[發明專利]空調智能控制系統及方法

在審

• 申請號: 201811287737.0
• 申請日: 2018-10-31
• 公開（公告）號: CN109405195A
• 公開（公告）日: 2019-03-01
• 發明（設計）人: 羅胡琴
• 申請（專利權）人: 四川長虹電器股份有限公司
• 主分類號: F24F11/56
• 分類號: F24F11/56;F24F11/63
• 代理公司: 成都虹橋專利事務所(普通合伙) 51124
• 代理人: 陳立志

1.空調智能控制系統，其特征在于，包括通信服務器、通信數據庫、算法服務器、業務服務器、業務數據庫以及傳感器；

傳感器用于采集與空調運行相關的各類數據；

通信服務器用于將傳感器采集的數據作為樣本數據存儲在通信數據庫中，以及基于業務服務器生成的控制指令對空調進行遠程控制；

算法服務器包括模塊一和模塊二；模塊一用于從通信數據庫獲取樣本數據并訓練舒適溫度模型，通過舒適溫度模型和傳感器實時采集到的數據挖掘出最舒適的室內溫度；模塊二用于從通信數據庫獲取樣本數據并訓練空調開關模型，通過空調開關模型和傳感器實時采集到的數據挖掘出空調是否應該打開；

業務服務器用于接收用戶發送的業務指令，基于業務指令從業務數據庫獲取對應的業務場景的數據，在業務場景下從算法服務器調用模塊一和/或模塊二挖掘的數據生成空調的控制指令。

2.如權利要求1所述的空調智能控制系統，其特征在于，傳感器采集的數據包括室外濕度、空調風速、門窗狀態、室外溫度、室內溫度、室內濕度、時間及季節數據。

3.如權利要求1所述的空調智能控制系統，其特征在于，模塊一訓練舒適溫度模型的步驟包括：

A1.從通信數據庫獲取樣本數據，并將樣本數據分為訓練特征集、訓練目標集、測試特征集和測試目標集；

A2.同時采用多個分類算法對訓練特征集和訓練目標集進行模型訓練，并對每一個算法通過調整模型參數使其模型達到最優；

A3.利用測試特征集和測試目標集計算每個算法模型的評估參數，利用評估參數對所有算法模型進行評估，選出一個最優的算法模型。

4.如權利要求3所述的空調智能控制系統，其特征在于，步驟A2同時采用樸素貝葉斯、決策樹、隨機森林三個分類算法進行模型訓練。

5.如權利要求3所述的空調智能控制系統，其特征在于，步驟A2在調整參數的過程中還可以調整屬性的權重。

6.如權利要求3所述的空調智能控制系統，其特征在于，步驟A3中，所述評估參數包括準確率、正例檢出率、F_1值和查全率。

7.如權利要求1所述的空調智能控制系統，其特征在于，所述業務場景包括手動、半自動和自動模式場景。

8.空調智能控制方法，其特征在于，包括如下步驟：

S1.利用傳感器采集與空調運行相關的各類數據，并將傳感器采集的數據作為樣本數據存儲在通信數據庫中；

S2.從通信數據庫獲取樣本數據并訓練舒適溫度模型，通過舒適溫度模型和傳感器實時采集到的數據挖掘出最舒適的室內溫度；

從通信數據庫獲取樣本數據并訓練空調開關模型，通過空調開關模型和傳感器實時采集到的數據挖掘出空調是否應該打開；

S3.接收用戶發送的業務指令，基于業務指令從獲取對應的業務場景的數據，在業務場景下調用步驟S2挖掘的數據生成空調的控制指令，并將空調的控制指令發往通信服務器；

S4.通信服務器基于空調的控制指令對空調進行遠程控制。

9.如權利要求8所述的空調智能控制方法，其特征在于，步驟S1采集的數據包括室外濕度、空調風速、門窗狀態、室外溫度、室內溫度、室內濕度、時間及季節數據。

10.如權利要求8所述的空調智能控制方法，其特征在于，步驟S3訓練舒適溫度模型的步驟包括：

S31.從通信數據庫獲取樣本數據，并將樣本數據分為訓練特征集、訓練目標集、測試特征集和測試目標集；

S32.同時采用多個分類算法對訓練特征集和訓練目標集進行模型訓練，并對每一個算法通過調整模型參數使其模型達到最優；

S33.利用測試特征集和測試目標集計算每個算法模型的評估參數，利用評估參數對所有算法模型進行評估，選出一個最優的算法模型。