[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

说明书

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。

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；