[发明专利]一种基于联邦学习的智能空调控制系统和方法

说明书

本发明公开了一种基于联邦学习的智能空调控制系统和方法，属于智能家居技术领域。利用采集模块记录本地空调历史操作记录和环境参数作为数据集；分析模块划分数据集，构建强化学习模型，计算强化学习模型参数；结合传输模块将本地模型参数传输至云服务器，云服务器利用聚合方法更新模型参数并将其传输回分析模块，进行下一次迭代训练，直至训练结束。根据训练好的本地模型和实时环境参数，输出推荐方案，由空调控制模块执行相应的动作。本发明可在保护个人数据隐私的同时，实现空调温度的自动化调节，降低能源消耗，提供满足用户舒适度的热环境。

技术领域

本发明属于智能家居技术领域，具体涉及一种基于联邦学习的智能空调控制系统和方法。

背景技术

随着科技发展及生活水平的不断提高，人们对智能化家居生活的需求也逐渐增大。智能家居系统通过整合传感器、计算机、网络通信以及自动控制技术，集中或远程监控家庭事务，满足信息时代人们高品质的生活追求。然而目前的智能家居系统需要上传用户数据(使用记录、环境参数、地理位置等)到服务器，存在个人隐私数据泄露的风险。对于智能空调系统来说，使用时间记录会显示用户是否在家，空调温度调节范围可能会隐藏用户个人信息。所以数据泄露不仅仅只是简单的信息泄露，同时还包含潜在用户隐私。

现有的智能空调系统多是通过这种方式实现的，即在云端训练从家居传感器中收集到的数据，然后再将更新后的模型分发到各个设备，但是这个过程中并没有考虑到数据的隐私安全问题，且家电企业对用户的数据的收集是在用户未授权的情况进行的。

根据现有报道，通过数据加密或者利用传感器改变数据存储形式等方法可以用来解决数据隐私的安全防护问题，但这种方法会降低模型训练效率，增加计算开销。

智能空调作为智能家居中电器产品的代表，在未来个性化家居服务中占有重要地位。而现随着数据安全意识的增加，越来越的用户出于隐私安全保护开始拒绝提供自己的数据集，这对未来智能家居的发展来说将是一个挑战，这也会成为未来用户拒绝使用智能产品的一个理由。

发明内容

为了解决传统的智能家居模型训练方式存在的用户隐私信息泄露等安全问题，本发明提出了一种基于联邦学习的智能空调控制系统和方法。本发明实现了在数据不出本地的条件下进行联合建模，利用模型参数的交互代替数据的直接交换，既实现了数据的交互，又解决了数据的隐私和安全问题。因此，本发明基于联邦学习的智能家居控制系统的研究对于推进智能家居市场具有重要意义。

为实现上述目的，本发明提供如下技术方案：

本发明的其中一个目的在于提供一种基于联邦学习的智能空调控制系统，包括：

服务器，其用于对本地空调控制系统中的本地模型参数进行聚合，得到全局模型参数；

所述的本地空调控制系统由若干个智能空调终端构成，每一个智能空调终端均包括：

采集模块，其用于采集用户操控空调的历史操作记录和环境参数，并存储至本地数据库中；

分析模块，其内部配置有强化学习模型，用于读取采集模块中的数据，划分数据集，并根据本地数据集对强化学习模型进行训练，获取本地的强化学习模型参数；

传输模块，其用于本地模型参数和全局模型参数的传输，包括发送本地模型参数到服务器，并接收服务器发送的全局模型参数至本地终端；

控制模块，在强化学习模型的训练阶段，其负责控制定期从采集模块的数据库中抽取样本进行联合训练；在强化学习模型训练结束后，其负责根据训练好的强化学习模型输出的推荐方案执行相应的动作。

本发明的另一个目的在于一种基于上述的联邦学习的智能空调控制系统的控制方法，包括如下步骤：

步骤1：利用本地空调控制系统中各个终端的采集模块，采集本地空调历史操作记录及环境参数，并存储到本地数据库；