專利名稱：一種室內環境舒適度的自動控制方法
技術領域：
本發明屬于室內環境調節技術領域，特別涉及一種室內環境舒適度的自動控制方法。
背景技術：
現代社會人們85%以上的時間都是在室內度過的，室內環境的好壞對人體的身心健康、舒適度以及工作效率都有直接的影響，因此人們對于環境的要求也愈來愈高。目前廣泛應用ASHRAE標準的SET*指標(標準有效溫度)以人體溫度調節的兩節點模型理論為基礎，在人體傳熱的物理過程分析得出綜合熱舒適度指標，預測熱環境下人體的熱反映，來衡量和控制室內環境舒適度。SET*指標是根據生理反應模型的熱舒適度指標，影響因素主要包括空氣溫度、空氣濕度、空氣流速和輻射溫度。這些環境因素不是完全獨立的變量，而是相互作用，密不可分的。具有非線性、時變等復雜的特性。現有技術主要通過空氣溫度、濕度、風速、平均輻射溫度等參數對人體皮膚的溫度和濕度等影響進行反復迭代運算確定SET*指標，計算復雜，不能實時的確定，因此很難滿足空調系統實時控制的要求。有很多研究都是假設樣本數據的在一定范圍內取值得到，但實測獲得的樣本數據更有利于對SET*指標模型的訓練。

發明內容
本發明的目的在于克服現有技術的缺點和不足，提供了一種權衡了能量損耗和室內舒適度，以達到最佳最優策略實現自動室內環境控制的一種方法。本發明的目的通過下述技術方案實現
一種基于室內環境舒適度的模型建立方法，包括以下步驟1)采集當前實際的環境數據作為樣本數據；
這部分主要包括室外的溫度、相對濕度、平均輻射溫度和風速環境因子的數據采集，室內的溫度、相對濕度、平均輻射溫度、風速環境因子的的數據采集。而相應的SET*指標則應用傳統迭代算法計算得出。2)利用樣本數據建立基于三層前饋型BP神經網絡模型；
所述模型建立的三層前饋型BP網絡包括輸入層、隱含層和輸出層三個部分。模型的輸入包括控制輸入量和擾動輸入量，控制輸入量為室內的環境因素，包括，室內的溫度、相對濕度、平均輻射溫度、風速；擾動輸入量為室外的環境因素，包括室外溫度、相對濕度、平均輻射溫度、風速。輸出是SET*指標值。隱含層的節點選為6個。3)采用基于模型的預測控制設定SET*指標最優值和范圍；
模型預測控制主要包括過程建模、定義指標函數、優化指標函數和有限時域滾動計算。過程建模是利用輸入信號和輸出信號的數據預測未來輸出信號的行為；預測控制中的優化是一種有限時段的滾動優化，它不是一次離線進行，而是反復在線進行，即所謂的滾動優化。在每一采樣時刻，優化指標只涉及到從該時刻起未來有限的時間，而到下一采樣時刻，這一優化時段時同時向前推移。4)空調系統控制結合SET*指標最優值和范圍對實時采集到的當前數據進行處理，產生控制空調系統的信號，實現室內舒適度的自動控制。數據采集部分將實時采集到的數據經過處理、存儲、顯示及管理之后，模型根據各項數據分析控制算法，產生一個優化舒適度并且能耗最小的控制信號，將此控制信號發送給下位機，下位機選用單片機來控制空調系統和風扇系統，實現室內舒適度的控制。本發明選擇SET*指標代替人體的熱舒適度為控制目標，建立了空氣溫度、濕度、風速和平均輻射溫度環境變量對SET*的函數關系，從而確定室內環境因子的模型結構，并利用遞推最小二乘法對自然通風條件和空調作用下的室內環境溫度系統進行模型參數的辨識，建立反應室內環境的可靠數學模型，從而達到適宜的舒適度與最小的能耗。本發明相對現有技術，具有收斂速度快，預測模型有效性高、誤差小，能實現系統實時和自動控制的優點。
具體實施例方式下面結合實施例對本發明的實施作進一步描述，但本發明的實施不限于此。一種基于室內環境舒適度的模型建立方法，包括以下步驟
1)采集當前實際的環境數據作為樣本數據；
2)利用樣本數據建立基于三層前饋型BP神經網絡模型；
3)采用基于模型的預測控制設定SET*指標最優值和范圍；
4)空調系統控制結合SET*指標最優值和范圍對實時采集到的當前數據進行處理，產生控制空調系統的信號，實現室內舒適度的自動控制。所述步驟1)的環境數據包括室內的溫度、相對濕度、平均輻射溫度和風速，還包括室外的溫度、相對濕度、平均輻射溫度和風速和當前SET*指標值。所述步驟2)的BP神經網絡包括輸入層、隱含層和輸出層。輸入層包括控制輸入量和擾動輸入量；控制輸入量為室內的溫度、相對濕度、平均輻射溫度和風速；擾動輸入量為室外的溫度、相對濕度、平均輻射溫度和風速。輸出層為SET*指標。隱含層的節點為6個。采用遞推最小二乘法算法對對BP神經網絡進行訓練，將輸出層和對應的輸入層進行對比，直到網絡訓練的均方誤差達到要求，確定各層的權值和閾值。過程建模是利用輸入信號和輸出信號的數據預測輸出信號未來的行為，確定預測時域Np，然后通過輸出信號、參考信號和控制信號定義相應的性能函數，為了將控制信號應用到預測控制過程，確定控制時域Nu，通過對控制信號和輸出變量進行一些限制來優化方程，通過方程計算得到的控制信號應用到實際過程當中，在下一步的時候，全部算法重復進行滾動計算。預測控制中的優化是一種有限時段的滾動優化，它不是一次離線進行，而是反復在線進行，即所謂的滾動優化。在每一采樣時刻，優化指標只涉及到從該時刻起未來有限的時間，而到下一采樣時刻，這一優化時段時同時向前推移。這樣使得優化計算更為準確。所以，預測控制不是采用對全局相同的優化指標，而是在每一時刻有一個相對于該時刻的優化目標函數。在不同時刻優化目標函數的相對形式是相同的，但其絕對形式不相同，因為所包括的時間區域是不同的。室內環境系統是一個非線性、強耦合、強干擾的動態系統，其輸入和輸出總處于時變狀態，基于熱平衡進行推導分析得到的數學模型，難以確定模型參數，很難應用于室內環境控制的要求。實驗建模是依據實驗測量的系統輸入輸出數據，將其進行分析處理得到反映系統模型靜態與動態特性，用一些線性化方法推導模型的結構，然后用一個模型來進行擬合，對模型參數進行辨識。室內環境熱舒適度主要決定于室內氣候條件，人體與環境的熱交換。室內環境看作是一個動態的多輸入單輸出系統(ΜΙΜ0)，包括人體與環境的熱交換，室內空氣溫度、風速、相對濕度、平均輻射溫度，室外的溫度、濕度、風速，光照強度或平均輻射溫度等等。由于很難精確測量人體與環境熱交換的能量，因此只在計算人體舒適度指標SET*時考慮與人體相關的變量，針對室內環境因子的特點，以溫度為環境主要因子，建立自然通風和空調系統作用的房間主要環境因子的模型。模型結構辨識主要問題是階的確定，包括室內環境因子模型中各多項式的階次與純滯后的模型結構參數的確定。根據測量得到的數據，選定不同階次進行參數估計，得到不同階次的模型方程，利用最小二乘估計的統計特性確定模型的真實階次。
權利要求
1.一種基于室內環境舒適度的模型建立方法，其特征在于包括以下步驟1)采集當前實際的環境數據作為樣本數據；2)利用樣本數據建立基于三層前饋型BP神經網絡模型；3)采用基于上述模型的預測控制(MBPC)應用在室內環境控制系統當中，分別設定舒適度SET*指標最優值和SET*值范圍；4)空調系統控制結合SET*指標最優值和設定SET*值范圍對實時采集到的當前數據進行處理，產生控制空調系統的信號，實現室內舒適度的自動控制。
2.根據權利要求1所述的基于室內環境舒適度的模型建立方法，其特征在于所述步驟1)的環境數據包括室內的溫度、相對濕度、平均輻射溫度和風速。
3.根據權利要求2所述的基于室內環境舒適度的模型建立方法，其特征在于所述環境數據還包括室外的溫度、相對濕度、平均輻射溫度和風速。
4.根據權利要求3所述的基于室內環境舒適度的模型建立方法，其特征在于所述樣本數據還包括基于當前室內的溫度、相對濕度、平均輻射溫度和風速，利用傳統迭代算法計算的當前SET*指標值。
5.根據權利要求1所述的基于室內環境舒適度的模型建立方法，其特征在于所述步驟2)的BP神經網絡包括輸入層、隱含層和輸出層。
6.根據權利要求5所述的基于室內環境舒適度的模型建立方法，其特征在于所述輸入層包括控制輸入量和擾動輸入量；控制輸入量為室內的溫度、相對濕度、平均輻射溫度和風速；擾動輸入量為室外的溫度、相對濕度、平均輻射溫度和風速。
7.根據權利要求6所述的基于室內環境舒適度的模型建立方法，其特征在于所述輸出層為SET*指標。
8.根據權利要求5所述的基于室內環境舒適度的模型建立方法，其特征在于所述隱含層的節點為6個。
9.根據權利要求廣8之一所述的基于室內環境舒適度的模型建立方法，其特征在于采用遞推最小二乘法算法對BP神經網絡進行訓練，將輸出層和對應的輸入層進行對比，直到網絡訓練的均方誤差達到要求，確定各層的權值和閾值。
全文摘要
本發明涉及室內環境調節技術領域，提供一種自動室內環境舒適度控制方法。該方法選擇三層BP神經網絡為原型，包括如下步驟1)采集當前實際的環境數據作為樣本數據；2)利用樣本數據基于三層前饋型BP神經網絡建立模型；3)采用基于模型的預測控制設定SET*指標最優值和范圍；4)空調系統控制結合SET*指標最優值和范圍對實時采集到的當前數據進行處理，產生控制空調系統的信號，從而實現對環境調控設備的實時控制。本發明克服了傳統模型中的復雜迭代運算,利用改進的L-M算法提高了收斂速度,預測模型的有效性高、誤差小。
文檔編號F24F11/00GK102563808SQ201210007218
公開日2012年7月11日 申請日期2012年1月11日 優先權日2012年1月11日
發明者張祥羅, 李婷, 王亞蘭, 許厚鵬, 陳淵睿 申請人:華南理工大學