CN115031394A - 一种基于个人热愉悦性聚类的区域空调调节方法 - Google Patents
一种基于个人热愉悦性聚类的区域空调调节方法 Download PDFInfo
- Publication number
- CN115031394A CN115031394A CN202210538196.4A CN202210538196A CN115031394A CN 115031394 A CN115031394 A CN 115031394A CN 202210538196 A CN202210538196 A CN 202210538196A CN 115031394 A CN115031394 A CN 115031394A
- Authority
- CN
- China
- Prior art keywords
- pleasure
- thermal
- personal
- sensor
- regional
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000004364 calculation method Methods 0.000 claims abstract description 29
- 238000013528 artificial neural network Methods 0.000 claims abstract description 23
- 238000012544 monitoring process Methods 0.000 claims abstract description 14
- 230000007613 environmental effect Effects 0.000 claims abstract description 11
- 238000006116 polymerization reaction Methods 0.000 claims abstract description 4
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 8
- 230000004931 aggregating effect Effects 0.000 claims description 5
- 238000004378 air conditioning Methods 0.000 claims description 5
- 238000007664 blowing Methods 0.000 claims description 5
- 230000001932 seasonal effect Effects 0.000 claims description 5
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 4
- 238000004088 simulation Methods 0.000 claims description 4
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 239000001569 carbon dioxide Substances 0.000 claims description 3
- 238000013500 data storage Methods 0.000 claims description 3
- 230000007787 long-term memory Effects 0.000 claims description 3
- 230000006855 networking Effects 0.000 claims description 3
- 230000035807 sensation Effects 0.000 claims description 3
- 230000006403 short-term memory Effects 0.000 claims description 3
- 230000015654 memory Effects 0.000 description 9
- 230000008859 change Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000012937 correction Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 206010016275 Fear Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000012636 effector Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/89—Arrangement or mounting of control or safety devices
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/88—Electrical aspects, e.g. circuits
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B30/00—Energy efficient heating, ventilation or air conditioning [HVAC]
- Y02B30/70—Efficient control or regulation technologies, e.g. for control of refrigerant flow, motor or heating
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明适用于空调技术领域，尤其涉及一种基于个人热愉悦性聚类的区域空调调节方法，所述方法包括：进行环境监测传感器布控，通过传感器进行数据采集；进行热愉悦性实时计算；进行个人与区域绑定，并实时更新；进行个人热愉悦性的动态计算；进行区域热愉悦性聚合，得到满足区域所在个体热愉悦的百分比；进行神经网络设计与优化；进行末端执行，通过边缘计算器执行末端操作。本发明通过对环境参数进行实时监测和收集，然后对热愉悦性进行实时计算，并通过对个人热愉悦性进行动态计算，以确定区域范围内的热愉悦性，最终通过神经网络进行计算，确定区域空调的调节方案，在保证了个人舒适性的前提下，节省了能源，避免通过人工调节的繁琐操作。
Description
技术领域
本发明属于空调技术领域，尤其涉及一种基于个人热愉悦性聚类的区域空调调节方法。
背景技术
作为一个能源贫瘠国，能源安全一直被提到战略首位，节能减排也是近30年的规划重点。而建筑节能在其中的地位举足轻重，建筑运行中的能耗又以空调***为主，减少空调***的能耗能够有效降低建筑运行能耗从而达到减排的目的。
目前大部分暖通空调***的控制采用PID方式，通过传感器测得回风温度与设定温度进行简单调节，且无一舒适度指标考量。该方式将控制交给了人，若想改变环境舒适度，必须通过对末端的温度、风速调节来实现，在这种情况下，很难满足动态的舒适。且因个人舒适体验区别甚远，有人喜欢偏冷的环境，而有人惧冷，有人喜欢吹风感，有人会拒绝被吹到，末端容易被频繁调节带来运维压力。
因此，单凭常规的舒适度指标去一蹴而就地评价某栋建筑或者某个区域的舒适度并不可取，更不用提通过笼统的舒适度指标去改变空调的控制策略。
发明内容
本发明实施例的目的在于提供一种基于个人热愉悦性聚类的区域空调调节方法，旨在解决背景技术第三部分中提出的问题。
本发明实施例是这样实现的，一种基于个人热愉悦性聚类的区域空调调节方法，所述方法包括：
进行环境监测传感器布控，通过传感器进行数据采集；
进行热愉悦性实时计算；
进行个人与区域绑定，并实时更新；
进行个人热愉悦性的动态计算；
进行区域热愉悦性聚合，得到满足区域所在个体热愉悦的百分比；
进行神经网络设计与优化；
进行末端执行，通过边缘计算器执行末端操作。
优选的，所述进行环境监测传感器布控，通过传感器进行数据采集的步骤，具体包括：根据国标舒适度所需的位置进行传感器布置，传感器包括温湿度传感器、二氧化碳传感器和风速传感器，并且通过物联网传输协议进行监听，将数据储存到云端数据库。
优选的，所述进行热愉悦性实时计算的步骤中，将区域温度波动、瞬时温度均匀度、垂直温差、吹风感系数、PMV、个人温度偏好系数和个人湿度偏好系数纳入考虑，通过给定权重进行加权计算。
优选的，所述进行个人与区域绑定，并实时更新的步骤，具体包括：生成一张键表，将常驻用户在***中的ID、所在区域的ID、所在位置的特征、所在位置对应的末端、所在位置对应的传感器ID结合起来，并且在离职、换座位、换部门时，进行实时进行更新。
优选的，进行个人热愉悦性的动态计算的步骤，具体包括：对个人的末端操作历史数据进行学习分析，生成初步的个人舒适度喜好，提供人工舒适度反馈接口，通过投票的方式进一步采集并更新个人喜好资料，在实时计算个人热愉悦性时应用新的参数，进行动态计算。
优选的，进行区域热愉悦性聚合，得到满足区域所在个体热愉悦的百分比的步骤，具体包括：通过传感器对其所处位置的实时参数进行舒适评分计算，若评分处于预设范围，则认为满足舒适度要求，反之，则认为不满足舒适度要求，对区域进行聚合得到满足区域所在个体热愉悦的百分比。
优选的，进行神经网络设计与优化的步骤，具体包括：采用LSTM长短期记忆网络，通过对不同区域的热模拟进行数据增强，同时收集实际参数，在数据量达到可部署使用的程度后，将网络部署在边缘端进行自动控制，神经网络输入的参数包括当前季节性特征、当前冷冻水温度、区域占用率、水阀开度和当前区域的热愉悦达成度，输出为末端风速和末端设定温度，对网络进行训练。
优选的，进行末端执行，通过边缘计算器执行末端操作的步骤，具体包括：确定执行的频率，在云端进行迭代计算并下发至边缘端，输入参数为神经网络参数，其中将现时刻之后预设时间内的达成度取为与现时刻一致或更高，得到输出，通过边缘计算器执行末端操作。
本发明实施例提供的一种基于个人热愉悦性聚类的区域空调调节方法，通过对环境参数进行实时监测和收集，然后对热愉悦性进行实时计算，并通过对个人热愉悦性进行动态计算，以确定区域范围内的热愉悦性，最终通过神经网络进行计算，确定区域空调的调节方案，在保证了个人舒适性的前提下，节省了能源，避免通过人工调节的繁琐操作。
附图说明
图1为本发明实施例提供的环境监测传感器布控的示意图；
图2为本发明实施例提供的环境监测传感器布置原则及监测架构；
图3为本发明实施例提供的热愉悦性实时计算流程图；
图4为本发明实施例提供的神经网络训练及优化过程图；
图5为本发明实施例提供的基于个人热愉悦性的区域空调控制方法流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
可以理解，本申请所使用的术语“第一”、“第二”等可在本文中用于描述各种元件，但除非特别说明，这些元件不受这些术语限制。这些术语仅用于将第一个元件与另一个元件区分。举例来说，在不脱离本申请的范围的情况下，可以将第一xx脚本称为第二xx脚本，且类似地，可将第二xx脚本称为第一xx脚本。
如图5所示，为本发明实施例提供的基于个人热愉悦性的区域空调控制方法流程图，所述方法包括：
进行环境监测传感器布控，通过传感器进行数据采集；
进行热愉悦性实时计算；
进行个人与区域绑定，并实时更新；
进行个人热愉悦性的动态计算；
进行区域热愉悦性聚合，得到满足区域所在个体热愉悦的百分比；
进行神经网络设计与优化；
进行末端执行，通过边缘计算器执行末端操作。
在本实施例中，本发明所提出的方法具体的步骤如下：
1、按标准布控环境监测传感器，实时监测。监测的参数包括：温度、湿度、CO2浓度、光照、风速等计算舒适度所需的参数。
2、设计区域绑定表，将传感器与人、人与区域、设备与区域进行ID绑定。
3、采集监测数据并定时间频率传入云端数据库，稳定持续更新。
4、通过时序性的数据对区域温度实时分布、瞬时温度均匀度、垂直温差、PMV、吹风感系数进行计算，得到每个传感器的热舒适度评级，聚合获得人、区域的实时热舒适度评级，并作为新指标存入数据库。
5、设计算法对***中的人为操作历史进行学习，通过读取当前设备状态以及人员操作方向设计算法，得出人员环境偏好，处理为系数表对热舒适度进行修正，同时提供反馈接口，实时接收人员环境舒适投票信息进一步修正系数。
6、结合云数据库中的实时舒适度评级与修正系数，得出人员的实时热愉悦性评级指标，进一步聚合出区域热愉悦性达成度，作为新指标存入云端数据库。
7、设计并优化神经网络，目的为提高整体区域的热愉悦达成度，从IBMS***获取设备运行状态的时间序列，结合季节性特征，并对热愉悦达成度进行结构化处理，导出实时区域热愉悦达成度、下一时刻后的区域热愉悦达成度、…、调节频率之后的热愉悦达成度，作为特征输入网络，选用时序性神经网络在云端进行计算训练后，在边缘端进行部署，并持续进行更新。
8、设定自动调节频率，读取神经网络所需要的参数，输入边缘端，计算输出，然后通过末端执行器执行。
9、执行后记录设备运行状态回流IBMS数据库，继续提供舒适度反馈投票接口，并允许个人进行设备末端操作，同时持续收集环境监测参数，回流进云端数据库，完成整个流程的迭代更新。
如图1和图2所示，在本发明的一个实施例中，所述进行环境监测传感器布控，通过传感器进行数据采集的步骤，具体包括：根据国标舒适度所需的位置进行传感器布置，传感器包括温湿度传感器、二氧化碳传感器和风速传感器，并且通过物联网传输协议进行监听，将数据储存到云端数据库。
如图3所示，在本发明的一个实施例中，所述进行热愉悦性实时计算的步骤中，将区域温度波动、瞬时温度均匀度、垂直温差、吹风感系数、PMV、个人温度偏好系数和个人湿度偏好系数纳入考虑，通过给定权重进行加权计算。
在本实施例中，热愉悦性定义为舒适度的前进指标，即具有个人喜好特点的舒适度评价方式，其计算需要考虑区域温度波动、瞬时温度均匀度、垂直温差、吹风感系数、PMV、个人温度偏好系数、个人湿度偏好系数，通过给定权重进行加权计算。
在本实施例中，根据实际办公区域情况，对于上述考虑因素的权重如下表所示：
| 项目 | 权重 |
| 区域温度波动 | 0.2 |
| 瞬时温度均匀度 | 0.2 |
| 垂直温差 | 0.15 |
| 吹风感系数 | 0.15 |
| PMV | 0.3 |
若以5分为满分，且当前环境参数计算值分别为4.9，5，4.8，4.7，4.3,则对该区域的舒适度评价值应为：4.9*0.2+5*0.2+4.8*0.15+4.7*0.15+4.3*0.3＝4.695。若以4.5-5为舒适区间，区域舒适度是满足舒适要求的，但从人员角度并不一定满足。例如，以0.5为修正步长，人的修正系数取-1到1之间，-1为喜冷，1为喜热。某个在此区域的人A历史末端操作给出的个人偏好修正系数为-0.7，则A的舒适区间为(4.5+0.5*(-0.7))到(5+0.5*(-0.7))，即4.15-4.65，则该区域舒适度并不满足A的热愉悦性；若某人B比较怕冷，喜好偏热的环境，其偏好度为0.4，则B的舒适区间为(4.5+0.5*(0.4))到(5+0.5*(0.4))，B的舒适区间为4.7-5(满分为5若超过5则继续取5)，同样该区域也并不满足B的热愉悦性。
在本发明的一个实施例中，所述进行个人与区域绑定，并实时更新的步骤，具体包括：生成一张键表，将常驻用户在***中的ID、所在区域的ID、所在位置的特征、所在位置对应的末端、所在位置对应的传感器ID结合起来，并且在离职、换座位、换部门时，进行实时进行更新。
在本发明的一个应用案例中，键表设置如下(已脱敏)，“...”表示不同的对应传感器未一一列出。
| 用户ID | 区域ID | 区域类型 | 区域位置 | 对应温湿度传感器 | … | 对应末端 |
| dee231asda | a38aosh | 1 | 1108 | uyz1144 | … | szq9878 |
| dxzq1dsfdfs | azxv123 | 2 | 9912 | bivbifi1 | … | giyvbi12 |
在本实施例中，设计一张键表，将常驻用户在***中的ID、所在区域的ID、所在位置的特征(如分机号、平面坐标)、所在位置对应的末端、所在位置对应的传感器ID结合起来，并且在离职、换座位、换部门等时刻实时进行更新。
在本发明的一个实施例中，进行个人热愉悦性的动态计算的步骤，具体包括：对个人的末端操作历史数据进行学习分析，生成初步的个人舒适度喜好，提供人工舒适度反馈接口，通过投票的方式进一步采集并更新个人喜好资料，在实时计算个人热愉悦性时应用新的参数，进行动态计算。
在本实施例中，先对个人的末端操作历史数据进行学习分析，生成初步的个人舒适度喜好(包括温度偏好系数、湿度偏好系数)。而后提供人工舒适度反馈接口，通过投票的方式进一步采集并更新个人喜好资料，在实时计算个人热愉悦性的时候应用新的参数，以达到动态计算的效果。
在本发明的一个实施例中，进行区域热愉悦性聚合，得到满足区域所在个体热愉悦的百分比的步骤，具体包括：通过传感器对其所处位置的实时参数进行舒适评分计算，若评分处于预设范围，则认为满足舒适度要求，反之，则认为不满足舒适度要求，对区域进行聚合得到满足区域所在个体热愉悦的百分比。
本发明中介绍了热愉悦性满足情况的计算，在本发明的一个应用案例中，个人热愉悦性满足度在数据库中记录如下表：
对区域的热愉悦性达成度聚合如下表：
在本实施例中，前面的步骤完成后，区域内每个人的热愉悦性便是动态可取的了，且对每个人都会自然生成一个热愉悦范围(例如，大众的热愉悦范围评分在4.5-5，某个人进行个人喜好系数修正后热愉悦范围在4.45-5)。此时，通过传感器对其所处位置的实时参数进行舒适评分计算，如处在范围内则认为满足，不在则认为不满足，最后对区域进行聚合得到满足区域所在个体热愉悦的百分比。
如图4所示，在本发明的一个实施例中，进行神经网络设计与优化的步骤，具体包括：采用LSTM长短期记忆网络，通过对不同区域的热模拟进行数据增强，同时收集实际参数，在数据量达到可部署使用的程度后，将网络部署在边缘端进行自动控制，神经网络输入的参数包括当前季节性特征、当前冷冻水温度、区域占用率、水阀开度和当前区域的热愉悦达成度，输出为末端风速和末端设定温度，对网络进行训练。
在本实施例中，完成之前的步骤后，末端控制优化的目标便抽象为了一个动态优化问题，即优化区域热愉悦达成百分比，限制条件为末端调节频率、末端调节档位上下限。采用神经网络的原因是因为去从源头计算某个区域的稳态过于复杂，但对于一个区域而言在一些参数确定后其实特征会比较明显，且状态的变化也不会大起大落，因此采用循环神经网络如LSTM、GRU能够很好地解决该动态问题。对于本发明而言，推荐采用LSTM长短期记忆网络。进行算法训练需要大量的数据，而刚开始数据肯定是匮乏的，需要一定的数据增强手段，可以通过对不同区域的热模拟进行数据增强，同时收集实际参数，在数据量达到可部署使用的程度后，将网络部署在边缘端进行自动控制。神经网络输入的参数包括当前季节性特征、当前冷冻水温度、区域占用率、水阀开度、当前区域的热愉悦达成度(包括现时刻、现时刻后一小时内按频率取点的达成度)，输出为末端风速、末端设定温度，对网络进行训练。
如图5所示，在本发明的一个实施例中，进行末端执行，通过边缘计算器执行末端操作的步骤，具体包括：确定执行的频率，在云端进行迭代计算并下发至边缘端，输入参数为神经网络参数，其中将现时刻之后预设时间内的达成度取为与现时刻一致或更高，得到输出，通过边缘计算器执行末端操作。
在本实施例中，首先确定执行的频率，如一小时间隔调节一次，在云端进行迭代计算并下发至边缘端，输入参数为神经网络参数，其中将现时刻之后一小时内的达成度取为与现时刻一致或更高，得到输出，通过边缘计算器执行末端操作。
应该理解的是，虽然本发明各实施例的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，各实施例中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
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、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于个人热愉悦性聚类的区域空调调节方法，其特征在于，所述方法包括：
进行环境监测传感器布控，通过传感器进行数据采集；
进行热愉悦性实时计算；
进行个人与区域绑定，并实时更新；
进行个人热愉悦性的动态计算；
进行区域热愉悦性聚合，得到满足区域所在个体热愉悦的百分比；
进行神经网络设计与优化；
进行末端执行，通过边缘计算器执行末端操作。
2.根据权利要求1所述的基于个人热愉悦性聚类的区域空调调节方法，其特征在于，所述进行环境监测传感器布控，通过传感器进行数据采集的步骤，具体包括：根据国标舒适度所需的位置进行传感器布置，传感器包括温湿度传感器、二氧化碳传感器和风速传感器，并且通过物联网传输协议进行监听，将数据储存到云端数据库。
3.根据权利要求1所述的基于个人热愉悦性聚类的区域空调调节方法，其特征在于，所述进行热愉悦性实时计算的步骤中，将区域温度波动、瞬时温度均匀度、垂直温差、吹风感系数、PMV、个人温度偏好系数和个人湿度偏好系数纳入考虑，通过给定权重进行加权计算。
4.根据权利要求1所述的基于个人热愉悦性聚类的区域空调调节方法，其特征在于，所述进行个人与区域绑定，并实时更新的步骤，具体包括：生成一张键表，将常驻用户在***中的ID、所在区域的ID、所在位置的特征、所在位置对应的末端、所在位置对应的传感器ID结合起来，并且在离职、换座位、换部门时，进行实时进行更新。
5.根据权利要求1所述的基于个人热愉悦性聚类的区域空调调节方法，其特征在于，进行个人热愉悦性的动态计算的步骤，具体包括：对个人的末端操作历史数据进行学习分析，生成初步的个人舒适度喜好，提供人工舒适度反馈接口，通过投票的方式进一步采集并更新个人喜好资料，在实时计算个人热愉悦性时应用新的参数，进行动态计算。
6.根据权利要求1所述的基于个人热愉悦性聚类的区域空调调节方法，其特征在于，进行区域热愉悦性聚合，得到满足区域所在个体热愉悦的百分比的步骤，具体包括：通过传感器对其所处位置的实时参数进行舒适评分计算，若评分处于预设范围，则认为满足舒适度要求，反之，则认为不满足舒适度要求，对区域进行聚合得到满足区域所在个体热愉悦的百分比。
7.根据权利要求1所述的基于个人热愉悦性聚类的区域空调调节方法，其特征在于，进行神经网络设计与优化的步骤，具体包括：采用LSTM长短期记忆网络，通过对不同区域的热模拟进行数据增强，同时收集实际参数，在数据量达到可部署使用的程度后，将网络部署在边缘端进行自动控制，神经网络输入的参数包括当前季节性特征、当前冷冻水温度、区域占用率、水阀开度和当前区域的热愉悦达成度，输出为末端风速和末端设定温度，对网络进行训练。
8.根据权利要求1所述的基于个人热愉悦性聚类的区域空调调节方法，其特征在于，进行末端执行，通过边缘计算器执行末端操作的步骤，具体包括：确定执行的频率，在云端进行迭代计算并下发至边缘端，输入参数为神经网络参数，其中将现时刻之后预设时间内的达成度取为与现时刻一致或更高，得到输出，通过边缘计算器执行末端操作。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210538196.4A CN115031394A (zh) | 2022-05-18 | 2022-05-18 | 一种基于个人热愉悦性聚类的区域空调调节方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210538196.4A CN115031394A (zh) | 2022-05-18 | 2022-05-18 | 一种基于个人热愉悦性聚类的区域空调调节方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115031394A true CN115031394A (zh) | 2022-09-09 |
Family
ID=83121325
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210538196.4A Pending CN115031394A (zh) | 2022-05-18 | 2022-05-18 | 一种基于个人热愉悦性聚类的区域空调调节方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115031394A (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0755228A (ja) * | 1993-08-23 | 1995-03-03 | Matsushita Refrig Co Ltd | 空気調和機 |
| CN101514827A (zh) * | 2008-02-21 | 2009-08-26 | 当代天启技术（北京）有限公司 | 一种室内环境调节方法和*** |
| CN103398451A (zh) * | 2013-07-12 | 2013-11-20 | 清华大学 | 基于学习用户行为的多维舒适度室内环境控制方法及*** |
| CN104823001A (zh) * | 2012-12-06 | 2015-08-05 | 松下知识产权经营株式会社 | 空间环境管理装置、空间环境管理***以及空间环境管理方法 |
| CN104833063A (zh) * | 2015-06-04 | 2015-08-12 | 安徽建筑大学 | 一种空调控制方法及*** |
| CN107062540A (zh) * | 2017-04-01 | 2017-08-18 | 深圳达实智能股份有限公司 | 一种医院门诊部热舒适性投票控制方法、装置、*** |
| CN107192572A (zh) * | 2017-07-11 | 2017-09-22 | 海信科龙电器股份有限公司 | 空调器热舒适度性能测试***及其测试方法 |
| DE202020105811U1 (de) * | 2020-10-10 | 2020-10-27 | Quirin Hamp | Vorrichtung zur Datenaufbereitung für ein nutzerdatenbasiertes Steuern/Regeln des bedarfsangepassten Betreibens wenigstens eines HLK-/PCS-Systems für eine zeit-/ortsaufgelöste Funktionsweise sowie Computerprogrammprodukt und Verwendung |
| CN112254287A (zh) * | 2020-09-01 | 2021-01-22 | 深圳达实智能股份有限公司 | 变权重多模型综合预测中央空调末端送风控制方法 |
| CN112963946A (zh) * | 2021-02-26 | 2021-06-15 | 南京邮电大学 | 一种面向共享办公区域的暖通空调***控制方法及装置 |
-
2022
- 2022-05-18 CN CN202210538196.4A patent/CN115031394A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0755228A (ja) * | 1993-08-23 | 1995-03-03 | Matsushita Refrig Co Ltd | 空気調和機 |
| CN101514827A (zh) * | 2008-02-21 | 2009-08-26 | 当代天启技术（北京）有限公司 | 一种室内环境调节方法和*** |
| CN104823001A (zh) * | 2012-12-06 | 2015-08-05 | 松下知识产权经营株式会社 | 空间环境管理装置、空间环境管理***以及空间环境管理方法 |
| CN103398451A (zh) * | 2013-07-12 | 2013-11-20 | 清华大学 | 基于学习用户行为的多维舒适度室内环境控制方法及*** |
| CN104833063A (zh) * | 2015-06-04 | 2015-08-12 | 安徽建筑大学 | 一种空调控制方法及*** |
| CN107062540A (zh) * | 2017-04-01 | 2017-08-18 | 深圳达实智能股份有限公司 | 一种医院门诊部热舒适性投票控制方法、装置、*** |
| CN107192572A (zh) * | 2017-07-11 | 2017-09-22 | 海信科龙电器股份有限公司 | 空调器热舒适度性能测试***及其测试方法 |
| CN112254287A (zh) * | 2020-09-01 | 2021-01-22 | 深圳达实智能股份有限公司 | 变权重多模型综合预测中央空调末端送风控制方法 |
| DE202020105811U1 (de) * | 2020-10-10 | 2020-10-27 | Quirin Hamp | Vorrichtung zur Datenaufbereitung für ein nutzerdatenbasiertes Steuern/Regeln des bedarfsangepassten Betreibens wenigstens eines HLK-/PCS-Systems für eine zeit-/ortsaufgelöste Funktionsweise sowie Computerprogrammprodukt und Verwendung |
| CN112963946A (zh) * | 2021-02-26 | 2021-06-15 | 南京邮电大学 | 一种面向共享办公区域的暖通空调***控制方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Merabet et al. | Intelligent building control systems for thermal comfort and energy-efficiency: A systematic review of artificial intelligence-assisted techniques | |
| CN107120782B (zh) | 一种基于多用户热舒适度数据的暖通***控制方法 | |
| US11675322B2 (en) | Predictive building control system with discomfort threshold adjustment | |
| Ascione et al. | Simulation-based model predictive control by the multi-objective optimization of building energy performance and thermal comfort | |
| US20190360711A1 (en) | Method and device for controlling power supply to heating, ventilating, and air-conditioning (hvac) system for building based on target temperature | |
| Aguilera et al. | Thermal adaptation in occupant-driven HVAC control | |
| Turhan et al. | Development of a personalized thermal comfort driven controller for HVAC systems | |
| Ghahramani et al. | Energy trade off analysis of optimized daily temperature setpoints | |
| Pazhoohesh et al. | A satisfaction-range approach for achieving thermal comfort level in a shared office | |
| CN112963946B (zh) | 一种面向共享办公区域的暖通空调***控制方法及装置 | |
| CN111461466B (zh) | 基于lstm时间序列的供暖户阀调节方法、***及设备 | |
| WO2020075824A1 (ja) | 空気調和機、データ送信方法及び空気調和システム | |
| Baghaee et al. | User comfort and energy efficiency in HVAC systems by Q-learning | |
| CN111580382A (zh) | 基于人工智能的单元级供热调节方法及*** | |
| CN112540535B (zh) | 一种基于深度强化学习的办公建筑热舒适控制***及方法 | |
| CN115031394A (zh) | 一种基于个人热愉悦性聚类的区域空调调节方法 | |
| Abdellatif et al. | A thermal control methodology based on a machine learning forecasting model for indoor heating | |
| Ali et al. | Building power control and comfort management using genetic programming and fuzzy logic | |
| Lee et al. | Performance improvement and comparative evaluation of the chiller energy consumption forecasting model using Python | |
| CN111291465A (zh) | 基于遗传算法与神经网络的船舶空调热舒适温度预测方法 | |
| Weng et al. | RNN-based forecasting of indoor temperature in a naturally ventilated residential building | |
| Krinidis et al. | Multi-criteria HVAC control optimization | |
| EP4051968B1 (en) | System and method for thermal control based on invertible causation relationship | |
| Chen et al. | A data-driven approach to optimize building energy performance and thermal comfort using machine learning models | |
| Wang et al. | A model-based control of CO2 concentration in multi-zone ACB air-conditioning systems |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220909 |
|
| RJ01 | Rejection of invention patent application after publication |