CN111486554B - 一种基于在线学习的空调温度无感化控制方法 - Google Patents

Abstract

本发明涉及一种基于在线学习的空调温度无感化控制方法，针对个体用户建立人体热舒适度预测模型，通过预测模型的求解得到最优室内空气温度的预测模型，采用在线学习的方式，利用智能家居系统收集记录的近期历史数据，不断拟合该预测模型，调整模型参数，预测出不同时间段满足个体用户偏好的最优室内空气温度，将该最优室内空气温度作为空调温度的设定值，实现空调温度的无感化控制，从而达到智能调控室内空气温度，满足用户最优舒适度的需求。本发明应用到实际智能家居系统中，可实现空调温度的无感化控制，在极大减少用户的参与度下便可捕捉学习到用户对于室内温度的喜好，满足用户舒适度需求。

Description

一种基于在线学习的空调温度无感化控制方法

技术领域

本发明属于智能家居领域，具体涉及一种基于在线学习的空调温度无感化控制方法。

背景技术

无感化控制，即在智能家居系统的运行过程中，尽量减少人为参与环节，让系统自动捕捉用户的使用习惯和喜好，最终达到人与家居系统融为一体的目标。采用在线学习的方式，系统可在运行过程中通过评估已有行为的正确性或优良度，自动修改系统结构或参数以改进系统自身性能，经学习而得到的改进也可以保存并固定在系统结构之中。在线学习技术是实现智能家居系统无感化控制的有效方法。

统计数据表明，人类80％的时间都在室内度过，良好的环境舒适度可有效提高人们的生活质量和工作效率，并有助于身体健康，而室内温度是决定家居环境舒适度的重要影响因素。在目前的智能家居领域中，大部分的空调温度控制方案都是基于手机APP或者遥控器等实现人机交互，智能化程度并不够高，系统缺乏自适应能力和自主控制能力。通过采用在线学习技术，实现空调温度的无感化控制，进而调控室内温度以达到舒适的目标，这具有重要的实用意义。

发明内容

本发明的目的是提供一种基于在线学习的空调温度无感化控制方法。

为达到上述目的，本发明采用的技术方案是：

一种基于在线学习的空调温度无感化控制方法，其特征在于：包括：

1)建立最优室内空气温度的预测模型：

对于给定用户i，获取当前的用户活动状态包括A_c、季节S_e、天气情况W_e、室外温度t₀、室内湿度H_l、空调风速W_s和室内空气温度t_a，求解最优的室内空气温度t^* _a，即为空调应设定温度，使得该用户的热舒适度最优，即热舒适度评价值f_i(t_a)的绝对值最小，即：

由此可得到最优室内空气温度t^* _a的预测模型为：

该预测模型又可等价于：

2)采用在线学习的方式，利用智能家居系统收集记录的近期历史数据，对最优室内空气温度的预测模型进行训练拟合，

3)将最优室内空气温度的预测模型及其训练拟合方法部署于智能家居系统的控制端，根据用户的设定或者系统的运行设定所记录的近期历史数据训练拟合该预测模型，实时输出预测模型的最优室内空气温度t^* _a，并通过接入智能家居系统的空调控制器对空调温度进行设定，实现无感化控制。

优选地，根据人体热舒适度PMW指标体系建立最优室内空气温度的预测模型，其中影响人体热舒适度的因素包括人体新陈代谢率、人体做功率、环境空气中水蒸气分压力、穿衣人体与裸体表面积之比、平均辐射温度、穿衣人体外表面积平均温度、对流热交换系数、室内空气温度。

人体热舒适度PMW指标经过美国采暖、制冷与空调工程师学会ASHRAE标准和国际标准化组织ISO标准的认证，是目前最具代表性且应用最广泛的热舒适度评价指标，其具体计算公式如下(其中温度单位均为℃)：

PMV＝(0.303e^-0.036M+0.028){M-W-0.00305[5733-6.99(M-W)-P_a]-0.42(M-W-58.15)-1.7×10^-5M(5867-P_a)-0.0014M(34-t_a)-3.96×10^-8f_cl[(t_cl+273)⁴-(t_r+273)⁴]-f_clh_c(t_cl-t_a)}

PMV评价指标与人体热感觉对应关系如下：

表1 PMV热感觉指标：

热感觉	冷	凉	微凉	适中	微暖	暖	热
								PMV值	-3	-2	-1	0	1	2	3

根据PMV计算公式可知，温度预测问题是找到当前最优的室内空气温度t^* _a使得人体热舒适度最优，即热舒适度评价指标PMV值的绝对值最小。

实际上，上述PMV计算公式中的变量在实际智能家居系统中难以获取，故结合实际智能家居系统中可便捷获取的家居环境变量，采用可间接反映该计算公式中变量的参变量，针对个体用户建立对应的优化模型。

优选地，对最优室内空气温度的预测模型进行训练拟合包括：

i)数据采集：采集的数据包括用户活动状态包括A_c、季节S_e、天气情况W_e、室外温度t₀、室内湿度H_l、空调风速W_s、室内空气温度t_a以及最优的室内空气温度t^* _a值，

ii)数据预处理：对数据缺失值和异常值进行识别、填补、剔除，然后对采集的数据进行标准化操作，

iii)模型的训练拟合：选择在线学习的算法，利用b)中预处理得到的数据进行训练拟合。

进一步优选地，数据采集包括：

a)用户活动状态A_c按实际情况进行划分，采用各房间中人体传感器的响应以及特定设备的状态判断用户的活动状态；如用户处于卧室起居环境时活动状态存在休息和娱乐两个状态，处于办公室环境时则存在工作和休息两个状态，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；办公室中办公座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)季节S_e按当地气候以具体节气时令为划分线；一般分为春、夏、秋、冬四种情况；处于特殊地理位置的地方可能也只存在夏、冬或者春、秋的情况。

c)天气情况W_e以当天实时爬取到的天气信息为准；如晴、阴、雨、雪等。

d)室外温度t₀、室内湿度H_l、室内空气温度t_a通过温、湿度传感器获取；

e)空调风速W_s通过查询空调控制面板或智能遥控器中的设定值获取；

f)最优的室内空气温度t^* _a值取当前用户或系统对空调温度的设定值，通过查询空调控制面板或智能遥控器中的设定值获取。

进一步优选地，数据预处理对异常值的剔除采用k-近邻(KNN)算法检测异常数据，根据实际情况对异常值作相应处理。

例如传感器偶然的瞬时故障可能引起记录的温湿度值异常，但实际上家居环境中温湿度是不会突变的，可采用异常值前后的数据来取代该异常值；又如用户对空调温度进行设定时，可能因用户调节失误而引起最优室内空气温度取值的短时间波动，可采用前后多个数据的平均值来取代异常值，或在样本量很小的情况下直接删除异常值。

进一步优选地，对采集的数据进行标准化操作包括对数据的量化与归一处理：对于离散型变量采用独热编码算法进行量化处理；对于连续型变量采用0均值标准化算法进行归一处理。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，如室内空气温度、室外温度、室内湿度和最优室内空气温度。

进一步优选地，模型的训练拟合包括：

a)所选算法的可行性分析，

b)确定可行算法的实际拟合模型，

c)训练拟合度的评价指标，

d)训练方法、训练拟合的数据量大小、训练迭代次数的确定。

进一步优选地，模型的训练拟合中具体的拟合算法包括但不限于支持向量回归法、多元线性回归法等，选取具体方法进行训练拟合的具体步骤包括但不限于：

a)选取多元线性回归法，在进行数据训练拟合模型前评估各个自变量与因变量之间是否呈现出明显的线性关系，

b)选取支持向量回归法，支持向量回归学习模型如下，训练拟合需要先确定其中的核函数K(x，x_i)，

多元线性回归学习模型如下：

c)选取均方误差MSE和预测准确率A作为训练拟合度的评价指标，其中均方误差MSE计算公式如下，其中N为测试样本数量，y_i为第i组测试样本的期望值，即最优的室内空气温度t^* _a值，

为第i组测试样本的模型预测值，

空调的设定温度，即训练数据中的最优室内空气温度t^* _a值都为整数，且考虑到实际运行时，用户一般不容易感受到1℃的温差所带来的温度感受上的变化，故统计准确率时将温差范围设定为±0.5℃的区间，预测准确率A的计算公式如下：

d)拟合模型训练时选取留出法将数据随机地分为训练集S和测试集T，训练集S占总数据集的90％用来训练模型，测试集占10％用来测试模型，验证模型的拟合度；对于预处理后得到的数据，训练时，将用户活动状态包括A_c、季节S_e、天气情况W_e、室外温度t₀、室内湿度H_l、空调风速W_s、室内空气温度t_a作为模型的输入，最优的室内空气温度t^* _a值，即空调温度的设定值作为模型的期望输入，进行训练拟合，

训练时考虑到训练数据量K的大小和训练迭代的次数I会影响到训练时间的长短以及系统参数更新的速率，可设定不同的K值，例如1000，2000，…，和不同的I值，例如1000，2000，…，通过多组实验对比训练后模型的预测效果确定满足无感化控制的训练数据量大小K和训练迭代次数I。

进一步优选地，在d)中：训练时每次从训练集S中随机选取多组数据，按照数据记录的先后顺序进行排列，依次输入模型进行训练，并从训练集S中删除已训练过的数据，使训练的模型泛化性能最优。

优选地，预测模型参数根据训练拟合频率在用户是否有人为干预系统对空调温度的自主设定情况进行不同频率的更新。系统运行过程中模型参数更新频率，训练拟合频率在用户没有人为干预系统对空调温度的自主设定情况下为半个月一次；当出现用户人为干预系统对空调温度的自主设定情况时，系统将根据设定于干预情况出现的第二天对温度预测模型进行一次训练拟合，更新模型参数。

本发明采用热舒适度PMV指标体系，针对个体用户建立人体热舒适度模型，通过人体热舒适度模型的求解得到最优室内空气温度的预测模型，采用在线学习的方式，利用智能家居系统在运行过程中记录的季节、用户活动状态、天气情况、室外温度、室内空气温度、室内湿度和空调风速等近期历史数据，不断拟合该预测模型，调整模型参数，预测出不同时间段满足个体用户偏好的最优室内空气温度，利用已接入智能家居系统的空调智能控制器，将预测的最优室内空气温度作为空调温度的设定值，以此实现无感化控制，进而调控室内空气温度达到人体舒适的目标。

由于上述技术方案运用，本发明与现有技术相比具有下列优点：

本发明应用到实际智能家居系统中，可实现空调温度的无感化控制，在极大减少用户的参与度下便可捕捉学习到用户对于室内温度的喜好，满足用户舒适度需求。

附图说明

附图1为实施例中房间布局及传感器分布示意图；

附图2为实施例中最优室内空气温度预测模型训练拟合流程图；

附图3a至附图3d为实施例中训练数据量大小K等于2000、4000、6000、8000下模型在不同训练迭代次数时在测试集上的评估效果图；

附图4为实施例中空调和传感器等各种设备的网络工作原理示意图。

具体实施方式

下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例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。

在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”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”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；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。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

本实施例选择一间正常使用的个人办公室，搭建了满足本实施例要求的智能家居系统，通过该系统来采集数据。图1是房间的整体布局图及传感器分布图，分为办公学习区和会客休息区，包括有人体传感器，温度传感器和湿度传感器。

S1：数据采集：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、空调风速和最优室内空气温度(空调设定温度)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。

本实施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，本实例利用办公室中办公学习区和会客休息区的人体传感器感应情况作判断，当办公学习区人体传感器有感应时判定用户处于工作状态，当会客休息区人体传感器有感应时判定用户处于休息状态。

对于季节变量，根据江浙沪一带的气候特征，实施例办公室所在地可分为春季(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。

对于室内空气温度，由安装在室内的温度传感器来采集。

对于室外温度，由安装在室外的温度传感器来采集。

对于室内湿度，由安装在室内的湿度传感器来采集。

作为举例而非限定，在本实施例中，将空调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。

对于最优室内空气温度值，本发明采用当前用户或系统对空调温度的设定值来表示，由broadlink智能遥控器获得。

本实施例采集了从2019年7月15日至7月19日、8月5日至8月9日、9月2日至9月6日、10月14日至10月18日共20天的数据，以1min为采样时间间隔，共计12163组数据。

S2：数据预处理：首先对数据缺失值和异常值进行识别、填补或剔除，然后对采集的数据进行标准化操作。

采集的数据类型包含离散型和连续型两种不同的类型。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，得到如表二所示结果。

表2离散型变量独热编码：

对于连续型的数值型数据，如室外温度、室内空气温度、室内湿度和最优室内空气温度，为了消除不同特征之间量纲的影响，对数据进行0均值标准化处理，处理公式如下：

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。

S3：模型的训练拟合：本实施例选取支持向量回归法作为模型在线学习的算法，支持向量回归学习模型如下，训练拟合需要先确定其中的核函数K(x，x_i)，

本实施例最初选用的核函数有RBF径向基核函数、多项式核函数和线性核函数，这三种核函数对应三种不同的支持向量回归方法。随机从采集记录的12163组数据中选取了3000组数据进行不同核函数对应模型的初步拟合，对应得到三种不同的支持向量回归模型中，计算每种模型的均方误差MSE以及决定系数R²，其中决定系数R²计算公式如下，其中y_i为第i组测试样本的期望值，即最优的室内空气温度t^* _a值，

为第i组测试样本的模型预测值，

为测试样本的期望值的平均值。

均方误差MSE越小，表明拟合模型效果越好；决定系数R²取值范围为0至1，决定系数越大，表明拟合程度越高。通过下表3可知支持向量回归学习模型的核函数应选用RBF径向基核函数。

表3不同核函数初步拟合效果，

	RBF核函数	多项式核函数	线性核函数
				MSE	0.0803	437.097	0.6393
R<sup>2</sup>	0.9361	0.1616	0.4953

确定好具体的模型后，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，流程如图2所示。

为了使训练的模型泛化性能最优，训练时每次从训练集S中随机选取10组数据，按照数据记录的先后顺序进行排列，依次输入模型进行训练，并从训练集S中删除已训练过的数据，避免重复训练。

为了确定系统运行过程中在线拟合时满足无感化控制的训练数据量的大小K和训练迭代的次数I，本实施例选取了K等于2000、4000、6000、8000共五种情况下的对比训练实验测试，当训练迭代次数大于预设值6000后训练结束，同时当迭代次数大于1000时，记录每次训练迭代结束后模型在测试集T上的均方误差MSE和预测准确率A，如图3a至图3d所示，根据这两个训练拟合度评价指标同时考虑训练时间可分析得到本实施例中满足要求的K＝6000，对应MSE收敛小于2时迭代次数I＝3500，预测准确率达到90％。

S4：模型部署与空调温度的无感化控制：

将上述确定的最优室内空气温度t^* _a预测模型及其训练拟合方法部署于智能家居系统的控制端，根据用户的设定或者系统的运行设定所记录的近期历史数据训练拟合该预测模型，实时输出模型预测的最优室内空气温度t^* _a，并通过接入智能家居系统的空调控制器对空调温度进行设定，实现无感化控制。本实施例中空调和传感器等各种设备的网络工作原理示意如图4所示。

系统运行过程中模型参数更新频率，即训练拟合频率在用户没有人为干预系统对空调温度的自主设定情况下为半个月一次；当出现用户人为干预系统对空调温度的自主设定情况时，系统将根据设定于干预情况出现的第二天对温度预测模型进行重新训练拟合，更新模型参数。

上述实施例只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人士能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡根据本发明精神实质所作的等效变化或修饰，都应涵盖在本发明的保护范围之内。

Claims (7)

1.一种基于在线学习的空调温度无感化控制方法，其特征在于：包括：

1)建立最优室内空气温度的预测模型：

对于给定用户i，获取当前的用户活动状态包括A_c、季节S_e、天气情况W_e、室外温度t₀、室内湿度H_l、空调风速W_s和室内空气温度t_a，求解最优的室内空气温度t^* _a，即为空调应设定温度，使得该用户的热舒适度最优，即热舒适度评价值f_i(t_a)的绝对值最小，即：

由此可得到最优室内空气温度t^* _a的预测模型为：

该预测模型又可等价于：

2)采用在线学习的方式，利用智能家居系统收集记录的近期历史数据，对最优室内空气温度的预测模型进行训练拟合，对最优室内空气温度的预测模型进行训练拟合包括：

i)数据采集：采集的数据包括用户活动状态包括A_c、季节S_e、天气情况W_e、室外温度t₀、室内湿度H_l、空调风速W_s、室内空气温度t_a以及最优的室内空气温度t^* _a值，

ii)数据预处理：对数据缺失值和异常值进行识别、填补、剔除，然后对采集的数据进行标准化操作，

iii)模型的训练拟合：选择在线学习的算法，利用ii)中预处理得到的数据进行训练拟合，模型的训练拟合包括：

a)所选算法的可行性分析，选取多元线性回归法，在进行数据训练拟合模型前评估各个自变量与因变量之间是否呈现出明显的线性关系，

b)确定可行算法的实际拟合模型，选取支持向量回归法，支持向量回归学习模型如下，训练拟合需要先确定其中的核函数K(x，x_i)，

多元线性回归学习模型如下：

选用RBF径向基核函数、多项式核函数和线性核函数，这三种核函数对应三种不同的支持向量回归方法，随机从采集记录的数据中选取数据进行不同核函数对应模型的初步拟合，对应得到三种不同的支持向量回归模型中，计算每种模型的均方误差MSE以及决定系数R²，其中决定系数R²计算公式如下，其中y_i为第i组测试样本的期望值，即最优的室内空气温度t^* _a值，

为第i组测试样本的模型预测值，

为测试样本的期望值的平均值，

c)训练拟合度的评价指标，选取均方误差MSE和预测准确率A作为训练拟合度的评价指标，其中均方误差MSE计算公式如下，其中N为测试样本数量，y_i为第i组测试样本的期望值，即最优的室内空气温度t^* _a值，

为第i组测试样本的模型预测值，

预测准确率A的计算公式如下：

d)训练方法、训练拟合的数据量大小、训练迭代次数的确定，拟合模型训练时选取留出法将数据随机地分为训练集S和测试集T，验证模型的拟合度；训练时，将用户活动状态包括A_c、季节S_e、天气情况W_e、室外温度t₀、室内湿度H_l、空调风速W_s、室内空气温度t_a作为模型的输入，最优的室内空气温度t^* _a值，即空调温度的设定值作为模型的期望输入，进行训练拟合，并通过多组实验对比训练后模型的预测效果确定满足无感化控制的训练数据量大小K和训练迭代次数I，

3)将最优室内空气温度的预测模型及其训练拟合方法部署于智能家居系统的控制端，根据用户的设定或者系统的运行设定所记录的近期历史数据训练拟合该预测模型，实时输出预测模型的最优室内空气温度t^* _a，并通过接入智能家居系统的空调控制器对空调温度进行设定，实现无感化控制。

2.根据权利要求1所述的基于在线学习的空调温度无感化控制方法，其特征在于：根据人体热舒适度PMV指标体系建立最优室内空气温度的预测模型，其中影响人体热舒适度的因素包括人体新陈代谢率、人体做功率、环境空气中水蒸气分压力、穿衣人体与裸体表面积之比、平均辐射温度、穿衣人体外表面积平均温度、对流热交换系数、室内空气温度。

3.根据权利要求1所述的基于在线学习的空调温度无感化控制方法，其特征在于：数据采集包括：

a)用户活动状态A_c按实际情况进行划分，采用各房间中人体传感器的响应以及特定设备的状态判断用户的活动状态；

b)季节S_e按当地气候以具体节气时令为划分线；

c)天气情况W_e以当天实时爬取到的天气信息为准；

d)室外温度t₀、室内湿度H_l、室内空气温度t_a通过温、湿度传感器获取；

e)空调风速W_s通过查询空调控制面板或智能遥控器中的设定值获取；

f)最优的室内空气温度t^* _a值取当前用户或系统对空调温度的设定值，通过查询空调控制面板或智能遥控器中的设定值获取。

4.根据权利要求1所述的基于在线学习的空调温度无感化控制方法，其特征在于：数据预处理对异常值的剔除采用k-近邻(KNN)算法检测异常数据，包括采用异常值前后的数据来取代该异常值、采用前后多个数据的平均值来取代该异常值或者在样本量很小的情况下直接删除异常值。

5.根据权利要求1所述的基于在线学习的空调温度无感化控制方法，其特征在于：对采集的数据进行标准化操作包括对数据的量化与归一处理：对于离散型变量采用独热编码算法进行量化处理；对于连续型变量采用0均值标准化算法进行归一处理。

6.根据权利要求1所述的基于在线学习的空调温度无感化控制方法，其特征在于：在d)中：训练时每次从训练集S中随机选取多组数据，按照数据记录的先后顺序进行排列，依次输入模型进行训练，并从训练集S中删除已训练过的数据。

7.根据权利要求1所述的基于在线学习的空调温度无感化控制方法，其特征在于：预测模型参数根据训练拟合频率在用户是否有人为干预系统对空调温度的自主设定情况进行不同频率的更新。

Images