CN105204490A - 基于集成特征选择分类的待机功耗智能诊断***及其诊断方法 - Google Patents

Abstract

本发明提供了一种基于集成特征选择分类的待机功耗智能诊断***及其诊断方法，上位机对采集到的家用电器信号进行特征参数选择，利用支持向量机对特征参数进行筛选，得到最优特征子集以及训练后的支持向量机分类器，通过该集成特征选择分类算法判断家用电器是否处于待机状态，若处于待机状态，则通过终端节点控制控制开关模块将待机的家用电器关闭，达到减少待机功耗，节约电能的目的。

Description

基于集成特征选择分类的待机功耗智能诊断***及其诊断方法

技术领域

本发明涉及家用电器功耗诊断技术领域，具体涉及一种基于集成特征选择分类的待机功耗智能诊断***及其诊断方法。

背景技术

随着智能电网和阶梯、峰谷电价的推广，各种智能电表应运而生，人们节电意识也越来越强，也希望对家用电器进行智能化管理并且能够实时的了解家用电器的待机状态，然后自动的关掉处于待机状态的家用电器。智能节电***可以帮助人们实现这一愿望。然而传统的智能设备最大的弊端就是增减设备都需要重新布线，重复投资且影响美观；另一方面，***的可扩展性和移动性也比较差，安装和维护成本高。

发明内容

本申请通过提供一种基于集成特征选择分类的待机功耗智能诊断统及其诊断方法，以解决现有技术中智能节电***可扩展性和可移动性差，安装以及维护成本较高的技术问题。

为解决上述技术问题，本申请采用以下技术方案予以实现：

一种基于集成特征选择分类的待机功耗智能诊断***，包括上位机、协调器以及每个家用电器处设置的终端节点、信息采集模块、控制开关，其中，所述信息采集模块包括温度传感器和电能采集芯片，用以采集家用电器的温度、电压以及电流信息，由所述终端节点将采集到的信息通过所述协调器传输给所述上位机，所述上位机对采集到的信息进行分析判断，并通过所述协调器向所述终端节点发出控制指令，所述终端节点控制所述控制开关，从而控制家用电器的关闭，所述上位机处设置有温湿度传感器用以采集室内温度和湿度。

作为优选的技术方案，所述上位机采用ARM9TQ2440上位机，所述协调器采用***芯片CC2430，所述终端节点为ZigBee电路板，所述控制开关模块采用SL-C电磁式继电器，所述温度传感器采用DS18B20，所述电能采集芯片采用ADE7755，所述温湿度传感器采用DHT21。

其中，上位机选用32位的ARM微控制器ARM9TQ2440，它的工作频率可达几百MHz。集成有许多片内外设，并有多种通信接口，体积小，功耗和成本低，可靠性高，特别适合作为嵌入式上位机。***一般采用Flash作为程序存储器，采用SDRAM作为***内存。可以采用VxWorks、WinCE、Linux等嵌入式操作***。在基于ARM平台上可嵌入较完整的TCP/IP协议，实现较强的Web服务功能。并且***中能集成多种接口部件，可以完成较多复杂的功能。为家庭网关后继功能的扩展提供了可能。

协调器采用了华诺的CC2430***芯片，CC2430***芯片是集成ZigBee技术、8051MCU处理核心的SOC芯片，在集成度和成本以及研发难度上，都具备相当的优势。ZigBee具有近距离、低功耗、低速率、双向传输等特点，是一种基于IEEE802.15.4无线标准研制开发的有关组网、安全和应用软件方面无线网络技术，主要适合于承载数据流量小、数据传输速率低的业务，可嵌入各种设备中，能够实现对家庭、工业以及医学等各种重要场所的监控。ZigBee网络主要由协调器、路由器和终端节点组成。ZigBee支持星状型、网状和树簇状的网络拓扑结构。每一ZigBee网络中最多可以拥有65535个节点，每个节点的地址由ZigBee的网络协调节点(NetworkCoordinator)负责分配。另外，每个节点的传输范围在30-100m之间，而且传输的距离还可以通过使用功率放大器和多跳网状结构得到延伸。

每个终端节点都是一个小的ZigBee电路板，当上位机对采集到的家用电器信号进行判断，得出家用电器处于待机状态后，上位机通过终端节点控制SL-C电磁式继电器的闭合来达到控制插座通电与否，关掉处于待机状态的家用电器，从而减少了待机功耗，节约电能。

一种基于集成特征选择分类的待机功耗智能诊断***的诊断方法，包括以下步骤：

S1：家用电器信号的采集；

S2：家用电器信号的传输；

S3：根据采集到的家用电器信号计算家用电器的功率P；

S4：提取家用电器信号的电压特征V_i(i＝1,2,…,m)、电流特征I_q(q＝1,2,…,n)、温度特征T_p(p＝1,2,…,s)以及室内温度特征T1_r(r＝1,2,…,l)和湿度特征S1_t(t＝1,2,…,z)，其中电压特征个数i的取值为1到m的自然数，电流特征个数q的取值为1到n的自然数，家用电器温度特征个数p的取值为1到s的自然数，室内温度特征个数r的取值为1到l的自然数，室内湿度特征个数t的取值为1到z的自然数；

S5：基于支持向量机回归算法，建立反演模型，通过反演准确性进行特征筛选，以获得最优特征子集F_final(1,2,…k)以及反演得到最接近功率P的相应功率P′，最优特征子集的个数final取值为1到k的自然数；

S6：将功率P′与电压特征V_i(i＝1,2,…,m)、电流特征I_q(q＝1,2,…,n)、温度特征T_p(p＝1,2,…,t)以及室内温度特征T1_r(r＝1,2,…,l)和湿度特征S1_t(t＝1,2,…,z)合并，构成总的待选特征集F_j(j＝1,2,…,h)，待选特征集的个数j取值为1到h的自然数；

S7：基于支持向量机分类器和总的待选特征集F_j(j＝1,2,…,h)进行特征选择和分类；

S8：获得最优特征子集F_final(final＝1,2,…,k)和训练后的支持向量机分类器SVM_final；

S9：构建基于集成特征选择分类的待机功耗智能诊断***；

S10：判断家用电器是否处于待机状态，如果是，则进入步骤S11，否则，跳转回步骤S3；

S11：所述上位机通过所述无线传输模块控制控制开关模块，关闭处于待机状态的家用电器。

通过同时优化待选信号特征和支持向量机分类器参数,可以提高信号特征选择和获取与家用电器能耗关系式的精度。采用高精度的封装式特征选择模式，评价准则为分类器的模式分类准确率。以家用电器的能耗作为分类标准，从而将获取信号特征与家用电器能耗的关系式转化为模式分类问题。

进一步地，步骤S8中采用链式智能体遗传算法搜索最优特征子集F_final(final＝1,2,…,k)，种群数量选择大于基因长度，自适应交叉概率为：

$p_c=\left\{\begin{array}{cc}\frac{(p_{c1}-p_{c2})(f^{\&prime;}-f_{avg})}{f_{max}-f_{avg}},& f^{\&prime;}\&GreaterEqual;f_{avg}\\ p_{c1},& f^{\&prime;}<f_{avg}\end{array}\right.$

式中，p_c1和p_c2为两个待交叉的个体，初始化p_c1＝0.9，p_c2＝0.6，f_avg为每代种群的平均适应度，f_max为每代种群的最大适应度，f'为待交叉的两个个体中较大的适应度值，交叉操作采用自适应交叉概率的单点交叉法；

基因变异同样采用自适应的变异概率：

$p_m=\left\{\begin{array}{cc}{p}_{m1}-\frac{(p_{m1}-p_{m2})(f_{max}-f)}{f_{max}-f_{avg}},& f\&GreaterEqual;f_{avg}\\ p_{m1},& f<f_{avg}\end{array}\right.$

式中，p_m1、p_m2分别为个体1和个体2的变异概率，初始化p_m1＝0.1，p_m2＝0.006，f_avg为每代种群的平均适应度，f_max为每代种群的最大适应度，f为待变异个体的适应度值，变异操作采用自适应变异概率的二进制变异法。

进一步地，步骤S9中，支持向量机的核函数为径向基函数，采用五阶校验法，训练收敛准则为均方误差，将信号样本分为A、B、C、D四组，其中A组样本用于训练支持向量机分类器，B组样本用于指导链式智能体遗传算法进行搜索最优特征子集，C组样本用于实行参数反演，D组样本用于进行性能测试。

采用留一法对A组样本和B组样本进行测试，同时输出选择后的信号样本特征和训练好的支持向量机分类器参数；样本的特征值在特征选择分类前要进行归一化处理。

采用留十法将C组样本随机分为训练样本和测试样本，按此分发，得到多组训练样本和测试样本，基于已获得的训练样本和支持向量机分类器参数，对支持向量机进行参数回归，输入向量为信号特征值，输出向量为家用电器功耗的标准值，均方误差满足要求后停止，从而获取参数矩阵，即：信号特征值与家用电器功耗的关系式；样本的特征值在参数反演前不要进行归一化处理。

通过信号特征值与家用电器功耗的关系式可计算出家用电器在某一时间段内的耗能，对D组样本进行测试，获取家用电器能耗分布及数字的平均值和标准差。

作为一种优选的技术方案，步骤S4中提取的电压特征包括电压分布的不均匀性、电压平均、电压均方差、电压熵，电流特征包括电流分布的不均匀性、电流平均、电流均方差、电流熵，温度特征包括温度分布的不均匀性、温度平均、温度均方差、温度熵，室内温度特征包括室内温度分布的不均匀性、室内温度平均、室内温度方差、室内温度熵，室内湿度特征包括室内湿度分布的不均匀性、室内湿度平均、室内湿度方差、室内湿度熵。

与现有技术相比，本申请提供的技术方案，具有的技术效果或优点是：***可控性高，可扩展性好，且降低了***的能耗，易于推广应用。

附图说明

图1为本发明的待机功耗智能诊断***结构框图；

图2为本发明的待机功耗智能诊断方法的流程图。

具体实施方式

本申请实施例通过提供一种基于集成特征选择分类的待机功耗智能诊断***及其诊断方法，以解决现有技术中智能节电***可扩展性和可移动性差，安装以及维护成本较高的技术问题。

为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式，对上述技术方案进行详细的说明。

实施例

一种基于集成特征选择分类的待机功耗智能诊断***，如图1所示，包括上位机、协调器以及每个家用电器处设置的终端节点、信息采集模块、控制开关，其中，所述信息采集模块包括温度传感器和电能采集芯片，用以采集家用电器的温度、电压以及电流信息，由所述终端节点将采集到的信息通过所述协调器传输给所述上位机，所述上位机对采集到的信息进行分析判断，并通过所述协调器向所述终端节点发出控制指令，所述终端节点控制所述控制开关，从而控制家用电器的关闭，所述上位机处设置有温湿度传感器用以采集室内温度和湿度。

作为优选的技术方案，所述上位机采用ARM9TQ2440上位机，所述协调器采用***芯片CC2430，所述终端节点为ZigBee电路板，所述控制开关模块采用SL-C电磁式继电器，所述温度传感器采用DS18B20，所述电能采集芯片采用ADE7755，所述温湿度传感器采用DHT21。

其中，上位机选用32位的ARM微控制器ARM9TQ2440，它的工作频率可达几百MHz。集成有许多片内外设，并有多种通信接口，体积小，功耗和成本低，可靠性高，特别适合作为嵌入式上位机。***一般采用Flash作为程序存储器，采用SDRAM作为***内存。可以采用VxWorks、WinCE、Linux等嵌入式操作***。在基于ARM平台上可嵌入较完整的TCP/IP协议，实现较强的Web服务功能。并且***中能集成多种接口部件，可以完成较多复杂的功能。为家庭网关后继功能的扩展提供了可能。

协调器采用了华诺的CC2430***芯片，CC2430***芯片是集成ZigBee技术、8051MCU处理核心的SOC芯片，在集成度和成本以及研发难度上，都具备相当的优势。ZigBee具有近距离、低功耗、低速率、双向传输等特点，是一种基于IEEE802.15.4无线标准研制开发的有关组网、安全和应用软件方面无线网络技术，主要适合于承载数据流量小、数据传输速率低的业务，可嵌入各种设备中，能够实现对家庭、工业以及医学等各种重要场所的监控。ZigBee网络主要由协调器、路由器和终端节点组成。ZigBee支持星状型、网状和树簇状的网络拓扑结构。每一ZigBee网络中最多可以拥有65535个节点，每个节点的地址由ZigBee的网络协调节点(NetworkCoordinator)负责分配。另外，每个节点的传输范围在30-100m之间，而且传输的距离还可以通过使用功率放大器和多跳网状结构得到延伸。

每个终端节点都是一个小的ZigBee电路板，当上位机对采集到的家用电器信号进行判断，得出家用电器处于待机状态后，上位机通过终端节点控制SL-C电磁式继电器的闭合来达到控制插座通电与否，关掉处于待机状态的家用电器，从而减少了待机功耗，节约电能。

一种基于集成特征选择分类的待机功耗智能诊断***的诊断方法，如图2所示，包括以下步骤：

S1：家用电器信号的采集；

S2：家用电器信号的传输；

S3：根据采集到的家用电器信号计算家用电器的功率P；

S4：提取家用电器信号的电压特征V_i(i＝1,2,…,m)、电流特征I_q(q＝1,2,…,n)、温度特征T_p(p＝1,2,…,s)以及室内温度特征T1_r(r＝1,2,…,l)和湿度特征S1_t(t＝1,2,…,z)，其中电压特征个数i的取值为1到m的自然数，电流特征个数q的取值为1到n的自然数，家用电器温度特征个数p的取值为1到s的自然数，室内温度特征个数r的取值为1到l的自然数，室内湿度特征个数t的取值为1到z的自然数；

S5：基于支持向量机回归算法，建立反演模型，通过反演准确性进行特征筛选，以获得最优特征子集F_final(1,2,…k)以及反演得到最接近功率P的相应功率P′，最优特征子集的个数final取值为1到k的自然数；

S6：将功率P′与电压特征V_i(i＝1,2,…,m)、电流特征I_q(q＝1,2,…,n)、温度特征T_p(p＝1,2,…,t)以及室内温度特征T1_r(r＝1,2,…,l)和湿度特征S1_t(t＝1,2,…,z)合并，构成总的待选特征集F_j(j＝1,2,…,h)，待选特征集的个数j取值为1到h的自然数；

S7：基于支持向量机分类器和总的待选特征集F_j(j＝1,2,…,h)进行特征选择和分类；

S8：获得最优特征子集F_final(final＝1,2,…,k)和训练后的支持向量机分类器SVM_final；

S9：构建基于集成特征选择分类的待机功耗智能诊断***；

S10：判断家用电器是否处于待机状态，如果是，则进入步骤S11，否则，跳转回步骤S3；

S11：所述上位机通过所述无线传输模块控制控制开关模块，关闭处于待机状态的家用电器。

通过同时优化待选信号特征和支持向量机分类器参数,可以提高信号特征选择和获取与家用电器能耗关系式的精度。采用高精度的封装式特征选择模式，评价准则为分类器的模式分类准确率。以家用电器的能耗作为分类标准，从而将获取信号特征与家用电器能耗的关系式转化为模式分类问题。

进一步地，步骤S8中采用链式智能体遗传算法搜索最优特征子集F_final(final＝1,2,…,k)，种群数量选择大于基因长度，自适应交叉概率为：

$p_c=\left\{\begin{array}{cc}\frac{(p_{c1}-p_{c2})(f^{\&prime;}-f_{avg})}{f_{max}-f_{avg}},& f^{\&prime;}\&GreaterEqual;f_{avg}\\ p_{c1},& f^{\&prime;}<f_{avg}\end{array}\right.$

式中，p_c1和p_c2为两个待交叉的个体，初始化p_c1＝0.9，p_c2＝0.6，f_avg为每代种群的平均适应度，f_max为每代种群的最大适应度，f'为待交叉的两个个体中较大的适应度值，交叉操作采用自适应交叉概率的单点交叉法；

基因变异同样采用自适应的变异概率：

$p_m=\left\{\begin{array}{cc}{p}_{m1}-\frac{(p_{m1}-p_{m2})(f_{max}-f)}{f_{max}-f_{avg}},& f\&GreaterEqual;f_{avg}\\ p_{m1},& f<f_{avg}\end{array}\right.$

式中，p_m1、p_m2分别为个体1和个体2的变异概率，初始化p_m1＝0.1，p_m2＝0.006，f_avg为每代种群的平均适应度，f_max为每代种群的最大适应度，f为待变异个体的适应度值，变异操作采用自适应变异概率的二进制变异法。

进一步地，步骤S9中，支持向量机的核函数为径向基函数，采用五阶校验法，训练收敛准则为均方误差，将信号样本分为A、B、C、D四组，其中A组样本用于训练支持向量机分类器，B组样本用于指导链式智能体遗传算法进行搜索最优特征子集，C组样本用于实行参数反演，D组样本用于进行性能测试。

采用留一法对A组样本和B组样本进行测试，同时输出选择后的信号样本特征和训练好的支持向量机分类器参数；样本的特征值在特征选择分类前要进行归一化处理。

采用留十法将C组样本随机分为训练样本和测试样本，按此分发，得到多组训练样本和测试样本，基于已获得的训练样本和支持向量机分类器参数，对支持向量机进行参数回归，输入向量为信号特征值，输出向量为家用电器功耗的标准值，均方误差满足要求后停止，从而获取参数矩阵，即：信号特征值与家用电器功耗的关系式；样本的特征值在参数反演前不要进行归一化处理。

通过信号特征值与家用电器功耗的关系式可计算出家用电器在某一时间段内的耗能，对D组样本进行测试，获取家用电器能耗分布及数字的平均值和标准差。

作为一种优选的技术方案，步骤S4中提取的电压特征包括电压分布的不均匀性、电压平均、电压均方差、电压熵，电流特征包括电流分布的不均匀性、电流平均、电流均方差、电流熵，温度特征包括温度分布的不均匀性、温度平均、温度均方差、温度熵，室内温度特征包括室内温度分布的不均匀性、室内温度平均、室内温度方差、室内温度熵，室内湿度特征包括室内湿度分布的不均匀性、室内湿度平均、室内湿度方差、室内湿度熵。

本申请的上述实施例中，通过提供一种基于集成特征选择分类的待机功耗智能诊断***及其诊断方法，上位机对采集到的家用电器信号进行特征参数选择，利用支持向量机对特征参数进行筛选，得到最优特征子集以及训练后的支持向量机分类器，通过该集成特征选择分类算法判断家用电器是否处于待机状态，若处于待机状态，则通过终端节点控制控制开关模块将待机的家用电器关闭，达到减少待机功耗，节约电能的目的。

应当指出的是，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的普通技术人员在本发明的实质范围内所做出的变化、改性、添加或替换，也应属于本发明的保护范围。

Claims (7)

1.一种基于集成特征选择分类的待机功耗智能诊断***，其特征在于，包括上位机、协调器以及每个家用电器处设置的终端节点、信息采集模块、控制开关，其中，所述信息采集模块包括温度传感器和电能采集芯片，用以采集家用电器的温度、电压以及电流信息，由所述终端节点将采集到的信息通过所述协调器传输给所述上位机，所述上位机对采集到的信息进行分析判断，并通过所述协调器向所述终端节点发出控制指令，所述终端节点控制所述控制开关，从而控制家用电器的关闭，所述上位机处设置有温湿度传感器用以采集室内温度和湿度。

2.根据权利要求1所述的基于集成特征选择分类的待机功耗智能诊断***，其特征在于，所述上位机采用ARM9TQ2440上位机，所述协调器采用***芯片CC2430，所述终端节点为ZigBee电路板，所述控制开关模块采用SL-C电磁式继电器，所述温度传感器采用DS18B20，所述电能采集芯片采用ADE7755，所述温湿度传感器采用DHT21。

3.如权利要求1所述的基于集成特征选择分类的待机功耗智能诊断***的诊断方法，其特征在于，包括以下步骤：

S1：家用电器信号的采集；

S2：家用电器信号的传输；

S3：根据采集到的家用电器信号计算家用电器的功率P；

S4：提取家用电器信号的电压特征V_i(i＝1,2,…,m)、电流特征I_q(q＝1,2,…,n)、温度特征T_p(p＝1,2,…,s)以及室内温度特征T1_r(r＝1,2,…,l)和湿度特征S1_t(t＝1,2,…,z)，其中电压特征个数i的取值为1到m的自然数，电流特征个数q的取值为1到n的自然数，家用电器温度特征个数p的取值为1到s的自然数，室内温度特征个数r的取值为1到l的自然数，室内湿度特征个数t的取值为1到z的自然数；

S5：基于支持向量机回归算法，建立反演模型，通过反演准确性进行特征筛选，以获得最优特征子集F_final(1,2,…k)以及反演得到最接近功率P的相应功率P′，其中最优特征子集的个数final取值为1到k的自然数；

S6：将功率P′与电压特征V_i(i＝1,2,…,m)、电流特征I_q(q＝1,2,…,n)、温度特征T_p(p＝1,2,…,t)以及室内温度特征T1_r(r＝1,2,…,l)和湿度特征S1_t(t＝1,2,…,z)合并，构成总的待选特征集F_j(j＝1,2,…,h)，其中待选特征集的个数j取值为1到h的自然数；

S7：基于支持向量机分类器和总的待选特征集F_j(j＝1,2,…,h)进行特征选择和分类；

S8：获得最优特征子集F_final(final＝1,2,…,k)和训练后的支持向量机分类器SVM_final；

S9：构建基于集成特征选择分类的待机功耗智能诊断***；

S10：判断家用电器是否处于待机状态，如果是，则进入步骤S11，否则，跳转回步骤S3；

S11：所述上位机通过所述无线传输模块控制控制开关模块，关闭处于待机状态的家用电器。

4.根据权利要求3所述的基于集成特征选择分类的待机功耗智能诊断***的诊断方法，其特征在于，步骤S8中采用链式智能体遗传算法搜索最优特征子集F_final(final＝1,2,…,k)，种群数量选择大于基因长度，自适应交叉概率为：

$p_c=\left\{\begin{array}{cc}\frac{(p_{c1}-p_{c2})(f^{\&prime;}-f_{avg})}{f_{max}-f_{avg}},& f^{\&prime;}\&GreaterEqual;f_{avg}\\ p_{c1},& f^{\&prime;}<f_{avg}\end{array}\right.$

式中，p_c1和p_c2为两个待交叉的个体，初始化p_c1＝0.9，p_c2＝0.6，f_avg为每代种群的平均适应度，f_max为每代种群的最大适应度，f'为待交叉的两个个体中较大的适应度值，交叉操作采用自适应交叉概率的单点交叉法；

基因变异同样采用自适应的变异概率：

$p_m=\left\{\begin{array}{cc}{p}_{m1}-\frac{(p_{m1}-p_{m2})(f_{max}-f)}{f_{max}-f_{avg}},& f\&GreaterEqual;f_{avg}\\ p_{m1},& f<f_{avg}\end{array}\right.$

式中，p_m1、p_m2分别为个体1和个体2的变异概率，初始化p_m1＝0.1，p_m2＝0.006，f_avg为每代种群的平均适应度，f_max为每代种群的最大适应度，f为待变异个体的适应度值，变异操作采用自适应变异概率的二进制变异法。

5.根据权利要求3所述的基于集成特征选择分类的待机功耗智能诊断***的诊断方法，其特征在于，步骤S9中，支持向量机的核函数为径向基函数，采用五阶校验法，训练收敛准则为均方误差，将信号样本分为A、B、C、D四组，其中A组样本用于训练支持向量机分类器，B组样本用于指导链式智能体遗传算法进行搜索最优特征子集，C组样本用于实行参数反演，D组样本用于进行性能测试。

6.根据权利要求5所述的基于集成特征选择分类的待机功耗智能诊断***的诊断方法，其特征在于，

采用留一法对A组样本和B组样本进行测试，同时输出选择后的信号样本特征和训练好的支持向量机分类器参数；

采用留十法将C组样本随机分为训练样本和测试样本，按此分发，得到多组训练样本和测试样本，基于已获得的训练样本和支持向量机分类器参数，对支持向量机进行参数回归，输入向量为信号特征值，输出向量为家用电器功耗的标准值，均方误差满足要求后停止，从而获取参数矩阵，即：信号特征值与家用电器功耗的关系式；

通过信号特征值与家用电器功耗的关系式可计算出家用电器在某一时间段内的耗能，对D组样本进行测试，获取家用电器能耗分布及数字的平均值和标准差。

7.根据权利要求3所述的基于集成特征选择分类的待机功耗智能诊断***的诊断方法，其特征在于，步骤S4中提取的电压特征包括电压分布的不均匀性、电压平均、电压均方差、电压熵，电流特征包括电流分布的不均匀性、电流平均、电流均方差、电流熵，温度特征包括温度分布的不均匀性、温度平均、温度均方差、温度熵，室内温度特征包括室内温度分布的不均匀性、室内温度平均、室内温度方差、室内温度熵，室内湿度特征包括室内湿度分布的不均匀性、室内湿度平均、室内湿度方差、室内湿度熵。