用于基于MPC的建筑能源控制的自适应建模方法和系统与流程

本发明涉及用于建筑能源控制的自适应建模方法和系统，并且更特别地涉及改进用于建筑能源控制的模型预测控制(mpc)。

背景技术：

mpc是已经在化学工业中使用并最近被用于负载平衡和建筑能源管理的控制方法。该方法使用过程的实时测量、预报状况和模型。对于建筑能源管理模型，如在oldewurtel.f.等人的“使用模型预测控制和天气预报用于控制能源高效建筑气候控制”(能源和建筑，45，15-27(2012))和cheung,j.y.m.等人的“用于bems的基于模型的控制器”(基于模型的预测控制的工业应用，iee讨论会，第2/1页，第2/6页，1991年11月21日)中所论述的那样，已经使用了诸如预报的天气和随着时间推移的过去的使用的因素，以预测在预先限定的时间范围内的未来使用，以便最大程度地降低能源使用、能源成本或高峰能源消耗。

图1显示用于建筑能源管理的mpc系统的方块图。系统包括建筑的固定热模型和控制器。基于建筑的热模型、目前的温度测量和天气预报，控制器在扩展到未来的固定时间间隔内优化建筑热性能。通过在所述时间范围内提出许多可能房间温度设定点，然后基于提出的设定点、热模型和天气预报来分析建筑的所得到的能源和温度性能，来实现该优化。一旦完成该过程，选择在时间间隔内最大程度地降低能源使用、成本或高峰能源消耗的房间温度设定点。实现目前时间间隔的设定点，同时丢弃未来设定点，而且在下一个时间间隔中，以更新的测量重复该过程。

高级模型可用来对建筑的hvac系统和热性能建模，但这些模型往往对于在必须在短期内执行大量模拟的mpc中使用来说在计算方面过于密集。一个常用模型将建筑表示为电路，例如其中空间之间的隔离物如窗子和墙壁充当热电阻，减缓热能在温度不同的两个空间之间的流动，并且房间中的空气和物体充当热电容，存储热能且减慢功率使房间的温度快速升高的过程。在这个模型中，温度像存在于系统内的节点处的电压那样起作用，而电流则表示在节点之间流动的热能。一些节点可在固定温度(诸如测量的室外温度)下工作，而电流源则可表示恒定热能源，诸如电加热器。

图2显示了该热模型。电流源p源表示在房间中产生热功率的物体和人。这可包括管理房间的温度的hvac系统、小空间加热器、人体和诸如计算机或冰箱的电力装备。电容c房间表示房间中的热容量。空气能够存储基于湿度和总空气量而改变的热功率，同时房间中诸如家具的物体也能够存储热功率。关于给定热能输入的温度变化速率取决于房间的热容量。电阻r隔离表示房间和室外空间之间的隔离。房间可连接到多个其它空间，并且所以可具有将它连接到各个空间的多个隔离电阻。该隔离值取决于房间和空间之间的屏障的材料和厚度。可存在多个不同的屏障，诸如墙壁内的窗子。在这种情况下，各个具有不同的隔离值，并且空间之间的等效隔离电阻是这些各种屏障的隔离电阻的总和。最后，电压源表示固定温度。室外温度取决于其本身的复杂因素集，但它可直接被测量，而且在该模拟中可用固定参数表示。它改变得足够缓慢，以至于可认为它在测量时间间隔之间是恒定的。

该模型的各种构件以各种速率改变，从而导致模型的温度估计值和建筑中经历的实际温度之间有显著误差。fux,s.f等人的“无源房的基于ekf的自适应热模型”(能源和建筑，68，811-817(2014))以及ma,yudong等人的“具有热存储的能源高效建筑的预测控制”(ieee控制系统杂志，44-64，2012年2月)两者都给出了估计这种误差的方法。在fux等人的文章中，专家工程师审阅数据，并且发现在房间中的安排会议期间测量和估计的温度之间存在显著误差。该误差源自多增加了若干个热能源，即参加会议的人。用硬编码脚本人工校正该误差，硬编码脚在安排会议期间调节模型，以顾及房间中有更多数量的人。模型的这种人工调整表示一种顾及在建筑改变时出现的误差的方法。此方法的缺点在于它需要来自专家的重大工程投资，而且一旦专家离开，经调节的模型立即开始变得过时。被人工调节的模型中不会顾及占用人行为、hvac控制或建筑结构的任何变化。

ma等人在文章中介绍了顾及该误差的第二种方法，其中使用开尔曼滤波器来分析来自采样期间的数据，并且估计热能源干扰输入。然后将该估计干扰输入包括在模型中，从而提高性能。在文章中，当占用人打开门和窗子时出现干扰，减少了内部房间和室外之间的隔离，但此方法能够提供经校正的干扰输入，无需识别干扰源。这相较于第一种方法的改进在于它消除了对专家审阅数据和使分析加速的需要，但情形一改变，模型仍然变得过时。使该估计自动化可为可行的，但作者未提供此方法。

技术实现要素：

在实施例中，本发明提供一种用于在模型预测控制(mpc)系统中使用建筑的建筑热模型来控制建筑的温度的方法。测量包括在建筑热模型中的至少一个区的温度和温度变化速率，以便确定由mpc系统预测的温度和温度变化速率的误差。确定误差可能原因和误差可能原因中的各个发生的概率。评估可能原因中的各个的影响，以便识别将减少误差的可能原因中的至少一个。基于至少一个识别的可能原因来修改建筑热模型，并且在mpc控制器中使用经修改的建筑热模型来控制建筑的温度。

附图说明

下面将基于示例性附图来甚至更详细地描述本发明。本发明不局限于示例性实施例。本文描述和/或示出的所有特征在本发明的实施例中可单独使用或者以不同的组合方式而组合使用。通过参照附图阅读以下详细描述，本发明的多个实施例的特征和优点将变得显而易见，附图示出以下：

图1显示用于建筑能源管理的传统mpc系统；

图2显示mpc用来对房间的热性能建模的简化电气模型；

图3显示根据本发明的实施例的mpc系统；以及

图4是示出根据本发明的实施例的自适应建模方法的步骤的流程图。

具体实施方式

根据实施例，本发明提供估计模型变化的第三种方法。它使用概率推理来在模型开发的时段期间对关于系统的专家知识编码，然后使用正在进行的测量来检查模型何时变得不准确。考虑不精确性的可能原因，然后选择最匹配观测和估计的温度的误差的可能原因作为误差的实际原因。然后更新模型以反映该原因。例如，因为多几个人进入了房间，系统可断定温度高于预期。模型将更新以反映该新占用人数，而且更新的模型将在主要mpc算法中用来估计未来建筑性能。

发明人已经发现，尽管用于建筑能源管理的已知的mpc方法是用于优化建筑的能源性能的强大工具，但已知的mpc方法会遭受缺陷，因为建筑的热模型是固定的且不适应建筑的热属性变化，诸如实际占用性和其它意外的热源或热沉。诸如这些的未建模效应致使优化结果有偏差，潜在地导致大量能源浪费或者导致占用人不适。根据实施例，本发明提供自适应建模方法和mpc控制器，其使建筑的热模型适于检测到的各个建筑房间/区的热属性变化。此方法使用温度测量来确定模型何时是不准确的，并且使用概率推理法来确定不精确性的原因。

该自适应方法的第一步骤是确定模型是不准确的。这通过测量被建模的区中的温度和温度变化速率来完成。温度变化速率与区内的热能源流直接相关，所以确定模型中的不精确性的性质的有用的措施。

自适应建模的第二步骤是收集测量到的不精确性的可能原因。检查图2中的模型揭示了模型不精确性的多个可能原因。估计内部热源和实际内部热源中可能存在差异，诸如区中的人比预期多，区中电力消耗量更大并因此废热更多，或者用窗帘挡住来自太阳的照射升温。备选地，区的热容量可能已经改变，因为它具有与模型中假设的不同的湿度。第三个可能差别是房间和其它空间之间的隔离是不同的。这可能是由短期现象引起的，诸如打开门或窗子，或者可能是由墙壁的隔离的长期退化引起的。直接测量相邻区和室外的温度，所以该方法将假设那些值是准确的(但存在温度传感器不恰当工作的小的可能性)。

当模型首次形成时，由专家分配不精确性的各种原因的概率。例如，可对区没有占用人的概率分配15%的值，区具有一个、两个或三个占用人的概率各自为25%，区具有四个或五个占用人的概率各自为5%，而且可忽略的可能性是区具有六个或更多个占用人。电气装备的浪费能源被分成若干等级，诸如介于0瓦和200瓦之间，200瓦和400瓦之间，以及400瓦以上，并且对各个等级分配概率。如果选择了某个等级，则假设装备产生用户针对该等级所规定的废热。对诸如打开窗帘或关闭窗帘、打开或关闭窗子或者打开或关闭门的其它可能变化的各个状态分配概率。如果有些事情不可能，诸如窗子无法打开，则它打开的概率为零。专家还可对隔离退化或传感器失效分配概率。这些失效也可分级：隔离退化的一个概率为5%，以及隔离退化的第二概率为10%。

这些概率不必是固定的。它们可基于建筑内变化的状况而改变。例如，整夜没有占用人的概率为95%，仅仅5%的可能性是有一个占用人，而且有可忽略的可能性是超过一个占用人。窗子更可能在温和的日子打开，而且可忽略的可能性是在非常热或非常冷的日子打开。隔离退化的概率在建筑使用期限的头5年内是可忽略的，随着建筑老化，退化概率增加。

传感器数据可用来更精确地确定各种参数的概率。占用性传感器可指示房间明确地未被占用或者它至少有一个人。co2传感器或摄像头可能能够提供更准确的占用人数。功率传感器可准确地确定消耗了多少电力负荷，而且在一些情况下甚至可能能够确定哪个装备正在工作。这可用来区分将其大部分电功率转换成热的加热器和损耗比较低的计算机。安全传感器可能够准确地确定哪些窗子打开了，并且建筑自动化系统可包含关于窗帘是关上还是打开的信息。该传感器数据用来约束或者甚至确定模型不精确性的各种原因的概率。

一旦已经识别了误差的可能原因，方法就收集可能考虑的所有可能来源。也就是说，分配概率的最小阈值，并且考虑概率高于该阈值的所有原因。然后模型以各个可能原因以及可能原因的组合运行，并且针对各个可能原因和可能原因的组合来估计温度和温度变化速率。选择具有最接近地匹配测量的温度和温度变化速率的温度和温度变化速率的原因或原因集为真实的原因，并且将那些原因结合到模型中，以进行主要mpc算法的未来迭代。在若干原因和/或原因集对观测到的行为提供良好匹配的情况下，则承认具有最高概率的原因或原因集为真正的原因。如果没有原因对观测误差提供接近的匹配，则选择最接近的原因，如果它比当前模型提供更好匹配的话。如果没有原因比当前模型给出更好匹配，则模型保持不变。

两个事件同时发生的概率可为非常复杂的。如果它们不相关且持续较短的时段，则可通过使各个单独事件的概率相乘来得到它们同时发生的概率。因而，对于具有25%的概率的三个人占用房间和10%的概率的窗子打开的房间，如果发生的两个事件不相关且两者都持续较短的持续时间，则它们两者发生的概率将是2.5%。如果事件相互关联，或者它们持续足够长，使得它们具有重叠持续时间的可能性更大，则计算它们两者同时发生的概率需要专家知识。为此，用户具有对事件组合和单独的事件分配概率的能力。如果不提供这个信息，则方法假设所有事件都持续时间较短且不相关。然后用乘法计算两个事件发生的概率。

在以下示例中，考虑房间中可有零到五个人。没有关于房间的传感器数据，所以用户限定给定事件发生的概率。25%的可能性是一个人、两个人或三个人中的各个，15%的可能性是没有人，并且5%的可能性是四个人或五个人中的各个。10%的可能性是窗子打开了，并且5%的可能性是隔离已经退化。

