建筑在总能耗和全球温室气体（GHG）排放中发挥着重要作用。智能控制策略是减少建筑物的GMG足迹的关键技术推动者。
现行控制标准加热通风和空调（HVAC）系统包括基于规则和PI控制器，3,4.但他们简单的性质，结合可能的调整错误，可以导致次优控制行为。5自动化、高效的建筑控制可以显著减少能源消耗和排放。
人们对模型预测控制(MPC)进行了研究，6,7,8,9.自适应或基于学习的MPC10和强化学习（RL）11,12,13但这些研究中的许多都受到了对控制表现的非标准化评价的影响。
Energym的贡献
Energym1是一个基于python的开源库，用于在预定义和多样化的评估场景下对控制器性能进行标准化比较和评估。
Energym包括13个仿真模型(3个Modelica模型和10个EnergyPlus模型)。表1给出了模型安装的技术设备及其可控性的概述。app亚博体育
表1。app亚博体育Energym中不同型号的设备。Th:恒温器，HP:热泵，Bat:电池，AHU:空气处理单元，EV:电动汽车，PV:光伏，有和可控，#有但不可控，✕:无。来源:CSEM
| 环境 |
Th |
生命值 |
蝙蝠 |
ahu. |
电动汽车 |
光伏 |
模型 |
| SeilabThermal-v0 |
✓ |
✓ |
✓ |
✕ |
✓ |
＃ |
E + |
| SeilabGrid-v0 |
✓ |
＃ |
✓ |
✕ |
✓ |
＃ |
E + |
| SmartlabThermal-v0 |
✓ |
✓ |
✓ |
✕ |
✓ |
＃ |
E + |
| smartlabgrid-v0. |
✓ |
＃ |
✓ |
✕ |
✓ |
＃ |
E + |
| DatacenterThermostat-v0 |
✓ |
✕ |
✕ |
＃ |
✕ |
✕ |
E + |
| datacentertempfan-v0. |
✓ |
✕ |
✕ |
✓ |
✕ |
✕ |
E + |
| Officesthermostat-V0. |
✓ |
✕ |
✕ |
✕ |
✕ |
＃ |
E + |
| SiloFanFCU-v0 |
✓ |
✕ |
✕ |
✓ |
✕ |
✕ |
E + |
| SeminarcenterThermostat-v0 |
✓ |
＃ |
✕ |
＃ |
✕ |
＃ |
E + |
| SeminarcenterFull-v0 |
✓ |
✓ |
✕ |
✓ |
✕ |
＃ |
E + |
| SimpleHouserad-V0. |
✕ |
✓ |
✕ |
✕ |
✕ |
＃ |
Modelica |
| SimpleHouseSlab-v0 |
✕ |
✓ |
✕ |
✕ |
✕ |
＃ |
Modelica |
| SwissHouseRad-v0 |
✕ |
✓ |
✕ |
✕ |
✕ |
＃ |
Modelica |
这些型号在尺寸、房间数量、使用概况、技术设备、可控性和气候区等方面有所不同。app亚博体育8座建筑构成了13种模型的基础，其中5座有两种版本，在控制或安装设备方面有所不同。app亚博体育
设计特点
Energym适用于不同的控制器类型，包括基于规则的控制器（RBC），MPC控制器和基于RL的控制器。模型性能评估不是基于固定奖励（如在健身房，Openai的基准测试RL算法的库），而是通过KPI实现，通过KPI实现，该KPI可以在评估运行之后由用户计算。
该图书馆的主要特点概述如下。
可用性- 生成仿真模型，与IT进行交互并评估性能只需要几行代码。
标准化评估 -对于表1中列出的每个模型，都预定义了要达到的物理目标。控制器还必须满足热约束，以保证乘员舒适度。这两个数量——目标和约束——通过已实现的kpi进行跟踪。
包装器- 将包装器实施以应对不同的控制器需求。将包装器提供给MIN-MAX时尚的值之间的输入和/或输出。
预测- API提供天气(辐照度，温度)和其他相关数量的预测，取决于建筑物:数据中心的CPU负载，EV使用计划等。
抽象的Env类定义了应该为每个环境实现的方法。作为Env的子类，EnvFMU实现了所有fmu的公共接口，并定义了模拟处理。
初始化细节EnergyPlus和Modelica Models是在子类EnvEPlusFMU和EnvModFMU中处理的。在继承链的末尾，特定于构建的类指定输入、输出和其他模拟细节。
下面给出一个使用该库的简单示例。
进口energym
Env = Energym.Make（“DatacenterThermostat-Vø”）
INP = {“zø1_t_tmithertat_sp”：[21]，“zø2_t_thermostat_sp”：[21]}
OUT = ENV.STEP（INP）
kpi = env.get_kpi ()
导入Energym后，可以通过调用型号来创建模型使方法。与模型的交互，即传递控制输入和接收输出，是使用步方法。控制输入是Python词典，设定值名称为键，输入为值。
为每个模型初始化一个KPI对象，自动记录必要的数据。的获得KPI.方法以字典形式返回指定时间间隔的求值。
评估性能
每个建筑模型都提供了一个带有不同天气文件的预编译的FMUs列表，允许用户在不同的条件下训练和测试他们的控制器。
每个模型的最终绩效评估必须在预定义的时间段和预定义的天气条件下使用KPI，以确保结果的可比性(表2)。定义的KPI分为两类:热舒适(温度限制)和目标KPI(最小化目标)。
表2。固定的仿真模型评估场景。来源:CSEM
| 模型 |
模拟
时期 |
温度
约束(°C) |
客观的
KPI |
| SmartlabThermal-v0 |
Jan.-April |
19-24 |
电网交换 |
| smartlabgrid-v0. |
全年 |
19-24 |
电网交换 |
| SeilabThermal-v0 |
Jan.-April |
19-24 |
电网交换 |
| SeilabGrid-v0 |
全年 |
19-24 |
电网交换 |
| DatacenterThermostat-v0 |
全年 |
17-26 |
电力需求 |
| datacentertempfan-v0. |
全年 |
17-26 |
电力需求 |
| offiiceSthermostat-V0. |
全年 |
19-24 |
电力需求 |
| SiloFanFCU-v0 |
全年 |
19-24 |
电力需求 |
| SeminarcenterThermostat-v0 |
1月至5月 |
21 - 24日 |
有限公司2排放量 |
| SeminarcenterFull-v0 |
1月至5月 |
21 - 24日 |
有限公司2排放量 |
| SimpleHouserad-V0. |
Jan.-April |
19-24 |
电力需求 |
| SimpleHouseSlab-v0 |
Jan.-April |
19-24 |
电力需求 |
| SwissHouseRad-v0 |
Jan.-April |
19-24 |
电力需求 |
定义kpis.
可接受的温度范围定义为热舒适。跟踪的kpi包括每个受控热区与目标温度的平均偏差和超出范围的数量。
使用包含要跟踪的输出值(' name ')和概述如何计算相应KPI (' type ')的字典来构造KPI对象。这允许通过修改字典来定义自定义kpi。kpi的示例字典如下所示。
kpi_dict = {“kpi1”：{“name”：“fa_pw_all”，“类型”：“avg”}，
" kpi2 ": {
“名称”:“Zø1 _t”,
“类型”：“tot_viol”，
“目标”：[19,24]，
｝
｝
建筑物校准与评估
模拟环境表示监控数据可用的建筑物。校准方法分为两个步骤。首先，对建筑围护结构模型进行标定。然后给出了详细的模型暖通空调并增加和校准其他技术设备。app亚博体育在这两个阶段，参考测量的分辨率都是15分钟。
三个指标用于评估建筑模型的质量：NMBE，RMSE（CVRMSE）的变异系数和判断系数R2．25模型验收基于美国采暖、制冷和空调工程师协会(ASHRAE)和国际性能测量和验证协议(IPMVP)推荐的阈值。25
结论
先进建筑控制领域缺乏标准库来开发、测试和基准控制器。Energym通过提供校准的建筑模型和标准化的评估场景和指标来解决这个问题。
参考文献
(1)全球建筑和建筑联盟:《2019年全球建筑和建筑现状报告:迈向零排放、高效和有弹性的建筑和建筑行业》。技术报告，国际能源署和联合国环境规划署，2019。
（2）IEA。跟踪建筑物2020. IEA，2020年技术报告。从中检索https://www.iea.org/reports/tracking-buildings-2020．
(3) Z. O . neill, Y. Li, K. Williams。HVAC控制回路性能评估:关键回顾(1587-RP)。科学技术与工程，23(4):619-636,2017年5月。
(4) F. Behrooz, N. Mariun, M. Marhaban, M. Mohd Radzi和A. Ramli。暖通空调系统控制技术综述——基于模糊认知映射的非线性方法。能源，11(3):495,2018年2月。
(5) K. Marik, J. Rojicek, P. Stluka, J. Vass。先进的暖通空调控制:理论与现实。国际商会学报，44(1):3108-3113,2011年1月。
(6) F. Oldewurtel, A. Parisio, C. N. Jones, M. Morari, D. Gyalistras, M. Gwerder, V. Stauch, B. Lehmann, K. Wirth。使用随机模型预测控制和天气预报的节能建筑气候控制。在P 2010 Amer Contr Conf, 5100-5105页，Baltimore, MD, 2010年6月。IEEE。
(7)马晓峰、马晓峰、马晓峰、马晓峰、马晓峰。建筑冷却系统运行的模型预测控制。系统工程理论与实践，2016,35(3):531 - 534。
（8）P.-D.Morosan，R.Bourdais，D. Dumur和J. Buisson。建筑温度调节使用分布式模型预测控制。Energ Buildings，42（9）：2010年9月1445-1452。
(9) B. Schubnel, R.E. Carrillo, P. Taddeo, L. Canal Casals, J. Salom, Y. Stauffer, P. J.我们来。用于建筑控制的状态空间模型:你应该走多深?中国机械工程，2019,27(6):1197 - 1196。
(10) M. Tanaskovic, D. Sturzenegger, R. Smith, M. Morari。鲁棒自适应模型预测建筑气候控制。中国科学:信息科学，2017,35(1):1 - 8。
（11）B. Chen，Z.Cai和M. Berges。GNU-RL：使用可分辨动的MPC策略建立HVAC控制的预加固学习解决方案。在第6届ACM的节能建筑，城市和运输系统国际系统会议上，Buildsys'19，第316-325页，第316-325页，纽约，纽约，美国，2019年。
(12)魏涛，王颖，朱琪。建筑暖通空调控制的深度强化学习。2017年第54届设计自动化年会论文集，美国奥斯汀，2017年6月。ACM。
(13)舒伯尔、卡里略、阿利特和哈特。系统辨识与最优控制的混合学习方法。IEEE T Neur Net Lear，页1-15,2020。
(14) E. T. Maddalena, Y. Lian, C. N. Jones。数据驱动的方法构建控制-一个回顾和有前景的未来方向。控制工程实践，95:104211,2020。
（15）G. Brockman，V.Cheung，L.Pettersson，J.Schneider，J.Schulman，JI。唐和W. Zaremba。Openai健身房。技术报告，Openai，2016年6月。
(16) D. B. Crawley, C. O. Pedersen, L. K. Lawrie和F. C. Winkelmann。Energyplus:能源模拟程序。ASHRAE杂志，42:49-56,2000年4月。
(17) S. E. Mattsson和H. Elmqvist。一个设计下一代建模语言的国际努力。国际航空学报，30(4):151 -155,1997。第七届IFAC计算机辅助控制系统设计研讨会(CACSD '97)，比利时根特，4月28-30日。
（18）T.Blochwitz，M.Ttter，J.Akesson，M.Arnold，C.C.C.C.C.Elmqvist，M.Friedrich，A. Junghanns，J.Mauss，D. Neumerkel，H. Olsson和A.viel。功能模型界面2.0：刀具独立仿真模型的标准。在第9届国际Modelica会议的会议记录中，第173-184页。Modelica Association，2012年。
（19）O. Lukianykhin和T.Bogodorova。ModelicAgym：将钢筋应用于Modelica模型应用。在第9届国际上的面向对象的面向对象建模语言和工具，Eoolt'19，纽约，纽约，美国，2019年。
(20) D. Blum, F. Jorissen, S. Huang, Y. Chen, J. Arroyo, K. Benne, Y. Li, V. Gavan, L.里瓦尔金，L. Helsen, D. Vrabie, M. Wetter，和M. Sofos。基于仿真的建筑物高级控制策略测试的BOPTEST框架原型。第16届IBPSA国际会议论文集，2737-2744页，意大利罗马，2019年7月。
(21)森山、马吉斯特里、田本森。Pham, A. Munawar和R. Tachibana。强化学习实验台的功耗优化。李力，K. Hasegawa, S. Tanaka，编辑，复杂系统建模与仿真的方法与应用，第45-59页，新加坡，2018。施普林格新加坡。
阿里巴巴公司(22)。阿里巴巴生产集群数据v2018。https://github.com/alibaba/ clusterdata /团/主/ cluster-trace-v2018 / trace_2018。医学博士,2018年．[在线;2020年- 7月19日)访问。
(23) G. R. Ruiz、C. F. Bandera、T. G. A. Temes和A. S. O. Gutierrez。建筑围护结构标定的遗传算法。中国石油大学学报(自然科学版)，2016,35(4):548 - 548。
(24) K. Deb, A. Pratap, S. Agarwal, T. Meyarivan。一种快速的精英多目标遗传算法:Nsga-ii。acta physica sinica, 32(2): 241 - 241, 2002。
(25)鲁伊兹和班德拉。校准能量模型的验证:常见误差。能量,10(10):1587、2017。
(26)富恩特斯和萨洛姆。稳态和动态负荷下水-水热泵黑箱性能模型的验证。E3S Web会议，111:01068,2019年1月。
(27)唐家聪。在准稳态能量模拟程序中对组合式热泵进行模拟。硕士论文，俄克拉荷马州立大学，2005年5月。从检索https://hvac.okstate.edu/sites/default/ les/酒馆/论文/MS/27 tang Thesis 05.pdf．
(28) m .湿。Modelica建筑图书馆。系统工程理论与实践，2017,36(4):527 - 534。
（29）瑞士工程师协会。SIA规范。https://www.sia.ch/en/services/sia-norm．
(30) G. Armenise, M. Vaccari, R. B. Di Capaci和G. pannochia。一个多变量进程的开源系统识别包。2018年UKACC第12届国际控制会议(Control)，第152-157页，2018。
(31) F. Pedregosa, G. Varoquaux, A. Gramfort, V. Michel, B. Thirion, O. Grisel, M. Blondel, P. pretenhofer, R. Weiss, V. Dubourg, J. Vanderplas, A. Passos, D. Cournapeau, M. Brucher, M. Perrot, E. Duchesnay。Scikit-learn: Python中的机器学习。计算机工程与应用，2011,33(5):581 - 585。
(32)托勒尔、布朗和阿维拉。数据中心温度升高的意外影响。技术报告，施耐德电气，2016。从检索https://download.schneider-electric.com/莱斯?p File Name=VAVR-9SZM5D R1 EN.pdf&p Doc Ref=SPD VAVR-9SZM5D EN.pdf&p Doc Ref=SPD VAVR-9SZM5D EN.pdf&p Doc Ref=SPD VAVR-9SZM5D EN.pdf&p Doc．
致谢
制作材料最初由P. Scha亚博网站下载rnhorst(瑞士电子显微技术中心和自动控制实验室，EPFL，瑞士)，B. Schubnel(瑞士电子显微技术中心)，C.F. Bandera(西班牙纳瓦拉大学)，J. Salom(西班牙加泰罗尼亚能源研究所)，P. Taddeo(西班牙加泰罗尼亚能源研究所)，M. Boegli(瑞士电子和显微技术中心)，T. Gorecki(瑞士电子和显微技术中心)，瑞士)Y. Stauffer(瑞士电子与显微技术中心(CSEM))， Antonis Peppas(雅典国立技术大学(NTUA)，希腊)和Chrysa Politi(雅典国立技术大学(NTUA)，希腊)。
这些信息已经从CSEM提供的材料中获得、审查和改编。亚博网站下载
有关此来源的更多信息，请访问CSEM。