考慮學(xué)習(xí)效率的教室內(nèi)熱環(huán)境調(diào)控系統(tǒng)研究

王曉輝, 李兆巍, 楊亞龍

(1.北京建筑大學(xué)電氣與信息工程學(xué)院, 北京 100044; 2.安徽建筑大學(xué)智能建筑與建筑節(jié)能安徽省重點實驗室, 合肥 230022)

教室作為學(xué)生日常學(xué)習(xí)的主要場所,其環(huán)境的優(yōu)劣對學(xué)生來講十分重要[1-4]。文獻[5-9]研究表明,教室環(huán)境會影響學(xué)生舒適程度的同時,也會影響學(xué)生的學(xué)習(xí)效率。隨著科學(xué)技術(shù)的不斷發(fā)展,室內(nèi)熱環(huán)境調(diào)控系統(tǒng)已成為當(dāng)前研究的熱點之一,而如何利用人工智能技術(shù)設(shè)計智能控制策略,提高室內(nèi)空氣質(zhì)量和舒適度、減少能耗已經(jīng)成為研究重點。

文獻[10]基于機器學(xué)習(xí)對3種不同通風(fēng)方式的室內(nèi)控制策略分別進行能耗測試,實驗結(jié)果建議在設(shè)計調(diào)控系統(tǒng)時應(yīng)增加受控設(shè)備的多樣性,以達到節(jié)能的目的。張明揚[11]采用機器學(xué)習(xí)算法,以新有效溫度為舒適指標(biāo),提出基于熱適應(yīng)的綠色建筑環(huán)境智能控制系統(tǒng),實現(xiàn)了對室內(nèi)熱環(huán)境的智能控制和優(yōu)化,該系統(tǒng)可以提高建筑的舒適度,減少能耗污染。文獻[12]系統(tǒng)地總結(jié)了智能建筑熱環(huán)境調(diào)控系統(tǒng)的研究進展,指出人工智能技術(shù)對于室內(nèi)熱環(huán)境調(diào)節(jié)的準(zhǔn)確性和預(yù)測性起到了重要的作用。文獻[13]利用神經(jīng)網(wǎng)絡(luò)構(gòu)建自啟發(fā)算法,提出一種適用于學(xué)校的智能暖通空調(diào)控制策略,可自適應(yīng)調(diào)節(jié)供暖等設(shè)備的工作狀態(tài)。

研究人員為更快速、準(zhǔn)確地獲取當(dāng)前熱環(huán)境數(shù)據(jù)進行了詳細研究。文獻[14-15]嘗試將個人熱舒適模型應(yīng)用于室內(nèi)熱環(huán)境調(diào)控系統(tǒng)中,實現(xiàn)個性化的室內(nèi)熱環(huán)境控制,提高用戶滿意度。文獻[16-17]對互動式界面收集個性化人體熱感覺數(shù)據(jù)這一重點展開研究,以完善智能建筑的熱環(huán)境控制方案,提高用戶的接受度。文獻[18-19]則是通過使用生理參數(shù)識別技術(shù)預(yù)測人體的實時熱感覺,以解決調(diào)控?zé)岘h(huán)境設(shè)備實際運行情況與用戶實際熱感覺脫節(jié)的問題。

同樣地,針對調(diào)控系統(tǒng)的具體控制方式,也有大量的相關(guān)研究。韓雪穎通過感知收集室內(nèi)的環(huán)境參數(shù),利用模糊控制方法,實現(xiàn)對室內(nèi)空氣質(zhì)量等參數(shù)的智能控制[20]。蔣延煒[21]通過對人體熱舒適指標(biāo)預(yù)測平均投票值(predicted mean vote,PMV)進行監(jiān)測調(diào)整,采用模糊比例積分微分(proportion integration differentiation,PID)控制算法實現(xiàn)了對室內(nèi)熱濕環(huán)境的智能控制。文獻[22]針對氣候變化對養(yǎng)老建筑的熱環(huán)境動態(tài)調(diào)節(jié)進行研究,提出了一種基于建筑熱環(huán)境的動態(tài)控制方法,通過預(yù)測氣象條件和分析室內(nèi)環(huán)境參數(shù)來實現(xiàn)智能化控制。

綜上所述,現(xiàn)今室內(nèi)熱環(huán)境調(diào)控系統(tǒng)主要面向數(shù)據(jù)采集、對室內(nèi)熱環(huán)境情況進行預(yù)測、具體控制方式等方面進行研究和優(yōu)化。然而現(xiàn)階段,針對教室這一以學(xué)習(xí)效率為關(guān)注點的特定場所,室內(nèi)熱環(huán)境調(diào)控系統(tǒng)的研究較為空白,這使得加強教室內(nèi)熱環(huán)境調(diào)控系統(tǒng)的設(shè)計變得十分緊迫。

鑒于此,以學(xué)習(xí)效率為出發(fā)點,兼顧熱舒適度,設(shè)計一套教室內(nèi)熱環(huán)境調(diào)控系統(tǒng)。采取直接和間接相結(jié)合的方式來調(diào)控PMV,直接控制PMV的主要影響因素如溫度、風(fēng)速和相對濕度,以達到間接調(diào)控PMV的目的。提出基于粒子群優(yōu)化的BPNN(back propagation neural network)模型來預(yù)測PMV值,以便及時響應(yīng)當(dāng)前的熱環(huán)境。通過量化學(xué)習(xí)效率與PMV之間的關(guān)系,以及考慮各熱環(huán)境相關(guān)物理量的舒適范圍,確定調(diào)控方案的控制目標(biāo)。提出BP-PID控制算法對各環(huán)境參數(shù)進行調(diào)節(jié),以實現(xiàn)調(diào)控室內(nèi)熱環(huán)境的目的。最后,通過系統(tǒng)仿真模擬,對比調(diào)控前后的室內(nèi)熱環(huán)境和學(xué)生學(xué)習(xí)效率,證明該方案的有效性。在使學(xué)生感到舒適和使其學(xué)習(xí)效率維持較高水平間找到平衡,設(shè)計出了一套室內(nèi)熱環(huán)境調(diào)控系統(tǒng),為積極推進智慧教室的建設(shè)提供了有效依據(jù)。

1 室內(nèi)熱環(huán)境調(diào)控系統(tǒng)介紹

1.1 調(diào)控系統(tǒng)概述

選取在國際上認知度較高、且應(yīng)用最為廣泛的評價熱舒適度指標(biāo)PMV作為室內(nèi)熱環(huán)境的評價指標(biāo)[23]。PMV的主要影響因素包括4個環(huán)境因素:溫度、風(fēng)速、相對濕度和平均輻射溫度,考慮對PMV影響程度以及控制的可操作性,選取前三者作為調(diào)控方案的控制對象。

對PMV的控制目前分為直接和間接控制兩種方式,其中直接控制是將PMV直接作為控制目標(biāo),間接控制是將溫度等環(huán)境物理量作為控制目標(biāo),而PMV僅作參考。不同于上述兩種,采用直接與間接相結(jié)合的控制方式,將當(dāng)前熱環(huán)境狀態(tài)與PMV設(shè)定目標(biāo)進行對比,通過直接控制溫度、風(fēng)速和相對濕度3個環(huán)境物理量,達到間接控制PMV的最終目標(biāo)。

所設(shè)計的室內(nèi)熱環(huán)境調(diào)控系統(tǒng)在運行過程中實時采集當(dāng)前的熱環(huán)境相關(guān)參數(shù)(溫度、風(fēng)速以及相對濕度),準(zhǔn)確、快速地計算出當(dāng)前的PMV,進而以此為依據(jù),判斷是否需要對當(dāng)前室內(nèi)熱環(huán)境進行調(diào)控。若需要,則自動計算溫度、風(fēng)速以及相對濕度的調(diào)控目標(biāo)值,通過控制器對各個模塊分別進行調(diào)節(jié),并進行實時反饋。

1.2 調(diào)控系統(tǒng)構(gòu)成

所設(shè)計的室內(nèi)熱環(huán)境調(diào)控系統(tǒng)結(jié)構(gòu)如圖1所示,系統(tǒng)所包括的4個模塊及其所實現(xiàn)的功能如下。

圖1 室內(nèi)熱環(huán)境調(diào)控系統(tǒng)結(jié)構(gòu)圖Fig.1 Structure of the indoor thermal environment control system

(1)采集模塊。通過傳感器實時采集當(dāng)前熱環(huán)境數(shù)據(jù)(溫度、風(fēng)速和相對濕度),便于與調(diào)控目標(biāo)進行對比。

(2)預(yù)測模塊。通過粒子群改進的BPNN對PMV進行預(yù)測,便于實時獲取當(dāng)前PMV。

(3)邏輯模塊。綜合考慮當(dāng)前熱環(huán)境情況和調(diào)控目標(biāo)范圍,通過邏輯推理確定各物理量的調(diào)控目標(biāo)。

(4)控制模塊。在確定各物理量調(diào)控目標(biāo)的基礎(chǔ)上,通過BP-PID控制器對各環(huán)境物理量進行調(diào)節(jié),使其達到目標(biāo)值。

2 室內(nèi)熱環(huán)境調(diào)控系統(tǒng)設(shè)計

2.1 基于PSO-BP的PMV預(yù)測模型的構(gòu)建

由于PMV的傳統(tǒng)計算方法存在參數(shù)相互耦合和計算量大的問題,因此考慮采用適當(dāng)?shù)哪Ｐ蛯MV進行實時預(yù)測。雖然BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)簡單、對復(fù)雜非線性函數(shù)具有良好的學(xué)習(xí)和預(yù)測的能力,但仍然面臨學(xué)習(xí)速率慢和網(wǎng)絡(luò)結(jié)構(gòu)不確定性等缺陷。而粒子群優(yōu)化(particle swarm optimization,PSO)算法能夠通過信息共享在全局中搜索最優(yōu)權(quán)值閾值,以此來優(yōu)化BPNN的初始化權(quán)重閾值,解決其過擬合問題,提高了收斂速度和網(wǎng)絡(luò)性能穩(wěn)定。因此,采用PSO對BPNN進行優(yōu)化,即PSO-BP,以提高對PMV預(yù)測的精度和效率。

首先確定粒子群優(yōu)化算法的基礎(chǔ)參數(shù)。根據(jù)預(yù)測的PMV指標(biāo)特點,綜合考慮通用預(yù)測模型的參數(shù)取值范圍,確定采用的PSO-BP算法的基礎(chǔ)參數(shù)如表1所示。

表1 PSO-BP預(yù)測模型參數(shù)設(shè)置Table 1 PSO-BP prediction model parameter settings

實驗數(shù)據(jù)由實驗室中各類傳感器采集所得,經(jīng)過篩選處理后共得到631組樣本數(shù)據(jù)。將數(shù)據(jù)劃分為兩組:其中531組數(shù)據(jù)作為訓(xùn)練組,用于對網(wǎng)絡(luò)模型進行訓(xùn)練;另外100組數(shù)據(jù)為測試組,用于測試該模型對PMV的預(yù)測性能。

對BPNN和PSO-BPNN兩個模型分別進行訓(xùn)練并測試,結(jié)果如圖2所示。可以看出,PSO-BPNN預(yù)測模型與真實值的擬合程度相對傳統(tǒng)BPNN更高,說明經(jīng)過PSO優(yōu)化后的模型預(yù)測精度更高。

圖2 PSO-BPNN對PMV的預(yù)測結(jié)果Fig.2 Predicted results of PSO-BPNN for PMV

表2詳細比較了兩種預(yù)測模型的精確度,可以看出,對于PMV的預(yù)測結(jié)果,PSO-BPNN 比BPNN預(yù)測模型的平均絕對誤差降低了80.10%,均方誤差和均方誤差根僅為改進前的3.78%和19.42%。綜上所述,PSO優(yōu)化后的BPNN模型對PMV的預(yù)測效果更好,可應(yīng)用至調(diào)控系統(tǒng)的設(shè)計中。

表2 兩種預(yù)測模型誤差指標(biāo)對比Table 2 Comparison of the error metrics of the two prediction models

2.2 控制目標(biāo)的邏輯確定

為使調(diào)控系統(tǒng)實現(xiàn)調(diào)節(jié)室內(nèi)環(huán)境的作用,首先需要明確調(diào)控方案中各個物理量(PMV、溫度、風(fēng)速和相對濕度)的調(diào)控目標(biāo)(范圍),繼而再通過控制模塊使其達到目標(biāo)值。

在設(shè)計調(diào)控系統(tǒng)之前,為探究學(xué)習(xí)效率與PMV的量化對應(yīng)關(guān)系,設(shè)計Stroop顏色測試、事件邏輯排序測試、打字速度測試等實驗[24],測量不同PMV工況下所對應(yīng)的學(xué)習(xí)效率,對實驗結(jié)果進行回歸擬合,確定了PMV與學(xué)習(xí)效率的擬合曲線為:y=3.030 9-0.244 29x-0.296 2x2,表示學(xué)習(xí)效率在偏涼爽的時候較高,當(dāng)PMV=-0.592 4時,被試者的學(xué)習(xí)效率可達到最高值。

考慮不同地區(qū)、性別、生活習(xí)慣的學(xué)生對室內(nèi)環(huán)境的不同個人偏好,并綜合考慮空調(diào)系統(tǒng)的節(jié)能問題,本調(diào)控方案將PMV的控制目標(biāo)范圍確定在-0.59%±5%(-0.619 5風(fēng)速>相對濕度。雖然很多熱環(huán)境調(diào)控方案中未考慮風(fēng)速。然而文獻[26]表明,在高溫環(huán)境下使用桌面風(fēng)扇(即改變風(fēng)速)可以有效提高舒適程度和工作效率,因此本文調(diào)控方案按溫度→風(fēng)速→相對濕度的順序?qū)κ覂?nèi)環(huán)境進行調(diào)控。

首先需要確定溫度、風(fēng)速和相對濕度的調(diào)控范圍,參考《民用建筑供暖通風(fēng)與空氣調(diào)節(jié)規(guī)范》(GB 50736—2012)[27]中對空氣質(zhì)量所提出的要求,確定影響室內(nèi)熱環(huán)境各物理量的目標(biāo)范圍如表3所示,對于不同典型季節(jié),溫度的調(diào)節(jié)目標(biāo)區(qū)間有所變化。

表3 影響室內(nèi)熱環(huán)境各物理量目標(biāo)區(qū)間Table 3 Target intervals for each physical quantity affecting the indoor thermal environment

基于以上各物理量目標(biāo)區(qū)間,本調(diào)控系統(tǒng)中邏輯模塊的策略如圖3所示。

圖3 邏輯模塊流程圖Fig.3 Flow chart of the logic module

首先,實時采集室內(nèi)環(huán)境數(shù)據(jù),并通過實時預(yù)測當(dāng)前PMV值,隨即進入確定控制目標(biāo)的邏輯環(huán)節(jié):若PMV在目標(biāo)范圍內(nèi),即-0.619 5

根據(jù)目標(biāo)范圍依次調(diào)整溫度、風(fēng)速和相對濕度至各自目標(biāo)值。如果值大于目標(biāo)區(qū)間最大值,則調(diào)整至目標(biāo)范圍最大值。如果小于目標(biāo)區(qū)間最小值,則調(diào)整至目標(biāo)范圍最小值。

將PMV與目標(biāo)范圍進行比較。在PMV與設(shè)定目標(biāo)相差較多時,先降低溫度;在對接近目標(biāo)范圍的PMV值時減少相對濕度。如PMV>-0.560 5時,則逐步地降低室內(nèi)溫度、提高風(fēng)速、減少相對濕度的控制目標(biāo)以減小PMV。PMV<-0.619 5時同理。

確定各物理量的控制目標(biāo)后,通過控制模塊對溫度、風(fēng)速和相對濕度進行調(diào)控。再次采集實時室內(nèi)環(huán)境數(shù)據(jù),并重復(fù)執(zhí)行上述步驟以不斷調(diào)節(jié)室內(nèi)環(huán)境。

2.3 BP-PID控制器的設(shè)計與實現(xiàn)

確定3個環(huán)境因素的調(diào)控目標(biāo),進一步地,需要確定如何使其達到該目標(biāo)值。PID控制算法具有算法簡單、魯棒性好、可靠性高等優(yōu)點,尤其適用于可建立精確數(shù)學(xué)模型的確定性控制系統(tǒng)[28]。

影響PID控制器性能的主要因素是比例系數(shù)Kp、積分系數(shù)Ki和微分系數(shù)Kd三者的組合方式,但這種組合關(guān)系不一定是簡單的線性組合,大部分情況下,最佳組合方式存在于變化無窮的非線性組合中。BPNN具有任意非線性表達的能力,可以通過有效地學(xué)習(xí)系統(tǒng)性能來獲得具有最佳參數(shù)組合的PID控制器。因此,研究人員將其與PID控制結(jié)合起來,開發(fā)了基于BPNN的自學(xué)習(xí)PID控制器,即BP-PID控制器[29]。

BP-PID控制器可根據(jù)系統(tǒng)的偏差e(t),通過神經(jīng)網(wǎng)絡(luò)自學(xué)習(xí),采用梯度下降法調(diào)整加權(quán)系數(shù),使BPNN的輸出對應(yīng)于PID控制器的3個可調(diào)參數(shù),實現(xiàn)比模糊規(guī)則更穩(wěn)定的PID參數(shù)自適應(yīng)調(diào)整,使系統(tǒng)輸出盡快達到給定值,適應(yīng)性更強,更為靈活。

BPNN是一種按照偏差逆向傳播算法訓(xùn)練的多層前饋神經(jīng)網(wǎng)絡(luò),在結(jié)構(gòu)上分為輸入層、隱含層和輸出層,每層節(jié)點數(shù)不同,具體模型參數(shù)如表4所示。

表4 BP-PID中的BPNN模型參數(shù)設(shè)置Table 4 Parameter settings for the BPNN model in BP-PID

針對前述進行學(xué)習(xí)效率實驗的場地,繼續(xù)展開室內(nèi)熱環(huán)境的研究,具體參數(shù)如下:房間尺寸為7.5 m(長)×4 m(寬)×3.75 m(高),窗面積6.75 m2,傳熱系數(shù)2.3 W/(m2/K),外墻面積9.375 m2,傳熱系數(shù)0.583 W/(m2/K)。房間內(nèi)室內(nèi)環(huán)境依靠集中式空調(diào)系統(tǒng)進行調(diào)控,空調(diào)距地1.85 m。

根據(jù)室內(nèi)濕量守恒定律得到空調(diào)房間濕度模型G1(s)為

(1)

式中:s為復(fù)頻率。

同理可求風(fēng)速模型G2(s)為

(2)

溫度模型G3(s)為

(3)

在MATLAB/Simulink中搭建仿真模型,對上述BP-PID控制器的控制效果進行仿真模擬。將以濕度模塊為例,詳細對比3種PID控制器(傳統(tǒng)PID、模糊PID和BP-PID控制器)的控制效果。

將控制目標(biāo)的相對濕度設(shè)定為65%,詳細對比3種不同控制器的控制效果,得到各階躍響應(yīng)曲線如圖4所示。可以看出,3種不同PID控制器的階躍響應(yīng)曲線大致走向均是先快速升高至達到最大值,隨后開始下降,可能會低于調(diào)控目標(biāo)(傳統(tǒng)PID控制器),最后通過細微調(diào)整使被調(diào)控量逐漸穩(wěn)定在調(diào)控目標(biāo)值附近。

圖4 相對濕度階躍響應(yīng)曲線Fig.4 Step response curve for relative humidity

為了更清晰地體現(xiàn)該控制算法的優(yōu)越性,選取控制系統(tǒng)評價指標(biāo)的參數(shù)進行詳細分析,如表5所示。由表5數(shù)據(jù)可知,BP-PID比傳統(tǒng)PID和模糊PID控制器在調(diào)節(jié)時間上分別減少了74.25%和73.63%,超調(diào)量也減小至原本的85.01%和89.64%。綜上所述,BP-PID控制器的超調(diào)量更小,峰值時間和調(diào)節(jié)時間也較短,證明了所設(shè)計的BP-PID控制器在穩(wěn)定性和快速性上表現(xiàn)良好,可用于室內(nèi)熱環(huán)境調(diào)控系統(tǒng)的控制模塊中。

表5 BP-PID與傳統(tǒng)PID及模糊PID控制效果的比較Table 5 Comparison of the effect of BP-PID with conventional PID and fuzzy PID control

后續(xù)調(diào)控方案效果研究中,將上述室內(nèi)熱環(huán)境模型作為表示輸入與輸出間數(shù)量關(guān)系的函數(shù),在確定BP-PID控制器的輸入后,輸出就可以根據(jù)該模型和輸入運用拉普拉斯反變換方法確定。在實際應(yīng)用中將其作為傳遞函數(shù)導(dǎo)入Simulink,實現(xiàn)在MATLAB中的仿真模擬。

3 室內(nèi)熱環(huán)境調(diào)控系統(tǒng)仿真分析

3.1 數(shù)據(jù)來源

為探究本文所設(shè)計的調(diào)控系統(tǒng)性能,在軟件中進行仿真模擬,記錄溫度、風(fēng)速、相對濕度及PMV在經(jīng)過本調(diào)控系統(tǒng)調(diào)控前后的數(shù)值進行對比。通過傳感器采集室內(nèi)環(huán)境數(shù)據(jù)作為初始數(shù)據(jù),根據(jù)典型季節(jié)將數(shù)據(jù)劃分為冬季、夏季以及過渡季,選取每個典型季節(jié)10組、全年共30組用于仿真模擬,部分樣本數(shù)據(jù)如表6所示。

表6 部分仿真數(shù)據(jù)樣本Table 6 Selected sample simulation data excerpts

3.2 仿真模型

在MATLAB/SIMULINK中建立室內(nèi)熱環(huán)境調(diào)控系統(tǒng)的仿真模型,如圖5所示(其他季節(jié)僅自定義函數(shù)模塊內(nèi)部數(shù)據(jù)設(shè)定不同,但仿真模型結(jié)構(gòu)未變)。首先,使用傳感器采集溫度、風(fēng)速和相對濕度3個物理量的實時值treal、vreal、hreal,并采用PSO-BPNN實時預(yù)測當(dāng)前的PMV值。通過確定控制目標(biāo)模塊得到各模塊的調(diào)節(jié)目標(biāo)值tset、vset、hset,進入控制模塊。該模塊中,通過BPNN自學(xué)習(xí)來調(diào)節(jié)PID控制器的3個參數(shù),經(jīng)過傳遞函數(shù)得到當(dāng)前環(huán)境狀況,即3個環(huán)境物理量的實時值treal、vreal、hreal,通過PSO-BPNN再次預(yù)測PMV值,并將實時值反饋給邏輯推理部分,進而再次循環(huán)以達到動態(tài)控制的目的。

treal、vreal、hreal和PMVreal分別為傳感器采集溫度、風(fēng)速、相對濕度和PMV的實時值;tset、vset、hset分別為通過確定控制目標(biāo)模塊得到各模塊的調(diào)節(jié)目標(biāo)值;fcn為預(yù)測和邏輯模塊部分的自定義函數(shù);pmd 為預(yù)測模塊部分的自定義函數(shù);r(k)、y(k)和u(k)分別為BP-PID控制器的給定量、輸出和被控系統(tǒng)輸出;Scope1、Scope2、Scope3和Scope分別為可以顯示溫度模型、風(fēng)速模型、濕度模型和PMV的示波器圖5 室內(nèi)熱環(huán)境調(diào)控方案仿真模型Fig.5 Simulation model of an indoor thermal climate control scheme

3.3 仿真結(jié)果分析

為詳細觀察調(diào)控系統(tǒng)的實時控制效果,選取一組數(shù)據(jù)(溫度為21.2 ℃,風(fēng)速為0.1 m/s,相對濕度為33.4%)分析其PMV的實時變化,如圖6所示。圖6(a)～圖6(d)分別為溫度、風(fēng)速、相對濕度和PMV的階躍響應(yīng)曲線,溫度、風(fēng)速和相對濕度的調(diào)節(jié)時間依次為2.571、1.469、753.285 s,PMV的走勢先快速上升,后上升速度明顯減慢,逐漸靠近PMV的目標(biāo)范圍,最終維持在-0.564 7,調(diào)節(jié)時間取決于所需穩(wěn)定時間最長的相對濕度。

根據(jù)PMV與學(xué)習(xí)效率的解析關(guān)系可以估算出調(diào)節(jié)前,即PMV=0.184 2時,學(xué)習(xí)效率為2.975 85;經(jīng)過熱環(huán)境調(diào)控方案調(diào)節(jié)后,PMV=-0.564 7,學(xué)習(xí)效率為3.074 40,提高為原來的103.312%。

通過對所選取的某一組數(shù)據(jù)進行仿真,詳細計算了調(diào)控系統(tǒng)工作過程中各物理量的變化過程。為進一步研究調(diào)控系統(tǒng)的普適性,對全部的樣本數(shù)據(jù)進行仿真模擬,得到調(diào)控前后的各環(huán)境物理量及其控制目標(biāo)范圍的對比以及調(diào)控前后學(xué)習(xí)效率的對比,如圖7所示。

橫坐標(biāo)數(shù)據(jù)1～10為夏季;11～20為過渡季;21～30為冬季圖7 調(diào)控前后各量對比Fig.7 Comparison by volume before and after regulation

圖7(a)和圖7(d)可以看出,現(xiàn)有高校教室內(nèi)的熱環(huán)境相較調(diào)控目標(biāo)偏暖,尤其夏季和過渡季,冬季室內(nèi)PMV與目標(biāo)相差最小,甚至有些情況下不需要對當(dāng)前室內(nèi)熱環(huán)境做出調(diào)整。圖7(b)和圖7(c)表示自然情況下教室內(nèi)普遍存在無風(fēng)感、較為干燥的現(xiàn)象,在實際生活中略微風(fēng)感和恰當(dāng)?shù)臐穸葧黾訉W(xué)生在教室中的舒適程度,因此針對風(fēng)速和相對濕度同樣進行了調(diào)整。

從圖7(a)～圖7(d)中可以看出教室內(nèi)熱環(huán)境在經(jīng)過系統(tǒng)調(diào)控后,各環(huán)境物理量均在系統(tǒng)設(shè)計時所提出的控制目標(biāo)范圍內(nèi)(表3)。圖7(e)為調(diào)控前后的學(xué)習(xí)效率對比,可以看出熱環(huán)境調(diào)控后的學(xué)習(xí)效率普遍高于調(diào)控前,調(diào)節(jié)前的學(xué)習(xí)效率平均值為2.863 6,調(diào)節(jié)后可以達到3.074 3,平均可提高為原來的107.36%,體現(xiàn)了所提出的調(diào)控系統(tǒng)的有效性。

所提出的調(diào)控系統(tǒng)中具體的調(diào)控參數(shù)是基于特定研究場所做實驗的結(jié)果分析,在不同情況下所得到的學(xué)習(xí)效率最高時的PMV值可能略有差異,可根據(jù)實際所測數(shù)據(jù)修正調(diào)控方案中的調(diào)控參數(shù)。

4 結(jié)論

針對高校智慧教室,以提高學(xué)生的學(xué)習(xí)效率為目的,兼顧PMV,設(shè)計了一套室內(nèi)熱環(huán)境調(diào)控系統(tǒng)。通過理論研究、仿真模擬以及結(jié)果分析得出以下結(jié)論。

(1)通過PSO算法對BPNN進行改進,構(gòu)建出PSO-BPNN模型對PMV進行預(yù)測,以解決PMV計算復(fù)雜、BPNN網(wǎng)絡(luò)結(jié)構(gòu)不穩(wěn)定、易產(chǎn)生過擬合等問題。仿真結(jié)果表明PSO-BPNN 比BPNN預(yù)測模型在平均絕對誤差上降低了80.10%,預(yù)測精度更高,將其用于調(diào)控系統(tǒng)的預(yù)測模塊。

(2)通過對PMV的主要環(huán)境影響因素進行分析,提出先調(diào)節(jié)溫度,再調(diào)節(jié)風(fēng)速,最后通過調(diào)節(jié)濕度來對PMV進行微調(diào)的方案,以確定各環(huán)境物理量的控制目標(biāo),該部分用于調(diào)控系統(tǒng)的邏輯模塊。

(3)設(shè)計出針對環(huán)境物理量的BP-PID控制器,在確定溫度、風(fēng)速和相對濕度控制目標(biāo)的基礎(chǔ)上對其進行調(diào)控。仿真結(jié)果表明,相較傳統(tǒng)PID與模糊PID,BP-PID控制器的調(diào)節(jié)時間縮短了74.25%和73.63%,超調(diào)量也減小至原本的85.01%和89.64%,調(diào)控效果更好,并將其應(yīng)于調(diào)控系統(tǒng)的控制模塊。

(4)對包含采集、預(yù)測、邏輯以及控制4個模塊的教室內(nèi)熱環(huán)境調(diào)控系統(tǒng)進行仿真模擬,結(jié)果表明本調(diào)控系統(tǒng)可以對溫度、風(fēng)速、相對濕度以及PMV進行有效控制,將學(xué)生的學(xué)習(xí)效率提高到原來的107.36%,在保持舒適性的同時,盡可能地為學(xué)生創(chuàng)造良好高效的學(xué)習(xí)環(huán)境,為高校智慧教室的室內(nèi)熱環(huán)境調(diào)控提供了切實有效的方案。