BE1028467B1

BE1028467B1 - Regelinrichting en werkwijze voor het regelen van persoonlijk omgevingscomfort

Info

Publication number: BE1028467B1
Application number: BE20205515A
Authority: BE
Inventors: Steven Chris Emmanuel Vandekerckhove
Original assignee: Renson Ventilation Nv
Priority date: 2020-07-10
Filing date: 2020-07-10
Publication date: 2022-02-08
Also published as: US20230194116A1; WO2022009128A1; CN115735085A; EP4179262A1; BE1028467A1

Abstract

Een regelinrichting (100) voor het herhaaldelijk regelen van het persoonlijk omgevingscomfort in een gebouw met één of meerdere kamers uitgerust met een comfortsysteem (120), omvattende: - interfaces (101, 102, 103) voor het bekomen van sensorgegevens, werkingsgegevens en externe gegevens; - een databank (105) voor opslag van deze gegevens; - een eerste machine learning module (106) getraind met de opgeslagen gegevens om persoonlijke voorkeurinstellingen (108) te genereren per persoon; - een tweede machine learning module (107) getraind met de opgeslagen gegevens om voorspellende modellen (109) te genereren per kamer en/of per kamertype; en - een regeleenheid (110) die op basis van de voorkeurinstellingen (108) voor één of meerdere personen en/of de voorspellende modellen (109) instellingen van één of meerdere toestellen (122) in het comfortsysteem (120) aanpast om het persoonlijk omgevingscomfort voor gebruikers van het gebouw te verbeteren.

Description

-1- REGELINRICHTING EN WERKWIJZE VOOR HET REGELEN VAN 9206058515

PERSOONLIJK OMGEVINGSCOMFORT Technisch Gebied

[01] De onderhavige uitvinding heeft betrekking op het regelen van persoonlijk omgevingscomfort in een gebouw met één of meerdere kamers, uitgerust met een comfortsysteem. Meer specifiek heeft deze uitvinding betrekking op een inrichting en een op een computer geïmplementeerde werkwijze voor het herhaaldelijk regelen van persoonlijk omgevingscomfort voor één of meerdere gebruikers van het gebouw. Stand van de Techniek

[02] Er bestaan verschillende types ventilatiesystemen die het mogelijk maken één of meerdere kamers in een gebouw te ventileren. Zo wordt een onderscheid gemaakt tussen ventilatiesystemen met natuurlijke toevoer en mechanische afvoer van lucht, in België en Nederland ook wel het C-systeem genoemd, en ventilatiesystemen met mechanische toevoer en mechanische afvoer van lucht, in België en Nederland ook wel het D-systeem genoemd, in de praktijk steeds met warmterecuperatie. Deze twee systemen kunnen zowel centraal als decentraal uitgevoerd worden, al dan niet vraag-gestuurd. In de centrale uitvoering is er één ventilator die voor afzuiging in meerdere kamers zorgt. In de decentrale uitvoering zijn er meerdere ventilatoren met elk een afzonderlijk afvoerkanaal, afzonderlijk instelbaar om per kamer individueel de afzuiging van lucht te regelen. In een ventilatiesysteem met natuurlijke toevoer en mechanische afvoer wordt lucht actief afgevoerd uit het gebouw maar gebeurt de toevoer van lucht passief. Daartoe kunnen bijvoorbeeld ramen voorzien worden van ventilatieroosters of klepramen die in verbinding staan met de buitenlucht. Eén of meerdere ventilatiemotoren zuigen via luchtkanalen en ventilatieroosters lucht weg uit ruimtes in het gebouw die geventileerd moeten

-2- worden, typisch vochtige ruimtes zoals bijvoorbeeld de keuken, de badkamer 10969 5515 en het toilet in een woning. In een ventilatiesysteem met mechanische toevoer en afvoer en met warmte/energie terugwinning wordt lucht actief afgevoerd naar buiten en actief aangevoerd van buitenaf via één of meerdere ventilatoren die via toe- en afvoerkanalen in verbinding staan met de ruimtes die geventileerd moeten worden. Doorgaans zijn dit Hoog Rendement (HR) ventilatiesystemen waarin een warmte-terugwin-eenheid de warmte uit de afgevoerde lucht gebruikt om de aangevoerde lucht van buitenaf deels op te warmen vóór die aangevoerde lucht verspreid wordt in de te ventileren ruimtes.

[03] Naast één of meerdere ventilatiemotoren omvat een centraal of decentraal ventilatiesysteem dus ook één of meerdere toevoerleidingen en/of afvoerleidingen met typisch een klep en/of debietregelaar per toevoerkanaal of afvoerkanaal. De ventilatiecapaciteit, uitgedrukt in kubieke meter per uur (m3/u), liter per seconde (l/s) of liter per uur (l/u), kan dan voor elk van de te ventileren ruimtes geregeld worden door instelling van de motorsnelheid, stand van de kleppen en/of debietregelaars. De ventilatoren, kleppen en debietregelaars vormen de regelbare toestellen van het ventilatiesysteem. Mogelijk zijn er andere regelbare toestellen zoals ventilatieroosters.

[04] Traditioneel wordt een ventilatiesysteem geconfigureerd met regels en instelwaarden door een installateur voor ingebruikname. De instelwaarden zijn bijvoorbeeld drempelwaarden voor sensorparameters die aanleiding geven tot het aanpassen van de ventilatorsnelheid, de klepstand, of een andere regelbare werkingsparameter van één van de toestellen. Na ingebruikname wordt het ventilatiesysteem automatisch geregeld op basis van de ingestelde regels en gemeten sensorwaarden. Het ventilatiesysteem kan ook geregeld worden op basis van manuele invoer van de gebruikers van het gebouw waarin het geïnstalleerd werd. Doorgaans zal manuele invoer van gebruikers voorrang krijgen op de automatische regel-gebaseerde sturing, maar zal na zekere tijd teruggekeerd worden naar de automatische regeling.

-3-

[05] De Amerikaans octrooiaanvraag US 2010/0289643 A1 bijvoorbeeld 9915 beschrijft een regel-gebaseerd systeem dat op basis van sensorgegevens indicatief voor de aanwezigheid van personen de status van één of meerdere energie-verbruikende toestellen gaat regelen. Het regelsysteem uit US 2010/0289643 A1 streeft ernaar de energieconsumptie in gebouwen te reduceren zonder dat de gebruikers van het gebouw aan comfort inboeten door aanwezigheidsdetectie via sensoren.

[06] De internationale octrooiaanvraag WO 2019/018627 A1 beschrijft een regelinrichting voor omgevingsparameters in gedeelde ruimtes zoals vergaderzalen. De regelinrichting uit WO 2019/018627 A1 maakt gebruik van een bezettingsschema voor een gedeelde ruimte en voorkeurinstellingen van personen om de omgevingsparameters voor de gedeelde ruimte te regelen naar een gewogen gemiddelde van de voorkeuren van de aanwezige personen.

[07] De Amerikaanse octrooiaanvraag US 2017/0176030 A1 beschrijft een systeem dat advies verleent aan een gebruiker met betrekking tot de ventilatie in een gebouw. Op basis van kwaliteitsdrempels die vooraf gedefinieerd worden door de gebruiker, kwaliteitsmetingen van de lucht binnen en buiten het gebouw, en weersvoorspellingen bepaalt het systeem of er ventilatienoden zijn voor het gebouw. De ventilatenoden worden via elektronische berichten meegedeeld aan de gebruiker van wie verwacht wordt dat de aanbevelingen opgevolgd worden.

[08] De bestaande regel-gebaseerde systemen die de ventilatie in een gebouw regelen om het omgevingscomfort van gebruikers van het gebouw te verhogen, hebben als voornaamste nadeel statisch te zijn. De regeling in dergelijke systemen gebeurt op basis van vooraf gedefinieerde regels of vooraf geconfigureerde voorkeurinstellingen van een gebruiker. Afwijking van de vooraf gedefinieerde regels en/of voorkeurinstellingen vereist een manuele tussenkomst van een gebruiker de tijdelijk de vooraf gedefinieerde regels en/of voorkeurinstellingen overstemt. Dat resulteert niet altijd in optimalisatie van het

-4- comfort voor meerdere gebruikers aanwezig in een gebouw of kamer, en a 7940/9575 zeker niet in optimalisatie van het energieverbruik door het ventilatiesysteem.

[09] In de literatuur lijkt bovenstaand probleem erkend te worden maar concrete technische oplossingen worden vooralsnog niet aangereikt. De trend om beter te gaan voorspellen welk omgevingscomfort op welk moment gewenst wordt, is wel waarneembaar.

