热感觉、热舒适、热满意度、热需求与热偏好

1 热感觉

1.1 7点热感觉投票:

ASHRAE7点标度,范围为【-3,3】,对应于类别冷、凉、微凉、中性、微暖、暖、热。

1.2 3点热感觉投票:

但有时由于数据分布不平衡问题,会将7点热感觉转为3点热感觉,分别表示冷、中性、热。

1.3 7点热感觉转换为3点热感觉的方法:

1、在文献[1]中,将cold & cool & slightly cool划作冷,neutral划作中性,slightly warm & warm & hot划作热。

2、在文献[4]中,将cold & cool划作冷,slightly cool & neutral & slightly warm划作中性,warm & hot划作热,

1.4 建模问题

对热感觉的预测可以建模为分类模型,也可以建模为回归模型。但无论是分类还是回归,利用调查问卷采集训练数据时获取的都是7分类标签。至于如何应用回归模型实现对7分类热感觉的预测,这里可以参考经典预测模型PMV的处理方式。

已知PMV是一种热感觉预测的回归模型,根据PMV热舒适计算分析工具 (buildenvi.com)上对PMV计算值的划分可知,当PMV在【-3,-2.5】时,在7点热感觉中表示为冷;当PMV在【-2.5,-1.5】时,在7点热感觉中表示为凉,当PMV在【-1.5,-0.5】时,在7点热感觉中表示为微凉;当PMV在【-0.5,0.5】时,在7点热感觉中表示为中性;当PMV在【0.5,1.5】时,在7点热感觉中表示为微暖;当PMV在【1.5,2.5】时,在7点热感觉中表示为暖;当PMV在【2.5,3】时,在7点热感觉中表示为热。

2 对于3点热感觉的进一步讨论——热偏好

个人认为,热偏好与热需求、与三点热感觉都可以等同,用于为HVAC提供可操作的建议,一般为3点标度。

2.1 热偏好与三点、七点热感觉的关系

2.1.1 由调查问卷直接获得热偏好

在文献[2][4]中,将热偏好划分为‘warmer’/no change/’cooler’,由调查问卷获得,不需要经过热感觉转换。

2.1.2 由调查问卷获得7点热感觉

2.1.2.1 训练阶段

在文献[3]中,将热偏好划分为热需求,中性,冷需求,分别对应7点热感觉的{-2,-3}, {-1,0,1},{2,3}。因为根据以往的研究,个体所期望的热感觉不一定是中性,也可能是微暖或者微凉。

2.2.2.2 预测阶段(7点热感觉预测→3点热感觉预测→热偏好预测)

1、因PMV预测热感觉为一个回归问题,在文献[2]通过PMV进行对比试验时,假定当预测热感觉投票|PMV|≤0.5时,表示热偏好no change;当预测热感觉投票PMV>0.5时,表示热偏好want cooler;当预测热感觉投票PMV<-0.5时,表示热偏好want warmer。

文献[2]中所提出的热偏好与热感觉相互转换的方法,我认为是可靠并且有依据的。已经知道|PMV|≤0.5对应着7点热感觉的中性,​​​​​​​PMV>0.5对应着7点热感觉的微暖、暖、热,​​​​​​​PMV<-0.5对应着7点热感觉但微凉、凉、冷。

再结合文献[1]中7点热感觉与3点热感觉的关系,可以看出实际上就是将预测的7点热感觉先变为3点热感觉,再将三点热感觉中的冷、中性、热与热偏好中的warmer、no change、cooler一一对应。只不过个人对[1、2]中七点热感觉转换为三点热感觉的划分方式存疑,一般来说应该将slightly cool、neutral、slightly hot一起作为中性,例如文献[3,4]。

2、在文献[3]中,同样将预测热感觉作为一个回归问题,只不过在把七点热感觉转换为三点热感觉时判定的中性范围扩大。

2.2 热偏好与自适应模型的关系

自适应模型根据80%和90%的可接受舒适度定义了一个室内舒适温度的范围。

文献[2]中认为,如果在80%可接受舒适度的室内舒适温度范围内则为no change;超过上限和低于下限则分别表示want cooler和want warmer。

3 热满意度

在文献[4]中,热满意度同样有7点标度,通过调查问卷获得(非常不满意:-3;不满意:-2;略不满意:-1;中性:0;略满意:1;满意:2;非常满意:3)。根据ASHRAE 55,建议对满意的范围略微宽泛,则假定≤-2的范围为不满意,≥-1的范围为满意。

4 热舒适度

需要说明的是,在文献[1]中热舒适预测模型是利用热感觉在表征作为标签的,因此有理由认为热舒适度即为热感觉。

参考文献

[1] Prediction of individual thermal comfort based on ensemble transfer learning method using wearable and environmental sensors

[2] Personal comfort models: Predicting individuals' thermal preference using occupant heating and cooling behavior and machine learning

[3] Intelligent models to predict the indoor thermal sensation and thermal demand in steady state based on occupants’ skin temperature

[4] Comparison of models for predicting winter individual thermal comfort based on machine learning algorithms

  • 1
    点赞
  • 9
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值