CN112923523A - 一种基于物联网数据链的智能型新风系统调控方法 - Google Patents
一种基于物联网数据链的智能型新风系统调控方法 Download PDFInfo
- Publication number
- CN112923523A CN112923523A CN202110166138.9A CN202110166138A CN112923523A CN 112923523 A CN112923523 A CN 112923523A CN 202110166138 A CN202110166138 A CN 202110166138A CN 112923523 A CN112923523 A CN 112923523A
- Authority
- CN
- China
- Prior art keywords
- data
- training
- fresh air
- feature vector
- internet
- 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
-
- 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
- F24F11/72—Control systems characterised by their outputs; Constructional details thereof for controlling the supply of treated air, e.g. its pressure
- F24F11/74—Control systems characterised by their outputs; Constructional details thereof for controlling the supply of treated air, e.g. its pressure for controlling air flow rate or air velocity
-
- 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
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B30/00—Energy efficient heating, ventilation or air conditioning [HVAC]
- Y02B30/70—Efficient control or regulation technologies, e.g. for control of refrigerant flow, motor or heating
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Human Computer Interaction (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Fluid Mechanics (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明涉及新风系统领域下的智能调控,其具体地公开了一种基于物联网数据链的智能型新风系统调控方法,其基于深度学习的关联信息的特征提取和分类的方式,来建立起室内外空气质量情况与新风系统风档档位之间的映射关系,从而提高新风系统风档档位控制的准确性。
Description
技术领域
本发明涉及新风系统领域下的智能调控,且更为具体地,涉及一种基于物联网数据链的智能型新风系统调控方法、基于物联网数据链的智能型新风系统调控系统和电子设备。
背景技术
新风系统是由送风系统和排风系统组成的一套独立空气处理系统,新风系统在密闭的室内一侧用专用设备向室内送新风,再从另一侧由专用设备向室外排出,在室内形成“新风流动场”,从而满足室内新风换气的需要。
目前,现有的新风系统在使用时,一般都是由人工控制调整,大部分时间都是固定在某个风档。已经有一些新风系统与传感器连接,比如通过感应空间内的有害气体浓度,来调整新风系统的档位。但是目前新风系统没有做到足够的智能化,仍然需要用户决定通风控制的时间、效率,不能自动控制新风系统的实时运行,容易造成能源的浪费。因此,期望提供一种能够对新风系统进行智能调控的方法。
物联网就是物物相连的互联网,其用户端延伸和扩展到了任何物品与物品之间进行信息交换和通信,随着物联网的发展,通过物联网数据链实现新风系统与室内监测设备之间的数据通信,从而根据室内空气质量数据实现新风系统的智能调控成为可能。
目前,深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外,深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域,也展现出了接近甚至超越人类的水平。
深度学习以及神经网络的发展为新风系统的智能调控提供了新的解决思路和方案。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种基于物联网数据链的智能型新风系统调控方法、基于物联网数据链的智能型新风系统调控系统和电子设备。其基于深度学习的关联信息的特征提取和分类的方式,来建立起室内外空气质量情况与新风系统风档档位之间的映射关系,从而提高新风系统风档档位控制的准确性。
根据本申请的一个方面,提供了一种基于物联网数据链的智能型新风系统调控方法,其包括:
训练阶段,包括:
通过物联网数据链获取楼宇的室外AQI数据的历史统计数据作为第一训练数据集和室内AQI数据的历史统计数据作为第二训练数据集;
将所述第一训练数据集和所述第二训练数据集分别转换为第一训练向量和第二训练向量;
将所述第一训练向量和所述第二训练向量通过深度卷积神经网络,以获得对应于所述第一训练向量的第一特征向量和对应于所述第二训练向量的第二特征向量;
对所述第一特征向量和所述第二特征向量进行差分,以获得差分特征向量;
将所述差分特征向量通过编码器,以获得编码特征向量,其中,所述编码特征向量中每个位置的特征值表示所述新风系统的工作档位;
计算所述编码特征向量与所述参考特征向量之间的交叉熵损失函数值,其中,所述参考特征向量为对应于所述历史统计数据的参考工作档位构成;
将所述第二特征向量输入分类器以获得分类损失函数值;以及
基于所述交叉熵损失函数值和分类损失函数值,更新所述深度卷积神经网络的参数;以及
检测阶段,包括:
通过物联网数据链获取待检测数据,其中,所述待检测数据包括当前的楼宇室外AQI数据和室内AQI数据;
将所述待检测数据输入根据如上所述的基于物联网数据链的智能型新风系统调控方法的训练阶段所训练的深度卷积神经网络和分类器,所述分类器的输出表示对应于新风系统风档的不同档位标签的概率值;以及
基于所述不同档位标签的概率值中最大概率值对应的档位作为最终档位控制新风系统的风档。
在上述的基于物联网数据链的智能型新风系统调控方法中,通过物联网数据链获取楼宇的室外AQI数据的历史统计数据作为第一训练数据集和室内AQI数据的历史统计数据作为第二训练数据集,包括:通过物联网数据链获取楼宇所在的当前位置信息;以及,根据当前位置信息向所在区域室外空气监测站发送数据获取请求,以获得当前区域室外AQI数据。
在上述的基于物联网数据链的智能型新风系统调控方法中,通过物联网数据链获取楼宇的室外AQI数据的历史统计数据作为第一训练数据集和室内AQI数据的历史统计数据作为第二训练数据集,包括:以预设时间间隔获取楼宇的室外AQI数据的历史统计数据作为第一训练数据集和室内AQI数据的历史统计数据作为第二训练数据集。
在上述的基于物联网数据链的智能型新风系统调控方法中,将所述差分特征向量通过编码器,以获得编码特征向量,包括:将所述差分特征向量通过多个全连接层,以获得编码特征向量,其中,所述多个全连接层中最后一个全连接层的输出位的数量等于所述输入差分特征向量中特征值的数量,且每个输出位的值对应于所述新风系统的工作档位。
在上述的基于物联网数据链的智能型新风系统调控方法中,所述参考工作档位为通过经验获得的历史最优风档档位。
在上述的基于物联网数据链的智能型新风系统调控方法中,所述深度卷积神经网络为深度残差网络。
根据本申请的另一个方面,还提供了一种基于物联网数据链的智能型新风系统调控系统,其包括:
训练模块,包括:
训练数据集获取单元,用于通过物联网数据链获取楼宇的室外AQI数据的历史统计数据作为第一训练数据集和室内AQI数据的历史统计数据作为第二训练数据集;
训练向量生成单元,用于将所述训练数据集获取单元获得的所述第一训练数据集和所述第二训练数据集分别转换为第一训练向量和第二训练向量;
特征向量生成单元,用于将所述训练向量生成单元获得的所述第一训练向量和所述第二训练向量通过深度卷积神经网络,以获得对应于所述第一训练向量的第一特征向量和对应于所述第二训练向量的第二特征向量;
差分特征向量生成单元,用于对所述特征向量生成单元获得的所述第一特征向量和所述第二特征向量进行差分,以获得差分特征向量;
编码特征向量生成单元,用于将所述差分特征向量生成单元获得的所述差分特征向量通过编码器,以获得编码特征向量,其中,所述编码特征向量中每个位置的特征值表示所述新风系统的工作档位;
交叉熵损失函数值计算单元,用于计算所述编码特征向量生成单元获得的所述编码特征向量与所述参考特征向量之间的交叉熵损失函数值,其中,所述参考特征向量为对应于所述历史统计数据的参考工作档位构成;
分类损失函数值生成单元,用于将所述特征向量生成单元获得的所述第二特征向量输入分类器以获得分类损失函数值;以及
参数更新单元,用于基于所述交叉熵损失函数值计算单元获得的所述交叉熵损失函数值和分类损失函数值生成单元获得的所述分类损失函数值,更新所述深度卷积神经网络的参数;以及
应用模块,包括:
待检测数据获取单元,用于通过物联网数据链获取待检测数据,其中,所述待检测数据包括当前的楼宇室外AQI数据和室内AQI数据;
分类单元,用于将所述待检测数据获取单元获得的所述待检测数据输入根据如上所述的基于物联网数据链的智能型新风系统调控方法的训练阶段所训练的深度卷积神经网络和分类器,所述分类器的输出表示对应于新风系统风档的不同档位标签的概率值;以及
最终档位生成单元,用于基于所述分类单元获得的所述不同档位标签的概率值中最大概率值对应的档位作为最终档位控制新风系统的风档。
在上述的基于物联网数据链的智能型新风系统调控系统中,所述训练数据集获取单元,包括:当前位置信息获取子单元,用于通过物联网数据链获取楼宇所在的当前位置信息;以及,室外AQI数据获取子单元,用于根据所述当前位置信息获取子单元获得的所述当前位置信息向所在区域室外空气监测站发送数据获取请求,以获得当前区域室外AQI数据。
在上述的基于物联网数据链的智能型新风系统调控系统中,所述训练数据集获取单元,进一步用于:以预设时间间隔获取楼宇的室外AQI数据的历史统计数据作为第一训练数据集和室内AQI数据的历史统计数据作为第二训练数据集。
在上述的基于物联网数据链的智能型新风系统调控系统中,所述编码特征向量生成单元,进一步用于:将所述差分特征向量通过多个全连接层,以获得编码特征向量,其中,所述多个全连接层中最后一个全连接层的输出位的数量等于所述输入差分特征向量中特征值的数量,且每个输出位的值对应于所述所述新风系统的工作档位。
在上述的基于物联网数据链的智能型新风系统调控系统中,所述参考工作档位为通过经验获得的历史最优风档档位。
在上述的基于物联网数据链的智能型新风系统调控系统中,所述深度卷积神经网络为深度残差网络。
根据本申请的再一方面,提供了一种电子设备,包括:处理器;以及,存储器,在所述存储器中存储有计算机程序指令,所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的基于物联网数据链的智能型新风系统调控方法。
根据本申请的又一方面,提供了一种计算机可读介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的基于物联网数据链的智能型新风系统调控方法。
根据本申请提供的一种基于物联网数据链的智能型新风系统调控方法、基于物联网数据链的智能型新风系统调控系统和电子设备,其基于深度学习的关联信息的特征提取和分类的方式,来建立起室内外空气质量情况与新风系统风档档位之间的映射关系,从而提高新风系统风档档位控制的准确性。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1A图示了根据本申请实施例的基于物联网数据链的智能型新风系统调控方法中训练阶段的流程图;
图1B图示了根据本申请实施例的基于物联网数据链的智能型新风系统调控方法中应用阶段的流程图;
图2图示了根据本申请实施例的基于物联网数据链的智能型新风系统调控方法中训练阶段的架构示意图;
图3图示了根据本申请实施例的基于物联网数据链的智能型新风系统调控方法中,通过物联网数据链获取楼宇的室外AQI数据的历史统计数据作为第一训练数据集和室内AQI数据的历史统计数据作为第二训练数据集的流程图;
图4图示了根据本申请实施例的基于物联网数据链的智能型新风系统调控系统的框图;
图5图示了根据本申请实施例的基于物联网数据链的智能型新风系统调控系统中训练数据集获取单元的框图;
图6图示了根据本申请实施例的电子设备的框图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
发明概述
新风系统是由送风系统和排风系统组成的一套独立空气处理系统,新风系统在密闭的室内一侧用专用设备向室内送新风,再从另一侧由专用设备向室外排出,在室内形成“新风流动场”,从而满足室内新风换气的需要。
目前,现有的新风系统在使用时,一般都是由人工控制调整,大部分时间都是固定在某个风档。已经有一些新风系统与传感器连接,比如通过感应空间内的有害气体浓度,来调整新风系统的档位。但是目前新风系统没有做到足够的智能化,仍然需要用户决定通风控制的时间、效率,不能自动控制新风系统的实时运行,容易造成能源的浪费。因此,期望提供一种能够对新风系统进行智能调控的方法。
物联网就是物物相连的互联网,其用户端延伸和扩展到了任何物品与物品之间进行信息交换和通信,随着物联网的发展,给新风系统智能化提供了一个解决方案,通过物联网数据链实现新风系统与室内监测设备之间的数据通信,从而根据室内空气质量数据实现新风系统的智能调控。
但是,本申请的发明人发现在实践中,新风系统的风档调整可能需要考虑更多因素,比如室外的AQI(空气质量指数)情况。应可以理解,传统的新风系统的调控是根据室内的空气质量情况决定新风系统的工作档位,但是,当室外空气指数为优、良、合格或者不合格等等级时,室内的新风系统可以结合室外空气质量指数决定新风系统的工作档位,以减少新风系统的工作能耗。例如,当室外空气质量指数较室内空气质量指数差很多时,采用大档位换风会导致新风系统内滤网更容易损坏且换风效率低下且能耗高,相反地,当室外空气质量指数较室内空气质量好很多时,采用大档位换风可以有效改善室内空气质量且提高换风速度。因此,期望能够开发出一种综合考虑室外空气质量情况的新风系统的风档控制方案。
针对上述问题,本申请的发明人考虑通过基于深度学习的关联信息的特征提取和分类的方式,来建立起室内外空气质量情况与新风系统风档档位之间的映射关系,从而提高新风系统风档档位控制的准确性。
基于此,在本申请的方案中,在训练阶段中,首先通过物联网数据链获取楼宇的室外AQI数据的历史统计数据和室内AQI数据的历史统计数据,再将所述两个历史统计数据分别转换向量的形式,并通过深度卷积神经网络以获得对应于室外AQI数据的历史统计数据的第一特征向量和对应于室内AQI数据的历史统计数据的第二特征向量。然后,为了在特征空间中进行关联,对所述第一特征向量和所述第二特征向量进行差分,以获得差分特征向量。接着,将所述差分特征向量通过编码器,以获得编码特征向量,其中,所述编码特征向量中每个位置的特征值表示所述新风系统的工作档位。然后,计算所述编码特征向量与所述参考特征向量之间的交叉熵损失函数值,其中,所述参考特征向量为对应于所述历史统计数据的参考工作档位构成然后,将所述第二特征向量输入分类器以获得分类损失函数值,进而基于所述交叉熵损失函数值和分类损失函数值,更新所述深度卷积神经网络的参数。
在应用阶段中,首先通过物联网数据链获取当前的楼宇室外AQI数据和当前的室内AQI数据,然后,将所述室外AQI数据和所述室内AQI数据通过训练阶段所训练的深度卷积神经网络和分类器,所述分类器的输出表示对应于新风系统风档的不同档位标签的概率值。然后,基于所述不同档位标签的概率值中最大概率值对应的档位作为最终档位控制新风系统的风档。
在介绍了本申请的基本原理之后,下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性方法
图1A图示了根据本申请实施例的基于物联网数据链的智能型新风系统调控方法中训练阶段的流程图。图1B图示了根据本申请实施例的基于物联网数据链的智能型新风系统调控方法中应用阶段的流程图。如图1A所示,根据本申请实施例的基于物联网数据链的智能型新风系统调控方法,包括:训练阶段,包括:S110,通过物联网数据链获取楼宇的室外AQI数据的历史统计数据作为第一训练数据集和室内AQI数据的历史统计数据作为第二训练数据集;S120,将所述第一训练数据集和所述第二训练数据集分别转换为第一训练向量和第二训练向量;S130,将所述第一训练向量和所述第二训练向量通过深度卷积神经网络,以获得对应于所述第一训练向量的第一特征向量和对应于所述第二训练向量的第二特征向量;S140,对所述第一特征向量和所述第二特征向量进行差分,以获得差分特征向量;S150,将所述差分特征向量通过编码器,以获得编码特征向量,其中,所述编码特征向量中每个位置的特征值表示所述新风系统的工作档位;S160,计算所述编码特征向量与所述参考特征向量之间的交叉熵损失函数值,其中,所述参考特征向量为对应于所述历史统计数据的参考工作档位构成;S170,将所述第二特征向量输入分类器以获得分类损失函数值;以及,S180,基于所述交叉熵损失函数值和分类损失函数值,更新所述深度卷积神经网络的参数。
如图1B所示,根据本申请实施例的基于物联网数据链的智能型新风系统调控方法,还包括:应用阶段,包括:S210,通过物联网数据链获取待检测数据,其中,所述待检测数据包括当前的楼宇室外AQI数据和室内AQI数据;S220,将所述待检测数据输入根据如权利要求1所述的基于物联网数据链的智能型新风系统调控方法的训练阶段所训练的深度卷积神经网络和分类器,所述分类器的输出表示对应于新风系统风档的不同档位标签的概率值;以及,S230,基于所述不同档位标签的概率值中最大概率值对应的档位作为最终档位控制新风系统的风档。
图2图示了根据本申请实施例的基于物联网数据链的智能型新风系统调控方法中训练阶段的架构示意图。如图2所示,在训练阶段中,在该网络架构中,首先将通过物联网数据链获取楼宇的室外AQI数据的历史统计数据作为第一训练数据集(例如,如图2中所示意的IN1)和室内AQI数据的历史统计数据作为第二训练数据集(例如,如图2中所示意的IN2)分别转换为第一训练向量(例如,如图2中所示意的V1)和第二训练向量(例如,如图2中所示意的V2);接着,将所述第一训练向量和所述第二训练向量通过深度卷积神经网络(例如,如图2中所示意的CNN)以获得对应于所述第一训练向量的第一特征向量(例如,如图2中所示意的Vt1)和对应于所述第二训练向量的第二特征向量(例如,如图2中所示意的Vt2);接着,对所述第一特征向量和所述第二特征向量进行差分,以获得差分特征向量(例如,如图2中所示意的Vd);接着,将所述差分特征向量通过编码器(例如,如图2中所示意的编码器),以获得编码特征向量(例如,如图2中所示意的Vc);接着,计算所述编码特征向量与所述参考特征向量(例如,如图2中所示意的Vr)之间的交叉熵损失函数值(例如,如图2中所示意的K1);进而,将所述第二特征向量输入Softmax分类函数(例如,如图2中所示意的圈S)以获得分类损失函数值;然后,基于所述交叉熵损失函数值和分类损失函数值,更新所述深度卷积神经网络的参数。
更具体地,在训练阶段中,在步骤S110中,通过物联网数据链获取楼宇的室外AQI数据的历史统计数据作为第一训练数据集和室内AQI数据的历史统计数据作为第二训练数据集。如前所述,新风系统的风档调整需要考虑室外的空气质量情况,且随着物联网的发展,通过物联网数据链实现新风系统与室内监测设备和室外空气监测站之间的数据通信,可获得室内AQI数据与室外AQI数据,从而根据室内和室外的空气质量情况实现新风系统的智能调控。
更具体地,在本申请实施例中,通过物联网数据链获取楼宇的室外AQI数据的历史统计数据作为第一训练数据集和室内AQI数据的历史统计数据作为第二训练数据集的过程,包括:首先,通过物联网数据链获取楼宇所在的当前位置信息,也就是,通过物联网设备获取当前楼宇所在的GPS定位信息,并检测到该地理位置所属区域。然后,根据当前位置信息向所在区域室外空气监测站发送数据获取请求,以获得当前区域室外AQI数据,也就是,根据当前地理位置所属区域,向该区域室外空气监测站发送获取室外AQI数据请求,以获得当前楼宇的室外AQI数据。特别地,在本申请实施例中,可通过预设时间间隔获取室内外AQI数据以获得室内外AQI数据的历史统计数据。应可以理解,所述预设时间间隔不宜过短,以避免浪费计算资源;当然,所述预设时间间隔也不宜过大,不然不能及时的对新风系统的风档进行调控。
图3图示了根据本申请实施例的基于物联网数据链的智能型新风系统调控方法中,通过物联网数据链获取楼宇的室外AQI数据的历史统计数据作为第一训练数据集和室内AQI数据的历史统计数据作为第二训练数据集的流程图。如图3所示,通过物联网数据链获取楼宇的室外AQI数据的历史统计数据作为第一训练数据集和室内AQI数据的历史统计数据作为第二训练数据集的,包括:S310,通过物联网数据链获取楼宇所在的当前位置信息;以及,S320,根据当前位置信息向所在区域室外空气监测站发送数据获取请求,以获得当前区域室外AQI数据。
更具体地,在训练阶段中,在步骤S120中,将所述第一训练数据集和所述第二训练数据集分别转换为第一训练向量和第二训练向量。也就是,将所述训练数据集按时序排序已构成一组训练向量,应可以理解,将训练数据集转换为向量的形式是为了将训练数据集转换为便于计算机计算的数据格式。
更具体地,在训练阶段中,在步骤S130中,将所述第一训练向量和所述第二训练向量通过深度卷积神经网络,以获得对应于所述第一训练向量的第一特征向量和对应于所述第二训练向量的第二特征向量。也就是,通过深度卷积神经网络提取出所述室外AQI数据的历史统计数据和所述室内AQI数据的历史统计数据中的高维特征。
本领域普通技术人员应了解,卷积神经网络在提取局部空间特征方面具有优异的性能表现,特别地,在本申请实施例中,所述深度卷积神经网络可采用深度残差神经网络,例如,ResNet 50。本领域普通技术人员应知晓,相较于传统的卷积神经网络,深度残差网络为在传统卷积神经网络的基础上提出的一种优化网络结构,其主要解决在训练过程中的梯度消失的问题。深度残差网络引入了残差网络结构,通过残差网络结构可以把网络层弄得更深,并且,不会发生梯度消失的问题。残差网络借鉴了高速网络的跨层链接思想,其打破了传统的神经网络从N-1层的输入层只能给N层作为输入的惯例,使某一层的输出可以直接跨过几层作为后面某一层的输入,其意义在于为迭加多层网络而使得整个学习模型的错误率不降反升的难题提供了新的方向。
更具体地,在训练阶段中,在步骤S140中,对所述第一特征向量和所述第二特征向量进行差分,以获得差分特征向量。也就是,对所述第一特征向量和所述第二特征向量进行按位置的差分运算,以获得差分特征向量,应可以理解,所获得的差分特征向量可以表达第一特征向量与第二特征向量之间的差异信息。
更具体地,在训练阶段中,在步骤S150中,将所述差分特征向量通过编码器,以获得编码特征向量,其中,所述编码特征向量中每个位置的特征值表示所述新风系统的工作档位。应可以理解,通过编码器对所述差分特征向量进行编码,能够充分地利用差分特征向量中各个位置的信息和各个位置之间的关联信息,以提取出能够表达第一特征向量与第二特征向量之间的差异信息的高维特征。
更具体地,在本申请实施例中,将所述差分特征向量通过编码器,以获得编码特征向量的过程,包括:将所述差分特征向量通过多个全连接层,以获得编码特征向量,其中,所述多个全连接层中最后一个全连接层的输出位的数量等于所述输入差分特征向量中特征值的数量,且每个输出位的值对应于所述所述新风系统的工作档位。也就是,所述编码器为多个全连接层。应可以理解,通过多个全连接层作为编码器对所述差分特征向量进行编码可以充分利用差分特征向量中各个位置之间的信息,以获得编码特征向量,所述编码向量中每个位置的值为对应于不同时刻的新风系统工作档位。
更具体地,在训练阶段中,在步骤S160中,计算所述编码特征向量与所述参考特征向量之间的交叉熵损失函数值,其中,所述参考特征向量为对应于所述历史统计数据的参考工作档位构成。也就是,计算所述新风系统的工作档位符合历史最优风档档位的概率值。应可以理解,通过交叉熵损失函数值训练所述深度卷积神经网络,可以使深度卷积神经网络提取出与新风系统风档档位有关的高维特征。
更具体地,在训练阶段中,在步骤S170中,将所述第二特征向量输入分类器以获得分类损失函数值。也就是,将所述第二特征向量通过Softmax函数进行分类,以获得分类结果,然后,将所述分类结果与真实值输入损失函数,以获得分类损失函数值。
更具体地,在训练阶段中,在步骤S180中,基于所述交叉熵损失函数值和分类损失函数值,更新所述深度卷积神经网络的参数。更具体地,在本申请实施例中,可计算所述交叉熵损失函数值与分类损失函数值的加权和,并以该加权和更新所述深度卷积神经网络的参数,以提高训练速度和训练精度。
在训练完成后,进入应用阶段。
更具体地,在应用阶段中,在步骤S210中,通过物联网数据链获取待检测数据,其中,所述待检测数据包括当前的楼宇室外AQI数据和室内AQI数据。也就是,通过物联网设备获取当前室内和室外的AQI数据。
更具体地,在应用阶段中,在步骤S220中,将所述待检测数据输入根据如训练阶段所训练的深度卷积神经网络和分类器,所述分类器的输出表示对应于新风系统风档的不同档位标签的概率值。也就是,以训练完成的深度卷积神经网络提取出所述待检测数据中的高维特征,并通过分类函数进行分类,以获得对应于新风系统不同风档标签的概率值。应可以理解,经上述训练过程,所述深度卷积神经网络能够提取出所述待检测数据中具有辨别能力的特征且该具有辨别度的特征具有一定的类间相似性,以避免过拟合的发生。
更具体地,在应用阶段中,在步骤S230中,基于所述不同档位标签的概率值中最大概率值对应的档位作为最终档位控制新风系统的风档。也就是,以步骤S220中获得的对应于新风系统不同风档标签的概率值中最大概率值对应的风档确定为新风系统的最终档位,并以该最终档位调节新风系统,以实现新风系统的智能调控。
综上,基于本申请实施例的基于物联网数据链的智能型新风系统调控方法被阐明,其基于深度学习的关联信息的特征提取和分类的方式,来建立起室内外空气质量情况与新风系统风档档位之间的映射关系,从而提高新风系统风档档位控制的准确性。
示例性系统
图4图示了根据本申请实施例的基于物联网数据链的智能型新风系统调控系统的框图。
如图4所示,根据本申请实施例的基于物联网数据链的智能型新风系统调控系统1000,包括:训练模块1100,包括:训练数据集获取单元1110,用于通过物联网数据链获取楼宇的室外AQI数据的历史统计数据作为第一训练数据集和室内AQI数据的历史统计数据作为第二训练数据集;训练向量生成单元1120,用于将所述训练数据集获取单元1110获得的所述第一训练数据集和所述第二训练数据集分别转换为第一训练向量和第二训练向量;特征向量生成单元1130,用于将所述训练向量生成单元1120获得的所述第一训练向量和所述第二训练向量通过深度卷积神经网络,以获得对应于所述第一训练向量的第一特征向量和对应于所述第二训练向量的第二特征向量;差分特征向量生成单元1140,用于对所述特征向量生成单元1130获得的所述第一特征向量和所述第二特征向量进行差分,以获得差分特征向量;编码特征向量生成单元1150,用于将所述差分特征向量生成单元1140获得的所述差分特征向量通过编码器,以获得编码特征向量,其中,所述编码特征向量中每个位置的特征值表示所述新风系统的工作档位;交叉熵损失函数值计算单元1160,用于计算所述编码特征向量生成单元1150获得的所述编码特征向量与所述参考特征向量之间的交叉熵损失函数值,其中,所述参考特征向量为对应于所述历史统计数据的参考工作档位构成;分类损失函数值生成单元1170,用于将所述特征向量生成单元1130获得的所述第二特征向量输入分类器以获得分类损失函数值;以及,参数更新单元1180,用于基于所述交叉熵损失函数值计算单元1160获得的所述交叉熵损失函数值和分类损失函数值生成单元1170获得的所述分类损失函数值,更新所述深度卷积神经网络的参数;以及,应用模块1200,包括:待检测数据获取单元1210,用于通过物联网数据链获取待检测数据,其中,所述待检测数据包括当前的楼宇室外AQI数据和室内AQI数据;分类单元1220,用于将所述待检测数据获取单元1210获得的所述待检测数据输入根据如上所述的基于物联网数据链的智能型新风系统调控方法的训练阶段所训练的深度卷积神经网络和分类器,所述分类器的输出表示对应于新风系统风档的不同档位标签的概率值;以及,最终档位生成单元1230,用于基于所述分类单元1220获得的所述不同档位标签的概率值中最大概率值对应的档位作为最终档位控制新风系统的风档。
在一个示例中,在上述调控系统1000中,如图5所示,所述训练数据集获取单元1110,包括:当前位置信息获取子单元1111,用于通过物联网数据链获取楼宇所在的当前位置信息;以及,室外AQI数据获取子单元1112,用于根据所述当前位置信息获取子单元1111获得的所述当前位置信息向所在区域室外空气监测站发送数据获取请求,以获得当前区域室外AQI数据。
在一个示例中,在上述调控系统1000中,所述训练数据集获取单元1110,进一步用于:以预设时间间隔获取楼宇的室外AQI数据的历史统计数据作为第一训练数据集和室内AQI数据的历史统计数据作为第二训练数据集。
在一个示例中,在上述调控系统1000中,所述编码特征向量生成单元1150,进一步用于:将所述差分特征向量通过多个全连接层,以获得编码特征向量,其中,所述多个全连接层中最后一个全连接层的输出位的数量等于所述输入差分特征向量中特征值的数量,且每个输出位的值对应于所述所述新风系统的工作档位。
在一个示例中,在上述调控系统1000中,所述参考工作档位为通过经验获得的历史最优风档档位。
在一个示例中,在上述调控系统1000中,所述深度卷积神经网络为深度残差网络。
这里,本领域技术人员可以理解,上述基于物联网数据链的智能型新风系统调控系统1000中的各个模块的具体功能和操作已经在上面参考图1到3的基于物联网数据链的智能型新风系统调控方法描述中得到了详细介绍,并因此,将省略其重复描述。
如上所述,根据本申请实施例的调控系统1000可以实现在各种终端设备中,例如用于新风系统智能调控的服务器等。在一个示例中,根据本申请实施例的调控系统1000可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该调控系统1000可以是该终端设备的操作系统中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该调控系统1000同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该调控系统1000与该终端设备也可以是分立的设备,并且该调控系统1000可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
示例性电子设备
下面,参考图6来描述根据本申请实施例的电子设备。
图6图示了根据本申请实施例的电子设备的框图。
如图6所示,电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器11可以运行所述程序指令,以实现上文所述的本申请的各个实施例的基于物联网数据链的智能型新风系统调控方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如差分特征向量、交叉熵损失函数值等各种内容。
在一个示例中,电子设备10还可以包括:输入装置13和输出装置14,这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
该输入装置13可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息,包括最终档位等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然,为了简化,图6中仅示出了该电子设备10中与本申请有关的组件中的一些,省略了诸如总线、输入/输出接口等等的组件。除此之外,根据具体应用情况,电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外,本申请的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的基于物联网数据链的智能型新风系统调控方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,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设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本申请的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的基于物联网数据链的智能型新风系统调控方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、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。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、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
还需要指出的是,在本申请的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此,本申请不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (10)
1.一种基于物联网数据链的智能型新风系统调控方法,其特征在于,包括:
训练阶段,包括:
通过物联网数据链获取楼宇的室外AQI数据的历史统计数据作为第一训练数据集和室内AQI数据的历史统计数据作为第二训练数据集;
将所述第一训练数据集和所述第二训练数据集分别转换为第一训练向量和第二训练向量;
将所述第一训练向量和所述第二训练向量通过深度卷积神经网络,以获得对应于所述第一训练向量的第一特征向量和对应于所述第二训练向量的第二特征向量;
对所述第一特征向量和所述第二特征向量进行差分,以获得差分特征向量;
将所述差分特征向量通过编码器,以获得编码特征向量,其中,所述编码特征向量中每个位置的特征值表示所述新风系统的工作档位;
计算所述编码特征向量与所述参考特征向量之间的交叉熵损失函数值,其中,所述参考特征向量为对应于所述历史统计数据的参考工作档位构成;
将所述第二特征向量输入分类器以获得分类损失函数值;以及
基于所述交叉熵损失函数值和分类损失函数值,更新所述深度卷积神经网络的参数;以及
检测阶段,包括:
通过物联网数据链获取待检测数据,其中,所述待检测数据包括当前的楼宇室外AQI数据和室内AQI数据;
将所述待检测数据输入根据如权利要求1所述的基于物联网数据链的智能型新风系统调控方法的训练阶段所训练的深度卷积神经网络和分类器,所述分类器的输出表示对应于新风系统风档的不同档位标签的概率值;以及
基于所述不同档位标签的概率值中最大概率值对应的档位作为最终档位控制新风系统的风档。
2.根据权利要求1所述的一种基于物联网数据链的智能型新风系统调控方法,其中,通过物联网数据链获取楼宇的室外AQI数据的历史统计数据作为第一训练数据集和室内AQI数据的历史统计数据作为第二训练数据集,包括:
通过物联网数据链获取楼宇所在的当前位置信息;以及
根据当前位置信息向所在区域室外空气监测站发送数据获取请求,以获得当前区域室外AQI数据。
3.根据权利要求1所述的一种基于物联网数据链的智能型新风系统调控方法,其中,通过物联网数据链获取楼宇的室外AQI数据的历史统计数据作为第一训练数据集和室内AQI数据的历史统计数据作为第二训练数据集,包括:
以预设时间间隔获取楼宇的室外AQI数据的历史统计数据作为第一训练数据集和室内AQI数据的历史统计数据作为第二训练数据集。
4.根据权利要求1所述的一种基于物联网数据链的智能型新风系统调控方法,其中,将所述差分特征向量通过编码器,以获得编码特征向量,包括:
将所述差分特征向量通过多个全连接层,以获得编码特征向量,其中,所述多个全连接层中最后一个全连接层的输出位的数量等于所述输入差分特征向量中特征值的数量,且每个输出位的值对应于所述新风系统的工作档位。
5.根据权利要求1所述的一种基于物联网数据链的智能型新风系统调控方法,其中,所述参考工作档位为通过经验获得的历史最优风档档位。
6.根据权利要求1所述的一种基于物联网数据链的智能型新风系统调控方法,其中,所述深度卷积神经网络为深度残差网络。
7.一种基于物联网数据链的智能型新风系统调控系统,其特征在于,包括:
训练模块,包括:
训练数据集获取单元,用于通过物联网数据链获取楼宇的室外AQI数据的历史统计数据作为第一训练数据集和室内AQI数据的历史统计数据作为第二训练数据集;
训练向量生成单元,用于将所述训练数据集获取单元获得的所述第一训练数据集和所述第二训练数据集分别转换为第一训练向量和第二训练向量;
特征向量生成单元,用于将所述训练向量生成单元获得的所述第一训练向量和所述第二训练向量通过深度卷积神经网络,以获得对应于所述第一训练向量的第一特征向量和对应于所述第二训练向量的第二特征向量;
差分特征向量生成单元,用于对所述特征向量生成单元获得的所述第一特征向量和所述第二特征向量进行差分,以获得差分特征向量;
编码特征向量生成单元,用于将所述差分特征向量生成单元获得的所述差分特征向量通过编码器,以获得编码特征向量,其中,所述编码特征向量中每个位置的特征值表示所述新风系统的工作档位;
交叉熵损失函数值计算单元,用于计算所述编码特征向量生成单元获得的所述编码特征向量与所述参考特征向量之间的交叉熵损失函数值,其中,所述参考特征向量为对应于所述历史统计数据的参考工作档位构成;
分类损失函数值生成单元,用于将所述特征向量生成单元获得的所述第二特征向量输入分类器以获得分类损失函数值;以及
参数更新单元,用于基于所述交叉熵损失函数值计算单元获得的所述交叉熵损失函数值和分类损失函数值生成单元获得的所述分类损失函数值,更新所述深度卷积神经网络的参数;以及
应用模块,包括:
待检测数据获取单元,用于通过物联网数据链获取待检测数据,其中,所述待检测数据包括当前的楼宇室外AQI数据和室内AQI数据;
分类单元,用于将所述待检测数据获取单元获得的所述待检测数据输入根据如权利要求1所述的基于物联网数据链的智能型新风系统调控方法的训练阶段所训练的深度卷积神经网络和分类器,所述分类器的输出表示对应于新风系统风档的不同档位标签的概率值;以及
最终档位生成单元,用于基于所述分类单元获得的所述不同档位标签的概率值中最大概率值对应的档位作为最终档位控制新风系统的风档。
8.根据权利要求7所述的一种基于物联网数据链的智能型新风系统调控系统,其中,所述训练数据集获取单元,包括:
当前位置信息获取子单元,用于通过物联网数据链获取楼宇所在的当前位置信息;以及
室外AQI数据获取子单元,用于根据所述当前位置信息获取子单元获得的所述当前位置信息向所在区域室外空气监测站发送数据获取请求,以获得当前区域室外AQI数据。
9.根据权利要求7所述的一种基于物联网数据链的智能型新风系统调控系统,其中,所述训练数据集获取单元,进一步用于:
以预设时间间隔获取楼宇的室外AQI数据的历史统计数据作为第一训练数据集和室内AQI数据的历史统计数据作为第二训练数据集。
10.一种电子设备,包括:
处理器;以及
存储器,在所述存储器中存储有计算机程序指令,所述计算机程序指令在被所述处理器运行时使得所述处理器执行如权利要求1-6中任一项所述的基于物联网数据链的智能型新风系统调控方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110166138.9A CN112923523B (zh) | 2021-02-03 | 2021-02-03 | 一种基于物联网数据链的智能型新风系统调控方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110166138.9A CN112923523B (zh) | 2021-02-03 | 2021-02-03 | 一种基于物联网数据链的智能型新风系统调控方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112923523A true CN112923523A (zh) | 2021-06-08 |
CN112923523B CN112923523B (zh) | 2022-05-17 |
Family
ID=76170969
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110166138.9A Active CN112923523B (zh) | 2021-02-03 | 2021-02-03 | 一种基于物联网数据链的智能型新风系统调控方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112923523B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113803825A (zh) * | 2021-10-14 | 2021-12-17 | 深圳市美恩微电子有限公司 | 用于新风系统的风机噪声的降噪方法、系统和电子设备 |
CN116147130A (zh) * | 2023-04-18 | 2023-05-23 | 杭州行至云起科技有限公司 | 智能家居控制系统及其方法 |
CN116321620A (zh) * | 2023-05-11 | 2023-06-23 | 杭州行至云起科技有限公司 | 智能照明开关控制系统及其方法 |
CN116989432A (zh) * | 2023-09-27 | 2023-11-03 | 深圳市美兆环境股份有限公司 | 一种空调系统节能运行优化调度方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH04155136A (ja) * | 1990-10-19 | 1992-05-28 | Matsushita Electric Ind Co Ltd | 空気調和機の制御装置 |
KR20060088723A (ko) * | 2005-02-02 | 2006-08-07 | 엘지전자 주식회사 | 공기조화 시스템 |
KR101261199B1 (ko) * | 2013-01-10 | 2013-05-10 | 동국대학교 산학협력단 | 신경망 모델에 의한 지능형 제어 알고리즘을 이용한 건물의 예약냉각 제어방법 |
CN109615146A (zh) * | 2018-12-27 | 2019-04-12 | 东北大学 | 一种基于深度学习的超短时风功率预测方法 |
CN111076375A (zh) * | 2019-12-05 | 2020-04-28 | 珠海格力电器股份有限公司 | 空调器新风换气的控制方法及系统、信息数据处理终端 |
CN111795484A (zh) * | 2020-07-24 | 2020-10-20 | 北京大学深圳研究生院 | 一种智慧空调控制方法和系统 |
CN112050446A (zh) * | 2019-06-06 | 2020-12-08 | 青岛海尔空调器有限总公司 | 新风空调的控制方法 |
-
2021
- 2021-02-03 CN CN202110166138.9A patent/CN112923523B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH04155136A (ja) * | 1990-10-19 | 1992-05-28 | Matsushita Electric Ind Co Ltd | 空気調和機の制御装置 |
KR20060088723A (ko) * | 2005-02-02 | 2006-08-07 | 엘지전자 주식회사 | 공기조화 시스템 |
KR101261199B1 (ko) * | 2013-01-10 | 2013-05-10 | 동국대학교 산학협력단 | 신경망 모델에 의한 지능형 제어 알고리즘을 이용한 건물의 예약냉각 제어방법 |
CN109615146A (zh) * | 2018-12-27 | 2019-04-12 | 东北大学 | 一种基于深度学习的超短时风功率预测方法 |
CN112050446A (zh) * | 2019-06-06 | 2020-12-08 | 青岛海尔空调器有限总公司 | 新风空调的控制方法 |
CN111076375A (zh) * | 2019-12-05 | 2020-04-28 | 珠海格力电器股份有限公司 | 空调器新风换气的控制方法及系统、信息数据处理终端 |
CN111795484A (zh) * | 2020-07-24 | 2020-10-20 | 北京大学深圳研究生院 | 一种智慧空调控制方法和系统 |
Non-Patent Citations (2)
Title |
---|
胡昊: "《智能车站旅客环境舒适度监控关键技术研究》", 《工程科技Ⅱ辑》 * |
蔡博伟: "《基于机器学习的汽车空调热舒适性系统算法研究》", 《工程科技Ⅱ辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113803825A (zh) * | 2021-10-14 | 2021-12-17 | 深圳市美恩微电子有限公司 | 用于新风系统的风机噪声的降噪方法、系统和电子设备 |
CN116147130A (zh) * | 2023-04-18 | 2023-05-23 | 杭州行至云起科技有限公司 | 智能家居控制系统及其方法 |
CN116321620A (zh) * | 2023-05-11 | 2023-06-23 | 杭州行至云起科技有限公司 | 智能照明开关控制系统及其方法 |
CN116321620B (zh) * | 2023-05-11 | 2023-08-11 | 杭州行至云起科技有限公司 | 智能照明开关控制系统及其方法 |
CN116989432A (zh) * | 2023-09-27 | 2023-11-03 | 深圳市美兆环境股份有限公司 | 一种空调系统节能运行优化调度方法及系统 |
CN116989432B (zh) * | 2023-09-27 | 2024-01-16 | 深圳市美兆环境股份有限公司 | 一种空调系统节能运行优化调度方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112923523B (zh) | 2022-05-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112923523B (zh) | 一种基于物联网数据链的智能型新风系统调控方法 | |
CN106897254B (zh) | 一种网络表示学习方法 | |
CN115896817B (zh) | 氟氮混合气的生产方法及其系统 | |
CN111310672A (zh) | 基于时序多模型融合建模的视频情感识别方法、装置及介质 | |
CN115759658B (zh) | 适用于智慧城市的企业能耗数据管理系统 | |
CN116832588B (zh) | 酸再生烟气净化装置及其方法 | |
CN113792855A (zh) | 一种模型训练及字库建立方法、装置、设备和存储介质 | |
CN116910633B (zh) | 一种基于多模态知识混合推理的电网故障预测方法 | |
CN115630651B (zh) | 文本生成方法和文本生成模型的训练方法、装置 | |
CN113792850A (zh) | 字体生成模型训练方法、字库建立方法、装置及设备 | |
CN113298186A (zh) | 融合流模型对抗生成网络和聚类算法的网络异常流量检测方法 | |
CN114662788A (zh) | 一种海水水质三维时空序列多参数精准预测方法及系统 | |
CN116596033A (zh) | 一种基于窗口注意力和生成器的Transformer臭氧浓度预测方法 | |
CN115905855A (zh) | 一种改进的元学习算法MG-Reptile | |
CN116432697A (zh) | 一种融合长短期记忆网络与注意力机制的时间序列预测方法 | |
US20220391693A1 (en) | Training transformer neural networks to generate parameters of convolutional neural networks | |
CN114444811A (zh) | 一种基于注意力机制的铝电解混频数据过热度预测方法 | |
CN110852344A (zh) | 一种基于智能变电站网络故障分类的方法 | |
CN112819044A (zh) | 用于目标对象的目标操作任务补偿的神经网络的训练方法 | |
CN116844088A (zh) | 在线除尘器控制系统及其方法 | |
CN116050579A (zh) | 基于深度特征融合网络的建筑能耗预测方法及系统 | |
CN116486622A (zh) | 基于道路数据的交通智能规划系统及其方法 | |
CN110474798A (zh) | 一种利用回声状态网络预测无线通信未来信号的方法 | |
CN115270917A (zh) | 一种两阶段处理多模态服装图像生成方法 | |
CN115187863A (zh) | 多层次自适应知识蒸馏的轻量化高分遥感场景分类方法 |
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 |