RU2821067C2 - Power management system - Google Patents
Power management system Download PDFInfo
- Publication number
- RU2821067C2 RU2821067C2 RU2022130377A RU2022130377A RU2821067C2 RU 2821067 C2 RU2821067 C2 RU 2821067C2 RU 2022130377 A RU2022130377 A RU 2022130377A RU 2022130377 A RU2022130377 A RU 2022130377A RU 2821067 C2 RU2821067 C2 RU 2821067C2
- Authority
- RU
- Russia
- Prior art keywords
- energy consumption
- sensors
- parameters
- data
- cloud computing
- Prior art date
Links
- 238000005265 energy consumption Methods 0.000 claims abstract description 55
- 238000000034 method Methods 0.000 claims abstract description 31
- 230000000694 effects Effects 0.000 claims abstract description 19
- 238000013528 artificial neural network Methods 0.000 claims abstract description 15
- 230000008859 change Effects 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims abstract description 6
- 238000012545 processing Methods 0.000 claims abstract description 5
- 238000004088 simulation Methods 0.000 claims abstract description 3
- 230000006870 function Effects 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 7
- 238000013480 data collection Methods 0.000 claims description 6
- 239000007789 gas Substances 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000010801 machine learning Methods 0.000 claims description 5
- 230000000306 recurrent effect Effects 0.000 claims description 5
- 230000002787 reinforcement Effects 0.000 claims description 5
- 230000007613 environmental effect Effects 0.000 claims description 4
- 238000012417 linear regression Methods 0.000 claims description 4
- 238000005286 illumination Methods 0.000 claims description 3
- 230000006403 short-term memory Effects 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 230000002547 anomalous effect Effects 0.000 claims description 2
- 230000006399 behavior Effects 0.000 claims description 2
- 238000000611 regression analysis Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 abstract description 2
- 239000000126 substance Substances 0.000 abstract 1
- 238000004891 communication Methods 0.000 description 6
- 238000007726 management method Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 5
- 230000005611 electricity Effects 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000033001 locomotion Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000004804 winding Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 238000012517 data analytics Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 239000012855 volatile organic compound Substances 0.000 description 1
Abstract
Description
ОБЛАСТЬ ТЕХНИКИTECHNICAL FIELD
Настоящее техническое решение относится к области вычислительной техники, в частности, к способам и системам управления и оптимизации энергопотребления объектов. This technical solution relates to the field of computer technology, in particular to methods and systems for managing and optimizing the energy consumption of objects.
УРОВЕНЬ ТЕХНИКИBACKGROUND OF THE ART
Из уровня техники известно решение, выбранное в качестве наиболее близкого аналога, US2005192713 (A1), опубл. 01.09.2005 г. В данном решении раскрывается способ управления энергией, потребляемой группой энергопотребляющих устройств. Энергопотребляющие устройства из группы энергопотребляющих устройств обмениваются сообщениями в соответствии с протоколом управления энергопотреблением через среду связи. Протокол управления энергопотреблением содержит тип сообщения резервирования энергии для объявления о будущем потреблении энергии, тип сообщения индикации снижения энергопотребления для оповещения о возможном снижении энергопотребления и тип сообщения предоставления для предоставления сообщения резервирования энергии и/или индикации снижения энергии. Энергопотребляющие устройства согласовывают свое потребление энергии с помощью сообщений, которыми обмениваются в соответствии с протоколом управления управлением энергопотреблением, и управляют своим потреблением энергии в соответствии с результатом этого согласования.The solution chosen as the closest analogue is known from the prior art, US2005192713 (A1), publ. 09/01/2005 This solution discloses a method for managing the energy consumed by a group of energy-consuming devices. Power consuming devices in a power consuming device group exchange messages in accordance with a power management protocol through a communication medium. The energy management protocol includes an energy reservation message type for announcing future energy consumption, a power reduction indication message type for announcing a possible reduction in energy consumption, and a grant message type for providing an energy reservation message and/or an indication of energy reduction. Power consuming devices negotiate their power consumption through messages exchanged in accordance with an energy management control protocol and manage their power consumption according to the result of this negotiation.
Предлагаемое техническое решение направлено на устранение недостатков современного уровня техники и отличается от известных ранее тем, что предложенное техническое решение обеспечивает полностью автоматическое и высокоэффективное управление энергопотреблением объектов.The proposed technical solution is aimed at eliminating the shortcomings of the current level of technology and differs from previously known ones in that the proposed technical solution provides fully automatic and highly efficient management of energy consumption of objects.
СУЩНОСТЬ ИЗОБРЕТЕНИЯSUMMARY OF THE INVENTION
Технической проблемой, на решение которой направлено заявленное решение, является создание способа управления и оптимизации энергопотребления объекта.The technical problem that the claimed solution is aimed at is the creation of a method for managing and optimizing the energy consumption of an object.
Технический результат заключается в повышении энергоэффективности объекта.The technical result is to increase the energy efficiency of the facility.
Дополнительным техническим результатом является увеличение производительности конечных технических устройств объекта, за счет автоматического ресурсоёмкого и эффективного регулирования нагрузок.An additional technical result is an increase in the productivity of the final technical devices of the facility, due to automatic resource-intensive and effective load regulation.
Заявленные технические результаты достигаются за счет осуществления способа управления и оптимизации энергопотребления объекта, включающего этапы, на которых:The declared technical results are achieved through the implementation of a method for managing and optimizing the energy consumption of an object, including stages in which:
на постоянной основе, в режиме реального времени, осуществляется сбор данных с датчиков и сенсоров, располагаемых во внутреннем и внешнем контуре объекта, фиксирующих энергопотребление объекта, климатические параметры объекта и активность объекта;on an ongoing basis, in real time, data is collected from sensors located in the internal and external contours of the object, recording the energy consumption of the object, the climatic parameters of the object and the activity of the object;
собранные данные, в режиме реального времени, считываются и фиксируются управляющим программируемым логическим контроллером объекта;the collected data, in real time, is read and recorded by the control programmable logic controller of the object;
зафиксированные данные об энергопотреблении объекта, климатических параметрах объекта и активности объекта передаются управляющим программируемым логическим контроллером на облачный вычислительный сервер;recorded data on the energy consumption of the object, the climatic parameters of the object and the activity of the object are transmitted by the control programmable logic controller to the cloud computing server;
на облачном вычислительном сервере осуществляется обработка полученных данных об энергопотреблении объекта, климатических параметрах объекта и активности объекта, при этом обработка данных осуществляется с использованием нейронных сетей для дальнейшего обучения модели энергопотребления объекта, причем обучение модели осуществляется на основании данных о физическом состоянии объекта в предыдущие временные интервалы с временным шагом и оценки значения функции вознаграждения с помощью прогностической модели состояния объекта, при этом состояние объекта оценивается функцией вознаграждения, значения которой возрастают обратно пропорционально прогнозируемому уровню потребляемой энергии и за вычетом штрафа, значение которого возрастает в прямо пропорционально прогнозируемым отклонениям физических параметров объекта от порогового значения каждого из требуемых, заранее определённых измеряемых параметров, причем применение модели обучения с подкреплением для максимизации накопленного вознаграждения осуществляется таким образом, чтобы сбалансировать потребление энергии с общим штрафом в следующем состоянии объекта on the cloud computing server, the received data on the energy consumption of the object, the climatic parameters of the object and the activity of the object are processed, while the data processing is carried out using neural networks for further training of the object's energy consumption model, and the model is trained on the basis of data on the physical state of the object in previous time intervals with temporary step and estimating the value of the reward function using a predictive model of the state of the object, wherein the state of the object is estimated by the reward function, the values of which increase in inverse proportion to the predicted level of energy consumed and minus the penalty, the value of which increases in direct proportion to the predicted deviations of the physical parameters of the object from the threshold value of each of required, predetermined measurable parameters, whereby the application of a reinforcement learning model to maximize the accumulated reward is carried out in such a way as to balance energy consumption with the overall penalty in the next state of the object
на облачном вычислительном сервере осуществляется формирование команды на изменение состояния конечных устройств физического объекта в состоянии объекта в соответствии с полученными результатами моделирования;on the cloud computing server, a command is generated to change the state of the end devices of a physical object in the state of the object in accordance with the obtained simulation results;
с облачного вычислительного сервера осуществляется передача сформированных команд в управляющий программируемый логический контроллер объекта;generated commands are transmitted from the cloud computing server to the control programmable logic controller of the object;
с управляющего программируемого логического контроллера объекта осуществляется передача соответствующих сформированных ранее команд на соответствующие конечные физические устройства объекта.from the control programmable logical controller of the object, the corresponding previously generated commands are transmitted to the corresponding final physical devices of the object.
В частном варианте реализации описываемого способа, физическими параметрами являются: температура, содержание CO2, уровень шума, освещенность, потоки воды и/или газа. In a particular embodiment of the described method, the physical parameters are: temperature, CO 2 content, noise level, illumination, water and/or gas flows.
В частном варианте реализации описываемого способа, прогностическая модель основана на архитектуре рекуррентной нейронной сети (RNN).In a particular embodiment of the described method, the predictive model is based on a recurrent neural network (RNN) architecture.
В частном варианте реализации описываемого способа, архитектура RNN представляет собой многослойную архитектуру с долгой краткосрочной памятью (LSTM) и массовым вводом-массовым выводом (MISO). In a particular embodiment of the described method, the RNN architecture is a multi-layer architecture with long short-term memory (LSTM) and mass input-mass output (MISO).
В частном варианте реализации описываемого способа, применение модели машинного обучения дополнительно осуществляется для распознавания профилей энергопотребления.In a particular embodiment of the described method, the use of a machine learning model is additionally carried out to recognize energy consumption profiles.
В частном варианте реализации описываемого способа, дополнительно осуществляется обнаружение аномального поведения физического объекта.In a particular embodiment of the described method, anomalous behavior of a physical object is additionally detected.
В частном варианте реализации описываемого способа, дополнительно применяется пропорционально-интегрально-дифференцирующий (PID) контроллер для поддержания заданного значения.In a particular embodiment of the described method, a proportional-integral-derivative (PID) controller is additionally used to maintain the set value.
Заявленные технические результаты также достигаются за счет системы управления и оптимизации энергопотребления объекта, которая содержит:The declared technical results are also achieved through a system for managing and optimizing the energy consumption of the facility, which contains:
по меньшей мере, одно устройство сбора данных, располагаемое во внутреннем и/или внешнем контуре объекта, фиксирующее энергопотребление объекта, климатические параметры объекта и активность объекта;at least one data collection device located in the internal and/or external contour of the object, recording the energy consumption of the object, the climatic parameters of the object and the activity of the object;
по меньшей мере один управляющий программируемый логический контроллер объекта, взаимосвязанный с, по меньшей мере, одним устройством сбора данных, облачным вычислительным сервером и конечными физическими устройствами объекта;at least one control programmable logic controller of the object, interconnected with at least one data collection device, cloud computing server and final physical devices of the object;
по меньшей мере один облачный вычислительный сервер, взаимосвязанный с управляющим программируемым логическим контроллером объекта и выполненный с возможностью обработки данных об энергопотреблении объекта, климатических параметрах объекта и активности объекта с использованием нейронных сетей.at least one cloud computing server interconnected with the control programmable logic controller of the object and configured to process data on the energy consumption of the object, the climatic parameters of the object and the activity of the object using neural networks.
ОПИСАНИЕ ЧЕРТЕЖЕЙDESCRIPTION OF DRAWINGS
Реализация изобретения будет описана в дальнейшем в соответствии с прилагаемыми чертежами, которые представлены для пояснения сути изобретения и никоим образом не ограничивают область изобретения. К заявке прилагаются следующие чертежи:The implementation of the invention will be described further in accordance with the accompanying drawings, which are presented to explain the essence of the invention and in no way limit the scope of the invention. The following drawings are attached to the application:
- фиг. 1 иллюстрирует пример интегрированного аппаратного решения;- fig. 1 illustrates an example of an integrated hardware solution;
- фиг. 2 иллюстрирует многослойную архитектуру LSTM MISO;- fig. 2 illustrates the multi-layer LSTM MISO architecture;
- фиг. 3 иллюстрирует пример расчета соотношения потребления энергетических ресурсов и наружной температуры.- fig. Figure 3 illustrates an example of calculating the ratio of energy resource consumption and outside temperature.
ДЕТАЛЬНОЕ ОПИСАНИЕ ИЗОБРЕТЕНИЯDETAILED DESCRIPTION OF THE INVENTION
В приведенном ниже подробном описании реализации изобретения приведены многочисленные детали реализации, призванные обеспечить отчетливое понимание настоящего изобретения. Однако, квалифицированному в предметной области специалисту, будет очевидно каким образом можно использовать настоящее изобретение, как с данными деталями реализации, так и без них. В других случаях хорошо известные методы, процедуры и компоненты не были описаны подробно, чтобы не затруднять излишне понимание особенностей настоящего изобретения.The following detailed description of the invention sets forth numerous implementation details designed to provide a clear understanding of the present invention. However, it will be apparent to one skilled in the art how the present invention can be used with or without these implementation details. In other cases, well-known methods, procedures and components have not been described in detail so as not to unduly obscure the features of the present invention.
Кроме того, из приведенного изложения будет ясно, что изобретение не ограничивается приведенной реализацией. Многочисленные возможные модификации, изменения, вариации и замены, сохраняющие суть и форму настоящего изобретения, будут очевидными для квалифицированных в предметной области специалистов.In addition, from the above discussion it will be clear that the invention is not limited to the above implementation. Numerous possible modifications, alterations, variations and substitutions, while retaining the spirit and form of the present invention, will be apparent to those skilled in the art.
Настоящее техническое решение относится к способу и системе управления и оптимизации энергопотребления объектов, таких как рестораны, склады, бизнес-центры, промышленные предприятия, фитнес-клубы и т.д. Предлагаемая система работает по принципу Интернета вещей (IoT), описывая сеть физических объектов, в которые встраиваются датчики, программное обеспечение и другие технологии с целью соединения и обмена данными через Интернет. В частности, данное изобретение позволяет сети оснащенных коммуникационными технологиями физических устройств на объектах взаимодействовать друг с другом, а также с внешней средой без необходимости ручного управления для оптимизации энергопотребления. Предлагаемое техническое решение повышает энергоэффективность объектов и позволяет снизить затраты на электроэнергию и обеспечить оптимальную работу оборудования на объектах. This technical solution relates to a method and system for managing and optimizing the energy consumption of facilities, such as restaurants, warehouses, business centers, industrial enterprises, fitness clubs, etc. The proposed system operates on the Internet of Things (IoT) principle, describing a network of physical objects into which sensors, software and other technologies are embedded to connect and exchange data over the Internet. In particular, the present invention allows a network of communication-enabled physical devices in a facility to interact with each other, as well as with the external environment, without the need for manual control to optimize energy consumption. The proposed technical solution increases the energy efficiency of facilities and makes it possible to reduce energy costs and ensure optimal operation of equipment at facilities.
Предлагаемая система позволяет осуществлять контроль энергопотребления объекта в режиме реального времени. Данные по энергопотреблению, климатическим параметрам и активности объекта собираются и хранятся на посекундной основе. Настоящее изобретение принимает большое количество входных данных от различных источников для устройств IoT. В настоящем изобретении предлагаемая система адаптирована для сбора данных с датчиков, сенсоров, климатических серверов, рынка электроэнергии и системы учета. Такое решение обеспечивает прозрачность бизнес-процессов и онлайн-контроль активности. Настоящее изобретение также позволяет распознавать типичные профили энергопотребления на основе способов машинного обучения для сбора данных об энергопотреблении. Собранные данные обрабатываются, например, на облачном сервере и в брокере сообщений для последующего использования.The proposed system allows you to monitor the energy consumption of an object in real time. Data on energy consumption, climate parameters and site activity are collected and stored on a second-by-second basis. The present invention accepts a large amount of input data from various sources for IoT devices. In the present invention, the proposed system is adapted to collect data from sensors, climate servers, the electricity market and metering systems. This solution provides transparency of business processes and online activity control. The present invention also allows typical energy consumption profiles to be recognized based on machine learning techniques for collecting energy consumption data. The collected data is processed, for example, on a cloud server and in a message broker for subsequent use.
Собранные данные анализируются для различных целей. Кроме того, собранные данные также используются для прогнозирования динамики потребления энергии на контролируемом объекте в течение определенного периода времени, например, дня, недели или сезона. Прогнозирование динамики потребления энергии на контролируемом объекте в течение определенного периода времени осуществляется путем построения линейной регрессии. Настоящее изобретение может осуществлять свою работу на основе прогностических моделей для осуществления указанной прогностической функции. Прогностические модели могут обучаться с использованием рекуррентных нейронных сетей, а также векторных моделей машинного обучения. Следует принимать во внимание, что данное изобретение позволяет идентифицировать взаимосвязи между большим количеством переменных, которые определяют состояние контролируемого объекта и с высокой точностью прогнозируют его будущие состояния. Указанная прогностическая модель также позволяет снизить начальные затраты на создание системы электроснабжения, особенно на этапе проектирования и строительства объекта.The collected data is analyzed for various purposes. In addition, the collected data is also used to predict the energy consumption dynamics of the monitored facility over a certain period of time, such as a day, a week or a season. Forecasting the dynamics of energy consumption at a controlled object over a certain period of time is carried out by constructing a linear regression. The present invention can operate on the basis of predictive models to perform said predictive function. Predictive models can be trained using recurrent neural networks as well as vector machine learning models. It should be taken into account that the present invention allows the identification of relationships between a large number of variables that determine the state of the monitored object and predict its future states with high accuracy. The specified predictive model also makes it possible to reduce the initial costs of creating a power supply system, especially at the stage of design and construction of the facility.
В некоторых вариантах реализации данные связаны с потреблением энергии. Сбор данных о потреблении энергии может дополнительно включать использование одного или более датчиков. В настоящем изобретении датчики потребления могут измерять мгновенные параметры, такие как напряжение, ток, температура и мощность, и их комбинации в качестве косвенного способа для определения изменений сопротивления при нагрузке. Указанные датчики могут включать датчики потребления электроэнергии, такие как неинвазивные датчики и трансформаторы тока (например, многоканальный счетчик электроэнергии). Например, неинвазивные датчики могут быть использованы для анализа изменений напряжения и тока, поступающих на физический объект. Указанные неинвазивные датчики не нарушают деятельность объекта, но могут регистрировать потребление энергии объектом. Трансформатор тока относится к типу трансформатора, который используется для уменьшения или увеличения переменного тока. Он производит в своей вторичной обмотке ток, пропорциональный току в первичной обмотке. Трансформаторы тока являются токоизмерительными устройствами энергосистемы и используются на электростанциях, электрических подстанциях, а также в промышленном и коммерческом распределении электроэнергии. Они измеряют электрическую энергию или переменный ток в проводе. Одним из примеров является многоканальный счетчик электроэнергии, предназначенный для управления энергией и контроля качества электропитания. В настоящем изобретении трансформаторы тока поставляются большим количеством производителей и могут измерять токи от 1-20 А до тысяч ампер. Следует принимать во внимание, что датчики потребления могут отслеживать потребление энергии во времени, например, каждую секунду. In some embodiments, the data is associated with energy consumption. Collecting energy consumption data may further include the use of one or more sensors. In the present invention, demand sensors can measure instantaneous parameters such as voltage, current, temperature and power, and combinations thereof, as an indirect method for detecting changes in resistance under load. These sensors may include electricity consumption sensors, such as non-invasive sensors and current transformers (eg, a multi-channel electricity meter). For example, non-invasive sensors can be used to analyze changes in voltage and current entering a physical object. These non-invasive sensors do not disrupt the activity of the object, but can record the energy consumption of the object. Current transformer refers to a type of transformer that is used to reduce or increase alternating current. It produces in its secondary winding a current proportional to the current in the primary winding. Current transformers are power system current measuring devices and are used in power plants, electrical substations, and industrial and commercial power distribution. They measure electrical energy or alternating current in a wire. One example is a multi-channel energy meter designed for energy management and power quality monitoring. In the present invention, current transformers are available from a large number of manufacturers and can measure currents from 1-20 A to thousands of amperes. It should be taken into account that consumption sensors can monitor energy consumption over time, for example every second.
Датчики по настоящему изобретению также могут включать климатические датчики, расположенные как внутри, так и снаружи контролируемого объекта. Указанные климатические датчики могут быть выполнены с возможностью регистрации соответствующего одного из параметров на временной основе. В некоторых вариантах реализации параметры включают одну или более из следующих характеристик: влажность, освещенность, уровень шума, расположение объекта, стеклянное покрытие и тепловыделение оборудованием и посетителями. В настоящем изобретении для контроля изменений климата используются комбинированные датчики окружающей среды. Указанные комбинированные датчики окружающей среды, которые часто предназначены для бытового использования, объединяют в себе цифровые датчики температуры, влажности, освещенности, звукового давления, концентрации вредных летучих газов (летучих органических соединений), движения и команд, передаваемых в ИК диапазоне. Типичный климатический датчик размещен в пластиковом корпусе с возможностью установки на стене. The sensors of the present invention may also include climate sensors located both inside and outside the monitored object. Said climate sensors may be configured to record the corresponding one of the parameters on a temporary basis. In some embodiments, the parameters include one or more of the following: humidity, illumination, noise level, facility location, glass cover, and heat dissipation from equipment and occupants. The present invention uses combined environmental sensors to monitor climate change. These combined environmental sensors, which are often intended for domestic use, combine digital sensors for temperature, humidity, light, sound pressure, concentration of harmful volatile gases (volatile organic compounds), motion and commands transmitted in the infrared range. A typical climate sensor is housed in a plastic housing and can be wall mounted.
Указанные датчики энергопотребления и климата могут управляться с контроллера или компьютера по шине RS-485 командами, передаваемыми по протоколу Modbus. Указанные команды Modbus могут дать указание датчикам потребления энергии и климата изменить значение в одном из своих регистров и отправить обратно одно или несколько значений, содержащихся в регистрах датчиков. Modbus здесь относится к открытому протоколу связи, основанному на архитектуре «ведущий-ведомый», и используется в качестве основного протокола передачи данных. Modbus широко используется в промышленности для обеспечения связи между электронными устройствами. Modbus – это открытый стандарт, описывающий формат сообщений и то, как они передаются по сети, состоящей из различных электронных устройств. Протокол Modbus использует последовательные линии передачи символов, Ethernet или пакет протоколов Интернета в качестве транспортного уровня. Modbus поддерживает связь между несколькими устройствами, подключенными к одному кабелю или сети Ethernet. Он может быть реализован в любой физической среде связи, такой как витая пара или радиоканалы различных типов. В одном варианте реализации может быть предусмотрен первый климатический датчик, который измеряет температуру, и второй климатический датчик для измерения влажности, подключенные к одному кабелю, оба из которых передают измерения на один и тот же компьютер. These energy consumption and climate sensors can be controlled from a controller or computer via the RS-485 bus using commands transmitted via the Modbus protocol. These Modbus commands can instruct energy and climate sensors to change a value in one of their registers and send back one or more values contained in the sensor registers. Modbus here refers to an open communication protocol based on master-slave architecture and is used as the main communication protocol. Modbus is widely used in industry to provide communication between electronic devices. Modbus is an open standard that describes the format of messages and how they are transmitted over a network of various electronic devices. The Modbus protocol uses serial character lines, Ethernet, or the Internet Protocol Suite as the transport layer. Modbus supports communication between multiple devices connected to a single cable or Ethernet network. It can be implemented in any physical communication medium, such as twisted pair or radio channels of various types. In one embodiment, there may be a first climate sensor that measures temperature and a second climate sensor that measures humidity connected to the same cable, both of which transmit measurements to the same computer.
Следует принимать во внимание, что данные, полученные на этапе сбора данных, могут также включать результат анализа активности, относящийся к перемещениям и количеству людей, входящих в контролируемый объект в течение определенного периода времени, потреблению воды и газа контролируемым объектом в течение определенного периода времени, а также данные, полученные от программного обеспечения для планирования ресурсов предприятия. Способ может также включать получение данных из внешних источников. Например, собранные данные могут включать историю, состояние и прогнозы погоды для любого географического местоположения от нескольких метеорологических серверов. Они могут также включать данные компаний, занимающихся распределением и розничной торговлей, например, цены, часы пиковой нагрузки и спрос.It should be taken into account that the data obtained during the data collection stage may also include the result of an activity analysis relating to the movements and number of people entering the monitored site during a certain period of time, the water and gas consumption of the monitored site during a certain period of time, and data obtained from enterprise resource planning software. The method may also include obtaining data from external sources. For example, the collected data may include history, status, and weather forecasts for any geographic location from multiple weather servers. They may also include data from distribution and retail companies, such as prices, peak hours and demand.
Данные, полученные на этапе сбора данных, отправляются на облачный вычислительный сервер или в брокер сообщений. Упомянутые облачный сервер и брокер сообщений могут использовать свой собственный диалект SQL, а также могут содержать различные расширения, такие как массивы и структуры вложенных данных, функции более высокого порядка, вероятностные структуры, функции для работы с единым идентификатором ресурсов, возможность работы с внешними хранилищами ключей-значений, специализированные агрегирующие функции, функции для получения выборки, приблизительных вычислений, возможность создания сохраненных представлений с агрегацией и заполнения таблицы из потока сообщений и т.д. В некоторых вариантах реализации облачный сервер основан на системе ClickHouse, которая представляет собой систему управления столбчатыми базами данных с открытым исходным кодом для аналитической обработки данных в режиме онлайн. Полученные данные могут коммутироваться измерителями и счетчиками, которые передают информацию на облачный вычислительный сервер или в брокер сообщений. Облачный вычислительный сервер способен осуществлять обработку полученных данных о энергопотреблении объекта, климатических параметрах объекта и активности объекта. При этом обработка данных осуществляется посредством вычислительных мощностей сервера с использованием нейронных сетей для дальнейшего обучения модели энергопотребления объекта. Обучение модели осуществляется на основании данных о физическом состоянии объекта в предыдущие временные интервалы с временным шагом и оценки значения функции вознаграждения с помощью прогностической модели состояния объекта, при этом состояние объекта оценивается функцией вознаграждения, значения которой возрастают обратно пропорционально прогнозируемому уровню потребляемой энергии и за вычетом штрафа, значение которого возрастает в прямо пропорционально прогнозируемым отклонениям физических параметров объекта от порогового значения каждого из требуемых, заранее определённых измеряемых параметров. Необходимо отметить, что применение модели обучения с подкреплением для максимизации накопленного вознаграждения может осуществляться таким образом, чтобы сбалансировать потребление энергии с общим штрафом в следующем состоянии объекта . Применение модели обучения с подкреплением для максимизации накопленного вознаграждения RL (reinforcement learning/обучение с подкреплением) может также реализовываться в «интеллектуальном ядре» (на облачном вычислительном сервере) системы, с использованием уравнения Беллмана, чтобы сбалансировать потребление энергии с прогнозируемым общим штрафом. RL является подходом машинного обучения, часто используемым в связи с понятием совокупного вознаграждения.The data obtained during the data collection stage is sent to a cloud computing server or message broker. Said cloud server and message broker may use its own dialect of SQL, and may also contain various extensions such as arrays and nested data structures, higher order functions, probabilistic structures, functions for working with a single resource identifier, the ability to work with external key stores -values, specialized aggregation functions, functions for obtaining samples, approximate calculations, the ability to create saved views with aggregation and populate a table from a message stream, etc. In some embodiments, the cloud server is based on the ClickHouse system, which is an open source columnar database management system for online data analytics. The received data can be switched by meters and counters, which transmit information to a cloud computing server or message broker. The cloud computing server is capable of processing received data on the energy consumption of the object, the climatic parameters of the object and the activity of the object. In this case, data processing is carried out through the computing power of the server using neural networks for further training of the object’s energy consumption model. The model is trained based on data about the physical state of the object in previous time intervals with time step and estimating the value of the reward function using a predictive model of the state of the object, wherein the state of the object is estimated by the reward function, the values of which increase in inverse proportion to the predicted level of energy consumed and minus the penalty, the value of which increases in direct proportion to the predicted deviations of the physical parameters of the object from the threshold value of each of required, predetermined measured parameters. It should be noted that the application of a reinforcement learning model to maximize accumulated reward can be done in a way that balances energy consumption with an overall penalty in the next state of the object . Applying a reinforcement learning model to maximize the accumulated reward RL (reinforcement learning) can also be implemented in the “intelligent core” (cloud computing server) of the system, using the Bellman equation to balance energy consumption with the predicted overall penalty. RL is a machine learning approach often used in connection with the concept of total reward.
Необходимо отметить, что система управления и оптимизации энергопотребления объекта может являться двухуровневой. Внутренний контур управления может располагаться на объекте, являться автономным и не зависеть от наличия подключения к Интернету. Этот контур управления основан на наборе PID-контроллеров для аналогового управления нагрузкой и на параметрических алгоритмах для дискретного управления. Внешний контур управления может располагаться в «интеллектуальном ядре» (на облачном вычислительном сервере) и позволяет корректировать параметры и граничные условия с учетом всего пакета собранной информации об объекте и накопленных внешних данных. Такой подход к структуре системы управления и оптимизации позволяет гарантировать надежность и стабильность работы системы за счет автономности внутреннего контура управления, а также обеспечивает высокое качество управления за счет использования многопараметрического внешнего контура управления, охватывающего работу всех систем объекта в целом.It should be noted that the system for managing and optimizing the energy consumption of an object can be two-level. The internal control loop can be located on site, be autonomous and not dependent on the presence of an Internet connection. This control loop is based on a set of PID controllers for analog load control and parametric algorithms for discrete control. The external control loop can be located in the “intelligent core” (on a cloud computing server) and allows you to adjust parameters and boundary conditions taking into account the entire package of collected information about the object and accumulated external data. This approach to the structure of the control and optimization system allows us to guarantee the reliability and stability of the system due to the autonomy of the internal control loop, and also ensures high quality control through the use of a multi-parameter external control loop, covering the operation of all systems of the facility as a whole.
В некоторых вариантах реализации прогностическая модель, может быть основана на рекуррентной нейронной сети (RNN). Указанная сеть RNN используется для построения прогноза, который не является прямой частью контура управления. Она используется в основном для автономного моделирования и анализа неконтролируемых объектов. Предлагаемая прогностическая модель применяется для выявления взаимозависимостей между сотнями переменных, которые определяют состояние объекта и с высокой точностью прогнозируют его будущие состояния.In some embodiments, the predictive model may be based on a recurrent neural network (RNN). The specified RNN network is used to build a forecast, which is not a direct part of the control loop. It is mainly used for offline modeling and analysis of uncontrolled objects. The proposed predictive model is used to identify interdependencies between hundreds of variables that determine the state of an object and predict its future states with high accuracy.
В некоторых вариантах реализации архитектура RNN представляет собой многослойную архитектуру с долгой краткосрочной памятью (LSTM) и массовым вводом-массовым выводом (MISO).In some implementations, the RNN architecture is a multi-layer long short-term memory (LSTM) and massive input-mass output (MISO) architecture.
В некоторых вариантах реализации решение дополнительно включает применение пропорционально-интегрально-дифференцирующего (PID) контроллера для поддержания заданного значения. Предлагаемый PID-контроллер работает как резервная система, когда соединение с вычислительным облачным сервером недоступно, поэтому обеспечивает приемлемый уровень управления и остается работоспособным при отсутствии подключения к Интернету. Указанный PID-контроллер представляет собой использующий обратную связь механизм контура управления, который широко используется в промышленных системах управления и различных иных приложениях, требующих непрерывно модулируемого управления. Указанный PID-контроллер непрерывно вычисляет значение погрешности как разность между заданным значением и измеренным значением технологической переменной и применяет поправку на основе пропорциональной, интегральной и дифференцирующей составляющих. In some implementations, the solution further includes the use of a proportional-integral-derivative (PID) controller to maintain the setpoint. The proposed PID controller works as a backup system when the connection to the computing cloud server is unavailable, therefore providing an acceptable level of control and remaining operational when there is no Internet connection. The PID controller is a feedback control loop mechanism that is widely used in industrial control systems and various other applications requiring continuously modulated control. This PID controller continuously calculates the error value as the difference between the setpoint and the measured value of the process variable and applies correction based on proportional, integral and derivative components.
Прогнозирование динамики потребления энергии на контролируемом объекте в течение определенного периода времени осуществляется путем построения линейной регрессии. Модель потребления объекта может включать коэффициенты, полученные в результате регрессионного анализа, которые сопоставляют потребление энергетических ресурсов с одним или несколькими независимыми параметрами. Примеры независимых параметров:Forecasting the dynamics of energy consumption at a controlled object over a certain period of time is carried out by constructing a linear regression. A facility's consumption model may include coefficients derived from regression analysis that relate energy resource consumption to one or more independent parameters. Examples of independent parameters:
• наружная температура;• outside temperature;
• градусо-сутки (показатель, равный произведению разности температуры внутреннего воздуха и средней температуры наружного воздуха за отопительный период на продолжительность отопительного периода);• degree-day (an indicator equal to the product of the difference between the temperature of the internal air and the average temperature of the external air during the heating period and the duration of the heating period);
• продолжительность периода измерений;• duration of the measurement period;
• объем производства;• volume of production;
• занятость помещений;• occupancy of premises;
• режим работы.• operating mode.
Зависимым параметром, который является объектом предсказания модели является энергопотребление объекта.The dependent parameter that is the object of the model's prediction is the energy consumption of the object.
Построение такой модели на примере реального объекта «Ледовая арена» представлено ниже.The construction of such a model using the example of the real Ice Arena object is presented below.
Данные о потреблении энергетических ресурсов и данные о погоде в базовый период фиксировались и анализировались с помощью простой линейной регрессии ежемесячного потребления энергетических ресурсов и мощности от наружной температуры. Energy consumption and weather data during the baseline period were recorded and analyzed using a simple linear regression of monthly energy and power consumption on outdoor temperature.
Предварительный анализ показал прямую взаимосвязь между погодными условиями и показаниями электроэнергии по основным приборам учета и установленным нами дополнительным приборам учета в течение года независимо от сезона. Анализ также показал, что нет значительной зависимости между загруженностью арены и ее потреблением. A preliminary analysis showed a direct relationship between weather conditions and electricity readings from the main metering devices and the additional metering devices we installed throughout the year, regardless of the season. The analysis also showed that there is no significant relationship between arena occupancy and consumption.
Соотношение потребления энергетических ресурсов и наружной температуры было рассчитано, как показано на фиг. 3.The ratio of energy consumption and outdoor temperature was calculated as shown in Fig. 3.
В основе действующих моделей предсказания параметров климата внутри помещения используется архитектура LSTM MISO (Фиг. 2) (разновидность архитектуры рекуррентных нейронных сетей):The current models for predicting indoor climate parameters are based on the LSTM MISO architecture (Fig. 2) (a type of recurrent neural network architecture):
1. Набор входных сигналов: (xi(t-l), xi(t-l+1) … xi(t)).1. Set of input signals: (xi(t-l), xi(t-l+1) ... xi(t)).
2. LSTM слой (N = 200, функция активации=ReLU).2. LSTM layer (N = 200, activation function = ReLU).
3. Повторный слой (N=1).3. Repeat layer (N=1).
4. LSTM слой (N = 200, функция активации=ReLU).4. LSTM layer (N = 200, activation function = ReLU).
5. Слой TimeDistributed (N = 200, функция активации=ReLU).5. TimeDistributed layer (N = 200, activation function = ReLU).
6. Полносвязный слой (N = 1, функция активации=линейная).6. Fully connected layer (N = 1, activation function = linear).
7. Выходной слой: (yi(t+1), yi(t+2) … yi(t+n)).7. Output layer: (yi(t+1), yi(t+2) … yi(t+n)).
В качестве метрики оценки качества используется среднеквадратичная ошибка.The root mean square error is used as a quality assessment metric.
Пример реализации настоящего технического решения при применении его в зале групповых программ фитнес-центра. An example of the implementation of this technical solution when applied in the group program room of a fitness center.
В зале групповых занятий фитнес центра в различных частях помещения располагается 6 различных датчиков температуры. В качестве текущей температуры в помещении, системой принимается среднее значение 6 этих датчиков. Также в зале расположено 5 датчиков движения, на основании показаний которых определяется наличие в помещение посетителей. In the group exercise room of the fitness center, there are 6 different temperature sensors located in different parts of the room. The system takes the average value of 6 of these sensors as the current room temperature. There are also 5 motion sensors in the hall, based on the readings of which the presence of visitors in the room is determined.
В качестве устройств управления в помещении расположены 5 кондиционеров различных типов и различного потребления. Управление ими осуществляется путем выбора одного из 14 заранее настроенных режимов управления (каждый режим представляет из себя комбинацию заранее настроенных программ на этих кондиционерах). Длительность дискретного шага управления составляет 15 минут. Во время обучения модели режимы работы кондиционеров выбираются вручную или же остаются неизменными на протяжении процесса обучения. Во время работы в режиме управления решение о смене режима работы кондиционеров принимается на облачном вычислителе в начале каждого шага tn, на базе предполагаемой оценки следующего шага tn+1. Целевой уровень температуры определяется согласно расписанию занятий в зале, в нерабочие часы целевой уровень температуры задается равным.There are 5 air conditioners of different types and different consumptions located in the room as control devices. They are controlled by selecting one of 14 pre-configured control modes (each mode is a combination of pre-configured programs on these air conditioners). The duration of a discrete control step is 15 minutes. During model training, air conditioner operating modes are selected manually or remain unchanged throughout the training process. While operating in control mode, the decision to change the operating mode of the air conditioners is made on the cloud computer at the beginning of each step tn, based on the estimated estimate of the next step tn+1. The target temperature level is determined according to the class schedule in the hall; during non-working hours, the target temperature level is set equal.
Целью алгоритма является минимизация общих затрат энергии при поддержании температуры на уровне целевой, путем выполнения последовательности действий {a1, a2, . . . , в}. Каждое действие представляет собой режим работы алгоритма. После выполнения действия at-1 в состоянии St-1 объект перейдет в новое состояние St, и алгоритм получит немедленное вознаграждение rt The goal of the algorithm is to minimize the total energy costs while maintaining the temperature at the target level by performing a sequence of actions {a1, a2, . . . , V}. Each action represents a mode of operation of the algorithm. After performing action at-1 in state St-1, the object will move to a new state St, and the algorithm will receive an immediate reward r t
затраты электричества рассчитываются как суммарное потребление кондиционеров за прошедший шаг (15 мин) в кВт*ч, а штраф рассчитывается как сумма отклонений по всем датчикам от целевой температуры.electricity costs are calculated as the total consumption of air conditioners over the past step (15 minutes) in kWh, and the penalty is calculated as the sum of deviations from all sensors from the target temperature.
Максимизация накопительного вознагражденияMaximizing accumulative rewards
где γ ∈ [0, 1] - коэффициент затухания, который контролирует длина окна при максимизации вознаграждения. Используется Q*(st, at), т.е. оптимальное значение, для представления максимального совокупного вознаграждения, которое возможно получить, совершив действие в состоянии st. Q*(st, at) можно рассчитать по уравнению Беллмана. Переход состояния объекта является стохастическим, поскольку на параметры зоны влияют различные возмущения, которые невозможно точно измерить.where γ ∈ [0, 1] is the damping coefficient, which controls the length of the window when maximizing the reward. Q*(st, at) is used, i.e. the optimal value to represent the maximum total reward that can be obtained by performing an action in state st. Q*(st, at) can be calculated using the Bellman equation. The transition of the object's state is stochastic, since the parameters of the zone are affected by various disturbances that cannot be accurately measured.
Обновление оценки стоимости достигается следуя Q-обучению. Qt+1(st,at) = Qt(st, at) + η(rt+1 + γmaxQt(st+1, at+1) − Qt(st, at)) где η ∈ (0, 1] представляет собой скорость обучения оценок значений в процессе обучения. Уравнение должно сходиться к оптимальному значению Q*(st, at) с течением времени.Cost estimate updating is achieved by following Q-learning. Qt+1(st,at) = Qt(st, at) + η(rt+1 + γmaxQt(st+1, at+1) − Qt(st, at)) where η ∈ (0, 1] represents the rate of learning of value estimates during the learning process. The equation should converge to the optimal value Q*(st, at) over time.
Среднеквадратическая ошибка между целевым значением Q и предполагаемым выходом нейронной сети, используемым в качестве функции потерь, где n обозначает количество возможных управляющих воздействий. Параметры (веса) в нейронной сети обновляются методом мини-пакетного градиентного спускаThe root mean square error between the target Q value and the estimated output of the neural network, used as a loss function, where n denotes the number of possible control actions. Parameters (weights) in the neural network are updated using mini-batch gradient descent
w = w − αΔw, w = w − αΔw,
где α − скорость обучения,where α is the learning rate,
В соответствии с процессом обновления Q-обучения целевое значение Q*(st, ait ) в нейронной сети можно оценить при использовании градиентного спуска, где значения Q аппроксимируются нейронной сетью. Q*(st, at) = rt+1 + γ maxQ(st+1, at+1).According to the Q-learning update process, the target value Q*(st, ait ) in the neural network can be estimated by using gradient descent, where the Q values are approximated by the neural network. Q*(st, at) = rt+1 + γ maxQ(st+1, at+1).
В настоящих материалах заявки было представлено предпочтительное раскрытие осуществление заявленного технического решения, которое не должно использоваться как ограничивающее иные, частные воплощения его реализации, которые не выходят за рамки испрашиваемого объема правовой охраны и являются очевидными для специалистов в соответствующей области техники.In these application materials, a preferred disclosure of the implementation of the claimed technical solution was presented, which should not be used as limiting other, private embodiments of its implementation, which do not go beyond the scope of the requested scope of legal protection and are obvious to specialists in the relevant field of technology.
Claims (27)
Publications (2)
| Publication Number | Publication Date |
|---|---|
| RU2022130377A RU2022130377A (en) | 2024-05-23 |
| RU2821067C2 true RU2821067C2 (en) | 2024-06-17 |
Family
ID=
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2523218C1 (en) * | 2013-02-22 | 2014-07-20 | Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования "Кубанский государственный технологический университет" (ФГБОУ ВПО "КубГТУ") | Modified intelligent controller with adaptive critic |
| US20140365017A1 (en) * | 2013-06-05 | 2014-12-11 | Jason Hanna | Methods and systems for optimized hvac operation |
| US20160294185A1 (en) * | 2015-03-31 | 2016-10-06 | Enernoc, Inc. | Energy brown out prediction system |
| CN108758966A (en) * | 2018-06-29 | 2018-11-06 | 广州泰阳能源科技有限公司 | A kind of air-conditioning site monitor of combination PLC and cloud service technology |
| WO2019063079A1 (en) * | 2017-09-28 | 2019-04-04 | Siemens Aktiengesellschaft | System, device and method for energy and comfort optimization in a building automation environment |
| RU2686030C1 (en) * | 2015-07-24 | 2019-04-23 | Дипмайнд Текнолоджиз Лимитед | Continuous control by deep learning and reinforcement |
| CN111780384A (en) * | 2020-06-15 | 2020-10-16 | 上海海悦实业发展有限公司 | Central air-conditioning control system |
| CN114757409A (en) * | 2022-04-08 | 2022-07-15 | 广东电网有限责任公司广州供电局 | Self-adaptive new energy ultra-short term power prediction method and device based on reinforcement learning |
| CN115103562A (en) * | 2022-05-27 | 2022-09-23 | 内蒙古工业大学 | Distributed intelligent control method of data center air conditioner |
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2523218C1 (en) * | 2013-02-22 | 2014-07-20 | Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования "Кубанский государственный технологический университет" (ФГБОУ ВПО "КубГТУ") | Modified intelligent controller with adaptive critic |
| US20140365017A1 (en) * | 2013-06-05 | 2014-12-11 | Jason Hanna | Methods and systems for optimized hvac operation |
| US20160294185A1 (en) * | 2015-03-31 | 2016-10-06 | Enernoc, Inc. | Energy brown out prediction system |
| RU2686030C1 (en) * | 2015-07-24 | 2019-04-23 | Дипмайнд Текнолоджиз Лимитед | Continuous control by deep learning and reinforcement |
| WO2019063079A1 (en) * | 2017-09-28 | 2019-04-04 | Siemens Aktiengesellschaft | System, device and method for energy and comfort optimization in a building automation environment |
| CN108758966A (en) * | 2018-06-29 | 2018-11-06 | 广州泰阳能源科技有限公司 | A kind of air-conditioning site monitor of combination PLC and cloud service technology |
| CN111780384A (en) * | 2020-06-15 | 2020-10-16 | 上海海悦实业发展有限公司 | Central air-conditioning control system |
| CN114757409A (en) * | 2022-04-08 | 2022-07-15 | 广东电网有限责任公司广州供电局 | Self-adaptive new energy ultra-short term power prediction method and device based on reinforcement learning |
| CN115103562A (en) * | 2022-05-27 | 2022-09-23 | 内蒙古工业大学 | Distributed intelligent control method of data center air conditioner |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Gunay et al. | Data analytics to improve building performance: A critical review | |
| Mawson et al. | Deep learning techniques for energy forecasting and condition monitoring in the manufacturing sector | |
| JP6671344B2 (en) | Method and apparatus for operating a smart system for optimizing power consumption | |
| Luo et al. | An operational planning framework for large-scale thermostatically controlled load dispatch | |
| CA2478667C (en) | Automatic energy management and energy consumption reduction, especially in commercial and multi-building systems | |
| US10223167B2 (en) | Discrete resource management | |
| US20160370771A1 (en) | System and method for monitoring and managing the energy efficiency of buildings | |
| JP2020501491A (en) | System and method for dynamic energy storage system control | |
| US20080082183A1 (en) | Building automation system with automated component selection for minimum energy consumption | |
| Ledva et al. | Real-time energy disaggregation of a distribution feeder's demand using online learning | |
| KR101762061B1 (en) | System and method for predicting energy consumption based on cloud | |
| KR20180028583A (en) | A customized electronic power scheduling system for consumer in an environment of intelligent power usage | |
| CN103513632A (en) | Energy management system | |
| Yahya et al. | Short-term electric load forecasting using recurrent neural network (study case of load forecasting in central java and special region of yogyakarta) | |
| Han et al. | A review of reinforcement learning methodologies on control systems for building energy | |
| CN106468467A (en) | A kind of air-conditioning refrigeration duty real-time estimate algorithm being applied to embedded control system | |
| CN117217407A (en) | Method, medium and device for pre-evaluating carbon emission of power system | |
| RU2821067C2 (en) | Power management system | |
| KR20150087986A (en) | Method Prodicting Energy Usage Based on Gaussian Process Modeling | |
| Schachinger et al. | Adaptive learning-based time series prediction framework for building energy management | |
| Biagioni et al. | From model-based to model-free: Learning building control for demand response | |
| Bogdanovs et al. | Intelligence system of building management system for energy efficiency in the test facility | |
| Hou et al. | Cooling load prediction based on the combination of rough set theory and support vector machine | |
| Ledva et al. | Disaggregating load by type from distribution system measurements in real time | |
| Garaza et al. | Impact of occupancy modeling and horizon length on hvac controller efficiency |