[发明专利]一种可预测能源再生的低耗能智能家居系统

权利要求书

1.一种智能家居系统，包括：智能控制模块、能源预测模块、传感器网络模块、视频监控模块、执行模块、能源模块、监控模块。

2.根据权利要求1所述的智能控制模块包括对能源、照明系统、家庭影院、安防报警、门窗的控制和管理。具体方式包括：(1)智能控制模块对能源管理模块发送上一个时间产生、使用的能源，经过能源管理模块预测所需能源并将预测所需能源发送到系统中，根据输入数据智能控制模块有四种可能的能源模式：1)从可再生能源和电池中提供电能；2)从可再生能源站中提供电能，如果有剩余能量，给电池充电；3)可再生能源站中提供电能，如果有剩余能量，且电池已经充满电，则将电出售给电网；4)从可再生能源、电池和电网中提供电能。(2)照明系统对环境亮度进行控制，包括探测有人和无人环境下更改照明亮度，白天通过联动门窗利用自然光达到人的最佳舒适照明环境，夜晚关闭部分照明。(3)家庭影音可通过手机或电脑进行控制，并在开启或关闭影音时结合最佳环境设置相应房间的照明和门窗进行调节。(4)安防报警系统通过传感器网络和视频监控数据判断环境中燃气、烟雾含量等是否超出阈值，视频监控中出现非数据库存储人脸时告知用户并开启警报模式。(5)通过传感器网络对室内外环境的监测，当室外空气质量PM_2.5低于2.5μg/m³、CO₂气体浓度低于0.09％、总挥发性有机物TVOC浓度低于0.2mg/m³时开启门窗，并结合风力传感器数据判断开启门窗的程度，同时，根据节能和用户舒适对门窗也进行调节。

3.根据权利要求1所述的能源管理模块是结合小波和差分整合移动平均自回归模型ARIMA的组合模型对产生能源进行短期预测。

4.根据权利要求1所述的传感器网络模块包括：温度传感器、湿度传感器、CO₂气体传感器、TVOC传感器、PM_2.5传感器、烟雾传感器、燃气传感器、视频传感器、红外探测传感器、风力传感器、照度传感器、门窗磁探测器传感器，传感器网络使用Zigbee协议进行连接。其中ZigBee与家电采用星状连接方式，使用一个协调器和多个路由和终端组成，所有数据周期性的发送到协调器，协调器接收数据，通过网关将数据发送到智能控制模块。

5.根据权利要求1所述的视频监控模块由视频采集、视频处理和转换、数据传送组成。视频监控用于监控异常情况，如老人、婴儿监护、陌生人闯入、家电设备异常。

6.根据权利要求1所述的执行模块通过Zigbee协调器接收智能控制模块信息，搜索设备地址发送指令，包括影音模块、门窗模块、照明模块、安防模块，包括：(1)开启影音的指令传送到影音设备，室内照明亮度发生变化，联动照明模块和门窗模块，对相应房间进行照明和门窗进行调节；(2)通过传感器检测室内外温度、空气质量和风力，将数据送入智能控制模块，由智能控制模块指令门窗；(3)照明传感器检测环境照明强度，白天通过控制门窗联动尽可能利用自然光，将照明传感器数据传入智能管理模块，由智能管理模块下达指令到照明开关对光照进行调节；(4)通过检测环境烟雾含量、燃气含量、结合视频监控数据中的异常数据进行紧急关闭和开启对应设备，并开启或关闭门窗和照明设备等。

7.根据权利要求1所述的能源模块包括储能单元、家用风力涡轮机、光伏阵列。智能控制模块接受到能源预测模块数据，计算开启这一时间段家用风力涡轮机、光伏阵列所消耗的能量与产生能量比较，是否开启家用风力涡轮、光伏阵列和电能存储。

8.根据权利要求1所述的监控模块包括手机、本地显示屏、家庭网络服务器，其中家庭网络服务器将所有数据进行存储。

9.根据权利要求3所述的能源预测模块，基于小波和ARIMA的组合模型对能源进行短期预测，以一天24小时每间隔一小时所产生的能量作为一组训练样本建立ARIMA模型，将上一个阶段能源数据通过智能控制模块输入到能源管理模块，输出预测到智能控制模块，由智能控制模块度能源再生模块进行调节，内容包括以下：

(1)小波分解

输入为f(w)的离散函数可以分解为四个函数不同尺度和位置的线性组合

其中近似系数和细节系数表示如下：

c_j,k＝＜f(w),φ_j,k(w)＞ (2)

尺度函数表示为：

本发明采用sym5小波对原始产量进行3层分解，相当于一个低通滤波器，将f(w)分解为一个低频近似分量和一个高频细节分量，分解的算法有：

其中H为低通滤波器，G为高通滤波器，每一层将信号分解成低频近似分量和高频细节分量，将上一层的高频细节分量再分解为低频近似分量和高频细节分量，经过三层分解将f(w)分解成四个分量，分别为三级近似分量、一级细节分量、二级细节分量、三级细节分量。

(2)将被小波分解的四个分量分别输入到ARIMA模型进行预测，将输入进行一阶平滑滤波，ARIMA(p,1,q)模型s数学表达式为：

其中p为自回归模型系数，q为滑动平均模型的阶数，w_t为观测值，θ_i(j＝1,2,…,q)，为残差。由于主体的活动具有周期性和随机性，所以样本数据适合于ARIMA的模型预测，以每个分量分别输入建立各自的ARIMA模型，其具体步骤如下：

(2.1)利用Box-Jenkins模型法得到样本的自相关函数、偏相关函数，统计特性初步判断序列所适应的模型类型；

(2.2)采用赤化信息(AIC来确定模型的阶数)，运用下面公式进行评价模型好坏：

AIC＝2K/n-2L/n (7)

其中L是对数似然值，n是观测值数目，K是被估计的参数数目。AIC准则表明K越小模型越简洁，L越大模型越精确，再根据AIC准则测算p,q的最佳值。从而算出每个模型的参数。

(3)小波重构

小波重构是小波分解的逆过程，将分解的低频细节分量和高频细节分量分别经过低通滤波器和高通滤波器后相加，重构算法为：

其中H^*、G^*为H、G的共轭矩阵。将经过ARIMA模型的预测的三级近似分量、一级细节分量、二级细节分量、三级细节分量后的数据重构，具体为：先将预测的三级近似分量经过低通滤波器和预测的三级细节分量经过高通滤波器得到预测的二级近似分量，再将预测的二级近似分量经过低通滤波器和预测的二级细节分量经过高通滤波器得到预测的一级近似分量，最后将预测的一级近似分量经过低通滤波器和预测的一级细节分量经过高通滤波器得到预测数据。

(4)输出数据

将预测数据输出到智能控制模块，智能控制模块接受数据，预测数据大于开启再生能源装置耗能则开启装置到下一个时间段，再加入上一时间段的实际值预测下一阶段的能源输出。