人工智能在建筑室内热环境控制中的应用

本文内容来源于下面的文章：
王福林.人工智能在建筑室内热环境控制中的应用[J].智能建筑,2017(12):38-42.
人工智能在建筑室内热环境控制中的应用

本文对人工智能的主要研究内容和常用技术进行了概括，并以几个人工智能技术在建筑室内热环境控制中的应用案例，阐述最新人工智能技术在建筑中的应用所带来的效益。

1 人工智能的主要研究内容与技术

人工智能的研究领域非常广泛，其研究内容涉及任何智力相关工作，包括学习和感知、下棋、证明数学定量、写诗、自动驾驶、疾病诊断等。当前人工智能涵盖的学科领域及主要技术可以归纳为以下六个方面：

• （1）计算机视觉（Computer vision，计算机对世界的感知，包括模式识别 ， 图像处理等 问题 ）；
• （2）自然语言理解与交流（Natural language processing，使计算机能成功地用语言与人类进行交流，包括语音识别、合成、对话）；
• （3）认知与推理（Knowledge representation, cognitive, reasoning，使计算机能存储获得的信息并用以回答问题、推出新结论，包括各种物理和社会常识）；
• （4）机器人学（Robotics，计算机用来操纵和移动对象，包括机械、控制、设计、运动规划、任务规划等）；
• （5）博弈与伦理（Game theory and ethics，多智能体的交互、对抗与合作，机器人与社会融合等议题）；
• （6）机器学习（Machine learning，是计算机能够适应新情况、并实现预测功能，包括各种统计的建模、分析工具和计算的方法）。

在建筑领域，智能建筑的概念与实践进行了30多年，智能技术已经得到了较多应用，在当前人工智能技术取得重大发展的关键时期，需要对人工智能技术在建筑中的广泛深入应用进行思考，以期进一步提高建筑的智能化水平。下面，以人工智能技术在建筑室内热环境控制 的几个应用案例，来说明最新人工智能技术的应用可以带来的效益。

2 人工智能在建筑室内热环境控制的应用案例

2.1 基于机器学习的室内热环境控制

传统的室内热环境控制采用基于温度设定值的控制，其温度设定值由建筑运行管理人员或 者房间用户通过温控器来进行设置。建筑运行管理人员设置设定值的方法难以照顾到房间使 用者对热环境的不同偏好，而房间用户自行设置方法，经常出现不合理的温度设定值。实际建筑中的调研显示，近50%的房间温控器设定值起出设计手册推荐的舒适温度范围。这些不合理的温度设定不仅带来过冷、过热等不舒适，也带来供冷供热能源的浪费。
为了解决这一问题，可以采用人工智能技术的机器学习的方法，根据每个房间用户的冷热感觉点，将室内温湿度的二维平面通过分类器模型分为冷区域、热区域和舒适域（图1）。通过这种机器学习的方法识别出每位房间用户的个性化舒适域，从而实现个性化的热环境控 制，提高用户的满意度，并避免过冷、过热和能源浪费。对比实验显示，基于机器学习室内 热环境控制可以比基于用户自己设置温度设定值的控制节能11%。

2.2 基于计算机视觉的室内热环境控制

人的热感觉与皮肤温度有明确的关联关系，如果能够知道房间用户的皮肤温度，就可以预测用户的热感觉状态，从而智能调节室内热环境参数，避免出现令用户感觉不舒适的热环境。计算机视觉技术可以帮助我们方便地获取用户的皮肤温度。Cheng等提出了一种用普通摄像头拍摄用户皮肤照片，根据图像色度及饱和度推测用户皮肤温度的非接触式测量皮肤温度的方法，可以实现±2°Ｃ的测量精度。虽然该方法的实用性还有待进一步研究，但是成本低、使用方便、非接触式测量等优点使得这项技术仍然具有令人期待的应用前景。
与利用普通成像估测皮肤温度相比，利用红外热成像技术测量皮肤温度的精度高、实用性强，笔者开发了基于红外热成像预测用户热感觉进行室内热环境预测性控制的控制系统（图2），并通过实验验证了基于红外热成像的室内热环境控制比传统的基于用户给定设定值的控制具有更高的用户舒适度（图3）。但是，基于红外热成像的控制方法的问题是红外热成像摄像头成本较高，有待技术的进步来降低成本。

2.3 基于自然语言和体态语言识别的室内热环境控制

语音识别技术近年来发展迅速，并在生活中得到越来越多的应用，例如语音输入文字、语音发出设备动作指令等。利用语音识别技术，以语言表达的方式，实现室内热环境的智能控制，会极大方便房间用户，提供用户使用体验。王富中等人介绍了如何利用语音技术来控制一个系统，通过麦克风接收语音信号，提取有效的语音，实现了基于语音的系统控制。徐子豪、张腾飞等人分析了语音识别技术的基本原理和在智能家居中的应用，设计了一套能够通过远程语音遥控智能家居的系统。
基于语音识别的室内热环境控制方法的缺点是虽然目前语意识别算法比较完善，识别精度比较高，但是要求背景噪音噪声比较低、被识别声音要足够突出。此外，声纹识别算法有待突破，即根据声音判断是哪位用户发出的冷热感觉语音，目前的人工智能技术尚存在困难，有待突破。
基于体态语言识别进行室内热环境控制是另外一项极具潜力的人工智能技术的具体应用。目前体态语言识别研究已经比较多，为基于体态语言识别进行室内热环境控制提供了基础条件。李瑞峰等将人体动作的识别总结为计算机对动作数据的检测和获取，并符号化动作信息，继而提取、理解动作特征，以实现动作行为的识别；李靖意等提出利用微软Kinect为代表的低成本摄像机进行基于Kinect的深度图像人体动作识别方法。
通过自然语言和体态语言识别的这些人工智能手段，可以预测用户的冷热感觉，建立用户的个性化、动态化的热舒适模型，进而营造满足个性化舒适需求的室内热环境，是极具应用前景的人工智能应用。

2.4 基于房间人数识别的室内热环境预测性控制

利用计算机视觉技术，将非结构化的视频数据转换为结构化的室内人数数据，可以实现基于室内人数的室内热环境预测性控制，实现稳定舒适的室内热环境，并能节省空调系统能耗。
图4（a）为安装于房间入口处的摄像,头，图4（b）为摄像头拍得的照片，通过对图像识别 技术，可以实时识别出进入房间的人数和离开房间的人数，从而计算出房间内的实时在室人数。通过实验对比发现，基于室内人数的室内热环境预测性控制可以比传统基于温度和CO₂设定值的控制节省空调器能耗6.7%、节省新风机组能耗85.2%ml。如图５所示，（a）图所示的基于房间人数识别的室内热环境控制下的空调机组与新风机组的启动时间比（b）图所示的传统的基于温度和CO₂浓度设定值的控制下的机组启动时间明显要短，耗电量明显要少。

2.5 基于强化学习的室内热环境与光环境的继承优化控制

强化学习（Reinforcement Learning）是处理优化控制问题的一种通用的人工智能方法。一个强化学习系统通常包括下面几个部分：状态变置、动作、报酬（用来描述某一状态下采取某一动作后的收益）、价值函数（用来描述某一状态下采取某一动作后系统期望的长期总收益）、策略（用来描述强化学习智能体的动作方式，提供状态参数与智能体应该采取的动作之间的映射）。Q学习是一种最常用的强化学习方法，通过Ｑ学习的方法，可以优化控制遮阳百叶的角度和位置，实现用户舒适度最高、光环境及热环境控制总能耗最小的集成优化控制。Q学习的流程如图6所示。

实验结果显示，基于Ｑ学习的遮阳百叶的角度和位置的优化控制，可以更好地应对日照的变化调节百叶角度（图7），实现较高的用户舒适度，同时，与手动百叶角度控制相比，可以节省空调及照明的总能耗26.3% ，与传统的照明与空调集成控制相比，可以节省空调及照明总能耗的16.3%。

总结

本文概况总结了人工智能的概念、主要内容、常用技术及常见应用等相关信息。以基于机器学习的室内热环境控制、基于计算机视觉的室内热环境控制、基于自然语言和体态语言识别的室内热环境控制、基于房间人数识别的室内热环境预测性控制、基于强化学习的室内热环境与光环境的继承优化控制五个应用案例，演示了人工智能技术在建筑优化运行控制中能够带来的效益，不仅能够提高用户的舒适感和满意度，还能实现建筑的节能减排，显示了极大的应用前景。