CN118034127A - 基于互联网的远程控制楼宇智能监控系统 - Google Patents
基于互联网的远程控制楼宇智能监控系统 Download PDFInfo
- Publication number
- CN118034127A CN118034127A CN202410196674.7A CN202410196674A CN118034127A CN 118034127 A CN118034127 A CN 118034127A CN 202410196674 A CN202410196674 A CN 202410196674A CN 118034127 A CN118034127 A CN 118034127A
- Authority
- CN
- China
- Prior art keywords
- data
- building
- module
- indoor
- control
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 30
- 230000007613 environmental effect Effects 0.000 claims abstract description 38
- 230000008859 change Effects 0.000 claims abstract description 29
- 238000011217 control strategy Methods 0.000 claims abstract description 24
- 238000000034 method Methods 0.000 claims abstract description 24
- 238000004458 analytical method Methods 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000005516 engineering process Methods 0.000 claims abstract description 13
- 230000007246 mechanism Effects 0.000 claims abstract description 7
- 230000008569 process Effects 0.000 claims abstract description 7
- 230000004044 response Effects 0.000 claims abstract description 6
- 238000005286 illumination Methods 0.000 claims description 50
- 238000007637 random forest analysis Methods 0.000 claims description 28
- 238000004422 calculation algorithm Methods 0.000 claims description 26
- 238000003066 decision tree Methods 0.000 claims description 24
- 230000001932 seasonal effect Effects 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 12
- 238000009423 ventilation Methods 0.000 claims description 11
- 238000000354 decomposition reaction Methods 0.000 claims description 9
- 230000001965 increasing effect Effects 0.000 claims description 7
- 230000007774 longterm Effects 0.000 claims description 7
- 230000000737 periodic effect Effects 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000007418 data mining Methods 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000004378 air conditioning Methods 0.000 claims description 5
- 238000007405 data analysis Methods 0.000 claims description 5
- 230000036541 health Effects 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000003909 pattern recognition Methods 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims 1
- 230000006870 function Effects 0.000 description 3
- 230000001788 irregular Effects 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012731 temporal analysis Methods 0.000 description 2
- 238000000700 time series analysis Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000010921 in-depth analysis Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013486 operation strategy Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Landscapes
- Air Conditioning Control Device (AREA)
Abstract
本发明涉及楼宇监控技术领域,具体涉及基于互联网的远程控制楼宇智能监控系统,包括数据采集模块、数据处理模块、云端服务器模块、用户界面模块以及安全控制模块,其中;数据采集模块负责收集楼宇内外的环境数据;数据处理模块对采集的数据初步分析,以确定楼宇内部需要做出的响应;云端服务器模块深入分析处理数据,根据楼宇的运行模式和外部环境的变化,制定最优的控制策略;用户界面模块提供用户界面,允许用户远程监控楼宇的状态;安全控制模块通过加密技术和认证机制保护系统数据的安全性和完整性。本发明,能够实时监控楼宇内外的环境状态,并根据预测结果自动调整楼宇控制系统,以优化能源使用,提高室内环境舒适度。
Description
技术领域
本发明涉及楼宇监控技术领域,尤其涉及基于互联网的远程控制楼宇智能监控系统。
背景技术
在当前的楼宇管理领域,传统的监控系统多依赖于硬件控制和人工干预,缺乏灵活性和智能化处理能力,难以适应日益复杂的楼宇环境和多变的使用需求。这些系统往往仅能提供基本的监控功能,如简单的数据收集和报警,而缺乏对数据的深入分析、预测以及基于这些分析和预测的自动化控制策略。此外,随着信息技术的发展,楼宇系统面临的安全挑战也越来越大,包括数据泄露、未授权访问和系统稳定性问题,而传统系统在数据安全和用户认证方面的措施往往不够充分。
在能源管理方面,由于缺乏高效的数据分析和优化算法,传统楼宇监控系统在能源利用效率上存在明显不足,难以实现能源的最优配置和使用,导致能源浪费严重。同时,对于室内环境质量的管理,如温湿度、空气质量和光照强度等,传统系统通常采取被动响应策略,而非主动预调整,这影响了居住和工作环境的舒适度和健康性。
此外,随着移动互联网的普及和远程工作模式的兴起,用户对于楼宇监控系统的远程控制和移动访问能力提出了更高的要求,希望能够随时随地监控楼宇状态,并进行相应的调整和控制。然而,传统系统在远程访问和用户界面设计方面往往不够友好和灵活,不能满足用户的这些需求。
鉴于以上问题,迫切需要一种新型的楼宇智能监控系统,它能够利用最新的信息技术,提供更为智能化、自动化和安全的楼宇管理解决方案,以提高能源效率、改善室内环境质量、保障数据安全,并提供优质的用户体验。
发明内容
基于上述目的,本发明提供了基于互联网的远程控制楼宇智能监控系统。
基于互联网的远程控制楼宇智能监控系统,包括数据采集模块、数据处理模块、云端服务器模块、用户界面模块以及安全控制模块,其中;
数据采集模块负责收集楼宇内外的环境数据,包括室内外温湿度、光照强度、空气质量;
数据处理模块对采集的数据初步分析,以确定楼宇内部需要做出的响应;
云端服务器模块深入分析处理数据,根据楼宇的运行模式和外部环境的变化,制定最优的控制策略;
用户界面模块提供用户界面,允许用户远程监控楼宇的状态,接收报告,并进行远程操作;
安全控制模块通过加密技术和认证机制保护系统数据的安全性和完整性,防止未授权访问。
进一步的,所述数据采集模块包括室内环境传感器组和室外环境传感器组,用于实时收集楼宇内外的环境数据;
室内环境传感器组部署于楼宇的关键区域,包括办公区域、公共区域和机械设备房,用于收集室内的温度、湿度、光照强度和空气质量数据;
室外环境传感器组设置在楼宇的屋顶及外墙位置,用于监测室外的温度、湿度、光照强度和空气质量,以便对楼宇内的环境条件进行控制;
数据采集模块通过无线网络将收集到的数据实时传输至数据处理模块以及云端服务器模块。
进一步的,所述数据处理模块具体包括:
温湿度分析单元:实时接收室内外温湿度传感器的数据,与预设的舒适区间阈值进行比较,如果室内温度超过最大阈值或低于最小阈值、室内湿度超出舒适范围,则认为需调整,向楼宇的空调和加湿/除湿系统发送控制指令,包括调整温度设定点、启动除湿模式,以恢复到舒适区间;
光照强度分析单元:收集室内外光照强度传感器的数据,评估当前的自然光照水平,当室内光照强度低于需求时,考虑外部光照条件和时间段确定是否需要增加人工照明,根据分析结果,自动调整照明系统,包括开启或调暗室内灯光,以提供适宜的光照水平,同时优化能源使用;
空气质量分析单元:定期接收空气质量传感器关于CO2浓度、PM2.5指标的数据,与健康舒适标准进行对比,判断是否需要调整室内通风,如果检测到室内空气质量低于标准,向通风系统发送指令,包括增加新风量或启动空气净化器,以改善室内空气质量。
进一步的,所述云端服务器模块具体包括:
数据分析:云端服务器模块收集并存储历史和实时数据,包括室内外环境参数、楼宇使用模式、季节性变化,通过数据挖掘和模式识别技术,识别出楼宇内部环境变化的长期趋势和周期性模式,以及与外部环境条件之间的关联;
利用机器学习算法,云端服务器模块从历史数据中学习并预测楼宇内外环境的变化趋势,以及变化趋势对楼宇系统运行的影响,根据楼宇的实际使用情况和外部环境的变化,自动调整其预测模型和控制策略;
制定控制策略:基于分析和预测结果,云端服务器模块制定针对性的控制策略,以优化楼宇系统的运行效率,提高能源使用效率,并确保室内环境质量。
进一步的,所述数据挖掘和模式识别技术包括使用STL(季节性分解的时间序列分析)和DBSCAN(基于密度的聚类算法)技术,STL帮助识别和预测环境变化的趋势和周期性模式,而DBSCAN用于发现楼宇内部环境状态与外部环境条件之间的潜在关联;
所述STL分解表示为:Xt=Tt+St+Rt,其中,Xt是时间点t的数据点,Tt是趋势成分,St是季节性成分,Rt是剩余成分(即随机或不规则成分);STL分解通过循环-子序列法和局部加权回归技术(LOESS)分别估计趋势和季节性成分,提供对时间序列数据理解的基础,通过应用STL分解到楼宇环境数据,识别出数据的季节性模式和长期趋势,以及随机波动;
所述DBSCAN不预先指定聚类的数量,识别出异常数据点(即噪声),具体包括:
核心点:若一个点在其邻域(由参数∈定义)内有足够多的点(由参数MinPts定义),则该点是一个核心点;
边界点:在核心点邻域内的非核心点;
噪声点:既不是核心点也不是边界点的点;
通过将DBSCAN应用于楼宇环境数据,根据数据点的空间密度将数据分组,识别出具有相似环境特征的时间段,并区分异常状态或噪声。
进一步的,所述机器学习算法采用随机森林算法,所述随机森林算法通过构建多个决策树并对多个决策树的预测结果进行平均或多数投票来提高预测准确性,每个决策树的构建都是在数据集的随机子集上进行,且在分裂节点时只考虑变量的随机子集,增加模型多样性,减少过拟合,随机森林模型的训练过程包括:
自助采样:从原始数据集中使用自助采样方法随机选择N个样本,构成一个训练集,重复M次,生成M个训练集;
决策树构建:对于每个训练集,构建决策树,在每个节点进行分裂时,不考虑所有特征,而是随机选择特征的一个子集,并选择最佳分裂特征;
预测与投票:每棵树独立进行预测,随机森林的预测结果是所有决策树预测结果的平均值;
随机森林的预测值表示为所有决策树预测值的平均:
其中,/>是随机森林的预测值,M是决策树的数量,/>是第i棵树的预测值。
将楼宇内外的环境参数(温度、湿度、光照强度)以及时间(小时、日、月)作为特征输入到随机森林模型中,预测楼宇的能源需求、室内环境质量指标。
进一步的,所述制定控制策略具体包括:
识别关键因素:利用随机森林算法的特征重要性评估机制,确定对楼宇环境和系统运行影响最大环境因素;
环境预测:使用随机森林算法预测未来一段时间内的环境参数变化趋势;
确定控制目标:根据楼宇管理的优先级和需求,确定控制策略的目标,包括能源效率最大化、维持室内温湿度在舒适范围内、保证空气质量;
制定控制规则:根据识别的关键因素和预测结果,制定具体的控制规则;
动态调整策略:实时监控楼宇内外环境的实际变化,并与预测结果进行比较,若偏差大,动态调整控制策略以适应实际环境变化,确保控制目标的实现。
进一步的,所述用户界面模块还包括一个仪表盘,展示楼宇内外的实时环境数据,包括温度、湿度、光照强度、空气质量,使用图表和仪表盘组件来直观显示数据变化;
用户界面模块还包括一个控制面板,允许用户远程调整楼宇控制系统的设置,包括空调温度设定、照明强度、通风系统。
进一步的,所述安全控制模块具体包括:
利用SSL或TLS协议加密客户端和服务器之间的数据传输,对于需高级安全保障的通信,通过VPN隧道加强数据传输的安全性;
对存储在服务器或云端的敏感数据进行加密,使用RSA加密标准对数据进行加密。
本发明的有益效果:
本发明,通过集成先进的数据采集、处理技术和智能预测算法,如随机森林,能够实时监控楼宇内外的环境状态,并根据预测结果自动调整楼宇控制系统,如空调、照明和通风系统,以优化能源使用,提高室内环境舒适度,此外,系统通过实时视频监控和环境异常报警功能增强了楼宇的安全监控能力。
本发明,用户界面模块通过提供直观的仪表盘、实时数据展示、历史数据分析和一键式场景控制等功能,极大地提升了用户的交互体验和楼宇管理的便捷性,用户可以轻松监控楼宇状态,接收和分析环境报告,并远程调整楼宇系统设置,满足不同使用场景的需求。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例的系统功能模块示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,对本发明进一步详细说明。
需要说明的是,除非另外定义,本发明使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本发明中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同,而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电性的连接,不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系,当被描述对象的绝对位置改变后,则该相对位置关系也可能相应地改变。
如图1所示,基于互联网的远程控制楼宇智能监控系统,包括数据采集模块、数据处理模块、云端服务器模块、用户界面模块以及安全控制模块,其中;
数据采集模块负责收集楼宇内外的环境数据,包括室内外温湿度、光照强度、空气质量;
数据处理模块对采集的数据初步分析,以确定楼宇内部需要做出的响应;
云端服务器模块深入分析处理数据,根据楼宇的运行模式和外部环境的变化,制定最优的控制策略;
用户界面模块提供用户界面,允许用户远程监控楼宇的状态,接收报告,并进行远程操作;
安全控制模块通过加密技术和认证机制保护系统数据的安全性和完整性,防止未授权访问。
数据采集模块包括室内环境传感器组和室外环境传感器组,用于实时收集楼宇内外的环境数据;
室内环境传感器组部署于楼宇的关键区域,包括办公区域、公共区域和机械设备房,用于收集室内的温度、湿度、光照强度和空气质量数据;
室外环境传感器组设置在楼宇的屋顶及外墙位置,用于监测室外的温度、湿度、光照强度和空气质量,以便对楼宇内的环境条件进行控制;
数据采集模块通过无线网络将收集到的数据实时传输至数据处理模块以及云端服务器模块,确保系统能够基于最新的环境信息做出响应,通过这种方式,数据采集模块不仅能够为楼宇内的环境适应性调节提供精准的输入数据,还能够帮助楼宇管理者更好地了解楼宇的环境状况,为能源管理和环境优化提供支持。
数据处理模块具体包括:
温湿度分析单元:实时接收室内外温湿度传感器的数据,与预设的舒适区间阈值进行比较,如果室内温度超过最大阈值或低于最小阈值、室内湿度超出舒适范围,则认为需调整,向楼宇的空调和加湿/除湿系统发送控制指令,包括调整温度设定点、启动除湿模式,以恢复到舒适区间;
光照强度分析单元:收集室内外光照强度传感器的数据,评估当前的自然光照水平,当室内光照强度低于需求时,考虑外部光照条件和时间段确定是否需要增加人工照明,根据分析结果,自动调整照明系统,包括开启或调暗室内灯光,以提供适宜的光照水平,同时优化能源使用;
空气质量分析单元:定期接收空气质量传感器关于CO2浓度、PM2.5指标的数据,与健康舒适标准进行对比,判断是否需要调整室内通风,如果检测到室内空气质量低于标准,向通风系统发送指令,包括增加新风量或启动空气净化器,以改善室内空气质量。
这些分析单元通过设置合理的阈值和响应规则,能够对常见的环境参数变化做出快速反应,此外,这些单元之间也存在协同作用,例如,光照强度的增加可能会导致室内温度升高,此时温湿度分析单元和光照强度分析单元需要协调工作,以确保室内环境的整体舒适度。
云端服务器模块具体包括:
数据分析:云端服务器模块收集并存储历史和实时数据,包括室内外环境参数、楼宇使用模式、季节性变化,通过数据挖掘和模式识别技术,识别出楼宇内部环境变化的长期趋势和周期性模式,以及与外部环境条件之间的关联;
利用机器学习算法,云端服务器模块从历史数据中学习并预测楼宇内外环境的变化趋势,以及变化趋势对楼宇系统运行的影响,根据楼宇的实际使用情况和外部环境的变化,自动调整其预测模型和控制策略;
制定控制策略:基于分析和预测结果,云端服务器模块制定针对性的控制策略,以优化楼宇系统的运行效率,提高能源使用效率,并确保室内环境质量。
数据挖掘和模式识别技术包括使用STL(季节性分解的时间序列分析)和DBSCAN(基于密度的聚类算法)技术,STL帮助识别和预测环境变化的趋势和周期性模式,而DBSCAN用于发现楼宇内部环境状态与外部环境条件之间的潜在关联;
STL分解表示为:Xt=Tt+St+Rt,其中,Xt是时间点t的数据点,Tt是趋势成分,St是季节性成分,Rt是剩余成分(即随机或不规则成分);STL分解通过循环-子序列法和局部加权回归技术(LOESS)分别估计趋势和季节性成分,提供对时间序列数据理解的基础,通过应用STL分解到楼宇环境数据,识别出数据的季节性模式和长期趋势,以及随机波动;
DBSCAN不预先指定聚类的数量,识别出异常数据点(即噪声),具体包括:
核心点:若一个点在其邻域(由参数∈定义)内有足够多的点(由参数MinPts定义),则该点是一个核心点;
边界点:在核心点邻域内的非核心点;
噪声点:既不是核心点也不是边界点的点;
通过将DBSCAN应用于楼宇环境数据,根据数据点的空间密度将数据分组,识别出具有相似环境特征的时间段,并区分异常状态或噪声。
STL算法通过分解时间序列数据为趋势、季节性和随机成分,为我们提供了一种深入理解楼宇内外环境变化的方法。在楼宇智能监控系统中,我们可以将STL应用于如温度、湿度等环境参数的时间序列数据,STL算法应用于本发明时:
1.选择LOESS平滑参数:根据数据的季节性长度和变化复杂度,选择合适的LOESS平滑参数。这些参数包括趋势窗口和季节窗口,它们决定了趋势和季节成分的平滑程度。
2.分解时间序列:将时间序列数据Xt分解为趋势成分Tt、季节性成分St和随机成分Rt。
趋势成分Tt反映了数据的长期变化趋势。
季节性成分St揭示了数据的周期性模式,如一天中的温度变化或一年中的季节性趋势。
随机成分Rt包含了数据中未被趋势和季节性解释的波动。
通过分析季节性和趋势成分,云端服务器模块可以预测未来的环境条件,并根据这些预测调整楼宇的控制系统,如空调和照明系统,以优化能源使用并提高舒适度。
DBSCAN算法通过识别被密集点包围的核心点来形成聚类,这使得它特别适用于识别具有不规则形状的聚类和噪声数据,基于密度的聚类算法(DBSCAN)应用于本发明时:
1.设置参数:选择适当的∈(邻域半径)和MinPts(邻域内最小点数)参数。这些参数对聚类结果有显著影响,需要根据具体的数据集和期望的聚类密度进行调整。
2.识别核心点和边界点:对于每个点,如果其∈邻域内至少有MinPts个点,该点被标记为核心点;否则,如果点在核心点的邻域内,则为边界点;剩余的点被视为噪声。
3.形成聚类:通过连接核心点及其可达的核心点(和边界点),形成聚类。
机器学习算法采用随机森林算法,随机森林算法通过构建多个决策树并对多个决策树的预测结果进行平均或多数投票来提高预测准确性,每个决策树的构建都是在数据集的随机子集上进行,且在分裂节点时只考虑变量的随机子集,增加模型多样性,减少过拟合,随机森林模型的训练过程包括:
自助采样:从原始数据集中使用自助采样方法随机选择N个样本,构成一个训练集,重复M次,生成M个训练集;
决策树构建:对于每个训练集,构建决策树,在每个节点进行分裂时,不考虑所有特征,而是随机选择特征的一个子集,并选择最佳分裂特征;
预测与投票:每棵树独立进行预测,随机森林的预测结果是所有决策树预测结果的平均值;
随机森林的预测值表示为所有决策树预测值的平均:
其中,/>是随机森林的预测值,M是决策树的数量,/>是第i棵树的预测值。
将楼宇内外的环境参数(温度、湿度、光照强度)以及时间(小时、日、月)作为特征输入到随机森林模型中,预测楼宇的能源需求、室内环境质量指标。通过分析不同特征对预测结果的贡献,云端服务器模块可以识别出哪些环境变化趋势对楼宇系统运行影响最大,据此调整楼宇的运行策略,实现能源效率的优化和室内环境质量的改善。
制定控制策略具体包括:
识别关键因素:利用随机森林算法的特征重要性评估机制,确定对楼宇环境和系统运行影响最大环境因素。这些因素可能包括室外温度、湿度、光照强度、时间(工作日/非工作日、时间段)、室内CO2浓度;
环境预测:使用随机森林算法预测未来一段时间内的环境参数变化趋势,如温度和湿度的日变化、季节变化等;
确定控制目标:根据楼宇管理的优先级和需求,确定控制策略的目标,包括能源效率最大化、维持室内温湿度在舒适范围内、保证空气质量;
制定控制规则:根据识别的关键因素和预测结果,制定具体的控制规则;
动态调整策略:实时监控楼宇内外环境的实际变化,并与预测结果进行比较,若偏差大,动态调整控制策略以适应实际环境变化,确保控制目标的实现。
示例:假设随机森林模型预测未来一周内,每天的最高温度将逐渐升高,而且工作日的室内人员密度较高。基于这些预测结果,云端服务器模块可以制定以下控制策略:
在高温日的早晨,提前启动空调系统进行预冷,以避免高温对室内温度的影响,并减少高峰时段的能耗。
根据预测的室内人员密度调整通风系统,以维持室内CO2浓度在合理范围内,保证空气质量。
在人员密度较低的非工作日,自动调整楼宇系统至节能模式,减少不必要的能耗。
用户界面模块还包括一个仪表盘,展示楼宇内外的实时环境数据,包括温度、湿度、光照强度、空气质量,使用图表和仪表盘组件来直观显示数据变化;
用户界面模块还包括一个控制面板,允许用户远程调整楼宇控制系统的设置,包括空调温度设定、照明强度、通风系统;
预设场景:提供预设的场景模式,如“节能模式”、“会议模式”等,用户可以一键切换到不同的场景模式,快速调整楼宇环境。
安全控制模块具体包括:
利用SSL或TLS协议加密客户端和服务器之间的数据传输,对于需高级安全保障的通信,通过VPN隧道加强数据传输的安全性;
对存储在服务器或云端的敏感数据进行加密,使用RSA加密标准对数据进行加密。
所属领域的普通技术人员应当理解:以上任何实施例的讨论仅为示例性的,并非旨在暗示本发明的范围被限于这些例子;在本发明的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,步骤可以以任意顺序实现,并存在如上所述的本发明的不同方面的许多其它变化,为了简明它们没有在细节中提供。
本发明旨在涵盖落入权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此,凡在本发明的精神和原则之内,所做的任何省略、修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.基于互联网的远程控制楼宇智能监控系统,其特征在于,包括数据采集模块、数据处理模块、云端服务器模块、用户界面模块以及安全控制模块,其中;
数据采集模块负责收集楼宇内外的环境数据,包括室内外温湿度、光照强度、空气质量;
数据处理模块对采集的数据初步分析,以确定楼宇内部需要做出的响应;
云端服务器模块深入分析处理数据,根据楼宇的运行模式和外部环境的变化,制定最优的控制策略;
用户界面模块提供用户界面,允许用户远程监控楼宇的状态,接收报告,并进行远程操作;
安全控制模块通过加密技术和认证机制保护系统数据的安全性和完整性,防止未授权访问。
2.根据权利要求1所述的基于互联网的远程控制楼宇智能监控系统,其特征在于,所述数据采集模块包括室内环境传感器组和室外环境传感器组,用于实时收集楼宇内外的环境数据;
室内环境传感器组部署于楼宇的关键区域,包括办公区域、公共区域和机械设备房,用于收集室内的温度、湿度、光照强度和空气质量数据;
室外环境传感器组设置在楼宇的屋顶及外墙位置,用于监测室外的温度、湿度、光照强度和空气质量,以便对楼宇内的环境条件进行控制;
数据采集模块通过无线网络将收集到的数据实时传输至数据处理模块以及云端服务器模块。
3.根据权利要求2所述的基于互联网的远程控制楼宇智能监控系统,其特征在于,所述数据处理模块具体包括:
温湿度分析单元:实时接收室内外温湿度传感器的数据,与预设的舒适区间阈值进行比较,如果室内温度超过最大阈值或低于最小阈值、室内湿度超出舒适范围,则认为需调整,向楼宇的空调和加湿/除湿系统发送控制指令,包括调整温度设定点、启动除湿模式,以恢复到舒适区间;
光照强度分析单元:收集室内外光照强度传感器的数据,评估当前的自然光照水平,当室内光照强度低于需求时,考虑外部光照条件和时间段确定是否需要增加人工照明,根据分析结果,自动调整照明系统,包括开启或调暗室内灯光,以提供适宜的光照水平,同时优化能源使用;
空气质量分析单元:定期接收空气质量传感器关于CO2浓度、PM2.5指标的数据,与健康舒适标准进行对比,判断是否需要调整室内通风,如果检测到室内空气质量低于标准,向通风系统发送指令,包括增加新风量或启动空气净化器,以改善室内空气质量。
4.根据权利要求3所述的基于互联网的远程控制楼宇智能监控系统,其特征在于,所述云端服务器模块具体包括:
数据分析:云端服务器模块收集并存储历史和实时数据,包括室内外环境参数、楼宇使用模式、季节性变化,通过数据挖掘和模式识别技术,识别出楼宇内部环境变化的长期趋势和周期性模式,以及与外部环境条件之间的关联;
利用机器学习算法,云端服务器模块从历史数据中学习并预测楼宇内外环境的变化趋势,以及变化趋势对楼宇系统运行的影响,根据楼宇的实际使用情况和外部环境的变化,自动调整其预测模型和控制策略;
制定控制策略:基于分析和预测结果,云端服务器模块制定针对性的控制策略。
5.根据权利要求4所述的基于互联网的远程控制楼宇智能监控系统,其特征在于,所述数据挖掘和模式识别技术包括使用STL和DBSCAN技术,STL帮助识别和预测环境变化的趋势和周期性模式,而DBSCAN用于发现楼宇内部环境状态与外部环境条件之间的潜在关联;
所述STL分解表示为:Xt=Tt+St+Rt,其中,Xt是时间点t的数据点,Tt是趋势成分,St是季节性成分,Rt是剩余成分;STL分解通过循环-子序列法和局部加权回归技术分别估计趋势和季节性成分,提供对时间序列数据理解的基础,通过应用STL分解到楼宇环境数据,识别出数据的季节性模式和长期趋势,以及随机波动;
所述DBSCAN不预先指定聚类的数量,识别出异常数据点,具体包括:
核心点:若一个点在其邻域内有足够多的点,则该点是一个核心点;
边界点:在核心点邻域内的非核心点;
噪声点:既不是核心点也不是边界点的点;
通过将DBSCAN应用于楼宇环境数据,根据数据点的空间密度将数据分组,识别出具有相似环境特征的时间段,并区分异常状态或噪声。
6.根据权利要求4所述的基于互联网的远程控制楼宇智能监控系统,其特征在于,所述机器学习算法采用随机森林算法,所述随机森林算法通过构建多个决策树并对多个决策树的预测结果进行平均或多数投票来提高预测准确性,每个决策树的构建都是在数据集的随机子集上进行,且在分裂节点时只考虑变量的随机子集,增加模型多样性,减少过拟合,随机森林模型的训练过程包括:
自助采样:从原始数据集中使用自助采样方法随机选择N个样本,构成一个训练集,重复M次,生成M个训练集;
决策树构建:对于每个训练集,构建决策树,在每个节点进行分裂时,不考虑所有特征,而是随机选择特征的一个子集,并选择最佳分裂特征;
预测与投票:每棵树独立进行预测,随机森林的预测结果是所有决策树预测结果的平均值;
随机森林的预测值表示为所有决策树预测值的平均:
其中,/>是随机森林的预测值,M是决策树的数量,/>是第i棵树的预测值。
将楼宇内外的环境参数以及时间作为特征输入到随机森林模型中,预测楼宇的能源需求、室内环境质量指标。
7.根据权利要求6所述的基于互联网的远程控制楼宇智能监控系统,其特征在于,所述制定控制策略具体包括:
识别关键因素:利用随机森林算法的特征重要性评估机制,确定对楼宇环境和系统运行影响最大环境因素;
环境预测:使用随机森林算法预测未来一段时间内的环境参数变化趋势;
确定控制目标:根据楼宇管理的优先级和需求,确定控制策略的目标,包括能源效率最大化、维持室内温湿度在舒适范围内、保证空气质量;
制定控制规则:根据识别的关键因素和预测结果,制定具体的控制规则;
动态调整策略:实时监控楼宇内外环境的实际变化,并与预测结果进行比较,若偏差大,动态调整控制策略以适应实际环境变化,确保控制目标的实现。
8.根据权利要求7所述的基于互联网的远程控制楼宇智能监控系统,其特征在于,所述用户界面模块还包括一个仪表盘,展示楼宇内外的实时环境数据,包括温度、湿度、光照强度、空气质量,使用图表和仪表盘组件来直观显示数据变化;
用户界面模块还包括一个控制面板,允许用户远程调整楼宇控制系统的设置,包括空调温度设定、照明强度、通风系统。
9.根据权利要求8所述的基于互联网的远程控制楼宇智能监控系统,其特征在于,所述安全控制模块具体包括:
利用SSL或TLS协议加密客户端和服务器之间的数据传输,对于需高级安全保障的通信,通过VPN隧道加强数据传输的安全性;
对存储在服务器或云端的敏感数据进行加密,使用RSA加密标准对数据进行加密。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410196674.7A CN118034127A (zh) | 2024-02-22 | 2024-02-22 | 基于互联网的远程控制楼宇智能监控系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410196674.7A CN118034127A (zh) | 2024-02-22 | 2024-02-22 | 基于互联网的远程控制楼宇智能监控系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118034127A true CN118034127A (zh) | 2024-05-14 |
Family
ID=90999991
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410196674.7A Pending CN118034127A (zh) | 2024-02-22 | 2024-02-22 | 基于互联网的远程控制楼宇智能监控系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118034127A (zh) |
-
2024
- 2024-02-22 CN CN202410196674.7A patent/CN118034127A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106950847A (zh) | 一种基于ZigBee和云计算的智能家居控制系统 | |
CN111443609B (zh) | 一种基于物联网的实验室环境自适应调节方法 | |
CN111491277B (zh) | 无线物联网异常处理方法、智能网关及相关装置 | |
Ma et al. | Supervisory and Energy Management System of large public buildings | |
KR20180072468A (ko) | 빅데이터기반 사용자의 지능형 냉방 및 난방 서비스 제공 방법 | |
Ouf et al. | A simulation-based method to investigate occupant-centric controls | |
CN113156826B (zh) | 一种基于人工智能的家居自动管理方法、管理系统及终端 | |
CN110991686A (zh) | 一种供热系统物联网云数据的智慧管理平台 | |
CN115796390A (zh) | 一种数据驱动的建筑能耗异常诊断方法及系统 | |
CN111339641A (zh) | 制冷系统管理方法、装置、云平台及存储介质 | |
Yaïci et al. | Internet of things for power and energy systems applications in buildings: An overview | |
US9756478B2 (en) | Identification of similar users | |
CN118034127A (zh) | 基于互联网的远程控制楼宇智能监控系统 | |
Park et al. | Energy-saving decision making framework for HVAC with usage logs | |
Kanthila et al. | Markov chain-based algorithms for building occupancy modeling: A review | |
CN116700033A (zh) | 基于语音交互的智能家居系统 | |
CN110956208A (zh) | 基于逻辑回归算法的温室大棚光照检测方法与系统 | |
CN114594692A (zh) | 一种基于手机端与物联网的智能家居控制系统 | |
CN112631354A (zh) | 绿色健康医院建筑大数据管控系统 | |
CN112255923A (zh) | 一种电设备控制方法、装置、服务器及介质 | |
Zhang et al. | An elderly living-alone guardianship model based on wavelet transform | |
CN110348638A (zh) | 一种可预测能源再生的低耗能智能家居系统 | |
Saranya et al. | AI buildings: design of artificially intelligent buildings in the energy sector with an autonomous federated learning approach | |
CN114020078A (zh) | 一种基于无线传感网络的智能温湿度控制系统和方法 | |
Abdalkafor et al. | Artificial Intelligence Techniques for Adaptive Controlled Air Conditions |
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 |