CN111487875A

CN111487875A - 控制智能家电设备的方法、智能家电设备及存储介质

Info

Publication number: CN111487875A
Application number: CN201910078230.2A
Authority: CN
Inventors: 谭建明; 李绍斌; 宋德超; 陈翀; 岳冬; 罗晓宇; 邓家璧; 王鹏飞; 肖文轩
Original assignee: Gree Electric Appliances Inc of Zhuhai
Current assignee: Gree Electric Appliances Inc of Zhuhai
Priority date: 2019-01-28
Filing date: 2019-01-28
Publication date: 2020-08-04
Anticipated expiration: 2039-01-28
Also published as: CN111487875B; WO2020155661A1

Abstract

本发明公开了控制智能家电设备的方法、智能家电设备及存储介质，用以解决现有技术中存在的智能家电设备的能耗较高的技术问题。包括：获取智能家电设备的多个指定部件在同一指定时长内的参数值，以及智能家电设备的总能耗值；基于多个指定部件对应的参数值及总能耗值，用深度神经网络模型对多个指定部件的能耗占比进行拟合学习，获得多个指定部件的能耗占比值；基于多个指定部件的能耗占值比及预设控制参数表，计算预设控制参数表中每组控制参数的总能耗，将所有总能耗中的最小值对应的一组控制参数作为智能家电设备的多个指定部件的控制参数，对智能家电设备进行控制。

Description

控制智能家电设备的方法、智能家电设备及存储介质

技术领域

本发明涉及智能家电领域，尤其是涉及控制智能家电设备的方法、智能家电设备及存储介质。

背景技术

随着科学技术的不断进步，人们在享受着科技进步带来便利的同时，也被新的问题困扰着。

例如，作为智能家电设备之一的空调，现已成为大多数家庭的必备家电设备之一，但在普通家庭中空调也是能耗较大的家电设备之一。随着家电设备的增多，用户所需要使用的能耗也就越多，这样一方面会增加家庭用电负荷，使实际用电负荷超出家庭原本线路设计、造成安全隐患；另一方面，用电负荷的增加也将导致用户使用智能家电设备的成本上升。

但，目前并没有一种行之有效的方法来降低智能家电设备的能耗。

鉴于此，如何有效的降低智能家电设备的能耗，成为一个亟待解决的技术问题。

发明内容

本发明提供控制智能家电设备的方法、智能家电设备及存储介质，用以解决现有技术中存在的智能家电设备的能耗较高的技术问题。

第一方面，为解决上述技术问题，本发明实施例提供的一种控制智能家电设备方法的技术方案如下：

获取智能家电设备的多个指定部件在同一指定时长内的参数值，以及所述智能家电设备的总能耗值；

基于所述多个指定部件对应的参数值及所述总能耗值，用深度神经网络模型对所述多个指定部件的能耗占比进行拟合学习，获得所述多个指定部件的能耗占比值；

基于所述多个指定部件的能耗占值比及预设控制参数表，计算所述预设控制参数表中每组控制参数的总能耗，将所有总能耗中的最小值对应的一组控制参数作为所述智能家电设备的多个指定部件的控制参数，对所述智能家电设备进行控制。

通过获取智能家电设备的多个指定部件在同一指定时长内的参数值，以及智能家电设备的总能耗值；用深度神经网络模型实时对智能家电设备的多个指定部件的能耗占比进行学习，得到多个指定部件的能耗占比值；并基于多个指定部件的能耗占比计算预设控制参数表中的每组参数对应的总能耗，将所有总能耗中最小值对应的那组控制参数，作为智能家电设备控制多个指定部件的控制参数对智能家电设备进行控制。由于能耗占比值反应的是指定部件的控制参数与智能家电设备的总能耗之间的关系，所以通过将各个指定部件的能耗占比值、及预设控制参数表中每组控制参数的参数值，可以计算出使用每组控制参数对应的总能耗，进而从中选出最小的总能耗对应的那组控制参数作为控制智能家电设备的参数，从而能够有效的降低智能家电设备的使用能耗。

可选的，获取智能家电设备的多个指定部件在同一指定时长内的参数值，以及所述智能家电设备的总能耗值之前，还包括：

判断所述智能家电设备是否已处于运行状态，若所述智能家电设备为未运行状态则启动所述智能家电设备。

可选的，基于所述多个指定部件对应的参数值及所述总能耗值，用深度神经网络模型，对所述多个指定部件的能耗占比进行拟合学习，获得所述多个指定部件的能耗占比值，包括：

将所述多个指定部件对应的参数值及设定修订值作为深度神经网络模型的输入值，将所述总能耗值作为所述深度神经网络模型的输出值，对所述多个指定部件的能耗占比进行拟合学习，获得所述深度神经网络模型中各相邻层的权重矩阵；

对所有的权重矩阵进行矩阵乘法运算，获得所述多个指定部件的能耗占比矩阵；其中，所述能耗占比矩阵中的值与所述多个指定部件的能耗占比值一一对应。

可选的，基于所述多个指定部件的能耗占值比及预设控制参数表，计算所述预设控制参数表中每组控制参数的总能耗，包括：

对所述预设控制参数表中的每组控制参数执行以下运算：

对所述每组控制参数中的参数值分别进行归一化，获得所述每组控制参数中各参数的归一化值；

将所述多个指定部件中每个部件的能耗占比值，与所述每组控制参数中对应的控制参数的归一化值进行积运算，获得积运算结果；

对所有积运算结果进行和运算，获得所述每组控制参数的总能耗。

可选的，智能家电设备为空调。

可选的，所述多个指定部件包括压缩机、外风机、电子膨胀阀。

可选的，所述每组参数包括压缩机频率、外风机转速、电子膨胀阀开度。

第二方面，本发明实施例提供了一种控制智能家电设备，包括：

获取单元，用于获取智能家电设备的多个指定部件在同一指定时长内的参数值，以及所述智能家电设备的总能耗值；

学习单元，用于基于所述多个指定部件对应的参数值及所述总能耗值，用深度神经网络模型对所述多个指定部件的能耗占比进行拟合学习，获得所述多个指定部件的能耗占比值；

控制单元，用于基于所述多个指定部件的能耗占值比及预设控制参数表，计算所述预设控制参数表中每组控制参数的总能耗，将所有总能耗中的最小值对应的一组控制参数作为所述智能家电设备的多个指定部件的控制参数，对所述智能家电设备进行控制。

可选的，所述获取单元还用于：

可选的，所述学习单元，具体用于：

可选的，所述控制单元还用于：

对所述预设控制参数表中的每组控制参数执行以下运算：

可选的，智能家电设备为空调。

第三方面，本发明实施例还提供一种控制智能家电设备，包括：

至少一个处理器，以及

与所述至少一个处理器连接的存储器；

其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述至少一个处理器通过执行所述存储器存储的指令，执行如上述第一方面所述的方法。

第四方面，本发明实施例还提供一种计算机可读存储介质，包括：

所述计算机可读存储介质存储有计算机指令，当所述计算机指令在计算机上运行时，使得计算机执行如上述第一方面所述的方法。

通过本发明实施例的上述一个或多个实施例中的技术方案，本发明实施例至少具有如下技术效果：

在本发明提供的实施例中，通过获取智能家电设备的多个指定部件在同一指定时长内的参数值，以及智能家电设备的总能耗值；用深度神经网络模型实时对智能家电设备的多个指定部件的能耗占比进行学习，得到多个指定部件的能耗占比值；并基于多个指定部件的能耗占比计算预设控制参数表中的每组参数对应的总能耗，将所有总能耗中最小值对应的那组控制参数，作为智能家电设备控制多个指定部件的控制参数对智能家电设备进行控制。由于能耗占比值反应的是指定部件的控制参数与智能家电设备的总能耗之间的关系，所以通过将各个指定部件的能耗占比值、及预设控制参数表中每组控制参数的参数值，可以计算出使用每组控制参数对应的总能耗，进而从中选出最小的总能耗对应的那组控制参数作为控制智能家电设备的参数，从而能够有效的降低智能家电设备的使用能耗。

