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，通過樓宇自控系統(tǒng)對建筑設(shè)備實行有效的控制和管理，為營造舒適的室內(nèi)熱環(huán)境提供有利條件。自Fanger提出PMV(predicted mean vote)熱舒適評價指標(biāo)以來，熱舒適在環(huán)境熱舒適度評價、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?、生活?xí)慣、風(fēng)俗、熱經(jīng)歷、熱期望、熱環(huán)境響應(yīng)及個人體質(zhì)等多因素的影響，也具有隨著活動狀況、衣著、飲食、情緒的不同而變化的動態(tài)變化性(時變特征)[1]。這種熱舒適動態(tài)差異性造成個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)定點的熱環(huán)境控制只能在統(tǒng)計意義上滿足大多數(shù)人的舒適性，難以滿足某一個體或群體熱舒適多樣性的需求，從而造成能源浪費[3]。

近年來，基于熱感覺的熱環(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題提供了新的途徑，已在國內(nèi)外進行了大量研究，并在預(yù)測準(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，為個人舒適模型開發(fā)了一個統(tǒng)一的框架[4]。在個性化熱舒適模型的構(gòu)建中，已有研究采用了支持向量機、隱馬爾可夫模型學(xué)習(xí)算法、貝葉斯分類推理算法等機器學(xué)習(xí)算法；并對個人熱偏好進行了預(yù)測，相對傳統(tǒng)PMV和熱適應(yīng)模型的預(yù)測結(jié)果，其預(yù)測準(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于繁瑣的熱舒適度測量，通過熱感覺實時反饋，準(zhǔn)確連續(xù)地調(diào)節(jié)溫度，提高用戶舒適度同時，系統(tǒng)實現(xiàn)了10.1%的節(jié)能[6]。

上述研究中多數(shù)算法在建模過程中用戶熱感覺反饋信息的獲取方式以自主開發(fā)的硬件交互設(shè)備媒介或以問卷、調(diào)查走訪形式收集用戶熱舒適評價投票，兩種交互方案的程序不僅繁雜，而且數(shù)據(jù)采集時間受限，用戶體驗效果差。而智能手機的普及為數(shù)據(jù)采集帶來了極大地便利，降低了對用戶干擾。同時針對熱舒適時變性問題，多數(shù)研究在采用信息數(shù)據(jù)驅(qū)動技術(shù)作為解決方案的同時，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算負(fù)荷，也無法體現(xiàn)出新樣本對熱舒適的影響趨勢。依據(jù)王福林、江億等學(xué)者對于用戶熱舒適實時預(yù)測及熱感覺控制過程中參數(shù)簡化的研究，僅采用溫濕度作為預(yù)測和調(diào)控參數(shù)能夠滿足用戶個性化熱舒適的環(huán)境控制需求[7-8]。因此熱感覺信息便捷獲取和參數(shù)簡化的熱舒適動態(tài)預(yù)測仍需進一步研究。

本文融合了用戶投票評價方法和在線學(xué)習(xí)方法，開發(fā)出移動端智能交互系統(tǒng)對用戶熱舒適感數(shù)據(jù)進行采集；在此基礎(chǔ)上，以空氣溫度與熱感覺少量指標(biāo)為學(xué)習(xí)樣本簡化熱舒適在線預(yù)測模型，設(shè)計動態(tài)神經(jīng)模糊推理算法，使得僅以新樣本點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)測用戶偏好溫度，無需對更新后樣本重新學(xué)習(xí)，大大降低計算復(fù)雜度。在仿真分析的基礎(chǔ)上，將算法應(yīng)用于現(xiàn)場實驗數(shù)據(jù)、ASHRAE(美國采暖、制冷與空調(diào)工程師學(xué)會)數(shù)據(jù)集以驗證用戶舒適溫度學(xué)習(xí)效果。有效表明該預(yù)測模型可用于智能空調(diào)系統(tǒng)中，為合理設(shè)定空調(diào)溫度提供了實際應(yīng)用價值。

