空调智能控制系统及方法与流程

本发明涉及空调领域，特别涉及空调智能控制系统及方法。

背景技术：

随着最近几年物联网、云计算等战略性产业的快速发展，智能家居市场逐步得到推广和落实，并呈现出了快速增长的状态。随着社会经济水平的不断提高，大家越来越追求居住环境的安全性、便利性、舒适性、智能化。智能家居带来的便利有回家之前空调或暖气已经开好、下雨自动关窗户及随时了解家里智能设备的状态，这些场景变为现实后将会使生活品质再上一个台阶。现在已步入大数据时代，大数据应用深入到各个领域，为各行各业带来了新的机遇。大数据在空调领域的应用主要集中在故障检测与诊断、建筑节能优化、故障预测、预测用户的行为等方面。

技术实现要素：

本发明要解决的技术问题是：提供一种空调智能控制系统及方法，对空调进行智能控制，为用户提供一个更舒适的居住环境。

为解决上述问题，本发明采用的技术方案具体如下：

空调智能控制系统，包括通信服务器、通信数据库、算法服务器、业务服务器、业务数据库以及传感器；

传感器用于采集与空调运行相关的各类数据；

通信服务器用于将传感器采集的数据作为样本数据存储在通信数据库中，以及基于业务服务器生成的控制指令对空调进行远程控制；

算法服务器包括模块一和模块二；模块一用于从通信数据库获取样本数据并训练舒适温度模型，通过舒适温度模型和传感器实时采集到的数据挖掘出最舒适的室内温度；模块二用于从通信数据库获取样本数据并训练空调开关模型，通过空调开关模型和传感器实时采集到的数据挖掘出空调是否应该打开；

业务服务器用于接收用户发送的业务指令，基于业务指令从业务数据库获取对应的业务场景的数据，在业务场景下从算法服务器调用模块一和/或模块二挖掘的数据生成空调的控制指令。

进一步的，为了更加全面的采集空调运行相关的各类数据，传感器采集的数据可以包括室外湿度、空调风速、门窗状态、室外温度、室内温度、室内湿度、时间及季节数据。

进一步的，为了获得一个准确的舒适温度模型，模块一训练舒适温度模型的步骤包括：

a1.从通信数据库获取样本数据，并将样本数据分为训练特征集、训练目标集、测试特征集和测试目标集；

a2.同时采用多个分类算法对训练特征集和训练目标集进行模型训练，并对每一个算法通过调整模型参数使其模型达到最优；

a3.利用测试特征集和测试目标集计算每个算法模型的评估参数，利用评估参数对所有算法模型进行评估，选出一个最优的算法模型。

进一步的，步骤a2可以同时采用朴素贝叶斯、决策树、随机森林三个经典的分类算法进行模型训练。

进一步的，步骤a2在调整参数的过程中还可以调整属性的权重。

进一步的，步骤a3中，所述评估参数包括准确率、正例检出率(精度)、f_1值和查全率(召回率)，其中，准确率表示正确分类的元组所占的百分比，正例检出率(精度)表示标记为某一类的元组实际为某一类所占的百分比，查全率(召回率)表示某一类元组标记为某一类的百分比，f_1值表示精度和召回率的调和平均值。

进一步的，所述业务场景一般可包括手动、半自动和自动模式场景。

空调智能控制方法，包括如下步骤：

s1.利用传感器采集与空调运行相关的各类数据，并将传感器采集的数据作为样本数据存储在通信数据库中；

s2.从通信数据库获取样本数据并训练舒适温度模型，通过舒适温度模型和传感器实时采集到的数据挖掘出最舒适的室内温度；

从通信数据库获取样本数据并训练空调开关模型，通过空调开关模型和传感器实时采集到的数据挖掘出空调是否应该打开；

s3.接收用户发送的业务指令，基于业务指令从获取对应的业务场景的数据，在业务场景下调用步骤s2挖掘的数据生成空调的控制指令，并将空调的控制指令发往通信服务器；

s4.通信服务器基于空调的控制指令对空调进行远程控制。

进一步的，为了更加全面的采集空调运行相关的各类数据，步骤s1采集的数据包括室外湿度、空调风速、门窗状态、室外温度、室内温度、室内湿度、时间及季节数据。

进一步的，为了获得一个准确的舒适温度模型，步骤s3训练舒适温度模型的步骤包括：

s31.从通信数据库获取样本数据，并将样本数据分为训练特征集、训练目标集、测试特征集和测试目标集；

s32.同时采用多个分类算法对训练特征集和训练目标集进行模型训练，并对每一个算法通过调整模型参数使其模型达到最优；

s33.利用测试特征集和测试目标集计算每个算法模型的评估参数，利用评估参数对所有算法模型进行评估，选出一个最优的算法模型。

本发明的有益效果是：为了提供一个更舒适的居住环境，本发明通过数据挖掘技术，针对基于智能家居系统下各传感器采集到的数据挖掘出让用户感觉舒适的空调温度及用户使用空调的习惯和室内是否有人，并基于此为用户提供空调的自动化控制和温度自动化控制，从而可为用户提供一个更舒适的居住环境，提升用户体验。

附图说明

图1是实施空调智能控制的整体方案框图。

图2是实施例数据挖掘算法流程图。

具体实施方式

为了提供一个更舒适的居住环境，本发明通过数据挖掘技术，针对基于智能家居系统下各传感器采集到的数据挖掘出让用户感觉舒适的空调温度及用户使用空调的习惯和室内是否有人，并基于此为用户提供空调的自动化控制和温度自动化控制，用户可自定义空调的控制方式。

本发明提供的空调智能控制系统，包括通信服务器、通信数据库、算法服务器、业务服务器、业务数据库以及传感器，以下对系统的各部分进行具体说明。

传感器用于采集与空调运行相关的各类数据，这里可以包括室外湿度、空调风速、门窗状态、室外温度、室内温度、室内湿度、时间及季节数据。

通信服务器用于将传感器采集的数据作为样本数据存储在通信数据库中，以及基于业务服务器生成的控制指令对空调进行远程控制。

算法服务器包括模块一和模块二；模块一用于从通信数据库获取样本数据并训练舒适温度模型，通过舒适温度模型和传感器实时采集到的数据挖掘出最舒适的室内温度；模块二用于从通信数据库获取样本数据并训练空调开关模型，通过空调开关模型和传感器实时采集到的数据挖掘出空调是否应该打开。

业务服务器用于接收用户发送的业务指令，基于业务指令从业务数据库获取对应的业务场景的数据，在业务场景下从算法服务器调用模块一和/或模块二挖掘的数据生成空调的控制指令。

作为一种可选的方式，模块一训练舒适温度模型的步骤可包括：

a1.从通信数据库获取样本数据，并将样本数据分为训练特征集、训练目标集、测试特征集和测试目标集；

a2.同时采用朴素贝叶斯、决策树、随机森林等多个分类算法对训练特征集和训练目标集进行模型训练，并对每一个算法通过调整模型参数使其模型达到最优，在调整参数的过程中还可以调整属性的权重；

a3.利用测试特征集和测试目标集计算每个算法模型的准确率、正例检出率、f_1值和查全率等评估参数，利用评估参数对所有算法模型进行评估，选出一个最优的算法模型。其中，准确率表示正确分类的元组所占的百分比，正例检出率(精度)表示标记为某一类的元组实际为某一类所占的百分比，查全率(召回率)表示某一类元组标记为某一类的百分比，f_1值表示精度和召回率的调和平均值。

基于上述方法，本发明提供空调智能控制方法，包括如下步骤：

s1.利用传感器采集与空调运行相关的各类数据，并将传感器采集的数据作为样本数据存储在通信数据库中；

s2.从通信数据库获取样本数据并训练舒适温度模型，通过舒适温度模型和传感器实时采集到的数据挖掘出最舒适的室内温度；

从通信数据库获取样本数据并训练空调开关模型，通过空调开关模型和传感器实时采集到的数据挖掘出空调是否应该打开；

s3.接收用户发送的业务指令，基于业务指令从获取对应的业务场景的数据，在业务场景下调用步骤s2挖掘的数据生成空调的控制指令，并将空调的控制指令发往通信服务器；

s4.通信服务器基于空调的控制指令对空调进行远程控制。

下面通过实施例对本发明做进一步说明。

实施例提供一种空调智能控制系统，如图1所示，包括通信服务器、通信数据库、算法服务器、业务服务器、业务数据库以及传感器。

传感器用于采集与空调运行相关的各类数据，包括室外湿度、空调风速、门窗状态、室外温度、室内温度、室内湿度、时间及季节数据。

通信服务器用于将传感器采集的数据作为样本数据存储在通信数据库中，以及基于业务服务器生成的控制指令对空调进行远程控制。

算法服务器用于挖掘让用户感觉舒适的空调温度及用户使用空调的习惯，算法服务器包括模块一和模块二，数据挖掘算法流程如2所示。其中，模块一用于从通信数据库获取样本数据并训练舒适温度模型，通过舒适温度模型和传感器实时采集到的数据挖掘出最舒适的室内温度；模块二用于从通信数据库获取样本数据并训练空调开关模型，通过空调开关模型和传感器实时采集到的数据挖掘出空调是否应该打开。业务服务器用于接收用户智能家居app发送的业务指令，基于业务指令从业务数据库获取对应的业务场景的数据，在业务场景下从算法服务器调用模块一和/或模块二挖掘的数据生成空调的控制指令。

结合图2所示，本实施例中模块一训练舒适温度模型分为以下几个步骤：

1、原始数据(样本数据)

在用户家中安装智能家居产品：门窗传感器、室外温湿度传感器、室内温湿度传感器、空调上嵌入摄像头(基于图像处理检测室内人数)等，这些传感器和空调通过无线网络连接到iot联接管理平台。本专利的通信服务器基于iot联接管理平台开发接口获取设备数据并对设备进行远程控制。设置设备上传数据的周期为15分钟，通信服务器将获取到的门的开关状态、窗的开关状态、室外湿度、室外温度、空调风速、空调开关状态、室内温度、室内湿度等数据存储到通信数据库中。

一个用户家里一个nb-iot控制器，在通信数据库中有一个表存储nb设备信息及其在iot联接管理平台注册的id，数据上报时将设备数据和采集时间存储到设备数据表中。

门的开关状态数据为1(开)、0(关)。

窗的开关状态数据为1(开)、0(关)。

室内外湿度为相对湿度，范围为0-100，百分制。

室内外温度的单位摄氏度，取值范围为10-45度。

空调风速的取值有1(高速)、2(中速)、3(低速)、4(超低速)、5(关)。

空调的开关状态数据为1(开)、0(关)。

2、数据预处理，分为训练特征集、训练目标集，测试特征集，测试目标集。

算法服务器从通信数据库的设备数据表中筛选空调开关状态为开的数据组成数据集，包括的数据有采集时间、室外湿度、室外温度、空调风速、门的开关状态、窗的开关状态、室内温度。对于设备数据表中的每一行数据进行处理。

根据数据采集时间得到时间和季节属性，时间分为1(morning)、2(afternoon)、3(evening)、4(night)，季节分为1(spring)、2(summer)、3(autumn)。门的开关状态与窗的开关状态做一个或操作得到门窗开关状态属性。

室外湿度划分为3个等级，1(heavy，大于65)、2(mild，40-65)、3(low，小于40)。

室内外温度做取整处理，有的算法需对其做规范化处理。

特征属性为时间、季节、门窗开关状态、室外湿度、室外温度、空调风速。

目标属性为室内温度。

3、训练舒适温度模型及模型调优

采用了朴素贝叶斯算法、决策树、随机森林三个分类算法，对每一个算法通过调整模型参数使其达到最优，在调整参数的过程中也可调整属性的权重。

4、评估模型

对每一类计算被正确划分为该类的个数及被错误划分为该类的个数。然后根据这些数据计算准确率、精度(正例检出率)、f_1值、查全率(召回率)四个评估参数，通过评估这4个评估参数，选择其中一个最优的运用。

本实施例中空调开关模型分为以下几个步骤：

1、原始数据(样本数据)

获取方式和舒适温度模型一致。

2、数据预处理，分为训练特征集、训练目标集，测试特征集，测试目标集。

算法服务器从通信数据库的设备数据表中获取数据集，包括的数据有室内温度、室内湿度、空调的开关状态、数据采集时间。

特征属性为室内湿度、室内温度、时间。

目标属性为空调开关状态。

3、训练空调开关模型及模型调优

采用cd算法(curvedescriptionalgorithm)，并调整模型参数使其达到最优。

结合图1，实施例中空调自动化控制方案如下：

1、空调的自动化控制需要一定的时间采集数据用于训练模型，智能家居app前期只能提供空调的远程控制、门窗开关状态、室内外温湿度的展示。

2、当采集的数据足够时，分别训练舒适温度模型和空调开关状态模型。

3、用户可在app上设置手动、半自动、自动等空调业务场景模式。自动模式下，业务服务器会定时根据实时数据来控制空调。首先检测是否有人，有人的话则判断空调是否应该打开，空调为开则获取舒适温度。如当前空调为开，则调整温度为获取的舒适温度；如当前空调为关，即空调风速不存在，则在判断为该舒适温度的特征集中选择占比最多的风速等级。半自动模式下，根据实时数据为用户推荐最舒适的温度。