一种基于室内人数的建筑热舒适度预测方法及装置制造方法及图纸

本发明专利技术公开了一种基于室内人数的建筑热舒适度预测方法，包括：采集室内环境数据；将采集的室内环境数据输入构建的基于室内人数的建筑热舒适度预测模型，输出建筑热舒适度的预测结果。本发明专利技术通过加入室内人数属性构建基于室内人数的建筑热舒适度预测模型，有效提高了建筑热舒适度的预测准确率。建筑热舒适度的预测准确率。建筑热舒适度的预测准确率。

【技术实现步骤摘要】
一种基于室内人数的建筑热舒适度预测方法及装置


[0001]本专利技术属于物联网
，具体涉及一种基于室内人数的建筑热舒适度预测方法及装置。

技术介绍

[0002]在数字经济的背景下，以物联网、人工智能、云计算、大数据等为代表的新兴技术与建筑相结合，智慧建筑的概念应运而生，其理念已成为数字科技赋能于传统建筑行业的一种重要范式。
[0003]舒适和节能是智慧建筑的两大主要目标，而掌握建筑空间内人员的热舒适度则是实现这两大目标的关键，它可以帮助供暖通风与空气调节(HVAC)系统制定绿色高效的干预策略。据统计，建筑占全球能源使用量的40％，而这其中一半以上的能源被用于HVAC系统维持室内热舒适。尽管消耗了巨大的能源，仍有高达62％的居住者对其工作场所的热环境感到不满，较差的室内热环境会对人们的身体健康以及工作效率等方面产生影响，因此，精确的热舒适度预测被认为是一个突出而重要的课题。而目前热舒适度预测仍存在如下的困难和挑战。
[0004]首先，人对热环境的感知既有一定的物理基础，又存在主观上的差异,这意味着人体舒适度受到许多因素的影响。目前大量的热舒适度预测方案仅仅考虑温度、湿度等常见的热舒适度因子，并不全面。
[0005]其次，热舒适度与其影响因素之间存在复杂的非线性关系，难以准确建模。当前大多数现有的热舒适性模型设计显式的热舒适度表达式或采用粗粒度融合机制直接链接输入属性和热舒适性，预测准确度不高。

技术实现思路

[0006]为解决现有技术中的不足，本专利技术提供一种基于室内人数的建筑热舒适度预测方法及装置，通过加入室内人数属性构建基于室内人数的建筑热舒适度预测模型，有效提高了建筑热舒适度的预测准确率。
[0007]为达到上述目的，本专利技术所采用的技术方案是：
[0008]第一方面，提供一种基于室内人数的建筑热舒适度预测方法，包括：采集室内环境数据；将采集的室内环境数据输入构建的基于室内人数的建筑热舒适度预测模型，输出建筑热舒适度的预测结果。
[0009]进一步地，所述室内环境数据，包括室内环境属性和基于有限状态机确定的室内人数属性；所述室内环境属性包括室内温度、室内相对湿度、服装热阻、风速、年龄、代谢率和性别属性。
[0010]进一步地，所述室内人数属性的确定方法，包括：采集指定区域的目标人员的红外阵列数据；将采集的t时刻的红外阵列数据F(x,y,t)做二值化操作，过滤掉红外像素里面是背景的像素点；二值化的阈值取像素点局部3
×
3范围内红外像素的均值，得到一个无背景
的红外阵列F1(x,y,t)；
[0011][0012]其中，threshold是像素点局部3
×
3范围内红外像素的均值；利用形态学处理中的腐蚀操作扩大目标区域使其与实际目标相匹配，
[0013][0014]其中，F
′
(x,y,t)是经过腐蚀操作处理后t时刻的红外阵列数据，B是腐蚀操作中的结构元素；利用位置信息提取算子对红外阵列数据进行特征提取，得到与目标空间位置相关的特征矩阵：
[0015]T(x,y,t)＝(T(x,t),T(y,t))
ꢀꢀ
(3)
[0016]T(x,t)＝F
v
*var(x,t)+F
m
*(maxF(x,y,t)
‑
minF(x,y,t))
ꢀꢀ
(4)
[0017]T(y,t)＝F
v
*var(y,t)+F
m
*(maxF(x,y,t)
‑
minF(x,y,t))
ꢀꢀ
(5)
[0018]其中，T(x,y,t)是红外阵列数据的特征矩阵，T(x,y,t)的值与t时刻点(x,y)存在目标的可能性权重正相关，var(x,t)是t时刻第x列M个红外阵列数据的方差，maxF(x,y,t)是t时刻第x列的最大红外阵列数据，minF(x,y,t)是t时刻第x列的最小红外阵列数据，F
v
、F
m
分别是两项加权系数，F
v
的大小是2倍的F
m
；利用特征矩阵T(x,y,t)的左边M/2列计算左目标位置右边M/2列计算右目标位置
[0019][0020][0021][0022][0023]通过计算两个时刻内两目标A和B的空间距离来确定目标在连续时间上的映射关系，从而得到目标的数量及运动轨迹；假设目标A、B在t1时刻位置分别为其中分别是目标A、B在t1时刻的横、纵坐标值，并且检测到目标A、B在t1的邻接时刻t2(t1+Δt)时有两个位
置信息为但不知道A、B具体对应于哪个位置；其中是A、B在t2时刻的坐标；则空间距离计算公式如下：
[0024][0025][0026]其中，DIS
space
(O1,O3)是相邻时刻内O1和O3距离的平方，DIS
space
(O1,O4)是相邻时刻内O1和O4的距离的平方，比较DIS
space
(O1,O3)和DIS
space
(O1,O4)，较小一方对应的O3或O4即为目标A在时刻t2对应的位置，同时使用排除法也得到了目标B在时刻t2对应的位置；根据目标的数量及运动轨迹，利用有限状态机进行轨迹记录，进而获取人数信息。
[0027]进一步地，所述基于室内人数的建筑热舒适度预测模型，包括：已迁移神经网络，用于对室内环境属性进行特征提取，获得第一特征信息；g8神经网络，用于对室内人数属性进行特征提取，获得第二特征信息；特征融合网络g
fusion
，用于对第一特征信息和第二特征信息进行融合，获得融合特征信息；AGBM分类器，用于对融合特征信息进行迭代预测，获得建筑热舒适度的预测结果。
[0028]进一步地，已迁移神经网络的训练方法，包括：以全球热舒适度数据库为源域，对源域进行训练，对于源域的数据集：
[0029][0030]其中，数据集B是全球热舒适度数据库，N1表示数据集B的数据量，表示不同属性的输入数据，i代表七种不同属性，取值为{1,2,3,4,5,6,7}，分别对应温度、相对湿度、服装水平、风速、年龄、代谢率、性别；为源域数据集中的标签值，其取值为{
‑
3,
‑
2,
‑
1,0,1,2,3}，分别表示冷、凉、微凉、适中、微暖、暖、热；将传递到神经网络中提取相关特征，然后通过全连接层用标签进行训练；源域的损失函数定义为：
[0031][0032]其中，表示源域的损失函数，θ
S
为源域神经网络的参数，为损失函数，其定义如下所示：
[0033][0034]其中，为指示函数，当时，该指示函数为1，否则为0，代表源域神经网络各类输出中类别为q的输出值；源域训练结束后输出已训练好的源域神
经网络；目标域的数据集为：
[0035]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于室内人数的建筑热舒适度预测方法，其特征在于，包括：采集室内环境数据；将采集的室内环境数据输入构建的基于室内人数的建筑热舒适度预测模型，输出建筑热舒适度的预测结果。2.根据权利要求1所述的基于室内人数的建筑热舒适度预测方法，其特征在于，所述室内环境数据，包括室内环境属性和基于有限状态机确定的室内人数属性；所述室内环境属性包括室内温度、室内相对湿度、服装热阻、风速、年龄、代谢率和性别属性。3.根据权利要求2所述的基于室内人数的建筑热舒适度预测方法，其特征在于，所述室内人数属性的确定方法，包括：采集指定区域的目标人员的红外阵列数据；将采集的t时刻的红外阵列数据F(x，y，t)做二值化操作，过滤掉红外像素里面是背景的像素点；二值化的阈值取像素点局部3
×
3范围内红外像素的均值，得到一个无背景的红外阵列F1(x，y，t)；其中，threshold是像素点局部3
×
3范围内红外像素的均值；利用形态学处理中的腐蚀操作扩大目标区域使其与实际目标相匹配，其中，F
′
(x，y，t)是经过腐蚀操作处理后t时刻的红外阵列数据，B是腐蚀操作中的结构元素；利用位置信息提取算子对红外阵列数据进行特征提取，得到与目标空间位置相关的特征矩阵：T(x，y，t)＝(T(x，t)，T(y，t))
ꢀꢀꢀꢀ
(3)T(x，t)＝F
v
*var(x，t)+F
m
*(maxF(x，y，t)
‑
minF(x，y，t))
ꢀꢀꢀꢀ
(4)T(y，t)＝F
v
*var(y，t)+F
m
*(maxF(x，y，t)
‑
minF(x，y，t))
ꢀꢀꢀꢀ
(5)其中，T(x，y，t)是红外阵列数据的特征矩阵，T(x，y，t)的值与t时刻点(x，y)存在目标的可能性权重正相关，var(x，t)是t时刻第x列M个红外阵列数据的方差，maxF(x，y，t)是t时刻第x列的最大红外阵列数据，minF(x，y，t)是t时刻第x列的最小红外阵列数据，F
v
、F
m
分别是两项加权系数，F
v
的大小是2倍的F
m
；利用特征矩阵T(x，y，t)的左边M/2列计算左目标位置右边M/2列计算右目标位置目标位置
通过计算两个时刻内两目标A和B的空间距离来确定目标在连续时间上的映射关系，从而得到目标的数量及运动轨迹；假设目标A、B在t1时刻位置分别为其中分别是目标A、B在t1时刻的横、纵坐标值，并且检测到目标A、B在t1的邻接时刻t2(t1+Δt)时有两个位置信息为但不知道A、B具体对应于哪个位置；其中是A、B在t2时刻的坐标；则空间距离计算公式如下：时刻的坐标；则空间距离计算公式如下：其中，DIS
space
(O1，O3)是相邻时刻内O1和O3距离的平方，DIS
space
(O1，O4)是相邻时刻内O1和O4的距离的平方，比较DIS
space
(O1，O3)和DIS
space
(O1，O4)，较小一方对应的O3或O4即为目标A在时刻t2对应的位置，同时使用排除法也得到了目标B在时刻t2对应的位置；根据目标的数量及运动轨迹，利用有限状态机进行轨迹记录，进而获取人数信息。4.根据权利要求3所述的基于室内人数的建筑热舒适度预测方法，其特征在于，所述基于室内人数的建筑热舒适度预测模型，包括：已迁移神经网络，用于对室内环境属性进行特征提取，获得第一特征信息；g8神经网络，用于对室内人数属性进行特征提取，获得第二特征信息；特征融合网络g
fusion
，用于对第一特征信息和第二特征信息进行融合，获得融合特征信息；AGBM分类器，用于对融合特征信息进行迭代预测，获得建筑热舒适度的预测结果。5.根据权利要求4所述的基于室内人数的建筑热舒适度预测方法，其特征在于，已迁移神经网络的训练方法，包括：以全球热舒适度数据库为源域，对源域进行训练，对于源域的数据集：其中，数据集B是全球热舒适度数据库，N1表示数据集B的数据量，表示不同
属性的输入数据，i代表七种不同属性，取值为{1，2，3，4，5，6，7}，分别对应温度、相对湿度、服装水平、风速、年龄、代谢率、性别；为源域数据集中的标签值，其取值为{
‑
3，
‑
2，
‑
1，0，1，2，3}，分别表示冷、凉、微凉、适中、微暖、暖、热；将传递到神经网络中提取相关特征，然后通过全连接层用标签进行训练；源域的损失函数定义为：其中，表示源域的损失函数，θ
S
为源域神经网络的参数，为损失函数，其定义如下所示：其中，为指示函数，当时，该指示函数为1，否则为0，代表源域神经网络各类输出中类别为q的输出值；源域训练结束后输出已训练好的源域神经网络；目标域的数据集为：其中，N2表示数据集A的数据量，表示不同属性的输入，n代表8个不同属性，取值为{...

【专利技术属性】
技术研发人员：马启孝，廖俊淇，魏昕，周亮，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：