[论文解读] IoT for Green Building Management

Wayes Tushar, Nipun Wijerathne+5 more|arXiv (Cornell University)|May 27, 2018

Air Quality Monitoring and Forecasting参考文献 27被引用 6

一句话总结

本文提出了一种基于物联网的楼宇管理系统，利用信号处理与机器学习技术，实现在楼宇中低成本、实时的人员占用检测与能效优化。通过部署简单的物联网传感器，并应用迁移学习与无监督深度学习技术，系统实现了精确的人员占用估计，揭示出人员占用使暖通空调（HVAC）能耗增加8.7%，从而支持数据驱动的节能策略。

ABSTRACT

Buildings consume 60% of global electricity. However, current building management systems (BMSs) are highly expensive and difficult to justify for small to medium-sized buildings. As such, the Internet of Things (IoT), which can monitor and collect a large amount of data on different contexts of a building and feed the data to the processor of the BMS, provides a new opportunity to integrate intelligence into the BMS to monitor and manage the energy consumption of the building in a cost-effective manner. Although an extensive literature is available on IoT based BMS and applications of signal processing techniques for some aspects of building energy management separately, detailed study on their integration to address the overall BMS is quite limited. As such, the proposed paper will address this gap by providing an overview of an IoT based BMS leveraging signal processing and machine learning techniques. It is demonstrated how to extract high-level building occupancy information through simple and low-cost IoT sensors and studied the impact of human activities on energy usage of a building, which can be exploited to design energy conservation measures to reduce the building's energy consumption.

研究动机与目标

• 解决传统楼宇管理系统（BMS）在中小型楼宇中成本高昂且可扩展性有限的问题。
• 将物联网与信号处理、机器学习相结合，实现楼宇能源使用与人员占用的低成本、实时监测。
• 使低计算能力的物联网设备能够通过迁移学习与半监督学习技术在本地执行机器学习推理，实现边缘智能。
• 展示基于人员占用感知的能源管理如何降低暖通空调能耗与电费支出。
• 提供一种可扩展的框架，用于在真实楼宇中部署基于物联网的能效解决方案。

提出的方法

• 在楼宇出入口部署低成本物联网传感器（如声音、图像传感器），以捕获环境与人员活动数据。
• 应用迁移学习，将预训练模型适配于从出入口图像中进行人数计数。
• 利用声音传感器数据进行无监督深度学习，以检测人员占用状态，无需人工标注。
• 在资源受限的物联网设备上实现基于边缘的机器学习，以支持本地推理并降低延迟。
• 通过信号处理技术融合多传感器数据，提升人员占用估计的准确性。
• 将人员占用数据与暖通空调能耗相关联，建立能耗模式模型，并识别节能机会。

实验结果

研究问题

• RQ1 基于物联网的系统如何实现在中小型楼宇中低成本、实时的人员占用检测？
• RQ2 在商业楼宇中，人员占用在多大程度上影响暖通空调能耗？
• RQ3 低计算能力的物联网设备是否能够通过迁移学习与半监督技术实现准确的机器学习推理？
• RQ4 基于人员占用感知的控制策略如何降低整体楼宇能耗与电费支出？
• RQ5 实时人员占用数据对暖通空调系统优化与能耗建模有何影响？

主要发现

• 当房间有人时，暖通空调能耗增加8.7%，平均能耗从无人时的6.04 kWh上升至有人时的6.57 kWh。
• 由于人员占用，房间温度平均上升0.35°C，从无人时的25.02°C升至有人时的25.37°C。
• 所提出的基于迁移学习的人数计数方法可利用低成本图像传感器在楼宇出入口实现精确的人员占用估计。
• 利用声音传感器数据进行无监督深度学习，成功实现了无需标注训练数据的人员占用状态检测。
• 人员占用数据支持开发动态控制策略，可降低暖通空调能耗并减少电费支出。
• 物联网、信号处理与机器学习的集成为能效优化与楼宇管理提供了可操作的洞察。