基于多技术融合的室内热舒适智能调节方法

《Journal of Building Engineering》：An intelligent regulation method for indoor thermal comfort based on multi-technology integration

　　

•智能空调控制系统，融合毫米波雷达、计算流体力学（CFD）、机器学习和模糊逻辑。
•基于毫米波雷达的隐私友好型动态人员监测。
•随机森林模型可准确利用空气温度和代谢率预测热舒适度。
•模糊逻辑控制在两次迭代内实现中性热舒适度。
•系统可适应人员数量、分布和活动方式的变化。

**引言**

据估计，绝大多数人口约90%的时间在室内环境中度过[1]。室内热环境质量直接影响入住者的身体健康、心理福祉和工作效率[2]。研究表明，室内温度过高可能导致一系列与热相关的疾病，包括但不限于中暑和脱水[3]。相反，温度过低也会引发多种健康问题，如感冒和肌肉僵硬[4]。此外，在过热或过冷的室内环境中，人们容易出现烦躁、焦虑甚至抑郁情绪[5]；而适宜的温度则能提升心理舒适感和工作效率[6,7,8]。鉴于这些多方面影响，实现舒适且节能的室内热环境已成为一项关键的研究优先事项。

热舒适度被定义为个体对环境因素（如温度、湿度和空气流动）的主观感受[9]，这些因素与服装热阻和代谢率存在复杂的相互作用[10,11]。空调系统对于营造舒适的室内空间不可或缺，但其在应对个体差异和环境动态变化方面的有效性仍有待确定。

在当今传感器技术、数值模拟和人工智能技术快速发展的时代，智能空调控制逐渐成为主要研究焦点[12]。现有研究沿三条互补的技术路线取得了显著进展，每条路线针对热舒适度调控问题的不同方面：

第一，多源感知技术（包括计算机视觉和毫米波雷达）已被用于采集入住者的生理和行为数据。例如，Lan等人[13]通过集成计算机视觉在动态大学教室中实现了实时热舒适度感知，而Imran等人[14]在OCEAN模型中应用毫米波雷达评估性格和行为特征。这些研究证实了非侵入式人员监测的可行性，但仍需将这些传感器数据直接整合到暖通空调（HVAC）控制的闭环决策中。

第二，计算流体力学（CFD）数值模拟已作为优化热环境参数的核心工具得到广泛应用。作为证明，Wu等人[15]将CFD与人体热调节模型结合，评估了厨房通风条件下的热舒适度，揭示了热不均匀性对舒适度水平的直接影响。Liu等人[4]利用CFD结合人体热模型（HTM）实现精确的皮肤温度预测。类似地，Yamamoto等人[16]采用CFD进行热生理耦合分析，强调了强制对流场中对流换热系数的关键作用及其对预测平均投票（PMV）计算的影响。虽然这些研究证明了CFD生成高分辨率热场的能力，但将这些场数据转化为实时控制策略仍欠成熟。

第三，机器学习在热舒适度预测中的应用逐渐确立了一种以多算法协作和多特征融合为特征的研究范式。Haghirad等人[17]整合了包含个人信息、个体因素、室内环境条件和房产信息的多个数据集，构建了随机森林（RF）和K近邻（KNN）模型用于室内热舒适度预测。近年来，研究人员[18,19,20,21]通过全面分析环境参数、个体特征和行为数据，并结合多种机器学习模型的对比评估，在热舒适度预测领域取得了显著进展。值得注意的是，Nadarajah等人[19]提出了IPME框架，针对特定热舒适度参数选择定制的机器学习算法，解决了数据插补挑战和参数特异性行为问题。Alam等人[20]引入了基于物联网的ADAPTS系统，纳入空间参数，实现R2=0.99，同时将数据采集时间减少了87.5%。Nafiz等人[21]证明，将心理参数与个人因素结合可提高预测准确性，其中RF达到最低误差（0.706），验证相关性超过0.88。总体而言，这些研究确认了机器学习在个性化舒适度预测方面的巨大潜力。然而，将这些预测模型整合到一个整体控制框架中——同时纳入实时人员感知、环境场模拟和自适应控制逻辑——尚未完全实现。

上述在多源数据感知、精细环境建模和数据驱动热舒适度预测方面取得的重大进展，为智能空调系统建立了强大的前端信息感知和状态评估能力。然而，要实现按需、舒适且节能的室内热舒适度调控，仍需将这些前端洞察转化为实时优化控制决策和执行。因此，智能控制算法作为闭环系统中的核心决策引擎，其性能直接决定整体系统效率[22,23]。在众多智能控制方法中，模型预测控制（MPC）、强化学习（RL）和模糊逻辑控制（FLC）在应对复杂优化、动态适应和不确定性方面各展现出显著有效性，凸显了它们在推进智能暖通空调系统中的各自潜力。

MPC基于数学模型，其核心在于预测系统的未来行为，通过在线求解优化问题来优化当前控制输入[24]。它能够有效地处理多输入多输出（MIMO）系统，并在考虑系统约束的同时实现最优控制。因此，它广泛应用于建筑环境调节、暖通空调系统和其他复杂动态系统控制[25,26]。RL是一种基于奖励信号学习最优行为的机器学习方法[27]。由于其能够在复杂环境条件下动态调整控制，RL在智能空调控制系统中也展现出显著的应用潜力[28]。事实上，基于RL的方法在处理突发个体行为变化或环境扰动等动态场景方面表现出明显优势——这是许多现有基于规则的策略的关键局限。然而，RL通常需要大量训练数据，且在实际部署中可能缺乏可解释性。相比之下，FLC在高不确定性和模型不完整的系统中表现出特别的有效性，通过透明、基于规则的决策提供增强的适应性和鲁棒性[29,30]。例如，Li等人[31]提出了一种基于热感觉预测的室内温度模糊控制方法，与基于反馈的热感觉控制相比，日均能耗降低了10.73%。类似地，Lan等人[32]采用了使用MATLAB模糊控制工具箱设计的模糊控制器，场景分析证实了该控制器在提升教室空调系统热舒适度方面的有效性。

总之，多源感知、精细建模、机器学习和智能控制等新技术持续推动室内热舒适度调控领域的发展。然而，两个根本性挑战仍然存在：一方面，大多数控制策略基于假设模型和固定规则，难以充分应对个体行为突变或环境扰动等动态场景；另一方面，现有方法倾向于以碎片化的方式处理环境参数和个体特征。实时人员感知、精细热场模拟和自适应控制逻辑通常孤立地开发和部署，未被整合到一个统一的闭环框架中，无法实现从感知到决策到执行的实时反馈。这种碎片化限制了热舒适度的多变量协同优化，尤其是在多个影响因素同时变化的场景中——如人员数量、活动类型和空间分布的同时变化。

鉴于上述发现，本研究提出了一种新颖的非值守、动态响应的智能暖通空调控制系统。该系统集成了毫米波雷达、CFD数值模拟、热舒适度预测模型和模糊逻辑控制等关键技术，建立了完整的"感知-评估-决策-执行"技术链条。与传统的基于MPC或RL的方法相比，我们的框架提供了三个独特的优势，直接针对已识别的差距：（1）基于雷达的感知在保护入住者隐私的同时提供实时人员和活动数据；（2）CFD模拟无需大量传感器网络即可生成高分辨率热环境场，提供更具成本效益的替代方案；（3）围绕高精度热感觉预测重新构建的FLC控制器，实现了透明、可解释且易于部署的控制决策。通过将这些技术整合到统一的闭环框架中，所提出的系统实现了从入住者感知到环境场评估再到控制执行的实时反馈，克服了限制现有方法的碎片化挑战。

后续章节将详细说明系统的技术工作流程（第2节）、实验数据与结果（第3节）、研究发现与局限性的讨论（第4节）以及研究结论（第5节）。

**方法学**

如图1所示，本研究包含以下核心组件。首先，通过空调热舒适度实验系统收集环境参数、派生变量和参与者个人信息，结合热感知问卷数据。这有助于分析室内热环境分布和热舒适度指标特征。同时，利用毫米波雷达进行

**热环境参数与热舒适度指标**

在数据采集之前，所有传感器均按照制造商标准程序进行了校准。如表1所述，Ta、Tmrt、RH和Va的测量不确定度分别为±0.5°C、±0.3°C、±3%和±0.03 m/s。图6展示了不同空调设置下四个测量点在不同组别中的热环境数据。如图6-a所示，当空调温度设定为相对较高的28°C时，Ta和Tmrt值为

**智能空调控制系统的创新优势**

优化空调系统以提升入住者热舒适度被认为是前景光明且可行的方法[45,46]。然而，实现暖通空调系统的全面优化需要考虑诸多挑战，包括热舒适度与能源效率的平衡[47]。本研究创新性地集成了毫米波雷达传感技术、CFD数值模拟、热舒适度预测模型和模糊逻辑控制

**结论**

本研究开发了一种集成毫米波雷达技术、CFD数值模拟、热舒适度预测模型和模糊逻辑控制算法的智能空调控制系统。通过三阶段场景模拟实验证明了该系统在优化室内热环境和提升入住者热舒适度方面的有效性。研究得出以下关键结论：

（1）受试者的TSV值表现出

**CRediT作者贡献声明**

Lei Yuan：撰写——初稿，形式分析，数据整理，概念设计。Yang Wan：撰写——审阅与编辑，撰写——初稿，监督指导。Meng Tian：软件，方法论。Guodong Zhong：软件，方法论。Liang Cui：方法论，调查研究。Xuesong Xu：监督指导，软件，资源提供。

**利益冲突声明**

作者声明不存在任何已知的竞争性经济利益或个人关系可能影响本论文所报告的工作。

**致谢**

本工作得到了国家重点研发计划（编号：2023YFC3807402）的资金支持。

Lei Yuan | Yang Wan | Meng Tian | Liang Cui | Xuesong Xu | Guodong Zhong