阅读说明：本技术 解耦建模方法和系统 (Decoupling modeling method and system ) 是由 吕健 王继禹 陆宁 曾温特 于 2017-10-09 设计创作，主要内容包括：一种解耦ETP模型处理器配置为：存储从电力系统获得的电力消耗数据；将所述电力消耗数据转换成电力激活时间周期和电力不激活时间周期；推导室外温度中的每个下对于预定热流(Q)的热阻(R)参数和热容(C)参数；将转换后的电力激活时间周期与实际电力激活时间周期比较；将转换后的电力不激活时间周期与实际电力不激活时间周期比较；针对与实际电力激活时间周期比较的转换后的电力激活时间周期,计算第一改善的热阻-热容-热流(RCQ)参数组和相应的第一室外温度；计算在所述电力激活时间周期期间,在每个室外温度下的Q参数；以及,计算在所述电力不激活时间周期期间,在每个室外温度下的R参数和C参数。(A decoupled ETP model processor configured to: storing power consumption data obtained from the power system; converting the power consumption data into a power active time period and a power inactive time period; deriving a thermal resistance (R) parameter and a thermal capacity (C) parameter for a predetermined heat flow (Q) at each of the outdoor temperatures; comparing the converted power activation time period with an actual power activation time period; comparing the converted power inactivity time period with an actual power inactivity time period; calculating a first improved set of thermal resistance-thermal capacitance-thermal flow (RCQ) parameters and a corresponding first outdoor temperature for the converted power activation time period compared to the actual power activation time period; calculating a Q parameter at each outdoor temperature during the power activation time period; and calculating an R parameter and a C parameter at each outdoor temperature during the power inactive time period.)

解耦建模方法和系统

背景技术

恒温控制设备(TCA)，例如加热、通风和空调(HVAC)单元和热水器，常用作用于需求响应项目和家庭能源管理(HEM)系统的荷载侧资源。为了不干扰用户舒适度地控制TCA单元的电力消耗，正常需要TCA单元的等效热参数(ETP)模型来预测该单元数小时的工作/不工作(ON/OFF)状态。ETP模型使用恒温设置点、室外温度和初始房间温度作为输入，以预测之后的工作/不工作周期。

在Ruzzelli et al.中，提出基于信号处理方法(例如信号提取、神经网络、频谱分析、V-I轨迹和小波变换)的荷载检测方法。然而，这些方法被用于检测荷载，而不是推导出能够预测之后时间间隔内的荷载行为的模型。参见A.G.Ruzzelli,C.Nicolas,A.Schoofsand G.M.P.O'Hare,"Real-Time Recognition and Profiling of Appliances through aSingle Electricity Sensor,"2010 7th Annual IEEE Communications SocietyConference on Sensor,Mesh and Ad Hoc Communications and Networks(SECON),Boston,MA,2010,pp.1-9、S.Makonin,F.Popowich,L.Bartram,B.Gill and I.V."AMPds:A public dataset for load disaggregation and eco-feedback research,"2013 IEEE Electrical Power&Energy Conference,Halifax,NS,2013,pp.1-6、M.Weiss,A.Helfenstein,F.Mattern and T.Staake,"Leveraging smart meter data torecognize home appliances,"2012 IEEE International Conference on PervasiveComputing and Communications,Lugano,2012,pp.190-197、M.Dong,P.C.M.Meira,W.Xuand C.Y.Chung,"Non-Intrusive Signature Extraction for Major ResidentialLoads,"in IEEE Transactions on Smart Grid,vol.4,no.3,pp.1421-1430,Sept.2013、A.I.Cole and A.Albicki,"Data extraction for effective non-intrusiveidentification of residential power loads,"IMTC/98 ConferenceProceedings.IEEE Instrumentation and Measurement TechnologyConference.St.Paul,MN,1998,pp.812-815vol.2、和H.Najmeddine et al.,"State ofart on load monitoring methods,"2008 IEEE 2nd International Power and EnergyConference,Johor Bahru,2008,pp.1256-1258，每篇都通过引用而完全包括在本说明书中。

对于住宅应用，研究人员一般应用一阶或二阶微分方程来表示当室外温度改变时单户家庭的热力学(thermal dynamics)。参见S.Katipamula and N.Lu,“Evaluation ofresidential HVAC control strategies for demand response programs,”ASHRAETrans.,vol.1,no.12,pp.1–12,2006，该篇文献通过引用而完全包括在本说明书中。ETP模型参数由基于物理学的方法或基于测量的方法而推导出。

基于物理学的方法通常详细地对房子建模。参见S.Shao,M.Pipattanasompornand S.Rahman,"Development of physical-based demand response-enabledresidential load models,"in IEEE Transactions on Power Systems,vol.28,no.2,pp.607-614,May 2013；S.Ihara and F.C.Schweppe,“Physically based modeling ofcold load pickup,”IEEE Trans.Power App.Syst.,vol.PAS-100,no.9,pp.4142–4150,Sep.1981、E.Agneholm and J.Daalder,“Cold load pick-up of residential load,”Proc.Inst.Elect.Eng.,Gen.,Transm.,Distrib.,vol.147,no.1,pp.44–50,Jan.2000、J.Yan,Q.Zeng,Y.Liang,L.He and Z.Li,"Modeling and Implementation ofElectroactive Smart Air-Conditioning Vent Register for Personalized HVACSystems,"in IEEE Access,to be published,doi:10.1109/ACCESS.2017.2664580、A.Gomes,C.H.Antunes,and A.G.Martins,“Physically-based load demand models forassessing electric load control actions,”in Proc.IEEE Bucharest PowerTech,Jul.2009、和R.E.Mortensen and K.P.Haggerty,“A stochastic computer model forheating and cooling loads,”IEEE Trans.Power Syst.,vol.3,no.3,pp.1213–1219,Aug.1988，这些文献每篇都通过引用而完全包括在本说明书中。输入包括墙的材料和厚度，窗户的尺寸和数量，房屋中的热质量，房屋的朝向等。该类型的方法通常被用于对典型住宅房屋建模。当出于HEM控制目的对实际房屋建模时，它是不实用的，这是因为许多不可预测的因素(例如建筑材料变化、树木遮挡和通风口位置)可能对模型准确性有显著的影响。

基于测量的方法已经被用来克服用于推导ETP参数的基于物理学的方法的一些缺陷。在Lu中，N.Lu提出一种数据驱动的HVAC模型，在该模型中，参数由曲线拟合HVAC消耗曲线而推导出。参见N.Lu,“An evaluation of the HVAC load potential for providingload balancing service,”IEEE Trans.Smart Grid,vol.3,no.3,pp.1263–1270,Sep.2012，该篇文献通过引用而完全包括在本说明书中。为了考虑室外温度的影响，可使用包含每个温度范围下的一组HVAC参数的查询表进行调整。然而，由于无法获得分项计量的高分辨率HVAC消耗数据，曾主要使用由基于物理学的更高阶ETP模型产生的HVAC消耗数据来导出和测试该数据驱动的模型。在使用计量的一分钟HVAC消耗进行验证期间，该模型的准确性不令人满意。

本文提供的“背景技术”的说明的目的在于一般性地说明本披露的背景。目前提及的发明人的工作——以其在本背景部分中描述的程度为限——以及本说明书的在提交时否则不属于常规内容的各方面，既不明确地也不默示地被承认是针对本披露的常规内容。

发明内容

本文说明的实施例包括以下方面：

(1)一种改善能量参数估计的方法，包括：将从多个电力系统获得的电力消耗数据存储到电力消耗数据库中；通过处理电路将所述电力消耗数据转换成电力激活时间周期和电力不激活时间周期；通过所述处理电路计算所述电力激活时间周期和所述电力不激活时间周期在相应室外温度下的中位时间数值；针对所述多个电力系统，推导在所述相应室外温度中的每个下，对于预定热流(Q)参数的热阻(R)参数和热容(C)参数；针对所述多个电力系统，通过所述处理电路将转换后的电力激活时间周期与实际电力激活时间周期比较；针对所述多个电力系统，通过所述处理电路将转换后的电力不激活时间周期与实际电力不激活时间周期比较；针对与实际电力激活时间周期比较的转换后的电力激活时间周期，计算第一改善的热阻-热容-热流(RCQ)参数组和相应的第一室外温度；针对与实际电力不激活时间周期比较的转换后的电力不激活时间周期，计算第二改善的RCQ参数组和相应的第二室外温度；以及，通过针对所述多个电力系统中的每个，在所述相应的第一和第二室外温度下，执行所述第一和第二改善的RCQ参数组，来改善能量参数估计，其中，所述改善能量参数估计识别能量效率以减小所述多个电力系统中的每个电力系统内的总能量负荷。

(2)如(1)所述的改善能量参数估计的方法，其中，所述改善的RCQ参数组是通过最小化转换后的电力激活时间周期与实际电力激活时间周期之间、以及转换后的电力不激活时间周期与实际电力不激活时间周期之间的误差来确定的。

(3)如(1)或(2)任一项所述的改善能量参数估计的方法，其中，所述电力消耗数据限于在预定上限温度与预定下限温度之间的温度范围内的数据。

(4)如(1)至(3)中任一项所述的改善能量参数估计的方法，其中，该方法包括用于改善能量参数估计的等效热参数(ETP)模型。

(5)如(1)至(4)中任一项所述的改善能量参数估计的方法，该方法还包括：针对所述多个电力系统，计算在所述电力激活时间周期期间在所述相应室外温度中的每个下的Q参数；和针对所述多个电力系统，计算在所述电力不激活时间周期期间在所述相应室外温度中的每个下的R参数和C参数。

(6)如(1)至(5)中任一项所述的改善能量参数估计的方法，该方法还包括：通过所述处理电路，由在所述相应室外温度中的每个下计算的Q参数，计算所述电力激活时间周期中每个的估计时长；通过所述处理电路，由在所述相应室外温度中的每个下计算的R参数和C参数，计算所述电力不激活时间周期中每个的估计时长；以及，通过借助于由所述Q参数估计的电力激活时间周期中的每个的估计时长和借助于由所述R参数和C参数估计的电力不激活时间周期中的每个的估计时长而使日间参数与夜间参数解耦，来改善能量参数估计，以减小对应于所述相应室外温度中的每个的变化的误差。

(7)如(1)至(6)中任一项所述的改善能量参数估计的方法，该方法还包括：计算R调整系数，该R调整系数是整天R参数与夜间R参数的比值；计算C调整系数，该C调整系数是整天C参数与夜间C参数的比值；计算在所述相应室外温度中的每个下的Q调整系数，该Q调整系数是在所述相应室外温度中的每个下的整天Q参数与夜间Q参数的比值；以及，计算在所述相应室外温度中的每个下的RC调整系数，该RC调整系数是在所述相应室外温度中的每个下的整天RC参数与夜间RC参数的比值，其中，所述整天R参数、整天C参数、整天Q参数和整天RC参数是由在24小时时期取得的数据计算出的，并且其中，所述夜间R参数、夜间C参数、夜间Q参数和夜间RC参数是由没有日照期间取得的数据计算出的。

(8)如(1)至(7)中任一项所述的改善能量参数估计的方法，该方法还包括：计算日间R参数，该日间R参数是所述R调整系数与夜间最佳R参数的乘积；计算日间C参数，该日间C参数是所述C调整系数与夜间最佳C参数的乘积；计算日间Q参数，该日间Q参数是在所述相应室外温度中的每个下的所述Q调整系数与夜间最佳Q参数的乘积；计算日间RC参数，该日间RC参数是在所述相应室外温度中的每个下的所述RC调整系数与夜间最佳RC参数的乘积；以及，通过借助于所述日间R参数、日间C参数、日间Q参数和日间RC参数调整要用作日间参数的夜间参数，来改善能量参数估计，以减小对应于日照变化的误差。

(9)如(1)至(8)中任一项所述的改善能量参数估计的方法，其中，多个电力系统包括多个恒温控制设备(TCA)。

(10)如(1)至(9)中任一项所述的改善能量参数估计的方法，其中，所述多个TCA包括多个加热、通风和空调(HVAC)系统，并且电力消耗数据库包括HVAC消耗数据库。

(11)一种解耦等效热参数(ETP)模型处理器，其包括电路。该电路配置为：将从多个电力系统获得的电力消耗数据存储到电力消耗数据库中；将所述电力消耗数据转换成电力激活时间周期和电力不激活时间周期；计算所述电力激活时间周期和所述电力不激活时间周期在相应室外温度下的中位时间数值；针对所述多个电力系统，推导在所述相应室外温度中的每个下，对于预定热流(Q)参数的热阻(R)参数和热容(C)参数的参数；针对所述多个电力系统，将转换后的电力激活时间周期与实际电力激活时间周期比较；针对所述多个电力系统，将转换后的电力不激活时间周期与实际电力不激活时间周期比较；针对与实际电力激活时间周期比较的转换后的电力激活时间周期，计算第一改善的热阻-热容-热流(RCQ)参数组和相应的第一室外温度；针对与实际电力不激活时间周期比较的转换后的电力不激活时间周期，计算第二改善的RCQ参数组和相应的第二室外温度；针对所述多个电力系统，计算在所述电力激活时间周期期间在所述相应室外温度中的每个下的Q参数；以及针对所述多个电力系统，计算在所述电力不激活时间周期期间在所述相应室外温度中的每个下的R参数和C参数。

(12)如(11)所述的解耦ETP模型处理器，其中，电路还配置为：由在所述相应室外温度中的每个下计算的Q参数，计算所述电力激活时间周期中每个的估计时长；以及，由在所述相应室外温度中的每个下计算的R参数和C参数，计算所述电力不激活时间周期中每个的估计时长，其中，所计算的Q参数、所计算的R参数，和所计算的C参数通过借助于由所述Q参数估计的电力激活时间周期中的每个的估计时长和借助于由所述R参数和C参数估计的电力不激活时间周期中的每个的估计时长而使日间参数与夜间参数解耦，来改善能量参数估计，以减小对应于所述相应室外温度中的每个的变化的误差。

(13)如(11)或(12)任一项所述的解耦ETP模型处理器，其中，所述改善的RCQ参数组是通过最小化转换后的电力激活时间周期与实际电力激活时间周期之间、以及转换后的电力不激活时间周期与实际电力不激活时间周期之间的误差来确定的。

(14)如(11)至(13)中任一项所述的解耦ETP模型处理器，其中，所述多个电力系统包括多个恒温控制设备(TCA)。

(15)一种调后解耦ETP模型处理器，其包括电路。该电路配置为：将从多个电力系统获得的电力消耗数据存储到电力消耗数据库中；将所述电力消耗数据转换成电力激活时间周期和电力不激活时间周期；计算所述电力激活时间周期和所述电力不激活时间周期在相应室外温度下的中位时间数值；针对所述多个电力系统，推导在所述相应室外温度中的每个下，对于预定热流(Q)参数的热阻(R)参数和热容(C)参数的参数；针对所述多个电力系统，将转换后的电力激活时间周期与实际电力激活时间周期比较；针对所述多个电力系统，将转换后的电力不激活时间周期与实际电力不激活时间周期比较；针对与实际电力激活时间周期比较的转换后的电力激活时间周期，计算第一改善的热阻-热容-热流(RCQ)参数组和相应的第一室外温度；针对与实际电力不激活时间周期比较的转换后的电力不激活时间周期，计算第二改善的RCQ参数组和相应的第二室外温度；计算R调整系数，该R调整系数是整天R参数与夜间R参数的比值；计算C调整系数，该C调整系数是整天C参数与夜间C参数的比值；计算在所述相应室外温度下的Q调整系数，该Q调整系数是在所述相应室外温度下的整天Q参数与在所述相应室外温度下的夜间Q参数的比值；以及，计算在所述相应室外温度下的RC调整系数，该RC调整系数是在所述相应室外温度下的整天RC参数与在所述相应室外温度下的夜间RC参数的比值。

(16)如(15)所述的调后解耦ETP模型处理器，其中，电路还配置为：计算作为R调整系数与夜间优化R参数的乘积的日间R参数；计算日间R参数，该日间R参数是所述R调整系数与夜间最佳R参数的乘积；计算日间C参数，该日间C参数是所述C调整系数与夜间最佳C参数的乘积；计算日间Q参数，该日间Q参数是在所述相应室外温度下的所述Q调整系数与夜间最佳Q参数的乘积；以及，计算日间RC参数，该日间RC参数是在所述相应室外温度中的每个下的所述RC调整系数与夜间最佳RC参数的乘积；其中，所计算的日间R参数、所计算的日间C参数、所计算的日间Q参数和所计算的日间RC参数通过调整要用作日间参数的夜间参数，来改善能量参数估计，以减小对应于日照变化的误差。

(17)如(15)或(16)任一项所述的调后解耦ETP模型处理器，其中，所述整天R参数、整天C参数、整天Q参数和整天RC参数由在24小时时期取得的数据来计算，并且其中，所述夜间R参数、夜间C参数、夜间Q参数和夜间RC参数由没有日照期间取得的数据来计算。

(18)如(15)至(17)中任一项所述的调后解耦ETP模型处理器，其中，所述改善的RCQ参数组是通过最小化转换后的电力激活时间周期与实际电力激活时间周期之间、以及转换后的电力不激活时间周期与实际电力不激活时间周期之间的误差来确定的。

(19)如(15)至(18)中任一项所述的调后解耦ETP模型处理器，其中，所述多个电力系统包括多个恒温控制设备(TCA)。

(20)如(15)至(19)中任一项所述的调后解耦ETP模型处理器，其中，所述多个TCA包括多个加热、通风和空调(HVAC)系统，并且所述电力消耗数据库包括HVAC消耗数据库。

以上段落是作为概括简介来提供的，不意图限制权利要求的范围。通过结合附图参照以下详细说明，将最好地理解所描述的实施例，以及其它优点。

附图说明

由于参照以下详细说明，当结合附图考虑时，将更好地理解本发明，因此会容易地获得对本发明及其众多附带优点的更完整的了解，在附图中：

图1A的图示出了根据一个实施例的示例性建模系统；

图1B示出了根据一个实施例的针对HVAC系统的第二示例性建模系统；

图2的图示出了根据一个实施例的基于一阶HVAC ETP模型的输出；

图3A的图示出了根据一个实施例的针对午夜数据的第一类型数据；

图3B的图示出了根据一个实施例的针对24小时整天数据的第二类型数据；

图3C的图示出了根据一个实施例的第三类型数据，该数据是丢弃数据；

图4是根据一个实施例的算法1的流程图，其示出了用于一阶ETP模型的RCQ参数估计过程中的六个步骤；

图5的图示出了根据一个实施例的循环特征向量S矩阵的一个例子；

图6A是根据一个实施例的不同室外温度T_out下的工作(ON)时长的箱线图；

图6B是根据一个实施例的不同室外温度下的不工作(OFF)时长的箱线图；

图6C的图示出了根据一个实施例的不同室外温度下的中位数值和其中，完整的工作周期t_ON和完整的不工作周期t_OFF的中位数值组被命名为和

图7A的图示出了根据一个实施例的不能够满足A标准时的RCQ数值组，其中，R表示热阻，C表示热容，Q表示热流。

图7B的图示出了根据一个实施例的标准，该标准用于确保当对HVAC设置点变化建模时t_ON和t_OFF会改变；

图8是根据一个实施例的比较所测量的工作/不工作时长的中位值和与使用最佳RCQ组估计的工作/不工作时长和的条形图；

图9A的图示出了根据一个实施例的R×C与T_out之间的线性相关；

图9B的图示出了根据一个实施例的Q和T_out之间的线性相关；

图10是根据一个实施例的解耦ETP模型的算法2的流程图；

图11的条形图示出了根据一个实施例的所估计的工作/不工作时长与实际工作/不工作时长的中位值之间的比较与室外温度之间的关系；

图12A的图示出了根据一个实施例的K_Q(热流调整系数)和当i为1至10时的((在T_out下的整天热流模型参数)/(在T_out下的夜间热流模型参数))的例子与T_out之间的关系；

图12B的图示出了根据一个实施例的线性拟合模型与T_out之间的关系；

图13A的图示出了根据一个实施例的K_Q和当i为1至10时的((在T_out下的整天热阻和热容模型参数)/(在T_out下的夜间热阻和热容模型参数))的例子与T_out之间的关系；

图13B的图示出了根据一个实施例的二阶多项式模型与T_out之间的关系；

图14是根据一个实施例的用于调后解耦ETP模型(Adjusted Decoupled-ETPmodel)的算法3的流程图；

图15A和图15B的条形图示出了根据一个实施例的基于夜间数据的总工作时间的平均绝对百分比误差(APE)和标准偏差(SD)；

图15C和图15D的条形图示出了根据一个实施例的总切换次数的APE和SD；

图16A和16B的条形图分别示出了根据一个实施例的解耦ETP1模型的工作时间APE和切换APE；

图16C和图16D的条形图分别示出根据一个实施例的解耦ETP2模型的工作时间APE和切换APE；

图16E和图16F的条形图分别示出根据一个实施例的调后解耦ETP模型的工作时间APE和切换APE；以及

图17是示出根据一个实施例的计算机的硬件说明的框图。

具体实施方式

以下说明旨在通过提供本披露的具体例子和实施例来进一步解释本披露。这些实施例是示意性的，而不是穷举的。本披露的完整范围不限于在本说明书中披露的任何具体实施例，而是由权利要求书限定。

会理解的是，在任何这样的实际实施方式的开发过程中，都需要做出众多特定于实施方式的决定以实现开发者的具体目的，例如符合应用相关和商业相关的限制条件，并且这些具体目的会随着实施方式和开发者的变化而变化。

本文使用加热、通风和空调(HVAC)单元作为例子，来描述一种用于推导恒温控制设备(TCA)的模型参数的数据驱动的解耦建模方法。该方法使用室外温度和HVAC电力消耗作为输入来估计HVAC等效热参数(ETP)模型的参数。

用HVAC作为例子来说明模型参数估计过程和调整算法。本文使用住宅房屋作为主要关注对象。因此，没有考虑具有变频驱动器的HVAC单元的模型。然而，可做调整以在具有变频驱动器的HVAC单元中集成本文所述的实施例。而且，本文描述的方法和系统可容易地延展到众多其它恒温控制设备(TCA)(例如热水器和冰箱)的参数估计。

图1A是示出根据本文所述的实施例使用的一个示例性建模系统100的图。在一定数量的电力系统110(例如关联的住宅房屋的TCA或HVAC系统)上测试和验证了所述方法。例如，HVAC系统包括给房屋供热和/或空调的电力系统110，并还包括用于控制电力系统110的关联的计量器。电力系统可以还包括其它TCA，例如热水器和冰箱。消耗数据(例如实际一分钟HVAC消耗数据)存储在电力消耗数据库120中。

电力ETP模型处理器130使用来自电力消耗数据库120的电力消耗数据(例如HVAC电力消耗数据)和室外温度数据作为输入来估计电力ETP模型的参数。参照图4详细地描述了用于估计电力ETP模型的参数的算法1。

电力解耦ETP模型处理器140配置有用于使电力单元的“工作”和“不工作”时期的建模解耦以改善建模准确性的电路。在一个例子中，电力解耦ETP模型处理器140是HVAC解耦ETP模型处理器。参照图10详细地描述了用于使“工作”和“不工作”时期的建模解耦的算法2。

电力调后解耦ETP模型处理器150配置有用于仅使用午夜数据来推导模型参数的电路。在一个例子中，电力调后解耦ETP模型处理器150是HVAC调后解耦ETP模型处理器。该方法适用于日间电力消耗由于住户活动而被高度扭曲的情况。参照图14详细地描述了用于解耦和调整模型参数的算法3。

预测处理器160配置有电路，该电路用于基于电力ETP模型处理器130、电力解耦ETP模型处理器140、和电力调整ETP模型处理器150中的一个或更多个，处理和输出用于预测电力单元行为的模型，以用于能量管理应用。例如，在不知道HVAC单元所在的具体房屋的详细参数的情况下，模型输出使用室外温度和HVAC电力消耗数据。

图1A示出作为单独单元的建模系统100。然而，本文描述的处理器可组合到一个或更多个个体处理单元中，或者可以存在未在图1中示出的其它处理单元。在图1中示出的处理单元要么单独地要么作为组合的整体地包含配置为执行本文描述的处理步骤的处理电路。

图1B示出用于HVAC系统的第二示例性建模系统200。数据收集模块210示出了在其中收集数据的设备，例如每个房屋的温度计211和每个房屋的恒温器212。

数据处理模块215将从数据收集模块210收集的数据存储在数据处理数据库220中。所获取的数据通过处理器225被处理。处理器225可以是单处理器或并行运行的多个处理器。如在图4中的算法1中所示，处理器225推导出ETP模型230。处理器225还如在图10中的算法2中所示地推导出解耦ETP模型240。处理器225还如图14中的算法3中所示地推导出调后解耦ETP模型250。

图2是示出一阶HVAC ETP模型的图。对于t＝k的当前时间步骤，在t＝k+1时的室内房间温度T_room可用一阶ETP模型表示为：

其中，T_out和T_room分别是室外温度和房间温度，u_ac是HVAC工作/不工作状态，Δt是每个时间步骤的时长，R表示热阻，C表示热容，并且Q表示由HVAC单元提供的热流。因此，可由以下公式确定在下一时间步骤k+1时的HVAC状态u_ac：

其中，T^-和T⁺分别指HVAC温度死区的下限和上限。可根据具体处理目标、设备限制等，来确定预定上限温度和预定下限温度。例如，预定上限温度可以是室内舒适区域的较高温度，例如72°F，而预定下限温度可以是室内舒适区域的较低温度，例如68°F。

如果T_out保持恒定，(1)可以重写为：

其中，t_ON和t_OFF指如图2所示的完整的工作和不工作周期。

用于数据驱动建模的一阶ETP模型的一个主要优点是其简单性。RCQ数值可以容易地由以下五个变量构成的组推导出：T⁺，T^-，T_out，t_ON和t_OFF。ETP模型的一个缺点在于，t_ON和t_OFF在T_out改变时会改变。因此，为了满足建模准确性要求，每个T_out范围都需要一组RCQ数值。而且，由于太阳光辐射，日间和夜间RCQ数值可能是不一样的，尽管它们是在相同的T_out下推导出的。例如，一组RCQ数值可仅用于一天的夜间部分的5～10°F的T_out范围。本文描述了具有调整方法的解耦ETP模型以解决这些建模问题。

HVAC消耗P_ac可基于以下公式转换成工作/不工作状态u_ac(t)：

HVAC消耗P_ac和室外温度T_out是由PECAN街道项目的研究人员收集的。参见PecanStreet Inc.,"Dataport,",2017，该文献通过引用而被完整地包括在本说明书中。选择了具有一分钟分项计量的HVAC电力消耗和室外温度数据的一百个房屋。使用了夏季时期时长来对处于其冷却模式的HVAC单元建模。

为了推导RCQ参数，筛选数据以排除HVAC电力消耗由于住户活动(例如：手动开启和关闭HVAC单元、频繁改变恒温器设置点、长时间打开门和/或窗等)而被显著扭曲的时期。因此，能量使用数据分为三个类型。图3A是示出48小时HVAC电力消耗曲线的图。第一类型的数据是零点到早上5点的午夜数据，在这段时间内可能会影响HVAC运行的住户活动最小。图3B是示出对于第二类型的数据的48小时HVAC电力消耗曲线的图，该第二类型的数据是24小时整天数据，在这种数据中住户对HVAC运行造成非常小的干扰。图3C是示出第三类型的数据的图，该第三类型的数据是丢弃的数据，在该丢弃的数据中，HVAC单元运行要么不稳定，要么频繁改变工作/不工作模式。当家庭具有尺寸过小的HVAC单元或多个HVAC单元时，不能通过基于RCQ参数的ETP模型来合适地对HVAC运行建模。

以下示例性算法可用于选择根据本文描述的实施例的数据组。

示例性算法0——选择数据组

步骤1 输入房屋i的数据组。

步骤2 基于方程(5)，将P_ac(t)转换为工作/不工作状态u_ac(t)。

步骤3 创建工作向量(ON vector)S_ON(i)＝{t_ON(i),T_out,avg(i),t_START(i)},i＝1,2…,N_ON。

计算每个工作周期的时长t_on、对应的平均T_out(四舍五入到1°F)和开始时间t_start。

·如果工作周期期间的最大与最小T_out之间的差异大于Δt_ON(例如：4°F)，则丢弃S_ON(i)。

·如果t_ON>Δt_ON,max(例如：40min)或t_ON<Δt_ON,min(例如：2min)，则丢弃S_ON(i)。

步骤4 创建不工作向量(OFF vector)S_OFF(i)＝{t_OFF(i),T_out,avg(i),t_START(i)},i＝1,2…,N_OFF。

计算每个不工作周期的时长t_OFF、对应的平均T_out(四舍五入到1°F)和开始时间t_start。

·如果不工作周期期间的最大与最小T_out之间的差异大于Δt_OFF(例如：4°F)，则丢弃S_OFF(i)。

·如果t_OFF>Δt_OFF,max(例如：60min)或t_OFF<Δt_OFF,min(例如：5min)，则丢弃S_OFF(i)。

步骤5 推导HVAC夜间数据库。

计算当t_START(i)为下午6点到早上6点(在不同季节可变化)时，在S_ON(i),i＝1,2…,N_ON中的所有工作周期的数量N_ON,NIGHT。计算当t_START(i)为下午6点到早上6点(在不同季节可变化)时，在S_OFF(i),i＝1,2…,N_OFF中的所有不工作周期的数量N_OFF,NIGHT。

·如果N_ON,NIGHT<N_ON,NIGHT,min(例如：5min)或者N_OFF,NIGHT<N_{OFF,NIGHT,min}(例如：5min)，则丢弃该数据组。

步骤6 推导HVAC整天数据库。

计算当t_START(i)为早上6点到下午6点(在不同季节可变化)时，在S_ON(i),i＝1,2…,N_ON中的所有工作周期的数量N_ON,DAY。计算当t_START(i)为早上6点到下午6点(在不同季节可变化)时，在S_OFF(i),i＝1,2…,N_OFF中的所有不工作周期的数量N_OFF,DAY。

·如果N_ON,NIGHT<N_ON,NIGHT,min(例如：2min)或N_OFF,NIGHT<N_{OFF,NIGHT,min}(例如：5min)或N_ON,DAY<N_ON,DAY,min(例如：2min)或N_OFF,DAY<N_OFF,DAY,min(例如：5min)，则丢弃该数据组。

步骤7 对于每个房屋中的所有数据组，重复步骤1至步骤6。

图4是算法1的流程图，示出了用于HVAC单元的一阶ETP模型的RCQ参数估计过程中的各过程步骤。可在具有配置为实施算法1的过程步骤的电路的电力ETP模型处理器130或其它类似处理器上实施算法1的过程步骤。仅出于说明目的而描述了HVAC单元。其它电力单元(例如热水加热器和冰箱)也可集成有算法1的过程步骤。

在步骤S410中，输入下一房屋的HVAC电力消耗数据和环境温度数据。算法1是使用住宅房屋作为电力单元所在的结构来描述的。然而，其它物理结构或建筑物(例如商业结构、商业楼和仓库)也可包含在算法400中。

在步骤S420中，确定是否可使用整天数据。如果可以使用整天数据(步骤S420中的“是”决定)，则在步骤S421中选择24小时数据。如果不可以使用整天数据(步骤S420中的“否”决定)，则在步骤S422中确定是否可使用午夜数据。如果可以使用午夜数据(步骤S422中的“是”决定)，则在步骤S423中选择零点到早上5点的数据。如果不可以使用午夜数据(步骤S422中的“否”决定)，则在步骤S424中丢弃该数据组。

获得HVAC工作/不工作曲线

在步骤S430中，使用方程(5)，将HVAC电力消耗数据转换成HVAC状态，其中，P_ac,max是t∈τ期间的最大电力消耗，τ是输入数据的总时间范围的集合，u_ac是HVAC状态。

建立循环特征向量S

在步骤S440中，计算循环向量S。计算每个工作和不工作周期的时长t_ON和t_OFF，以及每个工作或不工作周期期间的对应的平均室外温度T_{out_avg}。将每个T_{out_avg}都四舍五入到其最接近的整数数值。将t_ON(i)，t_OFF(i)和T_{out_avg}存储在对应周期i的循环特征向量S(i)中。与本文所述的实施例一致地，室外温度可指HVAC单元或其它电力单元所在的物理结构外部的温度。

当工作或不工作周期中的最大与最小室外温度之间的差异大于阈值ΔT_out时，该周期被丢弃以去除离群值。使用了ΔT_out＝4°F的数值，这是因为当温度在一个周期中变化很大时，RCQ数值可能会不具有代表性。图5的图示出循环特征向量S矩阵(也在表I中示出)的一个例子。

表I.向量S的一个例子

S(i)

S(1)

S(2)

S(3)

S(4)

S(5)

S(6)

…

t<sub>ON</sub>(i)

NA

14min

NA

17min

NA

13min

…

t<sub>OFF</sub>(i)

10min

NA

11min

NA

15min

NA

…

T<sub>out_avg</sub>(i)

85°F

85°F

89°F

89°F

84°F

81°F

…

使得t_ON和t_OFF与T_{out_avg}关联

在图4的步骤S450中，计算S的中位数值，以获得向量M。对于S中的每个T_{out_avg}选择t_ON和t_OFF的中位数值，以获得新的向量M。M被用于当对于某个T_{out_avg}的t_ON或t_OFF缺失时，推导(t_ON,t_OFF)与T_{out_avg}之间的关联性。T_{out_avg}不包括在M中。在表II中示出M的一个例子。M中的室外温度组被重新命名为T_o。t_ON和t_OFF的中位数值的组被命名为和图6A是不同室外温度下的工作时长的箱线图。图6B是T_out的不同数值下的不工作时长的箱线图，其中T_out是室外温度。图6C的图示出了不同室外温度下的和的中位数值。

表II.向量M的一个例子

M(i)

M(1)

M(2)

M(3)

M(4)

M(5)

M(6)

…

t<sup>M</sup><sub>ON</sub>(i)

10min

10min

11min

11min

12min

13min

…

t<sup>M</sup><sub>OFF</sub>(i)

35min

30min

27min

27min

18min

19min

…

T<sub>o</sub>(i)

75°F

76°F

77°F

78°F

88°F

89°F

…

推导RCQ参数

在图4的步骤S460中，计算R、C和Q参数。在每个室外温度T_out∈T_o下，存在一组和参数。由于Q表示HVAC单元贡献的热流，Q的数值仅影响工作周期。在曲线拟合过程中，与基于物理学的模型方法相比，RCQ数值不再准确地表示它们的物理特征。因此，对于所有家庭选择Q＝-500的数值。仅调整R和C的数值。因此，由方程(3)和(4)，当Q的数值固定时，可计算R和C为：

对于本文描述的实施例，假设对于每个HVAC单元，T⁺和T-分别被选择为72°F和68°F。当为Q选择数值时，要注意两点。首先，Q仅是影响HVAC工作周期的长度的变量，这是因为在不工作周期中，房间温度衰减与HVAC电力消耗无关。其次，由方程(6)和(7)，可推导出：如果问题被当作曲线拟合问题来处理而不考虑RCQ参数的物理意义，则可为Q选择任意数值，以计算R和C的对应数值组，而测量的工作/不工作循环特征仍可通过对应的解耦ETP模型来再现。因此，尽管将-500选择为Q的数值，但他人可选择另一数值，例如-1000或-1500。他们会获得R和C的另一数值组，该另一数值组也可产生在给定的T_out下的相同曲线拟合结果。然而，在下一步骤中，使T_out从min(T_o)变化到max(T_o)。当RCQ数值在其它室外温度下没有产生令人满意的结果时，在随后的步骤中排除它们。

丢弃不良RCQ组

在步骤S470中，丢弃不可接受的R、C、和Q组。不良的RCQ数值组不会再现当T_out从min(T_o)变化到max(T_o)时的HVAC循环特征。使用以下两个标准来排除所获得的不良RCQ数值组。

在用于满足HVAC能力要求的A标准中，将方程(1)重写为：

方程(8)和(9)中的对数函数的反对数需要在T_out在min(T_o)到max(T_o)的范围内时是正的，这导致：

Q×R＞T⁺-T_out (10)

图7A的图示出当不能够满足A标准时的RCQ数值组。物理意义意味着HVAC单元的尺寸过小，不再能够在室外温度过高时使房间温度下降到T^-。因此，需要丢弃违反A标准的任何RCQ数值组。

在A标准中，建模设置点改变要求得到满足。图7B的图示出了A标准，该标准用于确保当HVAC设置点改变(例如[T^-,T⁺]改变到)时，t_ON和t_OFF会相应地改变。在数学上，如果并且则以下方程成立：

其中，f_ON(ΔT,T_out)和f_OFF(ΔT,T_out)是用于确定对于HVAC设置点改变ΔT和T_out的t_ON和t_OFF的最小改变的函数。要注意的是，通过用和替代T^-和T⁺，由方程(8)和(9)来计算和丢弃违反A标准的任何RCQ数值组。

选择最佳RCQ组

在图4的步骤S480中，选择最佳的一组R、C、和Q。可通过使用以下公式来最小化估计的工作/不工作时长与实际工作/不工作时长之间的误差来选择剩余N个组中的最佳RCQ组(被定义为在室外温度T_f下获得的R_f、C_f、和Q_f，其中，T_f是产生R_f、C_f和Q_f的特定T_out)：

其中，和是使用方程(8)和(9)计算出的在室外温度T_out下的估计的工作时长和不工作时长；和是可在向量M中找到的来自实际测量的在T_out下的工作/不工作时长的中位数值。可确定最佳的R_fC_fQ_f参数组和对应的R_fC_fQ_f参数室外温度T_f，其中转换后的电力激活时间周期和转换后的电力不激活时间周期在预定的误差范围内分别匹配实际的电力激活时间周期和实际的电力不激活时间周期。通过在步骤S480中计算最佳的RCQ组，针对一个HVAC单元或其它TCA获得了一组R、C和Q；该组被标记为R_f、C_f、和Q_f。这些R_f、C_f和Q_f数值之后被用作解耦ETP模型的输入。图8的条形图比较了测量的工作/不工作时长的中位值和(图8中的ON,m和OFF,m)和使用最佳R_f C_f Q_f组估计的工作/不工作时长和(图8中的ON,e和OFF,e)。在该情况中，R_f C_f Q_f数值是在室外温度为84°F时推导出的。

由该比较，可做出以下观察：

·当80°F≤T_out≤93°F时，图8中示出的模型计算的工作/不工作时长良好地贴合测量值。

·然而，当T_out<80°F时，所估计的不工作周期时长显著地长于测量时长。当T_out>93°F时，所估计的工作周期时长显著地长于测量时长。

这在使用一阶来近似更高阶的热力学过程时发生，这是因为实际热力学过程的非线性导致所估计的和越来越偏离测量的和这在T_out显著地高于或低于推导RCQ参数时的温度T_f时发生。为了解决该建模问题，本文描述了解耦ETP模型。

在步骤S485中，确定所考虑的当前房屋是否是要处理的房屋清单上的最后那个房屋。如果当前房屋是最后那个房屋(步骤S485中的“是”决定)，则终止该方法。如果当前房屋不是最后那个房屋(步骤S485中的“否”决定)，则在步骤S490中使用计数器来到第(i+1)个房屋。方法在步骤S410中对第(i+1)个房屋重新开始。

可使用以下的示例性算法来选择根据本文所述的实施例的ETP HVAC模型的参数。

示例性算法1：选择ETP HVAC模型的参数

步骤1 输入S_ON，并按照T_out对S_ON排序。

步骤2 计算和

·是S_ON中的相同的T_out,avg.下的所有t_ON(i)的平均数值，T₀(i)是T_out,avg.。

·指S_ON中的相同的T_out,avg.下的所有t_OFF(i)的平均数值，T₀(i)是T_out,avg.。

步骤3 计算如果M_ON(i)和M_OFF(i)中的T₀(i)是相同的。

步骤4 使用方程(6)至(7)，计算针对在T₀(i)下的M(i)中的每个工作/不工作对的RCQ参数。

假设Q＝-500，T⁺＝72°F，并且T-＝68°F。基于方程(6)至(7)，计算N_M组的R和C数值，其中

T_out＝T₀(i)并且

步骤5 对于在步骤4中获得的每组R、C和Q，计算对于T⁺＝72°F，是否满足方程(10)，T_out的范围为M(i),i-1，2，...，N_M中从min{T₀(i)}到max{T₀(i)}。如果不满足，则将丢弃该组R、C和Q。

Q×R＞T⁺-T_out (10)

步骤6 对于在步骤5之后剩下的每组R、C和Q，计算是否满足方程(11)。如果不满足，则将丢弃该组R、C和Q。

步骤7 对于在步骤6之后剩下的每组R、C和Q，选择使方程(13)的最小化的那组R、C和Q，其中，和是计算出的，可在M(i)中找到。所选择的R、C和Q被命名为R_f，C_f和Q_f。

步骤8：对所有房屋重复步骤1至步骤7。

如图7A和图7B所示，和的估计误差具有不同的趋势。如果使用一个R_f C_fQ_f组来对工作周期和不工作周期这两者建模，则简单的参数调整是不可行的，这是因为当的误差减小时，的误差会增大。由方程(8)和(9)，t_ON与R_f、C_f、Q_f相关，但t_OFF仅与R×C相关。因此，使用解耦ETP模型来将对工作周期和不工作周期的建模分开。将RCQ参数作为T_out的函数，以减小对应于T_out变化的建模误差。与方程(1)和(2)相反地，在解耦ETP模型中，将t＝k+1时的T_room和u_ac计算为：

当T_out恒定时，方程(14)可重写为：

其中，可如上那样获得R_f、C_f。下文将讨论修改。

对于不工作周期，将R_f×C_f＝f_RC(T_out)定义为使得R_f C_f数值是T_out的函数。由方程(17)，

其中，是通过使用解耦ETP模型估计的不工作时长。找到f_RC与T_out之间的关系。通过使用以上阐述的方法计算在每个T_out下的R_f×C_f数值，来计算由一百个房屋的数据推导的R_f×C_f与T_out之间的线性相关性。平均关联系数是0.973，并且标准偏差是0.0253。图9A的图示出了实际数值和R_f×C_f与T_out之间的线性相关性。因此，用于计算f_RC(T_out)的线性回归模型为：

f_RC(T_out)＝k_RC×T_out+b_RC (19)

为了避免所有三个RCQ参数的建模温度敏感性，让R＝R_f和C＝C_f(以上获得的)，以推导工作周期RCQ参数。当R和C数值固定时，将Q成为T_out的函数，导致：

计算由一百个房屋推导的Q与T_out之间的关联性。关联系数平均值为0.941，并且标准偏差为0.048。图9B的图示出了Q与T_out.之间的线性相关性。用于针对每个T_out计算Q的线性回归模型为：

f_Q(T_out)＝k_Q×T_out+b_Q (21)

在使用方程(21)针对每个T_out计算出Q之后，可将估计的工作周期时长计算为：

图10是用于解耦ETP模型的算法2的流程图。可在具有配置为实施算法2的过程步骤的电路的电力解耦ETP模型处理器140或其它类似处理器上实施算法2的过程步骤。

在步骤S1010中，R_f、C_f、Q_f和第i个房屋的HVAC电力消耗和环境温度T_out是输入。如本文参照图4中的步骤S480所描述地那样计算输入参数R_f、C_f、Q_f。HVAC电力消耗和环境温度T_out由针对第i个房屋的HVAC消耗数据库120获得。

在步骤S1020中，计算f_RC(T_out)。

计算每个T_out下的

其中，T_out、T_off和M是由图4中的步骤S450计算的。

图9A的图示出了针对每个T_out的f_RC(T_out)的实际计算结果。

在步骤S1030中，实施针对每个T_out的f_RC(T_out)的线性拟合，其一个例子在图9A中示出。

在步骤S1040中，基于以下方程，针对每个T_out，计算Q(T_out)：

其中，T_out、和M在图4的步骤S450中在向量M中获得。

图9B的图示出了针对每个T_out的Q(T_out)的实际计算结果。

在步骤S1050中，实施针对每个T_out的Q(T_out)的线性拟合，其一个例子在图9B中示出。

在步骤S1060中，对于第i个房屋建立解耦ETP模型。

其中

在步骤S1065中，确定是否已经达到房屋清单终点。如果已经达到房屋清单终点(步骤S1065中的“是”决定)，则停止该过程。如果还没有达到房屋清单终点(步骤S1065中的“否”决定)，则该过程继续到步骤S1070。

在步骤S1070中，计数器增加到第i+1个房屋，算法2回到步骤S1010以对下一房屋重复该过程。

以下示例性算法可用于推导根据本文描述的实施例的解耦ETP模型。

示例性算法2：推导解耦ETP模型

步骤1 输入第i(i＝1,2,…,N_house)个房屋的数据组，并重复算法1中的步骤1至步骤7

步骤2 对于算法1中步骤6之后剩余的每组R、C和Q，建立向量其中，T₀(i)是用于获得R(i)，C(i)，Q(i)的M(i)中的对应数据组。

步骤3 计算

步骤4 使用线性回归f_RC(T_out)＝k_RC×T_out+b_RC来拟合与T₀（i)之间的关系，i＝1，2，...，N_D。

步骤5 计算

步骤6 使用线性回归f_Q(T_out)＝k_Q×T_out+b_Q来拟合与T₀(i)之间的关系，i＝1，2,...,N_D。

步骤7 基于方程(14)至(15)建立解耦ETP模型。

步骤8 对每个房屋的所有数据组重复步骤1至步骤7。

图11的条形图示出了相对于室外温度的估计的工作和不工作时长与实际工作/不工作时长的中位值之间的比较。与针对ETP模型的图8相比，解耦ETP模型的预测的准确性得到了显著的改善。使用PECAN街道数据组进行了对于一百个房屋的验证测试。计算了t_ON和t_OFF的实际中位值与估计的和之间的平均误差。一百个房屋在T_out数值的整个范围上的平均误差对于ETP模型和解耦ETP模型分别是4.02和2.05。如果仅考虑低室外温度(T_out<76°F)或高室外温度(T_out>95°F)的情况，则解耦ETP模型的建模误差一般比ETP模型的小10至20分钟。

只要消耗是通过没有被住户活动(例如长期打开门或窗、频繁改变恒温设定点、或手动地关闭TCA设备等)扭曲的一致的恒温设定来调节的，就可将解耦ETP模型应用于对所有TCA建模。然而，在实践中，如图3A和图3C所示，在日间期间的TCA运行可能会被人的活动严重扭曲。对于大多数房屋，最可用于推导TCA模型的数据是在午夜和清晨之间当住户睡觉时(这样他们的活动的影响最小)测量的数据。然而，对于HVAC单元，仅使用午夜数据可能会导致不准确性，这是因为它没有考虑太阳光辐射对房屋的热力学的影响。

为了解决该问题，使用调后解耦ETP模型来调整解耦ETP模型的参数，该解耦ETP模型是仅使用午夜数据推导出的。通过调后解耦ETP模型，也可准确地对日间运行建模。

当HVAC单元工作时，可将t＝k+1时的T_room计算为：

当HVAC单元不工作时，可将t＝k+1时的T_room计算为：

其中：

在方程(28)和(29)中，R_f,N，C_f,N，f_Q,N(T_out)，和f_RC,N(T_out)是使用午夜数据组计算的解耦ETP模型的参数。K_Q(T_out)和K_RC(T_out)是用于对日间HVAC周期行为建模的调整系数。

为了推导这些系数，选择具有这样的至少五天的24小时HVAC消耗的n个房屋：在该时期期间，没有由住户活动造成的明显扭曲。夜间模型和整天模型分别代表使用午夜数据和整天数据推导的解耦ETP模型。第i个HVAC单元的夜间模型参数包括和整天模型参数包括和

可如下那样计算调整系数：

其中，T_out∈T_o。

为了考虑低温或高温范围内的HVAC单元的饱和效应，使用上限线性回归模型。

图12A的图示出了K_Q和当i的范围为1至10时的的一个例子与T_out之间的关系。图12B是示出线性拟合模型相对于T_out的图。

将K_RC(T_out)计算为：

其中，T_out∈T_o。使用上限二阶多项式回归模型来拟合K_RC与T_out之间的关系，使得：

图13A的图示出了K_Q和当i的范围为1至10时的的一个例子与T_out之间的关系。图13B是示出二阶多项式模型相对于T_out的图。

当推导出调整系数时，仅使用午夜数据来推导解耦ETP模型参数。使用方程(28)和(29)调整夜间模型参数，使得当对日间HVAC周期行为建模时，可合适地反映太阳光辐射的影响。

图14是用于调后解耦ETP模型的算法3的流程图。算法3的过程步骤可在具有配置为实施算法3的过程步骤的电路的电力调后解耦ETP模型处理器150或其它类似处理器上实施。

在步骤S1410中，输入n个非扭曲数据。例如，数据可覆盖来自HVAC消耗数据库120的家庭HVAC电力消耗和环境温度数据的5天、24小时时期。图3B是与步骤1关联的、示出可接受的HVAC消耗曲线的图。

在步骤S1420中，由算法2的估计值(参见图10)，使用午夜数据来计算对于每个家庭HVAC的解耦ETP模型参数：

在步骤S1430中，由算法2的估计值(参见图10)，使用整天数据来计算对于每个家庭HVAC的解耦ETP模型参数：

在步骤S1440中，基于以下公式来计算调整系数K_Q(T_out)和K_RC(T_out)：

在步骤S1450中，进行线性拟合K_Q(T_out)和多项式拟合K_RC(T_out)。

在步骤S1460中，对于每个HVAC单元建立调后解耦ETP模型。

其中

以下示例性算法可用于推导根据本文描述的实施例的调后解耦ETP模型。

示例性算法3：推导调后解耦ETP模型

步骤1 选择相同季节的至少N_adj个房屋数据(P_ac(t),T_out(t))，并重复算法1以选择能够推导夜间和整天HVAC模型这两者的至少N_S个单个家庭房屋(single family house)，N_A个公寓(apparment)和N_T个联排别墅(townhouse)。

步骤2 对于每个选择的单个家庭房屋i，重复算法2的步骤1至步骤7，以获得整天解耦ETP模型参数和夜间解耦ETP模型参数

步骤3 计算对于单个家庭数据s修改的调整增益

步骤4 使用方程(38)和(40)中的上限线性回归和上限二次回归来拟合与T_out之间的关系。

步骤5 针对所选择的N_A个公寓重复步骤2至步骤4，并获得调整增益K_Q，A(T_out)，K_RC，A(T_out)。针对所选择的N_T个联排别墅重复步骤2至步骤4，并获得调整增益K_Q，T(T_out)，K_RC，T(T_out)。

步骤6 对于待建模的每个房屋，重复算法2中的步骤1至步骤7，并用参数建立夜间解耦ETP模型。根据房屋的类型，选择对应的在步骤4至步骤5获得的调整增益K_Q(T_out)，K_RC(T_out)。

步骤7 使用以下方程，建立调后解耦ETP模型：

如果u_ac(k)＝1 (59)

如果u_ac(k)＝0(60)

仿真结果将ETP模型的表现与解耦ETP模型和调后解耦ETP模型进行了比较。使用了两个表现标准。第一标准是测量和估计的总工作时长的误差，第二标准是总切换次数。总工作时长反映在估计总电力消耗时的模型准确性。总切换次数表明在估计切换行为时的模型准确性。

使用3192号房屋的数据来验证ETP模型和解耦ETP模型的准确性，并且验证结果使用了100个HVAC单元。

使用3192号房屋的数据的验证结果

表III示出的结果比较了当分别使用ETP模型和解耦ETP模型时的总工作时间和总切换次数的误差。APE定义为绝对百分比误差。

其中，x是实际测量值，是使用ETP模型或解耦ETP模型的估计值。如在表III中所示，解耦ETP模型的表现比ETP模型好得多。

表III.表现比较

使用100个HVAC单元的验证结果

图15A和图15B的条形图示出了基于一百个HVAC单元的夜间数据的总工作时间的平均绝对百分比误差(MAPE)和标准偏差(SD)。误差分布是针对基于午夜数据的ETP或解耦ETP模型的。图15C和图15D的条形图示出了一百个HVAC单元的总切换次数的MAPE和SD。表IV也示出了这些结果。这些结果示出解耦ETP模型的总工作时间和总切换次数的MAPE和SD比ETP模型的小得多。图15A示出的针对工作时间APE的ETP模型的误差分布还证实了图15B示出的针对工作时间APE的解耦ETP模型的表现显著优于ETP模型，并且其表现在各家庭之间是一致的。

表IV.使用100个房屋数据的表现比较

如下所示的，使用24小时整天数据验证了ETP模型、解耦ETP模型和调后解耦ETP模型的表现。使用3456号房屋的数据验证了调后解耦ETP模型的表现，并且验证结果使用了50个HVAC单元。

使用3456号房屋数据的验证结果

表V示出了不同模型的总工作时间和切换次数的误差比较。

表V.结果比较，位于得克萨斯州奥斯汀的3456号房屋，从2015年7月12日15:18至 2015年8月2日21:57

“数据输入”列指的是用于建立模型的数据类型。整天数据使用了3456号房屋中的HVAC单元的24小时消耗作为输入，而夜间数据使用了零点到早上5点的HVAC消耗作为输入。使用整天数据作为输入的解耦ETP模型具有最好的表现，误差最小。当在没有被调整的情况下使用午夜模型时，建模误差显著增大。当使用调后解耦ETP模型时，误差减小了接近50％。误差被定义为21天的累积误差，总工作时间的平均每日建模误差在18分钟以内，并且切换次数建模平均误差在两次以内。这示出了在对HVAC切换特征建模时的改善的表现。

100个HVAC单元的验证

表VI和图16A至图16F使用在夏季月份期间从五十个房屋收集的数据，验证了案例1的结果。图16A和16B的条形图分别示出了解耦ETP1模型的工作时间APE和切换APE。图16C和16D的条形图分别示出了解耦ETP2模型的工作时间APE和切换APE。图16E和16F的条形图分别示出了调后解耦ETP模型的工作时间APE和切换APE。这些结果显示所有三个解耦ETP模型的表现在各家庭之间都是一致的。如果仅午夜数据可用，则可使用调后解耦ETP模型来对日间HVAC行为建模。

表格VI.使用50个房屋的数据的表现比较

以前的系统和方法已经尝试通过基于集中式系统模型、架构或配置控制发电器、恒温器等来降低峰值功率。一些系统和方法已经使用状态排队模型对聚合的HVAC荷载中的不确定性建模，其中没有涉及控制。其它方法重塑聚合建筑物的能量需求曲线，该能量需求曲线也是基于集中式系统设计和模型的。一种HVAC聚合模型是基于ETP模型和集中式控制策略的。其它系统和方法使用HVAC荷载控制策略来遵循目标荷载曲线，这是基于集中式多目标系统模型、架构或配置的。另外的其它系统和方法使用基于ETP模型的基于状态空间的HVAC仿真模型，其中没有涉及控制。

与之相反的，本文的实施例描述了用于估计TCA的ETP模型参数的使用TCA的电力消耗和环境温度数据作为输入的数据驱动的方法和模型。对HVAC单元的建模被用于解耦工作和不工作周期的建模，这简化了建模参数的推导并显著地改善了建模准确性。为了调整人的活动对HVAC周期行为的扭曲，使用午夜数据来进行ETP模型参数的估计。由于太阳光辐射的影响，使用调整过程来调整夜间模型。

在一个实施方式中，建模系统100的功能和过程可部分地由图17所示的计算机1700实施。特别地，电力消耗数据库120、电力ETP模型处理器130、电力解耦ETP模型处理器140、电力调后解耦ETP模型处理器150、和/或预测处理器160可由计算机1700要么单独地要么作为一个或更多个单元一同地实施。

参照图17描述了根据示例性实施例的计算机1700的硬件说明。在图17中，计算机1700包括实施本文描述的过程的CPU 1701。过程数据和指令可存储在存储器1702中。这些过程和指令也可存储在例如硬盘(HDD)或便携式存储介质的存储介质盘1704上或可远程地存储。而且，所要求保护的改进不受存储创造性过程的指令的计算机可读介质的形式限制。例如，指令可存储在CD、DVD、闪存、RAM、ROM、PROM、EPROM、EEPROM、硬盘或与计算机1700通讯的任何其它信息处理设备(例如服务器或计算机)上。

而且，所要求保护的改进可作为结合CPU 1701和操作系统(例如：Solaris，Apple和其它本领域技术人员已知的系统)执行的实用应用程序、后台守护程序、或操作系统的组成部分、或它们的组合来提供

为了实现计算机1700，可通过本领域技术人员已知的众多电路元件实现硬件元件。例如，CPU 1701可以是来自美国的Intel Corporation的或处理器，或来自美国的AMD的处理器，或可以是本领域技术人员会认识的其它处理器类型。可替代地，如本领域技术人员会认识到的，CPU 1701可以在FPGA、ASIC、PLD上或使用离散逻辑电路实施。而且，CPU 1701可以被实施为并行地协同工作以执行上述创造性过程的指令的多个处理器。

图17中的计算机1700还包括用于与网络1724交互的网络控制器1706，例如来自美国的Intel Corporation的Intel Ethernet PRO网络接口卡。如可理解的，网络1724可以是公共网络，例如因特网，或私人网络，例如LAN或WAN网络，或其任何组合，并也可包括PSTN或ISDN子网。网络1724也可是有线的，例如以太网络，或可以是无线的，例如蜂窝网络，包括EDGE、3G和4G无线蜂窝系统。无线网络也可是或任何其它已知的无线通讯形式。

计算机1700还包括用于与显示器1710(例如HewlettHPL2445w液晶显示器)交互的显示控制器1708，例如来自美国的NVIDIA Corporation的GTX或图形适配器。通用I/O接口1712与键盘和/或鼠标1714以及可选的在显示器1710上或与之分开的触摸屏面板1716交互。通用I/O接口1712还连接到多种周边设备1718，包括打印机和扫描仪，例如来自Hewlett Packard的或

通用存储控制器1720使存储介质盘1704与用于使计算机1700的所有构件互连的通讯总线1722连接，该通讯总线可以是ISA、EISA、VESA、PCI或类似设备。由于显示器1710、键盘和/或鼠标1714，以及显示控制器1708、存储控制器1720、网络控制器1706，和通用I/O接口1712这些特征是已知的，因此为了简洁起见，在此省去对它们的一般特征和功能的描述。

已描述了一定数量的实施方式。然而，会理解的是，可在不超出本披露的精神和范围的情况下做出各种修改。例如，如果所披露的技术的步骤以不同的顺序实施，如果所披露的系统中的构件以不同的方式组合，或者如果构件被其它构件替代或补充，可能会实现优选的结果。本文描述的功能、过程和算法可在硬件或由硬件执行的软件中实现，包括配置为执行程序代码和/或计算机指令以执行本文描述的功能、过程和算法的计算机处理器和/或可编程电路。而且，可在与所述的模块或硬件不同的模块或硬件上实现实施方式。因此，其他实施方式在可以要求保护的范围内。

以上讨论仅描述了本披露的示例性实施例。如本领域技术人员会理解的，本披露可以在不超出其精神或必要特征的情况下以其它具体形式来实施。因此，本披露意图是说明性的，而不是限制本披露以及权利要求的范围。本披露，包括本文中的教导的任何容易辨别的变型，部分地限定了前述权利要求术语的范围，使得没有创造性的主题贡献于公众。