[10] Zo beschrijft het artikel "Sensor-Based Early Activity Recognition Inside Buildings to Support Energy and Comfort Management Systems" van F. Marcello et al. de resultaten van een studie gevoerd naar het gebruik van sensoren om activiteit in een gebouw te voorspellen en die informatie te benutten om energieverbruik en comfort in het gebouw te optimaliseren. Het artikel concludeert dat de activiteit in een gebouw vrij accuraat voorspeld kan worden met een beperkte hoeveelheid sensorgegevens.

[11] Het artikel "Leveraging Machine Learning and Big Data for Smart Buildings: A Comprehensive Survey" van Basheer Qolomany et al, gepubliceerd in IEEE Access, Volume 7, 2019, concludeert dat analyse van grote hoeveelheden gegevens en machine-gebaseerde leertechnieken in de toekomst een kritische rol zullen spelen in het regelen van allerhande toestellen in intelligente gebouwen om het comfort voor gebruikers van die gebouwen te verhogen.

[12] De Amerikaanse octrooiaanvraag US 2015/0300892 beschrijft technieken om een thermodynamisch responsmodel te bepalen door de responssnelheid van de temperatuur op activatie van of veranderingen toegepast in een HVAC-systeem (verwarming-, ventilatie- en luchtconditioneringssysteem) te meten.

[13] Hoewel de wens om beter te gaan voorspellen wanneer welk omgevingscomfort gewenst is in een gebouw of kamer, bestaat er momenteel geen regelinrichting voor een comfortsysteem van een gebouw die het

-5- omgevingscomfort dynamisch en herhaaldelijk optimaliseert voor de persoon of 9299515 personen aanwezig in het gebouw.

[14] Het Amerikaanse octrooi US 10,253,995 B1 beschrijft een systeem om schade aan het interieur van een gebouw door rook of brand te beperken. Het systeem uit US 10,253,995 B1ontvangt daartoe signalen van een rookdetector of van andere sensoren en verwerkt die signalen. Op basis daarvan beslist het systeem uit US 10,253,995 B1 om een HVAC-systeem (verwarming-, ventilatie- ‚ en luchtconditioneringssysteem) uit te schakelen en na bepaalde tijd opnieuw in te schakelen. De bepaalde tĳd waarna het HVAC-systeem opnieuw ingeschakeld wordt, is een voorkeurinstelling van de gebruiker.

[15] De Amerikaanse octrooiaanvraag US 2019/0032948 A1 beschrijft een regelsysteem voor een gebouwbeheersysteem (BMS of building management system). Het regelsysteem dat beschreven wordt in US 2019/0032948 A1 maakt gebruik enerzijds van standaardregels, anderzijds van door de gebruiker gecreëerde regels. Meer specifiek beschrijft US 2019/0032948 A1 een server architectuur die toelaat om de gebruiker gecreëerde regels makkelijker over te brengen van een gebouw naar een ander gebouw.

[16] Het doel van deze uitvinding is dan ook een technologische oplossing aan te reiken voor het regelen van een comfortsysteem zodat het omgevingscomfort herhaaldelijk gepersonaliseerd wordt voor de gebruiker(s) van het gebouw. Aanvullend is het een doel van deze uitvinding om een regelinrichting te beschrijven die maatregelen adviseert aan de gebruiker(s) van een gebouw om het gepersonaliseerde omgevingscomfort verder te optimaliseren, onder andere op vlak van energieverbruik. Samenvatting van de Uitvinding

[17] Volgens een eerste aspect heeft de uitvinding betrekking op een regelinrichting volgens conclusie 1, voor het herhaaldelijk regelen van het

-6- BE2020/5515 persoonlijk omgevingscomfort in een gebouw met één of meerdere kamers uitgerust met een comfortsysteem, genoemde regelinrichting omvattende: - een interface voor het bekomen van sensorgegevens van één of meerdere sensoren in genoemd comfortsysteem; - een interface voor het bekomen van werkingsgegevens van één of meerdere toestellen in genoemd comfortsysteem; - een interface voor het bekomen van externe gegevens van één of meerdere bronnen extern aan genoemd comfortsysteem; - een databank voor opslag van genoemde sensorgegevens, genoemde werkingsgegevens en genoemde externe gegevens, samen opgeslagen gegevens genoemd; - een eerste machine learning module getraind met genoemde opgeslagen gegevens om persoonlijke voorkeurinstellingen te genereren per persoon; - een tweede machine learning module getraind met genoemde opgeslagen gegevens om voorspellende modellen te genereren per kamer en/of per kamertype, waarbij een voorspellend model de evolutie van een sensorgegeven, een werkingsgegeven, een extern gegeven of een voorkeurinstelling modelleert in een formule die toelaat een toekomstige waarde ervan te voorspellen; en - een regeleenheid die op basis van genoemde voorkeurinstellingen voor één of meerdere personen en/of genoemde voorspellende modellen één of meerdere instellingen van één of meerdere toestellen in genoemd comfortsysteem aanpast om het persoonlijk omgevingscomfort voor genoemde één of meerdere personen te verbeteren wanneer aanwezig in genoemd gebouw.

[18] De regelinrichting volgens de uitvinding zal dus het persoonlijk omgevingscomfort in een gebouw met comfortsysteem regelen. Een comfortsysteem omvat elk systeem dat een impact heeft op het omgevingscomfort van een persoon aanwezig in het gebouw. Voorbeelden van een comfortsysteem zijn een ventilatiesysteem, een zonneweringssysteem, een verwarmingssysteem, een airconditioningsysteem, een verwarming-, ventilatie-

-7- en airconditioningsysteem (HVAC), of een combinatie van voorgaande. Het 9296515 omgevingscomfort is een combinatie van één of meerdere factoren die direct waarneembaar zijn met de menselijke zintuigen en beïnvloedbaar door het comfortsysteem, zoals de temperatuur, de geur (bijvoorbeeld van vluchtige organische componenten), de luchtvochtigheid, de licht intensiteit, de tocht, en/of het geluid dat bijvoorbeeld gemaakt wordt door een toestel uit het comfortsysteem of dat het gebouw binnenkomt langs bijvoorbeeld een ventilatierooster of klepraam, maar omvat mogelijk ook één of meerdere factoren die eerder indirect waarneembaar zijn zoals fijn stof of het koolstofdioxide gehalte in de lucht die bij hogere waarden over langere tijd aanleiding zullen geven tot vermoeidheid of slaperigheid bij de mens. Het omgevingscomfort kan beïnvloed worden door comfortsystemen van verschillende aard, zoals bijvoorbeeld een ventilatiesysteem (al dan niet gestuurd), een zonneweringsysteem (al dan niet gestuurd), sensoren zoals temperatuursensoren, COz-sensoren, licht-sensoren, RV-sensoren (Rotational Vibration), enz. Het omgevingscomfort is persoonlijk omdat het niet voor iedereen op eenzelfde waarde vastgelegd kan worden. Wanneer naar een combinatie van temperatuur en luchtvochtigheid gekeken wordt, zal de ene persoon zich comfortabel voelen bij een omgevingstemperatuur van bijvoorbeeld 25 °C en een relatieve luchtvochtigheid van 60 %, terwijl een andere persoon datzelfde comfortabel gevoel zal hebben bijvoorbeeld bij een omgevingstemperatuur van 20 °C en een relatieve vochtigheidsgraad van 60 %.

[19] De regelinrichting volgens de uitvinding zal drie verschillende types gegevens inzamelen en op lange termijn opslaan in een databank. Een eerste type gegevens omvat sensorgegevens verkregen van één of meerdere sensoren in het comfortsysteem dat geregeld zal worden. Sensorgegevens zijn numerieke waarden voor een natuurkundige grootheid gemeten door een sensor die deel uitmaakt van het comfortsysteem, zoals bijvoorbeeld de temperatuur in een kamer, de luchtvochtigheid, de geluidsintensiteit, de lichtintensiteit, het fijnstof-gehalte, het CO2-gehalte, enz. De numerieke waarden voor de fysische of chemische parameters kunnen rechtstreeks

-8- gemeten worden door een sensor of onrechtstreeks bepaald worden uit de 29209515 sensormetingen, bijvoorbeeld door het gebruik van een wiskundige formule of correlatie. Een tweede type gegevens omvat werkingsgegevens van één of meerdere toestellen uit het comfortsysteem. De werkingsgegevens zijn actuele en historische instellingswaarden van regelbare toestellen in het comfortsysteem, die doorgaans op het toestel bewaard worden en door het regelsysteem dus verkregen worden van het toestel zelf. Voorbeelden van werkingsgegevens zijn de klepstand (uitgedrukt als een percentage opening), het vermogen van de centrale ventilator, de gemiddelde luchtdoorvoer per minuut voor een debietregelaar, de stand van roteerbare lamellen, de stand van een zonnescherm, enz. De sensorgegevens en werkingsgegevens worden typisch opgeslagen als een sequentie van waarden in functie van de tijd, bijvoorbeeld één waarde per minuut, hoewel een regelmatig interval niet vereist is. Een derde type gegevens omvat externe gegevens verkregen van één of meerdere bronnen die geen deel uitmaken van het comfortsysteem dat geregeld zal worden maar wel in verband gebracht kunnen worden met de comfortbeleving van gebruikers van het gebouw. Voorbeelden hiervan zijn de buitentemperatuur, de luchtdruk, de buitenluchtkwaliteit, sensorgegevens verkregen van sensoren die geen deel uitmaken van het comfortsysteem, feedback die verkregen wordt van gebruikers van het gebouw, enz. De externe bronnen zijn dan bijvoorbeeld het Internet-of-Things (afgekort IoT), computerprogramma's of applicaties die gebruikers bevragen naar comfortbeleving, andere toestellen die een impact hebben op het binnencomfort, enz.

[20] De sensorgegevens van één of meerdere sensoren uit het comfortsysteem, de werkingsgegevens van één of meerdere toestellen uit het comfortsysteem, en de externe gegevens van bronnen buiten het comfortsysteem worden over lange termijn opgeslagen in een centrale databank. De centrale databank kan een cloud-gebaseerd opslagsysteem zijn (waarvan het beheer typisch gebeurt door een derde partij, namelijk de cloud provider) of de centrale databank kan beheerd worden door de fabrikant van het comfortsysteem op eigen servers. Met lange termijn wordt bedoeld dat de

-9- gegevens langer dan 24 uur bewaard worden, bij voorkeur meerdere weken of 9299515 zelfs meerdere maanden of jaren vooraleer de gegevens als mogelijk achterhaald beschouwd worden en verwijderd worden uit de centrale databank.

[21] De regelinrichting volgens de uitvinding omvat een eerste machine learning module, bijvoorbeeld een eerste neuraal netwerk, dat herhaaldelijk getraind wordt met de opgeslagen lange termijn gegevens om de voorkeurinstellingen van individuele gebruikers of personen te leren. Een voorkeurinstelling is een wenswaarde voor een parameter (sensor-, toestel-, systeem- of omgevingsparameter) om in een bepaalde situatie een persoonlijke comfortvoorkeur te bereiken. De voorkeurinstelling is typisch een meer- dimensioneel referentiepunt indicatief voor wat een bepaalde persoon comfortabel vindt onder bepaalde omstandigheden. De voorkeurinstellingen worden via de machine learning module geleerd per persoon onder bepaalde omstandigheden. Zo leert de eerste machine learning module bijvoorbeeld dat persoon 1, wanneer alleen aanwezig in de woonkamer op een weekenddag in oktober waarop het de hele dag regent, tussen 15u en 16u een temperatuur van 22,5 °C in de woonkamer wenst en opwarming van de badkamer wenst omdat de persoon daar waarschijnlijk binnen het half uur een douche zal gaan nemen. De voorkeurinstellingen worden bij voorkeur bijgehouden per persoon en per kamer, per tijdsmoment, per activiteit, per weersomstandigheid, enz. Zo kan een persoon een voorkeurtemperatuur hebben van 23 graden voor de woonkamer waar diezelfde persoon voor de slaapkamer een voorkeurtemperatuur van 18 graden heeft. Het bijnouden van voorkeurinstellingen per persoon en per omstandigheid brengt bovendien het voordeel dat in geval van verhuis naar een ander gebouw, de voorkeurinstellingen van een persoon gewoon mee kunnen verhuizen naar een regelinrichting voor een comfortsysteem in het nieuwe gebouw. Het eerste machine learning module zal getraind worden zodat het ook een inschatting kan maken van de persoonlijke voorkeurinstellingen voor een persoon onder nog niet voorgekomen omstandigheden. Het eerste machine learning module kan dit op basis van gelijkaardige maar niet noodzakelijk identieke datapunten van de persoon in kwestie en/of datapunten van een persoon die gelijkaardige voorkeuren lijkt te vertonen aan de persoon in kwestie.

-10- BE2020/5515

[22] De regelinrichting volgens de uitvinding omvat een tweede machine learning module, bijvoorbeeld een tweede neuraal netwerk, dat herhaaldelijk getraind wordt met de opgeslagen lange termijn gegevens om voorspellende modellen te genereren, typisch per kamer of per kamertype. Een voorspellend model is een formule die de evolutie modelleert van een parameter (sensor-, toestel-, systeem- of omgevingsparameter) of de evolutie modelleert van een persoonlijke voorkeurinstelling zodat toekomstige waarden van dergelijke parameter of voorkeurinstelling voorspeld kunnen worden aan de hand van de formule.

[23] De interfaces voor het bekomen van sensorgegevens of externe gegevens zullen telkens een gebruiker van het gebouw een instelling aanpast, bijvoorbeeld de gewenste temperatuur in een kamer verhoogt op de thermostaat, de zonnewering in een kamer sluit, enz., de randomstandigheden capteren: de buitentemperatuur, de luchtkwaliteit in de kamer, de luchtvochtigheid in de kamer, het tijdstip, enz. Daaruit leert of genereert het eerste machine learning module dan de persoonlijke voorkeurinstellingen per persoon om die bij te houden in een persoonlijk profiel. Het tweede machine learning module leert of genereert daaruit de voorspellende modellen die gaan voorspellen wanneer een persoon een bepaalde actie zou ondernemen. Wanneer gelijkaardige randomstandigheden zich voordoen, zal de regeleenheid op basis van de voorkeurinstellingen van de persoon of personen aanwezig in het gebouw en op basis van de voorspellende modellen de instellingen kunnen bepalen voor de regelbare toestellen in het comfortsysteem om het omgevingscomfort automatisch te optimaliseren voor de persoon of personen aanwezig in het gebouw. Regelbare toestellen in het comfortsysteem zijn bijvoorbeeld de ventilatormotor, kleppen, debietregelaars, ventilatieroosters, een zonnescherm, roteerbare lamellen, enz.

[24] De regelinrichting volgens de uitvinding zal dus herhaaldelijk de instellingen van het comfortsysteem en de regelbare toestellen daarin aanpassen om het persoonlijk comfort in een gebouw of kamer van een gebouw

-11- te optimaliseren naar de wensen van de gebruikers van het gebouw of de 29209515 kamer. De regelinrichting leert uit de acties van een persoon wat zijn/haar persoonlijke comfortvoorkeuren zijn, zet die informatie om in persoonlijke voorkeurprofielen en voorspellende modellen die dus met de tijd evolueren, en benut de voorkeurprofielen en voorspellende modellen om dynamisch het persoonlijk omgevingscomfort te optimaliseren.

[25] Uitvoeringen van de regelinrichting volgens de uitvinding, zoals gedefinieerd in conclusie 2, omvatten verder mogelijk: - een korte termijn adviesmodule geconfigureerd om op basis van genoemde voorkeurinstellingen en genoemde voorspellende modellen een korte termijn advies te genereren voor een toestel uit genoemd comfortsysteem, voor een kamer uit genoemd gebouw, of voor genoemd gebouw, waarbij genoemd korte termijn advies één of meerdere instructies omvat om genoemde één of meerdere instellingen van één of meerdere toestellen binnen een interval van 24 uur aan te passen.

[26] De korte termijn adviesmodule zal de persoonlijke voorkeurinstellingen en voorspellende modellen uit de databank dus benutten om aan een gebruiker van het gebouw of een gebruiker van een kamer instant aanbevelingen te bezorgen die het persoonlijk comfort voor personen die op korte termijn gebruik zullen maken van het gebouw te verbeteren, korte termijn zijnde binnen een tijdsinterval van 24 uur. De korte termijn adviesmodule genereert het korte termijn advies op instructie van de regeleenheid. De instant aanbevelingen zijn instructies om één of meerdere instellingen aan te passen die de regeleenheid typisch niet zelf kan regelen maar een manuele tussenkomst vereisen, zoals "open een ventilatierooster", "open een klepraam”, enz. Het korte termijn advies kan afgeleverd worden aan een gebruiker van het gebouw in de vorm van een elektronisch bericht, bijvoorbeeld een sms-bericht, een e-mail bericht, een pop- up bericht gegenereerd door een mobiele applicatie op een draagbaar toestel van een gebruiker, enz.

-12-

[27] Uitvoeringen van de regelinrichting volgens de uitvinding, zoals 7929/5515 gedefinieerd in conclusie 3, omvatten verder mogelijk: - een lange termijn adviesmodule geconfigureerd om op basis van genoemde voorkeurinstellingen en genoemde voorspellende modellen een lange termiin advies te genereren voor een toestel uit genoemd comfortsysteem, voor een kamer uit genoemd gebouw, of voor genoemd gebouw.

