CN110377084A - 一种基于智慧控制策略的建筑室内环境调控方法 - Google Patents

Abstract

本发明公开一种基于智慧控制策略的建筑室内环境调控方法，包括步骤1)优化热舒适PMV算法；步骤2)建立室内温湿度环境调控模型；步骤3)检测室内人员行为；步骤4)建立光环境舒适度调控模型；步骤5)室内空气品质影响因素分析；步骤6)实现建筑室内环境智能调控。本发明基于智慧控制策略，从室内环境调控智能化、人性化角度出发，结合数据挖掘分析和理论模型算法，建立了一种室内环境的智能调控方法。

Description

一种基于智慧控制策略的建筑室内环境调控方法

技术领域

本发明属于建筑节能领域，尤其涉及一种基于智慧控制策略的建筑室内环境调控方法。

背景技术

现代社会，人们有80％以上的时间都是在室内度过的。室内环境每时每刻都会影响我们的心情、健康乃至工作效率。随着建筑设计中绿色、健康等概念的普及，以及物联网技术的快速发展，传统的控制方法需要人力大量投入，控制系统复杂，早已不能适应现代都市中人们快节奏的生活，就需要给建筑设备的控制系统建立起一套科学合理且使用简便的控制策略。

室内热湿环境热舒适度的评价标准主要依据是PMV热舒适模型，但是因为PMV值的计算过程非常复杂，时滞性非常明显，需要对模型进行优化。同时随着人们对于室内环境的智能化、人性化控制需求愈加强烈，能源消耗速度加快，如何针对建筑环境的需求和负荷规律，结合数据挖掘分析和理论模型算法，给建筑设备的控制系统建立起一套科学合理的智慧控制管理系统，是实现舒适、健康和节能环境的多目标的关键所在。

发明内容

本发明的目的在于克服上述现有技术中的不足，提出一种基于智慧控制策略的建筑室内环境调控方法。

为解决上述背景技术中心提出的技术问题，本发明采取以下技术方案：一种基于智慧控制策略的建筑室内环境调控方法，包括以下步骤：

1)优化热舒适PMV算法：根据算法返回值并结合用户自身体感反馈，利用卷积神经网络得出符合用户个性化需求的PMV优化指数，实现PMV算法的优化。

2)建立室内温湿度环境调控模型：基于扩展自回归模型，选择室外扰动变量作为温湿度系统模型的输入变量，再利用灰色预测模型对室内温室度进行预测调控。

3)检测室内人员行为：利用红外热成像原理，检测室内人员躺下、坐下和站立三种状态，提取人员行为。

4)建立光环境舒适度调控模型：利用CDSE光敏电阻在可见光波段的超高灵敏度，结合人员状态信息和用户输入，建立光环境调控模型，实现室内照明与自然光的配合。

5)室内空气品质影响因素分析：利用灰色系统理论，用灰色关联度衡量影响因素对系统行为特征影响的大小，并根据由灰色关联度构成的灰色关联矩阵进行优势分析，确定关进系统行为特征和关键影响因素。

6)实现建筑室内环境智能调控：利用人脸识别技术，实现建筑内不同人员的室内环境智能调控。

所述步骤1)优化热舒适PMV算法：采用Fuzzy-PID建立参数与偏差量、偏差速率的模糊映射关系，在线调整，使视同对不同的内环境状态具有自适应性。

所述步骤2)建立室内温湿度环境调控模型：结合以上对于室内环境热舒适度的分析检测，对室内温湿度进行调控，温湿度系统切换调控模型如下：

式中：X(k)为温湿度系统状态，X_set为系统状态设定值，X(k+i|k)为在k时刻预测的(k+i)时刻的系统状态，为给定加权阵。

所述步骤3)检测室内人员行为：

(1)读取数据：人脚部(即方框底边中点)的坐标(x，y)，方框高b像素；当没有检测到时，输出均为0；镜头主轴与捕捉到的脚成角度：

其中FOV为视场角，单位是度(°)

可求得脚与相机的连线与水平面的夹角：

单位是度(°)

脚与相机的连线与法平面的夹角：

单位是度(°)

人到相机的直线距离R：

单位是毫米(mm)

可求出人脸与相机的连线与水平面的夹角β_y：

单位是度(°)

综上，可求得人脸的空间坐标：

空间坐标系：x轴方向从左向右的水平方向，与镜头主光轴方向在水平面上的投影为y轴，h为人脸的垂直高度；

从而得出数据：人脸高度h、人所处坐标(x，y)；

(2)采样与数据分类

为了减少运算量和采集数据时间，需进行数据采样和数据库的建立，包括如下步骤：

b)考虑到识别系统的不稳定性，不舍弃其余29个样本点，而是分别对样本数据h、x、y做线性回归：

Y＝b₀+b×X (12)；

由残差方程：

得：

并利用Grubbs准则进行异常值检测，查Grubbs表得到g(30，0.01)＝2.74：

|v_i|＞g(30，0.01)×σ(X)＝2.74σ(X) (15)；

排除掉异常值后，采取最靠中间的样本点，近似等于同时可以取出线性回归得到的数据b，作为速度数据：

b)将人分为三种状态：

S＝0，1，2

0：{h|h＜＝700}，躺下；

1：{h|7＜h＜＝1500}，坐下；

2：{h|h＞1500}，站立；

然后进行数据量化；

c)量化：对样本点及其邻域的值进行加权平均；

d)建立4组二维数据库：slp.dat、wrk.dat、cok.dat、wlk.dat，要存储的数据是：h(S，x，y)，存储地址是(x，y)；

在不同的时间和条件对归一化的数据h(s，x，y)进行累加，并按如下规则分类存入对应数据库：

slp.dat：{s|(s＝＝0)}

wrk.dat：{s，t|s＝＝1&&6＜t＜＝22}

cok.dat：{dT，s，t|s＝＝2&&(t＝＝{6，7，8，10，11，12，16，17，18，19})&&dT＞＝0.20}，注：dT为每分钟温度变化量，温度剧烈变化表征开启室内散热设备的可能性；

wlk.dat：{v|v＞1000}，注：这里的v取自线性回归的结果；

e)躺下、坐下和站立这三者(睡觉、伏案工作、做饭)通常有固定的场所，所以通常满足二维高斯分布：先求取h(x，y)的梯度grad h，再找出数据库中的最大值点h(x_M，y_M)，以该点为圆心，每隔求取方向导数h_l＝grad h×n_e，再解方程得出8个点B₀，B₁，B₂…B₇；

取这8个点的几何中心0，计算0点到B₀，B₁，B₂…B₇的平均距离R，以0为圆心，做半径为1.96R的圆，得到该项人行为置信度约为95％的二维高斯分布区间。

所述步骤4)建立光环境舒适度调控模型：

(1)模糊化

控制器共两个输入，一个输入为照度偏差值e，在论域上规定其语言变量为“误差E”，另一个输入为照度偏差变化率e_c在其论域上规定其语言变量为“误差变化E_c”；

在输出量e_o的论域上规定语言变量“输出量E_o”；

其中，照度偏差e函数：

e(k)＝θ_l(k)-θ(k) (16)

式中：

θ_l(k)-室内实际照度(坎德拉cd)

θ(k)-设定照度值(坎德拉cd)

照度偏差变化率e_c函数：

Δε(k)＝(ε(k)-ε(k-1))/T (17)

上式中，T表示采样时间(min)，可以用arm定时器进行设置；

(2)模糊推理

基于适用性原则方面的考虑，文中为输入变量e，e_c和控制输出变量E_o定义的7个语言值分别为：负大(NB)、负中(NM)、负小(NS)、零(Z)、正小(PS)、正中(PM)、正大(PB)

针对单输入以及单输出形式的控制器，它的控制规则写为：

IF E＝Xi And EC＝Bi

Then Eo＝Zi。

所述步骤5)室内空气品质影响因素分析：

(1)在室内空气品质影响因素分析时，选取p种健康效应Y_j(j＝1，2，…，p)为空气品质系统的系统行为特征，对n个研究对象进行了客观评价，得到的p个系统行为特征序列如下：

如果系统行为特征的影响空间的白化因子集S中含有m种主要的室内环境参数，通过室内环境的监测，将获得n个研究对

象m种主要室内环境参数值

因为环境参数单位不同，且在数值上差异很大，为保证灰色分析的合理性，将其无量化

环境参数转化为能表达人舒适感的数值，且对不同的环境参数有相同的分度标准，因此可按评价指标的定义将参数数值转换为无量纲量

假设共监测m个环境参数，分别即为X_i(i＝1，2，…，m)，如X_i为监测的某种室内环境，监测对象t的实测数据为x_i(t)，x″_i(t)为对应的评价指数值，若对n个研究对象进行环境参数测量，得到的m个系统行为特征的影响因素序列如下所示：

(2)室内环境品质系统的灰色关联分析就是分析影响空间的白化因子集S中各影响因素对系统行为特征的影响大小，实质就是比较数列X″_i(i＝1，2，…，m)所构成的曲线与数列Y_j(j＝1，2，…，p)所构成的曲线几何形状的接近程度；

这里定义的不良症状指疲乏、头痛和恶心；

(3)由绝对关联度ε_ij组成的矩阵C称为灰色关联矩阵

灰色关联矩阵C中第j行的元素是某不良症状Y_j(j＝1，2，…，p)与环境参数X₁，X₂，…X_m的灰色关联度；

第i列的元素分别是不良症状X₁，X₂，…X_m与环境参数X_i(i＝1，2，…，m)的灰色关联的；

利用灰色关联矩阵可以对不良症状或环境参数做优势分析，不良症状由室内人员主观判断；

若存在k，j∈{1，2，…，p}，满足：

ε_kj≥ε_j，i＝1，2，…，m (22)

则称不良症状Y_k优于不良症状Y_j，记为Y_k＞Y_j；

若恒有Y_k＞Y_j，则称不良症状Y_k为最优特征；

若存在l，i∈{1，2，…，m}，满足

ε_jl≥ε_ji；j＝1，2，…，p (23)

则称环境参数X_l优于环境参数X_i，记为X_l＞X_i；

若恒有X_l＞X_i，则称环境参数Y_l为最优因素。(即环境参数X_l对人群的舒适影响最大)

若存在k，j∈{1，2，…，p}，满足：

则称不良症状Y_k优于不良症状Y_l，记为Y_k≥Y_l。

若恒有Y_k≥Y_l，则称不良症状Y_k为准优特征。

若存在l，i∈{1，2，…，m}，满足

则称环境参数X_l准优于环境参数X_i，即为X_l≥X_i。

若恒有X_l≥X_i，则称环境参数X_l为准优因素。

利用POE网口供电的精讯畅通系列传感器、CC3200物联网芯片及相关模块，通过wifi直连远端服务器，结合光耦合继电器对通风系统进行调控。

所述步骤6)实现建筑室内环境智能调控步骤如下：

(1)使用python调用OpenCV进行人脸识别，于不同的室内人员，系统可以调取相应的数据库信息，实现室内不同人员的温湿度个性化调控；

通过将摄像头与电脑连接，不断对视频进行分析获取人的实时位置；

建立映射算法，将摄像头安装在天花板的一个角，得到人的具体位置，确定人的站立、坐下和躺下三种状态；

(2)将人的位置和状态信息送入系统，与时间一起作用于光照系统，实现光环境与人行为的智能互动；

(3)通过分析室内空气品质，对建筑进行机械通风，降低空气污染物含量，从而实现建筑室内温湿度环境、光环境和空气环境的智能调控

本发明的有益效果：

1、在传统PMV算法的基础上进一步进行低能耗反馈调控，得到实现室内热湿环境优化的最低能耗调控措施，实现了室内环境调控系统人性化与舒适性的有机结合。

2、搭建的光环境调控系统既能够通过获取用户活动规律，输出最适光照，又能够通过输出特定光照，引导人员在建筑中养成健康的生活习惯。

3、在系统中加入用户输入，在特定时间节点及时获取用户体验的反馈，并将其嵌入智能调控系统，得到最为人性化的调控系统。

附图说明：

图1为本发明的技术原理图；

图2为人脸识别示意图；

图3为人员位置分析计算示意图；

图4为智能照明控制结构示意图。

具体实施方式

下面通过具体实施例和附图对本发明做进一步的说明。本发明实施例是为了更好地使本领域的技术人员更好的理解本发明，并不对本发明作任何的限制。

本发明一种基于智慧控制策略的建筑室内环境调控方法，包括下列步骤：

1)优化热舒适PMV算法：根据算法返回值并结合用户自身体感反馈，利用卷积神经网络得出符合用户个性化需求的PMV优化指数，实现PMV算法的优化。

2)建立室内温湿度环境调控模型：基于扩展自回归模型，选择室外扰动变量作为温湿度系统模型的输入变量，再利用灰色预测模型对室内温室度进行预测调控。

3)检测室内人员行为：利用红外热成像原理，检测室内人员躺下、坐下和站立三种状态，提取人员行为。

4)建立光环境舒适度调控模型：利用CDSE光敏电阻在可见光波段的超高灵敏度，结合人员状态信息和用户输入，建立光环境调控模型，实现室内照明与自然光的配合。

5)室内空气品质影响因素分析：利用灰色系统理论，用灰色关联度衡量影响因素对系统行为特征影响的大小，并根据由灰色关联度构成的灰色关联矩阵进行优势分析，确定关进系统行为特征和关键影响因素。

6)实现建筑室内环境智能调控：利用人脸识别技术，实现建筑内不同人员的室内环境智能调控。

本发明具体实施方案如下：

步骤1)：优化热舒适PMV算法。在构建的建筑内环境得热模型中，室内温度随着内外扰的影响产生波动，而此时为了维持室内舒适宜居环境，应该维持室内温度在有限范围内波动以维持一个比较舒适水平的PMV值，这就要求在出现干扰时，尽可能缩短调节时间、减少温度大幅波动。由于建筑围护结构的蓄热作用，使得室内温度的变化相对于室外温度的变化具有延迟和衰减的特点，为了提高响应速度设计采用PID控制。

对于建筑内散热设备，发生时间短，且发生的随机性强，普通的PID控制环节效果不好，故加入有切换控制装置的前馈环节，利用整个大系统中对人的识别，判断人在进行开启散热设备等活动时前馈环节辅助调节制冷功率，预先控制以应对短时负荷扰量的变化。

然而，普通PID控制的同一组控制参数对应的响应曲线不够理想，而且随着初始状态的改变，同样一组PID参数的响应效果会产生一定的差异，对于不同情况很难兼顾最佳响应效果，因此采用Fuzzy-PID，通过建立参数与偏差量、偏差速率的模糊映射关系，在线调整，是系统对不同的室内环境状态具有自适应性。

建立一个查找表。查找表是一种可用于简化复杂运算的查询操作，建立一个索引号与输出值的映射关系，其具体实施方法是将输出值存入索引号所对应的地址下的内存空间中。本例中，便是提前使用MATLAB计算出不同湿度、衣着面积比的条件下，使PMV＝0所需的最适温度，把相对湿度、衣着面积比作为查找表的索引号，将所求的最适温度放入索引号对应地址的内存中。

将上述参量输入PMV计算式中：

PMV＝(0.028+0.303 3e-0.036M)·{(M-W)-3.05[5.733-0.000 699(M-W)-Pa]-0.42[(M-W)-58.15]-0.0173M·(5.867-Pa)-0.0014M(34-Ta)-3.96×10-8fcl·[(Tcl+273)4-(Tmrt+273)4]-fcl·hc(Tcl-Ta)}＝0

其中，

Tcl＝35.7-0.028(M-W)-0.155Icl·{3.96×10-8fcl[(Tcl+273)⁴-(Tmrt+273)⁴]-fcl·hc(Tcl-Ta)}

当时，

hc＝2.38(Tcl-Ta)0.25

当时，

将湿度为0、10％、20％、30％…90％、衣着等级0.5、0.7、0.9输入上式，求解出PMV＝0时的最适温度，并制作成.coe文件：

memory_initialization_radix＝10；

memory_initialization_vector＝0 286 283 281 279 277 275 273 271 269267 275 272 270 267 265 263 261 258 256 254 264 261 259 256 254 251 249 246244；

步骤2)：建立室内温湿度环境调控模型：

(1)温湿度模型结构为一阶滞后，其子系统模型如下所示：

式中：A^j、B^j为系数矩阵，X＝[X₁，X₂]^T为状态变量，X₁为温度，X₂为湿度，u为扰动输入量；j为第j个子系统，j＝1，2，……2^m。

(2)温湿度系统具有时变、非线性、强耦合、大滞后、多变量等特性，针对含有扰动输入、多变量耦合的温湿度控制系统。预测控制的基本原则是准确预测，其核心思想是根据预测模型和系统当前状态确定目标函数，通过优化改目标函数得到一个预测的输入量序列。基于该思路，得算法如下所示：

式中：X(k)为温湿度系统状态，X_set为系统状态设定值，X(k+i|k)为在k时刻预测的(k+i)时刻的系统状态，为给定加权阵。

步骤3)：检测室内人员行为：室内安装红外相机，距离地面3米高度的墙壁上(应当检查相机在白天和夜间的视线，确保当人员在视线内时，相机可以捕捉到任何运动)，检测到人的高度和人脚部位置，通过坐标变换算法，变换为人头部的xyz坐标。

读取数据：人脚部(即方框底边中点)的坐标(x，y)(见图3)，方框高b像素。当没有检测到时，输出均为0。

镜头主轴与捕捉到的脚成角度：

可求得脚与相机的连线与水平面的夹角：

脚与相机的连线与法平面的夹角：

人到相机的直线距离R：

可求出人脸与相机的连线与水平面的夹角β_y

综上，可求得人脸的空间坐标(见图3)：

空间坐标系：x轴方向从左向右的水平方向，与镜头主光轴方向在水平面上的投影为y轴，h为人脸的垂直高度。

将人分为三种状态：

S＝0，1，2。

0：{h|h＜＝700}，躺下；

1：{h|7＜h＜＝1500}，坐下；

2：{h|h＞1500}，站立。

躺下、坐下和站立这三者(睡觉、伏案工作、做饭)通常有固定的场所，所以通常满足二维高斯分布。为求取人进行这一行为的区域，先求取h(x，y)的梯度grad h，再找出数据库中的最大值点h(x_M，y_M)，以该点为圆心，每隔求取方向导数h_l＝grad h×n_e，再解方程得出8个点B₀，B₁，B₂…B₇。取这8个点的几何中心0，计算0点到B₀，B₁，B₂…B₇的平均距离R，以0为圆心，做半径为1.96R的圆，这样就得到了(特定时间内)该项人行为置信度约为95％的二维高斯分布区间。

采样与数据分类

为了减少运算量和采集数据时间，需进行数据采样和数据库的建立，包括如下步骤。

1)使用的相机的采样率是30fps，室内人行为检测不需要这么高的采样率，我们只需要每秒钟采一个数据样本，通常来说会舍弃其余的29个样本点。然而，本项目考虑到识别系统的不稳定性，不舍弃其余29个样本点，而是分别对样本数据h、x、y做线性回归：

Y＝b₀+b×X (12)

由残差方程：

得：

并利用Grubbs准则进行异常值检测，查Grubbs表得到g(30，0.01)＝2.74：

|v_i|＞g(30，0.01)×σ(X)＝2.74σ(X) (15)

排除掉异常值后，采取最靠中间的样本点，近似等于同时可以取出线性回归得到的数据b，作为速度数据：

2)将人分为三种状态：

S＝0，1，2。

0：{h|h＜＝700}，躺下；

1：{h|7＜h＜＝1500}，坐下；

2：{h|h＞1500}，站立。

然后进行数据量化；

采集这些数据的目的，是建立人行为的空间概率分布图，太高的精度对于这类分析，意义不大，且精度越高，需要的数据也越多。为了减少机器学习人行为在二维空间的分布所需的时间，需要量化x、y。我们按照“四舍五入”的原则进行量化。将x、y的精度降低到100mm级别，其大体算法如下：

注：这里的h[S][x][y]是指被归一化的人脸高度，不同的人脸高度被放进了不同的二维数组中，形成了人站着、坐下、躺下状态下的三个人在二维空间的分布。

输出即为单位时间内采集(量化并归一化)的按姿势分类的数据h(S，x，y)。

3)量化有可能会使人的分布率h(S，x，y)在x y平面分布上产生量化噪声，这一量化噪声近似于高斯噪声，所以图像处理中常用的二维高斯滤波适用于解决这一问题：其本质就是对样本点及其邻域的值进行加权平均，从而使图像平滑。

4)建立4组二维数据库：slp.dat、wrk.dat、cok.dat、wlk.dat，要存储的数据是：h(S，x，y)，存储地址是(x，y)。

在不同的时间和条件对归一化的数据h(s，x，y)进行累加，并按如下规则分类存入对应数据库：

slp.dat：{s|(s＝＝0)}

wrk.dat：{s，t|s＝＝1&&6＜t＜＝22}

cok.dat：{dT，s，t|s＝＝2&&(t＝＝{6，7，8，10，11，12，16，17，18，19})&&dT＞＝0.20}，注：dT为每分钟温度变化量，温度剧烈变化表征开启室内散热设备的可能性。

wlk.dat：{v|v＞1000}，注：这里的v取自线性回归的结果。

5)躺下、坐下和站立这三者(睡觉、伏案工作、做饭)通常有固定的场所，所以通常满足二维高斯分布。

为求取人进行这一行为的区域，先求取h(x，y)的梯度grad h，再找出数据库中的最大值点h(x_M，y_M)，以该点为圆心，每隔求取方向导数h_l＝gradh×n_e，再解方程得出8个点B₀，B₁，B₂…B₇。取这8个点的几何中心0，计算0点到B₀，B₁，B₂…B₇的平均距离R，以0为圆心，做半径为1.96R的圆，这样就得到了(特定时间内)该项人行为置信度约为95％的二维高斯分布区间。

根据以上公式和算法获取人员具体位置和相应的状态信息。

步骤4)建立光环境舒适度调控模型：

模糊控制器包括两个输入和一个输出，其中一个输入是照度偏差值e，另一个输入是照度偏差变化率e_c，输出值为电压值。主要是根据给的照度与实际测得的照度的差值对输出照度进行调节。通过这种方式对天然采光进行补偿，从而使室内保持一个相对稳定的照度。

模糊化；

控制器共两个输入，一个输入为照度偏差值e，在论域上规定其语言变量为“误差E”，另一个输入为照度偏差变化率e_c在其论域上规定其语言变量为“误差变化E_c”；在输出量e_o的论域上规定语言变量“输出量E_o”。

其中照度偏差e函数：

e(k)＝θ_l(k)-θ(k) (16)

式中：

θ_l(k)-室内实际照度(坎德拉cd)

θ(k)-设定照度值(坎德拉cd)

照度偏差变化率e_c函数：

Δε(k)＝(ε(k)-ε(k-1))/T (17)

上式中，T表示采样时间(min)，可以用arm定时器进行设置。

模糊推理：

基于适用性原则方面的考虑，文中为输入变量e，e_c和控制输出变量E_o定义的7个语言值分别为：负大(NB)、负中(NM)、负小(NS)、零(Z)、正小(PS)、正中(PM)、正大(PB)，输入以及输出变量的隶属函数如下表所示：

针对单输入以及单输出形式的控制器，它的控制规则写为：

IF E＝Xi And EC＝Bi Then Eo＝Zi

某用户设定了一个定值的理想入睡时间与起床时间，则系统在入睡时间前0.5h左右将灯光更换为有利于睡眠的暖色调灯光，并根据时间变化进行亮度渐弱，在入睡时间到达一个临界值并提醒用户入睡。用户起床时，进行灯光渐亮，帮助用户柔和地进入日间状态。房间照度传感器收集室内照度信息，与人员位置和状态信息一起输入ARM控制器，进而调整百叶窗和室内照明，并通过LCD显示当前状态(图4)。

步骤5)室内空气品质影响因素分析：

在室内环境的质量综合评价中，调查了室内人员的疲乏症状的感受程度，9个工况下的投票值如下表所示：

对各工况的空气温度、相对湿度、二氧化碳、可吸入尘、甲醛、噪声、照度等参数进行测量，环境参数单位不同，在数值上的差异很大。进行灰色关联分析时，先进行数据的无量纲化处理，消除其量纲。通过计算可得环境系统影响因素序列X″₁，X″₂，…X″₇如下表所示：

具体公式如下：

评价指数PMV_co2、PMV_RSP、PMV_HCHO、PMV_AC、PMV_E分别是对二氧化碳浓度、可吸入尘浓度、甲醛浓度、A声级、照度等环境参数值进行变换得到的无量纲值。通过分析序列曲线X″₁，X″₂，…X″₇与Y₁变化趋势的异同，可得出某房间各环境参数对疲劳症状的影响。

灰色关联度的计算如下：

X_i与X_j的灰色关联度定义如下：

可得灰色关联度如下：

ε₁₁＝0.921，ε₁₂＝0.916，ε₁₃＝0.984，ε₁₄＝0.927，ε₁₅＝0.863，ε₁₆＝0.693

计算结果显示ε₁₃＞ε₁₄＞ε₁₁＞ε₁₂＞ε₁₅＞ε₁₆，说明各环境参数中，可吸入尘与疲劳症状的联系最紧密，甲醛、热环境、二氧化碳次之，而照度的作用最小。

步骤6)实现建筑室内环境智能调控

首先，使用python调用的OpenCV(一款开源跨平台计算机视觉库)视觉库，进行人脸识别(如图2)。其步骤如下：1.使用安装好的相机，调用OpenCV视觉库中的通用人脸识别，录下超过1000帧的住户脸部照片；2.采用OpenCV的人脸特征(五官形状与位置特征)检测方案，提取出户主的人脸特征矩阵，存入我们新建的视觉库中；3.检测目标的人脸特征并进行特征矩阵提取，与户主的人脸特征矩阵进行互相关运算，与阈值比较，从而分辨不同的室内人员；4.对于不同的室内人员，系统可以调取相应的数据库信息，实现室内不同人员的温湿度个性化调控。

通过不断对视频进行分析，获取人的实时位置。

建立映射算法，通过红外相机获取人的具体位置，确定人的站立、坐下和躺下三种状态。

其次，将人的位置和状态信息送入系统，与时间一起作用于光照系统，实现光环境与人行为的智能互动。

最后，通过分析室内空气品质，对建筑进行机械通风，降低空气污染物含量，从而实现建筑室内温湿度环境、光环境和空气环境的智能调控。

应当理解的是，这里所讨论的实施方案及实例只是为了说明，对本领域技术人员来说，可以加以改进或变换，而所有这些改进和变换都应属于本发明所赋权利要求的保护范围。

Claims (7)

1.一种基于智慧控制策略的建筑室内环境调控方法，其特征是，包括下列步骤：

1)优化热舒适PMV算法：根据算法返回值并结合用户自身体感反馈，利用卷积神经网络得出符合用户个性化需求的PMV优化指数；

2)建立室内温湿度环境调控模型：基于扩展自回归模型，选择室外扰动变量作为温湿度系统模型的输入变量，再利用灰色预测模型对室内温室度进行预测调控；

3)检测室内人员行为：利用红外热成像原理，检测室内人员躺下、坐下和站立三种状态，提取人员行为；

4)建立光环境舒适度调控模型：利用模糊控制实现自然光补偿，并结合人员状态信息和用户输入，建立光环境调控模型；

5)室内空气品质影响因素分析：利用灰色系统理论，用灰色关联度衡量影响因素对系统行为特征影响的大小，并根据由灰色关联度构成的灰色关联矩阵进行优势分析，确定关键系统行为特征和关键影响因素；

6)利用人脸识别技术，实现建筑内不同人员的室内环境智能调控。

2.根据权利要求1所述的基于智慧控制策略的建筑室内环境调控方法，其特征是：所述步骤1)优化热舒适PMV算法：采用Fuzzy-PID建立参数与偏差量、偏差速率的模糊映射关系，在线调整，使视同对不同的内环境状态具有自适应性。

3.根据权利要求1所述的基于智慧控制策略的建筑室内环境调控方法，其特征是：所述步骤2)建立室内温湿度环境调控模型：结合以上对于室内环境热舒适度的分析检测，对室内温湿度进行调控，温湿度系统切换调控模型如下：

式中：X(k)为温湿度系统状态，X_set为系统状态设定值，X(K+i|k)为在k时刻预测的(k+i)时刻的系统状态，为给定加权阵。

4.根据权利要求1所述的基于智慧控制策略的建筑室内环境调控方法，其特征是：所述步骤3)检测室内人员行为：

(1)读取数据：人脚部(即方框底边中点)的坐标(x,y)，方框高b像素；当没有检测到时，输出均为0；

镜头主轴与捕捉到的脚成角度：

其中FOV为视场角，单位是度(°)

可求得脚与相机的连线与水平面的夹角:

单位是度(°)

脚与相机的连线与法平面的夹角:

单位是度(°)

人到相机的直线距离R:

单位是毫米(mm)

可求出人脸与相机的连线与水平面的夹角β_y：

单位是度(°)

综上，可求得人脸的空间坐标：

空间坐标系：x轴方向从左向右的水平方向，与镜头主光轴方向在水平面上的投影为y轴，h为人脸的垂直高度；

从而得出数据：人脸高度h、人所处坐标(x,y)；

(2)采样与数据分类

为了减少运算量和采集数据时间，需进行数据采样和数据库的建立，包括如下步骤：

a)考虑到识别系统的不稳定性，不舍弃其余29个样本点，而是分别对样本数据h、x、y做线性回归：

Y＝b₀+b×X (12)；

由残差方程：

得：

并利用Grubbs准则进行异常值检测,查Grubbs表得到g(30，0.01)＝2.74：

|v_i|＞g(30，0.01)×σ(X)＝2.7σ(X) (15)；

排除掉异常值后，采取最靠中间的样本点，近似等于同时可以取出线性回归得到的数据b，作为速度数据：

b)将人分为三种状态：

S＝0,1,2

0:{h|h<＝700}，躺下；

1:{h|7<h<＝1500}，坐下；

2:{h|h>1500}，站立；

然后进行数据量化；

c)量化：对样本点及其邻域的值进行加权平均；

d)建立4组二维数据库：slp.dat、wrk.dat、cok.dat、wlk.dat，要存储的数据是：h(S,x,y)，存储地址是(x,y)；

在不同的时间和条件对归一化的数据h(s,x,y)进行累加，并按如下规则分类存入对应数据库：

slp.dat:{s|(s＝＝0)}

wrk.dat:{s,t|s＝＝1&&6<t<＝22}

cok.dat:{dT,s,t|s＝＝2&&(t＝＝{6,7,8,10,11,12,16,17,18,19})&&dT>＝0.20}，注：dT为每分钟温度变化量，温度剧烈变化表征开启室内散热设备的可能性；

wlk.dat:{v|v>1000}，注：这里的v取自线性回归的结果；

e)躺下、坐下和站立这三者(睡觉、伏案工作、做饭)通常有固定的场所，所以通常满足二维高斯分布：先求取h(x,y)的梯度grad h，再找出数据库中的最大值点h(x_M,y_M)，以该点为圆心，每隔求取方向导数h_l＝grad h×n_e，再解方程得出8个点B₀,B₁,B₂…B₇；

取这8个点的几何中心O，计算O点到B₀,B₁,B₂…B₇的平均距离R，以O为圆心，做半径为1.96R的圆，得到该项人行为置信度约为95％的二维高斯分布区间。

5.根据权利要求1所述的基于智慧控制策略的建筑室内环境调控方法，其特征是：所述步骤4)建立光环境舒适度调控模型：

(1)模糊化

控制器共两个输入，一个输入为照度偏差值e，在论域上规定其语言变量为“误差E”，另一个输入为照度偏差变化率e_c在其论域上规定其语言变量为“误差变化E_c”；

在输出量e_o的论域上规定语言变量“输出量E_o”；

其中，照度偏差e函数：

e(k)＝θ_l(k)-θ(k) (16)

式中：

θ_l(k)—室内实际照度(坎德拉cd)

θ(k)—设定照度值(坎德拉cd)

照度偏差变化率e_c函数：

Δε(k)＝(ε(k)-ε(k-1))/T (17)

上式中，T表示采样时间(min)，可以用arm定时器进行设置；

(2)模糊推理

基于适用性原则方面的考虑，文中为输入变量e，e_c和控制输出变量E_o定义的7个语言值分别为：负大(NB)、负中(NM)、负小(NS)、零(Z)、正小(PS)、正中(PM)、正大(PB)

针对单输入以及单输出形式的控制器，它的控制规则写为：

IF E＝Xi And EC＝Bi

Then Eo＝Zi。

6.根据权利要求1所述的基于智慧控制策略的建筑室内环境调控方法，其特征是：所述步骤5)室内空气品质影响因素分析：

(1)在室内空气品质影响因素分析时，选取p种健康效应Y_j(j＝1，2，…，p)为空气品质系统的系统行为特征，对n个研究对象进行了客观评价，得到的p个系统行为特征序列如下：

假设共监测m个环境参数，分别即为X_i(i＝1，2，…，m)，如X_i为监测的某种室内环境，监测对象t的实测数据为x_i(t)，x″_i(t)为对应的评价指数值，若对n个研究对象进行环境参数测量，得到的m个系统行为特征的影响因素序列如下所示：

(2)室内环境品质系统的灰色关联分析就是分析影响空间的白化因子集S中各影响因素对系统行为特征的影响大小，实质就是比较数列X″_i(i＝1，2，…，m)所构成的曲线与数列Y_j(j＝1，2，…，p)所构成的曲线几何形状的接近程度；

这里定义的不良症状指疲乏、头痛和恶心；

(3)由绝对关联度ε_ij组成的矩阵C称为灰色关联矩阵

灰色关联矩阵C中第j行的元素是某不良症状Y_j(j＝1，2，…，p)与环境参数X₁，X₂，…X_m的灰色关联度；

第i列的元素分别是不良症状X₁，X₂，…X_m与环境参数X_i(i＝1，2，…，m)的灰色关联的；

利用灰色关联矩阵可以对不良症状或环境参数做优势分析，不良症状由室内人员主观判断；

若存在k，j∈{1，2，…，p}，满足：

ε_kj≥ε_j，i＝1，2，…，m (22)

则称不良症状Y_k优于不良症状Y_j，记为Y_k＞Y_j；

若恒有Y_k＞Y_j，则称不良症状Y_k为最优特征；

若存在l，i∈{1，2，…，m},满足

ε_jl≥ε_ji；j＝1，2，…，p (23)

则称环境参数X_l优于环境参数X_i，记为X_l＞X_i；

若恒有X_l＞X_i，则称环境参数Y_l为最优因素；(即环境参数X_l对人群的舒适影响最大)

若存在k，j∈{1，2，…，p},满足：

则称不良症状Y_k优于不良症状Y_l，记为Y_k≥Y_l；

若恒有Y_k≥Y_l，则称不良症状Y_k为准优特征；

若存在l，j∈{1，2，…，m},满足

则称环境参数X_l准优于环境参数X_i，即为X_l≥X_i；

若恒有X_l≥X_i，则称环境参数X_l为准优因素。

7.根据权利要求1所述的调控方法，其特征是：所述步骤6)实现建筑室内环境智能调控步骤如下：

(1)使用python调用OpenCV进行人脸识别，于不同的室内人员，系统可以调取相应的数据库信息，实现室内不同人员的温湿度个性化调控；

通过将摄像头与电脑连接，不断对视频进行分析获取人的实时位置；

建立映射算法，将摄像头安装在天花板的一个角，得到人的具体位置，确定人的站立、坐下和躺下三种状态；

(2)将人的位置和状态信息送入系统，与时间一起作用于光照系统，实现光环境与人行为的智能互动；

(3)通过分析室内空气品质，对建筑进行机械通风，降低空气污染物含量，从而实现建筑室内温湿度环境、光环境和空气环境的智能调控。