一种防凝露控制方法及装置与流程

本发明涉及空气调节领域，尤其涉及一种防凝露控制方法及装置。

背景技术：

随着人们生活水平的提高，空调设备已逐渐在各种场合得到了广泛的使用。空调运行过程中的凝露现象也引起了制造商及用户等各方的关注。尤其在夏季制冷时，当辐射表面的温度降低至露点温度以下时，墙壁或其他设备设施的表面凝露现象更为突出显著。

目前，为减轻凝露现象对电气设备及其他设施的损坏，通常利用室内温控器监测湿度，在室内辐射温度不变且大气压不变的条件下，当湿度增大时会导致露点温度t1的升高，一旦在t时刻得知露点温度t1大于等于辐射面温度t2，则切断辐射面冷源(比如，关闭辐射面水路)，暂停制冷，从而使辐射面温度向远离露点温度的方向移动，经过时间δt之后迫使室内辐射面温度升高至大于露点温度，减小凝露风险及其损失。

然而，现有的缓解凝露的措施，由于是在温度条件达到凝露条件时触发切断辐射面冷源，这样一来，即便切断了冷源，由于系统的响应及室内辐射面温度的升高均需要一定的时间，并无法有效削弱凝露风险，仍较容易产生凝露现象。

技术实现要素：

本发明提供一种防凝露控制方法及装置，以解决现有技术中对凝露现象削弱效果较差的问题。

为了解决上述技术问题，本发明是这样实现的：

一种防凝露控制方法，所述方法包括：

获取实时湿度数据集；

针对所述实时湿度数据集执行斜率方差处理提取目标行为特征；

将所述目标行为特征输入预设行为特征库，计算所述目标行为特征属于预设行为特征的类别概率；

当所述目标行为特征为待控制用户行为特征时，控制关闭辐射冷源，其中，所述待控制用户行为特征为所述预设行为特征中代表的凝露风险高的行为特征。

可选的，所述针对所述实时湿度数据集执行斜率方差处理提取目标行为特征，包括：

根据所述实时湿度数据集绘制湿度随时间变化的关系曲线；

计算所述关系曲线中所述实时湿度数据集的各数据点的斜率；

根据所述斜率计算各数据点的斜率平方；

对所述斜率平方滑动预设项数累加得到斜率平方累加和；

筛选所述斜率平方累加和大于预设阈值的数据形成目标行为数据集，其中，所述目标行为数据集表征所述目标行为特征。

可选的，在所述获取实时湿度数据集之前还包括：

获取历史湿度数据集；

通过行为特征分析对所述历史湿度数据集进行训练，建立预设行为特征库，其中，所述预设行为特征库中包括多种不同的用户行为，所述用户行为为引起室内湿度变化的行为。

可选的，所述通过行为特征分析对所述历史湿度数据集进行训练，建立预设行为特征库包括：

对所述历史湿度数据集执行所述斜率方差处理生成历史行为数据集；

对所述历史行为数据集执行聚类划分生成各个数据簇，所述各个数据簇代表不同的用户行为；

为所述各个数据簇添加行为标签建立预设行为特征库。

本发明还提供了一种防凝露控制装置，所述装置包括：

实时数据获取模块，用于获取实时湿度数据集；

提取模块，用于针对所述实时湿度数据集执行斜率方差处理提取目标行为特征；

计算模块，用于将所述行为特征输入预设行为特征库，计算所述目标行为特征属于预设行为特征的类别概率；

控制模块，用于当所述目标行为特征为待控制用户行为特征时，控制关闭辐射冷源，其中，所述待控制用户行为特征为所述预设行为特征中代表的凝露风险高的行为特征。

可选的，所述提取模块包括：

绘制子模块，用于根据所述实时湿度数据集绘制湿度随时间变化的关系曲线；

斜率计算子模块，用于计算所述关系曲线中所述实时湿度数据集的各数据点的斜率；

斜率平方计算子模块，用于根据所述斜率计算各数据点的斜率平方；

累加子模块，用于对所述斜率平方滑动预设项数累加得到斜率平方累加和；

筛选子模块，用于筛选所述斜率平方累加和大于预设阈值的数据形成目标行为数据集，其中，所述目标行为数据集表征所述目标行为特征。

可选的，所述装置还包括：

历史数据获取模块，用于获取历史湿度数据集；

训练模块，用于通过行为特征分析对所述历史湿度数据集进行训练，建立预设行为特征库，其中，所述预设行为特征库中包括多种不同的用户行为，所述用户行为为引起室内湿度变化的行为。

可选的，所述训练模块包括：

数据集生成子模块，用于对所述历史湿度数据集执行所述斜率方差处理生成历史行为数据集；

数据簇生成子模块，用于对所述历史行为数据集执行聚类划分生成各个数据簇，所述各个数据簇代表不同的用户行为；

建立子模块，用于为所述各个数据簇添加行为标签建立预设行为特征库。

可选的，所述装置还包括：

与现有技术相比，本发明至少具有以下优点：

本发明提供的一种防凝露控制方法及装置，对实时湿度数据集通过斜率方差处理提取其中的目标行为特征，将目标行为特征输入预设行为特征库中，可得到目标行为特征属于预设行为特征的类别概率，从而得知实时湿度数据集所代表的用户行为，当目标行为特征为待控制用户行为特征时，可认为用户行为产生凝露的风险较大，可指导控制关闭辐射冷源，从而基于用户行为触发防凝露的措施，避免了传统控制方式对凝露现象削弱效果较差的问题。

附图说明

图1是本发明实施例提供的一种防凝露控制方法的流程图；

图2是本发明实施例提供的又一种防凝露控制方法的流程图；

图3是本发明实施例中湿度随时间变化的曲线示意图；

图4是本发明实施例经过k-means聚类算法分类的结果的示意图；

图5是本发明实施例提供的一种防凝露控制装置的结构框图；

图6是本发明实施例提供的又一种防凝露控制装置的结构框图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。

下面通过列举几个具体的实施例详细介绍本发明提供的一种空调控制系统。

实施例一

参照图1，本发明提供了一种防凝露控制方法，所述方法包括：

步骤101，获取实时湿度数据集。

具体而言，由于通常情况下，空调设备以某一恒定温度运行制热或制冷，因此，辐射温度基本稳定不变，并且室内大气压也不会变化，当湿度增大时会导致露点温度的升高，相对而言，即辐射温度与露点温度之间的差距缩小，两者愈加靠近，凝露风险会增大，因而在本方法中由设备中的温控器实时采集室内的湿度数据作为实时湿度数据集，比如，以8点到10点的每间隔1分钟的湿度数据作为实时湿度数据集，基于湿度数据用于预测用户行为，进行防凝露的控制。

步骤102，针对所述实时湿度数据集执行斜率方差处理提取目标行为特征。

具体而言，由于获取到的实时湿度数据代表了某一段时间的湿度数据，该段时间内并不一定出现了影响湿度变化的用户行为，比如：周末上午的8点至10点之间，8点至9点，用户处于休息状态，没有影响到室内湿度变化，9点至10点，用户起床后打扫卫生，长时间的拖地行为使得室内湿度可能增大。因而对实时湿度数据集执行斜率方差处理，可以对数据进行筛选过滤，提取数据所隐含的目标行为特征，该目标行为特征即表征用户的行为影响到了室内湿度变化，可能有产生凝露的风险。

步骤103，将所述目标行为特征输入预设行为特征库，计算所述目标行为特征属于预设行为特征的类别概率。

具体而言，基于从前述实时湿度数据集中提取出的目标行为特征，可将该目标行为特征输入至预先建立的预设行为特征库中，将目标行为特征与预设行为特征库中的各种行为进行比较计算，确定出目标行为特征属于预设行为特征的类别概率。比如：预设行为特征库中的行为特征为a、b三类，目标行为特征m为待明确的行为特征，可通过计算得到m归属于a的类别概率pa，m归属于b的类别概率pb。通过pa、pb的大小关系，可以认为类别概率数值较大的那个类别，即为目标行为特征m所归属的行为特征的类别。

步骤104，当所述目标行为特征为待控制用户行为特征时，控制关闭辐射冷源，其中，所述待控制用户行为特征为所述预设行为特征中代表的凝露风险高的行为特征。

具体而言，根据前述的步骤可以确定实时湿度数据集所代表的目标行为特征所属的具体类别，然而，并不是每种类型都需要进行防凝露的控制，比如：a类行为特征代表对室内湿度影响较为微弱的用户行为，比如，湿热天瞬间的开窗行为等，根据实验监测，这类行为特征代表的用户行为的凝露风险低，无需防凝露控制；b类行为特征代表对室内湿度影响较重的用户行为，比如，湿热天的开窗行为、烧水、吃火锅、拖地等根据实验监测，这类行为特征代表的用户行为的凝露风险高于a类；显然，当根据目标行为特征m分析出用户的行为是属于a类行为特征时，凝露风险基本不存在，无需牺牲用户舒适性进行防凝露的控制。例如，实际中存在的一种情况可能是m归属于a的类别概率pa＝60％，m归属于b的类别概率pb＝40％可以确定的是，目标行为特征m归属于a类行为特征，对于这类凝露风险低的用户行为，无需防凝露控制。实际中存在的另一种情况可能是m归属于a的类别概率pa＝45％，m归属于b的类别概率pb＝55％，可以确定的是，目标行为特征m归属于b类行为特征，即当前目标行为特征m所代表的用户行为，从类别概率上判断其属于凝露风险高的b类，代表凝露风险高的用户行为，因而，需要进行防凝露控制，需要控制关闭辐射冷源使得室内温度上升，增大辐射温度与露点温度的差距，削弱凝露现象。当然，实际中还可能出现的一种情况是，m归属于a的类别概率pa＝50％，m归属于b的类别概率pb＝50％，本方案中，目的在于防凝露控制，对于这种概率相同的情况，将目标行为特征m默认归为b类行为特征这种高风险的行为特征，触发后续的防凝露控制，以尽可能避免凝露现象。因此，在上述示例中pa＞pb时，无需防凝露控制，当pa≤pb时，根据类别概率即可判断目标行为特征m为b类行为特征即待控制用户行为特征。

综上所述，本发明提供的一种防凝露控制方法，对实时湿度数据集通过斜率方差处理提取中其中的目标行为特征，将目标行为特征输入预设行为特征库中，可得到目标行为特征属于预设行为特征的类别概率，从而得知实时湿度数据集所代表的用户行为，当目标行为特征为待控制用户行为特征时，可认为用户行为产生凝露的风险较大，可指导控制关闭辐射冷源，从而基于用户行为触发防凝露的措施，避免了传统控制方式对凝露现象削弱效果较差的问题。

实施例二

参照图2，本发明提供了又一种防凝露控制方法，所述方法包括：

步骤201，获取历史湿度数据集。

具体而言，可以在实时采集湿度数据前，以实验的方式收集获取具有充分代表性的大量历史湿度数据形成历史湿度数据集，所说的充分代表性即指的是历史湿度数据集这些数据量越多越好，涵盖时间范围越长越好，包括的用户行为种类越丰富越好，从而可对历史数据集进行分析学习以构建预设行为特征库。

步骤202，通过行为特征分析对所述历史湿度数据集进行训练，建立预设行为特征库，其中，所述预设行为特征库中包括多种不同的用户行为，所述用户行为为引起室内湿度变化的行为。

具体而言，由于获取到的历史湿度数据代表了过去实验过程某一段时间的湿度数据，该段时间内并不一定出现了影响湿度变化的用户行为，比如：周末上午的8点至10点之间，8点至9点，用户处于休息状态，没有影响到室内湿度变化，9点至10点，用户起床后打扫卫生，长时间的拖地行为使得室内湿度可能增大。因而对历史湿度数据集通过行为特征分析，可以对数据进行训练，从众多数据中找出具有类似特征的数据，对数据分类，建立预设行为特征库，其中，预设行为特征库中包括多种不同的用户行为，用户行为为引起室内湿度变化的行为，即每种行为特征代表不同类别的用户行为。

可选的，在本发明的另一种实施例中，上述步骤202可以包括子步骤2021至子步骤2023。

子步骤2021，对所述历史湿度数据集执行所述斜率方差处理生成历史行为数据集。

具体而言，历史湿度数据集为温控器所采集到的原始数据，为了保证样本的代表性，样本数据数量较多，所形成的湿度随时间变化的曲线中，用户的行为不够显著，如图3所示，横坐标含义为数据采集的时间，纵坐标含义为湿度值，为便于图示，对湿度值进行换算，纵坐标所绘制数据为相对湿度％rh保留一位小数后乘以1000，曲线a为历史湿度数据集所形成的湿度随时间变化的曲线。通过斜率方差处理可以将具有行为特征的数据点放大，目的在于将行为特征从历史湿度数据集中抽取出来以生成历史行为数据集，即历史行为数据集为历史湿度数据集经过特征提取后的二次数据集，如图3所示，曲线b为历史行为数据集所形成的湿度随时间变化的曲线。通过斜率方差处理进行特征提取的过程可参考下述过程：

假设原始的历史湿度数据集为实验过程连续24小时每间隔1分钟采集到的湿度数据。

首先，计算各个数据点的斜率，由于间隔时间差为1，则斜率x(n)＝y(n)-y(n-1)，其中，n＝2，3,4,……1440，x(1)＝0，n为数据采集的时刻，n＝2，3，4，……即第2分钟，第3分钟，第4分钟……，y(n)则表示与时刻对应的湿度值，即y(2)表示第2分钟的湿度值，y(3)表示第3分钟的湿度，……。

其次，对斜率取平方，得到斜率平方p(n)＝x²(n)＝[y(n)-y(n-1)]²，通过平方计算，可显著地将数据差距增大，使得行为特征显现出来。

然后，对每个斜率平方数据，将其向历史时间维度方向滑动四次，将得到的五个斜率平方数据累加，得到斜率平方滑动五次累加和a(n)＝p(n)+p(n-1)+p(n-2)+p(n-3)+p(n-4)，其中，a(1)＝0，a(2)＝0，a(3)＝0，a(4)＝0。通过五个数据的累加和与一预设阈值进行比较，将超过该阈值的斜率平方滑动五次累加和数据作为二次数据集中的数据，从而实现行为特征的提取。

可以理解的是，上述斜率方差处理进行特征提取的参考过程中采集数据的间隔时间、斜率平方滑动的次数均为示例性描述，可以根据样本量的规模大小、计算效率等因素选择适合的参数。

子步骤2022，对所述历史行为数据集执行聚类划分生成各个数据簇，所述各个数据簇代表不同的用户行为。

具体而言，上述经过斜率方差处理进行特征提取所得到的历史行为数据集均为代表具体用户行为的数据，然而并不得知哪些数据是相近似的一类，通过人工智能领域常见的k-means聚类算法，可以对历史行为数据集进行聚类划分，生成多个数据簇，数据簇的个数即分类的个数，也就是行为特征的类别个数，则各个数据簇代表不同的用户行为。比如，图4给出了经过k-means聚类算法分类的结果的示意图，横坐标表示湿度持续时间，纵坐标表示湿度值，图4中“·”表示聚类1，即图例中cluster1，表示对室内湿度影响较为微弱的用户行为，“▲”表示聚类2，即图例中cluster2，表示对室内湿度影响较重的用户行为，其中，“×”表示各个聚类的中心点。

子步骤2023，为所述各个数据簇添加行为标签建立预设行为特征库。

具体而言，为了将不同的数据簇区别开来，便于数据的管管理分析，可为分类后的数据簇添标签，用于指示行为特征，比如用标签cluster1表示聚类1，代表对室内湿度影响较为微弱的用户行为，用标签cluster2表示聚类2，代表对室内湿度影响较重的用户行为预设行为特征库中及记载了数据簇与标签的对应关系，即确定了数据簇，即可知道该数据簇代表哪种用户行为。

步骤203，获取实时湿度数据集。

具体而言，由于通常情况下，空调设备以某一恒定温度运行制热或制冷，因此，辐射温度基本稳定不变，并且室内大气压也不会变化，当湿度增大时会导致露点温度的升高，相对而言，即辐射温度与露点温度之间的差距缩小，两者愈加靠近，凝露风险会增大，因而在本方法中由设备中的温控器实时采集室内的湿度数据作为实时湿度数据集，比如，以8点到10点的每间隔1分钟的湿度数据作为实时湿度数据集，基于湿度数据用于预测用户行为，进行防凝露的控制。

步骤204，根据所述实时湿度数据集绘制湿度随时间变化的关系曲线。

具体而言，对于获取到的实时湿度数据集，以时间为横轴，以湿度值为纵轴，可通过类似图3曲线a所示的湿度随时间变化的关系曲线直观展示湿度大致变化情况。

步骤205，计算所述关系曲线中所述实时湿度数据集的各数据点的斜率。

具体而言，可参照子步骤2021所描述的斜率计算过程计算获得实时湿度数据集各数据点的斜率。

步骤206，根据所述斜率计算各数据点的斜率平方。

具体而言，可参照子步骤2021所描述的斜率平方计算过程计算获得实时湿度数据集各数据点的斜率平方。

步骤207，对所述斜率平方滑动预设项数累加得到斜率平方累加和。

具体而言，可参照子步骤2021所描述的斜率平方累加和计算过程计算获得实时湿度数据集各数据点的斜率平方累加和。

步骤208，筛选所述斜率平方累加和大于预设阈值的数据形成目标行为数据集，其中，所述目标行为数据集表征所述目标行为特征。

具体而言，可将计算得到的多个斜率平方累加和与预设阈值比较，将超过该阈值的斜率平方滑动累加和数据作为目标行为数据集中的数据，目标行为数据集表征目标行为特征，从而对实现行为特征的提取。

步骤209，将所述目标行为特征输入预设行为特征库，计算所述目标行为特征属于预设行为特征的类别概率。

具体而言，由于预设行为特征库中为基于大量历史数据所总结归类的多种不同的用户行为，将目标行为特征输入预设行为特征库中，即就是将目标行为数据集与各个数据簇进行比较，通过计算目标行为数据集中具体的数据个体属于哪个数据簇的概率来计算目标行为特征属于预设行为特征的类别概率，从而确定目标行为特征的类别。比如，可以借助于logistic回归计算得到类别概率，假设目标行为数据集某一数据点为c，其与聚类1、聚类2的中心点的欧式距离分别为x1、x2，则c属于聚类1、聚类2的类别概率分别为p1＝x2/(x1+x2)、p2＝x1/(x1+x2)。从而，通过p1、p2的大小关系，可以认为数据点c属于类别概率数值较大的那个类别，当概率相同时，默认将其归为凝露风险大的一类。

步骤210，当所述目标行为特征为待控制用户行为特征时，控制关闭辐射冷源，其中，所述待控制用户行为特征为所述预设行为特征中代表的凝露风险高的行为特征。

具体而言，根据前述的步骤可以确定实时湿度数据集所代表的目标行为特征所属的具体类别，然而，并不是每种类型都需要进行防凝露的控制，比如：a类行为特征代表对室内湿度影响较为微弱的用户行为，比如，湿热天瞬间的开窗行为等，根据实验监测，这类行为特征代表的用户行为的凝露风险低，无需防凝露控制；b类行为特征代表对室内湿度影响较重的用户行为，比如，湿热天的开窗行为、烧水、吃火锅、拖地等，根据实验监测，这类行为特征代表的用户行为的凝露风险高于a类；显然，当根据目标行为特征m分析出用户的行为是属于a类行为特征时，凝露风险基本不存在，无需牺牲用户舒适性进行防凝露的控制。例如，实际中存在的一种情况可能是m归属于a的类别概率pa＝60％，m归属于b的类别概率pb＝40％，可以确定的是，目标行为特征m归属于a类行为特征，对于这类凝露风险低的用户行为，无需防凝露控制。实际中存在的另一种情况可能是m归属于a的类别概率pa＝45％，m归属于b的类别概率pb＝55％，可以确定的是，目标行为特征m归属于b类行为特征，即当前目标行为特征m所代表的用户行为，从类别概率上判断其属于凝露风险高的b类，代表凝露风险高的用户行为，因而，需要进行防凝露控制，需要控制关闭辐射冷源使得室内温度上升，增大辐射温度与露点温度的差距，削弱凝露现象。当然，实际中还可能出现的一种情况是，m归属于a的类别概率pa＝50％，m归属于b的类别概率pb＝50％，本方案中，目的在于防凝露控制，对于这种概率相同的情况，将目标行为特征m默认归为b类行为特征这种高风险的行为特征，触发后续的防凝露控制，以尽可能避免凝露现象。因此，在上述示例中pa＞pb时，无需防凝露控制，当pa≤pb时，根据类别概率即可判断目标行为特征m为b类行为特征即待控制用户行为特征。

综上所述，本发明提供的一种防凝露控制方法，基于人工智能的聚类算法对历史湿度数据进行聚类分析，找到数据之间的相似规律，分析形成不同的用户行为类别建立预设行为特征库，对实时湿度数据集通过斜率方差处理提取中其中的目标行为特征，将目标行为特征输入预设行为特征库中，可得到目标行为特征属于预设行为特征的类别概率，从而得知实时湿度数据集所代表的用户行为，当目标行为特征为待控制用户行为特征时，可认为用户行为产生凝露的风险较大，可指导控制关闭辐射冷源，从而基于用户行为触发防凝露的措施，避免了传统控制方式对凝露现象削弱效果较差的问题。

实施例三

参照图5，本发明提供了一种防凝露控制装置，所述装置包括：

实时数据获取模块501，用于获取实时湿度数据集。

提取模块502，用于针对所述实时湿度数据集执行斜率方差处理提取目标行为特征。

计算模块503，用于将所述行为特征输入预设行为特征库，计算所述目标行为特征属于预设行为特征的类别概率。

控制模块504，用于当所述目标行为特征为待控制用户行为特征时，控制关闭辐射冷源，其中，所述待控制用户行为特征为所述预设行为特征中代表的凝露风险高的行为特征。

综上所述，本发明提供的一种防凝露控制方法，对实时湿度数据集通过斜率方差处理提取中其中的目标行为特征，将目标行为特征输入预设行为特征库中，可得到目标行为特征属于预设行为特征的类别概率，从而得知实时湿度数据集所代表的用户行为，当目标行为特征为待控制用户行为特征时，可认为用户行为产生凝露的风险较大，可指导控制关闭辐射冷源，从而基于用户行为触发防凝露的措施，避免了传统控制方式对凝露现象削弱效果较差的问题。

实施例四

参照图6，本发明提供了一种防凝露控制装置，所述装置包括：

历史数据获取模块601，用于获取历史湿度数据集。

训练模块602，用于通过行为特征分析对所述历史湿度数据集进行训练，建立预设行为特征库，其中，所述预设行为特征库中包括多种不同的用户行为，所述用户行为为引起室内湿度变化的行为。

所述训练模块602包括：

数据集生成子模块6021，用于对所述历史湿度数据集执行所述斜率方差处理生成历史行为数据集。

数据簇生成子模块6022，用于对所述历史行为数据集执行聚类划分生成各个数据簇，所述各个数据簇代表不同的用户行为。

建立子模块6023，用于为所述各个数据簇添加行为标签建立预设行为特征库。

实时数据获取模块603，用于获取实时湿度数据集。

提取模块604，用于针对所述实时湿度数据集执行斜率方差处理提取目标行为特征。

所述提取模块604包括：

绘制子模块6041，用于根据所述实时湿度数据集绘制湿度随时间变化的关系曲线；

斜率计算子模块6042，用于计算所述关系曲线中所述实时湿度数据集的各数据点的斜率；

斜率平方计算子模块6043，用于根据所述斜率计算各数据点的斜率平方；

累加子模块6044，用于对所述斜率平方滑动预设项数累加得到斜率平方累加和；

筛选子模块6045，用于筛选所述斜率平方累加和大于预设阈值的数据形成目标行为数据集，其中，所述目标行为数据集表征所述目标行为特征。

计算模块605，用于将所述目标行为特征输入预设行为特征库，计算所述目标行为特征属于预设行为特征的类别概率；

控制模块606，用于当所述目标行为特征为待控制用户行为特征时，控制关闭辐射冷源，其中，所述待控制用户行为特征为所述预设行为特征中代表的凝露风险高的行为特征。综上所述，本发明提供的一种防凝露控制方法，基于人工智能的聚类算法对历史湿度数据进行聚类分析，找到数据之间的相似规律，分析形成不同的用户行为类别建立预设行为特征库，对实时湿度数据集通过斜率方差处理提取中其中的目标行为特征，将目标行为特征输入预设行为特征库中，可得到目标行为特征属于预设行为特征的类别概率，从而得知实时湿度数据集所代表的用户行为，当目标行为特征为待控制用户行为特征时，可认为用户行为产生凝露的风险较大，可指导控制关闭辐射冷源，从而基于用户行为触发防凝露的措施，避免了传统控制方式对凝露现象削弱效果较差的问题。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的防凝露控制装置具体工作过程，可以参考前述防凝露控制方法的实施例中的对应过程，在此不再赘述。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。