[28] De lange termijn adviesmodule zal de persoonlijke voorkeurinstellingen en voorspellende modellen uit de databank dus benutten om aan een gebruiker of beheerder van het gebouw aanbevelingen te bezorgen die het persoonlijk comfort voor personen die het gebouw gebruiken op langere termijn kunnen verbeteren en/of het energieverbruik van het comfortsysteem op langere termijn kunnen reduceren met behoud van het persoonlijk comfort voor gebruikers van het gebouw, lange termijn zijnde een termijn langer dan 24 uur. De lange termijn adviesmodule genereert het lange termijn advies op instructie van de regeleenheid. De lange termijn aanbevelingen zijn typisch aanbevelingen voor investeringen die op lange termijn renderen, zoals bijvoorbeeld "Plaats zonneschermen in kamer x. Dit zal resulteren in y EUR reductie in jaarlijkse energiekosten. De terugbetaaltermijn voor de investering wordt geschat op z jaar.”, enz. Het lange termijn advies kan afgeleverd worden aan een gebruiker of beheerder van het gebouw in de vorm van een elektronisch bericht, bijvoorbeeld een sms-bericht, een e-mail bericht, een pop-up bericht gegenereerd door een mobiele applicatie op een draagbaar toestel, enz.

[29] Uitvoeringen van de regelinrichting volgens de uitvinding, zoals gedefinieerd in conclusie 4, omvatten verder mogelijk: - een herinneringsmodule, geconfigureerd om via berichten na te gaan of genoemd lange termijn advies opgevolgd wordt.

[30] Dergelijke herinneringsmodule zal dus via bevraging van een gebruiker of de beheerder van het gebouw of via analyse van sensorgegevens nagaan of het lange termijn advies opgevolgd wordt. De bevraging kan verlopen via

-13- elektronisch berichten, bijvoorbeeld sms-berichten, e-mail berichten, bour 7940/9575 berichten gegenereerd door een mobiele applicatie op een draagbaar toestel, enz. Op die manier kan de regelinrichting vernemen dat geadviseerde investeringen ook effectief werden gedaan en opvolgen welk effect de geadviseerde investeringen hebben op de persoonlijke voorkeurinstellingen, de voorspellende modellen, de daaruit resulterende instellingen voor toestellen in het comfortsysteem, en uiteindelijk het energieverbruik door het comfortsysteem.

[31] Uitvoeringen van de regelinrichting volgens de uitvinding, zoals gedefinieerd in conclusie 5, omvatten verder mogelijk: - een restrictie module geconfigureerd om één of meerdere regel- gebaseerde restricties op te leggen aan genoemde regeleenheid, waarbij een regel-gebaseerde restrictie mogelijke aanpassing van genoemde één of meerdere instellingen van één of meerdere toestellen in genoemd comfortsysteem beperkt.

[32] Dankzij de regel-gebaseerde restricties kan vermeden worden dat de regeleenheid louter op basis van persoonlijke voorkeurinstellingen en voorspellende modellen de instellingen van het comfortsysteem zo aanpast dat wetgeving geschonden wordt of dat sensoren in het comfortsysteem geen juiste metingen meer kunnen doen. De ventilatie van gebouwen of ruimtes in gebouwen moet immers voldoen aan normen en wetgeving die landafhankelijk zijn, en mogelijk sterk variëren. Zo wordt de maximale capaciteit aan lucht die in te ventileren ruimtes aangevoerd wordt en/of de maximale capaciteit aan lucht die van te ventileren ruimtes afgevoerd wordt in nationale normen vastgelegd. In België is dat bijvoorbeeld de Belgische norm NBN D 50-001, terwijl dit in Nederland is vastgelegd in het Bouwbesluit. In Frankrijk is de "Arrête du 24 mars 1982 relatif à l'aération des logements, version consolidée au 11 mai 2020" van toepassing en in aanvulling daarop de Réglementation Thermique RT2012. Variërend van land tot land dienen verschillende parameters in acht genomen te worden om aan de lokale regelgeving te voldoen, zoals in Frankrijk bijvoorbeeld het type woning (appartement,

„14 - rijwoning, vrijstaande woning, enz.), het aantal bouwlagen van de woning, het 7940/9575 aantal kamers in de woning, het aantal mensen aanwezig in de woning, het type ruimte of kamer (vochtige ruimte vs. droge ruimte, slaapkamer, badkamer, keuken, enz.), het aantal COz-partikels gemeten in de aanwezige lucht, de luchtvochtigheid, de temperatuur van de lucht, enz. Bovendien verschillen de drempelwaarden voor de parameters van land tot land. Zo moet in België bijvoorbeeld vanaf een drempelwaarde van 900 ppm CO:-partikels het ventilatiedebiet verhoogd worden, terwijl de drempelwaarden voor debietverhoging van de ventilatie in andere landen verschillen. De regel- gebaseerde restricties zullen voor eenzelfde type comfortsysteem dus verschillen afhankelijk van het land of de regio waar het systeem geplaatst werd. De regel-gebaseerde restricties opgelegd door de restrictie module zullen voorrang krijgen op de instellingsaanpassingen die de regeleenheid bepaalt op basis van de persoonlijke voorkeurinstellingen en de voorspellende modellen.

[33] Uitvoeringen van de regelinrichting volgens de uitvinding, zoals gedefinieerd in conclusie 6, omvatten verder mogelijk: - een interface voor het bekomen van sensorgegevens indicatief voor aanwezigheid van een bepaalde persoon in een bepaalde kamer of in genoemde gebouw.

[34] Opdat de regeleenheid de instellingen van één of meerdere toestellen in het comfortsysteem zou kunnen aanpassen om het persoonlijk omgevingscomfort te verbeteren voor gebruikers van het gebouw, moet de regeleenheid weten welke persoon of personen op elk moment aanwezig zijn in het gebouw. In een eenvoudige uitvoering van de regelinrichting kan dat gebeuren op basis van veronderstellingen. Als een persoon aanwezig is om 22u in Steven's slaapkamer, dan kan verondersteld worden dat die persoon Steven is. Als om 8u 's ochtends iemand Steven's kamer verlaat, en om 8u05 de luchtvochtigheid toeneemt in de badkamer omdat iemand een douche neemt, dan kan verondersteld worden dat de persoon die een douche neemt en de badkamerthermostaat op een hogere temperatuur instelt opnieuw Steven is. Welke persoon of personen op welk moment in welke kamer aanwezig zijn, kan

-15- dus automatisch achterhaald worden, bijvoorbeeld door artificiële intelligentie of 10969 5515 machine learning. In variante uitvoeringen van de regelinrichting volgens deze uitvinding kan gebruik gemaakt worden van sensorgegevens, bijvoorbeeld aanwezigheidsdetectoren, bewegingssensoren, 2D of 3D camera's in de verschillende kamers van het gebouw. Ook gegevens afkomstig van een computerprogramma dat uitgevoerd wordt op een draagbaar toestel - een mobiele app - kunnen in uitvoeringen van de regelinrichting volgens deze uitvinding benut worden om nog nauwkeuriger te bepalen welke personen op welk moment in welke kamer van een gebouw zijn.

[35] In uitvoeringen van de regelinrichting volgens deze uitvinding, gedefinieerd in conclusie 7, is genoemde regeleenheid geconfigureerd om op basis van het gemiddelde van voorkeurinstellingen voor meerdere personen één of meerdere instellingen van één of meerdere toestellen in genoemd comfortsysteem aan te passen om het persoonlijk omgevingscomfort voor genoemde meerdere personen te verbeteren wanneer aanwezig in genoemd gebouw.

[36] Wanneer gedetecteerd of verondersteld wordt dat meerdere personen tegelijk aanwezig zijn in het gebouw of in een kamer van het gebouw kan de regeleenheid het omgevingscomfort voor die personen optimaliseren door bijvoorbeeld het gemiddelde te nemen van de voorkeurinstellingen geleerd of gegenereerd door het eerste machine learning module. Indien na verloop van tijd vastgesteld wordt dat wanneer persoon X en persoon Y samen aanwezig zijn in eenzelfde kamer, de voorkeurinstellingen beter overeenkomen met de voorkeurinstellingen van persoon Y, dan kan in een meer geavanceerde uitvoering van de uitvinding na verloop van tijd gekozen worden voor de voorkeurinstellingen van persoon Y in plaats van gemiddelde instellingen.

