湿热混合模式建筑热舒适建模的可解释机器学习
《ENERGY AND BUILDINGS》:Explainable machine learning for thermal comfort modelling in warm-humid mixed-mode buildings
【字体:
大
中
小
】
时间:2026年09月25日
来源:ENERGY AND BUILDINGS 8.0
编辑推荐:
•可解释机器学习在热带湿润混合模式建筑舒适度预测中表现优于PMV
•SHAP分析识别出Ta、Va和WBT为分体式空调空间中TSV的主要预测因子
•WBT比单独的RH更能强烈表征耦合的温度-湿度效应
•精简的预测因子集保留了大部分TSV/TPV预测信息
•TSV-TPV耦合为风
•可解释机器学习在热带湿润混合模式建筑舒适度预测中表现优于PMV
•SHAP分析识别出Ta、Va和WBT为分体式空调空间中TSV的主要预测因子
•WBT比单独的RH更能强烈表征耦合的温度-湿度效应
•精简的预测因子集保留了大部分TSV/TPV预测信息
•TSV-TPV耦合为风扇-空调概念性监督控制逻辑提供了信息
引言
随着气候变化加剧和热浪变得更加频繁,建筑物面临不断上升的制冷能量需求,同时还需要保护居住者免受日益增强的热应力[1], [2], [3]。室内环境质量(IEQ),涵盖热舒适、视觉舒适、室内空气质量与声学舒适,显著影响居住者的健康、满意度、生产力以及建筑能耗[4], [5], [6], [7]。在这些领域中,热舒适尤为关键,因为它直接影响居住者福祉和制冷能耗。热舒适被定义为"表达个体对热环境满意程度的心理状态"[8],受环境条件、生理状态、行为适应和情境期望之间相互作用的支配。
传统的热舒适建模主要由两种方法主导:Fanger的预期平均投票(PMV)框架和适应性舒适模型[9], [10], [11]。PMV模型基于稳态人体热平衡,从空气温度、平均辐射温度、相对湿度、风速、服装隔热值和代谢率估计热感觉[9]。该模型已被广泛应用于国际标准,包括ASHRAE标准55[8]和ISO 7730[12],并在设计和研究场景中广泛采用[13], [14], [15]。由于其基于物理的公式化特点,PMV通常被归类为白箱模型。然而,多项现场研究报告PMV预测与观测热感觉之间存在系统性偏差,特别是在非均匀、瞬态或居住者可控环境中[16], [17], [18], [19], [20]。相比之下,适应性舒适模型将可接受的室内温度与盛行室外温度相关联,并隐式考虑了行为、生理和心理适应[21], [22]。这些模型最适用于自然通风建筑,其中室内条件与室外气候保持耦合。在频繁机械制冷、间歇性空调运行或适应性控制机会受限的建筑中,其假设的稳健性较低[23], [24]。
这些局限性在混合模式建筑中被放大,其中机械制冷、自然通风、吊扇、恒温器调节、窗户操作和渗透间歇性相互作用[20], [25]。因此,传统上将PMV用于空调建筑、将适应性舒适模型用于自然通风建筑的二元划分变得不足。这一挑战在热带湿润气候中尤为突出,高潜热负荷、升高的湿球温度以及广泛的分体式空调(分体空调)使用所产生的舒适条件无法被PMV或适应性舒适假设完全捕捉。
现场研究表明,在这些瞬态、非均匀条件下,传统舒适模型经常失效,稳态假设崩溃且时空变异性显著[19], [20], [26], [27], [28], [29]。此外,传统模型缺乏自我学习和自我校正机制,而这些能力对于适应变化的居住者行为和演进的运行情境至关重要。来自ASHRAE全球热舒适数据库II的大规模证据发现,PMV预测与观测热感觉投票的吻合率仅约为34%,表明其在多样化实际建筑情境中预测可靠性有限[30], [31]。
机器学习(ML)已成为热舒适建模的替代方案,因为它可以直接从数据中学习环境条件、居住者特征和主观舒适反应之间的非线性关系[32], [33], [34]。如表1所总结,先前的研究已使用人工神经网络(ANN)、支持向量机(SVM)、随机森林(RF)、决策树、梯度提升、XGBoost、CNN-LSTM及相关方法预测热感觉、热偏好、PMV和舒适类别,通常比传统或改进的PMV公式更好地匹配居住者反应[34]–[36]。大多数研究依赖于环境和个体预测因子,如空气温度、辐射温度、风速、相对湿度、服装隔热值、代谢率以及人口统计学变量。此外,基于ML的热舒适建模的成熟度仍低于相关领域,如占用率预测[37], [38]或能耗预测[38]。大多数现有研究依赖全球或基准数据集,主要关注提高在不同建筑情境中的预测精度。较少研究考察针对特定运行情境的本地校准模型,或评估精简的预测因子集是否能保留充分的预测性能以满足实际舒适应用需求。许多高性能模型也因黑箱特性受到批评,对预测原因提供有限的见解[39], [40]。这种缺乏透明度的问题会降低信任度、可解释性以及在建筑设计和运行中的实际采用度。为应对这一局限性,近期研究日益强调可解释人工智能(XAI),旨在平衡预测性能与可解释性[41], [42]。在建筑舒适应用中,可解释性尤为重要,因为它使工程师和设计师能够识别主要的舒适不适驱动因素,并评估模型行为在物理上是否合理且具有运行意义[43], [44], [45]。这一差距促使本研究聚焦于简约且可解释的基于ML的热舒适建模。
在印度,分体式空调系统约占制冷市场的78%[46],并经常与吊扇在混合模式和居住者可控环境中同时运行。在这样的空间中,居住者的热感知直接影响恒温器调节和风扇使用,可能导致过度制冷、不必要的压缩机循环和增加的电力需求[47], [48]。因此,以居住者为中心的预测模型对于需求侧灵活性、负荷转移以及机械制冷、通风和低能耗适应性策略的协同控制越来越相关[49], [50], [51]。然而,这些情境中的有效控制需要本地校准模型,不仅能够推断居住者的热感觉,还能推断其在实际建筑运行下的热变化偏好方向。因此,本研究不是开发一种可跨所有建筑类型和气候迁移的通用舒适模型,而是聚焦于一种特定但广泛存在的运行情境:热带湿润、风扇辅助分体式空调的混合模式教育空间。
在此背景下,本研究开发并评估了一种可解释的机器学习框架,用于预测热感觉投票(TSV)和热偏好投票(TPV),使用印度热带湿润气候中混合模式教育建筑的实测数据,这是PMV和传统适应性模型经常与观测居住者反应偏离的情境。五种ML回归模型,即随机森林、支持向量回归、可解释提升机(EBM)、LightGBM和人工神经网络,使用贝叶斯优化进行了优化,并在相同环境条件下与PMV进行了基准比较。为解决数据驱动舒适建模的黑箱局限性,该框架结合了EBM的玻璃箱可解释性与SHAP的事后可解释性,以识别TSV和TPV的主要物理驱动因素。
除了预测精度之外,本研究将基于ML的舒适建模向控制相关的解释延伸,面向风扇辅助分体式空调混合模式建筑。本研究没有仅将热感觉和热偏好视为独立的输出,而是在决策层面整合其交叉验证预测,将推断的居住者热状态与其期望的环境变化方向相关联。TSV?识别居住者是否接近中性、偏暖或偏冷,而TPV?指示对更冷或更暖条件的偏好。其联合解释用于制定离线监督逻辑,以协调吊扇和空调运行。虽然这不是已验证的控制器,但该框架为将本地校准的舒适预测转化为未来监督控制策略提供了方法论基础,特别是识别空气流动调节或制冷设定点松弛可能减轻过度制冷并减少不必要的压缩机驱动的制冷情况。
本研究做出三项贡献。第一,它提供了热带湿润分体式空调混合模式建筑中基于ML的舒适预测的情境特定证据,这一设置在舒适建模文献中代表性不足。第二,它开发了一种简约且可解释的TSV和TPV预测工作流程,使用保留预测性能同时减少对密集传感器网络依赖的精简预测因子集。第三,它通过将热感觉和热偏好预测整合到风扇-空调控制指导的离线概念性监督决策框架中,将舒适预测推进到控制相关的解释。在此过程中,本研究将可解释ML定位为已确立热舒适理论在现实混合模式建筑运行中的本地校准和可解释补充。
章节片段
方法概述
本研究采用多阶段工作流程,整合了现场监测、控制实验和基于机器学习的混合模式教育建筑热舒适建模。进行了三项互补的数据收集活动:纵向现场调查、课堂控制实验和实验室控制实验。这些数据集共同捕捉了居住者在自然通风、空调和混合模式下的舒适反应。
探索性数据分析
表2总结了与热舒适相关的收集变量,包括人口统计学、环境和生理因素。参与者较为年轻,平均年龄24岁,平均BMI为23。室内环境展现了广泛的热条件范围,干球温度(Ta)从20.1°C变化到32.9°C,相对湿度(RH)平均54%,风速(Va)平均0.6 m/s。操作温度(Top)、黑球温度(Tg)和平均
结论、局限性和未来工作
本研究开发了一种可解释的机器学习框架,用于预测热带湿润、风扇辅助分体式空调混合模式教育建筑中的热感觉和热偏好。使用来自纵向现场监测和控制课堂/实验室实验的931个配对观测值,本研究表明,在瞬态、居住者可控的室内条件下,本地校准的ML模型比传统舒适模型更能捕捉居住者舒适反应。
PMV
生成式AI和AI辅助技术在稿件准备过程中的声明
在本工作的准备过程中,作者使用了ChatGPT来改善语言和可读性。在使用该工具/服务后,作者根据需要审查和编辑了内容,并对已发表文章的内容承担全部责任。
CRediT作者贡献声明
Ajith N. Nair:撰写——初稿、可视化、方法论、调查研究、形式分析、数据整理、概念化。Prashant Anand:撰写——审阅与编辑、验证、监督、软件、资源、项目管理、方法论、资金获取。Ardeshir Mahdavi:撰写——审阅与编辑、验证、监督、资源、方法论、资金获取。
资金来源
本工作得到了印度理工学院卡拉古普尔赞助研究与工业咨询(SRIC)(拨款号:IIT/SRIC/AR/MWS/2021–2022/057)的支持,这使得AI-HBI研究实验室得以建立,主要实验在此进行。此外,还获得了印度科学技术部(拨款号:DST/IC/Austria/P-15/2021)与奥地利OeAD-WTZ计划(项目号:IN 06/2022)合作提供的支持,以及科学与工程研究委员会的支持。
利益冲突声明
作者声明以下可能被视为潜在利益冲突的财务利益/个人关系:Prashant Anand报告获得了印度科学与技术和工业部科学技术部的资金支持。Prashant Anand报告获得了印度理工学院卡拉古普尔赞助研究与工业咨询(SRIC)办公室的资金支持。Prashant Anand报告获得了科学与工程研究委员会的资金支持。
致谢
本研究中利用的资源得益于印度理工学院卡拉古普尔建筑与区域规划学院AI-HBI研究实验室的建立,该实验室通过赞助研究与工业咨询(SRIC)拨款(拨款号:IIT/SRIC/AR/MWS/2021-2022/057)得以成立。该设施提供了大部分实验调查所必需的基础设施。印度科学与
Ajith N. Nair | Prashant Anand | Ardeshir Mahdavi
生物通微信公众号
生物通新浪微博
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