论文部分内容阅读
商场是现代人们休闲购物的主要场所,而良好的室内热舒适性是满足消费者购物欲望和工作人员工作热情的前提。在终年温热的夏热冬暖地区,中央空调作为商场调节室内热环境的主要手段,其目前的调控方式以管理人员的经验判断或设计标准为主,难以及时获得室内人员反馈或根据室内外参数进行动态更新,不利于满足人们的舒适性需求和空调系统的节能降耗。因此,商场热舒适性的研究对于量化其室内人员的热需求、改善室内热舒适性、指导公共建筑节能运行具有重要意义。本文以广州市某大型商场为研究对象,针对商场建筑特点,利用LR、CT、SVC三种机器学习算法对其热舒适性问题进行建模研究并对模型进行了优化,同时分析了三种算法在本文热舒适性研究上的适用性,并针商场管理人员难以对室内热舒适性进行量化评价和目前空调末端温度调控方式的不足,将最优模型拓展为了两方面的应用:热舒适性评价和热舒适温度设定优化。研究成果可为夏热冬暖地区商场类公共建筑的热舒适性评价及节能优化运行提供工程应用依据。本文的研究工作主要包括:(1)根据商场建筑特点,设计了基于机器学习的热舒适性研究方案,对研究对象进行了现场问卷调查和环境参数测试,从受试者背景和主观热感觉等方面对调研数据进行了深入分析,并为后续建模研究进行了数据预处理。(2)利用LR、CT、SVC三种机器学习算法建立了不同的热舒适性模型并进行了优化,同时分析了不同算法对于热舒适性建模研究的适用性,结果表明SVC相比LR和CT算法可以更好地学习到热舒适性影响因素和对应热感觉之间的映射关系。(3)对比了本文机器学习模型与传统PMV方程,最优SVC模型以86.1%的预测准确率比PMV方程提高了35.5%,并将SVC模型编写为可进行了热舒适性评价的操作软件,使商场管理人员能够科学地量化室内人员热需求,和对室内热舒适性进行评价。(4)针对商场传统空调末端温度调控方式的不足提出了优化方案,利用商场既有的空调末端控制管理系统实现了基于SVR的热舒适温度优化程序,应用效果显示优化后商场室内热舒适性提高了15%,同时空调末端能耗下降了3.71%。