[37] In uitvoeringen van de regelinrichting volgens deze uitvinding, gedefinieerd in conclusie 8, is genoemde regeleenheid geconfigureerd om een aanpassing van een instelling bekomen op basis van genoemde voorspellende modellen te vergelijken met een voorkeurinstelling en genoemde aanpassing

- 16 - enkel door te voeren wanneer de afwijking ten opzichte van genoemde 299915 voorkeurinstelling een vooraf gedefinieerde drempel overschrijdt.

[38] De regeleenheid gebruikt de voorspellende modellen in eerste instantie om te kijken naar wat de toekomst brengen zal indien er niets veranderd wordt aan de instellingen. Indien dit te ver afwijkt van de voorkeurinstellingen zal de regeleenheid tot actie overgaan en de voorspellende modellen aanwenden om instellingen op te leggen die afwijken van de voorkeurinstellingen.

[39] In uitvoeringen van de regelinrichting volgens deze uitvinding, gedefinieerd in conclusie 9, is genoemde regeleenheid geconfigureerd om een aanpassing van een instelling met een traagheid door te voeren.

[40] Inderdaad, om te vermijden dat de regelinrichting te gevoelig wordt en op elke verandering in het gebouw of in een kamer van het gebouw gaat overreageren, kan een zekere traagheidsparameter ingebouwd worden in de regeleenheid.

[41] In uitvoeringen van de regelinrichting volgens deze uitvinding, gedefinieerd in conclusie 10, is genoemde traagheid een persoonlijke voorkeurinstelling.

[42] De traagheidsparameter kan in bepaalde uitvoeringen van de regelinrichting volgens deze uitvinding dus een instelbare parameter zijn zodat de beheerder of een gebruiker van het gebouw zelf kan bepalen hoe gevoelig de regelinrichting wordt voor veranderingen in het gebouw of in een kamer van het gebouw. Sommige gebruikers zullen immers de voorkeur geven aan een snel reagerend systeem terwijl anderen een trager reagerend systeem verkiezen.

[43] In een uitvoering van de regelinrichting volgens de uitvinding, gedefinieerd in conclusie 11, omvat genoemd comfortsysteem een ventilatiesysteem.

-17- BE2020/5515

[44] De regelinrichting volgens de uitvinding zal het persoonlijk comfort voor gebruikers van een gebouw uitgerust met ventilatiesysteem van eender welke aard sterk verbeteren. Het ventilatiesysteem kan uitgerust zijn met of één of meerdere sensoren, kan aanstuurbare toestellen omvatten zoals kleppen, debietregelaars, verluchtingsroosters en één of meerdere motoren, al dan niet gecombineerd met manueel bedienbare toestellen zoals vensters (manueel te openen voor verluchting) of manueel bedienbare verluchtingsroosters.

[45] In een uitvoering van de regelinrichting volgens de uitvinding, gedefinieerd in conclusie 12, omvat genoemd comfortsysteem een zonneweringssysteem.

[46] De regelrichting volgens de uitvinding zal het persoonlijk comfort voor gebruikers van een gebouw uitgerust met een zonneweringssysteem van eender welke aard sterk verbeteren. Het zonneweringssysteem kan uitgerust zijn met één of meerdere sensoren, en kan aanstuurbare toestellen omvatten zoals roteerbare lamellen, een doekrol, enz., al dan niet gecombineerd met manueel bedienbare toestellen. De vakman zal begrijpen dat de regelinrichting volgens de uitvinding het persoonlijk comfort voor gebruikers van een gebouw uitgerust met zowel een ventilatiesysteem als een zonneweringssysteem sterk kan verbeteren.

[47] Volgens een tweede aspect heeft de uitvinding betrekking op een op een computer geïmplementeerde werkwijze volgens conclusie 13, voor het herhaaldelijk regelen van het persoonlijk omgevingscomfort in een gebouw met één of meerdere kamers uitgerust met een comfortsysteem, genoemde werkwijze omvattende: - het bekomen van sensorgegevens van één of meerdere sensoren in genoemd comfortsysteem; - het bekomen van werkingsgegevens van één of meerdere toestellen in genoemd comfortsysteem;

-18- BE2020/5515 - het bekomen van externe gegevens van één of meerdere bronnen extern aan genoemd comfortsysteem; - het opslaan in een databank van genoemde sensorgegevens, genoemde werkingsgegevens en genoemde externe gegevens, samen opgeslagen gegevens genoemd; - het trainen van een eerste machine learning module met genoemde opgeslagen gegevens om persoonlijke voorkeurinstellingen te genereren per persoon; - het trainen van een tweede machine learning module met genoemde opgeslagen gegevens om voorspellende modellen te genereren per kamer en/of per kamertype, waarbij een voorspellend model de evolutie van een sensorgegeven, een werkingsgegeven, een extern gegeven of een voorkeurinstelling modelleert in een formule die toelaat een toekomstige waarde ervan te voorspellen; - het aanpassen van één of meerdere instellingen van één of meerdere toestellen in genoemd comfortsysteem op basis van genoemde voorkeurinstellingen voor één of meerdere personen en/of genoemde voorspellende modellen om het persoonlijk omgevingscomfort voor genoemde één of meerdere personen te verbeteren wanneer aanwezig in genoemd gebouw.

[48] Volgens een derde aspect heeft de uitvinding betrekking op een computer programma product volgens conclusie 14, bevattende op een computer uitvoerbare instructies om volgende stappen uit te voeren indien dit programma wordt uitgevoerd op een computer voor het herhaaldelijk regelen van het persoonlijk omgevingscomfort in een gebouw met één of meerdere kamers uitgerust met een comfortsysteem: - het bekomen van sensorgegevens van één of meerdere sensoren in genoemd comfortsysteem; - het bekomen van werkingsgegevens van één of meerdere toestellen in genoemd comfortsysteem; - het bekomen van externe gegevens van één of meerdere bronnen extern aan genoemd comfortsysteem;

-19- - het opslaan in een databank van genoemde sensorgegevens. 10969 5515 genoemde werkingsgegevens en genoemde externe gegevens, samen opgeslagen gegevens genoemd; - het trainen van een eerste machine learning module met genoemde opgeslagen gegevens om persoonlijke voorkeurinstellingen te genereren per persoon; - het trainen van een tweede machine learning module met genoemde opgeslagen gegevens om voorspellende modellen te genereren per kamer en/of per kamertype, waarbij een voorspellend model de evolutie van een sensorgegeven, een werkingsgegeven, een extern gegeven of een voorkeurinstelling modelleert in een formule die toelaat een toekomstige waarde ervan te voorspellen; en - het aanpassen van één of meerdere instellingen van één of meerdere toestellen in genoemd comfortsysteem op basis van genoemde voorkeurinstellingen voor één of meerdere personen en/of genoemde voorspellende modellen om het persoonlijk omgevingscomfort voor genoemde één of meerdere personen te verbeteren wanneer aanwezig in genoemd gebouw.

[49] Volgens een vierde aspect heeft de uitvinding betrekking op een door een computer leesbaar opslagmiddel volgens conclusie 15, bevattende het computer programma product volgens conclusie 14.

Korte Beschrijving van de Tekeningen

[50] Tekening 1 is een functioneel blokkenschema van een uitvoeringsvorm van de regelinrichting 100 volgens deze uitvinding;

[51] Tekening 2 illustreert een uitvoeringsvorm van de werkwijze voor het herhaaldelijk regelen van het persoonlijk omgevingscomfort in een gebouw volgens deze uitvinding; en

-20-

[52] Tekening 3 toont een computersysteem geschikt voor het uitvoeren var 7920/5515 één of meerdere stappen in uitvoeringsvormen van de werkwijze volgens deze uitvinding.

Beschrijving van Uitvoeringsvormen

[53] Tekening 1 toont een comfortsysteem 120 met sensoren 121 en toestellen 122. Het comfortsysteem 120 wordt verondersteld geplaatst te zijn in een gebouw met meerdere kamers en werd geconfigureerd of ingeregeld door een installateur. De toestellen 122 zijn regelbare toestellen of onderdelen die deel uitmaken van het comfortsysteem 120 zoals één of meerdere ventilatiemotoren, kleppen, debietregelaars, ventilatieroosters, een zonnescherm, enz. Ook de sensoren 121 maken deel uit van het comfortsysteem en omvatten bijvoorbeeld één of meerdere temperatuursensoren in de verschillende kamers, één of meerdere luchtvochtigheidssensoren in de verschillende kamers, één of meerdere COz- sensoren in de verschillende kamers, één of meerdere lichtsensoren, enz. Extern aan het comfortsysteem toont Tekening 1 ook externe bronnen 123 en aanwezigheid sensoren 124. De externe bronnen zijn sensoren of andere informatiebronnen die geen deel uitmaken van het comfortsysteem, zoals bijvoorbeeld webapplicaties, sensoren of andere toestellen die via het internet verbonden zijn en weersvoorspellingen of actuele buitentemperaturen aanreiken. De aanwezigheid sensoren 124 zijn aanwezig in het gebouw waar het comfortsysteem 120 geïnstalleerd is en omvatten bijvoorbeeld infrarood (IR) detectoren, warmtedetectoren, time-of-flight (TOF) detectoren, 2D camera's, 3D camera's, enz., maar kunnen ook draagbare toestellen omvatten zoals een smartphone van een gebruiker waarop een mobiele applicatie uitgevoerd wordt die de locatie van de gebruiker traceert en op basis daarvan meldt of de gebruiker in het gebouw aanwezig is of in een bepaalde kamer van het gebouw aanwezig is.

-21-

[54] Tekening 1 toont verder een uitvoeringsvorm van de regelinrichting 100 9299915 volgens de uitvinding. Deze uitvoeringsvorm 100 omvat een eerste interface, 101 of IF1, geconfigureerd om sensorgegevens te ontvangen van de sensoren 121 uit het comfortsysteem 120, een tweede interface, 102 of IF2, geconfigureerd om werkingsgegevens te ontvangen van de regelbare toestellen 122 uit het comfortsysteem 120, een derde interface, 103 of IF3, geconfigureerd om externe gegevens te ontvangen van de externe bronnen 123, en een vierde interface, 104 of IF4, geconfigureerd om sensorgegevens indicatief voor de aanwezigheid van één of meerdere personen in één of meerdere kamers van het gebouw te ontvangen van de aanwezigheid sensoren 124. De interfaces 101-104 kunnen draadloos of bedraad zijn.

[55] De gegevens die ontvangen worden via de interfaces 101-104 over lange termijn, zijnde minstens 24 uur maar bij voorkeur meerdere dagen, weken, maanden of jaren, worden opgeslagen in een databank 105 die deel uitmaakt van de regelinrichting 100. De databank 105 zal dus historische gegevens opslaan. De databank kan geïnstalleerd worden op servers van de fabrikant van het comfortsysteem, of in een cloud opslagsysteem dat beheerd wordt door een derde partij, typisch een cloud systeemoperator.

[56] Gebruik makend van de historische gegevens opgeslagen in databank 105 wordt een eerste machine learning module, 106 of ML1, getraind om persoonlijk voorkeurinstellingen 108 te genereren per persoon en per kamertype. Een voorkeurinstelling 108 is een wenswaarde voor een parameter (sensor-, toestel-, systeem- of omgevingsparameter) om in een bepaalde situatie een persoonlijke comfortvoorkeur te bereiken. De voorkeurinstelling 108 is typisch een meer-dimensioneel referentiepunt indicatief voor wat een bepaalde persoon comfortabel vindt gegeven bepaalde randomstandigheden zoals het weer, het seizoen, de dag van de week, het tijdstip, enz. De voorkeurinstellingen 108 worden via de machine learning module 106 geleerd per persoon en per kamertype. Zo leert de eerste machine learning module 106 uit de historische gegevens bijgehouden in databank 105 bijvoorbeeld dat persoon 1, wanneer alleen aanwezig in de woonkamer op een weekenddag in

-22- oktober waarop het de hele dag regent, tussen 15u en 16u een temperatuur var 79205575 22,5 °C in de woonkamer wenst en opwarming van de badkamer wenst omdat de persoon daar waarschijnlijk binnen het half uur een douche zal gaan nemen. De voorkeurinstellingen 108 worden bij voorkeur bijgehouden per persoon en per kamertype. Zo kan een persoon een voorkeurtemperatuur hebben van 23 graden voor de woonkamer waar diezelfde persoon voor de slaapkamer een voorkeurtemperatuur van 18 graden heeft.

[57] Gebruik makend van de historische gegevens opgeslagen in databank 105 wordt een tweede machine learning module, 107 of ML2, getraind om voorspellende modellen 109 te genereren. Een voorspellend model 109 is een formule die de evolutie modelleert van een parameter (sensor-, toestel-, systeem- of omgevingsparameter) of de evolutie modelleert van een persoonlijke voorkeurinstelling 108 zodat toekomstige waarden van dergelijke parameter of voorkeurinstelling 108 voorspeld kunnen worden aan de hand van die formule. Het tweede machine learning module 107 gaat dus patronen herkennen in de historische gegevens en proberen te voorspellen onder welke randomstandigheden een gebruiker een bepaalde actie zou ondernemen.

[58] Deregelinrichting 100 uit Tekening 1 bevat verder een regeleenheid 110 of controller die op basis van de voorkeurinstellingen 108, de voorspellende modellen 109 en de actuele randomstandigheden 115 die gehaald worden uit de actuele sensorgegevens verkregen van de sensoren 121, en/of de actuele werkingsinstellingen verkregen van de toestellen 122, en/of de actuele externe gegevens verkregen van de externe bronnen 123, en/of de actuele aanwezigheidsgegevens verkregen van de aanwezigheid sensoren 124, de instellingen van één of meerdere regelbare toestellen 122 aanpast om het persoonlijk omgevingscomfort voor gebruikers van de woning te verbeteren. De regelinrichting 100 zal dus herhaaldelijk (continu of regelmatig al dan niet met vast interval) de instellingen van de regelbare toestellen 122 in het comfortsysteem regelen naar de voorkeurinstellingen van de gebruikers van het gebouw zodat de gebruikers zo vaak mogelijk het gewenste persoonlijke omgevingscomfort ervaren, gegeven de randomstandigheden, zonder zelf

-23- manueel de instellingen te moeten aanpassen. Dankzij de voorspellende 9295575 modellen zal de regeleenheid 110 een predictief karakter hebben en de instellingen van regelbare toestellen 122 ook kunnen aanpassen om te anticiperen op wat verwacht wordt te gebeuren in het gebouw, bijvoorbeeld aankomst of vertrek van bepaalde gebruikers, het gebruik van bepaalde kamers zoals badkamer of keuken door bepaalde gebruikers, enz.

[59] Voor niet regelbare toestellen uit het comfortsysteem 120 zoals bijvoorbeeld een ventilatierooster boven een raam, of voor toestellen die geen deel uitmaken van het comfortsysteem 120 maar wel een invloed hebben op het omgevingscomfort, zoals bijvoorbeeld een niet-aanstuurbare zonnewering, zal de korte termijn adviesmodule 111 instructies genereren. De korte termijn adviesmodule 111 kan in uitvoeringen van de regelinrichting volgens de uitvinding ook geconfigureerd zijn om instructies te genereren voor regelbare of aanstuurbare toestellen die deel uitmaken van het comfortsysteem 120, bijvoorbeeld in een faze waar er nog geen vertrouwen is in de regeleenheid 110 omdat de machine learning modules 106, 107 onvoldoende getraind zijn als gevolg waarvan de voorkeurinstellingen 108 en voorspellende modellen 109 nog snel veranderen. Die instructies kunnen in de vorm van elektronische berichten aan een gebruiker of beheerder van het gebouw afgeleverd worden zodat acties ondernomen kunnen worden die verder zullen bijdragen tot het verbeteren van het persoonlijk omgevingscomfort van de gebruikers van het gebouw.

[60] De lange termijn adviesmodule 112 zal lange termijn advies genereren in de vorm van aanbevelingen voor de beheerder van het gebouw om bepaalde investeringen te doen die het persoonlijk omgevingscomfort van de gebruikers van het gebouw verder zullen verbeteren, of die het mogelijk maken met behoud van het persoonlijk omgevingscomfort voor de gebruikers van het gebouw het energieverbruik van het gebouw te reduceren zodat een terugwin effect voor de investeringen ontstaat. De herinneringsmodule 113 zal via bevraging van de beheerder van het gebouw opvolgen of het lange termijn advies gevolgd wordt.

„24 -

[61] De regelinrichting 100 uit Tekening 1 bevat verder een restrictie module 0929/5515 114 die regelgebaseerde restricties oplegt aan de regeleenheid 110 zodat vermeden wordt dat de regeleenheid 110 lokale wetgeving overtreedt of het systeem geen metingen meer kan doen. De ventilatie van gebouwen of kamers moet aan regelgeving voldoen die vaak landafhankelijk is. De lokaal geldende regelgeving wordt door de fabrikant of installateur van het comfortsysteem in regels geconfigureerd die gebruikt worden door de restrictie module 114 om aanpassingen aan de instellingen van toestellen 122 door de regeleenheid 110 die ingaan tegen de lokale wetgeving te blokkeren. Ook de beheerder of gebruikers van het gebouw kunnen regels invoeren die via de restrictie module 114 opgelegd worden. Zo kan een gebruiker bijvoorbeeld aangeven dat een bepaald toestel al dan niet tijdelijk niet mag aangestuurd worden, bijvoorbeeld omdat er gepoetst wordt.

