CN110531681A - 基于深度强化学习的室内照明数据采集控制系统及方法 - Google Patents
基于深度强化学习的室内照明数据采集控制系统及方法 Download PDFInfo
- Publication number
- CN110531681A CN110531681A CN201910877460.5A CN201910877460A CN110531681A CN 110531681 A CN110531681 A CN 110531681A CN 201910877460 A CN201910877460 A CN 201910877460A CN 110531681 A CN110531681 A CN 110531681A
- Authority
- CN
- China
- Prior art keywords
- data
- control
- module
- time interval
- deeply
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 31
- 230000007613 environmental effect Effects 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims description 29
- 230000006870 function Effects 0.000 claims description 19
- 230000008859 change Effects 0.000 claims description 11
- 238000005286 illumination Methods 0.000 claims description 8
- 230000003287 optical effect Effects 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000013480 data collection Methods 0.000 claims description 4
- 238000005538 encapsulation Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 claims description 2
- 238000004806 packaging method and process Methods 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract description 16
- 230000009471 action Effects 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 3
- 238000011478 gradient descent method Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 230000002457 bidirectional effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000003760 hair shine Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
- 230000002087 whitening 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
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
- G05B19/0423—Input/output
-
- 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
- G05B2219/24—Pc safety
- G05B2219/24215—Scada supervisory control and data acquisition
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Circuit Arrangement For Electric Light Sources In General (AREA)
Abstract
本公开提出了基于深度强化学习的室内照明数据采集控制系统及方法,包括:通用模块及云平台;环境数据采集模块将采集的人员信息及光照信息传输至中央处理器,中央处理器分别与数据存储模块及无线模块通信,并将上述信息传输至云平台;所述中央处理器既能接收云平台通过无线模块下发的命令,控制执行器对照明设备的工作状态的控制;在无人值守时将当前时间间隔现场人员数据与光照数据输入最优的深度强化学习模型得到下一个时间间隔的控制指令数据自行控制照明设备工作状态。本公开既可完成室内人员数据与光照数据的采集,又可根据指令转换为控制模式控制照明设备,可以大大减少照明设备监控系统现场层所需布置的节点数量,降低系统成本。
Description
技术领域
本公开涉及建筑照明技术领域,特别是涉及一种基于深度强化学习的室内照明数据采集控制通用系统及控制方法。
背景技术
照明设备监控是建筑设备监控系统中重要的一部分,现有的照明设备监控系统可以实现按照时间参数、室内人员有无状态及光照强度控制照明设备启停状态,基本可以实现对建筑内照明设备的自动控制。但是现有的照明设备监控系统仍然存在着问题,主要表现在环境数据采集节点、照明设备控制节点硬件设计与节点布置方面,同时,也表现在光照数据与人员数据的处理方面。
发明人在研究中发现,现有的照明设备监控系统在进行照明设备监控工作时,要同时布置环境数据采集节点与照明设备控制节点,当现场照明设备较多时,所需节点数量巨大且成本较高,同时在进行布置工作时所需时间较长,大大增长了照明设备监控系统的可移植难度;其次,当室内照明数据采集控制通用系统进入无人值守状态时,目前的数据自行处理方式也存在一定缺陷。
目前未见基于深度强化学习的集环境数据采集功能与照明设备控制功能于一体的室内照明数据采集控制通用系统。
发明内容
本发明的目的是提供基于深度强化学习的室内照明数据采集控制系统,通过该系统既可以通过深度强化学习模型自行处理数据以提高该系统在无人值守时的照明控制精度;又解决了照明设备监控系统现场层所需布置节点数量巨大的问题,降低了系统成本,缩短了系统布置周期,在一定程度上提高了照明设备监控系统的可移植性。
为实现上述目的,本发明的一个或多个实施例提供了如下技术方案:
基于深度强化学习的室内照明数据采集控制系统,通过以下技术方案实现:
包括:通用模块及云平台;
所述通用模块包括中央处理器,所述中央处理器分别与数据存储模块、执行器、无线模块及环境数据采集模块相连;
所述环境数据采集模块将采集的人员信息及光照信息传输至中央处理器,所述中央处理器分别与数据存储模块及无线模块通信,并将上述信息传输至云平台;
所述中央处理器既能接收云平台通过无线模块下发的命令,控制执行器对照明设备的工作状态的控制;在无人值守时将当前时间间隔现场人员数据与光照数据输入最优的深度强化学习模型得到下一个时间间隔的控制指令数据自行控制照明设备工作状态。
进一步的技术方案,在无人值守时控制照明设备工作状态的具体步骤为:
采集房间面积数据、人员数据、光照数据,然后将数据划分为训练样本集和预测样本集,并将样本进行预处理;
根据所得到的训练样本输入到深度强化学习网络模型中,训练直到可以得到最优的状态动作值函数后停止,并保存训练后的模型;
将预测样本输入到所得到的训练后的深度强化学习网络模型,进行控制指令数据预测。
进一步的技术方案,在对深度强化学习神经网络进行训练时,在训练样本中选定某一个时间间隔作为待预测时间间隔,将进行过预处理的待预测时间间隔的上一时间间隔的控制指令数据、房间面积数据、人口数据、光照数据作为输入向量,为待预测时间间隔控制指令数据添加数值标签,训练深度强化学习网络。
进一步的技术方案,将进行过预处理的待预测时间间隔的前一时间间隔的控制指令数据、房间面积、人口数据、光照数据按类别分为I组作为输入向量,将进行过预处理的待预测时间间隔的控制指令数据添加数值标签,将数据输入深度强化学习网络进行训练,训练的目标就是更新权值使状态动作值函数最终收敛。
进一步的技术方案,训练完成的深度强化学习网络模型封装至室内照明数据采集控制通用模块中央处理器后,通用模块在自判断模式下即可通过当前时间间隔人员数据与光照数据预测得到下一个时间间隔的控制指令数据。
进一步的技术方案,所述照明设备仅包括室内照明设备。
进一步的技术方案,所述中央处理器采用HTTP协议封装环境数据采集模块采集的数据与云平台下发的控制指令数据;
所述中央处理器封装最优的深度强化学习模型,在无人值守时控制照明设备工作状态;
所述无线模块采用TCP/IP协议且利用WIFI数据传输技术传输数据;
所述数据存储模块只存储中央处理器进入设备控制模式时环境数据采集模块所测量的数据。
进一步的技术方案,环境数据采集模块包括人员传感器数据、光照传感器数据。
本说明书实施方式提供一种基于深度强化学习的室内照明数据采集控制通用系统的控制方法,该通用系统可工作于有人值守环境时,通过以下技术方案实现:
通用模块上电后默认进入数据采集模式,采集现场人员数据与光照数据并且上传至云平台;
通过云平台获取现场人员数据与光照数据并判断是否改变照明设备状态;当需要改变现场照明设备状态时,通过云平台下达控制指令;
通用模块进入设备控制模式控制照明设备,此时无线模块进入AP模式,该阶段传感器数据不能上传至云平台,传感器数据将存储至数据存储模块;
当控制状态结束后,所述通用模块进入数据采集模式,无线模块重新进入STA模式,通用模块将上阶段数据存储模块中的数据上传至云平台后再进行后续的数据采集工作;
在无人值守时将当前时间间隔现场人员数据与光照数据输入最优的深度强化学习模型得到下一个时间间隔的控制指令数据自行控制照明设备工作状态。
进一步的技术方案,通过云平台下达控制指令时,控制指令同时封装所述通用模块模式转换指令与现场照明设备控制指令。
该通用系统可工作于无人值守环境时,通过以下技术方案实现:
通用模块上电后默认进入数据采集模式,采集当前时间间隔现场人员数据与光照数据;
通过中央处理器获取当前时间间隔现场人员数据与光照数据输入最优的深度强化学习模型得到下一个时间间隔的控制指令数据;
通过执行器模块得到的控制指令数据控制现场照明设备工作状态。
进一步的技术方案,该通用模块无人值守环境工作状态可通过云平台下达控制指令时候改变。
与现有技术相比,本公开的有益效果是:
本公开当无人值守时,该系统可基于深度强化学习处理现场人员数据与光照数据并生成预测控制指令;当有人值守时,该系统可完成室内人员数据与光照数据的采集上传至云平台供用户查看,用户可发送控制指令转换手动控制模式控制照明设备。
与现有的照明设备监控系统底层节点相比,将环境数据采集功能与照明设备控制功能集成于一种室内照明数据采集控制通用模块,既可完成室内人员数据与光照数据的采集,又可根据指令转换为控制模式控制照明设备,可以大大减少照明设备监控系统现场层所需布置的节点数量,降低系统成本,缩短系统布置周期,在一定程度上提高照明设备监控系统的可移植性;同时,将深度强化学习模型引入室内照明数据采集控制通用模块后,可在无人值守环境下提高照明设备的控制精度,一定程度上节约照明设备能耗。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解,本公开的示意性实施例及其说明用于解释本公开,并不构成对本公开的不当限定。
图1为一种基于深度强化学习的室内照明数据采集控制通用模块及系统原理图;
图2为一种基于深度强化学习的室内照明数据采集控制通用模块工作流程图。
图3为一种基于深度强化学习的室内照明数据采集控制通用模块自判断模式工作流程图。
具体实施方式
应该指出,以下详细说明都是例示性的,旨在对本公开提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本公开的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例子一
该实施例公开了一种室内照明数据采集控制通用系统,包括云平台、无线模块、中央处理器、数据存储模块、执行器、人员传感器、光照传感器、照明设备。云平台由云数据库与云服务器组成;室内照明数据采集控制通用模块由无线模块、中央处理器、数据存储模块、执行器、人员传感器、光照传感器组成。人员传感器、光照传感器、执行器与中央处理器为单向数据传输,无线模块、数据存储模块与中央处理器为双向数据传输,云平台与室内照明数据采集控制通用模块为双向数据传输。所监控的照明设备仅包括室内照明设备。
具体的,室内照明数据采集控制通用模块中央处理器采用HTTP协议封装人员传感器数据、光照传感器数据与控制指令数据,无线模块采用TCP/IP协议且利用WIFI数据传输技术传输数据,数据存储模块只存储室内照明数据采集控制通用模块进入设备控制模式时人员传感器与光照传感器所测量数据。由于室内照明数据采集控制通用模块集成了人员传感器、光照传感器、WIFI模块、数据存储模块与执行器,所以所述模块既可完成室内人员数据与光照数据的采集,又可根据指令转换为控制模式控制照明设备。
室内照明数据采集控制通用模块既可完成室内人员数据与光照数据的采集,又可根据指令转换为控制模式控制照明设备。
实施例子二
该实施例子公开了一种室内照明数据采集控制通用系统的控制方法,包括:
具体的,如图2所示,一种室内照明数据采集控制通用模块上电后默认进入数据采集模式,采集现场人员数据与光照数据并且上传至云平台,当有用户值守时,用户可通过云平台获取现场人员数据与光照数据并判断是否改变照明设备状态,当用户需要改变现场照明设备状态时,可通过云平台下达控制指令(需进一步说明的是,该控制指令同时封装所述室内照明数据采集控制通用模块模式转换指令与现场照明设备控制指令),所述室内照明数据采集控制通用模块在接受控制指令后进入设备控制模式控制照明设备,由于此时无线模块进入AP模式,该阶段传感器数据不能上传至云平台,传感器数据将存储至数据存储模块,当控制状态结束后,所述室内照明数据采集控制通用模块进入数据采集模式,无线模块重新进入STA模式,照明数据采集控制通用模块将上阶段数据存储模块中的数据上传至云平台后再进行后续的数据采集工作。
当无用户值守时,通用模块可将当前时间间隔现场人员数据与光照数据输入最优的深度强化学习模型得到下一个时间间隔的控制指令数据;需进一步说明的是,用户下达指令优先级要高于云平台下达指令优先级,即所述通用模块自判断工作状态可通过云平台下达控制指令时候改变。
具体的,如图3所示步骤:
(1)分析控制指令数据的影响因素,采集房间面积数据、人员数据、光照数据。然后将数据划分为训练样本集和预测样本集,并将样本进行预处理。
(2)根据步骤(1)中所得到的训练样本输入到深度强化学习网络模型中,训练直到可以得到最优的状态动作值函数后停止,并保存训练后的模型。
(3)将预测样本输入到利用步骤(2)所得到的深度强化学习网络模型,进行控制指令数据预测。
在对深度强化学习神经网络进行训练时,在训练样本中选定某一个时间间隔作为待预测时间间隔,将进行过预处理的待预测时间间隔的上一时间间隔的控制指令数据、房间面积数据、人口数据、光照数据作为输入向量,为待预测时间间隔控制指令数据添加数值标签,训练深度强化学习网络。
深度强化学习网络的目标是在某一个输入向量为xi的条件下,通过更新权值ωi使状态动作值函数最终收敛,即利用最优状态动作值函数计算出输入样本xi的期望最大回报值,从而得到最优策略π*=arg maxQ*(xi,ai;ωi)。最优状态动作值函数如下:
Q*(xi,ai;|ωi)=maxπE[Ri|xi=x,ai=a,ωi=ω,π]
其中Ri为输入样本xi的未来回报,π是输入样本xi与数据标签ai的映射函数。
其中I是输入样本总量,γ为折扣系数,用来权衡未来奖赏对累计奖赏的影响。
深度强化学习网络采用训练样本的输入向量为xi,每一个输入向量中包含n个元素,输入向量经过卷积神经网络与全连接神经网络运算后,输出状态动作值Qπ(x,a;ω),通过状态动作值Qπ(x,a;ω)获取迭代后的损失函数Li(ωi),进而获得权值ω更新的梯度,然后使用梯度下降法更新权值。具体过程如下:
首先要获得训练样本。在获得训练样本时要对数据进行预处理,主要是进行归一化处理与白化处理,对特征轴上的数据幅度归一化,减少由数据取值范围差异带来的干扰。然后将进行过预处理的待预测时间间隔的前一时间间隔的控制指令数据、房间面积、人口数据、光照数据按类别分为I组作为输入向量xi,将进行过预处理的待预测时间间隔的控制指令数据添加数值标签后作为ai。将数据输入深度强化学习网络进行训练,训练的目标就是更新权值ω使状态动作值函数最终收敛。
获得训练样本后进行深度强化学习网络训练,步骤如下:
1)数据进入卷积计算层后进行卷积计算。卷积计算层的公式为:
其中xij为数据输入层的局部数据,ω(n-i)(n-j)为filter中的数据,bL为偏置量。
2)为了使计算得到简化,本发明采用的激励函数为Relu,池化层采用Max pooling方法。至此,输入向量xi经过卷积神经网络与全连接神经网络后输出状态动作值Qπ(xi,ai;ωi)。
3)利用输出的状态动作值Qπ(xi,ai;ωi)计算输入样本xi的目标输出yi,公式如下:
其中Ri为输入样本xi的未来回报,γ为折扣系数,ω-随着网络训练的过程不断更新。
4)利用当前输出的状态动作值Qπ(xi,ai;ωi)与目标输出yi得到均方误差函数Li(ωi),公式如下:
E为中括号中式子的数学期望,下标里的参数代表中括号里的式子存在这些参数。
5)用均方误差函数Li(ωi)对ωi求导,得到权值更新的梯度。公式如下:
6)用梯度下降法更新权值ωi,梯度下降法的公式如下:
其中gi与有关。
以上步骤即可完成深度强化学习网络的训练,将训练完成的深度强化学习网络模型封装至室内照明数据采集控制通用模块中央处理器后,通用模块在自判断模式下即可通过当前时间间隔人员数据与光照数据预测得到下一个时间间隔的控制指令数据。
本发明通过集成环境数据采集功能、照明设备控制功能与深度强化学习模型提出了一种基于深度强化学习的室内照明数据采集控制通用模块。当通用模块工作在有人值守环境时,既可完成室内人员数据与光照数据的采集,又可根据指令转换为控制模式控制照明设备,大大减少了照明设备监控系统现场层所需布置的节点数量,降低了照明设备监控系统的硬件成本,缩短了系统的布置周期,又在一定程度上提高了照明设备监控系统的可移植性。当通用模块工作在无人值守环境时,通过训练好的深度强化学习模型处理当前时间间隔的人员数据与光照数据并输出下一个时间间隔的控制指令数据,提高了照明设备的控制精度,一定程度上节约照明设备能耗。
可以理解的是,在本说明书的描述中,参考术语“一实施例”、“另一实施例”、“其他实施例”、或“第一实施例~第N实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料的特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述仅为本公开的优选实施例而已,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
Claims (10)
1.基于深度强化学习的室内照明数据采集控制系统,其特征是,包括:通用模块及云平台;
所述通用模块包括中央处理器,所述中央处理器分别与数据存储模块、执行器、无线模块及环境数据采集模块相连;
所述环境数据采集模块将采集的人员信息及光照信息传输至中央处理器,所述中央处理器分别与数据存储模块及无线模块通信,并将上述信息传输至云平台;
所述中央处理器既能接收云平台通过无线模块下发的命令,控制执行器对照明设备的工作状态的控制;在无人值守时将当前时间间隔现场人员数据与光照数据输入最优的深度强化学习模型得到下一个时间间隔的控制指令数据自行控制照明设备工作状态。
2.如权利要求1所述的基于深度强化学习的室内照明数据采集控制系统,其特征是,在无人值守时控制照明设备工作状态的具体步骤为:
采集房间面积数据、人员数据、光照数据,然后将数据划分为训练样本集和预测样本集,并将样本进行预处理;
根据所得到的训练样本输入到深度强化学习网络模型中,训练直到可以得到最优的状态动作值函数后停止,并保存训练后的模型;
将预测样本输入到所得到的训练后的深度强化学习网络模型,进行控制指令数据预测。
3.如权利要求1所述的基于深度强化学习的室内照明数据采集控制系统,其特征是,在对深度强化学习神经网络进行训练时,在训练样本中选定某一个时间间隔作为待预测时间间隔,将进行过预处理的待预测时间间隔的上一时间间隔的控制指令数据、房间面积数据、人口数据、光照数据作为输入向量,为待预测时间间隔控制指令数据添加数值标签,训练深度强化学习网络。
