[发明专利]一种基于机器视觉的空调预测控制方法

说明书

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。

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。