基于可逆因果关系的热控制系统和方法技术方案

提供了一种用于根据加热、通风和空调(HVAC)设定点来控制布置为调节环境的HVAC系统的控制器和方法。该控制器被配置为接受所调节的环境中的预定位置处的热状态的目标值、所调节的环境中的预定位置处的热状态的当前值以及HVAC设定点的当前值。该控制器还被配置为使用神经网络来确定目标HVAC设定点，使得HVAC系统根据目标HVAC点的操作相对于HVAC系统根据当前HVAC设定点的操作的差异将所调节的环境中的预定位置中的热状态从热状态的当前值改变为热状态的目标值。改变为热状态的目标值。改变为热状态的目标值。

【技术实现步骤摘要】
【国外来华专利技术】基于可逆因果关系的热控制系统和方法


[0001]本公开总体上涉及环境中的热舒适控制，更具体地，涉及用于根据加热、通风和空调(HVAC)设定点来控制布置为调节环境的HVAC系统。

技术介绍

[0002]热舒适可被认为是表达对热环境的满意度的心境状况，并且通过主观但通常稳定的评估来评定。热舒适显著影响人的生产力和总体幸福感。目前，诸如加热、通风和空调(HVAC)系统的热调节系统基于壁式恒温器或遥控装置来实现热舒适，其目的是打开或关闭HVAC系统并操作HVAC系统，使得维持温度设定点。
[0003]温度设定点指示基于房间中的占用者的需求和热状况的期望热舒适水平。设计了一些方法来控制HVAC系统以实现温度设定点。然而，在这些方法中，HVAC系统仅控制设定点空气温度，作为房间中的占用者或占用者集合的热舒适的替代。因此，所设计的这些方法假设恒温器处和占用者自己的位置处的房间温度是相同的。这种假设可被称为房间中的良好混合的温度和/或速度分布的均匀性假设。然而，这种均匀性假设是无效的。结果，即使当达到温度设定点时，房间的一些或所有占用者仍可能不舒适，因为设定点温度是为可能位于距占用者一定距离处的传感器(恒温器)确定的。
[0004]为了解决均匀性假设问题，一些方法考虑了受控环境(房间)中的气流动力学。然而，这些方法在计算上昂贵。例如，气流动力学的物理模型可根据纳维
‑
斯托克斯(Navier
‑
Stokes)方程来定义。尽管气流动力学的物理模型可由布森内斯克(Boussinesq)方程近似，但布森内斯克方程是难以实时求解的偏微分方程(PDE)。为此，一些方法旨在使用包括常微分方程(ODE)的降阶模型来降低求解PDE所需的计算复杂度。然而，考虑到气流动力学，对于许多控制系统，特别是对于使用嵌入式处理器的嵌入式控制系统，即使使用降阶模型在计算上仍会富有挑战性。
[0005]因此，需要提供一种控制HVAC系统的系统和方法，其考虑受控环境中的热状态动力学，而无需使用热状态模型。

技术实现思路

[0006]技术问题
[0007]一些实施方式的目的在于提供一种系统和方法，其利用诸如神经网络的人工智能，以考虑环境中的气流和/或热状态动力学来控制HVAC系统，而无需使用热状态模型。一些实施方式的目的还在于提供这样的神经网络，其克服了由于期望控制使用HVAC单元调节的房间中的所有空间位置的温度而引起的HVAC控制的无限维问题。另外，一些实施方式的目的在于使用具有带自动编码损失函数的自动编码架构的神经网络来学习将HVAC设定点和遍及环境的传感器测量联系起来的预测模型。另外地或另选地，一些实施方式的目的在于学习使环境中的占用者的舒适最大化的控制律。
[0008]问题的解决方案
[0009]一些实施方式基于这样的认识：考虑环境中的热状态动力学的HVAC系统的控制在连续空间域上操作。例如，环境中的热状态(例如，温度、湿度和/或速度值)可沿着所有空间维度连续地变化。因此，控制命令(也可在连续尺度上给出)和/或环境中的热状态存在无限数量的值。然而，神经网络需要固定数量的输入和输出。因此，尝试使用诸如神经网络的统计模型来近似受控环境中的所有空间位置处的热状态动力学是富有挑战性的。
[0010]一些实施方式基于这样的认识：不需要将环境中的所有空间位置中的所有热状态值映射到HVAC致动器的连续状态值。一些实施方式基于这样的认识：为了操作HVAC系统，将环境中仅某些位置中的温度、湿度和/或速度的值映射至设定点就足够了，当达到这些设定点时在那些离散位置处实现热状态的期望值。为此，可推导环境中的特定位置处的热状态与HVAC系统的设定点之间的映射。如本文所使用的，“设定点”是指HVAC系统的变量的期望值。例如，术语“设定点”可指示HVAC系统的操作在环境中的特定位置处需要实现的温度目标值。
[0011]为了解决这一问题，使用热状态的稳态的离散化空间表示。一些实施方式基于这样的认识：环境热力学的稳态建模可考虑环境中的热状态与HVAC系统的设定点之间的映射。与考虑热力学的瞬态和稳态二者的完整建模相比，稳态建模可被更容易地准确采样。另外，在稳态下，可在环境中的固定和/或预定位置处更准确地表示环境中的空间连续热状态。以这种方式，热状态的稳态的离散化表示允许解决环境中的热状态的HVAC控制的无限维问题。换言之，热状态的稳态的离散化表示允许将连续热状态和HVAC致动器状态的连续值之间的无限映射变换为位置集合处的离散化稳态热状态和设定点集合之间的有限映射，其与根据设定点的HVAC控制组合。
[0012]为此，一些实施方式将环境中的预定位置处的热状态映射至控制HVAC系统的设定点。在各种实现方式中，控制热状态的离散位置的数量大于设定点的数量。以这种方式，HVAC系统的控制可包括环境中的热状态，而不考虑环境中的良好混合的温度和/或速度分布的均匀性假设，同时维持控制使用这种假设的HVAC系统的计算复杂度。
[0013]一些实施方式基于这样的认识：需要确定预定位置处的热状态和设定点之间的映射，使得当HVAC系统的操作实现映射的设定点时，固定位置中的热状态接近目标热状态。一些实施方式基于这样的认识：HVAC设定点和热状态之间的映射是复杂的并且高度非线性，但是可从数据学习，而非分析推导。根据实施方式，通过训练神经网络来学习这种映射。从包括布置在环境中的预定位置处的传感器所测量的热状态和HVAC系统的设定点的数据训练神经网络。
[0014]然而，这种神经网络的设计和训练带来了许多挑战。作为示例，在具有M个传感器和N个HVAC单元的任何给定环境中，在稳态下，存在从N个HVAC单元的设定点到M个传感器的测量映射数据中的正向(因果)关系的函数。然而，除了正向关系之外，对于这一问题，我们还需要正向关系的反向模型，即，将传感器测量映射到HVAC设定点的反向关系/反向映射。训练可逆关系比训练预测正向模型更困难。另外，映射取决于许多其它参数，这些参数难以测量并且可能使反向映射的训练和准确性显著复杂。例如，映射取决于外部温度，这可能使训练复杂。映射还取决于环境的配置，这降低了训练的映射的可转移性。此外，映射取决于HVAC系统需要传递的热负荷，这难以估计。因此，特别是可逆形式的关系由于上述因素而难以学习。
[0015]另外地或另选地，一些实施方式基于这样的认识：收集对于学习可逆关系而言最优的稳态数据既耗时，又需要进一步热力学建模。因此，即使一些实现方式被安排调节严格控制的环境，例如办公室，数据中仍存在热力学瞬态，这意味着学习单个可逆模型即使对于捕获相对反向关系也可能不切实际。为了解决这一问题，一些实施方式学习两个模型。在正向方向上，一些实施方式学习将HVAC设定点映射到所得热状态的热传感器模型。在反向方向上，一些实施方式学习将当前热状态映射到HVAC设定点的估计的热设定点模型。
[0016]一些实施方式基于这样的认识：可使用具有自动编码架构的神经网络来学习上述模型。根据实施方式，自动编码架构包括与对应本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种用于根据加热、通风和空调HVAC设定点来控制被布置为调节环境的HVAC系统的控制器，该控制器包括：至少一个处理器；以及其上存储有指令的存储器，所述指令在由所述至少一个处理器执行时使得所述控制器：接受所调节的环境中的预定位置处的目标热状态、所调节的环境中的所述预定位置处的当前热状态以及当前HVAC设定点；使用被训练为建立所述预定位置处的热状态与导致所述热状态的HVAC设定点之间的可逆关系的神经网络，确定目标HVAC设定点，使得所述HVAC系统根据所述目标HVAC设定点的操作相对于所述HVAC系统根据所述当前HVAC设定点的操作的差异将所调节的环境中的所述预定位置中的所述热状态从所述当前热状态改变为所述目标热状态；以及生成控制命令并将所述控制命令提交给所述HVAC系统的组件以根据所述目标HVAC设定点操作。2.根据权利要求1所述的控制器，其中，所述神经网络具有自动编码架构，该自动编码架构具有与对应于所述HVAC设定点的隐层连接的编码器和解码器，使得所述编码器形成将所述热状态连接到所述HVAC设定点的热设定点模型，而所述解码器形成将所述HVAC设定点与所述热状态连接的热传感器模型。3.根据权利要求2所述的控制器，其中，所述编码器的输入层和所述解码器的输出层具有等于所述预定位置的数量的维度，并且其中，所述隐层具有等于所述HVAC设定点的数量的维度。4.根据权利要求2所述的控制器，其中，所述处理器还被配置为使用包括重构损失的损失函数基于所述目标HVAC设定点和所述目标热状态来更新所述神经网络，以减小所述预定位置处的温度测量和所述目标热状态的目标温度的差异。5.根据权利要求2所述的控制器，其中，所述处理器被配置为基于包括所述热状态的测量和所述预定位置以及导致所述热状态的所述测量的所述HVAC设定点的测量的训练数据来训练所述神经网络，使得所训练的神经网络的编码器和解码器表示物理观测热模型的编码器和解码器。6.根据权利要求5所述的控制器，其中，响应于接收到所述目标热状态，所述处理器被配置为针对所述物理观测热模型中的所述解码器的固定参数重新训练所述物理观测热模型的所述编码器的参数，以更新将所述目标热状态连接到所述目标HVAC设定点的所述热设定点模型。7.根据权利要求6所述的控制器，其中，所述编码器包括连接到所述隐层并具有所述隐层的维度的输出层，并且其中，响应于接收到所述目标热状态，所述处理器被配置为仅重新训练编码器的所述输出层的参数。8.根据权利要求6所述的控制器，其中，重新训练所述编码器的所述参数以减小重构损失，以用于重构包括各个所述预定位置的重构损失的加权组合的所述目标热状态，并且其中，各个所述预定位置的权重取决于与所述预定位置关联的所调节的环境的占用者的数量，其中，所述处理器还被配置为：接收所调节的环境中的所述占用者的位置；并且将所述占用者与其最近预定位置关联。9.根据权利要求8所述的控制器，其中，响应于检测到所述占用者的位置的改变，所述
处理器还被配置为根据所述热传感器模型优化所述目标HVAC设定点，以生成所述占用者的所改变的位置处的所述目标热状态。10.根据权利要求2所述的控制器，其中，所述处理器还被配置为：给定各个占用者的所述目标热状态，在所述占用者的动态变化的...

【专利技术属性】
技术研发人员：E，
申请(专利权)人：三菱电机株式会社，
类型：发明
国别省市：