王晓辉邱 映杨亚龙
1.北京建筑大学电气与信息工程学院
2.安徽建筑大学智能建筑与建筑节能安徽省重点实验室
人类对建筑环境舒适度的要求随着经济发展、科学的进步在逐渐提升。在智能家居快速发展的大环境下,单纯以温度调控为目标的空调系统控制已经不能满足人们的需求,以热舒适度为控制目标的空调控制策略不仅能满足人们对温湿度等环境指标的要求,还能达到节能的目的。人们可以根据舒适度值对空调系统进行反向调控,以获得最佳的室内环境。许多学者提出结合智能算法的方法进行舒适度值预测。文献[1]提出基于BP(Error Back-Propagation,BP)神经网络的舒适度预测模型,但该方法容易陷入极小值且比较依赖BP神经网络的初始权值和阈值。文献[2]通过支持向量机(Support Vector Machine,SVM)进行预测,虽然此方法改善了过拟合的现象,但预测结果误差较大。文献[3-4]加入粒子群(Particle Swarm Optimization,PSO)或遗传算法(Genetic Algorithm,GA)结合BP神经网络进行优化,但粒子群算法和遗传算法有着相似的缺点,即算法局部寻优能力较弱。本文采用遗传模拟退火(Genetic Simulated Annealing,GSA)算法优化BP神经网络对室内热舒适度值进行预测,模拟退火(Simulated Annealing,SA)算法可增强遗传算法的局部寻优能力,提高神经网络的预测精度。
评价室内环境舒适度最常用的指标是预测平均投票数(Predicted Mean Vote,PMV)。PMV是建立在人体热平衡基础上较全面的热舒适指标,该指标代表同一状态下大多数人对环境的平均反应,在室内环境评价中具有普适性。……