CN111189201A - 一种基于机器视觉的空调预测控制方法 - Google Patents

Abstract

本发明公开了一种基于机器视觉的空调预测控制方法，包括以下步骤：基于计算机视觉和深度学习技术，建立一个端到端的人员或人头检测模型并训练；对待检测建筑内部空间图像的人员或人头数量进行统计，获得建筑内部的实时人员或人头数量，计算获得建筑内部的动态人员负荷；根据人员实时动态负荷，建立空调预测控制策略，计算当前系统所需供冷量，实现建筑空间的温度调控。本发明利用图像信息和深度学习的方法，检测建筑内部人员状态，将图像作为“软传感器”计算人员负荷的实时变化，加入人员负荷控制因子，调节空调系统冷量供给，进行系统预测控制，使系统能够更好地维持建筑热环境稳定。

Description

一种基于机器视觉的空调预测控制方法

技术领域

本发明属于热环境控制技术领域，具体涉及一种基于机器视觉的空调预测控制方法。

背景技术

建筑能耗占全球能源消耗的40％；其中，供暖、通风和空调(HVAC)占据大部分。HVAC系统的节能研究，对于降低建筑能耗以及国民经济的可持续发展有着十分重要的理论研究与实际应用价值。

目前，广泛使用的空调系统的节能优化控制策略是根据历史冷负荷数据和经验规律设计的，通过冷负荷计算获得系统设计参数，以改善系统的滞后效应和供需不匹配问题。例如，Oh S J等人(Oh S J,Ng K C,Thu K,et al.Forecasting Long-term ElectricityDemand for Cooling of Singapore’s Buildings Incorporating an Innovative Air-conditioning Technology[J].Energy and Buildings,2016:S037877881630442X.)使用数据挖掘的方法，分析空调系统长期运行数据，得到系统冷负荷变化规律，以此优化系统运行参数，使系统能量输出与需求达到匹配；郭晓岩(郭晓岩.基于神经网络预测节能中央空调控制策略[J].沈阳工业大学学报,2011(02):81-84+123.)利用机器学习，神经网络等流行算法对系统短期、超短期冷负荷进行预测，尽可能提高预测精度以及预测实时性，期望提高系统响应速度，得到更好的室内热舒适性以及更大的节能潜力。以上现有方法都是基于确定性冷负荷；但是，实际空调系统的大部分负荷因素是不确定的，尤其是人员因素。

传统的空调控制策略中大都忽略人员负荷的不确定性以及随机性，导致实际冷却负荷曲线偏离设计的预测曲线。徐小燕等人(徐小燕,管晓宏,李黎.建筑空调系统最优停机时间预测与控制[J].西安交通大学学报,2013,47(10):31-36)中考虑了空调系统中的人员负荷对建筑能耗的影响，并表明建筑内部人员负荷信息对于消除能源浪费，提高人员舒适性需求至关重要。由于人员的不确定性以及不规则运动，人员负荷的实时检测并不容易；随着计算机视觉技术的发展，建筑空间的图像信息成为检测建筑内部人员负荷的一种新途径。

综上，亟需一种新的基于机器视觉的空调预测控制方法。

发明内容

本发明的目的在于提供一种基于机器视觉的空调预测控制方法，寻求更加合适的空调系统冷量供应方法，解决传统空调控制策略中建筑内部人员负荷难以准确估计而导致空调系统响应滞后以及建筑内部热舒适性不佳的问题。

为达到上述目的，本发明采用以下技术方案：

本发明的一种基于机器视觉的空调预测控制方法，包括以下步骤：

步骤1，采集建筑内部空间图像；基于计算机视觉和深度学习技术，建立一个端到端的人员或人头检测模型并训练；

步骤2，基于步骤1训练后的人员或人头检测模型，对待检测建筑内部空间图像的人员或人头数量进行统计，获得建筑内部的实时人员或人头数量；

步骤3，根据步骤2得到的实时人员或人头数量，计算获得建筑内部的动态人员负荷；

步骤4，根据步骤3得到的人员实时动态负荷，建立空调预测控制策略，计算当前系统所需供冷量，实现建筑空间的温度调控。

本发明的进一步改进在于，步骤1中，所述基于计算机视觉和深度学习技术，建立一个端到端的人员或人头检测模型，具体包括：

(1.1)利用深度学习网络建立一个端到端的人员或人头检测模型；

(1.2)采用分类损失和回归损失融合，计算最终头部边框输出区域，损失函数表达式为：

其中，

式中，p_i是候选框i所包含头部的预测概率，

为其真值标签；t_i为预测边界框i的参数化坐标，

为其真值的参数化坐标；N_cls和N_reg分别是分类和回归的样本数；

(1.3)对人员或人头检测模型进行训练，获得模型参数，得到训练后的人员或人头检测模型。

本发明的进一步改进在于，步骤2具体包括：采用步骤1的损失函数，对建筑内部空间图像进行人员数量统计；

其中，当损失函数L大于等于预设阈值时，认为相应处有一个人员，若L小于预设阈值，则认为相应处无人，获得人员数量N(t)。

本发明的进一步改进在于，步骤2中，预设阈值为0.5。

本发明的进一步改进在于，步骤3中，动态人员负荷的计算表达式为：

Q(t)＝k·N(t)·q，

式中，Q(t)为t时刻建筑空间内的人体负荷；k为群集系数；N(t)为室内t时刻总人数，为人体负荷指标。

本发明的进一步改进在于，步骤4中，建筑负荷变化ΔQ的计算表达式为：

ΔQ＝Q(t)-Q(t-1)，

式中，Q(t)为当前时刻负荷，Q(t-1)为上一检测时刻负荷；

基于建筑负荷变化ΔQ，计算当前系统所需供冷量，计算表达式为：

式中，N_max为建筑内部可容纳最大人员数量，G₀为系统原始控制策略的冷量供给。

本发明的进一步改进在于，所述基于机器视觉的空调预测控制方法，能够实现建筑内部的温度变化波动范围为2℃。

与现有技术相比，本发明具有以下有益效果：

本发明的基于机器视觉的空调预测控制方法，利用图像信息和深度学习的方法，检测建筑内部人员状态，将图像作为“软传感器”计算人员负荷的实时变化，加入人员负荷控制因子，调节空调系统冷量供给，进行系统预测控制，使系统能够更好地维持建筑热环境稳定，同时，响应速度更快，具有更大的节能潜力。

本发明中，L同时考虑分类损失和回归损失，能够有效改善遮挡场景以及图像分辨率敏感度高的问题；其中，两个损失项由N_cls和N_reg归一化。

本发明中，室内有人时，能够实现建筑内部的温度变化波动范围为2℃，提高人员舒适度；室内无人时，能够自动适当放宽环境温度，节约能源。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面对实施例或现有技术描述中所需要使用的附图做简单的介绍；显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来说，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例中，某学生活动中心建筑模型示意图；

图2是本发明实施例的一种基于机器视觉的空调预测控制方法的流程示意框图；

图3是本发明实施例中，人员检测模型的结构框架示意图；

图4是本发明实施例中，人员检测流程示意框图；

图5是本发明实施例中，人员检测实验结果示意图；

图6是本发明实施例中，建筑内部真实人数变化示意图；

图7是本发明的方法与现有方法的温度变化和冷量变化对比示意图；其中，图7中的(a)为温度变化对比示意图，图7中的(b)为冷量变化对比示意图。

具体实施方式

为使本发明实施例的目的、技术效果及技术方案更加清楚，下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述；显然，所描述的实施例是本发明一部分实施例。基于本发明公开的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的其它实施例，都应属于本发明保护的范围。

本发明实施例的一种基于机器视觉的空调预测控制方法，包括以下步骤：

步骤1：采集建筑内部人员图像，基于计算机视觉和深度学习技术，建立一个端到端的人员(头)检测模型；

步骤2：基于步骤1的人员(头)检测模型，对检测到的人员(头)数量进行统计，获得建筑内部实时人员数量；

步骤3：根据步骤2得到的人员(头)数量，计算建筑内部人员实时动态负荷；

步骤4：根据步骤3得到的建筑内部人员负荷，建立空调预测控制策略，计算当前系统所需供冷量，实现建筑空间的温度调控。

优选的，步骤1具体包括：

1a)利用深度学习网络建立一个端到端的人员(头)检测模型(A fast andaccurate head detector，FCHD)；

1b)采用多损失融合(分类损失和回归损失融合)，计算最终头部边框输出区域，损失函数计算公式如式(1)至(4)所示：

其中，

式中，p_i是候选框i所包含头部的预测概率，

为其真值标签；t_i为预测边界框i的参数化坐标，

为其真值的参数化坐标。N_cls和N_reg分别是分类和回归的样本数。

L同时考虑分类损失和回归损失，能够有效改善遮挡场景以及图像分辨率敏感度高的问题。两个损失项由N_cls和N_reg归一化，N_cls和N_reg分别是分类和回归的样本数。

1c)对模型进行训练，得到模型参数，输入待检测图片，进行人员检测。

优选的，步骤2具体包括：

利用步骤1的损失函数，进行人员数量统计。当损失函数L大于设定阈值(本发明设定为0.50)时，即认为此处为一个人员，若L小于设定阈值，则认为此处无人。由此，即可便捷地得到当前人员数量N(t)。

优选的，步骤3中，根据步骤2检测到的建筑内部人员数量，采用公式(5)计算出动态人员负荷。

Q(t)＝k·N(t)·q (5)

式中，Q(t)为t时刻建筑空间内的人体负荷；k为群集系数；N(t)为室内t时刻总人数，为人体负荷指标，单位为W/人。

优选的，步骤4中，计算当前时刻Q(t)以及上一检测时刻Q(t-1)，根据公式(6)计算得到当前建筑负荷变化ΔQ。

ΔQ＝Q(t)-Q(t-1) (6)

实时估计人员负荷变化，在原始控制策略的基础上，建立如公式(7)所示空调预测控制策略，据此计算空调所需供冷量，保证建筑内部环境品质保持在稳定水平。

式中，N_max为建筑内部可容纳最大人员数量，G₀为系统原始控制策略的冷量供给。

本发明实施例提出的基于机器视觉的空调预测控制方法，相比传统空调控制方法，能够检测建筑空间人员负荷的实时变化，以此调节空调系统冷量供给，改善了传统控制方法的滞后性，使系统响应速度更快，建筑内部环境稳定性更高，整体节能潜力更大。

具体实施例，以西安某学校学生活动中心为例，结合附图，对本发明做进一步详细描述：

请参阅图1，建立如图1所示学生活动中心仿真模型，通过计算机视觉和深度学习技术对建筑内部人员数量进行实时检测并进行人员负荷估计，根据建立的空调预测控制策略，计算系统实时供冷量需求，控制空调出风口的风阀大小，对建筑内部环境进行调节。

请参阅图2至图4，实现流程具体请参阅图2所示，本发明基于机器视觉的空调预测控制方法，具体方法包括以下步骤：

步骤1：采集建筑空间图像，基于计算机视觉和深度学习技术，建立一个端到端的人员(头)检测模型，具体包括：

1a)利用深度学习网络建立一个端到端的人员(头)检测模型(A fast andaccurate head detector，FCHD)，如图3所示；

1b)采用多损失融合(分类损失和回归损失融合)，计算最终头部边框输出区域，计算公式如式1-4所示：

其中，

L同时考虑分类损失和回归损失，能够有效改善遮挡场景以及图像分辨率敏感度高的问题。两个损失项由N_cls和N_reg归一化，N_cls和N_reg分别是分类和回归的样本数。式中，p_i是候选框i所包含头部的预测概率，

为其真值标签；t_i为预测边界框i的参数化坐标，

为其真值的参数化坐标。

1c)对模型进行训练，得到模型参数，输入待检测图片，进行人员检测，如图4所示。

步骤2：基于步骤1的人员(头)检测模型，对检测到的人员(头)数量进行统计，获得建筑内部实时人员数量，具体包括：

利用步骤1的损失函数，进行人员数量统计。当损失函数L大于设定阈值(本文设定为0.50)时，即认为此处为一个人员，若L小于设定阈值，则认为此处无人。由此，即可便捷地得到当前人员数量N(t)。

步骤3：根据步骤2得到的人员(头)数量，计算建筑内部人员实时动态负荷，具体包括：

根据步骤2检测到的建筑内部人员数量，采用公式5计算出动态人员负荷。

Q(t)＝k·N(t)·q (5)

式中，Q(t)为t时刻建筑空间内的人体负荷；k为群集系数；N(t)为室内t时刻总人数，为人体负荷指标，单位为W/人。

步骤4：根据步骤3得到的建筑内部人员负荷，建立空调预测控制策略，调节当前系统冷量的最终供给，具体包括：

计算当前时刻Q(t)以及上一检测时刻Q(t-1)，根据公式6计算得到当前建筑负荷变化ΔQ。

ΔQ＝Q(t)-Q(t-1) (6)

实时估计人员负荷变化，在原始控制策略的基础上，建立如公式7所示空调预测控制策略，据此计算空调所需供冷量，保证建筑内部环境品质保持在稳定水平。

式中，N_max为建筑内部可容纳最大人员数量，G₀为系统原始控制策略的冷量供给。

下面结合实验及实验结果附图对本发明实施例的效果做进一步描述：

请参阅图5至图7，基于FCHD深度模型的建筑内部人员检测结果如图5所示，由实验结果可以看出，FCHD人员检测方法检测效果较好，适合多建筑场景。学生活动中心使用时间为06:00-19:00，设定空调系统06:00开启，19:00关闭，夏季某日活动中心24小时真实人员变化情况如图6所示，相应空调常规控制与预测控制实验结果如图7所示。

