CN106152387B - 一种用于室内热舒适度的检测方法 - Google Patents
一种用于室内热舒适度的检测方法 Download PDFInfo
- Publication number
- CN106152387B CN106152387B CN201510189743.2A CN201510189743A CN106152387B CN 106152387 B CN106152387 B CN 106152387B CN 201510189743 A CN201510189743 A CN 201510189743A CN 106152387 B CN106152387 B CN 106152387B
- Authority
- CN
- China
- Prior art keywords
- fuzzy
- model
- variable
- detection
- indoor
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Air Conditioning Control Device (AREA)
Abstract
本发明提供一种用于室内热舒适度的检测方法,包括以下步骤:采集室内环境参数和人体热平衡参数,以PMV值作为测度,定义测量各参数对于热舒适度的灵敏度,根据各参数的灵敏度选取检测变量;对各检测变量在其论域范围内分别设置符合其物理意义的划分,同时根据所述论域范围下的关联规则提取模糊规则;根据选取的检测变量和提取的模糊规则建立室内热舒适度的递阶结构模糊自适应模型,并对递阶结构模糊自适应模型中的每一层子模型采用神经网络进行训练,直到满足预设条件。本发明能够达到更加及时准确地检测当前环境下热舒适度情况的目的,并且能够根据环境变化做出合理的调整,本发明在降低模型复杂度和规则数方面效果明显,具有很强的实用性。
Description
技术领域
本发明涉及检测技术领域,特别为涉及室内热环境的检测调节和控制技术领域,具体为一种用于室内热舒适度的检测方法。
背景技术
舒适度本身就是一个十分模糊的概念,为了能够准确及时地反应出当前室内的热舒适度情况,从而提高空气调节效率,需要更为高效合理的热舒适度检测与建模技术。目前,室内热舒适度检测建模的方法主要分为基于数据驱动的‘黑箱’检测建模方法和基于模糊逻辑的检测建模方法。在实际应用过程中,设计人员难以详细分析‘黑箱’检测方法内部的机理和因果关系,这使得该方法缺乏解释性,难以在不同工况下推广,而基于模糊逻辑的方法,在实际应用中的检测精度易于受到工况变化的干扰,这也使得基于模糊逻辑的检测方法受到限制。另一方面,模糊逻辑与神经网络有机结合的方法在体现检测模型物理意义的同时,也可以直接利用现场采集的数据实时修正模型参数,提高检测精度和对工况变化的适应能力,可以快速应用于实际工业中,已成为热舒适度检测及相应的HVAC控制领域研究热点之一。在模糊自适应(ANFIS)方法中,学者大多仅检测部分环境因素来建立热舒适度模型,这对模型准确性及检测模型适用范围都可能产生很大影响。
经对现有技术的公开文献检索发现,Raad Z.Homod,Khairul Salleh MohamedSahari.RLF and TS fuzzy model identification of indoor thermal comfort basedon PMV/PPD.Building and Environment,49,pp.141-153(基于PMV/PPD的室内热舒适度RLF和T-S模糊建模与辨识,国际期刊:建筑与环境,第49卷,141-153),作者将先验知识与模糊自适应建模方法结合,并且由于模型综合考虑影响热舒适度的全部六个因素,从而能检测全工况的舒适度情况,提高了方法应用的范围。同时采用递阶结构的模型改进方法,通过灵敏度分析和关联规则挖掘,模型复杂度和规则数将得到进一步的降低。
发明内容
鉴于以上所述现有技术的缺点,本发明的目的在于提供一种用于室内热舒适度的检测方法,用于解决现有技术中对于室内热环境舒适度情况检测不准确、不及时的问题。
为实现上述目的及其他相关目的,本发明提供一种用于室内热舒适度的检测方法,包括以下步骤:采集室内环境参数和人体热平衡参数,以PMV值作为测度,定义测量各参数对于热舒适度的灵敏度,同时根据各参数的灵敏度选取检测变量;对各检测变量在其论域范围内分别设置符合其物理意义的划分,同时根据所述论域范围下的关联规则提取模糊规则;根据选取的检测变量和提取的模糊规则建立室内热舒适度的递阶结构模糊自适应模型,并对递阶结构模糊自适应模型中的每一层子模型采用神经网络进行训练,直到满足如下条件为止:
m为训练的次数,RMSEl(m)为经过m次训练后第l层子模型的均方根误差,RMSEl(m-1)为第m-1次训练后第l层子模型的均方根误差,εo为定义的阈值。
优选地,所述室内环境参数至少包括空气温度、平均辐射温度、相对空气流速及空气湿度;所述人体热平衡参数至少包括人体活动的新陈代谢率及服装的热阻值。
优选地,定义测量各参数对于热舒适度的灵敏度具体为:
其中,Sp为第p个变量的相对灵敏度,Dp为第p个变量的灵敏度,N为样本集个数,p为输入变量个数,k为样本下标,y(k)为输出变量的第k个样本,xp(k)为第p个输入变量的第k个样本。
优选地,递阶结构模糊自适应模型的总模糊规则的数量可表示为其中l为递阶结构的层数下标,n-1为递阶结构模糊自适应模型的总层数,为第l层模糊子模型的模糊规则数。
如上所述,本发明的一种用于室内热舒适度的检测方法,具有以下有益效果:
本发明利用一段时间内室内环境采集的环境数据参数和人体变量数据建立模糊自适应模型,以PMV值作为测度,基于先验知识,并综合考虑从影响热舒适度的全部因素,能够达到更加及时准确地检测当前环境下热舒适度情况的目的,并且能够根据环境变化做出合理的调整,本发明同时结合递阶结构的模型改进方法,通过灵敏度分析和关联规则挖掘对模型进行简化,本发明的方法在降低模型复杂度和规则数方面效果明显,具有很强的实用性,并且,适合与预测控制策略衔接,有利于后续设计针对室内热舒适度的空气调节控制系统。
附图说明
图1显示为本发明的一种用于室内热舒适度的检测方法的流程图。
图2~图4显示为发明的一种用于室内热舒适度的检测方法中模糊规则关联挖掘示意图。
图5显示为本发明的一种用于室内热舒适度的检测方法的检测效果示意图。
图6显示为本发明的一种用于室内热舒适度的检测方法的误差示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。
本发明的目的在于提供一种用于室内热舒适度的检测方法,用于解决现有技术中对于室内热环境舒适度情况检测不准确、不及时的问题。本发明利用一段时间内室内环境采集的环境和人体变量数据建立模糊自适应模型,以PMV值作为测度,基于先验知识,并综合考虑从影响热舒适度的全部因素,能够达到更加及时准确地检测当前环境下热舒适度情况的目的,并且能够根据环境变化做出合理的调整。同时结合递阶结构的模型改进方法,通过灵敏度分析和关联规则挖掘对模型进行简化,该方法在降低模型复杂度和规则数方面效果明显,具有很强的实用性。具体包括基于灵敏度分析的检测变量选取,基于先验知识的模糊规则关联挖掘与递阶结构的模糊自适应(ANFIS)模型建立三个步骤。本发明在提高检测精度同时,体现了模型的解释性和物理意义,同时给出了人体变量的可行性检测方案,大大提升了可检测的工况范围,并且该方法适合与预测控制策略衔接,有利于后续设计针对室内热舒适度的空气调节控制系统。
以下将详细说明本发明的一种用于室内热舒适度的检测方法的原理及实施方式,使本领域技术人员不需要创造性劳动即可理解本发明的一种用于室内热舒适度的检测方法。
请参阅图1,显示为本发明的一种用于室内热舒适度的检测方法的流程图。如图1所示,本发明的方法具体包括以下步骤:
步骤S11,采集室内环境参数和人体热平衡参数,以PMV值作为测度,定义测量各参数对于热舒适度的灵敏度,同时根据各参数的灵敏度选取检测变量。
其中,所述室内环境参数至少包括空气温度、平均辐射温度、相对空气流速及空气湿度;所述人体热平衡参数至少包括人体活动的新陈代谢率及服装的热阻值。
定义测量各参数对于热舒适度的灵敏度具体为:
其中,Sp为第p个变量的相对灵敏度,Dp为第p个变量的灵敏度,N为样本集个数,p为输入变量个数,k为样本下标,y(k)为输出变量的第k个样本,xp(k)为第p个输入变量的第k个样本。
步骤S12,对各检测变量在其论域范围内分别设置符合其物理意义的划分,同时根据所述论域范围下的关联规则提取模糊规则。
步骤S13,根据选取的检测变量和提取的模糊规则建立室内热舒适度的递阶结构模糊自适应模型,并对递阶结构模糊自适应模型中的每一层子模型采用神经网络进行训练,直到满足如下条件为止:
m为训练的次数,RMSEl(m)为经过m次训练后第l层子模型的均方根误差,RMSEl(m-1)为第m-1次训练后第l层子模型的均方根误差,εo为定义的阈值。递阶结构模糊自适应模型的总模糊规则的数量可表示为其中l为递阶结构的层数下标,n-1为递阶结构模糊自适应模型的总层数,为第l层模糊子模型的模糊规则数。
以下对步骤S11~步骤S13进行详细说明。
本发明通过以下技术方案实现的,采集一段时间内室内各工况下环境和人体变量数据建立模糊自适应模型,采用递阶的模型结构,以PMV值作为测度,基于先验知识,并综合考虑从影响热舒适度的全部因素,可以通过检测环境人体数据,反应当前室内的热舒适度情况。具体包括基于灵敏度分析的检测变量选取,基于先验知识的模糊规则关联挖掘与递阶结构的模糊自适应(ANFIS)模型建立三个步骤。其中以灵敏度分析方法选取检测变量,并结合先验知识提取模糊规则,建立递阶结构的室内热舒适度模糊自适应检测模型是本发明的创新之处。
步骤S11,采集室内环境参数和人体热平衡参数,以PMV值作为测度,定义测量各参数对于热舒适度的灵敏度,同时根据各参数的灵敏度选取检测变量。
PMV英文全称为Predicted Mean Vote,即预测平均投票数。PMV值是丹麦的范格尔(P.O.Fanger)教授提出的表征人体热反应(冷热感)的评价指标,代表了同一环境中大多数人的冷热感觉的平均。PMV值表示大多数人对热环境的平均投票值,其有七级感觉,即冷(-3)、凉(-2)、稍凉(-1)、中性(0)、稍暖(1)、暖(2)、热(3)。PMV=0时意味着室内热环境为最佳热舒适状态。ISO7730对PMV的推荐值为PMV值在=-0.5~+0.5之间。PMV指数可通过估算人体活动的新陈代谢率及服装的隔热值获得,同时还需有以下的环境参数:空气温度、平均辐射温度、相对空气流速及空气湿度。PMV指数是根据人体热平衡计算的。当人体内部产生的热等于在环境中散失的热量时,人处于热平衡状态。但是PMV-PPD的局限于人在稳定状态下的评价,且对人体的体温进行整体的描述,不够准确。
简单说步骤S11是基于灵敏度分析的检测变量选取:采集各工况下所有室内环境和人体数据,在此基础上,以PMV值作为测度,定义测量变量对于热舒适度的灵敏度,并通过对各变量的灵敏度进行分析,充分分析利用了数据的统计特性,选取合适的测量变量,作为检测变量。
1、人体变量可行性检测方案
针对人体新陈代谢率的检测,本实施例提出一种间接测量新陈代谢率的方法,可以将室内人员新陈代谢率的测量分为坐姿和运动两部分。
对于坐姿部分,通过对于当前房间内家居位置数据预先进行存储,相当于构建房间的基础结构图,再利用房间内的位置传感器,定位当前人员所在位置,并和家居位置进行比对,从而间接地判断当前人员的运动水平和新陈代谢率。对于运动部分,由于室内的运动绝大多数是低速的,则可以通过室内的速度测量装置测得当前人员的运动速度,并通过速度与新陈代谢率的近似拟合公式得到当前的新陈代谢值,公式如下:
M=30v+50;v≤3km/h。
针对服装热阻的检测,本发明利用上海地区服装热阻Icl与室内温度Ta的回归公式,通过检测室温间接得到服装热阻值,回归公式如下:
Icl=1,419-0.036Ta。
2、灵敏度分析
首先采集一段时间内n组室内各工况下环境和人体变量数据,定义影响室内热舒适度的六个因素为xp(p=1~6),并以PMV值作为室内热舒适度的测度,为了能够分析各个检测变量对于热舒适度的灵敏度,首先建立单层的T-S模糊系统,来表示各检测变量与室内热舒适度的关系,定义其输入输出关系如下:
y=f(x1,x2,x3,x4,x5,x6)
如果第p个输入变量有Mp个隶属度函数,则这个单层T-S模糊模型的总规则数为模型的后件形式为:
于是,模型的输出可表示为:
其中x7=1且 是第p个输入的隶属度函数,这里选择高斯函数作为隶属度函数
在此基础上,定义灵敏度为输入xp对于模型输出y的偏导,其式如下
其中:
这里取平方和开根号是为了避免了灵敏度因正负值带来的抵消,最终的灵敏度表达成一种相对的形式,这种形式有助于我们理解的更清晰:
其中Sp代表输入变量xp的相对灵敏度,Sp越大,表示xp对于PMV的影响越显著。根据灵敏度分析的结果,就可以据此选取合适的检测变量。
步骤S12,对各检测变量在其论域范围内分别设置符合其物理意义的划分,同时根据所述论域范围下的关联规则提取模糊规则。
1、基于先验知识的初始划分
本实施例在模糊划分时完全根据先验知识,对各个输入变量在其论域范围内分别设置符合其物理意义的划分。划分时的隶属度函数采用高斯函数并针对当前工况环境选取合适的高斯函数方差和中心使得能够符合当前工况环境下的先验知识。
2、模糊规则关联挖掘
由于递阶结构是由多个模糊子系统组成,并且每层之间存在着中间变量yl,考虑到这一点,以递阶结构中第一层T-S模糊子系统为例,模糊规则关联挖掘可以归纳如下:
Step1:假设X1=[x1,x2]=[Ta,Met](Ta代表室内温度,Met代表室内人员新陈代谢率)是第一个T-S模糊子系统的两个输入,y1是这一层的中间变量输出。
Step2:x1在其论域上被划分出5个模糊集,而x2则被划分出3个,中间变量yl则统一在论域上等分5块区域。
Step3:如图2至图4所示,对室内温度Ta(x1),室内人员新陈代谢率Met(x2),中间变量输出y1划分的空间依次编号。这样,数据集中的每一组输入输出数据都能根据隶属度的值判断所述模糊集,并映射到一条以数字表示的规则。例如,假设某一组输入样本为X=[x1,x2],x2=95,若x2被归入到第三个模糊集,这意味着将x2映射到数字3。依照这个方法,样本集中所有数据都可以被映射成一个数字,并形成一条由数字表示的规则。
Step4:用上一步得到的数字形式规则建立规则库R1,依次遍历库中规则,其中会有一些规则前件相同但后件不同,例如,r1 1=[1,2;4]和(r1 1,r2 1∈R1),很明显,从逻辑上说,同样的因不会推得不同的果,所以这些规则的后件是有冲突的,因此这里采用基于后件类序的方法,用代表ri 1这条规则出现的频次,如果那么就保留r1 1,而在规则库中删除r2 1这条冗余规则,这保证了规则库中剩余的规则不存在结论冲突。
Step5:在去除了冗余后的新规则库中,计算每一条规则的置信度公式如下
其中Ai代表规则前件部分,Bi代表规则后件部分,设置信度阈值为θ1,支持度阈值为θ2,如果并且则规则成立
Step6:.根据先验知识,补充那些符合实际工况但支持度小于θ2的规则,将这些规则添加入最终规则库,并定义在第一层子系统中的规则数为
同样,模糊规则提取的策略在递阶结构所有子系统中都适用,最终递阶结构模糊自适应模型的总规则数可表示为其中l表示递阶结构的总层数。
步骤S13,根据选取的检测变量和提取的模糊规则建立室内热舒适度的递阶结构模糊自适应模型,并对递阶结构模糊自适应模型中的每一层子模型采用神经网络进行训练,直到满足如下条件为止:
m为训练的次数,RMSEl(m)为经过m次训练后第l层子模型的均方根误差,RMSEl(m-1)为第m-1次训练后第l层子模型的均方根误差,εo为定义的阈值。
T-S递阶模糊结构最大的特点在于它能够在不改变模型输入输出变量以及变量模糊集个数的情况下,大幅减少规则数。假设模糊模型有n个输入变量,每个变量由m个隶属度函数组成,传统模糊结构中,模糊规则的总数将为mn,而在递阶结构中,整个系统的模糊规则数为(n-1)m2,此时,模糊规则数随输入变量个数n的增长呈线性关系,这大大减少了规则的数量。递阶结构模糊自适应模型的总模糊规则的数量可表示为其中l为递阶结构的层数下标,n-1为递阶结构模糊自适应模型的总层数,为第l层模糊子模型的模糊规则数。
在本发明中,由于采用递阶结构,初始模糊模型的辨识具有一定特点,在这里并不是利用全部检测变量作为离线训练的样本,而是针对于每个子层依次分别进行后件辨识与训练。对于第一层,训练样本为[X1;Y1]=[x1,x2;y],其后的层的训练样本则是[Xl;Yl]=[xl+1,yl-1;y],l=2,…,n-1。这样,从第一层开始,采用神经网络逐级辨识各模糊子系统的前后件参数,直到l=n-1。并定义阈值εo,当第m次训练后的均方根误差满足如下条件时,该层的训练停止,开始训练下一个子层。
本发明具有实质性特点和显著进步,与已有的室内热舒适度检测方法相比,本发明达到在提高检测精度同时,体现了模型的解释性和物理意义,同时给出了人体变量的可行性检测方案,大大提升了可检测的工况范围,并且该方法适合与预测控制策略衔接,有利于后续设计针对室内热舒适度的空气调节控制系统。
为更好地说明本发明的技术方案的有效性,下面结合实验过程来说明本方法的实施过程。将本发明中提出的方法及已有的对于室内热舒适度的检测方法进行比较,在一段时间内某一工况下,测得600组输入样本数据,分别采用现有方法和本发明提出的方法进行仿真,对当前室内环境下的热舒适度测度PMV值进行检测,仿真结果如图5和图6以及表1、表2和表3所示。
表1递阶结构各层规则数示意表
表2检测精度对比示意表
建模方法 | RMSE |
区间Ⅱ型T-S建模 | 0.051 |
区间Ⅱ型模糊神经网 | 0.100 |
神经网络 | 0.332 |
本发明的方法 | 0.0451 |
表3规则数对比示意表
建模方法 | RMSE | 规则数 |
已有的模糊模型 | 0.0462 | 38 |
本发明的方法 | 0.0451 | 23 |
从表1中可以明显的观察到,在第3层,子系统的RMSE显著下降,这也意味着建模可以到这一层为止。同时,结合图5和图6所示,引进递阶结构的方法,本发明提出的室内热舒适度检测模型的最终模糊规则只有23条,而模型的精度为ε=0.0451,并且误差的幅值也绝大多数限制在[-0.1~0.1]之间。通过表2的对比,更清晰的表明,经过递阶结构的改进后的模型,在保证了原检测模型精度的基础上,起到了大幅减少模糊规则的效果。
综上所述,本发明的一种用于室内热舒适度的检测方法,达到了以下有益效果:
本发明利用一段时间内室内环境采集的环境数据参数和人体变量数据建立模糊自适应模型,以PMV值作为测度,基于先验知识,并综合考虑从影响热舒适度的全部因素,能够达到更加及时准确地检测当前环境下热舒适度情况的目的,并且能够根据环境变化做出合理的调整,本发明同时结合递阶结构的模型改进方法,通过灵敏度分析和关联规则挖掘对模型进行简化,本发明的方法在降低模型复杂度和规则数方面效果明显,具有很强的实用性,并且,适合与预测控制策略衔接,有利于后续设计针对室内热舒适度的空气调节控制系统。所以本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (4)
1.一种用于室内热舒适度的检测方法,其特征在于,包括以下步骤:
采集室内环境参数和人体热平衡参数,以PMV值作为测度,定义测量各参数对于热舒适度的灵敏度,同时根据各参数的灵敏度选取检测变量;
对各检测变量在其论域范围内分别设置符合其物理意义的划分,同时根据所述论域范围下的关联规则提取模糊规则;
根据选取的检测变量和提取的模糊规则建立室内热舒适度的递阶结构模糊自适应模型,并对递阶结构模糊自适应模型中的每一层子模型采用神经网络进行训练,直到满足如下条件为止:
其中,m为训练的次数,RMSEl(m)为经过m次训练后第l层子模型的均方根误差,RMSEl(m-1)为第m-1次训练后第l层子模型的均方根误差,εo为定义的阈值。
2.根据权利要求1所述的用于室内热舒适度的检测方法,其特征在于,所述室内环境参数至少包括空气温度、平均辐射温度、相对空气流速及空气湿度;所述人体热平衡参数至少包括人体活动的新陈代谢率及服装的热阻值。
3.根据权利要求1所述的用于室内热舒适度的检测方法,其特征在于,定义测量各参数对于热舒适度的灵敏度具体为:
其中,Sp为第p个变量的相对灵敏度,Dp为第p个变量的灵敏度,N为样本集个数,p为输入变量个数,k为样本下标,y(k)为输出变量的第k个样本,xp(k)为第p个输入变量的第k个样本。
4.根据权利要求1所述的用于室内热舒适度的检测方法,其特征在于,递阶结构模糊自适应模型的总模糊规则的数量可表示为其中l为递阶结构的层数下标,n-1为递阶结构模糊自适应模型的总层数,为第l层模糊子模型的模糊规则数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510189743.2A CN106152387B (zh) | 2015-04-20 | 2015-04-20 | 一种用于室内热舒适度的检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510189743.2A CN106152387B (zh) | 2015-04-20 | 2015-04-20 | 一种用于室内热舒适度的检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106152387A CN106152387A (zh) | 2016-11-23 |
CN106152387B true CN106152387B (zh) | 2018-10-30 |
Family
ID=58058957
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510189743.2A Active CN106152387B (zh) | 2015-04-20 | 2015-04-20 | 一种用于室内热舒适度的检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106152387B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6940387B2 (ja) * | 2017-12-06 | 2021-09-29 | アズビル株式会社 | 温冷感申告情報処理装置および方法 |
CN108320061A (zh) * | 2018-03-20 | 2018-07-24 | 北京工业大学 | 一种基于神经网络的窗户状态预测方法及系统 |
CN110457184B (zh) * | 2018-05-07 | 2022-12-23 | 中国石油化工股份有限公司 | 基于时序波动关联的化工异常因果分析与图形展示方法 |
CN109857175B (zh) * | 2019-01-23 | 2020-11-03 | 南京邮电大学 | 一种非侵入式人体热舒适的ai感知方法 |
CN112947637B (zh) * | 2021-01-29 | 2022-06-24 | 阜阳小欧智能科技有限公司 | 一种办公环境智能调节系统 |
CN115978736B (zh) * | 2022-10-27 | 2023-10-20 | 洁禹通河北环保设备有限公司 | 一种地铁站空调系统自适应预测风水联动控制方法 |
CN115907191B (zh) * | 2022-12-08 | 2023-07-14 | 山东建筑大学 | 一种自适应建筑光伏表皮模型预测控制方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201126229Y (zh) * | 2007-10-29 | 2008-10-01 | 广州大学 | 自动换气空调设备的节能控制器 |
CN102680025A (zh) * | 2012-06-06 | 2012-09-19 | 安徽农业大学 | 一种室内热舒适度评价系统 |
CN103003637A (zh) * | 2010-05-12 | 2013-03-27 | 原子能及能源替代委员会 | 建筑物居住者的热舒适度个性化控制 |
CN104214888A (zh) * | 2013-06-05 | 2014-12-17 | 海尔集团公司 | 空调器及其温度控制方法、装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7809471B2 (en) * | 2005-02-02 | 2010-10-05 | Panasonic Electric Works Co., Ltd. | Environmental apparatus control system |
-
2015
- 2015-04-20 CN CN201510189743.2A patent/CN106152387B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201126229Y (zh) * | 2007-10-29 | 2008-10-01 | 广州大学 | 自动换气空调设备的节能控制器 |
CN103003637A (zh) * | 2010-05-12 | 2013-03-27 | 原子能及能源替代委员会 | 建筑物居住者的热舒适度个性化控制 |
CN102680025A (zh) * | 2012-06-06 | 2012-09-19 | 安徽农业大学 | 一种室内热舒适度评价系统 |
CN104214888A (zh) * | 2013-06-05 | 2014-12-17 | 海尔集团公司 | 空调器及其温度控制方法、装置 |
Also Published As
Publication number | Publication date |
---|---|
CN106152387A (zh) | 2016-11-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106152387B (zh) | 一种用于室内热舒适度的检测方法 | |
Aslam et al. | Energy-efficiency model for residential buildings using supervised machine learning algorithm | |
Wu et al. | Using an ensemble machine learning methodology-Bagging to predict occupants’ thermal comfort in buildings | |
CN107120782B (zh) | 一种基于多用户热舒适度数据的暖通系统控制方法 | |
Castilla et al. | Neural network and polynomial approximated thermal comfort models for HVAC systems | |
Liu et al. | A neural network evaluation model for individual thermal comfort | |
CN102563808B (zh) | 一种室内环境舒适度的自动控制方法 | |
CN103049612B (zh) | 一种基于模型降阶技术的建筑室内环境优化方法 | |
CN109145949A (zh) | 基于集成学习的非侵入式电力负荷监测与分解方法及系统 | |
CN106991504B (zh) | 基于分项计量时间序列的建筑能耗预测方法、系统及建筑物 | |
CN103379441B (zh) | 一种基于曲线拟合和位置搜索的室内定位方法 | |
CN112926795B (zh) | 一种基于sbo优化cnn的高层住宅建筑群热负荷预测方法及系统 | |
Scotton et al. | Physics-based modeling and identification for HVAC systems? | |
CN106052754B (zh) | 基于中国人热特性的热舒适仪及评价方法 | |
CN110298128B (zh) | 一种适应性热舒适预测模型构建方法 | |
Buratti et al. | Thermal comfort evaluation within non-residential environments: Development of Artificial Neural Network by using the adaptive approach data | |
CN106403162A (zh) | 一种局部热舒适控制方法、局部热舒适控制器及控制系统 | |
CN110991478B (zh) | 热舒适感模型建立方法和用户偏好温度的设定方法及系统 | |
Sun et al. | Energy consumption optimization of building air conditioning system via combining the parallel temporal convolutional neural network and adaptive opposition-learning chimp algorithm | |
CN109435630A (zh) | 一种基于人工神经网络算法的乘员舱温度控制方法 | |
TWI746087B (zh) | 空調系統控制方法 | |
Kumar et al. | Estimation of total energy load of building using artificial neural network | |
CN116007129B (zh) | 一种融合人热舒适度与检测数据的暖通空调故障诊断方法 | |
CN115310727B (zh) | 一种基于迁移学习的建筑冷热电负荷预测方法及系统 | |
Baniyounes et al. | Functions of fuzzy logic based controllers used in smart building |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |