“MATLAB通过其强大的数值算法、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，以及使用我们的生产Java应用程序在云中运行的能力，帮助我们加快了研发和部署。”金宝app
Borislav Savkovic，BuildingIQ
写字楼、医院等大型商业建筑占全球能源消耗的30%左右。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不断变化的天气模式、可变的能源成本或建筑的热性能。
BuildingIQ开发了预测能源优化™ （PEO），一种基于云的软件平台，可在正常运行期间将HVAC能耗降低10–25%。PEO是与澳大利亚国家科学机构联邦科学和工业研究组织（CSIRO）合作开发的。其先进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，持续优化暖通空调性能。
BuildingIQ首席数据科学家Borislav Savkovic说：“CSIRO使用MATLAB开发初始技术。我们继续使用MATLAB，因为它是建立算法原型和执行高级数学计算的最佳工具。”。“MATLAB使我们能够将原型算法直接转换为生产级算法，可靠地处理现实世界中的噪声和不确定性。”
BuildingIQ需要开发能够连续处理来自各种来源的千兆字节信息的算法，包括电表、温度计和HVAC压力传感器，以及天气和能源成本数据。一座建筑物通常会产生数十亿个数据点，科学家和工程师需要工具来高效处理这些数据点过滤、处理和可视化这些数据。
为了运行他们的优化算法，科学家和工程师们必须创建一个精确的建筑物热力和动力动力学数学模型。这些算法将使用这个计算模型来运行约束优化，在保持乘员舒适性的同时最小化能源成本。
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，并将它们部署到生产IT环境中。
BuildingIQ使用MATLAB来加快其预测能量优化算法的开发和部署。
优化工作流程从MATLAB开始，BuildingIQ工程师在MATLAB中导入并可视化3到12个月的温度、压力和功率数据，包括数十亿个数据点。他们使用统计学和机器学习工具箱™ 使用信号处理工具箱中的滤波功能检测尖峰和间隙，并消除传感器故障和其他源产生的噪声™. BuildingIQ工程师使用优化工具箱中的最小二乘拟合函数，将MATLAB中开发的数学模型拟合到去噪数据™. 该测量和验证（M&V）模型将环境温度和湿度与HVAC系统消耗的功率相关联。
作为建模过程的一部分，他们使用统计和机器学习工具箱中的SVM回归、高斯混合模型和k-均值聚类机器学习算法来分割数据，并确定燃气、电力、蒸汽和太阳能对加热和冷却过程的相对贡献。
该团队在MATLAB中构建了一个PEO模型，该模型捕捉了HVAC系统和环境条件对每个区域内部温度的影响，以及建筑的总能耗。利用控制系统工具箱™，他们分析HVAC控制系统极点和零点，以估计总体功耗，并确定每个区域可能以多快的速度收敛到其设定点。
BuildingIQ的工程师使用最优化工具箱和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，以持续实时优化能源效率。这些优化考虑了未来12小时的预计天气和能源价格，并确定了最优的暖通空调设定值。在操作中,Java®云中的软件在一天中周期性地调用MATLAB优化算法。
每天，BuildingIQ都会根据M&V模型计算基线能源成本，该模型表示客户在没有BuildingIQ PEO平台的情况下会为HVAC能源支付的费用。储蓄率从10%到25%不等。
十亿字节的数据分析和可视化. Savkovic说：“MATLAB使我们处理和可视化大数据集变得容易。”。“我们创建散点图、二维和三维图形以及其他图表，以有意义的方式显示系统的运行情况。”
算法开发速度提高了十倍．Savkovic说:“用MATLAB开发算法比用Java开发算法快10倍，也更健壮。”“我们需要过滤我们的数据，查看极点和零点，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，并经过了商业验证。”
快速识别出最佳算法方法．Savkovic说:“有了MATLAB，我们可以快速测试新的方法，以找到最适合我们的数据的方法。”“例如，在选择顺序二次规划之前，我们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。”
你也可以从以下列表中选择一个网站: