基于LSTM模型的舒适度和节能预测的空调调节系统及方法与流程

本发明属于人体舒适度和节能机器学习领域，尤其涉及基于lstm模型的舒适度和节能预测的空调调节系统。

背景技术：

空调即空气调节器，是指用人工手段，对建筑/构筑物内环境空气的温度、湿度、洁净度、流速等参数进行调节和控制的设备。

随着人们生活水平的提高，空调已经成为每户人家中的必备品，同时空调开启的频率也变高了；但是当人们在寒冷的冬天里回到家时，空调的效果需要开启一段时间后才能起到作用，这样就给人们的实际使用带来了一些麻烦，所以急需设计一种能自动对空调进行调节，并且能够平衡空调舒适度与节能设计的一种空调调节系统。

技术实现要素：

本发明目的是为了克服现有技术的不足而提供一种解决根据用户喜好，进行空调自动调节，平衡空调舒适度与节能设计问题的基于lstm模型的舒适度和节能预测的空调调节系统及方法。

为达到上述目的，本发明采用的技术方案是：基于lstm模型的舒适度和节能预测的空调调节系统，包括：

数据采集模块，用于采集实时的室内温度和空调开关数据信号以及室内温度和空调开关的历史大数据信号；

数据预处理模块，与数据采集模块相连，用于对数据采集模块内采集的相关数据信号进行滤波去噪；

lstm模块，与数据预处理模块相连，用于接收数据处理模块预处理后的相关数据，并利用其中关于室内温度和空调开关的历史大数据信号进行训练，训练后作为一预测模块保存，然后将实时的室内温度和空调开关输入到预测模块中得出预测的室内温度和空调开关，并反馈给空调控制模块；

空调控制模块，与lstm模块相连，用于接收lstm模块中预测模块反馈过来的相关信号，并对空调做出相应的温度和开关控制。

进一步的，所述数据预处理模块采用小波去噪对数据采集模块内采集的相关信号进行滤波去噪，包括如下步骤：

step1:对含噪信号进行小波分解处理；

step2:对小波系数进行阀值量化处理；

step3:采用小波逆变换重构信号得到去噪信号。

进一步的，还包括用于装载lstm模块的控制终端。

进一步的，所述控制终端为raspberrypi。

进一步的，采用加窗的方法来分割室内温度数据信号，温度信号的采样频率为1hz，窗口长度为1800个样本点，相邻的窗重叠半个窗长。

基于lstm模型的舒适度和节能预测空调的调节方法，包括如下步骤：

步骤1：通过数据采集模块采集室内温度历史大数据信号和采集空调开关历史大数据信号；

步骤2：数据预处理模块对步骤1中采集到的数据信号进行滤波去噪；

步骤3：lstm模块接收数据预处理模块处理后的数据信号后，预测室内温度和空调开关；

步骤4：把lstm模块部署在raspberrypi上；

步骤5：启动空调控制系统；

步骤6：数据采集模块实时采集室内温度、空调开关数据信号；

步骤7：数据预处理模块对步骤6中的数据信号进行滤波去噪；

步骤8：lstm模块接收到步骤6的数据信号后，输出室内温度、空调开关值，并传输给空调控制系统，由空调控制系统对空调进行相应的控制。

由于上述技术方案的运用，本发明与现有技术相比具有下列优点：

本发明方案的基于lstm模型的舒适度和节能预测的空调调节系统及方法，通过数据采集模块将室内温度和空调开关的大历史数据信号传送到lstm模块中，lstm模块根据实时采集到的室内温度和空调开关来预测接下来的室内温度和开关情况，从而能根据用户喜好，进行空调自动调节，平衡空调舒适度与节能设计的问题。

附图说明

下面结合附图对本发明技术方案作进一步说明：

图1为本发明的结构示意图；

图2为本发明的控制流程图；

图3为本发明中训练损失与训练次数之间的趋势图；

图4为本发明中采样数据、训练结果、预测情况之间在时间和温度上的趋势图；

其中：数据采集模块1、数据预处理模块2、lstm模块3、空调控制模块4。

具体实施方式

下面结合附图及具体实施例对本发明作进一步的详细说明。

参阅图1-2，本发明所述的基于lstm模型的舒适度和节能预测的空调调节系统，包括：数据采集模块1，用于采集实时的室内温度和空调开关数据信号以及室内温度和空调开关的历史大数据信号，数据采集模块1基于单片机arduino；数据预处理模块2，与数据采集模块1相连，用于对数据采集模块内采集的相关数据信号进行滤波去噪。

lstm模块3，与数据预处理模块2相连，用于接收数据处理模块2预处理后的相关数据，并利用其中关于室内温度和空调开关的历史大数据信号进行训练，训练后作为一预测模块保存，然后将实时的室内温度和空调开关输入到预测模块中得出预测的室内温度和空调开关，并反馈给空调控制模块4；空调控制模块4，与lstm模块3相连，用于接收lstm模块3中预测模块反馈过来的相关信号，并对空调做出相应的温度和开关控制。

作为进一步的优选实施例，数据预处理模块采用小波去噪对数据采集模块内采集的相关信号进行滤波去噪，包括如下步骤：

step1:对含噪信号进行小波分解处理；由于不同的含噪信号具备不同的特点，因此在分析的过程中需要具体确定小波分解层次，得到一组小波系数。

step2:对小波系数进行阀值量化处理；对不同层次的原始小波系数选取适宜的阀值进行阀值量化处理，获得估计小波系数。

step3:采用小波逆变换重构信号得到去噪信号；小波系数经过阀值化处理之后，进行小波逆变换，得到去噪后信号，即去燥后的四路关节电机电流信号。

作为进一步的优选实施例，还包括用于装载lstm模块的控制终端为raspberrypi；所述控制终端为raspberrypi，实际运用时，可以将lstm模块装载在raspberrypi上，便于实际的使用。

作为进一步的优选实施例，采用加窗的方法来分割室内温度数据信号，温度信号的采样频率为1hz，窗口长度为1800个样本点，相邻的窗重叠半个窗长。

具体的，lstm是rnn（循环神经网络）的变种，lstm能通过增加记忆单元更好地记忆过往信息。这使得系统能够实现对周期性循环的预测，因为lstm可以更好地识别出周期特征。lstm能够保留一部分神经网络中的信息，因此能够应用于时间序列预测问题。只要数据充足，算法对于序列的要求无太高要求，经过足量训练也能达到较为满意的结果。在本系统中，利用lstm模型依据采集到的室内温度来预测接下来的室内温度，依据收集到的空调开关情况来预测接下来的开关情况。

参阅图3，trainloss（训练损失）在训练次数递增的情况下整体呈现下降趋势，训练损失越小，说明模型学习时的拟合准确度越高。

参阅图4，a代表采样数据，b代表训练结果，c代表预测情况;本发明先进行采样，从采样得到的数据中选取67%进行模型训练，训练完毕后，通过训练得到的lstm模型进行预测，再将预测得到的数据与剩下未投入训练的数据进行比对。

从图4可知，经过训练后，预测值与实际走向基本吻合，在各个时刻的预测偏差的绝对值均小0.5℃。

具体的，本发明还公开了基于lstm模型的舒适度和节能预测空调的调节方法，包括如下步骤：

步骤1：通过数据采集模块采集室内温度历史大数据信号和采集空调开关历史大数据信号；

步骤2：数据预处理模块对步骤1中采集到的数据信号进行滤波去噪；

步骤3：lstm模块接收数据预处理模块处理后的数据信号后，预测室内温度和空调开关；

步骤4：把lstm模块部署在raspberrypi上；

步骤5：启动空调控制系统；

步骤6：数据采集模块实时采集室内温度、空调开关数据信号；

步骤7：数据预处理模块对步骤6中的数据信号进行滤波去噪；

步骤8：lstm模块接收到步骤6的数据信号后，输出室内温度、空调开关值，并传输给空调控制系统，由空调控制系统对空调进行相应的控制。

以上仅是本发明的具体应用范例，对本发明的保护范围不构成任何限制。凡采用等同变换或者等效替换而形成的技术方案，均落在本发明权利保护范围之内。