针对预测平均投票数(predicted mean vote,PMV)值在舒适区和节能区之间周期性交替变化的控制方法,提出了基于PMV的动态舒适度冷/热抱怨模型和能耗模型.基于此模型,根据用户设定的舒适和节能两者的协调关系,运用改进的多目标离散粒子群...针对预测平均投票数(predicted mean vote,PMV)值在舒适区和节能区之间周期性交替变化的控制方法,提出了基于PMV的动态舒适度冷/热抱怨模型和能耗模型.基于此模型,根据用户设定的舒适和节能两者的协调关系,运用改进的多目标离散粒子群优化算法,得出动态舒适度控制系统输入参数的寻优方法.该方法只需实时测量热环境和居住者热感觉数据,不需建立热环境物理解析模型,普适性强.实验证明了上述控制方法的有效性,该方法可实现动态舒适度的最优控制.展开更多
静态的热环境易造成人体热适应能力降低,对健康不利。动态的热环境与自然环境相似更有利于用户的健康。提出一种基于用户学习的智能动态热舒适控制系统,在该系统中采用PMV(Predicted Mean Vote)作为控制目标,为了满足不同用户的需要提...静态的热环境易造成人体热适应能力降低,对健康不利。动态的热环境与自然环境相似更有利于用户的健康。提出一种基于用户学习的智能动态热舒适控制系统,在该系统中采用PMV(Predicted Mean Vote)作为控制目标,为了满足不同用户的需要提出个人热舒适区模糊学习算法,可根据个人偏好在线修改个人热舒适区;在计算实验的基础上提出动态热舒适控制策略,动态热舒适区包括舒适区和节能区,在动态热舒适控制中舒适区和节能区周期性交替变化。实验结果表明,该方法即满足用户的热舒适性需求,与静态热舒适控制相比节能效果明显,且对用户的健康有利。展开更多
文摘针对预测平均投票数(predicted mean vote,PMV)值在舒适区和节能区之间周期性交替变化的控制方法,提出了基于PMV的动态舒适度冷/热抱怨模型和能耗模型.基于此模型,根据用户设定的舒适和节能两者的协调关系,运用改进的多目标离散粒子群优化算法,得出动态舒适度控制系统输入参数的寻优方法.该方法只需实时测量热环境和居住者热感觉数据,不需建立热环境物理解析模型,普适性强.实验证明了上述控制方法的有效性,该方法可实现动态舒适度的最优控制.
文摘静态的热环境易造成人体热适应能力降低,对健康不利。动态的热环境与自然环境相似更有利于用户的健康。提出一种基于用户学习的智能动态热舒适控制系统,在该系统中采用PMV(Predicted Mean Vote)作为控制目标,为了满足不同用户的需要提出个人热舒适区模糊学习算法,可根据个人偏好在线修改个人热舒适区;在计算实验的基础上提出动态热舒适控制策略,动态热舒适区包括舒适区和节能区,在动态热舒适控制中舒适区和节能区周期性交替变化。实验结果表明,该方法即满足用户的热舒适性需求,与静态热舒适控制相比节能效果明显,且对用户的健康有利。
