CN115190988A - 用于控制空调***的方法及控制*** - Google Patents

用于控制空调***的方法及控制*** Download PDF

Info

Publication number
CN115190988A
CN115190988A CN202180017700.XA CN202180017700A CN115190988A CN 115190988 A CN115190988 A CN 115190988A CN 202180017700 A CN202180017700 A CN 202180017700A CN 115190988 A CN115190988 A CN 115190988A
Authority
CN
China
Prior art keywords
zone
cooling air
building
sequence
obtaining
Prior art date
Legal status (The legal status 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 status listed.)
Pending
Application number
CN202180017700.XA
Other languages
English (en)
Inventor
苏荣
方立杰
塞沙德里·斯里尼瓦桑
卡梅什瓦尔·普尔拉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanyang Technological University
University of California
Original Assignee
Nanyang Technological University
University of California
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 Nanyang Technological University, University of California filed Critical Nanyang Technological University
Publication of CN115190988A publication Critical patent/CN115190988A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
    • F24F11/63—Electronic processing
    • F24F11/64—Electronic processing using pre-stored data
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D23/00—Control of temperature
    • G05D23/19—Control of temperature characterised by the use of electric means
    • G05D23/1917—Control of temperature characterised by the use of electric means using digital means
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
    • F24F11/46—Improving electric energy efficiency or saving
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/50—Control or safety arrangements characterised by user interfaces or communication
    • F24F11/56—Remote control
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/50—Control or safety arrangements characterised by user interfaces or communication
    • F24F11/61—Control or safety arrangements characterised by user interfaces or communication using timers
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
    • F24F11/63—Electronic processing
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/70—Control systems characterised by their outputs; Constructional details thereof
    • F24F11/72—Control systems characterised by their outputs; Constructional details thereof for controlling the supply of treated air, e.g. its pressure
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D23/00—Control of temperature
    • G05D23/19—Control of temperature characterised by the use of electric means
    • G05D23/1927—Control of temperature characterised by the use of electric means using a plurality of sensors
    • G05D23/193—Control of temperature characterised by the use of electric means using a plurality of sensors sensing the temperaure in different places in thermal relationship with one or more spaces
    • G05D23/1932—Control of temperature characterised by the use of electric means using a plurality of sensors sensing the temperaure in different places in thermal relationship with one or more spaces to control the temperature of a plurality of spaces
    • G05D23/1934—Control of temperature characterised by the use of electric means using a plurality of sensors sensing the temperaure in different places in thermal relationship with one or more spaces to control the temperature of a plurality of spaces each space being provided with one sensor acting on one or more control means
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2110/00—Control inputs relating to air properties
    • F24F2110/10—Temperature
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2110/00—Control inputs relating to air properties
    • F24F2110/20—Humidity
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2110/00—Control inputs relating to air properties
    • F24F2110/50—Air quality properties
    • F24F2110/65—Concentration of specific substances or contaminants
    • F24F2110/70—Carbon dioxide
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2120/00—Control inputs relating to users or occupants
    • F24F2120/10—Occupancy
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2140/00—Control inputs relating to system states
    • F24F2140/50—Load
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B30/00—Energy efficient heating, ventilation or air conditioning [HVAC]
    • Y02B30/70—Efficient control or regulation technologies, e.g. for control of refrigerant flow, motor or heating

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Human Computer Interaction (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Remote Sensing (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

本申请涉及一种方法，用于控制与建筑物相关联的空调***用于优化多个建筑性能参数以提供相对于建筑物的区域的环境。该方法包括：获得包括了与区域相关联的区域温度数据的区域环境条件信息和与区域所关联的空气处理单元相关联的冷却空气温度数据；从区域模型生成器获得关于多个时间段的与区域相关联的区域冷却负载参数以及区域热动力学模型；从调度器获得相对于区域的关于多个后续时间段的最优冷却空气供应率序列，其是基于包括了与多个建筑性能参数相关的多个组件的多组件成本函数确定；基于区域热动力学模型，利用区域冷却负载参数、最优冷却空气供应率序列、区域温度数据以及与空气处理单元相关联的冷却空气温度数据来确定相对于区域的与最优冷却空气供应率序列对应的区域控制器设定点序列；和发送区域控制器设定点序列到区域控制器用于控制区域温度。

