【技術(shù)實現(xiàn)步驟摘要】
本專利技術(shù)涉及電器控制領(lǐng)域，具體來說，尤其涉及一種基于機器學(xué)習(xí)的空調(diào)智能控制方法及系統(tǒng)。
技術(shù)介紹
1、空調(diào)是一種用于調(diào)節(jié)室內(nèi)外環(huán)境的設(shè)備，主要功能是控制室內(nèi)外的溫度、濕度、空氣質(zhì)量和流通，空調(diào)系統(tǒng)通過吸收室內(nèi)外的熱空氣并將其排放到外部，同時通過冷凝過程冷卻室內(nèi)外空氣來降低溫度，除了制冷，現(xiàn)代空調(diào)設(shè)備通常還具有加熱、除濕和過濾空氣的功能。
2、傳統(tǒng)的空調(diào)系統(tǒng)往往在固定的模式下運行，不考慮外部天氣條件或室內(nèi)外使用情況的變化，這可能導(dǎo)致能源的浪費。智能控制可以根據(jù)實時數(shù)據(jù)自動調(diào)整空調(diào)的運行，如調(diào)低空調(diào)的制冷或制熱強度，從而顯著減少能源消耗并降低電費開支，智能空調(diào)能夠?qū)崟r監(jiān)測并調(diào)整室內(nèi)外溫度和濕度，確保它們始終維持在最適合人體舒適的范圍內(nèi)。這種精確的控制能夠提高居住和工作空間的舒適度。
3、現(xiàn)有技術(shù)可能無法精確調(diào)節(jié)室內(nèi)外環(huán)境參數(shù)，如溫度和濕度，導(dǎo)致舒適度不高，特別是在外部環(huán)境條件劇烈變化時，傳統(tǒng)的空調(diào)往往因為缺乏智能化控制而導(dǎo)致能源浪費，如在無人時仍持續(xù)運行，或者根據(jù)固定模式工作，不考慮實際的環(huán)境需求，對于環(huán)境變化的響應(yīng)不夠及時，導(dǎo)致室內(nèi)外環(huán)境條件與外界環(huán)境脫節(jié)，無法快速適應(yīng)溫度或濕度的突變，從而影響居住或工作的舒適度，往往沒有考慮到用戶個性化的舒適需求和行為習(xí)慣，無法為不同用戶提供定制化的溫度和濕度設(shè)置，傳統(tǒng)方法缺少對歷史和實時數(shù)據(jù)的全面分析能力，不能有效地預(yù)測和調(diào)整室內(nèi)外環(huán)境，降低了決策的數(shù)據(jù)支持性。
4、針對相關(guān)技術(shù)中的問題，目前尚未提出有效的解決方案。
技術(shù)實現(xiàn)思
1、為了克服以上問題，本專利技術(shù)旨在提出一種基于機器學(xué)習(xí)的空調(diào)智能控制方法及系統(tǒng)，目的在于解決無法快速適應(yīng)溫度或濕度的突變，從而影響居住或工作的舒適度，往往沒有考慮到用戶個性化的舒適需求和行為習(xí)慣，無法為不同用戶提供定制化的溫度和濕度設(shè)置，傳統(tǒng)方法缺少對歷史和實時數(shù)據(jù)的全面分析能力，不能有效地預(yù)測和調(diào)整室內(nèi)外環(huán)境，降低了決策的數(shù)據(jù)支持性的問題。
2、為此，本專利技術(shù)采用的具體技術(shù)方案如下：
3、根據(jù)本專利技術(shù)的一個方面，提供了一種基于機器學(xué)習(xí)的空調(diào)智能控制方法，該空調(diào)智能控制方法包括以下步驟：
4、s1、利用預(yù)先配置的多傳感器收集全方位的室內(nèi)外環(huán)境數(shù)據(jù)，并通過環(huán)境優(yōu)化預(yù)測模型結(jié)合歷史室內(nèi)外環(huán)境數(shù)據(jù)，預(yù)測未來的最佳溫度和環(huán)境變化趨勢；
5、s2、根據(jù)預(yù)測的最佳溫度和環(huán)境變化，結(jié)合用戶歷史行為模式分析，自動調(diào)整空調(diào)的溫度和濕度；
6、s3、提供實時顯示能源使用情況的可視化界面，同時根據(jù)自動調(diào)整后的溫度和濕度及市場動態(tài)，評估通過溫度和濕度調(diào)整實現(xiàn)的不同空調(diào)設(shè)置對室內(nèi)外環(huán)境舒適度、能源使用效率及用戶滿意度的影響，基于評估結(jié)果調(diào)整空調(diào)最佳的溫度和濕度。
7、可選地，利用預(yù)先配置的多傳感器收集全方位的室內(nèi)外環(huán)境數(shù)據(jù)，并通過環(huán)境優(yōu)化預(yù)測模型結(jié)合歷史室內(nèi)外環(huán)境數(shù)據(jù)，預(yù)測未來的最佳溫度和環(huán)境變化趨勢包括以下步驟：
8、s11、使用多種傳感器全面收集室內(nèi)外環(huán)境數(shù)據(jù)，并進行預(yù)處理；
9、s12、利用灰色關(guān)聯(lián)矩陣選擇與目標(biāo)預(yù)測日期環(huán)境屬性相關(guān)聯(lián)的歷史室內(nèi)外環(huán)境特征數(shù)據(jù)；
10、s13、根據(jù)選擇的歷史室內(nèi)外環(huán)境特征數(shù)據(jù)構(gòu)建環(huán)境優(yōu)化預(yù)測模型，并基于梯度提升算法優(yōu)化環(huán)境優(yōu)化預(yù)測模型；
11、s14、使用歷史室內(nèi)外環(huán)境數(shù)據(jù)訓(xùn)練優(yōu)化后的環(huán)境優(yōu)化預(yù)測模型，并利用通過交叉驗證法對環(huán)境優(yōu)化預(yù)測模型進行評估，并利用分布式計算框架并行化訓(xùn)練模型；
12、s15、預(yù)處理后的室內(nèi)外環(huán)境數(shù)據(jù)輸入訓(xùn)練后的環(huán)境優(yōu)化預(yù)測模型，預(yù)測未來的最佳溫度和環(huán)境變化趨勢。
13、可選地，利用灰色關(guān)聯(lián)矩陣選擇與目標(biāo)預(yù)測日期環(huán)境屬性相關(guān)聯(lián)的歷史室內(nèi)外環(huán)境數(shù)據(jù)包括以下步驟：
14、s121、選擇目標(biāo)預(yù)測日期的環(huán)境屬性作為參考序列；
15、s122、收集歷史數(shù)據(jù)中相關(guān)聯(lián)的環(huán)境屬性作為比較序列；
16、s123、使用灰色關(guān)聯(lián)分析的公式計算每個比較序列與參考序列之間的灰色關(guān)聯(lián)度；
17、s124、根據(jù)灰色關(guān)聯(lián)度篩選歷史室內(nèi)外環(huán)境特征數(shù)據(jù)。
18、可選地，使用灰色關(guān)聯(lián)分析的公式計算每個比較序列與參考序列之間的灰色關(guān)聯(lián)度包括以下步驟：
19、s1221、將每個比較序列與參考序列進行歸一化處理；
20、s1222、計算比較序列與參考序列在各個點上的絕對差，并查找所有差值中的最大值和最小值；
21、s1223、根據(jù)所有差值中的最大值和最小值計算灰色關(guān)聯(lián)系數(shù)；
22、s1224、將所有灰色關(guān)聯(lián)系數(shù)的平均值作為總的灰色關(guān)聯(lián)度；
23、其中，總的灰色關(guān)聯(lián)度的計算公式為：
24、
25、式中，n表示數(shù)據(jù)點的總數(shù)；
26、ξi(k)表示第k數(shù)據(jù)點的關(guān)聯(lián)系數(shù)；
27、r(yo，yi)表示參考序列yo和比較序列yi之間的總關(guān)聯(lián)度；
28、k表示數(shù)據(jù)點。
29、可選地，根據(jù)選擇的歷史室內(nèi)外環(huán)境數(shù)據(jù)構(gòu)建環(huán)境優(yōu)化預(yù)測模型，并基于梯度提升算法優(yōu)化環(huán)境優(yōu)化預(yù)測模型包括以下步驟：
30、s131、獲取歷史室內(nèi)外環(huán)境特征數(shù)據(jù)，同時確定環(huán)境優(yōu)化預(yù)測模型的預(yù)測目標(biāo)；
31、s132、利用歷史室內(nèi)外環(huán)境特征數(shù)據(jù)和預(yù)測目標(biāo)構(gòu)建并訓(xùn)練環(huán)境優(yōu)化預(yù)測模型；
32、s133、計算損失函數(shù)關(guān)于模型預(yù)測的負(fù)梯度，并擬合新的回歸樹以更新環(huán)境優(yōu)化預(yù)測模型；
33、s134、利用網(wǎng)格搜索法優(yōu)化環(huán)境優(yōu)化預(yù)測模型中最佳的超參數(shù)組合。
34、可選地，計算損失函數(shù)關(guān)于模型預(yù)測的負(fù)梯度，并擬合新的回歸樹以更新環(huán)境優(yōu)化預(yù)測模型包括以下步驟：
35、s1331、計算環(huán)境優(yōu)化預(yù)測模型的預(yù)測誤差；
36、s1332、計算損失函數(shù)中關(guān)于預(yù)測值的梯度，得到每個樣本點的負(fù)梯度；
37、s?1333、使用計算得到的負(fù)梯度作為目標(biāo)值，擬合新的回歸樹；
38、s1334、將新擬合的回歸樹集成到環(huán)境優(yōu)化預(yù)測模型中，并更新環(huán)境優(yōu)化預(yù)測模型。
39、可選地，每個樣本點的負(fù)梯度的計算公式為：
40、gi＝ai-σ(ht-1(bi))；
41、式中，ai表示第i個樣本點的負(fù)梯度值；
42、σ表示sigmoid函數(shù)；
43、ht-1表示在t-1次迭代后的模型；
44、bi表示第i個樣本點的特征向量。
45、可選地，根據(jù)預(yù)測的最佳溫度和環(huán)境變化，結(jié)合用戶歷史行為模式分析，自動調(diào)整空調(diào)的溫度和濕度包括以下步驟：
46、s21、定期收集用戶在不同時間、不同環(huán)境條件下調(diào)節(jié)空調(diào)的歷史數(shù)據(jù)，并識別用戶在不同環(huán)境條件下的調(diào)節(jié)序列；
47、s22、利用變長馬爾可夫模型分析用戶的調(diào)節(jié)序列，建立動態(tài)的用戶行為預(yù)測模型；
48、s23、將預(yù)測的最佳溫度和環(huán)境變化數(shù)據(jù)與用戶行本文檔來自技高網(wǎng)...
【技術(shù)保護點】
1.一種基于機器學(xué)習(xí)的空調(diào)智能控制方法，其特征在于，該空調(diào)智能控制方法包括以下步驟：
2.根據(jù)權(quán)利要求1所述的一種基于機器學(xué)習(xí)的空調(diào)智能控制方法，其特征在于，所述利用預(yù)先配置的多傳感器收集全方位的室內(nèi)外環(huán)境數(shù)據(jù)，并通過環(huán)境優(yōu)化預(yù)測模型結(jié)合歷史室內(nèi)外環(huán)境數(shù)據(jù)，預(yù)測未來的最佳溫度和環(huán)境變化趨勢包括以下步驟：
3.根據(jù)權(quán)利要求2所述的一種基于機器學(xué)習(xí)的空調(diào)智能控制方法，其特征在于，所述利用灰色關(guān)聯(lián)矩陣選擇與目標(biāo)預(yù)測日期環(huán)境屬性相關(guān)聯(lián)的歷史室內(nèi)外環(huán)境數(shù)據(jù)包括以下步驟：
4.根據(jù)權(quán)利要求3所述的一種基于機器學(xué)習(xí)的空調(diào)智能控制方法，其特征在于，所述使用灰色關(guān)聯(lián)分析的公式計算每個比較序列與參考序列之間的灰色關(guān)聯(lián)度包括以下步驟：
5.根據(jù)權(quán)利要求4所述的一種基于機器學(xué)習(xí)的空調(diào)智能控制方法，其特征在于，所述根據(jù)選擇的歷史室內(nèi)外環(huán)境數(shù)據(jù)構(gòu)建環(huán)境優(yōu)化預(yù)測模型，并基于梯度提升算法優(yōu)化環(huán)境優(yōu)化預(yù)測模型包括以下步驟：
6.根據(jù)權(quán)利要求5所述的一種基于機器學(xué)習(xí)的空調(diào)智能控制方法，其特征在于，所述計算損失函數(shù)關(guān)于模型預(yù)測的負(fù)梯度，并擬合新的回歸樹以更新
7.根據(jù)權(quán)利要求6所述的一種基于機器學(xué)習(xí)的空調(diào)智能控制方法，其特征在于，所述每個樣本點的負(fù)梯度的計算公式為：
8.根據(jù)權(quán)利要求1所述的一種基于機器學(xué)習(xí)的空調(diào)智能控制方法，其特征在于，所述根據(jù)預(yù)測的最佳溫度和環(huán)境變化，結(jié)合用戶歷史行為模式分析，自動調(diào)整空調(diào)的溫度和濕度包括以下步驟：
9.根據(jù)權(quán)利要求8所述的一種基于機器學(xué)習(xí)的空調(diào)智能控制方法，其特征在于，所述利用變長馬爾可夫模型分析用戶的調(diào)節(jié)序列，建立動態(tài)的用戶行為預(yù)測模型包括以下步驟：
10.一種基于機器學(xué)習(xí)的空調(diào)智能控制系統(tǒng)，用于實現(xiàn)權(quán)利要求1-9中任一項所述的基于機器學(xué)習(xí)的空調(diào)智能控制方法，其特征在于，該系統(tǒng)包括：環(huán)境數(shù)據(jù)收集與預(yù)測模塊、智能調(diào)節(jié)控制模塊及能源使用及滿意度評估模塊；
...【技術(shù)特征摘要】
1.一種基于機器學(xué)習(xí)的空調(diào)智能控制方法，其特征在于，該空調(diào)智能控制方法包括以下步驟：
2.根據(jù)權(quán)利要求1所述的一種基于機器學(xué)習(xí)的空調(diào)智能控制方法，其特征在于，所述利用預(yù)先配置的多傳感器收集全方位的室內(nèi)外環(huán)境數(shù)據(jù)，并通過環(huán)境優(yōu)化預(yù)測模型結(jié)合歷史室內(nèi)外環(huán)境數(shù)據(jù)，預(yù)測未來的最佳溫度和環(huán)境變化趨勢包括以下步驟：
3.根據(jù)權(quán)利要求2所述的一種基于機器學(xué)習(xí)的空調(diào)智能控制方法，其特征在于，所述利用灰色關(guān)聯(lián)矩陣選擇與目標(biāo)預(yù)測日期環(huán)境屬性相關(guān)聯(lián)的歷史室內(nèi)外環(huán)境數(shù)據(jù)包括以下步驟：
4.根據(jù)權(quán)利要求3所述的一種基于機器學(xué)習(xí)的空調(diào)智能控制方法，其特征在于，所述使用灰色關(guān)聯(lián)分析的公式計算每個比較序列與參考序列之間的灰色關(guān)聯(lián)度包括以下步驟：
5.根據(jù)權(quán)利要求4所述的一種基于機器學(xué)習(xí)的空調(diào)智能控制方法，其特征在于，所述根據(jù)選擇的歷史室內(nèi)外環(huán)境數(shù)據(jù)構(gòu)建環(huán)境優(yōu)化預(yù)測模型，并基于梯度提升算法優(yōu)化環(huán)境優(yōu)化預(yù)測模型包括以下步驟：
<...【專利技術(shù)屬性】
技術(shù)研發(fā)人員：楊鵬新，陸昱霖，
申請(專利權(quán))人：舒眾工業(yè)設(shè)備啟東有限公司，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。