CN107895080A - 融合图像信息的大空间建筑空调动态负荷估计及新风量控制方法 - Google Patents
融合图像信息的大空间建筑空调动态负荷估计及新风量控制方法 Download PDFInfo
- Publication number
- CN107895080A CN107895080A CN201711123144.6A CN201711123144A CN107895080A CN 107895080 A CN107895080 A CN 107895080A CN 201711123144 A CN201711123144 A CN 201711123144A CN 107895080 A CN107895080 A CN 107895080A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- space
- air
- personnel
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Geometry (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明公开一种融合图像信息的大空间建筑空调动态负荷估计及新风量控制方法，包括：步骤1：采集大空间公共建筑图像，建立前景和背景的分割模型，提取建筑空间中人员目标；步骤2：利用线性回归方法建立估计建筑空间人员密度的线性模型；步骤3：实时估计的建筑空间内人员密度的变化，计算出动态人体负荷；步骤4：得到建筑空间内t时刻动态新风量Lw(t)估计；步骤5：基于步骤3估计的大空间建筑中的人员负荷，以及步骤4得到的动态新风量，进行大空间建筑的动态负荷空调新风量控制。本发明能够根据建筑空间内人群密度快速准确估计空调动态负荷及分布，并以此为依据实时调整新风量的大小，避免了空调系统在实际运行时新风量按照设计定额方式运行所导致新风能耗负荷巨大的问题。
Description
技术领域
本发明属于空调负荷控制技术领域，具体涉及一种融合图像信息的大空间建筑空调动态负荷估计及新风量控制方法。
背景技术
公共大空间建筑的日趋增加以及其高额的空调能耗使公共大空间建筑空调节能优化控制成为降低建筑能耗研究中的重中之重。合理、准确估计建筑空间内部负荷是进行有效空调系统节能优化控制的首要条件，对降低建筑能耗影响显著。对于一些人员密度大、人流量变化大的公共建筑，如商场、餐饮医院等场所，传统的建筑中的人流量和新风焓值为定值的设计方法在空调运行过程中由于不能有效确定建筑内的负荷大小而造成空调的不节能，并且会影响到建筑空间中的环境品质。
目前，针对大空间建筑的负荷估计通常采用动态负荷分析模型进行预估，负荷模型的影响因子主要包括建筑模型因子和内部得热因子。建筑模型因子主要考虑建筑形式对室内负荷的影响，主要包括建筑面积、围护结构、建筑朝向、建筑层高、穿墙比以及建筑外形等固有因素。内部得热因子反映了得热与新风对室内负荷的影响，主要包括室外气象参数、人员负荷、照明负荷以及新风量等动态变化的因素，其中大型公建人流量的变化具有一定的随机性，导致室内人员负荷，特别是室内人员的负荷分布难以准确估计，因而难以准确快速估计大空间建筑空调动态负荷。
尾岛俊雄等人(尾岛俊雄,许雷,王健,等.2010年上海世博园能源系统规划的研究——能源基础设施的基本规划理念[J].暖通空调,2005,35(5):107-111.)利用日本世博会在能源规划方面的经验和相关技术数据，对上海世博园的最大空调供冷负荷及其分布进行估算，但是这种方法仅利用建筑物的功能相似性进行负荷预估，由于缺乏当前建筑的基础数据，因此并不能准确得到当前建筑的实时空调负荷和建筑空间的空调负荷分布等特性。
瞿燕等人(瞿燕,潘毅群,黄治钟.上海世博园区空调动态负荷预测与研究[J].制冷空调与电力机械,2008,38(6):22-27.)通过统计典型日(包括“五一”、“十一”节假日，工作日，双休日和暑假等4种情景)世博园区内各建筑内的客流量分布确定场馆建筑内的人员逐时负荷，以此为依据，根据相关规范预测各个建筑不同功能区的峰值客流量，设定了各个建筑的人员密度时刻表，但是这种通过典型日预测方法得到的建筑内负荷仅是采用估算的方式对建筑人员负荷进行粗略的分时划分，并不能准确估计建筑内部的实时动态负荷，且这种方法也不能直接有效给出人员负荷的实时动态分布。
李慧等人(李慧,段培永,刘凤英.大型商场建筑夏季冷负荷动态预测模型[J].土木建筑与环境工程,2016,38(2):104-110)提出了大型商场建筑夏季冷负荷动态预测模型，提出了夏季基于新风机组供电频率的商场顾客率间接测量方法，解决了商场内顾客量难以检测的难题。还提出了AFC－HCMAC神经网络预测模型算法，实现了大型商场建筑冷负荷的动态预测。但这种方法也不能直接有效给出人员负荷的实时动态分布。
发明内容
本发明的目的在于提供一种融合图像信息的大空间建筑空调动态负荷估计及新风量控制方法，充分考虑“人”的动态变化及其分布，快速准确估计公共大空间建筑的空调动态负荷，以解决上述现有技术存在的不足。具体地，本发明通过计算机视觉技术对建筑空间内的图像环境进行分析处理，基于高斯马尔可夫随机场(Gaussian Markov RandomField，GMRF)理论，建立大空间公共建筑图像的前景和背景的分割模型，提取建筑空间内人员变化以及人员的密度分布等信息，基于人群密度等信息估计大建筑空间内的人员动态负荷，同时根据估计的人员动态负荷进一步估计所需新风量，建立大空间建筑空调的动态新风量控制策略。
为了实现上述目的，本发明采用以下技术方案：
