基于最优控制的送风与空调协调运行策略：平衡个体热舒适与能源效率的研究报告
本文旨在向研究人员介绍一项由上海交通大学与新加坡国立大学合作完成的研究工作。该研究由上海交通大学设计学院建筑系的Junmeng Lyu、Yuxin Yang、Zhiwei Lian（通讯作者）以及新加坡国立大学建成环境系的Heng Du共同完成，并于2025年发表在《Building and Environment》期刊（第285卷，文章编号 113523）上。这项工作聚焦于建筑环境与人体热舒适领域，特别是在个性化环境控制系统的先进控制策略开发方面，做出了重要的探索。
当前，在共享的室内空间中，单一空调终端通过统一的设定值进行调节仍然是主流做法，这忽视了不同个体的热舒适偏好差异。虽然标准要求热环境条件应至少被空间中80%的居住者接受，但实际上鲜有建筑在运行中能达到此目标。个性化环境控制系统（Personal Environmental Control Systems, PECS），例如个人风扇，通过局部调节个人微环境，被视为一种兼顾舒适与能效的解决方案。然而，现有的研究大多集中于开发高精度的个体热感觉预测模型，而将这些模型真正集成到控制系统中，特别是开发能够同时协调共享HVAC系统（如中央空调）与局部PECS设备的控制策略，仍存在显著空白。多数协调控制研究仍依赖于基于群体平均的预测平均热感指数（PMV）模型，该模型难以精准响应个体的实时生理状态与动态偏好。
为了弥补这一研究缺口，本研究旨在开发一种基于个体热感觉模型的、适用于送风与空调协调系统（Fans and Air Conditioning Coordinated System, FACs）的最优控制策略。具体研究目标包括：1）基于在中国上海（ASHRAE气候区3A）进行的24名受试者气候舱实验数据，建立个体特异性的热感觉模型；2）基于这些个体模型，开发一套用于FACS的最优控制策略，该策略能够在单人与多人的场景中动态优化共享空调设定温度与局部送风风速，以实现个体热舒适与系统能效的双重目标；3）通过集成计算流体力学（CFD）仿真、人体热生理模型和个体热感觉模型，构建一个模拟测试环境，用以评估控制策略的性能及其对输入不确定性和人员位置变化的鲁棒性；4）利用EnergyPlus进行建筑能耗模拟，评估所提控制策略相对于单一空调运行模式的节能潜力。
本研究的工作流程是一个高度集成、多模型耦合的模拟验证体系，主要包含以下几个关键步骤：
1. 个体热感觉模型开发： 研究基础来自一项夏季气候舱实验。24名受试者（穿着典型夏装）暴露于四种空气温度（23°C， 26°C， 29°C， 32°C）与多种风速（0， 0.4， 0.8， 1.6， 2.4 m/s）的组合环境中。实验过程中，同步记录了受试者的主观热感觉投票（Thermal Sensation Vote, TSV，范围从-3到+3）和脸颊皮肤温度。基于这些配对数据，研究为每位受试者建立了一个约束性多元线性回归模型，以空气温度、风速和脸颊皮肤温度作为输入变量来预测TSV。模型表现出良好的预测性能，决定系数R²在0.605至0.942之间，平均绝对误差在0.17至0.61之间。这些模型构成了后续控制策略的核心。
2. 模拟测试环境的构建： 为了在可控条件下评估控制策略，研究团队搭建了一个虚拟的“数字孪生”测试平台，该平台整合了三个核心模块： * 模块一：室内热环境动态模拟。 基于上海交通大学的一个真实气候舱尺寸，建立了CFD模型。该模型经过实验验证，确保了仿真结果的可靠性。研究者运行了一系列瞬态冷却模拟，以获取从不同初始温度开始、朝向目标温度变化的“空气温度响应曲线”。在后续的控制模拟中，这些预计算的曲线被用作环境动态输入，模拟空调启停对室内温度的影响。 * 模块二：人体动态热生理响应模拟。 采用JOS-3热生理模型来模拟每位虚拟“居住者”的生理响应。在每个控制时间步，该模型接收来自模块一的空气温度和风速，计算出对应的皮肤温度（特别是头部皮肤温度，作为脸颊温度的近似替代）。 * 模块三：热感觉预测与控制决策。 将模块二计算出的皮肤温度、当前环境参数输入到针对该虚拟居住者的个体热感觉模型（模块一），预测出其当前的热感觉。控制策略算法（见下文）根据预测的热感觉值，决策出下一时刻的空调设定温度和/或个人风扇风速，形成一个闭环仿真。
3. 最优控制策略的制定： 本研究分别针对单人场景和多人场景制定了具体的优化控制算法，核心目标是最大化节能（即尽可能提高空调设定温度）的同时，将居住者的热感觉维持在“中性”范围（本研究定义为TSV在[-0.5， +0.5]之间）。 * 单人场景策略： 控制目标是将个体的热感觉精确维持在+0.5（中性范围的上限），以充分利用局部气流的冷却效应实现最大节能。流程为：系统启动后，根据当前室温和个人化可接受风速上限函数（基于前期研究数据得出）设定初始风扇风速；然后，利用个体热感觉模型预测当前TSV，若偏离+0.5，则启动优化算法（采用L-BFGS-B算法）寻找最优的空调设定温度，使得在该设定温度及对应最大允许风速下，预测TSV最接近+0.5；在下一时间步，根据新的室温更新允许的风速，并重复优化过程。 * 多人场景策略： 目标是协调共享的空调设定温度和每个人的个性化风速，使所有居住者的热感觉尽可能接近中性范围。流程更为复杂：首先，为每个人独立计算其达到TSV=+0.5所需的“个人理想设定温度”；然后，以这些个人理想温度的最小值和最大值作为全局优化范围边界；接着，在该边界内，寻找一个最优的共享设定温度，使得所有居住者热感觉偏离中性范围绝对值的总和最小；最后，在固定此共享设定温度后，为每个仍感不舒适的居住者独立优化其个人风扇风速，以进行补偿。
4. 性能评估与鲁棒性测试： 研究者设计了从1人到15人（含1， 2， 4， 10， 15人）的多种居住场景，并将24个受试者的个体模型随机组合成虚拟的居住者群体进行模拟测试。评估指标包括：达到热中性所需的时间、无法满足所有人员舒适的组合比例、以及最终的稳定设定温度和风速。此外，研究还对控制策略的鲁棒性进行了严格测试，引入了四种扰动：空气温度±0.5°C扰动、皮肤温度±0.5°C扰动、两者组合扰动以及风速0-0.5 m/s扰动，以评估策略在输入不确定下的稳定性。对于多人场景，还测试了因座位位置不同导致环境暴露差异（即空间扰动）对控制输出的影响。
5. 能耗潜力评估： 利用EnergyPlus建筑能耗模拟软件，将上述模拟中得到的各场景下FACS策略的“稳定最优设定温度”作为整个供冷季的空调设定值，进行季节性能耗计算。同时，根据风扇实测的功率-风速关系，估算风扇能耗。将FACS策略的总能耗（空调+风扇）与传统的单一空调运行模式（维持较低固定设定温度）进行比较，量化其节能潜力。
模拟测试与数据分析得出了系列重要发现：
1. 控制性能表现： 在单人与多种多人场景下，所提出的FACS控制策略均能有效工作。在单人场景中，策略能够在平均10个控制迭代内使空调设定温度稳定，并在5分钟内将居住者的热感觉调节至中性范围。与单一空调运行相比，FACS策略允许将空调设定温度平均提高1.5-2°C，同时通过调节个人风扇风速维持舒适。在多人场景中，策略通过优化共享设定温度并辅以差异化的个人风速调节，成功使大部分随机组合中的多数居住者维持在热中性状态。然而，研究也发现，当组合中的个体热偏好差异极大时（例如一个偏好高温，一个偏好低温），即使协同控制也无法同时满足所有人的中性需求，这是多人共享环境中固有的挑战。
2. 鲁棒性分析结果： 鲁棒性测试表明，所提出的策略具有良好的抗干扰能力。在空气温度扰动下，系统主要通过优先调整风速来补偿，共享设定温度的变化非常小（标准偏差低于0.3°C）。在皮肤温度扰动下，对设定温度的影响稍大，但在95.2%的测试组合中，其波动仍低于0.5°C。对于因座位不同导致的空间扰动，虽然不同位置所需的风速有所差异，但策略仍能有效协调，使每个人达到热中性的时间差异不超过1分钟。
3. 居住密度对控制效果的影响： 这是本研究的一个重要发现。随着虚拟房间内居住者人数的增加，控制策略得出的最优共享空调设定温度逐渐降低。在单人场景下，最优设定温度可能高达30°C以上；而在4人、10人、15人场景下，最优设定温度逐渐收敛至26-27°C左右。同时，风扇的平均使用风速和激活率也显著下降。这表明，在高密度场景下，为了调和众多个体差异巨大的热需求，系统不得不更多地依赖降低整体环境温度（即降低空调设定温度）这一“妥协”方案，而局部风扇的调节作用被削弱。
4. 能耗节约潜力： EnergyPlus模拟结果显示，所提出的FACS协调控制策略在1至4人场景中，相较于单一空调运行模式，可实现超过20%的节能效果，在单人场景中平均节能约28%，最高可达50%。然而，随着居住密度增加（10人、15人场景），由于上述最优设定温度降低和风扇使用减少，相对节能率下降至10.6%和6.3%。这清晰地揭示了FACS的节能效益随居住密度变化而变化的规律。
5. 非均匀温度分布的潜在影响： 额外的CFD分析表明，实际HVAC送风方式（如下送风角度）导致的室内温度分布不均匀性，可能会削弱FACS策略的实际效果。例如，处于冷风直接输送路径下的居住者可能被过度冷却，导致空调过早关闭，而使处于较暖区域的居住者无法达到舒适，即使风扇已全速运行。这提示在实际部署时需考虑气流组织的影响。
本研究成功开发并验证了一套基于个体热感觉模型的FACS最优协调控制策略。主要结论如下：第一，该策略能够有效协调共享空调与个人风扇，在单人和多人场景下同时提升个体热舒适并实现节能。第二，策略在面对环境参数扰动时表现出良好的鲁棒性，优先通过调整风速维持稳定。第三，在1至4人场景中，策略可实现显著的能源节约（超过20%）。第四，一个关键发现是，基于上海地区青年受试者数据，FACS的最优运行设定点（温度与风速）强烈依赖于居住密度；密度越高，节能潜力相对越小，策略趋向于采用接近传统群体舒适模型（如PMV）推荐的设定温度（约26°C）。
本研究的科学价值在于，它成功地将个体化的热感觉预测模型与动态控制优化算法相结合，构建了一个从“个体感知建模”到“系统协同控制”的完整闭环框架，为“以人为本”的室内环境精准调控提供了模型驱动的解决方案。其应用价值在于为智能建筑中个性化环境控制系统的实际部署提供了具体的控制逻辑、性能预期以及重要的设计洞见——即需要审慎评估居住密度对PECS效益的影响。同时，研究也指出了未来方向，包括需要开展跨气候区、多人群的验证，以及在实际建筑中进行现场测试以克服模拟的局限性。
本研究的亮点突出体现在以下几个方面： 1. 方法创新性： 研究构建了一个高度集成的多学科仿真测试环境，有机融合了CFD、热生理学、个体化机器学习模型和最优控制算法，为评估复杂的建筑-人交互系统提供了强大的“数字试验台”。 2. 策略前瞻性： 提出的控制策略首次将基于个体数据的线性热感觉模型直接嵌入实时优化框架，用于协调中央与局部设备，实现了从群体“平均舒适”向真正“个体舒适”调控的迈进。 3. 发现启发性： 明确揭示了“居住密度是影响FACS节能潜力的关键因素”这一重要规律。这一发现对PECS技术的应用场景规划和节能效益预期具有重要的指导意义，避免了盲目乐观的估计。 4. 问题全面性： 研究不仅评估了策略的“名义性能”，还系统性地进行了鲁棒性测试和实际影响因素（如空间非均匀性）分析，使得结论更为严谨和全面。
研究者对控制策略的实际应用提出了有价值的见解，例如讨论了如何利用物联网技术实现系统自动化，如何通过递归最小二乘法在线更新个体模型以适应新用户或用户偏好的变化，以及如何将策略适配于个性化送风系统等。这些讨论为从理论研究走向工程实践搭建了桥梁。此外，研究者也坦诚指出了研究的局限性，如数据来源的人口和气候局限性、未考虑行为经济因素等，并预告了正在进行的现场验证研究计划，体现了严谨的科研态度。