[發明專利]基于人體熱舒適度的空調節能智能控制方法及裝置

有效

• 申請號: 202011438321.1
• 申請日: 2020-12-10
• 公開（公告）號: CN112577159B
• 公開（公告）日: 2022-02-22
• 發明（設計）人: 王曉旭;秦昊;張昱;魏千洲;劉智
• 申請（專利權）人: 廣東省科學院智能制造研究所
• 主分類號: F24F11/54
• 分類號: F24F11/54;F24F11/64;F24F11/77;F24F11/79;F24F11/80;F24F11/61;F24F110/10;F24F110/12;F24F110/20;F24F110/22;F24F120/20
• 代理公司: 廣州三環專利商標代理有限公司 44202
• 代理人: 陳旭紅;呂金金

1.基于人體熱舒適度的空調節能智能控制方法，其特征在于，包括：

根據遺傳算法對人體熱舒適度與空調能耗進行迭代優化，獲得人體熱舒適度最優值與空調能耗最優值；

根據溫度調節預設的PMV值來獲得所述人體熱舒適度，根據遺傳算法對人體熱舒適度與空調能耗進行迭代優化，獲得人體熱舒適度最優值與空調能耗最優值，其中，所述人體熱舒適度最優值與所述空調能耗最優值成反比；

構建Agent模型，所述Agent模型采用粒子群算法調參優化預設的SVR模型得到的SVR預測模型，輸入環境參數以及所述人體熱舒適度最優值作為約束條件進行Agent模型訓練，獲得空調控制指令，所述空調控制指令包括空調溫度控制指令、空調風速控制指令和空調風向控制指令；

引入數據樣本集合{(x_i,y_i),...(x_n,y_n)}，其中，x，y分別表示橫坐標和縱坐標上的數據點，R_d和 R分別表示d維實數集和實數集，x_i∈R_d,y_i∈R,i＝1,2,…,n,n表示數據樣本的數量，預設線性函數為：f(x)＝ω^T·x+b,其中，ω為權重因子，b為常數，樣本數據偏差不超過不敏感損失函數ε，則SVR模型的目標函數如下：

其中，ω表示權重因子，C表示懲罰參數，m表示數據樣本數，l是誤差計算函數，對于小于ε的誤差為0，如下：

其中，z＝f(x_i)-y_i,引入松弛變量ξ，則ξ_i,為松弛因子，SVR模型的目標函數的約束條件為：

s.t.f(x_i)-y_i≤ε+ξ_i；

根據所述SVR模型的目標函數和約束條件，引入拉格朗日乘子算法，得到拉格朗日函數，如下：

式中，是拉格朗日因子，i＝1,2,...,n,對所述拉格朗日函數求偏導，獲得并代入所述拉格朗日函數，得到所述SVR模型的對偶形式，如下：

式中，α_j表示拉格朗日因子，x_j表示數據樣本點，T表示轉置，所述SVR模型的對偶形式需滿足以下KKT條件得到所述SVR模型的對偶形式的可行解，所述KKT條件如下：

根據所述SVR模型滿足所述KKT條件得到的α，獲得更新后的SVR模型，如下：

其中，引入核函數其中，θ表示核函數參數，得到如下更新后的SVR模型：

其中，φ為核函數由低維到高維的映射；

空調接收到所述空調控制指令，空調運作過程中引起環境參數變化，若室內的溫度大于所述室內的舒適溫度值，或室內的濕度大于所述室內的舒適度濕度值，或當室內人數變化導致熱負荷增加或減少時，重新訓練調整所述空調控制指令。

2.根據權利要求1所述的基于人體熱舒適度的空調節能智能控制方法，其特征在于，所述構建Agent模型，所述Agent模型采用粒子群算法調參優化預設的SVR模型得到的SVR預測模型，輸入環境參數以及所述人體熱舒適度最優值作為約束條件進行Agent模型訓練，獲得空調控制指令，所述空調控制指令包括空調溫度控制指令、空調風速控制指令和空調風向控制指令，包括：

采用粒子群算法調參優化所述更新后的SVR模型構建Agent模型，包括，迭代優化懲罰參數C、不敏感損失函數ε和核函數參數θ。

3.根據權利要求2所述的基于人體熱舒適度的空調節能智能控制方法，其特征在于，所述構建Agent模型，所述Agent模型采用粒子群算法調參優化預設的SVR模型得到的SVR預測模型，輸入環境參數以及所述人體熱舒適度最優值作為約束條件進行Agent模型訓練，獲得空調控制指令，所述空調控制指令包括空調溫度控制指令、空調風速控制指令和空調風向控制指令，包括：

所述環境參數通過傳感器采集數據，包括：室內溫度、室內濕度、室外溫度、室外濕度、室內人數和室內人員位置；

所述人體熱舒適度最優值作為約束條件，所述約束條件包括設定舒適溫度、設定舒適濕度和給定舒適溫度所需時間。