CN114357412A - 一种暖通空调系统效率自控寻优控制系统 - Google Patents

Abstract

本发明涉及一种暖通空调系统效率自控寻优控制系统，解决的是暖通空调系统效率控制中保密性低的技术问题，通过采用包括蒸发器、冷凝器、膨胀阀及压缩机，与蒸发器、冷凝器、膨胀阀及压缩机分别连接的参数传感器，与参数传感器连接的数据建模分析模块，数据建模分析模块通过区块链子节点连接到网络云服务器，网络云服务器通过区块链网络连接控制器，控制器控制暖通空调的功率参数；所述控制器包括认证监控单元，认证监控单元包括内置的第一存储器，与第一存储器连接的内置接收单元、内置处理单元以及身份特征采集单元，内置处理单元连接输出单元至控制器；的技术方案，较好的解决了该问题，可用于暖通空调控制中。

Description

一种暖通空调系统效率自控寻优控制系统

技术领域

本发明涉及暖通空调控制领域，具体涉及一种暖通空调系统效率自控寻优控制系统。

背景技术

暖通空调是具有采暖、通风和空气调节功能的空调器。由于暖通空调的主要功能包括：采暖、通风和空气调节这三个方面，缩写HVAC(Heating,Ventilating andAirConditioning)，取这三个功能的综合简称，即为暖通空调。

暖通空调系统的蒸汽压缩系统主要可以分为四个环节：蒸发器、冷凝器、膨胀阀和压缩机。给制冷剂提供流动的动力的就是压缩机，它也是让制冷循环制冷的关键部位。它模型的计算会影响到制冷剂流量，而且目前的压缩机也有很多种，比如离心式压缩机、回旋式压缩机、螺杆式压缩机和活塞式压缩机等。

现有的暖通空调系统效率自控寻优控制系统存在保密性差、效率低的技术问题。本发明提供一种暖通空调系统效率自控寻优控制系统，用以解决上述技术问题。

发明内容

本发明所要解决的技术问题是现有技术中存在的暖通空调系统效率控制中保密性低的技术问题。提供一种新的暖通空调系统效率自控寻优控制系统，该暖通空调系统效率自控寻优控制系统具有保密性高的特点。

为解决上述技术问题，采用的技术方案如下：

一种暖通空调系统效率自控寻优控制系统，所述暖通空调系统效率自控寻优控制系统包括：

蒸发器、冷凝器、膨胀阀及压缩机，与蒸发器、冷凝器、膨胀阀及压缩机分别连接的参数传感器，与参数传感器连接的数据建模分析模块，数据建模分析模块通过区块链子节点连接到网络云服务器，网络云服务器通过区块链网络连接控制器，控制器控制暖通空调的功率参数；

所述控制器包括认证监控单元，认证监控单元包括内置的第一存储器，与第一存储器连接的内置接收单元、内置处理单元以及身份特征采集单元，内置处理单元连接输出单元至控制器；

内置处理单元对身份特征采集单元采集实时操作者的特征数据进行一致性初始分析，持续对内置接收单元持续接收的操作者操作控制器的行为特征数据进行操作者一致性持续分析，

内置处理单元根据一致性初始分析结果判断实时操作者与内置注册操作者的初始身份一致性，根据操作者一致性持续分析结果判断实时操作者与内置注册操作者的身份的持续身份一致性；

初始身份一致和持续身份一致则通过输出单元输出脱密处理的身份识别码；

控制器接收身份识别码，与登录注册的操作者身份进行对比，完成线上操作者与线下操作者的身份一致性认证。

本发明的工作原理：本发明为了解决暖通空调系统效率自控寻优控制系统中手动控制的权限分配和保密性问题。设置了权限身份一致性认证，分为初始身份验证和使用过程中的后续验证，在初始验证时，可以采集用户的生物特征进行一致性持续分析验证。但存在后续使用过程中是否于注册的用户身份是同一人的情况。这时，本申请通过持续接收控制器的行为特征并在内部进行分析对比，确认是否仍未同一人。在此过程中，控制操作者的身份对比均在系统内部，系统与网络交互的仅是脱密处理后的身份识别码，预防了个人信息在网络存储的易泄露的风险。

上述方案中，为优化，进一步地，所述内置处理单元还对网络云服务器的控制策略行为持续进行控制策略正常性分析。对于网络云服务器的自动控制，本发明可以采用与一致性持续分析一致的分析方法，对网络云服务器的控制策略与历史策略进行相似性分析，确保不出现控制异常。

进一步地，所述一致性初始分析和一致性持续分析中，特征样本同时采样2次，并对2次特征样本进行预处理，预处理为：

步骤a，将特征样本A和特征样本B变换分解为Z个子样本，每一子样本将分为2个部分，第一部分滤波系数定义为

和第二部分滤波系数定义为

C/B表示特征样本A或特征样本B，1≤γ≤Z表示第γ次分解，m和n为预定义系数；

步骤b，对于第γ次分解的第一部分滤波系数，采用第一融合准则进行融合，遍历特征样本A或特征样本B，计算特征样本A或特征样本B的相关度，得到融合权重，第一融合准则准则为：

确定P×Q的窗口为区域R，计算区域R内每个特征样本的子点在水平方向和垂直方向的梯度幅值G_x[i,j]和G_y[i,j]，计算出梯度值G(i,j)

计算出区域R的中心点的内积能量为E(P(x,y))

<>为区域内积运算；

计算出特征样本A和特征样本B的相关性为：

假设阈值为a，权重系数w_C和w_D为：

当

时，w_C＝0，w_D＝0；

时，

w_D＝1-w_C；

计算出第一部分融合后特征为R_F(x,y)＝w_C·R_C(x,y)+w_C·R_C(x,y)；

步骤A，对于第γ次分解的第二部分系数，采用第二融合准则进行融合，定义P×Q的窗口为区域R；第二融合准则为计算区域能量的最大值E进行融合；

其中w(i,j)为区域中每个相邻点像素的权值；

步骤B，采用与步骤a对应的逆变换对步骤b和步骤A的融合结果进行重构，得到归一化特征F。

在对于采集的2次样本进行归一化融合处理，提高精度的过程中，采用分解后分批融合的方式，既提高了融合效果，也提高了融合效率。具体的，对于频点变化大的部分归于第一类作为高变频数据，频点变化小的部分归于第二类作为低变频数据。在高变频数据的归一化融合中，使用了区域内积能量、区域内匹配度作为融合准则的依据，降低了滤波噪声，保证了归一化融合效果。对于低频数据可以采用传统小波变换、以及本发明中的区域能量的最大值作为融合结果等方式进行融合。

进一步地，所述操作者一致性持续分析包括：

步骤1，从归一化特征F中检测出N个特征峰值，记作{(v_i,t_i)|i＝0,1,...,N}，其中N为大于3的自然数；

步骤2，计算相邻特征峰值之间的时间差值，得到特征峰值间隔数据特征库{(v_i,Δt_i)|i＝1,2,...,N}；

步骤3，定义窗口宽度w和窗口移动速度v；

w＝(max(Δt_i)-min(Δt_i))×p；

其中，p为窗口宽度和总宽度的预设比例值，1≤i≤N；

步骤4，从横向扫描确定峰值阈值范围(V₁,V₂)；从纵向扫描确定时间间隔阈值范围(T₁,T₂)；

步骤5，将峰值阈值范围(V₁,V₂)和时间间隔阈值范围(T₁,T₂)构成的区域定义为标准特征点的可信区域；

步骤6，将标准特征点的可信区域组成的曲线定义为更正特征曲线函数T＝(s₁,s₂,...,s_h)，h为更正特征曲线的长度；

步骤7，将历史存储的授权用户标准特征曲线S＝(s₁,s₂,...,s_z)与更正特征曲线函数进行进行一致性对比度计算，一致性对比度低于预定阈值的判定一致，否则判定不一致，其中z为标准特征曲线长度。

进一步地，所述一次性初始分析包括：

步骤A，按时间顺序位于奇数时序的作为第一特征归入第一特征样本库，位于偶数时序的作为第二特征归入第二特征样本库；

步骤B，对序号相同的第一特征和第二特征进行高斯卷积变换，分别提取4个尺度上的高斯特征δ＝{1,2,3,4}和8个方向上的高斯卷积特征θ＝{0,1,2,3,4,5,6,7}×(π/8)；

步骤C，对第一特征和第二特征所提取的高斯特征以进行归一化一致性处理，得到一致性区间

其中y是由ω个第一特征向量或第二特征向量组成的特征矩阵，μ为特征矩阵的均值，δ为方差；

步骤D，计算第一特征训练样本与第一特征检测样本之间的最短距离B1＝[B11,B21,...BA1]，将Bi1(i1＝1,2,3,...A)按照降序排列(B11＞B21＞...＞BA1)，分别确定最小距离BA1；计算出距离均值

定义距离均值与最短距离的比值

步骤E，计算第二特征训练样本与第二特征检测样本之间的最短距离B2＝[B12,B22,...BA2]，将Bi2(i2＝1,2,3,...A)按照降序排列(B12＞B22＞...＞BA2)，分别确定最小距离BA2；计算出距离均值

定义距离均值与最短距离的比值

步骤F，计算出

计算出检测样本统一权值w＝[w₁，w₂，...,w_m]，权值均值

定义特征融合为

其中，y_b1为归一化后的第一特征向量，y_b2为归一化后的第二特征向量，M为第一特征样本库和第二特征样本库中的检测样本个数；

步骤G，计算出训练样本y_训练和检测样本y_检测之间的距离

根据欧式距离在搜索空间中寻找出于测试样本距离最近的训练样本，将测试样本与训练样本归于一致，完成一致性初始分析，其中|| ||₂为欧氏距离。

进一步地，参数传感器包括水压传感器、运行时间传感器。

为了增加控制数据源的可靠性和高效性，进一步地，数据建模分析模块包括并联的P个数据建模分析子单元，P个数据建模分析子单元加权融合结果作为数据建模分析模块输出；每一个数据建模分析子单元需要采集Q个数据建模分析子变量；每个数据建模分析子变量在同一周期中的某一时刻仅能被一个数据建模分析子单元采集；数据建模分析模块通过运行如下方法完成P个数据建模分析子单元的数据建模分析子变量采集；

步骤(1)，对数据建模分析子单元和数据建模分析子变量的采集策略编码作为蜜蜂Z＝[g₁，g₂,...g_ζ...,g_Q×P]，蜜蜂组合为集合；其中基因g_ζ＝j_η，(j＝1,...,P,η＝1,...Q)，代表第j个数据建模分析子单元执行第η个数据建模分析子变量采集，计算蜜蜂的适应度，蜜蜂适应度为蜜蜂对应的总采集时间的归一化值；

步骤(2)，根据蜜蜂适应度预设收敛条件，检查收敛条件是否满足，如果满足则执行步骤(5)，否则继续执行步骤(3)；

步骤(3)，从集合随机选择出两个蜜蜂作为一对父母蜜蜂，随机选出一个数据建模分析子单元编号，保证这一数据建模分析子单元编号在父母蜜蜂中对应的基因位置不变，按顺序交叉互换父母蜜蜂中的其他基因，产生一对子女蜜蜂完成交叉操作；根据交叉结果进行重构操作或局部寻优操作，执行步骤(4)；

步骤(4)，变异操作时随机选出变异操作的一个蜜蜂作为待变异蜜蜂，在蜜蜂中随机选出一个基因为j_η，则变异操作是在第j个数据建模分析子单元执行第η个数据建模分析子变量采集的顺序在第j个数据建模分析子单元总的采集顺序中保持不变的情况下，改变基因j_η在蜜蜂中的位置进行重定位完成变异操作；根据变异结果进行重构操作或局部寻优操作，返回步骤(2)；

步骤(5)，输出最优蜜蜂作为数据建模分析模块的采集策略，结束；

所述重构操作是当交叉操作或变异操作产生的蜜蜂劣于待操作蜜蜂时，新选择蜜蜂加入待操作蜜蜂；

所述局部寻优操作是交叉操作或变异操作产生的蜜蜂优于原蜜蜂，则利用生成的蜜蜂再重复一次交叉操作或变异操作，然后选出最优的蜜蜂作为下一代蜜蜂。

本发明的有益效果：本发明为了解决暖通空调系统效率自控寻优控制系统中手动控制的权限分配和保密性问题。设置了权限身份一致性认证，分为初始身份验证和使用过程中的后续验证，在初始验证时，可以采集用户的生物特征进行一致性持续分析验证。但存在后续使用过程中是否于注册的用户身份是同一人的情况。这时，本申请通过持续接收控制器的行为特征并在内部进行分析对比，确认是否仍未同一人。在此过程中，控制操作者的身份对比均在系统内部，系统与网络交互的仅是脱密处理后的身份识别码，预防了个人信息在网络存储的易泄露的风险。在对于采集的2次样本进行归一化融合处理，提高精度的过程中，采用分解后分批融合的方式，既提高了融合效果，也提高了融合效率。具体的，对于频点变化大的部分归于第一类作为高变频数据，频点变化小的部分归于第二类作为低变频数据。在高变频数据的归一化融合中，使用了区域内积能量、区域内匹配度作为融合准则的依据，降低了滤波噪声，保证了归一化融合效果。对于低频数据可以采用传统小波变换、以及本发明中的区域能量的最大值作为融合结果等方式进行融合。为了增加控制数据源的可靠性和高效性，本发明采用多个数据建模分析子单元进行多个分析因子采集的策略。但为了时效性，采用创新的算法实现了多种策略的对比，并选出最优策略进行采集。

附图说明

下面结合附图和实施例对本发明进一步说明。

图1，暖通空调系统效率自控寻优控制系统示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

实施例1

本实施例提供一种暖通空调系统效率自控寻优控制系统，如图1，所述暖通空调系统效率自控寻优控制系统包括：

蒸发器、冷凝器、膨胀阀及压缩机，与蒸发器、冷凝器、膨胀阀及压缩机分别连接的参数传感器，与参数传感器连接的数据建模分析模块，数据建模分析模块通过区块链子节点连接到网络云服务器，网络云服务器通过区块链网络连接控制器，控制器控制暖通空调的功率参数；

所述控制器包括认证监控单元，认证监控单元包括内置的第一存储器，与第一存储器连接的内置接收单元、内置处理单元以及身份特征采集单元，内置处理单元连接输出单元至控制器；

内置处理单元对身份特征采集单元采集实时操作者的特征数据进行一致性初始分析，持续对内置接收单元持续接收的操作者操作控制器的行为特征数据进行操作者一致性持续分析，

内置处理单元根据一致性初始分析结果判断实时操作者与内置注册操作者的初始身份一致性，根据操作者一致性持续分析结果判断实时操作者与内置注册操作者的身份的持续身份一致性；

初始身份一致和持续身份一致则通过输出单元输出脱密处理的身份识别码；

控制器接收身份识别码，与登录注册的操作者身份进行对比，完成线上操作者与线下操作者的身份一致性认证。

本实施例为了解决暖通空调系统效率自控寻优控制系统中手动控制的权限分配和保密性问题。设置了权限身份一致性认证，分为初始身份验证和使用过程中的后续验证，在初始验证时，可以采集用户的生物特征进行一致性持续分析验证。但存在后续使用过程中是否于注册的用户身份是同一人的情况。这时，本申请通过持续接收控制器的行为特征并在内部进行分析对比，确认是否仍未同一人。在此过程中，控制操作者的身份对比均在系统内部，系统与网络交互的仅是脱密处理后的身份识别码，预防了个人信息在网络存储的易泄露的风险。

优选地，所述内置处理单元还对网络云服务器的控制策略行为持续进行控制策略正常性分析。对于网络云服务器的自动控制，本实施例可以采用与一致性持续分析一致的分析方法，对网络云服务器的控制策略与历史策略进行相似性分析，确保不出现控制异常。

所述一致性初始分析和一致性持续分析中，可按照现有技术直接进行一致性分析。也可采用本优选方案，即特征样本同时采样2次，并对2次特征样本进行预处理，预处理为：

步骤a，将特征样本A和特征样本B变换分解为Z个子样本，每一子样本将分为2个部分，第一部分滤波系数定义为

和第二部分滤波系数定义为

C/B表示特征样本A或特征样本B，1≤γ≤Z表示第γ次分解，m和n为预定义系数；

步骤b，对于第γ次分解的第一部分滤波系数，采用第一融合准则进行融合，遍历特征样本A或特征样本B，计算特征样本A或特征样本B的相关度，得到融合权重，第一融合准则准则为：

确定P×Q的窗口为区域R，计算区域R内每个特征样本的子点在水平方向和垂直方向的梯度幅值G_x[i,j]和G_y[i,j]，计算出梯度值G(i,j)

计算出区域R的中心点的内积能量为E(P(x,y))

<>为区域内积运算；

计算出特征样本A和特征样本B的相关性为：

假设阈值为a，权重系数w_C和w_D为：

当

时，w_C＝0，w_D＝0；

时，

w_D＝1-w_C；

计算出第一部分融合后特征为R_F(x,y)＝w_C·R_C(x,y)+w_C·R_C(x,y)；

步骤A，对于第γ次分解的第二部分系数，采用第二融合准则进行融合，定义P×Q的窗口为区域R；第二融合准则为计算区域能量的最大值E进行融合；

其中w(i,j)为区域中每个相邻点像素的权值；

步骤B，采用与步骤a对应的逆变换对步骤b和步骤A的融合结果进行重构，得到归一化特征F。

本实施例在对于采集的2次样本进行归一化融合处理，提高精度的过程中，采用分解后分批融合的方式，既提高了融合效果，也提高了融合效率。具体的，对于频点变化大的部分归于第一类作为高变频数据，频点变化小的部分归于第二类作为低变频数据。在高变频数据的归一化融合中，使用了区域内积能量、区域内匹配度作为融合准则的依据，降低了滤波噪声，保证了归一化融合效果。对于低频数据可以采用传统小波变换、以及本发明中的区域能量的最大值作为融合结果等方式进行融合。

所述一致性持续分析中，可按照现有技术直接持续进行一致性分析。也可采用本优选方案，即所述操作者一致性持续分析方法包括：

步骤1，从归一化特征F中检测出N个特征峰值，记作{(v_i,t_i)|i＝0,1,...,N}，其中N为大于3的自然数；

步骤2，计算相邻特征峰值之间的时间差值，得到特征峰值间隔数据特征库{(v_i,Δt_i)|i＝1,2,...,N}；

步骤3，定义窗口宽度w和窗口移动速度v；

w＝(max(Δt_i)-min(Δt_i))×p；

其中，p为窗口宽度和总宽度的预设比例值，1≤i≤N；

步骤4，从横向扫描确定峰值阈值范围(V₁,V₂)；从纵向扫描确定时间间隔阈值范围(T₁,T₂)；

步骤5，将峰值阈值范围(V₁,V₂)和时间间隔阈值范围(T₁,T₂)构成的区域定义为标准特征点的可信区域；

步骤6，将标准特征点的可信区域组成的曲线定义为更正特征曲线函数T＝(s₁,s₂,...,s_h)，h为更正特征曲线的长度；

步骤7，将历史存储的授权用户标准特征曲线S＝(s₁,s₂,...,s_z)与更正特征曲线函数进行进行一致性对比度计算，一致性对比度低于预定阈值的判定一致，否则判定不一致，其中z为标准特征曲线长度。

所述一致性初始分析中，可按照现有技术直接进行一致性对照分析。也可采用本优选方案，即所述一次性初始分析包括：

步骤A，按时间顺序位于奇数时序的作为第一特征归入第一特征样本库，位于偶数时序的作为第二特征归入第二特征样本库；

步骤B，对序号相同的第一特征和第二特征进行高斯卷积变换，分别提取4个尺度上的高斯特征δ＝{1,2,3,4}和8个方向上的高斯卷积特征θ＝{0,1,2,3,4,5,6,7}×(π/8)；

步骤C，对第一特征和第二特征所提取的高斯特征以进行归一化一致性处理，得到一致性区间

其中y是由ω个第一特征向量或第二特征向量组成的特征矩阵，μ为特征矩阵的均值，δ为方差；

步骤D，计算第一特征训练样本与第一特征检测样本之间的最短距离B1＝[B11,B21,...BA1]，将Bi1(i1＝1,2,3,...A)按照降序排列(B11＞B21＞...＞BA1)，分别确定最小距离BA1；计算出距离均值

定义距离均值与最短距离的比值

步骤E，计算第二特征训练样本与第二特征检测样本之间的最短距离B2＝[B12,B22,...BA2]，将Bi2(i2＝1,2,3,...A)按照降序排列(B12＞B22＞...＞BA2)，分别确定最小距离BA2；计算出距离均值

定义距离均值与最短距离的比值

步骤F，计算出

计算出检测样本统一权值w＝[w₁，w₂，...,w_m]，权值均值

定义特征融合为

其中，y_b1为归一化后的第一特征向量，y_b2为归一化后的第二特征向量，M为第一特征样本库和第二特征样本库中的检测样本个数；

步骤G，计算出训练样本y_训练和检测样本y_检测之间的距离

根据欧式距离在搜索空间中寻找出于测试样本距离最近的训练样本，将测试样本与训练样本归于一致，完成一致性初始分析，其中|| ||₂为欧氏距离。

进一步地，参数传感器包括水压传感器、运行时间传感器。

为了增加控制数据源的可靠性和高效性，进一步地，数据建模分析模块包括并联的P个数据建模分析子单元，P个数据建模分析子单元加权融合结果作为数据建模分析模块输出；每一个数据建模分析子单元需要采集Q个数据建模分析子变量；每个数据建模分析子变量在同一周期中的某一时刻仅能被一个数据建模分析子单元采集；数据建模分析模块通过运行如下方法完成P个数据建模分析子单元的数据建模分析子变量采集；

步骤(1)，对数据建模分析子单元和数据建模分析子变量的采集策略编码作为蜜蜂Z＝[g₁，g₂,...g_ζ...,g_Q×P]，蜜蜂组合为集合；其中基因g_ζ＝j_η，(j＝1,...,P,η＝1,...Q)，代表第j个数据建模分析子单元执行第η个数据建模分析子变量采集，计算蜜蜂的适应度，蜜蜂适应度为蜜蜂对应的总采集时间的归一化值；

步骤(2)，因为每次采集均需要采集时间，故根据蜜蜂中的采集顺序估计总采集时间，并根据蜜蜂适应度预设收敛条件，检查收敛条件是否满足，如果满足则执行步骤(5)完成采集策略指定，否则继续执行步骤(3)；

步骤(3)，从集合随机选择出两个蜜蜂作为一对父母蜜蜂，随机选出一个数据建模分析子单元编号，保证这一数据建模分析子单元编号在父母蜜蜂中对应的基因位置不变，按顺序交叉互换父母蜜蜂中的其他基因，产生一对子女蜜蜂完成交叉操作；根据交叉结果进行重构操作或局部寻优操作，执行步骤(4)；

例如，选出待交叉的父母蜜蜂为：

3₁ 2₂ 4₁ 1₄ 2₄ 3₄ 4₂ 1₃ 2₃ 3₃ 1₂ 4₃ 1₁ 2₁ 3₂ 4₄

2₂ 1₄ 2₄ 4₁ 3₁ 3₄ 4₂ 2₃ 1₃ 3₃ 4₃ 2₁ 1₂ 4₄ 3₂ 1₁

随机确定的数据建模分析子单元编号为2，则交叉操作后的一对子女蜜蜂为：

1₄ 22 4₁ 31 2₄ 34 42 13 23 33 43 12 4₄ 2₁ 32 11

2₂ 3₁ 2₄ 4₁ 1₄ 3₄ 4₂ 2₃ 1₃ 3₃ 1₂ 2₁ 4₃ 1₁ 3₂ 4₄

步骤(4)，变异操作时随机选出变异操作的一个蜜蜂作为待变异蜜蜂，在蜜蜂中随机选出一个基因为j_η，则变异操作是在第j个数据建模分析子单元执行第η个数据建模分析子变量采集的顺序在第j个数据建模分析子单元总的采集顺序中保持不变的情况下，改变基因j_η在蜜蜂中的位置进行重定位完成变异操作；根据变异结果进行重构操作或局部寻优操作，返回步骤(2)；

例如：选定的待变异蜜蜂为：

3₁ 2₂ 4₁ 1₄ 2₄ 3₄ 4₂ 1₃ 2₃ 3₃ 1₂ 4₃ 1₁ 2₁ 3₂ 4₄

随机选出的基因为3₄，则变异后的蜜蜂为：

3₁ 2₂ 3₄ 4₁ 1₄ 2₄ 4₂ 1₃ 2₃ 3₃ 1₂ 4₃ 1₁ 2₁ 3₂ 4₄

步骤(5)，输出最优蜜蜂作为数据建模分析模块的采集策略，结束；

所述重构操作是当交叉操作或变异操作产生的蜜蜂劣于待操作蜜蜂时，新选择蜜蜂加入待操作蜜蜂；

所述局部寻优操作是交叉操作或变异操作产生的蜜蜂优于原蜜蜂，则利用生成的蜜蜂再重复一次交叉操作或变异操作，然后选出最优的蜜蜂作为下一代蜜蜂。

此时，本实施例中的交叉和变异概率根据种群的进化变化，能够取得更好的收敛速度，交叉和变异的概率算式为：

其中，P_C为交叉概率，P_m为变异概率，F_max为种群中的最大适应度，F_avg为种群蜜蜂的平均适应度，F为交叉蜜蜂或变异蜜蜂的适应度，k_c2、k_c1、k_m2、k_m1为预设在[0，1]之间的常数。

本实施例为了解决暖通空调系统效率自控寻优控制系统中手动控制的权限分配和保密性问题。设置了权限身份一致性认证，分为初始身份验证和使用过程中的后续验证，在初始验证时，可以采集用户的生物特征进行一致性持续分析验证。但存在后续使用过程中是否于注册的用户身份是同一人的情况。这时，本申请通过持续接收控制器的行为特征并在内部进行分析对比，确认是否仍未同一人。在此过程中，控制操作者的身份对比均在系统内部，系统与网络交互的仅是脱密处理后的身份识别码，预防了个人信息在网络存储的易泄露的风险。在对于采集的2次样本进行归一化融合处理，提高精度的过程中，采用分解后分批融合的方式，既提高了融合效果，也提高了融合效率。具体的，对于频点变化大的部分归于第一类作为高变频数据，频点变化小的部分归于第二类作为低变频数据。在高变频数据的归一化融合中，使用了区域内积能量、区域内匹配度作为融合准则的依据，降低了滤波噪声，保证了归一化融合效果。对于低频数据可以采用传统小波变换、以及本发明中的区域能量的最大值作为融合结果等方式进行融合。为了增加控制数据源的可靠性和高效性，本发明采用多个数据建模分析子单元进行多个分析因子采集的策略。但为了时效性，采用创新的算法实现了多种策略的对比，并选出最优策略进行采集。

尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员能够理解本发明，但是本发明不仅限于具体实施方式的范围，对本技术领域的普通技术人员而言，只要各种变化只要在所附的权利要求限定和确定的本发明精神和范围内，一切利用本发明构思的发明创造均在保护之列。

Claims (7)

1.一种暖通空调系统效率自控寻优控制系统，其特征在于：所述暖通空调系统效率自控寻优控制系统包括：

蒸发器、冷凝器、膨胀阀及压缩机，与蒸发器、冷凝器、膨胀阀及压缩机分别连接的参数传感器，与参数传感器连接的数据建模分析模块，数据建模分析模块通过区块链子节点连接到网络云服务器，网络云服务器通过区块链网络连接控制器，控制器控制暖通空调的功率参数；

所述控制器包括认证监控单元，认证监控单元包括内置的第一存储器，与第一存储器连接的内置接收单元、内置处理单元以及身份特征采集单元，内置处理单元连接输出单元至控制器；

内置处理单元对身份特征采集单元采集实时操作者的特征数据进行一致性初始分析，持续对内置接收单元持续接收的操作者操作控制器的行为特征数据进行操作者一致性持续分析，

内置处理单元根据一致性初始分析结果判断实时操作者与内置注册操作者的初始身份一致性，根据操作者一致性持续分析结果判断实时操作者与内置注册操作者的身份的持续身份一致性；

初始身份一致和持续身份一致则通过输出单元输出脱密处理的身份识别码；

控制器接收身份识别码，与登录注册的操作者身份进行对比，完成线上操作者与线下操作者的身份一致性认证。

2.根据权利要求1所述的暖通空调系统效率自控寻优控制系统，其特征在于：

所述内置处理单元还对网络云服务器的控制策略行为持续进行控制策略正常性分析。

3.根据权利要求2所述的暖通空调系统效率自控寻优控制系统，其特征在于：所述一致性初始分析和一致性持续分析中，特征样本同时采样2次，并对2次特征样本进行预处理，预处理为：

步骤a，将特征样本A和特征样本B变换分解为Z个子样本，每一子样本将分为2个部分，第一部分滤波系数定义为

和第二部分滤波系数定义为

C/B表示特征样本A或特征样本B，1≤γ≤Z表示第γ次分解，m和n为预定义系数；

步骤b，对于第γ次分解的第一部分滤波系数，采用第一融合准则进行融合，遍历特征样本A或特征样本B，计算特征样本A或特征样本B的相关度，得到融合权重，第一融合准则准则为：

确定P×Q的窗口为区域R，计算区域R内每个特征样本的子点在水平方向和垂直方向的梯度幅值G_x[i,j]和G_y[i,j]，计算出梯度值G(i,j)

计算出区域R的中心点的内积能量为E(P(x,y))

<>为区域内积运算；

计算出特征样本A和特征样本B的相关性为：

假设阈值为a，权重系数w_C和w_D为：

当

时，w_C＝0，w_D＝0；

时，

w_D＝1-w_C；

计算出第一部分融合后特征为R_F(x,y)＝w_C·R_C(x,y)+w_C·R_C(x,y)；

步骤A，对于第γ次分解的第二部分系数，采用第二融合准则进行融合，定义P×Q的窗口为区域R；第二融合准则为计算区域能量的最大值E进行融合；

其中w(i,j)为区域中每个相邻点像素的权值；

步骤B，采用与步骤a对应的逆变换对步骤b和步骤A的融合结果进行重构，得到归一化特征F。

4.根据权利要求3所述的暖通空调系统效率自控寻优控制系统，其特征在于：所述操作者一致性持续分析包括：

步骤1，从归一化特征F中检测出N个特征峰值，记作{(v_i,t_i)|i＝0,1,...,N}，其中N为大于3的自然数；

步骤2，计算相邻特征峰值之间的时间差值，得到特征峰值间隔数据特征库{(v_i,Δt_i)|i＝1,2,...,N}；

步骤3，定义窗口宽度w和窗口移动速度v；

w＝(max(Δt_i)-min(Δt_i))×p；

其中，p为窗口宽度和总宽度的预设比例值，1≤i≤N；

步骤4，从横向扫描确定峰值阈值范围(V₁，V₂)；从纵向扫描确定时间间隔阈值范围(T₁，T₂)；

步骤5，将峰值阈值范围(V₁，V₂)和时间间隔阈值范围(T₁，T₂)构成的区域定义为标准特征点的可信区域；

步骤6，将标准特征点的可信区域组成的曲线定义为更正特征曲线函数T＝(s₁，s₂，...，s_h)，h为更正特征曲线的长度；

步骤7，将历史存储的授权用户标准特征曲线S＝(s₁，s₂，...，s_z)与更正特征曲线函数进行进行一致性对比度计算，一致性对比度低于预定阈值的判定一致，否则判定不一致，其中z为标准特征曲线长度。

5.根据权利要求3所述的暖通空调系统效率自控寻优控制系统，其特征在于：所述一次性初始分析包括：

步骤A，按时间顺序位于奇数时序的作为第一特征归入第一特征样本库，位于偶数时序的作为第二特征归入第二特征样本库；

步骤B，对序号相同的第一特征和第二特征进行高斯卷积变换，分别提取4个尺度上的高斯特征δ＝{1，2，3，4}和8个方向上的高斯卷积特征θ＝{0，1，2，3，4，5，6，7}×(π/8)；

步骤C，对第一特征和第二特征所提取的高斯特征以进行归一化一致性处理，得到一致性区间

其中y是由ω个第一特征向量或第二特征向量组成的特征矩阵，μ为特征矩阵的均值，δ为方差；

步骤D，计算第一特征训练样本与第一特征检测样本之间的最短距离B1＝[B11，B21，...BA1]，将Bi1(i1＝1，2，3，...A)按照降序排列(B11＞B21＞...＞BA1)，分别确定最小距离BA1；计算出距离均值

定义距离均值与最短距离的比值

步骤E，计算第二特征训练样本与第二特征检测样本之间的最短距离B2＝[B12，B22，...BA2]，将Bi2(i2＝1，2，3，...A)按照降序排列(B12＞B22＞...＞BA2)，分别确定最小距离BA2；计算出距离均值

定义距离均值与最短距离的比值

步骤F，计算出

计算出检测样本统一权值w＝[w₁，w₂，...，w_m]，权值均值

定义特征融合为

其中，y_b1为归一化后的第一特征向量，y_b2为归一化后的第二特征向量，M为第一特征样本库和第二特征样本库中的检测样本个数；

步骤G，计算出训练样本y_训练和检测样本y_检测之间的距离

根据欧式距离在搜索空间中寻找出于测试样本距离最近的训练样本，将测试样本与训练样本归于一致，完成一致性初始分析，其中|| ||₂为欧氏距离。

6.根据权利要求3所述的暖通空调系统效率自控寻优控制系统，其特征在于：参数传感器包括水压传感器、运行时间传感器。

7.根据权利要求6所述的暖通空调系统效率自控寻优控制系统，其特征在于：数据建模分析模块包括并联的P个数据建模分析子单元，P个数据建模分析子单元加权融合结果作为数据建模分析模块输出；每一个数据建模分析子单元需要采集Q个数据建模分析子变量；每个数据建模分析子变量在同一周期中的某一时刻仅能被一个数据建模分析子单元采集；数据建模分析模块通过运行如下方法完成P个数据建模分析子单元的数据建模分析子变量采集；

步骤(1)，对数据建模分析子单元和数据建模分析子变量的采集策略编码作为蜜蜂Z＝[g₁，g₂，...g_ζ…，g_Q×P]，蜜蜂组合为集合；其中基因g_ζ＝j_η，(j＝1，...，P，η＝1，...Q)，j_η代表第j个数据建模分析子单元执行第η个数据建模分析子变量采集，计算蜜蜂的适应度，蜜蜂适应度为蜜蜂对应的总采集时间的归一化值；

步骤(2)，根据蜜蜂适应度预设收敛条件，检查收敛条件是否满足，如果满足则执行步骤(5)，否则继续执行步骤(3)；

步骤(3)，从集合随机选择出两个蜜蜂作为一对父母蜜蜂，随机选出一个数据建模分析子单元编号，保证这一数据建模分析子单元编号在父母蜜蜂中对应的基因位置不变，按顺序交叉互换父母蜜蜂中的其他基因，产生一对子女蜜蜂完成交叉操作；根据交叉结果进行重构操作或局部寻优操作，执行步骤(4)；

步骤(4)，变异操作时随机选出变异操作的一个蜜蜂作为待变异蜜蜂，在蜜蜂中随机选出一个基因为j_η，则变异操作是在第j个数据建模分析子单元执行第η个数据建模分析子变量采集的顺序在第j个数据建模分析子单元总的采集顺序中保持不变的情况下，改变基因j_η在蜜蜂中的位置进行重定位完成变异操作；根据变异结果进行重构操作或局部寻优操作，返回步骤(2)；

步骤(5)，输出最优蜜蜂作为数据建模分析模块的采集策略，结束；

所述重构操作是当交叉操作或变异操作产生的蜜蜂劣于待操作蜜蜂时，新选择蜜蜂加入待操作蜜蜂；

所述局部寻优操作是交叉操作或变异操作产生的蜜蜂优于原蜜蜂，则利用生成的蜜蜂再重复一次交叉操作或变异操作，然后选出最优的蜜蜂作为下一代蜜蜂。

Images