融合图像信息的大空间建筑空调动态负荷估计及新风量控制方法，包括以下步骤：
步骤1：采集大空间公共建筑图像，基于区域高斯马尔可夫随机场，建立大空间公共建筑图像的前景和背景的分割模型，提取建筑空间中人员目标；
步骤2：基于步骤1提取的建筑空间图像中人员的前景像素信息，利用线性回归方法建立估计建筑空间人员密度的线性模型；
步骤3：根据步骤2建立的人员密度估计模型，实时估计的建筑空间内人员密度的变化，计算出动态人体负荷；
步骤4：根据步骤2实时估计的建筑空间内人员密度，结合围护结构和装饰相关的室内面积，得到建筑空间内t时刻动态新风量Lw(t)估计；
步骤5：基于步骤3估计的大空间建筑中的人员负荷，以及步骤4得到的动态新风量，进行大空间建筑的动态负荷空调新风量控制。
进一步的，步骤1具体包括：
1a)建立区域高斯马尔可夫随机场模型的图像分割算法，利用高斯混合模型建立建筑空间图像前景人和图像背景的分析模型：
其中，X,Y分别表示大空间公共建筑图像的分类标签场和观察场；P(Y|X)表示观察图像场与分割标签场的高斯似然概率分布；P(X)表示标签场的先验知识；
1b)结合图像的先验知识，建立图像分割的区域MRF后验概率能量模型：
式中，w(ds)为图像划分3×3子区域内中心像素与邻域像素的距离权值；
定义为图像观察场的似然能量项：
分别表示第k类高斯混合分布的均值和方差；
定义为图像标号场的平滑能量项：
式中，当ys＝yr时，V(ys,yr)＝0；当ys≠yr时，V(ys,yr)＝1；是局部区域标号场的四个方向上的参数，κsr也是一个方向参数，当邻域像素对为水平或者垂直方向的节点时，定义κsr＝1；当邻域像素对为对角或者反对角方向上的节点时，定义κsr＝0.5；
1c)采用Gibbs采样算法求解MRF后验概率模型的最优分布，提取人员目标；
1d)对步骤1c)分割结果利用数学形态学膨胀运算，平滑部分斑点误分割。
进一步的，步骤2具体包括：
在不同时刻t下，获取大空间公共建筑内图像信息，并重复步骤1，提取前景图像信息，通过比较多次实验提取的前景像素总数和统计的室内人员总数，利用最小二乘法进行线性拟合，得到前景像素数和室内人员数服从下式：
Z＝mNpx+b
式中，Z为前景像素数，Npx为估计的室内人员数，m和b为线性回归系数。
进一步的，步骤5中，根据实时估计的建筑空间内人员密度，控制空调的功率；人群密度为0～0.4人/m2时，对应空调的负荷等级为Ⅰ级；人群密度在0.4人/m2～1.0人/m2时，对应空调的负荷等级为Ⅱ级；人群密度大于1.0人/m2时，对应空调的负荷等级为Ⅲ级；Ⅲ级空调的功率＞II级空调的功率＞I级空调的功率。
进一步的，步骤3中，根据步骤2建立的人群密度估计模型，实时估计的建筑空间内人员密度的变化，计算出动态人体负荷，计算公式如下式所示：
Qw(t)＝k·Npx(t)·qw/1000
式中，Qw(t)为t时刻建筑空间内的动态人体负荷；k为群集系数；Npx(t)为室内t时刻总人数，即为人员密度与地面面积之积；qw为人体负荷指标，单位为W/人。
进一步的，步骤4中，根据步骤2估计的建筑空间人员密度，结合围护结构和装饰相关的室内面积，得到建筑空间内t时刻动态新风量Lw(t)估计式：
Lw(t)＝Npx(t)Rp+RbAb
式中，Npx(t)为室内t时刻总人数；Rp为每人最小新风量指标，单位m3/(h·人)；Rb为每平方米地板所需最小新风量指标，单位m3/(h·m2)；Ab为地板面积，单位m2。
相对于现有技术，本发明的优点在于：
(1)该方法对人员密度大、人流量变化大的公共建筑，如商场、餐饮医院等场所，能有效估计建筑内人员的密度和人流量的变化，并准确估计大空间建筑空调人员动态负荷，为大空间建筑空调的节能优化控制奠定基础。
(2)本发明提出的动态新风量给定方式和常规静态给定新风方式相比，在保证了建筑空间空气品质的基础上，能够根据建筑空间内人群密度实时调整新风量的大小，避免了空调系统在实际运行时新风量按照设计定额方式运行所导致新风能耗负荷巨大的问题，能够有效实现空调系统的节能。
附图说明
图1本发明的流程图；
图2某大学文体馆某一时刻的图像信息；
图3前景/背景分割结果；
图4“膨胀”运算后图像的前景信息；
图5前景像素数与室内人数的线性拟合曲线。
具体实施方式
下面结合附图及具体实例对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。这些实例仅仅说明性的，而并非对本发明的限制。
请参阅图1所示，本发明一种融合图像信息的大空间建筑空调动态负荷估计及新风量控制方法，具体包括以下步骤：
步骤1：采集大空间公共建筑图像，本实例以某大学文体馆某一时刻的图像为例，如图2所示。基于区域高斯马尔可夫随机场(Gaussian Markov Random Field，GMRF)，建立大空间公共建筑图像的前景和背景的分割模型，提取建筑空间中人员目标；具体包括：
1a)建立区域高斯马尔可夫随机场(GMRF)模型的图像分割算法，利用高斯混合模型(GMM)建立建筑空间图像前景人和图像背景的分析模型：
其中，X,Y分别表示大空间公共建筑图像的分类标签场和观察场；P(Y|X)表示观察图像场与分割标签场的高斯似然概率分布；P(X)表示标签场的先验知识。
1b)结合图像的先验知识，建立图像分割的区域MRF后验概率能量模型：
式中，w(ds)为图像划分3×3子区域内中心像素与邻域像素的距离权值。
定义为图像观察场的似然能量项：
xsr表示以节点s为中心的第r个像素强度值，分别表示第k类高斯混合分布的均值和方差，ws为第s个局部区域，k＝{1,2,…,K}，式中K为类别总数。
GMM模型理论上可以逼近任意复杂的场景分布，但是由于计算的复杂度，本发明设定高斯分布个数为3～5，在保证较为准确地提取图像的前景信息的前提下，具有较快的处理速度。
定义为图像标号场的平滑能量项：
式中，ys,yr分别表示第s、r个像素对应的标签值，当ys＝yr时，V(ys,yr)＝0；当ys≠yr时，V(ys,yr)＝1。是局部区域标号场的四个方向上的参数，κsr也是一个方向参数，当邻域像素对为水平或者垂直方向的节点时，定义κsr＝1；当邻域像素对为对角或者反对角方向上的节点时，定义κsr＝0.5。
1c)采用Gibbs采样算法求解MRF后验概率模型的最优分布，提取人员目标。前景/背景分割结果如图3所示。
1d)为了平滑部分斑点误分割，对步骤1c)分割结果利用数学形态学“膨胀”运算后图像的前景信息如图4所示。
步骤2：基于步骤1提取的建筑空间图像中人员的前景像素信息，利用线性回归方法建立估计建筑空间人员密度的线性模型。
2a)在不同时刻t下，获取大空间公共建筑(文体馆室)内图像信息，并重复步骤1，提取前景图像信息，通过比较多次实验提取的前景像素总数和统计的室内人员总数，利用最小二乘法进行线性拟合，得到前景像素数和室内人员数服从下式：
Z＝mNpx+b
式中，Z为前景像素数，Npx为估计的室内人员数，m和b为线性回归系数，具体地，本实施例中此处m＝0.0158，b＝478.7745。
2b)基于步骤2a)，利用步骤1的方法对t时刻场景中的人数进行估计，本发明估计结果如表1所示，基于本发明提出的人员密度估计模型估计的人数与某文体馆真实统计人数相比，平均误差率在4.9％左右。
2c)根据估计的人群密度，可以得到图像的前景像素数与室内人数的线性拟合直线如图5所示。
根据不同密度的人群，本发明将建筑负荷划分为三类不同的负荷：人群密度为0～0.4人/m2时，定义建筑空间中人的负荷较低，对应负荷等级为Ⅰ级；人群密度在0.4人/m2～1.0人/m2时，定义建筑空间中人的负荷中等，对应的负荷等级为Ⅱ级；人群密度大于1.0人/m2时，定义建筑空间中人的负荷最大，对应的负荷等级为Ⅲ级。划分结果参见表2。这些实例仅仅说明性的，而并非对本发明的限制。
步骤3：在建筑动态负荷估计中，根据步骤2建立的人群密度估计模型，实时估计的建筑空间内人员密度的变化，计算出动态人体负荷，计算公式如下式所示：
Qw(t)＝k·Npx(t)·qw/1000
式中，Qw(t)为t时刻建筑空间内的动态人体负荷；k∈[0.89,1.00]为群集系数；Npx(t)为室内t时刻总人数，即为人员密度与地面面积之积；qw为人体负荷指标，单位为W/人。
步骤4：根据步骤2估计的建筑空间人员密度，结合围护结构和装饰相关的室内面积，得到建筑空间内t时刻动态新风量Lw(t)估计式：
Lw(t)＝Npx(t)Rp+RbAb
式中，Npx(t)为室内t时刻总人数；Rp为每人最小新风量指标，单位m3/(h·人)；Rb为每平方米地板所需最小新风量指标，单位m3/(h·m2)；Ab为地板面积，单位m2。
步骤5：基于步骤3估计的大空间建筑中的人员负荷，以及步骤4得到的动态新风量，建立大空间建筑的动态负荷空调新风量控制方法。策略如下：
根据GB50736-2012《民用建筑供暖通风与空气调节设计规范》，并附加10％裕量，确定可保证文体馆内人员的新风需求的新风总量。为了简化控制的复杂度，本实例采用分档的控制方式，根据人员密度的不同将文体馆室内负荷的档位设定为3个，如表2所示；根据不同密度下的平均人数和所需的最小新风量，设定不同档位所需的新风量，本实例各档位设置情况及对应的新风总量如表3所示。本发明不局限于分档的划分形式，可根据实时估计的新风量进行新风量实时调节，以保证较高的建筑空间空气品质。
本发明提出了一种融合图像信息的大空间建筑空调动态负荷估计方法，通过人员密度检测实时估计大建筑空间中的人员动态负荷，并根据人员变化情况及国标所规定的每人最小所需新风量，估计得到每个时段应提供的新风量，最终建立大空间建筑的动态负荷空调新风量控制方法。该方法可准确获得大空间建筑空调动态负荷，在此基础上可建立空调分级控制策略，在空调的控制过程中根据不同的负荷等级实时做出相应的调整，有效解决传统空调控制系统的大滞后问题，提高了控制系统的稳定性。同时，本发明提出的动态新风量给定方式和常规静态给定新风方式相比，这种动态新风量方式在保证了建筑空间空气品质的基础上，能够根据建筑空间内人群密度实时调整新风量的大小，避免了空调系统在实际运行时新风量按照设计定额方式运行所导致新风能耗负荷巨大的问题，能够有效实现空调系统的节能。
表1真实人数与动态估计人数对比
表2人群密度与室内负荷等级
表3新风负荷档位设置
Claims (6)
1.融合图像信息的大空间建筑空调动态负荷估计及新风量控制方法，其特征在于，包括以下步骤：
步骤1：采集大空间公共建筑图像，基于区域高斯马尔可夫随机场，建立大空间公共建筑图像的前景和背景的分割模型，提取建筑空间中人员目标；
步骤2：基于步骤1提取的建筑空间图像中人员的前景像素信息，利用线性回归方法建立估计建筑空间人员密度的线性模型；
步骤3：根据步骤2建立的人员密度估计模型，实时估计的建筑空间内人员密度的变化，计算出动态人体负荷；
步骤4：根据步骤2实时估计的建筑空间内人员密度，结合围护结构和装饰相关的室内面积，得到建筑空间内t时刻动态新风量Lw(t)估计；
步骤5：基于步骤3估计的大空间建筑中的人员负荷，以及步骤4得到的动态新风量，进行大空间建筑的动态负荷空调新风量控制。
2.根据权利要求1所述的融合图像信息的大空间建筑空调动态负荷估计及新风量控制方法，其特征在于，步骤1具体包括：
1a)建立区域高斯马尔可夫随机场模型的图像分割算法，利用高斯混合模型建立建筑空间图像前景人和图像背景的分析模型：
<mrow>
<mover>
<mi>X</mi>
<mo>^</mo>
</mover>
<mo>=</mo>
<mi>arg</mi>
<mi> </mi>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
<mo>{</mo>
<mi>P</mi>
<mrow>
<mo>(</mo>
<mi>Y</mi>
<mo>|</mo>
<mi>X</mi>
<mo>)</mo>
</mrow>
<mi>P</mi>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>)</mo>
</mrow>
<mo>}</mo>
</mrow>
其中，X,Y分别表示大空间公共建筑图像的分类标签场和观察场；P(Y|X)表示观察图像场与分割标签场的高斯似然概率分布；P(X)表示标签场的先验知识；
1b)结合图像的先验知识，建立图像分割的区域MRF后验概率能量模型：
<mfenced open = "" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>E</mi>
<mrow>
<mo>(</mo>
<mi>Y</mi>
<mo>|</mo>
<mi>X</mi>
<mo>,</mo>
<mi>&theta;</mi>
<mo>,</mo>
<mi>&beta;</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munder>
<mo>&Sigma;</mo>
<msub>
<mi>w</mi>
<mn>3</mn>
</msub>
</munder>
<msub>
<mi>E</mi>
<mrow>
<mi>D</mi>
<mi>a</mi>
<mi>t</mi>
<mi>a</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>y</mi>
<msub>
<mi>w</mi>
<mn>3</mn>
</msub>
</msub>
<mo>|</mo>
<msub>
<mi>x</mi>
<msub>
<mi>w</mi>
<mn>3</mn>
</msub>
</msub>
<mo>,</mo>
<mi>&theta;</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>E</mi>
<mrow>
<mi>S</mi>
<mi>m</mi>
<mi>o</mi>
<mi>o</mi>
<mi>t</mi>
<mi>h</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>y</mi>
<msub>
<mi>w</mi>
<mn>3</mn>
</msub>
</msub>
<mo>|</mo>
<mi>&beta;</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>s</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<mo>{</mo>
<mi>w</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>d</mi>
<mi>s</mi>
</msub>
<mo>)</mo>
</mrow>
<munder>
<mo>&Sigma;</mo>
<mrow>
<msub>
<mi>s</mi>
<mrow>
<mi>s</mi>
<mi>r</mi>
</mrow>
</msub>
<mo>&Element;</mo>
<msub>
<mi>w</mi>
<mi>s</mi>
</msub>
</mrow>
</munder>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>K</mi>
</munderover>
<mo>{</mo>
<mi>log</mi>
<mfrac>
<mn>1</mn>
<msqrt>
<mrow>
<mn>2</mn>
<msubsup>
<mi>&pi;&sigma;</mi>
<mi>k</mi>
<mn>2</mn>
</msubsup>
</mrow>
</msqrt>
</mfrac>
<mo>-</mo>
<mfrac>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>s</mi>
<mi>r</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>&mu;</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mrow>
<mn>2</mn>
<msubsup>
<mi>&sigma;</mi>
<mi>k</mi>
<mn>2</mn>
</msubsup>
</mrow>
</mfrac>
<mo>}</mo>
<mo>-</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>v</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>4</mn>
</munderover>
<msubsup>
<mi>&beta;</mi>
<mrow>
<mi>s</mi>
<mi>r</mi>
</mrow>
<mi>v</mi>
</msubsup>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>s</mi>
<mi>r</mi>
<mo>&Element;</mo>
<msub>
<mi>w</mi>
<mn>3</mn>
</msub>
</mrow>
</munder>
<msub>
<mi>&kappa;</mi>
<mrow>
<mi>s</mi>
<mi>r</mi>
</mrow>
</msub>
<mi>V</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>y</mi>
<mi>s</mi>
</msub>
<mo>,</mo>
<msub>
<mi>y</mi>
<mi>r</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>}</mo>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
式中，w(ds)为图像划分3×3子区域内中心像素与邻域像素的距离权值；
定义为图像观察场的似然能量项：
<mrow>
<msub>
<mi>E</mi>
<mrow>
<mi>D</mi>
<mi>a</mi>
<mi>t</mi>
<mi>a</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>y</mi>
<msub>
<mi>w</mi>
<mn>3</mn>
</msub>
</msub>
<mo>|</mo>
<msub>
<mi>x</mi>
<msub>
<mi>w</mi>
<mn>3</mn>
</msub>
</msub>
<mo>,</mo>
<mi>&theta;</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>w</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>d</mi>
<mi>s</mi>
</msub>
<mo>)</mo>
</mrow>
<munder>
<mo>&Sigma;</mo>
<mrow>
<msub>
<mi>x</mi>
<mrow>
<mi>s</mi>
<mi>r</mi>
</mrow>
</msub>
<mo>&Element;</mo>
<msub>
<mi>w</mi>
<mi>s</mi>
</msub>
</mrow>
</munder>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>K</mi>
</munderover>
<mo>{</mo>
<mi>l</mi>
<mi>o</mi>
<mi>g</mi>
<mfrac>
<mn>1</mn>
<msqrt>
<mrow>
<mn>2</mn>
<msubsup>
<mi>&pi;&sigma;</mi>
<mi>k</mi>
<mn>2</mn>
</msubsup>
</mrow>
</msqrt>
</mfrac>
<mo>-</mo>
<mfrac>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>s</mi>
<mi>r</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>&mu;</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mrow>
<mn>2</mn>
<msubsup>
<mi>&sigma;</mi>
<mi>k</mi>
<mn>2</mn>
</msubsup>
</mrow>
</mfrac>
<mo>}</mo>
</mrow>
分别表示第k类高斯混合分布的均值和方差；
定义为图像标号场的平滑能量项：
<mrow>
<msub>
<mi>E</mi>
<mrow>
<mi>S</mi>
<mi>m</mi>
<mi>o</mi>
<mi>o</mi>
<mi>t</mi>
<mi>h</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>y</mi>
<msub>
<mi>w</mi>
<mn>3</mn>
</msub>
</msub>
<mo>|</mo>
<mi>&beta;</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>v</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>4</mn>
</munderover>
<msubsup>
<mi>&beta;</mi>
<mrow>
<mi>s</mi>
<mi>r</mi>
</mrow>
<mi>v</mi>
</msubsup>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>s</mi>
<mi>r</mi>
<mo>&Element;</mo>
<msub>
<mi>w</mi>
<mn>3</mn>
</msub>
</mrow>
</munder>
<msub>
<mi>&kappa;</mi>
<mrow>
<mi>s</mi>
<mi>r</mi>
</mrow>
</msub>
<mi>V</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>y</mi>
<mi>s</mi>
</msub>
<mo>,</mo>
<msub>
<mi>y</mi>
<mi>r</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
式中，当ys＝yr时，V(ys,yr)＝0；当ys≠yr时，V(ys,yr)＝1；是局部区域标号场的四个方向上的参数，κsr也是一个方向参数，当邻域像素对为水平或者垂直方向的节点时，定义κsr＝1；当邻域像素对为对角或者反对角方向上的节点时，定义κsr＝0.5；
1c)采用Gibbs采样算法求解MRF后验概率模型的最优分布，提取人员目标；
1d)对步骤1c)分割结果利用数学形态学膨胀运算，平滑部分斑点误分割。
3.根据权利要求1所述的融合图像信息的大空间建筑空调动态负荷估计及新风量控制方法，其特征在于，步骤2具体包括：
在不同时刻t下，获取大空间公共建筑内图像信息，并重复步骤1，提取前景图像信息，通过比较多次实验提取的前景像素总数和统计的室内人员总数，利用最小二乘法进行线性拟合，得到前景像素数和室内人员数服从下式：
Z＝mNpx+b
式中，Z为前景像素数，Npx为估计的室内人员数，m和b为线性回归系数。
4.根据权利要求1所述的融合图像信息的大空间建筑空调动态负荷估计及新风量控制方法，其特征在于，步骤5中，根据实时估计的建筑空间内人员密度，控制空调的功率；人群密度为0～0.4人/m2时，对应空调的负荷等级为Ⅰ级；人群密度在0.4人/m2～1.0人/m2时，对应空调的负荷等级为Ⅱ级；人群密度大于1.0人/m2时，对应空调的负荷等级为Ⅲ级；Ⅲ级空调的功率＞II级空调的功率＞I级空调的功率。
5.根据权利要求1所述的融合图像信息的大空间建筑空调动态负荷估计及新风量控制方法，其特征在于，步骤3中，根据步骤2建立的人群密度估计模型，实时估计的建筑空间内人员密度的变化，计算出动态人体负荷，计算公式如下式所示：
Qw(t)＝k·Npx(t)·qw/1000
式中，Qw(t)为t时刻建筑空间内的动态人体负荷；k为群集系数；Npx(t)为室内t时刻总人数，即为人员密度与地面面积之积；qw为人体负荷指标，单位为W/人。
6.根据权利要求1所述的融合图像信息的大空间建筑空调动态负荷估计及新风量控制方法，其特征在于，步骤4中，根据步骤2估计的建筑空间人员密度，结合围护结构和装饰相关的室内面积，得到建筑空间内t时刻动态新风量Lw(t)估计式：
Lw(t)＝Npx(t)Rp+RbAb
式中，Npx(t)为室内t时刻总人数；Rp为每人最小新风量指标，单位m3/(h·人)；Rb为每平方米地板所需最小新风量指标，单位m3/(h·m2)；Ab为地板面积，单位m2。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711123144.6A CN107895080B (zh) | 2017-11-14 | 2017-11-14 | 融合图像信息的大空间建筑空调动态负荷估计及新风量控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711123144.6A CN107895080B (zh) | 2017-11-14 | 2017-11-14 | 融合图像信息的大空间建筑空调动态负荷估计及新风量控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107895080A true CN107895080A (zh) | 2018-04-10 |
| CN107895080B CN107895080B (zh) | 2021-06-29 |
Family
ID=61804432
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711123144.6A Active CN107895080B (zh) | 2017-11-14 | 2017-11-14 | 融合图像信息的大空间建筑空调动态负荷估计及新风量控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107895080B (zh) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109241950A (zh) * | 2018-10-19 | 2019-01-18 | 杭州电子科技大学 | 一种基于焓值分布熵的人群恐慌状态识别方法 |
| CN110068113A (zh) * | 2019-04-25 | 2019-07-30 | 南京邮电大学 | 一种基于深度学习的地铁环境温控系统及方法 |
| CN110553348A (zh) * | 2019-08-19 | 2019-12-10 | 武汉世纪楚林科技有限公司 | 中央空调节能优化方法、装置、终端设备及存储介质 |
| CN110608497A (zh) * | 2019-09-05 | 2019-12-24 | 珠海格力电器股份有限公司 | 新风空调器、控制方法及存储介质 |
| CN110736226A (zh) * | 2019-10-29 | 2020-01-31 | 珠海格力电器股份有限公司 | 空调器的控制方法及装置、空调器设备 |
| CN111401658A (zh) * | 2020-04-08 | 2020-07-10 | 西安建筑科技大学 | 一种基于建筑空间单元的并行冷负荷预测方法 |
| CN111426003A (zh) * | 2020-03-25 | 2020-07-17 | 聊城市鲁西化工工程设计有限责任公司 | 一种抗爆控制室空调系统及抗爆控制室空气调节方法 |
| CN112923538A (zh) * | 2021-02-22 | 2021-06-08 | 天津大学 | 基于人流密度调节的大空间新风系统的精准送风方法 |
| CN114386883A (zh) * | 2022-03-23 | 2022-04-22 | 深大云网络（深圳）有限公司 | 基于人工智能和机器视觉的安防管控方法及系统 |
| CN115545071A (zh) * | 2022-09-15 | 2022-12-30 | 哈尔滨工业大学 | 一种基于wifi信号识别的居住建筑通风需求预测方法及系统 |
| WO2023082659A1 (zh) * | 2021-11-12 | 2023-05-19 | 青岛海尔空调器有限总公司 | 用于空调送新风的控制方法及装置、空调 |
| CN116720999A (zh) * | 2023-08-07 | 2023-09-08 | 戈尔电梯（天津）有限公司 | 一种智慧社区的控制方法、装置、电子设备及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104101050A (zh) * | 2013-11-30 | 2014-10-15 | 深圳市作夏科技有限公司 | 一种中央空调节能管理系统 |
| CN106382718A (zh) * | 2016-08-30 | 2017-02-08 | 广州穗剑实验室科技有限公司 | 基于实时视频分析的通风空调控制系统 |
| CN106524295A (zh) * | 2016-11-21 | 2017-03-22 | 北京建筑技术发展有限责任公司 | 一种区域建筑能耗预测方法 |
| CN107330372A (zh) * | 2017-06-05 | 2017-11-07 | 四川大学 | 一种基于视频的人群密度与异常行为检测系统的分析方法 |
-
2017
- 2017-11-14 CN CN201711123144.6A patent/CN107895080B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104101050A (zh) * | 2013-11-30 | 2014-10-15 | 深圳市作夏科技有限公司 | 一种中央空调节能管理系统 |
| CN106382718A (zh) * | 2016-08-30 | 2017-02-08 | 广州穗剑实验室科技有限公司 | 基于实时视频分析的通风空调控制系统 |
| CN106524295A (zh) * | 2016-11-21 | 2017-03-22 | 北京建筑技术发展有限责任公司 | 一种区域建筑能耗预测方法 |
| CN107330372A (zh) * | 2017-06-05 | 2017-11-07 | 四川大学 | 一种基于视频的人群密度与异常行为检测系统的分析方法 |
Non-Patent Citations (4)
| Title |
|---|
| SHENG-JUN XU ET AL.: "Efficient Belief Propagation for Image Segmentation Based on an Adaptive MRF Model", 《2013 IEEE 11TH INTERNATIONAL CONFERENCE ON DEPENDABLE, AUTONOMIC AND SECURE COMPUTING》 * |
| 刘光辉 等: "自适应先验马尔可夫随机场模型的图像分割算法", 《西安交通大学学报》 * |
| 徐胜军 等: "基于局部空间自适应MRF模型的图像分割", 《控制与决策》 * |
| 李慧 等: "大型商场建筑夏季冷负荷动态预测模型", 《土木建筑与环境工程》 * |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109241950B (zh) * | 2018-10-19 | 2021-11-02 | 杭州电子科技大学 | 一种基于焓值分布熵的人群恐慌状态识别方法 |
| CN109241950A (zh) * | 2018-10-19 | 2019-01-18 | 杭州电子科技大学 | 一种基于焓值分布熵的人群恐慌状态识别方法 |
| CN110068113A (zh) * | 2019-04-25 | 2019-07-30 | 南京邮电大学 | 一种基于深度学习的地铁环境温控系统及方法 |
| CN110553348A (zh) * | 2019-08-19 | 2019-12-10 | 武汉世纪楚林科技有限公司 | 中央空调节能优化方法、装置、终端设备及存储介质 |
| CN110608497A (zh) * | 2019-09-05 | 2019-12-24 | 珠海格力电器股份有限公司 | 新风空调器、控制方法及存储介质 |
| CN110736226A (zh) * | 2019-10-29 | 2020-01-31 | 珠海格力电器股份有限公司 | 空调器的控制方法及装置、空调器设备 |
| CN111426003A (zh) * | 2020-03-25 | 2020-07-17 | 聊城市鲁西化工工程设计有限责任公司 | 一种抗爆控制室空调系统及抗爆控制室空气调节方法 |
| CN111426003B (zh) * | 2020-03-25 | 2021-11-26 | 聊城市鲁西化工工程设计有限责任公司 | 一种抗爆控制室空调系统及抗爆控制室空气调节方法 |
| CN111401658A (zh) * | 2020-04-08 | 2020-07-10 | 西安建筑科技大学 | 一种基于建筑空间单元的并行冷负荷预测方法 |
| CN111401658B (zh) * | 2020-04-08 | 2022-07-19 | 西安建筑科技大学 | 一种基于建筑空间单元的并行冷负荷预测方法 |
| CN112923538A (zh) * | 2021-02-22 | 2021-06-08 | 天津大学 | 基于人流密度调节的大空间新风系统的精准送风方法 |
| WO2023082659A1 (zh) * | 2021-11-12 | 2023-05-19 | 青岛海尔空调器有限总公司 | 用于空调送新风的控制方法及装置、空调 |
| CN114386883A (zh) * | 2022-03-23 | 2022-04-22 | 深大云网络（深圳）有限公司 | 基于人工智能和机器视觉的安防管控方法及系统 |
| CN115545071A (zh) * | 2022-09-15 | 2022-12-30 | 哈尔滨工业大学 | 一种基于wifi信号识别的居住建筑通风需求预测方法及系统 |
| CN115545071B (zh) * | 2022-09-15 | 2024-05-03 | 哈尔滨工业大学 | 一种基于wifi信号识别的居住建筑通风需求预测方法及系统 |
| CN116720999A (zh) * | 2023-08-07 | 2023-09-08 | 戈尔电梯（天津）有限公司 | 一种智慧社区的控制方法、装置、电子设备及存储介质 |
| CN116720999B (zh) * | 2023-08-07 | 2023-11-07 | 戈尔电梯（天津）有限公司 | 一种智慧社区的控制方法、装置、电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107895080B (zh) | 2021-06-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107895080A (zh) | 融合图像信息的大空间建筑空调动态负荷估计及新风量控制方法 | |
| CN105447458B (zh) | 一种大规模人群视频分析系统和方法 | |
| CN109764485B (zh) | 一种基于舒适度的空调节能控制方法和装置 | |
| CN109887082A (zh) | 一种基于点云数据的室内建筑三维建模方法及装置 | |
| CN101404091B (zh) | 基于两步形状建模的三维人脸重建方法和系统 | |
| CN104050722B (zh) | 一种图像内容驱动的室内三维场景布局与颜色迁移生成方法 | |
| CN103150559B (zh) | 基于Kinect三维深度图像的头部识别与跟踪方法 | |
| CN107679310A (zh) | 基于bim和图像叠合技术的工程实时进度三维立体展示方法 | |
| CN103208123A (zh) | 图像分割方法与系统 | |
| CN103268470A (zh) | 基于任意场景的视频对象实时统计方法 | |
| CN102298709A (zh) | 复杂环境下多特征融合的节能型智能识别数字标牌 | |
| CN109163731A (zh) | 一种语义地图构建方法及系统 | |
| CN108288106A (zh) | 一种基于大数据的旅游客流预测方法 | |
| CN104504394A (zh) | 一种基于多特征融合的密集人数估计方法和系统 | |
| CN111798562B (zh) | 一种虚拟建筑空间搭建与漫游方法 | |
| CN109800916A (zh) | 一种高速公路服务区驶入车流量的建模方法 | |
| CN102509346A (zh) | 基于边缘保持的对象光照迁移方法 | |
| CN113989456B (zh) | 基于gis数据的轨交站点空间三维模型自动构建方法 | |
| CN107479388A (zh) | 一种教室中央空调与照明的节能控制系统及控制方法 | |
| CN106203276A (zh) | 一种视频客流统计系统及客流统计方法 | |
| CN108715168A (zh) | 一种基于列车空调动态负荷的在线控制方法 | |
| CN109325463A (zh) | 一种人脸实时跟踪方法 | |
| CN109145736A (zh) | 一种基于视频分析的地铁站点行人逆向行走的检测方法 | |
| CN104965964B (zh) | 一种基于监控视频分析的建筑物人员分布模型建立方法 | |
| CN106845751A (zh) | 一种智慧酒店对客服务决策指挥控制系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |