CN110186170B - 热舒适度指标pmv控制方法及设备 - Google Patents
热舒适度指标pmv控制方法及设备 Download PDFInfo
- Publication number
- CN110186170B CN110186170B CN201910534608.5A CN201910534608A CN110186170B CN 110186170 B CN110186170 B CN 110186170B CN 201910534608 A CN201910534608 A CN 201910534608A CN 110186170 B CN110186170 B CN 110186170B
- Authority
- CN
- China
- Prior art keywords
- thermal comfort
- value
- target
- comfort index
- current
- 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
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000010438 heat treatment Methods 0.000 claims abstract description 18
- 238000005057 refrigeration Methods 0.000 claims abstract description 14
- 239000002245 particle Substances 0.000 claims description 28
- 238000005457 optimization Methods 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 19
- 230000007613 environmental effect Effects 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 230000003044 adaptive effect Effects 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 230000005855 radiation Effects 0.000 claims description 9
- 238000001816 cooling Methods 0.000 claims description 8
- 230000037323 metabolic rate Effects 0.000 claims description 7
- 238000012546 transfer Methods 0.000 claims description 7
- 230000017525 heat dissipation Effects 0.000 claims description 5
- 230000005484 gravity Effects 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 230000000875 corresponding effect Effects 0.000 description 28
- 238000005265 energy consumption Methods 0.000 description 17
- 230000008859 change Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 230000001276 controlling effect Effects 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 6
- 238000009423 ventilation Methods 0.000 description 5
- 230000033228 biological regulation Effects 0.000 description 4
- 238000011217 control strategy Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000036541 health Effects 0.000 description 4
- 238000004378 air conditioning Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000035790 physiological processes and functions Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000007180 physiological regulation Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
- F24F11/63—Electronic processing
- F24F11/64—Electronic processing using pre-stored data
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
- F24F11/63—Electronic processing
- F24F11/65—Electronic processing for selecting an operating mode
- F24F11/67—Switching between heating and cooling modes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Fuzzy Systems (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本申请公开了一种热舒适度指标PMV控制方法及设备。本方案中,通过预先训练的基于PSOGSA‑FNN的热舒适度指标PMV实时预测模型进行热舒适度指标PMV的预测,预测结果非常准确,基于这一准确的预测结果,为制冷模式和制热模式分别设定了目标区间,基于目标区间的范围进行控制,如此,可以使得热舒适度指标PMV在一个目标区间内动态变化,实现了热舒适度指标PMV准确的动态调控,能够满足多人的舒适度需求。
Description
技术领域
本申请涉及热舒适度控制技术领域,尤其涉及一种热舒适度指标预测平均投票(Predicted Mean Vote,PMV)控制方法及设备。
背景技术
室内热湿环境指的是人们最直观感觉到的室内温度和相对湿度形成的物理环境,将人们对室内热湿环境的感觉称之为室内热湿环境热舒适度(简称热舒适度),对热舒适度的量化标准称为热舒适指标。国际标准化组织(International Organization forStandardization,ISO)7730标准中,规定了舒适度PMV,主要包括六个影响因素:环境因素:室内环境温度、相对湿度、空气流速、平均辐射温度,非环境因素:人体服装热阻和新陈代谢率。
相关技术中,通过热舒适度指标PMV方程计算PMV值,但是由于热舒适度指标PMV方程计算本身存在的复杂性、非线性和时滞性,导致无法进行准确的评估,进而导致无法对热舒适度指标PMV进行准确的控制,合理满足人们的热舒适度需求。
发明内容
本申请的目的是提供一种热舒适度指标PMV控制方法及设备,以解决相关技术中无法对热舒适度指标PMV进行准确的控制的问题。
本申请的目的是通过以下技术方案实现的:
一种热舒适度指标PMV控制方法,包括:
确定当前室内环境的目标受控设备的工作模式;所述工作模式包括制冷模式或者制热模式;
实时获取预先训练的基于PSOGSA-FNN的热舒适度指标PMV实时预测模型的输入参数,并将实时获取的所述输入参数输入所述热舒适度指标PMV实时预测模型,得到所述热舒适度指标PMV的预测值;所述输入参数包括设定的当前室内非环境因素的参数值和采集的当前室内环境因素的参数值;
若所述工作模式包括制冷模式,获取所述热舒适度指标PMV的预设的第一目标区间及当前的第一目标值,将所述预测值分别与所述第一目标区间的上限、下限进行比较,若所述预测值大于所述第一目标区间的上限,获取所述当前的第一目标值对应的第一最优控制参数,确定按照所述第一最优控制参数控制所述目标受控设备制冷,若所述预测值小于所述第一目标区间的下限,确定所述目标受控设备待机;
若所述工作模式包括制热模式,获取所述热舒适度指标PMV的预设的第二目标区间及当前的第二目标值,将所述预测值分别与所述第二目标区间的上限、下限进行比较,若所述预测值小于所述第二目标区间的下限,获取所述当前的第二目标值对应的第二最优控制参数,确定按照所述第二最优控制参数控制所述目标受控设备制热,若所述预测值大于所述第二目标区间的上限,确定所述目标受控设备待机。
可选的,还包括:
采用预先建立的优化模型,计算所述当前的第一目标值对应的第一最优控制参数;
或者,采用预先建立的优化模型,计算所述当前的第二目标值对应的第二最优控制参数。
可选的,所述设定的当前室内非环境因素的参数值包括:人体服装热阻和新陈代谢率;
所述采集的当前室内环境因素的参数值包括室内环境温度、相对湿度、空气流速、平均辐射温度。
可选的,所述第一最优控制参数和所述第二最优控制参数均为最优温度参数。
可选的,当前室内环境的设备包括加湿器和空调;所述空调为所述当前室内环境的目标受控设备;所述优化模型包括:
其中,minf(x)表示目标函数f(x)的最小值,PMV(x)表示热舒适度指标PMV的预测值,Ph表示当前室内加湿器额定功率,M表示摩尔质量,H表示当前室内相对湿度,R表示气体常数,m表示当前室内加湿器额定加湿量,Tj表示当前室内温度,T0为温度常量,m0表示当前室内水蒸气含量,Qa表示空调制热功率,Qv表示当前室内空调制热量,Qe表示电子设备散热,si表示墙体面积,ki表示墙面传热系数,Tis表示墙表面温度,n表示墙体数目,i表示第i面墙体,ρ表示当前室内气流密度,C表示空气比热容,V表示室内体积,PMV*表示热舒适度指标PMV的目标值,v表示空气流速,s.t.表示约束条件,Tmin表示约束条件中的Tj的最小值,Tmax表示约束条件中的Tj的最大值,Hmin表示约束条件中的H的最小值,Hmax表示约束条件中的H的最大值,vmin表示约束条件中的v的最小值,vmax表示约束条件中的v的最大值。
可选的,所述第一目标区间属于区间[0,0.5],和/或,第二目标区间属于区间[-0.5,0]。
可选的,所述第一目标区间为[0,0.5],和/或,第二目标区间为[-0.5,0]。
可选的,所述热舒适度指标PMV实时预测模型为PSOGSA-FNN模型,包括FNN模型和PSOGSA算法模型;所述热舒适度指标PMV实时预测模型的训练过程包括:
将训练样本输入预先构建的FNN模型,根据当前所述FNN模型的权值、阈值,计算所述FNN模型的各隐含层和输出层的输出值;计算各隐含层和输出层的输出值与期望输出值的偏差;
判断是否训练完毕,若未训练完毕,将所述各隐含层和输出层的输出值和所述偏差输入所述PSOGSA算法模型,根据所述PSOGSA算法模型的输出值更新当前所述FNN模型的权值、阈值,重新将训练样本输入所述FNN模型。
可选的,所述将所述各隐含层和输出层的输出值和所述偏差输入所述PSOGSA算法模型,根据所述PSOGSA算法模型的输出值更新当前所述FNN模型的权值、阈值,包括:
根据所述各隐含层和输出层的输出值和所述偏差,初始化粒子群;
计算出每个粒子的适应值;
比较各粒子适应值,取最小为最优,对应位置为全局最优;
更新引力系数、粒子的惯性质量;
计算粒子的加速度和速度,更新粒子的位置;
判断是否达到预设标准;
若是,输出更新的粒子的位置,根据更新的粒子的位置,更新所述FNN模型的权值、阈值;
否则,返回计算每个粒子的适应值的步骤。
一种热舒适度指标PMV控制设备,包括:
处理器,以及与所述处理器相连接的存储器;
所述处理器用于调用并执行所述存储器中的计算机程序,以执行如以上任一项所述的热舒适度指标PMV控制方法。
本申请采用以上技术方案,具有如下有益效果:
本申请的方案中,通过预先训练的基于PSOGSA-FNN的热舒适度指标PMV实时预测模型进行热舒适度指标PMV的预测,预测结果非常准确,基于这一准确的预测结果,为制冷模式和制热模式分别设定了目标区间,基于目标区间的范围进行控制,在制冷模式下,若预测值大于第一目标区间的上限,获取当前的第一目标值对应的第一最优控制参数,确定按照第一最优控制参数控制目标受控设备制冷,若预测值小于第一目标区间的下限,确定目标受控设备待机,室内环境与外界环境经过热传递,热舒适度指标PMV发生变化,若预测值再次大于第一目标区间的上限,再控制设备进行制冷,在制热模式下,若预测值小于第二目标区间的下限,获取当前的第二目标值对应的第二最优控制参数,确定按照第二最优控制参数控制目标受控设备制热,若预测值大于第二目标区间的上限,确定目标受控设备待机,室内环境与外界环境经过热传递,热舒适度指标PMV发生变化,若预测值再次小于第二目标区间的下限,再控制设备进行制热,如此,可以使得热舒适度指标PMV在一个目标区间内动态变化,实现了热舒适度指标PMV的准确的动态调控,能够满足多人的舒适度需求。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请一个实施例提供的一种热舒适度指标PMV控制方法流程图;
图2为本申请另一个实施例提供的利用仿真软件得到夏季工况热舒适度指标PMV的变化图;
图3为本申请另一个实施例提供的三种预测模型在样本数据做训练时得到MSE随迭代次数收敛的曲线。
图4为本申请另一个实施例提供的一种热舒适度指标PMV控制方法流程图;
图5为本申请另一个实施例提供的白天自然通风状态下室内的温湿度变化;
图6为本申请另一个实施例提供的对图5自然通风状态下室内环境参数计算得到的PMV变化曲线;
图7为本申请另一个实施例提供的能耗计算示意图;
图8为本申请另一个实施例提供的实时温度和相对湿度数据;
图9为本申请另一个实施例提供的PMV控制曲线;
图10为本申请一个实施例提供的一种热舒适度指标PMV控制装置结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将对本申请的技术方案进行详细的描述。显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式,都属于本申请所保护的范围。
实施例
参见图1,图1为本申请一个实施例提供的一种热舒适度指标PMV控制方法流程图。
如图1所示,本实施例提供的一种热舒适度指标PMV控制方法,至少包括如下步骤:
步骤11、确定当前室内环境的目标受控设备的工作模式;工作模式包括制冷模式或者制热模式。
步骤12、实时获取预先训练的基于PSOGSA-FNN的热舒适度指标PMV实时预测模型的输入参数,并将实时获取的输入参数输入热舒适度指标PMV实时预测模型,得到热舒适度指标PMV的预测值;输入参数包括设定的当前室内非环境因素的参数值和采集的当前室内环境因素的参数值。
其中,设定的当前室内非环境因素的参数值包括:人体服装热阻和新陈代谢率;采集的当前室内环境因素的参数值包括室内环境温度、相对湿度、空气流速、平均辐射温度。
步骤13、若工作模式包括制冷模式,获取热舒适度指标PMV的预设的第一目标区间及当前的第一目标值,将预测值分别与第一目标区间的上限、下限进行比较,若预测值大于第一目标区间的上限,获取当前的第一目标值对应的第一最优控制参数,确定按照第一最优控制参数控制目标受控设备制冷,若预测值小于第一目标区间的下限,确定目标受控设备待机。
步骤14、若工作模式包括制热模式,获取热舒适度指标PMV的预设的第二目标区间及当前的第二目标值,将预测值分别与第二目标区间的上限、下限进行比较,若预测值小于第二目标区间的下限,获取当前的第二目标值对应的第二最优控制参数,确定按照第二最优控制参数控制目标受控设备制热,若预测值大于第二目标区间的上限,确定目标受控设备待机。
本申请的方案中,通过预先训练的基于PSOGSA-FNN的热舒适度指标PMV实时预测模型进行热舒适度指标PMV的预测,预测结果非常准确,基于这一准确的预测结果,为制冷模式和制热模式分别设定了目标区间,基于目标区间的范围进行控制,在制冷模式下,若预测值大于第一目标区间的上限,获取当前的第一目标值对应的第一最优控制参数,确定按照第一最优控制参数控制目标受控设备制冷,若预测值小于第一目标区间的下限,确定目标受控设备待机,室内环境与外界环境经过热传递,热舒适度指标PMV发生变化,若预测值再次大于第一目标区间的上限,再控制设备进行制冷,在制热模式下,若预测值小于第二目标区间的下限,获取当前的第二目标值对应的第二最优控制参数,确定按照第二最优控制参数控制目标受控设备制热,若预测值大于第二目标区间的上限,确定目标受控设备待机,室内环境与外界环境经过热传递,热舒适度指标PMV发生变化,若预测值再次小于第二目标区间的下限,再控制设备进行制热,如此,可以使得热舒适度指标PMV在一个目标区间内动态变化,实现了热舒适度指标PMV的准确的动态调控,能够满足多人的舒适度需求。
相关技术中,绝大多数方案中采用的是设备定温控制方式,随着人们对室内舒适性需求的不断提高,以温度为控制变量的控制方式已无法满足人们的需求,本申请的方案中,采用对热舒适度指标PMV进行控制的方案,更能满足人们的热舒适度需求。
一般,认为热舒适度指标PMV为0是最舒适的值,热舒适度指标PMV大于0时感觉偏冷,热舒适度指标PMV小于0时感觉偏热。实际应用中,就算控制到热舒适度指标PMV为0,仍然会有一小部分人觉得不舒适,而且始终以热舒适度指标PMV为0为目标的高标准的控制方式一定会存在能耗大的问题,还有这种高标准的控制方式,导致夏天室内外环境中存在较大的温度差,特别是在一天当中室外温度最高的时刻,这种温度差造成两种环境的热冲击格外的明显,这样将严重影响到人们从室内环境到室外环境后一段时间内的人体生理机能,极不利于身体健康;并且长时间处于稳态环境下,人体的生理调节能力会变弱,一定程度上也不利于人体健康,而且人体生理学研究表明,人体对短时间内的稍冷和稍热都不会存在明显的不舒适感觉。因此在室内环境舒适度的控制上采用热舒适度指标PMV目标区间的控制策略,在这种策略下室内环境在满足人体舒适性要求的同时尽可能的跟自然环境相似,也就更有利于人体健康。
实施中,采用预先建立的优化模型,计算当前的第一目标值对应的第一最优控制参数。当然,还可以采用预先建立的优化模型,计算当前的第二目标值对应的第二最优控制参数。
发明人经过研究发现:一、室内环境中的温度和相对湿度同室内热舒适指标PMV呈正相关,且相较于相对湿度,温度对热舒适度指标PMV的影响更为显著;随室内温度的升高,相对湿度越高,热舒适度指标PMV曲线的增幅有稍微增大;而随着相对湿度的增大,温度的高低不影响热舒适度指标PMV曲线的增幅;室内环境舒适度的调节中,充分考虑到在适宜相对湿度的前提下,室内温度应该作为调节热舒适度指标PMV的主要因素,也可称为温度动态化。二、室内空气流速和室内热舒适度指标PMV呈负相关,也可以称为风速动态化,但随着空气流速的增大对热舒适度指标PMV的影响越小;比较室内温度、相对湿度与空气流速相互组合对热舒适度指标PMV的影响,得出温度与空气流速的配合对热舒适度指标PMV的影响更大。
由于在同一舒适度的环境中,影响热舒适度指标PMV的不同参数组合所对应的室内能耗并不相同,因此为了做到对热舒适度指标PMV可控影响因素有效调节的同时,考虑到室内能耗最低,可以建立基于室内人体舒适度的参数优化模型,对模型的推导过程做以下详细的描述。
一、相对湿度模型
假设在一个室内环境,加湿器单位时间内湿度的增加量是恒定的,加湿器造成的电能负荷Qh为:
其中,M表示摩尔质量,Ph表示当前室内加湿器额定功率,M表示摩尔质量,H表示当前室内相对湿度,V表示室内体积,R表示气体常数,m表示当前室内加湿器额定加湿量,Tj表示当前室内温度,m0表示当前室内水蒸气含量。
二、室内温度模型
结合实际情况建立理想的室内环境模型:假设墙体墙面均匀,散热系数、吸热都相同,不考虑墙面的辐射,并将墙面视为一维导热问题处理,则空调的热负荷能耗Q0为:
其中,Qa表示空调制热功率,Qv表示当前室内空调制热量,Qe表示电子设备散热,si表示墙体面积,ki表示墙面传热系数,Tis表示墙表面温度,n表示墙体数目,i表示第i面墙体,ρ表示当前室内气流密度,C表示空气比热容,V表示室内体积,Tj表示当前室内温度,T0为温度常量。
如前所述,基于热舒适度指标PMV的目标区间的控制实现方式主要有温度动态化和风速动态化两种,由于空气流速对PMV的影响有限且空气流速太大也会产生不适感,因此本申请采用温度动态化。
选取人体新陈代谢率为69.78W/m2,人体对外做功为0,取平均热辐射温度等于室内温度,夏季工况下取人体服装热阻为0.5clo,室内空气流速取值0.1m/s,在其他条件不变的情况下,利用仿真软件得到夏季工况热舒适度指标PMV的变化图如图2所示,在图2中,当室内相对湿度变化范围为30%~60%,空气温度为24℃~27℃时,热舒适度指标PMV处于[-0.5,0.5]区间范围,并通过分析确定:
一、对室内空气温度的控制范围
在夏季工况下,根据热舒适度指标PMV的区间[-0.5,0.5],将室内温度控制在24℃~27℃,可以实现在设定的热舒适度指标PMV的区间内的室内环境因素中温度参量的有效控制,也能够获得较好的舒适性体验。
实施中,第一目标区间和第二目标区间的范围可以根据实际需要进行设置。由于热舒适度的区间[-0.5,0.5]为能够满足人们的普遍的热舒适度的需求的区间,因此,可以根据这一区间进行设置,可选的,第一目标区间属于区间[0,0.5],第二目标区间属于区间[-0.5,0],在此基础上,可以设置最大的区间,第一目标区间为[0,0.5],第二目标区间为[-0.5,0]。
二、对室内相对湿度的控制范围
在影响室内热舒适度指标PMV的三个可控环境参量中,室内相对湿度跟室内温度和室内空气流速相比,其影响因子最小,影响程度最低。一般,人体最适宜的室内相对湿度区间为30%RH~60%RH,从图2中也可以得到相对湿度在该区间范围内完全可以满足人体对室内舒适性的要求。
三、对室内空气流速的控制
室内空气流速对热舒适度指标PMV的影响程度次于室内温度却高于相对湿度,但由于测量要求的精度高、成本昂贵,以及参考《室内空气质量标准》(GB/T18883-2002)规定夏季工作区域内空气流速不易高于0.3m/s,再结合实际家居环境中的空调系统,故本申请采用经验取空调不同风速挡位的室内等效风速(比如,高档0.3m/s,中档0.2m/s,抵挡0.1m/s),作为室内空气流速的等效控制。
如前所述,在热舒适度指标PMV的目标区间内可以有不同的室内环境参量的相互组合方式,但不同的组合其能耗也不同,在此,建立优化模型来求得最优的参数组合,室内的优化模型f(x)可表示为:
f(x)=Qh+Q0 (5)
将公式(1)和(2)代入公式(5)中,求得人体适宜的室内舒适环境中各参数相互组合的最优化目标函数,优化模型如公式(6)和(7)。
其中,min f(x)表示目标函数f(x)的最小值,PMV(x)表示热舒适度指标PMV的预测值,V表示室内体积,PMV*表示热舒适度指标PMV的目标值,v表示空气流速,s.t.表示约束条件,Tmin表示约束条件中的Tj的最小值,Tmax表示约束条件中的Tj的最大值,Hmin表示约束条件中的H的最小值,Hmax表示约束条件中的H的最大值,vmin表示约束条件中的v的最小值,vmax表示约束条件中的v的最大值。当PMV处于目标区间内,求得公式(6)中目标函数f(x)最小值便可得到的室内温度、相对湿度、空气流速的最佳组合。由于所得的上述优化模型是求解多变量有约束的非线性最小化问题,为了解决这类问题本申请采用序列无约束最小化方法(Sequential Unconstrained Minimization Technique,SUMT),将有约束非线性最小化问题转化为无约束优化问题进行求解。SUMT为成熟的技术,可以参考相关技术,此处不再赘述。
基于此,第一最优控制参数和第二最优控制参数均为最优温度参数,通过以上优化模型可以得到。
上述热舒适度指标PMV实时预测模型的种类有多种。为了提高预测的准确性,本实施例中,采用粒子群优化算法(Particle Swarm Optimization,PSO)引力搜索算法(Gravitational Search Algorithm,GSA)-前向神经网络(Feedforward NeuralNetworks,FNN)模型,具体的,PSOGSA-FNN模型包括FNN模型和PSOGSA算法模型。相应的,热舒适度指标PMV实时预测模型的训练过程至少包括如下步骤:
将训练样本输入预先构建的FNN模型,根据当前FNN模型的权值、阈值,计算FNN模型的各隐含层和输出层的输出值;计算各隐含层和输出层的输出值与期望输出值的偏差。
判断是否训练完毕,若未训练完毕,将各隐含层和输出层的输出值和偏差输入PSOGSA算法模型,根据PSOGSA算法模型的输出值更新当前FNN模型的权值、阈值,重新将训练样本输入FNN模型。
需要说明的是,第一次将训练样本输入模型训练时,当前FNN模型的权值、阈值为初始化的权值、阈值,重新训练时,当前FNN模型的权值、阈值为更新后的权值、阈值。
其中,判断训练是否完毕的方式有多种,可以是判断是否达到预设的训练次数,也可以是判断偏差是否小于预设偏差值。
上述将各隐含层和输出层的输出值和偏差输入PSOGSA算法模型,根据PSOGSA算法模型的输出值更新当前FNN模型的权值、阈值,具体实现方式可以包括:根据各隐含层和输出层的输出值和偏差,初始化粒子群;计算出每个粒子的适应值;比较各粒子适应值,取最小为最优,对应位置为全局最优;更新引力系数、粒子的惯性质量;计算粒子的加速度和速度,更新粒子的位置;判断是否达到预设标准;若是,输出更新的粒子的位置,根据更新的粒子的位置,更新FNN模型的权值、阈值;否则,返回计算每个粒子的适应值的步骤。
本实施例采用的PSOGSA-FNN模型,与PSO-FNN模型、GSA-FNN模型相比,预测效果都比较好。以下通过实验进行了验证。
根据我国《采暖通风与空气调节设计规范》(GB50019-2003)、《公共建筑节能设计标准》(GB50189-2015)等确定夏天室内影响PMV的环境因素的设定值为:人体代谢率人体的服装热阻取夏天Icl=0.5,室内的空气流速室内相对湿度夏天室内温度平均辐射温度tr=ta,而人体对外做功W=0,利用MATLAB生成100000条模拟实验数据。
采用MATLAB中集成的K-means聚类算法对初始样本数据进行预处理,并且采用J阶代价函数评估聚类结果,实验表明K值接近6000时,Elbow认为取K值的那个拐点出现,为了在后续实验中数据分类的方便,因此将原始数据近似的分为6000类,提取得到6000组实验数据,这样将有效的减少了数据的重复和冗余,并提高了数据的质量。将所有的数据映射到[0,1]的区间内,实现标准化,这样方便数据的训练和建模。
在处理好实验数据的基础上,搭建了PSO-FNN、GSA-FNN及PSOGSA-FNN的热舒适度指标PMV预测模型,分别对三种模型做了训练和测试实验,得到关于均方误差(MeanSquaredError,MSE)随迭代次数的收敛曲线图,三种预测模型在5000组样本数据做训练时得到MSE随迭代次数(iteration)收敛的曲线如图3所示,从图中可以看出:PSO-FNN预测模型具有快速的局部收敛能力,但全局寻优能力差;GSA-FNN预测模型具有较好的全局寻优能力,但收敛速度比PSO-FNN预测模型差;而改进后的PSOGSA-FNN预测模型具有快速收敛、全局寻优能力强的特点,实验效果最佳。实验过程中获得PSOGSA-FNN、GSA-FNN和PSO-GSA三种预测模型最终收敛的MSE值,分别为:0.000085、0.000235和0.000643,而MSE值的大小决定了预测模型在测试数据集中表现性能的好坏,因此三种预测模型很显然PSOGSA-FNN的实验效果最好,其次是GSA-FNN预测模型,而PSO-FNN预测模型的效果最差。
下面结合具体的应用场景,对本申请实施例提供的热舒适度指标PMV控制方法进行更加详细地描述。
本实施例中,室内环境中设置有加湿器、空调。空调为目标受控设备。
首先,预先训练基于PSOGSA-FNN的热舒适度指标PMV预测模型,可以参考以上相关实施例。
以夏天空调制冷为例,人体服装热阻和新陈代谢率为设定的值,室内相对湿度、空气流速、平均辐射温度也是相对稳定的参数值,如图4所示,通过对空调的稳定控制实现对热舒适度指标PMV的控制的流程如下:
步骤41、确定当前的工作模式为制冷模式,执行步骤42。
步骤42、获取预设的非环境因素的参数值:人体服装热阻和新陈代谢率,执行步骤43。
步骤43、实时采集当前室内环境因素的参数值:相对湿度、空气流速、平均辐射温度,执行步骤44。
步骤44、将获取的预设的非环境因素的参数值和实时采集的当前室内环境因素的参数值输入热舒适度指标PMV预测模型,得到热舒适度指标PMV的预测值,执行步骤45。
步骤45、获取热舒适度指标PMV的预设的第一目标区间及当前的第一目标值,执行步骤46。
步骤46、判断预测值是否大于第一目标区间的上限,或者小于第一目标区间的下限,若预测值大于第一目标区间的上限,执行步骤47,若预测值小于第一目标区间的下限,执行步骤48,否则,当预测值等于第一目标值时,执行步骤48。
步骤47、利用优化模型确定当前的第一目标值对应的第一最优控制参数,执行步骤49。
步骤48、确定目标受控设备待机,返回步骤43。
步骤49、确定按照第一最优控制参数控制目标受控设备制冷,返回步骤43。
为了验证可行性,在某实验室进行实验,该实验室长10米、宽5.5米、高2.8米,墙体表面换热系数为1.962W/(m2.K),实验过程室内两盏照明灯其散热总功率为50W,无其他电子设备,采用挂壁式空调制冷、送风和飞利浦HU4801加湿器加湿,空气密度取1.16kg/m3,比热容为1.012kJ/(kg.K),夏季实验环境设置人体舒适度PMV的区间范围为[0,0.5],图5显示白天自然通风状态下室内的温湿度变化,在9:00-17:00不同时刻,有对应的相对湿度(单位%)、温度(℃)的值。
优化模型如下:
为了分析不同参数组合对应的不同冷负荷,通过公式(8)计算各状态采集的室内环境数据,得到表1所对应计算结果。从表中的计算结果可以得到,相同的热舒适度指标PMV值所对应的不同参数组合方式,总的冷负荷各不相同,因此在获得较好人体舒适度的前提下,还需得找到最优的参数组合方式,以达到能耗最小。从表1可以得到,当热舒适度指标PMV=0时,温度、相对湿度和空气流速对应的三种参数组合方式中,其中26℃、50%和0.3m/s的组合总的冷负荷最小,记作工况1;同理当热舒适度指标PMV=0.5时,得到最佳组合工况2,其中温度为27℃,空气流速为0.1m/s,相对湿度为60%。
表1不同参数组合方式调整周期能耗比较
利用热舒适度指标PMV数学表达式,对图5自然通风状态下室内环境参数(温湿度参数变化)计算得到图6对应的自然通风状态下室内热舒适度指标PMV变化曲线,对应的室内能耗计算示意图如图7所示。需要说明的是:为了方便计算图7中每一部分代表的区域面积,在图6中将采用虚线近似的代替图中的实际曲线。
图7中纵坐标仅表示为热舒适度指标PMV值,与该时刻的能耗没有任何关系,而能耗的具体值在图中都已用数字标出。若室内采用定热舒适度指标PMV控制,则当热舒适度指标PMV=0时,由表1知工况1在9:00,14:00,17:00对应的室内总冷负荷分别为1654.6W,1895.1W,1721.5W,由此计算得该时间段内室内总能耗为12706.59W,即图7中A+B+C+D四块区域的总面积;当热舒适度指标PMV=0.5时,工况2对应的能耗为10210.34W,即图7中A区域面积。同样的,若采用本申请给出的热舒适度指标PMV目标区间控制策略,其对应的能耗为11792.59W,表现在图7中的A+B+C三块区域的总面积。通过分析可知,热舒适度指标PMV目标区间控制在对应时间段内的能耗介于热舒适度指标PMV=0和热舒适度指标PMV=0.5控制的能耗之间。虽然热舒适度指标PMV=0控制方式能达到最佳舒适度,但是能耗最大,为了保证舒适兼顾节能,对室内的参数要求不应太过苛刻,且考虑到人体的生理机能,热舒适度指标PMV目标区间控制是最为理想的控制方式。
根据实验环境中采集到的实验数据和公式(8)计算得到的最优参数组合进行对应的设置,得到中午12点到下午14点之间的实时温度和湿度数据,如图8所示的温湿度变化图,对应的控制曲线如图9所示,不同的时刻(time)对应不同的热舒适度指标PMV。
分析图9可知,12:00室内处于自然状态时热舒适度指标PMV=1.8123,体感较热,舒适度体验较差;因此开启空调调节室内环境,随着温度的降低,大概在10min以后,也就是12:10后室内环境进入设定的第一目标区间内;大概到12:22左右室内热舒适度指标PMV值降到了第一目标区间的下限0,此时根据控制策略,室内控制系统进入待机状态;由于空调待机,致使室内温度在随后一段时间内开始上升,热舒适度指标PMV也随着温度的升高慢慢的正向变大,大概在12:40左右室内的PMV值增大到设定的第一目标区间上限0.5;当判断热舒适度指标PMV值大于设定的第一目标区间的上限值后,系统再次启动,以控制空调使热舒适度指标PMV值保持在第一目标区间范围内。如此周期循环,室内舒适环境就处于第一目标区间动态的变化过程,在满足舒适度要求的前提下,为室内提供了更接近自然的环境状态,更有益于室内人体生理自我调节能力、保证人体健康,因此本申请提供的舒适度参数优化的热舒适度指标PMV目标区间控制策略具有很高的应用价值和实际意义。
参见图10,图10是本申请另一个实施例提供的一种热舒适度指标PMV控制设备的结构示意图。
如图10所示,本实施例提供一种热舒适度指标PMV控制设备,包括:
处理器1001,以及与处理器相连接的存储器1002;
处理器1001用于调用并执行存储器1002中的计算机程序,以执行如以上任意实施例所述的热舒适度指标PMV控制方法。
本实施例的具体实现方案可以参见前述热舒适度指标PMV控制方法实施例中的相关说明,此处不再赘述。
可以理解的是,上述各实施例中相同或相似部分可以相互参考,在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
需要说明的是,在本申请的描述中,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。此外,在本申请的描述中,除非另有说明,“多个”的含义是指至少两个。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本申请各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种热舒适度指标PMV控制方法,其特征在于,包括:
确定当前室内环境的目标受控设备的工作模式;所述工作模式包括制冷模式或者制热模式;
实时获取预先训练的基于PSOGSA-FNN的热舒适度指标PMV实时预测模型的输入参数,并将实时获取的所述输入参数输入所述热舒适度指标PMV实时预测模型,得到所述热舒适度指标PMV的预测值;所述输入参数包括设定的当前室内非环境因素的参数值和采集的当前室内环境因素的参数值;
若所述工作模式包括制冷模式,获取所述热舒适度指标PMV的预设的第一目标区间及当前的第一目标值,将所述预测值分别与所述第一目标区间的上限、下限进行比较,若所述预测值大于所述第一目标区间的上限,获取所述当前的第一目标值对应的第一最优控制参数,确定按照所述第一最优控制参数控制所述设备制冷,若所述预测值小于所述第一目标区间的下限,确定所述目标受控设备待机;
若所述工作模式包括制热模式,获取所述热舒适度指标PMV的预设的第二目标区间及当前的第二目标值,将所述预测值分别与所述第二目标区间的上限、下限进行比较,若所述预测值小于所述第二目标区间的下限,获取所述当前的第二目标值对应的第二最优控制参数,确定按照所述第二最优控制参数控制所述目标受控设备制热,若所述预测值大于所述第二目标区间的上限,确定所述目标受控设备待机。
2.根据权利要求1所述的方法,其特征在于,还包括:
采用预先建立的优化模型,计算所述当前的第一目标值对应的第一最优控制参数;
或者,采用预先建立的优化模型,计算所述当前的第二目标值对应的第二最优控制参数。
3.根据权利要求2所述的方法,其特征在于,所述设定的当前室内非环境因素的参数值包括:人体服装热阻和新陈代谢率;
所述采集的当前室内环境因素的参数值包括室内环境温度、相对湿度、空气流速、平均辐射温度。
4.根据权利要求3所述的方法,其特征在于,所述第一最优控制参数和所述第二最优控制参数均为最优温度参数。
5.根据权利要求4所述的方法,其特征在于,当前室内环境的设备包括加湿器和空调;所述空调为所述当前室内环境的目标受控设备;所述优化模型包括:
其中,min f(x)表示目标函数f(x)的最小值,PMV(x)表示热舒适度指标PMV的预测值,Ph表示当前室内加湿器额定功率,M表示摩尔质量,H表示当前室内相对湿度,R表示气体常数,m表示当前室内加湿器额定加湿量,Tj表示当前室内温度,T0为温度常量,m0表示当前室内水蒸气含量,Qa表示空调制热功率,Qv表示当前室内空调制热量,Qe表示电子设备散热,si表示墙体面积,ki表示墙面传热系数,Tis表示墙表面温度,n表示墙体数目,i表示第i面墙体,ρ表示当前室内气流密度,C表示空气比热容,V表示室内体积,PMV*表示热舒适度指标PMV的目标值,v表示空气流速,s.t.表示约束条件,Tmin表示约束条件中的Tj的最小值,Tmax表示约束条件中的Tj的最大值,Hmin表示约束条件中的H的最小值,Hmax表示约束条件中的H的最大值,vmin表示约束条件中的v的最小值,vmax表示约束条件中的v的最大值。
6.根据权利要求1所述的方法,其特征在于,所述第一目标区间属于区间[0,0.5],和/或,所述第二目标区间属于区间[-0.5,0]。
7.根据权利要求6所述的方法,其特征在于,所述第一目标区间为[0,0.5],和/或,第二目标区间为[-0.5,0]。
8.根据权利要求1所述的方法,其特征在于,所述热舒适度指标PMV实时预测模型为PSOGSA-FNN模型,包括FNN模型和PSOGSA算法模型;所述热舒适度指标PMV实时预测模型的训练过程包括:
将训练样本输入预先构建的FNN模型,根据当前所述FNN模型的权值、阈值,计算所述FNN模型的各隐含层和输出层的输出值;计算各隐含层和输出层的输出值与期望输出值的偏差;
判断是否训练完毕,若未训练完毕,将所述各隐含层和输出层的输出值和所述偏差输入所述PSOGSA算法模型,根据所述PSOGSA算法模型的输出值更新当前所述FNN模型的权值、阈值,重新将训练样本输入所述FNN模型。
9.根据权利要求8所述的方法,其特征在于,所述将所述各隐含层和输出层的输出值和所述偏差输入所述PSOGSA算法模型,根据所述PSOGSA算法模型的输出值更新当前所述FNN模型的权值、阈值,包括:
根据所述各隐含层和输出层的输出值和所述偏差,初始化粒子群;
计算出每个粒子的适应值;
比较各粒子适应值,取最小为最优,对应位置为全局最优;
更新引力系数、粒子的惯性质量;
计算粒子的加速度和速度,更新粒子的位置;
判断是否达到预设标准;
若是,输出更新的粒子的位置,根据更新的粒子的位置,更新所述FNN模型的权值、阈值;
否则,返回计算每个粒子的适应值的步骤。
10.一种热舒适度指标PMV控制设备,其特征在于,包括:
处理器,以及与所述处理器相连接的存储器;
所述处理器用于调用并执行所述存储器中的计算机程序,以执行如权利要求1-9任一项所述的热舒适度指标PMV控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910534608.5A CN110186170B (zh) | 2019-06-20 | 2019-06-20 | 热舒适度指标pmv控制方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910534608.5A CN110186170B (zh) | 2019-06-20 | 2019-06-20 | 热舒适度指标pmv控制方法及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110186170A CN110186170A (zh) | 2019-08-30 |
CN110186170B true CN110186170B (zh) | 2020-11-27 |
Family
ID=67722482
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910534608.5A Active CN110186170B (zh) | 2019-06-20 | 2019-06-20 | 热舒适度指标pmv控制方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110186170B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110717524B (zh) * | 2019-09-20 | 2021-04-06 | 浙江工业大学 | 一种老年人热舒适预测方法 |
CN110779185A (zh) * | 2019-11-12 | 2020-02-11 | 广州华凌制冷设备有限公司 | 运行控制方法、装置、空调器以及存储介质 |
US11719458B2 (en) * | 2020-04-16 | 2023-08-08 | Robert Bosch Gmbh | HVAC control fine-grained occupancy pattern estimation |
CN111720963B (zh) * | 2020-06-23 | 2021-06-11 | 珠海格力电器股份有限公司 | 一种睡眠环境下的空气调节方法、装置及电子设备 |
CN112254287B (zh) * | 2020-09-01 | 2022-06-14 | 深圳达实智能股份有限公司 | 变权重多模型综合预测中央空调末端送风控制方法 |
CN113485498B (zh) * | 2021-07-19 | 2022-10-18 | 北京工业大学 | 一种基于深度学习的室内环境舒适度调节方法及系统 |
CN113757938B (zh) * | 2021-09-14 | 2023-04-14 | 山东澳信供热有限公司 | 一种中央空调的控制方法 |
CN114838470B (zh) * | 2022-03-04 | 2024-08-13 | 五邑大学 | 一种暖通空调的控制方法和系统 |
CN116007129B (zh) * | 2022-12-31 | 2024-05-28 | 南京信息工程大学 | 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 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5762265A (en) * | 1995-10-06 | 1998-06-09 | Matsushita Electric Industrial Co., Ltd. | Air-conditioning control unit |
CN101201907A (zh) * | 2007-10-24 | 2008-06-18 | 中山大学 | 一种基于模糊神经网络的热舒适度仿真模型 |
CN102589092A (zh) * | 2012-03-12 | 2012-07-18 | 山东建筑大学 | 基于新型模糊控制器的室内环境热舒适度控制方法 |
CN104110788A (zh) * | 2014-01-14 | 2014-10-22 | 美的集团股份有限公司 | 一种空调器的控制方法和控制装置 |
GB2544534A (en) * | 2015-06-15 | 2017-05-24 | Eaton Ind Austria Gmbh | Method and thermostat controller for determining a temperature set point |
CN108592352A (zh) * | 2018-05-09 | 2018-09-28 | 国家计算机网络与信息安全管理中心 | 水冷空调系统运行状态健康度的预测方法、装置及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8600561B1 (en) * | 2012-09-30 | 2013-12-03 | Nest Labs, Inc. | Radiant heating controls and methods for an environmental control system |
-
2019
- 2019-06-20 CN CN201910534608.5A patent/CN110186170B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5762265A (en) * | 1995-10-06 | 1998-06-09 | Matsushita Electric Industrial Co., Ltd. | Air-conditioning control unit |
CN101201907A (zh) * | 2007-10-24 | 2008-06-18 | 中山大学 | 一种基于模糊神经网络的热舒适度仿真模型 |
CN102589092A (zh) * | 2012-03-12 | 2012-07-18 | 山东建筑大学 | 基于新型模糊控制器的室内环境热舒适度控制方法 |
CN104110788A (zh) * | 2014-01-14 | 2014-10-22 | 美的集团股份有限公司 | 一种空调器的控制方法和控制装置 |
GB2544534A (en) * | 2015-06-15 | 2017-05-24 | Eaton Ind Austria Gmbh | Method and thermostat controller for determining a temperature set point |
CN108592352A (zh) * | 2018-05-09 | 2018-09-28 | 国家计算机网络与信息安全管理中心 | 水冷空调系统运行状态健康度的预测方法、装置及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110186170A (zh) | 2019-08-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110186170B (zh) | 热舒适度指标pmv控制方法及设备 | |
EP3891441B1 (en) | System and method for personalized thermal comfort control | |
Liang et al. | Design of intelligent comfort control system with human learning and minimum power control strategies | |
CN101782261B (zh) | 暖通空调系统的非线性自适应节能控制方法 | |
CN110726218B (zh) | 空调器及其控制方法、装置、存储介质和处理器 | |
CN104298191B (zh) | 智能建筑中基于热量预测管理的能耗控制方法 | |
CN104019526A (zh) | 改进pso算法模糊自适应pid温湿度控制系统及方法 | |
CN113339941B (zh) | 一种变频空调器控制方法 | |
CN108006915B (zh) | 空调控制方法及空调器 | |
CN114623569B (zh) | 一种基于深度强化学习的集群空调负荷差异化调控方法 | |
CN111649457A (zh) | 一种动态预测性机器学习型空调节能控制方法 | |
CN115230433B (zh) | 电动汽车乘员舱与动力电池协同加热控制方法及装置 | |
CN107504646A (zh) | 中央空调智能节能监控系统及方法 | |
CN115585538B (zh) | 室内温度的调节方法、装置、电子设备及存储介质 | |
CN110440385A (zh) | 一种舒适仿自然风的机械营造装置及方法 | |
CN114738958B (zh) | 变频空调负荷优化调控方法和系统 | |
Cheng et al. | Energy efficient thermal comfort control for cyber-physical home system | |
TWI746087B (zh) | 空調系統控制方法 | |
Wang et al. | Research on intelligent regulation of air conditioning energy saving based on human thermal comfort | |
CN108224692B (zh) | 考虑室外气温预测误差的空调柔性控制响应能力预测方法 | |
CN116164389A (zh) | 一种系统优化方法、装置、设备及计算机可读存储介质 | |
CN113757852B (zh) | 基于数字孪生技术的多联机空调机组控制方法及控制系统 | |
Tan et al. | An ANFIS-Based indirect control strategy for solar heating system: Exploring PMV approach | |
CN113188239A (zh) | 一种基于深度置信网络的空调负荷集群建模方法 | |
Chen et al. | Model Free Adaptive Control for Air-Conditioning System in Office Buildings Based on Improved NSGA-II Algorithm |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |