CN107917507B - 一种融合图像信息的集中空调热舒适度pmv控制方法 - Google Patents

Abstract

本发明公开一种融合图像信息的集中空调热舒适度PMV控制方法，寻求准确的动态环境集中空调热舒适度控制，以解决常规静态环境下的PMV模型不能够很好描述动态的真实环境问题；本发明利用计算机视觉技术对室内环境下的人进行分析处理，获取建筑空间中由于人员的数量变化引起的负荷变化、新风量需求变化以及人员着衣情况，基于这些因素建立动态环境下的PMV模型，并用于空调的控制，以快速满足室内环境中人对热舒适度的需求。这种基于热舒适度的控制方式通过调节模型中各参数使室内热环境始终保持在室内人员可接受的舒适环境中，并在保证人体热舒适度的前提下，通过控制空调的运行方式，节约运行成本。

Description

一种融合图像信息的集中空调热舒适度PMV控制方法

技术领域

本发明属于空调控制领域，具体涉及一种融合图像信息的集中空调热舒适度PMV控制方法。

背景技术

基于热舒适度的空调控制方法把人们感知的舒适性作为控制目标，通过改变室内环境温度、室内风速等参数，调节人体对室内热环境的感知。对于空调的控制来说，其意义在于满足室内空间中人的热舒适性的要求。这种热舒适性不仅仅包含室内空间的环境温度、相对湿度参数，还包括空调的送风风速、辐射温度以及室内人的衣服热阻和人体的新陈代谢率。和常规的空调控制方法相比，这种基于热舒适度的控制方法具有较大的节能潜力以及广阔的应用前景。

PMV(Predicted Mean Vote)是当前国际公认的描述室内热环境的一个指标。由于PMV指标综合考虑了人体热舒适度的不同影响因素，代表了大多数人对室内环境的热舒适度的评价，因此这个指标比较客观的反映了室内热环境的热舒适度。PMV模型在大量的热环境领域得到了研究和应用，是当前基于热舒适度控制的空调节能方法中应用最广泛、效果最好的模型之一。

在人体静态热舒适环境下，PMV模型的预测结果与人体的感知是基本一致的，因此基于热舒适度的空调控制方法也取得了很好的效果。但是，在真实的动态环境下，由于人体的热舒适度具有动态特性，导致常规的静态环境下的PMV模型并不能很好的直接应用于动态真实环境中。在当前研究中，由于没有一个有效的模型或者方法对动态真实环境进行建模，因此大量的基于热舒适度的空调控制方法仍然采用这种静态环境下的PMV模型作为研究对象。

发明内容

本发明的目的在于提供一种融合图像信息的集中空调热舒适度PMV控制方法，寻求准确的动态环境集中空调热舒适度控制，以解决常规静态环境下的PMV模型不能够很好描述动态的真实环境问题。本发明利用计算机视觉技术对室内环境下的人进行分析处理，获取建筑空间中由于人员的数量变化引起的负荷变化、新风量需求变化以及人员着衣情况，基于这些因素建立动态环境下的PMV模型，并用于空调的控制，以快速满足室内环境中人对热舒适度的需求。

在空调舒适度控制过程中，当确定人员数目后，室内环境温度达到一个平衡时，则可以认为人体与室内环境的热交换达到了一个平衡。忽略室外环境因素的变化，仅考虑室内环境中人员数目的变化对室内环境负荷的影响，则可以通过计算机视觉技术对室内环境中的人员数目进行实时监测，通过检测到的人员数目的变化所带来的负荷的变化，实时调整空调的输出控制参数，提高空调控制系统的响应速度。对于人体的状态来说，采用计算机视觉技术对人体状态进行分析估计，并根据估计的人体状态，建立室内环境中人体的热平衡关系，对室内环境的舒适度进行评估，确定基于PMV模型的控制输出量，以满足人体对热舒适度的快速需求，并达到节约能源的目的。

为了实现上述目的，本发明采用以下技术方案：

一种融合图像信息的集中空调热舒适度PMV控制方法，包括以下步骤：

①对实时采集到的建筑内的场景图像进行人员提取并对人群密度进行估计；

②根据估计的人群密度选择建筑空间的室内负荷等级；

③根据估计的人群密度对实际新风量的需求和风速进行估计，在控制系统中设定相应的新风比和风速值；

④随机提取场景部分人员图像，估计人群着衣量；

⑤测量建筑空间内的实际湿度、风速和平均辐射温度；

⑥根据PMV模型，估计PMV指标；

⑦如果估计的PMV>P_s，其中P_s为PMV的期望值，设定t_t＝t_t-1-δ_t，并返回步骤⑥计算下一时刻的PMV指标；否则跳转步骤⑧；其中，t_t为与Ps对应的温度设定值，δ_t是温度调整增量值，

⑧如果估计的PMV＜P_s，设定t_t＝t_t-1+δ_t，返回步骤⑥计算下一时刻的PMV指标；否则跳转至步骤⑨；

⑨PMV＝P_s，温度设定为t_t。

进一步的，步骤①利用公式(1)建立人群密度统计模型，得到前景像素数和室内人员数数学表达：

Z＝mN_px+b (1)

式中，N_px为估计的室内人员数，Z为前景像素数，m和b为线性回归系数。

进一步的，步骤②中根据估计的人群密度选择建筑空间的室内负荷等级：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0.45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1.05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具体包括：

i)根据公式(1)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，得到公式(2)所示的建筑空间内t时刻动态新风量L_w(t)估计：

L_w(t)＝N_px(t)R_p+R_bA_b (2)

式(2)中，N_px(t)为室内t时刻总人数，即为人员密度与地面面积之积；R_p为每人最小新风量指标，单位m³/(h·人)；R_b为每平方米地板所需最小新风量指标，单位m³/(h·m²)；A_b为地板面积，单位m²；

ii)基于动态负荷估计方法的风速值v可以通过公式(3)来估计：

式(3)中，v为通风速率，单位为m/s；G为室内排放量，相当于室内的人员数目，G的单位为olf，根据公式(1)估计的人群密度，则有室内排放量G的估计如公式(4)所示：

G＝人群密度×建筑空间面积(4)

根据建筑空间排放量估计出室内的空气质量，C_i为期望的室内空气质量，单位为decipol；C₀为室外空气质量；ε为通风效率；

在额定负荷时，根据公式(1)估计的人群密度以及室内排放量的计算公式(4)，计算得到实际的排放量G_t，对应此排放量的室内风速v_t由公式(5)计算得到：

其中，在额定负荷时，室内时排放量为G₀，设定的风速为v₀。

进一步的，步骤④具体包括：

4.1)利用计算机视觉技术随机提取建筑场景中人的个体图像，基于高斯混合模型建立个体肤色的模型，其概率密度表示为：

式(6)中，p_i(x|y)为高斯概率密度函数，k为混合高斯分布阶数，α_i为高斯混合系数；

4.2)根据上述个体的皮肤检测结果，定义个体的裸露面积与矩形框面积占比f为：

4.3)根据对个体的着衣面积与裸露面积的占比，通过加权平均估计得到建筑空间内人群的裸露皮肤和着衣面积占比

公式(8)中，

为估计的建筑空间内人群的着衣面积占比，N为样本数，f_i为第i个样本的着衣面积占比。

进一步的，步骤⑤中，设定人体着衣量的阈值f_ref＝0.0818，当

时，认为室内人群着衣量较多，着衣量f_cl＝1.15；当

时，认为室内人群着衣量较少，着衣量f_cl＝1.1；依据室内人群的着衣量f_cl作为舒适度指标的评价参数，在保持室内舒适度不变的情况下，实现集中空调控制系统的节能。

进一步的，步骤⑥中，建立如公式(9)所示的PMV模型，估计PMV指标：

其中，

式(9)、(10)、(11)、(12)中，M表示新陈代谢率；W表示人体做功率；p_a为室内空气中水蒸气分压力；t_a表示室内环境温度；

表示穿衣人体外表面平均温度；h_c为对流热交换系数；v_air表示室内空气流速；I_cl表示衣服热阻。

相对于现有技术，本发明的优点在于：这种基于热舒适度的控制方式通过调节模型中各参数使室内热环境始终保持在室内人员可接受的舒适环境中，并在保证人体热舒适度的前提下，通过控制空调的运行方式，节约运行成本。

附图说明

图1为本发明的流程图；

图2为人群密度与室内负荷等级示意图；

图3为风速档位设置图；

图4为Icl和fcl关系示意图；

图5为人体着衣面积检测图；图5(a)中f＝0.3294；图5(b)中f＝0.2874；图5(c)中f＝0.0659；

图6为热舒适度标尺图；

图7为控制原理图；

图8为负荷8人时实验数据曲线图；其中图8(a)为温度变化曲线；图8(b)为风量变化曲线；

图9为负荷12人时实验数据曲线图；其中图9(a)为温度变化曲线；图9(b)为风量变化曲线；

图10为本发明方法与对比方法冷机负荷对比图。

具体实施方式

下面以某大学文体馆夏季工况为例，结合附图，对本发明做进一步详细描述：

通过控制温度和风速(控制空调风机的转速和冷冻水电动调节阈的开度)对PMV进行调整，建立一种融合图像信息的集中空调热舒适度PMV控制方法。首先通过图像处理技术对建筑空间的人群密度进行估计，并根据估计的人群密度对建筑空间的负荷进行估计，计算实际新风量的需求和风速的大小，估计人群的着衣量。然后计算PMV值，并和设定的PMV期望值Ps进行比较，如果PMV的计算值和期望值相等，则保持温度设定值不变；如果PMV计算值偏大，则减小温度设定值，反之，如果PMV计算值偏小，则增加温度设定值，算法循环运行，直到PMV计算值和期望值相等。

具体地请参阅图1所示，本发明一种融合图像信息的集中空调热舒适度PMV控制方法，具体包括以下步骤：

①对实时采集到的建筑内的场景图像进行图像分割，提取图像前景信息，统计前景像素总数；之后利用公式(1)建立人群密度统计模型，得到前景像素数和室内人员数数学表达：

Z＝mN_px+b (1)

式中，N_px为估计的室内人员数，Z为前景像素数，m和b为线性回归系数，m＝0.0158，b＝478.7745。

②根据公式(1)估计的人群密度，基于图2对建筑空间的室内负荷等级进行划分。

③分别对实际新风量的需求和风速进行估计，在控制系统中设定相应的新风比和风速值，具体过程如下：

i)根据公式(1)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，得到公式(2)所示的建筑空间内t时刻动态新风量L_w(t)估计：

L_w(t)＝N_px(t)R_p+R_bA_b (2)

式(2)中，N_px(t)为室内t时刻总人数，即为人员密度与地面面积之积；R_p为每人最小新风量指标，单位m³/(h·人)；R_b为每平方米地板所需最小新风量指标，单位m³/(h·m²)；A_b为地板面积，单位m²。

ii)基于动态负荷估计方法的风速值v可以通过公式(3)来估计：

式(3)中，v为通风速率，单位为m/s；G为室内排放量，相当于室内的人员数目，G的单位为olf，根据公式(1)估计的人群密度，则有室内排放量G的估计如公式(4)所示：

G＝人群密度×建筑空间面积 (4)

根据建筑空间排放量估计出室内的空气质量，C_i为期望的室内空气质量，单位为decipol；C₀为室外空气质量，对于具有较高空气质量的城市设定为0.1decipol，普通城市设定为0.2decipol；污染区域的空气质量为0.3decipol；ε为通风效率。

在额定负荷时，室内时排放量为G₀，设定的风速为v₀。根据公式(1)估计的人群密度以及室内排放量的计算公式(4)，可以计算得到实际的排放量G_t，对应此排放量的室内风速v_t由公式(5)可以计算得到：

为了简化控制的复杂度，本发明采用分档的控制方式，根据室内排放量的实际大小，把风速设定为3档，分别为0.1m/s、0.4m/s以及0.7m/s。档位设定如图3所示。

④随即提取场景部分人员图像，估计人群着衣量。

在室内热环境中，穿衣人体的多少在一定程度上可以反映人体对环境的舒适度感知。不同的着衣有不同的绝热程度，衡量着衣绝热程度的单位是clo或者m℃/W(1clo＝0.155m℃/W)。定义着衣量的系数为着衣表面积与裸露面积比f_cl以及皮肤表面到着衣表面的总热阻I_cl。不同的着衣量对应的着衣系数如图4所示。一般情况下，衣服越厚重，则着衣量的绝缘值越大，夏季衣服绝缘值在0.35clo～0.6clo之间；而冬季的衣服绝缘值在0.8clo～1.2clo之间。根据不同季节的人体每一层的着装服装类别以及其clo系数，然后将各层衣服clo系数相加，则得到人体着装的clo系数。

对于人体着衣量来说，常规的基于PMV的控制方法由于不能准确估计或者检测人体着衣面积与裸露面积的比值f_cl，只能采用估算的方式，给定不同季节或者环境下的一个近似参考量。这个近似参考量显然对不同着衣人体在热环境中对舒适度的调节具有不同的结果。为了解决这一问题，本发明通过对室内环境采用计算机视觉技术进行处理，通过对室内图像环境进行分析，把人体和室内环境进行分离，然后对人体的着衣面积和裸露面积进行分割，求取准确的人体着衣面积与裸露面积的比值f_cl，显然对于基于舒适度控制方法来说，人体可以感知得到一个更舒适、更准确的舒适度。

人体着衣面积不同以及男性和女性的冷热感觉的差别研究表明，女性本身比较耐热，并且夏季常常光脚穿凉鞋、短裤或短裙等，所以当男性对室温感到满意时女性通常会抱怨太冷。为了估计建筑空间中人群的着衣面积与裸露面积占比，本发明从建筑空间中人群的分布图中随机提取几个个体，采用图像处理方法求取这几个个体的着衣面积与裸露面积的占比，然后对个体的着衣面积与裸露面积的占比加权平均估计得到建筑空间内人群的着衣皮肤和裸露面积占比，并以此占比作为建筑空间中动态PMV模型的人体着衣面积输入参数。估计方法如下：

i)利用计算机视觉技术随机提取建筑场景中人的个体图像，基于高斯混合模型(GMM)建立个体肤色的模型，其概率密度表示为：

式(6)中，p_i(x|y)为高斯概率密度函数，k为混合高斯分布阶数，α_i为高斯混合系数。研究证明二阶高斯混合模型可以准确地描述人体的肤色特征，因此在本发明选择阶数k＝2。高斯参数由EM算法估计得到。

ii)根据上述个体的皮肤检测结果，为了简化运算，定义个体的裸露面积与矩形框面积占比f为：

iii)根据对个体的着衣面积与裸露面积的占比，通过加权平均估计得到建筑空间内人群的裸露皮肤和着衣面积占比

公式(8)中，

为估计的建筑空间内人群的着衣面积占比，N为样本数，f_i为第i个样本的着衣面积占比。

人群着衣面积占比检测结果如图5所示。经过实验，在人体着衣较多情况下，人体的裸露面积与矩形框面积占比为0.0818。因此本发明定义人体着衣量的阈值f_ref＝0.0818，当

时，认为室内人群着衣量较多，定义f_cl＝1.15；当

时，认为室内人群着衣量较少，定义f_cl＝1.1。依据此规则来判定室内人群的着衣量f_cl，并作为舒适度指标的评价参数。研究表明，在保持室内舒适度不变的情况下，着衣量的多少显著影响着室内温度的设定，因而通过检测人体着衣量的多少，可以调节室内温度的设定，当人体着衣量较多时，减小室内温度设定，能够提高室内的舒适度；而人体着衣量较少时，可以增加室内的温度设定，在保持室内舒适度不变的情况下，实现集中空调控制系统的节能。

⑤测量建筑空间内的实际湿度、风速和平均辐射温度；

⑥根据公式(9)估计PMV指标；

根据本发明建立的如公式(9)所示的PMV模型，估计PMV指标。

其中，

式(9)、(10)、(11)、(12)中，M表示新陈代谢率；W表示人体做功率；p_a为室内空气中水蒸气分压力；t_a表示室内环境温度；

表示穿衣人体外表面平均温度；h_c为对流热交换系数；v_air表示室内空气流速；I_cl表示衣服热阻。

公式(9)所示的PMV模型综合考虑了热舒适性的六大因素：人体活动程度、衣服热阻、空气温度、平均辐射温度、空气湿度和空气流动速度，系统的建立了热舒适度的评价指标。

⑦如果估计的PMV>P_s，其中P_s为PMV的期望值，设定t_t＝t_t-1-δ_t，并返回步骤⑥计算下一时刻的PMV指标；否则跳转步骤⑧；其中，t_t为与Ps对应的温度设定值，δ_t是温度调整增量值，

⑧如果估计的PMV＜P_s，设定t_t＝t_t-1+δ_t，返回步骤⑥计算下一时刻的PMV指标；否则跳转至步骤⑨；

⑨PMV＝P_s，温度设定为t_t。

根据上述表征人体热舒适度的PMV评价模型，通过设定人体参数，利用室内温度、湿度传感器、风速传感器等测量室内环境的温度、湿度、风速等环境参数，模型中其他参数如衣服热阻、评价辐射温度、对流热交换系数等参数由人工给定，建立室内控制目标模型。计算室内人体对环境感知的热舒适度指标值，通过设定的空调系统的控制算法，把计算的室内环境热舒适度指标值作为控制对象。热舒适度指标根据大量实验对象对热舒适度的感知作为主观评价标准，被划分为7个标尺，如图6所示。

下面结合实验及实验结果附图对本发明的效果做进一步描述：

实验控制原理图如图7所示，采用Visual C++技术实现图像的处理算法，通过OPC技术和IBETEP空调控制系统实现控制数据的传输。实验环境：室外温度为35.8摄氏度，供回水压差设定0.15Bar，空调机组送风温度19摄氏度，送风压差115Pa，设定室内温度为27℃。

在实验研究过程中，分别选取两个时间段，在室外环境温度湿度等天气参数变化不大的情况下，分别采用两种控制策略进行对比分析。一种为传统控制方式，通过人工设定室内回风温度、送风温度，利用温度传感器检测实际回风温度、送风温度，调节集中空调的输送风量和温度。另一种方式采用本发明提出的融合图像信息的PMV热舒适度控制方法，利用计算机视觉技术对空间环境下的“人”进行检测和分析，提取建筑空间中人的数量变化、着衣量等情况，然后根据这些信息计算室内在保证人的热舒适性的前提下所需的空气质量以及热交换的量，控制空调风机的转速和冷冻水电动调节阈的开度。

实验环境下，每五分钟对建筑空间内图像信息进行分析一次，如果检测到建筑空间内人员负荷发生较大的变化，则设定风量设定值为本文提出方法的风量计算值，经大量实验验证，提出方法风量设定值维持30分钟左右房间可达到预期舒适度，然后切换为常规基于温度控制的空调节能方法。

当测试空间室内温度保持平稳后，在T₀时刻(如图中所示)室内人员由0人增加到8人。采用传统方法和本文提出方法进行调节时，室内的温度变化和空调风量的对比曲线分别如图8所示。根据图8(a)所示，传统控制方法下，人员进入测试空间后的相当一段时间内虽然室内温度开始爬升，但风量的调节一直比较缓慢，直到T₁时刻风量才开始显著增大，如图8(b)所示，稍后室内温度开始下降，最终趋于设定值。反映出传统控制方法下由于空间热惯性和系统固有延迟，系统响应延迟较大。而本发明提出的融合图像信息的PMV热舒适度控制方法下，系统在室内人员负荷增加的极短时间内，如图8(b)所示，迅速增大室内送风量，使得室内温度变化较为平缓，且温度峰值明显小于传统控制方式。和传统控制方法相比，实验结果反映出融合图像信息的PMV热舒适度控制方法能够根据室内负荷的动态变化实时调整控制量的输出，具有较快的响应速度，避免了基于传统的空调控制方法由于控制量的滞后性所导致的不舒适性。因而本发明提出方法具有跟随室内负荷动态变化的快速性，并且能更好地保持室内环境的温度在较舒适的水平。在T₂时刻(如图中所示)室内人员由0人增加到12人，重复上述过程。室内的温度变化和空调风量的对比曲线分别如图9(a)和图9(b)所示，实验结果进一步验证了前面的分析结果。

由上述实验结论可知，本发明提出的融合图像信息的空调控制方法利用图像信息分析结果，准确测定室内人体负荷动态变化情况，并能根据室内负荷的变化实时改变空调送风量的大小，能够有效解决传统空调控制方法的滞后性问题，缩短了系统的调节时间，优化了控制效果，从而提高了室内的舒适性。

此外，根据不同建筑动态负荷的大小当测试空间内人员负荷分别为0人、8人、12人的情况下，空调系统根据图像信息分析人员密度结果，自动实施中央空调新风档位调整，给定3档位工作模式：10％新风比、20％新风比和30％新风比。在不同新风比档位下，中央空调冷水泵功率如图10所示。根据实验可以发现，10％新风比时，空调冷机负荷最小，平均514.06KW/h，20％新风比时，平均538.74KW/h，30％新风比时，空调冷机负荷最大，平均577.06KW/h，由此可见，冷机功率随着新风占比的增加而增加，和10％新风比时相比，平均功率增加了12.26％。因此可以发现，在不同负荷下，调整新风比对于空调系统的节能有很大的潜力。对于本发明提出的空调控制方法，由于能够根据实际室内负荷实时估计新风量的需求，因此能够按照新风量的需求供给新风量。和采用固定新风比的传统方法相比，当室内负荷较小时，本发明提出的控制方法在不影响室内舒适度的前提下，可以根据新风负荷的变化动态调节新风占比，减小新风的供给，实现按需供气，从而实现集中空调系统的节能。

由上述实验对比可以发现，在传统控制方式下，由于大空间环境下温度负荷发生变化，通过传感器检测反馈到控制系统中存在一个相当长的滞后时间。因此，对于这个大滞后系统，控制器从负荷开始出现变化直到控制器做出动作出现了一段相当长的不响应区，对于这个环境中的人来说，不能迅速有效地满足空间环境中的舒适度要求，并且对于空调的控制来说，不能有效地针对建筑空间中负荷的变化做出响应，为了使空间环境温度在大部分时间内维持在可接受的温度范围内，通常需要设定较大的送风量，因此出现了不直接、不迅速、不节能等问题。特别是在这种基准控制方式下，设定中央空调的启停时间，在此期间内，如果室内出现无人的情况，而中央空调仍然继续按照设定的控制参数进行工作，造成了能源的大量浪费。本发明提出的融合图像信息的集中空调热舒适度PMV控制方法可以有效地解决这一问题，这种方法能够检测整个建筑空间环境中负荷的大小或者建筑空间中某个区域无人时，能够在满足人的热舒适度的前提下实现按需供气，根据空间环境负荷的大小实时优化送风量的大小，以达到节约能源的目的。在人进入房间时，控制系统能够实时检测房间是否有人，并根据人员数目自动设定新风量的大小，控制系统温度、湿度、风速等控制量参数。当人离开房间时，控制系统能够检测到房间无人，根据设定的空调工作模式，及时关闭或者调整空调的工作方式，达到节能的目的，并且，提出的方法能够根据大空间建筑中人员的密度分布，估计不同大空间建筑不同区域的负荷，根据空间环境中不同区域负荷的大小实时优化控制方式，实现空调的按需控制。

Claims (4)

1.一种融合图像信息的集中空调热舒适度PMV控制方法，其特征在于，包括以下步骤：

①对实时采集到的建筑内的场景图像进行人员提取并对人群密度进行估计；

②根据估计的人群密度选择建筑空间的室内负荷等级；

③根据估计的人群密度对实际新风量的需求和风速进行估计，在控制系统中设定相应的新风比和风速值；

④随机提取场景部分人员图像，估计人群着衣量；

⑤测量建筑空间内的实际湿度、风速和平均辐射温度；

⑥根据PMV模型，估计PMV指标；

⑦如果估计的PMV>P_s，其中P_s为PMV的期望值，设定t_t＝t_t-1-δ_t，并返回步骤⑥计算下一时刻的PMV指标；否则跳转步骤⑧；其中，t_t为与Ps对应的温度设定值，δ_t是温度调整增量值，

⑧如果估计的PMV＜P_s，设定t_t＝t_t-1+δ_t，返回步骤⑥计算下一时刻的PMV指标；否则跳转至步骤⑨；

⑨PMV＝P_s，温度设定为t_t；

步骤④具体包括：

4.1)利用计算机视觉技术随机提取建筑场景中人的个体图像，基于高斯混合模型建立个体肤色的模型，其概率密度表示为：

式(6)中，p_i(x|y)为高斯概率密度函数，k为混合高斯分布阶数，α_i为高斯混合系数；

4.2)根据上述个体的皮肤检测结果，定义个体的裸露面积与矩形框面积占比f为：

4.3)根据对个体的着衣面积与裸露面积的占比，通过加权平均估计得到建筑空间内人群的着衣面积占比

公式(8)中，

为估计的建筑空间内人群的着衣面积占比，N为样本数，f_i为第i个样本的着衣面积占比；

步骤⑤中，设定人体着衣量的阈值f_ref＝0.0818，当

时，认为室内人群着衣量较多，着衣量f_cl＝1.15；当

时，认为室内人群着衣量较少，着衣量f_cl＝1.1；依据室内人群的着衣量f_cl作为舒适度指标的评价参数，在保持室内舒适度不变的情况下，实现集中空调控制系统的节能；

步骤⑥中，建立如公式(9)所示的PMV模型，估计PMV指标：

其中，

式(9)、(10)、(11)、(12)中，M表示新陈代谢率；W表示人体做功率；p_a为室内空气中水蒸气分压力；t_a表示室内环境温度；

表示穿衣人体外表面平均温度；h_c为对流热交换系数；v_air表示室内空气流速；I_cl表示衣服热阻。

2.根据权利要求1所述的一种融合图像信息的集中空调热舒适度PMV控制方法，其特征在于，步骤①利用公式(1)建立人群密度统计模型，得到前景像素数和室内人员数数学表达：

Z＝mN_px+b(1)

式中，N_px为估计的室内人员数，Z为前景像素数，m和b为线性回归系数。

3.根据权利要求1所述的一种融合图像信息的集中空调热舒适度PMV控制方法，其特征在于，步骤②中根据估计的人群密度选择建筑空间的室内负荷等级：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0.45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1.05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。

4.根据权利要求2所述的一种融合图像信息的集中空调热舒适度PMV控制方法，其特征在于，步骤③具体包括：

i)根据公式(1)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，得到公式(2)所示的建筑空间内t时刻动态新风量L_w(t)估计：

L_w(t)＝N_px(t)R_p+R_bA_b (2)

式(2)中，N_px(t)为室内t时刻总人数，即为人员密度与地面面积之积；R_p为每人最小新风量指标，单位m³/(h·人)；R_b为每平方米地板所需最小新风量指标，单位m³/(h·m²)；A_b为地板面积，单位m²；

ii)基于动态负荷估计方法的风速值v可以通过公式(3)来估计：

式(3)中，v为通风速率，单位为m/s；G为室内排放量，相当于室内的人员数目，G的单位为olf，根据公式(1)估计的人群密度，则有室内排放量G的估计如公式(4)所示：

G＝人群密度×建筑空间面积 (4)

根据建筑空间排放量估计出室内的空气质量，C_i为期望的室内空气质量，单位为decipol；C₀为室外空气质量；ε为通风效率；

在额定负荷时，根据公式(1)估计的人群密度以及室内排放量的计算公式(4)，计算得到实际的排放量G_t，对应此排放量的室内风速v_t由公式(5)计算得到：

其中，在额定负荷时，室内时排放量为G₀，设定的风速为v₀。

Images