CN110377936B - 一种智能建筑人员个性化热舒适度动态感知的系统及方法 - Google Patents

一种智能建筑人员个性化热舒适度动态感知的系统及方法 Download PDF

Info

Publication number
CN110377936B
CN110377936B CN201910491186.8A CN201910491186A CN110377936B CN 110377936 B CN110377936 B CN 110377936B CN 201910491186 A CN201910491186 A CN 201910491186A CN 110377936 B CN110377936 B CN 110377936B
Authority
CN
China
Prior art keywords
user
indoor
state
thermal comfort
data
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
Application number
CN201910491186.8A
Other languages
English (en)
Other versions
CN110377936A (zh
Inventor
徐占伯
苏莹
周亚东
王煦焜
管晓宏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Qing'an Youneng Xi'an Technology Co ltd
Original Assignee
Xian Jiaotong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xian Jiaotong University filed Critical Xian Jiaotong University
Priority to CN201910491186.8A priority Critical patent/CN110377936B/zh
Publication of CN110377936A publication Critical patent/CN110377936A/zh
Application granted granted Critical
Publication of CN110377936B publication Critical patent/CN110377936B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Software Systems (AREA)
  • Pure & Applied Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Operations Research (AREA)
  • Algebra (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

本发明公开了一种智能建筑人员个性化热舒适度动态感知的系统及方法，包括数据采集模块，特征提取模块，用户热舒适度感知模块，模型更新模块四个模块；本发明能够实时预测当前时刻用户的个性化热舒适度。本发明系统，实现简单，计算复杂度低，对个体针对性强，预测准确度高，不依赖于种类繁杂的传感器，可根据应用场景选取不同的机器学习算法，具有实际应用的优势，建立了用户的个性化热舒适度动态感知模型，估计和更新用户对环境舒适度的需求。

Description

一种智能建筑人员个性化热舒适度动态感知的系统及方法
技术领域
本发明属于智能建筑领域，特别涉及一种智能建筑人员个性化热舒适度动态感知的系统及方法。
背景技术
随着信息技术的快速发展，考虑信息与建筑物理系统融合的现代智能建筑，最主要的运行目标是为室内人员提供更加舒适的生活工作环境。而人们对于环境舒适性评价最重要的一环为室内热舒适性。进行实时而准确的人员热舒适度动态感知能够使智能建筑对相关环境参数的调节更有目的性和针对性。但是，以往对人员热舒适度的感知方法通常仅依赖于外界的环境情况，建立的模型缺乏对于人员本身特性的考虑；即使一些考虑人员性别年龄等生理特性的预测方法，也多将具有类似身体素质的人员当作一个群体，对其平均的热舒适度进行投票预测，这样的方法由于没有考虑到每个人的独特性，使得对于个体来说预测结果精度很低。
发明内容
本发明的目的在于提供一种个性化的智能建筑人员热舒适度动态感知的系统及方法，以解决上述现有技术中由于没有考虑到每个人的独特性，使得对于个体来说热舒适度预测结果精度很低的问题。
为了实现上述目的，本发明采用的技术方案是：
一种智能建筑人员个性化热舒适度动态感知系统，包括：
数据采集模块，用于从预先布置在智能建筑的多种传感器上获取室内外环境数据；并从用户填写的记录中获取用户性别、年龄、身高、体重个人信息、行为状态、热舒适度反馈；
特征提取模块，用于从数据采集模块采集的数据中提取回归分析所需要的特征的历史与实时取值；包括刚进入房间状态下的室内外温度，室内相对湿度、室内风速特征，以及已进入房间一段时间状态下的室内温度、室内相对湿度、室内风速特征，室内相邻时刻温差特征，上一时刻用户舒适度反馈特征；
用户热舒适度感知模块，用于基于特征提取模块得到的各项特征，结合经典热平衡方程展开的二节点模型，在用户的两个状态下分别计算各自的核心个性化参数：实时代谢率或皮肤表面平均温度，并建立回归预测模型；新的时刻，利用数据采集模块、特征提取模块得到的室内外环境特征、用户状态特征，带入回归预测模型预测得到新时刻的核心个性化参数，并将预测量带入二节点模型，得到新的时刻用户预测热舒适度投票；
模型更新模块，用于根据用户热舒适度感知模块中得到的用户当前热舒适度的预测值，将数据采集模块得到的用户当前真实热舒适度值作为反馈值，计算偏差并更新优化所建立的回归预测模型。
进一步的，预先布置在智能建筑的多种传感器包括：室内温度传感器、室外温度传感器、室内相对湿度传感器和室内风速传感器。
进一步的，数据采集模块的数据获取过程，包括以下步骤：
S101)、通过智能建筑布置的温度传感器、辐射温度传感器、相对湿度传感器、风速传感器，每隔半小时采集智能建筑室内外环境数据；包括室内外温度数据、室内平均辐射温度、室内相对湿度数据、室内风速数据、室内外温差；
S102)、通过计算机收集用户输入的性别、年龄、身高、体重个人信息，并收集用户在每隔半个小时弹出的窗口中填写的热舒适度反馈投票信息；
S103)、通过人工收集输入用户的衣着水平数据，包括衣物厚度和体表覆盖程度；
S104)、通过定位及检测装置，确定用户的个人状态数据，包含用户进入房间的时间和用户的活动强度数据。
进一步的，特征提取模块的特征提取过程，包括以下步骤：
S201)、从数据采集模块得到的室内外环境数据和用户热舒适度投票数据中提取室内外环境特征和用户热舒适度投票信息；
S202)、根据数据采集模块得到的用户个人状态数据：如果某时刻用户刚从外界进入室内环境，则为状态1，如果某时刻用户已在室内停留一段时间，则为状态2；按照此规则映射提取用户状态特征；
S203)、根据数据采集模块得到的用户个人状态数据，提取用户活动强度特征；
S204)、根据步骤S202)、S203)得到的用户状态特征和用户活动强度特征，确定用户在当前状态下热舒适性的核心个性化参数：状态1的核心个性化参数为用户的实时代谢率，状态2的核心个性化参数为用户的皮肤表面平均温度。
进一步的，用户热舒适度感知模块的用户热舒适度感知过程，包括以下步骤：
S301)、根据特征提取模块得到的用户热舒适度投票信息和室内外环境特征，基于公式(1)二节点模型以及公式(2)美国暖通、制冷与空调工程师协会标准55-2013推荐的蓄热率到用户热舒适度投票之间的映射来计算：
Figure BDA0002087080760000031
Vote＝[0.303exp(-0.036M)+0.028]S (2)
其中，S是身体总蓄热率，M是人体代谢率，
Figure BDA0002087080760000032
是以分数形式表示的相对湿度，Pa是在环境温度Ta下的饱和蒸汽压，hr是辐射传热系数，hc是对流传热系数，wrsw是皮表湿度，Psk是皮肤表面平均温度Tsk下的饱和蒸汽压，Fpcl是服装的渗透效率因子，Fcl是服装热效率因子；
(1)、(2)中，相关参数hr、hc、wrsw、Fpcl、Fcl由(3)-(9)得到：
Fcl＝1/(1+(hr+hc))Icl (3)
Fpcl＝1/(1+0.923hcIcl) (4)
Figure BDA0002087080760000041
Figure BDA0002087080760000042
Tcl＝35.7-0.028M-IclFcl{3.96×10-8[(Tcl+273)4-(Tr+273)4]+hc(Tcl-Ta)} (7)
Wrsw＝(Pd-Pa)/(Psk-Pa) (8)
Figure BDA0002087080760000043
饱和蒸汽压Pd、Psk、Pa根据(10)计算：
log10 P＝8.07131-1730.63/(233.426+T) (10)
其中，Icl是服装的隔热系数，Tcl是服装表面温度，Va是风速，AD是DuBios体表面积，Ar是人体有效辐射面积，且Ar/AD通常设定为0.7，Tr是平均辐射温度，σ是玻尔兹曼常数，ε是人体辐射率，设定为0.95，Pd是露点温度Td下的饱和蒸汽压，Rw是水蒸气的气体常数，L是汽化焓；
若用户处于状态1，其从外界进入房间，代谢从高水平运动状态下降至静坐状态，利用公式(1)-(10)，取皮肤表面平均温度为统计均值34.1℃，计算其核心个性化参数实时代谢率；若用户处于状态2，用户代谢已基本保持静坐稳定状态，皮肤表面平均温度更能反应与房间的热交换，利用公式(1)-(10)，取美国暖通、制冷与空调工程师协会标准55-2013中静坐状态对应的人体代谢率，计算其核心个性化参数实时皮肤表面平均温度；
S302)、在状态1下，使用特征提取模块得到的室内外环境特征，结合步骤S301)中得到的代谢率为目标标签，利用机器学习模型进行回归分析，建立第一回归模型；在状态2下，使用特征提取模块得到的室内环境特征、以及上一时刻用户热舒适度反馈特征，结合步骤S301)中得到的当前时刻皮肤表面平均温度为目标标签，利用机器学习模型进行回归分析，建立第二回归模型；
S303)、在新的时刻点，重复数据采集模块、特征提取模块，采集并提取室内外环境特征、用户状态特征、活动强度特征，利用步骤S302)中用历史数据训练好的回归模型，回归预测当前新时刻用户代谢率或皮肤表面平均温度，代入二节点模型(1)计算出实时蓄热率，并根据步骤S301)所述的映射关系(2)得到预测的用户热舒适度评价。
进一步的，模型更新模块的模型更新过程，包括以下步骤：
S401)、由用户热舒适度感知模块预测完成用户热舒适度后，结合特征提取模块得到的用户该时刻真实热舒适度反馈信息，计算实际反馈与预测之间的偏差；
S402)、根据实际反馈与预测之间的偏差，将包括该时刻以及之前所有时刻数据采集模块采集到历史数据作为训练集，优化更新S302)获得的机器学习训练得到的回归模型，用于下一时刻的预测。
一种智能建筑人员个性化热舒适度动态感知方法，包括以下步骤：
S1)、数据获取步骤；
S2)、特征提取步骤；
S3)、用户热舒适度感知步骤；
S4)、模型更新步骤；
其中，步骤S1)具体包括：
S101)、通过智能建筑布置的温度传感器、辐射温度传感器、相对湿度传感器、风速传感器，每隔半小时采集智能建筑室内外环境数据；包括室内外温度数据、室内平均辐射温度、室内相对湿度数据、室内风速数据、室内外温差；
S102)、通过计算机收集用户输入的性别、年龄、身高、体重个人信息，并收集用户在每隔半个小时弹出的窗口中填写的热舒适度反馈投票信息；
S103)、通过人工收集输入用户的衣着水平数据，包括衣物厚度和体表覆盖程度；
S104)、通过定位及检测装置，确定用户的个人状态数据，包含用户进入房间的时间和用户的活动强度数据；
步骤S2)具体包括：
S201)、从数据采集模块得到的室内外环境数据和用户热舒适度投票数据中提取室内外环境特征和用户热舒适度投票信息；
S202)、根据数据采集模块得到的用户个人状态数据，如某时刻用户刚从外界进入室内环境，则为状态1，如某时刻用户已在室内停留一段时间，则为状态2，按照此规则映射提取用户状态特征；
S203)、根据数据采集模块得到的用户个人状态数据，提取用户活动强度特征；
S204)、根据步骤S202)、S203)得到的用户状态特征和用户活动强度特征，确定用户在当前状态下热舒适性的核心个性化参数：状态1的核心个性化参数为用户的实时代谢率，状态2的核心个性化参数为用户的皮肤表面平均温度。
步骤S3)具体包括：
S301)、根据特征提取模块得到的用户热舒适度投票信息和室内外环境特征，基于式(1)二节点模型以及式(2)美国暖通、制冷与空调工程师协会标准55-2013推荐的蓄热率到用户热舒适度投票之间的映射来计算：
Figure BDA0002087080760000061
Vote＝[0.303exp(-0.036M)+0.028]S (2)
其中，S是身体总蓄热率，M是人体代谢率，
Figure BDA0002087080760000062
是以分数形式表示的相对湿度，Pa是在环境温度Ta下的饱和蒸汽压，hr是辐射传热系数，hc是对流传热系数，wrsw是皮表湿度，Psk是皮肤表面平均温度Tsk下的饱和蒸汽压，Fpcl是服装的渗透效率因子，Fcl是服装热效率因子；
(1)、(2)中，相关参数hr、hc、wrsw、Fpcl、Fcl由(3)-(9)得到：
Fcl＝1/(1+(hr+hc))Icl (3)
Fpcl＝1/(1+0.923hcIcl) (4)
Figure BDA0002087080760000071
Figure BDA0002087080760000072
Tcl＝35.7-0.028M-IclFcl{3.96×10-8[(Tcl+273)4-(Tr+273)4]+hc(Tcl-Ta)} (7)
Wrsw＝(Pd-Pa)/(Psk-Pa) (8)
Figure BDA0002087080760000073
饱和蒸汽压Pd、Psk、Pa根据(10)计算：
log10 P＝8.07131-1730.63/(233.426+T) (10)
其中，Icl是服装的隔热系数，Tcl是服装表面温度，Va是风速，AD是DuBios体表面积，Ar是人体有效辐射面积，且Ar/AD通常设定为0.7，Tr是平均辐射温度，σ是玻尔兹曼常数，ε是人体辐射率，设定为0.95，Pd是露点温度Td下的饱和蒸汽压，Rw是水蒸气的气体常数，L是汽化焓；
若用户处于状态1，其从外界进入房间，代谢从高水平运动状态下降至静坐状态，利用公式(1)-(10)，取皮肤表面平均温度为统计均值34.1℃，计算其核心个性化参数实时代谢率；若用户处于状态2，用户代谢已基本保持静坐稳定状态，皮肤表面平均温度更能反应与房间的热交换，利用公式(1)-(10)，取美国暖通、制冷与空调工程师协会标准55-2013中静坐状态对应的人体代谢率，计算其核心个性化参数实时皮肤表面平均温度；
S302)、在状态1下，使用特征提取模块得到的室内外环境特征，结合步骤S301)中得到的代谢率为目标标签，利用机器学习模型进行回归分析，建立第一回归模型；在状态2下，使用特征提取模块得到的室内环境特征、以及上一时刻用户热舒适度反馈特征，结合步骤S301)中得到的当前时刻皮肤表面平均温度为目标标签，利用机器学习模型进行回归分析，建立第二回归模型；
S303)、在新的时刻点，重复数据采集模块、特征提取模块，采集并提取室内外环境特征、用户状态特征、活动强度特征，利用步骤S302)中用历史数据训练好的回归模型，回归预测当前新时刻用户代谢率或皮肤表面平均温度，代入二节点模型(1)计算出实时蓄热率，并根据步骤S301)所述的映射关系(2)得到预测的用户热舒适度评价。
进一步的，步骤S4)具体包括：
S401)、由用户热舒适度感知模块预测完成用户热舒适度后，结合特征提取模块得到的用户该时刻真实热舒适度反馈信息，计算实际反馈与预测之间的偏差；
S402)、根据实际反馈与预测之间的偏差，将该时刻数据采集模块采集到的数据加入历史数据集中作为训练集，优化更新S302)获得的机器学习训练得到的回归模型，用于下一时刻的预测。
进一步的，用户的热舒适度投票数据是用户对当前室内环境的冷热评价反馈，取值范围为-3到+3。
与现有技术相比，本发明具有以下有益效果：
1)、对于每个个体建立个性化的热舒适度回归预测模型，改善了过往方法只考虑整体均值意义、针对性弱的缺点，提高了预测的准确性。
2)、考虑到活动状态，将用户的状态分为刚从外界进入环境和已在室内停留一段时间两种，且在每种状态下可以根据不同的活动强度对模型进行调整，从而可以更准确地动态跟踪和预测用户的热舒适性。
3)、不需要高精度的传感器去测量皮肤表面平均温度，且可以根据实际应用场景选择不同的机器学习算法进行回归分析，具有很好的鲁棒性。
4)、根据用户实时产生的真实热舒适性反馈，不断调整优化模型，随着数据量增大，预测模型越来越准确。
5)、本发明不仅考虑了环境参数、用户基本生理特性，同时也考虑了用户个体自身特点，针对不同个体构建个性化的热舒适度模型，具有自适应、动态感知、个性化等优点，使得本申请与传统的系统相比，具有明显的优势。
附图说明
构成本申请的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是本发明的智能建筑人员热舒适度动态感知系统的框架图。
图2是本发明的智能建筑人员热舒适度动态感知系统中数据采集模块的流程图。
图3是本发明的智能建筑人员热舒适度动态感知系统中特征提取模块的流程图。
图4是本发明的智能建筑人员热舒适度动态感知系统中用户热舒适度感知模块的流程图。
图5是本发明的智能建筑人员热舒适度动态感知系统中模型更新模块的流程图。
图6是实验中某一天一个房间内四位用户的真实热感觉投票。
图7为使用本发明方法和经典预测平均评价PMV方法得到的一段时间内用户热舒适度预测结果对比图。
具体实施方式
下面将参考附图并结合实施例来详细说明本发明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
以下详细说明均是示例性的说明，旨在对本发明提供进一步的详细说明。除非另有指明，本发明所采用的所有技术术语与本申请所属领域的一般技术人员的通常理解的含义相同。本发明所使用的术语仅是为了描述具体实施方式，而并非意图限制根据本发明的示例性实施方式。
请参阅图1所示，本发明提供一种智能建筑人员个性化热舒适度动态感知的系统，包括离线建模和在线预测两部分，具体包括数据采集模块、特征提取模块、用户热舒适度感知模块和模型更新模块。
数据采集模块，用于从预先布置在智能建筑的多种传感器上获取室内外环境数据，包括室内外温度数据，室内平均辐射温度数据，室内相对湿度数据，室内风速数据；并从用户填写的记录中获取用户性别、年龄、身高、体重个人信息、行为状态、热舒适度反馈；
特征提取模块，用于从数据采集模块采集的数据中提取回归分析所需要的特征的历史与实时取值，包括刚进入房间状态下的室内外温度、室内平均辐射温度、室内相对湿度、室内风速特征；以及已进入房间一段时间状态下的室内温度、室内平均辐射温度、室内相对湿度、室内风速特征，室内相邻时刻温差特征，上一时刻用户舒适度反馈特征；
用户热舒适度感知模块，用于基于特征提取模块得到的各项特征，结合经典热平衡方程展开二节点模型，在用户的两个状态下分别计算各自的核心个性化参数：实时代谢率或皮肤表面平均温度，并建立回归预测模型；新的时刻，利用数据采集模块、特征提取模块得到的室内外环境特征、用户状态特征，带入回归预测模型预测得到新时刻的核心个性化参数，并将预测量带入二节点模型，得到新的时刻户预测热舒适度投票。
模型更新模块，用于根据用户热舒适度感知模块中得到的用户当前热舒适度的预测值，将数据采集模块得到的用户当前真实热舒适度值作为反馈值，计算偏差并更新优化所建立的回归预测模型。
请参阅图2所示，数据采集模块的数据获取过程，包括以下步骤：
S101)、通过智能建筑布置的温度传感器、辐射温度传感器、相对湿度传感器、风速传感器，每隔半小时采集智能建筑室内外环境数据；包括室内外温度数据、室内平均辐射温度、室内相对湿度数据、室内风速数据、室内外温差；
S102)、通过计算机收集用户输入的性别、年龄、身高、体重个人信息，并收集用户在每隔半个小时弹出的窗口中填写的热舒适度反馈投票信息；
S103)、通过人工收集输入用户的衣着水平数据，包括衣物厚度和体表覆盖程度；
S104)、通过定位及检测装置，如实验中配备的智能手环，确定用户的个人状态数据，包含用户进入房间的时间和用户的活动强度数据。
用户的状态分为:①刚从外界进入室内环境的代谢不稳定状态、已在室内停留一段时间的代谢基本稳定状态，以及②用户的活动强度。
用户的热舒适度投票数据是用户对当前室内环境的冷热评价反馈，取值范围为-3到+3；舒适取值为0，正值越大表示用户反馈环境越热，负值越大表示用户反馈环境越冷。
特征提取模块，从采集的数据中提取回归分析所需要的特征的历史与实时取值。考虑到用户刚进入房间时，并不是静坐状态，代谢强度较大，此时的热舒适感觉受更多受室外及运动因素影响；而已进入室内一段时间后，用户基本一直处于静坐状态，代谢强度低，并且此时的热舒适感觉基本与外界因素无关，所以要将用户刚进入房间和已进入房间一段时间分成两个状态来考虑。提取刚进入房间状态下的室内外温度、室内外温差、室内相对湿度、室内风速特征；提取已进入房间一段时间状态下的室内温度、室内相对湿度、室内风速特征，室内相邻时刻温差特征，上一时刻用户舒适度反馈特征，并且提取用户的个人特征。
特征提取模块通过对获取的数据处理，提取出两个状态下建立预测模型所需要的特征如下：
如一条状态1下所使用的特征：室内温度Tin＝23.60，室外温度Tout＝28.50，室内相对湿度Φ＝0.48，室内外温度差Tp＝-4.9；一条状态2下所使用的特征：室内温度Tin＝25.50，室内湿度Φ＝0.53，风速v＝0.2，上一时刻皮肤表面平均温度Tsk＝31.50，上一时刻反馈值为P＝0。
请参阅图3所示，特征提取模块的特征提取过程，包括以下步骤：
S201)、从数据采集模块得到的室内外环境数据和用户热舒适度投票数据中提取特征；
从时间数据中进行时间特征提取，将时间特征的取值范围分为0时到23时共24小时，每半小时取一个点，表示为ti＝{0.00,0.30,……,23.30}；
从室内外温度数据中进行室内外温度特征提取，将特征用带两位小数的浮点数表示，取值范围为-50.00到+50.00，表示为Tin＝{-50.00,-49.99,……，+49.00,+50.00}，Tout＝{-50.00,-49.99,……，+49.00,+50.00}；
从室内平均辐射温度数据中进行室内平均辐射温度特征提取，将特征用带两位小数的浮点数表示，取值范围为-50.00到+50.00，表示为Tr＝{-50.00,-49.99,……，+49.00,+50.00}；
从室内相对湿度数据中进行室内相对湿度特征提取，将特征用带两位小数的浮点数表示，取值范围为0.00到1.00，表示为Φ＝{0.00,0.01,……,0.99,1.00}；
从室内风速数据中进行室内风速特征提取，将特征用带一位小数的浮点数表示，取值范围为0.0到8.0，表示为v＝{0.0,0.1,……,7.9,8.0}；
从室内外温度数据中进行室内外温差特征提取，将特征用带两位小数的浮点数表示，取值范围为-20.00到+20.00，表示为Tp＝{-20.00,-19.99，……,19.99,20.00}；
从时间数据和室内温度数据中进行室内温差特征提取，将特征用带两位小数的浮点数表示，取值范围为-20.00到+20.00，表示为Tq＝{-20.00,-19.99,……,19.99,20.00}；
从用户的热舒适度投票数据中进行热舒适度反馈特征提取，将用户热舒适度反馈分为极度寒冷、寒冷、有点冷、不冷不热、有点热、热、极度热七个类别，表示成P＝{-3,-2,-1,0,+1,+2,+3}；
提取用户性别特征，表示为S＝{1,0}，男性为1，女性为0；提取用户年龄特征，表示为整数Y；提取用户身高特征，表示为整数H，单位为cm；提取用户体重特征，单位为kg，表示为一位小数W；
基于用户衣物厚度及体表覆盖程度，查询美国暖通、制冷与空调工程师协会标准55-2013，提取服装隔热系数Icl为特征，其取值范围为0到1.40，保留两位小数；
S202)、根据数据采集模块得到的用户个人状态数据，如某时刻用户刚从外界进入室内环境，则为状态1，如某时刻用户已在室内停留一段时间，则为状态2，按照此规则映射提取用户状态特征；
S203)、根据数据采集模块得到的用户个人状态数据，提取用户活动强度特征；
S204)、根据步骤S202)、S203)得到的用户状态特征和用户活动强度特征，确定用户在当前状态下热舒适性的核心个性化参数：状态1的核心个性化参数为用户的实时代谢率，状态2的核心个性化参数为用户的皮肤表面平均温度。
根据提取的用户实时状态特征，在状态1，刚进入房间时，代谢由高变为低，处于不稳定状态，用户影响自身热感觉的个人因素主要由代谢来体现，所以该阶段的核心个性化参数为实时代谢率，用M表示，保留两位小数，单位为W/㎡，状态1时，取皮肤表面平均温度为统计均值；而在状态2，已进入房间一段时间后，用户代谢基本维持静坐水平，影响自身热感的个人因素主要是通过与外界环境接触的皮肤表面平均温度来体现，所以该阶段的核心个性化参数时用户皮肤表面平均温度，用Tsk表示，保留两位小数，单位为℃，状态2时，根据用户性别、年龄、身高、体重特征，结合活动水平，计算得到每个用户不同的代谢率M。
请参阅图4所示，用户热舒适度感知模块的用户热舒适度感知过程，包括以下步骤：
S301)、根据特征提取模块得到的用户热舒适度投票信息和室内外环境特征，基于二节点模型(1)以及美国暖通、制冷与空调工程师协会标准55-2013推荐的蓄热率到用户热舒适度投票之间的映射(2)来计算：
Figure BDA0002087080760000141
Vote＝[0.303exp(-0.036M)+0.028]S (2)
其中，S是身体总蓄热率，M是人体代谢率，
Figure BDA0002087080760000142
是以分数形式表示的相对湿度，Pa是在环境温度Ta下的饱和蒸汽压，hr是辐射传热系数，hc是对流传热系数，wrsw是皮表湿度，Psk是皮肤表面平均温度Tsk下的饱和蒸汽压，Fpcl是服装的渗透效率因子，Fcl是服装热效率因子。
(1)、(2)中，相关参数hr、hc、wrsw、Fpcl、Fcl可以由(3)-(9)得到：
Fcl＝1/(1+(hr+hc))Icl (3)
Fpcl＝1/(1+0.923hclcl) (4)
Figure BDA0002087080760000143
Figure BDA0002087080760000144
Tcl＝35.7-0.028M-IclFcl{3.96×10-8[(Tcl+273)4-(Tr+273)4]+hc(Tcl-Ta)} (7)
Wrsw＝(Pd-Pa)/(Psk-Pa) (8)
Figure BDA0002087080760000145
而饱和蒸汽压Pd、Psk、Pa根据(10)计算：
log10 P＝8.07131-1730.63/(233.426+T) (10)
其中，Icl是服装的隔热系数，Tcl是服装表面温度，Va是风速，AD是DuBios体表面积，Ar是人体有效辐射面积，且Ar/AD通常设定为0.7，Tr是平均辐射温度，σ是玻尔兹曼常数，ε是人体辐射率，且一般设定为0.95，Pd是露点温度Td下的饱和蒸汽压，Rw是水蒸气的气体常数，L是汽化焓，可视为常量。
若用户处于状态1，其从外界进入房间，代谢从高水平运动状态下降至静坐状态，利用公式(1)-(10)，取皮肤表面平均温度为统计均值34.1℃，计算其核心个性化参数实时代谢率；若用户处于状态2，用户代谢已基本保持静坐稳定状态，皮肤表面平均温度更能反应与房间的热交换，利用公式(1)-(10)，取美国暖通、制冷与空调工程师协会标准55-2013中静坐状态对应的人体代谢率1.2met，计算其核心个性化参数实时皮肤表面平均温度；
S302)、在状态1下，使用特征提取模块得到的室内外温度特征、室内平均辐射温度特征、室内外温差特征、室内相对湿度特征、室内风速特征，结合步骤S301)中计算得到的代谢率M为目标标签，利用机器学习模型，如支持向量机模型进行回归分析；在状态2下，使用特征提取模块得到的室内温度特征、室内平均辐射温度特征、室内相对湿度特征、室内风速特征、室内与上一时刻温差特征、上一时刻舒适度反馈特征，结合步骤S301)中计算得到的当前时刻皮肤表面平均温度Tsk为目标标签，利用支持向量机模型进行回归分析。
在状态1下，若为冷启动问题，即当前无历史数据，则利用采集提取到的身高、年龄、性别、体重信息、运动强度信息，根据代谢率公式，查阅美国暖通、制冷与空调工程师协会标准55-2013，计算M作为初始估计值。在状态2下的冷启动问题，采用皮肤表面平均温度为统计均值34.1℃为初始估计值。
S303)、在新的时刻点，重复数据采集模块、特征提取模块，采集并提取室内外环境特征、用户状态特征、活动强度特征，利用步骤S302)中用历史数据训练好的回归模型，回归预测当前新时刻用户代谢率或皮肤表面平均温度，代入二节点模型(1)计算出实时蓄热率，并根据步骤S301)所述的映射关系(2)得到预测的用户热舒适度评价。
当前时刻的核心个性化参数，可以通过机器学习算法回归分析得到，也可以使用传感器测量采集，以适应该参数可测和不可测的情况。
所采用的人体热平衡模型是基于每个用户自身建立的个性化模型。
请参阅图5所示，模型更新模块的模型更新过程，包括以下步骤：
S401)、由用户热舒适度感知模块预测完成用户热舒适度后，结合特征提取模块得到的用户该时刻真实热舒适度反馈信息，计算实际反馈与预测之间的偏差；
S402)、根据实际反馈与预测之间的偏差，将包括该时刻以及之前所有时刻数据采集模块采集到历史数据作为训练集，优化更新S302)获得的机器学习训练得到的回归模型，用于下一时刻的预测。
本发明中，建立的用户热舒适性模型是动态的，每个新的时刻预测用户当前热舒适度，并在预测完成后结合用户真实反馈，基于累积历史数据重新训练模型，为下一次预测准备。回归分析使用的机器学习算法可以是支持向量机回归，也可以是树回归等其他方法。
以下以稳定状态2下构建最优支持向量机模型为例，具体过程如下：
1)利用获取的截止到前一时刻的环境特征和对应的用户热舒适度投票，结合以经典热平衡方程为基础的二节点模型，计算得到对应时刻的用户皮肤表面平均温度；
2)分析室内温度，室内平均辐射温度，室内相对湿度，室内风速，上一时刻皮肤表面平均温度，上一时刻反馈值与当前时刻用户皮肤表面平均温度的关系，以用户当前皮肤表面平均温度为标签，建立并不断调整，得到最优的支持向量机回归模型；
3)在当前时刻，将采集到的当前环境数据提取特征，利用建立好的回归模型预测当前状态下的皮肤表面平均温度Tsk，将预测值结合经典二节点方程以及投票映射，经过计算最终得到用户在该时刻的预测热舒适度Ppredict。
4)模型更新过程：预测结束后，以用户在该时刻热舒适度的真实投票值Ptrue为反馈，并将包括该时刻在内的所有数据作为训练集，更新优化支持向量机回归模型，用于下一次预测。
图6是实验中某一天一个房间内四位用户的真实热感觉投票。从图中可以看出，四位受试者处于同一个房间，但在同一时刻他们的热感觉投票却有很大差异，说明了热舒适具有个体性，本发明中的个性化热舒适模型具有理论和实践需求。
图7为使用本发明方法和经典预测平均评价PMV方法得到的一段时间内用户热舒适度预测结果对比图。从图中可以看出，本发明中的热舒适模型比传统预测平均评价PMV模型表现更好，热舒适模型能更好的预测用户的个性化热舒适，而预测平均评价PMV模型跟实际投票有较大偏移。
表1本发明方法和经典预测平均评价PMV方法的均方根误差RMSE性能表现分析
Figure BDA0002087080760000171
表1是本发明方法和经典预测平均评价PMV方法的均方根误差RMSE性能表现分析。表中，本发明中的模型分别采用了支持向量回归、K近邻回归、树回归、线性回归四种方法，并与预测平均评价PMV方法对比在四位受试者预测结果均方根误差上的性能表现。可以看出，本发明的方法对比传统预测评价方法均方根误差显著减小。
由技术常识可知，本发明可以通过其它的不脱离其精神实质或必要特征的实施方案来实现。因此，上述公开的实施方案，就各方面而言，都只是举例说明，并不是仅有的。所有在本发明范围内或在等同于本发明的范围内的改变均被本发明包含。

Claims (9)

1.一种智能建筑人员个性化热舒适度动态感知系统，其特征在于，包括：
数据采集模块，用于从预先布置在智能建筑的多种传感器上获取室内外环境数据；并从用户填写的记录中获取用户性别、年龄、身高、体重个人信息、行为状态、热舒适度反馈；
特征提取模块，用于从数据采集模块采集的数据中提取回归分析所需要的特征的历史与实时取值；包括刚进入房间状态下的室内外温度，室内相对湿度、室内风速特征，以及已进入房间一段时间状态下的室内温度、室内相对湿度、室内风速特征，室内相邻时刻温差特征，上一时刻用户舒适度反馈特征；
用户热舒适度感知模块，用于基于特征提取模块得到的各项特征，结合经典热平衡方程展开的二节点模型，在用户的两个状态下分别计算各自的核心个性化参数：实时代谢率或皮肤表面平均温度，并建立回归预测模型；新的时刻，利用数据采集模块、特征提取模块得到的室内外环境特征、用户状态特征，带入回归预测模型预测得到新时刻的核心个性化参数，并将预测量带入二节点模型，得到新的时刻用户预测热舒适度投票；
模型更新模块，用于根据用户热舒适度感知模块中得到的用户当前热舒适度的预测值，将数据采集模块得到的用户当前真实热舒适度值作为反馈值，计算偏差并更新优化所建立的回归预测模型。
2.根据权利要求1所述的一种智能建筑人员个性化热舒适度动态感知系统，其特征在于，预先布置在智能建筑的多种传感器包括：室内温度传感器、室外温度传感器、室内相对湿度传感器和室内风速传感器。
3.根据权利要求1所述的一种智能建筑人员个性化热舒适度动态感知系统，其特征在于，数据采集模块的数据获取过程，包括以下步骤：
S101)、通过智能建筑布置的温度传感器、辐射温度传感器、相对湿度传感器、风速传感器，每隔半小时采集智能建筑室内外环境数据；包括室内外温度数据、室内平均辐射温度、室内相对湿度数据、室内风速数据、室内外温差；
S102)、通过计算机收集用户输入的性别、年龄、身高、体重个人信息，并收集用户在每隔半个小时弹出的窗口中填写的热舒适度反馈投票信息；
S103)、通过人工收集输入用户的衣着水平数据，包括衣物厚度和体表覆盖程度；
S104)、通过定位及检测装置，确定用户的个人状态数据，包含用户进入房间的时间和用户的活动强度数据。
4.根据权利要求3所述的一种智能建筑人员个性化热舒适度动态感知系统，其特征在于，特征提取模块的特征提取过程，包括以下步骤：
S201)、从数据采集模块得到的室内外环境数据和用户热舒适度投票数据中提取室内外环境特征和用户热舒适度投票信息；
S202)、根据数据采集模块得到的用户个人状态数据：如果某时刻用户刚从外界进入室内环境，则为状态1，如果某时刻用户已在室内停留一段时间，则为状态2；按照此规则映射提取用户状态特征；
S203)、根据数据采集模块得到的用户个人状态数据，提取用户活动强度特征；
S204)、根据步骤S202)、S203)得到的用户状态特征和用户活动强度特征，确定用户在当前状态下热舒适性的核心个性化参数：状态1的核心个性化参数为用户的实时代谢率，状态2的核心个性化参数为用户的皮肤表面平均温度。
5.根据权利要求4所述的一种智能建筑人员个性化热舒适度动态感知系统，其特征在于，用户热舒适度感知模块的用户热舒适度感知过程，包括以下步骤：
S301)、根据特征提取模块得到的用户热舒适度投票信息和室内外环境特征，基于公式(1)二节点模型以及公式(2)美国暖通、制冷与空调工程师协会标准55-2013推荐的蓄热率到用户热舒适度投票之间的映射来计算：
Figure FDA0002087080750000031
Vote＝[0.303exp(-0.036M)+0.028]S (2)
其中，S是身体总蓄热率，M是人体代谢率，
Figure FDA0002087080750000032
是以分数形式表示的相对湿度，Pa是在环境温度Ta下的饱和蒸汽压，hr是辐射传热系数，hc是对流传热系数，wrsw是皮表湿度，Psk是皮肤表面平均温度Tsk下的饱和蒸汽压，Fpcl是服装的渗透效率因子，Fcl是服装热效率因子；
(1)、(2)中，相关参数hr、hc、wrsw、Fpcl、Fcl由(3)-(9)得到：
Fcl＝1/(1+(hr+hc))Icl (3)
Fpcl＝1/(1+0.923hcIcl) (4)
Figure FDA0002087080750000033
Figure FDA0002087080750000034
Tcl＝35.7-0.028M-IclFcl{3.96×10-8[(Tcl+273)4-(Tr+273)4]+hc(Tcl-Ta)} (7)
Wrsw＝(Pd-Pa)/(Psk-Pa) (8)
Figure FDA0002087080750000035
饱和蒸汽压Pd、Psk、Pa根据(10)计算：
log10P＝8.07131-1730.63/(233.426+T) (10)
其中，Icl是服装的隔热系数，Tcl是服装表面温度，Va是风速，AD是DuBios体表面积，Ar是人体有效辐射面积，且Ar/AD通常设定为0.7，Tr是平均辐射温度，σ是玻尔兹曼常数，ε是人体辐射率，设定为0.95，Pd是露点温度Td下的饱和蒸汽压，Rw是水蒸气的气体常数，L是汽化焓；
若用户处于状态1，其从外界进入房间，代谢从高水平运动状态下降至静坐状态，利用公式(1)-(10)，取皮肤表面平均温度为统计均值34.1℃，计算其核心个性化参数实时代谢率；若用户处于状态2，用户代谢已基本保持静坐稳定状态，皮肤表面平均温度更能反应与房间的热交换，利用公式(1)-(10)，取美国暖通、制冷与空调工程师协会标准55-2013中静坐状态对应的人体代谢率，计算其核心个性化参数实时皮肤表面平均温度；
S302)、在状态1下，使用特征提取模块得到的室内外环境特征，结合步骤S301)中得到的代谢率为目标标签，利用机器学习模型进行回归分析，建立第一回归模型；在状态2下，使用特征提取模块得到的室内环境特征、以及上一时刻用户热舒适度反馈特征，结合步骤S301)中得到的当前时刻皮肤表面平均温度为目标标签，利用机器学习模型进行回归分析，建立第二回归模型；
S303)、在新的时刻点，重复数据采集模块、特征提取模块，采集并提取室内外环境特征、用户状态特征、活动强度特征，利用步骤S302)中用历史数据训练好的回归模型，回归预测当前新时刻用户代谢率或皮肤表面平均温度，代入二节点模型(1)计算出实时蓄热率，并根据步骤S301)所述的映射关系(2)得到预测的用户热舒适度评价。
6.根据权利要求5所述的一种智能建筑人员个性化热舒适度动态感知系统，其特征在于，模型更新模块的模型更新过程，包括以下步骤：
S401)、由用户热舒适度感知模块预测完成用户热舒适度后，结合特征提取模块得到的用户该时刻真实热舒适度反馈信息，计算实际反馈与预测之间的偏差；
S402)、根据实际反馈与预测之间的偏差，将包括该时刻以及之前所有时刻数据采集模块采集到历史数据作为训练集，优化更新S302)获得的机器学习训练得到的回归模型，用于下一时刻的预测。
7.一种智能建筑人员个性化热舒适度动态感知方法，其特征在于，包括以下步骤：
S1)、数据获取步骤；
S2)、特征提取步骤；
S3)、用户热舒适度感知步骤；
S4)、模型更新步骤；
其中，步骤S1)具体包括：
S101)、通过智能建筑布置的温度传感器、辐射温度传感器、相对湿度传感器、风速传感器，每隔半小时采集智能建筑室内外环境数据；包括室内外温度数据、室内平均辐射温度、室内相对湿度数据、室内风速数据、室内外温差；
S102)、通过计算机收集用户输入的性别、年龄、身高、体重个人信息，并收集用户在每隔半个小时弹出的窗口中填写的热舒适度反馈投票信息；
S103)、通过人工收集输入用户的衣着水平数据，包括衣物厚度和体表覆盖程度；
S104)、通过定位及检测装置，确定用户的个人状态数据，包含用户进入房间的时间和用户的活动强度数据；
步骤S2)具体包括：
S201)、从数据采集模块得到的室内外环境数据和用户热舒适度投票数据中提取室内外环境特征和用户热舒适度投票信息；
S202)、根据数据采集模块得到的用户个人状态数据，如某时刻用户刚从外界进入室内环境，则为状态1，如某时刻用户已在室内停留一段时间，则为状态2，按照此规则映射提取用户状态特征；
S203)、根据数据采集模块得到的用户个人状态数据，提取用户活动强度特征；
S204)、根据步骤S202)、S203)得到的用户状态特征和用户活动强度特征，确定用户在当前状态下热舒适性的核心个性化参数：状态1的核心个性化参数为用户的实时代谢率，状态2的核心个性化参数为用户的皮肤表面平均温度；
步骤S3)具体包括：
S301)、根据特征提取模块得到的用户热舒适度投票信息和室内外环境特征，基于式(1)二节点模型以及式(2)美国暖通、制冷与空调工程师协会标准55-2013推荐的蓄热率到用户热舒适度投票之间的映射来计算：
Figure FDA0002087080750000061
Vote＝[0.303exp(-0.036M)+0.028]S (2)
其中，S是身体总蓄热率，M是人体代谢率，
Figure FDA0002087080750000062
是以分数形式表示的相对湿度，Pa是在环境温度Ta下的饱和蒸汽压，hr是辐射传热系数，hc是对流传热系数，wrsw是皮表湿度，Psk是皮肤表面平均温度Tsk下的饱和蒸汽压，Fpcl是服装的渗透效率因子，Fcl是服装热效率因子；
(1)、(2)中，相关参数hr、hc、wrsw、Fpcl、Fcl由(3)-(9)得到：
Fcl＝1/(1+(hr+hc))Icl (3)
Fpcl＝1/(1+0.923hcIcl) (4)
Figure FDA0002087080750000063
Figure FDA0002087080750000064
Tcl＝35.7-0.028M-IclF3l{3.96×10-8[(Tcl+273)4-(Tr+273)4]+hc(Tcl-Ta)} (7)
Wrsw＝(Pd-Pa)/(Psk-Pa) (8)
Figure FDA0002087080750000065
饱和蒸汽压Pd、Psk、Pa根据(10)计算：
log10P＝8.07131-1730.63/(233.426+T) (10)
其中，Icl是服装的隔热系数，Tcl是服装表面温度，Va是风速，AD是DuBios体表面积，Ar是人体有效辐射面积，且Ar/AD通常设定为0.7，Tr是平均辐射温度，σ是玻尔兹曼常数，ε是人体辐射率，设定为0.95，Pd是露点温度Td下的饱和蒸汽压，Rw是水蒸气的气体常数，L是汽化焓；
若用户处于状态1，其从外界进入房间，代谢从高水平运动状态下降至静坐状态，利用公式(1)-(10)，取皮肤表面平均温度为统计均值34.1℃，计算其核心个性化参数实时代谢率；若用户处于状态2，用户代谢已基本保持静坐稳定状态，皮肤表面平均温度更能反应与房间的热交换，利用公式(1)-(10)，取美国暖通、制冷与空调工程师协会标准55-2013中静坐状态对应的人体代谢率，计算其核心个性化参数实时皮肤表面平均温度；
S302)、在状态1下，使用特征提取模块得到的室内外环境特征，结合步骤S301)中得到的代谢率为目标标签，利用机器学习模型进行回归分析，建立第一回归模型；在状态2下，使用特征提取模块得到的室内环境特征、以及上一时刻用户热舒适度反馈特征，结合步骤S301)中得到的当前时刻皮肤表面平均温度为目标标签，利用机器学习模型进行回归分析，建立第二回归模型；
S303)、在新的时刻点，重复数据采集模块、特征提取模块，采集并提取室内外环境特征、用户状态特征、活动强度特征，利用步骤S302)中用历史数据训练好的回归模型，回归预测当前新时刻用户代谢率或皮肤表面平均温度，代入二节点模型(1)计算出实时蓄热率，并根据步骤S301)所述的映射关系(2)得到预测的用户热舒适度评价。
8.根据权利要求7所述的一种智能建筑人员个性化热舒适度动态感知方法，其特征在于，步骤S4)具体包括：
S401)、由用户热舒适度感知模块预测完成用户热舒适度后，结合特征提取模块得到的用户该时刻真实热舒适度反馈信息，计算实际反馈与预测之间的偏差；
S402)、根据实际反馈与预测之间的偏差，将该时刻数据采集模块采集到的数据加入历史数据集中作为训练集，优化更新S302)获得的机器学习训练得到的回归模型，用于下一时刻的预测。
9.根据权利要求7所述的一种智能建筑人员个性化热舒适度动态感知方法，其特征在于，用户的热舒适度投票数据是用户对当前室内环境的冷热评价反馈，取值范围为-3到+3。
CN201910491186.8A 2019-06-06 2019-06-06 一种智能建筑人员个性化热舒适度动态感知的系统及方法 Active CN110377936B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910491186.8A CN110377936B (zh) 2019-06-06 2019-06-06 一种智能建筑人员个性化热舒适度动态感知的系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910491186.8A CN110377936B (zh) 2019-06-06 2019-06-06 一种智能建筑人员个性化热舒适度动态感知的系统及方法

Publications (2)

Publication Number Publication Date
CN110377936A CN110377936A (zh) 2019-10-25
CN110377936B true CN110377936B (zh) 2021-01-19

Family

ID=68249908

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910491186.8A Active CN110377936B (zh) 2019-06-06 2019-06-06 一种智能建筑人员个性化热舒适度动态感知的系统及方法

Country Status (1)

Country Link
CN (1) CN110377936B (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111067493A (zh) * 2019-12-19 2020-04-28 北京航空航天大学 一种人体热舒适预测方法
CN111141284A (zh) * 2019-12-28 2020-05-12 西安交通大学 智能建筑人员热舒适度及热环境管理系统和方法
CN111397117A (zh) * 2020-03-10 2020-07-10 珠海派诺科技股份有限公司 基于大数据的舒适度预测方法、智能终端、存储装置
CN111444943A (zh) * 2020-03-13 2020-07-24 上海交通大学 基于人体相似性的自适应个性化热舒适预测的装置和方法
CN113496318A (zh) * 2020-03-18 2021-10-12 海信集团有限公司 一种评价用户个性化热舒适的pmv值的终端和方法
CN113627448A (zh) * 2020-05-07 2021-11-09 香港大学浙江科学技术研究院 构建人体热舒适预测模型的方法、预测方法及系统
CN113325762B (zh) * 2021-05-25 2023-04-28 西安交通大学 一种智能建筑个性化用能控制方法、系统、装置和设备
CN113339950A (zh) * 2021-05-31 2021-09-03 青岛海信日立空调系统有限公司 空调控制系统
CN113808743B (zh) * 2021-09-13 2022-06-14 中国矿业大学(北京) 一种电网户外作业人员热应激预警方法及系统
CN114183881B (zh) * 2022-02-14 2022-05-24 江苏恒维智信息技术有限公司常州经开区分公司 基于视觉辅助的热舒适度智能控制方法
CN114170561B (zh) * 2022-02-14 2022-05-06 盈嘉互联（北京）科技有限公司 一种应用于智能建筑的机器视觉行为意图预测方法
CN115545507A (zh) * 2022-10-17 2022-12-30 哈尔滨工业大学 室内空间热舒适度评价方法、装置及系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2960045B1 (fr) * 2010-05-12 2012-07-20 Commissariat Energie Atomique Controle personnalise du confort thermique d'un occupant d'un batiment
US20130261808A1 (en) * 2012-03-30 2013-10-03 John K. Besore System and method for energy management of an hvac system
CN106156412A (zh) * 2016-06-24 2016-11-23 华南理工大学 一种计算湿热地区体育馆内运动人体热舒适度范围的方法
CN107917507B (zh) * 2017-11-14 2020-05-12 西安建筑科技大学 一种融合图像信息的集中空调热舒适度pmv控制方法

Also Published As

Publication number Publication date
CN110377936A (zh) 2019-10-25

Similar Documents

Publication Publication Date Title
CN110377936B (zh) 一种智能建筑人员个性化热舒适度动态感知的系统及方法
CN107917507B (zh) 一种融合图像信息的集中空调热舒适度pmv控制方法
EP3891441B1 (en) System and method for personalized thermal comfort control
CN104490371B (zh) 一种基于人体生理参数的热舒适检测方法
CN104102789B (zh) 一种建筑热湿环境等级的评估系统及方法
JP2021508118A (ja) 動作を制御するシステム及び方法
CN112032970B (zh) 一种基于体表温度监测的智能空调调控方法
CN112613232B (zh) 一种冬季供暖条件下室内人体热舒适预测及评价方法
Burzo et al. Multimodal sensing of thermal discomfort for adaptive energy saving in buildings
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
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
CN108361217B (zh) 风扇风速控制方法、系统和风扇
CN109738966A (zh) 一种基于人体热生理调节模型的热舒适度实时预测系统
TWI746087B (zh) 空調系統控制方法
CN112734003A (zh) 一种基于深层卷积网络的人体皮肤温度检测方法
Kciuk et al. Design and modeling of intelligent building office and thermal comfort based on probabilistic neural network
CN117053378A (zh) 一种基于用户画像的暖通空调智能调控方法
CN111079264A (zh) 基于拓展因子和预测平均投票值的热舒适建模方法
Zhou et al. A model-driven learning approach for predicting the personalized dynamic thermal comfort in ordinary office environment
Cheng et al. Non-invasive thermal comfort perception based on subtleness magnification and deep learning for energy efficiency
He et al. A local thermal sensation model suitable for thermal comfort evaluation of sensitive body segments
Zhang A bio-sensing and reinforcement learning control system for personalized thermal comfort and energy efficiency
Zhao et al. On-line adaptive personalized dynamic thermal comfort (PDTC) model using recursive least square estimation
Thitisawat et al. Adaptive outdoor comfort model calibrations for a semitropical region
CN114183881B (zh) 基于视觉辅助的热舒适度智能控制方法

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
TR01 Transfer of patent right

Effective date of registration: 20231030

Address after: Room 11302 and 11303, 13th Floor, Building 6, Xixian International Cultural and Creative Town, No. 1816 Fengliu Road, Fengxi New City, Xi'an City, Shaanxi Province, 710061

Patentee after: Qing'an Youneng (Xi'an) Technology Co.,Ltd.

Address before: 710049 No. 28 West Xianning Road, Shaanxi, Xi'an

Patentee before: XI'AN JIAOTONG University

TR01 Transfer of patent right