《ENERGY AND BUILDINGS》:Cross-load thermal comfort prediction in stratified Micro-environments: model enhancement and real-time control
编辑推荐:
程勇|雷江刚|田雪|张琳•从430个候选位置中筛选出最佳传感器布置方案,以提高监测精度。•比较了机器学习模型与基于物理原理的模型在预测热舒适度方面的表现。•验证了一种闭环协同仿真系统,可实现自动化的个性化热舒适度控制。•对各类模型的计算效率进行了测试,结果显示XGBoost更适合
程勇|雷江刚|田雪|张琳
- •
从430个候选位置中筛选出最佳传感器布置方案,以提高监测精度。
- •
比较了机器学习模型与基于物理原理的模型在预测热舒适度方面的表现。
- •
验证了一种闭环协同仿真系统,可实现自动化的个性化热舒适度控制。
- •
对各类模型的计算效率进行了测试,结果显示XGBoost更适合实时边缘设备应用。
引言
在多人共用的空间中实现个性化热舒适度是一个建筑环境工程领域的重大挑战,因为不同人在相同环境中的热舒适需求差异很大[1]、[2]、[3]、[4]。分层微环境通风技术通过在共享空间内创建不同的温度区域,从而满足不同人的需求,为解决这一问题提供了创新方案(见图1)[5]。研究表明,这类系统在同一房间内的不同位置,PMV值的变化幅度可达到1.8,显著提升了人们的舒适度[6]。除了提升舒适度之外,这类系统还具有显著的节能潜力,尤其是当人们更倾向于较低的PMV值时。对比分析显示,在98.9%的情况下,分层微环境通风系统比传统通风系统更能满足人们的个性化需求[6]。在需要平衡热舒适度与能源效率的决策场景中,无论采用何种权重分配方式或何种人员分布情况,分层微环境通风系统始终能展现出更高的性能优势,优势幅度在96.6%到100%之间[6]。
分层微环境通风系统产生的室内空气分布本身就不均匀,因此为了确保系统能够高效运行并合理设计供气参数,就必须准确预测热舒适度与室内空气质量分布情况[3]、[7]、[8]。目前用于预测这些复杂气流模式的方法主要分为三类:(1)机器学习及深度学习等黑箱模型[9]、[10];(2)基于物理原理的白箱模型[11];(3)结合物理规律与数据驱动技术的灰箱混合模型[12]、[13]、[14]。白箱模型虽然具有较高的物理可解释性,但灵活性较差;黑箱算法缺乏物理透明度;而灰箱模型则试图通过结合物理定律与实证数据来提升模型的适应性。
就我们在分层微环境通风技术方面的研究成果而言,基于物理原理的射流理论模型在预测自由射流条件下的热舒适度方面表现良好,其PMV值的平均绝对误差低于0.2(以7分制计),而气流强度预测的误差则低于3%[15]。不过,这类模型在非自由射流条件下的适用性较差。相比之下,机器学习方法——尤其是反向传播神经网络与支持向量机——在预测PMV值方面也取得了不错的效果,其均方根误差低于0.2[15]。对于更为复杂的室内空气质量分布预测,极端梯度提升算法的表现更为出色,与其他算法如随机森林、反向传播神经网络和支持向量机相比,其决定系数可高达0.97[16]。
尽管取得了这些进展,当前的分层微环境通风技术研究仍存在一些明显局限:
1) 未考虑不同的负荷情况:现有的分层微环境通风预测模型大多基于单一的制冷负荷场景,通常对应的是夏季的静态工况。这种有限的工况范围限制了模型在不同季节及不同运行状态下的通用性[17]、[18]、[19]。现代建筑所处的热环境是动态变化的,因此需要能够适应不断变化的制冷负荷的舒适度管理系统——从负荷较低的过渡季节到负荷极高的极端情况都需要相应的应对措施[20]。因此,开发能够在不断变化的环境条件下依然保持准确性的跨负荷预测工具,是目前亟需解决的课题。
2) 需要进一步研究传感器布置策略:传统的建筑管理系统通常只在供气与排风位置设置传感器。然而,人们所在区域的微环境条件可能与这些监测点的实际情况有很大差异,从而导致预测不准确、能源浪费以及人们感到不适[21]。虽然在人们附近增设传感器可以提高预测精度,但这又会带来干扰问题。理想的解决方案应该是找到既能最大程度提升预测精度,又能尽量减少对人们的干扰以及降低计算负担的传感器布置位置[22]。
3) 缺乏实时控制功能:虽然目前已经开发出了准确的预测算法,但将其集成到实时控制系统中仍存在诸多限制。根据预测出的热舒适度或室内空气质量与理想值的偏差,及时调整供气参数对于应对不断变化的室外环境条件至关重要[3]、[23]。我们最近针对分层通风模式下的时间平均PMV值所开展的研究表明,当环境条件在2到5分钟的周期内处于一定波动范围内时,该算法具备用于实时控制的潜力[24]、[25]。不过,目前用于实现分层微环境通风系统实时控制的实用框架还十分不完善。
本研究通过以下几方面工作弥补了上述不足。首先,我们比较了机器学习算法(反向传播神经网络与极端梯度提升算法)以及基于物理原理的模型在6种不同制冷负荷与21种不同供气条件下的预测稳定性。其次,我们分析了430个不会相互干扰的监测点,以此确定既能保证预测精度又便于实际应用的最佳传感器布置位置。最后,我们开发了一个基于Python与Fluent的闭环系统,实现了时间平均PMV值的实时预测以及供气参数的自动化调整。通过解决这些相互关联的问题,这项研究推动了分层微环境通风系统在动态环境中的实际应用。
章节要点
实验装置
香港城市大学所使用的实验装置如图2所示,其尺寸为4.2米×3.6米×2.4米。装置内放置有两个功率为100瓦的人体模型[26],这两个模型相距1.6米,面对面而坐,中间隔着一张面积为1.6米×0.8米×0.7米的桌子。还有四盏功率为56瓦的顶灯用于提供额外的热负荷。在前墙1.23米高的位置安装了两个侧墙供气格栅,每个格栅的尺寸为0.20米×0.20米,两者之间的距离为1.5米,这些格栅用于水平输送空气——空气进口1为第一个人体模型供气,而空气进口2则为另一个人体模型供气
反向传播神经网络模型
本文中所有的建模与优化工作都是使用Python编程语言完成的。为了实现高精度的PMV值预测,我们构建了一个基于反向传播神经网络的多阶段优化框架。图5所示的工作流程包含四个主要步骤:(1)利用环境边界条件建立基准模型;(2)使用Optuna框架对基准模型进行超参数优化;(3)对传感器的位置进行空间优化
基于模型的实时调整
用于实时控制的传感器位置,正是第3.4.1节中确定的最佳传感器位置(位于内侧墙壁或排风口附近)。需要说明的是,基于物理原理的分段回归模型并未被纳入实时控制分析中,因为它的预测精度(决定系数为0.84,均方根误差为0.26)未达到实时控制所需的性能标准(在本研究中该标准为决定系数大于0.9)。因此不将其纳入分析,才能确保两种模型之间的公平比较
局限性
虽然本研究证明了在分层微环境通风系统中应用机器学习技术实现实时舒适度管理的可行性,但仍存在一些局限性。
首先,本研究中所采用的控制逻辑相对较为简单。目前的控制逻辑仅可作为概念验证,旨在证明预测模型具备在线应用的可能性,而非经过全面优化的智能控制系统。本研究的主要目的在于验证机器学习模型是否能够提供足够可靠的预测结果
结论
主要结论如下:
- 1)
在无人区域(高度为1.9至2.1米处)增设温度传感器,可以提高PMV值的预测精度,其效果优于仅依靠排风口传感器进行的预测。当结合基于Optuna的超参数调优方法后,反向传播神经网络与极端梯度提升算法都能将预测精度提升到决定系数大于0.9、均方根误差为0.2的高水平。
- 2)
对于基于射流理论且包含物理原理的分段回归模型而言,用局部传感器替代排风口温度传感器后,模型的预测精度有所提升,其决定系数从0.73上升到了
作者贡献说明
程勇:负责文章的撰写与修改、项目监督、项目管理以及相关研究工作。雷江刚:负责软件开发、方法设计以及相关研究工作。田雪:负责文章初稿的撰写、资金申请、数据整理以及研究构思工作。张琳:负责文章的撰写与修改、资源协调以及资金申请工作。
利益冲突声明
所有作者声明,他们不存在任何可能影响本文研究结果的已知财务利益关系或个人关系。
致谢
本文所述的研究工作得到了中国国家自然科学基金(项目编号为52508106)、中国香港特别行政区研究资助局的一般研究经费(项目编号为CityU 11205223)以及中国博士后科学基金会提供的科研资助(资助证书编号为2025M783332)的支持。