【技术实现步骤摘要】
本专利技术涉及室内空气质量预测领域，尤其是涉及一种基于人工神经网络的室内通风性能预测方法及系统。
技术介绍
1、室内空气质量受室外空气质量的影响很大，主要原因是室外空气颗粒物携带病毒病菌进入室内，给室内空气质量造成严重威胁。为了改善室内空气质量，可以采用通风的方式。现有技术中通风方式一般包括自然通风以及机械通风，自然通风可以有效节约能源，但在极热或极冷的天气、污染的空气或高噪声环境中受到限制；机械通风使用没有这些限制，许多建筑更喜欢机械通风，机械通风已经广泛用于商业和住宅建筑中以改善室内空气质量和热舒适性。
2、在建筑设计、验收、运营以及评估领域，建筑物的空气指标主要包括建筑物内部空气质量、通风效果等，一般采用通风性能参数来反映建筑物内部空气质量，通风性能参数（在通风条件下，建筑物室内空气中某一粒径大小的颗粒物的浓度）越高，对应的建筑物内部空气质量越差；通风性能参数（在通风条件下，室内空气中某一粒径大小的颗粒物的浓度）越低，对应的建筑物内部空气质量越好。因此，对于建筑设计、验收、运营以及评估，需要模拟建筑物室内未来环境变化，以便于及时了解建筑物室内未来通风性能情况，并对建筑物室内未来通风性能进行持续改善。
3、相关技术中，建筑物的通风性能预测一般是通过人工神经网络建模实现。例如，如申请号为cn202211656292 .5公开的一种室内环境质量预测方法，公开了：步骤s1：构建多维度数据集；步骤s2：构建神经网络模型并利用步骤s1构建的多维度数据集对神经网络模型进行训练得到预测模型；步骤s3：利用步骤s2训
4、为解决现有技术中室内不同类型通风性能参数预测的可靠性不高的问题，现提出本方案。
技术实现思路
1、本专利技术为了解决现有技术中存在的问题，创新提出了一种基于人工神经网络的室内通风性能预测方法及系统，有效解决由于现有技术造成室内不同类型通风性能参数预测的可靠性不高的问题，有效地提高了室内不同类型通风性能参数预测的可靠性。
2、本专利技术第一方面提供了一种基于人工神经网络的室内通风性能预测方法，包括：
3、分别获取第一历史数据以及第二历史数据，其中，所述第一历史数据为建筑物室内某一类型通风性能参数的历史数据，所述第二历史数据为建筑物室内该类型通风性能参数的每一项影响参数的历史数据，所述建筑物室内某一类型通风性能参数为存在于室内空气中某一粒径大小的颗粒物的浓度，所述影响参数包括室内通风影响因素和室外颗粒物影响因素；所述室外颗粒物为存在于室外空气中不同粒径大小的颗粒物；
4、基于第一历史数据以及第二历史数据，分别建立前馈神经网络模型和递归神经网络模型；
5、基于第一历史数据以及第二历史数据，分别对前馈神经网络模型和递归神经网络模型进行训练，根据前馈神经网络模型和递归神经网络模型的训练结果，选择前馈神经网络模型或递归神经网络模型，作为该类型通风性能参数对应的预测模型；
6、将每一项影响参数的实际数据均输入至该类型通风性能参数对应的预测模型，输出该类型通风性能参数的预测结果。
7、可选地，所述室内通风影响因素包括自然通风时的第一室外温度、第一室外风速、第一空气过滤器过滤效率，机械通风时的第二室外温度、机械通风系统通风量、第二室外风速、第二空气过滤器过滤效率，所述室外颗粒物影响因素包括室外颗粒物种类、室外颗粒物粒径大小、室外颗粒物浓度。
8、进一步地，所述分别获取第一历史数据以及第二历史数据具体包括：
9、获取待预测建筑物室内空气渗透速率与室内压差之间的对应关系；
10、在待预测建筑物室内空气渗透速率与室内压差之间的对应关系下，对待预测建筑物预设时长内室内某一类型通风性能参数在每一项影响参数下进行实际测量，获取每一项影响参数的实际数据以及在每一项影响参数下室内该类型通风性能参数的实际数据。
11、进一步地，所述获取待预测建筑物室内空气渗透速率与室内压差之间的对应关系具体包括：
12、使待预测建筑物所有通风口保持关闭，对待预测建筑物进行气密性检测，对开启频次大于预设次数阈值的通风口安置能够以预设室内空气渗透速率将空气移入或移出待预测建筑物室内的风扇，并用布面板对安置在通风口的风扇与通风口边壁之间的空隙进行密封，防止因空隙漏风使压力测量出现错误；
13、在能够以预设室内空气渗透速率将空气移入或移出待预测建筑物室内的风扇上设置数字压力计；
14、使用待预测建筑物内部加热装置控制室内空气温度，以使待预测建筑物室内温度与自然通风的第一室外温度或机械通风时的第二室外温度相同，测量并记录此时的待预测建筑物室内空气压力p0；
15、使用数字压力计控制风扇以预设气流速率将空气移入或移出待预测建筑物，每间隔预设时长测量一次室内空气压力pi，记录两次测量之间的压力变化δpi；
16、同等条件下，多次重复进行气密性检测，对已有室内空气渗透速率与室内压差进行拟合，得到待预测建筑物室内空气渗透速率与室内压差之间的对应关系。
17、可选地，所述获取待预测建筑物室内空气渗透速率与室内压差之间的对应关系具体包括：
18、获取影响室内某一类型通风性能参数的待预测建筑物的风致压差，其中，待预测建筑物的风致压差的获取方式为：
19、，
20、其中，为室内和室外压力之间的风致压差；为第一固定常数； cpi是待预测建筑物内部风压系数； cp为待预测建筑物当地风系数； ρ0为待预测建筑物室外空气密度； umet是待预测建筑物所在气象站测得的参考风速；为第二固定常数；为第三固定常数；为第四固定常数； h是参考平面高度；
21、获取影响室内某一类型通风性能参数的待预测建筑物的烟囱效应引起的压差，其中，待预测建筑物的烟囱效应引起的压差的计算方式为：
22、，
23、其中，为室内和室外压力之间的烟囱引起的差； g是重力加速本文档来自技高网...
【技术保护点】
1.一种基于人工神经网络的室内通风性能预测方法，其特征是，包括：
2.根据权利要求1所述的一种基于人工神经网络的室内通风性能预测方法，其特征是，所述室内通风影响因素包括自然通风时的第一室外温度、第一室外风速、第一空气过滤器过滤效率，机械通风时的第二室外温度、机械通风系统通风量、第二室外风速、第二空气过滤器过滤效率，所述室外颗粒物影响因素包括室外颗粒物种类、室外颗粒物粒径大小、室外颗粒物浓度。
3.根据权利要求2所述的一种基于人工神经网络的室内通风性能预测方法，其特征是，所述分别获取第一历史数据以及第二历史数据具体包括：
4.根据权利要求3所述的一种基于人工神经网络的室内通风性能预测方法，其特征是，所述获取待预测建筑物室内空气渗透速率与室内压差之间的对应关系具体包括：
5.根据权利要求3所述的一种基于人工神经网络的室内通风性能预测方法，其特征是，所述获取待预测建筑物室内空气渗透速率与室内压差之间的对应关系具体包括：
6.根据权利要求3所述的一种基于人工神经网络的室内通风性能预测方法，其特征是，所述在待预测建筑物室内空气渗透
7.根据权利要求6所述的一种基于人工神经网络的室内通风性能预测方法，其特征是，所述基于第一历史数据以及第二历史数据，分别对前馈神经网络模型和递归神经网络模型进行训练，根据前馈神经网络模型和递归神经网络模型的训练结果，选择前馈神经网络模型或递归神经网络模型，作为该类型通风性能参数对应的预测模型具体包括：
8.根据权利要求7所述的一种基于人工神经网络的室内通风性能预测方法，其特征是，所述根据通过LMBP算法修正前馈神经网络模型和递归神经网络模型各层的权值和阈值具体包括：
9.根据权利要求1-8任意一项所述的一种基于人工神经网络的室内通风性能预测方法，其特征是，所述根据前馈神经网络模型和递归神经网络模型的训练结果，选择前馈神经网络模型或递归神经网络模型，作为该类型通风性能参数对应的预测模型之后，还包括：
10.一种基于人工神经网络的室内通风性能预测系统，其特征是，包括：
...【技术特征摘要】
1.一种基于人工神经网络的室内通风性能预测方法，其特征是，包括：
2.根据权利要求1所述的一种基于人工神经网络的室内通风性能预测方法，其特征是，所述室内通风影响因素包括自然通风时的第一室外温度、第一室外风速、第一空气过滤器过滤效率，机械通风时的第二室外温度、机械通风系统通风量、第二室外风速、第二空气过滤器过滤效率，所述室外颗粒物影响因素包括室外颗粒物种类、室外颗粒物粒径大小、室外颗粒物浓度。
3.根据权利要求2所述的一种基于人工神经网络的室内通风性能预测方法，其特征是，所述分别获取第一历史数据以及第二历史数据具体包括：
4.根据权利要求3所述的一种基于人工神经网络的室内通风性能预测方法，其特征是，所述获取待预测建筑物室内空气渗透速率与室内压差之间的对应关系具体包括：
5.根据权利要求3所述的一种基于人工神经网络的室内通风性能预测方法，其特征是，所述获取待预测建筑物室内空气渗透速率与室内压差之间的对应关系具体包括：
6.根据权利要求3所述的一种基于人工神经网络的室内通风性能预测方法，其特征是，所述在待预测建筑物室内空气渗透速率与室内压差之间...
【专利技术属性】
技术研发人员：万力，潘雨晴，王金，胡紫依，孙小萌，欧阳雪，刘吉营，周雪，文博，朱磊，贺思宁，胡媛，
申请(专利权)人：中认国证北京评价技术服务有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。