附图说明

图1为本发明实施例提供的控制智能家电设备方法的流程图；

图2为本发明实施例提供的用深度神经网络模型的输入、输出端与多个指定部件的参数值及总能耗的关系示意图；

图3为本发明实施例提供的用深度神经网络模型拟合学习多个指定部件的能耗占比的示意图；

图4为本发明实施例提供的一种智能家电设备的结构示意图。

具体实施方式

本发明实施列提供控制智能家电设备的方法、智能家电设备及存储介质，以解决现有技术中存在的智能家电设备的能耗较高的技术问题。

本申请实施例中的技术方案为解决上述的技术问题，总体思路如下：

提供一种控制智能家电设备方法，包括：获取智能家电设备的多个指定部件在同一指定时长内的参数值，以及智能家电设备的总能耗值；基于多个指定部件对应的参数值及总能耗值，用深度神经网络模型对多个指定部件的能耗占比进行拟合学习，获得多个指定部件的能耗占比值；基于多个指定部件的能耗占值比及预设控制参数表，计算预设控制参数表中每组控制参数的总能耗，将所有总能耗中的最小值对应的一组控制参数作为智能家电设备的多个指定部件的控制参数，对智能家电设备进行控制。

由于在上述方案中，通过获取智能家电设备的多个指定部件在同一指定时长内的参数值，以及智能家电设备的总能耗值；用深度神经网络模型实时对智能家电设备的多个指定部件的能耗占比进行学习，得到多个指定部件的能耗占比值；并基于多个指定部件的能耗占比计算预设控制参数表中的每组参数对应的总能耗，将所有总能耗中最小值对应的那组控制参数，作为智能家电设备控制多个指定部件的控制参数对智能家电设备进行控制。由于能耗占比值反应的是指定部件的控制参数与智能家电设备的总能耗之间的关系，所以通过将各个指定部件的能耗占比值、及预设控制参数表中每组控制参数的参数值，可以计算出使用每组控制参数对应的总能耗，进而从中选出最小的总能耗对应的那组控制参数作为控制智能家电设备的参数，从而能够有效的降低智能家电设备的使用能耗。

为了更好的理解上述技术方案，下面通过附图以及具体实施例对本发明技术方案做详细的说明，应当理解本发明实施例以及实施例中的具体特征是对本发明技术方案的详细的说明，而不是对本发明技术方案的限定，在不冲突的情况下，本发明实施例以及实施例中的技术特征可以相互组合。

请参考图1，本发明实施例提供一种控制智能家电设备的方法，该方法的处理过程如下。

步骤101：获取智能家电设备的多个指定部件在同一指定时长内的参数值，以及智能家电设备的总能耗值。

在获取智能家电设备的多个指定部件在同一指定时长内的参数值，以及智能家电设备的总能耗值之前，还需要先判断智能家电设备是否已处于运行状态，若智能家电设备为未运行状态则启动智能家电设备，使之处于运行状态。这样，才能根据用户的智能家电设备的实际情况，获取智能家电设备中多个指定部件在同一时长内的参数值及智能家电设备的总能耗值。

在本发明提供的实施例中，智能家电设备可以为空调，对应的多个指定部件则为压缩机、外风机、电子膨胀阀，它们的控制参数依次为压缩机频率、外风机转速、电子膨胀阀开度。

当然，智能家电设备还可以为智能电视、智能洗衣机、智能冰箱等，它们的多个指定部件可以根据实际使用中所消耗的能耗高低来确定，它们的预设控制参数表中的每组控制参数即为确定的多个指定部件对应的控制参数。

在获得智能家电设备的多个指定部件的参数值，及智能家电设备的总能耗值之后，便可执行步骤102。

步骤102：基于多个指定部件对应的参数值及总能耗值，用深度神经网络模型对多个指定部件的能耗占比进行拟合学习，获得多个指定部件的能耗占比值。

具体的，获得多个指定部件的能耗占比值可以采用以下方式：

先将多个指定部件对应的参数值及设定修订值作为深度神经网络模型的输入值，将总能耗值作为深度神经网络模型的输出值，对多个指定部件的能耗占比进行拟合学习，获得深度神经网络模型中各相邻层的权重矩阵；再对所有的权重矩阵进行矩阵乘法运算，获得多个指定部件的能耗占比矩阵；其中，能耗占比矩阵中的值与所述多个指定部件的能耗占比值一一对应。

请参见图2，为用深度神经网络模型的输入、输出端与多个指定部件的参数值及总能耗的关系示意图，以智能家电设备是空调为例，相应的多个指定部件可以是压缩机、外风机、电子膨胀阀，它们的控制参数依次为压缩机频率、外风机转速、电子膨胀阀开度，在智能家电设备空调运行后，采集30分钟后的时刻对应的这些控制参数的值及总能耗依次为：频率、转速、阀开度、总能耗。

在深度神经网络模型的输入层输入压缩机、外风机、电子膨胀阀的参数值(频率、转速、阀开度)及设定修订值，在深度神经网络模型的输出层设置输出值为空调的总能耗，让深度神经网络模型对压缩机、外风机、电子膨胀阀这些部件的能耗占比进行拟合学习，得到压缩机、外风机、电子膨胀阀的能耗占比。

例如，请参见图3，用深度神经网络模型拟合学习多个指定部件的能耗占比的示意图，以深度网络学习模型为3层结构为例。在图3中，x₁、x₂、x₃依次为压缩机的频率值、外风机的转速值、电子膨胀阀的开度值，+1为设定修订值，h_w,b(x)为智能家电设备空调的总能耗值，a_j ^l为第l层网络的神经元j的输出数据，a₁ ²、a₂ ²、a₃ ²依次为第2层网络的神经元1、2、3的输出数据，a₁ ³为第3层网络的神经元1的输出数据，它们的数学表达式为：

对于第2层的a₁ ²、a₂ ²、a₃ ²依次为：

其中，b₁ ²为第一层使用的预设修订系数，δ为激励函数，w₁₁ ²、w₁₂ ²、w₁₃ ²为得到a₁ ²使用的占比值，w₂₁ ²、w₂₂ ²、w₂₃ ²为得到a₂ ²使用的占比值，w₃₁ ²、w₃₂ ²、w₃₃ ²为得到a₃ ²使用的占比值。

对于第3层的a₁ ³为：

其中，b₂ ³为第二层使用的预设修订系数，δ为激励函数，w₁₁ ³、w₁₂ ³、w₁₃ ³为得到a₁ ³使用的占比值。

将w₁₁ ²、w₁₂ ²、w₁₃ ²构成的矩阵、w₂₁ ²、w₂₂ ²、w₂₃ ²构成的矩阵、₃₁ ²、w₃₂ ²、w₃₃ ²构成的矩阵、w₁₁ ³、w₁₂ ³、w₁₃ ³构成的矩阵进行矩阵乘法运算，得到的矩阵为多个指定部件的能耗占比矩阵，需要说明的是，在神经网络模型中输入的多个指定部件的顺序与能耗占比矩阵中的占比值的顺序一一对应。进而就可确定多个指定部件的能耗占比值。

在获得多个指定部件的能耗占比值之后，便可执行步骤103。

步骤103：基于多个指定部件的能耗占值比及预设控制参数表，计算预设控制参数表中每组控制参数的总能耗，将所有总能耗中的最小值对应的一组控制参数作为智能家电设备的多个指定部件的控制参数，对智能家电设备进行控制。

预设控制参数表中每组控制参数与多个指定部件的控制参数相对应，例如，多个指定部件为压缩机、外风机、电子膨胀阀，则预设控制参数表中每组控制参数就包括压缩机频率、外风机转速、电子膨胀阀开度。预设参数控制表中，每组控制参数的值是预先存储的智能家电设备在不同情况下平稳运行时采用的参数值。

具体的，计算预设控制参数表中每组控制参数的总能耗，采用的计算方式为：先对每组控制参数中的参数值分别进行归一化，获得每组控制参数中各参数的归一化值；再将多个指定部件中每个部件的能耗占比值，与每组控制参数中对应的控制参数的归一化值进行积运算，获得积运算结果；对所有积运算结果进行和运算，获得每组控制参数的总能耗。

例如，预设控制参数表中共有5组控制参数(如表1所示)，用深度神经网络模型计算出的压缩机、外风机、电子膨胀阀的占比值为3:5:2。

表1

组别\参数	压缩机频率	外风机转速	电子膨胀阀开度
				1组	f1	r1	o1
2组	f2	r2	o2
				3组	f3	r3	o3
4组	f4	r4	o4
				5组	f5	r5	o5

计算表1中5组控制参数中，每组控制参数的归一化值，以计算第1组控制参数的归一化值为例：

假设压缩机频率的取值范围为f_min～f_max，f_min为压缩机频率的最小取值，f_max为压缩机频率的最大取值；外风机转速的范围为r_min～r_max，r_min为外风机转速的最小取值，r_max为外风机转速的最大取值；电子膨胀阀开度的取值范围为o_min～o_max，o_min为电子膨胀阀开度的最小取值，o_max为电子膨胀阀开度的最大取值；则：

压缩机频率f1的归一化值k_f1＝(f1-f_min)/(f_max-f_min)；

外风机转速r1的归一化值k_r1＝(r1-r_min)/(r_max-r_min)；

电子膨胀阀开度o1的归一化值k_o1＝(o1-o_min)/(o_max-o_min)。

采用同样的方式，可以计算出其它四组中压缩机频率、外风机转速、电子膨胀阀开度对应的归一化值，为节约篇幅，在此不再赘述。

在计算出各组控制参数中每个参数对应的归一化值之后，便可计算各组控制参数的总能耗了。

具体的，仍然以计算表1中第1组控制参数的总能耗为例。

P1＝3×k_f1+5×k_r1+2×k_o1；

其它四组的总能耗的计算方式与第1组的计算方式相同，在此不再赘述。

假设其它四组的总能耗依次为P2、P3、P4、P5，其中P3的总能耗为5个总能耗中的最小值，则将P3对应的第三组控制参数作为控制智能家电设备的控制参数。

基于同一发明构思，本发明一实施例中提供一种智能家电设备，该智能家电设备的控制方法的具体实施方式可参见方法实施例部分的描述，重复之处不再赘述，请参见图4，该智能家电设备包括：

获取单元401，用于获取智能家电设备的多个指定部件在同一指定时长内的参数值，以及所述智能家电设备的总能耗值；

学习单元402，用于基于所述多个指定部件对应的参数值及所述总能耗值，用深度神经网络模型对所述多个指定部件的能耗占比进行拟合学习，获得所述多个指定部件的能耗占比值；

控制单元403，用于基于所述多个指定部件的能耗占值比及预设控制参数表，计算所述预设控制参数表中每组控制参数的总能耗，将所有总能耗中的最小值对应的一组控制参数作为所述智能家电设备的多个指定部件的控制参数，对所述智能家电设备进行控制。

可选的，所述获取单元401还用于：

可选的，所述学习单元402，具体用于：

可选的，所述控制单元403还用于：

对所述预设控制参数表中的每组控制参数执行以下运算：

可选的，智能家电设备为空调。

基于同一发明构思，本发明实施例中提供了一种智能家电设备，包括：至少一个处理器，以及

与所述至少一个处理器连接的存储器；

其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述至少一个处理器通过执行所述存储器存储的指令，执行如上所述的控住智能家电设备的方法。

基于同一发明构思，本发明实施例还提一种计算机可读存储介质，包括：

所述计算机可读存储介质存储有计算机指令，当所述计算机指令在计算机上运行时，使得计算机执行如上所述的控住智能家电设备的方法。

本领域内的技术人员应明白，本发明实施例可提供为方法、系统、或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明实施例是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims

1.一种控制智能家电设备的方法，其特征在于，包括：

2.如权利要求1所述的方法，其特征在于，获取智能家电设备的多个指定部件在同一指定时长内的参数值，以及所述智能家电设备的总能耗值之前，还包括：

3.如权利要求1所述的方法，其特征在于，基于所述多个指定部件对应的参数值及所述总能耗值，用深度神经网络模型，对所述多个指定部件的能耗占比进行拟合学习，获得所述多个指定部件的能耗占比值，包括：

4.如权利要求1-3任一权项所述的方法，其特征在于，基于所述多个指定部件的能耗占值比及预设控制参数表，计算所述预设控制参数表中每组控制参数的总能耗，包括：

对所述预设控制参数表中的每组控制参数执行以下运算：

5.如权利要求4所述的方法，其特征在于，智能家电设备为空调。

6.如权利要求5所述的方法，其特征在于，所述多个指定部件包括压缩机、外风机、电子膨胀阀。

7.如权利要求6所述的方法，其特征在于，所述每组参数包括压缩机频率、外风机转速、电子膨胀阀开度。

8.一种智能家电设备，其特征在于，包括：

9.一种智能家电设备，其特征在于，包括：

至少一个处理器，以及

与所述至少一个处理器连接的存储器；

其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述至少一个处理器通过执行所述存储器存储的指令，执行如权利要求1-7任一项所述的方法。

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存储有计算机指令，当所述计算机指令在计算机上运行时，使得计算机执行如权利要求1-7中任一项所述的方法。