针对hvac需求响应的在线优化方案的制作方法
【专利说明】
[0001] 相关美国申请的交叉引用 本申请要求来自2012年10月11日提交的、Lu等人的美国临时申请号61/712, 494 的"ATwo-StageSimulation-BasedOn-LineOptimizationSchemeForHVACDemand Response"的优先权，该申请的全部内容通过引用W其整体被合并于此。
技术领域
[0002] 本公开内容设及针对建筑中加热、通风和空气调节系统的优化方法。
【背景技术】
[0003]针对建筑加热、通风和空气调节（HVAC)系统的在线控制优化对于自动需求响应是 至关重要的。基于仿真的优化技术通常需要密集型计算，即使采用先进优化算法的情况下， 并且因此对于在线决策做出是不可行的。建筑(尤其是具有到大空间的媒介的商业建筑)中 HVAC系统的需求响应（DR)控制策略已被许多团体使用分析、仿真和现场方法所研究。恒溫 器设定点和HVAC设备操作的先进控制已被开发用于减小建筑峰值负荷。建筑自动化系统 的应用实现对HVAC性能数据、负荷状态、天气状况/预报和DR信号的实时评估。它还允许 控制指令的立即或预定执行。因此，响应于建筑动态特性和天气变化的在线控制优化变为 可能。
[0004] 存在用于开发建筑HVAC系统的优化控制策略的两种方法：一种基于仿真，而另一 种尝试直接对优化方程求解。第一种方法依赖于整个建筑仿真引擎。在输入建筑几何结构、 建筑外壳、内部负荷、HVAC系统和天气数据的情况下，仿真引擎可W使用物理或近似方程计 算能量消耗。可W设及各种优化器W便选择优化策略。运个基于仿真的方法可W提供可接 受的准确度，但是需要很多的工程努力W便开发和校准针对每个特定建筑的仿真模型，并 且计算负荷是繁重的。
[0005]第二种方法尝试对建筑能量消耗进行建模，W运样的方式，在给定特定目标函数 和约束的情况下，优化方案可W被直接求解而不需要仿真。运种方法具有如下优点：（〇相 对低的计算负荷，并且因此能够快速响应；（2) -个通用模型可W被应用到不同建筑；W及 (3)如果采用机器学习，则可W随时间改进预测准确度。但是运种方法在建模阶段（由于系 统的复杂性）和在优化阶段（由于非线性和连续-离散性质）二者中都是有挑战的。
【发明内容】
[0006] 如运里描述的本公开的示例性实施例一般地包括针对用于执行基于在线仿真的 HVACDR控制优化的双阶段方案的方法。在根据本公开的实施例的离线阶段中，针对从历史 天气数据识别的天气模式执行计算密集型优化。基于来自离线阶段的结果，可W生成优化 策略库知识基础，其可W包含针对具有高概率的任何每日天气概况的优化DR策略。运个知 识基础将供基于在线仿真的优化使用。在根据本公开的实施例的第二阶段中，针对知识基 础中每个候选策略的仿真评价能够识别最好的策略。本公开的实施例的实验结果示出运个 最好的策略可能是针对计划日的优化HVAC控制策略。在加州大学伯克利分校的Sutardja Dai化11 (社会利益信息技术研究中屯、（UTRIS)的总部)的案例研究中，根据本公开的实施 例的方法在显著更少的仿真评价的情况下可W识别针对所有13个样本日的优化策略。此 夕F，优化策略可W把针对在加州伯克利的通常热的八月日的HVAC峰值负荷减小18%。
[0007] 根据本公开的方面，提供了一种优化建筑的加热、通风和空气调节（HVAC)系统的 需求响应（DR)的计算机实施的方法，包括：针对用于多个天气模式i中每一个的多个DR策 略j中每一个确定HVAC系统的目标函数Fii的值，所述目标函数FIi的值是HVAC系统的能 量消耗和HVAC系统的热舒适度损失的加权总和；给用于每一个天气模式i的接近优化DR 策略j的所选择子集中每一个分配可能性评分（1化elihoodscore)Li,j;W及选择具有大 总体可能性评分L，的那些接近优化DR策略W便创建DR策略的优化策略库，其中可W针对 用于给定天气模式的优化DR策略实时对所述优化策略库进行捜索。
[0008] 根据本公开的另外方面，所述方法包括：执行对用于多个天气模式中每一个的多 个DR策略中每一个的仿真，W便确定HVAC系统的每小时能量使用情况和HVAC系统的每小 时预测不满意百分比（PPD)评分；使用分时电价（timeOfuseprice)模型根据每小时能 量使用情况来计算所述能量消耗；W及通过对在24小时时段内被居用建筑区段的PPD评分 进行求和来计算所述热舒适度损失。
[0009] 根据本公开的另外方面，针对用于多个天气模式中每一个的多个DR策略中每一 个的HVAC系统的所述目标函数Fi,由下式计算：
其中Cl,和U1,分别是能量消耗和热舒适度损失，Cmm和Umm分别是最小能量消耗和热 舒适度损失，Cm。、和Um。、分别是最大能量消耗和热舒适度损失，并且W。和W。是预先确定的相 应能量消耗和热舒适度损失权重。
[0010] 根据本公开的另外方面，确定用于每一个天气模式i的接近优化DR策略j的所选 择子集包括：按照目标函数Fi,的升序（inascendingorder)分类用于每一个天气模式的 DR，其中jk是DR策略的分类列表中的第k个策略；找到用于每一个天气模式的DR;胃，所 述I'是用于天气模式i的所有DR的j的最小值；W及选择那些DR的j，对于预先确定的正 阔值口，针对所述j有.巧，<优巧\
[0011] 根据本公开的另外方面，根据
确定用于每一 个天气模式i的接近优化DR策略jk的所选择子集中每一个的所述可能性评分其中 Ni是用于每一个天气模式i的所选择策略的总数，k=l，2…，N1-1，并且0是预先确定的比 率。
[0012] 根据本公开的另外方面，所述方法包括由下式确定用于所有天气模式的DR策略j 的总体可能性评分L，：
其中I是天气模式的总数，并且Pi是特定日的天气是模式i的概率。
[0013] 根据本公开的另外方面，所述方法包括通过把模式i天数除W所记录的总天数来 估计Pi。
[0014] 根据本发明的另一方面，提供了一种优化建筑的加热、通风和空气调节（HVAC)系 统的需求响应（DR)的计算机实施的方法，方法包括：按照目标函数Fi,值的升序分类用于多 个天气模式i中每一个的多个DRj，其中jk是DR策略的分类列表中的第k个策略；找到用 于每一个天气模式的DR;證，所述I'是用于天气模式i的所有DR的j的最小值；选择那些 DR的j，对于预先确定的正阔值a，针对所述j有巧；W及选择具有大总体可能性评 分L，的那些接近优化DR策略W便创建DR策略的优化策略库，其中可W针对用于给定天气 模式的优化DR策略实时对所述优化策略库进行捜索。
[0015] 根据本公开的另一方面，所述方法包括：把可能性评分分配给用于每一个 天气模式i的接近优化DR策略j的所选择子集中的每一个，其中
并且
，其中Ni是用于每一个天气模式i的所选择策略的总数，k=l，2…，N1-1，并 且P是预先确定的比率。
[0016] 根据本公开的另一方面，所述方法包括：由下式确定用于所有天气模式的DR策略 j的总体可能性评分L，：
其中I是天气模式的总数，并且Pi是特定日的天气是模式i的概率。
[0017] 根据本公开的另一方面，所述方法包括：执行对用于多个天气模式中每一个的多 个DR策略中每一个的仿真，W便确定HVAC系统的每小时能量使用情况和HVAC系统的每小 时预测不满意百分比（PPD)评分；使用分时电价模型根据每小时能量使用情况来计算所述 能量消耗；W及通过对在24小时时段内被居用建筑区段的PPD评分进行求和来计算所述热 舒适度损失。
[0018] 根据本公开的另一方面，针对用于多个天气模式中每一个的多个DR策略中每一 个的HVAC系统的所述目标函数Fi,由下式计算：
其中Cl,和U1,分别是能量消耗和热舒适度损失，Cmm和Umm分别是最小能量消耗和热 舒适度损失，Cm。、和Um。、分别是最大能量消耗和热舒适度损失，并且W。和W。是预先确定的相 应能量消耗和热舒适度损失权重。
[0019] 根据本公开的另一方面，所述方法包括：针对用于多个天气模式i中每一个的多 个DR策略j中每一个确定HVAC系统的目标函数F。的值，所述目标函数F1,的值是HVAC系 统的能量消耗和HVAC系统的热舒适度损失的加权总和。
[0020] 根据本公开的另一方面，提供了一种可由计算机读取的非临时性程序存储装置， 有形地体现指令程序，所述指令程序由计算机执行W便执行用于优化建筑的加热、通风和 空气调节（HVAC)系统的需求响应（DR)的方法步骤。
【附图说明】
[0021] 图1描绘根据本公开的实施例的加州伯克利的八月每日天气模式。
[0022] 图2图示根据本公开的实施例的GTA策略图。
[0023] 图3是根据本公开的实施例的针对双阶段HVAC需求响应优化方案的方法的流程 图。
[0024] 图4图示根据本公开的实施例的简化峰值日价格模型。
[0025] 图5是根据本公开的实施例的通过穷举捜索实施的优化的结果的表格。
[0026] 图6是根据本公开的实施例的GA参数的表格。
[0027] 图7是根据本公开的实施例的天气模式2的GA结果的表格。
[002引图8是根据本公开的实施例的GA成功率和效率的表格。
[0029] 图9是根据本公开的实施例的图示优化和接近优化DR策略选择的表格