사용되지는 않는 데이터를 프로세싱함으로써, HVAC 시스템 및/또는 공기 조화기(12)에 대한 문제들 또는 기회들이 식별된다.
[0075] 도 3은 송풍기 흐름의 함수로써 송풍기 전압력의 예를 예시한다. 상이한 송풍기 속력들(분당 회전수(rpm;revolutions per minute))에서의 흐름의 함수로써 압력을 표현하는 세 개의 곡선들이 도시된다. 두 개의 상이한 송풍기 흐름들(cfm)에 대해 동일한 송풍기 전압력이 발생하는 서지(surge) 영역이 존재한다. 서지 영역은 규칙-기반 시스템이 결국 바람직하지 않은 방식으로 동작하게 될 수 있는, 동작의 모호성을 초래한다. 두 개의 실선들은 최대 효율을 갖는 동작 범위를 도시한다. 파선들은 주어진 송풍기(18)에 대한 통상적인 동작 범위를 표현한다. 동작 중 일부는 가장 효율적인 동작 범위의 밖에 있다. 선(36)은 수요 흐름 시스템 곡선을 표현한다. 수요 흐름 곡선은 모델링에 기반하여 송풍기(18)에 대한 이상적인 동작을 제공한다. 도 3의 예는 주어진 송풍기(18)에 대한 것이다. 다른 송풍기들(18)은 상이한 범위들의 효율, 서지 영역들, 또는 다른 동작을 가질 수 있다.
[0076] 분석을 위해, 송풍기(18)의 성능이 결정될 수 있다. 예컨대, 송풍기(18)에 대한 수요 흐름 곡선(36)이 결정된다. 송풍기에 의해 전달되는 전력 대 송풍기에 입력되는 전력의 비율로서, 효율이 계산될 수 있다. 송풍기(18)가 효율을 잃어버리고 있다면, 송풍기(18)의 유지보수가 스케줄링될 수 있다. 효율을 고정(fix)시키기 위해, 전방 검출(forward detection) 및 진단들이 수행될 수 있다.
[0077] 송풍기(18)가 최대의 전면 가동으로(at maximum capacity) 충분한 시간량 또는 횟수들로 동작하면, 더 큰 송풍기(18)로의 송풍기(18)의 교체가 스케줄링될 수 있다. 송풍기 용량은 예측될 수 있다. 이를테면 회귀 분석을 이용하여 용량 또는 사용량(amount of use)의 추세들을 식별하기 위해, 시간에 따른 송풍기(18)의 동작이 추적될 수 있다. 송풍기(18)가 주어진 시간까지 용량에 도달할 것으로 예상되면, 그 주어진 시간 전에, 유지보수 또는 교체가 스케줄링될 수 있다.
[0078] 절감이 측정 및 검증될 수 있도록, 에너지 소비가 결정될 수 있다. 에너지는, 흐름과 압력의 곱(product)을 효율로 나눔으로써 계산될 수 있다.
[0079] 분석들은 송풍기 흐름, 송풍기 전압력, (예컨대, 가변 속력 구동으로부터의 KW 단위의) 전력 입력, 및 송풍기 rpm에 의존한다. 추가적이거나, 상이하거나, 또는 더 적은 개수의 측정들 및 대응하는 센서들이 사용될 수 있다.
[0080] 도 4 및 도 5는 컴퓨터(30) 또는 서버(24)에 의해 결정되는 분석들의 다른 예를 예시한다. 분석은, 구역 또는 점유자 공간과 송풍기 용량의 부조화를 표시할 수 있는 다이버시티이다. 다이버시티는 동작의 분산의 측정치이다. 도 4는 평균 송풍기 흐름 다이버시티의 함수로써 에너지 절감 또는 최대 잠재적 절감의 퍼센티지를 도시한다. 송풍기 흐름의 다이버시티에 대해, 송풍기(18)에 대한 최대 설계 흐름 및 송풍기 흐름 세트 포인트가 측정되거나 또는 획득된다. 추가적이거나, 상이하거나, 또는 더 적은 개수의 동작 매개변수들이 사용될 수 있다.
[0081] 도 4의 예에서, 다이버시티는 송풍기 흐름에 있지만, 다른 동작 매개변수들(예컨대, 속력, 용량, 효율, 또는 다른 것들)에서의 다이버시티가 결정될 수 있다. 예는 주어진 송풍기(18)에 대한 다이버시티이지만, 다른 실시예들에서, 임의의 기간에 걸친 구역에 대한 다이버시티가 사용될 수 있다. 낮은 다이버시티를 갖는 구역 또는 송풍기(18)는, 송풍기(18) 또는 송풍기들이 너무 크다는 것을 표시할 수 있다. 비용 절감을 위해, 더 작은 송풍기(18)가 사용될 수 있거나, 또는 송풍기 전력의 더욱 효율적인 분배를 위해 구역들이 재할당될 수 있다. 다른 예로서, 낮은 다이버시티를 갖는 구역은, 새로운 종업원을 배치하거나 또는 종업원을 이동시키기에 최선의 점유자 영역들을 표시할 수 있다. 다른 종업원을 높은 송풍기 다이버시티를 갖는 구역 또는 영역에 배치하는 것은, 전면 가동으로(at capacity) 동작하도록 송풍기(18)를 구동시킬 공산이 높다.
[0082] 도 5의 예에서, 설계된 최대 송풍기 흐름의 퍼센티지로서 구역 다이버시티의 시간에 따른 추세 또는 변화가 결정된다. 송풍기들(예컨대, 단일 대 듀얼(dual))의 동작은, 최적의 또는 학습된 다이버시티를 달성하도록 제어될 수 있다. 구역 다이버시티 추세들은 공간 사용량에 대해 분석되며, 플래닝(planning)에 사용될 수 있다. 예컨대, 다이버시티의 증가는 더 큰 송풍기에 대한 필요를 표시한다. 다른 예로서, 다이버시티의 감소는, 듀얼 송풍기 공기 조화기의 하나의 송풍기가 멈춰지거나 또는 사용되지 않을 수 있다는 것을 표시한다.
[0083] 도 6은 다른 예시적 분석을 도시한다. 클라우드 서버(24) 또는 컴퓨터(30)는, 실외 조건들과 공기 조화기(12)의 동작 간의 관계에 기반하여, 실외 조건들에 대한 공기 조화기(12)의 감수성을 결정한다. 예컨대, 송풍기 흐름 세트 포인트, 송풍기 최대 설계 흐름, 실외 온도, 실외 습식 볼(ball)/상대 습도, 및/또는 다른 데이터가 측정된다. 추가적이거나, 상이하거나, 또는 더 적은 개수의 유형들의 데이터가 측정될 수 있다.
[0084] 송풍기 흐름 또는 다른 동작 매개변수가 실외 온도 또는 다른 실외 데이터와 상관된다. 이 분석은 송풍기 흐름이 어떤 범위까지 실외 온도에 기인하는지 또는 관계를 도시한다. 부하 분석(예컨대, 환기 대 실외 주도 부하(outdoor driven loading))을 수행하며, 그리고/또는 점유에 기반하여 환기를 감소시키기 위해, 분석은 측정된 데이터로부터의 상관, 확률 분포 또는 다른 분석을 사용한다. 그 결과, 특히 실외 조건들에 민감한 구역들 또는 송풍기들(18)이 식별되며, 수리(fix)들이 설정될 수 있다. 예컨대, 글레이징(glazing)이 수리되거나, 셰이드(shade)들이 추가 또는 사용되거나, 또는 절연이 추가된다. 민감한 송풍기들(18)을 격리시킴으로써, 수리들이 (예컨대, 송풍기별로 또는 구역별로) 국소화될 수 있으며, 이는 비용을 감소시킨다. 주도 부하(driving load)로서 일광을 표시하는 오전 동안의 높은 상관과 같이, 시간별 상관을 분석하는 것은 적절한 수리를 표시할 수 있다. 점유 결정들은 분석에 기반하여 이루어질 수 있다. 점유를 변경함으로써 부하 또는 송풍기 흐름이 감소될 수 있으며, 그 결과, 실외 조건들에 민감한 구역들에서 높은 부하들이 방지된다.
[0085] 도 6은 온도와의 상관의 확률 분포의 함수로써 부하 또는 송풍기 흐름(cfm)을 도시한다. 확률 분포는 시간의 함수로써 온도에 대한 것이다. 예컨대, 5%의 시간에, 온도는 화씨 90-95도의 범위에 있다. 도 6은 송풍기 흐름을 온도 분포에 관련시킨다. 도 6은 매 시간의 평균 흐름이 20200 cfm과 22000 cfm 사이에 있을 90%의 가능성(chance)(수직선들 간의 레인지(range))를 도시한다. 사용될 수 있는 일부 예시적 통계치들은 온도의 최소치(예컨대, 18,100 cfm), 최대치(예컨대, 22,700 cfm), 평균(예컨대, 21,000 cfm), 및 표준 편차(예컨대, 570 cfm), 그리고 각각에 대한 평균 송풍량을 포함한다.
[0086] 도 7-도 10은 동적 흐름 또는 동압력 성능을 포함하는 예시적 분석들을 도시한다. 도 7은 주어진 시간에 대한 최대 흐름의 퍼센티지의 함수로써 박스들(즉, 송풍기들(18) 또는 공기 조화기들)의 개수(y-축)의 그래프를 도시한다. 도 8은 박스별 최대 흐름의 퍼센티지를 도시한다. 도 7 및 도 8은 주어진 시간에 대해 도시된다. 시간에 따른 변화가 결정될 수 있다. 도 9는 공기 분배 박스들에 대한 물리적 관계들을 도시한다. 이 예에서, 55개의 박스들이 제공된다. 각각의 점은 주어진 박스와 공기 분배 노드(node) 또는 구역 간의 연결이다. 예컨대, 박스(34)는 노드들 또는 박스들(1, 9, 및 33)에 연결되는데, 이를테면 그러한 노드들로부터 공기를 수용한다. 하나의 박스에서의 흐름 또는 압력은 관련된 또는 연결된 박스들에서의 흐름 또는 압력에 적어도 부분적으로 기반한다. 주어진 박스가 특정 압력을 필요로 할 수 있으며, 따라서 업스트림(upstream)-연결 박스들이 그 압력을 공급한다. 도 10은 박스 개수별로 주어진 기간에서의 액추에이터 재배치 횟수를 도시한다.
[0087] 박스 흐름 세트 포인트는, 박스 흐름 세트 포인트들로부터의 동적 흐름 분포 및/또는 각각의 박스에 대한 동압력 요건을 분석하기 위해 사용될 수 있다. 임계 및/또는 불량 구역들이 식별될 수 있다. 불량 구역은 최대 압력을 요구하는 박스를 가질 수 있다. 최대 압력 수요의 원인을 발견하고, 원인을 수리함으로써, 에너지 절감이 야기될 수 있다. 임계 구역은, 더 높은 압력의 수요로 동작하는 구역일 수 있다. 임계 구역들을 발견함으로써, 수리들이 결정될 수 있으며, 에너지 절감이 야기될 수 있다. 공기 분배를 변경하여 박스들에 대한 마모 및 마손을 방지하기 위해, 최대 흐름에 더 가깝거나 또는 최대 흐름으로부터 가장 멀리 있는 박스 또는 박스들마다 분산이 식별될 수 있다.
[0088] 일 실시예에서, 박스 흐름 세트 포인트 및 박스 액추에이터 재배치가 측정된다. 불량 또는 임계 구역들이 액추에이터 재배치 횟수, 박스 압력들, 및 박스 흐름에 기반하여 결정된다. 이들 변수들을 결합시키는 임의의 함수가 사용될 수 있다. 사전예방적 서비스(proactive service) 및 예방적 실패(preventative failure)에 대한 서비스 요건들을 예측하고, 고장시간을 감소시키고, 컴포트 컴플레인(comfort complaint)들을 방지하며, 그리고/또는 장비 수명을 연장시키기 위해(최대 압력 동작은 수명을 단축시킬 수 있음), 박스 압력 요건들, 박스 흐름 요건들, 및 액추에이터 재배치의 분포들이 분석될 수 있다.
[0089] 도 11은 시간에 따른 압력, 임계 구역, 및 최대 흐름 구역에서의 변동이 분석되는 다른 예를 도시한다. 도 9에서 도시된 것과 동일한 박스들의 연관성이 사용된다. 각각의 샘플 시간에 대해(예컨대, 매 2-3시간마다), 임계 압력을 갖는 구역이 식별되고(예컨대, 오전 8:00에 박스(15)), 최대 흐름을 갖는 구역 또는 구역들이 식별되며(예컨대, 오전 12:00에 박스들(17, 56, 및 26)), 임계 구역에 대한 압력이 식별된다(예컨대, 오전 8:00에 1.50). 박스마다, 또는 임의의 임계 또는 불량 박스들에 대해, 압력 범위 또는 다른 정보가 식별될 수 있다. 커플링된(coupled) 구역 동작에서, 클라우드 서버(24) 또는 컴퓨터(30)는 이를테면 도 9에서 표현된 HVAC 시스템 구성으로부터 관계 또는 커플링된 구역을 결정한다. 시간에 따른 동압력, 흐름 또는 다른 요건이 결정된다.
[0090] 최대 흐름 구역들을 예측하기 위해, 동압력, 및/또는 임계 구역들 및/또는 압력들에 대한 흐름이 사용될 수 있다. 임의의 기간에 걸쳐 추세들을 설정하기 위해, 회귀 분석이 사용될 수 있다. 컴포트(comfort) 분석이 예측될 수 있다. 낮은 압력들이 컴포트를 표시할 수 있는 반면에, 높은 압력들은 점유자 수요를 충족시키지 않는 공기흐름을 표시할 수 있다. 설계 결점들 또는 다른 트러블 슈팅(trouble shooting)이 제공될 수 있다. 더 큰 박스 또는 송풍기(18)를 필요로 하는 구역들을 식별하기 위하여, 박스 크기들 및 최대 흐름 값들이 추정될 수 있다. 최대치 근처에서 동작하는 박스들을 식별하기 위해, 각각의 박스의 최대 흐름은, HVAC 시스템에 대한 설계 규격 또는 박스 설계와 비교될 수 있다.
