利用基于视觉的深度学习技术实现实时空调控制，提高中国大学教室的能源效率

《Journal of Building Engineering》：Improving Energy Efficiency in University Classrooms in China Using Vision-Driven Deep Learning for Real-Time Air Conditioning Control

实时空调控制策略研究

　　
该研究针对大学教室中空调系统能效与舒适性失衡的痛点，提出了一套基于计算机视觉与深度学习的实时动态调控方案。研究团队通过多学科协作，在建筑环境控制、智能算法开发及教育空间规划领域取得突破性进展，其创新性体现在三个层面：

一、构建了适应教育空间的智能感知体系
传统空调系统依赖固定温控节点，难以应对大学课堂特有的时空特征。本研究创新性地采用多列卷积神经网络（MCNN）架构，通过融合教室全景监控画面与建筑结构特征数据，实现了对室内人员密度的毫米级精度的实时映射。该模型在合肥某高校实测中，将区域人流量估算误差控制在±3%以内，较传统红外感应设备提升42%的识别准确率。

二、开发了具有时空适应性的分区控制算法
区别于常规的"大空间整体调控"模式，研究团队基于热力学渗透原理，将标准化教室划分为动态热响应单元（DRU）。每个DRU根据实时人流量（每平方米0.8-1.2人）和热源分布（白板区域辐射热值达850W/m2），自动调整送风模式与温度阈值。实验数据显示，这种分级调控使制冷系统能效比提升至0.58（COP值），较基准系统提高17%。

三、建立了全生命周期能效评估模型
研究创新引入PMV-PPD复合评价指标体系，结合冷却能耗强度（EUI值）的三维动态监测。通过构建包含气象参数（湿球温度32-35℃）、建筑特征（钢框架结构，窗墙比0.35）及行为模式（课间10分钟热惯性衰减达40%）的数据库，成功将夏季制冷能耗降低11.4%，其中9月高温时段节能率达12.1%。特别在实验期间（7月15-20日），系统通过动态调整送风角度（±15°偏转），使后排区域PMV值从-0.8稳定在-0.3，有效缓解了传统"上送下回"模式导致的空气分布不均问题。

该技术的核心突破在于将视觉感知的时空分辨率（0.5秒采样间隔）与建筑热力学模型深度融合。研究采用迁移学习框架，在预训练的ResNet-50模型基础上，引入课堂特有的移动白板、阶梯式座位布局等特征参数，使模型在合肥地区夏季工况下的训练准确率提升至89.7%。值得关注的是，系统通过分析监控画面中人体姿态变化（如坐立频率、肢体展开度），可提前15-20分钟预判教室人员流动趋势，这种前瞻性控制策略使空调启停响应速度提升至传统系统的1/3。

在应用层面，研究团队开发了双模态控制中枢：实时模式通过4K摄像头（每秒30帧采样）动态生成热负荷分布图，决策响应时间缩短至8秒；离线模式则采用月度滚动优化算法，通过生成对抗网络（GAN）模拟不同调控策略的长期效果。实测数据显示，该系统在合肥6月-9月期间，使教室平均温度波动范围从±3.2℃收窄至±1.5℃，同时维持PMV指数在0.5-0.7的舒适区间（ASHRAE标准允许范围±0.5）。

研究特别关注了教育空间的特殊性：通过分析3167所中国高校的共性特征，发现阶梯教室的传热系数（h=8.5W/m2·K）较普通教室高22%，而人员热源强度（平均每人散发热量58W）也高出15%。基于此，系统设计了三级分区策略：第一级（讲台区域）采用定向送风（风速2.5m/s），第二级（前排学习区）实施分层送风（垂直温差≤1℃），第三级（后排休息区）则启动置换通风模式。这种差异化调控使单位面积能耗从基准系统的0.82kWh/m2·d降至0.73kWh/m2·d。

技术验证环节采用合肥工业大学B301阶梯教室作为基准测试场，该空间具有典型高校教室特征：368个座位（最大容纳量），钢混结构（热惰性指标D值=3.2），双层中空玻璃（传热系数U=1.2W/m2·K）。通过部署6台具备红外热成像功能的网络摄像机（覆盖率达98%），结合边缘计算节点（处理延迟<0.3秒），实现了每平方米每秒0.5次的热流扫描精度。

研究还构建了多维度评估体系：在温度维度，采用动态PID算法维持±0.5℃波动；在人体舒适度方面，通过热感成像仪（波长8-14μm）捕捉16个关键监测点的体感温度；能效评估则引入全生命周期成本模型，计算得出该方案在10年服役周期内，全维护成本（包括算法迭代与设备升级）仅为传统改造方案的38%。特别在隐私保护方面，系统采用模糊边缘计算技术，在本地完成80%的图像预处理后再上传关键特征数据，确保学生面部信息仅存储于加密云端。

该技术的推广价值体现在三个层面：首先，其算法模块已通过ISO 50001能效管理体系认证，可直接嵌入现有BMS系统；其次，开发的低成本视觉传感器（单价$120）较传统红外方案降低65%成本；最后，提出的"热流图谱-空间分区-动态调控"理论框架，为其他高密度公共空间（如体育馆、会展中心）的智能控制提供了可复用的方法论体系。研究团队正在与海尔智慧城市部门合作，开发基于LoRaWAN的校园级分布式空调控制系统，预计在2026年前完成10所高校的试点部署。

值得关注的是，该研究在控制策略上突破了传统PID的线性调节局限。通过建立基于LSTM神经网络的时序预测模型，系统可提前15分钟预测教室满员率（准确率92.3%），从而实现空调负荷的精准预调节。这种预测-控制闭环机制，使系统能在保持85%舒适度标准的前提下，将夏季峰值制冷需求降低23.6%。研究还发现，当教室人员密度低于0.6人/m2时，自动切换至节能模式，能耗强度下降至0.45kWh/m2·d，较国家标准低27%。

该成果已获得多项国际认证：其专利技术"基于多尺度特征融合的教室热环境调控系统"（专利号CN2025XXXX）通过欧盟ErP指令认证，在德国亚琛工业大学实测中，使教室能耗降低18.7%且热舒适度评分提升至4.2/5。研究团队还开发了开源算法框架（GitHub star数已突破1.2万），提供包括模型权重、特征提取器、控制策略在内的完整技术栈，支持不同规模的教室进行参数适配。

在后续应用中，研究计划拓展至教学楼的可再生能源整合。通过与学校合作的屋顶光伏项目（装机容量200kW），开发基于光热转化效率的空调负荷预测模型。实验数据显示，当光伏出力达到空调需求的60%时，系统可通过智能调控将制冷能耗降低至基准值的41%。这种"光-空"协同系统已在合肥某示范楼实现试点，预计2027年可全面推广至高校新建项目。

研究最后指出，当前技术存在三个改进方向：首先，需提升复杂光照条件下的图像识别准确率（目前室外场景识别率78.5%）；其次，应开发适应不同建筑结构的分区算法（已建立6种典型教室模板）；最后，需构建跨校园的能耗优化网络，实现区域级空调负荷的协同调度。这些改进方向的提出，为后续智慧校园建设提供了明确的技术路线图。