CN115342488A - 一种超低能耗住宅新风系统智能控制方法 - Google Patents
一种超低能耗住宅新风系统智能控制方法 Download PDFInfo
- Publication number
- CN115342488A CN115342488A CN202210943035.3A CN202210943035A CN115342488A CN 115342488 A CN115342488 A CN 115342488A CN 202210943035 A CN202210943035 A CN 202210943035A CN 115342488 A CN115342488 A CN 115342488A
- Authority
- CN
- China
- Prior art keywords
- fresh air
- demand
- humidity
- household
- temperature
- 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
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000005265 energy consumption Methods 0.000 title claims abstract description 35
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims abstract description 116
- 229910002092 carbon dioxide Inorganic materials 0.000 claims abstract description 58
- 239000001569 carbon dioxide Substances 0.000 claims abstract description 58
- 230000000694 effects Effects 0.000 claims abstract description 38
- 238000011835 investigation Methods 0.000 claims abstract description 29
- 238000012937 correction Methods 0.000 claims description 22
- 238000010801 machine learning Methods 0.000 claims description 20
- 238000004458 analytical method Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 12
- 238000011160 research Methods 0.000 claims description 8
- 230000001419 dependent effect Effects 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 4
- 238000012417 linear regression Methods 0.000 claims description 4
- 239000002699 waste material Substances 0.000 abstract description 4
- 238000004378 air conditioning Methods 0.000 abstract description 3
- 238000004134 energy conservation Methods 0.000 abstract description 2
- 238000012544 monitoring process Methods 0.000 description 14
- 230000006399 behavior Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 4
- 238000009434 installation Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 238000009423 ventilation Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000000611 regression analysis 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B30/00—Energy efficient heating, ventilation or air conditioning [HVAC]
- Y02B30/70—Efficient control or regulation technologies, e.g. for control of refrigerant flow, motor or heating
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Air Conditioning Control Device (AREA)
Abstract
一种超低能耗住宅新风系统智能控制方法,涉及建筑节能和空调系统控制技术领域。解决了现有超低能耗居住建筑统一送入新风不仅存在能源浪费,且无法实现按需供给的问题。本发明对安装有新风系统的目标住宅住户进行调研,获取室外温度、湿度和二氧化碳浓度,获取调研数据和室外温度、湿度和二氧化碳浓度与新风量需求之间的相关性;获取满足每个住户的室内的温湿度期望值以及室内活动需求的新风量;建立适用于每个住户的新风预测模型,对每户不同时刻的新风量需求量和新风系统送风温度进行预测;实现对新风系统智能控制。本发明适用于新风控制。
Description
技术领域
本发明涉及建筑节能和空调系统控制技术领域。
背景技术
在被动式超低能耗建筑的发展过程中,建筑的围护结构性能不断提升,建筑的保温隔热性能和整体气密性大幅改善,有效减少了围护结构的热传导和室内外空气渗透引起的冷热量损失。在严寒及寒冷地区采暖季,超低能耗建筑的冷风渗透量极小,不能满足室内新风需求量,从而必须引入机械式新风系统。但是由于冬季室外温度极低,机械式新风系统中,新风必须经过预热后送入室内才能满足送风温度和舒适性需求。被动式建筑旨在使用各种被动技术减少能源需求,使用节能产品减少建筑能耗,同时充分利用可再生能源来减少净能耗。因此,新风的处理和输配能耗是超低能耗建筑能耗中必须进行降低的一部分。
对于普通建筑,其新风量的确定是根据室内人员数或建筑面积和设计标准给出的不同场合每人所需的最小新风量或单位地板面积所需的最小新风量计算设计室外通风量,同时满足维持房间正压所需新风量。这种现有技术方案的问题在于:各房间的人员数总会有随机性的变化,且房间可以容纳一定热量,因此,仅根据室内可能出现的总人数计算新风量,实时性较差,仍有很大节能空间。特别是对于严寒地区超低能耗建筑,这种新风量过多造成的热负荷增加,进而引起的能量浪费是巨大的。另外,对于超低能耗居住建筑,不同住户之间的行为习惯不同,使得不同房间实时的新风需求差异较大,统一送入新风不仅存在能源浪费,且无法实现按需供给。
发明内容
本发明目的是为了解决现有超低能耗居住建筑统一送入新风不仅存在能源浪费,且无法实现按需供给的问题,提出了一种超低能耗住宅新风系统智能控制方法。
本发明所述一种超低能耗住宅新风系统智能控制方法,包括:
步骤一、对安装有新风系统的目标住宅用户的年龄、性别、室内活动情况、室内衣着厚度及室内的温湿度期望值进行调研,获取调研数据;
步骤二、采用温度传感器、湿度传感器和二氧化碳浓度传感器采集安装有新风系统的目标住宅每户的外部环境温度、湿度和二氧化碳浓度;
步骤三、利用调研数据和外部环境温度、湿度和二氧化碳浓度,采用机器学习分析与预测平台计算每个住户的调研数据、外部环境温度、湿度和二氧化碳浓度与新风量需求之间的相关性;
步骤四、利用步骤三所述的相关性和PMV指标与住户新风需求量的关系式,获取满足每个住户的室内的温湿度期望值的新风量;
步骤五、利用步骤三所述的相关性和步骤四所述的满足每个住户的室内的温湿度期望值,建立适用于每个住户的新风预测模型,对不同时刻每个用户的新风量需求量和新风系统送风温度进行预测;
步骤六、利用新风预测模型预测的每个用户下一时刻的新风需求量、新风系统送风温度预测值和当前每户的外部环境温度、湿度和二氧化碳浓度,计算确定下一时刻新风处理状态点,实现住宅新风系统智能控制。
进一步地,本发明中,步骤二中,温度传感器、湿度传感器和二氧化碳浓度传感器的设置方式为:在每户的外墙朝向不同方向分别设置。
进一步地,本发明中,步骤三中,采用机器学习分析与预测平台计算每个住户调研数据、外部环境温度、湿度和二氧化碳浓度与新风量需求之间的相关性的具体方法为:
将每个住户的调研数据和外部环境温度、湿度和二氧化碳浓度作为自变量,将每个住户的新风量需求作为因变量,采用线性回归模型进行线性拟合,构建相关性线性方程。
进一步地,本发明中,相关性线性方程为:
Yi k=a+bX1 k+cX2 k+dX3 k+eX4 k+fX5 k+gX6 k+hX7 k (1)
PMVi k=Mi·Yi k (2)
其中,Yi k为Ni住户k时刻新风需求量,a为修正系数,b为室外温度对住户的新风量需求影响因素的权重系数,c为室外湿度对住户的新风量需求影响因素的权重系数,d为室外二氧化碳浓度对住户的新风量需求影响因素的权重系数,e为住户年龄对的新风量需求影响因素的权重系数,f为住户性别对的新风量需求影响因素的权重系数,g为住户室内活动情况对新风量需求影响因素的权重系数,h为住户衣着厚度对新风量需求影响因素的权重系数,Mi为Ni住户新风量与其舒适度相关系数,PMVi k为住户Ni在k时刻的热舒适指标,X1表示温度、X2表示湿度、X3表示二氧化碳浓度、X4表示住户年龄、X5表示住户性别、X6表示住户室内活动情况(包括房间使用时间以及室内活动强度)、X7表示住户衣着厚度。
进一步地,本发明中,修正系数a以及权重系数b、c、d、e、f、g和h获取的具体方法为:
将调研获取的每个住户的年龄、性别、不同时刻室内活动情况、不同时刻室内衣着厚度、不同时刻室内的温湿度期望值、不同时刻住宅的室外温度、湿度传和二氧化碳浓度作为自变量,室内活动情况包括每户每个房间使用时间以及室内活动强度;
将调研获取的用户的室内的温度、湿度需求数据转换为用户的室内新风需求量,将转换的用户的室内新风需求量作为因变量,代入相关性线性方程,构成方程组实现求解修正系数a以及权重系数b、c、d、e、f、g和h的值。
进一步地,本发明中,步骤四中,PMV指标与住户新风需求量的关系式:
PMVi k=Mi·Yi k(k=t,t+1,t+2,……,T) (3)
其中,限制条件为:
|PMVi k|≤1 (4)
其中,Mi为Ni住户所需新风量与其舒适度的相关系数,T为对每个住户调研的T个时刻。
进一步地,本发明中,步骤五中,利用步骤三所述的相关性和步骤四所述的满足住宅每户热舒适度的新风量建立新风预测模型,获取下一时刻每个用户的新风量需求量和新风系统送风温度的具体方法:
利用PMV指标与住户新风需求量的关系式,与公式:
Yi k=Ai+BiX1 k+CiX2 k+DiX3 k+EiX4 k+FiX5 k+GiX6 k+HiX7 k (5)
Qi=Yi k·Cp·(Tm-Ts) (6)
结合,获取每个用户k时刻的新风量需求量和新风系统送风温度,其中,Ai为住户Ni在k时刻的新风量需求修正系数,不同住户该系数不同,Bi为室外温度对住户Ni的新风量需求影响因素的权重系数,Ci为室外湿度对住户Ni的新风量需求影响因素的权重系数,Di为室外二氧化碳浓度对住户Ni的新风量需求影响因素的权重系数,Ei为住户Ni的年龄对的新风量需求影响因素的权重系数,Fi为住户Ni性别对的新风量需求影响因素的权重系数,Gi为住户Ni室内活动情况对新风量需求影响因素的权重系数,Hi为住户Ni衣着厚度对新风量需求影响因素的权重系数,Yi k表示住户Ni在k时刻的新风量需求,Qi为输出住户Ni所需新风量时,新风系统所承担的负荷;Cp为空气的定压比热容;Tm为室外平均温度;Ts为新风送风温度。
进一步地,本发明中,每户室内还设置有温度传感器、湿度传感器以及二氧化碳浓度传感器,利用室内的温度传感器和湿度传感器采集的温湿度信号以及二氧化碳浓度检测值实时对住户的新风量需求修正系数进行修改。
本发明解决了低能耗住宅新风量富余,新风系统没有针对性,新风处理及输送能耗过高的问题;同时避免了实时监控人员数量及人员行为状态识别的投入成本过高问题,本发明通过前期调研获取每个住户在室内的时间、活动强度及不同时刻室内温湿度的期望值,建立新风量需求的预测模型,对不同时刻每个用户的新风量需求量和新风系统送风温度进行预测,利用预测值和当前每户的外部环境温度、湿度和二氧化碳浓度,计算确定下一时刻新风处理状态点,实现住宅新风系统智能控制,这样通过调研数据获取的不同时间段每户内每个住户在家的时间,从而确定某时刻每户室内的人员数量及其室内活动强度,根据该户内每个在家住户的新风量需求量和新风系统送风温度预测值分别求平均值,实现具有针对性的新风控制,减少能源浪费,实现自动按需供给。
附图说明
图1是本发明所述方法流程图;
图2是具体实施例所示方法流程图;
图3是具体实施例新风预测模型形成与优化过程流程图;
图4是具体实施例实现新风系统智能控制的流程图。
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的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。
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
具体实施方式:下面结合图1说明本实施方式,本实施方式所述一种超低能耗住宅新风系统智能控制方法,包括:
步骤一、对安装有新风系统的目标住宅用户的年龄、性别、室内活动情况、室内衣着厚度及室内的温湿度期望值进行调研,获取调研数据;
步骤二、采用温度传感器、湿度传感器和二氧化碳浓度传感器采集安装有新风系统的目标住宅每户的外部环境温度、湿度和二氧化碳浓度;
步骤三、利用调研数据和外部环境温度、湿度和二氧化碳浓度,采用机器学习分析与预测平台计算每个住户的调研数据、外部环境温度、湿度和二氧化碳浓度与新风量需求之间的相关性;
步骤四、利用步骤三所述的相关性和PMV指标与住户新风需求量的关系式,获取满足每个住户的室内的温湿度期望值的新风量;
步骤五、利用步骤三所述的相关性和步骤四所述的满足每个住户的室内的温湿度期望值,建立适用于每个住户的新风预测模型,对不同时刻每个用户的新风量需求量和新风系统送风温度进行预测;
步骤六、利用新风预测模型预测的每个用户下一时刻的新风需求量、新风系统送风温度预测值和当前每户的外部环境温度、湿度和二氧化碳浓度,计算确定下一时刻新风处理状态点,实现住宅新风系统智能控制。
本发明按先后顺序依次进行前期住户调研、机器学习分析与预测、室内环境实时监测修正过程和后期住户自主反馈。首先对所研究建筑与建筑用户进行前期调研,其次利用机器学习分析前期用户行为习惯调研结果,进行用户行为预测,进而得到建筑实时新风量需求,初步确定建筑新风系统控制方案,再辅助以室内环境(温度、湿度、二氧化碳浓度)监测系统,该监测系统对新风处理系统进行反馈修正的同时,将实时监测数据反馈回机器学习模块。最后,系统运行过程中,住户进行自主的热舒适体验反馈调研,利用反馈调研结果与上述室内环境实时监测数据修正建筑新风预测模型,最终形成新风系统智能控制方法。
进一步地,本实施方式中,步骤二中,温度传感器、湿度传感器和二氧化碳浓度传感器的设置方式为:在每户的外墙朝向不同方向分别设置。
进一步地,本实施方式中,步骤三中,采用机器学习分析与预测平台计算每个住户调研数据、外部环境温度、湿度和二氧化碳浓度与新风量需求之间的相关性的具体方法为:
将每个住户的调研数据和外部环境温度、湿度和二氧化碳浓度作为自变量,将每个住户的新风量需求作为因变量,采用线性回归模型进行线性拟合,构建相关性线性方程。
进一步地,本实施方式中,相关性线性方程为:
Yi k=a+bX1 k+cX2 k+dX3 k+eX4 k+fX5 k+gX6 k+hX7 k (1)
PMVi k=Mi·Yi k (2)
其中,Yi k为Ni住户k时刻新风需求量,a为修正系数,b为室外温度对住户的新风量需求影响因素的权重系数,c为室外湿度对住户的新风量需求影响因素的权重系数,d为室外二氧化碳浓度对住户的新风量需求影响因素的权重系数,e为住户年龄对的新风量需求影响因素的权重系数,f为住户性别对的新风量需求影响因素的权重系数,g为住户室内活动情况对新风量需求影响因素的权重系数,h为住户衣着厚度对新风量需求影响因素的权重系数,Mi为Ni住户所需新风量与其舒适度相关系数,PMVi k为住户Ni在k时刻的热舒适指标,X1表示温度、X2表示湿度、X3表示二氧化碳浓度、X4表示住户年龄、X5表示住户性别、X6表示住户室内活动情况(包括房间使用时间以及室内活动强度)、X7表示住户衣着厚度。(调研对象为每一个住户,同一户的不同住户新风预测结果综合考虑。调研结果显示某时刻,该户是某一住户在家,则按其需求供新风;若某时刻多个住户同时在家,则取其平均。)
进一步地,本实施方式中,修正系数a、权重系数b、c、d、e、f、g和h获取的具体方法为:
将调研获取的每个住户的年龄、性别、不同时刻室内活动情况、不同时刻室内衣着厚度、不同时刻室内的温湿度期望值、不同时刻住宅的室外温度、湿度传和二氧化碳浓度作为自变量,室内活动情况包括每户每个房间使用时间以及室内活动强度;
将调研获取的用户的室内的温度、湿度需求数据转换为用户的室内新风需求量,将转换的用户的室内新风需求量作为因变量,代入相关性线性方程,构成方程组实现求解修正系数a、权重系数b、c、d、e、f、g和h的值。
进一步地,本实施方式中,PMV指标与住户新风需求量的关系式:
PMVi k=Mi·Yi k(k=t,t+1,t+2,……,T) (3)
其中,限制条件为:
|PMVi k|≤1 (4)
其中,Mi为Ni住户所需新风量与其舒适度的相关系数,T为对每个住户调研的T个时刻。
进一步地,本实施方式中,步骤五中,利用步骤三所述的相关性和步骤四所述的满足住宅每户热舒适度的新风量建立新风预测模型,获取下一时刻每个用户的新风量需求量和新风系统送风温度的具体方法:
利用PMV指标与住户新风需求量的关系式,与公式:
Yi k=Ai+BiX1 k+CiX2 k+DiX3 k+EiX4 k+FiX5 k+GiX6 k+HiX7 k (5)
Qi=Yi k·Cp·(Tm-Ts) (6)
结合,获取每个用户k时刻的新风量需求量和新风系统送风温度,其中,Ai为住户Ni在k时刻的新风量需求修正系数,Bi为室外温度对住户Ni的新风量需求影响因素的权重系数,Ci为室外湿度对住户Ni的新风量需求影响因素的权重系数,Di为室外二氧化碳浓度对住户Ni的新风量需求影响因素的权重系数,Ei为住户Ni的年龄对的新风量需求影响因素的权重系数,Fi为住户Ni性别对的新风量需求影响因素的权重系数,Gi为住户Ni室内活动情况对新风量需求影响因素的权重系数Hi为住户Ni衣着厚度对新风量需求影响因素的权重系数,Yi k表示住户Ni在k时刻的新风量需求,Qi为输出住户Ni所需新风量时,新风系统所承担的负荷;Cp为空气的定压比热容;Tm为室外平均温度;Ts为新风送风温度。
本实施方式中,机器学习分析与预测平台通过“室内活动情况”相关调研数据,分析不同时刻房间使用情况,掌握房间使用规律,获取每户内每个住户在家的时间,每个房间该住户的室内活动强度,进而实现具有针对性的新风控制。
进一步地,本实施方式中,每户室内还设置有温度传感器、湿度传感器以及二氧化碳浓度传感器,利用室内的温度传感器和湿度传感器采集的温湿度信号以及二氧化碳浓度检测值实时对住户Ni在k时刻的新风量需求修正系数进行修改。
结合图2-图4说明本实施例,具体实施例:
(一)前期住户调研过程:
以超低能耗住宅用户为调研对象,对其个人信息(包括:年龄、性别)、行为习惯(包括:使用房间的时间,室内活动强度,室内衣着厚度)以及热舒适需求(包括室内温、湿度期望值)进行T个时刻的调研,T≥8;
进一步地,对以上调研T个时刻的室外环境参数(温度、湿度、二氧化碳浓度)进行测量。由于引入室内的新风来源于室外空气,因而实时室外空气参数会影响新风量需求以及新风系统能耗;
结合图2整体细节流程图:具体调研步骤如下:
(1)对目标建筑各房间进行编号,编号方式为“户号-房间类型号”,如:“302-011”。其中户号以建筑实际编号形式为准,房间类型根据住宅建筑常用房间功能分为:01m:客厅;02m:卧室;03m:卫生间;04m:厨房;05m:其他房间;其中,m取1,2,…。当同一户有多个该类型房间时,m表示同一类型不同房间的次序。
(2)问卷调研方式为:小程序线上问卷或系统定制APP;
(3)调研目标为:所预测低能耗住宅建筑的现有住户,命名为N1,N2……Ni(其中,i根据实际建筑住户数而定);(4)调研内容包括:
a)目标建筑住户的基本个人信息,包括:年龄、性别;
b)调研住户春、夏、秋、冬四个季节对不同功能类型房间(01-05)的使用时间,室内活动强度,室内衣着厚度;
c)调研住户在不同功能类型房间内的活动内容对热舒适的主观要求,即对房间的温、湿度期望值;
(5)室外传感器布置:传感器监测记录现有建筑所在地区的室外空气环境:温度、湿度、二氧化碳浓度。每户住宅分别需2-4个温度传感器T、湿度传感器D、二氧化碳浓度检测传感器C。将三种传感器均布置于该住户住宅的不同朝向外墙上,并逐一编号。编号形式为“302-T-east”,意为“302住户-东外墙温度传感器”。
(二)机器学习分析与预测过程
本发明利用机器学习分析与预测平台对监测与调研所得数据进行分析,形成有效预测低能耗居住建筑实时新风需求的新风预测模型。
机器学习分析与预测平台由三部分组成:(a)数据处理与分析,(b)新风预测计算,(c)反馈修正过程。结合图3新风预测模型形成与优化过程细节流程图,机器学习分析与预测平台将监测与调研所得数据进行分析整理,并进行住户行为及新风需求预测。
本发明机器学习算法分析数据相关性原理为回归分析法:
采用LinearRegression线性回归模型。通过数据拟合可以形成回归线,自变量X包括:X1表示温度、X2表示湿度、X3表示二氧化碳浓度、X4表示住户年龄、X5表述住户性别、X6表示住户室内活动情况(包括房间使用时间及室内活动强度)、X7表示住户衣着厚度。(一般线性关系式的方程为Y=a+bXn+e,其中a表示截距,b表示直线的斜率,e是误差项。)
对于某一特定住户Ni,七个自变量中,温度、湿度、二氧化碳浓度为连续变量;住户年龄、性别为固定量;住户行为习惯(室内活动情况、衣着厚度)为类别变量,同一用户行为习惯变化不大,可按季节分类统计。
将住户Ni的数据输入机器学习平台,探求温度、湿度、空气质量(以二氧化碳浓度为代表)、住户年龄、性别、室内活动情况(包括房间使用时间以及室内活动强度)、衣着厚度七个自变量与住户新风需求(新风温、湿度及新风量)之间的相关性。数据处理与分析过程具体如下:
Yi k=a+bX1 k+cX2 k+dX3 k+eX4 k+fX5 k+gX6 k+hX7 k
PMVi k=Mi·Yi k
其中,Yi k为Ni住户k时刻新风需求量,a为修正系数,b为室外温度对住户的新风量需求影响因素的权重系数,c为室外湿度对住户的新风量需求影响因素的权重系数,d为室外二氧化碳浓度对住户的新风量需求影响因素的权重系数,e为住户年龄对的新风量需求影响因素的权重系数,f为住户性别对的新风量需求影响因素的权重系数,g为住户室内活动情况对新风量需求影响因素的权重系数,h为住户衣着厚度对新风量需求影响因素的权重系数,以上系数此时未知;Mi为Ni住户新风量与其舒适度相关系数,此时未知。PMVi k为住户Ni时刻k热舒适指标。
初始输入第一个住户N1数据:
Y1 t=a+bX1 t+cX2 t+dX3 t+eX4 t+fX5 t+gX6 t+hX7 t
ii、令k=t+1,输入下一组数据,即列出方程:
Y1 t+1=a+bX1 t+1+cX2 t+1+dX3 t+1+eX4 t+1+fX5 t+1+gX6 t+1+hX7 t+1
iii、直到k=T,列出以上T个方程组成的方程组,其中T大于或等于8,并求解:
通过求解方程组,确定住户N1各系数a,b,c,d,e,f,g,h。实际过程中,当T不等于8,而大于8时,即方程组为超定方程,则利用最小二乘法求解超定方程组。
iv、算法中新风需求的判断依据为住户的热舒适程度,采用PMV指标进行判断,根据前期调研中住户填写热舒适状况,控制室内环境在住户热感觉PMV值在±1范围内。
由公式:
PMV1 k=M1·Y1 k(k=t,t+1,t+2,……,T)
其中,限制条件为:
|PMV1 k|≤1
逐一判断住户N1在T个时刻热舒适状况与新风量的联系,求得住户N1新风量与舒适度的相关系数M1。
v、按照i-iv的顺序获取每户每个人员的新风量与其舒适度相关系数;
以此类推,将每一住户Ni的数据分析结果反馈给模型,不断影响并优化模型参数。在不断反馈修正的过程中,使模型逐渐准确,形成满足所有用户的新风预测模型:
Yi k=Ai+BiX1 k+CiX2 k+DiX3 k+EiX4 k+FiX5 k+GiX6 k+HiX7 k
其中,Ai,Bi,Ci,Di,Ei,Fi,Gi,Hi为与户号相关的变量,在预测模型进行预测过程中只需要通过户号即可实现调用。
最终进行以住户热舒适度为目的进行住户使住户感到热舒适的温度、湿度、新风量预测。新风预测计算过程如下:
本发明实时监测室外空气参数。室外温、湿度传感器及二氧化碳浓度监测传感器将实时采集到的数据传至机器学习平台,计算出每一户室外平均温度Tm,再进行新风预测。以住户N1为例进行新风量需求预测:
PMV1 k=M1·Y1 k(k=t,t+1,t+2,……,T)
Y1 k=A1+B1X1 k+C1X2 k+D1X3 k+E1X4 k+F1X5 k+G1X6 k+H1X7 k
Y1 k表示住户N1在k时刻新风量需求,由公式(8)求得;并由公式(6)校核。Q1为输出住户N1所需新风量对应新风系统所承担的负荷;Cp为空气的定压比热容;Tm为室外平均温度;Ts为新风送风温度。
机器学习分析与预测平台利用新风预测模型预测的每个用户下一时刻的新风需求量、新风系统送风温度预测值和当前每户的外部环境温度、湿度和二氧化碳浓度,计算确定下一时刻新风处理状态点,实现住宅新风系统智能控制。
(三)室外环境实时监测修正过程:
室内环境监测传感器安装说明:对于常规住宅房间大小,以下各功能类型房间至少各安装一个温度传感器、一个湿度传感器、一个二氧化碳浓度传感器,其中卧室另外安装一个风速传感器。安装位置避免靠近冷源热源、不能有明显物体遮挡、通风透光。
不同功能类型房间,传感器安装位置如下表:
表格1不同功能房间传感器安装说明
以上室内环境监测传感器命名方式为“户号-房间类型-传感器类型-编号”,传感器类型命名同室外规定,另外新增风速传感器F.例如:“302-021-F-01”,意为302户,卧室1内第一个风速传感器。
在暖通空调系统实际运行时辅助以室内环境监测系统,通过实时室内环境监测,达到两种作用:
其一,将实时数据远传回新风处理系统,对室内新风处理系统进行及时的反馈修正,直接调节送风参数;
其二,将实时数据远传回机器学习模块,验证新风预测模型准确性,再次修正建筑新风预测模型的参数Ai。
(四)后期住户自主反馈过程
在低能耗建筑新风系统实际运行时,还增加了住户线上调研反馈途径,住户可以通过线上问卷形式或系统定制APP,随时自主反馈该时刻该住户的热舒适程度,将反馈调研数据处理后传送给机器学习分析与预测平台,与实时室内外环境参数(温度、湿度和二氧化碳浓度),共同修正建筑新风预测模型参数。最终形成一种不断优化的最适应住户热舒适要求的节能型新风控制模式。具体反馈修正过程如下:
反馈修正过程
i、假设住户N1反馈回其热舒适程度PMVi;
ii、判断|PMV|≤1是否成立;
iii、若不成立,则由此时刻新风量Yi k,以及公式:PMVi 0=Mi·Yi k,修改参数Mi;
iv、进而优化新风预测模型。
本发明解决了低能耗住宅新风量富余,新风系统没有针对性,新风处理及输送能耗过高的问题;同时避免了实时监控人员数量及人员行为状态识别的投入成本过高问题,可以实现低能耗住宅节能型新风系统的智能控制,最大化节能。
虽然在本文中参照了特定的实施方式来描述本发明,但是应该理解的是,这些实施例仅仅是本发明的原理和应用的示例。因此应该理解的是,可以对示例性的实施例进行许多修改,并且可以设计出其他的布置,只要不偏离所附权利要求所限定的本发明的精神和范围。应该理解的是,可以通过不同于原始权利要求所描述的方式来结合不同的从属权利要求和本文中所述的特征。还可以理解的是,结合单独实施例所描述的特征可以使用在其他所述实施例中。
Claims (8)
1.一种超低能耗住宅新风系统智能控制方法,其特征在于,包括:
步骤一、对安装有新风系统的目标住宅用户的年龄、性别、室内活动情况、室内衣着厚度及室内的温湿度期望值进行调研,获取调研数据;
步骤二、采用温度传感器、湿度传感器和二氧化碳浓度传感器采集安装有新风系统的目标住宅每户的外部环境温度、湿度和二氧化碳浓度;
步骤三、利用调研数据和外部环境温度、湿度和二氧化碳浓度,采用机器学习分析与预测平台计算每个住户的调研数据、外部环境温度、湿度和二氧化碳浓度与新风量需求之间的相关性;
步骤四、利用步骤三所述的相关性和PMV指标与住户新风需求量的关系式,获取满足每个住户的室内的温湿度期望值的新风量;
步骤五、利用步骤三所述的相关性和步骤四所述的满足每个住户的室内的温湿度期望值,建立适用于每个住户的新风预测模型,对不同时刻每个用户的新风量需求量和新风系统送风温度进行预测;
步骤六、利用新风预测模型预测的每个用户下一时刻的新风需求量、新风系统送风温度预测值和当前每户的外部环境温度、湿度和二氧化碳浓度,计算确定下一时刻新风处理状态点,实现住宅新风系统智能控制。
2.根据权利要求1所述的一种超低能耗住宅新风系统智能控制方法,其特征在于,步骤二中,温度传感器、湿度传感器和二氧化碳浓度传感器的设置方式为:在每户的外墙朝向不同方向分别设置。
3.根据权利要求1所述的一种超低能耗住宅新风系统智能控制方法,其特征在于,步骤三中,采用机器学习分析与预测平台计算每个住户调研数据、外部环境温度、湿度和二氧化碳浓度与新风量需求之间的相关性的具体方法为:
将每个住户的调研数据和外部环境温度、湿度和二氧化碳浓度作为自变量,将每个住户的新风量需求作为因变量,采用线性回归模型进行线性拟合,构建相关性线性方程。
4.根据权利要求1所述的一种超低能耗住宅新风系统智能控制方法,其特征在于,相关性线性方程为:
Yi k=a+bX1 k+cX2 k+dX3 k+eX4 k+fX5 k+gX6 k+hX7 k (1)
PMVi k=Mi·Yi k (2)
其中,Yi k为Ni住户k时刻新风需求量,a为修正系数,b为室外温度对住户的新风量需求影响因素的权重系数,c为室外湿度对住户的新风量需求影响因素的权重系数,d为室外二氧化碳浓度对住户的新风量需求影响因素的权重系数,e为住户年龄对的新风量需求影响因素的权重系数,f为住户性别对的新风量需求影响因素的权重系数,g为住户室内活动情况对新风量需求影响因素的权重系数,h为住户衣着厚度对新风量需求影响因素的权重系数,Mi为Ni住户所需新风量与其舒适度相关系数,PMVi k为住户Ni在k时刻的热舒适指标,X1表示室外温度、X2表示室外湿度、X3表示室外二氧化碳浓度、X4表示住户年龄、X5表示住户性别、X6表示住户室内活动情况、X7表示住户室内衣着厚度。
5.根据权利要求4所述的一种超低能耗住宅新风系统智能控制方法,其特征在于,修正系数a以及权重系数b、c、d、e、f、g和h获取的具体方法为:
将调研获取的每个住户的年龄、性别、不同时刻室内活动情况、不同时刻室内衣着厚度、不同时刻室内的温湿度期望值、不同时刻住宅的室外温度、湿度传和二氧化碳浓度作为自变量,室内活动情况包括每户每个房间使用时间以及室内活动强度;
将调研获取的用户的室内的温度、湿度需求数据转换为用户的室内新风需求量,将转换的用户的室内新风需求量作为因变量,代入相关性线性方程,构成方程组实现求解修正系数a以及权重系数b、c、d、e、f、g和h的值。
6.根据权利要求5所述的一种超低能耗住宅新风系统智能控制方法,其特征在于,步骤四中,PMV指标与住户新风需求量的关系式:
PMVi k=Mi·Yi k(k=t,t+1,t+2,……,T) (3)
其中,限制条件为:
|PMVi k|≤1 (4)
其中,Mi为Ni住户所需新风量与其舒适度的相关系数,T为对每个住户调研的T个时刻。
7.根据权利要求6所述的一种超低能耗住宅新风系统智能控制方法,其特征在于,步骤五中,利用步骤三所述的相关性和步骤四所述的满足住宅每户热舒适度的新风量建立新风预测模型,获取下一时刻每个用户的新风量需求量和新风系统送风温度的具体方法:
利用PMV指标与住户新风需求量的关系式,与公式:
Yi k=Ai+BiX1 k+CiX2 k+DiX3 k+EiX4 k+FiX5 k+GiX6 k+HiX7 k (5)
Qi=Yi k·Cp·(Tm-Ts) (6)
结合,获取每个用户k时刻的新风量需求量和新风系统送风温度,其中,Ai为住户Ni在k时刻的新风量需求修正系数,Bi为室外温度对住户Ni的新风量需求影响因素的权重系数,Ci为室外湿度对住户Ni的新风量需求影响因素的权重系数,Di为室外二氧化碳浓度对住户Ni的新风量需求影响因素的权重系数,Ei为住户Ni的年龄对的新风量需求影响因素的权重系数,Fi为住户Ni性别对的新风量需求影响因素的权重系数,Gi为住户Ni室内活动情况对新风量需求影响因素的权重系数Hi为住户Ni衣着厚度对新风量需求影响因素的权重系数,Yi k表示住户Ni在k时刻的新风量需求,Qi为输出住户Ni所需新风量时,新风系统所承担的负荷;Cp为空气的定压比热容;Tm为室外平均温度;Ts为新风送风温度。
8.根据权利要求5所述的一种超低能耗住宅新风系统智能控制方法,其特征在于,每户室内还设置有温度传感器、湿度传感器以及二氧化碳浓度传感器,利用室内的温度传感器和湿度传感器采集的温湿度信号以及二氧化碳浓度检测值实时对住户的新风量需求修正系数进行修改。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210943035.3A CN115342488A (zh) | 2022-08-08 | 2022-08-08 | 一种超低能耗住宅新风系统智能控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210943035.3A CN115342488A (zh) | 2022-08-08 | 2022-08-08 | 一种超低能耗住宅新风系统智能控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115342488A true CN115342488A (zh) | 2022-11-15 |
Family
ID=83950388
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210943035.3A Pending CN115342488A (zh) | 2022-08-08 | 2022-08-08 | 一种超低能耗住宅新风系统智能控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115342488A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117450635A (zh) * | 2023-12-21 | 2024-01-26 | 深圳市祥帆电子科技有限公司 | 一种基于大数据分析的新风系统控制方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109682043A (zh) * | 2018-12-28 | 2019-04-26 | 中冶置业集团有限公司 | 一种基于人体热舒适机理的适温适湿环境控制系统 |
CN109960886A (zh) * | 2019-03-30 | 2019-07-02 | 龙马智芯(珠海横琴)科技有限公司 | 一种空气舒适度评价方法、装置及空气调节设备 |
CN112378052A (zh) * | 2020-10-28 | 2021-02-19 | 华南理工大学 | 室内舒适度调节方法、装置、系统、计算机设备及存储介质 |
US20210123625A1 (en) * | 2018-11-29 | 2021-04-29 | Tianjin University | Low-cost commissioning method for the air-conditioning systems in existing large public buildings |
CN113483473A (zh) * | 2021-03-29 | 2021-10-08 | 南方环境有限公司 | 一种基于遗传-神经网络(ga-bp)模型的焊接车间环境控制方法 |
CN113551399A (zh) * | 2021-07-22 | 2021-10-26 | 珠海格力电器股份有限公司 | 一种空调新风量控制方法、装置及空调 |
-
2022
- 2022-08-08 CN CN202210943035.3A patent/CN115342488A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210123625A1 (en) * | 2018-11-29 | 2021-04-29 | Tianjin University | Low-cost commissioning method for the air-conditioning systems in existing large public buildings |
CN109682043A (zh) * | 2018-12-28 | 2019-04-26 | 中冶置业集团有限公司 | 一种基于人体热舒适机理的适温适湿环境控制系统 |
CN109960886A (zh) * | 2019-03-30 | 2019-07-02 | 龙马智芯(珠海横琴)科技有限公司 | 一种空气舒适度评价方法、装置及空气调节设备 |
CN112378052A (zh) * | 2020-10-28 | 2021-02-19 | 华南理工大学 | 室内舒适度调节方法、装置、系统、计算机设备及存储介质 |
CN113483473A (zh) * | 2021-03-29 | 2021-10-08 | 南方环境有限公司 | 一种基于遗传-神经网络(ga-bp)模型的焊接车间环境控制方法 |
CN113551399A (zh) * | 2021-07-22 | 2021-10-26 | 珠海格力电器股份有限公司 | 一种空调新风量控制方法、装置及空调 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117450635A (zh) * | 2023-12-21 | 2024-01-26 | 深圳市祥帆电子科技有限公司 | 一种基于大数据分析的新风系统控制方法 |
CN117450635B (zh) * | 2023-12-21 | 2024-03-19 | 深圳市祥帆电子科技有限公司 | 一种基于大数据分析的新风系统控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110332647B (zh) | 地铁地下车站空调系统负荷预测方法及空调系统 | |
CN111795484B (zh) | 一种智慧空调控制方法和系统 | |
CN106196415B (zh) | 智能空调控制系统及其智能控制方法 | |
Jazizadeh et al. | User-led decentralized thermal comfort driven HVAC operations for improved efficiency in office buildings | |
Wang et al. | Model-based optimal control of VAV air-conditioning system using genetic algorithm | |
CN109489212B (zh) | 一种空调智能睡眠控制方法、调整系统及设备 | |
Turhan et al. | Development of a personalized thermal comfort driven controller for HVAC systems | |
CN108413588B (zh) | 一种基于热成像及bp神经网络的个性化空调控制系统及方法 | |
CN105320184A (zh) | 建筑室内环境智能监控系统 | |
EP3497378A1 (en) | Controller for hvac unit | |
CN111580382B (zh) | 基于人工智能的单元级供热调节方法及系统 | |
CN105278338A (zh) | 基于物联网家居的健康管理系统和健康管理方法 | |
CN110264080A (zh) | 一种绿色建筑运行性能评价方法、装置、设备及存储介质 | |
CN104298191B (zh) | 智能建筑中基于热量预测管理的能耗控制方法 | |
CN108536030A (zh) | 一种基于anfis算法的智能家居系统及其工作方法 | |
Higuera et al. | Hybrid smart lighting and climate control system for buildings | |
CN109883016B (zh) | 一种空气舒适度调节方法和设备 | |
CN115342488A (zh) | 一种超低能耗住宅新风系统智能控制方法 | |
Omarov et al. | Design of fuzzy logic based controller for energy efficient operation in smart buildings | |
CN111795426A (zh) | 一种新型室内智慧供暖系统及方法 | |
CN109857177B (zh) | 一种建筑电气节能监测方法 | |
CN107438742A (zh) | 用于自适应地应用中央hvac系统和独立hvac系统的设备和方法 | |
Cheng et al. | Energy efficient thermal comfort control for cyber-physical home system | |
CN206311906U (zh) | 一种基于物联网的家居智能控制系统 | |
Sun et al. | Energy consumption optimization of building air conditioning system via combining the parallel temporal convolutional neural network and adaptive opposition-learning chimp 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 |