英文翻译.docx
《英文翻译.docx》由会员分享,可在线阅读,更多相关《英文翻译.docx(12页珍藏版)》请在冰豆网上搜索。
![英文翻译.docx](https://file1.bdocx.com/fileroot1/2023-3/30/f8b3f5b6-7d05-483a-b243-82272cf9b070/f8b3f5b6-7d05-483a-b243-82272cf9b0701.gif)
英文翻译
一种基于约束的智能照明系统控制器
摘要:
零售和公共办公建筑能源浪费的一个主要因素是照明系统的控制效率低下。
本文提出了一种基于约束的照明控制优化器,其能最大限度地减少能源使用,同时可以维护客户的满意度。
此控制器与一个我们模拟使用的混合/多代理平台反应控制器相耦合。
我们将这种控制策略应用到一个模拟的办公场景,描绘出模拟的结果和期望的能源节约策略建议。
1引言
建筑物能源效率低下的一个主要来源是次优控制。
照明是建筑主要能源消耗者之一,负责美国商业楼宇总能源使用量的20%(环评,2003年),这其中高达58%可能因为低效照明控制而浪费(德莱尼,DT等,2009)。
我们研究的目的是定义一个智能控制方法,这将优化光动水平,以最大限度地减少能源浪费。
在本文中,我们考虑了两个步骤的方法,提供了更高层次控制器周期性地优化初始设置,结合较低级别的反应控制器驱动光。
现已有的作品关于集中优化(辛维,V.等.2005,马赫达维,A.2008)与现有的控制系统所支撑的决策支持相结合,(戴维森,P.等,2000,博曼,M.等.1999)。
我们制订更高级别的约束优化问题。
我们使用混合系统模型来建立模型及模拟建筑环境和反应控制器,同时代表离散和连续所需的照明控制部件以及反映感应。
我们假设一个跟踪系统,监视控制区域内的个别住户的位置和接口,这使得他们能够表达偏好照明。
当环境中发生重大变化时,基于约束的优化器计算初始执行机构的一个优先权与能源相结合的最小化的目标函数设置。
反应器从而通过控制窗帘和室内光线来维持期望的照度水平,以补偿外部光水平的变化。
剩余的论文安排如下:
第2节介绍反馈、优化控制器和过程,他们共享控制。
在第3节中,我们指定场景和反馈控制策略。
第4节详细介绍基于约束的优化控制器。
第5节简要概括了仿真中用于模拟场景和结果的建模方法。
在第6节进行总结。
2反应和优化控制
为了同时允许优化和反馈控制,我们的方法使用两个独立的控制器协同工作。
在本节中,我们描述他们的操作。
2.1控制器算法
在模拟环境中的执行器直接由模拟的反馈控制器控制。
该控制器由优化控制器,即“初始配置”提供的驱动初始光设置来启动。
优化控制器通过感测到的照度水平提供最佳的执行器设置和期望得到的结果。
这是假设环境中任何小的变化,如在白天光照水平的变化,将导致结构的一些小变化,诸如此类任何小的目标值的变化。
举例来说,如果白天光照逐渐增加,照明最近的窗口仅需稍微下降。
因此,通过逐渐地改变初始配置来维持预测水平,当微小变化发生时,仅反馈控制器便可以维持一个接近最优的配置。
然而,有可能会在某些情况下,新的最优配置不再是附近的当前配置,而不能仅通过反馈控制。
在我们的模型中存在两种这样的情况,因外部光线不断的变化,原始值或配置偏差偏离初始配置值。
在原始值改变的情况下,整个环境的偏好分布将发生变化,选择一种反馈控制器所不能预知的最佳照度水平。
在配置偏差的情况下,我们指的是小但累积到改变环境中的外部照明,导致反馈控制器的配置离初始配置越来越远。
当初始配置被修改超出一定的裕量,它被假设外部照明充分远离附近的初始配置,最优的配置可能已经改变。
在上述两种情况中,反馈控制器向优化控制器请求一个新的配置。
反馈控制器在一个新的配置请求中包括驱动轴的当前设置,传感器的读数和原始位置。
优化控制器使用这些和所存储的原始特性根据目标函数计算最优的配置。
然后,然后它返回此配置,包括最佳的执行器设置和期望感测到的照度水平到反馈控制器中。
这是新的“初始配置”,反馈控制器实施像以前一样控制周围。
2.2模型假设
模拟是一个近似的场景环境。
我们现在就硬件和内环境的光传播做一些假设,如下所示。
我们假设模型内的光是均匀传播和漫射型的。
仅依赖于从任何来源的任何点处接收的光点和源极之间的距离。
同样,致盲假定进入环境的日光量均匀地下降。
关于执行器和传感器,它们的作用在一个理想的方式,执行器确切地发射他们所期望的光的量,传感器始终正确报告在他们领域内的精确的照度水平。
此外,假定这些设备是完全可靠的,他们从来不会遭受任何形式的控制失效。
今后的工作将涉及消除这些模型中的假设。
日光进入环境中和通过盲法减少日光通常不是均匀的或弥漫性。
考虑到这一点,控制器将需要一个模型,可以合并本地化的光点和暗点。
来自执行器的不精确的输出或者来自传感器的不准确的读数的可能性增加了选择最优配置的不确定性。
优化器将考虑到当前配置的信息可能是不准确的,期望的配置可能没有精确的预测结果,选择最有可能的解决方案,以减小目标函数。
执行器或传感器的控制失效可以改变控制器的可选对象,因此它必须能够检测到这样的问题,以避免实际上无法实施的建议配置。
3智能照明系统场景
在本节中,我们指定模拟场景和控制执行器的反馈控制器。
3.1情景规格
我们已采用了一个典型的体系结构,如图2所示。
我们专注于一个开放式的办公区域,其中包含6个控制区,每个区域包含一个人工光源和一个光传感器。
一个无线电频率识别(RFID)接收器用来覆盖整个区域,有一个窗口/绑定在考虑区域的左边框和修复一些预定义的原始位置。
对于照明模型,我们整合了致盲和照明控制。
为了提高结果控制模型的效率,实施了一个优化控制器,这将在后面解释。
作为一个总结,照明控制方案的行为如下:
1用户可以打开/关闭几个区域的自动照明系统,或通过技术人员控制所有系统。
2居住者提供光亮度的喜好。
3乘员在每个区域使用RFID跟踪,并在何处,他被认为是位于他的喜好。
4优化控制器接收到用户的喜好并发送回最佳设置。
5反馈控制器控制人造光和致盲执行器,以达到最佳的设置和响应日光亮度变化的影响。
3.2反馈控制策略
图3示出的代理控制模型以及与其相互对应的环境代理。
为了控制光的强度,控制器遵循下面的情况:
1优化控制器接收每个用户的喜好及其位置,发送最佳光设置和致盲位置返回到反馈控制器,以使用PI控制器来完善驱动值。
2反馈控制器驱动相应的人造光和致盲位置,接着为1如果初始特性已经被变动的初始值所改变或者如果优化配置发生一个明显的偏移。
PI-控制器被用来在一个闭环的方式下预测下一个照明调光电平的执行设置(Kolokotsa,D.等人,2009)。
PI控制器主要有两种状态,第一个是不稳定的,当感测到的光的强度和最佳值之间的差异大于70勒克斯(一个灯启动电平),其次,是稳定的,如果该差值小于或等于70勒克斯。
4基于约束的优化
优化控制器负责计算优化能源消耗和客户满意度的执行器的请求设置。
基于这个目的,我们建立执行机构的建筑环境能源成本和影响的模型,以及居住者的喜好,作为一个约束优化问题(Dechter,R.2003)。
约束问题包含一组变量,每个变量的可能的值的域,可能被分配的值的变量的值在分配的一组约束条件,以及分配的目标函数。
一个解决方案是分配每个变量一个值以致没有约束被违反。
最佳的解决方案是一个具有最高的目标函数值。
解决方案可以通过任何合适的方法获得,包括回溯法和逻辑推理、数学规划或局部搜索。
4.1偏好建模
为了用一个配置来量化客户满意度,我们必须在照度水平模拟他们的喜好。
我们将每位用户的喜好建模作为偏好曲线,每一个可能的照度水平与从0到1的满意度水平相联系。
这些满意度水平可能直接来自客户反馈或者是随着时间的推移在得知他们的行为与照明方面的基础上。
在我们的模拟方案的喜好曲线峰值在400-500勒克斯的范围内,在高于或低于该范围300勒克斯处满意度衰减为0。
在全部照度水平的范围内建立用户的喜好模型,允许我们能够为该用户确定一个可接受的照度水平范围。
通过约束用户的满意度高于某个阈值,在我们计算的照度值范围内,用户简单地被认为是满意的,这样在其中的能源成本的目标函数的分量将是决定性的因素。
由于我们通过所有值来建立用户的喜好模型,这一满意范围是由用户自己对不同照明条件下的灵敏度来决定的。
要在物理环境中应用这些喜好,我们把它分解成控制区,每一个控制区都包含了一组零或更多的用户。
控制区是控制器因素溢出环境的最小单位,所以偏好曲线被分组到这些区域中。
通过平分相关用户的偏好曲线,我们生成一个区域偏好曲线,它描述了那一群体用户整体满意度。
成员喜好之间的冲突可能使它不可能完全满足一组中每一位成员。
因此,控制器首先确定该组成员可达到的最大满意度,满意度的阈值根据这个值来定。
4.2驱动建模
我们用执行器配置的能源成本和产生的用户照度水平满意度来评估执行器。
各致动器的能量消耗仅仅是该执行器设定点的直接函数。
但是成员满意度取决于执行器照明条件的影响,这是依赖于所有执行器的组合效应。
因此,如偏好模型,我们模拟建筑环境为一组区域,模拟执行器的影响属于那一区域。
我们建模每一执行器作为描述它们的能量成本和照明效果的设定点变量和一组限制。
这些设定点变量是约束问题的决策变量,我们寻找解决办法时给其设值。
在我们的模拟场景中有六个指示灯和一个盲点。
该灯有11个可能的设置点,范围从0到10,而盲点有5个设置点,从0到4。
在此模型中的能量成本和光输出在设定点成比例。
对于每个执行器的一组约束条件与该执行器所影响的每个区域的勒克司有关。
从每个执行器的一个区域接收到的照度与该执行器基极输出成正比,被建模为一个关系约束。
每个区中的总亮度是单个贡献的总和。
这些预测的照度值是模型的因变量,并作为目标函数的一部分与用户喜好进行评估比较。
客观价值的解决方案是从用户首选勒克斯的水平范围的总能源成本和总偏差的加权总和。
总能量消耗是所有执行器能源消耗的总合。
总偏差的预测从优选的亮度电平范围的照度水平在所有区域的距离的总和。
致盲执行器是一种特殊情况,它集成了环境中的光线效果以及在日光致盲的效果。
日光进入环境被视为致盲执行器的输出,它被假定为没有任何的能源消耗。
光线的水平是由优化控制器调用时,反馈控制器的执行机构设置和传感器读数所确定的。
任何在设置中没有述及的内部光均假设为日光。
像建模区域的习惯一样,我们在环境中建立传感器模型。
当我们已经确定了最优配置,我们计算的照度水平时,传感器应报告当该配置实现时。
这些照度值被传递到反馈器中,允许其控制目标周围的照度水平,以及简单地执行致动器被赋于的设定点。
图4显示了完整的执行器模型,其中包括外部的数据源。
当模型被实例化后,我们通过搜索可能分配的空间,找到一个最小化的目标函数。
我们这样做时是利用回溯搜索与约束传播交错,,使用最小阶和最小值的启发式。
该模型是通过内置CP解决(费尔德曼,J.&弗如德,E,2009年)。
我们找到最优解,平均250毫秒。
5仿真
控制系统和他所处的环境已可以使用Charon仿真套件来仿真。
在本节中,我们简要介绍了仿真模型和讨论结果包括节省功耗与一个典型的用于楼宇自动化控制技术的比较。
5.1仿真建模
为了模拟系统,使用了两种代理:
控制和环境代理。
每个代理使用层次结构的模式来描述其行为。
关于控制代理,其中一个主要代理用于反馈控制器,副代理利用一个PI控制器来精炼每一区域的执行值,如图5所示。
另外一个代理用来调用优化控制器。
此代理在用户的喜好变化或执行器配置中发生一个显著的变化时被触发。
最后,传感器代理用于在每个采样周期更新内部光值,基于执行值,光的干涉和传到传感器中的光线。
它用强度衰减因子1/来表示,其中r是从所述光源到传感器的距离。
对于环境代理,三个Charon代理器被用于模拟人的运动,日光强度和窗口遮挡致盲。
受空间的限制,我们仅在图5中展示控制模型之一。
5.2模拟结果
图6a-6d显示了控制策略的一个概述和在办公室的结果照明条件。
图6a显示了区域中用户的位置,0区域表示用户不存在。
图6b所示为所要达到的反馈控制器所计算的最佳的照明水平,图6c显示实际感测的光水平。
这些级别因反馈控制器为响应模拟白天中的光线等级的值而有所不同,如图6d所示。
为了突出控制策略的效果,我们考虑1、3和6区。
1区与窗口相连,因而严重受到光线的影响。
基于这个原因,1区室内光线水平的减少和增加可以被看作反馈控制器对傍晚时光线损耗的校正。
此后不久,另一用户进入该区,造成最佳光照水平小幅增加,相应增加的实际光线表示反馈控制器实现了新的优化解决方案。
6区被认为有一个更稳定的光线强度,并更严格地遵循最佳的光照水平,由于它距离窗口更远一点。
尽管一天中很少有用户,3区维持一个低但是非零的最佳光照水平。
这是由于考虑所有执行器的影响,优化光照水平用传感器读数来预测。
要评估潜在的能源节约和我们提出的策略对用户满意度的影响,我们将我们的控制器的表现与一个基准线控制系统的性能进行比较。
这个基准线是一个用于楼宇自动化的典型反馈控制策略。
我们假设一个被动式红外传感器用于检测存在,无论何时,在该区域中至少1人,每个区域中的光开关到预定水平。
我们认为这一策略中,400勒克斯是最佳的照度水平,因为它有能力在所有没有不必要的能源使用下满足用者。
图6e对还会达到基线系统比较实际的用户满意程度。
以实际的满意度的突然变化时,有一个小的延迟的用户之间的运动的控制器,将反应。
但请注意,这种效果被放大的结果,因为在仿真运行约。
比实际时间快350倍。
在实践中,延迟是从来没有超过1秒。
这些延迟是不稳定的数据之前,时间指数为118,这是我们进行评估时,不顾能源表现低于负责。
尽管这些延迟,我们的控制器维护用户的满意度达到或超过基准线。
图6f显示了用勒克斯表示的能源消耗,其中能源消耗与执行器输出成线性。
结果显示,节省了超过基准线策略的30%的能源。
6结论
我们提出了一个基于约束的智能自动照明系统的优化器和控制策略。
该系统采用提供的用户数据和一个跟踪系统来维持当优化能源使用时的客户满意度。
模拟方法的研究结果表明,该策略相比一个标准的基准线方法当维持较高水平的客户满意度时,能耗降低30%左右。
我们的电流模式对于环境和硬件做了很多的假设;今后的工作将是消除这些假设,并找到结论挑战中的解决方案。
致谢
这项工作是由爱尔兰科学基金会资助,批准号为No.07.SRC.I1170,以及合作公司HSG桑德尔,西朗自控,奥雅纳,向量FM,Spokesoft和英特尔的支持。