多扰动下的室内环境监测及监控平台开发★

杨璐琳,陈义波,姜 昕,刘梦月,楚耕读,焦婉莹

(1.郑州大学土木工程学院，河南 郑州 450001; 2.郑州大学软件工程学院，河南 郑州 450001; 3.郑州大学信息工程学院，河南 郑州 450001)

1 概述

建筑室内环境的舒适性和节能必须建立在有效控制的基础上。室内空气通过对流、辐射等形式不断与外界换热，处于复杂的非稳态变化中。传统的监测集成度低、缺乏合理的联动控制[1-2]。目前，传感器向多参数集成化、智能化发展，各种设备借助总线技术统一管理，但传统监控系统一般以温度等单一条件为控制指标，对环境调控的及时性和反馈性不足，并且不同情景的适用性在目前应用中也未能充分体现，极大地制约了智能化控制的实现[3-4]。

随着人们对建筑室内环境要求的提高，亟需采用新技术达到精细化的监控和反馈功能。针对此，本文通过过渡季不同通风工况下的测试分析和问卷调查，明确对室内热环境采取实时监测和预测控制方式的必要性，并给出基于物联网的监控平台架构，可为未来新的监控技术的开发和利用提供重要参考。

2 室内环境监测实验

实验针对过渡季节不同通风措施和人员扰动下的室内环境进行。

2.1 测试方案

1)测点布置。测试房间尺寸及测点布置如图1所示。对于温湿度和风速，根据《公共建筑节能检测标准》[5]，当公共建筑房间使用面积不小于60 m2且小于100 m2时，设5个测点，距地面0.7 m～1.8 m范围内取1.4 m，与人静坐时头部位置相近；CO2浓度测点布置在房间中央的测点3处；靠近建筑的室外空气温湿度及风速测点6、测点7布置在窗户开启部分的中心位置。

2)测试工况。考虑了室外气象边界条件的相似性，测试时间段为2020年10月31日～11月4日、2020年11月7日～11月16日。参数采集时间间隔为30 min，同时收集当地室外气象参数[6]。对于开窗数造成的影响：10月31日全天开2扇窗，开启率为1/3，11月1日开窗时间为8:00～17:00；11月2日增加开窗数为6扇；11月3日不开窗。对于内扰造成的影响：控制实验室在8:00～17:00期间开2扇窗，然后在11月7日三个时段内分别安排10名受试者，在11月8日13:30～14:30时间段内安排30人。

3)测试仪器。测试所用主要设备参数见表1。

表1 测试设备

2.2 舒适性相关参数计算

目前评价环境热舒适性广泛采用预测平均热感觉投票(PMV)和预计不满意百分率(PPD)。对于过渡季以自然通风作为室内空气调节手段时，根据《民用建筑室内热湿环境评价标准》[7]，对非人工冷热源热湿环境评价采用计算法评价时，以预计适应性平均热感觉指标(APMV)作为评价依据。

1)PMV。

(1)

2)PPD。

PPD=100-95×exp(-0.033 53·
PMV4-0.217 9·PMV2)

(2)

3)APMV。

(3)

其中，λ为自适应系数。郑州属于寒冷地区，实验室属于教育建筑，因此λ取-0.29。

根据上述环境评价标准，可将热湿环境的舒适性分为三级，如表2所示。

表2 热湿环境评价等级

3 监测结果分析

3.1 开窗数量对室内热环境的影响

1)温度和湿度。由图2可知：首先，室内温湿度变化趋势与室外基本一致、波动幅度更小，呈现一定的滞后性。其次，随着开窗数增加，换气量增大，室内温湿度变化幅度增大，受室外气候影响增强。与开2扇相比，开6扇时室内外含湿量差和温差更小，温度在14:00左右达到峰值。

2)舒适性指标。由图3可知：不开窗与开2扇的APMV绝对值均在0.5以内，为Ⅰ级舒适，而开6扇时大段时间为Ⅱ级舒适；不开窗的PPD值均小于10%，整体评价为Ⅰ级，开6扇时PPD值基本超过10%；14:00左右由于室外温度较高、相对湿度较低，室内环境APMV值升到最高。

3)污染物浓度。由图4可知，当开窗数增加时换气次数增加，外界PM2.5进入室内的几率增大，室内TVOC更容易被室外空气稀释，因此开6扇比开2扇的室内PM2.5浓度高、TVOC浓度低。

综上，开窗数对室内热环境参数、热舒适性和空气洁净度具有显著影响，对调控措施的及时性提出一定要求。

3.2 人员数量对室内热环境的影响

3.2.1 温度和湿度

由图5可知，当13:30有30名受试者时，室内外温度和含湿量差迅速升高；而当室内处于无人状态，室内外含湿量差便急剧下降。这是因为人体作为室内主要的产热源和产湿源，当达到一定数量时对室内温湿度有显著影响，并且人数对室内湿度的影响比温度更大。

3.2.2 舒适性指标

图6中APMV值基本在-0.5～0之间，属于偏冷的Ⅰ级舒适。当房间内有10人时，下午14:00后APMV值接近0，处于相当舒适阶段；自13:30有30人进入室内，APMV值迅速升高直至人员离开。在对PPD的分析上，有人时均为Ⅰ级舒适，并且在房间内有30人的时间段上函数曲线有明显的凹凸性，可见人数与室内热舒适性关联性较强。

3.2.3 污染物浓度

对比图7中曲线，并未发现人数与室内TVOC和PM2.5浓度有显著关联性，但10人时CO2浓度升高2×10-4， 30人时三者均有所上升，并且30人时TVOC浓度8 h均值超过《室内空气质量标准》[8]中的标准值0.6 mg/m3，CO2浓度迅速上升，峰值超过标准值1×10-3。说明室内人数达到一定数量将对室内污染物浓度造成影响，需要能源系统的及时调控。

4 监控平台架构及设计

4.1 平台架构

由测试分析结果可知，内扰(人员数量)和通风措施(开窗行为和开窗设置)对室内热环境和空气品质的影响很大、且波动较快，因此非常有必要对室内环境进行实时监测，并结合不同通风措施的舒适性范围预测来预先动作，从而更好地稳定室内热环境和空气品质。针对此，设计如图8所示的环境监控平台架构。

该平台系统主要包括三个过程：数据采集、控制模型构建以及管理平台二次开发。首先，通过传感器采集室内外环境参数，借助PLC将数据集合至物联网关，再传输至管理平台。其次，基于多维监测数据，采用关联分析、神经网络等数据挖掘技术，预测并提取不同状态参数输入对应的运行策略，建立预测反馈控制模型。最后，对管理平台进行二次开发，嵌入控制模型。完成开发后，对于应用场景下的工况输入，可输出对应的控制策略，然后通过PLC反馈控制设备构件，或者通过人工控制设备启停的形式实现优化控制。

4.2 软硬件设备

平台开发具体涉及到的软件及传感器如表3所示。

表3 软件及传感器列表

5 结语

针对建筑室内热环境的优化控制问题，本文首先通过测试方法对过渡季不同运行策略下室内环境参数进行了对比分析，包括室内温度，含湿量，APMV，PPD，TVOC，PM2.5和CO2浓度等。测试结果表明在不同的外因(开窗)和内扰(人员)下室内环境参数波动较大。针对这一变化特性，提出了包括数据采集、控制模型构建以及平台二次开发等环节的物联网监控平台架构，来支持合理、有效、快速地环境调控需求，为未来热环境控制的智能化推进提供参考。