一种宿舍空调用电自主节能的方法及系统与流程

本发明涉及智能家居控制，具体涉及一种宿舍空调用电自主节能的方法及系统。

背景技术：

1、在能源消耗日益严峻的背景下，宿舍空调用电管理已成为节能减排领域的重要研究方向。近年来，随着传感器技术、数据处理技术和机器学习算法的快速发展，宿舍空调用电节能技术取得了显著进步。传统的节能方法主要依赖于人为设定温度、定时开关机等简单控制手段，这些方法虽能在一定程度上降低能耗，但往往忽视了宿舍内人员活动状态和环境条件的动态变化，导致节能效果与居住舒适度之间存在较大矛盾。

2、然而，现有的宿舍空调用电节能技术仍存在诸多不足。一方面，现有技术缺乏对宿舍内人员活动模式和环境参数的深入分析，无法根据实际需求灵活调整节能策略，导致节能效果不尽如人意。另一方面，现有技术未能有效结合季节变化、时间序列等因素，使得节能策略的适应性较差。此外，现有技术忽视电气安全监测和异常检测，存在安全隐患。针对这些问题，本发明提出了一种宿舍空调用电自主节能的方法及系统，通过实时监测宿舍内的人员活动状态和环境条件，运用机器学习算法和遗传算法对节能策略进行迭代优化，旨在实现节能与舒适度的平衡，同时确保电气安全。

技术实现思路

1、鉴于上述现有存在的问题，本发明提供了一种宿舍空调用电自主节能的方法及系统，用以解决现有技术忽视电气安全监测和异常检测，存在安全隐患的问题。

2、为解决上述技术问题，提出了一种宿舍空调用电自主节能的方法，包括，

3、通过传感器实时监测宿舍内的人员活动状态和环境条件，并对获得的数据进行预处理，对预处理后的数据进行特征提取；对提取的特征进行分析，识别人员活动模式，并结合季节变化、环境参数和时间序列，根据预设的规则和条件生成初步节能策略；根据历史数据训练机器学习模型，利用机器学习算法预测最佳节能策略，利用遗传算法对节能策略进行迭代优化；根据优化后的策略，通过执行机构实时控制用电设备的运行状态，并提供用户监控数据、调整设置和定制策略，同时实施安全监测和异常检测确保电气安全。

4、作为本发明所述的一种宿舍空调用电自主节能的方法的一种优选方案，其中：所述获得的数据包括，通过传感器实时采集宿舍内的人员活动数据、环境条件数据、时间数据和空调设备状态数据。

5、所述人员活动数据包括人员是否存在、人员运动强度、人员的呼吸和心跳频率；所述环境条件数据包括室内温度、室内湿度、室内光照强度、室外温度和湿度；所述时间数据包括当前时间和历史能耗数据；所述空调设备状态数据包括空调开关状态、空调设定温度和空调运行模式。

6、所述预处理包括去噪、去除异常值、填补缺失值、数据归一化和数据转换。

7、作为本发明所述的一种宿舍空调用电自主节能的方法的一种优选方案，其中：所述特征提取包括，通过传感器实时监测宿舍内的人员活动状态和环境条件，并对获得的数据进行预处理，对预处理后的数据进行特征提取。

8、所述特征提取还包括人体活动识别特征提取、环境参数特征提取和时间序列特征提取。

9、作为本发明所述的一种宿舍空调用电自主节能的方法的一种优选方案，其中：所述生成初步节能策略包括，对提取的特征进行分析，识别人员活动模式，并结合季节变化、环境参数和时间序列，根据预设的规则和条件生成初步节能策略。

10、所述预设的规则和条件生成初步节能策略包括当传感器检测到宿舍内无人时，自动关闭空调和大型用电设备。

11、作为本发明所述的一种宿舍空调用电自主节能的方法的一种优选方案，其中：所述训练机器学习模型包括，选择随机森林算法构建模型，并利用历史数据训练随机森林模型，构建损失函数，并利用损失函数优化随机森林模型，并对随机森林模型的预测性能进行评估。

12、所述随机森林算法的公式为：

13、，

14、其中，为随机森林算法的预测结果，t为随机森林中决策树的数量，为第t棵决策树对输入特征向量x的预测结果，x为输入特征向量。

15、，

16、其中，为随机森林模型的最终预测结果，为多数投票函数，t为随机森林中决策树的数量，为全部随机森林算法的预测结果。

17、所述利用历史数据训练模型包括特征选择、样本数据、自助采样、决策树构建、随机森林聚合和节能策略预测；

18、所述损失函数公式为：

19、，

20、其中，为损失函数，m为历史数据样本的数量，为第j个样本的实际节能标签，j为当前样本，t为随机森林中决策树的数量，为随机森林中全部决策树的参数集合，为第t棵决策树的参数，为第j个样本的特征向量x通过第t棵决策树参数计算获得的预测值，第j个样本的历史节能效果影响函数，x为输入特征向量，为第j个样本的历史数据向量，e为自然对数的底数，ln为自然对数函数，s为sigmoid函数。

21、所述sigmoid函数具体公式为：

22、，

23、其中，s为sigmoid函数，为第j个样本的特征向量x通过第t棵决策树参数计算获得的预测值，第j个样本的历史节能效果影响函数，x为输入特征向量，为第j个样本的历史数据向量，e为自然对数的底数，t为随机森林中决策树的数量。

24、所述历史节能效果影响函数公式为：

25、，

26、其中，第j个样本的历史节能效果影响函数，为历史数据的时间段的数量，为第k个时间段的权重，为第j个样本在第k个时间段上的节能效果。

27、作为本发明所述的一种宿舍空调用电自主节能的方法的一种优选方案，其中：所述对节能策略进行迭代优化包括，运用遗传算法对节能策略进行优化，平衡节能与舒适度，根据生成的节能策略，通过执行机构实时控制空调和剩余用电设备的运行状态，并提供用户友好的界面，允许用户查看能耗数据、调整设定参数和定制个人节能策略，系统根据用户的调整和反馈，学习用户的偏好，优化节能策略。

28、所述遗传算法构建框架包括编码、适应度评估、选择、交叉、变异、新一代种群和优化结果。

29、作为本发明所述的一种宿舍空调用电自主节能的方法的一种优选方案，其中：所述安全监测和异常检测包括算法持续监测电气设备状态，及时发现过载和过热的异常情况，在检测到潜在安全问题时，系统会自动采取切断电源的应急措施，并通知管理人员；并采用冗余设计和故障转移机制，确保关键组件的可用性，实施数据加密和访问控制，防止未授权访问和网络攻击。

30、本发明的另外一个目的是提供了一种宿舍空调用电自主节能的系统，本发明系统解决当前工人宿舍、员工宿舍的用电节能的问题；本发明系统通过实时监测和数据处理，实现了对宿舍内空调和剩余用电设备的智能控制，提高了节能效率和舒适度；用户友好的界面和定制策略的功能增强了用户与系统的交互性，使得用户能够更方便地监控和调整设备运行；系统的安全监测和异常检测功能确保了电气安全，提升了整体系统的可靠性。

31、作为本发明所述的一种宿舍空调用电自主节能的系统的一种优选方案，其特征在于，包括传感器数据获取模块、数据预处理模块、初步节能策略生成模块、机器学习模块、遗传算法迭代优化模块以及安全监测和异常检测模块。

32、所述传感器数据获取模块，用于实时监测宿舍内的人员活动状态、环境条件、时间数据和空调设备状态。

33、所述数据预处理模块，用于去噪、去除异常值、填补缺失值、数据归一化数据转换和特征提取。

34、所述初步节能策略生成模块，用于分析提取的特征，识别人员活动模式，结合季节变化、环境参数和时间序列，根据预设的规则和条件生成初步节能策略。

35、所述机器学习模块，用于构建随机森林算法构建模型，利用历史数据训练随机森林模型，构建损失函数，利用损失函数优化随机森林模型，并对随机森林模型的预测性能进行评估。

36、所述遗传算法迭代优化模块，用于运用遗传算法对节能策略进行优化，平衡节能与舒适度，根据生成的节能策略，通过执行机构实时控制空调和剩余用电设备的运行状态，提供用户友好的界面，允许用户查看能耗数据、调整设定参数和定制个人节能策略，系统根据用户的调整和反馈，学习用户的偏好，优化节能策略。

37、所述全监测和异常检测模块，用于持续监测电气设备状态，及时发现过载和过热的异常情况，在检测到潜在安全问题时，系统会自动采取切断电源的应急措施，并通知管理人员，采用冗余设计和故障转移机制，确保关键组件的可用性，实施数据加密和访问控制，防止未授权访问和网络攻击。

38、一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现一种宿舍空调用电自主节能的所述的方法的步骤。

39、一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现一种宿舍空调用电自主节能的所述的方法的步骤。

40、本发明的有益效果：本发明通过实时监测环境条件和人员活动状态，结合历史数据和机器学习算法，实现了对宿舍内空调和剩余用电设备的自主节能控制。系统能够预测并优化空调的运行模式，达到节能和舒适度的平衡，同时提供用户友好的界面，允许用户监控数据、调整设置和定制策略。此外，系统还实施安全监测和异常检测以确保电气安全，包括节能效率提升、舒适度优化、用户交互增强、安全性提高、自动化控制、历史数据利用、灵活性和可扩展性、成本效益、环保贡献以及智能化水平提升。