考慮學習效率的教室內熱環境調控系統研究

王曉輝, 李兆巍, 楊亞龍

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

教室作為學生日常學習的主要場所,其環境的優劣對學生來講十分重要[1-4]。文獻[5-9]研究表明,教室環境會影響學生舒適程度的同時,也會影響學生的學習效率。隨著科學技術的不斷發展,室內熱環境調控系統已成為當前研究的熱點之一,而如何利用人工智能技術設計智能控制策略,提高室內空氣質量和舒適度、減少能耗已經成為研究重點。

文獻[10]基于機器學習對3種不同通風方式的室內控制策略分別進行能耗測試,實驗結果建議在設計調控系統時應增加受控設備的多樣性,以達到節能的目的。張明揚[11]采用機器學習算法,以新有效溫度為舒適指標,提出基于熱適應的綠色建筑環境智能控制系統,實現了對室內熱環境的智能控制和優化,該系統可以提高建筑的舒適度,減少能耗污染。文獻[12]系統地總結了智能建筑熱環境調控系統的研究進展,指出人工智能技術對于室內熱環境調節的準確性和預測性起到了重要的作用。文獻[13]利用神經網絡構建自啟發算法,提出一種適用于學校的智能暖通空調控制策略,可自適應調節供暖等設備的工作狀態。

研究人員為更快速、準確地獲取當前熱環境數據進行了詳細研究。文獻[14-15]嘗試將個人熱舒適模型應用于室內熱環境調控系統中,實現個性化的室內熱環境控制,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據這一重點展開研究,以完善智能建筑的熱環境控制方案,提高用戶的接受度。文獻[18-19]則是通過使用生理參數識別技術預測人體的實時熱感覺,以解決調控熱環境設備實際運行情況與用戶實際熱感覺脫節的問題。

同樣地,針對調控系統的具體控制方式,也有大量的相關研究。韓雪穎通過感知收集室內的環境參數,利用模糊控制方法,實現對室內空氣質量等參數的智能控制[20]。蔣延煒[21]通過對人體熱舒適指標預測平均投票值(predicted mean vote,PMV)進行監測調整,采用模糊比例積分微分(proportion integration differentiation,PID)控制算法實現了對室內熱濕環境的智能控制。文獻[22]針對氣候變化對養老建筑的熱環境動態調節進行研究,提出了一種基于建筑熱環境的動態控制方法,通過預測氣象條件和分析室內環境參數來實現智能化控制。

綜上所述,現今室內熱環境調控系統主要面向數據采集、對室內熱環境情況進行預測、具體控制方式等方面進行研究和優化。然而現階段,針對教室這一以學習效率為關注點的特定場所,室內熱環境調控系統的研究較為空白,這使得加強教室內熱環境調控系統的設計變得十分緊迫。

鑒于此,以學習效率為出發點,兼顧熱舒適度,設計一套教室內熱環境調控系統。采取直接和間接相結合的方式來調控PMV,直接控制PMV的主要影響因素如溫度、風速和相對濕度,以達到間接調控PMV的目的。提出基于粒子群優化的BPNN(back propagation neural network)模型來預測PMV值,以便及時響應當前的熱環境。通過量化學習效率與PMV之間的關系,以及考慮各熱環境相關物理量的舒適范圍,確定調控方案的控制目標。提出BP-PID控制算法對各環境參數進行調節,以實現調控室內熱環境的目的。最后,通過系統仿真模擬,對比調控前后的室內熱環境和學生學習效率,證明該方案的有效性。在使學生感到舒適和使其學習效率維持較高水平間找到平衡,設計出了一套室內熱環境調控系統,為積極推進智慧教室的建設提供了有效依據。

1 室內熱環境調控系統介紹

1.1 調控系統概述

選取在國際上認知度較高、且應用最為廣泛的評價熱舒適度指標PMV作為室內熱環境的評價指標[23]。PMV的主要影響因素包括4個環境因素:溫度、風速、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,間接控制是將溫度等環境物理量作為控制目標,而PMV僅作參考。不同于上述兩種,采用直接與間接相結合的控制方式,將當前熱環境狀態與PMV設定目標進行對比,通過直接控制溫度、風速和相對濕度3個環境物理量,達到間接控制PMV的最終目標。

所設計的室內熱環境調控系統在運行過程中實時采集當前的熱環境相關參數(溫度、風速以及相對濕度),準確、快速地計算出當前的PMV,進而以此為依據,判斷是否需要對當前室內熱環境進行調控。若需要,則自動計算溫度、風速以及相對濕度的調控目標值,通過控制器對各個模塊分別進行調節,并進行實時反饋。

1.2 調控系統構成

所設計的室內熱環境調控系統結構如圖1所示,系統所包括的4個模塊及其所實現的功能如下。

圖1 室內熱環境調控系統結構圖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前熱環境數據(溫度、風速和相對濕度),便于與調控目標進行對比。

(2)預測模塊。通過粒子群改進的BPNN對PMV進行預測,便于實時獲取當前PMV。

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

(4)控制模塊。在確定各物理量調控目標的基礎上,通過BP-PID控制器對各環境物理量進行調節,使其達到目標值。

2 室內熱環境調控系統設計

2.1 基于PSO-BP的PMV預測模型的構建

由于PMV的傳統計算方法存在參數相互耦合和計算量大的問題,因此考慮采用適當的模型對PMV進行實時預測。雖然BP神經網絡結構簡單、對復雜非線性函數具有良好的學習和預測的能力,但仍然面臨學習速率慢和網絡結構不確定性等缺陷。而粒子群優化(particle swarm optimization,PSO)算法能夠通過信息共享在全局中搜索最優權值閾值,以此來優化BPNN的初始化權重閾值,解決其過擬合問題,提高了收斂速度和網絡性能穩定。因此,采用PSO對BPNN進行優化,即PSO-BP,以提高對PMV預測的精度和效率。

首先確定粒子群優化算法的基礎參數。根據預測的PMV指標特點,綜合考慮通用預測模型的參數取值范圍,確定采用的PSO-BP算法的基礎參數如表1所示。

表1 PSO-BP預測模型參數設置Table 1 PSO-BP prediction model parameter settings

實驗數據由實驗室中各類傳感器采集所得,經過篩選處理后共得到631組樣本數據。將數據劃分為兩組:其中531組數據作為訓練組,用于對網絡模型進行訓練;另外100組數據為測試組,用于測試該模型對PMV的預測性能。

對BPNN和PSO-BPNN兩個模型分別進行訓練并測試,結果如圖2所示。可以看出,PSO-BPNN預測模型與真實值的擬合程度相對傳統BPNN更高,說明經過PSO優化后的模型預測精度更高。

圖2 PSO-BPNN對PMV的預測結果Fig.2 Predicted results of PSO-BPNN for PMV

表2詳細比較了兩種預測模型的精確度,可以看出,對于PMV的預測結果,PSO-BPNN 比BPNN預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優化后的BPNN模型對PMV的預測效果更好,可應用至調控系統的設計中。

表2 兩種預測模型誤差指標對比Table 2 Comparison of the error metrics of the two prediction models

2.2 控制目標的邏輯確定

為使調控系統實現調節室內環境的作用,首先需要明確調控方案中各個物理量(PMV、溫度、風速和相對濕度)的調控目標(范圍),繼而再通過控制模塊使其達到目標值。

在設計調控系統之前,為探究學習效率與PMV的量化對應關系,設計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工況下所對應的學習效率,對實驗結果進行回歸擬合,確定了PMV與學習效率的擬合曲線為:y=3.030 9-0.244 29x-0.296 2x2,表示學習效率在偏涼爽的時候較高,當PMV=-0.592 4時,被試者的學習效率可達到最高值。

考慮不同地區、性別、生活習慣的學生對室內環境的不同個人偏好,并綜合考慮空調系統的節能問題,本調控方案將PMV的控制目標范圍確定在-0.59%±5%(-0.619 5風速>相對濕度。雖然很多熱環境調控方案中未考慮風速。然而文獻[26]表明,在高溫環境下使用桌面風扇(即改變風速)可以有效提高舒適程度和工作效率,因此本文調控方案按溫度→風速→相對濕度的順序對室內環境進行調控。

首先需要確定溫度、風速和相對濕度的調控范圍,參考《民用建筑供暖通風與空氣調節規范》(GB 50736—2012)[27]中對空氣質量所提出的要求,確定影響室內熱環境各物理量的目標范圍如表3所示,對于不同典型季節,溫度的調節目標區間有所變化。

表3 影響室內熱環境各物理量目標區間Table 3 Target intervals for each physical quantity affecting the indoor thermal environment

基于以上各物理量目標區間,本調控系統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,實時采集室內環境數據,并通過實時預測當前PMV值,隨即進入確定控制目標的邏輯環節:若PMV在目標范圍內,即-0.619 5

根據目標范圍依次調整溫度、風速和相對濕度至各自目標值。如果值大于目標區間最大值,則調整至目標范圍最大值。如果小于目標區間最小值,則調整至目標范圍最小值。

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

確定各物理量的控制目標后,通過控制模塊對溫度、風速和相對濕度進行調控。再次采集實時室內環境數據,并重復執行上述步驟以不斷調節室內環境。

2.3 BP-PID控制器的設計與實現

確定3個環境因素的調控目標,進一步地,需要確定如何使其達到該目標值。PID控制算法具有算法簡單、魯棒性好、可靠性高等優點,尤其適用于可建立精確數學模型的確定性控制系統[28]。

影響PID控制器性能的主要因素是比例系數Kp、積分系數Ki和微分系數Kd三者的組合方式,但這種組合關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,可以通過有效地學習系統性能來獲得具有最佳參數組合的PID控制器。因此,研究人員將其與PID控制結合起來,開發了基于BPNN的自學習PID控制器,即BP-PID控制器[29]。

BP-PID控制器可根據系統的偏差e(t),通過神經網絡自學習,采用梯度下降法調整加權系數,使BPNN的輸出對應于PID控制器的3個可調參數,實現比模糊規則更穩定的PID參數自適應調整,使系統輸出盡快達到給定值,適應性更強,更為靈活。

BPNN是一種按照偏差逆向傳播算法訓練的多層前饋神經網絡,在結構上分為輸入層、隱含層和輸出層,每層節點數不同,具體模型參數如表4所示。

表4 BP-PID中的BPNN模型參數設置Table 4 Parameter settings for the BPNN model in BP-PID

針對前述進行學習效率實驗的場地,繼續展開室內熱環境的研究,具體參數如下: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2.3 W/(m2/K),外墻面積9.375 m2,傳熱系數0.583 W/(m2/K)。房間內室內環境依靠集中式空調系統進行調控,空調距地1.85 m。

根據室內濕量守恒定律得到空調房間濕度模型G1(s)為

(1)

式中:s為復頻率。

同理可求風速模型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PID、模糊PID和BP-PID控制器)的控制效果。

將控制目標的相對濕度設定為65%,詳細對比3種不同控制器的控制效果,得到各階躍響應曲線如圖4所示。可以看出,3種不同PID控制器的階躍響應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,可能會低于調控目標(傳統PID控制器),最后通過細微調整使被調控量逐漸穩定在調控目標值附近。

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

為了更清晰地體現該控制算法的優越性,選取控制系統評價指標的參數進行詳細分析,如表5所示。由表5數據可知,BP-PID比傳統PID和模糊PID控制器在調節時間上分別減少了74.25%和73.63%,超調量也減小至原本的85.01%和89.64%。綜上所述,BP-PID控制器的超調量更小,峰值時間和調節時間也較短,證明了所設計的BP-PID控制器在穩定性和快速性上表現良好,可用于室內熱環境調控系統的控制模塊中。

表5 BP-PID與傳統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

后續調控方案效果研究中,將上述室內熱環境模型作為表示輸入與輸出間數量關系的函數,在確定BP-PID控制器的輸入后,輸出就可以根據該模型和輸入運用拉普拉斯反變換方法確定。在實際應用中將其作為傳遞函數導入Simulink,實現在MATLAB中的仿真模擬。

3 室內熱環境調控系統仿真分析

3.1 數據來源

為探究本文所設計的調控系統性能,在軟件中進行仿真模擬,記錄溫度、風速、相對濕度及PMV在經過本調控系統調控前后的數值進行對比。通過傳感器采集室內環境數據作為初始數據,根據典型季節將數據劃分為冬季、夏季以及過渡季,選取每個典型季節10組、全年共30組用于仿真模擬,部分樣本數據如表6所示。

表6 部分仿真數據樣本Table 6 Selected sample simulation data excerpts

3.2 仿真模型

在MATLAB/SIMULINK中建立室內熱環境調控系統的仿真模型,如圖5所示(其他季節僅自定義函數模塊內部數據設定不同,但仿真模型結構未變)。首先,使用傳感器采集溫度、風速和相對濕度3個物理量的實時值treal、vreal、hreal,并采用PSO-BPNN實時預測當前的PMV值。通過確定控制目標模塊得到各模塊的調節目標值tset、vset、hset,進入控制模塊。該模塊中,通過BPNN自學習來調節PID控制器的3個參數,經過傳遞函數得到當前環境狀況,即3個環境物理量的實時值treal、vreal、hreal,通過PSO-BPNN再次預測PMV值,并將實時值反饋給邏輯推理部分,進而再次循環以達到動態控制的目的。

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

3.3 仿真結果分析

為詳細觀察調控系統的實時控制效果,選取一組數據(溫度為21.2 ℃,風速為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、風速、相對濕度和PMV的階躍響應曲線,溫度、風速和相對濕度的調節時間依次為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的目標范圍,最終維持在-0.564 7,調節時間取決于所需穩定時間最長的相對濕度。

根據PMV與學習效率的解析關系可以估算出調節前,即PMV=0.184 2時,學習效率為2.975 85;經過熱環境調控方案調節后,PMV=-0.564 7,學習效率為3.074 40,提高為原來的103.312%。

通過對所選取的某一組數據進行仿真,詳細計算了調控系統工作過程中各物理量的變化過程。為進一步研究調控系統的普適性,對全部的樣本數據進行仿真模擬,得到調控前后的各環境物理量及其控制目標范圍的對比以及調控前后學習效率的對比,如圖7所示。

橫坐標數據1～10為夏季;11～20為過渡季;21～30為冬季圖7 調控前后各量對比Fig.7 Comparison by volume before and after regulation

圖7(a)和圖7(d)可以看出,現有高校教室內的熱環境相較調控目標偏暖,尤其夏季和過渡季,冬季室內PMV與目標相差最小,甚至有些情況下不需要對當前室內熱環境做出調整。圖7(b)和圖7(c)表示自然情況下教室內普遍存在無風感、較為干燥的現象,在實際生活中略微風感和恰當的濕度會增加學生在教室中的舒適程度,因此針對風速和相對濕度同樣進行了調整。

從圖7(a)～圖7(d)中可以看出教室內熱環境在經過系統調控后,各環境物理量均在系統設計時所提出的控制目標范圍內(表3)。圖7(e)為調控前后的學習效率對比,可以看出熱環境調控后的學習效率普遍高于調控前,調節前的學習效率平均值為2.863 6,調節后可以達到3.074 3,平均可提高為原來的107.36%,體現了所提出的調控系統的有效性。

所提出的調控系統中具體的調控參數是基于特定研究場所做實驗的結果分析,在不同情況下所得到的學習效率最高時的PMV值可能略有差異,可根據實際所測數據修正調控方案中的調控參數。

4 結論

針對高校智慧教室,以提高學生的學習效率為目的,兼顧PMV,設計了一套室內熱環境調控系統。通過理論研究、仿真模擬以及結果分析得出以下結論。

(1)通過PSO算法對BPNN進行改進,構建出PSO-BPNN模型對PMV進行預測,以解決PMV計算復雜、BPNN網絡結構不穩定、易產生過擬合等問題。仿真結果表明PSO-BPNN 比BPNN預測模型在平均絕對誤差上降低了80.10%,預測精度更高,將其用于調控系統的預測模塊。

(2)通過對PMV的主要環境影響因素進行分析,提出先調節溫度,再調節風速,最后通過調節濕度來對PMV進行微調的方案,以確定各環境物理量的控制目標,該部分用于調控系統的邏輯模塊。

(3)設計出針對環境物理量的BP-PID控制器,在確定溫度、風速和相對濕度控制目標的基礎上對其進行調控。仿真結果表明,相較傳統PID與模糊PID,BP-PID控制器的調節時間縮短了74.25%和73.63%,超調量也減小至原本的85.01%和89.64%,調控效果更好,并將其應于調控系統的控制模塊。

(4)對包含采集、預測、邏輯以及控制4個模塊的教室內熱環境調控系統進行仿真模擬,結果表明本調控系統可以對溫度、風速、相對濕度以及PMV進行有效控制,將學生的學習效率提高到原來的107.36%,在保持舒適性的同時,盡可能地為學生創造良好高效的學習環境,為高校智慧教室的室內熱環境調控提供了切實有效的方案。