“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，以及与生产Java应用程序一起在云中运行的能力，帮助加速了我们的研发和部署。”金宝app
鲍里斯拉夫Savkovic，BuildingIQ
办公楼、医院等大型商业建筑约占全球能源消耗的30%。这些建筑中的供暖、通风和空调(HVAC)系统往往效率低下，因为它们没有考虑到变化的天气模式、可变的能源成本或建筑的热特性。
BuildingIQ已经发展预测能源优化™（PEO），基于云的软件平台，在正常运行期间减少空调能耗10-25％。PEO在与联邦科学与工业研究组织（CSIRO），澳大利亚国家科学机构合作开发的。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，不断优化暖通空调性能。
“CSIRO使用MATLAB开发的初始技术。我们继续使用MATLAB，因为它是可用于原型设计算法和执行高级数学计算的最佳工具，”鲍里斯拉夫Savkovic，在BuildingIQ导致数据的科学家说。“MATLAB使我们能够直接转变我们的原型算法到与真实世界的噪声和不确定性可靠地处理生产级别的算法。”
BuildingIQ需要开发的算法，可以连续地从各种来源，包括功率计，温度计，和HVAC压力传感器，以及天气和能量成本数据处理的信息字节。单个建筑经常产生数十亿个数据点，以及科学家和工程师需要的工具用于有效地过滤，处理和可视化该数据。
来运行他们的优化算法，科学家和工程师们创造一个建筑物的热力和电力动力的精确的数学模型。该算法将使用这个计算模型运行保持乘员的舒适性，同时最大限度地减少能源成本约束优化。
BuildingIQ需要一种快速开发数学模型、测试优化和机器学习方法、原型算法的方法，并将它们部署到其生产IT环境中。
BuildingIQ使用MATLAB来加速其预测能量优化算法的开发和部署。
该优化工作流程开始于MATLAB，其中BuildingIQ工程师导入和可视化3至12个月的温度，压力，以及电力数据包括数十亿个数据点。他们使用统计和机器学习工具箱™检测尖峰和空白，并除去通过使用过滤功能在信号处理工具箱™传感器故障和其他源的噪声产生。BuildingIQ工程师安装使用最小二乘法从优化工具箱™安装功能的MATLAB开发的去噪数据的数学模型。这种测量和验证（M＆V）模型相关环境温度和湿度与由HVAC系统所消耗的功率。
作为建模过程的一部分，它们使用SVM回归，高斯混合模型，并且k-means聚类从统计和机器学习工具箱机器学习算法，以段相关的数据，并确定到天然气，电力，蒸汽，和太阳能发电的相对贡献加热和冷却过程。
该团队在MATLAB中构建了一个PEO模型，用以捕捉暖通空调系统和环境条件对每个区域内部温度的影响，以及对建筑总能耗的影响。使用控制系统工具箱™，他们分析HVAC控制系统的极点和零点，以估计总体能耗，并确定每个区域可能以多快的速度收敛到设定值。
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条件，实时地持续优化能源效率。这些优化考虑了未来12小时预测的天气和能源价格，并确定最佳暖通空调设定值。在操作中,Java®云中的软件在一天中定期调用MATLAB优化算法。
每一天，BuildingIQ从代表什么，客户将支付对暖通空调没有BuildingIQ PEO平台的M＆V模型计算基准能耗成本。储蓄的范围从10％至25％。
千兆字节的数据被分析和可视化。“MATLAB可以很容易地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，二维和三维图形，和其他图表，以有意义的方式显示我们的系统正在执行。”
算法开发速度提高了十倍。Savkovic说:“用MATLAB开发算法比用Java开发速度快10倍，也更健壮。”“我们需要过滤我们的数据，查看极点和零，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，并且经过了商业验证。”
最佳算法方法迅速确定。Savkovic说:“利用MATLAB，我们可以快速测试新的方法，以找到最适合我们数据的方法。”例如，我们在选择序列二次规划之前测试了几种优化方法，我们尝试了几种聚类机器学习算法。如此迅速地探索不同的方法是一个巨大的优势。”
您也可以从以下列表中选择一个网站: