1. 前 言
隨著感測元件以及物聯網(IoT)相關技術 的發展，使得居家生活智慧化的應用概念更 為廣泛，這股潮流順勢帶動諸多居家智慧化 服務。智慧家庭服務系統的運作需仰賴家庭 自動化系統(Home Automation System, HAS)與 智慧化運算(computational intelligence)能力的 相互結合(Froiz-Míguez et al., 2018)，因此整合 感測(sensing)輸入、情境感知(context aware)運 算、情境控制(scenario controls)、以及物聯通訊 (communication)等機制將是有效的解決方案。
過去大多數的自動化系統著重於家庭用電設備 或相關能耗的資源管控，例如照明、空調、以 及家電設備等(Hu et al., 2012；Hu et al., 2014；
Hu and Li, 2016)。這些機制通常必須考慮居家 環境的物理量(例如：空氣溫度、相對濕度、照
度、耗電量、以及使用者位置等)，藉由資通訊 技術(ICT)適時提供適當的控制與處理方式，協 調控制不同的家電設備以達成用戶的需求。然 而，為了達到此目的必須面臨以下問題：(i)居 家環境的多樣性，往往造成感測與控制系統裝 設的困難；(ii)缺乏共通的標準介面，不同家電 設備之間無法藉由應用程式進行訊息的直接傳 遞與協調控制；(iii)受限於居家空間的裝潢與 陳設，家電設備與系統之間的整合與布線不易 且成本高昂；(iv)缺乏基於居家環境、家電設 備、使用者、以及應用情境等綜合條件之間的 情境感知，並無考量最適化調控，以達成環境 智慧化的感測與控制目標。
近年來居家健康照護觀念愈受重視，許多 研究者投入睡眠輔具的相關研究(Peltokangas et al., 2012；林秤毅，2013；張晏維，2013；
Lin and Deng, 2008a；Lin and Deng, 2008b)。
Volume 7, No. 2, June 2020, pp. 147-162
居家智慧環控風扇設計與熱舒適度調節效能評估
吳孝原
1劉芳聿
2胡志堅
3*摘 要
近年來許多研究趨向於採用物聯網技術整合於智慧家庭的系統，試圖產出多樣性的智慧家庭 設備或服務以提升居家用戶的便捷性、舒適性、抑或是降低其能源成本。然而，同時考量居家熱舒 適與個人化溫熱調節的技術或產品卻鮮少被提出。本研究建置一智慧環控風扇，整合輻射溫度感測 器、空氣溫度感測器、以及相對濕度感測器等元件，並嵌入個人化熱舒適控制演算機制與無線通訊 模組。所提出的系統可以藉由紅外線控制信號無縫整合控制家用空調系統以調節舒適與節能的最適 化個人溫熱居家環境。根據夏季及冬季個人化熱舒適環境控制實驗結果，顯示本研究提出之智慧環 控風扇對於改善個人化熱舒適環境具有顯著效果，同時亦可依需求應用於多種居家生活情境。
關鍵詞：熱舒適，控制系統，智慧家庭，熱舒適指標
收到日期: 2019年08月31日 修正日期: 2020年04月09日 接受日期: 2020年04月21日
1 工業技術研究院綠能與環境研究所智慧節能系統技術組 研究員
2 工研院綠能所智慧節能系統技術組 實習生
3 國立雲林科技大學智慧學習研究中心、未來學院前瞻學士學位學程、
應用外語系 助理教授
*通訊作者電話: 05-5342601, E-mail: hucc@yuntech.edu.tw
相 關 研 究 大 多 數 著 重 於 睡 眠 與 疾 病 的 連 結 (Peltokangas et al., 2012)、睡眠生理的觀測 (Seale and Conway, 1999)、或是睡眠品質的改善 (Lin and Deng, 2008a)等。然而，這些研究並未 探討室內溫熱環境變化對於人類睡眠生理的影 響，亦無提出藉由環境調節控制機制來改善居 家睡眠環境的熱舒適度。根據臺灣民眾的睡眠 調查報告(李佳，2013)，指出一般民眾平均睡 眠時間為6小時50分鐘，顯然大多數的人們睡眠 時間並不夠充裕。因此，如何讓民眾在有限的 休眠時間下，擁有一個健康、合宜的居家睡眠 溫熱環境，應是極為重要的議題。
為了改善上述問題，本研究採用家電設 備常用的紅外線(IrDA)遙控通訊機制、以及 消費性電子設備最常用的藍芽無線(Bluetooth wireless)通訊方式，整合居家電器設備、以及 用戶端的智慧型手機(smartphone)，建構家庭 物聯感控網路。其中，居家熱舒適環境控制部 分，本研究基於PMV熱舒適指標(Fanger, 1972) 加以改善，提出一熱舒適控制演算機制，並將 該演算機制設計於本研究所提出的智慧環控 風扇之中；使得該智慧環控風扇可根據居家環 境溫溼度狀態、用戶個人化的生理資訊、以及 個人偏好等條件，進行動態且即時的智慧化推 論，以求解出最佳控制溫度、以及最佳控制風 速等參數。智慧環控風扇除了根據環境狀態調 節自己的風扇葉片轉速之外，並會主動以內建 於智慧環控風扇內部的紅外線發射器送出控制 信號以控制空調設備的設定溫度，調節最佳化 的室內環境以達到個人化熱舒適度的改善。
本文首先針對居家熱舒適環境調節相關 文獻進行探討，隨即提出智慧環控風扇的系統 架構與設計方案，並說明建置於系統中的熱舒 適控制演算法。目的在於讓本研究所提出的智 慧環控風扇可以主動整合居家空調設備，動態 調節個人化熱舒適度。最後進行研究成果的總 結。
2. 居家熱舒適文獻探討
熱舒適度指標PMV (predicted mean vote)是 由Fanger (1972)藉由大量不同的受測者進行溫 熱知覺感受的實驗所推估出的數學模型(Fanger, 1972；Fanger, 1973)，其可根據人體主觀感覺 與熱負荷之間的關係，並參照空氣溫度、輻射 溫度、相對溼度、風速等環境參數與個人因 素量化推估人體對所處環境的冷熱舒適感。
PMV將冷熱主觀感受界定於±3之間的數值，例 如：+3 表示感覺很熱(hot)、+2表示感覺溫暖 (warm)、+1表示微溫(slightly warm)、0表示所 處環境的感受冷熱適中(neutral)、-1表示微涼 (slightly cool)、-2 表示有點冷(cool)、以及-3 表 示很冷(cold)等。由於PMV可將人體對於冷熱 的主觀感受透過數學模型予以量化，因此許多 研究與系統設計都可以非常方便的透過運算推 估出PMV值並導入回饋機制進行多樣化的空調 系統工程設計、環境感測控制系統建置、或根 據特定需求改良原有的熱舒適度指標(Hu and Li, 2016；Wu and Sun, 2012；Sherman, 1985；
Etik et al., 2009；Zhao et al., 2014；Hong et al., 2018；Kim et al., 2018；Liu et al., 2018)，再加 以應用。Hong et al. (2018)基於PMV模型整合模 糊邏輯(fuzzy logic)與PID (Proportional–integral–
derivative)控制器提出環境分區控制的概念，將 辦公室空間區分為兩個區域，分別配置兩個可 單獨控制的加熱器(controllable electrical heater) 系統，並分別將加熱系統配置一個紅外線舒適 度傳感器(IR-based comfort sensor)，可根據區 域環境個別的舒適條件相對應區域中所測量的 PMV作為受控變量，分別調節每個加熱器的輸 出功率，以達到節能效果。由於現有熱舒適控 制系統大都採取傳統PMV群體均化(group-based methodologies)舒適度指標做為控制基準，鮮少 考量個人生理、衣著、以及感知的個別差異，
常造成因個體化差異所產生的不舒適狀態，也 因此導致非必要的致冷(cooling)或加熱(heating) 所產生的能源損耗。Kim et al. (2018)為了提升
個人熱舒適的調控品質，提出一個人化熱舒適 模型，並採用該模型建置具回饋功能的個人化 舒適系統(personal comfort system, PCS)；根據 其實驗結果，藉由該系統可以有效地預測個人 的冷熱偏好，並針對個人需求適時進行加熱 或冷卻的控制，提高使用者熱舒適滿意度，
同時降低能源使用。Liu et al. (2018)藉由穿戴 式感測器(wearable sensors)取得受測者的生理 信號(例如，手腕和踝部的皮膚溫度、心率、
以及活動量)及環境參數(例如，氣溫、風速、
太陽輻射、降水)等，並要求受試者每小時回 報其即時的溫熱感知與偏好(real-time thermal sensation and preference)，再藉由隨機森林演算 法(random forest algorithm)發展個人化熱舒適度 模型(personal comfort model)，其研究結果認為 所發展的穿戴式感測器可應用於無拘束的生活 環境(free-living environment)推測個人即時熱舒 適偏好(personal thermal preference)。
根據上述文獻探討得知基於傳統PMV指標 的溫熱控制主要針對環境因素(空氣溫度、相對 濕度、平均輻射溫度、風速等)、以及個人因素 (衣著量、活動量等)，僅採用群體化的冷、熱 感受作為控制準則。該指標通常可應用於辦公 室、教室等群體使用的公共空間做為室內溫熱 環境的調控。然而居家空間的應用顯然不同於 上述情境，尤其是睡眠環境的熱舒適調控。通 常臥室環境的輻射溫度與空氣溫度會因白天日 光的照射而吸熱升高(或是輻射冷卻效應而降 低)，吸足熱量的牆面將於夜間以輻射與對流 方式放熱，臥室環境的溫度與濕度因而動態變 化。個人就寢時的衣著、床墊、被套等形式將 影響熱阻值(Lin and Deng, 2008b)，而且人類的 基礎代謝率(Seale and Conway, 1999；Zhang et al., 2002；Fontvieille et al., 1994)也會隨著睡眠 週期變化而變動。
由於室內空調系統的使用，經常造成室內 環境溫度分布不均、垂直溫差大等問題。王曉 倩、劉益才、畢麟、以及王曉倩等(2018)採用 控制變數法對空調設定溫度、風扇使用兩控制
變因針對坐姿維持1.1 m高度的受試者進行熱 舒適度感知測量與統計分析，發現在空調設定 溫度一定的情況下，合理的使用吊扇可以改善 室內環境，滿足人體對熱舒適的需求，提高工 作學習效率。林傑宏等(2014)以節能為要件，