Description

用于控制空调***的方法及控制***
相关申请的交叉引用
本申请主张于2020年4月6日提交的美国临时专利申请No.63/005，483的优先权，其内容通过引用整体并入本申请以用于所有目的。
技术领域
本申请总体上涉及一种控制与建筑物相关联的空调***的方法及其控制***，更具体地，用于优化多个建筑性能参数以提供相对于建筑物的区域的环境(例如预期室内环境)。
背景技术
建筑物消耗大量能量，并且空调***例如暖通空调(heating，ventilation andair conditioning，HVAC)***占此类消耗的很大比例。商用HVAC***是向多个区域提供冷却能量的可变风量(variable air volume，VAV)或可变制冷量(variable refrigerantvolume，VRV)型***。此类***的控制器可以是简单的恒温器，也可以是基于优化的控制器(例如，模型预测控制(model predictive control，MPC))。由于MPC能够处理复杂的约束、非线性动力学和物理行为，许多HVAC控制方法具有集中式架构并且旨在最大限度地减少使用MPC的所有区域的能耗。然而，由于大量区域的计算困难和实施问题，集中控制架构由于计算复杂性而不适合。因此，已经提出分散控制方法来克服这个问题。下面简要提及先前公开的使用各种控制方法来改进对建筑物的空调***的控制的几种方法。
美国专利US 9568924B2，Clifford C.Federspiel在2017年申请，名称为“用于协调HVAC单元控制的方法和***”，描述了一种控制技术，其中监督控制器接收来自多个环境传感器的反馈信号并且使用一组参考值来确定使用传递函数矩阵的伪逆来驱动HVAC单元的控制信号。然后使用来自误差信号(反馈和参考之间的差异)的传递函数矩阵计算控制信号。所描述的方法具备有限的故障诊断能力。美国专利US8521332B2，Tiemann等在2013年申请，名称为“HVAC***的执行器和操作执行器的方法”，提出了一种操作执行器的方法，包括用于将执行器连接到传感器/执行器总线的网络接口、数据存储器和连接到数据存储器的处理器。然而，该方法不涉及所使用的控制技术。
美国专利公开号2016/0223218A1，Barret，Enda在2013年申请，名称为“自动化控制和并行学习HVAC装置、方法及***”，提出了一种通过并行和强化学习更新实时值函数估计的方法。目标是通过协调恒温器设定点来最大限度地提高体验质量并最大限度地减少受监管的环境空间中的能源。
美国专利US 6865449B2，Dudley，Kevin F.在2005年申请，名称为“位置调整HVAC控制”，提出了利用监控单元来收集多个位置的信息以定义不同位置的加热/冷却需求的监控单元。美国专利6868900B2，Dage等在2005年申请，名称为“多区域自动HVAC控制***和方法”，提出了一种用于车辆的多区域HVAC控制***和方法。该控制***具有多个传感器和机制来控制从HVAC***进入多个区域的空气的温度和流量。国际申请公布号WO01/57489A1，Kline等在2001年申请，名称为“使用互联网的HVAC控制”，描述了一种使用互联网控制HVAC***的方法。该专利申请公布提出了一种用于控制HVAC***的设备和方法。
美国专利US 6997390B2，Alles在2006年申请，名称为“改造HVAC区域气候控制***”，提出了一种低成本且易于安装的区域气候控制***用于改造现有的强制通风HVAC***，该***可以提供独立的逐分钟、逐天和逐个房间的气候控制。该专利申请公布为用户提供了选项来编程设定点、指定温度计划、提供本地温度控制和显示不同舒适度要求的能源使用情况。美国专利US 7809472B2，Silva等在2010年申请，名称为“用于暖通空调单元的控制***”，提出了一种环境控制***用于在具有多个HVAC单元的建筑物内的多个区域。在该专利申请公布中，多个控制器连接到恒温器用于根据温度传感器的输出控制HVAC***单元。链路将多个传感器互连成网络。该设备可以联网并且可以在重叠或非重叠模式下运行。
美国专利US 8185245B2，Amundson等在2012年申请，名称为“带有公用事业时间定价支持的HVAC控制”，提出了一种使用多个时间表的方法，这些时间表是使用HVAC***的用户界面和用于命令它们的控制器单元输入的。美国专利公开号2006/0097063A1，Zeevi在2006年申请，名称为“模块化HVAC控制***”，提出了一种无线远程终端，该终端包括用于向HVAC电子控制器和一个附加远程终端发送信息的发射器和一个适用于接收信息的接收器。美国专利公开号2008/0277486A1，Seem等在2008年申请，名称为“HVAC控制***和方法”，描述了一种基于占用信息控制HVAC***的方法。美国专利公开号2011/0127340A1，Aiken，Thomas D.在2011年申请，名称为“基于占用的需求控制通风***”，描述了基于占用的需求控制通风***。此外，美国专利公开号2013/0085614A1，Wenzel等在2013年申请，名称为“用于使用能源预算的建筑物管理***中的能源控制的***和方法”，设计了一种反馈控制器，该控制器根据能源使用设定点和测量的能源使用生成操纵变量。
美国专利公开号2013/0274940A1，Wei等在2013年申请，名称为“支持云的建筑物自动化***”，描述了一种支持云的建筑物自动化***，其中可以通过用户界面从云接收信息并且生成优化的控制信号。美国专利公开号2014/0379141A1，Patil等在2014年申请，名称为“使用宽泛温度监测进行基于区域的暖通空调(HVAC)控制”，描述了为区域中的HVAC控制创建局部动态***。
因此存在需要来提供一种控制与建筑物相关联的空调***的方法及其控制***，其寻求克服或至少改善传统方法或控制***中的一个或多个缺陷用于控制空调***，包括但不限于，改进建筑物性能以提供建筑物的区域的环境(例如，预期室内环境)，以及更具体地，以灵活和分散的方式且显著节能。在此背景下开发了本申请的技术方案。
发明内容
根据本申请的第一方面，提供了一种方法用于控制与建筑物相关联的空调***用于优化多个建筑性能参数以提供相对于所述建筑物的区域的环境，所述方法利用至少一个处理器，所述方法包括：获得包括了与所述区域相关联的区域温度数据的区域环境条件信息和与所述区域所关联的空气处理单元相关联的冷却空气温度数据；从区域模型生成器获得关于多个时间段的与所述区域相关联的区域冷却负载参数以及区域热动力学模型；从调度器获得相对于所述区域的关于多个后续时间段的最优冷却空气供应率序列，其中所述最优冷却空气供应率序列是基于包括了与所述多个建筑性能参数相关的多个组件的多组件成本函数确定；基于所述区域热动力学模型，利用所述区域冷却负载参数、所述最优冷却空气供应率序列、所述区域温度数据以及与所述空气处理单元相关联的所述冷却空气温度数据来确定相对于所述区域的与所述最优冷却空气供应率序列对应的区域控制器设定点序列；和发送所述区域控制器设定点序列到区域控制器用于控制所述区域的温度。
根据本申请的第二方面，提供了一种控制***用于控制与建筑物相关联的空调***用于优化多个建筑性能参数以提供相对于所述建筑物的区域的环境。所述控制***包括：存储器；和与所述存储器通信地耦接的至少一个处理器，配置为：获得包括了与所述区域相关联的区域温度数据的区域环境条件信息和与所述区域所关联的空气处理单元相关联的冷却空气温度数据；从区域模型生成器获得关于多个时间段的与所述区域相关联的区域冷却负载参数以及区域热动力学模型；从调度器获得相对于所述区域的关于所述多个后续时间段的最优冷却空气供应率序列，其中所述最优冷却空气供应率序列是基于包括了与所述多个建筑性能参数相关的多个组件的多组件成本函数确定；基于所述区域热动力学模型，利用所述区域冷却负载参数、所述最优冷却空气供应率序列、所述区域温度数据以及与所述空气处理单元相关联的所述冷却空气温度数据来确定相对于所述区域的与所述最优冷却空气供应率序列对应的区域控制器设定点序列；和发送所述区域控制器设定点序列到区域控制器用于控制所述区域的温度。
附图说明
本领域普通技术人员从以下仅作为示例并结合附图的书面描述中将更好地理解及容易明白本申请的实施例。
图1示出了本申请实施例提供的一种控制与建筑物相关联的空调***用于优化多个建筑性能参数以提供相对于所述建筑物的区域的环境的方法的流程示意图；
图2示出了本申请实施例提供的，例如对应图1所示的方法，一种控制与建筑物相关联的空调***用于优化多个建筑性能参数以提供相对于所述建筑物的区域的环境的控制***的示意性框图；
图3示出了本申请实施例提供的示例计算机***的示意性框图，其中可实现或实施于控制与建筑物相关联的空调***的控制***；
图4示出了本申请实施例提供的控制***的示例配置或信息架构的示意图；
图5示出了本申请实施例提供的用于SIDMB或区域模型生成器的不同传感器数据的数据源；
图6示出了本申请实施例提供的用于风扇功率函数识别的实验结果的图表；
图7示出了本申请实施例提供的与区域相关联的测量区域温度和与所述区域相关联的所预测的区域温度之间的良好对应关系的示意图；
图8示出了本申请实施例提供的用于区域热动力模型识别的实验结果的图表；
图9示出了本申请实施例提供的用于基于二氧化碳的区域占用检测的实验结果的图表；
图10示出了本申请实施例提供的网络；
图11示出了本申请实施例提供的架构，其允许用户，通过启用和禁用区域调度控制器，来便利地在TBSA策略和标准静态热设定点跟踪策略之间切换；
图12示出了本申请实施例提供的基于来自试验台的数据的用于节能潜力的实验数据的表格。
具体实施方式
本申请的各个实施例提供了一种控制与建筑物相关联的空调***的方法及其控制***，更具体地，用于优化多个建筑性能参数以提供相对于所述建筑物的区域的环境(例如，预期室内环境)。本领域技术人员将理解，上述区域可以指建筑物内的任何一个或多个区域或封闭体或封闭区域，包括但不限于，房间(例如，办公室、会议室、公寓房、酒店房间等)、开放式办公空间、报告厅、剧院等。本领域技术人员可以理解，上述环境可以是指由所述空调***调节或管制的区域内的室内环境。本领域技术人员还将理解，控制空调***的方法及其控制***，用于优化多个建筑性能参数以提供相对于所述建筑物的区域的环境，也可以相对于所述建筑物的每一个区域(例如，每一个预定或者选定的区域)来适用或者实施。因此，相对于所述建筑物的每一个区域的建筑性能参数可以被优化。
图1示出了本申请实施例提供的一种控制与建筑物相关联的空调***用于优化多个建筑性能参数以提供相对于所述建筑物的区域的环境的方法100的流程示意图，使用至少一个处理器。该方法100包括：获得(在102)包括了与所述区域相关联的区域温度数据的区域环境条件信息和与所述区域所关联的空气处理单元相关联的冷却空气温度数据；从区域模型生成器获得(在104)关于多个时间段(以下互称为时间间隔)的与所述区域相关联的区域冷却负载参数以及区域热动力学模型；从调度器获得(在106)相对于所述区域的关于多个后续时间段的最优冷却空气供应率序列，其中所述最优冷却空气供应率序列是基于包括了与所述多个建筑性能参数相关的多个组件的多组件成本函数确定；基于所述区域热动力学模型，利用所述区域冷却负载参数、所述最优冷却空气供应率序列、所述区域温度数据以及与所述空气处理单元相关联的所述冷却空气温度数据来确定(在108)相对于所述区域的与所述最优冷却空气供应率序列对应的区域控制器设定点序列(相对于所述区域的关于多个后续时间段)；和发送(在110)所述区域控制器设定点序列到区域控制器用于控制所述区域的温度。
在各种实施例中，时间段或间隔可以指时间的瞬间或时间瞬间。
在各种实施例中，上述的提供相对于所述建筑物的区域的环境可以是指调节或管制在所述区域中或内部的环境。
在各种实施例中，上述空调***可以包括但不限于加热、通风和空调(HVAC)***。应当理解，本申请不限于任何给定或特定的空调***，只要它能够基于输入进行控制以至少在温度方面调节或管制区域中的环境。
在各种实施例中，所述获得包括了与所述区域相关联的区域温度数据的区域环境条件信息，包括从区域传感器模块获得关于当前时间的与所述区域相关联的区域温度测量数据(例如，与所述区域相关联的区域环境温度测结果)。
在各种实施例中，上述后续时间段可以是未来时间段。
在各种实施例中，所述获得包括了与所述区域相关联的区域温度数据的区域环境条件信息，包括从所述区域模型生成器获得关于所述多个后续时间段的与所述区域相关联的区域温度数据。因此，关于所述多个后续时间段的与所述区域相关联的区域温度数据可以是所预测的关于未来时间段的与所述区域相关联的区域温度。
在各种实施例中，所述获得与所述区域所关联的空气处理单元相关联的冷却空气温度数据包括获得关于当前时间的与所述区域所关联的所述空气处理单元相关联的所述冷却空气温度测量数据。与所述区域所关联的所述空气处理单元相关联的冷却空气温度可以从建筑物能源管理***或者位于所述空气处理单元的一个或者多个传感器获得。例如，建筑物能源管理***可以包括部署在所述空气处理单元的一个传感器用于测量冷却空气温度。
在各种实施例中，所述区域热动力学模型由所述模型生成器训练且基于与所述区域相关联的区域温度、与所述区域相关联的区域冷却空气供应率以及与所述区域所关联的所述空气处理单元相关联的冷却空气温度的测量数据。在各种实施例中，所述区域热动力学模型由所述模型生成器训练且基于训练数据以用于预测关于后续离散时间瞬间的与所述区域相关联的区域温度。
在各种实施例中，所述区域控制器设定点可以是热设定点。在各种实施例中，所述区域控制器设定点序列可以是区域控制器设定点的调度(例如，在预测范围内的区域控制器设定点，如上午10点的21摄氏度、上午10点15分的22摄氏度、上午10点30分的24摄氏度等)。
在各种实施例中，所述多组件成本函数的多个组件包括：第一组件，涉及基于区域占用检测模型确定的与所述区域相关联的区域占用；第二组件，涉及基于风扇功率函数确定的所述空气处理单元的风扇功率；第三组件，涉及基于冷却功率函数确定的冷却功率；第四组件，涉及与所述空气处理单元相关联的供应风扇的压力和与所述空气处理单元相关联的区域所对应的区域空气流速之间的耦合，该耦合基于耦合函数确定，该耦合函数涉及与所述空气处理单元相关联的所述供应风扇的所述压力和与所述空气处理单元相关联的区域所对应的所述区域空气流速。
在各种实施例中，所述区域热动力学模型、所述区域占用检测模型、所述风扇功率函数、所述冷却功率函数以及所述耦合函数，这些涉及与所述空气处理单元相关联的所述供应风扇的所述压力和/或与所述空气处理单元相关联的区域所对应的所述区域空气流速，可能涉及基于带标记的数据在所述区域模型生成器中进行训练(例如，通过训练产生)以对给定输入进行预测或估计(输出)。在非限制性示例中，所述区域热动力学模型可以在所述区域模型生成器中基于具有最小二乘估计方法的线性回归模型来学习。例如，所述区域占用检测模型、所述风扇功率函数、所述冷却功率函数和所述耦合函数，这些涉及与所述空气处理单元相关联的所述供应风扇的所述压力和/或与所述空气处理单元相关联的区域所对应的所述区域空气流速，可以通过机器学习方法得出。在其他实施例中，非线性回归模型可用于描述所述风扇功率函数和所述冷却功率函数。所述区域热动力学模型、所述区域占用检测模型、所述风扇功率函数、所述冷却功率函数和所述耦合函数，这些涉及与所述空气处理单元相关联的所述供应风扇的所述压力和/或与所述空气处理单元相关联的区域所对应的所述区域空气流速，可以是区域模型生成器中基于测量数据的学习模型。
在各种实施例中，关于所述多个时间段的与所述区域相关联的区域冷却负载参数可以基于在所述区域模型生成器中的已学习的区域热动力学模型来确定。例如，与所述区域相关联的区域冷却负载参数可以是关于当前时间段和后续时间段(例如，Qi(t0)，…，Qi(t0+K))。因此，所述从区域模型生成器获得关于多个时间段的与所述区域相关联的区域冷却负载参数可以包括获得关于当前时间段和后续时间段的与所述区域相关联的区域冷却负载参数。
在各种实施例中，上述区域冷却负载参数中的一个区域冷却负载参数可以是指需要从给定空间中除去的热能的量以将温度保持在可接受范围内。例如，区域冷却负载参数(或环境冷却负载)可以指在某个时间间隔内累积的热能量。区域冷却负载参数Q(t)的值可以指在时刻t测量的特定冷却负载值。
在各种实施例中，可以假设环境冷却负载由分段常数函数获得，也就是说，它的值在某个时间段内保持恒定并且可以在下一个时间段内变为另一个常数。该分段常数函数可以基于所述区域模型生成器内的标准参数估计算法来确定。
在各种实施例中，所述多组件成本函数的所述多个组件还包括涉及相应区域冷却空气供应率请求的组件(第五组件)，所述相应区域冷却空气供应率请求对应所述区域和关于所述多个后续时间段的所述建筑物中的一个或者多个其它区域。
在各种实施例中，所述多组件成本函数的所述多个组件还包括与乘员热舒适度相关的组件(第六组件)。
在各种实施例中，所述与乘员热舒适度相关的组件包括从预设值获得的热设定点，该预设值基于乘员热舒适度预测模型预测或者从用户输入获得。
在各种实施例中，所述方法100还包括：基于所述乘员热舒适度预测模型，利用从区域传感器模块获取的与所述区域相关联的所述区域温度数据、区域湿度数据、区域二氧化碳浓度数据以及区域冷却空气供应率数据来预测所述乘员热舒适度。
在各种实施例中，所述区域控制器包括区域可变风量(variable air volume，VAV)控制器。在各种实施例中，所述区域控制器设定点可以是实际控制信号，其被发送到与所述区域相关联的区域HVAC可变风量控制器。所述区域控制器设定点可以是作为温度范围的区域热设定点。例如，所述区域可变风量控制器可以调节可变风量风门以确保所述区域的区域温度将达到区域热设定点，这间接反映了来自所述调度器的关于多个后续时间段的最优冷却空气供应率序列(或者冷却空气供应调度)。该风门可以位于所述区域VAV箱内(例如，不是AHU中的风门)。
在各种实施例中，所述多个建筑性能参数可以包括建筑物能效参数和乘员热舒适度参数。
在各种实施例中，上述调度器可以解决调度问题(例如，对应于上文根据各种实施例描述的“多组件成本函数”)用于针对所述建筑物的多个区域中的每一个，基于所述多组件成本函数，获得关于多个后续时间段的最优冷却空气供应率序列从而优化所述多个建筑性能参数(例如，建筑能效和乘员热舒适度)以提供相对于所述建筑物的区域的环境(例如，预期室内环境)。所述调度器可以基于分布式模型预测控制(MPC)方案，例如国际申请号PCT/SG2016/050122且公布为国际申请公布号WO 2016/148651A1，Rong等在2016年申请，名称为“操作建筑环境管理***的方法”，其提供了用于HVAC***的可扩展的分布式调度和控制方法。
因此，各种实施例提供数据收集和分析的实施框架，其有助于部署用于HVAC控制的分布式模型预测控制器(MPC)。根据本申请的各种实施例，用于控制与建筑物相关联的空调***的方法100有利地提供了一种在现有的建筑能量管理***(building energymanagement systems，BEMS)上灵活配置分散控制或作为独立***来控制所述空调***用于优化多个建筑性能参数以提供相对于所述建筑物的区域的环境(例如，预期室内环境)且具有显著节能。此外，根据各个实施例的用于控制与建筑物相关联的空调***的方法可以提供支持多区域商业供暖、通风和空调(HVAC)***的分布式优化控制的可扩展和自适应实施架构。
图2示出了本申请实施例提供的，例如对应图1所示的控制空调***的方法100，一种控制与建筑物相关联的空调***用于优化多个建筑性能参数以提供相对于所述建筑物的区域的环境的控制***200的示意性框图。所述控制***200包括：存储器202，和与所述存储器202通信地耦接的至少一个处理器204，其配置为：获得包括了与所述区域相关联的区域温度数据的区域环境条件信息和与所述区域所关联的空气处理单元相关联的冷却空气温度数据；从区域模型生成器获得关于多个时间段的与所述区域相关联的区域冷却负载参数以及区域热动力学模型；从调度器获得相对于所述区域的关于所述多个后续时间段的最优冷却空气供应率序列，其中所述最优冷却空气供应率序列是基于包括了与所述多个建筑性能参数相关的多个组件的多组件成本函数确定；基于所述区域热动力学模型，利用所述区域冷却负载参数、所述最优冷却空气供应率序列、所述区域温度数据以及与所述空气处理单元相关联的所述冷却空气温度数据来确定相对于所述区域的与所述最优冷却空气供应率序列对应的区域控制器设定点序列；和发送所述区域控制器设定点序列到区域控制器用于控制所述区域的温度。
本领域技术人员将理解，至少一个处理器204可以配置为通过可由至少一个处理器204执行以实施所需功能或操作的一组或多个指令(例如，软件模块)来执行所需的功能或操作。因此，如图2所示，***200可以包括：数据获得模块(或数据获得电路)206，其配置为获得包括了与所述区域相关联的区域温度数据的区域环境条件信息和与所述区域所关联的空气处理单元相关联的冷却空气温度数据，从区域模型生成器获得关于多个时间段的与所述区域相关联的区域冷却负载参数以及区域热动力学模型，以及从调度器获得相对于所述区域的关于所述多个后续时间段的最优冷却空气供应率序列，其中所述最优冷却空气供应率序列是基于包括了与所述多个建筑性能参数相关的多个组件的多组件成本函数确定；确定模块(或者确定电路)208，其配置为基于所述区域热动力学模型，利用所述区域冷却负载参数、所述最优冷却空气供应率序列、所述区域温度数据以及与所述空气处理单元相关联的所述冷却空气温度数据来确定相对于所述区域的与所述最优冷却空气供应率序列对应的区域控制器设定点序列；和控制动作模块(或控制动作电路)210，其配置为发送所述区域控制器设定点序列到区域控制器用于控制所述区域的温度。
本领域技术人员可以理解，上述模块不一定是单独的模块，一个或多个模块可以在不偏离本申请范围的情况下根据需要或适当性来实现或实施为一个功能模块(例如，电路或软件程序)。例如，数据获得模块206、确定模块208和控制动作模块210中的两个或更多个可以实现(例如，一起编译)为一个可执行软件程序(例如，软件应用程序或简称为app)，其例如可以存储在存储器202中并且可由至少一个处理器204执行以根据各种实施例执行如本申请所述的功能/操作。
在各种实施例中，***200对应如上文参考图1描述的方法100。因此，配置为由至少一个处理器204执行的各种功能或操作可以对应根据各种实施例的上文描述的方法100的各个步骤，因此为了清楚和简洁无需针对***200赘述。换句话说，本申请在方法的上下文中描述的各种实施例对于相应的***类似地有效，反之亦然。
例如，在各种实施例中，存储器202可以在其中存储数据获得模块206、确定模块208和/或控制动作模块210，它们根据各种实施例分别对应上述的方法100的各个步骤，其可由至少一个处理器204执行以执行如本申请所述的相应功能/操作。
根据本申请中的各种实施例，可以提供计算***、控制器、微控制器或提供处理能力的任何其他***。这样的***可以被认为包括一个或多个处理器和一个或多个计算机可读存储介质。例如，上述的***200可以包括处理器(或控制器)204和计算机可读存储介质(或存储器)202，它们例如用于如本申请所述的在其中执行的各种处理操作。在各种实施例中使用的存储器或计算机可读存储介质可以是易失性存储器，例如动态随机存取存储器(dynamic random access memory，DRAM)或非易失性存储器，例如可编程只读存储器(programmable read only memory，PROM)、可擦除存储器(erasable PROM，EPROM)、电可擦除存储器(electrically erasable PROM，EEPROM)或者闪存，例如浮栅存储器、电荷俘获存储器、磁阻随机存取存储器(magnetoresistive random access memory，MRAM)或相变随机存取存储器(phase change random access memory，PCRAM)。
在各种实施例中，电路可以被理解为任何种类的逻辑实现实体，其可以是专用电路或执行存储在存储器、固件或其任何组合中的软件的处理器。因此，在一个实施例中，电路可以是硬连线逻辑电路或可编程逻辑电路，例如可编程处理器，如微处理器(例如，复杂指令集计算机(complex instruction set computer，CISC)处理器或精简指令集计算机(reduced instruction set computer，RISC)处理器)。电路也可以是执行软件的处理器，例如任何类型的计算机程序，例如使用虚拟机代码的计算机程序如Java。以下将更详细描述的各个功能的任何其他类型的实现方式也可以被理解为根据各种实施例的电路。类似地，模块可以是根据本申请的各个实施例的***的一部分，并且可以包含如上所述的电路，或者可以被理解为任何种类的逻辑实现实体。
本申请的一些部分明确或隐含地呈现为算法和代表了在计算机存储器内的数据的操作的功能或符号的形式。这些算法描述和功能或符号表示是数据处理领域的技术人员用来最有效地将他们的工作内容传达给本领域的其他技术人员的手段。算法在这里，并且通常被认为是导致期望结果的自洽步骤序列。这些步骤需要对物理量进行物理操作的步骤，例如可以存储、传输、组合、比较和以其他方式进行操作的电、磁或光信号。
除非另有明确说明，并且从下文中显而易见，应理解的是，在整个本说明书中，使用诸如获得、确定、发送、控制等术语的讨论指代计算机***或类似电子设备的操作和过程，其对在计算机***内表示为物理量的数据进行操作及转换为类似的在计算机***或者其它信息存储、传输或显示设备内表示为物理量的其它数据。
本说明书还公开了用于执行本申请描述的方法的操作/功能的***(例如，其也可以体现为设备或装置)，例如***200。这样的***可以为所需目的专门构建，或者可以包括通用计算机或由存储在计算机中的计算机程序选择性地激活或重新配置的其他设备。本申请提出的算法不与任何特定的计算机或其他设备内在关联。根据本申请的教导，各种通用机器可以与计算机程序一起使用。可替代地，构建更专门设计的设备来执行所需的方法步骤可能是合适的。
此外，本说明书还至少隐含地公开了一种计算机程序或软件/功能模块，因为对于本领域技术人员来说显而易见的是，本申请描述的方法的各个步骤可以通过计算机代码来实施。计算机程序不限于任何特定的编程语言及其实现方式。应当理解，可以使用多种编程语言及代码来实现这里包含的本申请的技术方案。此外，计算机程序不限于任何特定的控制流。计算机程序有许多其他变体，它们可以使用不同的控制流而不背离本申请的精神或范围。本领域技术人员可以理解，本申请所述的各种模块(例如，数据获得模块206、确定模块208和/或控制动作模块210)可以是通过计算机程序或者可由计算机处理器执行以实现所需功能的指令集来实现的软件模块，或者可以是硬件模块，其是设计用于执行所需功能的功能性硬件单元。还应理解的是，可以实现为硬件和软件模块的组合。
此外，本申请描述的计算机程序/模块或方法的一个或多个步骤可以并行而不是顺序地执行。这样的计算机程序可以存储在任何计算机可读介质上。计算机可读介质可以包括存储设备，例如磁盘或光盘、存储芯片或适合与通用计算机接口的其他存储设备。当在这种通用计算机上加载和执行计算机程序时，该计算机程序有效地产生了一种实现本申请所述方法的步骤的装置。
在各种实施例中，提供了一种计算机程序产品，包含在一个或多个计算机可读存储介质(非暂时性计算机可读存储介质)中，包括指令(例如，数据获得模块206、确定模块208、和/或控制动作模块210)，其可由一个或多个计算机处理器执行以实现如上文参考图1描述的控制空调***的方法100。因此，本申请描述的各种计算机程序或模块可以存储在被***接收其中的计算机程序产品中，例如图2中所示的***200，用于由***200的至少一个处理器204执行以实现所需或期望的功能。
本申请所述的软件或功能模块也可以实现为硬件模块。更具体地说，在硬件意义上，模块是设计用于与其他组件或模块一起使用的功能硬件单元。例如，模块可以使用分立的电子元件来实现，或者它可以形成整个电子电路的一部分，例如专用集成电路(application specific integrated circuit，ASIC)。存在许多其他可能性。本领域技术人员将理解，这里描述的软件或功能模块也可以实现为硬件和软件模块的组合。
在各种实施例中，***200可以由包括了至少一个处理器和存储器的任何计算机***(例如，台式或便携式计算机***)实现，例如图3中示意性示出的计算机***300且其仅作为示例而非限制。各种方法/步骤或功能模块(例如，数据获得模块206、确定模块208和/或控制动作模块210)可以实现为软件，例如在计算机***300内执行的计算机程序，以及指示计算机***300(特别是其中的一个或多个处理器)执行本申请描述的各种实施例的方法/功能。计算机***300可以包括计算机模块302，输入模块如键盘304和鼠标306，以及多个输出设备如显示器308和打印机310。计算机模块302可以通过合适的收发器设备314连接计算机网络312以便能够访问如互联网或其他网络***，例如局域网(local areanetwork，LAN)或广域网(wide area network，WAN)。示例中的计算机模块302可以包括用于执行各种指令的处理器318、随机存取存储器(random access memory，RAM)320和只读存储器(read only memory，ROM)322。计算机模块302还可以包括多个输入/输出(input/output，I/O)接口，例如连接到显示器308的I/O接口324和连接到键盘304的I/O接口326。计算机模块302的组件通常经由互连总线328并以本领域技术人员已知的方式通信。
本领域技术人员将理解，本申请使用的术语仅出于描述各种实施例的目的，并不旨在限制本发明。如本申请所用，单数形式“一件”、“一个”和“所述”旨在也包括复数形式，除非上下文另有明确指示。还将进一步理解，当在本说明书中使用时，术语“包括”和/或“具有”指定了所述特征、整数、步骤、操作、元件和/或组件的存在，但不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组合。
为了使本申请易于理解并付诸实施，以下仅以示例性而非限制性的方式描述本申请的各种示例性实施例。然而，本领域的技术人员将理解，本申请可以按照各种不同的形式或配置来实施，并且不应被解释为限于下文阐述的示例性实施例。相反，提供这些示例性实施例是为了使本申请彻底和完整，并将本申请的范围充分传达给本领域技术人员。
各种示例实施例涉及空调***如HVAC***。为了简洁和清楚并且除非另有说明，在下文中将描述各种示例实施例，其中所述空调***是HVAC***。然而，本领域技术人员将理解，本申请不限于HVAC***，并且可以是任何其他类型的空调加热***，只要它能够基于输入被控制从而至少在温度方面调节或管制建筑物的区域内的环境。此外，同样为了简洁和清楚并且除非另有说明，在下文中可以描述各种示例实施例，其中区域是建筑物的单个或者单独的房间。
各种示例实施例提供了便于部署分布式模型预测控制器(MPC)的数据收集和分析(例如，对应如上文根据各种实施例描述的“用于控制空调***及其控制***的方法”)的特定实施框架，用于空调***控制，例如国际申请公布号WO 2016/148651A1所提及的HVAC控制，其能够优化多个目标并且更具体地建筑能效和乘员舒适度(热舒适度)。例如，Rong等描述了用于HVAC***的可扩展分布式调度和控制方法，但是，尽管已经讨论了分散式架构的重要性及其具有成本效益的设备的实现方式，尚未讨论具体实施方面。在这点上，各种示例实施例可以涉及用于具有多个目标(优化建筑能效、室内热舒适度)功能的MPC方案的实施框架，以确定与具有两个或者更多个区域的所述建筑物相关联的所述空调***的优化控制策略从而优化建筑能效和乘员热舒适度以便改进建筑性能。因此，各种示例实施例可以提供可扩展且自适应的实施框架，其支持分布式优化控制用于多区域商业化HVAC***。该实施框架具有高度可扩展性和自适应性。各种实施例可涉及自动化建筑能量管理***(BEMS)的方法。
现在将根据各种示例实施例在下面描述用于控制与建筑物相关联的空调***的控制方法或实施方式和控制***。还在真实建筑物中进行了实验研究，以证明根据各种示例实施例的控制方法带来的节能。
图4示出了本申请实施例提供的控制***400的示例配置或信息架构的示意图。该架构可以包括目标建筑物410和HVAC控制器模块420，例如本领域的那些各种HVAC***。例如，HVAC控制器模块420可以包括资源控制器，包括但不限于，VAV控制器、冷却器控制器和风扇控制器，它们基于与所述建筑物相关联的环境数据和区域热设定点(定义为期望的区域温度范围)，通常由建筑物能源管理***(BEMS)管理。如所示，该架构可以包括基于令牌的HVAC调度算法(或根据各种实施例在上文中描述的TBSA模块或调度器)430，其被描述于国际申请号PCT/SG2016/050122且公布为国际申请公布号WO 2016/148651A1，在2016年由Rong等申请，名称为“操作建筑环境管理***的方法”，其内容通过引用全文并入本文用于所有目的。所述调度器可以配置为输出所述建筑物的每个区域(例如，在预测范围内)的优化设定点的调度，以提供优化的能耗和乘员热舒适度，例如通过求解下面的方程(1)至方程(6)所描述的优化或调度问题，其中方程(6)可以是方程(5)的等效变体以简化计算。
在各种示例实施例中，该架构可以进一步包括***识别(identification，ID)模块组件(如上文根据各种实施例所述的(system identification module block，SIDMB)或区域模型生成器)440、乘员区域热偏好模块(OZTPB或区域乘员热偏好确定器)450和调度控制接口块或模块((schedule-control interface block)SCIB或区域调度控制器)460。***ID模块组件440、乘员区域热偏好模块450和调度控制接口模块460可以为TBSA模块430提供所有所需信息以实施，例如在VAVHVAC***中。
在各种示例实施例中，***ID模块组件(或区域模型生成器)440可以通过相关传感器直接或通过BEMS从目标建筑物410(或关联到)周期性地获得传感器数据，例如与冷却器机组和空气处理单元(air handling unit，AHU)相关的数据。在获得这些数据后，可以应用相关的模型识别算法(或学习算法)来学习或确定以下类型的模型：
a.每个区域的区域热动力学模型；
b.每个区域的区域占用检测模型；
c.耦合函数或模型，描述了相同AHU中(或相关)区域的冷却空气流速如何与给定的AHU风扇供应压力相关(对应了如上文根据各种实施例所述的“耦合函数涉及与所述空气处理单元相关联的所述供应风扇的所述压力和与所述空气处理单元相关联的区域所对应的所述区域空气流速”)；
d.冷却器和AHU风扇功率函数；
e.二氧化碳(carbon dioxide，CO2)浓度动态模型，用于预测通风所需的新鲜空气量。
例如，所述区域模型生成器可以确定四种类型的模型，包括每个区域的区域热动力学模型，每个区域的区域占用检测模型，耦合模型其描述了与相同AHU相关联的区域的冷却空气流速如何与给定的AHU风扇供应压力相关，以及冷却器和AHU风扇功率函数。在各种示例实施例中，二氧化碳(carbon dioxide，CO2)浓度动态模型是可选的并且可以由所述区域模型生成器确定。在各种示例实施例中，所有已学习的模型都被发送到TBSA模块，其以模型预测控制的方式运行其调度过程。
在各种示例实施例中，乘员区域热偏好模块(或区域乘员热偏好确定器)450可以配置为基于预定静态设定点值生成实时个性化的区域热设定点(例如，在新加坡，用于工作时间的区域设定点通常设置为23摄氏度至26摄氏度)，或者描述个性化热舒适度设定点的个性化热舒适度模型。这种个性化设定点可能会根据环境设置和乘员状态而有所不同，这可以通过使用机器学习技术从区域数据中推导出来。换句话说，OZTPB或区域乘员热偏好确定器450可以是多模式的基于静态热设定点或动态热设定点。
区域乘员热偏好确定器450可以在TBSA模块需要时，也即以需求响应方式，或者周期性地向TBSA模块发送区域热设定点。
在各种示例实施例中，SCIB或者区域调度控制器460可以配置为将TBSA模块的输出，其是向个别区域的冷却空气供应率的特定调度，转化为相关区域控制器的合适输入，并且在考虑到来自所述区域模型生成器的实时建筑环境数据和已学习***模型(或者已学习模型)之后，并且传输它们到实际区域控制器。更具体地说，例如，考虑到大多数现有VAV控制器将区域温度作为输入并施加合适的控制策略来确保区域温度保持在规定的区域设定点(也即期望的区域温度范围)，SCIB将执行以下操作。首先，TBSA模块发送关于冷却空气供应率(对应以上所述的关于多个后续时间段的最优冷却空气供应率序列)的一个序列
Figure BDA0003821906290000101
给SCIB用于在时间t0的每一个区域i，指定为到未来时间瞬间K的调度，以及SIDMB发送给SCIB区域环境冷却负载预测模型Qi(t0)，…，Qi(t0+K)(对应以上所述的关于多个时间段的与所述区域相关联的区域冷却负载参数)和区域热动力学模型
Figure BDA0003821906290000102
其中Ti(t)表示在离散时间间隔t的期间区域i的温度，
Figure BDA0003821906290000103
表示在t期间在区域i中的冷却空气供应的质量流速，Tc(t)表示在离散时间间隔t的期间冷却空气供应的温度，Qi(t)表示在离散时间间隔t的期间区域i的环境冷却负载。
在各种示例实施例中，所述建筑物传感器，例如那些部署在每个区域模块和空气处理单元(AHU)的，可以提供所述区域温度数据Ti(t0)(例如，关于当前时间的与区域相关联的区域温度测量数据)以及AHU冷却空气温度Tc(t0)(例如，关于当前时间的与空气处理单元相关联的冷却空气测量数据)给SCIB，假定AHU冷却空气温度直到K个时间间隔，也即Tc(t0+1)＝…＝Tc(t0+k)＝Tc(t0)，不会改变，这在当前实践中一般是正确的。基于从TBSA模块、SIDMB模块和所述建筑物传感器的这些信息，SCIB可以，基于所述区域热动力学模型fi，来计算区域温度点Ti(t0+1)，…，Ti(t0+K)。例如，
Figure BDA0003821906290000111
所有这些计算得到的温度点可以成为区域热设定点(对应如上所述的区域控制器设定点)并且被发送给相关的区域VAV控制器，其调整VAV风门以确保区域温度达到这些间接地反映了来自TBSA模块的冷却空气供应调度器的设定点。例如，SCIB需要来自TBSA模块的冷却空气供应调度和预测的环境条件(例如未来温度)两者来生成区域热设定点的序列(例如上午10点的21摄氏度、上午10点15分的22摄氏度、上午10点30分的24摄氏度等)。当TBSA模块的输出发生变化，SCIB模块的输出也会相应地发生变化以确保来自TBSA模块的每一个冷却空气供应调度得到忠实的执行。
SIDMB和OZTPB可以应用于任何VAV HVAC***。另一方面，SCIB可能需要特定于建筑物的设计(例如VAV控制器使用的不同通信协议，如BACnet、LonWorks或Modbus协议，其中对于每个特定协议，SCIB需要具有特定的输出格式)以匹配目标HVAC***中给定VAV控制器的输入。
如所述，图4中描绘的信息架构可以被设计用于实现所述调度器或者TBSA，例如，例如在国际专利申请公开WO 2016/148651A1中所描述的。它解决了如下所示的几个关键实施问题，也是创新所在。
要收集的数据的类型(要收集哪些数据)
在各种示例实施例中，SIDMB或者区域模型生成器440可以获得以下传感器数据：每个区域的区域温度、每个区域的区域湿度、每个区域的区域二氧化碳(CO2)浓度、每个区域的区域冷却空气供应率(或者区域冷却空气流速)、每个AHU的AHU出口冷却空气温度、每个AHU的AHU风扇出口风压、每个AHU的AHU回风CO2浓度、每个AHU的AHU回风温度、每个AHU的AHU风扇功耗(或者能量)、每个AHU的AHU新鲜空气供应率以及冷却器性能参数(coefficient of performance，COP)和冷却器功耗。例如，每个AHU的AHU出口冷却空气温度可以被所述区域热动力学模型使用，每个AHU的AHU风扇出口风压可以在确定在给定空气管道网络内的不同区域的冷却空气供应率之间耦合的过程中使用，每个AHU的AHU回风CO2浓度可以用于确定AHU内的新鲜空气供应的百分比，每个AHU的AHU回风温度可以用在计算风扇和冷却器机组的能耗，每个AHU的AHU风扇功耗(或者能量)可以用于学习风扇能耗函数，以及冷却器性能参数和冷却器功耗可用于计算冷却器机组能耗函数。来自传感器的冷却空气供应率数据用在SIDMB来推到所述区域热动力学模型和区域内冷却空气供应率耦合模型两者。
在各种示例实施例中，SIDMB或者区域模型生成器440可以进一步获得传感器数据，例如室外温度和湿度。室外温度和湿度传感器数据可以是可选的并且在一些实施例中可能无法获得。
在各种示例实施例中，区域湿度和二氧化碳测量结果可用于生成预测模型是相对于在所述区域模型生成器中的冷却空气供应的关于随时间演变的湿度和二氧化碳浓度。根据ASHRAE标准，区域湿度和二氧化碳浓度需要低于特定值。为了降低这些值，需要将更多的冷却空气泵入该区域以确保健康的环境，这决定了每个区域的最小冷却空气供应率的值。
在各种示例实施例中，可以使用区域传感器模块获得包括区域温度、区域湿度、区域二氧化碳浓度和区域冷却空气供应率的传感器数据。所述区域传感器模块可能是一个高度模块化和可移动的传感器包。每个区域都可以安装所述区域传感器模块。传感器数据包括AHU出口冷却空气温度、AHU风扇出口风压、AHU回风CO2浓度、AHU回风温度、AHU风扇功耗(或者能量)、AHU新鲜空气供应率以及冷却器性能参数(COP)和冷却器功耗，可以通过目标建筑物的BEMS获得。至于室外温度湿度传感器数据，可以从BEMS或室外专用传感器单元获取。为了获得更好的性能，室外温度湿度传感器数据可以作为区域传感器数据的一部分，以区分室外环境对每个单独区域的影响差异。图5描绘了根据各种示例实施例的用于SIDMB或区域模型生成器的不同传感器数据的数据源。
在各种示例实施例中，OZTPB或区域乘员热偏好确定器450从所述区域传感器模块获得与区域温度、区域湿度、区域CO2浓度和区域冷却空气(质量)流速有关的数据，并决定最合适的区域热设定点。区域乘员热偏好确定器450可以包括用于确定区域热设定点的若干选项。第一个选项可能是标准的行业惯例，其中设定点是由相关当局制定的法规(例如新加坡的BCA)确定的静态区域温度范围。第二个选项可以是允许乘员实时地显式地输入或设置，可能通过利用网络连接链接到区域乘员热偏好确定器的应用程序(或应用)远程地输入或设置。例如此选项出现在现有的智能HVAC控制产品或智能恒温器中。第三个选项可能是促进基于可测量人体对环境条件的生理反应的高级模型的自动人体舒适度识别和预测。OZTPB或区域乘员热偏好确定器450可以提供能够便利地将未来人类舒适度技术集成到TBSA架构中的界面，使其比现有HVAC调度技术更灵活和更具适应性。
在各种示例实施例中，SCIB或区域调度控制器460可以从所述区域传感器模块获得当前区域环境测量结果(例如，关于当前时间的区域温度测量数据)，从SIDMB或区域模型生成器440获得区域热动力学模型，以及从TBSA模块或调度器430获得冷却空气(质量)流速调度，确定所需的区域设定点调度(所述热设定点轨迹随着时间或时间范围)(对应根据各种实施例所述的区域控制器设定点序列)，并且基于调度在每个时间瞬间(例如，一个时间段)向现有的区域VAV控制器发送特定的设定点，该控制器控制阀门打开相应的区域VAV箱。
数据收集速度/采样速率(何时收集传感器数据)
在各种示例实施例中，可以通过适当协调的方式收集传感器数据。***400，包括TBSA或调度器430、SIDMB或区域模型生成器440、OZTPB或区域乘员热偏好确定器450和SCIB或区域调度控制器460，可以在离散的时间瞬间操作。在一个示例性实施例中，TBSA或调度器430可以更新其计算一次，例如在非限制性示例中每五到十五分钟一次，因为它要求在向区域供应新的冷却空气后，区域中的空气应完全混合，在区域温度、区域湿度和区域CO2浓度的测量结果被采用之前。另一方面，所述区域传感器模块可以比用于TBSA或调度器430的速率更高的速率获取或进行传感器测量，例如在非限制性示例中为一到五分钟/数据，以获得足够的数据用于模型识别或学习(例如，通过机器学习)。室外温度和湿度测量可以按照与TBSA或调度器430决策速率相同的速率进行。来自AHU传感器的传感器数据，可通过BEMS获得，关于新鲜空气供应率、回风温度和CO2浓度、出口冷却空气温度、风扇供应压力和风扇功率计读数以更高的速率进行采样，例如在一个非限制性示例中一分钟/数据。可以从BEMS以比TBSA或调度器430中使用的采样率更高的采样率请求冷却器COP数据，以便收集足够的数据用于模型识别或学习。所有这些传感器数据将在根据各种示例实施例所描述的信息架构内自动检索。
数据处理(如何处理这些数据)
在各种示例实施例中，在从所述区域传感器模块和BEMS接收到相关数据时，在SIDMB或区域模型生成器440和OZTPB或区域乘员热偏好确定器450中实施若干数据处理技术。例如，如国际申请公开WO2016/148651A1所描述的，在TBSA或调度器430中，利用模型预测控制方案以分布式方式解决了以下调度问题：
Figure BDA0003821906290000131
受约束于：
Figure BDA0003821906290000132
Figure BDA0003821906290000133
Figure BDA0003821906290000134
其中，u表示一个特定的空调处理单元(AHU)，Pu，f(k)表示AHUu在离散的时间间隔k内的所述风扇功率函数，Pc(k)表示在离散的时间间隔k内的所述冷却功率函数，Δ表示采样周期，也就是，所选择的离散时间间隔的长度，z表示目标建筑物中的区域的数量，{u1，...，uz}表示与AHUu相关联或在其中的各个区域，fr表示区域r的热动力学模型，Tr(k)表示离散的时间间隔k内的区域r的温度，
Figure BDA0003821906290000135
表示k期间区域r中的冷却空气供应的质量流速，Tc(k)表示离散的时间间隔k内的冷却空气供应的温度，Qr(k)表示离散的时间间隔k内的区域r的环境冷却负载，[Tr，l(k)，Tr，u(k)]表示区域r的热设定点，也就是温度的下限/上限，h表示区域流速、区域风门开度、AHU供应压力的耦合，
Figure BDA0003821906290000138
表示k期间与AHUu相关联或在其中的区域ur的VAV风门开度，pu表示在AHUu内的风扇供应空气压力。
如果给定的VAV控制器不提供风门开度的任何信息，则约束(iii)可以简化为
Figure BDA0003821906290000136
在各个示例实施例中，为了实施TBSA策略，可以通过传感器数据获得如下几个模型(这些模型是基于传感器数据学习的)。
1)AHUu的风扇功耗函数，Pu，f可以通过SIDMB或区域模型生成器440中的回归模型或基于机器学习的模型导出。例如，可以采用以下回归模型
Figure BDA0003821906290000137
其中Nu表示与AHUu相关联或在其中的受控区域数量，ai，u和bu是需要确定的参数，
Figure BDA0003821906290000141
表示k期间在区域i内的AHUu的冷却空气供应率，以及
Figure BDA0003821906290000142
表示k期间在AHUu的一次性不可测冷却空气供应率，这也需要确定。很可能参数ai，u和bu以及一次性不可测冷却空气供应率
