王蕾蕾

摘要 热舒适预测技术的主要方法是PMV预测法，然而传统方法具有预测步骤复杂，误差大等缺点。本文使用BP神经网络对公共数据集RP-884进行热舒适预测，实验结果表明，神经网络较传统PMV预测方法预测性能有了进一步提高。

【关键词】BP神经网络 PMV 热舒适预测

1 PMV算法预测热舒适

目前，常用的热舒适预测模型为人体热舒适评价指标（PMV），PMV评价指标表征接近热中性的热平衡状态的热舒适性。它是关于人体的一个复杂的非线性函数。PMV计算公式如下：

上式中M为人体能量代谢率，单位为w/m;W为人体所做的机械功单位为W/m²;P_a为人体周围空气的水蒸气分压力，单位为P_a;t_a人体周围的空气温度，单位为℃;t_r房间的平均辐射温度，单位为℃;f_cl为人体着装后的实际表面积和人体裸身表面积之比，即服装的表面系数;t_cl人体外表面温度，单位为℃;he为对流换热系数。从公式中我们可以看到，人体热舒适度影响因素之间是复杂的非线性关系，计算复杂，不适合实际应用。

2 BP神经网络预测热舒适

BP神经网络通过与输出相关的指标进行预测，计算网络实际输出与期望输出，通过计算网络实际输出与期望输出差值，并对差值进行寻优来进行权值与阈值的反向调整。本文设计的网络结构为输入6个神经元，分别为空气温度，空气湿度，气流速度，衣服热阻，平均辐射温度，人体新陈代谢率;隐含层13个神经元;输出层

1个神经元分别用[-3-3]中7个整数值表示不同舒适程度;激励函数为双曲正切S型函数;初始权值为[一1，11之间随机取得的一个小数;误差进度0.000001;训练截止次数1000次。

下面通过实验比较两种方法实验结果：

图1 （a）所示的神经网络预测结果为，从703组训练样本中选取653组样本数据作为训练数据，剩下的50组样本数据作为测试样本，两种图案完全重合，代表網络在50组样本数据条件下预测准确度高。从图1 （b）中可以看出网络训练均方误差保持在10^-5左右，误差小，泛化性能高。

表1中数据为训练10次结果对比，从表1可以看出，BP神经网络预测均方误差为10^-1数量级，而BP神经网络预测均方误差在l0^-5数量级，BP神经网络预测模型的均方误差较PMV方法误差更小，预测效果更好。

3 结语

本文通过BP神经网络对数据集RP-884进行预测，分析PMV预测与神经网络预测方式对同一数据集的预测能力。实验仿真表明.BP神经网络在解决热舒适预测问题上预测误差更低，效果更好。

参考文献

[1]C. buratti，M.Vergoni，D. Palladino.Thermalcomfortevaluationwithin non-residentialenvironments： development ofArtificial Neural Network byusing the adaptive approachdata， EnergyProcedia 78. 2015， 2875-2880.

[2]范存养，热舒适评价指标PMV及其实际应用[J].暖通空调，1993 （03）： 20-26.