CN117606112A - 近零能耗建筑的室内环境控制系统及方法 - Google Patents

Abstract

本申请公开了一种近零能耗建筑的室内环境控制系统及方法，其通过对室内多个位置处的温度值进行实时监测，并在后端引入数据处理和分析算法来进行多个位置处的温度时序变化协同分析，以此来自动调节室内空调的运行状态，以保持室内温度的恒定和均匀。通过这样的方式，能够根据用户的偏好和预设的温度范围来实现室内温度的自动调节，以优化室内环境质量和室内人员的体感，达到提高室内舒适度和节能的目的，并降低能耗和碳排放，增加建筑的经济效益和社会效益。

Description

近零能耗建筑的室内环境控制系统及方法

技术领域

本申请涉及智能控制领域，且更为具体地，涉及一种近零能耗建筑的室内环境控制系统及方法。

背景技术

近零能耗建筑是指在建筑的使用过程中，能够有效利用可再生能源，使得建筑的能耗接近于零的一种新型建筑模式。目前，近零能耗建筑采用室内环境控制系统来自动调节建筑的温度、湿度、空气质量和光照等环境因素，以提高舒适性和节能性。

然而，对于较大空间和敞开式的办公环境来说，通常采用分布式的空调系统和新风系统，这种方式会导致实际人员体感舒适度与监控数据存在较大偏差。在人员感到明显不舒适，即室内环境工况已经发生明显偏离的情况下，此时再调整系统来进行纠偏，会造成能耗增加以及过度纠偏的情况。

因此，期望一种优化的近零能耗建筑的室内环境控制系统。

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近零能耗建筑的室内环境控制系统及方法，其通过对室内多个位置处的温度值进行实时监测，并在后端引入数据处理和分析算法来进行多个位置处的温度时序变化协同分析，以此来自动调节室内空调的运行状态，以保持室内温度的恒定和均匀。通过这样的方式，能够根据用户的偏好和预设的温度范围来实现室内温度的自动调节，以优化室内环境质量和室内人员的体感，达到提高室内舒适度和节能的目的，并降低能耗和碳排放，增加建筑的经济效益和社会效益。

根据本申请的一个方面，提供了一种近零能耗建筑的室内环境控制系统，其包括：

数据采集模块，用于获取由部署在室内的多个位置处的温度传感器采集的预定时间段内多个预定时间点的温度值；

温度时序排列模块，用于将所述多个位置处的温度传感器采集的预定时间段内多个预定时间点的温度值按照时间维度排列为多个温度时序输入向量；

温度时序特征捕捉模块，用于通过基于深度神经网络模型的温度时序特征提取器分别对所述多个温度时序输入向量进行特征分析以得到多个温度时序特征向量；

传感器空间拓扑分析模块，用于对所述多个位置处的温度传感器进行空间拓扑分析以得到空间拓扑关联特征矩阵；

图结构关联编码模块，用于对所述空间拓扑关联特征矩阵和所述多个温度时序特征向量进行基于图结构的关联编码以得到空间拓扑温度全局时序特征；

空间功率控制模块，用于基于所述空间拓扑温度全局时序特征，确定空调功率值应增大、应减小或应保持不变。

根据本申请的另一个方面，提供了一种近零能耗建筑的室内环境控制方法，其包括：

获取由部署在室内的多个位置处的温度传感器采集的预定时间段内多个预定时间点的温度值；

将所述多个位置处的温度传感器采集的预定时间段内多个预定时间点的温度值按照时间维度排列为多个温度时序输入向量；

通过基于深度神经网络模型的温度时序特征提取器分别对所述多个温度时序输入向量进行特征分析以得到多个温度时序特征向量；

对所述多个位置处的温度传感器进行空间拓扑分析以得到空间拓扑关联特征矩阵；

对所述空间拓扑关联特征矩阵和所述多个温度时序特征向量进行基于图结构的关联编码以得到空间拓扑温度全局时序特征；

基于所述空间拓扑温度全局时序特征，确定空调功率值应增大、应减小或应保持不变。

与现有技术相比，本申请提供的一种近零能耗建筑的室内环境控制系统及方法，其通过对室内多个位置处的温度值进行实时监测，并在后端引入数据处理和分析算法来进行多个位置处的温度时序变化协同分析，以此来自动调节室内空调的运行状态，以保持室内温度的恒定和均匀。通过这样的方式，能够根据用户的偏好和预设的温度范围来实现室内温度的自动调节，以优化室内环境质量和室内人员的体感，达到提高室内舒适度和节能的目的，并降低能耗和碳排放，增加建筑的经济效益和社会效益。

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近零能耗建筑的室内环境控制系统的框图；

图2为根据本申请实施例的近零能耗建筑的室内环境控制系统的系统架构图；

图3为根据本申请实施例的近零能耗建筑的室内环境控制系统的训练阶段的框图；

图4为根据本申请实施例的近零能耗建筑的室内环境控制系统中温度时序特征捕捉模块的框图；

图5为根据本申请实施例的近零能耗建筑的室内环境控制系统中传感器空间拓扑分析模块的框图；

图6为根据本申请实施例的近零能耗建筑的室内环境控制方法的流程图。

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，近零能耗建筑采用室内环境控制系统来自动调节建筑的温度、湿度、空气质量和光照等环境因素，以提高舒适性和节能性。然而，对于较大空间和敞开式的办公环境来说，通常采用分布式的空调系统和新风系统，这种方式会导致实际人员体感舒适度与监控数据存在较大偏差。在人员感到明显不舒适，即室内环境工况已经发生明显偏离的情况下，此时再调整系统来进行纠偏，会造成能耗增加以及过度纠偏的情况。因此，期望一种优化的近零能耗建筑的室内环境控制系统。

在本申请的技术方案中，提出了一种近零能耗建筑的室内环境控制系统。图1为根据本申请实施例的近零能耗建筑的室内环境控制系统的框图。图2为根据本申请实施例的近零能耗建筑的室内环境控制系统的系统架构图。如图1和图2所示，根据本申请的实施例的近零能耗建筑的室内环境控制系统300，包括：数据采集模块310，用于获取由部署在室内的多个位置处的温度传感器采集的预定时间段内多个预定时间点的温度值；温度时序排列模块320，用于将所述多个位置处的温度传感器采集的预定时间段内多个预定时间点的温度值按照时间维度排列为多个温度时序输入向量；温度时序特征捕捉模块330，用于通过基于深度神经网络模型的温度时序特征提取器分别对所述多个温度时序输入向量进行特征分析以得到多个温度时序特征向量；传感器空间拓扑分析模块340，用于对所述多个位置处的温度传感器进行空间拓扑分析以得到空间拓扑关联特征矩阵；图结构关联编码模块350，用于对所述空间拓扑关联特征矩阵和所述多个温度时序特征向量进行基于图结构的关联编码以得到空间拓扑温度全局时序特征；空间功率控制模块360，用于基于所述空间拓扑温度全局时序特征，确定空调功率值应增大、应减小或应保持不变。

特别地，所述数据采集模块310，用于获取由部署在室内的多个位置处的温度传感器采集的预定时间段内多个预定时间点的温度值。其中，温度传感器是一种用于测量环境或物体温度的设备。它们通常使用温度敏感元件（如热敏电阻、热电偶或半导体温度传感器）来感知温度变化，并将其转换为电信号或数字信号输出。温度传感器的工作原理可以根据其类型而有所不同，但基本原理是利用物质的温度特性来测量温度。

特别地，所述温度时序排列模块320，用于将所述多个位置处的温度传感器采集的预定时间段内多个预定时间点的温度值按照时间维度排列为多个温度时序输入向量。考虑到所述多个位置处的温度值在时间维度上都具有着时序的动态变化规律，也就是说，在每个位置处的所述多个预定时间点的温度值之间具有着时序的动态关联关系。因此，为了能够对于各个位置处的温度时序变化模式和趋势进行分析与特征刻画，在本申请的技术方案中，需要将所述多个位置处的温度传感器采集的预定时间段内多个预定时间点的温度值按照时间维度排列为多个温度时序输入向量，以此来分别整合所述各个位置处的温度时序分布信息，并将其转化为便于处理的输入向量。

特别地，所述温度时序特征捕捉模块330，用于通过基于深度神经网络模型的温度时序特征提取器分别对所述多个温度时序输入向量进行特征分析以得到多个温度时序特征向量。特别地，在本申请的一个具体示例中，如图4所示，所述温度时序特征捕捉模块330，包括：格式转换单元331，用于将所述多个温度时序输入向量分别通过向量-图像格式转换器以得到多个温度时序图像；温度时序图像特征提取单元332，用于将所述多个温度时序图像分别通过基于卷积神经网络模型的图像特征提取器以得到多个温度时序特征图；温度时序特征全感知单元333，用于将所述多个温度时序特征图分别通过基于全连接层的特征全感知模块以得到所述多个温度时序特征向量。

具体地，所述格式转换单元331，用于将所述多个温度时序输入向量分别通过向量-图像格式转换器以得到多个温度时序图像。考虑到相比于简单的时序向量表示来说，时序图像数据可以提供更多的信息，包括温度数据的时序关系、波动情况和趋势变化等。因此，在本申请的技术方案中，进一步将所述多个温度时序输入向量分别通过向量-图像格式转换器以得到多个温度时序图像，这样的转换可以更好地捕捉和分析到每个室内位置处的温度时序动态变化情况。也就是说，通过将温度时序输入向量转化为图像的形式，能够便于提取出温度时序图像中关于温度的时序关键特征，这些特征可以包括温度的变化趋势、周期性变化、局部异常等信息，有助于更准确地分析和预测室内环境的变化。

具体地，所述温度时序图像特征提取单元332，用于将所述多个温度时序图像分别通过基于卷积神经网络模型的图像特征提取器以得到多个温度时序特征图。也就是，使用在图像的隐含特征提取方面具有优异表现能力的基于卷积神经网络模型的图像特征提取器来分别对所述多个温度时序图像进行特征挖掘，以分别提取出所述各个温度时序图像中有关于室内不同位置处温度的时序特征分布信息，从而得到多个温度时序特征图。更具体地，使用所述基于卷积神经网络模型的图像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局部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，所述基于卷积神经网络模型的图像特征提取器的最后一层的输出为所述多个温度时序特征图，所述基于卷积神经网络模型的图像特征提取器的第一层的输入为所述多个温度时序图像。

值得注意的是，卷积神经网络（Convolutional Neural Network，CNN）是一种深度学习模型，主要用于处理具有网格结构数据的任务，如图像和语音识别。CNN 的核心思想是通过卷积层和池化层来提取输入数据的特征，并通过全连接层进行分类或回归。下面是CNN 的一般结构和关键组件：卷积层：卷积层是 CNN 的核心组件之一。它通过应用一系列可学习的滤波器（卷积核）来提取输入数据的局部特征。卷积操作可以捕捉到输入数据的空间结构和模式。每个滤波器在输入数据上进行滑动，并计算出对应位置的卷积操作结果，形成特征图；激活函数：激活函数通常被应用在卷积层的输出上，引入非线性特性。常用的激活函数包括ReLU、Sigmoid 和 Tanh。激活函数的作用是引入非线性变换，增强模型的表达能力；池化层：池化层用于减小特征图的空间尺寸，同时保留重要的特征。常见的池化操作包括最大池化和平均池化。池化操作可以降低特征图的维度，减少计算量，并具有一定的平移不变性；全连接层：全连接层将卷积层和池化层的输出连接到一个或多个全连接层，用于进行最终的分类或回归。全连接层中的神经元与前一层的所有神经元相连接，通过学习权重来进行信息传递和特征组合。CNN 的训练过程通常使用反向传播算法进行参数优化，以最小化损失函数。在训练过程中，通过逐层学习特征表示，CNN 能够自动学习到数据中的重要特征，并在后续的任务中进行有效的分类、检测或分割。

具体地，所述温度时序特征全感知单元333，用于将所述多个温度时序特征图分别通过基于全连接层的特征全感知模块以得到所述多个温度时序特征向量。应可以理解，由于卷积的固有局限性，难以捕捉到长距离依赖的温度时序关联特征信息，而温度的时序长距离依赖关联特征信息对于温度的时序变化模式和趋势分析具有着重要作用。因此，在本申请的技术方案中，进一步将所述多个温度时序特征图分别通过基于全连接层的特征全感知模块以得到多个温度时序特征向量。

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通过基于深度神经网络模型的温度时序特征提取器分别对所述多个温度时序输入向量进行特征分析以得到多个温度时序特征向量，例如：将多个温度时序输入向量提供给深度神经网络模型；使用深度神经网络模型来构建温度时序特征提取器网络；在温度时序特征提取器网络中，通过卷积和池化操作，对温度时序数据进行特征提取。这些操作可以捕捉温度的局部模式、趋势和周期性等特征；从特征提取器网络的最后一层或全局池化层获取特征向量；对于每个输入的温度时序向量，重复步骤2到步骤4，以获取相应的温度时序特征向量。

特别地，所述传感器空间拓扑分析模块340，用于对所述多个位置处的温度传感器进行空间拓扑分析以得到空间拓扑关联特征矩阵。特别地，在本申请的一个具体示例中，如图5所示，所述传感器空间拓扑分析模块340，包括：空间拓扑矩阵构造单元341，用于构建所述多个位置处的温度传感器的空间拓扑矩阵；温度传感器空间拓扑特征提取单元342，用于将所述空间拓扑矩阵通过基于卷积神经网络模型的拓扑特征提取器以得到所述空间拓扑关联特征矩阵。

具体地，所述空间拓扑矩阵构造单元341，用于构建所述多个位置处的温度传感器的空间拓扑矩阵。对于部署在室内的多个位置处的温度传感器采集的温度时序数据来说，不同位置的温度时序特征之间具有着基于空间上的关联关系。也就是说，所述各个温度时序特征向量之间的关联特征是基于所述多个温度传感器之间的空间拓扑关联关系的。因此，需要首先对于所述多个位置处的温度传感器空间拓扑进行分析。基于此，构建所述多个位置处的温度传感器的空间拓扑矩阵。

具体地，所述温度传感器空间拓扑特征提取单元342，用于将所述空间拓扑矩阵通过基于卷积神经网络模型的拓扑特征提取器以得到所述空间拓扑关联特征矩阵。更具体地，将所述空间拓扑矩阵通过基于卷积神经网络模型的拓扑特征提取器中进行特征挖掘，以提取出所述多个温度传感器的空间拓扑关联特征信息，从而得到空间拓扑关联特征矩阵。更具体地，使用所述基于卷积神经网络模型的拓扑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沿通道维度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，所述基于卷积神经网络模型的拓扑特征提取器的最后一层的输出为所述空间拓扑关联特征矩阵，所述基于卷积神经网络模型的拓扑特征提取器的第一层的输入为所述空间拓扑矩阵。

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位置处的温度传感器进行空间拓扑分析以得到空间拓扑关联特征矩阵，例如：收集多个位置处的温度传感器的数据；根据传感器的位置和连接关系，构建传感器网络的拓扑结构。可以使用传感器之间的物理距离或连接方式来确定传感器之间的关联；根据传感器网络的拓扑结构，确定传感器之间的空间邻接关系；根据空间邻接关系，构建空间拓扑关联特征矩阵。该矩阵描述了传感器之间的关联程度。可以使用二进制矩阵表示邻接关系，其中矩阵的元素为1表示传感器之间存在邻接关系，为0表示不存在邻接关系。

特别地，所述图结构关联编码模块350，用于对所述空间拓扑关联特征矩阵和所述多个温度时序特征向量进行基于图结构的关联编码以得到空间拓扑温度全局时序特征。也就是，在本申请的技术方案中，以所述各个温度时序特征向量作为节点的特征表示，而以所述空间拓扑关联特征矩阵作为节点与节点之间的边的特征表示，将由所述多个温度时序特征向量经二维排列得到的温度全局时序特征向量矩阵和所述空间拓扑关联特征矩阵通过图神经网络模型以得到空间拓扑温度全局时序特征矩阵。具体地，所述图神经网络模型可学习的神经网络参数对所述温度全局时序特征向量矩阵和所述空间拓扑关联特征矩阵进行图结构数据编码以得到包含不规则的温度传感器空间拓扑关联特征和室内各个位置的温度时序特征信息的所述空间拓扑温度全局时序特征矩阵。

值得注意的是，图神经网络（Graph Neural Network，GNN）是一类用于处理图结构数据的深度学习模型。与传统的神经网络模型专注于处理向量或矩阵数据不同，GNN 能够对图中的节点和边进行学习和推理，从而实现对复杂关系的建模和预测。GNN 的核心思想是通过迭代地更新节点的表示向量，将节点的局部邻居信息进行聚合和传播。下面是 GNN的一般结构和关键组件：节点表示学习：GNN 首先为每个节点学习一个表示向量，该向量捕捉了节点的特征和上下文信息。通常，节点表示是通过聚合其邻居节点的信息得到的。这可以通过将邻居节点的表示向量进行汇总和组合来实现；图卷积层是 GNN 的核心组件之一。它通过聚合节点的邻居信息来更新节点的表示向量。图卷积层使用类似于卷积神经网络中的卷积操作，但在图结构上进行。通过迭代应用图卷积层，节点的表示向量可以逐步地融合全局和局部信息；汇聚层：汇聚层用于将图的结构进行压缩和汇总，从而生成全局的图表示。常见的汇聚操作包括图池化和图注意力机制；图输出层：在 GNN 中，可以使用图输出层对整个图进行分类、回归或生成。图输出层通常将图的全局表示映射到目标任务的输出空间。GNN 的训练过程通常使用反向传播算法进行参数优化，以最小化损失函数。在训练过程中，GNN 通过迭代地更新节点的表示向量，逐步地融合全局和局部信息。这使得 GNN 能够捕捉图中节点之间的复杂关系，并在后续的任务中进行有效的预测和推理。

特别地，所述空间功率控制模块360，用于基于所述空间拓扑温度全局时序特征，确定空调功率值应增大、应减小或应保持不变。在本申请的技术方案中，将所述空间拓扑温度全局时序特征矩阵通过分类器以得到分类结果，所述分类结果用于表示空调功率值应增大、应减小或应保持不变。也就是，利用所述室内各个位置的温度时序特征和各个温度传感器的空间拓扑特征之间基于图结构的关联特征信息来进行分类处理，以此来实时自动调节空调的运行状态，以保持室内温度的恒定和均匀。通过这样的方式，能够根据用户的偏好和预设的温度范围来实现室内温度的自动调节，以优化室内环境质量和室内人员的体感，达到提高室内舒适度和节能的目的，并降低能耗和碳排放，增加建筑的经济效益和社会效益。具体地，将所述空间拓扑温度全局时序特征矩阵基于行向量或列向量展开为分类特征向量；使用所述分类器的多个全连接层对所述分类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。

应可以理解，在利用上述神经网络模型进行推断之前，需要对所述基于卷积神经网络模型的图像特征提取器、所述基于卷积神经网络模型的拓扑特征提取器、所述图神经网络模型和所述分类器进行训练。也就是说，根据本申请的近零能耗建筑的室内环境控制系统300，还包括训练阶段400，用于对所述基于卷积神经网络模型的图像特征提取器、所述基于卷积神经网络模型的拓扑特征提取器、所述图神经网络模型和所述分类器进行训练。

图3为根据本申请实施例的近零能耗建筑的室内环境控制系统的训练阶段的框图。如图3所示，根据本申请实施例的近零能耗建筑的室内环境控制系统300，包括：训练阶段400，包括：训练数据采集单元401，用于获取训练数据，所述训练数据包括由部署在所述室内的多个位置处的温度传感器采集的预定时间段内多个预定时间点的训练温度值，以及，所述空调功率值应增大、应减小或应保持不变的真实值；训练温度时序排列单元402，用于将所述多个位置处的温度传感器采集的预定时间段内多个预定时间点的训练温度值按照时间维度排列为多个训练温度时序输入向量；训练格式转换单元403，用于将所述多个训练温度时序输入向量分别通过所述向量-图像格式转换器以得到多个训练温度时序图像；训练温度时序特征提取单元404，用于将所述多个训练温度时序图像分别通过所述基于卷积神经网络模型的图像特征提取器以得到多个训练温度时序特征图；训练温度时序特征全感知单元405，用于将所述多个训练温度时序特征图分别通过所述基于全连接层的特征全感知模块以得到多个训练温度时序特征向量；训练温度传感器拓扑矩阵构造单元406，用于构建所述多个位置处的温度传感器的训练空间拓扑矩阵；训练传感器拓扑特征提取单元407，用于将所述训练空间拓扑矩阵通过所述基于卷积神经网络模型的拓扑特征提取器以得到训练空间拓扑关联特征矩阵；训练图结构编码单元408，用于将所述训练空间拓扑关联特征矩阵和所述多个训练温度时序特征向量通过所述图神经网络模型以得到训练空间拓扑温度全局时序特征矩阵；特征分布优化单元409，用于对所述训练空间拓扑温度全局时序特征矩阵展开后得到的训练空间拓扑温度全局时序特征向量进行特征分布优化以得到优化训练空间拓扑温度全局时序特征矩阵；分类损失单元410，用于将所述优化训练空间拓扑温度全局时序特征矩阵通所述过分类器以得到分类损失函数值；模型训练单元411，用于基于所述分类损失函数值并通过梯度下降的方向传播来对所述基于卷积神经网络模型的图像特征提取器、所述基于卷积神经网络模型的拓扑特征提取器、所述图神经网络模型和所述分类器进行训练。

其中，所述分类损失单元，用于：使用所述分类器对所述优化训练空间拓扑温度全局时序特征矩阵进行处理以得到训练分类结果:以及，计算所述训练分类结果与所述空调功率值应增大、应减小或应保持不变的真实值之间的交叉熵损失函数值作为所述分类损失函数值。

特别地，在本申请的技术方案中，所述多个温度时序特征向量中的每个温度时序特征向量分别表达相应的温度传感器采集的温度值在向量-图像格式转换确定的全局时域下的局部时域的局部时域内-局部时域间时序关联特征，这样，将所述空间拓扑关联特征矩阵和所述多个温度时序特征向量通过图神经网络模型后，可以表达温度值在时域下的多尺度维度交叉时序关联特征的空间拓扑关联表示，由此，所述空间拓扑温度全局时序特征矩阵除了时序维度下的多尺度交叉时序特征关联之外，还具有空间维度下的时序特征拓扑关联，也就是，具有时间-空间维度下的多维度上下文时序关联分布性质，这就使得在将所述空间拓扑温度全局时序特征矩阵通过分类器进行分类回归时，需要提升分类回归的效率。因此，本申请的申请人对所述空间拓扑温度全局时序特征矩阵在通过分类器进行分类回归时，展开后得到的空间拓扑温度全局时序特征向量进行了优化，具体表示为：其中/>是所述空间拓扑温度全局时序特征向量的第/>个位置的特征值，/>是所述空间拓扑温度全局时序特征向量的所有特征值的全局均值，且/>是所述空间拓扑温度全局时序特征向量的最大特征值。也就是，通过全局分布参数的正则化仿函数的概念，上述优化基于所述空间拓扑温度全局时序特征向量的全局分布的参数向量式表征，来以回归概率的正则式表达模拟代价函数，从而对所述空间拓扑温度全局时序特征向量在高维特征空间内的特征流形表征对于类回归概率下的基于分类器的权重矩阵的逐点回归特性进行建模，以捕获待分类的空间拓扑温度全局时序特征向量经由分类器模型的参数空间在高维特征流形的场景几何形状下的参数平滑式优化轨迹，提高所述空间拓扑温度全局时序特征向量在所述分类器的分类概率回归下的训练效率。这样，能够基于室内多个位置处的温度时序变化情况来进行空调运行状态的实时自动调节，以保持室内温度的恒定和均匀，通过这样的方式，能够根据用户的偏好和预设的温度范围来实现室内温度的自动调节，以优化室内环境质量和室内人员的体感，达到提高室内舒适度和节能的目的，并降低能耗和碳排放，增加建筑的经济效益和社会效益。

如上所述，根据本申请实施例的近零能耗建筑的室内环境控制系统300可以实现在各种无线终端中，例如具有近零能耗建筑的室内环境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近零能耗建筑的室内环境控制系统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，该近零能耗建筑的室内环境控制系统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，该近零能耗建筑的室内环境控制系统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，该近零能耗建筑的室内环境控制系统300与该无线终端也可以是分立的设备，并且该近零能耗建筑的室内环境控制系统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。

进一步地，还提供一种近零能耗建筑的室内环境控制方法。

图6为根据本申请实施例的近零能耗建筑的室内环境控制方法的流程图。如图6所示，根据本申请实施例的近零能耗建筑的室内环境控制方法，包括步骤：S1，获取由部署在室内的多个位置处的温度传感器采集的预定时间段内多个预定时间点的温度值；S2，将所述多个位置处的温度传感器采集的预定时间段内多个预定时间点的温度值按照时间维度排列为多个温度时序输入向量；S3，通过基于深度神经网络模型的温度时序特征提取器分别对所述多个温度时序输入向量进行特征分析以得到多个温度时序特征向量；S4，对所述多个位置处的温度传感器进行空间拓扑分析以得到空间拓扑关联特征矩阵；S5，对所述空间拓扑关联特征矩阵和所述多个温度时序特征向量进行基于图结构的关联编码以得到空间拓扑温度全局时序特征；S6，基于所述空间拓扑温度全局时序特征，确定空调功率值应增大、应减小或应保持不变。

综上，根据本申请实施例的近零能耗建筑的室内环境控制方法被阐明，其通过对室内多个位置处的温度值进行实时监测，并在后端引入数据处理和分析算法来进行多个位置处的温度时序变化协同分析，以此来自动调节室内空调的运行状态，以保持室内温度的恒定和均匀。通过这样的方式，能够根据用户的偏好和预设的温度范围来实现室内温度的自动调节，以优化室内环境质量和室内人员的体感，达到提高室内舒适度和节能的目的，并降低能耗和碳排放，增加建筑的经济效益和社会效益。

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 (9)

1.一种近零能耗建筑的室内环境控制系统，其特征在于，包括：

数据采集模块，用于获取由部署在室内的多个位置处的温度传感器采集的预定时间段内多个预定时间点的温度值；

温度时序排列模块，用于将所述多个位置处的温度传感器采集的预定时间段内多个预定时间点的温度值按照时间维度排列为多个温度时序输入向量；

温度时序特征捕捉模块，用于通过基于深度神经网络模型的温度时序特征提取器分别对所述多个温度时序输入向量进行特征分析以得到多个温度时序特征向量；

传感器空间拓扑分析模块，用于对所述多个位置处的温度传感器进行空间拓扑分析以得到空间拓扑关联特征矩阵；

图结构关联编码模块，用于对所述空间拓扑关联特征矩阵和所述多个温度时序特征向量进行基于图结构的关联编码以得到空间拓扑温度全局时序特征；

空间功率控制模块，用于基于所述空间拓扑温度全局时序特征，确定空调功率值应增大、应减小或应保持不变。

2.根据权利要求1所述的近零能耗建筑的室内环境控制系统，其特征在于，所述温度时序特征捕捉模块，包括：

格式转换单元，用于将所述多个温度时序输入向量分别通过向量-图像格式转换器以得到多个温度时序图像；

温度时序图像特征提取单元，用于将所述多个温度时序图像分别通过基于卷积神经网络模型的图像特征提取器以得到多个温度时序特征图；

温度时序特征全感知单元，用于将所述多个温度时序特征图分别通过基于全连接层的特征全感知模块以得到所述多个温度时序特征向量。

3.根据权利要求2所述的近零能耗建筑的室内环境控制系统，其特征在于，所述传感器空间拓扑分析模块，包括：

空间拓扑矩阵构造单元，用于构建所述多个位置处的温度传感器的空间拓扑矩阵；

温度传感器空间拓扑特征提取单元，用于将所述空间拓扑矩阵通过基于卷积神经网络模型的拓扑特征提取器以得到所述空间拓扑关联特征矩阵。

4.根据权利要求3所述的近零能耗建筑的室内环境控制系统，其特征在于，所述图结构关联编码模块，用于：将所述空间拓扑关联特征矩阵和所述多个温度时序特征向量通过图神经网络模型以得到空间拓扑温度全局时序特征矩阵作为所述空间拓扑温度全局时序特征。

5.根据权利要求4所述的近零能耗建筑的室内环境控制系统，其特征在于，所述空间功率控制模块，用于：将所述空间拓扑温度全局时序特征矩阵通过分类器以得到分类结果，所述分类结果用于表示空调功率值应增大、应减小或应保持不变。

6.根据权利要求5所述的近零能耗建筑的室内环境控制系统，其特征在于，还包括用于对所述基于卷积神经网络模型的图像特征提取器、所述基于卷积神经网络模型的拓扑特征提取器、所述图神经网络模型和所述分类器进行训练的训练模块。

7.根据权利要求6所述的近零能耗建筑的室内环境控制系统，其特征在于，所述训练模块，包括：

训练数据采集单元，用于获取训练数据，所述训练数据包括由部署在所述室内的多个位置处的温度传感器采集的预定时间段内多个预定时间点的训练温度值，以及，所述空调功率值应增大、应减小或应保持不变的真实值；

训练温度时序排列单元，用于将所述多个位置处的温度传感器采集的预定时间段内多个预定时间点的训练温度值按照时间维度排列为多个训练温度时序输入向量；

训练格式转换单元，用于将所述多个训练温度时序输入向量分别通过所述向量-图像格式转换器以得到多个训练温度时序图像；

训练温度时序特征提取单元，用于将所述多个训练温度时序图像分别通过所述基于卷积神经网络模型的图像特征提取器以得到多个训练温度时序特征图；

训练温度时序特征全感知单元，用于将所述多个训练温度时序特征图分别通过所述基于全连接层的特征全感知模块以得到多个训练温度时序特征向量；

训练温度传感器拓扑矩阵构造单元，用于构建所述多个位置处的温度传感器的训练空间拓扑矩阵；

训练传感器拓扑特征提取单元，用于将所述训练空间拓扑矩阵通过所述基于卷积神经网络模型的拓扑特征提取器以得到训练空间拓扑关联特征矩阵；

训练图结构编码单元，用于将所述训练空间拓扑关联特征矩阵和所述多个训练温度时序特征向量通过所述图神经网络模型以得到训练空间拓扑温度全局时序特征矩阵；

特征分布优化单元，用于对所述训练空间拓扑温度全局时序特征矩阵展开后得到的训练空间拓扑温度全局时序特征向量进行特征分布优化以得到优化训练空间拓扑温度全局时序特征矩阵；

分类损失单元，用于将所述优化训练空间拓扑温度全局时序特征矩阵通所述过分类器以得到分类损失函数值；

模型训练单元，用于基于所述分类损失函数值并通过梯度下降的方向传播来对所述基于卷积神经网络模型的图像特征提取器、所述基于卷积神经网络模型的拓扑特征提取器、所述图神经网络模型和所述分类器进行训练。

8.根据权利要求7所述的近零能耗建筑的室内环境控制系统，其特征在于，所述分类损失单元，用于：

使用所述分类器对所述优化训练空间拓扑温度全局时序特征矩阵进行处理以得到训练分类结果:以及

计算所述训练分类结果与所述空调功率值应增大、应减小或应保持不变的真实值之间的交叉熵损失函数值作为所述分类损失函数值。

9.一种近零能耗建筑的室内环境控制方法，其特征在于，包括：

获取由部署在室内的多个位置处的温度传感器采集的预定时间段内多个预定时间点的温度值；

将所述多个位置处的温度传感器采集的预定时间段内多个预定时间点的温度值按照时间维度排列为多个温度时序输入向量；

通过基于深度神经网络模型的温度时序特征提取器分别对所述多个温度时序输入向量进行特征分析以得到多个温度时序特征向量；

对所述多个位置处的温度传感器进行空间拓扑分析以得到空间拓扑关联特征矩阵；

对所述空间拓扑关联特征矩阵和所述多个温度时序特征向量进行基于图结构的关联编码以得到空间拓扑温度全局时序特征；

基于所述空间拓扑温度全局时序特征，确定空调功率值应增大、应减小或应保持不变。