Figure BDA0003821906290000143
都是时变的。然而，假设它们在特定的预测范围内是恒定的，当AHU处于稳定状态时，这在实践中通常是正确的。通过测量Pu，f(k)和
Figure BDA0003821906290000144
非线性回归问题可以被解决，先将非线性回归问题转换为线性回归问题并应用标准最小均方(least mean squares，LMS)方法来解决。图6示出了用于风扇功率函数识别的实验结果的图表600，其源自南洋理工大学的试验台，表明其有效性。更具体地，图表600示出了在SIDMB或区域模型生成器440中的已学习的风扇功耗函数的有效性。
2)冷却器功率函数，Pc可通过SIDMB或区域模型生成器440中的机器学习导出。
3)区域热动力学模型，fr为双线性模型。
Figure BDA0003821906290000145
通过引入一个新变量
Figure BDA0003821906290000146
可以得到以下。
Figure BDA0003821906290000147
其中指出，在时间间隔k+1处的区域温度Tr(k+1)由线性组合确定，该线性组合包括在k处的区域温度Tr(k)，由在k处所供应的冷却空气产生的总冷却能量
Figure BDA0003821906290000148
以及在k处的环境冷却负载Qr(k)。由于模型是线性的，参数ar(k)，br(k)和Qr(k)可以在SIDMB或区域模型生成器440中有效地识别。在根据各种示例实施例的方法中，环境冷却负载率Qr(k)被认为是分段常数，因为与区域热动力学相比环境条件的变化是一个缓慢的过程。结果看起来非常有效，如图7中的图表700所示。更具体地说，图7示出了与区域相关联的测量区域温度和所预测的与所述区域相关联的区域温度之间的良好对应关系的示意图700。
图8示出了用于区域热动力学模型识别(例如，已学习的区域热动力学模型)的实验结果的图表800。
4)区域流速和AHU供应压力的耦合函数h，可通过SIDMB或区域模型生成器440中的机器学习来学习。更明确地说，如果AHU风扇供应压力pu(k)和各区域的风门开度
Figure BDA0003821906290000153
对于AHUu的区域r是给定的(例如，与AHUu中的区域r相关联的区域风门开度)，假设区域压力是恒定的，这通常是正确的，每个区域的冷却空气供应率
Figure BDA0003821906290000151
可以唯一确定。这表明存在向量值函数
Figure BDA0003821906290000152
但是，实际函数h是高度非线性的并且不太可能通过解析推导出来，考虑到其是由空气管道网络的实际布局确定。然而，VAV箱中的区域风门开度和区域冷空气流速或供应率可以通过区域模块直接测量，而AHU风扇供应压力可以通过建筑物能源管理***(BEMS)直接测量。因此，通过使用先进的机器学习技术，所述耦合函数h可以适当地逼近。这种耦合函数的识别允许在任何VAV全空气HVAC***中实施基于令牌的策略，而无需任何AHU管道布局的先验知识，这有助于即插即用。
区域r的实时热设定点[Tr，l(k)，Tr，u(k)]可以由OZTPB或区域乘员热偏好确定器450生成，其中Tr，l(k)和Tr，u(k)分别指区域温度下限和上限。新加坡目前的行业惯例是使用预定的静态设定点，例如在工作时间使用[23摄氏度，26摄氏度]，在夜间使用[28摄氏度，30摄氏度]。最近的一些专利公布描述了允许乘员在线输入他/她的热偏好，这将与其他乘员的优选设定点相结合以生成平均设定点。通过使用区域CO2测量值，OZTPB或区域乘员热偏好确定器450可以确定该区域是否被通过机器学习导出的预测模型占用，例如使用Jiang等人在2020年申请中描述的占用检测算法。贝叶斯滤波用于从二氧化碳浓度估计建筑物占用率，参见能源与建筑，第206卷，页码109566。如果未检测到占用，可以将区域温度设置得更高，例如，使用夜间设定点。在各种示例实施例中，SIDMB或区域模型生成器学习所述区域占用检测模型并将其发送到0ZTPB或区域乘员热偏好确定器，后者确定乘员的偏好热设置点。所述调度器然后接收乘员的偏好热设定点。所述调度器根据乘员的偏好热设定点执行调度。
图9示出了用于基于CO2的区域占用检测的实验结果的图表900。例如，如果该区域未被占用，则该区域的热设定点可以简单地静态设置，例如[28摄氏度，30摄氏度]，否则，该区域的热设定点可以设置为区域被占用的情况下的预定静态值，例如[23摄氏度，26摄氏度]。例如，当没有占用时，所述调度器可以简单地将区域热设定点设置为高值，因此该区域不需要冷却。对于被占用的区域，所述调度器可以使用来自0ZTPB的预先声明的区域热设定点。
总之，0ZTPB或区域乘员热偏好确定器450可以同时存进使用基于CO2的占用检测的静态热设定点，和使用取决于应用的个性化热舒适度建模的动态热设定点。
根据各种示例实施例的多区域HVAC***包括：
1)区域传感器模块(或区域模块(zone module，ZM))，包括多个传感器，用于测量每个区域的建筑环境参数或数据；
2)区域模型生成器，配置为学习模型并接收来自区域模块的测量参数或数据，并预测区域内的环境条件(例如，区域热动力学和CO2浓度的学习模型可用于预测区域温度和二氧化碳浓度如何随时间变化)；
3)调度器，配置为接收来自区域模块的测量参数或数据以及来自所述区域模型生成器的预测环境条件，并确定最优冷却空气质量流速调度；
4)区域调度控制器，配置为接收来自区域模块的测量参数或数据，来自所述区域模型生成器的预测环境条件和来自所述调度器的最优冷却空气质量流速调度，以确定对应最优冷却空气质量流速调度的区域设定点(对应根据各种实施例所述的确定与所述最优冷却空气供应率序列对应的区域控制器设定点序列)，并且将确定的区域设定点发送到区域的可变风量(VAV)控制器(对应根据各种实施例所述的发送所述区域控制器设定点序列到区域控制器)。
因此，各种示例实施例提供了关于图4所描述的特定的可扩展和自适应的信息架构，其确定要收集什么数据，何时收集数据，以及如何处理数据，以便于实际部署TBSA模块或调度器，如上述国际申请公布WO 2016/148651A1所描述的。
图10示出了本申请实施例提供的网络1000。网络1000可以是自适应且可部署的物理网络。该网络由三个部分组成，它们以无线方式或通过网络电缆连接在一起。
在各种示例实施例中，网络1000包括(a)区域模块(ZM)，其包括可拆卸的房间传感器单元(用于区域湿度、区域温度和区域CO2浓度测量)，可拆卸的压力传感器单元(用于区域冷却空气流速测量)，用于测量区域温度(例如，环境温度测量)的热传感器模块，以及区域控制器(zone controller，ZC)，其承载SCIB或区域调度控制器460(与VAV控制器交互)和其他区域模型识别算法，也就是，识别区域热动力学模型、基于CO2的占用检测。换句话说，每个区域模块都包含区域控制器。TBSA中的区域级令牌生成的本地计算也发生在ZC中。OZTPB或区域乘员偏好确定器450可以托管在区域模块ZM中。换言之，OZTPB被包含在每个ZM中。
在各种示例实施例中，网络1000还包括(b)中央调度器(central scheduler，CS)，其与ZM和BEMS连接，并托管识别算法用于每个AHU风扇功率函数、所述冷却功率函数以及区域质量流速和AHU风扇供应压力之间的耦合，与基于令牌的HVAC调度方法的令牌分配部分一起。例如，所述区域模型生成器的已学习模型可以基于待学习的实际模型由区域模块和中央调度器托管。中央调度器可能驻留在高性能计算机中。
ZC和CS之间的相互作用可以如下：
对于ZM：
ZM1：天气预报、用户设定点、占用的信息处理。
ZM2：未来窗口中的预测区域冷却负载。
ZM3：计算各种未来窗口中的冷却服务的令牌请求。
ZM4：更新局部区域热模型。
ZM5：从CS执行冷却空气供应调度。
对于CS：
CS1：收集来自所有区域模块的令牌请求。
CS2：询问***状态：室内空气质量、冷却器效率、风门位置。
CS3：计算约束以满足空气质量、最小管道压力的要求。
CS4：为每个区域分配令牌，以最大限度地减少能源使用受到的限制。
上述国际申请公布WO 2016/148651A1描绘了ZC和CS如何相互作用以建立TBSA。下面介绍图10中的其他物理组件如何工作。
为了描述每个物理组件的详细操作，ZC和CS的采样周期可以假设为Δ，也就是说，ZC和CS在每个Δ结束时生成新的区域质量流速调度。用于房间传感器单元(room sensorunit，RSU)和压力传感器单元(pressure sensor unit，PSU)(或模块)的采样周期较短，例如选择为Δ/3。这将允许为模型识别目的生成足够的传感器数据。AHU风扇功耗、回风CO2浓度和温度、冷却器COP和功耗的采样周期必须足够高，例如不大于Δ/3，以确保有足够的数据用于后续模型识别。
来自RSU的所采样的区域温度数据和来自PSU的空气流速数据被馈送到ZC，其进行识别(学习和生成学习模型或更具体地模型参数)所述区域热动力学模型和基于进行CO2占用检测。模型识别过程包括两个阶段：第一阶段的离线学习，其中ZC简单地将静态区域热设定点发送到VAV控制器，同时从RSU和PSU收集数据以推导出足够好的热动力学模型和占用检测模型，且基于假设***中存在持续模式是关于相对于区域占用状态的区域环境冷却负载Qr(k)和CO2浓度演变；第二阶段的在线模型更新，其中ZC运行模型识别算法以进行一些小的模型更新(根据新收到的传感器数据迭代更新学习模型)，同时在TBSA模式下运行且预测区域热动力学来自离线获得的动力学模型和预测区域占用来自离线获得的基于CO2的占用检测模型。
在各种示例实施例中，OZTPB或区域乘员热偏好确定器450可以具有两种不同的工作模式：静态热设定点模式和动态热设定点模式。在静态模式下，OZTPB或区域乘员热偏好确定器450向ZC输出预定的热设定点。在动态模式下，OZTPB或区域乘员热偏好确定器450进行离线学习过程，生成个性化的热舒适度模型，描述特定区域热设置(例如，来自RSU和PSU的区域温度、区域湿度和区域空气流速)是否舒服。使用该模型，OZTPB或区域乘员热偏好确定器450可以在TBSA模式期间确定合适的区域热设定点并将其发送到ZC，同时持续收集在线数据以用于进一步的离线模型更新。
可从BEMS获取的所采样的AHU和冷却器机组数据以及来自每个ZC(或直接来自每个PSU)的区域冷却空气流速被馈送到CS中，在其中进行识别风扇功耗函数、冷却器功耗函数和各区域冷却空气质量流速与AHU风扇供应压力之间的耦合关系。模型识别过程离线完成，生成的模型将用于成本函数和约束在基于令牌的HVAC调度模式的令牌分配阶段，而在线数据不断收集用于在模型预测控制(MPC)方式中后续离线模型调整。
本申请的各种示例实施例可以嵌入在图11所示的架构中，其允许用户，通过启用和禁用在架构中的SCIB或者区域调度控制器460来便利地在TBSA策略和标准静态热设定点跟踪策略之间切换，其连接根据各种示例性实施例和每个现有VAV控制器的实现架构。这样的启用和禁用命令可以从BEMS发出，也就是，根据各种示例性实施例的实现架构可以是增强型BEMS的一部分，或者可以是建筑物自动化***的独立部分，如果用户不想要现有BEMS的任何变化。由于部署架构的高度移动性，它可以在站点上便利地设立，通过一组ZM和一个CS以及正确配置的(无线或有线)网络，而无需对各种示例性实施例中的现有的全空气VAVHVAC***进行任何重大改造。
图12示出了根据本申请各种示例性实施例的表格，其说明了基于来自在NTU的试验台的数据的用于节能潜力的实验数据。如表中所示，预计可节省大量能源。因此，本申请的各种示例实施例确保了改造成本和节能潜力之间的良好折衷，使其在商业上可行。
虽然本申请的实施例已经参照特定实施例进行了具体的展示和描述，但是本领域技术人员应当理解，在不背离本发明的范围的情况下，可以在其中做出各种形式和细节上的改变，由所附权利要求定义。因此，本发明的范围由所附权利要求指示，并且因此旨在包含在权利要求的等同意义和范围内的所有变化。

Claims (21)

1.一种方法，用于控制与建筑物相关联的空调***用于优化多个建筑性能参数以提供相对于所述建筑物的区域的环境，其特征在于，所述方法利用至少一个处理器，所述方法包括：
获得包括了与所述区域相关联的区域温度数据的区域环境条件信息和与所述区域所关联的空气处理单元相关联的冷却空气温度数据；
从区域模型生成器获得关于多个时间段的与所述区域相关联的区域冷却负载参数以及区域热动力学模型；
从调度器获得相对于所述区域的关于多个后续时间段的最优冷却空气供应率序列，其中所述最优冷却空气供应率序列是基于包括了与所述多个建筑性能参数相关的多个组件的多组件成本函数确定；
基于所述区域热动力学模型，利用所述区域冷却负载参数、所述最优冷却空气供应率序列、所述区域温度数据以及与所述空气处理单元相关联的所述冷却空气温度数据来确定相对于所述区域的与所述最优冷却空气供应率序列对应的区域控制器设定点序列；和
发送所述区域控制器设定点序列到区域控制器用于控制所述区域的温度。
2.根据权利要求1所述的方法，其特征在于，所述获得包括了与所述区域相关联的区域温度数据的区域环境条件信息，包括从所述区域模型生成器获得关于所述多个后续时间段的与所述区域相关联的区域温度数据。
3.根据权利要求2所述的方法，其特征在于，所述获得包括了与所述区域相关联的区域温度数据的区域环境条件信息，包括从区域传感器模块获得关于当前时间的与所述区域相关联的区域温度测量数据。
4.根据权利要求1至3中任一项所述的方法，其特征在于，所述获得与所述区域所关联的空气处理单元相关联的冷却空气温度数据包括获得关于当前时间的与所述区域所关联的所述空气处理单元相关联的所述冷却空气温度测量数据。
5.根据权利要求1至4中任一项所述的方法，其特征在于，所述区域热动力学模型由所述模型生成器训练且基于与所述区域相关联的区域温度、与所述区域相关联的区域冷却空气供应率以及与所述区域所关联的所述空气处理单元相关联的冷却空气温度的测量数据。
6.根据权利要求1至5中任一项所述的方法，其特征在于，所述多组件成本函数的多个组件包括：第一组件，涉及基于区域占用检测模型确定的与所述区域相关联的区域占用；第二组件，涉及基于风扇功率函数确定的所述空气处理单元的风扇功率；第三组件，涉及基于冷却功率函数确定的冷却功率；第四组件，涉及与所述空气处理单元相关联的供应风扇的压力和与所述空气处理单元相关联的区域所对应的区域空气流速之间的耦合，该耦合基于耦合函数确定，该耦合函数涉及与所述空气处理单元相关联的所述供应风扇的所述压力和与所述空气处理单元相关联的区域所对应的所述区域空气流速。
7.根据权利要求1至6中任一项所述的方法，其特征在于，所述多组件成本函数的所述多个组件还包括涉及相应区域冷却空气供应率请求的组件，所述相应区域冷却空气供应率请求对应所述区域和关于所述多个后续时间段的所述建筑物中的一个或者多个其它区域。
8.根据权利要求1至7中任一项所述的方法，其特征在于，所述多组件成本函数的所述多个组件还包括与乘员热舒适度相关的组件。
9.根据权利要求8所述的方法，其特征在于，所述与乘员热舒适度相关的组件包括从预设值获得的热设定点，该预设值基于乘员热舒适度预测模型预测或者从用户输入获得。
10.根据权利要求9所述的方法，其特征在于，所述方法还包括：
基于所述乘员热舒适度预测模型，利用从区域传感器模块获取的与所述区域相关联的所述区域温度数据、区域湿度数据、区域二氧化碳浓度数据以及区域冷却空气供应率数据来预测所述乘员热舒适度。
11.根据权利要求1至10中任一项所述的方法，其特征在于，所述区域控制器包括区域可变风量控制器。
12.一种控制***，用于控制与建筑物相关联的空调***用于优化多个建筑性能参数以提供相对于所述建筑物的区域的环境，其特征在于，所述控制***包括：
存储器；和
与所述存储器通信地耦接的至少一个处理器，配置为：
获得包括了与所述区域相关联的区域温度数据的区域环境条件信息和与所述区域所关联的空气处理单元相关联的冷却空气温度数据；
从区域模型生成器获得关于多个时间段的与所述区域相关联的区域冷却负载参数以及区域热动力学模型；
从调度器获得相对于所述区域的关于所述多个后续时间段的最优冷却空气供应率序列，其中所述最优冷却空气供应率序列是基于包括了与所述多个建筑性能参数相关的多个组件的多组件成本函数确定；
基于所述区域热动力学模型，利用所述区域冷却负载参数、所述最优冷却空气供应率序列、所述区域温度数据以及与所述空气处理单元相关联的所述冷却空气温度数据来确定相对于所述区域的与所述最优冷却空气供应率序列对应的区域控制器设定点序列；和
发送所述区域控制器设定点序列到区域控制器用于控制所述区域的温度。
13.根据权利要求12所述的***，其特征在于，所述获得包括了与所述区域相关联的区域温度数据的区域环境条件信息，包括从所述区域模型生成器获得关于所述多个后续时间段的与所述区域相关联的区域温度数据。
14.根据权利要求12或13所述的***，其特征在于，所述获得包括了与所述区域相关联的区域温度数据的区域环境条件信息，包括从区域传感器模块获得关于当前时间的与所述区域相关联的区域温度测量数据。
15.根据权利要求12或14所述的***，其特征在于，所述区域热动力学模型由所述模型生成器训练且基于与所述区域相关联的区域温度、与所述区域相关联的区域冷却空气供应率以及与所述区域所关联的所述空气处理单元相关联的冷却空气温度的测量数据。
16.根据权利要求12至15中任一项所述的***，其特征在于，所述多组件成本函数的多个组件包括：第一组件，涉及基于区域占用检测模型确定的与所述区域相关联的区域占用；第二组件，涉及基于风扇功率函数确定的所述空气处理单元的风扇功率；第三组件，涉及基于冷却功率函数确定的冷却功率；第四组件，涉及与所述空气处理单元相关联的供应风扇的压力和与所述空气处理单元相关联的区域所对应的区域空气流速之间的耦合，该耦合基于耦合函数确定，该耦合函数涉及与所述空气处理单元相关联的所述供应风扇的所述压力和与所述空气处理单元相关联的区域所对应的所述区域空气流速。
17.根据权利要求12至16中任一项所述的***，其特征在于，所述多组件成本函数的所述多个组件还包括与乘员热舒适度相关的组件。
18.根据权利要求17所述的***，其特征在于，所述与乘员热舒适度相关的组件包括从预设值获得的热设定点，该预设值基于乘员热舒适度预测模型预测或者从用户输入获得。
19.根据权利要求18所述的***，其特征在于，所述至少一个处理器还配置为：
基于所述乘员热舒适度预测模型，利用从区域传感器模块获取的与所述区域相关联的所述区域温度数据、区域湿度数据、区域二氧化碳浓度数据以及区域冷却空气供应率数据来预测所述乘员热舒适度。
20.根据权利要求12至19中任一项所述的***，其特征在于，所述区域控制器包括区域可变风量控制器。
21.一种计算机程序产品，其特征在于，所述计算机程序产品被包含在一个或多个非暂时性计算机可读存储介质中，包括指令，该指令可由至少一个处理器执行以实现根据权利要求1至11中任一项所述的方法用于控制与建筑物相关联的空调***用于优化多个建筑性能参数以提供相对于所述建筑物的区域的环境的方法。
CN202180017700.XA 2020-04-06 2021-04-06 用于控制空调***的方法及控制*** Pending CN115190988A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US202063005483P 2020-04-06 2020-04-06
US63/005,483 2020-04-06
PCT/SG2021/050189 WO2021206632A1 (en) 2020-04-06 2021-04-06 Method and control system for controlling an air-conditioning system

Publications (1)

Publication Number Publication Date
CN115190988A true CN115190988A (zh) 2022-10-14

Family

ID=78024050

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202180017700.XA Pending CN115190988A (zh) 2020-04-06 2021-04-06 用于控制空调***的方法及控制***

Country Status (3)

Country Link
US (1) US20230221029A1 (zh)
CN (1) CN115190988A (zh)
WO (1) WO2021206632A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117989718A (zh) * 2024-02-04 2024-05-07 广州市栢翊科技投资有限公司 一种基于机器学习中央空调智能控制***

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117346294B (zh) * 2023-09-27 2024-04-26 江苏钮斯拓***集成有限公司 一种暖通ai智能控制方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
SG11201706843RA (en) * 2015-03-17 2017-09-28 Univ Nanyang Tech Method of operating a building environment management system
US20180004171A1 (en) * 2016-06-30 2018-01-04 Johnson Controls Technology Company Hvac system using model predictive control with distributed low-level airside optimization and airside power consumption model
CN108800426B (zh) * 2018-06-25 2020-06-16 博锐尚格科技股份有限公司 变风量空调***的分析方法和评估方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117989718A (zh) * 2024-02-04 2024-05-07 广州市栢翊科技投资有限公司 一种基于机器学习中央空调智能控制***

Also Published As

Publication number Publication date
US20230221029A1 (en) 2023-07-13
WO2021206632A1 (en) 2021-10-14

Similar Documents

Publication Publication Date Title
CA3090718C (en) Systems and methods of optimizing hvac control in a building or network of buildings
US11415334B2 (en) Building control system with automatic comfort constraint generation
US11783203B2 (en) Building energy system with energy data simulation for pre-training predictive building models
Maddalena et al. Data-driven methods for building control—A review and promising future directions
KR101649658B1 (ko) 설비를 관제하는 중앙 제어 장치, 이를 포함하는 설비 제어 시스템 및 설비 제어 방법
JP6807556B2 (ja) 空調制御方法、空調制御装置及び空調制御プログラム
Mirakhorli et al. Occupancy behavior based model predictive control for building indoor climate—A critical review
JP6900100B2 (ja) 温度調節方法及び装置
CN106062485B (zh) 用于控制空调设备或空调***的舒适温度的装置和方法
KR101641258B1 (ko) 설비를 관제하는 중앙 제어 장치, 이를 포함하는 설비 제어 시스템 및 설비 제어 방법
US20160085248A1 (en) Conditioning an indoor environment
CN112013521B (zh) 一种基于天气预报的空调***调节方法和***
CN110520679A (zh) 暖通空调机组控制器
EP1470456A1 (en) Building control system and fume hood system for use therein having reduced wiring requirements
KR20160042669A (ko) 설비를 관제하는 중앙 제어 장치, 이를 포함하는 설비 제어 시스템 및 설비 제어 방법
KR101633969B1 (ko) 상황인식 기반의 빌딩 에너지 관리 시스템 및 그를 이용한 빌딩 에너지 관리 방법
CN103282841A (zh) 建筑自动化***
CN115190988A (zh) 用于控制空调***的方法及控制***
WO2017056403A1 (ja) 空調制御方法、空調制御装置及び空調制御プログラム
KR20160034488A (ko) 스마트 써모스탯을 이용한 통합형 실시간 예측 건물 에너지 관리 방법 및 시스템
Cheng et al. Energy efficient thermal comfort control for cyber-physical home system
JP7342598B2 (ja) 空気調和システム
KR100955210B1 (ko) 사무용 건물설비의 최적관리 및 에너지 절감을 위한 지능형 빌딩제어시스템 및 제어방법
EP3771957A1 (en) Method and system for controlling of heating, ventilation and air conditioning
Arendt et al. Multi-objective model predictive control framework for buildings

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination