CN117267905A - 一种空调的控制方法、装置、空调和存储介质 - Google Patents
一种空调的控制方法、装置、空调和存储介质 Download PDFInfo
- Publication number
- CN117267905A CN117267905A CN202311172674.5A CN202311172674A CN117267905A CN 117267905 A CN117267905 A CN 117267905A CN 202311172674 A CN202311172674 A CN 202311172674A CN 117267905 A CN117267905 A CN 117267905A
- Authority
- CN
- China
- Prior art keywords
- air conditioner
- data
- outdoor environment
- parameters
- environment
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 178
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 144
- 230000008569 process Effects 0.000 claims abstract description 73
- 238000003062 neural network model Methods 0.000 claims abstract description 42
- 238000012545 processing Methods 0.000 claims description 84
- 238000011156 evaluation Methods 0.000 claims description 73
- 238000012360 testing method Methods 0.000 claims description 66
- 230000000694 effects Effects 0.000 claims description 56
- 238000004887 air purification Methods 0.000 claims description 54
- 238000005457 optimization Methods 0.000 claims description 45
- 238000007781 pre-processing Methods 0.000 claims description 32
- 238000006243 chemical reaction Methods 0.000 claims description 15
- 238000005286 illumination Methods 0.000 claims description 15
- 230000002159 abnormal effect Effects 0.000 claims description 12
- 230000000306 recurrent effect Effects 0.000 claims description 12
- 230000009977 dual effect Effects 0.000 claims description 10
- 238000011049 filling Methods 0.000 claims description 9
- 238000012876 topography Methods 0.000 claims description 5
- 230000007613 environmental effect Effects 0.000 abstract description 56
- 238000013528 artificial neural network Methods 0.000 description 52
- 230000006870 function Effects 0.000 description 51
- 238000004458 analytical method Methods 0.000 description 30
- 238000005516 engineering process Methods 0.000 description 29
- 230000001276 controlling effect Effects 0.000 description 27
- 230000008859 change Effects 0.000 description 26
- 238000010438 heat treatment Methods 0.000 description 26
- 238000004422 calculation algorithm Methods 0.000 description 25
- 238000001556 precipitation Methods 0.000 description 21
- 238000004378 air conditioning Methods 0.000 description 20
- 238000007405 data analysis Methods 0.000 description 18
- 238000010606 normalization Methods 0.000 description 17
- 238000001816 cooling Methods 0.000 description 15
- 238000000605 extraction Methods 0.000 description 15
- 238000009423 ventilation Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 13
- 210000002569 neuron Anatomy 0.000 description 13
- 238000004140 cleaning Methods 0.000 description 12
- 238000013135 deep learning Methods 0.000 description 12
- 238000009826 distribution Methods 0.000 description 12
- 230000000875 corresponding effect Effects 0.000 description 11
- 238000010801 machine learning Methods 0.000 description 11
- 238000013461 design Methods 0.000 description 10
- 230000004913 activation Effects 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 9
- 238000011217 control strategy Methods 0.000 description 9
- 238000005265 energy consumption Methods 0.000 description 9
- 238000013145 classification model Methods 0.000 description 6
- 238000003066 decision tree Methods 0.000 description 6
- 238000001914 filtration Methods 0.000 description 6
- 230000006872 improvement Effects 0.000 description 6
- 230000010354 integration Effects 0.000 description 6
- 238000012417 linear regression Methods 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 6
- 238000012706 support-vector machine Methods 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 5
- 238000010219 correlation analysis Methods 0.000 description 5
- 238000007619 statistical method Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 125000004122 cyclic group Chemical group 0.000 description 4
- 238000013480 data collection Methods 0.000 description 4
- 238000013136 deep learning model Methods 0.000 description 4
- 230000033001 locomotion Effects 0.000 description 4
- 230000001537 neural effect Effects 0.000 description 4
- 238000005057 refrigeration Methods 0.000 description 4
- 230000002596 correlated effect Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000000737 periodic effect Effects 0.000 description 3
- 230000001105 regulatory effect Effects 0.000 description 3
- 230000001932 seasonal effect Effects 0.000 description 3
- 238000010187 selection method Methods 0.000 description 3
- 238000012300 Sequence Analysis Methods 0.000 description 2
- 230000004308 accommodation Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 239000000872 buffer Substances 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 229930002875 chlorophyll Natural products 0.000 description 2
- 235000019804 chlorophyll Nutrition 0.000 description 2
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000003750 conditioning effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 238000013481 data capture Methods 0.000 description 2
- 238000013479 data entry Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000013079 data visualisation Methods 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 238000004134 energy conservation Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000004438 eyesight Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004806 packaging method and process Methods 0.000 description 2
- 238000006116 polymerization reaction Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 1
- 239000000809 air pollutant Substances 0.000 description 1
- 231100001243 air pollutant Toxicity 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 239000013618 particulate matter Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
- F24F11/63—Electronic processing
- F24F11/64—Electronic processing using pre-stored data
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/50—Control or safety arrangements characterised by user interfaces or communication
- F24F11/56—Remote control
- F24F11/58—Remote control using Internet communication
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/50—Control or safety arrangements characterised by user interfaces or communication
- F24F11/61—Control or safety arrangements characterised by user interfaces or communication using timers
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/70—Control systems characterised by their outputs; Constructional details thereof
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B30/00—Energy efficient heating, ventilation or air conditioning [HVAC]
- Y02B30/70—Efficient control or regulation technologies, e.g. for control of refrigerant flow, motor or heating
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明公开了一种空调的控制方法、装置、空调和存储介质,该方法包括:基于空调的历史室外环境数据和空调的当前室外环境数据,利用预设的神经网络模型进行训练,得到预测模型;基于空调的当前室外环境数据中空调的当前室外环境参数,利用预测模型进行预测,得到空调所在环境的未来一段时间内的室外环境参数;根据空调所在环境的未来一段时间内的室外环境参数,调节空调的运行参数,以实现通过对空调的运行过程的提前控制,对所述空调所在环境的室内环境参数进行提前调节。该方案,通过结合历史室外环境数据和当前室外环境数据对空调所在地的未来一段时间的环境参数进行更为精准地预测,提前调节空调的运行参数,提升空调的性能并提升用户体验。
Description
技术领域
本发明属于空调技术领域,具体涉及一种空调的控制方法、装置、空调和存储介质,尤其涉及一种空调的室外环境参数的预测及控制方法、装置、空调和存储介质。
背景技术
室外环境参数预测技术,能够给空调带来更实时、智能的控制方案。相关方案中,室外环境参数预测方法,是依赖天气预报、空调采集到的回风口空气信息等的预测方法,使得对室外环境参数的预测结果不够准确,不能精细反映空调所在地当前局部有限区域的室外环境状况,所以在基于对室外环境参数的预测结果对空调进行控制时,难免会影响控制的准确性和可靠性,从而不利于对空调的性能的提升,影响了用户的使用体验。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的目的在于,提供一种空调的控制方法、装置、空调和存储介质,以解决相关方案中依赖天气预报、空调采集到的回风口空气信息等对空调所在地的室外环境参数进行预测,不能精细反映空调所在地当前局部有限区域的室外环境状况,在根据对室外环境参数的预测结果对空调进行控制时,会影响控制的准确性和可靠性,不利于对空调的性能的提升,也会影响用户的使用体验的问题,达到通过结合历史室外环境数据和当前室外环境数据对空调所在地的未来一段时间的环境参数进行更为精准地预测,根据预测到的环境参数提前调节空调的运行参数,有利于提升空调的性能并提升用户体验的效果。
本发明提供一种空调的控制方法,包括:收集所述空调所在环境的历史室外环境数据,记为所述空调的历史室外环境数据;并获取所述空调所在环境的当前室外环境数据,记为所述空调的当前室外环境数据;基于所述空调的历史室外环境数据和所述空调的当前室外环境数据,利用预设的神经网络模型进行训练,得到预测模型;其中,所述预测模型,是能够基于所述空调的当前室外环境数据中所述空调的当前室外环境参数,预测所述空调所在环境的未来一段时间内的室外环境参数的模型;基于所述空调的当前室外环境数据中所述空调的当前室外环境参数,利用所述预测模型进行预测,得到所述空调所在环境的未来一段时间内的室外环境参数;其中,所述空调的当前室外环境参数,是所述空调的当前室外环境数据中的至少部分室外环境数据;根据所述空调所在环境的未来一段时间内的室外环境参数,调节所述空调的运行参数,以实现通过对所述空调的运行过程的提前控制,对所述空调所在环境的室内环境参数进行提前调节。
在一些实施方式中,所述空调的历史室外环境数据、所述空调的当前室外环境数据中的室外环境数据,包括:所述空调所在环境的温度数据、湿度数据、气压数据、风速和风向数据、光照数据、地域数据、地形数据、植被数据、大气环流数据、天气状况数据、以及空气质量数据中的至少一种室外环境参数;收集所述空调所在环境的历史室外环境数据,记为所述空调的历史室外环境数据,包括以下至少之一:接收由云端获取并发送的所述空调所在环境的历史气象数据,作为所述空调的历史室外环境数据;调取由所述空调的室外传感器装置检测并反馈的历史采集数据,作为所述空调的历史室外环境数据;和/或,获取所述空调所在环境的当前室外环境数据,记为所述空调的当前室外环境数据,包括:接收由所述空调的室外传感器装置检测并反馈的当前采集数据,作为所述空调的当前室外环境数据。
在一些实施方式中,基于所述空调的历史室外环境数据和所述空调的当前室外环境数据,利用预设的神经网络模型进行训练,得到预测模型,包括:将所述空调的历史室外环境数据和所述空调的当前室外环境数据进行整合,得到整合室外环境数据,记为所述空调的整合室外环境数据;对所述空调的整合室外环境数据进行预处理,得到预处理室外环境数据,记为所述空调的预处理室外环境数据;所述空调的预处理室外环境数据中,具有与所述空调的运行参数相关联的室外环境参数,记为所述空调的运行环境参数;自所述空调的预处理室外环境数据中,针对所述空调的运行环境参数中的每种室外环境参数,提取影响所述每种室外环境参数的特征参数,作为与所述每种室外环境参数相关联的关联特征参数;以此,得到与所述空调的运行环境参数相关联的所有特征参数,记为所述空调的所有特征参数;基于所述空调的预处理室外环境数据,以所述空调的运行环境参数为输出数据、且以所述空调的所有特征参数为输入数据,建立样本数据;并将所述样本数据划分为训练样本和测试样本;利用所述训练样本,以所述训练样本中所述空调的运行环境参数中的每种室外环境参数为输出数据、且以所述训练样本中与该每种室外环境参数相关联的特征参数为输入数据,对预先选取的神经网络模型进行训练,得到训练模型;其中,所述预先选取的神经网络模型,包括:双隐层神经网络模型和循环神经网络模型中的至少之一;利用所述测试样本,以所述测试样本中所述空调的运行环境参数中的每种室外环境参数为输出数据、且以所述训练样本中与该每种室外环境参数相关联的特征参数为输入数据,对所述训练模型进行测试,得到测试结果;根据预设的评价指标,基于所述测试结果对所述训练模型进行评估,得到评估结果;根据所述评估结果,对所述训练模型进行优化调整,得到优化模型,将所述优化模型作为所需要的预测模型。
在一些实施方式中,对所述空调的整合室外环境数据进行预处理,得到预处理室外环境数据,记为所述空调的预处理室外环境数据,包括:对所述空调的整合室外环境数据进行去除异常值处理、填补缺失值处理、格式转换和标准化处理、数据去重处理中的至少一种处理,得到预处理室外环境数据,记为所述空调的预处理室外环境数据。
在一些实施方式中,自所述空调的预处理室外环境数据中,针对所述空调的运行环境参数中的每种室外环境参数,提取影响所述每种室外环境参数的特征参数,作为与所述每种室外环境参数相关联的关联特征参数,包括:自所述空调的预处理室外环境数据中,针对所述空调的运行环境参数中的每种室外环境参数,提取影响所述每种室外环境参数的特征数据;提取到的影响所述每种室外环境参数的特征数据,包括:时间特征数据、地点特征数据、以及气象特征数据中的至少之一;对提取到的影响所述每种室外环境参数的特征数据进行归一化或标准化处理,得到标准参数,记为影响所述每种室外环境参数的特征参数,作为与所述每种室外环境参数相关联的关联特征参数。
在一些实施方式中,基于所述空调的当前室外环境数据中所述空调的当前室外环境参数,利用所述预测模型进行预测,得到所述空调所在环境的未来一段时间内的室外环境参数,包括:将所述空调的当前室外环境数据中所述空调的当前室外环境参数作为输入数据,输入至所述预测模型中,以得到所述预测模型的输出数据;将所述预测模型的输出数据,作为所述空调所在环境的未来一段时间内的室外环境参数。
在一些实施方式中,所述空调的运行参数,包括以下至少之一:运行模式、目标温度、目标湿度、有空气净化***时所述空气净化***的启闭、有空气净化***时所述空气净化***开启情况下的运行强度、有窗户联动控制时所述窗户的启闭中的至少之一;根据所述空调所在环境的未来一段时间内的室外环境参数,调节所述空调的运行参数,以实现通过对所述空调的运行过程的提前控制,对所述空调所在环境的室内环境参数进行提前调节,包括:在未接收到所述空调的使用者的控制需求的情况下,根据所述空调所在环境的未来一段时间内的室外环境参数,并结合所述空调所在环境的室内人员密集度和/或室内人员活动程度,调节所述空调的运行参数,以实现通过对所述空调的运行过程的提前控制,对所述空调所在环境的室内环境参数进行提前调节;在已接收到所述空调的使用者的控制需求的情况下,根据所述空调的使用者的控制需求,并结合所述空调所在环境的未来一段时间内的室外环境参数,调节所述空调的运行参数,以实现通过对所述空调的运行过程的提前控制,对所述空调所在环境的室内环境参数进行提前调节。
与上述方法相匹配,本发明另一方面提供一种空调的控制装置,包括:获取单元,被配置为收集所述空调所在环境的历史室外环境数据,记为所述空调的历史室外环境数据;并获取所述空调所在环境的当前室外环境数据,记为所述空调的当前室外环境数据;控制单元,被配置为基于所述空调的历史室外环境数据和所述空调的当前室外环境数据,利用预设的神经网络模型进行训练,得到预测模型;其中,所述预测模型,是能够基于所述空调的当前室外环境数据中所述空调的当前室外环境参数,预测所述空调所在环境的未来一段时间内的室外环境参数的模型;所述控制单元,还被配置为基于所述空调的当前室外环境数据中所述空调的当前室外环境参数,利用所述预测模型进行预测,得到所述空调所在环境的未来一段时间内的室外环境参数;其中,所述空调的当前室外环境参数,是所述空调的当前室外环境数据中的至少部分室外环境数据;所述控制单元,还被配置为根据所述空调所在环境的未来一段时间内的室外环境参数,调节所述空调的运行参数,以实现通过对所述空调的运行过程的提前控制,对所述空调所在环境的室内环境参数进行提前调节。
在一些实施方式中,其中,所述空调的历史室外环境数据、所述空调的当前室外环境数据中的室外环境数据,包括:所述空调所在环境的温度数据、湿度数据、气压数据、风速和风向数据、光照数据、地域数据、地形数据、植被数据、大气环流数据、天气状况数据、以及空气质量数据中的至少一种室外环境参数;所述获取单元,收集所述空调所在环境的历史室外环境数据,记为所述空调的历史室外环境数据,包括以下至少之一:接收由云端获取并发送的所述空调所在环境的历史气象数据,作为所述空调的历史室外环境数据;调取由所述空调的室外传感器装置检测并反馈的历史采集数据,作为所述空调的历史室外环境数据;和/或,所述获取单元,获取所述空调所在环境的当前室外环境数据,记为所述空调的当前室外环境数据,包括:接收由所述空调的室外传感器装置检测并反馈的当前采集数据,作为所述空调的当前室外环境数据。
在一些实施方式中,所述控制单元,基于所述空调的历史室外环境数据和所述空调的当前室外环境数据,利用预设的神经网络模型进行训练,得到预测模型,包括:将所述空调的历史室外环境数据和所述空调的当前室外环境数据进行整合,得到整合室外环境数据,记为所述空调的整合室外环境数据;对所述空调的整合室外环境数据进行预处理,得到预处理室外环境数据,记为所述空调的预处理室外环境数据;所述空调的预处理室外环境数据中,具有与所述空调的运行参数相关联的室外环境参数,记为所述空调的运行环境参数;自所述空调的预处理室外环境数据中,针对所述空调的运行环境参数中的每种室外环境参数,提取影响所述每种室外环境参数的特征参数,作为与所述每种室外环境参数相关联的关联特征参数;以此,得到与所述空调的运行环境参数相关联的所有特征参数,记为所述空调的所有特征参数;基于所述空调的预处理室外环境数据,以所述空调的运行环境参数为输出数据、且以所述空调的所有特征参数为输入数据,建立样本数据;并将所述样本数据划分为训练样本和测试样本;利用所述训练样本,以所述训练样本中所述空调的运行环境参数中的每种室外环境参数为输出数据、且以所述训练样本中与该每种室外环境参数相关联的特征参数为输入数据,对预先选取的神经网络模型进行训练,得到训练模型;其中,所述预先选取的神经网络模型,包括:双隐层神经网络模型和循环神经网络模型中的至少之一;利用所述测试样本,以所述测试样本中所述空调的运行环境参数中的每种室外环境参数为输出数据、且以所述训练样本中与该每种室外环境参数相关联的特征参数为输入数据,对所述训练模型进行测试,得到测试结果;根据预设的评价指标,基于所述测试结果对所述训练模型进行评估,得到评估结果;根据所述评估结果,对所述训练模型进行优化调整,得到优化模型,将所述优化模型作为所需要的预测模型。
在一些实施方式中,所述控制单元,对所述空调的整合室外环境数据进行预处理,得到预处理室外环境数据,记为所述空调的预处理室外环境数据,包括:对所述空调的整合室外环境数据进行去除异常值处理、填补缺失值处理、格式转换和标准化处理、数据去重处理中的至少一种处理,得到预处理室外环境数据,记为所述空调的预处理室外环境数据。
在一些实施方式中,所述控制单元,自所述空调的预处理室外环境数据中,针对所述空调的运行环境参数中的每种室外环境参数,提取影响所述每种室外环境参数的特征参数,作为与所述每种室外环境参数相关联的关联特征参数,包括:自所述空调的预处理室外环境数据中,针对所述空调的运行环境参数中的每种室外环境参数,提取影响所述每种室外环境参数的特征数据;提取到的影响所述每种室外环境参数的特征数据,包括:时间特征数据、地点特征数据、以及气象特征数据中的至少之一;对提取到的影响所述每种室外环境参数的特征数据进行归一化或标准化处理,得到标准参数,记为影响所述每种室外环境参数的特征参数,作为与所述每种室外环境参数相关联的关联特征参数。
在一些实施方式中,所述控制单元,基于所述空调的当前室外环境数据中所述空调的当前室外环境参数,利用所述预测模型进行预测,得到所述空调所在环境的未来一段时间内的室外环境参数,包括:将所述空调的当前室外环境数据中所述空调的当前室外环境参数作为输入数据,输入至所述预测模型中,以得到所述预测模型的输出数据;将所述预测模型的输出数据,作为所述空调所在环境的未来一段时间内的室外环境参数。
在一些实施方式中,所述空调的运行参数,包括以下至少之一:运行模式、目标温度、目标湿度、有空气净化***时所述空气净化***的启闭、有空气净化***时所述空气净化***开启情况下的运行强度、有窗户联动控制时所述窗户的启闭中的至少之一;所述控制单元,根据所述空调所在环境的未来一段时间内的室外环境参数,调节所述空调的运行参数,以实现通过对所述空调的运行过程的提前控制,对所述空调所在环境的室内环境参数进行提前调节,包括:在未接收到所述空调的使用者的控制需求的情况下,根据所述空调所在环境的未来一段时间内的室外环境参数,并结合所述空调所在环境的室内人员密集度和/或室内人员活动程度,调节所述空调的运行参数,以实现通过对所述空调的运行过程的提前控制,对所述空调所在环境的室内环境参数进行提前调节;在已接收到所述空调的使用者的控制需求的情况下,根据所述空调的使用者的控制需求,并结合所述空调所在环境的未来一段时间内的室外环境参数,调节所述空调的运行参数,以实现通过对所述空调的运行过程的提前控制,对所述空调所在环境的室内环境参数进行提前调节。
与上述装置相匹配,本发明再一方面提供一种空调,包括:以上所述的空调的控制装置。
与上述方法相匹配,本发明再一方面提供一种存储介质,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在设备执行以上所述的空调的控制方法。
由此,本发明的方案,通过收集历史室外环境数据和当前室外环境数据,将历史室外环境数据和当前室外环境数据进行整合后,得到整合室外环境数据;对整合室外环境数据进行预处理后,得到预处理室外环境数据;自预处理室外环境数据中,针对空调的环境参数中的每种室外环境参数,提取影响每种室外环境参数的特征参数,作为与每种室外环境参数相关联的关联特征参数;针对预处理数据、以及自预处理数据中提取到的所有特征参数,建立样本数据;将样本数据划分为训练样本和测试样本;利用训练样本,对预先选取的神经网络模型进行训练,得到训练模型;利用测试样本,对训练样本进行测试,根据测试结果和预设的评价指标,对训练模型进行评估;根据评估结果对训练模型进行优化,得到优化模型,作为用于对空调所在地的未来一段时间内的环境参数进行预测的预测模型;利用预测模型,对空调所在地的未来一段时间内的环境参数进行预测,得到预测到的室外环境参数;结合预测到的室外环境参数,对空调的运行参数进行调节,以实现通过对空调的运行过程的提前控制,对所述空调所在环境的室内环境参数进行提前调节,从而,通过结合历史室外环境数据和当前室外环境数据对空调所在地的未来一段时间的环境参数进行更为精准地预测,根据预测到的环境参数提前调节空调的运行参数,有利于提升空调的性能并提升用户体验。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明的空调的控制方法的一实施例的流程示意图;
图2为本发明的方法中利用预设的神经网络模型进行训练的一实施例的流程示意图;
图3为本发明的方法中提取影响所述每种室外环境参数的特征参数的一实施例的流程示意图;
图4为本发明的方法中利用所述预测模型进行预测的一实施例的流程示意图;
图5为本发明的空调的控制装置的一实施例的结构示意图;
图6为双隐层网络的天气预测模型的结构示意图;
图7为RNN循环神经网络单隐层的互联结构示意图;
图8为本发明的一种空调的室外环境温度预测方法的一实施例的流程示意图。
结合附图,本发明实施例中附图标记如下:
102-获取单元;102-控制单元。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明具体实施例及相应的附图对本发明技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
考虑到,相关方案中依赖天气预报、空调采集到的回风口空气信息等对空调所在地的室外环境参数进行预测,使得对室外环境参数的预测结果不够准确,不能精细反映空调所在地当前局部有限区域的室外环境状况,存在以下几个实质原因:第一、天气预报局限性:相关方案,通常依赖天气预报数据,但天气预报的准确性有一定限制,尤其是在具体局部区域(如某栋大楼、商场、街道、学校等)的预测上;局部区域的气象条件可能受到微观气象变化的影响,与整体区域天气情况有所偏离,导致预报结果不准确。第二、数据获取和处理困难:局部环境参数的获取需要布设大量传感器,并且数据的采集和处理需要耗费大量的时间和人力成本;相关方案往往难以实现通过对局部小面积地区的高精度实时数据获取和处理,限制了预测的准确性。第三、数据处理方式难以产生效果:相关方案依赖一些简单的温湿度传感器,且数据处理方式、处理算法相当简单,不够科学有效。
可见,相关方案中依赖天气预报、空调采集到的回风口空气信息等对空调所在地的室外环境参数进行预测,不能精细反映空调所在地当前局部有限区域的室外环境状况,在根据对室外环境参数的预测结果对空调进行控制时,会影响控制的准确性和可靠性,不利于对空调的性能的提升,也会影响用户的使用体验。所以,当需要采集当前局部环境(如大楼外、公司外、学校外局部小面积地区)的室外环境参数时,需要更加精细的预测方法,以准确、精细反映当前局部有限区域的环境状况,而机器学习的方法是一个不错的选择。
另外,考虑到,相关方案中人工智能模型,少有用到环境参数预测中,通常是没有合适有效的实施技术和方案。所以,使用深度学习等技术构建人工智能模型,通过学习大量历史数据的模式和趋势来进行预测;使用深度学习等技术构建的人工智能模型,能够处理复杂的非线性关系,包括天气因素和环境参数之间的复杂关联关系。
因此,本发明的方案,提供一种空调的室外环境参数的预测方法,借助人工智能模型和数据分析技术,可以根据实时的室外温度、天气和空气质量预测,能够实现对室外环境参数(如温度、天气、空气质量等)的精细预测,通过预测室外温度和天气状况,可以优化空调的控制***的能源消耗;比如,在较低温度或较凉爽的天气情况下,可以适度减少空调冷却的强度或关闭空调设备,从而节约能源并提高能源效率;这样,灵活调度和控制空调的控制***的运行,这有助于提高室内环境的舒适性,并满足不同用户的个性化需求。
相关方案中,空调控制没有像本发明的方案介绍的这样的预测模型,无法准确感知/判断室外环境,更不要提环境参数预测了,所以相关方案中空调控制方法必须依赖人为操作。人为操作一般都是具有滞后性的,比如只有感觉环境变热了才会降低温度,没有办法像本发明的方案模型一样,预测模型能够检测到温度变化的趋势,综合分析出了环境变化的趋势,因此提前决策,比人为操作的方式更加快捷,对环境变化更加敏感。
根据本发明的实施例,提供了一种空调的控制方法,如图1所示本发明的方法的一实施例的流程示意图。该空调的控制方法可以包括:步骤S110至步骤S140。
在步骤S110处,收集所述空调所在环境的历史室外环境数据,记为所述空调的历史室外环境数据;并获取所述空调所在环境的当前室外环境数据,记为所述空调的当前室外环境数据。
在一些实施方式中,所述空调的历史室外环境数据、所述空调的当前室外环境数据中的室外环境数据,包括:所述空调所在环境的温度数据、湿度数据、气压数据、风速和风向数据、光照数据、地域数据、地形数据、植被数据、大气环流数据、天气状况数据、以及空气质量数据中的至少一种室外环境参数;所述天气状况数据,如晴天、阴天、大风天等天气状况的数据;所述空气质量数据,如PM2.5的浓度值等。
步骤S110中收集所述空调所在环境的历史室外环境数据,记为所述空调的历史室外环境数据,包括以下至少之一:接收由云端获取并发送的所述空调所在环境的历史气象数据,作为所述空调的历史室外环境数据;调取由所述空调的室外传感器装置检测并反馈的历史采集数据,作为所述空调的历史室外环境数据;
步骤S110中获取所述空调所在环境的当前室外环境数据,记为所述空调的当前室外环境数据,包括:接收由所述空调的室外传感器装置检测并反馈的当前采集数据,作为所述空调的当前室外环境数据。
具体地,图8为本发明的一种空调的室外环境温度预测方法的一实施例的流程示意图。在本发明的方案中,采用人工智能模型和数据分析技术建立预测模型。为了实现准确的温度、天气和空气质量预测,可以采取如图8所示的室外环境温度预测步骤。如图8所示,本发明的方案提供的一种空调的室外环境温度预测方法,包括:
步骤1、采集天气、气候、温度等数据,之后执行步骤2。
步骤11、数据收集:收集大规模的历史温度、天气和空气质量数据,
在步骤11中,为了获取最新的环境信息并进行精确的预测结果,收集大规模的历史温度、天气和空气质量数据时,可以采用以下技术联合实施数据的收取。
其中,联网获取,即通过云端接收气象单位发布的气象室外环境数据。
传感器网络,即通过在室外安装温度、湿度、降水量、风速等传感器,并建立一个网络,实时监测和采集环境参数数据。
物联网技术,即利用物联网技术,将传感器采集到的数据通过互联网传输到中心服务器或数据中心,以便进行后续处理和分析。
步骤12、将收集到的大规模的历史温度、天气和空气质量数据,与其他相关数据(如当前的气象数据、地理数据等)进行整合。
在步骤12中,整合历史温度、天气和空气质量数据与其他相关数据(如当前的气象数据、地理数据等)的方式,可以通过数据集成、数据关联和数据分析等方法来实现。具体的整合方式可以参见以下示例性说明。
其中,数据集成:将不同来源和格式的数据进行整合,创建一个统一的数据集。例如:将不同地区、不同时间段的历史温度数据、天气数据和空气质量数据从不同的数据库或文件中提取出来,经过数据清洗和转换,整合到一个统一的数据集中。
数据关联:将历史温度、天气和空气质量数据与其他相关数据进行关联,建立数据之间的联系。例如:将历史温度数据与相应的天气数据进行关联,以了解温度变化与天气状况的关系;将空气质量数据与地理数据进行关联,以研究空气质量与地理位置的相关性。
数据分析:利用统计分析、机器学习和数据挖掘等方法对整合后的数据进行分析。通过对历史温度、天气和空气质量数据与其他相关数据的分析,可以发现隐藏的模式、趋势和规律,提供有关环境条件和室内舒适度的更深入洞察。
在步骤12中,通过整合历史温度、天气和空气质量数据与其他相关数据(如当前的气象数据、地理数据等),得到整合数据,以利用整合数据进行综合分析和趋势预测,实现对空调的智能控制。
其中,综合分析:整合不同类型的数据可以提供更全面、多维度的信息,可以综合分析温度、天气、空气质量等因素之间的关系和相互影响。
趋势预测:通过对历史数据的分析和模式识别,可以预测未来的温度变化、天气趋势和空气质量状况,为未来空调控制提供参考。
智能控制:基于整合后的数据,结合智能算法和模型,可以实现智能空调控制,根据环境参数的变化进行自动调节,提供更舒适的室内环境。
例如:通过整合历史温度数据、天气数据和空气质量数据,与地理位置数据和季节信息进行关联分析,可以发现某个地区在夏季高温期间,温度升高、空气质量下降的规律。基于这些发现,可以建立相应的控制策略,在此期间提前启动空调或调整空调参数,提供更舒适和健康的室内环境。
在步骤S120处,基于所述空调的历史室外环境数据和所述空调的当前室外环境数据,利用预设的神经网络模型进行训练,得到预测模型;其中,所述预测模型,是能够基于所述空调的当前室外环境数据中所述空调的当前室外环境参数,预测所述空调所在环境的未来一段时间内的室外环境参数的模型。
在一些实施方式中,步骤S120中基于所述空调的历史室外环境数据和所述空调的当前室外环境数据,利用预设的神经网络模型进行训练,得到预测模型的具体过程,参见以下示例性说明。
下面结合图2所示本发明的方法中利用预设的神经网络模型进行训练的一实施例流程示意图,进一步说明步骤S120中利用预设的神经网络模型进行训练的具体过程,包括:步骤S210至步骤S280。
步骤S210,将所述空调的历史室外环境数据和所述空调的当前室外环境数据进行整合,得到整合室外环境数据,记为所述空调的整合室外环境数据。
步骤S220,对所述空调的整合室外环境数据进行预处理,得到预处理室外环境数据,记为所述空调的预处理室外环境数据;所述空调的预处理室外环境数据中,具有与所述空调的运行参数相关联的室外环境参数,记为所述空调的运行环境参数。
在一些实施方式中,步骤S220中对所述空调的整合室外环境数据进行预处理,得到预处理室外环境数据,记为所述空调的预处理室外环境数据,包括:对所述空调的整合室外环境数据进行去除异常值处理、填补缺失值处理、格式转换和标准化处理、数据去重处理中的至少一种处理,得到预处理室外环境数据,记为所述空调的预处理室外环境数据。
具体地,如图8所示,本发明的方案提供的一种空调的室外环境温度预测方法,还包括:步骤2、对步骤1采集到的数据进行处理和特征提取,得到样本数据,之后执行步骤3。
在步骤2中,对步骤1采集到的数据进行处理和特征提取,包括:步骤21、对步骤1采集到的数据进行清洗和预处理,步骤22、对步骤21清洗和预处理后的数据进行特征提取,得到样本数据。
步骤21、数据清洗和预处理:对收集到的数据进行清洗和预处理,包括去除异常值、填补缺失值等操作。
在步骤21中,数据清洗和预处理是数据处理的重要环节,它们可以提高数据质量、减少错误和偏差,从而为后续的数据分析和建模提供可靠的基础。数据清洗和预处理的具体处理过程,可以参见以下示例性说明。
其中,去除异常值(Outliers):通过设定阈值或使用统计方法(如标准差、箱线图等),去除与其他数据明显不符的异常值。去除异常值可以避免其对后续分析和建模结果产生干扰,提高数据的准确性和可信度。例如:假设在一个销售数据集中,存在一个异常高的销售额数据,可能是由于数据录入错误或***故障造成的,通过删除该异常值,可以得到更准确的销售统计结果。
填补缺失值(Missing Values Imputation):对于缺失的数据,可以采用插值、均值、中位数、回归等方法对缺失值进行填补。填补缺失值可以保留数据集的完整性,并减少数据样本的减少,确保后续分析的准确性和可靠性。例如:在一个客户调查数据集中,可能会存在一些缺失的客户年龄数据,可以通过使用其他相关特征(如性别、职业等)的均值来填补这些缺失值,确保数据集的完整性。
格式转换和标准化(Format Conversion and Standardization):将数据转换为适合分析的统一格式,例如将日期时间格式进行转换,将不同单位的数据进行统一单位转换等。格式转换和标准化可以使数据具备可比较性和一致性,更方便进行后续的计算和分析。例如:在一个销售数据集中,可能存在多个包含日期时间的列,格式各异,例如"2023/08/16"、"16-08-2023"等。将这些不同格式的日期时间统一转换为统一的格式(如ISO标准的"YYYY-MM-DD"),可以便于日期的排序和对比。
数据去重(Data Deduplication):识别并删除数据集中的重复记录,确保数据的唯一性。去除重复数据可以避免重复计算和分析,提高数据处理的效率,并减少因重复数据产生的偏差。例如:在一个用户注册数据集中,可能存在重复的用户记录,可能是由于数据源重复收集或***错误造成的。通过识别并删除这些重复记录,可以获得唯一的用户列表。
在步骤21中,可以进行实时数据处理,即,接收传感器数据后,可以使用流式处理技术对数据进行实时处理和分析,例如Apache Kafka、Spark Streaming等。使用流式处理技术(如Apache Kafka和Spark Streaming)对实时传感器数据进行处理和分析的过程可以参见以下示例性说明。
其中,数据接收和采集:首先,传感器会实时地采集环境参数(如温度、湿度等)数据,并将其发送到数据处理***,这些数据以数据流的形式通过消息队列(如ApacheKafka)进行接收和缓存。流数据处理:一旦数据进入消息队列,流处理引擎(如SparkStreaming)会实时地从队列中读取数据,并将其转化为数据流,然后,流处理引擎会对数据流进行实时处理和分析。实时处理操作:在流处理阶段中,可以执行各种实时处理操作,如过滤、聚合、窗口计算等;例如:可以过滤掉异常数据、计算平均温度值、监测温度变化趋势等。分析和决策:基于实时处理结果,可以进行进一步的数据分析和决策。例如:根据实时温度数据的分析结果,可以判断是否需要调整空调的运行状态,或者触发警报机制等。输出和存储:最后,处理完成的数据可以被输出到不同的目标,如数据库、可视化工具或其他应用程序。同时,可以将数据存储以供后续分析使用,或者进行实时监控和反馈。例如:假设有一个基于Apache Kafka和Spark Streaming的实时数据处理***,用于处理室内温度传感器数据。数据从传感器发送到Kafka消息队列,并通过Spark Streaming进行实时处理和分析。
在处理的过程中,可以进行以下操作:过滤操作:将异常温度数据排除在外,只保留有效的数据;聚合操作:计算每5分钟的平均温度值,以了解该时间段内的室温趋势;窗口计算:使用滑动窗口,计算过去10分钟内的最高温度和最低温度,以及对应的时间戳;监测和报警:根据温度变化趋势判断是否达到预设的阈值,如果超过阈值就触发报警机制,如发送通知或触发其他动作。类似地,其他参数也可以类似处理。实时处理和分析操作能够帮助用户及时了解室内温度的变化情况,提供预警信息,以及支持智能调控决策,确保室内环境的舒适性和安全性。
步骤S230,自所述空调的预处理室外环境数据中,针对所述空调的运行环境参数中的每种室外环境参数,提取影响所述每种室外环境参数的特征参数,作为与所述每种室外环境参数相关联的关联特征参数;以此,得到与所述空调的运行环境参数相关联的所有特征参数,记为所述空调的所有特征参数。
在一些实施方式中,步骤S230中自所述空调的预处理室外环境数据中,针对所述空调的运行环境参数中的每种室外环境参数,提取影响所述每种室外环境参数的特征参数,作为与所述每种室外环境参数相关联的关联特征参数的具体过程,参见以下示例性说明。
下面结合图3所示本发明的方法中提取影响所述每种室外环境参数的特征参数的一实施例流程示意图,进一步说明步骤S230中提取影响所述每种室外环境参数的特征参数的具体过程,包括:步骤S310至步骤S320。
步骤S310,自所述空调的预处理室外环境数据中,针对所述空调的运行环境参数中的每种室外环境参数,提取影响所述每种室外环境参数的特征数据;提取到的影响所述每种室外环境参数的特征数据,包括:时间特征数据、地点特征数据、以及气象特征数据中的至少之一。
步骤S320,对提取到的影响所述每种室外环境参数的特征数据进行归一化或标准化处理,得到标准参数,记为影响所述每种室外环境参数的特征参数,作为与所述每种室外环境参数相关联的关联特征参数。
具体地,如图8所示,本发明的方案提供的一种空调的室外环境温度预测方法,还包括:步骤22、特征提取和工程:通过分析数据的特征,提取与温度、天气和空气质量相关的特征,例如时间、地点、气压、湿度等。
其中,数据特征提取是指从原始数据中提取出与目标变量(如温度、天气和空气质量)相关的特征。下面示例性说明如何进行数据特征提取。
根据气象学和环境科学的基本原理,可以确定与温度、天气和空气质量相关的因素。例如,温度可能受到季节、地理位置、海拔高度等因素的影响;天气可能受到降水量、风速、云量等因素的影响;空气质量可能受到颗粒物浓度、空气污染物的含量等因素的影响。
通过统计分析方法,可以评估各个特征与目标变量之间的相关性。常用的方法包括皮尔逊相关系数、Spearman相关系数等。这些方法可以帮助我们找到与目标变量高度相关的特征。例如,在分析温度时,可以计算不同特征(如时间、地点、气压、湿度)与温度之间的相关性,以确定哪些特征与温度变化密切相关。
在众多的特征中,选择最具影响力和重要性的特征是关键。常用的特征选择方法包括过滤法、包装法和嵌入法。过滤法通过统计指标(如相关系数、方差等)筛选特征;包装法通过构建模型评估特征的重要性;嵌入法将特征选择与模型训练过程相结合。根据具体情况选择适合的特征选择方法,从中选择与温度、天气和空气质量最相关的特征。
通过数据可视化技术,可以更直观地观察数据之间的关系。绘制散点图、折线图、箱形图等方式,可以发现特征与目标变量之间的规律和趋势。例如,在温度预测中,可以绘制时间与温度的关系图,观察温度随时间变化的趋势。
以温度预测为例,可能有以下特征与温度相关:时间、地点、海拔高度、湿度、气压等。通过相关性分析,可以计算每个特征与温度之间的相关系数,找到与温度变化密切相关的特征。例如,时间和温度之间可能存在周期性的关系,地点和海拔高度可能对温度产生显著影响。然后,通过特征选择方法,确定最具影响力和重要性的特征。最后,通过数据可视化技术,绘制出时间、地点、湿度等特征与温度的关系图,以更好地理解它们之间的关系。
综合以上三种方法,可以进行***性的数据特征提取,并找到与温度、天气和空气质量相关的特征,以支持准确的预测模型的建立和优化。
在步骤22中,在进行温度、天气和空气质量相关的特征提取和工程时,可以根据具体数据集的特点选择合适的处理方法,具体可以参见以下示例性说明。
其中,时间特征提取:从日期时间数据中提取出年份、月份、星期几、小时等信息作为特征。时间特征可以帮助分析人员更好地理解数据随时间的变化规律,识别周期性模式、季节性变化等,有助于预测和解释温度、天气和空气质量的趋势。例如:对于一份气象观测数据集,可以从日期时间列中提取年份、月份和小时等特征,用来分析某个地区不同时间段内的气温变化趋势。
地点特征提取:将地理坐标或地址信息转换为可用的特征,如经纬度、行政区划、地理标签等。地点特征可以帮助分析人员识别不同地域之间的温度、天气和空气质量差异,进而进行地域间的比较和分析。例如:在一个城市的气象观测数据集中,可以将每个观测点的经纬度转换为行政区划,用来分析不同行政区的平均气温和空气质量的差异。
气象特征提取:从气象数据(如气压、湿度、风速等)中提取关键特征,如平均值、最大/最小值、变化率等。气象特征提取可以帮助分析人员探索温度、天气和空气质量之间的关系,并发现与目标变量(如温度)相关的重要特征。例如:在一个气象观测数据集中,可以计算每日的平均气温、最高温度和最低温度,作为特征,用来预测未来的气温变化。
数据归一化和标准化:对于不同量纲和分布范围的特征,进行归一化或标准化处理,使它们具有相同的尺度和可比性。数据归一化和标准化可以增强特征之间的比较性和权重的一致性,有助于提高模型训练的效果。例如:在一个包含气温和风速两个特征的数据集中,由于它们具有不同的量纲和分布范围,可以通过将其进行归一化或标准化,使得它们在相同尺度上进行比较和分析。
步骤S240,基于所述空调的预处理室外环境数据,以所述空调的运行环境参数为输出数据、且以所述空调的所有特征参数为输入数据,建立样本数据;并将所述样本数据划分为训练样本和测试样本。
步骤S250,利用所述训练样本,以所述训练样本中所述空调的运行环境参数中的每种室外环境参数为输出数据、且以所述训练样本中与该每种室外环境参数相关联的特征参数为输入数据,对预先选取的神经网络模型进行训练,得到训练模型;其中,所述预先选取的神经网络模型,包括:双隐层神经网络模型和循环神经网络模型中的至少之一。
具体地,如图8所示,本发明的方案提供的一种空调的室外环境温度预测方法,还包括:步骤3、基于样本数据,利用深度学习模型处理,得到预测模型,之后执行步骤4。
在步骤3中,在得到样本数据后,利用深度学习模型处理,得到预测模型,包括:步骤31、模型选择和训练,步骤32、模型评估和优化。
步骤31、模型选择和训练:选择适当的机器学习或深度学习算法,例如线性回归、决策树、支持向量机、神经网络等,并利用历史数据对模型进行训练。
在步骤31中,选择适当的机器学习或深度学习算法以及进行模型训练的方法,可以基于以下几个方面来进行考虑和选择合适的模型。
其中,可以基于问题类型进行考虑和选择合适的模型:首先需要了解要解决的问题是回归问题、分类问题还是其他类型的问题。如果是回归问题,可以考虑使用线性回归、多项式回归等;如果是分类问题,可以考虑使用决策树、支持向量机、神经网络等。
可以基于数据特点进行考虑和选择合适的模型:根据数据的规模、类型(数值型、文本型、图像型等)、分布特点、缺失值情况、噪声程度等来选择适合的模型和训练方法。例如:对于高维稀疏数据,可选择使用支持向量机;对于图像数据,可以考虑使用卷积神经网络。
可以基于模型复杂度和解释性进行考虑和选择合适的模型:不同的算法在模型复杂度和解释性方面有所差异。有些算法(如线性回归、决策树)相对简单且易于解释,适用于需要解释模型预测原理的场景;而某些算法(如神经网络)可能较为复杂但具有更强的建模能力。
可以基于计算资源和时间进行考虑和选择合适的模型:一些算法(如深度神经网络)需要大量的计算资源和时间进行训练,因此需要根据可用的计算资源和时间限制来选择适当的算法。
可以基于实验效果和性能评估进行考虑和选择合适的模型:实验效果是选择模型的重要参考指标。在开始训练之前,可以进行一些简单的试验,尝试几种不同的算法并通过交叉验证等方法进行性能评估,最终选择表现较好的模型。
综合考虑以上因素,可以结合领域知识和经验,选择适合的机器学习或深度学习算法,并使用历史数据对模型进行训练。此外,还可以进行模型调参、特征选择和集成学习等方法来提升模型的性能。最终目标是选择一个在给定问题上具有较高预测准确度和泛化能力的模型。
在步骤31中,可以利用基于深度学习技术构建天气预测模型,如利用神经网络构建天气预测模型。
人工神经网络(ANN)以擅长解决非线性问题见长,而它的改进结构,深度前馈神经网络,几乎可以拟合任何复杂的函数,对于气象因子的预测,人工神经网络擅长提取输入和输出特征之间的关系,而不用明确提供气象学知识作为支撑;而深度学习的另一类,循环神经网络(RNN)则是从多层递归神经网络发展而来,是一种类别丰富的动态模型,被广泛用于在计算机视觉、图像、文本、语音识别、运动数据捕获以及时序分析等领域,对于气象因子的预测,RNN更侧重学习到历史序列信息,原则上学习的序列长度可以是任意的。因此,这两类神经网络都适合解决天气预测问题。
在步骤31中,可以选择双隐层网络的天气预测模型。
预测模型架构前馈神经网络设计的一个关键点是确定它的架构。架构是指网络的整体结构,即该模型应具有的神经元数量以及组织这些神经单元以什么样的方式进行连接,大多数神经网络被组织成以“层”为单位的单元组。神经网络架构将这些层布置成链式结构,其中每一层都是前一层的函数,层与层之间可直接间接建立连接。通过多层的网络结构抽取更抽象的要素间的特征,从而能达到更好的拟合效果,故合理的架构选择会直接影响预测的效果和准确度。具体来说,对于前馈神经网络的模型训练,假设输出变量目标h与输入变量x之间存在h=g(x,ω)的关系,对前馈网络的训练目的可简单描述就是通过学习找到函数中ω参数的近似,使它能够得到最佳的函数拟合。
在前馈神经网络的模型训练中,参数ω代表了网络中各层神经元之间的连接权重。它们决定了输入变量x经过网络传递、计算和激活后,最终产生输出变量目标h的过程。具体而言,ω参数包括每个神经元与其前一层神经元之间的连接权重和每个神经元的偏置项。连接权重表示了不同神经元之间的连接强度和方向,它们决定了信息在网络中传递和处理的方式。偏置项则对应于每个神经元的偏置值,可以看作是神经元的活跃程度或者灵敏度。
在前馈神经网络的训练过程中,是通过学习找到最佳的ω参数的近似,以使网络能够对输入变量x进行非线性变换,并将其映射到与输出变量目标h相对应的空间中。通过不断调整和优化权重参数,网络能够逐渐提高对输入数据的表示能力,并找到能够最佳拟合数据的函数关系。因此,在前馈神经网络的参数求解中,通过前向传播的过程,信息会从输入层流经函数激活层g进行中间计算,并最终输出预测结果。而ω参数则起到了调节和控制信息传递、计算和激活的作用,它们是模型训练中需要学习和优化的关键部分。
这种模型在参数求解中传递过程是前向的,信息会流过输入层,流经函数激活层g,进行中间计算后,最终输出类别。从架构第一层输入输出可表示为:
h1=g1(WTx+b1)。
经过第二层的递推表达式:
h2=g2(WTh1+b2)。
其中,h1表示第一层隐藏层的输出,h2表示第二层隐藏层的输出。g1和g2分别表示第一层隐藏层和第二层隐藏层中的激活函数。激活函数通常是非线性的,用于引入非线性特征和灵活性。WT表示层级之间的连接权重矩阵,它决定了输入变量x/h1如何与下一层隐藏神经元进行连接和传递信息。b1/b2表示第一/二层隐藏层的偏置项向量,它对应于第一/二层隐藏神经元的激活阈值。
依次类推,可构成深层神经网络的循环链式结构。在这些链式架构中,主要的架构考虑的是选择网络的深度和每一层的宽度。可见,即使只有一个隐藏层的网络也足够适应训练集,而更深层的网络结构通常能够对每一层使用更少的单元数和更少的参数,容易泛化到测试集,但是通常也会更难以优化。通常,更深的结构会具有更好的表示能力,但也并非越深越好,对于具体的任务,理想的网络架构要通过反复的实验找到。拿气温预测模型来说,后一层都会隐藏前一层“向前传播”的信息。假设:第一隐藏层学习到了某一时刻气压“点”对气温的关联度特征,第二层可能学习到的是与之关联度较好的气压“线”的特征,到了第三层可能就是线组成的气压“场”的特征。最终学习到的是就会是所有要素“场”组成的“目标”特性。
图6为双隐层网络的天气预测模型的结构示意图。如图6所示为一个具有两个隐层的前馈神经网络气温预测模型示意图,输入端为气温相关的多元要素,输出为预测的气温属性,中间经过了两层隐藏层用于表达各属性间的内在的特征,模型就是在此基础上对层数、结点数以及优化手段上进行的延伸,同时对输入多元特征的改进,在训练过程设定合适的激活函数,超参数以及进行正则优化等。
在神经网络模型中,正则化是一种用于控制模型过拟合的技术。过拟合指的是模型在训练数据上表现很好,但在未曾见过的新数据上表现较差的情况。正则化可以通过惩罚模型复杂度来防止过拟合。
常见的正则化方法有L1正则化和L2正则化:
L1正则化(L1 Regularization):L1正则化通过在目标函数中加入权重参数的绝对值之和来实现。具体地,在损失函数中添加一个L1范数项,该项与权重参数的绝对值成正比。这个范数项的引入使得模型的一些权重参数趋向于零,从而有效地减小模型的复杂度。L1正则化可以产生稀疏权重,即将一些特征的权重置为零,从而可以起到特征选择的作用。
L2正则化(L2 Regularization):L2正则化通过在目标函数中加入权重参数的平方和来实现。具体地,在损失函数中添加一个L2范数项,该项与权重参数的平方成正比。这个范数项的引入使得模型的权重参数都趋向于较小的值,从而减小模型的复杂度。L2正则化可以防止权重参数过大,减小过拟合风险。
在实际应用中,正则化一般通过将正则项添加到损失函数中来实现。优化过程中,采用的优化算法(如梯度下降)会根据包括正则项的总损失对权重参数进行更新。通过调整正则化系数,可以控制正则化项在总损失中的比重。较大的正则化系数会导致更强的正则化效果,从而抑制模型的复杂度。
例如:假设天气预测模型是一个双隐层前馈神经网络模型。为了应对过拟合问题,选择采用L2正则化进行优化调整。在模型训练过程中,除了计算损失函数(如均方误差)的平均值外,还在损失函数中加入一个L2范数项,并设置适当的正则化系数。这样,在优化过程中,梯度下降算法将同时考虑损失函数和正则化项,以最小化总损失。通过合适的正则化系数,可以有效地控制权重参数的大小,避免过拟合情况的发生。具体正则化系数的选择需要根据实际情况进行调优,可以通过交叉验证等方法来寻找最佳的值。
在步骤31中,也可以选择RNN天气预测模型。
图7为RNN循环神经网络单隐层的互联结构示意图。在如图7所示的循环神经网络(RNN)模型中,相对于普通的多层神经网络,隐藏层各个节点之间增加了互联关系,通过隐藏层神经单元之间的连接形成定向循环,创建网络的内部状态,并呈现出动态时间序列行为。更直观地,可以将RNN中各点在时间轴上进行展开,每个神经元的输入除了来至上一节点的输入还来至自身结点的输出。在构建气象时间序列模型中,对于全连接网络而言,需要为每一个输入的特征集分配一组单独的参数,而使用RNN网络,通过共享时间维度上的参数,即在每个时间步(TIME-STEP)上参数矩阵是一样的,从而可大大简化了训练开销。与前馈神经网络不同,RNN凭借其特殊的结构优势,对数据点之间存在的相互关联的序列化数据,表现出极强的建模能力。在实际应用中,RNN可以通过一次处理实际数据序列来一步一步地对RNN进行序列生成的训练,并预测未来的序列。
假设预测是有概率的,可以通过从网络的输出分布迭代地采样从训练网络生成新的序列,将输出作为下一步输入样本,其预测分布将取决于以往的输入。在某种意义上,此时的RNN是“模糊的”,它们不使用训练数据中的精确模板进行预测,而是像其它神经网络一样,通过内部机制来对训练样本高维插值,这将它们与N-GRAM模型和部分匹配预测的压缩算法区分开来,其预测分布是通过计算最近历史和训练集之间的精确匹配来确定的。
步骤S260,利用所述测试样本,以所述测试样本中所述空调的运行环境参数中的每种室外环境参数为输出数据、且以所述训练样本中与该每种室外环境参数相关联的特征参数为输入数据,对所述训练模型进行测试,得到测试结果。
步骤S270,根据预设的评价指标,基于所述测试结果对所述训练模型进行评估,得到评估结果。
步骤S280,根据所述评估结果,对所述训练模型进行优化调整,得到优化模型,将所述优化模型作为所需要的预测模型。
具体地,如图8所示,本发明的方案提供的一种空调的室外环境温度预测方法,还包括:步骤32、模型评估和优化:使用评价指标(如均方误差、准确率等)对模型进行评估,根据评估结果对模型进行优化调整,以提高预测效果。
在步骤32中,模型评估和优化是为了衡量和改进模型的性能,具体可以采用以下方式进行模型评估和优化。
其中,划分训练集和测试集:将数据集划分为训练集和测试集,训练集用于模型的训练和参数调整,而测试集用于评估模型的泛化能力。通过保留一部分数据作为测试集,可以评估模型在未见过的数据上的表现,从而更加客观地评估模型的性能。
选择合适的评价指标:根据问题的类型和需求,选择适当的评价指标来衡量模型的性能,例如均方误差(Mean Square Error,MSE)、准确率(Accuracy)、召回率(Recall)、F1分数等,通过明确评价指标,可以量化和比较不同模型的性能,为后续模型的优化提供依据。其中,准确率(Accuracy):用于评估分类模型的性能,它计算模型正确分类的样本数与总样本数之比,数值越高表示模型的分类准确性越高。召回率(Recall):用于评估分类模型的性能,特别适用于处理不均衡数据集。它计算被正确分类的正例样本数与实际正例样本数之比,衡量模型对于正例样本的覆盖能力。F1分数:综合了准确率和召回率的综合指标,用于评估分类模型的性能,F1分数是准确率和召回率的调和平均数,可以综合考虑模型的分类准确性和覆盖能力。均方误差(Mean Square Error,MSE):用于评估回归模型的性能,它计算预测值与真实值之间的平均平方差,数值越小表示模型的拟合效果越好。
模型评估:使用测试集对训练好的模型进行评估,计算评价指标的值,以衡量模型在真实数据上的表现。模型评估可以帮助我们了解模型的预测能力,判断模型是否存在欠拟合或过拟合等问题。如果模型在测试集上表现良好,则说明模型具有较好的泛化能力。
模型优化:根据预测模型的评估的结果,对模型进行优化调整,以提高模型的预测效果。可能的优化策略包括调整模型的超参数、增加训练数据、提升特征工程等。模型优化可以帮助我们改善模型的性能,提升预测准确度和泛化能力。通过针对性的调整和改进,可以使模型更好地适应问题,并取得更好的预测结果。
例如:假设有一个温度预测模型,我们将数据集划分为训练集和测试集。在训练过程中,我们使用训练集对模型进行训练,并根据测试集计算均方误差(MSE)作为评价指标。如果模型的MSE较高,说明模型的预测效果较差,可能存在欠拟合问题,我们可以尝试增加模型的复杂度或优化特征工程来提升预测准确度。反之,如果模型的MSE较低,说明模型的预测效果较好,但仍需注意过拟合的问题,可以继续调整正则化参数等进行模型优化。
另外,选择适当的评价指标需要根据具体的问题和应用场景进行判断。
例如:根据回归问题选择适当的评价指标:对于回归问题,通常使用均方误差(MSE)作为评价指标。因为MSE对异常值不敏感,并且能够对模型预测结果的偏差进行有效衡量。
根据二分类问题选择适当的评价指标:对于二分类问题,可以使用准确率(Accuracy)作为评价指标。但如果数据集存在类别不平衡的情况,准确率可能会失真,此时可以考虑召回率(Recall)和F1分数作为评价指标,特别关注模型对于少数类的分类性能。
根据多分类问题选择适当的评价指标:对于多分类问题,同样可以使用准确率(Accuracy)作为评价指标。但如果类别不平衡或者关注某些类别的性能,则可以考虑使用每个类别的召回率、精确率(Precision)或F1分数进行评估。
在本发明的方案中,提供基于人工智能技术的室外环境参数预测方法,即,通过结合大规模的数据集和强大的计算能力,利用机器学习技术构建复杂的预测模型,实现准确的温度、天气和空气质量预测;再通过传感器网络和物联网技术,实时采集室外温度、湿度、降水量、风速等参数,并将数据传输到预测模型进行处理和分析。这样,可以及时获取最新的环境信息,并提供精确的预测结果。
在步骤S130处,基于所述空调的当前室外环境数据中所述空调的当前室外环境参数,利用所述预测模型进行预测,得到所述空调所在环境的未来一段时间内的室外环境参数;其中,所述空调的当前室外环境参数,是所述空调的当前室外环境数据中的至少部分室外环境数据。
在一些实施方式中,步骤S130中基于所述空调的当前室外环境数据中所述空调的当前室外环境参数,利用所述预测模型进行预测,得到所述空调所在环境的未来一段时间内的室外环境参数的具体过程,参见以下示例性说明。
下面结合图4所示本发明的方法中利用所述预测模型进行预测的一实施例流程示意图,进一步说明步骤S130中利用所述预测模型进行预测的具体过程,包括:步骤S410至步骤S420。
步骤S410,将所述空调的当前室外环境数据中所述空调的当前室外环境参数作为输入数据,输入至所述预测模型中,以得到所述预测模型的输出数据。
步骤S420,将所述预测模型的输出数据,作为所述空调所在环境的未来一段时间内的室外环境参数。
具体地,如图8所示,本发明的方案提供的一种空调的室外环境温度预测方法,还包括:步骤4、利用预测模型,对室外环境参数进行预测,得到环境参数的预测值,之后执行步骤5。
具体地,室外天气通常包含以下几个数值:温度、湿度、气压、降水概率、以及风速和风向等。其中,温度:表示当地的气温,可以使用摄氏度(℃)或华氏度(℉)来表示。湿度:表示空气中的水分含量,以百分比形式显示。气压:表示大气的压强,常用单位是帕斯卡(Pa)或百帕(hPa)。降水概率:表示某一时间段内发生降水的可能性,以百分比形式表示。风速和风向:表示风的强度和吹向,通常以每小时公里数或米/秒来表示风速,以方位角或文字描述(如东、南、西、北)来表示风向。
通过输入当前环境下的气象因子,实施室外天气预测能够精准预测当前环境室外天气,相较于天气预报大面积粗略式的环境气候预测方式具有更高的精准度,可以更优化地实施环境控制策略。当前环境下的气象因子通常包括且不限于以下几个要素:温度、湿度、气压、风速和风向、光照强度、地域信息、地形数据、植被数据、大气环流数据等。
其中,温度:可以通过温度传感器或温度计来测量当前环境的温度。湿度:可以通过湿度传感器或湿度计来测量当前环境的湿度。气压:可以通过气压传感器或气压计来测量当前环境的气压。风速和风向:可以通过风速仪或风向仪来获取当前环境的风速和风向。光照强度:可以通过光照传感器或光照计来测量当前环境的光照强度。
地域信息:可以通过预设输入。不同地区的天气情况可能存在明显差异,包括气温、降水量、季节等。通过获取地域信息,可以根据该地区过往的气象数据和地区特点进行更精确的天气预测。地域信息可以通过地理位置信息、区域名称或国家/城市编码等方式获得。
地形数据:地形数据可以从数字高程模型(DEM)或卫星图像中提取。DEM记录了地表的高程信息,它可以通过激光雷达测量或卫星遥感获取。这些数据可以显示山脉、河流、平原等地貌特征,帮助研究地形对气象的影响。
植被数据:植被数据可以通过卫星图像和遥感技术获取。卫星图像可以显示地表植被覆盖的类型和密度,通过图像处理和分类算法可以提取出植被信息。此外,传感器也可以通过测量植被的生长状态、叶绿素含量等指标来获取植被数据。
大气环流数据:大气环流模式可以通过多个气象观测站和卫星观测数据进行分析和模拟。全球大气环流模式使用复杂的数学和物理方程来模拟大尺度的空气运动和变化,这些数据可以用于预测和解释气象现象。
气象数据也可以通过公开的气象观测站、卫星观测、气象雷达等设备收集。这些设备会定期记录并发布气温、湿度、降水量、风速和风向等气象数据。国家气象部门和其他气象机构会将这些数据进行整理和分析,并提供给公众和其他相关应用程序使用。
在本发明的方案中,通过传感器网络和物联网技术,实时采集室外温度、湿度、降水量、风速等参数,并将数据传输到预测模型进行处理和分析;基于历史数据和当前环境参数,通过构建双隐层网络的天气预测模型或RNN循环神经网络单隐层的互联结构模型,实现对当前局部环境温度、天气和空气质量的准确预测。
在步骤S140处,根据所述空调所在环境的未来一段时间内的室外环境参数,调节所述空调的运行参数,以实现通过对所述空调的运行过程的提前控制,对所述空调所在环境的室内环境参数进行提前调节。
本发明的方案提供的一种空调的室外环境参数的预测方法,通过人工智能模型和数据分析技术,能够准确预测室外温度,帮助调整空调的控制***的运行模式和温度设定,提供舒适的室内环境。本发明的方案,还可以预测其他天气相关的参数,如湿度、降水量、风速等,这些预测结果可以帮助调整空调的控制***的湿度控制和通风设定,以适应不同的天气条件。本发明的方案,通过对空气质量指标(如PM2.5)进行预测,可以及时了解室外空气质量情况,这样,空调的控制***可以根据预测结果自动调整室内空气净化和过滤器的工作状态,提高室内空气质量。
在一些实施方式中,所述空调的运行参数,包括以下至少之一:运行模式、目标温度、目标湿度、有空气净化***时所述空气净化***的启闭、有空气净化***时所述空气净化***开启情况下的运行强度、有窗户联动控制时所述窗户的启闭中的至少之一。
步骤S140中根据所述空调所在环境的未来一段时间内的室外环境参数,调节所述空调的运行参数,以实现通过对所述空调的运行过程的提前控制,对所述空调所在环境的室内环境参数进行提前调节,包括以下任一种控制情形:
第一种控制情形:在未接收到所述空调的使用者的控制需求的情况下,根据所述空调所在环境的未来一段时间内的室外环境参数,并结合所述空调所在环境的室内人员密集度和/或室内人员活动程度,调节所述空调的运行参数,以实现通过对所述空调的运行过程的提前控制,对所述空调所在环境的室内环境参数进行提前调节。在本发明的方案中,提供自动化空气调节控制***,即,根据预测模型的预测结果,自动调节空调的控制***的运行模式、温度设定、湿度控制,以及空气净化和过滤器的工作状态,实现智能化的环境控制,无需人工干预,提供更舒适和健康的室内环境。另外,根据预测结果还可以优化空调的控制***的能源消耗,减少不必要的冷却或加热操作,提高能源效率并节约能源成本。
第二种控制情形:在已接收到所述空调的使用者的控制需求的情况下,根据所述空调的使用者的控制需求,并结合所述空调所在环境的未来一段时间内的室外环境参数,调节所述空调的运行参数,以实现通过对所述空调的运行过程的提前控制,对所述空调所在环境的室内环境参数进行提前调节。在本发明的方案中,提供个性化方案设计,即:根据用户的喜好和需求,可实现个性化的空调的控制***调节。例如:对于讲究室内空气质量的用户,可以根据空气质量预测结果增加空气净化功能。
在本发明的方案中,根据预测模型的预测结果,针对性地设计了空调的控制***的自动控制策略,实现智能化的环境控制,无需人工干预,提供更舒适和健康的室内环境。另外根据用户个性化需求设计了个性化需求匹配和实施策略。
具体地,如图8所示,本发明的方案提供的一种空调的室外环境温度预测方法,还包括:步骤5、使空调自动化调节***,根据环境参数的预测值,对空调的运行过程进行控制。
在步骤5中,为了实现智能化的环境控制,使空调自动化调节***,无需人工干预,可以采取以下措施,对空调的运行过程进行控制。
在步骤5中,对步骤4预测结果进行应用,具体是根据预测模型得出的室外天气结果(温度、湿度、气压、降水概率、风速和风向等),自动调节空调的控制***的运行模式、温度设定、湿度控制等参数。例如:在预测未来高温天气时,自动将空调温度设定为较低的值。
在空调自动化调节***中,设置有空气净化***。空气净化***自动控制:根据空气质量的预测结果,自动开启或关闭空气净化和过滤器的工作状态,以提供更清洁健康的室内环境。
其中,根据空气质量预测结果,自动开启或关闭空气净化***。例如:根据空气中的PM2.5浓度预测,当PM2.5浓度超过阈值时,自动开启空气净化***。自动开启/关闭空气净化***:根据空气质量预测结果,***可以通过监测室内空气中的PM2.5浓度来判断空气质量是否达到阈值。如果PM2.5浓度超过阈值,则***将自动开启空气净化***。一旦空气质量恢复到可接受的范围内,***将自动关闭空气净化***,以节省能源和提高***寿命。自动开启/关闭空气净化***的空气质量阈值,如PM2.5浓度阈值超过50微克/立方米。
考虑室内人员数量和活动情况,根据人员密度自动调整空气净化***的运行强度。自动调整空气净化***运行强度:类似于调节空调强度的方式,根据室内人员数量和活动情况,***可以根据人员密度调整空气净化***的运行强度。例如:在室内人员密度较高的情况下,***可以增加空气净化***的运行强度以提供更好的空气质量。自动调整空气净化***运行强度:人员密度较高或活动较为剧烈时的空气净化***运行强度增加程度如+1档。
在空调自动化调节***中,为了减少能源消耗并节约能源成本,可以采用以下策略:温度控制优化:根据温度预测结果,调整空调的控制***的运行模式和温度设定,避免不必要的冷却或加热操作。能源管理***:结合能源管理***,监测和控制空调的控制***的能源消耗,及时发现并解决能源浪费问题。例如:对于自动化调节***的具体控制参数设置,可以实现温度自动调节:根据天气预测中的温度结果,自动调节空调的设定温度。预测温度高于某一阈值,例如30摄氏度:空调设定温度自动降低到26摄氏度。预测温度低于某一阈值,例如10摄氏度:空调设定温度自动升高到18摄氏度。
对于自动化调节***的具体控制参数设置,可以实现湿度自动控制:根据天气预测中的湿度结果,自动调节加湿器或除湿器的工作状态。
对于自动化调节***的具体控制参数设置,可以实现根据室外温度和湿度,自动调节空调的运行模式,例如自动切换制冷、制热或通风模式。
例如:自动调节空调运行模式,可以包括:如果室外温度高于设定的阈值,并且室内温度高于设定的舒适温度范围,则***将自动切换到制冷模式,并设置适当的温度设定点。如室外温度阈值为30摄氏度,则室内舒适温度范围可以为23-26摄氏度。
自动调节空调运行模式,可以包括:如果室外温度低于设定的阈值,并且室内温度低于设定的舒适温度范围,则***将自动切换到制热模式,并设置适当的温度设定点。
自动调节空调运行模式,可以包括:如果室内人员密度较高或活动较为剧烈,***将增加制热强度以提供更高的室内温度;其中,人员密度高的具体判断标准可以根据场景和需求进行设定。考虑室内人员数量和活动情况,并根据人员密度自动调整空调的制冷或制热强度。自动控制空调制冷/制热强度:根据室内人员数量和活动情况,***可以根据人员密度调整空调的制冷或制热强度,例如:如果室内人员密度较高或活动较为剧烈,***将增加制冷或制热强度以满足更高的需求。***可以根据预设的人员密度和活动规律,根据实际情况进行实时调整。例如:在人员密度高峰期间(如上班时间、会议时间等),***可以自动增加制冷/制热强度以适应更多的人员。自动控制空调制冷/制热强度:人员密度高峰期间增加制冷/制热强度如+2摄氏度,人员密度较高或活动较为剧烈时的制冷/制热强度增加幅度如+1摄氏度。
自动调节空调运行模式,可以包括:如果室外温度在设定的舒适温度范围内,并且室内温度也在舒适温度范围内,则***将自动切换到通风模式,以节省能源和提供新鲜空气。
自动调节空调运行模式,可以包括:根据室外空气质量预测和室内温度湿度情况,自动控制窗户的开闭,以实现最佳的通风效果。考虑室内人员数量和活动情况,自动调整窗户的开闭程度。自动控制窗户的开闭:根据室外空气质量预测和室内温度湿度情况,***可以自动控制窗户的开闭,以实现最佳的通风效果。例如:如果室外空气质量良好且温度适宜,则***可以自动打开窗户进行通风,并在达到设定条件后自动关闭窗户。
考虑到室内人员数量和活动情况,***可以根据人员密度调整窗户的开闭程度。例如:如果室内人员密度较高或活动较为剧烈,***可以打开更多的窗户或将窗户打开更大程度以增加通风效果。自动控制窗户的开闭:室外空气质量良好判断条件如PM2.5浓度低于20微克/立方米。窗户打开程度控制:0-100%(可根据具体窗户设计和安全要求进行调整)。
步骤6、根据预测模型预测到的环境参数,还可以实现空调的个性化调节与用户需求匹配。
为了满足用户的个性化需求,可以根据用户的喜好和需求进行一些调节。例如:用户偏好设置:提供用户界面或手机应用程序,允许用户根据自己的喜好和需求对空调的控制***进行个性化设置,例如温度偏好、湿度偏好等。智能推荐功能:基于用户的历史使用数据和用户设定的偏好,在预测的基础上给出个性化的建议和推荐,帮助用户更好地调节空调的控制***。
在步骤6中,根据用户的个性化需求,可以进一步进行以下调节措施:步骤61、根据用户偏好设置进行调节,步骤62、智能推荐功能。
步骤61、用户偏好设置:提供一个用户界面或手机应用程序,用户可以根据自己的喜好和需求,设置空调的控制***的各项参数,例如温度、湿度、风速等。
用户可以设置自己的舒适温度范围,例如在夏季,用户可以设定空调运行的目标温度为23℃到26℃之间。用户可以设置湿度偏好,例如调节湿度在40%到60%之间。用户可以设置风速偏好,例如选择低、中、高三档风速中的一个。
步骤62、智能推荐功能:基于用户的历史使用数据和用户设定的偏好,***可以分析用户的喜好和习惯,提供个性化的建议和推荐。
根据用户的喜好和天气预测结果,***可以自动调节空调的运行模式和设定温度。例如:如果用户喜欢在夜间保持较低的温度,***可以在预测夜间温度较高时,自动调节空调温度到设定的较低值。
例如:办公室场景下,人员密度高峰期间:通常在上午9点至下午5点是办公室中人员聚集最多的时段,可以将这段时间段定义为人员密度高峰期间。人员数量阈值:可以根据办公室空间的大小和设计指标进行评估,例如:当人员数量超过工位总数的80%时,判断为人员密度高。
商业场所或会议室下,人员密度高峰期间:可以根据商业场所的高峰营业时间或会议室活动安排来设定,例如:早晚的用餐时间、周末购物高峰时段,或者会议室预定较为密集的时间段等。人员数量阈值:可以根据场所的容纳人数和可接受的拥挤程度进行评估,例如:当人员数量超过场所容纳人数的70%时,判断为人员密度高。
以上调节措施是基于用户的喜好和习惯进行个性化设置和智能推荐,具体的参数设置和数值还需要根据用户的实际需求和反馈进行调整。
本发明的方案,借助人工智能模型和数据分析技术,可以根据实时的室外温度、天气和空气质量预测,能够实现对室外环境参数(如温度、天气、空气质量等)的精细预测,通过预测室外温度和天气状况,可以优化空调的控制***的能源消耗;比如,在较低温度或较凉爽的天气情况下,可以适度减少空调冷却的强度或关闭空调设备,从而节约能源并提高能源效率;这样,灵活调度和控制空调的控制***的运行,这有助于提高室内环境的舒适性,并满足不同用户的个性化需求。从而,通过采用双隐层网络和模型控制策略,综合运用人工智能模型和数据分析技术、实时数据采集和处理、自动化调节***、能源优化与节约以及个性化调节与用户需求匹配等技术,实现了更智能、高效和舒适的室内环境控制,解决了室外环境参数(如温度、天气、空气质量等)的预测结果不够准确的问题;也解决了在根据对室外环境参数的预测结果对空调进行控制时,无法提前对空调进行控制,导致空调控制的延时性较高的问题,从而能够解决空调节能和灵活调控方案难以设计的问题;还解决了用户针对空调预测控制的个性化需求难以在技术方案中满足的问题。
采用本实施例的技术方案,通过收集历史室外环境数据和当前室外环境数据,将历史室外环境数据和当前室外环境数据进行整合后,得到整合室外环境数据;对整合室外环境数据进行预处理后,得到预处理室外环境数据;自预处理室外环境数据中,针对空调的环境参数中的每种室外环境参数,提取影响每种室外环境参数的特征参数,作为与每种室外环境参数相关联的关联特征参数;针对预处理数据、以及自预处理数据中提取到的所有特征参数,建立样本数据;将样本数据划分为训练样本和测试样本;利用训练样本,对预先选取的神经网络模型进行训练,得到训练模型;利用测试样本,对训练样本进行测试,根据测试结果和预设的评价指标,对训练模型进行评估;根据评估结果对训练模型进行优化,得到优化模型,作为用于对空调所在地的未来一段时间内的环境参数进行预测的预测模型;利用预测模型,对空调所在地的未来一段时间内的环境参数进行预测,得到预测到的室外环境参数;结合预测到的室外环境参数,对空调的运行参数进行调节,以实现通过对空调的运行过程的提前控制,对所述空调所在环境的室内环境参数进行提前调节,从而,通过结合历史室外环境数据和当前室外环境数据对空调所在地的未来一段时间的环境参数进行更为精准地预测,根据预测到的环境参数提前调节空调的运行参数,有利于提升空调的性能并提升用户体验。
根据本发明的实施例,还提供了对应于空调的控制方法的一种空调的控制装置。参见图5所示本发明的装置的一实施例的结构示意图。该空调的控制装置可以包括:获取单元102和控制单元104。
其中,所述获取单元102,被配置为收集所述空调所在环境的历史室外环境数据,记为所述空调的历史室外环境数据;并获取所述空调所在环境的当前室外环境数据,记为所述空调的当前室外环境数据。该获取单元102的具体功能及处理参见步骤S110。
在一些实施方式中,所述空调的历史室外环境数据、所述空调的当前室外环境数据中的室外环境数据,包括:所述空调所在环境的温度数据、湿度数据、气压数据、风速和风向数据、光照数据、地域数据、地形数据、植被数据、大气环流数据、天气状况数据、以及空气质量数据中的至少一种室外环境参数。所述天气状况数据,如晴天、阴天、大风天等天气状况的数据;所述空气质量数据,如PM2.5的浓度值等。
所述获取单元102,收集所述空调所在环境的历史室外环境数据,记为所述空调的历史室外环境数据,包括以下至少之一:所述获取单元102,具体还被配置为接收由云端获取并发送的所述空调所在环境的历史气象数据,作为所述空调的历史室外环境数据;所述获取单元102,具体还被配置为调取由所述空调的室外传感器装置检测并反馈的历史采集数据,作为所述空调的历史室外环境数据。
所述获取单元102,获取所述空调所在环境的当前室外环境数据,记为所述空调的当前室外环境数据,包括:所述获取单元102,具体还被配置为接收由所述空调的室外传感器装置检测并反馈的当前采集数据,作为所述空调的当前室外环境数据。
具体地,图8为本发明的一种空调的室外环境温度预测方法的一实施例的流程示意图。在本发明的方案中,采用人工智能模型和数据分析技术建立预测模型。为了实现准确的温度、天气和空气质量预测,可以采取如图8所示的室外环境温度预测步骤。如图8所示,本发明的方案提供的一种空调的室外环境温度预测方法,包括:
步骤1、采集天气、气候、温度等数据,之后执行步骤2。
步骤11、数据收集:收集大规模的历史温度、天气和空气质量数据,
在步骤11中,为了获取最新的环境信息并进行精确的预测结果,收集大规模的历史温度、天气和空气质量数据时,可以采用以下技术联合实施数据的收取。
其中,联网获取,即通过云端接收气象单位发布的气象室外环境数据。
传感器网络,即通过在室外安装温度、湿度、降水量、风速等传感器,并建立一个网络,实时监测和采集环境参数数据。
物联网技术,即利用物联网技术,将传感器采集到的数据通过互联网传输到中心服务器或数据中心,以便进行后续处理和分析。
步骤12、将收集到的大规模的历史温度、天气和空气质量数据,与其他相关数据(如当前的气象数据、地理数据等)进行整合。
在步骤12中,整合历史温度、天气和空气质量数据与其他相关数据(如当前的气象数据、地理数据等)的方式,可以通过数据集成、数据关联和数据分析等方法来实现。具体的整合方式可以参见以下示例性说明。
其中,数据集成:将不同来源和格式的数据进行整合,创建一个统一的数据集。例如:将不同地区、不同时间段的历史温度数据、天气数据和空气质量数据从不同的数据库或文件中提取出来,经过数据清洗和转换,整合到一个统一的数据集中。
数据关联:将历史温度、天气和空气质量数据与其他相关数据进行关联,建立数据之间的联系。例如:将历史温度数据与相应的天气数据进行关联,以了解温度变化与天气状况的关系;将空气质量数据与地理数据进行关联,以研究空气质量与地理位置的相关性。
数据分析:利用统计分析、机器学习和数据挖掘等方法对整合后的数据进行分析。通过对历史温度、天气和空气质量数据与其他相关数据的分析,可以发现隐藏的模式、趋势和规律,提供有关环境条件和室内舒适度的更深入洞察。
在步骤12中,通过整合历史温度、天气和空气质量数据与其他相关数据(如当前的气象数据、地理数据等),得到整合数据,以利用整合数据进行综合分析和趋势预测,实现对空调的智能控制。
其中,综合分析:整合不同类型的数据可以提供更全面、多维度的信息,可以综合分析温度、天气、空气质量等因素之间的关系和相互影响。
趋势预测:通过对历史数据的分析和模式识别,可以预测未来的温度变化、天气趋势和空气质量状况,为未来空调控制提供参考。
智能控制:基于整合后的数据,结合智能算法和模型,可以实现智能空调控制,根据环境参数的变化进行自动调节,提供更舒适的室内环境。
例如:通过整合历史温度数据、天气数据和空气质量数据,与地理位置数据和季节信息进行关联分析,可以发现某个地区在夏季高温期间,温度升高、空气质量下降的规律。基于这些发现,可以建立相应的控制策略,在此期间提前启动空调或调整空调参数,提供更舒适和健康的室内环境。
所述控制单元104,被配置为基于所述空调的历史室外环境数据和所述空调的当前室外环境数据,利用预设的神经网络模型进行训练,得到预测模型;其中,所述预测模型,是能够基于所述空调的当前室外环境数据中所述空调的当前室外环境参数,预测所述空调所在环境的未来一段时间内的室外环境参数的模型。该控制单元104的具体功能及处理参见步骤S120。
在一些实施方式中,所述控制单元104,基于所述空调的历史室外环境数据和所述空调的当前室外环境数据,利用预设的神经网络模型进行训练,得到预测模型,包括:
所述控制单元104,具体还被配置为将所述空调的历史室外环境数据和所述空调的当前室外环境数据进行整合,得到整合室外环境数据,记为所述空调的整合室外环境数据。该控制单元104的具体功能及处理还参见步骤S210。
所述控制单元104,具体还被配置为对所述空调的整合室外环境数据进行预处理,得到预处理室外环境数据,记为所述空调的预处理室外环境数据;所述空调的预处理室外环境数据中,具有与所述空调的运行参数相关联的室外环境参数,记为所述空调的运行环境参数。该控制单元104的具体功能及处理还参见步骤S220。
在一些实施方式中,所述控制单元104,对所述空调的整合室外环境数据进行预处理,得到预处理室外环境数据,记为所述空调的预处理室外环境数据,包括:所述控制单元104,具体还被配置为对所述空调的整合室外环境数据进行去除异常值处理、填补缺失值处理、格式转换和标准化处理、数据去重处理中的至少一种处理,得到预处理室外环境数据,记为所述空调的预处理室外环境数据。
具体地,如图8所示,本发明的方案提供的一种空调的室外环境温度预测方法,还包括:步骤2、对步骤1采集到的数据进行处理和特征提取,得到样本数据,之后执行步骤3。
在步骤2中,对步骤1采集到的数据进行处理和特征提取,包括:步骤21、对步骤1采集到的数据进行清洗和预处理,步骤22、对步骤21清洗和预处理后的数据进行特征提取,得到样本数据。
步骤21、数据清洗和预处理:对收集到的数据进行清洗和预处理,包括去除异常值、填补缺失值等操作。
在步骤21中,数据清洗和预处理是数据处理的重要环节,它们可以提高数据质量、减少错误和偏差,从而为后续的数据分析和建模提供可靠的基础。数据清洗和预处理的具体处理过程,可以参见以下示例性说明。
其中,去除异常值(Outliers):通过设定阈值或使用统计方法(如标准差、箱线图等),去除与其他数据明显不符的异常值。去除异常值可以避免其对后续分析和建模结果产生干扰,提高数据的准确性和可信度。例如:假设在一个销售数据集中,存在一个异常高的销售额数据,可能是由于数据录入错误或***故障造成的,通过删除该异常值,可以得到更准确的销售统计结果。
填补缺失值(Missing Values Imputation):对于缺失的数据,可以采用插值、均值、中位数、回归等方法对缺失值进行填补。填补缺失值可以保留数据集的完整性,并减少数据样本的减少,确保后续分析的准确性和可靠性。例如:在一个客户调查数据集中,可能会存在一些缺失的客户年龄数据,可以通过使用其他相关特征(如性别、职业等)的均值来填补这些缺失值,确保数据集的完整性。
格式转换和标准化(Format Conversion and Standardization):将数据转换为适合分析的统一格式,例如将日期时间格式进行转换,将不同单位的数据进行统一单位转换等。格式转换和标准化可以使数据具备可比较性和一致性,更方便进行后续的计算和分析。例如:在一个销售数据集中,可能存在多个包含日期时间的列,格式各异,例如"2023/08/16"、"16-08-2023"等。将这些不同格式的日期时间统一转换为统一的格式(如ISO标准的"YYYY-MM-DD"),可以便于日期的排序和对比。
数据去重(Data Deduplication):识别并删除数据集中的重复记录,确保数据的唯一性。去除重复数据可以避免重复计算和分析,提高数据处理的效率,并减少因重复数据产生的偏差。例如:在一个用户注册数据集中,可能存在重复的用户记录,可能是由于数据源重复收集或***错误造成的。通过识别并删除这些重复记录,可以获得唯一的用户列表。
在步骤21中,可以进行实时数据处理,即,接收传感器数据后,可以使用流式处理技术对数据进行实时处理和分析,例如Apache Kafka、Spark Streaming等。使用流式处理技术(如Apache Kafka和Spark Streaming)对实时传感器数据进行处理和分析的过程可以参见以下示例性说明。
其中,数据接收和采集:首先,传感器会实时地采集环境参数(如温度、湿度等)数据,并将其发送到数据处理***,这些数据以数据流的形式通过消息队列(如ApacheKafka)进行接收和缓存。流数据处理:一旦数据进入消息队列,流处理引擎(如SparkStreaming)会实时地从队列中读取数据,并将其转化为数据流,然后,流处理引擎会对数据流进行实时处理和分析。实时处理操作:在流处理阶段中,可以执行各种实时处理操作,如过滤、聚合、窗口计算等;例如:可以过滤掉异常数据、计算平均温度值、监测温度变化趋势等。分析和决策:基于实时处理结果,可以进行进一步的数据分析和决策。例如:根据实时温度数据的分析结果,可以判断是否需要调整空调的运行状态,或者触发警报机制等。输出和存储:最后,处理完成的数据可以被输出到不同的目标,如数据库、可视化工具或其他应用程序。同时,可以将数据存储以供后续分析使用,或者进行实时监控和反馈。例如:假设有一个基于Apache Kafka和Spark Streaming的实时数据处理***,用于处理室内温度传感器数据。数据从传感器发送到Kafka消息队列,并通过Spark Streaming进行实时处理和分析。
在处理的过程中,可以进行以下操作:过滤操作:将异常温度数据排除在外,只保留有效的数据;聚合操作:计算每5分钟的平均温度值,以了解该时间段内的室温趋势;窗口计算:使用滑动窗口,计算过去10分钟内的最高温度和最低温度,以及对应的时间戳;监测和报警:根据温度变化趋势判断是否达到预设的阈值,如果超过阈值就触发报警机制,如发送通知或触发其他动作。类似地,其他参数也可以类似处理。实时处理和分析操作能够帮助用户及时了解室内温度的变化情况,提供预警信息,以及支持智能调控决策,确保室内环境的舒适性和安全性。
所述控制单元104,具体还被配置为自所述空调的预处理室外环境数据中,针对所述空调的运行环境参数中的每种室外环境参数,提取影响所述每种室外环境参数的特征参数,作为与所述每种室外环境参数相关联的关联特征参数;以此,得到与所述空调的运行环境参数相关联的所有特征参数,记为所述空调的所有特征参数。该控制单元104的具体功能及处理还参见步骤S230。
在一些实施方式中,所述控制单元104,自所述空调的预处理室外环境数据中,针对所述空调的运行环境参数中的每种室外环境参数,提取影响所述每种室外环境参数的特征参数,作为与所述每种室外环境参数相关联的关联特征参数,包括:
所述控制单元104,具体还被配置为自所述空调的预处理室外环境数据中,针对所述空调的运行环境参数中的每种室外环境参数,提取影响所述每种室外环境参数的特征数据;提取到的影响所述每种室外环境参数的特征数据,包括:时间特征数据、地点特征数据、以及气象特征数据中的至少之一。该控制单元104的具体功能及处理还参见步骤S310。
所述控制单元104,具体还被配置为对提取到的影响所述每种室外环境参数的特征数据进行归一化或标准化处理,得到标准参数,记为影响所述每种室外环境参数的特征参数,作为与所述每种室外环境参数相关联的关联特征参数。该控制单元104的具体功能及处理还参见步骤S320。
具体地,如图8所示,本发明的方案提供的一种空调的室外环境温度预测方法,还包括:步骤22、特征提取和工程:通过分析数据的特征,提取与温度、天气和空气质量相关的特征,例如时间、地点、气压、湿度等。
在步骤22中,在进行温度、天气和空气质量相关的特征提取和工程时,可以根据具体数据集的特点选择合适的处理方法,具体可以参见以下示例性说明。
其中,时间特征提取:从日期时间数据中提取出年份、月份、星期几、小时等信息作为特征。时间特征可以帮助分析人员更好地理解数据随时间的变化规律,识别周期性模式、季节性变化等,有助于预测和解释温度、天气和空气质量的趋势。例如:对于一份气象观测数据集,可以从日期时间列中提取年份、月份和小时等特征,用来分析某个地区不同时间段内的气温变化趋势。
地点特征提取:将地理坐标或地址信息转换为可用的特征,如经纬度、行政区划、地理标签等。地点特征可以帮助分析人员识别不同地域之间的温度、天气和空气质量差异,进而进行地域间的比较和分析。例如:在一个城市的气象观测数据集中,可以将每个观测点的经纬度转换为行政区划,用来分析不同行政区的平均气温和空气质量的差异。
气象特征提取:从气象数据(如气压、湿度、风速等)中提取关键特征,如平均值、最大/最小值、变化率等。气象特征提取可以帮助分析人员探索温度、天气和空气质量之间的关系,并发现与目标变量(如温度)相关的重要特征。例如:在一个气象观测数据集中,可以计算每日的平均气温、最高温度和最低温度,作为特征,用来预测未来的气温变化。
数据归一化和标准化:对于不同量纲和分布范围的特征,进行归一化或标准化处理,使它们具有相同的尺度和可比性。数据归一化和标准化可以增强特征之间的比较性和权重的一致性,有助于提高模型训练的效果。例如:在一个包含气温和风速两个特征的数据集中,由于它们具有不同的量纲和分布范围,可以通过将其进行归一化或标准化,使得它们在相同尺度上进行比较和分析。
所述控制单元104,具体还被配置为基于所述空调的预处理室外环境数据,以所述空调的运行环境参数为输出数据、且以所述空调的所有特征参数为输入数据,建立样本数据;并将所述样本数据划分为训练样本和测试样本。该控制单元104的具体功能及处理还参见步骤S240。
所述控制单元104,具体还被配置为利用所述训练样本,以所述训练样本中所述空调的运行环境参数中的每种室外环境参数为输出数据、且以所述训练样本中与该每种室外环境参数相关联的特征参数为输入数据,对预先选取的神经网络模型进行训练,得到训练模型;其中,所述预先选取的神经网络模型,包括:双隐层神经网络模型和循环神经网络模型中的至少之一。该控制单元104的具体功能及处理还参见步骤S250。
具体地,如图8所示,本发明的方案提供的一种空调的室外环境温度预测方法,还包括:步骤3、基于样本数据,利用深度学习模型处理,得到预测模型,之后执行步骤4。
在步骤3中,在得到样本数据后,利用深度学习模型处理,得到预测模型,包括:步骤31、模型选择和训练,步骤32、模型评估和优化。
步骤31、模型选择和训练:选择适当的机器学习或深度学习算法,例如线性回归、决策树、支持向量机、神经网络等,并利用历史数据对模型进行训练。
在步骤31中,选择适当的机器学习或深度学习算法以及进行模型训练的方法,可以基于以下几个方面来进行考虑和选择合适的模型。
其中,可以基于问题类型进行考虑和选择合适的模型:首先需要了解要解决的问题是回归问题、分类问题还是其他类型的问题。如果是回归问题,可以考虑使用线性回归、多项式回归等;如果是分类问题,可以考虑使用决策树、支持向量机、神经网络等。
可以基于数据特点进行考虑和选择合适的模型:根据数据的规模、类型(数值型、文本型、图像型等)、分布特点、缺失值情况、噪声程度等来选择适合的模型和训练方法。例如:对于高维稀疏数据,可选择使用支持向量机;对于图像数据,可以考虑使用卷积神经网络。
可以基于模型复杂度和解释性进行考虑和选择合适的模型:不同的算法在模型复杂度和解释性方面有所差异。有些算法(如线性回归、决策树)相对简单且易于解释,适用于需要解释模型预测原理的场景;而某些算法(如神经网络)可能较为复杂但具有更强的建模能力。
可以基于计算资源和时间进行考虑和选择合适的模型:一些算法(如深度神经网络)需要大量的计算资源和时间进行训练,因此需要根据可用的计算资源和时间限制来选择适当的算法。
可以基于实验效果和性能评估进行考虑和选择合适的模型:实验效果是选择模型的重要参考指标。在开始训练之前,可以进行一些简单的试验,尝试几种不同的算法并通过交叉验证等方法进行性能评估,最终选择表现较好的模型。
综合考虑以上因素,可以结合领域知识和经验,选择适合的机器学习或深度学习算法,并使用历史数据对模型进行训练。此外,还可以进行模型调参、特征选择和集成学习等方法来提升模型的性能。最终目标是选择一个在给定问题上具有较高预测准确度和泛化能力的模型。
在步骤31中,可以利用基于深度学习技术构建天气预测模型,如利用神经网络构建天气预测模型。
人工神经网络(ANN)以擅长解决非线性问题见长,而它的改进结构,深度前馈神经网络,几乎可以拟合任何复杂的函数,对于气象因子的预测,人工神经网络擅长提取输入和输出特征之间的关系,而不用明确提供气象学知识作为支撑;而深度学习的另一类,循环神经网络(RNN)则是从多层递归神经网络发展而来,是一种类别丰富的动态模型,被广泛用于在计算机视觉、图像、文本、语音识别、运动数据捕获以及时序分析等领域,对于气象因子的预测,RNN更侧重学习到历史序列信息,原则上学习的序列长度可以是任意的。因此,这两类神经网络都适合解决天气预测问题。
在步骤31中,可以选择双隐层网络的天气预测模型。
预测模型架构前馈神经网络设计的一个关键点是确定它的架构。架构是指网络的整体结构,即该模型应具有的神经元数量以及组织这些神经单元以什么样的方式进行连接,大多数神经网络被组织成以“层”为单位的单元组。神经网络架构将这些层布置成链式结构,其中每一层都是前一层的函数,层与层之间可直接间接建立连接。通过多层的网络结构抽取更抽象的要素间的特征,从而能达到更好的拟合效果,故合理的架构选择会直接影响预测的效果和准确度。具体来说,对于前馈神经网络的模型训练,假设输出变量目标h与输入变量x之间存在h=g(x,ω)的关系,对前馈网络的训练目的可简单描述就是通过学习找到函数中ω参数的近似,使它能够得到最佳的函数拟合。这种模型在参数求解中传递过程是前向的,信息会流过输入层,流经函数激活层g,进行中间计算后,最终输出类别。从架构第一层输入输出可表示为:
h1=g1(WTx+b1)。
经过第二层的递推表达式:
h2=g2(WTh1+b2)。
依次类推,可构成深层神经网络的循环链式结构。在这些链式架构中,主要的架构考虑的是选择网络的深度和每一层的宽度。可见,即使只有一个隐藏层的网络也足够适应训练集,而更深层的网络结构通常能够对每一层使用更少的单元数和更少的参数,容易泛化到测试集,但是通常也会更难以优化。通常,更深的结构会具有更好的表示能力,但也并非越深越好,对于具体的任务,理想的网络架构要通过反复的实验找到。拿气温预测模型来说,后一层都会隐藏前一层“向前传播”的信息。假设:第一隐藏层学习到了某一时刻气压“点”对气温的关联度特征,第二层可能学习到的是与之关联度较好的气压“线”的特征,到了第三层可能就是线组成的气压“场”的特征。最终学习到的是就会是所有要素“场”组成的“目标”特性。
图6为双隐层网络的天气预测模型的结构示意图。如图6所示为一个具有两个隐层的前馈神经网络气温预测模型示意图,输入端为气温相关的多元要素,输出为预测的气温属性,中间经过了两层隐藏层用于表达各属性间的内在的特征,模型就是在此基础上对层数、结点数以及优化手段上进行的延伸,同时对输入多元特征的改进,在训练过程设定合适的激活函数,超参数以及进行正则优化等。
在步骤31中,也可以选择RNN天气预测模型。
图7为RNN循环神经网络单隐层的互联结构示意图。在如图7所示的循环神经网络(RNN)模型中,相对于普通的多层神经网络,隐藏层各个节点之间增加了互联关系,通过隐藏层神经单元之间的连接形成定向循环,创建网络的内部状态,并呈现出动态时间序列行为。更直观地,可以将RNN中各点在时间轴上进行展开,每个神经元的输入除了来至上一节点的输入还来至自身结点的输出。在构建气象时间序列模型中,对于全连接网络而言,需要为每一个输入的特征集分配一组单独的参数,而使用RNN网络,通过共享时间维度上的参数,即在每个时间步(TIME-STEP)上参数矩阵是一样的,从而可大大简化了训练开销。与前馈神经网络不同,RNN凭借其特殊的结构优势,对数据点之间存在的相互关联的序列化数据,表现出极强的建模能力。在实际应用中,RNN可以通过一次处理实际数据序列来一步一步地对RNN进行序列生成的训练,并预测未来的序列。
假设预测是有概率的,可以通过从网络的输出分布迭代地采样从训练网络生成新的序列,将输出作为下一步输入样本,其预测分布将取决于以往的输入。在某种意义上,此时的RNN是“模糊的”,它们不使用训练数据中的精确模板进行预测,而是像其它神经网络一样,通过内部机制来对训练样本高维插值,这将它们与N-GRAM模型和部分匹配预测的压缩算法区分开来,其预测分布是通过计算最近历史和训练集之间的精确匹配来确定的。
所述控制单元104,具体还被配置为利用所述测试样本,以所述测试样本中所述空调的运行环境参数中的每种室外环境参数为输出数据、且以所述训练样本中与该每种室外环境参数相关联的特征参数为输入数据,对所述训练模型进行测试,得到测试结果。该控制单元104的具体功能及处理还参见步骤S260。
所述控制单元104,具体还被配置为根据预设的评价指标,基于所述测试结果对所述训练模型进行评估,得到评估结果。该控制单元104的具体功能及处理还参见步骤S270。
所述控制单元104,具体还被配置为根据所述评估结果,对所述训练模型进行优化调整,得到优化模型,将所述优化模型作为所需要的预测模型。该控制单元104的具体功能及处理还参见步骤S280。
具体地,如图8所示,本发明的方案提供的一种空调的室外环境温度预测方法,还包括:步骤32、模型评估和优化:使用评价指标(如均方误差、准确率等)对模型进行评估,根据评估结果对模型进行优化调整,以提高预测效果。
在步骤32中,模型评估和优化是为了衡量和改进模型的性能,具体可以采用以下方式进行模型评估和优化。
其中,划分训练集和测试集:将数据集划分为训练集和测试集,训练集用于模型的训练和参数调整,而测试集用于评估模型的泛化能力。通过保留一部分数据作为测试集,可以评估模型在未见过的数据上的表现,从而更加客观地评估模型的性能。
选择合适的评价指标:根据问题的类型和需求,选择适当的评价指标来衡量模型的性能,例如均方误差(Mean Square Error,MSE)、准确率(Accuracy)、召回率(Recall)、F1分数等,通过明确评价指标,可以量化和比较不同模型的性能,为后续模型的优化提供依据。其中,准确率(Accuracy):用于评估分类模型的性能,它计算模型正确分类的样本数与总样本数之比,数值越高表示模型的分类准确性越高。召回率(Recall):用于评估分类模型的性能,特别适用于处理不均衡数据集。它计算被正确分类的正例样本数与实际正例样本数之比,衡量模型对于正例样本的覆盖能力。F1分数:综合了准确率和召回率的综合指标,用于评估分类模型的性能,F1分数是准确率和召回率的调和平均数,可以综合考虑模型的分类准确性和覆盖能力。均方误差(Mean Square Error,MSE):用于评估回归模型的性能,它计算预测值与真实值之间的平均平方差,数值越小表示模型的拟合效果越好。
模型评估:使用测试集对训练好的模型进行评估,计算评价指标的值,以衡量模型在真实数据上的表现。模型评估可以帮助我们了解模型的预测能力,判断模型是否存在欠拟合或过拟合等问题。如果模型在测试集上表现良好,则说明模型具有较好的泛化能力。
模型优化:根据预测模型的评估的结果,对模型进行优化调整,以提高模型的预测效果。可能的优化策略包括调整模型的超参数、增加训练数据、提升特征工程等。模型优化可以帮助我们改善模型的性能,提升预测准确度和泛化能力。通过针对性的调整和改进,可以使模型更好地适应问题,并取得更好的预测结果。
例如:假设有一个温度预测模型,我们将数据集划分为训练集和测试集。在训练过程中,我们使用训练集对模型进行训练,并根据测试集计算均方误差(MSE)作为评价指标。如果模型的MSE较高,说明模型的预测效果较差,可能存在欠拟合问题,我们可以尝试增加模型的复杂度或优化特征工程来提升预测准确度。反之,如果模型的MSE较低,说明模型的预测效果较好,但仍需注意过拟合的问题,可以继续调整正则化参数等进行模型优化。
另外,选择适当的评价指标需要根据具体的问题和应用场景进行判断。
例如:根据回归问题选择适当的评价指标:对于回归问题,通常使用均方误差(MSE)作为评价指标。因为MSE对异常值不敏感,并且能够对模型预测结果的偏差进行有效衡量。
根据二分类问题选择适当的评价指标:对于二分类问题,可以使用准确率(Accuracy)作为评价指标。但如果数据集存在类别不平衡的情况,准确率可能会失真,此时可以考虑召回率(Recall)和F1分数作为评价指标,特别关注模型对于少数类的分类性能。
根据多分类问题选择适当的评价指标:对于多分类问题,同样可以使用准确率(Accuracy)作为评价指标。但如果类别不平衡或者关注某些类别的性能,则可以考虑使用每个类别的召回率、精确率(Precision)或F1分数进行评估。
在本发明的方案中,提供基于人工智能技术的室外环境参数预测方法,即,通过结合大规模的数据集和强大的计算能力,利用机器学习技术构建复杂的预测模型,实现准确的温度、天气和空气质量预测;再通过传感器网络和物联网技术,实时采集室外温度、湿度、降水量、风速等参数,并将数据传输到预测模型进行处理和分析。这样,可以及时获取最新的环境信息,并提供精确的预测结果。
所述控制单元104,还被配置为基于所述空调的当前室外环境数据中所述空调的当前室外环境参数,利用所述预测模型进行预测,得到所述空调所在环境的未来一段时间内的室外环境参数;其中,所述空调的当前室外环境参数,是所述空调的当前室外环境数据中的至少部分室外环境数据。该控制单元104的具体功能及处理还参见步骤S130。
在一些实施方式中,所述控制单元104,基于所述空调的当前室外环境数据中所述空调的当前室外环境参数,利用所述预测模型进行预测,得到所述空调所在环境的未来一段时间内的室外环境参数,包括:
所述控制单元104,具体还被配置为将所述空调的当前室外环境数据中所述空调的当前室外环境参数作为输入数据,输入至所述预测模型中,以得到所述预测模型的输出数据。该控制单元104的具体功能及处理还参见步骤S410。
所述控制单元104,具体还被配置为将所述预测模型的输出数据,作为所述空调所在环境的未来一段时间内的室外环境参数。该控制单元104的具体功能及处理还参见步骤S420。
具体地,如图8所示,本发明的方案提供的一种空调的室外环境温度预测方法,还包括:步骤4、利用预测模型,对室外环境参数进行预测,得到环境参数的预测值,之后执行步骤5。
具体地,室外天气通常包含以下几个数值:温度、湿度、气压、降水概率、以及风速和风向等。其中,温度:表示当地的气温,可以使用摄氏度(℃)或华氏度(℉)来表示。湿度:表示空气中的水分含量,以百分比形式显示。气压:表示大气的压强,常用单位是帕斯卡(Pa)或百帕(hPa)。降水概率:表示某一时间段内发生降水的可能性,以百分比形式表示。风速和风向:表示风的强度和吹向,通常以每小时公里数或米/秒来表示风速,以方位角或文字描述(如东、南、西、北)来表示风向。
通过输入当前环境下的气象因子,实施室外天气预测能够精准预测当前环境室外天气,相较于天气预报大面积粗略式的环境气候预测方式具有更高的精准度,可以更优化地实施环境控制策略。当前环境下的气象因子通常包括且不限于以下几个要素:温度、湿度、气压、风速和风向、光照强度、地域信息、地形数据、植被数据、大气环流数据等。
其中,温度:可以通过温度传感器或温度计来测量当前环境的温度。湿度:可以通过湿度传感器或湿度计来测量当前环境的湿度。气压:可以通过气压传感器或气压计来测量当前环境的气压。风速和风向:可以通过风速仪或风向仪来获取当前环境的风速和风向。光照强度:可以通过光照传感器或光照计来测量当前环境的光照强度。
地域信息:可以通过预设输入。不同地区的天气情况可能存在明显差异,包括气温、降水量、季节等。通过获取地域信息,可以根据该地区过往的气象数据和地区特点进行更精确的天气预测。地域信息可以通过地理位置信息、区域名称或国家/城市编码等方式获得。
地形数据:地形数据可以从数字高程模型(DEM)或卫星图像中提取。DEM记录了地表的高程信息,它可以通过激光雷达测量或卫星遥感获取。这些数据可以显示山脉、河流、平原等地貌特征,帮助研究地形对气象的影响。
植被数据:植被数据可以通过卫星图像和遥感技术获取。卫星图像可以显示地表植被覆盖的类型和密度,通过图像处理和分类算法可以提取出植被信息。此外,传感器也可以通过测量植被的生长状态、叶绿素含量等指标来获取植被数据。
大气环流数据:大气环流模式可以通过多个气象观测站和卫星观测数据进行分析和模拟。全球大气环流模式使用复杂的数学和物理方程来模拟大尺度的空气运动和变化,这些数据可以用于预测和解释气象现象。
气象数据也可以通过公开的气象观测站、卫星观测、气象雷达等设备收集。这些设备会定期记录并发布气温、湿度、降水量、风速和风向等气象数据。国家气象部门和其他气象机构会将这些数据进行整理和分析,并提供给公众和其他相关应用程序使用。
在本发明的方案中,通过传感器网络和物联网技术,实时采集室外温度、湿度、降水量、风速等参数,并将数据传输到预测模型进行处理和分析;基于历史数据和当前环境参数,通过构建双隐层网络的天气预测模型或RNN循环神经网络单隐层的互联结构模型,实现对当前局部环境温度、天气和空气质量的准确预测。
所述控制单元104,还被配置为根据所述空调所在环境的未来一段时间内的室外环境参数,调节所述空调的运行参数,以实现通过对所述空调的运行过程的提前控制,对所述空调所在环境的室内环境参数进行提前调节。该控制单元104的具体功能及处理还参见步骤S140。
本发明的方案提供的一种空调的室外环境参数的预测方法,通过人工智能模型和数据分析技术,能够准确预测室外温度,帮助调整空调的控制***的运行模式和温度设定,提供舒适的室内环境。本发明的方案,还可以预测其他天气相关的参数,如湿度、降水量、风速等,这些预测结果可以帮助调整空调的控制***的湿度控制和通风设定,以适应不同的天气条件。本发明的方案,通过对空气质量指标(如PM2.5)进行预测,可以及时了解室外空气质量情况,这样,空调的控制***可以根据预测结果自动调整室内空气净化和过滤器的工作状态,提高室内空气质量。
在一些实施方式中,所述空调的运行参数,包括以下至少之一:运行模式、目标温度、目标湿度、有空气净化***时所述空气净化***的启闭、有空气净化***时所述空气净化***开启情况下的运行强度、有窗户联动控制时所述窗户的启闭中的至少之一。
所述控制单元104,根据所述空调所在环境的未来一段时间内的室外环境参数,调节所述空调的运行参数,以实现通过对所述空调的运行过程的提前控制,对所述空调所在环境的室内环境参数进行提前调节,包括以下任一种控制情形:
第一种控制情形:所述控制单元104,具体还被配置为在未接收到所述空调的使用者的控制需求的情况下,根据所述空调所在环境的未来一段时间内的室外环境参数,并结合所述空调所在环境的室内人员密集度和/或室内人员活动程度,调节所述空调的运行参数,以实现通过对所述空调的运行过程的提前控制,对所述空调所在环境的室内环境参数进行提前调节。在本发明的方案中,提供自动化空气调节控制***,即,根据预测模型的预测结果,自动调节空调的控制***的运行模式、温度设定、湿度控制,以及空气净化和过滤器的工作状态,实现智能化的环境控制,无需人工干预,提供更舒适和健康的室内环境。另外,根据预测结果还可以优化空调的控制***的能源消耗,减少不必要的冷却或加热操作,提高能源效率并节约能源成本。
第二种控制情形:所述控制单元104,具体还被配置为在已接收到所述空调的使用者的控制需求的情况下,根据所述空调的使用者的控制需求,并结合所述空调所在环境的未来一段时间内的室外环境参数,调节所述空调的运行参数,以实现通过对所述空调的运行过程的提前控制,对所述空调所在环境的室内环境参数进行提前调节。在本发明的方案中,提供个性化方案设计,即:根据用户的喜好和需求,可实现个性化的空调的控制***调节。例如:对于讲究室内空气质量的用户,可以根据空气质量预测结果增加空气净化功能。
在本发明的方案中,根据预测模型的预测结果,针对性地设计了空调的控制***的自动控制策略,实现智能化的环境控制,无需人工干预,提供更舒适和健康的室内环境。另外根据用户个性化需求设计了个性化需求匹配和实施策略。
具体地,如图8所示,本发明的方案提供的一种空调的室外环境温度预测方法,还包括:步骤5、使空调自动化调节***,根据环境参数的预测值,对空调的运行过程进行控制。
在步骤5中,为了实现智能化的环境控制,使空调自动化调节***,无需人工干预,可以采取以下措施,对空调的运行过程进行控制。
在步骤5中,对步骤4预测结果进行应用,具体是根据预测模型得出的室外天气结果(温度、湿度、气压、降水概率、风速和风向等),自动调节空调的控制***的运行模式、温度设定、湿度控制等参数。例如:在预测未来高温天气时,自动将空调温度设定为较低的值。
在空调自动化调节***中,设置有空气净化***。空气净化***自动控制:根据空气质量的预测结果,自动开启或关闭空气净化和过滤器的工作状态,以提供更清洁健康的室内环境。
其中,根据空气质量预测结果,自动开启或关闭空气净化***。例如:根据空气中的PM2.5浓度预测,当PM2.5浓度超过阈值时,自动开启空气净化***。自动开启/关闭空气净化***:根据空气质量预测结果,***可以通过监测室内空气中的PM2.5浓度来判断空气质量是否达到阈值。如果PM2.5浓度超过阈值,则***将自动开启空气净化***。一旦空气质量恢复到可接受的范围内,***将自动关闭空气净化***,以节省能源和提高***寿命。自动开启/关闭空气净化***的空气质量阈值,如PM2.5浓度阈值超过50微克/立方米。
考虑室内人员数量和活动情况,根据人员密度自动调整空气净化***的运行强度。自动调整空气净化***运行强度:类似于调节空调强度的方式,根据室内人员数量和活动情况,***可以根据人员密度调整空气净化***的运行强度。例如:在室内人员密度较高的情况下,***可以增加空气净化***的运行强度以提供更好的空气质量。自动调整空气净化***运行强度:人员密度较高或活动较为剧烈时的空气净化***运行强度增加程度如+1档。
在空调自动化调节***中,为了减少能源消耗并节约能源成本,可以采用以下策略:温度控制优化:根据温度预测结果,调整空调的控制***的运行模式和温度设定,避免不必要的冷却或加热操作。能源管理***:结合能源管理***,监测和控制空调的控制***的能源消耗,及时发现并解决能源浪费问题。例如:对于自动化调节***的具体控制参数设置,可以实现温度自动调节:根据天气预测中的温度结果,自动调节空调的设定温度。预测温度高于某一阈值,例如30摄氏度:空调设定温度自动降低到26摄氏度。预测温度低于某一阈值,例如10摄氏度:空调设定温度自动升高到18摄氏度。
对于自动化调节***的具体控制参数设置,可以实现湿度自动控制:根据天气预测中的湿度结果,自动调节加湿器或除湿器的工作状态。
对于自动化调节***的具体控制参数设置,可以实现根据室外温度和湿度,自动调节空调的运行模式,例如自动切换制冷、制热或通风模式。
例如:自动调节空调运行模式,可以包括:如果室外温度高于设定的阈值,并且室内温度高于设定的舒适温度范围,则***将自动切换到制冷模式,并设置适当的温度设定点。如室外温度阈值为30摄氏度,则室内舒适温度范围可以为23-26摄氏度。
自动调节空调运行模式,可以包括:如果室外温度低于设定的阈值,并且室内温度低于设定的舒适温度范围,则***将自动切换到制热模式,并设置适当的温度设定点。
自动调节空调运行模式,可以包括:如果室内人员密度较高或活动较为剧烈,***将增加制热强度以提供更高的室内温度;其中,人员密度高的具体判断标准可以根据场景和需求进行设定。考虑室内人员数量和活动情况,并根据人员密度自动调整空调的制冷或制热强度。自动控制空调制冷/制热强度:根据室内人员数量和活动情况,***可以根据人员密度调整空调的制冷或制热强度,例如:如果室内人员密度较高或活动较为剧烈,***将增加制冷或制热强度以满足更高的需求。***可以根据预设的人员密度和活动规律,根据实际情况进行实时调整。例如:在人员密度高峰期间(如上班时间、会议时间等),***可以自动增加制冷/制热强度以适应更多的人员。自动控制空调制冷/制热强度:人员密度高峰期间增加制冷/制热强度如+2摄氏度,人员密度较高或活动较为剧烈时的制冷/制热强度增加幅度如+1摄氏度。
自动调节空调运行模式,可以包括:如果室外温度在设定的舒适温度范围内,并且室内温度也在舒适温度范围内,则***将自动切换到通风模式,以节省能源和提供新鲜空气。
自动调节空调运行模式,可以包括:根据室外空气质量预测和室内温度湿度情况,自动控制窗户的开闭,以实现最佳的通风效果。考虑室内人员数量和活动情况,自动调整窗户的开闭程度。自动控制窗户的开闭:根据室外空气质量预测和室内温度湿度情况,***可以自动控制窗户的开闭,以实现最佳的通风效果。例如:如果室外空气质量良好且温度适宜,则***可以自动打开窗户进行通风,并在达到设定条件后自动关闭窗户。
考虑到室内人员数量和活动情况,***可以根据人员密度调整窗户的开闭程度。例如:如果室内人员密度较高或活动较为剧烈,***可以打开更多的窗户或将窗户打开更大程度以增加通风效果。自动控制窗户的开闭:室外空气质量良好判断条件如PM2.5浓度低于20微克/立方米。窗户打开程度控制:0-100%(可根据具体窗户设计和安全要求进行调整)。
步骤6、根据预测模型预测到的环境参数,还可以实现空调的个性化调节与用户需求匹配。
为了满足用户的个性化需求,可以根据用户的喜好和需求进行一些调节。例如:用户偏好设置:提供用户界面或手机应用程序,允许用户根据自己的喜好和需求对空调的控制***进行个性化设置,例如温度偏好、湿度偏好等。智能推荐功能:基于用户的历史使用数据和用户设定的偏好,在预测的基础上给出个性化的建议和推荐,帮助用户更好地调节空调的控制***。
在步骤6中,根据用户的个性化需求,可以进一步进行以下调节措施:步骤61、根据用户偏好设置进行调节,步骤62、智能推荐功能。
步骤61、用户偏好设置:提供一个用户界面或手机应用程序,用户可以根据自己的喜好和需求,设置空调的控制***的各项参数,例如温度、湿度、风速等。
用户可以设置自己的舒适温度范围,例如在夏季,用户可以设定空调运行的目标温度为23℃到26℃之间。用户可以设置湿度偏好,例如调节湿度在40%到60%之间。用户可以设置风速偏好,例如选择低、中、高三档风速中的一个。
步骤62、智能推荐功能:基于用户的历史使用数据和用户设定的偏好,***可以分析用户的喜好和习惯,提供个性化的建议和推荐。
根据用户的喜好和天气预测结果,***可以自动调节空调的运行模式和设定温度。例如:如果用户喜欢在夜间保持较低的温度,***可以在预测夜间温度较高时,自动调节空调温度到设定的较低值。
例如:办公室场景下,人员密度高峰期间:通常在上午9点至下午5点是办公室中人员聚集最多的时段,可以将这段时间段定义为人员密度高峰期间。人员数量阈值:可以根据办公室空间的大小和设计指标进行评估,例如:当人员数量超过工位总数的80%时,判断为人员密度高。
商业场所或会议室下,人员密度高峰期间:可以根据商业场所的高峰营业时间或会议室活动安排来设定,例如:早晚的用餐时间、周末购物高峰时段,或者会议室预定较为密集的时间段等。人员数量阈值:可以根据场所的容纳人数和可接受的拥挤程度进行评估,例如:当人员数量超过场所容纳人数的70%时,判断为人员密度高。
以上调节措施是基于用户的喜好和习惯进行个性化设置和智能推荐,具体的参数设置和数值还需要根据用户的实际需求和反馈进行调整。
本发明的方案,借助人工智能模型和数据分析技术,可以根据实时的室外温度、天气和空气质量预测,能够实现对室外环境参数(如温度、天气、空气质量等)的精细预测,通过预测室外温度和天气状况,可以优化空调的控制***的能源消耗;比如,在较低温度或较凉爽的天气情况下,可以适度减少空调冷却的强度或关闭空调设备,从而节约能源并提高能源效率;这样,灵活调度和控制空调的控制***的运行,这有助于提高室内环境的舒适性,并满足不同用户的个性化需求。从而,通过采用双隐层网络和模型控制策略,综合运用人工智能模型和数据分析技术、实时数据采集和处理、自动化调节***、能源优化与节约以及个性化调节与用户需求匹配等技术,实现了更智能、高效和舒适的室内环境控制,解决了室外环境参数(如温度、天气、空气质量等)的预测结果不够准确的问题;也解决了在根据对室外环境参数的预测结果对空调进行控制时,无法提前对空调进行控制,导致空调控制的延时性较高的问题,从而能够解决空调节能和灵活调控方案难以设计的问题;还解决了用户针对空调预测控制的个性化需求难以在技术方案中满足的问题。
由于本实施例的装置所实现的处理及功能基本相应于前述方法的实施例、原理和实例,故本实施例的描述中未详尽之处,可以参见前述实施例中的相关说明,在此不做赘述。
采用本发明的技术方案,通过收集历史室外环境数据和当前室外环境数据,将历史室外环境数据和当前室外环境数据进行整合后,得到整合室外环境数据;对整合室外环境数据进行预处理后,得到预处理室外环境数据;自预处理室外环境数据中,针对空调的环境参数中的每种室外环境参数,提取影响每种室外环境参数的特征参数,作为与每种室外环境参数相关联的关联特征参数;针对预处理数据、以及自预处理数据中提取到的所有特征参数,建立样本数据;将样本数据划分为训练样本和测试样本;利用训练样本,对预先选取的神经网络模型进行训练,得到训练模型;利用测试样本,对训练样本进行测试,根据测试结果和预设的评价指标,对训练模型进行评估;根据评估结果对训练模型进行优化,得到优化模型,作为用于对空调所在地的未来一段时间内的环境参数进行预测的预测模型;利用预测模型,对空调所在地的未来一段时间内的环境参数进行预测,得到预测到的室外环境参数;结合预测到的室外环境参数,对空调的运行参数进行调节,以实现通过对空调的运行过程的提前控制,对所述空调所在环境的室内环境参数进行提前调节,根据预测模型的预测结果,针对性地设计了空调的控制***的自动控制策略,实现智能化的环境控制,无需人工干预,提供更舒适和健康的室内环境。
根据本发明的实施例,还提供了对应于空调的控制装置的一种空调。该空调可以包括:以上所述的空调的控制装置。
由于本实施例的空调所实现的处理及功能基本相应于前述装置的实施例、原理和实例,故本实施例的描述中未详尽之处,可以参见前述实施例中的相关说明,在此不做赘述。
采用本发明的技术方案,通过收集历史室外环境数据和当前室外环境数据,将历史室外环境数据和当前室外环境数据进行整合后,得到整合室外环境数据;对整合室外环境数据进行预处理后,得到预处理室外环境数据;自预处理室外环境数据中,针对空调的环境参数中的每种室外环境参数,提取影响每种室外环境参数的特征参数,作为与每种室外环境参数相关联的关联特征参数;针对预处理数据、以及自预处理数据中提取到的所有特征参数,建立样本数据;将样本数据划分为训练样本和测试样本;利用训练样本,对预先选取的神经网络模型进行训练,得到训练模型;利用测试样本,对训练样本进行测试,根据测试结果和预设的评价指标,对训练模型进行评估;根据评估结果对训练模型进行优化,得到优化模型,作为用于对空调所在地的未来一段时间内的环境参数进行预测的预测模型;利用预测模型,对空调所在地的未来一段时间内的环境参数进行预测,得到预测到的室外环境参数;结合预测到的室外环境参数,对空调的运行参数进行调节,以实现通过对空调的运行过程的提前控制,对所述空调所在环境的室内环境参数进行提前调节,能够灵活调度和控制空调的控制***的运行,这有助于提高室内环境的舒适性,并满足不同用户的个性化需求。
根据本发明的实施例,还提供了对应于空调的控制方法的一种存储介质,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在设备执行以上所述的空调的控制方法。
由于本实施例的存储介质所实现的处理及功能基本相应于前述方法的实施例、原理和实例,故本实施例的描述中未详尽之处,可以参见前述实施例中的相关说明,在此不做赘述。
采用本发明的技术方案,通过收集历史室外环境数据和当前室外环境数据,将历史室外环境数据和当前室外环境数据进行整合后,得到整合室外环境数据;对整合室外环境数据进行预处理后,得到预处理室外环境数据;自预处理室外环境数据中,针对空调的环境参数中的每种室外环境参数,提取影响每种室外环境参数的特征参数,作为与每种室外环境参数相关联的关联特征参数;针对预处理数据、以及自预处理数据中提取到的所有特征参数,建立样本数据;将样本数据划分为训练样本和测试样本;利用训练样本,对预先选取的神经网络模型进行训练,得到训练模型;利用测试样本,对训练样本进行测试,根据测试结果和预设的评价指标,对训练模型进行评估;根据评估结果对训练模型进行优化,得到优化模型,作为用于对空调所在地的未来一段时间内的环境参数进行预测的预测模型;利用预测模型,对空调所在地的未来一段时间内的环境参数进行预测,得到预测到的室外环境参数;结合预测到的室外环境参数,对空调的运行参数进行调节,以实现通过对空调的运行过程的提前控制,对所述空调所在环境的室内环境参数进行提前调节,通过综合运用人工智能模型和数据分析技术、实时数据采集和处理、自动化调节***、能源优化与节约以及个性化调节与用户需求匹配等技术,实现了更智能、高效和舒适的室内环境控制。
综上,本领域技术人员容易理解的是,在不冲突的前提下,上述各有利方式可以自由地组合、叠加。
以上所述仅为本发明的实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的权利要求范围之内。
Claims (10)
1.一种空调的控制方法,其特征在于,包括:
收集所述空调所在环境的历史室外环境数据,记为所述空调的历史室外环境数据;并获取所述空调所在环境的当前室外环境数据,记为所述空调的当前室外环境数据;
基于所述空调的历史室外环境数据和所述空调的当前室外环境数据,利用预设的神经网络模型进行训练,得到预测模型;其中,所述预测模型,是能够基于所述空调的当前室外环境数据中所述空调的当前室外环境参数,预测所述空调所在环境的未来一段时间内的室外环境参数的模型;
基于所述空调的当前室外环境数据中所述空调的当前室外环境参数,利用所述预测模型进行预测,得到所述空调所在环境的未来一段时间内的室外环境参数;其中,所述空调的当前室外环境参数,是所述空调的当前室外环境数据中的至少部分室外环境数据;
根据所述空调所在环境的未来一段时间内的室外环境参数,调节所述空调的运行参数,以实现通过对所述空调的运行过程的提前控制,对所述空调所在环境的室内环境参数进行提前调节。
2.根据权利要求1所述的空调的控制方法,其特征在于,其中,所述空调的历史室外环境数据、所述空调的当前室外环境数据中的室外环境数据,包括:所述空调所在环境的温度数据、湿度数据、气压数据、风速和风向数据、光照数据、地域数据、地形数据、植被数据、大气环流数据、天气状况数据、以及空气质量数据中的至少一种室外环境参数;
收集所述空调所在环境的历史室外环境数据,记为所述空调的历史室外环境数据,包括以下至少之一:
接收由云端获取并发送的所述空调所在环境的历史气象数据,作为所述空调的历史室外环境数据;
调取由所述空调的室外传感器装置检测并反馈的历史采集数据,作为所述空调的历史室外环境数据;
和/或,
获取所述空调所在环境的当前室外环境数据,记为所述空调的当前室外环境数据,包括:
接收由所述空调的室外传感器装置检测并反馈的当前采集数据,作为所述空调的当前室外环境数据。
3.根据权利要求2所述的空调的控制方法,其特征在于,基于所述空调的历史室外环境数据和所述空调的当前室外环境数据,利用预设的神经网络模型进行训练,得到预测模型,包括:
将所述空调的历史室外环境数据和所述空调的当前室外环境数据进行整合,得到整合室外环境数据,记为所述空调的整合室外环境数据;
对所述空调的整合室外环境数据进行预处理,得到预处理室外环境数据,记为所述空调的预处理室外环境数据;所述空调的预处理室外环境数据中,具有与所述空调的运行参数相关联的室外环境参数,记为所述空调的运行环境参数;
自所述空调的预处理室外环境数据中,针对所述空调的运行环境参数中的每种室外环境参数,提取影响所述每种室外环境参数的特征参数,作为与所述每种室外环境参数相关联的关联特征参数;以此,得到与所述空调的运行环境参数相关联的所有特征参数,记为所述空调的所有特征参数;
基于所述空调的预处理室外环境数据,以所述空调的运行环境参数为输出数据、且以所述空调的所有特征参数为输入数据,建立样本数据;并将所述样本数据划分为训练样本和测试样本;
利用所述训练样本,以所述训练样本中所述空调的运行环境参数中的每种室外环境参数为输出数据、且以所述训练样本中与该每种室外环境参数相关联的特征参数为输入数据,对预先选取的神经网络模型进行训练,得到训练模型;其中,所述预先选取的神经网络模型,包括:双隐层神经网络模型和循环神经网络模型中的至少之一;
利用所述测试样本,以所述测试样本中所述空调的运行环境参数中的每种室外环境参数为输出数据、且以所述训练样本中与该每种室外环境参数相关联的特征参数为输入数据,对所述训练模型进行测试,得到测试结果;
根据预设的评价指标,基于所述测试结果对所述训练模型进行评估,得到评估结果;
根据所述评估结果,对所述训练模型进行优化调整,得到优化模型,将所述优化模型作为所需要的预测模型。
4.根据权利要求3所述的空调的控制方法,其特征在于,对所述空调的整合室外环境数据进行预处理,得到预处理室外环境数据,记为所述空调的预处理室外环境数据,包括:
对所述空调的整合室外环境数据进行去除异常值处理、填补缺失值处理、格式转换和标准化处理、数据去重处理中的至少一种处理,得到预处理室外环境数据,记为所述空调的预处理室外环境数据。
5.根据权利要求3所述的空调的控制方法,其特征在于,自所述空调的预处理室外环境数据中,针对所述空调的运行环境参数中的每种室外环境参数,提取影响所述每种室外环境参数的特征参数,作为与所述每种室外环境参数相关联的关联特征参数,包括:
自所述空调的预处理室外环境数据中,针对所述空调的运行环境参数中的每种室外环境参数,提取影响所述每种室外环境参数的特征数据;提取到的影响所述每种室外环境参数的特征数据,包括:时间特征数据、地点特征数据、以及气象特征数据中的至少之一;
对提取到的影响所述每种室外环境参数的特征数据进行归一化或标准化处理,得到标准参数,记为影响所述每种室外环境参数的特征参数,作为与所述每种室外环境参数相关联的关联特征参数。
6.根据权利要求1至5中任一项所述的空调的控制方法,其特征在于,基于所述空调的当前室外环境数据中所述空调的当前室外环境参数,利用所述预测模型进行预测,得到所述空调所在环境的未来一段时间内的室外环境参数,包括:
将所述空调的当前室外环境数据中所述空调的当前室外环境参数作为输入数据,输入至所述预测模型中,以得到所述预测模型的输出数据;
将所述预测模型的输出数据,作为所述空调所在环境的未来一段时间内的室外环境参数。
7.根据权利要求1至6中任一项所述的空调的控制方法,其特征在于,所述空调的运行参数,包括以下至少之一:运行模式、目标温度、目标湿度、有空气净化***时所述空气净化***的启闭、有空气净化***时所述空气净化***开启情况下的运行强度、有窗户联动控制时所述窗户的启闭中的至少之一;
根据所述空调所在环境的未来一段时间内的室外环境参数,调节所述空调的运行参数,以实现通过对所述空调的运行过程的提前控制,对所述空调所在环境的室内环境参数进行提前调节,包括:
在未接收到所述空调的使用者的控制需求的情况下,根据所述空调所在环境的未来一段时间内的室外环境参数,并结合所述空调所在环境的室内人员密集度和/或室内人员活动程度,调节所述空调的运行参数,以实现通过对所述空调的运行过程的提前控制,对所述空调所在环境的室内环境参数进行提前调节;
在已接收到所述空调的使用者的控制需求的情况下,根据所述空调的使用者的控制需求,并结合所述空调所在环境的未来一段时间内的室外环境参数,调节所述空调的运行参数,以实现通过对所述空调的运行过程的提前控制,对所述空调所在环境的室内环境参数进行提前调节。
8.一种空调的控制装置,其特征在于,包括:
获取单元,被配置为收集所述空调所在环境的历史室外环境数据,记为所述空调的历史室外环境数据;并获取所述空调所在环境的当前室外环境数据,记为所述空调的当前室外环境数据;
控制单元,被配置为基于所述空调的历史室外环境数据和所述空调的当前室外环境数据,利用预设的神经网络模型进行训练,得到预测模型;其中,所述预测模型,是能够基于所述空调的当前室外环境数据中所述空调的当前室外环境参数,预测所述空调所在环境的未来一段时间内的室外环境参数的模型;
所述控制单元,还被配置为基于所述空调的当前室外环境数据中所述空调的当前室外环境参数,利用所述预测模型进行预测,得到所述空调所在环境的未来一段时间内的室外环境参数;其中,所述空调的当前室外环境参数,是所述空调的当前室外环境数据中的至少部分室外环境数据;
所述控制单元,还被配置为根据所述空调所在环境的未来一段时间内的室外环境参数,调节所述空调的运行参数,以实现通过对所述空调的运行过程的提前控制,对所述空调所在环境的室内环境参数进行提前调节。
9.一种空调,其特征在于,包括:如权利要求8所述的空调的控制装置。
10.一种存储介质,其特征在于,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在设备执行权利要求1至7中任一项所述的空调的控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311172674.5A CN117267905A (zh) | 2023-09-12 | 2023-09-12 | 一种空调的控制方法、装置、空调和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311172674.5A CN117267905A (zh) | 2023-09-12 | 2023-09-12 | 一种空调的控制方法、装置、空调和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117267905A true CN117267905A (zh) | 2023-12-22 |
Family
ID=89209757
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311172674.5A Pending CN117267905A (zh) | 2023-09-12 | 2023-09-12 | 一种空调的控制方法、装置、空调和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117267905A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117870122A (zh) * | 2024-02-19 | 2024-04-12 | 苏州曼凯***集成科技有限公司 | 一种暖通设备控制***、控制方法、控制装置和存储介质 |
-
2023
- 2023-09-12 CN CN202311172674.5A patent/CN117267905A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117870122A (zh) * | 2024-02-19 | 2024-04-12 | 苏州曼凯***集成科技有限公司 | 一种暖通设备控制***、控制方法、控制装置和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chang et al. | An LSTM-based aggregated model for air pollution forecasting | |
Ayoub | A review on machine learning algorithms to predict daylighting inside buildings | |
CN110363347B (zh) | 基于决策树索引的神经网络预测空气质量的方法 | |
US11288757B2 (en) | Method and system for generating a building energy model for a client building | |
US20230118851A1 (en) | Artificially intelligent irrigation system | |
CN110119845A (zh) | 一种轨道交通客流预测的应用方法 | |
CN117787658B (zh) | 一种基于灌区的河水流量异常条件下水资源调度*** | |
CN109376906B (zh) | 基于多维度轨迹的出行时间预测方法、***及电子设备 | |
Liu et al. | Air pollution prediction based on factory-aware attentional LSTM neural network | |
CN117267905A (zh) | 一种空调的控制方法、装置、空调和存储介质 | |
Farooque et al. | Forecasting daily evapotranspiration using artificial neural networks for sustainable irrigation scheduling | |
CN110555551A (zh) | 一种智慧城市的空气质量大数据管理方法及*** | |
Kalajdjieski et al. | Smart city air pollution monitoring and prediction: A case study of skopje | |
CN117236199A (zh) | 城市水网区域河湖水质提升与水安全保障方法及*** | |
CN115629160A (zh) | 一种基于时空图的空气污染物浓度预测方法及*** | |
US20210056410A1 (en) | Sensor data forecasting system for urban environment | |
CN117370813A (zh) | 一种基于k线模式匹配算法的大气污染深度学习预测方法 | |
CN114912169B (zh) | 基于多源信息融合的工业建筑供热自主优化调控方法 | |
Zhang | Remote sensing data processing of urban land using based on artificial neural network | |
Li et al. | Spatial interpolation of weather variables for single locations using artificial neural networks | |
CN113688506A (zh) | 基于微站等多维数据的潜在大气污染源识别方法 | |
Leu et al. | Air pollution source identification by using neural network with Bayesian optimization | |
Balamurugan et al. | Implementation of Effective Rainfall Forecast Model using Machine Learning | |
Xie et al. | Short Term Traffic Flow Prediction Method based on Fuzzy Clustering Algorithm | |
CN118365091A (zh) | 基于大数据分析的智能城市规划***及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |