[發明專利]基于深度學習的個性化空調智能學習方法

在審

• 申請號: 202011078517.4
• 申請日: 2020-10-10
• 公開（公告）號: CN112308209A
• 公開（公告）日: 2021-02-02
• 發明（設計）人: 田春岐;浦凱亮;全俊成;俞濤;鄭軍
• 申請（專利權）人: 上海晶友環境管理有限公司
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08;G06F16/215;G06Q10/04;F24F11/46;F24F11/63
• 代理公司: 上海精晟知識產權代理有限公司 31253
• 代理人: 周瓊

本發明公開了一種基于深度學習的個性化空調智能學習方法，其中，包括：獲取測量對象的相關數據，相關數據包括：操作數據和環境數據；對相關數據進行清洗及處理，得到訓練數據；導入神經網絡，生成用戶個性化預測模型；用戶個性化預測模型生成測量對象的操作數據；獲取用戶對于測量對象調整后的相關數據，再次導入神經網絡，訓練優化用戶個性化預測模型。本發明可實現對空調設備的全智能化控制，經過一端時間的訓練后，后續的操作大多數情況下無需人工進行操作。并且，在同等環境情況下，相比一般的智能化控制以及傳統的空調控制，更加的節能。

技術領域

本發明涉及一種空調智能學習方法，尤其涉及一種基于深度學習的個性化空調智能學習方法。

背景技術

現在社會之中，空調已經成為大部分家庭、辦公地點、商業場所、室內公共區域等地點不可或缺的電器設施。在享受著空調帶來的舒適時，人們同時也局限于傳統的使用方法，即通過手動操控去開啟關閉以及調整溫度和工作模式等?？照{本身的運行狀態手環境影響，每個人的使用習慣也各不相同，這種手動操作方式不具備智能化，給使用者帶來不便，在部分場合還會出現能源浪費，降低了用戶體驗。

中國專利公開號CN109297140A公布了一種基于人工智能的空調控制方法，其通過采用神經網絡模型建立并訓練可以預測房間溫度變化的房間環境模型和可以預測用戶溫度喜好的用戶模型、建立用于產生空調控制量的空調控制模型，并利用房間環境模型來訓練空調控制模型，最終將溫度控制目標量、空調觀測量和/或房間環境觀測量輸入空調控制模型，輸出空調控制量。其通過多個控制量相互配合，控制壓縮機頻率、內外風機轉速和節流閥開度等的配合，使得空調能效和性能巨大提升，通過多觀測量(觀測量包含環境觀測量(室外環境溫度、天氣、光照等)、房間觀測量(室內環境溫度、房間大小、空調布置等)、空調設備觀測量(蒸發器氣壓和溫度、冷凝器氣壓和溫度、流量、電源電壓等)、用戶人設(年齡、性別等))，以實現對環境，房間，用戶的精確建模，同時監測氣候、天氣變化、空調設備狀態、時間、地區、房間特性等，針對不同情況采用不同的控制策略，最大程度的提高空調能效和性能。不僅僅能包含快速達到目標溫度和維持恒定溫度及減低能耗，還可以包含滿足不同人(老人、小孩)和不同時段(夜晚、進屋)對溫度的個性化需求。該方案雖然采用神經網絡模型建立空調的控制模型，但是在實際使用過程中，因為空調設備的的各廠商的控制系統數據代碼沒有統一標準，上述方案的控制壓縮機頻率、內外風機轉速和節流閥開度等是難以實現的。

鑒于上述問題，本發明公開了一種基于深度學習的個性化空調智能學習方法，其具有如下文所述之技術特征，以解決現有的問題。

發明內容

本發明的上述目的是通過以下技術方案實現的：

一種基于深度學習的個性化空調智能學習方法，其中，包括：獲取測量對象的相關數據，相關數據包括：操作數據和環境數據；對相關數據進行清洗及處理，得到訓練數據；導入神經網絡，生成用戶個性化預測模型；用戶個性化預測模型生成測量對象的操作數據；獲取用戶對于測量對象調整后的相關數據，再次導入神經網絡，訓練優化用戶個性化預測模型。

如上所述的基于深度學習的個性化空調智能學習方法，其中，對相關數據進行清洗包括：刪除問題數據和錯誤數據，得到清洗后的數據。

如上所述的基于深度學習的個性化空調智能學習方法，其中，刪除問題數據和錯誤數據包括：對于傳感器故障或系統處理故障產生的缺失數據，若其占總數據比例小于或等于15％，將所有包含缺失值的數據行刪除；若其比例大于15％，對缺失值進行填補；如果數據是布爾型數據，填補值為前十條有效數據值與后十條有效數據值的眾數；如果數據為數值型，填補值為前十條有效數據與后十條有效數據值的平均數。

如上所述的基于深度學習的個性化空調智能學習方法，其中，對相關數據進行處理包括：將操作數據整理為符合神經網絡輸入結構的預處理數據；將預處理數據與環境數據進行綜合處理，得到訓練數據，將訓練數據導入神經網絡。