CN102589092B - 基于新型模糊控制器的室内环境热舒适度控制方法 - Google Patents

Abstract

本发明公开了一种基于新型模糊控制器的室内环境热舒适度控制方法，该方法在原有的室内热环境控制系统中考虑到了室外环境的影响，利用基于矩阵左半张量积的模糊控制器对室内热环境进行控制。该方法避免了原有控制系统中需要解耦、模糊规则难以确定等问题，同时该方法也可应用于其他多输入多输出控制系统中。该方法的实现步骤如下：步骤1：首先利用室外温湿度检测系统采集数据，包括室外的温度和湿度；步骤2：将步骤1采集的数据及预测平均投票数PMV输入到新型模糊控制器中进行处理，输出室内温度、湿度和风速的数值；步骤3：空气调节设备根据室内温度、湿度和风速的数值对室内空气进行调节；步骤4：完成对室内环境热舒适度的调节。

Description

基于新型模糊控制器的室内环境热舒适度控制方法

技术领域

本发明涉及一种基于新型模糊控制器的室内环境热舒适度控制方法，属于控制领域。

背景技术

随着生活水平的提高，人们对室内居住热环境的要求也越来越高。创造一个舒适、节能和健康的热环境是人们一直关注的焦点。室内热环境的舒适性通常采用PMV指标衡量。在热舒适度控制方面，MacArthur首次将PMV(Predicted Mean Vote，预测平均投票数)指标作为控制目标引入空调的控制系统，提出了具体控制策略^[1]。随后又出现了基于最优化理论^[2]、模糊控制^[3]、预测算法^[4]、基于Wiener-Laguerre基状态空间模型^[5]等基于PMV指标的室内热舒适度控制。室外环境对室内热环境的影响较大，但是现有的居住环境热舒适度控制中，考虑到室外环境影响的较少。室内外环境参数之间具有相互耦合、非线性的关系，难以采用传统的数学方法进行建模分析，给创造理想的室内居住热环境带来困难。人的热感觉具有模糊性，因此选用模糊控制方法改善房间热环境的舒适性。在基于PMV指标的模糊控制器设计中，若考虑到室外参数，则模糊控制器的输入输出均含有多个变量。多变量控制系统中，模糊规则建立和模糊推理过程比较复杂。

在热舒适度评价方面，Fanger教授提出的PMV指标最具代表性^[6]。该指标综合考虑了影响人体热舒适度的各个因素，代表了大多数人对热舒适度的评价。PMV指标可以表示为四个环境参数和两个人体参数的函数：

PMV＝f(t_a,h_a,v_a,t_r,I_cl,W)(1)式中：t_a是空气温度，h_a是空气相对湿度，v_a是空气流速，t_r是平均辐射温度，I_cl是人体的衣服热阻，W是人体的新陈代谢率。

人体的热感觉与PMV值之间的关系如图1所示。

发明内容

为克服现有技术的不足，本发明提供一种新型的模糊控制器设计方法，通过直接建立输入输出变量之间的模糊关系结构矩阵来实现传统的模糊控制，进而对室内热环境进行优化控制。

为实现上述技术方案，本发明采取如下技术方案：

基于新型模糊控制器的室内环境热舒适度控制方法，该控制方法的实现步骤如下：

步骤1：首先利用室外温湿度检测系统采集数据，包括室外的温度和湿度；

步骤2：将步骤1采集的数据及预测平均投票数PMV输入到新型模糊控制器中进行处理，输出室内温度、湿度和风速的数值；

步骤3：空气调节设备根据室内温度、湿度和风速的数值对室内空气进行调节；

步骤4：完成对室内环境热舒适度的调节。

所述步骤2中新型模糊控制器对输入数据的处理过程如下：

1）首先将N组室外的温度及湿度记为：

$(T_{\mathrm{oi}}^{*},H_{\mathrm{oi}}^{*},T_{\mathrm{ini}}^{*},H_{\mathrm{ini}}^{*},V_{\mathrm{ini}}^{*}),i=1,...,N---\left(1\right)$

其中，

表示第i组数据的室外温度，

表示第i组数据的室外湿度，

表示第i组数据的室内温度，

表示第i组数据的室内湿度，

表示第i组数据的室内风速；

2)对输入、输出变量进行模糊化：

第i组数据可以转换成如下列向量形式:

$\begin{array}{c}{v}_{\mathrm{Toi}}={({\mathrm{\μ}}_{\mathrm{Toi}1}\left(T_{\mathrm{oi}}^{*}\right),{\mathrm{\μ}}_{\mathrm{Toi}2}\left(T_{\mathrm{oi}}^{*}\right),{\mathrm{\μ}}_{\mathrm{Toi}3}\left(T_{\mathrm{oi}}^{*}\right),{\mathrm{\μ}}_{\mathrm{Toi}4}\left(T_{\mathrm{oi}}^{*}\right),{\mathrm{\μ}}_{\mathrm{Toi}5}\left(T_{\mathrm{oi}}^{*}\right))}^T,\\ v_{\mathrm{Hoi}}={({\mathrm{\μ}}_{\mathrm{Hoi}1}\left(H_{\mathrm{oi}}^{*}\right),{\mathrm{\μ}}_{\mathrm{Hoi}2}\left(H_{\mathrm{oi}}^{*}\right),{\mathrm{\μ}}_{\mathrm{Hoi}3}\left(H_{\mathrm{oi}}^{*}\right),{\mathrm{\μ}}_{\mathrm{Hoi}4}\left(H_{\mathrm{oi}}^{*}\right),{\mathrm{\μ}}_{\mathrm{Hoi}5}\left(H_{\mathrm{oi}}^{*}\right))}^T,\\ v_{\mathrm{Tini}}={({\mathrm{\μ}}_{\mathrm{Tini}1}\left(T_{\mathrm{ini}}^{*}\right),{\mathrm{\μ}}_{\mathrm{Tini}2}\left(T_{\mathrm{ini}}^{*}\right),{\mathrm{\μ}}_{\mathrm{Tini}3}\left(T_{\mathrm{ini}}^{*}\right),{\mathrm{\μ}}_{\mathrm{Tini}4}\left(T_{\mathrm{ini}}^{*}\right),{\mathrm{\μ}}_{\mathrm{Tini}5}\left(T_{\mathrm{ini}}^{*}\right))}^T,\\ v_{\mathrm{Hini}}={({\mathrm{\μ}}_{\mathrm{Hini}1}\left(H_{\mathrm{ini}}^{*}\right),{\mathrm{\μ}}_{\mathrm{Hini}2}\left(H_{\mathrm{ini}}^{*}\right),{\mathrm{\μ}}_{\mathrm{Hini}3}\left(H_{\mathrm{ini}}^{*}\right),{\mathrm{\μ}}_{\mathrm{Hini}4}\left(H_{\mathrm{ini}}^{*}\right),{\mathrm{\μ}}_{\mathrm{Hini}5}\left(H_{\mathrm{ini}}^{*}\right))}^T,\\ v_{\mathrm{Vini}}={({\mathrm{\μ}}_{\mathrm{Tini}1}\left(V_{\mathrm{ini}}^{*}\right),{\mathrm{\μ}}_{\mathrm{Vini}2}\left(V_{\mathrm{ini}}^{*}\right),{\mathrm{\μ}}_{\mathrm{Vini}3}\left(V_{\mathrm{ini}}^{*}\right),{\mathrm{\μ}}_{\mathrm{Vini}4}\left(V_{\mathrm{ini}}^{*}\right),{\mathrm{\μ}}_{\mathrm{Vini}5}\left(V_{\mathrm{ini}}^{*}\right))}^T---\left(2\right)\end{array}$

其中：i=1,2,……,N,μ_Toi1，μ_Toi2，μ_Toi3，μ_Toi4，μ_Toi5分别为的隶属度函数，ν_Toi表示为μ_Toi1，μ_Toi2，μ_Toi3，μ_Toi4，μ_Toi5组成的向量的转置向量;μ_Hoi1，μ_Hoi2，μ_Hoi3，μ_Hoi4，μ_Hoi5分别为

的隶属度函数,ν_Hoi表示为μ_Hoi1，μ_Hoi2，μ_Hoi3，μ_Hoi4，μ_Hoi5组成的向量的转置向量;μ_Tini1，μ_Tini2，μ_Tini3，μ_Tini4，μ_Tini5分别为

的隶属度函数，ν_Tini为μ_Tini1，μ_Tini2，μ_Tini3，μ_Tini4，μ_Tini5组成的向量的转置向量；μ_Hini1，μ_Hini2，μ_Hini3，μ_Hini4，μ_Hini5分别为

的隶属度函数，ν_Hini为μ_Hini1，μ_Hini2，μ_Hini3，μ_Hini4，μ_Hini5组成的向量的转置向量；μ_Vini1，μ_Vini2，μ_Vini3，μ_Vini4，μ_Vini5分别为

的隶属度函数，ν_Vini为μ_Vini1，μ_Vini2，μ_Vini3，μ_Vini4，μ_Vini5组成的向量的转置向量；

3)第i组数据的输入、输出关系矩阵可以表示为：

输入关系矩阵： $R_{\mathrm{Toi},\mathrm{Hoi}}=v_{\mathrm{Toi}}\⊗v_{\mathrm{Hoi}}---\left(3\right)$

输出关系矩阵： $R_{\mathrm{Tini},\mathrm{Hini},\mathrm{Vini}}=v_{\mathrm{Tini}}\⊗v_{\mathrm{Hini}}\⊗v_{\mathrm{Vini}}---\left(4\right)$

4)第i组数据的模糊关系矩阵为：

$R^i=R_{\mathrm{Tini},\mathrm{Hini},\mathrm{Vini}}\⊗{\left(R_{\mathrm{Toi},\mathrm{Hoi}}\right)}^T---\left(5\right)$

5)得到每组数据的模糊关系矩阵后，总的模糊关系矩阵可表示为：

$R=\underset{i=1}{\overset{N}{U}}{R}^i---\left(6\right)$

根据模糊关系矩阵R和输入关系矩阵

由解模糊算式得出输出变量即室内温度，室内湿度和室内风速的值。

所述步骤5）中解模糊算式为：

$(t_{\mathrm{in}}^{\′},h_{\mathrm{in}}^{\′},v_{\mathrm{in}}^{\′})=\underset{p=1}{\overset{N}{\mathrm{\Σ}}}\underset{q=1}{\overset{N}{\mathrm{\Σ}}}\underset{r=1}{\overset{N}{\mathrm{\Σ}}}\left(\frac{b_{p,q,r}\×{\mathrm{\μ}}_{(v_{\mathrm{tinp}}\×v_{\mathrm{hinq}}\×v_{\mathrm{vinr}})}^{-1}(t_{\mathrm{in}},h_{\mathrm{in}},v_{\mathrm{in}})}{\underset{p=1}{\overset{N}{\mathrm{\Σ}}}\underset{q=1}{\overset{N}{\mathrm{\Σ}}}\underset{r=1}{\overset{N}{\mathrm{\Σ}}}{b}_{p,q,r}}\right)$

其中，

${\mathrm{\μ}}_{(v_{\mathrm{tinp}}\×v_{\mathrm{hinq}}\×v_{\mathrm{vinr}})}^{-1}(t_{\mathrm{in}},t_{\mathrm{in}},v_{\mathrm{in}})={\mathrm{\μ}}_{v_{\mathrm{tinp}}}^{-1}\left(t_{\mathrm{in}}\right){\mathrm{\Λ\μ}}_{v_{\mathrm{hinq}}}\left(h_{\mathrm{in}}\right){\mathrm{\Λ\μ}}_{v_{\mathrm{vinr}}}\left(v_{\mathrm{in}}\right).$

本发明的有益效果是：室内热环境受到室外环境的影响较大，本文在原有的室内热环境控制系统中考虑到了室外环境的影响。利用基于矩阵左半张量积的模糊控制器对室内热环境进行控制。该方法避免了原有控制系统中需要解耦、模糊规则难以确定等问题，同时该方法也可应用于其他多输入多输出控制系统中。

附图说明

图1为热感觉与PMV值的关系图；

图2为室内环境热舒适度控制系统框图；

图3为新型模糊控制器的基本结构；

图4（a）为室外温度的隶属度函数示意图；

图4（b）为室外湿度的隶属度函数示意图；

图4（c）为室内温度的隶属度函数示意图；

图4（d）为室内湿度的隶属度函数示意图；

图4（e）为室内风速的隶属度函数示意图；

图5（a）为模糊控制器的室内温度输出的实际值和估计值比较结果图；

图5（b）为模糊控制器的室内湿度输出的实际值和估计值比较结果图；

图5（c）为模糊控制器的室内风速输出的实际值和估计值比较结果图。

具体实施方式

下面结合附图与实施例对本发明作进一步说明。

在本发明的室内环境热舒适度控制中，选用PMV=0作为控制目标。在室外环境对室内环境影响中，主要考虑室外环境的温度、湿度对室内环境的温度、湿度和风速的影响。室内环境热舒适度控制系统框图如图2所示。PMVs是PMV的设定值，PMVc是PMV的测量值，△PMV是PMV的设定值与测量值之差。模糊控制器的输入是△PMV，室外温度和室外湿度，输出是室内温度、湿度和风速的设定值。空气调节设备将根据室内环境参数的设定值对空气进行调节。根据室内环境参数的实际测量值，通过PMV计算模型可得出室内的PMV测量值。在PMV计算模型中，假设室内平均辐射温度等于室内温度，人体的衣服热阻和新陈代谢率为人为设定值。

室内环境热舒适度控制系统是一个多变量、强耦合的控制系统。由图2可知，所选用的模糊控制器应为三输入、三输出。在多输入多输出的模糊控制器设计中，为了简化模糊规则的建立和模糊推理过程，引入矩阵左半张量积建立一种新型的模糊控制器^[7]。矩阵左半张量积将普通矩阵乘法推广到任意两个矩阵^[8]，在非线性控制系统分析方面得到成功应用^[9]。基于矩阵左半张量积的模糊控制器的结构如图3所示，其与传统模糊控制器的区别在于舍弃了规则库，通过直接建立输入输出变量之间的模糊关系结构矩阵来实现传统结构下的数字化模糊控制。

基于矩阵左半张量积的模糊控制器的设计步骤为：

1.对每一个模糊语言变量的进行模糊化，主要包括模糊变量、语言值和隶属度函数的选取等步骤；

2.确定模糊推理机制，主要包括模糊命题连接词“与”和“或”的具体形式、定义模糊蕴涵算子和复合推理算子的具体形式；

3.模糊知识的获取和模糊关系矩阵的建立，此步骤是该新型模糊控制器区别与传统模糊控制器的主要部分。在新型模糊控制器中，可直接利用控制系统的输入输出数据对得出模糊关系矩阵，不仅代替了复杂模糊规则建立的过程，而且解决了多变量模糊控制需要解耦的弊端；

4.解模糊算法的确定。

基于矩阵左半张量积的模糊控制器设计中，模糊关系矩阵的建立步骤为：

1)现场获得N组系统输入输出数据对如下，输入变量个数为p，输出变量个数为m。

$(Y_{1i}^{*},Y_{2i}^{*},{...,Y}_{\mathrm{pi}}^{*};U_{1i}^{*},U_{2i}^{*},U_{\mathrm{mi}}^{*}),i=1,...,N---\left(2\right)$

其中：

表示p个输入变量；

表示m个输出变量；

2)将测量到的数据分别进行模糊化，转化成列向量表示形式：

3)首先要建立每个输入输出变量的模糊子集，假设输入输出变量的模糊子集分别是:

$E_{Y_i}=\{y_1^i,...,y_{{\mathrm{\α}}_i}^i\},i=1,...,p;E_{U_j}=\{u_1^i,...,u_{{\mathrm{\β}}_i}^i\},j=1,...m.---\left(3\right)$

那么N组数据转化成的列向量为

$v_{Y_{1i}}={({\mathrm{\μ}}_{y_1^1}\left(Y_{1i}^{*}\right),...,{\mathrm{\μ}}_{y_{\mathrm{\α}1}^1}\left(Y_{1i}^{*}\right))}^T,...,v_{Y_{\mathrm{pi}}}={({\mathrm{\μ}}_{y_1^p}\left(Y_{\mathrm{pi}}^{*}\right),...,{\mathrm{\μ}}_{y_{\mathrm{\αp}}^p}\left(Y_{\mathrm{pi}}^{*}\right))}^T;---\left(4\right)$

$v_{U_{1i}}={({\mathrm{\μ}}_{u_1^1}\left(U_{1i}^{*}\right),...,{\mathrm{\μ}}_{u_{\mathrm{\β}1}^1}{U}_{\mathrm{li}}^{*})}^T,...,v_{U_{\mathrm{mi}}}={({\mathrm{\μ}}_{u_1^m}\left(U_{\mathrm{mi}}^{*}\right),...,{\mathrm{\μ}}_{u_{\mathrm{\βm}}^m}\left(U_{\mathrm{mi}}^{*}\right))}^T---\left(5\right)$

4)计算第i组的输入关系矩阵：

$R_{Y_{1i},Y_{2i},...,Y_{\mathrm{pi}}}=v_{Y_{1i}}\⊗v_{Y_{2i}}\⊗v_{Y_{\mathrm{pi}}}=R_Y^i---\left(6\right)$

5)计算第i组的输出关系矩阵：

$R_{U_{1i},U_{2i},...,U_{\mathrm{mi}}}=v_{U_{1i}}\⊗v_{U_{2i}}\⊗v_{U_{\mathrm{mi}}}=R_U^i---\left(7\right)$

6)计算第i组的输入输出模糊关系矩阵：

$R^i=R_U^i\⊗{\left(R_Y^i\right)}^T,R^i\∈M_{{\mathrm{\β}}_1{\mathrm{\β}}_2...{\mathrm{\β}}_m\×{\mathrm{\α}}_1{\mathrm{\α}}_2...{\mathrm{\α}}_p}---\left(8\right)$

计算总的模糊关系结构矩阵

$R=\underset{i=1}{\overset{N}{U}}{R}^i---\left(9\right)$

8.进行α截集运算得到只包含0,1的布尔模糊逻辑矩阵

根据模糊关系矩阵R和输入向量R_In，通过解模糊算法可得出输出向量，其得出过程为：

$b=R\⊗R_{\mathrm{In}}---\left(10\right)$

$(u_1,...,u_m)=\underset{j_i=1}{\overset{{\mathrm{\β}}_1}{\mathrm{\Σ}}}...\underset{j_m=1}{\overset{{\mathrm{\β}}_m}{\mathrm{\Σ}}}\left(\frac{b_{j_1...j_m}}{\underset{i_1=1}{\overset{{\mathrm{\β}}_1}{\mathrm{\Σ}}}...\underset{i_m=1}{\overset{{\mathrm{\β}}_m}{\mathrm{\Σ}}}{b}_{i_1...i_m}}\right){\stackrel{\‾}{\mathrm{\μ}}}_{U_{U_{j_1}^1\×...\×U_{j_m}^m}^1}^{-1}---\left(11\right)$

其中， ${\mathrm{\μ}}_{U_{j_1}^1\×...\×U_{j_m}^m}(u_1,...,u_m)={\mathrm{\μ}}_{U_{j_1}^1}\left(u_1\right)\mathrm{\Λ}...\mathrm{\Λ}{\mathrm{\μ}}_{U_{j_m}^m}\left(u_m\right)---\left(12\right)$

实验与仿真

实验房间尺寸为长×宽×高=7.6m×7.2m×3.6m，实验装置采用瑞典SWEMA公司的热舒适度测试系统、一台由无线传感器网络控制的空调器和室外温湿度检测系统。热舒适测试系统中集成了SWA03万向微风速及风温探头、HygroClip相对湿度及温度探头和Swema3000多功能主机。若人为输入衣服热阻和新陈代谢率的数值，则该测试系统能够自动计算出PMV值。室外的温湿度可通过室外温湿度检测系统进行测量。空调器制冷量为7500w，能耗比为2.83。当室内环境达到近似稳定时，开始采集数据，采样间隔为10分钟，采样时间为2011年8月25～31日。

在热舒适度控制系统中，模糊关系矩阵的得出步骤为：

1)采集数据，包括室外的温度、湿度和室内的温度、湿度和风速。记录由Swema3000

多功能主机得出的PMV值。选取其中100组数据，记为：

$(T_{\mathrm{oi}}^{*},H_{\mathrm{oi}}^{*},T_{\mathrm{ini}}^{*},H_{\mathrm{ini}}^{*},V_{\mathrm{ini}}^{*}),i=1,...100---\left(13\right)$

其中，

是第i组数据的室外温度，

第i组数据的室外湿度，

第i组数据的室内温度，

第i组数据的室内湿度，

第i组数据的室内风速。

2)对输入、输出变量进行模糊化，其隶属度函数如图4所示。

第i组数据可以转换成如下列向量形式:

$\begin{array}{c}{v}_{\mathrm{Toi}}={({\mathrm{\μ}}_{\mathrm{Toi}1}\left(T_{\mathrm{oi}}^{*}\right),{\mathrm{\μ}}_{\mathrm{Toi}2}\left(T_{\mathrm{oi}}^{*}\right),{\mathrm{\μ}}_{\mathrm{Toi}3}\left(T_{\mathrm{oi}}^{*}\right),{\mathrm{\μ}}_{\mathrm{Toi}4}\left(T_{\mathrm{oi}}^{*}\right),{\mathrm{\μ}}_{\mathrm{Toi}5}\left(T_{\mathrm{oi}}^{*}\right))}^T,\\ v_{\mathrm{Hoi}}={({\mathrm{\μ}}_{\mathrm{Hoi}1}\left(H_{\mathrm{oi}}^{*}\right),{\mathrm{\μ}}_{\mathrm{Hoi}2}\left(H_{\mathrm{oi}}^{*}\right),{\mathrm{\μ}}_{\mathrm{Hoi}3}\left(H_{\mathrm{oi}}^{*}\right),{\mathrm{\μ}}_{\mathrm{Hoi}4}\left(H_{\mathrm{oi}}^{*}\right),{\mathrm{\μ}}_{\mathrm{Hoi}5}\left(H_{\mathrm{oi}}^{*}\right))}^T,\\ v_{\mathrm{Tini}}={({\mathrm{\μ}}_{\mathrm{Tini}1}\left(T_{\mathrm{ini}}^{*}\right),{\mathrm{\μ}}_{\mathrm{Tini}2}\left(T_{\mathrm{ini}}^{*}\right),{\mathrm{\μ}}_{\mathrm{Tini}3}\left(T_{\mathrm{ini}}^{*}\right),{\mathrm{\μ}}_{\mathrm{Tini}4}\left(T_{\mathrm{ini}}^{*}\right),{\mathrm{\μ}}_{\mathrm{Tini}5}\left(T_{\mathrm{ini}}^{*}\right))}^T,\\ v_{\mathrm{Hini}}={({\mathrm{\μ}}_{\mathrm{Hini}1}\left(H_{\mathrm{ini}}^{*}\right),{\mathrm{\μ}}_{\mathrm{Hini}2}\left(H_{\mathrm{ini}}^{*}\right),{\mathrm{\μ}}_{\mathrm{Hini}3}\left(H_{\mathrm{ini}}^{*}\right),{\mathrm{\μ}}_{\mathrm{Hini}4}\left(H_{\mathrm{ini}}^{*}\right),{\mathrm{\μ}}_{\mathrm{Hini}5}\left(H_{\mathrm{ini}}^{*}\right))}^T,\\ v_{\mathrm{Vini}}={({\mathrm{\μ}}_{\mathrm{Tini}1}\left(V_{\mathrm{ini}}^{*}\right),{\mathrm{\μ}}_{\mathrm{Vini}2}\left(V_{\mathrm{ini}}^{*}\right),{\mathrm{\μ}}_{\mathrm{Vini}3}\left(V_{\mathrm{ini}}^{*}\right),{\mathrm{\μ}}_{\mathrm{Vini}4}\left(V_{\mathrm{ini}}^{*}\right),{\mathrm{\μ}}_{\mathrm{Vini}5}\left(V_{\mathrm{ini}}^{*}\right))}^T---\left(14\right)\end{array}$

3)第i组数据的输入、输出关系矩阵可以表示为：

输入关系矩阵 $R_{\mathrm{Toi},\mathrm{Hoi}}=v_{\mathrm{Toi}}\⊗v_{\mathrm{Hoi}}=R_Y^i---\left(15\right)$

输出关系矩阵： $R_{\mathrm{Tini},\mathrm{Hini},\mathrm{Vini}}=v_{\mathrm{Tini}}\⊗v_{\mathrm{Hini}}\⊗v_{\mathrm{Vini}}=R_U^i.---\left(16\right)$

4)第i组数据的模糊关系矩阵为：

$R^i=R_U^i\⊗{\left(R_Y^i\right)}^T.---\left(17\right)$

5)得到每组数据的模糊关系矩阵后，总的模糊关系矩阵可表示为：

$\underset{i=1}{\overset{N}{U}}{R}^i---\left(18\right)$

根据实验采集数据，可得出模糊关系矩阵R如式19所示。

根据模糊关系矩阵R和输入关系矩阵，由解模糊算法可得出输出关系矩阵，解模糊算式为：

$(t_{\mathrm{in}}^{\′},h_{\mathrm{in}}^{\′},v_{\mathrm{in}}^{\′})=\underset{p=1}{\overset{N}{\mathrm{\Σ}}}\underset{q=1}{\overset{N}{\mathrm{\Σ}}}\underset{r=1}{\overset{N}{\mathrm{\Σ}}}\left(\frac{b_{p,q,r}\×{\mathrm{\μ}}_{(v_{\mathrm{tinp}}\×v_{\mathrm{hinq}}\×v_{\mathrm{vinr}})}^{-1}(t_{\mathrm{in}},h_{\mathrm{in}},v_{\mathrm{in}})}{\underset{p=1}{\overset{N}{\mathrm{\Σ}}}\underset{q=1}{\overset{N}{\mathrm{\Σ}}}\underset{r=1}{\overset{N}{\mathrm{\Σ}}}{b}_{p,q,r}}\right)---\left(20\right)$

${\mathrm{\μ}}_{(v_{\mathrm{tinp}}\×v_{\mathrm{hinq}}\×v_{\mathrm{vinr}})}^{-1}(t_{\mathrm{in}},t_{\mathrm{in}},v_{\mathrm{in}})={\mathrm{\μ}}_{v_{\mathrm{tinp}}}^{-1}\left(t_{\mathrm{in}}\right){\mathrm{\Λ\μ}}_{v_{\mathrm{hinq}}}\left(h_{\mathrm{in}}\right){\mathrm{\Λ\μ}}_{v_{\mathrm{vinr}}}\left(v_{\mathrm{in}}\right)---\left(21\right)$

其中，b_p,q,r是列向量b中的元素,

是v_tinp,v_hinq,v_vinr的直积所对应的逆函数,

是隶属度函数ν_tinp的逆函数,

是hin隶属于模糊集合ν_hinq的隶属度,

是v_in隶属于模糊集合v_vinr的隶属度。

为了验证该方法的有效性，选取了部分未经测试的样本进行验证。数据期望值与实际值的比较如图5所示。从结果来看，期望值与实际值之间有一定的误差，这可能由两方面原因导致，一是由于实验环境不可能处于完全稳态的情况下，实验数据可能会不精确；二是模糊控制算法还需改进。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

$R=\left[\begin{array}{ccccccccc}0& 0& 0& 0.01& 0.03& 0& 0.01& 0.04& 0\\ 0& 0& 0& 0.01& 0.02& 0& 0.01& 0.03& 0\\ 0& 0& 0& 0& 0& 0& 0& 0& 0\\ 0.07& 0.08& 0.02& 0.09& 0.18& 0.05& 0.01& 0.01& 0.01\\ 0.05& 0.18& 0.03& 0.06& 0.14& 0.06& 0.01& 0.03& 0.01\\ 0.01& 0.13& 0.02& 0.04& 0.35& 0.04& 0& 0.02& 0.01\\ 0.23& 0.16& 0.09& 0.35& 0.22& 0.15& 0.02& 0.02& 0.02\\ 0.18& 0.34& 0.1& 0.17& 0.37& 0.14& 0& 0.07& 0.01\\ 0.02& 0.13& 0.03& 0.04& 0.37& 0.08& 0& 0.02& 0.01\\ 0& 0& 0& 0.13& 0.17& 0.05& 0.14& 0.22& 0.03\\ 0& 0& 0& 0.34& 0.23& 0.07& 0.23& 0.23& 0.01\\ 0& 0& 0& 0& 0.01& 0& 0.01& 0.04& 0\\ 0.03& 0.03& 0.02& 0.09& 0.12& 0.11& 0.1& 0.09& 0.04\\ 0.03& 0.06& 0.07& 0.17& 0.14& 0.09& 0.27& 0.34& 0.03\\ 0& 0.02& 0.02& 0.01& 0.12& 0.04& 0.01& 0.06& 0.03\\ 0.16& 0.08& 0.07& 0.23& 0.29& 0.3& 0.01& 0.21& 0.09\\ 0.09& 0.2& 0.07& 0.08& 0.49& 0.21& 0.01& 0.26& 0.1\\ 0.01& 0.09& 0.0& 0.01& 0.2& 0.04& 0& 0.05& 0.03\\ 0& 0& 0& 0.02& 0.02& 0& 0.23& 0.02& 0\\ 0& 0& 0& 0.02& 0.02& 0& 0.03& 0.02& 0\\ 0& 0& 0& 0& 0& 0& 0& 0& 0\\ 0.03& 0.06& 0.01& 0.31& 0.2& 0.06& 0.07& 0.05& 0\\ 0.02& 0.1& 0.11& 0.35& 0.38& 0.23& 0.13& 0.12& 0\\ 0& 0.04& 0.03& 0& 0.14& 0.03& 0& 0.01& 0\\ 0& 0.01& 0& 0.06& 0.05& 0.02& 0.01& 0& 0\\ 0.01& 0.03& 0.03& 0.08& 0.09& 0.08& 0.01& 0& 0\\ 0& 0.02& 0.01& 0& 0.06& 0.01& 0& 0& 0\end{array}\right]---\left(19\right)$

参考文献

[1]J.W.MacArthur.Humidity and predicted-mean-vote based(PMV based)comfort control[J].ASHRAE Trans,1986,92(1B):5-17.

[2]D.G.Scheatzle.The development of PMV-based control for a residence in a hot and aridclimate[J].ASHRAE Trans,1991,97(2):1002-1019.

[3]P.Simonds.Thermal comfort and optimal energy use[J].ASHRAE Trans,1993,99(1):1037-1048.

[4]史鸿钊.基于预测算法的室内空气调节[D].重庆:重庆大学,2008:39-45.

[5]Emerson D,Gustavo H.C.O,Roberto Z.F,et al.PMV-based predictive algorithms for controllingthermal comfort in building plants[C].IEEE International Conference on Control Applications.Singapore,2007,182-187.

[6]Fanger,P.O.Thermal comfort[M].Copenhagen:Danish Technical Press,1970.

[7]Cheng D Z.Semi-tensor product of matrices and its applications–A survey[C].ICCM2007,Vol.3,641-668.

[8]程代展,齐洪胜.矩阵的半张量积:理论与应用[M].北京:科学出版社,2007.

[9]Cheng D Z,Hu X M,Wang Y Z.Non-regular feedback linearization of nonlinear systems via anormal form algorithm[J].Automatica,2004,40(3):439-447.

Claims (2)

1.基于新型模糊控制器的室内环境热舒适度控制方法，其特征是，该控制方法的实现步骤如下：

步骤1：首先利用室外温湿度检测系统采集数据，包括室外的温度和湿度；

步骤2：将步骤1采集的数据及预测平均投票数PMV输入到新型模糊控制器中进行处理，输出室内温度、湿度和风速的数值；

步骤3：空气调节设备根据室内温度、湿度和风速的数值对室内空气进行调节；

步骤4：完成对室内环境热舒适度的调节；

所述步骤2中新型模糊控制器对输入数据的处理过程如下：

1)首先将N组室外的温度及湿度记为：

$(T_{\mathrm{oi}}^{*},H_{\mathrm{oi}}^{*},T_{\mathrm{ini}}^{*},V_{\mathrm{ini}}^{*}),i=1,\·\·\·,N---\left(1\right)$

其中，

表示第i组数据的室外温度，

表示第i组数据的室外湿度，

表示第i组数据的室内温度，

表示第i组数据的室内湿度，

表示第i组数据的室内风速；

2)对输入、输出变量进行模糊化：

第i组数据可以转换成如下列向量形式:

$\begin{array}{c}{\mathrm{\ν}}_{\mathrm{Toi}}={({\mathrm{\μ}}_{\mathrm{Toi}1}\left(T_{\mathrm{oi}}^{*}\right),{\mathrm{\μ}}_{\mathrm{Toi}2}\left(T_{\mathrm{oi}}^{*}\right),{\mathrm{\μ}}_{\mathrm{Toi}3}\left(T_{\mathrm{oi}}^{*}\right),{\mathrm{\μ}}_{\mathrm{Toi}4}\left(T_{\mathrm{oi}}^{*}\right),{\mathrm{\μ}}_{\mathrm{Toi}5}\left(T_{\mathrm{oi}}^{*}\right))}^T,\\ {\mathrm{\ν}}_{\mathrm{Hoi}}={({\mathrm{\μ}}_{\mathrm{Hoi}1}\left(H_{\mathrm{oi}}^{*}\right),{\mathrm{\μ}}_{\mathrm{Hoi}2}\left(H_{\mathrm{oi}}^{*}\right),{\mathrm{\μ}}_{\mathrm{Hoi}3}{\left(H_{\mathrm{oi}}^{*}\right)\μ\mathrm{\μ}}_{\mathrm{Hoi}4}\left(H_{\mathrm{oi}}^{*}\right),{\mathrm{\μ}}_{\mathrm{Hoi}5}\left(H_{\mathrm{oi}}^{*}\right))}^T,\\ {\mathrm{\ν}}_{\mathrm{Tini}}={({\mathrm{\μ}}_{\mathrm{Tini}1}\left(T_{\mathrm{ini}}^{*}\right),{\mathrm{\μ}}_{\mathrm{Tini}2}\left(T_{\mathrm{ini}}^{*}\right),{\mathrm{\μ}}_{\mathrm{Tini}3}\left(T_{\mathrm{ini}}^{*}\right),{\mathrm{\μ}}_{\mathrm{Tini}4}\left(T_{\mathrm{ini}}^{*}\right),{\mathrm{\μ}}_{\mathrm{Tini}5}\left(T_{\mathrm{ini}}^{*}\right))}^T,\\ {\mathrm{\ν}}_{\mathrm{Hini}}={({\mathrm{\μ}}_{\mathrm{Hini}1}\left(H_{\mathrm{ini}}^{*}\right),{\mathrm{\μ}}_{\mathrm{Hini}2}\left(H_{\mathrm{ini}}^{*}\right),{\mathrm{\μ}}_{\mathrm{Hini}3}\left(H_{\mathrm{ini}}^{*}\right),{\mathrm{\μ}}_{\mathrm{Hini}4}\left(H_{\mathrm{ini}}^{*}\right),{\mathrm{\μ}}_{\mathrm{Hini}5}\left(H_{\mathrm{ini}}^{*}\right))}^T,\\ {\mathrm{\ν}}_{\mathrm{Vini}}={({\mathrm{\μ}}_{\mathrm{Vini}1}\left(V_{\mathrm{ini}}^{*}\right),{\mathrm{\μ}}_{\mathrm{Vini}2}\left(V_{\mathrm{ini}}^{*}\right),{\mathrm{\μ}}_{\mathrm{Vini}3}\left(V_{\mathrm{ini}}^{*}\right),{\mathrm{\μ}}_{\mathrm{Vini}4}\left(V_{\mathrm{ini}}^{*}\right),{\mathrm{\μ}}_{\mathrm{Vini}5}\left(V_{\mathrm{ini}}^{*}\right))}^T,\end{array}---\left(2\right)$

其中：μ_Toi1，μ_Toi2，μ_Toi3，μ_Toi4，μ_Toi5分别为

的隶属度函数，ν_Toi表示为μ_Toi1,μ_Toi2,μ_Toi3,μ_Toi4,μ_Toi5组成的向量的转置向量;μ_Hoi1,μ_Hoi2,μ_Hoi3,μ_Hoi4,μ_Hoi5分别为的隶属度函数,ν_Hoi表示为μ_Hoi1,μ_Hoi2,μ_Hoi3,μ_Hoi4,μ_Hoi5组成的向量的转置向量;μ_Tini1,μ_Tini2,μ_Tini3,μ_Tini4,μ_Tini5分别为

的隶属度函数，ν_Tini为μ_Tini1,μ_Tini2,μ_Tini3,μ_Tini4,μ_Tini5组成的向量的转置向量；μ_Hini1,μ_Hini2,μ_Hini3,μ_Hini4,μ_Hini5分别为的隶属度函数，ν_Hini为μ_Hini1,μ_Hini2,μ_Hini3,μ_Hini4,μ_Hini5组成的向量的转置向量；μ_Vini1,μ_Vini2,μ_Vini3,μ_Vini4,μ_Vini5分别为

的隶属度函数，ν_Vini为μ_Vini1,μ_Vini2,μ_Vini3,μ_Vini4,μ_Vini5组成的向量的转置向量；

3)第i组数据的输入、输出关系矩阵可以表示为：

输入关系矩阵： $R_{T\mathrm{oi},\mathrm{Hoi}}={\mathrm{\ν}}_{\mathrm{Toi}}\⊗{\mathrm{\ν}}_{\mathrm{Hoi}}---\left(3\right)$

输出关系矩阵： $R_{\mathrm{Tini},\mathrm{Hini},\mathrm{Vini}}={\mathrm{\ν}}_{\mathrm{Tini}}\⊗{\mathrm{\ν}}_{\mathrm{Hini}}\⊗{\mathrm{\ν}}_{\mathrm{Vini}}---\left(4\right)$

4)第i组数据的模糊关系矩阵为：

$R^i=R_{\mathrm{Tini},\mathrm{Hini},\mathrm{Vini}}\⊗{\left(R_{\mathrm{Toi},\mathrm{Hoi}}\right)}^T---\left(5\right)$

5)得到每组数据的模糊关系矩阵后，总的模糊关系矩阵可表示为：

$R=\underset{i=1}{\overset{N}{U}}{R}^i---\left(6\right)$

根据模糊关系矩阵R和输入关系矩阵，由解模糊算式得出输出变量即室内温度，室内湿度和室内风速的值。

2.如权利要求1所述的基于新型模糊控制器的室内环境热舒适度控制方法，其特征是，所述步骤5）中解模糊算式为：

$(t_{\mathrm{in}}^{\′},h_{\mathrm{in}}^{\′},{\mathrm{\ν}}_{\mathrm{in}}^{\′})=\underset{p=1}{\overset{N}{\mathrm{\Σ}}}\underset{q=1}{\overset{N}{\mathrm{\Σ}}}\underset{r=1}{\overset{N}{\mathrm{\Σ}}}\left(\frac{b_{p.q.r}\×{\mathrm{\μ}}_{(v_{\mathrm{tinp}}\×v_{\mathrm{hinq}}\×v_{\mathrm{vinr}})}^{-1}(t_{\mathrm{in}},h_{\mathrm{in}},v_{\mathrm{in}})}{\underset{p=1}{\overset{N}{\mathrm{\Σ}}}\underset{q=1}{\overset{N}{\mathrm{\Σ}}}\underset{r=1}{\overset{N}{\mathrm{\Σ}}}{b}_{p,q,r}}\right)$

其中：

${\mathrm{\μ}}_{(v_{\mathrm{tinp}}\×v_{\mathrm{hinq}}\×v_{\mathrm{vinr}})}^{-1}(t_{\mathrm{in}},h_{\mathrm{in}},v_{\mathrm{in}})={\mathrm{\μ}}_{v_{\mathrm{tinp}}}^{-1}\left(t_{\mathrm{in}}\right)\mathrm{\Λ}{\mathrm{\μ}}_{v_{\mathrm{hinq}}}\left(h_{\mathrm{in}}\right)\mathrm{\Λ}{\mathrm{\μ}}_{v_{\mathrm{vinr}}}\left(v_{\mathrm{in}}\right)$

t_in,h_in,v_in分别表示调节前的室内的温度，湿度和风速，t_i′_n,h_i′_n,v_i′_n分别表示调节后的室内的温度，湿度和风速，b_p,q,r是列向量b中的每一个元素，是v_tinp，v_hinq，v_vinr的直积所对应的逆函数，

是隶属度函数ν_tinp的逆函数，是h_in隶属于模糊集合v_hinq的隶属度，

是v_in隶属于模糊集合v_vinr的隶属度。

Images