建筑能耗占全球总能源消耗总量的30%以上,而空调系统的能耗占据建筑能耗之首,空调系统的节能优化控制是节能减排以及国民经济可持续发展的重要手段。当前公共建筑空调优化运行与调控研究中,人员变化及区域分布对系统动态调控和能耗影响越来越受到关注,但现有的空调系统控制方法,受到检测手段和控制策略的限制,对人员负荷的获取大多采用经验判断和前置给定,无法实现对建筑内部人员负荷变化的实时检测;同时,由于建筑物的热惰性,室内热量扩散过程,气体惯性等延迟的存在,室内人员负荷发生变化后,空调系统温度传感器存在一个相当长的滞后时间,导致系统调节动作难以跟随室内负荷实时变化,严重影响了空调系统的运行效果。因此,本文利用计算机视觉技术,将图像信息作为建筑内部人员检测的“软传感器”,实现人员负荷的实时估计;并将人员负荷影响因子引入到空调系统控制中,建立一种基于人员负荷估计的空调系统预测控制策略,优化系统运行过程,这对于指导空调系统节能优化,减少建筑能耗具有重要意义。本文将从以下方面展开研究:(1)针对建筑内部人员负荷估计过程中难以做到实时估计,导致空调系统响应滞后的问题,本文提出一种基于图像信息的建筑人员负荷实时估计模型。首先,应用计算机视觉和深度学习技术,通过摄像头采集建筑内部图像信息,建立一种基于卷积神经网络的端到端的建筑空间人员检测模型;其次,利用人员检测模型建立人员负荷估计模型,实现对人员负荷及其变化量的实时估计,改善传统人员负荷估计方法的不足;最后,通过实验分析,本文提出的基于图像信息的建筑人员负荷实时估计模型,检测实时性和检测精度较传统检测方式有了较大提升。(2)人员检测精度决定了人员负荷估计的性能,针对商场、车站等建筑环境复杂,人员密度变化时高时低的场景,人头检测方法性能有待进一步提升,因此,本文提出一种高低密度空间透视卷积神经网络人群计数模型HSDnet(High and low spatial perspective density convolutional neural network,HSDnet),解决单一的人头检测方法易受到遮挡,摄像头视角变换等因素影响的问题。首先,利用密度图回归模型DME(Density Map Estimation Module,DME)对输入图片进行特征提取,得到图片的密度回归图;其次,根据密度图的颜色变化,利用分割的思想,将密度图进行高低密度区域划分,得到高低密度区域边界,映射到原图,分别得到高密度模块图和低密度模块图;最后,利用不同的人群计数方法,将高密度模块图进行密度图回归方式进行计数,低密度模块图进行直接人头检测方式进行人员计数。通过实验分析可知,HSDnet模型将检测方法和密度图回归方法相结合,改善单一人员计数方法的缺陷,提高人员检测精度,模型拥有更高的鲁棒性和准确性。(3)针对空调系统动态调节过程中由于气体惯性和传感器的固有延迟,造成人员负荷变化时,系统响应难以跟随人员负荷的实时变化,造成高输出的能耗以及低品质的建筑内部环境问题,本文提出了一种基于人员负荷实时估计的空调系统预测控制策略。首先,根据建筑图像信息建立人员检测模型,计算人员负荷实时变化;其次,引入人员负荷控制因子,预测负荷变化带来的室内温度变化趋势;最后,计算系统补偿冷量,调节空调系统冷量供给,改善常规控制方法下大滞后性导致的室内环境品质问题,节能降耗。仿真结果表明,相比常规PID控制,预测控制的温控效果更好,节能效果可达6.70%。同时,人员负荷变化量越大时,预测控制策略表现出更好的控制效果,系统响应速度更快,温控性能越好,节能效果越明显。