静态的热环境易造成人体热适应能力降低,对健康不利。动态的热环境与自然环境相似更有利于用户的健康。提出一种基于用户学习的智能动态热舒适控制系统,在该系统中采用PMV(Predicted Mean Vote)作为控制目标,为了满足不同用户的需要提出个人热舒适区模糊学习算法,可根据个人偏好在线修改个人热舒适区;在计算实验的基础上提出动态热舒适控制策略,动态热舒适区包括舒适区和节能区,在动态热舒适控制中舒适区和节能区周期性交替变化。实验结果表明,该方法即满足用户的热舒适性需求,与静态热舒适控制相比节能效果明显,且对用户的健康有利。
针对预测平均投票数(predicted mean vote,PMV)值在舒适区和节能区之间周期性交替变化的控制方法,提出了基于PMV的动态舒适度冷/热抱怨模型和能耗模型.基于此模型,根据用户设定的舒适和节能两者的协调关系,运用改进的多目标离散粒子群优化算法,得出动态舒适度控制系统输入参数的寻优方法.该方法只需实时测量热环境和居住者热感觉数据,不需建立热环境物理解析模型,普适性强.实验证明了上述控制方法的有效性,该方法可实现动态舒适度的最优控制.
单一的室内环境温度作为被控变量的控制系统,难以满足人们对室内环境舒适性以及节能的要求。开发了基于TinyOS操作系统的无线热舒适度测量系统,无线传感网络节点组成多跳网络,用以采集温湿度等室内环境参数,并实时计算热舒适度PMV(Predicted Mean Vote)指标值。分析了测量误差产生的主要原因,并利用超闭球CMAC(Hyperball CMAC,HCMAC)神经网络进行了误差补偿,实验结果表明,补偿后的PMV精度得到了明显的改善。该系统可为热环境舒适度实时控制提供便捷的无线数据采集和有效的PMV指标测量方法。
