基于数据驱动的自动驾驶电动汽车气候控制：一种用于提升热舒适性和能源利用效率的机器学习方法

《Energy Conversion and Management-X》：Data-driven climate control in autonomous electric vehicles: A machine learning approach to thermal comfort and energy use

　　曼努埃尔·基普 | 王瑞亚 | 丹尼尔·施梅林 | 盛一杰 | 克劳斯·本格勒
慕尼黑工业大学，人体工程学系主任，Boltzmannstrasse 15，加兴，85748，德国

**摘要**
在电池电动汽车的L4级驾驶舱中，热管理必须在局部热舒适度与暖通空调（HVAC）的电能消耗以及由此导致的行驶里程损失之间找到平衡。本研究开发并评估了一个数据驱动的框架，用于选择以舒适度为导向且考虑能源消耗的稳态设定值，适用于混合对流-辐射式HVAC系统。在一个气候室内，使用了一个具有16个区域的分段热模型的车辆模拟装置，根据DIN EN ISO 14,505–2标准，在三种环境条件下（低温、高温和正常温度），两种座椅姿势以及三种空气分布模式下测量静态局部等效温度。基于所得到的稳态数据集，训练了前向多输出替代模型，这些模型能够从边界条件和执行器设置预测16个区域的温度值，使用了线性回归基线和集成方法（随机森林、XGBoost）。在包含场景内5折交叉验证的汇总数据集上，XGBoost在16个目标上都取得了较好的性能，优于线性基线。然而，在仅排除一个场景的应力测试中，场景级的外推能力仍有限，表明若要适应超出当前测试范围的运行条件，需要明确的气候覆盖度。训练好的替代模型被应用于在允许的执行器范围内进行受限搜索，以确定在Nilsson中性带内既舒适又能耗最低的设定值，这些设定值是根据对流能量平衡以及场景依赖的COP（性能系数）和测量的辐射板功率计算得出的。验证实验确认，在冬季和夏季都能实现接近中性的舒适度。在低温条件下，仅使用对流时，辐射加热对舒适度的提升效果有限，但会将电能消耗从约某值增加到混合使用时的大约某值，导致在考虑的参考循环中估计的WLTP行驶里程损失约为某百分比。因此，本研究的贡献仅限于在测量到的运行范围内进行稳态舒适度约束的设定值选择和执行器优先级排序，并不扩展到广泛可应用的实时HVAC控制。

**1. 引言**
汽车行业正在经历两大转变：高度自动驾驶和动力系统的电气化。这两者的结合改变了车辆驾驶舱的功能。在SAE L4级车辆中，自动驾驶使非驾驶相关任务（NDRTs）如工作、休息或睡眠成为可能，乘客不再局限于固定的驾驶姿态[32][56]。相反，姿势的变化和更加舒适的座椅配置成为了预期使用场景的一部分。这些变化改变了身体表面的局部热交换，并可能根据活动和座椅配置影响新陈代谢率[23][42]。因此，L4级自动化提高了空间非均匀热条件和局部不适风险的相关性。因此，这样的驾驶舱中的HVAC决策应基于各个区域进行评估，而不仅仅是基于统一的整体空气温度目标。
这一挑战在电池电动汽车（BEVs）中尤为突出。与内燃机车辆不同，BEVs无法依赖大量的废热来进行座舱调节。相反， Heating, Ventilation, and Air Conditioning (HVAC) 必须直接从牵引电池中获取能量[54][59]。在寒冷、炎热或其他苛刻的边界条件下，如果管理不善，HVAC可能成为主要的辅助负载，并大幅减少行驶里程[25][41]。这就需要在保持乘客热中性条件与最小化电能消耗之间做出直接的技术权衡。
传统的汽车HVAC控制并不适用于这种环境。标准策略通常以驾驶舱内的空气温度为中心，并且是为大致静态、以驾驶者为中心的座椅布局开发的。这些方法无法充分解决灵活的L4级车内出现的空间梯度、空气分层和局部暴露问题[3][13]。对于非均匀环境，DIN EN ISO 14,505–2推荐使用等效温度（）作为综合指标，它反映了對流和辐射热交换[14][38]。因此，基于区域的温度测量为客观的舒适度评估和控制决策提供了合适的基础。
结合对流空气供应与近场辐射元件（如红外（IR）面板的混合HVAC概念，是对这一挑战的有希望的解决方案[4][30]。它们可以在寒冷条件下改善局部舒适度，但也会引入额外的执行器和不同环境条件、姿势及身体区域之间的相互作用。因此，科学问题不仅仅是将机器学习与HVAC控制相结合，关键任务是以可重复且计算效率高的方式确定哪些执行器组合可以在满足舒适度约束的同时最小化电能消耗。数据驱动的替代模型是实现这一目标的实用选择，因为它们可以近似边界条件和执行器设置到最终局部热状态之间的非线性映射，从而支持快速评估舒适可行的操作点[46][57]。
基于此背景，本研究开发了一个数据驱动的框架，用于在L4级电池电动汽车驾驶舱内进行以舒适度为约束的稳态设定值选择，并考虑能源消耗。使用一个气候室数据集，该数据集包含了在三种环境条件（低温、高温和正常温度）、两种座椅姿势（更直立的姿势和更放松的姿势）以及三种空气分布模式下的16个区域分段热模型。对于每个操作点，根据DIN EN ISO 14,505–2标准得出静态区域温度值，并与Nilsson舒适区相关联。然后训练前向多输出替代模型，从场景描述符和执行器设置预测16个区域的温度值。这些模型随后用于在受限搜索中识别电能消耗最低的舒适可行操作点。本研究明确将其定义为在测量到的运行范围内进行稳态尺寸设计和设定值选择的研究，而不是瞬态驾驶舱控制研究。所开发的框架被定位为一个特定的场景设定值选择和设计支持工具，其目的是在固定边界条件下识别舒适可行的操作点和执行器优先级规则，而不是验证适用于任意驾驶舱动态的实时控制器。在此范围内，机器学习被用作快速评估候选操作点的紧凑替代工具，这是由于线性公式无法准确表示执行器之间的非线性相互作用，从而无法有效进行区域级约束检查。

**2. 研究的具体目标和贡献**
- **数据集生成**：为L4级驾驶舱模拟装置建立了一个可重现的稳态数据集，该数据集将环境条件、座椅姿势、空气分布概念和混合HVAC执行器与十六个身体区域的温度目标联系起来。
- **前向替代建模**：开发了多输出替代回归器，从边界条件和执行器设置预测16个静态区域温度值。其性能通过与线性回归基线的比较进行评估，并通过鲁棒性分析来区分插值能力和外推极限。
- **能量-舒适度分析**：量化了混合对流-辐射运行在冬季、过渡季节和夏季条件下的舒适度-能耗权衡，特别关注辐射加热仅提供轻微舒适度提升但导致显著电能消耗增加的操作区域。
- **执行器优先级规则**：为在区域级舒适度约束下优先选择对流和辐射执行器制定了控制相关设计指南，包括识别低体温部分需要辐射加热的条件以及更适合对流主导操作的条件。

**2.1. 电气和自动化车辆中的HVAC概念**
早期关于BEV HVAC系统的研究显示，将传统的基于空气的加热概念直接应用于电动车辆会导致在寒冷环境下的显著里程损失[29]。这促使人们开发了减少对流加热需求、将热量更直接传递给乘客的方法。导电座椅系统就是一个显著的例子，因为直接的座椅加热可以在寒冷环境中提高舒适度并降低HVAC能耗[9][40]。人类受试者研究也表明，在寒冷环境中舒适度有所改善，但同时也指出了在高设定点下可能出现局部过热的风险[9][40]。为了解决局部不适问题同时保持姿势和驾驶舱布局的灵活性，最近的概念结合了对流气流与额外的局部执行器（如导电或辐射元件）。带有侧板加热或转向盘加热的系统可以在寒冷条件下改善进入时的舒适度分布[53]。结合了辐射、对流和导电组件的混合配置也已被研究用于冬季运行，根据边界条件和控制策略，这些配置可以在保持全身舒适度的同时降低加热能耗[51]。综述和比较研究表明，BEV的空调效率和行驶里程受所选HVAC架构及其运行的影响很大[20][26][47]。
除了组件概念之外，还有一些研究提出了面向控制的建模和优化框架，以量化能源-舒适度权衡并制定考虑行驶里程的HVAC策略[2][12][31][34]。表1总结了代表性电动汽车HVAC概念及其主要特点。总体而言，文献显示了从纯对流空气系统向结合对流分布和局部执行器的混合架构的转变。这一趋势对于L4级驾驶舱尤为重要，因为在这些驾驶舱中，姿势变化和非均匀暴露增加了针对特定区域的调节价值。

**表1. 电动汽车HVAC概念及其主要特点**
| 参考文献 | 系统重点 | 主要特点 |
| --- | --- | --- |
| Konz等人[29] | 传统对流空气系统 | 在寒冷环境条件下，加热负荷高，行驶里程减少最多50% |
| Brooks和Parsons[9] | 实验性导电座椅加热（受试者研究） | 在寒冷环境中整体舒适度提升，特别是躯干和大腿的温暖感好 |
| Oi等人[40] | 座椅加热（人类受试者研究） | HVAC能耗减少约14%，但在高设定点下存在局部过热和灼烧感的风险 |
| Schmidt等人[53] | 带有侧板加热和转向盘加热的对流通风 | 进入车辆后约30分钟内实现更均匀的热分布和整体舒适度 |
| Sasaki和Sakamoto[51] | 混合辐射-对流-导电加热 | 在寒冷冬季条件下，加热能耗减少约5.3%，同时保持全身舒适度 |
| Kang和Lee[26] | 电动汽车HVAC系统综述 | 混合和电池电动汽车的HVAC架构、组件和控制策略综述，重点关注能效和热舒适度权衡 |
| Frohner等人[19] | 新型BEV加热概念 | 修改后的内部加热概念，在保持冬季驾驶舱舒适度的同时减少牵引电池负载 |
| Al Faruque和Vatanparvar[2] | 以控制为导向的EV HVAC系统建模 | 系统级建模、分析和优化，强调HVAC对能源使用的贡献，并提出考虑电池寿命和行驶里程限制的策略 |
| Kruppok等人[31] | 五区域BEV HVAC评估模型 | 五区域驾驶舱模型，用于评估不同驾驶和气候条件下的HVAC节能潜力 |
| Gis等人[20] | 电动汽车内部加热系统的效率 | 低环境温度下电动汽车内部加热概念的比较分析，量化效率并显示技术对总车辆能耗的强烈影响 |
| Ramsey等人[47] | 由于驾驶舱加热引起的电动汽车行驶里程影响模拟 | 包括驾驶舱加热负荷在内的动力系统级模拟，评估加热策略对行驶里程的影响，并倡导节能型气候控制 |
| Cvok等人[12] | 为延长行驶里程优化EV HVAC控制 | 控制轨迹优化，以提高行驶里程同时保持乘客热舒适度，优于基于规则的运行方式 |
| Lahlou等人[34] | 热舒适度和电动汽车行驶里程的协同管理 | 结合考虑舒适度和行驶里程的最优管理框架，明确量化HVAC能耗-舒适度权衡 |尼尔森（Nilsson）建立了舒适区（comfort zones）的概念，并展示了如何将这些舒适区与复杂环境中的热感应（thermal sensation）联系起来[38]。后续的研究提出了线性化公式，以支持对等效温度（equivalent temperature）的快速评估和控制导向的评估[50]。在汽车车厢内，针对不同身体部位的分段热感应数据特别有用，因为这些数据能够针对容易受到气流影响、辐射不对称以及冷暖边界表面影响的身体区域进行局部舒适性限制。然而，仅依靠客观指标并不能完全代表乘员的感知情况。主观评分对于验证和解释结果仍然非常重要，因此汽车舒适性研究通常会将气候室（climate-chamber）的测量数据与整体的和局部的热感应或舒适度评价相结合。最近的研究强调了在评估空气分配和气流的局部舒适效应时，需要统一的方法和强大的可比性[43]、[60]。这支持了使用分段级的客观指标作为结构化的工程基础，同时也要求在将基于假人的（manikin-based）结果应用到人类乘员身上时，明确说明其适用范围和局限性。

2.3. 基于数据的舒适度预测
随着传感器数据的日益丰富以及混合式暖通空调（HVAC）架构的复杂性增加，基于数据的方法被用于舒适度预测和控制导向的评估。这些方法不再仅仅依赖于第一性原理模型，而是从实验数据或现场数据中学习边界条件、执行器状态与舒适度相关目标之间的统计关系。在汽车应用中，这些目标通常是整体的热感应评分、舒适等级或通过测量和替代指标（surrogate indices）得出的温度。线性回归和多元回归已被用来相对准确地预测基于车厢条件的整体热感应[65]。基于树的模型（如随机森林 Random Forest）被用来提高预测性能，相较于经验方法[35]。其他研究结合了多种算法来推断座椅加热模式或舒适等级，并报告了对特定任务和特征集的高准确率[24]。结合计算流体动力学（CFD）与机器学习的混合方法进一步表明，替代模型可以在减少计算时间的同时，高精度地近似热量[57]。比较性研究也显示，模型性能强烈依赖于可用传感器的类型、选定的目标以及覆盖的边界条件的多样性[46]、[62]、[64]。

表2总结了关于汽车车厢中基于数据舒适度预测的代表性研究。这些方法大多关注全局指标、主观评分或有限的局部变量子集，并且通常在有限的环境范围、座椅配置或执行器子集下进行评估。因此，它们在四级（Level-4）车厢中的适用性有限，因为姿势变化和空间不均匀性需要分段级的限制，而节能操作则需要适用于多种情况的执行器决策。

2.3. 基于数据的舒适度预测
随着传感器数据的日益丰富以及混合式暖通空调（HVAC）架构的复杂性增加，基于数据的方法被用于舒适度预测和控制导向的评估。这些方法不再仅仅依赖于第一性原理模型，而是从实验数据或现场数据中学习边界条件、执行器状态与舒适度相关目标之间的统计关系。在汽车应用中，这些目标通常是整体的热感应评分、舒适等级或通过测量和替代指标得出的温度。线性回归和多元回归已被用来相对准确地预测基于车厢条件的整体热感应[65]。基于树的模型（如随机森林 Random Forest）被用来提高预测性能，相较于经验方法[35]。其他研究结合了多种算法来推断座椅加热模式或舒适等级，并报告了对特定任务和特征集的高准确率[24]。结合计算流体动力学（CFD）与机器学习的混合方法进一步表明，替代模型可以在减少计算时间的同时，高精度地近似热量[57]。比较性研究也显示，模型性能强烈依赖于可用传感器的类型、选定的目标以及覆盖的边界条件的多样性[46]、[64]。

表2总结了关于汽车车厢中基于数据舒适度预测的代表性研究。这些方法大多关注全局指标、主观评分或有限的局部变量子集，并且通常在有限的环境范围、座椅配置或执行器子集下进行评估。因此，它们在四级（Level-4）车厢中的适用性有限，因为姿势变化和空间不均匀性需要分段级的限制，而节能操作则需要适用于多种情况的执行器决策。

3. 基础知识
本节仅总结了当前研究直接需要的物理和方法论基础。首先，概述了乘员与车厢之间的主要热传递路径，以说明对流和辐射调节的联合使用必要性。其次，介绍了电气暖通空调（HVAC）的功率需求及其对 WLTP 续航里程（WLTP range）的影响。第三，根据 DIN EN ISO 14,505–2，描述了非均匀车厢内的局部热舒适度，使用了尼尔森舒适区（Nilsson comfort zones）。最后，以简化形式阐述了学习任务，以定义后续方法部分中使用的前向替代模型（forward surrogate）。

3.1. 乘员与车厢环境之间的热传递
乘员与周围车厢之间的热交换受到传导、对流和长波热辐射的影响[10]、[44]。在当前的暖通空调概念中，相关的主动调节路径是通过空气分配系统的强制对流和红外面板的近场辐射。在所研究的配置中，传导热传递不作为主动控制路径使用。因此，对于一个身体部位，感热交换可以表示为（1），其中主要取决于局部空气温度和空气流动，而取决于与周围表面和局部辐射源的辐射交换[17]、[38]。在汽车车厢内，不同身体区域之间的辐射不对称性和局部气流效应可能有很大差异。这激发了对分段热感应数据的的需求以及执行器选择性调节。

3.2. 电气暖通空调功率需求及其对 WLTP 续航里程的影响
在纯电动汽车中，暖通空调能源来自牵引电池，因此会直接导致续航里程的减少。电力需求取决于所需的热负荷、加热或冷却过程的效率以及额外的辅助负荷。对于基于热泵的执行路径，性能系数（COP）定义为（2），其中表示提供的加热或冷却能力，表示相应的电输入功率[52]。较低的环境温度通常会降低 COP，从而增加给定热输出所需的电力需求。总电力需求被建模为（3），其中表示对流空气分配的鼓风机功率，表示额外的电气负荷。在当前的混合概念中，辐射面板被视为电气辅助负荷，因此直接包含在其中。

为了估计续航里程的影响，使用了基于 WLTP 的简化工程模型[5]、[61]。对于一辆具有某种电池容量的代表性车辆，在 WLTP 循环中平均牵引功率为，循环距离为，循环时间为，可实现的续航里程可近似为（4）。该公式用于量化暖通空调运行对续航里程的相对影响。它并不旨在替代完整的车辆能量模拟。对于特定场景的计算，假设 COP 值分别为 2.3、2.7 和 3.5，这与文献中报道的温度依赖性能趋势一致[36]、[37]、[55]。

3.3. 非均匀车辆环境中的局部热舒适度
高度自动化的车厢，具有灵活的座椅布局和混合式暖通空调调节，其特点是温度、辐射和气流的空间非均匀性。在这种条件下，假设环境均匀的全局舒适度指标对于局部不适机制的诊断价值有限。

3.3.1. 等效温度作为客观的局部指标
DIN EN ISO 14,505–2 推荐等效温度作为非均匀车辆环境的客观指标[14]。该概念将对流和辐射热交换结合成一个参考温度，在标准化的等温环境中产生相同的感热损失[38]。通过分段热模型（segmented thermal manikin）可以测量分段等效温度值，因此非常适合用于具有方向性气流和辐射不对称性的车厢内的局部舒适度评估。

3.3.2. 尼尔森舒适区与约束公式
尼尔森（Nilsson）和霍尔默（Holmér）开发了舒适区图谱，将分段等效温度与局部热感应联系起来，并后来被纳入 DIN EN ISO 14,505–2 [14]、[39] 中。对于每个身体部位，可以从等效温度与局部感应评分之间的关系中得出中性参考值和可接受的舒适带。在本研究中，这些特定于分段的中性带被用作局部舒适度约束。分段热模型测量相应十六个身体区域的等效温度，替代模型预测这 16 个分段等效温度值，作为环境场景和暖通空调设置的函数。在设定点搜索过程中，所有预测的分段等效温度值必须保持在尼尔森的中性范围内，同时最小化第 3.2 节中的电气暖通空调功率。

3.4. 本研究中使用的学习任务
本研究的数据驱动部分限于对稳态条件的监督前向替代模型（supervised forward surrogate）。设表示包含场景描述符和执行器设置的特征向量，表示包含 16 个分段等效温度的多目标输出向量。学习任务是近似映射（5），以便可以从候选操作点预测稳定的局部热状态。然后将得到的替代模型用于在舒适度约束范围内的快速评估。详细的预处理、模型训练、基线比较和鲁棒性评估在第 5.6 节中报告。这些元素共同提供了一个可重复的平台，用于生成稳态等效温度数据及其对应的暖通空调（HVAC）功率测量值。5.1.1 气候室和HVAC模型所有测量都在慕尼黑工业大学人体工程学系的气候室内进行。测试台由B段车辆模型的前半部分组成，该模型集成在一个能够保持恒定环境温度的环保控室内。HVAC系统通过混合加热和冷却气流来提供调节过的空气，并通过九个对称排列的出口将其分配到驾驶室中，这些出口的几何形状灵感来源于奥迪Skysphere概念[28]。出口布局包括仪表板出口、脚踏板喷嘴以及其他支持不同空气分布概念和局部暴露乘客的端口。基于面板的红外（IR）加热系统集成在侧板和地板区域，以实现[27]、[28]中描述的混合对流-辐射运行方式。模型的几何形状和气候室的封闭结构确保了空气分布的可重复性以及局部辐射暴露效果，同时阻挡了外部干扰，如图1所示。下载：下载高分辨率图片（143KB）下载：下载全大小图片图1. 驾驶室内部，带有仪表板和脚踏板出口以及集成在气候室中的红外面板。表3总结了本研究中使用的测量通道、它们在气候测试台设置中的位置（如相关，则标明信号源或传感器类型）以及它们在后续稳态分析中的作用。关于先前建立的气候测试台的更多实施细节，请参见[28]。表3. 本研究中使用的气候测试台设置中的仪器概述。表格总结了稳态数据集中包含的测量通道、它们的位置（如相关，则标明信号源或传感器类型）以及它们在后续分析中的作用。测量通道在设置中的位置信号源/传感器类型在分析中的作用分段等效温度（16个区域）分段热假人；包含十六个身体区域的分段假人测量系统，具有内部分段加热和表面温度感测功能主要舒适度目标；映射到Nilsson中性舒适区，并用作回归输出。分段表面温度感测和内部分段加热每个假人分段内内部假人控制和表面温度感测根据DIN EN ISO 14,505–2标准，在稳态条件下确定等效温度。驾驶室空气温度气候室/驾驶室内部测量位置Type-K热电偶用于表征每个操作点期间的环境和驾驶室热边界条件。驾驶室空气湿度气候室/驾驶室内部测量位置气候测试台仪器的湿度测量通道用于表征每个操作点期间的湿空气参数边界条件。出口空气温度设定值/测量的出口条件HVAC空气分布路径和驾驶室出口HVAC设定值信号和空气路径中的温度测量连续模型输入；定义对流激活强度。风扇速度信号和质量流量代理空气处理单元/鼓风机系统鼓风机速度信号；从鼓风机设置和测试台特性中得出的质量流量代理连续模型输入，代表提供的空气流动强度。空气分布概念/出口角度配置仪表板和脚踏板出口布置选定的流动概念的离散出口角度配置用于定义选定的流动概念（基线、直接、包围型）。辐射面板温度设定值/测量的面板温度侧板和中央控制台区域以及脚踏板区域的辐射加热系统的面板温度信号连续模型输入，用于辐射激活和电功率估算的基础。电功率通道对流HVAC路径和辐射面板对流和辐射子系统的电功率测量用于能量评估和基于WLTP的续航里程比较。5.1.2 驾驶座椅配置为了模拟高度自动化车辆中的典型使用情况，采用了两种驾驶座椅配置：一种是较直立的驾驶姿势，靠背角度为；另一种是更加倾斜的放松姿势，靠背角度为，如图2所示。这两种配置均基于Yang等人[63]关于未来自动化车辆中以驾驶者和放松为导向的座椅位置的推荐。它们的主要区别在于靠背角度和骨盆位置。气候假人在每种姿势下都固定安装，在单独实验过程中不会重新调整。下载：下载高分辨率图片（100KB）下载：下载全大小图片图2. 驾驶（左）和放松（右）座椅配置，以及相应的气候假人和靠背角度[28]。5.1.3 分段热假人和等效温度热舒适度评估基于DIN EN ISO 14,505–2标准中的等效温度。使用具有十六个身体区域的分段热假人在静止条件下测量局部温度值。每个部分包含一个内部加热元件和表面温度感测装置。控制系统调整各部分的表面温度，使显热损失与标准化的等温参考环境相匹配，从而可以从部分能量平衡中推断出等效温度[14]、[39]。图3显示了分段布局。这十六个部分对应于Nilsson舒适框架中使用的身体区域，因此可以直接将测量值映射到局部中性舒适区[39]。气候假人代表50%男性乘客，并遵循[48]中描述的分段布局。所得到的16个部分的温度分布构成了所有后续稳态分析和替代模型的目标空间。下载：下载高分辨率图片（179KB）下载：下载全大小图片图3. 具有十六个身体区域和相应等效温度传感器的分段气候假人，改编自[27]。5.2 气候场景和操作概念在三种代表欧洲典型电池电动汽车运行条件的气候场景下研究了HVAC的运行情况：•冬季：代表极端寒冷条件；•过渡期：代表介于加热和冷却主导运行之间的条件；•夏季：代表温暖冷却条件。图3展示了用于舒适度评估的分段气候假人。在所有场景中，舒适度评估均遵循DIN EN ISO 14,505–2标准。对于冬季和过渡期条件，使用冬季舒适图；对于夏季条件，使用夏季舒适图。分段温度值根据相应的Nilsson中性区间进行评估[14]。混合HVAC架构结合了•通过头部、中部和脚部的九个出口进行强制对流；•通过集成在侧板和地板区域的加热元件进行长波辐射加热；•可调节的鼓风机速度作为提供的质量流量的代理。对于每种座椅配置，考虑了三种空气分布概念，如图4所示。从控制角度来看，它们分别对应于基线概念、针对选定身体区域的集中喷射的直接概念以及更具环绕性的包围概念。相应的出口角度来自之前的出口角度系统研究[28]，并在加热和冷却主导的场景之间有所不同，以考虑浮力效应。下载：下载高分辨率图片（315KB）下载：下载全大小图片图4. 在简化后的躯干和上腿位置可视化的局部速度幅度，用于不同气候场景和座椅姿势下的空气分布概念。（a）结合直接和间接流动路径的基线概念，（b）针对选定身体区域的集中喷射的直接概念，以及（c）围绕占用区域引导流动的包围概念。使用光学跟踪的3D超声波速度和温度探头可视化流动模式。对于每种环境场景、姿势和空气分布组合，系统运行直到达到稳态条件。记录等效温度曲线和电功率。电功率分别测量对流路径和辐射组件的功率，随后汇总为总HVAC功率。5.3 参数矩阵和操作点完整的参数矩阵遵循一个因子结构，结合了环境场景、座椅位置、空气分布概念和HVAC激活变量。每个操作点对应于大约60分钟的气候室运行，产生一个包含十六个分段等效温度及其相关电HVAC功率的稳态记录。该矩阵涵盖了所有组合，包括•座椅位置：驾驶者 vs. 放松；•空气分布概念：基线、直接、包围型；•出口空气温度；•辐射面板温度水平（如适用）；•鼓风机速度以及相关的质量流量代理。在所有三种环境场景下，这种因子设计共产生了630个操作点。这些包括360个冬季点、180个过渡期点和90个夏季点。过渡期数据集包含仅对流和限制混合运行的情况。这种明确的计数很重要，因为学习任务是在结构化但仍然是有限的稳态设计空间上进行的，而不是在连续采样的运行域上进行的。除了标量设定值外，空气分布概念还通过驾驶员侧的固定水平和垂直出口角度来定义，乘客侧的出口则对称调整。基线概念代表具有适度偏转且不对乘客产生强烈冲击的传统流动。直接概念针对选定的身体区域喷射气流。包围概念将气流从身体周围重新导向，创造更加分散的周围气流。概念定义和出口角度基于之前的研究[28]。在拟合非线性替代模型之前，进一步使用多变量方法探索静态数据集，以识别执行器设置和分段等效温度之间的主导耦合关系，并验证测量运行空间的内部一致性。5.4 数据采集和稳态提取所有训练和验证数据都是通过在第5.2节定义的三种环境场景下使用分段气候假人进行的系统化气候室测量获得的。对于矩阵中的每个参数组合，将驾驶室驱动到准稳态操作点，并记录所有相关的热温和HVAC变量。以下小节描述了用于每个操作点推导出一个特征-目标对的测量协议和稳态提取程序。5.4.1 测量协议对于每个参数组合，进行专门的实验。在气候室中设置所需的环境温度并稳定HVAC系统后，通过系统接口应用相应的出口角度、出口空气温度、辐射面板温度和风扇速度。然后保持该配置大约60分钟，以便气候假人和驾驶室空气达到热平衡。根据Rolle和Küchle [33]、[48]的研究，选择这个持续时间是为了确保所有身体部分都处于准稳态条件。在整个运行过程中连续记录等效温度、驾驶室空气温度、湿度和HVAC操作变量，并存储在集中式数据记录系统中以供后续处理。5.4.2 预处理和确定稳态等效温度数据收集后，以统一的方式处理所有时间序列，以获得每个测量变量和操作点的代表性稳态值。目标是为每次运行推导出一个目标向量，其中包含十六个稳态分段等效温度，以及一个包含环境和执行器设置的相应特征向量。稳定性标准当满足以下所有条件时，状态被分类为稳态：1. 等效温度时间序列被滤波以抑制相关舒适带宽外的高频波动；2. 在20分钟的滑动窗口内，滤波后的信号变化保持在以下范围内；3. 代表性的稳态值计算为识别出的稳态间隔最后10分钟的算术平均值。这些标准一致地应用于所有身体部分和所有运行。所得到的平均值定义了十六个身体部分的稳态等效温度以及相应HVAC输入的稳态值。收集所有通道的这些平均值，从而为每个操作点得到一个特征-目标对。5.5 数据预分析在拟合替代模型之前，使用线性多变量分析和视觉舒适度图检查静态数据集。目的是识别主导的执行器响应耦合关系，验证物理合理性，并支持后续定义可行搜索区域。5.5.1 基于PLS的执行器响应耦合探索分别对冬季、过渡期和夏季数据集应用部分最小二乘（PLS）回归。对于每种场景，预测矩阵包含居中并缩放的执行器和边界条件变量，而响应矩阵包含十六个稳态分段等效温度[1]、[21]。在所有场景中，第一个潜在成分与整体加热或冷却强度相关。在以加热为主的数据中，这一成分主要由出口空气温度和辐射面板温度驱动。在以冷却为主的数据中，出口空气温度和质量流量占主导。次要成分区分上半身和下半身区域以及不同的空气分布概念。这些模式用于合理性检查，并支持后续的分段建模。5.5.2 3D ISO舒适度图为了可视化对流和辐射激活对局部舒适度的联合影响，基于DIN EN ISO 14,505–2中的等效温度概念生成了3D ISO舒适度图[14]，并朝向[48]中的2D表示进行 orient。对于选定的身体区域和场景，在 和 平面上在规则网格上插值静态数据集。图5中的结果表面代表了作为两个控制变量函数的测量等效温度。下载：下载高分辨率图像（293KB）下载：下载全尺寸图像图5. 为选定的身体区域构建的3D ISO舒适度图，使用DIN EN ISO 14,505–2等效温度概念来自稳态数据集。这些舒适度图提供了测量操作空间及其与Nilsson舒适区关系的紧凑可视化表示。它们还为后续设定点搜索定义了物理上有意义的界限。

5.6. 前向替代建模和设定点选择
基于稳态数据集，开发了一个数据驱动的替代模型，以快速预测测量操作空间内候选执行器组合的段级等效温度。学习任务被构建为一个前向模型，其中包含场景描述符和执行器设置，以及预测的稳态段级值。然后将该训练好的替代模型嵌入到一个受限搜索中，该搜索检查段级的Nilsson舒适界限并选择最小功率操作点。

5.6.1. 问题表述和控制导向使用
对于固定的环境场景和座椅配置，目标是确定执行器设置，以保持所有预测的段级等效温度在Nilsson中性带内，同时最小化总电气HVAC功率。如果满足某些条件，则候选操作点是可行的。在所有可行的候选者中，选择估计的电气HVAC功率最小的操作点。由于所有测量和目标都是稳态的，此过程被解释为在测量设计空间内的稳态设定点选择，而不是瞬态轨迹控制。

5.6.2. 特征定义和预处理
对于每个操作点，上述的稳态提取产生一个特征向量和一个目标向量：
• 分类输入：环境场景、座椅位置、空气分布概念。
• 连续输入：出风口空气温度设定点、风扇速度设定点、辐射加热设定点，以及从鼓风机设置派生的质量流量代理，并通过测量进行验证。
• 目标：十六个稳态段级值。
分类变量使用one-hot编码以避免不必要的顺序假设。连续变量标准化为零均值和单位方差。所有预处理步骤在一个仅适用于训练折叠的单一管道中实现。这避免了信息泄露，并确保了基线和集成方法之间的模型评估可以直接比较。

5.6.3. 模型类别和超参数
评估了三种回归模型家族用于前向替代：
• 线性回归基线：一种简洁的参考模型。
• 随机森林（RF）：用于非线性关系的树集合，对输入噪声具有很强的鲁棒性。
• XGBoost：用于结构化非线性执行器交互的梯度提升树。
多输出预测在共享的预处理管道下使用每个段的一个回归器实现。报告的前向替代模型的保留超参数在表5中总结，以支持可重复性。

5.6.4. 训练、验证、基线和鲁棒性测试
主要的插值性能通过在合并的数据集上进行5折交叉验证来评估。所有模型类别使用相同的折叠和预处理逻辑。预测准确性用决定系数和平均绝对误差（MAE）来量化。对于一个目标和样本，其中表示样本均值。指标按段计算并在折叠、场景和身体段之间汇总。
为了解决简洁性和鲁棒性问题，进行了三项补充评估：
1. 基线比较：训练并在相同的交叉验证协议下评估线性回归基线。
2. 输入噪声敏感性：在预处理之前将零均值高斯噪声注入原始特征空间中的连续输入变量。评估多个蒙特卡洛实现，并使用MAE的增加作为鲁棒性指标。
3. 留一场景-out（LOSO）压力测试：在模型训练时完全省略一个环境场景。这探查了超出表示操作空间的场景级外推。

5.6.5. 控制导向选择
对于给定的环境场景和座椅配置，使用训练好的前向替代模型对可接受的执行器空间进行穷举搜索。搜索列举了表4中显示的参数矩阵范围内的所有组合、辐射温度水平和值。对于每个候选者，替代模型预测十六个段级等效温度，然后根据段级Nilsson中性带进行检查。

表4. 三种环境场景的离散参数级别和操作模式。通过组合所有列出的级别和所有三种空气分布概念（基线、直接、包围），可以获得完整的数据集。
场景操作模式
出风口空气温度 辐射面板温度 风扇速度
冬季 混合对流+红外加热 1000, 2000, 3000 rpm
过渡时期 仅对流（冷却/温和加热） 在步骤中
夏季 仅对流冷却 在步骤中
表5. 用于稳态预测十六个段级值的前向替代模型的保留超参数。未在此列出的参数保持其库默认值。

5.7. HVAC功率模型和COP
为了评估符合舒适性的HVAC设置的能量影响，计算了混合对流-辐射系统的每个稳态操作点的电力消耗。该计算结合了空气侧加热或冷却负荷的对流能量平衡，以及辐射面板的经验确定的功率-温度关系和基于热泵路径的情景特定效率假设。
图6总结了考虑的能量流。控制体积包含了空气处理单元和舱内空气域。对流加热或冷却由进出口空气流之间的焓差表示。辐射加热由单个面板的电功率表示。

5.7.1. 对流加热和冷却功率
起点是具有流入和流出空气流的稳态能量平衡，其中是控制体积内的总能量，是空气质量流量，是湿空气的比焓。在稳态条件下，并忽略轴功以及动能和势能贡献，净热负荷从焓流量差获得。
湿空气的比焓计算如下：
其中是空气温度，是相对湿度，和分别是干空气和水蒸气的比热容，是水蒸气的潜热，是湿度比。
对于冷却操作，空气侧冷却负荷从进出口条件之间的湿空气焓差评估得出：

对于加热操作，对流加热负荷从加热器热交换器两侧的温度升高评估得出：

这些表达式提供了每个稳态操作点的净对流加热或冷却负荷。

5.7.2. 辐射加热板的电功率
HVAC系统的辐射组成部分通过集成到内表面的多个电加热板来实现。对于当前的气候试验台设置，保持面板表面温度设定点所需的电功率通过一个经验线性模型近似得出：

表6. 用于估计辐射加热板电功率的系数，作为面板表面温度的函数。线性模型基于气候试验台上的电流测量。

对于每个稳态操作点，通过评估方程（13）并在所有活动面板上求和来获得所有活动面板的电功率。应该注意的是，面板贡献不是通过理想化的热输出假设来表示的。相反，报告的面板项对应于在固定试验台边界条件下维持观察到的面板温度所需的测量电输入，因此反映了拟合系数中隐含的有效试验台特定损失。

5.7.3. 总HVAC电功率和性能系数
在电池电动汽车中，HVAC系统产生的热负荷通常由PTC辅助加热器或蒸汽压缩热泵提供。在加热模式下，性能系数定义为：

其中是热泵的电输入功率，是提供的加热容量。在冷却模式下，类似的效率指标是能量效率比。
为了简洁表示，使用符号作为情景特定的效率因子，其中在加热模式下，在冷却模式下。然后估计稳态操作点的总HVAC电功率如下：

该模型为所有操作点提供了一致的HVAC总电功率工程估计。情景特定的COP和EER假设用于比较冬季、过渡期和夏季条件下的相对能量需求。它们并不旨在替代完整的车辆级热或能量仿真。因此，得到的电功率值应被视为所研究稳态操作空间的比较工程估计。它们支持场景和执行器策略之间的相对比较，但它们不替代具有操作点依赖性的热泵图、瞬态电池交互和道路负荷耦合的完整车辆级仿真。

6. 结果
本节介绍了稳态气候室研究及其相关能量评估的主要发现。结果首先突出显示了混合对流-辐射HVAC概念的情景依赖性舒适性-能量权衡以及由此产生的执行器优先规则。然后报告了前向替代模型的预测性能，作为底层设定点搜索的方法论支持。除非另有说明，否则报告的验证设置对应于包围空气分布概念，该概念在调查的操作空间内提供了最稳健的整体舒适性能。在实际意义上，这种重复选择表明，包围概念在所有场景中提供了最广泛的舒适性可行候选者。与更直接冲击的气流模式相比，它降低了局部上半身过度暴露的风险，同时通过对流和辐射的联合作用仍然提供了对下肢和躯干区域的足够热支持。

6.1. 基于场景的热舒适性验证
对于每个环境场景，基于替代模型的搜索确定了使气候假人的段级等效温度尽可能接近Nilsson中性带的执行器设置，同时最小化电气HVAC功率。当在离散测量网格内不存在完全可行的操作点时，选定的设置最小化了与中性带的最大剩余局部偏差，这样就不会有其他中性段掩盖强烈过冷或过热的身体区域。然后通过相应的稳态测量来验证选定的操作点。

6.1.1. 冬季场景：表7总结了冬季场景的优化HVAC设置。对于两种座椅配置，选择了包围空气分布概念。出风口空气温度保持在适度水平，同时使用相对较高的辐射面板温度来支持下肢和躯干的舒适性，而不会过度增加混合空气温度。

表7. 用于三种环境场景（冬季（）、过渡期（）和夏季（）评估的验证操作点的优化HVAC设定点，针对驾驶员和放松座椅位置报告。对于，列出了两种操作模式：（i）具有明确辐射面板设定点的混合操作和（ii）禁用辐射加热的仅对流操作。对于这种情况，辐射加热被关闭，仅报告对流设定值。设定-10℃+16℃+28℃ 驾驶员 舒适模式（辐射设定值激活）空气分布概念 [–] 包围 影响––出风口空气温度 []31 31 23 26––仪表板温度 控制台 []31 40 32 29––仪表板温度 门 []36 38 34 31––仪表板温度 脚部空间 []50 50 30 30––风扇转速 [rpm]1728 1821 1800 1800––仅对流模式（辐射关闭）空气分布概念 [–]––包围 影响––出风口空气温度 []––26 27 21 21平均仪表板温度 []––关闭 关闭 关闭 关闭 关闭风扇转速 [rpm]––95 99 20 167 117 09在舒适模式下，不受约束的最优值建议仪表板中心温度相对较高，这会使右大腿部分超出其中性区域。在评估的验证设置中，因此将仪表板中心温度限制在大约某个值，而其余的辐射面板和对流设定值保持优化后的值。这种局部限制略微降低了大腿上部的等效温度，但保持了其余部分的接近中性的舒适度。图7显示了两种座椅配置下的测量稳态等效温度。对于每个身体部分，点代表静态值，阴影带表示相应的Nilsson中性范围。对于驾驶员和舒适姿势，大部分部分位于或非常接近中性区域。手脚等暴露部位有轻微的低温现象，但没有部分进入“过热”区域。与中性范围的比较确认，优化后的操作点在寒冷条件下为两种座椅位置实现了接近中性的局部舒适度。下载：下载高分辨率图像（402KB）下载：下载全尺寸图像图7. 在环境温度下，使用包围空气分布概念对驾驶员（左）和舒适（右）座椅位置的冬季场景进行的验证结果。点表示十六个身体部分的测量稳态等效温度；阴影区域表示相应部分的Nilsson中性舒适范围。6.1.2. 夏季场景：在夏季场景中，辐射加热被关闭，优化选择仅对流设置，以平衡冷却强度和气流风险。优化的执行器值列在表7中。同样，选择了包围空气分布概念，以及适中的出风口温度和风扇速度。这些设置的测量等效温度显示在图8中。对于两种座椅位置，上半身部分保持在中性或稍微凉爽的范围内，而下半身部分保持稍暖。这与在温暖环境中头部和躯干有略微凉爽感觉的目标一致。手脚等部位与中性值的偏差较大，但在没有太阳加热的情况下仍保持在可接受的舒适范围内。下载：下载高分辨率图像（404KB）下载：下载全尺寸图像图8. 在环境温度下，使用包围空气分布概念对驾驶员和舒适座椅位置的夏季验证场景中的测量部分等效温度。上半身部分保持接近中性或稍微凉爽的条件。6.1.3. 过渡场景：在某个温度下，舒适度与能源的权衡发生了质的变化。在研究的范围内，混合对流-辐射和仅对流解决方案都是可行的，因此表7列出了这两种操作模式。图9比较了混合和对流设置下的测量等效温度。混合配置在某些下半身部分产生略微更高的等效温度，但两种操作模式都保持在可接受的舒适范围内。因此，从控制角度来看，这个场景形成了一个收支平衡区域，在该区域内，辐射不再提供相应的舒适度收益。6.2. 电力需求和续航里程影响评估了在三种环境温度下，优化后的中性舒适配置的HVAC系统电力需求。对于每种配置，将对流系统和辐射面板所需的热功率与特定场景的性能系数结合起来，得到相应的电力和参考循环下的WLTP续航里程。根据车辆和热泵模型的设定，分别使用COP或EER值为2.3、2.7和3.5。对于电阻式辐射面板，一致使用电能输入功率作为续航里程评估的能量相关量。即使绝对续航里程值取决于假设的特定场景效率系数，但在当前数据集中的定性结论是不变的：在某个温度下，额外的辐射激活会导致明显的电力惩罚，而仅产生微小的舒适度提升。6.2.1. 冬季和夏季场景表8总结了冬季和夏季验证配置下的热功率、电力HVAC功率和相应的WLTP续航里程。在某个温度下，混合架构结合了大量的对流热功率和额外的辐射输入。总电力HVAC功率介于某个值之间，导致驾驶员和舒适姿势的WLTP续航里程分别为某个值。表8. 冬季（）和夏季（）验证场景下中性舒适的热功率、电力HVAC功率和相应的WLTP续航里程。场景 坐姿 COP 范围[kW] [kW] [–] [kW] [kW] [km]冬季 驾驶员 5.87 1.29 2.3 2.5 51.29 63.40冬季 舒适 6.37 0.82 2.3 2.7 70.82 64.78夏季 驾驶员 1.87 0.00 3.5 0.5 30.00 88.29夏季 舒适 2.11 0.00 3.5 0.6 0.00 87.57表9. 对十六个静态部分等效温度的前瞻性预测的汇总跨场景交叉验证性能，考虑了场景、姿势、空气分布概念和执行器设定。范围/平均值总结了跨折叠、场景和身体部分的变异性和整体性能。模型（范围/平均值）[K] （范围/平均值）XGBoost 随机森林 线性回归（基线）在某个温度下，辐射面板不活跃，仅使用对流冷却。更高的冷却效率将电力需求降低到某个值和某个值，产生相应的WLTP续航里程。比较冬季加热和夏季冷却，在某个温度下维持中性舒适所需的电力是夏季的六倍以上。这种对比对于夏季操作来说是保守的，因为当前的气候室条件排除了太阳加热的影响。6.2.2. 过渡场景：在某个温度下，能源与舒适度的权衡成为研究的主要工程结果。对于两种座椅位置，无论是否有活跃的辐射面板，都可以实现中性舒适度。然而，两种模式之间的能源需求差异很大。对于驾驶员姿势，仅对流配置需要的对流热功率为某个值，电力HVAC功率为某个值，导致WLTP续航里程为某个值。对于舒适姿势，也观察到相同的模式：仅对流操作产生总电力HVAC功率为某个值，WLTP续航里程为某个值。因此，在某个温度下激活辐射加热会使电力HVAC功率从大约增加到大约，同时WLTP续航里程相应减少。因此，激活辐射加热在某种程度上提高了电力HVAC功率，但部分舒适度的差异很小。从控制器优先级的角度来看，这个场景形成了一个收支平衡区域，在该区域内，辐射不再提供相应的舒适度效益。6.3. 替代模型的准确性和稳健性以下结果量化了前向替代模型对十六个部分等效温度的预测准确性，并界定了它们的有效范围。这些指标不是研究的主要工程结果，但它们为上述基于替代模型的搜索提供了方法论支持。6.3.1. 汇总跨场景交叉验证（插值）表9报告了预测十六个稳态部分等效温度的汇总跨场景5折交叉验证结果。XGBoost替代模型实现了最高的插值准确性，其值在某个范围内，MAE在某个和某个之间，对应的平均值为某个和平均MAE为某个。随机森林提供了略低的准确性，平均值为某个和平均MAE为某个。线性回归基线仍然具有竞争力，但明显低于基于树的集成模型，平均值为某个和平均MAE为某个。基线结果表明，映射的相当一部分几乎是线性的，而亚Kelvin替代模型的准确性需要非线性交互作用。使用基于集成的替代模型应针对舒适度约束设定点的特定要求进行解释，而不是针对一般的大数据预测建模。根本任务是从环境场景、座椅姿势、空气分布概念和多个连续执行器设置到十六个耦合部分等效温度响应的近似混合离散-连续映射。在这种设置中，简单的网格插值的实际价值有限，因为操作空间结合了分类模式变化和身体区域间的非线性执行器交互作用。线性回归基线确认了映射的相当一部分几乎是线性的，但其平均绝对误差为某个K，接近Nilsson中性带的宽度，每个部分通常为–K宽。在这个误差水平下，大量候选操作点在受限搜索期间会被错误分类为舒适可行或不可行。XGBoost替代模型将这个误差降低到某个K，从而为在十六个同时目标上进行可靠的段级约束检查提供了所需的预测余地。因此，这里使用机器学习作为一种紧凑的非线性替代模型，用于在测量空间内快速筛选候选操作点，而不是声称其具有超出该范围的优越外推能力。6.3.2. 应力测试：输入噪声敏感性和留一场景外推为了限制对扰动输入的敏感性，在预处理之前将高斯噪声注入原始特征空间中的连续输入中，并通过蒙特卡洛试验评估MAE的增加。随机森林显示出最强的稳健性，其次是线性基线和XGBoost。这揭示了一个明显的权衡：XGBoost产生了最低的插值误差，而随机森林对输入扰动的敏感性最低。留一场景外推被用作跨气候条件的受控外推应力测试。当训练期间完全省略一个环境场景时，性能显著下降。XGBoost达到某个和某个，随机森林达到某个和某个，线性基线达到某个和某个。因此，替代模型在测量的操作空间内进行插值是可靠的，但真正的场景外推仍然是有限的，被视为当前数据集的范围限制。7. 讨论本节解释了混合对流-辐射系统中热舒适度和电力HVAC功率的实验和建模结果，适用于Level-4电池电动汽车。主要强调的是场景依赖的舒适度与能源权衡以及由此产生的执行器优先级规则。然后讨论了前向替代模型作为在测量操作空间内选择稳态设定点的方法论支持的作用。最后，概述了含义、限制和未来工作的方向。7.1. 不同环境场景下的能源-舒适度权衡结果显示，所研究的混合HVAC架构的舒适度-能源关系强烈依赖于场景。在冬季某个温度下，对流和红外辐射的结合减少了远端身体区域的低温现象，并支持了更加均匀的部分等效温度分布，而无需过高的对流出风口温度。这种行为在物理上是合理的，因为辐射加热可以补偿寒冷的周围表面和分层效应，特别是在下半身区域，并且与之前关于寒冷车辆环境中辐射和接触相关舒适度的研究一致[4]、[51]、[53]。从能源角度来看，相应的混合操作点需要大约某个电力HVAC功率，并在研究的参考循环中将WLTP续航里程减少到大约某个值（表8）。与夏季操作相比，冬季的强烈惩罚反映了电池电动汽车在寒冷环境条件下加热负荷的众所周知的优势[25]。这些估计对假设的COP值的敏感性可以在定性上加以限制。如果将冬季的COP从假设的某个值变化到一个合理的范围–，对流电力将相对于报告的值变化大约–，相应地使估计的WLTP续航里程变化一个相应的幅度。定性结论是，冬季混合操作所需的电力是夏季仅对流冷却的几倍。在某个温度下，主要的能源惩罚来自电阻式辐射面板，其电能输入功率是直接测量的，不依赖于COP假设。即使在某个温度下COP有显著变化，也不会改变混合操作大约使电力HVAC需求相对于仅对流操作增加四倍的发现。所报告的能量比较应被解释为数量级的工程估算，其相对排名在各种情景和运行模式下是稳定的，尽管绝对值取决于特定的COP（Coefficient of Performance）假设。在某个临界点，权衡关系发生了质的变化，得出了研究中最重要的实际设计发现。在这个过渡阶段，仅依靠对流的操作就已经能够实现接近中性的各部位等效温度，而额外的辐射加热虽然显著增加了电气暖通空调（HVAC）的能耗，但并没有带来相应的舒适度提升（见图9）。定量比较显示，仅对流模式所需的电气HVAC功率较低，而混合模式所需的功率较高，这导致两种座椅位置的WLTP（World Wide Test Protocol）续航里程降低了大约某个百分比。因此，这个过渡阶段是一个盈亏平衡区域，在此期间，尽管两种模式的舒适度都可以接受，但混合运行在能源使用上并不具有优势。这一结果尤为重要，因为它表明辐射加热并不是一种普遍有益的舒适度调节手段；一旦对流就能达到中性舒适度，就应该积极抑制辐射加热的使用。

在夏季情景中，辐射板保持不活跃状态，相关的控制因素包括出风口空气温度、风机速度和空气分配方式。优化后的配置使得上半身部位保持略微凉爽，而下半身部位更接近中性温度（见图8），这与在温暖环境中人们对面部和上半身更强制冷效果的偏好是一致的[3][66]。大约XX千瓦的电气HVAC功率使得在测试循环中的WLTP续航里程约为XX公里（见表8）。由于气候室设置没有考虑太阳辐射的增益，因此这个夏季评估是保守的，可能低估了实际所需的制冷需求[66]。

综上所述，情景比较表明，混合式HVAC架构不应被理解为在所有运行条件下都总是有优势的。在明显寒冷的环境中，辐射元件是对流的有效补充，尤其是在提升下半身舒适度方面。在中等温度环境下，一旦达到可接受的舒适度，仅依靠对流操作在能源使用上更为经济。而在温暖环境中，辐射元件是不必要的，设计重点应放在对流冷却和气流管理上。

7.2 辐射加热的选择性使用与执行器优先级
在不同情景下，研究结果支持一个明确的执行器优先级规则。在寒冷环境中，辐射加热最为有用，因为它可以有选择地提升下半身的温度，而这些温度仅靠对流很难稳定，同时不会导致上半身过热。这对脚部、小腿及相邻躯干区域尤为重要，因为纯对流加热往往受到分层效应和头部舒适度限制的影响。在某个临界点，辐射加热的能耗占主导地位，因为仅靠对流已经能够提供接近中性的条件。因此，辐射加热应被视为冬季使用的执行器，在过渡性和温暖环境中应关闭，除非存在特定的边界条件（如严重的冷表面不对称或对流能力受限）需要局部辐射支持。

台架几何结构也表明，辐射元件的布置和分区与其激活方式同样重要。针对下半身的辐射面板（如脚部和侧面区域）最能直接缓解远端过冷问题。相反，强烈的辐射加热会导致头部和上半身过热。因此，当前的研究结果支持这样的设计策略：将辐射加热集中在下半身区域，并利用对流流形来避免头部附近的热空气积聚[48][49]。

7.3 前向替代框架的解释
从建模的角度来看，当前框架最好被解释为用于稳态设定点评估的前向替代方法。该模型根据情景描述和执行器设置预测十六个静态的各部位等效温度，从而可以快速筛选出符合局部舒适度要求的候选运行点。这对于以控制为导向的分析非常有用，因为无需重复进行气候室测试即可评估大量可行和不可行的方案。最初考虑了基于层次分类的公式化方法，因为三种空气分配方式代表了物理上不同的流动模式。然而，在最终的手稿中，问题简化为直接的前向替代公式化方法，其中空气分配方式作为离散的运行变量在受限的设定点搜索范围内进行评估。这种方法避免了额外的分类复杂性，同时保留了物理上不同的运行概念。

在所代表的运行空间内，该替代模型表现良好（见表9）。交叉验证结果确认大部分映射关系大致呈线性，但要达到亚开尔文级别的精度则需要非线性交互作用。同时，鲁棒性分析明确了模型的适用范围。蒙特卡洛输入噪声测试显示，随机森林（Random Forest）对扰动输入的敏感度最低，而XGBoost虽然更准确，但也更易受噪声影响。更重要的是，第6.3节中的留一场景测试表明，如果在训练过程中省略了整个环境情景，性能会显著下降。因此，该替代模型应主要被视为在测量到的情景空间内的插值模型，而不是通用的气候外推模型。这并不否定当前研究的价值，但它限制了应用范围，意味着在额外气候条件下的应用需要明确的数据覆盖、针对性的重新训练或额外的基于物理的约束。

7.4 对四级电动车HVAC设定点选择的影响
混合硬件的结合、分段等效温度测量以及基于替代模型的评估对四级电池电动车的HVAC设计和运行有直接影响。首先，结果表明，在有限的执行器集下，通过分段等效温度定义的舒适目标在可重复的台架环境中是可以实现的，这支持了DIN EN ISO 14,505–2标准作为非均匀自动化驾驶舱的有用工程参考[14]。因此，当前的研究不应被视为提出了一个经过验证的驾驶舱控制器，而应被视为提供一个结构化的工程基础，用于识别推荐的稳态运行区域和执行器组合。其次，研究结果建议根据具体情景选择设定点，而不是采用通用的舒适度最大化策略。环境条件和使用场景应首先界定可接受的运行模式范围，例如确定是否需要辐射支持。在这一受限的运行范围内，可以通过使用前向替代模型评估候选点，并在满足各部位舒适度约束的前提下最小化电气HVAC功率。从这个意义上说，研究支持结合受限设定点搜索的离散模式选择，而不是广泛的实时控制方法。

在实际应用中，当前的前向替代模型最适合作为分层控制架构中的监督稳态层。这样的架构将利用替代模型预先选择可接受的运行模式并初始化能源感知的设定点，而专门的低级控制器则处理瞬态HVAC动态、执行器跟踪和电池约束。在准稳态阶段或实验覆盖范围之外，仍然需要 fallback逻辑或基于物理的模型。

7.5 方法论考虑与限制
本研究的结论受到实验范围、数据集结构和建模假设的限制：
- **稳态范围**：数据集由准稳态气候室运行点组成，不涵盖进入瞬态、下降过程、预热、太阳负荷积累或快速变化的边界条件。因此，当前框架应被视为在测量操作空间内的稳态尺寸和设定点选择工具，而不是适用于任意驾驶情况的实时驾驶舱控制器[3][33]。
- **有限的气候覆盖和外推限制**：仅覆盖了三种固定的环境情景和两种座椅姿态。留一场景测试表明，对未见气候情况的情景级外推能力有限。因此，该替代模型主要在所代表的运行空间内可靠，而更广泛的部署需要额外的实验覆盖或模型调整。
- **乘员现实性和主观验证**：气候假人代表一个50百分位的男性体型，穿着固定服装且代谢率假设固定。它提供了客观且空间上明确的舒适度工程参考，但与真实乘员不同，它无法再现人类的体温调节机制[16][18][45]。在四级应用场景中，这种局限性因姿势变化和不同的使用模式而加剧，这些因素会改变身体的姿态和暴露情况[23][63]。真实乘员表现出体温调节反应、行为适应性和个体间的主观感知差异，这些是恒定温度假人所无法复制的。先前的研究表明，基于假人的等效温度在受控条件下与群体平均热感觉相关，但个体反应可能差异显著。因此，当前结果不应被视为人类受试者验证的替代品，而应被视为在客观基准下识别舒适可行运行点的工具，而针对乘员的舒适度声明需要专门的人类受试者数据。
- **太阳辐射和额外的实际环境边界条件**：实验设计中没有包括太阳辐射、玻璃不对称性和系统变化的湿度或潜热负荷等独立设计变量。在真实驾驶舱中，太阳辐射和玻璃效应会显著改变平均辐射温度场和冷却需求[66]。因此，在将夏季研究结果应用于阳光照射下的车辆运行时需谨慎考虑。
- **座椅接触和导热热传递**：舒适度评估基于DIN EN ISO 14,505–2标准中的等效温度，因此主要关注对流和辐射热交换。当前概念中没有将座椅接触区域的导热热传递作为主动控制路径进行建模，也没有将其作为独立控制变量进行单独处理。这可能影响背部和骨盆接触区域的局部舒适度评估[58]。
- **简化的COP假设**：能量模型使用固定的情景特定COP（Coefficient of Performance）和EER（Energy Efficiency Ratio）值，而不是依赖于运行点的热泵效率图。在真实车辆系统中，压缩机效率会随制冷剂条件、环境温度和热负荷而变化。因此，报告的电能和WLTP续航里程值仅适用于当前研究中的相对模式比较，不能替代包含瞬态电池交互和道路负荷耦合的完整车辆级能量模拟。

7.6 展望
从控制角度来看，下一步不仅是提高预测复杂性，而是将当前稳态替代模型嵌入分层控制架构中。在这样的架构中，替代模型将提供模式预选和舒适度可行的设定点候选项，而瞬态热动态、执行器跟踪和干扰抑制将由专门的动态控制器或基于物理的预测模型处理。当前工作为此类架构提供了必要的离线组件，而在线组件仍需进一步开发。下一步需要在选定的冬季和过渡性稳态条件下进行针对性的人体受试者验证，以量化基于假人的中性标准在混合对流-辐射运行条件下预测主观局部和整体舒适度的可靠性。这种验证对于四级场景尤为重要，因为在这些场景中，姿势、任务和被动暴露时间可能会系统性地改变客观热状态与感知舒适度之间的关系。结合当前的目标框架与主观人体反馈和生理代理，还可以支持未来驾驶舱应用的混合目标-主观舒适度模型[6][22]。

在硬件层面，结果已经表明，进一步优化辐射面板的布置和分区（特别是在寒冷条件下的下半身支持）可能比在所有气候条件下全面激活辐射元件更有价值。

8. 结论
本研究开发并评估了一种数据驱动的稳态设定点选择框架，适用于四级电池电动车的混合对流-辐射HVAC概念。其贡献不是一种通用的实时HVAC控制策略，而是一种针对具体情景的工程工具，用于在实验代表的运行空间内识别舒适度可行的运行点和执行器优先级规则。气候室实验在模拟车辆前舱的模型中进行，涵盖了三种环境温度、两种座椅姿态和三种空气分配方式。局部热条件通过十六个身体区域的段等效温度进行量化，并将其映射到Nilsson舒适区内，用于训练前向替代模型，这些模型能够根据场景描述符和执行器设置预测各身体区域的静态温度值。训练好的替代模型随后被应用于对允许的执行器空间进行受限搜索，以确定在最低电气暖通空调功耗下仍能保持舒适性的操作点。

生成了一个结构化的稳态数据集，涵盖了三种环境场景、两种坐姿和三种空气分布方式，包括混合对流-辐射加热以及仅对流加热模式。该数据集将执行器设置（如出风口空气温度、风扇速度和辐射板温度）与十六个身体区域的响应及相应的电气暖通空调功耗关联起来。基于随机森林（Random Forest）和XGBoost的前向替代模型在跨场景交叉验证中能够高精度地预测这些静态温度值。XGBoost的平均预测误差低于随机森林和线性回归基线模型。留一法（leave-one-scenario-out）压力测试显示，该替代模型主要适用于所表示操作空间内的插值，但在外推性能上有明显下降。蒙特卡洛输入扰动实验进一步表明，在精度和鲁棒性之间存在权衡，其中随机森林对输入噪声的最小敏感度最高。

针对冬季、过渡季节和夏季条件以及两种坐姿，实验确定了既舒适又能最小化能耗的操作点。在某些参数组合下，采用混合加热方式、包裹式空气分布、适中的出风口空气温度和较高的辐射板温度，大多数身体区域的温度接近中性状态，仅极端的部位存在轻微偏差。在仅对流冷却的情况下，上半身的温度保持中性或略微凉爽，且无需激活辐射板。在其他参数组合下，两种冷却方式均处于可接受的舒适范围内，不同模式下的身体区域温度差异很小。

本研究最显著的实践成果是提出了依赖场景的执行器优先级调整策略：在冬季，辐射加热有助于稳定下身和躯干的舒适度，而无需过度依赖对流加热；在夏季则无需使用辐射加热。在过渡季节，激活辐射加热会使电气暖通空调功耗从仅对流模式的约某些值增加到混合模式的约另一数值，尽管这会在WLTP续航里程评估中带来约某百分比的负面影响，但舒适度提升较为有限。这表明存在一个明显的盈亏平衡点，超过该点后辐射加热在能源使用上变得不利，应予以抑制。从实施角度来看，所开发的替代模型非常适合用作未来动态暖通空调控制架构中的决策支持层，用于模式选择和初始设定。

综上所述，结果表明，适用于四级电池电动轿厢的混合暖通空调系统应选择性而非均匀地运行：在寒冷条件下应优先使用辐射加热以提升下肢舒适度，而在温和或温暖条件下，一旦达到可接受的舒适度，应优先采用仅对流方式。本文的成果应被视为基于稳态工程的舒适性约束模式选择和设定点定义方法，所提出的舒适性可行操作点属于客观工程结论，但仍需通过人体实验数据进行验证，才能更广泛地评估其对乘客舒适度的影响。

作者贡献声明：
Manuel Kipp：撰写、审稿与编辑、原始稿件撰写、可视化、验证、监督、软件开发、资源管理、项目统筹、方法设计、数据整理、概念构建。
Ruya Wang：撰写、审稿与编辑、可视化、验证、软件开发、方法设计、数据整理、概念构建。
Daniel Schmeling：撰写、审稿与编辑、可视化、正式分析。
Yijie Sheng：撰写、审稿与编辑。
Klaus Bengler：撰写、审稿与编辑、监督工作。