BuildingIQ开发用于大型建筑暖通空调能源优化的主动算法
挑战
解决方案
结果
- 千兆字节的数据被分析和可视化
- 算法开发速度提高了十倍
- 最好的算法方法很快被确定
“MATLAB凭借其强大的数值算法、广泛的可视化和分析工具、可靠的优化例程、对面向对象编程的支持，以及与我们的生产Java应用程序一起在云中运行的能力，帮助我们加速了研发和部署。”万博1manbetx
Borislav Savkovic, BuildingIQ
办公楼、医院和其他大型商业建筑约占全球能源消耗的30%。这些建筑物中的供暖、通风和空调(HVAC)系统通常效率低下，因为它们没有考虑到不断变化的天气模式、可变的能源成本或建筑物的热特性。
BuildingIQ开发了预测能源优化™(PEO)，这是一个基于云的软件平台，可在正常运行期间将HVAC能耗降低10-25%。PEO是与澳大利亚国家科学机构联邦科学与工业研究组织(CSIRO)合作开发的。其先进的算法和机器学习方法，在MATLAB中实现®，根据近期天气预报和能源成本信号持续优化HVAC性能。
“CSIRO使用MATLAB开发了初始技术。我们继续使用MATLAB，因为它是可用于原型算法和执行高级数学计算的最佳工具，”BuildingIQ首席数据科学家Borislav Savkovic说。“MATLAB使我们能够将原型算法直接转换为生产级算法，可靠地处理现实世界的噪声和不确定性。”
挑战
BuildingIQ需要开发一种算法，能够持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有效过滤、处理和可视化这些数据的工具。
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和动力动力学的数学模型。该算法将使用这个计算模型来运行有约束的优化，以保持乘员的舒适性，同时最大限度地降低能源成本。
BuildingIQ需要一种方法来快速开发数学模型、测试优化和机器学习方法、原型算法，并将它们部署到其生产IT环境中。
解决方案
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，其中包含数十亿个数据点。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开发的数学模型拟合到去噪数据上。该测量与验证(M&V)模型将环境温度和湿度与暖通空调系统消耗的功率相关联。
作为建模过程的一部分，他们使用SVM回归、高斯混合模型和统计和机器学习工具箱中的k-means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中构建了PEO模型，该模型捕捉了HVAC系统和环境条件对每个区域内部温度以及建筑物总功耗的影响。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点的速度。
BuildingIQ工程师使用优化工具箱和PEO模型运行具有数百个参数的多目标优化，以及非线性成本函数和约束，以持续实时优化能源效率。这些优化考虑了未来12小时的天气和能源价格，并确定了最佳的暖通空调设定点。在操作中，Java®云中的软件全天定期调用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HVAC能源支付的费用。储蓄从10%到25%不等。
结果
千兆字节的数据被分析和可视化．“MATLAB使我们处理和可视化大数据集变得容易，”Savkovic说。“我们创建散点图、2D和3D图表，以及其他图表，以有意义的方式显示我们的系统是如何运行的。”
算法开发速度提高了十倍．Savkovic说:“用MATLAB开发算法比用Java开发快10倍，也更健壮。”“我们需要过滤数据，查看极点和零点，运行非线性优化，并执行许多其他任务。在MATLAB中，这些功能都是集成的、健壮的，并经过商业验证。”
最好的算法方法很快被确定．Savkovic说:“使用MATLAB，我们可以快速测试新方法，以找到最适合我们数据的方法。”“例如，在选择顺序二次规划之前，我们测试了几种优化方法，我们还尝试了几种聚类机器学习算法。如此快速地探索不同的方法是一个巨大的优势。”
s manbetx 845产品使用
比较tu éxito
Únete al客户参考计划
您也可以从以下列表中选择一个网站: