Energy-efficiently creating comfortable and healthy indoor environment is required as people spend the majority of their time indoors. As a novel air distribution method, stratum ventilation (SV) has been demonstrated to be potentials for winter heating. This study aimed to derive out the optimal ranges of supply air temperature and velocity so as to achieve both energy-efficient thermal comfort and stable operation of the environmental control system for the heating applications of SV. Experiments with six cases were firstly conducted in a field experimental chamber to examine the influence of warm supply air on indoor airflow pattern as well as indoor thermal environment. The results revealed that the supply air temperature and velocity affected thermal comfort and energy efficiency inconsistently, which were measured by predicted mean vote (PMV), vertical air temperature difference between head and ankle levels (ΔT), draft rate (DR), and energy utilization coefficient (EUC). Then, using numerical simulations validated through the experiments, 42 cases with combinations of six different supply air velocities and seven different supply air temperatures were analyzed. The supply air temperatures and velocities were optimized using Pareto-based multi-objective particle swarm optimization (MOPSO). The results revealed that the locations of the 25 Pareto optimal solutions got by MOPSO were isolated in their value spaces. Thus, cluster analysis was used to obtain the optimal ranges of the warm supply air. The optimal ranges of warm supply air temperature and velocity for SV were 28.2–28.5 °C and 1.54–1.66 m/s, respectively.

人们将大部分时间都花在室内，因此需要高能效地创建舒适，健康的室内环境。作为一种新颖的空气分配方法，地层通风（SV）已被证明是冬季供暖的潜力。这项研究旨在得出送风温度和速度的最佳范围，以实现节能加热的舒适性和SV供暖应用环境控制系统的稳定运行。首先在野外实验箱中进行了6个案例的实验，以研究供暖空气对室内气流模式以及室内热环境的影响。结果表明，送风温度和速度对热舒适度和能源效率的影响不一致，通过预测的平均投票（PMV），头和脚踝之间的垂直空气温度差（ΔT），吃水率（DR）和能量利用系数（EUC）进行测量。然后，使用通过实验验证的数值模拟，分析了42个案例，这些案例具有6种不同的送风速度和7种不同的送风温度的组合。使用基于帕累托的多目标粒子群优化（MOPSO）对送风温度和速度进行了优化。结果表明，由MOPSO获得的25个Pareto最优解的位置被隔离在它们的值空间中。因此，使用聚类分析来获得供暖的最佳范围。SV的最佳送风温度和速度的最佳范围分别为28.2-28.5°C和1.54-1.66 m / s。头和脚踝之间的垂直空气温度差（ΔT），吃水率（DR）和能量利用系数（EUC）。然后，使用通过实验验证的数值模拟，分析了42个案例，这些案例具有6种不同的送风速度和7种不同的送风温度的组合。使用基于帕累托的多目标粒子群优化（MOPSO）对送风温度和速度进行了优化。结果表明，由MOPSO获得的25个Pareto最优解的位置被隔离在它们的值空间中。因此，使用聚类分析来获得供暖的最佳范围。SV的最佳送风温度和速度的最佳范围分别为28.2-28.5°C和1.54-1.66 m / s。头和脚踝之间的垂直空气温度差（ΔT），吃水率（DR）和能量利用系数（EUC）。然后，使用通过实验验证的数值模拟，分析了42个案例，这些案例具有6种不同的送风速度和7种不同的送风温度的组合。使用基于帕累托的多目标粒子群优化（MOPSO）对送风温度和速度进行了优化。结果表明，由MOPSO获得的25个Pareto最优解的位置被隔离在它们的值空间中。因此，使用聚类分析来获得供暖的最佳范围。SV的最佳送风温度和速度的最佳范围分别为28.2-28.5°C和1.54-1.66 m / s。和能源利用系数（EUC）。然后，使用通过实验验证的数值模拟，分析了42个案例，这些案例具有6种不同的送风速度和7种不同的送风温度的组合。使用基于帕累托的多目标粒子群优化（MOPSO）对送风温度和速度进行了优化。结果表明，由MOPSO获得的25个Pareto最优解的位置被隔离在它们的值空间中。因此，使用聚类分析来获得供暖的最佳范围。SV的最佳送风温度和速度的最佳范围分别为28.2-28.5°C和1.54-1.66 m / s。和能源利用系数（EUC）。然后，使用通过实验验证的数值模拟，分析了42个案例，这些案例具有6种不同的送风速度和7种不同的送风温度的组合。使用基于帕累托的多目标粒子群优化（MOPSO）对送风温度和速度进行了优化。结果表明，由MOPSO获得的25个Pareto最优解的位置被隔离在它们的值空间中。因此，使用聚类分析来获得供暖的最佳范围。SV的最佳送风温度和速度的最佳范围分别为28.2-28.5°C和1.54-1.66 m / s。分析了六种不同的送风速度和七种不同的送风温度的42例病例。使用基于帕累托的多目标粒子群优化（MOPSO）对送风温度和速度进行了优化。结果表明，由MOPSO获得的25个Pareto最优解的位置被隔离在它们的值空间中。因此，使用聚类分析来获得供暖的最佳范围。SV的最佳送风温度和速度的最佳范围分别为28.2-28.5°C和1.54-1.66 m / s。分析了六种不同的送风速度和七种不同的送风温度的42例病例。使用基于帕累托的多目标粒子群优化（MOPSO）对送风温度和速度进行了优化。结果表明，由MOPSO获得的25个Pareto最优解的位置被隔离在它们的值空间中。因此，使用聚类分析来获得供暖的最佳范围。SV的最佳送风温度和速度的最佳范围分别为28.2-28.5°C和1.54-1.66 m / s。结果表明，由MOPSO获得的25个Pareto最优解的位置被隔离在它们的值空间中。因此，使用聚类分析来获得供暖的最佳范围。SV的最佳送风温度和速度的最佳范围分别为28.2-28.5°C和1.54-1.66 m / s。结果表明，由MOPSO获得的25个Pareto最优解的位置被隔离在它们的值空间中。因此，使用聚类分析来获得供暖的最佳范围。SV的最佳送风温度和速度的最佳范围分别为28.2-28.5°C和1.54-1.66 m / s。