CN112613232B - 一种冬季供暖条件下室内人体热舒适预测及评价方法 - Google Patents
一种冬季供暖条件下室内人体热舒适预测及评价方法 Download PDFInfo
- Publication number
- CN112613232B CN112613232B CN202011507287.9A CN202011507287A CN112613232B CN 112613232 B CN112613232 B CN 112613232B CN 202011507287 A CN202011507287 A CN 202011507287A CN 112613232 B CN112613232 B CN 112613232B
- Authority
- CN
- China
- Prior art keywords
- indoor
- human body
- thermal comfort
- pmv
- ppd
- 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
Images
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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24D—DOMESTIC- OR SPACE-HEATING SYSTEMS, e.g. CENTRAL HEATING SYSTEMS; DOMESTIC HOT-WATER SUPPLY SYSTEMS; ELEMENTS OR COMPONENTS THEREFOR
- F24D19/00—Details
- F24D19/10—Arrangement or mounting of control or safety devices
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- 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
Abstract
本发明提供一种冬季供暖条件下室内人体热舒适预测及评价方法包括步骤:建立PMV‑PPD室内环境人体热舒适模型;基于RBF神经网络的PMV‑PPD预测;对所述输入数据进行预处理;搭建RBF神经网络预测模型;学习与预测;进行K‑Means聚类算法。本发明所述的方法可以让用户根据传感器设备及主观个体因素对室内环境进行实时监测,获得冬季供暖条件下室内环境的热舒适度情况,既可以指导用户手动开关空调、加湿器及电热器等辅助采暖设备,也可以为供热公司的供暖质量提供技术支持。本发明通过简单的设备和本发明的方法,为冬季供暖条件下的热用户提供一种实时监测室内环境舒适度的方法,并以此形成反馈调节,进而提高供热单位的供热质量。
Description
技术领域
本发明涉及舒适预测及评价的技术领域,具体而言,尤其涉及一种冬季供暖条件下室内人体热舒适预测及评价方法。
背景技术
适应性热舒适研究是当前国际上建筑热舒适领域的研究热点,对于探索人与气候、环境的作用规律,制定室内热环境标准具有重要的意义。我国北方地区冬季寒冷漫长,供暖能耗巨大。供暖地区冬季存在或室内供暖温度过高或室内供暖温度略低的现象,既不利于充分发挥人体热适应又增加了建筑供暖能耗。随着人民生活水平的提高,能源使用地增长,使得营造一个既满足人们舒适又保证资源有效利用的生活环境成为亟待解决的问题。室内舒适性直接决定了冬季供暖条件下热用户在室内活动过程中对供热质量的感受及辅助供热手段的需求(空调、电热器等)。对供暖环境下的热舒适性进行预测与客观合理的评价对提高供热质量、减少能源浪费、营造舒适的室内热环境等方面具有重要意义。
在多种评价热舒适的算法或者模型中,PMV-PPD模型是认知度最高,应用最为广泛,且也是非常科学的一种模型。但是,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,进而导致无法指导供热公司供热,从而无法合理满足人们的热舒适度需求;预计不满意百分率(PPD)指数通过预测在给定环境中可能感觉过热或过冷的人的百分数来提供有关热不适或者热不满意的信息,PPD可由PMV得出。针对上述PMV存在的问题,提出使用RBF神经网络预测模型预测PMV值,其具有计算量小,计算复杂度低,计算速度快等多个优点,但是由于其本身只是解决PMV值得预测,模型的分类方法仍属于硬性分类,在用于评价人体热舒适时,会出现实际热感觉与PMV-PPD值有偏差、分类结果不准确的情况。K-Means聚类算法是目前较为成熟的一种聚类算法,其聚类过程完全依据聚类中心与数据之间的距离,因此通过算法可以有效的解决在冬季供暖条件下室内环境中直接使用PMV-PPD算法所产生的缺陷。
发明内容
根据上述提出无法合理满足人们的热舒适度需求的技术问题,而提供一种冬季供暖条件下室内人体热舒适预测及评价方法。本发明主要利用传感器设备及热用户个人因素问卷调查表采集室内空气温度、湿度、风速、室外温度、湿度及用户活动状态作为RBF神经网络模型输入变量,首先使用减法聚类算法初步确定隐含层神经元个数;其次,使用K-Means聚类算法,对该算法的相关参数进行初始化并将预测到的PVM-PPD值进行聚类,以获得相应的聚类中心;最后,计算RBF神经网络所得的PMV-PPD值与聚类中心之间的欧氏距离。比较得到的欧氏距离,获取其最小值,则该距离对应的聚类中心所对应的类即为该供热条件下室内环人体的热舒适隶属类。
本发明包含一种冬季供暖条件下室内人体热舒适预测及评价方法,其特征在于,包括以下步骤:
步骤S1:建立PMV-PPD室内环境人体热舒适模型;
步骤S3:对所述输入数据进行预处理;即将所述输入数据进行数据归一化处理;
步骤S4:搭建RBF神经网络预测模型;确定神经网络的输入与输出,所述输入数据为用户活动状态,室内温度,室内湿度,室外温度,室外湿度,室内风速,输出为PMV值;并通过减法聚类算法确定RBF神经网络隐含层神经元个数从而确定网络结构;
步骤S5:学习与预测:对所述步骤S4获取的RBF神经网络模型,在训练集上重新训练该模型,获取训练后的模型预测PMV值。
步骤S6:K-Means聚类算法;初始化k个聚类中心,计算每一个对象到每一个聚类中心的欧式距离,公式为:
其中,Xi表示第i个对象,1≤i≤n,Cj表示第j个聚类中心,1≤j≤k,Xit表示第i个对象的第t个属性,1≤t≤m,Cjt表示第i个聚类中心的第t个属性;依次比较每一个对象到每一个聚类中心的距离,将对象分配到距离最近的聚类中心的类簇中,得到k个类簇{S1,S2,S3,...,Sk};
得到聚类中心,公式为:
其中,Ci表示第1个聚类中心,|Sl|表示1个类中对象的个数,Xi表示第1个类中第i个对象,1≤i≤|Sl|。
进一步地,所述PMV-PPD室内环境人体热舒适模型为:
其中,M表示人体能量代谢率;W表示人体单位表面积所做的机械功;Pa表示环境空气中水蒸气分压力;fc1表示人体服装覆盖面积与裸露面积之比,即着衣面积系数;表示平均辐射温度;ta表示人体周围的空气温度;tc1表示服装外表面温度;hc表示对流换热系数;Ic1表示服装热阻;v表示相对风速;M表示用户活动状态,ta表示室内温度;
更进一步地,PPD值由PMV值计算所得:
PPD=100-95exp[-(0.03353PMV4+0.2179PMV4)]。
进一步地,所述RBF神经网络模型为回归模型;模型输入层神经元数为数据输入维数,隐含层神经元数通过密度分布确定,权值更新采用梯度下降法。
更进一步地,所述K-Means聚类算法通过用户自定义聚类中心数评价当前热舒适度。
较现有技术相比,本发明具有以下优点:
本发明所述的方法可以让用户根据传感器设备及主观个体因素对室内环境进行实时监测,获得冬季供暖条件下室内环境的热舒适度情况,既可以指导用户手动开关空调、加湿器及电热器等辅助采暖设备,也可以为供热公司的供暖质量提供技术支持。本发明通过简单的设备和本发明的方法,为冬季供暖条件下的热用户提供一种实时监测室内环境舒适度的方法,并以此形成反馈调节,进而提高供热单位的供热质量。
附图说明
为了更清楚地说明本发明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做以简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明整体流程示意图。
图2为本发明热用户主观问卷中活动强度分别对应的人体新陈代谢值。
图3为本发明热用户主观问卷中衣着情况分别对应的服装热阻值。
图4为本发明冬季室内PMV值预测曲线图。
图5为本发明冬季室内PMV值预测误差曲线图。
图6为本发明实施例中K-means算法聚类出PMV模型的聚类中心。
图7为本发明实施例中PPD值。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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的实施例,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做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
如图所示,本发明提供了一种冬季供暖条件下室内人体热舒适评价方法,首先将相关变量输入PMV-PPD数学模型,计算PMV-PPD值,形成测试数据集。然后将易测变量作为RBF神经网络输入,训练得出预测的PMV-PPD值并使用MSE评价指标与测试集中的PMV-PPD值相对比;然后为使该热舒适性评价方法简易可行且通俗直观,设置聚类个数为3(分别对应热、舒适、冷三种情况);其次使用K-Means聚类算法对PMV-PPD数据集进行聚类分析,并得到三个聚类中心;最后将预测出的PMV-PPD值与三个聚类中心的欧式距离,且找出最小值;根据距离最小值判定该冬季供暖条件下室内环境的热舒适性类别,并结束此次评价过程。
作为一种优选的实施方式,在本申请中包含一种冬季供暖条件下室内人体热舒适预测及评价方法,包括以下步骤:
步骤S1:建立PMV-PPD室内环境人体热舒适模型;
步骤S2:基于RBF神经网络的PMV-PPD预测;采集输入数据,用户活动状态室内温度/>室内湿度/>室外温度ti,室外湿度Hi,室内风速/>在此所说的输入数据通过传感器采集数据并上传到数据库,从数据库输入到Matlab的RBF模型中。
步骤S3:对所述输入数据进行预处理;即将所述输入数据进行数据归一化处理。
步骤S4:搭建RBF神经网络预测模型;确定神经网络的输入与输出,所述输入数据为用户活动状态,室内温度,室内湿度,室外温度,室外湿度,室内风速,输出为PMV值;并通过减法聚类算法确定RBF神经网络隐含层神经元个数从而确定网络结构。
步骤S5:学习与预测:对所述步骤S4获取的RBF神经网络模型,在训练集上重新训练该模型,获取训练后的模型预测PMV值。
步骤S6:K-Means聚类算法;初始化k个聚类中心,计算每一个对象到每一个聚类中心的欧式距离,公式为:
其中,Xi表示第i个对象,1≤i≤n,Cj表示第j个聚类中心,1≤j≤k,Xit表示第i个对象的第t个属性,1≤t≤m,Cjt表示第i个聚类中心的第t个属性;依次比较每一个对象到每一个聚类中心的距离,将对象分配到距离最近的聚类中心的类簇中,得到k个类簇{S1,S2,S3,...,Sk};
得到聚类中心,公式为:
其中,Ci表示第1个聚类中心,|Sl|表示1个类中对象的个数,Xi表示第1个类中第i个对象,1≤i≤|Sl|。
作为一种优选的实施方式,在本申请中所述PMV-PPD室内环境人体热舒适模型为:
其中,M表示人体能量代谢率;W表示人体单位表面积所做的机械功;Pa表示环境空气中水蒸气分压力;fc1表示人体服装覆盖面积与裸露面积之比,即着衣面积系数;表示平均辐射温度;ta表示人体周围的空气温度;tc1表示服装外表面温度;hc表示对流换热系数;Ic1表示服装热阻;v表示相对风速;M表示用户活动状态,ta表示室内温度;
进一步地,PPD值由PMV值计算所得:
PPD=100-95exp[-(0.03353PMV4+0.2179PMV4)]。
同时,本发明所述RBF神经网络模型为回归模型;模型输入层神经元数为数据输入维数,隐含层神经元数通过密度分布确定,权值更新采用梯度下降法。所述K-Means聚类算法通过用户自定义聚类中心数评价当前热舒适度。
在本申请中,作为优选的,冬季供暖条件下的室内环境包括但不限于多个供暖地区、多种天气以及一天中的多个时间段;所述的传感器设备包括但不限于温度计、湿度计、风速仪以及此类的相关设备。其特征在于:PMV-PPD数学模型中不但包括冬季供暖条件下室内环境因素还包括热用户主观个体因素,
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (5)
1.一种冬季供暖条件下室内人体热舒适预测及评价方法,其特征在于,包括以下步骤:
S1:建立PMV-PPD室内环境人体热舒适模型;
S3:对所述输入数据进行预处理;即将所述输入数据进行数据归一化处理;
S4:搭建RBF神经网络预测模型;确定神经网络的输入与输出,所述输入数据为用户活动状态,室内温度,室内湿度,室外温度,室外湿度,室内风速,输出为PMV值;并通过减法聚类算法确定RBF神经网络隐含层神经元个数从而确定网络结构;
S5:学习与预测:对所述步骤S4获取的RBF神经网络模型,在训练集上重新训练该模型,获取训练后的模型预测PMV值;
S6:K-Means聚类算法;初始化k个聚类中心,计算每一个对象到每一个聚类中心的欧式距离,公式为:
其中,Xi表示第i个对象,1≤i≤n,Cj表示第j个聚类中心,1≤j≤k,Xit表示第i个对象的第t个属性,1≤t≤m,Cjt表示第i个聚类中心的第t个属性;依次比较每一个对象到每一个聚类中心的距离,将对象分配到距离最近的聚类中心的类簇中,得到k个类簇{S1,S2,S3,...,Sk};
得到聚类中心,公式为:
其中,Ci表示第1个聚类中心,|Sl|表示1个类中对象的个数,Xi表示第1个类中第i个对象,1≤i≤|Sl|。
3.根据权利要求2所述的一种冬季供暖条件下室内人体热舒适预测及评价方法,其特征在于,
PPD值由PMV值计算所得:
PPD=100-95exp[-(0.03353PMV4+0.2179PMV4)]。
4.根据权利要求1所述的冬季供暖条件下人体热舒适度预测及评价方法其特征在于:
所述RBF神经网络模型为回归模型;模型输入层神经元数为数据输入维数,隐含层神经元数通过密度分布确定,权值更新采用梯度下降法。
5.根据权利要求1所述的冬季供暖条件下人体热舒适度预测及评价方法其特征在于:所述K-Means聚类算法通过用户自定义聚类中心数评价当前热舒适度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011507287.9A CN112613232B (zh) | 2020-12-18 | 2020-12-18 | 一种冬季供暖条件下室内人体热舒适预测及评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011507287.9A CN112613232B (zh) | 2020-12-18 | 2020-12-18 | 一种冬季供暖条件下室内人体热舒适预测及评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112613232A CN112613232A (zh) | 2021-04-06 |
CN112613232B true CN112613232B (zh) | 2023-05-26 |
Family
ID=75240621
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011507287.9A Active CN112613232B (zh) | 2020-12-18 | 2020-12-18 | 一种冬季供暖条件下室内人体热舒适预测及评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112613232B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN114657742A (zh) * | 2022-03-23 | 2022-06-24 | Tcl家用电器(合肥)有限公司 | 洗涤剂用量的控制方法、控制装置、存储介质及洗衣机 |
CN115907191B (zh) * | 2022-12-08 | 2023-07-14 | 山东建筑大学 | 一种自适应建筑光伏表皮模型预测控制方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008107910A (ja) * | 2006-10-23 | 2008-05-08 | Asahi Glass Co Ltd | ガラス板の熱的快適性評価方法及び該評価方法を用いたガラス板選択方法 |
JP2009109034A (ja) * | 2007-10-26 | 2009-05-21 | Toshiba Corp | 空調制御支援データ生成装置および空調制御支援データ生成方法 |
JP2020133963A (ja) * | 2019-02-15 | 2020-08-31 | パナソニックIpマネジメント株式会社 | 空気調和機の最適オン/オフ時刻算出処理を実行するサーバ、および最適オン/オフ時刻算出処理システム |
CN111639462A (zh) * | 2020-05-29 | 2020-09-08 | 桂林电子科技大学 | 一种基于深度置信神经网络的自然通风环境下建筑室内热舒适预测方法 |
-
2020
- 2020-12-18 CN CN202011507287.9A patent/CN112613232B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008107910A (ja) * | 2006-10-23 | 2008-05-08 | Asahi Glass Co Ltd | ガラス板の熱的快適性評価方法及び該評価方法を用いたガラス板選択方法 |
JP2009109034A (ja) * | 2007-10-26 | 2009-05-21 | Toshiba Corp | 空調制御支援データ生成装置および空調制御支援データ生成方法 |
JP2020133963A (ja) * | 2019-02-15 | 2020-08-31 | パナソニックIpマネジメント株式会社 | 空気調和機の最適オン/オフ時刻算出処理を実行するサーバ、および最適オン/オフ時刻算出処理システム |
CN111639462A (zh) * | 2020-05-29 | 2020-09-08 | 桂林电子科技大学 | 一种基于深度置信神经网络的自然通风环境下建筑室内热舒适预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112613232A (zh) | 2021-04-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN104490371B (zh) | 一种基于人体生理参数的热舒适检测方法 | |
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 | |
Li et al. | Experimental study of an indoor temperature fuzzy control method for thermal comfort and energy saving using wristband device | |
CN111639462B (zh) | 一种基于深度置信神经网络的自然通风环境下建筑室内热舒适预测方法 | |
CN106642513A (zh) | 智能节能环境调控系统及方法 | |
Brik et al. | An IoT-based deep learning approach to analyse indoor thermal comfort of disabled people | |
Sung et al. | Construction of indoor thermal comfort environmental monitoring system based on the IoT architecture | |
CN110007613B (zh) | 用于储热式电暖器的用暖预测方法、系统及存储介质 | |
CN113485498B (zh) | 一种基于深度学习的室内环境舒适度调节方法及系统 | |
CN111594996A (zh) | 一种基于深度置信神经网络的变风量空调送风量的预测方法 | |
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 | |
Cakir et al. | A bayesian deep neural network approach to seven-point thermal sensation perception | |
CN112097378A (zh) | 一种基于前馈型神经网络的空调舒适度调节方法 | |
Ma et al. | Real-time indoor thermal comfort prediction in campus buildings driven by deep learning algorithms | |
Xu et al. | Action-based personalized dynamic thermal demand prediction with video cameras | |
Zhao et al. | Thermal sensation and occupancy-based cooperative control method for multi-zone VAV air-conditioning systems | |
CN110033172A (zh) | 一种能效多维度评价方法、装置及系统 | |
CN114964506A (zh) | 基于红外热成像的室内人体热舒适智能调控方法和系统 | |
Ren et al. | Predicting education building occupants’ thermal sensation through CatBoost-DF algorithm | |
Zhang | A bio-sensing and reinforcement learning control system for personalized thermal comfort and energy efficiency | |
Bingxin et al. | Experimental design and the GA-BP prediction of human thermal comfort index | |
CN117349621A (zh) | 一种夏季可变温环境下室内人体热舒适预测及评价方法 | |
CN112734003A (zh) | 一种基于深层卷积网络的人体皮肤温度检测方法 | |
Mao et al. | A Human Thermal Comfort Level Estimating Method Using Thermal Image and Sensor Data |
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 |