[发明专利]一种基于深度学习的室内环境舒适度调节方法及系统

权利要求书

1.一种基于深度学习的室内环境舒适度调节方法，其特征在于，包括：

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；

S2、边缘预处理与控制模块收集到环境状态数据后，通过微型服务器对数据进行预处理后，再通过网关将数据发送至室内环境预测模块；

S3、在室内环境预测模块中对环境状态数据进行存储，并将实时环境状态数据输入提前已训练好的深度学习LSTM模型，获得下一时刻室内环境的变化；

S4、在室内环境预测模块将预测模型输出的下一时刻室内环境变化的信号发送至热舒适度调节模块，调节模块通过算法并将系统的调控信息发送至边缘预处理与控制模块，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；

S5、数据中心与边缘预处理与控制模块直接相连，若热舒适度调节模块的调控结果不够满足用户自身需求，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；

S1步骤包括：

部署温湿度、风速传感器检测当前室内温度、湿度以及风速环境条件，温湿度、风速传感器设备通过Zigbee或者Echonet Lite网络协议与边缘预处理与控制模块进行通信；

S3步骤包括：

S31、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；

S32、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；

S33、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；

S34、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步骤包括：

热舒适度调节采取的是模糊控制算法，T_up为目标温度域的温度上限，T_down为温度下限；W_up为目标温度域的风速上限，W_down为风速下限；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。

2.如权利要求1所述的一种基于深度学习的室内环境舒适度调节方法，其特征在于，S2步骤包括：

边缘预处理与控制模块负责从传感器收集数据，并通过MQTT协议将数据发送给室内环境预测模块。

3.如权利要求1所述的一种基于深度学习的室内环境舒适度调节方法，其特征在于，实现该方法的系统中，

室内环境舒适度调节系统根据其功能属性分为4个模块，自下而上分别为数据采集模块、边缘预处理与控制模块、室内环境预测模块、基于模式特征约束下的热舒适度调节模块；

数据采集模块主要负责环境数据采集，包括温湿度传感器、风速传感器和设备控制器；

边缘预处理与控制模块主要对传感器上传的多源异构环境数据进行数据预处理，数据预处理模块对数据运用降噪、去除异常值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，同时将经过预处理后的数据上传到室内环境预测模块；

室内环境预测模块是室内环境舒适度调节系统的核心层，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场馆内环境变化的预测；

基于模式特征约束下的热舒适度调节模块负责室内环境控制系统与用户交互的，通过算法分析环境数据来调控室内环境设备，实现在不同模式约束下场馆内环境的合理调节，从而达到提高室内环境热舒适度的目的。