用退化影响模型对预测维护系统进行建模的制作方法

用退化影响模型对预测维护系统进行建模
1.相关专利申请的交叉引用
2.本技术要求于2019年8月6日提交的美国临时申请第62/883,508号的权益和优先权。本技术还要求于2020年7月30日提交的美国专利申请第16/943,955号的权益和优先权，所述美国专利申请是于2018年4月13日提交的美国专利申请第15/953,319号的部分延续，所述部分延续要求于2017年4月25日提交的美国临时专利申请第62/489,975号的权益和优先权。美国专利申请第16/943,955号还要求于2019年8月6日提交的美国临时申请第62/883,508号的权益和优先权。这些申请的全部公开内容通过引用并入本文。


背景技术：

3.本公开总体涉及一种使用预测模型来优化hvac设备消耗的能源成本的预测建筑物控制系统。本公开更具体地涉及一种使用神经网络模型来自动地生成关于预测模型的优化的约束条件的建筑物控制系统。


技术实现要素：

4.本公开的一个实施方案是一种建筑物控制系统。所述建筑物控制系统包含一个或多个控制器，所述控制器被配置成在建筑物的第一组环境条件下获得由所述建筑物的一个或多个居住者所提供的舒适度反馈。所述一个或多个控制器还被配置成：基于所述舒适度反馈生成一个或多个阈值，所述阈值定义所述建筑物的环境条件的值的范围，在所述范围内预测所述一个或多个居住者是舒适的；执行受基于所述一个或多个阈值的一个或多个约束条件约束的预测控制过程以生成用于建筑物设备的设定点；并且操作所述建筑物设备以将所述建筑物的所述环境条件朝所述设定点驱动。
5.在一些实施例中，所述舒适度反馈包含所述一个或多个居住者在第一时间段期间所提供的设定点调整。可以响应于所述舒适度反馈(例如，所述设定点调整)将在第二时间段期间满足条件的预测而预测所述一个或多个居住者是舒适的。
6.在一些实施例中，所述舒适度反馈包含所述一个或多个居住者在第一时间段期间通过移动装置所提供的舒适度投票。可以响应于所述舒适度投票将在第二时间段期间满足条件的预测而预测所述一个或多个居住者是舒适的。
7.在一些实施例中，所述一个或多个控制器被配置成使用用所述舒适度反馈和所述建筑物的所述第一组环境条件的对应值训练的神经网络模型预测所述一个或多个居住者在所述环境条件的值下是否舒适。
8.在一些实施例中，所述一个或多个控制器被配置成使用包含用于所述环境条件的值(例如，区域温度值)的输入神经元并且被配置成输出预测舒适度反馈(例如，温度设定点变化)的神经网络生成所述一个或多个阈值。所述一个或多个控制器可以被配置成通过以下来生成所述一个或多个阈值：在所述输入神经元处迭代地应用所述环境条件的多个值以获得与所述环境条件的所述多个值相关联的多个预测设定点变化；根据所述多个值和所述多个舒适度反馈来确定所述舒适度反馈满足条件(例如，所述预测设定点变化为零)的所述
环境条件的最大值和所述舒适度反馈满足所述条件的最小值；以及将所述最大值和所述最小值指定为所述一个或多个阈值。
9.在一些实施例中，所述一个或多个阈包含优化周期中多个时间步的一个或多个时变值。
10.本公开的另一个实施方案是一种方法。所述方法包含：在使建筑物的一个或多个居住者暴露于所述建筑物的第一组环境条件时从所述一个或多个居住者获得舒适度反馈；基于所述舒适度反馈生成一个或多个阈值，所述阈值定义所述建筑物的环境条件的值的范围，在所述范围内预测所述一个或多个居住者是舒适的；以基于所述一个或多个阈值的一个或多个约束为条件执行预测控制过程以生成用于建筑物设备的设定点；以及操作所述建筑物设备以将所述建筑物的所述环境条件朝所述设定点驱动。
11.在一些实施例中，所述舒适度反馈包含所述一个或多个居住者在第一时间段期间所提供的设定点调整。响应于所述设定点调整将在第二时间段期间满足条件的预测而预测所述一个或多个居住者是舒适的。
12.在一些实施例中，所述舒适度反馈包含所述一个或多个居住者在第一时间段期间通过移动装置所提供的舒适度投票。响应于所述舒适度投票将在第二时间段期间满足条件的预测而预测所述一个或多个居住者是舒适的。
13.在一些实施例中，所述方法包含使用用所述舒适度反馈和所述建筑物的所述第一组环境条件的对应值训练的神经网络模型预测所述一个或多个居住者在所述环境条件的值下是否舒适。生成所述一个或多个阈值包含使用包含用于所述环境条件的值的输入神经元并且被配置成输出预测设定点变化的神经网络。
14.在一些实施例中，生成所述一个或多个阈值包含：在所述输入神经元处迭代地应用所述环境条件的多个值以获得与所述环境条件的所述多个值相关联的多个预测设定点变化；根据所述环境条件的所述多个值和所述多个预测设定点变化来确定所述预测设定点变化为零的所述环境条件的最大值和所述预测设定点变化为零的所述环境条件的最小值；以及将所述最大值和所述最小值指定为所述一个或多个阈值。
15.在一些实施例中，所述一个或多个阈值包含优化周期中多个时间步的一个或多个时变值。
16.本公开的另一实施方案是一种非暂时性计算机可读介质，所述非暂时性计算机可读介质存储程序指令，所述程序指令在由一个或多个处理器执行时使所述一个或多个处理器执行特定操作。所述操作包含：在使建筑物的一个或多个居住者暴露于所述建筑物的第一组环境条件时获得由所述一个或多个居住者所提供的舒适度反馈；基于所述舒适度反馈生成一个或多个阈值，所述阈值定义所述建筑物的环境条件的值的范围，在所述范围内预测所述一个或多个居住者是舒适的；执行受基于所述一个或多个阈值的一个或多个约束条件约束的预测控制过程以生成用于建筑物设备的设定点；以及操作所述建筑物设备以将所述建筑物的所述环境条件朝所述设定点驱动。
17.在一些实施例中，所述舒适度反馈包含所述一个或多个居住者在第一时间段期间所提供的设定点调整，并且响应于所述设定点调整将在第二时间段期间满足条件的预测而预测所述一个或多个居住者是舒适的。
18.在一些实施例中，所述舒适度反馈包含所述一个或多个居住者在第一时间段期间
通过移动装置所提供的舒适度投票。可以响应于所述舒适度投票将在第二时间段期间满足条件的预测而预测所述一个或多个居住者是舒适的。
19.在一些实施例中，所述操作包含使用用所述舒适度反馈和所述建筑物的所述第一组环境条件的对应值训练的神经网络模型预测所述一个或多个居住者在所述环境条件的值下是否舒适。在一些实施例中，所述神经网络模型随时间的推移基于另外的反馈进行更新。
20.在一些实施例中，生成所述一个或多个阈值包含使用包含用于所述环境条件的值的输入神经元并且被配置成输出预测设定点变化的神经网络。生成所述一个或多个阈值可以包含：在所述输入神经元处迭代地应用所述环境条件的多个值以获得与所述环境条件的所述多个值相关联的多个设定点变化；根据所述环境条件的所述多个值和所述多个预测设定点变化来确定所述预测设定点变化为零的所述环境条件的最大区域值和所述预测设定点变化为零的所述环境条件的最小值；以及将所述最大值和所述最小值指定为所述一个或多个阈值。在一些实施例中，所述环境条件的所述值是区域温度值，并且所述预测设定点变化是预测温度设定点变化。
附图说明
21.图1是根据一些实施例的配备有hvac系统的建筑物的图。
22.图2是根据一些实施例的可以用于向图1的建筑物提供加热或冷却的水侧系统(例如，总厂)的示意图。
23.图3是根据一些实施例的可以用于向图1的建筑物提供加热或冷却的空气侧系统的框图。
24.图4是根据一些实施例的具有预测控制器的建筑物能源系统的框图。
25.图5是展示根据一些实施例的图4的建筑物能源系统的若干组件的图。
26.图6是更详细地展示根据一些实施例的图4的预测控制器的框图。
27.图7是更详细地展示根据一些实施例的图4的预测控制器的约束条件生成器的框图。
28.图8是根据一些实施例的可以由图7的约束条件生成器生成和使用的卷积神经网络(cnn)模型的图。
29.图9是展示根据一些实施例的区域可以基于在当前mpc算法下操作的固定最小和最大舒适度界限的图。
30.图10是展示根据一些实施例的在图9的最小和最大舒适度界限上将ai与mpc集成的益处的图。
31.图11是根据一些实施例的用于生成在mpc中使用的舒适度约束条件的舒适度控制器。
32.图12是根据一些实施例的用于预测设定点变化的第一神经网络模型的图示。
33.图13是根据一些实施例的用于预测设定点变化的第二神经网络模型的图示。
34.图14是展示根据一些实施例的区域温度的扫描以确定舒适度约束条件的图。
35.图15是根据一些实施例的用于确定每小时舒适度约束条件的过程。
36.图16是根据一些实施例的用于训练神经网络的过程的流程图。
37.图17是根据一些实施例的用于控制建筑物设备以实现居住者的预测舒适度的过程的流程图。
具体实施方式
38.建筑物和hvac系统
39.现在参考图1-3，根据一些实施例，示出了其中可以实施本公开的系统和方法的建筑物和hvac系统。在简要概述中，图1示出了配备有hvac系统100的建筑物10。图2是可以用于服务于建筑物10的水侧系统200的框图。图3是可以用于服务于建筑物10的空气侧系统300的框图。
40.建筑物和hvac系统
41.具体地参考图1，示出了建筑物10的透视图。建筑物10由bms提供服务。bms总体上是一种被配置成控制、监测和管理建筑物或建筑物区域中或周围的设备的装置的系统。bms可以包含例如hvac系统、安全系统、照明系统、火灾警报系统、能够管理建筑物功能或装置的任何其它系统，或其任何组合。
42.服务于建筑物10的bms包含hvac系统100。hvac系统100可以包含多个hvac装置(例如，加热器、冷却器、空气处理单元、泵、风扇、热能储存器等)，所述hvac装置被配置成为建筑物10提供加热、冷却、通风或其它服务。例如，hvac系统100被示出为包含水侧系统120和空气侧系统130。水侧系统120可以向空气侧系统130的空气处理单元提供加热或冷却的流体。空气侧系统130可以使用所述加热或冷却的流体来加热或冷却提供给建筑物10的气流。参考图2-3更详细地描述了可以在hvac系统100中使用的示例性水侧系统和空气侧系统。
43.hvac系统100被示出为包含冷却器102、锅炉104和屋顶空气处理单元(ahu)106。水侧系统120可以使用锅炉104和冷却器102来加热或冷却工作流体(例如，水、乙二醇等)并且可以将工作流体循环到ahu 106。在各个实施例中，水侧系统120的hvac装置可以位于建筑物10中或周围(如在图1中所示出)或位于如总厂(例如，冷却器厂、蒸汽厂、供热厂等)等场外位置。工作流体可以在锅炉104中加热或在冷却器102中冷却，这取决于建筑物10中是需要加热还是需要冷却。锅炉104可以例如通过燃烧可燃材料(例如，天然气)或使用电加热元件来向循环流体添加热量。冷却器102可以使循环流体与热交换器(例如，蒸发器)中的另一种流体(例如，制冷剂)处于热交换关系以从循环流体吸收热量。来自冷却器102和/或锅炉104的工作流体可以通过管道108输送到ahu 106。
44.ahu 106可以使工作流体与穿过ahu 106的气流处于热交换关系(例如，通过一级或多级冷却盘管和/或加热盘管)。气流可以是例如室外空气、来自建筑物10内的返回空气或两者的组合。ahu 106可以在气流与工作流体之间传递热量以为气流提供加热或冷却。例如，ahu 106可以包含一个或多个风扇或鼓风机，所述风扇或鼓风机被配置成使气流穿过或通过含有工作流体的热交换器。然后工作流体可以通过管道110返回到冷却器102或锅炉104。
45.空气侧系统130可以将由ahu 106供应的气流(即，供应气流)通过空气供应导管112输送到建筑物10，并且可以通过空气返回导管114将来自建筑物10的返回空气提供到ahu 106。在一些实施例中，空气侧系统130包含多个可变空气量(vav)单元116。例如，空气侧系统130被示出为在建筑物10的每个楼层或区域包含单独的vav单元116。vav单元116可
以包含风门或其它流量控制元件，所述风门或其它流量控制元件可以经操作以控制提供给建筑物10的单独区域的供应气流的量。在其它实施例中，空气侧系统130将供应气流输送到建筑物10的一个或多个区域(例如，通过供应导管112)，而不使用中间vav单元116或其它流量控制元件。ahu 106可以包含各种传感器(例如，温度传感器、压力传感器等)，所述传感器被配置成测量供应气流的属性。ahu 106可以接收来自位于ahu 106内和/或建筑物区域内的传感器的输入，并且可以通过ahu 106调整供应气流的流速、温度或其它属性以实现建筑物区域的设定点条件。
46.水侧系统
47.现在参考图2，根据一些实施例示出了水侧系统200的框图。在各个实施例中，水侧系统200可以补充或取代hvac系统100中的水侧系统120，或者可以与hvac系统100分开实施。当在hvac系统100中实施时，水侧系统200可以包含hvac系统100中的hvac装置的子集(例如，锅炉104、冷却器102、泵、阀门等)，并且可以操作以向ahu 106供应加热或冷却的流体。水侧系统200的hvac装置可以位于建筑物10内(例如，作为水侧系统120的组件)或者位于如总厂等场外位置处。
48.在图2中，水侧系统200被示出为具有多个分厂202-212的总厂。分厂202-212被示出为包含加热器分厂202、热回收冷却器分厂204、冷却器分厂206、冷却塔分厂208、热热能储存(tes)分厂210和冷热能储存(tes)分厂212。分厂202-212消耗来自公用设施的资源(例如，水、天然气、电等)以服务于建筑物或校园的热能负载(例如，热水、冷水、加热、冷却等)。例如，加热器分厂202可以被配置成加热热水回路214中的水，所述热水回路使热水在加热器分厂202与建筑物10之间循环。冷却器分厂206可以被配置成冷却冷水回路216中的水，所述冷水回路使冷水在冷却器分厂206建筑物10之间循环。热回收冷却器分厂204可以被配置成将热量从冷水回路216传递到热水回路214以为热水提供另外的加热并为冷水提供另外的冷却。冷凝水回路218可以从冷却器分厂206中的冷水中吸收热量并且在冷却塔分厂208中排出所吸收的热量或将所吸收的热量传递到热水回路214。热tes子分厂210和冷tes分厂212可以分别储存热热能和冷热能以供后续使用。
49.热水回路214和冷水回路216可以将加热和/或冷却的水输送到位于建筑物10屋顶的空气处理器(例如，ahu 106)或输送到建筑物10的各个楼层或区域(例如，vav单元116)。空气处理器将空气推动经过热交换器(例如，加热盘管或冷却盘管)，水流过所述热交换器以为空气提供加热或冷却。可以将加热或冷却的空气输送到建筑物10的各个区域以服务于建筑物10的热能负载。然后水返回到分厂202-212以接受进一步的加热或冷却。
50.尽管分厂202-212被示出和描述为加热和冷却用于循环到建筑物的水，但是应当理解，作为水的替代或除了水之外，还可以使用任何其它类型的工作流体(例如，乙二醇、co2等)来服务于热能负载。在其它实施例中，分厂202-212可以直接向建筑物或校园提供加热和/或冷却，而不需要中间传热流体。水侧系统200的这些和其它变化在本公开的教导内。
51.分厂202-212中的每一个分厂可以包含被配置成促进分厂的功能的多种设备。例如，加热器分厂202被示出为包含多个加热元件220(例如，锅炉、电加热器等)，所述加热元件被配置成向热水回路214中的热水添加热量。加热器分厂202还被示出为包含若干个泵222和224，所述泵被配置成使热水在热水回路214中循环并控制热水通过各个加热元件220的流速。冷却器分厂206被示出为包含多个冷却器232，所述冷却器被配置成从冷水回路216
中的冷水中去除热量。冷却器分厂206还被示出为包含若干个泵234和236，所述泵被配置成使冷水在冷水回路216中循环并控制冷水通过各个冷却器232的流速。
52.热回收冷却器分厂204被示出为包含多个热回收热交换器226(例如，制冷回路)，所述热回收热交换器被配置成将热量从冷水回路216传递到热水回路214。热回收冷却器分厂204还被示出为包含若干个泵228和230，所述泵被配置成使热水和/或冷水通过热回收热交换器226循环并且控制水通过各个热回收热交换器226的流速。冷却器分厂208被示出为包含多个冷却塔238，所述冷却塔被配置成从冷凝水回路218中的冷凝水中去除热量。冷却器分厂208还被示出为包含若干个泵240，所述泵被配置成使冷凝水在冷凝水回路218中循环并控制冷凝水通过各个冷却塔238的流速。
53.热tes分厂210被示出为包含热tes罐242，所述热tes罐被配置成储存热水以供以后使用。热tes分厂210还可以包含一个或多个泵或阀门，所述泵或阀门被配置成控制热水流入或流出热tes罐242的流速。冷tes分厂212被示出为包含冷tes罐244，所述冷tes罐被配置成储存冷水以供以后使用。冷tes分厂212还可以包含一个或多个泵或阀门，所述泵或阀门被配置成控制冷水流入或流出冷tes罐244的流速。
54.在一些实施例中，水侧系统200中的泵中的一个或多个泵(例如，泵222、224、228、230、234、236和/或240)或水侧系统200中的管道包含与之相关联的隔离阀。隔离阀可以与泵集成或定位在泵的上游或下游以控制水侧系统200中的流体流动。在各个实施例中，基于水侧系统200的特定配置和水侧系统200所服务的负载类型，水侧系统200可以包含更多、更少或不同类型的装置和/或分厂。
55.空气侧系统
56.现在参考图3，根据一些实施例示出了空气侧系统300的框图。在各个实施例中，空气侧系统300可以补充或替代hvac系统100中的空气侧系统130，或者可以与hvac系统100分开实施。当在hvac系统100中实施时，空气侧系统300可以包含hvac系统100中的hvac装置的子集(例如，ahu 106、vav单元116、导管112-114、风扇、风门等)，并且可以位于建筑物10中或周围。空气侧系统300可以操作以使用由水侧系统200所提供的加热或冷却的流体来加热或冷却提供给建筑物10的气流。
57.在图3中，空气侧系统300被示出为包含节能器型空气处理单元(ahu)302。节能器型ahu可改变空气处理单元用于加热或冷却的室外空气量和返回空气量。例如，ahu 302可以通过返回空气导管308接收来自建筑物区域306的返回空气304，并且可以通过供应空气导管312将供应空气310输送到建筑物区域306。在一些实施例中，ahu 302是位于建筑物10屋顶上的屋顶单元(例如，如在图1中示出的ahu 106)，或者以其它方式定位以接收返回空气304和室外空气314。ahu 302可以被配置成操作排气风门316、混合风门318和室外空气风门320以控制组合以形成供应空气310的室外空气314和返回空气304的量。任何未通过混合风门318的返回空气304均可以作为排气322通过排气风门316从ahu 302排出。
58.风门316-320中的每一个风门均可以由致动器操作。例如，排气风门316可以由致动器324操作，混合风门318可以由致动器326操作，并且室外空气风门320可以由致动器328操作。致动器324-328可以通过通信链路332与ahu控制器330通信。致动器324-328可以从ahu控制器330接收控制信号，并且可以向ahu控制器330提供反馈信号。反馈信号可以包含，例如，对当前致动器或风门位置的指示、由致动器施加的扭矩或力的量、诊断信息(例如，由
致动器324-328执行的诊断测试的结果)、状态信息、调试信息、配置设置、校准数据和/或可以由致动器324-328收集、存储或使用的其它类型的信息或数据。ahu控制器330可以是节能器控制器，所述节能器控制器被配置成使用一个或多个控制算法(例如，基于状态的算法、极值搜索控制(esc)算法、比例积分(pi)控制算法、比例积分微分(pid)控制算法、模型预测控制(mpc)算法、反馈控制算法等)来控制致动器324-328。
59.仍然参考图3，ahu 302被示出为包含定位于供应空气导管312内的冷却盘管334、加热盘管336和风扇338。风扇338可以被配置成迫使供应空气310通过冷却盘管334和/或加热盘管336，并向建筑物区域306提供供应空气310。ahu控制器330可以通过通信链路340与风扇338通信以控制供应空气310的流速。在一些实施例中，ahu控制器330通过调节风扇338的速度来控制施加于供应空气310的加热或冷却量。
60.冷却盘管334可以通过管道342接收来自水侧系统200(例如，来自冷水回路216)的冷却的流体，并且可以通过管道344将冷却的流体返回到水侧系统200。阀门346可以沿管道342或管道344定位以控制通过冷却盘管334的冷却的流体的流速。在一些实施例中，冷却盘管334包含多级冷却盘管，所述多级冷却盘管可以独立地激活和停用(例如，通过ahu控制器330、通过bms控制器366等)以调节施加到供应空气310的冷却量。
61.加热盘管336可以通过管道348接收来自水侧系统200(例如，来自热水回路214)的加热的流体，并且可以通过管道350将加热的流体返回到水侧系统200。阀门352可以沿管道348或管道350定位以控制通过加热盘管336的加热的流体的流速。在一些实施例中，加热盘管336包含多级加热盘管，所述多级加热盘管可以独立地激活和停用(例如，通过ahu控制器330、通过bms控制器366等)以调节施加到供应空气310的加热量。
62.阀门346和352中的每一个阀门均可以由致动器控制。例如，阀门346可以由致动器354控制，并且阀门352可以由致动器356控制。致动器354-356可以通过通信链路358-360与ahu控制器330通信。致动器354-356可以从ahu控制器330接收控制信号，并且可以向控制器330提供反馈信号。在一些实施例中，ahu控制器330从定位于供应空气管道312中(例如，冷却盘管334和/或加热盘管336的下游)的温度传感器362接收供应空气温度的测量。ahu控制器330还可以从位于建筑物区域306中的温度传感器364接收建筑物区域306的温度的测量。
63.在一些实施例中，ahu控制器330通过致动器354-356操作阀门346和352以调节提供给供应空气310的加热或冷却量(例如，以实现供应空气310的设定点温度或将供应空气310的温度维持在设定点温度范围内)。阀门346和352的位置影响通过冷却盘管334或加热盘管336提供给供应空气310的加热或冷却量，并且可以与为实现期望的供应空气温度所消耗的能量的量相关。ahu 330可以通过激活或停用盘管334-336、调节风扇338的速度或两者的组合来控制供应空气310和/或建筑物区域306的温度。
64.仍然参考图3，空气侧系统300被示出为包含建筑物管理系统(bms)控制器366和客户端装置368。bms控制器366可以包含一个或多个计算机系统(例如，服务器、监督控制器、子系统控制器等)，所述计算机系统用作空气侧系统300、水侧系统200、hvac系统100和/或服务于建筑物10的其它可控系统的系统级控制器、应用或数据服务器、头节点或主控制器。bms控制器366可以根据类似或不同的协议(例如，lon、bacnet等)，通过通信链路370与多个下游建筑物系统或子系统(例如，hvac系统100、安全系统、照明系统、水侧系统200等)通信。在各个实施例中，ahu控制器330和bms控制器366可以是单独的(如在图3中示出)或集成的。
在集成实施方案中，ahu控制器330可以是被配置成由bms控制器366的处理器执行的软件模块。
65.在一些实施例中，ahu控制器330从bms控制器366接收信息(例如，命令、设定点、操作边界等)，并且向bms控制器366提供信息(例如，温度测量、阀门或致动器位置、操作状态、诊断等)。例如，ahu控制器330可以向bms控制器366提供来自温度传感器362-364的温度测量、设备开/关状态、设备操作能力和/或可以由bms控制器366使用以监测或控制建筑物区域306内的可变状态或条件的任何其它信息。
66.客户端装置368可以包含一个或多个人机界面或客户端界面(例如，图形用户界面、报告界面、基于文本的计算机界面、面向客户端的web服务、向web客户端提供页面的web服务器等)，以用于控制、查看或以其它方式与hvac系统100、其子系统和/或装置进行交互。客户端装置368可以是计算机工作站、客户端终端、远程或本地界面，或任何其它类型的用户界面装置。客户端装置368可以是固定终端或移动装置。例如，客户端装置368可以是台式计算机、具有用户界面的计算机服务器、膝上型计算机、平板电脑、智能手机、pda或任何其它类型的移动或非移动装置。客户端装置368可以通过通信链路372与bms控制器366和/或ahu控制器330通信。
67.具有预测控制的建筑物能源系统
68.现在参考图4-5，根据一些实施例，示出了具有预测控制的建筑物能源系统400。系统400中示出的若干个组件可以是hvac系统100、水侧系统200和/或空气侧系统300的一部分，如参考图1-3所述。例如，系统400被示出为包含校园402，所述校园包含一个或多个建筑物404和总厂406。建筑物404可以包含被配置成服务于建筑物404的各种建筑物设备(例如，hvac设备)中的任何一种。例如，建筑物404可以包含一个或多个空气处理单元、屋顶单元、冷却器、锅炉、可变制冷剂流量(vrf)系统，或可操作以向建筑物404提供加热或冷却的其它hvac设备。总厂406可以包含水侧系统200的一些或全部组件(例如，加热器分厂202、热回收冷却器分厂204、冷却器分厂206、冷却塔分厂208、热热能储存(tes)分厂210和冷热能储存(tes)分厂212等)。总厂406的设备(例如，水侧设备)可以与建筑物404的设备(例如，空气侧设备)组合使用以为建筑物404提供加热或冷却。
69.校园402可以由若干不同的电源供电，所述电源包含能源网412、电池414和绿色能源发电408。能源网412可以包含由电力公用事业操作的电网。由能源网412提供的功率被示出为p
grid
。绿色能源发电408可以包含使用可再生能源(即，绿色能源)产生能量的任何系统或装置。例如，绿色能源发电408可以包含光伏场、风力涡轮机阵列、水力发电机、地热发电机或收集和/或产生绿色能源以供系统400使用的任何其它类型的设备或系统。由绿色能源发电408提供的功率被示出为p
green
。电池414可以被配置成储存和释放电能(即，由能源网412和/或绿色能源发电408提供的电力)。由电池414提供的功率被示出为p
bat
，如果电池414正在放电，则所述p
bat
可以为正；或者如果电池414正在充电，则所述p
bat
可以为负。
70.电池功率逆变器416可以被配置成在直流电(dc)与交流电(ac)之间转换电力。例如，电池414可以被配置成储存和输出dc功率，而能源网412和校园402可以被配置成消耗和提供ac功率。电池功率逆变器416可以用于将来自电池414的dc功率转换成与能源网412和/或校园402的电网频率同步的正弦ac输出。电池功率逆变器416还可以用于将来自能源网412的ac功率转换成可以储存在电池414中的dc功率。电池414的功率输出被示出为p
bat
。如
果电池414正在向功率逆变器416提供功率(即，电池414正在放电)，则p
bat
可以为正；或者如果电池414正在从功率逆变器416接收功率(即，电池414正在充电)，则p
bat
可以为负。
71.绿色功率逆变器418也可以被配置成在直流电(dc)与交流电(ac)之间转换电力。例如，绿色能源发电408可以被配置成产生dc功率，而校园402可以被配置成消耗ac功率。绿色功率逆变器418可以用于将来自绿色能源发电408的dc功率转换成与能源网412和/或校园402的电网频率同步的正弦ac输出。
72.在一些情况下，功率逆变器416-418接收来自电池414和/或绿色能源发电408的dc功率输出，并将dc功率输出转换成可以提供给校园402的ac功率输出。功率逆变器416-418可以使用本机振荡器使ac功率输出的频率与能源网412的频率(例如，50hz或60hz)同步，并且可以将ac功率输出的电压限制为不高于电网电压。在一些实施例中，功率逆变器416-418是谐振逆变器，所述谐振逆变器包含或使用lc电路从简单方波中去除谐波，以实现与能源网412的频率匹配的正弦波。在各个实施例中，功率逆变器416-418可以使用高频变压器、低频变压器或不使用变压器来操作。低频变压器可以将来自电池414或绿色能源发电408的dc输出直接转换为提供给校园402的ac输出。高频变压器可以采用多步骤过程，所述多步骤过程涉及将dc输出转换为高频ac，然后再转换回dc，并且最后再转换为提供给校园402的ac输出。
73.互连点(poi)410是校园402、能源网412和功率逆变器416-418电连接的点。从电池功率逆变器416供应给poi 410的功率被示出为p
bat
。如果电池功率逆变器416正在向poi 410提供功率(即，电池414正在放电)，则p
bat
可以为正；或者如果电池功率逆变器416正在从poi 410接收功率(即，电池414正在充电)，则p
bat
可以为负。从能源网412供应给poi 410的功率被示出为p
grid
，并且从绿色功率逆变器418供应给poi 410的功率被示出为p
green
。p
bat
、p
green
和p
grid
在poi 410处组合以形成p
campus
(即，p
campus
＝p
grid
+p
bat
+p
green
)。p
campus
可以定义为从poi 410提供给校园402的功率。在一些情况下，p
campus
大于p
grid
。例如，当电池414正在放电时，p
bat
可以为正，当p
bat
和p
grid
在poi 410处组合时，所述p
bat
会增加电网功率pg
rid
。类似地，当绿色能源发电408向poi 410提供功率时，p
green
可以为正，当p
green
和p
grid
在poi 410处组合时，所述p
green
会增加电网功率p
grid
。在其它情况下，p
campus
可能小于p
grid
。例如，当电池414正在充电时，p
bat
可以为负，当p
bat
和p
grid
在poi 410处组合时，所述p
bat
从电网功率p
grid
中减去。
74.预测控制器420可以被配置成控制校园402的设备和电池功率逆变器416以优化加热或冷却建筑物404的经济成本。在一些实施例中，预测控制器420生成电池功率设定点p
sp，bat
并将其提供给电池功率逆变器416。电池功率设定点p
sp，bat
可以包含正功率值或负功率值(例如，kw)，所述功率值使电池功率逆变器416使用在poi 410处的可用功率对电池414充电(当p
sp，bat
为负时)，或者使电池414放电(当p
sp，bat
为正时)以向poi410提供功率，以实现电池功率设定点p
sp，bat
。
75.在一些实施例中，预测控制器420生成控制信号并将所述控制信号提供给校园402。预测控制器420可以使用多级优化技术来生成控制信号。例如，预测控制器420可以包含经济控制器，所述经济控制器被配置成在优化周期期间的每个时间步处确定校园402所要消耗的最佳功率量。所要消耗的最佳功率量可以使成本函数最小化，所述成本函数考虑了建筑物404和/或总厂406的设备所消耗的能源成本。能源成本可以基于时变能源价格，所
述能源价格定义了在不同时间从能源网412购买电力的成本。在一些实施例中，预测控制器420在多个时间步中的每个时间步处确定从能源网412购买的最佳功率量(即，电网功率设定点p
sp，grid
)和储存到电池414或从所述电池释放的最佳功率量(即，电池功率设定点p
sp，bat
)。在一些实施例中，预测控制器420确定校园402的每个子系统或装置(例如，总厂406的每个分厂、建筑物设备的每个装置等)的最佳功率设定点。预测控制器420可以监测校园402的实际功率使用量，并且可以在生成最佳功率设定点时将实际功率使用量作为反馈信号。
76.预测控制器420可以包含跟踪控制器，所述跟踪控制器被配置成生成在每个时间步处实现最佳功耗量的温度设定点(例如，区域温度设定点t
sp，rzone
、供应空气温度设定点t
sp，sa
等)。在一些实施例中，预测控制器420使用建筑物404和校园402的设备的设备模型来确定可以由此类设备基于最佳功耗量产生的加热量或冷却量。预测控制器420可以结合来自气象服务的天气预报使用区域温度模型来预测建筑物区域的温度t
zone
将如何基于功率设定点和/或温度设定点改变。
77.在一些实施例中，预测控制器420使用温度设定点来生成用于建筑物404和校园402的设备的控制信号。控制信号可以包含开/关命令、风扇的速度设定点、致动器和阀门的位置设定点，或校园402的各个装置的其它操作命令。在其它实施例中，控制信号可以包含由预测控制器420产生的温度设定点(例如，区域温度设定点t
sp，zone
、供应空气温度设定点t
sp，sa
等)。可以将温度设定点提供给校园402或校园402的本地控制器，所述本地控制器操作以实现温度设定点。例如，建筑物404内的ahu风扇的本地控制器可以接收来自供应空气温度传感器的供应空气温度t
sa
的测量值和/或来自区域温度传感器的区域温度t
zone
的测量值。本地控制器可以使用反馈控制过程(例如，pid、esc、mpc等)来调整ahu风扇的速度，以将测得的温度驱动到温度设定点。类似的反馈控制过程可以用于控制致动器和阀门的位置。参考图6更详细地描述了由预测控制器420执行的多级优化。
78.预测控制器
79.现在参考图6，根据示例性实施例，更详细地示出了展示预测控制器420的框图。预测控制器420被示出为包含通信接口602和处理电路604。通信接口602可以促进预测控制器420与外部系统或装置之间的通信。例如，通信接口602可以接收来自区域温度传感器622的区域温度t
zone
的测量值和校园402的功率使用量的测量值。在一些实施例中，通信接口602接收电池414的荷电状态(soc)的测量值，所述测量值可以以最大电池容量的百分比(即，电池％)的形式提供。类似地，通信接口602可以接收对由绿色能源发电408产生的功率量的指示，所述指示可以以最大绿色发电的百分比(即，绿色％)的形式提供。通信接口602可以接收来自气象服务618的天气预报和来自电力公用事业616的预测能源成本和需求成本。在一些实施例中，预测控制器420使用通信接口602来提供控制信号校园402和电池功率逆变器416。
80.通信接口602可以包含用于与外部系统或装置进行数据通信的有线或无线通信接口(例如，插孔、天线、发射器、接收器、收发器、接线端子等)。在各个实施例中，通信可以是直接通信(例如，本地有线或无线通信)或者通过通信网络(例如，wan、因特网、蜂窝网络等)进行。例如，通信接口602可以包含用于通过基于以太网的通信链路或网络发送和接收数据的以太网卡和端口。在另一实例中，通信接口602可以包含用于通过无线通信网络或蜂窝或
移动电话通信收发器进行通信的wifi收发器。
81.处理电路604被示出为包含处理器606和存储器608。处理器606可以是通用或专用处理器、专用集成电路(asic)、一个或多个现场可编程门阵列(fpga)、一组处理组件或其它合适的处理组件。处理器606被配置成执行存储在存储器608中或从其它计算机可读介质(例如，cdrom、网络存储设备、远程服务器等)接收的计算机代码或指令。
82.存储器608可以包含一个或多个装置(例如，存储器单元、存储器装置、存储装置等)，以用于存储数据和/或计算机代码以用于完成和/或促进本公开中所描述的各个过程。存储器608可以包含随机存取存储器(ram)、只读存储器(rom)、硬盘驱动器存储设备、暂时存储设备、非易失性存储器、闪速存储器、光学存储器或用于存储软件对象和/或计算机指令的任何其它合适的存储器。存储器608可以包含用于支持本公开中所描述的各种活动和信息结构的数据库组件、目标代码组件、脚本组件或任何其它类型的信息结构。存储器608可以通过处理电路604可通信地连接到处理器606并且可以包含用于执行(例如，通过处理器606)本文所描述的一个或多个过程的计算机代码。当处理器606执行存储在存储器608中的指令以完成本文所描述的各种活动时，处理器606通常配置预测控制器420(并且更具体地处理电路604)以完成此类活动。
83.仍然参考图6，预测控制器420被示出为包含经济控制器610、跟踪控制器612和设备控制器614。控制器610-614可以被配置成执行多状态优化过程以产生用于动力电池功率逆变器416和校园402的控制信号。简而言之，经济控制器610可以优化预测成本函数以在优化周期的每个时间步处确定从能源网412购买的最佳功率量(即，电网功率设定点p
sp，grid
)、储存到电池414或从所述电池释放的最佳功率量(即，电池功率设定点p
sp，bat
)，和/或由校园402所消耗的最佳功率量(即，校园功率设定点p
sp，campus
)。跟踪控制器612可以使用最佳功率设定点p
sp，grid
、p
sp，bat
和/或p
sp，campus
以确定最佳温度设定点(例如，区域温度设定点t
sp，zone
、供应空气温度设定点t
sp，sa
等)和最佳电池充电或放电速率(即，bat
c/d
)。设备控制器614可以使用最佳温度设定点t
sp，zone
或t
sp，sa
来产生用于校园402的控制信号，所述控制信号将实际(例如，测得的)温度t
zone
和/或t
sa
驱动到设定点(例如，使用反馈控制技术)。下问详细描述控制器610-614中的每一个控制器。
84.经济控制器
85.经济控制器610可以被配置成优化预测成本函数以在优化周期的每个时间步处确定从能源网412购买的最佳功率量(即，电网功率设定点p
sp，grid
)、储存到电池414或从所述电池释放的最佳功率量(即，电池功率设定点p
sp，bat
)，和/或由校园402所消耗的最佳功率量(即，校园功率设定点p
sp，campus
)。可以由经济控制器610优化的预测成本函数的实例在以下等式中示出：
[0086][0087][0088]
其中c
ec
(k)是在时间步k期间从能源网412购买的每单位电力的成本(例如，$/
kwh)，p
cpo
(k)是总厂406时间步k的总功耗(例如，kw)，p
rtu
(k)是在时间步k期间建筑物404的rtu的总功耗，p
vrf
(k)是在时间步k期间用于服务于建筑物404的vrf系统的总功耗，p
ahu
(k)是在时间步k期间建筑物404的ahu的总功耗，c
dc
是需量电费率(例如，$/kw)，max()项选择在优化周期的任何时间步k期间的p
grid
(k)的最大值，p
bat
(k)是在时间步k期间从电池414释放的功率量，并且δt是每个时间步k的持续时间。经济控制器610可以在优化周期的持续时间内(例如，从时间步k＝1到时间步k＝h)优化预测成本函数j，以在优化周期的持续时间内预测加热或冷却校园402的总成本。
[0089]
预测成本函数j的第一项表示总厂406在优化周期的持续时间内所消耗的电力成本。每个时间步k处的参数c
ec
(k)的值可以由电力公用事业616所提供的能源成本信息来定义。在一些实施例中，电力成本随时间而变化，这导致在不同的时间步k处c
ec
(k)的值不同。变量p
cpo
(k)是可以由经济控制器610优化的决策变量。在一些实施例中，p
cpo
(k)是p
campus
的分量(例如，p
campus
＝p
cpo
+p
rtu
+p
vrf
+p
ahu
)。在一些实施例中，p
cpo
(k)是总厂406的每个分厂的功耗的总和(例如，p
cpo
＝p
chillersubplan
t+p
hrcsubplant
+p
heatersubplant
)。
[0090]
在一些实施例中，经济控制器610使用总厂406的一个或多个分厂曲线来将p
cpo
的值与总厂406的产量(例如，热水产量、冷却水产量等)相关联。例如，如果冷却器分厂206用于产生冷却流体，则冷却器分厂206的分厂曲线可以用于对冷却器分厂206的性能进行建模。在一些实施例中，分厂曲线定义了冷却器分厂206的输入资源与输出资源之间的关系。例如，冷却器分厂206的分厂曲线可以将冷却器分厂206的电力消耗(例如，kw)定义为由冷却器分厂206所提供的冷却量(例如，吨)的函数。经济控制器610可以使用冷却器分厂206的分厂曲线来确定对应于给定冷却量(吨)的电力消耗量(kw)。类似的分厂曲线可以用于对总厂406的其它分厂的性能进行建模。于2015年2月27日提交的美国专利申请第14/634,609号中更详细地描述了经济控制器610可以使用的分厂曲线的若干实例，所述美国专利申请的全部公开内容通过引用并入本文。
[0091]
预测成本函数j的第二、第三和第四项表示建筑物404的设备所消耗的电力成本。例如，预测成本函数j的第二项表示建筑物404的一个或多个ahu所消耗的电力成本。预测成本函数j的第三项表示建筑物404的vrf系统所消耗的电力成本。预测成本函数j的第四项表示建筑物404的一个或多个rtu所消耗的电力成本。在一些实施例中，经济控制器610使用设备性能曲线来将功耗p
rtu
、p
vrf
和p
ahu
建模为建筑物404的相应设备所提供的加热或冷却量的函数。设备性能曲线可以类似于分厂曲线，因为其定义了系统或装置上的加热或冷却负载与所述系统或装置的功耗之间的关系。经济控制器610可以使用分厂曲线和设备性能曲线来对预测成本函数j施加约束条件。
[0092]
预测成本函数j的第五项表示需量电费。需量电费是一些公用事业提供商基于适用的需量电费周期期间的最大功耗而征收的另外的费用。例如，需量电费率c
dc
可以以每单位功率的美元(例如，$/kw)来指定，并且可以乘以需量电费周期期间的峰值功率使用量(例如，kw)来计算需量电费。在预测成本函数j中，需量电费率c
dc
可以由从电力公用事业616接收的需求成本信息来定义。变量p
grid
(k)是可以由经济控制器610优化以减少在需量电费周期期间出现的峰值功率使用量max(p
grid
(k))的决策变量。当校园402的功耗低时，负载转移可以允许经济控制器610通过在电池414中储存能量来使校园402的电力需求的瞬时峰值平滑。当校园402的功耗高时，可以从电池414释放储存的能量，以减少来自能源网412的峰值
功率汲取p
grid
，由此减少所产生的需量电费。
[0093]
预测成本函数j的最后一项表示因使用电池414而节省的成本。与成本函数j中的前几项不同，最后一项从总成本中减去。每个时间步k处的参数c
ec
(k)的值可以由电力公用事业616所提供的能源成本信息来定义。在一些实施例中，电力成本随时间而变化，这导致在不同的时间步k处c
ec
(k)的值不同。变量p
bat
(k)是可以由经济控制器610优化的决策变量。p
bat
(k)的正值表明电池414正在放电，而p
bat
(k)的负值表明电池414正在充电。从电池414p
bat
(k)释放的功率可以用于满足校园402的一些或全部总功耗p
total
(k)，这减少了从能源网412购买的功率量p
grid
(k)(即，p
grid
(k)＝p
total
(k)-p
bat
(k)-p
green
(k))。然而，对电池414充电会使p
bat
(k)的值为负，这会增加从能源网412购买的总功率量p
grid
(k)。
[0094]
在一些实施例中，由绿色能源发电408所提供的功率p
green
不包含在预测成本函数j中，因为产生绿色功率不会产生成本。然而，绿色能源发电408产生的功率p
green
可以用于满足校园402的一些或全部总功耗p
campus
(k)，这减少了从能源网412购买的功率量p
grid
(k)(即，p
grid
(k)＝p
campus
(k)-p
bat
(k)-p
green
(k))。经济控制器610可以预测在任何时间步k期间产生的绿色功率p
green
的量。在美国专利申请第15/247,869号、美国专利申请第15/247,844号和美国专利申请第15/247,788号中描述了用于预测由绿色能源发电408产生的绿色功率的量的若干种技术。这些专利申请中的每一个都具有2016年8月25日的提交日期，并且这些专利申请中的每一个的全部公开内容通过引用并入本文。
[0095]
经济控制器610可以在优化周期的持续时间内优化预测成本函数j，以确定优化周期期间每个时间步处的决策变量的最佳值。在一些实施例中，优化周期具有大约一天的持续时间并且每个时间步大约是十五分钟。然而，优化周期的持续时间和时间步在其它实施例中可以变化并且可以由用户调整。有利地，当能源价格低和/或当校园402所消耗的功率低时，经济控制器610可以使用电池414通过从能源网412汲取电力来执行负载转移。电力可以储存在电池414中，然后在能源价格高和/或校园402的功耗高时放电。这使得经济控制器610能够降低校园402所消耗的电力成本并且可以使校园402的电力需求中的瞬时峰值平滑，由此减少所产生的需量电费。
[0096]
经济控制器610可以被配置成对预测成本函数j的优化施加约束条件。在一些实施例中，经济控制器610被配置成优化受一组等式约束条件和不等式约束条件约束的预测成本函数j。例如，经济控制器610执行的优化可以通过以下等式来描述：
[0097]
minj(x)，受ax≤b，hx＝g约束
[0098]
其中x是预测成本函数j中决策变量(例如，p
cpo
、p
rtu
、p
vrf
、p
ahu
、p
grid
、p
bat
等)的矩阵，a和b(分别)是描述关于优化问题的不等式约束条件的矩阵和矢量，并且h和g(分别)是描述关于优化问题的等式约束条件的矩阵和矢量。不等式约束条件和等式约束条件可以由下文更详细地描述的约束条件生成器620生成。
[0099]
在一些实施例中，决策变量的矩阵x具有以下形式：
[0100]
x＝[p
cpo，1...h
，p
rtu，1...h
，p
vrf，1...h
，p
ahu，1...h
，p
grid，1...h p
bat，1...h
]
t
[0101]
其中p
cpo，1...h
、p
rtu，1
…h、p
vrf，1...h
、p
ahu，1...h
、p
grid，1...h
和p
bat，1...h
是h维矢量，其表示以下的功耗：总厂406、建筑物404的一个或多个rtu、建筑物404的vrf系统、建筑物404的一个或多个ahu、从能源网412购买的功率、以及在优化周期的h个时间步中的每个时间步处储存到电池414或从所述电池释放的功率。
[0102]
经济控制器610可以优化受所述约束条件约束的预测成本函数j，以确定决策变量p
cpo
、p
rtu
、p
vrf
、p
ahu
、p
grid
和p
bat
的最佳值，其中p
campus
＝p
bat
+p
grid
+p
green
。在一些实施例中，经济控制器610使用p
campus
、p
bat
和/或p
grid
的最佳值来生成用于跟踪控制器612的功率设定点。功率设定点可以包含在优化周期中的每个时间步k的电池功率设定点p
sp，bat
、电网功率设定点p
sp，grid
、总厂功率设定点p
sp，cpo
、ahu功率设定点p
sp，ahu
、vrf功率设定点p
sp，vrf
、rtu功率设定点p
sp，rtu
和/或总厂406的每个分厂的功率设定点。经济控制器610可以向跟踪控制器612提供功率设定点。
[0103]
跟踪控制器
[0104]
跟踪控制器612可以使用由经济控制器610产生的最佳功率设定点(例如，p
sp，bat
、p
sp，grid
、p
sp，cpo
、p
sp，ahu
、p
sp，vrf
、p
sp，rtu
、p
sp，campus
等)来确定最佳温度设定点(例如，区域温度设定点t
sp，zone
、供应空气温度设定点t
sp，sa
等)和最佳电池充电或放电速率(即，bat
c/d
)。在一些实施例中，跟踪控制器612产生被预测为实现校园402的功率设定点(例如，p
sp，cpo
、p
sp，ahu
、p
sp，vrf
、s
p，rtu
、p
sp，campus
)的区域温度设定点t
sp，zone
和/或供应空气温度设定点t
sp，sa
。换言之，跟踪控制器612可以产生使校园402消耗由经济控制器610确定的最佳功率量p
campus
的区域温度设定点t
sp，zone
和/或供应空气温度设定点t
sp，sa
。
[0105]
在一些实施例中，跟踪控制器612使用功耗模型将校园402的功耗与区域温度t
zone
和区域温度设定点t
sp，zone
相关联。例如，跟踪控制器612可以使用设备控制器614的模型来确定由设备控制器614执行的作为区域温度t
zone
和区域温度设定点t
sp，zone
的函数的控制动作。以下等式中示出了此类区域调节控制器模型的实例：
[0106]vair
＝f3(t
zone
，t
sp，zone
)
[0107]
其中v
air
是流向建筑物区域的气流速率(即，控制动作)。区域调节控制器模型可以由约束条件生成器620生成并且作为关于优化问题的约束条件来实施。
[0108]
在一些实施例中，v
air
取决于用于向建筑物404提供气流的ahu或rtu的风扇的速度，并且可以是p
ahu
或p
rtu
的函数。跟踪控制器612可以使用ahu或rtu的设备模型或制造商规格将v
air
转换成对应的功耗值p
ahu
或p
rtu
。因此，跟踪控制器612可以将校园402的功耗p
campus
定义为区域温度t
zone
和区域温度设定点t
sp，zone
的函数。此类模型的实例在以下等式中示出：
[0109]
p
campus
＝f4(t
zone
，t
sp，zone
)
[0110]
函数f4可以从数据中识别出来。例如，跟踪控制器612可以收集p
campus
和t
zone
的测量值并识别t
sp，zone
的对应值。跟踪控制器612可以使用p
campus
、t
zone
和t
sp，zone
的收集的值作为训练数据来执行系统识别过程，以确定定义此类变量之间关系的函数f4。区域温度模型可以由约束条件生成器620生成并且作为关于优化问题的约束条件来实施。
[0111]
跟踪控制器612可以使用类似的模型来确定校园402的总功耗p
campus
与供应空气温度设定点t
sp，sa
之间的关系。例如，跟踪控制器612可以将校园402的功耗p
campus
定义为区域温度t
zone
和供应空气温度设定点t
sp，zone
的函数。此类模型的实例在以下等式中示出：
[0112]
p
campus
＝f5(t
zone
，t
sp，sa
)
[0113]
函数f5可以从数据中识别出来。例如，跟踪控制器612可以收集p
campus
和t
zone
的测量值并识别t
sp，sa
的对应值。跟踪控制器612可以使用p
campus
、t
zone
和t
sp，sa
的收集的值作为训练数据来执行系统识别过程，以确定定义此类变量之间关系的函数f5。功耗模型可以由约束条件生成器620生成并且作为关于优化问题的约束条件来实施。
[0114]
跟踪控制器612可以使用p
campus
、t
sp，zone
和t
sp，sa
之间的关系来确定t
sp，zone
和t
sp，sa
的值。例如，跟踪控制器612可以接收p
campus
的值作为来自经济控制器610的输入(即，p
sp，campus
)并且可以使用p
campus
的值来确定t
sp，zone
和t
sp，sa
的对应值。跟踪控制器612可以将t
sp，zone
和t
sp，sa
的值作为输出提供给设备控制器614。
[0115]
在一些实施例中，跟踪控制器612使用电池功率设定点p
sp，bat
来确定对电池414进行充电或放电的最佳速率bat
c/d
。例如，电池功率设定点p
sp，bat
可以定义功率值(kw)，所述功率值可以由跟踪控制器612转换成用于电池功率逆变器416和/或设备控制器614的控制信号。在其它实施例中，电池功率设定点p
sp，bat
直接提供给电池功率逆变器416并且由电池功率逆变器416用来控制电池功率p
bat
。
[0116]
设备控制器
[0117]
设备控制器614可以使用由跟踪控制器612生成的最佳温度设定点t
sp，zone
或t
sp，sa
来生成用于校园402的控制信号。由设备控制器614生成的控制信号可以将实际(例如，测得的)温度t
zone
和/或t
sa
驱动到设定点。设备控制器614可以使用多种控制技术中的任何一种来生成用于校园402的控制信号。例如，设备控制器614可以使用基于状态的算法、极值搜索控制(esc)算法、比例积分(pi)控制算法、比例积分微分(pid)控制算法、模型预测控制(mpc)算法或其它反馈控制算法来生成用于校园402的控制信号。
[0118]
控制信号可以包含开/关命令、风扇或压缩机的速度设定点、致动器和阀门的位置设定点、或建筑物设备和/或总厂设备的各个装置的其它操作命令。在一些实施例中，设备控制器614使用反馈控制技术(例如，pid、esc、mpc等)来调整总厂406的操作以将测得的温度t
zone
和/或t
sa
驱动到温度设定点t
sp，zone
和/或t
sp，sa
。类似地，设备控制器614可以使用反馈控制技术来控制建筑物404的设备(例如，ahu、rtu、vrf设备等)以将测得的温度t
zone
和/或t
sa
驱动到温度设定点t
sp，zone
和/或t
sp，sa
。设备控制器614可以向校园402的设备提供控制信号以控制此类设备的操作，由此使校园402的设备影响区域温度t
zone
和/或供应空气温度t
sa
。
[0119]
在一些实施例中，设备控制器614被配置成向电池功率逆变器416提供控制信号。提供给电池功率逆变器416的控制信号可以包含电池功率设定点p
sp，bat
和/或最佳充电/放电速率bat
c/d
。设备控制器614可以被配置成操作电池功率逆变器416以实现电池功率设定点p
sp，bat
。例如，设备控制器614可以使电池功率逆变器416根据电池功率设定点p
sp，bat
对电池414充电或使电池414放电。
[0120]
约束条件生成器
[0121]
仍然参考图6，预测控制器420被示出为包含约束条件生成器620。约束条件生成器620可以被配置成生成约束条件并对由经济控制器610和跟踪控制器612执行的优化过程施加约束条件。例如，约束条件生成器620可以对由经济控制器610执行的预测成本函数j的优化施加不等式约束条件和等式约束条件，以生成最佳功率设定点。约束条件生成器620还可以对由跟踪控制器612执行的优化施加约束条件以生成最佳温度设定点。
[0122]
在一些实施例中，由约束条件生成器620生成的约束条件包含关于建筑物404的温度t
zone
的约束条件。约束条件生成器620可以被配置成生成约束条件，所述约束条件要求经济控制器610将实际或预测温度t
zone
始终维持在最小温度界限t
min
与最大温度界限t
max
之间(即，t
min
≤t
zone
≤t
max
)。参数t
min
和t
max
可以随时间变化以定义不同时间时的不同温度范围
(例如，占用温度范围、未占用温度范围、白天温度范围、夜间温度范围等)。
[0123]
为了确保满足区域温度约束条件，约束条件生成器620可以将建筑物404的区域温度t
zone
建模为由经济控制器610优化的决策变量的函数。在一些实施例中，约束条件生成器620使用传热模型来对t
zone
进行建模。例如，加热或冷却建筑物404的动力学可以通过能量平衡来描述：
[0124][0125]
其中c是建筑物区域的热容，h是建筑物区域的环境传热系数，t
zone
是建筑物区域的温度，ta是建筑物区域外的环境温度(例如，室外空气温度)，是由建筑物404的hvac设备施加到建筑物区域的热量，并且是建筑物区域所经历的外部负载、辐射或其它干扰。在之前的等式中，表示进入建筑物区域的传热(即，加热负载)，并且因此具有正号。然而，如果对建筑物区域施加冷却而不是加热，则上的符号可以切换为负号，使得表示施加到建筑物区域的冷却量(即，冷却负载)。
[0126]
在一些实施例中，提供给建筑物404的加热或冷却量可以定义为建筑物404(例如，rtu、ahu、vrf系统等)和/或总厂406的hvac设备上的加热或冷却负载。用于开发区域温度模型并将区域温度t
zone
与预测成本函数j中的决策变量相关联的若干种技术在于2016年9月6日授予的美国专利第9,436,179号、于2015年4月23日提交的美国专利申请第14/694,633号和于2016年6月30日提交的美国专利申请第15/199,910号中进行了更详细的描述。这些专利和专利申请中的每一个的全部公开内容通过引用并入本文。
[0127]
之前的能量平衡将建筑物区域的所有质量和空气特性组合成单个区域温度。经济控制器610可以使用的其它传热模型包含以下空气和质量区域模型：
[0128][0129][0130]
其中cz和t
zone
是建筑物区域中空气的热容和温度，ta是环境空气温度，h
az
是建筑物区域的空气与建筑物区域的室外环境空气之间的传热系数(例如，通过建筑物区域的外墙)，cm和tm是建筑物区域内的非空气质量的热容和温度，并且h
mz
是建筑物区域的空气与非空气质量之间的传热系数。
[0131]
之前的等式将建筑物区域的所有质量特性组合成单个区域质量。经济控制器610可以使用的其它传热模型包含以下空气、浅质量和深质量区域模型：
[0132][0133][0134]
[0135]
其中cz和t
zone
是建筑物区域中空气的热容和温度，ta是环境空气温度，h
az
是建筑物区域的空气与建筑物区域的室外环境空气之间的传热系数(例如，通过建筑物区域的外墙)，cs和ts是建筑物区域内的浅质量的热容和温度，h
sz
是建筑物区域的空气与浅质量之间的传热系数，cd和td是建筑物区域内的深质量的热容和温度，并且h
ds
是浅质量与深质量之间的传热系数。
[0136]
在一些实施例中，约束条件生成器620使用来自气象服务618的天气预报来确定优化周期的每个时间步处的环境空气温度ta和/或外部干扰的适当值。c和h的值可以被指定为建筑物区域的参数，从跟踪控制器612接收，从用户接收，从存储器608检索，或者以其它方式作为输入提供给约束条件生成器620。因此，建筑物区域t
zone
的温度可以定义为使用任何这些传热模型施加到建筑物区域的加热或冷却量的函数。操纵变量可以由经济控制器610通过调节预测成本函数j中的变量p
cpo
、p
rtu
、p
vrf
和/或p
ahu
来调节。
[0137]
在一些实施例中，约束条件生成器620使用将施加到建筑物区域的加热或冷却量定义为由经济控制器610所提供的功率设定点p
sp，grid
和p
sp，bat
的函数的模型。例如，约束条件生成器620可以将功率设定点p
sp，grid
和p
sp，bat
添加到绿色发电p
green
以确定校园402将消耗的总功率量p
campus
。在一些实施例中，p
campus
等于建筑物404和总厂406的组合功耗(例如，p
campus
＝p
cpo
+p
ahu
+p
vrf
+p
rtu
)。约束条件生成器620可以将p
campus
与总厂406的分厂曲线和建筑物404的hvac设备的设备性能曲线、施加到建筑物区域的加热或冷却总量组合使用。
[0138]
在一些实施例中，约束条件生成器620使用一个或多个模型，所述模型将施加到建筑物区域的加热或冷却量(即，)定义为区域温度t
zone
和区域温度设定点t
sp，zone
的函数，如在以下等式中示出：
[0139][0140]
约束条件生成器620使用的模型可以作为优化约束条件施加，以确保所提供的加热或冷却量不会减少到将会导致区域温度t
zone
偏离可接受的或舒适的温度范围的值。
[0141]
在一些实施例中，约束条件生成器620使用多个模型将加热或冷却量与区域温度t
zone
和区域温度设定点t
sp，zone
相关联。例如，约束条件生成器620可以使用设备控制器614的模型来确定由设备控制器614执行的作为区域温度t
zone
和区域温度设定点t
sp，zone
的函数的控制动作。以下等式中示出了此类区域调节控制器模型的实例：
[0142]vair
＝f1(t
zone
，t
sp，zone
)
[0143]
其中v
air
是流向建筑物区域的气流速率(即，控制动作)。在一些实施例中，v
air
取决于ahu风扇或rtu风扇的速度并且可以是p
ahu
和/或p
rtu
的函数。约束条件生成器620可以使用ahu或rtu的设备模型或制造商规格来将v
air
定义为p
ahu
或p
rtu
的函数。函数f1可以从数据中识别出来。例如，约束条件生成器620可以收集v
air
和t
zone
的测量值并识别t
sp，zone
的对应值。约束条件生成器620可以使用v
air
、t
zone
和t
sp，zone
的收集的值作为训练数据来执行系统识别过程，以确定定义此类变量之间关系的函数f1。
[0144]
约束条件生成器620可以使用能量平衡模型，所述能量平衡模型将控制动作v
air
与提供给建筑物404的加热或冷却量相关联，如在以下等式中示出：
[0145][0146]
其中函数f2可以从训练数据中识别出来。约束条件生成器620可以使用v
air
和的收集的值来执行系统识别过程，以确定定义此类变量之间关系的函数f2。
[0147]
在一些实施例中，与v
air
之间存在线性关系。假设理想的比例积分(pi)控制器和与v
air
之间的线性关系，简化的线性控制器模型可以用于将提供给建筑物404的加热或冷却量定义为区域温度t
zone
和区域温度设定点t
sp，zone
的函数。此类模型的实例在以下等式中示出：
[0148][0149]
其中是加热或冷却速率的稳态速率，kc是缩放区域pi控制器比例增益，τi是区域pi控制器积分时间，并且ε是设定点误差(即，区域温度设定点t
sp，zone
与区域温度t
zone
之间的差异)。饱和度可以由关于的约束条件来表示。如果线性模型不足以准确地对设备控制器614进行建模，则可以使用非线性加热/冷却负载模型来代替。
[0150]
除了关于区域温度t
zone
的约束条件之外，约束条件生成器620还可以对电池414的荷电状态(soc)和充电/放电速率施加约束条件。在一些实施例中，约束条件生成器620生成以下功率约束条件并对预测成本函数j施加所述功率约束条件：
[0151]
p
bat
≤p
rated
[0152]-p
bat
≤p
rated
[0153]
其中p
bat
是从电池414释放的功率量，并且p
rated
是电池414的额定电池功率(例如，电池414可以充电或放电的最大速率)。这些功率约束条件确保电池414不会以超过最大可能电池充电/放电速率p
rated
的速率充电或放电。
[0154]
在一些实施例中，约束条件生成器620生成一个或多个容量约束条件并对预测成本函数j施加所述容量约束条件。所述容量约束条件可以用于将在每个时间步期间充电或放电的电池功率p
bat
与电池414的容量和soc相关联。容量约束条件可以确保电池414的容量在优化周期的每个时间步处维持在可接受的下限和上限内。在一些实施例中，约束条件生成器620生成以下容量约束条件：
[0155]
ca(k)-p
bat
(k)δt≤c
rated
[0156]
ca(k)-p
bat
(k)δt≥0
[0157]
其中ca(k)是时间步k开始时的可用电池容量(例如，kwh)，p
bat
(k)是时间步k期间电池414的放电速率(例如，kw)，δt是每个时间步的持续时间，并且c
rated
是电池414的最大额定容量(例如，kwh)。项p
bat
(k)δt表示时间步k期间电池容量的变化。这些容量约束条件确保电池414的容量维持在零与最大额定容量c
rated
之间。
[0158]
在一些实施例中，约束条件生成器620生成并施加一个或多个功率约束条件。例如，经济控制器610可以被配置成生成约束条件，所述约束条件将提供给校园402的功率p
campus
限制在零与poi 410的最大功率吞吐量p
campus，max
之间，如在以下等式中示出：
[0159]
0≤p
campus
(k)≤p
campus，max
[0160]
p
campus
(k)＝p
sp，grid
(k)+p
sp，bat
(k)+p
green
(k)
[0161]
其中提供给校园402的总功率p
campus
是电网功率设定点p
sp，grid
、电池功率设定点p
sp，bat
和绿色发电p
green
的总和。
[0162]
在一些实施例中，约束条件生成器620生成一个或多个容量约束条件并对总厂406的操作施加所述容量约束条件。例如，加热可以由加热器分厂202提供，并且冷却可以由冷却器分厂206提供。加热器分厂202和冷却器分厂206的操作可以通过加热器分厂202和冷却器分厂206中的每一个的分厂曲线来定义。每个分厂曲线可以将分厂的资源产量(例如，制冷吨数、加热kw等)定义为分厂所消耗的一种或多种资源(例如，电力、天然气、水等)的函数。于2015年2月27日提交的美国专利申请第14/634,609号中更详细地描述了约束条件生成器620可以使用的分厂曲线的若干实例。
[0163]
神经网络建模
[0164]
现在参考图7，根据示例性实施例，更详细地示出了展示约束条件生成器620的框图。约束条件生成器620被示出为包含神经网络建模器706、不等式约束条件生成器708和等式约束条件生成器710。在一些实施例中，约束条件生成器620的一个或多个组件被组合成单个组件。然而，为了便于解释，所述组件在图7中被单独示出。
[0165]
神经网络建模器706可以被配置成生成神经网络模型，所述神经网络模型可以用于生成用于由经济控制器610和/或跟踪控制器612执行的优化程序的约束条件。在一些实施例中，神经网络模型是卷积神经网络(cnn)。cnn是一种前馈人工神经网络，其中神经元之间的连接模式受动物视皮层组织的启发。单独的皮层神经元在被称为感受野的空间受限区域中对刺激物作出响应。不同神经元的感受野部分重叠，使得其使视野瓦片化。单独神经元对其感受野内刺激物的响应可以通过卷积运算在数学上近似。cnn也被称为移位不变性或空间不变性人工神经网络(siann)，其命名基于其共享权重架构和平移不变性特征。在各个实施例中各种网络类型是可能的。
[0166]
现在参考图8，根据示例性实施例，示出了可以由神经网络建模器706生成和使用的cnn 800的实例。cnn 800被示出为包含一系列层，所述层包含输入层802、卷积层804、修正线性单元(relu)层806、池化层808和完全连接层810(即，输出层)。层802-810中的每一层可以通过可微函数将一个体积的激活转换为另一个体积的激活。层802-810可以堆叠以形成cnn 800。与常规(即，非卷积)神经网络不同，层802-810可以具有以以下3个维度布置的神经元：宽度、高度、深度。神经元的深度是指激活体积的第三维度，而不是cnn 800的深度，所述深度可以是指cnn 800中的总层数。cnn 800的一个或多个层中的一些神经元可以仅与所述层之前或之后的层的小区域连接，而不是以完全连接的方式与所有神经元连接。在一些实施例中，cnn 800的最终输出层(即，完全连接层810)是沿着深度维度布置的类别评分的单矢量。
[0167]
在一些实施例中，cnn 800可以用于生成建筑物区域的温度界限(例如，建筑物区域的最低和最高可允许温度或温度设定点)。然后，不等式约束条件生成器708和/或等式约
束条件生成器710可以使用温度界限来生成并施加预测建筑物区域温度的温度约束条件。在一些实施例中，cnn 800可以用于为由总厂406的冷却器产生的冷却水输出生成温度界限(例如，冷却水输出或冷却水设定点的最低和最高可允许温度)。然后，不等式约束条件生成器708和/或等式约束条件生成器710可以使用温度界限来生成和施加总厂406的冷却器所使用的冷却水输出或设定点的温度约束条件。在一些实施例中，cnn 800可以用于为由总厂406的锅炉或其它热水生成器产生的热水输出生成温度界限(例如，热水输出或热水设定点的最低和最高可允许温度)。然后，不等式约束条件生成器708和/或等式约束条件生成器710可以使用温度界限来生成和施加总厂406的锅炉或其它热水生成器所使用的热水输出或设定点的温度约束条件。尽管详细讨论了这些具体实例，但应当理解，cnn 800可以用于生成关于由经济控制器610和/或跟踪控制器612所执行的优化程序的值任何其它约束条件。
[0168]
输入层802被示出为包含一组输入神经元801。每个输入神经元801可以对应于可以由神经网络建模器706监测并用作cnn 800的输入的变量。例如，输入神经元801可以对应于如以下等变量：室外气温(oat)(例如，以华氏度或摄氏度为单位的温度值)、一周中的某一天(例如，1＝周日，2＝周一，...，7＝周六)、一年中的某一天(例如，0＝1月1日，1＝1月2日，...，365＝12月31日)、建筑物区域的二进制占用值(例如，0＝未占用，1＝已经占用)、建筑物区域的占用百分比(例如，如果建筑物区域未占用，则为0％，建筑物区域的30％为最大占用的30％，建筑物区域的100％为完全占用等)、建筑物区域的测得的温度(例如，以华氏度或摄氏度为单位的温度值)、来自建筑物设备702或总厂406的操作数据(例如，向建筑物区域提供气流的ahu的操作能力、调节通过热交换器的加热或冷却流体流量的流量控制阀门的阀位置等)，或与产生适当温度界限相关的任何其它变量。
[0169]
卷积层804可以接收来自输入层802的输入，并且向relu层806提供输出。在一些实施例中，卷积层804是cnn800的核心构建块。卷积层804的参数可以包含一组可学习的过滤器(或内核)，所述过滤器具有小的感受野，但延伸通过输入体积的整个深度。在正向传递期间，每个过滤器可以在输入体积的宽度和高度上卷积，计算过滤器的条目与输入层802内的条目之间的点积，并产生所述过滤器的2维激活图。结果，cnn800学习当其检测到输入层802所指示的一些具体类型的特征时激活的过滤器。沿深度维度堆叠所有过滤器的激活图形成卷积层804的完整输出体积。因此，输出体积中的每个条目也可以解释为神经元的输出，所述神经元查看输入层802中的小区域并与同一激活图中的神经元共享参数。在一些实施例中，cnn 800包含多于一个卷积层804。
[0170]
relu层806可以接收来自卷积层804的输入，并且可以向完全连接层810提供输出。relu是修正线性单元(rectified linear unit)的缩写。relu层806可以将如f(x)＝max(0，x)等非饱和激活函数施加于来自卷积层804的输入。relu层806可以用于增加决策函数和整个网络的非线性特性，而不影响卷积层804的感受野。在relu层806中还可以使用其它函数来增加非线性，包含例如，饱和双曲正切f(x)＝tanh(x)或f(x)＝|tanh(x)|和s型函数f(x)＝(1+e-x
)-1
。包含relu层806可以使cnn 800的训练速度提高数倍，而不会对泛化精度造成重大影响。
[0171]
池化层808可以接收来自relu层806的输入并将输出提供给完全连接层810。池化层808可以被配置成对从relu层806接收到的输入执行池化操作。池化是非线性下采样的一
种形式。池化层808可以使用各种非线性函数中的任何一种来实施池化，包含例如最大池化。池化层808可以被配置成将来自relu层806的输入划分成一组不重叠的子区域，并且对于每个此类子区域，输出最大值。直观上，特征的精确位置不如其相对于其它特征的粗略位置重要。池化层808用于逐渐减小表示的空间大小，以减少网络中的参数数量和计算量，并且因此还控制过拟合。因此，池化层808提供了一种形式的平移不变性。
[0172]
在一些实施例中，池化层808在输入的每个深度切片上独立操作并在空间上调整其大小。例如，池化层808可以包含大小为2
×
2的过滤器，所述过滤器通过在输入中的每个深度切片处的2个下采样步幅与沿着宽度和高度两者的2个步幅施加，丢弃75％的激活。在此情况下，每个最大操作都超过4个数字。深度维度保持不变。除了最大池化之外，池化层808还可以执行其它功能，如平均池化或l2标准池化。
[0173]
在一些实施例中，cnn 800包含卷积层804、relu层806和池化层808的多个实例。例如，池化层808之后可以是卷积层804的另一个实例，所述卷积层之后可以是relu层806的另一个实例，所述relu层之后可以是池化层808的另一个实例。尽管在图8中仅示出了一组层804-808，但应当理解，cnn 800可以包含输入层802与完全连接层810之间的一组或多组层804-808。因此，cnn 800可以是“m层”cnn，其中m是输入层802与完全连接层810之间的总层数。
[0174]
完全连接层810是cnn 800中的最后一层并且可以被称为输出层。完全连接层810可以跟随一组或多组层804-808，并且可以执行cnn 800中的高级推理。在一些实施例中，完全连接层810中的输出神经元811可以与前一层(即，池化层808的实例)中的所有激活具有全连接。输出神经元811的激活因此可以用矩阵乘法后跟偏置补偿来计算。在一些实施例中，完全连接层810内的输出神经元811被布置为沿着cnn 800的深度维度的类别评分的单矢量。
[0175]
在一些实施例中，输出神经元811中的每个输出神经元表示阈值(例如，边界值、设定点周围的边界范围等)，所述阈值可以用于制定关于由经济控制器610和/或跟踪控制器612所执行的优化程序的约束条件。例如，输出神经元811中的一个或多个输出神经元可以表示建筑物区域的温度界限(例如，建筑物区域的最低和最高可允许温度或温度设定点)。不等式约束条件生成器708和/或等式约束条件生成器710可以使用温度界限来生成并施加预测建筑物区域温度的温度约束条件。
[0176]
在一些实施例中，输出神经元811中的一个或多个输出神经元表示由总厂406的冷却器产生的冷却水输出的温度界限(例如，冷却水输出或冷却水设定点的最低和最高可允许温度)。不等式约束条件生成器708和/或等式约束条件生成器710可以使用温度界限来生成和施加总厂406的冷却器所使用的冷却水输出或设定点的温度约束条件。类似地，输出神经元8110中的一个或多个输出神经元可以表示由总厂406的锅炉或其它热水生成器产生的热水输出的温度界限(例如，热水输出或热水设定点的最低和最高可允许温度)。不等式约束条件生成器708和/或等式约束条件生成器710可以使用温度界限来生成和施加总厂406的锅炉或其它热水生成器所使用的热水输出或设定点的温度约束条件。
[0177]
再次参考图7，神经网络建模器706可以使用各种输入来评估cnn 800生成的约束条件并对所述约束条件评分。此类输入可以包含来自建筑物设备702的操作数据、来自总厂406的操作数据和/或来自用户装置704的用户输入。在一些实施例中，来自用户装置704的
用户输入包含手动覆盖、设定点调整、参数的手动值或描述用户动作的其它输入。神经网络建模器706可以使用来自用户装置704的用户输入来确定建筑物设备702和/或总厂406在给定时间处的操作状态是否令人满意或者是否需要调整。神经网络建模器706可以使用这些和其它类型的用户输入来识别人们如何对由约束条件生成器620生成的约束条件作出反应以确定期望的约束条件值。
[0178]
例如，cnn 800的输出可以包含建筑物区域的温度界限。温度界限可以指定允许建筑物区域的温度在最低区域温度与最高区域温度之间的可允许温度范围内变化。因此，预测控制器420可以操作建筑物设备702和/或总厂406以确保建筑物区域的温度维持在最低区域温度与最高区域温度之间。为了对约束条件生成器620生成的温度界限进行评分，神经网络建模器706可以检查指示对建筑物区域的温度设定点进行手动调整的用户输入。响应于手动设定点调整，神经网络建模器706可以确定先前的温度设定点(即，在调整之前由预测控制器420生成的温度设定点)超出期望范围。
[0179]
在一些实施例中，神经网络建模器706使用手动设定点调整的幅度作为对用户对由预测控制器420基于由约束条件生成器620生成的温度约束条件生成的温度设定点的不满意的指示。例如，具有大幅度的手动设定点调整可以指示对由约束条件生成器620生成的温度约束条件的较大不满，并且因此可能导致低性能评分。具有小幅度的手动设定点调整可以指示对由约束条件生成器620生成的温度约束条件的轻微不满，并且因此可能产生相对较高的性能评分。没有手动设定点调整可以指示用户对由约束条件生成器620生成的温度约束条件感到满意，并且因此可以产生高性能评分。
[0180]
作为另一个实例，cnn 800的输出可以包含总厂406的冷却器所输出的冷却水的温度界限。温度界限可以指定冷却水温度(或温度设定点)允许在最低冷却水温度与最高冷却水温度之间的可允许温度范围内变化。因此，预测控制器420可以操作总厂406的冷却器以确保冷却水输出的温度(或温度设定点)维持在最低冷却水温度与最高冷却水温度之间。
[0181]
为了对约束条件生成器620生成的温度界限进行评分，神经网络建模器706可以使用来自建筑物设备702的操作数据来确定是否有任何热交换器正在充分利用冷却水。例如，来自建筑物设备702的操作数据可以指示流量控制阀门的阀位置，所述流量控制阀门调节通过冷却盘管或其它热交换器的冷却水的流量。如果操作数据表明流量控制阀门完全打开，则所述阀门正在充分利用冷却水。相反，如果操作数据表明没有一个流量控制阀门完全打开，则没有一个流量控制阀门充分利用冷却水(即，没有一个热交换器需要冷却水所提供的完全冷却能力)。
[0182]
在一些实施例中，神经网络建模器706使用流量控制阀门的位置作为对冷却水温度约束条件是好还是坏的指示。例如，如果没有一个阀门完全打开，则神经网络建模器706可以确定可以增加冷却水温度设定点以降低冷却器的能耗，而不影响建筑物设备702的冷却性能。可以提高冷却水温度，直到至少一个阀门完全打开，以最有效地利用冷却水。因此，神经网络建模器706可以识别最接近完全打开的阀门，并且可以确定所述阀门的位置(例如，60％打开)与完全打开位置(例如，100％打开)之间的位置差。阀门位置差异较大可能使性能评分较低，而阀门位置差异较小则可能使性能评分较高。相同的评分技术可以应用于约束条件生成器620所生成的热水温度界限。
[0183]
不等式约束条件生成器708和等式约束条件生成器710可以使用由神经网络建模
器706创建的神经网络模型来生成不等式约束条件和等式约束条件。约束条件生成器620可以向经济控制器610提供不等式约束条件和等式约束条件，以约束由经济控制器610所执行的预测成本函数j的优化，以生成最佳功率设定点。约束条件生成器620还可以向跟踪控制器612提供不等式约束条件和等式约束条件，以约束由跟踪控制器612所执行的优化，以生成最佳温度设定点。
[0184]
在一些实施例中，约束条件生成器708-710使用来自建筑物设备702的操作数据来生成定义建筑物设备702的操作域的各种函数。类似地，来自总厂406的操作数据可以用于识别总厂406的每个分厂和/或总厂406的每个装置的输入与输出之间的关系。约束条件生成器708-710可以使用来自总厂406的操作数据来生成定义总厂406的操作域的各种函数。
[0185]
在一些实施例中，约束条件生成器708-710使用来自建筑物设备702和总厂406的操作数据来确定对建筑物设备702和总厂406的操作的限制。例如，冷却器可以具有最大冷却能力，所述最大冷却能力用作对冷却器可以产生的冷却量的限制。约束条件生成器708-710可以使用操作数据来确定由冷却器所提供的冷却达到其最大值的点(例如，通过识别冷却输出不再是负载设定点的函数的点)，以便确定冷却器的最大操作限制。类似的过程可以用于识别建筑物设备702和总厂406的其它装置的最大操作点。不等式约束条件生成器708可以使用这些操作限制来生成将建筑物设备702和总厂406的操作限制在适用限制内的不等式约束条件。
[0186]
现在参考图9，根据一些实施例，示出了图8900，所述图展示区域可以基于在当前mpc算法下操作的固定最小和最大舒适度界限。图8900被示出为包含上限8902和下限8904。如在图8900中示出，当前mpc算法使上限8902和下限8904的值随时间推移保持不变，因为没有集成ai的mpc在其优化的一整天内都在固定约束条件下操作。
[0187]
现在参考图10，根据一些实施例，示出了图8950，所述图展示了在图9的最小和最大舒适度界限上将ai与mpc集成的益处。图8950被示出为包含上限8952和下限8954。上限8952和下限8954可以展示变化的mpc每日舒适度约束条件，所述舒适度约束条件不同于如上文参考图9所述由上限8902和下限8904所示出的固定的mpc每日舒适度约束条件。ai可以在为mpc算法确定适当约束条件的问题上被证明是有用的。通过利用ai，可以在更高的分辨率下找到约束条件(例如，最小和最大舒适度界限)，如每小时约束条件，由此为经济节省和舒适度提供益处。
[0188]
通过使用ai，可以从占用控制区域的居住者的偏好中学习约束条件。这是通过学习使居住者改变区域中的设定点的条件来完成的。例如，如果居住者通过恒温器增加空间中的当前温度，则所述变化可能表明当前温度对于居住者来说太冷。以这种方式，ai可以学习居住者的偏好，并且相应地调整下限8954和/或上限8952。由于下限8954与上限8952之间的范围可以随时间推移变化，可变的舒适度约束条件可以为居住者舒适度和经济节省提供益处。具体地，当预计居住者在所述区域中时(例如，在工作日期间)，范围可能会更窄以确保在所述区域中维持居住者的舒适度。然而，当预计居住者不在所述区域中时(例如，在夜间)，范围可能会扩大，使得不需要对建筑物设备进行同样多的操作，由此降低成本。在一些实施例中，另外的6％-8％的节省可能来自于将ai驱动的时变舒适度界限添加到mpc中。
[0189]
现在参考图11，根据一些实施例，示出了用于生成在mpc中使用的舒适度约束条件的舒适度控制器9000。在一些实施例中，舒适度控制器9000是独立的控制器，所述控制器可
以生成神经网络以用于量化建筑物区域中的居住者舒适度。在一些实施例中，舒适度控制器9000和/或其中的一些和/或所有组件(例如，数据收集器9010、神经网络生成器9014等)包含在单独的控制器中。
[0190]
如下文更详细描述的，舒适度控制器9000可以执行区域模拟以生成用于训练神经网络的数据。为了适当地构建区域模拟，应量化居住者在当前区域条件下的舒适度。预测平均投票(pmv)指数可以用作热舒适度的量度并且是用于在上述区域模拟中评估舒适度的主要方法。pmv被iso 7730标准采用。iso建议将pmv维持在0级作为最佳热舒适度，其中公差为0.5。pmv可以基于理论模型并且包含来自关于大约1300名受试者的实验结果的结果，并包含四个变量：温度t、相对湿度φ、平均辐射温度t
rm
和空气速度v。所述指数还可以包含两个单独的参数：代谢率m和服装指数i
cl
。基于变量和参数，可以使用如以下给出的范格等式(fanger
′
s equation)计算pmv：
[0191]
pmv＝g(t
bs
，φ，t
rm
，v，m，i
cl
)
[0192]
代谢率和服装保温性的普通值可以在下表2和3中找到。
[0193]
[0194][0195]
表2：服装保温效果
[0196]
活动met安静地坐着1.0坐着阅读和写作1.0打字1.1坐着归档1.2站着归档1.4以0.9米/秒行走2.0房屋清洁2.0-3.4锻炼3.0-4.0
[0197]
表3：各种活动的典型met水平(ashre 1997)
[0198]
舒适度控制器9000被示出为包含通信接口9008和处理电路9002。通信接口9008可以包含用于与各种系统、装置或网络进行数据通信的有线或无线接口(例如，插孔、天线、发射器、接收器、收发器、接线端子等)。例如，通信接口9008可以包含用于通过基于以太网的通信网络发送和接收数据的以太网卡和端口和/或用于通过无线通信网络进行通信的wifi收发器。通信接口9008可以被配置成通过局域网或广域网(例如，因特网、建筑物wan等)进行通信，并且可以使用各种通信协议(例如，bacnet、ip、lon等)。
[0199]
通信接口9008可以是网络接口，所述网络接口被配置成促进舒适度控制器9000与各种外部系统或装置(例如，bms 6706、总厂控制器6700、用户装置9018等)之间的电子数据通信。例如，舒适度控制器9000可以从用户装置9018接收指示来自居住者的居住者设定点
变化的信息。
[0200]
仍然参考图11，处理电路9002被示出为包含处理器9004和存储器9006。处理器9004可以是通用或专用处理器、专用集成电路(asic)、一个或多个现场可编程门阵列(fpga)、一组处理组件或其它合适的处理组件。处理器9004可以被配置成执行存储在存储器9006中或从其它计算机可读介质(例如，cdrom、网络存储设备、远程服务器等)接收的计算机代码或指令。
[0201]
存储器9006可以包含一个或多个装置(例如，存储器单元、存储器装置、存储装置等)，以用于存储数据和/或计算机代码以用于完成和/或促进本公开中所描述的各个过程。存储器9006可以包含随机存取存储器(ram)、只读存储器(rom)、硬盘驱动器存储设备、暂时存储设备、非易失性存储器、闪速存储器、光学存储器或用于存储软件对象和/或计算机指令的任何其它合适的存储器。存储器9006可以包含用于支持本公开中所描述的各种活动和信息结构的数据库组件、目标代码组件、脚本组件或任何其它类型的信息结构。存储器9006可以通过处理电路9002可通信地连接到处理器9004并且可以包含用于执行(例如，通过处理器9004)本文所描述的一个或多个过程的计算机代码。在一些实施例中，存储器9006的一些组件是单个组件的一部分。然而，为了便于解释，单独示出了存储器9006的每个组件。
[0202]
舒适度控制器9000被示出为接收来自用户装置9018的设定点变化以及来自恒温器9020的设定点变化和环境条件测量值。设定点变化可以由居住者提供以改变建筑物设备的当前操作设定点。设定点变化可能表明用户在当前条件下感到不舒适。例如，如果设定点变化指示比当前温度设定点高的温度设定点，则设定点变化可能表明当前温度设定点太冷。用户装置9018可以包含居住者可以通过其提供设定点变化的任何各种装置。例如，用户装置9018可以是电话、计算机、笔记本电脑等。在一些实施例中，用户装置9018与恒温器9020相同。恒温器9020被示出为向舒适度控制器9000提供设定点变化和环境条件测量值。环境条件测量值可以包含区域和/或外部空间的温度、湿度、空气质量等的各种测量值。在一些实施例中，测量值由区域和/或外部空间中的各种传感器(例如，温度传感器、湿度传感器等)收集。在一些实施例中，舒适度控制器9000接收来自单独的传感器和/或除恒温器9020提供的测量值之外的测量值。应当理解，为了举例说明舒适度控制器9000可以从中接收信息的来源，示出了用户装置9018和恒温器9020。舒适度控制器9000可以从任何合适的装置、服务等接收用于生成神经网络的相关信息。
[0203]
舒适度控制器9000被示出为包含数据收集器9010。数据收集器9010可以收集从通信接口9008接收到的数据。接收到的数据可以包含设定点变化、环境条件测量值等。数据收集器9010可以将收集的数据提供给神经网络生成器9014和/或区域模拟器9012。
[0204]
为了获得经充分训练的神经网络来帮助确定区域约束条件，首先应该有足够的数据可供学习。训练神经网络所需的原始数据可以包含来自区域的覆盖数据(即，图11中示出的设定点变化)。在区域内收集大量手动设定点变化的真实数据可能很困难。具体地，收集所述数据所需的时间可能需要很长时间(例如，至少一年)才能预测设定点变化，由此导致建筑物的mpc实施缓慢。另外地，收集真实数据可以包含假设，即所述区域中的所有居住者在感到不适时实际上会选择调整设定点。然而，情况并非总是如此，因为一些居住者可能不知道如何改变设定点、太忙而无法改变设定点等。如此，每天可能没有足够的居住者覆盖来训练网络。
[0205]
舒适度反馈的提示可以由数据收集器9010发起，并通过通信接口9008传输到用户装置9018。在其它实施例中，在用户装置9018上本地执行的应用可以自动生成提示以供用户输入舒适度反馈。例如，可以在用户装置9018处提供推送通知(例如，使用户装置响铃、发出嗡嗡声、亮起等)，并且可以向用户提供图形用户界面，从而请求用户(居住者)提供与用户在空间中的当前舒适度水平相关的反馈。例如，提示可能会请求用户提供其是否太冷、太热或舒适的输入。在一些实施例中，请求用户输入其想要的空间更热或更冷的度数。通过向用户装置9018推送提示，与被动等待用户改变空间的设定点相比，可以例如通过克服居住者冷漠、懒惰、对不舒适的顺从或其它可能使感到不舒适的居住者不改变温度设定点的因素来促使居住者提供更多反馈。
[0206]
