基于关联规则挖掘的校园空调的节能研究

【摘 要】文章针对目前高校分体式空调存在管理维护不便、电能浪费严重等现象，设计了校园空调节能管理系统。该系统旨在实现校园空调的智能化管理以实现空调节能目的。在空调节能管理系统的应用基础上，应用数据挖掘技术中的关联规则挖掘技术，对空调节能管理系统采集的数据进行预处理，得到可用于关联规则挖掘的数据，运用Apriori算法得到关联规则，将关联规则运用到空调节能控制器的控制策略中以达到节能效果。

【关键词】空调；节能；关联规则；Apriori；控制策略

为了营造校园优秀的学习生活环境，近年来空调在高校的学生公寓和教学楼迅速普及，根据全国高校统计数据显示，平均空调耗电量已占据了校园总耗电量的29.3%，校园空调节能已十分的迫切和必要，校园空调节能管理系统是实现校园空调节能的必备技术之一。本文研究的重点是将关联规则挖掘应用到空调节能领域中，空调节能管理系统采集大量、准确的数据，利用关联规则挖掘出蕴含在其中隐藏的、科学的、实用的知识，并在此基础上得出最佳的节能控制策略，进一步加强空调节能效果。

一、空调节能管理系统设计

本文设计的空调节能管理系统旨在实现空调的智能化管理来实现空调节能的目标。为达到安全可靠、高效节能和方便实用的目标，本文设计了由空调节能信息服务平台和空调节能控制器两个实体结合WIFI-ZigBee无线通信来实现空调节能管理系统的系统构架：空调控制器之间的通信是通过ZigBee自组网技术实现的，它被安装在每个拥有空调的房间内，实现对室内温度和人员信息的采集及对服务器端发送来的控制命令的执行，是本系统的核心设备。空调节能控制器还可以通过WIFI模块实现与空调节能信息服务平台的服务器之间的通信；位于系统上层的是空调节能信息服务平台，它通过WIFI网络与每个房间内的空调控制器进行通信，管理员可以通过WEB浏览器向空调节能控制器发送控制命令，并将接收到的空调及房间信息存储到空调节能信息服务平台的数据库服务器中。系统架构如下图1所示。

图1 空调节能管理系统架构图

空调节能控制器主要包括主控制模块、信息采集模块、通信模块和电源模块。空调节能控制器结构组成框图如图2所示。信息采集模块包括热释电传感器、温湿度传感器，分别通过普通GPIO和I2C总线与微处理器连接。

主控制模块包括微处理器、RTC（实时时钟）、红外线发射管和LCD（液晶显示屏），处理器选择ST公司的STM32F103芯片，用来分析处理传感器采集到的信息，并通过红外线发射管实现对空调的自动控制，RTC为处理器提供实时时间信息，通过LCD可以显示当前空调工作信息。

图2 空调节能控制器结构组成框图

电源模块包括继电器和开关电源，继电器和开关电源由市电供电，市电通过继电器向空调供电，由主控制器根据分析判断控制继电器是否吸合。另外，市电通过开关电源向空调节能控制器供电。

通信模块包括庆科公司生产的EMW3280WIFI无线通信模块和Zigbee无线通信模块，通过WIFI无线通信模块与信息服务平台建立TCP链接，读取信息服务平台的控制命令交于处理器执行，并将空调工作信息上报至空调节能信息服务平台。另外，通过Zigbee无线通信模块实现同一个控制系统中的多个相同空调节能控制器之间的自组网及通信功能。

空调节能信息服务平台是整个校园空调节能系统的数据汇集中心和展示中心。其主要作用是将空调及其所在房间的信息展示给系统管理员，同时，系统管理员也可以通过信息服务平台将空调的控制命令发送到指定的空调节能控制器以实现空调的远程控制，是整个空调节能管理系统的调度中心。空调节能信息服务平台采用了基于J2EE平台的B/S（服务器/浏览器）架构。B/S架构的软件只需管理服务器即可，所有的客户端只是浏览器，对管理员来说，不需做任何的维护，且使用B/S架构的软件只需安装在Linux服务器上，安全性高，而Linux操作系统是免费的，这样又降低了成本。服务器端软件的开发我们使用了SSH（Sping MVC+Spring+Hibernate）集成框架，可提高浏览器的访问效率，进一步优化B/S架构模式的内部结构，提高了软件的可维护性。此外，运用jQuery-EasyUI框架为空调节能信息服务平台打造出功能丰富且美观的UI界面。EasyUI作为一个轻量级的UI插件，提供了常用的UI控件，如accordion，combobox，menu，dialog，tabs，tree，validatebox，window等，使得EasyUI非常简单，但是功能非常强大，让Web开发人员快速地在流行的jQuery核心和HTML5上建立程序页面，节省了开发的时间和规模。

二、基于关联规则挖掘的节能研究

关联规则挖掘[40-42]是数据挖掘中的一个很重要的课题，顾名思义，它是从数据背后发现事物之间可能存在的关联或联系。最简单的例子就是比如通过调查商场里顾客买的东西，发现30%的顾客会同时购买床单和枕套，而购买床单的人中有80%购买了枕套，这里面就隐藏了一条关联规则：

[支持度=30%，置信度=80%]

规则的支持度和置信度是两个规则兴趣度度量，它们分别反映发现规则的有用性和确定性。关联规则的支持度30%意味分析事务的30%同时购床单和枕套。置信度60%意味购买床单的顾客60%也购枕套。

关联规则挖掘的形式化描述如下：

设I={i1，i2，…，im}是项的集合。设任务相关的数据D是数据库事务的集合，其中每个事务T是项的集合，使得TI。每个事务有一个标示符，称作TID。设A是一个项集，事务T包含A当且仅当 AT。关联规则是形如AB的蕴涵式，其中AI，BI，并且AB=?。如果D中有s%的事务包含AB，则称关联规则AB在事务数据库D中具有大小为s%的支持度，它是概率P（AB）。如果D中包含项目集A的事务中有c%的事务同时也包含项目集B，则称规则AB在事务数据库D中具有大小为c%的置信度，它是条件概率P（B|A）。即：

support（AB）= P（AB） （1）

confidence（AB）=P（B|A） （2）

同时满足最小支持度阈值（min_sup）和最小置信度阈值（min_conf）的规则称作强规则。

Apriori算法[39]是R.Agrawal和R.Srikant提出的关联规则挖掘的原创性算法， 它的核心思想是使用逐层迭代来产生候选项集，即使用频繁k-项集去寻找候选（k+1）-项集。它先生成1-频繁项目集，再利用1-频繁项目集生成2-频繁项目集，然后根据2-频繁项目集生成3-频繁项目集，依次类推，直至生成所有的频繁项目集，然后从频繁项目集中找出符合条件的关联规则[42，47]。Apriori算法有一种称作Apriori的重要性质用于提高频繁项集逐层产生的效率，该性质即频繁项集的所有非空子集都必须也是频繁的[36]。Apriori算法有两个重要的步骤，连接和剪枝，其实现流程图如图3所示。

下面，本文将进行空调节能中关联规则挖掘的模型构建。本文的实验测试时间为2013年7月上旬日到2013年10月中旬，测试期间的天气主要为晴朗天气，且温度较高。每天的测试时间为8：00到20：00。本文数据的测试环境为杭州电子科技大学两个相同的房间，两个房间的基本的地理环境信息相同，室内人员分布情况基本相同，面积为20平方米左右。房间内装有KFR-35NQ型分体壁挂式家用空调器，输入功率为1070瓦。采用DZFC-1型电能综合分析仪来测试空调耗电量，这样既能够实时显示电流、电压、电源频率、功率因数、瞬时功率和电能积算值，也能每30分钟打印输出一次测试结果。同时每半个小时记录空调的设定温度、空调所在房间的室内温度、天气预报的室外温度、空调所在的房间有无人员、空调半小时的耗电量等测试数据。

由于关联规则挖掘技术需把关系数据库转化为事物数据库，对数据进行预处理[38]。我们可以删除对挖掘没用的数据字段，在原始数据中，我们选择了几个数据属性来进行关联规则挖掘，分别为“室内温度”，“室外温度”，“空调设定温度”，“空调耗电量”，“时间段”，“某一时间段内空调的耗电量”，“室内外温度差”，“空调设定温度和室内温度差”，“室内有无人员”。

图3 Apriori算法流程图

进行关联规则挖掘前我们需将数据进行离散化处理，处理的规则如下：

2.1 每天的测试时间8：00到20：00以半小时为间隔划分为24个时间段，如T1表示8：00-8：30，T2表示8：30-9：00，依次类推。

2.2 将空调开关状态记为两种，分别为开和关，记为O1（开）和O2（关）。

2.3 将室内有无人员情况记为两种，有人用Y1表示，没人用Y2表示。

2.4 室内温度分为三个级别，小于26设为A1，表示室内温度偏低，26-29设为A2，表示室内温度适宜，大于29度设为A3，表示室内温度偏高。

2.5 室外温度记为三个级别，小于等于32记为B1，表示室外温度相对较低；33-36记为B2，表示室外温度相对较高；大于等于37记为B3表示高温。

2.6 将空调设定温度分为三个级别，小于等于24记为S1，表示温度设定偏低，25-27记为S2表示温度设定适中，大于等于28记为S3表示温度设定高。当空调为关状态时空调设定温度为空调开时最后一次设定的温度。

2.7 将某一时间段内的“室内外温度差”设为三个级别，用R1表示室内外温差为0-5，表示室内外温差较小；R2表示室内外温差为6-12，表示室内外温差较大，大于等于13用R3表示，表示室内外温差巨大，室内外温度差的单位为摄氏度（℃）。

2.8 将某一时间段内的“空调设定温度与室内温度差”设为五个级别，按温差大小由小到大排列，依次记为D1到D5，如D1表示温差为0-3，D2表示室内外温差为4-6，依次类推，大于等于13记为D5，空调设定温度与室内温度差的单位为摄氏度（℃）。

2.9 每半小时内的耗电量我们设为三个区间段，按耗电量从小到大排列，依次记为E1到E3，此次划分我们将耗电量为 [0，0.2）设为E1，表示耗电量低；[0.2，0.4）记为E2，表示耗电量适中；大于等于0.4记为E3，表示耗电量较高。耗电量单位为千瓦时（kwh）。

将包含上述6个属性的数据进行预处理后得到单维的挖掘数据，部分处理后的挖掘数据如表1所示，除第一行属性名外其它每行即为一条事物项。

表1 部分处理后的挖掘数据

时间段 空调状态 有无人员 室内温度（℃） 室外温度 （℃） 空调设定温度 （℃） 室内外温度差（℃） 空调设定温度与室内温度差

（℃） 时间段内耗电量（kwh）

（℃）

T1 O1 Y1 A3 B1 S2 R1 D1 E2

T2 O1 Y1 A2 B2 S2 R1 D2 E2

T3 O1 Y1 A1 B2 S2 R2 D1 E2

T4 O1 Y1 A1 B2 S2 R3 D1 E2

T5 O1 Y1 A1 B3 S1 R3 D1 E1

T6 O1 Y1 A1 B3 S1 R3 D1 E2

T7 O1 Y1 A1 B3 S1 R3 D1 E1

T8 O2 Y2 A1 B3 S1 R3 D1 E1

T9 O1 Y1 A2 B3 S1 R3 D2 E3

T10 O1 Y1 A2 B3 S1 R3 D1 E2

T11 O1 Y1 A2 B3 S2 R3 D1 E3

T12 O1 Y1 A1 B3 S2 R3 D1 E3

T13 O1 Y1 A1 B3 S2 R3 D1 E2