协同能量管理系统的制作方法

技术领域

本发明的主题涉及建筑物或空间内的能量管理，更特别地涉及一种协同能量管理系统。

背景技术：

可以按照其居住者的舒适水平而不管外部天气的变化如何维持室内条件的建筑物是发达社会的新兴期望之一。随着一般生活方式和消费者期望在过去十年间的变化，对舒适水平的需求已经变得越来越多地被个性化。这些个人舒适水平期望造成多居住者空间(诸如房屋、公司办公楼、学生宿舍、公共汽车、飞机等)中的冲突情况，其中，每个居住者具有他或她自己的舒适温度分布范围。该范围还依赖于居住者的个人特性，包括代谢率、年龄以及诸如服装、身体以及精神情况的外部因素、以及忍受水平；该个人范围还可以根据其它环境因素变化。

在共享的多居住者空间中，个人舒适水平受共同居住者的存在和所占用的不同区域和房间中的温度之间的相关性这两者影响。因此，在建筑物中的不同房间和区域的所有居住者之间达到一致性是重要但具有挑战性的问题。随着上升的能量成本和对节能的强调，还需要在尝试在建筑物的居住者之间实现一致性时说明总能量成本。

建筑物(住宅和商业这两者)中的能量使用是美国和世界范围这两者内的能量消耗的一个主要来源。数据显示美国的总能量消耗的接近40％和世界范围内的总能量消耗的20％归因于住宅和商业建筑物使用。已经针对建筑物供热、通风和空气调节(HVAC)系统的高效控制和操作提出大量设计和解决方法。不幸的是，没有提供全面解决提供共享多居住者空间中的个人舒适和能量效率的挑战的方法。

技术实现要素：

所公开的解决方案提供了一种借助每个区域中的温度和能量流测量自适应地学习多个区域之间的热相关性的协同能量管理系统。该信息然后一起被用于所有热区域的协调(联合)控制，而不是用于单独控制每个区域中的温度/能量流。

该系统还允许居住者经由管理用于空间(诸如建筑物、家、飞机、公共汽车、宿舍等)的协同能量管理系统的服务器使用移动应用程序等提供他们的舒适偏好/反馈。偏好连同空间的总能量成本信息一起用于联合优化(折衷)能量成本和居住者不适，这将多区域热相关性模型考虑在内。

该系统还提供基于居住者的温度偏好信息正确地计算共享公共空间的个人居住者的热能使用(即，定价信号)的处理。该处理使得它调用来自居住者的关于居住者的当前舒适水平或舒适温度范围的真实反馈。

在第一方面中，本发明提供了一种用于多区域空间的协同能量管理系统，该协同能量管理系统包括：多个环境传感器，该多个环境传感器被定位为遍及多区域空间；自适应学习系统，该自适应学习系统从环境传感器收集环境数据，并且生成使历史环境数据与HVAC(供热、通风、空气调节)设置相关的相关性模型；以及优化系统，该优化系统利用相关性模型、从多区域空间内的多个居住者接收的所输入偏好以及能量使用目标来定期地生成用于控制用于多区域空间的HVAC系统的新HVAC设置。

在第二方面中，本发明提供了一种提供多区域空间中的协同能量管理的方法，该方法包括以下步骤：从多区域空间中的传感器收集环境数据，以生成使历史环境数据与HVAC设置相关的相关性模型；从多区域空间内的多个居住者接收偏好；接收针对多区域空间的能量使用目标；利用相关性模型、偏好以及能量使用目标通过一致性算法计算用于多区域空间的新HVAC设置；以及将HVAC设置应用于与多区域空间关联的HVAC系统。

在第三方面中，本发明提供了一种存储在计算机上的可读的计算机程序产品，在由计算机系统执行时提供多区域空间中的协同能量管理，该计算机程序产品包括：从多区域空间中的传感器收集环境数据以生成使历史环境数据与HVAC设置相关的相关性模型的程序代码；从多区域空间内的多个居住者接收偏好的程序代码；接收用于多区域空间的能量目标的程序代码；利用相关性模型、偏好以及能量目标，通过一致性算法计算用于多区域空间的新HVAC设置的程序代码；以及将HVAC设置输出到与多区域空间关联的HVAC系统的程序代码。

附图说明

本发明的这些和其它特征将结合附图从本发明的各个方面的以下详细描述更容易地理解，附图中：

图1示出了根据实施方式的协同能量管理系统。

图2示出了根据实施方式的用于观察环境信息的智能装置上的用户界面。

图3示出了根据实施方式的用于输入用户偏好的智能装置上的用户界面。

图4示出了根据实施方式的参数的表。

图5示出了根据实施方式的空间的四区域楼层平面图。

图6示出了根据实施方式的示出居住者信息的表。

图7示出了根据实施方式的空间的六区域楼层平面图。

图8示出了根据实施方式的示出区域信息的一对表。

图9示出了根据实施方式的不同区域中的温度的曲线图。

图10示出了根据实施方式的不同区域中的温度的另外曲线图。

图11示出了根据实施方式的具有传感器和恒温器的空间的区域楼层平面图。

图12示出了根据实施方式的示出传感器读数的表。

附图不必按比例绘制。附图仅是示意性表示，不旨在描写本发明的具体参数。附图旨在仅描绘本发明的典型实施方式，因此不应被认为限制本发明的范围。在附图中，相同附图标记表示相同元件。

具体实施方式

参照附图，图1示出了用于管理空间12内的HVAC(供热、通风、空气调节)设置的协同能量管理(CEM)系统10。空间12通常包括任意数量的区域12a、12b、12c，区域例如可以包括房间、办公室、小卧室、区域、床、座位等。空间12通常利用一个或更多个恒温器或其它类似装置来控制关联HVAC系统34的HVAC设置。在一些情况下，诸如房间的区域可以具有各自恒温器；在其它情况下，单个恒温器可以用于控制整个空间12；并且在另一些情况下，少量恒温器可以用于控制较大量区域等。虽然这里通常被描述为控制传统HVAC处理，但是HVAC系统34可以包括用于控制空间12内的舒适参数(例如，供热、冷却、气流、百叶窗的升高和降低、窗户的打开和关闭、照明、水温等)的任意系统。

空间12适于由访问用于将个人偏好36输入到CEM系统10中的应用程序42(例如，运行在智能电话、计算机、语音识别系统等上的应用程序)的一组居住者(或“用户”)14使用。由此，例如，居住者14可以包括家庭成员、办公楼中的工作者、飞机上的乘客等。个人偏好36例如可以包括温度偏好、时间设置、气流偏好等。如这里所述的，CEM系统10的目标是提供最佳地平衡个人居住者14的不同偏好36和由管理员38等针对空间12建立的能量使用目标15的空间12内的环境条件。

为了实现这一点，CME系统10包括从空间12内或外部的一组环境传感器44收集环境数据的自适应学习系统16。环境数据可以包括每个区域中的温度和能量流测量、区域之间的热相关性、热点和冷点、外部环境对个人区域的影响、HVAC设置等。环境数据被用于创建多区域相关性模型(“相关性模型”)18，该模型对各种环境条件和作为时间与日期、位置、周围条件等的函数的结果(例如，温度)建模。因此，相关性模型18例如可以用于例如在冬天的工作时间期间基于历史数据对条件建模，区域12a被已知为比恒温器设置冷三度；或区域12b通常比区域12c暖两度；等等。任意数量或类型的环境传感器44可以用于收集环境数据。

在CEM系统10中还包括多用户优化系统22，该多用户优化系统22输入用户偏好36、能量使用目标15以及来自相关性模型18的信息，以动态地生成用于HVAC系统34的设置，以联合优化能量成本和居住者舒适(或不适)。比如，(从相关性模型18)知晓空间12在当前环境下响应于HVAC设置将如何表现，多用户优化系统22将采用一致性算法48来满足居住者14的偏好36和针对空间12设置的能量使用目标15。由此，例如，在单个恒温器空间12中，在“较冷”区域中的第一居住者可能更喜欢较高温度，而“较暖”区域中的第二居住者可能更喜欢较冷温度。在这种情况下，多用户优化系统22向HVAC系统34提供HVAC设置，以最好地平衡两个居住者的偏好，同时尝试满足任意预定义能量成本目标。能量使用目标15可以包括针对整个空间12设置的任意目标，包括用于能量消耗的成本目标、目标温度设置等。

多用户优化系统22还可以利用用户位置追踪系统24来加强，该用户位置追踪系统24提供居住者14在空间12中的实时位置信息。由此，当居住者14移动穿过空间12时，他们的偏好36可以跟随他们。例如，家庭成员卧室中的家庭成员可以经由智能电话应用程序42提交温度偏好36，但是然后移动至客厅以观看影片。多用户优化系统22将利用追踪信息来调节HVAC设置，以尝试满足起居室中的家庭成员的温度偏好36。用户追踪可以以任意方式来进行。在一个实施方式中，用户追踪可以利用可以追踪人们的遍及空间12放置的追踪传感器40来进行。在另一个实施方式中，可以收集并依赖用户行为数据32来预测居住者14在不同时间将处于何处。比如，可以确定特定居住者倾向于在午饭时间期间聚集在自助餐厅中，而其它居住者倾向于在他们的办公室吃午饭。在又一个实施方式中，来自居住者的智能电话的位置信息(例如，GPS等)可以用于追踪位置信息。在又一个实施方式中，辅助信息(诸如居住者是否登录到他们的计算机、观看电视、淋浴室中的流水等)可以用于确定位置信息。

在CEM系统10中还设置能量使用报告系统26，该能量使用报告系统26基于居住者选择的偏好36给居住者14提供关于它们的个人能量消耗成本的个人反馈，诸如定价信号37。例如，共享办公室的两个居住者将接收关于他们的偏好36对能量消耗成本的影响的个人实时数据。夏季偏好较冷温度且冬季偏好较暖温度的居住者14将具有比不具有那些偏好的居住者更高的定价信号37(即，更大能量成本)。定价信号37可以包括反映针对每个居住者的个性化能量影响的任意类型的信息。例示性定价信号例如可以包括值、排序、等级评定、成本、信用等。

最后，为诸如房主、建筑物管理者、公用事业公司等的管理员38提供管理和监测系统28。使用管理和监测系统28，管理员38可以经由图形用户界面设置能量消耗使用目标15，使历史热数据可视化，并且进行分析。管理员可以观察区域级的能量使用倾向，并且追踪滥用能量使用的居住者14或识别具有能量泄漏的房间。管理员38可以远程调节/设置区域级的温度设置，以解决能量的过度消耗或浪费。管理和监测系统28还可以用于基于居住者的能量使用数据给居住者提供奖励或使居住者被处罚。

以下描述提供用于实现CEM系统10的详细方法，包括用于基于建筑物的居住者14的偏好和反馈进行建筑物的能量高效操作的例示性一致性算法48。贯穿论述对图1进行参照。虽然CEM系统10可以被用于控制任意类型的环境条件，但是为了论述简单起见，以下描述主要集中于温度设置。

一致性算法48使居住者14的舒适(不适)水平与当前HVAC设置相关。如注释的，遍及空间12的环境传感器44向自适应学习系统16馈送实时区域温度(和其它相关环境参数)。传感器读数被用于创建通过控制居住者空间12的环境来帮助一致性算法48的多区域相关性模型18。

居住者14可以使用他们的智能电话(或其它装置)来访问例如移动应用程序42，并且提供他们的温度偏好36。在图2和图3中，示出了移动应用程序的两个例示性截图。图2示出了包括用于居住者的当前位置的房间温度和周围温度随着时间的曲线图52。周围温度通常是指外部温度或将产生但用于HVAC系统的温度。界面50还示出了基于针对给定区域的居住者偏好的居住者舒适(comfort)在区域中的百分数分布54。例如，40％居住者感觉冷，这意味着他们的温度偏好高于当前区域温度。所显示的信息可以以特定间隔或者经由居住者14手动生成的更新请求被更新。

图3示出了用户可以输入他们的温度偏好36以及设置用于偏好的定时所借助的偏好界面60。偏好界面60还提供关于居住者的能量使用的定价信号(例如，“信用”可以通过节能提供给个人居住者14)。使用偏好36，一致性算法48估计关于针对空间中的一组居住者的不适函数的信息。

受制于针对每个区域的常温设置点的约束，一致性算法48可以利用作为所有居住者不适函数和总能量成本的集合的最小化目标。每单位温度变化的定价充当可以反馈回居住者14的定价信号37，以迫使居住者宣告他们真实的温度偏好36，这优化如上所述的总体不适和能量成本目标。因此，一致性算法48固有地防止滥用的居住者(或他们的代理)借助恶意偏好设置36利用该系统。算法48实现居住者14不具有偏离动机的最佳区域温度。借助智能电话应用程序获得的居住者偏好36和传感器测量值在建筑物管理者或管理员38的控制下由CEM系统10用来确定最佳区域温度(即，能量使用目标15)。

一旦被计算，HVAC系统34就被设置为提供最佳区域温度设置。对于诸如图1中所示的系统的集成系统，恒温器可以被自动设置到所计算的温度设置。

为了实现这种能量高效温度控制系统，可以通过优化系统22利用建筑物热传递模型49。各种建筑物建模策略已经被提出并可以被使用，包括基于有限元法的模型、集中质量和能量传递模型、以及基于电路模拟的图形理论模型。热传递模型49选择需要计算效率与温度动态(dynamics)的表示精度之间的折衷。因为对多个互连区域建模的电模拟方法将热传递模型49减小到等效电路网络，所以该电模拟方法是吸引人的。该模型还可以被修改为包括建筑物占用、房间以及供热设备动态。

在该示例中，描述了电路模拟方法，该方法与分布式一致性算法48组合，以实现建筑物的协同温度控制。建筑物被建模为互连区域的集合，能量/温度动态根据集中热传递模型来演变。在集中热传递模型中，单个区域被建模为热电容器，并且墙壁被建模为RC网络。这产生标准集中4R3C墙壁模型。热流建模基于温差和热电阻：Q＝ΔT/R，其中，ΔT是温差，R是热电阻，并且Q是跨电阻传递的热。这类似于由于跨电阻器的压差而引起的电流。同样，注意，热电容表示空间存储热量的能力：CdΔT/dt＝Q。热流和热电容模型可以针对系统中的所有热电容器被编写，Ti作为第i个电容器的温度。考虑具有n个热电容器和l个热电阻器的系统。将周围温度(T∞)考虑在内，并且忽略系统中的任意“热噪声”，具有m个区域的系统的整体热传递模型可以被写为：

其中，T∈Rⁿ是温度矢量(该温度矢量表示模型中热电容器的温度)，u∈R^m是到建筑物中的不同区域中的热输入的矢量，并且B∈R^nxm是对应输入矩阵。同样，注意，(T,u)是时间(T(t),u(t))的函数，因此注意，u的正值对应于加热该系统，而u的负值对应于冷却该系统。在上述方程中，T∈R^nxn由墙壁电容构成，并且是对角正定矩阵；R∈R^lxl由系统中的热电阻器构成，并且也是对角正定矩阵。同样，D∈R^nx1是将系统电容映射到电阻器的入射矩阵，并且为满行秩，并且B₀＝-DR^-1d^T₀∈Rⁿ是具有表示连接到周围的节点的导热率的非零元素的列矢量。

在热传递模型49中，选择区域，以使得每个区域具有供热/冷却单元，这依次暗示B为满行秩。同样，因为矩阵D为满行秩，所以乘积DR^-1D^T是正定矩阵。由y表示的区域温度矢量(该矢量是T的函数)可以被表示为

y＝B^TT (2)。

图4中的表1示出了上述参数的截图。

多用户优化系统22(图1)由此可以如下来实现。考虑具有m个区域的建筑物，并且使Sj表示位于建筑物的区域j中的一组居住者。使Di表示居住者i的不适函数，并且函数E表示总能量成本。然后，合理目的是(在稳定状态下)获得实现以下目的的区域温度矢量y：

最小化

其中，y_j是区域j的温度，并且u是获得那些区域温度所要求的热输入矢量。注意，位于区域j中的居住者i(即，i∈S_j)经历温度y_j，因此，居住者的不适可以被表示为D_i(y_j)。假定不适函数D_i(y_j)在其自变数y_j中是凸的(convex)。值得注意的是，不适函数不需要“严格地”为凸的。这允许居住者14对特定范围内的温度波动不敏感；或者换言之，不适函数可以在居住者的舒适范围内是平坦的。在以上中，假定E(u)是控制输入矢量u的凸函数。为了明确起见，E(u)为以下二次形式(但是框架还允许函数E(u)的其它凸形式)：

E(u)＝u^TΓu， (4)。

其中，Γ是正定矩阵。Γ矩阵捕获能量成本相对于总不适成本的权重。在实践中，它可以由实际能量成本以及确定与居住者不适成本相比多少相对权重与能量成本关联的来自建筑物操作员的另外输入来确定。

最后，因为目标函数(3)中的优化变量仅是区域温度矢量y，所以需要陈述热输入矢量u与区域温度矢量y之间的关系，以使得公式有意义。该关系可以使用(1)中的稳定状态条件(即，设置)从(2)导出。这给出

其中，A＝DR^-1D^T。

然后，使用方程(5)，将能量成本E(u)写为G(y)＝E(g(y))。可以看到，函数G(y)在y中是凸的。如果假定个人居住者不适函数被建筑物操作员已知，则可以直接计算最佳区域温度矢量y*。然而，这种集中式方法经受若干实际限制。首先，向建筑物操作员报告整体不适函数对于居住者14是复杂的，并且他们甚至可能无法正确估计不适函数。第二，即使居住者14确切知晓他们的不适函数，居住者也没有真实地报告不适函数的动机。

因此，在实践中，可能更期望具有管理员38(建筑物操作员)间接学习居住者14的真实不适函数所借助的机制，居住者以简单方便的格式来提供他们的温度偏好反馈，这最好地响应于由管理员38所提供的一些定价信号37动作。此外，定价信号37应使得它朝向针对每个区域的常温设置点引导居住者14。一致性算法48根据上述原理来工作。

以下注释被用于例示性一致性算法48。使X_ij表示位于区域j中的居民i∈S_j的期望温度，并且使Z_j表示如由管理和监测系统28偏好的区域j的目标温度。矢量z然后表示由m个区域构成的整个建筑物的目标温度。通常，居住者i∈S_j的个人偏好X_ij可以不同于z_j。注意，实际区域温度y_j也可以不同于这些温度。该算法激励的定价信号确保用于所有居住者i∈S_j的x_ij等于z_j，这受制于方程(5)优化方程(3)中的目标函数。Z*用于表示针对建筑物的最佳温度设置点矢量。

通常，管理和监测系统28将不知晓居住者的不适函数。在一个例示性实施方式中，定价信号37向居住者14提供可以诱导居住者14真实且高效地宣告他们的舒适的反馈。这可以通过将针对区域j中的居住者i的定价信号37设置为由他或她的存在引起的机会成本和对应不适函数D_i(y_j)来实现。

鉴于居住者和建筑物管理系统的区域温度选择，将方程(3)中的最小化目标考虑为：

最小化受制于x_ij＝x_j，i∈S_j，(6)，

其中，函数G(z)＝E(g(z))表示按照目标区域温度矢量z的总能量成本。在能量作为弹性资源的情况下，es-MSP可以用于将针对居住者的定价信号37(p_i)获得为：

其中，z*表示最佳温度设置点矢量，并且z*_j表示针对区域j的对应分量。注意，函数D_-i(.)和G_-i(.)表示对应于用户i从建筑物离开的值。方程(7)中的定价信号37或值是指由于用户i的存在而引发的建筑物操作的额外成本和所关联的不适函数D_i(.)。该定价值37必须说明与居住者14的存在和偏好关联的机会成本。定价信号37可以被认为包括两个单独分量：第一分量与由于居住者i的温度偏好而引起的对共同居住者引发的不适成本有关，并且第二分量是建筑物系统适应第i个居住者的偏好的增量能量成本。

一旦已经获得针对建筑物的最佳温度设置点矢量z*，则设计的目标是在稳定状态下迫使方程(1)的系统中的所有区域到达它们的对应一致性温度z*_j。在方程(1)和方程(2)中使用稳定状态条件稳定状态温度y_ss可以被获得为：

y_ss＝B^TA^-1B₀T∞+B^TA^-1Bu (8)。

对应稳定状态输入u_ss由以下方程给出：

u_ss＝g(y_ss)

＝(B^TA^-1B)^-1(y_ss-B^TA^-1B₀T∞) (9)。

该稳定状态函数在方程(4)中用于获得总能量成本函数G(y)＝E(g(y))。

存在用于拾取用于建筑物热控制的稳定控制器的各种选择，诸如滞环控制器、前馈控制器、比例反馈控制器等。这些控制器中的任一个凭借合适自适应可以用于实现方程(1)中的针对该系统的期望稳定状态区域温度。比如可以使用来自方程(9)中的稳定状态输入的基于模型的前馈控制器u*：

u^*＝(B^TA^-1B)^-1z^*-B^TA^-1B₀T∞) (10)，

其中，稳定状态温度y_ss作为最优温度z*。

然而，前馈控制器单独导致可能由于所关联的居住者不适持续时间而对于建筑物温度应用程序不可接受的非常缓慢收敛。为了补偿缓慢收敛，可以添加无源反馈分量将控制设计为：

u＝u^*-K(y-z^*) (11)。

该前馈和比例反馈控制器由此可以用于迫使该系统到最佳温度矢量z*。

如所注释的，用户报告系统26提供定价信号37作为从居住者14诱出更真实温度偏好36的对居住者14的反馈。作为机会成本的该定价信号37具有两个分量：能量成本和不适成本。考虑如图5所示的四房间空间。每个墙壁使用3R2C墙壁模型来表示。使用体积热容量和热电阻值，四个房间和八面墙壁的热传递模型49通过20个电容和27个电阻元件来建模。占用如图5所示，两个居住者在区域1中，并且剩余三个区域不被占用。图6中所示的表2呈现了该结果。

对于该示例，假定二次居住者不适函数为以下形式：(y_j-x_ij)²，其中，y_j是区域j的温度，并且X_ij是区域j中的居住者i的理想优选温度，并且周围温度(T∞)为18摄氏度。在第一示例中，将居住者1的温度偏好假定为17摄氏度，并且将居住者2的温度偏好假定为19摄氏度。解决优化问题(方程6)，最佳区域温度是作为周围温度的18摄氏度，因此不存在与将区域维持在该最佳温度关联的能量成本。每个居住者14的机会成本仅是他们对彼此引起的不适。使用方程(7)，每个居住者的定价信号37(p_i)被获得为3.4612。

在下一个情况中，用于两个居住者的偏好温度都是19摄氏度。因为两个人具有相同偏好，所以不存在与他们的偏好关联的不适成本。最佳温度变成18.8443摄氏度，并且每个居住者1.0839的定价信号37指示他们对建筑物热系统引发的能量成本。在该场景中，每个居住者的机会成本仅由能量成本构成。

在最后的情况中，考虑居住者1具有17摄氏度的温度偏好，并且居住者2具有20摄氏度的温度偏好。注意，在这种情况下，针对每个居住者14的机会成本或定价成本37将具有与其关联的能量成本和不适成本这两者。针对区域1的最佳温度被获得为18.4222摄氏度，该温度偏离周围温度和每个居住者的偏好，因此引发能量和不适成本这两者。分别用于居住者1和居住者2的7.0005和8.6169的定价信号37中内置有能量和不适成本分量这两者。居住者2的更高定价信号可以归因于第二居住者的偏好与周围环境的更大偏离，这产生更高能量和不适成本。

在另外的示例中，在48小时时段期间针对如图7所示的更复杂的六区域空间提供使用方程(1)和来自方程(11)的控制规则的温度动态。如所示，区域1、3、4、5以及6均被一个居住者占用，每个居住者具有特定温度偏好。再次用根据图8的表3的居住者温度偏好假定二次居住者不适函数，并且周围温度为T1＝18摄氏度。最佳解z*通过求解方程(6)来获得，然后在方程(7)中用来求解对应于每个居住者14的定价信号37。图8的表4中呈现了对应结果。使用根据表4的区域z*_j的最佳温度设置点，可以模拟使用方程(1)中的热传递模型的建筑物在48小时时段内的温度变化，以提供示例场景。图9中针对六区域模型呈现了在48小时时段内温度动态的模拟结果，该结果例如可以报告回管理和监测系统28。每个区域的温度可以如在图中观察到的那样收敛至期望的z*_j值。注意，图9中呈现的模拟是指用户的不间断使用，该不间断使用通常不是真实世界场景(因为居住者14通常将进入和出去)。

在图10中，呈现了更复杂占用时间表的温度动态。每个区域的居住者在第1天上午7点到达，在中午12点花费一小时午休，并且在下午5点下班。下一天，居住者上午8点到达，中午午休，并且下午5点离开。当区域不被占用时，该系统进入区域温度开始滑到周围温度的节能模式。区域占用可以使用实时传感器40、用户行为数据32或离线调度等经由用户位置追踪系统24获得。

在另一方法中，方程(8)可以被写为：

y_ss＝M₁T∞+M₂u (12)，

其中，M₁＝B^TA^-1B₀，并且M₂＝B^TA^-1B。这暗示温度矢量是周围温度T∞和能量(热/冷)输入u的函数。在一般的单个家庭/公寓布局中，通常存在设置Θ的中央恒温器控制器，中央恒温器控制器确定到房屋内的不同区域(房间)的能量输入。在典型实施方式中，已知因为到每个区域的能量输入还受诸如通风孔位置、通风孔的打开/部分打开/关闭状态、窗户的隔热、以及能量输入的其它各种各样的来源(例如，个人加热器等)的参数影响，所以已知中央控制器可以不均匀地加热冷却房间。由此，能量输入矢量u是中央恒温器设置Θ、周围温度T∞以及其它参数v的复杂非线性函数，

u＝f(Θ，T∞，v₁，v₂，...)(13)。

为了该方法的目的，假定其它参数是不变的，并且提出作为Θ和T∞的线性函数的u。

u＝M₃Θ+M₄T∞+M₅ (14)。

组合方程(12)和(14)，区域温度矢量y可以被表达为Θ和T∞的线性函数。

y_ss＝F(Θ，T∞) (15)。

学习y对Θ和T∞的该线性依赖可以被作为系统识别问题。假定每个卧室包括不同区域，对应家庭成员占用具有他们的个人温度偏好的卧室。存在与每个家庭成员的温度偏好关联的不适函数D(.)。一旦已知成员的温度偏好和对应卧室的当前温度，就可以计算每个家庭成员对特定中央恒温器设置的不适。由此，如方程(3)中表达的，最佳恒温器设置对应于对于所有成员的总和不适的最小值。一旦识别出系统动态，每个区域的温度可以根据给定Θ的T∞来表达，并且最佳Θ可以通过最小化用户不适的总和来计算。

在涉及系统识别方法的例示性实施方式中，实时温度感测可以利用例如德州仪器的基于CC2541无线微控制器的智能传感器标签(SensorTag)来收集。该传感器标签使用蓝牙低能量向智能电话应用程序42传输并更新温度传感器读数。两个卧室的公寓的布局如图11所示，并且三个传感器标签72、74、76在公寓内用来获得区域的对应温度读数。三个传感器读数包括温度矢量y＝[y1y2y3]。图11中也指示了恒温器70位置。恒温器设置Θ对应于针对所有三个区域的中央温度控制输入。

在(由自适应学习系统16提供的)自适应学习阶段，收集对应于具有图12中的表5中所呈现的采样结果的不同恒温器设置和周围条件的三个区域的温度数据。注意，温度梯度通过使靠近传感器3位置的窗户稍微打开并且因此具有来自周围温度的显著直接影响来创建。使用来自表5的学习结果，可以构建系统的线性数学相关性模型18。恒温器设置(Θ)和周围温度(T∞)充当到系统的输入，并且与三个区域的传感器读数对应的温度矢量(y)组成系统输出。

使用所构建的相关性模型18，控制阶段从两个用户(一个位于传感器2卧室(x₂)内，并且另一个在传感器3卧室(x₃)内)取得温度输入偏好36。基于所接收的用户温度偏好37，由优化系统22确定针对公寓的中央恒温器的最佳设置点(Θ)。

考虑居住者的偏好36为x₂＝22摄氏度并且x₃＝20摄氏度。然后，不适函数采取D₂＝(y₂-x₂)²和D₃＝(y₃-x₃)²的形式。在控制阶段期间，假定T∞＝-4摄氏度。使用从自适应学习阶段识别的系统动态，y₂和y₃根据Θ来表达。然后，使不适函数的和最小化给予我们最佳设置Θ*。

使用实验结果，获得值Θ*＝23.6摄氏度。将恒温器控制设置到23.6摄氏度迫使卧室温度到y₂＝23.1摄氏度和y₃＝18.3摄氏度。

基于实现y₂＝x₂＝22摄氏度的系统识别，一个居住者将需要设置Θ＝22.3摄氏度，并且需要实现y₃＝x₃＝20摄氏度，一个需要设置Θ＝25.8摄氏度。这暗示y₂＝22摄氏度和y₃＝20摄氏度不可同时实现。因此，由一致性算法48达到的Θ＝23.6摄氏度是使居住者的集体不适最小化的最佳设置。

再次参照图1，CEM系统10的多个方面可以在一个或更多个计算系统上实现，例如，凭借存储在计算机可读存储介质上的计算机程序产品。计算机可读存储介质可以是可以保持和存储由指令执行装置使用的指令的有形装置。计算机可读存储介质例如可以是但不限于电子存储装置、磁存储装置、光学存储装置、电磁存储装置、半导体存储装置或者上述的任意合适的组合。计算机可读存储介质的更具体示例的非穷举列表包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码装置(诸如其上存储有指令的打孔卡或凹槽内凸起结构)、以及上述的任意合适组合。如这里所使用的计算机可读存储介质不被解释为暂态信号本身，诸如无线电波或者其它自由传播电磁波、通过波导或其它传输媒体传播的电磁波(例如，穿过光纤电缆的光脉冲)、或者通过线缆传输的电信号。

这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理装置，或者经由网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储装置。网络可以包括铜传输电缆、传输光纤、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理装置中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理装置中的计算机可读存储介质中。

用于执行本发明的操作的计算机可读程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，编程语言包括面向对象的编程语言，诸如Java、Python、Smalltalk、C++等，以及常规过程式编程语言，诸如“C”编程语言或类似编程语言。计算机可读程序指令可以完全地在计算机上执行，部分地在计算机上执行，作为独立软件包执行，部分在计算机上且部分在远程装置上执行，或者完全在远程装置或服务器上执行。在后者的场景中，远程装置可以借助任意种类的网络(包括无线、局域网(LAN)或广域网(WAN))连接到计算机，或者可以连接到外部计算机(例如利用因特网服务提供商借助因特网)。在一些实施方式中，包括例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)的电子电路通过利用计算机可读程序指令的状态信息来执行计算机可读程序指令，以个性化电子电路，以便实现本发明的各个方面。

这里参照根据本发明的实施方式的方法、设备(系统)以及计算机程序产品的流程图和/或框图描述了本发明的各个方面。应当理解，流程图和/或框图的每个框以及流程图和/或框图中的框的组合都可以由计算机可读程序指令实现。

这些计算机可读程序指令可以被提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器以生产一种机器，使得经由计算机或其它可编程数据处理设备的处理器执行的指令创建用于实现流程图和/或框图的一个或多个框中指定的功能/动作的装置。这些计算机可读程序指令还可以存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理设备和/或其它装置以特定方式工作，使得存储有指令的计算机可读介质包括制品，该制品包括实现流程图和/或框图的一个或多个框中指定的功能/动作的方面的指令。

计算机可读程序指令还可以加载到计算机、其它可编程数据处理设备、或其它装置上，使得在计算机、其它可编程设备或其它装置上执行一系列操作步骤，以产生计算机实现处理，使得在计算机、其它可编程设备或其它装置上执行的指令实现流程图和/或框图的一个或多个框中指定的功能/动作。

附图中的流程图和框图示出了根据本发明的各种实施方式的系统、方法以及计算机程序产品的可能实现的架构、功能以及操作。在这点上，流程图或框图中的每个框可以表示模块、片段或指令的一部分，该模块、片段或指令的一部分包括用于实现指定逻辑功能的一个或多个可执行指令。在一些另选实现中，框中所注释的功能可以以附图中注释的顺序之外的顺序发生。例如，连续显示的两个框实际上可以基本同时执行，或者框有时可以按相反顺序执行，这取决于所涉及的功能。还将注意的是，框图和/或流程图中的每个框、以及框图和/或流程图中的框的组合可以由执行指定功能或动作的专用的基于硬件的系统来实现，或者可以由专用硬件与计算机指令的组合来实现。

用于运行CEM系统10的计算平台可以包括任意类型的计算装置，并且例如包括至少一个处理器、存储器、输入/输出(I/O)(例如，一个或更多个I/O接口和/或装置)以及通信路径。通常，处理器执行至少部分固定在存储器中的程序代码。当执行程序代码时，处理器可以处理数据，这可以导致从/向存储器和/或I/O读和/或写所转换的数据，以便进一步处理。路径提供计算系统中的每个组件之间的通信链路。I/O可以包括可以使得用户或其它系统能够与计算系统互动的一个或更多个人类I/O装置。所述储存库可以用任意类型的数据储存器(例如数据库、文件系统、表格等)来实现。

此外，将理解，CEM系统10及其相关组件(诸如API组件)还可以通过将组件发到中央服务器或一组中央服务器中来自动或半自动地部署到计算机系统中。组件然后被下载到将执行组件的目标计算机中。组件然后被拆离到词典中或下载到词典中，该词典执行将组件拆离到词典中的程序。另一个另选方案是将组件直接发到客户计算机硬件驱动器上的词典中。当存在代理服务器时，处理将选择代理服务器代码，确定哪些计算机上放置代理服务器的代码，发送代理服务器代码，然后将代理服务器代码安装在代理计算机上。组件将被发送到代理服务器，然后将被存储在代理服务器上。

已经为了例示和描述的目的提出了本发明的各种方面的前面描述。不旨在是穷尽的或将本发明限于所公开的精确形式，并且明显地，许多修改例和变型例是可以的。对于本领域技术人员显而易见的这种修改例和变型例包括在如由所附权利要求限定的本发明的范围内。