採用吸頂扇配合室內空調使室內環境維持舒適 度；其實驗設定將室溫固定在26oC以上，透過 氣流速度之調節以兼顧舒適度及節能效益。該 研究雖然同時考量熱舒適與節能效益問題，然 而環境溫度的設定是一預設26oC以上之固定溫 度，而且並無考量個人化的衣著量、新陳代謝 率(即活動量變化)、環境溫度與濕度的即時變 化等動態條件影響。
雖然已有少數以熱舒適度為控制基礎之風 扇的類似研究，但是該些研究著重於藉由預先 設定之空調設定溫度，再調節風扇之轉速以進 行熱舒適度分析，大多偏向於採取熱舒適之敏 感度分析的研究角度。而且該些研究並非採取 即時(real-time)、動態(dynamic)的控制策略同時 控制兩種變因。本研究為了改善已知研究(林傑 宏等，2014；王曉倩等，2018)無法即時動態依 據環境溫、溼度參數變化、偵測個人熱舒適偏 好與需求，而設計一智慧化演算法建置於智慧 環控風扇內部，使其可以動態地調控空調系統 的設定溫度值、以及智慧環控風扇本身的風速 值，可同時操作溫度、與風速倆因子以達成個 人化居家熱舒適環境調節的目的。為了驗證所 設計之智慧環控風扇的環境熱舒適度調節能力 及節能效果，本研究進一步以臺灣新竹地區夏 季、以及冬季的實際場域進行實測分析。分析 結果顯示所設計之智慧環控風扇不論是控制夏 季的冷氣設定溫度、冬季的暖氣溫度設定、以 及協同智慧環控風扇的風速調節等運作，皆能 達到調節個人化熱舒適與節能效益。
3. 熱舒適控制演算機制
本研究依據傳統PMV (Fanger, 1972；
Fanger, 1973)，並基於Lin and Deng (2008a)
所提出之睡眠時的熱舒適指標(PMV for sleep environments，標示為PMVs)作為舒眠環控演算 機制之依據。通常當人體與外界的熱量進出達 到平衡時才會覺得舒適，若熱量無法達到平衡 時即形成熱負荷。
首 先PMVs與環境及個人的多項因素有 關，包括空氣溫度(Ta)、體表平均風速(Va)、相 對濕度(RHa)、平均輻射溫度(Tr)，以及個人化 資訊，例如：以個人的睡眠衣著、床墊、以及 被套等參數所轉換成的總隔熱值(total insulation values，表示為Rt)，以及由性別、年齡、身 高 、 體 重 等 資 訊 所 推 算 之 代 謝 率(M)。上述 PMVs的函式關係(Lin and Deng, 2008b) 可表示 為：
PMVs = G(Ta, Va, RHa, Tr, Rt, M) (1) 以下分別說明上式右側自變數的設定或計 算方式，目的在於使左側PMVs的值達到所偏 好的範圍內。
關於代謝率(M)，概述相關研究如下：經 由人體能量消耗(energy expenditure)的觀察，
可求出性別、年齡、身高、體重等變因相對 於基礎代謝率(basal metabolic rate, BMR)的函 數關係(Seale and Conway, 1999；Fontvieille et al., 1994)。Zhang et al. (2002)指出睡眠代謝率 (sleeping metabolic rate, SMR)的變化與人體身 高體重指數(body mass index, BMI)具有顯著關 係。另一方面，Seale and Conway (1999)透過 實際量測記錄睡眠時的人體能量消耗(energy expenditure)，描繪出人體能量消耗與時間的函 數關係，由此可知睡眠時的代謝率M與開始睡 眠後的時間有關。根據以上研究我們可以運用 個人生理資訊與睡眠時間來估算睡眠期間中的 人體代謝率(M)。
關於使用者的體表總隔熱值Rt，可由使用 者藉由操作介面輸入衣著選項(Bcl)、床鋪選項 (Bbd)、與被蓋選項(Bst)等，再經由量測數據歸 納之公式推算出Rt (oCm2/W)的值。
至於輻射溫度(Tr)與相對溼度(RHa)則可由
感測器測得。
氣溫Ta與風速Va在本研究中視為可控制 的變數，也就是控制演算法藉由空調系統與風 扇所要控制的項目。在能夠控制風速之前，我 們需要知道風扇在各段開關時對環境造成的風 速，因此特別選定一風扇並在風扇前選定不同 的距離位置，量測各段風速(m/s) ，如於風扇前 一米位置量測風扇關閉(va0)、轉速1(va1)至轉速 7(va7)的量測值，分別表示為va0 =0、va1 =0.15、
va2 =0.6、va3 =1.2、va4 =2.0、va5 =2.3、va6 = 2.5、以及va7 =2.8等。
一般而言，PMVs = 0被視為最適中(最舒 適) 的狀態，但在本研究中考慮到個別差異，
將用戶個人的冷暖偏好一併納入考量，也就 是說，用戶可以選擇自己所喜好的狀態(例如 涼 爽 、 適 中 、 稍 暖 等)這些狀態各有對應的 PMVs值，假設用戶選取狀態所對應的值稱為 PMVu。
在本研究中為了整合控制氣溫Ta與風速 Va，首先定義了一個代價函數，相當於一個 綜合的評分指標，其值越低代表控制結果越優 良。在此代價函數衡量了兩個項目：其一為舒 適度，其二為耗電量。當環境實際PMVs值越 接近設定值PMVu時，舒適度越佳，代價函數 值越小；當空調(冷氣)設定溫度越高時，耗電 量越小，代價函數值也越小。整合控制的方法 是逐一評量空調設定溫度與風扇段數的所有可 能組合，對每一組合分別計算其PMVs值以及 代價函數值，然後找出其中最小的代價函數 值，而它所對應的空調設定溫度與風扇段數就 是最佳的控制參數，可據此控制空調系統與風 扇。
4. 智慧環控風扇技術
居家生活環境的科技應用必須考量系統 功能性、實用性、以及運作效益，然而系統本 身的易用性(ease to use)更攸關用戶對於科技的 接受度。為了降低系統的操作複雜性，本研究
應用物聯網感測及智慧感控演算法等技術，透 過整體性的思維，考量空調設備、風扇、居家 環境、以及用戶之間的互動關係，發展易於安 裝整合的居家環境熱舒適控制系統。藉由此概 念，一般用戶不須透過專業人士即可自行簡易 地安裝(plug & play)於居家空間，系統即可結 合既有的空調設備並運行居家環境智慧化的服 務，提供一熱舒適的健康居家環境。
居家多情境熱舒適環控技術系統架構如 圖1所示，主控制系統建置於智慧環控風扇內 部，包含個人化調節、環境感知、以及最適化 控制等三大運算處理模組。個人化參數調節部 分，使用者可以透過智慧手機的應用程式(App)
設定個人生理資訊(如身高、體重、性別、年 齡等)、冷熱偏好(很涼、涼爽、小涼、適中、
稍暖、小暖、暖和)、衣著寢具型式(衣著、床 墊、被褥等樣態)等參數、以及訊號發送的週期 (如：1分鐘發送一次)，如圖2所示。隨即藉由 藍芽無線通訊機制傳遞參數至智慧環控風扇內 部的記憶體中。環境感知模組內建空氣溫度、
相對濕度、輻射溫度等環境感測器，該些感測 器裝設於風扇底部以感測居家環境狀態。系統 透過這些感測器量測即時的環境狀態以提供最 適化控制模組內部的熱舒適演算法得以依據環 境狀態進行推論運算，產出最佳平均風速、以 及最適環境溫度等設定值；進一步藉由控制訊
圖1 居家智慧環控風扇系統架構(本研究繪製)
圖2 個人化參數設定(本研究之APP)
號依據設定值驅動直流馬達以帶動風扇旋轉，
營造該環境的最適化風速，同時透過紅外線 (IrDA)發射器傳送最佳環境設定溫度控制信號 至空調設備進行居家環境的最適化控制。控制 過程中環境的空氣溫度、輻射溫度及相對濕度 會跟著動態改變，每分鐘都會完成一次控制循 環與狀態更新，居家環境便會逐漸地達到熱舒 適的狀態。
本研究所建置的居家智慧環控風扇如圖3 所示。該系統內部主控制系統硬體架構如圖4，
中央處理單元採用RTL8762AK，此晶片是以
ARM Cortex M0為核心的低功率藍芽(Bluetooth Low Energy, BLE)晶片組，除了負責無線資料 通訊傳輸外還具備演算處理的能力；溫濕度感 測器(SHT 30)及輻射溫度感測器(TMP006)等則 藉由I2C傳遞感測資料給RTL8762AK，一組紅 外線接收器可接受外部的控制命令，一組紅外 線接收發射模組(MG69P361)其具有學習遙控碼 機制可採用載波學習多種空調品牌的遙控碼，
紅外線發射器則使用TSUS520做為紅外線發射 元件；因此，可根據演算法推論之最佳設定溫 度，產出對應的紅外線控制碼以傳送給家用空
圖3 居家智慧環控風扇(本研究設計之風扇)
圖4 主控制系統硬體架構(本研究繪製)
調機系統，控制環境溫度。最適化風速的調控 命令由ARM Cortex M0內部的熱舒適控制演算 機制計算求解後，並將控制命令傳送至直流馬 達驅動控制板，調整直流風扇的轉速，產生最 合宜的環境風速。上述主控制電路如圖5所示，
直流風扇擺頭方位控制電路如圖6所示，風扇轉 速控制可藉由運算放大器(LM358)設計一非反 向放大電路進行電壓調節並以PWM信號輸出控 制信號並驅動直流馬達。
5. 系統效能評估與分析
臺灣地處亞熱帶夏季酷熱、冬季寒冷的
氣候條件，隨著季節交替，對於居家熱環境與 臥室空間的熱舒適度具有顯著的影響。由於大 多數臺灣的相關研究著重於夏季冷氣系統的控 制，對於冬季時暖氣的控制著墨甚少。況且，
即使有部分家用空調機宣稱具有基於熱舒適度 的控制機制，然而大多數空調設備為了避免因 感測器系統的設計與建置而增加成本，僅根據 室內溫度、以及運作時間長度的變化反饋於空 調系統設定溫度遞增/遞減控制。除此之外，目 前臺灣家用空調系統絕大部分採用紅外線遙控 器進行設定溫度的控制，因此如何無縫地整合 風扇轉速控制、以及空調設定溫度的控制，以 解決居家熱環境的調節控制顯得極為重要。
圖5 主控制電路(本研究繪製)
圖6 智慧環控風扇擺頭方位控制電路(本研究繪製)
因此，本研究除了採用實際場域夏季冷氣 房的睡眠模式控制實驗外，還有進行冬季暖房 的睡眠模式控制實驗，以分析居家智慧環控風 扇技術的運作效能。
為了避免外在環境氣温、熱輻射溫度等氣 候因素，造成對於實驗標的評估的差異性所造 成之不確定因子。因此不論是夏季、或冬季對 於本研究標的智慧環控風扇之評估設計，皆採 用坐落於新竹縣竹東鎮的同一棟建築物位於一 樓的一室內空間(24o46'40.4"N 121o02'34.6"E)，
空間大小為8.3 m(L) × 4.2 m(W) × 3.2 m(H)，如 圖7所示。該空間設置一冷暖氣機供智慧環控風 扇以紅外線控制信號調節控制其冷暖氣機之設 定溫度。因此實驗空間的建築物座向、建築開 口、洩漏、蓄熱、以及空調系統的冷卻能力等 條件因素皆為一致，藉此得以衡量本研究所提 出之智慧環控風扇在不同情境下的控制效益。
本研究智慧環控風扇，採用14吋扇葉、直 流馬達、溫溼度感測器、熱輻射感測器、紅外 線控制信號發射器、以及一內建感應控制演算 法的控制模組。各個感測器對應的參數為空氣 溫度(Tfan)、輻射溫度(Tmrt)、相對濕度(RHfan)，
