CN110298487B - 一种用于满足用户个性化需求的室内温度预测方法 - Google Patents

一种用于满足用户个性化需求的室内温度预测方法 Download PDF

Info

Publication number
CN110298487B
CN110298487B CN201910462162.XA CN201910462162A CN110298487B CN 110298487 B CN110298487 B CN 110298487B CN 201910462162 A CN201910462162 A CN 201910462162A CN 110298487 B CN110298487 B CN 110298487B
Authority
CN
China
Prior art keywords
user
temperature
indoor
model
air
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
CN201910462162.XA
Other languages
English (en)
Other versions
CN110298487A (zh
Inventor
舒少龙
金静
宋炜
苗成诗
李予宸
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.)
Tongji University
Original Assignee
Tongji University
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 Tongji University filed Critical Tongji University
Priority to CN201910462162.XA priority Critical patent/CN110298487B/zh
Publication of CN110298487A publication Critical patent/CN110298487A/zh
Application granted granted Critical
Publication of CN110298487B publication Critical patent/CN110298487B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Mechanical Engineering (AREA)
  • Combustion & Propulsion (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Chemical & Material Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Signal Processing (AREA)
  • Fuzzy Systems (AREA)
  • Development Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

本发明属于智能家居领域，具体为一种用于满足用户个性化需求的室内温度预测方法，涉及人体热舒适度指标模型和深度学习理论。该方法借助经典热舒适度PMV指标，确定符合用户个性化需求的人体热舒适度模型，利用深度学习的方法拟合该模型，最后利用该模型预测满足用户偏好的最优室内空气温度。将模型的输出作为空调的温度设定值，从而调控室内空气温度，满足用户最优舒适度需求。将本发明提出的方法应用到实际智能家居系统中，可有效满足用户个性化需求的室内温度的无感化控制。

Description

一种用于满足用户个性化需求的室内温度预测方法
技术领域
本发明属于智能家居领域，具体涉及人体热舒适度指标模型和深度学习理论，提供一种用于满足用户个性化需求的室内温度预测方法。
背景技术
人类80％的时间在室内度过，环境舒适度高可很大程度上改善人们的生活质量，提高人们的工作效率，且有助于人们身体健康。热舒适度是评价人体对环境感知的一个重要指标，已有的热舒适度指标如贝氏标度、ASHRAE标度和ISO标准等均通过统计方法得到，忽略了用户的个体差异，故在家庭应用中缺乏室内用户个性化体现。
随着经济的发展，空调已走进千家万户，人类利用空调来调节室内温度，从而营造令自己舒适的环境，这已经成为人类生活的重要需求，但现有的针对室内空调环境的温度调控方法均未考虑到用户的个性化需求。
发明内容
本发明的目的是提供一种用于满足用户个性化需求的室内温度预测方法。该方法针对室内用户热舒适度的个性化需求，基于传统的PMV热舒适度指标，将深度神经网络应用到用户舒适度偏好的预测上，构建深度神经网络模型并利用该模型对用户期望的室内空气温度进行预测从而实时输出当前最优的室内空气温度，进而对空调进行调控以控制室内舒适度环境，以满足室内用户热舒适度的个性化需求。
本发明技术方案为：
过程一、
本发明首先表征出人体热舒适度模型：基于统计平均方法的PMV热舒适度指标，分析影响人体热舒适度的因素，将之替换为实际系统中易于得到的变量，用这些变量间接反应这些因素对于热舒适度的影响，建立个体用户热舒适度模型。
具体的，应对思路和表征出的模型：
人体热舒适度受到多个指标的影响，包括人体新陈代谢率、平均辐射温度、衣服热阻、空气流动速度、空气相对湿度和室内空气温度等。温度预测问题是找到当前最优的室内空气温度
Figure BDA0002078368940000021
使得人体热舒适度最高。因此，该问题是一个优化问题，可描述如下：对于给定用户i，给定人体新陈代谢率
Figure BDA0002078368940000022
平均辐射温度
Figure BDA0002078368940000023
衣服热阻
Figure BDA0002078368940000024
空气流动速度
Figure BDA0002078368940000025
空气相对湿度
Figure BDA0002078368940000026
求解最优的室内空气温度
Figure BDA0002078368940000027
使得该用户的热舒适度最优，即
Figure BDA0002078368940000028
上述优化模型中的参变量，须在实际系统中便捷可行。因此对于该模型中难以实际获得的变量，本发明通过分析决定该变量的实际因素，用影响的实际因素来代替该变量，间接反映其对于个体热舒适度的影响。因此本发明提出了以下转化后的优化模型：对于给定用户i，给定当前的用户活动状态
Figure BDA0002078368940000029
季节
Figure BDA00020783689400000210
天气情况
Figure BDA00020783689400000211
室外温度
Figure BDA00020783689400000212
室内温度
Figure BDA00020783689400000213
室内湿度
Figure BDA00020783689400000214
和空调风速
Figure BDA00020783689400000215
求解最优的室内空气温度
Figure BDA00020783689400000216
使得该用户的热舒适度最优，即
Figure BDA00020783689400000217
过程二、
基于上述优化模型，本发明提出的用于满足用户个性化需求的室内温度预测方法，具体包括以下几个步骤。
步骤1.数据采集。
用户在实际智能家居系统中生活，实时采集数据。
a)所述用户活动状态
Figure BDA0002078368940000031
按实际情况划分，若用户处于办公室环境下，则划分为工作、休息两个状态；若用户处于卧室起居环境下，则划分为休息、娱乐两个状态。采用各房间中人体传感器的响应以及特定设备的状态用于判断用户的活动状态：卧室中人体传感器响应且窗帘关闭则表明用户处于休息状态，若电视机开启则表明用户处于娱乐状态；办公室中办公位人体传感器响应则表明用户处于工作状态，用户与智能音箱交互进入休息模式则表明用户处于休息状态。
b)所述季节
Figure BDA0002078368940000032
按当地气候，以具体节气时令为划分线，分为春、夏、秋、冬四种情况。
c)所述天气情况
Figure BDA0002078368940000033
可分为晴、阴、雨、雪等，以当天在互联网上实时爬取到的天气信息为准。
d)所述室内温度
Figure BDA0002078368940000034
室内湿度
Figure BDA0002078368940000035
室外温度
Figure BDA0002078368940000036
可通过温湿度传感器获取实际值。
e)所述空调风速
Figure BDA0002078368940000037
通过查询空调控制面板或智能遥控器中的设定值获得。
f)所述最优的室内空气温度
Figure BDA0002078368940000038
值取当前用户对空调温度的设定值，即查询空调控制面板或智能遥控器中的设定值获得。
步骤2.数据预处理。
在应用数据之前，采用k-近邻(KNN)等算法检测异常数据，根据实际情况对异常值作相应处理。
如温湿度异常值，可能因传感器瞬时故障引起，由于实际温湿度不会突变，所以采用异常值前后的数据来取代该值；又如最优室内空气温度(即当前用户对空调温度的设定值)异常值，可能因用户调节失误引起，可以用前后数条数据的平均值来取代，或在样本量很小的情况下直接删除异常值。
然后，针对不同类型的数据，根据训练数据的要求实现数据的预处理：对于连续型变量，如室内温度、室外温度、室内湿度和最优空气温度，采用0均值标准化算法进行处理；对于离散型变量，如用户活动状态、季节、天气情况和空调风速，采用独热编码算法进行处理。
步骤3.搭建深度神经网络模型。
基于个体热舒适度模型，确定神经网络模型的输入输出，输入为用户活动状态
Figure BDA0002078368940000041
季节
Figure BDA0002078368940000042
天气情况
Figure BDA0002078368940000043
室外温度
Figure BDA0002078368940000044
室内温度
Figure BDA0002078368940000045
室内湿度
Figure BDA0002078368940000046
和空调风速
Figure BDA0002078368940000047
输出为最优的室内空气温度
Figure BDA0002078368940000048
本发明使用的神经网络模型为回归模型，并且模型的各类超参数，如隐藏层层数、各层的神经元个数、各层神经元的激活函数、损失函数、参数更新算法、小批量数据的大小、训练迭代的次数等，通过以下规则确定。
所述输入层、中间隐藏层均选取线性整流函数(ReLU)作为激活函数，输出层不设置激活函数；
所述损失函数选择均方误差函数；
所述参数更新算法使用基于梯度下降法的Adam算法；
以上参数的优化组合：隐藏层层数、各层神经元个数、小批量数据大小、训练迭代次数这些参数的确定采用网格搜索法选取不同的组合分别训练采集到的实际数据，对比各组训练结果选出最好的一组。
利用实际采集的数据，对模型进行训练和评估，确定最佳的超参数组合，得到一个深度神经网络模型。
步骤4.训练和预测。
对步骤3得到的深度神经网络模型，在训练集上重新训练该模型，利用最后得到的模型预测用户期望的室内空气温度
Figure BDA0002078368940000049
用以实时调节空调的设定温度。
与现有技术相比，本发明的有益效果在于：本发明借助经典热舒适度PMV指标，先确定符合用户个性化需求的人体热舒适度模型，再利用深度学习的方法拟合该模型，最后利用该模型预测满足用户偏好的最优室内空气温度；应用到实际智能家居系统中，可有效满足用户个性化需求的室内温度的无感化控制，满足用户最优舒适度需求。
附图说明
图1示出本发明实施例中房间布局示意图；
图2示出本发明实施例中房间传感器分布示意图；
图3示出本发明实施例中室内温度预测实验流程图；
图4a至图4j示出本发明实施例中最优超参数组合下模型的评估结果；
图5a示出本发明实施例中测试集中的当前室内空气温度设定值；
图5b示出本发明实施例中通过模型预测得到的最优室内空气温度的预测结果；
图5c示出本发明实施例中模型输出值与测试集中的当前室内空气温度设定值的差值。
具体实施方式
下面将结合具体实施例及其附图对本申请提供的技术方案作进一步说明。结合下面说明，本申请的优点和特征将更加清楚。
本发明针对室内用户的个体热舒适度差异，提出了一种用于满足用户个性化需求的室内温度预测方法。该方法训练一个能学习用户热舒适度喜好的深度神经网络模型，模型的输出为室内空气温度预测值，根据该预测值来调节空调的设定温度。
下面以一个具体实施例来说明如何根据本发明提出的方法实时预测满足用户舒适度个性化需求的室内空气温度。本实施例选择一间正常使用的个人办公室，搭建了完整的智能家居系统，通过该系统来采集数据。图1是房间的整体布局图，分为办公学习区和会客休息区。图2是房间的传感器分布图，有人体传感器m0、m1、m2，温度传感器t0、t1，湿度传感器h0、h1，烟雾传感器a0，门窗传感器d0，光照度传感器i0，视频传感器等。
步骤1：采集热舒适度模型数据。采集的数据包括用户活动状态、季节、天气情况、室外温度、室内温度、室内湿度、空调风速和最优空气温度这8个变量。针对不同的变量，本实例采取不同的方式采集数据。
对于用户活动状态，用户处在不同运动状态下的新陈代谢率是不同的，所需的温度环境自然也不同。在办公室中，用户主要有工作和休息两种行为，所以本实例将用户活动分为工作和休息两种状态。为了避免低效地人为记录用户活动状态，本实例利用房间的光照度情况作判断，因为用户工作时，需要明亮的环境，可以利用自然光和日光灯满足光照需求；用户休息时，需要较暗的环境，所以窗帘内帘(强遮光性)和顶灯都处于关闭状态。
经过实验验证，当房间内帘和两盏顶灯处于不同情况时，室内光照度如表1所示。那么，当i0的值小于15lux时，用户处于休息状态；当i0的值大于15lux时，用户处于工作状态。
表1不同情况下的室内光照度
窗帘内帘 光照来源 两侧顶灯 室内光照度/lux 满足工作时采光需求
关闭 无 关闭 7 否
关闭 日光灯 一开一关 9 否
关闭 日光灯 打开 19 是
打开 自然光 关闭 >70 是
对于季节变量，根据上海的气候特征确定，分为春季(3月～5月)，夏季(6月～9月)，秋季(10月～11月)和冬季(12月～2月)。对于天气状况，由网络爬取的实时天气预报数据确定，主要分为晴天、阴天、雨天和雪天四种情况。对于室外温度，由温度传感器t1来采集。对于室内温度，由温度传感器t0来采集。对于室外湿度，由湿度传感器h1来采集。对于室内湿度，由湿度传感器h0来采集。作为举例而非限定，在本实施例中，可以将broadlink智能遥控器接入智能家居平台。对于空调风速，由接入智能家居平台的broadlink智能遥控器获得，分为自动、低档、中档和高档四种情况。对于最优空气温度值，本发明采用当前用户对空调温度的设定值来表示，由broadlink智能遥控器获得。
步骤2：对采集得到的数据进行预处理。首先对数据缺失值和异常值进行识别和填补，然后对采集的数据进行标准化操作。
采集的数据类型包含连续型和离散型两种不同的类型。对于连续型的数值型数据，如室外温度、室内温度，室内湿度和最优空气温度，为了消除不同特征之间量纲的影响，对数据进行0均值标准化(Z-score standardization)处理。公式如下：
Figure BDA0002078368940000061
式中，μ、σ分别为原始数据的均值和方差，x是原始数据，z是标准化之后的数据。
对于离散型的分类型数据如季节、天气、用户活动状态和空调风速，采用独热编码方法进行处理，得到如表2所示结果。
表2离散型变量独热编码
Figure BDA0002078368940000062
Figure BDA0002078368940000071
步骤3：搭建深度神经网络模型。本实施例采集了从2018年8月3日到8月15日(8月14日除外)共12天的数据，以1min为采样时间间隔，共计7305条数据。本实施例采用留出法将数据随机地分为训练集S和测试集T，90％的数据用来训练模型，10％的数据用来测试模型，实验流程如图3所示。
神经网络通常以层的形式组建，每一层由许多神经元组成，每一层的各神经元的输入为上一层各神经元的输出。模型的确定是一个不断调节神经网络的权值和偏置的过程，使之拟合个体热舒适度模型。模型训练过程中，标签值(实际值)与神经网络输出值的误差使用代价函数C(ω,b)进行评估，其中ω是神经网络中的权重，而b是偏置。寻找合适的ω与b的值使得代价函数最小，是神经网络训练的核心目标。
对于模型训练，超参数的选择是至关重要的，它们影响了模型训练的速率和模型的好坏。神经网络模型的超参数有神经网络的层数L，每一个隐藏层中神经元的个数j，小批量数据mini-batch的大小，迭代次数epoch，神经元激活函数，代价函数的选择等。
首先，选择合适的神经元激活函数(ReLU函数，公式为f(x)＝max(0,x))和代价函数(均方误差函数，公式为
Figure BDA0002078368940000072
对于无法直接确定的超参数，本实例给出的最优超参数组合，包括神经网络的层数L和每层的神经元个数j，小批量数据mini-batch的大小，迭代次数epoch，参数列表如表3所示。
表3网格搜索法超参数列表
Figure BDA0002078368940000073
采用网格搜索法对表3中每一种超参数组合，在训练集S上采用十折交叉验证方法进行模型的训练和评估，对应评估结果最好的那组超参数组合就是我们需要的。经过网格搜索法训练比较，在隐藏层神经元数为[120，100，80，60，40，20]，epochs为200，batch_size为20时模型的训练得分最高。在网格搜索法输出的最优参数下，其10-折交叉验证的结果依次如图4a-4j所示，实线曲线是模型在训练集上的loss值(即MSE值)，点虚线曲线是测试集上的loss值。十个子模型的评估结果(测试集上的loss值)如表4所示。计算得到评估结果的平均值为0.0933。
表4最优超参数组合下回归模型的10-折交叉验证评估结果
Figure BDA0002078368940000081
步骤4：基于上述通过网格搜索法得到的最优超参数组合，在训练集S上重新训练回归深度神经网络模型,得到最终的个体热舒适度神经网络模型。由于回归模型输出结果为带小数的值，考虑到空调设定值为整数，因此将这个输出结果四舍五入后作为最后的模型输出值，即为最优的室内空气温度预测值。
使用独立测试集T测试模型性能。将模型输出值与测试集中的当前室内空气温度设定值进行比较，如图5a至图5c所示，a图表示室内空气温度，b图表示模型预测值(即输出值)，c图表示二者的差值。计算其平均绝对误差(MAE)，模型在测试集T上的MAE为0.127，表示模型的预测值与实际设定值的平均误差为0.127℃，模型预测精度高；模型预测值与实际设定值的绝对误差大于1℃的样本数为3，仅占比0.41％，模型预测稳定性好。
上述描述仅是对本发明较佳实施例的描述，并非是对本发明范围的任何限定。任何熟悉该领域的普通技术人员根据上述揭示的技术内容做出的任何变更或修饰均应当视为等同的有效实施例，均属于本发明技术方案保护的范围。

Claims (4)

1.一种用于满足用户个性化需求的室内温度预测方法，其特征在于，包括：
过程一：表征出人体热舒适度模型：
基于统计平均方法的PMV热舒适度指标，分析影响人体热舒适度的因素人体新陈代谢率
Figure FDA0004094225880000011
平均辐射温度
Figure FDA0004094225880000012
衣服热阻
Figure FDA0004094225880000013
空气流动速度
Figure FDA0004094225880000014
空气相对湿度
Figure FDA0004094225880000015
并将这些因素替换为实际系统中易于得到的变量用户活动状态
Figure FDA0004094225880000016
季节
Figure FDA0004094225880000017
天气情况
Figure FDA0004094225880000018
室外温度
Figure FDA0004094225880000019
室内温度
Figure FDA00040942258800000110
室内湿度
Figure FDA00040942258800000111
和空调风速
Figure FDA00040942258800000112
用这些变量间接反应前述因素对于热舒适度的影响，建立个体用户热舒适度模型；
对于给定用户i，给定当前的用户活动状态
Figure FDA00040942258800000113
季节
Figure FDA00040942258800000114
天气情况
Figure FDA00040942258800000115
室外温度
Figure FDA00040942258800000116
室内温度
Figure FDA00040942258800000117
室内湿度
Figure FDA00040942258800000118
和空调风速
Figure FDA00040942258800000119
求解最优的室内空气温度
Figure FDA00040942258800000129
使得该用户的热舒适度最优，即
Figure FDA00040942258800000120
过程二：室内温度预测，包括以下步骤：
步骤1.采集数据，包括用户活动状态
Figure FDA00040942258800000121
季节
Figure FDA00040942258800000122
天气情况
Figure FDA00040942258800000123
室外温度
Figure FDA00040942258800000124
室内温度
Figure FDA00040942258800000125
室内湿度
Figure FDA00040942258800000126
空调风速
Figure FDA00040942258800000127
最优的室内空气温度
Figure FDA00040942258800000128
步骤2：对步骤1采集到的数据进行预处理；
采用k-近邻(KNN)算法检测异常数据，根据实际情况对异常数据作相应处理；并针对不同类型的数据，根据训练数据的要求实现数据的预处理：对于连续型变量室内温度、室外温度、室内湿度和最优空气温度，采用0均值标准化算法进行处理；对于离散型变量用户活动状态、季节、天气情况和空调风速，采用独热编码算法进行处理；
步骤3：搭建深度神经网络模型，并基于个体热舒适度模型，确定神经网络模型的输入输出，
其中，输入为用户活动状态
Figure FDA0004094225880000021
季节
Figure FDA0004094225880000022
预处理后天气情况
Figure FDA0004094225880000023
室外温度
Figure FDA0004094225880000024
室内温度
Figure FDA0004094225880000025
室内湿度
Figure FDA0004094225880000026
和空调风速
Figure FDA0004094225880000027
其中，输出为最优的室内空气温度
Figure FDA00040942258800000217
步骤4.训练和预测：
对步骤3得到的深度神经网络模型，在训练集上重新训练该模型，利用最后得到的模型预测输出用户期望的室内空气温度
Figure FDA0004094225880000028
用以实时调节空调的设定温度。
2.根据权利要求1所述的用于满足用户个性化需求的室内温度预测方法，其特征在于：
a)所述用户活动状态
Figure FDA0004094225880000029
按实际情况划分，若用户处于办公室环境下，则划分为工作、休息两个状态；若用户处于卧室起居环境下，则划分为休息、娱乐两个状态；采用各房间中人体传感器的响应以及特定设备的状态用于判断用户的活动状态：卧室中人体传感器响应且窗帘关闭则表明用户处于休息状态，若电视机开启则表明用户处于娱乐状态；办公室中办公位人体传感器响应则表明用户处于工作状态，用户与智能音箱交互进入休息模式则表明用户处于休息状态；
b)所述季节
Figure FDA00040942258800000210
按当地气候，以具体节气时令为划分线，分为春、夏、秋、冬四种情况；
c)所述天气情况
Figure FDA00040942258800000211
以当天在互联网上实时爬取到的天气信息为准；
d)所述室内温度
Figure FDA00040942258800000212
室内湿度
Figure FDA00040942258800000213
室外温度
Figure FDA00040942258800000214
通过温湿度传感器获取实际值；
e)所述空调风速
Figure FDA00040942258800000215
通过查询空调控制面板或智能遥控器中的设定值获得；
f)所述最优的室内空气温度
Figure FDA00040942258800000216
值取当前用户对空调温度的设定值，即查询空调控制面板或智能遥控器中的设定值获得。
3.根据权利要求1所述的用于满足用户个性化需求的室内温度预测方法，其特征在于：步骤2中所述根据实际情况对异常数据作相应处理包括：
若温湿度异常值，采用异常值前后的数据来取代该值；
若通过当前用户对空调温度的设定值采集的最优室内空气温度异常，采用前后数条数据的平均值来取代，或在样本量很小的情况下直接删除异常值。
4.根据权利要求1所述的用于满足用户个性化需求的室内温度预测方法，其特征在于：步骤3中所述神经网络模型为回归模型；
模型的各类超参数通过以下规则确定：
输入层、中间隐藏层均选取线性整流函数(ReLU)作为激活函数，输出层不设置激活函数；
损失函数选择均方误差函数；
参数更新算法使用基于梯度下降法的Adam算法；
对模型中各参数进行优化组合：隐藏层层数、各层神经元个数、小批量数据大小、训练迭代次数这些参数的确定采用网格搜索法选取不同的组合分别训练采集到的实际数据，对比各组训练结果选出最好的一组，确定最佳的超参数组合，得到一个深度神经网络模型。
CN201910462162.XA 2019-05-30 2019-05-30 一种用于满足用户个性化需求的室内温度预测方法 Active CN110298487B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910462162.XA CN110298487B (zh) 2019-05-30 2019-05-30 一种用于满足用户个性化需求的室内温度预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910462162.XA CN110298487B (zh) 2019-05-30 2019-05-30 一种用于满足用户个性化需求的室内温度预测方法

Publications (2)

Publication Number Publication Date
CN110298487A CN110298487A (zh) 2019-10-01
CN110298487B true CN110298487B (zh) 2023-05-16

Family

ID=68027510

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910462162.XA Active CN110298487B (zh) 2019-05-30 2019-05-30 一种用于满足用户个性化需求的室内温度预测方法

Country Status (1)

Country Link
CN (1) CN110298487B (zh)

Families Citing this family (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111007731A (zh) * 2019-11-11 2020-04-14 珠海格力电器股份有限公司 用户操作预测方法、装置、电子设备及可读存储介质
CN110836525A (zh) * 2019-11-19 2020-02-25 珠海格力电器股份有限公司 空调运行状态的自适应调节方法及装置
CN111067493A (zh) * 2019-12-19 2020-04-28 北京航空航天大学 一种人体热舒适预测方法
CN111291465B (zh) * 2020-01-10 2023-10-03 上海海事大学 基于遗传算法与神经网络的船舶空调热舒适温度预测方法
CN111365828A (zh) * 2020-03-06 2020-07-03 上海外高桥万国数据科技发展有限公司 结合机器学习实现数据中心节能温控的模型预测控制方法
CN111397117A (zh) * 2020-03-10 2020-07-10 珠海派诺科技股份有限公司 基于大数据的舒适度预测方法、智能终端、存储装置
CN111486554B (zh) * 2020-04-21 2022-05-24 同济人工智能研究院(苏州)有限公司 一种基于在线学习的空调温度无感化控制方法
CN111895584A (zh) * 2020-08-14 2020-11-06 珠海格力电器股份有限公司 空调器的控制方法及装置、空调器
CN112097378A (zh) * 2020-08-21 2020-12-18 深圳市建滔科技有限公司 一种基于前馈型神经网络的空调舒适度调节方法
CN112255928A (zh) * 2020-10-30 2021-01-22 北京金山云网络技术有限公司 智能家居的控制方法、装置、系统及电子设备
CN112128950B (zh) * 2020-11-24 2021-03-19 北京蒙帕信创科技有限公司 一种基于多种模型对比的机房温湿度预测方法及系统
CN112594937B (zh) * 2020-12-16 2022-03-18 珠海格力电器股份有限公司 热水器的控制方法、装置、电子设备及存储介质
CN114963458B (zh) * 2021-02-23 2023-09-05 海信集团控股股份有限公司 一种热舒适参数预测方法及其设备
CN113110089A (zh) * 2021-04-29 2021-07-13 广东电网有限责任公司 一种家庭电器优化使用管理方法、装置、设备及介质
CN113485498B (zh) * 2021-07-19 2022-10-18 北京工业大学 一种基于深度学习的室内环境舒适度调节方法及系统
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
CN113865038B (zh) * 2021-08-18 2023-06-30 清华大学 一种空调控制方法、装置、空调器及存储介质
CN115421544B (zh) * 2022-11-04 2023-05-26 深圳市华杰科技有限公司 基于深度学习的智能家居控制系统及其方法
CN115654697B (zh) * 2022-11-21 2023-04-25 四川旷谷信息工程有限公司 半封闭空间的温度控制方法、装置及计算机可读存储介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104833063B (zh) * 2015-06-04 2017-12-01 安徽建筑大学 一种空调控制方法及系统
CN105805822B (zh) * 2016-03-24 2018-11-13 常州英集动力科技有限公司 基于神经网络预测的供热节能控制方法与系统
CN109682043A (zh) * 2018-12-28 2019-04-26 中冶置业集团有限公司 一种基于人体热舒适机理的适温适湿环境控制系统

Also Published As

Publication number Publication date
CN110298487A (zh) 2019-10-01

Similar Documents

Publication Publication Date Title
CN110298487B (zh) 一种用于满足用户个性化需求的室内温度预测方法
Wang et al. Model-based optimal control of VAV air-conditioning system using genetic algorithm
KR102380397B1 (ko) IoT센서 및 인공지능을 이용한 스마트 빌딩 관리방법
CN112050397A (zh) 一种机房温度调控方法及系统
CN111486554B (zh) 一种基于在线学习的空调温度无感化控制方法
CN105652677B (zh) 一种基于用户行为分析的智能家居控制方法、装置和系统
CN111735178A (zh) 基于精英主义和svr回归算法的空调节能系统及优化方法
Ouf et al. A simulation-based method to investigate occupant-centric controls
Zhou et al. Comparison of different machine learning algorithms for predicting air-conditioning operating behavior in open-plan offices
CN111649465B (zh) 一种空调设备自动控制方法及系统
Liu et al. Rethinking the limitations of research on occupants’ window-opening behavior: A review
CN110096793B (zh) 一种基于居住用户活动模式的住宅能耗预测方法
Niu et al. Investigation of occupant window opening behaviour during the summer period in a Beijing maternity hospital
Jeong et al. Developing a window behaviour model incorporating A/C operation states
CN110781538B (zh) 基于实地监测的开窗仿真算法
CN114200839B (zh) 一种耦合环境行为动态监测的办公建筑能耗智能控制模型
Xiang et al. Prediction model of household appliance energy consumption based on machine learning
Yang et al. Window Opening Behavior of Residential Buildings during the Transitional Season in China’s Xi’an
Zhang Data-driven whole building energy forecasting model for data predictive control
Yuan et al. Space-Level air conditioner electricity consumption and occupant behavior analysis on a university campus
Lu et al. A novel AC turning on behavior model based on survival analysis
Kim et al. Quantification of occupant response to influencing factors of window adjustment behavior using explainable AI
CN112966448A (zh) 一种室内环境满意度采集分析方法和装置
CN113268098A (zh) 一种室内环境调控方法及系统
Saranya et al. AI buildings: design of artificially intelligent buildings in the energy sector with an autonomous federated learning approach

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
GR01 Patent grant
GR01 Patent grant