一种空调及空调自动温控方法与流程

1.本技术涉及空调控制领域，更具体地，涉及一种空调及空调自动温控方法。


背景技术：

2.随着人工智能技术的不断发展，其技术已经分布于人们生活的各个方面，存在于人们身边的种种产品上。人们只知道自己买的空调产品有人工智能的应用，但对怎么实现的智能化一无所知。
3.现有空调器在智能化方向上的方案实现有很多，通常的是将天气信息的温湿度数据上传到云端进行一些规则判断或者进行模型推理，然后再进行云通信进行数据传输，从而实现控制空调的温度调节。但是，在云端进行数据处理方式的弊端很明确，一是需要建设云服务器，价格高。二是必须基于用户使用空调联网的基础上，若空调不联网，则功能将失效。
4.因此，如何实现在空调离线运行的情况下能智能调节设定温度，让用户有更为舒适的体验，是本领域亟待解决的技术问题。


技术实现要素：

5.本发明提供一种空调，用于解决现有技术中无法在空调离线运行的情况下能智能调节设定温度的技术问题，该空调包括:
6.冷媒循环回路，使冷媒在压缩机、冷凝器、膨胀阀和蒸发器组成回路中进行循环；
7.室外热交换器和室内热交换器，其中，一个为冷凝器进行工作，另一个为蒸发器进行工作；
8.控制器，被配置为：
9.获取待训练数据，并基于所述待训练数据生成训练集、验证集及测试集；
10.基于决策树算法对所述待训练数据进行训练，并生成自动温控模型；
11.将所述自动温控模型进行本地化部署，以使空调在离线模式下对空调温度进行调节。
12.一些实施例中，所述待训练数据包括本机空调的温湿度传感器采集的数据、基于天气预报获取的网络数据、用户居住地区内的其他用户的空调温湿度数据以及各用户设置的空调温度参数、模式等习惯信息。
13.一些实施例中，所述控制器被配置为：
14.基于决策树算法对训练集进行训练，得到多个分类器；
15.基于所述验证集对多个所述分类器进行验证并得到最优模型；
16.基于所述测试集对所述最优模型中的超参数进行调整优化并得到所述自动温控模型。
17.一些实施例中，所述控制器被配置为：
18.接收离线模式下的空调的温湿度传感器采集的当前温湿度数据；
19.基于所述自动温控模型对所述当前温湿度数据进行推理回归，并输出温度控制指令；
20.基于所述温度控制指令对空调温度进行调节。
21.一些实施例中，所述控制器还被配置为：
22.在将所述自动温控模型进行本地化部署后，若实际数据与所述模型模型预测数据的差值超过预设差值，则对所述模型进行迭代优化。
23.相应的，本发明还提出了一种空调自动温控方法，所述方法应用于包括冷媒循环回路、室外热交换器和室内热交换器及控制器的空调中，所述方法包括：
24.获取待训练数据，并基于所述待训练数据生成训练集、验证集及测试集；
25.基于决策树算法对所述待训练数据进行训练，并生成自动温控模型；
26.将所述自动温控模型进行本地化部署，以使空调在离线模式下对空调温度进行调节。
27.一些实施例中，所述待训练数据包括本机空调的温湿度传感器采集的数据、基于天气预报获取的网络数据、用户居住地区内的其他用户的空调温湿度数据以及各用户设置的空调温度参数、模式等习惯信息。
28.一些实施例中，基于决策树算法对所述待训练数据进行训练，并生成自动温控模型，具体为：
29.基于决策树算法对训练集进行训练，得到多个分类器；
30.基于所述验证集对多个所述分类器进行验证并得到最优模型；
31.基于所述测试集对所述最优模型中的超参数进行调整优化并得到所述自动温控模型。
32.一些实施例中，将所述自动温控模型进行本地化部署，以使空调在离线模式下对空调温度进行调节，具体为：
33.接收离线模式下的空调的温湿度传感器采集的当前温湿度数据；
34.基于所述自动温控模型对所述当前温湿度数据进行推理回归，并输出温度控制指令；
35.基于所述温度控制指令对空调温度进行调节。
36.一些实施例中，所述方法还包括：
37.在将所述自动温控模型进行本地化部署后，若实际数据与所述模型模型预测数据的差值超过预设差值，则对所述模型进行迭代优化。
38.与现有技术相比，本技术具有以下有益效果：
39.本发明公开了一种空调自动温控方法，所述空调包括，冷媒循环回路、室外热交换器和室内热交换器及控制器，所述控制器被配置为：获取待训练数据，并基于所述待训练数据生成训练集、验证集及测试集；基于决策树算法对所述待训练数据进行训练，并生成自动温控模型；将所述自动温控模型进行本地化部署，以使空调在离线模式下对空调温度进行调节，从而实现在空调离线运行的情况下能智能调节设定温度，让用户有更为舒适的体验。
附图说明
40.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例描述中所需要使
用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
41.图1是本发明实施例提出的一种空调自动温控方法的流程示意图；
42.图2是本发明实施例提出的一种决策树算法的内部结构树状图；
43.图3是本发明实施例提出的一种通过自动温控模型进行预测温度的结构示意图。
具体实施方式
44.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
45.在本技术的描述中，需要理解的是，术语“中心”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本技术的限制。
46.术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本技术的描述中，除非另有说明，“多个”的含义是两个或两个以上。
47.在本技术的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本技术中的具体含义。
48.为进一步对本技术的方案进行描述，在本技术的一种实例中，所述空调包括：
49.冷媒循环回路，使冷媒在压缩机、冷凝器、膨胀阀和蒸发器组成回路中进行循环；
50.室外热交换器和室内热交换器，其中，一个为冷凝器进行工作，另一个为蒸发器进行工作；
51.控制器，被配置为：
52.获取待训练数据，并基于所述待训练数据生成训练集、验证集及测试集；
53.基于决策树算法对所述待训练数据进行训练，并生成自动温控模型；
54.将所述自动温控模型进行本地化部署，以使空调在离线模式下对空调温度进行调节。
55.本技术的实施例中，如背景技术中所述，现有空调器在智能化方向上的方案实现有很多，通常的是将天气信息的温湿度数据上传到云端进行一些规则判断或者进行模型推理，然后再进行云通信进行数据传输，从而实现控制空调的温度调节。但是，在云端进行数据处理方式的弊端很明确，一是需要建设云服务器，价格高。二是必须基于用户使用空调联网的基础上，若空调不联网，则功能将失效。因此本方案提出了一种自动控温方法，基于多
种渠道采集温度、湿度等相关数据形成的大数据集，利用机器学习中的决策树方法在pc端或者云服务器端训练模型，最后将训练效果较好的模型部署在本地空调设备上，实现在空调离线运行的情况下能智能调节设定温度，让用户有更为舒适的体验。
56.本实施例中，由于自动温控模型采用的特征较多，才可更加准确的预测出适合当前用户的空调温度，若采用单个特征，则温度准确率欠佳。若单纯的利用单个特征，则无法给出较为准确的预测温度，例如用户只根据天气预报上显示的温度去设定温度，无法设定具体规则去预测用户舒适的温度值。若所在城市在青岛崂山区，天气预报显示温度值是30℃，则用户是设定26 摄氏度还是多少呢？没有很好的规则去进行执行预测。所以本方案中数据来源主要包含本机空调的温湿度传感器采集的数据、根据天气预报获取的网络数据(经纬度、温度、湿度、舒适指数、穿衣指数、污染指数等)、居民居住地区域内海量用户的空调温湿度数据以及各用户设置的空调温度参数、模式等习惯信息。从获取的数据中按照一定的比例将数据随机分离成训练集、验证集、测试集三个部分，其中各部分数据集占整个数据比为70％、20％、10％，数据格式为温度、湿度、模式、用户设定的空调温度等，训练集的数据属性中包括空调自带的温湿度传感器采集到的温度和湿度、据天气预报获取的网络数据(经纬度、温度、湿度、舒适指数、穿衣指数、污染指数等)、居民居住地区域内海量用户的空调温湿度数据以及各用户设置的空调温度参数、模式等习惯信息。
57.为了得到所述自动温控模型，在一些实施例中，所述控制器被配置为：
58.基于决策树算法对训练集进行训练，得到多个分类器；
59.基于所述验证集对多个所述分类器进行验证并得到最优模型；
60.基于所述测试集对所述最优模型中的超参数进行调整优化并得到所述自动温控模型。
61.本实施例中，模型训练方法是基于大量数据在一定的规则上进行统计学习，得到最佳的一个分类器，这个分类器就叫做模型。模型训练的输入是大量的相关数据，分为训练集、验证集、测试集，三部分数据的分布保持一致，其中训练集和验证集在训练过程中参与，而测试集不参与训练过程，用来模型推理时来评价模型的好坏程度，因此首先通过训练集训练出多个分类器，利用验证集从多个分类器中筛选出最优的分类器作为最优模型，最后基于所述测试集对所述最优模型中的超参数进行调整优化并得到所述自动温控模型。
62.人工智能中的机器学习分为有监督学习、半监督学习和无监督学习，监督学习就是通过已有的训练样本(即已知数据及其对应的输出)去训练得到一个最优模型(这个模型属于某个函数的集合，最优表示某个评价准则下是最佳的)，再利用这个模型将所有的输入映射为相应的输出，对输出进行简单的判断从而实现分类的目的，也就具有了对未知数据分类的能力。
63.本方案中采用机器学习中的决策树算法，属于有监督学习。决策树基本原理与数学中的树状图一致，如图2所示，在每一个分叉点进行特征的判断，一层一层进行判断后得出最终的结果。而每一个阶段判据制定的标准是损失函数的最速下降，即每进行一次if-else判断后，数据的混乱程度要迅速降低。决策树的优点在于，具有很直观的意义，可以实现可视化，其中蕴含的判断逻辑能够很好的契合实际的控制。
64.有监督学习的特点是在模型训练集上需将每一个训练数据(train data) 都有对应的真实标签(true label)，在本方案中自动控温系统的train data是采集到的温度、湿
度、模式等信息，true label就是用户在时间段内设定的空调温度，模型预测输出采用回归的方式。
65.如图2所示，展示的是决策树算法的内部结构树状图，图中每一个方框包含一个判断，左分叉代表判断为真，右分叉代表判断为假。每次进行一系列判断至不再分叉即输出最终结果。判断框和输出框内信息解读如图3，例如步骤中判断框“当前温度》＝a”即为该框中的判断语句，若满足，则再进行左下方判断框内容判断，直至到叶节点。而输出框中“建议温度＝c”表示判断结果为当前空调经过模型预测后的建议温度值。故决策树可以通过 if
…
else
…
逻辑将其转化为c语言代码形式，将其转换为c语言逻辑后，即可在mcu等硬件芯片上运行，实现本地化方案落实，无需依赖网络。
66.为了对空调温度进行调节，在一些实施例中，所述控制器被配置为：
67.接收离线模式下的空调的温湿度传感器采集的当前温湿度数据；
68.基于所述自动温控模型对所述当前温湿度数据进行推理回归，并输出温度控制指令；
69.基于所述温度控制指令对空调温度进行调节。
70.本实施例中，在空调处于离线模式时，接收离线模式下的空调的温湿度传感器采集的当前温湿度数据，并通过部署在空调中的所述自动温控模型对所述当前温湿度数据进行推理回归，输出温度控制指令，从而通过所述温度控制指令对空调温度进行调节。
71.为了对所述模型进行优化，在一些实施例中，所述控制器还被配置为：
72.在将所述自动温控模型进行本地化部署后，若实际数据与所述模型模型预测数据的差值超过预设差值，则对所述模型进行迭代优化。
73.本实施例中，将网络模型本地化部署后，在产品端进行实际的测试应用，并收集测试数据，若模型预测差异较大时，将预测有误的数据输入到先前模型中进行fine-tunning，以此不断的进行迭代优化模型。
74.本发明公开了一种空调自动温控方法，所述空调包括，冷媒循环回路、室外热交换器和室内热交换器及控制器，所述控制器被配置为：获取待训练数据，并基于所述待训练数据生成训练集、验证集及测试集；基于决策树算法对所述待训练数据进行训练，并生成自动温控模型；将所述自动温控模型进行本地化部署，以使空调在离线模式下对空调温度进行调节，从而实现在空调离线运行的情况下能智能调节设定温度，让用户有更为舒适的体验
75.为了进一步阐述本发明的技术思想，本发明还提出一种空调自动温控方法，所述方法应用于包括冷媒循环回路、室外热交换器和室内热交换器、控制器的空调中，如图1所示，所述方法具体步骤如下：
76.s101，获取待训练数据，并基于所述待训练数据生成训练集、验证集及测试集。
77.为了生成训练集、验证集及测试集，在一些实施例中，所述待训练数据包括本机空调的温湿度传感器采集的数据、基于天气预报获取的网络数据、用户居住地区内的其他用户的空调温湿度数据以及各用户设置的空调温度参数、模式等习惯信息。
78.本实施例中，由于自动温控模型采用的特征较多，才可更加准确的预测出适合当前用户的空调温度，若采用单个特征，则温度准确率欠佳。若单纯的利用单个特征，则无法给出较为准确的预测温度，例如用户只根据天气预报上显示的温度去设定温度，无法设定具体规则去预测用户舒适的温度值。若所在城市在青岛崂山区，天气预报显示温度值是30
℃，则用户是设定26 摄氏度还是多少呢？没有很好的规则去进行执行预测。所以本方案中数据来源主要包含本机空调的温湿度传感器采集的数据、根据天气预报获取的网络数据(经纬度、温度、湿度、舒适指数、穿衣指数、污染指数等)、居民居住地区域内海量用户的空调温湿度数据以及各用户设置的空调温度参数、模式等习惯信息。从获取的数据中按照一定的比例将数据随机分离成训练集、验证集、测试集三个部分，其中各部分数据集占整个数据比为70％、20％、 10％，数据格式为温度、湿度、模式、用户设定的空调温度等，训练集的数据属性中包括空调自带的温湿度传感器采集到的温度和湿度、据天气预报获取的网络数据(经纬度、温度、湿度、舒适指数、穿衣指数、污染指数等)、居民居住地区域内海量用户的空调温湿度数据以及各用户设置的空调温度参数、模式等习惯信息。
79.s102，基于决策树算法对所述待训练数据进行训练，并生成自动温控模型。
80.为了得到所述自动温控模型，在一些实施例中，基于决策树算法对所述待训练数据进行训练，并生成自动温控模型，具体为：
81.基于决策树算法对训练集进行训练，得到多个分类器；
82.基于所述验证集对多个所述分类器进行验证并得到最优模型；
83.基于所述测试集对所述最优模型中的超参数进行调整优化并得到所述自动温控模型。
84.本实施例中，模型训练方法是基于大量数据在一定的规则上进行统计学习，得到最佳的一个分类器，这个分类器就叫做模型。模型训练的输入是大量的相关数据，分为训练集、验证集、测试集，三部分数据的分布保持一致，其中训练集和验证集在训练过程中参与，而测试集不参与训练过程，用来模型推理时来评价模型的好坏程度，因此首先通过训练集训练出多个分类器，利用验证集从多个分类器中筛选出最优的分类器作为最优模型，最后基于所述测试集对所述最优模型中的超参数进行调整优化并得到所述自动温控模型。
85.本方案中采用机器学习中的决策树算法，属于有监督学习。决策树基本原理与数学中的树状图一致，如图2所示，在每一个分叉点进行特征的判断，一层一层进行判断后得出最终的结果。而每一个阶段判据制定的标准是损失函数的最速下降，即每进行一次if-else判断后，数据的混乱程度要迅速降低。决策树的优点在于，具有很直观的意义，可以实现可视化，其中蕴含的判断逻辑能够很好的契合实际的控制。
86.有监督学习的特点是在模型训练集上需将每一个训练数据(train data) 都有对应的真实标签(true label)，在本方案中自动控温系统的train data是采集到的温度、湿度、模式等信息，true label就是用户在时间段内设定的空调温度，模型预测输出采用回归的方式。
87.s103，将所述自动温控模型进行本地化部署，以使空调在离线模式下对空调温度进行调节。
88.为了对空调温度进行调节，在一些实施例中，将所述自动温控模型进行本地化部署，以使空调在离线模式下对空调温度进行调节，具体为：
89.接收离线模式下的空调的温湿度传感器采集的当前温湿度数据；
90.基于所述自动温控模型对所述当前温湿度数据进行推理回归，并输出温度控制指令；
91.基于所述温度控制指令对空调温度进行调节。
92.本实施例中，在空调处于离线模式时，接收离线模式下的空调的温湿度传感器采集的当前温湿度数据，并通过部署在空调中的所述自动温控模型对所述当前温湿度数据进行推理回归，输出温度控制指令，从而通过所述温度控制指令对空调温度进行调节。
93.为了对所述模型进行优化，在一些实施例中，所述方法还包括：
94.在将所述自动温控模型进行本地化部署后，若实际数据与所述模型模型预测数据的差值超过预设差值，则对所述模型进行迭代优化。
95.本实施例中，将网络模型本地化部署后，在产品端进行实际的测试应用，并收集测试数据，若模型预测差异较大时，将预测有误的数据输入到先前模型中进行fine-tunning，以此不断的进行迭代优化模型。
96.最后应说明的是：以上实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不驱使相应技术方案的本质脱离本技术各实施例技术方案的精神和范围。