用于控制操作的系统和方法技术方案

用于为居住者控制装置的操作的系统和方法。处理器在初始化时段期间迭代地训练个性化热舒适模型(PTCM)。接收一系列未标记实时数据。当与所接收的未标记数据相似的所存储的历史标记数据(LD)的标签与新的未标记数据上的预测的标签之间的不一致超过阈值时，发送器请求居住者标记未标记数据实例。响应于接收到标记数据，与历史LD相比，处理器使用个性化LD的不同权重来训练PTCM。使用历史数据库和更新的个性化数据库来重新训练PTCM。控制器基于重新训练的PTCM来控制一组装置。

【技术实现步骤摘要】
【国外来华专利技术】用于控制操作的系统和方法
本公开总体上涉及加热、通风和空调(HVAC)系统，更具体地，涉及诸如温度设定点和HVAC系统所传送的潜热量的可调节设置的自动定制，以便使空间内的居住者的热舒适最大化，并使HVAC系统能耗最小化。
技术介绍
诸如办公室和住宅建筑的环境中的传统HVAC系统是全世界最大的能源消耗者，据估计消耗了超过40％的全部能源。这是由于现代社会中对室内气候调节的高度重视以及其对人们的生产力和幸福感的影响。然而，利用传统HVAC系统连续维持热舒适目前以不够理想且效率低的方式实现，这主要是因为建筑居住者与HVAC系统之间的主要通信方式非常原始。大多数情况下，与传统HVAC系统的通信通过壁式恒温器或遥控装置进行，其目的是打开或关闭设备以及设定温度设定点。开/关开关指示何时需要服务以及何时不需要服务。温度设置是根据建筑居住者的需要和热条件指示期望的热舒适度的方式。例如，当办公室职员在寒冷的冬天长时间静坐在办公桌前时，职员可能由于较低的代谢率而感觉寒冷，并且通过增加温度设定点来请求进一步加热。类似地，当体力劳动者在炎热潮湿的夏天进行重体力劳动时，工人可能感觉非常热，并且可通过降低温度设定点来请求进一步冷却。原则上，只要可能，传统HVAC控制(开/关开关和温度设定点)应该能够提供热舒适。然而，实际上，由于多种原因，这几乎不会发生。至少一个原因在于温度设定点的不断手动重新调节是不切实际的，对于大多数建筑居住者而言将大大分散注意力。例如，在真实生活中，仅当室内气候变得极其不舒适时，才发生这种重新调节，这导致建筑居住者不满意或生产力低下。传统HVAC不断手动重新调节温度设定点不切实际的另一原因在于，即使当居住者愿意调节温度设定点时，除其它原因外，居住者也很少知道最优值是多少。如上所述，该值很大程度上取决于当前体力活动水平(代谢率)、空气湿度、居住者所穿的衣服以及房间中的其它对象所辐射的辐射热量，以及外部热源(例如，太阳)。ISO7730和ASHRAE55中示出了用于预测居住者的热舒适的模型，然而，对于建筑居住者正确地确定最优温度而言这些模型不切实际。例如，这些模型仅提供确定所需校正的符号(例如，温度升高或降低)，稍后需要进一步校正，代价是建筑居住者浪费更多时间以及工作分散注意力。在许多问题当中，这些模型的另一问题是过度校正是频繁观测到的现象，使得当居住者感觉寒冷时，居住者决定解决寒冷感觉常常导致选择不必要地高的温度设定点，这导致室温来到另一不舒适状态，使得居住者感觉太热。同样，这些模型给建筑居住者带来差的体验，导致建筑居住者甚至浪费更多时间以及工作分散注意力的代价。传统HVAC不断手动重新调节温度设定点不切实际的另一原因是传统HVAC系统的热舒适温度传感器的非最优调节。例如，传统HVAC传感器位于HVAC装置/系统本身，并且在进入HVAC装置的进口之前测量回流空气的温度。这带来许多问题，例如，至少一个问题是建筑居住者通常对该位置处(即，传统HVAC系统的进口处)的空气温度不感兴趣。相反，居住者需要建筑内其特定位置处的舒适温度。由于居住者位置通常远离传统HVAC装置，并且建筑区域中存在显著温度梯度，所以由传统HVAC装置感测并调节的空气温度不同于特定建筑区域的居住者所体验的温度。导致建筑居住者不舒适并请求或手动调节特定建筑区域环境，这又浪费了时间并分散了居住者的工作注意力以及增加能源成本。另一传统热舒适监测器包括监测装置，其尝试从传感器测量确定房间中的实际舒适度(Vass等人的美国8,700,227)。然而，Vass模型存在问题，例如，许多问题当中的至少一个问题在于，在居住者所在的区域中感测测量。在许多方面当中，Vass模型在至少一个方面是失败的，因为所感测的测量不是特定居住者的，不是居住者(即，他/她在房间内的条件和/或位置)处的。尚未解决的其它传统热舒适模型问题包括处于多个居住者共享同一房间(即，气候条件)的建筑环境中。例如，由于多个居住者占据相同的热控制HVAC区域，所以这多个居住者在调节气候控制方面受到限制。一些问题导致这样多个居住者共享空间，使得许多居住者由于温度太热或太冷而明显不舒适。传统热舒适模型的其它问题包括HVAC系统对空区域或未占据区域(例如，会议室和实验室)的热调节。空区域的这种热调节导致显著的费用和资源浪费。即使当区域被占据时，传统热舒适模型在确定可满足当前一组居住者的最优温度设定点方面也非常有挑战性。因此，需要为空间内的居住者实现更好的热舒适以及更好的HVAC性能等。例如，要解决的一些需求包括控制HVAC设备的自动化方法，其能够使一个或更多个区域居住者的热舒适最大化。其中可识别区域内的各个居住者具有自己的特定偏好，而无需与HVAC装置的过多手动交互，同时能够利用能源效率。
技术实现思路
本公开涉及提供用于可调节设置(例如，温度设定点和HVAC系统所传送的潜热量)的自动定制的系统和方法，以便使空间内的居住者的热舒适最大化，并使HVAC系统能耗最小化。本公开的一些实施方式基于这样的认识：根据描述空调环境中的居住者的热舒适的热舒适模型来控制加热、通风和空调(HVAC)系统是有利的。例如，热舒适的一些本公开的实施方式将居住者的热舒适与居住者的生物特征数据和环境内条件的数据相关联。通过实验，这些本公开的热舒适实施方式/模型还在降低HVAC系统的能耗的同时优化环境的居住者的热舒适。然而，在实验期间，这些热舒适实施方式/模型的创建必须克服许多挑战。例如，本公开的一些实施方式认识到创建描述环境内的一群人的平均热舒适的热舒适模型的能力。然而，通过实验得知，这些热舒适模型依赖于估计平均用户的平均热舒适，其随后未能准确地预测特定用户和/或特定用户群在空调环境中的舒适。具体地，该平均热舒适模型被证明对于特定用户和/或空调环境的居住者的需求不是个性化的。本公开的一些实施方式认识到基于居住者自己所提供的信息来创建环境的居住者的个性化热舒适模型的能力。然而，从实验得知，这些个性化热舒适模型的创建需要在不同环境条件下来自居住者的关于舒适度的标记数据。另外从实验得知，尝试获得这种标记数据是要克服的挑战性任务。如本文所使用的，短语标记数据可被称为数据集，其中各个数据点可利用感兴趣的一些标签来标记。例如，至少一个温度传感器的温度测量的各个值可与用户/居住者感觉关联，包括寒冷舒适范围、凉爽舒适范围、舒服舒适范围、温暖舒适范围和炎热舒适范围。如果用户针对各个值报告了他/她的感觉，则数据集被完全标记。如果用户报告了他/她的感觉一次或两次，则数据集可仅包括一个或两个标记的示例，并且仅被部分标记。要标记的数据的示例可包括居住者的生物特征数据(例如，居住者的生命体征)和环境数据(例如，空调环境中的温度、湿度、气流)的各种组合。在许多情况下，获得未标记数据实例的这些数据测量不具有挑战性。例如，生物特征数据可通过用户所穿戴的可穿戴装置(例如，智能手表)来测量，而环境数据也可通过可穿戴装置和/或安装在环境中的各种传感器来测量。为此，在创建个性化热舒适模型时，当各个单独本文档来自技高网...

【技术保护点】
1.一种用于为居住者控制一组装置的操作的系统，该系统包括：/n存储器，该存储器将包括标记数据的历史数据存储在历史数据库中，其中，所述标记数据的各个实例指示至少一个居住者在至少一个环境的不同条件下的热舒适度；/n硬件处理器，该硬件处理器在初始化时段期间迭代地训练存储在所述存储器中的个性化热舒适模型；/n输入接口，该输入接口接收一系列未标记实时数据，所述一系列未标记实时数据包括所述居住者的生物特征数据的测量、所述居住者所在的环境中的环境数据的测量、或者这二者；/n发送器，当与所接收的未标记数据相似的所存储的历史标记数据的标签与未标记数据实例的预测的标签之间的不一致超过预定不一致阈值时，该发送器请求所述居住者标记未标记数据实例，/n其中，响应于标记所述未标记数据实例，所述硬件处理器将所标记的未标记数据实例作为个性化标记数据存储在所述存储器中的个性化标记数据库中，并且与所存储的历史标记数据相比使用所存储的个性化标记数据的不同权重来训练所述个性化热舒适模型，并且对于所述初始化时段期间的各个迭代，利用所述个性化标记数据来更新所述个性化标记数据库，并且使用所述历史数据库和所更新的个性化数据库来重新训练所述个性化热舒适模型；以及/n控制器，该控制器基于重新训练的个性化热舒适模型来控制所述一组装置。/n...

【技术特征摘要】
【国外来华专利技术】20180205 US 15/888,1721.一种用于为居住者控制一组装置的操作的系统，该系统包括：
存储器，该存储器将包括标记数据的历史数据存储在历史数据库中，其中，所述标记数据的各个实例指示至少一个居住者在至少一个环境的不同条件下的热舒适度；
硬件处理器，该硬件处理器在初始化时段期间迭代地训练存储在所述存储器中的个性化热舒适模型；
输入接口，该输入接口接收一系列未标记实时数据，所述一系列未标记实时数据包括所述居住者的生物特征数据的测量、所述居住者所在的环境中的环境数据的测量、或者这二者；
发送器，当与所接收的未标记数据相似的所存储的历史标记数据的标签与未标记数据实例的预测的标签之间的不一致超过预定不一致阈值时，该发送器请求所述居住者标记未标记数据实例，
其中，响应于标记所述未标记数据实例，所述硬件处理器将所标记的未标记数据实例作为个性化标记数据存储在所述存储器中的个性化标记数据库中，并且与所存储的历史标记数据相比使用所存储的个性化标记数据的不同权重来训练所述个性化热舒适模型，并且对于所述初始化时段期间的各个迭代，利用所述个性化标记数据来更新所述个性化标记数据库，并且使用所述历史数据库和所更新的个性化数据库来重新训练所述个性化热舒适模型；以及
控制器，该控制器基于重新训练的个性化热舒适模型来控制所述一组装置。


2.根据权利要求1所述的系统，其中，所述个性化热舒适模型是回归函数、神经网络、分类器或支持向量机中的一个或组合。


3.根据权利要求1所述的系统，其中，在将所述个性化热舒适模型存储在所述存储器中之前，利用所述历史标记数据和迁移学习算法来将所述个性化热舒适模型初始化。


4.根据权利要求1所述的系统，其中，所述个性化热舒适模型在被存储在所述存储器中之前基于所述个性化热舒适模型相对于所存储的历史标记数据的正则化来被迭代预训练，这限制了在所述初始化时段期间用于训练所述个性化热舒适模型的搜索空间。


5.根据权利要求1所述的系统，其中，所述个性化热舒适模型的权重对应于包括回归函数、神经网络、分类器、支持向量机中的一个的机器学习模型的参数。


6.根据权利要求1所述的系统，其中，所述居住者标记的数据的测量包括受所述一组装置控制的受控参数以及不受所述一组装置控制的参数。


7.根据权利要求6所述的系统，其中，所述受控参数包括温度、湿度或空速中的一个或组合，并且非受控参数包括心率、皮肤温度、皮肤电反应、高度计读数、陀螺仪读数、加速度计读数、光级指示器或衣服传感器中的一个或组合。


8.根据权利要求6所述的系统，其中，如下根据所训练的个性化热舒适模型优化所预测的所述居住者的热舒适度来确定所述受控参数：
在该实时数据实例内将非受控参数和所述受控参数分组，
使用优化方法来确定所述受控参数的各个受控参数的值，以使得所得的个性化热舒适模型根据热舒适等级输出使所述居住者的舒适最大化的所预测的所述居住者的热舒适度，并且
然后，所述控制器根据一组最优受控参数中的至少一个参数来引导所述一组装置。


9.根据权利要求1所述的系统，其中，所述个性化热舒适模型的训练基于归纳迁移学习算法，该归纳迁移学习算法是一种用于回归方法的机器学习，该归纳迁移学习算法使用所存储的历史标记数据和个性化标记数据，使得所有个性化标记数据被假设为不可访问或未知。


10.根据权利要求1所述的系统，其中，所述个性化热舒适模型的迭代训练使用所述实时数据和主动学习算法，使得所述迭代训练继续，直至所述个性化热舒适模型的准确度高于阈值为止，然后所述个性化热舒适模型的所述迭代训练仅利用所接收的居住者标记的实时数据来训练。


11.根据权利要求1所述的系统，其中，所述实时数据是实时接收的数据，使得所接收的所述居住者的生物特征数据的测量包括心率、皮肤温度、皮肤电反应、高度计读数、陀螺仪读数、加速度计读数、光级指示器或衣服传感器中的一个或组合。


12.根据权利要求1所述的系统，其中，所述居住者是所述一组装置的用户，并且经由电子装置或可穿戴电子装置来控制所述一组装置。


13.一种为居住者控制一组装置的操作的方法，该方法包括以下步骤：
使用...

【专利技术属性】
技术研发人员：E·拉夫特切夫，A·纳塔拉扬，
申请(专利权)人：三菱电机株式会社，
类型：发明
国别省市：日本;JP