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

移動交互終端以其低投資、易維護、交互便捷和信息可視化等優(yōu)勢被熱舒適、無人機控制、醫(yī)學(xué)診斷等研究領(lǐng)域廣泛采用。本文基于Linux平臺，采用物聯(lián)網(wǎng)技術(shù)，在Eclipse軟件環(huán)境下設(shè)計并開發(fā)移動端智能交互系統(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、活動狀態(tài)、衣服熱阻等信息，空氣溫度、空氣流速、相對濕度信息，熱感覺，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)測兩大模塊。熱感交互模塊以手機移動端APP為用戶接口，通過熱感交互頁面將用戶基本信息和熱投票等信息以時間序列形式存儲于后臺數(shù)據(jù)庫。熱環(huán)境監(jiān)測模塊由Raspberry Pi 3B+環(huán)境采集器集成各類傳感器，實現(xiàn)溫度、濕度、風(fēng)速等環(huán)境信息的采集，以時間序列形式存儲于后臺數(shù)據(jù)庫；手機移動客戶端APP以用戶請求為觸發(fā)條件將數(shù)據(jù)庫中的檢測參數(shù)實時更新至環(huán)境監(jiān)測頁面。系統(tǒng)前臺基于Visual Studio Code平臺，采用Html5、Javascript腳本語言完成頁面開發(fā)，移動客戶端和數(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)分別存儲于后臺數(shù)據(jù)庫中的“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。

移動客戶端交互界面如圖2所示，交互信息包括年齡、性別、活動狀態(tài)、著裝等用戶基本信息和熱可接受性、熱偏好、熱感覺指標(biāo)(TPI，thermal perception index)等熱投票參數(shù)。其中，TPI定義為實時反饋的用戶真實熱感覺，參考ASHRAE標(biāo)準(zhǔn)熱舒適七點標(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點作為最佳舒適點的推薦準(zhǔn)則，本文將TPI以-0.5～0.5的取值范圍作為用戶個人的熱舒適區(qū)，以TPI為0定義用戶的最佳舒適點。同時以滑動條的形式實現(xiàn)交互，正值代表熱感，負(fù)值代表冷感，絕對值越大表明用戶熱感覺越明顯[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)進行定義，其它參數(shù)用于用戶熱感覺信息檢驗以進行學(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)測模型

動態(tài)進化神經(jīng)模糊推理系統(tǒng)(dynamic evolving neuro-fuzzy inference system，DENFIS)以其單變量建模、預(yù)測精度高、可靠性強、快速學(xué)習(xí)等特性適用于動態(tài)系統(tǒng)的理論及應(yīng)用研究[10-11]，因此它是模擬具有時變特性的用戶熱舒適在線學(xué)習(xí)過程的最佳模型。由于室內(nèi)空氣溫度對帶有主觀模糊性的熱感覺有著正相關(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用戶熱舒適區(qū)簡化研究[12]。將進化聚類算法(evolving clustering method, ECM)與模糊隸屬度函數(shù)相結(jié)合，通過在線聚類方式構(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態(tài)增加聚類個數(shù)或變更聚類中心和聚類半徑。聚類過程從一個空的聚類集合開始，隨著新樣本數(shù)據(jù)的增加，動態(tài)地增加聚類數(shù)或更新聚類中心及聚類半徑，當(dāng)半徑達到閾值Dthr時停止更新。將清洗后學(xué)習(xí)樣本進行聚類，算法步驟如下。

步驟1:創(chuàng)建第一個類C1，將第一個輸入樣本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Dij，滿足Dij≤Ruj,則表明樣本Xi屬于已有的第m個聚類Cm，即Dim≤Rum，此時聚類無需更新，返回步驟2；否則，執(zhí)行步驟4。

步驟4:如果計算樣本Xi與所有聚類中心距離均大于聚類半徑Ruj，則計算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ECM算法，不同用戶的樣本點都能在有限數(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，通過聚類集合確定，并由其對應(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是每個隸屬度規(guī)則的權(quán)重，等于輸入TPIi所對應(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是通過線性最小二乘估計法(least squares estimate，LSE)針對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對角線wi為第i個樣本點到該樣本點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，該模型通過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[13]，以ECM增量計算新樣本點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)遞歸最小二乘法對輸出函數(shù)系數(shù)β進行迭代計算以保證最新樣本數(shù)據(jù)對模型的權(quán)重比，如式(6)所示。

(6)

3 用戶熱舒適預(yù)測及模型檢驗

3.1 仿真實驗研究

由于客觀環(huán)境、生理及心理等多因素的存在對用戶個人熱舒適均產(chǎn)生影響，使得無法計算用戶個體熱舒適準(zhǔn)確模型，須進行有效仿真實驗刻畫用戶個體熱舒適基準(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)存在規(guī)律性，即辦公環(huán)境下個體自身的衣服熱阻與新陳代謝率相對固定。因此分別依據(jù)青年、中年和老年三類代表性人群的特征，對新陳代謝率、服裝熱阻、空氣流速以及相對濕度等參數(shù)進行設(shè)定，相關(guān)參數(shù)如表2所示。

表2 3種類型人群的PMV計算相關(guān)參數(shù)設(shè)置

基于Fanger教授對于室內(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)場交互過程中用戶反饋信息受到個人情緒、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)隨機噪聲來模擬現(xiàn)場用戶交互數(shù)據(jù)。根據(jù)經(jīng)驗選取方差為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ECM分別完成樣本的聚類，如圖3所示。

圖3 仿真實驗用戶數(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性化數(shù)據(jù)模式。依據(jù)聚類結(jié)果進一步構(gòu)建模糊集，并使用三角隸屬度函數(shù)計算三類代表性用戶的模糊分區(qū)，結(jié)果如圖4所示。

圖4 仿真實驗用戶模糊分區(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)具有個性化數(shù)據(jù)模式的特征?；谏鲜瞿：评硐到y(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)測結(jié)果，如圖5所示。

圖5 仿真實驗用戶熱舒適預(yù)測結(jié)果

模糊推理預(yù)測結(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 ℃。從仿真實驗結(jié)果看出，青年用戶與老年用戶的舒適溫度最大計算溫差可達8.65 ℃，證明不同特征用戶的個人舒適溫度存在較大差異，因此預(yù)測用戶舒適溫度對現(xiàn)有溫度設(shè)定存在必要性。

為驗證熱舒適在線預(yù)測模型的準(zhǔn)確性，使用混淆矩陣對準(zhǔn)確率P進行定義，即為所有正確預(yù)測的數(shù)量除以預(yù)測總量所得的比值，如式(7)；混響矩陣如表3所示，其中預(yù)測和實際一致則為真，預(yù)測和實際不一致則為假，如果預(yù)測出來是“正”的，則為“陽”，預(yù)測結(jié)果為 “負(fù)”，則為“陰”。另外通過分析模型預(yù)測值與基準(zhǔn)模型值及現(xiàn)場樣本數(shù)據(jù)的均方偏差(RMSE)對用戶個體熱舒適學(xué)習(xí)效果進行誤差分析，如式(8)。

表3 混淆矩陣

(7)

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

(8)

式中，yi為第i個樣本點或基準(zhǔn)模型中TPI對應(yīng)的溫度值；y*i是第i個樣本點中TPI對應(yīng)的模型預(yù)測值。

模型預(yù)測的誤差結(jié)果見表4，青年、中年及老年用戶的熱舒適模型預(yù)測值與基準(zhǔn)模型RMSE分別為0.247 ℃、0.286 ℃、0.396 ℃。模型預(yù)測結(jié)果在保證與用戶基準(zhǔn)模型誤差小于0.5 ℃的誤差條件下對青年、中年及老年用戶舒適溫度范圍預(yù)測準(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)對個人舒適溫度預(yù)測的準(zhǔn)確性56%[15]。青年、中年和老年用戶的熱舒適模型預(yù)測值與交互樣本誤差分別為1～1.6 ℃內(nèi)。其誤差原因為用戶在對TPI進行反饋時，自身熱感覺存在一定的模糊性，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)測用戶熱舒適，降低交互過程中主觀性等干擾因素造成的誤差。

表4 模型預(yù)測值與基準(zhǔn)模型或現(xiàn)場數(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。因為聚類半徑閾值Dthr的增大，使得聚類集合范圍增大可有效覆蓋樣本點數(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對模型推理預(yù)測誤差的影響

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

3.2 現(xiàn)場實驗研究

為研究DENFIS算法對現(xiàn)場的實用性和仿真實驗的有效性，利用本研究開發(fā)的移動端智能交互系統(tǒng)進行辦公環(huán)境用戶熱舒適現(xiàn)場實驗，選取夏季典型氣象日工作時段，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，下身為長褲。于西安市某辦公建筑會議室進行，該辦公室尺寸為6.05 m(長)× 4.95 m(寬)× 3 m(高)，有兩個外墻、三扇窗戶、一個門。選取三名健康在校大學(xué)生作為實驗對象，其基本信息如表5所示，在室內(nèi)的位置如圖8所示。

表5 實驗對象基本信息

圖8 辦公會議室平面與人員位置情況

實驗內(nèi)容主要包括室內(nèi)熱環(huán)境參數(shù)測量及實驗對象個人主觀交互信息采集兩部分。測點位置依據(jù)ASHRAE55-2013《人類居住熱環(huán)境條件》中所規(guī)定的“測點部署于受試者胸前20厘米處”進行布置。將采集的現(xiàn)場實驗數(shù)據(jù)清洗后，采用DENFIS算法對以空氣溫度和TPI組成的樣本學(xué)習(xí)用戶熱舒適，輸出三名實驗對象舒適預(yù)測結(jié)果，如圖9所示。

圖9 現(xiàn)場實驗用戶熱舒適預(yù)測結(jié)果

從圖9中的用戶熱舒適預(yù)測結(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)測結(jié)果可知，個體舒適溫差可達5.84 ℃。三名用戶的熱舒適模型預(yù)測值與現(xiàn)場實驗交互數(shù)據(jù)的RMSE分別為0.87 ℃、1.17 ℃、0.88 ℃，均小于仿真誤差結(jié)果，滿足仿真實驗結(jié)論；且誤差也均小于個體間舒適偏好溫度的偏差2.6 ℃，滿足區(qū)分不同個體偏好溫度的預(yù)測需求，表明在線預(yù)測模型在實踐應(yīng)用中可以對個人熱舒適進行有效預(yù)測并控制誤差在可接受范圍內(nèi)。

3.3 多用戶熱舒適預(yù)測研究

為進一步研究在線預(yù)測模型對群體熱舒適預(yù)測的適用性，本文依據(jù)ASHRAE全球熱舒適數(shù)據(jù)庫II(The ASHRAE Global Thermal Comfort Database II)，對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算法對群體用戶熱舒適進行預(yù)測，如圖10所示。

圖10 群體用戶熱舒適預(yù)測結(jié)果

該結(jié)果中熱感覺指標(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，即同一熱感覺指標(biāo)反饋對應(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行定義。從圖10可以看出，預(yù)測結(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)中個人主觀反饋熱舒適的不確定性以及個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)場研究結(jié)果一致，誤差結(jié)果小于個體間舒適偏好溫度的偏差2.6 ℃，結(jié)論表明預(yù)測模型同樣對群體熱舒適有很好的預(yù)測效果。

4 結(jié)束語

用戶熱感覺參數(shù)難以檢測與獲取，并對預(yù)測模型的建模帶來極大難度。因此本文設(shè)計并開發(fā)了移動端智能交互系統(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，針對熱舒適具有動態(tài)變化性問題，將進化聚類算法與Takagi-Sugeno推理模型結(jié)合，設(shè)計DENFIS算法，構(gòu)建基于熱感覺的在線預(yù)測模型；實驗結(jié)果表明DENFIS算法對熱舒適預(yù)測主要特征如下：(1)在保證與用戶基準(zhǔn)模型誤差小于0.5 ℃的誤差條件下對用戶舒適溫度范圍預(yù)測準(zhǔn)確率最高可達90.5%，高于傳統(tǒng)標(biāo)準(zhǔn)對用戶舒適溫度預(yù)測的準(zhǔn)確率56%；(2)不僅能動態(tài)建立預(yù)測模型，而且在簡化建模參數(shù)的同時能夠有效降低交互過程中干擾因素造成的誤差；并在個體與群體用戶樣本數(shù)據(jù)中對熱舒適進行有效預(yù)測并控制誤差在個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，預(yù)測模型可得到最佳預(yù)測結(jié)果。因此該方法基于熱感覺信息對用戶舒適溫度預(yù)測具有很高準(zhǔn)確度，為空調(diào)溫度的設(shè)定具有實際應(yīng)用價值。