CN117193034B - 一种楼宇智能化控制方法及*** - Google Patents
一种楼宇智能化控制方法及*** Download PDFInfo
- Publication number
- CN117193034B CN117193034B CN202311465113.4A CN202311465113A CN117193034B CN 117193034 B CN117193034 B CN 117193034B CN 202311465113 A CN202311465113 A CN 202311465113A CN 117193034 B CN117193034 B CN 117193034B
- Authority
- CN
- China
- Prior art keywords
- state
- distribution
- states
- building
- probability
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000007704 transition Effects 0.000 claims abstract description 112
- 238000010438 heat treatment Methods 0.000 claims abstract description 44
- 238000001816 cooling Methods 0.000 claims abstract description 36
- 238000011217 control strategy Methods 0.000 claims abstract description 35
- 230000008859 change Effects 0.000 claims abstract description 8
- 238000009826 distribution Methods 0.000 claims description 117
- 239000011159 matrix material Substances 0.000 claims description 59
- 230000006399 behavior Effects 0.000 claims description 23
- 238000010606 normalization Methods 0.000 claims description 10
- 239000002131 composite material Substances 0.000 claims description 7
- 230000000295 complement effect Effects 0.000 claims description 5
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 238000003786 synthesis reaction Methods 0.000 claims description 3
- 230000002123 temporal effect Effects 0.000 claims description 3
- 238000005057 refrigeration Methods 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 abstract description 6
- 238000007405 data analysis Methods 0.000 abstract description 4
- 230000007547 defect Effects 0.000 abstract description 2
- 238000004378 air conditioning Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000012986 modification Methods 0.000 description 7
- 230000004048 modification Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000005265 energy consumption Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000009472 formulation Methods 0.000 description 4
- 239000000203 mixture Substances 0.000 description 4
- 238000007796 conventional method Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 239000008358 core component Substances 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010924 continuous production Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
- 239000011800 void material Substances 0.000 description 1
Classifications
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Air Conditioning Control Device (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种楼宇智能化控制方法及***；Step1：定义状态集合：本发明首先要定义楼宇***的状态集合，每个状态代表楼宇***在某个时间步的状态或状态组合。这是本发明方法的基础，因为马尔可夫链将根据这些状态进行转移。所述状态或状态组合S包括冷却模式（C）、加热模式（H）和关闭模式（O），状态集合表示为：Step2：马尔可夫链：在这个步骤中，本发明创建了一个马尔可夫链来描述状态之间的转移；一、灵活性和自适应性：本发明的智能化控制方法克服了传统技术的固定规则和逻辑的缺陷。通过实时数据分析和智能算法，***可以根据当前环境、季节、人员流量等动态变化情况，自动调整控制策略。
Description
技术领域
本发明涉及楼宇自动化技术领域，特别涉及一种楼宇智能化控制方法及***。
背景技术
楼宇自动化是指利用先进的技术和***来实现楼宇内部设备、***和流程的自动化控制和管理。其目标是提高楼宇的能效、安全性、舒适性以及运营效率。传统的楼宇自动化通常包括监控、控制和优化各种楼宇***，如供暖、通风、空调、照明、安全***等。
传统的楼宇自动化智能化控制方法通常采用基于硬件传感器和程序逻辑的控制***。这些***通过收集传感器数据，例如温度、湿度、光照等，然后根据预定的规则和逻辑来控制各个***的运行。例如，根据时间表或特定事件，自动控制照明、空调或供暖***的开关。
但是，传统技术中存在如下的技术问题亟需解决：
（1）固定的规则和逻辑：传统方法通常基于预定义的规则和逻辑进行控制，缺乏灵活性和自适应性。它们不能适应复杂的变化和未知的情况。
（2）无法适应动态变化：传统方法难以应对楼宇环境和需求的动态变化，如季节性变化、人员流量的变化等。
（3）无综合性分析：传统方法通常以各个***为独立单元进行控制，缺乏对不同***之间的综合性分析。
这些缺点主要是由于传统方法的刚性和静态性质造成的。传统方法依赖于固定的规则和硬件传感器，缺乏对数据的实时分析和智能决策能力。此外，传统方法往往没有完整的数据整合和***互联，导致各个***之间无法协调工作，从而限制了整体性能的提升。
为此，提出一种楼宇智能化控制方法及***。
发明内容
有鉴于此，本发明实施例提供一种楼宇智能化控制方法及***，以解决或缓解现有技术中存在的技术问题，即刚性和静态性质的控制设计，并对此至少提供一种有益的选择；
本发明实施例的技术方案是这样实现的：
第1方面
一种楼宇智能化控制方法：
Step1：定义状态集合：本发明首先要定义楼宇***的状态集合，每个状态代表楼宇***在某个时间步的状态或状态组合。这是本发明方法的基础，因为马尔可夫链将根据这些状态进行转移。所述状态或状态组合S包括冷却模式（C）、加热模式（H）和关闭模式（O），状态集合表示为：。
Step2：马尔可夫链：在这个步骤中，本发明创建了一个马尔可夫链来描述状态之间的转移。
具体来说：
Step2.1：本发明通过转移概率矩阵定义了给定当前状态下的转移概率。这将决定在给定当前状态时，***将转移到下一个状态的概率。所述转移概率矩阵P：
所述转移概率为：在当前时间步，状态为冷却模式（C），下一个时间步的状态是冷却模式（C）或加热模式（H），但不可能是关闭模式（O）。
Step2.2：本发明定义了马尔可夫性质和初始状态分布。马尔可夫性质表示未来的状态仅依赖于当前状态，与过去状态无关。初始状态分布表示在初始时间点开始时，每个状态的概率分布。
所述STEP-2.2中，所述马尔可夫性质及初始状态分布为有50%的概率处于冷却模式，30%的概率处于加热模式，20%的概率处于关闭模式；
楼宇***的状态分布为：
所述初始状态分布处于所述马尔可夫链的初始节点。
Step2.3：本发明确保了转移概率的满足性，即它们是非负的且归一化的。这是确保概率的基本性质。所述转移概率矩阵P中，P(i,j)表示从状态i转移到状态j的概率：
所述非负性：对于所有的i和j，满足P(i,j)≥0；
所述归一性：对于每个状态i，满足∑P(i,j)=1，其中∑是对所有可能的状态j求和；
所述转移概率在0到1之间：
对于所有的i和j，满足0≤P(i,j)≤1。
Step2.4：本发明定义了时间齐次性，意味着转移概率在时间上保持不变。这是马尔可夫链的一个关键特性，使得本发明可以将状态的演变建模为一个连续的过程。所述时间齐次性：对于任意的时间步t和t+1，转移概率矩阵保持不变：
表示无论在哪个时间步，从一个状态到另一个状态的转移概率都是固定的，不会随着时间的推移而改变。
Step2.5：最终，本发明使用马尔可夫链来预测下一个时间步的楼宇***状态行为。所述STEP-2.5中，基于当前的状态分布和转移概率，通过矩阵乘法预测下一个时间步的状态分布：
状态向量P（t）表示当前时间步下的所述状态或状态组合S的分布：
其中，P(Si,t)是状态Si在时间步t的概率；
所述矩阵乘法：
矩阵乘法将当前的状态分布向量与转移概率矩阵相乘，得到下一个时间步的状态分布向量，每个元素P(Si,t+1)表示在时间步t+1时状态Si的概率。
Step3：D-S证据理论在这一步，本发明使用D-S证据理论来验证预测的状态行为并输出最终的控制策略。D-S证据理论是一种用于处理不确定性和合并证据的方法，本发明会将预测的状态行为与实际观测的状态行为进行比较，然后根据证据的可靠性来制定最终的控制决策；在所述STEP-3中，所述预测状态行为为所述状态向量P（t+1）；
设有两个证据项，分别表示预测的状态分布向量P(t+1)和实际观测的状态分布向量O，其中O表示为：
使用D-S证据理论来合并这两个证据，得到一个最终的置信度分布向量C，其中C(i)表示相信状态Si的程度，D-S合成公式：
其中，Bel(A)是基本信任度，Pl(A)是平均信任度，U(A)是不确定性度量。
对于一个证据项A，基本信任度的计算：
其中BelT(A)表示在不同的证据源下对设定A的信任度，这个求和涵盖了所有的证据源；
计算平均信任度Pl(A)：
其中¬A表示A的补集，Bel(¬A)表示不相信¬A的基本信任度；
不确定性度量U(A)表示对证据的信任度的强度：
计算合成的信任度（CA）：
其中U(¬A)表示¬A的不确定性度量，合成的信任度表示对于设定A的最终信任程度。
第2方面
一种楼宇智能化控制***，它包括：
（1）处理器（Processor）：这是***的核心部件，负责执行程序指令、进行数据处理和决策。它是***的大脑，根据预先定义的逻辑和算法，对从各个传感器收集到的数据进行分析，从而控制楼宇内各种***的运行。
（2）存储器（Memory）：存储器是用来存储程序指令、数据和中间结果的地方。它存储了驱动***运行所需的各种信息，包括楼宇状态集合、转移概率矩阵、权重函数等。
（3）程序指令（ProgramInstructions）：存储器中存储了一系列程序指令，这些指令定义了***如何根据收集到的数据进行决策和控制。这些指令可以涵盖从数据处理到状态预测，再到最终的控制策略制定。
***工作流程：
P1、数据收集：将传统楼宇自动化的传感器组并入到该控制***的驱动范围内，收集楼宇内各种数据，如温度、湿度、人员流量等。这些数据传递给处理器。
P2、数据分析：处理器根据存储器中的预定义程序指令，对收集到的数据进行分析和处理。例如，根据转移概率矩阵预测下一个时间步的状态分布。
P3、智能决策：处理器根据分析结果，利用智能算法和决策逻辑，制定合适的控制策略。这可以包括调整照明、空调、供暖等***的运行状态。
P4、控制执行：处理器将制定的控制策略转化为控制指令，通过与各个***的接口进行通信，实现对楼宇***的实时控制。
与现有技术相比，本发明的有益效果是：
一、灵活性和自适应性：本发明的智能化控制方法克服了传统技术的固定规则和逻辑的缺陷。通过实时数据分析和智能算法，***可以根据当前环境、季节、人员流量等动态变化情况，自动调整控制策略。这种灵活性和自适应性使***能够更准确地响应变化，从而提高了楼宇效率和舒适度。
二、适应动态变化：传统技术难以适应楼宇内外部环境的动态变化。本发明的智能化控制方法充分利用实时数据，能够根据温度、湿度、人员流量等变化来进行实时调整。无论是季节性的变化还是临时的需求变化，***都能够迅速作出反应，从而提供更优化的控制策略。
三、综合性分析：传统技术通常是分散、单一地对各个楼宇***进行控制。而本发明的智能化控制方法通过整合各种数据和信息，可以实现对多个***的综合性分析。这样的综合性分析有助于制定更全面的控制策略，提高整体运营效率。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的方法逻辑示意图；
图2为本发明的实施例7的控制程序示意图；
图3为本发明的实施例7的控制程序示意图；
图4为本发明的实施例7的控制程序示意图；
图5为本发明的控制***的组成示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似改进，因此本发明不受下面公开的具体实施例的限制。
实施例1
如图1所示，一种楼宇智能化控制方法：
STEP-1：定义楼宇***的状态集合：每个状态代表楼宇***在某个时间步的状态或状态组合；具体的，在楼宇智能化控制中，每个状态代表着楼宇***在某个时间步的特定状态或状态组合。这些状态可以涵盖各种***参数，定义状态集合的目的是为了把楼宇的复杂状态空间划分为可管理的状态。
STEP-2：马尔可夫链：
马尔可夫链是一种数学模型，用于描述状态之间的转移概率。在楼宇智能化控制中，马尔可夫链的运用是为了预测未来的状态行为：
STEP-2.1：在这一步，本实施例将根据历史数据和领域知识，分析楼宇状态集合，并推导出在给定当前状态下的转移概率。这可以通过统计方法或数据建模技术来实现。转移概率定义了在当前状态下，***将转移到其他状态的可能性，为之后的预测提供了基础。
STEP-2.2：马尔可夫性质表明未来的状态只依赖于当前状态，与之前的状态无关。这使得本实施例可以通过给定当前状态和转移概率，预测未来的状态行为。初始状态分布表示在初始时间点开始时每个状态的概率分布，为预测过程提供了起始点。
STEP-2.3：这一步的目的是确保转移概率满足非负性和归一性的条件。每个转移概率都必须大于等于零，并且每个状态的转移概率之和必须等于1。这保证了状态之间的转移是合理的、完整的，不会出现概率的不一致性。
STEP-2.4：定义时间齐次性：时间齐次性设定表明转移概率在时间上保持不变。这意味着在任意时间点，状态之间的转移概率都保持一致。这个设定使得本实施例可以在每个时间步使用相同的转移概率矩阵，简化了预测模型的建立和计算。
STEP-2.5：输出预测状态行为：基于前面步骤中所建立的马尔可夫链模型，本实施例可以预测下一个时间步的楼宇***状态行为。这通过矩阵乘法和转移概率实现，利用当前时间步的状态分布向量与转移概率矩阵相乘，得到下一个时间步的状态分布向量，从而实现状态的预测。
STEP-3：D-S证据理论：在这一步中，本实施例将预测的状态行为与实际的楼宇***状态作为两个证据进行验证，然后根据证据的可靠性输出最终的控制策略。D-S证据理论允许本实施例合并不同证据，从而得出最终的控制决策。这个步骤涉及权重函数、基本信任度、平均信任度和不确定性度量的计算，确保最终控制策略更具准确性和可信度。
以上实施例仅表达了本发明的相关实际应用的实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。
实施例2
在STEP-1中，状态或状态组合S包括冷却模式（C）、加热模式（H）和关闭模式（O），状态集合表示为：
具体的，在楼宇智能化控制中，状态集合的定义是建立整个智能控制***的基础。每个状态代表了楼宇***在特定条件下的运行模式，如不同的温度需求、季节变化等。这些状态在实际运行中会相互切换，控制***需要根据不同状态采取相应的措施，以实现最优的能效和舒适性。
示例性的，在冷却模式下，***可能会调整空调***以降低室内温度。在加热模式下，***会启动暖气***以提高室内温度。而在关闭模式下，***可能会停止运行以节省能源。这些状态的切换可能是根据时间表、人员流量、室外温度等因素决定的。
可以理解的是，在本实施例中，状态集合的定义为后续步骤提供了基础，如马尔可夫链模型的建立和转移概率的计算。在楼宇智能化控制中，本实施例希望***能够根据当前状态和历史数据，预测未来的状态行为，并根据预测结果制定最优的控制策略。这样，通过对不同状态的智能切换和控制，楼宇可以实现更高效、舒适和智能的运行。
进一步的，在实际中，定义冷却模式、加热模式和关闭模式涉及了楼宇***的运行状态和行为，这些定义需要根据具体的楼宇特点、需求和技术来确定：
（1）冷却模式（CoolingMode）：
冷却模式通常是在温度较高的季节（如夏季）使用，旨在降低室内温度。在定义冷却模式时，本实施例考虑以下因素：
温度阈值：定义何时启动冷却模式的温度阈值。例如，当室内温度超过一定阈值（例如25摄氏度）时，***会切换到冷却模式。
***设备：冷却模式需考虑涉及空调***的运行。定义何时启动和停止空调，以及如何调整空调的温度设定。
能效考虑：在冷却模式下，***可以优化空调的工作，以提高能效。定义如何根据室内外温度和人员流量来调整空调的功率和工作模式。
（2）加热模式（HeatingMode）：
加热模式通常在温度较低的季节（如冬季）使用，旨在提高室内温度。在定义加热模式时，可以考虑以下因素：
温度阈值：定义何时启动加热模式的温度阈值。例如，当室内温度低于一定阈值（例如20摄氏度）时，***会切换到加热模式。
暖气***：定义何时启动和停止暖气***，以及如何调整暖气的温度设定。
能效考虑：在加热模式下，***可以优化暖气***的工作，以提高能效。定义如何根据室内外温度和人员流量来调整暖气的功率和工作模式。
（3）关闭模式（OffMode）：
关闭模式是指***处于休眠或停止运行状态，以节省能源。在定义关闭模式时，可以考虑以下因素：
时间表：定义何时进入关闭模式，例如在夜间或没有人员时。
***设备：关闭模式下，***需考虑停止运行或进入低功率状态。定义如何安全地关闭各个***，以避免能源浪费。
人员感知：考虑如何通过传感器或人员识别***来判断是否需要启动***。例如，如果没有人员进入楼宇一段时间，可以自动切换到关闭模式。
以上实施例仅表达了本发明的相关实际应用的实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。
实施例3
STEP-2.1中，转移概率为：在当前时间步，状态为冷却模式（C），下一个时间步的状态可以是冷却模式（C）或加热模式（H），但不可能是关闭模式（O）。
本实施例通过转移概率矩阵来定义给定当前状态下的状态转移概率。转移概率矩阵P是一个方阵，其中P(i,j)表示从状态i转移到状态j的概率。转移概率矩阵P：
这个矩阵说明了在当前时间步的不同状态下，下一个时间步的状态可能性。
示例性的，如果当前状态是冷却模式（C），那么在下一个时间步，有60%的概率仍然处于冷却模式，有40%的概率转移到加热模式。但不可能从冷却模式直接转移到关闭模式。类似地，其他状态的转移概率也有相应的定义。
STEP-2.2中，马尔可夫性质及初始状态分布为有50%的概率处于冷却模式，30%的概率处于加热模式，20%的概率处于关闭模式；具体的，马尔可夫性质表明未来的状态只依赖于当前状态，与之前的状态无关。初始状态分布表示在初始时间点开始时每个状态的概率分布。
具体的，***满足马尔可夫性质，即未来的状态只取决于当前状态，与过去的状态无关。
楼宇***的状态分布为：
初始状态分布处于马尔可夫链的初始节点。这表示在马尔可夫链的初始节点时，有50%的概率处于冷却模式，30%的概率处于加热模式，20%的概率处于关闭模式。
具体的，初始状态分布反映了楼宇在初始时间点的运行状态概率分布。这个分布基于历史数据和先验知识，可以帮助预测楼宇在未来时间步的状态演变。例如，在本实施例提供的示例中，50%的概率处于冷却模式，30%的概率处于加热模式，20%的概率处于关闭模式，这可以用来预测***在下一个时间步的状态。
可以理解的是，基于历史数据和先验知识，也可以自行定义成其它概率的预测模式。
具体的，初始状态分布也对初始策略的制定具有意义。***的初始状态会影响最初的运行行为，这有助于在启动时进行适当的调整和决策，以满足楼宇的需求和能效要求。
进一步的，当***进入运行状态后，实际观测到的状态分布与初始状态分布进行比较，可以对***的运行情况进行验证。如果实际状态分布与初始分布相差较大，这可能意味着***存在问题，需要进一步调整或检修。初始状态分布也可以作为反馈信息来优化控制策略。***可以实时监测状态分布的变化，并根据实际情况调整控制策略，以适应楼宇运行的变化需求。
可以理解的是，在本实施例中：
初始状态分布在整个楼宇智能化控制方法中具有决策性的作用：
（1）启动决策：初始状态分布影响***在启动时的初始运行状态和策略。不同的初始状态分布可能需要不同的启动策略，以尽快达到预期的运行模式。
（2）初始控制：根据初始状态分布，***可以决定是否需要提前启动某些***，以保障楼宇在最初的运行阶段就能够满足需求。
（3）状态预测：初始状态分布为马尔可夫链模型提供了起始点。在预测下一个时间步的状态时，初始状态分布是预测的初始条件之一。
在本实施例中，STEP-2.3在楼宇智能化控制中，转移概率矩阵是关键的一部分，它描述了***状态之间的转移概率。为了确保这个矩阵的合理性和可用性，本实施例需要满足以下条件：
（1）非负性：对于所有的状态i和j，转移概率P(i,j)需要满足非负性，即P(i,j)≥0。这是因为转移概率是一个概率值，必须大于等于零。
（2）归一性：对于每个状态i，转移概率矩阵的每一行之和需要等于1，即∑P(i,j)=1，其中∑是对所有可能的状态j求和。这保证了在每个时间步，***必定会转移到某个状态，而不会发生状态丢失或重复转移。
（3）转移概率在0到1之间：对于所有的状态i和j，转移概率P(i,j)需要满足0≤P(i,j)≤1。这是因为转移概率代表了从状态i转移到状态j的可能性，必须在0到1之间。
这些条件确保了转移概率矩阵的合理性和可解释性。非负性和转移概率在0到1之间的要求保证了概率的合法性，而归一性要求保证了状态之间的完备性和互斥性。这样，本实施例才能够在马尔可夫链模型中正确地进行状态预测和转移。
示例性的，每个元素都满足非负性、归一性和转移概率在0到1之间的要求。这样的矩阵可以用于在给定当前状态的情况下，预测下一个时间步的状态。
示例性的，设本实施例有一个办公楼的楼宇***，其中包括冷却模式（C）、加热模式（H）和关闭模式（O）三种状态。本实施例将展示如何构建转移概率矩阵、定义初始状态分布，并验证满足非负性、归一性和转移概率在0到1之间的条件：
转移概率矩阵P：
初始状态分布：
步骤STEP-2.1：定义转移概率矩阵：
根据示例场景，本实施例定义了上述的转移概率矩阵。这个矩阵描述了在不同的状态下，下一个时间步的状态可能性。例如，从冷却模式（C）转移到加热模式（H）的概率是0.3。
步骤STEP-2.2:定义马尔可夫性质和初始状态分布：
根据示例场景，本实施例定义了初始状态分布。在初始时间点开始时，有40%的概率处于冷却模式、30%的概率处于加热模式、30%的概率处于关闭模式。这个初始状态分布将作为马尔可夫链的初始节点。
步骤STEP-2.3:定义转移概率的满足性：
根据转移概率矩阵和初始状态分布，本实施例可以验证转移概率的满足性条件：
非负性：在本实施例的示例中，所有的转移概率都是非负的，满足非负性条件。
归一性：对于每一行转移概率矩阵，各个元素之和应该等于1。在示例中，对于每一行，例如第一行（状态为C），0.6+0.3+0.1=1，满足归一性条件。
转移概率在0到1之间：所有的转移概率都在0到1之间，满足转移概率的取值范围条件。
通过上述示例，本实施例展示了如何根据具体的场景构建转移概率矩阵、定义初始状态分布，并验证了满足非负性、归一性和转移概率在0到1之间的条件。这些步骤为马尔可夫链模型的建立提供了基础，从而实现在不同时间步预测楼宇***的状态行为，为智能化控制决策提供支持。
以上实施例仅表达了本发明的相关实际应用的实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。
实施例4
STEP-2.4中，时间齐次性：对于任意的时间步t和t+1，转移概率矩阵保持不变：
表示无论在哪个时间步，从一个状态到另一个状态的转移概率都是固定的，不会随着时间的推移而改变。时间齐次性是为了反映***的稳定性和一致性。在楼宇智能化控制中，设定转移概率矩阵不会随着时间变化，这使得本实施例可以在不同时间步利用相同的转移概率来预测状态分布，简化了模型的复杂度。
进一步的，在楼宇智能化控制中，时间齐次性表示***的状态转移概率在不同时间步保持不变。这意味着，无论是在时间步t还是在时间步t+1，从一个状态到另一个状态的转移概率都是固定的，不会因为时间的推移而改变。这个性质在很多实际情况下是成立的，因为楼宇***的运行规律通常是相对稳定的，不会随着时间的变化而发生剧烈的波动。
在STEP-2.5中，基于当前的状态分布和转移概率，通过矩阵乘法预测下一个时间步的状态分布：
状态向量P（t）表示当前时间步下的状态或状态组合S的分布：
其中，P(Si,t)是状态Si在时间步t的概率。
矩阵乘法：
矩阵乘法将当前的状态分布向量与转移概率矩阵相乘，得到下一个时间步的状态分布向量，每个元素P(Si,t+1)表示在时间步t+1时状态Si的概率。为了预测下一个时间步的状态分布，本实施例将当前时间步的状态分布向量P(t)与转移概率矩阵P相乘，得到下一个时间步的状态分布向量P(t+1)。这是一个矩阵乘法的操作，其中P(Si,t+1)表示在时间步t+1时状态Si的概率。
进一步的，通过矩阵乘法，本实施例能够将当前时间步的状态分布与转移概率结合起来，从而预测***在下一个时间步的状态分布情况。这种预测可以在***运行过程中持续进行，帮助本实施例了解***状态的变化趋势，并作出相应的控制决策。
进一步的，在STEP-2.5中，本实施例利用当前的状态分布和转移概率矩阵，通过矩阵乘法来预测下一个时间步的状态分布。状态向量P(t)表示当前时间步下的状态或状态组合S的分布，即每个状态的概率。矩阵P表示转移概率矩阵，其中P(Si|Sj)表示从状态Sj转移到状态Si的概率。
示例性的，本实施例延续实施例3的场景：
步骤STEP-2.4：时间齐次性：
在时间齐次性的设定下，转移概率矩阵保持不变，即P(t)=P(t+1)=P。
步骤STEP-2.5：预测下一个时间步的状态分布：
本实施例将利用初始状态分布和转移概率矩阵进行矩阵乘法，来预测下一个时间步的状态分布。
首先，本实施例构建状态向量P(t)：
然后，本实施例构建转移概率矩阵P，这里本实施例使用之前的示例转移概率矩阵：
接下来，本实施例进行矩阵乘法运算，得到下一个时间步的状态分布向量P(t+1)：
/>
这意味着在下一个时间步，***的状态分布将变为32%处于冷却模式（C），36%处于加热模式（H），32%处于关闭模式（O）。通过时间齐次性和状态预测的步骤，本实施例利用转移概率矩阵和初始状态分布，预测了***在下一个时间步的状态分布。这个预测可以用于智能化控制策略的制定，帮助楼宇***根据过去的状态演变来做出合理的决策，以适应不断变化的环境和需求。
以上实施例仅表达了本发明的相关实际应用的实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。
实施例5
在STEP-3中，使用D-S证据理论来合并预测状态行为和实际观测的状态分布向量，从而得到一个最终的置信度分布向量。这个步骤的目的是将不同来源的信息进行合理的融合，以便做出更可靠的控制决策。
D-S证据理论，也称为Dempster-Shafer证据理论，是一种用于合并不完全或不确定信息的方法。在楼宇智能化控制中，本实施例需要将预测的状态分布向量和实际观测的状态分布向量进行合并，以得到一个更准确的状态置信度分布向量。
预测状态行为为状态向量P（t+1）；
设有两个证据项，分别表示预测的状态分布向量P(t+1)和实际观测的状态分布向量O，其中O表示为：
使用D-S证据理论来合并这两个证据，得到一个最终的置信度分布向量C，其中C(i)表示相信状态Si的程度，D-S合成公式：
其中，Bel(A)是基本信任度，Pl(A)是平均信任度，U(A)是不确定性度量。
基本信任度Bel(A)表示对设定A的信任程度。它的计算涉及对所有的证据源下关于设定A的信任度进行求和。这种计算考虑了所有证据源提供的信息，从而构建一个初始的置信度分布。
对于一个证据项A，基本信任度的计算：
其中BelT(A)表示在不同的证据源下对设定A的信任度，这个求和涵盖了所有的证据源。
计算平均信任度Pl(A)：
其中¬A表示A的补集，Bel(¬A)表示不相信¬A的基本信任度；平均信任度Pl(A)表示对设定A的相反（补集¬A）的不信任程度。通过计算1减去对¬A的基本信任度Bel(¬A)，可以得到对¬A的不信任度。这样的计算考虑了对相反设定的态度，使得总信任度分布得以平衡。
不确定性度量U(A)表示对证据的信任度的强度：
不确定性度量U(A)表示对证据的信任强度。通过计算1减去平均信任度Pl(A)，本实施例可以得到对证据的不确定性程度。这个度量反映了本实施例对证据的信任程度，越高表示本实施例越不确定其可靠性。
计算合成的信任度（CA）：
其中U(¬A)表示¬A的不确定性度量，合成的信任度表示对于设定A的最终信任程度。合成的信任度C(A)是基于基本信任度Bel(A)和不确定性度量U(¬A)的乘积。这个计算考虑了不确定性的影响，如果对相反设定¬A的不确定性越高，那么对A的信任度会相应减少。
进一步的，本实施例将预测的状态行为和实际观测的状态分布进行合并，得到了一个最终的置信度分布向量。这个置信度分布向量反映了对于每个状态的信任程度，帮助本实施例在智能化控制中作出更可靠的决策。
示例性的，设本实施例已经通过步骤STEP-2.5预测了下一个时间步的状态分布向量P(t+1)，而实际观测的状态分布向量O如下：
实际观测的状态分布向量O：
现在本实施例将使用D-S证据理论来合并预测状态行为和实际观测的状态分布向量，得到一个最终的置信度分布向量。
步骤STEP-3:使用D-S证据理论进行信息融合：
首先，本实施例计算基本信任度Bel(A)和平均信任度Pl(A)。设定¬A为当前状态不是状态Si，那么其补集¬A表示当前状态是状态Si。
其中，BelT(Ai)表示在不同的证据源下对设定A的信任度，本实施例将采用相对均匀的信任度分布，设定每个BelT(Ai)都为0.33（这只是示例值，实际情况中可能会根据情况调整）。
然后，计算平均信任度Pl(A)：
其中，Bel(¬Ai)表示不相信¬A的基本信任度，本实施例同样采用相对均匀的信任度分布，设定每个Bel(¬Ai)都为0.33。
接着，计算不确定性度量U(A)：
其中，Pl(Ai)表示对¬Ai的平均信任度，同样采用相对均匀的信任度分布，设定每个Pl(Ai)都为0.33。
最后，计算合成的信任度C(A)：
这样本实施例就得到了一个最终的置信度分布向量C，其中每个元素表示对相应状态的最终信任程度。
以上实施例仅表达了本发明的相关实际应用的实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。
实施例6
在STEP-3中，当得到合成的信任度分布向量 C(A) 后，可以利用这个分布来制定最终的控制策略。最终的控制策略是基于合成信任度分布对不同状态的信任程度，来做出决策，从而实现楼宇***的智能化控制。
输出最终的控制策略的步骤：
（1）选择阈值：在合成信任度分布向量中，可以选择一个阈值来确定哪些状态被视为可信状态，以及哪些状态可能不被采用。这个阈值的选择可能基于实际情况，需要综合考虑信任度的分布以及***的需求。
（2）制定控制策略：根据选择的阈值，将合成信任度分布中超过阈值的状态视为可信状态，将不超过阈值的状态视为不可信状态。基于这个判断，可以制定不同的控制策略。
示例性的，如果冷却模式（C）的信任度最高，那么可以选择在下一个时间步切换到冷却模式；如果信任度较高的是加热模式（H），则选择切换到加热模式。
（3）执行控制策略最终的控制策略是根据合成信任度分布制定的，***会根据该策略执行相应的操作，例如调整楼宇的温度控制***，打开或关闭制冷设备、加热设备等，以实现所选状态。
进一步的，最终的控制策略：最终的控制策略是一个针对楼宇***的操作计划，根据合成信任度分布来选择最适合的状态或状态组合。这个策略可以指导楼宇智能控制***在下一个时间步采取何种操作，以优化楼宇的能耗、舒适性和效率。
示例性的：
（1）能耗降低： 在楼宇智能控制中，合成信任度分布向量可以指导***选择最合适的状态或操作，以降低能耗。例如，如果信任度高的状态是冷却模式，***可以根据这个信息调整空调***，减少能源消耗，使楼宇保持在合适的温度范围内。
（2）舒适性提高： 合成信任度分布向量考虑了不同状态的信任程度，可以确保在做出决策时充分考虑到用户的舒适性。例如，如果信任度高的状态是加热模式，***会选择切换到加热模式，以提供更舒适的室内环境。
（3）***效率提升： 基于合成信任度分布制定的控制策略可以帮助优化楼宇***的整体效率。***将根据信任度来决定状态的转换，从而实现更合理的设备运行和能耗管理。这有助于避免不必要的能源浪费，提升***的运行效率。
以上所述实施例仅表达了本发明的相关实际应用的实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。
实施例7
图4为本发明的实施例七的控制程序示意图。
一种楼宇智能化控制***，请参阅图5，它包括：
（1）处理器（Processor）：这是***的核心部件，负责执行程序指令、进行数据处理和决策。它是***的大脑，根据预先定义的逻辑和算法，对从各个传感器收集到的数据进行分析，从而控制楼宇内各种***的运行。
（2）存储器（Memory）：存储器是用来存储程序指令、数据和中间结果的地方。它存储了驱动***运行所需的各种信息，包括楼宇状态集合、转移概率矩阵、权重函数等。
（3）程序指令（ProgramInstructions）：存储器中存储了一系列程序指令，这些指令定义了***如何根据收集到的数据进行决策和控制。这些指令可以涵盖从数据处理到状态预测，再到最终的控制策略制定。
***工作流程：
P1、数据收集：将传统楼宇自动化的传感器组并入到该控制***的驱动范围内，收集楼宇内各种数据，如温度、湿度、人员流量等。这些数据传递给处理器。
P2、数据分析：处理器根据存储器中的预定义程序指令，对收集到的数据进行分析和处理。例如，根据转移概率矩阵预测下一个时间步的状态分布。
P3、智能决策：处理器根据分析结果，利用智能算法和决策逻辑，制定合适的控制策略。这可以包括调整照明、空调、供暖等***的运行状态。
P4、控制执行：处理器将制定的控制策略转化为控制指令，通过与各个***的接口进行通信，实现对楼宇***的实时控制。
进一步的，请参阅图2~3，图中所示的为示例性的上述程序指令，其采用C++伪代码的形式仅展示了其逻辑，其原理如下：
（1）num State: 这里定义了一个枚举类型 State，包含三种状态：冷却模式、加热模式和关闭模式。这个枚举类型用于表示楼宇***的不同状态。
（2）double transitionMatrix[3][3]: 这是一个3*3的转移概率矩阵，表示不同状态之间的转移概率。例如，transitionMatrix[0][1] 表示从冷却模式转移到加热模式的概率。
（3）double initialDistribution[3]: 这是初始状态分布向量，表示初始时间点每种状态的概率分布。
（4）vector<double> trustDistribution(3, 0.0): 这是一个存储信任度分布的向量，初始值为 0.0。
（5）void combineTrust(vector<double>& trustDist, double threshold): 这是合成信任度分布向量的函数。在实际应用中，需要根据 D-S 证据理论来计算不同状态的信任度。
（6）main(): 主函数部分包含了模拟实际操作的过程。首先，根据预测和观测，使用 combineTrust 函数合成信任度分布向量。然后，通过比较信任度确定最终的控制策略，将输出最终的控制策略结果。
以上所述实施例仅表达了本发明的相关实际应用的实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。
Claims (4)
1.一种楼宇智能化控制方法，其特征在于，包括如下步骤：
STEP-1：定义楼宇***的状态集合：每个状态代表楼宇***在某个时间步的状态或状态组合；
STEP-2：马尔可夫链：
STEP-2.1：解算状态集合，通过转移概率矩阵定义给定当前状态下的转移概率；
STEP-2.2：定义马尔可夫性质及马尔可夫链的初始状态分布，所述初始状态分布为初始时间点开始时每个状态的概率分布；
STEP-2.3：定义转移概率的满足性，转移概率满足非负性和归一性，每个转移概率都在0到1之间，且每个状态的转移概率之和等于1；
STEP-2.4：定义时间齐次性：马尔可夫链的转移概率在时间上保持不变，在任意时间点，状态之间的转移概率都保持一致；
STEP-2.5：输出预测状态行为：输出对下一时间步的楼宇***的预测状态行为；
STEP-3：D-S证据理论：接收所述预测状态行为，将所述预测状态行为和所述楼宇***的状态集合作为两个证据进行验证，并输出最终控制策略；
在所述STEP-1中，所述状态或状态组合S包括冷却模式C、加热模式H和关闭模式O，状态集合表示为：；
在所述STEP-2.1中，所述转移概率矩阵P：所述转移概率为：在当前时间步，状态为冷却模式C，下一个时间步的状态是冷却模式C或加热模式H；
在所述STEP-2.4中，所述时间齐次性：对于任意的时间步t和t+1，转移概率矩阵保持不变：
表示无论在哪个时间步，从一个状态到另一个状态的转移概率都是固定的，不会随着时间的推移而改变；
在所述STEP-2.5中，基于当前的状态分布和转移概率，通过矩阵乘法预测下一个时间步的状态分布：
状态向量P（t）表示当前时间步下的所述状态或状态组合S的分布：
其中，P(Si,t)是状态Si在时间步t的概率；
；所述矩阵乘法：/>矩阵乘法将当前的状态分布向量与转移概率矩阵相乘，得到下一个时间步的状态分布向量，每个元素P(Si,t+1)表示在时间步t+1时状态Si的概率；
在所述STEP-3中，所述预测状态行为为所述状态向量P（t+1）；
设有两个证据项，分别表示预测的状态分布向量P(t+1)和实际观测的状态分布向量O，其中O表示为：
使用D-S证据理论来合并这两个证据，得到一个最终的置信度分布向量C，其中C(Si)表示相信状态Si的程度，D-S合成公式：
其中，Bel(A)是基本信任度，Pl(A)是平均信任度，U(A)是不确定性度量；
对于一个证据项A，基本信任度的计算：
其中BelT(A)表示在不同的证据源下对设定A的信任度，这个求和涵盖了所有的证据源；
计算平均信任度Pl(A)：
其中¬A表示A的补集，Bel(¬A)表示不相信¬A的基本信任度；
不确定性度量U(A)表示对证据的信任度的强度：
计算合成的信任度（CA）：
其中U(¬A)表示¬A的不确定性度量，合成的信任度表示对于设定A的最终信任程度；
在所述STEP-3中，输出最终的控制策略的步骤：
（1）选择阈值：在合成信任度分布向量中，选择一个阈值来确定哪些状态被视为可信状态，哪些状态不被采用；阈值的选择综合考虑信任度的分布以及***的需求；
（2）制定控制策略：根据选择的阈值，将合成信任度分布中超过阈值的状态视为可信状态，将不超过阈值的状态视为不可信状态；基于这个判断，制定不同的控制策略；
（3）执行控制策略最终的控制策略是根据合成信任度分布制定，***根据该策略执行相应的操作，包括调整楼宇的温度控制***，打开或关闭制冷设备、加热设备以实现所选状态。
2.根据权利要求1所述的楼宇智能化控制方法，其特征在于：在所述STEP-2.2中，所述马尔可夫性质及初始状态分布为有50%的概率处于冷却模式，30%的概率处于加热模式，20%的概率处于关闭模式；
楼宇***的状态分布为：
所述初始状态分布处于所述马尔可夫链的初始节点。
3.根据权利要求2所述的楼宇智能化控制方法，其特征在于：在所述STEP-2.3中，所述转移概率矩阵P中，P(i,j)表示从状态i转移到状态j的概率：
所述非负性：对于所有的i和j，满足：
所述归一性：对于每个状态i，满足：
其中∑是对所有可能的状态j求和；
所述转移概率在0到1之间：
对于所有的i和j，满足：
。
4.一种楼宇智能化控制***，其特征在于：所述智能化控制***包括处理器、与所述处理器耦接的存储器，所述存储器中存储有程序指令，所述程序指令被所述处理器执行时，使所述处理器执行如权利要求1-3中任一项权利要求所述的楼宇智能化控制方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311465113.4A CN117193034B (zh) | 2023-11-07 | 2023-11-07 | 一种楼宇智能化控制方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311465113.4A CN117193034B (zh) | 2023-11-07 | 2023-11-07 | 一种楼宇智能化控制方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117193034A CN117193034A (zh) | 2023-12-08 |
| CN117193034B true CN117193034B (zh) | 2024-02-02 |
Family
ID=88989080
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311465113.4A Active CN117193034B (zh) | 2023-11-07 | 2023-11-07 | 一种楼宇智能化控制方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117193034B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6400996B1 (en) * | 1999-02-01 | 2002-06-04 | Steven M. Hoffberg | Adaptive pattern recognition based control system and method |
| JP2005251185A (ja) * | 2004-02-05 | 2005-09-15 | Toenec Corp | 電気設備診断システム |
| CN102426674A (zh) * | 2011-10-28 | 2012-04-25 | 山东电力集团公司青岛供电公司 | 一种基于马尔科夫链的电力***负荷预测方法 |
| JP2014178090A (ja) * | 2013-03-15 | 2014-09-25 | Daikin Ind Ltd | 冷却加熱ユニット、空気調和装置、調湿ユニット、調湿装置 |
| CN106461260A (zh) * | 2014-05-15 | 2017-02-22 | 三星电子株式会社 | 用于控制温度的方法和设备 |
| EP3267629A1 (de) * | 2016-07-05 | 2018-01-10 | Rheinisch-Westfälische Technische Hochschule (RWTH) Aachen | System zur automatisierten analyse und optimierung von gebäudeautomationssystemen |
| EP3874390A1 (en) * | 2018-11-02 | 2021-09-08 | Arizona Board of Regents on behalf of the University of Arizona | Runtime adaptive risk assessment and automated mitigation |
| CN113821903A (zh) * | 2021-07-09 | 2021-12-21 | 腾讯科技（深圳）有限公司 | 温度控制方法和设备、模块化数据中心及存储介质 |
| CN114017904A (zh) * | 2021-11-04 | 2022-02-08 | 广东电网有限责任公司 | 一种建筑物hvac***的运行控制方法及装置 |
| CN114498649A (zh) * | 2022-01-04 | 2022-05-13 | 清华大学 | 主动配电网建筑热负荷控制方法、装置、电子设备和存储介质 |
| CN115907350A (zh) * | 2022-11-04 | 2023-04-04 | 华北电力大学 | 一种建筑综合能源***的能量管理方法及*** |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8249731B2 (en) * | 2007-05-24 | 2012-08-21 | Alexander Bach Tran | Smart air ventilation system |
| WO2015174795A1 (en) * | 2014-05-15 | 2015-11-19 | Samsung Electronics Co., Ltd. | Method and apparatus for controlling temperature |
| US20210090188A1 (en) * | 2019-09-24 | 2021-03-25 | International Business Machines Corporation | Iot based property condition evaluation system |
-
2023
- 2023-11-07 CN CN202311465113.4A patent/CN117193034B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6400996B1 (en) * | 1999-02-01 | 2002-06-04 | Steven M. Hoffberg | Adaptive pattern recognition based control system and method |
| JP2005251185A (ja) * | 2004-02-05 | 2005-09-15 | Toenec Corp | 電気設備診断システム |
| CN102426674A (zh) * | 2011-10-28 | 2012-04-25 | 山东电力集团公司青岛供电公司 | 一种基于马尔科夫链的电力***负荷预测方法 |
| JP2014178090A (ja) * | 2013-03-15 | 2014-09-25 | Daikin Ind Ltd | 冷却加熱ユニット、空気調和装置、調湿ユニット、調湿装置 |
| CN106461260A (zh) * | 2014-05-15 | 2017-02-22 | 三星电子株式会社 | 用于控制温度的方法和设备 |
| EP3267629A1 (de) * | 2016-07-05 | 2018-01-10 | Rheinisch-Westfälische Technische Hochschule (RWTH) Aachen | System zur automatisierten analyse und optimierung von gebäudeautomationssystemen |