[0091] 동적 흐름 및/또는 동압력에 대한 다른 예시적 분석에서, 온도, 흐름, 또는 온도 및 흐름과의 구역 또는 박스 커플링(coupling)이 결정된다. 커플링된 구역의 동적 흐름/동압력 및 컴포트 성능에 대해 분석들이 수행될 수 있다. 커플링된 구역에 대해, 공기 분배 변수 공기 용적 박스들에 매핑되는(mapped) 공기 분배 노드(node)들이 발견된다. 박스 흐름 세트 포인트, 구역 온도, 온도 세트 포인트, 실제 흐름, 및 액추에이터 재배치들의 카운트(count)가 측정된다. 온도와 압력 및 흐름의 커플링이 분석되는데, 이를테면, 최대 흐름에 있는 박스가 주목되며, 이 박스가 온도를 충분히 제어하고 있는지의 여부를 결정하기 위해, 구역에 대해 측정된 온도가 룩 업된다. 각각의 구역 및/또는 흐름 그리고 컴포트 성능에 대한 에너지 밸런스(balance)(즉, 밸런스가 정확하면, 성능의 추세가 나타나는 온도 세트 포인트를 충족시키기에 충분한 흐름)의 적용이 분석될 수 있다. 분석은 동적 추세들의 검출(예컨대, 오전 추세 대 오후 추세), 구역-기반의 동적인 제1 원리 전방 검출(즉, 온도 세트 포인트를 충족시키지 않거나 또는 잘못된 어떤 것을 나타내는 것에 기인하는 구역 결함) 및 진단들에 대한 값들을 제공하며, 그리고/또는 예측 서비스(service)를 제공하며 컴포트 및 에너지 성능을 개선시킨다.
[0092] 도 12는 성능 분석에서 공급 및 수요 측 정보의 통합을 도시한다. 클라우드 서버(24)에 의해 수행되는 분석은 한편으로 에너지 분배의 공급 측, 이를테면 냉방 및 난방 플랜트들(15)에 링크되며, 다른 한편으로 수요 측, 이를테면 빌딩(10)의 구역 또는 공간 측에 링크된다. 공기 조화기(12), 빌딩(10)의 구역, 및/또는 플랜트(15) 중 임의의 것으로의, 그리고/또는 임의의 것으로부터의 통신을 사용하여, 글로벌(global) 성능을 위한 허브(hub)로서 분석들을 포함하도록, 공기 조화 모델이 확장될 수 있다.
[0093] 일 실시예에서, 실외 센서들, 공기 조화기(12)가 공기를 제공하는 빌딩의 일부에 대한 구역 또는 공간 센서들, 공기 조화기로부터의 센서들, 및/또는 플랜트 센서들이 모델링 및/또는 분석들에서 사용되는 정보를 제공한다. 예컨대, 실외 및 구역 정보에 대해, 공기 조화기 안으로 끌어당겨지거나 또는 제공되는 실외 공기에 대한 온도, 상대 습도, 및 용적이 측정된다. 플랜트에 대해, 공급 및 반환을 위한 냉수 및 온수의 온도, 그리고 공급 및 반환을 위한 질량 흐름이 측정된다. 공기 조화기(12)에 대해, 송풍기 전력, 급기의 온도, 및 급기의 상대 습도가 측정된다. 추가적이거나, 상이하거나, 또는 더 적은 개수의 측정들 및 대응하는 센서들이 제공될 수 있다.
[0094] 모델은 상이한 정보 소스들을 포함하도록 확장된다. 플랜트 및/또는 구역(들)에 대한 물리학이 추가될 수 있다. 변수들에 대한 값들은, 기계-학습 및 기계-학습 모델을 사용하는 후속 애플리케이션(application)에서 사용되는 특징들로서 포함될 수 있다. 그 다음, 휴리스틱 모델이 분석 및/또는 제어에 사용된다. 제공되는 정보는 임의의 분석, 이를테면, 본원에서 논의된 분석들 또는 다른 분석에 사용될 수 있다. 공기 조화기(12) 외부의 추가적인 변수들에 대한 값들을 통합시킴으로써, 유지보수, 설계, 플래닝(planning), 및/또는 동작을 돕기 위한 추가적인 분석이 제공될 수 있다.
[0095] 일 실시예에서, 클라우드 서버(24)에 의해 제공되는 분석들이 플랜트 성능 변수들의 조사를 트리거링하기(trigger) 위한 구역 및/또는 공간 성능 변수들의 분석을 포함하거나, 또는 그 반대로도 가능하다. 다른 실시예에서, 클라우드 서버(24)에 의한 분석이 공기 조화 성능 변수들의 조사를 트리거링하기 위한 구역 및/또는 공간 성능 변수들을 분석하며, 그 반대로도 가능하다. 조사는 모델, 이를테면 휴리스틱 모델, 또는 다른 분석에 의해 이루어질 수 있다. 관련된 시스템 또는 변수들의 분석은 상이한 동작, 이를테면 모델에 기반하는 자동화된 변화로 이어질 수 있고, 설계자 또는 타인(예컨대, 유지보수 플래닝)에 의해 사용될 정보의 출력으로 이어질 수 있으며, 그리고/또는 가능한 개선의 표시자 또는 경고를 야기할 수 있다.
[0096] 도 13은 HVAC를 모델링하기 위한 방법의 일 실시예를 도시한다. 방법은 도 1의 시스템, 도 2의 시스템, 제어기(14), 서버(24), 컴퓨터(30), 또는 다른 디바이스들에 의해 구현된다. 예컨대, 서버는 동작들 전부를 수행한다. 성능은 공기 조화기(12) 및/또는 제어기(14)와의 통신들에 의존한다.
[0097] 방법은 도시된 순서로 또는 다른 순서로 수행된다. 예컨대, 동작(56) 전에 동작(58)이 수행된다. 추가적이거나, 상이하거나, 또는 더 적은 개수의 동작들이 제공될 수 있다. 예컨대, 동작(58)은 수행되지 않는다.
[0098] 동작(52)에서, 서버(24)는, 센서들(20)로부터의 측정들에 기반하여, HVAC 시스템에서의 공기 조화의 모델(28)을 최적화시킨다. 센서들(20) 및 다른 데이터 소스들이 서버(24)에 의해 사용되는 정보를 제공한다. 서버(24)는 휴리스틱 모델(28)을 데이터에 근사시키는데, 이를테면 물리학-기반 모델을 근사시킨다. 모델을 데이터에 근사시키며, 그리고/또는 근사 모델로부터 최적의 출력들을 결정하기 위해, 이웃 탐색, 국소 최소화, 또는 다른 반복적 솔루션이 사용된다. 대안적으로, 서버(24)는 기계-학습 분류기를 이용하여 공기 조화를 모델링한다. 입력들의 세트가 주어지면 학습된 결과들을 제공하기 위한 분류기에 데이터가 입력된다. 기계-학습 분류기는 측정들 및 다른 입력 데이터에 기반하여 분류한다.
[0099] 동작(54)에서, 서버(24)는 HVAC 시스템에서의 공기 조화의 세팅들을 결정한다. 모델(28)은 공기 조화 동작과 근사되도록 최적화된다. 이 모델(28)은, 공기 조화의 하나 이상의 동작 매개변수들에 대한 세팅들을 결정하기 위해, 이를테면, 송풍기 속력에 대한 세트 포인트들을 결정하기 위해 사용된다. 비용을 최소화시키면서 원하는 컴포트(comfort)를 제공할 공산이 있는 송풍기 속력이 결정될 수 있다. 예컨대, 모델을 사용하여, 입력 또는 입력들의 분산의 함수로써 출력 결과들의 분산이 결정된다. 비용 함수, 이를테면, 원하는 컴포트를 제공하기 위한 최소 에너지 입력을 적용함으로써, 하나 이상의 제어되는 세팅들에 대한 세팅이 결정된다. 일 실시예에서, 모델(28)을 사용하여, 비용 함수를 최소화시키기 위해, 세팅들 전부가 함께 결정된다.
[00100] 동작(56)에서, 세팅들은 HVAC 시스템에 송신되는데, 이를테면, 세팅들은 네트워크(22)를 통해 제어기(14)에 송신된다. 임의의 송신 포맷(format)이 사용될 수 있다. 송신은 HVAC 시스템을 동작시키기 위해 제어기(14)에 의해 사용될 세팅들을 제공한다.
[00101] 동작(58)에서, 서버(24)는 HVAC 시스템의 공기 조화에 대한 문제 또는 기회를 나타내는 분석을 계산한다. 본원에서 논의된 분석들 또는 다른 분석들 중 임의의 분석이 계산될 수 있다. 분석은 문제 또는 기회를 표시하는 정보를 제공한다. 예컨대, 분석은, 공기 조화의 불충분한 동작 또는 실패를 야기할 수 있는 추세를 나타낸다. 다른 예로서, 분석은, HVAC 시스템을 재구성시킬 필요 없이, 점유를 위한 구역 또는 영역들을 나타낼 수 있다.
[00102] 분석은 디스플레이(32) 상에 출력된다. 사용자는 분석을 사용하여, 의사결정들을 하는데, 이를테면, 유지보수 스케줄링(scheduling), 비용 절감 검증, 점유 배치, 교체, 재할당, 재구성, 또는 다른 복원을 할 수 있다.
[00103] 도 14는 HVAC의 분석들을 위한 방법의 일 실시예를 도시한다. 방법은 도 1의 시스템, 도 2의 시스템, 제어기(14), 서버(24), 컴퓨터(30), 또는 다른 디바이스들에 의해 구현된다. 예컨대, 제어기(14)는 센서들(20)을 사용하여, 동작(60)을 수행하며, 그 다음, 동작(62)을 수행한다. 서버는 동작들(64, 66, 및 68)을 수행한다. 성능은 공기 조화기(12) 및/또는 제어기(14)와의 통신들에 의존한다.
[00104] 방법은 도시된 순서로 또는 다른 순서로 수행된다. 예컨대, 동작(64 및/또는 66) 전에 동작(68)이 수행된다. 추가적이거나, 상이하거나, 또는 더 적은 개수의 동작들이 제공될 수 있다. 예컨대, 동작(68)은 수행되지 않는다.
[00105] 동작(60)에서, 센서들(20)은 HVAC 시스템에서의 공기 조화 동작을 측정한다. 예컨대, 송풍기 속력, 압력, 전력 입력, 및/또는 흐름이 측정된다. 다른 동작 매개변수들이 측정될 수 있다. 제어기(14)는 추가적인 정보, 이를테면 세트 포인트들 또는 설계 규격들(예컨대, 최대 질량 흐름)을 수집하거나 또는 저장할 수 있다.
[00106] 동작(62)에서, 측정들 및/또는 다른 데이터가 프로세서, 이를테면 컴퓨터(30) 또는 서버(24)의 프로세서에 송신된다. 송신은 임의의 데이터에 대해 한번에 또는 시간에 따라 이루어진다. 추후 시간들에 대한 송신들은 단지 변화된 데이터를 송신할 수 있다. 송신은 유선 또는 무선이다. 송신은 직접적이거나 또는 네트워크를 통해 이루어진다. 일 실시예에서, 송신은, 서버(24)가 메모리 내의 데이터에 접근하거나 또는 룩 업(looking up)함으로써 이루어진다.
[00107] 동작(64)에서, 프로세서(예컨대, 서버(24) 또는 컴퓨터(30))는 공기 조화 동작을 분석한다. 측정들 및/또는 다른 데이터, 이를테면, 송풍기 속력, 압력, 전력 입력, 및/또는 흐름이 분석된다. 분석은 복원에 대한 권장, 그래프, 차트(chart), 데이터, 또는 오퍼레이터(operator)가 다양한 목적들에 사용될 수 있는 다른 정보를 제공한다. 정보는 문제 또는 기회를 나타낼 수 있다. 정보를 이용하여 문제 또는 기회가 강조되거나, 또는 정보가 제공되고, 이 정보로부터 문제 또는 기회를 식별하기 위해 사용자가 의존할 수 있다.
[00108] 분석을 위해, 하나 이상의 통계치들이 계산된다. 대안적으로 또는 부가적으로, 분석 정보를 계산하기 위해 공식 또는 공식들이 사용된다. 추세들을 식별하기 위해, 회귀 또는 다른 분석이 사용될 수 있다.
[00109] 동작(66)에서, 임의의 문제 및/또는 기회를 포함하는 정보가 디스플레이(32) 상에 제시된다. 분석의 결과들은 사용자에게 제시된다. 문제 또는 기회는 특정하게 식별되는데, 이를테면, 교체될 박스, 점유가 증가된 구역, 비용 절감의 확인, 실외 조건들과의 상관, 유지보수 또는 조정에 대한 필요를 표시하는 추세, 또는 다른 정보가 표시된다. 대안적으로 또는 부가적으로, 사용자 해석을 위해, 그래프, 차트, 또는 데이터가 디스플레이된다.
[00110] 동작(68)에서, 휴리스틱 모델(28)을 이용하여 공기 조화기(12)의 동작이 모델링된다. 서버(24)는 모델(28)과 측정들 및 다른 데이터를 사용하여 동작을 모델링한다. 공기 조화기(12)를 제어할 때 사용될 세팅들을 결정하기 위해, 모델(28)이 사용된다. 세팅들은 구현을 위해 공기 조화기(12) 또는 제어기(14)에 송신된다.
[00111] 본 발명의 다양한 실시예들이 설명되었지만, 본 발명의 범위 내에 있는 더욱 많은 실시예들 및 구현들이 가능하다는 것이 당업자들에게 명백할 것이다. 부가하여, 본원에서 설명된 다양한 특징들, 엘리먼트(element)들, 및 실시예들은 임의의 조합 또는 어레인지먼트로 결합되거나 또는 청구될 수 있다.

Claims (20)

  1. 난방, 환기, 및 공기 조절(HVAC; heating, ventilation, and air conditioning)를 위한 제어 시스템(system)으로서,
    공기 조화기(air-handling unit)(12) ― 상기 공기 조화기는, 상기 공기 조화기의 송풍기의 가변 속력 구동에 대한 송풍기 흐름, 온도, 상대 습도, 송풍기 속력, 압력, 및 입력 전력의 그룹(group)으로부터 선택된 적어도 하나를 측정하기 위한 복수의 센서(sensor)들을 가짐 ―;
    상기 공기 조화기의 제어기(14)와 연결된 네트워크(network)(22);
    상기 공기 조화기의 상기 센서들로부터의 측정치들 및 상기 공기 조화기의 휴리스틱 모델(heuristic model)을 저장하도록 구성된 메모리(memory)(26); 및
    상기 공기 조화기로부터 원격이며, 상기 네트워크와 연결된 클라우드 서버(cloud server)(24)
    를 포함하고,
    상기 클라우드 서버는, 상기 측정치들을 수신하고, 상기 측정치들을 사용하여 상기 휴리스틱 모델(28)을 적용함으로써 상기 공기 조화기에 대한 동작 매개변수를 식별하며, 상기 공기 조화기를 제어하기 위해 상기 동작 매개변수를 출력하도록 구성되는,
    난방, 환기, 및 공기 조절(HVAC)을 위한 제어 시스템.
  2. 제 1 항에 있어서,
    상기 휴리스틱 모델은 기계-학습 분류기를 포함하며, 프로세서(processor) 클라우드 서버는 상기 기계-학습 분류기에 대한 상기 측정치들의 입력에 의해 해결하도록 구성되는,
    난방, 환기, 및 공기 조절(HVAC)을 위한 제어 시스템.
  3. 제 2 항에 있어서,
    상기 기계-학습 분류기는 상기 공기 조화기의 동작에서 변화들의 결과들을 사용함으로써 계속해서 기계 학습을 하는 계속형(on-going) 기계 학습 분류기를 포함하는,
    난방, 환기, 및 공기 조절(HVAC)을 위한 제어 시스템.
  4. 제 1 항에 있어서,
    상기 휴리스틱 모델은 물리학-기반 모델을 포함하며, 상기 클라우드 서버는 상기 물리학-기반 모델의 반복적 최적화를 사용하도록 구성되는,
    난방, 환기, 및 공기 조절(HVAC)을 위한 제어 시스템.
  5. 제 1 항에 있어서,
    상기 클라우드 서버는 상기 측정치들로부터 특성을 유도하도록 구성되며, 상기 특성을 사용하여 상기 휴리스틱 모델을 적용하도록 구성되고, 상기 특성은 상기 휴리스틱 모델에서 입력 특징으로서 사용되는,
    난방, 환기, 및 공기 조절(HVAC)을 위한 제어 시스템.
  6. 제 1 항에 있어서,
    상기 동작 매개변수는 상기 공기 조화기를 동작시키기 위한 제어 매개변수들을 포함하며, 상기 클라우드 서버는 상기 제어 매개변수들을 상기 제어기에 제공하도록 구성되는,
    난방, 환기, 및 공기 조절(HVAC)을 위한 제어 시스템.
  7. 제 1 항에 있어서,
    상기 센서들은, 상기 송풍기 흐름, 상기 압력, 상기 송풍기 속력, 및 상기 입력 전력을 포함하며, 상기 동작 매개변수는 상기 송풍기의 효율, 수요 곡선, 에너지(energy) 소비, 부하, 또는 상기 송풍기의 용량에서의 추세를 포함하는,
    난방, 환기, 및 공기 조절(HVAC)을 위한 제어 시스템.
  8. 제 7 항에 있어서,
    상기 클라우드 서버는 상기 동작 매개변수로부터 상기 송풍기에 대한 문제를 표시하도록 구성되는,
    난방, 환기, 및 공기 조절(HVAC)을 위한 제어 시스템.
  9. 제 1 항에 있어서,
    상기 클라우드 서버는 송풍기 설계 최대 흐름 및 상기 송풍기(18)의 송풍기 흐름 세트 포인트(set point)로부터의 다이버시티(diversity)를 결정하도록 구성되고, 상기 다이버시티는 상기 송풍기(18)의 동작의 분산의 측정치이며, 상기 클라우드 서버는 상기 다이버시티에 기반하여 공간과 상기 송풍기의 부조화를 표시하도록 구성되는,
    난방, 환기, 및 공기 조절(HVAC)을 위한 제어 시스템.
  10. 제 1 항에 있어서,
    상기 클라우드 서버는 상기 공기 조화기의 동작과 실외 조건들의 관계로서 상기 동작 매개변수를 결정하도록 구성되며, 상기 클라우드 서버는 상기 관계에 기반하여 상기 실외 조건들에 대한 상기 공기 조화기의 민감성(susceptibility)을 표시하도록 구성되는,
    난방, 환기, 및 공기 조절(HVAC)을 위한 제어 시스템.
  11. 제 1 항에 있어서,
    상기 공기 조화기는 복수의 공기 조화기들 중 하나이며, 상기 동작 매개변수는 상기 복수의 공기 조화기들의 불량 구역(rogue zone) 또는 임계 구역이며, 상기 클라우드 서버는 액추에이터(actuator) 재-배치 횟수, 박스(box) 압력들, 및 박스 흐름에 기반하여 상기 불량 구역 또는 상기 임계 구역을 식별하도록 구성되며, 상기 불량 구역은 최대 압력을 요구하는 상기 공기 조화기를 갖는 구역이고 상기 임계 구역은 임계 압력보다 더 높은 압력의 수요로 동작하는 구역인,
    난방, 환기, 및 공기 조절(HVAC)을 위한 제어 시스템.
  12. 제 1 항에 있어서,
    상기 동작 매개변수는 HVAC 시스템 구성에 커플링된 상기 공기 조화기의 구역을 결정하는 동작을 포함하며, 상기 클라우드 서버는 온도, 흐름, 또는 온도 및 흐름과 상기 구역을 결정하는 동작의 커플링(coupling)을 결정하도록 구성되는,
    난방, 환기, 및 공기 조절(HVAC)을 위한 제어 시스템.
  13. 제 1 항에 있어서,
    상기 클라우드 서버는 상기 공기 조화기에 의해 공기가 제공되는 구역으로부터 측정된 변수들에 대한 값들을 분석하며, 상기 구역으로부터 측정된 상기 변수들에 대한 상기 값들의 분석에 기반하여 플랜트(plant) 성능 또는 공기 조화의 분석을 트리거링하도록(trigger) 구성되는,
    난방, 환기, 및 공기 조절(HVAC)을 위한 제어 시스템.
  14. 제 1 항에 있어서,
    상기 클라우드 서버는 공기 조화 성능 변수들 또는 플랜트 성능 변수들의 조사를 트리거링하기 위한 구역 성능 변수들을 분석하도록 구성되는,
    난방, 환기, 및 공기 조절(HVAC)을 위한 제어 시스템.
  15. 난방, 환기, 및 공기 조절(HVAC; heating, ventilation, and air conditioning)을 위한 방법으로서,
    공기 조화기의 송풍기의 가변 속력 구동에 대한 송풍기 흐름, 온도, 상대 습도, 송풍기 속력, 압력, 및 입력 전력의 그룹으로부터 선택된 적어도 하나를 측정하기 위한 복수의 센서들(20)을 갖는 상기 공기 조화기(12)의 센서들(20)로부터의 측정치들을 메모리(26)에 저장하는 단계;
    상기 공기 조화기로부터 원격이며, 상기 공기 조화기의 제어기(14)와 연결되는 네트워크(22)와 연결되는 클라우드 서버(24)의 동작을 통해:
    상기 측정치들을 수신하는 단계;
    상기 측정치들을 사용하여 휴리스틱 모델(28)을 적용함으로써 상기 공기 조화기에 대한 동작 매개변수를 식별하는 단계; 및
    상기 공기 조화기를 제어하기 위해 상기 동작 매개변수를 출력하는 단계
    를 포함하는,
    난방, 환기, 및 공기 조절(HVAC)을 위한 방법.
  16. 제 15 항에 있어서,
    상기 휴리스틱 모델은 물리학-기반 모델을 포함하며, 상기 식별하는 단계는 상기 물리학-기반 모델의 이웃 탐색(neighbor searching) 또는 국소 최소화(local minimization)를 이용하여 반복적으로 최적화하는 단계를 포함하는,
    난방, 환기, 및 공기 조절(HVAC)을 위한 방법.
  17. 제 15 항에 있어서,
    상기 휴리스틱 모델은 기계-학습 분류기를 포함하며, 상기 식별하는 단계는 상기 측정치들에 기반하여 상기 모델을 이용하여 분류하는 단계를 포함하는,
    난방, 환기, 및 공기 조절(HVAC)을 위한 방법.
  18. 제 15 항에 있어서,
    상기 송풍기 속력, 상기 압력, 상기 입력 전력, 또는 상기 흐름 중 2 이상의의 조합으로부터 상기 공기 조화기의 동작을 상기 클라우드 서버가 분석하는 단계; 및
    상기 분석하는 단계의 결과에 기반하여, 상기 공기 조화기에 대한 문제 또는 기회를 디스플레이 상에 제시하는 단계
    를 더 포함하는,
    난방, 환기, 및 공기 조절(HVAC)을 위한 방법.
  19. 컴퓨터 판독가능 저장 매체로서,
    적어도 하나의 프로세서(24)에 의해 실행될 때, 상기 적어도 하나의 프로세서로 하여금, 청구항 제 15 항 내지 제 18 항 중 어느 한 항에 따른 난방, 환기, 및 공기 조절(HVAC)을 위한 방법을 수행하게 하는 프로세서 실행가능 명령들로 인코딩된(encoded),
    컴퓨터 판독가능 저장 매체.
  20. 삭제
KR1020177026955A 2015-02-24 2016-02-24 Hvac 시스템에 대한 가변 공기 용적 모델링 KR101973652B1 (ko)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201562120218P 2015-02-24 2015-02-24
US62/120,218 2015-02-24
US14/871,651 US10386800B2 (en) 2015-02-24 2015-09-30 Variable air volume modeling for an HVAC system
US14/871,651 2015-09-30
PCT/US2016/019317 WO2016138107A1 (en) 2015-02-24 2016-02-24 Variable air volume modeling for an hvac system

Publications (2)

Publication Number Publication Date
KR20170120666A KR20170120666A (ko) 2017-10-31
KR101973652B1 true KR101973652B1 (ko) 2019-09-03

Family

ID=56693030

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020177026955A KR101973652B1 (ko) 2015-02-24 2016-02-24 Hvac 시스템에 대한 가변 공기 용적 모델링

Country Status (8)

Country Link
US (3) US10386800B2 (ko)
EP (1) EP3262350A1 (ko)
KR (1) KR101973652B1 (ko)
CN (1) CN107223195B (ko)
AU (1) AU2016222773B2 (ko)
CA (1) CA2977483C (ko)
SG (1) SG11201705557VA (ko)
WO (1) WO2016138107A1 (ko)

Families Citing this family (52)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB201313444D0 (en) * 2013-07-29 2013-09-11 Ambi Labs Ltd Energy efficient indoor climate controller
US10386820B2 (en) 2014-05-01 2019-08-20 Johnson Controls Technology Company Incorporating a demand charge in central plant optimization
US10280626B2 (en) 2014-08-25 2019-05-07 Andreas Hieke Composite materials with tailored electromagnetic spectral properties, structural elements for enhanced thermal management, and methods for manufacturing thereof
WO2016089979A1 (en) 2014-12-05 2016-06-09 Andreas Hieke Methods and functional elements for enhanced thermal management of predominantly enclosed spaces
US10955810B2 (en) * 2015-11-13 2021-03-23 International Business Machines Corporation Monitoring communications flow in an industrial system to detect and mitigate hazardous conditions
WO2017119998A1 (en) 2016-01-06 2017-07-13 Hieke, Andreas Enhanced thermal management of predominantly enclosed spaces and the use of sensor data for secondary applications
US11263545B2 (en) * 2016-06-30 2022-03-01 Microsoft Technology Licensing, Llc Control of cyber-physical systems under uncertainty
CN109937331B (zh) * 2016-11-18 2020-11-24 三菱电机株式会社 空调机以及空调系统
US10612807B2 (en) * 2017-01-20 2020-04-07 Lennox Industries Inc. HVAC, refrigeration, and automation equipment management
US11085662B2 (en) 2017-01-30 2021-08-10 Mitsubishi Electric Corporation Air-conditioning system
JP2018123998A (ja) * 2017-01-31 2018-08-09 ダイキン工業株式会社 空気調和システム
US10641514B2 (en) * 2017-03-03 2020-05-05 Andreas Hieke Methods of increasing the average life time of building materials as well as reducing the consumption of other resources associated with operating buildings
DE102017205033B4 (de) 2017-03-24 2024-02-08 Viessmann Werke Gmbh & Co. Kg Verfahren und System zum internetgestützten Optimieren von Parametern einer Heizungsregelung
KR102393418B1 (ko) * 2017-03-30 2022-05-03 삼성전자주식회사 데이터 학습 서버 및 이의 학습 모델 생성 및 이용 방법
WO2018182357A1 (en) 2017-03-30 2018-10-04 Samsung Electronics Co., Ltd. Data learning server and method for generating and using learning model thereof
US11175061B2 (en) 2017-06-05 2021-11-16 Grid4C Methods and systems for HVAC inefficiency prediction
US20180363933A1 (en) * 2017-06-14 2018-12-20 Joseph A. Ross Zoning System for Air Conditioning (HVAC) Equipment
JOP20190171A1 (ar) 2017-06-14 2019-07-09 Grow Solutions Tech Llc أنظمة وطرائق لتوفير تدفق الهواء في أصيص زراعة
US11384951B2 (en) 2017-06-14 2022-07-12 Joseph A. Ross Zoning system for air conditioning (HVAC) equipment
KR102272333B1 (ko) * 2017-06-21 2021-07-02 주식회사 케이티 Ai 기반으로 대상 건물의 냉방 시스템을 최적 제어하는 클라우드 서버 및 방법, 냉방 시스템 제어 장치
JP6789392B2 (ja) * 2017-06-23 2020-11-25 三菱電機株式会社 管理システム
US20180372341A1 (en) * 2017-06-26 2018-12-27 Honeywell International Inc. Predictive control for domestic heating system
US10731886B2 (en) 2017-07-20 2020-08-04 Carrier Corporation HVAC system including energy analytics engine
US10620645B2 (en) * 2017-08-03 2020-04-14 Trane International Inc. Microzone HVAC system with precision air device
ES2962563T3 (es) * 2017-09-06 2024-03-19 Vertiv Corp Optimización energética de la unidad de enfriamiento mediante control inteligente del punto de consigna de la temperatura del aire de suministro
KR102511522B1 (ko) 2017-10-18 2023-03-17 삼성전자주식회사 데이터 학습 서버, 이의 학습 모델 생성 및 이용 방법
KR102488347B1 (ko) * 2018-01-10 2023-01-13 삼성전자주식회사 에어 컨디셔닝 시스템에서 에어 컨디셔너를 제어하는 장치 및 방법
US10690363B2 (en) * 2018-02-02 2020-06-23 Siemens Industry, Inc. Minimization of fan power in air distribution or extraction
JP7101492B2 (ja) * 2018-02-09 2022-07-15 三菱電機株式会社 空調制御装置、空調制御システム、空調制御方法、及び、プログラム
CN108563945B (zh) * 2018-03-26 2020-07-07 烽火通信科技股份有限公司 一种异构冗余实现方法及实现系统
US10970128B2 (en) 2018-04-13 2021-04-06 Samsung Electronics Co., Ltd. Server, air conditioner and method for controlling thereof
CN112567182B (zh) 2018-06-11 2023-02-10 布罗恩-努托恩有限责任公司 具有从神经网络导出的自动流量平衡的通风系统
CN108800426B (zh) * 2018-06-25 2020-06-16 博锐尚格科技股份有限公司 变风量空调系统的分析方法和评估方法
KR102208037B1 (ko) * 2018-12-21 2021-01-26 한국기술교육대학교 산학협력단 실내 대기 환경 개선을 위한 최적의 활동의 자동 추천 방법
KR102214173B1 (ko) * 2018-12-24 2021-02-08 주식회사 어픽 통합 기상 정보 수집 및 표출 시스템
WO2020136675A1 (en) * 2018-12-26 2020-07-02 Bert Labs Private Limited System and method for improving the energy management of hvac equipment
US11579576B2 (en) * 2019-01-31 2023-02-14 Tata Consultancy Services Limited Systems and methods for optimizing performance parameters of air handling units in infrastructures
CN110083072B (zh) * 2019-05-20 2021-12-03 中国建筑科学研究院有限公司 一种流体网络智能控制方法、智能节点和系统
EP3973230B1 (en) 2019-05-20 2023-09-06 Belimo Holding AG A method and a computer system for monitoring and controlling an hvac system
EP3767402B1 (en) * 2019-07-19 2023-08-23 Siemens Schweiz AG System for heating, ventilation, air-conditioning
US11761655B2 (en) 2019-11-14 2023-09-19 Siemens Industry, Inc. Zone controller and method for identifying a root cause failure
US11306940B2 (en) * 2020-02-13 2022-04-19 Thomas Hartman Building occupant comfort network
US11751360B2 (en) * 2020-03-17 2023-09-05 International Business Machines Corporation Intelligently deployed cooling fins
EP4127576A1 (en) * 2020-03-27 2023-02-08 Siemens Schweiz AG Computerized device and computer-implemented method for controlling an hvac system
CN111594996A (zh) * 2020-05-29 2020-08-28 桂林电子科技大学 一种基于深度置信神经网络的变风量空调送风量的预测方法
US11280514B1 (en) * 2020-11-15 2022-03-22 Mitsubishi Electric Research Laboratories, Inc. System and method for thermal control based on invertible causation relationship
US11656615B2 (en) * 2020-11-30 2023-05-23 Haier Us Appliance Solutions, Inc. Methods for detecting fan anomalies with built-in usage and sensory data
US11480358B2 (en) 2021-02-25 2022-10-25 Synapse Wireless, Inc. Machine learning systems for modeling and balancing the activity of air quality devices in industrial applications
CN112994031A (zh) * 2021-03-19 2021-06-18 国网安徽省电力有限公司电力科学研究院 一种基于空调负荷比例的svm静态无功负荷建模方法
CN113654204A (zh) * 2021-06-03 2021-11-16 山西三友和智慧信息技术股份有限公司 一种基于人工智能的室内空气湿度调节系统
KR102681777B1 (ko) 2022-01-25 2024-07-05 주식회사 디섹 인공지능 기반 선박용 hvac 용량 추정 시스템 및 방법
US12050017B2 (en) 2022-03-01 2024-07-30 Tyco Fire & Security Gmbh Building automation system with edge device local configuration

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120072029A1 (en) 2010-09-20 2012-03-22 Heatvu Inc. Intelligent system and method for detecting and diagnosing faults in heating, ventilating and air conditioning (hvac) equipment
US20120217315A1 (en) 2011-02-24 2012-08-30 Dane Camden Witbeck System for controlling temperatures of multiple zones in multiple structures

Family Cites Families (33)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6040668A (en) * 1996-11-14 2000-03-21 Telcom Semiconductor, Inc. Monolithic fan controller
US6006142A (en) * 1997-07-14 1999-12-21 Seem; John E. Environmental control system and method
DE10103368A1 (de) * 2000-01-31 2001-08-16 Visteon Global Tech Inc Verfahren zur Erstellung eines wissensbasierten Entwurfs für eine Luftsteuerungsanordnung
US20040143510A1 (en) 2002-07-27 2004-07-22 Brad Haeberle Method and system for obtaining service information about one or more building sites
US8849463B2 (en) 2003-03-20 2014-09-30 Huntair, Inc. Fan array control system
US7839275B2 (en) * 2004-11-09 2010-11-23 Truveon Corp. Methods, systems and computer program products for controlling a climate in a building
US8050801B2 (en) 2005-08-22 2011-11-01 Trane International Inc. Dynamically extensible and automatically configurable building automation system and architecture
US8019567B2 (en) 2007-09-17 2011-09-13 Ecofactor, Inc. System and method for evaluating changes in the efficiency of an HVAC system
US8651391B2 (en) * 2008-06-17 2014-02-18 Ronald Harrison Patch Method and apparatus for control of cooling system air quality and energy consumption
CN102204163B (zh) 2008-09-03 2014-12-24 西门子工业公司 无源和有源无线建筑管理系统
US20100207728A1 (en) 2009-02-18 2010-08-19 General Electric Corporation Energy management
US8774978B2 (en) 2009-07-23 2014-07-08 Siemens Industry, Inc. Device and method for optimization of chilled water plant system operation
EP2336834A1 (en) 2009-11-20 2011-06-22 Zerogroup Holding OÜ A method and system for controlling environmental conditions of entity
US20120072181A1 (en) * 2010-09-22 2012-03-22 Behzad Imani Method and apparatus for optimizing hvac systems in buildings
WO2012118550A1 (en) 2011-03-02 2012-09-07 Carrier Corporation Spm fault detection and diagnostics algorithm
WO2012174141A2 (en) * 2011-06-13 2012-12-20 Gridpoint, Inc. Valuating energy management systems
CN102353119B (zh) 2011-08-09 2013-04-24 北京建筑工程学院 一种vav变风量空调系统控制方法
WO2013043863A1 (en) 2011-09-20 2013-03-28 The Trustees Of Columbia University In The City Of New York Adaptive stochastic controller for energy efficiency and smart buildings
WO2013075080A1 (en) * 2011-11-17 2013-05-23 Trustees Of Boston University Automated technique of measuring room air change rates in hvac system
US9098096B2 (en) * 2012-04-05 2015-08-04 Google Inc. Continuous intelligent-control-system update using information requests directed to user devices
KR101936633B1 (ko) * 2012-04-19 2019-01-09 엘지전자 주식회사 공기조화기 및 그 제어방법
US9582009B2 (en) * 2012-04-30 2017-02-28 SmrtEn, LLC System and method for optimizing and reducing the energy usage of an automatically controlled HVAC system
US9519874B2 (en) * 2012-08-30 2016-12-13 Honeywell International Inc. HVAC controller with regression model to help reduce energy consumption
US9587849B2 (en) * 2013-03-01 2017-03-07 Stephen Schlesinger Heating, ventilation, and air conditioning system
DE102014005866A1 (de) * 2013-05-09 2014-11-13 Stmicroelectronics S.R.L. Verfahren und System zum Verarbeiten von Daten von erfasstem Ionisationsstrom für Echtzeitschätzung von Brennraumdruck in einem Motor mit Funkenzündung
WO2015066024A1 (en) * 2013-10-28 2015-05-07 Virtual Power Systems, Inc. Multi-level data center consolidated power control
GB201409590D0 (en) * 2014-05-30 2014-07-16 Rolls Royce Plc Asset condition monitoring
US9733627B2 (en) * 2014-08-13 2017-08-15 Honeywell International Inc. Cloud computing system and method for advanced process control
US9976765B2 (en) * 2015-03-06 2018-05-22 Mitsubishi Electric Research Laboratories, Inc. System and method for controlling operations of air-conditioning system
US20170329357A1 (en) * 2016-05-16 2017-11-16 Palo Alto Research Center Incorporated System and method for identifying drivers of climate control system demand
US10705492B2 (en) * 2017-06-12 2020-07-07 PassiveLogic, Inc. Heuristic method of automated and learning control, and building automation systems thereof
EP3454260A1 (en) * 2017-09-11 2019-03-13 Tata Consultancy Services Limited Bilstm-siamese network based classifier for identifying target class of queries and providing responses thereof
EP3914972A1 (en) * 2019-01-24 2021-12-01 Alarm.com Incorporated Hvac service performance

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120072029A1 (en) 2010-09-20 2012-03-22 Heatvu Inc. Intelligent system and method for detecting and diagnosing faults in heating, ventilating and air conditioning (hvac) equipment
US20120217315A1 (en) 2011-02-24 2012-08-30 Dane Camden Witbeck System for controlling temperatures of multiple zones in multiple structures

Also Published As

Publication number Publication date
CN107223195A (zh) 2017-09-29
CA2977483A1 (en) 2016-09-01
WO2016138107A1 (en) 2016-09-01
KR20170120666A (ko) 2017-10-31
AU2016222773A1 (en) 2017-07-27
US20200004214A1 (en) 2020-01-02
US10935944B2 (en) 2021-03-02
US10386800B2 (en) 2019-08-20
CA2977483C (en) 2019-02-26
SG11201705557VA (en) 2017-08-30
AU2016222773B2 (en) 2018-10-04
US20160246269A1 (en) 2016-08-25
EP3262350A1 (en) 2018-01-03
CN107223195B (zh) 2019-10-01
US11385607B2 (en) 2022-07-12
US20210173365A1 (en) 2021-06-10

Similar Documents

Publication Publication Date Title
KR101973652B1 (ko) Hvac 시스템에 대한 가변 공기 용적 모델링
US11835945B2 (en) Predictive diagnostics system with fault detector for preventative maintenance of connected equipment
JP7184797B2 (ja) ビルディング機器用のモデル予測的メンテナンスシステム
US11774923B2 (en) Augmented deep learning using combined regression and artificial neural network modeling
US11473799B2 (en) Systems and methods for intelligent pic valves with agent interaction
US11747034B2 (en) Systems and methods for steady state detection
US10700942B2 (en) Building management system with predictive diagnostics
US11803174B2 (en) Building management system for forecasting time series values of building variables
US20210081811A1 (en) Trend analysis and data management system for temperature, pressure, and humidity compliance
US20180087790A1 (en) Systems and methods for automatically creating and using adaptive pca models to control building equipment
US10921010B2 (en) Building management system with simulation and user action reinforcement machine learning
US20230332794A1 (en) Building management system with indoor air quality management using outdoor air quality forecasting
US11408626B2 (en) Central plant control system with dynamic computation reduction
JP2021009694A (ja) 予算制約を伴うモデル予測的メンテナンスシステム
US20230324069A1 (en) Building management system with air quality occupant impact assessment
WO2021016264A1 (en) Model predictive maintenance system with financial analysis functionality

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant