TW202034051A - 使用外部３ｄ模型化及神經網路之控方法及系統 - Google Patents

使用外部３ｄ模型化及神經網路之控方法及系統 Download PDF

Info

Publication number
TW202034051A
TW202034051A TW108128999A TW108128999A TW202034051A TW 202034051 A TW202034051 A TW 202034051A TW 108128999 A TW108128999 A TW 108128999A TW 108128999 A TW108128999 A TW 108128999A TW 202034051 A TW202034051 A TW 202034051A
Authority
TW
Taiwan
Prior art keywords
model
window
sensor
patent application
item
Prior art date
Application number
TW108128999A
Other languages
English (en)
Inventor
沃拉斯 傑克 雷斯模
強森 大衛 賽德里茲
拉諾裘依 督塔
應宇陽
艾瑞齊 R 克拉溫
達爾雅 雪利凡斯塔瓦
Original Assignee
美商唯景公司
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 美商唯景公司 filed Critical 美商唯景公司
Publication of TW202034051A publication Critical patent/TW202034051A/zh

Links

Images

Classifications

    • E—FIXED CONSTRUCTIONS
    • E06—DOORS, WINDOWS, SHUTTERS, OR ROLLER BLINDS IN GENERAL; LADDERS
    • E06B—FIXED OR MOVABLE CLOSURES FOR OPENINGS IN BUILDINGS, VEHICLES, FENCES OR LIKE ENCLOSURES IN GENERAL, e.g. DOORS, WINDOWS, BLINDS, GATES
    • E06B3/00—Window sashes, door leaves, or like elements for closing wall or like openings; Layout of fixed or moving closures, e.g. windows in wall or like openings; Features of rigidly-mounted outer frames relating to the mounting of wing frames
    • E06B3/66—Units comprising two or more parallel glass or like panes permanently secured together
    • E06B3/67—Units comprising two or more parallel glass or like panes permanently secured together characterised by additional arrangements or devices for heat or sound insulation or for controlled passage of light
    • E06B3/6715—Units comprising two or more parallel glass or like panes permanently secured together characterised by additional arrangements or devices for heat or sound insulation or for controlled passage of light specially adapted for increased thermal insulation or for controlled passage of light
    • E06B3/6722—Units comprising two or more parallel glass or like panes permanently secured together characterised by additional arrangements or devices for heat or sound insulation or for controlled passage of light specially adapted for increased thermal insulation or for controlled passage of light with adjustable passage of light
    • E—FIXED CONSTRUCTIONS
    • E06—DOORS, WINDOWS, SHUTTERS, OR ROLLER BLINDS IN GENERAL; LADDERS
    • E06B—FIXED OR MOVABLE CLOSURES FOR OPENINGS IN BUILDINGS, VEHICLES, FENCES OR LIKE ENCLOSURES IN GENERAL, e.g. DOORS, WINDOWS, BLINDS, GATES
    • E06B9/00—Screening or protective devices for wall or similar openings, with or without operating or securing mechanisms; Closures of similar construction
    • E06B9/24—Screens or other constructions affording protection against light, especially against sunshine; Similar screens for privacy or appearance; Slat blinds
    • G—PHYSICS
    • G02—OPTICS
    • G02F—OPTICAL DEVICES OR ARRANGEMENTS FOR THE CONTROL OF LIGHT BY MODIFICATION OF THE OPTICAL PROPERTIES OF THE MEDIA OF THE ELEMENTS INVOLVED THEREIN; NON-LINEAR OPTICS; FREQUENCY-CHANGING OF LIGHT; OPTICAL LOGIC ELEMENTS; OPTICAL ANALOGUE/DIGITAL CONVERTERS
    • G02F1/00—Devices or arrangements for the control of the intensity, colour, phase, polarisation or direction of light arriving from an independent light source, e.g. switching, gating or modulating; Non-linear optics
    • G02F1/01—Devices or arrangements for the control of the intensity, colour, phase, polarisation or direction of light arriving from an independent light source, e.g. switching, gating or modulating; Non-linear optics for the control of the intensity, phase, polarisation or colour 
    • G02F1/15—Devices or arrangements for the control of the intensity, colour, phase, polarisation or direction of light arriving from an independent light source, e.g. switching, gating or modulating; Non-linear optics for the control of the intensity, phase, polarisation or colour  based on an electrochromic effect
    • G02F1/163—Operation of electrochromic cells, e.g. electrodeposition cells; Circuit arrangements therefor
    • 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
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
    • 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
    • E—FIXED CONSTRUCTIONS
    • E06—DOORS, WINDOWS, SHUTTERS, OR ROLLER BLINDS IN GENERAL; LADDERS
    • E06B—FIXED OR MOVABLE CLOSURES FOR OPENINGS IN BUILDINGS, VEHICLES, FENCES OR LIKE ENCLOSURES IN GENERAL, e.g. DOORS, WINDOWS, BLINDS, GATES
    • E06B9/00—Screening or protective devices for wall or similar openings, with or without operating or securing mechanisms; Closures of similar construction
    • E06B9/24—Screens or other constructions affording protection against light, especially against sunshine; Similar screens for privacy or appearance; Slat blinds
    • E06B2009/2464—Screens or other constructions affording protection against light, especially against sunshine; Similar screens for privacy or appearance; Slat blinds featuring transparency control by applying voltage, e.g. LCD, electrochromic panels
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/26—Pc applications
    • G05B2219/2642—Domotique, domestic, home control, automation, smart house

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Structural Engineering (AREA)
  • Evolutionary Computation (AREA)
  • Automation & Control Theory (AREA)
  • Civil Engineering (AREA)
  • Nonlinear Science (AREA)
  • Optics & Photonics (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Architecture (AREA)
  • Electrochromic Elements, Electrophoresis, Or Variable Reflection Or Absorption Elements (AREA)
  • Air Conditioning Control Device (AREA)
  • Circuit Arrangement For Electric Light Sources In General (AREA)

Abstract

一種用於基於未來環境條件之預測而控制一建築物中之窗的一或多個分區之著色的系統。

Description

使用外部3D模型化及神經網路之控制方法及系統
本文中所揭示之實施例大體上係關於用於實施控制可著色窗(例如，電致變色窗)之色調及其他功能的方法的窗控制器及相關控制邏輯。
電致變色為材料在置於不同電子狀態時，通常藉由經受電壓改變而展現光學性質之可逆電化學介導之改變的現象。光學性質通常為色彩、透射率、吸收率及反射率中之一或多者。一種熟知的電致變色材料為氧化鎢(WO3)。氧化鎢為陰極電致變色材料，其中藉由電化學還原發生透明至藍色的著色轉變。
電致變色材料可經併入至例如住宅、商業及其他用途之窗戶中。此類窗之色彩、透射率、吸收率及/或反射率可藉由誘發電致變色材料之改變而改變，亦即，電致變色窗為可以電子方式變暗或變亮之窗。施加至窗之電致變色裝置的較小電壓將使其變暗；使電壓反轉則使所述窗變亮。此能力允許控制通過窗之光量，且為電致變色窗呈現用作節能裝置的機會。
儘管在20世紀60年代發現了電致變色，但電致變色裝置，尤其電致變色窗仍不幸遭遇各種問題，且儘管近來在電致變色技術，設備及製造及/或使用電致變色裝置之相關方法中取得了諸多進展，但尚未開始實現其全部商業潛力。
在一個實施例中，本發明包括一種控制系統，其包括：可著色窗；窗控制器，耦接至可著色窗；及一或多個預測模組，耦接至窗控制器，其中一或多個預測模組包括控制邏輯，所述控制邏輯經組態以處理來自至少一個感測器之信號且提供指示未來時間之環境條件之預測的一或多個輸出及/或未來時間的可著色窗之所需窗色調，且其中窗控制器包括控制邏輯，所述控制邏輯經組態以基於一或多個輸出來控制可著色窗。在一個實施例中，一或多個預測模組包括神經網路。在一個實施例中，神經網路包括LSTM網路。在一個實施例中，神經網路包括DNN網路。在一個實施例中，環境條件之預測包括短期環境條件及相對較長期的環境條件。在一個實施例中，一或多個預測模組經組態以實施機器學習。在一個實施例中，至少一個感測器包括光感測器及/或紅外線感測器。在一個實施例中，環境條件包括天氣條件。在一個實施例中，環境條件包括太陽之位置。在一個實施例中，一或多個輸出係基於最大光感測器值之滾動平均值及/或最小紅外線感測器值之滾動中值。在一個實施例中，一或多個預測模組經組態以自讀數之時間序列計算重心平均值。
在一個實施例中，本發明包括一種控制系統，其包括：複數個可著色窗；一或多個窗控制器，耦接至複數個可著色窗；至少一個感測器，其經組態以提供表示一或多個環境條件之第一輸出；及一或多個神經網路，耦接至一或多個窗控制器，其中神經網路包括控制邏輯，所述控制邏輯經組態以處理第一輸出且提供表示未來環境條件之預測的第二輸出，且其中一或多個窗控制器包括控制邏輯，所述控制邏輯經組態以基於第二輸出來控制複數個可著色窗之色調狀態。在一個實施例中，未來環境條件包括天氣條件。在一個實施例中， 神經網路包括監督式神經網路。在一個實施例中，神經網路包括LSTM神經網路及DNN神經網路。在一個實施例中，至少一個感測器包括至少一個光感測器及至少一個紅外線感測器，且其中第一輸出包括最大光感測器讀數之滾動平均值及最小紅外線感測器讀數之滾動中值。在一個實施例中，第二輸出係基於LSTM神經網路與DNN神經網路之間的多數協議。
在一個實施例中，本發明包括一種控制至少一個可著色窗的方法，所述方法包括以下步驟：使用一或多個感測器來提供表示當前環境條件的輸出；將輸出耦接至控制邏輯；使用控制邏輯來預測未來環境條件；以及基於未來環境條件之預測而使用控制邏輯來控制至少一個可著色窗之色調。在一個實施例中，一或多個感測器包括一或多個光感測器及一或多個紅外線感測器。在一個實施例中，控制邏輯包括LSTM及DNN神經網路中之至少一者。在一個實施例中，輸出包括最大光感測器讀數之滾動平均值及最小紅外線感測器讀數之滾動中值。
在一個實施例中，本發明包括一種使用位置特定且季節性區分之天氣資料來控制可著色窗的方法，所述方法包括：在所述位點處，在N天時段內自至少一個感測器獲得環境讀數；將讀數儲存在電腦可讀媒體上；在N天中最近一天或在N天中最近一天之第二天，藉由控制邏輯處理讀數，所述控制邏輯經組態以提供表示來自至少一個感測器之環境讀數之可能未來範圍改變之分佈的第一輸出；及至少部分地基於第一輸出來控制可著色窗之色調。在一個實施例中，控制邏輯包括非監督式分類器。在一個實施例中，本發明進一步包括：使用控制邏輯來預測在N天中最近一天或N天中最近一天的第二天時所述位點處之環境條件。在一個實施例中，控制邏輯包括神經網路。在一個實施例中，控制邏輯包括一或多個預測模組，所述預測模組經組態以處理來自至少一個感測器之信號且提供指示在未來時間可著色窗之所需窗色調的第二輸出，且其中 所述方法進一步包括至少部分地基於第二輸出而控制可著色窗之色調。在一個實施例中，一或多個預測模組包括神經網路。在一個實施例中，神經網路包括LSTM網路。在一個實施例中，神經網路包括DNN網路。在一個實施例中，第二輸出係基於LSTM神經網路與DNN神經網路之間的多數協議。
在一個實施例中，本發明包括一種建築物控制系統，其包括：至少一個感測器，其經組態以獲取環境讀數：儲存器，用於儲存環境讀數；及控制邏輯，其經組態以處理環境讀數且提供表示來自至少一個感測器之環境讀數的可能未來範圍改變的第一輸出，其中第一輸出至少部分地用於控制所述建築物之系統。在一個實施例中，所述系統包括至少一個可著色窗及至少一個可著色窗控制器。在一個實施例中，控制邏輯包括一或多個神經網路，其經組態以處理最近的環境讀數並提供表示未來時間之未來環境條件的預測的第二輸出。在一個實施例中，至少一個窗控制器經組態以至少部分地基於第一或第二輸出來控制至少一個可著色窗之色調狀態。在一個實施例中，至少一個感測器位於建築物之屋頂或壁上。在一個實施例中，所儲存的環境讀數包括在多天內獲取的讀數，且其中最近的環境讀數包括在同一天獲取的讀數。在一個實施例中，在同一天獲取的讀數包括在大約幾分鐘的時間窗內獲取的讀數。在一個實施例中，時間窗為5分鐘。在一個實施例中，第二輸出包括至少一個規則，所述至少一個規則指示至少一種可著色窗在未來時間的所需窗色調，且使用至少一個可著色窗控制器來控制至少一個可著色窗以在未來時間達成所需窗色調。在一個實施例中，第二輸出係基於LSTM神經網路與DNN神經網路之間的多數協議。在一個實施例中，控制邏輯包括非監督式分類器。
一個態樣關於一種控制系統，其包括：可著色窗；窗控制器，與可著色窗通信；及另一控制器或伺服器，與窗控制器通信，且包括一或多個預測模組，其中一或多個預測模組包括控制邏輯，所述控制邏輯經組態以使用來 自至少一個感測器之讀數以判定包含未來時間之環境條件之預測及/或可著色窗在未來時間之色調位準之一或多個輸出，且其中窗控制器經組態以基於一或多個輸出來轉變可著色窗。在一個實例中，一或多個預測模組包括神經網路(例如，密集神經網路或長短期記憶(LSTM)網路)。
一個態樣係關於一種控制系統，其包含：複數個可著色窗；一或多個窗控制器，其經組態以控制複數個可著色窗；至少一個感測器，其經組態以提供第一輸出；及一或多個處理器，包含至少一個神經網路且與一或多個窗控制器通信，其中至少一種神經網路經組態以處理第一輸出且提供包含未來環境條件之預測之第二輸出，且其中一或多個窗控制器經組態以基於第二輸出來控制複數個可著色窗之色調狀態。
一個態樣係關於一種控制至少一個可著色窗的方法。所述方法包括以下步驟：自一或多個感測器接收輸出；使用控制邏輯來預測未來環境條件；及基於未來環境條件之預測來判定至少一個可著色窗之控制色調。
一個態樣係關於一種使用位點特定且季節性區分之天氣資料來控制可著色窗之方法，所述方法包括：在所述位置處，在N天時段內自至少一個感測器接收環境讀數；在N天中最近一天或N天中最近一天之第二天將讀數儲存在電腦可讀媒體上；藉由控制邏輯處理讀數以判定第一輸出，所述第一輸出表示來自至少一個感測器之環境讀數之可能未來改變的分佈；及發送色調指令以將可著色窗轉變至至少部分地基於第一輸出判定之色調位準。
一個態樣係關於一種建築物控制系統，包括：至少一個感測器，其經組態以獲取環境讀數；記憶體，用於儲存環境讀數；及控制邏輯，儲存在記憶體上且經組態以處理環境讀數以判定第一輸出，所述第一輸出表示來自至少一個感測器之環境讀數的可能未來範圍，其中第一輸出至少部分地用於控制建築物之系統。
一個態樣係關於一種用於控制建築物上的可著色窗的控制系統。控制系統包括：一或多個窗控制器；及伺服器或另一控制器，其經組態以接收與當前或過去天氣條件相關聯之歷史感測器讀數，所述伺服器或另一控制器具有帶至少一個神經網路之控制邏輯，所述控制邏輯經組態以基於歷史感測器讀數而預測未來天氣條件且基於未來環境條件而判定色調排程指令。一或多個窗控制器經組態以基於自伺服器或另一控制器接收之色調排程指令及自幾何模型及晴空模型接收之色調排程著色指令中之一者來控制建築物之一或多個可著色窗的色調位準。
一個態樣係關於一種判定一或多個可著色窗之色調狀態的方法。所述方法包括：(a)判定影響一或多個可著色窗之色調狀態選擇的當前或未來外部條件；(b)自一套模型中選擇第一模型，所述第一模型經判定在當前或未來外部條件下比一套模型中之其他模型執行得更佳，其中一套模型中之各模型為經訓練以判定一或多個可著色窗在多個外部條件集合下之色調狀態的機器學習模型或用於判定一或多個可著色窗在多個外部條件集合下之色調狀態的資訊；及(c)執行第一模型且使用第一模型之輸出來判定一或多個可著色窗之當前或未來色調狀態。
一個態樣係關於一種經組態以判定一或多個可著色窗之色調狀態的系統。所述系統包括處理器及記憶體之系統，所述處理器及記憶體經組態以：(a)判定影響一或多個可著色窗之色調狀態選擇的當前或未來外部條件；(b)自一套模型中選擇第一模型，所述第一模型經判定在當前或未來外部條件下比一套模型中之其他模型執行更佳，其中一套模型中之各模型為經訓練以判定一或多個可著色窗在多個外部條件集合下之色調狀態的機器學習模型或用於判定一或多個可著色窗在多個外部條件集合下之色調狀態的資訊；及(c)執行第一模型且使用第一模型之輸出來判定一或多個可著色窗之當前或未來色調狀 態。
一個態樣係關於一種產生用於判定一或多個可著色窗之色調狀態的計算系統的方法。所述方法包括：(a)基於歷史輻射輪廓或模式來對不同類型之外部條件進行聚類或分類；及(b)訓練用於不同類型之外部條件中之每一者的機器學習模型，其中所述機器學習模型經訓練以判定一或多個可著色窗在多個外部條件集合下之色調狀態，或用於判定所述色調狀態之資訊。
一個態樣係關於一種識別機器學習模型之特徵輸入之子集的方法，所述機器學習模型經組態以判定一或多個可著色窗在多個外部條件集合下之色調狀態或用於判定所述色調狀態之資訊著色。所述方法包括(a)對用於機器學習模型之可用特徵輸入集合執行特徵消除程序從而移除可用特徵輸入中之一或多者並產生特徵輸入之子集及(b)利用特徵輸入之子集初始化機器學習模型。
一個態樣係關於一種經組態以識別機器學習模型之特徵輸入之子集的系統，所述機器學習模型經組態以判定一或多個可著色窗在多個外部條件集合下之色調狀態或用於判定所述色調狀態之資訊著色。所述系統包括處理器及記憶體，所述處理器及記憶體經組態以(a)對機器學習模型之可用特徵輸入之集合執行特徵消除程序從而移除可用特徵輸入中之一或多者並產生特徵輸入之子集及(b)利用特徵輸入之子集初始化機器學習模型。
下面將參考附圖更詳細地描述此等及其他特徵及實施例。
100‧‧‧電致變色片
105‧‧‧玻璃薄片
110‧‧‧擴散障壁
115‧‧‧第一透明導電氧化物層
120‧‧‧隔離溝槽
125‧‧‧電致變色堆疊
130‧‧‧第二透明導電氧化物層
140‧‧‧區域
150‧‧‧溝槽
155‧‧‧溝槽
160‧‧‧溝槽
165‧‧‧溝槽
200‧‧‧IGU
201‧‧‧片
205‧‧‧間隔物
210‧‧‧第二片
215‧‧‧主要密封材料
220‧‧‧次要密封件
225‧‧‧內部空間
230‧‧‧加強窗格
235‧‧‧樹脂
300‧‧‧電致變色裝置
302‧‧‧基板
304‧‧‧第一導電層
306‧‧‧電致變色層
308‧‧‧離子導電層
310‧‧‧相對電極層
314‧‧‧第二導電層
316‧‧‧電壓源
320‧‧‧電致變色堆疊
400‧‧‧電致變色裝置
402‧‧‧基板
404‧‧‧導電層
408‧‧‧離子導電層
406‧‧‧氧化鎢電致變色層
410‧‧‧氧化鎳-鎢相對電極層
414‧‧‧導電層
420‧‧‧電致變色堆疊
450‧‧‧窗控制器
455‧‧‧微處理器
460‧‧‧脈衝寬度調節器
465‧‧‧輸入
475‧‧‧組態檔案
480‧‧‧網路
500‧‧‧房間
505‧‧‧電致變色窗
510‧‧‧外部感測器
601‧‧‧建築物
602‧‧‧窗控制系統
603‧‧‧主控制器
605‧‧‧BMS
607a‧‧‧網路控制器
607b‧‧‧網路控制器
608‧‧‧終端或葉型控制器
610‧‧‧雲端網路
700‧‧‧系統
701‧‧‧網路
702‧‧‧窗控制系統
703‧‧‧主控制器
710‧‧‧終端或葉型窗控制器
780‧‧‧EC裝置
790‧‧‧壁開關
800‧‧‧系統架構
801‧‧‧雲端網路
810‧‧‧3D模型系統
820‧‧‧基於雲端之晴空模塊
840‧‧‧窗控制系統
872‧‧‧第1區域
874‧‧‧第n區域
890‧‧‧圖形使用者介面
892‧‧‧地點操作
894‧‧‧客戶成功管理者
898‧‧‧客戶組態入口網站
1200‧‧‧建築物網路
1410‧‧‧操作
1420‧‧‧操作
1430‧‧‧操作
1510‧‧‧操作
1520‧‧‧操作
1530‧‧‧操作
1540‧‧‧操作
1550‧‧‧操作
1560‧‧‧操作
2202‧‧‧操作
2210‧‧‧操作
2212‧‧‧操作
2214‧‧‧操作
2216‧‧‧操作
2220‧‧‧操作
2222‧‧‧操作
2224‧‧‧操作
2226‧‧‧操作
2230‧‧‧操作
2240‧‧‧操作
2600‧‧‧窗控制系統
2610‧‧‧操作
2620‧‧‧操作
2630‧‧‧操作
2640‧‧‧操作
2650‧‧‧操作
2660‧‧‧操作
2700‧‧‧窗控制系統
2710‧‧‧模組B
2710a‧‧‧子模組
2710b‧‧‧子模組
2711‧‧‧模組C
2712‧‧‧模組D
2713‧‧‧模組E
2714‧‧‧子模組/後處理模組
2716‧‧‧子模組
2719‧‧‧模組
2720‧‧‧窗控制器
2786‧‧‧子模組
2800‧‧‧窗控制系統
2801‧‧‧模組A
2811‧‧‧模組C1
2812‧‧‧模組D1
2820‧‧‧窗控制器
2819‧‧‧模組
2830‧‧‧DNN模組
2901‧‧‧操作
2903‧‧‧操作
2905‧‧‧操作
2907‧‧‧操作
2909‧‧‧操作
2911‧‧‧操作
2913‧‧‧操作
2915‧‧‧操作
2917‧‧‧操作
3001‧‧‧架構
3003‧‧‧模型選擇邏輯
3005‧‧‧模型套件
3007‧‧‧局部感測器資料
3009‧‧‧遠端資料
3011‧‧‧標記
3103‧‧‧橙色線
3105‧‧‧紫色線
3107‧‧‧紅色線
3111‧‧‧藍色線
3117‧‧‧深綠色線
3119‧‧‧淺綠色線
3131‧‧‧棕色線
3201‧‧‧流程圖
3203‧‧‧操作
3205‧‧‧操作
3207‧‧‧操作
3209‧‧‧操作
3211‧‧‧操作
3213‧‧‧操作
3215‧‧‧操作
圖1A至圖1C展示形成於玻璃基板上之電致變色裝置(亦即電致變色片)之示意圖。
圖2A及圖2B展示整合至絕緣玻璃單元中之如關於圖1A至圖1C所描述的電致變色片之橫截面示意圖。
圖3A描繪電致變色裝置之示意性橫截面。
圖3B描繪在脫色狀態下(或轉變至脫色狀態)之電致變色裝置之示意性橫截面。
圖3C描繪展示於圖3B中但在著色狀態下(或轉變至著色狀態)之電致變色裝置之示意性橫截面。
圖4描繪窗控制器之組件之簡化方塊圖。
圖5為根據所揭示實施例之包含可著色窗及至少一個感測器的房間之示意圖。
圖6為根據某些實施之建築物及建築物管理系統(BMS)的實例之示意圖。
圖7為根據某些實施之用於控制建築物之一或多個可著色窗之功能的系統之組件之方塊圖。
圖8為描繪根據各種實施的在將晴空模型維持於雲端網路上且基於自來自模型之輸出導出之資料控制建築物之可著色窗中所涉及的系統及使用者之通用系統架構的示意圖。
圖9為根據一個實例之建築物位點的3D模型之圖解。
圖10為根據一個實例的基於3D模型且展示在晴空條件下來自天空中之一個位置處的太陽之直射日光之光線的眩光/陰影及反射模型之視覺效果的圖解。
圖11為在圖8中所展示之系統架構的系統中之一些之間傳達的資料流之所說明實例。
圖12為根據一實施的在產生晴空模型排程資訊時晴空模組之邏 輯運算的實例之示意性圖解。
圖13為通過圖8中所展示之系統架構的基於雲端之系統的模型資料流之示意性描繪。
圖14為根據各種實施的在3D模型平台上初始化3D模型中所涉及的一般操作之流程圖。
圖15為根據各種實施的在將屬性指派給3D模型、產生條件模型所涉及的一般操作以及產生晴空排程資訊所涉及的其他操作之流程圖。
圖16為根據各種實施的3D模型化平台上之窗管理的視覺效果之實例。
圖17A為根據各種實施的3D模型化平台上之分區管理的視覺效果之實例。
圖17B為根據各種實施的3D模型化平台上之分區管理的視覺效果之實例。
圖18為根據各種實施的在分區管理中可由使用者使用的介面之實例。
圖19為根據各種實施的在分區管理中可由使用者使用以檢閱指派給每一分區之性質的介面之實例。
圖20A是根據一實施的在3D模型之底板上繪製的二維使用者位置的所說明實例。
圖20B為藉由將圖20A中之二維物件延伸至上部視線水平而產生的三維佔用區之所說明實例。
圖21為使用眩光/陰影模型之所說明實例，眩光/陰影模型基於圖20B中所展示之三維佔用區返回無眩光條件。
圖22為使用直接反射(一種反彈)模型之所說明實例，所述直接反 射模型基於圖20B中所展示之三維佔用區返回眩光條件
圖23為根據一個態樣之用於實施使用者輸入以定製建築物位點之晴空3D模型的動作及製程的流程圖。
圖24描繪根據各種實施的具有用以控制建築物中之可著色窗的一或多個分區的一般控制邏輯的窗控制系統。
圖25描繪根據各種實施利用控制邏輯基於來自模組A-E之輸出作出色調決策之流程圖。
圖26描繪根據各種實施利用控制邏輯基於來自模組之輸出作出色調決策之流程圖。
圖27A呈現說明動態模型選擇之一種方法之流程圖。
圖27B呈現可用於即時模型選擇中之不同群集或模型之實例特性輻射輪廓。
圖28呈現用於動態模型選擇之架構之實例的方塊圖。
圖29呈現用於動態模型選擇製程之自正午至日落運行之壓力測試的結果。
圖30呈現用於模型更新之採用定期輸入特徵濾光之製程的流程圖。
圖31表示模型重新初始化及重新訓練架構之實例。
在以下描述中，闡述了許多特定細節以便提供對所呈現實施例的透徹理解。可在沒有一些或這些特定細節的情況下實踐所揭示實施例在其他情況下，沒有詳細描述公知的製程操作，以免不必要地使所揭示實施例難以理解。 雖然將結合特定實施例描述所揭示實施例，但應理解，並不旨在限制所揭示實施例。應理解，雖然所揭示實施例集中於電致變色窗(亦被稱作智慧型窗)，但本文所揭示之態樣可應用於其他類型之可著色窗。舉例而言，併入液晶裝置或或懸浮粒子裝置之可著色窗代替電致變色裝置可併入於所揭示實施例中之任一者中。
I.電致變色裝置及窗控制器之概述
為了使讀者適應本文中所揭示之系統及方法的實施例，提供對電致變色裝置及窗控制器之簡要論述。僅為上下文提供此初始論述，且系統、窗控制器以及方法之隨後所描述實施例不限於此初始論述之特定特徵及製造製程。
A.電致變色裝置
參看圖1A至圖1C描述電致變色片之特定實例，以說明本文中所描述之實施例。圖1A為電致變色片100之橫截面圖(參見圖1C之截面切割X'-X')，其以玻璃薄片105開始製造。圖1B展示電致變色片100之端視圖(參見圖1C之查看視角Y-Y')，且圖1C展示電致變色片100之俯視圖。圖1A展示在玻璃薄片105上之製造之後的電致變色片，邊緣經刪除以在片之外圍周圍產生區域140。電致變色片亦已經雷射刻畫且已連接匯流條。玻璃片105具有擴散障壁110及在擴散障壁上之第一透明導電氧化物層(TCO)115。在此實例中，邊緣刪除方法移除TCO 115及擴散障壁110兩者，但在其他實施例中，僅移除TCO，使擴散障壁保持完整。TCO 115為用於形成在玻璃薄片上製造的電致變色裝置之電極的兩個導電層中之第一個。在此實例中，玻璃薄片包含底層玻璃及擴散障壁層。因此，在此實例中，形成擴散障壁，且接著形成第一TCO、電致變色堆疊125(例如，具有電致變色離子導體及相對電極層)以及第二TCO 130。在一個實施例中，電致變色裝置(電致變色堆疊及第二TCO)在整合沈積系統 中製造，其中玻璃薄片在製造堆疊期間在任何時間處不離開整合沈積系統。在一個實施例中，亦使用整合沈積系統形成第一TCO層，其中玻璃薄片在沈積電致變色堆疊及(第二)TCO層期間不離開整合沈積系統。在一個實施例中，所有層(擴散障壁、第一TCO、電致變色堆疊及第二TCO)沈積於整合沈積系統中，其中玻璃薄片在沈積期間不離開整合沈積系統。在此實例中，在沈積電致變色堆疊125之前，穿過TCO 115及擴散障壁110切出隔離溝槽120。將溝槽120製成為預期電隔離TCO 115的在製造完成之後將駐存於匯流條1下方之區域(參見圖1A)。進行此操作以避免電致變色裝置在匯流條下方的電荷堆積及著色，此可為非所需的。
在形成電致變色裝置後，執行邊緣刪除製程及額外雷射刻劃。圖1A描繪在此實例中已自雷射刻劃溝槽150、155、160及165周圍之外圍區域移除裝置的區域140。溝槽150、160及165穿過電致變色堆疊且亦穿過第一TCO及擴散障壁。溝槽155穿過第二TCO 130及電致變色堆疊，但未穿過第一TCO 115。製得雷射刻劃溝槽150、155、160以及165以隔離電致變色裝置之各部分135、145、170及175，所述部分在邊緣刪除製程期間自可操作電致變色裝置潛在地損壞。在此實例中，雷射刻劃溝槽150、160及165穿過第一TCO以輔助隔離裝置(雷射刻劃溝槽155未穿過第一TCO，否則其將切斷匯流條2與第一TCO及因此電致變色堆疊之電通信)。用於雷射刻劃製程之一或多個雷射通常(但非必需)為脈衝型雷射，例如二極體泵抽式固態雷射。舉例而言，可使用來自IPG Photonics(馬薩諸塞州牛津市(Oxford,Massachusetts))或來自Ekspla(立陶宛維爾紐斯(Vilnius,Lithuania))之適合雷射執行雷射刻劃方法。亦可以機械方式，例如藉由金剛石尖端刻劃執行刻劃。本領域中一般熟習此項技術者將瞭解，雷射刻劃製程可在不同深度下執行及/或在單一製程中執行，由此雷射切割深度在圍繞電致變色裝置之外圍的連續路徑期間發生改變或不改變。在一個 實施例中，執行邊緣刪除至第一TCO之深度。
在完成雷射刻劃後，連接匯流條。將非穿透匯流條1施加至第二TCO。將非穿透匯流條2施加至未沈積裝置之區域(例如，來自保護第一TCO免於裝置沈積的遮罩)接觸第一TCO，或在此實例中，其中邊緣刪除製程(例如使用具有XY或XYZ電流計之設備的雷射切除)用於將材料移除降至第一TCO。在此實例中，匯流條1及匯流條2兩者為非穿透匯流條。穿透匯流條為通常經壓入至電致變色堆疊中且穿過電致變色堆疊以使得在堆疊的底部處與TCO接觸的匯流條。非穿透匯流條為不穿透至電致變色堆疊層中，而實際上在導電層之表面上與例如TCO電氣及物理接觸的匯流條。
可使用非傳統匯流條(例如利用篩檢及微影圖案化方法製造之匯流條)來電連接TCO層。在一個實施例中，利用裝置之透明導電層，經由絲網篩檢(或使用另一圖案化方法)導電墨水，繼之以熱固化或燒結所述墨水來建立電通信。使用上文所描述之裝置組態的優點包含例如比使用穿透匯流條之習知技術更簡單的製造及更少的雷射刻劃。
在連接匯流條後，將裝置整合至絕緣玻璃單元(IGU)中，其包含例如對匯流條及類似者進行佈線。在一些實施例中，匯流條中之一或兩者在成品IGU內部，然而在一個實施例中，一個匯流條在IGU之密封件外部而一個匯流條在IGU內部。在前一實施例中，使用區域140來進行與用以形成IGU的間隔物之一個面的密封。因此，導線或至匯流條之其他連接件在間隔物與玻璃之間延伸。由於諸多間隔物由導電的金屬(例如不鏽鋼)製成，因此需要採取措施以避免因匯流條及至其之連接器與金屬間隔物之間的電通信所致之短路。
如上文所描述，在連接匯流條後，將電致變色片整合至包含例如用於匯流條及類似者之佈線的IGU中。在本文中所描述之實施例中，兩個匯流條在成品IGU之主要密封件內部。
圖2A展示如關於圖1A至圖1C所描述整合至IGU 200中之電致變色窗的橫截面示意圖間隔物205用於將電致變色片與第二片210分離。IGU 200中之第二片210為非電致變色片，然而，本文中所揭示之實施例不限於此。舉例而言，片210上可具有電致變色裝置及/或一或多個塗層，諸如低E塗層及類似者。片201亦可為層壓玻璃，諸如圖2B中所描繪(經由樹脂235將片201層壓至加強窗格230)。主要密封材料215在間隔物205與電致變色片之第一TCO層之間。此主要密封材料亦在間隔物205與第二玻璃片210之間。次要密封件220圍繞間隔物205之外圍。匯流條佈線/引線橫穿密封件以連接至控制器。次要密封件220可遠厚於所描繪厚度。此等密封件輔助將濕氣保持在IGU之內部空間225之外。其亦用以防止IGU之內部之氬氣或其他氣體逸出。
圖3A以截面示意性地描繪電致變色裝置300。電致變色裝置300包含基板302、第一導電層(CL)304、電致變色層(EC)306、離子導電層(IC)308、相對電極層(CE)310及第二導電層(CL)314。層304、306、308、310及314統稱為電致變色堆疊320。可操作以在電致變色堆疊320上施加電位之電壓源316實現電致變色裝置自例如脫色狀態至著色狀態之轉變(所描繪)。可關於基板反轉層次序。
具有如所描述之相異層的電致變色裝置可製造為所有固態裝置及/或所有無機裝置。此類裝置及其製造方法更詳細地描述於2009年12月22日申請且將Mark Kozlowski等人指名為發明人之題為「低缺陷度電致變色裝置之製造(Fabrication of Low-Defectivity Electrochromic Devices)」的美國專利申請案第12/645,111號及2009年12月22日申請且將Zhongchun Wang等人指名為發明人之題為「電致變色裝置(Electrochromic Devices)」的美國專利申請案第12/645,159號中，兩個申請案特此以全文引用之方式併入。然而，應理解，堆疊中之層中之任何一或多者可含有一些量之有機材料。對於可以小量存在於一或 多個層中之液體可據稱係相同情況。亦應理解，可藉由使用液體組分之製程(諸如，使用溶液-凝膠之某些製程或化學氣相沈積)來沈積或另外形成固態材料。
另外，應理解，對脫色狀態與著色狀態之間的轉變之參考係非限制性的且表明可實施的電致變色轉變的諸多實例當中之僅一個實例。除非本文中(包含前述論述)另外指定，否則不論何時對脫色至著色轉變進行參考，對應裝置或製程涵蓋其他光學狀態轉變，諸如非反射性至反射性、透明至不透明等。另外，術語「脫色」係指光學中性狀態，例如無色、透明或半透明。另外，除非本文中另外規定，否則電致變色轉變之「色彩」不限於任何特定波長或波長範圍。如本領域中熟習此項技術者所理解，適當的電致變色及反電極材料之選擇控管相關光學轉變。
在本文所描述之實施例中，電致變色裝置在脫色狀態與著色狀態之間可逆地循環。在一些情況下，當裝置處於脫色狀態時，將電位施加至電致變色堆疊320，使得堆疊中之可用離子主要駐存於相對電極310中。當反轉電致變色堆疊上之電位時，跨越離子導電層308將離子輸送至電致變色材料306且使材料轉變至著色狀態。以類似方式，本文中所描述之實施例的電致變色裝置可在不同色調位準(例如，褪色狀態、最暗色狀態以及褪色狀態與最暗色狀態之間的中間位準)之間可逆地循環。
再次參看圖3A，電壓源316可經組態以結合輻射及其他環境感測器而操作。如本文中所描述，電壓源316與裝置控制器(此圖中未展示)介接。另外，電壓源316可與能量管理系統介接，所述能量管理系統根據各種準則，諸如年時間、日時間及經量測環境條件來控制電致變色裝置。此能量管理系統結合大面積電致變色裝置(例如，電致變色窗)可顯著地降低建築物之能量消耗。
具有適合光學、電、熱及機械性質之任何材料可用作基板302。 此類基板包含例如玻璃、塑膠及鏡面材料。適合玻璃包含透明或經著色鹼石灰玻璃，包含鹼石灰漂浮玻璃。玻璃可經回火或未回火。
在許多情況下，所述基板為經大小設定用於住宅窗應用之玻璃窗格。此玻璃窗格之大小可取決於住宅之特定需要而廣泛地改變。在其他情況下，基板為建築用玻璃。建築用玻璃通常用於商業建築物，但亦可用於住宅建築物，且通常(但不一定)將室內環境與室外環境分離。在某些實施例中，建築用玻璃為至少20吋×20吋，且可大得多，例如大至約80吋×120吋。建築用玻璃通常為至少約2mm厚，通常在約3mm與約6mm厚之間。當然，電致變色裝置可伸縮至小於或大於建築用玻璃的基板。另外，可將電致變色裝置提供於任何大小及形狀的鏡面上。
導電層304在基板302之頂部上。在某些實施例中，導電層304及314中之一或兩者為無機及/或固體的。導電層304及314可由大量不同材料製成，包含導電氧化物、薄金屬塗層、導電金屬氮化物及複合導體。通常，導電層304及314至少在電致變色層展現電致變色之波長範圍內為透明的。透明導電氧化物包含金屬氧化物及摻雜有一或多種金屬之金屬氧化物。此類金屬氧化物及摻雜金屬氧化物之實例包含氧化銦、氧化銦錫、摻雜氧化銦、氧化錫、摻雜氧化錫、氧化鋅、氧化鋁鋅、摻雜氧化鋅、氧化釕、摻雜氧化釕及類似物。由於氧化物常用於此等層，因此其有時被稱作「透明導電氧化物」(TCO)層。亦可使用實質上透明的薄金屬塗層以及TCO及金屬塗層之組合。
導電層之功能將由電壓源316在電致變色堆疊320之表面上方提供的電位散佈至堆疊之內部區域，具有相對較小的歐姆(ohmic)電位降。經由至導電層之電連接將電位轉移至導電層。在一些實施例中，匯流條(一個與導電層304接觸且一個與導電層314接觸)在電壓源316與導電層304及314之間提供電連接。亦可利用其他習知方式將導電層304及314連接至電壓源316。
電致變色層306上覆於導電層304。在一些實施例中，電致變色層306為無機及/或固體的。電致變色層可包含大量不同電致變色材料中之任何一或多種，包括金屬氧化物。此類金屬氧化物包括氧化鎢(WO3)、氧化鉬(MoO3)、氧化鈮(Nb2O5)、氧化鈦(TiO2)、氧化銅(CuO)、氧化銥(Ir2O3)、氧化鉻(Cr2O3)、氧化錳(Mn2O3)、氧化釩(V2O5)、氧化鎳(Ni2O3)、氧化鈷(Co2O3)及類似物。在操作期間，電致變色層306將離子轉移至相對電極層310且自相對電極層310接收離子以引起光學轉變。
通常，電致變色材料之著色(或任何光學性質之改變，例如，吸光率、反射比及透射率)藉由至材料內之可逆離子注入(例如，插入)及電荷平衡電子之對應注入來引起。通常，負責光學轉變之某一分率之離子不可逆地束縛於電致變色材料中。不可逆地束縛之離子中之一些或全部用以補償材料中之「盲電荷」。在大部分電致變色材料中，適合離子包含鋰離子(Li+)及氫離子(H+)(亦即，質子)。然而，在一些情況下，其他離子將為適合的。在各種實施例中，鋰離子用於產生電致變色現象。將鋰離子插入至氧化鎢中(WO3-y(0<y
Figure 108128999-A0202-12-0017-41
~0.3))致使氧化鎢自透明(褪色狀態)變為藍色(著色狀態)。
再次參看圖3A，在電致變色堆疊320中，離子導電層308包夾於電致變色層306與相對電極層310之間在一些實施例中，相對電極層310為無機及/或固體的。相對電極層可包含大量不同材料中之一或多者，所述材料在電致變色裝置處於褪色狀態時充當離子儲集器。在藉由例如施加適當電位開始電致變色轉變期間，相對電極層將其容納之離子中之一些或全部轉移至電致變色層，將電致變色層改變為著色狀態。同時，在NiWO之情況下，相對電極層隨著離子之損失而著色。
在一些實施例中，與WO3互補之用於相對電極之適合材料包含氧化鎳(NiO)、氧化鎳鎢(NiWO)、氧化鎳釩、氧化鎳鉻、氧化鎳鋁、氧化鎳 錳、氧化鎳鎂、氧化鉻(Cr2O3)、氧化錳(MnO2)及普魯士藍(Prussian blue)。
當自由氧化鎳鎢製成之相對電極310移除電荷(亦即，將離子自相對電極310輸送至電致變色層306)時，相對電極層將自透明狀態轉變至著色狀態。
在所描繪之電致變色裝置中，離子導電層308存在於電致變色層306與相對電極層310之間。離子導電層308充當在電致變色裝置在褪色狀態與著色狀態之間轉變時離子輸送通過(以電解質方式)之介質。較佳地，離子導電層308對於用於電致變色及相對電極層之相關離子高度導電，但具有在正常操作期間出現的可忽略的電子轉移之足夠低電子導電性。具有高離子導電性的薄離子導電層准許快速離子導電且因此快速切換用於高效能電致變色裝置。在某些實施例中，離子導電層308為無機及/或固體的。
適合離子導電層(用於具有相異IC層之電致變色裝置)之實例包含矽酸鹽、氧化矽、氧化鎢、氧化鉭、氧化鈮及硼酸鹽。此等材料可摻雜有不同摻雜物，包含鋰。鋰摻雜之氧化矽包含鋰矽-鋁-氧化物。在一些實施例中，離子導電層包含基於矽酸鹽之結構。在一些實施例中，矽-鋁-氧化物(SiAlO)用於離子導電層308。
電致變色裝置300可包含一或多個額外層(未展示，諸如一或多個被動層。用於改良某些光學性質之被動層可包含於電致變色裝置300中。用於提供濕度及耐刮擦性之被動層亦可包含於電致變色裝置300中。舉例而言，可利用抗反射或保護性氧化物或氮化物層來處理導電層。其他被動層可用於以氣密方式密封電致變色裝置300。
圖3B為處於褪色狀態(或轉變至褪色狀態)之電致變色裝置的示意性橫截面。根據特定實施例，電致變色裝置400包含氧化鎢電致變色層(EC)406及氧化鎳-鎢相對電極層(CE)410。電致變色裝置400亦包含基板402、導 電層(CL)404、離子導電層(IC)408及導電層(CL)414。
電源416經組態以經由至導電層404及414之適合的連接(例如，匯流條)將電位及/或電流施加至電致變色堆疊420。在一些實施例中，電壓源經組態以施加幾伏的電位，以便驅動裝置自一個光學狀態至另一光學狀態之轉變。如圖3A中所展示之電位之極性使得離子(在此實例中為鋰離子)主要駐存(如由虛線箭頭指示)於氧化鎳鎢相對電極層410中。
圖3C為圖3B中所展示但呈著色狀態(或轉變至著色狀態)之電致變色裝置400的示意性橫截面。在圖3C中，電壓源416之極性經反轉，使得電致變色層更消極接收額外鋰離子，且因此轉變至著色狀態。如由虛線箭頭指示，跨越離子導電層408將鋰離子輸送至氧化鎢電致變色層406。以著色狀態展示氧化鎢電致變色層406。亦以著色狀態展示氧化鎳鎢相對電極410。如所解釋，氧化鎳鎢在其放棄(去插入)鋰離子時逐漸地變得更不透明。在此實例中，存在協同效應，其中層406及410兩者至著色狀態之轉變對於減少透射穿過堆疊及基板之光的量為相加性的。
如上文所描述，電致變色裝置可包含藉由離子導電(IC)層分離之電致變色(EC)電極層及相對電極(CE)層，所述離子導電層對離子具有高度導電性且對於電子具有高度電阻性。如習知地理解，離子導電層因此防止電致變色層與相對電極層之間的短路。離子導電層允許電致變色及相對電極容納電荷且因此維持其褪色或著色狀態。在具有相異層之電致變色裝置中，組件形成包含離子導電層之堆疊，所述離子導電層包夾於電致變色電極層與相對電極層之間。此等三個堆疊組件之間的邊界由組合物及/或微結構中之突然改變來限定。因此，所述裝置具有帶兩個突變介面之三個相異層。
根據某些實施例，相對電極及電致變色電極彼此緊鄰地形成，有時直接接觸，無需單獨地沈積離子導電層。在一些實施例中，採用具有介面區 域而非相異IC層之電致變色裝置。此類裝置及其製造方法描述於2010年4月30日申請之美國專利第8,300,298號及美國專利申請案序號12/772,075以及2010年6月11日申請之美國專利申請案序號12/814,277及12/814,279中，三個專利申請案及專利中之每一者標題為「電致變色裝置(Electrochromic Devices)」，各自將Zhongchun Wang等人指名為發明人且各自以全文引用之方式併入本文中。
B.窗控制器
窗控制器用於控制電致變色窗之電致變色裝置的色調位準。在一些實施例中，窗控制器能夠將電致變色窗在兩種色調狀態(位準)(褪色狀態與著色狀態)之間轉變。在其他實施中，控制器可另外將電致變色窗(例如，具有單個電致變色裝置)轉變為中間色調位準。在一些揭示的實施例中，窗控制器能夠將電致變色窗轉變為四個或更多的色調位準。某些電致變色窗藉由在單一IGU中使用兩個(或更多個)電致變色片而允許中間色調位準，其中每一片為雙態片。此章節中參考圖2A及圖2B描述此情形。
如上文關於圖2A及圖2B所提到，在一些實施例中，電致變色窗可包含IGU 200之一個片上之電致變色裝置400及IGU 200之另一片上之另一電致變色裝置400。若窗控制器能夠使每一電致變色裝置在兩種狀態(褪色狀態與著色狀態)之間轉變，則電致變色窗能夠實現四種不同狀態(色調位準)，兩個電致變色裝置經著色之著色狀態，一個電致變色裝置經著色之第一中間狀態，另一電致變色裝置經著色之第二中間狀態及兩個電致變色裝置褪色之褪色狀態。多窗格電致變色窗之實施例進一步描述於指名Robin Friedman等人為發明人之標題為「多窗格電致變色窗(MULTI-PANE ELECTROCHROMIC WINDOWS)」之美國專利第8,270,059號中，所述專利特此以全文引用之方式併入。
在一些實施例中，窗控制器能夠轉變具有電致變色裝置之電致變色窗，所述電致變色裝置能夠在兩個或更多個色調位準之間轉變。舉例而言，窗控制器可能夠將電致變色窗轉變至褪色狀態、一或多種中間位準及著色狀態。在一些其他實施例中，窗控制器能夠使併入電致變色裝置之電致變色窗在褪色狀態與著色狀態之間的任何數量的色調位準之間轉變。用於使電致變色窗轉變至一或多種中間色調位準之方法及控制器之實施例進一步描述於指名Disha Mehtani等人為發明人之標題為「控制可光學切換裝置之轉變(CONTROLLING TRANSITIONS IN OPTICALLY SWITCHABLE DEVICES)」之美國專利第8,254,013號中，所述專利特此以全文引用之方式併入。
在一些實施例中，窗控制器可為電致變色窗中之一或多個電致變色裝置供電。通常，窗控制器之此功能利用下文更詳細地描述之一或多個其他功能而強化。本文中所描述之窗控制器不限於具有對其相關聯之電致變色裝置供電以用於控制目的之功能的彼等窗控制器。亦即，用於電致變色窗之電源可與窗控制器分離，其中控制器具有其自身的電源且引導將電力自窗電源施加至窗。然而，將電源包含於窗控制器內且組態控制器以直接為窗供電為便利的，此係因為其避免需要用於對電致變色窗供電之單獨佈線。
另外，此章節中所描述之窗控制器經描述為獨立控制器，其可經組態以在不將窗控制器整合至建築物控制網路或建築物管理系統(BMS)中之情況下控制單一窗或複數個電致變色窗之功能。然而，窗控制器可整合至建築物控制網路或BMS中，如在本揭示案之建築物管理系統章節中進一步描述。
圖4描繪所揭示實施例之窗控制器450之一些組件及窗控制器系統之其他組件之簡化方塊圖。窗控制器之組件之更多細節可見於兩者均指名Stephen Brown為發明人，兩者均標題為「用於可光學切換窗之控制器(CONTROLLER FOR OPTICALLY-SWITCHABLE WINDOWS)」且兩者均在 2012年4月17日申請的美國專利申請案序號13/449,248及13/449,251中，及可見於2012年4月17申請的指名Stephen Brown等人為發明人且標題為「控制可光學切換裝置中之轉變(CONTROLLING TRANSITIONS IN OPTICALLY SWITCHABLEDEVICES)」之美國專利系列編號13/449,235中，所述專利皆特此以全文引用之方式併入。
在圖4中，窗控制器450之所說明組件包含微處理器455或其他處理器、脈衝寬度調節器460、一或多個輸入465及具有組態檔案475之電腦可讀媒體(例如，記憶體)。窗控制器450經由網路480(有線或無線)與電致變色窗中之一或多個電致變色裝置400電子通信以將指令發送至一或多個電致變色裝置400。在一些實施例中，窗控制器450可為經由網路(有線或無線)與主窗控制器通信之本端窗控制器。
在所揭示實施例中，建築物可具有至少一個房間，所述房間在建築物之外部與內部之間具有電致變色窗。一或多個感測器可位於建築物之外部及/或房間內部。在實施例中，來自一或多個感測器之輸出用於控制電致變色裝置400。儘管所描繪實施例之感測器經展示位於建築物之外部豎直壁上，但此係為簡單起見，且感測器亦可在其他位置中，諸如房間內部、屋頂或在至外部之其他表面上。在一些情況下，兩個或更多個感測器可用於量測同一輸入，其可在一個感測器失敗或具有另外錯誤讀數的情況下提供冗餘。
圖5描繪具有帶至少一個電致變色裝置之電致變色窗505之房間500的示意圖(側視圖)。電致變色窗505位於包含房間500之建築物之外部與內部之間。房間500亦包含窗控制器450，所述窗控制器連接至電致變色窗505且經組態以控制所述電致變色窗之色調位準。外部感測器510位於建築物之外部中之豎直表面上。在其他實施例中，內部感測器亦可用於量測房間500中之環境光。在又其他實施例中，居住者感測器亦可用於判定居住者何時在房間500 中。
外部感測器510為諸如光感測器之裝置，其能夠偵測自諸如太陽之光源流動的入射於裝置上之輻射光，或自表面反射至感測器之光、大氣中之粒子、雲等。外部感測器510可產生由光電效應產生之呈電流形式之信號且信號可為入射於感測器510上之光的函數。在一些情況下，裝置可根據以瓦特/平方公尺(watts/m2)或其他類似單位為單位的輻照度來偵測輻射光。在其他情況下，裝置可偵測在以尺燭(foot candles)或類似單位為單位之可見波長範圍中之光。在許多情況下，輻照度中此等值與可見光之間存在線性關係。
在一些實施例中，外部感測器510經組態以量測紅外光。在一些實施例中，外部光感測器經組態以量測紅外光及/或可見光。在一些實施例中，外部光感測器510亦可包含用於量測溫度及/或濕度資料的感測器。在一些實施例中，智慧邏輯可使用一或多個參數(例如，可見光資料、紅外光資料、濕度資料及溫度資料)判定遮擋雲之存在及/或定量由雲所引起之遮擋，所述一或多個參數係使用外部感測器判定或自外部網路(例如，氣象站)接收。使用紅外光感測器偵測雲之各種方法描述於標題為「紅外線雲偵測器系統及方法(INFRARED CLOUD DETECTOR SYSTEMS AND METHODS)」且2017年10月6日申請的國際專利申請案第PCT/US17/55631號中，所述申請案指明美國且全文併入本文中。
由於日光照在地球上之角度改變，因此可基於當日時間及年時間來預測日光之輻照度值。外部感測器510可即時地偵測輻射光，其考慮因建築物所致之反射及遮擋光、天氣變化(例如，雲)等等。舉例而言，在多雲日，日光將由雲阻斷且由外部感測器510偵測到之輻射光將少於無雲日。
在一些實施例中，可存在與單一電致變色窗505相關聯之一或多個外部感測器510。可將來自一或多個外部感測器510之輸出彼此相比較以判定 例如外部感測器510中之一者是否被物件遮住，諸如被落在外部感測器510上之鳥遮住。在一些情況下，可期望使用相對較少的感測器，此係因為一些感測器可為不可靠及/或昂貴的。在某些實施中，單一感測器或幾個感測器可用於判定來自太陽之入射在建築物或可能建築物之一側上之當前輻射光量。雲可能在太陽前方通過，或施工車輛可能在落日前方停放。此等情形將導致計算為正常入射於建築物上之來自太陽的輻射光之量的偏差。
外部感測器510可為一種類型的光感測器。舉例而言，外部感測器510可為電荷耦接裝置(CCD)、光電二極體、光電阻或光伏打電池。本領域中一般熟習此項技術者將瞭解，光感測器及其他感測器技術之未來發展亦將適用，此係因為其量測光強度且提供表示光位準之電輸出。
在所揭示實施例中，窗控制器450可指示PWM 460將電壓及/或電流施加至電致變色窗505以將所述電致變色窗轉變至四種或更多種不同色調位準中之任一者。在所揭示實施例中，可將電致變色窗505轉變至描述為以下之至少八種不同色調位準：0(最亮)、5、10、15、20、25、30及35(最暗)。色調位準可線性對應於透射穿過電致變色窗505之光之視覺透射率值及太陽熱增益係數(SHGC)值。舉例而言，使用上述八個色調位準，最亮色調位準0可對應於SHGC值0.80，色調位準5可對應於SHGC值0.70，色調位準10可對應於SHGC值0.60，色調位準15可對應於SHGC值0.50，色調位準20可對應於SHGC值0.40，色調位準25可對應於SHGC值0.30，色調位準30可對應於SHGC值0.20，且色調位準35(最暗)可對應於SHGC值0.10。
窗控制器450或與窗控制器450通信之主控制器可採用任何一或多個預測控制邏輯組件以基於來自外部感測器510及/或其他輸入之信號判定所需色調位準。窗控制器450可指示PWM 460將電壓及/或電流施加至電致變色窗505以將所述電致變色窗轉變其所需色調位準。
-建築物管理系統(BMS)
本文中所描述之窗控制器亦適合於與BMS整合或在BMS內/部分。BMS為安裝在建築物中之基於電腦之控制系統，其監測並控制建築物之機械及電氣設備，諸如通風、照明、電力系統、升降機、消防系統及保全系統。BMS由以下組成：硬體，包含利用通信通道至一或多個電腦之互連件，及相關軟體，用於根據居住者及/或建築物管理者之偏好設置保持建築物中之情況。舉例而言，可使用諸如乙太網路之區域網路實施BMS。軟體可基於例如網際網路協定及/或開放標準。一個實例為來自(弗吉尼亞州里奇蒙(Richmond,Virginia)之Tridium公司之軟體。通常供BMS使用之一個通信協定為BACnet(建築物自動化及控制網路)。
BMS最常見於大型建築物中，且通常至少起作用來控制建築物內之環境。舉例而言，BMS可控制建築物內之溫度、二氧化碳含量及濕度。通常，存在由BMS控制之諸多機械裝置，諸如加熱器、空氣調節器、鼓風機、通風口及類似者。為控制建築物環境，BMS可在限定條件下開啟及關閉此等不同裝置。典型現代BMS之核心功能係為建築物之居住者維持舒適的環境，同時使加熱及冷卻成本/需求最小化。因此，現代BMS不僅用於監測及控制，且亦用於最佳化各種系統之間的協同作用，例如以節約能量且降低建築物運作成本。
在一些實施例中，窗控制器與BMS整合，其中窗控制器經組態以控制一或多個電致變色窗(例如，505)及其他可著色窗。在其他實施例中，窗控制器在BMS內或為BMS之部分且BMS控制可著色窗及建築物之其他系統之功能兩者。在一個實例中，BMS可控制包含建築物中之可著色窗之一或多個區域之所有建築物系統的功能。
在一些實施例中，一或多個分區之每一可著色窗包含至少一個固態且無機的電致變色裝置。在一個實施例中，一或多個分區之可著色窗中之每 一者為具有一或多個固態且無機的電致變色裝置之電致變色窗。在一個實施例中，一或多個可著色窗包含至少一個全固態且無機的電致變色裝置，但可包含超過一個電致變色裝置，例如其中IGU之每一片或窗格為可著色的。在一個實施例中，電致變色窗為多態電致變色窗，如2010年8月5日提交的題為「多窗格電致變色窗(Multipane Electrochromic Windows)」的美國專利申請案序列號12/851,514中所描述。圖6描繪建築物601及BMS 605之實例的示意圖，所述BMS管理多個建築物系統，包含保全系統、加熱/通風/空氣調節(HVAC)、建築物之照明、電力系統、升降機、消防系統及類似者。保全系統可包含磁卡出入、十字轉門、螺線管驅動式門鎖、監控相機、夜盜警報、金屬偵測器及類似者。消防系統可包含火警報及火抑制系統(包含水管線控制)。照明系統可包含內部照明、外部照明、緊急警告燈、緊急出口標誌及緊急樓層出口照明。電力系統可包含主發電機、備份發電機及不間斷電源(UPS)網格。
又，BMS 605管理窗控制系統602。窗控制系統602為包含主控制器603、網路控制器607a及607b以及終端或葉型控制器608的窗控制器之分散式網路。終端或葉型控制器608可類似於關於圖4描述的窗控制器450。舉例而言，主控制器603可在BMS 605附近，且建築物601之每一樓層可具有一或多個網路控制器607a及607b，同時建築物之每個窗具有其自身終端控制器608。在此實例中，控制器608中之每一者控制建築物601之特定電致變色窗。窗控制系統602與雲端網路610通信以接收資料。舉例而言，窗控制系統602可自維持在雲端網路610上之晴空模型中接收排程資訊。儘管主控制器603在圖6中描述為與BMS 605分離，但在另一實施例中，主控制器603為BMS 605之部分或在所述BMS內。
控制器608中之每一者可在距其控制之電致變色窗之獨立位置中，或經整合至電致變色窗中。為簡單起見，建築物601之僅十個電致變色窗 經描繪為由主窗控制器602控制。在典型設定中，建築物中可存在由窗控制系統602控制之大量電致變色窗。下文更詳細地且在適當時關於圖6描述將如本文中所描述之電致變色窗控制器與BMS合併的優點及特徵。
所揭示實施例之一個態樣為包含如本文所描述之多用途電致變色窗控制器的BMS。藉由併入來自電致變色窗控制器之回饋，BMS可提供例如增強的以下各者：1)環境控制，2)能量節省，3)安全性，4)控制選擇之靈活性，5)其他系統之改良的可靠性及可使用壽命，此係由於對其的較少依賴且因此其較少維護，6)資訊可用性及診斷，7)工作人員之有效使用及來自工作人員之更高產率及此等之各種組合，此係因為可自動地控制電致變色窗。在一些實施例中，BMS可不存在或BMS可存在但可不與主控制器通信或以高位準與主控制器通信。在某些實施例中，對BMS之維護將不會中斷電致變色窗之控制。
在一些情況下，BMS 605或建築物網路1200之系統可根據每日、每月、每季度或每年排程來運作。舉例而言，照明控制系統、窗控制系統、HVAC及保全系統可按24小時排程操作，所述排程考慮在工作日期間人何時在建築物中。夜間，建築物可進入能量節省模式，且在白天，系統可以使建築物之能量消耗最小化同時提供居住者舒適性之方式操作。作為另一實例，系統可在假期時段關閉或進入能量節省模式。
BMS排程可與地理資訊排程。地理資訊可包含建築物之緯度及經度。地理資訊亦可包含關於建築物之每一側面對之方向的資訊。使用此資訊，可以不同方式控制建築物之不同側上的不同房間。舉例而言，在冬天，對於建築物之面向東的房間，窗控制器可指示窗在上午不具有色調，使得房間由於日光照在房間裏而變暖，且由於來自日光之照明，照明控制面板可指示燈調暗。面向西的窗在上午可由房間之居住者控制，此係因為西側上之窗的色調可不影響能量節省。然而，面向東之窗及面向西之窗的操作模式可在晚間切換(例如， 當太陽落下時，面向西之窗不著色以允許日光帶來熱量及照明)。
下文描述建築物(例如類似於圖6中之建築物601)之實例，所述建築物包含建築物網路或BMS，用於建築物之外部窗之可著色窗(亦即，將建築物之內部與建築物之外部分離的窗)及大量不同感測器。來自建築物之外部窗的光通常對建築物中距窗約20呎或約30呎之內部照明具有影響。亦即，建築物中距外部窗大於約20呎或約30呎之空間自外部窗接收極少光。建築物中遠離外部窗之此等空間由建築物之照明系統照亮。
另外，建築物內之溫度可受到外部光及/或外部溫度影響。舉例而言，在冷天且在建築物由加熱系統加熱之情況下，較靠近門及/或窗之房間將比建築物之內部區域更快地失去熱量，且相較於內部區域更冷。
對於外部感測器，建築物可包含在建築物之屋頂上的外部感測器。替代地，建築物可包含與每一外部窗相關聯的外部感測器(例如，如關於圖5所描述，房間500)或建築物之每一側上之外部感測器。建築物之每一側上之外部感測器可隨著太陽在白天改變位置而追蹤建築物之一側上的輻照度。
在一些實施例中，所接收的輸出信號包含指示建築物內之加熱系統、冷卻系統及/或照明之能量或功率消耗的信號。舉例而言，可監測建築物之加熱系統、冷卻系統及/或照明之能量或功率消耗以提供指示能量或功率消耗之信號。裝置可與建築物之電路及/或佈線介接或連接至電路及/或佈線以實現此監測。替代地，建築物中之電力系統可經安裝使得可監測用於建築物中之個別房間或建築物內之一組房間之加熱系統、冷卻系統及/或照明所消耗之功率。
可提供色調指令以將可著色窗之色調改變為所判定之色調位準。舉例而言，參看圖6，此可包含主控制器603向一或多個網路控制器607a及607b發出命令，所述一或多個網路控制器轉而向控制建築物之每一窗之終端控制器608發出命令。終端控制器608可將電壓及/或電流施加至窗以依照指令 驅動色調改變。
在一些實施例中，包含電致變色窗及BMS之建築物可參加或參與由將功率提供至建築物之一或多個設施運行之需求回應程式。程式可為在預期到峰值輔助出現時降低建築物之能量消耗的程式。設施可在預期峰值負載出現之前發出警告信號。舉例而言，可在預期峰值負載出現之前一天、上午或約一小時發出警告。舉例而言，在炎熱的夏日，當冷卻系統/空氣調節器自設施汲取大量功率時，可預期出現峰值負載出現。可由建築物之BMS或經組態以控制建築物中之電致變色窗之窗控制器接收警告信號。此警告信號可為覆寫機制，其使窗控制器與系統脫離。。BMS可接著指示窗控制器將電致變色窗505中之適當的電致變色裝置轉變至深色調位準，在預期峰值負載時輔助減少建築物中之冷卻系統的功率損耗。
在一些實施例中，用於建築物之外部窗之可著色窗(亦即，將建築物之內部與建築物之外部分離的窗)可分組成分區，其中以類似方式指示分區中之可著色窗。舉例而言，建築物之不同樓層或建築物之不同側上之電致變色窗組可在不同分區中。舉例而言，在建築物之第一樓層上，所有面向東之電致變色窗可在分區1中，所有面向南之電致變色窗可在分區2中，所有面向西之電致變色窗可在分區3中，且所有面向北之電致變色窗可在分區4中。作為另一實例，建築物之第一樓層上之所有電致變色窗可在分區1中，第二樓層上之所有電致變色窗可在分區2中，且第三樓層上之所有電致變色窗可在分區3中。作為又一實例，所有面向東之電致變色窗可在分區1中，所有面向南之電致變色窗可在分區2中，所有面向西之電致變色窗可在分區3中，且所有面向北之電致變色窗可在區4中。作為又一實例，一個樓層上之面向東之電致變色窗可劃分至不同區中。建築物之同一側及/或不同側及/或不同底板上之任何數量的可著色窗可指派給分區。在個別可著色窗具有獨立地可控制分區之實施例中，可使用 個別窗之分區之組合在建築物正面上形成著色區，其中個別窗可或可不使所有其分區著色。
在一些實施例中，分區中之電致變色窗可由同一窗控制器或同一窗控制器集合控制。在一些其他實施例中，區中之電致變色窗可由不同窗控制器控制。
在一些實施例中，區中之電致變色窗可由自透射率感測器接收輸出信號之一或多個窗控制器控制。在一些實施例中，可接近區中之窗安裝透射率感測器。舉例而言，可將透射率感測器安裝於框架中或框架上，框架含有包含於分區中之IGU(例如，安裝於框架之豎框、水平窗框中或上)。在一些其他實施例中，包含建築物之單側上之窗之分區中的電致變色窗可由自透射率感測器接收輸出信號的一或多個窗控制器控制。
在一些實施例中，建築物管理者、第二分區中之房間的居住者或其他人可手動地指示(使用色調或清晰命令或來自例如BMS之使用者控制台的命令)第二分區(亦即，次控制區)中之電致變色窗進入色調位準，諸如著色狀態(位準)或清晰狀態。在一些實施例中，當利用此手動命令覆寫第二分區中之窗之色調位準時，第一分區(亦即，主控區)中之電致變色窗保持在自透射率感測器接收到之輸出的控制下。第二分區可保持在手動命令模式下一段時間且接著恢復返回至在來自透射率感測器之輸出的控制下。舉例而言，在接收覆寫命令後，第二分區可保持在手動模式下一小時，且接著可恢復返回至在來自透射率感測器之輸出的控制下。
在一些實施例中，建築物管理者、第二分區中之房間的居住者或其他人可手動地指示(使用色調命令或來自例如BMS之使用者控制台的命令)第一分區(亦即，主控區)中之窗進入色調位準，諸如著色狀態或清晰狀態。在一些實施例中，當利用此手動命令覆寫第一分區中之窗的色調位準時，第二 分區(亦即，次控制區)中之電致變色窗保持在來自外部感測器的輸出之控制下。第一分區可保持在手動命令模式下一段時間且接著恢復返回至在來自透射率感測器之輸出的控制下。舉例而言，在接收覆寫命令後，第一分區可保持在手動模式下一小時，且接著可恢復返回至在來自透射率感測器之輸出的控制下。在一些其他實施例中，第二分區中之電致變色窗可保持在其在接收用於第一分區之手動覆寫時所處之色調位準下。第一分區可保持在手動命令模式下一段時間且接著第一分區及第二分區兩者可恢復返回至在來自透射率感測器之輸出的控制下。
無關於窗控制器是否為獨立窗控制器或與建築物網路介接，可使用控制可著色窗之本文所描述之任一方法來控制可著色窗之色調。
無線或有線通信
在一些實施例中，本文描述的窗控制器包含用於窗控制器，感測器與單獨的通信節點之間的有線或無線通信的組件。無線或有線通信可藉由直接與窗控制器介接之通信介面實現。此介面可為微處理器原生的或經由實現此等功能之額外電路提供。
用於無線通信之單獨通信節點可為例如另一無線窗控制器、終端、中間或主窗控制器、遙控裝置或BMS。在窗控制器中使用無線通信用於以下操作中之至少一者：編程及/或操作電致變色窗505，自本文中所描述之各種感測器及協定收集EC窗505的資料且使用電致變色窗505作為用於無線通信之中繼點。自電致變色窗505收集之資料亦可包含計數資料，諸如已經啟動的EC裝置之次數、EC裝置隨時間之效率及類似者。下文更詳細地描述此等無線通信特徵。
在一個實施例中，無線通信用於例如經由紅外光(IR)及/或射頻(RF)信號操作相關電致變色窗505。在某些實施例中，控制器將包含無線協定 晶片，諸如藍芽、EnOcean、WiFi、紫蜂(Zigbee)及類似者。窗控制器亦可經由網路進行無線通信。至窗控制器之輸入可由終端使用者直接地輸入或經由無線通信在壁開關處手動地輸入，或輸入可來自建築物之BMS，電致變色窗為所述建築物之組件。
在一個實施例中，當窗控制器為控制器之分散式網路的部分時，無線通信用以經由各自具有無線通信組件之控制器的分散式網路將資料傳送至複數個電致變色窗中之每一者及自複數個電致變色窗中之每一者傳送資料。舉例而言，再次參看圖6，主控制器603與網路控制器607a及607b中之每一者無線通信，所述網路控制器轉而與各自與電致變色窗相關聯的終端控制器608無線地通信。主控制器603亦可與BMS 605無線地通信。在一個實施例中，無線地執行窗控制器中之至少一個位準的通信。
在一些實施例中，大於一種無線通信模式用於窗控制器分散式網路中。舉例而言，主窗控制器可經由WiFi或紫蜂與中間控制器無線地通信，同時中間控制器經由藍芽、紫蜂、EnOcean或其他協定與終端控制器通信。在另一實例中，窗控制器具有用於無線通信之終端使用者選擇之靈活性的冗餘無線通信系統。
舉例而言，主及/或中間窗控制器與終端窗控制器之間的無線通信提供避免安裝硬通信線的優點。對於窗控制器與BMS之間的無線通信此亦係如此。在一個態樣中，此等作用中之無線通信適用於至及自電致變色窗之資料傳送，其用於操作窗且將提供資料至例如BMS以最佳化建築物中之環境及能量節省。窗位置資料以及來自感測器之回饋用於此最佳化。舉例而言，將粒度(逐窗)微氣候資訊饋入BMS中以最佳化建築物之各種環境。
-用於控制可著色窗之功能的系統之實例
圖7為用於控制建築物(例如，圖6中所展示之建築物601)之 一或多個可著色窗的功能(例如，轉變至不同色調位準)的系統700的組件的方塊圖。系統700可為由BMS(例如，圖6中所展示的BMS 605)管理的系統中之一者，或可以獨立於BMS操作。
系統700包含具有窗控制器之網路的窗控制系統702，，所述窗控制器可將控制信號發送至可著色窗以控制其功能。系統700亦包含與主控制器703進行電子通信的網路701。可經由網路701將用於控制可著色窗之功能的預測控制邏輯、其他控制邏輯及指令、感測器資料及/或關於晴空模型之排程資訊傳達至主控制器703。網路701可為有線或無線網路(例如，雲端網路)。在一個實施例中，網路701可與BMS通信以允許BMS經由網路701將用於控制可著色窗之指令發送至建築物中之可著色窗。
系統700亦包含可著色窗(未示出)之EC裝置780及任選的壁開關790，二者均與主控制器703電子通信。在此所說明實例中，主控制器703可將控制信號發送至EC裝置780來控制具有EC裝置780之可著色窗的色調位準。每一壁開關790亦與EC裝置780及主控制器703通信。終端使用者(例如，具有可著色窗之房間的居住者)可使用壁開關790輸入覆寫色調位準，且可使用具有EC裝置780之可著色窗的其他功能。
在圖7中，窗控制系統702經描繪為窗控制器之分散式網路，所述窗控制器包含主控制器703、與主控制器703通信之複數個網路控制器705及多組複數個終端或葉型窗控制器710。每一複數個終端或葉型窗控制器710與單一網路控制器705通信。在一些方面，圖7中之系統700的組件可類似關於圖6所描述之組件。舉例而言，主控制器703可類似於主控制器603且網路控制器705可類似於網路控制器607。圖7之分散式網路中之窗控制器中之每一者可包含處理器(例如，微處理器)及與所述處理器電通信之電腦可讀媒體。
在圖7中，每一葉型或終端窗控制器710與單一可著色窗之EC 裝置780通信來控制建築物中之彼可著色窗的色調位準。在IGU之情況下，葉型或終端窗控制器710可與IGU之多個片上之EC裝置780通信，以控制IGU之色調位準。在其他實施例中，每一葉型或終端窗控制器710可與複數個可著色窗通信。葉型或終端窗控制器710可經整合至可著色窗中或可與其控制的可著色窗分離。圖7中之葉型及終端窗控制器710可類似於圖6中之終端或葉型控制器608及/或亦可類似於關於圖4所描述之窗控制器450。
在一些情況下，來自壁開關790之信號可覆寫來自窗控制系統702之信號。在其他情況(例如，較高需求情況)下，來自窗控制系統702之控制信號可覆寫來自壁開關1490之控制信號。每一壁開關790亦與葉型或終端窗控制器710通信以將關於自壁開關790發送之控制信號的資訊(例如，時間、日期、所請求色調位準等)發送返回至主窗控制器703。在一些情況下，可手動地操作壁開關790。在其他情況下，可由終端使用者使用遠端裝置(例如，行動電話、平板電腦等)無線地控制壁開關790，所述遠端裝置使用紅外線(IR)及/或射頻(RF)信號發送控制信號之無線通信。在一些情況下，壁開關790可包含無線協定晶片，諸如藍芽、EnOcean、WiFi、紫蜂及類似者。儘管圖7中所描繪之壁開關790位於壁上，但系統700之其他實施例可具有定位於房間中之其他地方的開關。
II.通用系統架構
習知智慧型窗及/或遮光控制系統主動地模型化對建築物上之陰影及反射，其對於計算建築物處之資源而言為繁瑣且低效的。本文中所描述之系統架構不需要窗控制系統主動地產生建築物之模型。實情為，建築物位點之特定模型產生並維持在與窗控制系統分離的雲端網路或其他網路上。舉例而言，神經網路模型(例如，DNN及LSTM)經初始化、限制及/或執行於雲端網路或其他網路上之即時模型與窗控制系統分離且將來自此等模型之色調排程資 訊推送至窗控制系統840。
色調排程資訊限定源自此等模型且推送至窗控制系統之規則。窗控制系統使用源自為所述建築物定製之預定義模型的色調排程資訊來作出在可著色窗處實施的最終著色決策。在基於雲端之3D模型化平台上維護3D模型，所述基於雲端之3D模型化平台可產生3D模型之視覺效果以允許使用者管理用於建立及定製建築物位點及應用於可著色窗之對應最終色調狀態的輸入。一旦色調排程資訊經加載至窗控制系統中，則不再需要對計算進行模型化以佔用控制系統之計算能力。在需要時，可將由所述模型之任何改變產生的色調排程資訊推送至窗控制系統。應瞭解，儘管本文中關於控制可著色窗大體描述系統架構，但建築物處之其他組件及系統可能另外或替代地由此架構控制。
在各種實施中，系統架構包含基於雲端之模組以設定且定製建築物位點之3D模型。基於雲端之3D模型系統使用架構用模型作為輸入來初始化建築物位點之3D模型，例如可使用Autodesk ®Revit模型或其他行業標準建築物模型。呈其最簡單形式之3D模型包含建築物之結構的外表面(包含窗開口)和建築物內部的剝離版本(僅具有樓層及壁)。更複雜的模型可包含包圍建築物之物件的外表面以及建築物之內部及外部的更詳細特徵。系統架構亦包含基於雲端之晴空模組，所述模組將反射性或非反射性性質指派給3D模型中之物件之外表面，限定內部三維佔用區，將ID指派給窗且基於來自使用者之輸入將所述窗分組成分區。所得晴空3D模型(亦即，具有帶指派屬性之組態資料的3D模型)之時變模擬可用於判定晴空條件下太陽之不同位置處的日光方向並考慮來自建築物位點處之物件的陰影及反射，進入建築物之空間的日光及日光與建築物中之三維佔用區之3D投影交叉點。晴空模組使用此資訊以判定對於特定佔用區(亦即，根據居住者之視角)是否存在某些情況，諸如(例如)眩光情況、直接及間接反射情況及被動加熱情況。晴空模組基於特定條件在彼時間之存 在、指派給所述條件之色調狀態及在不同條件(若存在多個條件)之優先級而判定每一分區在每一時間間隔的之晴空色調狀態。將通常用於一年的色調排程資訊推送至例如建築物處之窗控制系統的主控制器。窗控制系統基於感測器資料(諸如來自紅外線感測器及/或光感測器之量測值)而在每一時間間隔判定用於每一分區的基於天氣之色調狀態。接著，窗控制系統判定基於天氣之色調狀態及晴空色調狀態之最小值來設定最終色調狀態並發送色調指令以在可著色窗之所述分區處實施最終色調狀態。因此，在一些實施例中，窗控制系統並未模型化建築物或建築物周圍及內部之3D參數，其係脫機進行且因此窗控制系統之計算能力可用於其他任務，諸如基於由窗控制系統接收之模型及/或其他輸入來施加色調狀態。
圖8為描繪根據各種實施的初始化及定製雲端網路801中維護的模型且基於輸出(諸如來自所述模型之規則)控制建築物之可著色窗所涉及的系統和使用者之一般架構800的示意圖。系統架構800包含與基於雲端之晴空模組820通信之基於雲端之3D模型系統810，其中810及820之組合稱為模組A。在一個實施例中，模組A將輸入提供至窗控制系統840。3D模型系統810可初始化及/或修改建築物位點之3D模型且將3D模型之資料傳達至晴空模組820。由3D模型系統初始化之3D模型包含建築物位點處之周圍結構及其他物件之外表面以及剝去除壁、樓層及外表面之外之全部的建築物。基於雲端之晴空模組820可將屬性指派給3D模型以產生晴空3D模型，諸如(例如)眩光/陰影模型、反射模型及被動加熱模型中之一或多者。基於雲端之系統使用應用程式介面(API)經由雲端網路彼此通信且與其他應用通信。基於雲端之3D模型系統810及晴空模組820兩者包含如本文中更詳細地描述之邏輯。將瞭解，可將基於此等雲端之模組以及本文中描述之其他模組及其他邏輯儲存於雲端網路之伺服器的電腦可讀媒體(例如，記憶體)中，且雲端網路中之伺服器上之彼一 或多個處理器與電腦可讀媒體通信以執行指令以執行邏輯之功能。在一個實施例中，窗控制系統840亦自模組B接收輸入，本文中進一步描述所述模組B。在另一實施例中，窗控制系統840自模組A、C1及D1接收輸入。
晴空模組820可使用建築物位點之3D模型以隨時間產生晴空條件下之太陽之不同位置的模擬以判定來自建築物位點處及周圍之一或多個物件的眩光、陰影及反射。舉例而言，晴空模組820可產生晴空眩光/陰影模型及反射模型且使用光線追蹤引擎可基於在晴空條件下之陰影及反射而判定穿過建築物之窗開口的直射日光。晴空模組820使用遮蔽及反射資料判定建築物之佔用區(亦即，居住者之可能位置)處之眩光、反射及被動加熱情況的存在。基於雲端之晴空模組820基於此等情況而判定針對建築物之所述分區中之每一者的色調狀態之年度排程(或其他時間段)。基於雲端之晴空模組820通常將色調排程資訊推送至窗控制系統840。
窗控制系統840包含窗控制器之網路，諸如圖6及7中所描述之網路。窗控制系統840與建築物中之可著色窗區域通信，所述區域在圖8中所描繪為第1分區872至第n分區874之一系列區域。窗控制系統840判定最終色調狀態且發送色調指令來控制可著色窗之色調狀態。基於年度排程資訊、感測器資料及/或天氣饋入資料而判定最終色調狀態。如關於所說明系統架構800所描述，窗控制系統840並不產生模型或以其他方式在模型化上浪費計算能力。產生、定製建築物位點特定之模型並將所述模型儲存於雲端網路801中。最初將預定義色調排程資訊推送至窗控制系統，且接著同樣僅需要更新至3D模型(例如，建築物佈局改變、周圍區域中之新物件或其類似物)。
系統架構800亦包含與客戶及其他使用者通信之圖形使用者介面(GUI)890以提供3D模型之應用服務、報告及視覺效果且接收用於設置及定製3D模型之輸入。可經由GUI將3D模型之視覺效果提供至使用者且自使用者接 收3D模型之視覺效果。所說明使用者包含在位點處之故障排除中所涉及的位點操作892，且具有檢閱視覺效果並編輯3D模型之能力。使用者亦包含客戶成功管理者(CSM)894，其具有檢閱3D模型之視覺效果及現場組態改變的能力。使用者亦包含與各種客戶通信之客戶組態入口898。經由客戶組態入口898，客戶可檢閱映射至3D模型之資料的各種視覺效果並提供輸入以改變建築物位點處之組態。來自使用者之輸入的一些實例包含空間組態，諸如佔用面積、建築物位點處之3D物件限定、特定條件之色調狀態及條件之優先級。提供至使用者之輸出的一些實例包含3D模型上之資料的視覺效果、標準報導及建築物之效能評估。出於說明性目的而描繪某些使用者。將瞭解，可包含其他或額外使用者。
儘管本文中描述系統架構之諸多實例，其中3D模型系統、晴空模組及神經網路模型駐存於雲端網路上，但在另一實施中，一或多個此等模組及模型未必需要駐存於所述雲端網路上。舉例而言，本文中描述之3D模型系統、晴空模組及或其他模組或模型可駐存於獨立電腦或其他計算裝置上，所述電腦或其他計算裝置與窗控制系統分離且與窗控制系統通信。作為另一實例，本文中所描述之神經網路模型可駐存於窗控制器上，諸如主窗控制器或網路窗控制器。
在某些實施例中，用於訓練及執行本文中描述之系統架構的各種模型(例如，DNN及LSTM模型)及模組的計算資源包含：(1)窗控制系統之本端資源，(2)與窗控制系統分離之遠端源或(3)共用資源。在第一種情況下，用於訓練及執行各種模型及模組之計算資源駐存於窗控制器之分散式網路(諸如圖6中之窗控制系統602的分散式網路)的主控制器或一或多個窗控制器上。在第二種情況下，用於訓練及執行各種模型及模組的計算資源駐存於與窗控制系統分離的遠端資源上。舉例而言，計算資源可駐存於外部第三方網路之伺服器上或基於可租借雲端之資源的伺服器上，諸如可在圖8中之雲端網 路801內為可用的。作為另一實例，計算資源可駐存於位點處之獨立計算裝置的伺服器上，所述獨立計算裝置與窗控制系統分離且與所述窗控制系統通信。在第三種情況下，用於訓練及執行各種模型及模組的計算資源駐存於共用資源(本端及遠端兩者)上。舉例而言，遠端資源(諸如在圖8中之雲端網路801內可用的基於可租借雲端之資源)在夜間執行DNN模型及/或LSTM模型的日常重新訓練操作，且本端資源(諸如主窗控制器或圖6中之窗控制系統602的窗控制器組)在應作出色調決策的當天執行即時模型。
A.基於雲端之3D模型化系統
在各種實施中，系統架構具有基於雲端之3D模型化系統，所述基於雲端之3D模型化系統可使用3D模型化平台產生建築物位點之3D模型(例如，固體模型、表面模型或線框模型)。各種市售程式可用作3D模型化平台。此市售程式之實例為由華盛頓州西雅圖(Seattle Washington)之McNeel North America產生的Rhino®3D軟體。市售程式之另一實例為加利福尼亞州聖拉斐爾(San Rafael,California)的Autodesk®的Autocad®電腦輔助設計及繪圖軟體應用程式。可用於實施本發明之態樣之工具之其他實例為可由英國之鄧迪市DD1 1NJ(Dundee city DD1 1NJ,United Kingdom)之WRLD購得之WRLD3d及IMMERSIFY的反射/引導眩光工具！用於Revit及Rhino之VR獲自https：//immersify.eu之Immersify Project。
3D模型為建築物及具有可著色窗之建築物之位點處的其他物件之三維表示。建築物位點通常係指所關注建築物周圍的區域。區域通常經限定為包含將在建築物上產生陰影或反射之建築物周圍的所有物件。3D模型包含建築物及建築物周圍之其他物件之外表面以及除壁、樓層及外表面外全部被剝離之建築物的三維表示。3D模型系統可例如自動地使用3D模型(諸如Revit或其他行業標準建築物模型)並剝離除壁、樓層及具有窗開口之外表面外之全部其 表面的模型化建築物來產生3D模型。3D模型中之任何其他物件將自動地剝去除外表面外之全部元件。作為另一實例，可使用3D模型化軟體從頭開始產生3D模型。圖9中展示具有三個建築物之建築物位點的3D模型的實例。
B.基於雲端之晴空模組
大規模建築物中之大量可著色窗(諸如電致變色窗，有時被稱作「智慧型窗」)之當前設施已形成對於係關於大量計算資源之複雜控制及監視系統的增加之需求。舉例而言，大規模建築物中部署之大量可著色窗可具有需要複雜反射及眩光模型的巨大數量之區域(例如，10,000個)。隨著此等可著色窗連續獲得認可且更廣泛地部署，其將需要將涉及大量資料的更複雜系統及模型。
本文中所描述之系統架構使用3D模型化平台產生3D模型視覺效果，所述3D模型化平台可實施於雲端或(視需要)本端中。所述模型包含例如眩光/陰影模型、反射模型及被動加熱模型。3D模型用於使日光對於建築物之內部及外部之影響形象化。圖10為在特定日時間根據太陽之路徑沿建築物之外表面存在的眩光、陰影、反射及熱量的視覺化的實例。在晴天條件下產生視覺效果，其係基於用於建築物之位置的晴空模型。視覺效果可用於評估及控制建築物之任一樓層上之任何經大小設定內部空間中之單一及多個佔用區及區域中的眩光，且可考慮可在太陽之所述路徑上的建築物之外部及其特徵(此懸垂物、柱子等)。表示亦可考慮原發性及繼發性反射以及來自外部物件及建築物之複雜彎曲且凸出形狀的單一及多個反射，及其對於建築物內之佔用區及分區的影響。視覺效果亦可用以模型化由直接輻射、由外部物件及建築物反射及/或擴散之輻射，且以及由外部物件及建築物閉塞之輻射所引起的熱量之存在及影響。
晴空模組包含可經實施將屬性指派給3D模型以產生晴空3D模型的邏輯。晴空模組亦包含可用於產生其他模型以判定各種條件之邏輯，所述各 種條件諸如(例如)眩光/陰影模型、反射模型及被動加熱模型。建築物位點之此等模型可用於產生用於建築物之分區的色調狀態之年度排程，所述年度排程被推送至建築物處之窗控制系統以作出最終色調決策。藉由此系統架構，可將大部分資料保持在雲端網路上。將所述模型保持在雲端網路上允許客戶及其他使用者容易存取及定製。舉例而言，可將各種模型之視覺效果發送至使用者以允許其檢閱並發送輸入以例如設置並定製所述模型及/或覆寫建築物處之最終著色排程或其他系統功能。舉例而言，使用者可使用視覺效果以管理用於將規則指派給晴空模型之輸入，諸如在作為位點設定或定製之部分之區域管理及窗管理中。
C.用於位點設置及定製之圖形使用者介面(GUI)
系統架構亦包含用於與各種客戶及其他使用者介接之GUI。GUI可將應用服務或報告提供至使用者並自使用者接收用於各種模型之輸入。舉例而言，GUI可將各種模型之視覺效果提供至使用者。GUI亦可提供用於分區管理、窗管理及佔用區限定之介面以設置晴空模型。GUI亦可提供用於鍵入優先級資料、外表面之反射性質、覆寫值及其他資料的介面。此外，使用者可使用GUI以定製3D模型之空間，例如在查看建築物位點之晴空模型的視覺效果後。定製之一些實例包含：
˙重新結構化建築物位點(移動建築物、修改外表面性質)以查看反射、眩光及加熱條件改變或建築物之分區著色的改變
˙重新結構化建築物之內部結構(壁、樓層)及外部殼層以查看改變將如何影響色調狀態
˙管理窗之分區
˙改變用於建築物之材料以查看反射性質之改變及反射模型及色調狀態的對應改變
˙改變著色優先級以查看如映射至建築物之3D模型之色調狀態的改變
˙覆寫排程資料中之色調狀態
˙修改建築物位點處之建築物
˙添加新條件之模型
D.窗控制系統
本文中所描述之系統架構包含窗控制系統，所述窗控制系統包含控制建築物處之可著色窗之一或多個分區的色調位準的窗控制器之網路。關於圖6至圖8描述可包含於系統架構之窗控制系統840中之控制器的一些實例。窗控制器之其他實例描述於2016年10月26日申請的且名稱為「用於可光學切換裝置之控制器(CONTROLLERS FOR OPTICALIY-SWITCHABLE DEVICES)」之美國專利申請案15/334,835中，所述申請案特此以全文引用之方式併入。
窗控制系統840包含用於作出著色決策並發送色調指令以改變可著色窗之色調位準的控制邏輯。在某些實施例中，控制邏輯包含具有基於雲端之3D模型系統810及基於雲端之晴空模組820的模組A及下文進一步描述之模組B，其中模組B自具有一或多個光感測器值之模組C及/或自具有一或多個紅外線感測器值之模組D接收信號。(參見圖27)模組C可包含一或多個光感測器，所述光感測器自一或多個光感測器獲取光感測器讀數或可自一或多個光感測器接收具有原始光感測器讀數之信號，例如駐存在多感測器裝置或天空感測器中。類似地，模組D可包含一或多個紅外線感測器及/或環境溫度感測器，所述環境溫度感測器自一或多個紅外線感測器獲得溫度讀數或可自一或多個紅外線感測器接收具有原始溫度量測值之信號，例如駐存在多感測器裝置或天空感測器中。
E.系統架構之一般製程
圖11為在圖8中所展示之系統架構800之系統中之一些之間傳達 的資料流的所說明實例。如所展示，模組A(包含810及820)將其資訊提供至窗控制系統840。在一個實施中，窗控制系統840之控制邏輯亦自模組B接收一或多個輸入並基於自模組A及/或模組B接收到之輸出而設置每一分區之最終色調狀態。在圖28中所展示之另一實施中，窗控制系統840之控制邏輯亦自模組C1及模組D1接收一或多個輸入並基於自模組A、模組C1及模組D1接收到之輸出而設定每一分區之最終色調狀態。
圖12為某些邏輯運算之實例的示意圖，所述邏輯運算係由晴空模組820實施以基於晴空條件產生色調排程資訊。在此所說明實例中，晴空模組將指派給每一條件之色調狀態應用於所述條件值且接著應用來自優先級資料之優先級以判定每一分區在特定時間的色調狀態。在另一實例中，晴空模組可將來自優先級資料之優先級應用於條件值以判定應用的條件，且接著應用彼條件之色調狀態以判定每一分區在特定時間間隔的色調狀態。在圖12中，頂部表為藉由晴空模組判定之條件值的表之實例，其包含一天期間分區1在時間間隔處之眩光條件、直接反射條件及被動加熱條件的值。在此實例中，條件值係在一日期間的不同時間條件是否存在的二進制值(0/1)：0-條件不存在，及1-條件確實存在。圖12亦包含為來自晴空模組之色調狀態輸出的實例的第二表。此色調狀態經指派給每一條件之每一分區。舉例而言，分區1針對眩光條件而指派給色調4，分區1針對反射條件而指派給色調3，分區2針對被動加熱條件而指派給色調1。當條件為真時，晴空模組指派色調狀態以應用於彼條件。優先級資料通常係指用於將條件應用於建築物之每一分區的優先級之清單。在某些情況下，優先級資料可由使用者組態。圖12中所說明之第三表為使系統知道哪一條件取得優先級之可組態優先級表(例如，可由使用者組態)之實例。在此實例中，給與針對建築物之每一區域之眩光條件、直接反射條件及被動加熱條件優先級。圖12中之底部表為基於來自應用於頂部表中之條件值的中部表的優先 級資料而在一天內在分區1處判定的色調狀態的實例。
圖13為穿過實施之系統架構的基於雲端之系統的模型資料流之示意性描繪。在3D平台上產生3D模型。3D模型包含具有限定窗開口、壁及樓層的建築物之3D版本。將周圍物件之外表面及其反射性質添加至3D模型。將3D模型中之窗開口分組成分區並給與名稱。
舉例而言，經由使用者位置GUI自使用者接收資訊。舉例而言，使用者可突出顯示或以其他方式識別佔用位置之2D區域及對於建築物或用於產生3D模型之架構模型中之3D模型之空間的樓層上的此等佔用位置之所需色調狀態。使用者亦可使用GUI以限定與每一條件(諸如(例如)直接眩光條件及反射條件)相關聯之每一佔用區的色調狀態。使用者亦可輸入在地平面直至使用者視線水平之間的使用者位準，其位準可用於產生2D區域之3D擠塑以產生佔用區的3D體積。在一個實施例中，若使用者並不輸入位準，則位準默認為6呎。晴空模組條件邏輯可用於產生各種條件模型，包含例如眩光/陰影模型、反射模型及加熱模型。此等條件模型可用於產生傳達至窗控制系統的年度排程資訊。
晴空模組-模型設置/定製並產生排程資訊
在位點設置製程期間初始化建築物位點之3D模型。在一些實施中，例如經由GUI給與使用者修正模型以定製建築物中之可著色窗及/或其他系統的控制的能力。可經由3D模型化平台上之視覺效果由使用者檢閱此等定製。舉例而言，客戶或其他使用者可在定製後查看已為建築物設計何種內容且在給定日將如何操作並提供「假設」情境。又，不同使用者可檢閱儲存於雲端網路上之同一3D模型以比較並論述將迎合多個使用者之選擇。舉例而言，CSM可在晴空條件期間藉由設備管理器根據條件、優先級及預期行為來檢閱使用者位置、色調狀態。
位點設置製程包含產生建築物位點之3D模型並將屬性指派給所述3D模型之元件。3D模型平台通常用於藉由自建築物之架構模型剝離不必要特徵並產生包圍建築物之物件的外表面來產生建築物位點之3D模型。
圖14為根據各種實施初始化3D模型平台上之3D模型所涉及的一般操作的流程圖。在一個實施中，3D模型係藉由剝離全部額外元件之架構模型由建築物及/或周圍結構之架構模型自動地產生。舉例而言，可接收建築物之Autodesk®Revit模型，且剝離除壁、樓層以及包含窗開口之外表面外的所有元件。可藉由3D模型化系統實施此等操作。在圖14中，3D模型化系統接收用於具有可著色窗之建築物的架構模型用於建築物位點處之建築物周圍的結構及其他物件(1410)。在操作1420處，3D模型化系統剝去除表示具有可著色窗之建築物之窗開口、壁、樓層以及外表面的結構元件外的全部。在操作1430處，3D模型化系統構建建築物及建築物周圍之其他物件的外表面或自周圍物件移除除外表面以外之所有元件。操作1430之輸出為建築物位點之3D模型。圖9中展示建築物位點之3D模型的實例。
圖15為根據某些實施的將屬性指派給3D模型，產生條件模型所涉及的一般操作及產生晴空排程資訊所涉及的其他操作的流程圖。可使用晴空模組之邏輯實施此等操作中之一或多者。如所描繪，用於操作之輸入為來自3D模型化系統之建築物位點的3D模型。在操作1510處，將反射或非反射性質指派給建築物位點之3D模型的建築物周圍之物件的表面元件。此等反射性質將用於產生反射模型以評估條件。在1520處，將特有窗ID指派給3D模型之每一窗開口。在此窗管理操作中，將窗開口映射至特有窗/控制器ID。在一個實施中，可基於來自在安裝於建築物中時對窗之調測的輸入來驗證及/或修改此等映射。在操作1530處，將3D模型中之窗開口分組成分區且將區域ID及/或名稱指派給所述分區。在此分區管理操作中，將3D模型中之窗開口映射至分區。在1540 處，所述模型中之3D佔用區經產生並指派色調狀態。舉例而言，使用者可識別3D模型之樓層上之2D佔用區，且居住者之視線水平及晴空模組之邏輯可產生3D佔用區之擠出至視線水平以產生3D區域。在操作1550處，判定將應用之晴空模型且運行所述模型以判定穿過窗開口之日光的3D投影。在此模型管理操作中，根據一個實施產生各種晴空模型，例如眩光/陰影模型及反射模型。晴空模組包含射線追蹤引擎，所述射線追蹤引擎基於一年的一天或其他時間段太陽在天空中之不同位置而判定日光光線的方向且根據建築物周圍之物件的外表面的位置及反射性質而判定反射方向及強度。根據此等判定，可判定穿過3D模型中之窗開口的直接光束日光的3D投影。在1560處，判定來自所述模型之日光的3D投影與3D佔用區的任何相交的量及持續時間。在1570處，基於在操作1560中所判定之相交性質而評估條件。在操作1580處，將優先級資料應用於條件值以隨時間(例如在年度排程中)判定建築物之每一分區的色調狀態。將基於晴空條件之此等色調狀態傳達至窗控制系統。
A.窗管理
在設置建築物位點之3D模型期間，為每一窗開口指派對應於其本端窗控制器的特有窗id。將窗開口指派給窗id將窗開口映射至窗控制器。每一窗id有效地表示可分組至分區中的每一窗控制器。替代地或另外，在將窗及其控制器安裝在建築物中後，調測操作可用於判定將哪一窗安裝於哪一位置中且與哪一窗控制器配對。來自調測製程之此等關聯可接著用於比較並驗證3D模型中之映射，或更新3D模型之組態資料中之映射。可判定此映射之調測方法的實例描述於2017年11月申請的且名稱為「窗網路中之控制器的自動化調測(AUTOMATED COMMISSIONING OF CONTROLLERS IN A WINDOW NETWORK)」之國際申請PCT/US2017/062634中，所述申請案特此以全文引用之方式併入。亦可基於其他使用者定製來修改窗開口與窗ID之映射。
在一個實施中，使用者可在3D平台上選擇3D模型中之窗開口並指派特有窗id。圖16為適用於建築物之樓層中之十四(14)個窗開口的此實施的實例。如所展示，使用者已向此等窗開口指派1至14之窗id。
B.分區管理
建築物之每一分區包含一或多個可著色窗。可著色窗在3D模型中表示為開口。每一區域中之一或多個可著色窗將受控以相同方式表現。此意謂若與區域中之窗中之一者相關聯的佔用區經歷特定條件，則所有窗將受控以對彼條件作出反應。具有3D模型屬性之組態資料包含分區性質，諸如名稱、玻璃SHGC及最大內部輻射。
在作為3D模型之位點設置或定製之部分的分區管理期間，使用者可限定經一起分組成分區之窗開口並將性質指派給所述限定分區指派性質。圖17A為3D模型化平台上之介面的實例，所述3D模型化平台允許使用者選擇圖16中所展示的窗開口以一起分組為(映射至)分區並命名所述區域。如所展示，開口1、2及3經定義為「分區1」，開口4-7經定義為「分區2」且開口8-14經定義為「分區3」。在一個態樣中，使用者亦可將分區組合使得以相同方式表現多個分區。圖17B為3D模型化平台上之介面的實例，所述3D模型化平台允許使用者將來自圖17A之多個分區組合。如所展示，「分區1」及「分區2」分組在一起。
圖18為可由使用者使用以將3D模型之未映射空間映射至特定模型化區域的介面之實例。如所展示，使用者已選擇「辦公室1」、「辦公室2」、「辦公室3」及「辦公室4」之空間以映射至「分區1」。在此實例中，與此等空間相關聯之窗將與「分區1」相關聯。在一個態樣中，使用者可選擇「檢閱映射」按鈕至視覺化建築物位點之3D模型上的「分區1」中之空間的映射窗。
在分區管理期間，為每一分區指派區域性質。分區性質之一些實 例包含：分區名稱(使用者定義)、分區id(系統產生)、窗之ID、玻璃SHGC、以瓦特/平方公尺為單位之進入空間的最大可允許輻射。圖19為可藉由檢閱指派給每一區域之性質使用的介面之實例。
C.產生3D佔用區
如本文中所使用，佔用區係指在特定時間段期間可能經佔用的三維體積。在位點設置期間限定且可在定製期間重新限定佔用區。限定佔用區大體涉及藉由將二維區域擠出至居住者視線水平來限定三維體積並為佔用區指派性質。性質之一些實例包含佔用區名稱、眩光色調狀態(在眩光條件存在的情況下的色調狀態)、直接反射色調狀態(對於直接反射輻射之不同位準的色調狀態)及間接反射色調狀態(對於間接反射輻射之不同位準的色調狀態)。
在某些實施中，在3D模型化平台上產生佔用區。使用者在3D模型之樓層或其他表面(例如，桌面)上將使用者位置繪製或以其他方式限定為二維形狀(例如，多邊形)或多個形狀且限定居住者視線水平。晴空模組將三維佔用區限定為自表面至居住者視線水平(例如，下部視線水平或上部視線水平)之二維物件的擠塑。圖20A中展示3D模型之樓層上繪製的二維四面使用者位置之實例。圖20B中展示藉由將圖20A中之二維物件擠出至上部視線水平產生之三維佔用區之實例。
D.晴空模型
在某些實施中，基於3D模型產生眩光/陰影模型、直接反射模型及間接反射模型。此等模型用於基於晴空條件隨時間判定穿過3D模型之窗開口的日光之3D投影。光線追蹤引擎用於在每一時間間隔期間模擬日光光線在太陽位置處之方向。運行模擬以評估建築物之分區中之每一者中之不同眩光條件，諸如基本眩光條件(與佔用區相交之直接輻射)、直接反射眩光條件(直接反射表面至佔用區之單次反彈式反射)、間接反射眩光條件(間接反射表面至佔 用區之多個反彈式反射)。模擬假定晴空條件並考慮空間陰影及建築物周圍外部物件的反射。模擬判定在一年或其他時間段內時間間隔中之眩光及其他條件之值。排程資料包含時間段(諸如一年)內之每一時間間隔(例如，每10分鐘)之條件中之每一者的值及/或色調狀態。
大體而言，晴空模組包含邏輯以判定在時間段(諸如一年)之每一時間間隔(例如，每十分鐘)在建築物之每一區域處是否存在不同條件(例如，眩光、反射、被動加熱)。晴空模組針對每一時間間隔輸出每一分區之此等條件及/或相關色調狀態的值之排程資訊。條件值可為例如二進位值1(條件的確存在)或0(條件並不存在)。在一些情況下，晴空模組包含基於太陽在不同時間的位置而判定日光的光線(直接或反射)的方向的光線追蹤引擎。
在一個態樣中，基於來自單一佔用區中之模型之多個眩光區域評估眩光條件。舉例而言，光投影可與單一佔用區內之不同佔用區相交。在一個態樣中，基於單一分區中之多個仰角評估條件。
-眩光控制
眩光條件之判定為來自眩光(無陰影)模型及/或直接反射(一種反彈)模型之日光的3D投影與三維佔用區相交的函數。正向判定來自眩光模型之基本眩光為與3D佔用區之總相交%及相交持續時間的函數。基於反射模型之反射眩光之判定為交叉點之持續期間的函數。
晴空模組包含用於基於建築物周圍的物件而基於眩光(無陰影)模型及/或直接反射(一種反彈)模型而評估眩光條件之存在的邏輯。
根據一個實施，對於每一分區，邏輯自眩光模型判定穿過分區之窗開口的直射日光之3D投影是否與分區中之三維佔用區中之任一者相交。若相交%大於總相交之最小%(在考慮眩光條件之前自窗投影至佔用區的重迭之最小臨限值)且相交持續時間大於最小相交持續時間(在變得顯著之前相交必須發 生的最小時間量)，則返回眩光條件值(例如，1)及與眩光條件相關聯之色調狀態。若邏輯自眩光模型判定穿過窗開口之直射日光之3D投影不與分區中之三維佔用區中之任一者相交，例如分區在陰影中，則返回眩光條件值(例如，0)及與無眩光條件相關聯之色調狀態。邏輯採用可連結在一起之分區的最大色調狀態。若不存在相交，則返回最低色調狀態(例如，色調1)。
在另一實施中，對於每一時間間隔，邏輯針對可著色窗之每一區域(窗開口之集合)判定太陽是否直接與三維佔用區中之任一者相交。若與佔用區中之任一者同時相交，則輸出為條件確實存在。若佔用區中無一者相交，則條件不存在。
圖21為使用基於基本眩光不返回眩光條件之眩光/陰影模型的模擬之實例。在此實例中，模擬產生眩光與3D佔用區之較低總相交，且眩光在整個白天不會長時間存在使得晴空模組並不返回眩光條件。
圖22為使用基於來自直接一種反彈式反射之眩光而返回眩光條件之直接反射(一種反彈)模型的模擬之實例。在此實例中，模擬產生與3D佔用區較高之總交叉且延長此白天出現眩光之週期使得返回眩光值。
-反射輻射控制
晴空模組包含用於基於所述模型而評估晴空條件反射條件之存在及用於判定保持內部輻射低於最大可允許內部輻射的最低狀態。邏輯基於擊中分區之窗開口之直接正常輻射而判定輻射條件。邏輯基於可保持正常輻射低於針對彼分區之限定臨限值的最清晰色調狀態而判定色調狀態。
邏輯根據3D模型判定可著色窗上之外部正常輻射，並藉由使所判定之外部輻射量乘以玻璃SHGC來計算每一色調狀態之內部輻射。邏輯將分區之最大內部輻射與針對色調狀態中之每一者的所計算內部輻射進行比較，並選擇低於針對彼分區之最大內部輻射的最亮的所計算色調狀態。舉例而言，來 自所述模型之外部正常輻射為800，且最大內部輻射為200，且T1 SHGC=.5，T2=.25且T3=.1。邏輯藉由使所判定之外部輻射量乘以玻璃SHGC來計算每一色調狀態之內部輻射：計算T1(800)*.5=400，計算T2(800)*.25=200及計算T3(800)*.1=80。邏輯將選擇T2，此係由於T2比T3亮。
在另一實施中，邏輯針對窗之每一分區(開口集合)判定太陽是否具有外部物件之單次反彈。若對佔用區中之任一者存在反射，則反射條件的確存在。若反射不在佔用區中之任一者上，則不存在反射條件。
-被動加熱控制
在某些實施中，晴空模組包含用於基於來自晴空模型之輸出而評估被動加熱條件之存在的邏輯，所述被動加熱條件將區域之窗設置為較暗色調狀態。邏輯根據晴空模型判定在晴空條件下擊中可著色窗之外部太陽輻射。邏輯基於可著色窗上之外部輻射而判定進入房間之估計晴空熱量。若邏輯判定進入房間之估計晴空熱量大於最大可允許值，則被動加熱條件存在且基於所述被動加熱條件將區域設定為較暗色調狀態。可基於建築物之外部溫度及/或使用者輸入設定最大可允許值。在一個實例中，若外部溫度較低，則可將最大可允許外部輻射設定為極高以允許增大之被動熱量含量進入建築物空間。
E.建築物位點晴空模型定製
圖23為根據一個態樣之用於實施使用者輸入以定製建築物位點之晴空3D模型的動作及製程的流程圖。可藉由晴空模組820上之邏輯實施此等位點編輯操作。可在任何時間編輯(定製)且定義/重新定義晴空模型之屬性。舉例而言，使用者可經由GUI鍵入輸入。在流程圖中，藉由開啟3D模型開始所述方法(2202)。使用者接著具有選擇分區來編輯或使用者位置來編輯(2210、2220)的選項若使用者選擇編輯區域，則使用者可將限定至彼分區之窗重新分組(2212)，將分區重命名(2214)及/或編輯分區之可允許內部輻射或其他性 質(2216)。若使用者選擇編輯使用者位置(2220)，則使用者編輯使用者偏好以選擇眩光模型或反射模型以映射至使用者位置(2222)，及或刪除使用者位置(2224)或添加使用者位置(2226)。一旦進行編輯或進行多次編輯，使用者便提交改變以更新建築物位點之晴空3D模型(2230)。使用改變以改變基於修改的晴空3D模型而產生新的排程資料，且排程資料經導出並傳達至窗控制模組(2240)。
在某些實施中，系統架構包含允許使用者對晴空模型之屬性作出改變以在3D模型化平台之視覺效果上查看所述模型之改變及/或排程資料之改變的GUI。3D模型化平台上之建築物位點之視覺效果可用於定製目的。
在一個實例中，GUI可包含滑件或其他介面，其允許使用者快速地模擬太陽之路徑的日常改變且使在一天過程內之由太陽所引起眩光、陰影及熱量可視化。
除建築物上或中之一個或多個位置處之直接及間接反射、眩光、陰影及熱量的視覺效果之外，亦可經由窗之內部或外部視角觀測窗之色調狀態，其中如下文所描述藉由控制邏輯來判定窗色調。舉例而言，使用者可藉由用於太陽之每一時間/位置之控制邏輯而使窗色調可視化並對其作出改變。使用者可使用此視覺效果以驗證模型及/或控制邏輯之正確操作。
III.模組
模組A
模組A包含用於在晴空條件下控制建築物中之眩光及反射的控制邏輯及規則。然而，由於由模組A使用之晴空模組並未考慮天氣變化，因此由模組A單獨作出之色調決策可引起應用於窗之非最佳色調。在一個實施例中，經由使用額外模組B解決天氣變化。
圖24描繪具有通用控制邏輯之窗控制系統2600，藉由傳達色調 指令以轉變建築物中之一或多個分區內之可著色窗的窗控制系統2600來實施所述控制邏輯。在操作2620處，控制邏輯基於模組A及模組B之規則輸出而判定每一窗及/或分區之最終色調位準。舉例而言，在一個實施例中，窗控制系統2600包含主控制器，所述主控制器實施控制邏輯以作出著色決策並將每一分區之最終色調位準傳達至控制彼區域之可著色窗的本端窗控制器。在一個實施中，可著色窗為電致變色窗，各自包含至少一個電致變色裝置。舉例而言，每一可著色窗可為具有兩個玻璃片之絕緣玻璃單元，此等片中之至少一者上具有電致變色裝置。藉由窗控制系統之一或多個處理器執行控制邏輯。
圖25為窗控制系統2700之另一表示，所述窗控制系統包含窗控制器2720，例如主控制器或本端窗控制器。窗控制系統2700亦包含由窗控制系統2700之一或多個組件(例如，其他控制器)實施的控制邏輯。如所說明，窗控制器2720根據所說明控制邏輯自窗控制器系統2700之其他組件接收色調排程資訊，例如規則。
在圖25中，控制邏輯包含由模組B 2710實施之邏輯。模組B 2710經組態以預測未來時間點所述位點之特定地理位置處的天氣條件。在一個實施例中，基於由模組C 2711及模組D 2712提供之位置特定量測值來進行預測。在一個實施例中，以可以用於在當前時間引發窗色調改變之一或多個規則之形式提供天氣條件之預測，以便完成未來時間之轉變使得最佳化未來時間之內部光強度、眩光及反射以用於經預測將在彼未來時間出現之天氣條件。在未來條件之預測出現色調轉變。藉此，對於觀察者而言似乎回應於天氣條件之即時、或接近即時改變而控制窗之色調。模組B包含LSTM(單變量)子模組2710a、映射至色調值之後處理子模組2714、DNN(多變量)模組2710b、二進位機率子模組2716及表決子模組2786。所說明控制邏輯亦包含具有3D模型及晴空模型之模組A 2701、具有用於根據光感測器讀數判定原始或過濾光感測器值之邏輯 的模組C 2711、具有根據紅外線及/或環境溫度讀數判定原始或過濾IR感測器及環境感測器值之模組D 2712及具有非監督式分類器子模組2713之模組E。此等及其他所說明組件更詳細地描述於整個章節III中。
模組C
在一個實施例中，以原始或過濾值/信號形式將來自模組C 2711之值提供至模組B 2710，所述值表示藉由一或多個光感測器量測之當前環境條件。在一個實施例中，以在不同取樣時間獲取之多個光感測器讀數之過濾滾動均值之形式提供原始或過濾信號/值，其中每一光感測器讀數為由光感測器獲取之最大量測值。在一個實施例中，每一光感測器讀數包括即時輻照度讀數。
模組D
在一個實施例中，以原始或過濾值/信號形式將來自模組D 2712之值提供至模組B 2710，所述值表示由一或多個紅外線(IR)感測器量測之當前環境條件。在一個實施例中，以在不同取樣時間獲取之多個紅外線感測器讀數之過濾滾動中位值形式提供原始或過濾值/信號，其中每一讀數為由一或多個紅外線感測器獲取之最小量測值。
在一個實施例中，紅外線感測器量測值及環境溫度感測器量測值包含天空溫度讀數(T 天空 )、來自建築物處之本端感測器之環境溫度讀數(T 環境 )或來自天氣饋入(T 天氣 )及/或T 天空 -T 環境 之間的差值。基於天空溫度讀數(T 天空 )及來自本端感測器(T 環境 )或來自天氣饋入(T 天氣 )之環境溫度讀數而判定經過濾紅外線感測器值。藉由紅外線感測器獲取天空溫度讀數。藉由一或多個環境溫度感測器獲取環境溫度讀數。可自各種源接收環境溫度讀數。舉例而言，可自以機載方式位於紅外線傳感器上之一或多個環境溫度傳感器及/或例如建築物處之多傳感器裝置的獨立溫度傳感器傳達環境溫度讀數。作為另一實例，可自天氣饋入接收環境溫度讀數。
在一個態樣中，模組D 2712包含邏輯以使用多雲偏差值及天空溫度讀數(T 天空 )及來自本端感測器之環境溫度讀數(T 環境 )或來自天氣饋入之環境溫度讀數(T 天氣 )及/或天空溫度讀數與環境溫度讀數之間的差(δ(△))計算經過濾IR感測器值。多雲偏差值為對應於將用以藉由模組D中之邏輯判定多雲條件之臨限值的溫度偏移。可由網路控制器或主控制器之一或多個處理器執行模組D之邏輯。替代地，可藉由包括一或多個光感測器及紅外線感測器的感測器裝置之一或多個處理器來執行模組D之邏輯。
在操作2810處，執行模組D之操作的處理器接收當前時間之感測器讀數作為輸入。可經由建築物處之通信網路，例如，自屋頂多感測器裝置接收感測器讀數。接收到的感測器讀數包含天空溫度讀數(T 天空 )及來自建築物處之本端感測器的環境溫度讀數(T 環境 )或來自天氣饋入的環境溫度讀數(T 天氣 )及/或T 天空 與T 環境 之間差值的讀數(△)。來自建築物處之本端感測器的環境溫度讀數(T 環境 )為由位於感測器裝置板上或與感測器裝置分離之環境溫度感測器獲取的量測值。環境溫度感測器讀數可替代地來自天氣饋入資料。
在一個實施中，模組D 2712接收並使用由建築物處之兩個或更多個IR感測器裝置(例如，屋頂多感測器裝置)獲取之量測值的原始感測器讀數，每一IR感測器裝置具有用於量測環境溫度(T 環境 )之機載環境溫度感測器及關於天空基於其視場內接收之紅外輻射而量測天空溫度(T 天空 )之機載紅外線感測器。兩個或更多個IR感測器裝置通常用於提供冗餘。在一種情況下，每一紅外線感測器裝置輸出環境溫度(T 環境 )及天空溫度(T 天空 )之讀數。在另一情況下，每一紅外線感測器裝置輸出環境溫度(T 環境 )、天空溫度(T 天空 )以及T 天空 與T 環境 之間的差δ△之讀數。在一種情況下，每一紅外線感測器裝置輸出T 天空 與T 環境 之間的差δ△之讀數。根據一個態樣，模組D之邏輯使用由建築物處之兩個IR感測器裝置獲取的量測值之原始感測器讀數。在另一態樣中，模組D之邏 輯使用由建築物處之1至10個IR感測器裝置獲取的量測值之原始感測器讀數。
在另一實施中，模組D 2712接收並使用由建築物處之紅外線感測器獲取之原始天空溫度(T 天空 )讀數，所述讀數關於天空在其視場內接收紅外輻射及來自天氣饋入資料(T 天氣 )之環境溫度讀數。經由通信網路自一或多個天氣服務及/或其他資料源接收天氣饋入資料。天氣饋入資料可包含與天氣條件(諸如(例如)，雲覆蓋百分比、能見度資料、風速資料、沈澱之百分比機率及/或濕度)相關聯之其他環境資料。通常，藉由窗控制器經由通信網路在信號中接收天氣饋入資料。根據某些態樣，窗控制器可在通信網路上經由通信介面將具有對天氣饋入資料之請求的信號發送至一或多個天氣服務。請求通常至少包含受控制之窗之位置的經度及緯度。作為回應，所述一或多個天氣服務經由通信介面，經由通信網路將具有天氣饋入資料之信號發送至窗控制器。所述通信介面及網路可呈有線或無線形式。在一些情況下，可經由天氣網站存取天氣服務。可在www.forecast.io找到天氣網站之實例。另一實例為國家天氣服務(www.weather.gov)。天氣饋入資料可基於當前時間，或可在未來時間預測。使用天氣饋入資料之邏輯之實例可見於2016年7月7日申請且題為「用於可著色窗之控制方法(CONTROL METHOD FOR TINTABLE WINDOWS)」的國際申請案PCT/US16/41344中，所述國際申請案特此以全文引用之方式併入。
在一個實施中，基於來自一或多個紅外線感測器之天空溫度讀數、來自一或多個本端環境溫度感測器或來自天氣饋入之環境溫度讀數及多雲偏差值來計算溫度值(T 計算 )。多雲偏差值為對應於用於判定模組D 2712中之雲條件的第一及第二臨限值的溫度偏差。在一個實施中，多雲偏差值為-17毫攝氏度。在一個實例中，攝氏-17毫度之多雲偏差值對應於攝氏0毫度之第一臨限值。在一個實施中，多雲偏差值在攝氏-30毫度至攝氏0毫度之範圍中。
在一個實施中，基於來自兩個或更多個熱感測器對之天空溫度讀 數計算溫度值(T 計算 )，每一熱感測器對具有紅外線感測器及環境溫度感測器。在一種情況下，每一對之熱感測器為IR感測器裝置之整體組件。每一IR感測器裝置具有機載紅外線感測器及機載環境溫度感測器。兩個IR感測器裝置通常用於提供冗餘。在另一情況下，將紅外線感測器與環境溫度感測器分離。在此實施中，溫度值計算如下：
T 計算 =最小(T 天空1 、T 天空2 、...)-最小(T 環境1 、T 環境2 、...)-多雲偏差 (方程式1)
T 天空1 、T 天空2 、...為由多個紅外線感測器獲取的溫度讀數，T 環境1 、T 環境2 、...為由多個環境溫度感測器獲取的溫度讀數。若使用兩個紅外線感測器及兩個環境溫度感測器，則T 計算 =最小(T 天空1 ，T 天空2 )-最小(T 環境1 ，T 環境2 )-多雲偏差。來自同一類型之多個感測器的讀數之最小值用以使結果朝向將指示更高雲覆蓋且導致更高色調位準之較低溫度值偏置，以便使結果朝向避免眩光偏置。
在另一實施中，當環境溫度感測器讀數變得不可用或不準確時，模組D 2712可自使用本端環境溫度感測器切換至使用天氣饋入資料，例如其中環境溫度感測器正在讀取自本端源(諸如自屋頂)放射之熱量。在此實施中，基於天空溫度讀數及來自天氣饋入資料之環境溫度讀數(T 天氣 )來計算溫度值(T 計算 )。在此實施中，溫度值經計算為：
T 計算 =最小(T 天空1 ,T 天空2 ,...)-T 天氣 -多雲偏差 (方程式2)
在另一實施中，基於如藉由兩個或更多個IR感測器裝置所量測之天空溫度與環境溫度之間的△差值的讀數來計算溫度值(T 計算 )，所述IR感測器裝置各自具有機載紅外線感測器及環境溫度感測器。在此實施中，溫度值經計算為：
T 計算 =最小(△ 1 、△ 2 、...)-多雲偏移 (方程式3)
△ 1 、△ 2 、...為由多個IR感測器裝置量測的天空溫度與環境溫度之間的差值△ 的讀數。在使用方程式1、方程式2及方程式3之實施中，控制邏輯使用天空溫度與環境溫度之間的差值來判定至模組D 2712的IR感測器值輸入以判定雲條件。環境溫度讀數傾向於變動以小於天空溫度讀數。藉由使用天空溫度與環境溫度之間的差值作為輸入以判定色調狀態，隨時間判定之色調狀態可波動至較低程度。
在另一實施中，控制邏輯僅基於來自兩個或更多個紅外線感測器之天空溫度讀數來計算T 計算 。在此實施中，藉由模組D 2712判定之IR感測器值係基於天空溫度讀數而非環境溫度讀數。在此情況下，模組D基於天空溫度讀數來判定雲條件。儘管用於判定T 計算 之上述實施係基於每一類型之兩個或更多個冗餘感測器，但將瞭解，可藉由來自單一感測器之讀數來實施控制邏輯。
模組B.
在一個實施例中，模組B 2710使用具有邏輯之子模組2710a來提供天氣預測，所述邏輯使用關於由模組C及模組D提供之天氣資料之時間序列的機器學習及深度學習。子模組2710a包含遞歸類神經網路模型邏輯以實施長短期記憶體(LSTM)以將序列映射至如本領域中熟習此項技術者所已知之序列(例如，使用seq2seq編碼器/解碼器框架)預測。當獲得來自模組C及D之新感測器值時，藉由LSTM seq2seq預測或其他LSTM預測，經使用者限定之歷史天氣資料持續期間(例如，記憶體之3分鐘、記憶體之5分鐘等)可用於在即時滾動基礎上產生經使用者限定長度之短期預測(例如，未來4分鐘)。此參數靈活性確保改變天氣條件之記憶僅以適用於預測所關注窗之比例保持。
在一個實施例中，實施LSTM seq2seq預測使得其利用來自模組C及D之感測器值之離散化為三個相異範圍及對應色調建議(2、3及4)。因此，天氣預測所需之精確度位準由對於作為即時資料改變之感測器值之適當範圍改變之及時對應性定義。此精確度位準允許使用被設計成限制過度回應模型行為 之預測平滑及其他管理控制結構操控更大波動性週期(條件的突然改變)。在一個實施例中，LSTM seq2seq預測之實施使用最大光感測器讀數之5分鐘滾動均值及最小IR感測器讀數之滾動中位值，且對T+4分鐘處之一系列四(4)個預測取平均值以產生即刻未來的代表性量測。在由現有5分鐘窗控制系統命令週期限定之約束內，此實施支持引入額外控制結構以確保僅對時間框作出命令改變，現有硬體能夠回應於所述命令改變(例如，忽略其持續期間小於使用者限定之分鐘數的命令改變)。
在一個實施例中，模組B 2710之LSTM子模組2710a根據本領域中熟習此項技術者已知之LSTM seq2seq方法將來自模組C 2711及模組D 2712之輸出處理為單變量輸入，其中一個單變量變數對應於由模組C提供之最大光感測器值而另一單變量輸入對應於由模組D提供之最小IR感測器值。根據LSTM seq2seq方法處理每一輸入提供真實值，所述真實值經後處理模組2714後處理並規則化以提供經映射至色調值的輸出值。在一些實施例中，已發現使用LSTM seq2seq方法更適合於提供相對短期的預測而非用於提供較長期預測。
為基於由模組C及D提供之值而獲得相對較長期的天氣預測，模組B 2710包含具有邏輯之子模組2170b，所述邏輯實施如本領域中熟習此項技術者已知的密集型神經網路(DNN)多變量預測。在一個實施例中，DNN方法特徵設計由模組C及D提供之光感測器值與IR感測器值之間的關係，所述關係最適用於預測較長時間框上出現的天氣或環境條件。在LSTM方法輸出實值預測(映射至其對應的所建議色調區上)時，DNN預測經實施為二進位分類器，其對數可能性輸出概率性地模型化晴朗對比非晴朗條件。使用二進位分類法引起判定(最佳化、位點指定及使用者個人化)可信度臨限值(在零與一之間)之靈活性，高於所述臨限值，所述模型預測晴朗(而非非晴朗)條件。較低可信度臨限值可經設定成主動地阻止高風險眩光條件。為最大化內部天然光，可 設定更高可信度臨限值。在一個實施例中，DNN輸出係基於使用者可組態臨限值，其中大於或等於臨限值之輸出經處理作為晴朗條件(例如，二進位值1)，且其中低於臨限值之輸出經處理作為非晴朗條件(例如，二進位值0)。
在某些實施例中，DNN及LSTM模型駐存於雲端網路之伺服器及/或窗控制器上，諸如窗控制器之分散式網路的主窗控制器或窗控制器組。各種市售機器學習構架可駐存於雲端伺服器上或窗控制器上以限定、訓練及執行DNN及/或LSTM模型。市售機器學習框架之實例為由加利福尼亞州的Google®提供的TensorFlow®。市售機器學習構架之實例為由華盛頓西雅圖的亞馬遜公司(Amazon Web Services)提供的Amazon®SageMaker®。
在一個實施例中，DNN子模組2170b使用DNN二進位分類器，所述DNN二進位分類器使用6分鐘歷程產生8分鐘天氣預測。不同於單變量LSTM預測，DNN二進位分類器無需即時運行，緩解現有硬體的計算負荷。為考慮定點差值(地理位置、季節性變化及連續改變峰面(weather fronts))DNN二進位分類器可使用兩至三週歷史資料(其每日更新)隔夜運行，丟棄最早日且引入最近資料以每一晚重新訓練所述模型。此滾動每日更新確保分類器適應保持改變天氣條件之步調及定性本質。重新訓練之後，模型參數權重經調節以接收新輸入用於產生第二天持續時間的預測。
多變量DNN及單變量LSTM預測子模組2710a、2710b一起提供預期及回應環境改變的預見性。在一個實施例中，為降低DNN的長期回應不足及LSTM之短期過度反應的潛在影響，模組B 2710經組態以基於由表決邏輯2786作出之基於規則之決策而提供輸出。舉例而言，若針對(PS)之LSTM輸出映射至色調狀態3(亦即，太陽存在)，則針對(IR)之LSTM輸出映射至色調狀態3(亦即，太陽存在)，且DNN輸出提供二進位輸出「0」(其中「0」指示「多雲」預測，且「1」指示「晴朗」預測)，大部分LSTM(PS)、LSTM (IR)及DNN(PS及IR)用作環境條件將在未來時間點為晴朗的的預測。換言之，LSTM(PS)、LSTM(IR)及DNN(PS及IR)中之兩者的一致為關於將輸出提供至窗控制器2720的規則。上文大部分不應視為限制，此係由於在其他實施例中，亦可使用由LSTM(PS)、LSTM(IR)及DNN(PS及IR)提供之其他大部分及小部分以提供預測。
在一個實施例中，藉由窗控制器2720將由模組B 2710作出的天氣條件的未來預測與由模組A 2701提供之色調規則進行比較，且例如若模組B 2710之輸出提供天氣條件在未來時間點將為晴朗的指示，則在彼未來時間之前，控制系統2720根據由模組A 2701提供之色調規則而提供色調命令。相反，若模組B 2710之輸出提供未來的天氣條件將不為晴朗的指示，則在未來時間之前，控制系統2720提供色調命令，所述色調命令覆寫了藉由模組A 2701之晴空模組判定的色調命令。
簡要返回至圖24，在一個實施例中，窗控制器2600包含控制邏輯，所述控制邏輯在操作2630處判定是否存在覆寫以使各種類型之覆寫脫離邏輯。若存在覆寫，則在操作2640處，控制邏輯將分區之最終色調位準設定為覆寫值。舉例而言，可由空間之想要覆寫控制系統且設定色調位準之當前居住者輸入所述覆寫。另一實例覆寫為較高需求(或峰負載)覆寫，其與建築物中之能量消耗減小的設施要求相關聯。舉例而言，在大城區中之特別炎熱的天氣，可能有必要降低整個市區的能量消耗以不過度加重市區之能量產生及遞送系統之負擔。在此類情況下，建築物管理可覆寫來自控制邏輯之色調位準以確保全部可著色窗具有較高色調位準。此覆寫可覆寫使用者之手動覆寫。覆寫值中可能存在優先級位準。
在操作2650處，控制邏輯判定是否已判定所判定之建築物之每一分區的色調位準。若否，則控制邏輯重複以判定下一分區之最終色調位準。 若完成最終區域之色調狀態判定，則在操作2660處經由網路將用於實施每一分區之色調位準之控制信號傳輸至與分區之可著色窗之裝置電通信的電源以轉變至最終色調位準，且控制邏輯針對下一時間間隔重複，返回至操作2610。舉例而言，可經由網路將色調位準傳輸至與一或多個電致變色窗之電致變色裝置電通信的電源以將窗轉變至所述色調位準。在某些實施例中，可在考慮效率的情況下實施色調位準至建築物之窗的傳輸。舉例而言，若色調位準之重新計算建議不需要自當前色調位準的色調之改變，則不存在具有經更新色調位準之指令的傳輸。作為另一實例，相比於具有更大窗之分區，控制邏輯可更頻繁地重新計算具有更小窗之分區的色調位準。
在一種情況下，圖24中之控制邏輯實施一種控制方法，所述控制方法用於在單一裝置上，例如在單一主窗控制器上控制整個建築物之所有電致變色窗之色調位準。此裝置可針對建築物中之每一個電致變色窗執行計算，及亦提供用於將色調位準傳輸至個別電致變色窗中之電致變色裝置的介面。又，可存在實施例之控制邏輯的某些自適應組件。舉例而言，所述控制邏輯可判定終端使用者(例如，居住者)如何嘗試在一天中之特定時間覆寫演算法及接著以更為預測性之方式使用此資訊判定所需色調位準。舉例而言，終端使用者可正使用壁開關以在一系列連續日內在每日某一時間將由控制邏輯提供之色調位準覆寫至覆寫值。控制邏輯可接收關於此等情況之資訊，且改變控制邏輯以引入覆寫值，覆寫值在彼當日時間將色調位準改變為來自終端使用者之覆寫值。
模組E
返回參看圖25，在一個實施例中，窗控制系統2700包含具有控制邏輯之模組E 2713，所述控制邏輯經組態以基於過去資料而提供所述位點處存在的光及熱輻射之定點及季節性區分輪廓的以統計方式告知的預知。在一個 實施例中，藉由窗控制系統2700將由模組C 2711及模組D 2712提供之位置特定值儲存於記憶體中作為時間序列資料，根據所述時間序列資料形成模組E 2713之輪廓。能夠使用在需要作出預測之特定位置處獲得的過去資料(在本文中亦被稱作「歷史資料」)使得預測能夠潛在地更精確。在一個實施例中，構造此輪廓涉及使用機器學習分類法算法，所述機器學習分類法算法適用於將時間序列資訊聚類至縱向感測器值展現類似形狀及模式之組中。根據所需精細度位準(對於一天中的給定小時，一年中的一天，一週，一個月或一季)，已識別的聚類質心將顯示所述時間範圍內所有記錄的平均值的軌跡，其自身當中之相似性可以與其他類似記錄組進行定量區分。組之間的此區別允許關於在當前時間框期間在給定位置處需要監測之「典型」環境條件的以統計方式成立的推斷。
在無作為「典型」用於給定位置及時間框之地面實況知識之情況下，必需以非監督式方式開始離散天氣概況之算法分類。在不能預定義「正確」類別的範圍內，評估分類器之效能需要關於多少輸出為可操作的(亦即，獨立群集當中實際上適用於區分之數量)來作出推理決策。
在圖25中，將所需長度及精細度之單變量輸入(來自模組C或模組D)傳送至模組E 2713，其經組態以執行機器學習技術中熟習此項技術者已知的非監督式學習分類器的功能。若所關注問題由分析給定一月內位點處之日間天氣模式組成，則藉由模組E 2713預處理產生m×n尺寸的資料框架，其中m為日光分鐘數且n為已收集光感測器輸入之天數。由於不同緯度在不同季節期間對應於不同太陽軌跡，因此在白天的不同時間點，指向不同方向之不同感測器可為重要的。併入此等差值可涉及執行資料減少技術(例如，類似於主成分分析)以將時間序列資訊自x數目個感測器壓縮成一維向量，所述一維向量捕獲自每一主要方向接收到之y個最強輻射信號。由於日光之資料點數量將逐日改 變，因此預處理至模組E 2713之資料輸入亦涉及時間下標對準。個別時間序列向量(亦即，群集候選者)之間的類似性最通常量測作為逐點(歐幾里德(Euclidean))距離之函數。時間下標之未對準可引起歪曲距離計算，使聚類製程失真。
用於處置由向量長度差值產生之未對準的一種方法涉及將原始時間序列分成經同等大小設定之框架並計算每一框架之平均值。此轉換近似分段基礎上之時間序列的縱向形狀。資料維度可由此減小或擴大，使得可對n個數量之相等長度的時間序列毫無疑問地執行聚類距離計算。
由模組E 2713提供之對準程序亦可經組態以執行動態時間規整(DTW)方法。DTW方法藉由構造規整矩陣而拉伸或壓縮時間序列，自其中邏輯搜索在重新對準期間最小化資料失真之最佳規整路徑。此程序確保藉由聚類分類器執行之距離計算不會發現兩個序列(僅具有略微不同頻率)比其實際上更「遙遠」。由於在數千個記錄上執行逐點距離計算為計算上昂貴的，因此可藉由強制執行局部約束或窗來加快DTW方法，DTW方法不會在超出所述局部約束或窗處探索判定最佳規整路徑。僅在此臨限值窗大小內映射被視為計算逐點距離，從而實質上降低操作之複雜度。亦可應用其他局部限制(例如，LB-Keogh限定)以精簡絕大部分DTW計算。
在藉由模組E 2713預處理後，可將時間序列向量之資料框架輸入至非監督式學習邏輯。由於群集之適當數量(k)可根據位置、季節及其他非定量因素改變，本領域中熟習此項技術者已知之使用k均值聚類邏輯經識別為由模組E 2713使用之適合的方法，允許使用者定義及手動調諧或精確調諧經識別群集之數量以確保輸出不僅具有廣泛代表性，且亦可判斷、可操作且實際上適用。保持上文所提及之m×n尺寸的資料框架之實例，執行k均值聚類邏輯將藉由自n數量之時間序列中隨機選擇k天數作為k數量之候選者群集的初始質心來 開始。在計算資料框架中之每一質心與全部其他時間序列向量之間的逐點DTW距離之前施加局部限制。將向量指派給最接近(最類似)質心，隨後質心經重新計算為指派給同一組之全部向量的平均值。此方法重複用於使用者限定或其他預限定數量之迭代，或直至其他迭代不再引起將向量重新指派給不同群集為止。在所述製程結束時，模組E 2713之分類器將已將資料聚集成展現縱向感測器值之類似模式的k組向量，其構成在特定過去時間框內收集之感測器資料的k最具代表性輪廓。用於構建此等輪廓之歷史資料愈多，此等k均值分組將愈具代表性及資訊性。
藉由模組E 2713判定之輪廓可用於產生關於給定地理位置處給定時間範圍內之特定範圍內出現的輻射量的先前分佈的資訊。基於貝氏(Bayesian)準則假定經識別之此等「典型」輪廓構成高斯(Gaussian)(亦即，隨機正交)過程之混合，吾人可將特定範圍內出現之經預測感測器值的確定性定量為基礎高斯過程之第一(均值)及第二(偏差)時刻之函數。此即為監督式基於核之模型(如高斯過程回歸(Gaussian Process Regression))可利用由非監督式聚類識別之輪廓以產生用於一個預測之完整後分佈(亦即，用於經預測感測器值之信賴區間)，提供對於可能(偏差)及最可能(均值)結果之洞察。因此，在一個實施例中，模組E 2713之非監督式機器學習技術可與模組B 2710之經監督機器技術配對以加強及改良由模組B 2710作出的天氣預測。在一個實施例中，使用DNN子模組2710b獲得之概率可信度使用由模組E 2713提供之輪廓來修改或較佳地量化其預測。在一些情況下，模組可能無法正常運行，在此期間，且直至故障經識別並校正為止，窗控制系統2700可能無法提供其預期的功能。在行進成本、所使用材料、所提供維護服務與系統之客戶影響停工時間之間，處理此事件需要之費用快速地累積。當與模組C或D相關聯之一或多個感測器發生故障時，可能出現一種類型故障。儘管一或多個感測器可能無法 提供其既定功能，但本發明識別到，由窗控制系統2700儲存作為時間序列資料之位置特定感測器資料可用於除上文先前所描述以外的目的。
在一個實施例中，若與模組C 2711及/或模組D 2712相關聯之功能失效或變得不可用，則本發明識別到，經組態具有控制邏輯以執行加權重心平均法(Barycenter averaging)之模組2719可應用於過去所獲得之感測器資料之歷史序列以得到感測器值分佈，所述感測器值分佈可用作當前讀數之替代且用於提供未來天氣條件之預測。在一個實施例中，可藉由神經網路(例如模組B)處理替代讀數。在一個實施例中，在最近的滾動窗中，在平均日長度時間序列感測器資料中給予更靠近當前的日子對應較重權重。在硬體故障之情況下，可在恢復所需之任何停工時間的持續期間供應歷史感測器資料之此等加權重心平均值。
計算加權重心平均值涉及預處理及機器學習時間對準座標並最小化用於產生最佳平均值集合的時間序列輪廓之間的距離，所述平均值集合反應加權方案之需求。在一個實施例中，適當的預處理技術為分段聚集近似(PAA)，其藉由將時間序列分成相當於所需數量之時間步驟的大量區段，隨後用其資料點之均值來代替每一區段來沿時間軸壓縮資料。應用PAA後，歷史滾動窗中包含的所有時間序列輪廓含有相同數量之時間步驟，而不考慮日長度之季節差異，此可在特定時間框架範圍內改變。需要沿時間軸的相等尺寸來計算由用於執行重心平均的最佳化函數最小化的逐點距離。儘管一系列不同距離度量值可用於計算重心，但諸如歐幾里德或軟性動態時間規整(軟性DTW)度量值之其他解決方案亦可用以提供平均輪廓。儘管前者計算更快及執行沿時間軸之座標之間的一般直線距離，但後者為DTW度量值之正則化平滑公式，其將經定界窗應用至其距離計算以考慮略微相差。可將限制施加在重心最佳化函數上以判定待使用之歷史資料的滾動窗之長度。具有較高最佳化成本之時間框指示 揮發性天氣且保證使用更短滾動天數窗以執行重心平均。較低最佳化成本對應於更穩定天氣，自其中可在執行重心平均時獲取資訊性歷史資料之較長滾動窗。在一個實施例中，可在定點基礎上產生可用的的任何的歷史資料。
若即時資料變得不可用，則可實施重心平均操作(例如，在模組2719中或在模組2819中)以利用歷史資料產生合成的即時原始感測器資料。舉例而言，若位點處之多感測器裝置或天空感測器發生故障或以其他方式變得不可用，則重心平均操作可用於產生合成的即時光感測器及紅外線感測器讀數。為產生合成的即時原始感測器資料，重心平均使用儲存在時間框上之歷史感測器資料來計算自日出至日落之每一時間索引處之逐點加權距離以產生第二天的可能輻射輪廓。在一個實例中，可使用7-10天範圍內之時間框上的歷史感測器資料。重心平均通常在時間框之每一天(例如以1分鐘時間間隔)使用時間索引之間的同一距離。時間索引之數量取決於日出至日落之間的相應日之長度而改變。連續日中之時間索引之數量擴增或縮小以考慮隨著天數變得越長或越短日光分鐘之季節性改變。在某些實施例中，重心平均用於計算時間框內之每一時間索引的歷史感測器值的加權平均值，其中最近值經更大量地加權。舉例而言，重心平均可使用在10天時間框內之每天正午12點獲取的所儲存之歷史光感測器讀數，對來自最近日之讀數進行更大量地加權(例如，對於第10天加權10，對於第9天加權9，對於第8天加權8等)以計算光感測器值在正午12點時的加權平均值。重心平均用於判定光感測器值在每一時間索引處之加權平均值以產生一天內之合成的即時光感測器值之平均輪廓。
重心平均操作可用於產生合成即時感測器值(諸如光感測器值、紅外線感測器值、環境溫度感測器值等)之平均輪廓。重心平均操作可使用自平均輪廓獲取之合成的即時感測器值以產生至各種模組及模型的輸入，所述模組及模型可能被要求在一天中執行。舉例而言，重心平均操作可使用滾動歷史 資料以產生合成的光感測器值作為至神經網路模型或其他模型中之輸入，例如模組2710a之LSTM神經網路及模組2710b之DNN。
-實時模型輸入及輸出
用於神經網路模型或其他模型中之每一者之輸入特徵集合通常保持最新且準備好饋入至實時模型中以預測所述位點處之條件。在某些實施例中，輸入特徵係基於來自位點處之感測器(例如，光感測器、紅外線感測器、環境溫度感測器等)之原始量測值。在某些實施例中，感測器位於單一殼體中或以其他方式居中定位(例如)於位於建築物之屋頂上的多感測器裝置中或居中定位於天空感測器中。多感測器裝置包含徑向地且在不同方位的定向上配置的十二(12)個光感測器、豎直定向(面向上)之一個光感測器、向上定向之兩個紅外線感測器及兩個環境溫度感測器。可安裝至建築物之屋頂的此多感測器裝置之實例描述於美國專利申請案15/287,646中，所述申請案特此以全文引用之方式併入。可以各種方式使用來自多個不同感測器之資訊。舉例而言，在特定時間，可將來自兩個更多感測器之所量測值合併，例如集中趨勢，感測器值之此均值或平均數。替代地或另外，在特定時間，僅使用一個量測值；例如來自全部感測器之最大值、全部感測器之最小值、全部感測器讀數之中位值。在一個實施例中，所述模型輸入特徵係基於由多感測器裝置之十三個光感測器獲取的多個原始光感測器讀數之最大值且基於最小紅外線感測器值，例如小於多感測器裝置之兩個環境溫度感測器讀數之最小值的兩個紅外線感測器讀數之最小值。最大光感測器值表示所述位點處之太陽輻射之最高位準，且最小紅外線感測器值表示所述位點處之晴空之最高位準。
在某些實施例中，饋入至神經網路模型或其他模型中之輸入特徵集合包含計算歷史感測器資料之多個滾動窗。在一種情況下，使用長度自五(5)至十(10)分鐘範圍的六(6)個滾動窗。滾動計算之實例包含滾動均值、滾動 中位值、滾動最小值、滾動最大值、滾動按指數律成比例加權移動平均值、滾動相關性等。在一個實施例中，輸入特徵集合包含用於最大光感測器值及最小IR感測器值中之每一者之歷史資料的多個滾動窗的滾動均值、滾動中位值、滾動最小值、滾動最大值、滾動按指數律成比例加權移動平均值及滾動相關性之六次滾動計算，其中經預測輸出習得為此等輸入之歷史時間框的函數。舉例而言，若六(6)次滾動計算用於針對最大光感測器及最小IR感測器值中之每一者之長度自六(6)至十(10)分鐘範圍的五(5)個滾動窗，其中預測輸出習得為四(4)分鐘歷史之函數，輸入特徵集合為240(=6次滾動計算×5個滾動窗×2個感測器值×4分鐘)。滾動窗定期(例如每分鐘)更新，以丟棄最舊的資料並引入更新的資料。在一些情況下，滾動窗之長度經選定以最小化在實時(即時)預測期間排隊資料的延遲。
在某些實施例中，具有自校正特徵選擇製程(諸如下文描述)之機器學習子模組可經實施以間接量化且憑經驗驗證全部可能模型輸入之相對重要性以將輸入集合中之特徵數量減小至更高效輸入組態。在此等情況下，輸入特徵之總數量可減少至可用於初始化及執行模型的較小子集。舉例而言，基於用於原始最大光感測器值及最小IR感測器值兩者之長度五(5)至十(10)分鐘範圍之六(6)個滾動窗之六次滾動計算的七十二(72)個輸入特徵集合可減小至50個輸入特徵子集。
在一個實施例中，將輸入特徵(例如，二百(200)個或更多個輸入特徵集合)饋入至神經網路中。神經網路架構之一個實例為密集神經網路(DNN)，諸如具有七(7)層及五十五(55)個總節點之網路。在一些DNN架構中，每一輸入特徵與每一第一層節點連接，且每一節點為與每個其他節點連接的占位符(變量X)。第一層中之節點模型化所有輸入特徵之間的關係。後續層中之節點學習先前層中經模型化之關係的關係。在執行DNN時，迭代地最 小化誤差，更新每一節點占位符之係數權重。
在一些情況下，模型輸出未來的一或多個預測的條件值。舉例而言，模型可輸出未來的某個點(例如，未來的約五(5)至六十(60)分鐘)的預測條件。在一些實施例中，模型輸出未來七(7)分鐘(t+7分鐘)的預測條件。作為另一實例，模型可輸出預測條件若干未來時間，例如，未來七(7)分鐘(t+7分鐘)、未來十(10)分鐘、未來十五(15)分鐘(t+10分鐘)。在其他情況下，模型輸出預測的感測器值，諸如在單一DNN架構實施例中。
-模型重新訓練
為考慮地理位置、季節性變化及改變峰面之定點差異，可定期重新訓練各種神經網路模型或其他預測模型。在某些實施例中，每日或關於一些其他定期基礎(例如，每1天與10天之間)藉由更新的訓練資料重新訓練所述模型。例如當諸如夜間期間未執行實時模型時重新訓練所述模型。在某些實施例中，藉由包含一段時間(諸如(例如)一週、兩週、三週或更長)所儲存之歷史資料的訓練資料來重新訓練所述模型。可定期更新歷史資料以丟棄最舊的資料並引入更新的資料。舉例而言，當晚間定期更新歷史資料時，丟棄最早日期的資料，並插入當天的最新資料。此等定期更新確保歷史資料與改變的外部天氣條件(諸如溫度、太陽角度、雲層等)的步調及定性本質保持一致。在其他實施例中，基於一段時間儲存之一或多個訓練資料塊藉由訓練資料來重新訓練模型。。在其他實施例中，使用基於歷史資料及歷史資料塊之組合的訓練資料來重新訓練模型。訓練資料包含在正常執行期間由所述模型用作輸入之類型的特徵輸入值。舉例而言，如所描述，特徵輸入資料可包含感測器讀數之滾動平均值。
訓練資料包含基於所述位點處收集之歷史資料(滾動或以其他方式)之模型特徵值。舉例而言，訓練資料可包含所述位點處之光感測器及紅外 線感測器之歷史讀數的最大光感測器值及/或最小IR感測器值。在另一實例中，訓練資料可包含基於所述位點處收集之光感測器及紅外線感測器的歷史讀數之滾動窗(例如，滾動均值、滾動中位值、滾動最小值、滾動最大值、滾動按指數律成比例加權移動平均值及滾動相關性等)之計算的模型特徵。取決於由訓練資料覆蓋的天氣條件之數量及類型，訓練資料可能包含在數天、數週、數月或數年內獲得的資料。
在某些實施例中，饋入至神經網路模型或其他模型中之訓練資料包含模型輸入特徵，所述模型輸入特徵係基於歷史感測器資料(諸如上文所描述)之多個滾動窗的計算。舉例而言，訓練資料集合可包含用於最大光感測器值及最小IR感測器值中之每一者的歷史資料之多個滾動窗的滾動均值、滾動中位值、滾動最小值、滾動最大值、滾動按指數律成比例加權移動平均值及滾動相關性之六次滾動計算，其中預測輸出習得為此等輸入之歷史時間框的函數。若六(6)次滾動計算用於最大光感測器及最小IR感測器值中之每一者之長度六(6)至十(10)分鐘範圍的五(5)個滾動窗，其中預測輸出經習得為四(4)分鐘歷史之函數，則訓練資料中之輸入特徵集合為240。
在某些實施例中，使用基於在一或多個時段(在此期間所述位點處存在各種天氣條件)內收集之歷史資料塊之訓練資料重新訓練神經網路模型或其他模型以最佳化用於此等條件之所述模型且使總結構域之子集內的訓練資料多樣化。舉例而言，訓練資料可包含在時段內收集之模型特徵的值，在所述時段期間，所述位點處存在部分多雲條件、薄霧條件、晴空條件及其他天氣條件。
在一些情況下，訓練資料經設計成具有模型特徵以捕捉所述位點處之全部可能性天氣條件。舉例而言，訓練資料可包含在過去一年、過去兩年等內收集之全部滾動歷史資料。在另一實例中，訓練資料可包含在時段內獲得 之歷史資料塊，在所述時段期間，所述位點處存在天氣條件中之每一者。舉例而言，訓練資料可包含具有在薄霧條件期間獲得之資料的一個資料集、具有在晴空條件期間獲得之資料的一個資料集、具有在部分雲條件期間獲得之資料的一個資料集、具有在部分多雲條件期間獲得之資料的一個資料集等。
在其他情況下，訓練資料經設計成具有與所述位點處之全部可能性天氣條件之子集相關聯的模型特徵。舉例而言，訓練資料可包含在時段內獲得之歷史資料塊，在所述時段期間，所述位點處出現天氣條件子集。在此情況下，針對天氣條件子集對所述模型進行最佳化。舉例而言，用於針對薄霧條件對模型進行最佳化之訓練資料可使用在冬季數月期間及在存在薄霧之週期期間獲得之輸入特徵。
隨著天氣模式改變及/或位點周圍出現建構，可能出現微氣候變化、建築物陰影及所述位點處之局部條件之其他改變。為適應不斷改變的條件，訓練資料可經設計成具有輸入特徵，所述輸入特徵在此等局部條件存在於所述位點處時耙向獲得的資料。在一個實施例中，可實施轉移學習以初始化藉由模型參數經重新訓練之模型，所述模型參數來自先前經訓練用於所述位點處之全部先前存在的天氣條件的模型。隨後可藉由在新局部條件期間獲得之訓練資料重新訓練所述模型以確保所述模型與所述位點處之不斷改變的局部條件之定性本質保持一致。
在某些實施例中，藉由模型參數(例如，係數權重、偏置等)首先初始化經重新訓練之模型，所述模型參數係基於超參數；例如基於資料之隨機分佈。各種技術可用於諸如使用截短常態分佈而判定隨機分佈。
在模型訓練期間，所述模型參數(例如，係數權重、偏置等)經調節且迭代地最小化誤差直到彙聚為止。神經網路模型或其他模型經訓練以設定將用於第二天之實時模型的模型參數。經執行之實時模型使用基於即時感測 器值之輸入特徵以預測將由控制邏輯使用以作出彼日之色調決策的條件。重新訓練製程期間習得之模型參數可儲存及用作轉移學習製程中之起點。
轉移學習
一般而言，轉移學習操作使用在先前訓練製程中習得的儲存模型參數作為重新訓練新模型的起點。舉例而言，轉移學習操作可以使用先前訓練的神經網路模型的節點占位符的係數權重來初始化一或多個新模型。在此實例中，將經訓練模型之節點占位符的係數權重保存至記憶體並重新加載以初始化例如每天重新訓練的新模型。藉由經前期訓練模型之模型參數初始化新模型可便於且加快彙聚為最終最佳化模型參數且通常加速重新訓練製程。轉移學習亦可免除從頭開始重新訓練新模型之需要(藉由隨機初始化)。舉例而言，在每日重新訓練製程期間，可藉由經先前訓練模型之節點占位符的係數權重來初始化所述模型。模型訓練可表徵為精細調諧係數權重並調節工作參數化。藉由以經先前訓練模型之係數權重開始，係數權重之最佳化通常開始更靠近全局誤差最小值。此可減小最佳化期間係數權重及迭代之更新數量，其可幫助減小平台停工時間及計算資源。另外或替代地，轉移學習操作將經轉移模型參數固定在用於某些層/節點之新模型中且僅重新訓練未固定層/節點，其亦可減小計算資源及平台停工時間。
在某些實施例中，轉移學習操作包含於模型之重新訓練製程中。藉由來自先前訓練製程之所儲存模型參數來初始化經重新訓練的模型中之每一者。在一個實施例中，轉移學習操作包含於可能被要求在一天中執行的模型之每日重新訓練中。舉例而言，轉移學習操作可能包含於圖27A之重新訓練操作2903中。在此等實施例中，轉移初始化及每日重新訓練期間獲得之知識有助於對條件中之定點改變進行更精細粒度地調節。
在一個實施例中，轉移學習操作藉由來自先前訓練製程之所儲存 之模型參數來初始化模型，所述先前訓練製程使用來自第一時間段內之歷史資料塊。舉例而言，先前訓練製程可使用一(1)個月、兩(2)個月、三(3)個月等時間段內之歷史資料塊。在經初始化模型之重新訓練期間，所述模型經重新訓練以使用基於第二時間段內之滾動歷史資料的訓練資料來更新所述模型。舉例而言，重新訓練製程可使用具有在五(5)至十(10)天範圍內之第二時間段的滾動窗。歷史資料塊之時間段長於滾動窗之時間段。
在一個實施例中，轉移學習操作藉由來自先前訓練製程之所儲存之模型參數來初始化模型，所述先前訓練製程使用來自第一時間段(例如，一(1)個月、兩(2)個月、三(3)個月等)內之歷史資料塊的訓練資料。在經初始化模型之重新訓練期間，所述模型經重新訓練以使用基於天氣條件之目標子集的訓練資料來更新所述模型。舉例而言，訓練資料可包含第二時間段期間之新天氣條件期間獲得的資料，例如重新訓練之前三個月的兩週時段期間出現的資料。重新訓練製程在第二時間段期間使用所述訓練資料來重新訓練所述模型。
-單一DNN架構(未實施之循環LSTM神經網路)
在某些實施例中，實時模型選擇框架有助於釋放特定模型，諸如經最佳化供與僅光感測器輸入、僅紅外線感測器輸入、僅天氣饋入資料等一起使用之模型。在此等實施例及其他實施例中，控制邏輯執行圖25中所說明之模組及模型之完整集合之子集。未執行的部分可儲存在記憶體中並重新訓練以便在未來某天執行，或者可不存在於架構中。
舉例而言，在一個實施例中，圖25中所說明之控制邏輯並未實施模組B及模組E，而是執行模組C 2711、模組D 2712及重心(baycenter)平均模組2719。在此實施例中，未實施模組2710a之循環LSTM神經網路，而是實施單一密集神經網路(DNN)。根據一個態樣，單一DNN為具有根據總數量 之模型參數的減小數量之模型參數的稀疏DNN，所述總數量之模型參數通常用於模組2710b之DNN，其中實施模型及模組之完整集合。在一個實例中，稀疏DNN具有模組2710b之DNN的20%模型特徵。在一個實施例中，執行線性內核支援向量機(SVM)或其他類似技術以將稀疏DNN的模型特徵消除為模組2710b之DNN的潛在特徵之總數量的子集。
圖26為根據一實施例之具有單一DNN架構的窗控制系統2800的方塊圖。窗控制系統2800包含窗控制器2820，例如主控制器或本端窗控制器。窗控制系統2800亦包含由某些塊描繪的控制邏輯。窗控制系統2800之一或多個組件實施控制邏輯。控制邏輯包含重心平均模組2819、DNN模組2830、模組A 2801、模組C1 2811及模組D1 2812。在一種情況下，DNN模組2830包含稀疏DNN。模組A 2801包含類似於圖25之模組2701之邏輯的控制邏輯。
可執行重心平均模組2819以基於歷史感測器資料而判定合成即時感測器值並基於合成即時感測器值而判定一天的平均感測器輪廓。舉例而言，可執行重心平均模組2819以判定一天中之平均光感測器輪廓及平均紅外線感測器輪廓。在一種情況下，可執行重心平均模組2819以另外判定一天中之平均環境溫度感測器輪廓。重心平均模組2819使用滾動歷史資料來產生合成值作為DNN模組2830之輸入。DNN模組2830之實時稀疏DNN使用基於來自重心平均模組2819之合成值的輸入特徵以輸出用作模組D1 2812之輸入之一或多個預測的IR感測器值且輸出用作模組C1 2811之輸入的一或多個預測的光感測器值。舉例而言，DNN模組2830可輸出未來7分鐘、未來10分鐘、未來15分鐘等的預測的IR感測器值及預測的光感測器(PS)值。
模組C1 2811包含控制邏輯，可執行所述控制邏輯以藉由將來自DNN模組2830之實時DNN的光感測器值輸出與臨限值進行比較以判定雲覆蓋條件，以基於所判定之雲覆蓋條件判定色調位準。可執行模組D1 2812以基於 自實時DNN 2830輸出之紅外線感測器值及/或環境溫度感測器值來判定色調位準。窗控制器2820基於來自模組A 2801、模組C1 2811及模組D1 2812之色調位準輸出之最大值來執行色調命令。
實時模型選擇-介紹及背景
在某些實施例中，經組態以判定窗色調狀態之控制邏輯自一套可用模型中動態地選擇及部署特定模型。每一模型可具有條件集合，每一模型在所述條件集合下比套件中之其他模型更佳地判定窗色調狀態。用於實施此方法之架構或框架包含用於選擇模型之邏輯及經訓練以產生關於特定條件之最佳結果的特定一套模型，所述特定條件經最佳化。即使在不同時間針對不同模型部署即時色調狀態決策，仍可不間斷地提供框架。
模型選擇框架動態地選擇模型，而不是部署單一通用模型以處理建築物在整天、一週、一季或一年中遭遇之所有可能外部條件。模型選擇邏輯可在任何時刻選擇經判定能最佳處理其出現的特定種類之外部條件的模型。舉例而言，選擇可基於特定位置(例如，建築物位點處)處當前存在的環境條件及/或基於年時間、日時間等期間預期的條件。
在某些實施例中，所述模型選擇邏輯評估條件且在執行可用模型中之一者(實時)時選擇模型。此意謂色調判定邏輯可在模型之間變換而無任何明顯停工時間。為此，控制邏輯可連續地接收當前可用的資料且動態地部署經最佳化以處理當前觀測到的即時條件之模型。
動態模型選擇框架亦可用於為色調選擇邏輯提供彈性。在某些實施例中，模型選擇邏輯可考慮一或多種類型之特徵輸入資料(用於所述模型)變得暫時不可用之情況。舉例而言，第一模型可能需要多種類型之輸入特徵，包含IR感測到的值，且第二模型可能需要相同輸入特徵，但非IR感測到的值。若正在進行色調決策邏輯，則當IR感測器突然離線時使用第一模型，則模型選 擇邏輯隨後可交換至第二模型以連續作出即時色調決策。在一些情況下，模型選擇邏輯可考慮所述模型中之一或多者失效或以其他方式變得不可用且邏輯必須立刻選擇不同模型之情況。
在一些實施例中，實時模型選擇框架有助於釋放特定模型(諸如經最佳化以供與僅光感測器輸入一起使用之模型)，允許建築物位點配備有較早(或多種)版本之感測器單元以實現模型驅動預測之益處。
實時模型選擇-詳細描述
總製程(在已部署模型後)
圖27A呈現說明動態模型選擇之方法之流程圖。所描繪之製程在操作2901處開始，所述操作可以與諸如新的一天，日出等的開始之類的重複事件相關聯。此類事件之時間不必每天都相同，並且在某些情況下甚至不需要基於每日一次的重複活動。無關於事件之基礎，製程初始化或以其他方式準備用於在操作2903處執行的各種可用的模型。在所描繪之實施例中，彼操作涉及重新訓練可能被要求在一天或其他時間段內執行的所有模型，直至再次開始所述製程。當頻繁地重新訓練模型(例如每天或甚至更頻繁)時，色調條件判定模型之效能明顯改良。
在操作2905處，將當前條件提供至所述模型選擇邏輯。可在全部模型準備好執行重新訓練或其他操作之前、期間或之後執行此操作。當前條件可與外部天氣條件(例如，溫度、太陽角度、雲覆蓋等)有關，可藉由一或多個感測器，諸如本文中描述之IR感測器及/或光感測器來判定所述外部天氣條件。或當前條件可基於當前可用的輸入特徵集合(例如，自網際網路饋入的天氣資料、IR感測器資料、光感測器資料等)。當僅可用輸入特徵之子集可用時，套件中之某些模型可能不可使用。
在操作2907處，所述模型選擇邏輯實際上選擇用於執行且其藉 由考慮當前外部條件的確執行之模型。舉例而言，若當前天氣條件指示霧或類似條件，則所述模型選擇邏輯可自動地選擇經訓練及/或最佳化以在有霧條件下正確選擇色調狀態之模型。在另一實例中，若原發性模型需要天氣饋入、IR感測器資料及光感測器資料作為輸入特徵且當通信鏈路失效及天氣饋入突然變得不可用時彼原發性模型正在執行，則所述模型選擇邏輯可自動地觸發備用模型之執行，所述備用模型僅需要IR感測器資料及光感測器資料作為輸入特徵。
當所述模型選擇邏輯基於當前條件而識別模型以執行時，邏輯必須確保持續順暢的操作。為此目的，邏輯可判定是否操作2907中選中之模型為當前正執行模型。參見決策操作2909。若如此，則其准許當前正執行模型繼續執行並判定未來色調狀態。參見操作2913。否則，其轉變至新選定模型且允許其開始判定未來色調狀態。參見操作2911。
無論模型是否切換或保持不變，所述製程可以繼續循環重複檢查當前條件(操作2905)及選擇用於條件之最佳模型(操作2907)，直至不再需要窗色調，例如在日落或一天結束時。參見決策操作2915。當藉由操作2915判定結束事件時，將製程控制引導至結束狀態2917，且在下一次出現開始事件2901之前不進行進一步的模型選擇。
多種模型
如所指示，色調決策邏輯可採用具有多個模型之架構，所述多個模型可用於判定哪一色調狀態之窗最佳考慮了近期天氣條件。當然，可用於選擇之模型數量取決於諸多情況-特定因素，諸如特有及潛在地脆弱輸入特徵源之數量、特定位置中之定性不同之天氣條件的改變、可用訓練及/或計算資源等。在某些實施例中，可用於選擇之模型數量為至少三個。在某些實施例中，可用模型數量在約兩個與二十個之間，或在約三個與十個之間。
在諸多實施中，可用於選擇之全部模型提供類似輸出，諸如色調 控制邏輯可使用以基於當前條件判定提出何種色調狀態之色調決策或資訊。舉例而言，在一些實施例中，每一模型經組態以自兩個或更多個可能色調狀態(例如，兩個、三個、四個或更多個可能色調狀態)中輸出色調狀態。在其他實施例中，每一模型經組態以輸出經預測眩光條件、熱通量等。
可用於選擇之模型可或可不需要類似輸入。在模型選擇框架意欲提供特徵輸入冗餘之情況下，模型中之一或多者可能需要一個特徵輸入集合，而一或多個其他模型需要不同的特徵輸入集合。
可用於選擇之所有模型可為相同、相似或不相關的模型類型。舉例而言，所有模型可為具有相同或相似架構之人工神經網路，例如，其皆可為具有相同架構之復發或卷積神經網路。或所述模型中之一些可具有第一神經網路架構，而其他模型具有不同的神經網路架構。或一個或移動模型可為神經網路，而一或多個其他模型可為回歸模型、隨機森林模型等。在某些實施例中，一些或所有模型為前饋神經網路。在某些實施例中，模型中之一或多者為密集神經網路。
可使用實時模型選擇的情況及用於每一情況之模型類型
特徵源彈性：在此情況下，可用於選擇之模型經設計成與不同的輸入特徵集合一起運行。通常，給定神經網路僅與僅特定的輸入特徵類型集合(例如，特定模型可能需要來自IR感測器之四個輸入及來自天氣饋入之一個輸入)一起運行。神經網路具有輸入節點集合，每一節點致力於僅接收一種類型輸入特徵。另外，需要不同輸入特徵集合之模型係以不同方式(藉由不同訓練集合)訓練且可具有不同內部架構。舉例而言，若兩個色調預測模型為神經網路，則其第一層可具有不同數目個節點(基於預期數量之不同輸入特徵)及/或不同類型之節點。簡言之，每一可用模型將具有特定針對其自身預期輸入特徵集合之架構及訓練方法。
在某些實施例中，不僅藉由使用如此處所描述之模型選擇框架且亦使用如本文中其他地方所描述之補充重心平均框架或模組來提供特徵源彈性。在某些實施例中，當感測器資料可用時，重心平均用於產生用於實時預測期間產生的資料之信賴區間。
外部條件特定模型：在這種情況下，可供選擇的模型被設計或最佳化用於不同類型的外部條件，例如不同的天氣條件(例如，晴天、霧天、快速通過的雲、雷暴、煙霧、區域內的火災等)。在某些實施例中，所述模型選擇邏輯自各種可能類型之外部條件中識別當前類型之外部條件。所述模型選擇邏輯接著選擇經最佳化以在當前外部條件下最佳執行的模型。在某些實施例中，使用算法分類器，諸如非監督式學習模型來判定不同外部條件之特徵。
設置實時模型選擇框架
特徵源彈性情況：
在此情況下，一套模型中之色調預測模型經選定以根據輸入特徵設定彼此互補。舉例而言，套件中之第一模型可能需要第一輸入特徵集合(例如，特徵A、B及C)，而套件中之第二模型可能需要第二輸入特徵集合(例如，特徵A及C)。取決於輸入特徵之複雜度，可將額外或不同模型提供於套件中。舉例而言，套件可額外包含需要輸入特徵A、B及D之第三模型及需要輸入特徵C、E及F之第四模型。大體而言，對於特徵彈性，可藉由平衡計算費用及潛在故障點數量而判定一套模型中之模型數量。在某些實施例中，僅存在兩個可用模型。在一些實施例中，還有兩個實施例。在其他實施例中，存在四個或更多個模型。
在一個實例中，實時模型選擇框架採用(i)原發性模型，其執行最佳使用第一輸入特徵集合(例如，IR及光感測器資料)，及(ii)一或多個後饋模型，不會執行那麼好但使用的確需要整個第一輸入參數集合的輸入特徵集 合。舉例而言，備用模型可能僅需要光感測器讀數及天氣饋入作為輸入特徵。或，備用模型可能僅需要IR感測器讀數及天氣饋入作為輸入特徵。若正在執行原發性模型，則當IR感測器或光感測器變得突然不可用時，所述模型選擇邏輯可選擇適當的後饋模型以介入並執行。
外部條件變化情況：
在此情況下，基於操作色調選擇邏輯之給定位置中通常遭遇的大量定性的不同天氣條件來選擇一套模型。應注意，此框架可與僅採用通用模型之框架進行對比。
在全部類型之天氣條件內，任何資訊上之通用模型訓練為可用的。理論上，此模型可預測全部類型的未來天氣條件，且因此判定用於全部類型之天氣的適當的色調狀態。然而，在一些情況下，此靈活性可能伴隨降低精確度之代價。經最佳化以預測某些特定情況下之未來條件的經訓練模型通常由於所述情況內之通用模型。特殊用途模型可優於通用模型之情況的一個實例係在快速移動的雲的情況下。
作為為何不同模型可提供更佳結果之一實例，關於霧或主要多雲條件最佳化之模型在暴露於來自晴朗條件之資料之情況下可能為飽和的，且因此將不適合用於在晴朗條件期間判定色調狀態，但將比有霧條件期間之通用模型更佳地執行。舉例而言，有霧或多雲條件最佳化模型可在霧或雲覆蓋期間提供更精細粒度或更具細微差別之條件變化圖像。訓練此模型採用具有較低強度輻射值之訓練資料。
當使用特定針對外部條件變化情況之一套模型時，實時模型框架設置可能涉及第一識別組或類型之環境條件，其可受益於具有其自身模型，每一模型經最佳化以在特定類型之外部條件範圍內預測未來外部條件。
在一種方法中，設置製程基於復發的特徵值集合(例如，經量測 可見及/或IR值)，諸如特徵值輪廓(例如一天的一部分或一整天內之特徵值之時間序列)而識別可能類別的天氣條件。對於給定位置，可在許多天，例如100天或300天或500天內收集特徵輪廓。且接著，使用算法分類工具，產品識別特徵輪廓之群集。每一群集可表示需要單獨模型之環境條件。
在另一方法中，設置涉及識別預期需要不同模型之不同類型之天氣條件(例如，霧、煙霧、無雲天空、通過積雲、卷雲、雷暴等)。對於此等不同天氣條件中之每一者，所述製程收集特徵值(其可隨時間提供作為輪廓)，且演算法判定與不同天氣條件相關聯之模式。
在某些實施例中，一套模型中存在四個或更多個模型，每一模型經設計且訓練以在預測特定類型之天氣條件方面表現優異。在某些實施中，存在七個或更多個此類模型。
在各種實施例中，藉由分析歷史資料(例如，輻射輪廓)來識別不同的外部條件類型或群集，所述歷史資料可以作為強度對時間資料集合提供，且接著基於適當的分類算法對此等輪廓進行聚類。輪廓之收集可在很長一段時間內進行，例如數月或甚至一年或多年。在一些實施例中，輪廓含有使用單一量測值之連續值；例如隨時間改變之外部輻射通量之原始光感測器量測值。
在某些實施例中，輪廓群集用於產生平均或代表性輪廓，所述輪廓隨後可用於與當前輻射資料進行比較以判定使用哪一模型。可使用各種距離度量值(包含例如單一歐幾里德距離)實現判定當前條件最接近哪一群集。
聚類演算法產生大量不同輻射輪廓群集(例如，至少可用於經選定之模型數量)。在經恰當設計之聚類演算法中，群集係基於鑒於色調控制邏輯為有意義的的性質，例如具有用於給定感測器讀數之不同窗色調序列。產生定性不同輻射輪廓群集之發散條件之實例包含產生迅速地移動雲(例如，卷積雲)之天氣、低垂雲或霧、晴朗且有陽光的條件、雪等。
適合的聚類演算法可採取許多不同形式。在一種方法中，輻射輪廓經提供且彼此相比較以產生逐點距離。在多維剖面空間中，特徵將天然地群集成不同組，所述多組通常與不同天氣條件相關聯。然而，此並非必需的，也不必明確地識別與此等不同群集相關聯之同天氣條件。
在某些實施例中，收集並使用量測的輻射值隨時間的分佈以識別群集。輻射輪廓可具有各種長度。舉例而言，在某些情況下，其為一天的輻射輪廓。可在數天、數週、數月、一年或更多等時段內收集用於聚類之輻射輪廓。每一特徵可具有每隔幾秒、每一分鐘、每幾分鐘、每半小時或每一小時收集之輻射值。在某些實施例中，至少約幾分鐘獲取值。此等輪廓用作聚類基礎。其可以非監督式方式聚集，簡單地考慮到哪些輪廓形成不同群集。
為促進聚類製程且可能減小計算努力，可藉由各種技術中之任一者減小輻射輪廓中之資料大小。一種方法將輪廓映射至仍能有效聚類之減小尺寸的空間。此聚類方法可藉由自動編碼器實現，諸如谷歌公司(Google)的Tensorflow中之seq2seq框架。某些技術提供識別可最終聚集在一起的相關輪廓之一般特性之非監督式預訓練。替代地或另外，可藉由將來自兩天或更多天的資料組合成單一輪廓來減少計算問題。舉例而言，諸如重心平均之技術可用於組合來自兩天或更多天的輪廓。在某些實施例中，使用k均值聚類技術。
在識別群集之後，可以對其進行測試。可使用任何各種聚類測試或驗證程序。實例包含：
1.慣性(樣本[亦即資料個例]至其最接近群集中心之距離總和)
2.輪廓分數(對於每一樣本之平均群集內距離與平均最接近群集距離之間的差值除以兩個之最大值)
3.Calinski-Harabaz得分(群集內及群集間色散之間的比率)(參見Rousseeuw,P.(1986)剪影：對聚類分析的解釋及驗證的圖形輔助。在：《計算及 應用數學雜誌(Journal of Computational and Applied Mathematics)》20.53-65)中。(參見Cali
Figure 108128999-A0202-12-0084-42
skiT及Harabasz J.(1974).聚類分析之枝狀方法(A Dendrite Method for Cluster Analysis)，在：《統計通信(Communications in Statistics)》，3：1,1-27中，
在一些情況下，測試會檢查群集距離及群集間距離並進行比較。
已發現，輻射輪廓群集有時具有可識別的特徵。圖27B描繪來自不同群集的特徵輻射輪廓之實例。此圖說明不同群集中的輻射輪廓的特徵分佈。
標籤如下：
1.晴朗
2.多雲
3.部分多雲
4.混合晴朗/部分多雲
5.晴朗帶固囚鋒
6.部分多雲帶固囚鋒
所有輪廓皆為具有分鐘級解析度之日長度。Y軸為光感測器值，自(0-779瓦特/平方米)至(0到1)縮放。
在某些實施例中，聚類邏輯識別個別輻射輪廓群集的區別特徵。為此目的可採用各種技術。一個實施例採用形狀子特徵分析。輪廓中之某些輻射資料點子集可用作特徵。可使用形狀子特徵識別算法。當使用即時模型選擇時，可例如即時地處理當前條件，以產生形狀子特徵或其他特徵，其與針對與各種可用實況模型相關聯的各種群集的對應特徵進行比較。基於當前條件與哪個群集相關聯，可選擇即時模型。
在某些實施例中，使用監督式或非監督式學習來進行聚類。在一些情況下，使用非監督式學習，且任選地使用收集的資訊及使用在圖25的上下 文中所論述之模組E中的邏輯得出的結論來進行聚類。
產生模型
當不同類型之模型經識別包含於框架中時，必須實際上產生或獲得彼等模型。因此，相關工作流程基於用於特定模型之輪廓或其他資訊之資料來產生或選擇模型。
在輸入特徵彈性之情況下，必須藉由使用不同輸入特徵組合之不同訓練集合來訓練不同模型。舉例而言，可使用具有IR感測器讀數及對應天氣饋入資訊訓練一個模型，同時可使用具有光感測器讀數連同對應IR感測器讀數及天氣饋入資訊之資料訓練另一模型。可使用光感測器讀數及對應天氣饋入資訊訓練又一模型。此等模型中之每一者可具有不同架構。
在經最佳化用於不同外部條件(例如，不同天氣類型)之一套模型之情況下，個別模型各自關於針對其自身特定類型之外部條件收集資料進行訓練。對於設置中識別的每一外部條件，工作流程僅使用在出現此條件時獲得的資料來訓練模型。舉例而言，工作流程可使用來自第一天氣條件(例如，有霧早晨)之訓練資料發展及測試第一模型，使用來自第二天氣條件(例如，穿過雲)之訓練資料發展及測試第二模型等等。在某些實施例中，相對於一些基準(諸如藉由來自多個不同天氣條件之資料訓練的模型之效能)來測試每一經訓練模型之效能。
用於決定使用哪一模型(即時)之準則
可由模型選擇邏輯使用各種因素以實際上選擇模型以用於即刻或近期色調狀態判定。即時決定使用哪一模型之製程通常取決於即刻或預期條件及可用於選擇之模型之間的差值。舉例而言，在特徵源彈性情況下，模型選擇邏輯可針對可能問題而監測輸入參數源。若觀測到已或將可能產生變得不可供用於當前執行模型之輸入特徵的故障，則所述模型選擇邏輯可立刻或即時變 換至全部所需輸入特徵當前為可用的不同模型。
在一個實例中，原發性模型執行最佳且使用第一輸入特徵集合(例如，IR感測器及光感測器資料)，而一或多個後饋模型亦不執行但使用的確需要整個第一輸入參數集合之輸入特徵集合。舉例而言，備用模型可能僅需要光感測器讀數及天氣饋入作為輸入特徵。或，備用模型可能僅需要IR感測器讀數及天氣饋入作為輸入特徵。接著，若正在執行原發性模型，則當IR感測器或光感測器變得突然不可用時，所述模型選擇邏輯可選擇適當的後饋模型以介入並執行。
在一套模型包含經最佳化以處理不同類型之外部條件之模型的情況下，選擇邏輯可監測外部條件並有規律地判定哪一模型在給定的彼等條件可能最佳地執行。
在一些實施例中，此模型選擇邏輯使用當前資料集合(例如，局部IR感測器及/或光感測器讀數)及/或當前資訊(例如，天氣饋入)以評估當前外部條件(例如，基於輻射輪廓)。所述模型選擇邏輯使當前外部條件與最類似群集或分類法相關聯，其暗示特定模型。各種技術可用於識別最類似於當前條件之群集或分類法。舉例而言，若群集或分類法係由多維空間中之區域或點表示，則模型選擇邏輯可判定距離，諸如當前條件與群集或分類中之每一者之間的歐幾里德距離。亦可採用非歐幾里德技術。在一些實施例中，k均值用於與當前條件相關聯。在將當前條件聚類之後，邏輯選擇執行與群集相關聯的模型或與當前條件相關聯的分類。
作為一實例，若輻射輪廓由於例如霧提昇或風暴前鋒接近而改變，則經處理感測器讀數可指示外部條件已自輻射輪廓之一個分類轉變至輻射輪廓之另一分類，且此轉變需要選擇經最佳化用於新輻射輪廓之新模型。
定時
所述模型選擇邏輯可選擇適合於即時控制窗著色之特定頻率下之模型，例如數秒至數小時。亦即，所述模型選擇邏輯可判定在限定頻率(每幾秒、每幾分鐘或每幾小時)下使用哪一模型。在某些實施例中，所述模型選擇邏輯判定在約5秒與30分鐘之間的頻率下使用哪一模型。在某些實施例中，所述模型選擇邏輯判定在約30秒與15分鐘之間的頻率下使用哪一模型。在一些實施例中，所述模型選擇邏輯在由檢測到的事件(諸如，大於限定臨限值之偵測到之輻射輪廓發生改變)時觸發以選擇模型。
重新訓練及以其他方式保持模型隨時可用
在一套模型內，當前未用於判定色調狀態之彼等模型可能需要隨時準備好執行。為此目的，套件中之全部模型可每日重新訓練，或在一些其他定期基礎(例如，每1天與10天之間)上重新訓練。在某些實施例中，在未執行實時模型時(例如，在夜間期間某些時候，諸如子夜)重新訓練所述模型。
當作出色調決策(例如，在白天期間)時，全部模型必須準備好用於部署。因此，全部模型所需之資料，尤其包含歷史成分之資料(諸如滾動平均感測器資料)必須保持最新且準備好充當用於新選定模型之特徵輸入，即使其並不用於當前執行模型。換言之，在各種實施例中，用於全部模型之全部輸入特徵不斷地產生或以其他方式保持最新並準備好饋入至所述模型中。
另外，若當前未用於判定色調狀態之模型為復發性神經網路，則可能有必要為其饋入輸入特徵且使其執行(即使當前未使用其輸出)，使得若其經選定，則其準備好立刻提供有用輸出。若所述模型為非時間相依(亦即，其不包含記憶體及/或不具有如同前饋神經網路情況之反饋迴路)，則其不需要在被調用判定色調狀態之前執行。
架構實例
圖28呈現用於實時模型選擇框架之實例架構3001的方塊圖。如 所展示，框架依賴於實時模型選擇邏輯3003，其可實施為程式指令及相關處理硬體。邏輯3003接收與當前外部條件有關之各種輸入。在所描繪之實施例中，此等輸入包含局部感測器資料3007及遠端資料3009，諸如經由網際網路提供之天氣饋入。實時模型選擇邏輯3003亦可存取標記3011或其他所儲存資訊，所述所儲存資訊允許邏輯將當前條件與先前分類條件類型進行比較。在某些實施例中，分類標記為形狀子特徵。藉由將分類邏輯應用於當前條件，實時模型選擇邏輯3003自多個條件特定模型當中判定其應選擇哪一類型之模型來預測未來條件。當其作出此決策時，邏輯3003自可用條件特定模型之套件3005中之彼等模型當中選擇一模型。在所描繪之實施例中，存在六個可用的模型。
實時模型選擇-實例
在某些實施例中，實時模型選擇框架採用感測器資料及/或當前條件資訊。感測器資料之實例包含光偵測器及IR感測器輸入，及/或來自例如選定第三方API之實時天氣饋入。
輸入彈性是此框架之一個應用。在利用來自第三方API之實時天氣資料外加來自硬體單元(例如，屋頂感測器單元，諸如2017年5月4日公開之美國專利申請公開案第2017/0122802號中所述之彼等單元)之光及IR感測器輸入之預測模型中，存在三個可能故障點。由於三個輸入中之任一者可在連接故障事件期間存在或不存在，因此存在8個(或23個)可能性輸入組合，其中僅支持實時模型選擇之框架可順暢地處理而無停工時間。
不同於感測器資料，第三方天氣資料不能使用例如加權重心平均技術由歷史值可靠地合成。然而，實驗結果已展示當至感測器輸入中之一或兩者之連接件缺失且必須經合成時，其有助於藉由真實天氣資料補充所述模型。由於給定模型通常僅在提供所有預期輸入時執行，因此在連接故障的情況下必須準備好部署兩個模型模型-一個包括準備好自即時天氣饋入接收輸入的網路占 位符，而另一個不支持。
藉由此架構，實時模型選擇框架僅在其可用時利用真實天氣資料，且框架僅針對缺失之任何輸入合成感測器值，保持所接收之每一實際資料點。以此方式，在存在或不存在輸入每一分鐘即時驅動模型選擇之情況下，確保當前部署模型支持當前接收之輸入之組合。
此方法(及相關架構)使得能夠將具有特定模型之單一框架部署至當前僅配備有光感測器硬體單元之位點。若位點在接受升級時偏好維持兩種版本之硬體(例如，一種類型感測器在一個建築物上，且升級版本之感測器在另一建築物上)，則實時模型選擇框架支持同時部署兩個預測模型，所述模型各自針對其自其對應硬體單元接收之輸入進行最佳化。以此方式，框架提供感測器預測軟體之多功能性。
為驗證實時模型選擇框架之彈性，設計極端波動性壓力測試，其每一分鐘隨機化輸入至預測模組。此測試模擬隨機判定存在或不存在三個輸入中之任一者之情境。自一分鐘至下一分鐘，預測模組可使用兩個輸入之全部、無一者、僅一個或任何組合，所述預測模組即時選擇針對彼等輸入設計之兩個模型中之一者。對於預測模組經歷壓力測試之七天中之每一天的持續期間，部署實時模型選擇框架引起零停工時間，成功地在一天中產生分鐘級預測。
圖29呈現自正午至日落進行之壓力測試的結果。橙色線(3103)表示使用全部輸入(光感測器、IR、來自天氣饋入之預測IO資料)產生的預測。藍色線(3111)表示經預測的實際值；例如來自外部的實際量測輻射強度。淺綠色線(3119)表示使用預測IO資料及合成光感測器及IR資料產生的預測。合成資料係由來自當天之資料的重心平均產生。紫色線(3105)表示僅使用真實光感測器及IR資料產生的預測。紅色線(3107)表示僅使用合成光感測器及IR資料產生的預測。深綠色線(3117)表示使用合成光感測器資料及真實IR資料 產生的預測。黃色線表示使用真實光感測器資料及合成IR資料產生的預測。及棕色線(3131)表示藉由經歷壓力測試之模型產生的預測，其中至所述模型之三個輸入中之任一者之存在或不存在係根據分鐘至分鐘隨機化的。換言之，使用兩個模型之實時模型選擇產生以棕色線展示之預測，一個模型經設計以接收光感測器資料、IR感測器資料及預測IO資料，且另一模型經設計以僅接受光感測器及IR感測器資料。僅使用自所有三個源接受資料之模型產生全部其他曲線：光感測器資料、IR資料及預測IO資料。由於實時模型選擇運行(棕色線)在兩個模型之間來回轉變，因此產生的預測在所有先前描述的模型輸出的預測值範圍內波動。然而，儘管棕色線(3131)波動，其仍合理地接近輻射通量之實際量測值(藍色線3111)停留，因此指示其在具挑戰性條件下提供合理的預測。
遞歸特徵消除-介紹及背景
深度學習力量依賴於輸入特徵之資訊性信號強度，所述輸入特徵之關係由網路架構層表示。然而，無領域知識可提前判定哪一基線輸入特徵集合在所有地理位置及一年時間中產生最佳預測效能。通常存在用於神經網路的許多可能輸入特徵，有時數百個或更多。如本文所提及，一些實例具有約200個可用輸入特徵。然而，使用所有彼等特徵可能導致某些問題，諸如過度擬合，並且可能需要額外的計算資源，這增加了使所述製程變慢的費用。
由於神經網路在某些方面是「黑盒子」算法，因此不可能直接量化輸入特徵之相對重要性。對於此類網路，不僅輸入之間的模型關係，而且關係之關係(之關係......)，無論如何構建多層表示，有效地掩蓋了輸入特徵之相對重要性。深度學習模型之此特性使得難以判定當前正在使用的輸入特徵組是否的確為最佳的。不同的輸入特徵集合訓練不同的關係(關係......)集合，並且替代基線特徵集合的神經在最小化整體預測誤差方面可能更成功。各種各樣的 定點外部條件及其不同及不規則的改變率使得模型輸入特徵的手動調整變得不切實際。
遞歸特徵消除-特徵過濾(一般)
在某些實施例中，機器學習用於使可能另外需要背負定期更新模型參數之專家組監測的特徵選擇製程自動化。在某些實施例中，藉由將機器學習模組整合至用於預測窗色調及/或局部天氣條件之未來值的模型的初始化架構中來實施自動化特徵選擇。此特徵選擇模組可經組態以量化且憑經驗驗證相對特徵重要性。在某些實施例中，此資訊允許具有新輸入之預測模型之自動重新初始化且針對例如不同位置及/或一年中不同時間之改變而更新所述特徵集合。
因此，在特定時間及位點盛行的條件可判定哪一輸入特徵集最適合於最小化預測誤差。且隨著時間的推移，條件中之定點改變將利用改良的輸入集合推動模型之重新初始化，使其能夠自動進行自我校正並更新其現有的參數化。
所述製程有效地過濾了各種可用輸入特徵中之一或多者。儘管可採用各種過濾製程，但以下論述集中在可以用回歸或分類方法(例如支援向量機或隨機森林技術)實現的遞歸特徵消除製程(RFE)。
所揭示技術允許遞歸特徵消除系統自所有可能的特徵輸入中識別在任何給定日期可能最有價值的特定特徵輸入。因此，可使用相對較小的輸入特徵集合來初始化並運行模型。結果，需要減少的計算資源來執行預測例程。其亦可減少模型誤差，亦即與選擇著色調適當窗色調狀態相關的未來外部條件之不準確預測。
如所建議的，RFE可用於捕獲不同位置(甚至在同一城市或社區內)以及一年中不同時間的天氣資料及特徵的行為差異。因此，在一個位置運行良好的輸入特徵集合可能在不同位置不能正常運行。同樣，二月初運行良好 的特徵集合可能在三月中旬亦不能正常運行。每次選擇新輸入特徵集合時，其可以用於重新初始化神經網路，諸如用於預測未色調狀態及/或天氣條件之密集神經網路或遞歸神經網路。
在某些實施例中，特徵消除系統識別特徵輸入之相對重要性。所述製程可採用源自如本文所述的光感測器及/或IR感測器輸入的各種特徵。
在某些實施中，如本文所述週期性重新初始化的模型為本文其他地方描述的任何神經網路，例如密集神經網路及/或遞歸神經網路(例如，LSTM)。在某些實施例中，模型經組態以預測未來至少約五分鐘的外部條件。在某些實施例中，預測進一步延伸至未來，例如至少約15分鐘或至少約30分鐘。在一些實施例中，其延伸至不再為自任何一種色調狀態轉變至不同色調狀態所需的最長時間段的時間段。
遞歸特徵消除-識別特徵子集
在某些實施例中，用於過濾輸入特徵之子模組經組態以執行支持向量回歸，或更特定言之，線性內核支援向量機。此類型之算法工具產生所有可用輸入參數之係數。係數之相對幅值可用作相關輸入參數相對重要性之定量指標。特徵過濾子模組可嵌入在模型訓練期間用於預處理輸入至神經網路的特徵工程管線中。作為一實例，參見下文描述之圖30。
在某些實施例中，支援向量機用於回歸背景而非分類背景(支援向量機的另一種常用情況)。在數學上，兩個製程均產生超平面並識別最接近超平面之資料點。經由此製程，支援向量機識別可用於指定其重要性的特徵輸入的係數。不同特徵類型之此係數產生對於偏最小二乘及主成分分析為常見的。然而，與主成分分析不同，支援向量機並不將特徵類型組合成向量。其分別顯示獨立的特徵輸入。
支援向量機的「支持向量」為位於誤差臨限值之外的資料點，支 援向量機在回歸預測目標變量的潛在模型輸入時容忍所述資料點(例如，光感測器之W/m2，紅外線感測器之華氏度或攝氏度等)。當訓練支援向量機時，僅使用此等資料點來最小化預測誤差，確保相對於對模型造成最大困難的彼等條件量化相對特徵重要性。
在某些實施例中，回歸分析採用給定時間(例如，特定冬日中午)獲取的歷史資料點，且每一資料點包含單一推定輸入特徵之值(例如，最近10分鐘內讀取之IR感測器之滾動平均值)。及相關的原始量測外部輻射值(例如，由外部光感測器量測的輻射值，其可為提供推定輸入特徵值中之一些的同一光感測器)。原始量測的外部輻射值可用作回歸分析之標籤或獨立變量。
通常，回歸分析之輸入為每一推定輸入特徵之單一資料點。當然，一些輸入資料點(推定輸入特徵)具有相關聯的時間值，且除彼時間值之外，其亦表示與一或多個其他輸入點相同的特徵類型。如本文中其他地方所解釋，一些或全部輸入特徵為時滯的，例如通過四個或更多個時間步長。舉例而言，最小量測IR值之五分鐘滾動中位值可由四個模型參數表示(其在時間索引『t』、『t-1』、『t-2』及『t-3』處的值)，其中僅一些可由RFE選擇。因此，在每分鐘(例如，在輸入資料結構之每一行中)，模型含有關於所述特徵在前四分鐘內如何改變的一些資訊。
支持向量回歸(或另一回歸技術)可用於開發係數(具有其推定輸入特徵)與外部輻射值之間的表達或關係。表達式是輸入特徵值及其相關係數之函數。舉例而言，表達式可為係數的乘積及其相關推定輸入特徵之值的總和。
使用誤差最小化例程調整係數，使得由函數生成的計算的輻射值與量測的實際輻射值匹配(例如，用於生成特徵值獲取的光感測器值)。回歸技術可使用支援向量機所採用的計算來對標記點進行分類。從本質上講，所述 製程消除了至少有助於最小化預測誤差的彼等特徵。無論採用何種特定技術，所述製程產生一個回歸表達式，其中包含每個特徵值之係數。
最初，特徵消除製程將回歸應用於所有潛在的輸入特徵，並且經由所述製程基於係數幅值對特徵進行排序。濾出具有低幅值係數的一或多個推定輸入特徵。隨後，所述製程再次應用回歸，但此次使用減少的推定輸入特徵集合，藉由消除先前回歸中的某些低位準輸入特徵來減小所述集合。所述製程可遞歸地繼續進行適當的週期以達到所需數量的輸入特徵。舉例而言，所述製程可繼續直至達到使用者定義的停止標準或所需數量之剩餘預測值。
可接著使用所得特徵集合來初始化具有最高效能輸入組態之神經網路。可關於現有輸入特徵對最近歷史資料的相同驗證集合的執行情況來作出利用輸入特徵之新組態重新初始化模型的決策。
儘管支持向量回歸適用於過濾或消除推定輸入特徵的一種技術，但其並非唯一適合的技術。其他實例包含隨機森林回歸(Forest regression)、部分最小平方及主成分分析。
遞歸消除
「遞歸」消除製程多次運行過濾算法(例如，線性內核支持向量回歸)，每次都獲得更大程度的過濾。通過此方法，所述製程經由多次運行過濾算法逐步消除最不重要的特徵輸入。參數可以是使用者可定義的參數，指定在遞歸過濾製程結束時要選擇的特徵數量。
在一些實施例中，每當支援向量機與一組潛在輸入特徵一起運行時，消除固定數量的特徵。舉例而言，在每次迭代中，消除單個特徵，然後用少一個資料點重新運行支援向量機。作為一實例，若最初有200個可用輸入特徵，並且每次運行支援向量機時會消除另外一個輸入特徵，則支援向量機必須運行100次以將輸入特徵之數量自200減少至100。
在某些實施例中，RFE製程移除可用特徵之初始數量的約20%至70%。在某些實施例中，RFE製程移除至少約50個特徵。在某些實施例中，RFE製程移除約50至200個特徵。作為一實例，最初有200個不同的輸入特徵，在RFE製程中，這些功能中之100個被過濾，以在製程結束時將輸入特徵之數量減少至100個特徵。
輸入特徵消除在識別要過濾的特徵方面可為靈活的。舉例而言，在給定迭代中，可過濾任何類型的特徵。考慮例如僅存在基於靜態感測器讀數的50個輸入特徵的情況，並且所述50個輸入特徵在四個不同時間步長中的每一個上可用(例如，在當前時間之前的四個連續分鐘中之每一個)。因此，存在200個可用輸入特徵。消除程序可考慮在一個時間步驟消除一些特徵，在不同時間步驟消除其他特徵，在第三時間步驟消除其他特徵，等等。此外，可在多於一個時間步驟保留一些特徵類型。因此，消除程序可基於特徵類型(例如，滾動光感測器平均值對滾動IR感測器中值)及基於時間增量(與當前時間相比)消除特徵。
遞歸特徵消除-使用新參數子集重新初始化模型
在計算模型設計中，可能存在模型定義及開發之各個階段。此等階段中之一者為初始化。在一些實施例中，每次定義新的輸入特徵類型集合時，所述製程初始化或重新初始化模型。
1.模型架構-在神經網路之情況下，此可表示包含數字層、每一層中之節點及鄰近層中之節點之間的連接件之網路的整體結構。
2.模型超參數最佳化-在參考訓練之前設定超參數。作為一實例，超參數可為網路中之個別節點之激活功能中一或多個參數之初始(訓練之前)參數值集合。在另一實例中，待最佳化之超參數包含個別節點之初始(同樣在訓練之前)權重。
超參數有時亦用於定義模型的學習方式。舉例而言，其可設定模型學習的速率，例如梯度下降技術。
3.初始化-一旦設定了超參數，則藉由定義將要使用的輸入特徵類型集合來初始化模型。藉由輸入特徵集合初始訓練神經網路模型為初始化。每次重新初始化模型時，藉由新的輸入特徵類型集合來訓練所述模型。
4.學習-藉由初始化模型，訓練算法使用具有輸入特徵值及相關標籤的訓練資料集合來訓練模型。
遞歸特徵消除-實例製程流程
圖30呈現展示用於採用定期輸入特徵過濾進行模型更新之方法之一個實施的流程圖3201。可執行以下操作。
a)接收較大潛在輸入特徵集合(例如，源自頻率特定感測器讀數之歷史值的多於100個特徵)。參見操作3203。
b)在整個集合上進行初始特徵過濾(例如，使用SVM RFE)以識別第一輸入特徵子集。參見操作3205。
c)使用當前輸入特徵子集來初始化並訓練模型。參見操作3207。
d)使用當前訓練的模型來預測窗色調條件且週期性地執行轉移學習(例如，每天)，參見操作3209。
e)檢查是否修改輸入特徵集合(例如，等待自上次重新初始化模型以來的臨限值天數，諸如約三至十天)。參見操作3211。
f)需要時，使用較大潛在輸入特徵重新運行輸入特徵過濾，但使用自上次初始化模型時獲得的資料進行更新。識別更新的輸入特徵子集且重新初始化並訓練模型。參見操作3213。
g)將具有新的特徵集合之更新的模型之效能與先前模型(其通常為當前模型)之效能進行比較。參見操作3215。
h)若新的模型執行更佳，則將其設定為「當前」模型(參見操作3217)且藉由新的模型及更新的特徵子集循環返回至操作3209(d)；否則，連續使用如操作3217所指示之先前模型。
為確保早期模型重新初始化不會漸漸損害藉由其他定期最佳化例程(諸如轉移學習製程(其可使用重新訓練模組定期(諸如每晚)執行)得到的效能增益，可將由RFE及重新初始化產生之模型之預測能力與藉由轉移學習或其他例程重新訓練技術最佳化之模型之預測能力進行比較。此係藉由圖30中之操作3215及3217進行說明。若例程模型優於具有RFE重新初始化之模型，則保留先前輸入特徵集合。任選地，更新現有預測器之係數權重，以便其可重新用於初始化下一回歸分析。若RFE重新初始化模型優於正常的重新訓練模型，則輸入特徵集合自我校正，無需使用者干預。
將基於SVM的遞歸特徵消除嵌入(重新)訓練模組允許在給定位置及一年中的盛行的條件來推動模型參數化及重新初始化。以此方式，促使模型輸入之神經表示經歷與自身進行連續競爭。結果為自最困難情境中學習、記住何為仍適用的、忘記不再適用的及在發現問題之更佳解決方案時自我校正之人工智慧應用。
圖31表示重新訓練架構之實例。
遞歸特徵消除-摘要點
Figure 108128999-A0202-12-0097-43
隨時間及位置細化輸入要素集可過濾掉無關的輸入
Figure 108128999-A0202-12-0097-44
在較無用特徵內擴散有意義的信號阻礙模型彙聚
Figure 108128999-A0202-12-0097-45
將機器學習子模組嵌入於深度學習管線中
Figure 108128999-A0202-12-0097-46
可使用線性核支持向量回歸(SVR)量化特徵重要性
Figure 108128999-A0202-12-0097-47
SVR模型擬合關注最困難資料點，被稱為『支持向量』
Figure 108128999-A0202-12-0097-48
以遞歸方式消除對最小化損失函數貢獻較小的特徵
Figure 108128999-A0202-12-0098-49
使用者輸入限定待自原始保留的特徵數量(例如，200+特徵)
Figure 108128999-A0202-12-0098-50
模型初始化可應用RFE以識別最佳基線特徵集合
Figure 108128999-A0202-12-0098-51
最佳特徵集合並非靜態的，其隨位置而變化，並且全年都在變化
Figure 108128999-A0202-12-0098-52
最高效能模型參數化為未知的，並且手動調整是不切實際的
Figure 108128999-A0202-12-0098-53
RFE可用於自動更正化自我校正特徵選擇
Figure 108128999-A0202-12-0098-54
轉移學習及RFE模型重新初始化可週期性地相互對抗
Figure 108128999-A0202-12-0098-55
模型效能在最新歷史資料上得到驗證
Figure 108128999-A0202-12-0098-57
若轉移學習優於RFE重新初始化，則會保留特徵並更新權重
Figure 108128999-A0202-12-0098-58
若RFE重新初始化優於轉移學習，則特徵集合自我校正
Figure 108128999-A0202-12-0098-59
因此，盛行條件驅動參數化及模型重新初始化
應理解，用於實施上文所描述之技術之控制邏輯及其他邏輯可以以下形式實施：電路、處理器(包含通用微處理器、數位信號處理器、特殊應用積體電路、諸如場可程式化閘陣列之可程式化邏輯等)、電腦、電腦軟體、諸如感測器之裝置或其組合。基於本揭示案及本文中所提供之教示內容，本領域中一般熟習此項技術者將知道且瞭解使用硬體及/或硬體及軟體之組合實施所揭示技術之其他方式及/或方法。
本申請案中所描述之軟體組件或功能中之任一者可實施為將由處理器使用諸如(例如)Java、C++或Python之任何適合電腦語言而使用例如習知或物件導向式技術執行的軟體程式碼。所述程式碼可作為一系列指令或命令儲存於電腦可讀媒體上，諸如隨機存取記憶體(RAM)、唯讀記憶體(ROM)、可程式化記憶體(EEPROM)、諸如硬驅動或軟碟之磁性媒體、或諸如CD-ROM之光學媒體。任何此類電腦可讀媒體可駐存於單一運算設備上或內，且可存在於系統或網路內之不同運算設備上或內。
另外，儘管本發明揭示使用特定類型之遞歸神經網路，但可使用 其他神經網路架構以進行環境條件之短或長期預測，例如但不限於復發性多層感知(RMLP)、閘控復發性單元(GRU)及本領域中熟習此項技術者已知之時間卷積神經網路(TCNN)架構。
儘管已在諸如電致變色窗之光學可切換窗之內容背景中描述用於控制經由窗或建築物內部接收之光的前述所揭示實施例，但吾人可瞭解本文中所描述之方法可如何實施於適當控制器上以調整遮光簾、窗簾、百葉型窗或可經調整以限制或阻擋光到達建築物內部空間之任何其他裝置的位置。在一些情況下，本文中所描述之方法可用以控制一或多個光學可切換窗之色調及遮窗裝置之位置兩者。所有此類組合意欲在本揭示案之範疇內。
在不脫離本揭示案之範疇的情況下，來自任何實施例之一或多個特徵可與任何其他實施例之一或多個特徵組合。另外，在不脫離本揭示案之範疇的情況下，可進行對任何實施例之修改、添加或省略。在不脫離本揭示案之範疇的情況下，任何實施例之組件及模組可根據特定需求整合或分離。
因此，儘管已相當詳細地描述了前述所揭示實施例以促進理解，但所描述之實施例將被視為說明性而非限制性的。本領域中一般熟習此項技術者將顯而易見，可在所附申請專利範圍之範疇內實踐某些改變及修改。
800‧‧‧系統架構
801‧‧‧雲端網路
810‧‧‧3D模型系統
820‧‧‧基於雲端之晴空模塊
840‧‧‧窗控制系統
872‧‧‧第1區域
874‧‧‧第n區域
890‧‧‧圖形使用者介面
892‧‧‧地點操作
894‧‧‧客戶成功管理者
898‧‧‧客戶組態入口

Claims (87)

  1. 一種控制系統，其包括：
    一可著色窗；
    一窗控制器，與所述可著色窗通信；及
    另一控制器或一伺服器，與所述窗控制器通信，且包括一或多個預測模組，其中所述一或多個預測模組包括控制邏輯，所述控制邏輯經組態以使用來自至少一個感測器之讀數來判定包含一環境條件在一未來時間之一預測及/或所述可著色窗在所述未來時間之一色調位準的一或多個輸出，且其中所述窗控制器經組態以基於所述一或多個輸出來轉變所述可著色窗。
  2. 如申請專利範圍第1項所述的控制系統，其中所述一或多個預測模組包括一神經網路。
  3. 如申請專利範圍第2項所述的控制系統，其中所述神經網路包括一長短期記憶體(LSTM)網路。
  4. 如申請專利範圍第2項所述的控制系統，其中所述神經網路包括一密集神經網路(DNN)。
  5. 如申請專利範圍第1項所述的控制系統，其中基於所述環境條件是為一短期環境條件抑或一相對較長期的環境條件而判定所述預測。
  6. 如申請專利範圍第1項所述的控制系統，其中所述一或多個預測模組包含使用機器學習來判定來自所述感測器讀數之所述一或多個輸出的邏輯。
  7. 如申請專利範圍第2項所述的控制系統，其中所述至少一個感測器包括一光感測器及一紅外線感測器中之一或兩者。
  8. 如申請專利範圍第1項所述的控制系統，其中所述環境條件包 括一天氣條件。
  9. 如申請專利範圍第1項所述的控制系統，其中所述環境條件包括太陽之一位置。
  10. 如申請專利範圍第7項所述的控制系統，其中所述一或多個輸出係基於最大光感測器值之一滾動均值及/或最小紅外線感測器值之一滾動中位值。
  11. 如申請專利範圍第1項所述的控制系統，其中所述一或多個預測模組經組態以計算所述讀數之一時間系列之重心平均值。
  12. 一種控制系統，其包括：
    複數個可著色窗；
    一或多個窗控制器，其經組態以控制所述複數個可著色窗；
    至少一個感測器，其經組態以提供一第一輸出；以及
    一或多個處理器，包含至少一個神經網路且與所述一或多個窗控制器通信，其中所述至少一個神經網路經組態以處理所述第一輸出並提供包含一未來環境之一預測的一第二輸出，且其中所述一或多個窗控制器經組態以基於所述第二輸出而控制所述複數個可著色窗之色調狀態。
  13. 如申請專利範圍第12項所述的控制系統，其中所述未來環境條件包括一天氣條件。
  14. 如申請專利範圍第12項所述的控制系統，其中所述至少一個神經網路包括一監督式神經網路。
  15. 如申請專利範圍第14項所述的控制系統，其中所述至少一個神經網路包括一LSTM神經網路及一DNN神經網路。
  16. 如申請專利範圍第12項所述的控制系統，其中所述至少一個感測器包括至少一個光感測器及至少一個紅外線感測器，且其中所述第一輸出 包括最大光感測器讀數之一滾動均值及最小紅外線感測器讀數之一滾動中位值。
  17. 如申請專利範圍第14項所述的控制系統，其中所述第二輸出係基於所述LSTM神經網路與所述DNN神經網路之間的一多數協議。
  18. 一種控制至少一個著色窗之方法，所述方法包括以下步驟：
    自一或多個感測器接收輸出；
    使用控制邏輯來預測一未來環境條件；及
    基於所述未來環境條件之所述預測而判定至少一個可著色窗之一控制一色調。
  19. 如申請專利範圍第18項所述的方法，其中所述一或多個感測器包括一或多個光感測器及/或一或多個紅外線感測器。
  20. 如申請專利範圍第18項所述的方法，其中所述控制邏輯包括一LSTM及一DNN神經網路中之至少一者。
  21. 如申請專利範圍第18項所述的方法，其中所述輸出包括最大光感測器讀數之一滾動均值及最小紅外線感測器讀數之一滾動中位值。
  22. 如申請專利範圍第18項所述的方法，其中所述控制邏輯經組態以對來自一或多個感測器的所述輸出之一時間序列執行重心平均。
  23. 一種使用位點特定且季節性區分的天氣資料來控制一可著色窗之方法，所述方法包括：
    在一N天時段內自所述位點處之至少一個感測器接收環境讀數；
    將所述讀數儲存在一電腦可讀媒體上；
    在所述N天之最近一天或在所述N天之最近一天之後一天，藉由控制邏輯處理所述讀數以判定一第一輸出，所述第一輸出表示來自所述至少一個感測器之環境讀數的一可能未來範圍之一分佈；及
    發送色調指令以將所述可著色窗轉變至至少部分基於所述第一輸出判定的一色調位準。
  24. 如申請專利範圍第23項所述的方法，其中所述控制邏輯包括一非監督式分類器。
  25. 如申請專利範圍第23項所述的方法，其進一步包括：使用所述控制邏輯來預測在所述N天中最近一天或所述N天中最近一天的第二天時所述位點處之一環境條件。
  26. 如申請專利範圍第23項所述的方法，其中所述控制邏輯包括一神經網路。
  27. 如申請專利範圍第23項所述的方法，其中所述控制邏輯包括一或多個預測模組，所述一或多個預測模組經組態以處理環境讀數以提供一第二輸出，且其中所述方法進一步包括發送色調指令來亦至少部分地基於所述第二輸出控制所述可著色窗之所述色調位準。
  28. 如申請專利範圍第27項所述的方法，其中所述一或多個預測模組包括一神經網路。
  29. 如申請專利範圍第28項所述的方法，其中所述神經網路包括一LSTM神經網路。
  30. 如申請專利範圍第26項所述的方法，其中所述神經網路包括一DNN神經網路。
  31. 如申請專利範圍第26項所述的方法，其中所述第二輸出係基於一LSTM神經網路與一DNN神經網路之間的一多數協議。
  32. 一種建築物控制系統，其包括：
    至少一個感測器，其經組態以獲取環境讀數；
    一記憶體，其用於儲存所述環境讀數；及
    控制邏輯，其儲存在所述記憶體中且經組態以處理所述環境讀數以判定一第一輸出，所述第一輸出表示來自所述至少一個感測器之環境讀數的一可能未來範圍，其中所述第一輸出至少部分地用於控制所述建築物之一系統。
  33. 如申請專利範圍第32項所述的建築物控制系統，其中所述系統包括至少一個可著色窗及至少一個可著色窗控制器。
  34. 如申請專利範圍第33項所述的建築物控制系統，其中所述控制邏輯包括一或多個神經網路，其經組態以處理最近的環境讀數並提供一第二輸出，所述第二輸出表示一未來時間之一未來環境條件的一預測。
  35. 如申請專利範圍第34項所述的建築物控制系統，其中所述至少一個窗控制器經組態以至少部分地基於所述第一或第二輸出來控制所述至少一個可著色窗之一色調狀態。
  36. 如申請專利範圍第32項所述的建築物控制系統，其中所述至少一個感測器位於所述建築物之一屋頂或一壁上。
  37. 如申請專利範圍第35項所述的建築物控制系統，其中所述儲存的環境讀數包括多天內獲取的讀數且其中所述最近的環境讀數包括在同一天獲取的讀數。
  38. 如申請專利範圍第37項所述的建築物控制系統，其中在同一天獲取的所述讀數包括在大約幾分鐘的一時間窗上獲取的讀數。
  39. 如申請專利範圍第37項所述的建築物控制系統，其中所述時間窗為5分鐘。
  40. 如申請專利範圍第34項所述的建築物控制系統，其中所述第二輸出包括至少一個規則，所述至少一個規則指示所述至少一個可著色窗在所述未來時間的一所需窗色調，且使用所述至少一個可著色窗控制器來控制所述至少一個可著色窗以在所述未來時間達成所述所需窗色調。
  41. 如申請專利範圍第40項所述的建築物控制系統，其中所述第二輸出係基於一LSTM神經網路與一DNN神經網路之間的一多數協議。
  42. 如申請專利範圍第32項所述的建築物控制系統，其中所述控制邏輯包括一非監督式分類器。
  43. 一種用於控制一建築物處之可著色窗的控制系統，所述控制系統包括：
    一或多個窗控制器；及
    一伺服器或另一控制器，其經組態以接收與一當前或過去天氣條件相關聯之歷史感測器讀數，所述伺服器或另一控制器具有帶至少一個神經網路之控制邏輯，所述控制邏輯經組態以基於所述歷史感測器讀數而預測一未來天氣條件且基於所述未來環境條件而判定所述色調排程指令；
    其中所述一或多個窗控制器經組態以基於自所述伺服器或另一控制器接收到之色調排程指令及自一幾何模型及一晴空模型接收到之色調排程指令中之一者來控制一建築物之所述一或多個可著色窗的色調位準。
  44. 如申請專利範圍第43項所述的控制系統，其中所述神經網路包括一LSTM神經網路及一DNN神經網路。
  45. 如申請專利範圍第43項所述的控制系統，其中所述至少一個感測器包括至少一個光感測器及至少一個紅外線感測器。
  46. 如申請專利範圍第43項所述的控制系統，其進一步包括控制邏輯，所述控制邏輯經組態以根據所述歷史感測器讀數來計算重心平均值。
  47. 一種判定一或多個可著色窗之色調狀態的方法，所述方法包括：
    (a)判定影響所述一或多個可著色窗之色調狀態選擇的一當前或未來外部條件；
    (b)自一套模型中選擇一第一模型，所述第一模型經判定在所述當前或未來外部條件下比來自所述一套模型中之其他模型執行得更佳，其中所述一套模型中之所述模型為經訓練以判定所述一或多個可著色窗在多個外部條件集合下之所述色調狀態的機器學習模型或用於判定所述色調狀態之資訊；及
    (c)執行所述第一模型並使用所述第一模型之輸出來判定所述一或多個可著色窗之當前或未來色調狀態。
  48. 如申請專利範圍第47項所述的方法，其進一步包括發送指令以對所述一或多個可著色窗進行著色至(c)中所判定的所述當前或未來色調狀態。
  49. 如申請專利範圍第47項所述的方法，其進一步包括在(c)之後：
    (d)判定影響所述一或多個可著色窗之所述色調狀態的所述選擇的一第二當前或未來外部條件；
    (e)自所述一套模型中選擇一第二模型，所述第二模型經判定在所述第二當前或未來外部條件下比所述第一模型執行得更佳；及
    (f)執行所述第二模型並使用所述第二模型之輸出來判定所述一或多個可著色窗之第二當前或未來色調狀態。
  50. 如申請專利範圍第47項所述的方法，其中所述當前或未來外部條件為執行所述一套模型中之所述模型中之一或多者所需的輸入特徵之可用性。
  51. 如申請專利範圍第50項所述的方法，其中所述輸入特徵包括感測器讀數或源自所述感測器讀數之特徵。
  52. 如申請專利範圍第51項所述的方法，其中所述感測器讀數獲自接近所述一或多個可著色窗定位的一光感測器或IR感測器。
  53. 如申請專利範圍第47項所述的方法，其中所述當前或未來外部條件為影響穿過所述一或多個可著色窗之輻射通量的一條件。
  54. 如申請專利範圍第53項所述的方法，其進一步包括量測輻射通量值以判定影響穿過所述一或多個可著色窗之輻射通量的所述條件。
  55. 如申請專利範圍第54項所述的方法，其中輻射通量值包括感測器讀數或源自所述感測器讀數之特徵，其中所述感測器讀數獲自接近所述一或多個可著色窗定位之一光感測器或IR感測器。
  56. 如申請專利範圍第53項所述的方法，其中使用在影響穿過所述一或多個可著色窗之輻射通量之所述條件下獲得的輸入特徵來訓練所述第一模型。
  57. 如申請專利範圍第47項所述的方法，其中所述一或多個可著色窗為需要至少一分鐘以在一第一色調狀態與一第二色調狀態之間轉變的電致變色窗，且其中所述第一模型之所述輸出用於判定所述一或多個可著色窗之未來色調狀態。
  58. 如申請專利範圍第47項所述的方法，其進一步包括定期重新訓練所述一套模型中之所有模型。
  59. 如申請專利範圍第58項所述的方法，其中所述定期為每天。
  60. 一種經組態以判定一或多個可著色窗之色調狀態之系統，所述系統包括一處理器及一記憶體，所述處理器及記憶體經組態以：
    (a)判定影響所述一或多個可著色窗之色調狀態選擇的一當前或未來外部條件；
    (b)自一套模型中選擇一第一模型，所述第一模型經判定在所述當前或未來外部條件下比來自所述一套模型中之其他模型執行得更佳，其中所述一套模型中之所述模型為經訓練以判定所述一或多個可著色窗在多個外部條件集合下 之所述色調狀態的機器學習模型或用於判定所述色調狀態之資訊；及
    (c)執行所述第一模型並使用所述第一模型之輸出來判定所述一或多個可著色窗之當前或未來色調狀態。
  61. 如申請專利範圍第60項所述的系統，其中所述處理器及記憶體進一步經組態以發送指令以對所述一或多個可著色窗進行著色至(c)中所判定的所述當前或未來色調狀態。
  62. 如申請專利範圍第60項所述的系統，其中所述處理器及記憶體進一步經組態以在(c)之後：
    (d)判定影響所述一或多個可著色窗之所述色調狀態的所述選擇的一第二當前或未來外部條件；
    (e)自所述一套模型中選擇一第二模型，所述第二模型經判定在所述第二當前或未來外部條件下比所述第一模型執行得更佳；及
    (f)執行所述第二模型並使用所述第二模型之輸出來判定所述一或多個可著色窗之第二當前或未來色調狀態。
  63. 如申請專利範圍第62項所述的系統，其中所述當前或未來外部條件為執行所述一套模型中之所述模型中之一或多者所需的輸入特徵之可用性。
  64. 如申請專利範圍第63項所述的系統，其中所述輸入特徵包括感測器讀數或源自所述感測器讀數之特徵。
  65. 如申請專利範圍第64項所述的系統，其中所述感測器讀數獲自接近所述一或多個可著色窗定位的一光感測器或IR感測器。
  66. 如申請專利範圍第60項所述的系統，其中所述當前或未來外部條件為影響穿過所述一或多個可著色窗之輻射通量的一條件。
  67. 如申請專利範圍第66項所述的系統，其中使用在影響穿過所 述一或多個可著色窗之輻射通量之所述條件下獲得的輸入特徵來訓練所述第一模型。
  68. 如申請專利範圍第60項所述的系統，其中所述一或多個可著色窗為需要至少一分鐘以在一第一色調狀態與一第二色調狀態之間轉變的電致變色窗，且其中所述第一模型之所述輸出用於判定所述一或多個可著色窗之未來色調狀態。
  69. 如申請專利範圍第60項所述的系統，其中所述處理器及記憶體進一步經組態以定期重新訓練所述一套模型中之所有模型。
  70. 如申請專利範圍第69項所述的系統，其中所述定期為每天。
  71. 如申請專利範圍第60項所述的系統，其進一步包括所述一或多個可著色窗。
  72. 如申請專利範圍第60項所述的系統，其進一步包括一或多個感測器，所述一或多個感測器經組態以量測資料以判定所述當前或未來外部條件。
  73. 如申請專利範圍第72項所述的系統，其中一或多個感測器包括一光感測器及/或一IR感測器。
  74. 如申請專利範圍第72項所述的系統，其進一步包括一電腦網路，所述電腦網路經組態以將量測的資料自所述一或多個感測器遞送至所述處理器及/或記憶體。
  75. 一種產生用於判定一或多個可著色窗之色調狀態的一計算系統的方法，所述方法包括：
    (a)基於歷史輻射輪廓或模式對不同類型之外部條件進行聚類或分類；及
    (b)訓練用於不同類型之外部條件中之每一者的一機器學習模型，其中 所述機器學習模型經訓練以判定所述一或多個可著色窗在多個外部條件集合下之所述色調狀態或用於判定所述色調狀態之資訊。
  76. 一種識別一機器學習模型之特徵輸入之一子集的方法，所述機器學習模型經組態以判定一或多個可著色窗在多個外部條件集合下之色調狀態或用於判定所述色調狀態之資訊，所述方法包括：
    (a)對用於所述機器學習模型之一可用特徵輸入集合執行一特徵消除程序從而移除所述可用特徵輸入中之一或多者並產生特徵輸入之一子集；及
    (b)利用所述特徵輸入之子集初始化所述機器學習模型。
  77. 如申請專利範圍第76項所述的方法，其中(a)包括以遞歸方式在每次消除所述可用特徵輸入中之一不同者時執行所述特徵消除程序。
  78. 如申請專利範圍第76項所述的方法，其中所述特徵消除程序包括一回歸程序。
  79. 如申請專利範圍第76項所述的方法，其中所述特徵消除程序包括一支持向量回歸。
  80. 如申請專利範圍第76項所述的方法，其中所述特徵輸入子集包括一第一特徵輸入，其經判定為一段時間內之輻射量之一滾動平均值。
  81. 如申請專利範圍第76項所述的方法，其進一步包括將(b)中經初始化之所述機器學習模型與使用所述可用特徵輸入之一第二子集的所述機器學習模型之一先前訓練版本進行比較，其中所述比較係基於機器學習模型之預測能力。
  82. 一種經組態以識別一機器學習模型之特徵輸入之一子集的系統，所述機器學習模型經組態以判定一或多個可著色窗在多個外部條件集合下之色調狀態或用於判定所述色調狀態之資訊，所述系統包括一處理器及記憶體，所述處理器及記憶體經組態以：
    (a)對用於所述機器學習模型之可用特徵輸入之一集合上執行一特徵消除程序從而移除所述可用特徵輸入中之一或多者並產生特徵輸入之一子集；及
    (b)利用所述特徵輸入之子集初始化所述機器學習模型。
  83. 如申請專利範圍第82項所述的系統，其中所述處理器及記憶體經組態以藉由在每次消除所述可用特徵輸入中之一不同者時以遞歸方式執行所述特徵消除程序來執行(a)。
  84. 如申請專利範圍第82項所述的系統，其中所述特徵消除程序包括一回歸程序。
  85. 如申請專利範圍第82項所述的系統，其中所述特徵消除程序包括一支持向量回歸。
  86. 如申請專利範圍第82項所述的系統，其中所述特徵輸入子集包括一第一特徵輸入，其經判定為一段時間內之輻射量之一滾動平均值。
  87. 如申請專利範圍第82項所述的系統，此外所述處理器及記憶體進一步經組態以將(b)中經初始化之所述機器學習模型與使用所述可用特徵輸入之一第二子集的所述機器學習模型之一先前訓練版本進行比較，其中所述比較係基於機器學習模型之所述預測能力。
TW108128999A 2018-08-15 2019-08-14 使用外部３ｄ模型化及神經網路之控方法及系統 TW202034051A (zh)

Applications Claiming Priority (6)

Application Number Priority Date Filing Date Title
US201862764821P 2018-08-15 2018-08-15
US62/764,821 2018-08-15
US201862745920P 2018-10-15 2018-10-15
US62/745,920 2018-10-15
US201962805841P 2019-02-14 2019-02-14
US62/805,841 2019-02-14

Publications (1)

Publication Number Publication Date
TW202034051A true TW202034051A (zh) 2020-09-16

Family

ID=67777448

Family Applications (1)

Application Number Title Priority Date Filing Date
TW108128999A TW202034051A (zh) 2018-08-15 2019-08-14 使用外部３ｄ模型化及神經網路之控方法及系統

Country Status (8)

Country Link
EP (1) EP3837414A1 (zh)
JP (1) JP2021535971A (zh)
KR (1) KR20210058839A (zh)
CN (1) CN112771241A (zh)
AU (1) AU2019320784A1 (zh)
CA (1) CA3109581A1 (zh)
TW (1) TW202034051A (zh)
WO (1) WO2020037055A1 (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI752850B (zh) * 2021-03-18 2022-01-11 英業達股份有限公司 時間序列預測模型的超參數配置方法
TWI753630B (zh) * 2020-10-13 2022-01-21 財團法人工業技術研究院 基於神經網路的分類器及分類方法
TWI773034B (zh) * 2020-12-18 2022-08-01 日月光半導體製造股份有限公司 監測設備之系統及方法
TWI811167B (zh) * 2022-12-12 2023-08-01 中國鋼鐵股份有限公司 氮氧化物的預測方法
TWI812053B (zh) * 2021-09-29 2023-08-11 大陸商深圳市慧鯉科技有限公司 定位方法、電子設備及電腦可讀儲存媒體

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130271813A1 (en) 2012-04-17 2013-10-17 View, Inc. Controller for optically-switchable windows
US11300848B2 (en) 2015-10-06 2022-04-12 View, Inc. Controllers for optically-switchable devices
WO2021107938A1 (en) * 2019-11-26 2021-06-03 Unitedhealth Group Incorporated Processing irregular glucose data using dynamic time warping
US11651226B2 (en) * 2020-01-30 2023-05-16 Graphcore Limited System having multiple processing unit sets for training neural networks
US20210241089A1 (en) * 2020-01-30 2021-08-05 Graphcore Limited System Having Multiple Processing Unit Sets For Training Neural Networks
WO2021197796A1 (en) * 2020-03-31 2021-10-07 Abb Schweiz Ag Method and apparatus for monitoring machine learning models
CN111614481B (zh) * 2020-04-03 2022-07-15 浙江工业大学 一种最大紧急优先调度的方法
CN117178227A (zh) * 2020-10-27 2023-12-05 唯景公司 至少一个可着色窗的失效预测
WO2023009972A1 (en) * 2021-07-27 2023-02-02 View, Inc. Controllers for optically switchable devices
CN114137940B (zh) * 2021-11-29 2024-03-12 卡斯柯信号有限公司 根据区间运行方向自动开关区间占用逻辑检查的方法
CN114415518B (zh) * 2022-01-24 2023-10-24 吉林建筑大学 一种绿色建筑节能方法
EP4411605A1 (en) * 2023-02-01 2024-08-07 Amadeus S.A.S. Controlling resource requirements
KR20240141498A (ko) * 2023-03-20 2024-09-27 동국대학교 산학협력단 사이버 공격을 방어하는 인공지능 시스템 및 그 동작 방법
CN117560098B (zh) * 2024-01-11 2024-04-02 为准（北京）电子科技有限公司 预测射频通信设备的辐射性能参数的方法及装置

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10253564B2 (en) * 2004-05-06 2019-04-09 Mechoshade Systems, Llc Sky camera system for intelligent building control
US8300298B2 (en) 2010-04-30 2012-10-30 Soladigm, Inc. Electrochromic devices
US10533892B2 (en) 2015-10-06 2020-01-14 View, Inc. Multi-sensor device and system with a light diffusing element around a periphery of a ring of photosensors and an infrared sensor
US8270059B2 (en) 2010-08-05 2012-09-18 Soladigm, Inc. Multi-pane electrochromic windows
US8254013B2 (en) 2011-03-16 2012-08-28 Soladigm, Inc. Controlling transitions in optically switchable devices
TWI746446B (zh) * 2015-07-07 2021-11-21 美商唯景公司 用於可著色窗戶之控制方法
US10192125B2 (en) * 2016-10-20 2019-01-29 Ford Global Technologies, Llc Vehicle-window-transmittance-control apparatus and method

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI753630B (zh) * 2020-10-13 2022-01-21 財團法人工業技術研究院 基於神經網路的分類器及分類方法
TWI773034B (zh) * 2020-12-18 2022-08-01 日月光半導體製造股份有限公司 監測設備之系統及方法
TWI752850B (zh) * 2021-03-18 2022-01-11 英業達股份有限公司 時間序列預測模型的超參數配置方法
TWI812053B (zh) * 2021-09-29 2023-08-11 大陸商深圳市慧鯉科技有限公司 定位方法、電子設備及電腦可讀儲存媒體
TWI811167B (zh) * 2022-12-12 2023-08-01 中國鋼鐵股份有限公司 氮氧化物的預測方法

Also Published As

Publication number Publication date
KR20210058839A (ko) 2021-05-24
CA3109581A1 (en) 2020-02-20
EP3837414A1 (en) 2021-06-23
CN112771241A (zh) 2021-05-07
JP2021535971A (ja) 2021-12-23
AU2019320784A1 (en) 2021-03-04
WO2020037055A1 (en) 2020-02-20

Similar Documents

Publication Publication Date Title
TW202034051A (zh) 使用外部３ｄ模型化及神經網路之控方法及系統
US11733660B2 (en) Monitoring sites containing switchable optical devices and controllers
US11687045B2 (en) Monitoring sites containing switchable optical devices and controllers
JP7260222B2 (ja) 外部３ｄモデリングおよびスケジュールベースのコンピューティングを使用した制御方法およびシステム
US11960190B2 (en) Control methods and systems using external 3D modeling and schedule-based computing
US20230076947A1 (en) Predictive modeling for tintable windows
US20190347141A1 (en) Multiple interacting systems at a site
US20210302799A1 (en) Remote management of a facility
US11966142B2 (en) Control methods and systems using outside temperature as a driver for changing window tint states
TW202204939A (zh) 用於可著色窗之預測模型化
Ngarambe et al. A review on the current usage of machine learning tools for daylighting design and control
US12124147B2 (en) Control methods and systems using external 3D modeling and neural networks
US20210294172A1 (en) Control methods and systems using external 3d modeling and neural networks
WO2021041261A1 (en) Control methods and systems using outside temperature as a driver for changing window tint states
WO2023220438A1 (en) Intelligence