一、基于神经网络的室内热舒适评判模型（论文文献综述）
林宇凡,杨柳,柴茜[1]（2021）在《基于心理-生理适应的热舒适投票预测》文中研究指明以不同热经历背景的南北方受试者为研究对象,进行了心理（主观感受）-生理适应性实验。在实验数据的基础上,量化分析了心理-生理适应对热舒适投票的影响。采用相关分析法和主成分分析法提取主观感受输入变量和皮肤温度输入变量,建立了可适应冷环境和可适应热环境的人工神经网络模型。用实验获得的数据训练该模型,结果表明,可适应冷环境和可适应热环境的预测准确率分别为65%和61%。
张静雅[2]（2021）在《基于硕博士论文统计分析的陕西省当代建筑理论研究成果梳理》文中研究说明自1949年新中国成立以来,中国的建筑大环境进入转型性发展阶段,陕西省作为历史文化发祥地,其所继承下来的建筑本土原生风格受到了强烈的冲击,面临建筑系统的重新构成。随着国内外交流的日益增多,国外建筑思潮不断冲击影响着陕西省本土建筑风格,建筑市场一度呈现“西方化”与“国际化”。但对于陕西省本土文脉的建筑思想还未进行深入系统的研究,就盲目接受国外建筑理论,使得建筑实践脱离建筑理论,建筑实践的繁荣景象与建筑理论的极度匮乏形成了鲜明的对比。造成这种结果最重要的原因之一就是缺乏对陕西省现有的建筑理论系统性的总结、提炼和研究,导致建筑理论远远落后于建筑实践。本课题研究以论题的方式展开,采用文献计量法与内容分析法,对能够体现陕西省当代建筑思想的基础资料进行了基本统计分析。基础资料包括:陕西省建筑师在建筑领域进行的探索、建筑期刊及会议论文、专业着作、陕西省高等院校建筑类硕博士论文和陕西省当代建筑作品等。在本课题组,已有人进行建筑期刊及会议论文、陕西省建筑思想的建筑师和陕西省当代建筑作品的研究。本论文则透过陕西省高校建筑学硕博士论文来看陕西省当代建筑理论的发展。统计分析的时间段均控制在1949年至今,其中因所收集到的陕西省建筑学硕博士论文的发表是在1980年之后,所以本篇文章主要研究发表硕博士论文之后的时间。首先,本文以时间为纵轴,运用文献计量法统计分析了1984-1989年段、1990-1999年段、2000-2009年段和2010-2020年段四个历史时段的建筑学硕博士论文;其次,从统计分析的结果出发,梳理了不同时期的研究热点,并从数据特征、理论特征和关键词特征三个方面对硕博士论文进行分析。随后,提出陕西省当代建筑理论由原创思想与引进思想两部分组成,对这两部分分别进行了归纳和总结;最终,笔者对陕西省当代建筑理论在建筑学硕博士论文方向的发展进行了梳理探讨。
李威[3]（2021）在《基于人体热感觉穿戴传感的公共建筑空调室温智能调控方法研究》文中研究指明公共建筑空调系统的优化运行控制是保证建筑环境热舒适性、降低运行能耗和实现建筑节能减排的重要技术措施,一直是国内外研究的难点和热点问题,并逐渐被广泛用于实际工程之中。同时,空调环境热舒适性和人体热感觉也是建筑领域国际上众多机构长期研究的重点,其成果为诸多标准规范的制定和完善提供了科学依据。但从总体上看,空调系统优化运行控制与建筑环境热舒适性、特别是与人体实时热感觉在研究和应用上存在着明显的脱节问题。比较普遍的是,在空调系统实际控制工程中,没有将人体（群体）热感觉实时引入空调系统控制过程之中,该问题在工程上的表现为,空调房间普遍采用挂墙温控器来实现对整个房间室温的设定、监测和调控,但由于挂墙温控器的安装位置（一般都安装在房门附近内墙上）远离内部空调区,从而使得挂墙温控器无法实时和真实反映空调区的温湿度变化状况,更无法真实反映空调区人体（群体）实时热感觉。此外,实际调研表明,公共建筑冬夏空调室温设定值普遍存在着夏季设置过低、冬季设置过高的现象,且室温设定值无法随人体热感觉的变化而自动重新设定。上述两类空调系统优化运行控制与人体（群体）实时热感觉脱节问题,不仅不利于进一步提高空调室内环境热舒适性,而且增大了空调系统运行能耗,该问题亟待解决。近几年,物联网、穿戴计算机和机器学习等人工智能技术的发展及在相关领域的成功应用,为解决空调室内人体（群体）热感觉实时监测、室温设定值自动设置以及室温智能调控等关键问题提供了新的技术途径。因此,本文将以解决公共建筑空调系统优化运行控制与人体（群体）热感觉在工程应用上所存在的脱节问题、进一步提高空调环境热舒适性、降低系统运行能耗为目标,采用理论研究、技术开发及试验研究相结合的方法,研究解决大型公共建筑空调环境人体（群体）热感觉在线监测、评价及空调室温智能调控等关键问题,以期研究得到基于人体（群体）热感觉穿戴传感的公共建筑空调室温智能调控新方法。首先,公共建筑空调环境人体热感觉物联网监测技术的开发,是解决基于人体（群体）热感觉穿戴传感的空调室温智能调控问题的前提和基础。本文将智能手环物联网技术引入本课题领域,提出了智能手环-智能手机-服务器-空调控制器的人体热感觉生理参数实时监测与数据传输技术路线,开发了面向室温智能调控的智能手机APP及数据管理软件系统,实现了智能手环与空调控制器直接通讯;测试结果表明,人体热感觉生理参数智能手环穿戴传感系统能够安全稳定运行。其次,人体热感觉与人体生理参数之关联预测模型的建立,是解决基于人体（群体）热感觉穿戴传感的空调室温智能调控问题的首要理论基础。本文首先试验研究了人体热感觉与手腕皮肤温度和心率等生理参数之间的相关性,建立了人体热感觉线性预测模型和T-S模糊预测模型,结果表明两种模型均具有较高的预测精度。其次,为满足在线控制应用要求,本文进一步提出了人体热感觉线性预测模型在线修正方法,并验证了该修正方法的有效性和适用性。第三,公共场所空调环境群体热感觉的在线预测评价,是解决公共建筑群体热感觉实时监测、评价及室温智能调控问题的又一关键理论问题。本文提出了群体热感觉模糊综合评判方法,试验证明了该方法能够有效地评价群体热感觉;为将该方法用于空调系统控制过程,本文又提出了基于群体热感觉穿戴传感的空调室温设定值线性调整算法,试验研究了夏季空调系统在采用基于群体热感觉穿戴传感的室温控制方法和传统室温设定值控制方法时的运行特性,结果表明,前者较后者具有更好的热舒适性,且空调系统的日耗电量约减少13.8%。第四,基于群体热感觉穿戴感知的空调室温智能调控方法,是实现空调系统节能优化运行的理论基础,是进一步解决空调系统智能调控与人体热感觉脱节问题的关键。本文提出了基于群体热感觉穿戴传感的空调室温模糊调控方法,试验研究了夏季空调系统在采用基于群体热感觉穿戴传感的室温模糊调控方法、基于热感觉人工反馈的室温控制方法和基于温度设定值的室温控制方法等三种控制方法时的运行特性,结果表明,基于群体热感觉穿戴传感的室温模糊调控方法在热舒适性上具有较好的优越性,且该方法控制下的空调系统日耗电量分别比人工反馈热感觉控制法和温度设定值控制法节约了10.7%和 20.1%。最后,使用者对室温设定值个性化设定特征的在线获取和学习,是进一步提高空调室温自动调控智能化水平和系统节能潜力又一值得研究的理论问题。本文将机器学习理论引入使用者对空调室温偏好设定特征在线学习过程,提出了基于强化学习的空调室温偏好设定智能调控方法,利用上述试验数据对空调室温设定值强化学习算法进行了训练与分析;结果表明,该方法可以在满足用户热舒适性的同时,能够有效实现空调系统的高效节能调控。本文的研究对解决人体热感觉实时感知、预测评价及空调系统节能优化运行调控等问题,特别是对解决公共建筑空调系统优化运行控制与人体（群体）热感觉在工程应用上的脱节问题,具有重要的理论价值和学术意义;对提高建筑环境热舒适性和降低空调系统运行能耗,具有重要的节能减排现实意义。
万陶成[4]（2021）在《室内热环境动态送风模式的个性化推荐方法研究》文中研究说明近年来,采用数值模拟方法研究空调系统的动态送风以及个性化送风策略等,相对传统空调送风模式能够在有效提高空调系统节能率的同时营造良好的室内热舒适环境。然而,目前的室内空调系统动态送风的调节模式存在一定的局限性、个性化送风模式的优化与推荐效果欠佳,导致空调系统在室内热环境营造及系统节能优化方面难以达到预期效果。为了获取较好的推荐效果,本文建立个性化推荐模型,主要工作如下:首先,根据实际建筑空间的层式通风空调系统建立仿真模型,采用CFD软件对Design-expert设计的实验方案进行数值模拟,采用统计方法验证CFD仿真的合理性,即对采集的仿真实验数据（室内温度和室内风速数据）与现场实验数据进行统计分析。其次,基于仿真实验采集的通风性能数据和环境参数,分别采用响应曲面模型和多元线性回归模型设计两种动态送风模式。在考虑空调系统节能需求的同时,分别采用响应曲面模型和多元线性回归模型方法对两种送风模式进行训练,通过误差对比及分析,表明基于多元线性回归模型构建的动态送风模式更为合理。在此基础上,利用上述线性规划模型的预测结果,分别采用TOPSIS方法和基于PMV指标的TOPSIS方法决策出不同室外温度对应的最佳综合通风性能。而且室内空调系统送风的基本要求是满足人体热舒适需求,因此根据热舒适需求和结合上述分析采用基于PMV指标的TOPSIS方法决策更合理。最后,基于决策的通风性能以及其对应的环境参数,采用BP神经网络算法建立动态送风模式的个性化送风推荐模型。神经网络的输入层包括室外温度和新陈代谢率,输出层包括送风角度、送风温度、送风速率、PMV、LMAA（空气龄）、吹风感和能耗。仿真和实验结果表明,所构建的个性化送风推荐模型能够针对用户不同的新陈代谢率,推荐最佳的综合通风性能及其对应的空调送风参数,在有效跟随室外环境舒适度变化趋势的同时满足用户的热舒适需求。
武璐璐[5]（2021）在《基于动态温度调控的空调能耗建模与预测算法研究》文中提出舒适的室内热环境是人们身心健康和高效工作的前提,传统稳态热环境营造模式背后隐藏的健康与高能耗问题备受相关领域研究者的关注。目前,动态热环境控制为室内热环境动态优化提供了有利途径,可有效利用热环境的小幅规律性波动,在满足热环境动态控制的同时实现舒适和健康的统一。然而,营造舒适的室内热环境是以一定的系统能耗为代价的。若能对其进行准确、及时的预测,将对空调系统的节能与优化控制具有重要意义。本文基于动态温度调控的空调能耗模型,提出一种基于改进PSO-BP神经网络的能耗预测方法。首先,应用Energy Plus仿真软件建立办公建筑变风量空调能耗仿真模型,设计满足|PMV|≤0.5条件的室内热环境动态温度调控策略,并通过能耗模拟获得夏季工况空调系统的逐时能耗数据集。仿真结果表明,基于该策略的空调系统既能营造动态热环境满足人体热舒适要求又可有效降低系统能耗。其次,针对能耗预测模型输入变量的确定问题,设计集成方法分析能耗的关键影响因素。该方法集成聚类、分类和关联度分析法等三种方法,挖掘空调系统的四种能耗模式并确定预测模型的8项有效输入变量。预测结果表明,在采用集成方法分析能耗的基础上建立的BP神经网络模型比传统单一BP神经网络模型的能耗预测精度提高了2.11%。最后,针对BP神经网络存在的收敛速度慢和局部极小等问题,提出非线性调整策略优化PSO算法的惯性权重和加速度因子,从而建立改进PSO-BP神经网络能耗预测模型。结果表明,在采用集成方法分析能耗的基础上,改进PSO-BP神经网络模型比PSO-BP神经网络模型的预测精度提高了0.72%,比传统单一BP神经网络模型的预测精度提高了3.4%。
皇甫谦文[6]（2020）在《建筑暖通空调热舒适与节能的智能优化控制研究》文中提出暖通空调（Heating,ventilation and air conditioning,HVAC）是一种消耗能源并通常导致温室气体排放的设备。同样,HVAC是一项关键服务,可为建筑物居住者提供舒适、健康和高效的室内环境。随着暖通空调系统能源消耗的增加和居住者对室内热舒适性需求的提高,研究既能保证室内环境热舒适性又能降低暖通空调能耗的控制问题显得犹为重要。本文为解决这一控制问题,利用数据挖掘技术及机器学习算法,研究了室内热舒适模型和HVAC系统能耗预测等内容,提出了HVAC热舒适与节能智能优化控制方法,并模拟开发出智能建筑HVAC控制系统,实现HVAC系统热舒适与节能的目标。首先,针对热舒适指标,列举了目前应用中常用的几种热舒适指标,从中选取了预测平均投票（Predicted Mean Vote,PMV）作为衡量热舒适的标准,但由于计算PMV方程是一个复杂的非线性过程,不便于空调的实时控制应用,提出以美国采暖、制冷与空调工程师学会ASHRAE RP-884项目中的实际热舒适数据为基础,建立BP网络热舒适预测模型。实验表明,该方法符合本设计对热舒适的精度要求,并能用于HVAC的实时控制。其次,分析了HVAC能耗的影响因素,并从数据的可获取性角度,确立了所要建立能耗模型的影响特征。结合建筑HVAC系统历史运行数据的质量特点,对其进行数据预处理操作。采用k近邻（k-Nearest Neighbor,k NN）算法进行缺失值填补、k均值（k-Means）算法进行异常数据的检测与清除,提高了数据的可利用性。接着分别使用随机森林、支持向量回归和BP网络三种机器学习算法建立了HVAC能耗预测模型,并通过对比三种模型的预测效果,最终选用随机森林算法作为能耗模型的预测方法。最后,为解决建筑HVAC控制系统存在建模难、能耗高等问题,提出了一种基于数据驱动的深度Q学习（Deep Q Network,DQN）的建筑HVAC热舒适和能耗优化控制框架,将HVAC优化控制系统视为一个马尔科夫决策过程（Markov Decision Process,MDP）,定义了建筑环境状态、HVAC系统控制动作和奖励函数。利用建立好的热舒适模型和HVAC能耗模型对室内舒适度、HVAC能耗进行实时预测,并将预测结果作为强化学习控制器设定值动作的反馈,进而通过DQN学习优化能耗和热舒适控制方法来动态调整HVAC的温湿度设定值,达到舒适节能的目的。为验证控制算法的有效性,将算法应用于仿真模拟建筑环境中,同时对比了Agent-off和Q-learning控制方法的控制效果。实验表明,本文采用的DQN控制算法具有较好的控制效果,可以提供稳定舒适环境条件的同时达到节能的目的。
黄琪[7]（2020）在《基于强化学习的办公建筑冷源系统节能优化控制策略仿真研究》文中指出冷源系统的能效水平对中央空调系统运行、公共建筑节能都有较大影响,国家于2019年提出建设高效冷源机房的目标,针对众多既有大型公共建筑冷源系统进行控制策略的节能优化,是实现该目标经济且有效的手段。物联网技术的高速发展为公共建筑积累了庞大的运行数据,建立数据驱动的节能优化控制策略,能够充分挖掘数据的使用价值,推动建筑智能化。强化学习可以被用于智能控制系统中,通过智能体在环境中的不断尝试获得最优策略,是一种依赖数据驱动的控制方法。研究基于强化学习的建筑冷源系统控制策略的节能优化问题,能够充分利用已有冷源管理系统中累积的大量运行数据,顺应当今控制智能化的趋势。本文以夏热冬暖地区某大型办公建筑冷源系统为研究对象,提出基于强化学习的冷源系统节能优化控制策略,主要包括以下研究工作:（1）介绍强化学习的主要理论与算法,在此基础上,将冷源系统的运行过程抽象为马尔可夫决策过程,提出冷源马尔可夫决策模型;在研究强化学习系统组成元素的基础上,确定各元素在冷源中的形式,建立冷源强化学习系统,并确定该系统的运行流程。（2）针对办公建筑冷源系统通常难以用于控制器实际训练的情况,研究系统环境建模问题,为进一步提高模型的预测效果,提出基于模型堆叠的室内温度、室内相对湿度和冷源系统能耗黑箱预测模型。选取Xgboost、RF和SVR作为基模型,岭回归作为元模型,通过对比不同基模型组合的预测效果,确定三个预测模型的结构,在此基础上研究并建立了系统环境仿真平台,进一步完善了系统功能。（3）针对常规控制策略缺乏自我学习能力和依赖模型准确性等问题,提出基于深度确定性策略梯度算法的冷源节能优化控制策略。首先分析影响算法的主要超参数,采用启发式搜索的方式对超参数进行寻优,确定了主要超参数的取值范围;然后在对控制器进行策略引导的基础上,完成节能优化控制策略的仿真研究工作,分析并展示了仿真结果;最后选取PSO控制策略与规则控制策略进行比较分析,结果表明强化学习控制策略下的冷源系统总能耗减少了6.47%和14.42%,平均室内热舒适性提升了5.59%和18.71%,非舒适性时间占比减少了5.22%和76.70%。（4）针对控制策略节能优化方法工程应用较为困难的问题,开发“办公建筑冷源系统智能控制平台”,完成对研究成果的工程化,实现了系统监测、系统仿真、策略优化和策略运行等主要功能。
赵亮[8]（2019）在《建设项目全生命周期节能驱动机制与多目标优化策略研究》文中提出近年来我国城市化进程不断加快,建筑业得到迅猛发展,随着人们物质和生活品质的改善,对建筑面积、居住环境和舒适度等条件的要求不断提高,导致能源消耗持续上升,因此建筑行业的节能降耗工作刻不容缓。对于建设项目而言,能源消耗贯穿规划设计、建设施工和运行维护全生命周期。本文以建设项目全生命周期节能驱动机制和多目标优化策略为研究对象:首先,通过科学计量学领域的可视化知识图谱,界定和识别建设项目全生命周期节能影响因素;其次,运用结构方程模型分析各因素对节能动力的影响路径和作用关系,探究建设项目全生命周期节能驱动机制;在此基础上,从可持续发展理论的社会、自然和经济三个维度出发,提出建设项目节能多目标优化策略;最后,通过工程项目案例验证优化策略的科学性和可行性。结果表明,建立的结构方程模型能客观反映建设项目全生命周期节能驱动机制,提出的建筑能耗、采光和成本多目标优化策略能获得平衡多性能目标的非支配解和进行成本预测。论文开展的研究工作主要包括以下几个方面:（1）在文献研究的基础上,运用科学计量学的方法对Web of Science和中国知网数据库中的文献进行可视化分析,使用Citespace分别绘制了国际、国内建设项目节能研究知识图谱。通过关键词共现分析和聚类分析,对全生命周期节能影响因素进行了识别和界定,构建了政府政策、节能技术、节能认知和设施管理对节能动力作用的理论模型。（2）根据实证研究的步骤和方法,开发了节能影响因素的测量量表,并对江苏省内从事建设项目管理和相关专业背景人员进行问卷调查。利用SPSS和AMOS等统计分析工具对调研样本进行了描述性统计、信度和效度检验,借助因子分析识别出影响建设项目全生命周期节能的5个因子,共包含33个二级测量指标。通过相关性分析、拟合指标检验和修正,最终构建出建设项目节能驱动的结构方程模型。利用修正后的模型和理论模型对研究假设进行检验,厘清了建设项目全生命周期政府政策、节能技术、节能认知和设施管理对节能动力的影响路径和作用机制。（3）在实证研究的基础上,从建设项目可持续发展的社会、自然和经济维度出发,确立以降低能耗为自然维度目标,以采光性能为社会维度目标,以项目成本为经济维度目标的建设项目节能多目标优化模型。通过BIM技术、参数化驱动和云计算等方法进行建筑能耗和采光模拟,研究了不同参量因素下建筑能耗和采光性能的变化机理。（4）针对本文提出的多目标优化模型,以Optimo作为优化引擎,分析NSGA-II算法在经典多目标优化问题上的收敛性、多样性和局限性;提出包括BIM模型建立、参数化驱动开发、建筑性能模拟、多目标优化设计、帕累托前沿分析、节能决策和评估6个步骤的基于NSGA-II算法的建筑性能多目标优化策略;并采用遗传算法改进BP-神经网络,实现成本预测的神经网络模型。（5）以某会展中心项目为例,选取窗墙比、建筑朝向、窗高、玻璃材质和墙体材质等设计参量,通过Dynamo参数化驱动BIM模型进行基于NSGA-II算法的项目能耗、采光性能优化,结果表明优化过程的收敛效果较好,并计算出平衡多性能目标要求的非支配解。将优化结果作为神经网络的输入数据进行训练,结果表明训练数据的迭代误差较小,可用于项目成本的预测分析。论文从工程项目管理视角厘清了全生命周期节能影响因素的作用路径并探究了节能驱动机制,并在实证研究的基础上,提出融合BIM技术、参数化驱动、云计算、遗传算法和神经网络进行建筑能耗、采光和成本多目标优化的策略,实现了定性和定量研究相结合的复合权衡节能调控,提升了我国建筑节能研究的信息化水平。该论文有图89幅,表55个,参考文献353篇。
江永芹[9]（2019）在《建筑室内热环境智能建模方法研究》文中指出在北方冬季,采暖普遍存在于家家户户,人们对一个舒适的热环境要求越来越高,因此,建筑室内热环境的舒适性与降低能源消耗是目前智能建筑研究的热点。室内温度是评估室内舒适与否最直观的评价指标,目前对于冬季北方大部分地区,室内热环境主要通过采暖来实现温度的调节,不能满足人们对舒适度的要求,这其中的能源消耗量也很高。影响室内热环境的参数存在非线性、多变量和环境复杂性等因素,很难建立室内热环境的系统模型和实现热舒适度的智能化控制,因此构建一个室内热环境模型是亟待解决的事情。本文针对人们对于室内环境舒适、节能以及健康的要求,对室内热环境建模进行了相应的研究。本文的研究内容如下:（1）通过阅读文献,了解和分析国内外针对室内热环境建模和舒适度方面的研究现状。目前存在模型训练时间长、气象参数不易获取、数据不完备等缺陷,以此确定解决方案。（2）针对室内热环境影响参数多、数据不易获取等问题,搭建室内热环境参数数据采集系统,采集室内采暖系统中热水供给房间的热量,利用采集到的数据进行仿真实验,解决了数据不完备、数据不准确的问题。（3）针对北方冬季采暖热量供给,存在能源严重浪费的问题,利用建筑热环境先验知识和室内热环境参数采集系统采集的数据,借鉴已有的建筑室内空间神经网络建模方法,建立以热区制热量为输入、室内温度值为输出、微气候参数等为干扰的基于BP神经网络的室内热环境模型,此模型可用于室内热环境温度预测,解决了因供给室内热量过多造成的能耗浪费问题。（4）选取平均热感觉指数（Predicted Mean Vote,PMV）作为表征人体热反应的评价指标,搭建数据采集平台,采集数据,用PMV公式计算出PMV值。面向室内热环境,建立以室内温度、室内湿度、平均辐射温度和室内风速为输入,以PMV值为输出的基于BP神经网络和PSO-BP神经网络的PMV值智能预测模型。通过大量的仿真实验,对PMV智能预测模型的可行性进行验证。
司轶芳[10]（2019）在《舒适与节能办公建筑环境的智能调控方法研究》文中指出随着我国办公建筑服务水平的逐渐提高,办公建筑室内环境参数标准也不断提高,为满足室内环境参数的高标准,建筑运行消耗了巨大的能耗。然而,由于建筑环境的舒适性是人对环境的主观感受,舒适的建筑环境并非越来越高或越来越严苛的标准。因此,办公建筑室内环境营造的重点,应从如何营造更高标准的室内环境转化为如何在保证舒适水平的前提下,尽可能降低运行能耗,实现可持续办公建筑环境。论文以办公建筑环境为研究对象,在研究了建筑使用者对室内环境各因素需求以及空调系统运行能耗的基础上,针对建筑室内热环境、室内空气品质与建筑空调系统运行能耗,实现了三者的动态优化以及建筑室内热环境与空气品质关键指标KPI（Key Performance Indicators）的智能控制,从而达到舒适与节能的目标。论文的主要研究工作如下:（1）建筑环境因素权重与舒适模型研究。提出了基于层次分析AHP（Analytic Hierarchy Process）的群组决策方法,根据建筑使用者的主观调查数据,定量确定影响建筑环境舒适的四个因素,即热环境、空气品质、光环境和声环境的权重。定性分析不同室外气象条件、不同房间功能以及不同建筑使用者行为的背景下,使用者对建筑环境各因素需求的差异和规律。根据办公建筑环境中热环境和空气品质的权重及其KPI,即空气温度、相对湿度和CO2浓度,建立办公建筑室内环境舒适模型。（2）建筑空调系统运行能耗影响因素与能耗模型研究。实现了基于室外气象参数、室内人员密度和建筑环境KPI的建筑空调系统运行能耗的定量准确模拟。分析了上述各参数对空调系统运行能耗的影响规律和相关性。以主要室外气象参数、室内人员密度和建筑环境KPI为输入参数,采用极限学习机ELM（Extreme Learning Machine）的预测方法,建立办公建筑空调系统运行能耗模型。（3）建筑环境KPI的多目标优化与唯一解决策研究。以建筑环境舒适模型和空调系统运行能耗模型为目标函数,根据室外气象参数和室内人员密度,采用带精英策略的非支配排序遗传算法NSGA-II（Non-dominated Sorting Genetic Algorithm II）的多目标优化方法动态优化室内空气温度、相对湿度和CO2浓度,求解出上述参数的Pareto最优解集。针对每个参数的多个Pareto最优解,采用模糊综合决策算法决策出每个参数的唯一解。将唯一解应用于建筑环境运行管理,不仅能够提高办公建筑环境舒适度,而且能够节约空调系统运行能耗。（4）建筑室内CO2浓度与室内温度的控制研究。以优化决策的CO2浓度与空气温度的唯一解作为建筑环境控制系统的最优设定值,分别研究了新风控制系统和温度控制系统的控制策略和控制方法。1)针对新风控制系统的纯滞后和非线性特性,以室内CO2浓度为被控参数,采用基于偏差积分的模糊控制策略调整新风送风量,实现对室内CO2浓度的控制。2)针对温度控制系统的大滞后、大惯性和参数时变的特点,提出了一种非参数预估算法及其应用方法,建立了基于在线非参数预估器的模糊自适应控制系统,实现对室内温度的控制。采用上述控制方法能够对室内CO2浓度和室内温度取得良好的控制效果。本文提出了营造舒适与节能建筑环境的动态调控方法,解决了建筑环境舒适与空调系统运行节能之间的矛盾,为办公建筑环境的运行调控提供了有效的策略和方法。
二、基于神经网络的室内热舒适评判模型（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于神经网络的室内热舒适评判模型（论文提纲范文）
（1）基于心理-生理适应的热舒适投票预测（论文提纲范文）
| 0 引言 |
| 1 实验介绍 |
| 1.1 受试者 |
| 1.2 实验方案设计和实验流程 |
| 1.3 实验测试指标和测试仪器 |
| 1.4 主观问卷 |
| 2 输入变量特征提取 |
| 3 结果与讨论 |
| 3.1 相关分析法提取主观感受输入变量结果 |
| 3.2 主成分分析法提取皮肤温度输入变量结果 |
| 3.3 基于BP算法的人工神经网络预测热舒适投票结果 |
| 3.4 讨论 |
| 4 结语与展望 |
（2）基于硕博士论文统计分析的陕西省当代建筑理论研究成果梳理（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 研究目的与意义 |
| 1.2.1 研究目的 |
| 1.2.2 研究意义 |
| 1.3 国内外研究现状 |
| 1.3.1 中国当代建筑理论研究 |
| 1.3.2 陕西省当代建筑理论发展 |
| 1.4 研究方法 |
| 1.5 研究框架 |
| 1.6 论文创新点 |
| 2 陕西当代建筑理论研究对象的确立与分析 |
| 2.1 相关概念的限定 |
| 2.1.1 当代 |
| 2.1.2 建筑学 |
| 2.1.3 建筑理论 |
| 2.1.4 陕西当代建筑理论 |
| 2.2 硕博士论文的收集 |
| 2.2.1 确定高校研究范围 |
| 2.2.2 论文收集的网上整理 |
| 2.2.3 论文收集的实地调查 |
| 2.3 硕博士论文的层次分析 |
| 2.3.1 四所高校论文的统计分析 |
| 2.3.2 陕西建筑思想流派倾向 |
| 2.3.3 国外建筑思想的冲击 |
| 2.4 本章小结 |
| 3 陕西省建筑学硕博士论文统计分析 |
| 3.1 统计分析的基本范围和建筑理论框架 |
| 3.1.1 基本范围 |
| 3.1.2 建筑理论框架 |
| 3.1.3 纵向时间段划分 |
| 3.2 西安建筑科技大学建筑学硕博士论文梳理 |
| 3.2.1 硕士论文数量统计分析 |
| 3.2.2 硕士论文建筑理论统计分析 |
| 3.2.3 硕士论文关键词统计分析 |
| 3.2.4 博士论文数量统计分析 |
| 3.2.5 博士论文建筑理论统计分析 |
| 3.2.6 博士论文关键词统计分析 |
| 3.3 长安大学建筑理论硕士论文梳理 |
| 3.3.1 硕士论文数量统计分析 |
| 3.3.2 硕士论文建筑理论统计分析 |
| 3.3.3 硕士论文关键词统计分析 |
| 3.4 西安交通大学建筑理论硕士论文梳理 |
| 3.4.1 硕士论文数量统计分析 |
| 3.4.2 硕士论文建筑理论统计分析 |
| 3.4.3 硕士论文关键词统计分析 |
| 3.5 西北工业大学建筑理论硕士论文梳理 |
| 3.5.1 硕士论文数量统计分析 |
| 3.5.2 硕士论文建筑理论统计分析 |
| 3.5.3 硕士论文关键词统计分析 |
| 3.6 本章小结 |
| 4 硕博士论文统计分析的总结呈现与解析 |
| 4.1 陕西省四所高校建筑理论硕士论文分类汇总 |
| 4.1.1 硕博士论文数量统计分析 |
| 4.1.2 硕博士论文建筑理论统计分析 |
| 4.1.3 硕博士论文关键词统计分析 |
| 4.1.4 高校导师代表硕博士论文统计分析 |
| 4.1.5 硕博士论文特征总结 |
| 4.2 陕西省四所高校硕士论文选题的共同点 |
| 4.2.1 建筑创作论 |
| 4.2.2 居住建筑 |
| 4.2.3 生态建筑学 |
| 4.2.4 建筑评价理论 |
| 4.3 陕西建筑思想流派倾向的硕博士论文分析 |
| 4.3.1 建筑方针 |
| 4.3.2 民族性的现代化演绎 |
| 4.3.3 地域性建筑的新作为 |
| 4.3.4 可持续发展(园林景观——城市环境意识) |
| 4.4 本章小结 |
| 5 国外建筑思想的引进 |
| 5.1 引进建筑思想的硕博士论文统计 |
| 5.1.1 硕博士论文统计分析 |
| 5.1.2 高校导师代表硕博士论文统计分析 |
| 5.2 国外建筑思潮的发展 |
| 5.2.1 经典现代主义建筑思潮 |
| 5.2.2 现代主义之后的建筑思潮 |
| 5.3 国外建筑理论引进的热点问题 |
| 5.3.1 经典现代与先锋流派引进的统计分析 |
| 5.3.2 国外建筑师及其设计理念引进的统计分析 |
| 5.4 本章小结 |
| 6 结论 |
| 6.1 研究结论 |
| 6.2 不足与展望 |
| 参考文献 |
| 图表目录 |
| 图录 |
| 表录 |
| 附录 |
| 致谢 |
（3）基于人体热感觉穿戴传感的公共建筑空调室温智能调控方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 空调系统控制与人体热感觉研究的脱节 |
| 1.1.2 空调系统控制与实际热感觉脱节的工程体现 |
| 1.1.3 现代楼宇智能化控制发展新需求 |
| 1.1.4 本文的研究意义 |
| 1.2 建筑环境热舒适性控制研究进展 |
| 1.2.1 基于PMV模型的室内热环境调控方法 |
| 1.2.2 基于热感觉人工反馈的室内热环境调控方法 |
| 1.2.3 基于热感觉图像预测的室内热环境调控方法 |
| 1.3 人体热感觉预测评价及穿戴传感技术研究进展 |
| 1.3.1 人体热感觉生理表征参数研究 |
| 1.3.2 人体热感觉预测模型研究方法 |
| 1.3.3 穿戴传感技术研究进展概述 |
| 1.3.4 智能手环穿戴传感技术的研究应用 |
| 1.4 空调系统智能控制方法研究进展 |
| 1.4.1 空调系统模糊控制的研究进展 |
| 1.4.2 空调系统强化学习方法的研究 |
| 1.5 主要研究内容及研究思路 |
| 1.5.1 仍需解决的关键问题 |
| 1.5.2 主要研究内容 |
| 1.5.3 本文研究思路 |
| 2 人体热感觉智能手环穿戴传感关键技术开发 |
| 2.1 人体热感觉智能手环穿戴传感系统需求分析 |
| 2.1.1 人体热感觉智能手环穿戴传感技术路线的确定 |
| 2.1.2 人体热感觉智能手环穿戴传感技术需求分析 |
| 2.2 面向室温智能调控的手机APP及数据管理系统设计 |
| 2.2.1 手机APP功能设计 |
| 2.2.2 服务端设计 |
| 2.2.3 数据库设计 |
| 2.3 面向室温智能调控的手机APP及数据管理系统实现 |
| 2.3.1 手机APP功能实现 |
| 2.3.2 服务端实现 |
| 2.3.3 数据库实现 |
| 2.4 面向室温智能调控的手机APP及数据管理系统性能测试 |
| 2.4.1 系统的功能性测试 |
| 2.4.2 系统的非功能性测试 |
| 2.5 本章小结 |
| 3 基于穿戴传感的热感觉预测模型及在线修正方法研究 |
| 3.1 人体热感觉与手腕皮肤温度及心率之间关系的试验 |
| 3.1.1 试验系统简介 |
| 3.1.2 试验流程 |
| 3.1.3 试验结果 |
| 3.2 基于多元线性回归模型的人体热感觉预测模型研究 |
| 3.2.1 多元线性回归分析方法 |
| 3.2.2 人体热感觉线性模型的建立 |
| 3.3 基于T-S模糊模型的人体热感觉预测模型研究 |
| 3.3.1 T-S模糊模型建立方法 |
| 3.3.2 人体热感觉T-S模糊预测模型的建立 |
| 3.4 热感觉线性预测模型在线修正方法研究 |
| 3.4.1 热感觉线性预测模型在线修正计算 |
| 3.4.2 热感觉线性预测模型在线修正算法流程 |
| 3.4.3 热感觉线性预测模型在线修正方法的验证 |
| 3.5 本章小结 |
| 4 基于群体热感觉穿戴传感的空调室温优化调控方法研究 |
| 4.1 基于热感觉穿戴传感的空调室温优化调控过程分析 |
| 4.2 群体热感觉模糊综合评判方法 |
| 4.2.1 群体热感觉模糊综合评判过程 |
| 4.2.2 群体热感觉综合评判方法试验分析 |
| 4.3 基于群体热感觉穿戴传感的空调室温设定值线性调整算法 |
| 4.3.1 控制架构 |
| 4.3.2 算法结构 |
| 4.3.3 算法流程 |
| 4.4 基于群体热感觉穿戴传感的空调室温设定值线性调控方法试验 |
| 4.4.1 试验方案 |
| 4.4.2 控制性能对比分析 |
| 4.4.3 人员满意度对比分析 |
| 4.4.4 能耗对比分析 |
| 4.5 本章小结 |
| 5 基于群体热感觉穿戴传感的空调室温模糊调控方法研究 |
| 5.1 基于群体热感觉穿戴传感的空调室温模糊调控过程分析 |
| 5.2 基于群体热感觉穿戴传感的空调室温设定值模糊推理方法 |
| 5.2.1 Mamdani模糊模型 |
| 5.2.2 作用模糊子集推理方法 |
| 5.2.3 基于Mamdani模型和FFSI的空调室温设定值模糊调控方法 |
| 5.3 基于群体热感觉穿戴传感的空调室温模糊调控方法试验 |
| 5.3.1 试验方案 |
| 5.3.2 控制性能对比分析 |
| 5.3.3 人员满意度对比分析 |
| 5.3.4 能耗对比分析 |
| 5.4 本章小结 |
| 6 基于强化学习的空调室温偏好设定智能调控方法研究 |
| 6.1 热舒适性与节能效果定性综合评价问题的提出 |
| 6.1.1 人与空调系统综合影响下空调室温设定过程分析 |
| 6.1.2 热舒适性与节能效果定性综合评价问题解决思路 |
| 6.2 人工智能领域强化学习方法概述 |
| 6.2.1 强化学习的基本概念 |
| 6.2.2 马尔可夫决策过程 |
| 6.2.3 Q-Learning算法 |
| 6.3 空调室温设定值强化学习模型的构建 |
| 6.3.1 模型参数的选择 |
| 6.3.2 奖励函数的设计 |
| 6.4 基于强化学习的空调室温偏好设定智能调控方法 |
| 6.4.1 空调室温偏好设定强化学习方法 |
| 6.4.2 空调室温偏好设定强化学习算法训练 |
| 6.4.3 空调室温偏好设定强化学习算法训练结果分析 |
| 6.5 本章小结 |
| 7 结论与展望 |
| 7.1 主要结论 |
| 7.2 创新点 |
| 7.3 展望 |
| 参考文献 |
| 附录A 手机APP部分代码 |
| 附录B 服务端部分代码 |
| 附录C 作用模糊子集推理部分代码 |
| 附录D 强化学习算法部分Pyhon代码 |
| 攻读博士学位期间科研项目及科研成果 |
| 致谢 |
| 作者简介 |
（4）室内热环境动态送风模式的个性化推荐方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 主要符号表 |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 研究目的及意义 |
| 1.3 国内外研究现状 |
| 1.3.1 空调系统通风方式 |
| 1.3.2 空调系统动态送风模式 |
| 1.3.3 个性化人体热舒适 |
| 1.3.4 实验方案推荐 |
| 1.4 主要研究内容 |
| 1.4.1 研究内容 |
| 1.4.2 论文框架 |
| 2 层式通风空调热环境仿真 |
| 2.1 室内层式通风系统的分类与工作原理 |
| 2.2 CFD数值模拟与数学模型 |
| 2.2.1 CFD仿真研究与应用 |
| 2.2.2 仿真模型的建立 |
| 2.2.3 室内气流运动的数学模型 |
| 2.2.4 仿真边界条件设置 |
| 2.2.5 仿真求解假设 |
| 2.3 数值模拟方案的设计 |
| 2.4 仿真验证及网格独立性检验分析 |
| 2.4.1 仿真验证 |
| 2.4.2 网格独立性检验 |
| 2.5 仿真实验数据集的构建 |
| 2.5.1 热舒适评价指标对应数据集的构建 |
| 2.5.2 吹风感评价指标对应数据集的构建 |
| 2.5.3 空气龄评价指标对应数据集的构建 |
| 2.5.4 空调能耗评价指标对应数据集的构建 |
| 2.6 小结 |
| 3 空调动态送风模式研究 |
| 3.1 基于RSM响应曲面方法的动态送风模式研究 |
| 3.1.1 RSM响应曲面实验设计 |
| 3.1.2 基于RSM设计的动态送风模式训练结果与分析 |
| 3.2 基于线性回归模型的动态送风模式研究 |
| 3.2.1 多元线性回归方法的理论 |
| 3.2.2 基于多元线性回归模型设计的动态送风模式训练结果与分析 |
| 3.3 两种动态送风模式对比分析 |
| 3.4 小结 |
| 4 基于决策方法的通风性能决策模型的构建 |
| 4.1 基于TOPSIS的最佳通风性能决策模型建立 |
| 4.1.1 TOPSIS决策模型的构建 |
| 4.1.2 实验结果与分析 |
| 4.2 基于PMV指标的TOPSIS最佳通风性能决策模型构建 |
| 4.2.1 基于PMV指标的TOPSIS模型的构建 |
| 4.2.2 实验结果与分析 |
| 4.3 两种决策模型的对比分析 |
| 4.4 小结 |
| 5 基于BP神经网络方法的个性化推荐方法 |
| 5.1 BP神经网络模型原理 |
| 5.2 基于决策方法的个性化推荐模型的构建 |
| 5.2.1 BP神经网络个性化推荐模型的构建 |
| 5.2.2 基于决策模型的BP神经网络模型的构建 |
| 5.3 实验结果分析 |
| 5.4 小结 |
| 6 总结与展望 |
| 6.1 工作总结 |
| 6.2 展望 |
| 参考文献 |
| 作者在读期间研究成果 |
| 附录 |
| 致谢 |
（5）基于动态温度调控的空调能耗建模与预测算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 室内动态热环境控制研究 |
| 1.2.2 能耗分析方法研究 |
| 1.2.3 能耗预测算法研究 |
| 1.3 主要研究内容 |
| 1.3.1 研究内容 |
| 1.3.2 论文结构 |
| 2 办公建筑VAV空调系统能耗仿真模型的搭建 |
| 2.1 VAV系统简介 |
| 2.1.1 VAV系统的组成 |
| 2.1.2 VAV系统的工作原理 |
| 2.2 Energy Plus软件介绍 |
| 2.2.1 Energy Plus简介 |
| 2.2.2 Energy Plus主要特点 |
| 2.2.3 Energy Plus能耗计算原理 |
| 2.3 能耗仿真模型的搭建 |
| 2.3.1 建筑几何模型的构建 |
| 2.3.2 空调能耗模型的构建 |
| 2.4 小结 |
| 3 基于动态温度调控的空调系统能耗建模 |
| 3.1 动态温度调控策略 |
| 3.1.1 热环境与热舒适 |
| 3.1.2 传统稳态温度控制的原理 |
| 3.1.3 动态温度调控策略的设计 |
| 3.2 动态温度调控的空调能耗模拟与热舒适度计算 |
| 3.2.1 空调系统能耗的模拟 |
| 3.2.2 热舒适度的计算 |
| 3.3 小结 |
| 4 能耗分析的集成方法设计与验证 |
| 4.1 能耗分析的集成方法设计 |
| 4.1.1 基于K-means算法的能耗模式划分 |
| 4.1.2 基于CART算法的能耗模式判别决策树构建 |
| 4.1.3 基于灰色关联度分析的能耗影响因素确定 |
| 4.2 基于集成方法分析能耗的实验验证 |
| 4.2.1 数据预处理 |
| 4.2.2 BPNN简介 |
| 4.2.3 BPNN预测模型的构建 |
| 4.2.3.1 网络结构的确定 |
| 4.2.3.2 函数和网络参数的选取 |
| 4.2.4 性能评价指标 |
| 4.2.5 结果对比分析 |
| 4.3 小结 |
| 5 基于IPSO-BPNN模型的空调系统能耗预测 |
| 5.1 标准PSO算法 |
| 5.2 IPSO算法的设计 |
| 5.3 IPSO-BPNN预测模型的构建 |
| 5.4 结果对比分析 |
| 5.5 小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士学位期间的研究成果 |
| 致谢 |
（6）建筑暖通空调热舒适与节能的智能优化控制研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 选题背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 热舒适理论与模型研究 |
| 1.2.2 建筑HVAC能耗预测 |
| 1.2.3 建筑HVAC优化控制系统问题 |
| 1.3 研究内容及结构安排 |
| 1.3.1 研究内容 |
| 1.3.2 结构安排 |
| 第二章 热舒适理论和预测模型 |
| 2.1 热舒适理论 |
| 2.1.1 热舒适指标 |
| 2.1.2 热舒适影响因素 |
| 2.1.3 热舒适PMV的计算 |
| 2.2 人工神经网络理论 |
| 2.2.1 人工神经元结构 |
| 2.2.2 人工神经网络结构 |
| 2.2.3 BP神经网络算法 |
| 2.3 基于BP神经网络预测PMV模型 |
| 2.3.1 数据来源及处理 |
| 2.3.2 参数设置 |
| 2.3.3 实验结果与分析 |
| 2.4 小结 |
| 第三章 基于机器学习算法的HVAC能耗模型 |
| 3.1 HVAC能耗影响因素分析 |
| 3.1.1 HVAC系统能耗影响因素概述 |
| 3.1.2 模型输入参数的确定 |
| 3.2 能耗数据预处理分析 |
| 3.2.1 数据来源 |
| 3.2.2 基于kNN的缺失数据处理 |
| 3.2.3 基于k-Means聚类算法的异常数据处理 |
| 3.3 基于机器学习算法的HVAC系统能耗预测 |
| 3.3.1 基于随机森林算法的能耗模型 |
| 3.3.2 基于支持向量回归算法的能耗模型 |
| 3.3.3 基于BP网络算法的能耗模型 |
| 3.3.4 三种算法在相同数据集下的效果比较 |
| 3.4 小结 |
| 第四章 基于DQN的热舒适与节能智能优化控制 |
| 4.1 强化学习理论和算法 |
| 4.1.1 强化学习理论 |
| 4.1.2 强化学习的要素和MDP |
| 4.1.3 强化学习的分类 |
| 4.2 深度Q网络算法 |
| 4.2.1 Q-learning算法 |
| 4.2.2 深度Q网络算法 |
| 4.3 基于DQN的建筑HVAC热舒适与节能控制系统 |
| 4.3.1 控制系统设计 |
| 4.3.2 控制流程 |
| 4.3.3 控制仿真框架 |
| 4.4 DQN的控制算法以及超参数设置 |
| 4.4.1 HVAC热舒适与节能控制的MDP模型 |
| 4.4.2 DQN的控制算法 |
| 4.4.3 参数设置 |
| 4.5 实验结果与分析 |
| 4.5.1 DQN控制器在训练期间的Q值变化趋势 |
| 4.5.2 不同热舒适阈值下的性能 |
| 4.5.3 三种方法在热舒适和能耗方面的效果对比 |
| 4.6 小结 |
| 第五章 总结与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 攻读学位期间取得的科研成果 |
| 致谢 |
（7）基于强化学习的办公建筑冷源系统节能优化控制策略仿真研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.2.1 冷源系统建模方法研究现状 |
| 1.2.2 冷源系统节能优化控制策略研究现状 |
| 1.3 主要研究内容安排 |
| 第二章 强化学习与研究对象介绍 |
| 2.1 强化学习理论与基础 |
| 2.1.1 基本原理 |
| 2.1.2 马尔可夫决策模型 |
| 2.1.3 值函数 |
| 2.2 强化学习的主要算法 |
| 2.2.1 状态-动作值函数法 |
| 2.2.2 值函数的逼近 |
| 2.2.3 策略梯度法 |
| 2.3 研究对象 |
| 2.3.1 建筑概况 |
| 2.3.2 冷源系统 |
| 2.3.3 冷源管理与运行数据采集 |
| 2.4 本章小结 |
| 第三章 办公建筑冷源强化学习方法与系统研究 |
| 3.1 冷源强化学习方法 |
| 3.1.1 冷源强化学习任务 |
| 3.1.2 冷源马尔可夫决策模型 |
| 3.2 强化学习系统的组成元素 |
| 3.3 冷源强化学习系统 |
| 3.3.1 系统研究与建立 |
| 3.3.2 系统运行流程 |
| 3.3.3 系统数据集 |
| 3.4 本章小结 |
| 第四章 基于模型堆叠的系统环境建模研究 |
| 4.1 模型特征工程 |
| 4.1.1 异常数据清洗与修复 |
| 4.1.2 特征标准化与独热编码 |
| 4.1.3 特征选择 |
| 4.2 基于模型堆叠的数据预测模型 |
| 4.2.1 模型堆叠理论与算法 |
| 4.2.2 室内温度预测模型 |
| 4.2.3 室内相对湿度预测模型 |
| 4.2.4 冷源系统能耗预测模型 |
| 4.3 系统环境仿真平台 |
| 4.3.1 平台设计 |
| 4.3.2 仿真流程 |
| 4.4 本章小结 |
| 第五章 基于DDPG的冷源节能优化控制策略研究 |
| 5.1 深度确定性策略梯度算法 |
| 5.2 算法的超参数寻优 |
| 5.2.1 学习率寻优 |
| 5.2.2 折扣因子寻优 |
| 5.2.3 热舒适性惩罚系数寻优 |
| 5.3 节能优化控制策略的仿真研究 |
| 5.3.1 随机噪声选择 |
| 5.3.2 策略引导 |
| 5.3.3 仿真研究 |
| 5.4 不同控制策略的对比分析 |
| 5.4.1 PSO控制策略与规则控制策略 |
| 5.4.2 三种控制策略的对比分析 |
| 5.5 本章小结 |
| 第六章 办公建筑冷源系统智能控制平台研发 |
| 6.1 平台总体概述 |
| 6.1.1 开发目的 |
| 6.1.2 功能分析 |
| 6.1.3 结构规划 |
| 6.1.4 开发工具 |
| 6.2 平台设计 |
| 6.2.1 平台界面 |
| 6.2.2 系统监测模块 |
| 6.2.3 仿真平台模块 |
| 6.2.4 策略优化模块 |
| 6.2.5 策略运行模块 |
| 6.3 本章小结 |
| 结论与展望 |
| 参考文献 |
| 攻读硕士学位期间取得的研究成果 |
| 致谢 |
| 附件 |
（8）建设项目全生命周期节能驱动机制与多目标优化策略研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.3 研究问题的提出 |
| 1.4 研究内容 |
| 1.5 研究方法和技术路线 |
| 1.6 研究目的和意义 |
| 2 相关理论分析 |
| 2.1 全生命周期能耗理论 |
| 2.2 知识图谱理论 |
| 2.3 建设项目管理领域的多目标优化理论 |
| 2.4 本章小结 |
| 3 建设项目全生命周期节能驱动理论模型构建 |
| 3.1 建设项目全生命周期节能影响因素分析 |
| 3.2 基于知识图谱的节能影响因素识别 |
| 3.3 影响因素和测量指标的界定 |
| 3.4 建设项目节能驱动理论模型构建 |
| 3.5 本章小结 |
| 4 建设项目节能驱动机制的实证研究 |
| 4.1 实证研究的方法 |
| 4.2 问卷设计和数据采集 |
| 4.3 数据分析和处理 |
| 4.4 结构方程模型检验 |
| 4.5 假设检验和关键路径分析 |
| 4.6 本章小结 |
| 5 建设项目节能多目标优化策略研究 |
| 5.1 可持续发展目标分析 |
| 5.2 多目标优化模型的构成 |
| 5.3 基于BIM的建筑能耗和采光模拟 |
| 5.4 基于NSGA-II算法的建筑性能多目标优化 |
| 5.5 基于神经网络的项目成本预测 |
| 5.6 本章小结 |
| 6 工程案例研究 |
| 6.1 项目概况 |
| 6.2 建筑能耗和采光性能优化与分析 |
| 6.3 基于GA-BP神经网络的成本预测 |
| 6.4 本章小结 |
| 7 结论和展望 |
| 7.1 主要工作和结论 |
| 7.2 研究的主要创新点 |
| 7.3 研究的局限性 |
| 7.4 研究展望 |
| 参考文献 |
| 附录 |
| 作者简历 |
| 学位论文数据集 |
（9）建筑室内热环境智能建模方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 建筑热环境能耗模型 |
| 1.2.2 热舒适度预测方法 |
| 1.2.3 粒子群优化算法 |
| 1.3 论文研究内容及组织 |
| 1.3.1 研究内容及创新点 |
| 1.3.2 本文的组织结构 |
| 第二章 热舒适度和BP神经网络基础理论 |
| 2.1 热舒适度基础理论 |
| 2.1.1 热舒适度的主要影响因素 |
| 2.1.2 室内热环境评价指标 |
| 2.2 BP神经网络基础理论 |
| 2.2.1 BP神经网络模型及其基本原理 |
| 2.2.2 BP神经网络预测流程 |
| 2.3 本章小结 |
| 第三章 基于BP神经网络的建筑室内热环境模型 |
| 3.1 室内热环境模型 |
| 3.1.1 建筑室内热环境数据采集系统 |
| 3.1.2 实验参数的确定 |
| 3.1.3 实验结果与分析 |
| 3.2 室内热环境能耗预测模型 |
| 3.2.1 实验参数的确定 |
| 3.2.2 实验结果与分析 |
| 3.3 本章小结 |
| 第四章 基于PSO-BP神经网络的热舒适度PMV值智能预测模型 |
| 4.1 基本粒子群算法 |
| 4.2 PSO-BP神经网络原理 |
| 4.3 基于PSO-BP神经网络的热舒适度PMV值预测模型 |
| 4.3.1 数据采集系统 |
| 4.3.2 实验参数的确定 |
| 4.3.3 实验结果与分析 |
| 4.4 本章小结 |
| 第五章 总结和展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
（10）舒适与节能办公建筑环境的智能调控方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.2.1 建筑环境舒适性研究 |
| 1.2.2 建筑运行能耗研究 |
| 1.2.3 建筑环境的调控研究 |
| 1.3 当前研究存在的问题 |
| 1.4 研究思路与主要内容 |
| 2 建筑环境因素的权重与舒适模型研究 |
| 2.1 建筑环境 |
| 2.1.1 建筑环境主要因素 |
| 2.1.2 建筑环境参数监测 |
| 2.2 基于建筑环境因素权重的舒适模型 |
| 2.2.1 基于AHP的群组决策方法 |
| 2.2.2 调研与结果分析 |
| 2.2.3 热环境舒适模型 |
| 2.2.4 空气品质舒适模型 |
| 2.3 本章小结 |
| 3 建筑空调系统运行能耗与能耗模型研究 |
| 3.1 运行能耗计算与分析 |
| 3.1.1 典型办公建筑模型的建立与参数设置 |
| 3.1.2 运行能耗计算 |
| 3.1.3 气象参数对逐时能耗的影响分析 |
| 3.1.4 建筑环境参数对空调系统能耗的影响分析 |
| 3.2 建筑空调系统运行能耗模型 |
| 3.2.1 预测模型的评价指标 |
| 3.2.2 ELM回归预测方法 |
| 3.2.3 基于ELM的建筑空调系统能耗模型 |
| 3.3 本章小结 |
| 4 建筑环境KPI的优化与决策 |
| 4.1 多目标优化 |
| 4.1.1 多目标优化问题 |
| 4.1.2 Pareto解集 |
| 4.2 建筑环境参数的优化与决策 |
| 4.2.1 多目标优化方法 |
| 4.2.2 唯一解决策方法 |
| 4.2.3 方法应用 |
| 4.2.4 实例验证 |
| 4.3 本章小结 |
| 5 建筑环境参数的控制方法研究 |
| 5.1 建筑环境控制系统 |
| 5.1.1 任务分析 |
| 5.1.2 控制方案 |
| 5.2 基于偏差积分模糊控制策略的CO2浓度控制 |
| 5.2.1 被控对象数学模型 |
| 5.2.2 基于偏差积分的模糊控制策略 |
| 5.2.3 基于偏差积分的模糊控制算法实现 |
| 5.3 基于在线非参数预估模糊控制策略的温度控制 |
| 5.3.1 被控对象数学模型 |
| 5.3.2 非参数预估算法 |
| 5.3.3 非参数预估模糊控制系统设计与实现 |
| 5.4 本章小结 |
| 6 结论与展望 |
| 6.1 研究成果及结论 |
| 6.2 创新点 |
| 6.3 研究展望 |
| 致谢 |
| 参考文献 |
| 博士研究生期间主要研究成果 |
四、基于神经网络的室内热舒适评判模型（论文参考文献）
- [1]基于心理-生理适应的热舒适投票预测[J]. 林宇凡,杨柳,柴茜. 暖通空调, 2021(07)
- [2]基于硕博士论文统计分析的陕西省当代建筑理论研究成果梳理[D]. 张静雅. 西安建筑科技大学, 2021(01)
- [3]基于人体热感觉穿戴传感的公共建筑空调室温智能调控方法研究[D]. 李威. 大连理工大学, 2021
- [4]室内热环境动态送风模式的个性化推荐方法研究[D]. 万陶成. 西安建筑科技大学, 2021(01)
- [5]基于动态温度调控的空调能耗建模与预测算法研究[D]. 武璐璐. 西安建筑科技大学, 2021
- [6]建筑暖通空调热舒适与节能的智能优化控制研究[D]. 皇甫谦文. 太原理工大学, 2020(07)
- [7]基于强化学习的办公建筑冷源系统节能优化控制策略仿真研究[D]. 黄琪. 华南理工大学, 2020(02)
- [8]建设项目全生命周期节能驱动机制与多目标优化策略研究[D]. 赵亮. 中国矿业大学, 2019(04)
- [9]建筑室内热环境智能建模方法研究[D]. 江永芹. 山东师范大学, 2019(02)
- [10]舒适与节能办公建筑环境的智能调控方法研究[D]. 司轶芳. 西安建筑科技大学, 2019(06)