CN215571095U - 空调系统 - Google Patents
空调系统 Download PDFInfo
- Publication number
- CN215571095U CN215571095U CN202121663896.3U CN202121663896U CN215571095U CN 215571095 U CN215571095 U CN 215571095U CN 202121663896 U CN202121663896 U CN 202121663896U CN 215571095 U CN215571095 U CN 215571095U
- Authority
- CN
- China
- Prior art keywords
- temperature
- model
- body surface
- air conditioning
- conditioning system
- 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.)
- Active
Links
Images
Landscapes
- Air Conditioning Control Device (AREA)
Abstract
本实用新型公开了空调系统包括：数据采集单元，用于采集人体的体表温度T；模型训练单元，用于根据所述体表温度T训练得到温冷感模型；控制单元，用于将所述体表温度T输入到所述温冷感模型中得出室内温度的调节指令；所述温冷感模型包括若干个预测模型，所述体表温度T的温度集合包括面部的额头温度、脸颊温度、眼睛温度、鼻子温度、耳朵温度和手部温度；所述预测模型包括所述体表温度T的子集合。本实用新型基于多处的体表温度利用随机森林原理训练得到温冷感模型，解决了决策树可能出现的过拟合导致的泛化性能差的缺点，并且降低了异常值带来的影响；随数据量的增加，准确率会不断提高；无需人员参与调节参数；直观、可视化。
Description
技术领域
本实用新型涉及空调技术领域，具体涉及空调系统。
背景技术
在热舒适研究领域，算法模型的研究可以分为两类：一类是以人与环境的换热模型或环境参数（如室内温度）为基础，依赖大量人的热感觉投票建立的算法模型，这类算法模型关注群体的一般性规律，控制策略满足多数人的需求，适合于指导室内环境的设计和营造，如常见的PMV算法模型；另一类是试图模拟人的热生理过程及其与环境之间的换热关系，用生理参数来定义和描述人在环境中的热状态。
现有专利CN106247525B主要通过采集对象空间内温度分布的热图像和空调出风的风向、风速、风温中的至少一者的参数，推定人体的温冷感。首先根据热图像和风速来推定人体散热量，然后根据散热量推定所述人体的温冷感。但人是不能直接感觉到环境温度的，只能感觉到位于皮肤表面下的神经末梢的温度。当人的热感觉发生变化时，身体的某些生理参数（客观因素）也会发生变化，如皮肤温度、心率等，所以把生理参数变化与人体热感觉联系在一起用以评价人的热感觉具有客观性综上，现需要设计空调系统以解决上述技术问题。
发明内容
为解决上述现有技术中问题，本实用新型提供了空调系统，引入皮肤温度这一生理参数，建立皮肤温度与热感觉投票值TSV之间的关系，提高空调系统温度调节的准确性。
为达到上述目的，本实用新型采用如下技术方案：
空调系统，包括：
数据采集单元，其安装于空调室内机模块中，用于采集人体的体表温度T；
模型训练单元，与所述数据采集单元通信连接，用于根据所述体表温度T训练得到温冷感模型；
控制单元，其与所述数据采集单元和模型训练单元均通信连接，用于将所述体表温度T输入到所述温冷感模型中得出室内温度的调节指令；
所述温冷感模型包括若干个预测模型，所述体表温度T的温度集合包括面部的额头温度、脸颊温度、眼睛温度、鼻子温度、耳朵温度和手部温度；
所述预测模型包括所述体表温度T的子集合。
在本实用新型的一些实施例中，所述模型训练单元包括训练集、验证集和测试集；所述训练集基于python编程语言调用了pandas包和sklearn库的随机森林模型和若干个函数。
在本实用新型的一些实施例中，所述训练集调用的内容包括用于数据划分的train_test_split、分类报告函数classification_report、随机森林模型Random ForestClassifier、网格搜索函数Grid Search CV、树模型规则化export_text。
在本实用新型的一些实施例中，所述模型训练单元用于将所述决策树的深度和数量作为超参数，还用于采用4折交叉验证对所述深度和所述数量的组合进行遍历。
在本实用新型的一些实施例中，所述温冷感模型的输出值为：n0代表感觉为冷的数量；n1代表感觉为中性的数量；n2代表感觉为热的数量。
在本实用新型的一些实施例中，所述控制模块用于根据最大的所述温冷感模型的输出值输出对应的调节指令。
在本实用新型的一些实施例中，所述控制单元用于当两类输出值相等且大于第三类输出值时，若第三类输出值为中性，则判断所述温冷感的输出值为中性；若第三类为非中性，则判断所述温冷感的输出值为两类相等输出值中的非中性。
在本实用新型的一些实施例中，所述模型训练单元还用于采用os包建立文件夹，用于存放对随机森林规则化后输出的树状图信息。
本实用新型的技术方案相对现有技术具有如下技术效果：
本实用新型基于多处的体表温度利用随机森林原理训练得到温冷感模型，解决了决策树可能出现的过拟合导致的泛化性能差的缺点，并且降低了异常值带来的影响；随数据量的增加，准确率会不断提高；无需人员参与调节参数；直观、可视化。
附图说明
为了更清楚地说明本实用新型实施例的技术方案，下面将对实施例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实用新型的一些实施例，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为所述室内机模块的结构示意图。
图2为所述决策树的内部结构示意图。
附图标记：100-数据采集单元；200-模型训练单元；300-控制单元。
具体实施方式
下面将结合本实用新型实施例中的附图，对本实用新型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实用新型一部分实施例，而不是全部的实施例。基于本实用新型中的实施例，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，都属于本实用新型保护的范围。
在本实用新型的描述中，需要理解的是，术语“中心”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本实用新型和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本实用新型的限制。
在本实用新型的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本实用新型中的具体含义。在上述实施方式的描述中，具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本实用新型的描述中，除非另有说明，“多个”的含义是两个或两个以上。
本申请中空气调节器通过使用压缩机、冷凝器、膨胀阀和蒸发器来执行空调器的制冷循环。制冷循环包括一系列过程，涉及压缩、冷凝、膨胀和蒸发，并向已被调节和热交换的空气供应制冷剂。
压缩机压缩处于高温高压状态的制冷剂气体并排出压缩后的制冷剂气体。所排出的制冷剂气体流入冷凝器。冷凝器将压缩后的制冷剂冷凝成液相，并且热量通过冷凝过程释放到周围环境。
膨胀阀使在冷凝器中冷凝的高温高压状态的液相制冷剂膨胀为低压的液相制冷剂。蒸发器蒸发在膨胀阀中膨胀的制冷剂，并使处于低温低压状态的制冷剂气体返回到压缩机。蒸发器可以通过利用制冷剂的蒸发的潜热与待冷却的材料进行热交换来实现制冷效果。在整个循环中，空调器可以调节室内空间的温度。
空调器的室外单元是指制冷循环的包括压缩机和室外热交换器的部分，空调器的室内单元包括室内热交换器，并且膨胀阀可以提供在室内单元或室外单元中。
室内热交换器和室外热交换器用作冷凝器或蒸发器。当室内热交换器用作冷凝器时，空调器用作制热模式的加热器，当室内热交换器用作蒸发器时，空调器用作制冷模式的冷却器。
参照图1所示，空调系统，包括：
数据采集单元100，其安装于空调室内机模块中，用于采集人体的体表温度T；
模型训练单元200，与所述数据采集单元100通信连接，用于根据所述体表温度T训练得到温冷感模型；
控制单元300，其与所述数据采集单元100和模型训练单元200均通信连接，用于将所述体表温度T输入到所述温冷感模型中得出室内温度的调节指令；
所述温冷感模型包括若干个预测模型，所述体表温度T的温度集合包括面部的额头温度、脸颊温度、眼睛温度、鼻子温度、耳朵温度和手部温度；
所述预测模型包括所述体表温度T的子集合。
本实用新型的模型训练单元200是基于随机森林原理，其是建立多棵树状图进行集体预测，它采用了一种并行式的集中学习方式——Bagging策略，在所有的数据样本（每个样本包含特征和标签两部分）中随机选取k个特征，利用这些数据和特征进行树模型的建立。重复该方法n次，即可生成由n棵树构成的森林，如图1。在利用随机森林进行预测时，先由所有的树进行预测，然后对每棵树的结果进行汇总，最后得出结果。因为每棵树都是独立的，所以无论是在训练还是在预测时都可以并行执行，极大地提升了运算效率。
因为本实用新型中的体表温度T是可以基于红外人感采集的，测量出空调系统工作范围内被测对象的局部皮肤温度，由于其他部位大多数情况下会有衣物遮盖，所以选择了面部的额头、脸颊、眼睛、鼻子、耳朵及手部等局部区域的温度作为数据样本的特征，被测对象的温冷感即为数据样本的标签。
另外，由于进行温度监测时不能保证所有部位温度都能被监测到，因此建立了多个预测模型，每个预测模型中包含以上被测区域子集合。
在本实用新型的一些实施例中，所述模型训练单元200包括训练集、验证集和测试集；所述训练集基于python编程语言调用了pandas包和sklearn库的随机森林模型和若干个函数。训练集用来训练数据，验证集参与超参数的调整选出最佳模型，测试集用来测试模型的泛化程度，得出最终的准确率。
在本实用新型的一些实施例中，所述训练集调用的内容包括用于数据划分的train_test_split、分类报告函数classification_report、随机森林模型Random ForestClassifier、网格搜索函数Grid Search CV、树模型规则化export_text。
在本实用新型的一些实施例中，所述模型训练单元200还用于采用os包建立文件夹，用于存放对随机森林规则化后输出的树状图信息。
在本实用新型的一些实施例中，在建模过程中还需对数据文件进行导入，然后筛选出作为模型输入、输出参数的数据集。由于每组数据包含的所测得的体表温度T的种类可能不同，故将其分别归入对应子集的预测模型中进行训练。对于缺少某些关键参数的数据进行剔除处理。其中，由于使用到的TSV为连续的数值，因此还对其进行了离散化处理。
在本实用新型的一些实施例中，所述模型训练单元用于将所述决策树的深度和数量作为超参数，还用于采用4折交叉验证对所述深度和所述数量的组合进行遍历。
超参数是随机森林在构建过程中存在不能直接通过算法进行直接优化的参数。随机森林包含了诸多超参数，本实用新型仅考虑两个主要超参数：决策树的最大深度和决策树的数量。对两个超参数分别定义了范围，并对这两个超参数的所有组合进行遍历，例如此处最大深度的范围为[2,11)区间内的整数，数量的范围为[5,25)区间内的整数。我们采用4折交叉验证对所有超参数组合进行遍历，以“gini”作为树状图划分依据，并以准确率为指标对各个超参数组合下的表现进行比较。通过建模和比较，最终得到了最佳的超参数组合（bestparams1, bestparams2），其中bestparams1为树的最大深度，bestparams2为树的数量。
为了获得随机森林的树模型规则化信息，本系统根据已获得的最佳超参数再次建立最优红外温冷感模型，之后输出所有树模型的规则化信息并写入相应的控制单元300中。
在本实用新型的一些实施例中，参照图2所示，其为模型训练单元200中的一棵决策树的内部结构样例，图中每一个方框包含一个判断，左分叉代表判断为真，右分叉代表判断为假。每次进行一系列判断至不再分叉即输出最终结果。在实际应用中将测量的温度数据导入到对应的预测模型中，就可以进行该随机森林模型内每棵树的温冷感预测。
为了获得整体的预测结果，需要对所有树的预测结果进行汇总。由于调用了相关的库文件，最终生成的结果值为：class0（冷）、class1（中性）和class2（热）。假设有k棵树，ni表示class为i（i取值为0、1、2）的数量，那么最终的结果的预测结果为n0、n1和n2中最大数值对应的预测结果。所述温冷感模型的输出值为：n0代表感觉为冷的数量；n1代表感觉为中性的数量；n2代表感觉为热的数量。最终的结果为n0、n1和n2中最大数值对应的预测结果。
在本实用新型的一些实施例中，所述控制模块用于根据最大的所述温冷感模型的输出值输出对应的调节指令。
在本实用新型的一些实施例中，所述控制单元用于当两类输出值相等且大于第三类输出值时，若第三类输出值为中性，则判断所述温冷感的输出值为中性；若第三类为非中性，则判断所述温冷感的输出值为两类相等输出值中的非中性。
例如n0=n2>n1，为了避免空调参数的频繁变动或由于冷热预测的数量相等且大于中性造成的进退两难，默认出现类似的情况，温冷感模型的输出为中性。当数量最小的一类不是中性，那么温冷感模型的输出为相等的两类中非中性的那一类；例如，n0=n1>n2，若n2为0，则温冷感模型的输出为冷。
在上述实施方式的描述中，具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上仅为本实用新型的具体实施方式，但本实用新型的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本实用新型揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本实用新型的保护范围之内。因此，本实用新型的保护范围应以权利要求的保护范围为准。
Claims (8)
1.空调系统，其特征在于，包括：
数据采集单元，其安装于空调室内机模块中，用于采集人体的体表温度T；
模型训练单元，与所述数据采集单元通信连接，用于根据所述体表温度T训练得到温冷感模型；
控制单元，其与所述数据采集单元和模型训练单元均通信连接，用于将所述体表温度T输入到所述温冷感模型中得出室内温度的调节指令；
所述温冷感模型包括若干个预测模型，所述体表温度T的温度集合包括面部的额头温度、脸颊温度、眼睛温度、鼻子温度、耳朵温度和手部温度；
所述预测模型包括所述体表温度T的子集合。
2.根据权利要求1所述的空调系统，其特征在于，所述模型训练单元包括训练集、验证集和测试集；所述训练集基于python编程语言调用了pandas包和sklearn库的随机森林模型和若干个函数。
3.根据权利要求2所述的空调系统，其特征在于，所述训练集调用的内容包括用于数据划分的train_test_split、分类报告函数classification_report、随机森林模型RandomForest Classifier、网格搜索函数Grid Search CV、树模型规则化export_text。
4.根据权利要求1所述的空调系统，其特征在于，所述模型训练单元用于将决策树的深度和数量作为超参数，还用于采用4折交叉验证对所述深度和所述数量的组合进行遍历。
5.根据权利要求1所述的空调系统，其特征在于，所述温冷感模型的输出值为：n0代表感觉为冷的数量；n1代表感觉为中性的数量；n2代表感觉为热的数量。
6.根据权利要求1所述的空调系统，其特征在于，所述控制单元用于根据最大的所述温冷感模型的输出值输出对应的调节指令。
7.根据权利要求5所述的空调系统，其特征在于，所述控制单元用于当两类输出值相等且大于第三类输出值时，若第三类输出值为中性，则判断所述温冷感的输出值为中性；若第三类为非中性，则判断所述温冷感的输出值为两类相等输出值中的非中性。
8.根据权利要求1所述的空调系统，其特征在于，所述模型训练单元还用于采用os包建立文件夹，用于存放对随机森林规则化后输出的树状图信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202121663896.3U CN215571095U (zh) | 2021-07-21 | 2021-07-21 | 空调系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202121663896.3U CN215571095U (zh) | 2021-07-21 | 2021-07-21 | 空调系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN215571095U true CN215571095U (zh) | 2022-01-18 |
Family
ID=79827264
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202121663896.3U Active CN215571095U (zh) | 2021-07-21 | 2021-07-21 | 空调系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN215571095U (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115031367A (zh) * | 2022-06-29 | 2022-09-09 | 海信（广东）空调有限公司 | 空调器及其控制方法 |
| CN115031369A (zh) * | 2022-06-29 | 2022-09-09 | 海信（广东）空调有限公司 | 空调器及其控制方法 |
| CN115031373A (zh) * | 2022-06-29 | 2022-09-09 | 海信（广东）空调有限公司 | 空调器及其控制方法 |
| CN115031377A (zh) * | 2022-06-29 | 2022-09-09 | 海信（广东）空调有限公司 | 空调器及其控制方法 |
| CN115031375A (zh) * | 2022-06-29 | 2022-09-09 | 海信（广东）空调有限公司 | 空调器及其控制方法 |
| CN115046291A (zh) * | 2022-06-29 | 2022-09-13 | 海信（广东）空调有限公司 | 空调器及其控制方法 |
| CN115046293A (zh) * | 2022-06-29 | 2022-09-13 | 海信（广东）空调有限公司 | 空调器及其控制方法 |
| CN115046292A (zh) * | 2022-06-29 | 2022-09-13 | 海信（广东）空调有限公司 | 空调器及其控制方法 |
| CN115059991A (zh) * | 2022-06-29 | 2022-09-16 | 海信（广东）空调有限公司 | 空调器及其控制方法 |
-
2021
- 2021-07-21 CN CN202121663896.3U patent/CN215571095U/zh active Active
Cited By (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115031367A (zh) * | 2022-06-29 | 2022-09-09 | 海信（广东）空调有限公司 | 空调器及其控制方法 |
| CN115031369A (zh) * | 2022-06-29 | 2022-09-09 | 海信（广东）空调有限公司 | 空调器及其控制方法 |
| CN115031373A (zh) * | 2022-06-29 | 2022-09-09 | 海信（广东）空调有限公司 | 空调器及其控制方法 |
| CN115031377A (zh) * | 2022-06-29 | 2022-09-09 | 海信（广东）空调有限公司 | 空调器及其控制方法 |
| CN115031375A (zh) * | 2022-06-29 | 2022-09-09 | 海信（广东）空调有限公司 | 空调器及其控制方法 |
| CN115046291A (zh) * | 2022-06-29 | 2022-09-13 | 海信（广东）空调有限公司 | 空调器及其控制方法 |
| CN115046293A (zh) * | 2022-06-29 | 2022-09-13 | 海信（广东）空调有限公司 | 空调器及其控制方法 |
| CN115046292A (zh) * | 2022-06-29 | 2022-09-13 | 海信（广东）空调有限公司 | 空调器及其控制方法 |
| CN115059991A (zh) * | 2022-06-29 | 2022-09-16 | 海信（广东）空调有限公司 | 空调器及其控制方法 |
| CN115031367B (zh) * | 2022-06-29 | 2023-10-13 | 海信（广东）空调有限公司 | 空调器及其控制方法 |
| CN115031375B (zh) * | 2022-06-29 | 2023-10-13 | 海信（广东）空调有限公司 | 空调器及其控制方法 |
| CN115046292B (zh) * | 2022-06-29 | 2023-10-17 | 海信（广东）空调有限公司 | 空调器及其控制方法 |
| CN115031369B (zh) * | 2022-06-29 | 2023-10-31 | 海信（广东）空调有限公司 | 空调器及其控制方法 |
| CN115046293B (zh) * | 2022-06-29 | 2023-11-03 | 海信（广东）空调有限公司 | 空调器及其控制方法 |
| CN115031377B (zh) * | 2022-06-29 | 2023-11-21 | 海信（广东）空调有限公司 | 空调器及其控制方法 |
| CN115046291B (zh) * | 2022-06-29 | 2023-11-24 | 海信（广东）空调有限公司 | 空调器及其控制方法 |
| CN115031373B (zh) * | 2022-06-29 | 2024-05-14 | 海信（广东）空调有限公司 | 空调器及其控制方法 |
| CN115059991B (zh) * | 2022-06-29 | 2024-05-14 | 海信（广东）空调有限公司 | 空调器及其控制方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN215571095U (zh) | 空调系统 | |
| CN113375277A (zh) | 空调器控制方法和空调器 | |
| Farhan et al. | Predicting individual thermal comfort using machine learning algorithms | |
| Aryal et al. | Thermal comfort modeling when personalized comfort systems are in use: Comparison of sensing and learning methods | |
| CN104490371B (zh) | 一种基于人体生理参数的热舒适检测方法 | |
| Swider et al. | Modelling of vapour-compression liquid chillers with neural networks | |
| Park et al. | Prediction of individual thermal comfort based on ensemble transfer learning method using wearable and environmental sensors | |
| CN113339950A (zh) | 空调控制系统 | |
| CN112862145A (zh) | 使用体形信息的居用者热舒适度推断 | |
| CN113339952A (zh) | 空调系统 | |
| CN113375283B (zh) | 空调器控制方法和空调器 | |
| CN102346445A (zh) | 区域建筑能耗控制系统及其方法 | |
| Li et al. | Diagnosis for multiple faults of chiller using ELM-KNN model enhanced by multi-label learning and specific feature combinations | |
| Francis et al. | Occutherm: Occupant thermal comfort inference using body shape information | |
| CN108491580A (zh) | 一种设备故障诊断装置及系统 | |
| Liu et al. | Thermal preference prediction based on occupants’ adaptive behavior in indoor environments-A study of an air-conditioned multi-occupancy office in China | |
| CN115230433B (zh) | 电动汽车乘员舱与动力电池协同加热控制方法及装置 | |
| CN115614953A (zh) | 一种暖通空调智能送风控制方法及系统 | |
| Cen et al. | Physiological sensing of personal thermal comfort with wearable devices in fan-assisted cooling environments in the tropics | |
| Li et al. | A comprehensive review of impact assessment of indoor thermal environment on work and cognitive performance-Combined physiological measurements and machine learning | |
| CN114992926A (zh) | 一种用于跨临界co2空调系统的控制方法及控制系统 | |
| Li et al. | Simulated annealing wrapped generic ensemble fault diagnostic strategy for VRF system | |
| Wang et al. | Physiological responses and data-driven thermal comfort models with personal conditioning devices (PCD) | |
| CN110410975A (zh) | 空气调节设备的控制方法、装置和空气调节设备 | |
| CN114964506A (zh) | 基于红外热成像的室内人体热舒适智能调控方法和系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| GR01 | Patent grant | ||
| GR01 | Patent grant |