УДК 697.97:628.81
DOI: 10.36871/26189976.2026.04-3.014

Авторы

Айрат Линарович Осипов,
ФГБОУ ВО Казанский государственный энергетический университет, Казань, Россия

Аннотация

В работе рассматривается задача построения мягкого сенсора присутствия и активности людей для интеллектуального управления кондиционированием помещений при неполной и зашумленной измерительной информации. Под мягким сенсором понимается программно-алгоритмический измеритель, восстанавливающий ненаблюдаемые переменные состояния по совокупности косвенных признаков: концентрации углекислого газа, температурно-влажностных параметров, событий дверных проходов, удельного электропотребления и сетевой активности пользовательских устройств. Показано, что переход от бинарной фиксации присутствия к непрерывному оцениванию вероятности присутствия, численности и индекса метаболической активности принципиально изменяет качество управления охлаждением.

Ключевые слова

мягкий сенсор
присутствие людей
активность людей
углекислый газ

Список литературы

[1] Ахмаров А. В. Модели софинансирования социальных страховых программ: сравнительный анализ и перспективы для России / А. В. Ахмаров, А. М. Мамаева, К. Д. Шахдуллаев // Экономика и управление: проблемы, решения. – 2025. – Т. 11, № 3(156). – С. 211-217. – DOI 10.36871/ek.up.p.r.2025.03.11.022. – EDN AYUZOK.

[2] Булгаков А. Г., Аль Джубури И.М.А. Нечеткая система управления микроклиматом помещений зданий // Известия вузов. Северо-Кавказский регион. Технические науки. 2009. № 3. С. 31–37.

[3] Кычкин А. В., Дерябин А.И., Викентьева О.Л., Шестакова Л.В. Автоматизация процессов компенсационно-предиктивного управления климат-системами интеллектуального здания // Вестник МГСУ. 2019. Т. 14. № 6. С. 734–747.

[4] Панферов С. В., Тренин Н.А., Панферов В.И. Об одном решении задачи построения общей модели теплового режима здания и его системы отопления // Вестник Южно-Уральского государственного университета. Серия «Компьютерные технологии, управление, радиоэлектроника». 2017. Т. 17. № 3. С. 24–33.

[5] Jiang C., Masood M.K., Soh Y.C., Li H. Indoor occupancy estimation from carbon dioxide concentration // Energy and Buildings. 2016. Vol. 131. P. 132–141. DOI: 10.1016/j. enbuild.2016.09.002.

[6] Kim S. H., Moon H.J. A detailed occupant activity classification model in a residential environment using building monitoring data: Considering occupant characteristics // Energy and Buildings. 2024. Vol. 305. Art. 113867. DOI: 10.1016/j.enbuild.2023.113867.

[7] Kitzberger T., Kotik J., Pröll T. Energy savings potential of occupancy-based HVAC control in laboratory buildings // Energy and Buildings. 2022. Vol. 263. Art. 112031. DOI: 10.1016/j. enbuild.2022.112031.

[8] Liang X., Shim J., Anderton O., Song D. Low-cost data-driven estimation of indoor occupancy based on carbon dioxide concentration: A multi-scenario case study // Journal of Building Engineering. 2024. Vol. 82. Art. 108180. DOI: 10.1016/j.jobe.2023.108180.

[9] Lu X., Bhattacharya S., Sharma H., Adetola V., O’Neill Z. Sensor impact evaluation in commercial buildings: The case of occupancy-centric controls // Energy and Buildings. 2022. Vol. 267. Art. 112134. DOI: 10.1016/j.enbuild.2022.112134.

[10] Persily A., de Jonge L. Carbon dioxide generation rates for building occupants // Indoor Air. 2017. Vol. 27. No. 5. P. 868–879. DOI: 10.1111/ina.12383.

[11] Wang J., Huang J., Fu Q., Gao E., Chen J. Metabolism-based ventilation monitoring and control method for COVID-19 risk mitigation in gymnasiums and alike places // Sustainable Cities and Society. 2022. Vol. 80. Art. 103719. DOI: 10.1016/j.scs.2022.103719.

[12] Yun J. Y., Choi E.J., Chung M.H., Bae K.W., Moon J.W. Performance evaluation of an occupant metabolic rate estimation algorithm using activity classification and object detection models // Building and Environment. 2024. Vol. 252. Art. 111299. DOI: 10.1016/j. buildenv.2024.111299.