[62] Tekening 2 is een pseudo-flow-diagramma van de stappen in een uitvoering van de werkwijze voor het herhaaldelijk regelen van persoonlijk omgevingscomfort in een gebouw. In stap 201 worden sensorgegevens bekomen van sensoren in het comfortsysteem van het gebouw. In stap 202 worden werkingsgegevens of actuele instellingen bekomen van regelbare toestellen in het comfortsysteem van het gebouw. In stap 203 worden externe gegevens bekomen van bronnen extern aan het comfortsysteem van het gebouw. De ingezamelde sensorgegevens, werkingsgegevens en externe gegevens worden opgeslagen in een lange termijn databank in stap 204. Een eerste machine learning module zal de opgeslagen gegevens gebruiken om profielen met voorkeurinstellingen te genereren per gebruiker van het gebouw en per kamertype, zoals aangegeven door stap 205. Een tweede machine learning module zal de opgeslagen gegevens gebruiken om voorspellende modellen te genereren, zoals aangegeven in stap 206. De voorkeurinstellingen en voorspellende modellen worden daarna in stap 207 gebruikt om de instellingen van toestellen in het comfortsysteem herhaaldelijk te regelen ten gunste van het persoonlijk omgevingscomfort van de gebruikers van het gebouw. Voor niet regelbare toestellen in het gebouw die kunnen bijdragen tot het omgevingscomfort wordt in stap 208 korte termijn advies gegenereerd. Ook

-25- wordt lange termijn advies gegenereerd in stap 209 om de beheerder of een 010 gebruiker van het gebouw te adviseren met betrekking tot maatregelen of investeringen die genomen kunnen worden ten gunste van het persoonlijk omgevingscomfort en/of het energieverbruik van het gebouw. Welke acties de beheerder of gebruiker neemt naar aanleiding van het lange termijn advies wordt opgevolgd in stap 210. Hoewel Tekening 2 de stappen 201-210 sequentieel toont, zal duidelijk zijn voor de vakman dat de stappen uit de werkwijze geïllustreerd door Tekening 2 parallel kunnen uitgevoerd door verschillende onderdelen van een regelinrichting voor een comfortsysteem.

[63] Tekening 3 toont een geschikt computersysteem 300 voor het uitvoeren van één of meerdere stappen in de werkwijze van de bovenstaande uitvoeringsvorm(en). Computersysteem 300 kan in het algemeen zijn uitgevoerd als een computer geschikt voor algemene doeleinden en een bus 310, een processor 302, een lokaal geheugen 304, één of meer optionele invoerinterfaces 314, één of meer uitvoerinterfaces 316, een communicatie- interface 312, een opslagelementinterface 306 en één of meer opslagelementen 308 omvatten. Bus 310 kan één of meer geleiders omvatten, die communicatie tussen de componenten van het computersysteem 300 mogelijk maken. Processor 302 kan elk type conventionele processor of microprocessor omvatten, die programma-instructies interpreteert en uitvoert. Lokaal geheugen 304 kan een Random Access Memory (RAM) of een ander type dynamische opslag-inrichting omvatten, die informatie en instructies voor uitvoering door processor 302 opslaat, en/of een Read-Only Memory (ROM) of een ander type statische opslag-inrichting omvatten, die statische informatie en instructies voor gebruik door processor 302 opslaat. Invoerinterface 314 kan één of meer conventionele mechanismen omvatten, die een bediener in staat stellen informatie in de computerinrichting 300 in te voeren, zoals een toetsenbord 320, een muis 330, een pen, stemherkenning en/of biometrische mechanismen, een aanraakscherm, enz. Uitvoerinterface 316 kan één of meer conventionele mechanismen omvatten, die informatie aan de bediener afgeven, zoals een scherm 340, een printer 350, een luidspreker, enz. Communicatie-interface 312 kan een zendontvanger-achtig mechanisme omvatten, zoals bijvoorbeeld één

- 26 - of meer Ethernet-interfaces, dat het computersysteem 300 in staat stelt té 700015 communiceren met andere inrichtingen en/of systemen 381, 382, 383, bijvoorbeeld een zender/ontvanger voor het communiceren met het comfortsysteem 120 in Tekening 1. De communicatie-interface 312 van computersysteem 300 kan met een ander computersysteem verbonden zijn door middel van een Local Area Network (LAN) of een Wide Area Network (WAN), zoals bijvoorbeeld het internet. Opslagelementinterface 306 kan een opslaginterface omvatten, zoals bijvoorbeeld een Serial Advanced Technology Attachment (SATA) interface of een Small Computer System Interface (SCSI), voor het verbinden van bus 310 met één of meer opslagelementen 308, zoals één of meer lokale schijven, bijvoorbeeld SATA-schijfstations, en het lezen en schrijven van gegevens naar en/of van deze opslag-elementen 308 besturen. Hoewel de opslagelementen 308 hierboven als een lokale schijf zijn beschreven, zou in het algemeen elk ander geschikt computer-leesbaar medium, zoals een verwijderbare magnetische schijf, optische opslagmedia, zoals een CD of DVD, ROM-schijf, solid-state drives, flashgeheugenkaarten, kunnen worden gebruikt. Het hierboven beschreven systeem 300 kan ook werken als een Virtual Machine boven de fysieke hardware.

[64] De in de bovenstaande uitvoeringsvorm(en) getoonde stappen kunnen als programma-instructies worden geïmplementeerd, die in lokaal geheugen 304 van het computersysteem 300 zijn opgeslagen, voor uitvoering door de processor 302 daarvan. Als alternatief kan de instructie worden opgeslagen op het opslagelement 308 of vanaf een ander computersysteem toegankelijk zijn via de communicatie-interface 312.

[65] Hoewel de onderhavige uitvinding werd geïllustreerd aan de hand van specifieke uitvoeringsvormen, zal het voor de vakman duidelijk zijn dat de uitvinding niet is beperkt tot de details van de voorgaande illustratieve uitvoeringsvormen, en dat de onderhavige uitvinding kan worden uitgevoerd met verschillende wijzigingen en aanpassingen zonder daarbij het toepassingsgebied van de uitvinding te verlaten. De onderhavige uitvoeringsvormen moeten daarom op alle vlakken worden beschouwd als

„27 - illustratief en niet restrictief, waarbij het toepassingsgebied van de uitvinding 0595515 wordt beschreven door de bijgevoegde conclusies en niet door de voorgaande beschrijving, en alle wijzigingen die binnen de betekenis en de reikwijdte van de conclusies vallen, zijn hier derhalve mee opgenomen.

Er wordt met andere woorden van uitgegaan dat hieronder alle wijzigingen, variaties of equivalenten vallen die binnen het toepassingsgebied van de onderliggende basisprincipes vallen en waarvan de essentiële attributen worden geclaimd in deze octrooiaanvraag.

Bovendien zal de lezer van deze octrooiaanvraag begrijpen dat de woorden "omvattende" of "omvatten" andere elementen of stappen niet uitsluiten, dat het woord "een" geen meervoud uitsluit, en dat een enkelvoudig element, zoals een computersysteem, een processor of een andere geïntegreerde eenheid de functies van verschillende hulpmiddelen kunnen vervullen die in de conclusies worden vermeld.

Eventuele verwijzingen in de conclusies mogen niet worden opgevat als een beperking van de conclusies in kwestie.

De termen "eerste", "tweede", "derde", "a", "b", "c' en dergelijke, wanneer gebruikt in de beschrijving of in de conclusies, worden gebruikt om het onderscheid te maken tussen soortgelijke elementen of stappen en beschrijven niet noodzakelijk een opeenvolgende of chronologische volgorde.

Op dezelfde manier worden de termen "bovenkant", "onderkant", "over", onder" en dergelijke gebruikt ten behoeve van de beschrijving en verwijzen ze niet noodzakelijk naar relatieve posities.

Het moet worden begrepen dat die termen onderling verwisselbaar zijn onder de juiste omstandigheden en dat uitvoeringsvormen van de uitvinding in staat zijn om te functioneren volgens de onderhavige uitvinding in andere volgordes of oriëntaties dan die beschreven of geïllustreerd in het bovenstaande.

Claims

-28- CONCLUSIES BE2020/5515

1. Een regelinrichting (100) voor het herhaaldelijk regelen van het persoonlijk omgevingscomfort in een gebouw met één of meerdere kamers uitgerust met een comfortsysteem (120), genoemde regelinrichting (100) omvattende: - een interface (101) voor het bekomen van sensorgegevens van één of meerdere sensoren (121) in genoemd comfortsysteem (120); - een interface (102) voor het bekomen van werkingsgegevens van één of meerdere toestellen (122) in genoemd comfortsysteem (120); - een interface (103) voor het bekomen van externe gegevens van één of meerdere bronnen (123) extern aan genoemd comfortsysteem (120); met het kenmerk dat genoemde regelinrichting (100) ook het volgende omvat: - een databank (105) voor opslag van genoemde sensorgegevens, genoemde werkingsgegevens en genoemde externe gegevens, samen opgeslagen gegevens genoemd; - een eerste machine learning module (106) getraind met genoemde opgeslagen gegevens om persoonlijke voorkeurinstellingen (108) te genereren per persoon; - een tweede machine learning module (107) getraind met genoemde opgeslagen gegevens om voorspellende modellen (109) te genereren per kamer en/of per kamertype, waarbij een voorspellend model (109) de evolutie van een sensorgegeven, een werkingsgegeven, een extern gegeven of een voorkeurinstelling modelleert in een formule die toelaat een toekomstige waarde ervan te voorspellen; en - een regeleenheid (110) die op basis van genoemde voorkeurinstellingen (108) voor één of meerdere personen en/of genoemde voorspellende modellen (109) één of meerdere instellingen van één of meerdere toestellen (122) in genoemd comfortsysteem (120) aanpast om het persoonlijk omgevingscomfort voor genoemde één of meerdere personen te verbeteren wanneer aanwezig in genoemd gebouw.

-29-

2. Een regelinrichting (100) volgens conclusie 1, verder omvattende: 9-2080/5515 - een korte termijn adviesmodule (111) geconfigureerd om op basis van genoemde voorkeurinstellingen (108) en genoemde voorspellende modellen (109) een korte termijn advies te genereren voor een toestel uit genoemd comfortsysteem (120), voor een kamer uit genoemd gebouw, of voor genoemd gebouw, waarbij genoemd korte termijn advies één of meerdere instructies omvat om genoemde één of meerdere instellingen van één of meerdere toestellen binnen een interval van 24 uur aan te passen.

3. Een regelinrichting (100) volgens conclusie 1 of 2, verder omvattende: - een lange termijn adviesmodule (112) geconfigureerd om op basis van genoemde voorkeurinstellingen (108) en genoemde voorspellende modellen (109) een lange termijn advies te genereren voor een toestel uit genoemd comfortsysteem (120), voor een kamer uit genoemd gebouw, of voor genoemd gebouw.

4. Een regelinrichting (100) volgens conclusie 3, verder omvattende: - een herinneringsmodule (113), geconfigureerd om via berichten na te gaan of genoemd lange termijn advies opgevolgd wordt.

5. Een regelinrichting (100) volgens één van voorgaande conclusies, verder omvattende: - een restrictie module (114) geconfigureerd om één of meerdere regel- gebaseerde restricties op te leggen aan genoemde regeleenheid (110), waarbij een regel-gebaseerde restrictie mogelijke aanpassing van genoemde één of meerdere instellingen van één of meerdere toestellen (122) in genoemd comfortsysteem (120) beperkt.

6. Een regelinrichting (100) volgens één van voorgaande conclusies, verder omvattende: - een interface (104) voor het bekomen van sensorgegevens indicatief voor aanwezigheid van een bepaalde persoon in een bepaalde kamer of in genoemde gebouw.

- 30 - BE2020/5515

7. Een regelinrichting (100) volgens één van voorgaande conclusies, waarin genoemde regeleenheid (110) geconfigureerd is om op basis van het gemiddelde van voorkeurinstellingen voor meerdere personen één of meerdere instellingen van één of meerdere toestellen (122) in genoemd comfortsysteem (120) aan te passen om het persoonlijk omgevingscomfort voor genoemde meerdere personen te verbeteren wanneer aanwezig in genoemd gebouw.

8. Een regelinrichting (100) volgens één van voorgaande conclusies, waarin genoemde regeleenheid (110) geconfigureerd is om een aanpassing van een instelling bekomen op basis van genoemde voorspellende modellen te vergelijken met een voorkeurinstelling en genoemde aanpassing enkel door te voeren wanneer de afwijking ten opzichte van genoemde voorkeurinstelling een vooraf gedefinieerde drempel overschrijdt.

9. Een regelinrichting (100) volgens één van voorgaande conclusies, waarin genoemde regeleenheid (110) geconfigureerd is om een aanpassing van een instelling met een traagheid door te voeren.

10. Een regelinrichting (100) volgens conclusie 9, waarin genoemde traagheid een persoonlijke voorkeurinstelling is.

11. Een regelinrichting (100) volgens één van voorgaande conclusies, waarin genoemd comfortsysteem (120) een ventilatiesysteem omvat.

12. Een regelinrichting (100) volgens één van voorgaande conclusies, waarin genoemd comfortsysteem (120) een zonneweringssysteem omvat.

13. Een op een computer geïmplementeerde werkwijze voor het herhaaldelijk regelen van het persoonlijk omgevingscomfort in een gebouw met één of meerdere kamers uitgerust met een comfortsysteem (120), genoemde werkwijze omvattende:

-31- - het bekomen (201) van sensorgegevens van één of meerdere sensoren 7949/95" 9 (121) in genoemd comfortsysteem (120); - het bekomen (202) van werkingsgegevens van één of meerdere toestellen (122) in genoemd comfortsysteem (120); - het bekomen (203) van externe gegevens van één of meerdere bronnen (123) extern aan genoemd comfortsysteem (120); met het kenmerk dat genoemde werkwijze ook het volgende omvat: - het opslaan (204) in een databank (105) van genoemde sensorgegevens, genoemde werkingsgegevens en genoemde externe gegevens, samen opgeslagen gegevens genoemd; - het trainen (205) van een eerste machine learning module (106) met genoemde opgeslagen gegevens om persoonlijke voorkeurinstellingen (108) te genereren per persoon; - het trainen (206) van een tweede machine learning module (107) met genoemde opgeslagen gegevens om voorspellende modellen (109) te genereren per kamer en/of per kamertype, waarbij een voorspellend model (109) de evolutie van een sensorgegeven, een werkingsgegeven, een extern gegeven of een voorkeurinstelling modelleert in een formule die toelaat een toekomstige waarde ervan te voorspellen; en - het aanpassen (207) van één of meerdere instellingen van één of meerdere toestellen (122) in genoemd comfortsysteem (120) op basis van genoemde voorkeurinstellingen (108) voor één of meerdere personen en/of genoemde voorspellende modellen (109) om het persoonlijk omgevingscomfort voor genoemde één of meerdere personen te verbeteren wanneer aanwezig in genoemd gebouw.

14. Een computer programma product bevattende op een computer uitvoerbare instructies om volgende stappen uit te voeren indien dit programma wordt uitgevoerd op een computer voor het herhaaldelijk regelen van het persoonlijk omgevingscomfort in een gebouw met één of meerdere kamers uitgerust met een comfortsysteem: - het bekomen (201) van sensorgegevens van één of meerdere sensoren (121) in genoemd comfortsysteem (120);

-32- - het bekomen (202) van werkingsgegevens van één of meerdere 9205575 toestellen (122) in genoemd comfortsysteem (120); - het bekomen (203) van externe gegevens van één of meerdere bronnen (123) extern aan genoemd comfortsysteem (120); met het kenmerk dat genoemd computer programma product ook op een computer uitvoerbare instructies bevat om volgende stappen uit te voeren (100): - het opslaan (204) in een databank (105) van genoemde sensorgegevens, genoemde werkingsgegevens en genoemde externe gegevens, samen opgeslagen gegevens genoemd; - het trainen (205) van een eerste machine learning module (106) met genoemde opgeslagen gegevens om persoonlijke voorkeurinstellingen (108) te genereren per persoon; - het trainen (206) van een tweede machine learning module (107) met genoemde opgeslagen gegevens om voorspellende modellen (109) te genereren per kamer en/of per kamertype, waarbij een voorspellend model (109) de evolutie van een sensorgegeven, een werkingsgegeven, een extern gegeven of een voorkeurinstelling modelleert in een formule die toelaat een toekomstige waarde ervan te voorspellen; en - het aanpassen (207) van één of meerdere instellingen van één of meerdere toestellen (122) in genoemd comfortsysteem (120) op basis van genoemde voorkeurinstellingen (108) voor één of meerdere personen en/of genoemde voorspellende modellen (109) om het persoonlijk omgevingscomfort voor genoemde één of meerdere personen te verbeteren wanneer aanwezig in genoemd gebouw.

15. Een door een computer leesbaar opslagmiddel bevattende het computer programma product volgens conclusie 14.