Design of indoor thermal comfort system based on wireless sensor network
-
摘要: 为实现室内环境在保持热舒适状态的同时最大限度地减少能源消耗,设计一款基于无线传感器网络和简化预测平均热感觉(PMV)指数的室内热舒适系统。该系统采用散点布置法确定室内各传感器的最佳测量节点,采集的数据通过ZigBee通信传输到系统中,在系统中通过简化PMV指数评估室内环境的热舒适感知。最后,采用具有模糊性和非线性的模糊控制调控空调的运行。结果表明,散点布置的传感器收集的数据更加稳定准确,简化PMV指数可以有效替代PMV指数评估人体热舒适感知。热舒适系统不仅可以控制室内环境处于热舒适范围,同时也起到很好的节能效果。
-
关键词:
- 无线传感器网络 /
- 散点布置法 /
- 简化预测平均热感觉指数 /
- 模糊控制 /
- 管理系统
Abstract: In order to minimize energy consumption while maintaining thermal comfort, an indoor thermal comfort system based on wireless sensor network and simplified predicted mean vote (PMV) index was designed. The scatter layout method was used to determine the best measurement nodes of indoor sensors, and the collected data was transmitted to the system through ZigBee communication. In the system, the thermal comfort perception of indoor environment was evaluated by simplified PMV index. Finally, fuzzy control with fuzziness and non-linearity was used to regulate the operation of the air conditioner. The results show that the data collected by the scatter sensor is more stable and accurate. Simplified PMV index can effectively replace the PMV index in evaluating human thermal comfort perception. The thermal comfort system can not only control the indoor environment within the thermal comfort range, but also play a good energy-saving effect. -
随着世界范围内能源危机的到来,建筑环境节能引起人们关注。我国建筑业每年竣工面积基本维持在40亿m2,其中公共设施建筑占住宅建筑面积的25%,但建筑能耗却占总能耗的20%,单位面积耗电量更是普通住宅的10~15倍[1]。空调给人们带来舒适室内环境的同时也造成巨大的能源消耗。在公共建筑全年用电量中,约50%~60%电量用于空调消耗,但现有430亿m2建筑中只有4%采取了节能措施[2]。日益突出的室内空调耗能问题推动新技术的研究和开发。近年来,研究者对空调系统的压缩机、膨胀阀和冷却塔控制进行了大量研究[3-5]。但现有对空调内部系统的研究,需要对空调机组进行拆卸和加装,这虽然降低了空调的能源消耗却增加了空调的安装成本。物联网等技术的快速发展,使家用电器、传感器和无线媒介间建立网络联系实时观察控制设备运行得以实现。因此,研究者开始着眼于能源互联网,利用物联网技术在改善生活环境的同时更好地控制能源消耗问题[6]。
本研究以上海工程技术大学为研究对象设计一套基于无线传感器网络[7-8]的室内环境热舒适控制系统[9],借助互联网管理平台,通过无线传感器网络的形式控制室内空调的运行状态,在营造舒适的教学环境同时最大限度地降低能源消耗。
1. 系统原理
1.1 简化PMV模型
人体热舒适度是室内热环境的一个重要参数,它不仅影响人体对室内环境的感知还影响建筑能耗[10]。现有舒适度评价指标中[11],最具代表性的是丹麦教授Fanger提出的预测平均热感觉(predicted mean vote, PMV)指数[12-13]。该指数综合考虑了空气温度、相对湿度、平均辐射温度、空气流速、代谢率和衣着保温等主要因素,可以准确计算出人体对室内环境冷热感觉。国际标准化组织(ISO)对PMV的推荐值为−0.5~0.5,这是人体感觉最佳的热舒适状态[14]。
全面考虑影响因素,虽然数据更加准确,但计算和数据采集也更加繁琐。本系统采用简化后的PMV指数,只选取关键影响因素。通过设计回归方程[15],将标准PMV方程中的变量根据标准回归系数从大到小排序,并对其中标准回归系数较小的变量进行简化,最终取空气温度
T∂ 、平均辐射温度Tr 、空气湿度RH和空气流速Var 作为简化PMV的影响参数。首先给出人体热平衡方程为S=(M−W)−Ec−Eres−Cres−H (1) Ec=Ed+Es (2) H=R+C (3) 式中:M为人体代谢率;W为人体所做的机械功;Ed为人体皮肤汗液散热;ES为人体皮肤汗液蒸发散热;Eres为人体呼吸蒸发散热;Cres为人体呼吸散热;R为人体因空气辐射散热;H为空气对流散热,上述单位为W/m2。
考虑到在室内,所以空气流速近似为0计算,根据人体热平衡方程式,将本研究所讨论的3个主要参数代入推导出简化后的PMV方程为
Bmod=(0.303×e−0.036M+0.028) (4) PMV=Bmod×S (5) PMVs=(0.303×e−0.036M+0.028)×{(M−W)−3.05×10−3[5733−6.99×(M−W)−Pa]−0.42[(M−W)−58.15]−1.7×10−5×M(5867−Pa)−0.0014×M×(34−Ta)−fcl×H×(tcl−Ta)−3.96×10−8×fcl[(tcl+273)4−(Tr+273)4]} (6) 式中:
fcl 为服装的面积系数,m2 ;tcl 为人体平均表面温度,℃。结合办公室环境和人体日常穿衣习惯,计算中fcl 和tcl 都设为常数,夏季可根据服装热阻为0.5 clo来确定,冬季可根据服装热阻为1.0 clo来确定。选取夏季某天中9个时刻数据作为采集点,这些时刻为工作时间,更能反映出人体热舒适度的合理性。采用两种模型分别计算标准PMV和简化
PMVs 数值,通过计算可以看出两组数据平均值和方差接近,数值比较见表1。表 1 标准PMV和简化PMVs值比较Table 1. Comparison of standard and simplified PMVs values采集时刻 计算结果 PMV PMVs 9:00 −0.18 −0.22 10:00 −0.09 0.02 11:00 0.15 0.09 12:00 0.19 0.15 13:00 0.37 0.36 14:00 0.47 0.44 15:00 0.45 0.41 16:00 0.32 0.29 17:00 0.21 0.20 平均值 0.21 0.19 标准方差 0.22 0.24 设计多元线型回归方程,对标准PMV值和简化
PMVs 值进行比较,计算得两组数据的相关系数约为0.97,非常接近1,散点图如图1所示。可以看出,两组数据拟合在一条直线上下,这验证了简化后的PMVs 模型是合理有效的。1.2 无线传感器网络
1.2.1 集中式协同频谱传感
目前基于无线传感器网络的数据监测设计已在实践中应用[16]。该室内热舒适系统通过无线传感器网络对室内的环境参数进行收集处理,收集到的数据通过管理平台远程实时监测控制空调系统的运行状态。无线传感器网络虽能有效改善频谱资源缺乏的问题,但仍会受到环境变化等不确定因素的影响。本系统选取最具代表性的集中式频谱传感技术,可以有效避免多节点通信干扰和不稳定问题。协同频谱传感技术可以集中处理从不同节点采集的传感信息,再根据系统所需功能将节点分为信息汇聚节点和信息获取节点,集中式协同频谱传感过程如图2所示。图中,信息获取节点负责采集室内空气温度和相对湿度等数据,信息汇聚节点接收采集的数据进行处理,并负责传感器网络与其他网络的连接。
1.2.2 散点布置法
室内环境参数具有不确定性,每个位置根据距离不同感测数据有所差别。传感器节点所能覆盖的范围有限,当节点部署不均匀时测量数据误差会增大,为减小节点部署不均匀带来的测量误差,本系统选择散点布置法收集环境参数。散点布置法的核心思想是先确定信息采集节点的位置,然后根据传感器网络覆盖范围确定信息汇聚节点的位置,目标是以最少布置节点完成最优覆盖。首先对办公区域的室内空间进行分析,包括门、窗等通风口的大小和位置,通过分析每个位置温度和湿度对整个室内环境的影响大小来大致确定信息采集节点的位置,再结合最小变化和最小平均偏差确定最佳测量节点。当测量数据偏差过大时说明所测数据不够稳定,不能反映整体环境温度,反之偏差较小则说明所测数据更加准确稳定。室内传感器节点位置部署图,如图3所示。图中节点1为信息汇聚节点,节点2和3为信息采集节点。
1.3 模糊反馈控制
Mamdani最早基于模糊控制理论[17]提出模糊控制这一概念。模糊控制具有固有的模糊性和非线性,本系统采用模糊控制对室内中央空调进行控制,可以有效提高空调性能[18]。单纯将温度作为控制器的反馈值无法达到预期的舒适且节能效果不理想。本研究利用设计好的简化PMV计算模型,将PMV值作为反馈值可以更好将室内热舒适值维持在舒适区间。模糊反馈控制的控制框图如图4所示。将夏季PMV输入值设定为0.25,冬季考虑节能将PMV输入值设定为−0.25。此模糊反馈控制器的输入变量为PMV值误差和PMV值的误差变化;输出变量为室内PMV值变化。输出变量不能直接得到,当空调在接收控制器信号温度发生改变时,室内环境参数也发生改变,这时需要借助管理系统中的简化PMV模型才可以计算改变后的PMV值,并将此时PMV值反馈给控制器用于下一阶段的控制。如果PMV热舒适指数在舒适范围内,则保持空调现有的运行状态不变;如果PMV热舒适指数过高或者过低,则反馈信号会通过改变空调的温度、湿度和风速来控制室内环境回归正常热舒适环境。
2. 系统设计
2.1 系统架构
室内热舒适系统由3个部分组成:采集层、通信层和管理层,分别对应传感器、传输装置和控制器。室内热舒适系统的体系架构图如图5所示。
前端采集层主要由温、湿度传感器(DHT11)和CC2530芯片组成。DHT11温湿度传感器应用数字模块采集技术和温湿度传感技术,可以快速且有效的测量温度和湿度;传感器的温度测量范围为0~50 ℃,湿度(RH)测量范围为20%~90%,满足室内环境的测量范围。采用装有256 KB flash存储器和8 KB Sram存储器的CC2530F256芯片,可满足室内环境数据的快速存储与发送。已知散点布置法需布置3组信息采集节点和1个信息汇聚总结点,3个温湿度传感器和4个CC2530芯片,3个温湿度传感器分别串接在CC2530芯片上并布置在信息采集点处;1个芯片上编写网络协调器代码作为信息汇聚节点;完成前端采集层的硬件设备。
通信层主要采用ZigBee、串口通信和WiFi三种方式完成通信。信息采集节点处的温湿度传感器将采集到的温湿度数据通过ZigBee方式发送到CC2530芯片上,经过快速数据处理后会再通过ZigBee方式发送到信息汇聚节点处的芯片上;此处芯片编写有网络协调器代码,网络协调器与WiFi无线传输模块之间通过串口通信的方式传递数据;WiFi无线传输模块通过WiFi无线方式将数据上传到计算机端,当热舒适系统界面展示出接收到的数据后就完成了1次完整的信号捕捉过程。传感器会在一定时间间隔内再次捕获新的信号完成循环采集。与有线测控系统相比,无线采集更加便捷快速。
管理层即热舒适系统平台采用B/S模式架构,主要接收前端采集层通过各种通信方式上传的环境数据并进行分析计算。整个系统分为首页、系统管理、室内环境监测、简化PMV模型和数据展示等5个界面。首先设置登录和注册功能,登录分管理员和普通用户两种身份登录模式,管理员模式权限可以操作全部功能,普通用户模式只能进行数据查看而不能具体功能操作。主要功能集中在后3个界面:室内环境监测界面负责接收前端采集层上传的环境数据;简化PMV模型负责计算热舒适值,再将计算后的值反馈给控制器完成空调系统的控制;数据展示界面负责将采集到的温湿度值以折线图的形式进行可视化,方便直观观察室内环境变化。
2.2 开发工具
开发系统时必须充分考虑数据库的建设和开发语言的选择,选择合适的系统开发工具以保证系统的正常运行,为室内环境的热舒适性提供可靠的系统控制。本研究采用Intellij IDEA 2021软件设计开发系统;使用Java和JavaScript开发语言。本系统采用前后端分离的主要技术手段;前端利用Vue框架进行主要参数页面和主要操作页面的设计;后端采用Springboot框架搭建各种接口,如室内环境监测接口和热舒适数据接口等。系统数据库采用两种典型的数据库:一是利用MySql数据库进行存储室内环境参数,方便后续热舒适指数计算;二是采用Redis数据库进行计算结果的缓存,及时将计算结果反馈到CC2530芯片上进行负载设备的处理。
3. 系统测试与分析
3.1 系统测试
为验证本研究设计系统的可靠性和稳定性,选取上海工程技术大学实训楼1109办公室进行实地测试。首先按照散点布置法将温湿度传感器安装确定,完成后先采用信息汇聚节点处带有显示屏的CC2530芯片检测采集数据的准确性;当采集数据正常且稳定后,检测WiFi无线传输模块信号的稳定性,确保数据上传和发送不会出现网络信号连接中断问题;进入服务器界面后,通过手动点击按钮测试控制器对于空调系统控制的灵敏性;当各个环节的连接和控制都正常时就完成了整套系统的硬件和软件的搭建。简化PMV模型计算界面如图6所示。图中界面为系统的主界面,负责简化PMV指数的计算和显示,可以看出系统在运行时,简化PMV指数输出稳定。
3.2 测试结果分析
选取夏季6月的10 d作为测试时段,前5 d通过系统运行调节空调;后5 d手动调节空调,且选取5位身体状况良好的同学作为测试对象。系统测试运行5 d,记录每天调节前后的PMV值;系统每天运行前会计算当前PMV值,系统运行后将一天的PMV平均值当做这一天调节后的PMV值记录到页面。系统运行后室内每天PMV值基本维持在
±0.5 之间,比调节前的PMV值更接近人体舒适区间且变化浮动稳定。测试完成后询问参与测试人,5位同学都基本认为通过系统调节的室内热舒适环境比手动调节舒适,不会出现手动调节个体温度感觉不一样的状况。手动调节与系统干预5 d的耗电量对比如图7所示。由图可见,采用系统干预每天耗电量明显低于手动调节;采用手动调节空调5 d耗电总量约336.45 kW,平均每天耗电量约67.29 kW;采用热舒适系统控制的5 d耗电总量约269.16 kW,平均每天耗电量约53.83 kW;由此可知采用热舒适系统进行控制相较于手动调节可以减少22%左右的耗电量。4. 结 语
本研究通过无线传感器网络和简化预测平均热感觉指数构建了室内热舒适系统。系统测试结果表明系统可以安全稳定运行,服务器端能够实时采集监测无线传感器网络采集到的数据。采用散点布置法设计了无线传感器网络节点,实现了节点覆盖范围广且采集数据稳定准确;采用简化预测平均热感觉指数作为模糊控制的反馈信号,实现了室内环境的热舒适和空调的节能。后续将进一步扩大研究范围,将系统应用于整个楼宇的室内环境控制;当系统采集数据达到更大规模和体量时,利用散点布置法进一步优化传感器的节点部署,应用系统中的简化预测平均热感觉指数为整栋楼宇带来更舒适的居住环境。
-
表 1 标准PMV和简化PMVs值比较
Table 1. Comparison of standard and simplified PMVs values
采集时刻 计算结果 PMV PMVs 9:00 −0.18 −0.22 10:00 −0.09 0.02 11:00 0.15 0.09 12:00 0.19 0.15 13:00 0.37 0.36 14:00 0.47 0.44 15:00 0.45 0.41 16:00 0.32 0.29 17:00 0.21 0.20 平均值 0.21 0.19 标准方差 0.22 0.24 -
[1] 许立. 公共建筑以能耗数据为导向的节能管理方法探究: 评《图说公共建筑能耗的数据挖掘与模型方法》[J] . 人民长江,2022,53(6):242. [2] 褚俊杰, 徐伟, 霍慧敏. 间接蒸发冷却空调在近零能耗公共建筑中的应用与实测[J] . 建筑科学,2021,37(10):9 − 15, 41. [3] FRANCO S S, HENRIQUEZ J, OCHOA A, et al. Thermal analysis and development of PID control for electronic expansion device of vapor compression refrigeration systems[J] . Applied Thermal Engineering,2022,206:118130. [4] LIANG Y C, MCKEOWN A, YU Z B, et al. Experimental study on a heat driven refrigeration system based on combined organic rankine and vapour compression cycles[J] . Energy Conversion and Management,2021,234(1):113953. doi: 10.1016/j.enconman.2021.113953 [5] 庄露萍, 陈曦, 管晓宏. 采暖通风与空调系统中冷却塔传热效率的回归模型[J] . 控制与决策,2018,33(10):1801 − 1806. doi: 10.13195/j.kzyjc.2017.0643 [6] YANG B , WU M C, LI Z , et al. Thermal comfort and energy savings of personal comfort systems in low temperature office: A field study[J] . Energy and Buildings,2022,270:1 − 15. doi: 10.1016/j.enbuild.2022.112276 [7] GUPTA S K, KUMAR S, TYAGI S. Energy efficient and effective node deployment for wireless sensor network[J] . International Journal of Communication Systems,2022,35(1):1 − 17. doi: 10.1002/dac.5139 [8] LUOMALA J, HAKALA I. Adaptive range-based localization algorithm based on trilateration and reference node selection for outdoor wireless sensor networks[J] . Computer Networks,2022,210(8):108865. doi: 10.1016/j.comnet.2022.108865 [9] ZHOU Y D, SU Y, XU Z B, et al. A hybrid physics-based/data-driven model for personalized dynamic thermal comfort in ordinary office environment[J] . Energy and Buildings,2021,238:110790. doi: 10.1016/j.enbuild.2021.110790 [10] CHAI J L, FAN J T. Advanced thermal regulating materials and systems for energy saving and thermal comfort in buildings[J] . Materials Today Energy,2022,24:100925. [11] PISELLO A L, PIGLIAUTILE I, ANDARGIE M, et al. Test rooms to study human comfort in buildings: A review of controlled experiments and facilities[J] . Renewable and Sustainable Energy Reviews,2021,149:111359. doi: 10.1016/j.rser.2021.111359 [12] RUIVO C R, Da SILVA M G, BRODAY E E. Study on thermal comfort by using an atmospheric pressure dependent predicted mean vote index[J] . Building and Environment,2021,206:108370. doi: 10.1016/j.buildenv.2021.108370 [13] KHATOON S, KIM M H. Thermal comfort in the passenger compartment using a 3-D numerical analysis and comparison with fanger's comfort models[J] . Energies,2020,13(3):1 − 15. doi: 10.3390/en13030690 [14] MALIK A, BONGERS C, MCBAIN B, et al. The potential for indoor fans to change air conditioning use while maintaining human thermal comfort during hot weather: an analysis of energy demand and associated greenhouse gas emissions[J] . Lancet Planet Health,2022,6(4):E301 − E309. doi: 10.1016/S2542-5196(22)00042-0 [15] HAN H, LEE J, KIM J, et al. Thermal comfort control based on a simplified predicted mean vote index[J] . Energy Procedia,2014,61:970 − 974. doi: 10.1016/j.egypro.2014.11.1006 [16] FAGUNDES M A R, MENDONA-TINTI I, IESCHECK A L, et al. An open-source low-cost sensor for SNR-based GNSS reflectometry: Design and long-term validation towards sea-level altimetry[J] . GPS Solutions,2021,25(73). doi: 10.1007/s10291-021-01087-1 [17] CHANG F, LI C D. An extended looped functional approach for stability analysis of T-S fuzzy impulsive control systems[J] . International Journal of Control, Automation and Systems,2023,21(7):2409 − 2421. doi: 10.1007/s12555-022-0317-z [18] LANKESHWARA G, SHARMA R, YAN R F, et al. A hierarchical control scheme for residential air-conditioning loads to provide real-time market services under uncertainties[J] . Energy,2022,250(C):123796. doi: 10.1016/j.energy.2022.123796 -