⚡ electrical engineering

Sense, Model and Identify the Load Signatures of HVAC Systems in Metro Stations

Dit artikel stelt een nieuwe detectie- en leerbenadering voor met behulp van realtime sensordata en een lineair regressiemodel om de onderscheidende belastingssignaturen van HVAC-systemen in metrostations te identificeren die worden veroorzaakt door de buitenomgeving en passagiersdichtheid, waardoor effectievere energiebesparende regelbeleid mogelijk wordt gemaakt.

Oorspronkelijke auteurs: Yongcai Wang, Haoran Feng, Xiangyu Xi

Gepubliceerd 2026-06-04

📖 5 min leestijd🧠 Diepgaand

CC BY 3.0

Oorspronkelijke auteurs: Yongcai Wang, Haoran Feng, Xiangyu Xi

Oorspronkelijk artikel gelicentieerd onder CC BY 3.0 (http://creativecommons.org/licenses/by/3.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je een metrostation voor als een enorme, ondergrondse woonkamer. Net als je huis moet het koel en comfortabel blijven, maar het heeft zeer unieke gasten en uitdagingen. Dit artikel gaat over het uitzoeken van precies hoeveel "warmte" er probeert binnen te komen in deze woonkamer en hoeveel "koeling" de airconditioning daadwerkelijk levert, zodat het systeem slimmer kan werken, niet harder.

Hier is het verhaal van hoe de onderzoekers de code kraakten, eenvoudig uitgelegd:

1. Het Probleem: De Energie-reus

Metrostations zijn enorme energieverbruikers. In de zomer draaien de airconditioningsystemen (HVAC) overuren om het koel te houden. De onderzoekers merkten op dat deze systemen vaak op de "automatische piloot" draaien, waarbij ze aan- en uitgaan op basis van eenvoudige timers. Dit is alsof je de airco in je huis op vol vermogen laat draaien terwijl er niemand thuis is, of hem uitzet wanneer er net een menigte is binnengekomen. Dit verspilt veel elektriciteit omdat het systeem niet precies weet waarom de temperatuur verandert.

Om dit op te lossen, moesten ze de "Load Signature" begrijpen. Denk hierbij aan de "warmtevingerafdruk" van het station. Het is een gedetailleerde kaart van waar de warmte vandaan komt:

De Buitenwereld: Warme lucht die via muren, tunnels en deuren naar binnen sijpelt (zoals een huis op een warme dag).
De Passagiers: Elke persoon die naar binnen loopt, brengt lichaamswarmte mee (zoals een druk feestje dat een kamer benauwd maakt).

2. Het Detectiewerk: Het Opzetten van een Spionagenetwerk

Om de vingerafdruk te achterhalen, zette het team een enorme surveillance-operatie op bij het HaidianHuangZuang station in Beijing. Ze gokten niet alleen; ze maten alles:

Thermometers: Geplaatst binnen en buiten om temperatuurveranderingen te volgen.
Ticketpoortjes: Gebruikt als teller om precies bij te houden hoeveel mensen er elke uur in- en uitgingen.
Slimme Meters: Bevestigd aan de airconditioners, ventilatoren en pompen om precies te zien hoeveel energie ze gebruikten.
Luchtensensoren: Controleerden de luchtkwaliteit en de luchtstroom.

3. Het Mysterie: Waarom Schiet de Temperatuur Omhoog?

De onderzoekers bekeken de gegevens en zagen een patroon. Op een typische dag had de binnentemperatuur vier duidelijke "pieken" (momenten waarop het het heetst werd):

4:00 uur 's ochtends: De airco stond uit, dus het station warmde langzaam op.
8:00 uur (Ochtendspits): Een enorme menigte arriveerde. De lichaamswarmte van duizenden forenzen overweldigde het koelsysteem, wat een temperatuurpiek veroorzaakte.
14:00 uur (Middag): De zon was het heetst buiten, maar de airco had de tijd om in te halen, waardoor de piek klein was.
18:00 uur (Avondspits): Er kwam opnieuw een menigte aan, en opnieuw versloeg de lichaamswarmte het koelsysteem.

De grote vraag was: Hoeveel van deze warmte komt van de zon/buiten, en hoeveel komt van de mensen?

4. De Oplossing: Een Wiskundig "Recept"

Het team bouwde een wiskundig recept (een lineair regressiemodel) om dit op te lossen. Denk aan een kookrecept:

De Ingrediënten (Inputs): Buitentemperatuur, aantal mensen en het temperatuurverschil binnen.
Het Kookproces (De Vergelijking): Ze gebruikten natuurkunde om een vergelijking te schrijven die zegt: "De verandering in kamertemperatuur is gelijk aan de Warmte die Binnenkomt (van buiten + mensen) MIN de Koelkracht (van de airco)."

Omdat ze de "Koelkracht" (van de slimme meters) en de "Temperatuurverandering" (van de thermometers) kenden, konden ze achteruitwerken om de onbekende ingrediënten op te lossen: Hoeveel warmte brachten de mensen mee? Hoeveel bracht de buitenwereld mee?

5. De Uitdaging: Ruis in de Data

Echte wereldgegevens zijn rommelig. Sensoren zijn niet perfect; soms springen ze een beetje heen en weer (zoals een trillende hand die een lijn tekent). Om dit op te lossen, keken de onderzoekers niet naar één minuut aan gegevens. Ze gebruikten een zoekalgoritme dat naar de totale warmte over een langere periode keek (zoals het kijken naar de hele film in plaats van naar één wazig beeldframe). Dit verzachtte de "ruis" en gaf hen een zeer helder beeld van de ware warmtevingerafdruk.

6. Het Resultaat: De "Vingerafdruk" Onthuld

Na het verwerken van de cijfers vonden ze de "Load Signature":

De Buitenwereld is de Baas: De warmte die van de buitenomgeving kwam (door muren en tunnels), was de grootste factor.
De Passagiers zijn de Wildcard: Hoewel kleiner dan de warmte van buiten, was de warmte van de passagiers aanzienlijk, vooral tijdens de spitsuren.

Waarom is dit belangrijk?
Nu ze deze "vingerafdruk" hebben, kan het metrosysteem slimmer worden. In plaats van te gokken, kan de airco voorspellen: "Oh, het is dinsdag om 8:00 uur en er komen 5.000 mensen aan. Ik moet de koeling inschakelen vóórdat ze er zijn."

Dit stelt het systeem in staat om precies de juiste hoeveelheid koeling op het juiste moment te bieden, waardoor enorme hoeveelheden energie worden bespaard terwijl het station comfortabel blijft. Het artikel concludeert dat deze methode goed werkt en een solide basis biedt voor het ontwerpen van deze toekomstige "slimme" controlesystemen.

Technische Samenvatting: Het waarnemen, modelleren en identificeren van de lastsignaturen van HVAC-systemen in metrostations

Probleemstelling
Metrosystemen zijn grote energieverbruikers, waarbij subsystemen voor verwarming, ventilatie en airconditioning (HVAC) verantwoordelijk zijn voor meer dan 40% van het totale energieverbruik tijdens zomerseizoenen. Huidige HVAC-besturingsstrategieën in gevestigde metrolijnen vertrouwen vaak op eenvoudige tijdgestuurde regels of passieve reacties vanwege de moeilijkheid om dynamische verwarmings- en koellasten te schatten. Deze lasten zijn zeer variabel, gedreven door fluctuerende buitentemperaturen, zuigwinden van treinen en complexe ondergrondse structuren. Bestaande modellen voor gebouwlastschatting, die vertrouwen op constructiematerialen en empirische warmteoverdrachtsvergelijkingen, slagen er niet in de unieke dynamiek van metrostations te vatten, met name de impact van passagiersstromen en tunnelaerodynamica. Deze mismatch tussen last en aanbod leidt tot aanzienlijke energieverspilling. Het kernprobleem dat wordt aangepakt, is het gebrek aan een effectieve methode om de "lastsignaturen" — de specifieke hoeveelheden warmte die uit de buitenomgeving en door passagiers worden geïntroduceerd — in realtime te kwantificeren en te identificeren om optimale besturingsbeleid mogelijk te maken.

Methodologie
De auteurs stellen een nieuwe detectie- en leerbenadering voor om lastsignaturen te identificeren met behulp van real-world data van het HaiDianHuangZuang metrostation (Beijing Lijn 4). De methodologie bestaat uit drie hoofdonderdelen:

Data-acquisitie en Sensoring:
- Omgevingssensoren: Geplaatst om binnen- en buitentemperaturen ( $T(t)$ , $T_o(t)$ ), luchtvochtigheid en CO2-niveaus te monitoren.
- Passagiersstroom: Registreerd via het kaartjescontrole-systeem ( $n(t)$ ), berekend als de som van ingecheckte en uitgecheckte passagiers.
- HVAC-monitoring: Slimme meters en ingebedde sensoren volgen het energieverbruik en de werkstanden van koelkasten, ventilatoren, koeltorens en pompen. Temperaturen van retourlucht, koellucht, verse lucht en menglucht worden gemeten, samen met de debieten van koelwater en temperatuurverschillen.
Wiskundige Modellering:
- Lastmodel ( $L(t)$ ): Gedefinieerd als de totale warmte die per tijdseenheid in het station wordt geïntroduceerd. Het wordt ontleed in twee componenten:
  - Door passagiers geïntroduceerde last (PIL): Warmte gegenereerd door passagiers, gemodelleerd als $c_p n(t) (T_p - T(t))$ .
  - Door de omgeving geïntroduceerde last (EIL): Warmte door geleiding via wanden/daken en luchtinfiltratie (zuigwind), gemodelleerd als $(c M_{air} + \frac{1}{R_{eq}}) (T_o(t) - T(t))$ .
- Aanbodmodel ( $S(t)$ ): Gedefinieerd als de koelcapaciteit die door het HVAC-systeem wordt geleverd. Het model past zich aan aan drie bedrijfsmodi: Nieuwe Lucht-modus (buitenluchtkoeling), Koelkast-modus (mechanische koeling) en Mengmodus. Het koelaanbod wordt afgeleid van sensoraflezingen (watertemperatuurverschillen, debietvolumes) en ventilatorvermogensverbruik (gebruikmakend van ventilatoraffiniteitswetten om het luchtvolume te schatten).
- Thermische Dynamiek: De variatie in de binnentemperatuur wordt gemodelleerd als het verschil tussen de last en het aanbod: $L(t) - S(t) = c M_z \Delta(t)$ , waarbij $\Delta(t)$ de temperatuurverandering over de tijd is.
Parameteridentificatie Algoritme:
- Het probleem wordt geformuleerd als een lineaire regressie om onbekende coëfficiënten ( $c_p$ , $\alpha$ , $\beta_{ac}$ ) in de last- en aanbodvergelijkingen te identificeren.
- Om sensorruis en de niet-negativiteitsbeperkingen van fysieke parameters aan te pakken, stellen de auteurs een zoekalgoritme voor. In plaats van de absolute fout te minimaliseren, minimaliseert het algoritme het relatieve verschil tussen de geïntegreerde last en de geïntegreerde aanbod over een bepaalde periode.
- Om sensorruis (met name in temperatuurverschilberekeningen) verder te mitigeren, maakt de methode gebruik van geïntegreerde waarden van last en aanbod in plaats van instantane puntwaarden.

Belangrijkste Bijdragen

Nieuwige Identificatie van Lastsignaturen: Het artikel presenteert een datagestuurde benadering om de specifieke thermische lasten bijgedragen door de buitenomgeving versus passagiersstromen in een metrostation te scheiden en te kwantificeren, een factor die vaak wordt over het hoofd gezien in standaard gebouwmodellen.
Geïntegreerd Sensoring- en Modelleringskader: De auteurs hebben heterogene databronnen (ticketingsystemen, omgevingssensoren en HVAC-energielogs) succesvol geïntegreerd om een uitgebreid thermisch model te construeren.
Robuuste Parameterchatting: Een specifiek zoekalgoritme wordt voorgesteld om het beperkte optimalisatieprobleem op te lossen, waarbij sensorruis wordt afgehandeld door de relatieve fouten van geïntegreerde waarden te minimaliseren in plaats van instantane waarden.

Experimentele Resultaten
Het model werd gevalideerd met behulp van real-world data verzameld van 21 tot 23 augustus 2013 in het HaiDianHuangZuang station.

Lastsignaturen: De afgeleide signaturen toonden aan dat omgevingslasten (buitentemperatuurverschillen) het grootste deel van de totale last vormen, terwijl passagierslasten, hoewel aanzienlijk tijdens de spits, een kleiner deel vertegenwoordigen.
Modelnauwkeurigheid: Het berekende koelaanbod kwam nauw overeen met de afgeleide lastsignaturen. De relatieve fout tussen de geïntegreerde last en de geïntegreerde aanbod bleek klein, wat aangeeft dat het algoritme een betrouwbare schatting van de lastparameters biedt.
Temporele Patronen: De resultaten bevestigden duidelijke lastpatronen die overeenkomen met de spitsuren (ochtend- en avondpieken gedreven door passagiersstromen) en dagelijkse temperatuurcycli.

Betekenis en Claims
Het artikel stelt dat het identificeren van deze lastsignaturen cruciaal is voor het ontwerpen van slimme, optimale besturingsbeleid. Door de specifieke bijdragen van passagiers en de omgeving aan de thermische last te begrijpen, kunnen HVAC-systemen worden aangestuurd om alleen de noodzakelijke koeling te leveren om de voorspelde vraag te beantwoorden. Deze benadering beoogt het binnen comfort te behouden terwijl het energieverbruik aanzienlijk wordt geoptimaliseerd. De auteurs stellen dat dit werk de basis legt voor toekomstig onderzoek naar optimale besturingsstrategieën voor metro-HVAC-systemen, waarbij men beweegt van eenvoudige tijdgestuurde regels naar datagestuurde, voorspellende controle.