基于热舒适度和焓值的室内环境联控策略

王晓辉， 邱映， 杨亚龙

(1.北京建筑大学电气与信息工程学院， 北京 102600； 2. 安徽建筑大学智能建筑与建筑节能安徽省重点实验室， 合肥 230022)

随着现代文明和社会的发展，人们对建筑室内环境的要求渐渐提高。在智能家居快速发展的大环境下，单一的以温度控制为目标的室内环境控制已不能满足人们的需求，引入热舒适度指标的室内环境控制策略已成为研究的热点。该策略通过对各环境参数的综合调控，使得室内热环境总是保持在人体的舒适范围内。

在保证最佳室内环境的同时，节能也是一个不能忽视的目标。在全球低碳发展的背景下，中国于2021年3月提出了“碳达峰”与“碳中和”的概念，而建筑行业的节能减排是中国完成碳达峰与碳中和目标的重要渠道，其中供暖和空调能耗占建筑总能耗的一半以上[1-2]，因此，室内环境控制系统的节能性研究将具有重要意义，以热舒适度和节能为主的室内环境控制策略将成为未来研究的重点。一些学者基于空调建模对空调的可控部件进行系统能耗优化[3-4]，但是忽略了人体对舒适度的要求；黄萍等[5]通过分析辐射-新风复合系统中辐射末端供水流量和供水温度对室内热环境的影响，得到了供水流量从220 kg/h增加到260 kg/h时，室内温度将提前1 h达到设定范围的结论，同时推荐夏季最佳辐射末端供水温度为18.0 ℃；王有为[6]利用以真空管太阳能为热源的供热系统，通过对供热循环水泵、除湿机以及风机的控制，改善了室内环境舒适度，结果表明冬季夜晚供热模式可以使采暖房间热舒适度指标平均提高0.81；Zhang等[7]对风速和室内温度进行调节，使室内环境在满足修正的热舒适度指标基础上节约空调能源。模拟结果显示，这种方法能使空调节能7.3%。王琳等[8]提出一种适用于夏热冬冷地区办公建筑的利用复合形法实时控制各类空调系统以达到节能控制目的的方法。上述研究针对室内环境调整提出了多种方法，在改善室内舒适度和节省能耗上均取得了一定成效，但多未考虑室内外环境交换的情况。现针对室内环境舒适性与节能的协调控制问题，提出一种基于热舒适度和焓值的室内环境联控策略，充分考虑季节特性以及室外环境交换，在基于平均热感觉指数(predicted mean vote,PMV)的室内环境控制基础上，引入焓值作为开窗通风行为的判断依据，对室内环境进行舒适与节能的协调优化。

1 基于热舒适度的室内环境控制

1.1 室内环境热舒适度指标

PMV指标是建立在人体热平衡基础上较权威的室内环境热舒适度评价指标，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，本文中同样以PMV指标作为热舒适度的评价指标。1984年国际标准化组织在丹麦学者P. O. Fanger的研究成果基础上提出PMV指标[9-10]，并制定了ISO7730标准。该标准推荐PMV指标的适宜值为-0.5≤PMV≤0.5，其计算公式为

PMV=(3.03e-0.036M+0.028)M-W-

3.05×10-3[5 733-6.99(M-W)-Pa]-

0.42[(M-W)-58.15]-

1.7×10-5M(5 867-Pa)-

0.001 4M(34-ta)-

3.96×10-8fcl[(tcl+273)4-(tr+273)4]-

fclhc(tcl-ta)

(1)

式(1)中：M为人体的新陈代谢量，W/m2；W为人体对外所做的机械功率，W；Pa为环境空气中水蒸气分压力，是相对湿度φ的函数；ta为人体周围的空气温度，℃；tr为房间的平均辐射温度，℃；tcl为衣服外表面温度，℃；hc为表面热传系数，W/(m·K)，是空气相对流速Va的函数；fcl为穿衣人体表面与裸体人体表面积之比，是衣服热阻Icl的函数。

分析式(1)可知，影响人体热舒适度的因素共有6个，其中2个主观因素为：M(人体新陈代谢量)和Icl(衣服热阻)，4个客观因素分别为：ta(温度)、Va(风速)、φ(相对湿度)以及tr(平均辐射温度)。

式(1)中，tcl=f(M,W,Icl,fcl,hc,ta,tr)。由于tcl关联的因素较多，PMV计算时易受到多个参数互相耦合的影响，并且计算方程中含有指数项。若通过计算机直接迭代求解PMV，计算过程将非常复杂，计算量大且计算时间长。利用智能算法预测PMV不仅能缩短计算时间，还能提高计算精度。因此采用数值预测的方法对PMV值进行计算。

1.2 基于GSA-BPNN的PMV预测

BP神经网络(back propagation neural network, BPNN)模型对复杂非线性函数具有良好的预测能力和学习能力。考虑到在计算PMV时存在复杂的耦合性以及迭代计算，如果直接采用BPNN来构建PMV的预测模型，可能存在收敛速度慢、容易使结果陷入局部极值等问题[11-12]，因此采用遗传模拟退火算法(genetic simulated annealing, GSA)优化BPNN的初始权值和阈值以提高其性能。在构建PMV预测模型时，将室内环境调整所涉及的温度、湿度和风速三个客观因素设置为BPNN的输入，隐含层节点数量符合2n+1规律(n为输入节点的个数)[13]，输出为PMV。于是，该BPNN模型的拓扑结构为3-7-1，对应的预测模型参数设置如表1所示。

实验数据来源于某办公室传感器所采集的温湿度数据，取其中3月的1 041组数据进行实验，以其中1 000组作为训练样本，剩下的41组作为测试样本。根据《民用建筑供暖通风与空气调节设计规范》(GB 50736—2012)[14]和《夏热冬冷地区居住建筑节能设计标准》(JGJ 75—2012)[15]设定新陈代谢量M=1.2 Met(1 Met=58.15 W/m)；衣服热阻Icl=0.5(夏季)，Icl=0.9(冬季)；风速取值为0～1 m/s；部分实验数据如表2所示。

表1 GSA-BPNN预测模型参数设置Table 1 Parameter settings of GSA-BPNN prediction model

利用MATLAB训练GSA-BPNN模型并进行测试，结果如图1所示。

由图1可知，该模型预测结果与实际的PMV拟合程度高、预测效果较好。为体现该算法的优越性，用相同的实验数据，分别使用BPNN、GA(genetic algorithm)-BPNN两种模型对PMV值进行预测，与GSA-BPNN模型预测的结果进行比较，结果如表3所示。

由结果比较可知，GSA-BPNN比BPNN和GA-BPNN在平均误差上分别降低了95.4%和86.6%；在均方根误差上分别降低了75.5%和62.1%；且GSA-BPNN的最大误差与最小误差均低于其余两种模型。综上所述，基于GSA-BPNN预测PMV的方法预测精度好，下文将采用此方法对PMV进行计算。

表2 部分实验数据节选Table 2 Excerpt of experimental data

表3 三种预测方法评价比较Table 3 Evaluation comparison of the three prediction methods

图1 GSA-BPNN预测PMV值结果Fig.1 GSA-BPNN prediction results of PMV values

1.3 基于PMV的室内环境控制策略

在室内环境控制过程中，对于温度、湿度、风速的控制顺序由它们对PMV的影响程度决定。由文献[16]可知，在影响PMV的环境因素中，影响程度大小为：温度>湿度>风速。当室内环境不符合规定时，应考虑优先控制温度这一指标。而气流本身属于空气调节方式的一种，具有廉价高效的特点，故将调节风速作为辅助调节手段。从控制效率与节能的双重角度出发，考虑在以PMV为基础的环境控制策略中以调控温度为主、风速调节为辅的控制顺序，最后考虑湿度指标，基于PMV的室内环境控制流程图如图2所示。

图2 基于PMV的室内环境控制流程图Fig.2 Flow chart of indoor environment control based on PMV

基于PMV的室内环境控制中，首先收集室内环境实时数据进行PMV计算。若PMV指标不在(-0.5,0.5)内，对温度进行判断，当温度不等于26 ℃，且当PMV>0.5时，降低温度；反之调高温度。若温度达标，则对风速进行调整。当风速大于1 m/s，则考虑降低室内风速以达到设定的PMV范围。最后考虑湿度对当前室内环境的影响。若湿度不在所设定的范围内，则根据当前的湿度进行除湿或加湿操作。

2 基于焓值的开窗通风策略

在日常生活中，开窗行为是人们利用率最高、也是最方便利用的一种室内环境调节方式，人们往往仅根据室内外温度的高低来判断是否需要开窗。此种以温度为衡量标准的开窗通风行为有一定的借鉴意义，但并未考虑到室内外湿度的变化也会引起室内热环境的急剧变化。比如在夏季热湿环境中，室外高温且湿度较大，随意根据温度高低的开窗行为会导致室内湿度过大，使得室内热舒适指标偏离，这并没有达到为了室内环境舒适节能而开窗通风的最初目的。故本文提出以焓值为标准的开窗行为，充分考虑室内外温度与湿度的波动，真正赋予开窗通风行为以提升舒适性与节能性的意义。

2.1 焓值

空气中的焓值一般指空气中含有的总热量。焓值是单位空气中温度和湿度综合后的能力刻度[17]，在空调设备行业中常常在加热、制冷、加湿、除湿处理过程中用到这个概念。通常用符号i表示焓值(kJ/kg)。焓值的计算公式为

i=1.01Ta+(2 409+1.84T)d

(2)

式(2)中：Ta表示空气温度，℃；d表示空气的含湿量，g/kg。

2.2 基于焓值的开窗通风行为

当以焓值作为开窗通风行为的参考标准时，流程图如图3所示。当室外焓值大于室内时，若此时室内偏冷，则可开窗进行空气交换，室外热空气流动至室内，提高室内焓值；同理，当室外焓值小于室内时，若此时室内偏热，开窗进行空气交换，室内热气流动到室外，以此降低室内焓值。

图3 以焓值为标准的开窗流程图Fig.3 Window opening flow chart with enthalpy as standard

3 基于PMV和焓值的室内环境联控策略

根据室内外环境与用户热舒适度要求，利用热辐射与热对流效应调度室内外热量，不仅可以达到人体舒适度要求，还能提升室内空气质量，最终实现能源的节约与舒适度的提高。故本文中引入建筑室内PMV环境控制与自然通风相结合的控制模式。

以北京地区为例，北京地区拥有得天独厚的风力资源，自然通风行为本身不仅不消耗任何能源，而且能为室内带来新风环境。伴随着对流作用，热量也会随之实现从室外到室内或从室内到室外的运动。希望利用自然通风的方式，结合室内环境PMV控制，在改善室内热环境状况和空气品质的基础上，节省建筑内部环境调节设备运行而带来的能耗。

空调是常用的室内热环境调节设备。由于空调负荷具有明显的季节差异，以办公建筑为例，夏季空调负荷用电量占比达40%，而在冬季不足10%[18]。并且，北方地区冬季实行集中供暖，空调使用频率较低，所以仅探讨夏秋两季的室内环境联控策略，流程图如图4所示。若室内热舒适度不满足所设定的范围时，通过计算室内外焓值大小以及此时室内的PMV判断是否进行开窗通风行为。

(1)当PMV>0且室外焓值高于室内焓值时，开窗反而容易使得室内环境温度上升，此时应关窗，并以PMV控制方式打开空调对室内热环境进行调节。

(2)当PMV>0且室外焓值低于室内焓值时，此时开窗可以使得室内的余热通过热对流的方式排至室外，并为室内环境带来新鲜的空气，建筑得到“被动式冷却”。

(3)当PMV<0且室外焓值高于室内时，开窗可以使得室外的余热通过热对流的方式排至室外，进行室内环境调节。

(4)当PMV<0且室外焓值低于室内焓值时，选择关窗利用空调进行室内环境调节。

4 案例研究及分析

4.1 建筑模型概况

以北京市某大学某层一间南北向的办公室作为研究对象，对所提出的基于热舒适度与焓值的室内环境联控策略进行验证。房间尺寸为7.5 m×4 m×2.5 m，建筑模型如图5所示。房间结构及其相关参数按照从外到内的顺序列出，如表4所示。

此外，该房间南墙设有两扇铝合金气窗，均为双层玻璃窗，窗格厚度0.006 m，气隙厚度0.003 2 m，玻璃传热系数为0.9 W/(m·K)房间内部的负荷包括空调一台，位于西墙上方，距地1.85 m，该建筑内房间均采用空调设备，故该房间内墙、楼板和地面均不考虑热量流失与传递；屋顶安装荧光灯两盏，均为1 000 W，在办公时间工作。室内环境参数中，温湿度参数由室内的传感器提供，服装热阻与新陈代谢值沿用上文数据，气象数据来自北京市实时气象数据。将各项参数以及建筑模型导入EnergyPlus中对建筑能耗进行动态模拟，并以普通PMV控制策略作为原室内环境控制策略进行对照实验。

图4 室内环境联控策略流程图Fig.4 Flow chart of indoor environment joint control strategy

图5 建筑模型Fig.5 Architectural model

表4 房间结构材料参数Table 4 Room structural material parameters

4.2 模型验证

本文研究重点在于该策略是否针对室内舒适度和节能做到了协调优化控制，以控制前后的PMV值与室内负荷用量作为判断指标。

实测时间为6月4日，设置每10 min更新一次环境数据。通过MATLAB计算PMV与焓值，计算方法参见上文。实验组获取实时气象数据计算当前室外焓值，并根据房间内温湿度传感器的数值计算室内焓值以及室内PMV。比较室内外焓值大小以及判断PMV是否达到所规定的范围，选择合适的方式进行室内环境调控；对照组仅通过传感器获取的数值计算当前室内PMV，并根据PMV进行室内环境调整。

控制前后的室内PMV指标与室内负荷用量如图6(a)所示，折线图表示PMV指标，面积图表示室内负荷用量。设置开窗系数作为该办公室窗户的开关状态，如图6(b)所示，开窗系数为1，窗户开启；开窗系数为0时，窗户关闭。

由图6可知，6月4日当天办公室内环境在新的调整策略下，于5:00—7:00和19:00—21:00两个时间段打开窗户，进行了室内外的环境交换；原室内环境调整策略下，当天室内负荷主要分布在9:00—19:00，由于该时间段内太阳高度角最大，为地面提供的热量达到峰值，所以需要开启空调制冷模式，以维持室内热舒适环境的稳定；而新的室内环境调整策略借助外界环境使得室内热环境保持稳定。两个控制策略在整个室内环境调整过程中PMV指标均稳定在低于0.5的范围中，但控制后的负荷量明显小于控制前的负荷量。综上所述，在联控策略的调整下，既保证了室内舒适度又降低了能耗，实现了控制的最初目的。

图6 6月4日控制策略前后室内各项指标对比Fig.6 Comparison of indoor indicators before and after the control strategy on June 4

4.3 室内环境舒适性与节能性分析

对普通温度控制策略(case1)、基于PMV的控制策略(case2)以及本文所提出基于PMV与焓值的联控策略(case3)进行横向对比，根据该房间的朝向与所处地域气候特点，设置地面温度范围为18.2～22.5 ℃。其余数据沿用上文数据，将6月1日—10月31日的各项环境参数指标作为仿真数据输入，模拟北京地区夏秋两季办公环境中不同策略下室内热环境以及负荷变化。针对舒适性与节能性进行分析。

4.3.1 室内环境舒适性仿真分析及对比

选取三个典型指标对室内环境舒适度进行评价，分别为空调出风口温度、室内空气温度、室内热舒适指标。空调出风口温度与室内空气温度相结合，可以充分避免房间内部过热或过冷造成的不舒适现象，而室内PMV则可以很好地量化评估室内热舒适程度。结果如图7～图9所示。

图7中，case1容易在空调出风口产生极端低温，导致出风口附近区域温度较低，易造成人体不适。case2与case3的出空调出风口温度均总体上高于case1，且出现极端低温的次数低于case1。

图7 三种控制策略空调出风口温度对比Fig.7 Air outlet temperature comparison of three control strategies

图8 三种控制策略室内空气温度对比Fig.8 Comparison of indoor air temperature among three control strategies

图8中，case1是将室内空气温度恒定作为唯一控制目标，仅监测室内空气温度并将其维持在26 ℃。case2与case3这两种基于PMV的室内环境控制策略使得室温在一定的范围内上下浮动，当为了使室内环境的PMV指标维持在一定区间内时，室内环境参数会随着时间变化发生改变，同时这与人的工作状态也有关，如人体由静止变为了活动状态，造成人体新陈代谢率增大等情况，所以室内环境的空气温度也会随之变化。case3的温度变化与case2相比更具有规律和周期性，且相对平稳。

图9 三种控制策略室内PMV指标对比Fig.9 Comparison of indoor PMV indexes among the three control strategies

图9中，由于室内PMV指标是多种因素共同决定的，case1单一的控制温度这一指标，会导致室内PMV值随着时间变化一起发生变化，且波动幅度较大。case3与case2中PMV基本低于0.5，保证了室内环境的舒适性，解决了常见的夏季体感过热的问题。

综上所述，case2与case3在舒适性方面的性能远超case1。本文提出的case3通过基于PMV和焓值的控制方式来调控环境各参数变化，使得室内舒适度始终维持在某一范围内，且温度变化相较于case2来说较为平稳，这一特点在换季时期尤为突出。换季时期室内外热环境因素干扰加大，而case3充分结合了室内外环境因素，保证了室内环境的舒适性。

4.3.2 室内环境节能性仿真分析及对比

本节对三种控制策略下室内环境调控设备的用电情况进行分析及对比，结果如图10所示。case1整体负荷量较大，这是由于当用户从外界环境进入房间，会同时受到温度、湿度和风速的干扰，人体出现热应激现象。而case1仅考虑温度调整设备，容易使出风口温度过低，造成了资源的浪费。case2与case3则多考虑了实际生活中平均辐射温度对室内热舒适程度的影响，因此室内空气温度值普遍高于26 ℃，这就意味着建筑围护结构的传热会因此降低，换言之室内负荷减小。case2与case3能耗出现差别的时间段往往出现在傍晚时分，此时由于突然的降温，室外焓值明显低于室内焓值，case3中开窗通风有助于室内热量散发，进而促使室内热环境更快达到舒适的范畴。

图10 三种控制策略室内负荷对比Fig.10 Indoor load comparison of three control strategies

表5是三种控制策略下室内负荷量对比。由表5可知，夏秋典型气候下，在进行仿真实验的时间段中，case2较case1能够减少55.97%左右的能耗，而本文提出的case3能够节约68.08%的室内能耗，均优于前两种控制方案。

表5 三种控制策略室内负荷对比Table 5 Indoor load comparison of three control strategies

对比三种控制策略下舒适性与节能性可知，本文提出的case3将室内环境的PMV维持在对应的舒适区间内，并且精准的将能耗降到最低，控制效果均优于case1与case2。

综上所述，当室内环境需要进行调整时，case3中基于焓值的开窗行为充分促使室内外环境进行交换。同时基于热舒适度对室内环境进行调整，不仅满足室内环境热舒适度的要求，还节省了大量负荷的使用，实现了室内环境舒适性与节能性的协调控制。

5 结论

综合考虑PMV与焓值，提出了室内环境联控策略。通过实验和分析得出以下结论。

(1)通过构造GSA-BPNN模型对PMV指标进行预测，GSA算法优化了BPNN的权值和阈值，提高了PMV指标预测的精确度，并应用于实例中计算PMV。

(2)分析影响PMV指标的环境因素，提出以调整温度为主、风速调节为辅、最后考虑湿度的基于PMV的室内环境控制策略。

(3)考虑室外湿热环境以及室内外热量的调度，创新性地引入焓值作为开窗行为的判断条件，提出基于PMV和焓值的室内环境联控策略。

针对所提出的策略，以北京市某大学办公室案例进行了研究。结果表明：

(1)基于PMV和焓值的室内环境联控策略保证了室内PMV指标低于0.5，维持了室内热环境的稳定。

(2)夏秋两季，基于焓值的开窗通风行为促进了室内外环境的交换，减少了室内环境对机械通风的依赖，在保证室内环境舒适度的同时节省了调整室内环境而产生的负荷，与普通温度控制策略相比累计节约68.08%的能耗，实现了室内舒适性与节能性的协调控制与优化。