CN111414996B - 一种智能家居控制方法、系统、存储介质和计算机设备 - Google Patents

一种智能家居控制方法、系统、存储介质和计算机设备 Download PDF

Info

Publication number
CN111414996B
CN111414996B CN202010188246.1A CN202010188246A CN111414996B CN 111414996 B CN111414996 B CN 111414996B CN 202010188246 A CN202010188246 A CN 202010188246A CN 111414996 B CN111414996 B CN 111414996B
Authority
CN
China
Prior art keywords
parameters
neural network
network model
deep neural
configuration parameters
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
Application number
CN202010188246.1A
Other languages
English (en)
Other versions
CN111414996A (zh
Inventor
施昊甫
吴轶群
张笛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Wansheng Architectural Design Consultant Co ltd
Original Assignee
Shanghai Wansheng Architectural Design Consultant Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Wansheng Architectural Design Consultant Co ltd filed Critical Shanghai Wansheng Architectural Design Consultant Co ltd
Priority to CN202010188246.1A priority Critical patent/CN111414996B/zh
Publication of CN111414996A publication Critical patent/CN111414996A/zh
Application granted granted Critical
Publication of CN111414996B publication Critical patent/CN111414996B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Automation & Control Theory (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Manufacturing & Machinery (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

本发明涉及一种智能家居控制方法、系统、存储介质和计算机设备，用于控制若干家居环境控制设备，包括：获取环境参数和第一类设备配置参数；将所述环境参数和所述第一类设备配置参数形成多维数据向量，以及将所述多维数据向量输入至待训练的深度神经网络模型进行自学习训练，以构建深度神经网络模型；将所述环境参数输入至所述深度神经网络模型，以得到第二类设备配置参数。其优点在于，利用环境参数和第一类设备配置参数对深度神经网络模型进行训练，使得深度神经网络模型能够根据输入的环境参数，输出第二类设备控制参数，自动控制多个家居环境控制设备，满足舒适‑节能需求；用户无感控制，提高用户体验。

Description

一种智能家居控制方法、系统、存储介质和计算机设备
技术领域
本发明涉及智能家居控制技术领域，尤其涉及一种智能家居控制方法、系统、存储介质和计算机设备。
背景技术
现有的家居环境控制设备包括空调系统、地暖系统、新风系统、空气净化器系统等设备，通常家居环境控制设备是通过控制面板、移动终端或者智能家居系统进行就地控制或者远程控制，如对家居环境控制设备进行开启或关闭、进行参数调节等。然而，这种控制方法仅实现了从墙壁开关控制转移到移动终端控制，并未实现实时根据环境参数进行自动调节。
对于空调系统、地暖系统、新风系统、空气净化器系统等设备，大都采用单机运行策略，各设备之间不进行通讯，通常在控制面板或移动终端上设定目标参数和运行模式。其中，对于空调系统，当室内温度达到目标参数情况下，空调系统以低功率运行或进入待机状态；当室内温度未达到目标参数情况下，空调系统以高功率运行。对于地暖系统、新风系统和空气净化器系统等家居环境控制设备，也采用了上述控制方法，无法根据环境参数进行自适应调节运行状态。
因此，在相关技术中，家居环境控制设备的控制方法存在以下缺陷：
1)不同的用户对温度的接受程度不同，现有的空调系统、地暖系统仅能被动地按照设定温度运行，无法主动根据环境参数、用户习惯、使用时间进行调节，并造成能源浪费；
2)多个家居环境控制设备均单机运行，无法相互配合协调，不能迅速达到满足舒适、节能的需求，造成能源浪费。
目前针对相关技术中，存在家居环境设备单独运行、无法联动的情况，导致能源浪费的问题，尚未提出有效的解决方案。
发明内容
本发明的目的是针对现有技术中的不足，提供一种智能家居控制方法、系统、存储介质和计算机设备。
本发明的第一个方面是，提供一种智能家居控制方法，用于控制若干家居环境控制设备，其特征在于，包括：
获取环境参数和第一类设备配置参数；
将所述环境参数和所述第一类设备配置参数形成多维数据向量，以及将所述多维数据向量输入至待训练的深度神经网络模型进行自学习训练，以构建深度神经网络模型；
将所述环境参数输入至所述深度神经网络模型，以得到第二类设备配置参数；
根据所述环境参数和所述第二类设备配置参数，控制若干所述家居环境控制设备。
在其中的一个实施例中，所述第一类设备配置参数包括：
第一设备配置参数，基于所述环境参数，通过预设的控制规则对所述家居环境控制设备控制获得所述第一设备配置参数；
第一用户配置参数，基于所述环境参数，通过用户输入参数控制所述家居环境控制设备获得所述第一用户配置参数。
在其中的一个实施例中，将所述环境参数和所述第一类设备配置参数形成多维数据向量，以及将所述多维数据向量输入至待训练的深度神经网络模型进行自学习训练，以构建深度神经网络模型，还包括：
将预设的时间段的所述环境参数、所述第一设备配置参数和所述第一用户配置参数形成多维数据向量，以及将所述多维数据向量输入至待训练的深度神经网络模型进行自学习训练，以构建深度神经网络模型。
在其中的一个实施例中，所述第二类设备配置参数包括：
第二设备配置参数，基于所述环境参数和所述第一设备配置参数，通过所述深度神经网络模型进行处理获得所述第二设备配置参数；
第二用户配置参数，基于所述环境参数和所述第一用户配置参数，通过所述深度神经网络模型进行处理获得所述第二用户配置参数；
在其中的一个实施例中，将所述环境参数和所述第一类设备配置参数形成多维数据向量，以及将所述多维数据向量输入至待训练的深度神经网络模型进行自学习训练，以构建深度神经网络模型，还包括：
对所述多维数据向量中的所述环境参数进行归一化处理，以得到次级多维数据向量；
对所述次级多维数据向量进行特征过滤，以得到变量向量；
将所述变量向量输入至所述深度神经网络模型，以得到第二类设备配置参数；
将所述第二类设备配置参数与所述第一类设备配置参数进行判别，以得到判别结果；
基于所述判别结果计算误差值，直至所述误差值迭代趋于稳定时停止训练，以得到所述深度神经网络模型。
在其中的一个实施例中，所述深度神经网络模型包括：输入层、第一隐藏层、第二隐藏层和输出层；
其中，所述输入层接收所述变量向量，并将所述变量向量输入至所述第一隐藏层；
所述第一隐藏层和所述第二隐藏层依次对所述变量向量进行处理，以得到所述第二类设备配置参数，并将所述第二类设备配置参数输入至所述输出层；
所述输出层将所述第二类设备配置参数输出。
在其中的一个实施例中，所述第一隐藏层和所述第二隐藏层使用Sigmoid激活函数；
所述深度神经网络模型使用成本函数进行迭代。
在其中的一个实施例中，对所述多维数据向量中的所述环境参数依次进行归一化处理和特征过滤，以得到变量向量，进一步地包括：
对所述多维数据向量中的所述环境参数使用Z-score标准化进行归一化处理，以得到次级多维数据向量；
对所述次级多维数据向量使用主成分分析法进行特征过滤，以得到所述变量向量。
在其中的一个实施例中，将所述环境参数输入至所述深度神经网络模型，以得到第二类设备配置参数，还包括：
对所述第二类设备配置参数进行格式转换，以得到针对所述家居环境控制设备的控制信号。
在其中的一个实施例中，所述时间间隔为0.1s～600s。
在其中的一个实施例中，所述时间段为60d～120d。
本发明的第二个方面是，提供一种智能家居控制系统，包括：
获取模块，用于获取环境参数和第一类设备配置参数；
深度神经网络模型处理模块，用于基于所述环境参数和所述第一类设备配置参数对待训练的深度神经网络模型进行自学习训练并构建深度神经网络模型，以及用于利用所述深度神经网络模型对所述环境参数进行处理以得到第二类设备配置参数。
在其中的一个实施例中，所述深度神经网络模型处理模块包括：
训练子模块，用于对所述待训练的深度神经网络模型自学习训练并构建深度神经网络模型，其包括：
第一归一化处理单元，用于对基于所述环境参数和所述第一类设备配置参数形成的多维数据向量中的所述环境参数进行归一化处理，以得到次级多维数据向量；
第一过滤处理单元，用于对所述次级多维数据向量进行特征过滤，以得到变量向量；
模型训练单元，用于将所述变量向量输入所述待训练的深度神经网络模型以构建深度神经网络模型参数，直至误差值趋于稳定时停止训练，得到所述深度神经网络模型。
在其中的一个实施例中，所述深度神经网络模型包括：输入层、第一隐藏层、第二隐藏层和输出层；
所述模型训练单元包括：
输入层训练子单元，用于将所述变量向量输入所述输入层；
隐藏层训练子单元，用于对所述输入层输入的所述变量向量进行处理，以得到第二类设备配置参数；
输出层训练子单元，用于将所述第二类设备配置参数输入至所述输出层；
判别处理子单元，用于将所述第二类设备配置参数和所述第一类设备配置参数进行判别，以得到判别结果；
误差值计算子单元，用于根据所述判别结果计算误差值，直至所述误差值迭代趋于稳定时停止训练，以得到所述深度神经网络模型。
在其中的一个实施例中，所述深度神经网络模型处理模块包括：
处理子模块，用于利用所述深度神经网络模型对所述环境参数进行处理以得到第二类设备配置参数，其包括：
第二归一化处理单元，用于对基于所述环境参数和所述第一类设备配置参数形成的多维数据向量中的所述环境参数进行归一化处理，以得到次级多维数据向量；
第二过滤处理单元，用于对所述次级多维数据向量进行特征过滤，以得到变量向量；
模型处理单元，用于将所述变量向量输入所述深度神经网络模型以得到第二类设备配置参数。
在其中的一个实施例中，所述深度神经网络模型包括：输入层、第一隐藏层、第二隐藏层和输出层；
所述模型处理单元包括：
输入层处理子单元，用于将所述变量向量输入所述输入层；
隐藏层处理子单元，用于对所述输入层输入的所述变量向量进行处理，以得到第二类设备配置参数；
输出层处理子单元，用于将所述第二类设备配置参数输入至所述输出层。
在其中的一个实施例中，所述模型处理单元还包括：
格式转换单元，用于将所述第二类设备配置参数进行格式转换，以得到针对所述设备的控制信号。
本发明的第三个方面是，提供一种存储介质，所述存储介质包括计算机程序，其中，在所述计算机程序运行时控制所述存储介质执行如上所述的智能家居控制方法。
本发明的第四个方面是，提供一种计算机设备，包括存储器、处理器以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，其特征在于，所述处理器执行所述计算机程序时实现如上所述的智能家居控制方法。
本发明采用以上技术方案，与现有技术相比，具有如下技术效果：
本发明的一种智能家居控制方法及控制系统，利用环境参数和对应的第一类设备配置参数对深度神经网络模型进行训练，使得深度神经网络模型能够根据输入的环境参数，输出第二类设备控制参数，进而自动控制多个家居环境控制设备，满足舒适-节能需求；全自动化处理，无须进行手动调节，用户无感控制，满足用户舒适度，提高用户体验。
附图说明
图1是根据本申请实施例的智能家居控制方法的流程图；
图2是根据本申请实施例的深度神经网络模型的训练流程图；
图3是根据本申请实施例的深度神经网络模型的示意图；
图4是根据本申请实施例的深度神经网络模型的处理流程图；
图5是根据本申请实施例的智能家居控制系统的结构框图；
图6是根据本申请实施例的深度神经网络模型处理模块的结构框图；
图7是根据本申请实施例的训练子模块的结构框图；
图8是根据本申请实施例的模型训练单元的结构框图；
图9是根据本申请实施例的处理子模块的结构框图；
图10是根据本申请实施例的模型处理单元的结构框图。
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，所描述的实施例仅仅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的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。
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
下面结合附图和具体实施例对本发明作进一步说明，但不作为本发明的限定。
实施例1
本发明的一个示意性实施例，如图1所示，一种智能家居控制方法，包括如下步骤：
S100、获取环境参数和第一类设备配置参数；
S102、将环境参数和第一类设备配置参数形成多维数据向量，以及述多维数据向量输入至待训练的深度神经网络模型进行自学习训练，以构建深度神经网络模型；
S104、将环境参数输入至深度神经网络模型，以得到第二类设备配置参数。
其中，设备至少包括空调设备、地暖设备和新风设备。
在一个具体实施方式中，在S100中，通过传感器获取环境参数，包括但不限于温度、湿度、照度、空气质量指数。其中，温度包括室外温度和室内温度，湿度包括室外湿度和室内湿度，空气质量指数包括室外空气质量指数和室内空气指数。
进一步地，空气质量指数包括PM2.5浓度、PM10浓度、O3浓度、CO2浓度、CO浓度、SO2浓度和挥发性有机化合物(Volatile Organic Compounds)浓度。
进一步地，传感器按照一预设的时间间隔获取环境参数。具体地，时间间隔为0.1s～600s，优选的时间间隔为1s、5s、10s、30s、60s、300s、600s。
在一个具体实施方式中，第一类设备配置参数包括第一设备配置参数和第一用户配置参数，其中，第一设备配置参数基于一控制规则得到，第一用户配置参数基于用户控制得到。
在一个具体实施方式中，基于环境参数，通过预设的控制规则进行逻辑判断，进而获得第一设备配置参数包括：
按照环境参数不同的优先顺序，分别对室内温度、室内CO2浓度、室内PM2.5浓度和室外PM2.5浓度进行判断，获得空调规定配置参数、地暖规定配置参数和新风规定配置参数。
在一个具体实施方式中，基于环境参数，通过用户输入参数控制家居环境控制设备，进而获得第一用户配置参数包括：
用户对室内温度、室内CO2浓度、室内PM2.5浓度和室外PM2.5浓度进行判断，获得空调自定义配置参数、地暖自定义配置参数和新风自定义配置参数。
在一个具体实施方式中，如图2所示，S102包括：
S201、对多维数据向量中的环境参数进行归一化处理，以得到次级多维数据向量；
S202、对次级多维数据向量进行特征过滤，以得到变量向量；
S203、将变量向量输入至深度神经网络模型，以得到第二类设备配置参数；
S204、将第二类设备配置参数与第一类设备配置参数进行判别，以得到判别结果；
S205、基于判别结果计算误差值，直至误差值迭代趋于稳定时停止训练，以得到深度神经网络模型。
在一个具体实施方式中，S201包括：
对多维数据向量中的环境参数使用Z-score标准化进行归一化处理，以得到次级多维数据向量。
具体地，对多维数据向量中的环境参数使用Z-score标准化进行归一化处理后，使处理后的环境参数符合标准正态分布，其中，μ为所有样本数据的均值，σ为所有样本数据的标准差。
在一个具体实施方式中，S202包括：
对次级多维数据向量使用主成分分析法进行特征过滤，以得到变量向量。
在一个具体实施方式中，S102进一步包括：
将预设的时间段的环境参数、第一设备配置参数和第一用户配置参数形成多维数据向量，以及将多维数据向量输入至深度神经网络模型进行自学习训练，以构建深度神经网络模型。
具体地，预设的时间段为60d～120d，优选的时间段为60d、90d、120d。
在一个具体实施方式中，如图3所示，深度神经网络模型包括输入层、第一隐藏层、第二隐藏层和输出层，其中，第一隐藏层的节点数与第二隐藏层的节点数相同，第一隐藏层的节点数少于输入层的节点数，其差值为1。
基于该深度神经网络模型，如图4所示，S203包括：
S401、输入层接收变量向量，并将变量向量输入至第一隐藏层；
S402、第一隐藏层和第二隐藏层依次对变量向量进行处理，以得到第二类设备配置参数，并将第二类设备配置参数输入至输出层；
S403、输出层接收第二类设备配置参数，并将第二类设备配置参数输出。
其中，在S402中，第一隐藏层使用Sigmoid激活函数对变量向量进行处理，第二隐藏层使用Sigmoid激活函数对经第一隐藏层处理的变量向量再次进行处理。其中，Sigmoid激活函数公式为
在一个具体实施方式中，在S205中，使用成本函数进行迭代，以优化深度神经网络模型。其中，成本函数采用误差平方和公式，
在一个具体实施方式中，第二类设备配置参数包括第二设备配置参数和第二用户配置参数，其中，第二设备配置参数为深度神经网络模型输出的设备推荐配置参数，第一用户配置参数为深度神经网络模型输出的用户推荐配置参数。
实施例2
本实施例涉及实施例1中的控制规则。
在一个具体实施方式中，家居环境控制设备包括空调设备、地暖设备和新风设备，控制规则如下：
基于室外温度和室内温度，判断当前季节；
a.当季节为夏季时，开启空调设备，关闭地暖设备，并使空调设备处于制冷模式；
基于多个室内CO2浓度，判断室内CO2浓度是否超过阈值700ppm；
当至少一个室内CO2浓度超过阈值700ppm时，开启新风设备，并使新风设备处于外循环模式以及大风量模式；
当所有室内CO2浓度均未超过阈值700ppm时，基于室内温度，判断室内温度是否超过阈值30℃；
当室内温度未超过阈值30℃时，基于室外PM2.5浓度，判断室外PM2.5浓度是否超过阈值100μg/m3；
当室外PM2.5浓度超过阈值时100μg/m3，开启新风设备，并使新风设备处于内循环模式以及小风量模式；
当室内温度超过阈值30℃时或当室外PM2.5浓度未超过阈值100μg/m3时，基于多个室内PM2.5浓度，判断是否处于阈值区间；
当所有室内PM2.5浓度均小于等于25μg/m3时，开启新风设备，并使新风设备处于内循环模式以及小风量模式；
当所有室内PM2.5浓度均处于阈值区间(25μg/m3，50μg/m3)时，开启新风设备，并使新风设备处于内循环模式以及中风量模式；
当至少一个室内PM2.5浓度大于等于50μg/m3时，开启新风设备，并使新风设备处于内循环模式以及大风量模式。
b.当季节为冬季时，开启空调设备和地暖设备，并使空调设备处于制热模式，当所有室内温度大于设定温度后，至少关闭空调设备；
基于多个室内CO2浓度，判断室内CO2浓度是否超过阈值700ppm；
当至少一个室内CO2浓度超过阈值700ppm时，开启新风设备，并使新风设备处于外循环模式以及大风量模式；
当所有室内CO2浓度均未超过阈值700ppm时，基于多个室内温度，判断室内温度是否超过阈值30℃；
当所有室内温度未低于阈值10℃时，基于室外PM2.5浓度，判断室外PM2.5浓度是否超过阈值100μg/m3；
当室外PM2.5浓度超过阈值时100μg/m3，开启新风设备，并使新风设备处于内循环模式以及小风量模式；
当至少一个室内温度低于阈值10℃时或当室外PM2.5浓度未超过阈值100μg/m3时，基于多个室内PM2.5浓度，判断是否处于阈值区间；
当所有室内PM2.5浓度均小于等于25μg/m3时，开启新风设备，并使新风设备处于内循环模式以及小风量模式；
当所有室内PM2.5浓度均处于阈值区间(25μg/m3，50μg/m3)时，开启新风设备，并使新风设备处于内循环模式以及中风量模式；
当至少一个室内PM2.5浓度大于等于50μg/m3时，开启新风设备，并使新风设备处于内循环模式以及大风量模式。
c.当季节为春季或秋季时，关闭空调设备和地暖设备；
基于多个室内CO2浓度，判断室内CO2浓度是否超过阈值700ppm；
当至少一个室内CO2浓度超过阈值700ppm时，开启新风设备，并使新风设备处于外循环模式以及大风量模式；
当所有室内CO2浓度均未超过阈值700ppm时，基于室外PM2.5浓度，判断室外PM2.5浓度是否超过阈值100μg/m3；
当室外PM2.5浓度超过阈值时100μg/m3，开启新风设备，并使新风设备处于内循环模式以及小风量模式；
当室外PM2.5浓度未超过阈值100μg/m3时，基于多个室内PM2.5浓度，判断是否处于阈值区间；
当所有室内PM2.5浓度均小于等于25μg/m3时，开启新风设备，并使新风设备处于内循环模式以及小风量模式；
当所有室内PM2.5浓度均处于阈值区间(25μg/m3，50μg/m3)时，开启新风设备，并使新风设备处于内循环模式以及中风量模式；
当至少一个室内PM2.5浓度大于等于50μg/m3时，开启新风设备，并使新风设备处于内循环模式以及大风量模式。
上述仅为控制规则的一个具体实施方式，还可以根据不同的用户需求进行设定。
实施例3
本实施例为本发明的智能家居控制方法的一个具体应用。
家居环境控制设备至少包括空调设备、地暖设备和新风设备。
每隔600s获取一次环境参数和第一类设备配置参数，其中，环境参数包括室外温度、室外湿度、室外PM2.5浓度、室内温度、室内湿度、室内PM2.5浓度、室内CO2浓度，第一类设备配置参数包括第一设备配置参数和第一用户配置参数，对于第一设备配置参数，基于上述环境参数和实施例2中描述的控制规则获得，对于第一用户配置参数，基于上述环境参数和用户需求获得，并将上述环境参数、上述第一类设备配置参数、日期以及时间存储于一数据库中，该数据库为结构化数据库；
在上述数据库中，获取90d的环境参数和第一类设备配置参数，并将环境参数和第一类设备配置参数输入至一待训练的深度神经网络模型中，对深度神经网络模型进行训练，包括：
将环境参数及其对应的第一类设备配置参数形成一9维数据向量，全部9维数据向量形成9维数据样本集；
其中，9维数据向量为[室外温度，室内温度，室外湿度，室内湿度，室外PM2.5浓度，室内PM2.5浓度，室内CO2浓度，第一设备配置参数，第一用户配置参数]；
针对9维数据样本集，对9维数据向量中的环境参数，即室外温度、室内温度、室外湿度、室内湿度、室外PM2.5浓度、室内PM2.5浓度、室内CO2浓度，计算样本平均值μ和所有样本数据的标准差σ，得出环境参数的标准化，然后对所有样本值进行(x-μ)/σ处理，得到Z-Score标准化后的次级9维数据向量，并形成次级9维数据样本集{x(1)，x(2)，x(3)，x(4)，x(5)，x(6)，x(7)，x(8)，x(9)}，该次级9维数据样本集复合N(0，1)正态分布；
针对次级9维数据样本集，使用主成分分析法进行特征过滤；首先对次级9维数据样本集进行中心化，对次级9维数据样本集中的每个数据集使用替换原数据集中的/>其次对中心化后的次级9维数据样本集计算协方差矩阵，即/>然后计算获得协方差矩阵的特征值S和特征向量U，使次级9维数据向量降至K维数据向量，其中K值通过试算法计算，其为满足/>的最小值，在本实施例中，K＝7；
将7维数据样本集中的7维数据向量作为变量向量输入至深度神经网络模型的输入层，输入层不对7维数据向量作任何处理；第一隐藏层和第二隐藏层依次使用Sigmoid激活函数对变量向量进行处理后，得到第二类设备配置参数，输出层将第二类设备配置参数输出；
第二类设备配置参数与第一类设备配置参数进行判别，得到判别结果，并基于该判别结果计算误差值，使用成本函数对误差值进行迭代，直至误差值趋于稳定时停止训练，得到深度神经网络模型；
基于深度神经网络模型，将持续更新的结构化数据库中的环境参数输入至深度神经网络模型，以得到第二类设备配置参数；
将第二类设备配置参数通过网关转换成RS485标准通讯协议格式的控制信号，并发送至各个设备，直至最后一个设备关闭为止。
其中，当控制信号被发送至设备后一定时间(如200ms)后，网关读取设备的状态，并判断设备是否按照控制信号执行，若设备未执行控制信号，则网关再次发送控制信号，并重复上述步骤；若网关发送若干次(如3次)控制信号后，设备仍未执行控制信号，则网关向用户传输故障信号。
实施例4
本实施例为本发明的一个示意性实施例的智能家居控制系统，如图5所示，包括顺次连接的获取模块51和深度神经网络模型处理模块52。
其中，获取模块51用于获取环境参数和第一类设备配置参数；
深度神经网络模型处理模块52用于基于环境参数和第一类设备配置参数对待训练的深度神经网络模型进行自学习训练并构建深度神经网络模型，以及用于利用深度神经网络模型对环境参数进行处理以得到第二类设备配置参数。
进一步地，如图6所示，深度神经网络模型处理模块52包括训练子模块61和处理子模块62，其中，训练子模块61用于对待训练的深度神经网络模型自学习训练并构建深度神经网络模型，处理子模块62用于利用深度神经网络模型对环境参数进行处理以得到第二类设备配置参数。
如图7所示，训练子模块61包括顺次连接的第一归一化处理单元71、第一过滤处理单元72和模型训练单元73。
其中，第一归一化处理单元71用于对基于环境参数和第一类设备配置参数形成的多维数据向量中的环境参数进行归一化处理以得到次级多维数据向量；
第一过滤处理单元72用于对次级多维数据向量进行特征过滤以得到变量向量；
模型训练单元73用于将变量向量输入待训练的深度神经网络模型以训练深度神经网络模型参数，直至误差值趋于稳定时停止训练，得到训深度神经网络模型。
其中，深度神经网络模型包括输入层、第一隐藏层、第二隐藏层和输出层。
基于上述深度神经网络模型，如图8所示，模型训练单元73包括顺次连接的输入层训练子单元81、隐藏层训练子单元82、输出层训练子单元83、判别处理子单元84和误差值计算子单元85。
其中，输入层训练子单元81用于将变量向量输入输入层；
隐藏层训练子单元82用于对输入层输入的变量向量进行处理，以得到第二类设备配置参数；
输出层训练子单元83用于将第二类设备配置参数输入至输出层；
判别处理子单元84用于将第二类设备配置参数和第一类设备配置参数进行判别；
误差值计算子单元85用于根据判别结果计算误差值，直至误差值迭代趋于稳定时停止训练，以得到训练好的深度神经网络模型。
如图9所示，处理子模块62包括顺次连接的第二归一化处理单元91、第二过滤处理单元92和模型处理单元93。
其中，第二归一化处理单元91用于对基于环境参数和第一类设备配置参数形成的多维数据向量中的环境参数进行归一化处理，以得到次级多维数据向量；
第二过滤处理单元92用于对次级多维数据向量进行特征过滤，以得到变量向量；
模型处理单元93用于将变量向量输入深度神经网络模型以得到第二类设备配置参数。
基于深度神经网络模型，如图10所示，模型处理单元93包括顺次连接的输入层处理子单元101、隐藏层处理子单元102、输出层处理子单元103和格式转换单元104。
其中，输入层处理子单元101用于将变量向量输入输入层；
隐藏层处理子单元102用于对输入层输入的变量向量进行处理，以得到第二类设备配置参数；
输出层处理子单元103用于将第二类设备配置参数输入至输出层；
格式转换单元104用于将第二类设备配置参数进行格式转换，以得到针对设备的控制信号。
实施例5
本实施例为本发明的一个示意性实施例的一种非临时性计算机可读存储介质，其上存储有计算机程序，上述计算机程序运行时控制存储介质执行本申请实施例1提供的智能家居控制方法。
本实施例还提供了提供一种计算机设备，包括存储器、处理器以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，其特征在于，所述处理器执行所述计算机程序时实现实施例1所述的智能家居控制方法。
上述非临时性计算机可读存储介质可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RandomAccess Memory，RAM)、只读存储器(Read Only Memory，ROM)、可擦式可编程只读存储器(Erasable ProgrammableRead Only Memory，EPROM)或闪存、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于——无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LocalArea Network，LAN)或广域网(Wide Area Network，WAN)连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
以上所述仅为本发明较佳的实施例，并非因此限制本发明的实施方式及保护范围，对于本领域技术人员而言，应当能够意识到凡运用本发明说明书及图示内容所作出的等同替换和显而易见的变化所得到的方案，均应当包含在本发明的保护范围内。

Claims (12)

1.一种智能家居控制方法，用于控制若干家居环境控制设备，其特征在于，包括：
获取环境参数和第一类设备配置参数，其中，环境参数包括温度、湿度、照度、空气质量指数，所述第一类设备配置参数包括第一设备配置参数和第一用户配置参数，所述第一设备配置参数是基于所述环境参数通过预设的控制规则对所述家居环境控制设备控制获得，所述第一用户配置参数是基于所述环境参数通过用户输入参数控制所述家居环境控制设备获得；
将所述环境参数和所述第一类设备配置参数形成多维数据向量，以及将所述多维数据向量输入至待训练的深度神经网络模型获得模型参数，以构建深度神经网络模型；
将所述环境参数输入至所述深度神经网络模型，以得到第二类设备配置参数，其中，所述第二类设备配置参数包括第二设备配置参数和第二用户配置参数，所述第二设备配置参数是基于所述环境参数和所述第一设备配置参数通过所述深度神经网络模型进行处理获得，所述第二用户配置参数是基于所述环境参数和所述第一用户配置参数通过所述深度神经网络模型进行处理获得；
根据所述环境参数和所述第二类设备配置参数，控制若干所述家居环境控制设备，其中，所述家居环境控制设备包括空调设备、地暖设备、新风设备；
其中，所述第一设备配置参数是基于所述环境参数通过预设的控制规则对所述家居环境控制设备控制获得包括：
按照所述环境参数不同的优先顺序，分别对室内温度、室内CO2浓度、室内PM2.5浓度和室外PM2.5浓度进行判断，获得空调规定配置参数、地暖规定配置参数、新风规定配置参数；
其中，所述第一用户配置参数是基于所述环境参数通过用户输入参数控制所述家居环境控制设备获得包括：
用户对室内温度、室内CO2浓度、室内PM2.5浓度和室外PM2.5浓度进行判断，获得空调自定义配置参数、地暖自定义配置参数、新风自定义配置参数；
其中，将所述环境参数和所述第一类设备配置参数形成多维数据向量，以及将所述多维数据向量输入至待训练的深度神经网络模型获得模型参数，以构建深度神经网络模型，包括：
对所述多维数据向量中的所述环境参数使用Z-score标准化进行归一化处理，以得到次级多维数据向量；
对所述次级多维数据向量使用主成分分析法进行特征过滤，以得到变量向量；
将所述变量向量输入至所述深度神经网络模型，以得到第二类设备配置参数；
将所述第二类设备配置参数与所述第一类设备配置参数进行判别，以得到判别结果；
基于所述判别结果计算误差值，使用成本函数对所述误差值进行迭代，直至所述误差值迭代趋于稳定时停止训练，以得到所述深度神经网络模型。
2.根据权利要求1所述的智能家居控制方法，其特征在于，将所述环境参数和所述第一类设备配置参数形成多维数据向量，以及将所述多维数据向量输入至待训练的深度神经网络模型获得模型参数，以构建深度神经网络模型，还包括：
将预设的时间段的所述环境参数、所述第一设备配置参数和所述第一用户配置参数形成多维数据向量，以及将所述多维数据向量输入至待训练的深度神经网络模型获得模型参数，以构建深度神经网络模型。
3.根据权利要求1所述的智能家居控制方法，其特征在于，所述深度神经网络模型包括输入层、第一隐藏层、第二隐藏层和输出层，其中，第一隐藏层的节点数与第二隐藏层的节点数相同，第一隐藏层的节点数少于输入层的节点数，其差值为1。
4.根据权利要求3所述的智能家居控制方法，其特征在于，将所述变量向量输入至所述深度神经网络模型，以得到第二类设备配置参数包括：
所述输入层接收所述变量向量，并将所述变量向量输入至所述第一隐藏层；
所述第一隐藏层和所述第二隐藏层依次对所述变量向量进行处理，以得到所述第二类设备配置参数，并将所述第二类设备配置参数输入至输出层；
输出层接收所述第二类设备配置参数，并将所述第二类设备配置参数输出。
5.根据权利要求4所述的智能家居控制方法，其特征在于，所述第一隐藏层使用Sigmoid激活函数对所述变量向量进行处理；
所述第二隐藏层使用Sigmoid激活函数对经所述第一隐藏层处理的所述变量向量再次进行处理。
6.一种智能家居控制系统，用于执行如权利要求1～5任一所述的智能家居控制方法，其特征在于，包括：
获取模块，用于获取环境参数和第一类设备配置参数，其中，环境参数包括温度、湿度、照度、空气质量指数，所述第一类设备配置参数包括第一设备配置参数和第一用户配置参数，所述第一设备配置参数是基于所述环境参数通过预设的控制规则对家居环境控制设备控制获得，所述第一用户配置参数是基于所述环境参数通过用户输入参数控制所述家居环境控制设备获得，所述家居环境控制设备包括空调设备、地暖设备、新风设备；
深度神经网络模型处理模块，用于基于所述环境参数和所述第一类设备配置参数对待训练的深度神经网络模型进行自学习训练并构建深度神经网络模型，以及用于利用所述深度神经网络模型对所述环境参数进行处理以得到第二类设备配置参数，其中，所述第二类设备配置参数包括第二设备配置参数和第二用户配置参数，所述第二设备配置参数是基于所述环境参数和所述第一设备配置参数通过所述深度神经网络模型进行处理获得，所述第二用户配置参数是基于所述环境参数和所述第一用户配置参数通过所述深度神经网络模型进行处理获得；
其中，所述第一设备配置参数是基于所述环境参数通过预设的控制规则对所述家居环境控制设备控制获得包括：
按照所述环境参数不同的优先顺序，分别对室内温度、室内CO2浓度、室内PM2.5浓度和室外PM2.5浓度进行判断，获得空调规定配置参数、地暖规定配置参数、新风规定配置参数；
其中，所述第一用户配置参数是基于所述环境参数通过用户输入参数控制所述家居环境控制设备获得包括：
用户对室内温度、室内CO2浓度、室内PM2.5浓度和室外PM2.5浓度进行判断，获得空调自定义配置参数、地暖自定义配置参数、新风自定义配置参数；
其中，基于所述环境参数和所述第一类设备配置参数对待训练的深度神经网络模型进行自学习训练并构建深度神经网络模型，包括：
将所述环境参数和所述第一类设备配置参数形成多维数据向量，
对所述多维数据向量中的所述环境参数使用Z-score标准化进行归一化处理，以得到次级多维数据向量；
对所述次级多维数据向量使用主成分分析法进行特征过滤，以得到变量向量；
将所述变量向量输入至所述深度神经网络模型，以得到第二类设备配置参数；
将所述第二类设备配置参数与所述第一类设备配置参数进行判别，以得到判别结果；
基于所述判别结果计算误差值，使用成本函数进行迭代，直至所述误差值迭代趋于稳定时停止训练，以得到所述深度神经网络模型。
7.根据权利要求6所述的智能家居控制系统，其特征在于，所述深度神经网络模型处理模块包括：
训练子模块，用于对所述待训练的深度神经网络模型自学习训练并构建深度神经网络模型，其包括：
第一归一化处理单元，用于对基于所述环境参数和所述第一类设备配置参数形成的多维数据向量中的所述环境参数进行归一化处理，以得到次级多维数据向量；
第一过滤处理单元，用于对所述次级多维数据向量进行特征过滤，以得到变量向量；
模型训练单元，用于将所述变量向量输入所述待训练的深度神经网络模型以构建深度神经网络模型参数，直至误差值趋于稳定时停止训练，得到所述深度神经网络模型。
8.根据权利要求7所述的智能家居控制系统，其特征在于，所述深度神经网络模型包括输入层、第一隐藏层、第二隐藏层和输出层，其中，第一隐藏层的节点数与第二隐藏层的节点数相同，第一隐藏层的节点数少于输入层的节点数，其差值为1；
其中，所述模型训练单元包括：
输入层训练子单元，用于将所述变量向量输入所述输入层；
隐藏层训练子单元，用于对所述输入层输入的所述变量向量进行处理，以得到第二类设备配置参数；
输出层训练子单元，用于将所述第二类设备配置参数输入至所述输出层；
判断处理子单元，用于将所述第二类设备配置参数和所述第一类设备配置参数进行判别；
误差值计算子单元，用于根据判别结果计算误差值，使用成本函数进行迭代，直至所述误差值迭代趋于稳定时停止训练，以得到训练好的深度神经网络模型。
9.根据权利要求6所述的智能家居控制系统，其特征在于，所述深度神经网络模型处理模块包括：
处理子模块，用于利用所述深度神经网络模型对所述环境参数进行处理以得到第二类设备配置参数，其包括：
第二归一化处理单元，用于对基于所述环境参数和所述第一类设备配置参数形成的多维数据向量中的所述环境参数进行归一化处理，以得到次级多维数据向量；
第二过滤处理单元，用于对所述次级多维数据向量进行特征过滤，以得到变量向量；
模型处理单元，用于将所述变量向量输入所述深度神经网络模型以得到第二类设备配置参数。
10.根据权利要求9所述的智能家居控制系统，其特征在于，所述深度神经网络模型包括输入层、第一隐藏层、第二隐藏层和输出层，其中，第一隐藏层的节点数与第二隐藏层的节点数相同，第一隐藏层的节点数少于输入层的节点数，其差值为1；
其中，所述模型处理单元包括：
输入层处理子单元，用于将所述变量向量输入所述输入层；
隐藏层训练子单元，用于对所述输入层输入的所述变量向量进行处理，以得到第二类设备配置参数；
输出层处理子单元，用于将所述第二类设备配置参数输入至所述输出层；
格式转换单元，用于将所述第二类设备配置参数进行格式转换，以得到针对设备的控制信号。
11.一种存储介质，所述存储介质包括计算机程序，其中，在所述计算机程序运行时控制所述存储介质执行权利要求1～5中任意一项所述的智能家居控制方法。
12.一种计算机设备，包括存储器、处理器以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，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5中任意一项所述的智能家居控制方法。
CN202010188246.1A 2020-03-17 2020-03-17 一种智能家居控制方法、系统、存储介质和计算机设备 Active CN111414996B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010188246.1A CN111414996B (zh) 2020-03-17 2020-03-17 一种智能家居控制方法、系统、存储介质和计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010188246.1A CN111414996B (zh) 2020-03-17 2020-03-17 一种智能家居控制方法、系统、存储介质和计算机设备

Publications (2)

Publication Number Publication Date
CN111414996A CN111414996A (zh) 2020-07-14
CN111414996B true CN111414996B (zh) 2023-08-01

Family

ID=71494739

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010188246.1A Active CN111414996B (zh) 2020-03-17 2020-03-17 一种智能家居控制方法、系统、存储介质和计算机设备

Country Status (1)

Country Link
CN (1) CN111414996B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113110082B (zh) * 2021-04-15 2023-05-16 青岛海尔空调器有限总公司 用于家电控制的方法、装置和家电
CN113759742A (zh) * 2021-09-24 2021-12-07 浪潮金融信息技术有限公司 一种智能化家居控制方法、系统及介质
CN114124693A (zh) * 2021-11-08 2022-03-01 中国联合网络通信集团有限公司 一种参数配置方法、装置及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107300896A (zh) * 2017-06-30 2017-10-27 北京小米移动软件有限公司 家电控制方法及设备
CN109298643A (zh) * 2018-10-09 2019-02-01 珠海格力电器股份有限公司 设备控制方法、装置、智能家居机组和存储介质
CN110836509A (zh) * 2018-08-17 2020-02-25 珠海格力电器股份有限公司 一种家居设备控制方法、装置、控制设备及可读存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107300896A (zh) * 2017-06-30 2017-10-27 北京小米移动软件有限公司 家电控制方法及设备
CN110836509A (zh) * 2018-08-17 2020-02-25 珠海格力电器股份有限公司 一种家居设备控制方法、装置、控制设备及可读存储介质
CN109298643A (zh) * 2018-10-09 2019-02-01 珠海格力电器股份有限公司 设备控制方法、装置、智能家居机组和存储介质

Also Published As

Publication number Publication date
CN111414996A (zh) 2020-07-14

Similar Documents

Publication Publication Date Title
CN111414996B (zh) 一种智能家居控制方法、系统、存储介质和计算机设备
CN110298487B (zh) 一种用于满足用户个性化需求的室内温度预测方法
EP3411634B1 (en) Data learning server and method for generating and using learning model thereof
JP2018506807A (ja) 建物内の環境管理システムを制御するための方法および装置
CN111486554B (zh) 一种基于在线学习的空调温度无感化控制方法
CN102705957A (zh) 办公建筑中央空调逐时冷负荷在线预测方法及系统
KR101875489B1 (ko) 냉방 시스템을 자동으로 제어하는 장치 및 방법
CN113777938B (zh) 一种家电控制方法、装置、设备及存储介质
CN111461466B (zh) 基于lstm时间序列的供暖户阀调节方法、系统及设备
CN106765959A (zh) 基于遗传算法和深度bp神经网络算法的暖通空调节能控制方法
CN111562748A (zh) 一种智能家居环境控制系统及控制方法
CN110836509A (zh) 一种家居设备控制方法、装置、控制设备及可读存储介质
CN110836515A (zh) 一种家居设备控制方法、装置、控制设备及可读存储介质
CN106292325B (zh) 一种数据驱动的家居环境舒适性偏好建模与控制方法
CN112327648B (zh) 家用设备的控制方法、装置和计算机可读存储介质
CN117329665B (zh) 一种基于智能ai算法的空调室内联动控制方法及系统
CN106502121A (zh) 一种智能家居控制系统
CN107044711B (zh) 空调的控制方法及装置
CN110166330A (zh) 一种智能家居设备配合控制方法
CN117289620A (zh) 一种智能家居的场景切换控制方法及系统
KR101915670B1 (ko) 홈 네트워크 시스템 및 그 구동 방법
CN116774599A (zh) 基于知识图谱的智能设备控制方法、计算机装置和计算机可读存储介质
CN116227725A (zh) 一种建筑物空调系统的负荷预测方法、装置及电子设备
CN115587904A (zh) 智慧燃气终端管理方法、物联网系统、装置以及介质
Cui et al. An Online Reinforcement Learning Method for Multi-Zone Ventilation Control With Pre-Training

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