基于混合元启发式算法优化神经网络的热舒适度预测模型
2020-12-23朱婵
朱婵



摘 要:热舒适度指标的计算过程具有多参数、非线性、高复杂度等特点,致使空调的实时控制器无法直接使用。针对这一问题,提出了一种基于混合元启发式算法神经网络的热舒适度预测模型:GACS神经网络。其中,GACS算法是一类融合了遗传算法和布谷鸟搜索的混合元启发式算法。仿真实验表明:与遗传算法相比,GACS算法在全局搜索能力方面得到了极大提升,其优化出的GACS神经网络具有更高的预测精度。
关键词:热舒适度;PMV指标;神经网络;遗传算法;布谷鸟算法
中图分类号:TP311
文献标志码:A
文章编号:1007-757X(2020)11-0066-04
Abstract:The calculation process of thermal comfort index has the characteristics of multi-parameters, non-linearity and high complexity, which makes the real-time controller of air conditioning unable to be used directly. To solve this problem, a thermal comfort prediction model based on hybrid meta-heuristic algorithm and neural network is proposed, i.e., GACS neural network. GACS is a hybrid meta-heuristic algorithm, it combines genetic algorithm and Cuckoo search. The simulation results show that compared with genetic algorithm, GACS algorithm has greatly improved the global search ability, and the optimized GACS neural network has higher prediction accuracy.
Key words:comfort;PMV index;neural network;genetic algorithm;Cuckoo search
0 引言
目前,大型建筑物内的空调控制方案大多以恒温控制为主,这不仅无法满足用户对热舒适度的多样化需求,还导致了不必要的能源消耗。上世纪60年代,丹麦工业大学的Franger教授提出了热舒适度方程,该方程可根据环境参数和人类活动情况综合计算出人体的热舒适度指标(Predicted Mean Vote,PMV指标)[1]。1984年,国际标准化组织(ISO)根据Franger教授的研究成果制订了ISO7730标准,即《适中的热环境——PMV与PPD指标的确定及热舒适条件的确定》[2]。热舒适度方程表明:人体舒适度与人类活动、衣着、空气温度、湿度、风速等多方面因素有关,因此,根据实际场景灵活调整空调的设定,可以在保证舒适度的前提下,有效降低空调能耗[3]。但热舒适度方程的计算具有多参数、非线性、高复杂度等特点,而空调实时控制器结构简单,无法完成计算[4]。2002年,高立新、白桦等人提出利用BP神经网络构建PMV快速预测模型,仿真实验表明,该模型的预测准確率在95%以上,完全能够满足空调实时控制系统的要求[5]。……
