一種暖通空調智能送風控制方法及系統
1.本發明涉及空調設備技術領域，特別涉及一種暖通空調智能送風控制方法 及系統。
背景技術：
2.隨著經濟社會和技術的發展，暖通空調技術應用較為廣泛，改善 了室內熱舒適，但不同人體狀態的熱舒適需求也存在差異。相對于燃 煤鍋爐供熱供冷，電力能源碳排放更低。
[0003][0004]
申請人在研究過程中發現，現有技術方法至少存在以下缺點：(1)現有空 調送風系統調節主要靠用戶手動控制或停留在概念階段，而無法根據人體舒適 度、建筑物實際的熱負荷、分時電價等方面來進行修正或指導其運行狀態，因 此容易出現機組供冷熱量與實際需求不匹配、運行電費過高的情況，導致機組 能效較低的同時，產生較大的運行費用；(2)現有空調送風系統送風控制方法， 缺乏科學定量參數控制方法，不能根據實時監測參數進行優化。一方面通常采 用pmv等基于平均人的傳統熱舒適指標，無法有效評價用戶個性化熱舒適 需求；同時，傳統的暖通空調系統容易造成系統運行的不匹配和局部過冷過熱 的現象，缺乏定量指標來協調用戶個性化熱舒適需求與能源過度消耗之間的矛 盾，對建筑節能與人體舒適健康總目標達成有不利影響。
[0005]
因此，本領域技術人員迫切需要基于個性化熱舒適和經濟指標的暖通空調 控制系統及控制方法。
技術實現要素：
[0006]
有鑒于此，本發明旨在提出一種暖通空調智能送風控制方法及系統，針對 人體熱舒適的個性化需求，提供定量解決方法，在不明顯影響用戶滿意度的前 提下，減少暖通空調系統用能成本，并實現“削峰填谷”的作用，以解決現有 技術中暖通空調使用時舒適性或者能耗無法定量調控的問題。
[0007]
為達到上述目的，本發明的技術方案是這樣實現的：
[0008]
一種暖通空調智能送風控制方法，包括如下步驟：
[0009]
s1：監測端數據采集模塊獲取監測數據，確定熱舒適預測模型和能耗預測 模型；
[0010]
s2：監測端數據采集模塊將預測模型輸出至用戶端存儲顯示模塊；
[0011]
s3：根據監測端數據采集模塊采集的實時數據，計算機運算控制模塊運算 系統輸出實時冷熱不舒適性概率p和實時能耗負荷比c；
[0012]
s4：根據熱舒適預測模型和能耗預測模型中冷熱不舒適性概率p和能耗負 荷比c隨溫度設定值ts的變化關系，計算出不同溫度設定值變化時的滿意度負 荷比，得到滿足可接受滿意度負荷率指標下的設定溫度值范圍t
s，q
；
[0013]
s5：調節暖通空調系統的溫度設定值，并執行對應的實時調控策略。
[0014]
進一步的，在步驟s1中，所述監測端數據采集模塊包括熱環境監測系統、 人體監測系統和運行成本采集系統，所述熱環境監測系統用于監測熱環境參數， 所述人體監測系統用于識別或者預估用戶的人體監測參數，所述運行成本采集 系統用于采集不同工況下暖通空調系統的能耗和相應的分時電價信息，所述熱 舒適預測模型的運算采用集成學習算法基于輸入數據對用戶熱舒適進行預測， 所述熱舒適預測模型的輸出因變量冷熱舒適指標包括舒適、冷不舒適、熱不舒 適；所述能耗預測模型根據不同工況下能耗檢測數據以及相應的分時電價信息 進行模型訓練，所述能耗預測模型的輸出因變量為暖通空調能耗q。
[0015]
進一步的，所述熱舒適預測模型訓練學習時輸入的參數包括空氣溫度變化 δt、用戶年齡a和性別g，人體活動狀態m，以及頭部皮膚溫度和手部皮膚溫 度st。
[0016]
進一步的，在步驟s1中，若所述熱舒適預測模型在首次運行時，根據暖通 空調系統不同溫度設定值ts范圍，通過問卷形式讓用戶輸入相應場景的熱舒適 感受值，同時記錄對應時刻的各監測參數，通過學習運算得到可適用的熱舒適 預測模型。
[0017]
進一步的，步驟s3包括：
[0018]
s31：根據監測端數據采集模塊采集的實時數據，在同一場景運行集成學習 算法n次，得到舒適，冷不舒適，熱不舒適的結果次數分別為(n-i-j)、j和i次；
[0019]
s32：制熱工況時，冷不舒適概率為：
[0020][0021]
則制冷工況時，熱不舒適概率為：
[0022][0023]
s33：根據暖通空調能耗q和實時電網負荷l，得到暖通空調系統的能耗 負荷比c：
[0024]
c＝q/(l
max-l)，其中，l
max
為電網設計的最大負荷。
[0025]
進一步的，若所述暖通空調系統的用戶數量大于1時，將各用戶運行結果 的概率相加得到冷熱不舒適性概率p。
[0026]
進一步的，步驟s4包括：
[0027]
s41：基于監測端數據采集模塊獲取的實實時監測參數，獲取空氣溫度變化 δt、用戶年齡a、人體活動狀態m、皮膚溫度st、室外綜合溫度tz信息；
[0028]
s42：假定不同的溫度設定值ts輸入已訓練好的熱舒適預測模型和能耗預 測模型，獲取預測的冷熱不舒適性概率p和能耗負荷比c隨溫度設定值ts的 變化關系；
[0029]
s43：計算出不同溫度設定值變化下的冷熱不舒適性差值δp和能耗負荷比 差值δc，滿意度負荷率指標為-δc/δp；
[0030]
s44:確定0≤-δc/δp≤r時暖通空調系統的設定溫度值范圍t
s，q
，其中，r 為預設的可接受的滿意度負荷比取值閾值。
[0031]
進一步的，在步驟s44中，若電網負荷l很小時，取
△
p≈0時暖通空調系 統的設定溫度值范圍作為可接受滿意度負荷率指標下的設定溫度值范圍t
s，q
； 若電網負荷l接近電網設計的最大負荷l
max
時，暖通空調系統關閉。
[0032]
進一步的，基于步驟s5中確定的設定溫度值范圍t
s，q
，判斷是否用戶主 動調節覆
蓋控制算法，若用戶手動調節暖通空調系統的溫度設定值，覆蓋原控 制算法的指令，則記錄此時的熱環境參數和人體監測參數，并依據這些參數和 溫度設定值修正原控制算法的熱舒適預測模型。
[0033]
相對于現有技術，本發明所述的暖通空調智能送風控制方法具有以下優勢：
[0034]
(1)本發明所述的暖通空調智能送風控制方法，基于個性化熱舒適和經濟 指標進行差異化暖通空調送風，從而給不同情景提供相應的送風模式，充分調 節室內熱環境，節約能源的同時提高個體熱舒適水平，暖通空調的節能與熱舒 適的運行管控均由系統自動完成，無需人工操作，提高暖通空調的節能性和智 能性，具有充分的理論依據和較大的實際意義。
[0035]
(2)本發明所述的暖通空調智能送風控制方法，根據監測端數據采集模塊 獲取的監測數據結合確定的熱舒適預測模型和能耗預測模型，計算機運算控制 模塊運算系統輸出實時冷熱不舒適性概率p和實時能耗負荷比c，根據滿意度 負荷率指標確定對應的設定溫度值范圍t
s，q
，實現暖通空調系統的滿足個性化 需求的節能化、舒適性定量管控。
[0036]
本發明的另一目的在于提出一種暖通空調智能送風控制系統，用于執行如 上述所述的暖通空調智能送風控制方法，包括：
[0037]
監測端數據采集模塊，包括熱環境監測系統、人體監測系統和運行成本采 集系統，所述熱環境監測系統用于監測熱環境參數，所述人體監測系統用于識 別或者預估用戶的個體信息以及活動狀態信息，所述運行成本采集系統用于采 集不同工況下暖通空調系統的能耗和相應的分時電價信息；
[0038]
用戶端存儲顯示模塊，能夠顯示所述監測端數據采集模塊監測的數據，對 已訓練的模型及歷史數據進行記錄存儲，并反饋給計算機運算控制模塊；
[0039]
計算機運算控制模塊，能夠接收監測端數據采集模塊的監測實時數據進行 運算，通過運用已訓練好的熱舒適預測模型和能耗預測模型，得到預測的冷熱 不舒適性概率p和能耗負荷比c隨假定溫度設定值ts的變化關系，從而計算 出不同溫度設定值變化時的滿意度負荷比，確定可接受滿意度負荷率指標下的 達到設定溫度值范圍t
s，q
的控制策略；
[0040]
暖通空調系統，根據計算機運算控制模塊得出的控制策略進行送風控制。
[0041]
所述暖通空調智能送風控制系統與上述暖通空調智能送風控制方法相對于 現有技術所具有的優勢相同，在此不再贅述。
附圖說明
[0042]
構成本發明的一部分的附圖用來提供對本發明的進一步理解，本發明的示 意性實施例及其說明用于解釋本發明，并不構成對本發明的不當限定。在附圖 中：
[0043]
圖1為本發明實施例所述暖通空調智能送風控制系統的結構示意圖；
[0044]
圖2為本發明實施例所述暖通空調智能送風控制方法的流程示意圖；
[0045]
圖3為本發明實施例所述暖通空調智能送風控制方法確定溫度設定值的邏 輯框圖；
[0046]
圖4為本發明實施例所述冷熱不舒適性概率p和能耗負荷比c與溫度設定 值ts關系的曲線示意圖；
[0047]
圖5為本發明實施例所述暖通空調智能送風控制系統的溫度調整示例圖；
[0048]
圖6為本發明實施例所述集成學習算法的示意圖；
[0049]
圖7為本發明實施例所述模型預測性能對比分析示意圖；
[0050]
附圖標記說明：
[0051]
監測端數據采集模塊1，用戶端存儲顯示模塊2，計算機運算控制模塊3， 暖通空調系統4。
具體實施方式
[0052]
為了使本發明的技術手段及達到目的與功效易于理解，下面結合具體圖示 對本發明的實施例進行詳細說明。
[0053]
需要說明，本發明中所有進行方向性和位置性指示的術語，諸如：“上”、“下”、
?“
左”、“右”、“前”、“后”、“豎直”、“水平”、“內”、“外”、“頂”、“低”、“橫向”、
?“
縱向”、“中心”等，僅用于解釋在某一特定狀態(如附圖所示)下各部件之間的相 對位置關系、連接情況等，僅為了便于描述本發明，而不是要求本發明必須以 特定的方位構造和操作，因此不能理解為對本發明的限制。另外，在本發明中 涉及“第一”、“第二”等的描述僅用于描述目的，而不能理解為指示或暗示 其相對重要性或者隱含指明所指示的技術特征的數量。
[0054]
在本發明的描述中，除非另有明確的規定和限定，術語“安裝”、“相連”、
?“
連接”應做廣義理解，例如，可以是固定連接，也可以是可拆卸連接，或一 體地連接；可以是機械連接；可以是直接相連，也可以通過中間媒介間接相連， 可以是兩個元件內部的連通。對于本領域的普通技術人員而言，可以具體情況 理解上述術語在本發明中的具體含義。
[0055]
在本說明書的描述中，參考術語“一個實施例”、“一些實施例”、“示 意性實施例”、“示例”、“具體示例”、或“一些示例”等的描述意指結合 該實施例或示例描述的具體特征、結構、材料或者特點包含于本發明的至少一 個實施例或示例中。在本說明書中，對上述術語的示意性表述不一定指的是相 同的實施例或示例。而且，描述的具體特征、結構、材料或者特點可以在任何 的一個或多個實施例或示例中以合適的方式結合。
[0056]
實施例1
[0057]
如圖1～4所示，本發明公開了一種暖通空調智能送風控制方法，包括如下 步驟：
[0058]
s1：監測端數據采集模塊獲取監測數據，確定熱舒適預測模型和能耗預測 模型；
[0059]
s2：監測端數據采集模塊將預測模型輸出至用戶端存儲顯示模塊；
[0060]
s3：根據監測端數據采集模塊采集的實時數據，計算機運算控制模塊運算 系統輸出實時冷熱不舒適性概率p和實時能耗負荷比c；
[0061]
s4：根據熱舒適預測模型和能耗預測模型中冷熱不舒適性概率p和能耗負 荷比c隨溫度設定值ts的變化關系，計算出不同溫度設定值變化時的滿意度負 荷比，得到滿足可接受滿意度負荷率指標下的設定溫度值范圍t
s，q
；
[0062]
s5：調節暖通空調系統的溫度設定值，并執行對應的實時調控策略。
[0063]
本發明公開的暖通空調智能送風控制方法，首先根據監測端數據采集模塊 獲取的監測數據，進行熱舒適預測模型和能耗預測模型的算法模型訓練，所述 監測端數據采集模塊基于監測數據通過集成學習算法訓練熱舒適預測模型和能 耗預測模型信息傳輸并存儲至用戶端存儲顯示模塊，在暖通空調系統使用時， 所述計算機運算控制模塊根據所述監測端數據采集模塊實時監測獲取的熱環境 參數以及用戶的個體信息以及活動狀態信息，
結合熱舒適預測模型，運算輸出 實時的冷熱不舒適性概率p，所述計算機運算控制模塊根據所述監測端數據采 集模塊實時監測獲取的電網負荷l，結合能耗預測模型，運算輸出實時的能耗 負荷比c，然后通過假定不同的暖通空調系統的溫度設定值ts進行輸入，運用 已經訓練好的熱舒適預測模型和能耗預測模型，得到冷熱不舒適性概率p和能 耗負荷比c隨溫度設定值ts的變化關系，從而計算出不同溫度設定值變化時的 滿意度負荷，進而確定滿足可接受滿意度負荷率指標下的設定溫度值范圍t
s，q
， 暖通空調系統根據該設定溫度值范圍t
s，q
確定并執行對應的實時調控策略，使 其根據不同情景提供相應的送風模式。
[0064]
本發明所述的暖通空調智能送風控制方法，基于個性化熱舒適和經濟指標 進行差異化暖通空調送風，從而給不同情景提供相應的送風模式，從而充分調 節室內熱環境，節約能源的同時提高個體熱舒適水平，暖通空調的節能與熱舒 適的運行管控均由系統自動完成，無需人工操作，提高暖通空調的節能性和智 能性，具有充分的理論依據和較大的實際意義。
[0065]
作為本發明的一個較佳示例，在步驟s1中，所述監測端數據采集模塊包括 熱環境監測系統、人體監測系統和運行成本采集系統，所述熱環境監測系統用 于監測熱環境參數，所述人體監測系統用于識別或者預估用戶的人體監測參數， 所述人體監測參數信息包括個體信息以及活動狀態信息，例如性別g、年齡a、 人體活動狀態m，以及頭部皮膚溫度和手部皮膚溫度st等信息，所述運行成 本采集系統用于采集不同工況下暖通空調系統的能耗和相應的分時電價信息， 作為本發明的示例，所述運行成本采集系統主要包括能耗監測儀和分時電價記 錄單元，所述熱舒適預測模型的運算宜采用集成學習(ensemble learning)算法基 于輸入數據對用戶熱舒適進行預測，其中集成學習算法中優先采用subspace子 空間優化的k最鄰近(knn，k-nearest neighbor)和集成bagging優化的決 策樹(decision tree)算法，所述熱舒適預測模型的輸出因變量冷熱舒適指標包 括舒適(0)，冷不舒適(-1)，熱不舒適(+1)；所述能耗預測模型根據不同 工況下能耗檢測數據以及相應的分時電價信息進行模型訓練，所述暖通空調系 統的能耗檢測數據由能耗監測儀進行記錄，所述能耗預測模型的輸入參數為暖 通空調系統的溫度設定值ts和室外綜合溫度tz，所述能耗預測模型的輸出因 變量為暖通空調能耗q。
[0066]
該設置公開了一種監測端數據采集模塊確定熱舒適預測模型和能耗預測模 型的方式，通過算法學習對用戶熱舒適性和對應能耗、電價進行預測，輸出對 應的冷熱舒適指標和暖通空調能耗q，便于用戶在使用時根據實際監測數據結 合與用戶相關的熱舒適預測模型和能耗預測模型庫快速計算出滿足可接受滿意 度負荷率指標下的設定溫度值范圍t
s，q
，便于暖通空調系統送風控制策略的可 靠調整。
[0067]
作為本發明的一個較佳示例，所述熱舒適預測模型訓練學習時輸入的參數 包括空氣溫度變化
△
t、用戶年齡a和性別g，人體活動狀態m，以及頭部皮膚 溫度和手部皮膚溫度st。具體的，在本發明的示例中，所述熱環境監測系統包 括溫度傳感器，能夠監測獲取空氣溫度變化
△
t，所述人體監測系統包括rgb 攝像頭和紅外攝像頭，所述rgb攝像頭能夠監測并應用相關軟件識別判斷出用 戶年齡a和性別g參數，所述紅外攝像頭能夠監測人體活動狀態m，以及頭部 皮膚溫度和手部皮膚溫度st。
[0068]
本技術公開的暖通空調智能送風控制方法，在進行熱舒適預測模型訓練學 習時，既考慮基于不同設定溫度時帶來空氣溫度變化
△
t對用戶帶來的體感舒適 度影響，還結合
了用戶自身的年齡a和性別g以及人體活動狀態m的參數信 息，使得熱舒適預測模型輸出的冷熱舒適指標更貼合于用戶自身實際需求，進 一步提高用戶使用時冷熱舒適預測的可靠性和精準性。
[0069]
進一步的，在步驟s1中，若所述熱舒適預測模型的采用集成學習算法運算 時缺乏提前存儲的數據庫，則在首次運行時，根據不同溫度設定值ts范圍，通 過問卷形式讓用戶輸入相應場景的熱舒適感受值，同時記錄對應時刻的各監測 參數，通過學習運算得到可適用的熱舒適預測模型。
[0070]
該設置使得熱舒適預測模型，根據不同個體的個性化差異熱舒適需求訓練 學習，既避免了數據庫預存過多冗余復雜數據導致的成本增加，同時又提高了 用戶自身使用的舒適度。
[0071]
作為本發明的一個較佳示例，步驟s3包括：
[0072]
s31：根據監測端數據采集模塊采集的實時數據，在同一場景運行集成學習 算法n次，得到舒適(0)，冷不舒適(-1)，熱不舒適(+1)的結果次數分別 為(n-i-j)、j和i次；
[0073]
s32：制熱工況時，冷不舒適概率為：
[0074][0075]
則制冷工況時，熱不舒適概率為：
[0076][0077]
s33：根據暖通空調系統的能耗q和實時電網負荷l，得到暖通空調系統 的能耗負荷比c：
[0078]
c＝q/(l
max-l)，其中，l
max
為電網設計的最大負荷。
[0079]
作為優選，若所述暖通空調系統的用戶數量大于1時，將各用戶運行結果 的概率相加得到冷熱不舒適性概率p。
[0080]
該設置進一步限定了利用監測端數據采集模塊獲取采集的實時數據，結合 確定的熱舒適預測模型和能耗預測模型，通過運行n次獲取的實時冷熱不舒適 性概率p結合實時能耗負荷比c，保證暖通空調系統調調節溫度設定值的精準 性，進一步提高用戶個性化使用的舒適度和節能效果。
[0081]
作為本發明的一個較佳示例，步驟s4包括：
[0082]
s41：基于監測端數據采集模塊獲取的實實時監測參數，獲取空氣溫度變化 δt、用戶年齡a、人體活動狀態m、皮膚溫度st、室外綜合溫度tz信息；
[0083]
s42：假定不同的溫度設定值ts輸入已訓練好的熱舒適預測模型和能耗預 測模型，獲取預測的冷熱不舒適性概率p和能耗負荷比c隨溫度設定值ts的 變化關系；
[0084]
s43：計算出不同溫度設定值變化下的冷熱不舒適性差值δp和能耗負荷比 差值δc，滿意度負荷率指標為-δc/δp；
[0085]
s44:確定0≤-δc/δp≤r時暖通空調系統的設定溫度值范圍t
s，q
，其中，r 為預設的可接受的滿意度負荷比取值閾值。
[0086]
在本發明的示例中，如圖4所示的冷熱不舒適性概率p和暖通空調系統的 能耗負荷比c與溫度設定值ts關系的示例，其中，冷不舒適概率pj隨著暖通 空調溫度設定值ts升高
而指數降低，而熱不舒適概率pi隨著暖通空調溫度設定 值ts升高而指數升高，不同溫度設定值之間的pj或者pi的變化值就為
△
p，暖 通空調系統的能耗負荷比c隨溫度設定值ts的變化與冷熱不舒適性概率p成 相反關系，制熱能耗負荷比cj隨著暖通空調溫度設定值ts升高而逐漸升高， 而制冷能耗負荷比ci隨著暖通空調溫度設定值ts升高而逐漸下降，不同溫度 設定值之間的cj或者ci的變化值就為δc，在同一個不同的溫度設定值變化區 間，所述冷熱不舒適性差值δp與能耗負荷比差值δc的變化趨勢相反，因此通 過將-δc/δp作為滿意度負荷率指標，即每提高1％的滿意度所增加的暖通空調 系統的能耗負荷比，根據經驗預設的可接受的滿意度負荷比取值閾值，當0≤
??
δc/δp≤r時對應的暖通空調系統的設定溫度值范圍t
s，q
，即可確定為滿足可 接受滿意度負荷率指標的設定溫度值范圍t
s，q
，計算機運算控制模塊進而將該 設定溫度值范圍t
s，q
輸出至暖通空調系統，實現該暖通空調系統的送風控制策 略調整。作為本發明的較佳示例，在步驟s42中假定不同的溫度設定值ts的取 值范圍為16℃～30℃。
[0087]
作為本發明的一個較佳示例，在步驟s44中，若電網負荷l很小時，取
△
p ≈0時暖通空調系統的溫度設定值作為可接受滿意度負荷率指標下的設定溫度 值范圍t
s，q
；若電網負荷l接近電網設計的最大負荷l
max
時，暖通空調系統關 閉。
[0088]
根據本發明所述的暖通空調智能送風控制方法，當電網負荷l很小時，暖 通空調系統的能耗負荷比c則趨近于無限小，滿意度負荷率指標-δc/δp可能一 直小于默認設定值r，則暖通空調系統的設定溫度值范圍t
s，q
的取值范圍較大， 此時取
△
p≈0時暖通空調系統的設定溫度值范圍作為可接受滿意度負荷率指標 下的設定溫度值范圍t
s，q
，以滿足最佳冷熱舒適需求；當電網負荷l接近電網 設計的最大負荷l
max
時，暖通空調系統的能耗負荷比c則趨近于無限大，滿意 度負荷率指標-δc/δp可能永遠無法小于默認設定值r，則此時暖通空調系統沒 有可取的設定溫度值范圍t
s，q
，通過將暖通空調系統關閉，以保護電網負荷； 根據監測端數據采集模塊獲取的實時數據，當電網負荷l在上述范圍之間時， 暖通空調系統的設定溫度值范圍t
s，q
的取值隨著電網負荷l的變化而變化。
[0089]
該設置進一步提高了本發明所述的暖通空調智能送風控制方法基于不同場 景進行個性化差異送風控制的可靠性。
[0090]
在本發明示例中，通過設置彈性因子(flexibility factor，ff)用來評 價各供暖模式的能源靈活性，能源靈活性表示能源供應網絡的調節轉移能力， 在用能高峰可以減少需求側管理的能源開銷。當ff＝-1時供熱能源只在用能高 峰時使用，而ff＝1時供熱能源只在用能低谷時使用，ff的一般取值范圍在-1 到1之間。
[0091]
不同管理模式與基準參考模式的ff取值差異，能夠反映能源消耗能夠從高 峰轉移到低谷的程度。ff的計算方法如下：
[0092][0093]
其中，t是時間，dt時間微分，helower是用能低谷時的暖通空 調能耗，hehigh是用能高峰時的暖通空調能耗。
[0094]
本發明所述的暖通空調智能送風控制方法，建筑暖通空調系統的能源靈活 性的彈性因子ff提高了50％以上。具體的，首先，根據某日監測端采集獲得的 實時電網負荷l變
化曲線，和暖通空調能耗q預測值，計算能耗負荷比c，并基于熱舒適預測模型得到冷熱不舒適性概率p；接著，計算出不同溫度設定值變化下的冷熱不舒適性差值
△
p和能耗負荷比差值
△
c，滿意度負荷率指標為-δc/δp，并取-δc/δp＝r時暖通空調系統的設定溫度值范圍t
s，q
；最后，就形成如圖5所示的能耗負荷比c、冷熱不舒適性概率p和室內空氣溫度變化曲線圖。
[0095]
作為本發明的一個較佳示例，基于步驟s5中確定的設定溫度值范圍t
s，q
，判斷是否用戶主動調節覆蓋控制算法，若用戶手動調節暖通空調系統的溫度設定值，覆蓋原控制算法的指令，則記錄此時的熱環境參數和人體監測參數，并依據這些參數和溫度設定值修正原控制算法的熱舒適預測模型。
[0096]
該設置使得暖通空調系統在使用時，可以根據用戶的手動控制調節不斷修正熱舒適預測模型，使得訓練好的熱舒適預測模型進一步適應于用戶的個性化冷熱舒適性預測的可靠性和精準性，提高用戶使用時智能化控制的舒適性。
[0097]
作為本發明的具體示例，本發明所述的暖通空調智能送風控制方法，采用如圖6所示的集成學習算法，對標準決策樹模型采用bagging算法優化，即隨機森林(randomforest)算法，最優的切分點數量為750，個體學習器數量為30；對標準knn模型采用subspace子空間算法優化，最優子空間維數為5，個體學習器數量為30。
[0098]
在室內溫度18～34℃范圍內，對男女各半的不同年齡人(18～72歲)，采集了751項數據集，并使用本發明集成算法模型對比三個常見機器學習模型包括標準決策樹(decisiontree)模型、標準支持向量機(supportvectormachine，svm)和標準最近鄰(k-nearestneighbors，knn)模型，來預測舒適(0)，冷不舒適(-1)，熱不舒適(+1)的結果。模型預測過程使用matlabclassificationlearnerapp進行運算，模型性能的預測結果表現用以下指標來評估：
[0099]
這三個指標定義如下：
[0100]
準確度
[0101]
精確度
[0102]
召回率
[0103]
其中，tp表示真陽性，即陽性樣本預測為陽性樣本的數量，fp為假陽性，即預測為陽性樣本的陰性樣本的數量，tn為真陰性，fn為假陰性。
[0104]
其測試分析結果如圖7所示，樣本1為本發明集成算法多次學習結果分析樣本，樣本2為本發明集成算法初步學習結果，樣本3為采用標準決策樹模型分析結果，樣本4為采用標準最近鄰模型分析結果，樣本5為采用標準支持向量機模型分析結果。本發明所述的暖通空調智能送風控制方法，通過熱舒適預測模型訓練學習，結合了用戶自身的年齡a和性別g以及人體活動狀態m的參數信息，大幅提高了用戶的個性化冷熱舒適性預測的可靠性和精準性，保證用戶使用時智能化控制的舒適性。
[0105]
本發明還公開了一種暖通空調智能送風控制系統，用于執行如上述所述的暖通空調智能送風控制方法，包括：
[0106]
監測端數據采集模塊1，包括熱環境監測系統、人體監測系統和運行成本 采集系統，所述熱環境監測系統用于監測熱環境參數，所述人體監測系統用于 識別或者預估用戶的個體信息以及活動狀態信息，所述運行成本采集系統用于 采集不同工況下暖通空調系統的能耗和相應的分時電價信息；
[0107]
用戶端存儲顯示模塊2，能夠顯示所述監測端數據采集模塊1監測的數據， 對已訓練的模型及歷史數據進行記錄存儲，并反饋給計算機運算控制模塊3；
[0108]
計算機運算控制模塊3，能夠接收監測端數據采集模塊1的監測實時數據 進行運算，通過運用已訓練好的熱舒適預測模型和能耗預測模型，得到預測的 冷熱不舒適性概率p和能耗負荷比c隨假定溫度設定值ts的變化關系，從而 計算出不同溫度設定值變化時的滿意度負荷比，確定可接受滿意度負荷率指標 下的達到設定溫度值范圍t
s，q
的控制策略；
[0109]
暖通空調系統4，根據計算機運算控制模塊3得出的控制策略進行送風控 制。
[0110]
作為本發明的較佳示例，所述用戶端存儲顯示模塊2還包括為用戶提供可 手動調節溫度設定值的控制面板。該設置便于用戶輸入相關設置信息或選擇預 設存儲信息，提高暖通空調智能送風控制系統執行智能送風控制的可靠性，通 過用戶端存儲顯示模塊2實時存儲和顯示監測端數據采集模塊1監測的數據以 及計算機運算控制模塊3運算的輸出結果，用于歷史查詢和數據記錄，并提示 用戶建議采取的行為措施。
[0111]
本技術還提供一種空調器，所述空調器包括至少一個室內機和室外機，所 述室外機包括壓縮機、外電機和室外換熱器等，所述室內機包括處理器以及存 儲器，所述存儲器用于存儲計算機程序，所述計算機程序包括暖通空調智能送 風控制方法的程序指令，所述處理器用于執行所述計算機存儲介質存儲的程序 指令。處理器可能是中央處理單元(central processingunit，cpu)，還可以是其 他通用處理器、數字信號處理器(digital signal processor、dsp)、專用集成電路 (application specific integrated circuit，asic)、現成可編程門陣列 (field-programmable gatearray，fpga)或者其他可編程邏輯器件、分立門或者 晶體管邏輯器件、分立硬件組件等，所述處理器具體適于加載并執行一條或一 條以上指令從而實現相應方法流程或相應功能，所述計算機程序被所述處理器 讀取并運行時，實現上述的暖通空調智能送風控制方法。
[0112]
本技術還提供一種計算機可讀存儲介質，所述計算機可讀存儲介質存儲有 計算機程序，所述計算機程序被處理器讀取并運行時，實現上述的暖通空調智 能送風控制方法。可以理解的是，此處的計算機可讀存儲介質既可以為暖通空 調智能送風控制系統中的內置存儲介質，也可以是終端設備所支持的擴展存儲 介質。計算機可讀存儲介質提供存儲空間，該存儲空間存儲了終端的操作系統。 并且，在該存儲空間中還存放了適于被處理器加載并執行的暖通空調智能送風 控制方法程序。需要說明的是，此處的計算機可讀存儲介質可以是高速ram 存儲器，也可以是非不穩定的存儲器(non-volatilememory)，例如至少一個磁盤 存儲器。
[0113]
以上所述僅為本發明的較佳實施例而已，并不用以限制本發明，凡在本發 明的精神和原則之內，所作的任何修改、等同替換、改進等，均應包含在本發 明的保護范圍之內。
技術特征：
1.一種暖通空調智能送風控制方法，其特征在于，包括如下步驟：s1：監測端數據采集模塊獲取監測數據，確定熱舒適預測模型和能耗預測模型；s2：監測端數據采集模塊將預測模型輸出至用戶端存儲顯示模塊；s3：根據監測端數據采集模塊采集的實時數據，計算機運算控制模塊運算系統輸出實時冷熱不舒適性概率p和實時能耗負荷比c；s4：根據熱舒適預測模型和能耗預測模型中冷熱不舒適性概率p和能耗負荷比c隨溫度設定值t
s
的變化關系，計算出不同溫度設定值變化時的滿意度負荷比，得到滿足可接受滿意度負荷率指標下的設定溫度值范圍t
s，q
；s5：調節暖通空調系統的溫度設定值，并執行對應的實時調控策略。2.根據權利要求1所述的暖通空調智能送風控制方法，其特征在于，在步驟s1中，所述監測端數據采集模塊包括熱環境監測系統、人體監測系統和運行成本采集系統，所述熱環境監測系統用于監測熱環境參數，所述人體監測系統用于識別或者預估用戶的人體監測參數，所述運行成本采集系統用于采集不同工況下暖通空調系統的能耗和相應的分時電價信息，所述熱舒適預測模型的運算采用集成學習算法基于輸入數據對用戶熱舒適進行預測，所述熱舒適預測模型的輸出因變量冷熱舒適指標包括舒適、冷不舒適、熱不舒適；所述能耗預測模型根據不同工況下能耗檢測數據以及相應的分時電價信息進行模型訓練，所述能耗預測模型的輸出因變量為暖通空調能耗q。3.根據權利要求2所述的暖通空調智能送風控制方法，其特征在于，所述熱舒適預測模型訓練學習時輸入的參數包括空氣溫度變化
△
t、用戶年齡a和性別g，人體活動狀態m，以及頭部皮膚溫度和手部皮膚溫度st。4.根據權利要求2所述的暖通空調智能送風控制方法，其特征在于，在步驟s1中，若所述熱舒適預測模型在首次運行時，根據暖通空調系統不同溫度設定值t
s
范圍，通過問卷形式讓用戶輸入相應場景的熱舒適感受值，同時記錄對應時刻的各監測參數，通過學習運算得到可適用的熱舒適預測模型。5.根據權利要求1～4任意一項所述的暖通空調智能送風控制方法，其特征在于，步驟s3包括：s31：根據監測端數據采集模塊采集的實時數據，在同一場景運行集成學習算法n次，得到舒適，冷不舒適，熱不舒適的結果次數分別為(n-i-j)、j和i次；s32：制熱工況時，冷不舒適概率為：則制冷工況時，熱不舒適概率為：s33：根據暖通空調能耗q和實時電網負荷l，得到暖通空調系統的能耗負荷比c：c＝q/(l
max-l)，其中，l
max
為電網設計的最大負荷。6.根據權利要求5所述的暖通空調智能送風控制方法，其特征在于，若所述暖通空調系統的用戶數量大于1時，將各用戶運行結果的概率相加得到冷熱不舒適性概率p。7.根據權利要求5所述的暖通空調智能送風控制方法，其特征在于，步驟s4包括：
s41：基于監測端數據采集模塊獲取的實實時監測參數，獲取空氣溫度變化δt、用戶年齡a、人體活動狀態m、皮膚溫度st、室外綜合溫度tz信息；s42：假定不同的溫度設定值t
s
輸入已訓練好的熱舒適預測模型和能耗預測模型，獲取預測的冷熱不舒適性概率p和能耗負荷比c隨溫度設定值t
s
的變化關系；s43：計算出不同溫度設定值變化下的冷熱不舒適性差值δp和能耗負荷比差值δc，滿意度負荷率指標為-δc/δp；s44:確定0≤-δc/δp≤r時暖通空調系統的設定溫度值范圍t
s，q
，其中，r為預設的可接受的滿意度負荷比取值閾值。8.根據權利要求7所述的暖通空調智能送風控制方法，其特征在于，在步驟s44中，若電網負荷l很小時，取
△
p≈0時暖通空調系統的設定溫度值范圍作為可接受滿意度負荷率指標下的設定溫度值范圍t
s，q
；若電網負荷l接近電網設計的最大負荷l
max
時，暖通空調系統關閉。9.根據權利要求8所述的暖通空調智能送風控制方法，其特征在于，基于步驟s5中確定的設定溫度值范圍t
s，q
，判斷是否用戶主動調節覆蓋控制算法，若用戶手動調節暖通空調系統的溫度設定值，覆蓋原控制算法的指令，則記錄此時的熱環境參數和人體監測參數，并依據這些參數和溫度設定值修正原控制算法的熱舒適預測模型。10.一種暖通空調智能送風控制系統，其特征在于，用于執行如權利要求1～9任意一項所述的暖通空調智能送風控制方法，包括：監測端數據采集模塊(1)，包括熱環境監測系統、人體監測系統和運行成本采集系統，所述熱環境監測系統用于監測熱環境參數，所述人體監測系統用于識別或者預估用戶的個體信息以及活動狀態信息，所述運行成本采集系統用于采集不同工況下暖通空調系統的能耗和相應的分時電價信息；用戶端存儲顯示模塊(2)，能夠顯示所述監測端數據采集模塊(1)監測的數據，對已訓練的模型及歷史數據進行記錄存儲，并反饋給計算機運算控制模塊(3)；計算機運算控制模塊(3)，能夠接收監測端數據采集模塊(1)的監測實時數據進行運算，通過運用已訓練好的熱舒適預測模型和能耗預測模型，得到預測的冷熱不舒適性概率p和能耗負荷比c隨假定溫度設定值ts的變化關系，從而計算出不同溫度設定值變化時的滿意度負荷比，確定可接受滿意度負荷率指標下的達到設定溫度值范圍t
s，q
的控制策略；暖通空調系統(4)，根據計算機運算控制模塊(3)得出的控制策略進行送風控制。
技術總結
本發明提供了一種暖通空調智能送風控制方法及系統，所述暖通空調智能送風控制方法，包括：S1：監測端數據采集模塊獲取監測數據，確定熱舒適預測模型和能耗預測模型；S2：監測端數據采集模塊將預測模型輸出至用戶端存儲顯示模塊；S3：計算機運算控制模塊運算系統輸出實時冷熱不舒適性概率P和實時能耗負荷比C；S4：計算出不同溫度設定值變化時的滿意度負荷比，得到滿足可接受滿意度負荷率指標下的設定溫度值范圍；S5：調節暖通空調系統的溫度設定值，并執行對應的實時調控策略。本發明所述的暖通空調智能送風控制方法，基于個性化熱舒適和經濟指標進行差異化暖通空調送風，充分調節室內熱環境，節約能源的同時提高個體熱舒適水平。平。平。
