基于神经网络的建筑物室内环境智能调节方法及系统

本发明涉及室内环境负反馈调节，特别涉及基于神经网络的建筑物室内环境智能调节方法及系统。

背景技术：

1、室内环境的品质不仅关乎居住者的舒适度，更对居住者的身体健康产生深远影响。当前，室内环境监测主要集中在温湿度、二氧化碳浓度等传统指标上。《绿色建筑评价标准》gb/t 50378-2014特别强调了对人员密度高的房间内二氧化碳浓度的持续监测与数据分析，并要求与通风系统实现有效联动。这一标准的提出，旨在确保室内新风量的充足，从而满足居住者的健康需求，同时也体现了对建筑节能的追求。

2、然而，现有的室内环境技术仍存在显著不足。首先，当前的环境监测系统主要侧重于环境数据的收集和展示，而缺乏与智能反馈调节系统的有效结合。即便存在某些反馈机制，也往往局限于预设的固定模式，缺乏自适应和自学习能力。同时部分空调系统的自动调节功能主要依赖室外环境参数进行反馈，而忽略了对室内环境的实时监测，尤其是在与室内人员的互动方面存在明显不足。这在大型公共设施和人员密集场所中尤为突出，限制了环境调节系统的效能和灵活性。

3、综上所述，当前的室内环境监控与调节技术亟待创新，以适应日益严格的室内环境质量要求和节能标准。未来的技术发展应更加注重智能反馈系统的研发，以实现室内环境的动态、精准调节，从而提升居住者的舒适度和健康水平。

4、为此，本发明提出基于神经网络的建筑物室内环境智能调节方法及系统。

技术实现思路

1、有鉴于此，本发明实施例希望提供基于神经网络的建筑物室内环境智能调节方法及系统，以解决或缓解现有技术中存在的技术问题，即如何实现针对室内环境的自适应化的反馈调节，并对此至少提供一种有益的选择；本发明的技术方案是这样实现的：

2、第一方面，基于神经网络的建筑物室内环境智能调节方法：

3、(一)概述：

4、本方案旨在解决上述技术问题，通过使用前馈神经网络算法(feedforwardneural network,fnn)来实现针对室内环境的自适应化的反馈调节。前馈神经网络能够学习输入与输出之间的复杂非线性关系。在室内环境控制领域，fnn可以被训练来预测和控制各种环境参数，以达到自适应调节的目标。通过将训练好的fnn模型部署到实际室内环境中。实时收集室内环境数据，并输入到模型中进行预测。根据模型的预测结果，自动调整环境控制设备(如空调、加湿器等)的设置，以实现自适应化的反馈调节。

5、(二)技术方案：

6、为实现上述目的，本方案需执行如下步骤实施：

7、2.1步骤s1，数据收集：

8、按照如下模式，收集相应的历史数据：

9、1)室内环境参数i：包括温度t、湿度h、光照强度p和空气质量a。

10、2)设备状态记录e：包括空调的温度vrv。

11、3)人员活动数据p：收集室内人员数量q和活动水平数据l。

12、将室内环境参数i、设备状态记录e和人员活动数据p组成一个数据集d。

13、2.1.1步骤s100，组合数据点：

14、每个数据点代表了在某一特定时间点的室内环境状态、设备状态以及人员活动情况。单个数据点可以表示为向量x，其中：

15、x＝[t,h,p,a,vrv,q,l]；

16、实际中，在每个时间点ti，通过传感器和监控系统收集当前的室内温度、湿度、光照强度、空气质量，以及空调的温度设定值。同时，通过人员计数器或活动监测设备获取室内人员数量和活动水平数据。

17、2.1.2步骤s101，构建数据集d：

18、数据集d可以表示为这些数据点的集合：

19、d＝{xt1,xt2,...,xtn}

20、其中，每个xti是在时间点ti收集到的数据点，包含了该时间点的所有相关信息。

21、实际中，将收集到的各种数据按照上述的向量格式x进行整合，确保每个数据点都包含了所有必要的信息。随着时间的推移，不断重复上述收集与整合的过程，并将每个时间点的数据点添加到数据集d中。这样，数据集d将逐渐包含丰富的历史数据，为后续的数据分析和模型训练提供基础。

22、2.2数据预处理：

23、对数据集d进行数据清洗，去除异常值、重复数据和缺失值。同时将所有数据转换到同一量度，以消除不同特征间的量纲差异。

24、然后将数据集d划分为训练集dtrain，测试集dtest，验证集dval。

25、2.3步骤s2，特征工程：

26、从数据集d中选择与室内环境控制最直接相关的特征作为输入。同时使用独热编码(one-hot encoding)处理分类数据。

27、2.3.1步骤s200，读取特征集合：

28、设原始特征集合为f＝{f1,f2,...,fn}，经过特征选择后，得到相对一个较小的特征子集其中f′包含了对室内环境控制最直接相关的特征。

29、2.3.2步骤s201，独热编码:

30、独热编码是一种将分类变量(字符串或整数标签)转换为一种能够提供给机器学习算法使用的格式的方法。对于每个不同的分类值，独热编码都会创建一个新的二进制列，表示该样本是否属于该类别。

31、设有一个分类特征c，它有m个不同的类别c1,c2,...,cm。对于一个给定的样本，如果它属于类别ci，则对应的独热编码向量o将是一个长度为m的向量，其中第i个元素为1，其余元素为0。独热编码过程如下：

32、给定样本的分类值ci，其独热编码向量o定义为：

33、o＝[o1,o2,...,om]；

34、其中：

35、对于j＝1,2,...,m。

36、在构建机器学习模型之前，选择与目标变量最相关的特征是非常重要的。这不仅可以减少模型的复杂性，还可以提高模型的性能。通过去除不相关或冗余的特征，我们可以使模型更容易理解数据，并减少过拟合的风险。许多机器学习算法无法直接处理分类数据(如文本或整数标签)，因为这类数据通常没有数值意义。独热编码通过将每个类别转换为一个二进制向量，为算法提供了一种能够理解和处理分类数据的方式。这种转换保留了分类信息的全部内容，同时使数据变得适合于数学运算和模型训练。

37、2.4步骤s3，读取fnn模型：

38、确定网络层数、每层的神经元数量以及激活函数。并使用xavier初始化技术来初始化网络权重。

39、2.4.1步骤s300，网络层数和神经元数量：

40、共有l层，第l层(l＝1,2,...,l)有nl个神经元。这些参数(l和nl)需要根据任务需求和数据集特性进行调整。

41、2.4.2步骤s301，激活函数：

42、用于引入非线性特性，使得神经网络能够学习复杂的非线性关系。本方案选择relu函数f(x)：

43、f(x)＝max(0,x)；

44、其中x是输入，代表任意一热编码向量元素oi；

45、2.4.3步骤s302，xavier初始化技术：

46、xavier初始化旨在保持每一层输出的方差在传播过程中保持一致，从而加速训练并提高模型的稳定性。对于第l层的权重矩阵wl，xavier初始化方法将其元素初始化为从均匀分布中随机抽取的值，该分布的上下界由以下公式给出：

47、

48、其中，nl-1是上一层(即第l-1层)的神经元数量，nl是当前层(即第l层)的神经元数量。这种初始化方法有助于保持权重矩阵的初始值既不太大也不太小，从而避免在训练开始时出现过大的梯度或梯度消失的问题。

49、2.5模型训练：

50、上述步骤虽然构建了fnn模型，但是其仍需要进行训练才能应用；训练方法包括如下步骤：

51、2.5.1损失函数选择：

52、选择均方误差(mse)来量化模型预测与实际值之间的差异。

53、

54、其中，n是样本数量，yi是实际值，是模型预测值。mse越小，说明模型的预测越准确。

55、2.5.2优化器选择：

56、选择rmsprop优化器来更新网络权重。

57、rmsprop(root mean square propagation)是一种自适应学习率的优化算法，它根据梯度平方的指数衰减移动平均来调整每个参数的学习率。rmsprop有助于减少训练过程中的震荡，加速收敛。其更新规则如下：

58、计算梯度gt：

59、

60、计算梯度平方的指数衰减平均e：

61、

62、更新参数：

63、

64、其中，θ是模型参数，j是损失函数，η是学习率，α是衰减率(通常接近1)，ε是用于防止分母为零的小正数；t是时间变量。

65、2.5.3训练过程：

66、训练过程使用训练集dtrain来训练fnn模型。通过反向传播算法计算损失函数关于模型参数的梯度，并使用rmsprop优化器来更新这些参数，以最小化损失函数。这个过程包括多个epoch，即多次遍历整个数据集。

67、2.5.4评估指标：

68、使用验证集dval来评估模型的mse值。

69、2.5.5超参数调优：

70、超参数调优是选择最优模型参数的过程，包括学习率、网络层数和神经元数量。k值交叉验证(k-fold cross-validation)将数据集d分成k个部分，每次使用k-1个部分作为训练数据，剩下的1个部分作为验证数据。这个过程重复k次，每次使用不同的部分作为验证数据。最后，计算k次验证结果的平均值来评估模型的性能。通过调整超参数并重复这个过程，可以选择出最优的模型参数。

71、2.6步骤s4，部署与实时反馈调节：

72、将训练好的fnn模型部署到实际的室内环境监控系统中。实时收集室内环境数据的实时数据集d’并输入到fnn模型中，根据模型的预测结果来动态调整空调的设置。

73、如果模型预测室内温度将过高，系统可以自动调低空调温度设定；如果预测室内湿度将过低，系统可以调整空调的湿度设置。

74、实时调整后的空调设置会影响室内环境，这些变化又会被监控系统捕捉到，并作为新的输入数据进入模型，形成一个闭环反馈系统。

75、(三)解决技术问题的原理：

76、3.1数据驱动的自适应调整：

77、fnn模型首先通过大量的历史数据(包括室内环境参数、空调设置及其对应的效果等)进行训练。这些数据帮助模型学习到室内环境变化的规律以及空调设置对环境参数的影响。

78、3.2预测与决策：

79、基于当前的环境数据和历史学习经验，fnn模型能够预测未来一段时间内的环境变化趋势。模型将这些预测结果传递给决策系统，决策系统根据预设的舒适度和能效标准，判断出最佳的空调设置调整方案。

80、3.3实时反馈与调整：

81、根据决策系统的输出，空调系统会自动进行实时调整，如改变温度设定等。这些调整会立即影响室内环境，而环境的变化又会被监控系统实时捕捉到，并反馈回fnn模型，形成一个动态的闭环反馈系统。

82、第二方面，基于神经网络的建筑物室内环境智能调节系统：

83、如图3所示，智能控制系统是整个智能调节系统的核心，它负责接收、处理并响应来自各个子系统的数据。该系统基于先进的fnn(前馈神经网络)模型，通过模型预测控制(mpc)算法，实现对室内环境的精准调节。

84、(一)智能控制系统：

85、作为智能控制系统的大脑，处理器负责运行fnn模型，处理来自室内环境监测系统和人体热感觉反馈系统的数据，并根据模型的预测结果发出控制指令。

86、通信接口：处理器通过通信接口与各个子系统实现数据交互，确保信息的实时、准确传输。

87、控制执行器：接收到处理器的指令后，控制执行器会调节空调、通风、加湿等设备，以达到预期的室内环境参数。

88、(二)室内环境监测系统：

89、室内环境监测系统负责实时收集建筑物内部的各项环境参数，如温度、湿度、空气质量(如co2浓度、pm2.5等)、光照强度等。

90、传感器网络：部署在建筑物各个关键位置的传感器，能够实时监测并传输环境参数数据至智能控制系统。

91、数据采集与处理单元：对传感器网络收集到的原始数据进行预处理、校准和格式化，以确保数据的准确性和可用性。

92、(三)人体热感觉反馈系统：

93、人体热感觉反馈系统旨在收集居住者对当前室内环境的热感觉评价，以便智能控制系统能够更精确地满足居住者的舒适度需求。

94、热感觉投票器：居住者可以通过热感觉投票器表达对当前室内环境的热感觉(如冷、凉、适中、暖、热等)，这些数据将实时传输至智能控制系统。

95、数据解析模块：对收集到的热感觉数据进行解析，并将其转化为智能控制系统可以理解的格式。

96、(四)处理器与存储器：

97、处理器：作为整个系统的计算核心，处理器负责执行存储在存储器中的程序指令，以实现对室内环境的智能调节。这些指令包括fnn模型的运行、环境数据的处理、控制指令的生成等。

98、存储器：存储器中存储了系统的程序指令、fnn模型的参数以及历史环境数据等。这些数据和信息是智能调节系统实现自适应学习和优化控制的基础。

99、与现有技术相比，本发明的有益效果是：

100、一、提升居住舒适度：本发明通过实时监测和预测室内环境参数，fnn模型能够及时调整空调设置，确保室内温度、湿度等环境指标维持在人体感觉舒适的范围内。例如在炎热的夏季，模型可以预测室内温度上升的趋势，并提前调低空调温度，确保居民始终能在凉爽舒适的环境中生活。

101、二、节能与环保：传统的空调系统往往依据固定的温度设定进行工作，导致不必要的能源消耗。而本发明的fnn模型通过预测和自适应调节，能够在保证舒适度的前提下，更加精准地控制空调的运行，避免能源的浪费。

102、三、预防极端环境状况：本发明的fnn模型能够预测室内环境可能出现的极端状况，如过高或过低的温度、湿度等，并及时作出调整，防止这些状况对居民的生活和健康造成影响。对于老年人、儿童或对环境变化敏感的人群尤为重要。

103、四、延长设备使用寿命：本发明的fnn模型可以帮助减少空调等设备的过度使用和频繁启停，从而降低设备的磨损和故障率。不仅延长了设备的使用寿命，还减少了维修和更换设备的成本。fnn模型的应用是智能家居发展的重要组成部分。它使得家庭环境控制更加智能化、个性化和自动化，提升了居民的生活品质。