基于智能空調系統(tǒng)的環(huán)境可持續(xù)性研究

周長智，歐陽大妹

（廣東美的暖通設備有限公司，廣東佛山，528311）

基于智能空調系統(tǒng)的環(huán)境可持續(xù)性研究

周長智，歐陽大妹

（廣東美的暖通設備有限公司，廣東佛山，528311）

在對智能空調系統(tǒng)的環(huán)境可持續(xù)性研究中，本文采取了數(shù)據(jù)采集方案，主要是在活動等級分類和居住率評估這兩個方向上通過基于SRC（稀疏隨機分類器）的拓展分類算法進行數(shù)據(jù)建模，這種方法在傳統(tǒng)SRC實現(xiàn)性能的基礎上，有效性改善了10%。同時，通過這種方法得出以下兩個結論：對人體物理活動控制的策略可以決定并調整空調的熱力性能；調整合適的居住狀態(tài)既可以維持人體熱舒適性又可以節(jié)約能耗。該研究的創(chuàng)新點在于入住率估計首次融合了加速計和智能手機的特征數(shù)據(jù)來確定居住率。

SRC；智能空調系統(tǒng)；活動等級分類；居住率評估

0 引言

暖通空調(采暖、通風和空調)系統(tǒng)決定了商業(yè)建筑中的能量損耗，以往為了對暖通空調進行有效的管理，在進行了非常重大的投資。一般來說,大多數(shù)空調系統(tǒng)僅依賴于溫度和濕度的輸入來控制冷卻。這樣的方式會有局限性，會經(jīng)常導致能源的使用效率不高。例如，一個房間是空置，但是空調也可能而開一整天甚至更久。同時，傳統(tǒng)暖通空調的控制策略并不是考慮居住者的身體活動，而居住者的身體活動可以決定其代謝率，從而最終決定居住者的熱舒適性。大量的研究表明，過去在對居住著的評估方面使用了大量的傳感器，如運動傳感器、CO2傳感器、接觸式傳感器等。引入額外的傳感器會導致安裝和維修費用的增加，特別是對于大型商業(yè)性建筑而言。為了解決這個問題，可以使用智能手機傳感器，既使用手機的無線位置映射到個人辦公室。從而，僅僅通過達到使用手機的無線位置就可以映射到建筑的個人辦公室。

1 智能方案

在本文中，我們成立了一個30人的志愿者隊伍，對于這些志愿者，我們進行了追蹤檢測，以待能夠建立一個可以供公眾使用的可靠的數(shù)據(jù)庫。我們在每個人的腰部都設置了智能手機，從而可以監(jiān)控并收集他們的身體活動特征數(shù)據(jù)，然后整合到數(shù)據(jù)庫中。所有的特征數(shù)據(jù)都是從三軸加速計和三軸旋轉儀中收集而來的所有的信號都是經(jīng)過濾波器進行了預處理，然后進行取樣。每個志愿者總共有561個特征數(shù)據(jù)被采集出來，我們對這些特征數(shù)據(jù)進行了分類和處理。

在此基礎上，針對智能暖通空調的控制，我們在提出了兩個至關重要的方面，一個是活動等級分類，另一個是居住率評估。現(xiàn)代研究表明，對于人體物理活動的管理可以確定并進行熱參數(shù)的調整。同樣的，居住率評估是暖通空調控制中非常重要的一環(huán)。如何暖通空調可以根據(jù)居住率選擇正確的工作循環(huán)，則可以在維持人體熱舒適性的前提下充分地節(jié)省能源損耗。

居住率評估是非常新穎的，這是由于我們第一次融合了加速計和從智能手機中采集的數(shù)據(jù)，我們根據(jù)實際進行了大量的實驗，并且實驗證明我們達到了超過90%的準確率。

對于活動的分類算法的新穎性是基于SRC（稀疏隨機分類器）的拓展分類算法。我們的研究表明，在前人的基礎上，基于信號重建也促進了SRC的準確率。更加值得一提的是，我們在實行傳統(tǒng)SRC性能的基礎上更增加了10%的準確率。

2 計算方法

活動分類框架嵌入稀疏隨機分類如圖1所示。我們考慮了六種不同的活動級別，包括站立、行走、躺臥、跑步、上樓和下樓。訓練設計組成包括從加速計和磁力計的數(shù)據(jù)中提取特征數(shù)據(jù)從而建立分類字典。為了進行識別，從加速計和磁力計中提取的實驗活動分類數(shù)據(jù)，會被作為分類字典要素的線性組合。測試分類中剩余的活動分類最小值被用以匹配活動分類。

圖1 SRC分類框架

預測居住率基于眾多的加速計和居住特征之間的性能關系研究，為了研究這種關系，可以使用矢量回歸模型。

考慮到，設{（x1,y1）, （x2,y2）,……, （xn,yn）}，其中xi為居住特征，且yi為居住狀態(tài)。

為使計算簡便，假設x、y之間是線性關系，y=ωx+b，其中ω和b為預計參數(shù)。當ω=0，則x與y的函數(shù)關系相關度最小，或者說，兩者沒有聯(lián)系，因此總誤差非常大。而當ω非常大時，誤差達到最小值，

但是函數(shù)f(x)發(fā)散。為了要使ω的值最小化，且誤差盡可能的小。因此進行優(yōu)化如下式（1）所示：

注意到在很多中情況下，變量之間的關系是非線性的，在這些情況下, SVR方法需要進行擴展，將轉化為的特征空間。在此線性空間與成線性關系，因此，可以用線性方法來找到回歸解決方案。

3 結論

在本文中提供了一種基于人體典型身體活動的研究方法，并根據(jù)對于活動的分類算法基于SRC（稀疏隨機分類器）的拓展進行模擬計算，該方法是智能空調控制的關鍵。研究表明，這種方法在SRC傳統(tǒng)實現(xiàn)性能的基礎上改善了10%。

[1] Balaji B, Xu J, Nwokafor A, Gupta R, Agarwal Y. Occupancy based HVAC actuation using existing WiFi infrastructure within commercial buildings. Proceedings of the 11th ACM Conference on embedded networked sensor systems, pages 17:1e17:14. New York, NY, USA: 2013.

[2] Agarwal Y, Balaji B, Dutta S, Gupta RK, Weng T. Dutycycling buildingsaggressively: the next frontier in HVAC control. Information processing insensor networks (IPSN), 2011 10th International Conference. IEEE; 2011.p. 246-57.

[3] Rajib Rana,Brano Kusy b, Josh Wall c, Wen Hu b. Novel activity classification and occupancy estimation methods forintelligent HVAC (heating, ventilation and air conditioning) systems. Enery. 2015. P.245-255.

Study on the environmental sustainability of intelligent air conditioning system based on

Zhou Changzhi，Ouyang Damei
(Guangdong Midea HVAC Equipment Co.Ltd.,Foshan Guangdong,528311)

In the study of environmental sustainability of the intelligent air conditioning system, this paper adopts data acquisition scheme based on SRC, mainly through the activities in classification and living rate evaluation of the two directions (sparse random classifier) extension classification algorithm for data modeling, this method based on the performance of the traditional SRC. To improve the effectiveness of 10%. at the same time, through this method to draw the following two conclusions: 1, to decide and adjust the thermal performance of air conditioning on human physical activity control strategy; 2, adjust the appropriate living conditions can not only maintain the human thermal comfort and energy saving. The innovation of this research Is the occupancy rate for the first time estimation feature data fusion and intelligent mobile phone accelerometer to determine the rate of living.

SRC;intelligent air-conditioning system;activity level classification;residential rate assessment