CN110836525A - 空调运行状态的自适应调节方法及装置 - Google Patents
空调运行状态的自适应调节方法及装置 Download PDFInfo
- Publication number
- CN110836525A CN110836525A CN201911138739.8A CN201911138739A CN110836525A CN 110836525 A CN110836525 A CN 110836525A CN 201911138739 A CN201911138739 A CN 201911138739A CN 110836525 A CN110836525 A CN 110836525A
- Authority
- CN
- China
- Prior art keywords
- data
- air conditioner
- time
- preset
- training
- 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
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/89—Arrangement or mounting of control or safety devices
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本公开提供一种空调运行状态的自适应调节方法及装置。所述空调运行状态的自适应调节方法包括:获取预定时间段内产生的第一特征数据,并对所述第一特征数据进行预处理得到第二特征数据;将所述第二特征数据输入到预定的深度学习模型中,并利用所述深度学习模型对所述第二特征数据进行学习预测,得到预测后的用于对空调运行状态进行自适应调节的调节参数;将所述调节参数发送至预定的空调中,以便所述空调根据所述调节参数调整自身的运行状态。基于本发明的技术方案,调节过程方便快捷,节约能源,实现智能化操作,提升了用户的使用体验。
Description
技术领域
本公开涉及自动化技术领域,尤其涉及一种空调运行状态的自适应调节方法及装置。
背景技术
随着社会的发展、生活水平的提高以及消费结构升级,空调已成为生活中必备的生活电器之一,随着空调使用率的增加,人们的生活质量也得到了提升。空调带来便利的同时,空调用电量所占的比重也随之增加,空调的耗电量与设定温度及时间密切相关;但是,在有些使用场景下用户不便于实时调控空调的温度及时间,例如以夜间使用场景为例,对现有技术中实现空调控制的过程进行说明。
现有技术中,在夜间使用空调的场景下,例如在夏季用户为了使夜晚的睡眠更加舒适,往往会使空调一直保持运行状态,或者在睡眠之前通过手动调节遥控器从而设定空调温度及开关时间;然而,使空调一直保持运行状态会导致用电量急剧增加,手动设定温度及时间的方式不够科学、准确,可能会导致空调过早的关闭,无法达到理想效果;并且以上空调的调节方式增加了用户的操作,智能化低,从而降低了用户体验。
基于现有技术,需要提供一种使用便捷、节约能源、智能化高、增强用户体验的空调运行状态的自适应调节方案。
发明内容
本公开提供一种空调运行状态的自适应调节方法及装置,以解决相关技术存在的耗电量大,调节方式不够科学、准确,增加用户操作,智能化低,用户体验差的问题。
为解决上述技术问题,本公开实施例的第一方面,提供一种空调运行状态的自适应调节方法,包括:
获取预定时间段内产生的第一特征数据,并对所述第一特征数据进行预处理得到第二特征数据;
将所述第二特征数据输入到预定的深度学习模型中,并利用所述深度学习模型对所述第二特征数据进行学习预测,得到预测后的用于对空调运行状态进行自适应调节的调节参数;
将所述调节参数发送至预定的空调中,以便所述空调根据所述调节参数调整自身的运行状态。
在本实施例的一些实施方式中,获取预定时间段内产生的第一特征数据之前,还包括:
获取对预定的检测对象进行检测得到的检测数据,并根据预设的判断条件对所述检测数据进行判断,以便确定所述空调的工作模式,当所述空调的工作模式符合预设模式时,则执行所述获取预定时间段内产生的第一特征数据的操作;其中,所述预设模式包括夜间工作模式。
在本实施例的一些实施方式中,所述检测对象包括环境光线以及当前时间,获取对预定的检测对象进行检测得到的检测数据,包括:
获取利用光线检测装置对环境光线进行检测得到的光线亮度以及获取当前时间。
在本实施例的一些实施方式中,特征数据包括环境参数数据,所述获取预定时间段内产生的第一特征数据,包括:
获取当天已产生的第一环境参数数据,其中,所述第一环境参数数据包括天气数据、室内温度以及室内湿度中的至少一种。
在本实施例的一些实施方式中,对所述第一特征数据进行预处理得到第二特征数据,包括:
对第一环境参数数据执行特征选择以及数据序列化操作,以便得到第二环境参数数据;其中,所述特征选择包括采用主成分分析算法对所述第一环境参数数据进行降维。
在本实施例的一些实施方式中,深度学习模型为采用长短时记忆神经网络训练得到的模型,所述训练得到长短时记忆神经网络模型的方法,包括:
采集用于模型训练的原始数据集,所述原始数据集中的参数包括时间数据、天气数据、室内温度、室内湿度、空调数据以及用户行为数据中的至少一种;其中,所述空调数据包括空调的运行状态数据,所述用户行为数据包括用户的睡眠行为数据;
对采集到的所述原始数据集执行特征选择以及数据序列化操作;其中,所述特征选择包括采用主成分分析算法对所述原始数据集中的数据进行降维,以便去除冗余数据;所述数据序列化包括将所述降维后的原始数据集中的数据进行转化得到训练数据集,所述训练数据集中包含样本数、时间步长以及属性;
利用长短时记忆神经网络对所述训练数据集进行训练,以便生成所述长短时记忆神经网络模型。
在本实施例的一些实施方式中,所述训练得到长短时记忆神经网络模型的方法,还包括:
在模型训练之前,预先设定所述长短时记忆神经网络的隐藏层数和学习率,并通过遗传算法确定隐藏层中各个节点数;
在模型训练过程中,利用Adam优化算法对所述学习率进行调节,并利用误差反向传播算法对模型的权值和偏置进行调节。
在本实施例的一些实施方式中,所述调节参数包括空调的运行温度以及定时时间。
在本实施例的一些实施方式中,将所述调节参数发送至预定的空调中,以便所述空调根据所述调节参数调整自身的运行状态,包括:
将所述空调的运行温度以及定时时间发送至预定的空调中,以便所述空调根据所述运行温度以及定时时间并利用控制装置对自身的运行状态进行调整。
本公开实施例的第二方面,提供一种空调运行状态的自适应调节装置,包括:
存储器,其上存储有计算机程序;以及
处理器,用于执行所述存储器中的所述计算机程序,以实现上述第一方面中任一项所述空调运行状态的自适应调节方法的步骤。
本公开实施例采用的上述至少一个技术方案能够达到以下有益效果:
通过获取预定时间段内产生的第一特征数据,并对第一特征数据进行预处理得到第二特征数据;将第二特征数据输入到预定的深度学习模型中,并利用深度学习模型对第二特征数据进行学习预测,得到预测后的用于对空调运行状态进行自适应调节的调节参数;将调节参数发送至预定的空调中,以便空调根据调节参数调整自身的运行状态。基于本发明的技术方案,通过利用训练的深度学习模型进行调节参数的学习预测,将预测得到的调节参数发送至相应的空调中,使得空调根据调节参数自适应调节自身的运行状态,从而使空调的调节过程变得更加便捷,减少了用户操作,用于空调自适应调节的参数科学、准确,降低了能耗,并且更加智能化,增强了用户的使用体验。
附图说明
为了更清楚地说明本公开实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本说明书中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本公开实施例提供的一种空调运行状态的自适应调节方法的流程示意图;
图2为本公开实施例提供的一种采用长短时记忆神经网络训练得到深度学习模型的流程示意图;
图3为本公开实施例提供的一种长短时记忆神经网络模型的结构示意图;
图4为本公开实施例提供的一种空调运行状态的自适应调节装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案,下面将结合本说明书实施例中的附图,对本公开实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本公开实施例,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,都应当属于本申请保护的范围。
在一些空调的使用场景下用户不便于实时调控空调的温度及时间,例如以夏季的夜间作为使用场景为例,用户为了使夜晚的睡眠更加舒适,通常会采用以下两种方式调节空调:第一种方式是使空调一直保持运行状态,即整晚使空调处于运行状态,第二种方式是在睡眠之前通过手动调节遥控器从而设定空调温度及开关时间;然而,使空调一直保持运行状态会导致用电量急剧增加,造成资源浪费,手动设定温度及时间的方式也不够科学、准确,可能会导致空调过早的关闭,无法达到理想效果;并且上述这两种空调的调节方式增加了用户的操作,智能化低,从而降低了用户体验。
另外,随着“互联网+”、大数据及人工智能的高速发展,智能终端设备进一步地与传统生活方式相结合,产品更新换代日新月异,产品质量也将会更高。其中,深度学习技术是目前人工智能领域的研究重点,随着人工智能在智能终端设备方面的应用不断深入,其在图像处理、语音识别等方面得到广泛应用,通过人工智能可实现智能处理决策、人机交互等操作,推动产品转型及可持续发展。因此,如何将人工智能与空调控制相结合,提供一种基于深度学习的空调自适应调节方法,从而实现空调的智能化操作是本领域的重要研究方向之一。
需要说明的是,本公开以下实施例是以用户在夜间睡眠时实现空调运行状态的自适应调节作为应用场景来描述的,但是该应用场景不构成对本公开实施例的限定。
图1为本公开实施例提供的一种空调运行状态的自适应调节方法的流程示意图,该方法具体可以包括以下步骤:
在步骤S110中,获取预定时间段内产生的第一特征数据,并对所述第一特征数据进行预处理得到第二特征数据。
在本实施例的一些实施方式中,在获取预定时间段内产生的第一特征数据之前,还包括:
获取对预定的检测对象进行检测得到的检测数据,并根据预设的判断条件对检测数据进行判断,以便确定空调的工作模式,当空调的工作模式符合预设模式时,则执行获取预定时间段内产生的第一特征数据的操作;其中,预设模式包括夜间工作模式。
进一步地,在一些实施方式中,检测对象可以包括环境光线以及当前时间,此时,获取对预定的检测对象进行检测得到的检测数据,便可以通过获取利用光线检测装置对环境光线进行检测得到的光线亮度以及获取当前时间。
具体地,在实际应用中,可以利用空调外部设置的光线检测装置对外部环境光线进行检测,光线检测装置包括但不限于光敏传感器、感光元件、亮度计等,对于当前时间的获取可以通过联网获取互联网上的时间或者通过内部的计时器获取当前时间。
进一步地,在一些实施方式中,当获取到光线亮度以及当前时间之后,通过将光线亮度以及当前时间与预设的判断条件进行比较,从而确定空调当前所处的光线环境以及时间范围,以便进一步确定空调的工作模式,空调的工作模式可以包括夜间工作模式。在实际应用中,判断条件可以包括亮度阈值以及时间范围,例如将预设模式的判断条件设置为亮度阈值为0,时间范围为19:00至6:00;通过将检测到的光线亮度与亮度阈值进行比较,并判断当前时间是否处于上述时间范围,从而判断空调的工作模式是否为夜间工作模式;当空调处于夜间工作模式时,执行步骤S110的操作。
在本实施例的一些实施方式中,特征数据包括环境参数数据,获取预定时间段内产生的第一特征数据,可以包括以下内容:
获取当天已产生的第一环境参数数据,其中,第一环境参数数据包括天气数据、室内温度以及室内湿度中的至少一种。
进一步地,在一些实施方式中,当天已产生的第一环境参数数据可以包括当天白天以及进入夜间后所实际记录的环境参数数据,例如从早上8点至夜间19点产生的环境参数数据;天气数据包括但不限于用户当地的天气温度、湿度以及天气情况(如晴朗、阴天、降雨等)。在实际应用中,用户可以通过移动终端(如手机、平板电脑等)输入当天的环境参数数据,另外还可以通过将空调联网以获取网络上记录的用户所在地的当天环境参数数据。
在本实施例的一些实施方式中,对第一特征数据进行预处理得到第二特征数据,可以包括以下内容:
对第一环境参数数据执行特征选择以及数据序列化操作,以便得到第二环境参数数据;其中,特征选择包括采用主成分分析算法对第一环境参数数据进行降维。
在步骤S120中,将所述第二特征数据输入到预定的深度学习模型中,并利用所述深度学习模型对所述第二特征数据进行学习预测,得到预测后的用于对空调运行状态进行自适应调节的调节参数。
在本实施例的一些实施方式中,深度学习模型为采用长短时记忆神经网络训练得到的模型,参见图2,该图示出了本公开实施例提供的一种采用长短时记忆神经网络训练得到深度学习模型的流程示意图,所述训练得到长短时记忆神经网络模型的方法,可以包括以下内容:
步骤S210:采集用于模型训练的原始数据集,所述原始数据集中的参数包括时间数据、天气数据、室内温度、室内湿度、空调数据以及用户行为数据中的至少一种;其中,所述空调数据包括空调的运行状态数据,所述用户行为数据包括用户的睡眠行为数据;
步骤S220:对采集到的所述原始数据集执行特征选择以及数据序列化操作;其中,所述特征选择包括采用主成分分析算法对所述原始数据集中的数据进行降维,以便去除冗余数据;所述数据序列化包括将所述降维后的原始数据集中的数据进行转化得到训练数据集,所述训练数据集中包含样本数、时间步长以及属性;
步骤S230:利用长短时记忆神经网络对所述训练数据集进行训练,以便生成所述长短时记忆神经网络模型。
进一步地,在上述步骤S210中,用于模型训练的原始数据集是与用户所处环境及用户行为习惯相关的数据,例如:时间数据、天气数据、室内温度、室内湿度、空调数据、用户行为数据等,在实际应用中,对于天气数据可以爬取互联网上的天气预报数据,对于室内环境数据可以通过温度计和湿度计进行测量,对于用户行为数据可以利用传感器采集或以问卷的方式采集并统计不同人群的睡眠行为数据,用户的睡眠行为数据包括用户夜间是否盖被褥等,空调数据包括空调的运行状态数据(例如:夜间运行温度、扫风模式、定时时长等)。
进一步地,在上述步骤S220中,对由步骤S210采集得到的原始数据集进行预处理,具体地,采用主成分分析算法PCA对原始数据集中的数据进行降维,以便去除部分冗余数据(例如数据间关联影响大以及对输出结果影响较小的数据)。数据降维是一种对高维度特征数据进行预处理的方法,通过将高维度的数据保留下较为重要的一些特征,去除噪声和不重要的特征,从而实现提升数据处理速度的目,在实际应用中,通过对数据降维可以保证在一定的信息损失范围内,节约大量的计算时间和成本。另外,预处理还包括对降维后的原始数据集中的数据进行转化以便得到训练数据集,即对数据进行序列化操作,训练数据集中可以包含以下维度的数据:样本数、时间步长和属性;其中,样本数即天数据,例如将某一天作为一个样本,时间步长即间隔天数,例如采用一天或两天等天数作为样本数据的时间步长,属性包括环境数据及用户行为数据。因此,训练数据集可以采用以下三维数据格式进行表示,即[样本数、时间步长、属性],将以上训练数据集作为训练模型的输入。
进一步地,在上述步骤S230中,利用长短时记忆神经网络(Long Short-termMemory Networks,LSTM)对训练数据集进行训练,以便生成长短时记忆神经网络模型,长短时记忆神经网络LSTM是一种循环神经网络RNN的特殊类型,其可以学习长期依赖信息。下面结合附图对LSTM模型进行介绍,参见图3,该图示出了本公开实施例提供的一种长短时记忆神经网络模型的结构示意图,LSTM模型可以包括以下内容:
LSTM模型中的一个重要结构包含三个门,在LSTM模型中使用门结构来控制信息的流动,门里面是一个Sigmoid神经网络层和pointwise乘法结构的组合,使用Sigmoid来控制输出0到1的概率值,用于描述有多少信息比例通过,1表示完全通过,0表示完全舍弃,pointwise是紧跟其后的乘法运算,用于将概率结合到计算中去,从而起到信息控制效果。
进一步地,在本实施例的一些实施方式中,上述训练得到长短时记忆神经网络模型的方法,还可以包括以下内容:
在模型训练之前,预先设定长短时记忆神经网络的隐藏层数和学习率,并通过遗传算法GA确定隐藏层中各个节点数;
在模型训练过程中,利用Adam优化算法对所述学习率进行调节,并利用误差反向传播算法对模型的权值和偏置进行调节。
其中,所述隐藏层数可以用N表示,学习率可以用ε表示。
在步骤S130中,将所述调节参数发送至预定的空调中,以便所述空调根据所述调节参数调整自身的运行状态。
在本实施例的一些实施方式中,调节参数包括空调的运行温度以及定时时间,例如:调节参数为空调运行温度25℃、定时时间3小时。
在实际应用中,通过将空调的运行温度以及定时时间发送至预定的空调中,以便空调根据运行温度以及定时时间并利用控制装置对自身的运行状态进行调整;具体地,所述控制装置可以是空调内部的主动芯片或电机等装置,将预测得到的运行温度及定时时间发送至空调后,主动芯片发送信号控制相应的控制装置调节空调达到预测温度及设定定时时长,从而实现智能化的空调运行状态的自适应调节。
在本公开以上实施例的内容基础上,采用LSTM模型作为深度学习的模型,由于LSTM模型具有处理良好时间序列数据的优势,通过挖掘数据特征,利用数据间的时间相关联系性,实现空调所需调节参数的预测。在LSTM模型的训练过程中,将外部环境数据及用户睡眠行为数据一同作为训练数据集中的参数输入到LSTM网络中进行模型训练,使得利用训练模型预测运行温度时更加准确。本公开基于深度学习的空调运行状态的自适应调节方法,可自适应预测输出当晚夜间适合用户的空调制冷温度及定时模式下的时长,并通过调节控制装置调节空调输出温度及定时时长,避免了人为设定空调夜间制冷温度及时长时的不够科学、准确的问题,保证用户舒适睡眠,减少电量消耗。
基于同样的思路,本公开实施例还提供了一种空调运行状态的自适应调节装置,如图4为本公开实施例提供的一种空调运行状态的自适应调节装置的结构示意图,该装置400主要包括:
获取模块401,用于获取预定时间段内产生的第一特征数据,并对所述第一特征数据进行预处理得到第二特征数据;
预测模块402,用于将所述第二特征数据输入到预定的深度学习模型中,并利用所述深度学习模型对所述第二特征数据进行学习预测,得到预测后的用于对空调运行状态进行自适应调节的调节参数;
调节模块403,用于将所述调节参数发送至预定的空调中,以便所述空调根据所述调节参数调整自身的运行状态。
本公开实施例中的一种空调运行状态的自适应调节装置,还可以被配置成为具有以下结构的装置,包括:
存储器,其上存储有计算机程序;以及
处理器,用于执行所述存储器中的所述计算机程序,以实现上述任一项可选实施例所述的空调运行状态的自适应调节方法步骤。
其中,在所述处理器上运行的计算机程序被执行时所实现的空调运行状态的自适应调节方法可参照本公开空调运行状态的自适应调节方法的具体实施例,此处不再赘述。
所述处理器可以是一种集成电路芯片,具有信息处理能力。所述处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(NetworkProcessor,NP)等。
虽然在本文中参照了特定的实施方式来描述本发明,但是应该理解的是,这些实施例仅仅是本发明的原理和应用的示例。因此应该理解的是,可以对示例性的实施例进行许多修改,并且可以设计出其他的布置,只要不偏离所附权利要求所限定的本发明的精神和范围。应该理解的是,可以通过不同于原始权利要求所描述的方式来结合不同的从属权利要求和本文中所述的特征。还可以理解的是,结合单独实施例所描述的特征可以使用在其他所述实施例中。
Claims (10)
1.一种空调运行状态的自适应调节方法,包括:
获取预定时间段内产生的第一特征数据,并对所述第一特征数据进行预处理得到第二特征数据;
将所述第二特征数据输入到预定的深度学习模型中,并利用所述深度学习模型对所述第二特征数据进行学习预测,得到预测后的用于对空调运行状态进行自适应调节的调节参数;
将所述调节参数发送至预定的空调中,以便所述空调根据所述调节参数调整自身的运行状态。
2.如权利要求1所述的方法,其特征在于,获取预定时间段内产生的第一特征数据之前,还包括:
获取对预定的检测对象进行检测得到的检测数据,并根据预设的判断条件对所述检测数据进行判断,以便确定所述空调的工作模式,当所述空调的工作模式符合预设模式时,则执行所述获取预定时间段内产生的第一特征数据的操作;其中,所述预设模式包括夜间工作模式。
3.如权利要求2所述的方法,其特征在于,所述检测对象包括环境光线以及当前时间,获取对预定的检测对象进行检测得到的检测数据,包括:
获取利用光线检测装置对环境光线进行检测得到的光线亮度以及获取当前时间。
4.如权利要求1所述的方法,其特征在于,特征数据包括环境参数数据,所述获取预定时间段内产生的第一特征数据,包括:
获取当天已产生的第一环境参数数据,其中,所述第一环境参数数据包括天气数据、室内温度以及室内湿度中的至少一种。
5.如权利要求1所述的方法,其特征在于,对所述第一特征数据进行预处理得到第二特征数据,包括:
对第一环境参数数据执行特征选择以及数据序列化操作,以便得到第二环境参数数据;其中,所述特征选择包括采用主成分分析算法对所述第一环境参数数据进行降维。
6.如权利要求1所述的方法,其特征在于,深度学习模型为采用长短时记忆神经网络训练得到的模型,所述训练得到长短时记忆神经网络模型的方法,包括:
采集用于模型训练的原始数据集,所述原始数据集中的参数包括时间数据、天气数据、室内温度、室内湿度、空调数据以及用户行为数据中的至少一种;其中,所述空调数据包括空调的运行状态数据,所述用户行为数据包括用户的睡眠行为数据;
对采集到的所述原始数据集执行特征选择以及数据序列化操作;其中,所述特征选择包括采用主成分分析算法对所述原始数据集中的数据进行降维,以便去除冗余数据;所述数据序列化包括将所述降维后的原始数据集中的数据进行转化得到训练数据集,所述训练数据集中包含样本数、时间步长以及属性;
利用长短时记忆神经网络对所述训练数据集进行训练,以便生成所述长短时记忆神经网络模型。
7.如权利要求6所述的方法,其特征在于,所述训练得到长短时记忆神经网络模型的方法,还包括:
在模型训练之前,预先设定所述长短时记忆神经网络的隐藏层数和学习率,并通过遗传算法确定隐藏层中各个节点数;
在模型训练过程中,利用Adam优化算法对所述学习率进行调节,并利用误差反向传播算法对模型的权值和偏置进行调节。
8.如权利要求1所述的方法,其特征在于,所述调节参数包括空调的运行温度以及定时时间。
9.如权利要求8所述的方法,其特征在于,将所述调节参数发送至预定的空调中,以便所述空调根据所述调节参数调整自身的运行状态,包括:
将所述空调的运行温度以及定时时间发送至预定的空调中,以便所述空调根据所述运行温度以及定时时间并利用控制装置对自身的运行状态进行调整。
10.一种空调运行状态的自适应调节装置,其特征在于,包括:
存储器,其上存储有计算机程序;以及
处理器,用于执行所述存储器中的所述计算机程序,以实现权利要求1至9中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911138739.8A CN110836525A (zh) | 2019-11-19 | 2019-11-19 | 空调运行状态的自适应调节方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911138739.8A CN110836525A (zh) | 2019-11-19 | 2019-11-19 | 空调运行状态的自适应调节方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110836525A true CN110836525A (zh) | 2020-02-25 |
Family
ID=69576834
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911138739.8A Pending CN110836525A (zh) | 2019-11-19 | 2019-11-19 | 空调运行状态的自适应调节方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110836525A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111473494A (zh) * | 2020-04-03 | 2020-07-31 | 五邑大学 | 基于机器学习的空调控制方法、装置和设备 |
CN111797980A (zh) * | 2020-07-20 | 2020-10-20 | 房健 | 一种个性化地暖使用习惯的自适应学习方法 |
CN111895584A (zh) * | 2020-08-14 | 2020-11-06 | 珠海格力电器股份有限公司 | 空调器的控制方法及装置、空调器 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106196483A (zh) * | 2016-07-29 | 2016-12-07 | 广东美的制冷设备有限公司 | 空调器运行控制方法及装置 |
CN108386971A (zh) * | 2018-01-28 | 2018-08-10 | 浙江博超节能科技有限公司 | 中央空调节能自控系统 |
CN109899937A (zh) * | 2019-03-12 | 2019-06-18 | 王馨仪 | 基于lstm模型的舒适度和节能预测的空调调节系统及方法 |
CN109959122A (zh) * | 2019-03-11 | 2019-07-02 | 浙江工业大学 | 一种基于长短期记忆循环神经网络的空调能耗预测方法 |
US20190264943A1 (en) * | 2018-02-27 | 2019-08-29 | Distech Controls Inc. | Controller, method and computer program product using a neural network for adaptively controlling an environmental condition in a building |
US20190286215A1 (en) * | 2018-03-16 | 2019-09-19 | Vigyanlabs Innovations Private Limited | System and method to enable prediction-based power management |
CN110298487A (zh) * | 2019-05-30 | 2019-10-01 | 同济大学 | 一种用于满足用户个性化需求的室内温度预测方法 |
-
2019
- 2019-11-19 CN CN201911138739.8A patent/CN110836525A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106196483A (zh) * | 2016-07-29 | 2016-12-07 | 广东美的制冷设备有限公司 | 空调器运行控制方法及装置 |
CN108386971A (zh) * | 2018-01-28 | 2018-08-10 | 浙江博超节能科技有限公司 | 中央空调节能自控系统 |
US20190264943A1 (en) * | 2018-02-27 | 2019-08-29 | Distech Controls Inc. | Controller, method and computer program product using a neural network for adaptively controlling an environmental condition in a building |
US20190286215A1 (en) * | 2018-03-16 | 2019-09-19 | Vigyanlabs Innovations Private Limited | System and method to enable prediction-based power management |
CN109959122A (zh) * | 2019-03-11 | 2019-07-02 | 浙江工业大学 | 一种基于长短期记忆循环神经网络的空调能耗预测方法 |
CN109899937A (zh) * | 2019-03-12 | 2019-06-18 | 王馨仪 | 基于lstm模型的舒适度和节能预测的空调调节系统及方法 |
CN110298487A (zh) * | 2019-05-30 | 2019-10-01 | 同济大学 | 一种用于满足用户个性化需求的室内温度预测方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111473494A (zh) * | 2020-04-03 | 2020-07-31 | 五邑大学 | 基于机器学习的空调控制方法、装置和设备 |
CN111797980A (zh) * | 2020-07-20 | 2020-10-20 | 房健 | 一种个性化地暖使用习惯的自适应学习方法 |
CN111895584A (zh) * | 2020-08-14 | 2020-11-06 | 珠海格力电器股份有限公司 | 空调器的控制方法及装置、空调器 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11062235B1 (en) | Predictive power management in a wireless sensor network | |
CN105068513B (zh) | 基于社交网络行为感知的智能家庭能源管理方法 | |
CN110836525A (zh) | 空调运行状态的自适应调节方法及装置 | |
WO2016180163A1 (zh) | 一种家居控制调节的方法及系统 | |
CN109951363B (zh) | 数据处理方法、装置及系统 | |
CN115826428B (zh) | 家居设备的控制方法和装置、存储介质及电子装置 | |
WO2019063079A1 (en) | SYSTEM, DEVICE AND METHOD FOR OPTIMIZING ENERGY AND COMFORT IN AN IMMOTIC ENVIRONMENT | |
CN111077791A (zh) | 智能家居设备的控制方法、装置及存储介质 | |
CN111338227B (zh) | 基于强化学习的电子电器控制方法及控制设备、存储介质 | |
CN112443954B (zh) | 空调器的控制方法、空调器及计算机可读存储介质 | |
CN105446156A (zh) | 基于人工智能的家用电器的控制方法、装置和系统 | |
CN113341743A (zh) | 智能家居设备控制方法、装置、电子设备及存储介质 | |
CN113777938B (zh) | 一种家电控制方法、装置、设备及存储介质 | |
CN112308209A (zh) | 基于深度学习的个性化空调智能学习方法 | |
CN111965991A (zh) | 智能控制开关的权限调节方法、装置、智能控制开关以及存储介质 | |
CN110471301A (zh) | 一种基于用户行为的智能家居服务推荐系统及方法 | |
CN117762032B (zh) | 基于场景适应和人工智能的智能设备控制系统及方法 | |
Meurer et al. | Ambient intelligence for the internet of things through context-awareness | |
CN116384773A (zh) | 公共建筑冷负荷预测方法和装置、设备及存储介质 | |
CN116520718A (zh) | 一种基于物联网技术的智能家居自适应控制方法和装置 | |
CN117628678A (zh) | 一种基于无线网络控制的节能型空调控制面板 | |
CN111797980A (zh) | 一种个性化地暖使用习惯的自适应学习方法 | |
CN110044073A (zh) | 一种热水器的控制方法及系统 | |
CN116130102A (zh) | 睡眠环境数据的确定方法及装置、存储介质及电子装置 | |
CN111308921A (zh) | 基于语音控制设备的方法及控制终端设备 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200225 |
|
RJ01 | Rejection of invention patent application after publication |