CN117270410A - 一种智能家居能耗控制方法、设备及计算机可读存储介质 - Google Patents
一种智能家居能耗控制方法、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN117270410A CN117270410A CN202311318946.8A CN202311318946A CN117270410A CN 117270410 A CN117270410 A CN 117270410A CN 202311318946 A CN202311318946 A CN 202311318946A CN 117270410 A CN117270410 A CN 117270410A
- Authority
- CN
- China
- Prior art keywords
- energy consumption
- data
- energy
- intelligent household
- instruction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000005265 energy consumption Methods 0.000 title claims abstract description 266
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000003860 storage Methods 0.000 title claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 33
- 230000007613 environmental effect Effects 0.000 claims description 20
- 230000001105 regulatory effect Effects 0.000 claims description 20
- 238000012544 monitoring process Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 12
- 238000004140 cleaning Methods 0.000 claims description 11
- 238000005286 illumination Methods 0.000 claims description 11
- 238000009826 distribution Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000007619 statistical method Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 description 29
- 238000005457 optimization Methods 0.000 description 15
- 238000013461 design Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 238000011217 control strategy Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000013480 data collection Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000007788 liquid Substances 0.000 description 3
- 238000012806 monitoring device Methods 0.000 description 3
- 208000025174 PANDAS Diseases 0.000 description 2
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 description 2
- 240000004718 Panda Species 0.000 description 2
- 235000016496 Panda oleosa Nutrition 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 2
- 229910002092 carbon dioxide Inorganic materials 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 238000013144 data compression Methods 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 241001465382 Physalis alkekengi Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B15/00—Systems controlled by a computer
- G05B15/02—Systems controlled by a computer electric
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/26—Pc applications
- G05B2219/2642—Domotique, domestic, home control, automation, smart house
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明公开了一种智能家居能耗控制方法、设备及计算机可读存储介质，其中，该方法包括：获取由智能家居设备的传感器采集的实时数据，并根据所述实时数据处理得到所述智能家居设备的能源使用数据、所述传感器的参数数据以及与所述参数数据对应的时间数据；根据所述能源使用数据、所述参数数据以及所述时间数据建立所述智能家居设备的能耗预测模型，并计算得到所述智能家居设备的预测能耗和预测变量；根据所述预测能耗确定与所述智能家居设备相关的能耗调控策略。本发明实现了一种自适应的智能家居能耗控制方案，在一定的能源效率下，并提供相同功能和服务时，可有效地减少同一智能家居应用范围下的各个智能家居设备的消耗能源。
Description
技术领域
本发明涉及智能家居技术领域，尤其涉及一种智能家居能耗控制方法、设备及计算机可读存储介质。
背景技术
现有技术中，随着智能家居技术的不断发展，智能家居应用范围也越来越广泛，由此带来的一个具体技术问题是，如何提高智能家居设备的能源利用效率。
现有的方案中，一般侧重于单一智能家居设备的低功耗设计，例如，制造商通过采用低功耗芯片、优化电路设计、使用节能材料等措施来降低智能家居设备的功耗，以此减少设备在待机和运行状态下的能耗。具体的：一是，通过进行电路设计的优化，可以降低功耗并提高能源效率，或是，使用电源管理电路，以最小化能源损耗，或是，通过使用能够自动切断电源的部件，在设备不使用时降低待机功耗；二是，为智能家居设备添加节能模式，在设备长时间不活动或处于空闲状态时，自动将设备切换到低功耗模式，以此通过减少设备的功耗、降低亮度或关闭功能来实现；三是，为智能家居设备添加休眠模式，即，将设备置于极低功耗状态，以最大程度地减少能源消耗，在休眠模式下，设备会暂时关闭一些功能，并以较低的速率运行，而当设备接收到触发器或用户操作时，它会迅速恢复正常工作状态，以此通过设计合适的电源管理功能来实现；四是，为智能家居设备添加功耗优化算法，在智能家居应用中，使用功耗优化算法可以帮助降低设备的功耗，例如，通过智能调度和优化传感器的数据采集频率，可以减少能源消耗，此外，合理设计通信协议和数据传输机制，避免不必要的能量浪费。
可以看出，上述方案均是针对单一智能家居设备的低功耗设计，而在智能家居应用范围增大、智能家居设备数据增加的环境下，单一的设备低功耗设计的能耗提升有限，且多个设备的低功耗方案可能造成冲突，与功耗控制需求相违背。因此，在一定的能源效率下，提供相同功能和服务时，如何尽量减少同一智能家居应用范围下的各个智能家居设备的消耗能源，成为目前亟待解决的技术问题。
发明内容
为了解决现有技术中的上述技术缺陷，本发明提出了一种智能家居能耗控制方法，该方法包括：
获取由智能家居设备的传感器采集的实时数据，并根据所述实时数据处理得到所述智能家居设备的能源使用数据、所述传感器的参数数据以及与所述参数数据对应的时间数据；
根据所述能源使用数据、所述参数数据以及所述时间数据建立所述智能家居设备的能耗预测模型，并将历史能耗数据和与所述历史能耗数据相关的环境数据作为所述能耗预测模型的输入，计算得到所述智能家居设备的预测能耗和预测变量；
根据所述预测能耗确定与所述智能家居设备相关的能耗调控策略，其中，所述能耗调控策略包括工作模式切换、节能计划定制、能源动态分配以及自动化控制中的一种或多种；
根据所述预测变量生成与所述能耗调控策略相关的工作模式切换指令、节能计划定制指令、能源动态分配指令以及自动化控制指令中的一种或多种。
可选地，所述根据所述实时数据处理得到所述智能家居设备的能源使用数据、所述传感器的参数数据以及与所述参数数据对应的时间数据，具体包括：
对各个所述智能家居设备的所述实时数据进行特征分析、数据清洗以及数据转换，得到初始处理数据；
按各个所述智能家居设备的功能类型、工作状态以及工作时间对所述初始处理数据进行统计分析，得到每一所述智能家居设备的所述能源使用数据、所述参数数据以及所述时间数据。
可选地，所述将历史能耗数据和与所述历史能耗数据相关的环境数据作为所述能耗预测模型的输入，计算得到所述智能家居设备的预测能耗和预测变量，具体包括：
获取各个所述智能家居设备的所述历史能耗数据，其中，所述历史能耗数据包括符合预设能耗监测条件时所采集的历史能耗值和所述历史能耗值的历史能耗采集时间；
获取各个所述智能家居设备在所述历史能耗采集时间下采集的所述环境数据，其中，所述环境数据包括温度数据、湿度数据、光照数据、压力数据、流量数据以及空气质量数据中的一种或多种。
可选地，所述根据所述预测能耗确定与所述智能家居设备相关的能耗调控策略，其中，所述能耗调控策略包括工作模式切换、节能计划定制、能源动态分配以及自动化控制中的一种或多种，具体包括：
分别预设与所述工作模式切换、所述节能计划定制、所述能源动态分配以及所述自动化控制对应的优先级；
获取与所述能耗调控策略对应的能耗需求，并根据预设的所述优先级与所述能耗需求的对应关系确定当前的能耗调控策略。
可选地，所述根据所述预测变量生成与所述能耗调控策略相关的工作模式切换指令、节能计划定制指令、能源动态分配指令以及自动化控制指令中的一种或多种，具体包括：
比对分析所述能耗需求与所述预测变量，确定相应的调控变量的类型以及所述调控变量的参数；
按所述调控变量的类型和参数生成所述工作模式切换指令、所述节能计划定制指令、所述能源动态分配指令以及所述自动化控制指令中的一种或多种。
本发明还提出了一种智能家居能耗控制设备，该设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现：
获取由智能家居设备的传感器采集的实时数据，并根据所述实时数据处理得到所述智能家居设备的能源使用数据、所述传感器的参数数据以及与所述参数数据对应的时间数据；
根据所述能源使用数据、所述参数数据以及所述时间数据建立所述智能家居设备的能耗预测模型，并将历史能耗数据和与所述历史能耗数据相关的环境数据作为所述能耗预测模型的输入，计算得到所述智能家居设备的预测能耗和预测变量；
根据所述预测能耗确定与所述智能家居设备相关的能耗调控策略，其中，所述能耗调控策略包括工作模式切换、节能计划定制、能源动态分配以及自动化控制中的一种或多种；
根据所述预测变量生成与所述能耗调控策略相关的工作模式切换指令、节能计划定制指令、能源动态分配指令以及自动化控制指令中的一种或多种。
可选地，所述计算机程序被所述处理器执行时实现：
对各个所述智能家居设备的所述实时数据进行特征分析、数据清洗以及数据转换，得到初始处理数据；
按各个所述智能家居设备的功能类型、工作状态以及工作时间对所述初始处理数据进行统计分析，得到每一所述智能家居设备的所述能源使用数据、所述参数数据以及所述时间数据。
可选地，所述计算机程序被所述处理器执行时实现：
获取各个所述智能家居设备的所述历史能耗数据，其中，所述历史能耗数据包括符合预设能耗监测条件时所采集的历史能耗值和所述历史能耗值的历史能耗采集时间；
获取各个所述智能家居设备在所述历史能耗采集时间下采集的所述环境数据，其中，所述环境数据包括温度数据、湿度数据、光照数据、压力数据、流量数据以及空气质量数据中的一种或多种。
可选地，所述计算机程序被所述处理器执行时实现：
分别预设与所述工作模式切换、所述节能计划定制、所述能源动态分配以及所述自动化控制对应的优先级；
获取与所述能耗调控策略对应的能耗需求，并根据预设的所述优先级与所述能耗需求的对应关系确定当前的能耗调控策略；
比对分析所述能耗需求与所述预测变量，确定相应的调控变量的类型以及所述调控变量的参数；
按所述调控变量的类型和参数生成所述工作模式切换指令、所述节能计划定制指令、所述能源动态分配指令以及所述自动化控制指令中的一种或多种。
本发明还提出了一种计算机可读存储介质，该计算机可读存储介质上存储有智能家居能耗控制程序，智能家居能耗控制程序被处理器执行时实现如上述任一项所述的智能家居能耗控制方法的步骤。
实施本发明的智能家居能耗控制方法、设备及计算机可读存储介质，通过获取由智能家居设备的传感器采集的实时数据，并根据所述实时数据处理得到所述智能家居设备的能源使用数据、所述传感器的参数数据以及与所述参数数据对应的时间数据；根据所述能源使用数据、所述参数数据以及所述时间数据建立所述智能家居设备的能耗预测模型，并将历史能耗数据和与所述历史能耗数据相关的环境数据作为所述能耗预测模型的输入，计算得到所述智能家居设备的预测能耗和预测变量；根据所述预测能耗确定与所述智能家居设备相关的能耗调控策略，其中，所述能耗调控策略包括工作模式切换、节能计划定制、能源动态分配以及自动化控制中的一种或多种；根据所述预测变量生成与所述能耗调控策略相关的工作模式切换指令、节能计划定制指令、能源动态分配指令以及自动化控制指令中的一种或多种。本发明实现了一种自适应的智能家居能耗控制方案，在一定的能源效率下，并提供相同功能和服务时，可有效地减少同一智能家居应用范围下的各个智能家居设备的消耗能源，提升智能家居系统的使用体验。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是本发明智能家居能耗控制方法的第一流程图；
图2是本发明智能家居能耗控制方法的第二流程图；
图3是本发明智能家居能耗控制方法的第三流程图；
图4是本发明智能家居能耗控制方法的第四流程图；
图5是本发明智能家居能耗控制方法的第五流程图。
具体实施方式
应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
在后续的描述中，使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本发明的说明，其本身没有特定的意义。因此，“模块”、“部件”或“单元”可以混合地使用。
图1是本发明智能家居能耗控制方法的第一流程图。本实施例提出了一种智能家居能耗控制方法，该方法包括：
S1、获取由智能家居设备的传感器采集的实时数据，并根据所述实时数据处理得到所述智能家居设备的能源使用数据、所述传感器的参数数据以及与所述参数数据对应的时间数据；
S2、根据所述能源使用数据、所述参数数据以及所述时间数据建立所述智能家居设备的能耗预测模型，并将历史能耗数据和与所述历史能耗数据相关的环境数据作为所述能耗预测模型的输入，计算得到所述智能家居设备的预测能耗和预测变量；
S3、根据所述预测能耗确定与所述智能家居设备相关的能耗调控策略，其中，所述能耗调控策略包括工作模式切换、节能计划定制、能源动态分配以及自动化控制中的一种或多种；
S4、根据所述预测变量生成与所述能耗调控策略相关的工作模式切换指令、节能计划定制指令、能源动态分配指令以及自动化控制指令中的一种或多种。
可选地，在本实施例中，针对能耗预测阶段：首先，进行数据收集，通过连接各种传感器和监测设备，可以收集能源使用数据、天气数据、时间数据等。这些数据可以用于构建能耗预测模型；然后，进行数据处理和分析，使用机器学习算法和统计方法对收集到的数据进行处理和分析，其中，包括特征工程、数据清洗、数据转换等步骤，以便为预测模型提供准确的输入；再然后，建立预测模型，使用回归分析、时间序列分析、神经网络等机器学习算法建立能耗预测模型，在模型训练过程中，历史能耗数据和相关的环境数据被用作输入，目标是预测未来的能耗情况；最后，基于预测结果的应用，即，基于能耗预测模型的输出结果，系统可以制定相应的能耗调控策略和相应的节能计划的指令，例如，在高负荷期间减少能源消耗，或提前对设备进行调整以适应预测的能源需求。进一步地，本实施例的能耗调控策略的应用对象包括但不限于：电能仪表，用于测量电能消耗和监测功率需求，例如智能电表；温度传感器，用于监测室内或设备温度；湿度传感器，用于监测空气湿度；光照传感器，用于监测光照强度；压力传感器，用于监测水、气体或液体的压力；流量计，用于监测液体或气体的流量；CO2传感器，用于监测二氧化碳浓度。
可选地，在本实施例中，针对能耗调控阶段：首先，根据所述预测能耗确定与所述智能家居设备相关的能耗调控策略，其中，所述能耗调控策略包括工作模式切换、节能计划定制、能源动态分配以及自动化控制中的一种或多种；然后，根据所述预测变量生成与所述能耗调控策略相关的工作模式切换指令、节能计划定制指令、能源动态分配指令以及自动化控制指令中的一种或多种。其中，例如，当前的能耗调控策略可以是第一智能家居设备采用工作模式切换、第二智能家居设备采用节能计划定制、第三智能家居设备与第四智能家居设备之间采用能源动态分配、第五智能家居设备采用自动化控制。
具体的，在本实施例中，工作模式切换指令包括将工作模式切换为节能模式、休眠模式以及正常模式中的一种的信号指令。其中，节能模式为智能家居设备添加节能模式是一种有效的方法，特别地，在设备长时间不活动或处于空闲状态时，自动将设备切换到低功耗模式，由此，可以通过减少设备的功耗、降低亮度或关闭功能来实现功耗控制。进一步地，用户也可以手动设置节能模式，以适应自己的需求。进一步地，本实施例的技术策略是，通过数据压缩算法实现，例如，采用高效的数据压缩算法可以减小传输数据的大小，从而减少通信所需的能量。其中，常见的算法包括Huffman编码、Lempel-Ziv-Welch(LZW)编码等。在本实施例中，通过上述算法，去除数据中的冗余信息和利用统计特性来实现高效的压缩。休眠模式是指将设备置于极低功耗状态，以最大程度地减少能源消耗。而在休眠模式下，设备会暂时关闭一些功能，并以较低的速率运行，特别地，当设备接收到触发器或用户操作时，它会迅速恢复正常工作状态，由此，通过设计合适的电源管理功能来实现功耗控制。例如，本实施例采用深度睡眠模式，允许设备在不需要工作时进入低功耗状态，关闭不必要的电路和功能，以此，对于延长电池寿命和节约能源，可有效提升功控效果，进一步地，本实施例的智能家居设备还可以通过定时器、传感器触发或用户操作等方式进入和退出深度睡眠模式。
具体的，在本实施例中，节能计划定制指令包括设定节能计划项的一种的信号指令。其中，节能计划项包括能源管理的目标和需求，以此制定相应的节能计划。例如，设定每天特定时间段为低峰期，调整设备工作模式以减少能耗。进一步地，在本实施例中，通过中央控制系统或智能设备，自动执行节能计划，例如，针对包括设备开关控制、温度调节、灯光调整等动作执行相应的节能计划。进一步地，在本实施例中，设置相应的反馈与优化策略，即，基于实际执行情况和效果，对节能计划进行反馈与优化，以进一步提高能源利用效率和节能效果。例如，针对智能插座，可用于远程控制电器设备的开关状态，针对可编程温控器，可用于自动调节室内温度，并根据时间表进行预定温度调整，针对智能灯具，可以通过设定调节灯光亮度、颜色以及联动其他智能家居设备。
具体的，在本实施例中，能源动态分配指令包括设定能源动态分配项的一种的信号指令。其中，能源动态分配项包括相应的能源需求分析，例如，根据不同设备或区域的能源需求情况，分析和预测未来的能源使用情况，又例如，进行动态能源分配，利用动态电力管理技术，根据能源需求和供给情况，优化能源分配策略，例如，包括电压调整、频率调整等措施，以确保能源供应的高效利用。
具体的，在本实施例中，自动化控制指令包括设定自动化控制项的一种的信号指令。其中，提供控制算法设计，使用控制理论和算法设计合适的自动控制策略，例如，PID(Proportion Integration Differentiation，比例-积分-微分控制器)控制、模糊逻辑控制、模型预测控制等技术。也即，根据不同的应用场景和需求，选择合适的控制算法。进一步地，在本实施例中，提供控制器部署，例如，根据需要，将控制器部署在相应的设备或系统上，包括安装执行器、调节阀门、控制面板等设备。进一步地，在本实施例中，提供控制命令生成，例如，根据实时监测数据和设定的目标，控制算法可以生成相应的控制命令，基于此，上述控制命令将被传输到设备或系统以实现自动调节。可以理解的是，上述控制技术策略可应用于开关和继电器，控制设备的开关状态，例如灯光、电器设备等，或者频率变流器，调节电动机的转速和功率，又或者，调节阀门，以此调节水、气体或液体的流量。
本实施例的有益效果在于，通过获取由智能家居设备的传感器采集的实时数据，并根据所述实时数据处理得到所述智能家居设备的能源使用数据、所述传感器的参数数据以及与所述参数数据对应的时间数据；根据所述能源使用数据、所述参数数据以及所述时间数据建立所述智能家居设备的能耗预测模型，并将历史能耗数据和与所述历史能耗数据相关的环境数据作为所述能耗预测模型的输入，计算得到所述智能家居设备的预测能耗和预测变量；根据所述预测能耗确定与所述智能家居设备相关的能耗调控策略，其中，所述能耗调控策略包括工作模式切换、节能计划定制、能源动态分配以及自动化控制中的一种或多种；根据所述预测变量生成与所述能耗调控策略相关的工作模式切换指令、节能计划定制指令、能源动态分配指令以及自动化控制指令中的一种或多种。实现了一种自适应的智能家居能耗控制方案，在一定的能源效率下，并提供相同功能和服务时，可有效地减少同一智能家居应用范围下的各个智能家居设备的消耗能源，提升智能家居系统的使用体验。
图2是本发明智能家居能耗控制方法的第二流程图，基于上述实施例，所述根据所述实时数据处理得到所述智能家居设备的能源使用数据、所述传感器的参数数据以及与所述参数数据对应的时间数据，具体包括：
S11、对各个所述智能家居设备的所述实时数据进行特征分析、数据清洗以及数据转换，得到初始处理数据；
S12、按各个所述智能家居设备的功能类型、工作状态以及工作时间对所述初始处理数据进行统计分析，得到每一所述智能家居设备的所述能源使用数据、所述参数数据以及所述时间数据。
可选地，在本实施例中，对同一应用范围或应用场景内的各个智能家居设备进行实时监控。其中，针对传感器和监测设备部署，在需要监测的区域内部署合适的传感器和监测设备，如电能仪表、温度传感器、湿度传感器等，上述设备可以从现场实时获取各种环境和能耗数据；针对数据采集和传输，通过网络或无线连接，将传感器和监测设备采集到的数据传输到中央控制系统，进一步地，使用合适的通信协议和设备接口进行数据采集和传输；针对数据处理和分析，中央控制系统接收到采集到的数据后，对数据进行处理和分析，具体包括数据清洗、异常检测、数据聚合等步骤，以获得对能耗情况的实时了解；针对告警与反馈，如果发现能耗异常或超出设定的阈值，系统可以触发警报并通知相关人员，与此同时，反馈信息可以提供给用户，以便用户实时了解能耗状况并采取相应的措施。
可选地，在本实施例中，所采用的技术策略是，在数据采集设备侧，接收传感器和监测设备采集到的数据，例如数据采集模块或网关设备，而在数据存储和处理设备侧，存储和处理采集到的数据，例如云服务器或本地服务器。其中，采用预设的控制算法，分析和处理数据，生成相应的控制命令；同时，采用预设的用户界面，提供用户与中央控制系统交互的界面，例如，网页界面或移动应用程序。
图3是本发明智能家居能耗控制方法的第三流程图，基于上述实施例，所述将历史能耗数据和与所述历史能耗数据相关的环境数据作为所述能耗预测模型的输入，计算得到所述智能家居设备的预测能耗和预测变量，具体包括：
S21、获取各个所述智能家居设备的所述历史能耗数据，其中，所述历史能耗数据包括符合预设能耗监测条件时所采集的历史能耗值和所述历史能耗值的历史能耗采集时间；
S22、获取各个所述智能家居设备在所述历史能耗采集时间下采集的所述环境数据，其中，所述环境数据包括温度数据、湿度数据、光照数据、压力数据、流量数据以及空气质量数据中的一种或多种。
可选地，在本实施例中，通过利用安装在各个智能家居设备上的传感器获取历史能耗数据，例如，安装电能计量仪、温度传感器等设备来实时获取能耗相关参数，从而计算得到历史能耗数据。
可选地，使用数据处理和分析软件如Python中的Pandas、NumPy、SciPy等进行数据清洗、转换和分析，以便确定历史能耗数据中的高耗能时段。
图4是本发明智能家居能耗控制方法的第四流程图，基于上述实施例，所述根据所述预测能耗确定与所述智能家居设备相关的能耗调控策略，其中，所述能耗调控策略包括工作模式切换、节能计划定制、能源动态分配以及自动化控制中的一种或多种，具体包括：
S31、分别预设与所述工作模式切换、所述节能计划定制、所述能源动态分配以及所述自动化控制对应的优先级；
S32、获取与所述能耗调控策略对应的能耗需求，并根据预设的所述优先级与所述能耗需求的对应关系确定当前的能耗调控策略。
可选地，在本实施例中，预设的所述优先级与所述能耗需求的对应关系为，能耗等级与上述优先级的关联关系。其中，在具有一定程度的能耗降低需求时，确定该程度下的调控策略，例如，选择所述工作模式切换、所述节能计划定制、所述能源动态分配以及所述自动化控制中的一种。
可选地，在本实施例中，针对能耗需求的分析结果，通过设备的控制接口或通信协议，调整设备的运行参数，例如降低灯光亮度、调整空调温度设定、限制设备功率等。进一步地，还可建立自动化控制系统，通过编程逻辑和控制算法，实现设备状态的自动切换和参数调整，从而实现各个工作或节能模式之间的切换。
图5是本发明智能家居能耗控制方法的第五流程图，基于上述实施例，所述根据所述预测变量生成与所述能耗调控策略相关的工作模式切换指令、节能计划定制指令、能源动态分配指令以及自动化控制指令中的一种或多种，具体包括：
S41、比对分析所述能耗需求与所述预测变量，确定相应的调控变量的类型以及所述调控变量的参数；
S42、按所述调控变量的类型和参数生成所述工作模式切换指令、所述节能计划定制指令、所述能源动态分配指令以及所述自动化控制指令中的一种或多种。
可选地，在本实施例中，上述指令为定时开关机时，使用计时器或定时器，编程设定设备的开关机时间。进一步地，在本实施例中，通过物联网平台、自动化控制系统或设备自身的定时功能，控制设备在特定时间段的开关状态。
可选地，在本实施例中，上述指令为定时运行参数调整时，在特定时间段内，通过预设的算法或规则，自动调整设备的运行参数，例如提前预热或降温、设定不同的亮度级别等。
可以看出，在本实施例中，通过收集和分析设备的能源数据，可以识别出能源消耗较高的设备和使用模式，并提供相应的优化建议。用户可以根据这些建议来调整设备的使用方式，以最大限度地降低能源消耗。
针对数据的采集和监测：首先，建立一个完善的数据采集系统，收集来自各种传感器和仪器的实时数据。这些数据可以包括温度、湿度、光照强度、能耗数据等，取决于应用领域；然后，由传感器直接连接到监测设备或通过物联网(IoT)进行数据传输。
针对数据的处理和分析：首先，对收集到的数据进行处理和分析，以提取有用的信息。其中，数据处理可以包括数据清洗、去噪和填补缺失值等步骤；然后，使用统计分析、机器学习或深度学习等方法对数据进行分析，以发现潜在的模式、关联或异常情况。
针对建立的预测模型：基于历史数据和相关环境数据，使用时间序列分析、回归分析或神经网络等技术建立预测模型。其中，上述模型可以用于预测未来的能耗、温度、光照等变量。进一步地，预测模型的准确性和效果可通过模型评估和优化来不断改进。
针对优化的算法和决策制定：优化算法可以基于数据分析的结果，根据特定的目标函数，对调控策略进行优化。其中，上述算法包括线性规划、整数规划、遗传算法、粒子群优化等。进一步地，通过定义合适的目标函数和约束条件，优化算法可以生成最优解或接近最优解的调控策略。
针对自动调控策略：根据优化结果，可以编程实现自动调控系统，通过控制执行器(如，电机、阀门、灯光等)来调整设备的工作状态。其中，上述执行器可以根据预测模型和优化算法的结果，实时调整设备的参数，以实现节能、提高效率或维持舒适度。
针对反馈控制策略：为了保持系统的稳定性和鲁棒性，建立反馈控制系统。其中，该系统将监测数据与期望数值进行比较，并根据差异来调整控制策略。这可以实现闭环控制，使系统能够自我调节和适应变化的环境条件。
进一步地，在本实施例中，还采用了如下技术策略实现整体的家居设备能耗控制，具体的：数据采集和监测软件，用于从传感器和仪器中收集实时数据，并进行存储和管理，例如，使用物联网平台或自定义的数据采集软件；数据处理和分析软件，用于对采集到的数据进行清洗、转换和分析，常用的软件工具包括Python中的Pandas、NumPy、SciPy等，以及专业的数据处理软件如MATLAB；优化算法库，用于实现优化算法，例如，用于线性规划的GNULinear Programming Kit(GLPK)，或者更通用的优化库如SciPy的optimize模块；模型建立和预测软件，用于建立预测模型和进行模型训练，常用的软件包括Python中的scikit-learn、TensorFlow、Keras等，以及统计软件如R；传感器和仪器，用于实时监测环境参数，如温度传感器、湿度传感器、光照传感器、流量计等，并根据应用需求选择合适的硬件设备；执行器：用于实现调控策略的执行，例如，电机、阀门、灯光等，上述执行器通过物联网或本地控制系统接口与调控系统进行通信；时间序列分析，用于处理时间相关数据，例如，ARIMA模型、指数平滑法、季节性分解法等；机器学习算法，用于建立预测模型，例如，回归算法、支持向量机(SVM)、决策树、随机森林、神经网络等；优化算法，用于搜索最优解或近似最优解的算法，例如，线性规划、整数规划、遗传算法、粒子群优化等；控制算法，用于控制执行器的工作状态，例如，PID控制、模型预测控制(MPC)、模糊控制等。
基于上述实施例，本发明还提出了一种智能家居能耗控制设备，该设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现：
获取由智能家居设备的传感器采集的实时数据，并根据所述实时数据处理得到所述智能家居设备的能源使用数据、所述传感器的参数数据以及与所述参数数据对应的时间数据；
根据所述能源使用数据、所述参数数据以及所述时间数据建立所述智能家居设备的能耗预测模型，并将历史能耗数据和与所述历史能耗数据相关的环境数据作为所述能耗预测模型的输入，计算得到所述智能家居设备的预测能耗和预测变量；
根据所述预测能耗确定与所述智能家居设备相关的能耗调控策略，其中，所述能耗调控策略包括工作模式切换、节能计划定制、能源动态分配以及自动化控制中的一种或多种；
根据所述预测变量生成与所述能耗调控策略相关的工作模式切换指令、节能计划定制指令、能源动态分配指令以及自动化控制指令中的一种或多种。
可选地，所述计算机程序被所述处理器执行时实现：
对各个所述智能家居设备的所述实时数据进行特征分析、数据清洗以及数据转换，得到初始处理数据；
按各个所述智能家居设备的功能类型、工作状态以及工作时间对所述初始处理数据进行统计分析，得到每一所述智能家居设备的所述能源使用数据、所述参数数据以及所述时间数据。
可选地，所述计算机程序被所述处理器执行时实现：
获取各个所述智能家居设备的所述历史能耗数据，其中，所述历史能耗数据包括符合预设能耗监测条件时所采集的历史能耗值和所述历史能耗值的历史能耗采集时间；
获取各个所述智能家居设备在所述历史能耗采集时间下采集的所述环境数据，其中，所述环境数据包括温度数据、湿度数据、光照数据、压力数据、流量数据以及空气质量数据中的一种或多种。
可选地，所述计算机程序被所述处理器执行时实现：
分别预设与所述工作模式切换、所述节能计划定制、所述能源动态分配以及所述自动化控制对应的优先级；
获取与所述能耗调控策略对应的能耗需求，并根据预设的所述优先级与所述能耗需求的对应关系确定当前的能耗调控策略；
比对分析所述能耗需求与所述预测变量，确定相应的调控变量的类型以及所述调控变量的参数；
按所述调控变量的类型和参数生成所述工作模式切换指令、所述节能计划定制指令、所述能源动态分配指令以及所述自动化控制指令中的一种或多种。
需要说明的是，上述设备实施例与方法实施例属于同一构思，其具体实现过程详细见方法实施例，且方法实施例中的技术特征在设备实施例中均对应适用，这里不再赘述。
基于上述实施例，本发明还提出了一种计算机可读存储介质，该计算机可读存储介质上存储有智能家居能耗控制程序，智能家居能耗控制程序被处理器执行时实现如上述任一项所述的智能家居能耗控制方法的步骤。
需要说明的是，上述介质实施例与方法实施例属于同一构思，其具体实现过程详细见方法实施例，且方法实施例中的技术特征在介质实施例中均对应适用，这里不再赘述。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。
Claims (10)
1.一种智能家居能耗控制方法，其特征在于，所述方法包括：
获取由智能家居设备的传感器采集的实时数据，并根据所述实时数据处理得到所述智能家居设备的能源使用数据、所述传感器的参数数据以及与所述参数数据对应的时间数据；
根据所述能源使用数据、所述参数数据以及所述时间数据建立所述智能家居设备的能耗预测模型，并将历史能耗数据和与所述历史能耗数据相关的环境数据作为所述能耗预测模型的输入，计算得到所述智能家居设备的预测能耗和预测变量；
根据所述预测能耗确定与所述智能家居设备相关的能耗调控策略，其中，所述能耗调控策略包括工作模式切换、节能计划定制、能源动态分配以及自动化控制中的一种或多种；
根据所述预测变量生成与所述能耗调控策略相关的工作模式切换指令、节能计划定制指令、能源动态分配指令以及自动化控制指令中的一种或多种。
2.根据权利要求1所述的智能家居能耗控制方法，其特征在于，所述根据所述实时数据处理得到所述智能家居设备的能源使用数据、所述传感器的参数数据以及与所述参数数据对应的时间数据，具体包括：
对各个所述智能家居设备的所述实时数据进行特征分析、数据清洗以及数据转换，得到初始处理数据；
按各个所述智能家居设备的功能类型、工作状态以及工作时间对所述初始处理数据进行统计分析，得到每一所述智能家居设备的所述能源使用数据、所述参数数据以及所述时间数据。
3.根据权利要求2所述的智能家居能耗控制方法，其特征在于，所述将历史能耗数据和与所述历史能耗数据相关的环境数据作为所述能耗预测模型的输入，计算得到所述智能家居设备的预测能耗和预测变量，具体包括：
获取各个所述智能家居设备的所述历史能耗数据，其中，所述历史能耗数据包括符合预设能耗监测条件时所采集的历史能耗值和所述历史能耗值的历史能耗采集时间；
获取各个所述智能家居设备在所述历史能耗采集时间下采集的所述环境数据，其中，所述环境数据包括温度数据、湿度数据、光照数据、压力数据、流量数据以及空气质量数据中的一种或多种。
4.根据权利要求3所述的智能家居能耗控制方法，其特征在于，所述根据所述预测能耗确定与所述智能家居设备相关的能耗调控策略，其中，所述能耗调控策略包括工作模式切换、节能计划定制、能源动态分配以及自动化控制中的一种或多种，具体包括：
分别预设与所述工作模式切换、所述节能计划定制、所述能源动态分配以及所述自动化控制对应的优先级；
获取与所述能耗调控策略对应的能耗需求，并根据预设的所述优先级与所述能耗需求的对应关系确定当前的能耗调控策略。
5.根据权利要求4所述的智能家居能耗控制方法，其特征在于，所述根据所述预测变量生成与所述能耗调控策略相关的工作模式切换指令、节能计划定制指令、能源动态分配指令以及自动化控制指令中的一种或多种，具体包括：
比对分析所述能耗需求与所述预测变量，确定相应的调控变量的类型以及所述调控变量的参数；
按所述调控变量的类型和参数生成所述工作模式切换指令、所述节能计划定制指令、所述能源动态分配指令以及所述自动化控制指令中的一种或多种。
6.一种智能家居能耗控制设备，其特征在于，所述设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现：
获取由智能家居设备的传感器采集的实时数据，并根据所述实时数据处理得到所述智能家居设备的能源使用数据、所述传感器的参数数据以及与所述参数数据对应的时间数据；
根据所述能源使用数据、所述参数数据以及所述时间数据建立所述智能家居设备的能耗预测模型，并将历史能耗数据和与所述历史能耗数据相关的环境数据作为所述能耗预测模型的输入，计算得到所述智能家居设备的预测能耗和预测变量；
根据所述预测能耗确定与所述智能家居设备相关的能耗调控策略，其中，所述能耗调控策略包括工作模式切换、节能计划定制、能源动态分配以及自动化控制中的一种或多种；
根据所述预测变量生成与所述能耗调控策略相关的工作模式切换指令、节能计划定制指令、能源动态分配指令以及自动化控制指令中的一种或多种。
7.根据权利要求6所述的智能家居能耗控制设备，其特征在于，所述计算机程序被所述处理器执行时实现：
对各个所述智能家居设备的所述实时数据进行特征分析、数据清洗以及数据转换，得到初始处理数据；
按各个所述智能家居设备的功能类型、工作状态以及工作时间对所述初始处理数据进行统计分析，得到每一所述智能家居设备的所述能源使用数据、所述参数数据以及所述时间数据。
8.根据权利要求7所述的智能家居能耗控制设备，其特征在于，所述计算机程序被所述处理器执行时实现：
获取各个所述智能家居设备的所述历史能耗数据，其中，所述历史能耗数据包括符合预设能耗监测条件时所采集的历史能耗值和所述历史能耗值的历史能耗采集时间；
获取各个所述智能家居设备在所述历史能耗采集时间下采集的所述环境数据，其中，所述环境数据包括温度数据、湿度数据、光照数据、压力数据、流量数据以及空气质量数据中的一种或多种。
9.根据权利要求8所述的智能家居能耗控制设备，其特征在于，所述计算机程序被所述处理器执行时实现：
分别预设与所述工作模式切换、所述节能计划定制、所述能源动态分配以及所述自动化控制对应的优先级；
获取与所述能耗调控策略对应的能耗需求，并根据预设的所述优先级与所述能耗需求的对应关系确定当前的能耗调控策略；
比对分析所述能耗需求与所述预测变量，确定相应的调控变量的类型以及所述调控变量的参数；
按所述调控变量的类型和参数生成所述工作模式切换指令、所述节能计划定制指令、所述能源动态分配指令以及所述自动化控制指令中的一种或多种。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有智能家居能耗控制程序，所述智能家居能耗控制程序被处理器执行时实现如权利要求1至5中任一项所述的智能家居能耗控制方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311318946.8A CN117270410A (zh) | 2023-10-10 | 2023-10-10 | 一种智能家居能耗控制方法、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311318946.8A CN117270410A (zh) | 2023-10-10 | 2023-10-10 | 一种智能家居能耗控制方法、设备及计算机可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117270410A true CN117270410A (zh) | 2023-12-22 |
Family
ID=89221307
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311318946.8A Pending CN117270410A (zh) | 2023-10-10 | 2023-10-10 | 一种智能家居能耗控制方法、设备及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117270410A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117590762A (zh) * | 2024-01-18 | 2024-02-23 | 中建科工集团有限公司 | 基于物联网技术的建筑节能控制方法、装置、设备及介质 |
-
2023
- 2023-10-10 CN CN202311318946.8A patent/CN117270410A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117590762A (zh) * | 2024-01-18 | 2024-02-23 | 中建科工集团有限公司 | 基于物联网技术的建筑节能控制方法、装置、设备及介质 |
| CN117590762B (zh) * | 2024-01-18 | 2024-05-14 | 中建科工集团有限公司 | 基于物联网技术的建筑节能控制方法、装置、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117270410A (zh) | 一种智能家居能耗控制方法、设备及计算机可读存储介质 | |
| EP3716164A1 (en) | Predictive power usage monitoring | |
| US8831789B2 (en) | Goal-based load management | |
| CN102301288B (zh) | 用以控制能量消耗效率的系统和方法 | |
| KR101544477B1 (ko) | 최대전력 제어 알고리즘을 이용한 전기장치에 대한 전력 제어방법 및 시스템 | |
| CN106958912A (zh) | 具有跨多个子机组分阶段作业的协调的hvac设备的中央机组 | |
| KR101278638B1 (ko) | 스마트 에너지 관리 시스템 및 그 제어 방법 | |
| Killian et al. | Hierachical fuzzy MPC concept for building heating control | |
| CN111664550A (zh) | 基于预测模型和最优化算法的能效优化方法及系统 | |
| Thiele et al. | Framework for energy efficiency optimization of industrial systems based on the Control Layer Model | |
| CN111025895A (zh) | 一种基于人工智能的建筑节能控制系统 | |
| Petrie et al. | Energy efficient control methods of HVAC systems for smart campus | |
| CN113266555B (zh) | 一种云边端协同智能供水控制调度的方法 | |
| CN112128934A (zh) | 空调器的智能控制方法与智能控制设备 | |
| CN113110056B (zh) | 一种基于人工智能的供热智能决策方法及智能决策机 | |
| KR102411824B1 (ko) | 인공지능 기반의 공장 에너지 관리 시스템 및 그 방법 | |
| Dounis et al. | Intelligent coordinator of fuzzy controller-agents for indoor environment control in buildings using 3-D fuzzy comfort set | |
| CN109882883B (zh) | 一种基于人工智能优化锅炉燃煤效率的方法及装置 | |
| Di Orio et al. | Energy efficiency in machine tools-a self-learning approach | |
| CN112128935A (zh) | 空调器的智能控制方法与智能控制设备 | |
| CN116592417A (zh) | 基于负荷预测的集中供热系统优化控制方法及系统 | |
| CN115999289A (zh) | 一种智能雾炮装置及控制方法 | |
| Stephan et al. | A new control scheme for combustion processes using reinforcement learning based on neural networks | |
| CN117193034B (zh) | 一种楼宇智能化控制方法及系统 | |
| KR100935364B1 (ko) | 수위 변화에 따른 퍼지모델을 이용한 무인 원격 수처리 통합관리시스템 및 그 방법 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |