3.4.2.1　模型假设

典型教室模型总面积为68.64 m2，平均高度为3.9 m。教室入风口（1 m×1 m）位于左侧墙顶，回风口（0.5 m×0.5 m）位于右侧墙顶。此外，教室内共有十张桌子和十名学生。每个学生产热75 W，每个照明设备产热30 W。教室其他布局的详细数据见表3.8，教室3D模型图如图3.7所示。为了更加直观地体现优化前后室内环境质量的对比，将通风系统未开启状态（入风口温度30℃，风速0.3 m/s）作为基准状态，基准状态的PMV梯度分布如图3.8所示。

图3.7　教室3D模型图

为了保证模型的稳定性和收敛性，对教室模型做如下简化：

（1）忽略模型墙体蓄热产生的散热；

（2）忽略模型中窗户和门的漏风；

（3）设定室外温度和太阳辐射等环境室外参数为恒定值。

表3.8　教室模型布局参数

图3.8　基准状态PMV分布云图

3.4.2.2　设计变量及优化目标

建筑环境系统优化的意义在于通过综合考虑能耗、室内空气品质和热舒适性等方面指导通风设备参数调节。本案例选取通风系统入风口温度和风速的Tin和Vin作为优化参数，入风口温度的取值范围为21～31℃，风速的取值范围为0.1～1.5 m/s。

根据上述分析，本案例优化指标共分成两个部分：通风系统能耗指标和室内舒适度指标。简化通风系统能耗分为风机功率和制冷功耗两部分。风机功率可以使用如下公式计算：

式中　ΔP——风扇压升；

Vair——供给空气总流量；

ηfan——风扇运行效率。

本案例的风扇压升和效率分别设为562.5 Pa和0.75。制冷功耗共分为两个部分：一部分是显热负荷，另一部分是新鲜空气冷却负荷。计算公式如下：

式中　mair——空气质量流率；

Cp——空气比热容；

Tsupply，Treturn——入风口和回风口空气温度；

mfresh——室外新风质量流率；

hout，hreturn——室外空气和回风焓值。

通风系统能耗指标Eventilation为风机功率和制冷功耗之和（Eventilation＝Efan＋Qcooling）。

PMV（predicted mean vote）指数是目前使用最广泛的用于表征人体热反应的舒适度指标，已被收录ISO 7730标准。PMV指数主要与四个环境变量（室内温度、相对湿度、平均辐射温度和空气流速）和两个人体参数（代谢率和着装指数）有关。PMV指数共分为7级，－3代表最冷，3代表最热，0代表舒适状态。ISO 7730推荐的舒适指数范围在－1～1之内。PMV指数具体计算公式如下：

式中　M——人体代谢产热；

W——人体活动系数；(www.daowen.com)

pa——室内水蒸气压力；

ta——环境空气温度；

tcl——着衣温度；

fcl——衣着面积指数；

tr——平均辐射温度；

hc——对流速度传热系数；

V——空气速度；

Icl——服装热阻。

hc、fcl和tcl的计算公式如下：

在十名学生正前方距地面1.1 m处设立十个观测点。十个观测点的平均PMV指标作为本案例的室内舒适度指标，舒适性指标PMVaver可以定义为

式中　PMVi——十个观测点的PMV指数。

通风系统能耗指标和室内舒适度指标通过加权方式合并为一个指标J，指标J的表达式如下：

式中　Eventilationmax，PMVavermax——两个指标的最大值；

ω1，ω2——两个指标的权重系数，经过试算本案例中ω1和ω2分别设为7.5和1。

3.4.2.3　交互式集成优化框架搭建

首先确定房间所有围护结构如门、窗、外墙的材料和尺寸，确定室内陈设、通风系统入风口、回风口以及室内热源的位置与尺寸，利用Airpak软件搭建如图3.7所示的教室Airpak几何模型。在模型中设立观测点，用于记录环境参数。根据几何模型划分模型网格，模型共划分成174 262个不规则网格。将Airpak输入文件（.cas）中控制变量（入风口温度和风速）改成特定符号，并将输入文件类型改成模板类型（.template）。运行一次模拟，记录Airpak输出文件（.out）中结果所在位置，利用交互模块保存到特定文本案例件，用于优化模块的目标函数评估。建立基于MATLAB的优化模块，优化算法采用基本PSO算法，在交互式集成优化框架中填写设计变量的上下限、目标函数等相关信息，见表3.9。最后编写Fluent计算器批处理启动命令，启动优化模块，执行优化算法，求得通风系统控制最优参数值。本案例的交互式集成框架结构如图3.9所示。

表3.9　PSO算法相关参数设置

图3.9　交互式集成优化框架示意图

3.4.2.4　数据驱动优化框架搭建

本案例同时搭建基于神经网络模型的数据驱动优化框架，流程如图3.10所示。对于数据驱动优化框架，通过测试多组Tin和Vin的值生成一组数据样本对，数据样本对包含120个输入和输出，选择100组数据样本对用于训练，20组用于测试。经过试算，隐含层神经元个数确定为8。具体的BP神经网络模型参数设置参见表3.10。

图3.10　数据驱动优化框架流程图

表3.10　BP神经网络参数相关设置