CN105091202B - 控制多个空调设备的方法和*** - Google Patents
控制多个空调设备的方法和*** Download PDFInfo
- Publication number
- CN105091202B CN105091202B CN201410208405.4A CN201410208405A CN105091202B CN 105091202 B CN105091202 B CN 105091202B CN 201410208405 A CN201410208405 A CN 201410208405A CN 105091202 B CN105091202 B CN 105091202B
- Authority
- CN
- China
- Prior art keywords
- user
- air
- wind speed
- value
- conditioning equipment
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Air Conditioning Control Device (AREA)
Abstract
本公开提供一种根据多个用户的热舒适性需求控制多个空调设备的方法和***,该方法包括:(a)获得多个用户的每个的热舒适性期望值;(b)获取每个用户的位置处的当前实际环境参数值;(c)根据每个用户的热舒适性期望值和实际环境参数值来计算该用户的位置处的期望的可调环境参数值;(d)根据每个空调设备的可调参数的不同取值对每个用户的位置处的可调环境参数值的影响和每个用户的位置处的期望的可调环境参数值,来估算多个空调设备的各自的可调参数的最优取值;(e)根据估算的多个空调设备的各自的可调参数的最优取值,控制所述多个空调设备按照各自的可调参数的最优取值而工作。
Description
技术领域
本公开涉及控制多个空调设备的技术,且更具体地,涉及根据多个用户的各自的个性化需求来集中控制多个空调设备的技术。
背景技术
近几十年来,不断增长的能源消耗已经给全球带来了严重的经济危机、温室效应和气候变化。能源消耗领域主要包括建筑、交通和工业,其中建筑领域包含商业建筑和住宅建筑,大约占总能源消耗的35%至40%。而建筑能耗可进一步细分为照明、空调和各种插拔式电器等。因建筑所在地的纬度和气候特征等因素而异,诸如暖通空调等的空调设备的耗电量平均大约占建筑总能耗的40%左右。因此,如何通过更有效地控制空调来降低其耗电量,始终是当今社会重要的研究课题。
另一方面,建筑的主要功能在于提供适宜人们生活居住和工作的微环境。而不同的人在不同的气候条件下对建筑内的环境通常具有不同的需求,包括对室内照明、温度、湿度、风速等方面的需求。如果当前某些环境参数不能满足人们的需求,则可能会导致人们低效的工作、不良的情绪甚至疾病。因此,当代的智能建筑都希望能根据人们对环境的个性化要求对建筑内的各种环境参数进行智能地调节。
目前空调设备的控制方法中最常见的是基于设定的温度进行开关控制,即当环境温度未达到或超过设定温度时,空调设备按照设定的风速(和/或风向)开始工作;当环境温度达到设定温度时,则停止空调的运行。近年来流行起来的变频空调***,改进了上述不断启停的开关控制,通过改变压缩机工作的频率来进行缓冲,使得环境温度变化较为缓和,并减少了压缩机启停的次数。此外,某些空调厂商在其空调设备上安装了自动检测人的位置的传感器,根据对人的位置的判断对气流方向进行定向控制,在满足人的需要的同时,减少了不必要的能量消耗。
然而,据调查目前为止的暖通空调控制方法均具有如下问题:
1.检测温度的传感器一般安装在空调设备上,而室内温度的分布往往是不均匀的,因此传感器的显示温度与人所在位置的实际温度可能具有较大差异,从而可能会导致人的不舒适感;
2.人对环境的热舒适性的判断不仅仅依赖于温度,还可能包括湿度和风速等,因此即使人所在位置的温度达到设定值,由于其他因素的影响,仍然可能导致人对环境的不满意;
3.在同一空间内可能有不止一个人,而不同的人对其所在热环境具有不同的要求,即使同一个人在从事不同活动时对热环境的要求也是不同的。而目前的空调***在某段时间内只能满足某一个人的要求,因此可能会导致另外一部分人的不舒适感;
4.在一个空间内有多个空调设备的情况下,传统技术无法在节能的同时集中控制多个空调设备使得多个人的各自的环境需求同时满足。
因此,对于空调设备控制***,为了满足人们对其所在热环境的个性化需求,需要一种在节能的同时对多个空调设备进行集中控制以满足人们各自对室内热环境的个性化需求的技术。
发明内容
根据本公开的一个方面,提供一种根据多个用户的热舒适性需求控制多个空调设备的方法,包括:(a)获得多个用户的每个的热舒适性期望值;(b)获取每个用户的位置处的当前实际环境参数值;(c)根据每个用户的热舒适性期望值和实际环境参数值来计算该用户的位置处的期望的可调环境参数值;(d)根据每个空调设备的可调参数的不同取值对每个用户的位置处的可调环境参数值的影响和每个用户的位置处的期望的可调环境参数值,来估算多个空调设备的各自的可调参数的最优取值;(e)根据估算的多个空调设备的各自的可调参数的最优取值,控制所述多个空调设备按照各自的可调参数的最优取值而工作。
根据本公开的另一方面,提供一种根据多个用户的热舒适性需求控制多个空调设备的***,包括:热舒适性期望值获得装置,被配置为获得多个用户的每个的热舒适性期望值;实际环境参数值获取装置,被配置为获取每个用户的位置处的当前实际环境参数值;期望可调环境参数值计算装置,被配置为根据每个用户的热舒适性期望值和实际环境参数值来计算该用户的位置处的期望的可调环境参数值;空调设备可调参数最优取值估算装置,被配置为根据每个空调设备的可调参数的不同取值对每个用户的位置处的可调环境参数值的影响和每个用户的位置处的期望的可调环境参数值,来估算多个空调设备的各自的可调参数的最优取值;控制装置,被配置为根据估算的多个空调设备的各自的可调参数的最优取值,控制所述多个空调设备按照各自的可调参数的最优取值而工作。
附图说明
图1示出了根据本发明的各个实施例的示例***架构示意图。
图2示出了应用根据本发明的各个实施例的示例硬件设备框图。
图3示出了应用根据本发明的各个实施例的示例应用场景示意图。
图4示出了根据本发明的一个实施例的根据多个用户的热舒适性需求控制多个空调设备的方法的流程图。
图5示出了图4所示的方法中的步骤404的一个例子的具体流程图。
图6示出了根据本发明的一个具体实施例(其中,空调可调参数是风向和风速而用户的期望可调环境参数是风速)的根据多个用户的热舒适性需求控制多个空调设备的方法的示例流程图。
图7A-7D有助于说明根据本发明的该具体实施例得到每个空调设备的可调参数的不同取值对每个用户的位置处的可调环境参数值的影响的一种示例方式的示意图;其中图7A示出了假设将每个空调设备的不同风向看做是不同空调设备的示意图;图7B示出了在图7A的假设下得到的每个空调设备的可调参数的不同取值对每个用户的位置处的可调环境参数值的影响的部分表格;图7C示出了为了简化图7B的表格而将不同风速下测量的每个用户的位置处的实际风速的值近似为该风向下对每个用户的一个相对风速比值和与空调设备的不同风速对应的比例系数的乘积;图7D示出了仅保留图7C中各个风向下对每个用户的相对风速比值作为影响系数而得到的简化表格。
图8A-图8C有助于说明根据本发明的该具体实施例的确定多个空调设备的各自的可调参数的最优取值的一种示例方式的示意图;其中,图8A示出了利用图7D的简化的影响系数表格来计算初步最优风速的表格;图8B示出了从图8A的表格中取每个空调设备的具有最大初步最优风速的风向作为最优风向之后得到的更简化的影响系数表格;图8C示出了通过图8B的更简化的影响系数表格来计算的最终最优风速的表格、以及可能地量化为空调设备的离散风速档位的过程。
图9是示出根据本发明的另一实施例的根据多个用户的热舒适性需求控制多个空调设备的***的框图。
具体实施方式
现在将详细参照本发明的具体实施例,在附图中例示了本发明的例子。尽管将结合具体实施例描述本发明,但将理解,不是想要将本发明限于所述的实施例。相反,想要覆盖由所附权利要求限定的在本发明的精神和范围内包括的变更、修改和等价物。应注意,这里描述的方法步骤都可以由任何功能块或功能布置来实现,且任何功能块或功能布置可被实现为物理实体或逻辑实体、或者两者的组合。
为了使本领域技术人员更好地理解本发明,下面结合附图和具体实施方式对本发明作进一步详细说明。
图1示出了根据本发明的各个实施例的示例***架构100的示意图。
图1示例性地示出了m台空调设备和n个用户(其中,m和n都是正整数)。在此,在一个例子中,空调设备可以是暖通空调(Heating,Ventilating and Air Conditioning,HVAC),是具有调节风量大小和风力方向的可控设备,包括但不限于排风扇、制冷或制热风扇、一体式或分体式空调机组等等。这些空调设备可以由例如中央控制器进行控制(130)。每个用户所在位置附近处可以安放例如传感器,用来测量该处的环境参数,包括例如温度、湿度、和可选地、风速等(120)。每个用户可以通过例如输入设备输入表示自己的热舒适性需求的例如热舒适性期望值。热舒适值可以反映热环境物理量及人体有关因素对人体热舒适的综合作用的指标。影响人体热舒适的因素很多,其中通常可以包括空气温度、平均辐射温度、相对湿度、气流速度等环境变量和新陈代谢指数、穿衣隔热指数等人体变量。可以选择其中几个因素来构造热舒适性值的公式。可选地,该热舒适性期望值可以被统一存储至一个数据库中(110),以便日后提取和便于对其修改。通过接收每个用户的热舒适性期望值和传感器测量的或通过建模后模拟计算得到的实际环境参数信息,中央控制器可以调整每个空调设备的可调参数(比如风量大小和风力方向等),以使整个室内热环境尽可能满足每个用户的热舒适性需求,同时最大限度地降低能耗。
图2示出了应用根据本发明的各个实施例的示例硬件设备200的框图。
图2包括m个空调设备210、中央控制器220、与n个用户对应的n个传感器230以及n个输入设备240、和可选地、数据库服务器250。其中输入设备240可以用来收集用户的热舒适性需求信息,其形式上可以是例如带控制面板的遥控器、台式或便携式电脑、智能终端设备等。输入设备240可通过有线或者无线的方式将收集到的需求信息发送至具有一定存储能力的数据库服务器250,且可以传递给具有一定计算能力的中央控制器220。实际***中,数据库服务器250和中央控制器220也可以是同一个服务器。除了计算能力,中央控制器220还可以具有丰富的数据接口,以便能够从传感器230实时接收当前的测量数据,也能够从数据库250中获取用户需求信息,还能够给每台空调设备210发送控制指令,对其可调节参数进行更改。
当然,上述图1和图2示出了架构示意和硬件示意都仅是例子,本发明的各个实施例可以应用于各种其他形式的架构和硬件。
图3示出了应用根据本发明的各个实施例的示例应用场景示意图。
图3的示例应用场景包括6个例如吸顶式空调器310,9个用户320坐在各自的工位330处。可以在每个用户320附近,比如工位的桌子上方,安放一个环境传感器340,用来检测该处的热环境参数,可以包括温度、湿度、辐射强度和/或风速等。该传感器340还可以包括检测当前工位是否有人和/或身份识别等功能。除此之外,每个用户320还可以例如随身携带一台输入设备350,用来获取该用户对周边环境的热舒适性需求和/或用户对当前热环境的反馈信息。除了有线方式以外,该输入设备350可以优选地采用无线通讯方式以方便用户携带。
在一个优选的实际应用时,例如,当某个或某几个用户320到达其工位之后,传感器340可以感知到用户存在并得到其身份信息之后,将该身份信息和当前环境参数发送至中央控制器220,中央控制器220可以利用该身份信息搜索数据库250中该用户已存储的热舒适性需求、如果没有已存储的热舒适性需求也可以使得用户通过输入设备350输入热舒适性需求,并将其转化为对环境参数的期望,再根据空调可调参数与用户的环境参数之间的影响关系模型,计算出空调可调参数的最优值,并将其发送至相应的空调设备,从而达到尽量满足用户的热舒适性需求的目的。
当然,图3所示的示例场景中的用户、空调、工位、传感器、输入设备等的位置和功能都仅是例子而非限制本发明必须具有这样的位置和功能。
图4示出了根据本发明的一个实施例的根据多个用户的热舒适性需求控制多个空调设备的方法的流程图。
图4所示的一种根据多个用户的热舒适性需求控制多个空调设备的方法400,包括:(a)步骤401,获得多个用户的每个的热舒适性期望值;(b)步骤402,获取每个用户的位置处的当前实际环境参数值;(c)步骤403,根据每个用户的热舒适性期望值和实际环境参数值来计算该用户的位置处的期望的可调环境参数值;(d)步骤404,根据每个空调设备的可调参数的不同取值对每个用户的位置处的可调环境参数值的影响和每个用户的位置处的期望的可调环境参数值,来估算多个空调设备的各自的可调参数的最优取值;(e)步骤405,根据估算的多个空调设备的各自的可调参数的最优取值,控制所述多个空调设备按照各自的可调参数的最优取值而工作。
如此,由于根据每个用户自己的热舒适性期望值和每个用户处的当前实际环境参数值来计算该用户的位置处的期望的可调环境参数值,并根据每个空调设备的可调参数的不同取值对每个用户的位置处的可调环境参数值的影响来调节多个空调设备的可调参数,从而能够对多个空调设备进行集中控制以满足人们各自对室内热环境的个性化需求,且同时能够避免由于空调设备过多耗能用于不适合人们自己的热舒适性期望而导致的能耗浪费。
在一个实施例中,在步骤404(d)中,所述影响可以通过依次设置每个空调设备的每个可调参数为每个可能的取值、来获取每个用户的位置处的可调环境参数的实际值来得到。在此,假设每个空调的每个可调参数的取值是离散且有限的,因此,可以通过穷举所有可能的取值来进行实际的测量或模拟计算,但是在某些情况下,空调的每个可调参数本身可以是连续的,例如风速可以连续可调,风向也是连续可调的,但是为了获取空调的可调参数对用户的位置处的可调环境参数的影响,也可以选取连续可调的空调可调参数中的离散值来进行上述步骤。
例如,在存在m个空调设备的情况下,假设空调设备的可调参数包括风向和风速两者,则可以针对每次开启一个空调设备,且每次调节空调设备的一个风速和一个风向,来通过(用传感器)测量或模拟计算来获得在各个用户的位置处的可调环境参数(例如风速)的实际值,从而通过这样的操作来得到每个空调设备的可调参数的不同取值对每个用户的位置处的可调环境参数值的影响。当然,上述方式仅是一个示例,实际上,也可能在设计好空调的位置和用户的位置时已知或估计了这种影响的大小,而不需要依次开启空调设备来现场测量。当然,这种现场测量来得到影响的大小的方式是优选的,这使得可以较为准确地得到实际场景中的实际影响大小,从而使得后续的空调设备的可调参数的调节能够更加准确地满足各个用户各自的热舒适性期望。
在一个实施例中,在步骤(d)中,所述估算可以基于每个用户的位置处的可调环境参数值与每个空调设备的可调参数值之间的关系模型,所述关系模型可以包括与时间无关的静态模型和与时间相关的动态模型。建立关系模型可以包括上述逐个设置空调可调参数并测量或模拟计算用户处的可调环境参数的步骤。用户的可调环境参数主要包括用户附近的温度、湿度、风速等,该环境参数可分为两类:一类是具有瞬间可变性的,如风速;另一类是具有延时特性的,如温度等。对于前一类环境参数可以仅建立静态数学模型,即假设当前的环境参数的变化仅仅取决于当前的空调参数设置;而对于后一类环境参数,则可以建立动态数学模型,即当前的环境参数变化不仅取决于当前的空调参数设置,还跟时间有关。
如此,将用户对热舒适性的需求转化为对特定可调环境参数的要求,然后根据该环境参数与当前暖通空调***可调参数之间的函数关系(即数学模型)计算出暖通空调***的每个可调参数的最优值,具体计算方法取决于数学模型的形式。一般地,如果该数学模型的函数是可逆的,则可以直接采用其逆函数进行计算;如不可逆,一般采用回归或迭代的算法进行优化计算。在计算最优参数值时还可以考虑到能量的消耗限制,比如能耗最低化以及用电高峰时对总能耗的限制等。
在一个实施例中,方法400还可以包括如下中的至少一个步骤:检测特定位置处是否存在用户,以在存在用户时考虑该用户的热舒适性期望值、且在不存在用户时不考虑该用户的热舒适性期望值;识别特定位置处的用户的身份,以从数据库中检索已经存储的对应于该用户的热舒适性期望值;接收用户对当前环境参数的反馈,以向数据库中记录与满足用户期望的当前实际环境参数值相关的该用户的热舒适性期望值。
例如,在图2所示的传感器230中还可以包括检测特定位置处是否存在用户和/或识别特定位置处的用户的身份的功能,从而可以在存在用户时考虑该用户的热舒适性期望值、且在不存在用户时不考虑该用户的热舒适性期望值,这使得可以减少为不存在的用户的热舒适性期望值来调节空调设备所产生的能耗,进一步节能;和/或可以在识别特定位置处的用户的身份之后,从数据库中检索已经存储的对应于该用户的热舒适性期望值,以便不需要用户每次输入热舒适性期望值,减少用户的操作步骤,改善用户体验。且在图2所示的输入设备240还可以接收用户对当前环境参数的反馈,以在不断控制空调设备的可调参数直到用户的反馈为满意之后,向数据库中记录与满足用户期望而使得用户满意的当前实际环境参数值相关的该用户的热舒适性期望值,这样也可以省略用户自己输入热舒适性期望值,且能更准确地体现用户对当前热环境的体验,从而改善用户体验。
在一个实施例中,方法400还可以包括如下中的至少一个步骤:以预定时间间隔周期性地重复上述步骤401(a)、402(b)、403(c)、404(d)、405(e);响应于用户的热舒适性期望值的改变、用户的位置的实际环境参数值的改变、用户的存在状态的改变、用户身份的改变中的至少一种,重复上述步骤401(a)、402(b)、403(c)、404(d)、405(e)。在周期性地或响应于事件发生地重复获得热舒适性期望值和实际环境参数值来重新控制空调设备的可调参数的情况下,能够更准确、更实际、更实时地满足用户的热舒适性需求,同时达到更节能的目的。
在一个实施例中,所述用户的位置处的可调环境参数可以包括风速,所述空调设备的可调参数可以包括空调出风口的风向和风速等,所述实际环境参数可以包括用户的位置附近的空气温度和湿度等,所述热舒适性期望值可以表示为用户期望的有效温度值,其可以与例如空气温度、空气湿度和风速有关。当然,这些仅是示例,例如,空调的可调参数还可以包括温度设定值、出风口气流温度(仅对变频空调而言)、湿度调节开关等。
在一个实施例中,每个用户的位置处的风速与每个空调设备的风速和风向之间的关系模型可以采用如下静态线性模型:
公式(1)
其中xi表示第i个空调设备的风速,为第i个空调设备的风向为j时对该用户的位置处的风速的影响系数,b为由其他环境风引起的用户的位置处的风速的影响偏置项,其是通过不开启空调设备来测量用户的位置处的风速来得到的常数,y表示特定用户的位置处的风速,m表示空调设备的数量。
该静态模型是基于两个假设:(1)空调出风口的风速与用户所在位置处的风速成线性关系;(2)当多个空调同时开启时,用户位置处的风速是单个空调开启时的风速之和。
通过采用上述示例的较为简单的静态模型来表示每个用户的位置处的风速与每个空调设备的风速和风向之间的关系模型,可以简化地进行根据每个用户自己的热舒适性期望值和每个用户处的当前实际环境参数值来计算该用户的位置处的期望的可调环境参数值,并根据每个空调设备的可调参数的不同取值对每个用户的位置处的可调环境参数值的影响来调节多个空调设备的可调参数。
当然,每个用户的位置处的可调环境参数值与每个空调设备的可调参数值之间的关系模型不限于此,其也可以采用除了上述公式以外的静态模型(例如用户位置处的风速采用三维矢量描述形式而非上述标量形式,并且在各个空间维度上满足线性可叠加的假设条件),或随时间变化的动态模型,例如包括传递函数模型和状态空间模型等,比如温度控制中常见的PID(Proportion Integration Differentiation,比例积分微分)算法就是利用传递函数形式来描述被控对象和控制器的。
图5示出了图4所示的方法中的步骤404的一个例子的具体流程图。如图5所示,在一个实施例中,所述步骤404(d)可以包括:(d-1)步骤4041,依次调节每个空调设备i的每个风向j和每个风速xi,并测量每种情况下每个用户的位置处的实际风速值y;(d-2)步骤4042,针对每个空调设备的同一风向,将不同风速下测量的每个用户的位置处的实际风速的值y近似为该风向下对每个用户的一个相对风速比值y’和与空调设备的不同风速对应的比例系数c的乘积;(d-3)步骤4043,将每个空调设备i的每个风向j下对每个用户的所述相对风速比值y’作为针对每个空调设备i的每个风向j对每个用户的位置处的风速的影响系数(d-4)步骤4044,基于所述关系模型以及步骤(d-3)中的和每个用户的位置处的期望的风速Y,计算每个空调设备的每个风向下的初步最优风速xi’;(d-5)步骤4045,取同一空调设备i的多个风向j下的初步最优风速xi’最大的风向作为该空调设备的最优风向J;(d-6)步骤4046,基于所述关系模型、步骤(d-3)中的每个用户的位置处的期望的风速Y,计算每个空调设备i在最优风向J下的最终最优风速Xi;(d-7)步骤4047,根据计算的最终最优风速Xi和步骤(d-2)中计算得到的不同风速之间的比例系数c,选择空调设备的最优风速取值。
在该实施例中,通过针对每个空调设备的同一风向,将不同风速下测量的每个用户的位置处的实际风速的值y近似为该风向下对每个用户的一个相对风速比值y’和与空调设备的不同风速对应的比例系数c的乘积(因为空调设备的同一风向下的不同风速对同一用户的位置处的实际风速的影响是成比例的,因此为了简化可以只近似得到这些成比例的影响的基数即可);且将每个空调设备i的每个风向j下对每个用户的所述相对风速比值y’作为针对每个空调设备i的每个风向j对每个用户的位置处的风速的影响系数,从而减少了影响系数的数量(例如对于具有三个风速档位的空调来说,可以减少三分之二的影响系数),且简化了通过关系模型计算空调设备的最优风向和最优风速的计算量。如此通过该实施例,可以得到空调设备的最优风向和最优风速的这两种可调参数值,用以实现每个用户处的热舒适性期望值。
返回参考图4,在一个实施例中,步骤403(c)可以包括:利用如下热舒适性指标——Missenard有效温度(Krawczyk,1975)的公式来计算用户的期望的风速值:
公式(2)
其中TEE表示有效温度,t,h,v分别代表空气温度(℃)、空气相对湿度(%)、风速(m/s)。当用户输入了期望的有效温度值TEE,并通过传感器测量得到了其附近的空气温度t和相对湿度h,则可以通过上述公式计算得到与该用户期望的有效温度值TEE对应的期望风速值v。
用户的热舒适性期望值是用户对环境的主观感受与客观的环境物理参数之间的定量函数关系。目前已知的已经标准化的热舒适性指标有很多,包括例如Missenard的有效温度(Effective Temperature)、标准有效温度(Standard Effective Temperature)、预期平均评价(Predicted Mean Vote)等。影响人的热舒适性指标的外部因素可以包括空气的温度、绝对或相对湿度、辐射温度和风速,内部因素可以包括人的穿衣隔热指数和新陈代谢指数。以上就是影响人的热舒适性的六大基本因素(来源于英国安全与健康执行局,简称HSE)。
对于一般的室内空调而言,能够改变的环境参数可以包括温度、湿度和风速等,因此在此可以示例而非限制地采用仅与这三个环境参数相关的上述Missenard的有效温度模型(Krawczyk,1975)(公式(2)),在此不赘述。。
基于上述公式定义的有效温度TEE,每个用户的热舒适性需求可以用有效温度TEE的大小来表示,例如某个用户期望的有效温度为TEE=20。基于每个用户期望的有效温度值TEE和当前测量的温度t和湿度h的信息,利用公式(2)可以计算出每个用户期望的风速,即期望风速值v。
当然除了上述的Missenard的有效温度模型以外,还可以采用标准有效温度(Standard Effective Temperature)、预期平均评价(Predicted Mean Vote)等热舒适性指标函数,基于预先给出或估算的新陈代谢指数和穿衣隔热指数,和测量得到的实际空气温度和湿度来计算满足人的热舒适性需求的风速,在此不赘述。
如此,根据本公开的各个实施例,能够对多个空调设备进行集中控制以满足人们各自对室内热环境的个性化需求,且同时能够避免由于空调设备过多耗能用于不适合人们自己的热舒适性期望而导致的能耗浪费。
下面,为了使得本领域技术人员能够更加清楚本技术的具体方法步骤,以下利用一个具体而非限制的实施例来详细描述本技术的各个方法步骤。
图6示出了根据本发明的一个具体实施例(其中,空调可调参数是风向和风速而用户位置处的可调环境参数是风速)的根据多个用户的热舒适性需求控制多个空调设备的方法的示例流程图。
图7A-7D有助于说明根据本发明的该具体实施例的得到每个空调设备的可调参数的不同取值对每个用户的位置处的可调环境参数值的影响的数学模型的一种示例方式的示意图;其中图7A示出了假设将每个空调设备的不同风向看做是不同空调设备的示意图;图7B示出了在图7A的假设下得到的每个空调设备的可调参数的不同取值对每个用户的位置处的可调环境参数值的影响的部分表格;图7C示出了为了简化图7B的表格而将不同风速下测量的每个用户的位置处的实际风速的值近似为该风向下对每个用户的一个相对风速比值和与空调设备的不同风速对应的比例系数的乘积;图7D示出了仅保留图7C中各个风向下对每个用户的相对风速比值作为影响系数而得到的简化表格。
图8A-图8C有助于说明根据本发明的该具体实施例的确定多个空调设备的各自的可调参数的最优取值的一种示例方式的示意图;其中,图8A示出了利用图7D的简化的影响系数表格来计算的初步最优风速的表格,初步最优风速指的是假设每个空调各个方向可以同时开启时,为了达到每个用户位置处的期望风速值而对每个方向设置的最优风速值(此处风速为未考虑风速可调档位的连续值);图8B示出了从图8A的表格中取每个空调设备对应的各个风向中具有最大初步最优风速的风向作为最优风向之后得到的更为简化的影响系数表格;图8C示出了通过图8B的更简化的影响系数表格来计算得到的最终最优风速的表格(此处风速仍为连续值)、以及可能地量化为空调设备的离散风速档位的过程。
在该具体实施例中,例如,用户的位置处的可调环境参数是风速,所述空调设备的可调参数是空调出风口的风向和风速,在用户的位置处测量或模拟计算的实际环境参数是用户的位置附近的空气温度和空气湿度,所述热舒适性期望值表示用户期望的有效温度值,其可以与空气温度、空气湿度和风速有关。
在对空调设备的可调参数(风向和风速)对用户的位置处的风速进行建模和预测时,具体地,假设每个空调出风口的风速和风向均可以非连续可调,即具有几个固定的档位。
对于如何根据用户期望的目标风速值,对各个空调出风口的风向和风速进行优化计算,具体的实现过程和步骤如下(如图6所示):
(S601)获取每个用户的期望风速值
例如,根据用户的工位上的传感器感知人的存在以及身份信息验证之后,通过数据库查询该用户的热舒适性需求,如果未找到,则可以采用默认的热舒适性需求,或通过用户的输入设备的显示屏或语音提示用户输入其热舒适性需求信息。在允许用户输入其需求信息时,既可以让用户直接给出某类热舒适性指标的期望值,也可以让用户根据其主观感受给出对目前环境条件的评价,比如太热或太冷等评价信息。对于后者,为了得到更准确的需求,可能需要根据用户的主观评价结果调节相应的空调设备,以使环境条件逐渐满足用户的需求,记录此时的环境条件并以此作为该用户的热舒适性需求信息。
在得到了用户的热舒适性需求信息之后,利用Missenard的有效温度TEE作为热舒适性指标,根据每个用户设定的有效温度值TEE和当前环境温度t、湿度h的测量值,可以通过如下公式(2)反算出每个用户需要的期望风速值v(公式(2’)),具体如下:
公式(2)
公式(2’)
因此,可以根据获得的每个用户的热舒适性期望值和获取的实际环境参数值来计算该用户的位置处的期望的可调环境参数值(这里指风速值v)。
(S602)获取空调设备的可调参数对用户位置处的风速的影响矩阵
根据上述步骤b)获取如7B所示的数据表格,该表格即代表了每个空调可调参数(即风向和风速两者)对每个用户处风速的影响矩阵,矩阵的每个值实际上是在每个用户的位置处实际测量的风速值,但是对于同一空调设备来说,该实际测量的风速值与影响系数可以是成比例的,因此该实际测量的风速值可以直接用来表示该空调可调参数对每个用户的可调环境参数的影响系数。
当然,该表格的值的数量可能很多,因为如图7B所示对于每个空调设备的可调参数,例如对于空调的每个风向和每个风速,均有一个对应的用户处的风速值,而这些庞大数量的影响系数可能对于后续的计算产生较大的计算量,因此,以下还可以将该表格简化以用少量的计算量来达到控制空调风向和风速来实现用户的期望的风速的效果(稍后描述)。
(S603)估计空调设备控制***的线性模型的参数
这里,空调的可调参数包括空调出风口的风速和风向。与之相关的环境参数主要有用户附近的风速,其具有瞬间可变性,因此可以仅需要建立静态数学模型,即当前的参数变化仅仅取决于当前的空调参数设置。
一般对于风速的预测和模拟计算需要求解较为复杂的流体力学方程,并且需要获取环境内所有物体的拓扑信息和表面的物理特性,并建立在较多假设条件(比如空气为不可压缩的紊流等)之上。然而,在本公开的该实施例中,可以采用简化的风速预测和建模方法,该模型简单实用,无需获取环境的拓扑信息以及物理特性。
为了简化风速模型,首先引入如下两个假设条件:
(1)空调出风口的风速与用户所在位置处的风速成线性关系;
(2)当多个空调同时开启时,用户位置处的风速是单个空调开启时的风速之和。
尽管以上两个假设条件与实际情况未必相符,但是从基于实际数据的仿真结果来看,基于以上假设条件的风速模型以及基于该模型的空调设备控制算法,得到的最优结果仍然与实际相符。换句话说,本公开的空调设备控制算法对模型的准确性的依赖性不是很强,具有一定的鲁棒性。
基于以上两个假设条件,每个用户位置处的风速可用如下线性模型描述:
公式(1)
其中xi表示第i个空调设备的出风口的风速,为第i个空调设备的出风口方向(风向)为j时对该用户的位置处的影响系数,b为由其他环境风引起的用户位置处的风速的偏置项。
为了获得上述线性模型的参数a和b,可以进行如下操作:
a)关闭全部空调后,测量每个用户的位置处的风速,得到偏置项b;
b)逐个开启每个空调,并逐个风向进行调节,在每个风向下按照逐个风档调节风速,在每档风速下记录每个用户的位置处的风速值,将记录结果汇总成如图7B所示的表格中;
c)根据记录如图7B所示的表格中的数据和假设条件(1)估算模型参数a,具体估算过程如下:
c1)首先对表中全部数据减去相应用户处的偏置项b,从而除去环境风的影响,得到该用户处的净风速值;
c2)由假设条件(1)可知,不同用户所在处的净风速值均正比于空调出风口风速,因此同一空调的同一出风口方向下,不同风速档位对应的数据行之间应具有比例关系,其比例系数的大小对应于该风速档位的强度,利用此概念可以构思简化该如图7B所示的表格为仅记录这些比例关系的基数、而省略其比例系数。
c3)然而实际数据由于各种误差的存在,一般不会具有这种理想的比例关系,本公开可以提供一种方法来近似地估计各风速档位的比例系数。为此,示例而非限制地提出了一种基于矩阵的奇异值分解(SVD)的估计方法。从如图7B所示的表格中取某一空调的某个出风口下各个风速档位下所对应的风速数据组成矩阵M,理想情况下该矩阵M具有如下分解形式:
公式(3)
其中向量c的每个元素代表不同风速档位的比例系数,向量a的每个元素代表该空调在该出风口方向对各个用户位置风速的影响强度,如图7C所示(图7C中的归一化相对风速比值V即可以看做上面所述的向量a)。
实际情况中该矩阵M往往不具有上述理想形式,但可以用具有上述形式的另一个矩阵N(其中的值是相对风速比值)来近似矩阵M,具体实现方法如下:
●对矩阵M进行奇异值分解,得到如下形式:
M=USVT 公式(4)
其中矩阵S为对角阵,对角线上为矩阵M的奇异值从大到小排列;矩阵U和V均为具有适当维数的酉矩阵。
●矩阵S中仅保留最大奇异值,并将所有其他非零奇异值全部置为零,得到新矩阵S’,即
公式(5)
●则用来近似矩阵M的矩阵N为
N=US′VT≈M 公式(6)
即
公式(7)
●对比公式(3)与公式(7),我们可以得到c和a的估计值为:
公式(8)
公式(9)
再对比公式(1)所描述的数学模型,上述的向量a的一个元素即对应了公式(1)中的(如图7D所示),而向量c则给出了公式(1)中自变量x的可选范围,即x∈{U11S11,U21S11,…}。
综上所述,可根据上述步骤a)-c)测量和估算如公式(1)所示的线性风速模型的参数a和b。当外部环境无风且室内无其他出风装置时,可省略步骤a),即认为b=0。
(S604)计算每个空调设备的最优出风口方向
已知,对于任意一台空调设备,其出风口方向在某个时刻必定是唯一的,不可能存在多个方向同时出风的情况。但是,为了计算最优的出风口方向,本实施例首先假设所有的出风口方向均可以同时吹风,然后根据用户的期望风速值对每个方向的风速值进行优化,风速值相对较大的方向对满足用户期望最有效,故选择该方向作为最优方向。具体实现方法如下:
假设室内实际安装有k台空调设备,每台空调有l个出风口方向可调,因此总共有m=kl台“虚拟”的空调设备(如图7A所示)。另外假设有n个用户,经过上述计算过程(S601)~(S603)得到他们的期望风速值为y1,y2,…,yn,实际风速的预测模型为:
公式(10)
为简单起见,此处省略了偏置项b,即外界无环境风干扰。
公式(11)可进一步简化为如下矩阵形式:
y=Ax 公式(11)
其中,
根据期望风速向量y=[y1,y2,…,yn]T,可以通过求解最小二乘问题得到如下最优的出风口风速值
公式(12)
其中,W是一对角矩阵,其对角线上的元素为对应于不同用户设置不同优先级的权重(均大于零),α为一正数,对应于总能耗的权重,该值越大则表示对总能耗的约束越强,反之则表示对总能耗的要求不太强。这里假设每个空调的能耗仅依赖于风速的强弱,即风速越高所消耗的能量越大。
上面最小二乘问题(13)的最优解为
公式(13)
上述公式(13)得到的最优风速值是m=kl维的(如图8A所示),将其按照顺序等分为k组,每组l个最优风速值对应l个出风口可调方向。对每一组最优风速值,可以选择风速值最大的出风口方向为最优方向。例如,如图8A所示,选择空调设备A的具有最大风速1.2的风向4作为空调设备A的最优风向;且选择空调设备B的具有最大风速0.9的风向2作为空调设备B的最优风向、等等。
此实施例中假设各个空调的风向和风速档位均是相同的,实际空调***中不同位置的空调设备可能是不同类型的,即具有不同数量的风向和风速档位,并且对应各个风速下的功率也可能不同。在这种情况下计算最优风向时,仅需要在对应某个空调的可调风向中找出具有最大初步最优风速值的风向作为最优风向即可,即m=l1+l2+…(l1、l2为各个空调的可调风向的个数)。各个风速对应的功率大小可以通过将上述功耗权重α用对角型的功耗权重矩阵来代替,其对角元素对应于各个空调的功率比例。
(S605)计算每个空调设备在最优出风口方向的最优风速档位
得到最优的出风口方向(例如图8A的风向4作为空调设备A的最优风向、风向2作为空调设备B的最优风向等等)之后,可通过如下方法对该方向的风速进行进一步优化。类似地,当每个空调只开启最优的出风口方向时,用户所在位置的风速预测模型简化成如下形式(图8B示出了简化后的影响系数
公式(14)
同样地,上式可进一步简化为如下矩阵形式:
公式(15)
进一步利用最小二乘问题的解,可以得到最优的风速值(如图8C所示):
公式(16)
上面最小二乘问题(16)的最优解为
公式(17)
在此,注意,α是自定义的能耗权重(假设其对所有风速的平方和是线性的),α取值越大,利用公式(17)计算的最优风速值带来的功耗越小,越省电。该值越大则表示对总能耗的约束越强,反之则表示对总能耗的要求不太强。这里假设每个空调的能耗仅依赖于风速的强弱,即风速越高所消耗的能量越大。
此时得到的最优风速值是假设每个空调的风速是连续可调的,对于非连续可调的情况需要进一步量化为需要调节到的档位。
上述公式(9)已经给出了可调风速的范围c,在此可以仅需要根据最临近原则选择与上式(17)计算出的最优风速值最接近的可调风速档位即可。例如对于三档可调的空调而言,可以通过如下方法进行量化:
公式(18)
至此,可以得到了最优的风速调节档位,如图8C所示。
当然,这是在空调的风速是不连续档位的情况下,可以将计算的最优风速量化为空调实际能操作的不连续档位。而如果空调的风速本身是可以连续调节的,则可省略此步骤。
以上给出了基于用户热舒适性需求的空调设备控制方法的示例而非限制详细过程,该方法可以与任意的室内空调***进行集成,达到个性化智能空气调节的目的。
本公开提供了一种基于用户热舒适性需求的空调设备控制方法,其主要优点包括但不限于:基于全体用户的热舒适性需求信息进行全局优化,对室内空调设备进行集中控制,能够无差别地对待每个用户,或根据不同用户的优先级设置不同的权重;在计算空调可调参数的过程中,除了考虑用户需求之外,还通过引入权重因子考虑了对能源消耗等方面的约束;该方法在计算每个空调的最优可调参数时,利用了简化的线性风速模型和规范最小二乘问题的解,该方法得到的最优解具有解析形式,无须迭代计算,适合于快速在线计算,容易推广至较大规模的空调控制***;本公开的线性风速模型基于两个假设条件,在模型建模过程中无须获取建筑内部的拓扑信息以及墙面等的物理特性等,仅需要逐个改变空调的可调参数并测量和记录用户所在位置的环境参数变化情况即可,该方法过程简单实用,并且所建立的数学模型具有较强的鲁棒性。
图9是示出根据本发明的另一实施例的根据多个用户的热舒适性需求控制多个空调设备的***900的框图。
图9所示的一种根据多个用户的热舒适性需求控制多个空调设备的***900,包括:热舒适性期望值获得装置901,被配置为获得多个用户的每个的热舒适性期望值;实际环境参数值获取装置902,被配置为获取每个用户的位置处的当前实际环境参数值;期望可调环境参数值计算装置903,被配置为根据每个用户的热舒适性期望值和实际环境参数值来计算该用户的位置处的期望的可调环境参数值;空调设备可调参数最优取值估算装置904,被配置为根据每个空调设备的可调参数的不同取值对每个用户的位置处的可调环境参数值的影响和每个用户的位置处的期望的可调环境参数值,来估算多个空调设备的各自的可调参数的最优取值;控制装置905,被配置为根据估算的多个空调设备的各自的可调参数的最优取值,控制所述多个空调设备按照各自的可调参数的最优取值而工作。
如此,由于根据每个用户自己的热舒适性期望值和每个用户处的当前实际环境参数值来计算该用户的位置处的期望的可调环境参数值,并根据每个空调设备的可调参数的不同取值对每个用户的位置处的可调环境参数值的影响来调节多个空调设备的可调参数,从而能够对多个空调设备进行集中控制以满足人们各自对室内热环境的个性化需求,且同时能够避免由于空调设备过多耗能用于不适合人们自己的热舒适性期望而导致的能耗浪费。
在一个实施例中,空调设备可调参数最优取值估算装置904可以通过依次设置每个空调设备的每个可调参数为每个可能的取值、来获取每个用户的位置处的可调环境参数的实际值来得到所述影响。在此,假设每个空调的每个可调参数的取值是离散且有限的,因此,可以通过穷举所有可能的取值来进行实际的测量或模拟计算,但是在某些情况下,空调的每个可调参数本身可以是连续的,例如风速可以连续可调,风向也是连续可调的,但是为了获取空调的可调参数对用户的位置处的可调环境参数的影响,也可以选取连续可调的空调可调参数中的离散值来进行上述步骤。
例如,在存在m个空调设备的情况下,假设空调设备的可调参数包括风向和风速两者,则可以针对每次开启一个空调设备,且每次调节空调设备的一个风速和一个风向,来通过(用传感器)测量或模拟计算来获得在各个用户的位置处的可调环境参数(例如风速)的实际值,从而通过这样的操作来得到每个空调设备的可调参数的不同取值对每个用户的位置处的可调环境参数值的影响。当然,上述方式仅是一个示例,实际上,也可能在设计好空调的位置和用户的位置时已知或估计了这种影响的大小,而不需要依次开启空调设备来现场测量。当然,这种现场测量来得到影响的大小的方式是优选的,这使得可以较为准确地得到实际场景中的实际影响大小,从而使得后续的空调设备的可调参数的调节能够更加准确地满足各个用户各自的热舒适性期望。
在一个实施例中,所示空调设备可调参数最优取值估算装置904进行的估算可以基于每个用户的位置处的可调环境参数值与每个空调设备的可调参数值之间的关系模型,所述关系模型可以包括与时间无关的静态模型和与时间相关的动态模型。建立关系模型可以包括上述逐个设置空调可调参数并测量或模拟计算用户处的可调环境参数的步骤。用户的可调环境参数主要包括用户附近的温度、湿度、风速等,该环境参数可分为两类:一类是具有瞬间可变性的,如风速;另一类是具有延时特性的,如温度等。对于前一类环境参数可以仅建立静态数学模型,即假设当前的环境参数的变化仅仅取决于当前的空调参数设置;而对于后一类环境参数,则可建立动态数学模型,即当前的环境参数变化不仅取决于当前的空调参数设置,还跟时间有关。
如此,将用户对热舒适性的需求转化为对特定环境参数的要求,然后根据该环境参数与当前暖通空调***可调参数之间的函数关系(即数学模型)计算出每个可调参数的最优值,具体计算方法取决于数学模型的形式。一般地,如果该数学模型的函数是可逆的,则可以直接采用其逆函数进行计算;如不可逆,一般采用回归或迭代的算法进行优化计算。在计算最优参数值时还可以考虑到能量的消耗限制,比如能耗最低化以及用电高峰时对总能耗的限制等。
在一个实施例中,***900还可以包括如下中的至少一个装置:用于检测特定位置处是否存在用户,以在存在用户时考虑该用户的热舒适性期望值、且在不存在用户时不考虑该用户的热舒适性期望值的装置;用于识别特定位置处的用户的身份,以从数据库中检索已经存储的对应于该用户的热舒适性期望值的装置;用于接收用户对当前环境参数的反馈,以向数据库中记录与满足用户期望的当前实际环境参数值相关的该用户的热舒适性期望值的装置。
例如,在图2所示的传感器230中还可以包括检测特定位置处是否存在用户和/或识别特定位置处的用户的身份的功能,从而可以在存在用户时考虑该用户的热舒适性期望值、且在不存在用户时不考虑该用户的热舒适性期望值,这使得可以减少为不存在的用户的热舒适性期望值来调节空调设备所产生的能耗,进一步节能;和/或可以在识别特定位置处的用户的身份之后,从数据库中检索已经存储的对应于该用户的热舒适性期望值,以便不需要用户每次输入热舒适性期望值,减少用户的操作步骤,改善用户体验。且在图2所示的输入设备240还可以接收用户对当前环境参数的反馈,以在不断控制空调设备的可调参数直到用户的反馈为满意之后,向数据库中记录与满足用户期望而使得用户满意的当前实际环境参数值相关的该用户的热舒适性期望值,这样也可以省略用户自己输入热舒适性期望值,且能更准确地体现用户对当前热环境的体验,从而改善用户体验。
在一个实施例中,***900还可以包括如下中的至少一个装置:用于以预定时间间隔周期性地重复装置901-905的操作的装置;用于响应于用户的热舒适性期望值的改变、用户的位置的实际环境参数值的改变、用户的存在状态的改变、用户身份的改变中的至少一种,重复装置901-905的操作的装置。在周期性地或响应于事件发生地重复获得热舒适性期望值和实际环境参数值来重新控制空调设备的可调参数的情况下,能够更准确、更实际、更实时地满足用户的热舒适性需求,同时达到更节能的目的。
在一个实施例中,所述用户的位置处的可调环境参数可以包括风速,所述空调设备的可调参数可以包括空调出风口的风向和风速等,所述实际环境参数可以包括用户的位置附近的空气温度和空气湿度,所述热舒适性期望值可以表示为用户期望的有效温度值,其可以与例如空气温度、空气湿度和风速有关。当然,这些仅是示例,例如,空调的可调参数还可以包括出温度设定值、风口气流温度(仅对变频空调而言)、湿度调节开关等。
在一个实施例中,每个用户的位置处的风速与每个空调设备的风速和风向之间的关系模型可以采用如下静态线性模型:
公式(1)
其中xi表示第i个空调设备的风速,为第i个空调设备的风向为j时对该用户的位置处的风速的影响系数,b为由其他环境风引起的用户的位置处的风速的影响偏置项,其是通过不开启空调设备来测量用户的位置处的风速来得到的常数,y表示特定用户的位置处的风速,m表示空调设备的数量。
该静态模型是基于两个假设:(1)空调出风口的风速与用户所在位置处的风速成线性关系;(2)当多个空调同时开启时,用户位置处的风速是单个空调开启时的风速之和。
通过采用上述示例的较为简单的静态模型来表示每个用户的位置处的风速与每个空调设备的风速和风向之间的关系模型,可以简化地进行根据每个用户自己的热舒适性期望值和每个用户处的当前实际环境参数值来计算该用户的位置处的期望的可调环境参数值,并根据每个空调设备的可调参数的不同取值对每个用户的位置处的可调环境参数值的影响来调节多个空调设备的可调参数。
当然,每个用户的位置处的可调环境参数值与每个空调设备的可调参数值之间的关系模型不限于此,其也可以采用除了上述公式以外的静态模型(例如用户位置处的风速采用三维矢量描述形式而非上述标量形式,并且在各个空间维度上满足线性可叠加的假设条件),或随时间变化的动态模型,例如包括传递函数模型和状态空间模型等,比如温度控制中常见的PID(Proportion Integration Differentiation,比例积分微分)算法就是利用传递函数形式来描述被控对象和控制器的。
在一个实施例中,空调设备可调参数最优取值估算装置904可以被配置为:(d-1)依次调节每个空调设备i的每个风向j和每个风速xi,并测量每种情况下每个用户的位置处的实际风速值y;(d-2)针对每个空调设备的同一风向,将不同风速下测量的每个用户的位置处的实际风速的值y近似为该风向下对每个用户的一个相对风速比值y’和与空调设备的不同风速对应的比例系数c的乘积;(d-3)将每个空调设备i的每个风向j下对每个用户的所述相对风速比值y’作为针对每个空调设备i的每个风向j对每个用户的位置处的风速的影响系数(d-4)基于所述关系模型以及步骤(d-3)中的和每个用户的位置处的期望的风速Y,计算每个空调设备的每个风向下的初步最优风速xi’;(d-5)取同一空调设备i的多个风向j下的初步最优风速xi’最大的风向作为该空调设备的最优风向J;(d-6)基于所述关系模型、步骤(d-3)中的每个用户的位置处的期望的风速Y,计算每个空调设备i在最优风向J下的最终最优风速Xi;(d-7)根据计算的最终最优风速Xi和步骤(d-2)中计算得到的不同风速之间的比例系数c,选择空调设备的最优风速取值。
在该实施例中,通过针对每个空调设备的同一风向,将不同风速下测量的每个用户的位置处的实际风速的值y近似为该风向下对每个用户的一个相对风速比值y’和与空调设备的不同风速对应的比例系数c的乘积(因为空调设备的同一风向下的不同风速对同一用户的位置处的实际风速的影响是成比例的,因此为了简化可以只近似得到这些成比例的影响的基数即可);且将每个空调设备i的每个风向j下对每个用户的所述相对风速比值y’作为针对每个空调设备i的每个风向j对每个用户的位置处的风速的影响系数,从而减少了影响系数的数量(例如对于具有三个风速档位的空调来说,可以减少三分之二的影响系数),且简化了通过关系模型计算空调设备的最优风向和风速的计算量。如此通过该实施例,可以得到空调设备的最优风向和最优风速的这两种可调参数值,用以实现每个用户处的热舒适性期望值。
返回参考图4,在一个实施例中,期望可调环境参数值计算装置903可以被配置为:利用如下热舒适性指标——Missenard有效温度(Krawczyk,1975)的公式来计算用户的期望的风速值:
公式(2)
其中TEE表示有效温度,t,h,v分别代表空气温度(℃)、空气相对湿度(%)、风速(m/s)。当用户输入了期望的有效温度值TEE,并通过传感器测量得到了其附近的空气温度t和相对湿度h,则可以通过上述公式计算得到与该用户期望的有效温度值TEE对应的期望风速值v。
用户的热舒适性期望值是用户对环境的主观感受与客观的环境物理参数之间的定量函数关系。目前已知的已经标准化的热舒适性指标有很多,包括例如Missenard的有效温度(Effective Temperature)、标准有效温度(Standard Effective Temperature)、预期平均评价(Predicted Mean Vote)等。影响人的热舒适性指标的外部因素可以包括空气的温度、绝对或相对湿度、辐射温度和风速,内部因素可以包括人的穿衣隔热指数和新陈代谢指数。以上就是影响人的热舒适性的六大基本因素(来源于英国安全与健康执行局,简称HSE)。
对于一般的室内空调而言,能够改变的环境参数可以包括温度、湿度和风速(风速)等,因此在此可以示例而非限制地采用仅与这三个环境参数相关的Missenard的有效温度模型(Krawczyk,1975):
其中TEE表示有效温度,t,h,v分别代表空气的温度(℃)、相对湿度(%)、风速(风速)(m/s)。
基于上述公式定义的有效温度TEE,每个用户的热舒适性需求可以用有效温度TEE的大小来表示,例如某个用户期望的有效温度为TEE=20。基于每个用户期望的有效温度值TEE和当前测量的温度t和湿度h的信息,利用公式(2)可以计算出每个用户期望的风速,即期望风速值v。
当然除了上述的Missenard的有效温度模型以外,还可以采用标准有效温度(Standard Effective Temperature)、预期平均评价(Predicted Mean Vote)等热舒适性指标函数,基于预先给出或估算的新陈代谢指数和穿衣隔热指数,和测量得到的实际空气温度和湿度来计算满足人的热舒适性需求的风速,在此不赘述。
如此,根据本公开的各个实施例,能够对多个空调设备进行集中控制以满足人们各自对室内热环境的个性化需求,且同时能够避免由于空调设备过多耗能用于不适合人们自己的热舒适性期望而导致的能耗浪费。
注意,在本公开中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本发明的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本发明为必须采用上述具体的细节来实现。
本公开中涉及的器件、装置、设备、***的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、***。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