方法开始观测观测到的和预测到的房间中的温度和温度变化速率之间的误差。然后方法汇编所有可能已引起误差和可能发生的事件和事件组合的列表。将可能性的阈值设定成2%。在这种情况下，所有可能事件都是似乎合理的。由于没有给出事件组合的概率，所以假设它们的持续时间短且不相关。因此用乘法计算事件组合的概率，并且认为所有事件组合的概率小于5%。因此，没有考虑事件的组合。而且，房间隔离已经退化的概率小于阈值，所以也不考虑。然后方法计算要考虑的针对各个事件的预测的温度和温度变化速率，并且将它们与观测到的温度和温度变化速率作比较。选择最可能符合数据的事件作为引起误差的事件，并且相应地更新模型。

如果存在两个具有接近数据的结果的事件，即，在一些用户限定的误差带之内，则选择最有可能已发生的事件。例如，考虑到模型之前已经考虑到房间里有两个人。发现，关于为什么房间比预期的冷，打开窗子会产生仅仅3%的误差的结果，而一个人离开房间的可能性仅仅具有6%的误差。用户已经规定应当考虑到在误差的10%之内得到的所有误差源，认为它们两者都是建模误差的可能原因。由于25%的可能性是房间具有一个占用人，而仅仅10%的可能性是窗子打开了，然后模型承认房间仅仅具有一个占用人作为误差源，尽管这不是那么符合数据。

现在，考虑用户已经针对不同时间规定了不同概率的情况。例如，隔离退化的可能性在三年后可升高到5%，并且十年后升高到15%。这意味着一旦建筑有三年之久，方法就开始考虑隔离退化的可能性，而且十年后将提高该可能性的权重，如果其与开窗两者都接近结果，则相较于开窗，优先选择隔离退化。

接着，考虑当事件相互关联时的情况。房间由于有三个或更多人在里面可能变得闷热，所以与房间有许多占用人且窗子打开两个事件不相关的情况相比，其两者的可能性更大。因此用户规定窗子打开且房间有三个人的概率为15%，并且规定房间里有四个人或五个人且窗子打开的概率为5%。现在当确定建模误差的原因时考虑所有这些可能性。

如果可获得传感器输入，则可用它们来更改各种事件的概率。例如，运动传感器可指示目前房间里没有人。因此对于建模误差的仅剩余的解释是窗子打开了且没有关上或者有隔离退化。如果二者都提供良好结果，则模型考虑窗子更有可能没有关上，所以选择了它。但是，如果窗子未对误差给出良好的解释，但隔离退化落在阈值之内，则承认隔离退化是模型中的误差且相应地更新模型。如果二者都不符合数据，但隔离退化更加匹配观测到的数据，则选择它作为模型误差。但是，如果误差是房间变热，而开窗和隔离退化两者都指示房间应变得更冷，则所有原因都被否决且模型不变。

不必将传感器输入看作是决定性的。例如，co2传感器可指示房间里很可能有两个人。但是，由于传感器测量和计算方法的不确定性，结果仅仅有80%的置信度。有10%的可能性房间中有三个人，并且有10%的可能性房间里仅仅有一个人。这仍然使方法得到改进，使得方法能够消除房间中没有人、有四个人或五个人的可能性，而且还使房间中有两个人且窗子打开的概率增大至足够高的水平以至于其现在被认为是误差的可能原因。

图3示意性地将根据本发明的实施例的mpc系统显示为方块图。mpc系统包括优选地设置在建筑内部的传感器和温度控制器以及mpc控制器。mpc控制器是计算机构件，它包含能够访问存储器的一个或多个计算处理器。存储器存储建筑热模型(优选地分类成建筑的区的热模型)，建筑热模型对图2中描述的建筑的构件建模。mpc控制器接收多个输入，包括目前的设定点温度、由建筑中的至少一个温度传感器测量的建筑的温度和来自例如气象服务的在预先限定的时间范围内的局部温度的预报。考虑到成本函数，诸如在某些时间的加热成本，以及例如由用户或技术限制任选地限定的其它约束，在关于针对整个时间范围的使用和/或成本方面，mpc控制器以最佳的方式针对当前时间间隔设定建筑的温度控制。成本函数和约束存储在存储器装置中，存储器装置是mpc控制器的一部分或者可由它访问。

mpc控制器在本发明中被更改成包括模型修改块。这包括测量，以确定与实际温度和温度变化速率相比，预测温度和温度变化速率是否误差过大。这指示模型中有误差。模型修改块接收该误差输入以及来自误差可能原因的表的输入、预报、测量温度和可能的传感器输入。

优选地，mpc控制器不断地或定期地接收输入，并且在整个时间范围内不断地或针对多个时间间隔来设定温度控制。

优选地，建筑热模型被分成多个区a，b…n。例如，区可对应于建筑的房间、地板或区段。贴近区的墙壁或其它建筑构件可至少部分地包括在它们接触的各个区中。

图4显示根据本发明的实施例的自适应建模方法的步骤的流程图。在第一步骤中，测量各个区中的预测的和测量的温度和温度变化速率之间的误差。如果该误差超过阈值，则方法汇集可能原因和它们的初始概率的表。如果可获得传感器数据，则该数据可用来更改各种误差原因的概率。该传感器数据可包括外部天气数据和时间数据，所以该步骤包括基于外部天气状况或过去的时间来更新概率，以及基于可能原因的直接测量来更改概率。直接测量可包括例如占用性传感器。一旦收集到可能原因且确定了它们的概率，则方法考虑概率超过预先限定的阈值的所有可能原因，并且如果它们被包括在内的话，则确定是什么误差。如果它们都不减小误差，则使用原始模型。如果没有一个使模型减少到误差阈值之内，则假设具有最小误差的原因为真正的原因且相应地调节模型。如果一个原因使误差减少到阈值之内，则承认它为真正的原因且相应地调节模型。如果不止一个原因使误差减少至阈值之内，则承认具有最高概率的原因为真正的原因且相应地调节模型。然后经调节的模型用于mpc算法的未来迭代。

因此，本发明的实施例对mpc控制(尤其是用于控制建筑温度的应用)有改进作用。此外，本发明的实施例通过提供更精确的模型来改进mpc控制器和mpc控制系统本身的机能，并且因此不会由于使用不精确的固定模型而浪费计算资源或其它资源。而且，实时地修改具有意外的热源或热沉的特定区会实现对那些特定区的更快速且更精确的控制。

根据实施例，本发明的自适应建模方法的一个特定应用是提供建筑能源控制，其特别地用于控制内部建筑温度，以最大程度地降低总能源使用或成本。

本发明的实施例的一个优点是能够使建筑热模型适于实时变化的状况。通过定期更新建筑热模型，mpc控制器可更有效地保证最佳建筑能源性能，预防会降低优化的未预测到的热效应。

根据实施例，可采用用于建筑热自建模的方法，允许mpc控制器作为完全自主的总控键系统工作。

已经在图和前述描述中详细说明和描述了本发明，应认为这种说明和描述是说明性或示例性而非约束性的。将理解的是，本领域普通技术人员在所附权利要求的范围内可作出改变和修改。特别地，本发明涵盖具有来自上面和下面描述的不同实施例的特征的任何组合的另外的实施例。另外，本文作出的表征本发明的陈述指本发明实施例，但不必是所有实施例。

权利要求中使用的用语应当被理解为具有与前述描述一致的最大范围的合理解释。例如，在介绍元件时使用冠词“一”或“所述”不应解释为排除多个元件。同样，叙述“或”应当解释为包括性的，使得叙述“a或b”不排除“a和b”，除非根据上下文或前述描述明确意指仅仅是a和b中的一个。另外，叙述“a、b和c中的至少一个”应当解释为包含a、b和c的一组元件中的一个或多个，而不应解释为需要所列出的元件a、b和c中的各个中的至少一个，无论a、b和c是否在类别或其它方面相关。而且，叙述“a、b和/或c”或“a、b或c中的至少一个”应当解释为包括来自所列出的元件的任何单数实体(例如，a)、来自所列出的元件的任何子集(例如，a和b)或者元件a、b和c的整个列表。