CN117450635B - 一种基于大数据分析的新风系统控制方法 - Google Patents

Abstract

本发明涉及新风系统控制技术领域，尤其涉及一种基于大数据分析的新风系统控制方法。首先，实时处理和分析新风系统收集的原始数据，将原始数据映射到高维特征空间，构建动态拓扑网络，利用混沌理论的动态特性预测环境变化，构建预测模型，并设计自适应控制算法控制新风系统；其次，引入数据流处理框架，并设计智能算法，自动调整新风系统的运行参数。解决了现有技术中能源使用效率的优化能力有限；未能充分考虑室内空气质量和用户舒适度；以及传统系统通常缺乏对环境变化的动态适应能力，影响室内环境的稳定性和舒适性；现有新风系统的控制策略往往缺乏智能化，导致在处理复杂或不断变化的环境条件时效率不高的问题。

Description

一种基于大数据分析的新风系统控制方法

技术领域

本发明涉及新风系统控制技术领域，尤其涉及一种基于大数据分析的新风系统控制方法。

背景技术

在现代建筑环境中，新风系统的作用越来越受到重视，其主要功能是提供新鲜空气，调节室内空气质量和温湿度，以保障居住和工作环境的健康与舒适。随着技术的发展，对新风系统的智能化控制和能效优化提出了更高的要求。传统的新风系统控制方法多依赖于基础的传感器数据和预设的运行规则，这在处理复杂的环境变化和用户需求方面显得力不从心。尤其在大数据时代背景下，如何有效利用收集到的大量数据来优化新风系统的运行，成为了一个亟待解决的问题。

此外，随着环保意识的提升和能源成本的增加，如何提高新风系统的能效，减少能源消耗，同时保持室内环境的舒适度和空气质量，也成为了新风系统发展的重要挑战。因此，开发一种能够实时分析和响应环境变化，智能调节系统运行的新风系统控制方法，以满足现代建筑对室内环境质量和能效的高标准需求，是本发明的主要背景和动机。

我国专利申请号：CN202311154410.7，公开日：2023.11.17，公开了一种节能新风系统，其特征在于，包括进风单元、出风单元、控制单元、数据处理单元、出风采集单元、进风采集单元和过滤单元，所述进风单元、出风单元、控制单元、数据处理单元、出风采集单元、进风采集单元和过滤单元上均设置有信号发射器，所述控制单元的控制端包括智能控制和人工控制端。该节能新风系统及其控制方法，通过在运行时进行不断的检测房间的实时数据，从而达到对用户实际需要量进行分析，用户在使用时可设置一个使用需要量的定向值，每个用户外风量冷量的需要都不同的，这样达到一个适配的程度后，可以减少部分的能源耗费，减少灰尘堆积影响到新风系统对用户的实际数据分析不准确的情况。

但上述技术至少存在如下技术问题：现有技术中能源使用效率的优化能力有限，通常不能准确预测和响应环境变化，导致不必要的能源浪费；未能充分考虑室内空气质量和用户舒适度，无法准确调节温度和湿度，或在处理空气质量问题时效率不高；此外，传统系统通常缺乏对环境变化的动态适应能力，面对快速变化的外部和内部环境时，无法及时调整，影响室内环境的稳定性和舒适性；现有新风系统的控制策略往往缺乏智能化，多依赖于基本的规则或预设的程序，缺乏根据实时数据进行智能调整的能力，导致在处理复杂或不断变化的环境条件时效率不高。

发明内容

本发明提供一种基于大数据分析的新风系统控制方法，解决了现有技术中能源使用效率的优化能力有限，通常不能准确预测和响应环境变化，导致不必要的能源浪费；未能充分考虑室内空气质量和用户舒适度，无法准确调节温度和湿度，或在处理空气质量问题时效率不高；此外，传统系统通常缺乏对环境变化的动态适应能力，面对快速变化的外部和内部环境时，无法及时调整，影响室内环境的稳定性和舒适性；现有新风系统的控制策略往往缺乏智能化，多依赖于基本的规则或预设的程序，缺乏根据实时数据进行智能调整的能力，导致在处理复杂或不断变化的环境条件时效率不高的问题。实现了基于大数据分析的新风系统控制方法，以提高能效、优化室内空气质量和舒适度，并实现对环境变化的快速、智能响应。

本发明提供了一种基于大数据分析的新风系统控制方法，具体包括以下技术方案：

一种基于大数据分析的新风系统控制方法，包括以下步骤：

S100：实时处理和分析新风系统收集的原始数据，使用高维空间映射方法将原始数据映射到高维特征空间，构建动态拓扑网络，利用混沌理论的动态特性预测环境变化，构建预测模型，并设计自适应控制算法控制新风系统；

S200：引入基于分层处理架构的数据流处理框架，并设计智能算法，自动调整新风系统的运行参数。

优选的，所述S100，具体包括：

引入复合函数，以进行原始数据到高维特征空间的映射，并提取出数据的特征。

优选的，所述S100，还包括：

构建动态拓扑网络，定义网络更新公式，并根据网络更新公式动态调整动态拓扑网络结构。

优选的，所述S100，还包括：

引入预测模型，生成关于新风系统未来状态的预测，并结合混沌模型和动态拓扑网络的输出定义预测模型的公式。

优选的，所述S100，还包括：

设计自适应控制算法，根据预测模型的预测结果和实时反馈调整控制策略；自适应控制算法结合了自适应调整和周期性调整的方法，使新风系统能够根据预测和实际情况调整运行状态。

优选的，所述S200，具体包括：

数据流处理框架采用分层处理架构，包括数据接收层、预处理层、分析层和决策输出层。

优选的，所述S200，还包括：

通过分析层对预处理层处理后的数据进行分析和模式识别，开发基于改进的随机森林算法的机器学习模型，识别和预测原始数据的变化趋势，包括气温升高或空气质量下降的变化趋势。

优选的，所述S200，还包括：

基于改进的随机森林算法的机器学习模型包括以下步骤：

在数据预处理阶段，对收集的原始数据进行清洗和准备工作；

在特征工程阶段，从原始数据中选择特征，以及创建新的特征，包括通过计算时间序列数据的移动平均或趋势组件；

在构建树的阶段，对随机森林中每棵树的构建过程进行改进，在集成多棵树的预测结果时，采用加权投票机制；

在模型评估与优化阶段，对改进的随机森林进行评估，包括交叉验证和实时性能测试；通过评估，识别和调整改进的随机森林模型的关键参数，包括决策树的数量、树的最大深度。

优选的，所述S200，还包括：

决策输出层基于分析层的输出生成实时控制指令；设计智能算法，自动调整新风系统的运行参数，包括调节通风量或温度设置。

优选的，所述S200，还包括：

智能算法基于预定义的规则，包括温度阈值或湿度最优范围，生成初步操作建议；当预测温度超过设定阈值时，会建议增加通风量或降低室内温度，并采用优化技术，包括遗传算法，进行调整；不断监测系统实际运行效果，并根据反馈数据调整决策；并将优化后的操作建议转化为控制命令，包括调整通风量或改变温控设置。

有益效果：

本发明实施例中提供的多个技术方案，至少具有如下技术效果或优点：

1、通过实时处理和分析新风系统收集的原始数据，能够更精确地预测环境变化，并据此调整新风系统的运作，使得新风系统能够更有效地利用能源，从而提高能效和整体性能；通过监测室内环境参数（如温度、湿度、空气质量指数）以及系统运行状态，能够保持室内空气质量并优化舒适度，确保居住和工作环境的健康和舒适；

2、通过构建动态拓扑网络和应用混沌理论，捕捉和模拟数据间的复杂关系，实现对环境变化的动态适应，使新风系统能够更灵活地应对环境的快速变化；利用高级数据映射方法和改进的随机森林算法，揭示原始数据中的隐藏特征，并提高预测环境变化的准确性；

3、通过设计自适应控制算法，根据预测结果和实时反馈智能调整控制策略，这使得新风系统不仅能够根据当前的原始数据做出反应，还能基于实时反馈不断优化其控制策略；数据流处理框架确保了数据处理的效率和准确性，使新风系统能够快速响应环境变化。

附图说明

图1为本发明一个实施例所提供的一种基于大数据分析的新风系统控制方法流程图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的一种基于大数据分析的新风系统控制方法的具体方案。

参照附图1，其示出了本发明一个实施例所提供的一种基于大数据分析的新风系统控制方法流程图，该方法包括以下步骤：

S100：实时处理和分析新风系统收集的原始数据，使用高维空间映射方法将原始数据映射到高维特征空间，构建动态拓扑网络，利用混沌理论的动态特性预测环境变化，构建预测模型，并设计自适应控制算法控制新风系统；

通过获取原始数据，包括室内环境参数、系统运行状态数据、外部原始数据，优化新风系统的性能，提高能效，保持室内空气质量和舒适度。室内环境参数的获取主要依赖于传感器技术，包括实时监测的温度、湿度、空气质量指数；系统运行状态数据包括风机速度、温控设定和过滤器状态等，通过新风系统内部的传感器和控制系统接口获取，对于分析系统的运行效率和调整运行策略至关重要；外部原始数据，如室外气象数据和季节性模式，通过网络接口从公共气象服务获取，外部原始数据对于理解和预测外部环境对室内空气质量和温湿度的影响有着重要作用。

实时处理和分析新风系统收集的原始数据，预测环境变化，并据此调整新风系统的运作，以提高效率和响应环境变化的能力。

具体的，使用高维空间映射方法将原始数据映射到一个高维特征空间，将原始数据转换为更加丰富且能够揭示更多隐藏特征的形式，应用一个复合函数来实现这一映射，公式为：

，

其中，表示映射到高维特征空间的原始数据，是一个标量值，是原始数据向量，包含了温度、湿度、空气质量等参数，对于任意一个原始数据用/>表示，/>是第/>个原始数据的映射系数，用于调整每个原始数据的影响力度，/>是向量/>的模，/>可以调节映射的灵敏度，特别是在处理具有不同大小和范围的多维数据时。加1是为了避免在/>接近零时对数函数未定义的问题，确保数学操作的有效性和稳定性。映射公式通过使用正弦函数和指数函数的组合，将每个数据点映射到一个高维空间，提取出原始数据中更加复杂和深层的特征，增强了数据的表现力，使得原本可能在原始空间中不明显的特征在新的特征空间中变得突出，有助于后续的分析和预测。

构建一个动态拓扑网络，反映原始数据之间随时间变化的相互作用，捕捉并模拟数据间的复杂关系。随着时间的推移，网络结构会根据数据的变化而动态调整，使得预测模型能够基于最新的数据关系进行预测，提高预测的准确性。网络更新公式为：

，

其中，是时间/>时刻第/>个数据和第/>个数据间的连接强度，代表不同原始数据之间的相互影响，/>和/>是调整参数，用于控制网络结构的变化速度和幅度。网络更新公式使得网络能够动态调整其结构，反映原始数据间复杂且时变的关系，为预测模型提供了一个强有力的基础。

利用混沌理论的动态特性来预测环境的变化，混沌理论在处理复杂、非线性系统方面具有显著优势，适合于新风系统这种动态且多变的环境。通过考虑当前的预测值和动态拓扑网络的输出，预测模型能够生成关于新风系统未来状态的复杂预测，这种预测考虑了原始数据的非线性特性和时变性，从而提供了更为精确和适应性强的预测结果。预测模型的公式为：

，

其中，是时间/>的预测值，反映了未来新风系统的环境状态，/>和/>是模型参数，用于调整预测模型的灵敏度和适应性,/>表示在t时刻运行状态数据与环境参数之间的连接强度。这个公式结合了经典的混沌模型（如Logistic映射）和动态拓扑网络的输出，提供了对未来环境状态的复杂预测。

设计一个自适应控制算法，根据预测结果和实时反馈调整控制策略。控制策略公式为：

，

其中，是时间/>的控制参数，如新风系统的风速或温度调节，/>是时间/>的控制参数，/>是实际观测值，/>和/>是调整系数，用于平衡预测误差和系统的响应速度，/>是周期性调整的频率，用于引入周期性调整以应对环境的周期性变化。自适应控制算法结合了自适应调整和周期性调整的方法，使新风系统能够根据预测和实际情况灵活调整运行状态，实现对新风系统的精确控制。

自适应控制算法得到的控制参数是一个数值，代表了新风系统在下一时间步所需采取的控制强度和方向。控制参数本身并不能直接作为物理控制指令，需要经过一系列转换和应用步骤才能有效地应用于新风系统的实际操作中。

具体的，代表了多种环境控制的需求强度。例如，/>表示温度调节的需求强度、湿度控制的需求或空气质量改善的需求。数值的大小和符号则表示控制需求的强度和方向，例如，一个较大的正值表示需要增加空气净化的强度，而一个负值表示需要降低加热强度。

接下来，将转换为新风系统可以执行的实际控制指令，将/>映射到新风系统的具体控制参数上。例如，如果/>与温度控制相关，那么它需要转换为具体的温度设定值；如果它与空气质量相关，则转换为空气净化器的工作强度或运行时间。

最后，一旦新风系统根据转换后的控制指令进行了相应的操作，系统需要持续监测环境变化，并将这些观测结果反馈到算法中，为了在下一次预测和控制策略调整时考虑到最新的环境信息，从而确保系统能够持续适应外部环境变化和内部状态变化。这种持续的监测和反馈机制是确保新风系统高效、稳定运行的关键，使得算法不仅能够根据当前的原始数据做出预测，而且能够基于实时反馈不断优化其控制策略。

S200：引入基于分层处理架构的数据流处理框架，并设计智能算法，自动调整新风系统的运行参数。

为了解决新风系统中的实时大数据处理挑战，设计一个数据流处理框架，提升数据处理的效率和准确性，确保系统能够快速响应环境变化。

具体的，数据流处理框架采用分层处理架构，包括数据接收层、预处理层、分析层和决策输出层。在数据接收层，首先对来自新风系统传感器的数据流进行实时接收，同时进行初步的格式化和归一化处理。为了解决这个问题，采用了高效的数据缓冲机制，包括数据的时间戳管理，以确保数据的时序完整性，以及基于优先级的数据管理，确保关键数据可以优先处理。随着数据在缓冲区积累，会有一个自动化的过程来定期释放或转移旧数据，确保缓冲区不会因为过载而降低效率。确保即使在数据量激增的情况下，系统也能够稳定接收和存储数据。

通过预处理层对数据进行清洗和预处理，以提高后续分析的效率和准确性。在这一层，利用快速傅里叶变换（FFT）对数据进行去噪处理，以滤除传感器噪声和无关的环境干扰。此外，采用了自适应数据窗口技术，动态调整数据窗口的大小，平衡数据处理速度和分析的精度。当检测到数据变化率增大时，即环境变化更加快速和剧烈时，系统会减小窗口大小。这种方法特别适用于处理大量动态变化的原始数据，如温度和湿度的快速变化。

通过分析层对数据进行高效分析和模式识别，针对新风系统的特定需求来优化传统随机森林算法，开发了一种基于改进的随机森林算法的机器学习模型。这种模型被训练用于识别和预测原始数据的变化趋势，如气温升高或空气质量下降的变化趋势。基于改进的随机森林算法的机器学习模型包括以下步骤：

在数据预处理阶段，对收集的原始数据进行彻底的清洗和准备工作，如填补缺失值、剔除异常值和进行归一化处理，确保输入到随机森林模型中的数据质量。从而减少噪声和偏差，确保后续模型能够在高质量的数据上进行训练和预测。

在特征工程阶段，识别和构建对预测环境变化最有效的特征。从原始数据中选择最有预测价值的特征，以及创建新的特征，如通过计算时间序列数据的移动平均或趋势组件。这些新的特征可以帮助模型更好地理解和预测原始数据的变化趋势。

在构建树的阶段，对随机森林中每棵树的构建过程进行了改进。采用了分层抽样等高级抽样技术，以确保模型在训练过程中能够充分考虑到每个重要特征，这在那些对环境变化有重要影响的特征上体现的更明显。在集成多棵树的预测结果时，采用了加权投票机制。其中加权投票机制为本领域技术人员熟知的技术手段，在此不做赘述。与传统随机森林中简单的多数投票不同，加权投票机制根据每棵树在历史数据上的表现给予不同的权重。这意味着那些在过去预测准确度更高的树将对最终的预测结果有更大的影响。

在模型评估与优化阶段，对模型进行了严格的评估，包括交叉验证和实时性能测试。通过这些评估，可以识别和调整模型的关键参数，如决策树的数量、树的最大深度等，以确保模型在实际应用中达到最佳性能。

改进的随机森林模型能够更准确地处理和分析新风系统环境中的数据，为系统的实时调控提供了强有力的数据支持。这种模型的优势在于其对原始数据的多样性和时间序列特性的综合考虑，使其在动态和多变的原始数据监测和控制场景中表现出色。

最后，决策输出层基于分析层的输出生成实时控制指令。将复杂的数据分析结果转化为具体的系统操作。通过设计一套智能算法，能够根据预测的原属数据变化趋势自动调整新风系统的运行参数，如调节通风量或温度设置，从而优化室内环境质量。所述智能算法具体步骤如下：

智能算法基于一系列预定义的规则（例如温度阈值或湿度最优范围），对数据进行解析，并生成初步操作建议。例如，如果预测温度超过设定阈值，会建议增加通风量或降低室内温度。采用如遗传算法等优化技术进行细致调整，以平衡能效、成本和用户舒适度。不断监测系统实际运行效果，并根据反馈数据调整其决策，从而提高控制的精准度。经优化的操作建议随后被转化为具体的控制命令，例如调整通风量或改变温控设置，并通过系统接口发送，实现对新风系统的实时调节。

综上所述，便完成了本发明所述的一种基于大数据分析的新风系统控制方法。

本发明实施例通过实时处理和分析新风系统收集的原始数据，能够更精确地预测环境变化，并据此调整新风系统的运作，使得新风系统能够更有效地利用能源，从而提高能效和整体性能；通过监测室内环境参数（如温度、湿度、空气质量指数）以及系统运行状态，能够保持室内空气质量并优化舒适度，确保居住和工作环境的健康和舒适；通过构建动态拓扑网络和应用混沌理论，捕捉和模拟数据间的复杂关系，实现对环境变化的动态适应，使新风系统能够更灵活地应对环境的快速变化；利用高级数据映射方法和改进的随机森林算法，揭示原始数据中的隐藏特征，并提高预测环境变化的准确性；通过设计自适应控制算法，根据预测结果和实时反馈智能调整控制策略，这使得新风系统不仅能够根据当前的原始数据做出反应，还能基于实时反馈不断优化其控制策略；数据流处理框架确保了数据处理的效率和准确性，使新风系统能够快速响应环境变化。

发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同或相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

上述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (6)

1.一种基于大数据分析的新风系统控制方法，其特征在于，包括以下步骤：

S100：实时处理和分析新风系统收集的原始数据，使用高维空间映射方法将原始数据映射到高维特征空间，构建动态拓扑网络，定义网络更新公式，并根据网络更新公式动态调整动态拓扑网络结构；网络更新公式为：

，

其中，是时间/>时刻第/>个数据和第/>个数据间的连接强度，/>和/>是调整参数，用于控制网络结构的变化速度和幅度；/>表示映射到高维特征空间的第/>个原始数据；

利用混沌理论的动态特性预测环境变化，构建预测模型，生成关于新风系统未来状态的预测，并结合混沌模型和动态拓扑网络的输出定义预测模型的公式：

，

其中，是时间/>的预测值，/>和/>是模型参数，用于调整预测模型的灵敏度和适应性,/>表示在t时刻运行状态数据与环境参数之间的连接强度；

并设计自适应控制算法，根据预测模型的预测结果和系统的实时反馈调整控制策略；控制策略公式为：

，

其中，是时间/>的控制参数，/>是时间/>的控制参数，/>是实际观测值，/>和/>是调整系数，用于平衡预测误差和系统的响应速度，/>是周期性调整的频率；

自适应控制算法通过结合自适应调整和周期性调整的方法，使新风系统能够根据预测和实际情况调整运行状态；

S200：引入基于分层处理架构的数据流处理框架，并设计智能算法，自动调整新风系统的运行参数；智能算法基于预定义的规则，包括温度阈值或湿度最优范围，生成初步操作建议；当预测温度超过设定阈值时，增加通风量或降低室内温度，并采用优化技术，包括遗传算法，进行调整；不断监测系统实际运行效果，并根据反馈数据调整决策；并将优化后的操作建议转化为控制命令，包括调整通风量或改变温控设置。

2.根据权利要求1所述的一种基于大数据分析的新风系统控制方法，其特征在于，所述S100，具体包括：

引入复合函数，以进行原始数据到高维特征空间的映射，并提取出数据的特征。

3.根据权利要求1所述的一种基于大数据分析的新风系统控制方法，其特征在于，所述S200，具体包括：

数据流处理框架采用分层处理架构，包括数据接收层、预处理层、分析层和决策输出层。

4.根据权利要求3所述的一种基于大数据分析的新风系统控制方法，其特征在于，所述S200，还包括：

通过分析层对预处理层处理后的数据进行分析和模式识别，开发基于改进的随机森林算法的机器学习模型，识别和预测原始数据的变化趋势，包括气温升高或空气质量下降的变化趋势。

5.根据权利要求4所述的一种基于大数据分析的新风系统控制方法，其特征在于，所述S200，还包括：

基于改进的随机森林算法的机器学习模型包括以下步骤：

在数据预处理阶段，对收集的原始数据进行清洗和准备工作；

在特征工程阶段，从原始数据中选择特征，并创建新的特征，包括通过计算时间序列数据的移动平均或趋势组件；

在构建树的阶段，对随机森林中每棵树的构建过程进行改进，在集成多棵树的预测结果时，采用加权投票机制；

在模型评估与优化阶段，对改进的随机森林进行评估，包括交叉验证和实时性能测试；通过评估，识别和调整改进的随机森林模型的关键参数，包括决策树的数量、树的最大深度。

6.根据权利要求4所述的一种基于大数据分析的新风系统控制方法，其特征在于，所述S200，还包括：

决策输出层基于分析层的输出生成实时控制指令；设计智能算法，自动调整新风系统的运行参数，包括调节通风量或温度设置。