专利名称：一种室内环境舒适度的自动控制方法
技术领域：
本发明属于室内环境调节技术领域，特别涉及一种室内环境舒适度的自动控制方法。
背景技术：
现代社会人们85%以上的时间都是在室内度过的，室内环境的好坏对人体的身心健康、舒适度以及工作效率都有直接的影响，因此人们对于环境的要求也愈来愈高。目前广泛应用ASHRAE标准的SET*指标(标准有效温度)以人体温度调节的两节点模型理论为基础，在人体传热的物理过程分析得出综合热舒适度指标，预测热环境下人体的热反映，来衡量和控制室内环境舒适度。SET*指标是根据生理反应模型的热舒适度指标，影响因素主要包括空气温度、空气湿度、空气流速和辐射温度。这些环境因素不是完全独立的变量，而是相互作用，密不可分的。具有非线性、时变等复杂的特性。现有技术主要通过空气温度、湿度、风速、平均辐射温度等参数对人体皮肤的温度和湿度等影响进行反复迭代运算确定SET*指标，计算复杂，不能实时的确定，因此很难满足空调系统实时控制的要求。有很多研究都是假设样本数据的在一定范围内取值得到，但实测获得的样本数据更有利于对SET*指标模型的训练。
发明内容
本发明的目的在于克服现有技术的缺点和不足，提供了一种权衡了能量损耗和室内舒适度，以达到最佳最优策略实现自动室内环境控制的一种方法。本发明的目的通过下述技术方案实现
一种基于室内环境舒适度的模型建立方法，包括以下步骤1)采集当前实际的环境数据作为样本数据；
这部分主要包括室外的温度、相对湿度、平均辐射温度和风速环境因子的数据采集，室内的温度、相对湿度、平均辐射温度、风速环境因子的的数据采集。而相应的SET*指标则应用传统迭代算法计算得出。2)利用样本数据建立基于三层前馈型BP神经网络模型；
所述模型建立的三层前馈型BP网络包括输入层、隐含层和输出层三个部分。模型的输入包括控制输入量和扰动输入量，控制输入量为室内的环境因素，包括，室内的温度、相对湿度、平均辐射温度、风速；扰动输入量为室外的环境因素，包括室外温度、相对湿度、平均辐射温度、风速。输出是SET*指标值。隐含层的节点选为6个。3)采用基于模型的预测控制设定SET*指标最优值和范围；
模型预测控制主要包括过程建模、定义指标函数、优化指标函数和有限时域滚动计算。过程建模是利用输入信号和输出信号的数据预测未来输出信号的行为；预测控制中的优化是一种有限时段的滚动优化，它不是一次离线进行，而是反复在线进行，即所谓的滚动优化。在每一采样时刻，优化指标只涉及到从该时刻起未来有限的时间，而到下一采样时刻，这一优化时段时同时向前推移。4)空调系统控制结合SET*指标最优值和范围对实时采集到的当前数据进行处理，产生控制空调系统的信号，实现室内舒适度的自动控制。数据采集部分将实时采集到的数据经过处理、存储、显示及管理之后，模型根据各项数据分析控制算法，产生一个优化舒适度并且能耗最小的控制信号，将此控制信号发送给下位机，下位机选用单片机来控制空调系统和风扇系统，实现室内舒适度的控制。本发明选择SET*指标代替人体的热舒适度为控制目标，建立了空气温度、湿度、风速和平均辐射温度环境变量对SET*的函数关系，从而确定室内环境因子的模型结构，并利用递推最小二乘法对自然通风条件和空调作用下的室内环境温度系统进行模型参数的辨识，建立反应室内环境的可靠数学模型，从而达到适宜的舒适度与最小的能耗。本发明相对现有技术，具有收敛速度快，预测模型有效性高、误差小，能实现系统实时和自动控制的优点。
具体实施例方式下面结合实施例对本发明的实施作进一步描述，但本发明的实施不限于此。一种基于室内环境舒适度的模型建立方法，包括以下步骤
1)采集当前实际的环境数据作为样本数据；
2)利用样本数据建立基于三层前馈型BP神经网络模型；
3)采用基于模型的预测控制设定SET*指标最优值和范围；
4)空调系统控制结合SET*指标最优值和范围对实时采集到的当前数据进行处理，产生控制空调系统的信号，实现室内舒适度的自动控制。所述步骤1)的环境数据包括室内的温度、相对湿度、平均辐射温度和风速，还包括室外的温度、相对湿度、平均辐射温度和风速和当前SET*指标值。所述步骤2)的BP神经网络包括输入层、隐含层和输出层。输入层包括控制输入量和扰动输入量；控制输入量为室内的温度、相对湿度、平均辐射温度和风速；扰动输入量为室外的温度、相对湿度、平均辐射温度和风速。输出层为SET*指标。隐含层的节点为6个。采用递推最小二乘法算法对对BP神经网络进行训练，将输出层和对应的输入层进行对比，直到网络训练的均方误差达到要求，确定各层的权值和阈值。过程建模是利用输入信号和输出信号的数据预测输出信号未来的行为，确定预测时域Np，然后通过输出信号、参考信号和控制信号定义相应的性能函数，为了将控制信号应用到预测控制过程，确定控制时域Nu，通过对控制信号和输出变量进行一些限制来优化方程，通过方程计算得到的控制信号应用到实际过程当中，在下一步的时候，全部算法重复进行滚动计算。预测控制中的优化是一种有限时段的滚动优化，它不是一次离线进行，而是反复在线进行，即所谓的滚动优化。在每一采样时刻，优化指标只涉及到从该时刻起未来有限的时间，而到下一采样时刻，这一优化时段时同时向前推移。这样使得优化计算更为准确。所以，预测控制不是采用对全局相同的优化指标，而是在每一时刻有一个相对于该时刻的优化目标函数。在不同时刻优化目标函数的相对形式是相同的，但其绝对形式不相同，因为所包括的时间区域是不同的。室内环境系统是一个非线性、强耦合、强干扰的动态系统，其输入和输出总处于时变状态，基于热平衡进行推导分析得到的数学模型，难以确定模型参数，很难应用于室内环境控制的要求。实验建模是依据实验测量的系统输入输出数据，将其进行分析处理得到反映系统模型静态与动态特性，用一些线性化方法推导模型的结构，然后用一个模型来进行拟合，对模型参数进行辨识。室内环境热舒适度主要决定于室内气候条件，人体与环境的热交换。室内环境看作是一个动态的多输入单输出系统(ΜΙΜ0)，包括人体与环境的热交换，室内空气温度、风速、相对湿度、平均辐射温度，室外的温度、湿度、风速，光照强度或平均辐射温度等等。由于很难精确测量人体与环境热交换的能量，因此只在计算人体舒适度指标SET*时考虑与人体相关的变量，针对室内环境因子的特点，以温度为环境主要因子，建立自然通风和空调系统作用的房间主要环境因子的模型。模型结构辨识主要问题是阶的确定，包括室内环境因子模型中各多项式的阶次与纯滞后的模型结构参数的确定。根据测量得到的数据，选定不同阶次进行参数估计，得到不同阶次的模型方程，利用最小二乘估计的统计特性确定模型的真实阶次。
权利要求
1.一种基于室内环境舒适度的模型建立方法，其特征在于包括以下步骤1)采集当前实际的环境数据作为样本数据；2)利用样本数据建立基于三层前馈型BP神经网络模型；3)采用基于上述模型的预测控制(MBPC)应用在室内环境控制系统当中，分别设定舒适度SET*指标最优值和SET*值范围；4)空调系统控制结合SET*指标最优值和设定SET*值范围对实时采集到的当前数据进行处理，产生控制空调系统的信号，实现室内舒适度的自动控制。
2.根据权利要求1所述的基于室内环境舒适度的模型建立方法，其特征在于所述步骤1)的环境数据包括室内的温度、相对湿度、平均辐射温度和风速。
3.根据权利要求2所述的基于室内环境舒适度的模型建立方法，其特征在于所述环境数据还包括室外的温度、相对湿度、平均辐射温度和风速。
4.根据权利要求3所述的基于室内环境舒适度的模型建立方法，其特征在于所述样本数据还包括基于当前室内的温度、相对湿度、平均辐射温度和风速，利用传统迭代算法计算的当前SET*指标值。
5.根据权利要求1所述的基于室内环境舒适度的模型建立方法，其特征在于所述步骤2)的BP神经网络包括输入层、隐含层和输出层。
6.根据权利要求5所述的基于室内环境舒适度的模型建立方法，其特征在于所述输入层包括控制输入量和扰动输入量；控制输入量为室内的温度、相对湿度、平均辐射温度和风速；扰动输入量为室外的温度、相对湿度、平均辐射温度和风速。
7.根据权利要求6所述的基于室内环境舒适度的模型建立方法，其特征在于所述输出层为SET*指标。
8.根据权利要求5所述的基于室内环境舒适度的模型建立方法，其特征在于所述隐含层的节点为6个。
9.根据权利要求广8之一所述的基于室内环境舒适度的模型建立方法，其特征在于采用递推最小二乘法算法对BP神经网络进行训练，将输出层和对应的输入层进行对比，直到网络训练的均方误差达到要求，确定各层的权值和阈值。
全文摘要
本发明涉及室内环境调节技术领域，提供一种自动室内环境舒适度控制方法。该方法选择三层BP神经网络为原型，包括如下步骤1)采集当前实际的环境数据作为样本数据；2)利用样本数据基于三层前馈型BP神经网络建立模型；3)采用基于模型的预测控制设定SET*指标最优值和范围；4)空调系统控制结合SET*指标最优值和范围对实时采集到的当前数据进行处理，产生控制空调系统的信号，从而实现对环境调控设备的实时控制。本发明克服了传统模型中的复杂迭代运算,利用改进的L-M算法提高了收敛速度,预测模型的有效性高、误差小。
文档编号F24F11/00GK102563808SQ201210007218
公开日2012年7月11日 申请日期2012年1月11日 优先权日2012年1月11日
发明者张祥罗, 李婷, 王亚兰, 许厚鹏, 陈渊睿 申请人:华南理工大学