基于本征正交分解与人工智能的快速温度分布预测和控制策略研究

【摘要】：空调的目的是为室内人员提供预期的温度场,而回风温度控制仍是当前主流的空调控制方式。按照流动的拉格朗日描述,回风口处的温度是上游空气汇流后的表现温度,而非人员感知的真实温度。空气流动受到高阶非线性控制方程的限制,使用全尺寸的计算流体力学模拟预测房间内的温度分布将表现出对计算资源的过度占用和在时间上的严重迟滞性。准确、快速而又低成本地获取室内的温度分布是建筑环境控制领域的重要课题。现有研究者的处理方式是稳态调用或拟动态调用计算流体力学模型,回避对高阶非线性控制方程频繁的数值求解,温度分布预测面临着的计算成本高昂和计算过程缓慢问题并未被解决。本征正交分解方法可以快速地实现对流动过程的降阶复现,截取后的有限模态仅占用微小的内存空间,通过对房间内部温度分布数据的挖掘,降阶模型学习获得送风参数与房间内指定位置上温度分布之间的变化范式。通过使用本征正交分解模型,可以敏捷地获得室内的温度分布状态。首先,为办公室房间建立三维模型,对流动过程做出合理简化假设并设定空间中各个位置处的边界条件。使用计算流体力学软件对房间对象的非结构化网格进行计算,通过数值模拟得到房间温度场在不同送风温度设定下的分布情况,另外,还通过对流动控制方程数学性质的分析指出了计算流体力学模拟方式迟滞性的根源。16,326组温度信息将作为本征正交分解模型的训练数据。其次,给出了本征正交分解模型的建模机理,搭建了由观测层、偏差层、模态层和模态系数层逐级组成的降阶网络,并以此为办公室对象建立本征正交分解模型。根据能量占比准则截取前六阶主要模态,用于本征正交分解模型的温度场重构和泛化。计算得到,使用六阶主模态的降阶模型在温度预测时的泛化准确度为89.1%,显示了其用于温度分布预测的可行性。再次,对泛化状态下使用矢量插值方式预测模态系数的误差来源进行了分析,使用群体弱学习器组成用于模态系数预测的集成学习模型,并对决定着模态系数的全体上游特征进行了相关性分析,在集成学习框架中引入前10项显著相关特征用于模型创建。泛化结果显示,集成学习模型使得模态系数预测准确度提升8.9%。最后,考虑办公室房间实际使用过程中出现的非满载场景,提出了基于办公模式识别的自适应送风控制逻辑。降阶温度预测模型作为控制逻辑中的虚拟感知层,使用送风参数对观测节点上的温度分布做出预测,决策层中的遗传算法将求解定义的温度分布目标函数,给出优化后的送风参数。结果显示,在办公人员非均匀分布的场景下,相比于回风温度控制,自适应送风逻辑将表现出显著优势。