BuildingIQ为大型建筑的暖通空调能源优化开发主动算法

BuildingIQ需要开发一种算法，可以连续处理来自各种来源的千亿亿字节的信息，包括电表、温度计、暖通空调压力传感器，以及天气和能源成本数据。一座建筑通常会产生数十亿个数据点，科学家和工程师需要工具来有效地过滤、处理和可视化这些数据。

为了运行他们的优化算法，科学家和工程师们必须创建一个精确的建筑热动力和动力的数学模型。算法将使用这个计算模型运行约束优化，以保持乘员的舒适度，同时最小化能源成本。

BuildingIQ需要一种快速开发数学模型、测试优化和机器学习方法、原型算法的方法，并将它们部署到生产IT环境中。

BuildingIQ使用MATLAB来加速其预测能量优化算法的开发和部署。

优化工作流程从MATLAB开始，BuildingIQ工程师在MATLAB中导入并可视化3到12个月的温度、压力和功率数据，包括数十亿个数据点。他们使用统计和机器学习工具箱™检测峰值和间隙，并使用信号处理工具箱™中的滤波功能去除传感器故障和其他来源产生的噪声。BuildingIQ工程师使用最优化工具箱中的最小二乘拟合函数，将MATLAB开发的数学模型与去噪数据进行拟合。该M&V (measurement and verification)模型将环境温度和湿度与暖通空调系统耗电量相关联。

作为建模过程的一部分，他们使用支持向量机回归、高斯混合模型和统计和机器学习工具箱中的k均值聚类机器学习算法来分割数据，并确定燃气、电力、蒸汽和太阳能对加热和冷却过程的相对贡献。

该团队在MATLAB中建立了一个PEO模型，该模型捕获了HVAC系统和环境条件对每个区域内部温度的影响，以及对建筑总能耗的影响。使用控制系统工具箱™，他们分析HVAC控制系统极点和零点，以估计总体功耗，并确定每个区域可能收敛到其设定值的速度。

BuildingIQ工程师使用优化工具箱和PEO模型运行多目标优化与数百个参数，以及非线性成本函数和约束，以持续优化能源效率实时。这些优化考虑了未来12小时的预测天气和能源价格，并确定最佳暖通空调设定点。在操作中,Java^®云中的软件每天都会周期性地调用MATLAB优化算法。

每天，BuildingIQ根据M&V模型计算基准能源成本，代表客户在没有BuildingIQ PEO平台的情况下为暖通空调能源支付的费用。储蓄率从10%到25%不等。