基于环境软传感器的空调系统优化研究：个人热舒适与室内环境分布的结合

本报告针对一篇发表于第18届IBPSA（国际建筑性能模拟协会）会议论文集（上海，2023年9月4-6日）的学术论文进行介绍。该研究由东京大学的Rina Hirai， Keiichiro Taniguchi， Shohei Miyata和Yasunori Akashi共同完成。论文标题为“increasing accuracy of distribution prediction via an environmental soft sensor to realize air conditioning that combines personal comfort and indoor environmental distribution”。

一、 研究的学术背景 本研究隶属于建筑环境科学与暖通空调（HVAC）领域，特别是室内环境质量与热舒适研究的前沿方向。传统空调系统设计旨在为整个空间提供均匀一致的热环境。然而，现实中的室内环境分布（如温度、气流）往往是非均匀的。同时，人体的热舒适感存在显著的个体差异，并且同一人的热感也会因活动历史、衣着和身体状况而变化。因此，一种能够兼顾个体热偏好差异与室内环境非均匀分布的新型空调系统，有望在提升多用户空间整体舒适度的同时，实现更高效的空间利用。例如，感觉热的人可以坐在较冷的区域，而感觉冷的人可以坐在较暖的区域。此前，研究团队已通过计算流体动力学（CFD）模拟二氧化碳分布验证了这种利用环境分布差异的系统潜力。

为了实现此类系统，实时、精确地感知室内环境分布是关键。CFD分析是预测室内环境分布的常用方法，但其输入要求复杂、计算耗时且难以适应使用条件的动态变化。另一种方法是安装大量传感器，但成本高昂且安装位置有限，可能干扰室内活动。因此，本研究旨在开发一种能够以最少数量的传感器实时预测室内环境分布的方法。受过程工程中“软传感器”（Soft Sensor，即利用易于测量的变量来预测难以直接测量的关键变量的系统）概念的启发，团队提出了“环境软传感器”（Environmental Soft Sensor），旨在通过少数关键测点的测量值来预测整个室内的环境分布。在先前研究中，团队已利用CFD模拟数据和深度学习（Deep Learning）探索了这种预测的可能性，并在实际房间中测试了简化版软传感器，确定了使用冬季测量数据时的最佳测量点位置。

基于前期工作，本研究设定了明确目标：开发一个预测误差足够低的环境软传感器。具体而言，其核心目标是使该传感器在房间内各位置预测值与实测值之间的均方根误差（Root-Mean-Square Error, RMSE）低于1°C。为实现此目标，本研究重点做出了三项贡献：1. 采用循环神经网络（Recurrent Neural Network, RNN）替代前馈神经网络（Artificial Neural Network, ANN），以考虑数据的时间连续性，减少预测结果在时间序列上的振荡。2. 通过改变模型的输入变量组合，优化输入配置，以提高预测精度。3. 通过构建包含不同空调季节数据的训练数据集，研究季节性影响，并进一步提高预测精度。

二、 研究的详细工作流程 本研究是一个结合现场实测与数据驱动的建模验证研究，其工作流程主要包括以下几个步骤：

1. 研究对象与数据采集 研究在一个实际使用的办公室空间（由两个实验室共用）进行。该房间安装了8台天花板嵌入式空调机组和6台全热交换器，北侧和西侧有窗户。为了构建和验证环境软传感器，研究团队在房间内密集部署了传感器网络，具体包括：22个安装在桌面高度的传感器（用于测量空气温度、相对湿度和CO2浓度），12个安装在全热交换器进、出口内部的传感器，以及8个安装在空调回风口内部的传感器。这些传感器以1分钟为间隔持续采集数据，构成了研究的基础数据集。文中图1通过两个不同日期（3月9日采暖季和7月22日供冷季）下午3点的温度等值线图，直观展示了尽管使用空调，室内仍存在明显的非均匀温度分布，且不同季节的分布模式存在差异。

2. 环境软传感器的构建方法 环境软传感器的核心思想是：利用在易于安装位置（如墙壁）的少量传感器测量值，通过已训练的深度学习模型，预测房间内部其他难以直接测量位置的环境参数。其构建流程如图5所示：首先，利用所有测点（包括作为“内部目标”的测点）的测量数据构建训练数据集。然后，使用深度学习模型（本研究主要比较ANN和RNN）学习易于测量的“解释变量”与难以测量的“目标变量”之间的关系。模型训练完成后，在实际应用中，仅需输入墙壁等位置少量传感器的实时测量值，即可输出对房间内部区域温度的预测值。在本实验中，为了验证精度，内部区域也安装了传感器，从而可以将模型的预测值与实际测量值进行比较。

3. 模型结构与输入案例设置 为优化模型性能，研究设置了多种对比案例。 * 模型结构对比：为减少预测结果的时间序列振荡，研究比较了两种深度学习模型。一是简单的ANN，它仅基于每个独立时刻的数据进行预测，容易产生振荡。二是RNN，它能够考虑时间序列上的前后关系，更适合处理时序数据，旨在实现更平滑、稳定的预测。 * 输入变量模式对比：为了确定最佳的传感器配置（在预测精度与安装便利性之间取得平衡），研究设置了5种输入模式（表2）： * Pattern0：理想情况，使用房间内大量桌面高度传感器作为输入，预测少量传感器值。此模式用于验证当传感器数量充足时，模型可以达到的预测精度上限。 * Pattern1：模拟理想软传感器，仅使用安装在墙壁（干扰风险低的位置）的5个桌面高度传感器作为输入，预测室内大量位置的温度。 * Pattern2：在Pattern1的基础上，额外增加空调回风口、全热交换器进口和出口的测量值作为输入。 * Pattern3：在Pattern2的基础上，额外增加CO2浓度作为输入，以考虑人员位置和活动的影响。 * Pattern4：在Pattern3的基础上，额外增加基于AMeDAS气象观测数据的外部温度作为输入，旨在提高靠近窗户区域的预测精度。

4. 数据集构建与季节性影响分析 为研究训练数据集的季节构成对预测精度的影响，研究构建了三种不同的训练数据集（表3）： * 训练数据集①：仅包含采暖季数据（2022年2月3日-3月8日，3月10日-4月6日）。 * 训练数据集②：仅包含供冷季数据（2022年8月1日-9月30日）。 * 训练数据集③：同时包含采暖季和供冷季数据（即①+②）。 此外，设定了三个代表性测试日：采暖季（3月9日）、过渡季（4月11日）和供冷季（7月22日），用于评估模型的泛化能力。这三个测试日的数据不包含在任何训练数据集中。

5. 评估方法 研究的核心评估指标是预测温度与实测温度之间的均方根误差（RMSE）。目标是使房间内每个传感器的RMSE均低于1°C。除了计算所有传感器的总体RMSE，还计算了每个传感器的单独RMSE，以检验模型是否能在整个房间范围内精确地复现温度分布。

三、 主要研究结果 1. ANN与RNN模型对比结果 如表4和图5所示，对于Pattern2模型，在采暖季和过渡季的代表日，使用RNN模型的预测结果在时间序列上的振荡明显小于ANN模型。这表明RNN因其对时序信息的处理能力，能有效提升预测的稳定性。总体而言，RNN在各个测试案例中均表现出与ANN相当或更优的预测精度，同时解决了时间振荡问题。

2. 输入变量优化的结果 对比不同输入模式的预测精度（表6、表7），研究发现： * Pattern0（输入传感器最多）的预测精度最高，符合预期。 * 仅使用墙壁5个传感器的Pattern1，预测精度较Pattern0有所下降。 * 在Pattern1基础上增加了空调和全热交换器风口数据的Pattern2，预测精度显著恢复，成为除Pattern0外精度最高的模式。这表明空调和通风设备的运行状态数据对预测室内温度分布至关重要。 * 进一步加入CO2浓度（Pattern3）或室外温度（Pattern4）并未显著提升Pattern2的精度，有时甚至导致精度下降。这表明在本研究设定的办公室环境中，人员位置（通过CO2间接反映）和室外温度对桌面高度温度分布的预测贡献有限，而空调和通风系统的直接运行数据更为关键。 因此，Pattern2（墙壁桌面高度传感器 + 空调回风口 + 全热交换器进口和出口）被确定为在预测精度与传感器安装便利性之间取得最佳平衡的方案。

3. 训练数据集季节性影响的结果 使用不同季节构成的训练数据集对模型预测能力的影响非常显著（表8、表9）： * 当使用仅包含采暖季数据的训练数据集①时，模型对采暖季和过渡季测试日的预测精度较高（大部分传感器RMSE°C），但对供冷季测试日的预测误差很大。 * 当使用仅包含供冷季数据的训练数据集②时，模型对供冷季测试日的预测精度较高，但对采暖季和过渡季测试日的预测精度很差。 * 当使用同时包含采暖季和供冷季数据的训练数据集③时，模型对所有三个季节（供冷、采暖、过渡季）的代表日的预测精度都得到了良好保障。 具体而言，采用Pattern2模型和训练数据集③对三个季节代表日进行预测时，房间内17个传感器位置中，有14个位置的RMSE低于1°C（表9），达到了研究预设的精度目标。这证明，要使环境软传感器具备全年适应性，其训练数据集必须包含不同空调运行模式（供冷、采暖，甚至包含空调关闭的过渡时段）下的数据。

4. 与其他方法的比较 如表10所示，研究将所提出的环境软传感器与CFD分析和安装大量传感器两种方法进行了比较： * 计算时间：CFD对本研究房间进行一次非稳态分析需要2小时。环境软传感器的模型训练耗时较长（15小时55分钟），但一旦训练完成，对新数据进行预测的计算仅需6分钟（可用于28,775个案例），具备近乎实时的预测能力。 * 成本与可行性：CFD需要专业软件和专业知识。安装大量传感器需要部署22个桌面高度传感器。而环境软传感器（Pattern2）虽然总共需要25个传感器（包括空调和热交换器风口传感器），但其核心是仅需要5个安装在墙壁上的桌面高度传感器。这大大降低了对室内人员活动和空间设计的干扰，更具实用部署潜力。未来若能直接利用空调和热交换器自带的传感器，则墙壁传感器可减少至5个，优势将更加明显。

四、 研究结论 本研究成功提出并验证了一种基于深度学习的“环境软传感器”，它能够以少量传感器实时预测室内环境分布。主要结论如下： 1. 为解决预测结果的时间序列振荡问题，采用循环神经网络（RNN）比前馈神经网络（ANN）更有效。 2. 在多种输入配置中，使用“墙壁传感器 + 空调回风口 + 全热交换器进口和出口”的组合（Pattern2）能在保证高预测精度的同时，最大程度减少对室内空间的侵入性安装，是最优方案。 3. 训练数据集的季节代表性至关重要。要使模型具备全年范围的鲁棒性，训练数据必须同时包含供冷季和采暖季的数据。

五、 研究的意义与价值 * 科学价值：本研究将过程工程领域的“软传感器”概念创新性地引入建筑环境领域，为解决室内环境实时、高分辨率感知难题提供了一条数据驱动的新途径。它系统性地探索了模型架构（RNN vs ANN）、输入变量选择和数据构成对预测性能的影响，为后续相关研究提供了重要参考。 * 应用价值：该技术是实现“个性化舒适”与“环境分布利用”相结合的新型空调系统的关键使能技术。它降低了实时获取全场环境信息的成本和实施难度，使得根据个人热偏好动态推荐最佳就座区域并优化空调控制成为可能，有助于提升建筑能效和 occupant 满意度。

六、 研究亮点 1. 研究思路新颖：首次将工业软传感器概念系统性地应用于建筑室内环境分布预测，连接了自动控制、数据科学与建筑环境工程。 2. 系统性对比实验：研究设计严谨，对模型类型、输入变量组合、训练数据集构成进行了多维度、系统性的对比实验，结论扎实且有说服力。 3. 强调实用性与部署可行性：研究始终将传感器安装的便利性和对室内活动的干扰作为重要考量，寻找精度与实用性的平衡点（如Pattern2的确定），而非单纯追求最高精度。 4. 揭示数据质量的核心作用：明确指出了训练数据的季节覆盖度是模型泛化能力的关键，这对未来在实际建筑中部署此类系统具有重要指导意义。

七、 其他有价值内容 研究在讨论部分提出了一个未来重要的研究方向：由于在实际建筑中同时获取供冷和采暖两季的详细测量数据（需要安装大量传感器）较为困难，可以探索利用CFD模拟来生成一个季节的数据，与实际测量的另一个季节数据相结合，共同构建训练数据集。这种“实测-模拟”混合的数据生成方法，有望进一步降低环境软传感器的实施门槛，推动其实际应用。