一种气候响应型自然通风窗智能控制方法

本发明涉及建筑自动化与智能化的，特别涉及一种气候响应型自然通风窗智能控制方法。

背景技术：

1、国家双碳发展战略对建筑节能与低碳发展提出更高的要求。自然通风充分利用室外适宜的自然风进行房间通风降温，同时在夜间进行围护结构蓄冷，有助于减少空调使用时间及建筑运行能耗，也有利于改善室内空气品质，在绿色建筑设计得到广泛应用。然而在实际使用过程中，通风窗绝大多数依赖人工手动开闭，目前市面上的技术虽可实现电动开窗、远程控制等操作，但也大多基于人工主观控制，无法根据室外气候条件及室内状况进行及时响应实现按需控制，致使自然通风条件下室内舒适性差、加剧冬季夏季的渗透负荷，降温节能潜力大打折扣。

2、自然通风控制机理复杂，且具有异质性特征。建筑自然通风是风压与热压耦合作用的结果，同时自然通风控制策略涉及到参数变化与实时响应的过程，定量计算难度较高。有关建筑通风或渗透的计算方法中：cfd数值模拟精度高但耗时长，边界条件的准确性对模拟结果影响大，适用于模拟稳态或准稳态过程，动态模拟性能差，边界条件以及参数设定不能体现动态变化过程；多区域网络模型可能存在计算步长与动态过程中的参数变化不匹配、以集总参数代表网络节点的化简模型与实际误差大、建筑风压分布等参数不准确、阻力模型等经验公式或修正系数适用范围有局限等问题。

3、建筑表面由自然风引起的风压分布是评估风场状况的重要指标，准确的风压分布数据是自然通风定量分析的基础。与风压值计算密切相关的参数是自由风动压以及风压系数。自由风动压值根据风速、建筑物层高、地段开阔程度由经验公式计算得出；风压系数依据不同计算手段，与建筑物高宽比、屋顶构造、宽纵比、门窗分布与开口面积比率、建筑密度、建筑物相对高度、地面粗糙度均有关。使用cfd模拟技术计算风压系数周期长、专业性强且不能考虑开口面积的影响；经验公式通用性差，与自由风动压误差累积后导致风压值计算总误差扩大。以实测风压值代替理论计算值能更准确的反应风场情况，提升自然通风实际控制效果。

4、建筑物窗户可开启扇位置、窗户个数、窗户结构类型依据建筑设计各不相同，市面上缺乏普遍适用的、可推广度高的自然通风窗智能控制系统。控制逻辑涉及到室内舒适度、参数设计要求、以及对自然风冷热量的充分利用，是一个多目标优化问题，设计变量包括室内外多种环境参数、开窗方案参数，从理论上来评估控制方法的优劣难以实现，需要借助数值模拟、区域网络模型、机器学习等手段，对问题表示进行综合考虑。

5、机器学习与启发式优化算法是在复杂系统中做控制策略优化的常用技术手段。但在多参数多目标优化问题中常出现如下问题：样本参数特征维度过高导致过拟合、计算复杂度增加、特征冗余等问题；单个优化目标冲突导致牺牲某些目标性能；对多目标优化问题的非支配解集主观取舍或简单定义取舍标准无法得出可靠的最终解决方案；参数复杂、优化目标众多导致计算效率不高。在建立优化算法模型过程中，特征工程领域的缺失降低了智能通风的可实施性。依托建筑环境领域知识对多目标优化问题的分解优化以及相关过程的特征工程合理化至关重要。

6、对于基于机器学习模型的控制算法，样本质量直接影响模型的准确性与泛化能力。通过能耗模拟软件、计算流体力学软件获取的建筑热湿环境参数样本集具有以下局限性：边界条件设定有局限性，不能覆盖到自然通风智能控制运行全周期的样本范围；扩充数据集耗费大量计算力，获取数据耗时长；模型本身对实际建筑有化简或与实际场景有差异，数据无法充分反映真实状况。与此相对的，iot技术以及各类楼宇自动化控制处理器的发展为建筑物按需安装传感器的以及数据采集、传输提了供硬件基础，以现场实测数据作为机器学习样本使得样本集覆盖度广、有充分代表性和真实性，为机器学习模型针对不同应用场景的个性化训练提供可能性，也为模型的动态优化提供广泛的数据样本。

技术实现思路

1、针对现有技术中存在的不足之处，本发明的目的是提供一种气候响应型自然通风窗智能控制方法，实现自然通风窗智能控制因地制宜、运行全周期实施提供最优决策，充分发挥了自然通风对建筑节能、建筑热舒适、建筑健康的影响潜力。为了实现根据本发明的上述目的和其他优点，提供了一种气候响应型自然通风窗智能控制方法，包括：

2、s1、建立建筑及周边风场模型，进行数值模拟，设立窗户族；

3、s2、拟合不同切面风速下，窗户族风压-开启程度关系式；

4、s3、建立建筑自然通风的多区域网络模型；

5、s4、对多区域网络模型做合理的分区与结构化简；

6、s5、分别训练每个子区域的建筑动态热模型；

7、s6、分区调控窗户的控制策略；

8、s7、定期维护更新s5中的动态热模型以及s6中的控制策略参数。

9、优选的，步骤s3中多区域网络模型将建筑内部各个空间视为节点，将室外视为一个节点，应用集总参数法，假设节点参数一致；将门窗等开口视为通风支路单元，由节点与支路组成流体网络。

10、优选的，步骤s4中具体包括以下步骤：

11、s41、依据节点间连通情况做网络分区；

12、s42、对于建筑内部空间做区域细分；

13、s43、依据窗户可开启扇位置与节点参数特性对室外节点做优化；

14、s44、根据通风需求化简子区域网络。

15、优选的，步骤s5中具体包括以下步骤：

16、s51、在各节点布置传感器；

17、s52、将数据导入时序逻辑性数据库中；

18、s53、训练节点室温与气压预测模型。

19、优选的，步骤s6中具体包括以下步骤：

20、s61、采集最近时间段的室内外参数；

21、s62、由室内外节点参数预测未来时间段的室内节点参数；

22、s63、通过节点参数预测值计算节点间通风量；

23、s64、计算房间舒适温度区间；

24、s65、实时决策各子区域最优开窗方案。

25、优选的，步骤s7中通过增量学习的方法定期维护更新节点室温与气压预测模型。

26、本发明与现有技术相比，其有益效果是：

27、(1)采用机器学习训练建筑动态热模型的方式解决了数值模拟通风模型与热模型耦合计算时间较长、边界条件覆盖度局限的问题；采用实测数据作为模型训练样本集，气象条件更有代表性，样本覆盖度广泛、样本真实性有保障，提高了模型性能；将风压经验公式计算值替换为实测值，充分考虑建筑表面开口对于风压的影响，避免了数值模拟或经验公式求风压系数的误差问题，使得训练出的动态热模型能够基于各种气候精确的实时响应和做出参数预测。

28、(2)在经济性方面，通过建筑环境动态模拟常用的多区域网络模型和机器学习法相结合，在保证通风模型原理上正确、不影响模型训练性能的情况下解决了建筑物联网传感器布置的优化问题，从领域知识出发细化机器学习前的特征工程，减小了算法计算量；在舒适性方面，综合考虑了开窗方案对室内舒适度的保证。在保证节能效果的同时提高舒适性与经济性，使得本发明使用的方法有很好的推广价值。

29、(3)合理设计系统架构，应用增量学习。节约了大量重新训练模型的计算量，保证模型可持续改进的实时性与灵活性，节省了边缘计算设备的存储空间，对于在建筑物联网中推广有积极影响。