综述：个人热舒适模型在建筑热系统控制中的实际应用：系统综述

《BUILDING AND ENVIRONMENT》：Real-world implementation of personal thermal comfort models in building thermal systems control: A systematic review

个性化热舒适模型驱动建筑 thermal systems 的控制实践与效果分析。该综述系统整合35个实际应用案例，揭示 indoor air temperature（74.3%研究核心输入）对建筑HVAC控制的关键作用，量化显示PCM协同控制可降低HVAC能耗15%-39%，同时提升热舒适性。研究指出多 occupant 空间中87.5%系统采用全体偏好优化，控制策略以规则为基础（占比92.3%），并建立分层控制框架实现长周期HVAC调节（中位值12.5分钟）与短周期PCS调控（中位值0.83分钟）的协同。

　　

Xinbo Xu | Ali Ghahramani

新加坡国立大学设计与工程学院建筑环境系，117566，新加坡

摘要

长期以来，建筑物一直依赖人工调节来满足使用者的热需求，但最近的进展突显了个人热舒适模型（PCMs）在预测个体需求和实现自主控制方面的潜力。为了指导实际应用，本综述综合了35个基于PCM的建筑热系统控制案例，比较了PCM的操作指标和模型性能，分析了控制逻辑和方法，并量化了在舒适度和能源效果方面的有效性。研究结果表明，室内空气温度是最常见的输入参数，出现在74.3%的研究中。与热感觉或舒适度相比，预测的热偏好为控制提供了更好的指导。在多用户空间中，37.5%的研究针对大多数用户进行了优化，而62.5%的研究考虑了所有用户的偏好。大多数控制策略基于规则，补充控制是主要的控制类型。供暖、通风和空调（HVAC）系统的控制间隔通常比个人舒适系统（PCS）长（中位数分别为12.5分钟和0.83分钟），最常报告的最大设定点调整幅度为1°C。与基准相比，基于PCM的控制提高了热舒适度并减少了能源消耗（仅HVAC的节能率为1.1-39%；HVAC和PCS结合使用约为15%）。要实现自主的效率和舒适度，需要新的框架来协调HVAC和PCS，其中聚合的PCM输出结合能源考虑来确定区域级别的HVAC设定点，同时每个用户的PCS在更短的时间间隔内进行调节，以进一步确保热舒适度。

引言

提供令人满意的热环境长期以来一直是人类栖息地的主要功能，使人们能够抵御恶劣的环境条件[1]。随着时间的推移，这些栖息地已经演变成配备了先进建筑热系统的复杂建筑环境，例如供暖、通风和空调（HVAC）系统以及个人舒适系统（PCS，如台式风扇、加热椅、脚暖器）[2,3]。然而，有一个方面几个世纪以来几乎没有变化——即仍然依赖人类直接设定热条件。从早期住宅中打开窗户到现代建筑中调节恒温器，人类一直是管理舒适度的核心角色，建筑环境会根据他们的输入做出反应[4,5]。然而，如今，信息技术和传感系统的进步为建筑热系统的自动化开辟了新的可能性。

要实现这些可能性，一个核心前提是准确预测个体的热需求。在最近的研究中，这些预测通常是通过使用针对个体数据进行训练的数据驱动模型来完成的，以捕捉热感知（例如热感觉、舒适度、偏好）[[6],[7],[8]]。然后利用这些模型来确定每个使用者的舒适需求以及在特定空间内实现这些需求的条件[[9],[10],[11]]。尽管取得了这些进展，但在如何有效部署PCM以控制建筑热系统方面，仍缺乏可扩展和系统的指导。

为了了解近年来的努力，几篇综述文章总结了PCM发展的进展。Feng等人系统地回顾了24项关于数据驱动的个人热舒适预测的研究[7]，围绕三个方面进行了组织——实验设计、数据收集和建模技术，并提供了标准化建模实践的指导。然而，他们没有讨论如何将构建的模型集成到实际的控制循环中。Arakawa Martins等人系统地回顾了37项PCM研究[12]，综合了数据集组成、建模方法和评估方法，并提供了关于PCM构建和评估的比较视角。然而，他们缺乏一个统一的框架来比较结果，而且大多数研究仍限于实验室或模拟环境。Chen等人从实验设计的角度回顾了74项基于生理学的PCM研究[13]，提供了实验程序、序列和变量设置的标准化比较。然而，他们的综述仍然停留在实验阶段，没有探讨实际应用。Bogatu等人回顾了94篇涵盖生理测量和PCM构建的文献[14]，重点关注模型性能评估和实际部署的可行性。然而，他们没有系统地组织有关控制策略或参数的信息，也没有提供基于PCM的控制效果的定量评估。Lee和Karava总结了关于学习个性化热舒适度轮廓的研究，并介绍了将这些轮廓应用于HVAC控制的可行性[15]。然而，大多数被回顾的研究都是概念性的或基于模拟的，综述采用了一种逐项研究的描述性方法，没有对关键指标进行定量比较。Zhang和Tzempelikos回顾了将个人热偏好集成到HVAC控制中的方法[16]。然而，由于模拟研究占主导地位，证据基础在实际应用方面的可行性仍然有限，他们的综述主要强调控制方法的分类，而不是对实际实施的定量评估。

在上述与PCM相关的综述中，在研究选择过程中没有明确区分理论操作的、基于模拟的和实际实施的PCM。因此，大多数讨论集中在模型开发、性能评估和可行性分析上，而实际实施很少被提及。例如，Arakawa Martins等人报告说，大多数被回顾的研究没有测试PCM与HVAC系统的集成，而只是强调了建模[12]，并且他们只确定了五个实际的控制实施案例。同样，Bogatu等人指出，少于9%的PCM被用于实际控制[14]。然而，值得注意的是，PCM的初衷是支持实际建筑环境的控制[6]。正如Wu等人[17]所强调的，当前PCM研究的共同缺陷是它主要关注特定建模技术的最终预测准确性，而不是开发一种结构化且最终可转移的方法来将模型应用于实际场景。

除了专注于PCM的综述之外，还有一些综述文章关注了针对热舒适度的建筑热系统控制的进展。Grassi等人回顾了2017年至2021年间发表的163项研究，从三个角度进行了分析——热舒适模型、室内环境控制策略以及它们之间的相关性[18]。然而，63%的受调查控制策略仍然依赖于预测的平均投票（PMV）模型，未能考虑个性化的舒适偏好。Merabet等人系统地分析了125项关于智能建筑控制系统的研究，涵盖了广泛的人工智能辅助技术，如神经网络、模糊逻辑、强化学习和多智能体系统，并评估了它们在提高舒适度和减少能源使用方面的潜力[19]。然而，大多数这些研究使用PMV模型或其变体来评估舒适度，而个性化控制主要限于概念验证演示。Wahba等人对基于热舒适度的控制系统中的非线性进行了系统回顾，讨论了如何将非线性舒适响应与控制建模集成，并总结了HVAC系统的优化和过程控制方法[20]。然而，他们明确指出PMV模型是唯一接近现实的定量指标，因此被用作热舒适度评估的唯一指标。

总之，现有的专注于PCM的综述主要强调了PCM的发展和性能评估，对其在实际控制过程中的整合考虑有限[7],[12],[13],[14]]。相反，关于建筑热系统控制的综述通常关注实施和操作策略，往往忽略了热系统的个性化，通常依赖于传统的热舒适模型（例如PMV-PPD模型和自适应舒适模型）[18],[20],[21],[22]]。

为了解决这一差距，本综述系统地综合了关于PCM在建筑热系统控制中实际应用的证据，重点关注三个方面：（1）成功部署的PCM，包括其操作输入参数、模型类型和性能以及输出预测的热感知指标；（2）由PCM输出驱动的实际建筑热系统的控制逻辑和方法，包括目标用户数量、控制策略和类型、控制过程参数以及控制平台；（3）基于PCM的控制效果，通过其对热舒适度改善和能源节省的影响来量化。

本文的其余部分结构如下。第2节详细介绍了这项系统综述的方法论，包括文献搜索方法、选择标准以及与上述三个方面一致的分析框架。第3节展示了结果，报告了分析框架每个步骤的发现。第4节讨论了三个维度（PCM、建筑热系统和控制方法）的先前发现，并为未来的研究概述了一个新框架。第5节得出了结论。

方法

文献综述遵循了系统综述和元分析的优先报告项目（PRISMA）指南[23]。PRISMA提供了一个标准化的检查列表和流程图，以提高系统综述的完整性和透明度，涵盖四个阶段：识别、筛选、资格确定和纳入。所有纳入的研究都使用统一的分析框架进行了处理和分析，以确保提取可比较的定量信息和实证数据

所选文献概述

表1提供了35项选定研究的概览，详细介绍了PCM和受控建筑热系统的信息——这两个最关键的组成部分。在表格中，研究按建筑热系统类型排序如下：前25项控制HVAC系统；接下来的6项控制PCS；接下来的3项同时控制HVAC系统和PCS；最后1项控制其他设备（遮阳设备）。

图3显示了35项被回顾研究的描述性特征。

讨论与未来工作

在图2的分析框架指导下，本综述系统地分析了PCM在建筑热系统中的实际应用。根据之前呈现的结果，以下讨论概述了PCM、建筑热系统、控制逻辑以及未来研究框架的关键考虑因素。

结论

尽管关于PCM的研究不断增长，但在如何有效地将它们部署到实际建筑热系统中的系统指导仍然有限。本综述综合了35项在实践中实施基于PCM控制的研究。综述总结了部署的PCM的操作指标，分析了基于PCM的建筑热系统控制的逻辑和方法，并量化了它们在热舒适度改善和能源节省方面的有效性。

CRediT作者贡献声明

Xinbo Xu：撰写——审稿与编辑、撰写——初稿、方法论、调查、正式分析、数据管理、概念化。Ali Ghahramani：撰写——审稿与编辑、撰写——初稿、监督、资源管理、项目协调、方法论、调查、资金获取、正式分析、概念化。