CN117029191A - 一种基于中央空调的智能节能控制系统及方法 - Google Patents
一种基于中央空调的智能节能控制系统及方法 Download PDFInfo
- Publication number
- CN117029191A CN117029191A CN202311025492.5A CN202311025492A CN117029191A CN 117029191 A CN117029191 A CN 117029191A CN 202311025492 A CN202311025492 A CN 202311025492A CN 117029191 A CN117029191 A CN 117029191A
- Authority
- CN
- China
- Prior art keywords
- illumination intensity
- training
- time sequence
- air conditioner
- shixu
- 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 38
- 238000005286 illumination Methods 0.000 claims abstract description 223
- 239000013598 vector Substances 0.000 claims description 188
- 238000012549 training Methods 0.000 claims description 55
- 238000005070 sampling Methods 0.000 claims description 35
- 238000000605 extraction Methods 0.000 claims description 20
- 230000001105 regulatory effect Effects 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 7
- 238000012300 Sequence Analysis Methods 0.000 claims description 4
- 230000003287 optical effect Effects 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 13
- 238000004378 air conditioning Methods 0.000 description 11
- 230000002123 temporal effect Effects 0.000 description 10
- 239000011159 matrix material Substances 0.000 description 7
- 238000011176 pooling Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 230000001143 conditioned effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000001965 increasing effect Effects 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000011217 control strategy Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000010200 validation analysis 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
- F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
- F24F11/46—Improving electric energy efficiency or saving
-
- 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
- F24F11/65—Electronic processing for selecting an operating mode
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/047—Probabilistic or stochastic networks
-
- 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
- G06N3/048—Activation functions
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F2130/00—Control inputs relating to environmental factors not covered by group F24F2110/00
- F24F2130/20—Sunlight
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Chemical & Material Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Signal Processing (AREA)
- Mechanical Engineering (AREA)
- Combustion & Propulsion (AREA)
- Fuzzy Systems (AREA)
- Circuit Arrangement For Electric Light Sources In General (AREA)
Abstract
本申请公开了一种基于中央空调的智能节能控制系统及方法,其根据房间内的光照强度,自动调节空调的工作模式。这样,通过利用自然光的辅助作用,提高空调的效率和用户的舒适度。
Description
技术领域
本申请涉及智能控制领域,且更为具体地,涉及一种基于中央空调的智能节能控制系统及方法。
背景技术
中央空调系统通常是建筑物中能耗最高的设备之一。通过实施节能控制策略,可以有效减少空调系统的能源消耗,从而降低能源成本。
目前,中央空调系统的控制方式主要是根据用户的设定温度来调节空调的工作模式。但是,用户的设定温度可能不是最适合空调系统运行的温度。如果用户设定的不合理,空调系统可能会消耗更多的能源。此外,用户的设定温度也可能不是最适合室内舒适度的温度,甚至可能会导致室内人员感到不适或生病。
因此,期待一种优化中央空调的节能控制方案。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种基于中央空调的智能节能控制系统及方法,其根据房间内的光照强度,自动调节空调的工作模式。这样,通过利用自然光的辅助作用,提高空调的效率和用户的舒适度。
根据本申请的一个方面,提供了一种基于中央空调的智能节能控制方法,其包括:获取由光强传感器采集的被调控房间在预定时间段内多个预定时间点的光照强度值;
对所述多个预定时间点的光照强度值进行数据结构化与特征提取以得到上下文时序语义光照强度关联特征向量;以及
基于所述上下文时序语义光照强度关联特征向量,确定是否调整空调的工作模式。
根据本申请的另一个方面,提供了一种基于中央空调的智能节能控制系统,其包括:数据采集模块,用于获取由光强传感器采集的被调控房间在预定时间段内多个预定时间点的光照强度值;
数据结构化与特征提取模块,用于对所述多个预定时间点的光照强度值进行数据结构化与特征提取以得到上下文时序语义光照强度关联特征向量;以及
调整结果生成模块,用于基于所述上下文时序语义光照强度关联特征向量,确定是否调整空调的工作模式。
与现有技术相比,本申请提供的一种基于中央空调的智能节能控制系统及方法,其根据房间内的光照强度,自动调节空调的工作模式。这样,通过利用自然光的辅助作用,提高空调的效率和用户的舒适度。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的基于中央空调的智能节能控制方法的流程图;
图2为根据本申请实施例的基于中央空调的智能节能控制方法的系统架构图;
图3为根据本申请实施例的基于中央空调的智能节能控制方法的训练阶段的流程图;
图4为根据本申请实施例的基于中央空调的智能节能控制方法的子步骤S2的流程图;
图5为根据本申请实施例的基于中央空调的智能节能控制方法的子步骤S22的流程图;
图6为根据本申请实施例的基于中央空调的智能节能控制方法的子步骤S23的流程图;
图7为根据本申请实施例的基于中央空调的智能节能控制系统的框图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
如本申请和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其他的步骤或元素。
虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用,然而,任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的,并且所述系统和方法的不同方面可以使用不同模块。
本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是,前面或下面操作不一定按照顺序来精确地执行。相反,根据需要,可以按照倒序或同时处理各种步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
目前,中央空调系统的控制方式主要是根据用户的设定温度来调节空调的工作模式。但是,用户的设定温度可能不是最适合空调系统运行的温度。如果用户设定的不合理,空调系统可能会消耗更多的能源。此外,用户的设定温度也可能不是最适合室内舒适度的温度,甚至可能会导致室内人员感到不适或生病。因此,期待一种优化中央空调的节能控制方案。
在本申请的技术方案中,提出了一种基于中央空调的智能节能控制方法。图1为根据本申请实施例的基于中央空调的智能节能控制方法的流程图。图2为根据本申请实施例的基于中央空调的智能节能控制方法的系统架构图。如图1和图2所示,根据本申请的实施例的基于中央空调的智能节能控制方法,包括步骤:S1,获取由光强传感器采集的被调控房间在预定时间段内多个预定时间点的光照强度值;S2,对所述多个预定时间点的光照强度值进行数据结构化与特征提取以得到上下文时序语义光照强度关联特征向量;以及,S3,基于所述上下文时序语义光照强度关联特征向量,确定是否调整空调的工作模式。
特别地,在步骤S1中,获取由光强传感器采集的被调控房间在预定时间段内多个预定时间点的光照强度值。在本申请的技术方案中,根据房间内的光照强度,自动调节空调的工作模式。因此,首先,通过光强传感器获取被调控房间在预定时间段内多个预定时间点的光照强度值。
值得注意的是,光强传感器是一种用于测量环境中光强度的设备。它通常使用光敏元件(例如光敏电阻、光敏二极管或光敏电容器)来转换光信号为电信号,然后通过电路进行放大和处理,最终输出与光强度相关的电信号。光强传感器广泛应用于各种领域,包括自动化控制、环境监测、光通信、照明系统等。
相应的,在一种可能的实现方式中,可通过以下步骤获取由光强传感器采集的被调控房间在预定时间段内多个预定时间点的光照强度值,例如:确定要获取光照强度值的时间段,例如从开始时间点到结束时间点;确定要获取光照强度值的多个时间点,可以是每隔一段时间或特定的时间点;在被调控房间中适当的位置安装光强传感器。确保传感器能够准确地测量房间的光照强度;将光强传感器与数据采集系统或控制系统连接。这可以通过有线或无线连接方式实现,具体取决于传感器和系统的要求;根据传感器的规格和要求,进行相应的配置。这可能包括设置采样频率、灵敏度、校准等参数;使用适当的编程语言或软件工具,编写一个数据采集程序。该程序应该能够在预定的时间点上获取光照强度值,并将其存储或输出到指定的位置;在数据采集程序中设置定时器或计时器,以确保在预定的时间点上触发光照强度值的采集;启动数据采集程序,并让其在预定的时间段内运行。程序将在每个预定时间点上触发光照强度值的采集,并将其记录下来;根据需求,选择将采集到的光照强度值存储在数据库、文本文件或其他数据存储介质中,或直接输出到控制系统或监控界面中;对采集到的光照强度值进行分析和应用。可以使用统计方法、图表显示等方式来理解和利用这些数据,以满足调控房间的需求。
特别地,在步骤S2中,对所述多个预定时间点的光照强度值进行数据结构化与特征提取以得到上下文时序语义光照强度关联特征向量。特别地,在本申请的一个具体示例中,如图4所示,所述S2,包括:S21,将所述多个预定时间点的光照强度值按照时间维度排列为光照强度时序输入向量;S22,对所述光照强度时序输入向量进行数据扩展以得到多个上采样光照强度局部时序输入向量;以及,S23,对所述多个上采样光照强度局部时序输入向量进行时序分析与上下文特征提取以得到所述上下文时序语义光照强度关联特征向量。
具体地,所述S21,将所述多个预定时间点的光照强度值按照时间维度排列为光照强度时序输入向量。也就是,通过按照时间维度进行排列的方式将光照强度值的时序离散分布转换为结构化的向量表示。应可以理解,通过将光照强度值按照时间顺序排列,可以捕捉到光照强度在时间上的变化趋势和模式。
相应的,在一种可能的实现方式中,可通过以下步骤将所述多个预定时间点的光照强度值按照时间维度排列为光照强度时序输入向量,例如:使用光强传感器按照预定时间点采集光照强度值,并将其记录下来;将收集到的光照强度值按照时间顺序进行排列,确保数据点与对应的时间点对应;对于每个时间点,将其对应的光照强度值作为向量的一个元素。这样,光照强度时序输入向量就是一个按时间顺序排列的光照强度值序列;根据具体需求,可以对光照强度时序输入向量进行归一化处理,将光照强度值映射到特定范围内,例如[0,1]或[-1,1];将光照强度时序输入向量应用于具体的任务或模型中。例如,可以将其作为时间序列数据输入到LSTM模型中进行光照强度的预测,或者作为特征输入到机器学习模型中进行光照强度的分类或异常检测。
具体地,所述S22,对所述光照强度时序输入向量进行数据扩展以得到多个上采样光照强度局部时序输入向量。也就是,通过数据扩展的方式来增加所述光照强度时序输入向量的数量与密度,增加数据的丰富性与连续性,以使得后续的模型能够更准确地捕捉到光照强度变化的特征,提高对不同光照模式的识别能力。特别地,在本申请的一个具体示例中,如图5所示,所述S22,包括:S221,对所述光照强度时序输入向量进行向量切分以得到多个光照强度局部时序输入向量;以及,S222,分别对所述多个光照强度局部时序输入向量进行基于线性插值的上采样以得到所述多个上采样光照强度局部时序输入向量。
更具体地,所述S221,对所述光照强度时序输入向量进行向量切分以得到多个光照强度局部时序输入向量。应可以理解,通过向量切分,可以在一定程度上凸显所述光照强度时序输入向量的局部的微小变化特征信息。
相应的,在一种可能的实现方式中,可通过以下步骤对所述光照强度时序输入向量进行向量切分以得到多个光照强度局部时序输入向量,例如:确定切分的方式和参数。例如,确定每个局部时序输入向量的长度、重叠程度等;根据切分的参数和光照强度时序输入向量的长度,计算出切分后的局部时序输入向量的数量;将光照强度时序输入向量按照定义的长度和重叠程度进行切分。可以使用滑动窗口的方式,在光照强度时序输入向量上滑动,形成多个重叠的局部时序输入向量;对于每个切分得到的局部时序输入向量,将其作为一个独立的数据段进行处理和分析。每个局部时序输入向量都代表了光照强度的局部时间段。
更具体地,所述S222,分别对所述多个光照强度局部时序输入向量进行基于线性插值的上采样以得到所述多个上采样光照强度局部时序输入向量。值得一提的是,基于线性插值的上采样是一种常用的信号处理技术,用于将信号从低采样率的时间序列上采样到高采样率。在光照强度时序输入向量的上采样过程中,可以使用线性插值方法来填充新的采样点。
值得一提的是,在本申请的其他具体示例中,还可以通过其他方式对所述光照强度时序输入向量进行数据扩展以得到多个上采样光照强度局部时序输入向量,例如:确定扩展的方式和参数。例如,确定上采样倍数、局部窗口大小、滑动步长等;使用插值或其他上采样技术,将光照强度时序输入向量中的数据点进行插值,使其数量增加,达到上采样的效果。根据定义的上采样倍数,可以插入额外的数据点来填充时间间隔;将上采样后的光照强度时序输入向量划分为多个局部窗口。每个局部窗口包含一定数量的连续数据点,用于构建局部时序输入向量;使用滑动窗口的方式,以一定的步长在上采样后的光照强度时序输入向量上滑动,形成多个重叠的局部窗口。滑动步长决定了窗口之间的重叠程度;对于每个局部窗口,将窗口内的光照强度值作为局部时序输入向量的元素。这样,就得到了多个上采样光照强度局部时序输入向量。
具体地,所述S23,对所述多个上采样光照强度局部时序输入向量进行时序分析与上下文特征提取以得到所述上下文时序语义光照强度关联特征向量。也就是,先对各个上采样光照强度局部时序输入向量进行局部的隐含特征提取,以捕捉各个上采样光照强度局部时序输入向量所蕴含的时序特征;再通过上下文特征提取来捕获各个上采样光照强度局部时序输入向量之间的关联特征与相互影响。特别地,在本申请的一个具体示例中,如图6所示,所述S23,包括:S231,将所述多个上采样光照强度局部时序输入向量分别通过基于一维卷积层的时序特征提取器以得到多个光照强度局部时序特征向量;以及,S232,将所述多个光照强度局部时序特征向量通过基于转换器的上下文内容编码器以得到所述上下文时序语义光照强度关联特征向量。
更具体地,所述S231,将所述多个上采样光照强度局部时序输入向量分别通过基于一维卷积层的时序特征提取器以得到多个光照强度局部时序特征向量。也就是,使用在局部特征提取方面具有优异表现的一维卷积层来对所述多个上采样光照强度局部时序输入向量进行特征提取,以得到所述多个光照强度局部时序特征向量。具体地,使用所述基于一维卷积层的时序特征提取器的各层在层的正向传递中分别对输入数据进行:对输入数据进行卷积处理以得到卷积特征图;对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图;以及,对所述池化特征图进行非线性激活以得到激活特征图;
其中,所述基于一维卷积层的时序特征提取器的最后一层的输出为所述多个光照强度局部时序特征向量,所述基于一维卷积层的时序特征提取器的第一层的输入为所述多个上采样光照强度局部时序输入向量。
值得注意的是,一维卷积层是卷积神经网络(CNN)中常用的一种层类型,用于处理具有时序结构的数据。它可以有效地捕捉时序数据中的局部模式和特征。它的结构如下:输入:一维卷积层的输入是一个具有多个通道(或特征)的一维序列数据。例如,在光照强度的时序数据中,可以有多个光照强度通道;卷积核:一维卷积层包含一组卷积核(也称为滤波器),每个卷积核都是一个固定大小的一维权重向量。卷积核的大小通常由两个参数决定:卷积核的长度(即权重向量的长度)和卷积核的数量。每个卷积核在输入序列上滑动,并与输入序列的局部窗口进行卷积操作;卷积操作:卷积操作通过滑动窗口在输入序列上进行局部特征提取。对于每个窗口,卷积操作将窗口内的输入序列与卷积核进行逐元素乘法,并将乘积结果相加,得到一个标量值。通过在整个输入序列上滑动窗口,可以得到一个特征图,其中每个位置对应一个卷积操作的输出;非线性变换:在卷积操作之后,通常会应用一个非线性激活函数(如ReLU)对特征图进行非线性变换。这有助于引入非线性关系,增强特征的表达能力;池化操作:可选地,可以在特征图上进行池化操作,如最大池化或平均池化。池化操作可以减少特征图的维度,并提取更具代表性的特征;输出:最后,经过卷积、非线性变换和池化操作后得到的特征图被转换为特征向量,作为一维卷积层的输出。一维卷积层通过卷积操作和非线性激活函数的组合,可以提取输入数据中的局部模式和特征,并将其编码为输出数据。这使得一维卷积层在处理时序数据的任务中非常有用,如语音识别、文本分类、时间序列预测等。
更具体地,所述S232,将所述多个光照强度局部时序特征向量通过基于转换器的上下文内容编码器以得到所述上下文时序语义光照强度关联特征向量。具体地,将所述多个光照强度局部时序特征向量进行一维排列以得到全局光照强度局部时序特征向量;计算所述全局光照强度局部时序特征向量与所述多个光照强度局部时序特征向量中各个光照强度局部时序特征向量的转置向量之间的乘积以得到多个自注意力关联矩阵;分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵;将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值;分别以所述多个概率值中各个概率值作为权重对所述多个光照强度局部时序特征向量中各个光照强度局部时序特征向量进行加权以得到所述多个上下文语义光照强度局部时序特征向量;以及,将所述多个上下文语义光照强度局部时序特征向量进行级联以得到所述上下文时序语义光照强度关联特征向量。
值得注意的是,基于转换器(Transformer)的上下文内容编码器是一种用于处理序列数据的神经网络模型。Transformer模型由多个相同的层堆叠而成,其中的一个关键组件是自注意力机制。自注意力机制允许模型在编码输入序列时,对序列中的不同位置进行自适应的加权处理,从而捕捉序列中的上下文关系。基于转换器的上下文内容编码器具有较强的建模能力,可以捕捉输入序列中的长距离依赖关系,并且不需要使用循环结构,从而可以并行计算,加快训练和推理速度。它在各种序列建模任务中表现出色,如机器翻译、文本生成、文本分类等。
值得一提的是,在本申请的其他具体示例中,还可以通过其他方式对所述多个上采样光照强度局部时序输入向量进行时序分析与上下文特征提取以得到所述上下文时序语义光照强度关联特征向量,例如:确定用于分析的上下文窗口的大小,即在每个时间点上考虑的前后时间范围;对每个上采样光照强度局部时序输入向量进行时序分析和特征提取:对于每个上采样光照强度局部时序输入向量,选择一个时间点作为当前时间点;根据定义的上下文窗口大小,确定当前时间点的前后时间范围内的采样点;在前后时间范围内提取相关的特征,可以包括以下内容:统计特征:如均值、方差、最大值、最小值等;动态特征:如斜率、变化率、趋势等;频域特征:如傅里叶变换、功率谱密度等;其他领域特定的特征:根据具体任务和应用领域选择合适的特征;将提取的特征组合成一个特征向量,表示当前时间点的上下文时序语义光照强度关联特征;重复步骤2,对每个上采样光照强度局部时序输入向量进行时序分析和特征提取,得到多个上下文时序语义光照强度关联特征向量。
值得一提的是,在本申请的其他具体示例中,还可以通过其他方式对所述多个预定时间点的光照强度值进行数据结构化与特征提取以得到上下文时序语义光照强度关联特征向量,例如:使用光强传感器按照预定时间点采集光照强度值。确保每个时间点上都有相应的光照强度值数据;将采集到的光照强度值数据进行结构化,以便进行后续的特征提取。可以使用表格或矩阵形式来组织数据,其中每一行表示一个时间点,每一列表示一个光照强度值;定义上下文窗口的大小,即在时间序列中考虑多少个相邻时间点的光照强度值作为上下文。这个窗口的大小可以根据具体应用需求来确定;对每个时间点的光照强度值及其上下文进行特征提取。可以考虑以下一些常用的特征提取方法:统计特征:例如平均值、方差、最大值、最小值等;动态特征:例如差分、一阶差分、二阶差分等,用于捕捉光照强度的变化趋势;频域特征:例如傅里叶变换、功率谱密度等,用于分析光照强度的频率成分;时间序列模型:例如ARIMA模型、LSTM等,用于建模和预测光照强度的时间序列;将提取得到的特征组合成一个特征向量。可以将每个时间点的特征向量按照时间顺序排列,形成一个完整的时序特征向量序列;根据特征向量序列中的相邻时间点之间的关系,可以进一步提取上下文时序语义关联特征。例如,可以计算相邻时间点特征向量的差异、相关性等;将得到的上下文时序语义光照强度关联特征向量应用于具体的任务或应用中。例如,可以用于光照强度的预测、异常检测、行为识别等。
特别地,在步骤S3中,基于所述上下文时序语义光照强度关联特征向量,确定是否调整空调的工作模式。特别地,在本申请的一个具体示例中,所述S3,包括:将所述上下文时序语义光照强度关联特征向量通过分类器以得到分类结果,所述分类结果用于表示是否调整空调的工作模式。也就是,将所述上下文时序语义光照强度关联特征向量作为分类特征向量通过分类器以得到分类结果,具体地,使用所述分类器的多个全连接层对所述上下文时序语义光照强度关联特征向量进行全连接编码以得到编码分类特征向量;以及,将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
分类器(Classifier)是指一种机器学习模型或算法,用于将输入数据分为不同的类别或标签。分类器是监督学习的一部分,它通过学习从输入数据到输出类别的映射关系来进行分类任务。
全连接层(Fully Connected Layer)是神经网络中常见的一种层类型。在全连接层中,每个神经元都与上一层的所有神经元相连接,每个连接都有一个权重。这意味着全连接层中的每个神经元都接收来自上一层所有神经元的输入,并通过权重对这些输入进行加权求和,然后将结果传递给下一层。
Softmax分类函数是一种常用的激活函数,用于多分类问题。它将输入向量的每个元素转化为一个介于0和1之间的概率值,并且这些概率值的和等于1。Softmax函数常用于神经网络的输出层,特别适用于多分类问题,因为它能够将网络输出映射为各个类别的概率分布。在训练过程中,Softmax函数的输出可以用于计算损失函数,并通过反向传播算法来更新网络参数。值得注意的是,Softmax函数的输出并不会改变元素之间的相对大小关系,只是对其进行了归一化处理。因此,Softmax函数并不改变输入向量的特性,只是将其转化为概率分布形式。
值得一提的是,在本申请的其他具体示例中,还可以通过其他方式基于所述上下文时序语义光照强度关联特征向量,确定是否调整空调的工作模式,例如:收集光照强度数据和空调工作模式的历史数据。这些数据应包括光照强度的时序数据和相应的空调工作模式标签,以便用于训练和验证模型;对历史光照强度数据进行预处理,并提取上下文时序语义光照强度关联特征向量。这可以通过将光照强度数据转换为局部时序输入向量,并使用上述提到的基于一维卷积层的时序特征提取器来提取特征;将历史空调工作模式数据对应到相应的时间点,以与特征向量对齐。确保特征向量和对应的标签具有相同的时间戳;将数据集划分为训练集、验证集和测试集。通常,可以使用一部分数据进行模型训练,一部分数据进行模型验证和调优,最后使用未见过的数据进行模型测试;使用训练集的特征向量和标签数据来训练一个适合的机器学习模型,例如分类器或回归模型。模型可以使用常见的机器学习算法,如决策树、支持向量机、神经网络等;使用验证集的特征向量进行模型验证,评估模型的性能和准确度。可以计算模型的预测准确率、召回率、F1分数等指标来评估其性能;根据验证结果,对模型进行调优,例如调整模型的超参数、增加训练数据量、调整模型结构等,以提高模型的性能;使用测试集的特征向量进行模型测试,评估模型在未见过的数据上的性能。可以计算模型的预测准确率、召回率、F1分数等指标来评估其在实际应用中的效果;根据模型的预测结果和阈值,确定是否调整空调的工作模式。根据预测的空调工作模式,可以采取相应的控制策略,如调整温度、风速等参数;定期监测模型的性能,并根据实际应用情况进行改进和优化,以提高模型的准确度和适应性。
应可以理解,在利用上述神经网络模型进行推断之前,需要对所述基于一维卷积层的时序特征提取器、所述基于转换器的上下文内容编码器和所述分类器进行训练。也就是说,在本申请的基于中央空调的智能节能控制方法中,还包括训练阶段,用于对所述基于一维卷积层的时序特征提取器、所述基于转换器的上下文内容编码器和所述分类器进行训练。
图3为根据本申请实施例的基于中央空调的智能节能控制方法的训练阶段的流程图。如图3所示,根据本申请实施例的基于中央空调的智能节能控制方法,包括:训练阶段,包括:S110,获取训练数据,所述训练数据包括由光强传感器采集的被调控房间在预定时间段内多个预定时间点的训练光照强度值,以及,是否调整空调的工作模式的真实值;S120,将所述多个预定时间点的训练光照强度值按照时间维度排列为训练光照强度时序输入向量;S130,对所述训练光照强度时序输入向量进行向量切分以得到多个训练光照强度局部时序输入向量;S140,分别对所述多个训练光照强度局部时序输入向量进行基于线性插值的上采样以得到多个训练上采样光照强度局部时序输入向量;S150,将所述多个训练上采样光照强度局部时序输入向量分别通过所述基于一维卷积层的时序特征提取器以得到多个训练光照强度局部时序特征向量;S160,将所述多个训练光照强度局部时序特征向量通过所述基于转换器的上下文内容编码器以得到训练上下文时序语义光照强度关联特征向量;S170,将所述训练上下文时序语义光照强度关联特征向量通过分类器以得到分类损失函数值;以及,S180,以所述分类损失函数值来对所述基于一维卷积层的时序特征提取器、所述基于转换器的上下文内容编码器和所述分类器进行训练,其中,在所述训练的每一轮迭代中,对所述训练上下文时序语义光照强度关联特征向量进行权重空间的细粒度密度预测搜索优化迭代。
特别地,在本申请的技术方案中,将所述多个上采样光照强度局部时序输入向量分别通过基于一维卷积层的时序特征提取器时,所述时序特征提取器的一维卷积核会提取卷积核尺度下的局部时序关联特征,由此使得所述多个光照强度局部时序特征向量在其特征值粒度下具有遵循局部时序上下文关联特征分布的超分辨率表达特性。而在将所述多个光照强度局部时序特征向量通过基于转换器的上下文内容编码器后,所述上下文时序语义光照强度关联特征向量进一步表达所述多个光照强度局部时序特征向量的局部时序上下文关联特征间的全局时序上下文关联,由此所述上下文时序语义光照强度关联特征向量除了在特征值粒度的局部时序上下文关联特征表达维度之外,还具有向量粒度的全局时序上下文关联表达维度,也就是,所述上下文时序语义光照强度关联特征向量具有多维度上下文下的超分辨率表达特性,这会影响通过分类器进行分类时的训练效率。因此,在将所述上下文时序语义光照强度关联特征向量通过分类器进行分类器的训练时,在每次迭代中,对所述上下文时序语义光照强度关联特征向量,例如记为Vc,进行权重空间的细粒度密度预测搜索优化,表示为:
M1和M2分别是上次和本次迭代的权重矩阵,其中在首次迭代时,采用不同的初始化策略设置M1和M2,(例如,M1设置为单位矩阵而M2设置为待分类特征向量的均值对角矩阵),Vc是所述上下文时序语义光照强度关联特征向量,和/>分别表示特征向量V1和V2的全局均值,且Vb是偏置向量,例如初始设置为单位向量,⊙表示按位置点乘,/>表示向量相乘,/>表示按位置相加。这里,针对所述上下文时序语义光照强度关联特征向量在多维度上下文下的超分辨率表达特性,所述权重空间的细粒度密度预测搜索优化可以通过所述上下文时序语义光照强度关联特征向量的投影的向量空间的前馈序列化映射,在对于权重搜索空间内的密集预测任务提供相应的细粒度权重搜索策略的同时,降低权重搜索空间内的所述上下文时序语义光照强度关联特征向量的表示的总序列复杂性(overall sequentialcomplexity),从而提升分类器的训练效率。
综上,根据本申请实施例的基于中央空调的智能节能控制方法被阐明,其根据房间内的光照强度,自动调节空调的工作模式。这样,通过利用自然光的辅助作用,提高空调的效率和用户的舒适度。
进一步地,还提供一种基于中央空调的智能节能控制系统。
图7为根据本申请实施例的基于中央空调的智能节能控制系统的框图。如图7所示,根据本申请实施例的基于中央空调的智能节能控制系统300,包括:数据采集模块310,用于获取由光强传感器采集的被调控房间在预定时间段内多个预定时间点的光照强度值;数据结构化与特征提取模块320,用于对所述多个预定时间点的光照强度值进行数据结构化与特征提取以得到上下文时序语义光照强度关联特征向量;以及,调整结果生成模块330,用于基于所述上下文时序语义光照强度关联特征向量,确定是否调整空调的工作模式。
如上所述,根据本申请实施例的基于中央空调的智能节能控制系统300可以实现在各种无线终端中,例如具有基于中央空调的智能节能控制算法的服务器等。在一种可能的实现方式中,根据本申请实施例的基于中央空调的智能节能控制系统300可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如,该基于中央空调的智能节能控制系统300可以是该无线终端的操作系统中的一个软件模块,或者可以是针对于该无线终端所开发的一个应用程序;当然,该基于中央空调的智能节能控制系统300同样可以是该无线终端的众多硬件模块之一。
替换地,在另一示例中,该基于中央空调的智能节能控制系统300与该无线终端也可以是分立的设备,并且该基于中央空调的智能节能控制系统300可以通过有线和/或无线网络连接到该无线终端,并且按照约定的数据格式来传输交互信息。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (8)
1.一种基于中央空调的智能节能控制方法,其特征在于,包括:
获取由光强传感器采集的被调控房间在预定时间段内多个预定时间点的光照强度值;
对所述多个预定时间点的光照强度值进行数据结构化与特征提取以得到上下文时序语义光照强度关联特征向量;以及
基于所述上下文时序语义光照强度关联特征向量,确定是否调整空调的工作模式。
2.根据权利要求1所述的基于中央空调的智能节能控制方法,其特征在于,对所述多个预定时间点的光照强度值进行数据结构化与特征提取以得到上下文时序语义光照强度关联特征向量,包括:
将所述多个预定时间点的光照强度值按照时间维度排列为光照强度时序输入向量;
对所述光照强度时序输入向量进行数据扩展以得到多个上采样光照强度局部时序输入向量;以及
对所述多个上采样光照强度局部时序输入向量进行时序分析与上下文特征提取以得到所述上下文时序语义光照强度关联特征向量。
3. 根据权利要求2所述的基于中央空调的智能节能控制方法,其特征在于,对所述光照强度时序输入向量进行数据扩展以得到多个上采样光照强度局部时序输入向量,包括:
对所述光照强度时序输入向量进行向量切分以得到多个光照强度局部时序输入向量;以及
分别对所述多个光照强度局部时序输入向量进行基于线性插值的上采样以得到所述多个上采样光照强度局部时序输入向量。
4. 根据权利要求3所述的基于中央空调的智能节能控制方法,其特征在于,对所述多个上采样光照强度局部时序输入向量进行时序分析与上下文特征提取以得到所述上下文时序语义光照强度关联特征向量,包括:
将所述多个上采样光照强度局部时序输入向量分别通过基于一维卷积层的时序特征提取器以得到多个光照强度局部时序特征向量;以及
将所述多个光照强度局部时序特征向量通过基于转换器的上下文内容编码器以得到所述上下文时序语义光照强度关联特征向量。
5.根据权利要求4所述的基于中央空调的智能节能控制方法,其特征在于,基于所述上下文时序语义光照强度关联特征向量,确定是否调整空调的工作模式,包括:
将所述上下文时序语义光照强度关联特征向量通过分类器以得到分类结果,所述分类结果用于表示是否调整空调的工作模式。
6.根据权利要求5所述的基于中央空调的智能节能控制方法,其特征在于,还包括训练步骤:对所述基于一维卷积层的时序特征提取器、所述基于转换器的上下文内容编码器和所述分类器进行训练;
其中,所述训练步骤,包括:
获取训练数据,所述训练数据包括由光强传感器采集的被调控房间在预定时间段内多个预定时间点的训练光照强度值,以及,是否调整空调的工作模式的真实值;
将所述多个预定时间点的训练光照强度值按照时间维度排列为训练光照强度时序输入向量;
对所述训练光照强度时序输入向量进行向量切分以得到多个训练光照强度局部时序输入向量;
分别对所述多个训练光照强度局部时序输入向量进行基于线性插值的上采样以得到多个训练上采样光照强度局部时序输入向量;
将所述多个训练上采样光照强度局部时序输入向量分别通过所述基于一维卷积层的时序特征提取器以得到多个训练光照强度局部时序特征向量;
将所述多个训练光照强度局部时序特征向量通过所述基于转换器的上下文内容编码器以得到训练上下文时序语义光照强度关联特征向量;
将所述训练上下文时序语义光照强度关联特征向量通过分类器以得到分类损失函数值;以及
以所述分类损失函数值来对所述基于一维卷积层的时序特征提取器、所述基于转换器的上下文内容编码器和所述分类器进行训练,其中,在所述训练的每一轮迭代中,对所述训练上下文时序语义光照强度关联特征向量进行权重空间的细粒度密度预测搜索优化迭代。
7.根据权利要求6所述的基于中央空调的智能节能控制方法,其特征在于,在所述训练的每一轮迭代中,对所述训练上下文时序语义光照强度关联特征向量进行权重空间的细粒度密度预测搜索优化迭代,包括:以如下公式对所述训练上下文时序语义光照强度关联特征向量进行权重空间的细粒度密度预测搜索优化迭代;
其中,所述公式为:
8.一种基于中央空调的智能节能控制系统,其特征在于,包括:
数据采集模块,用于获取由光强传感器采集的被调控房间在预定时间段内多个预定时间点的光照强度值;
数据结构化与特征提取模块,用于对所述多个预定时间点的光照强度值进行数据结构化与特征提取以得到上下文时序语义光照强度关联特征向量;以及
调整结果生成模块,用于基于所述上下文时序语义光照强度关联特征向量,确定是否调整空调的工作模式。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311025492.5A CN117029191A (zh) | 2023-08-15 | 2023-08-15 | 一种基于中央空调的智能节能控制系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311025492.5A CN117029191A (zh) | 2023-08-15 | 2023-08-15 | 一种基于中央空调的智能节能控制系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117029191A true CN117029191A (zh) | 2023-11-10 |
Family
ID=88629660
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311025492.5A Pending CN117029191A (zh) | 2023-08-15 | 2023-08-15 | 一种基于中央空调的智能节能控制系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117029191A (zh) |
-
2023
- 2023-08-15 CN CN202311025492.5A patent/CN117029191A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Fan et al. | A novel deep generative modeling-based data augmentation strategy for improving short-term building energy predictions | |
CN117037427B (zh) | 一种地质灾害联网监测预警系统 | |
CN115146842A (zh) | 基于深度学习的多元时间序列趋势预测方法和系统 | |
CN117132135A (zh) | 基于数字孪生的城市信息化管理系统及方法 | |
CN116929815A (zh) | 基于物联网的设备工作状态监测系统及其方法 | |
CN117784710B (zh) | 数控机床远程状态监控系统及其方法 | |
CN117835500A (zh) | 基于物联网技术的智慧城市照明智能控制系统及方法 | |
CN116643949A (zh) | 基于VaDE聚类的多模型边缘云负载预测方法及装置 | |
CN117308077A (zh) | 一种反应堆核电机组蒸发器给水控制系统 | |
CN117419828B (zh) | 基于光纤传感器的新能源电池温度监测方法 | |
CN117875638A (zh) | 一种基于大数据的供电需求分配方法及系统 | |
CN117034123B (zh) | 健身器材的故障监控系统及其方法 | |
CN117495421A (zh) | 基于电力通信网建设的电网通信工程造价预测方法 | |
CN117052970A (zh) | 用于气动球阀装配的智能控制系统及其方法 | |
CN117032363A (zh) | 节能型建筑物能效跟踪控制管理系统及方法 | |
CN117202430A (zh) | 用于智慧灯杆的节能控制方法及系统 | |
KR102166547B1 (ko) | 이미지 기반 정보 예측 시스템 및 그 방법 | |
CN117029191A (zh) | 一种基于中央空调的智能节能控制系统及方法 | |
CN115423091A (zh) | 一种条件对抗神经网络训练方法、场景生成方法和系统 | |
CN114818823A (zh) | 一种基于挤压与激活图卷积神经网络的脑电通道选择方法 | |
CN117241443B (zh) | 基于物联网的智能照明灯具及其智能控制方法 | |
CN117473275B (zh) | 一种数据中心的能耗检测方法 | |
CN117636908B (zh) | 数字化矿山生产管控系统 | |
CN117621875B (zh) | 基于低温补偿的电动汽车充电管理系统及方法 | |
CN117199029B (zh) | 一种功率电源管理芯片及功率电源管理方法 |
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 |