CN107688698A - 一种建筑单元内温度传感器布置方法 - Google Patents
一种建筑单元内温度传感器布置方法 Download PDFInfo
- Publication number
- CN107688698A CN107688698A CN201710673603.1A CN201710673603A CN107688698A CN 107688698 A CN107688698 A CN 107688698A CN 201710673603 A CN201710673603 A CN 201710673603A CN 107688698 A CN107688698 A CN 107688698A
- Authority
- CN
- China
- Prior art keywords
- key position
- position point
- temperature sensor
- point
- building unit
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
Abstract
本发明涉及一种建筑单元内温度传感器布置方法。本发明包括使用软件模拟单元区域内空气温度梯度场;在空气温度梯度场上选择关键位置点;设定温度传感器的最大检测半径R;采用聚类分析方法将所有关键位置点分为m类,并使得第j类关键位置点集合Hj(hu,......,hv)与第j个温度传感器sj之间为多对1的关系,其中1≤j≤m;以温度传感器sj为中心,关键位置点集合Hj内所有关键位置点所围成的矩形边界宽度小于或等于R;最后输出温度传感器sj布置位置点的坐标(xsj,ysj)。本发明在减少温度传感器数目的同时能够合理的规划区域中各温度传感器的布置位置点,使得各温度传感器的效能得到很好的利用。
Description
技术领域
本发明属于建筑暖通技术领域,具体是涉及一种建筑单元内温度传感器布置方法。
背景技术
建筑单元内温度对于居住的舒适度有着非常重要的影响,获得单元内各空间点的温度分布可以为建筑的节能分析提供准确的数据支持。现有技术是通过在单元内设置多个温度传感器,来获取单元内各空间点的温度分布。其缺点在于:温度传感器的布置数量多,成本高;另外,温度传感器位置点布置不合理,导致比如存在温差梯度的空间点无法被检测到,即检测数据不能真实反应单元内温度分布情况。
发明内容
为了解决上述技术问题,本发明提供一种建筑单元内温度传感器布置方法。
为了实现本发明的目的,本发明采用了以下技术方案:
一种建筑单元内温度传感器布置方法,包括以下步骤:
S1、选择建筑单元内墙面区域,使用软件模拟出所述区域内空气温度梯度场;
S2、在所述空气温度梯度场上选择关键位置点;
S3、设定所述关键位置点集合H={h1(xh1,yh1),h2(xh2,yh2),......,hn(xhn,yhn)},其中(xhi,yhi)为第i个关键位置点hi位于笛卡尔坐标系内的坐标值,1≤i≤n;设定温度传感器的最大检测半径为R;
S4、采用聚类分析方法将所有关键位置点分为m类,其中第j类关键位置点集合记为Hj(hu,......,hv),1≤j≤m,使得集合Hj中的关键位置点个数与第j个温度传感器sj之间为多对1的关系;同时以所述温度传感器sj为中心,使所述集合Hj内所有关键位置点所围成的矩形边界宽度小于或等于R;
S5、最后获得最小数量的温度传感器集合S=(s1,s2,......,sm)以及温度传感器sj布置位置点的坐标(xsj,ysj)。
进一步,所述步骤S1中所述软件为AIRPAK软件。
进一步,所述步骤S2中关键位置点包括温度最高点、温度最低点、温度骤变点、等温线上斜率骤变点以及等温线密集点。
进一步,所述步骤S4中聚类分析方法包括以下计算步骤:
S4-1:将每个关键位置点单独记为一类,则第i个关键位置点hi对应的类记为Gi,计算每两个关键位置点之间的距离Dik并构成一个距离矩阵D0,所述Dik为第i个关键位置点hi与第k个关键位置点hk之间的距离,1≤k≤n;
所述矩阵
S4-2:找出所述矩阵D0中除对角线元素Dik以外的最小值元素并记为Dpq,所述Dpq为第p个关键位置点hp与第q个关键位置点hq之间的距离,所述对角线元素Dik中i=k;若Dpq小于或等于R,则将所述关键位置点hp与关键位置点hq合并为一个新类并记为Gr={Gp、Gq},并转至步骤S4-3;若Dpq大于R,则转至步骤S4-4;
S4-3:计算新类Gr以及未合并类中每两个类之间最近的关键位置点的距离,并构成一个新的矩阵D1,以此类推直到新的矩阵De中所有元素的值都大于R;
S4-4:最后将关键位置点分为了m类。
本发明的有益效果在于:
本发明首先对典型建筑单元单元区域进行模拟与数值分析,通过数值模拟获得房间内空气的温度梯度场特征,温度梯度场在对建筑单元的节能效果与舒适性进行分析与评价的同时,为温度传感器的优化布置提供了参考。本发明针对传感网络中温度传感器布置位置点的配置进行了优化设计,引入了基于阈值聚类算法对被检测点进行有效聚类。本发明在在减少传感器数目的同时能够合理的规划区域中各被监测点,使得各传感器节点的效能得到很好的利用。
附图说明
图1为建筑单元结构示意图。
图2为图1中建筑单元选定墙面的温度梯度场分布图。
图3为图2中温度梯度场中关键位置点分布图。
图4为传统最长矩形边二分法计算得到的关键位置点与温度传感器对应的矩形分布图。
图5为本发明优化后的关键位置点与温度传感器对应的矩形分布图。
具体实施方式
下面结合实施例对本发明技术方案做出更为具体的说明:
S1、选择墙面区域p×q,使用AIRPAK软件模拟所述区域内空气温度梯度场;
AIRPAK软件是面向工程师、建筑师和室内设计师的专业领域工程师的专业人工环境系统分析软件,特别是HVAC领域。它可以精确地模拟所研究对象内的空气流动、传热和污染等物理现象,它可以准确地模拟通风系统的空气流动、空气品质、传热、污染和舒适度等问题,并依照ISO7730标准提供舒适度、PMV、PPD等衡量室内空气质量(IAQ)的技术指标。从而减少设计成本,降低设计风险,缩短设计周期。Fluent Airpak3.0是目前国际上比较流行的商用CFD软件。
以图1所示的办公室为例,作为Airpak数值模拟对象,所述办公室区域3m×4.5m,其中,房间有窗户一个,在x=2.87m处有一块透明的玻璃隔板,房间内人员数量为两名,电脑两台,照明灯6盏,房间空调送风方式为上送下回,送风温度为18度,室外环境温度为36℃。
S2、在所述空气温度梯度场上选择关键位置点,所述关键位置点包括温度最高点、温度最低点、温度骤变点以及等温线上斜率骤变点;
通过Airpak数值模拟方法获得上述房间内各位置点的温度梯度场,如图2所示为图1所述建筑单元内其中一个墙面处的温度梯度场分布图。在这里我们选取对影响人体舒适度较大的全局温度最低点、全局温度最高点、温度骤变点、温度梯度场的等温线上斜率骤变点以及等温线密集点作为关键位置点。关键位置点位置选取如图3所示,其中,一个关键位置点对应于一个温度传感器检测点。
S3、设定所述关键位置点集合H={h1(xh1,yh1),h2(xh2,yh2),......,hn(xhn,yhn)},其中(xhi,yhi)为第i个关键位置点hi位于笛卡尔坐标系内的坐标值,1≤i≤n;设定温度传感器的最大检测半径为R;
S4、采用聚类分析方法将所有关键位置点分为m类,其中第j类关键位置点集合记为Hj(hu,......,hv),1≤j≤m,使得集合Hj中的关键位置点个数与第j个温度传感器sj之间为多对1的关系;同时以所述温度传感器sj为中心,使所述集合Hj内所有关键位置点所围成的矩形边界宽度小于或等于R;
从图3可以看出,有些关键位置点比较靠近,所以可以将关键位置点进行优化分配使得一个温度传感器能够监测多个关键位置点信息。关键位置点的优化分配的思路是将关键位置点进行优化组合分类,然后将这些优化后的组合分类分配给温度传感器,使得温度传感器尽可能多的检测到关键位置点,最终目的是实现最少传感器布置,即温度传感器优化分配问题。
所述步骤S4中聚类分析方法具体包括以下计算步骤:
S4-1:将每个关键位置点单独记为一类,则第i个关键位置点hi对应的类记为Gi,计算每两个关键位置点之间的距离Dik并构成一个距离矩阵D0,所述Dik为第i个关键位置点hi与第k个关键位置点hk之间的距离,1≤k≤n;
所述矩阵
S4-2:找出所述矩阵D0中除对角线元素Dik以外的最小值元素并记为Dpq,所述Dpq为第p个关键位置点hp与第q个关键位置点hq之间的距离,所述对角线元素Dij中i=k;若Dpq小于或等于R,则将所述关键位置点hp与关键位置点hq合并为一个新类并记为Gr={Gp、Gq},并转至步骤S4-3;若Dpq大于R,则转至步骤S4-4;
由于矩阵D0中对角线处的元素Dik中i=k,所以Dik=0,因此在进行聚类时需要将其除去;
S4-3:计算新类Gr以及其他类中每两个类之间最近的关键位置点的距离,并构成一个新的矩阵D1,以此类推直到新的矩阵De中所有元素的值都大于R;
S4-4:最后将关键位置点分为了m类。
S5、最后输出最小数量的温度传感器集合S=(s1,s2,......,sm)以及温度传感器sj布置位置点的坐标(xsj,ysj),其中1≤j≤m。
例如,选择墙面区域6.5m*4.0m,温度传感器的检测半径设定为1.0m,关键位置点数目选定为70个,通过传统的二分法计算获得的关键位置点与温度传感器对应的矩形分布图如图4所示;
而通过本发明方法计算得到的关键位置点与温度传感器对应的矩形分布图如图5所示。
从图4、5中温度传感器分布节点来看,本发明温度传感器布置策略在相同的检测范围和相同的关键点数目的情况下,在控制传感器检测节点的数量上都优于原算法。同时,由于采用聚类分析法对关键点进行有效的聚类,所以能够平衡各检测点温度传感器的工作强度,能够使其有效的发挥效能。
Claims (4)
1.一种建筑单元内温度传感器布置方法,其特征在于,包括以下步骤:
S1、选择建筑单元内墙面区域,使用软件模拟出所述区域内空气温度梯度场;
S2、在所述空气温度梯度场上选择关键位置点;
S3、设定所述关键位置点集合H={h1(xh1,yh1),h2(xh2,yh2),......,hn(xhn,yhn)},其中(xhi,yhi)为第i个关键位置点hi位于笛卡尔坐标系内的坐标值,1≤i≤n;设定温度传感器的最大检测半径为R;
S4、采用聚类分析方法将所有关键位置点分为m类,其中第j类关键位置点集合记为Hj(hu,......,hv),1≤j≤m,使得集合Hj中的关键位置点个数与第j个温度传感器sj之间为多对1的关系;同时以所述温度传感器sj为中心,使所述集合Hj内所有关键位置点所围成的矩形边界宽度小于或等于R;
S5、最后获得最小数量的温度传感器集合S=(s1,s2,......,sm)以及温度传感器sj布置位置点的坐标(xsj,ysj)。
2.如权利要求1所述的建筑单元内温度传感器布置方法,其特征在于:所述步骤S1中所述软件为AIRPAK软件。
3.如权利要求1所述的建筑单元内温度传感器布置方法,其特征在于:所述步骤S2中关键位置点包括温度最高点、温度最低点、温度骤变点、等温线上斜率骤变点以及等温线密集点。
4.如权利要求1所述的建筑单元内温度传感器布置方法,其特征在于:所述步骤S4中聚类分析方法包括以下计算步骤:
S4-1:将每个关键位置点单独记为一类,则第i个关键位置点hi对应的类记为Gi,计算每两个关键位置点之间的距离Dik并构成一个距离矩阵D0,所述Dik为第i个关键位置点hi与第k个关键位置点hk之间的距离,1≤k≤n;
所述矩阵
S4-2:找出所述矩阵D0中除对角线元素Dik以外的最小值元素并记为Dpq,所述Dpq为第p个关键位置点hp与第q个关键位置点hq之间的距离,所述对角线元素Dik中i=k;若Dpq小于或等于R,则将所述关键位置点hp与关键位置点hq合并为一个新类并记为Gr={Gp、Gq},并转至步骤S4-3;若Dpq大于R,则转至步骤S4-4;
S4-3:计算新类Gr以及未合并类中每两个类之间最近的关键位置点的距离,并构成一个新的矩阵D1,以此类推直到新的矩阵De中所有元素的值都大于R;
S4-4:最后将关键位置点分为了m类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710673603.1A CN107688698A (zh) | 2017-08-09 | 2017-08-09 | 一种建筑单元内温度传感器布置方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710673603.1A CN107688698A (zh) | 2017-08-09 | 2017-08-09 | 一种建筑单元内温度传感器布置方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107688698A true CN107688698A (zh) | 2018-02-13 |
Family
ID=61153181
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710673603.1A Pending CN107688698A (zh) | 2017-08-09 | 2017-08-09 | 一种建筑单元内温度传感器布置方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107688698A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110081993A (zh) * | 2019-04-23 | 2019-08-02 | 西安理工大学 | 一种空间温度可视化监测系统及其构建方法 |
CN110784838B (zh) * | 2019-09-20 | 2021-02-09 | 重庆大学 | 一种基于能量节点的无线传感网络节点部署方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104809317A (zh) * | 2015-05-19 | 2015-07-29 | 武汉理工大学 | 基于聚类分析桥架类起重机整机载荷谱编制方法 |
CN107357970A (zh) * | 2017-06-23 | 2017-11-17 | 清华大学 | 基于数据挖掘的建筑信息模型异常元素检测装置和方法 |
CN110721756A (zh) * | 2019-11-20 | 2020-01-24 | 吉林大学 | 具备温度梯度场的高速旋转实验台及其控制方法 |
-
2017
- 2017-08-09 CN CN201710673603.1A patent/CN107688698A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104809317A (zh) * | 2015-05-19 | 2015-07-29 | 武汉理工大学 | 基于聚类分析桥架类起重机整机载荷谱编制方法 |
CN107357970A (zh) * | 2017-06-23 | 2017-11-17 | 清华大学 | 基于数据挖掘的建筑信息模型异常元素检测装置和方法 |
CN110721756A (zh) * | 2019-11-20 | 2020-01-24 | 吉林大学 | 具备温度梯度场的高速旋转实验台及其控制方法 |
Non-Patent Citations (1)
Title |
---|
何正亚: ""面向SEEE模型的信息采集系统构建与传感器优化布置研究"", 《中国优秀硕士学位论文(电子期刊)信息科技辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110081993A (zh) * | 2019-04-23 | 2019-08-02 | 西安理工大学 | 一种空间温度可视化监测系统及其构建方法 |
CN110784838B (zh) * | 2019-09-20 | 2021-02-09 | 重庆大学 | 一种基于能量节点的无线传感网络节点部署方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Advances in building simulation and computational techniques: A review between 1987 and 2014 | |
Liu et al. | Field measurement and numerical simulation of combined solar heating operation modes for domestic buildings based on the Qinghai–Tibetan plateau case | |
Benni et al. | Efficacy of greenhouse natural ventilation: Environmental monitoring and CFD simulations of a study case | |
Yang et al. | The coupled effects of personalized occupancy profile based HVAC schedules and room reassignment on building energy use | |
Pfafferott et al. | Design, monitoring and evaluation of a low energy office building with passive cooling by night ventilation | |
Sangogboye et al. | Performance comparison of occupancy count estimation and prediction with common versus dedicated sensors for building model predictive control | |
Mosteiro-Romero et al. | An integrated microclimate-energy demand simulation method for the assessment of urban districts | |
CN102967478A (zh) | 一种焓差实验室 | |
Wang et al. | From simulation to data-driven approach: A framework of integrating urban morphology to low-energy urban design | |
Liu et al. | Coupled simulation of natural ventilation and daylighting for a residential community design | |
Cheng et al. | A virtual sensor simulation system of a flower greenhouse coupled with a new temperature microclimate model using three-dimensional CFD | |
CN111310257A (zh) | 一种bim环境下的区域建筑能耗预测方法 | |
KR20120117395A (ko) | 에뮬레이션 기법을 이용한 건물 외피 에너지 성능 평가 및 첨단 제어 방법 | |
CN107688698A (zh) | 一种建筑单元内温度传感器布置方法 | |
CN1971268A (zh) | 一种在室内空调环境中的人体舒适度评价方法 | |
Hassan | UMC-based models: an integrating UMC performance analysis and numerical methods | |
Ghanta et al. | Comfort control and improved thermostat location in conference rooms and academic working spaces | |
Belhadj et al. | LabVIEW based real time Monitoring of HVAC System for Residential Load | |
Kciuk et al. | Design and modeling of intelligent building office and thermal comfort based on probabilistic neural network | |
Al-Tamimi | Impact of building envelope modifications on the thermal performance of glazed high-rise residential buildings in the tropics | |
CN112365082A (zh) | 一种基于机器学习的公共能源消耗预测方法 | |
CN107544375A (zh) | 一种家用住宅空气品质控制策略分析系统 | |
Baranyai et al. | Planning and research of smart buildings and constructions with the ‘Energydesign Roadmap’method | |
Zhang et al. | Thermal comfort modeling of office buildings based on improved random forest algorithm | |
Utami et al. | Optimal thermal sensors placement based on indoor thermal environment characterization by using CFD model |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180213 |