基于BP神經網絡的熱舒適預測

王蕾蕾

摘要 熱舒適預測技術的主要方法是PMV預測法，然而傳統方法具有預測步驟復雜，誤差大等缺點。本文使用BP神經網絡對公共數據集RP-884進行熱舒適預測，實驗結果表明，神經網絡較傳統PMV預測方法預測性能有了進一步提高。

【關鍵詞】BP神經網絡 PMV 熱舒適預測

1 PMV算法預測熱舒適

目前，常用的熱舒適預測模型為人體熱舒適評價指標（PMV），PMV評價指標表征接近熱中性的熱平衡狀態的熱舒適性。它是關于人體的一個復雜的非線性函數。PMV計算公式如下：

上式中M為人體能量代謝率，單位為w/m;W為人體所做的機械功單位為W/m²;P_a為人體周圍空氣的水蒸氣分壓力，單位為P_a;t_a人體周圍的空氣溫度，單位為℃;t_r房間的平均輻射溫度，單位為℃;f_cl為人體著裝后的實際表面積和人體裸身表面積之比，即服裝的表面系數;t_cl人體外表面溫度，單位為℃;he為對流換熱系數。從公式中我們可以看到，人體熱舒適度影響因素之間是復雜的非線性關系，計算復雜，不適合實際應用。

2 BP神經網絡預測熱舒適

BP神經網絡通過與輸出相關的指標進行預測，計算網絡實際輸出與期望輸出，通過計算網絡實際輸出與期望輸出差值，并對差值進行尋優來進行權值與閾值的反向調整。本文設計的網絡結構為輸入6個神經元，分別為空氣溫度，空氣濕度，氣流速度，衣服熱阻，平均輻射溫度，人體新陳代謝率;隱含層13個神經元;輸出層

1個神經元分別用[-3-3]中7個整數值表示不同舒適程度;激勵函數為雙曲正切S型函數;初始權值為[一1，11之間隨機取得的一個小數;誤差進度0.000001;訓練截止次數1000次。

下面通過實驗比較兩種方法實驗結果：

圖1 （a）所示的神經網絡預測結果為，從703組訓練樣本中選取653組樣本數據作為訓練數據，剩下的50組樣本數據作為測試樣本，兩種圖案完全重合，代表網絡在50組樣本數據條件下預測準確度高。從圖1 （b）中可以看出網絡訓練均方誤差保持在10^-5左右，誤差小，泛化性能高。

表1中數據為訓練10次結果對比，從表1可以看出，BP神經網絡預測均方誤差為10^-1數量級，而BP神經網絡預測均方誤差在l0^-5數量級，BP神經網絡預測模型的均方誤差較PMV方法誤差更小，預測效果更好。

3 結語

本文通過BP神經網絡對數據集RP-884進行預測，分析PMV預測與神經網絡預測方式對同一數據集的預測能力。實驗仿真表明.BP神經網絡在解決熱舒適預測問題上預測誤差更低，效果更好。

參考文獻

[1]C. buratti，M.Vergoni，D. Palladino.Thermalcomfortevaluationwithin non-residentialenvironments： development ofArtificial Neural Network byusing the adaptive approachdata， EnergyProcedia 78. 2015， 2875-2880.

[2]范存養，熱舒適評價指標PMV及其實際應用[J].暖通空調，1993 （03）： 20-26.