翁 虎,何 勇,梁 健

(贵州大学 计算机科学与技术学院,贵阳 550025)

引言

现代生活中,人们的工作和生活时间大多数都在室内度过,舒适的室内环境成为了目前人们的迫切需求.通过智能家居来调控室内家具设备,使其改变室内环境属性,进而使室内到达舒适,是目前智能家居一个重要应用和研究方向.室内环境的热舒适度由多个客观和主观因素共同影响,目前评价室内热舒适主要采用丹麦工业大学教授Fanger PO 于1970年提出的PMV-PPD 指标[1],其中预测平均投票值(Predicted Mean Vote,PMV)指对热环境舒适感的高低,预测不满意百分数(Predicted Percentage of Dissatisfied,PPD)指对热环境不满意的预测的百分比人数.热舒适度一般指PMV 公式计算出的热感觉指标,其越接近0 表示环境越接近热中性的舒适区.表1所示为PMV 指标的热感觉分布.

表1 热感觉与PMV 值对应表

近年来,不少学者使用机器学习算法来研究PMV公式,如使基于鸟群算法优化[2]和粒子群优化[3]的BP 神经网络算法实现对PMV 预测,以及基于先验知识和模糊自适应算法构建的PMV 控制模型[4].多数研究集中在对PMV 的拟合回归,本研究从智能家居角度出发,考虑到实际场景中,在模块化和组件化的智能家居中获取的数据并不一定能满足标准PMV 的计算要求,例如存在风速和平均辐射温度不宜获取的情况,导致PMV 计算存在误差甚至错误.

1 算法模型

针对智能家居场景中所面临的问题,本论文研究提出在在裁剪掉部分参量的情况下,引入一些容易获取的气候特征与环境参数,使用……