空调智能调控方法、系统、电子设备及存储介质

技术领域

本发明属于暖通技术领域，尤其涉及一种空调智能调控方法、系统、电子设备及存储介质。

背景技术

空调是现代家庭、办公室及其他公共场所冬夏必备的室内温度调控设备，是现代人们工作生活的必须品；现有的空调使用时需要进行一系列繁琐的设定，比如温度、模式、风速、风向、定时等，而且每个设定向又包含若干个不同级档，比如风速设定选项中又包含低速风、中速风、高速风等选项，使用空调时需要花费大量的时间对其进行设定，达到人们所需的要求，另外，不同季节使用空调，又要对其进行重新设定，因此，现有的空调使用时设定频繁，使用不便。

目前行业内，一般在室内安装调控器(内含温度传感器)，用户侧管道有安装电动阀调节流量，通过调控器检测室内温度，可对调控器做温度设定来调节电动阀的开关，也可对调控器做定时开、关来调节电动阀的开关，调节用户侧管道热量的流量，达到用户需求。

以上传统的控制方式，无法达到精准供能，造成资源浪费的同时用户使用体验也较差。

发明内容

本发明提供了一种空调智能调控方法、系统、电子设备及存储介质；可以精准供能、自动恒调控制和充分利用资源达到节能效果，并提供给用户更好的用户体验。

第一方面，本发明实施例提供了一种空调智能调控方法，所述调控方法包括：

获取空调末端设备所处室内环境的环境图像；

采用预先训练的图像识别模型对所述环境图像进行识别，判断所述空调末端设备所处的室内环境类别；

获取人员密度和室外环境数据并将所述人员密度和室外环境数据及所述室内环境类别输入到预先构建的知识图谱中；其中，所述人员密度为所述空调末端设备所处室内环境的人员密度；

所述知识图谱根据所述人员密度、室外环境数据和所述室内环境类别生成空调末端设备调控方案。

可选地，所述图像识别模型的训练包括：

构建卷积神经网络；

获取训练数据集并将所述数据集输入到卷积神经网络中；

设置训练条件后开始训练，其中所述训练条件包括损失函数、训练终止条件和优化参数。

可选地，所述构建卷积神经网络包括：

确定所述卷积神经网络的结构；

初始化所述卷积神经网络各层参数并设置激活函数。

可选地，获取所述人员密度包括：

获取红外热成像设备检测的检测数据；

根据所述检测数据计算所述空调末端设备所处环境的人员密度。

可选地，所述知识图谱的构建包括：

知识建模，基于应用属性、知识特点、实际需求，依据知识图谱的模式进行业务抽象和业务建模；

知识存储，将原始数据存入到所述知识模型中；其中，所述原始数据包括结构化数据、半结构化数据和非结构化数据；

信息抽取，从所述半结构化数据和所述非结构数据中抽取实体、关系以及实体属性；

知识融合，对进行过信息抽取的数据进行实体链接和知识合并；

知识计算，对进行知识融合后的数据进行结构化和网络化并确定知识更新机制。

可选地，所述原始数据的获取包括：

获取空调末端设备在不同室内环境和室外环境下使用情况的历史数据；

根据预设方法处理所述历史数据得到所述原始数据。

可选地，所述调控方法还包括当所述空调末端设备调控方案效果不佳时，手动或语音进行调整并将所述调整更新到所述知识图谱中。

第二方面，本发明的实施例提供了一种空调智能调控系统，所述调控系统包括：

图像获取模块，获取空调末端设备所处室内环境的环境图像；

图像识别模块，采用预先训练的图像识别模型对所述环境图像进行识别，判断所述空调末端设备所处的室内环境类别；

数据输入模块，获取人员密度和室外环境数据并将所述人员密度和室外环境数据及所述室内环境类别输入到预先构建的知识图谱中；其中，所述人员密度为所述空调末端设备所处室内环境的人员密度；

方案生成模块，所述知识图谱根据所述人员密度、室外环境数据和所述室内环境类别生成空调末端设备调控方案。

第三方面，本发明的实施例提供了一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，所述处理器执行所述程序时实现如第一方面任一项所述的方法。

第四方面，本发明的实施例提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面任一项所述的方法。

有益效果

本发明提供了一种空调智能调控方法、系统、电子设备及存储介质，所述调控方法首先获取空调末端设备所处室内环境的环境图像；然后采用预先训练的图像识别模型对所述环境图像进行识别，判断所述空调末端设备所处的室内环境类别；之后再获取人员密度和室外环境数据并将所述人员密度和室外环境数据及所述室内环境类别输入到预先构建的知识图谱中；其中，所述人员密度为所述空调末端设备所处室内环境的人员密度；最后所述知识图谱根据所述人员密度、室外环境数据和所述室内环境类别生成空调末端设备调控方案。本发明可以精准供能、自动恒调控制和充分利用资源达到节能效果，并提供给用户更好的用户体验。

应当理解，发明内容部分中所描述的内容并非旨在限定本发明的实施例的关键或重要特征，亦非用于限制本发明的范围。本发明的其它特征将通过以下的描述变得容易理解。

附图说明

结合附图并参考以下详细说明，本发明各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中，相同或相似的附图标记表示相同或相似的元素。

图1示出了本发明的实施例的一种空调智能调控方法的流程图；

图2示出了本发明实施例的一种空调智能调控系统的结构示意图；

图3示出了本发明实施例的一种电子设备的结构图。

具体实施方式

为了使本技术领域的人员更好地理解本说明书一个或多个实施例中的技术方案，下面将结合本说明书一个或多个实施例中的附图，对本说明书一个或多个实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本说明书的一部分实施例，而不是全部的实施例。基于本说明书一个或多个实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本文件的保护范围。

需要说明的是，本发明实施例描述的仅仅是为了更加清楚的说明本发明实施例的技术方案，并不构成对本发明实施例提供的技术方案的限定。

图1示出了本发明的实施例的一种空调智能调控方法的流程图。参见图1，所述调控方法包括：

S20、获取空调末端设备所处室内环境的环境图像；

具体地，在空调开机时通过预先设置的图像获取设备获取空调末端设备所处室内环境的环境图像，之后将所述环境图像输入到训练好的图像识别模型中对所述环境图像进行识别。

S40、采用预先训练的图像识别模型对所述环境图像进行识别，判断所述空调末端设备所处的室内环境类别；

具体地，所述图像识别模型的训练包括：

构建卷积神经网络；

获取训练数据集并将所述数据集输入到卷积神经网络中；

设置训练条件后开始训练，其中所述训练条件包括损失函数、训练终止条件和优化参数。

所述构建卷积神经网络包括：

确定所述卷积神经网络的结构；

初始化所述卷积神经网络各层参数并设置激活函数。

其中，所述卷积神经网络主要由卷积层、池化层、全连接层，、Reshape层和Softmax回归层组成；其中，卷积层、池化层、全连接层与Reshape层其主要作用是对字符图片的特征进行提取；Softmax层的主要作用是进行分类处理。

具体地，卷积层：卷积层的功能是对输入数据进行特征提取，其内部包含多个卷积核，组成卷积核的每个元素都对应一个权重系数和一个偏差量，类似于一个前馈神经网络的神经元；卷积层内每个神经元都与前一层中位置接近的区域的多个神经元相连，区域的大小取决于卷积核的大小，在文献中被称为“感受野”，其含义可类比视觉皮层细胞的感受野；卷积核在工作时，有规律地扫过输入特征，在感受野内对输入特征做矩阵元素乘法求和并叠加偏差量；

其中，

式中的求和部分等价于求解一次交叉相关；b为偏差量Z

卷积层参数：

卷积层参数包括卷积核大小、步长和填充，三者共同决定了卷积层输出特征图的尺寸，是卷积神经网络的超参数。其中卷积核大小可以指定为小于输入图像尺寸的任意值，卷积核越大，可提取的输入特征越复杂；

卷积步长定义了卷积核相邻两次扫过特征图时位置的距离，卷积步长为1时，卷积核逐个扫过特征图的元素，步长为n时在下一次扫描跳过n-1个像素；

由卷积核的交叉相关计算可知，随着卷积层的堆叠，特征图的尺寸逐步减小，例如16×16的输入图像在经过单位步长、无填充的5×5的卷积核后，会输出12×12的特征图；为此，填充是在特征图通过卷积核之前人为增大其尺寸以抵消计算中尺寸收缩影响的方法；常见的填充方法为按0填充和重复边界值填充；

填充依据其层数和目的可分为四类：

有效填充：即完全不使用填充，卷积核只允许访问特征图中包含完整感受野的位置；输出的所有像素都是输入中相同数量像素的函数；使用有效填充的卷积被称为“窄卷积”，窄卷积输出的特征图尺寸为(L-f)/s+1；

相同填充/半填充：只进行足够的填充来保持输出和输入的特征图尺寸相同；相同填充下特征图的尺寸不会缩减但输入像素中靠近边界的部分相比于中间部分对于特征图的影响更小，即存在边界像素的欠表达；使用相同填充的卷积被称为“等长卷积”；

全填充：进行足够多的填充使得每个像素在每个方向上被访问的次数相同；步长为1时，全填充输出的特征图尺寸为L+f-1，大于输入值；使用全填充的卷积被称为“宽卷积”；

任意填充：介于有效填充和全填充之间，人为设定的填充，较少使用。

池化层：在卷积层进行特征提取后，输出的特征图会被传递至池化层进行特征选择和信息过滤；池化层包含预设定的池化函数，其功能是将特征图中单个点的结果替换为其相邻区域的特征图统计量；池化层选取池化区域与卷积核扫描特征图步骤相同，由池化大小、步长和填充控制。

L

式中步长s

全连接层：卷积神经网络中的全连接层等价于传统前馈神经网络中的隐含层；全连接层位于卷积神经网络隐含层的最后部分，并只向其它全连接层传递信号；特征图在全连接层中会失去空间拓扑结构，被展开为向量并通过激励函数；

按表征学习观点，卷积神经网络中的卷积层和池化层能够对输入数据进行特征提取，全连接层的作用则是对提取的特征进行非线性组合以得到输出，即全连接层本身不被期望具有特征提取能力，而是利用现有的高阶特征完成学习目标。

在一些卷积神经网络中，全连接层的功能可由全局均值池化取代，全局均值池化会将特征图每个通道的所有值取平均，即若有7×7×256的特征图，全局均值池化将返回一个256的向量，其中每个元素都是7×7，步长为7，无填充的均值池化。

Reshape层:Reshape层的作用是在不改变数据的情况下，改变输入的维度。

Softmax层：对于图像分类问题，输出层使用逻辑函数或归一化指数函数输出分类标签。

确定所述卷积神经网络的结构后对所述卷积神经网络中的参数进行初始化并设置激活函数；

选择损失函数和优化参数后设置训练结束条件并开始训练，当达到设置结束条件时结束训练得到图像识别模型。

使用所述图像识别模型对空调末端设备所处环境图像进行识别，判断所述空调末端设备所处的室内环境并将结果输入到预先构建的知识图谱中；其中，所述室内环境类别包括住宅、商业区和学校；住宅包括主卧、老人房、儿童房、书房、客厅、厨房和卫生间；商业区包括商铺、办公区和储物室；学校包括公共教室、独立教室、宿舍和食堂。

S60、获取人员密度和室外环境数据并将所述人员密度和室外环境数据及所述室内环境类别输入到预先构建的知识图谱中；其中，所述人员密度为所述空调末端设备所处室内环境的人员密度；

所述室外环境数据包括室外温度、室外湿度、室外光照和室外风力；

获取所述人员密度包括：

获取红外热成像设备检测的检测数据；

根据所述检测数据计算所述空调末端设备所处环境的人员密度。

具体地，人体密度与建筑面积和人数有关，人数越多，人体密度越大，热负荷越小；多场景地模拟，最终形成各个场景曲线图，比如客厅、卧室、办公室(不同的使用时间和温度设置)，在具体实施中通过使用控制面板选择场景。

所述知识图谱的构建包括：

知识建模，基于应用属性、知识特点、实际需求，依据知识图谱的模式进行业务抽象和业务建模；

知识存储，将原始数据存入到所述知识模型中；其中，所述原始数据包括结构化数据、半结构化数据和非结构化数据；

信息抽取，从所述半结构化数据和所述非结构数据中抽取实体、关系以及实体属性；

知识融合，对进行过信息抽取的数据进行实体链接和知识合并；

知识计算，对进行知识融合后的数据进行结构化和网络化并确定知识更新机制。

具体地，知识建模时选择采用自顶向下的方式来建设知识图谱，首先确定知识图谱的数据模型，然后，根据数据模型约定的框架，再补充数据，完成知识图谱的建设；

数据模型的一种构建方法是找一个基础的参考模型，慢慢形成一个基础的数据模型，再根据实际收集的数据情况，来完善数据模型；另一种构建方法是从公共知识图谱数据模型中抽取，将有关的数据模型从公共知识图谱数据模型中提取出来，然后结合行业知识进行完善。

知识存储中原始数据包括空调末端设备所处环境类别、时间、环境湿度、当前环境中的人员密度和环境舒适度等；

其中，所述原始数据的获取包括：

获取空调末端设备在不同室内环境和室外环境下使用情况的历史数据；

根据预设方法处理所述历史数据得到所述原始数据。

具体地，通过空调末端设备的使用历史数据和不断地模拟抓取积累形成多场景曲线图；通过所述多场景曲线图的分析处理得到所需的不同场景下的最优使用方案，提取方案中的时间、室内环境类别、室内人员密度和室外环境数据等因素作为原始数据。

信息抽取包括实体抽取：也称为命名实体识别(named entity recognition，NER)，是指从文本数据集中自动识别出命名实体；当前主流技术为面向开放域(opendomain)的实体抽取；关系抽取：为了得到语义信息，从相关语料中提取出实体之间的关联关系，通过关系将实体联系起来，才能够形成网状的知识结构；属性抽取：目标是从不同信息源中采集特定实体的属性信息，如针对某个公众人物，可以从网络公开信息中得到其昵称、生日、国籍、教育背景等信息；采用数据挖掘的方法直接从文本中挖掘实体属性和属性值之间的关系模式，据此实现对属性名和属性值在文本中的定位。

知识融合，通过信息抽取，实现从原始数据中获取到了实体、关系以及实体的属性信息后，通过知识融合对数据进行逻辑归属和冗杂/错误过滤；即需要实体链接和知识合并两个流程实现；其中，对非结构化/半结构化数据处理：实体链接(entity linking)的流程是通过给定的实体指称项，通过相似度计算进行实体消歧和共指消解，确认正确实体对象后，再将该实体指称项链接到知识库中对应实体；对结构化数据处理：知识合并主要涉及“合并外部知识库”，处理数据层和模式层的冲突；以及用RDB2RDF等方法“合并关系数据库”。

知识计算，在通过信息抽取，和知识融合后已经实现从原始杂乱数据中获得到一系列基本的事实表达；之后通过知识计算获得结构化，网络化的知识体系以及更新机制；主要包括4方面内容：本体构建、知识推理、质量评估和知识更新。

具体地，本体构建：即通过实体并列关系相似度计算、实体上下位关系抽取、本体的生成，完成自动化的本体构建，实现将数据归类成人工的概念集合/概念框架，如“人”、“事”、“物”等；

知识推理：通过基于逻辑的推理、基于图的推理和基于深度学习的推理，处理知识图谱之间关系值缺失，完成进一步的知识发现；

质量评估：可以对知识的可信度进行量化，通过舍弃置信度较低的知识来保障知识库的质量；

知识更新：在知识图谱实际应用后，将有大量数据涌入和更新，因此知识的更新是必须的，更新包括概念层的更新和数据层的更新。

通过上述步骤后完成知识图谱的构建后将人员密度、室外环境数据和所述室内环境类别输入到知识图谱中。

S80、所述知识图谱根据所述人员密度、室外环境数据和所述室内环境类别生成空调末端设备调控方案。

获取当前室外环境数据和所述空调末端设备所处室内环境人员密度以及所述图像识别模型识别得出的室内环境类别后输入到所述知识图谱中，所述知识图谱直接生成最优的空调末端设备调控方案，之后根据所述空调末端设备调控方案对空调末端设备进行精准的调整。

本发明提供了一种空调智能调控方法、系统、电子设备及存储介质，所述调控方法首先获取空调末端设备所处室内环境的环境图像；然后采用预先训练的图像识别模型对所述环境图像进行识别，判断所述空调末端设备所处的室内环境类别；之后再获取人员密度和室外环境数据并将所述人员密度和室外环境数据及所述室内环境类别输入到预先构建的知识图谱中；其中，所述人员密度为所述空调末端设备所处室内环境的人员密度；最后所述知识图谱根据所述人员密度、室外环境数据和所述室内环境类别生成空调末端设备调控方案。可以精准供能、自动恒调控制和充分利用资源达到节能效果，并提供给用户更好的用户体验。

以下以一个较优的实施例对本发明的有益效果进行说明:

采集空调末端设备应用室内环境图像构成图像数据集后对所述图像数据集中的图像进行预处理，通过暗光增强、超分辨率、去噪和去除运动模糊等方式增强图像的特征；

构建卷积神经网络对所述卷积神经网络中的参数进行初始化并设置合适的激活函数；

具体地，采用ReLU函数作为激活函数，ReLU函数公式：

ReLU使一部分神经元的输出为0，达到网络的稀疏性，减少参数的相互依存的关系，缓解过拟合的发生；

ReLU函数计算速度非常快，只需要判断输入是否大于0，而Sigmoid、tanh函数等函数，计算激活函数时包含指数运算，计算量大，反向传播求导误差梯度时，求导涉及除法，计算量相对较大。

将进行处理之后的图像数据集输入到所述卷积神经网络中，设置损失函数以及训练结束条件后开始训练，当模型的准确率大于0.98时停止训练输出训练得到的图像识别模型；

当空调启动时自动获取当前空调末端设备所处的室内环境图像并采用训练好的图像识别模型对所述室内环境图像进行识别，当识别结果为住宅主卧时将识别结果输入到预先构建的知识图谱中，同时自动获取当前空调末端设备所处室内环境的人员密度和室外环境数据；

其中，所述人员密度通过获取红外热成像设备检测的检测数据并根据所述检测数据计算所述空调所处环境的人员密度后将结果输入到空调调控系统中；所述室外环境数据通过所述空调调控系统的无线网连接功能与数据传输功能获取，通过实时获取天气预报(气象参数)来获得室外温度、室外湿度、室外光照和室外风力等数据；

知识图谱根据室内环境类别、人员密度和室外环境数据生成空调末端设备调控方案并发送给空调末端设备的控制端，空调末端设备的控制端按照所述调控方案调控空调末端设备，选择最佳的温度、湿度、风速和风向等；并且通过移动端实时监控及时的通过移动端远程调控对空调末端设备进行调整来适应环境的改变；同时还可以在室内通过手动或语音来对空调末端设备进行调控。

通过上述技术方案可以考虑到多方面的因素，精准的控制空调末端设备，提高空调末端设备的使用效果，提供更舒适的环境以及节约能源减少不必要的资源浪费，并提供给用户更好的用户体验。

基于同一发明构思，本发明实施例还提供了一种空调智能调控系统，可以用于实现上述实施例中所描述的一种空调智能调控方法，如下面实施例所述：由于该一种空调智能调控系统解决问题的原理与一种空调智能调控方法相似，因此一种空调智能调控系统的实施可以参见一种空调智能调控方法的实施，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的系统较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。

图2示出了本发明的实施例的一种空调智能调控系统的结构框图。如图2所示，所述调控系统包括：

图像获取模块20，获取空调末端设备所处室内环境的环境图像；

图像识别模块40，采用预先训练的图像识别模型对所述环境图像进行识别，判断所述空调末端设备所处的室内环境类别；

数据输入模块60，获取人员密度和室外环境数据并将所述人员密度和室外环境数据及所述室内环境类别输入到预先构建的知识图谱中；其中，所述人员密度为所述空调末端设备所处室内环境的人员密度；

方案生成模块80，所述知识图谱根据所述人员密度、室外环境数据和所述室内环境类别生成空调末端设备调控方案。

本发明实施例提供了一种空调智能调控系统，所述调控系统首先通过图像获取模块20获取空调末端设备所处室内环境的环境图像；然后图像识别模块40采用预先训练的图像识别模型对所述环境图像进行识别，判断所述空调末端设备所处的室内环境类别；之后通过数据输入模块60获取人员密度和室外环境数据并将所述人员密度和室外环境数据及所述室内环境类别输入到预先构建的知识图谱中；其中，所述人员密度为所述空调末端设备所处室内环境的人员密度；最后方案生成模块80通过所述知识图谱根据所述人员密度、室外环境数据和所述室内环境类别生成空调末端设备调控方案。通过上述技术方案可以精准供能、自动恒调控制和充分利用资源达到节能效果。

本发明实施例还提供了一种计算机电子设备，图3示出了可以应用本发明实施例的电子设备的结构示意图，如图3所示，该计算机电子设备包括，中央处理单元(CPU)301，其可以根据存储在只读存储器(ROM)302中的程序或者从存储部分308加载到随机访问存储器(RAM)303中的程序而执行各种适当的动作和处理。在RAM 303中，还存储有系统操作所需的各种程序和数据。CPU 301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。

以下部件连接至I/O接口305：包括键盘、鼠标等的输入部分306；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分307；包括硬盘等的存储部分308；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分309。通信部分309经由诸如因特网的网络执行通信处理。驱动器310也根据需要连接至I/O接口305。可拆卸介质311，诸如磁盘、光盘、磁光盘、半导体存储器等，根据需要安装在驱动器310上，以便于从其上读出的计算机程序根据需要被安装入存储部分308。

附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，所述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本发明实施例中所涉及到的单元或模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元或模块也可以设置在处理器中，例如，可以描述为：一种处理器包括图像获取模块20、图像识别模块40、数据输入模块60和方案生成模块80，其中，这些模块的名称在某种情况下并不构成对该模块本身的限定，例如，方案生成模块80还可以被描述为“所述知识图谱根据所述人员密度和室外环境数据及所述室内环境类别生成空调末端设备调控方案的方案生成模块80”。

作为另一方面，本发明还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中所述一种空调智能调控系统中所包含的计算机可读存储介质；也可以是单独存在，未装配入电子设备中的计算机可读存储介质。计算机可读存储介质存储有一个或者一个以上程序，所述程序被一个或者一个以上的处理器用来执行描述于本发明的一种空调智能调控方法。

以上描述仅为本发明的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本发明中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本发明中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。