CN111487875A - 控制智能家电设备的方法、智能家电设备及存储介质 - Google Patents
控制智能家电设备的方法、智能家电设备及存储介质 Download PDFInfo
- Publication number
- CN111487875A CN111487875A CN201910078230.2A CN201910078230A CN111487875A CN 111487875 A CN111487875 A CN 111487875A CN 201910078230 A CN201910078230 A CN 201910078230A CN 111487875 A CN111487875 A CN 111487875A
- Authority
- CN
- China
- Prior art keywords
- energy consumption
- intelligent household
- components
- control parameters
- household appliance
- 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
Images
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
- 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], 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
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/26—Pc applications
- G05B2219/2642—Domotique, domestic, home control, automation, smart house
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)
- Air Conditioning Control Device (AREA)
- Selective Calling Equipment (AREA)
- Feedback Control In General (AREA)
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
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:
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,所述学习单元,具体用于:
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,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:
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,hw,b(x)为智能家电设备空调的总能耗值,aj 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fmin~fmax,fmin为压缩机频率的最小取值,fmax为压缩机频率的最大取值;外风机转速的范围为rmin~rmax,rmin为外风机转速的最小取值,rmax为外风机转速的最大取值;电子膨胀阀开度的取值范围为omin~omax,omin为电子膨胀阀开度的最小取值,omax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kf1=(f1-fmin)/(fmax-fmin);
外风机转速r1的归一化值kr1=(r1-rmin)/(rmax-rmin);
电子膨胀阀开度o1的归一化值ko1=(o1-omin)/(omax-omin)。
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×kf1+5×kr1+2×ko1;
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:
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,所述学习单元402,具体用于:
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,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:
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。
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。
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。
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 (10)
1.一种控制智能家电设备的方法,其特征在于,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。
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:
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。
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:
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。
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:
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。
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:
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。
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。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910078230.2A CN111487875B (zh) | 2019-01-28 | 2019-01-28 | 控制智能家电设备的方法、智能家电设备及存储介质 |
PCT/CN2019/109430 WO2020155661A1 (zh) | 2019-01-28 | 2019-09-30 | 控制智能家电设备的方法、智能家电设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910078230.2A CN111487875B (zh) | 2019-01-28 | 2019-01-28 | 控制智能家电设备的方法、智能家电设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111487875A true CN111487875A (zh) | 2020-08-04 |
CN111487875B CN111487875B (zh) | 2021-07-23 |
Family
ID=71812313
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910078230.2A Active CN111487875B (zh) | 2019-01-28 | 2019-01-28 | 控制智能家电设备的方法、智能家电设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN111487875B (zh) |
WO (1) | WO2020155661A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113465140A (zh) * | 2021-06-08 | 2021-10-01 | 深圳市英威腾网能技术有限公司 | 空调监测方法、装置、空调控制器以及存储介质 |
Citations (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS63150783A (ja) * | 1986-12-16 | 1988-06-23 | Canon Inc | 文字認識装置 |
FR2656950A1 (fr) * | 1990-01-11 | 1991-07-12 | Gaz De France | Procede d'alimentation en energie electrique d'une resistance, circuit electrique prevu et utilisations de ce circuit. |
CN101056129A (zh) * | 2007-05-18 | 2007-10-17 | 华为技术有限公司 | 同一功放中载波功率分配方法及系统 |
US7529464B2 (en) * | 2004-10-13 | 2009-05-05 | Cyberlink Corp. | Method for implementing an adaptive mixing energy ratio in a music-selected video editing environment |
CN101425872A (zh) * | 2007-10-30 | 2009-05-06 | 华为技术有限公司 | 功率控制方法、功率控制装置与发送装置 |
CN101975673A (zh) * | 2010-09-07 | 2011-02-16 | 区峰 | 中央空调系统能效实时监测系统及方法 |
CN103277875A (zh) * | 2013-06-21 | 2013-09-04 | 上海能誉科技发展有限公司 | 一种冷冻机房节能控制系统 |
CN103455006A (zh) * | 2013-09-09 | 2013-12-18 | 国家电网公司 | 家庭用电智能管理系统 |
CN103582987A (zh) * | 2012-05-31 | 2014-02-12 | 日本特科诺能源管理咨询有限公司 | 节能系统、节能方法、节能程序 |
CN103761393A (zh) * | 2014-01-23 | 2014-04-30 | 无锡江南计算技术研究所 | 一种基于细粒度性能计数器建立系统实时功耗模型的方法 |
CN104019520A (zh) * | 2014-05-20 | 2014-09-03 | 天津大学 | 基于spsa的制冷系统最小能耗的数据驱动控制方法 |
CN104143857A (zh) * | 2013-05-10 | 2014-11-12 | 富士施乐株式会社 | 电力管理系统、电子设备和电力管理方法 |
CN104374052A (zh) * | 2014-11-18 | 2015-02-25 | 柳州市金旭节能科技有限公司 | 基于神经网络的中央空调节能控制方法及系统 |
CN105020845A (zh) * | 2015-03-09 | 2015-11-04 | 厦门立思科技股份有限公司 | 一种空调系统联动节能控制系统及方法 |
CN105930661A (zh) * | 2016-04-25 | 2016-09-07 | 杭州嘉楠耘智信息科技有限公司 | 一种设备性能值调整方法及装置 |
CN205899351U (zh) * | 2016-06-07 | 2017-01-18 | 江苏长宁电力科技有限公司 | 建筑环境自适应节能管理系统 |
US20170141711A1 (en) * | 2014-07-07 | 2017-05-18 | SHINO Ikoku | Method and apparatus for optimizing efficiency of induction motor in electric vehicle |
CN106777527A (zh) * | 2016-11-24 | 2017-05-31 | 上海市特种设备监督检验技术研究院 | 基于神经网络模型的起重机小车运行能耗分析方法 |
CN106874581A (zh) * | 2016-12-30 | 2017-06-20 | 浙江大学 | 一种基于bp神经网络模型的建筑空调能耗预测方法 |
CN106875101A (zh) * | 2017-01-20 | 2017-06-20 | 青岛高校信息产业股份有限公司 | 一种能源管理系统控制方法及控制装置 |
CN106895541A (zh) * | 2015-12-18 | 2017-06-27 | 宁波奥克斯空调有限公司 | 一种基于用户舒适度的空调器制冷模式下的节能控制方法 |
EP3203167A1 (en) * | 2014-09-29 | 2017-08-09 | Mitsubishi Electric Corporation | Power amount management device for cooling system |
CN107044710A (zh) * | 2016-12-26 | 2017-08-15 | 深圳达实智能股份有限公司 | 基于联合智能算法的中央空调节能控制方法及系统 |
CN107067190A (zh) * | 2017-05-18 | 2017-08-18 | 厦门大学 | 基于深度强化学习的微电网电能交易方法 |
CN107292352A (zh) * | 2017-08-07 | 2017-10-24 | 北京中星微电子有限公司 | 基于卷积神经网络的图像分类方法和装置 |
US20170331333A1 (en) * | 2009-03-31 | 2017-11-16 | Brendan Edward Clark | Wireless Energy Sharing Management |
CN107730006A (zh) * | 2017-09-13 | 2018-02-23 | 重庆电子工程职业学院 | 一种基于可再生能源大数据深度学习的建筑近零能耗控制器 |
CN107736084A (zh) * | 2016-12-28 | 2018-02-23 | 深圳中兴力维技术有限公司 | 一种集中制冷能耗分摊方法及装置 |
CN107940705A (zh) * | 2017-11-20 | 2018-04-20 | 广东美的暖通设备有限公司 | 主机负荷分配的控制方法、控制系统和空调器 |
CN108805192A (zh) * | 2018-06-01 | 2018-11-13 | 河海大学 | 基于分层网络结构的监测数据分析方法 |
CN109213098A (zh) * | 2018-08-29 | 2019-01-15 | 西门子电力自动化有限公司 | 调整运行参数的方法、装置、电子设备和计算机可读介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3855739B2 (ja) * | 2001-11-05 | 2006-12-13 | 株式会社デンソー | ニューラルネットワークの学習方法およびプログラム |
CN201129823Y (zh) * | 2007-11-21 | 2008-10-08 | 厦门立思科技有限公司 | 基于人工神经网络技术的中央空调节能控制装置 |
CN102353119B (zh) * | 2011-08-09 | 2013-04-24 | 北京建筑工程学院 | 一种vav变风量空调系统控制方法 |
CN107844073B (zh) * | 2017-09-15 | 2018-12-07 | 珠海格力电器股份有限公司 | 电子设备控制方法、装置、系统、存储介质及处理器 |
-
2019
- 2019-01-28 CN CN201910078230.2A patent/CN111487875B/zh active Active
- 2019-09-30 WO PCT/CN2019/109430 patent/WO2020155661A1/zh active Application Filing
Patent Citations (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS63150783A (ja) * | 1986-12-16 | 1988-06-23 | Canon Inc | 文字認識装置 |
FR2656950A1 (fr) * | 1990-01-11 | 1991-07-12 | Gaz De France | Procede d'alimentation en energie electrique d'une resistance, circuit electrique prevu et utilisations de ce circuit. |
US7529464B2 (en) * | 2004-10-13 | 2009-05-05 | Cyberlink Corp. | Method for implementing an adaptive mixing energy ratio in a music-selected video editing environment |
CN101056129A (zh) * | 2007-05-18 | 2007-10-17 | 华为技术有限公司 | 同一功放中载波功率分配方法及系统 |
CN101425872A (zh) * | 2007-10-30 | 2009-05-06 | 华为技术有限公司 | 功率控制方法、功率控制装置与发送装置 |
US20170331333A1 (en) * | 2009-03-31 | 2017-11-16 | Brendan Edward Clark | Wireless Energy Sharing Management |
CN101975673A (zh) * | 2010-09-07 | 2011-02-16 | 区峰 | 中央空调系统能效实时监测系统及方法 |
CN103582987A (zh) * | 2012-05-31 | 2014-02-12 | 日本特科诺能源管理咨询有限公司 | 节能系统、节能方法、节能程序 |
CN104143857A (zh) * | 2013-05-10 | 2014-11-12 | 富士施乐株式会社 | 电力管理系统、电子设备和电力管理方法 |
CN103277875A (zh) * | 2013-06-21 | 2013-09-04 | 上海能誉科技发展有限公司 | 一种冷冻机房节能控制系统 |
CN103455006A (zh) * | 2013-09-09 | 2013-12-18 | 国家电网公司 | 家庭用电智能管理系统 |
CN103761393A (zh) * | 2014-01-23 | 2014-04-30 | 无锡江南计算技术研究所 | 一种基于细粒度性能计数器建立系统实时功耗模型的方法 |
CN104019520A (zh) * | 2014-05-20 | 2014-09-03 | 天津大学 | 基于spsa的制冷系统最小能耗的数据驱动控制方法 |
US20170141711A1 (en) * | 2014-07-07 | 2017-05-18 | SHINO Ikoku | Method and apparatus for optimizing efficiency of induction motor in electric vehicle |
EP3203167A1 (en) * | 2014-09-29 | 2017-08-09 | Mitsubishi Electric Corporation | Power amount management device for cooling system |
CN104374052A (zh) * | 2014-11-18 | 2015-02-25 | 柳州市金旭节能科技有限公司 | 基于神经网络的中央空调节能控制方法及系统 |
CN105020845A (zh) * | 2015-03-09 | 2015-11-04 | 厦门立思科技股份有限公司 | 一种空调系统联动节能控制系统及方法 |
CN106895541A (zh) * | 2015-12-18 | 2017-06-27 | 宁波奥克斯空调有限公司 | 一种基于用户舒适度的空调器制冷模式下的节能控制方法 |
CN105930661A (zh) * | 2016-04-25 | 2016-09-07 | 杭州嘉楠耘智信息科技有限公司 | 一种设备性能值调整方法及装置 |
CN205899351U (zh) * | 2016-06-07 | 2017-01-18 | 江苏长宁电力科技有限公司 | 建筑环境自适应节能管理系统 |
CN106777527A (zh) * | 2016-11-24 | 2017-05-31 | 上海市特种设备监督检验技术研究院 | 基于神经网络模型的起重机小车运行能耗分析方法 |
CN107044710A (zh) * | 2016-12-26 | 2017-08-15 | 深圳达实智能股份有限公司 | 基于联合智能算法的中央空调节能控制方法及系统 |
CN107736084A (zh) * | 2016-12-28 | 2018-02-23 | 深圳中兴力维技术有限公司 | 一种集中制冷能耗分摊方法及装置 |
CN106874581A (zh) * | 2016-12-30 | 2017-06-20 | 浙江大学 | 一种基于bp神经网络模型的建筑空调能耗预测方法 |
CN106875101A (zh) * | 2017-01-20 | 2017-06-20 | 青岛高校信息产业股份有限公司 | 一种能源管理系统控制方法及控制装置 |
CN107067190A (zh) * | 2017-05-18 | 2017-08-18 | 厦门大学 | 基于深度强化学习的微电网电能交易方法 |
CN107292352A (zh) * | 2017-08-07 | 2017-10-24 | 北京中星微电子有限公司 | 基于卷积神经网络的图像分类方法和装置 |
CN107730006A (zh) * | 2017-09-13 | 2018-02-23 | 重庆电子工程职业学院 | 一种基于可再生能源大数据深度学习的建筑近零能耗控制器 |
CN107940705A (zh) * | 2017-11-20 | 2018-04-20 | 广东美的暖通设备有限公司 | 主机负荷分配的控制方法、控制系统和空调器 |
CN108805192A (zh) * | 2018-06-01 | 2018-11-13 | 河海大学 | 基于分层网络结构的监测数据分析方法 |
CN109213098A (zh) * | 2018-08-29 | 2019-01-15 | 西门子电力自动化有限公司 | 调整运行参数的方法、装置、电子设备和计算机可读介质 |
Non-Patent Citations (6)
Title |
---|
HAO ZHOU,等: "Analysis of correlation between actual heating energy consumption and building physics, heating system, and room position using data mining approach", 《ENERGY AND BUILDINGS》 * |
JIANGHONG WU,等: "Performance Prediction of Room Air Conditioners and Optimization of Control Strategy for Energy Conservation", 《HEAT TRANSFER ENGINEERING》 * |
张鹏: "《基于Java 3D的虚拟现实技术研究与实践》", 31 August 2017, 苏州大学出版社 * |
瞿睿: "中央空调多变量自适应控制研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
陈彦熹,等: "基于ANN的绿色办公建筑HVAC系统运行能耗预测", 《建筑节能》 * |
陈文凭: "中央空调水系统优化设计与运行研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113465140A (zh) * | 2021-06-08 | 2021-10-01 | 深圳市英威腾网能技术有限公司 | 空调监测方法、装置、空调控制器以及存储介质 |
CN113465140B (zh) * | 2021-06-08 | 2022-08-02 | 深圳市英威腾网能技术有限公司 | 空调监测方法、装置、空调控制器以及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111487875B (zh) | 2021-07-23 |
WO2020155661A1 (zh) | 2020-08-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106123204B (zh) | 一种空调静音模式的控制装置、方法及空调 | |
CN104197468B (zh) | 空调运行参数处理方法及装置 | |
CN106875945A (zh) | 语音控制方法、装置和空调器 | |
CN111487875B (zh) | 控制智能家电设备的方法、智能家电设备及存储介质 | |
CN108899027A (zh) | 语音解析方法及装置 | |
CN110631234A (zh) | 空调运行频率的控制方法、空调及计算机可读存储介质 | |
CN109346066B (zh) | 一种语音降噪的方法及装置 | |
Yu et al. | Improved meta-heuristics with Q-learning for solving distributed assembly permutation flowshop scheduling problems | |
Chatterjee et al. | Perfect-information stochastic games with generalized mean-payoff objectives | |
CN110705030B (zh) | 一种基于遗传算法的pid控制器参数优化方法及电机 | |
CN111668858A (zh) | 一种计及间歇特性的需求侧资源最优协调控制方法及系统 | |
CN115343959B (zh) | 一种电采暖负荷自适应控制方法、装置、设备及介质 | |
WO2024021546A1 (zh) | 行为偏好表的生成方法和装置、存储介质及电子装置 | |
CN111290360A (zh) | 一种铸造生产线多目标优化方法 | |
CN110726214A (zh) | 控制空调器的方法及装置 | |
CN115631832B (zh) | 烹饪计划的确定方法及装置、存储介质及电子装置 | |
CN113434034B (zh) | 利用深度学习调整计算任务cpu频率的大型集群节能方法 | |
CN106325125A (zh) | 一种基于物联网的控制电器工作的方法及装置 | |
CN104728998B (zh) | 光伏供电空调机组的控制方法和装置 | |
CN109063261A (zh) | 一种动力电池老化趋势的判断方法和装置 | |
CN110850916B (zh) | 加热器的控制方法、装置、设备及存储介质 | |
CN112484246A (zh) | 一种空调控制器编程辅助方法、装置及设备 | |
CN111310644A (zh) | 一种针对电器类型及其工作状态的智能识别方法及装置 | |
CN111049359A (zh) | 一种功率控制方法及系统 | |
CN114061094B (zh) | 空调器的控制方法及其装置、计算机可读存储介质 |
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 |