CN112611080A - 一种基于联邦学习的智能空调控制系统和方法 - Google Patents

一种基于联邦学习的智能空调控制系统和方法 Download PDF

Info

Publication number
CN112611080A
CN112611080A CN202011455409.4A CN202011455409A CN112611080A CN 112611080 A CN112611080 A CN 112611080A CN 202011455409 A CN202011455409 A CN 202011455409A CN 112611080 A CN112611080 A CN 112611080A
Authority
CN
China
Prior art keywords
local
air conditioner
reinforcement learning
model parameters
control system
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
Application number
CN202011455409.4A
Other languages
English (en)
Inventor
吴超
赵春玲
李皓
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.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
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 Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN202011455409.4A priority Critical patent/CN112611080A/zh
Publication of CN112611080A publication Critical patent/CN112611080A/zh
Pending legal-status Critical Current

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
    • F24F11/50—Control or safety arrangements characterised by user interfaces or communication
    • F24F11/54—Control or safety arrangements characterised by user interfaces or communication using one central controller connected to several sub-controllers
    • 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
    • F24F11/50—Control or safety arrangements characterised by user interfaces or communication
    • F24F11/52—Indication arrangements, e.g. displays
    • 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
    • F24F11/50—Control or safety arrangements characterised by user interfaces or communication
    • F24F11/56—Remote control
    • F24F11/58—Remote control using Internet communication
    • 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
    • F24F11/64—Electronic processing using pre-stored data
    • 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
    • F24F11/70—Control systems characterised by their outputs; Constructional details thereof
    • 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
    • F24F11/88—Electrical aspects, e.g. circuits
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2110/00—Control inputs relating to air properties
    • F24F2110/10—Temperature
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2110/00—Control inputs relating to air properties
    • F24F2110/10—Temperature
    • F24F2110/12—Temperature of the outside air
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2110/00—Control inputs relating to air properties
    • F24F2110/20—Humidity
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2110/00—Control inputs relating to air properties
    • F24F2110/20—Humidity
    • F24F2110/22—Humidity of the outside air
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2110/00—Control inputs relating to air properties
    • F24F2110/40—Pressure, e.g. wind pressure
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2110/00—Control inputs relating to air properties
    • F24F2110/50—Air quality properties
    • F24F2110/64—Airborne particle content

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Computer Interaction (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

本发明公开了一种基于联邦学习的智能空调控制系统和方法，属于智能家居技术领域。利用采集模块记录本地空调历史操作记录和环境参数作为数据集；分析模块划分数据集，构建强化学习模型，计算强化学习模型参数；结合传输模块将本地模型参数传输至云服务器，云服务器利用聚合方法更新模型参数并将其传输回分析模块，进行下一次迭代训练，直至训练结束。根据训练好的本地模型和实时环境参数，输出推荐方案，由空调控制模块执行相应的动作。本发明可在保护个人数据隐私的同时，实现空调温度的自动化调节，降低能源消耗，提供满足用户舒适度的热环境。

Description

一种基于联邦学习的智能空调控制系统和方法
技术领域
本发明属于智能家居技术领域，具体涉及一种基于联邦学习的智能空调控制系统和方法。
背景技术
随着科技发展及生活水平的不断提高，人们对智能化家居生活的需求也逐渐增大。智能家居系统通过整合传感器、计算机、网络通信以及自动控制技术，集中或远程监控家庭事务，满足信息时代人们高品质的生活追求。然而目前的智能家居系统需要上传用户数据(使用记录、环境参数、地理位置等)到服务器，存在个人隐私数据泄露的风险。对于智能空调系统来说，使用时间记录会显示用户是否在家，空调温度调节范围可能会隐藏用户个人信息。所以数据泄露不仅仅只是简单的信息泄露，同时还包含潜在用户隐私。
现有的智能空调系统多是通过这种方式实现的，即在云端训练从家居传感器中收集到的数据，然后再将更新后的模型分发到各个设备，但是这个过程中并没有考虑到数据的隐私安全问题，且家电企业对用户的数据的收集是在用户未授权的情况进行的。
根据现有报道，通过数据加密或者利用传感器改变数据存储形式等方法可以用来解决数据隐私的安全防护问题，但这种方法会降低模型训练效率，增加计算开销。
智能空调作为智能家居中电器产品的代表，在未来个性化家居服务中占有重要地位。而现随着数据安全意识的增加，越来越的用户出于隐私安全保护开始拒绝提供自己的数据集，这对未来智能家居的发展来说将是一个挑战，这也会成为未来用户拒绝使用智能产品的一个理由。
发明内容
为了解决传统的智能家居模型训练方式存在的用户隐私信息泄露等安全问题，本发明提出了一种基于联邦学习的智能空调控制系统和方法。本发明实现了在数据不出本地的条件下进行联合建模，利用模型参数的交互代替数据的直接交换，既实现了数据的交互，又解决了数据的隐私和安全问题。因此，本发明基于联邦学习的智能家居控制系统的研究对于推进智能家居市场具有重要意义。
为实现上述目的，本发明提供如下技术方案：
本发明的其中一个目的在于提供一种基于联邦学习的智能空调控制系统，包括：
服务器，其用于对本地空调控制系统中的本地模型参数进行聚合，得到全局模型参数；
所述的本地空调控制系统由若干个智能空调终端构成，每一个智能空调终端均包括：
采集模块，其用于采集用户操控空调的历史操作记录和环境参数，并存储至本地数据库中；
分析模块，其内部配置有强化学习模型，用于读取采集模块中的数据，划分数据集，并根据本地数据集对强化学习模型进行训练，获取本地的强化学习模型参数；
传输模块，其用于本地模型参数和全局模型参数的传输，包括发送本地模型参数到服务器，并接收服务器发送的全局模型参数至本地终端；
控制模块，在强化学习模型的训练阶段，其负责控制定期从采集模块的数据库中抽取样本进行联合训练；在强化学习模型训练结束后，其负责根据训练好的强化学习模型输出的推荐方案执行相应的动作。
本发明的另一个目的在于一种基于上述的联邦学习的智能空调控制系统的控制方法，包括如下步骤：
步骤1：利用本地空调控制系统中各个终端的采集模块，采集本地空调历史操作记录及环境参数，并存储到本地数据库；
步骤2：服务器预先设置好强化学习模型参数，并发送到本地空调控制系统的各个终端，由传输模块接收后传至分析模块中；
步骤3：分析模块接收到模型参数后，加载本地模型，从本地数据库中读取数据并进行数据预处理，形成用户的操控记录矩阵；利用用户的操控记录矩阵对本地的强化学习模型进行训练，得到本地的强化学习模型参数；
步骤4：利用本地空调控制系统中的传输模块，将各个终端的本地的强化学习模型参数上传到服务器；
步骤5：服务器接收到不同终端的强化学习模型参数后，利用聚合方法更新优化模型参数，并将优化后的模型参数传输回本地空调控制系统中的各个终端；
步骤6：重复步骤3至5，本地空调控制系统中的各个终端开始下一次的迭代训练，直到整个训练过程收敛，由训练好的本地模型生成符合用户操作习惯的推荐方案，由控制模块执行相应的操作。
本发明的技术效果是：因为本发明采用了联邦学习的训练框架，它通过本地模型训练和中央参数聚合的方式实现，所以相比于现有技术采用集中式训练的方式能够防止用户隐私泄露，同时还能减少网络通信次数和通信量，实现了空调系统安全自动化调控。本发明可在保护个人数据隐私的同时，实现空调温度的自动化调节，降低能源消耗，提供满足用户舒适度的热环境。
附图说明
图1为本发明所述基于联邦学习的智能空调控制系统层级结构图；
图2为本发明所述基于联邦学习智能空调控制系统的控制流程图。
图3为本发明实施例的数据集示例。
图4为本发明实施例的训练结果示例。
具体实施方式
下面结合附图对本发明作进一步说明。
本发明基于联邦学习的思想，在满足用户隐私保护、数据安全和政府法规的要求下，进行数据使用和机器学习建模，包括本地参数更新和全局参数更新两个过程。首先参与联合训练的各方的终端利用本地数据集进行训练至收敛，然后所有的参与方将不同的模型参数同时上传到云端，由所述云端完成模型参数的聚合与更新，并且将更新好的参数返回到各参与方的终端，所述各参与方的终端开始下一次的迭代，重复以上的步骤，直到整个训练过程收敛。
本发明提出的基于联邦学习的智能空调控制系统的层级结构如图1所示，由服务器和本地空调控制系统构成。
服务器在联邦学习中起到聚合模型参数的作用，得到全局模型参数。
本地空调控制系统包括了n个智能空调终端，每一个智能空调终端均由采集模块、分析模块、传输模块和控制模块构成。
采集模块负责采集用户操控空调的历史操作记录和环境参数，所述的环境参数包括室外温度、室外湿度等。本实施例中，采用智能家居设备搭配智能家居平台，建立本地数据库，对用户操控空调的历史操作记录和环境参数进行线上存储，满足模型训练过程中对数据随机采样的需要。
分析模块负责划分数据集，所述的数据集由气象数据(风力、风向、PM 2.5数值、大气压、阴晴情况)、室外温度、室外湿度、室内温度、室内湿度、空调温度、空调能耗情况以及相应的操控动作组成。同时还负责构建本地的强化学习模型(简称本地模型)，计算强化学习模型参数。本地空调控制系统中的各个终端采用相同的强化学习模型，例如强化学习DQN模型，采用深度神经网络进行端到端拟合，可以处理高纬度的输入数据。
传输模块作为联合训练的关键，负责本地模型参数和全局模型参数的传输，包括发送模型参数到服务器，并接收服务器发送的聚合后的模型参数至本地。本地空调控制系统仅上传模型参数到服务器，避免用户隐私数据的泄露。因为网络参数数量较少，所以不会造成网络通信瓶颈，因而保证模型参数聚合能够顺利进行。
控制模块负责执行强化学习模型给出的动作，例如在强化学习模型的训练阶段，其负责控制定期从采集模块的数据库中抽取样本进行联合训练，根据训练结果的反馈采取对应的操作，保证训练的时序性和连续性。在强化学习模型训练结束后，其负责根据训练好的强化学习模型输出的推荐方案执行相应的动作，例如根据实时环境参数，负责调节空调设定温度，实现空调温度的自动化调节，降低能源消耗，提供满足用户舒适度的热环境。
一种基于联邦学习的智能空调控制系统的控制方法，如图2所示，主要包括以下步骤：
步骤1、利用本地空调控制系统中各个终端的采集模块，采集本地空调历史操作记录及环境参数，并存储到本地数据库；
步骤2、服务器预先设置好强化学习模型参数，并发送到本地空调控制系统的各个终端，由传输模块接收后传至分析模块中；
步骤3、分析模块接收到模型参数后，加载本地模型，从本地数据库中读取数据并进行数据预处理，形成用户的操控记录矩阵；利用用户的操控记录矩阵对本地的强化学习模型进行训练，得到本地的强化学习模型参数；
步骤4、利用本地空调控制系统中的传输模块，将各个终端的本地的强化学习模型参数上传到服务器；
步骤5、服务器接收到不同终端的强化学习模型参数后，使用聚合算法更新全局模型参数，以联邦平均(FedAvg)算法为例，将所有的模型参数以本地数据量占总数据量的比重为权重进行加和，得到的计算结果作为更新后的全局模型参数，并将优化后的模型参数传输回本地空调控制系统中的各个终端；
步骤6、重复步骤3至5，本地空调控制系统中的各个终端开始下一次的迭代训练，直到整个训练过程收敛，由训练好的本地模型生成符合用户操作习惯的推荐方案，由控制模块执行相应的操作。
在本发明的一项具体实施中，由训练好的本地模型生成符合用户操作习惯的推荐方案，具体为：利用采集模块实时采集环境参数，将所述的环境参数作为训练好的本地的强化学习模型的输入，输出推荐方案；所述的推荐方案包括调高空调温度、调低空调温度、切换空调模式等，实现空调温度或模式的自动化调节，降低能源消耗，提供满足用户舒适度的环境。
在本发明的一项具体实施中，使用一台电脑、多台空调、温湿度传感器和智能家居平台Home Assistant搭建了一套完整的智能空调控制系统，部署在几个不同的办公室环境中。其中电脑在系统中起到服务器的作用，Home Assistant则是一款基于Python的智能家居开源环境，支持众多品牌的智能家居设备，可以实现设备的语音控制、自动化等。
首先，进行初始化设置，设置本地模型和服务器全局模型的参数相同。
然后，数据收集，实时收集室内温湿度、室外温湿度以及空调能耗的数据信息，并且通过网络抓取当天的气象数据。图3是数据集的一个示例。
本发明采用的强化学习DQN模型对空调的操作包括以下动作：温度加1、温度加2、温度加3、温度减1、温度减2、温度减3、切换空调模式等。对空调的操作可以通过python自动化脚本实现，当收集的数据集量满足训练条件时会触发模型进行训练。在本发明的一项具体实施中，设置本地采集的数据集条数达到40条时开始训练，动作选择概率ε为0.9，批量训练(mini-batch)大小为32条，训练时间步长为30分钟，学习率为0.01。图4展示了本发明一个实施例的训练过程，横坐标为训练步长，纵坐标为强化学习DQN模型的损失函数值，在10个训练步长之后，模型的损失函数值几乎不再下降，即模型已达到收敛。
收敛后将强化学习DQN模型参数上传到中央服务器进行聚合，从而实现对全局参数的更新。在本发明的一项具体实施中，聚合算法采用FedAvg，即联邦平均算法，服务器端根据每个用户数据量占总数据量的权重计算模型参数平均值。FedAvg聚合模型参数的过程可用下式表示：
Figure BDA0002828582790000061
其中，K为用户总数，nk为第k个用户的数据量，n为数据总量，wk表示第k个用户的模型参数(梯度)，下标t+1表示下一个时间步长，wk+1是聚合后得到的模型参数。其它聚合算法，如FedSGD，同样适用于本发明。
最后应当说明的是，以上内容仅用于说明本发明的技术方案，而非对本发明保护范围的限制，本领域的普通技术人员对本发明的技术方案进行的简单修改或者等同替换，均不脱离本发明技术方案的实质和范围。

Claims (8)

1.一种基于联邦学习的智能空调控制系统，其特征在于，包括：
服务器，其用于对本地空调控制系统中的本地模型参数进行聚合，得到全局模型参数；
所述的本地空调控制系统由若干个智能空调终端构成，每一个智能空调终端均包括：
采集模块，其用于采集用户操控空调的历史操作记录和环境参数，并存储至本地数据库中；
分析模块，其内部配置有强化学习模型，用于读取采集模块中的数据，划分数据集，并根据本地数据集对强化学习模型进行训练，获取本地的强化学习模型参数；
传输模块，其用于本地模型参数和全局模型参数的传输，包括发送本地模型参数到服务器，并接收服务器发送的全局模型参数至本地终端；
控制模块，在强化学习模型的训练阶段，其负责控制定期从采集模块的数据库中抽取样本进行联合训练；在强化学习模型训练结束后，其负责根据训练好的强化学习模型输出的推荐方案执行相应的动作。
2.根据权利要求1所述的基于联邦学习的智能空调控制系统，其特征在于，所述的服务器与本地空调控制系统中的各个智能空调终端通讯连接，且各个智能空调终端定期同时将本地的强化学习模型参数上传至服务器。
3.根据权利要求1所述的基于联邦学习的智能空调控制系统，其特征在于，所述的数据集由气象数据、室外温度、室外湿度、室内温度、室内湿度、空调温度、空调能耗情况以及相应的操控动作组成。
4.根据权利要求1所述的基于联邦学习的智能空调控制系统，其特征在于，所述的气象数据包括风力、风向、PM 2.5数值、大气压、阴晴情况。
5.一种基于权利要求1所述的联邦学习的智能空调控制系统的控制方法，其特征在于，包括如下步骤：
步骤1：利用本地空调控制系统中各个终端的采集模块，采集本地空调历史操作记录及环境参数，并存储到本地数据库；
步骤2：服务器预先设置好强化学习模型参数，并发送到本地空调控制系统的各个终端，由传输模块接收后传至分析模块中；
步骤3：分析模块接收到模型参数后，加载本地模型，从本地数据库中读取数据并进行数据预处理，形成用户的操控记录矩阵；利用用户的操控记录矩阵对本地的强化学习模型进行训练，得到本地的强化学习模型参数；
步骤4：利用本地空调控制系统中的传输模块，将各个终端的本地的强化学习模型参数上传到服务器；
步骤5：服务器接收到不同终端的强化学习模型参数后，利用聚合方法更新优化模型参数，并将优化后的模型参数传输回本地空调控制系统中的各个终端；
步骤6：重复步骤3至5，本地空调控制系统中的各个终端开始下一次的迭代训练，直到整个训练过程收敛，由训练好的本地模型生成符合用户操作习惯的推荐方案，由控制模块执行相应的操作。
6.根据权利要求5所述的联邦学习的智能空调控制系统的控制方法，其特征在于，所述的强化学习模型为DQN模型。
7.根据权利要求5所述的联邦学习的智能空调控制系统的控制方法，其特征在于，步骤6所述的由训练好的本地模型生成符合用户操作习惯的推荐方案，具体为：利用采集模块实时采集环境参数，将所述的环境参数作为训练好的本地的强化学习模型的输入，输出推荐方案；所述的推荐方案包括调高空调温度、调低空调温度、切换空调模式。
8.根据权利要求5所述的联邦学习的智能空调控制系统的控制方法，其特征在于，所述的聚合方法为：将所有的模型参数以本地数据量占总数据量的比重为权重进行加和，得到的计算结果作为更新后的全局模型参数。
CN202011455409.4A 2020-12-10 2020-12-10 一种基于联邦学习的智能空调控制系统和方法 Pending CN112611080A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011455409.4A CN112611080A (zh) 2020-12-10 2020-12-10 一种基于联邦学习的智能空调控制系统和方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011455409.4A CN112611080A (zh) 2020-12-10 2020-12-10 一种基于联邦学习的智能空调控制系统和方法

Publications (1)

Publication Number Publication Date
CN112611080A true CN112611080A (zh) 2021-04-06

Family

ID=75233205

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011455409.4A Pending CN112611080A (zh) 2020-12-10 2020-12-10 一种基于联邦学习的智能空调控制系统和方法

Country Status (1)

Country Link
CN (1) CN112611080A (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113240184A (zh) * 2021-05-21 2021-08-10 浙江大学 一种基于联邦学习的楼宇空间单元冷负荷预测方法及系统
CN113255932A (zh) * 2021-06-01 2021-08-13 开放智能机器（上海）有限公司 一种基于终端设备的联邦学习训练平台及方法
CN113536660A (zh) * 2021-06-12 2021-10-22 武汉所为科技有限公司 用于暖通云边协同的智能系统训练方法、模型及存储介质
CN113706029A (zh) * 2021-08-31 2021-11-26 广东电网有限责任公司 一种家庭能量的自适应管理方法、装置及系统
CN113883692A (zh) * 2021-10-28 2022-01-04 湖北合合能源科技发展有限公司 一种用于空调节能的智慧能源管理系统
CN114338258A (zh) * 2021-12-28 2022-04-12 广州广电运通金融电子股份有限公司 一种隐私计算保护系统、方法和存储介质
CN114399031A (zh) * 2022-01-18 2022-04-26 中国石油大学(华东) 一种基于联邦学习的智能工厂温湿度控制方法
CN115493270A (zh) * 2022-10-14 2022-12-20 珠海格力电器股份有限公司 水多联空调机组的控制方法、装置、空调器及存储介质
CN115773562A (zh) * 2022-11-24 2023-03-10 杭州经纬信息技术股份有限公司 基于联邦学习的统一化暖通空调系统故障检测方法
CN118151525A (zh) * 2024-05-09 2024-06-07 江苏觅科激光设备有限公司 基于激光器阵列温度检测的环境动态调节方法及系统

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103398451A (zh) * 2013-07-12 2013-11-20 清华大学 基于学习用户行为的多维舒适度室内环境控制方法及系统
CN103629768A (zh) * 2013-12-03 2014-03-12 四川长虹空调有限公司 地暖空调控制系统及其控制方法
US20160161137A1 (en) * 2014-12-04 2016-06-09 Delta Electronics, Inc. Controlling system for environmental comfort degree and controlling method of the controlling system
CN106462913A (zh) * 2014-02-28 2017-02-22 戴尔斯生活有限责任公司 用于加强与可居住环境相关的健康的系统、方法和制品
CN108361927A (zh) * 2018-02-08 2018-08-03 广东美的暖通设备有限公司 一种基于机器学习的空调器控制方法、装置以及空调器
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
CN208859789U (zh) * 2018-08-19 2019-05-14 上海万晟建筑设计顾问有限公司 一种基于学习用户行为的室内环境智能控制系统
CN110443063A (zh) * 2019-06-26 2019-11-12 电子科技大学 自适性保护隐私的联邦深度学习的方法
CN111091200A (zh) * 2019-12-20 2020-05-01 深圳前海微众银行股份有限公司 训练模型的更新方法、系统、智能体、服务器及存储介质
CN111428881A (zh) * 2020-03-20 2020-07-17 深圳前海微众银行股份有限公司 识别模型的训练方法、装置、设备及可读存储介质

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103398451A (zh) * 2013-07-12 2013-11-20 清华大学 基于学习用户行为的多维舒适度室内环境控制方法及系统
CN103629768A (zh) * 2013-12-03 2014-03-12 四川长虹空调有限公司 地暖空调控制系统及其控制方法
CN106462913A (zh) * 2014-02-28 2017-02-22 戴尔斯生活有限责任公司 用于加强与可居住环境相关的健康的系统、方法和制品
US20160161137A1 (en) * 2014-12-04 2016-06-09 Delta Electronics, Inc. Controlling system for environmental comfort degree and controlling method of the controlling system
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
CN108361927A (zh) * 2018-02-08 2018-08-03 广东美的暖通设备有限公司 一种基于机器学习的空调器控制方法、装置以及空调器
CN208859789U (zh) * 2018-08-19 2019-05-14 上海万晟建筑设计顾问有限公司 一种基于学习用户行为的室内环境智能控制系统
CN110443063A (zh) * 2019-06-26 2019-11-12 电子科技大学 自适性保护隐私的联邦深度学习的方法
CN111091200A (zh) * 2019-12-20 2020-05-01 深圳前海微众银行股份有限公司 训练模型的更新方法、系统、智能体、服务器及存储介质
CN111428881A (zh) * 2020-03-20 2020-07-17 深圳前海微众银行股份有限公司 识别模型的训练方法、装置、设备及可读存储介质

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113240184A (zh) * 2021-05-21 2021-08-10 浙江大学 一种基于联邦学习的楼宇空间单元冷负荷预测方法及系统
CN113240184B (zh) * 2021-05-21 2022-06-24 浙江大学 一种基于联邦学习的楼宇空间单元冷负荷预测方法及系统
CN113255932A (zh) * 2021-06-01 2021-08-13 开放智能机器（上海）有限公司 一种基于终端设备的联邦学习训练平台及方法
CN113536660B (zh) * 2021-06-12 2023-05-23 武汉所为科技有限公司 用于暖通云边协同的智能系统训练方法、模型及存储介质
CN113536660A (zh) * 2021-06-12 2021-10-22 武汉所为科技有限公司 用于暖通云边协同的智能系统训练方法、模型及存储介质
CN113706029A (zh) * 2021-08-31 2021-11-26 广东电网有限责任公司 一种家庭能量的自适应管理方法、装置及系统
CN113883692A (zh) * 2021-10-28 2022-01-04 湖北合合能源科技发展有限公司 一种用于空调节能的智慧能源管理系统
CN114338258A (zh) * 2021-12-28 2022-04-12 广州广电运通金融电子股份有限公司 一种隐私计算保护系统、方法和存储介质
CN114399031A (zh) * 2022-01-18 2022-04-26 中国石油大学(华东) 一种基于联邦学习的智能工厂温湿度控制方法
CN115493270A (zh) * 2022-10-14 2022-12-20 珠海格力电器股份有限公司 水多联空调机组的控制方法、装置、空调器及存储介质
CN115773562A (zh) * 2022-11-24 2023-03-10 杭州经纬信息技术股份有限公司 基于联邦学习的统一化暖通空调系统故障检测方法
CN118151525A (zh) * 2024-05-09 2024-06-07 江苏觅科激光设备有限公司 基于激光器阵列温度检测的环境动态调节方法及系统
CN118151525B (zh) * 2024-05-09 2024-08-02 江苏觅科激光设备有限公司 基于激光器阵列温度检测的环境动态调节方法及系统

Similar Documents

Publication Publication Date Title
CN112611080A (zh) 一种基于联邦学习的智能空调控制系统和方法
WO2021238505A1 (zh) 基于联邦学习的区域光伏功率概率预测方法及协同调控系统
CN109491253B (zh) 一种在线学习型个性化智能家居系统及其控制方法
CN108121211A (zh) 家电设备的控制方法、服务器及计算机可读存储介质
CN105180381A (zh) 一种空调控制方法及空调控制设备
CN111025969A (zh) 一种基于信息融合的野生动物监测系统及方法
CN111401664A (zh) 一种综合能源系统鲁棒优化调度方法及装置
CN110267292A (zh) 基于三维卷积神经网络的蜂窝网络流量预测方法
CN110929924A (zh) 基于云边融合架构的小水电发电量预测系统及其实现方法
CN107463096B (zh) 一种具有云控制器编程功能的计算机控制实验系统
CN108303898B (zh) 新型太阳能-空气能耦合冷热联供系统的智能调度方法
CN116128094A (zh) 一种基于数字孪生的工业园区能量管理系统及方法
CN107222578A (zh) 将配电管理系统数据传输到智能终端app的方法及系统
CN117408470A (zh) 一种基于边缘自治的综合能源监控运行的协同优化方法
CN107809461A (zh) 一种基于云端的面向温室集群的管控方法、系统与服务器
CN116599151A (zh) 基于多源数据的源网储荷安全管理方法
Nguyen et al. Spatially-distributed federated learning of convolutional recurrent neural networks for air pollution prediction
CN116455081A (zh) 一种基于边缘分析的智慧小区电力监测管理方法及系统
CN114707737B (zh) 一种基于边缘计算的预测用电量的方法、计算机设备和存储介质
CN115047821A (zh) 一种生猪养殖环境智能监测系统及其评价方法
CN112947207A (zh) 一种基于物联网的地热源节能方法及系统
CN109946968B (zh) 一种楼宇内分布式能源匹配系统和方法
CN104219682A (zh) 农田混合供电无线传感器网络的网络层次构建方法及系统
CN109539489A (zh) 一种基于物联网技术的智能空调及其控制方法
CN108957485A (zh) 一种应用驱动的卫星遥感图片处理传输一体化管控系统

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20210406