CN104748305B - 空调的开关状态的识别方法及系统及估算方法及系统 - Google Patents

空调的开关状态的识别方法及系统及估算方法及系统 Download PDF

Info

Publication number
CN104748305B
CN104748305B CN201510122860.7A CN201510122860A CN104748305B CN 104748305 B CN104748305 B CN 104748305B CN 201510122860 A CN201510122860 A CN 201510122860A CN 104748305 B CN104748305 B CN 104748305B
Authority
CN
China
Prior art keywords
conditioning
sample
air
state
data
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.)
Active
Application number
CN201510122860.7A
Other languages
English (en)
Other versions
CN104748305A (zh
Inventor
周浩
乔利锋
柴大权
周翔
张永名
李颖
姜漪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
ZHILIANTONG ARCHITECTURE TECHNOLOGY (BEIJING) Co Ltd
Original Assignee
ZHILIANTONG ARCHITECTURE TECHNOLOGY (BEIJING) Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by ZHILIANTONG ARCHITECTURE TECHNOLOGY (BEIJING) Co Ltd filed Critical ZHILIANTONG ARCHITECTURE TECHNOLOGY (BEIJING) Co Ltd
Priority to CN201510122860.7A priority Critical patent/CN104748305B/zh
Publication of CN104748305A publication Critical patent/CN104748305A/zh
Application granted granted Critical
Publication of CN104748305B publication Critical patent/CN104748305B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2110/00—Control inputs relating to air properties

Abstract

本发明提出一种空调的开关状态的识别方法，包括以下步骤：S11，采集样本数据；S12，对样本数据进行预处理滤除异常样本，以获取预处理后的样本，并将预处理后的样本划分为训练集和测试集；S13，对训练集进行特征项选择以获取特征项；S14，对特征项进行处理，以获取空调的开关状态的识别规则，识别规则包括温湿度区间及对应的空调的开关状态；以及S15，利用测试集对识别规则进行测试，并获取测试结果；以及S16，判断测试结果是否大于预设阈值，若是，则将识别规则作为识别结果，若否，则重复执行S13～S16直至样本数据测试结束。本发明的方法准确度高，实时性好，高效便捷。本发明还提出一种空调的开关状态的识别系统及估算方法及系统。

Description

空调的开关状态的识别方法及系统及估算方法及系统
技术领域
本发明涉及智能家居技术领域，尤其涉及一种空调的开关状态的识别方法及系统及估算方法及系统。
背景技术
传统的收集建筑内空调运行及温湿度信息的方法主要是通过记录用户日常行为和大范围的问卷调查统计来进行温湿度测量。长期不断的记录空调运行状态的行为会让受试用户感觉枯燥乏味，且会增加其工作负担。大范围的实地问卷调查一方面无法经常性进行，另一方面难以将空调运行的统计信息与实时的环境数据联系起来。
近年来，随着传感、通信、计算等技术的发展及智能家居等概念的流行，用于室内环境监测和空调开关状态控制的建筑无线监测网络逐渐兴起。国内外已有大量的研究人员在尝试通过室内外环境参数的长时间监测结果来分析与总结室内人员状态与室内环境变化之间的规律，如Raatikainen等人通过室内外温湿度、压差、CO2浓度变化等特征推断室内是否有人、空调是否开启。Dong等和Page等根据室内CO2的变化特征、小区域内的代谢产热率与污染物浓度、推断人员的出勤率以及人员的活动区域分布。Yun等和Page等根据温度等变化推测人员的开窗活动等。但是，这些研究均属于控制环境下的实验研究，监测的数据量少，没有形成能够用于真实环境中长期数据监测与行为信息收集的体系。真实环境中用户的自主性与开、关空调行为的随机性，给室内温湿度数据与空调开关行为信息的长期、大范围收集带来了挑战。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本发明第一方面目的在于提出一种具有智能、高效的空调的开关状态的识别方法。
本发明第二方面目的在于提出一种空调的开关状态的识别系统。
本发明第三方面目的在于提出一种空调的开关状态的识别方法。
本发明第四方面目的在于提出一种空调的开关状态的识别系统。
本发明第五方面目的在于提出一种空调的开关状态的估算方法。
本发明第六方面目的在于提出一种空调的开关状态的估算系统。
为了实现上述目的，本发明第一方面实施例的空调的开关状态识别方法，包括以下步骤：S11，采集样本数据，所述样本数据包括温湿度数据及与该温湿度数据对应时刻的空调的开关状态；S12，对所述样本数据进行预处理滤除异常样本，以获取预处理后的样本，并将所述预处理后的样本划分为训练集和测试集；S13，对所述训练集进行特征项选择以获取特征项；S14，对所述特征项进行处理，以获取所述空调的开关状态的识别规则，所述识别规则包括温湿度区间及对应的所述空调的开关状态；S15，利用所述测试集对所述识别规则进行测试，并获取测试结果；以及S16，判断所述测试结果是否大于预设阈值，若是，则将所述识别规则作为所述空调的开关状态的识别结果，输出所述识别结果，若否，则重复执行S13～S16直至所述样本数据测试结束。
根据本发明实施例的空调的开关状态的识别方法，通过大范围的实时测量室内温湿度数据和收集开关空调等的行为信息采集样本数据，克服长期行为记录的不便、大范围数据收集的高费用等挑战。此外通过对样本数据进行预处理获取训练集和测试集，并对训练集进行特征项选择，训练出温湿度数据与空调的开关状态的识别规则，同时利用测试集对识别规则进行测试，以获取高正确率的识别结果。
在一些示例中，所述步骤S12采用样本间距的方式滤除异常样本。
在一些示例中，所述步骤S13根据所述温湿度数据与所述空调的开关状态的相对信息增益量获取所述特征项。
在一些示例中，所述步骤S14利用贝叶斯网络或人工神经网络结构获取所述识别规则。
本发明第二方面实施例的空调的开关状态识别系统，包括：采集模块，用于采集样本数据，所述样本数据包括温湿度数据及与该温湿度数据对应时刻的空调的开关状态；预处理模块，用于对所述样本数据进行预处理滤除异常样本，以获取预处理后的样本，并将所述预处理后的样本划分为训练集和测试集；特征选取模块，用于对所述训练集进行特征项选择以获取特征项；识别模块，用于对所述特征项进行处理，以获取所述空调开关状态的识别规则，所述识别规则包括温湿度区间及对应的所述空调的开关状态；以及判断模块，用于利用所述测试集对所述识别规则进行测试，并获取测试结果，判断所述测试结果是否大于预设阈值，若是，则将所述识别规则作为所述空调的开关状态的识别结果，输出所述识别结果。
根据本发明实施例的空调的开关状态的识别系统，采集模块通过大范围的实时测量室内温湿度数据和收集开关空调等的行为信息采集样本数据，克服长期行为记录的不便、大范围数据收集的高费用等挑战。此外预处理模块通过对样本数据进行预处理获取训练集和测试集，特征项选择模块对训练集进行特征项选择后，识别模块训练出温湿度数据与空调的开关状态的识别规则，同时判断模块利用测试集对识别规则进行测试，以获取高正确率的识别结果。
在一些示例中，所述预处理模块用于采用样本间距的方式滤除异常样本。
在一些示例中，所述特征选取模块用于根据所述温湿度数据与所述空调的开关状态的相对信息增益量获取所述特征项。
在一些示例中，所述识别模块用于利用贝叶斯网络或人工神经网络结构获取所述识别规则。
本发明第三方面实施例的空调的开关状态的识别方法，包括以下步骤：S21，获取第一预定样本容量的第一样本数据，所述第一样本数据包括温湿度数据及该温湿度数据对应的空调的开关状态；S22，获取第二预定样本容量的第二样本数据，从所述第一样本数据中删除与所述第二预定样本容量数目相同的第一样本数据并获取删除后的第一样本数据，并将所述第二样本数据加入所述删除后的第一样本数据中，以得到更新后的第一样本数据，所述第二样本数据包括温湿度数据及该温湿度数据对应的空调的开关状态，第二预定样本容量小于所述第一预定样本容量；S23，建立所述更新后的第一样本数据的所述温湿度数据与所述空调的开关状态的识别规则，所述识别规则包括温湿度区间及对应的所述空调的开关状态；S24输出所述温湿度数据与所述空调的开关状态的识别规则。
根据本发明实施例的空调的开关状态的识别方法，通过采集样本，并利用新样本替代历史样本的方法，直接根据样本数据中呈现的温湿度数据与空调的开关状态之间的内在规律，获取温湿度数据对应的空调的开关状态。本发明实施例的方法未利用时间变量，因而更具有抗时变性。
本发明第四方面实施例的空调的开关状态识别系统，包括：第一采集模块，用于采集第一预定样本容量的第一样本数据，所述第一样本数据包括温湿度数据及对应的空调的开关状态；第二采集模块，用于继续获取第二预定样本容量的第二样本数据；处理模块，用于从所述第一样本数据中删除与所述第二预定样本容量数目相同的第一样本数据获取删除后的第一样本数据，并将所述第二样本数据加入所述删除后的第一样本数据中，以得到更新后的第一样本数据，并建立所述更新后的第一样本数据的所述温湿度数据与所述空调的开关状态的识别规则，所述识别规则包括温湿度区间及其对应的所述空调的开关状态，所述第二样本数据包括温湿度数据及与该温湿度数据对应的空调的开关状态，第二预定样本容量小于所述第一预定样本容量。
根据本发明实施例的空调的开关状态的识别系统，通过第一采集模块采集样本，并利用第二采集模块采集的新样本替代历史样本的方法，处理模块直接根据样本数据中呈现的温湿度数据与空调的开关状态之间的内在规律，获取温湿度数据对应的空调的开关状态。本发明实施例的方法未利用时间变量，因而更具有抗时变性。
本发明第五方面的实施例中提出一种空调开关状态的估算方法，包括以下步骤：S1，采集当前环境的温湿度信息；S2，将所述温湿度信息与设定的索引表比对，以得到所述温湿度信息落入的温湿度区间，所述索引表存储有所述温湿度区间及对应的所述空调的开关状态；以及S3，获取所述温湿度信息所对应的所述空调的开关状态。
根据本发明实施例的空调开关状态的估算方法，将采集的当前环境的温湿度信息与索引表比对，以获取温湿度信息落入的索引表的温湿度区间从而确定空调的开关状态，实时性好，准确率高。
在一些示例中，所述方法还包括：输出并显示所述的温湿度信息及其对应的所述空调的开关状态。
本发明第六方面实施例的空调的开关状态的估算系统，包括：采集单元，用于采集当前环境的温湿度信息；存储单元，所述存储单元存储有设定的索引表，所述索引表存储有所述温湿度区间及其对应的所述空调的开关状态；以及处理器，用于将所述温湿度信息与所述存储单元的索引表比对以确定所述温湿度信息落入的温湿度区间，从而获取所述温湿度信息所对应的所述空调的开关状态。
根据本发明实施例的空调开关状态的估算系统，将采集的当前环境的温湿度信息与索引表比对，以获取温湿度信息落入的索引表的温湿度区间从而确定空调的开关状态，实时性好，准确率高。
在一些示例中，所述系统还包括：显示单元，用于显示所述的温湿度信息及其对应的所述空调的开关状态。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
图1是根据本发明一个实施例的空调的开关状态的识别方法的流程图；
图2是本发明实施例的样本数据示意图；
图3是本发明一个实施例的贝叶斯网络拓扑结构及识别规则示意图；
图4是本发明一个实施例的人工神经网络拓扑结构及识别规则示意图；
图5是图3所示实施例的训练集与测试集的识别结果与真实记录的对比图；
图6是图4所示实施例的训练集与测试集的识别结果与真实记录的对比图；
图7是根据本发明一个实施例的空调的开关状态的识别系统的结构框图；
图8是根据本发明一个实施例的空调的开关状态的识别方法的流程图；
图9是根据本发明一个实施例的空调的开关状态的识别系统的结构框图；
图10是根据本发明一个实施例的空调的开关状态的估算方法的流程图；和
图11是根据本发明一个实施例的空调的开关状态的估算系统的结构框图。
具体实施方式
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
如图1的根据本发明一个实施例的空调的开关状态的识别方法的流程图所示，本发明第一方面实施例的空调的开关状态的识别方法，包括以下步骤：
S11，采集样本数据，样本数据包括温湿度数据及与该温湿度数据对应时刻的空调的开关状态；
S12，对样本数据进行预处理滤除异常样本，以获取预处理后的样本，并将预处理后的样本划分为训练集和测试集；
S13，对训练集进行特征项选择以获取特征项；
S14，对特征项进行处理，以获取空调开关状态的识别规则，识别规则包括温湿度区间及对应的空调的开关状态；以及
S15，利用测试集对识别规则进行测试，并获取测试结果，
S16，判断测试结果是否大于预设阈值，若是，则将识别规则作为空调的开关状态的识别结果，输出识别结果，若否，则重复执行S13～S16直至样本数据测试结束。
具体的实现过程描述如下：
步骤S11，采集样本数据。
具体的，如图2所示，样本数据包括温湿度数据及该温湿度数据对应时刻的空调的开关状态。在本发明的一个实施例中，采用室内环境参数温湿度测量传感器测量不同时刻的温湿度数据，该室内环境参数温湿度测量传感器可以是一种或多种环境参数测量温湿度传感器以及其组合，能够对各类型的房间的空气温度和相对湿度进行测量。该温度/湿度传感器具有一定的数据存储能力或者通信接口，既可以在本地存储温湿度监测数据并提供读取接口，也可以通过多种通信渠道，如总线、以太网、互联网等形式将数据传输至存储设备进行处理。
由于空调在“Off”和“On”不同状态时，室内空气温度和相对湿度的变化规律是不相同的：当空调处于“Off”状态时，空气温度和相对湿度主要受室外气候和室内热湿源的影响，呈现渐变趋势，且温度和相对湿度两参数相互耦合，呈现出“温度较高时，相对湿度较低；温度较低时，相对湿度较高”的特征。当空调处于“On”状态时，在空调的冷却、除湿的综合作用下，温度和相对湿度的耦合作用被打破，两者同时处于较低水平。当空调状态从“Off”到“On”状态突变时(开空调动作)或从“On”到“Off”突变时(关空调动作)，温度和相对湿度会同时迅速下降或上升，变化特征非常明显。受试房间越小、密闭性越好，这些特征越明显。正是这些环境参数与空调行为的内在联系，使得该本发明实施例的识别方法能仅仅通过环境监测数据的变化规律来估算出空调的开关状态。
用户(受试者)通过人机交互接口，记录每次日常开关空调的行为及时间，不需像传统纸质记录那样输入开关时间，代之以“On”或“Off”等简单的描述。一种可能的方式为人机界面含有空调“On”和“Off”按钮，用户在开关空调的时刻可以按对应按钮进行表达，同时人机交互接口能够自动抓取按钮动作的时间。该人机交互接口，可以是电脑上的一个设计好的信息采集表格，也可以是手机或电脑上的一个APP或网页，拥有数据存储能力或者通信接口。用户只需在开启和关闭空调时刻记录“On”或“Off”，该记录过程只需持续1-2个星期，用于形成一定容量的样本数据。人机交互接口既可以在本地存储用户记录信息并提供读取接口，也可以以总线、以太网、互联网等传输形式收集到相应的计算机、服务器等存储器和处理器中存储并处理。
例如，收集某个用户的一定容量的样本数据。该样本数据包括温湿度数据和对应时刻的空调的开关状态。其中，温湿度数据可用xi＝(ti，rhi)表示，ti和rhi分别表示第i个样本的温度和相对湿度。空调开关状态可用AC＝y表示，当空调“On”时，y＝1；“Off”时，y＝0。
步骤S12，对样本数据进行预处理滤除异常样本，以获取预处理后的样本，并将预处理后的样本划分为训练集和测试集。
对步骤S11收集到的样本进行异常样本检测与剔除。由于是高采样频率监测，数据采集过程中可能会出现短暂断电、断网或受特殊情况干扰等现象，利用一些现有的异常监测方法对异常数据进行检测与剔除是必要的。现有的异常检测方法，如基于样本密度、基于样本距离、k邻居等方法。
在本发明的一个实施例中，以基于样本间距的方法为例，定义样本数据xi，xj间的距离为:
其中如果样本xi满足以下条件：
则认为该样本异常。
其中，Lt和Lrh分别为温度和相对湿度在样本空间中的变化范围。如果样本xi满足以下条件：
则判定该样本数据异常。例如，取d＝1，M＝576≈m/2，m为该类样本总数。根据本发明实施例的方法在本例中检测到的异常样本量为0。
对样本数据进行预处理滤除异常样本，以获取预处理后的样本，并将预处理后的样本划分为训练集和测试集。
步骤S13，对训练集进行特征项选择以获取特征项。
在本发明的一个示例中，根据温湿度数据与空调的开关状态的相对信息增益量获取特征项。利用基于信息理论的相对信息增益(RIG)计算温湿度数据相关的各变量所能提供的信息量。如果空调的开关状态为事件Y，温湿度数据的相关变量为信息X，则X对Y的相对信息增益RIG(Y,X)的计算公式如下：
其中，H(Y)为事件Y的信息熵。H(Y|X)为事件Y在给定信息X时的条件熵，二者定义分别如下：
其中，p(yi)为Y＝yi时的概率，H(Y|xj)为当X＝xj时事件Y的条件熵。
在本发明的一个示例中，各特征量的特征组合中的最佳组合及其相应的相对信息增益、分组节点如表1所示。Temp_Raw为温度原始值，RH_Raw为相对湿度原始值，Temp_Fa_30m为温度在前30分钟内的平均值，Temp_FD为温度的向前一阶差分值。根据计算结果，最终选择组合Temp_Raw，Temp_Fa_30m，RH_Raw和Temp_FD作为本发明实施例方法的特征项。
表1
利用基于信息理论的相对信息增益计算环境参数相关的各变量所能提供的信息量。由于温湿度的变化过程包含了绝对值和变化率相关量的变化，为了对这些信息进行精简与分组，减少算法的工作量、提高准确率，进行特征选择分析是有必要的。变量的相对信息增益值越高，与空调开关状态信息的相关性越大。
步骤S14，对特征项进行处理，以获取空调的开关状态的识别规则，识别规则包括温湿度区间及对应的空调的开关状态。
本发明的一个示例中，采用贝叶斯网络实现空调的开关状态识别。识别的训练与测试的目的是输出空调的开关状态的识别规则，识别规则的形式因算法类型而异，可以是数学表达式或是网络拓扑结构，甚至是计算机语句等。训练与测试过程可以根据识别规则的原理自行编制计算脚本或软件进行，也可以利用Matlab中的工具箱进行。图3为本例中贝叶斯网络的拓扑结构及空调的开关状态识别规则。
表2为本例中贝叶斯网络所输出的基于温湿度数据的空调的开关状态的识别规则。以规则1为例，当温度和相对湿度的相关变量满足：Temp_Raw<＝30.5℃，Temp_Fa_30m<＝29.0℃，RH_Raw<＝63.1％且Temp_FD<＝0.67时，认为此时的空调为“On”状态。即可作为根据实时监测数据进行识别的空调的开关状态。
进一步地，对本发明实施例的空调的开关状态进行识别的方法，针对室内温湿度随季节、天气可能存在的变化，采集的样本可以根据时间进行阶段性更新。可以定期将历史样本数据从样本集合中剔除，将最新的样本加入样本集合，按照上述的方法对新样本集合进行处理得到更新后的识别规则。
表2基于温湿度数据的空调的开关状态的识别规则
在本发明的另一个示例中，采用了人工神经网络的算法来识别空调的开关状态。图4为该示例的人工神经网络结构及识别规则。图中，分别表示Temp_Raw、Temp_Fa_30m、RH_Raw和Temp_FD到各个神经元(Neuron1～Neuron5)的值。W＝(ω1,ω2,ω3,ω4,ω5)＝[93.13 -118.70 -116.68 -32.65 71.82]，表示各个神经元(Neuron1～Neuron5)到空调状态(空调的开关状态)的权重。由于人工神经网络是一种网络状非线性拟合方法，识别过程即是求取各神经元之间的权重，得到的网络即是识别规则。进行实时识别时，即将实时环境监测数据的特征变量作为网络的输入项，网络的输出即是识别的空调的开关状态。
步骤S15，利用测试集对识别规则进行测试，并获取测试结果。
利用步骤S12获取的测试集对识别规则进行测试，并获取测试结果。
步骤S16，判断测试结果是否大于预设阈值，若是，则将识别规则作为空调的开关状态的识别结果，输出识别结果，若否，则重复执行S13～S16直至样本数据测试结束。
在本发明的一个示例中，若测试结果(识别准确率)大于或等于90％，则判定该识别规则可以接受，即该识别规则可以作为空调的开关状态的识别结果。若测试结果(识别准确率)小于90％，则重新进行特征项选择分析，改变特征变量或增加特征项中变量数。重复执行步骤S13～S16直至步骤S11获取的样本数据测试结束。
图5和图6分别为贝叶斯网络(图3所示)和人工神经网络(图4所示)在训练集及测试集的识别结果与真实记录的对比。
根据本发明实施例的空调的开关状态的识别方法，通过大范围的实时测量室内温湿度数据和收集空调的开关等的行为信息采集样本数据，克服长期行为记录的不便、大范围数据收集的高费用等挑战。此外通过对样本数据进行预处理获取训练集和测试集，并对训练集进行特征项选择，训练出温湿度数据与空调的开关状态的识别规则，同时利用测试集对识别规则进行测试，以获取的高正确率的识别结果。
如图7所示，本发明第二方面实施例的空调的开关状态的识别系统100包括：采集模块101、预处理模块102、特征选取模块103、识别模块104和判断模块105。
采集模块101用于采集样本数据，样本数据包括温湿度数据及该温湿度数据对应时刻的空调的开关状态。预处理模块102用于对样本数据进行预处理滤除异常样本，以获取预处理后的样本，并将预处理后的样本划分为训练集和测试集。特征选取模块103用于对训练集进行特征项选择以获取特征项。识别模块104用于对特征项进行处理，以获取空调的开关状态的识别规则，识别规则包括温湿度区间及对应的空调的开关状态。判断模块105用于利用测试集对识别规则进行测试，并获取测试结果，判断测试结果是否大于预设阈值，若是，则将识别规则作为空调的开关状态的识别结果，输出识别结果。
需要说明的是，本发明第二方面实施例的空调的开关状态的识别系统的具体实现方式与本发明第一方面实施例的空调的开关状态的识别方法部分的具体实现方式类似，请参见方法部分的描述，为了减少冗余，此处不做赘述。
根据本发明实施例的空调的开关状态的识别系统，采集模块通过大范围的实时测量室内温湿度数据和收集开关空调等的行为信息采集样本数据，克服长期行为记录的不便、大范围数据收集的高费用等挑战。此外预处理模块通过对样本数据进行预处理获取训练集和测试集，特征项选择模块对训练集进行特征项选择后，识别模块训练出温湿度数据与空调的开关状态的识别规则，同时判断模块利用测试集对识别规则进行测试，以获取高正确率的识别结果。
本发明第三方面实施例的空调的开关状态的识别方法，如图8所示，包括以下步骤：
S21，获取第一预定样本容量的第一样本数据，第一样本数据包括温湿度数据及对应的空调的开关状态；
S22，获取第二预定样本容量的第二样本数据，从第一样本数据中删除与第二预定样本容量数目相同的第一样本数据获取删除后的第一样本数据，并将第二样本数据加入删除后的第一样本数据中，以得到更新后的第一样本数据，第二预定样本容量小于第一预定样本容量；
S23，建立更新后的第一样本数据的温湿度数据与空调的开关状态的识别规则；
S24，输出温湿度数据与空调的开关状态的识别规则。具体的实现过程如下：
步骤S21，获取第一预定样本容量的第一样本数据，第一样本数据包括温湿度数据及对应的空调的开关状态。
用户(受试者)通过人机交互接口，记录每次日常开关空调行为及时间，不需像传统纸质记录那样输入开关时间，代之以“On”或“Off”等简单的描述。一种可能的方式为人机界面含有空调“On”和“Off”按钮，用户在开关空调时刻可以按对应按钮进行表达，同时人机交互接口能够自动抓取按钮动作的时间。该人机交互接口，可以是电脑上的一个设计好的信息采集表格，也可以是手机或电脑上的一个APP或网页，拥有数据存储能力或者通信接口。用户只需在开启和关闭空调时刻记录“On”或“Off”，该记录过程只需持续1-2个星期，用于形成一定容量的样本数据。人机交互接口既可以在本地存储用户记录信息并提供读取接口，也可以以总线、以太网、互联网等传输形式收集到相应的计算机、服务器等存储器和处理器中存储并处理。
S22，获取第二预定样本容量的第二样本数据，从第一样本数据中删除与第二预定样本容量数目相同的第一样本数据获取删除后的第一样本数据，并将第二样本数据加入删除后的第一样本数据中，以得到更新后的第一样本数据，第二样本数据也包括温湿度数据及对应的空调的开关状态，第二预定样本容量小于第一预定样本容量。
例如，在获取用户最新的学习样本后，将新近样本加入学习样本集合，同时将样本集合中历史最久的等量样本删除，得到新近的算法学习样本集合。
步骤S23，建立更新后的第一样本数据的温湿度数据与空调的开关状态的识别规则，识别规则包括温湿度区间及其对应的空调的开关状态。
S24，输出温湿度数据与空调的开关状态的识别规则。
根据本发明实施例的空调的开关状态的识别方法，通过采集样本，并利用新样本替代历史样本的方法，直接根据样本数据中呈现的温湿度数据与空调的开关状态之间的内在规律，获取温湿度数据对应的空调的开关状态。本发明实施例的方法未利用时间变量，因而更具有抗时变性。
如图9所示，本发明第四方面实施例的空调的开关状态的识别系统200包括：第一采集模块201、第二采集模块202和处理模块203。
第一采集模块201用于采集第一预定样本容量的第一样本数据，第一样本数据包括温湿度数据及对应的空调的开关状态。第二采集模块202用于继续获取第二预定样本容量的第二样本数据。处理模块203用于从第一样本数据中删除与第二预定样本容量数目相同的第一样本数据获取删除后的第一样本数据，并将第二样本数据加入删除后的第一样本数据中，以得到更新后的第一样本数据，并建立更新后的第一样本数据的温湿度数据与空调的开关状态的识别规则，第二预定样本容量小于第一预定样本容量。
根据本发明实施例的空调的开关状态的识别系统，通过第一采集模块采集样本，并利用第二采集模块采集的新样本替代历史样本的方法，处理模块直接根据样本数据中呈现的温湿度数据与空调的开关状态之间的内在规律，获取温湿度数据对应的空调的开关状态。本发明实施例的方法未利用时间变量，因而更具有抗时变性。
需要说明的是，本发明第四方面实施例的空调的开关状态的识别系统的具体实现方式与本发明第三方面实施例的空调的开关状态的识别方法部分的具体实现方式类似，请参见方法部分的描述，为了减少冗余，此处不做赘述。
如图10所示，本发明第五方面实施例的空调的开关状态的估算方法包括以下步骤：
S1，采集当前环境的温湿度信息；
S2，将温湿度信息与设定的索引表比对，以得到温湿度信息落入的温湿度区间，索引表存储有温湿度区间及其对应的空调的开关状态；以及
S3，获取温湿度信息所对应的空调的开关状态。
具体的实现过程如下：
步骤S1，采集当前环境的温湿度信息。
在本发明的一个实施例中，采用室内环境参数温湿度测量传感器测量不同时刻的温湿度数据，即当前环境的温度数据和相对湿度数据。该室内环境参数温湿度测量传感器可以是一种或多种温湿度传感器以及其组合，能够对各类型的房间的温湿度温度和相对湿度进行测量。该温湿度测量传感器具有一定的数据存储能力或者通信接口，既可以在本地存储温湿度监测数据并提供读取接口，也可以通过多种通信渠道，如总线、以太网、互联网等形式将数据传输至存储设备进行处理。
步骤S2，将温湿度信息与设定的索引表比对，以得到温湿度信息落入的温湿度区间。
在本发明的一个示例中，索引表存储有温湿度区间及对应的空调的开关状态。索引表可以通过本发明第一方面实施例或第三方面实施例的空调的开关状态的识别方法获得，具体的实现方法参考相应部分，这里不再赘述。
步骤S3，获取温湿度信息所对应的空调的开关状态。
根据步骤S2可知步骤S1测得的当前的温湿度信息落入的温湿度区间，通过索引表获取温湿度区间对应的空调的开关状态。
进一步的，本发明实施例的空调的开关状态的估算方法，还包括：
步骤S4，输出并显示的温湿度信息及其对应的空调的开关状态。
具体的，可以通过多种方式进行输出。室内环境的温湿度数据及对应的空调的开关状态的时间序列可以通过数据库等媒介保存并以多种形式输出，可以是数学方程或不等式、表格、图形等。保存的数据可以提供给建筑热舒适、能耗分析等软件系统，进行日常生活中室内热舒适、能耗分析等研究工作。同时保存的室内环境的温湿度数据及对应的空调的开关状态的时间序列相关的数据也可以用于独立的热舒适偏好、空调能耗的测量与分析。
根据本发明实施例的空调的开关状态的估算方法，将采集的当前环境的温湿度信息与索引表比对，以获取温湿度信息落入的索引表的温湿度区间从而确定空调的开关状态，实时性，准确率高。
如图11所示，本发明第六方面实施例的空调的开关状态的估算系统10包括：采集单元12、存储单元14和处理器16。
采集单元12用于采集当前环境的温湿度信息。存储单元14存储有索引表，索引表存储有温湿度区间及其对应的空调的开关状态。处理器16用于将温湿度信息与存储单元14的索引表比对以确定温湿度信息落入的温湿度区间，从而获取温湿度信息所对应的空调的开关状态。
进一步的，本发明实施例的空调的开关状态的估算系统还包括显示单元18。显示单元18用于显示的温湿度信息及其对应的空调的开关状态。
根据本发明实施例的空调开关状态的估算系统，将采集的当前环境的温湿度信息与索引表比对，以获取温湿信息落入的索引表的温湿度区间从而确定空调的开关状态，实时性，准确率高。
需要说明的是，本发明第六方面实施例的空调的开关状态的估算系统的具体实现方式与本发明第五方面实施例的空调的开关状态的估算方法部分的具体实现方式类似，请参见方法部分的描述，为了减少冗余，此处不做赘述。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种空调的开关状态的识别方法，其特征在于，包括以下步骤：
S11，采集样本数据，所述样本数据包括温湿度数据及与该温湿度数据对应时刻的空调的开关状态；
S12，对所述样本数据进行预处理滤除异常样本，以获取预处理后的样本，并将所述预处理后的样本划分为训练集和测试集；
S13，对所述训练集进行特征项选择以获取特征项；
S14，对所述特征项进行处理，以获取所述空调的开关状态的识别规则，所述识别规则包括温湿度区间及对应的所述空调的开关状态；
S15，利用所述测试集对所述识别规则进行测试，并获取测试结果；以及
S16，判断所述测试结果是否大于预设阈值，若是，则将所述识别规则作为所述空调的开关状态的识别结果，输出所述识别结果，若否，则重复执行S13～S16直至所述样本数据测试结束。
2.如权利要求1所述的识别方法，其特征在于，所述步骤S12采用样本间距的方式滤除异常样本。
3.如权利要求1所述的识别方法，其特征在于，所述步骤S13根据所述温湿度数据与所述空调的开关状态的相对信息增益量获取所述特征项。
4.如权利要求1所述的识别方法，其特征在于，所述步骤S14利用贝叶斯网络或人工神经网络结构获取所述识别规则。
5.一种空调的开关状态的识别系统，其特征在于，包括：
采集模块，用于采集样本数据，所述样本数据包括温湿度数据及与该温湿度数据对应时刻的空调的开关状态；
预处理模块，用于对所述样本数据进行预处理滤除异常样本，以获取预处理后的样本，并将所述预处理后的样本划分为训练集和测试集；
特征选取模块，用于对所述训练集进行特征项选择以获取特征项；
识别模块，用于对所述特征项进行处理，以获取所述空调的开关状态的识别规则，所述识别规则包括温湿度区间及对应的所述空调的开关状态；以及
判断模块，用于利用所述测试集对所述识别规则进行测试，并获取测试结果，判断所述测试结果是否大于预设阈值，若是，则将所述识别规则作为所述空调的开关状态的识别结果，输出所述识别结果。
6.如权利要求5所述的识别系统，其特征在于，所述预处理模块用于采用样本间距的方式滤除异常样本。
7.如权利要求5所述的识别系统，其特征在于，所述特征选取模块用于根据所述温湿度数据与所述空调的开关状态的相对信息增益量获取所述特征项。
8.如权利要求5所述的识别系统，其特征在于，所述识别模块用于利用贝叶斯网络或人工神经网络结构获取所述识别规则。
9.一种空调的开关状态的识别方法，其特征在于，包括以下步骤：
S21，获取第一预定样本容量的第一样本数据，所述第一样本数据包括温湿度数据及对应的空调的开关状态；
S22，获取第二预定样本容量的第二样本数据，从所述第一样本数据中删除与所述第二预定样本容量数目相同的第一样本数据并获取删除后的第一样本数据，并将所述第二样本数据加入所述删除后的第一样本数据中，以得到更新后的第一样本数据，所述第二样本数据包括温湿度数据及对应的空调的开关状态，所述第二预定样本容量小于所述第一预定样本容量；
S23，建立所述更新后的第一样本数据的所述温湿度数据与所述空调的开关状态的识别规则，所述识别规则包括温湿度区间及与该温湿度区间对应的所述空调的开关状态；
S24，输出所述温湿度数据与所述空调的开关状态的识别规则。
10.一种空调的开关状态的识别系统，其特征在于，包括：
第一采集模块，用于采集第一预定样本容量的第一样本数据，所述第一样本数据包括温湿度数据及对应的空调的开关状态；
第二采集模块，用于获取第二预定样本容量的第二样本数据；
处理模块，用于从所述第一样本数据中删除与所述第二预定样本容量数目相同的第一样本数据并获取删除后的第一样本数据，并将所述第二样本数据加入所述删除后的第一样本数据中，以得到更新后的第一样本数据，并建立所述更新后的第一样本数据的所述温湿度数据与所述空调的开关状态的识别规则，所述识别规则包括温湿度区间及其对应的所述空调的开关状态，所述第二样本数据包括温湿度数据及对应的空调的开关状态，所述第二预定样本容量小于所述第一预定样本容量。
CN201510122860.7A 2015-03-19 2015-03-19 空调的开关状态的识别方法及系统及估算方法及系统 Active CN104748305B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510122860.7A CN104748305B (zh) 2015-03-19 2015-03-19 空调的开关状态的识别方法及系统及估算方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510122860.7A CN104748305B (zh) 2015-03-19 2015-03-19 空调的开关状态的识别方法及系统及估算方法及系统

Publications (2)

Publication Number Publication Date
CN104748305A CN104748305A (zh) 2015-07-01
CN104748305B true CN104748305B (zh) 2018-03-30

Family

ID=53588378

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510122860.7A Active CN104748305B (zh) 2015-03-19 2015-03-19 空调的开关状态的识别方法及系统及估算方法及系统

Country Status (1)

Country Link
CN (1) CN104748305B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105068515B (zh) * 2015-07-16 2017-08-25 华南理工大学 一种基于自学习算法的智能家居设备语音控制方法
CN108036473B (zh) * 2017-11-30 2020-05-05 广东芬尼克兹节能设备有限公司 一种智能温湿度控制方法与装置
CN109376795A (zh) * 2018-11-19 2019-02-22 四川长虹电器股份有限公司 基于决策树分类算法的空调智能温控方法
CN112117665B (zh) * 2020-08-31 2022-12-27 国网安徽省电力有限公司六安供电公司 匹配开关柜组的除湿控制方法及系统
CN112432229B (zh) * 2020-11-16 2022-03-01 东南大学 一种基于室内湿源信息的hvac在线监控系统及控制方法
CN113654200A (zh) * 2021-07-29 2021-11-16 中国水利水电第六工程局有限公司 钢管生产车间温控系统
CN114322634A (zh) * 2021-12-29 2022-04-12 博锐尚格科技股份有限公司 一种制冷系统策略模型的数据筛选方法及装置
CN117091236B (zh) * 2023-10-16 2023-12-19 中国建筑科学研究院有限公司 一种暖通空调系统的控制方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102354206A (zh) * 2011-07-25 2012-02-15 山东建筑大学 物联网环境下基于数据融合的空调故障诊断系统及方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100223409B1 (ko) * 1997-07-29 1999-10-15 윤종용 에어컨 실외기의 성능 검사 제어방법
CN1179163C (zh) * 2002-12-03 2004-12-08 广东科龙电器股份有限公司 空调器的高温、高电压启／停试验方法
CN1277385C (zh) * 2004-08-03 2006-09-27 广东科龙电器股份有限公司 网络空调监控系统及方法
CN101655268A (zh) * 2008-08-22 2010-02-24 上海盈龙电子科技有限公司 UniMonitor环境动力监控系统及其实现方法
CN202002258U (zh) * 2010-11-15 2011-10-05 宝钢发展有限公司 一种智能空调机运行控制装置
CN103512146B (zh) * 2012-06-21 2016-02-24 珠海格力电器股份有限公司 空调控制方法及装置

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102354206A (zh) * 2011-07-25 2012-02-15 山东建筑大学 物联网环境下基于数据融合的空调故障诊断系统及方法

Also Published As

Publication number Publication date
CN104748305A (zh) 2015-07-01

Similar Documents

Publication Publication Date Title
CN104748305B (zh) 空调的开关状态的识别方法及系统及估算方法及系统
CN201594088U (zh) 新型室内无线空气质量监测仪
CN102354206B (zh) 物联网环境下基于数据融合的空调故障诊断系统及方法
CN104933841B (zh) 一种基于自组织神经网络的火灾预测方法
CN102779228A (zh) 商场建筑中央空调冷负荷在线预测方法及系统
CN105005204A (zh) 可自动触发智能家居和智慧生活情景的智能引擎系统及方法
CN103389710A (zh) 一种基于情境感知的物联网环境控制方法及设备
CN205607448U (zh) 建筑居住环境远程监测系统
Lachhab et al. Monitoring and controlling buildings indoor air quality using WSN-based technologies
KR20170122043A (ko) 실시간 실내 공기질 이상치 제거 방법 및 장치
CN109960886B (zh) 一种空气舒适度评价方法、装置及空气调节设备
CN111459214A (zh) 一种基于智慧环境的控制管理系统及其方法
CN113936413A (zh) 一种早期火灾监测预警方法和装置
CN110631640A (zh) 基于物联网的仓储烟叶霉变状态智能监测系统及方法
CN113409538A (zh) 一种智能远程监控预警管理系统
CN108444056A (zh) 中央空调监控系统及其监控方法
US20220012644A1 (en) Method and system for monitoring a remote system
CN205980185U (zh) 一种基于物联网的室内空气检测装置
CN208312636U (zh) 中央空调监控系统
CN114565288A (zh) 一种新风系统数据采集分析方法、设备及计算机存储介质
CN114022653A (zh) 一种基于湿度数据分析实现智能控制环境温度的加湿系统
CN104089656A (zh) 一种堆场煤炭自燃检测方法和装置
KR20150094275A (ko) 돌봄 플러그 장치의 센싱 데이터에 대해 시맨틱 분석을 통한 건강 관리 서버 및 그 방법
CN106091293A (zh) 一种空气质量控制器
CN111896831B (zh) 非侵入式综合能源负荷监测的方法及系统

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant