温度监测的庖代模型方法与流程

1.本发明涉及一种温度预测方法，具体涉及一种温度监测的庖代模型方法。


背景技术：

2.在“节能减排，降低双碳”大工程中，其建筑能耗占能源消耗的很大比例，如何对建筑的能耗进行有效的智能监测调控以实现减少能耗是主要研究目标。如今针对此目标的通用方案是在建筑内加装温度监测装置，通过该装置监测的室内温度反馈给控制模块（例：空调管家产品），控制模块再进行智能调控。温度监测装置常采用无线温度传感器，因其使用成本低且方便，低功耗、数据传输速率高、布网容易。但采用无线温度传感器的方式存在着运维问题，具体体现在：某个房间无线温度传感器出现概率性故障导致离线时，无法及时自主调整进行温度反馈，需及时进行维护，进而影响控制模块的调控进程，造成一定的运维成本，如采用其他转换自动控制方法，其系统构成和控制方式比较复杂，成本过高。


技术实现要素：

3.本发明的目的是针对上述现有技术存在的问题，提供了一种温度监测的庖代模型方法。该温度监测的庖代模型方法能够实现将场景通用温度监测的庖代模型过度为相应一监测点的专属用温度监测的庖代模型；实现准确可靠的室温预测，预测方法简单，计算效率高。
4.本发明温度监测的庖代模型方法包括本发明温度监测的庖代模型方法的技术方案：包括如下步骤：数据收集，收集获取所需的基本数据；特征构建，对基本数据实施特征工程，构建特征；数据处理，以相应的样本抽样方式抽样，对特征工程构建的训练数据进行相应的数据处理；获取后备室温，获取温度监测装置异常离线情况下的后备室温；更新迭代，对已有场景通用温度监测的庖代模型进行更新迭代基于已有场景通用温度监测的庖代模型。
5.有益效果本发明以建筑内的空调数据为基础例，基于已有的场景通用温度监测的庖代模型，对每一个监测点进行实时的温度监测，该温度监测的庖代模型方法在某监测点内温度监测装置（如无线或有线温度传感器等物理传感器）正常运作时，实时接收其监测温度，并在通用模型的基础上不间断的进行更新迭代，实现在线学习，通过不间断的在线学习，逐渐将场景通用温度监测的庖代模型过度为该监测点的专属用温度监测的庖代模型；而在某监测点内温度监测装置离线时，即由通用温度监测模型转到专属温度监测模型预测，及时利用现有模型（专属模型）作为后备技术对室内温度进行实时监测并为控制模块提供温度反馈，可避免现有物理温度传感器元器件在室温监测存在的运维问题、而对室温监测及节能
控制模块的正常运行产生的影响，可适用于所有使用温度监测装置的场景。
附图说明
6.图1为本发明温度监测的庖代模型方法流程图。
具体实施方式
7.为更好的理解本发明，现通过实施例结合附图对本发明的技术方案进行清楚、完整地说明。
8.本发明温度监测的庖代模型方法包括：利用相应的空调室温预测系统，基于已有的场景通用温度监测的庖代模型，对每一个监测点进行实时的温度监测，该温度监测的庖代模型方法在某监测点内温度监测装置（如无线温度传感器）正常运作时，实时接收其监测温度，并在通用模型的基础上不间断的进行更新迭代，实现在线学习，逐渐将场景通用温度监测的庖代模型过度为该监测点的专属用温度监测的庖代模型；而在某监测点内温度监测装置（如无线温度传感器）离线时，及时利用现有模型作为后备技术对室内温度进行实时监测并为控制模块提供温度反馈。
9.其温度监测的庖代模型方法将场景通用温度监测的庖代模型过度为相应监测点的专属用温度监测的庖代模型；实现准确可靠的室温预测。
10.所述场景通用温度监测的庖代模型即为：使用场景下的多个、许多或全部监测点的所有数据训练出的该办公场景下的通用模型，例如，在办公场景下有100个监测点(a1,a2,...,a100)，使用这100个监测点的所有数据训练出的该办公场景下的通用模型。
11.所述专属用温度监测的庖代模型即为：使用场景下的多个、许多或全部监测点的其中某一个监测点的所有数据训练出场景下该某一个监测点的专属模型，例如，在办公场景下有100个监测点(a1,a2,...,a100)，使用a1监测点的所有数据训练出场景下a1的专属模型。
12.本发明温度监测的庖代模型方法的空调室温预测系统包括：特征工程模块、数据处理模块、室温实时预测模块、在线学习模块等。
13.其特征工程模块用于对收集的基本数据实施特征工程；数据处理模块用于对特征工程构建的训练数据样本抽样进行包括特殊异常值处理等一系列数据处理；室温实时预测模块用于实时室温预测；在线学习模块用于对已有场景通用温度监测的庖代模型进行在线学习。
14.其特征工程模块包括有开机累计时长单元、开机温度单元、空调管家温度与开机温度温差单元、以及温度变化速率单元等；其数据处理模块包括特别数据处理单元、以及数据预处理单元等；其特别数据处理单元包括去除“补零”值处理、以及去除温度跳变点处理等；其数据预处理单元包括one-hot独热化处理，以及数据规范化处理等；室温实时预测模块包括预测单元；在线学习模块包括嵌入式特征选择单元、模型构建与训练单元、以及模型优化单元。
15.本实施例温度监测的庖代模型方法具体包括如下步骤（如图1所示）：步骤s1，数据收集，从数据库中或相应的数据采集模块获取所需的基本（原始）数据信息，其数据信息包括空调状态数据信息等参数信息。其数据等可以为现有技术相关空调管理控制方式方法获取的相应特征参数数据信息。其数据处理采用长周期跨度的样本抽样的方式，样本涵盖一个完整年度（某年全年）所有监测点的采集数据，覆盖全年季节，增强长周期特征的影响。
16.步骤s2，特征构建，通过特征工程模块对步骤s1收集的基本数据实施特征工程，构建包括开机累计时长、开机温度、空调管家温度与开机温度温差、以及温度变化速率等特征；开机累计时长由于在不同场景下空调使用规律不同，例：宿舍按照使用者作息规律使用，变电站长期不停机使用。为考虑空调管家运行时长对温度的影响，引入时间维度，构建开机累计时长特征。其一种实施例中：a时刻开启空调，对应开机累计时长t为0；运行至a2时刻，对应开机累计时长t2为a2-a；运行至a3时刻，对应开机累计时长t3为a3-a；a4时刻关闭空调，则对应开机累计时长t4重置为0。
17.开机温度特征为消除空调运行时空调管家自身温度的变化(多数情况为升温)的影响，将空调管家在其一个完整工作状态内首次开机时的空调管家温度作为贯穿此完整工作状态的初始温度特征，其一种具体实施例中的完整工作状态：2：00开启空调，3：00关闭空调，则2：00~3：00的一个小时为一个完整工作状态，且，a时刻开启空调，对应开机温度k为当前空调管家温度t；运行至a2时刻，对应开机温度k2为t；运行至a3时刻，对应开机温度t3为t；a4时刻关闭空调，则对应开机温度k4重置为0。
18.空调管家温度与开机温度温差特征为考虑空调管家运行时自身温度与其开机温度的变化趋势，在一个完整工作状态（概念同上）下，记录每条数据当前空调管家温度与开机温度的差值，作为特征引入。
19.温度变化速率特征为考虑空调管家温度变化快慢对室温的影响，结合上述构造的开机累计时长和开机温度，引入温度变化速率特征，即在一个完整工作状态下（概念同上），当前时刻的空调管家温度与开机温度的差值比当前时刻的开机累计时长。其一种具体实施例中：a时刻开启空调，对应空调管家温度为t，对应开机温度k为当前空调管家温度t，对应开机累计时长l为0，则对应温度变化速率b为0；运行至a2时刻，对应空调管家温度为t2，对应开机温度k2为t,对应开机累计时长l2为a2-a，则对应温度变化速率b2为(t2-k2)/l2；运行至a3时刻，对应空调管家温度为t3，对应开机温度k3为t,对应开机累计时长l3为a3-a，则对应温度变化速率b2为(t3-k3)/l3；a4时刻关闭空调，则对应温度变化速率b4重置为0。
20.步骤s3，数据处理，对经过特征工程处理后的数据进行数据处理，其数据处理为通过数据处理模块进行包括对字符型数据独热化、数据规范范围界定、以及数据清洗等一系列数据处理：去除“补零”值处理由于空调管家的运行机制，当空调管家长时间运行时，为判断空调管家是否在正
常运行，会上报一条与最近时间完全相同的数据，但开关机状态参数为关机（简称“补零值”）。因此，去除“补零”值数据，避免数据重复。
21.去除温度跳变点等处理在一些实施例的场景，如变电站、基站等场景下，其空调一般长时间运行，因此空调管家也是长时间运行，因此空调管家监测的温度有小概率出现温度跳变现象，故把跳变数据去除。
22.数据预处理（包括one-hot独热化处理，以及数据规范化处理）对删除特殊异常值后的数据进行进一步的数据处理。使用one-hot编码对字符型特征数据进行独热化处理。对数值型数据进行数据清洗，规定空调运行参数的对应范围（例如电压、功率等），清洗超出范围的错误数据，对数据进行规范化。
23.步骤s4，获取后备室温，获取温度监测装置异常离线情况下的后备室温。即，将处理好的数据输入已有的场景通用温度监测的庖代模型，输出每个监测点实时室温预测温度，作为温度监测装置（无线温度传感器）异常离线情况下的后备室温。
24.步骤s5，更新迭代，对已有场景通用温度监测的庖代模型进行更新迭代基于已有场景通用温度监测的庖代模型。
25.其更新迭代，基于输出的每个监测点实时室温预测温度或后备室温，进行在线学习，对已有的场景通用温度监测的庖代模型不间断的更新迭代，将场景通用温度监测的庖代模型过渡为每个监测点的专属温度监测的庖代模型。
26.可通过随机森林算法模块的特征重要性接口结合拟合优度的嵌入式特征选择方法实施特征筛选，筛选出各类型建筑对应的所需特征。采取嵌入式特征选择的方式，将数据（样本集）代入原始随机森林模型进行训练及预测，通过随机森林模型的feature_important接口按照对预测结果的重要性从高到低将特征进行排序。此后，将排序后的特征逐个加入模型进行训练及预测，并使用拟合优度（r
²
）作为判定标准，自设定阈值观察每个特征加入模型后对预测效果（精确度）的提升幅度。从而达到多指标结合筛选特征的目的。具体实施：设自定义阈值为0.，若新加入的特征使得模型的预测精确度提高了0.2则将该特征选入，若新加入的特征使得模型的预测精确度提高了0.05则不将该特征选入。
27.其相应场景的特征选择：办公楼 ：开机温度、室外温度、空调管家温度、光感、即时功率、开机累计时长、温度变化速率；变电站：空调管家温度、即时功率、开机温度、开机累计时长、温度变化速率；基站：空调管家温度、开机温度、管家类型-二代柜式、设置温度、室外温度、光感、开机累计时长、温度变化速率；宿舍：空调管家温度、设置温度、开机温度、即时功率、风力等级、管家类型-二代柜式、节能开关、开机累计时长、温度变化速率；教学楼：室外温度、空调管家温度、管家类型-挂式、开机温度、光感、开机累计时长、温度变化速率。
28.步骤s6，在线学习，通过在线学习模块的模型构建与训练单元等实施模型构建与模型训练，并通过模型优化单元对模型进行优化。对每个监测点的预测模型进行训练，随后利用grid searchcv（网格搜索）对训练完的相应预测模型进行参数优化，最后使用优化（全
新）数据对模型进行测试，采用平均绝对误差、平均绝对百分误差等指标验证预测结果的精确度。
29.本发明温度监测的庖代模型方法通过特征工程的特征构建, 以特殊异常值处理的数据处理方式的相关的数据处理，将对应的数据输入已有场景通用温度监测的庖代模型,通过不间断的在线学习，逐步将场景通用温度监测的庖代模型过度为每个监测点的专属温度监测的庖代模型，实现每个监测点更高精度的室温预测。其预测方法简单，计算效率高，实施消耗低、成本低。
30.本发明主要特点在于：前期部署一个通用模型，使用通用模型进行预测，针对每个特定监测点或专属监测点，进行针对性的在线训练，经在线训练，一旦检测到物理温度传感器离线，系统立刻用庖代模型的输出作为温度传感器保持控制系统继续运行。尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
31.经测试其不同场景预测结果（效果）如下表1：表1：