在一些实施例中，包含多个用户装置9018并且所述多个用户装置与空间的多个居住者相关联。在此类实施例中，在用户装置9018处提示舒适度反馈引起接收来自多个居住者的关于建筑物在给定时间是否舒适的投票。由于居住者个人偏好、服装选择、活动水平、相对于窗户、hvac设备或其它家用电器的位置以及各种其它因素，居住者的舒适度水平可能会有所不同。通过投票应用轮询多个居住者可以生成反映许多居住者舒适度的数据。这种方法可以避免仅有一部分居住者有机会或有权改变温度设定点，使得其它居住者的偏好被隐藏的情况。在一些实施例中，通过接收来自多个居住者的舒适度反馈，可以针对特定居住者标记训练数据，并且可以对一个或多个神经网络进行训练以允许系统适应以满足在任何给定时间实际存在的居住者的偏好。
[0207]
在一些实施例中，数据收集器9010可以通过执行实验来促进足够数据的生成或收集，以有意将区域温度控制到各种值，例如包含不舒适的温度。通过将居住者暴露于更多环境条件下，用户对此类条件的响应可以被记录并表示在数据收集器9010处收集的训练数据中。例如，可以应用设定点序列(例如，预编程序列、随机序列(例如，pbrs)、对来自用户的舒适度反馈作出反应的动态序列)，以便在不同条件下测试用户的舒适度。通过在通过用户装置9018或恒温器9020收集舒适度反馈的同时改变条件，可以在数据收集器9010处收集适合训练神经网络的丰富数据集。
[0208]
在若干天内进行的舒适度实验的一个实施例中，在一整天内提供恒定的设定点，其中每一天的值不同。每天记录居住者舒适度(来自舒适度反馈的直接用户输入、来自基于用户的经尝试的设定点变化的舒适度反馈等)。此类实验可以提供丰富的数据，以指示即使在恒定的温度下，舒适度在每天的过程中是如何变化的，以及在不同温度下，在不同天的同一时间处的舒适度是如何变化的。
[0209]
在一些实施例中，为了提供足够的训练数据的生成，舒适度控制器9000可以包含区域模拟器9012以在给定真实室外空气条件下对区域中的室内条件进行建模。基于经模拟的条件，还可以模拟典型的居住者设定点覆盖。
[0210]
使用特定地点的真实过去天气测量值，区域模拟器9012可以产生对应时间段的室内空气条件，所述室内空气条件包含区域温度和区域湿度比。为简单起见，仅温度和湿度比模拟可以用于学习舒适度约束条件。然而，可以向ai添加另外的测量值和特征以提高精度并使整体模拟更加逼真。
[0211]
区域模拟器9012执行的区域模拟的另一个重要方面是居住者对室内空气温度和湿度的响应。从某种意义上说，可以集成四变量舒适度控制方法以允许模拟器检测在当前
条件下某些居住者是否会感到不舒适。在一些实施例中，居住者模拟包含居住者对所述区域的二氧化碳生成和/或热量影响。居住者模拟可能依赖的变量包含代谢率、服装保温性和具体居住者的舒适度偏好(依据pmv指数)。所述条件可以组合以确定居住者是否舒适。
[0212]
如上所述，由区域模拟器9012执行的每个居住者模拟可以包含上文所指示的三个变量：代谢率、服装保温性和舒适度偏好。在一些实施例中，居住者模拟包含比以上指示的三个变量更少的变量、不同的变量和/或更多的变量。
[0213]
代谢率可以由特定居住者的代谢时间表确定。代谢时间表可以构建为相对于对应小时的指定速率。这意味着在所提供的一个小时内，居住者可以以所提供的速率开始模拟。如果在某个小时标记处指定新的代谢率，则代谢率可能在所述小时标记处改变。代谢率和小时都可以是随机变量，以便在填充训练数据时提供随机性。使变量随机化可以更好地捕捉人的变化，因为一个人不可能在每天的同一时间具有完全相同的代谢率。
[0214]
服装保温性可以根据室外空气条件来确定。具体地，可以假设区域居住者在较冷的日子穿得较重，而在较热的日子穿得较轻。一般而言，区域中的范围不应相差太大，但服装保温性应具有季节性特征。
[0215]
居住者舒适度偏好可以通过居住者舒适的最小和最大pmv指数来描述。在一些实施例中，舒适度的一般范围被认为是从-0.5到0.5，然而，某些人比其它人更喜欢更冷或更暖的环境。如此，舒适度范围可能会根据区域中的居住者而有所不同。由于偏好的波动，可以为每个居住者定制最小和最大pmv界限，并且所述最小和最大pmv界限两者都可以是随机变量以考虑到自然变化。
[0216]
如果居住者感到不舒适，即居住者的pmv值超出其舒适度界限，则居住者可能想要覆盖设定点(例如，向上或向下移动设定点)。详细地说，代谢率、服装保温性以及区域温度和湿度模拟被馈送到由区域模拟器9012执行的pmv计算中，所述区域模拟器可以输出相关居住者的指数值。可以将pmv指数与描述具体居住者偏好的最小和最大pmv舒适度界限进行比较。如果pmv值低于最小舒适度界限，则居住者可以将设定点增加到使pmv值在其舒适度界限内的温度。类似地，如果pmv高于最大舒适度界限，则居住者可以将设定点降低到使pmv值在其界限内的温度。此过程可以在由区域模拟器9012执行的模拟的每个时间步中执行。每次计算pmv时，瞬时区域条件可以用于确定居住者的舒适度。
[0217]
在模拟的每个小时结束时，可以基于其在当前区域条件下的舒适度针对区域中的每个居住者计算新的设定点。应当理解，新的设定点可以在一小时以外的不同时间增量处计算。例如，可以每三十分钟、每两小时等计算新的设定点。模拟可以收集所有单独的设定点，并且使用其输出所述小时的整体设定点。模拟有许多不同的方法来决定新的设定点应该是什么。例如，可以计算所有居住者设定点的最大值或平均值。作为另一个实例，确定新的设定点可以涉及居住者优先级排序，如对某些居住者的设定点进行加权。例如，与建筑物的其他雇员相比，建筑物的业主可能具有更高的优先级(例如，更高的权重)。在由区域模拟器9012执行的模拟的每个小时(或其它时间增量)，室内空气温度设定点可以通过所述小时的所有设定点覆盖的平均值来改变。设定点变化可以记录为用于训练ai的数据并且提供给神经网络生成器9014。
[0218]
基于接收到的数据(例如，收集的数据和/或模拟训练数据)，神经网络生成器9014可以生成可以用于预测设定点变化的神经网络。具体地，ai可以用于确定将满足区域内居
住者的舒适度界限的每小时舒适度约束条件。如此，可以使用数据收集器9010收集的真实数据和/或区域模拟器9012生成的模拟训练数据来训练神经网络，以将各种环境条件与区域中居住者舒适度相关联。由神经网络生成器9014生成的神经网络可以是各种类型的神经网络，例如mlp、rbfnn、rnn、自编码器神经网络等。下文参考图12示出由神经网络生成器9014生成的神经网络的实例。神经网络生成器9014可以向约束条件生成器9016提供经训练的神经网络。
[0219]
基于从神经网络生成器9014接收到的神经网络，约束条件生成器9016可以将空气条件、居住者舒适度数据和描述一天类型的信息的组合馈送到神经网络中。基于馈送输入，神经网络可以输出对应于特定小时和/或一些其它时间单位的温度设定点变化。神经网络的输入可以包含，例如，从数据收集器9010接收的一天中的某个时间(例如，特定的某个小时)、一年中的某个季节、室内空气温度、室内湿度、关于室外空气条件的信息等。室外空气条件可以用多种格式描述。
[0220]
为了确定温度设定点的变化，一种可能的方法是使用单独的神经网络基于室外空气条件对一天进行分类。所述分类标记可以馈送到神经网络中以进行设定点变化预测，以表示所给定的一天的室外空气条件。分类的实例可以由神经网络生成器9014和约束条件生成器9016执行，如下所示。为了执行分类，神经网络生成器9014可以为简单起见，假设经分类的唯一参数是温度和湿度。神经网络可以将天数标记为集合的组合。例如，要组合的集合可以如下给出：{极热，热，正常，冷，极冷}和{极湿，潮湿，正常，干燥，极干}。基于所述集合，约束条件生成器9016可以将条件馈送到单独的神经网络中以生成用于主神经网络(即，预测温度设定点变化的神经网络)的分类。例如，基于馈送到单独的神经网络的数据，特定一天可能被标记为{热，极干}，而另一天可能被标记为{极冷，干}。所述标记可以提供给主神经网络以预测相关天数的设定点变化。
[0221]
用于预测设定点变化的另一种潜在方法是直接将室外空气测量值输入到神经网络中以用于预测设定点变化。例如，下文参考图12描述的神经网络可以使用所述测量值作为输入。基于室外空气测量值，神经网络可以输出特定小时(或一些其它时间单位)的设定点的预测变化。设定点的变化可以基于当前在所述区域中的所有居住者所做的平均设定点变化。因此，神经网络可能是在解决回归问题而非分类问题。
[0222]
应当理解，两种方法均可以向神经网络提供关于条件将如何影响区域中存在的居住者的偏好的可学习信息。
[0223]
在具有用于预测每小时设定点变化(或一些其它时间增量的设定点变化)的经训练的神经网络的情况下，可以用某种后处理来确定每小时舒适度约束条件。对于给定的一天，可以通过每小时迭代并扫描区域温度来找到每小时的最小和最大界限，从而找到约束条件。更具体地，可以选择区域温度范围(例如，15℃到30℃、20℃到31℃等)，并且对于每小时，经训练的神经网络可以预测在所选范围内的每个区域温度下所述小时的设定点变化。对于特定小时，最小界限可以是神经网络预测设定点变化为零的最低温度。同样，最大界限可以是网络预测变化为零的最高温度。这一过程可以产生可以用于mpc算法的每小时舒适度约束条件。如此，约束条件生成器9016可以通过通信接口9008向经济控制器610和/或跟踪控制器612提供舒适度约束条件，以便可以通过经济控制器610和跟踪控制器612在受舒适度约束条件约束的情况下执行mpc。在一些实施例中，如果约束条件生成器9016和/或舒
适度控制器9000的其它组件是预测控制器420的一部分(例如，如在图6的实施例中，所述预测控制器提供有约束条件生成器620)。在各个实施例中，舒适度约束条件可以由预测控制器420的不同组件使用以执行mpc。在其它实施例中，舒适度约束条件用于约束总厂控制器处的预测控制过程，所述总厂控制器例如于2017年4月25日提交的美国临时申请第62/489,975号中进一步详细描述的总厂控制器，所述美国临时申请的全部公开内容通过引用并入本文并且本技术要求其优先权。由此，根据使用经训练的神经网络生成的舒适度约束条件来控制设备。
[0224]
现在参考图12，根据一些实施例，示出了用于预测设定点变化的神经网络模型的图示9100。在一些实施例中，图示9100的神经网络模型由上文参考图11所述的神经网络生成器9014生成。图示9100的神经网络模型被示出为包含输入层9102、隐藏层9104和输出层9106。输入层9102被示出为包含多个输入神经元。每个输入神经元可以与表示一天中的某个时间、环境条件等的不同变量相关联。具体地，输入神经元被示出为接收以下的值：区域温度tz、区域相对湿度rhz、一天中的某个时间、室外空气温度t
oa
、室外相对湿度rh
oa
和季节。应当理解，所述变量是为了实例而示出的。神经网络可以接收与生成预测设定点变化相关的各种输入。图示9100中示出的神经网络使用原始室外空气测量值来描述室外空气条件。
[0225]
图示9100的神经网络还被示出为包含在隐藏层9104中的隐藏神经元。根据所使用的神经网络的类型，隐藏层9104可以包含各种数量的隐藏层和/或其中各种数量的隐藏神经元。例如，第一神经网络的隐藏层9104可以仅包含一个具有特定数量的隐藏神经元的隐藏层，而第二神经网络的隐藏层9104可以包含多于一个隐藏层，每一层均具有特定数量的隐藏神经元。为了训练隐藏神经元的权重，图示9100的神经网络可以进行与特定小时的输入数据相对应的设定点变化数据集的监督学习和训练。然而，为了训练网络，可能需要大量数据。虽然收集足够数量的室外和室内空气测量值可以是可能的，但是在合理的时间内可能无法收集足够数量的设定点变化输出数据。可能很难收集准确的数据以用于此目的，而且还需要不合理的时间来创建强大的数据集。由于所述困难，并且如上文参考图11所述，神经网络可以基于为填充居住者温度覆盖数据集而设置的模拟框架来生成。
[0226]
经训练的神经网络可以输出预测设定点变化δt
sp
的值。如上文参考图11更详细地描述的，δt
sp
可以用于生成mpc中使用的舒适度约束条件。
[0227]
现在参考图13，根据示例性实施例，示出了神经网络的另一实施例的图示9150。具体地，图13示出了其中输入层9152接收包含以下的输入的实施例：区域温度tz、区域相对湿度rhz、一天中的某个时间和一天的类型(天类型)。图13中提供了一天的类型，以代替图12的实施例中所使用的季节和室外空气条件。一天的类型可以代表居住者在空间中的穿着、用户在空间中的活动、空间中居住者的数量，以及可能影响居住者舒适度的其它因素。例如，一天的类型标记可以指示这一天是否是工作日、周末、假日、这一天所处的季节、所述这一天的室外条件(例如，炎热的一天、潮湿的一天、寒冷的一天、下雨的一天、下雪的一天等)。可以包含单独的神经网络分类器或其它程序逻辑，以基于原始数据生成天类型，并且将一天的类型标记提供给输入层9152。
[0228]
至于图12的实施例，图示9150的神经网络包含隐藏层9154。不同数量的隐藏层9154可以包含在各个实施例中，并且可以如上文参考图12所述的那样进行配置(适于与图13的输入层9152一起工作)。可以训练图示9150的神经网络，以在输出层9106处提供给定区
域温度、区域相对湿度、一天中的某个时间和一天的类型的预测设定点变化δt
sp
的值。
[0229]
现在参考图14，根据一些实施例，示出了展示区域温度的扫描以确定舒适度约束条件的图9200。图9200被示出为包含用于确定舒适度约束条件值的系列9202。系列9202可以将δt
sp
的值与tz相关联。为了确定舒适度约束条件的下限，可以扫描系列9202，直到δt
sp
的变化达到零。如在系列9202中示出，在可以定义舒适度约束条件的下限的下限9204处达到零。为了识别舒适度约束条件的上限，系列9202可以继续超过下限9204被扫描，直到系列9202偏离为零的δt
sp
值。如在图9200中示出，所述值可以确定为上限9206。以这种方式，下限9204和上限9206可以定义在mpc中用作舒适度约束条件的t
min
和t
max
的值。
[0230]
现在参考图15，根据一些实施例，示出了用于确定每小时舒适度约束条件的过程9300。通过执行过程9300，可以生成舒适度约束条件以在mpc中使用。一般而言，过程9300可以产生温度的上限和下限。然而，应当理解，可以执行过程9300以生成如相对湿度等其它条件的约束条件。进一步地，可以扩充过程9300以使用不同于所示出的小时的不同时间增量。在一些实施例中，过程9300的一些和/或所有步骤通过如上文参考图11所述的约束条件生成器9016和/或舒适度控制器9000的另一组件执行。
[0231]
过程9300被示出为包含选择某一天(步骤9302)。在步骤9302中选择的所述某一天可以指示一周中的某一天(例如，工作日或周末)。所选的一天可以用于预测各种信息，如预期会出现在相关区域中的居住者的数量。例如，与工作日相比，周末的一天可能与更少的居住者相关联。在一些实施例中，步骤9302由约束条件生成器9016执行。
[0232]
过程9300被示出为包含将小时变量设置为午夜(步骤9304)。午夜(即，0：00)可以作为可以针对其确定增量设定点变化的一天的起点。在一些实施例中，代替午夜而设置不同的起点作为小时变量。如果使用不同的起点，则所述过程可以代替地从不同的起点延长二十四小时。在一些实施例中，步骤9304由约束条件生成器9016执行。
[0233]
过程9300被示出为包含确定小时变量是否小于或等于23：00(步骤9306)。由于23：00是第二天午夜前的一小时，如果小时变量超过23：00，则所述过程不应继续，否则过程9300可以延长到第二天。如此，如果确定小时变量大于23：00，则过程9300可以结束。如果确定小时变量小于或等于23：00，则过程9300可以继续到步骤9308。在一些实施例中，步骤9306由约束条件生成器9016执行。
[0234]
过程9300被示出为包含将区域温度变量设置为15℃(步骤9308)。应当理解，15℃是为了实例而使用的。区域温度变量可以设置为其它起点(例如14℃、16℃、18℃等)。进一步地，可以使用其它温标(例如，华氏度、开尔文等)代替摄氏度。在一些实施例中，区域温度变量最初设置为预测低于可能使得δt
sp
＝0的最小区域温度的温度。在一些实施例中，步骤9308由约束条件生成器9016执行。
[0235]
过程9300被示出为包含确定区域温度变量是否小于或等于30℃(步骤9310)。与步骤9308类似，30℃是为了实例而使用的。在一些实施例中，可以将步骤9310中用于参考的值设置为预期大于使得δt
sp
＝0的最高区域温度的值。在一些实施例中，步骤9310由约束条件生成器9016执行。
[0236]
过程9300被示出为包含预测当前小时的δt
sp
(步骤9312)。步骤9312可以包含使用经训练的神经网络以基于区域条件预测设定点变化。换言之，区域条件可以输入到神经网络以预测当前小时的δt
sp
的值。在一些实施例中，步骤9312由约束条件生成器9016执行。
[0237]
过程9300被示出为包含使tz增量(步骤9314)。tz可以通过各种增量值(例如，0.5、1.0、1.5等)进行增量。可以设置增量值，使得tz不超过使得δt
sp
＝0的最高区域温度过远(如果超过的话)。在使tz增量之后，过程9300可以重复步骤9310并继续到步骤9316。以这种方式，可以针对tz的多个值预测δt
sp
以确定最小和最大舒适度界限的近似值。在一些实施例中，步骤9314由约束条件生成器9016执行。
[0238]
过程9300被示出为包含确定δt
sp
的预测值＝0(步骤9316)。如果步骤9316中的确定是δt
sp
≠0，则过程9300可以结束对tz的当前增量。如果步骤9316中的确定是δt
sp
＝0，则过程9300可以继续到步骤9318。在一些实施例中，步骤9316由约束条件生成器9016执行。
[0239]
过程9300被示出为包含设置最小和最大舒适度界限的值(步骤9318)。具体地，最小舒适度界限可以设置为：
[0240]
t
min
＝min(tz(δt
sp
＝0))
[0241]
其中t
min
是最小舒适度界限。进一步地，最大舒适度界限可以设置为：
[0242]
t
max
＝max(tz(δt
sp
＝0))
[0243]
其中t
max
是最大舒适度界限。通过使tz增量并将其应用于神经网络中以获得δt
sp
，对于使tz增量的每次迭代，多个tz值的δt
sp
的值被找到并且然后可以用于找到δt
sp
从零改变为非零的情况。以这种方式，t
min
可以设置为预测设定点变化为零的区域温度最小值，而t
max
可以设置为预测设定点变化为零的区域温度最大值。在一些实施例中，步骤9318由约束条件生成器9016执行。
[0244]
过程9300被示出为包含使小时变量增量(步骤9320)。小时变量可以以一小时增量，基于此，过程9300可以用增量小时变量从步骤9306开始重复，并继续到步骤9322。在一些实施例中，小时变量根据t
min
和t
max
的值所期望的分辨率以不同的值增量。一般而言，随着所期望的分辨率增加，增量值可能会减小。在一些实施例中，步骤9320由约束条件生成器9016执行。
[0245]
过程9300被示出为包含输出每日舒适度界限(步骤9322)。输出的每日舒适度界限可以用于执行mpc，使得mpc决策不会导致违反居住者舒适度。在一些实施例中，步骤9322由约束条件生成器9016执行。
[0246]
现在参考图16，根据示例性实施例，示出了用于训练神经网络以预测建筑物的居住者的舒适度或不舒适度的过程1600的流程图。在各个实施例中，过程1600可以通过舒适度控制器9000执行。
[0247]
在步骤1602处，使一个或多个居住者暴露于建筑物的第一组环境条件。例如，可以控制建筑物设备以提供建筑物的环境条件。在一些实施例中，步骤1602包含执行实验，由此在设备的正常操作之外(例如，使用随机设定点，使用针对实验定义的设定点时间表)生成第一组环境条件以有意测试居住者对第一组环境条件的反应。
[0248]
在步骤1604处，提示一个或多个居住者进行舒适度反馈。在一些实施例中，提示一个或多个居住者进行舒适度反馈包含在建筑物居住者的用户装置(例如，智能电话、个人计算机)上提供图形用户界面，所述图形用户界面包含供用户提供结构化反馈的选项。在一些实施例中，提示是作为建筑物的居住者的移动应用，例如江森自控有限公司(johnson controls)的配套app的一部分提供的。在其它实施例中，例如在办公室环境中，可以在用户的计算机工作站(例如，台式计算机)上自动提供提示。
[0249]
在步骤1604的一些实例中，可以向用户提供图形用户界面中的选项以指示用户是热的、冷的或舒适的。作为另一个实例，可以提示用户指示用户对用户离舒适度有多远的感知(例如，摄氏度或华氏度数、主观量表)。在神经网络的训练周期期间，可以提示用户进行反馈1604，在此之后，可以停止此类提示以允许如本文所述的自动舒适度预测。
[0250]
在其它实施例中，步骤1604包含通过定位于建筑物中的恒温器或专用舒适度反馈装置提供提示。例如，可以在空间中提供具有表示热、舒适和冷的三个按钮的舒适度反馈装置，使得居住者可以容易地提供简单的舒适度反馈。作为另一个实例，步骤1604可以包含允许用户通过恒温器或移动app输入温度设定点变化。
[0251]
在步骤1606处，从用户接收舒适度反馈。舒适度反馈可以作为数字信息在数据库处接收，所述数字信息可以与时间戳相关联并存储。舒适度反馈可以与表示提供舒适度反馈时或提供舒适度反馈当天的环境条件和其它因素的数据相关联，例如可以用作时变输入的室内空气温度、室外空气温度、室内相对湿度、室外相对湿度、天气、天类型等。
[0252]
在步骤1608处，使用舒适度反馈和神经网络的一个或多个时变输入训练神经网络。在给定一个或多个时变输入，例如室内空气温度、室外空气温度、室内相对湿度、室外相对湿度、天气、天类型的情况下，可以训练神经网络来预测舒适度反馈。
[0253]
在一些实施例中，训练神经网络以预测在受到输入值的集合所定义的条件的影响的情况下居住者将请求的温度设定点变化δt
sp
。这表示对居住者舒适度的预测，其中如果预测居住者舒适，则δt
sp
＝0，δt
sp
＜0表示预测居住者太热，并且δt
sp
＞0表示预测居住者太冷。由此对神经网络进行训练以预测居住者是否舒适(这相当于预测居住者是否不舒适)。
[0254]
在所示出的实施例中，使用来自多个居住者的舒适度反馈来训练单个神经网络，例如，使得舒适度预测表示多个居住者的复合反应。例如，δt
sp
＝0的预测可以表示多个居住者进行的投票/集合将具有δt
sp
＝0的获胜者(例如，大多数居住者选择δt
sp
＝0，平均变化为大约δt
sp
＝0)。在其它实施例中，可以基于来自具体的、对应的居住者的舒适度反馈来训练对应于不同居住者(或多个居住者的不同子集)的多个单独的神经网络。在此类实施例中，可以训练每个神经网络来预测所述特定居住者(或居住者的子集)的舒适度。然后，可以将来自多个神经网络的预测组合以用于定义复合预测，或者在根据给定时间处的建筑物中存在哪些居住者，基于居住者的等级结构的两者之间进行选择，所述居住者的等级结构给予第一个居住者的舒适度优先于另一个居住者的舒适度，或者某种其它组合或冲突解决方法。
[0255]
由此，过程1600输出用于居住者舒适度预测的经训练的神经网络，然后可以将其应用于根据示例性实施例的用于使用舒适度预测操作建筑物设备的过程1700，例如，如在图17中示出。在一些实施例中，过程1700可以通过舒适度控制器9000执行。在本文中对舒适度预测、居住者将感到舒适的预测等的提及应理解为还涵盖相反的预测，即，不舒适度预测、在给定某些输入条件下居住者将不感到舒适的预测等。本文的语言意指涵盖使用任何视角(例如，在预测居住者舒适的情况和预测居住者不舒适的情况下)的表述方式和方法。
[0256]
在步骤1702处，确定神经网络的一个或多个时变输入。时变输入可以包含室外空气条件、天气条件、天类型等的测量或预测值。时变输入还包含测试室内空气温度(或环境条件的其它值)，所述测试室内空气温度(或环境条件的其它值)可以用于在给定所选室内
空气温度或温度设定点(或其它条件)的情况下例如使用上文参考图15所述的迭代过程预测居住者舒适度。在生成对应于不同居住者或不同居住者子集的多个神经网络的实施例中，步骤1702可以包含选择适当的神经网络(例如，通过基于来自接入系统、安全系统、调度系统或其它数据源的数据来确定哪些居住者当前存在或预期存在)。
[0257]
在步骤1704处，将时变输入应用于神经网络以确定一个或多个时变阈值，所述时变阈值定义建筑物的环境条件的值的范围，在所述范围内预测一个或多个居住者是舒适的。这等同于并且意指涵盖其中所述阈值被表征为定义对预测一个或多个居住者感到不舒适的建筑物的环境条件的值的限制的表述方式。
[0258]
在一些实施例中，步骤1704包含如在图15中的迭代过程，其中在神经网络的输出层处预测环境条件的设定点变化，并且使一个或多个可控输入(例如，环境条件的设定点)增量以找到与预测的设定点变化变为非零的点相对应的可控输入。当环境条件的输入值变得太高或太低时，预测的设定点变化可以变为非零，由此提供舒适度范围的端点(或者，用相反的角度等效地看，提供不舒适度范围的阈值)。在一些实施例中，神经网络仅动态地确定单个阈值，例如环境条件的最小值或环境条件的最大值。在此类实施例中，可以使用静态第二阈值来定义范围，或者单个阈值一侧的任何值都可以被视为环境条件的舒适度值(和单个阈值另一侧的被视为环境条件的不舒适度值的对应值)。在一些实施例中，在不偏离使用神经网络的输出生成阈值的范围的情况下，对确定的阈值执行另外的演算或处理(例如，添加恒定偏移、始终设置至少阈值之间的最小间隙等)。
[0259]
在其它实施例中，神经网络可以被配置成使得神经网络的输出层直接提供在其内居住者被预测为舒适的范围的最小值和最大值。在又其它实施例中，神经网络可以被配置成使得神经网络的输出层提供舒适度值，所述舒适度值用于将范围定义为在舒适度值周围的死区内。
[0260]
在步骤1706处，通过执行受基于一个或多个阈值的约束条件约束的预测控制过程来生成用于建筑物设备的设定点。在步骤1706处生成的设定点可以包含温度设定点、设备要消耗、储存或提供的热能的量、风扇速度、空气流速、压缩机频率以及其它可能的设定点。预测控制过程可以是如上所述的模型预测控制过程。在步骤1708的一些实施方案中，预测控制过程是总厂的资源分配过程，如于2017年4月25日提交的美国临时申请第62/489,975号中进一步详细描述的，所述美国临时申请的全部公开内容通过引用并入本文并且本技术要求其优先权。
[0261]
在受基于一个或多个阈值的约束条件约束的情况下，模型预测控制方法可以被配置成确保环境条件的预测值保持在所述阈值之间，即，使得预测居住者在环境条件的预测值下是舒适的。在其它实施例中，模型预测控制方法可以被配置成确保环境条件的设定点保持在所述阈值之间，即，使得当环境条件具有设定点值时，预测居住者是舒适的。两个阈值之间的可能值的范围为成本优化、能源使用优化、资源使用优化、负载转移等提供了空间，同时将环境条件限制为预测使居住者感到舒适的值(或对环境条件的不舒适度值进行罚分)。
[0262]
步骤1706可以包含针对一种环境条件生成多个设定点，例如在一天优化周期中的每小时的设定点。步骤1706还可以包含在各个实施例中针对多个不同的变量生成设定点。
[0263]
在步骤1708处，操作建筑物设备以将环境条件朝设定点驱动。例如，控制信号可以
以电子方式从控制器传输到设备以使建筑物设备根据控制信号操作，使得将环境条件朝设定点驱动。过程1700由此可以使环境条件被驱动到被预测为对于空间的居住者来说舒适的值，同时还提供与在步骤1706中实施的预测控制过程相关联的成本或能量优化或其它优势。
[0264]
示例性实施例的配置
[0265]
如各个示例性实施例中所示的系统和方法的构造和布置仅为说明性的。尽管已在本公开中仅详细描述几个实施例，但是许多修改是可能的(例如，各个元件的大小、尺寸、结构、形状和比例的变化、参数的值、安装布置、材料使用、颜色、朝向等)。例如，可以颠倒或以其它方式改变元件的位置，并且可以更改或改变分立元件或位置的性质或数量。因此，所有此类修改旨在包含在本公开的范围内。根据替代性实施例，可以改变或重新排序任何过程或方法步骤的顺序或序列。在不脱离本公开的范围的情况下，可以在示例性实施例的设计、操作条件和布置方面作出其它替代、修改、改变和省略。
[0266]
本公开设想了任何机器可读介质上用于完成各种操作的方法、系统和程序产品。本公开的实施例可以使用现有计算机处理器或由出于此目的或另一目的而结合的适当系统的专用计算机处理器或由硬接线系统来实施。本公开的范围内的实施例包含程序产品，所述程序产品包括机器可读介质，所述机器可读介质用于承载或其上存储有机器可执行指令或数据结构。此类机器可读介质可以是可以由通用或专用计算机或具有处理器的其它机器访问的任何可用介质。通过举例，此类机器可读介质可以包括可以用于以机器可执行指令或数据结构的形式承载或存储期望程序代码并且可以由通用或专用计算机或具有处理器的其它机器访问的ram、rom、eprom、eeprom、cd-rom或其它光盘存储设备、磁盘存储设备或其它磁存储装置或者任何其它介质。上述各项的组合也包含在机器可读介质的范围内。机器可执行指令包含例如指令和数据，所述指令和数据使通用计算机、专用计算机或专用处理机器执行某一功能或一组功能。
[0267]
虽然附图示出了方法步骤的特定顺序，但步骤的顺序可以不同于所描绘的顺序。此外，两个或更多个步骤可以同时或部分同时执行。此类变化将取决于所选择的软件和硬件系统并且可以取决于设计者的选择。所有此类变化都处于本公开的范围内。同样，软件实施方案可以用具有基于规则的逻辑和用于实现各种连接步骤、处理步骤、比较步骤和决策步骤的其它逻辑的标准编程技术来实现。