基于動(dòng)態(tài)模糊推理的舒適溫度在線預(yù)測(cè)

白 燕,馮壯壯,張 瑋

(1.西安建筑科技大學(xué) 理學(xué)院， 西安 710055;2.西安建筑科技大學(xué) 信息與控制工程學(xué)院，西安 710055)

0 引言

舒適的室內(nèi)環(huán)境是人們健康生活和高效工作的前提，隨著智能建筑的迅速發(fā)展，通過(guò)樓宇自控系統(tǒng)對(duì)建筑設(shè)備實(shí)行有效的控制和管理，為營(yíng)造舒適的室內(nèi)熱環(huán)境提供有利條件。自Fanger提出PMV(predicted mean vote)熱舒適評(píng)價(jià)指標(biāo)以來(lái)，熱舒適在環(huán)境熱舒適度評(píng)價(jià)、室內(nèi)熱環(huán)境控制以及空調(diào)系統(tǒng)節(jié)能優(yōu)化等領(lǐng)域得到廣泛研究。但熱舒適不僅受當(dāng)?shù)貧夂颉⑸盍?xí)慣、風(fēng)俗、熱經(jīng)歷、熱期望、熱環(huán)境響應(yīng)及個(gè)人體質(zhì)等多因素的影響，也具有隨著活動(dòng)狀況、衣著、飲食、情緒的不同而變化的動(dòng)態(tài)變化性(時(shí)變特征)[1]。這種熱舒適動(dòng)態(tài)差異性造成個(gè)體間的舒適偏好溫度偏差在2.6以上[2]，使得基于PMV指標(biāo)溫度設(shè)定點(diǎn)的熱環(huán)境控制只能在統(tǒng)計(jì)意義上滿足大多數(shù)人的舒適性，難以滿足某一個(gè)體或群體熱舒適多樣性的需求，從而造成能源浪費(fèi)[3]。

近年來(lái)，基于熱感覺(jué)的熱環(huán)境控制為有效解決室內(nèi)環(huán)境與用戶舒適度不匹配問(wèn)題提供了新的途徑，已在國(guó)內(nèi)外進(jìn)行了大量研究，并在預(yù)測(cè)準(zhǔn)確性和節(jié)能方面取得了良好的效果。Kim等人基于大量熱舒適性研究的重要概念和方法，為個(gè)人舒適模型開(kāi)發(fā)了一個(gè)統(tǒng)一的框架[4]。在個(gè)性化熱舒適模型的構(gòu)建中，已有研究采用了支持向量機(jī)、隱馬爾可夫模型學(xué)習(xí)算法、貝葉斯分類推理算法等機(jī)器學(xué)習(xí)算法；并對(duì)個(gè)人熱偏好進(jìn)行了預(yù)測(cè)，相對(duì)傳統(tǒng)PMV和熱適應(yīng)模型的預(yù)測(cè)結(jié)果，其預(yù)測(cè)準(zhǔn)確率提高了20%～40%[5]。李慧等學(xué)者提出用戶熱舒適區(qū)模糊學(xué)習(xí)算法實(shí)現(xiàn)了不同用戶的熱舒適區(qū)在線學(xué)習(xí)，并應(yīng)用到周期性交替變化的動(dòng)態(tài)熱舒適控制策略中，使系統(tǒng)節(jié)能28.7%[4]。Erickson和Cerpa基于參與式感知思想將人引入環(huán)境控制回路以避免過(guò)于繁瑣的熱舒適度測(cè)量，通過(guò)熱感覺(jué)實(shí)時(shí)反饋，準(zhǔn)確連續(xù)地調(diào)節(jié)溫度，提高用戶舒適度同時(shí)，系統(tǒng)實(shí)現(xiàn)了10.1%的節(jié)能[6]。

上述研究中多數(shù)算法在建模過(guò)程中用戶熱感覺(jué)反饋信息的獲取方式以自主開(kāi)發(fā)的硬件交互設(shè)備媒介或以問(wèn)卷、調(diào)查走訪形式收集用戶熱舒適評(píng)價(jià)投票，兩種交互方案的程序不僅繁雜，而且數(shù)據(jù)采集時(shí)間受限，用戶體驗(yàn)效果差。而智能手機(jī)的普及為數(shù)據(jù)采集帶來(lái)了極大地便利，降低了對(duì)用戶干擾。同時(shí)針對(duì)熱舒適時(shí)變性問(wèn)題，多數(shù)研究在采用信息數(shù)據(jù)驅(qū)動(dòng)技術(shù)作為解決方案的同時(shí)，利用更新后的學(xué)習(xí)樣本重新學(xué)習(xí)，但隨著樣本量遞增不僅增大了計(jì)算負(fù)荷，也無(wú)法體現(xiàn)出新樣本對(duì)熱舒適的影響趨勢(shì)。依據(jù)王福林、江億等學(xué)者對(duì)于用戶熱舒適實(shí)時(shí)預(yù)測(cè)及熱感覺(jué)控制過(guò)程中參數(shù)簡(jiǎn)化的研究，僅采用溫濕度作為預(yù)測(cè)和調(diào)控參數(shù)能夠滿足用戶個(gè)性化熱舒適的環(huán)境控制需求[7-8]。因此熱感覺(jué)信息便捷獲取和參數(shù)簡(jiǎn)化的熱舒適動(dòng)態(tài)預(yù)測(cè)仍需進(jìn)一步研究。

本文融合了用戶投票評(píng)價(jià)方法和在線學(xué)習(xí)方法，開(kāi)發(fā)出移動(dòng)端智能交互系統(tǒng)對(duì)用戶熱舒適感數(shù)據(jù)進(jìn)行采集；在此基礎(chǔ)上，以空氣溫度與熱感覺(jué)少量指標(biāo)為學(xué)習(xí)樣本簡(jiǎn)化熱舒適在線預(yù)測(cè)模型，設(shè)計(jì)動(dòng)態(tài)神經(jīng)模糊推理算法，使得僅以新樣本點(diǎn)更新用戶熱偏好模糊規(guī)則和迭代模型輸出系數(shù)完成原始學(xué)習(xí)模型增量學(xué)習(xí)以預(yù)測(cè)用戶偏好溫度，無(wú)需對(duì)更新后樣本重新學(xué)習(xí)，大大降低計(jì)算復(fù)雜度。在仿真分析的基礎(chǔ)上，將算法應(yīng)用于現(xiàn)場(chǎng)實(shí)驗(yàn)數(shù)據(jù)、ASHRAE(美國(guó)采暖、制冷與空調(diào)工程師學(xué)會(huì))數(shù)據(jù)集以驗(yàn)證用戶舒適溫度學(xué)習(xí)效果。有效表明該預(yù)測(cè)模型可用于智能空調(diào)系統(tǒng)中，為合理設(shè)定空調(diào)溫度提供了實(shí)際應(yīng)用價(jià)值。

1 智能交互系統(tǒng)設(shè)計(jì)及學(xué)習(xí)樣本構(gòu)建

移動(dòng)交互終端以其低投資、易維護(hù)、交互便捷和信息可視化等優(yōu)勢(shì)被熱舒適、無(wú)人機(jī)控制、醫(yī)學(xué)診斷等研究領(lǐng)域廣泛采用。本文基于Linux平臺(tái)，采用物聯(lián)網(wǎng)技術(shù)，在Eclipse軟件環(huán)境下設(shè)計(jì)并開(kāi)發(fā)移動(dòng)端智能交互系統(tǒng)，系統(tǒng)示意圖如圖1所示。該系統(tǒng)采集用戶熱舒適感數(shù)據(jù)為用戶熱舒適在線預(yù)測(cè)模型研究提供學(xué)習(xí)樣本。熱舒適感數(shù)據(jù)由用戶基本信息、熱環(huán)境參數(shù)和熱投票參數(shù)組成，分別包括年齡、性別、活動(dòng)狀態(tài)、衣服熱阻等信息，空氣溫度、空氣流速、相對(duì)濕度信息，熱感覺(jué)，熱偏好，熱可接受性等信息，具體參數(shù)如表1所示。

圖1 智能交互系統(tǒng)示意圖

表1 熱舒適感數(shù)據(jù)類型表

智能交互系統(tǒng)主要包括熱感交互及熱環(huán)境監(jiān)測(cè)兩大模塊。熱感交互模塊以手機(jī)移動(dòng)端APP為用戶接口，通過(guò)熱感交互頁(yè)面將用戶基本信息和熱投票等信息以時(shí)間序列形式存儲(chǔ)于后臺(tái)數(shù)據(jù)庫(kù)。熱環(huán)境監(jiān)測(cè)模塊由Raspberry Pi 3B+環(huán)境采集器集成各類傳感器，實(shí)現(xiàn)溫度、濕度、風(fēng)速等環(huán)境信息的采集，以時(shí)間序列形式存儲(chǔ)于后臺(tái)數(shù)據(jù)庫(kù)；手機(jī)移動(dòng)客戶端APP以用戶請(qǐng)求為觸發(fā)條件將數(shù)據(jù)庫(kù)中的檢測(cè)參數(shù)實(shí)時(shí)更新至環(huán)境監(jiān)測(cè)頁(yè)面。系統(tǒng)前臺(tái)基于Visual Studio Code平臺(tái)，采用Html5、Javascript腳本語(yǔ)言完成頁(yè)面開(kāi)發(fā)，移動(dòng)客戶端和數(shù)據(jù)采集系統(tǒng)分別采用Http協(xié)議及Socket套接字與后臺(tái)服務(wù)器建立連接，將環(huán)境參數(shù)與用戶交互參數(shù)分別存儲(chǔ)于后臺(tái)數(shù)據(jù)庫(kù)中的“環(huán)境參數(shù)數(shù)據(jù)表”及“用戶熱感交互數(shù)據(jù)表”，并以Json格式完成數(shù)據(jù)傳輸。

移動(dòng)客戶端交互界面如圖2所示，交互信息包括年齡、性別、活動(dòng)狀態(tài)、著裝等用戶基本信息和熱可接受性、熱偏好、熱感覺(jué)指標(biāo)(TPI，thermal perception index)等熱投票參數(shù)。其中，TPI定義為實(shí)時(shí)反饋的用戶真實(shí)熱感覺(jué)，參考ASHRAE標(biāo)準(zhǔn)熱舒適七點(diǎn)標(biāo)度尺，取[-3,+3]的范圍；并根據(jù)ASHRAE標(biāo)準(zhǔn)中以PMV在-0.5～0.5作為舒適范圍，PMV在0點(diǎn)作為最佳舒適點(diǎn)的推薦準(zhǔn)則，本文將TPI以-0.5～0.5的取值范圍作為用戶個(gè)人的熱舒適區(qū)，以TPI為0定義用戶的最佳舒適點(diǎn)。同時(shí)以滑動(dòng)條的形式實(shí)現(xiàn)交互，正值代表熱感，負(fù)值代表冷感，絕對(duì)值越大表明用戶熱感覺(jué)越明顯[9]；學(xué)習(xí)樣本以熱舒適感數(shù)據(jù)集中用戶的TPI和空氣溫度(T)進(jìn)行定義，其它參數(shù)用于用戶熱感覺(jué)信息檢驗(yàn)以進(jìn)行學(xué)習(xí)樣本的清洗。

圖2 用戶交互界面

2 用戶熱舒適在線預(yù)測(cè)模型

動(dòng)態(tài)進(jìn)化神經(jīng)模糊推理系統(tǒng)(dynamic evolving neuro-fuzzy inference system，DENFIS)以其單變量建模、預(yù)測(cè)精度高、可靠性強(qiáng)、快速學(xué)習(xí)等特性適用于動(dòng)態(tài)系統(tǒng)的理論及應(yīng)用研究[10-11]，因此它是模擬具有時(shí)變特性的用戶熱舒適在線學(xué)習(xí)過(guò)程的最佳模型。由于室內(nèi)空氣溫度對(duì)帶有主觀模糊性的熱感覺(jué)有著正相關(guān)關(guān)系，為合理確定用戶舒適區(qū)間，以用戶舒適溫度范圍對(duì)用戶熱舒適區(qū)簡(jiǎn)化研究[12]。將進(jìn)化聚類算法(evolving clustering method, ECM)與模糊隸屬度函數(shù)相結(jié)合，通過(guò)在線聚類方式構(gòu)建模糊集，提取模糊規(guī)則，確定模糊規(guī)則前件；并采用Takagi-Sugeno推理模型，依據(jù)局域線性模糊推理輸出，構(gòu)建模糊規(guī)則后件。

2.1 增量聚類方法ECM

ECM是一種動(dòng)態(tài)的、在線的、受某一最大距離Dthr約束的聚類算法，隨輸入樣本量的增加動(dòng)態(tài)增加聚類個(gè)數(shù)或變更聚類中心和聚類半徑。聚類過(guò)程從一個(gè)空的聚類集合開(kāi)始，隨著新樣本數(shù)據(jù)的增加，動(dòng)態(tài)地增加聚類數(shù)或更新聚類中心及聚類半徑，當(dāng)半徑達(dá)到閾值Dthr時(shí)停止更新。將清洗后學(xué)習(xí)樣本進(jìn)行聚類，算法步驟如下。

步驟1:創(chuàng)建第一個(gè)類C1，將第一個(gè)輸入樣本X1(TPI1,T1)，作為該類的聚類中心Cc1，初始化聚類半徑Ru1=0。

步驟2:如果所有樣本數(shù)據(jù)處理完畢，則聚類完成；否則，利用公式(1)計(jì)算當(dāng)前輸入樣本Xi(TPIi,Ti)，i=1,2,3…,p，與聚類中心Ccj,j=1,2,3…,q,的歐式距離Dij，其中樣本數(shù)據(jù)為2維向量，因此z=1，2。

(1)

步驟3:如果存在一個(gè)Dij，滿足Dij≤Ruj,則表明樣本Xi屬于已有的第m個(gè)聚類Cm，即Dim≤Rum，此時(shí)聚類無(wú)需更新，返回步驟2；否則，執(zhí)行步驟4。

步驟4:如果計(jì)算樣本Xi與所有聚類中心距離均大于聚類半徑Ruj，則計(jì)算Sij=Dij+Ruj,并取最小值min(Sij)，尋找出類Ca使得Sia=min(Sij)。

步驟5:如果Sia>2×Dthr，則樣本Xi不屬于當(dāng)前已有的類，返回步驟1；否則，執(zhí)行步驟6。

步驟6:如果Sia≤2×Dthr，更新類Ca的聚類中心Cca和聚類半徑Ruj=Sia/2，返回步驟2。

通過(guò)ECM算法，不同用戶的樣本點(diǎn)都能在有限數(shù)量的聚類集合得到不同聚類，且隨著用戶的交互，樣本量逐漸增加，聚類產(chǎn)生的聚類集合也動(dòng)態(tài)變化。

2.2 提取模糊規(guī)則

利用ECM聚類算法確定學(xué)習(xí)樣本空間的聚類集合，進(jìn)一步建立模糊集合，構(gòu)建模糊規(guī)則。DENFIS系統(tǒng)有n條推理規(guī)則，表述如下：

IfTPIiisR1，Theny1isf1(TPI)

IfTPIiisR2，Theny2isf2(TPI)

?

IfTPIiisRn，Thenynisfn(TPI)

這里TPIi，i=1,2,3…,p為第i個(gè)學(xué)習(xí)樣本Xi(TPIi,Ti)中的TPI；Rk，k=1,2,3,…,n,為不同的模糊集，通過(guò)聚類集合確定，并由其對(duì)應(yīng)的三角型模糊隸屬度函數(shù)μ定義，如式(2)。

μ(TPIi)=nF(TPIi,a,b,c)=

(2)

式中，b為輸入空間的聚類中心，a=b-d×Dthr，c=b+d×Dthr，d=1.2～2。

在推理后件部分，yk以溫度作為每條規(guī)則的輸出結(jié)果，采用一階線性函數(shù)fk，k=1,2,3,…,n，如式(3)。利用以上模糊規(guī)則，每輸入一個(gè)TPIi，系統(tǒng)推理結(jié)果為每條模糊規(guī)則輸出的加權(quán)平均值：

(3)

式中，yo為系統(tǒng)推理結(jié)果；ωk是每個(gè)隸屬度規(guī)則的權(quán)重，等于輸入TPIi所對(duì)應(yīng)的函數(shù)隸屬度。

2.3 規(guī)則輸出函數(shù)

推理系統(tǒng)模糊規(guī)則后件輸出函數(shù)采用一階Takagi-Sugeno模型，即：

y=f(TPI)=β0+β1×TPI

(4)

式中，系數(shù)β0和β1是通過(guò)線性最小二乘估計(jì)法(least squares estimate，LSE)針對(duì)p組學(xué)習(xí)數(shù)據(jù)Xi(TPIi,Ti)，i=1,2,3…,p產(chǎn)生和修正，如式(5)。

(5)

式中，β=[β0β1]T，為系數(shù)矩陣；A為用戶TPI輸入矩陣；Y為學(xué)習(xí)樣本中溫度的輸出矩陣；W對(duì)角線wi為第i個(gè)樣本點(diǎn)到該樣本點(diǎn)所屬的聚類中心之間的距離。

2.4 模型增量學(xué)習(xí)

系統(tǒng)有樣本數(shù)據(jù)輸入時(shí)，該模型通過(guò)兩種方式完成在線學(xué)習(xí)，一種是依據(jù)模糊規(guī)則校正的觀點(diǎn)[13]，以ECM增量計(jì)算新樣本點(diǎn)修正已有的聚類集合，更改樣本的模糊規(guī)則；另一種是依據(jù)參數(shù)在線整定的思想[14]，采用帶遺忘因子的加權(quán)遞歸最小二乘法對(duì)輸出函數(shù)系數(shù)β進(jìn)行迭代計(jì)算以保證最新樣本數(shù)據(jù)對(duì)模型的權(quán)重比，如式(6)所示。

(6)

3 用戶熱舒適預(yù)測(cè)及模型檢驗(yàn)

3.1 仿真實(shí)驗(yàn)研究

由于客觀環(huán)境、生理及心理等多因素的存在對(duì)用戶個(gè)人熱舒適均產(chǎn)生影響，使得無(wú)法計(jì)算用戶個(gè)體熱舒適準(zhǔn)確模型，須進(jìn)行有效仿真實(shí)驗(yàn)刻畫(huà)用戶個(gè)體熱舒適基準(zhǔn)模型。模擬背景為辦公建筑環(huán)境，該環(huán)境下用戶行為習(xí)慣(著裝和活動(dòng))存在規(guī)律性，即辦公環(huán)境下個(gè)體自身的衣服熱阻與新陳代謝率相對(duì)固定。因此分別依據(jù)青年、中年和老年三類代表性人群的特征，對(duì)新陳代謝率、服裝熱阻、空氣流速以及相對(duì)濕度等參數(shù)進(jìn)行設(shè)定，相關(guān)參數(shù)如表2所示。

表2 3種類型人群的PMV計(jì)算相關(guān)參數(shù)設(shè)置

基于Fanger教授對(duì)于室內(nèi)空氣溫度與PMV值關(guān)系的研究結(jié)果，即空氣流速、相對(duì)濕度、輻射溫度、新陳代謝和服裝熱阻參數(shù)相同情況下兩者存在線性關(guān)系，采用2.3節(jié)公式(4)，構(gòu)建方程T=f(PMV)作為用戶基準(zhǔn)模型；并考慮現(xiàn)場(chǎng)交互過(guò)程中用戶反饋信息受到個(gè)人情緒、心理狀況、環(huán)境干擾和感知誤差等因素的影響，添加N(0,σ2)隨機(jī)噪聲來(lái)模擬現(xiàn)場(chǎng)用戶交互數(shù)據(jù)。根據(jù)經(jīng)驗(yàn)選取方差為2 ℃，分別生成3組典型用戶熱舒適交互數(shù)據(jù)以建立學(xué)習(xí)樣本，并通過(guò)ECM分別完成樣本的聚類，如圖3所示。

圖3 仿真實(shí)驗(yàn)用戶數(shù)據(jù)及聚類結(jié)果

由圖3可以看出，ECM聚類算法都將青年、中年和老年用戶樣本數(shù)據(jù)聚成5個(gè)聚類集合，但聚類集合空間結(jié)構(gòu)不同，即聚類中心與聚類半徑不同，體現(xiàn)了不同用戶熱舒適的個(gè)性化數(shù)據(jù)模式。依據(jù)聚類結(jié)果進(jìn)一步構(gòu)建模糊集，并使用三角隸屬度函數(shù)計(jì)算三類代表性用戶的模糊分區(qū)，結(jié)果如圖4所示。

圖4 仿真實(shí)驗(yàn)用戶模糊分區(qū)

圖4顯示了三名代表性用戶自身隸屬度函數(shù)曲線，也可以看出不同用戶熱舒適數(shù)據(jù)具有個(gè)性化數(shù)據(jù)模式的特征。基于上述模糊推理系統(tǒng)前件構(gòu)建，使用Takagi-Sugeno模型推理輸出三類典型用戶的熱舒適預(yù)測(cè)結(jié)果，如圖5所示。

圖5 仿真實(shí)驗(yàn)用戶熱舒適預(yù)測(cè)結(jié)果

模糊推理預(yù)測(cè)結(jié)果為青年用戶最佳的熱舒適溫度為21.25 ℃，舒適溫度范圍為19.12～23.42 ℃；中年用戶最佳的熱舒適溫度為22.99 ℃，舒適溫度范圍為20.43～25.46 ℃；老年用戶最佳的熱舒適溫度為26.32 ℃，舒適溫度范圍為24.87～27.77 ℃。從仿真實(shí)驗(yàn)結(jié)果看出，青年用戶與老年用戶的舒適溫度最大計(jì)算溫差可達(dá)8.65 ℃，證明不同特征用戶的個(gè)人舒適溫度存在較大差異，因此預(yù)測(cè)用戶舒適溫度對(duì)現(xiàn)有溫度設(shè)定存在必要性。

為驗(yàn)證熱舒適在線預(yù)測(cè)模型的準(zhǔn)確性，使用混淆矩陣對(duì)準(zhǔn)確率P進(jìn)行定義，即為所有正確預(yù)測(cè)的數(shù)量除以預(yù)測(cè)總量所得的比值，如式(7)；混響矩陣如表3所示，其中預(yù)測(cè)和實(shí)際一致則為真，預(yù)測(cè)和實(shí)際不一致則為假，如果預(yù)測(cè)出來(lái)是“正”的，則為“陽(yáng)”，預(yù)測(cè)結(jié)果為 “負(fù)”，則為“陰”。另外通過(guò)分析模型預(yù)測(cè)值與基準(zhǔn)模型值及現(xiàn)場(chǎng)樣本數(shù)據(jù)的均方偏差(RMSE)對(duì)用戶個(gè)體熱舒適學(xué)習(xí)效果進(jìn)行誤差分析，如式(8)。

表3 混淆矩陣

(7)

式中,TP*為真陽(yáng)性，TN*為真陰性，F(xiàn)P*為假陽(yáng)性，F(xiàn)N*為假陰性。

(8)

式中，yi為第i個(gè)樣本點(diǎn)或基準(zhǔn)模型中TPI對(duì)應(yīng)的溫度值；y*i是第i個(gè)樣本點(diǎn)中TPI對(duì)應(yīng)的模型預(yù)測(cè)值。

模型預(yù)測(cè)的誤差結(jié)果見(jiàn)表4，青年、中年及老年用戶的熱舒適模型預(yù)測(cè)值與基準(zhǔn)模型RMSE分別為0.247 ℃、0.286 ℃、0.396 ℃。模型預(yù)測(cè)結(jié)果在保證與用戶基準(zhǔn)模型誤差小于0.5 ℃的誤差條件下對(duì)青年、中年及老年用戶舒適溫度范圍預(yù)測(cè)準(zhǔn)確率分別為90.5%、81.0%、85.7%，遠(yuǎn)高于傳統(tǒng)ASHRAE PMV-PPD標(biāo)準(zhǔn)對(duì)個(gè)人舒適溫度預(yù)測(cè)的準(zhǔn)確性56%[15]。青年、中年和老年用戶的熱舒適模型預(yù)測(cè)值與交互樣本誤差分別為1～1.6 ℃內(nèi)。其誤差原因?yàn)橛脩粼趯?duì)TPI進(jìn)行反饋時(shí)，自身熱感覺(jué)存在一定的模糊性，主觀反饋熱舒適具有不確定性。因此，DENFIS算法可以從含交互誤差的數(shù)據(jù)中準(zhǔn)確預(yù)測(cè)用戶熱舒適，降低交互過(guò)程中主觀性等干擾因素造成的誤差。

表4 模型預(yù)測(cè)值與基準(zhǔn)模型或現(xiàn)場(chǎng)數(shù)據(jù)值之間誤差

此外，聚類半徑閾值Dthr選取可影響聚類集的數(shù)量，從而影響模糊集的數(shù)量，由圖6可以看出，隨著Dthr增大，模糊集的數(shù)量逐漸減小，且變化率逐步降低。因?yàn)榫垲惏霃介撝礑thr的增大，使得聚類集合范圍增大可有效覆蓋樣本點(diǎn)數(shù)量，從而模糊集數(shù)隨Dthr的增大迅速減小，導(dǎo)致其變化率逐步降低。

圖6 不同Dthr的模糊集數(shù)量

圖7 Dthr對(duì)模型推理預(yù)測(cè)誤差的影響

由圖7可以看出，當(dāng)Dthr<0.2時(shí),模型預(yù)測(cè)輸出與交互樣本誤差相對(duì)平穩(wěn)(根據(jù)圖6可知，模糊集數(shù)大于2)；當(dāng)0.03

3.2 現(xiàn)場(chǎng)實(shí)驗(yàn)研究

為研究DENFIS算法對(duì)現(xiàn)場(chǎng)的實(shí)用性和仿真實(shí)驗(yàn)的有效性，利用本研究開(kāi)發(fā)的移動(dòng)端智能交互系統(tǒng)進(jìn)行辦公環(huán)境用戶熱舒適現(xiàn)場(chǎng)實(shí)驗(yàn)，選取夏季典型氣象日工作時(shí)段，2019年7月15日至2019年7月25日，上午9：00～12：00，下午2：00～5：00。著裝采用統(tǒng)一辦公著裝，上身為短襯衫，下身為長(zhǎng)褲。于西安市某辦公建筑會(huì)議室進(jìn)行，該辦公室尺寸為6.05 m(長(zhǎng))× 4.95 m(寬)× 3 m(高)，有兩個(gè)外墻、三扇窗戶、一個(gè)門(mén)。選取三名健康在校大學(xué)生作為實(shí)驗(yàn)對(duì)象，其基本信息如表5所示，在室內(nèi)的位置如圖8所示。

表5 實(shí)驗(yàn)對(duì)象基本信息

圖8 辦公會(huì)議室平面與人員位置情況

實(shí)驗(yàn)內(nèi)容主要包括室內(nèi)熱環(huán)境參數(shù)測(cè)量及實(shí)驗(yàn)對(duì)象個(gè)人主觀交互信息采集兩部分。測(cè)點(diǎn)位置依據(jù)ASHRAE55-2013《人類居住熱環(huán)境條件》中所規(guī)定的“測(cè)點(diǎn)部署于受試者胸前20厘米處”進(jìn)行布置。將采集的現(xiàn)場(chǎng)實(shí)驗(yàn)數(shù)據(jù)清洗后，采用DENFIS算法對(duì)以空氣溫度和TPI組成的樣本學(xué)習(xí)用戶熱舒適，輸出三名實(shí)驗(yàn)對(duì)象舒適預(yù)測(cè)結(jié)果，如圖9所示。

圖9 現(xiàn)場(chǎng)實(shí)驗(yàn)用戶熱舒適預(yù)測(cè)結(jié)果

從圖9中的用戶熱舒適預(yù)測(cè)結(jié)果看出，用戶1的最佳的熱舒適溫度為24.12 ℃，舒適溫度范圍為22.58～26.84 ℃；用戶2的最佳的熱舒適溫度為25.40 ℃，舒適溫度范圍為23.83～26.98 ℃；用戶3最佳的熱舒適溫度為26.40 ℃,舒適溫度范圍為24.43～28.42 ℃。由模型推理預(yù)測(cè)結(jié)果可知，個(gè)體舒適溫差可達(dá)5.84 ℃。三名用戶的熱舒適模型預(yù)測(cè)值與現(xiàn)場(chǎng)實(shí)驗(yàn)交互數(shù)據(jù)的RMSE分別為0.87 ℃、1.17 ℃、0.88 ℃，均小于仿真誤差結(jié)果，滿足仿真實(shí)驗(yàn)結(jié)論；且誤差也均小于個(gè)體間舒適偏好溫度的偏差2.6 ℃，滿足區(qū)分不同個(gè)體偏好溫度的預(yù)測(cè)需求，表明在線預(yù)測(cè)模型在實(shí)踐應(yīng)用中可以對(duì)個(gè)人熱舒適進(jìn)行有效預(yù)測(cè)并控制誤差在可接受范圍內(nèi)。

3.3 多用戶熱舒適預(yù)測(cè)研究

為進(jìn)一步研究在線預(yù)測(cè)模型對(duì)群體熱舒適預(yù)測(cè)的適用性，本文依據(jù)ASHRAE全球熱舒適數(shù)據(jù)庫(kù)II(The ASHRAE Global Thermal Comfort Database II)，對(duì)其中群體用戶熱舒適感數(shù)據(jù)集中空氣溫度和TPI的關(guān)系進(jìn)行了分析。首先選取夏季辦公建筑24歲女性群體用戶的數(shù)據(jù)集，然后依據(jù)該數(shù)據(jù)集中熱偏好、熱可接受性和PMV值等信息進(jìn)行數(shù)據(jù)清洗，剔除與TPI和空氣溫度不一致的數(shù)據(jù)，共獲取190組樣本數(shù)據(jù)。采用DENFIS算法對(duì)群體用戶熱舒適進(jìn)行預(yù)測(cè)，如圖10所示。

圖10 群體用戶熱舒適預(yù)測(cè)結(jié)果

該結(jié)果中熱感覺(jué)指標(biāo)TPI與室內(nèi)空氣溫度以舒適帶的形式表現(xiàn)，主要原因是群體用戶熱舒適感不同，即同一熱感覺(jué)指標(biāo)反饋對(duì)應(yīng)于不同溫度。群體用戶最佳的熱舒適區(qū)以TPI為0所映射的溫度范圍進(jìn)行定義。從圖10可以看出，預(yù)測(cè)結(jié)果顯示該群體用戶最佳舒適溫度范圍為22.92～24.50 ℃，預(yù)測(cè)值與群體樣本數(shù)據(jù)間的均方偏差約為1.06 ℃。該誤差產(chǎn)生源于群體數(shù)據(jù)中個(gè)人主觀反饋熱舒適的不確定性以及個(gè)體間的衣服熱阻和新陳代謝差異性等因素，但誤差在1 ℃左右，與現(xiàn)場(chǎng)研究結(jié)果一致，誤差結(jié)果小于個(gè)體間舒適偏好溫度的偏差2.6 ℃，結(jié)論表明預(yù)測(cè)模型同樣對(duì)群體熱舒適有很好的預(yù)測(cè)效果。

4 結(jié)束語(yǔ)

用戶熱感覺(jué)參數(shù)難以檢測(cè)與獲取，并對(duì)預(yù)測(cè)模型的建模帶來(lái)極大難度。因此本文設(shè)計(jì)并開(kāi)發(fā)了移動(dòng)端智能交互系統(tǒng)采集用戶熱舒適感數(shù)據(jù)，建立用戶學(xué)習(xí)樣本；在此基礎(chǔ)上，針對(duì)熱舒適具有動(dòng)態(tài)變化性問(wèn)題，將進(jìn)化聚類算法與Takagi-Sugeno推理模型結(jié)合，設(shè)計(jì)DENFIS算法，構(gòu)建基于熱感覺(jué)的在線預(yù)測(cè)模型；實(shí)驗(yàn)結(jié)果表明DENFIS算法對(duì)熱舒適預(yù)測(cè)主要特征如下：(1)在保證與用戶基準(zhǔn)模型誤差小于0.5 ℃的誤差條件下對(duì)用戶舒適溫度范圍預(yù)測(cè)準(zhǔn)確率最高可達(dá)90.5%，高于傳統(tǒng)標(biāo)準(zhǔn)對(duì)用戶舒適溫度預(yù)測(cè)的準(zhǔn)確率56%；(2)不僅能動(dòng)態(tài)建立預(yù)測(cè)模型，而且在簡(jiǎn)化建模參數(shù)的同時(shí)能夠有效降低交互過(guò)程中干擾因素造成的誤差；并在個(gè)體與群體用戶樣本數(shù)據(jù)中對(duì)熱舒適進(jìn)行有效預(yù)測(cè)并控制誤差在個(gè)體間舒適偏好溫度的偏差2.6 ℃內(nèi)；(3)在樣本數(shù)據(jù)聚類數(shù)為5時(shí)，預(yù)測(cè)模型可得到最佳預(yù)測(cè)結(jié)果。因此該方法基于熱感覺(jué)信息對(duì)用戶舒適溫度預(yù)測(cè)具有很高準(zhǔn)確度，為空調(diào)溫度的設(shè)定具有實(shí)際應(yīng)用價(jià)值。