从图中可以看出，常规空调控制方式下，建筑内部温度变化波动大，波动范围在5℃左右；基于实时人员负荷变化的空调预测控下，室内有人时，建筑内部的温度变化波动范围仅为2℃，室内无人时(13:00-13:30)，适当放宽建筑内部温度，不影响人员舒适度且节约能源。同时，为维持建筑内部温度在设定值附近，常规的空调控制方式下，建筑内部人员变化显著时，空调系统的供冷量不仅大滞后，且一次性的供冷量过大；而本发明提出的预测控制策略能够根据当前环境冷负荷需求迅速调整系统供冷量，有效改善控制方法的滞后性，建筑内部温度保持更加稳定。在T1时间段内，建筑内部人员迅速下降至0再迅速上升，对比两种空调控制方式下的温度变化曲线：常规控制方式下，在人员下降阶段，建筑内部温度持续下降，而当建筑内部人员开始激增后，建筑内部温度持续上升，建筑内环境变差，人员热舒适感下降；基于实时人员负荷变化的预测控制策略，建筑内部人员为零时，适当放宽建筑内部温度，以达到节能目的，而当内部人员负荷快速上升时，空调系统迅速做出响应，建筑内部温度快速下降，维持在设定值附近，人员热舒适感良好；在T2时间段内，建筑内人员下降为零，常规控制方式下，空调系统响应滞后，导致建筑内部温度低于设定值同时造成能源浪费，基于实时人员负荷变化的预测控制下，空调系统迅速响应，逐渐降低供冷量，虽然建筑内部温度高于设定值，但建筑内部没有人员活动，建筑内环境可放宽；T3时间段内，人员数量逐渐攀升，常规控制方式下，空调系统不能及时反应人员负荷变化情况，系统响应滞后，严重影响了建筑内环境；T4时间段内，人员数量从800降至400，建筑内部温度保持在28℃附近，传统控制方式下，空调供冷量仍持续增加，而基于实时人员负荷变化的预测控制方式，检测到人员负荷变化后，迅速调节供冷量，在维持良好建筑内环境的前提下达到一定的节能潜力。

以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员依然可以对本发明的具体实施方式进行修改或者等同替换，这些未脱离本发明精神和范围的任何修改或者等同替换，均在申请待批的本发明的权利要求保护范围之内。

Claims (7)

1.一种基于机器视觉的空调预测控制方法，其特征在于，包括以下步骤：

步骤1，采集建筑内部空间图像；基于计算机视觉和深度学习技术，建立一个端到端的人员或人头检测模型并训练；

步骤2，基于步骤1训练后的人员或人头检测模型，对待检测建筑内部空间图像的人员或人头数量进行统计，获得建筑内部的实时人员或人头数量；

步骤3，根据步骤2得到的实时人员或人头数量，计算获得建筑内部的动态人员负荷；

步骤4，根据步骤3得到的人员实时动态负荷，建立空调预测控制策略，计算当前系统所需供冷量，实现建筑空间的温度调控。

2.根据权利要求1所述的一种基于机器视觉的空调预测控制方法，其特征在于，步骤1中，所述基于计算机视觉和深度学习技术，建立一个端到端的人员或人头检测模型，具体包括：

(1.1)利用深度学习网络建立一个端到端的人员或人头检测模型；

(1.2)采用分类损失和回归损失融合，计算最终头部边框输出区域，损失函数表达式为：

其中，

式中，p_i是候选框i所包含头部的预测概率，

为其真值标签；t_i为预测边界框i的参数化坐标，

为其真值的参数化坐标；N_cls和N_reg分别是分类和回归的样本数；

(1.3)对人员或人头检测模型进行训练，获得模型参数，得到训练后的人员或人头检测模型。

3.根据权利要求2所述的一种基于机器视觉的空调预测控制方法，其特征在于，步骤2具体包括：采用步骤1的损失函数，对建筑内部空间图像进行人员数量统计；

其中，当损失函数L大于等于预设阈值时，认为相应处有一个人员，若L小于预设阈值，则认为相应处无人，获得人员数量N(t)。

4.根据权利要求3所述的一种基于机器视觉的空调预测控制方法，其特征在于，步骤2中，预设阈值为0.5。

5.根据权利要求3所述的一种基于机器视觉的空调预测控制方法，其特征在于，步骤3中，动态人员负荷的计算表达式为：

Q(t)＝k·N(t)·q，

式中，Q(t)为t时刻建筑空间内的人体负荷；k为群集系数；N(t)为室内t时刻总人数，q为人体负荷指标。

6.根据权利要求5所述的一种基于机器视觉的空调预测控制方法，其特征在于，步骤4中，建筑负荷变化ΔQ的计算表达式为：

ΔQ＝Q(t)-Q(t-1)，

式中，Q(t)为当前时刻负荷，Q(t-1)为上一检测时刻负荷；

基于建筑负荷变化ΔQ，计算当前系统所需供冷量，计算表达式为：

式中，N_max为建筑内部可容纳最大人员数量，G₀为系统原始控制策略的冷量供给。

7.根据权利要求1所述的一种基于机器视觉的空调预测控制方法，其特征在于，所述基于机器视觉的空调预测控制方法，能够实现建筑内部的温度变化波动范围为2℃。

Images