[0001] 本发明属于分布式空调末端技术领域，具体而言，涉及一种分布式智能空调末端系统。

[0002] 现有的集中式中央空调系统广泛应用于大型办公楼、商场、医院等场所,通过一个集中的空调机组为整个建筑提供制冷、供热、送风等功能。这种集中式空调系统具有设备集中、管理方便等优势,但也存在一些问题。首先,由于建筑面积较大,空调系统需要长距离输送冷热量,热量和气流在管道传输过程中容易损失,导致能源效率较低。其次,单一的集中式设计无法根据不同区域的实际需求进行精细化调控,难以满足个性化的温湿度要求。再者,集中式系统的故障处理也较为困难,一旦出现问题,整个建筑的空调系统都会受到影响。

[0003] 为了解决集中式空调系统存在的问题,分布式空调系统应运而生。分布式空调系统将空调设备分散布置在建筑物的各个区域,每个区域配备独立的空调末端设备。这种方式可以有效缩短冷热量的输送距离,提高能源利用效率。同时,分散的空调设备也更容易针对不同区域的需求进行精细化控制,满足个性化的温湿度要求。此外,分布式系统的故障处理也更加灵活,局部故障不会影响整个系统的正常运行。

[0004] 然而,现有的分布式空调末端设备普遍存在控制策略单一,无法充分利用环境数据和人员密度信息进行智能化优化的问题，造成现有的分布式空调系统难以真正实现精准控制和能效提升。

[0126] 为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整地描述。

[0127] 如图1‑4所示，是本发明提供的一种分布式智能空调末端系统的结构示意图，包括：

[0128] 空气处理机组、智能控制柜13、信息屏、线声源3、人员侦测摄像头2和电动喷口1；

[0129] 所述空气处理机组包括依次连接的回风格栅5、空气过滤器16、表冷器17、回风消声器12、送风风机11、送风消声器9和送风静压箱8；所述电动喷口与静压箱的出口连接；

[0130] 所述摄像头为人员侦测摄像头，用于捕捉周边人员密集情况，与所述智能控制柜电连接；

[0131] 所述智能控制柜中设置有控制芯片，所述控制芯片内设置有空气处理机组调节模块，用于根据回风温湿度传感器15和人员侦测摄像头采集的数据调节所述空气处理机组的参数，包括电动喷口的送风角度、风速、送风温度以及机组运行参数；

[0132] 所述信息屏与智能控制柜电连接，用于实时显示室内温度、湿度、人员密度、送风参数和能耗数据的运行状态。

[0133] 在上述技术方案的基础上，本发明的一种分布式智能空调末端系统还可以做如下改进:

[0134] 其中，还包括内含消防栓和警报器的消防箱4，当发现高温火情时，发出报警信息；所述消防栓与智能控制柜电连接，用于接收和执行智能控制柜发出的控制指令。

[0135] 其中，所述空气处理机组的空气流向为：空气从正面和背面底部经过回风格栅进入所述系统内部，先后经过过滤器、表冷器，进入空气处理单元内部，然后经过回风消声段、风机段和送风消声段，最后进入静压箱通过电动喷口送至室内空间；所述回风格栅设置在空气处理机组的底部，电动喷口设置在空气处理机组的顶部。

[0136] 其中，还包括吸声/隔音外壳19，所述吸声/隔音外壳包覆在空气处理机组外部；所述吸声/隔音外壳由隔音材料制成，用于降低空气处理机组运行时产生的噪音。

[0137] 其中，还包括踢脚线6和地面进出水管7，所述地面进出水管设置在踢脚线内部；所述地面进出水管与表冷器连接，用于为表冷器提供冷热水。

[0138] 其中，还包括检修门14，所述检修门设置在空气处理机组上，用于维护和检修；所述检修门通过合页与空气处理机组连接。

[0139] 还包括机组基础18，所述空气处理机组安装在机组基础上；所述机组基础为空气处理机组提供稳定的支撑，并具有减震功能。

[0140] 如图5所示，所述空气处理机组调节模块用于执行以下步骤：

[0141] S10、采集回风温湿度传感器的温湿度数据和人员侦测摄像头的人员密度数据，形成温湿度‑人员密度信号组；

[0142] S20、对采集到的温湿度‑人员密度信号组进行预处理，包括去噪、滤波和信号对齐，以提高数据质量；

[0143] S30、根据对齐后的温湿度‑人员密度信号组中的每个信号，采用时频分析方法确定最优时间窗口长度，以捕捉室内环境变化的特征；

[0144] S40、利用确定的最优时间窗口长度，提取每个信号的时频特征，包括温度变化率、湿度变化率和人员密度变化率，将所有信号的时频特征记为待测特征组；

[0145] S50、建立室内环境动力学方程组，包括热平衡方程、湿度平衡方程、空气流动方程、人体热舒适经验方程和空调系统响应方程；

[0146] S60、将室内空间划分为若干网格单元，对热平衡方程、湿度平衡方程、空气流动方程进行差分离散，将人体热舒适经验方程和空调系统响应方程转化为离散形式；

[0147] S70、获取所述室内环境动力学方程组的初始条件和边界条件，采用Gauss‑Seidel迭代法对离散化后的热平衡方程、湿度平衡方程和空气流动方程进行求解，迭代计算直至收敛，得到数值解，包括室内各网格点的温度、湿度和气流速度场；并根据人体热舒适经验方程，计算各网格点的舒适度指标；

[0148] S80、定义调节目标函数，包括平均舒适度指标和能耗指标，所述调节目标函数的约束条件至少包括空调系统的物理限制、室内温湿度允许范围；以所述数值解为初始种群，以人体热舒适经验方程为适应度函数，采用遗传算法优化得到最优调节参数，并输出给空气处理机组进行调节。

[0149] 下面对上述步骤的具体实施方式进行详细描述：

[0150] 步骤S10的具体实施方式是，利用回风温湿度传感器和人员侦测摄像头采集室内环境信号。首先，回风温湿度传感器实时测量室内温度和湿度数据，形成温度和湿度两个时间序列信号。同时，人员侦测摄像头捕捉室内人员密集分布情况，给出人员密度时间序列信号。将这三个时间序列信号整合为温湿度‑人员密度信号组。

[0151] 步骤S20的具体实施方式是，对采集到的温湿度‑人员密度信号组进行预处理。首先，利用数字滤波算法对原始信号进行去噪处理，提高信号质量。滤波时采用巴特沃斯滤波器，其通带频率和阻带频率分别设置为0.1Hz和0.5Hz，可有效滤除高频噪声。其次，对三个信号进行时间对齐，确保各信号的时间戳一致。这一步骤通过线性插值的方法实现。最后，将预处理后的温度、湿度和人员密度信号组合成温湿度‑人员密度信号组。

[0152] 步骤S30的具体实施方式是，采用时频分析方法确定最优时间窗口长度。首先，采用短时傅里叶变换(STFT)对温湿度‑人员密度信号组中的每个信号进行时频分析。STFT可以将时域信号转换为时频域表示，反映出信号在不同频率上的能量随时间的变化情况。通过观察STFT结果，可以发现室内环境参数在不同时间尺度上存在显著变化。为了更好地捕捉这些变化特征，需要选择合适的时间窗长度。这里采用信息熵最小化的方法来确定最优时间窗长度。具体地，计算STFT结果在时频平面上的信息熵，并寻找使信息熵最小的时间窗长度。这个时间窗长度可以最大限度地提取环境变化的时频特征。

[0153] 步骤S40的具体实施方式是，利用确定的最优时间窗长度，提取温湿度‑人员密度信号组的时频特征。首先，对每个信号再次进行STFT分析，得到时频域表示。然后，从STFT结果中提取以下三个特征量:温度变化率、湿度变化率和人员密度变化率。温度变化率由温度信号在时域的导数表示；湿度变化率由湿度信号在时域的导数表示；人员密度变化率由人员密度信号在时域的导数表示。将这三个特征量组成待测特征组。

[0154] 步骤S50的具体实施方式是，建立描述室内环境动力学过程的数学模型。这个模型包括以下几个部分:

[0155] 1.热平衡方程:描述室内温度变化的动态过程,考虑了各种热量传递和产生的因素,如空调系统提供的热量、太阳辐射热增益、设备热增益、通风热交换和人体散热等。该方程可表示为:

[0156]

[0157] 2.湿度平衡方程：描述室内空气湿度变化的动态过程，考虑了各种水分来源和去除，如空调系统除湿/加湿、通风带来的水分交换、人体排湿和其他水分源等。该方程可表示为：

[0158]

[0159] 3.空气流动方程：描述室内空气运动状态，基于简化的Navier‑Stokes方程得到。该方程包括：

[0160]

[0161]

[0162] 4.人体热舒适经验方程：采用PMV(预测平均投票数)指标表示人体热舒适度，考虑了人员代谢率、服装热阻、对流和辐射换热等因素。该方程可表示为：

[0163] PMV＝(0.303e‑0.036M+0.028)[(M‑W)‑3.05×10‑3(5733‑6.99(M‑W)‑pa)‑0.42((M‑‑5 ‑8 4 4W)‑58.15)‑1.7×10 M(5867‑pa)‑0.0014M(34‑Ta)‑3.96×10 fcl((Tcl+273) ‑(Tr+273))‑fclhc(Tcl‑Ta)]+εPMV；

[0164] 5.空调系统响应方程：描述系统输出与控制输入之间的关系，采用一阶滞后环节模型，可表示为：

[0165]

[0166] 以上5个方程构成了描述室内环境动力学过程的数学模型，涵盖了热量传递、湿度变化、空气流动和人体热舒适等各个方面。这些方程中包含了多个物理参数和环境参数，需要通过实测或经验方法获取。

[0167] 步骤S60的具体实施方式是，将室内空间划分为若干个网格单元，对热平衡方程、湿度平衡方程和空气流动方程进行差分离散，同时将人体热舒适经验方程和空调系统响应方程转化为离散形式。

[0168] 首先，将三维连续空间划分为三维网格，每个网格点代表一个离散的体积单元。热平衡方程和湿度平衡方程中的偏导数项采用有限差分近似，将偏微分方程转化为线性代数方程。空气流动方程中的对流项和扩散项也采用差分离散化处理。

[0169] 其次，人体热舒适经验方程中的连续变量，如空气温度、相对湿度、空气速度等，都用网格点处的离散值表示。同时，空调系统响应方程也可以转化为离散形式，将连续时间系统离散化。

[0170] 这样，原来的偏微分方程组就转化为由多个代数方程和差分方程组成的离散化方程组，可以用数值计算方法进行求解。

[0171] 步骤S70的具体实施方式是，获取室内环境动力学方程组的初始条件和边界条件，采用迭代的Gauss‑Seidel方法对热平衡方程、湿度平衡方程和空气流动方程进行数值求解。

[0172] 首先，根据实际情况设置初始条件。比如，初始时刻的温度、湿度和气流速度场可以通过测量获得。边界条件可以包括：房间外界温湿度、通风量、设备热功率等。

[0173] 然后，采用Gauss‑Seidel迭代法对离散化后的方程组进行求解。Gauss‑Seidel法是一种常用的线性方程组迭代求解方法，它通过逐个更新网格点处的未知量，最终可收敛到方程组的解。在迭代计算过程中，需要不断更新各个网格点的温度、湿度和气流速度。

[0174] 最后，在得到数值解后，根据人体热舒适经验方程计算各网格点的PMV值，即热舒适度指标。这些PMV值可以反映出室内环境对人体热舒适的影响程度。

[0175] 步骤S80的具体实施方式是，定义调节目标函数，并采用遗传算法进行优化求解。

[0176] 调节目标函数包括两部分：平均舒适度指标和能耗指标。平均舒适度指标采用各网格点PMV值的平均绝对值表示，能耗指标采用实际能耗与最大能耗的比值表示。将这两项指标综合起来，形成调节目标函数：

[0177]

[0178] 其中，w1和w2为权重系数，满足w1+w2＝1。

[0179] 调节目标函数的约束条件包括：室内温度、湿度、风速以及送风温度和风量的上下限。这些约束条件确保了调节结果满足室内环境要求。

[0180] 为了求解这个多目标优化问题，这里采用遗传算法进行优化。遗传算法是一种基于生物进化原理的随机搜索算法，擅长处理复杂的非线性优化问题。算法首先随机生成一个初始种群，每个个体代表一组调节参数。然后通过选择、交叉和变异等操作，不断更新种群，使目标函数值逐步优化直至收敛。最终得到的最优个体即为最佳调节参数，包括电动喷口的送风角度、风速、送风温度以及机组其他运行参数，将这些参数输出给空气处理机组进行调节。

[0181] 为了更好的理解和实施本发明，下面提供本发明中空气处理机组调节模块的一个具体的实施例1，本实施例1包含步骤详细描述如下：步骤S10的具体实施方式是采集回风温度和湿度数据以及人员密度数据，形成温湿度‑人员密度信号组。

[0182] 首先，利用回风温湿度传感器实时测量室内温度T和湿度ω，获得温度信号T(t)和湿度信号ω(t)。温度信号T(t)描述了室内温度随时间t的变化情况，湿度信号ω(t)描述了室内湿度随时间t的变化情况。

[0183] 同时，人员侦测摄像头捕捉室内人员密集分布情况，给出人员密度信号n(t)。人员密度信号n(t)描述了室内人员数量随时间t的变化情况。

[0184] 将这三个时间序列信号T(t)、ω(t)和n(t)整合成温湿度‑人员密度信号组x(t)＝[T(t)，ω(t)，n(t)]，为后续的数据处理和分析提供基础数据。

[0185] 步骤S20的具体实施方式是对温湿度‑人员密度信号组进行预处理。

[0186] 首先，采用数字滤波算法对原始信号进行去噪处理，提高信号质量。这里使用巴特沃斯低通滤波器，其传递函数为：

[0187]

[0188] 其中，s为复频率，ωc为截止频率，n为滤波器阶数。通过调整滤波器参数，可以有效滤除高频噪声，保留环境变量的低频特征。

[0189] 其次，对三个信号T(t)、ω(t)和n(t)进行时间对齐，确保各信号的时间戳一致。这里采用线性插值的方法，将采样频率不同的信号统一到相同的时间网格上。具体地，设原始信号的采样时间为ti，经过线性插值后，信号值可表示为：

[0190]

[0191] 其中，tj为插值后的时间网格点。

[0192] 最后，将预处理后的温度信号 湿度信号 和人员密度信号 组合成温湿度‑人员密度信号组 该预处理过程可以有效提升后续步骤中信
号分析的精度和可靠性。

[0193] 步骤S30的具体实施方式是采用时频分析方法确定最优时间窗口长度。

[0194] 首先，对温湿度‑人员密度信号组 中的每个信号 进行短时傅里叶变换(STFT)分析，得到时频域表示：

[0195]

[0196] 其中，w(t)为时间窗函数，如汉明窗。STFT结果Xi(t，f)反映了信号在不同时间和频率上的能量分布，可以发现室内环境参数在不同时间尺度上存在显著变化。

[0197] 为了更好地捕捉这些变化特征，需要选择合适的时间窗长度W。这里采用信息熵最小化的方法来确定最优时间窗长度。具体地，计算STFT结果在时频平面上的信息熵：

[0198]

[0199] 并寻找使信息熵H(t，f)最小的时间窗长度W*作为最优值。这个最优时间窗长度可以最大限度地提取环境变化的时频特征。

[0200] 步骤S40的具体实施方式是利用确定的最优时间窗长度W*，提取温湿度‑人员密度信号组的时频特征。

[0201] 首先，对每个信号 再次进行STFT分析，得到时频域表示Xi(t，f)。

[0202] 然后，从STFT结果中提取以下三个特征量：

[0203] 1.温度变化率

[0204] 2.湿度变化率

[0205] 3.人员密度变化率

[0206] 其中，温度变化率 由温度信号 在时域的导数表示，湿度变化率 由湿度信号 在时域的导数表示，人员密度变化率 由人员密度信号 在时域的导数表示。

[0207] 将这三个特征量组成待测特征组 为后续的动力学建模提供基础数据。

[0208] 步骤S50的具体实施方式是建立描述室内环境动力学过程的数学模型。

[0209] 该模型包括以下5个部分：

[0210] 1.热平衡方程：

[0211]

[0212] 其中，ρ为空气密度，cp为空气比热容，k为空气导热系数，Qh为空调系统提供的热量，Qs为太阳辐射热增益，Qe为设备热增益，Qv为通风热交换，Qp为人体散热，εT为温度误差项。该方程描述了室内温度变化的动态过程，考虑了各种热量传递和产生的因素。

[0213] 2.湿度平衡方程：

[0214]

[0215] 其中，ω为空气含湿量，D为水蒸气扩散系数，Wh为空调系统除湿/加湿量，Wv为通风带来的水分交换量，Wp为人体排湿量，Wm为其他水分源，V为房间体积，εω为湿度误差项。该方程描述了室内湿度变化的动态过程，考虑了各种水分来源和去除。

[0216] 3.空气流动方程：

[0217]

[0218]

[0219] 其中，u为空气速度矢量，p为压力，v为空气运动粘度，g为重力加速度矢量，β为空气热膨胀系数，T0为参考温度，F为其他体积力，εu为速度误差项。该方程描述了室内空气运动状态，基于简化的Navier‑Stokes方程得到。

[0220] 4.人体热舒适经验方程：

[0221] PMV＝(0.303e‑0.036M+0.028)[(M‑W)‑3.05×10‑3(5733‑6.99(M‑W)‑pa)‑0.42((M‑‑5 ‑8 4 4W)‑58.15)‑1.7×10 M(5867‑pa)‑0.0014M(34‑Ta)‑3.96×10 fcl((Tcl+273) ‑(Tr+273))‑fclhc(Tcl‑Ta)]+εPMV；

[0222] 其中，PMV为预测平均投票数，M为代谢率，W为有效机械功率，pa为水蒸气分压，Ta为空气温度，Tr为平均辐射温度，fcl为服装面积因子，Tcl为服装表面温度，hc为对流换热系数，εPMV为PMV误差项。该方程采用PMV指标表示人体热舒适度，考虑了多种因素。

[0223] 5.空调系统响应方程：

[0224]

[0225] 其中，Y为系统输出，U为控制输入，K为系统增益，τ为系统时间常数，εY为系统响应误差项。该方程描述了系统输出与控制输入之间的关系，采用一阶滞后环节模型。

[0226] 以上5个方程构成了描述室内环境动力学过程的数学模型。这些方程可以描述室内温度、湿度、气流速度以及人体热舒适度等关键环境参数的动态变化过程，涵盖了热量传递、湿度变化、空气流动和人体热舒适等各个方面。该数学模型为后续的数值求解和参数优化提供了基础。

[0227] 步骤S60的具体实施方式是将室内空间划分为若干个网格单元，对热平衡方程、湿度平衡方程和空气流动方程进行差分离散，同时将人体热舒适经验方程和空调系统响应方程转化为离散形式。

[0228] 首先，将连续的三维空间划分为三维网格，每个网格点代表一个离散的体积单元。热平衡方程和湿度平衡方程中的偏导数项采用有限差分近似，将偏微分方程转化为线性代数方程。例如，对于热平衡方程中的扩散项 可使用中心差分格式进行离散化：

[0229]

[0230] 其中，i，j，k为网格坐标。这样就得到了离散化的热平衡方程。

[0231] 对于空气流动方程中的对流项 和扩散项 也采用类似的差分离散化处理。

[0232] 其次，人体热舒适经验方程和空调系统响应方程中的连续变量，如温度T、湿度ω和气流速度u等，都用网格点处的离散值表示。同时，空调系统响应方程也可以转化为离散形式，将连续时间系统离散化。

[0233] 这样，原来的偏微分方程组就转化为由多个代数方程和差分方程组成的离散化方程组，可以用数值计算方法进行求解。这种离散化处理为后续的数值计算奠定了基础。

[0234] 步骤S70的具体实施方式是获取室内环境动力学方程组的初始条件和边界条件，采用迭代的Gauss‑Seidel方法对热平衡方程、湿度平衡方程和空气流动方程进行数值求解。

[0235] 首先，根据实际情况设置初始条件。比如，初始时刻的温度T(0)、湿度ω(0)和气流速度u(0)可以通过测量获得。边界条件可以包括：房间外界温度To、湿度ωo、通风量 设备热功率Qe等。

[0236] 然后，采用Gauss‑Seidel迭代法对离散化后的方程组进行求解。Gauss‑Seidel法是一种常用的线性方程组迭代求解方法，它通过逐个更新网格点处的未知量，最终可收敛到方程组的解。在迭代计算过程中，需要不断更新各个网格点的温度T、湿度ω和气流速度u。具体地，对于热平衡方程的离散形式：

[0237]

[0238] 在迭代的第(k+1)步，先更新温度 然后再更新湿度 和气流速度这个迭代计算过程一直进行，直到方程组收敛。

[0239] 最后，在得到数值解后，根据人体热舒适经验方程计算各网格点的PMV值，即热舒适度指标。这些PMV值可以反映出室内环境对人体热舒适的影响程度。

[0240] 步骤S80的具体实施方式是定义调节目标函数，并采用遗传算法进行优化求解。

[0241] 调节目标函数包括两部分：平均舒适度指标和能耗指标。平均舒适度指标采用各网格点PMV值的平均绝对值表示，能耗指标采用实际能耗E与最大能耗Emax的比值表示。将这两项指标综合起来，形成调节目标函数：

[0242]

[0243] 其中，w1和w2为权重系数，满足W1+w2＝1。

[0244] 调节目标函数的约束条件包括：

[0245] 1.温度约束：Tmin≤T≤Tmax；

[0246] 2.湿度约束：RHmin≤RH≤RHmax；

[0247] 3.风速约束：0≤v≤vmax；

[0248] 4.送风温度约束：Ts，min≤Ts≤Ts，max；

[0249] 5.送风量约束：

[0250] 这些约束条件确保了调节结果满足室内环境要求。

[0251] 为了求解这个多目标优化问题，这里采用遗传算法进行优化。遗传算法是一种基于生物进化原理的随机搜索算法，擅长处理复杂的非线性优化问题。算法首先随机生成一个初始种群，每个个体代表一组调节参数。然后通过选择、交叉和变异等操作，不断更新种群，使目标函数值逐步优化直至收敛。最终得到的最优个体即为最佳调节参数，包括电动喷口的送风角度、风速、送风温度以及机组其他运行参数，将这些参数输出给空气处理机组进行调节。

[0252] 具体的，本发明的原理是：

[0253] 首先，通过温湿度传感器和人员侦测摄像头，实时采集室内温度、湿度和人员密度等关键环境参数，为后续的数据处理和分析提供基础数据。为了提高信号质量，还对原始数据进行数字滤波和时间对齐等预处理。

[0254] 其次，利用时频分析方法，从预处理后的信号中提取温度变化率、湿度变化率和人员密度变化率三个时频特征。这些特征可以反映出室内环境参数在不同时间尺度上的动态变化特点。

[0255] 然后，基于热量平衡、湿度平衡、空气流动、人体热舒适和系统响应等5个物理子模型,建立了描述室内环境动力学过程的数学模型。这些子模型涵盖了热量传递、湿度变化、空气流动和人体热感受等各个方面,可以精确描述室内环境参数的动态变化规律。

[0256] 接下来,将上述连续时间的动力学方程转化为离散形式,利用数值求解方法对方程组进行求解。这种离散化处理使得原来的偏微分方程组转化为可计算的代数方程和差分方程组,为后续的参数优化奠定基础。

[0257] 最后,定义包括平均舒适度指标和能耗指标在内的多目标优化函数,并采用遗传算法对其进行优化。优化的约束条件涵盖了温度、湿度、风速等各项环境参数的允许范围。通过这种基于模型预测的智能优化控制,可以实现对室内温湿度、人体热舒适度和能耗的多目标优化,输出最佳的空调调节参数。

[0258] 总的来说,本发明的技术方案充分融合了传感技术、动力学建模和智能优化算法,构建了一个面向分布式空调系统的精准控制框架。这种方法可以实时感知室内环境状况,建立精准的数学模型,并基于模型优化出最佳的调控策略,从而提高温湿度调节的精准性、人体热舒适度和能源效率。

[0259] 下面提供本发明的一个具体应用场景的实施例2：某高层办公大楼采用了本发明提出的分布式智能空调末端系统。该系统在每个楼层和区域均配置了独立的空调末端设备,包括空气处理机组、智能控制柜、信息屏、

[0260] 如图1‑4所示,系统的主要组成部分及其功能如下:

[0261] 1.空气处理机组包括回风格栅(5)、过滤器(16)、表冷器(17)、回风消声段(12)、风机段(11)、送风消声段(9)和静压箱(8)等部件；负责对进入系统的回风进行过滤、制冷/制热,并经过送风机送至静压箱；静压箱出口连接电动喷口(1),用于将调节后的空气输送至室内；

[0262] 2.智能控制柜(13):内置控制芯片,用于根据环境参数调节空气处理机组的运行参数；与温湿度传感器(15)、人员侦测摄像头(2)等设备连接,实时获取室内温湿度和人员密度数据；

[0263] 3.信息屏(10):与智能控制柜电连接,显示室内温湿度、人员密度、送风参数和能耗数据；

[0264] 4.线声源(3):用于对空调噪音进行能动消声；

[0265] 5.摄像头(2):为人员侦测摄像头,用于捕捉周边人员密集情况:

[0266] 6.电动喷口(1):与静压箱出口连接,可以调节送风角度和风速；

[0267] 7.其他部件

[0268] 消防箱(4)和消防水炮(20)用于消防；

[0269] 踢脚线(6)和地面进出水管(7)用于连接冷热水源；

[0270] 检修门(14)便于维护和检修；

[0271] 机组基础(18)提供稳定支撑和减震；

[0272] 吸声/隔音外壳(19)用于降噪；

[0273] 表1分布式智能空调末端系统的主要参数

[0274] 参数 数值回风格栅尺寸 1.2m×0.6m
过滤器过滤效率 95％
表冷器额定制冷量 40kW
3
送风机额定风量 8000m/h
静压箱出口尺寸 0.8m×0.6m
电动喷口出口风速调节范围 4‑12m/s
电动喷口出口温度调节范围 16‑35℃
电动喷口送风角度调节范围 ±15°
人员侦测摄像头分辨率 1080p
信息屏尺寸 42英寸
机组底座尺寸 1.5m×1m×0.3m
吸声/隔音外壳降噪效果 15‑20dB(A)

[0275] 该分布式智能空调末端系统的特点如下:

[0276] 1.采用分布式设计,每个区域配置独立的空调末端设备,可以针对不同区域的实际需求进行精细化调控。

[0277] 2.融合多种传感技术,实时监测室内温湿度和人员密度等关键环境参数,为智能控制提供基础数据。

[0278] 3.电动喷口可以根据实时环境变化调节送风角度和风速,提高温湿度调节的精准性。

[0279] 4.线声源和吸声/隔音外壳可以有效降低空调噪音,改善室内声环境。

[0280] 5.信息屏实时显示系统运行状态,方便管理人员掌握和调整。

[0281] 6.采用机组基础提供稳定支撑和减震,提高设备可靠性。

[0282] 总的来说,该分布式智能空调末端系统集成了先进的传感技术、智能控制算法和噪音控制措施,能够实现对室内环境的精准调控和优化。

[0283] 实施例2–空气处理机组调节模块

[0284] 下面以某办公大楼的某个楼层为例,介绍空气处理机组调节模块的具体工作流程。

[0285] 该层楼面积约为1500m2,配备有6台分布式的空气处理机组,每台机组服务于250m2左右的区域。每个区域内设有温湿度传感器和人员侦测摄像头,与对应的智能控制柜连接。智能控制柜内置有空气处理机组调节模块,用于根据环境参数对机组进行实时调控。

[0286] 1.数据采集

[0287] 回风温湿度传感器(15)实时测量该区域的温度T和湿度ω,采样频率为1Hz；

[0288] 人员侦测摄像头(2)捕捉人员密集分布情况,给出人员密度n,采样频率为0.5Hz；

[0289] 采集的温度、湿度和人员密度数据形成温湿度‑人员密度信号组x(t)＝[T(t)，ω(t)，n(t)]；

[0290] 2.数据预处理

[0291] 采用巴特沃斯滤波器(截止频率0.1Hz,阶数4)对原始信号进行滤波，去除高频噪声；

[0292] 采用线性插值方法将三个信号进行时间对齐，统一到0.5Hz的采样频率；

[0293] 得到预处理后的温湿度‑人员密度信号组

[0294] 3.特征提取

[0295] 对 进行短时傅里叶变换(STFT)，得到时频域表示Xi(t，f)，i＝1，2，3；

[0296] 计算STFT结果的信息熵H(t，f)，确定最优时间窗长度W*＝60s；*

[0297] 利用W 提取温度变化率 湿度变化率 和人员密度变化率 形成待测特征组y(t)；

[0298] 4.动力学建模

[0299] 建立描述该区域热量平衡、湿度平衡、空气流动、人体热舒适和空调系统响应的数学模型；

[0300] 对热平衡方程、湿度平衡方程和空气流动方程进行有限差分离散，转化为代数方程组；

[0301] 人体热舒适经验方程和空调系统响应方程直接采用离散形式；

[0302] 获取初始条件和边界条件，采用Gauss‑Seidel迭代法求解离散方程组；

[0303] 计算各网格点的温度T、湿度ω、气流速度u和PMV值；

[0304] 5.参数优化：

[0305] 定义调节目标函数 其中w1＝0.6，w2＝0.4；

[0306] 约束条件包括：温度范围20‑26℃、相对湿度范围40‑60％、风速≤0.5m/s、送风温3
度18‑26℃、送风量3000‑8000m/h；

[0307] 采用遗传算法对目标函数进行优化，得到最佳的电动喷口送风角度、风速和送风温度等调节参数；

[0308] 将优化结果输出至空气处理机组，进行实时调节；

[0309] 如图6所示，在优化调控下，该区域温度维持在22‑24℃之间，湿度稳定在50％左右，季节典型着装和活动量条件下的PMV值基本在‑0.5到+0.5之间，完全满足人体热舒适要求。同时，该系统的能耗也控制在合理范围内，6台机组典型工作时间日耗电量总计约300kWh。

[0310] 综上所述，该空气处理机组调节模块充分利用传感数据、动力学建模和智能优化技术，实现了对温湿度、人体热舒适度和能耗的多目标优化控制。相比于传统的简单温湿度控制方法，该方案可以显著提升室内环境的舒适性和系统的能源效率。

[0311] 以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。