一种局部热舒适控制方法、局部热舒适控制器及控制系统与流程

本发明涉及热舒适控制技术领域，具体涉及一种局部热舒适控制方法、局部热舒适控制器及控制系统。

背景技术：

由于热舒适对于人们的工作和生活环境都具有重要的影响，所以，室内热舒适理论和基于预测平均投票数(Predicted Mean Vote，PMV)的室内热舒适控制方法正在成为科技界研究的热点之一。PMV综合了空气温度、平均辐射温度、空气流速、空气湿度、人体新陈代谢率及服装热阻六个因素，是至今最全面的评价热环境的指标，已被编入国际标准IS07730。1996年ASHRAE开始使用7级热感觉指标，见表1第1列。热舒适评价指标(PMV)如表1中的第2列。

表1热舒适评价指标

PMV方程的表达式为：

其中：

式中各项参数说明如下：

M——代谢率，W/m²，

W——对外做功消耗的热量(对多大多数活动可以忽略不计)，W/m²；

I_cl——服装热阻，m²·℃/W；

f_cl——着装时人的体表面积与裸露时人的体表面积之比，无量纲；

t_a——空气温度，℃；

——平均辐射温度，℃；

v_ar——空气流速，m/s；

p_a——水蒸气分压，P_a；

h_c——对流换热系数，M/m²·℃；

t_cl——服装表面温度，℃。

PMV指标代表了在同一环境中大多数人的热舒适，但由于年龄不同、体质不同、性别不同等因素，PMV指标不能够代表所有人的热舒适。为此，Fanger提出了预测不满意百分率(Predicted Percentage of Dissatisfied，PPD)指标来表示人群对热环境不满意的百分数，并用概率分析方法，给出PMV与PPD之间的定量关系表达式为：

PMV-PPD指标是目前国际广泛采用的评价热舒适的指标。国际标准组织IS07730推荐采用PMV-PPD指标来描述与评价环境的舒适程度。

事实上，对同在一个公共办公场所和相同的气候环境的人们，对室内热舒适感觉差别是非常大的，这只能通过分析影响人体热感觉的多个因素的综合来解释。热舒适是一个统计概念，相应的预测模型只是建立在大多数人满意的基础上，并没有做到兼顾每个人的热感觉和热舒适。为了建立具有“个性化”的、局部热舒适模型，并研究能满足节能要求的控制方法，对于改善室内工作人员的工作环境和提高工作效率，具有重要的理论研究价值和实际应用价值。

目前，在公共办公场所采用中央空调(壁式空调或立式空调)，使室内气温差异较大，即离空调出风口远近距离对热舒适感觉不同。因此，仍有一部工作人员对室内公共办公场所的热舒适不满意。

(1)室内集体办公场所的舒适度直接影响人们的工作效率。对同在一个室内公共办公场所，到目前为止，能让室内大多数工作人员都感到舒适又节能的热舒适控制难题还没有得到很好解决。

(2)无论是壁挂式空调、柜式空调，还是中央空调都无法满足大多数工作人员对热舒适的要求，对热舒适的感觉差别也是很大的。致使同在一个办公场所，只能采用单一的热舒适进行控制。

技术实现要素：

鉴于上述问题，本发明提出了克服上述问题或者至少部分地解决上述问题的一种局部热舒适控制方法、局部热舒适控制器及控制系统。

为此目的，第一方面，本发明提出一种局部热舒适控制方法，包括：

每隔预设时长，获取传感器采集的目标局部的与预测平均投票数PMV相关的各参数值，确定所述目标局部的PMV第一值；

基于所述PMV第一值以及所述目标局部的PMV第二值，确定第一控制信息；所述PMV第二值为预先设定的用于控制所述目标局部热舒适的PMV标准值；所述第一控制信息用于指示所述目标局部的空调进风口的控制阀的阀门开度；

基于所述第一控制信息指示的阀门开度，控制所述目标局部的空调进风口的控制阀的阀门开度，以每隔预设时长，获取所述传感器采集的PMV相关的各参数值，确定所述目标局部的PMV第一值。

第二方面，本发明还提出一种局部热舒适控制器，包括：

第一确定单元，用于每隔预设时长，获取传感器采集的目标局部的与预测平均投票数PMV相关的各参数值，确定所述目标局部的PMV第一值；

第二确定单元，用于基于所述PMV第一值以及所述目标局部的PMV第二值，确定第一控制信息；所述PMV第二值为预先设定的用于控制所述目标局部热舒适的PMV标准值；所述第一控制信息用于指示所述目标局部的空调进风口的控制阀的阀门开度；

控制单元，用于基于所述第一控制信息指示的阀门开度，控制所述目标局部的空调进风口的控制阀的阀门开度，以每隔预设时长，获取所述传感器采集的PMV相关的各参数值，确定所述目标局部的PMV第一值。

第三方面，本发明还提出一种控制系统，包括：

如第二方面所述的局部热舒适控制器、各局部热舒适控制器对应的传感器以及全局热舒适控制器；

所述局部热舒适控制器分别连接该局部热舒适控制器对应的传感器以及所述全局热舒适控制器。

相比于现有技术，本发明提出的局部热舒适控制方法、局部热舒适控制器及控制系统，通过分析热湿环境下影响室内舒适度的有关因素，通过局部的两个PMV值，确定第一控制信息，控制局部的空调进风口的控制阀的阀门开度，以控制局部的空调进风口的流量，实现局部热舒适控制，对于改善室内工作人员的工作环境和提高工作效率，满足室内工作人员对舒适度的不同要求，并达到节能降耗的目的，具有重要的理论研究价值和实际应用价值。

附图说明

图1为本发明第一实施例提供的一种局部热舒适控制方法流程图；

图2为本发明第一实施例提供的一种局部热舒适控制器结构图；

图3为室内公共办公场所全局-局部热舒适控制示意图；

图4a为OEGPR规则离线训练流程图；

图4b为OEGPR规则在线预测流程图；

图4c为OEGPR规则模型自适应更新流程图；

图5为OEGPR规则模型结构图；

图6为第二确定单元结构图，图6中右侧虚线框中的内容表示第二确定单元的内部结构图；

图7为室内所有人体的热舒适度分布曲线示意图；

图8为座位送风口的阀门开度示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。

需要说明的是，在本文中，“第一”、“第二”、“第三”和“第四”仅仅用来将相同的名称区分开来，而不是暗示这些名称之间的关系或者顺序。

如图1所示，本实施例公开一种局部热舒适控制方法，可包括以下步骤101～103：

101、每隔预设时长，获取传感器采集的目标局部的与预测平均投票数PMV相关的各参数值，确定所述目标局部的PMV第一值。

例如，可针对PMV相关的每个参数，均设置相应的传感器采集参数值。

102、基于所述PMV第一值以及所述目标局部的PMV第二值，确定第一控制信息；所述PMV第二值为预先设定的用于控制所述目标局部热舒适的PMV标准值；所述第一控制信息用于指示所述目标局部的空调进风口的控制阀的阀门开度。

本实施例中，确定第一控制信息，例如，将PMV第二值减去所述PMV第一值，得到差值，然后通过相应算法，计算控制阀的阀门开度。例如，预设的空调进风口的控制阀的阀门开度增大对应的第一差值范围，预设的空调进风口的控制阀的阀门开度减小对应的第二差值范围，若差值处于第一差值范围，则第一控制信息用于指示所述目标局部的空调进风口的控制阀的阀门开度增大；若差值处于第二差值范围，则第一控制信息用于指示所述目标局部的空调进风口的控制阀的阀门开度减小。

103、基于所述第一控制信息指示的阀门开度，控制所述目标局部的空调进风口的控制阀的阀门开度，从而控制所述目标局部的空调进风口的流量，以每隔预设时长，获取所述传感器采集的PMV相关的各参数值，确定所述目标局部的PMV第一值。

相比于现有技术，本实施例公开的局部热舒适控制方法，通过分析热湿环境下影响室内舒适度的有关因素，通过局部的两个PMV值，确定第一控制信息，控制局部的空调进风口的控制阀的阀门开度，以控制局部的空调进风口的流量，实现局部热舒适控制，对于改善室内工作人员的工作环境和提高工作效率，满足室内工作人员对舒适度的不同要求，并达到节能降耗的目的，具有重要的理论研究价值和实际应用价值。

在一个具体的例子中，步骤101所述确定所述目标局部的PMV第一值之后，还包括图1未示出的步骤102’和103’：

102’、基于所述PMV第一值以及所述目标局部的PMV第二值，确定第二控制信息；所述第二控制信息用于指示所述目标局部的自然风进风口的控制阀的阀门开度；

103’、基于所述第二控制信息指示的阀门开度，控制所述目标局部的自然风进风口的控制阀的阀门开度，以每隔预设时长，获取所述传感器采集的PMV相关的各参数值，确定所述目标局部的PMV第一值。

本实施例通过局部的两个PMV值，确定第一控制信息和第二控制信息，以分别控制局部的空调进风口的流量以及局部的自然风进风口的流量，实现更加快速有效的对局部热舒适控制。

在一个具体的例子中，步骤101所述确定所述目标局部的PMV第一值，包括：采用预设的在线集成高斯过程回归OEGPR规则，确定所述目标局部的PMV第一值。

在一个具体的例子中，步骤101所述确定所述目标局部的PMV第一值之后，还包括图1中未示出的步骤101’：

101’、将所述目标局部的PMV第一值上报全局热舒适控制器，以使所述全局热舒适控制器基于各局部的PMV第一值，确定全局的PMV第一值，并基于所述全局的PMV第一值以及全局的PMV第三值，确定第三控制信息；所述PMV第三值为预先设定的用于控制全局热舒适的PMV标准值；所述第三控制信息用于指示全局的空调进风口的控制阀的阀门开度；并基于所述第三控制信息指示的阀门开度，控制全局的空调进风口的控制阀的阀门开度，从而实现控制全局的空调进风口的流量。

在一个具体的例子中，步骤101所述确定所述目标局部的PMV第一值之后，还包括图1中未示出的步骤101”：

101”、将所述目标局部的PMV第一值上报全局热舒适控制器，以使所述全局热舒适控制器基于各局部的PMV第一值，确定全局的PMV第一值，并基于所述全局的PMV第一值以及全局的PMV第三值，确定第三控制信息以及第四控制信息；所述PMV第三值为预先设定的用于控制全局热舒适的PMV标准值；所述第三控制信息用于指示全局的空调进风口的控制阀的阀门开度；所述第四控制信息用于指示全局的自然风进风口的控制阀的阀门开度；并基于所述第三控制信息和第四控制信息指示的阀门开度，控制全局的空调进风口和自然风进风口的控制阀的阀门开度。

如图2所示，本实施例公开一种局部热舒适控制器，可包括以下单元：第一确定单元21、第二确定单元22以及控制单元23，各单元具体说明如下：

第一确定单元21，用于每隔预设时长，获取传感器采集的目标局部的与预测平均投票数PMV相关的各参数值，确定所述目标局部的PMV第一值；

第二确定单元22，用于基于所述PMV第一值以及所述目标局部的PMV第二值，确定第一控制信息；所述PMV第二值为预先设定的用于控制所述目标局部热舒适的PMV标准值；所述第一控制信息用于指示所述目标局部的空调进风口的控制阀的阀门开度；

控制单元23，用于基于所述第一控制信息指示的阀门开度，控制所述目标局部的空调进风口的控制阀的阀门开度，以每隔预设时长，获取所述传感器采集的PMV相关的各参数值，确定所述目标局部的PMV第一值。

本实施例公开的局部热舒适控制器，可实现图1所示的局部热舒适控制方法流程，因此，本实施例中的局部热舒适控制器的效果及说明可参见图1所示的方法实施例，在此不再赘述。

在一个具体的例子中，所述第二确定单元22，还用于所述第一确定单元21确定所述目标局部的PMV第一值之后，基于所述PMV第一值以及所述目标局部的PMV第二值，确定第二控制信息；所述第二控制信息用于指示所述目标局部的自然风进风口的控制阀的阀门开度；

所述控制单元23，还用于基于所述第二控制信息指示的阀门开度，控制所述目标局部的自然风进风口的控制阀的阀门开度，以每隔预设时长，获取所述传感器采集的PMV相关的各参数值，确定所述目标局部的PMV第一值。

在一个具体的例子中，所述第一确定单元21，具体用于采用预设的在线集成高斯过程回归OEGPR规则，确定所述目标局部的PMV第一值。

在一个具体的例子中，图2所示的局部热舒适控制器还包括图2未示出的：

上报单元24，用于所述第一确定单元21确定所述目标局部的PMV第一值之后，将所述目标局部的PMV第一值上报全局热舒适控制器。

另外，本发明还提出一种控制系统，实现全局-局部的热舒适控制，具体包括：

如图2所示的局部热舒适控制器、各局部热舒适控制器对应的传感器以及全局热舒适控制器；

所述局部热舒适控制器分别连接该局部热舒适控制器对应的传感器以及所述全局热舒适控制器。

下面以室内公共办公场所为应用场景进一步说明局部热舒适控制流程。

图3为室内公共办公场所全局-局部热舒适控制示意图。

图3中工业计算机控制系统可包括上述实施例中提及的全局热舒适控制器。局部控制系统可包括上述实施例中提及的局部热舒适控制器。PMV_r1至PMV_rM为上述实施例中提及的预先设定的用于控制局部热舒适的PMV标准值，因为图3有M号座位，因此有M个PMV标准值，即PMV_r1至PMV_rM。

图3中PMV₁至PMV_M为各局部(即1,2,…,M)的实际PMV值；

图3中V₁至V_M为各局部(即1,2,…,M)的空气流速；

图3中t₁至t_M为各局部(即1,2,…,M)的温度；

图3中h₁至h_M为各局部(即1,2,…,M)的湿度。

在线集成高斯过程回归(Online Ensemble Gaussian Process Regression，OEGPR)规则如下：

OEGPR规则包括三个关键运算流程：离线训练(如图4a)、在线预测(如图4b)和模型自适应更新(如图4c)。模型结构如图5所示，其实施步骤叙述如下：

(1)收集过程输入输出数据用于模型训练。

(2)基于即时学习(Just-in-time Learning，JIT)局部化方法构建一组满足冗余度要求的局部区域。

(3)为每一个局部区域建立相应的高斯过程回归(Gaussian Process Regression，GPR)和概率数据描述(Probabilistic Data Descriptor，PDD)模型。

(4)对于一个新的测试样本，基于局部GPR模型估计输出变量预测分布的均值和方差。

(5)通过贝叶斯推理和PDD模型自适应估计查询点关于不同局部区域的后验概率，并将其作为局部模型的混合权值。

(6)通过有限混合机理将局部预测结果融合成输出变量的全局预测均值和方差。

(7)新样本可用时，选择与新样本具有最大相关性的局部GPR和PDD模型，基于移动窗口技术实现模型更新。

(8)下一个查询点到来时返回(4)。

在图4a至4c和图5中，x_new表示一个新的测量值，y_m,new(m＝1,2,…,M)表示局部输出，表示全局输出的预测均值，σ²表示全局输出的方差，p(LD_m|x_new)表示具有最大的后验概率。

基于人工神经网络(Artificial Neural Networks，ANN)构建第二确定单元结构，如图6所示。ANN网络模型结构为n×m×2，输入有n个结点，即n个输入量；隐层数为1，隐层结点数为m；输出层结点为2，2个输出量。

在图6中，e_k＝PMV_rk-PMV′_k，其中，k＝1,2,…,M，PMV_rk为设定值，PMV′_k为基于软测量模型的预测值，T_r为室内温度设定值，RH_r为室内相对湿度设定值。第二确定单元进一步描述为如图6右侧虚线框中所示。

该网络的输入变量分别设x1为当前偏差值e₁(k)，x2为先前一步预测值PMV_预测(k-1)，x3为为先前二步预测值PMV_预测(k-2)，x4为当前室内温度测量值T(k)(℃)，x5为先前一步室内温度测量值T(k-1)(℃)，x6为当前相对湿度测量值RH(k)(％)，x7为先前一步相对湿度测量值RH(k-1)(％)，x8为当前风速测量值v(k)(％)，………；ANN控制器的二个输出分别为：u₁用于控制中央空调的进风量，u₂用于控制自然风的输入量。

基于优化控制的目标函数J及优化算法，即优化算法可采用“微粒群-模糊聚类(Particles Swarm Optimization-Fuzzy C-Means，PSOFCM)算法”，或“遗传-模糊聚类(Genetic Fuzzy C-Means，GFCM)算法”。

最优控制算法的目标是在整个设定时间段内(如几十分钟)使室内热舒适和能量消耗最优化。通过目标函数的最小化来实现最优化。

(1)室内当前空气温度测量值当和先前一步温度测量值等(T(k),T(k-1)…)；

(2)在每一个时间步距k，最优控制u_{加热(致冷)}就是在几十分钟内使目标函数J达到最小的输出值，即通过n步操作使目标函数J达到最优。

式中的H为能耗。

最优控制算式的目标函数的数学表达式为

J(P_{加热(致冷)},T,T_设定值)＝C_PheatP_{加热(致冷)}+C_comf(exp(PMV(T,T_设定值)²)-1) (2)

式中：P_{加热(致冷)}＝加热(致冷)操作(W)；

PMV(T,T_设定值)＝预测均值表决(-)；

T＝室内空气温度；

T_设定值＝室内设定值温度；

C_Pheat＝加热项的加权系数；

C_comf＝热舒适项的加权系数。

图6原理简要叙述：基于OEGPR自适应软测量预测热舒适指标，即PMV′，预测值与设定值比较后产生偏差(包括当前值和先前值)及相关测量参数值作为ANN控制器输入，由此来计算中央空调和自然风(新鲜空气)的控制量，并通过目标函数控优化算法在线自适应调整ANN网络的权值，以满足室内工作人员对热舒适的不同要求。

采用计算流体力学(Computational Fluid Dynamics,CFD)软件，模拟研究室内人员对局部热舒适指标不同需求的预测模型；通过改变室外温度、室内温度、空气流速、空气湿度等，研究室内空气流和热传递的分布规律，确定室内局部热舒适指标的预测模型；基于数值模拟的优化策略，确定变风量空调系统的设计方案；基于CFD模型构建多输入、多输出、非线性、时变的综合优化控制系统；为下一步的试验研究提供理论依据。

在Airpak软件环境中建立房间模型、空调模型、桌椅模型和人体模型，模拟夏季高温下室内的热环境对人体热舒适度的影响。设置PMV计算公式获得人体的平均热舒适度。从1～14的座位顺序获得室内所有人体的热舒适度分布曲线如图7所示。

在有座位送风进行室内局部热舒适控制的情况下，座位送风口的阀门开度如图8所示。

实验结果表明，通过在不同座位上采取局部送风的方式可以有效改善人体的热舒适度。这是对传统空调控制下，室内热环境分布不均匀时，是一种改善热环境舒适度的有效方案，其结果证明了本发明提出的局部热舒适控制方案是有效、可行的。

本领域技术人员可以理解，可以把实施例中的各单元组合成一个单元，以及此外可以把它们分成多个子单元。除了这样的特征和/或过程或者单元中的至少一些是互相排斥之处，可以采用任何组合对本说明书中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。

本领域技术人员可以理解，实施例中的各单元可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。

虽然结合附图描述了本发明的实施方式，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。