| EP3874390A1 (en) * | 2018-11-02 | 2021-09-08 | Arizona Board of Regents on behalf of the University of Arizona | Runtime adaptive risk assessment and automated mitigation |
| CN113821903A (zh) * | 2021-07-09 | 2021-12-21 | 腾讯科技（深圳）有限公司 | 温度控制方法和设备、模块化数据中心及存储介质 |
| CN114017904A (zh) * | 2021-11-04 | 2022-02-08 | 广东电网有限责任公司 | 一种建筑物hvac***的运行控制方法及装置 |
| CN114498649A (zh) * | 2022-01-04 | 2022-05-13 | 清华大学 | 主动配电网建筑热负荷控制方法、装置、电子设备和存储介质 |
| CN115907350A (zh) * | 2022-11-04 | 2023-04-04 | 华北电力大学 | 一种建筑综合能源***的能量管理方法及*** |
Non-Patent Citations (2)
| Title |
|---|
| 一种信度马尔科夫模型及应用;邓鑫洋， 邓勇，章雅娟， 刘琪;自动化学报;全文 * |
| 一种基于马尔科夫链的冲突证据组合方法;***，董清泉， 王丰羽，雒超民;自动化学报;第1-13页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117193034A (zh) | 2023-12-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Korkas et al. | Grid-connected microgrids: Demand management via distributed control and human-in-the-loop optimization | |
| EP2013669B1 (en) | A method of optimising energy consumption | |
| US10371405B2 (en) | Building power management systems | |
| Dounis et al. | Advanced control systems engineering for energy and comfort management in a building environment—A review | |
| Wang et al. | Multi-agent intelligent controller design for smart and sustainable buildings | |
| Hagras et al. | An intelligent agent based approach for energy management in commercial buildings | |
| Shaikh et al. | Intelligent optimized control system for energy and comfort management in efficient and sustainable buildings | |
| CN116266253A (zh) | 空调参数的优化控制方法、***和计算机可读存储介质 | |
| Baniyounes et al. | Institutional smart buildings energy audit. | |
| CN113110057A (zh) | 一种基于人工智能的热力站节能控制方法及智能决策*** | |
| CN117270410A (zh) | 一种智能家居能耗控制方法、设备及计算机可读存储介质 | |
| CN117439101B (zh) | 一种用于电网中新能源与柔性负荷互动的智能网络 | |
| CN113110056B (zh) | 一种基于人工智能的供热智能决策方法及智能决策机 | |
| Ku et al. | Building electric energy prediction modeling for BEMS using easily obtainable weather factors with Kriging model and data mining | |
| CN117193034B (zh) | 一种楼宇智能化控制方法及*** | |
| Mpelogianni et al. | Proactive building energy management methods based on Fuzzy Logic and Expert Intelligence | |
| CN116963461A (zh) | 一种机房空调的节能方法和装置 | |
| Coffman et al. | A study of virtual energy storage from thermostatically controlled loads under time-varying weather conditions | |
| Harish et al. | Simulation based energy control and comfort management in buildings using multi-objective optimization routine | |
| CN112821456B (zh) | 基于迁移学习的分布式源-储-荷匹配方法及装置 | |
| CN116187910B (zh) | 一种控温仓库容量配置方法、装置、电子设备及存储介质 | |
| Korkas et al. | Adaptive optimization for smart operation of cyber-physical systems: A thermostatic zoning test case | |
| CN112884221B (zh) | 局域网络多能互济最优化调度方法及装置 | |
| CN117422254B (zh) | 智慧园区的信息处理方法、装置、设备及存储介质 | |
| Yazdkhasti et al. | A methodology to forecast the control capacity of a population of thermostatically controlled appliances in a demand-side management |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |