CN112577159A - 基于人体热舒适度的空调节能智能控制方法及装置 - Google Patents

Abstract

本发明公开了基于人体热舒适度的空调节能智能控制方法及装置，根据遗传算法对人体热舒适度与空调能耗进行迭代优化，获得人体热舒适度最优值与空调能耗最优值，构建Agent模型，输入环境参数以及人体热舒适最优值作为约束条件进行Agent模型训练，获得空调控制指令，空调接收到空调控制指令，空调运作过程中引起环境参数变化，若室内的温度大于所述室内的舒适温度值，或室内的湿度大于所述室内的舒适度湿度值，或当室内人数或热负荷增加或减少时，重新训练调整所述空调控制指令。本发明通过对人体热舒适度进行寻优，优化SVR模型获得空调指令，实现实时满足人体的舒适度并达到空调节能的效果。

Description

基于人体热舒适度的空调节能智能控制方法及装置

技术领域

本发明涉及空调智能控制技术领域，尤其涉及一种基于人体热舒适度的空调节能智能控制方法及装置。

背景技术

在全球倡导绿色能源下，空调系统能耗是建筑能源消耗的最大之一。因此，设计空调系统的智能控制进行节能显得尤为重要，在满足人体舒适的前提下尽可能减少能耗。然而，由于一个建筑内人员的数量、位置及活动范围的不确定性，影响室内人的舒适度，进而也影响能源的消耗。

现有技术中，研究人员一方面关注人的位置来进行节能的控制；另一方面利用机器学习进行研究，采用机器学习工具建立数据驱动模型，然而，仅关注人移动的位置来进行节能的控制，若空调系统的设定值不合适，会消耗更多的能源，仅关注了节能而忽略人体的热舒适度；另一方面采用机器学习来进行空调的节能研究，由于机器学习算法，需要建立复杂的热环境，各参数之间相互影响，所建立的热环境各参数模型不准确且只是建立环境之间各参数变量之间的交互环境，忽略考虑人的位置、人的数量、室内热负荷分布等因素，导致模型不精确，空间中人员的数量和人员位置分布是不可控的，除环境参数影响人的舒适度外，人员的数量、位置分布也是影响人体舒适度的重要因素，并影响能源的消耗，人体不能达到最佳的舒适度。

发明内容

本发明目的在于，提供一种基于人体热舒适度的空调节能智能控制方法，通过采用遗传算法对人体热舒适度的寻优，并采用粒子群算法级进行SVR模型的训练，得到Agent模型，训练得到适合人体热舒适度的空调指令，以解决由于空间人员数量和位置不可控，导致获取人体热舒适度不准确的问题，同时达到空调节能的效果。

为实现上述目的，本发明实施例提供一种基于人体热舒适度的空调节能智能控制方法，包括：

根据遗传算法对人体热舒适度与空调能耗进行迭代优化，获得人体热舒适度最优值与空调能耗最优值；

构建Agent模型，所述Agent模型采用粒子群算法调参优化预设的SVR模型得到的SVR预测模型，输入环境参数以及所述人体热舒适最优值作为约束条件进行Agent模型训练，获得空调控制指令，所述空调控制指令包括空调温度控制指令、空调风速控制指令和空调风向控制指令；

空调接收到所述空调控制指令，空调运作过程中引起环境参数变化，若室内的温度大于所述室内的舒适温度值，或室内的湿度大于所述室内的舒适度湿度值，或当室内人数或热负荷增加或减少时，重新训练调整所述空调控制指令。

优选地，所述根据遗传算法对人体热舒适度与空调能耗进行迭代优化，获得人体热舒适度最优值与空调能耗最优值，包括：

根据温度调节预设的PMV值来获得所述人体热舒适度，根据遗传算法对人体热舒适度与空调能耗进行迭代优化，获得人体热舒适度最优值与空调能耗最优值，其中，所述人体热舒适度最优值与所述空调能耗最优值成反比。

优选地，所述构建Agent模型，所述Agent模型采用粒子群算法调参优化预设的SVR模型得到的SVR预测模型，输入环境参数以及所述人体热舒适最优值作为约束条件进行Agent模型训练，获得空调控制指令，所述空调控制指令包括空调温度控制指令、空调风速控制指令和空调风向控制指令，包括：

引入数据样本集合{(x_i,y_i),...(x_n,y_n)}。其中，x_i∈R_d,y_i∈R,i＝1,2,…,n,预设线性函数为：f(x)＝ω^T·x+b,其中，ω为权重因子，b为常数，样本数据偏差不超过不敏感损失函数ε，则SVR模型的目标函数如下：

其中，l是误差计算函数，对于小于ε的误差为0，如下：

其中，z＝f(x_i)-y_i,引入松弛变量ξ，则ξ_i,

为松弛因子，SVR模型的目标函数的约束条件为：

s.t.f(x_i)-y_i≤ε+ξ_i；

优选地，所述构建Agent模型，所述Agent模型采用粒子群算法调参优化预设的SVR模型得到的SVR预测模型，输入环境参数以及所述人体热舒适最优值作为约束条件进行Agent模型训练，获得空调控制指令，所述空调控制指令包括空调温度控制指令、空调风速控制指令和空调风向控制指令，包括：

根据所述SVR模型的目标函数和约束条件，引入拉格朗日乘子算法，得到拉格朗日函数，如下：

式中，α_i≥0,α_i ^*≥0；γ_i≥0,

是拉格朗日因子，i＝1,2,...,n,对所述拉格朗日函数求偏导，获得

C＝α_i+γ_i,C＝α^* _i+γ^* _i,并代入所述拉格朗日函数，得到所述SVR模型的对偶形式，如下：

所述SVR模型的对偶形式需满足以下KKT条件得到所述SVR模型的对偶形式的可行解，所述KKT条件如下：

根据所述SVR模型满足所述KKT条件得到的α，获得更新后的SVR模型，如下：

其中，

引入核函数

得到如下更新后的SVR模型：

其中，φ为核函数由低维到高维的映射。

优选地，所述构建Agent模型，所述Agent模型采用粒子群算法调参优化预设的SVR模型得到的SVR预测模型，输入环境参数以及所述人体热舒适最优值作为约束条件进行Agent模型训练，获得空调控制指令，所述空调控制指令包括空调温度控制指令、空调风速控制指令和空调风向控制指令，包括：

采用粒子群算法调参优化所述更新后的SVR模型构建Agent模型，包括，迭代优化惩罚参数C、不敏感损失函数ε和核函数参数θ。

优选地，所述构建Agent模型，所述Agent模型采用粒子群算法调参优化预设的SVR模型得到的SVR预测模型，输入环境参数以及所述人体热舒适最优值作为约束条件进行Agent模型训练，获得空调控制指令，所述空调控制指令包括空调温度控制指令、空调风速控制指令和空调风向控制指令，包括：

所述环境参数通过传感器采集数据，包括：室内温度、室内湿度、室外温度、室外湿度、室内人数和室内人员位置；

所述人体热舒适度最优值作为约束条件，所述约束条件包括设定舒适温度、设定舒适湿度和给定舒适温度所需时间。

本发明实施例提供还提供一种基于人体热舒适度的空调节能智能控制装置，包括：

寻优模块，用于根据遗传算法对人体热舒适度与空调能耗进行迭代优化，获得人体热舒适度最优值与空调能耗最优值；

训练模块，构建Agent模型，所述Agent模型采用粒子群算法调参优化预设的SVR模型得到的SVR预测模型，输入环境参数以及所述人体热舒适最优值作为约束条件进行Agent模型训练，获得空调控制指令，所述空调控制指令包括空调温度控制指令、空调风速控制指令和空调风向控制指令；

控制模块，用于根据空调接收到所述空调控制指令，空调运作过程中引起环境参数变化，若室内的温度大于所述室内的舒适温度值，或室内的湿度大于所述室内的舒适度湿度值，或当室内人数或热负荷增加或减少时，重新训练调整所述空调控制指令。

优选地，所述训练模块，包括：

引入数据样本集合{(x_i,y_i),...(x_n,y_n)}。其中，x_i∈R_d,y_i∈R,i＝1,2,…,n,预设线性函数为：f(x)＝ω^T·x+b,其中，ω为权重因子，b为常数，样本数据偏差不超过不敏感损失函数ε，则SVR模型的目标函数如下：

其中，l是误差计算函数，对于小于ε的误差为0，如下：

其中，z＝f(x_i)-y_i,引入松弛变量ξ，则ξ_i,

为松弛因子，SVR模型的目标函数的约束条件为：

s.t.f(x_i)-y_i≤ε+ξ_i；

优选地，所述训练模块，包括：

根据所述SVR模型的目标函数和约束条件，引入拉格朗日乘子算法，得到拉格朗日函数，如下：

式中，α_i≥0,α_i ^*≥0；γ_i≥0,

是拉格朗日因子，i＝1,2,...,n,对所述拉格朗日函数求偏导，获得

C＝α_i+γ_i,C＝α^* _i+γ^* _i,并代入所述拉格朗日函数，得到所述SVR模型的对偶形式，如下：

所述SVR模型的对偶形式需满足以下KKT条件得到所述SVR模型的对偶形式的可行解，所述KKT条件如下：

根据所述SVR模型满足所述KKT条件得到的α，获得更新后的SVR模型，如下：

其中，

引入核函数

得到如下更新后的SVR模型：

其中，φ为核函数由低维到高维的映射。

优选地，所述训练模块，包括：

采用粒子群算法调参优化所述更新后的SVR模型构建Agent模型，包括，迭代优化惩罚参数C、不敏感损失函数ε和核函数参数θ。

本发明实施例中，采用遗传算法获取人体热舒适度的最优值，再将最优值作为约束条件输入根据粒子群算法优化的SVR模型，获得空调指令，根据环境参数的变化再调整空调指令，解决由于空间人员数量和位置不可控，导致获取人体热舒适度不准确的问题，同时达到空调节能的效果。

附图说明

为了更清楚地说明本发明的技术方案，下面将对实施方式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发明的一些实施方式，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是本发明某一实施例提供的基于人体热舒适度的空调节能智能控制方法的流程示意图；

图2是本发明另一实施例提供的预测空调给定指令的结构示意图；

图3是本发明又一实施例提供的空调节能框架示意图；

图4是本发明某一实施例提供的基于人体热舒适度的空调节能智能控制装置的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

应当理解，文中所使用的步骤编号仅是为了方便描述，不对作为对步骤执行先后顺序的限定。

应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

请参阅图1，本发明实施例提供一种基于人体热舒适度的空调节能智能控制方法，包括如下步骤：

S101、根据遗传算法对人体热舒适度与空调能耗进行迭代优化，获得人体热舒适度最优值与空调能耗最优值；

具体的，遗传算法根据大自然中生物体进化规律而设计提出，是一种通过模拟自然进化过程搜索最优解的方法。根据PMV来评价人体的热舒适度，PMV为表征人体热反应的评价指标，根据预测的平均值进行优化，本申请所采用的PMV依据ANSI ASHRAE 55 2017版，通过ANSI ASHRAE 55 2017版确定可接受的热环境方法：舒适区温度限制为：(22℃-26℃)，湿度限制为：(50％-62％)。依次分析温度、湿度和空气流速三大主要因素对于PMV值的影响，根据分析，温度对PMV值影响最大，几乎呈线性的正相关，湿度对PMV值影响最小，当湿度从30％调到60％时，PMV的变化值不超过0.2，因此不考虑对湿度进行准确控制，空气流速对PMV有一定的负作用，但室内气流模型复杂不均匀，因此本申请主要以温度调节来控制PMV值，根据本申请提出的热舒适度值进行对人体热舒适度调查，80％的人员对此热环境感到舒适，因此，根据此热舒适度值与空调能耗进行寻优，空调能耗与人体热舒适度PMV成反比关系，得出保证人体舒适度的前提下，能耗最少的参数值，在空调能耗最小的情况下，人体热舒适度PMV值最大。

在一具体的实施例中，利用遗传算法根据能耗与舒适度的关系进行寻优，人体热舒适度最优值与空调能耗最优值成反比，得出保证人体舒适度的前提下，空调能耗最小。

S102、构建Agent模型，所述Agent模型采用粒子群算法调参优化预设的SVR模型得到的SVR预测模型，输入环境参数以及所述人体热舒适最优值作为约束条件进行Agent模型训练，获得空调控制指令，所述空调控制指令包括空调温度控制指令、空调风速控制指令和空调风向控制指令；

具体的，Agent模型是采用粒子群算法优化SVR模型获得的模型，其中SVR称为支持向量回归机，将环境参数以及寻优获得的人体热舒适度最优值输入该模型进行训练，获得空调的控制指令，其中构建Agent模型的过程如下：

引入数据样本集合{(x_i,y_i),...(x_n,y_n)}。其中，x_i∈R_d,y_i∈R,i＝1,2,…,n,预设线性函数为：f(x)＝ω^T·x+b,其中，ω为权重因子，b为常数，样本数据偏差不超过不敏感损失函数ε，则SVR模型的目标函数如下：

其中，l是误差计算函数，对于小于ε的误差为0，如下：

其中，z＝f(x_i)-y_i,引入松弛变量ξ，则ξ_i,

为松弛因子，SVR模型的目标函数的约束条件为：

s.t.f(x_i)-y_i≤ε+ξ_i；

根据所述SVR模型的目标函数和约束条件，引入拉格朗日乘子算法，得到拉格朗日函数，如下：

式中，α_i≥0,α_i ^*≥0；γ_i≥0,

是拉格朗日因子，i＝1,2,...,n,对所述拉格朗日函数求偏导，获得

C＝α_i+γ_i,C＝α^* _i+γ^* _i,并代入所述拉格朗日函数，得到所述SVR模型的对偶形式，如下：

所述SVR模型的对偶形式需满足以下KKT条件得到所述SVR模型的对偶形式的可行解，所述KKT条件如下：

根据所述SVR模型满足所述KKT条件得到的α，获得更新后的SVR模型，如下：

其中，

引入核函数

得到如下更新后的SVR模型：

其中，φ为核函数由低维到高维的映射。

由于惩罚参数C、不敏感损失函数ε和核函数参数θ这三个参数是支持向量回归机的三个重要参数，核函数的不同选择对支持向量回归机的预测性能产生较高的影响，不同核函数以及核函数参数的选择也会有不同的学习模型。

请参照表1，本申请通过采用粒子群算法调参优化，利用粒子群算法优化惩罚参数C、不敏感损失函数ε和核函数参数θ这三个参数，利用这三个参数作为粒子，以支持向量回归机的均方误差MSE(Mean Square Error)为适度函数，初始化粒子群后，给定权重因子的值，确定算法最大迭代次数，本申请迭代次数为200，以均方误差MSE为适度函数得出所有粒子所在位置的最优值，均方误差MSE在几次迭代后迅速降低到最佳适应度附近波动，根据粒子群算法寻优公式对粒子群位置、速度进行最优更新，每个更新的效果都通过MSE评价当下适应度，若每个粒子当前的位置与之前最优位置相比，高于之前的最优位置，则更新当前的位置，若粒子群中如有粒子当前的位置高于全局最优位置，则该粒子作为新的最优值位置。在最大迭代200次的情况下，要求均方误差MSE低于0.01，若不满足迭代终止条件，返回更新动作，重新更新，若达到最大迭代次数200还未满足停止寻优条件，则停止迭代继续寻优，当迭代终止，对于得到的全局最优值代入回归模型进行回归预测，获得Agent模型。最优均方误差MSE为0.001，预测的准确率为99.76％。

表1：粒子群算法优化支持向量回归机参数的组合优化算法

请参照图2，根据获得的Agent模型，输入环境参数以及人体热舒适度最优值进行训练，环境参数由传感器采集数据，包括：室内温度、室内湿度、室外温度、室外湿度、室内人数和室内人员位置，人体热舒适度最优值作为约束条件，包括：设定舒适温度、设定舒适湿度和给定舒适温度所需时间，训练结束后，空调获得控制指令，包括：空调温度控制指令、空调风速控制指令和空调风向控制指令。

在一具体的实施例中，通过遗传算法获取人体热舒适度最优值，并进一步将该值作为约束条件输入至优化后的SVR模型，同时通过传感器获取其他环境参数输入一起训练，相较于现有技术，除考虑室内外温湿度、热舒适约束条件因素外，还对人的数量、位置分布，室内热负荷分布进行监测，进行建立舒适度的空调节能智能控制策略系统，既能满足人体的舒适度也能达到空调节能的效果。

S103、空调接收到所述空调控制指令，空调运作过程中引起环境参数变化，若室内的温度大于所述室内的舒适温度值，或室内的湿度大于所述室内的舒适度湿度值，或当室内人数或热负荷增加或减少时，重新训练调整所述空调控制指令。

请参照图3，具体的，空调接收到训练获得的空调指令，空调指令包括空调温度控制指令、空调风速控制指令和空调风向控制指令，在空调运行的过程中，会引起环境参数的变化，若检测到室内的温度大于所述室内的舒适温度值，或室内的湿度大于所述室内的舒适度湿度值，或当室内人数或热负荷增加或减少时，重新训练调整，获取新的空调控制指令完成空调的运作。

在一具体实施例中，通过优化训练模型，获取空调指令，根据不同的环境参数，重新给定控制空调指令，在空调耗能最小的情况下满足人体的舒适度。

相比于现有的空调节能方法，本申请除考虑室内外温湿度、热舒适约束条件因素外，还对人的数量、位置分布，室内热负荷分布进行监测，进行建立舒适度的空调节能智能控制策略系统，对比了没有使用本专利所研究的策略下空调设定为某一固定工作模式，运行15小时，将节能50％～70％，且会更好的时时满足人体的舒适度，本申请所采用的训练模型易于根据环境的影响因素进行建立，所以可方便不同环境的迁移应用，为新一代空调的研究提供了解决方案，提高了用户舒适度体验，且本申请研究符合现在社会智能化的要求以及绿色能源的号召，具有很高的商业价值。

请参阅图4，本发明实施例提供一种基于人体热舒适度的空调节能智能控制装置，包括：

寻优模块11，用于根据遗传算法对人体热舒适度与空调能耗进行迭代优化，获得人体热舒适度最优值与空调能耗最优值；

具体的，遗传算法根据大自然中生物体进化规律而设计提出，是一种通过模拟自然进化过程搜索最优解的方法。根据PMV来评价人体的热舒适度，PMV为表征人体热反应的评价指标，根据预测的平均值进行优化，本申请所采用的PMV依据ANSI ASHRAE 55 2017版，通过ANSI ASHRAE 55 2017版确定可接受的热环境方法：舒适区温度限制为：(22℃-26℃)，湿度限制为：(50％-62％)。依次分析温度、湿度和空气流速三大主要因素对于PMV值的影响，根据分析，温度对PMV值影响最大，几乎呈线性的正相关，湿度对PMV值影响最小，当湿度从30％调到60％时，PMV的变化值不超过0.2，因此不考虑对湿度进行准确控制，空气流速对PMV有一定的负作用，但室内气流模型复杂不均匀，因此本申请主要以温度调节来控制PMV值，根据本申请提出的热舒适度值进行对人体热舒适度调查，80％的人员对此热环境感到舒适，因此，根据此热舒适度值与空调能耗进行寻优，空调能耗与人体热舒适度PMV成反比关系，得出保证人体舒适度的前提下，能耗最少的参数值，在空调能耗最小的情况下，人体热舒适度PMV值最大。

在一具体的实施例中，利用遗传算法根据能耗与舒适度的关系进行寻优，人体热舒适度最优值与空调能耗最优值成反比，得出保证人体舒适度的前提下，空调能耗最小。

训练模块12，构建Agent模型，所述Agent模型采用粒子群算法调参优化预设的SVR模型得到的SVR预测模型，输入环境参数以及所述人体热舒适最优值作为约束条件进行Agent模型训练，获得空调控制指令，所述空调控制指令包括空调温度控制指令、空调风速控制指令和空调风向控制指令；

具体的，Agent模型是采用粒子群算法优化SVR模型获得的模型，其中SVR称为支持向量回归机，将环境参数以及寻优获得的人体热舒适度最优值输入该模型进行训练，获得空调的控制指令，其中构建Agent模型的过程如下：

引入数据样本集合{(x_i,y_i),...(x_n,y_n)}。其中，x_i∈R_d,y_i∈R,i＝1,2,…,n,预设线性函数为：f(x)＝ω^T·x+b,其中，ω为权重因子，b为常数，样本数据偏差不超过不敏感损失函数ε，则SVR模型的目标函数如下：

其中，l是误差计算函数，对于小于ε的误差为0，如下：

其中，z＝f(x_i)-y_i,引入松弛变量ξ，则ξ_i,

为松弛因子，SVR模型的目标函数的约束条件为：

s.t.f(x_i)-y_i≤ε+ξ_i；

根据所述SVR模型的目标函数和约束条件，引入拉格朗日乘子算法，得到拉格朗日函数，如下：

式中，α_i≥0,α_i ^*≥0；γ_i≥0,

是拉格朗日因子，i＝1,2,...,n,对所述拉格朗日函数求偏导，获得

C＝α_i+γ_i,C＝α^* _i+γ^* _i,并代入所述拉格朗日函数，得到所述SVR模型的对偶形式，如下：

所述SVR模型的对偶形式需满足以下KKT条件得到所述SVR模型的对偶形式的可行解，所述KKT条件如下：

根据所述SVR模型满足所述KKT条件得到的α，获得更新后的SVR模型，如下：

其中，

引入核函数

得到如下更新后的SVR模型：

其中，φ为核函数由低维到高维的映射。

由于惩罚参数C、不敏感损失函数ε和核函数参数θ这三个参数是支持向量回归机的三个重要参数，核函数的不同选择对支持向量回归机的预测性能产生较高的影响，不同核函数以及核函数参数的选择也会有不同的学习模型。

请参照表1，本申请通过采用粒子群算法调参优化，利用粒子群算法优化惩罚参数C、不敏感损失函数ε和核函数参数θ这三个参数，利用这三个参数作为粒子，以支持向量回归机的均方误差MSE(Mean Square Error)为适度函数，初始化粒子群后，给定权重因子的值，确定算法最大迭代次数，本申请迭代次数为200，以均方误差MSE为适度函数得出所有粒子所在位置的最优值，均方误差MSE在几次迭代后迅速降低到最佳适应度附近波动，根据粒子群算法寻优公式对粒子群位置、速度进行最优更新，每个更新的效果都通过MSE评价当下适应度，若每个粒子当前的位置与之前最优位置相比，高于之前的最优位置，则更新当前的位置，若粒子群中如有粒子当前的位置高于全局最优位置，则该粒子作为新的最优值位置。在最大迭代200次的情况下，要求均方误差MSE低于0.01，若不满足迭代终止条件，返回更新动作，重新更新，若达到最大迭代次数200还未满足停止寻优条件，则停止迭代继续寻优，当迭代终止，对于得到的全局最优值代入回归模型进行回归预测，获得Agent模型。最优均方误差MSE为0.001，预测的准确率为99.76％。

表1：粒子群算法优化支持向量回归机参数的组合优化算法

请参照图2，根据获得的Agent模型，输入环境参数以及人体热舒适度最优值进行训练，环境参数由传感器采集数据，包括：室内温度、室内湿度、室外温度、室外湿度、室内人数和室内人员位置，人体热舒适度最优值作为约束条件，包括：设定舒适温度、设定舒适湿度和给定舒适温度所需时间，训练结束后，空调获得控制指令，包括：空调温度控制指令、空调风速控制指令和空调风向控制指令。

在一具体的实施例中，通过遗传算法获取人体热舒适度最优值，并进一步将该值作为约束条件输入至优化后的SVR模型，同时通过传感器获取其他环境参数输入一起训练，相较于现有技术，除考虑室内外温湿度、热舒适约束条件因素外，还对人的数量、位置分布，室内热负荷分布进行监测，进行建立舒适度的空调节能智能控制策略系统，既能满足人体的舒适度也能达到空调节能的效果。

控制模块13，用于根据空调接收到所述空调控制指令，空调运作过程中引起环境参数变化，若室内的温度大于所述室内的舒适温度值，或室内的湿度大于所述室内的舒适度湿度值，或当室内人数或热负荷增加或减少时，重新训练调整所述空调控制指令。

请参照图3，具体的，空调接收到训练获得的空调指令，空调指令包括空调温度控制指令、空调风速控制指令和空调风向控制指令，在空调运行的过程中，会引起环境参数的变化，若检测到室内的温度大于所述室内的舒适温度值，或室内的湿度大于所述室内的舒适度湿度值，或当室内人数或热负荷增加或减少时，重新训练调整，获取新的空调控制指令完成空调的运作。

在一具体实施例中，通过优化训练模型，获取空调指令，根据不同的环境参数，重新给定控制空调指令，在空调耗能最小的情况下满足人体的舒适度。

相比于现有的空调节能装置，本申请除考虑室内外温湿度、热舒适约束条件因素外，还对人的数量、位置分布，室内热负荷分布进行监测，进行建立舒适度的空调节能智能控制策略系统，对比了没有使用本专利所研究的策略下空调设定为某一固定工作模式，运行15小时，将节能50％～70％，且会更好的时时满足人体的舒适度，本申请所采用的训练模型易于根据环境的影响因素进行建立，所以可方便不同环境的迁移应用，为新一代空调的研究提供了解决方案，提高了用户舒适度体验，且本申请研究符合现在社会智能化的要求以及绿色能源的号召，具有很高的商业价值。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (10)

1.基于人体热舒适度的空调节能智能控制方法，其特征在于，包括：

根据遗传算法对人体热舒适度与空调能耗进行迭代优化，获得人体热舒适度最优值与空调能耗最优值；

构建Agent模型，所述Agent模型采用粒子群算法调参优化预设的SVR模型得到的SVR预测模型，输入环境参数以及所述人体热舒适最优值作为约束条件进行Agent模型训练，获得空调控制指令，所述空调控制指令包括空调温度控制指令、空调风速控制指令和空调风向控制指令；

空调接收到所述空调控制指令，空调运作过程中引起环境参数变化，若室内的温度大于所述室内的舒适温度值，或室内的湿度大于所述室内的舒适度湿度值，或当室内人数或热负荷增加或减少时，重新训练调整所述空调控制指令。

2.根据权利要求1所述的基于人体热舒适度的空调节能智能控制方法，其特征在于，所述根据遗传算法对人体热舒适度与空调能耗进行迭代优化，获得人体热舒适度最优值与空调能耗最优值，包括：

根据温度调节预设的PMV值来获得所述人体热舒适度，根据遗传算法对人体热舒适度与空调能耗进行迭代优化，获得人体热舒适度最优值与空调能耗最优值，其中，所述人体热舒适度最优值与所述空调能耗最优值成反比。

3.根据权利要求1所述的基于人体热舒适度的空调节能智能控制方法，其特征在于，所述构建Agent模型，所述Agent模型采用粒子群算法调参优化预设的SVR模型得到的SVR预测模型，输入环境参数以及所述人体热舒适最优值作为约束条件进行Agent模型训练，获得空调控制指令，所述空调控制指令包括空调温度控制指令、空调风速控制指令和空调风向控制指令，包括：

引入数据样本集合{(x_i,y_i),...(x_n,y_n)}。其中，x_i∈R_d,y_i∈R,i＝1,2,…,n,预设线性函数为：f(x)＝ω^T·x+b,其中，ω为权重因子，b为常数，样本数据偏差不超过不敏感损失函数ε，则SVR模型的目标函数如下：

其中，l是误差计算函数，对于小于ε的误差为0，如下：

其中，z＝f(x_i)-y_i,引入松弛变量ξ，则ξ_i,

为松弛因子，SVR模型的目标函数的约束条件为：

s.t.f(x_i)-y_i≤ε+ξ_i；

4.根据权利要求3所述的基于人体热舒适度的空调节能智能控制方法，其特征在于，所述构建Agent模型，所述Agent模型采用粒子群算法调参优化预设的SVR模型得到的SVR预测模型，输入环境参数以及所述人体热舒适最优值作为约束条件进行Agent模型训练，获得空调控制指令，所述空调控制指令包括空调温度控制指令、空调风速控制指令和空调风向控制指令，包括：

根据所述SVR模型的目标函数和约束条件，引入拉格朗日乘子算法，得到拉格朗日函数，如下：

式中，α_i≥0,α_i ^*≥0；γ_i≥0,

是拉格朗日因子，i＝1,2,...,n,对所述拉格朗日函数求偏导，获得

C＝α_i+γ_i,C＝α^* _i+γ^* _i,并代入所述拉格朗日函数，得到所述SVR模型的对偶形式，如下：

所述SVR模型的对偶形式需满足以下KKT条件得到所述SVR模型的对偶形式的可行解，所述KKT条件如下：

根据所述SVR模型满足所述KKT条件得到的α，获得更新后的SVR模型，如下：

其中，

引入核函数

得到如下更新后的SVR模型：

其中，φ为核函数由低维到高维的映射。

5.根据权利要求4所述的基于人体热舒适度的空调节能智能控制方法，其特征在于，所述构建Agent模型，所述Agent模型采用粒子群算法调参优化预设的SVR模型得到的SVR预测模型，输入环境参数以及所述人体热舒适最优值作为约束条件进行Agent模型训练，获得空调控制指令，所述空调控制指令包括空调温度控制指令、空调风速控制指令和空调风向控制指令，包括：

采用粒子群算法调参优化所述更新后的SVR模型构建Agent模型，包括，迭代优化惩罚参数C、不敏感损失函数ε和核函数参数θ。

6.根据权利要求5所述的基于人体热舒适度的空调节能智能控制方法，其特征在于，所述构建Agent模型，所述Agent模型采用粒子群算法调参优化预设的SVR模型得到的SVR预测模型，输入环境参数以及所述人体热舒适最优值作为约束条件进行Agent模型训练，获得空调控制指令，所述空调控制指令包括空调温度控制指令、空调风速控制指令和空调风向控制指令，包括：

所述环境参数通过传感器采集数据，包括：室内温度、室内湿度、室外温度、室外湿度、室内人数和室内人员位置；

所述人体热舒适度最优值作为约束条件，所述约束条件包括设定舒适温度、设定舒适湿度和给定舒适温度所需时间。

7.基于人体热舒适度的空调节能智能控制装置，其特征在于，包括：

寻优模块，用于根据遗传算法对人体热舒适度与空调能耗进行迭代优化，获得人体热舒适度最优值与空调能耗最优值；

训练模块，构建Agent模型，所述Agent模型采用粒子群算法调参优化预设的SVR模型得到的SVR预测模型，输入环境参数以及所述人体热舒适最优值作为约束条件进行Agent模型训练，获得空调控制指令，所述空调控制指令包括空调温度控制指令、空调风速控制指令和空调风向控制指令；

控制模块，用于根据空调接收到所述空调控制指令，空调运作过程中引起环境参数变化，若室内的温度大于所述室内的舒适温度值，或室内的湿度大于所述室内的舒适度湿度值，或当室内人数或热负荷增加或减少时，重新训练调整所述空调控制指令。

8.根据权利要求7所述的基于人体热舒适度的空调节能智能控制装置，其特征在于，所述训练模块，包括：

引入数据样本集合{(x_i,y_i),...(x_n,y_n)}。其中，x_i∈R_d,y_i∈R,i＝1,2,…,n,预设线性函数为：f(x)＝ω^T·x+b,其中，ω为权重因子，b为常数，样本数据偏差不超过不敏感损失函数ε，则SVR模型的目标函数如下：

其中，l是误差计算函数，对于小于ε的误差为0，如下：

其中，z＝f(x_i)-y_i,引入松弛变量ξ，则ξ_i,

为松弛因子，SVR模型的目标函数的约束条件为：

s.t.f(x_i)-y_i≤ε+ξ_i；

9.根据权利要求8所述的基于人体热舒适度的空调节能智能控制装置，其特征在于，所述训练模块，包括：

根据所述SVR模型的目标函数和约束条件，引入拉格朗日乘子算法，得到拉格朗日函数，如下：

式中，α_i≥0,α_i ^*≥0；γ_i≥0,

是拉格朗日因子，i＝1,2,...,n,对所述拉格朗日函数求偏导，获得

C＝α_i+γ_i,C＝α^* _i+γ^* _i,并代入所述拉格朗日函数，得到所述SVR模型的对偶形式，如下：

所述SVR模型的对偶形式需满足以下KKT条件得到所述SVR模型的对偶形式的可行解，所述KKT条件如下：

根据所述SVR模型满足所述KKT条件得到的α，获得更新后的SVR模型，如下：

其中，

引入核函数

得到如下更新后的SVR模型：

其中，φ为核函数由低维到高维的映射。

10.根据权利要求9所述的基于人体热舒适度的空调节能智能控制装置，其特征在于，所述训练模块，包括：

采用粒子群算法调参优化所述更新后的SVR模型构建Agent模型，包括，迭代优化惩罚参数C、不敏感损失函数ε和核函数参数θ。

Images