4.如权利要求1所述的基于深度强化学习的室内照明数据采集控制系统,其特征是,将进行过预处理的待预测时间间隔的前一时间间隔的控制指令数据、房间面积、人口数据、光照数据按类别分为I组作为输入向量,将进行过预处理的待预测时间间隔的控制指令数据添加数值标签,将数据输入深度强化学习网络进行训练,训练的目标就是更新权值使状态动作值函数最终收敛。
5.如权利要求1所述的基于深度强化学习的室内照明数据采集控制系统,其特征是,训练完成的深度强化学习网络模型封装至室内照明数据采集控制通用模块中央处理器后,通用模块在自判断模式下即可通过当前时间间隔人员数据与光照数据预测得到下一个时间间隔的控制指令数据。
6.如权利要求1所述的基于深度强化学习的室内照明数据采集控制系统,其特征是,所述照明设备仅包括室内照明设备。
7.如权利要求1所述的基于深度强化学习的室内照明数据采集控制系统,其特征是,所述中央处理器采用HTTP协议封装环境数据采集模块采集的数据与云平台下发的控制指令数据;
所述中央处理器封装最优的深度强化学习模型,在无人值守时控制照明设备工作状态;
所述无线模块采用TCP/IP协议且利用WIFI数据传输技术传输数据;
所述数据存储模块只存储中央处理器进入设备控制模式时环境数据采集模块所测量的数据。
8.如权利要求1所述的基于深度强化学习的室内照明数据采集控制系统,其特征是,环境数据采集模块包括人员传感器数据、光照传感器数据。
9.一种基于深度强化学习的室内照明数据采集控制通用系统的控制方法,其特征是,该通用系统可工作于有人值守环境时:
通用模块上电后默认进入数据采集模式,采集现场人员数据与光照数据并且上传至云平台;
通过云平台获取现场人员数据与光照数据并判断是否改变照明设备状态;当需要改变现场照明设备状态时,通过云平台下达控制指令;
通用模块进入设备控制模式控制照明设备,此时无线模块进入AP模式,该阶段传感器数据不能上传至云平台,传感器数据将存储至数据存储模块;
当控制状态结束后,所述通用模块进入数据采集模式,无线模块重新进入STA模式,通用模块将上阶段数据存储模块中的数据上传至云平台后再进行后续的数据采集工作;
在无人值守时将当前时间间隔现场人员数据与光照数据输入最优的深度强化学习模型得到下一个时间间隔的控制指令数据自行控制照明设备工作状态;
通过云平台下达控制指令时,控制指令同时封装所述通用模块模式转换指令与现场照明设备控制指令。
10.如权利要求9所述的一种基于深度强化学习的室内照明数据采集控制通用系统的控制方法,其特征是,该通用系统工作于无人值守环境时,通用模块上电后默认进入数据采集模式,采集当前时间间隔现场人员数据与光照数据;
通过中央处理器获取当前时间间隔现场人员数据与光照数据输入最优的深度强化学习模型得到下一个时间间隔的控制指令数据;
通过执行器模块得到的控制指令数据控制现场照明设备工作状态;
该通用模块无人值守环境工作状态可通过云平台下达控制指令时候改变。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910877460.5A CN110531681B (zh) | 2019-09-17 | 2019-09-17 | 基于深度强化学习的室内照明数据采集控制系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910877460.5A CN110531681B (zh) | 2019-09-17 | 2019-09-17 | 基于深度强化学习的室内照明数据采集控制系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110531681A true CN110531681A (zh) | 2019-12-03 |
CN110531681B CN110531681B (zh) | 2021-04-09 |
Family
ID=68668881
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910877460.5A Active CN110531681B (zh) | 2019-09-17 | 2019-09-17 | 基于深度强化学习的室内照明数据采集控制系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110531681B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111368970A (zh) * | 2020-02-17 | 2020-07-03 | 哈尔滨工业大学 | 一种基于深度强化学习的传感器优化布置方法 |
CN115190146A (zh) * | 2022-06-28 | 2022-10-14 | 慧之安信息技术股份有限公司 | 基于物联网平台的运动场所管理方法 |
CN117098270A (zh) * | 2023-10-17 | 2023-11-21 | 深圳市天成照明有限公司 | Led节能灯的智能控制方法、装置、设备及存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104101062A (zh) * | 2013-11-30 | 2014-10-15 | 深圳市作夏科技有限公司 | 一种冰蓄冷中央空调节能管理系统 |
CN106249646A (zh) * | 2016-08-11 | 2016-12-21 | 廖金能 | 一种基于wifi的物联网设备监控系统及其数据处理方法 |
CN103676812B (zh) * | 2012-09-25 | 2017-06-09 | 西门子公司 | 一种室内环境的控制方法和装置 |
US20170185057A1 (en) * | 2011-04-14 | 2017-06-29 | Suntracker Technologies Ltd. | System and method for the optimization of radiance modelling and controls in predictive daylight harvesting |
US20170364046A1 (en) * | 2016-06-21 | 2017-12-21 | Abl Ip Holding Llc | Integrated lighting and building management control gateway |
CN108717873A (zh) * | 2018-07-20 | 2018-10-30 | 同济大学 | 一种基于无监督学习技术的空间光环境ai调节系统 |
CN109063903A (zh) * | 2018-07-19 | 2018-12-21 | 山东建筑大学 | 一种基于深度强化学习的建筑能耗预测方法及系统 |
CN109472984A (zh) * | 2018-12-27 | 2019-03-15 | 苏州科技大学 | 基于深度强化学习的信号灯控制方法、系统和存储介质 |
CN109799726A (zh) * | 2019-03-15 | 2019-05-24 | 中国计量大学 | 一种结合生活环境检测的智能家居系统 |
CN110045629A (zh) * | 2019-05-28 | 2019-07-23 | 贵州大学 | 一种智能安防家居控制系统 |
CN110134165A (zh) * | 2019-05-13 | 2019-08-16 | 北京鹏通高科科技有限公司 | 一种用于环境监测与控制的强化学习方法及系统 |
-
2019
- 2019-09-17 CN CN201910877460.5A patent/CN110531681B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170185057A1 (en) * | 2011-04-14 | 2017-06-29 | Suntracker Technologies Ltd. | System and method for the optimization of radiance modelling and controls in predictive daylight harvesting |
CN103676812B (zh) * | 2012-09-25 | 2017-06-09 | 西门子公司 | 一种室内环境的控制方法和装置 |
CN104101062A (zh) * | 2013-11-30 | 2014-10-15 | 深圳市作夏科技有限公司 | 一种冰蓄冷中央空调节能管理系统 |
US20170364046A1 (en) * | 2016-06-21 | 2017-12-21 | Abl Ip Holding Llc | Integrated lighting and building management control gateway |
CN106249646A (zh) * | 2016-08-11 | 2016-12-21 | 廖金能 | 一种基于wifi的物联网设备监控系统及其数据处理方法 |
CN109063903A (zh) * | 2018-07-19 | 2018-12-21 | 山东建筑大学 | 一种基于深度强化学习的建筑能耗预测方法及系统 |
CN108717873A (zh) * | 2018-07-20 | 2018-10-30 | 同济大学 | 一种基于无监督学习技术的空间光环境ai调节系统 |
CN109472984A (zh) * | 2018-12-27 | 2019-03-15 | 苏州科技大学 | 基于深度强化学习的信号灯控制方法、系统和存储介质 |
CN109799726A (zh) * | 2019-03-15 | 2019-05-24 | 中国计量大学 | 一种结合生活环境检测的智能家居系统 |
CN110134165A (zh) * | 2019-05-13 | 2019-08-16 | 北京鹏通高科科技有限公司 | 一种用于环境监测与控制的强化学习方法及系统 |
CN110045629A (zh) * | 2019-05-28 | 2019-07-23 | 贵州大学 | 一种智能安防家居控制系统 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111368970A (zh) * | 2020-02-17 | 2020-07-03 | 哈尔滨工业大学 | 一种基于深度强化学习的传感器优化布置方法 |
CN115190146A (zh) * | 2022-06-28 | 2022-10-14 | 慧之安信息技术股份有限公司 | 基于物联网平台的运动场所管理方法 |
CN115190146B (zh) * | 2022-06-28 | 2023-09-15 | 慧之安信息技术股份有限公司 | 基于物联网平台的运动场所管理方法 |
CN117098270A (zh) * | 2023-10-17 | 2023-11-21 | 深圳市天成照明有限公司 | Led节能灯的智能控制方法、装置、设备及存储介质 |
CN117098270B (zh) * | 2023-10-17 | 2023-12-19 | 深圳市天成照明有限公司 | Led节能灯的智能控制方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110531681B (zh) | 2021-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110531681A (zh) | 基于深度强化学习的室内照明数据采集控制系统及方法 | |
CN109270842B (zh) | 一种基于贝叶斯网络的区域供热模型预测控制系统及方法 | |
CN111722540A (zh) | 一种能源互联网数字孪生仿真系统及方法 | |
CN211503153U (zh) | 一种基于多目标的室内空气质量协同监测调控系统 | |
EP4006790A1 (en) | Inference device, inference method, and inference program | |
CN106315319B (zh) | 一种电梯智能预调度方法及系统 | |
CN108171259A (zh) | 一种基于NB-IoT的智慧末梢水质监测系统及方法 | |
CN103235620A (zh) | 基于全局变量预测模型的温室环境智能控制方法 | |
CN110084415A (zh) | 一种基于边云协同混合建模策略的建筑能耗预测系统及方法 | |
CN108710947A (zh) | 一种基于lstm的智能家居机器学习系统设计方法 | |
CN108633697A (zh) | 一种基于植物日常数据分析与云技术的智能植物养培方法 | |
CN111178626A (zh) | 基于wgan算法的建筑能耗预测方法及监测预测系统 | |
CN110826784B (zh) | 能源使用效率的预测方法、装置及存储介质和终端设备 | |
JP2019021186A (ja) | データ処理装置、制御システム、データ処理方法及びプログラム | |
CN115270642A (zh) | 基于数字孪生的植物工厂智能管理系统 | |
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 | |
CN112257846A (zh) | 神经元模型、拓扑结构、信息处理方法和视网膜神经元 | |
Wang et al. | Green building design based on 5G network and Internet of Things system | |
CN109643311A (zh) | 用于分布式系统的事务性非结构化数据驱动的顺序联合查询方法 | |
CN107018207A (zh) | 一种温室环境云控制系统及其控制方法 | |
CN110956208A (zh) | 基于逻辑回归算法的温室大棚光照检测方法与系统 | |
CN110716598A (zh) | 一种基于物联网的智能温室控制和管理系统 | |
Tabatabaeifar et al. | Design and implementation of a web-based greenhouse remote monitoring system with zigbee protocol and GSM network | |
CN114636212B (zh) | 一种基于grnn的多台冷水机组系统运行控制方法 | |
CN214758186U (zh) | 一种具有植物生长模型自动评估功能的微型种植箱 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20231023 Address after: Room 303, West, 3rd Floor, Building 1, No. 1, Gaoxin 3rd Street, Changping District, Beijing 102200 (Changping Demonstration Park) Patentee after: BEIJING HYSINE YUNDA TECHNOLOGY CO.,LTD. Address before: 250101 1000, Feng Ming Road, Lingang Development Zone, Licheng District, Ji'nan, Shandong Patentee before: SHANDONG JIANZHU University |
|
TR01 | Transfer of patent right |