CN107120782B - 一种基于多用户热舒适度数据的暖通系统控制方法 - Google Patents

Abstract

本发明提供一种基于多用户热舒适度数据的暖通系统控制方法，包括：根据用户反馈的当前季节信息、用户当前的活动状态以及热舒适度偏好获取用户热舒适度数据；根据用户热舒适度数据获取对应的用户热舒适度偏好曲线；根据用户热舒适度偏好曲线，分别获取偏冷、偏热和舒适三种类型的热舒适度概率分布曲线；根据每个用户的热舒适度概率曲线，获得在不同室内环境温度下多用户的热舒适概率分布曲线；将多用户的热舒适概率分布曲线中的舒适温度区间作为温度设定值的选取区间，并根供风量与温度设定值之间的对应关系获取被控热空间的最佳温度设定值。本发明有效地提高了室内人员的舒适度，同时实现节能减排的目标。

Description

一种基于多用户热舒适度数据的暖通系统控制方法

技术领域

本发明涉及智能控制技术领域，特别涉及暖通空调能耗智能优化技术领域，具体为一种基于多用户热舒适度数据的暖通系统控制方法。

背景技术

供暖、通风和空调系统(HVAC)在当代社会几乎是一个不可或缺的家用及商用电器，在人们越来越重视自身的生活质量和品质的今天，对我们的舒适感、健康、满意度和工作效率等方面都有莫大影响的暖通空调系统几乎已经完全融入到我们生活的时时刻刻。也正是因为它的不可或缺，美国能源署调查发现暖通系统的能耗占据了整个建筑物能耗的40％到60％。

同时，由于暖通空调系统自身的复杂非线性、时变、强耦合、强干扰和大时滞等特性，导致对其进行精确的建模和理想的最优控制往往显得力不从心。目前仍被广泛采用的人为设定值与PID控制方式在很多时候既无法使被控室内人员感到舒适，同时也使系统始终处于一种高能耗的状态之下。这也意味着针对暖通系统运行效率上的一点点提升，其所带来的能源利用率的提升都相当可观。在保证室内人员的最大舒适度同时使系统能耗降到最低这一看似矛盾的要求一直以来都是研究暖通系统控制问题的关键所在。

针对暖通空调系统的用户舒适度控制方法也主要分为两类，一类是基于PMV-PPD指标计算公式作为暖通空调控制目标和反馈测量标准，代替之前的温度控制方案。由于基于PMV的控制方法涉及到温度，湿度，风速等多种环境变量，于是很多的先进控制算法便派上用场，诸如模型预测控制，模糊控制以及遗传算法等都在暖通空调系统的控制中得到应用。然而，这类方法是对现有控制系统的完全颠覆，其在实用性和扩展性上差强人意，而且基于PMV计算指标本身也存在问题。PMV指标中的人体相关变量由于无法通过传感器直接测量获得，因而在应用时很多时候都被人为固定为经验值，失去了该指标的准确性。同时，热舒适本身又是一个与性别，年龄及所处地域环境等诸多复杂因素相关，因而根本不可能存在一个一劳永逸的精确计算热舒适度的标准。

因此，一种将用户融入到现有暖通空调控制循环之中，将每个不同个体的热舒适偏好信息作为驱动暖通空调控制的出发点，同时兼顾系统能耗最优的综合控制方式便显得尤为重要，在如今这样一个将每一名用户的个性化需求放大到很重要位置上的移动互联时代，针对每一个被控热空间中的个体的热偏好信息的学习都是秉持着一种以人为本的理念。更进一步，需要解决多人同处一个被控热空间的矛盾，我们的反馈检测标准必须是唯一的，因此我们的被控变量只能是整个热空间的温度设定值，换句话说我们也许无法让所有人都达到最大程度的舒适，但是需要寻找一种渠道学习到每个用户在不同室内环境下的不同舒适程度，从而也就能找到所有人都达到一定程度舒适的最优区间，正如PMV-PPD模型的核心思想——不同的PMV指标值对应着不同比例的人员感到舒适。最后，我们还需要考虑一种方案，使得该方法可以在现有已应用的暖通系统基础上进行简单的扩展便能得到应用和推广，不过度影响用户已经习惯的操作体验。

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基于多用户热舒适度数据的暖通系统控制方法，用于解决现有技术暖通空调控制中无法平衡多用户热舒适度的问题。

为实现上述目的及其他相关目的，本发明提供一种基于多用户热舒适度数据的暖通系统控制方法，包括以下步骤：根据用户反馈的当前季节信息、用户当前的活动状态以及热舒适度偏好获取用户热舒适度数据；根据获取的所述用户热舒适度数据获取对应的用户热舒适度偏好曲线；根据获取的所述用户热舒适度偏好曲线，分别获取偏冷、偏热和舒适三种类型的热舒适度概率分布曲线；根据每个用户的热舒适度概率曲线，在不同的室内温度环境情况下，获得在不同室内环境温度下多用户的热舒适概率分布曲线；将所述多用户的热舒适概率分布曲线中的舒适温度区间作为温度设定值的选取区间，并根供风量与温度设定值之间的对应关系获取被控热空间的最佳温度设定值。

于本发明的一实施例中，所述用户当前的活动状态包括高活动状态、中活动状态和低活动状态三个状态等级；所述热舒适度偏好通过滑动条的形式进行反馈。

于本发明的一实施例中，所述用户热舒适度偏好曲线获取中：采用以向量的欧式距离为依据的进化聚类方法对输入空间的数据进行在线聚类划分，确定聚类中心和半径，构建输入空间的模糊集合和模糊规则库，通过所述模糊集合和所述模糊规则库获取所述用户热舒适度偏好曲线。

于本发明的一实施例中，所述欧氏距离定义如下：其中，x和y表示空间中的两个点，||x-y||表示x与y的欧氏距离，q表示维数，x_i表示点y在第i维中的坐标，y_i表示点y在第i维中的坐标。

于本发明的一实施例中，将所述用户热舒适度偏好曲线的热感受指标值在(-0.5，+0.5)之间对应的温度值定为舒适，将热感受指标值小于-0.5时所对应的温度值定义为偏热，将热感受指标值大于+0.5时所对应的温度值定义为偏冷。

于本发明的一实施例中，所述多用户的热舒适概率分布曲线为：

其中，n表示一个热空间中用户的数量，C表示每个室内人员的偏冷，偏热，舒适三种舒适度感受模型中的“舒适”这一类别对应的模型，β表示该舒适模型的参数，S_th表示，T_in表示室内温度，Prob_agg是输出名称，j表示室内人员的数量。

于本发明的一实施例中，所述供风量与温度设定值之间的对应关系为：

其中，AF表示气体流量，q_s表示一个热空间中的各个房间的冷热负荷，T_set表示一个热空间的温度设定值，T_s表示固定供风温度值，p表示空气密度，c表示空气定压比热。

于本发明的一实施例中，所述最佳温度设定值为所述选取区间内AF的最小值。

如上所述，本发明的基于多用户热舒适度数据的暖通系统控制方法，具有以下有益效果：

本发明建立不同用户在不同室内温度环境下的舒适概率曲线，并在此基础上提出一种融合多人不同舒适模型得到总的舒适概率曲线，解决多人同处一个被控热空间中时的矛盾，获得被控热空间的最佳温度设定值，从而达到节省能耗同时满足用户的最大热分类舒适的目标，有效地提高了室内人员的舒适度，同时实现节能减排的目标，具有很强的实用性。

附图说明

图1显示为本发明的基于多用户热舒适度数据的暖通系统控制方法的流程示意图。

图2显示为本发明的基于多用户热舒适度数据的暖通系统控制方法中反馈用户热舒适度数据的用户交互界面示意图。

图3显示为本发明的基于多用户热舒适度数据的暖通系统控制方法中获取的获取用户热舒适度数据。

图4显示为本发明的基于多用户热舒适度数据的暖通系统控制方法中热舒适度概率分布曲线的示意图。

图5显示为本发明的基于多用户热舒适度数据的暖通系统控制方法中偏冷、偏热和舒适三种类型的分类示意图。

图6显示为本发明的基于多用户热舒适度数据的暖通系统控制方法中多用户的热舒适概率分布曲线的示意图。

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。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

本实施例的目的在于提供一种基于多用户热舒适度数据的暖通系统控制方法，用于解决现有技术暖通空调控制中无法平衡多用户热舒适度的问题。以下将详细阐述本实施例的一种基于多用户热舒适度数据的暖通系统控制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实施例的一种基于多用户热舒适度数据的暖通系统控制方法。

本实施例涉及数据驱动用户个性化热舒适偏好在线学习的智能算法技术领域，具体是融合了基于用户投票评价的方法获取数据的准确性和在线学习并计算整个热空间最佳温度设定值的方法的可扩展性这两个优势，通过设计友好简洁的用户交互方式获取不同用户在不同的室内热环境情况下的评价与偏好，结合传感器实时采集的环境数据信息，通过模糊推理和机器学习的方法自适应在线构建不同用户的个性化的热舒适模型，在此基础上进一步解决多人同处一个被控热空间中时的矛盾，通过求解以综合多人的热舒适概率曲线为约束条件的暖通空调能耗优化问题，获得被控热空间的最佳温度设定值，从而达到节省能耗同时满足用户的最大热舒适的目标。

进一步地，本实施例提出了一种基于多用户热舒适度数据的暖通系统控制方法，该方法利用全新设计的基于嵌入式开发板的用户交互界面获取用户个性化的热舒适相关数据，分别通过动态模糊推理方法和softmax回归的方法针对单用户和多用户情况进行热舒适学习与建模，并将学习到的热舒适模型融合到现有的暖通系统控制回路中，有效解决满足室内人员热舒适同时节省系统能耗的矛盾。本实施例的基于多用户热舒适度数据的暖通系统控制方法可以用于在办公室等场所智能学习用户的个性化热舒适偏好信息，并控制暖通系统以更节省能耗的方式运行，有效地提高了室内人员的舒适度，同时实现节能减排的目标，具有很强的实用性。

具体地，如图1所示，本实施例提供一种基于多用户热舒适度数据的暖通系统控制方法，所述基于多用户热舒适度数据的暖通系统控制方法包括以下步骤：

步骤S101，根据用户反馈的当前季节信息、用户当前的活动状态以及热舒适度偏好获取用户热舒适度数据。

步骤S102，根据获取的所述用户热舒适度数据获取对应的用户热舒适度偏好曲线。

步骤S103，根据获取的所述用户热舒适度偏好曲线，分别获取偏冷、偏热和舒适三种类型的热舒适度概率分布曲线。

步骤S104，根据每个用户的热舒适度概率曲线，在不同的室内温度环境情况下，获得在不同室内环境温度下多用户的热舒适概率分布曲线。

步骤S105，将所述多用户的热舒适概率分布曲线中的舒适温度区间作为温度设定值的选取区间，并根供风量与温度设定值之间的对应关系获取被控热空间的最佳温度设定值。

以下对本实施例的基于多用户热舒适度数据的暖通系统控制方法进行详细说明。

步骤S101，根据用户反馈的当前季节信息、用户当前的活动状态以及热舒适度偏好获取用户热舒适度数据。为实现步骤S101，基于嵌入式手持终端设计开发一种获取用户在不同室内环境下的热偏好信息数据，例如设计一种融合了用户对当前室内环境的感受、偏好和期望三种信息的交互界面及终端设备，实时获取用户个性化热舒适相关的数据。

于本实施例中，所述用户当前的活动状态包括高活动状态、中活动状态和低活动状态三个状态等级；所述热舒适度偏好通过滑动条的形式进行反馈。

其中，用户进行反馈的交互界面如图2所示。

用户进行反馈的交互界面主要有两个部分组成，其一是用于用户对当前室内环境进行投票的滑动条。该滑动条的作用便是上文提到的热感受尺度表(thermal sensationscale)，它将用户的投票对应到一个相应的具体数值上，以方便将其结合传感器数据用于后续用户的热舒适模型的学习中。其二便是用户当前的活动状态(分为高，中和低三种状态)和季节信息，由于此类信息决定了暖通空调的运行模式和用户较易改变的因素，为保证学习到的模型更广泛的适用场景，我们需要将这两种信息单独考虑，同时这两个变量也决定了用户的服装热阻cl和新陈代谢M的值，方便以后模型的进一步扩展。

滑块的设计符合前文要求的融合多种不同热感受评价尺度表方案的原则，滑块的中央表征舒适，也是滑块的初始状态。正如图中能看到在滑块上面有一行“我希望：”的文字，用户向左或向右移动滑块时，即表征他对当前室内环境感到不适，同时也表达了他希望此时温度变化的方向以及变化的程度，于是同时得到了该用户对当前环境的评价(即热感受尺度表的目标)和偏好(热偏好尺度表的目标)数据。同时，针对滑块所在位置的不同，也会相应分配一个-3至+3之间的一个数值(注：-3到+3的数值区间只是为了与ASHRAE标准相一致，其实该数值可任意指定)，本文中我们称之为热感受指标(TPI)，这个热感受指标数值即包含了该用户对当前环境的不舒适抱怨，同时也包含了对该不舒适感受的抱怨程度。比如当用户将滑块向右移至+1.5位置处，表明此刻他希望室内温度能够更高一些，也即他当前感受偏冷，这是一个冷抱怨数据点，当前环境中的温湿度数据值加上滑块位置信息，便能成为下一步学习建立该用户个性化热舒适偏好模型的依据。

还有一点值得注意的是，出于用户体验的考虑，需要尽量减少用户频繁交互的次数，这也意味着只有当用户感觉不舒适的时候才会有意愿去交互提交评价和偏好信息，因此便无法获得用户感到舒适时的数据。为此，考虑到常规空调控制系统的时滞时间，设计程序当用户距离上一次交互超过1小时仍未产生下一次交互，便认为此刻用户对当前环境感觉舒适的，系统将自动将对当前时刻采集数据并录入数据库。

步骤S102，根据获取的所述用户热舒适度数据获取对应的用户热舒适度偏好曲线。

于本实施例中，获取的获取用户热舒适度数据如图3所示。具体地，根据所获取的数据针对每一位单一用户通过动态进化模糊推理(DENFIS)方法预测该用户的热舒适偏好曲线。随着用户交互次数的增加，数据累积的增多，模型能越来越准确，最后能避免用户的更多的交互，从而达到提升用户体验和智能控制的目的，因此选用一种在线动态更新和自适应调整的动态进化神经模糊推理系统(DENFIS)的方法。

于本实施例中，所述用户热舒适度偏好曲线获取中：采用以向量的欧式距离为依据的进化聚类方法对输入空间的数据进行在线聚类划分，确定聚类中心和半径，构建输入空间的模糊集合和模糊规则库，通过所述模糊集合和所述模糊规则库获取所述用户热舒适度偏好曲线。

于本实施例中，进化聚类方法(ECM)是一种以向量的欧式距离为依据的聚类方法，所述欧氏距离定义如下：

其中，x和y表示空间中的两个点，||x-y||表示x与y的欧氏距离，q表示维数，x_i表示点y在第i维中的坐标，y_i表示点y在第i维中的坐标。

具体步骤如下所述：

1)利用以向量的欧式距离为依据的聚类方法--进化聚类方法(ECM)，从原始输入空间中划分数据集，所有的数据点都能在有限数量的类别中得到聚类，且所有点都距离该聚类中心的距离不大于用户设定的聚类半径的阈值。

2)利用上述聚类方法确定输入空间的聚类集合，我们便可以进一步建立模糊集合和模糊规则，其中模糊规则前件为用户对室内环境的热感受指标(TPI)，模糊规则的后件部分采用一阶线性函数f_i(x₁,x₂,x₃,...,x_q),i＝1,2,...,m，此处便是针对室内环境温度T_in的一阶函数，则模糊规则的表述如下：

●If TPI is R1,THEN y is f1(TPI)

●If TPI is R2,THEN y is f2(TPI)

●…

●If TPI is Rm,THEN y is fm(TPI)

●式中i＝1,2,...,m是不同的模糊集，由对应的模糊隶属度函数

j＝1,2,...,m定义，用于对输入变量进行模糊化，为方便起见，本算

法选用的模糊隶属度函数为三角函数，定义如下：

式中，b是输入空间中的聚类中心，且a＝b-d*D_thr,c＝b+d*D_thr,对于输入变量TPI。对于每一个输入变量TPI⁰，推理系统的输出为每个模糊规则后件输出的加权平均值：

式中，权重w_i是每个模糊规则的权重，该值等于每个输入对应的模糊规则前件中的模糊隶属度函数的值

3)模糊规则后件采用一阶Takagi-Sugeno模型，即后件输出：

y＝f(TPI)＝β₀+β₁·TPI

采用线性最小二乘发针对数据进行学习并修正输出模型的参数。

步骤S103，根据获取的所述用户热舒适度偏好曲线，分别获取偏冷、偏热和舒适三种类型的热舒适度概率分布曲线。基于每一个单一用户的热舒适概率分布曲线，如图4所示，通过softmax回归方法学习该用户的热舒适概率分布曲线，并在融合多个不同用户的舒适概率曲线得到整个被控热空间中所有用户的热舒适概率曲线。

于本实施例中，将所述用户热舒适度偏好曲线的TPI值在(-0.5，+0.5)之间对应的温度值定为舒适，将TPI值小于-0.5时所对应的温度值定义为偏热，将TPI值大于+0.5时所对应的温度值定义为偏冷。

具体地，根据每一位用户获取的热舒适偏好预测结果，将所有采集到的数据点转换成偏冷，偏热和舒适三种不同类型，采用softmax回归的方法分别得到三种类型的舒适度概率曲线。如图5所示，所有采集到的数据点转换成三种不同类型：偏冷，舒适和偏热。根据三种类型的分类数据，利用机器学习算法得到每个用户的三类不同类型的热舒适感受的概率分布曲线，得到舒适目标概率函数。

步骤S104，根据每个用户的热舒适度概率曲线，在不同的室内温度环境情况下，获得在不同室内环境温度下多用户的热舒适概率分布曲线。

将多个不同用户的舒适度概率曲线相融合，得到整体的舒适度概率分布曲线。在不同室内环境温度下，每个用户热舒适的程度和概率不同，我们的目标是想获得在何种温度区间内所有用户都舒适的概率和数量最大，则将所有人在不同温度上的舒适概率相加，其和值较大处对应的温度一定是绝大多数用户在该温度区间内感到舒适的概率都很大的情况。

具体地，于本实施例中，所述多用户的热舒适概率分布曲线为：

其中，n表示一个热空间中用户的数量，C表示每个室内人员的偏冷，偏热，舒适三种舒适度感受模型中的“舒适”这一类别对应的模型，β表示该舒适模型的参数，S_th表示，T_in表示室内温度，Prob_agg是输出名称(无意义)，j表示室内人员的数量。在横坐标不同的室内温度环境情况下，会将不同用户的热舒适概率值相加求和并除以所有求和结果中最大的值，以获得在所有不同室内环境温度下多用户的热舒适概率分布曲线。

基于每一个单一用户的热偏好预测曲线通过softmax回归方法学习该用户的热舒适概率分布曲线，并在融合多个不同用户的舒适概率曲线得到整个被控热空间中所有用户的热舒适概率曲线。其步骤如下：

1)在针对单个用户处理结果的基础上，对模型输出的预测曲线TPI取值在(-0.5,+0.5)之间对应的温度值定为舒适，而TPI值小于-0.5时所对应的温度值定义为偏热一类，同理将TPI值大于+0.5时所对应的温度值定义为偏冷一类。如此也能避免不同类型数据值之间存在重叠的现象，方便后面智能学习算法的应用。

2)采用多分类的逻辑回归模型，解决三分类的问题(偏冷，偏热和舒适)，对于训练集{(x¹,y¹),(x²,y²),...,(xⁿ,yⁿ)}，我们有yⁱ∈{1,2,3}，于是，不同的室内环境情况下用户不同的热舒适感受的概率分布P(S_th|T_in)，公式如下：

其中是模型参数，这一项是为了对概率分布进行归一化处理，使得所有概率之和等于1。

3)在获得了三种不同热舒适感受的分布类型和相应的样本数据之后，需要通过最大似然估计的方法训练得到模型参数,定义如下代价函数：

式中1{...}是示性函数，其取值规则为1{值为真的表达式}＝1，1{值为假的表达式}＝0，可以看出来softmax回归的代价函数是逻辑回归的代价函数的一种推广。使用迭代优化的最大似然估计算法，我们得到如下的梯度公式：

再使用上面介绍的迭代优化计算方法，便能实现一个可用的softmax回归模。

4)在每一个用户个性化热舒适偏好的基础上利用模糊控制中解模糊的思想，将每一个用户的舒适概率模型看作为一个模糊集，利用下式获得多用户的舒适模型：

式中，n代表一个热空间中有n个不同的用户，在横坐标不同的室内温度环境情况下，会将不同用户的热舒适概率值相加求和并除以所有求和结果中最大的值，以获得在所有不同室内环境温度下多用户的热舒适概率分布曲线，如图6所示。

步骤S105，将所述多用户的热舒适概率分布曲线中的舒适温度区间作为温度设定值的选取区间，并根供风量与温度设定值之间的对应关系获取被控热空间的最佳温度设定值。

于本实施例中，所述供风量与温度设定值之间的对应关系为：

其中，AF表示气体流量，q_s表示一个热空间中的各个房间的冷热负荷，T_set表示一个热空间的温度设定值，T_s表示固定供风温度值，p表示空气密度，c表示空气定压比热，其中，所述最佳温度设定值为所述选取区间内AF的最小值。

通过求解以综合多人的热舒适概率曲线为约束条件的暖通空调能耗优化问题，获得被控热空间的最佳温度设定值，从而达到节省能耗同时满足用户的最大热舒适的目标。结合VAV空调系统的设计和运行原理，将前文所获取的多用户舒适度温度区间作为约束条件，以供风量作为暖通系统能耗的指标，定义如下所示的带约束优化问题，将满足舒适度同时最小化能耗使用的多目标优化问题转化为单目标优化问题。由于该优化问题的目标函数的严格凸函数，而且约束变量中的用户舒适度区间是多人融合后的结果，所以能够保证该问题一定有唯一的最优解。

空调系统的核心部件是一套空气处理机组(AHU)，该系统通过调节风扇改变供风量来满足室内实时冷热负荷需求，因此，对于我们比较暖通空调能耗分析的目的来说，建立针对空气处理机的能耗模型便能满足要求。而要求将被控房间的温度设定点(set-point)作为被控变量建立能耗模型，变风量(VAV)空调能够与设定值建立直接联系的便只有送风量(air-flow rate)这一指标了，VAV系统的AHU运行能耗与送风量之间存在强烈的正相关性。暖通空调的能耗最优，便能转换成求在以舒适度为约束条件下的VAV空调的供风量最优，结合VAV空调系统的设计原理，得到如上供风量和温度设定值之间的关系。

1)根据暖通空调的运行原理和被控对象，寻求能耗最优能转换成一舒适度为约束条件的空调供风量的最优，结合VAV空调系统的设计原理，建立如下的供风量和温度设定值之间的关系：

式中，其中，AF表示气体流量，q_s表示一个热空间中的各个房间的冷热负荷，T_set表示一个热空间的温度设定值，T_s表示固定供风温度值，p表示空气密度，c表示空气定压比热，为计算方便，我们令p＝1.2，c＝1.01。

2)将保证室内人员舒适度同时使空调系统能耗最小的多目标优化问题转化为一个单目标优化问题，将1)中的系统能耗函数作为目标函数，将步骤3中学习到的多用户舒适度区间作为约束条件，建立如下的约束优化问题：

subject to:T_set∈(T_l,T_h)

AF≥AF_min

AF≤AF_max

其中，T_l表示舒适度区间温度的最低值，T_h表示舒适度区间温度的最高值，AF_min表示AF的最小值，AF_max示AF的最大值。

所以，本实施例中，将供风量和温度设定值之间的关系作为目标函数，通过建立一个带约束的最优化问题来确定最终的整个被控热空间的最佳温度设定值(set-point)，该优化方法将传统的暖通空调控制中的节能和舒适这样一个多目标的优化问题转化为一个单目标的数值优化求解问题。

由上可见，本实施例融合了基于用户投票评价的方法获取数据的准确性和在线学习并计算整个热空间最佳温度设定值的方法的可扩展性这两个优势，通过设计的友好简洁的用户交互方式获取不同用户在不同的室内热环境情况下的评价与偏好，通过将该界面部署在嵌入式开发板，实时采集用户的反馈数据并同时通过安装在开发板上的温度传感器采集的环境数据信息，再通模糊推理算法构建每个用户在不同热舒适感受情况下对应的温度情况，也即该用户的热舒适偏好模型，该模型可以很好地区分不同用户的偏好差异性并同时避免过拟合。接着在将每个单一用户的舒适偏好划分为舒适，偏冷和偏热三类，利用多分类机器学习的方法学习并建立不同用户在不同室内温度环境下的舒适概率曲线，并在此基础上提出一种融合多人不同舒适模型得到总的舒适概率曲线，解决多人同处一个被控热空间中时的矛盾。最后，通过求解以综合多人的热舒适概率曲线为约束条件的暖通空调能耗优化问题，获得被控热空间的最佳温度设定值，从而达到节省能耗同时满足用户的最大热分类舒适的目标，可以很好地提升空调室内人员的舒适性同时节省暖通系统的能耗。

综上所述，本发明建立不同用户在不同室内温度环境下的舒适概率曲线，并在此基础上提出一种融合多人不同舒适模型得到总的舒适概率曲线，解决多人同处一个被控热空间中时的矛盾，获得被控热空间的最佳温度设定值，从而达到节省能耗同时满足用户的最大热分类舒适的目标，有效地提高了室内人员的舒适度，同时实现节能减排的目标，具有很强的实用性。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 (8)

1.一种基于多用户热舒适度数据的暖通系统控制方法，其特征在于：包括以下步骤：

根据用户反馈的当前季节信息、用户当前的活动状态以及热舒适度偏好获取用户热舒适度数据；

根据获取的所述用户热舒适度数据获取对应的用户热舒适度偏好曲线；

根据获取的所述用户热舒适度偏好曲线，分别获取偏冷、偏热和舒适三种类型的热舒适度概率分布曲线；

根据每个用户的热舒适度概率曲线，在不同的室内温度环境情况下，获得在不同室内环境温度下多用户的热舒适概率分布曲线；

将所述多用户的热舒适概率分布曲线中的舒适温度区间作为温度设定值的选取区间，并根据供风量与温度设定值之间的对应关系获取被控热空间的最佳温度设定值。

2.根据权利要求1所述的基于多用户热舒适度数据的暖通系统控制方法，其特征在于：所述用户当前的活动状态包括高活动状态、中活动状态和低活动状态三个状态等级；所述热舒适度偏好通过滑动条的形式进行反馈。

3.根据权利要求1所述的基于多用户热舒适度数据的暖通系统控制方法，其特征在于：所述用户热舒适度偏好曲线获取中：采用以向量的欧氏距离为依据的进化聚类方法对输入空间的数据进行在线聚类划分，确定聚类中心和半径，构建输入空间的模糊集合和模糊规则库，通过所述模糊集合和所述模糊规则库获取所述用户热舒适度偏好曲线。

4.根据权利要求3所述的基于多用户热舒适度数据的暖通系统控制方法，其特征在于：所述欧氏距离定义如下：

其中，x和y表示空间中的两个点，||x-y||表示x与y的欧氏距离，q表示维数，x_i表示点y在第i维中的坐标，y_i表示点y在第i维中的坐标。

5.根据权利要求1所述的基于多用户热舒适度数据的暖通系统控制方法，其特征在于：将所述用户热舒适度偏好曲线的热感受指标值在(-0.5，+0.5)之间对应的温度值定为舒适，将热感受指标值小于-0.5时所对应的温度值定义为偏热，将热感受指标值大于+0.5时所对应的温度值定义为偏冷。

6.根据权利要求1所述的基于多用户热舒适度数据的暖通系统控制方法，其特征在于：所述多用户的热舒适概率分布曲线为：

其中，n表示一个热空间中用户的数量，C表示每个室内人员的偏冷，偏热，舒适三种舒适度感受模型中的“舒适”这一类别对应的模型，β表示该舒适模型的参数，S_th表示用户的热舒适感受，T_in表示室内温度，Prob_agg是输出名称，j表示室内人员的数量。

7.根据权利要求1所述的基于多用户热舒适度数据的暖通系统控制方法，其特征在于：所述供风量与温度设定值之间的对应关系为：

其中，AF表示气体流量，q_s表示一个热空间中的各个房间的冷热负荷，T_set表示一个热空间的温度设定值，T_s表示固定供风温度值，p表示空气密度，c表示空气定压比热。

8.根据权利要求7所述的基于多用户热舒适度数据的暖通系统控制方法，其特征在于：所述最佳温度设定值为所述选取区间内AF的最小值下对应的热空间的温度设定值；建立如下的约束优化问题：

T_set∈(T_l,T_h)

AF≥AF_min

AF≤AF_max

T_l表示舒适度区间温度的最低值，T_h表示舒适度区间温度的最高值，AF_min表示AF的最小值，AF_max表示AF的最大值。