Energy & Buildings(2018)
建筑物占用率估算与检测综述
Building occupancy estimation and detection:A review
作者:陈正华∗, 蒋朝阳、谢丽华
南洋理工大学电气与电子工程学院,新加坡南阳大街50号
摘要ABSTRACT
建筑占用率是建筑节能控制的重要内容。为了估计和检测建筑物占用率,已经开展了大量的工作。本文对建筑物占用率估计与检测进行了综述。根据所涉及的传感器将估计和检测系统分为不同的类别。由于多传感器融合在建筑物占用估计和检测中的应用越来越广泛,本文还对基于不同传感器组合的系统进行了综述。然后,我们对不同类型的传感器进行了比较,以估计和检测占用情况。最后,根据目前系统的研究进展,指出了未来的研究方向。
关键词Keywords
居住率估算Occupancy estimation
居住检测 Occupancy detection
传感器Sensor
融合Fusion
1. 引言Introduction
为了给居住者提供舒适健康的室内环境,建筑物消耗的能源约占世界总能源的40%[1]。由于能源危机和可持续发展的紧迫性,人们越来越关注节能建筑。为了实现这一目标,建筑占用信息是其中的一个关键组成部分[2,3]。例如,居住者的存在与否将决定建筑中HVAC(供暖、通风和空调)系统的运行时间[4,5]。同时,一个热区的居住人数将表明这个区域的冷却或加热负荷。文献中提出了一些占用率驱动的建筑气候控制系统,以节约能源和提供舒适的室内环境。Agarwal等人提出了一个低成本的系统,以准确地检测办公室内是否有居住者,他们表明,通过检测到的居住者信息,该系统可以实现10%到15%的节能[6]。Yang和Becerik-Gerber证明,如果利用基于占用率的HVAC计划,HVAC系统能够节省高达9%的能源[7]。在[8]中,Wang等人提出了一种基于占用信息的建筑环境控制的预测性控制算法。他们显示,在不影响热舒适度和空气质量的情况下,建筑物的能源使用量减少了约40%。占用信息也决定了照明系统的运行时间[9,10]。Leephakpreeda指出,通过提议的基于占用信息的照明控制,照明系统有可能节省35%至75%的能源[11]。对基于占用情况的照明控制系统的调查可以在[12]中找到。此外,占用信息对于建筑物的安全管理和占用分布是非常重要的。安全管理非常重要,建筑物中的占用分布 在紧急疏散中也是至关重要的。
为了实现准确的建筑占用估计和检测,在考虑不同的应用时,已经涉及许多类型的传感器。例如,被动红外(PIR)传感器可以用来检测办公室里是否有住户[13]。通过摄像头,我们能够获得一个房间里的居住者的数量[14]。基于二氧化碳传感器,我们可以获得对占用情况的粗略估计[15]。不同的传感器具有独特的属性和局限性,可用于建筑物占用情况的估计和检测。因此,我们打算根据不同类型的传感器对不同的入住率估计和检测方案进行分类。
由于建筑物占用率估计和检测是过去几十年来活跃的热门话题,就我们所知,还没有全面的评论来比较和总结不同的解决方案,在本文中,我们试图在本文中,我们试图对建筑物占用率估计和检测进行定性的概述。在本文中,我们试图对建筑占用估计和检测进行定性概述。同时,我们还总结和比较了不同解决方案的一些基本标准,如成本、性能和限制。最后,我们强调了一些潜在的研究方向,以便进一步研究。在下文中,占用率估计是指估计居住者的数量或范围;而居住者检测是指检测一个区域内居住者的存在和不存在。占用率检测是指检测一个区域内占用者的存在和不存在。
本文组织结构如下。第1节介绍了本评论的背景和动机。第2节全面回顾了目前使用不同传感器类型和传感器融合的占用率估计和检测解决方案。第3节比较了用于占用率估计和检测的不同类型的传感器,为传感器的选择提供了明确的指导。第4节提出了一些潜在的未来研究方向,以鼓励该领域的更多研究工作。第5节总结了这项工作。本文的示意性概述见图1。
2. 不同类型传感器的占用率估计与检测Occupancy estimation and detection with different types of sensors
在本节中,我们对目前使用不同传感器类别的建筑物占用率估计和检测解决方案进行了全面的概述。同时,我们还回顾了一些融合了多个传感器的入住率估计和检测系统。多个传感器融合的占用率估计和检测系统。
2.1. 被动式红外探测器PIR(Passive Infrared Detector)
PIR传感器可以检测由主体运动引起的红外辐射变化。因此,它们能够检测到居住者的运动,表明居住者的存在。一些使用PIR传感器的占用检测系统已经被开发出来。Dodier等人提出了一个用PIR传感器进行占用检测的传感器信念网络[13]。在他们的系统中,部署了三个PIR传感器来独立地感知居住者的存在。然后,利用贝叶斯概率理论来推断一个区域内是否有居住者。Duarte等人使用PIR传感器监测不同房间的长期占用多样性[16]。他们分析了检测到的占用模式,并将他们的方法与ASHRAE 90.1-2004中的标准化占用分集进行比较[17]。结果发现,真实的占用模式与能源模拟工具中广泛使用的标准化占用分集有很大差异。在[18]中,Liu等人提出了一个使用PIR传感器的占用检测系统。一个具有期望最大化的隐马尔可夫模型(HMM)被应用于占用检测。其他一些工作直接将PIR传感器的活动状态视为居住者的存在,以制定建筑占用的统计模型[19,20]。
PIR传感器也可以用来估计居住者的数量。Wahl等人提出了一个基于成对的PIR传感器的占用率计算系统,该系统可以检测占用者的移动方向[21]。他们提出了一种简单的基于方向的算法和一种基于概率距离的算法,用于利用住户的移动方向进行入住率估计。Raykov等人应用单个PIR传感器来估计房间里的居住者数量[22]。首先,他们使用一个无限的HMM模型从原始感觉数据中提取居住者的运动模式。然后,使用统计回归模型将提取的模式用于估计占用情况。
表1显示了基于PIR传感器的占用率估计和检测系统的摘要。PIR传感器成本低,易于在环境中部署。然而,PIR传感器的一个局限性是,它只能检测居住者的运动。这意味着静止的居住者将被遗漏。
2.2. 智能电表Smart meter
可以通过使用智能电表测量的电力消耗能够反映出室内居住者和电器之间的互动关系。因此,建筑物的占用信息可以从电力消耗数据中推断出来。然而,占用率和电力消耗数据之间的关系并不简单,有时甚至很难建模。机器学习方法是对这种复杂关系进行建模的一个不错的选择。
Chen等人提出了一个使用智能电表的占用检测系统[23]。通过分析电力数据的统计指标的变化,他们可以使用阈值法检测出占用的事件。然后,利用聚类算法将附近的事件结合起来,形成一个连续的占用痕迹。Kleiminger等人利用电表作为占用情况传感器进行占用情况检测[24]。由于原始的电力消耗数据不能说明占用的存在和不存在,他们得出了一些更具代表性的特征。支持向量机(SVM)、K-近邻(KNN)、HMM和阈值的分类器被用于分类。在他们的另一项工作中[25],Kleiminger等人试图用一个更大的数据集来提高性能。首先,他们将特征的数量从10个增加到30个。然后,采用了顺序正向选择的特征选择算法和主成分分析(PCA)的降维算法来获得更多的抽象特征。最后,分类算法,即SVM、KNN、HMM、阈值处理和高斯混合模型(GMM),被用于最终的占用检测。同样,Akbar等人提出了一个基于智能电表测量的耗电量的占用检测系统[26]。他们应用KNN和SVM的机器学习算法,用不同的内核进行占用检测。通过KNN算法可以达到94%的高准确率。
用于监督学习的占用率数据的真实性有时很难获得。因此,Becker和Kleiminger提出了一种使用无监督学习方法的智能电表数据占用检测系统[27]。研究了HMM、几何移动平均(GeoMA)和PageHinkley检验(PHT)三种无监督学习算法,并与几种有监督学习算法进行了比较。在[28]中,Tang等人提出了一种利用智能电表数据进行占用检测的非训练方法,即基于设备知识的稀疏人体行为恢复(SHARK),而不是使用监督学习进行占用检测。首先,他们建立了以设备模式切换和约束为优化函数的设备功率模型。然后,可以从优化函数中解码设备状态和人的行为。最后,通过定义规则,从恢复的人类行为中推断出占用率。Jin等人利用智能电表数据开发了一种占用检测系统[29]。由于地面真实数据很难收集,他们把重点放在没有数据或有限的标记数据可用于模型学习的问题上。针对这些问题,提出了两种非侵入式学习(NL)和迁移学习(TL)算法。NL方法试图仅用电能消耗数据来推断入住率,TL方法试图用一组相似家庭的数据来学习一个模型。两种方法在没有训练数据或训练数据有限的情况下都取得了良好的性能。
我们在表2中总结了基于智能电表的占用估计和检测系统。智能电表数据对占用者来说是非侵入性的,并且没有额外的成本。但是,它只能检测出有无乘客,而不能检测出更高级的乘客人数信息。
2.3. 环境传感器Environmental sensors
包括二氧化碳、温度、湿度、光照和压力在内的环境传感器广泛应用于现代建筑LHVAC(照明、加热、通风和空调)系统[30]。由于居住者会直接影响室内环境,因此环境传感器读数可以很好地指示建筑物的居住情况。利用环境传感器进行建筑物占用率的估算和检测有许多先进的工作。在所有的环境传感器中,二氧化碳已被证明是最有效的占用率估计和检测传感器[31,32]。一些研究人员仅将二氧化碳数据用于建筑物占用率的估计和检测,而其他研究人员则使用多个环境传感器。
2.3.1. 二氧化碳传感器CO2 sensors
Ansanay Alex利用CO2浓度的变化开发了一个简单的占用检测系统[33]。这种简单的方法只能检测是否有乘客。由于室内二氧化碳浓度与居住人数和通风水平有关,基于室内二氧化碳浓度的质量平衡方程,王和金提出了一种居住检测的动态检测方法[34]。他们将提出的方法与[35]中的稳态检测方法进行了比较。Cali等人在[34]中应用了相同的动态检测算法,用于不同条件下的占用率检测,例如有通风和无通风的房间[36]。他们还利用门窗的位置信息来提高占用检测的性能。Weekly等人提出了一种偏微分方程-常微分方程(PDE-ODE)算法来模拟会议室中的CO2浓度,以进行占用率估计[37]。他们进行了一个控制实验来调整模型参数,并对不同人数的乘客进行了另外两个实验来验证他们提出的方法的性能。Jin等人在[37]中应用了相同的算法,用于使用CO2传感器进行占用率估计[38]。所有这些方法都是基于二氧化碳浓度的模型来检测和估计建筑物占用率。
Szczurek等人提供了一种使用统计模式匹配来估计居住者数量的简单方法[39]。他们根据二氧化碳浓度的统计指标,如自相关函数和相关系数,直接估算了半小时时间窗口内的入住率。这种方法可以很容易地提供一个长时间范围内的平均占用水平的粗略估计,即半小时,这对于LHVAC系统的实时控制来说太长了。由于室内二氧化碳浓度的高度复杂性,根据居住者数量对二氧化碳浓度进行显式建模是困难和不准确的。另一种解决方案是使用数据驱动的方法,使用一些通用模型(如机器学习算法)直接建模输入和输出之间的关系。Zuraimi等人比较了SVM、预测误差最小化(PEM)和人工神经网络(ANN)的动态物理模型和机器学习方法在利用CO2浓度估算建筑物占用率方面的应用[40]。在一个有200人的房间里进行的实验表明,人工神经网络和支持向量机的机器学习方法表现最好。Jiang等人提出了一种基于CO2测量的建筑物占用率估计的特征尺度极限学习机(FS-ELM)算法[15]。为了进一步提高模型的性能,提出了一种局部平滑的CO2数据处理策略。他们还提出了性能评估的x公差精度标准。在文献[41]中,Rahman和Han比较了神经网络和贝叶斯马尔可夫链蒙特卡罗(MCMC)在利用室内CO2数据进行占用率估计方面的应用。两种模型在一定条件下都能得到满意的性能。Ebadat等人设计了一个灰盒模型,利用从另一个房间收集的数据来捕捉新房间的二氧化碳动态[42]。采用文献[43]中的正则化解卷积模型来估算新房间的建筑占用率。Alam等人研究了使用人工神经网络(ANN)估算CO2数据占用率的不确定性[44]。他们使用不同占用率剖面和气流方案的模拟研究来确定他们提出的占用率估计系统的最佳参数。得出了一些有益的结论,可作为利用含CO2浓度的人工神经网络进行占有率估算的指导。
表3总结了用于建筑物占用率估计和检测的基于CO2的系统。使用CO2浓度进行占用率估计和检测的主要问题是,由于CO2在环境中的缓慢扩散,估计结果总是与实际建筑物占用率存在时间延迟。
2.3.2. 多传感器Multiple sensors
除了二氧化碳,其他环境传感器,如温度、湿度、光照和压力,也可用于检测和估计建筑物占用率。Candanedo和Feldheim提出了一种使用二氧化碳、光、温度和湿度等环境传感器的占用检测系统[10]。采用线性判别分析(LDA)、分类回归树(CART,Classification And Regression Tree,是决策树中的一种)和随机森林(RF)三种学习算法进行检测。他们得出结论,通过选择适当的特征和学习算法,可以获得令人满意的占用检测性能。假设地面真实占用率不可用,Candanedo等人使用相同的传感器评估了用于占用率检测的HMM算法[32]。对不同特征组合的HMM进行了测试。他们得出结论,具有CO2特征的HMM可以获得最佳的检测性能。考虑到环境时间序列数据的时间依赖性,Ertugrul提出了一种使用[10]中相同传感器的递归ELM(Extreme Learning Machine极限学习机算法,ELM;Recurrent ELM,递归极限学习机算法)占用检测方法[45]。Kraiperapun和Amornsamankul提出了改进的叠加方案,采用双输出神经网络,利用二氧化碳、光、温度和湿度等环境传感器进行占用检测[46]。该方法分为两个阶段。在第一阶段,训练多个神经网络,并将其输出串联起来作为第二阶段的输入。在第二阶段,提