基于数据驱动的方法分析大型建筑环境中交流端子与占用区域之间的时空相关性,以支持区域化控制策略

《BUILDING AND ENVIRONMENT》:Data-Driven Characterization of Spatio-Temporal Correlations Between AC Terminals and Occupied Zones for Zone-Based Control in Large Built Environments

【字体: 大 中 小 】 时间:2026年07月10日 来源:BUILDING AND ENVIRONMENT 8.4

编辑推荐:

  张静|王子轩|马天佑|张汉北|徐侃|李傲|胡毛毛|傅潇中国香港香港理工大学建筑环境与能源工程系 摘要 在大型建筑环境中实现高效的室内环境控制往往面临空气分布不均的挑战,而传统的空调控制策略通常依赖稀疏的传感器数据,并假设空气已充分混合。这一假设在实践中常常不成立,从而导致局部区

  张静|王子轩|马天佑|张汉北|徐侃|李傲|胡毛毛|傅潇中国香港香港理工大学建筑环境与能源工程系

摘要
在大型建筑环境中实现高效的室内环境控制往往面临空气分布不均的挑战,而传统的空调控制策略通常依赖稀疏的传感器数据,并假设空气已充分混合。这一假设在实践中常常不成立,从而导致局部区域内的使用者不适。实际上,不同区域的热环境受周围空调终端复杂的时空相互作用影响,但目前用于描述这些相互作用的计算高效方法仍较为有限。为填补这一空白,本研究提出了一种两步数据驱动方法,用于确定和评估空调终端与各使用区域之间的相关性权重。数据预处理阶段首先筛选出不稳定时段,将空调运行数据以及环境物联网传感器数据聚类为具有代表性的运行状态。随后在每种代表性状态下,运用地理学、统计学和信息论方法进行相关性分析,最终将分析结果标准化为可用于热建模和区域控制的直观且可重复使用的相关性权重。该方法已在香港的一处开放式办公场所得到验证,所获得的相关性权重被应用于两项后续任务:基于相关性信息的区域温度预测以及基于区域的温度控制。在预测任务中,基于传递熵的Top-k加权邻接矩阵取得了最佳性能;在控制任务中,基于相关性信息的区域控制策略使平均个人热舒适度提升了11%。总体而言,该方法为描述时空热动态提供了一种高效且可扩展的手段,也为大型建筑环境的先进建模与控制奠定了重要基础。

引言
由于空气分布不均和热分层现象,如何在大面积室内空间实现高效且舒适的环境控制始终是一个重大挑战[1,2]。现代城市中常见的建筑类型包括开放式办公区、中庭、交通枢纽、购物中心、博物馆、演讲厅以及其他公共或商业空间[3,4]。本研究中的大面积室内空间指的是那些占地面积较大、布局相对开放,且配备多个空调终端以服务于不同区域的使用者空间。这类空间通常具有大跨度结构、高天花板或开放式布局,同时存在不均匀的太阳辐射和内部热负荷,以及不同的占用情况。因此,其室内热环境在水平和垂直方向上往往都不均匀[[5], [6], [7], [8]]。在实际应用中,温度传感器通常安装在较高位置,传统控制策略则假定整个空间或预定区域内空气已充分混合。然而,这种假设往往无法反映使用者所在位置的实际热状况,由此可能导致过冷或过热,进而引发使用者不适、能源浪费以及运行效率下降[6,9,10]。

随着无线传感器技术的不断发展,直接从使用者所在区域收集温度分布数据变得越来越可行[[11], [12], [13]],这为更准确地掌握使用者的热环境状况提供了可能。这一趋势也与以使用者为中心的控制理念的发展相契合,即传感、学习和控制越来越注重使用者的存在状态、偏好以及局部室内环境条件,而不仅仅是系统层面的测量数据[14,15]。因此,一些研究直接在用户区域部署无线传感器,将这些测量数据作为本地暖通空调系统控制的直接反馈,而非依赖安装在高处的温度传感器[16]。虽然这种方法能更真实地反映使用者的热状况,但通常需要对现有的本地控制逻辑进行修改,这在实际应用中存在一定难度。更重要的是,在大面积室内空间中,空调终端与各个使用区域之间的关系往往并非一一对应关系——一个空调终端可能会影响多个使用区域,如不同的办公桌或活动区域;而同一个使用区域也可能受到多个空调终端的影响,这取决于气流模式、负荷分布以及运行条件。因此,利用使用区域的数据进行空调控制,就需要了解空调终端与各使用区域之间的空间和时间上的相互作用[7,17]。这种理解对于根据不同区域的需求来控制空调终端至关重要。

目前,用于研究此类空间分布式热相互作用的一种广泛采用的方法是计算流体动力学(CFD),它能够详细呈现大面积室内空间中的气流和温度分布,为研究空调终端提供的送风如何在不同使用区域之间分配提供了基于物理原理的分析基础[18,19]。例如,孙某和王某[20]开发了一种基于CFD的虚拟测试方法,该方法将带温度传感器的通风房间模型、比例积分微分控制器、执行器以及变风量风阀模型相结合,并通过虚拟传感器来弥补非均匀分层对使用区域温度控制的影响。单某等人[21]则将FLUENT软件与EnergyPlus软件相结合,针对一处大型开放式办公空间,根据终端设备布局、内部热负荷以及占用情况将该空间划分为多个子区域;CFD模型提供了温度场、预测平均投票值场以及区域间的气流信息,以便优化各子区域的设定值。周某等人[7]提出了一种针对大规模开放空间的建模方法,旨在实现对多个空调终端的协同控制,他们根据最小可控空调终端数量对目标空间进行划分,再利用CFD计算不同送风方案下的传热系数。尽管基于CFD的方法为制定有效的控制策略提供了宝贵见解,但其高昂的计算成本和较长的处理时间限制了其在实时应用中的实用性,尤其是在大型空间中。为解决这一问题,近期有一些研究探索了将CFD模拟与数据驱动的机器学习模型相结合的混合方法,以此在保持预测准确性的同时提升计算效率[[22], [23], [24], [25]]。

与基于CFD的模拟方法及混合模拟方法并行,建筑自动化系统(BAS)和物联网(IoT)数据也为分析空调终端与使用区域之间的关系提供了另一种途径。数据驱动的相关性分析无需构建完整的气流和温度场,即可推断不同位置上的变量在空间和时间上的关联程度[26,27]。这在大型室内空间中尤为重要,因为每个使用区域都可能在不同的气流条件和运行状态下受到多个空调终端的影响。相关性分析为描述此类关联提供了系统化的框架,有助于了解其中的空间和时间依赖性。地理学指标能够体现物理距离对变量相互作用的影响; Pearson系数或Spearman系数等统计相关性指标则可用于描述线性或单调依赖关系;而包括互信息[28,29]和传递熵[30,31]在内的信息论指标则可用于量化变量之间的一般统计关联。互信息能够捕捉超出线性相关的非线性依赖关系,而传递熵则能识别有向影响和时间上的相互作用,从而提供因果关系的视角[27,[32], [33], [34], [35]]。应用这些方法有助于识别空间内的热相互作用模式,进而为将空调运行与各使用区域的环境条件联系起来提供定量依据,从而为制定有效的区域控制策略提供支持。

以往的研究曾通过图结构、学习得到的邻接矩阵或基于物理原理的影响系数来表示室内空间的时空关系,以此更好地刻画室内环境动态。例如,皮斯奇泰利等人[36]采用了手动定义的空间邻近度以及结合K最近邻算法和Pearson相关性阈值的相似性判定方法,构建了用于多区域室内温度预测的图结构表示;不过,由此得到的邻接矩阵本质上是二值的,其中相关性用于判断边是否存在,而非表示边的强度大小。其他一些研究则趋向于采用连续或自适应的权重分配方式。王某等人[37]在一种分布式长短期记忆-图卷积网络框架中引入了图学习模块,通过Softmax-ReLU运算,从可训练的源节点和目标节点嵌入值中自适应地学习邻接矩阵。类似地,文某等人[38]也将邻接矩阵视为可学习的参数,并应用L1正则化方法得到稀疏的连接权重,用以识别具有影响力的温度传感器。黄某等人[39]则将基于偏相关性的初始交互分析与基于注意力的时空图学习相结合,利用学习得到的注意力权重来解释二氧化碳浓度与与使用者相关的节点之间的相互作用。与此同时,梁某等人[9,10]利用热源平均可达性这一连续型影响系数,建立了室内热负荷与制冷负荷之间的基于物理原理的定量关系,该系数的数值会因空气分布、热源情况以及目标区域的不同而有所差异。我们之前的研究则在基于图网络的室内环境预测与控制框架中,采用Pearson相关性系数构建加权邻接矩阵[40],其性能优于二值邻接矩阵。不过,那项研究并未进一步探讨如何定义、比较或解读这类权重,以便准确描述空调终端与各使用区域之间的时空相关性。

尽管已有诸多进展,但目前的研究很少将空调终端与使用区域之间的关系视为可直接从建筑数据中计算得出、可在不同相关性表示方法之间进行比较、并在建模和控制任务中得到验证的明确、可解释且可重复使用的相关性权重。因此,当前所缺乏的并非另一种相关性估算方法,而是针对大型非均匀室内环境中的空调终端与使用区域之间相关性权重进行系统性的刻画方法。为填补这一空白,本研究旨在描述空调终端与使用区域之间的时空相关性,从而为基于区域的控制策略提供支持。具体而言,本研究比较了四种相关性分析方法——一种地理学方法、一种统计方法以及两种信息论方法——用以确定空调终端与各使用区域之间的相关性权重。分析过程首先筛选掉不稳定的运行时段,将空调运行数据以及环境物联网传感器数据聚类为具有代表性的运行状态,从而减少瞬态室内波动和离散的空调运行对相关性提取的干扰。之后在每个代表性集群内进行相关性分析,最终将分析结果标准化为可用于热建模和控制策略的相关性权重。这些权重还通过两项后续应用进行了进一步评估:一是利用基于图的表示方法进行基于相关性信息的区域温度预测;二是将个体的热舒适偏好作为控制目标,实现基于区域的温度控制。

本研究的主要创新点和贡献如下:
1. 提出了数据驱动的相关性权重方法,用于在真实大型空间建筑中具有代表性的运行状态下,明确量化空调终端与各使用区域之间的时空关系。
2. 系统地比较了多种不同的相关性表示方法,包括地理学方法、统计方法、基于互信息的方法以及基于传递熵的方法,用以确定空调终端与各使用区域之间的相关性权重。
3. 通过在一个真实建筑案例中的两项后续应用,评估了所识别出的相关性在实际应用中的有效性,展示了这些相关性权重如何用于支持区域温度预测以及考虑个体热偏好后的基于区域的控制策略。

方法部分节选
图1展示了在大型空间建筑中,通过数据驱动方法对空调终端与各使用区域之间的时空相关性进行表征的整体框架。该工作流程始于多源建筑数据,包括来自建筑自动化系统的空调运行数据以及来自物联网传感器的室内环境监测数据。分析过程主要包括两个步骤:首先进行数据预处理,筛选掉不稳定的运行时段……

研究对象:大型空间及空调系统
本研究是在香港一处面积为140平方米的办公场所进行的。该办公空间包含三个功能区域:开放式办公区、会议室以及私人办公室。其中,面积约为90平方米的开放式办公区被选为分析对象,这里有18个固定的工作位,由同一组使用者使用。该区域由10台风机盘管单元提供空调服务,新鲜空气集中供应给位于该区域中心附近的兩台风机盘管单元。

环境和运行复杂性对时空相关性推断的影响
本研究表明,基于传递熵的Top-k加权TE指标在构建用于时空建模的邻接矩阵方面表现最为优异。与基于物理距离或线性统计依赖关系的相关性指标相比,TE指标能够捕捉到方向性和非线性相互作用,而这些特性正是受气流传播、热量积累以及系统响应延迟等因素影响的室内热过程的固有特征。正是这些特点使得TE指标尤为适用……

结论
本研究提出了数据驱动的相关性权重方法,用于明确描述大型非均匀室内空间中空调终端与各使用区域之间的时空关系。通过比较地理学方法、统计方法以及信息论方法,本研究构建了多种不同的相关性表示方法,用以捕捉空调运行与各使用区域环境之间的空间和时间相互作用。所提出的方法已通过实际应用得到了验证……

CRediT作者贡献声明
张静:撰写——初稿、验证、方法论、正式分析、概念构思。王子轩:可视化、验证、数据整理。田有马:可视化、数据整理。张汉北:数据整理。徐侃:数据整理。李傲:调研、数据整理。胡毛毛:写作——审稿与编辑、项目管理。傅晓:写作——审稿与编辑、项目管理、资金筹措、概念设计。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号