一种暖通空调智能送风控制方法及系统

1.本发明涉及空调设备技术领域，特别涉及一种暖通空调智能送风控制方法 及系统。


背景技术：

2.随着经济社会和技术的发展，暖通空调技术应用较为广泛，改善 了室内热舒适，但不同人体状态的热舒适需求也存在差异。相对于燃 煤锅炉供热供冷，电力能源碳排放更低。
[0003][0004]
申请人在研究过程中发现，现有技术方法至少存在以下缺点：(1)现有空 调送风系统调节主要靠用户手动控制或停留在概念阶段，而无法根据人体舒适 度、建筑物实际的热负荷、分时电价等方面来进行修正或指导其运行状态，因 此容易出现机组供冷热量与实际需求不匹配、运行电费过高的情况，导致机组 能效较低的同时，产生较大的运行费用；(2)现有空调送风系统送风控制方法， 缺乏科学定量参数控制方法，不能根据实时监测参数进行优化。一方面通常采 用pmv等基于平均人群的传统热舒适指标，无法有效评价用户个性化热舒适 需求；同时，传统的暖通空调系统容易造成系统运行的不匹配和局部过冷过热 的现象，缺乏定量指标来协调用户个性化热舒适需求与能源过度消耗之间的矛 盾，对建筑节能与人体舒适健康总目标达成有不利影响。
[0005]
因此，本领域技术人员迫切需要基于个性化热舒适和经济指标的暖通空调 控制系统及控制方法。


技术实现要素：

[0006]
有鉴于此，本发明旨在提出一种暖通空调智能送风控制方法及系统，针对 人体热舒适的个性化需求，提供定量解决方法，在不明显影响用户满意度的前 提下，减少暖通空调系统用能成本，并实现“削峰填谷”的作用，以解决现有 技术中暖通空调使用时舒适性或者能耗无法定量调控的问题。
[0007]
为达到上述目的，本发明的技术方案是这样实现的：
[0008]
一种暖通空调智能送风控制方法，包括如下步骤：
[0009]
s1：监测端数据采集模块获取监测数据，确定热舒适预测模型和能耗预测 模型；
[0010]
s2：监测端数据采集模块将预测模型输出至用户端存储显示模块；
[0011]
s3：根据监测端数据采集模块采集的实时数据，计算机运算控制模块运算 系统输出实时冷热不舒适性概率p和实时能耗负荷比c；
[0012]
s4：根据热舒适预测模型和能耗预测模型中冷热不舒适性概率p和能耗负 荷比c随温度设定值ts的变化关系，计算出不同温度设定值变化时的满意度负 荷比，得到满足可接受满意度负荷率指标下的设定温度值范围t
s，q
；
[0013]
s5：调节暖通空调系统的温度设定值，并执行对应的实时调控策略。
[0014]
进一步的，在步骤s1中，所述监测端数据采集模块包括热环境监测系统、 人体监测系统和运行成本采集系统，所述热环境监测系统用于监测热环境参数， 所述人体监测系统用于识别或者预估用户的人体监测参数，所述运行成本采集 系统用于采集不同工况下暖通空调系统的能耗和相应的分时电价信息，所述热 舒适预测模型的运算采用集成学习算法基于输入数据对用户热舒适进行预测， 所述热舒适预测模型的输出因变量冷热舒适指标包括舒适、冷不舒适、热不舒 适；所述能耗预测模型根据不同工况下能耗检测数据以及相应的分时电价信息 进行模型训练，所述能耗预测模型的输出因变量为暖通空调能耗q。
[0015]
进一步的，所述热舒适预测模型训练学习时输入的参数包括空气温度变化 δt、用户年龄a和性别g，人体活动状态m，以及头部皮肤温度和手部皮肤温 度st。
[0016]
进一步的，在步骤s1中，若所述热舒适预测模型在首次运行时，根据暖通 空调系统不同温度设定值ts范围，通过问卷形式让用户输入相应场景的热舒适 感受值，同时记录对应时刻的各监测参数，通过学习运算得到可适用的热舒适 预测模型。
[0017]
进一步的，步骤s3包括：
[0018]
s31：根据监测端数据采集模块采集的实时数据，在同一场景运行集成学习 算法n次，得到舒适，冷不舒适，热不舒适的结果次数分别为(n-i-j)、j和i次；
[0019]
s32：制热工况时，冷不舒适概率为：
[0020][0021]
则制冷工况时，热不舒适概率为：
[0022][0023]
s33：根据暖通空调能耗q和实时电网负荷l，得到暖通空调系统的能耗 负荷比c：
[0024]
c＝q/(l
max-l)，其中，l
max
为电网设计的最大负荷。
[0025]
进一步的，若所述暖通空调系统的用户数量大于1时，将各用户运行结果 的概率相加得到冷热不舒适性概率p。
[0026]
进一步的，步骤s4包括：
[0027]
s41：基于监测端数据采集模块获取的实实时监测参数，获取空气温度变化 δt、用户年龄a、人体活动状态m、皮肤温度st、室外综合温度tz信息；
[0028]
s42：假定不同的温度设定值ts输入已训练好的热舒适预测模型和能耗预 测模型，获取预测的冷热不舒适性概率p和能耗负荷比c随温度设定值ts的 变化关系；
[0029]
s43：计算出不同温度设定值变化下的冷热不舒适性差值δp和能耗负荷比 差值δc，满意度负荷率指标为-δc/δp；
[0030]
s44:确定0≤-δc/δp≤r时暖通空调系统的设定温度值范围t
s，q
，其中，r 为预设的可接受的满意度负荷比取值阈值。
[0031]
进一步的，在步骤s44中，若电网负荷l很小时，取
△
p≈0时暖通空调系 统的设定温度值范围作为可接受满意度负荷率指标下的设定温度值范围t
s，q
； 若电网负荷l接近电网设计的最大负荷l
max
时，暖通空调系统关闭。
[0032]
进一步的，基于步骤s5中确定的设定温度值范围t
s，q
，判断是否用户主 动调节覆
盖控制算法，若用户手动调节暖通空调系统的温度设定值，覆盖原控 制算法的指令，则记录此时的热环境参数和人体监测参数，并依据这些参数和 温度设定值修正原控制算法的热舒适预测模型。
[0033]
相对于现有技术，本发明所述的暖通空调智能送风控制方法具有以下优势：
[0034]
(1)本发明所述的暖通空调智能送风控制方法，基于个性化热舒适和经济 指标进行差异化暖通空调送风，从而给不同情景提供相应的送风模式，充分调 节室内热环境，节约能源的同时提高个体热舒适水平，暖通空调的节能与热舒 适的运行管控均由系统自动完成，无需人工操作，提高暖通空调的节能性和智 能性，具有充分的理论依据和较大的实际意义。
[0035]
(2)本发明所述的暖通空调智能送风控制方法，根据监测端数据采集模块 获取的监测数据结合确定的热舒适预测模型和能耗预测模型，计算机运算控制 模块运算系统输出实时冷热不舒适性概率p和实时能耗负荷比c，根据满意度 负荷率指标确定对应的设定温度值范围t
s，q
，实现暖通空调系统的满足个性化 需求的节能化、舒适性定量管控。
[0036]
本发明的另一目的在于提出一种暖通空调智能送风控制系统，用于执行如 上述所述的暖通空调智能送风控制方法，包括：
[0037]
监测端数据采集模块，包括热环境监测系统、人体监测系统和运行成本采 集系统，所述热环境监测系统用于监测热环境参数，所述人体监测系统用于识 别或者预估用户的个体信息以及活动状态信息，所述运行成本采集系统用于采 集不同工况下暖通空调系统的能耗和相应的分时电价信息；
[0038]
用户端存储显示模块，能够显示所述监测端数据采集模块监测的数据，对 已训练的模型及历史数据进行记录存储，并反馈给计算机运算控制模块；
[0039]
计算机运算控制模块，能够接收监测端数据采集模块的监测实时数据进行 运算，通过运用已训练好的热舒适预测模型和能耗预测模型，得到预测的冷热 不舒适性概率p和能耗负荷比c随假定温度设定值ts的变化关系，从而计算 出不同温度设定值变化时的满意度负荷比，确定可接受满意度负荷率指标下的 达到设定温度值范围t
s，q
的控制策略；
[0040]
暖通空调系统，根据计算机运算控制模块得出的控制策略进行送风控制。
[0041]
所述暖通空调智能送风控制系统与上述暖通空调智能送风控制方法相对于 现有技术所具有的优势相同，在此不再赘述。
附图说明
[0042]
构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示 意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图 中：
[0043]
图1为本发明实施例所述暖通空调智能送风控制系统的结构示意图；
[0044]
图2为本发明实施例所述暖通空调智能送风控制方法的流程示意图；
[0045]
图3为本发明实施例所述暖通空调智能送风控制方法确定温度设定值的逻 辑框图；
[0046]
图4为本发明实施例所述冷热不舒适性概率p和能耗负荷比c与温度设定 值ts关系的曲线示意图；
[0047]
图5为本发明实施例所述暖通空调智能送风控制系统的温度调整示例图；
[0048]
图6为本发明实施例所述集成学习算法的示意图；
[0049]
图7为本发明实施例所述模型预测性能对比分析示意图；
[0050]
附图标记说明：
[0051]
监测端数据采集模块1，用户端存储显示模块2，计算机运算控制模块3， 暖通空调系统4。
具体实施方式
[0052]
为了使本发明的技术手段及达到目的与功效易于理解，下面结合具体图示 对本发明的实施例进行详细说明。
[0053]
需要说明，本发明中所有进行方向性和位置性指示的术语，诸如：“上”、“下”、
ꢀ“
左”、“右”、“前”、“后”、“竖直”、“水平”、“内”、“外”、“顶”、“低”、“横向”、
ꢀ“
纵向”、“中心”等，仅用于解释在某一特定状态(如附图所示)下各部件之间的相 对位置关系、连接情况等，仅为了便于描述本发明，而不是要求本发明必须以 特定的方位构造和操作，因此不能理解为对本发明的限制。另外，在本发明中 涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示 其相对重要性或者隐含指明所指示的技术特征的数量。
[0054]
在本发明的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、
ꢀ“
连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一 体地连接；可以是机械连接；可以是直接相连，也可以通过中间媒介间接相连， 可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况 理解上述术语在本发明中的具体含义。
[0055]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示 意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合 该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一 个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相 同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何 的一个或多个实施例或示例中以合适的方式结合。
[0056]
实施例1
[0057]
如图1～4所示，本发明公开了一种暖通空调智能送风控制方法，包括如下 步骤：
[0058]
s1：监测端数据采集模块获取监测数据，确定热舒适预测模型和能耗预测 模型；
[0059]
s2：监测端数据采集模块将预测模型输出至用户端存储显示模块；
[0060]
s3：根据监测端数据采集模块采集的实时数据，计算机运算控制模块运算 系统输出实时冷热不舒适性概率p和实时能耗负荷比c；
[0061]
s4：根据热舒适预测模型和能耗预测模型中冷热不舒适性概率p和能耗负 荷比c随温度设定值ts的变化关系，计算出不同温度设定值变化时的满意度负 荷比，得到满足可接受满意度负荷率指标下的设定温度值范围t
s，q
；
[0062]
s5：调节暖通空调系统的温度设定值，并执行对应的实时调控策略。
[0063]
本发明公开的暖通空调智能送风控制方法，首先根据监测端数据采集模块 获取的监测数据，进行热舒适预测模型和能耗预测模型的算法模型训练，所述 监测端数据采集模块基于监测数据通过集成学习算法训练热舒适预测模型和能 耗预测模型信息传输并存储至用户端存储显示模块，在暖通空调系统使用时， 所述计算机运算控制模块根据所述监测端数据采集模块实时监测获取的热环境 参数以及用户的个体信息以及活动状态信息，
结合热舒适预测模型，运算输出 实时的冷热不舒适性概率p，所述计算机运算控制模块根据所述监测端数据采 集模块实时监测获取的电网负荷l，结合能耗预测模型，运算输出实时的能耗 负荷比c，然后通过假定不同的暖通空调系统的温度设定值ts进行输入，运用 已经训练好的热舒适预测模型和能耗预测模型，得到冷热不舒适性概率p和能 耗负荷比c随温度设定值ts的变化关系，从而计算出不同温度设定值变化时的 满意度负荷，进而确定满足可接受满意度负荷率指标下的设定温度值范围t
s，q
， 暖通空调系统根据该设定温度值范围t
s，q
确定并执行对应的实时调控策略，使 其根据不同情景提供相应的送风模式。
[0064]
本发明所述的暖通空调智能送风控制方法，基于个性化热舒适和经济指标 进行差异化暖通空调送风，从而给不同情景提供相应的送风模式，从而充分调 节室内热环境，节约能源的同时提高个体热舒适水平，暖通空调的节能与热舒 适的运行管控均由系统自动完成，无需人工操作，提高暖通空调的节能性和智 能性，具有充分的理论依据和较大的实际意义。
[0065]
作为本发明的一个较佳示例，在步骤s1中，所述监测端数据采集模块包括 热环境监测系统、人体监测系统和运行成本采集系统，所述热环境监测系统用 于监测热环境参数，所述人体监测系统用于识别或者预估用户的人体监测参数， 所述人体监测参数信息包括个体信息以及活动状态信息，例如性别g、年龄a、 人体活动状态m，以及头部皮肤温度和手部皮肤温度st等信息，所述运行成 本采集系统用于采集不同工况下暖通空调系统的能耗和相应的分时电价信息， 作为本发明的示例，所述运行成本采集系统主要包括能耗监测仪和分时电价记 录单元，所述热舒适预测模型的运算宜采用集成学习(ensemble learning)算法基 于输入数据对用户热舒适进行预测，其中集成学习算法中优先采用subspace子 空间优化的k最邻近(knn，k-nearest neighbor)和集成bagging优化的决 策树(decision tree)算法，所述热舒适预测模型的输出因变量冷热舒适指标包 括舒适(0)，冷不舒适(-1)，热不舒适(+1)；所述能耗预测模型根据不同 工况下能耗检测数据以及相应的分时电价信息进行模型训练，所述暖通空调系 统的能耗检测数据由能耗监测仪进行记录，所述能耗预测模型的输入参数为暖 通空调系统的温度设定值ts和室外综合温度tz，所述能耗预测模型的输出因 变量为暖通空调能耗q。
[0066]
该设置公开了一种监测端数据采集模块确定热舒适预测模型和能耗预测模 型的方式，通过算法学习对用户热舒适性和对应能耗、电价进行预测，输出对 应的冷热舒适指标和暖通空调能耗q，便于用户在使用时根据实际监测数据结 合与用户相关的热舒适预测模型和能耗预测模型库快速计算出满足可接受满意 度负荷率指标下的设定温度值范围t
s，q
，便于暖通空调系统送风控制策略的可 靠调整。
[0067]
作为本发明的一个较佳示例，所述热舒适预测模型训练学习时输入的参数 包括空气温度变化
△
t、用户年龄a和性别g，人体活动状态m，以及头部皮肤 温度和手部皮肤温度st。具体的，在本发明的示例中，所述热环境监测系统包 括温度传感器，能够监测获取空气温度变化
△
t，所述人体监测系统包括rgb 摄像头和红外摄像头，所述rgb摄像头能够监测并应用相关软件识别判断出用 户年龄a和性别g参数，所述红外摄像头能够监测人体活动状态m，以及头部 皮肤温度和手部皮肤温度st。
[0068]
本技术公开的暖通空调智能送风控制方法，在进行热舒适预测模型训练学 习时，既考虑基于不同设定温度时带来空气温度变化
△
t对用户带来的体感舒适 度影响，还结合
了用户自身的年龄a和性别g以及人体活动状态m的参数信 息，使得热舒适预测模型输出的冷热舒适指标更贴合于用户自身实际需求，进 一步提高用户使用时冷热舒适预测的可靠性和精准性。
[0069]
进一步的，在步骤s1中，若所述热舒适预测模型的采用集成学习算法运算 时缺乏提前存储的数据库，则在首次运行时，根据不同温度设定值ts范围，通 过问卷形式让用户输入相应场景的热舒适感受值，同时记录对应时刻的各监测 参数，通过学习运算得到可适用的热舒适预测模型。
[0070]
该设置使得热舒适预测模型，根据不同个体的个性化差异热舒适需求训练 学习，既避免了数据库预存过多冗余复杂数据导致的成本增加，同时又提高了 用户自身使用的舒适度。
[0071]
作为本发明的一个较佳示例，步骤s3包括：
[0072]
s31：根据监测端数据采集模块采集的实时数据，在同一场景运行集成学习 算法n次，得到舒适(0)，冷不舒适(-1)，热不舒适(+1)的结果次数分别 为(n-i-j)、j和i次；
[0073]
s32：制热工况时，冷不舒适概率为：
[0074][0075]
则制冷工况时，热不舒适概率为：
[0076][0077]
s33：根据暖通空调系统的能耗q和实时电网负荷l，得到暖通空调系统 的能耗负荷比c：
[0078]
c＝q/(l
max-l)，其中，l
max
为电网设计的最大负荷。
[0079]
作为优选，若所述暖通空调系统的用户数量大于1时，将各用户运行结果 的概率相加得到冷热不舒适性概率p。
[0080]
该设置进一步限定了利用监测端数据采集模块获取采集的实时数据，结合 确定的热舒适预测模型和能耗预测模型，通过运行n次获取的实时冷热不舒适 性概率p结合实时能耗负荷比c，保证暖通空调系统调调节温度设定值的精准 性，进一步提高用户个性化使用的舒适度和节能效果。
[0081]
作为本发明的一个较佳示例，步骤s4包括：
[0082]
s41：基于监测端数据采集模块获取的实实时监测参数，获取空气温度变化 δt、用户年龄a、人体活动状态m、皮肤温度st、室外综合温度tz信息；
[0083]
s42：假定不同的温度设定值ts输入已训练好的热舒适预测模型和能耗预 测模型，获取预测的冷热不舒适性概率p和能耗负荷比c随温度设定值ts的 变化关系；
[0084]
s43：计算出不同温度设定值变化下的冷热不舒适性差值δp和能耗负荷比 差值δc，满意度负荷率指标为-δc/δp；
[0085]
s44:确定0≤-δc/δp≤r时暖通空调系统的设定温度值范围t
s，q
，其中，r 为预设的可接受的满意度负荷比取值阈值。
[0086]
在本发明的示例中，如图4所示的冷热不舒适性概率p和暖通空调系统的 能耗负荷比c与温度设定值ts关系的示例，其中，冷不舒适概率pj随着暖通 空调温度设定值ts升高
而指数降低，而热不舒适概率pi随着暖通空调温度设定 值ts升高而指数升高，不同温度设定值之间的pj或者pi的变化值就为
△
p，暖 通空调系统的能耗负荷比c随温度设定值ts的变化与冷热不舒适性概率p成 相反关系，制热能耗负荷比cj随着暖通空调温度设定值ts升高而逐渐升高， 而制冷能耗负荷比ci随着暖通空调温度设定值ts升高而逐渐下降，不同温度 设定值之间的cj或者ci的变化值就为δc，在同一个不同的温度设定值变化区 间，所述冷热不舒适性差值δp与能耗负荷比差值δc的变化趋势相反，因此通 过将-δc/δp作为满意度负荷率指标，即每提高1％的满意度所增加的暖通空调 系统的能耗负荷比，根据经验预设的可接受的满意度负荷比取值阈值，当0≤
‑ꢀ
δc/δp≤r时对应的暖通空调系统的设定温度值范围t
s，q
，即可确定为满足可 接受满意度负荷率指标的设定温度值范围t
s，q
，计算机运算控制模块进而将该 设定温度值范围t
s，q
输出至暖通空调系统，实现该暖通空调系统的送风控制策 略调整。作为本发明的较佳示例，在步骤s42中假定不同的温度设定值ts的取 值范围为16℃～30℃。
[0087]
作为本发明的一个较佳示例，在步骤s44中，若电网负荷l很小时，取
△
p ≈0时暖通空调系统的温度设定值作为可接受满意度负荷率指标下的设定温度 值范围t
s，q
；若电网负荷l接近电网设计的最大负荷l
max
时，暖通空调系统关 闭。
[0088]
根据本发明所述的暖通空调智能送风控制方法，当电网负荷l很小时，暖 通空调系统的能耗负荷比c则趋近于无限小，满意度负荷率指标-δc/δp可能一 直小于默认设定值r，则暖通空调系统的设定温度值范围t
s，q
的取值范围较大， 此时取
△
p≈0时暖通空调系统的设定温度值范围作为可接受满意度负荷率指标 下的设定温度值范围t
s，q
，以满足最佳冷热舒适需求；当电网负荷l接近电网 设计的最大负荷l
max
时，暖通空调系统的能耗负荷比c则趋近于无限大，满意 度负荷率指标-δc/δp可能永远无法小于默认设定值r，则此时暖通空调系统没 有可取的设定温度值范围t
s，q
，通过将暖通空调系统关闭，以保护电网负荷； 根据监测端数据采集模块获取的实时数据，当电网负荷l在上述范围之间时， 暖通空调系统的设定温度值范围t
s，q
的取值随着电网负荷l的变化而变化。
[0089]
该设置进一步提高了本发明所述的暖通空调智能送风控制方法基于不同场 景进行个性化差异送风控制的可靠性。
[0090]
在本发明示例中，通过设置弹性因子(flexibility factor，ff)用来评 价各供暖模式的能源灵活性，能源灵活性表示能源供应网络的调节转移能力， 在用能高峰可以减少需求侧管理的能源开销。当ff＝-1时供热能源只在用能高 峰时使用，而ff＝1时供热能源只在用能低谷时使用，ff的一般取值范围在-1 到1之间。
[0091]
不同管理模式与基准参考模式的ff取值差异，能够反映能源消耗能够从高 峰转移到低谷的程度。ff的计算方法如下：
[0092][0093]
其中，t是时间，dt时间微分，helower是用能低谷时的暖通空 调能耗，hehigh是用能高峰时的暖通空调能耗。
[0094]
本发明所述的暖通空调智能送风控制方法，建筑暖通空调系统的能源灵活 性的弹性因子ff提高了50％以上。具体的，首先，根据某日监测端采集获得的 实时电网负荷l变
化曲线，和暖通空调能耗q预测值，计算能耗负荷比c，并基于热舒适预测模型得到冷热不舒适性概率p；接着，计算出不同温度设定值变化下的冷热不舒适性差值
△
p和能耗负荷比差值
△
c，满意度负荷率指标为-δc/δp，并取-δc/δp＝r时暖通空调系统的设定温度值范围t
s，q
；最后，就形成如图5所示的能耗负荷比c、冷热不舒适性概率p和室内空气温度变化曲线图。
[0095]
作为本发明的一个较佳示例，基于步骤s5中确定的设定温度值范围t
s，q
，判断是否用户主动调节覆盖控制算法，若用户手动调节暖通空调系统的温度设定值，覆盖原控制算法的指令，则记录此时的热环境参数和人体监测参数，并依据这些参数和温度设定值修正原控制算法的热舒适预测模型。
[0096]
该设置使得暖通空调系统在使用时，可以根据用户的手动控制调节不断修正热舒适预测模型，使得训练好的热舒适预测模型进一步适应于用户的个性化冷热舒适性预测的可靠性和精准性，提高用户使用时智能化控制的舒适性。
[0097]
作为本发明的具体示例，本发明所述的暖通空调智能送风控制方法，采用如图6所示的集成学习算法，对标准决策树模型采用bagging算法优化，即随机森林(randomforest)算法，最优的切分点数量为750，个体学习器数量为30；对标准knn模型采用subspace子空间算法优化，最优子空间维数为5，个体学习器数量为30。
[0098]
在室内温度18～34℃范围内，对男女各半的不同年龄人群(18～72岁)，采集了751项数据集，并使用本发明集成算法模型对比三个常见机器学习模型包括标准决策树(decisiontree)模型、标准支持向量机(supportvectormachine，svm)和标准最近邻(k-nearestneighbors，knn)模型，来预测舒适(0)，冷不舒适(-1)，热不舒适(+1)的结果。模型预测过程使用matlabclassificationlearnerapp进行运算，模型性能的预测结果表现用以下指标来评估：
[0099]
这三个指标定义如下：
[0100]
准确度
[0101]
精确度
[0102]
召回率
[0103]
其中，tp表示真阳性，即阳性样本预测为阳性样本的数量，fp为假阳性，即预测为阳性样本的阴性样本的数量，tn为真阴性，fn为假阴性。
[0104]
其测试分析结果如图7所示，样本1为本发明集成算法多次学习结果分析样本，样本2为本发明集成算法初步学习结果，样本3为采用标准决策树模型分析结果，样本4为采用标准最近邻模型分析结果，样本5为采用标准支持向量机模型分析结果。本发明所述的暖通空调智能送风控制方法，通过热舒适预测模型训练学习，结合了用户自身的年龄a和性别g以及人体活动状态m的参数信息，大幅提高了用户的个性化冷热舒适性预测的可靠性和精准性，保证用户使用时智能化控制的舒适性。
[0105]
本发明还公开了一种暖通空调智能送风控制系统，用于执行如上述所述的暖通空调智能送风控制方法，包括：
[0106]
监测端数据采集模块1，包括热环境监测系统、人体监测系统和运行成本 采集系统，所述热环境监测系统用于监测热环境参数，所述人体监测系统用于 识别或者预估用户的个体信息以及活动状态信息，所述运行成本采集系统用于 采集不同工况下暖通空调系统的能耗和相应的分时电价信息；
[0107]
用户端存储显示模块2，能够显示所述监测端数据采集模块1监测的数据， 对已训练的模型及历史数据进行记录存储，并反馈给计算机运算控制模块3；
[0108]
计算机运算控制模块3，能够接收监测端数据采集模块1的监测实时数据 进行运算，通过运用已训练好的热舒适预测模型和能耗预测模型，得到预测的 冷热不舒适性概率p和能耗负荷比c随假定温度设定值ts的变化关系，从而 计算出不同温度设定值变化时的满意度负荷比，确定可接受满意度负荷率指标 下的达到设定温度值范围t
s，q
的控制策略；
[0109]
暖通空调系统4，根据计算机运算控制模块3得出的控制策略进行送风控 制。
[0110]
作为本发明的较佳示例，所述用户端存储显示模块2还包括为用户提供可 手动调节温度设定值的控制面板。该设置便于用户输入相关设置信息或选择预 设存储信息，提高暖通空调智能送风控制系统执行智能送风控制的可靠性，通 过用户端存储显示模块2实时存储和显示监测端数据采集模块1监测的数据以 及计算机运算控制模块3运算的输出结果，用于历史查询和数据记录，并提示 用户建议采取的行为措施。
[0111]
本技术还提供一种空调器，所述空调器包括至少一个室内机和室外机，所 述室外机包括压缩机、外电机和室外换热器等，所述室内机包括处理器以及存 储器，所述存储器用于存储计算机程序，所述计算机程序包括暖通空调智能送 风控制方法的程序指令，所述处理器用于执行所述计算机存储介质存储的程序 指令。处理器可能是中央处理单元(central processingunit，cpu)，还可以是其 他通用处理器、数字信号处理器(digital signal processor、dsp)、专用集成电路 (application specific integrated circuit，asic)、现成可编程门阵列 (field-programmable gatearray，fpga)或者其他可编程逻辑器件、分立门或者 晶体管逻辑器件、分立硬件组件等，所述处理器具体适于加载并执行一条或一 条以上指令从而实现相应方法流程或相应功能，所述计算机程序被所述处理器 读取并运行时，实现上述的暖通空调智能送风控制方法。
[0112]
本技术还提供一种计算机可读存储介质，所述计算机可读存储介质存储有 计算机程序，所述计算机程序被处理器读取并运行时，实现上述的暖通空调智 能送风控制方法。可以理解的是，此处的计算机可读存储介质既可以为暖通空 调智能送风控制系统中的内置存储介质，也可以是终端设备所支持的扩展存储 介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作系统。 并且，在该存储空间中还存放了适于被处理器加载并执行的暖通空调智能送风 控制方法程序。需要说明的是，此处的计算机可读存储介质可以是高速ram 存储器，也可以是非不稳定的存储器(non-volatilememory)，例如至少一个磁盘 存储器。
[0113]
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发 明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发 明的保护范围之内。