本公开中的步骤流程图以及以上方法描述仅作为例示性的例子并且不意图要求或暗示必须按照给出的顺序进行各个实施例的步骤。如本领域技术人员将认识到的,可以按任意顺序进行以上实施例中的步骤的顺序。诸如“其后”、“然后”、“接下来”等等的词语不意图限制步骤的顺序;这些词语仅用于引导读者通读这些方法的描述。此外,例如使用冠词“一个”、“一”或者“该”对于单数的要素的任何引用不被解释为将该要素限制为单数。
以上所述的方法的各个操作可以通过能够进行相应的功能的任何适当的手段而进行。该手段可以包括各种硬件和/或软件组件和/或模块,包括但不限于电路、专用集成电路(ASIC)或处理器。
可以利用被设计用于进行在此所述的功能的通用处理器、数字信号处理器(DSP)、ASIC、场可编程门阵列信号(FPGA)或其他可编程逻辑器件(PLD)、离散门或晶体管逻辑、离散的硬件组件或者其任意组合而实现或进行所述的各个例示的逻辑块、模块和电路。通用处理器可以是微处理器,但是作为替换,该处理器可以是任何商业上可获得的处理器、控制器、微控制器或状态机。处理器还可以实现为计算设备的组合,例如DSP和微处理器的组合,多个微处理器、与DSP核协作的一个或多个微处理器或任何其他这样的配置。
结合本公开描述的方法或算法的步骤可以直接嵌入在硬件中、处理器执行的软件模块中或者这两种的组合中。软件模块可以存在于任何形式的有形存储介质中。可以使用的存储介质的一些例子包括随机存取存储器(RAM)、只读存储器(ROM)、快闪存储器、EPROM存储器、EEPROM存储器、寄存器、硬碟、可移动碟、CD-ROM等。存储介质可以耦接到处理器以便该处理器可以从该存储介质读取信息以及向该存储介质写信息。在替换方式中,存储介质可以与处理器是整体的。软件模块可以是单个指令或者许多指令,并且可以分布在几个不同的代码段上、不同的程序之间以及跨过多个存储介质。
在此公开的方法包括用于实现所述的方法的一个或多个动作。方法和/或动作可以彼此互换而不脱离权利要求的范围。换句话说,除非指定了动作的具体顺序,否则可以修改具体动作的顺序和/或使用而不脱离权利要求的范围。
所述的功能可以按硬件、软件、固件或其任意组合而实现。如果以软件实现,功能可以作为一个或多个指令存储在切实的计算机可读介质上。存储介质可以是可以由计算机访问的任何可用的切实介质。通过例子而不是限制,这样的计算机可读介质可以包括RAM、ROM、EEPROM、CD-ROM或其他光碟存储、磁碟存储或其他磁存储器件或者可以用于携带或存储指令或数据结构形式的期望的程序代码并且可以由计算机访问的任何其他切实介质。如在此使用的,碟(disk)和盘(disc)包括紧凑盘(CD)、激光盘、光盘、数字通用盘(DVD)、软碟和蓝光盘,其中碟通常磁地再现数据,而盘利用激光光学地再现数据。
因此,计算机程序产品可以进行在此给出的操作。例如,这样的计算机程序产品可以是具有有形存储(和/或编码)在其上的指令的计算机可读的有形介质,该指令可由一个或多个处理器执行以进行在此所述的操作。计算机程序产品可以包括包装的材料。
软件或指令也可以通过传输介质而传输。例如,可以使用诸如同轴电缆、光纤光缆、双绞线、数字订户线(DSL)或诸如红外、无线电或微波的无线技术的传输介质从网站、服务器或者其他远程源传输软件。
此外,用于进行在此所述的方法和技术的模块和/或其他适当的手段可以在适当时由用户终端和/或基站下载和/或其他方式获得。例如,这样的设备可以耦接到服务器以促进用于进行在此所述的方法的手段的传送。或者,在此所述的各种方法可以经由存储部件(例如RAM、ROM、诸如CD或软碟等的物理存储介质)提供,以便用户终端和/或基站可以在耦接到该设备或者向该设备提供存储部件时获得各种方法。此外,可以利用用于将在此所述的方法和技术提供给设备的任何其他适当的技术。
其他例子和实现方式在本公开和所附权利要求的范围和精神内。例如,由于软件的本质,以上所述的功能可以使用由处理器、硬件、固件、硬连线或这些的任意的组合执行的软件实现。实现功能的特征也可以物理地位于各个位置,包括被分发以便功能的部分在不同的物理位置处实现。而且,如在此使用的,包括在权利要求中使用的,在以“至少一个”开始的项的列举中使用的“或”指示分离的列举,以便例如“A、B或C的至少一个”的列举意味着A或B或C,或AB或AC或BC,或ABC(即A和B和C)。此外,措辞“示例的”不意味着描述的例子是优选的或者比其他例子更好。
可以不脱离由所附权利要求定义的教导的技术而进行对在此所述的技术的各种改变、替换和更改。此外,本公开的权利要求的范围不限于以上所述的处理、机器、制造、事件的组成、手段、方法和动作的具体方面。可以利用与在此所述的相应方面进行基本相同的功能或者实现基本相同的结果的当前存在的或者稍后要开发的处理、机器、制造、事件的组成、手段、方法或动作。因而,所附权利要求包括在其范围内的这样的处理、机器、制造、事件的组成、手段、方法或动作。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本发明。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本发明的范围。因此,本发明不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本发明的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (9)
1.一种根据多个用户的热舒适性需求控制多个空调设备的方法,包括:
(a)获得多个用户的每个的热舒适性期望值;
(b)获取每个用户的位置处的当前实际环境参数值;
(c)根据每个用户的热舒适性期望值和实际环境参数值来计算该用户的位置处的期望的可调环境参数值;
(d)根据每个空调设备的可调参数的不同取值对每个用户的位置处的可调环境参数值的影响和每个用户的位置处的期望的可调环境参数值,来估算多个空调设备的各自的可调参数的最优取值,其中,步骤(d)包括:
(d-1)依次调节每个空调设备i的每个风向j和每个风速xi,并测量每种情况下每个用户的位置处的实际风速值y;
(d-2)针对每个空调设备的同一风向,将不同风速下测量的每个用户的位置处的实际风速的值y近似为该风向下对每个用户的一个相对风速比值y’和与空调设备的不同风速对应的比例系数c的乘积;
(d-3)将每个空调设备i的每个风向j下对每个用户的所述相对风速比值y’作为针对每个空调设备i的每个风向j对每个用户的位置处的风速的影响系数
(d-4)基于每个用户的位置处的风速与每个空调设备的风速和风向之间的关系模型以及步骤(d-3)中的和每个用户的位置处的期望的风速Y,计算每个空调设备的每个风向下的初步最优风速xi’;
(d-5)取同一空调设备i的多个风向j下的初步最优风速xi’最大的风向作为该空调设备的最优风向J;
(d-6)基于所述关系模型、步骤(d-3)中的每个用户的位置处的期望的风速Y,计算每个空调设备i在最优风向J下的最终最优风速Xi;
(d-7)根据计算的最终最优风速Xi和步骤(d-2)中计算得到的不同风速之间的比例系数c,选择空调设备的最优风速取值;
(e)根据估算的多个空调设备的各自的可调参数的最优取值,控制所述多个空调设备按照各自的可调参数的最优取值而工作。
2.根据权利要求1所述的方法,其中,在步骤(d)中,所述影响通过依次针对每个空调设备的每个可调参数的每个取值、来获取每个用户的位置处的可调环境参数的实际值来得到。
3.根据权利要求1所述的方法,其中,在步骤(d)中,所述估算基于每个用户的位置处的可调环境参数值与每个空调设备的可调参数值之间的关系模型,所述关系模型包括与时间无关的静态模型和与时间相关的动态模型。
4.根据权利要求1所述的方法,还包括如下中的至少一个步骤:
检测特定位置处是否存在用户,以在存在用户时考虑该用户的热舒适性期望值、且在不存在用户时不考虑该用户的热舒适性期望值;
识别特定位置处的用户的身份,以从数据库中检索已经存储的对应于该用户的热舒适性期望值;
接收用户对当前环境参数的反馈,以向数据库中记录与满足用户期望的当前实际环境参数值相关的该用户的热舒适性期望值。
5.根据权利要求1所述的方法,还包括如下中的至少一个步骤:
以预定时间间隔周期性地重复上述步骤(a)、(b)、(c)、(d)、(e);
响应于用户的热舒适性期望值的改变、用户的位置的实际环境参数值的改变、用户的存在状态的改变、用户身份的改变中的至少一种,重复上述步骤(a)、(b)、(c)、(d)、(e)。
6.根据权利要求1所述的方法,其中,所述用户的位置处的可调环境参数包括风速,所述空调设备的可调参数包括具有有限个取值的风向和风速,所述实际环境参数包括空气温度和空气湿度,所述热舒适性期望值表示用户期望的有效温度值TEE,其与空气温度t、空气相对湿度h和风速v有关,
<mrow>
<mi>T</mi>
<mi>E</mi>
<mi>E</mi>
<mo>=</mo>
<mn>37</mn>
<mo>-</mo>
<mfrac>
<mrow>
<mn>37</mn>
<mo>-</mo>
<mi>t</mi>
</mrow>
<mrow>
<mn>0.68</mn>
<mo>-</mo>
<mn>0.0014</mn>
<mi>h</mi>
<mo>+</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mn>1.76</mn>
<mo>+</mo>
<mn>1.4</mn>
<msup>
<mi>v</mi>
<mn>0.75</mn>
</msup>
</mrow>
</mfrac>
</mrow>
</mfrac>
<mo>-</mo>
<mn>0.29</mn>
<mi>t</mi>
<mo>&times;</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mfrac>
<mi>h</mi>
<mn>100</mn>
</mfrac>
<mo>)</mo>
</mrow>
</mrow>
其中TEE表示用户期望的有效温度值,并且t、h、v的单位分别为℃、%、m/s。
7.根据权利要求6所述的方法,其中,每个用户的位置处的风速与每个空调设备的风速和风向之间的关系模型采用如下静态模型:
<mrow>
<mi>y</mi>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<mrow>
<msubsup>
<mi>a</mi>
<mi>i</mi>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</msubsup>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
</mrow>
<mo>+</mo>
<mi>b</mi>
</mrow>
其中xi表示第i个空调设备的风速,为第i个空调设备的风向为j时对该用户的位置处的风速的影响系数,b为由其他环境风引起的用户的位置处的风速的影响偏置项,其是通过不开启空调设备来测量用户的位置处的风速来得到的常数,y表示特定用户的位置处的风速,m表示空调设备的数量。
8.根据权利要求6所述的方法,其中,步骤(c)包括:
利用如下公式来计算用户的期望的风速值:
<mrow>
<mi>&gamma;</mi>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mfrac>
<mrow>
<mn>37</mn>
<mo>-</mo>
<mi>t</mi>
</mrow>
<mrow>
<mn>37</mn>
<mo>-</mo>
<mn>0.29</mn>
<mi>t</mi>
<mo>&times;</mo>
<mrow>
<mo>(</mo>
<mrow>
<mn>1</mn>
<mo>-</mo>
<mfrac>
<mi>h</mi>
<mn>100</mn>
</mfrac>
</mrow>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>T</mi>
<mi>E</mi>
<mi>E</mi>
</mrow>
</mfrac>
<mo>-</mo>
<mn>0.68</mn>
<mo>+</mo>
<mn>0.0014</mn>
<mi>h</mi>
</mrow>
</mfrac>
<mo>.</mo>
</mrow>
<mrow>
<mi>v</mi>
<mo>=</mo>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<mi>&gamma;</mi>
<mo>-</mo>
<mn>1.76</mn>
</mrow>
<mn>1.4</mn>
</mfrac>
<mo>)</mo>
</mrow>
<mrow>
<mn>4</mn>
<mo>/</mo>
<mn>3</mn>
</mrow>
</msup>
</mrow>
9.一种根据多个用户的热舒适性需求控制多个空调设备的***,包括:
热舒适性期望值获得装置,被配置为获得多个用户的每个的热舒适性期望值;
实际环境参数值获取装置,被配置为获取每个用户的位置处的当前实际环境参数值;
期望可调环境参数值计算装置,被配置为根据每个用户的热舒适性期望值和实际环境参数值来计算该用户的位置处的期望的可调环境参数值;
空调设备可调参数最优取值估算装置,被配置为根据每个空调设备的可调参数的不同取值对每个用户的位置处的可调环境参数值的影响和每个用户的位置处的期望的可调环境参数值,来估算多个空调设备的各自的可调参数的最优取值,其中,根据每个空调设备的可调参数的不同取值对每个用户的位置处的可调环境参数值的影响和每个用户的位置处的期望的可调环境参数值,来估算多个空调设备的各自的可调参数的最优取值包括:
依次调节每个空调设备i的每个风向j和每个风速xi,并测量每种情况下每个用户的位置处的实际风速值y;
针对每个空调设备的同一风向,将不同风速下测量的每个用户的位置处的实际风速的值y近似为该风向下对每个用户的一个相对风速比值y’和与空调设备的不同风速对应的比例系数c的乘积;
将每个空调设备i的每个风向j下对每个用户的所述相对风速比值y’作为针对每个空调设备i的每个风向j对每个用户的位置处的风速的影响系数
基于每个用户的位置处的风速与每个空调设备的风速和风向之间的关系模型以及步骤(d-3)中的和每个用户的位置处的期望的风速Y,计算每个空调设备的每个风向下的初步最优风速xi’;
取同一空调设备i的多个风向j下的初步最优风速xi’最大的风向作为该空调设备的最优风向J;
基于所述关系模型、步骤(d-3)中的每个用户的位置处的期望的风速Y,计算每个空调设备i在最优风向J下的最终最优风速Xi;
根据计算的最终最优风速Xi和步骤(d-2)中计算得到的不同风速之间的比例系数c,选择空调设备的最优风速取值;
控制装置,被配置为根据估算的多个空调设备的各自的可调参数的最优取值,控制所述多个空调设备按照各自的可调参数的最优取值而工作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410208405.4A CN105091202B (zh) | 2014-05-16 | 2014-05-16 | 控制多个空调设备的方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410208405.4A CN105091202B (zh) | 2014-05-16 | 2014-05-16 | 控制多个空调设备的方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105091202A CN105091202A (zh) | 2015-11-25 |
CN105091202B true CN105091202B (zh) | 2018-04-17 |
Family
ID=54572198
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410208405.4A Active CN105091202B (zh) | 2014-05-16 | 2014-05-16 | 控制多个空调设备的方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105091202B (zh) |
Families Citing this family (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105588251B (zh) * | 2014-10-20 | 2018-10-02 | 株式会社理光 | 控制空气调节***的方法和装置 |
CN106871324B (zh) * | 2015-12-11 | 2020-12-18 | 北京奇虎科技有限公司 | 空调风口的控制方法和装置 |
CN106152419B (zh) * | 2016-08-16 | 2019-01-29 | 深圳万城节能股份有限公司 | 空调***的控制方法 |
CN106765972B (zh) * | 2016-12-30 | 2019-08-16 | 广东美的制冷设备有限公司 | 空调器随身感控制方法和装置 |
CN106885333B (zh) * | 2017-01-13 | 2019-08-23 | 广东美的制冷设备有限公司 | 空调器控制方法、控制器及空调器 |
CN107036652B (zh) * | 2017-04-12 | 2019-07-09 | 林波荣 | 一种结合建筑环境模拟的室内环境监测***及方法 |
CN108419439B (zh) * | 2017-05-22 | 2020-06-30 | 深圳微自然创新科技有限公司 | 家用设备学习方法、及服务器 |
CN109916019A (zh) * | 2017-12-13 | 2019-06-21 | 广东美的制冷设备有限公司 | 空气调节装置的控制方法、装置及存储介质 |
CN108592337B (zh) * | 2018-03-09 | 2020-10-20 | 广东美的制冷设备有限公司 | 空调器控制方法、空调器以及计算机可读存储介质 |
CN108489006B (zh) * | 2018-03-09 | 2021-04-27 | 广东美的制冷设备有限公司 | 空调器及其控制方法、控制装置和计算机可读存储介质 |
CN108758962A (zh) * | 2018-04-18 | 2018-11-06 | 北京合创三众能源科技股份有限公司 | 环境设备的控制方法、装置、电子设备及存储介质 |
CN109539494B (zh) * | 2018-09-06 | 2020-10-23 | 珠海格力电器股份有限公司 | 获得空调位置关系的方法、装置及空调 |
CN111089347B (zh) * | 2018-10-24 | 2022-08-19 | 青岛海尔空调器有限总公司 | 一种智能家居*** |
CN109932896A (zh) * | 2019-03-22 | 2019-06-25 | 易科智控科技(北京)有限公司 | 一种建筑能耗的控制方法和*** |
EP4042074A4 (en) * | 2019-10-08 | 2023-11-08 | AMBI Labs Limited | HVAC CONTROL SYSTEM AND METHODS |
CN110736230B (zh) * | 2019-10-29 | 2020-11-10 | 珠海格力电器股份有限公司 | 空调器的控制方法及装置、空调控制*** |
US11802711B2 (en) * | 2020-04-28 | 2023-10-31 | Mitsubishi Electric Corporation | Information processing device and air conditioning system |
CN112344523B (zh) * | 2020-10-30 | 2022-02-18 | 广州大学 | 空调控制方法、空调、计算机装置和存储介质 |
CN114216249A (zh) * | 2021-11-11 | 2022-03-22 | 青岛海尔空调器有限总公司 | 用于控制空调防直吹的方法及装置、空调 |
CN115682279A (zh) * | 2022-10-18 | 2023-02-03 | 珠海格力电器股份有限公司 | 一种设备控制方法、装置、电子设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1967074A (zh) * | 2005-11-18 | 2007-05-23 | 乐金电子(天津)电器有限公司 | 复合式空调器的制冷暖控制*** |
CN101055114A (zh) * | 2006-04-14 | 2007-10-17 | 株式会社东芝 | 空调控制装置 |
TW200928243A (en) * | 2007-12-20 | 2009-07-01 | Tatung Co Ltd | Automatic comfortable environment temperature regulating system and method |
CN101583831A (zh) * | 2007-01-17 | 2009-11-18 | 大金工业株式会社 | 空调控制*** |
CN102778002A (zh) * | 2012-07-09 | 2012-11-14 | 广东美的电器股份有限公司 | 控制人体热舒适感觉的空调器及控制方法 |
CN103206768A (zh) * | 2012-01-16 | 2013-07-17 | 阿自倍尔株式会社 | 需求判别装置、空调控制***、需求判别方法以及空调控制方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05126394A (ja) * | 1991-07-12 | 1993-05-21 | Shimizu Corp | 人の分布に追従した空調制御システム |
JP4415454B2 (ja) * | 2000-05-23 | 2010-02-17 | パナソニック株式会社 | 空調システムの制御方法 |
JP3837015B2 (ja) * | 2000-09-19 | 2006-10-25 | 積水ハウス株式会社 | 快適性体験装置 |
-
2014
- 2014-05-16 CN CN201410208405.4A patent/CN105091202B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1967074A (zh) * | 2005-11-18 | 2007-05-23 | 乐金电子(天津)电器有限公司 | 复合式空调器的制冷暖控制*** |
CN101055114A (zh) * | 2006-04-14 | 2007-10-17 | 株式会社东芝 | 空调控制装置 |
CN101583831A (zh) * | 2007-01-17 | 2009-11-18 | 大金工业株式会社 | 空调控制*** |
TW200928243A (en) * | 2007-12-20 | 2009-07-01 | Tatung Co Ltd | Automatic comfortable environment temperature regulating system and method |
CN103206768A (zh) * | 2012-01-16 | 2013-07-17 | 阿自倍尔株式会社 | 需求判别装置、空调控制***、需求判别方法以及空调控制方法 |
CN102778002A (zh) * | 2012-07-09 | 2012-11-14 | 广东美的电器股份有限公司 | 控制人体热舒适感觉的空调器及控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105091202A (zh) | 2015-11-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105091202B (zh) | 控制多个空调设备的方法和*** | |
Bianchini et al. | An integrated model predictive control approach for optimal HVAC and energy storage operation in large-scale buildings | |
Kim | Optimal price based demand response of HVAC systems in multizone office buildings considering thermal preferences of individual occupants buildings | |
Jazizadeh et al. | User-led decentralized thermal comfort driven HVAC operations for improved efficiency in office buildings | |
Ghahramani et al. | A knowledge based approach for selecting energy-aware and comfort-driven HVAC temperature set points | |
Yoon et al. | Performance based thermal comfort control (PTCC) using deep reinforcement learning for space cooling | |
Liu et al. | A neural network evaluation model for individual thermal comfort | |
CN102449406B (zh) | 用于基于个体舒适的气候控制设定点优化的***和方法 | |
Lam et al. | An occupant-participatory approach for thermal comfort enhancement and energy conservation in buildings | |
CN105511272B (zh) | 中央控制装置、设备控制***及方法 | |
US20140277765A1 (en) | Human-building interaction framework for personalized comfort driven system operations in buildings | |
US20210080915A1 (en) | System and method for controlling an hvac system or an acmv system of a building | |
CN103398451A (zh) | 基于学习用户行为的多维舒适度室内环境控制方法及*** | |
Čongradac et al. | Methods for assessing energy savings in hospitals using various control techniques | |
CN109708259A (zh) | 空调器的控制方法及装置、存储介质和处理器 | |
US20170169344A1 (en) | Methods, systems, and computer readable media for a data-driven demand response (dr) recommender | |
CN109682043A (zh) | 一种基于人体热舒适机理的适温适湿环境控制*** | |
CN109140660A (zh) | 用于空调的智能控温装置方法及装置、空调、存储介质 | |
Pazhoohesh et al. | Investigating occupancy-driven air-conditioning control based on thermal comfort level | |
Pallante et al. | Decision support methodologies and day-ahead optimization for smart building energy management in a dynamic pricing scenario | |
Wang et al. | A machine learning-based control strategy for improved performance of HVAC systems in providing large capacity of frequency regulation service | |
CN106403162A (zh) | 一种局部热舒适控制方法、局部热舒适控制器及控制*** | |
Hernández et al. | Impact of zoning heating and air conditioning control systems in users comfort and energy efficiency in residential buildings | |
Zhao et al. | Data-driven online energy management framework for HVAC systems: An experimental study | |
Wu et al. | Optimizing demand-controlled ventilation with thermal comfort and CO2 concentrations using long short-term memory and genetic algorithm |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |