《ENERGY AND BUILDINGS》:Estimating occupant counts using deep neural networks and CO
2 sensors in a mechanically ventilated environment
编辑推荐:
深度神经网络在可变通风环境中估计 occupant计数。使用CO2和通风测量值实现了79%的准确率。基于occupancy的需求驱动通风可以在没有显著准确率损失(75%)的情况下实施。
深度神经网络在可变通风环境中估计 occupant计数。使用CO2和通风测量值实现了79%的准确率。基于occupancy的需求驱动通风可以在没有显著准确率损失(75%)的情况下实施。
**论文解读:基于深度神经网络和CO
2传感器的occupancy估计方法及其在机械通风环境中的应用**
**研究背景与问题**
全球气候变化对建筑能效提出更高要求,供热、通风与空调系统(HVAC)能耗占建筑总能耗的显著比例,而许多系统运行与实际occupancy模式严重脱节。需求控制通风(DCV)通过调节通风量以匹配室内occupancy,是降低能耗的有效手段,但传统CO
2阈值控制存在响应滞后和精度不足的问题。基于occupancy的HVAC控制可进一步优化能效,但需准确估计occupant计数。现有occupancy估计方法中,被动红外传感器(PIR)难以计数,摄像头虽精度高但存在隐私和高成本问题,而环境传感器(如CO
2、温度、湿度)具有隐私保护优势,结合机器学习(ML)方法可实现occupancy推断。然而,在机械可变通风环境中,通风率调整会扭曲CO
2测量值,导致occupancy估计精度下降;同时,ML模型在训练数据分布外(如静态通风条件)的外推能力有限,且CO
2传播延迟造成数据类重叠,阻碍准确分类。现有研究多集中于恒定或自然通风场景,而可变通风条件下的occupancy估计可行性尚不明确。为此,本研究旨在探索以下问题:通风数据变异性如何影响occupancy估计精度?降低数据重叠能否提升模型性能?训练数据中通风条件的变异性是否影响估计准确性?
**研究方法与关键技术**
研究人员在模拟典型芬兰办公室的实验室环境中(尺寸2.69 m×2.71 m×3 m,最多容纳4人)开展实验,使用CO
2传感器(Miran DLS IAQ.THB-H9+)和气流传感器(Lindab FTCU)监测室内空气质量(IAQ),通风系统采用变风量(VAV)系统,occupancy真值由摄像头传感器(Steinel HPD2)通过计算机视觉算法提供。共收集约5天21小时(2024年2月至2025年3月)及后续2天20小时(2025年10月至11月)的occupancy数据,并在实验室翻新后补充2天20小时训练数据。关键技术包括:
1. **卷积深度长短期记忆网络(CDLSTM)**:结合卷积层(自动提取传感器特征)与LSTM层(处理时序依赖),并采用全连接层输出occupant计数。
2. **迁移学习(TL)**:先在合成数据(基于质量平衡方程和随机occupancy调度生成,模拟CO
2动态)上预训练,再在目标域(实验室房间)数据上微调,以缓解数据不足问题。
3. **数据预处理**:特征选择确定CO
2和通风率为输入特征;采用5折交叉验证(按日期划分,避免时序泄漏);通过将occupancy真值标签前移(0、5、10分钟)以减轻CO
2传播延迟导致的类重叠。
4. **合成数据生成**:基于CO
2质量平衡方程(假设通风渗透率为0,occupant为唯一CO
2源,排放率E=0.004 L/s),采用马尔可夫状态图生成随机occupancy调度(0-4人,平均占用1小时),以增加训练数据变异性。
**研究结果**
**3.1 训练数据变异性**
为评估模型对分布外通风数据的泛化能力,研究人员在三种通风控制模式(恒定、比例CO
2控制、随机设定点)下训练CDLSTM模型,并用模拟数据测试其控制下的occupancy估计性能。结果显示,随机通风设定点训练的模型均方根误差(RMSE)最低(0.2798),显著优于恒定模式(0.7002)和比例CO
2控制模式(0.9070),表明训练数据的高变异性使模型能在不同通风率下保持稳定性能。
**3.2 Occupancy估计**
针对第一组occupancy数据集,研究人员比较了不同时间偏移(0、5、10分钟)和迁移学习的效果。CDLSTM模型在无迁移学习时,0分钟偏移的准确率为72.73%,RMSE为0.8030;5分钟偏移使准确率提升至77.91%,RMSE降至0.6460;10分钟偏移准确率为74.16%,RMSE为0.7231。迁移学习进一步将准确率提升约1-2个百分点,最佳组合为5分钟偏移+迁移学习,准确率79%,RMSE 0.6464。结果表明,时间偏移有效减少类重叠,5分钟是最优折中。
**3.3 基于occupancy的通风控制**
在实验室翻新房间中,研究人员使用迁移学习预训练(合成数据)后微调3天的CDLSTM模型(5分钟偏移),进行23小时50分钟的实时通风控制测试(每个检测到的occupant增加6 L/s通风量,无occupancy时维持3 L/s)。模型在控制过程中准确率为74.69%,RMSE为0.6855,相比纯occupancy估计(79%准确率)仅下降约4个百分点,表明基于ML的occupancy估计可用于实时通风控制,且性能损失可控。
**讨论与结论**
讨论部分总结:本研究证明,基于ML的occupancy估计在可变通风环境中可达到足够精度(实时控制75%),优于Rahman等人(57%),但低于Dutta等人(93%)和Yang等人(88%),差异源于实验条件(高通风变异性、仅使用CO
2和通风率两个特征)。迁移学习带来边际提升(1-2个百分点),可能因目标域数据量已足够且合成数据与真实数据差异大。训练数据变异性是模型泛化关键,但实际数据收集可能影响IAQ。时间偏移持续改善性能,支持CO
2传播延迟导致类重叠的假设。基于occupancy的DCV有望降低HVAC能耗,但需在真实建筑中验证,且模型在不同房间的迁移性仍是挑战。
结论翻译:提高建筑能效对实现可持续发展目标至关重要。估计occupant计数是通过减少过度通风来优化HVAC系统的一种途径,因此探索可变通风环境中的occupancy估计变得十分必要。研究人员开发了一种基于环境传感器occupancy估计的机器学习方法,用于需求控制通风。结果表明,采用迁移学习的CDLSTM模型可用于机械可变通风房间的occupancy估计(准确率79%)。通过使用随机通风率设定点增加数据变异性,可改善模型性能;通过偏移训练数据中的occupancy真值标签以降低类重叠,同样能提高性能。所产生的occupancy估计模型可用于实时通风控制,其性能仅因通风控制而略有下降(从79%降至75%)。从能效角度看,该方法使通风控制更贴近实际occupancy,而非仅依赖间接IAQ指标,有望在保持IAQ的同时降低通风相关能耗。该研究发表在《ENERGY AND BUILDINGS》。