买专利卖专利找龙图腾,真高效! 查专利查商标用IPTOP,全免费!专利年费监控用IP管家,真方便!
申请/专利权人:山东省建筑设计研究院有限公司;山东旅游职业学院;山东金衢设计咨询集团有限公司
摘要:本发明涉及空调智能化控制技术领域,具体设计一种面向酒店的空调智能化控制方法,步骤如下:通过空调的传感器分别在当前房间采集早中晚三次的环境参数,同时采集空调设置的参数,对采集到的环境参数进行预处理,对空调参数进行标签独热编码处理,将处理后的数据集成一个数据集,再将数据集划分为训练集和测试集,然后构建多输出分类模型并将训练集输入进行模型训练,最后将测试集中的数据输入至训练后的模型进行预测。本发明可以避免单分支训练时易出现的过拟合现象,提升酒店空调的管理效率以及满足不同需求的个性化空调定制,以及提高客户的住宿舒适度。
主权项:1.一种面向酒店的空调智能化控制方法,其特征是,包括以下步骤:通过空调的传感器分别在当前房间采集早中晚三次的环境参数,同时采集空调设置的参数,对采集到的环境参数进行预处理,对空调设置的参数进行标签独热编码处理,将处理后的数据集成一个数据集,再将数据集划分为训练集和测试集,然后构建多输出分类模型并将训练集输入进行模型训练,最后将测试集中的数据输入至训练后的模型进行预测;对当前房间分别收集早中晚三个时间段的环境参数,同时采集当前环境空调设置的参数,每次的收集时长为2小时,采样率为10mins次,一天共采样36次;空调的传感器包括温度传感器、湿度传感器、天气质量传感器、雷达传感器,环境参数包括当前环境下的房间内温度T、湿度H、房间内人数P、时间Ti、天气W,其中,房间内温度T=[T1,T2,...,T36],湿度H=[H1,H2,...,H36],房间内人数P=[P1,P2,...,P36],时间Ti=[Ti1,Ti2,...,Ti36],天气W=[W1,W2,...,W36],表示分别对房间内温度T、湿度H、房间人数P、时间Ti、天气W各采样36次,空调设置的参数包括温度、风速、风向、模式,其中温度,风速,风向,模式;对获取的环境参数进行预处理:首先对环境参数中的异常值、重复值和错误值进行数据清洗处理,对于异常值和错误值用正常项的均值进行填充,对于重复值进行删除;然后对环境参数做进一步处理:a.天气W包括晴朗、阴、大雨、中雨、小雨、大雪、中雪、小雪和雨夹雪9种情况,9种天气情况的二值化表示为:晴朗W1=[1,0,0,0,0,0,0,0,0]、阴W2=[0,1,0,0,0,0,0,0,0]、大雨W3=[0,0,1,0,0,0,0,0,0]、中雨W4=[0,0,0,1,0,0,0,0,0]、小雨W5=[0,0,0,0,1,0,0,0,0]、大雪W6=[0,0,0,0,0,1,0,0,0]、中雪W7=[0,0,0,0,0,0,1,0,0]、小雪W8=[0,0,0,0,0,0,0,1,0]和雨夹雪W9=[0,0,0,0,0,0,0,0,1];b.房间内温度T的范围为,对房间内温度T进行归一化处理: ,其中,表示温度特征,表示采集到的房间温度中的最低值,表示采集到的房间温度中的最大值;c.湿度H的范围为,对湿度H进行0-1之间的数据转换: ,其中,表示湿度特征;d.对房间内人数P进行最大最小值归一化处理: ,其中,表示房间内人数的特征,表示房间内人数最大值,表示房间内人数最小值;e.将时间中的第j条样本表示为,其中,year表示年份,month表示月份,day表示日,再将转换为以年为单位的特征,转换公式如下: ,其中,表示year年1月1日,然后将时间Ti中的36个样本均进行转换,时间Ti中的36个个样本进行转换后的表示为;再通过创建基于正弦和余弦函数的周期性特征,来捕捉时间的周期性变化,并生成日期对应的特征sinf和特征cosf,计算公式如下: , ;最后将对环境参数处理后得到中的数据和进行堆叠组合,得到特征向量x,计算公式如下: ,其中,表示特征拼接操作;进行标签独热编码处理:将空调参数对应的温度、风速、风向、模式分别进行独热编码处理处理,首先确定空调参数对应的类别数N,然后根据类别数N对空调参数进行独热编码处理;对于温度,默认在多个时间段采集的每个样本的空调温度范围为,,由此确定温度的类别数N=11,对温度进行标签独热编码处理后表示为,其中,温度中第i个样本的原始标签为,进行独热编码处理后的标签为,具体标签独热编码处理过程为:将温度中第i个样本对应的温度值转变为11位二进制变量表示,其中对应温度处索引值标记为1,其他标记为0;对于风向,模式包括上下扫风和左右扫风两种模式,确定风向的类别数为,对风向中的每个样本进行标签独热编码处理后表示为,得到风向中第i个样本的第一个风向标签,表示左右扫风,;风向中第i个样本的第二个风向标签,表示上下扫风,;对于风速,模式包括低挡、中档和高档三种模式,确定风速的类别数为,对风速中的每个样本进行标签独热编码处理后表示为,得到风速中第i个样本的第一个风速标签,表示高档风速,;风速中第i个样本的第二个风速标签,表示中档风速,;风速中第i个样本的第三个风速标签,表示低档风速,;对于模式,包括制冷、制热、睡眠和保湿四种状态,确定模式的类别数为,对模式中的每个样本进行标签独热编码处理后表示为,得到模式中第i个样本的第一个模式标签,表示制冷模式,;模式中第i个样本的第二个模式标签,表示睡眠模式,;模式中第i个样本的第三个模式标签,表示制热模式,;模式中第i个样本的第四个模式标签,表示保湿模式,;生成数据集并进行划分:对于酒店内的个房间,将可收集到的样本数记为,单个房间可收集的样本包含特征的组合,样本数的维度为维,个房间生成的样本的维度为,对一年的四个季度分别各选择一个月收集特征向量,一年收集到的特征向量数为,一年收集到的样本数据集,其中,表示第个样本数据,表示第个样本对应的标签,每个样本的标签由温度、风向、风速、模式4个标签构成,,分别表示第个样本在风速、风向、温度和模式上对应的标签,表示一个维度为的输入特征向量,表示样本数据集D内的数量,然后将样本数据集D按比例划分为训练集和测试集,数据集的维度为,测试集的维度为,、和分别表示训练集的高度、宽度和深度,、和分别表示测试集的高度、宽度和深度;构建多输出分类模型:多输出分类模型包括一个模块和四个深度不同的分支,分别是特征提取模块、预测风速分支、预测温度分支、预测风向分支和预测模式分支;(1)特征提取模块的构建:通过瓶颈卷积块对训练集进行特征提取,得到提取后的特征,其中,瓶颈卷积块由一个卷积核为32的1×1卷积层、一个卷积核为32的3×3卷积层和一个ReLU激活层构成,计算过程如下: ,其中,表示瓶颈卷积,特征的维度为,、和分别表示特征的高度、宽度和深度;(2)预测风速分支的构建:将特征输入至两个堆叠的卷积层中进行深层特征提取,得到特征,CNN层的核大小为3,CNN层中的滤波器数量分别设为64和128,其中,每个CNN后均跟随一个步长为2的最大池化层MaxPool来对输入特征进行降采样,具体过程如下: ,然后,将特征输入至两个双向LSTM层,对特征的时序状态进行学习,然后再经过Dropout层和激活层得到特征,最后将特征输入至单元数为3的全连接层得输出概率矩阵,计算过程为: ,其中,FC表示全连接层;最终,根据进行风速最终预测结果,计算如下: (3)预测温度分支的构建:将特征进行最大池化并保留关键信息,然后将池化后的特征输入至由64个LSTM单元构成的LSTM层中进行时序模式学习,得到特征,再将特征输入至包含CNN层,最大池化层、激活层和Dropout层的CNN块中,得到深层特征,再将输入至并行的SE模块进行关键特征选择得到特征和特征,并将得到的特征相加得到带权重的特征,SE模块包括SE1模块和SE2模块两个部分,SE1模块和SE2模块均由一个全局平均池化、两个全连接层和一个Sigmoid层构成,计算过程如下: , , ;最后将带权重的特征输入至单元数为11的全连接层得到输出概率矩阵,计算过程如下: ,其中,表示全连接层;最终,根据进行温度最终结果预测,计算如下; ;(4)预测风向分支的构建:将特征用于构建基于基尼系数选择特征的随机森林,每个叶子节点分成2类,决策树个数设置为10,随机特征数目为8,然后根据10个决策树的所有分类结果进行投票,将得票最高的结果指定为风向最终预测结果, ,其中,表示多数投票规则,表示第j颗决策树的预测结果,;(5)预测模式分支的构建:将特征输入到网络模块中,网络模块由不同大小核的卷积层和最大池化层堆叠的而成,再通过设置核的大小来扩大视野范围,进而提取到多层次的特征,具体计算如下: ,其中,、分别表示卷积核大小为1,3,5的卷积操作,表示拼接操作,表示最大池化操作;然后将预测温度的分支提取的最终特征与特征进行堆叠,得到更全面的特征;最后利用特征构建随机森林分类器,设置决策树个数为100,随机特征数目为10,特征选择用基尼系数,每个叶子节点分为4类,最后集成100个决策树的输出为模式最终预测结果。
全文数据:
权利要求:
百度查询: 山东省建筑设计研究院有限公司 山东旅游职业学院 山东金衢设计咨询集团有限公司 一种面向酒店的空调智能化控制方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。