[发明专利]一种室内热舒适数据生成方法、系统、设备及介质

说明书

本发明属于建筑热舒适领域，具体涉及一种室内热舒适数据生成方法、系统、设备及介质，方法包括如下步骤：采集一段时间内若干组真实数据，每组真实数据包括室内温度、室内相对湿度以及室内黑球温度；向训练完成后的生成器输入当前的室内温度、室内相对湿度以及室内黑球温度，生成器输出预测的室内温度、室内相对湿度以及室内黑球温度；获取服装热阻、人体新陈代谢率和室内风速，以及预测的室内温度、室内相对湿度以及室内黑球温度，匹配对应的室内热舒适数据。通过测量温度、相对湿度、平均辐射温度这三个因素准确预测PMV，降低了训练阶段的耗时水平，提高稳定性，同时降低了PMV指标的计算复杂度。

技术领域

本发明属于建筑热舒适领域，具体涉及一种室内热舒适数据生成方法、系统、设备及介质。

背景技术

热舒适度指标PMV是由丹麦科学家Fanger教授于20世纪70年代提出的用于表征人体热反应的评价指标。同时PMV指标也是当前国际上应用范围最广、认可度最高的热舒适评价指标，它与多种环境变量和人体参数等有着复杂的非线性关系，无法直接测量。在实际工作过程中，在HVAC系统本身的复杂性、四个变量之间存在的一定耦合性以及四个变量在PMV指标计算过程中的复杂非线性迭代关系的多重影响下，目前同时将他们同时作为控制变量在技术上具有极大难度。

BP神经网络BP(Back Propagation)神经网络是在1986年由Rumelhart和McCelland为首的科学家小组提出，是一种以误差逆传播算法作为训练算法的多层前馈网络，也是目前发展最成熟、最广泛应用的神经网络之一，它能够学习和表示大量的输入-输出映射关系，而不需要事先明确这种映射关系的数学方程。

BP神经网络的学习过程，是利用训练样本对网络进行反复训练，并通过不断改变网络的权值和阈值来减小实际输出与期望输出间误差的过程。在使用BP神经网络生成室内热舒适数据时发现该方法收敛速度慢、且容易陷入局部最小；同时该方法对网络初始值、学习效率等较为敏感，训练结果不稳定。

发明内容

针对现有技术中使用BP神经网络生成室内热舒适数据时收敛速度慢的问题，本发明提供一种室内热舒适数据生成方法、系统、设备及介质。

为达成上述目的，本发明技术方案如下：

第一方面：一种室内热舒适数据生成方法，包括如下步骤：

S1：采集一段时间内若干组真实数据，每组真实数据包括室内温度、室内相对湿度以及室内黑球温度；

S2：将所述若干组真实数据按时间先后分为训练数据和判别数据，增加冗余得到原始随机噪点限制条件；

S3：将训练数据和原始随机噪点限制条件输入生成器，生成器输出生成数据；

S4：将原始随机噪点限制条件、判别数据和生成数据输入判别器，判别器输出判别结果；

S5：根据判别结果，更新判别器参数，判别器向生成器反向传播误差，更新生成器参数；

S6：当判别结果显示误差达到预设精度或学习次数大于预设训练迭代次数，终止算法，完成生成器训练；

S7：向训练完成后的生成器输入当前的室内温度、室内相对湿度以及室内黑球温度，生成器输出预测的室内温度、室内相对湿度以及室内黑球温度；

S8：获取服装热阻、人体新陈代谢率和室内风速，以及S7中预测的室内温度、室内相对湿度以及室内黑球温度，匹配对应的室内热舒适数据。

进一步的，所述原始随机噪点限制条件为真实数据上下各增加20％冗余后得到的数据区间。

进一步的，所述训练迭代次数为10000。

进一步的，所述预设精度为误差贴近10^-3。