1 / 49

進度報告

進度報告. Presenter : Min- chia Chang Advisor : Prof. Jane Hsu Date : 201 1 - 05 - 0 2. 大綱. 空調使用情形分析 系統架構 空調模式辨識 分析結果. 大綱. 空調使用情形分析 系統架構 空調模式辨識 分析結果. 系統架構 - 空調使用情形分析. 有無人使用 狀態. 空調使用情形 計算. 空調模式 辨識. 空調使用情形. 空調 相關資訊. 空調模式. 熱舒適溫度 計算. 熱舒適溫度 問卷. 熱舒適溫度 範圍. 室內溫度. 室內外溫度.

emory
Download Presentation

進度報告

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. 進度報告 Presenter : Min-chia Chang Advisor : Prof. Jane Hsu Date : 2011 - 05- 02

  2. 大綱 • 空調使用情形分析 • 系統架構 • 空調模式辨識 • 分析結果 NTU CSIE iAgent Lab

  3. 大綱 • 空調使用情形分析 • 系統架構 • 空調模式辨識 • 分析結果 NTU CSIE iAgent Lab

  4. 系統架構 -空調使用情形分析 有無人使用 狀態 空調使用情形 計算 空調模式 辨識 空調使用情形 空調 相關資訊 空調模式 熱舒適溫度 計算 熱舒適溫度 問卷 熱舒適溫度 範圍 室內溫度 室內外溫度

  5. 符號說明 空調模式辨識 有無人使用狀態 熱舒適溫度計算 空調使用情形計算 NTU CSIE iAgent Lab

  6. 各部份輸出 • 空調模式辨識 • 標記 • 空調模式辨識結果 • 有無人使用狀態 • 熱舒適溫度計算 • 線性方程式 • 熱舒適溫度與其範圍上下限之差距 • 結果 NTU CSIE iAgent Lab

  7. 空調使用情形計算輸出 • 意義 • 0 : 無使用者而空調開啟 • 1 : 使用者使用空調情形為過冷 • 2 : 使用者使用空調情形為過熱 • 3: 正常 NTU CSIE iAgent Lab

  8. 大綱 • 空調使用情形分析 • 系統架構 • 空調模式辨識 • 分析結果 NTU CSIE iAgent Lab

  9. 系統架構 -空調使用情形分析 有無人使用 狀態 空調使用情形 計算 空調模式 辨識 空調使用情形 空調 相關資訊 空調模式 熱舒適溫度 計算 熱舒適溫度 問卷 熱舒適溫度 範圍 室內溫度 室內外溫度

  10. 空調模式辨識 • Dataset NTU CSIE iAgent Lab

  11. 數據 : 2010-11 ~ 2011-03 NTU CSIE iAgent Lab

  12. 異常資料範例 例 : 10:20, 17,0 10:21, 16.9 10:22, 16.9 10:23, 13.2 10:24, 16.8 10:25, 16.9 …… NTU CSIE iAgent Lab

  13. 數據 : Dataset D NTU CSIE iAgent Lab

  14. 空調模式辨識 NTU CSIE iAgent Lab

  15. 實驗情境 • model • 只學習區域i的資料 • 學習每個區域的資料 • trainingdata 和 testingdata 的關係 • testing data 的資料分布狀態皆在 training data 出現 (fold) • testing data 的資料分布狀態在 training data 未出現 (實際情況) NTU CSIE iAgent Lab

  16. Fold(資料分布狀態皆出現) NTU CSIE iAgent Lab

  17. 結論1 • x=(TV, HV, TI, HI, TO, HO,AChost,ACdegree, ACspeed )對Dataset D 辨識有不錯的準確率 • 實際情況下辨識是否也有不錯的準確率? (是否實際情況下的資料分布狀態都已學到?) NTU CSIE iAgent Lab

  18. 實際情況辨識時…… • 辨識結果怪異?(e.g. : 一個月內皆辨識成同一種標記) →實際情況下的資料分布狀態與 training data 的不同 • 實驗2 : →使用2010-11當training data, 2010-12 ~2011-03當testing data NTU CSIE iAgent Lab

  19. 新的特徵值 NTU CSIE iAgent Lab

  20. 不同的特徵向量 NTU CSIE iAgent Lab

  21. 填補缺失資料 NTU CSIE iAgent Lab

  22. 填補缺失資料 NTU CSIE iAgent Lab

  23. 下一步 • 每個特徵值的數值範圍不同 • e.g. : 溫度 :0-45℃ 濕度 :0– 1 →有些特徵值可能 dominate g(x)之變化 NTU CSIE iAgent Lab

  24. 填補缺失資料+正規化 NTU CSIE iAgent Lab

  25. 填補缺失資料+正規化(比較 train/test相反) NTU CSIE iAgent Lab

  26. 實驗2之結論 • OFF(I,V) + MissingValue(Interpolation) + Normalize 可在實驗2的情況達到不錯的準確率 • 上述組合在實驗1是否也行得通? NTU CSIE iAgent Lab

  27. 學習每個區域的資料 NTU CSIE iAgent Lab

  28. 學習每個區域的資料 • 各區域11月train, 12-03月test • F1-F2 train, F3-F5 test NTU CSIE iAgent Lab

  29. 大綱 • 空調使用情形分析 • 系統架構 • 空調模式辨識 • 分析結果 NTU CSIE iAgent Lab

  30. 分析 • 即時資料 • 歷史資料 NTU CSIE iAgent Lab

  31. 分析 即時資料 :咖啡色 歷史資料 :咖啡色+紫色 • 區域(zone) • 三種空調情況 (無人但空調開啟, 過冷, 過熱) • 各種空調、有/無人狀態比例 • 周一至周日每個時段(小時)的空調情況比例 • 周間與周末每個時段(小時)的空調情況比例 • 房間(room) • 三種空調情況 • 1. 該房間每個區域的 mn= N 且 至少有一區域的 yn≠0 • 2. 在 mn=Y, yn=2 的區域中, 符合Tindoor < TcomfortableRange 的區域數大於等於 50% • 3. 在 mn=Y, yn=2 的區域中, 符合Tindoor > TcomfortableRange 的區域數大於等於 50% • 周一至周日每個時段(小時)的空調情況比例 • 周間與周末每個時段(小時)的空調情況比例 NTU CSIE iAgent Lab

  32. 即時資料 motion sensor state read from DB • calculating program • machine learning model AC waste analysis AC state predictor result of AC waste AC information AC state read from DB write to DB thermal comfort calculator thermal comfort questionnaire thermal comfort range Tindoor • Tcomfort = a × Toutdoor + b • offset of the range Toutdoor

  33. 即時資料 • 一次讀取10分鐘資訊，分析每分鐘之情況 • 情況 :{正常, 無人但空調開啟, 過冷, 過熱} • 一次讀取10分鐘是為了motion sensor的時間延遲 • NNNNYYYYYY-> NNNNYYYYYY • YYYYYYYNNN -> NNNNNNNNNN • e.g.:DB NTU CSIE iAgent Lab

  34. backup NTU CSIE iAgent Lab

  35. Display (history) • zone • percentage of each state (ac, motion) during a period • percentage of each waste situation during a period (previous) • from Monday to Sunday, the count of each waste situation for each time interval (hour) • room • percentage of each waste situation during a period • 1.every zone in the room that mn= 0 and there exists at least one zone that yn≠0 • 2. within the zones (mn=1, yn=2), calculate number of the zones that conform to Tindoor<TcomfortableRange more than50%or not • 3. within the zones (mn=1, yn=2), calculate number of the zones that conform to Tindoor>TcomfortableRange more than50%or not • from Monday to Sunday, the count of each waste situation for each time interval (hour) NTU CSIE iAgent Lab

  36. Condition of AC waste • waste situation • mn = no and (yn = 1 or yn = 2) • mn = yes and yn = 2 and Tindoor < TcomfortableRange • mn = yes and yn = 2 and Tindoor > TcomfortableRange NTU CSIE iAgent Lab

  37. backup NTU CSIE iAgent Lab

  38. 純正規化 NTU CSIE iAgent Lab

  39. 地點 • 區域 (zone, 18區) • R104_1, R104_2, R104_3, R104_4 (教室) • R204_1, R204_2, R204_3, R204_4, R204_5, R204_6(電腦教室) • R318_1(教授研究室) • R324_1, R324_2(研討室) • R336_1, R336_2(實驗室) • R439_1(研討室) • R521_1, R521_2(研討室) • 房間(room, 7間) • R104, R204, R318, R324, R336, R439, R521 NTU CSIE iAgent Lab

  40. 歷史資料 有標註(label)的資料 一月, 二月, 三月 Another testing data Dataset one AC state predictor AC information collector error prediction NTU CSIE iAgent Lab

  41. 遇到的問題 Q : 空調狀態預測錯誤 解1: 標註更多資料增加 training dataset,但仍預測錯誤…… 解2 : 將各區域分開 train and test,但仍預測錯誤…… 解3: 刪除 noise,但仍預測錯誤…… NTU CSIE iAgent Lab

  42. 解3: 刪除 noise,但仍預測錯誤 例 : 10:20, 17,0 10:21, 16.9 10:22, 16.9 10:23, 13.2 10:24, 16.8 10:25, 16.9 …… NTU CSIE iAgent Lab

  43. 遇到的問題 Q : 空調狀態預測錯誤 解1: 標註更多資料增加 training dataset,但仍預測錯誤…… 解2 : 將各區域分開 train and test, ,但仍預測錯誤…… 解3: 刪除 noise,但仍預測錯誤…… 解4: 重新檢視有標註的資料，發現…… NTU CSIE iAgent Lab

  44. 解4: 重新檢視有標註的資料 1.有些區域的送風與冷氣的出風口資料太相似(幾乎一樣): • 送風 : (9-10 ℃,60-64%) • 冷氣 :(8.7-9.8℃,60-66%) →把這些區域的送風也標註成冷氣 →yn={0,2} NTU CSIE iAgent Lab

  45. 解4: 重新檢視有標註的資料 2.同區域不同狀態的資料範圍在不同氣候下會重複 • 例 : 此例天氣冷-關 與天氣適中-開 的溫度一樣 testing data : (15, 75%) →model 會接著按照溼度部分去分 => 天氣適中-開 (卻分成天氣冷-關) 原因 :1. 溫度 dominate 2.training data 中，天氣冷的資料較多 NTU CSIE iAgent Lab

  46. 解法 testing data : (15, 75%) 解法 :normalization [0,1] testing data : (0.5, 0.875) → (天氣適中) 開 註 :normalization後，testing data <0 or >1 的情況? NTU CSIE iAgent Lab

  47. 空調預測現況 • 各區域分開 train and test • 內插 • Feature : • 溫溼度 • 溫溼度差(室內, 室外) • 溫溼度差(室內, 出風口) • normalization [0,1] → 預測正確 • 之後 : 用上述程序, 加上地點的feature, 各區域標註的資料學一個model(例:16區train, 2區test) NTU CSIE iAgent Lab

  48. 系統架構 - 高(異常)用電因素找尋 clustering analysis result of clustering power consumption Of AC reasons for high AC’s power consumption data association many possible reasons …… NTU CSIE iAgent Lab

  49. 問題定義 : 高(異常)用電因素找尋 • clustering analysis: • input : 空調冰水主機耗電(小時) • output :用電分群結果 , PAC = { 低, 中, 高 } • data association: • input : PAC, 許多可能的因素(例 : context data, 各sensor量測到的狀態 ……) • output : 高用電因素 NTU CSIE iAgent Lab

More Related