基于人体疲劳状态的需求控制通风研究
0 引言
新风能耗占空调系统能耗的大部分, 但是一味地通过减少建筑的新风量以达到节能目的, 会造成室内空气品质较差, 影响人员的健康及工作效率。而需求控制通风 (DCV) 系统通过实时监测室内各参数值, 以满足室内空气品质要求为目标, 合理地引入新风量, 这样可以在保证室内空气品质的前提下降低新风能耗。DCV系统适用于人员密度较大、人流量波动较大的场所, 如教室、会议室、剧院等[1], 相比常规的定风量空调系统而言, 具有良好的节能潜力。
文献[2]对可接受室内空气品质的定义为:绝大多数人没有对所处空间内的空气质量表示不满, 并且空气中己知的污染物没有达到可导致健康风险的浓度。目前国内外大多数学者主要集中于以CO2[3-5], TVOC[6], 氡[7]等室内污染物浓度为控制对象对DCV系统进行深入研究和分析, 较少考虑人体主观感受对室内空气品质的评价。虽然程浩采用主客观评价相结合的研究方法, 得到了疲劳状态下室内人员对空气品质有更高的要求, 此时需要引入适应性因子a来降低室内CO2浓度设定值的结论[8], 但是, 他对何时引入适应性因子a以及适应性因子a如何取值缺乏研究, 而这恰恰是直接影响新风能耗的关键因素。
因此, 本文采用测试和问卷调查相结合的形式, 定量地分析适应性因子a的引入时间和取值大小, 并以某个教室为控制对象建立DCV系统模型, 利用Simulink数值仿真对该DCV系统的节能性进行分析。
1 实验研究
1.1 实验方案
实验测试内容包括:空气温度、相对湿度、气流速度、噪声、壁面辐射温度、二氧化碳浓度、甲醛浓度等。
测试仪器包括:testo 425热敏风速仪、SOUNDTEK积分式噪声计ST-107、testo 830-T4红外测温仪、Telaire 7001 CO2及温度检测仪、PPM Formaldemeter htv记录型甲醛检测仪等。
测试教室位于重庆大学第二综合楼, 教室全天开放, 在非上课时段作自习室使用, 具有人员密度大、人流量波动大的特点, 适合使用DCV系统。
测试时间为每天08:00—22:00中的下课休息期间, 持续测试5d。
测点的布置按照JGJ/T 177—2009《公共建筑节能检测标准》的要求进行。教室尺寸为9.2m×8.5m×3.5m (长×高×宽) , 采用在对角线均匀布置5个测点的方案, 测点距地面高1.2 m, 离墙壁距离大于1m。
1.2 实验数据处理及结果分析
由实验数据分析得知, 在测试期间, 同一时间5个测点的室内温湿度、风速、CO2浓度、甲醛浓度等差别不大, 故以下数据取5个测点的平均值 (见图1~6) 。
由图1可知, 全天室内空气平均温度维持在 (26±1) ℃范围内。
由图2可知, 全天室内壁面平均温度维持在 (24±1) ℃范围内。
由图3可知, 全天室内空气平均相对湿度维持在50%~65%范围内。
由图4可知, 全天室内平均气流速度维持在0.04~0.08m/s范围内。
由图5可知, 全天室内甲醛平均体积分数维持在0.020×10-6~0.036×10-6范围内。
由图6可知, 全天室内CO2平均体积分数维持在 (1 000±30) ×10-6范围内。
综上所述, 客观环境参数测试值波动范围均较小, 满足规范要求。其中, 室内甲醛平均浓度处于较低的水平, 可忽略不计。因此, 对该教室而言, 以CO2浓度作为DCV系统的控制指标是合理的。
2 室内空气品质调研
2.1 调研方案
调研对象为在测试教室内上课或自习的大学生, 所调研的大学生身体健康, 无不舒适症状。
问卷内容主要包括:空气新鲜感、空气异味感、空气沉闷感、空气满意度、人体精神度等指标。
调研期间室内参数:温度为 (26±1) ℃, 壁面平均温度为 (24±1) ℃, 相对湿度为50%~65%, 气流速度为0.04~0.08m/s, 甲醛体积分数为0.020×10-6~0.036×10-6, CO2体积分数为 (1 000±30) ×10-6, 室内A声级噪声为38~42dB。
调研期间共发放问卷800份, 回收的有效问卷为755份。
2.2 调研结果分析
问卷调研数据采用百分制处理, 如表1所示。空气品质主观评价指标 (空气新鲜感、空气异味感、空气沉闷感、空气满意度、人体精神度) 的5个等级分别对应100, 80, 60, 40, 20分。
图7给出了主观评价指标的日变化。由图7可知, 当室内CO2体积分数控制在 (1 000±30) ×10-6范围内时, 人体疲劳状态对室内空气品质评价的影响趋势为:在相同的环境参数下, 人的精神度越高, 对空气的新鲜感、满意度评价越高, 对空气异味感、沉闷感评价越低, 即对室内空气品质评价相对较高;相反, 在相同的环境参数下, 人处于疲劳状态时, 往往对室内空气品质的评价较低, 此时人体要求更大的新风量。
由图7还可知, 在08:45, 09:40, 17:25和18:20这4个时刻 (均为下课时间点) , 人员对空气的满意度评价均低于60分, 属于不及格的情况, 相应的人的精神度也较差。08:00—09:40以及16:40—18:20为上课时间段, 教室内人员较为集中, 人数波动较小, 因此, 需要引入适应性因子a, 通过增大新风量来改善人员对空气满意度的评价。
经过对a的取值从1.0下降到0.8的多次实验, 发现当a取0.8, 即室内CO2体积分数控制在800×10-6以下时, 如图8所示, 在08:45, 人员对空气的满意度评价刚好大于60分, 而在09:40, 17:25和18:20, 人员对空气的满意度评价均有较大提高, 且均大于60分。与此同时, 人的精神度也有相应的提高。当a取值低于0.8时, 虽然可以提高人员对空气的满意度评价, 但是也增大了新风能耗。因此, 适应性因子a宜取0.8。
3 Simulink系统仿真模拟
3.1 数学模型的建立
该模型以CO2浓度为控制指标, 并假定排风量为新风量的90%, 以维持室内正压。简化后的DCV控制方程[8-9]为

式中V为房间体积, m3;Ci为室内CO2体积分数, 10-6;t为时间, s;Qw为新风量, m3/s;Cw为新风CO2体积分数, 10-6;G为人体的CO2散发量, m3/ (人·s) ;P为室内人数, 人。
以某间教室为控制对象, 确定控制方程中的参数。选取的教室尺寸为9.2 m×8.5 m×3.5 m (长×宽×高) , V=273 m3。成人在安静状态下CO2散发量G约为5.46×10-6 m3/ (人·s) [9], 新风CO2体积分数取400×10-6, 室内初始CO2体积分数取400×10-6, 代入参数后得到的DCV控制方程如下:

3.2 Simulink系统建模
Simulink系统仿真模型如图9所示。教室的设计最大新风量为2 400m3/h。当教室内人员较少时, 室内污染物除了人产生的CO2以外, 主要为建筑物散发的污染物, 此时对应最小新风量。对于教室而言, 单位面积所需新风量为2.5L/s[10], 最低新风量为703m3/h。Simulink系统采用PID控制算法, 比例系数为450, 积分系数为0.62, 微分系数为0.78。Simulink系统仿真时长为50 000s。在08:00—09:40以及16:40—18:20时间段内, CO2设定值为800×10-6, 其余时间CO2设定值为1 000×10-6。
图10给出了Simulink系统模型仿真结果, 图中0s代表07:45时刻。由图10可以看出:在08:00—09:40 (900—6 900s) 以及16:40—18:20 (32 100—38 100s) 时间段内, 室内CO2体积分数能较好地稳定在800×10-6附近, 其余上课时间段内, CO2体积分数能较好地稳定在1 000×10-6附近;而在中午时间段, 教室主要用于自习, 人数相对较少, 在最小新风量下运行, 室内CO2体积分数也能较好地维持在1 000×10-6以内。由图10可知, 在50 000s内, DCV系统比定风量系统一共减少了7 265m3的新风量, 合523m3/h, 节能率为21.8%。
4 结论
1) 以在教室上课或自习的大学生为调研对象, 采用测试和问卷调查相结合的形式, 得出了人体疲劳状态对室内空气品质评价的影响趋势:在相同的环境参数下, 人体处于疲劳状态时, 往往对室内空气品质的评价较差, 此时要求更大的新风量。推荐在08:00—09:40以及16:40—18:20时间段内引入适应性因子a, a的推荐值取0.8。
2) 以教室为控制对象建立了Simulink系统仿真模型, 引入适应性因子a, 计算得到DCV系统比定风量系统减少523m3/h的新风量, 节能率高达21.8%。这表明在教室使用基于人体疲劳状态的需求控制通风系统来实现环境控制与节能目标是可行的。
[1]SCHELL M B, TURNER S C, SHIM R O.Application of CO2-based demand controlled ventilation using ASHRAE Standard 62:optimizing energy use and ventilation[G]∥ASHRAE Trans, 1998, 104 (2) :1213-1225
[2]ISO.Building environment design—indoor air quality—methods of expressing the quality of indoor air for human occupancy:ISO/DIS 16814:2008[S].Atlanta:ASHRAE Customer Service, 2013:2-3
[3]SCHUIBUOLA L, SCARPA M, TAMBANI C.Annual performance monitoring of a demand controlled ventilation system in a university library[J].Energy Procedia, 2016, 101:313-320
[4]SCHUIBUOLA L, SCARPA M, TAMBANI C.Performance optimization of a demand controlled ventilation system by long term monitoring[J].Energy and Buildings, 2018, 169:48-57
[5]CHENARI B, LAMAS F B, GASPAR A R, et al.Simulation of occupancy and CO2-based demandcontrolled mechanical ventilation strategies in an office room using EnergyPlus[J].Energy Procedia, 2017, 113:51-57
[6]邝文君, 毕浩桐.基于室内空气品质的住宅中央新风系统的控制研究[J].唐山师范学院学报, 2016, 38 (2) :72-74
[7]CHAO C Y H, HU J S.Development of a dual-mode demand control ventilation strategy for indoor air quality control and energy saving[J].Building and Environment, 2004, 39 (4) :385-397
[8]程浩.基于人员适应性的需求控制通风措施研究[D].重庆:重庆大学, 2012:62-64
[9]NG M O, QU M, ZHENG P, et al.CO2-based demand controlled ventilation under new ASHRAE Standard 62.1-2010:a case study for a gymnasium of an elementary school at West Lafayette, Indiana[J].Energy and Buildings, 2011, 43 (11) :3216-3225
[10]GOVERNOR G D.Final report compilation for demandcontrolled ventilation assessments[M].California:California Energy Commission, 2003:264-266