智慧環控風扇內含有紅外線發射器(空調系統冷 暖氣機的設定溫度之紅外線控制碼，可藉由本 研究設計之手機應用程式先行學習後存入主控 電路)及熱舒適控制演算法，可搭配智慧手機應
用程式控制智慧環控風扇。實驗前先將智慧環 控風扇高度調至70公分的高度(適合方人坐姿時 的高度)，且在智慧環控風扇正前方1.5公尺、
離地70公分處為中心量測點(Sc)；Sc中含有複 合式感測器(LM8000)，內含風速計、溫度感 測計及相對濕度感測計，其對應的參數為風速 (Vsc)、空氣溫度(T sc)及相對溼度(RHsc)；另外，
以Sc為中心點，半徑70公分的外圍四個角落，
離地70公分，分別設置一組溫度感測器(HOBO UA-002-64)，共設置四組溫度感測器(S1~S4)記 錄空氣溫度變化，將其所記錄的空氣溫度參數 標示為Ts1~Ts4，另外在實驗環境外也放置了一 溫度感測器(HOBO UA-002-64)記錄室外空氣 溫度，其記錄參數為Tout。本文所提出之智慧環 控風扇內部具有熱舒適控制演算法會決定最適 風速與最佳空調設定溫度，可控制風扇葉片的 轉速、並根據所學習的控制碼設定空調溫度(夏 季控制冷氣設定溫度，冬季控制暖氣設定溫度) 透過調節環境風速、空調設定溫度來達到個人 化最適熱舒適度。這種無縫整合的設計，使得 一般家庭用戶僅需取得本文所提出之智慧環控 風扇即可整合協同控制已安裝於居家空間的既 有各式廠商生產之不同品牌的空調系統，並進 行熱舒適環境之調控。不但提高系統相容性，
降低系統安裝的複雜性與系統整合時通訊協議 不一的門檻，同時也降低了空調系統的重置成
圖7 實驗環境設置(本研究繪製)
本。
為了評估居家智慧環控風扇的效能，實 驗過程採用研究提出之智慧環控風扇對特定空 間內的空調設備進行動態且即時的設定溫度控 制。所設計之個人化熱舒適演算法可根據環境 變因判定合適的設定溫度，再藉由紅外線控制 信號設定該處環境的空調設定溫度以達到理想 室溫。由於各式廠商生產之不同品牌的空調系 統對於如何驅動其壓縮機以達到設定之目標溫 度，其演算法、驅動機制、以及程序方法等可 能皆有所不同；然而，為了使空調系統的運作 可以精準地達到設定目標溫度之目的卻是一致 的。本研究假設安裝於室內之空調系統的除 熱能力、及加熱能力皆能達到特定空間之負 荷量，因此採用智慧環控風扇所決定之設定溫 度，得以讓該些空調系統依其本身產品特性，
逐步將環境溫度調節以達到智慧環控風扇所要 求之設定溫度。
實驗設定一使用智慧環控風扇的個人化參 數(女性、16歲、身高162公分、體重55公斤、
衣著為長袖長褲、使用布面床墊並覆蓋中型棉 被)做為使用者個人化熱舒適度評估的依據。並 刻意將控制情境為睡眠模式，控制週期為每一 分鐘一次，模擬受測者躺臥於圖7標示「中心 量測點」的位置進行實驗，若風扇因演算控制 機制調節轉速而產生不同的風速，則以風速計 (LM8000)實際量測值除以四來表示為人體體表
風速(Vsc)(假設風扇吹到人的正面且只吹到半 身)，並進行評估運作狀態，倘若風扇未被啟動 則採密閉室內風速0.05 m/s進行評估。實驗設計 包含實驗組(以智慧環控風扇以及其內建熱舒適 控制演算機制進行設定溫度與風速的環境調節 控制)、控制組1(採用空調機內建的自動控制模 式)、以及控制組2(完全不控制)等三種情境。
實驗時，採用溫度感測器(HOBO UA-002-64) 記錄環境空氣溫度，同時並使用溫濕度感測器 (SHT 30)、以及熱輻射感測器(TMP006)量測，
並記錄中心量測點的空氣溫度、相對濕度、以 及輻射溫度值。
冬季實驗環境參數空氣溫度(T sc)、最佳控 制設定溫度(T sc)、平均輻射溫度(Tmrt)、以及相 對溼度(RHsc)等參數動態變化記錄如圖8所示，
當日(01-16-2019)所量測的實驗環境外圍約8.5 小時平均氣溫為15.99oC(標準差0.49oC)。當日 實驗前，先將實驗環境的室內環境以25oC的空 調設定溫度預暖約20分鐘後，開始進行實驗並 記錄，所記錄的中心量測點的空氣溫度溫度 (T sc)、平均輻射溫度(Tmrt)、相對溼度(RHsc)等 變化、以及基於熱舒適控制演算機制所推論出 的最佳控制設定溫度(T sc)皆記錄於圖8。初期實 驗環境的空氣溫度(T sc)為20.8oC、平均輻射溫 度(Tmrt)為21oC、相對溼度(RHsc)為76.9%，當時
「智慧環控風扇」基於所感知的環境參數經演 算法推算後，以紅外線控制信號送出24oC的設
圖8 冬季的空氣溫度(T sc)、最佳控制設定溫度(T sc)、平均輻射溫度(Tmrt)、以及相對溼度(RHsc)等環 境參數的動態變化(本研究繪製)
定溫度(Tsp)控制實驗環境內的空調系統。透過 上述反饋控制流程持續2小時後，觀察實驗環境 的空氣溫度(T sc)為23.3oC、平均輻射溫度(Tmrt) 為22oC、相對溼度(RHsc)為70.7%，空氣溫度與 平均輻射溫度皆有逐步上升，相對溼度稍微下 降；此時，「智慧環控風扇」將實驗環境內的 空調系統設定為24oC。當實驗過了4小時後，實 驗環境的空氣溫度(T sc)已達到24.2oC、平均輻射 溫度(Tmrt)為23oC、相對溼度(RHsc)為68%。進一 步，「智慧環控風扇」將實驗環境內的空調系 統設定(Tsp)為25oC，此時空氣溫度已明顯接近 該環境的最佳設定溫度。
依當時環境參數狀態，實驗組風扇在本 研究提出之熱舒適控制演算法的運作下並無啟 動風扇，避免寒冷的氣溫及較大的體表風速造 成用戶覺得太冷，此情況的體表風速(Vaf)約為 0.05 m/s。
圖9顯示在冬季天候採取不同控制策略 時，實驗環境中空氣溫度的動態變化。當採取 本研究提出之熱舒適控制演算機制所產生之熱 舒適環境的空氣溫度變化表示為TPMVs，當不 加入任何控制策略時無空調環境的背景空氣溫 度變化表示為Tnone，若採取空調系統內建的自 動控制機制所得到的環境空氣溫度則表示為 Tauto。當不啟動空調系統時該實驗環境的背景 氣溫(Tnone)變化在第2小時為18.2oC、第4小時 為17.7oC、第8小時為18.1oC。將該背景氣溫的
PMVs並描繪出如圖10中的“None control”所 對應的PMVs曲線，可以發現，當未使用空調 時的環境PMVs的平均值為-2.4(標準差0.32)，
PPDs約為91%，表示會有91%以上的用戶不 滿意於此睡眠環境的熱舒適度。相同氣侯條 件下若採用空調系統內建的自動控制模式(Air conditioning based control)進行該環境調節，
量測到的自動控制模式環境氣溫(Tauto)變化(如 圖9)在第2小時為18.5oC、第4小時為19.1oC、
第8小時為20.1oC，將其描繪如圖10中“Air conditioning based control”所對應的PMVs曲 線，觀察到使用空調系統內建的自動控制模式 時的環境PMVs的平均值為-1.9(標準差0.17) ， 對應於PPDs為73%。由此可知，即使採取該空 調系統內建的自動控制模式調節該空間，亦會 有73%以上的用戶覺得太冷，將不滿意於該熱 舒適環境。
分析圖10中“None control”所量測時域 範圍的環境熱舒適度，對於睡眠時的用戶感 知大都是過於寒冷。“Air conditioning based control”的控制策略雖然對該環境的熱舒適度 稍有改善，但並不顯著，且整體環境溫度依然 偏冷。原因在於該空調系統的特殊運作行為 所致，當室溫在25oC以上該空調系統進行冷氣 運轉，並將設定溫度控制為 25oC；當室溫為 20~25oC之間時，該空調系統進行除濕運轉；當 室溫為 20oC以下時，則該空調系統進行暖氣運
圖9 冬季環境參數動態變化下，採取不同控制策略的空氣溫度變化：本研究熱舒適控制演算機制 (TPMVs)、無空調環境背景(Tnone)、以及空調系統內建控制機制(Tauto) (本研究繪製)
轉並將控制溫度設定為20oC。
相同天候條件，若採用本研究提出的熱舒 適控制演算機制進行熱舒適環境控制，可利用 所量測的睡眠熱舒適氣溫(TPMVs)描繪出如圖10 中“PMVs based control”所對應的PMVs曲線。
研究發現時域範圍內的PMVs平均值為-0.5(標 準差0.11)，睡眠時熱舒適度的不滿意度百分比 PPDs約11%，表示89%以上的用戶滿意於本研 究設計的智慧環控風扇及其舒眠控制機制。
夏季實驗當日(07-30-2019)所量測的實驗 環境外圍約8.5小時平均氣溫為32.23oC(標準差 0.85oC)。當日實驗所記錄的中心量測點的空氣 溫度(T sc)、平均輻射溫度(Tmrt)、相對溼度(RHsc) 以及最佳控制設定溫度(Tsp)等變化皆記錄於圖
11。夏季的實驗為了配合冬季實驗所設定的個 人化參數(長袖長褲、中被)，所以智慧環控風 扇內建之演算法所推論出的最佳設定溫度相對 會較低。實驗初期，量測該環境的空氣溫度 (Tsc)為31.1oC、平均輻射溫度(Tmrt)為30oC、相 對溼度(RHsc)為72.5%，紅外線控制信號送出 22oC的設定溫度(Tsp)給實驗環境內的空調系統 將其設定溫度控制為22oC。控制流程持續2小 時後，觀察實驗環境的空氣溫度(Tsc)為23.8oC、
平均輻射溫度(Tmrt)為26oC、相對溼度(RHsc)為 60.1%，「智慧環控風扇」將實驗環境內的空 調系統設定為23oC，此時，空氣溫度已明顯接 近該環境的最佳設定溫度，2.5小時後的控制效 果明顯地都在最佳控制溫度左右。
圖10 冬季不同控制策略的PMVs變化(本研究繪製)
圖11 夏季的空氣溫度(Tsc)、平均輻射溫度(Tmrt)、相對溼度(RHsc)以及最佳控制設定溫度(Tsp)等環境 參數的動態變化(本研究繪製)
夏季相較於冬季可有效率地將熱舒適環境 控制到最佳狀態，因為根據演算法推論，夏季 時的天候藉由風扇轉速變化作動與空調控制溫 度的調節設定可以有效地降溫達到較佳的熱舒 適環境。相反的，在冬季時若經常啟動風扇或 加快體表風速反而造成反效果。夏季實驗所測 得的人體體表風速(Vsc)如圖12所示。
圖13顯示類似氣候條件下，不同控制機制 之實驗環境的空氣溫度變化，其中當不啟動空 調系統時該實驗環境的背景氣溫(Tnone)變化在第 2小時為32.1oC、第4小時為32.1oC、第8小時為 31.5oC。實驗環境的PMVs變化描繪如圖14中的
“None control”所對應的PMVs曲線，可發現 未使用空調時的環境PMVs的平均值為2.5(標準
差0.11)，PPDs約為93%，表示會有93%以上的 用戶不滿意此環境的睡眠熱舒適度。
相似氣候條件，若採用空調系統內建的自 動控制模式(Air conditioning based control)進行 該調節，量測實驗環境的氣溫(Tauto)變化(如圖 13)，觀察發現在第2小時為25.2oC、第4小時 為25.1oC、第8小時為25oC。將其描繪如圖14 中“Air conditioning based control”所對應的 PMVs曲線，環境PMVs的平均值為0.5(標準差 0.36)，對應於PPDs為9.1%。
採取該空調系統內建的自動控制模式基 於 相 同 個 人 化 參 數 估 算PMVs， 恰 巧 達 預 期 熱舒適狀態(−0.6≤PMVs≤+0.6)，但因“Air conditioning based control”的控制機制並無考
圖12 夏季的人體體表風速(m/s)的動態變化(本研究繪製)
圖13 夏季環境參數動態變化下，採取不同控制策略的空氣溫度變化：本研究熱舒適控制演算機制 (TPMVs)、無空調環境背景(Tnone)、以及空調系統內建控制機制(Tauto) (本研究繪製)
慮個人衣著量、新陳代謝率等因子，一旦用戶 變更成其他衣著量或新陳代謝率必然明顯降低 個人的熱舒適度感受。
若於相似氣候條件下，採用本研究提出的 熱舒適控制演算機制調節環境，描繪如圖14中
“PMVs based control”所對應的PMVs曲線。發 現其PMVs平均值為−0.1(標準差0.53)，PPDs約 為5%，表示95%以上的用戶滿意本研究提出的 舒眠控制機制所改善的熱舒適環境。
由圖8、圖11可觀察到「智慧環控風扇」
會根據實驗環境狀態變化，動態對空調系統送 出設定溫度(Tsp)的控制命令，隨後空調系統依 據設定溫度即時調節實驗環境，藉此得知由本 研究所提出的熱舒適控制演算機制確實可以有 效的調節環境溫度。採用本研究提出的熱舒適 控制演算機制不僅可根據環境感測資訊動態調 節控制參數，亦同時考慮個人的衣著量及代謝 率，進行個人化熱舒適環境控制，以提升睡眠 期間的PMVs (−0.6 ≤ PMVs ≤ +0.6)。分析結果顯 示本研究提出的熱舒適控制演算機制所調節的 熱舒適度顯著優於其他控制機制(獨立雙樣本t 檢定；p < 0.01)。
然而本研究察覺所提出的演算機制於系統 啟動初期的最佳控制設定溫度(Tsp)與中心量測 點的空氣溫度(Tsc)差距頗大，必須持續調節控 制約1到2小時之後，設定溫度(Tsp)與空氣溫度 (Tsc)的差距才會變小且漸趨一致。主因為空調
系統本身的加熱與冷卻的負載能力不一致，可 於所提出演算法中加入期初啟動的預熱或預冷 程序，即可明顯改善。另外，若用戶尚不滿意 所控制的PMVs狀態，亦可藉由智慧手機的應用 程式(App)微調個人化的冷暖偏好(PMVu)參數，
客製化控制期間的PMVs狀態，即可達到依用戶 冷熱偏好調整控制策略的效果。
效能評估分析結果表明智慧環控風扇技 術，搭配合適的空調系統對於個人化、以及多 功能性的熱舒適環境調節具有顯著性，例如：
改善夏季或冬季睡眠溫熱環境的舒適度。
6. 結 論
本研究提出以熱舒適度為基礎之居家智慧 環控風扇設計的系統架構、以及熱舒適控制演 算法，並實際建置一智慧環控風扇。該系統可 藉由感測器偵測空氣溫度、相對濕度、平均輻 射溫度等室內環境感測值，並透過智慧行動裝 置取得個人生理參數、個人偏好等資訊，並以 本研究改良的熱舒適環控演算法推導睡眠時最 佳空調系統控制設定溫度、及最佳用戶體表平 均風速等，動態調節智慧環控風扇的轉速，並 發送控制命令控制外部空調系統的設定溫度以 調節合宜的熱舒適居家環境。為了評估本技術 的效用，本研究採用實際場域比較分析冬季與 夏季居家睡眠熱舒適環控的運作效能。評估結 圖14 夏季不同控制策略的PMVs變化(本研究繪製)
果顯示，採用本研究提出的技術對於改善個人 化熱舒適環境相較於一般控制方式具有顯著效 果。
基於熱舒適環控演算法所發展的技術，未 來可以擴展出更多元的應用情境，包含日間熱 舒適環控、以及夜間睡眠熱舒適環控等整合感 控系統的應用。另外，由於空調系統之加熱與 冷卻的能力關係到居家環境氣溫調節的效率，
建議未來可結合預熱或預冷程序於熱舒適控制 演算機制中使整體系統更為完善。
誌 謝
本研究承經濟部能源局之經費支持，特此 致謝。
參考文獻
王曉倩，劉益才，畢麟與劉紹文，2018。空調 環境下吊扇對熱舒適影響的研究。第十四 屆全國電冰箱(櫃)，空調器及壓縮機學術 年會論文集。
林秤毅，2013。穿戴式裝置之睡眠品質偵測演 算法分析與評估，國立臺北科技大學電腦 與通訊研究所碩士論文。
林傑宏，蘇讚儀與侯雅壹，2014。風扇整合智 慧控制輔助室內舒適度及節能效益之探 討。
健康與建築雜誌
，1(4), 1-8。李佳，2013。臺灣民眾的睡眠調查研究，國立 雲林科技大學工業設計系碩士論文。
張晏維，2013。床板傾斜角度改變對睡眠品質 之影響，國立雲林科技大學工業設計系碩 士論文。
Etik, N., N. Allahverdi, I. U. Sert and I. Saritas, 2009. Fuzzy expert system design for operating room air-condition control systems.
Expert Systems with Applications: 36(6), 9753-9758.
Fanger, P. O., 1972. Thermal comfort: Analysis and
applications in environmental engineering.
New York: McGraw-Hill.
Fanger, P. O., 1973. Assessment of man's thermal comfort in practice. British journal of industrial medicine : 30(4), 313-324.
Fontvieille, A. M., R. Rising, M. Spraul, D. E.
Larson and E. Ravussin, 1994. Relationship between sleep stages and metabolic rate in humans. American Journal of Physiology- Endocrinology And Metabolism, 267(5), E732-E737.
Froiz-Míguez, I., T. Fernández-Caramés, P.
Fraga-Lamas and L. Castedo, 2018. Design, implementation and practical evaluation of an IoT home automation system for fog computing applications based on MQTT and ZigBee-WiFi sensor nodes. Sensors, 18(8), 2660.
Hong, S., J. Lee, J. Moon and K. Lee, 2018.
Thermal Comfort, Energy and Cost Impacts of PMV Control Considering Individual Metabolic Rate Variations in Residential Building. Energies, 11(7), 1767.
Hu, C. C. and H. L. Li, 2016. Deducing the classification rules for thermal comfort controls using optimal method. Building and Environment, 98, 107-120.
Hu, C. J., C. C. Cheng, H. Y. Wu and N. T. Chao, 2012. A study of the lighting control system for a daylit office. In Proceedings of World Academy of Science, Engineering and Technology (No. 67). World Academy of Science, Engineering and Technology.
Hu, C. J., C. C. Cheng, H. Y. Wu and N. T. Chao, 2014. An Ontology Based Recommendation Mechanism for Lighting System Design. In Computer, Consumer and Control (IS3C), 2014 International Symposium on (pp. 239- 243). IEEE.
Kim, J., Y. Zhou, S. Schiavon, P. Raftery and G. Brager, 2018. Personal comfort models:
predicting individuals' thermal preference using occupant heating and cooling behavior and machine learning. Building and Environment, 129, 96-106.
Lin, Z. and S. Deng, 2008a. A study on the thermal comfort in sleeping environments in the subtropics—developing a thermal comfort model for sleeping environments. Building and Environment, 43(1), 70-81.
Lin, Z. and S. Deng, 2008b. A study on the thermal comfort in sleeping environments in the subtropics—Measuring the total insulation values for the bedding systems commonly used in the subtropics. Building and Environment, 43(5), 905-916.
Liu, S., M. Jin, H. Das, D. Spanos and S. Schiavon, 2018. Personal thermal comfort models based on physiological parameters measured by wearable sensors. In Proceedings of the Windsor Conference (pp. 431-441).
Peltokangas, M., J. Verho and A. Vehkaoja, 2012.
Night-time EKG and HRV monitoring with bed sheet integrated textile electrodes.
Information Technology in Biomedicine, IEEE Transactions on, 16(5), 935-942.
Seale, J. L. and J. M. Conway, 1999. Relationship between overnight energy expenditure and BMR measured in a room-sized calorimeter.
European journal of clinical nutrition, 53(2), 107-111.
Sherman, M. A., 1985. Simplified model of thermal comfort. Energy and buildings: 8(1), 37-50.
Wu, S. and J. Q. Sun, 2012. Two-stage regression model of thermal comfort in office buildings.
Building and Environment : 57, 88-96.
Zhang, K., M. Sun, P. Werner, A. J. Kovera, J.
Albu, F. X. Pi-Sunyer and C. N. Boozer, 2002. Sleeping metabolic rate in relation to body mass index and body composition.
International Journal of Obesity & Related Metabolic Disorders, 26(3).
Zhao, Q., Y. Zhao, F. Wang, J. Wang, Y. Jiang and F. Zhang, 2014. A data-driven method to describe the personalized dynamic thermal comfort in ordinary office environment:
From model to application. Building and Environment: 72, 309-318.
Smart DC Fan Design and Evaluation Based on Thermal Comfort
Hsiao-Yuan Wu
1Fang-Yu Liu
2Chih-Chien Hu
3*ABSTRACT
In recent years, many applications have intended to integrate Internet of Things technology into smart home systems, trying to produce a variety of smart home devices or services to enhance the convenience and comfort of home users, and improve energy efficiency. However, studies and applications that consider both human thermal comfort and personalized thermal comfort controls are rarely proposed. In this study, a control system is built, which integrates a radiation temperature sensor, an air temperature sensor, a relative humidity sensor, a wireless communication module, and a thermal comfort control algorithm for an application of a smart DC fan. The proposed smart DC fan can coordinate with home air conditioning system to dynamically regulate an indoor thermal comfortable environment. The results shows that the proposed smart DC fan can significantly and effectively improve the thermal comfort based on user’s varying requirements.
Keywords:
Thermal comfort, Control system, Smart home, PMV.Received Date: August 31, 2019 Revised Date: April 9, 2020 Accepted Date: April 21, 2020
1 Researcher, Green Energy and Environment Research Laboratories, ITRI.
2 Inrernship student, GEL, ITRI.
3 Assistant Professor, Research Center for Smart Learning, Bachelor Program in Interdisciplinary Studies, College of Future & Department of Applied Foreign Languages, National Yunlin University of Science & Technology.
* Corresponding Author, Phone: +886-5-5342601, E-mail: hucc@yuntech.edu.tw
