Согласно СП 60.13330.2020 [1], расход наружного воздуха систем вентиляции жилых, общественных и административно-бытовых помещений определяется по кратности воздухообмена и количеству людей, находящихся в помещении.
На практике количество людей в помещении в течение дня постоянно меняется. Если система вентиляции работает по постоянному проектному расходу воздуха, возникают избыточный воздухообмен и дополнительные затраты энергии на перемещение, нагрев или охлаждение воздуха.
Для систем вентиляции с переменным расходом воздуха требуется способ оперативно определять текущее количество людей, находящихся в помещении в каждый момент времени. Необходимый расход приточного воздуха систем вентиляции рассчитывается по формуле:
| Lн = mN, | (1) |
где m — нормируемый удельный расход приточного воздуха на одного человека, м3/ч; N — число людей в помещении.
Таким образом, определение текущей численности людей позволяет адаптировать расход приточного воздуха к фактической нагрузке помещения. Одним из возможных способов решения данной задачи является использование параметров внутреннего воздуха — концентрация углекислого газа (CO2), температура, относительная влажность — в качестве входных данных для нейросетевой модели.
Подходы к определению нагрузок на системы вентиляции
Существует несколько принципиально разных подходов к оценке численности людей, находящихся в помещении. Данные подходы представлены на рис. 1. Их можно условно разделить на три группы:
Рис. 1. Подходы к оценке численности людей в помещении
1. Прямые методы
основаны на непосредственной фиксации присутствия людей в помещении: это пассивные инфракрасные датчики движения (Passive Infrared, PIR), видеокамеры, компьютерное зрение, а также беспроводное позиционирование по Wi‑Fi или Bluetooth [2, 3]. Их достоинство — оперативная регистрация входа в помещение и выхода из него.
Недостатки — PIR-датчики плохо различают реальное количество людей в помещении при малой подвижности, а также у них ограниченная зона действия. Видеосистемы требуют больших вычислительных ресурсов, зависят от освещения, у них может быть затруднён обзор, а также они затрагивают вопросы конфиденциальности. Беспроводные методы Wi‑Fi или Bluetooth хорошо масштабируются на крупные пространства, но зависят от наличия у человека работающего устройства с включённым Wi‑Fi и Bluetooth [2].
2. Косвенные алгоритмические методы
позволяют оценивать количество людей в помещении по изменению параметров внутреннего воздуха. Наиболее информативным признаком остаётся концентрация CO2, так как она непосредственно связана с присутствием людей и режимом воздухообмена [4, 5]. Дополнительную информацию дают температура и относительная влажность.
Однако точность таких моделей сильно зависит от предположения, что условия стабильны: например, фиксированный объём помещения и вентиляция с постоянным расходом воздуха. На практике же проветривание или открытая дверь нарушают простую зависимость, и линейная модель может дать большую погрешность [3, 4].
3. Нейросетевые методы.
Нейросетевые методы представляют современный подход к оценке количества людей, находящихся в помещении, так как способны автоматически обучаться по данным и выявлять в них сложные скрытые зависимости. В контексте нашей задачи это означает, что нейросетевая модель может на основе накопленных примеров связей между параметрами воздуха и числом людей в помещении научиться распознавать невидимые простыми методами закономерности. Такие модели хорошо справляются с нелинейными зависимостями и могут учитывать динамику процессов при наличии достаточного объёма обучающих данных. Они демонстрируют более высокую точность по сравнению с описанными выше алгоритмическими способами, однако требуют больших вычислительных ресурсов и качественных данных для обучения [3].
В статье [6] авторы применили метод FS‑ELM (Feature Scaled Extreme Learning Machine) — модификацию нейросетевого алгоритма с быстрым обучением — и проверили модель в офисном помещении с максимальной численностью 28 человек, подтвердив возможность оценки фактической занятости по концентрации CO2. Точность определения количества людей в помещении достигала 94 % при допустимой погрешности ± 4 человека [6].
В работе [5] показано, что модели на основе параметров внутреннего воздуха могут служить альтернативой камерам и датчикам движения. При этом гибридная модель CNN-XGBoost, использующая данные по концентрации CO2, температуре и относительной влажности, продемонстрировала точность определения занятости около 93 % на экспериментальных данных жилого здания [5].
В смежной задаче прогноза энергетической нагрузки модель Pyramid-CNN (многослойная свёрточная архитектура с иерархическим извлечением признаков) обеспечила улучшение точности прогнозирования, снизив среднюю абсолютную процентную ошибку (MAPE) до 10 % по сравнению с базовыми моделями на кластеризованных профилях потребителей [7]. Полученные результаты подтверждают эффективность свёрточных нейронных сетей при анализе нелинейных энергетических временных рядов.
С инженерной точки зрения подход с использованием нейросетевых моделей представляет наибольший интерес, поскольку не требует дополнительного оснащения помещения камерами или специализированными средствами контроля присутствия и может быть встроен в существующую систему автоматизации здания. Однако существующие подходы зачастую ориентированы преимущественно на параметры внутреннего воздуха и не всегда учитывают дополнительные факторы, влияющие на динамику изменения микроклимата. В реальных условиях на концентрацию CO2, температуру и относительную влажность влияют не только находящиеся в помещении люди и режим работы вентиляции, но и процессы воздухообмена через открывающиеся двери, режим проветривания и особенности эксплуатации помещения.
Для административных помещений наиболее рациональной представляется модель, использующая не только данные по концентрации CO2, температуре и относительной влажности, но и дополнительные признаки состояния помещения, например, угол или продолжительность открытия двери, а также режим работы систем вентиляции. Учёт таких факторов позволяет частично учитывать инерционность воздухообмена и повысить устойчивость модели при изменяющихся условиях эксплуатации. Именно данный подход положен в основу экспериментального примера.
Пример экспериментальной модели
С целью обучения нейросетевой модели, позволяющей определять количество находящихся в помещении людей в каждый момент времени, с учётом инфильтрации воздуха через открывающуюся входную дверь в коридор, был проведён ряд экспериментов в учебной аудитории Университета ИТМО. Помещение снабжено приточно-вытяжной системой вентиляции с постоянным расходом воздуха. Количество людей, находящихся в помещении, и углы открытия входной двери в каждый момент времени фиксировались при помощи видеокамеры с дальнейшей обработкой видеоданных. В качестве основных измеряемых параметров использовались концентрация CO2, температура и относительная влажность воздуха в помещении. Схема помещения с расположением датчиков приведена на рис. 2.
Рис. 2. Схема помещения (1 — датчики; 2 — угол открытия двери)
На текущем этапе в качестве базового решающего блока применялся алгоритм Random Forest. Такой алгоритм нужен для первичной проверки информативности признаков и получения опорного результата. Для обучения и первичной настройки алгоритма использовались измерения параметров воздуха объёмом 41 490 измерений. Для проверки и тестирования модели использовались экспериментальные данные объёмом 16 539 измерений параметров воздуха (рис. 3 и 4).
Рис. 3. Обучающая выборка: изменение угла открытия двери и фактического числа людей в помещении (3 ноября 2020 года, 41 490 данных)
Рис. 4. Проверочная выборка: изменение угла открытия двери и фактического числа людей в помещении (27 октября 2020 года, 16 539 данных)
В качестве метрики использовалась точность с допустимой погрешностью по количеству людей. При строгом критерии, допускающем ошибку не более одного человека, точность составила 3,6 %. При увеличении погрешности до ±3 человек точность возрастает до 44,4 %. На рис. 5 представлены изменения концентрации CO2, состояния двери, фактического и предсказанного количества людей в помещении во времени. График на рис. 5 позволяет сопоставить результаты прогнозирования с фактическим числом людей в помещении и влиянием угла открытия двери на работу модели. Полученные результаты показывают, что модель в текущем виде ограниченно справляется с точным определением количества людей, находящихся в помещении в каждый момент времени. Таким образом, модель способна улавливать тенденции изменения количества людей с учётом влияния открывания и закрывания двери, но требует дальнейшего повышения точности и увеличения объёма данных для практического применения.
Рис. 5. Финальный тест: концентрация углекислого газа в помещении, состояние двери, фактическое и предсказанное число людей во времени
Для формирования управляющего сигнала для изменения расхода воздуха системы вентиляции необходимо решение по количеству людей, находящихся в помещении, в зависимости от параметров состояния воздуха в помещении. Результаты определения количества людей, находящихся в помещении, в зависимости от параметров воздуха, таких как содержание CO2, температура и относительная влажность, представлены на рис. 6.
Рис. 6. Количество людей, находящихся в помещении, в зависимости от значений концентрации CO2, температуры и относительной влажности
Результаты проведённого анализа и измерений подтверждают, что параметры воздуха действительно несут информацию о количестве людей в помещении и могут использоваться в алгоритмах управления вентиляцией. Эксперимент подтверждает пригодность выбранных признаков и постановки задачи, но сама архитектура модели требует дальнейшего развития с целью повышения её точности.
Вывод
Использование параметров внутреннего воздуха для оценки количества людей в помещении представляет собой перспективное направление для «умного» управления вентиляцией. Проведённый анализ показал, что концентрация углекислого газа (CO2), температура и относительная влажность содержат информацию о текущем количестве людей в помещении и могут использоваться в качестве входных данных нейросетевой модели.
Разработка подобных алгоритмов позволит адаптировать расход воздуха к фактической нагрузке помещения, снизить избыточный воздухообмен и повысить энергетическую эффективность систем вентиляции. При этом дальнейшие исследования должны быть направлены на повышение точности моделей в условиях изменяющегося режима эксплуатации помещений, нестабильного воздухообмена и внешних факторов, таких как открытие окон, учёт влияния на температурные режимы работы систем кондиционирования и отопления, учёт влияния метаболизма человека на такие параметры воздуха внутри помещения, как влажность и содержание в воздухе CO2.
