摘要：傳統(tǒng)的空調(diào)控制系統(tǒng),只有空氣溫度、濕度的調(diào)節(jié)，很難滿足人們的需要。根據(jù)熱舒適理論和熱舒適指數(shù),提出了以熱舒適指標(biāo)調(diào)節(jié)參數(shù)的空調(diào)控制方案。這個(gè)模型把六個(gè)影響因素作為輸入?yún)?shù)，PMV值作為輸出。神經(jīng)網(wǎng)絡(luò)具有高度的適應(yīng)性和在線自學(xué)習(xí)能力,可以逼近任意非線性映射。用神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,我們可以得到空調(diào)控制系統(tǒng)的輸入輸出模型，實(shí)現(xiàn)智能控制。

關(guān)鍵詞：空調(diào)；熱舒適；PMV；神經(jīng)網(wǎng)絡(luò)

ApplicationofneuralnetworktothePMVindex

0引言

在中國，隨著經(jīng)濟(jì)條件的改善，居民生活水平逐漸提高，家用空調(diào)越來越普遍。同時(shí)，對空調(diào)的要求不再僅僅滿足于溫度調(diào)節(jié)，而且創(chuàng)造一個(gè)更加舒適的室內(nèi)環(huán)境是對空調(diào)的控制理論更高更先進(jìn)的要求。

考慮到能源的巨大消耗，對空調(diào)的設(shè)計(jì)要求舒適與能源節(jié)約并重。根據(jù)人體工程學(xué)和微生物學(xué)理論，人體新沉代謝過程產(chǎn)生熱量，人體消耗熱量和代謝產(chǎn)熱保持平衡，自身才感到舒適，并且體溫將保持在36.5℃的范圍內(nèi)，否則將感到難受。

在穩(wěn)定狀態(tài)下，成年人對于溫度的感官定義受六個(gè)因素的干擾，它們分別包括輻射溫度、室內(nèi)空氣溫度和濕度、室內(nèi)空氣周轉(zhuǎn)率、人員活動(dòng)量和著裝量。輻射溫度可以由室內(nèi)平均溫度來表示；人員活動(dòng)量由人體新陳代謝和機(jī)械工作量代表；而衣著保溫程度則由衣服熱阻值和裸體與穿衣的表面積的比值來決定。熱舒適指數(shù)研究的是人體熱舒適感及其影響因素諸如室內(nèi)溫度、濕度及其聯(lián)合作用之間的關(guān)系，以及復(fù)雜的計(jì)算公式和方法。

丹麥科技大學(xué)教授Fanger進(jìn)一步研究了熱舒適方程，并且用一個(gè)公式來制定熱感覺指標(biāo)，該指標(biāo)是由任意給定的可預(yù)測的環(huán)境變量相結(jié)合生成的，簡稱為平均預(yù)測投票并被作為控制指標(biāo)，這就是我們所說的PMV。Fanger堅(jiān)持認(rèn)為人體在熱環(huán)境中感到舒適必須滿足三個(gè)基本條件，它們分別是：1）人體與環(huán)境必須達(dá)到熱平衡，即人體蓄熱速率S=0；2）皮膚平均溫度應(yīng)該維持在一個(gè)舒適的水平；3）人體出汗率應(yīng)該達(dá)到最佳狀態(tài)；出汗率是新陳代謝的函數(shù)。綜上所述，我們可以得到熱舒適問題如下：

PMV指數(shù)和這六個(gè)因素之間的關(guān)系如下:

(3)

(4)

(5)

(6)

1神經(jīng)網(wǎng)絡(luò)在PMV值中的應(yīng)用

綜上所述，PMV與各參數(shù)之間關(guān)系復(fù)雜、計(jì)算困難，并且很難找到簡便方法，因此我們引出神經(jīng)網(wǎng)絡(luò)來計(jì)算。

1.1設(shè)計(jì)輸入層和輸出層

由于PMV值由六個(gè)因素決定，因此輸入層也是六個(gè)方面，包括平均輻射溫度、室內(nèi)溫度、室內(nèi)空氣濕度、室內(nèi)空氣流速、人體活動(dòng)量和穿衣量。輸出層僅僅就有一個(gè)PMV值，因此神經(jīng)網(wǎng)絡(luò)輸出層也僅有這一個(gè)。因此，輸入層為6維，而輸出層僅1維。

1.2網(wǎng)絡(luò)隱層的選擇

包括輸入層，至少一個(gè)隱含層和一個(gè)線性輸出層的神經(jīng)網(wǎng)絡(luò)可以逼近任意有理函數(shù)。如果增加隱層函數(shù)，將實(shí)現(xiàn)降低誤差、提高精度，但同時(shí)也使得網(wǎng)絡(luò)更加復(fù)雜，增加了權(quán)值的訓(xùn)練時(shí)間。綜合準(zhǔn)確性和效率的考慮，最終我們采用3層網(wǎng)絡(luò)。

1.3隱層神經(jīng)元的選擇

根據(jù)建立的神經(jīng)網(wǎng)絡(luò)，隨機(jī)選取神經(jīng)元個(gè)數(shù)，然后根據(jù)實(shí)驗(yàn)結(jié)果設(shè)定數(shù)量，最終我們得到每一層是適當(dāng)數(shù)量為6，21，1。

1.4初始權(quán)值的選擇

PMV指數(shù)是一個(gè)復(fù)雜的非線性關(guān)系，初始權(quán)值對于研究是否能隨著訓(xùn)練時(shí)間而收斂有重要作用，關(guān)系到能否達(dá)到局部最小值。我們希望當(dāng)初始權(quán)值輸入累加時(shí)，能使得每一個(gè)神經(jīng)元值接近零，使得輸出從學(xué)習(xí)最初就不至于落在平坦范圍內(nèi)。因此，初始權(quán)值一般隨機(jī)產(chǎn)生，并且相對較小，如果輸入神經(jīng)元是q，初始權(quán)值可以設(shè)定在[-2/q，2/q]之間，從而確保神經(jīng)元從最初開始就在激勵(lì)函數(shù)變換最大的地方學(xué)習(xí)。

1.5學(xué)習(xí)步長的選擇

當(dāng)學(xué)習(xí)步長選擇比較小的數(shù)值的時(shí)候，網(wǎng)絡(luò)誤差函數(shù)E將達(dá)到最小值。但是，如果步長太小學(xué)習(xí)時(shí)間將延長，這將使得學(xué)習(xí)過程變得很慢，如果誤差函數(shù)有許多局部極小值時(shí)，則會(huì)使網(wǎng)絡(luò)陷入局部最小或平穩(wěn)停滯狀態(tài)。如果學(xué)習(xí)步長相對較大，則權(quán)值更新相對加快，同時(shí)收斂速度加快，但是，如果學(xué)習(xí)步長太大，算法可能不穩(wěn)定甚至無法收斂。因此，根據(jù)PMV模型和問題的性質(zhì)，我們選擇初始步長為0.75。

綜上所述，PMV指標(biāo)的神經(jīng)網(wǎng)絡(luò)預(yù)測模型如下圖所示：

圖1神經(jīng)網(wǎng)絡(luò)預(yù)測模型

2BP神經(jīng)神經(jīng)網(wǎng)絡(luò)的構(gòu)造和仿真

2.1網(wǎng)絡(luò)模型構(gòu)建和初始化

建立BP神經(jīng)網(wǎng)絡(luò)的第一步是構(gòu)建網(wǎng)絡(luò)對象并賦初始值，我們可以用MATLAB神經(jīng)網(wǎng)絡(luò)工具箱函數(shù)newff創(chuàng)建一個(gè)可訓(xùn)練的單隱層BP網(wǎng)絡(luò)，其語法為：

net=newff(PR,[S1,...,Sn],{TF1,…,TFn},BTF,BLF,PF)

[S1,…,Sn]是一個(gè)數(shù)組，包括每一層神經(jīng)元的數(shù)量，這里每一層BP神經(jīng)元的個(gè)數(shù)為6，21，1，即S1=6,S2=21,S3=1；每一層網(wǎng)絡(luò)的加權(quán)函數(shù)是dotprod；輸入函數(shù)是netsum；（TF1,…,TFn）是用來指定各層神經(jīng)元的傳遞函數(shù)，這里用到“tansig”函數(shù)，功能是將神經(jīng)元的輸入范圍從（—∞，+∞）映射到（0，1）；BTF用于指定網(wǎng)絡(luò)訓(xùn)練函數(shù)的名字，此刻用到tranlm；BLF是權(quán)值和閾值的學(xué)習(xí)函數(shù)，采用learngdm；PF是網(wǎng)絡(luò)操作模式的表征，這里我們應(yīng)用最小誤差平方和可微函數(shù)mse。

2.2網(wǎng)絡(luò)模型的訓(xùn)練

MATLAB神經(jīng)網(wǎng)絡(luò)工具箱中有許多BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)和訓(xùn)練的函數(shù)，本文中我們采用trainlm函數(shù)，它的語法是[net，tr]=trinlm（net，Pd，TL）。此處，net指初始化后的網(wǎng)絡(luò)；tr是每一步長的網(wǎng)絡(luò)性能在訓(xùn)練過程中的記錄；Pd指訓(xùn)練網(wǎng)絡(luò)中的輸入樣本；TL指訓(xùn)練中的輸出樣本。

2.3網(wǎng)絡(luò)模型的模擬

BP網(wǎng)絡(luò)訓(xùn)練后需要驗(yàn)證網(wǎng)絡(luò)性能。驗(yàn)證開始時(shí)，使用sim函數(shù)來模擬訓(xùn)練網(wǎng)絡(luò)，此時(shí)新的網(wǎng)絡(luò)輸入為pnew，網(wǎng)絡(luò)對象是net，輸出是anew，語法如下：

[anew]=sim（net，pnew）

可以得到訓(xùn)練結(jié)果為：

TRAINLM,Epoch0/500,MSE1.10637/0.0001,Gradient128.394/1e-010

TEAINLM,Epoch25/500,MSE0.000790584/0.0001,Gradient0.67388/1e-010

TRAINLM,Epoch36/500,MSE8.7715e-005/0.0001,Gradient0.0171647/1e-010

TRAINLM,Performancegoalmet.TRAINLM,Performancegoalmet.

圖2是訓(xùn)練誤差收斂曲線，訓(xùn)練到36步時(shí)，網(wǎng)絡(luò)性能達(dá)到預(yù)期目標(biāo)，并且能夠得到較為準(zhǔn)確的數(shù)據(jù)。

圖2訓(xùn)練誤差收斂曲線

3總結(jié)

以上得到的神經(jīng)網(wǎng)絡(luò)預(yù)測模型可以應(yīng)用到空調(diào)控制系統(tǒng)中，我們只需根據(jù)PMV指標(biāo)的變化來調(diào)整空調(diào)的控制系數(shù)，就能實(shí)現(xiàn)盡可能舒適的室內(nèi)環(huán)境。