基于深度学习的个性化空调智能学习方法

摘要

本发明公开了一种基于深度学习的个性化空调智能学习方法，其中，包括：获取测量对象的相关数据，相关数据包括：操作数据和环境数据；对相关数据进行清洗及处理，得到训练数据；导入神经网络，生成用户个性化预测模型；用户个性化预测模型生成测量对象的操作数据；获取用户对于测量对象调整后的相关数据，再次导入神经网络，训练优化用户个性化预测模型。本发明可实现对空调设备的全智能化控制，经过一端时间的训练后，后续的操作大多数情况下无需人工进行操作。并且，在同等环境情况下，相比一般的智能化控制以及传统的空调控制，更加的节能。

说明书

技术领域

本发明涉及一种空调智能学习方法，尤其涉及一种基于深度学习的个性化空调智能学习方法。

背景技术

现在社会之中，空调已经成为大部分家庭、办公地点、商业场所、室内公共区域等地点不可或缺的电器设施。在享受着空调带来的舒适时，人们同时也局限于传统的使用方法，即通过手动操控去开启关闭以及调整温度和工作模式等。空调本身的运行状态手环境影响，每个人的使用习惯也各不相同，这种手动操作方式不具备智能化，给使用者带来不便，在部分场合还会出现能源浪费，降低了用户体验。

中国专利公开号CN109297140A公布了一种基于人工智能的空调控制方法，其通过采用神经网络模型建立并训练可以预测房间温度变化的房间环境模型和可以预测用户温度喜好的用户模型、建立用于产生空调控制量的空调控制模型，并利用房间环境模型来训练空调控制模型，最终将温度控制目标量、空调观测量和/或房间环境观测量输入空调控制模型，输出空调控制量。其通过多个控制量相互配合，控制压缩机频率、内外风机转速和节流阀开度等的配合，使得空调能效和性能巨大提升，通过多观测量(观测量包含环境观测量(室外环境温度、天气、光照等)、房间观测量(室内环境温度、房间大小、空调布置等)、空调设备观测量(蒸发器气压和温度、冷凝器气压和温度、流量、电源电压等)、用户人设(年龄、性别等))，以实现对环境，房间，用户的精确建模，同时监测气候、天气变化、空调设备状态、时间、地区、房间特性等，针对不同情况采用不同的控制策略，最大程度的提高空调能效和性能。不仅仅能包含快速达到目标温度和维持恒定温度及减低能耗，还可以包含满足不同人(老人、小孩)和不同时段(夜晚、进屋)对温度的个性化需求。该方案虽然采用神经网络模型建立空调的控制模型，但是在实际使用过程中，因为空调设备的的各厂商的控制系统数据代码没有统一标准，上述方案的控制压缩机频率、内外风机转速和节流阀开度等是难以实现的。

鉴于上述问题，本发明公开了一种基于深度学习的个性化空调智能学习方法，其具有如下文所述之技术特征，以解决现有的问题。

发明内容

本发明的上述目的是通过以下技术方案实现的：

一种基于深度学习的个性化空调智能学习方法，其中，包括：获取测量对象的相关数据，相关数据包括：操作数据和环境数据；对相关数据进行清洗及处理，得到训练数据；导入神经网络，生成用户个性化预测模型；用户个性化预测模型生成测量对象的操作数据；获取用户对于测量对象调整后的相关数据，再次导入神经网络，训练优化用户个性化预测模型。

如上所述的基于深度学习的个性化空调智能学习方法，其中，对相关数据进行清洗包括：删除问题数据和错误数据，得到清洗后的数据。

如上所述的基于深度学习的个性化空调智能学习方法，其中，删除问题数据和错误数据包括：对于传感器故障或系统处理故障产生的缺失数据，若其占总数据比例小于或等于15％，将所有包含缺失值的数据行删除；若其比例大于15％，对缺失值进行填补；如果数据是布尔型数据，填补值为前十条有效数据值与后十条有效数据值的众数；如果数据为数值型，填补值为前十条有效数据与后十条有效数据值的平均数。

如上所述的基于深度学习的个性化空调智能学习方法，其中，对相关数据进行处理包括：将操作数据整理为符合神经网络输入结构的预处理数据；将预处理数据与环境数据进行综合处理，得到训练数据，将训练数据导入神经网络。

如上所述的基于深度学习的个性化空调智能学习方法，其中，训练生成用户个性化预测模型包括：训练神经网络学习数据中包含的信息，生成用户个性化预测模型。

如上所述的基于深度学习的个性化空调智能学习方法，其中，操作数据包括：空调预定时间段内的空调开关状态、空调设定温度、空调设定模式和设定时间；环境数据包括：室内温度、室外温度和天气状况。

如上所述的基于深度学习的个性化空调智能学习方法，其中，神经网络为长短时记忆神经网络，将符合神经网络输入结构的预处理数据集输入至长短时记忆神经网络中，生成所述用户个性化预测模型。

如上所述的基于深度学习的个性化空调智能学习方法，其中，在将符合神经网络输入结构的预处理数据输入神经网络之前，设定好长短时记忆神经网络的输入维数以及输出维数；根据数据规模设定神经网络层数、一次训练所选的样本数、训练轮数的具体数值；训练开始前，需要对长短时记忆神经网络进行随机初始化；神经网络由前向传播算法得到输出，训练过程中由误差反向传播算法更新神经网络参数值。

如上所述的基于深度学习的个性化空调智能学习方法，其中，通过空调温度传感器获得室内温度，通过当地的气象信息数据获取室外温度和天气状况。

如上所述的基于深度学习的个性化空调智能学习方法，其中，训练优化用户个性化预测模型后，用户个性化预测模型再次生成测量对象的操作数据。

综上所述，由于采用了上述技术方案，本发明对获取的相关数据处理后，通过神经网络获得用户个性化预测模型，然后用户个性化预测模型生成测量对象的操作数据，实现对测量对象的控制，并且，可以在用户后续调整过程中，不断的进行训练，从而获得最优的用户个性化预测模型。本发明用长短时记忆神经网络节点对空调运行数据进行收集和深度学习，根据用户的生活习惯制定用户空调设备的个性化运行方案策略，随着用户运行数据的积累和不断地深度学习，本发明制定的空调智能化运行方案准确率极高。本发明可实现对空调设备的全智能化控制，经过一端时间的训练后，后续的操作大多数情况下无需人工进行操作。并且，在同等环境情况下，相比一般的智能化控制以及传统的空调控制，都更加的节能。

附图说明

图1是本发明基于深度学习的个性化空调智能学习方法的长短时记忆神经网络节点示意图。

具体实施方式

下面结合附图和实施例对本发明做进一步描述：

本发明公开了一种基于深度学习的个性化空调智能学习方法，其中，包括：获取测量对象的相关数据，相关数据包括：操作数据和环境数据；对相关数据进行清洗及处理，得到训练数据；导入神经网络，生成用户个性化预测模型；用户个性化预测模型生成测量对象的操作数据，测量对象根据操作数据工作；获取用户对于测量对象调整后的相关数据，再次导入神经网络，训练优化用户个性化预测模型。本发明将处理后的相关数据导入神经网络，生成用户个性化预测模型，并对应获得操作数据，从而根据操作数据对空调进行智能控制，而在此基础上，不断的获取用户在智能控制基础上对参数的调整，从而不断的优化模型，最终实现对于空调的自动控制。

进一步的，对相关数据进行清洗包括：删除问题数据和错误数据，得到清洗后的数据。

进一步的，删除问题数据和错误数据包括：对于传感器故障或系统处理故障产生的缺失数据，若其占总数据比例小于或等于15％，将所有包含缺失值的数据行删除；若其比例大于15％，对缺失值进行填补；如果数据是布尔型数据，填补值为前十条有效数据值与后十条有效数据值的众数；如果数据为数值型，填补值为前十条有效数据与后十条有效数据值的平均数。

进一步的，对相关数据进行处理包括：将操作数据整理为符合神经网络输入结构的预处理数据，将预处理数据与环境数据进行综合处理，得到训练数据，将训练数据导入神经网络。

具体的，在本发明的实施过程中，对相关数据进行处理包括还可以包括：对清洗完成的用户数据的空调开关状态、空调设定温度以及空调设定模式数据进行预处理，得到符合用户预期的生活状态的数据。预处理方式为：假设用户在X时刻操作打开空调，此时刻的操作数据为开启数据。Y时刻，室内温度稳定达到设定温度或用户进行了下一次参数调整操作。用开启数据覆盖X时刻前Y-X时间长度内的所有数据。进一步的，在部分具体实施过程中，由于传感器精度、空调自身工作机制和工作状态、外部环境和建筑结构因素的影响，室内温度会在一个较小的范围内波动，而不是达到一个较为恒定的温度，那么在没有产生新的操作数据情况下，依然认定为室内温度达到稳定。

更进一步的，对相关数据进行处理还可以包括：若室外温度高于设置温度，将数据中空调工作模式设置为制冷，若室外温度低于设置温度，将数据中的空调工作模式设置为制热。

进一步的，训练生成用户个性化预测模型包括：训练神经网络学习数据中包含的信息，生成用户个性化预测模型。

具体的，训练数据输入到预设的神经网络中，使用该神经网络对训练数据进行学习和训练，生成用户个性化预测模型。包括：在预定时间段内对指定用户的操作数据和环境数据进行采集，用户数据包括：空调开关状态、空调设定温度、空调设定模式、室内温度、室外温度、设定时间。采集的数据组成原始数据集。对采集的数据进行数据清洗，删除或修正问题数据和错误数据，得到清洗后的数据，并对清洗后的数据进行预处理，将其整理为符合神经网络输入结构的预处理数据集；其中数据预处理包括：假设用户在X时刻操作打开空调，此时刻的操作数据为开启数据。Y时刻，室内温度稳定达到设定温度或用户进行了下一次参数调整操作。用开启数据覆盖X时刻前Y-X时间长度内的所有数据。神经网络为长短时记忆神经网络，将符合神经网络输入结构的预处理数据集输入至长短时记忆神经网络中，生成用户个性化预测模型。

进一步的，操作数据包括：空调预定时间段内的空调开关状态、空调设定温度、空调设定模式和设定时间；环境数据包括：室内温度、室外温度和天气状况；通过空调温度传感器获得室内温度，通过当地的气象信息数据获取室外温度和天气状况。

具体的，在本发明的实施过程中，可以在预定时间段内对测量对象进行连续监测，以固定时长T为时间间隔对测量对象提取一次数据，提取的数据包括空调开关状态，空调设定温度，空调设定模式，室内温度，室外温度。室内温度数据由室内温度传感器采集和记录，室外温度可以从互联网中的用户所在区域的天气和温度信息中获取。

进一步的，神经网络为长短时记忆神经网络，将符合神经网络输入结构的预处理数据集输入至长短时记忆神经网络中，生成用户个性化预测模型。

进一步的，在将符合神经网络输入结构的预处理数据输入神经网络之前，设定好长短时记忆神经网络的输入维数以及输出维数；根据数据规模设定神经网络层数、一次训练所选的样本数、训练轮数的具体数值；训练开始前，需要对长短时记忆神经网络进行随机初始化；神经网络由前向传播算法得到输出，训练过程中由误差反向传播算法更新神经网络参数值，不断降低误差，提高精度。

进一步的，训练优化用户个性化预测模型后，用户个性化预测模型再次生成测量对象的操作数据。

具体的，用户个性化预测模型对包含训练数据的用户进行预测，得出预测的用户使用习惯，包括：采集指定时间内的用户操作数据和环境数据组成测试数据集，对测试数据集进行数据清洗，删除或修正问题数据和错误数据，得到清洗后的预测数据集，并对清洗后的预测数据集进行预处理，将其整理为符合神经网络输入结构的测试数据集。将符合神经网络输入结构的测试数据集输入到用户个性化预测模型中，用户个性化预测模型输出预测的用户使用习惯。预测的用户使用习惯包括空调设置状态，空调设定温度，空调设定模式。用户使用习惯作为接下来的操作参数。

接下来，用户在下一时间段的使用过程中根据自身感受和需求调整空调参数，此过程产生的新的操作数据以及环境数据将再次处理成为训练数据输入神经网络中。包括：用户处在预设好的空调环境之中，根据自己的生理感受以及个人需求手动调整空调参数，包括在任意时间开关空调、调整空调温度和运行模式。此过程生成的所有参数和环境将被记录和采集，用清洗和预处理方法进行处理，生成新的符合神经网络输入结构的训练数据集，并加入至已有的符合神经网络输入结构的训练数据集中。

图1是本发明基于深度学习的个性化空调智能学习方法的长短时记忆神经网络节点示意图，请参见图1，将训练数据输入到预设的神经网络中，使用该神经网络对训练数据进行学习和训练，生成用户个性化预测模型。下面结合附图1对长短时记忆神经网络节点进行介绍，包括：图示中第一节点1代表sigmoid激活函数，第二节点2代表tanh激活函数，带有x符号的节点代表向量的逐点的乘法运算，带有+符号的节点代表逐点的加法运算，箭头代表向量连接。长短时记忆神经网络的信息传递由节点的细胞状态以及内部的“门”结构实现。细胞状态是神经网络中传输信息的道路，通过细胞状态，在序列处理过程中，相关的信息可以传递下去。“门”结构在训练过程帮助实现有用信息的保存和无用信息的遗忘。遗忘门用于抉择输入信息的哪些部分需要丢弃，哪些需要保留。来自前一个隐层的状态已经目前层的输入信息一同输入至sigmoid函数中，将会输出一个介于0至1的值，当这个值偏向0时，遗忘门认为它更应该丢弃；当这个值偏向1时，遗忘门认为它更应该被保留。输入门的职责是更新细胞状态。将前一个隐层的细胞状态和目前层的输入信息分别同时输入至sigmoid函数和tanh函数中，并将两个函数的输出结果相乘，tanh函数的输出是一个新的候选向量，sigmoid函数的输出是一个介于0至1的值，它将对候选向量中信息的价值性进行评判。细胞状态的计算，首先由前一层的细胞状态与遗忘向量逐点相乘，当结果偏向0时，说明这些信息是不被新的细胞状态所需要的，将被丢弃。接着将该值与输入门的输出逐点相加，也就是将新信息更新至细胞状态中，此时的结果便是新的细胞状态。输出门用来确定下一个隐藏状态的值，隐藏状态包含了先前输入的信息。首先，我们将前一个隐藏状态和当前输入传递到sigmoid函数中，然后将新得到的细胞状态传递给tanh函数。最后将tanh的输出与sigmoid的输出相乘，以确定隐藏状态应携带的信息。再将隐藏状态作为当前细胞的输出，把新的细胞状态和新的隐藏状态传递到下一个时间步长中去。

具体的，在本发明的实施过程中可以采用以下步骤进行操作：

步骤1，获取预定的测量对象在预定时间段内的操作数据、环境数据；

步骤2，对操作数据和环境数据进行清洗，删除问题数据和错误数据，得到清洗后的数据；

步骤3，对清洗后的数据进行预处理，将其整理为符合神经网络输入结构的预处理数据；

步骤4，将符合神经网络输入结构的预处理数据与环境数据进行综合处理，得到训练数据；

步骤5，将训练数据输入到预设的神经网络中，训练该神经网络学习数据中包含的信息，生成用户个性化预测模型；

步骤6，使用用户个性化预测模型输出预测的用户使用习惯；

步骤7，将的预测的用户使用习惯设置为下一时间段用户的空调操作参数；

步骤8，用户在下一时间段的使用过程中根据自身感受和需求调整空调参数，此过程产生的新的操作数据以及环境数据将再次进行处理并加入训练数据。

步骤9，重复步骤1至步骤9，不断从用户行为中获取新的操作数据，将新数据再次输入至神经网络进行训练，更新用户个性化预测模型，在此过程中不断提高对用户习惯预测的精准度，降低用户手动操作的频率和比例，直至完全无操作化。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员可以无需创造性劳动或者通过软件编程就可以根据本发明的构思做出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术发明，皆应在由权利要求书所确定的保护范围内。