一种室内温湿度和光线控制方法及系统技术方案

本发明专利技术公开了一种室内温湿度和光线控制方法及系统，属于通信领域，通过实时采集室内温湿度和光线强度，分别通过窗帘开度模型和空调温度调控模型进行处理，得到具体的窗帘开度值和空调温度值，再通过湿度数据，得到具体的湿度值，通过具体的窗帘开度值、空调温度值和湿度值，实现对空调和窗帘的精确调控，解决了现有技术存在缺乏统一的自动室内温湿度和光线控制方法的问题。线控制方法的问题。线控制方法的问题。

【技术实现步骤摘要】
一种室内温湿度和光线控制方法及系统


[0001]本专利技术属于通信
，具体涉及一种室内温湿度和光线控制方法及系统。

技术介绍

[0002]普通空调通常提供了设定温度以及排湿的功能，空调以设定温度为目标进行运行。窗帘通过人手动可以调节或设定窗帘开度。但是通过人手动调节空调温度或者窗帘，需要人随时根据室内环境的变化情况去对空调或窗帘进行设定，但人对温度和光照感知是较迟钝的，甚至不能直接感知到湿度情况，从而导致室内人员感到忽冷忽热、光线忽明忽暗，缺乏统一的自动室内温湿度和光线控制方法。

技术实现思路

[0003]针对现有技术中的上述不足，本专利技术提供的一种室内温湿度和光线控制方法及系统解决了现有技术存在缺乏统一的自动室内温湿度和光线控制方法的问题。
[0004]为了达到上述专利技术目的，本专利技术采用的技术方案为：一种室内温湿度和光线控制方法，包括以下步骤：
[0005]S1、采集并预处理室内温湿度和光线强度，得到预处理后的温度数据、湿度数据和光线强度数据；
[0006]S2、采用窗帘开度模型处理光线强度数据，得到窗帘开度值；
[0007]S3、采用空调温度调控模型处理温度数据，得到空调温度值；
[0008]S4、根据湿度数据，得到湿度值；
[0009]S5、根据空调温度值、窗帘开度值和湿度值分别对空调和窗帘进行调控。
[0010]本专利技术方法的有益效果为：通过实时采集室内温湿度和光线强度，分别通过窗帘开度模型和空调温度调控模型进行处理，得到具体的窗帘开度值和空调温度值，再通过湿度数据，得到具体的湿度值，通过具体的窗帘开度值、空调温度值和湿度值，实现对空调和窗帘的精确调控，解决了现有技术存在缺乏统一的自动室内温湿度和光线控制方法的问题。
[0011]进一步地，所述步骤S1包括以下分步骤：
[0012]S11、采集室内温湿度和光线强度，得到初始温度数据、初始湿度数据和初始光线强度数据；
[0013]S12、对初始温度数据、初始湿度数据和初始光线强度数据分别采用限幅滤波去除异常值，得到第一次滤波温度数据、第一次滤波湿度数据和第一次滤波光线强度数据；
[0014]S13、采用滑动均值滤波对第一次滤波温度数据、第一次滤波湿度数据和第一次滤波光线强度数据分别进行再次滤波，得到预处理后的温度数据、湿度数据和光线强度数据。
[0015]上述进一步地方案的有益效果为：通过第一次滤波，剔除超幅度值，通过第二次滤波使得整体数据符合实际温度、湿度和光线强度走向，排除个别异常值的影响。
[0016]进一步地，所述步骤S13中滤波公式为：
[0017][0018]其中，χ为滤波后的温度数据、湿度数据或光线强度数据，x
new
为滑动均值滤波滑动块中的最新数据，x
med
为滑动均值滤波滑动块中的中值数据，x
max
为最大的第一次滤波温度数据、第一次滤波湿度数据或第一次滤波光线强度数据，x
min
为最小的第一次滤波温度数据、第一次滤波湿度数据或第一次滤波光线强度数据，x
i
为滑动均值滤波滑动块中第i个第一次滤波温度数据、第一次滤波湿度数据或第一次滤波光线强度数据，N为滑动块的长度，χ
′
为上一次滤波后的第一次滤波温度数据、第一次滤波湿度数据或第一次滤波光线强度数据。
[0019]上述进一步地方案的有益效果为：将最新数据与中值数据的差距作为权重，并以滑动块中的中值数据为基础，考虑滑动块中所有数据和上一次滤波后χ
′
的影响，综合对当前输入的最新数据进行滤波，使滤波后的数据保持真实数据的整体趋势，达到滤除异常值的效果。
[0020]进一步地，所述步骤S2中窗帘开度模型采用训练完成后的BP神经网络。
[0021]进一步地，所述训练时BP神经网络权重更新公式为：
[0022][0023][0024][0025]其中，w
t+1
为第t+1次训练的BP神经网络权重，w
t
为第t次训练的BP神经网络权重，η
′
t
为第t次训练的BP神经网络第一步长，η
′
t
‑1为第t
‑
1次训练的BP神经网络第一步长，η
″
t
为第t次训练的BP神经网络第二步长，L为损失函数，y
t
为第t次训练的BP神经网络输出，y
*
为训练过程的窗帘目标开度值，α为调节因子，th为误差阈值。
[0026]上述进一步地方案的有益效果为：以误差阈值th作为恒定训练情况的界限，在初期y
t
‑
y
*
差值大，因此，采用第一步长公式对步长进行更新，使其随训练次数而增加步长量，使得权重快速下降，同时，设置调节因子去调节权重下降程度；在训练后期y
t
‑
y
*
差值小，因此，采用第二步长公式对步长进行更新，使其随训练次数而减少步长量，同时，通过去修正减少步长量的程度，使其在差值小时，步长小，在差值大时，步长大，逐步逼近目标值。
[0027]进一步地，所述步骤S3具体为：将空调温度调控模型输出的温度数据与当前室内采集的温度数据的差值输入空调温度调控模型中，得到用于调控空调温度的空调温度值。
[0028]上述进一步地方案的有益效果为：空调温度调控模型输出的温度数据与当前室内中的温度存在温差，因此，若仅以空调温度调控模型输出的温度数据调控空调温度调控模
型输出的温度数据，则会使得室内空间温度很难保持恒定，常处于波动状态，因此，要通过空调温度调控模型输出的温度数据与当前室内中的温度数据的差值作为空调温度调控模型的输入，从而，调控空调温度调控模型输出的温度数据，使得室内温度保持恒定。
[0029]进一步地，所述步骤S3中空调温度调控模型为：
[0030][0031]其中，y
j
为用于调控空调温度的空调温度值，为第j次的空调温度调控模型输出的温度数据与第j次室内采集的温度数据差值，为第j
‑
1次的空调温度调控模型输出的温度数据与第j
‑
1次室内采集的温度数据差值，J为差值数量，θ1为第一权重参数，θ2为第二权重参数，θ3为第三权重参数。
[0032]上述进一步地方案的有益效果为：第一权重参数θ1与第j次的空调温度调控模型输出的温度数据与第j次室内采集的温度数据差值相乘用于衡量差值与空调温度值y
j
比例情况，将多个历史差值累加并乘以第二权重参数θ2，用于使得空调温度值y
j
稳定，通过来反应差值变化趋势，加快反应速度。
[0033]进一步地，采用GA遗传算法对第一权重参数θ1、第二权重参数θ2和第三权重参数θ3进行训练。
[0034]上述进一步地方案的有益效果为：第一权重参数θ1本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种室内温湿度和光线控制方法，其特征在于，包括以下步骤：S1、采集并预处理室内温湿度和光线强度，得到预处理后的温度数据、湿度数据和光线强度数据；S2、采用窗帘开度模型处理光线强度数据，得到窗帘开度值；S3、采用空调温度调控模型处理温度数据，得到空调温度值；S4、根据湿度数据，得到湿度值；S5、根据空调温度值、窗帘开度值和湿度值分别对空调和窗帘进行调控。2.根据权利要求1所述的室内温湿度和光线控制方法，其特征在于，所述S1包括以下分步骤：S11、采集室内温湿度和光线强度，得到初始温度数据、初始湿度数据和初始光线强度数据；S12、对初始温度数据、初始湿度数据和初始光线强度数据分别采用限幅滤波去除异常值，得到第一次滤波温度数据、第一次滤波湿度数据和第一次滤波光线强度数据；S13、采用滑动均值滤波对第一次滤波温度数据、第一次滤波湿度数据和第一次滤波光线强度数据分别进行再次滤波，得到预处理后的温度数据、湿度数据和光线强度数据。3.根据权利要求2所述的室内温湿度和光线控制方法，其特征在于，所述S13中滤波公式为：其中，χ为滤波后的温度数据、湿度数据或光线强度数据，x
new
为滑动均值滤波滑动块中的最新数据，x
med
为滑动均值滤波滑动块中的中值数据，x
max
为最大的第一次滤波温度数据、第一次滤波湿度数据或第一次滤波光线强度数据，x
min
为最小的第一次滤波温度数据、第一次滤波湿度数据或第一次滤波光线强度数据，x
i
为滑动均值滤波滑动块中第i个第一次滤波温度数据、第一次滤波湿度数据或第一次滤波光线强度数据，N为滑动块的长度，χ
′
为上一次滤波后的第一次滤波温度数据、第一次滤波湿度数据或第一次滤波光线强度数据。4.根据权利要求1所述的室内温湿度和光线控制方法，其特征在于，所述S2中窗帘开度模型采用训练完成后的BP神经网络。5.根据权利要求4所述的室内温湿度和光线控制方法，其特征在于，所述训练时BP神经网络权重更新公式为：网络权重更新公式为：网络权重更新公式为：
其中，w
t+1
为第t+1次训练的BP神经网络权重，w
t
为第t次训练的BP神经网络权重，η
′
t
为第t次训练的BP神经网络第一步长，η
′
t
‑1为第t
‑
1次训练的BP神经网络第一步长，...

【专利技术属性】
技术研发人员：王勇飞，何波，何海锋，胡仲明，谢昆均，罗小晶，
申请(专利权)人：成都大汇物联科技有限公司，
类型：发明
国别省市：