CN111831871B - 用于空调工作模式推荐的方法及装置、设备 - Google Patents
用于空调工作模式推荐的方法及装置、设备 Download PDFInfo
- Publication number
- CN111831871B CN111831871B CN202010646383.5A CN202010646383A CN111831871B CN 111831871 B CN111831871 B CN 111831871B CN 202010646383 A CN202010646383 A CN 202010646383A CN 111831871 B CN111831871 B CN 111831871B
- Authority
- CN
- China
- Prior art keywords
- air conditioner
- data information
- energy
- energy consumption
- working mode
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000005265 energy consumption Methods 0.000 claims abstract description 52
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 38
- 230000009467 reduction Effects 0.000 claims description 12
- 239000002245 particle Substances 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 11
- 238000000513 principal component analysis Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 6
- 238000004378 air conditioning Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 238000003064 k means clustering Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 238000007637 random forest analysis Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 230000009977 dual effect Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000004931 aggregating effect Effects 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/9035—Filtering based on additional data, e.g. user or group profiles
-
- 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
- F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
- F24F11/63—Electronic processing
- F24F11/65—Electronic processing for selecting an operating mode
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/906—Clustering; Classification
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mechanical Engineering (AREA)
- Bioinformatics & Computational Biology (AREA)
- Chemical & Material Sciences (AREA)
- Signal Processing (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Combustion & Propulsion (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本申请涉及智能空调技术领域，公开一种用于空调工作模式推荐的方法及装置、设备。该方法包括：获取设定时间段内设定型号的每个空调对应的用户使用数据信息；从所述用户使用数据信息中，提取与所述设定型号的空调的能耗匹配的指标数据信息；根据每个能耗信息以及对应所述指标数据信息，通过聚类学习算法，确定与所述设定型号对应的节能舒适工作模式；向所述设定型号的空调推荐所述节能舒适工作模式。这样，实现了节能舒适工作模式的自动推荐，满足了用户节能与舒适度的双重要求，提高了空调的智能性以及用户的体验。
Description
技术领域
本申请涉及智能空调技术领域，例如涉及用于空调工作模式推荐的方法及装置、设备。
背景技术
目前，空调作为一种常见调节室内环境温湿度的智能设备已被广泛应用，同一型号的空调，不同的用户使用，对应的使用数据并不完成相同，例如：同类型的空调在制冷运行时，有的用户将设定温度确定为26℃，设定风速为二级，而有的用户将设定温度确定为28℃，设定风速为一级，并且，空调的开机时长也不同，从而，对应的能耗也不同。
一般，使用空调的用户想同时兼顾节能以及舒适度，但是，怎样的工作模式才是与节能与舒适度对应的最佳工作模式呢？即设定温度具体为多少，设定风速具体为多少等等，目前，还没有对应的节能舒适工作模式推荐给用户，只能依靠用户自己的多次使用了。
发明内容
为了对披露的实施例的一些方面有基本的理解，下面给出了简单的概括。所述概括不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围，而是作为后面的详细说明的序言。
本公开实施例提供了一种用于空调工作模式推荐的方法、装置和空调，以解决空调智能性不高的技术问题。
在一些实施例中，所述方法包括：
获取设定时间段内设定型号的每个空调对应的用户使用数据信息；
从所述用户使用数据信息中，提取与所述设定型号的空调的能耗匹配的指标数据信息；
根据每个能耗信息以及对应所述指标数据信息，通过聚类学习算法，确定与所述设定型号对应的节能舒适工作模式；
向所述设定型号的空调推荐所述节能舒适工作模式。
在一些实施例中，所述装置包括：
数据获取模块，被配置为获取设定时间段内设定型号的每个空调对应的用户使用数据信息；
指标提取模块，被配置为从所述用户使用数据信息中，提取与所述设定型号的空调的能耗匹配的指标数据信息；
聚类确定模块，被配置为根据每个能耗信息以及对应所述指标数据信息，通过聚类学习算法，确定与所述设定型号对应的节能舒适工作模式；
推荐模块，被配置为向所述设定型号的空调推荐所述节能舒适工作模式。
在一些实施例中，所述用于空调工作模式推荐的装置，包括处理器和存储有程序指令的存储器，所述处理器被配置为在执行所述程序指令时，执行上述用于空调工作模式推荐方法。
在一些实施例中，所述空调包括：上述用于空调工作模式推荐的装置。
本公开实施例提供的用于空调工作模式推荐的方法、装置和空调，可以实现以下技术效果：
从海量的用户使用数据信息中，提取到与空调的能耗匹配的指标数据信息，并通过聚类学习算法，确定与空调型号对应的节能舒适工作模式，即确定兼顾节能与舒适度的最佳工作模式，并推荐给空调，这样，实现了节能舒适工作模式的自动推荐，满足了用户节能与舒适度的双重要求，提高了空调的智能性以及用户的体验。
以上的总体描述和下文中的描述仅是示例性和解释性的，不用于限制本申请。
附图说明
一个或多个实施例通过与之对应的附图进行示例性说明，这些示例性说明和附图并不构成对实施例的限定，附图中具有相同参考数字标号的元件示为类似的元件，附图不构成比例限制，并且其中：
图1是本公开实施例提供的一种用于空调工作模式推荐方法的流程示意图；
图2是本公开实施例提供的一种用于空调工作模式推荐系统的结构示意图；
图3是本公开实施例提供的一种用于空调工作模式推荐方法的流程示意图；
图4是本公开实施例提供的一种用于空调工作模式推荐装置的结构示意图；
图5是本公开实施例提供的一种用于空调工作模式推荐装置的结构示意图。
具体实施方式
为了能够更加详尽地了解本公开实施例的特点与技术内容，下面结合附图对本公开实施例的实现进行详细阐述，所附附图仅供参考说明之用，并非用来限定本公开实施例。在以下的技术描述中，为方便解释起见，通过多个细节以提供对所披露实施例的充分理解。然而，在没有这些细节的情况下，一个或多个实施例仍然可以实施。在其它情况下，为简化附图，熟知的结构和装置可以简化展示。
本公开实施例的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开实施例的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含。
除非另有说明，术语“多个”表示两个或两个以上。
本公开实施例中，字符“/”表示前后对象是一种“或”的关系。例如，A/B表示：A或B。
术语“和/或”是一种描述对象的关联关系，表示可以存在三种关系。例如，A和/或B，表示：A或B，或，A和B这三种关系。
不同的空调用户有不同的用户使用数据信息，随着智联网技术的发展，空调对应的后台可获取大量的用户使用数据信息。并且，本公开实施例中，后台设备可从海量的用户使用数据信息中，提取到与空调的能耗匹配的指标数据信息，并通过聚类学习算法，确定与空调型号对应的节能舒适工作模式，即确定兼顾节能与舒适度的最佳工作模式，并推荐给空调，这样，实现了节能舒适工作模式的自动推荐，满足了用户节能与舒适度的双重要求，提高了空调的智能性以及用户的体验。
图1是本公开实施例提供的一种用于空调工作模式推荐方法的流程示意图。如图1所示，用于空调工作模式推荐的过程包括：
步骤101：获取设定时间段内设定型号的每个空调对应的用户使用数据信息。
不同的空调用户有不同的用户使用数据信息，随着智联网技术的发展，空调对应的后台设备可获取大量的用户使用数据信息。从这些海量的数据中，获取设定时间段内设定型号的每个空调对应的用户使用数据信息。其中，用户使用数据信息中的空调相关数据是空调底板通过网络模块发送给后台设备，从而后台设备可获取大量的用户使用数据信息。这些数据来自空调底边，可靠性得到了保障。
在一些实施例中，可采用kafka+flink作为数据的收集，即获取设定时间内设定型号的每个空调对应的用户使用数据信息可包括：根据与设定时间段对应的时间特征标签，以及设定型号对应型号特征标签，创建面向数据流处理和批量数据处理的可分布式Flink工程；通过Flink工程，从保存的用户信息数据库中，获取对应的用户使用数据信息。
本公开实施例中，用户使用数据信息包括：设定温度、设定湿度、设定风速、设定运行模式、环境温度、环境湿度、用户有效的开机时长、设定时间段中累计能耗等中的一类或多类。有的用户使用数据信息可能会包括二三十类，有的用户使用数据信息可能只有三四类。
例如：通过kafka+flink进行数据的挖掘、收集、分组、聚合、累计等，即可得到一个月内XX型号空调，每个用户的用户使用数据信息。
步骤102：从用户使用数据信息中，提取与设定型号的空调的能耗匹配的指标数据信息。
本公开实施例中，可向空调推荐的是兼顾能耗与舒适度的最佳工作模式，因此，需从大量的用户使用数据信息中，提取与设定型号的空调的能耗匹配的指标数据信息，即需要对用户使用数据信息进行降维处理。在一些实施例中，从用户使用数据信息中，提取与设定型号的空调的能耗匹配的指标数据信息包括：通过降维算法，确定每类空调用户使用数据信息对设定型号的空调的能耗的特征值；将特征值超过设定值的用户使用数据信息，确定为指标数据信息。
其中，降维算法是一种数据集预处理技术，它可以去除数据的一些冗余信息和噪声，使数据变得更加简单高效，提高其他机器学习的效率。一般，降维算法包括：低方差滤波、高相关滤波、随机森林/组合树、主成分分析、反向特征消除、前向特征构造等中一种或多种。
例如：主成分分析(PCA)一种统计方法，通过正交变换将一组可能存在相关性的变量转换成一组线性不相关的变量，转换后的这组变量叫主成分，将n维特征映射到m维上(m<n)，这m维是全新的正交特征，称为主成分，这m维的特征是重新构造出来的，不是简单的从n维特征中减去n-m维特征。PCA的核心思想就是将数据沿最大方向投影，数据更易于区分。PCA可以从数据中识别主要特征，通过将数据坐标轴旋转到数据角度上那些最重要的方向(方差最大)，然后通过特征值分析，确定出需要保留的主成分个数，舍弃其他主成分，从而实现数据的降维。
获取的用户使用数据信息包括了设定温度、设定湿度、设定风速、设定运行模式、环境温度、环境湿度、用户有效的开机时长、设定时间段中累计能耗…，即包括了n维数据，其中，可通过一种降维算法，例如：主成分分析，以能耗为特征，确定与每个用户使用数据信息对应的特征值，对特征值进行分析，确定对应的指标数据信息，例如，将特征值大于设定值的m个用户使用数据信息，确定为指标数据信息。
确定了指标数据信息后，即可得到每个能耗信息以及对应指标数据信息。表1是本公开实施例提供的一种能耗信息与指标数据信息的对应关系。如表1所示，确定的指标数据信息包括：设定温度，设定风速，以及设定运行模式，而不同的设定温度，不同的设定风速，或不同的设定运行模式对应的能耗信息是不完全相同的。可见，通过降维算法，进一步减少了数据量，仅仅保留了与空调的能耗密切相关的数据信息了。
表1
步骤103：根据每个能耗信息以及对应指标数据信息，通过聚类学习算法，确定与设定型号对应的节能舒适工作模式。
用户使用数据信息可以体现用户的喜欢，例如：喜热或喜冷，也可体现用户的耐热或耐冷能力，因此，进一步对每个能耗信息以及对应指标数据信息进行数据分析，即可得到兼顾能耗与舒适度的最佳工作模式，即节能舒适工作模式。
随着人工智能技术的发展，机器学习能力越来越强，本公开一实施例中，可通过机器学习无监督学习聚类K-Means算法实现对该型号空调选择兼顾能耗与舒适度的合适的工作模式，可包括：从每个能耗信息以及对应指标数据信息组成的数据集中确定对应的输入样本；根据输入样本，通过k均值聚类算法，确定与设定型号对应的节能舒适工作模式。
k-Means算法，也被称为k-平均或k-均值，是一种广泛使用的聚类算法，或者成为其他聚类算法的基础。其中，假定输入样本为S＝x1,x2,...,xm，则算法步骤为：首先，选择初始的k个类别中心μ1μ2…μk，然后，对于每个样本Xi，将其标记为距离类别中心最近的类别，即：
以及，将每个类别中心更新为隶属该类别的所有样本的均值
这样，重复最后两步，直到类别中心的变化小于某阈值，即可得到聚类结果。
这里，在每个能耗信息以及对应指标数据信息组成的数据集中，例如表1所示，取出最影响能耗的指标数据信息以及匹配的能耗作为k-Means算法的数据输入，确定的簇数k以及每簇中的质点作为中心点作为算法的输出，先判断每簇中的数量，取数量较为大的簇作为最终数据选择的范围，取出对应的质点的数据，再通过质点的数据从数据集中选择较为合适的空调指标数据信息搭配，如果最大簇的跟其他任意一个簇数量相差不大，则选择能耗相对较低的簇，然后在相对较低的族中取出质点，同样的在数据集中获取相对合适的空调指标数据信息搭配。如何获取合适的K值，即如何确定K值。因为K值确定了，每一个族的质点值也就能确定，质点值确定也就能从新的数据集中选个较为合理的空调属性搭配。获取K值的方式有多种，包括：从簇内的稠密程度和簇间的离散程度来评估聚类的效果。常见的方法有轮廓系数Silhouette Coefficient和Calinski-Harabasz Index。具体就不一一列举了。
例如：通过K-Means算法可确定出的节能舒适工作模式可包括：设定温度为26℃，风速为中风速，制热工作模式。或者设定温度为27℃，风速为高风速，制冷工作模式等等。
步骤104：向设定型号的空调推荐节能舒适工作模式。
后台设备可直接向确定的节能舒适工作模式，发送给每个设定型号的空调。或者，后台设备将节能舒适工作模式，发送给设定型号的空调对应的用户终端，用户终端接收到用户的确认信息后，才发送给空调进行运行。
可见，本公开实施例中，从海量的用户使用数据信息中，提取到与空调的能耗匹配的指标数据信息，并通过聚类学习算法，确定与空调型号对应的节能舒适工作模式，即确定兼顾节能与舒适度的最佳工作模式，并推荐给空调，这样，实现了节能舒适工作模式的自动推荐，满足了用户节能与舒适度的双重要求，提高了空调的智能性以及用户的体验。
后台设备可主动向设定型号的空调推荐节能舒适工作模式，当然，在一些实施例中，还可根据用户请求，才进行推荐，即向设定型号的空调推荐节能舒适工作模式之前，还包括：接收携带设定型号的工作模式推荐请求信息。该工作模式推荐请求信息可由空调对应的用户终端发送，或者空调发送，具体不限定。可见，空调工作模式推荐的方式比较灵活，进一步提高了推荐的应用范围。
下面将操作流程集合到具体实施例中，举例说明本发明实施例提供的用于空调工作模式推荐过程。
本实施例中，图2是本公开实施例提供的一种用于空调工作模式推荐系统的结构示意图。如图2所示，用于空调工作模式推荐系统包括：后台设备210、多个空调220，以及多个用户终端230。其中，空调220可有多种型号，一个用户终端230可控制一个空调230或多个空调230，而后台设备210可与每个空调220，以及每个用户终端230通讯。
图3是本公开实施例提供的一种用于空调工作模式推荐方法的流程示意图。结合图2，图3，用于空调工作模式推荐的过程包括：
步骤301：根据与当前时间以前一个月内对应的时间特征标签，以及设定型号对应型号特征标签，创建面向数据流处理和批量数据处理的可分布式Flink工程。
步骤302：通过Flink工程，从保存的用户信息数据库中，获取一个月内设定型号的每个空调对应的用户使用数据信息。
后台设备与每个空调，以及每个用户终端通讯，因此，可以获得到每个空调对应的用户使用数据信息。因此，以设定时间段对应的时间特征标签，以及设定型号对应型号特征标签，通过kafka+flink进行数据的挖掘、收集、分组、聚合、累计等，即可得到一个月内XX型号空调，每个用户的用户使用数据信息。
步骤303：通过降维算法，确定每类空调用户使用数据信息对设定型号的空调的能耗的特征值。
降维算法包括：低方差滤波、高相关滤波、随机森林/组合树、主成分分析、反向特征消除、前向特征构造等中一种或多种，具体可结合用户使用数据信息的种类进行选择。
步骤304：将特征值满足设定条件的用户使用数据信息，确定为指标数据信息。
步骤305：从每个能耗信息以及对应指标数据信息组成的数据集中确定对应的输入样本。
确定了指标数据信息后，即可得到能耗信息以及对应指标数据信息的对应关系，形成例如表1所示的数据集。，从而，可从数据集中确定对应的输入样本。
步骤306：根据输入样本，通过k均值聚类算法，确定与设定型号对应的节能舒适工作模式。
步骤307：向设定型号的空调发送节能舒适工作模式。
空调获知了节能舒适工作模式，从而，在空调开机或者接收到节能舒适运行指令后，可根据推荐的节能舒适工作模式，控制空调的运行了。
可见，本公开实施例中，从海量的用户使用数据信息中，提取到与空调的能耗匹配的指标数据信息，并通过聚类学习算法，确定与空调型号对应的节能舒适工作模式，即确定兼顾节能与舒适度的最佳工作模式，并推荐给空调，这样，实现了节能舒适工作模式的自动推荐，满足了用户节能与舒适度的双重要求，提高了空调的智能性以及用户的体验。
根据上述用于空调工作模式推荐的过程，可构建一种用于空调工作模式推荐的装置。
图4是本公开实施例提供的一种用于空调工作模式推荐装置的结构示意图。如图4所示，用于空调工作模式推荐装置包括：数据获取模块410、指标提取模块420，聚类确定模块430和推荐模块440。
数据获取模块410，被配置为获取设定时间段内设定型号的每个空调对应的用户使用数据信息。
指标提取模块420，被配置为从用户使用数据信息中，提取与设定型号的空调的能耗匹配的指标数据信息。
聚类确定模块430，被配置为根据每个能耗信息以及对应指标数据信息，通过聚类学习算法，确定与设定型号对应的节能舒适工作模式。
推荐模块440，被配置为向设定型号的空调推荐节能舒适工作模式。
在一些实施例中，数据获取模块410，具体被配置为根据与设定时间段对应的时间特征标签，以及设定型号对应型号特征标签，创建面向数据流处理和批量数据处理的可分布式Flink工程；通过Flink工程，从保存的用户信息数据库中，获取对应的用户使用数据信息。
在一些实施例中，指标提取模块420，具体被配置为通过降维算法，确定每类空调用户使用数据信息对设定型号的空调的能耗的特征值；将特征值满足设定条件的用户使用数据信息，确定为指标数据信息。
在一些实施例中，聚类确定模块430，具体被配置为从每个能耗信息以及对应指标数据信息组成的数据集中确定对应的输入样本；根据输入样本，通过k均值聚类算法，确定与设定型号对应的节能舒适工作模式。
在一些实施例中，还包括：接收模块，被配置为向设定型号的空调推荐节能舒适工作模式之前，接收携带设定型号的工作模式推荐请求信息。
可见，本实施例中，用于空调工作模式推荐装置可从海量的用户使用数据信息中，提取到与空调的能耗匹配的指标数据信息，并通过聚类学习算法，确定与空调型号对应的节能舒适工作模式，即确定兼顾节能与舒适度的最佳工作模式，并推荐给空调，这样，实现了节能舒适工作模式的自动推荐，满足了用户节能与舒适度的双重要求，提高了空调的智能性以及用户的体验。
本公开实施例提供了一种用于空调工作模式推荐的装置，其结构如图5所示，包括：
处理器(processor)100和存储器(memory)101，还可以包括通信接口(Communication Interface)102和总线103。其中，处理器100、通信接口102、存储器101可以通过总线103完成相互间的通信。通信接口102可以用于信息传输。处理器100可以调用存储器101中的逻辑指令，以执行上述实施例的用于空调工作模式推荐的方法。
此外，上述的存储器101中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。
存储器101作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序，如本公开实施例中的方法对应的程序指令/模块。处理器100通过运行存储在存储器101中的程序指令/模块，从而执行功能应用以及数据处理，即实现上述方法实施例中的用于空调工作模式推荐的方法。
存储器101可包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端空调的使用所创建的数据等。此外，存储器101可以包括高速随机存取存储器，还可以包括非易失性存储器。
本公开实施例提供了一种设备，例如：后台设备或服务器等等，包含上述的用于空调工作模式推荐装置。
本公开实施例提供了一种计算机可读存储介质，存储有计算机可执行指令，所述计算机可执行指令设置为执行上述用于空调工作模式推荐方法。
本公开实施例提供了一种计算机程序产品，所述计算机程序产品包括存储在计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行上述用于空调工作模式推荐方法。
上述的计算机可读存储介质可以是暂态计算机可读存储介质，也可以是非暂态计算机可读存储介质。
本公开实施例的技术方案可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括一个或多个指令用以使得一台计算机空调(可以是个人计算机，服务器，或者网络空调等)执行本公开实施例所述方法的全部或部分步骤。而前述的存储介质可以是非暂态存储介质，包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等多种可以存储程序代码的介质，也可以是暂态存储介质。
以上描述和附图充分地示出了本公开的实施例，以使本领域的技术人员能够实践它们。其他实施例可以包括结构的、逻辑的、电气的、过程的以及其他的改变。实施例仅代表可能的变化。除非明确要求，否则单独的部件和功能是可选的，并且操作的顺序可以变化。一些实施例的部分和特征可以被包括在或替换其他实施例的部分和特征。本公开实施例的范围包括权利要求书的整个范围，以及权利要求书的所有可获得的等同物。当用于本申请中时，虽然术语“第一”、“第二”等可能会在本申请中使用以描述各元件，但这些元件不应受到这些术语的限制。这些术语仅用于将一个元件与另一个元件区别开。比如，在不改变描述的含义的情况下，第一元件可以叫做第二元件，并且同样第，第二元件可以叫做第一元件，只要所有出现的“第一元件”一致重命名并且所有出现的“第二元件”一致重命名即可。第一元件和第二元件都是元件，但可以不是相同的元件。而且，本申请中使用的用词仅用于描述实施例并且不用于限制权利要求。如在实施例以及权利要求的描述中使用的，除非上下文清楚地表明，否则单数形式的“一个”(a)、“一个”(an)和“所述”(the)旨在同样包括复数形式。类似地，如在本申请中所使用的术语“和/或”是指包含一个或一个以上相关联的列出的任何以及所有可能的组合。另外，当用于本申请中时，术语“包括”(comprise)及其变型“包括”(comprises)和/或包括(comprising)等指陈述的特征、整体、步骤、操作、元素，和/或组件的存在，但不排除一个或一个以上其它特征、整体、步骤、操作、元素、组件和/或这些的分组的存在或添加。在没有更多限制的情况下，由语句“包括一个…”限定的要素，并不排除在包括所述要素的过程、方法或者空调中还存在另外的相同要素。本文中，每个实施例重点说明的可以是与其他实施例的不同之处，各个实施例之间相同相似部分可以互相参见。对于实施例公开的方法、产品等而言，如果其与实施例公开的方法部分相对应，那么相关之处可以参见方法部分的描述。
本领域技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，可以取决于技术方案的特定应用和设计约束条件。所述技术人员可以对每个特定的应用来使用不同方法以实现所描述的功能，但是这种实现不应认为超出本公开实施例的范围。所述技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本文所披露的实施例中，所揭露的方法、产品(包括但不限于装置、空调等)，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，可以仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例。另外，在本公开实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
附图中的流程图和框图显示了根据本公开实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这可以依所涉及的功能而定。在附图中的流程图和框图所对应的描述中，不同的方框所对应的操作或步骤也可以以不同于描述中所披露的顺序发生，有时不同的操作或步骤之间不存在特定的顺序。例如，两个连续的操作或步骤实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这可以依所涉及的功能而定。框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
Claims (9)
1.一种用于空调工作模式推荐的方法，其特征在于，包括：
获取设定时间段内设定型号的每个空调对应的用户使用数据信息；
根据所述用户使用数据信息，以能耗为特征，确定与每个用户使用数据信息对应的特征值，对特征值进行分析，以提取与所述设定型号的空调的能耗匹配的指标数据信息；
根据每个能耗信息以及对应所述指标数据信息，通过k均值聚类算法，确定与所述设定型号对应的节能舒适工作模式；以及
向所述设定型号的空调推荐所述节能舒适工作模式；
其中，所述确定与所述设定型号对应的节能舒适工作模式包括：
取出影响能耗的所述指标数据信息以及匹配的能耗作为k值算法的数据输入；
确定的簇数k以及每簇中的质点作为中心点作为算法的输出；
判断每簇中的数量，取数量满足一定条件的簇作为最终数据选择的范围；
取出对应的质点的数据；以及
通过质点的数据，从数据集中选择所述指标数据信息所搭配的所述节能舒适工作模式。
2.根据权利要求1所述的方法，其特征在于，所述获取设定时间段内设定型号的每个空调对应的用户使用数据信息包括：
根据与所述设定时间段对应的时间特征标签，以及所述设定型号对应型号特征标签，创建面向数据流处理和批量数据处理的可分布式Flink工程；
通过所述Flink工程，从保存的用户信息数据库中，获取对应的所述用户使用数据信息。
3.根据权利要求1或2所述的方法，其特征在于，所述用户使用数据信息包括：设定温度、设定湿度、设定风速、设定运行模式、环境温度、环境湿度、用户有效的开机时长、所述设定时间段中累计能耗中的一类或多类。
4.根据权利要求3所述的方法，其特征在于，所述提取与所述设定型号的空调的能耗匹配的指标数据信息包括：
通过降维算法，确定每类空调用户使用数据信息对所述设定型号的空调的能耗的特征值；
将所述特征值满足设定条件的用户使用数据信息，确定为所述指标数据信息。
5.根据权利要求4所述的方法，其特征在于，所述降维算法包括：低方差滤波、高相关滤波、随机森林/组合树、主成分分析、反向特征消除、前向特征构造中一种或多种。
6.根据权利要求1所述的方法，其特征在于，所述向所述设定型号的空调推荐所述节能舒适工作模式之前，还包括：
接收携带所述设定型号的工作模式推荐请求信息。
7.一种用于空调工作模式推荐的装置，其特征在于，包括：
数据获取模块，被配置为获取设定时间段内设定型号的每个空调对应的用户使用数据信息；
指标提取模块，被配置为根据所述用户使用数据信息，以能耗为特征，确定与每个用户使用数据信息对应的特征值，对特征值进行分析，以提取与所述设定型号的空调的能耗匹配的指标数据信息；
聚类确定模块，被配置为根据每个能耗信息以及对应所述指标数据信息，通过聚类学习算法，确定与所述设定型号对应的节能舒适工作模式；
推荐模块，被配置为向所述设定型号的空调推荐所述节能舒适工作模式；
其中，所述聚类确定模块进一步被配置为：
取出影响能耗的所述指标数据信息以及匹配的能耗作为k值算法的数据输入；
确定的簇数k以及每簇中的质点作为中心点作为算法的输出；
判断每簇中的数量，取数量满足一定条件的簇作为最终数据选择的范围；
取出对应的质点的数据；以及
通过质点的数据，从数据集中选择所述指标数据信息搭配的所述节能舒适工作模式。
8.一种用于空调工作模式推荐的装置，该装置包括处理器和存储有程序指令的存储器，其特征在于，所述处理器被配置为在执行所述程序指令时，执行如权利要求1至6任一项所述用于空调工作模式推荐的方法。
9.一种设备，其特征在于，包括：如权利要求7或8所述用于空调工作模式推荐的装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010646383.5A CN111831871B (zh) | 2020-07-07 | 2020-07-07 | 用于空调工作模式推荐的方法及装置、设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010646383.5A CN111831871B (zh) | 2020-07-07 | 2020-07-07 | 用于空调工作模式推荐的方法及装置、设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111831871A CN111831871A (zh) | 2020-10-27 |
| CN111831871B true CN111831871B (zh) | 2023-10-24 |
Family
ID=72900312
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010646383.5A Active CN111831871B (zh) | 2020-07-07 | 2020-07-07 | 用于空调工作模式推荐的方法及装置、设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111831871B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113268658A (zh) * | 2021-04-25 | 2021-08-17 | 青岛海尔空调器有限总公司 | 用于空调的功能推送方法、装置及空调 |
| CN113268661B (zh) * | 2021-04-28 | 2022-12-06 | 青岛海尔科技有限公司 | 用于进行用户功能推荐的方法及装置、智能家电 |
| CN113375297A (zh) * | 2021-06-15 | 2021-09-10 | 青岛海尔空调器有限总公司 | 用于控制空调的方法、装置及空调 |
| CN116186598A (zh) * | 2022-12-02 | 2023-05-30 | 国网山东省电力公司日照供电公司 | 一种基于用户数据的用能行为分析方法及系统 |
| CN117419412B (zh) * | 2023-10-18 | 2024-05-28 | 广东德尔智慧科技股份有限公司 | 基于时间序列聚类的中央空调最佳运行效率状态识别方法 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014008737A1 (zh) * | 2012-07-09 | 2014-01-16 | 广东美的制冷设备有限公司 | 变频空调器的节能控制方法及装置 |
| CN107143981A (zh) * | 2017-05-24 | 2017-09-08 | 山东师范大学 | 一种中央空调节能控制系统和方法 |
| CN107367014A (zh) * | 2017-06-06 | 2017-11-21 | 珠海格力电器股份有限公司 | 空调集群的控制方法、装置及系统 |
| CN108302719A (zh) * | 2018-01-29 | 2018-07-20 | 广东美的暖通设备有限公司 | 多联机空调系统的控制方法、装置、系统和存储介质 |
| JP2019027603A (ja) * | 2017-07-25 | 2019-02-21 | 三菱重工サーマルシステムズ株式会社 | 空調制御装置、空調システム、空調制御方法、及びプログラム |
| CN109460873A (zh) * | 2018-11-14 | 2019-03-12 | 北京未来科学城科技发展有限公司 | 空调系统运行优化方法和装置 |
| JP2019124414A (ja) * | 2018-01-17 | 2019-07-25 | 日立グローバルライフソリューションズ株式会社 | 空調制御システム及び空調制御方法 |
| CN110360725A (zh) * | 2018-04-10 | 2019-10-22 | Lg电子株式会社 | 空调机、云服务器、空调机的驱动及控制方法 |
| CN110595012A (zh) * | 2019-09-23 | 2019-12-20 | 海信（广东）空调有限公司 | 空调运行模式的推荐方法及装置 |
| KR20200007428A (ko) * | 2018-07-13 | 2020-01-22 | 주식회사동우유니온 | 군집분석을 이용한 냉난방 공조 시스템, 제어서버 및 제어방법 |
| JP2020020531A (ja) * | 2018-08-01 | 2020-02-06 | パナソニックＩｐマネジメント株式会社 | 空気調和機のレコメンド処理を実行するサーバおよびレコメンド処理システム |
| CN111322716A (zh) * | 2020-02-24 | 2020-06-23 | 青岛海尔工业智能研究院有限公司 | 空调温度自动设置方法、空调、设备及存储介质 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10114721B2 (en) * | 2013-08-18 | 2018-10-30 | Sensibo Ltd. | Power consumption assesment of an HVAC system |
| GB2543281A (en) * | 2015-10-13 | 2017-04-19 | British Gas Trading Ltd | System for energy consumption prediction |
| KR20200084380A (ko) * | 2018-12-20 | 2020-07-13 | 전자부품연구원 | 인공지능 기반 스마트 홈 에어컨 자동 제어 시스템 |
-
2020
- 2020-07-07 CN CN202010646383.5A patent/CN111831871B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014008737A1 (zh) * | 2012-07-09 | 2014-01-16 | 广东美的制冷设备有限公司 | 变频空调器的节能控制方法及装置 |
| CN107143981A (zh) * | 2017-05-24 | 2017-09-08 | 山东师范大学 | 一种中央空调节能控制系统和方法 |
| CN107367014A (zh) * | 2017-06-06 | 2017-11-21 | 珠海格力电器股份有限公司 | 空调集群的控制方法、装置及系统 |
| JP2019027603A (ja) * | 2017-07-25 | 2019-02-21 | 三菱重工サーマルシステムズ株式会社 | 空調制御装置、空調システム、空調制御方法、及びプログラム |
| JP2019124414A (ja) * | 2018-01-17 | 2019-07-25 | 日立グローバルライフソリューションズ株式会社 | 空調制御システム及び空調制御方法 |
| CN108302719A (zh) * | 2018-01-29 | 2018-07-20 | 广东美的暖通设备有限公司 | 多联机空调系统的控制方法、装置、系统和存储介质 |
| CN110360725A (zh) * | 2018-04-10 | 2019-10-22 | Lg电子株式会社 | 空调机、云服务器、空调机的驱动及控制方法 |
| KR20200007428A (ko) * | 2018-07-13 | 2020-01-22 | 주식회사동우유니온 | 군집분석을 이용한 냉난방 공조 시스템, 제어서버 및 제어방법 |
| JP2020020531A (ja) * | 2018-08-01 | 2020-02-06 | パナソニックＩｐマネジメント株式会社 | 空気調和機のレコメンド処理を実行するサーバおよびレコメンド処理システム |
| CN109460873A (zh) * | 2018-11-14 | 2019-03-12 | 北京未来科学城科技发展有限公司 | 空调系统运行优化方法和装置 |
| CN110595012A (zh) * | 2019-09-23 | 2019-12-20 | 海信（广东）空调有限公司 | 空调运行模式的推荐方法及装置 |
| CN111322716A (zh) * | 2020-02-24 | 2020-06-23 | 青岛海尔工业智能研究院有限公司 | 空调温度自动设置方法、空调、设备及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| 基于信息熵的建筑空调异常日用能模式检测方法;周璇;字学辉;闫军威;;建筑科学(第12期);全文 * |
| 基于弹性温度裕度调节的中央空调集群需求响应优化控制策略研究;兰宇;中国优秀硕士学位论文全文数据库;C042-835 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111831871A (zh) | 2020-10-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111831871B (zh) | 用于空调工作模式推荐的方法及装置、设备 | |
| CN112118141B (zh) | 面向通信网络的告警事件关联压缩方法及装置 | |
| Satuluri et al. | Local graph sparsification for scalable clustering | |
| Kannan et al. | Image clustering and retrieval using image mining techniques | |
| CN107066555B (zh) | 面向专业领域的在线主题检测方法 | |
| CN111325245B (zh) | 重复图像识别方法、装置、电子设备及计算机可读存储介质 | |
| CN106528608B (zh) | 一种云架构下的电网gis数据冷热存储方法和系统 | |
| CN109918498B (zh) | 一种问题入库方法和装置 | |
| TWI621989B (zh) | Graph-based method and system for analyzing users | |
| CN114048318A (zh) | 基于密度半径的聚类方法、系统、设备及存储介质 | |
| CN111597241B (zh) | 用于数据采集的方法、装置及设备 | |
| CN114638234B (zh) | 应用于线上业务办理的大数据挖掘方法及系统 | |
| Tornede et al. | Run2Survive: A decision-theoretic approach to algorithm selection based on survival analysis | |
| Jenni et al. | Pre-processing image database for efficient Content Based Image Retrieval | |
| CN111738341A (zh) | 一种分布式大规模人脸聚类方法及装置 | |
| CN113094448A (zh) | 住宅空置状态的分析方法及分析装置、电子设备 | |
| Wang et al. | Active constraint spectral clustering based on Hessian matrix | |
| CN110135196B (zh) | 一种基于输入数据压缩表示关联分析的数据融合防篡改方法 | |
| CN114595372A (zh) | 场景推荐方法、装置、计算机设备和存储介质 | |
| Cummins et al. | Evolving general term-weighting schemes for information retrieval: Tests on larger collections | |
| CN109871894A (zh) | 一种结合森林优化和粗糙集的数据离散化方法 | |
| CN113139102A (zh) | 数据处理方法、装置、非易失性存储介质及处理器 | |
| CN111144652A (zh) | 基于游览舒适度算法和趋势预测方法、系统和装置 | |
| CN112434963A (zh) | 一种配电系统方案生成方法、装置及计算机可读存储介质 | |
| CN116992488B (zh) | 一种差分隐私保护方法及系统 |
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 |