一种基于深度学习的室内环境舒适度调节方法及系统
阅读说明：本技术 一种基于深度学习的室内环境舒适度调节方法及系统 (Indoor environment comfort level adjusting method and system based on deep learning ) 是由 林绍福 杨佳伟 陈华敏 于 2021-07-19 设计创作，主要内容包括：本发明公开了一种基于深度学习的基于深度学习的室内环境舒适度调节方法及系统,在数据采集模块利用传感器设备进行环境数据采集,并将环境状态数据发送至边缘预处理与控制模块；基于深度学习LSTM神经网络构建模型来预测未来一定时间段室内环境的变化；将当前时刻传感器上传的多源异构环境数据,作为室内环境预测模型的输入；室内环境预测模型根据上传来的室内多源异构环境数据,完成预测并将结果发送给下一步中热舒适度控制模型；构建热舒适度控制模型,设置初始环境参数以及环境参数调节范围,提出在不同场景模式约束下提高人体舒适度的室内环境调节方案。本发明通过动态预测为用户提供舒适的室内环境的同时,使能耗有效降低。(The invention discloses a deep learning-based indoor environment comfort level adjusting method and system, wherein a data acquisition module acquires environment data by using sensor equipment and sends the environment state data to an edge preprocessing and control module; predicting the change of an indoor environment in a certain time period in the future based on a deep learning LSTM neural network construction model; the multisource heterogeneous environment data uploaded by the sensor at the current moment are used as the input of an indoor environment prediction model; the indoor environment prediction model completes prediction according to the transmitted indoor multi-source heterogeneous environment data and sends the result to the next thermal comfort level control model; and constructing a thermal comfort level control model, setting initial environmental parameters and an environmental parameter adjusting range, and providing an indoor environment adjusting scheme for improving the comfort level of the human body under the constraint of different scene modes. The invention provides comfortable indoor environment for users through dynamic prediction and effectively reduces energy consumption.)
技术领域
本发明涉及室内环境控制领域，尤其涉及一种基于深度学习的室内环境舒适度调节方法及系统。
背景技术
当下大多数家庭或者办公区都采用单一恒温控制的室内调温方式，仅通过调节室内温度的手段来提高人体舒适度，并没有考虑到影响室内舒适度的其他可控环境因素；而且温度的控制也是通过人的主观意识对空调系统的设定来完成，再加上室内环境中温度变化具有非线性和非实时性的特点，这种控制方式不能满足人们对室内环境舒适性的真实需要，同时反复的操作过程会使人们的室内环境体验感较差。所以建立合理的室内环境热舒适度的控制策略具有现实的需求和应用价值。
为了避免在室内环境的舒适度控制中，因指标存在缺点而导致的没有实际意义的指导和调节，本文综合考虑了各种影响人体舒适度的环境因素，在此基础上建立了基于深度学习的环境舒适度预测模型，再根据模型的预测值进一步构建出环境舒适度控制模型。借助美国采暖、制冷与空调工程师学会(ASHRAE，American Society ofHeating,Refrigerating and Air-Conditioning Engineers)标准实现对室内环境舒适度量化评价的同时，可将其作为室内舒适度控制系统的控制变量，通过对指标的间接控制以达到对室内环境舒适性的有效调节。同时，考虑室内环境受室内工作场景与运行模式的影响，本发明进一步提出受限于室内运行模式的环境舒适度控制模型，使得环境舒适度控制更契合实际的需求。
发明内容
本发明的目的在于提供了一种基于深度学习的室内环境舒适度调节方法及系统。从考虑表征人体热反应的评价指标(Predicted Mean Vote,PMV)和节约能耗这两个角度出发，为用户提供相对舒适的室内环境，通过对室内环境的调节，避免了室内环境的过度变化和非实时调节，提高用户舒适度的同时，实现了室内环境调节设备能耗的节约。
本发明提出来一种基于深度学习的室内环境舒适度调节系统。根据功能属性分为4个模块，自下而上分别为数据收集模块、边缘预处理与控制模块、基于深度学习的室内环境预测模块、基于模式特征约束下的热舒适度控制模块。
数据收集模块主要负责对当前场景下的多源异构环境数据的采集，包括温度、湿度、风速，通过该模块将多源异构环境数据汇聚融合到边缘预处理与控制模块。边缘预处理与控制模块对数据运用降噪、去除异常值等手段来提高数据可用性，确保预测模型输入数据的准确性，提高预测模型的精度。室内环境预测模块基于深度学习神经网络，负责完成对未来某一时间段内室内环境变化的预测。基于模式特征约束下的热舒适度控制模块实现在不同模式约束下室内环境的合理调节，从而达到提高室内环境热舒适度的目的。
本发明提出了一种基于深度学习的室内环境舒适度调节方法，包括：
S1、数据收集模块进行室内实时多源异构环境数据采集，并将环境数据发送至边缘预处理与控制模块；
S2、在边缘预处理与控制模块对传感器上传的多源异构环境数据进行数据预处理；
S3、基于深度学习LSTM神经网络构建模型来预测未来一定时间段室内环境的变化；
S4、将经过边缘预处理与控制模块处理后的多源异构环境数据，作为室内环境预测模型的输入；
S5、室内环境预测模型根据上传来的室内多源异构环境数据，完成对室内环境变化的预测，并将结果发送给下一步中基于不同模式特征约束下的热舒适度控制模型；
S6、构建基于不同模式特征约束下的热舒适度控制模型，提出在不同场景模式约束下提高人体舒适度的室内环境调节方案；
S7、数据中心与边缘预处理与控制模块直接相连，若调控结果不能满足用户自身需求，则可以通过应用程序调整指令，应用程序将系统指令发送至边缘预处理与控制模块，再由边缘预处理与控制模块将指令发送到相关的环境控制设备；
作为本发明描述的步骤S2中，包含对多源异构环境署的预处理操作，包括：
S21、针对场馆内受环境波动以及故障影响的传感器上传的多源异构环境数据，对其中的异常值进行删除或设置缺失位，缺失值的处理采用插补或剔除；
S22、同时基于卡尔曼滤波算法对多源异构的环境数据进行处理，计算卡尔曼增益，不断进行校正更新，来实现对环境数据的降噪，同时将经过预处理后的数据传输给室内环境预测模型；
作为本发明描述的步骤S3中，包含深度学习模型的搭建与训练，包括：
S31、将经过预处理过的包含有温度、湿度、风速多源异构历史环境数据集进行归一化等处理并且划分为训练和验证数据集；
S32、设置神经网络层数，输入维度与输入数据的时间步长，LSTM输入数据读取批次规模，窗口长度LSTM模型优化器和学习速率，模型迭代次数；
S33、最后不断调整参数，以模型损失查看模型收敛程度，择优选取高收敛度参数，形成基于LSTM的室内环境预测模型；
作为本发明描述的步骤S6中，包含对室内环境的调节，包括：
S61、根据场景模式的不同，设置环境参数调节范围；
S62、接收上一步中室内环境预测模型的结果并且结合基于场景模式约束下设定的室内环境参数变化范围利用PMV公式计算舒适度和模糊算法得到室内环境针对不同模式的目标温度，以及根据目标温度生成环境控制信号
S63、最后将调节结果反馈给室内环境预测模型，用于其模型的训练与更新，提高系统效率；
与现有技术相比，本发明的有益效果是：本发明提出的一种基于深度学习的室内环境舒适度调节方法及系统，通过预测模型对传感器上传的环境数据进行分析，预测出未来室内环境的变化，并反馈给室内热舒适度控制模型，控制模型提出基于当前场景模式约束下的人体热舒适度优化方案，并将结果反馈给预测模型，同时控制相关设备将室内环境调节至适宜的状态，有效避免了对环境的反复调节，降低了能耗，能根据不同场景以及运行模式提出室内环境调节的合理方案。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
图1为本发明提供的一种基于深度学习的室内环境舒适度调节方法及系统的工作流程图。
图2为本发明实施例1提供的室内环境舒适度调节系统的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。
下面结合附图对本发明做进一步的详细描述：
实施例1
如图1所示，本发明提供了一种基于深度学习的室内环境舒适度调节方法及系统。图2为本发明实施例1提供的室内环境舒适度调节系统的结构示意图，以室内环境为例，具体包括以下步骤：
S1、在数据采集模块利用传感器设备进行环境数据采集，并将环境状态数据发送至边缘预处理与控制模块；
部署温湿度、风速等传感器检测当前室内温度、湿度以及风速等环境条件，温湿度、风速传感器等设备通过Zigbee或者Echonet Lite等网络协议与边缘预处理与控制模块进行通信。
S2、边缘预处理与控制模块收集到室内环境数据后，通过微型服务器对数据进行缓存和预处理后，再通过网关将数据发送至数据中心；
边缘预处理与控制模块负责从温湿度、风速等传感器收集数据，在经过数据清洗和降噪处理后，将数据发送给室内环境预测模型和数据中心。
其中数据清洗使用“统计产品与服务解决方案”软件(SPSS,Statistical Productand Service Solutions)对其中的异常值进行删除或设置缺失位，缺失值的处理采用插补或剔除；
基于卡尔曼滤波器的原理对环境数据进行降噪处理；以过去某一时刻的最优估计x为准，预测下一时刻的状态变量y，同时又对该状态进行观测，得到观测变量z，再在预测与观测之间进行分析，或者可以说是以观测量对预测量进行修正，从而得到下一时刻的最优估计。
S3、在边缘预处理与控制模块中对环境状态数据进行存储，并将实时环境数据输入提前已训练好的深度学习LSTM预测模型，获得未来一段时间内环境的变化情况；
LSTM的核心在于控制单元状态c，控制包括遗忘门ft、输入门it、输出门ot。当前t时刻，遗忘门ft负责控制上一时刻的ct-1有多少保存到当前时刻的ct；输入门it负责控制当前时刻的即时状态有多少输入到当前单元状态ct；输出门ot负责控制当前单元状态ct有多少作为当前时刻的隐层输出ht。其计算公式分别为：
(1)ft＝σ(wf·[xt,ht-1]+bf)
(2)it＝σ(wi·[xt,ht-1]+bi)
(3)ot＝σ(wo·[xt,ht-1]+bo)
其中，wf、wi、wo分别是遗忘门、输入门和输出门的权重矩阵，bf、bi、bo分别是遗忘门、输入门和输出门的偏置项，σ为sigmoid函数。
LSTM的输入包括：上一时刻的单元状态ct-1、上一时刻LSTM隐层输出值ht-1、当前t时刻网络的输入值xt；LSTM的输出包括：当前时刻的单元状态ct和当前时刻LSTM的隐层输出值ht。
其中，当前输入单元状态由当前t时刻网络的输入xt、上一时刻LSTM隐层输出值ht-1共同决定，其计算公式为：
其中，wc是输入单元状态的权重矩阵，bc是输入单元状态的偏置项，tanh为双曲正切函数
当前单元状态ct由遗忘门ft、上一时刻单元状态ct-1、输入门it和当前输入的单元状态共同决定，其计算公式为
其中，符号⊙表示按元素乘。当前时刻LSTM的隐层输出值ht由输出门ot与当前单元状态ct共同决定，其计算公式为：ht＝ot⊙tanh(ct)
而LSTM神经网络输出 其计算公式为：
本发明中采用均方误差(MSE)作为损失函数(loss)，其计算公式为：
其中，N为样本数，x为观察值，x′为预测值。
在模型的数据预处理阶段，当使用多个变量序列组成的序列数据对环境数据进行预测时，不同变量之间的量纲不同，数值差别也很大。考虑到模型中非线性激活函数的输入输出范围，为避免神经元饱和，需要对变量时间序列进行归一化处理。
预测模型基于Keras深度学习框架，使用Keras框架中的LSTM网络相关模块，通过设置LSTM的输入维度和输入数据的时间步长；LSTM输入数据读取批次规模和窗口长度LSTM模型优化器和学习速率；隐层神经节点数；模型迭代次数；不断调整参数，以模型损失查看模型收敛程度，择优选取高收敛度参数，形成基于LSTM的室内环境预测模型。
S4、基于上一步室内环境预测模型的结果，基于不同模式特征约束下的热舒适度控制模型用于接受上一步中室内环境预测模型的结果，结合基于场景模式约束下设定的室内环境参数变化范围和PMV热感觉标尺(如表1所示)，利用PMV公式(如下所示)计算舒适度和模糊算法得到室内环境针对不同模式的目标温度，以及根据目标温度生成环境控制信号。
表1
PMV＝[0.303e-0.036M+0.028]{M-W-3.0*10-3[5.733-6.99(M-W)-pa][0039]-0.42[(M-W)-58.15]-1.7*10-5M(5867-pa)-0.0014M(34-ta)-[0040]3.96*10-8fcl[(tcl+273)4-(ts+273)4-fclhc(tcl-ta)]}
其中，M为新陈代谢率，单位为W/m2；W为人体做功率，单位为W/s；ta为室内空气温度，单位为℃；ts为平均辐射温度，单位为℃，tcl为穿衣人体外表面平均温度，单位为℃；
pa为环境空气中水蒸气分压力，单位为Pa,其具体计算公式如下所示；
pa＝6107.8×RHa×exp[ta/(ta+238.2)×17.2694]
fcl为穿衣人体与裸体表面积之比，其具体计算公式如下所示；
hc为对流热交换系数，单位为W/(s﹒m2﹒℃)，其具体计算公式如下所示。
式中8个变量：M(新陈代谢率)、W(人体做功率)、pa(环境空气中水蒸气分压力)、ta(室内空气温度)、fcl(穿衣人体与裸体表面积之比)、ts(平均辐射温度)、tcl(穿衣人体外表面平均温度)、hc(对流热交换系数)。实际上，M(新陈代谢率)、pa(环境空气中水蒸气分压力)、ta(室内空气温度)、fcl(穿衣人体与裸体表面积之比)、ts(平均辐射温度)、tcl(穿衣人体外表面平均温度)可以用一段时间内统计量的均值替代，W(人体做功率)我们这里按0来考虑。
从上面公式中可以看出影响人体舒适度的因素有6个：空气温度、空气流速(风速)、相对湿度、平均辐射温度、人体代谢率、服装热阻。对于人体代谢率和服装热阻我们这里取固定值，并且根据季节和天气的不同来进行调整。其次我们通过对PMV公式的分析可知，相对湿度对舒适度的影响较小，所以在舒适度调节模型中，我们主要通过调节温度和空气流速(风速)这两个环境变量来实现对室内舒适度的调节。
热舒适度调节采取的是模糊控制算法，Tup为目标温度域的温度上限，Tdown为温度下限；Wup为目标温度域的温度上限，Wdown为温度下限Tup为目标温度域的温度上限，Tdown为温度下限。首先从室内环境预测模型中获取下一时刻室内温度值T和风速值W。根据室内热舒适度对应PMV热感觉标尺的不同根据模糊控制算法采用不同的调节幅度来给出目标温度。具体的模糊控制算法如表2所示
表2
x表示预设室内温度控制回差，控制回差可自主设定，通常取0.5℃或者1℃。y表示预设室内风速控制回差，通常取0.05m/s。
同时根据热舒适度调节模块中系统模式参数设定的范围，对模糊算法做出限制，当某一参数调节范围超出系统模式对这一参数设定的范围时，终止对这一环境参数当前的调节操作，维持之前的值不变。并且将最后的调节结果反馈给室内预测模型，优化模型的效果来实现对室内环境的调节。
在本发明所提供的实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的系统实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合、直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性、机械或其它的形式。
上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机装置(可以是个人计算机，服务器，或者网络装置等)或处理器(Processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上实施例仅用以说明本发明的技术方案，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
- 上一篇：一种医用注射器针头装配设备
- 下一篇：一种煤质工况变化的给煤调控方法