CN104950862B - 一种基于真假值的智能家居控制方法 - Google Patents
一种基于真假值的智能家居控制方法 Download PDFInfo
- Publication number
- CN104950862B CN104950862B CN201510451246.5A CN201510451246A CN104950862B CN 104950862 B CN104950862 B CN 104950862B CN 201510451246 A CN201510451246 A CN 201510451246A CN 104950862 B CN104950862 B CN 104950862B
- Authority
- CN
- China
- Prior art keywords
- true
- bitmap
- data
- false value
- chronomere
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000000205 computational method Methods 0.000 claims abstract description 26
- 238000004364 calculation method Methods 0.000 claims abstract description 11
- 239000000203 mixture Substances 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 239000006185 dispersion Substances 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 34
- 238000004422 calculation algorithm Methods 0.000 description 20
- 238000010586 diagram Methods 0.000 description 8
- 238000011156 evaluation Methods 0.000 description 8
- 238000013473 artificial intelligence Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 230000007812 deficiency Effects 0.000 description 4
- 238000011217 control strategy Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000004321 preservation Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 1
- 240000002853 Nelumbo nucifera Species 0.000 description 1
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000003139 buffering effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000002996 emotional effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000002513 implantation Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000009329 sexual behaviour Effects 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
- 230000003442 weekly effect Effects 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
- 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
- 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
- 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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提供了一种基于真假值的智能家居控制方法与系统，该方法包括以下步骤：采集原始数据，并且对原始数据离散化处理为真假值，形成表征智能家居一个时间周期内工作和非工作状态的数据位图；确定控制周期参数，该控制周期参数用于在由真假值组成的所述数据位图中决定用于计算最新的控制位图的记录区间n；根据当前的控制位图以及由控制周期参数决定的记录区间n内的数据位图，按照预定的计算方法，对所述控制位图和所述记录区间n的数据位图当中对应于相同计算时间单位的真假值进行运算，获得最新的控制位图。本发明降低了运算处理量，所需要的样本量小，对智能家居的适用性强。
Description
技术领域
本发明涉及智能化自动控制领域，尤其涉及一种可适用于智能家居的智能电器控制方法于系统。
背景技术
智能家居的“智能”主要体现在两个方面。第一，通过通信网络将家用电器等设备连接到一起，实现远程控制和集中管理。第二，在尽量少的人工干预前提下实现对家用电器的自动控制，调节其在最优化的模式下运转，从而提供舒适高质量的服务，并能做到节能环保。前者是基础，后者才是智能家居的核心。现有的智能家居研究或是产品中，绝大多数只满足了前者，而后者并没有受到太多关注。
在人工智能领域，机器学习和自适应等算法是主要研究方向和实现手段，其主要思路是先提出一个模型，然后通过一定量的样本空间来训练并最终确定该模型中的参数等可调部分，最终通过这个确定性模型来进行决策。
然而，面对智能家居领域的控制，传统的机器学习等手段并不合适。原因如下：
首先，样本空间不足。没有足够的训练数据，由于大量家庭的组成不同和生活习惯的不同，一般没有办法逐个家庭收集数据，而且即便可以收集，家用电器经过由大量家庭产生的数据进行训练后所形成的控制模型也无法适应于某个特定家庭的需要，例如某个电器在绝大多数家庭的使用时段是早7:00-7:30，但是不能基于此将某一特定家庭中的该电器设定为7:00-7:30工作，因为无法保证在该特定家庭中该电器的使用时段与绝大多数家庭的数据相吻合。另一方面，即使把学习目标锁定在单个家庭，也会出现不被留有足够长的时间来实现对数据的收集。例如，一般城市家庭的生活作息是以星期为单位，即使只收集一个家庭50组数据就需要花费一年的时间，也就是说家用电器经过一年的训练仍然未必能够形成稳定和可用的控制模型，显然这在实际运用中行不通。
其次，学习难度大。准确性地学习一个人或是一个家庭的生活作息难度非常大，因为人不存在绝对的内在规律作息，随机性非常大。要想彻底掌握某一个家庭的作息，在客观上要了解这个家庭的成员组成以及每个人的工作学习信息等，在主观上还要了解每个人的心理变化等一些情感因素。而智能家居只是一件或是几件电器设备，不可能获取这些数据。
最后，计算能力不足。人工智能一般需要很大的计算量，而智能家居的控制算法基本运行在单片机或是微控制器上，这些处理器相对PC或是服务器级别的处理器而言，由于其主频低、单核、位长短和浮点计算能力欠缺或是不足，无法承载人工智能运算带来的负荷。
基于以上事实，智能家居控制算法不能采用既有的人工智能模型和思路来实现。算法必须具备不需要学习样本、应对变化反应快速、计算量小和容易被编码实现等特点。由于智能家居的控制算法是一个具体场景的应用技术，故在人工智能领域鲜有专门针对该技术的研究。
发明内容
为了克服上述现有技术存在的缺陷，本发明提供了一种基于真假值的智能家居控制方法与系统。
本发明所述的基于真假值的智能家居控制方法，其特征在于，包括以下步骤：
步骤1，采集原始数据，并且对原始数据离散化处理为真假值，形成表征智能家居一个时间周期内工作和非工作状态的数据位图；
步骤2，确定控制周期参数，该控制周期参数用于在由真假值组成的所述数据位图中决定用于计算最新的控制位图的记录区间n；
步骤3，根据当前的控制位图以及由控制周期参数决定的记录区间n内的数据位图，按照预定的计算方法，对所述控制位图和所述记录区间n的数据位图当中对应于相同计算时间单位的真假值进行运算，获得最新的控制位图。
优选的是，步骤1中，采集并记录在一定周期内智能家居工作的时间段原始数据，进而，针对智能家居处于工作状态的时间段，归一化各时间段的起始时间和结束时间，形成离散化处理之后的工作时间段数据；针对离散化处理之后的工作时间段数据，按照一定的计算时间单位，根据在每个计算时间单位上所述离散化处理之后的工作时间段数据表示的工作和非工作状态，进行二值化，形成“真”和“假”的布尔值，从而一个周期内的工作时间段数据转换为了用于表征智能家居工作模式的由真假值组成的数据位图。
优选的是，步骤2中，如果控制周期参数确定的控制周期为天，则从真假值组成的数据位图当中，提取与前一天对应的一个记录区间用于计算最新的控制位图；如果控制周期参数确定的控制周期为星期，则从真假值组成的数据位图当中，提取与上一个星期中的一个记录区间用于计算最新的控制位图。
优选的是，步骤3中，如果所述记录区间n的数据位图当中的任一个计算时间单位对应的真假值为真，则所述最新的控制位图中该计算时间单位对应的真假值为真；并且，用三个域来保存数据位图中所述记录区间n及该记录区间之前的两个记录区间n-1，n-2的真假值；如果所述记录区间n的数据位图当中的任一个计算时间单位对应的真假值为假，则进一步判读记录区间n-1，n-2中该计算时间单位对应的真假值是否均为假，如果未均为假，最新的控制位图中该计算时间单位对应的真假值为真；如果均为假，则继续判断所述记录区间n中该计算时间单位的前一个计算时间单位和后一个计算时间单位是否均为真，如果均为真，则最新的控制位图中该计算时间单位对应的真假值为真，如果不均为真，则最新的控制位图中该计算时间单位对应的真假值为假。
本发明所述的基于真假值的智能家居控制系统，其特征在于，包括以下模块：
数据采集和离散化模块，采集原始数据，并且对原始数据离散化处理为真假值，形成表征智能家居一个时间周期内工作和非工作状态的数据位图；
控制周期确定模块，确定控制周期参数，该控制周期参数用于在由真假值组成的所述数据位图中决定用于计算最新的控制位图的记录区间n；
控制位图更新模块，根据当前的控制位图以及由控制周期参数决定的记录区间n内的数据位图，按照预定的计算方法，对所述控制位图和所述记录区间n的数据位图当中对应于相同计算时间单位的真假值进行运算，获得最新的控制位图。
优选的是，数据采集和离散化模块采集并记录在一定周期内智能家居工作的时间段原始数据，进而，针对智能家居处于工作状态的时间段，归一化各时间段的起始时间和结束时间，形成离散化处理之后的工作时间段数据；针对离散化处理之后的工作时间段数据，按照一定的计算时间单位，根据在每个计算时间单位上所述离散化处理之后的工作时间段数据表示的工作和非工作状态，进行二值化，形成“真”和“假”的布尔值，从而一个周期内的工作时间段数据转换为了用于表征智能家居工作模式的由真假值组成的数据位图。
优选的是，如果控制周期参数确定的控制周期为天，则从真假值组成的数据位图当中，提取与前一天对应的一个记录区间用于计算最新的控制位图；如果控制周期参数确定的控制周期为星期，则从真假值组成的数据位图当中，提取与上一个星期中的一个记录区间用于计算最新的控制位图。
优选的是，控制位图更新模块按如下方式确定最新的控制位图中的真假值：如果所述记录区间n的数据位图当中的任一个计算时间单位对应的真假值为真，则所述最新的控制位图中该计算时间单位对应的真假值为真；并且，用三个域来保存数据位图中所述记录区间n及该记录区间之前的两个记录区间n-1，n-2的真假值；如果所述记录区间n的数据位图当中的任一个计算时间单位对应的真假值为假，则进一步判读记录区间n-1，n-2中该计算时间单位对应的真假值是否均为假，如果未均为假，最新的控制位图中该计算时间单位对应的真假值为真；如果均为假，则继续判断所述记录区间n中该计算时间单位的前一个计算时间单位和后一个计算时间单位是否均为真，如果均为真，则最新的控制位图中该计算时间单位对应的真假值为真，如果不均为真，则最新的控制位图中该计算时间单位对应的真假值为假。
可见，本发明提出的基于真假值的智能家居控制方法与系统具有如下优点：首先，降低了运算处理量，不需要太多的计算和存储资源，能够在智能家居的单片机运算能力基础上顺利执行；其次，方法可以即时应用，在实际应用的同时学习，所需要的样本量小；第三，符合家庭规律性，对智能家居的适用性强。
附图说明
图1为本发明实施例所述的智能家居控制方法的流程图；
图2为本发明实施例所述的数据位图示意图；
图3为本发明实施例所述的最新控制位图计算方法的原理图；
图4为本发明实施例所述的计算方法I的原理图；
图5为本发明实施例所述的“T值即刻生效法”的原理图；
图6为本发明实施例所述的计算方法II的原理图；
图7为本发明实施例所述的计算方法III的原理图；
图8为本发明实际应用效果实验结果示意图；
图9为本发明实施例所述的智能家居控制系统的结构图。
具体实施方式
下面通过实施例，并结合附图，对本发明的技术方案做进一步具体的说明。
在具体实施例中，我们以电热水器作为植入本发明的家用电器的示例，介绍所述智能家居控制方法与系统。电热水器是中国城市普通家庭普及率最高的家用电器，而且能通过联网和智能芯片及软件植入比较容易地转变为智能设备。下面重点对采用本发明所述基于真假值的智能家居控制方法与系统来智能化地控制电热水器工作和非工作时间的过程进行介绍。
一般家庭使用热水的习惯集中在早晨和晚上，而电热水器却是全天24小时保存热水，造成了电能浪费。以中国南方为例，夏季即使白天和夜里不使用热水，热水器一般会空烧一次，而在冬天则空烧的频率更大，严重造成了电能浪费。所以，希望通过智能控制来决定热水器的工作和非工作时间，最佳效果是符合该家庭使用热水的习惯，即该家庭使用热水的时段热水器处在工作时间，而在该家庭不使用热水的时段则处在非工作时间。由于家庭的使用习惯千变万化，不可能通过提前在热水器中预置一个全能的控制算法来做实际控制。因而，我们可以在热水器中预置一个具备最低级控制能力并同时具有收集分析历史数据和根据数据的变化动态做出决策的方法及系统。在实际使用中，通过该方法及系统在不同的家庭环境中控制热水器的同时，提取用户数据，制定出跟特定使用者相匹配的控制策略。而本发明是基于真假值实现上述方法与系统的。
图1示出了本发明实施例所述的智能家居控制方法的流程图。如图所示，首先，在本方法的步骤1当中，采集原始数据，并且对原始数据离散化处理为真假值，形成表征智能家居一个时间周期内工作和非工作状态的数据位图。热水器的使用是现实世界中的具体问题，如果要想通过算法或是程序来对热水器的工作和非工作时间进行分析，并相应执行智能控制和管理，则首先需要建立与热水器的工作和非工作时间相关的数据表达模型。步骤1当中的原始数据采集即是面向热水器采集并记录在一定周期内(如一周内)该家庭使热水器工作的时间段原始数据。热水在实际使用中总是时断时续，通过统计发现，一个人的简单洗漱过程一般会持续10～15分钟，平均会开关水龙头三次，而如果把这些琐碎的时间片全部收集起来进行处理则没有任何意义。所以，收集原始数据采取的办法是两次热水器工作的时间差在半个小时以内，则算为一次。通过使用该收集数据的方法，记录某一家庭某一周使热水器工作的时间段数据如下所示：
周一：06:28-07:03\11:40-13:59\18:32-00:05；
周二：06:53-07:28\19:20-22:22；
周三：06:10-07:40\19:43-00:20\22:21-00:12；
周四：06:31-06:58\17:46-20:19；
周五：06:11-07:42\17:17-00:28；
周六：09:01-11:11\12:40-14:22\08:03-01:16；
周日：08:40-10:15\11:49-15:48\18:53-23:20；
在步骤1中，针对原始采集的数据做进一步处理，实质是将其工作区间扩大和计数单位离散化。具体的处理方法是将起始时间在xx:01-xx:30和xx:31-xx:60(xx:00)之间的数据分别归一为起始时间为xx:00和xx:30。结束时间在xx:01-xx:30和xx:31-xx:60(xx:00)之间的数据分别归一为结束时间为xx:30和xx+1:00。处理过的数据如下所示：
周一：06:00-07:30\11:30-14:00\18:30-00:30；
周二：06:30-07:30\19:00-22:30；
周三：06:00-08:00\19:30-21:30\22:00-00:30；
周四：06:30-07:00\17:30-20:30；
周五：06:00-08:00\17:00-00:30；
周六：09:00-11:30\12:30-14:30\08:00-01:30；
周日：08:30-10:30\11:30-16:00\18:30-23:30。
通过将处理过的数据跟原始数据对比可以发现，原始数据是被处理过数据的一个真子集。虽然，原始数据经处理后发生变化，但可以在不影响对真实使用者的数据提取前提下，简化了计算工作，所以进行这样的数据处理是必要的。
再进一步地，对于经过上述离散化处理之后形成的工作时间段数据，按照一定的计算时间单位(如半小时)，根据在每个计算时间单位上所述工作时间段数据表示的工作和非工作状态，进行二值化，形成“真”和“假”的布尔值，即工作时间段数据表示在某个计算时间单位上热水器处在工作状态则该计算时间单位对应的布尔值为“真”，反之如果热水器处在非工作状态则该计算时间单位对应的布尔值为“假“，从而一个周期内的工作时间段数据转换为了用于表征智能家居工作模式的由真假值组成的数据位图。为了更清晰的看清规律，将数据可视化，如图2所示，其中，纵坐标轴为48个时间单位，每半个小时为一个所述计算时间单位。横坐标将原始数据的一个记录周期(一周)划分7个记录区间，每天是一个记录区间。离散化之后的原始数据仍然是基于自然时间的，而时间在理论上是完全模拟线性的变量，以秒和分钟为单位太小，以小时为单位又太大，以半个小时为一个离散值的计算时间单位比较合适。根据实际使用情况每半个小时对应着布尔值“真”或是“假”，用T表示“真”，F来表示“假”。为此得到了具有真假值的位图。通过图2发现，只要控制算法最终能确定每个格子的值取真还是假即可。至此，将实际问题中的模拟量转化成了由位图表示的计算机可处理的表达模型，整个算法也是基于位图展开的。
本发明算法最终的使用场景是热水器一边实际工作一边收集数据并分析数据，并通过累积的数据最终决定控制策略。由于使用家庭的自身变化和气候、节气等原因，生活作息会不断变化，即使是通过累积历史数据分析并得到了决策方法，也不能以后就一直使用这个方法，还必须持续地分析最近一段时间的数据，并更新相应的控制决策，形成与使用者家庭当前最匹配的控制方法。
最初安装时(也包括使用过程中激活恢复出厂状态功能将数据清零的情况)，热水器并没有任何历史数据存在，热水器将按照出厂预设的原始的控制位图执行热水器工作和非工作时间的控制策略，例如有可能初始设定热水器全天24个小时都保持为工作时间。随着热水器工作的时间段原始数据被采集并按照步骤1的方法转换为数据位图，会按照本发明下面将要介绍的步骤，利用数据位图与控制位图进行运算，生成最新的控制位图，并基于该最新的控制位图对热水器的工作和非工作时间进行控制。所述控制位图中，针对每个计算时间单位，以真假值表示该计算时间单位内热水器的工作或者非工作状态，例如，如果控制位图上某计算时间单位对应的值为“真”，则根据该值，在该计算时间单位使热水器进入工作状态；反之，如果某计算时间单位对应的值为“假”，则在该计算时间单位使热水器进入非工作状态。
步骤2中，确定控制周期参数，该控制周期参数用于从步骤1产生的由真假值组成的数据位图中决定用于计算最新的控制位图的记录区间，根据所述控制位图决定对热水器工作和非工作时间的控制策略。在现实中，城市居民的生活往往以周或是以天为一个规律性的周期，所以需要加入一个控制周期参数LP(learning period)来定义控制周期。根据实际情况给LP取值，例如，如果控制周期是天，用LP＝d(day)表示；或者，控制周期是星期，用LP＝w(week)表示。
在LP＝d的情况下，前一天的数据会一定程度影响第二天对热水器的控制；从而，从真假值组成的数据位图当中，提取与前一天对应的一个记录区间，即图2中的一列真假值，这一列真假值将用来计算最新的控制位图。这种情况适用于不是以星期为生活周期的家庭。
在LP＝w的情况下，前一个星期的输入数据会一定程度的影响下个星期对控制器的控制。其实LP＝w是由LP＝d的组合而行成的情况，以每周的星期三为例，当前星期的周三只能借鉴前一个星期周三的历史数据，本质还是LP＝d的情况，所以本发明重点研究LP＝d的情况。
步骤3中，根据当前的控制位图以及由控制周期参数决定的记录区间内的数据位图，按照预定的计算方法，对所述控制位图和所述记录区间的数据位图当中对应于相同计算时间单位的真假值进行运算，获得最新的控制位图。如下式所示：
F(当前控制位图，记录区间的数据位图)＝最新的控制位图
图3示出了最新控制位图计算方法的原理图。其中当前控制位图A表示当前的控制决策；在LP＝d的情况下，最近一天的数据位图B表示最新的历史数据，它是算法的输入；最新控制位图C表示通过计算得出的最新控制决策结果，它是算法的输出。而在整个算法工作流程中，计算方法F是核心，直接决定着最终控制结果的好坏。下面分以下几种方法F来加以说明。
计算方法I
最简单的初步计算方法是采取类似真值计算法来得出目标控制位图。以图4的07:00-07:30这一格为例来说明，其中当前控制位图为A，最近一天的数据位图为B，最新的控制位图为C。
这种策略完全参考最新一天的数据，把最近一天的真假值数据作为最新控制位图的取值，当作下一天的控制方法。这种方法虽然简单，但是不具备灵活性和健壮性。尤其是对突然不规律的一天数据这种情况，完全没有抵御能力。另外也没有考虑到06:30-07:00和07:30-08:00等目标格附近对最终结果的影响，因为正常的生活作息都是在一定的区间内摇摆，必须要注重时间前后性的联系。
计算方法II
计算方法I除了参照最近一天的数据B外，并没有参考以前的数据，因而需要在该初步方法基础上做进一步改进。要想参考以前的历史数据，需要把历史数据一定程度反映到当前控制位图A中。控制位图的每一个格子在可以取真假值之外，需要再携带一个权值,这里用W表示。以W作为参考，面对最新一天的数据位图时，可以综合W的值来做出决策，而不是完全按照最新一天的数据位图的真假值信息来决定最新的控制位图。
同时，计算方法II保留计算方法I当中的T值即刻生效法，无论当前控制位图A的某一格子是T还是F，或者W取值是什么，只要最近一天的数据位图B的对应格子是T，则最新的控制位图对应格子做出的决策就是T。采取“T值即刻生效法”是为了尽量不要遗漏工作时间段，快速对变化做出反应，从而减少给正常生活带来麻烦。这也是整个算法的原则之一，实现手段是尽量使算法生成的控制位图的T值域要大于等于真正的T值域，这样可以更好地为智能生活带来方便。图5给出了“T值即刻生效法”的运算法则。
控制位图中权重值W的一种取值方法是统计式的方式，即以T或F的总数为分子，T和F二者之和的总数为分母。W的另外一种取值法是记录式的方式，记录预定义的一段时间内连续的T或是F的总数。由于人的活动具有时间局部性，相同活动规律具有聚集性，记录式的方法可以反映相应的聚集性和连续性，所以本发明中W采取记录式方式取值，具体的取法如下：
用三个域来保存最近三个记录区间(三天)的T/F值记录。W的三个域初始值均为T，在未接触到使用者数据时，默认全天工作。所述域从整体上看是一个按着时间的先后顺序先进先出移动的记录，保存的是使用者家庭最近过去三天的T/F值情况。在“T值即刻生效法”和W的约束下，需要新的计算法则，以W在n(n>＝3)天后的情况为例来说明。以第n天的数据不同，划分为两种情况。
第一种情况：第n天的数据值为T。根据“T值即刻生效法”会直接得出控制结果为T。这种情况下不需要参考W的值。
第二种情况：第n天的数据值为F。这种情况，“T值即刻生效法”不起作用，做决策的依据是查看第n-2天的数据值和第n-1天的数据值的真假。如果全部是F，则得出控制值为F；如果只有T存在，则会得出控制结果为T。该情况采取这种策略的目的是为由T向F变化提供一个容量为3的缓冲，只有连续三天为F才能确定为F，这些做法很好的体现了T值域最大可能性的覆盖真实情况。具体的计算法则如图6所示。
计算方法III
以改进的计算方法II可以反映人们生活习惯的时间局部性，但其缺点是边界过于硬朗和容易造成控制漏洞(如图1中的星期三的22:00格子)，下面以图7的15:00一格为研究对象来说明。
使用计算方法II只参考时间段15:00-15:30的当前控制位图A和15:00-15:30的最新一天的数据位图B，然后得到15:00-15:30的控制结果C。而实际上，人们的生活行为是线性的，具有时间前后连续性。为此，除了需要参考15:00-15:30的当前控制位图和最近一天的15:00-15:30的数据位图外，需要把它前一格(即前一个计算时间单位)的数据和后一格(即后一个计算时间单位)的数据作为参考，进行评估。
如图7所示，使用计算方法III可以分别得到当前控制位图C的14:30格子、15:00格子和15:30格子的控制结果。为了反映时间的连续性，在C的基础上建立三个格子的关联。具体也分为两种情况。
第一种情况：当使用计算方法II计算出15:00格子的控制结果为T，则依然遵守“T值即刻生效法”，不做任何操作，直接确定其最终控制结果为T。
第二种情况：当使用计算方法II计算出15:00格子的控制结果为F，并通过计算方法II也计算出14:30格子和15:30格子的控制结果。如果想要确定15:00格子的最终控制结果，需要参考其相邻格子的值。具体的办法是采取的是简单投票法，如果其他两个格子都是T，则15:00格子的最终控制结果为T，否则，15:00格子的最终控制结果为F。这种做法，进一步加大了控制位图的T域覆盖真实T的可能性。
最终方法III在初步的计算方法I和改进的计算方法II的基础上进行了改进和完善，去掉了初步方法和改进方法的缺点和不足，继承了它们的优点。最终方法III对T变化反应迅速、对F变化反应迟缓，并具有柔和边界和防止控制漏洞等特性。
对算法进行测试的手段有模拟和实践测试两种办法。对于TF算法而言，采用模拟手段行不通，因为没有办法对人的这种随机性行为进行模拟。故采用实践测试手段对TF算法进行测试。
由于时间等因素的限制，对TF算法进行了小范围测试，统计以天为生活周期某一家庭使用热水器的数据，持续时间为15天。另外，为了说明算法的使用效果，把算法的控制结果和这一个家庭的数据进行对比，结果如图8所示。
通过测试结果表发现，前三天是导入期，故TF算法具有最大工作时间，其控制的热水器是全天24小时工作，没有收敛，从第四天开始收敛。其中有两个参数需要统计，一个是命中率为93.9％，这个参数直接影响到使用者的体验，命中率越高，则用户越满意。非命中的格子在测试结果图8中已经被标记出来，非命中率为6.1％。
从节能省电的角度来评价算法，则需要统计无效控制，去掉前三天的情况，无效控制率为36.7％。单纯从节能省电的角度来评价算法，这个参数越低则电能利用率越高。但是，只有在命中率满足一定要求下，提升这个指标才有意义。
图9是本发明所述的基于真假值的智能家居控制系统的结构图，包括以下模块：
数据采集和离散化模块，采集原始数据，并且对原始数据离散化处理为真假值，形成表征智能家居一个时间周期内工作和非工作状态的数据位图；
控制周期确定模块，确定控制周期参数，该控制周期参数用于在由真假值组成的所述数据位图中决定用于计算最新的控制位图的记录区间n；
控制位图更新模块，根据当前的控制位图以及由控制周期参数决定的记录区间n内的数据位图，按照预定的计算方法，对所述控制位图和所述记录区间n的数据位图当中对应于相同计算时间单位的真假值进行运算，获得最新的控制位图。
上实施例仅用于说明本发明，而并非对本发明的限制，有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型，因此所有等同的技术方案也属于本发明的范畴，本发明的专利保护范围应由权利要求限定。
Claims (8)
1.一种基于真假值的智能家居控制方法，其特征在于，包括以下步骤：
步骤1，采集原始数据，并且对原始数据离散化处理为真假值，以一定数量的计算时间单位作为纵坐标，将原始数据的一个记录周期划分的若干记录区间作为横坐标，以布尔值“真”或是“假”作为每个像素取值，形成表征智能家居一个时间周期内工作和非工作状态的具有真假值的数据位图；
步骤2，确定控制周期参数，该控制周期参数用于在由真假值组成的所述数据位图中决定用于计算最新的控制位图的记录区间n；
步骤3，根据当前的控制位图以及由控制周期参数决定的记录区间n内的数据位图，按照预定的计算方法，对所述控制位图和所述记录区间n的数据位图当中对应于相同计算时间单位的真假值进行运算，获得最新的控制位图。
2.一种如权利要求1所述的智能家居控制方法，其特征在于，步骤1中，采集并记录在一定周期内智能家居工作的时间段原始数据，进而，针对智能家居处于工作状态的时间段，归一化各时间段的起始时间和结束时间，形成离散化处理之后的工作时间段数据；针对离散化处理之后的工作时间段数据，按照一定的计算时间单位，根据在每个计算时间单位上所述离散化处理之后的工作时间段数据表示的工作和非工作状态，进行二值化，形成“真“和”假“的布尔值，从而一个周期内的工作时间段数据转换为了用于表征智能家居工作模式的由真假值组成的数据位图。
3.一种如权利要求2所述的智能家居控制方法，其特征在于，步骤2中，如果控制周期参数确定的控制周期为天，则从真假值组成的数据位图当中，提取与前一天对应的一个记录区间用于计算最新的控制位图；如果控制周期参数确定的控制周期为星期，则从真假值组成的数据位图当中，提取与上一个星期中的一个记录区间用于计算最新的控制位图。
4.一种如权利要求3所述的智能家居控制方法，其特征在于，步骤3中，如果所述记录区间n的数据位图当中的任一个计算时间单位对应的真假值为真，则所述最新的控制位图中该计算时间单位对应的真假值为真；并且，用三个域来保存数据位图中所述记录区间n及该记录区间之前的两个记录区间n-1，n-2的真假值；如果所述记录区间n的数据位图当中的任一个计算时间单位对应的真假值为假，则进一步判读记录区间n-1，n-2中该计算时间单位对应的真假值是否均为假，如果未均为假，最新的控制位图中该计算时间单位对应的真假值为真；如果均为假，则继续判断所述记录区间n中该计算时间单位的前一个计算时间单位和后一个计算时间单位是否均为真，如果均为真，则最新的控制位图中该计算时间单位对应的真假值为真，如果不均为真，则最新的控制位图中该计算时间单位对应的真假值为假。
5.一种基于真假值的智能家居控制系统，其特征在于，包括以下模块：
数据采集和离散化模块，采集原始数据，并且对原始数据离散化处理为真假值，以一定数量的计算时间单位作为纵坐标，将原始数据的一个记录周期划分的若干记录区间作为横坐标，以布尔值“真”或是“假”作为每个像素取值，形成表征智能家居一个时间周期内工作和非工作状态的具有真假值的数据位图；
控制周期确定模块，确定控制周期参数，该控制周期参数用于在由真假值组成的所述数据位图中决定用于计算最新的控制位图的记录区间n；
控制位图更新模块，根据当前的控制位图以及由控制周期参数决定的记录区间n内的数据位图，按照预定的计算方法，对所述控制位图和所述记录区间n的数据位图当中对应于相同计算时间单位的真假值进行运算，获得最新的控制位图。
6.根据权利要求5所述的基于真假值的智能家居控制系统，其特征在于，数据采集和离散化模块采集并记录在一定周期内智能家居工作的时间段原始数据，进而，针对智能家居处于工作状态的时间段，归一化各时间段的起始时间和结束时间，形成离散化处理之后的工作时间段数据；针对离散化处理之后的工作时间段数据，按照一定的计算时间单位，根据在每个计算时间单位上所述离散化处理之后的工作时间段数据表示的工作和非工作状态，进行二值化，形成“真“和”假“的布尔值，从而一个周期内的工作时间段数据转换为了用于表征智能家居工作模式的由真假值组成的数据位图。
7.根据权利要求6所述的基于真假值的智能家居控制系统，其特征在于，如果控制周期参数确定的控制周期为天，则从真假值组成的数据位图当中，提取与前一天对应的一个记录区间用于计算最新的控制位图；如果控制周期参数确定的控制周期为星期，则从真假值组成的数据位图当中，提取与上一个星期中的一个记录区间用于计算最新的控制位图。
8.根据权利要求7所述的基于真假值的智能家居控制系统，其特征在于，控制位图更新模块按如下方式确定最新的控制位图中的真假值：如果所述记录区间n的数据位图当中的任一个计算时间单位对应的真假值为真，则所述最新的控制位图中该计算时间单位对应的真假值为真；并且，用三个域来保存数据位图中所述记录区间n及该记录区间之前的两个记录区间n-1，n-2的真假值；如果所述记录区间n的数据位图当中的任一个计算时间单位对应的真假值为假，则进一步判读记录区间n-1，n-2中该计算时间单位对应的真假值是否均为假，如果未均为假，最新的控制位图中该计算时间单位对应的真假值为真；如果均为假，则继续判断所述记录区间n中该计算时间单位的前一个计算时间单位和后一个计算时间单位是否均为真，如果均为真，则最新的控制位图中该计算时间单位对应的真假值为真，如果不均为真，则最新的控制位图中该计算时间单位对应的真假值为假。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510451246.5A CN104950862B (zh) | 2015-07-28 | 2015-07-28 | 一种基于真假值的智能家居控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510451246.5A CN104950862B (zh) | 2015-07-28 | 2015-07-28 | 一种基于真假值的智能家居控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104950862A CN104950862A (zh) | 2015-09-30 |
| CN104950862B true CN104950862B (zh) | 2018-02-13 |
Family
ID=54165583
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510451246.5A Active CN104950862B (zh) | 2015-07-28 | 2015-07-28 | 一种基于真假值的智能家居控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104950862B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109932918A (zh) * | 2019-03-26 | 2019-06-25 | 陕西科技大学 | 一种智能家居控制系统 |
| CN110417866B (zh) * | 2019-07-01 | 2022-01-11 | 珠海格力电器股份有限公司 | 一种门锁控制的方法及装置 |
| CN110701785B (zh) * | 2019-10-31 | 2021-03-19 | 山东轻工职业学院 | 一种智能节能的热水系统及其控制方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU2003222544A1 (en) * | 2002-04-08 | 2003-10-27 | Gyros Ab | Homing process |
| JP2008306539A (ja) * | 2007-06-08 | 2008-12-18 | Sharp Corp | 電気機器及びそのオンタイマー機能の設定方法 |
| CN102945027A (zh) * | 2012-10-26 | 2013-02-27 | 广东志高空调有限公司 | 一种基于云技术应用的智能家居 |
| US9275554B2 (en) * | 2013-09-24 | 2016-03-01 | Jimmy M Sauz | Device, system, and method for enhanced memorization of a document |
| CN104375418B (zh) * | 2014-11-11 | 2017-09-29 | 奔马物联科技（横琴）有限公司 | 一种基于物联网的自动控制方法 |
-
2015
- 2015-07-28 CN CN201510451246.5A patent/CN104950862B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN104950862A (zh) | 2015-09-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108488987B (zh) | 空气调节设备的控制方法、存储介质和设备 | |
| Wang et al. | Ensemble learning for load forecasting | |
| CN108054749B (zh) | 一种非侵入式电力负荷分解方法及装置 | |
| CN104950862B (zh) | 一种基于真假值的智能家居控制方法 | |
| CN104122819A (zh) | 基于用户习惯的家庭智能用电方法及其系统 | |
| CN106951990A (zh) | 电力负荷智能预测方法及装置 | |
| CN113435657A (zh) | 数据集成处理方法、系统、能源管理系统、电子设备及计算机可读存储介质 | |
| CN115249094B (zh) | 一种基于大数据的建筑能效管理和优化方法 | |
| CN115423301B (zh) | 一种基于物联网的电力能源智能管控方法、装置及系统 | |
| CN113902582A (zh) | 一种楼宇综合能源负荷预测方法及系统 | |
| CN110198042A (zh) | 一种电网储能的动态优化方法及存储介质 | |
| CN202838402U (zh) | 一种短期电力负荷预测系统 | |
| Tilmant et al. | Optimal operation of multipurpose reservoirs using flexible stochastic dynamic programming | |
| Yuill et al. | Application of Adaptive Neuro Fuzzy Inference System (ANFIS) based short term load forecasting in South African power networks | |
| CN114069642A (zh) | 一种考虑用户满意度的温控负荷综合调峰方法 | |
| CN113568948A (zh) | 一种电气物联网系统 | |
| CN111536757A (zh) | 家电使用习惯的提醒方法、冰箱及计算机存储介质 | |
| Hong et al. | A demand side management with appliance controllability analysis in smart home | |
| CN110262275A (zh) | 一种智能家居系统及其控制方法 | |
| Durillon et al. | Demand Response Methodology Applied on Three-Axis Constructed Consumers Profiles | |
| CN113341792B (zh) | 一种基于bim的建筑数据采集方法及系统 | |
| CN106655175B (zh) | 一种居民用户用电智能调度优化方法 | |
| Wu et al. | A method for forecasting alpine area load based on artificial neural network model | |
| Aritoni et al. | A multi-agent recommendation system for energy efficiency improvement | |
| Lin et al. | The pattern recognition of residential power consumption based on HMM |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CB03 | Change of inventor or designer information |
Inventor after: Xin Fumin Inventor after: Ding Shujuan Inventor after: Wang Yihuai Inventor after: Li Fanchang Inventor after: Chen Jianming Inventor after: Shi Xinfeng Inventor after: Li Hui Inventor before: Wang Yihuai Inventor before: Li Fanchang Inventor before: Chen Jianming Inventor before: Shi Xinfeng Inventor before: Li Hui |
|
| CB03 | Change of inventor or designer information | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20211025 Address after: 511400 Fuliangang, Lianwei Village, Lianhuashan, Shilou Town, Panyu District, Guangzhou, Guangdong Province Patentee after: GUANGZHOU SNIMAY HOUSEHOLD Co.,Ltd. Patentee after: SOOCHOW University Address before: 215123 No. 199 benevolence Road, Suzhou Industrial Park, Jiangsu, China Patentee before: SOOCHOW University |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20220520 Address after: 511400 Fuliangang, Lianwei Village, Lianhuashan, Shilou Town, Panyu District, Guangzhou, Guangdong Province Patentee after: GUANGZHOU SNIMAY HOUSEHOLD Co.,Ltd. Address before: 511400 Fuliangang, Lianwei Village, Lianhuashan, Shilou Town, Panyu District, Guangzhou, Guangdong Province Patentee before: GUANGZHOU SNIMAY HOUSEHOLD Co.,Ltd. Patentee before: Soochow University |
|
| TR01 | Transfer of patent right |