BuildingIQ发展积极的空调能源优化算法在大型建筑物
挑战
解决方案
结果
- 字节的数据分析和可视化
- 算法开发速度提高10倍
- 最好的算法方法很快识别
“MATLAB帮助加快研发和部署以其强大的数值算法,广泛的可视化和分析工具,可靠的优化程序,对面向对象编程的支持,和运行能力与我们的生产的Java应用程序在云中。”万博1manbetx
Borislav Savkovic, BuildingIQ
办公大楼、医院、和其他大型商业建筑约占全世界能源消耗的30%。加热、通风和空调(HVAC)系统在这些建筑往往是低效的,因为他们不考虑不断变化的天气模式,能源成本变量或建筑物的热性能。
BuildingIQ开发了预测能源优化™(PEO),基于云的软件平台,减少空调能源消耗了10 - 25%在正常操作。PEO是在合作开发的联邦科学与工业研究组织(CSIRO),澳大利亚国家科学机构。其先进的算法和机器学习方法,在MATLAB中实现®基于近期的天气预报,不断优化暖通空调性能和能量消耗信号。
“CSIRO用MATLAB开发最初的技术。我们继续使用MATLAB,因为它是最好的工具可用于原型算法和执行先进的数学计算,“说Borislav Savkovic,领导BuildingIQ数据科学家。“MATLAB使我们我们的原型算法直接过渡到生产级算法可靠地处理现实世界的噪音和不确定性。”
挑战
BuildingIQ必须开发算法,可以连续过程字节的信息从各种各样的来源,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。单个建筑往往产生数十亿的数据点,和所需的科学家和工程师工具高效过滤、处理和可视化数据。
运行优化算法,科学家和工程师必须创建一个精确的数学模型建立的热力和电力动态。算法将使用这个计算模型运行约束优化,保持乘员舒适同时最小化能源成本。
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,模型算法,并将它们部署到生产环境。
解决方案
BuildingIQ使用MATLAB加快开发和部署的预测能源优化算法。
在MATLAB优化工作流程开始,BuildingIQ工程师导入和可视化3到12个月的温度、压力和功率数据包括数以十亿计的数据点。他们使用统计和机器学习工具箱™探测峰值和差距,并去除噪声产生的传感器故障和其他来源在信号处理工具箱™使用过滤功能。BuildingIQ工程师安装在MATLAB开发的数学模型去噪数据使用最小二乘拟合函数的优化工具箱™。这个测量和验证(mv)模型与环境温度和湿度与电力消耗的暖通空调系统。
作为建模过程的一部分,他们用支持向量机回归,高斯混合模型,从统计和机器学习k - means聚类算法和机器学习工具箱段数据并确定气体的相对贡献,电气,蒸汽,和太阳能加热和冷却的过程。
MATLAB的团队构建一个PEO模型捕获的影响暖通空调系统和内部温度环境条件在每个区域,以及建筑的总能耗。使用控制系统工具箱™分析暖通空调控制系统的极点和零点来估计总体功耗和确定每个区速度可能收敛于其设定值。
BuildingIQ工程师使用优化工具箱和PEO模型与数以百计的多目标优化运行参数,以及非线性成本函数和约束,不断优化能源效率。这些优化考虑预测天气和能源价格在接下来的12个小时,并确定最佳的空调设置点。在操作中,Java®软件在云中定期调用MATLAB优化算法。
每天,BuildingIQ计算基准能量消耗从mv模型代表客户端会支付空调能源没有BuildingIQ PEO平台。储蓄从10%到25%不等。
结果
字节的数据分析和可视化。“MATLAB便于处理和可视化与我们合作的大数据集,“Savkovic说。“我们创建散点图,2 d和3 d图表,以一种有意义的方式和其他的图表显示如何执行我们的系统。”
算法开发速度提高10倍。“发展中算法MATLAB快10倍,比用Java开发更健壮,“Savkovic说。“我们需要过滤数据,看波兰和0,非线性优化运行,以及执行许多其他任务。在MATLAB中,这些功能都是集成的、健壮的、和商业验证。”
最好的算法方法很快识别。“与MATLAB我们可以快速测试新方法找到一个最适合我们的数据,“Savkovic说。“例如,我们测试了几种优化方法选择序贯二次规划前,所以我们试着几个集群机器学习算法。这是一个巨大的优势,探索不同的方法如此之快。”
