CN114322260B - 空调自动驾驶、模型训练和预测方法、装置及设备 - Google Patents
空调自动驾驶、模型训练和预测方法、装置及设备 Download PDFInfo
- Publication number
- CN114322260B CN114322260B CN202111574529.0A CN202111574529A CN114322260B CN 114322260 B CN114322260 B CN 114322260B CN 202111574529 A CN202111574529 A CN 202111574529A CN 114322260 B CN114322260 B CN 114322260B
- Authority
- CN
- China
- Prior art keywords
- air conditioner
- temperature
- parameters
- somatosensory
- training
- 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
Classifications
-
- 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
- Air Conditioning Control Device (AREA)
Abstract
一种空调自动驾驶、模型训练和预测方法、装置及设备,利用同一空调所在环境下的体感环境温度、调节参数和环境参数之间的关系,采用有监督机器学习的方法创建和训练预测模型来表示这种关系,实现对体感环境温度或空调调节参数的预测。进而根据预测值实现空调的自动驾驶,本公开实施例无需在用户使用区域布线,也不需要人工去更换电池,可以有效学习用户习惯性的舒适的体感环境温度,提升用户的体验。
Description
技术领域
本公开涉及但不限于空调技术领域,具体涉及一种空调自动驾驶、模型训练和预测方法、装置及设备。
背景技术
在空调的应用场景中,由于空调与建筑的融合及设计问题,通常空调的出风口和回风口的温度与室内的用户使用区域的实际温度都会存在差距。室内的用户使用区域(如卧室中床所在的区域、起居室中人的活动区域等)的温度与用户实际感受到的体感温度直接相关,文中将其称为体感环境温度。体感环境温度比空调检测的室内温度更能反映用户的真实体感温度。比如在制冷模式下,空调出风口的冷风经过室内换热、吸收室内热量后温度升高,回到空调回风口时温度较高,而空调检测的室内温度(简称为室内温度)是在回风口采集的,因而室内的用户使用区域的温度即体感环境温度通常低于室内温度,这个温差有时候会有2~3度,空调按照室内温度进行控制,会形成较大的冷感。反之在制热模式下,则会形成较大的热感。
发明内容
以下是对本文详细描述的主题的概述。本概述并非是为了限制权利要求的保护范围。
本公开实施例提供了一种体感环境温度预测模型的训练方法,包括:
获取训练数据,所述训练数据基于体感环境温度、第一空调的调节参数和所述第一空调的环境参数的样本数据得到,所述体感环境温度指所述第一空调所在室内的用户使用区域的温度;
以所述训练数据中的调节参数和环境参数为输入数据,以所述训练数据中的体感环境温度为目标数据,采用有监督机器学习的方式对体感环境温度的第一预测模型进行训练。
本公开实施例还提供了一种体感环境温度预测模型的训练装置,包括处理器以及存储有计算机程序的存储器,其中,所述处理器执行所述计算机程序时实现如本公开任一实施例所述的体感环境温度预测模型的训练方法。
本公开实施例还提供了一种体感环境温度的预测方法,包括:
获取第一空调的调节参数和所述第一空调的环境参数;
将所述调节参数和环境参数输入体感环境温度的第一预测模型,根据所述第一预测模型的输出得到预测的体感环境温度;
其中,所述体感环境温度指所述第一空调所在室内的用户使用区域的温度,所述第一预测模型按照如本公开任一实施例所述的体感环境温度的训练方法得到。
本公开实施例还提供了一种体感环境温度的预测装置,包括,包括处理器以及存储有计算机程序的存储器,其中,所述处理器执行所述计算机程序时实现如本公开任一实施例所述的体感环境温度的预测方法。
本公开实施例还提供了一种空调自动驾驶方法,包括:
按照如本公开任一实施例所述的体感环境温度的预测方法进行预测,得到预测的体感环境温度;
所述第一空调根据所述预测的体感环境温度对调节参数进行自动调节,所述调节参数包括室内设定温度和/或室内设定风速;
其中,所述第一空调保存有云服务器下发的所述第一预测模型,并按照所述预测方法进行预测;或者,由云服务器按照所述预测方法进行预测,并将所述预测的体感环境温度下发给所述第一空调。
本公开上述实施例利用同一空调所在环境下的体感环境温度与调节参数、环境参数之间的关系,采用有监督机器学习的方法创建和训练一个预测模型来表示这种关系,通过将获取的调节参数和环境参数输入该预测模型实现对体感环境温度的预测。无需在用户使用区域布线,也不需要人工去更换电池,方便、准确地得到了体感环境温度。
本公开实施例还提供了一种空调调节参数预测模型的训练方法,包括:
获取训练数据,所述训练数据基于体感环境温度、第一空调的调节参数和所述第一空调的环境参数的样本数据得到,所述体感环境温度指所述第一空调所在室内的用户使用区域的温度;
以所述训练数据中的体感环境温度和环境参数为输入数据,以所述训练数据中的调节参数为目标数据,采用有监督机器学习的方式对空调调节参数的第二预测模型进行训练。
本公开实施例还提供了一种空调调节参数预测模型的训练装置,包括处理器以及存储有计算机程序的存储器,其中,所述处理器执行所述计算机程序时实现如本公开任一实施例所述的空调调节参数预测模型的训练方法。
本公开实施例还提供了一种空调调节参数的预测方法,包括:
获取体感环境温度和第一空调的环境参数。所述体感环境温度指所述第一空调所在室内的用户使用区域的温度;
将所述体感环境温度和环境参数输入空调调节参数的第二预测模型,根据所述第二预测模型的输出得到所述第一空调的调节参数的预测值;
其中,所述第二预测模型按照如本公开任一实施例所述的空调调节参数预测模型的训练方法得到。
本公开实施例还提供了一种空调调节参数的预测装置,应用于云服务器或空调,所述预测装置包括处理器以及存储有计算机程序的存储器,其中,所述处理器执行所述计算机程序时实现如本公开任一实施例所述的空调调节参数的预测方法。
本公开实施例还提供了一种空调自动驾驶方法,包括:
按照如本公开任一实施例所述的空调调节参数的预测方法进行预测,得到所述第一空调的调节参数的预测值;
所述第一空调根据所述预测值对所述第一空调的调节参数进行调节。
本公开实施例还提供了一种空调自动驾驶装置,包括处理器以及存储有计算机程序的存储器,其中,所述处理器执行所述计算机程序时实现如本公开任一实施例所述的空调自动驾驶方法。
本公开上述实施例通过机器学习方法创建和训练一个预测模型表示空调的调节参数与体感环境温度、环境参数之间的关系,从而实现对空调调节参数的预测,可以有效学习用户习惯性的舒适的体感环境温度,得到符合用户调节习惯的空调调节参数的预测值,进而根据该预测值实现空调的自动驾驶,提升用户的体验。
本公开实施例还提供了一种空调,包括:
第一数据获取模块,设置为获取体感环境温度和本空调的环境参数,所述体感环境温度指第一空调所在室内的用户使用区域的温度;
预测值获取模块,设置为基于获取的所述体感环境温度和环境参数,获取本空调的空调调节参数的预测值,所述预测值通过如本公开任一实施例所述的空调调节参数的预测方法预测得到;
参数调节模块,设置为按照所述预测值重新设置本空调的调节参数。
本公开实施例的空调可以基于模型的自学习功能实现空调的自动驾驶,优化空调自动控制,在室内的用户使用区域维持一个舒适的体感环境温度,提升用户的体验。
本公开实施例还提供了一种云服务器,包括:
第一训练模块,设置为按照如本公开任一实施例所述的空调调节参数预测模型的训练方法,得到空调调节参数的第二预测模型;
第二数据获取模块,设置为获取体感环境温度和第一空调的环境参数,所述体感环境温度指第一空调所在室内的用户使用区域的温度;
调节参数预测模块,设置为按照如本公开任一实施例所述的空调调节参数的预测方法,将获取的所述体感环境温度和环境参数输入所述第二预测模型,得到所述第一空调的调节参数的预测值并下发给所述第一空调。
本公开实施例的云服务器利用训练好的模型进行空调调节参数的预测,实现空调的自动驾驶,可以优化空调的自动控制,提升用户的体验。
在阅读并理解了附图和详细描述后,可以明白其他方面。
附图说明
附图用来提供对本公开实施例的理解,并且构成说明书的一部分,与本公开实施例一起用于解释本公开的技术方案,并不构成对本公开技术方案的限制。
图1是本公开一实施例体感环境温度预测模型的训练方法的流程图;
图2是本公开一示例展示的空调、温度传感器在室内布置的示意图;
图3是本公开一实施例体感环境温度的训练装置的示意图;
图4是本公开一实施例体感环境温度的预测方法的流程图;
图5是本公开一实施例空调自动驾驶方法的流程图;
图6是本公开一实施例空调调节参数预测模型的训练方法的流程图;
图7是本公开一实施例空调调节参数的预测方法的流程图;
图8是本公开另一实施例的空调自动驾驶方法的流程图;
图9是本公开一实施例空调的功能模块图;
图10是本公开一实施例云服务器的功能模块图;
图11是本公开一实施例用于预测体感环境温度的单层前馈神经网络的结构示意图;
图12是本公开一实施例用于预测空调调节参数的单层前馈神经网络的结构示意图;
图13是在设定时间段内使用体感环境温度的预测模型得到的体感环境温度的预测值和实际值之间关系的示意图;
图14是图13得到的预测值与真实值的拟合散点图;
图15是在设定时间段内使用空调调节参数预测模型得到的室内设定温度的预测值和实际值之间关系的示意图;
图16是图15得到的预测值与真实值的拟合散点图。
具体实施方式
本公开描述了多个实施例,但是该描述是示例性的,而不是限制性的,并且对于本领域的普通技术人员来说显而易见的是,在本公开所描述的实施例包含的范围内可以有更多的实施例和实现方案。
本公开的描述中,“示例性的”或者“例如”等词用于表示作例子、例证或说明。本公开中被描述为“示例性的”或者“例如”的任何实施例不应被解释为比其他实施例更优选或更具优势。本文中的“和/或”是对关联对象的关联关系的一种描述,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。“多个”是指两个或多于两个。另外,为了便于清楚描述本公开实施例的技术方案,使用了“第一”、“第二”等字样对功能和作用基本相同的相同项或相似项进行区分。本领域技术人员可以理解“第一”、“第二”等字样并不对数量和执行次序进行限定,并且“第一”、“第二”等字样也并不限定一定不同。
在描述具有代表性的示例性实施例时,说明书可能已经将方法和/或过程呈现为特定的步骤序列。然而,在该方法或过程不依赖于本文所述步骤的特定顺序的程度上,该方法或过程不应限于所述的特定顺序的步骤。如本领域普通技术人员将理解的,其它的步骤顺序也是可能的。因此,说明书中阐述的步骤的特定顺序不应被解释为对权利要求的限制。此外,针对该方法和/或过程的权利要求不应限于按照所写顺序执行它们的步骤,本领域技术人员可以容易地理解,这些顺序可以变化,并且仍然保持在本公开实施例的精神和范围内。
为了准确识别体感环境温度,在一示例中,将用于采集室内温度的温度传感器用较长的通讯线一直拉到用户使用区域。或者是用线控器拉到接近用户使用区域的墙面上。但这种有线的方式安装受限,同时因为美观的问题经常无法实际接近用户所位置。还有一种是空调随身感传感器的方式,用户通过遥控器发送控制命令的时候,带有温度传感器的遥控器同时发送其检测的温度给空调(也可称为空调器),以传递用户所在位置处的环境温度。这种方式需要用户主动操作才能将采集的温度发送给空调,无法实现温度的实时采集。如果遥控器在用户不操作时也发送其检测的温度,不仅很耗电,而且遥控器可能被放置在远离用户的位置,无法保证遥控器位置处检测的温度是体感环境温度。
在一示例中,使用无线的温度传感器确定体感环境温度,该温度传感器除了包括温度传感元件外,还包括上网芯片(蓝牙,zigbee,wifi等)和自带电池等。将该温度传感器部署在使用空调的室内用户使用区域,该温度传感器可以与空调建立无线通讯连接,将采集的体感环境温度发送给空调。但是,电池无法长时间的使用,通常一段时间后就要更换电池或对电池进行充电。这种需要人工参与的方式、难以持续,特别是在大批量使用的场合。
针对体感环境温度难以准确采集的问题,本申请的发明人经研究发现,影响体感环境温度的因素包括空调所在环境的室内温度和室外温度、空调的室内设定温度和室内设定风速(也称为空调的设定温度和设定风速)等。其中,室内温度和室外温度反映的是空调所在环境的环境参数,室内设定温度和室内设定风速是空调的调节参数,反映了用户使用空调的习惯。这些因素均会影响体感环境温度。以在制冷季节为例,室内温度或室外温度越高,空调所需要处理的热负荷越大,同等空调制冷能力下,用户使用区域的温度即体感环境温度越高。而室内设定温度越高或室内设定风速越小,空调制冷能力越低,在同等热负荷下用户使用区域的温度即体感环境温度越高。
在一个示例中,体感环境温度可以根据以下方程来预测:
Tsen=f(Tin,Tout,Tset,ASset)
式中,Tsen为体感环境温度,Tin为室内温度,Tout为室外温度,Tset为室内设定温度;ASset为室内设定风速,f()是预测体感环境温度的函数。
其中,室内温度是空调检测的室内温度,如通过设置在空调回风口处的温度传感器采集的室内温度;室外温度可以通过设置在空调室外机或其他室外位置的温度传感器采集。室内设定温度反映用户预期的室内温度,如制冷季节可设置为26℃左右,制热季节可设置为18℃左右。室内设定风速反映用户预期的室内气流强弱,可以用最大风速的百分比表示,设定范围为1%-100%。
虽然上述公式用4个参数来预测体感环境温度,但是使用其中的部分参数,或者加入其他参数,或者使用其他参数替代其中的部分参数来预测体感环境温度也是可以的。例如在墙体保温良好时,室外温度对体感环境温度影响较小,可以忽略。又如,考虑到室内设定风速是用户不常调节的参数,及一些场合中空调的室内设定风速是统一设定的,也可以忽略室内设定风速。而影响体感环境温度的因素还包括房间大小、形状、墙体保温性能等等,这些因素也可以作为预测体感环境温度的自变量,但这些因素对体感环境温度的影响也可以通过实际环境下采集的样本数据而学习得到。
为了在体感环境温度无法准确采集,或者用于采集体感环境温度的温度传感器不工作时也能够准确得到体感环境温度,从而利用体感环境温度实现空调自动驾驶(即空调自动控制)。本公开实施例采用体感环境温度的预测模型来体现体感环境温度与上述调节参数和环境参数的关系,通过样本数据训练该预测模型,进而使用该预测模型来预测体感环境温度。
本公开一实施例提供了一种体感环境温度预测模型的训练方法,如图1所示,所述训练方法包括:
步骤110,获取训练数据,所述训练数据基于体感环境温度、第一空调的调节参数和所述第一空调的环境参数的样本数据得到,所述体感环境温度指所述第一空调所在室内的用户使用区域的温度;
步骤120,以所述训练数据中的调节参数和环境参数为输入数据,以所述训练数据中的体感环境温度为目标数据,采用有监督机器学习的方式对体感环境温度的第一预测模型进行训练。
本公开各实施例中所述的“第一空调所在室内”指与第一空调的进风口和/或出风口连通的房间内,例如,第一空调包括室内机和室外机时,所述第一空调所在室内是指该室内机所安装的房间内。用户使用区域是指室内用户常规的活动区域,例如卧室中床所在的区域、起居室中人的活动区域等。用户使用区域的温度可以通过部署在用户使用区域的温度传感器来采集,例如,对于安装有空调的卧室,可以将温度传感器放置在床边来采集体感环境温度;对于安装有空调的起居室,可以将温度传感器放置在沙发上或茶几上来采集体感环境温度,等等。这些温度传感器可以是无线的温度传感器,也可以是与空调电连接的有线的温度传感器。
以图2所示的第一空调所在环境为例,床边的桌头柜21上放置有一个无线的第一温度传感器19,可以采集体感环境温度;在第一空调室内机17的回风口设置的第一温度传感器17可以采集室内温度,第一空调室外机11上设置的第一温度传感器13可采集室外温度,第一空调可以直接在本地读取室内设定温度和室内设定风速。第一温度传感器19可以与第一空调通信,第一空调可以与云服务器通信,如通过物联网建立通信连接。
本公开实施例利用体感环境温度与第一空调的调节参数、环境参数之间的函数关系,采用机器学习方法创建和训练一个预测模型表示这种函数关系,利用该预测模型就可以实现对体感环境温度的预测,无需在用户使用区域布线,也不需要人工去更换电池,实现了对体感环境温度的准确预测。
在本公开一示例性的实施例中,所述调节参数包括所述第一空调的室内设定温度,或者包括所述第一空调的室内设定温度和室内设定风速。空调的室内设定风速;所述环境参数包括所述第一空调所在环境的室内温度,或者包括所述第一空调所在环境的室内温度和室外温度。
在本公开一示例性的实施例中,所述第一预测模型基于神经网络算法(Neuralnetwork algorithm)构建,例如基于单层前馈神经网络、多层前馈神经网络或者卷积神经网络构建。除了神经网络外,在其他实施例中,第一预测模型也可以基于其他的有监督机器学习算法构建,例如,支持向量机(Support Vector Machines)算法、线性回归(linearregression)、逻辑回归(logistic regression)和朴素贝叶斯(naive Bayes)等等。本申请所谓的有监督机器学习以预测为目的,是将训练数据中的一部分作为模型的输入数据,另一部分作为模型的目标数据,根据模型的输出数据与目标数据的差值计算损失,再根据损失优化模型以使损失最小;使用验证数据对经训练的模型的精度进行验证,如精度达到要求表示模型已训练好。
在本公开一示例性的实施例中,
所述获取训练数据,包括:获取周期性采集的所述体感环境温度、调节参数和环境参数的样本数据并记录采集时间;将同一时间采集的或者采集时间之差(此处的时间之差用差值的绝对值表示)小于设定偏差阈值的所述体感环境温度、调节参数和环境参数的样本数据合并为一组训练数据,得到多组训练数据;
所述进行训练,包括:分批使用所述多组训练数据,将其中一组训练数据中的环境参数和调节参数输入所述第一预测模型时,根据所述第一预测模型输出的体感环境温度和该组训练数据中的体感环境温度的差值计算损失;及,根据所述损失优化所述第一预测模型的参数,确定所述第一预测模型的预测精度达到要求时,结束训练。
本实施例中,基于样本数据得到训练数据时,可以对样本数据进行数据规范化处理。而确定所述第一预测模型的预测精度是否达到要求,可以使用验证数据对所述第一预测模型进行测试,以判断所述第一预测模型的预测精度是否达到要求,验证数据可以基于采集的部分样本数据得到。如果所述预测精度没有达到要求,则调整训练数据和/或模型参数,重新进行训练。
上述实施例中,体感环境温度可以通过部署在用户使用区域的第一温度传感器采集;第一空调的调节参数可以由第一空调直接采集;第一空调的环境参数可以通过第二温度传感器采集,如通过空调回风口处的第二温度传感器采集室内温度,通过设置在室外机的第二温度传感器采集室外温度。
在一些示例,这些温度传感器可以按照第一空调设定的采集参数(如采集时长、采集频次和采集开始时刻)进行采集,此时将同一时刻采集的体感环境温度、调节参数和环境参数的样本数据合并为一组训练数据。在另一些示例中,第一温度传感器和/或第二温度传感器的采集参数可以与第一空调有所不同(但要保证能够满足采集时间之差小于设定偏差阈值的条件,如不满足则需要进行调整),导致体感环境温度、调节参数和环境参数的采集时间可能不同,就需要将采集时间之差小于设定偏差阈值(如30s、1min、2min等)的体感环境温度、调节参数和环境参数的样本数据合并为一组训练数据,以保证样本数据的有效性。其中,体感环境温度、调节参数和环境参数的样本数据的采集时间之差可以用体感环境温度、调节参数和环境参数的采集时间中最早的采集时间和最晚的采集时间的差值来表示。
在上述实施例中,采集时间的确定可以有多种方式。例如,第一温度传感器、第二温度传感器和空调采集各自的样本数据时同时记录采集时间;又如,如果第一温度传感器和/或第二温度传感器采集的样本数据要发送给第一空调或者要通过第一空调上传云服务器,则第一空调可以将这些样本数据的接收时间作为采集时间。再如,如果体感环境温度、调节参数和环境参数的样本数据均要上传至云服务器,则云服务器可以将这些样本数据的接收时间作为采集时间。
在本公开一示例性的实施例中,所述训练方法应用于云服务器,所述调节参数的样本数据由所述第一空调周期性采集和上传所述云服务器,所述体感环境温度和环境参数的样本数据由温度传感器周期性采集和直接上传或通过所述第一空调上传所述云服务器。通常空调的算力、带宽等资源比较有限,由云服务器来执行本实施例的训练方法,可以简化空调设计,节约成本。在其他实施例中,所述训练方法也可以应用于所述第一空调,或者应用于可以与第一空调、温度传感器通信的家庭智能控制器等控制设备中。本公开其他实施例的空调调节参数的训练方法和预测方法也是类似的,也可以应用于云服务器、第一空调或家庭智能控制器等控制设备中。
此外,因为体感环境温度的预测模型是针对特定空调或者说针对特定场景所构建和训练的,预测得到的体感环境温度也要应用于该特定空调或特定场景,因此可以增加标识来区分样本数据相关的空调或场景。在一个示例中,在样本数据中均携带第一空调的标识。在另一个示例中,在样本数据中均携带用户标识,而一个用户可能会有多个空调,因此还可以携带用于区分同一用户下不同空调的标识,如可以用序号表示,使得样本中携带的标识与空调一一对应。再一个示例中,样本数据中也可以同时携带用户标识、所述第一空调的标识及所述场景标识。通过这些标识可以将样本数据与特定空调或特定场景绑定想来,在得到体感环境温度的预测值之后,也可以根据这些标识将该预测值下发给特定空调。
本公开实施例还提供了一种体感环境温度预测模型的训练装置,如图3所示,包括处理器50以及存储有计算机程序的存储器60,其中,所述处理器50执行所述计算机程序时实现如本公开任一实施例所述的体感环境温度预测模型的训练方法。
本公开上述实施例体感环境温度预测模型的训练方法和装置,利用同一空调所在环境下的体感环境温度与空调的调节参数和环境参数之间的关系,采用有监督机器学习的方法创建和训练一个预测模型来表示这种关系,进而就可以将获取的调节参数和环境参数输入该预测模型实现对体感环境温度的预测。
在训练好体感环境温度的预测模型后,就可以基于该预测模型对体感环境温度进行预测。为此,本公开一实施例提供了一种体感环境温度的预测方法,如图4所示,包括:
步骤210,获取第一空调的调节参数和所述第一空调的环境参数;
步骤220,将所述调节参数和环境参数输入体感环境温度的第一预测模型,根据所述第一预测模型的输出得到预测的体感环境温度;
其中,所述体感环境温度指所述第一空调所在室内的用户使用区域的温度,所述第一预测模型按照如本公开任一实施例所述的训练方法得到。
在本实施例的一个示例中,所述调节参数包括所述第一空调的室内设定温度,或者包括所述第一空调的室内设定温度和室内设定风速;所述环境参数包括所述第一空调所在环境的室内温度,或者包括所述第一空调所在环境的室内温度和室外温度。
在本实施例的一个示例中,所述第一预测模型基于单层前馈神经网络、多层前馈神经网络或者卷积神经网络构建。但本公开不局限于此。
在本公开一示例性的实施例中,所述预测方法应用于所述第一空调,所述第一空调保存有云服务器下发的所述第一预测模型。此时第一空调可以从本地获取调节参数,接收第二温度传感器采集的环境参数。
在本公开另一示例性的实施例中,所述预测方法应用云服务器,所述云服务器保存有所述第一预测模型,所述调节参数由所述第一空调周期性采集和上传所述云服务器,所述环境参数由第二温度传感器周期性采集和上传所述云服务器;上传所述调节参数和环境参数时还携带以下标识中的任意一种或更多种:用户标识、所述第一空调的标识、用于区分同一用户下不同空调的标识。这些标识的作用见上文的描述。
本公开一实施例还提供了一种体感环境温度的预测装置,参见图3,包括处理器以及存储有计算机程序的存储器,其中,所述处理器执行所述计算机程序时实现如本公开任一实施例所述的预测方法。
本公开上述实施例基于体感环境温度的预测模型,将获取的第一空调的调节参数(如设定温度和设定风速)和环境参数(如室内温度和室外温度)输入该预测模型就可以得到预测的体感环境温度,无需在用户使用区域布线,也不需要人工去更换电池,方便、准确地得到了体感环境温度。
在得到预测的体感环境温度之后,可以利用该预测的体感环境温度进行空调自动驾驶(即空调自动控制)。为此,本公开实施例还提供了一种空调自动驾驶方法,如图5所示,包括:
步骤310,按照本公开任一实施例所述的体感环境温度的预测方法进行预测,得到预测的体感环境温度;
步骤320,所述第一空调根据所述预测的体感环境温度对室内设定温度和/或室内设定风速进行调节。
在一个示例中,所述第一空调保存有云服务器下发的所述第一预测模型,并按照所述预测方法进行预测,这种方式下第一空调作为一个边缘计算单元,可以执行部分运算功能。这种方式可以减少参数传递所占用的带宽和延迟,但需要第一空调具有较强的运算能力。
在另一示例中,第一空调本地不保存所述第一预测模型,由云服务器按照所述预测方法进行预测,并将所述预测的体感环境温度下发给所述第一空调。这种方式下,第一空调是作为执行机构,只需要根据云服务器的预测结果进行自动控制,对第一空调的运算能力要求不高,但带来的云服务器和空调、温度传感器之间通信流量相对较大。
本公开上述实施例基于预测得到的体感环境温度对室内设定温度和/或室内设定风速进行自动调节,不必在用户使用区域设置温度传感器,就可以准确预测出体感环境温度,并基于预测的体感环境温度进行自动调节,以使用户的体感温度处于适宜的状态。
如前述实施例所述,空调获取体感环境温度后,要想通过自动调节维持一个舒适的体感环境温度,需要空调能够根据室内外环境和使用工况的不同进行智能的调节。在一示例中,采用比较简单的调节方式,例如,在制冷模式下,在所述预测的体感环境温度大于期望的体感环境温度(可以由用户配置或者系统默认配置)时,可以降低室内设定温度,或者增大室内设定风速。这种调节方式难以达到较好的效果。在其他示例中使用一些学习方法,但这些学习方法难以学习用户习惯的舒适的体感环境温度,也难以通过智能调节空调状态来满足用户想要的舒适的体感环境温度。
本申请的发明人经研究发现,反映空调调节状态的参数(即空调的调节参数)包括室内设定温度和室内设定风速,文中称为空调的调节参数。
在一个示例中,考虑到有些场景下,室内设定风速属于用户不常调节的参数,以及有些空调已具备自动调节风速的功能,可以将空调的调节参数设定为室内设定温度。而用户对室内设定温度的调节受到空调所在环境的室内温度、室外温度及体感环境温度等因素的影响。例如,在制冷季节,室内温度或室外温度越高,用户通常会将室内设定温度调整至越低,以此增强空调制冷能力;又如,体感温度越高,用户会将室内设定温度调整至越低,以增强空调制冷能力。
本示例中,用户对空调的调节行为体现在空调的室内设定温度上,该室内设定温度可以根据以下方程来预测:
Tset=f(Tin,Tout,Tsen)
式中,Tset为室内设定温度,Tin为室内温度,Tout为室外温度,Tsen为体感环境温度。其中,Tsen即可以通过部署在用户使用区域的温度传感器采集得到,也可以通过本公开实施例体感环境温度的预测方法预测得到。
在另一示例中,用户对空调的调节行为体现在空调的室内设定风速上,此时上述公式中的Tset为室内设定温度。
在又一示例中,用户对空调的调节行为体现在空调的室内设定温度和室内设定风速上,此时上述公式中的Tset即包括室内设定温度,又包括室内设定风速。
在又一示例中,在一些场景如外墙保温性能良好,室外温度对体感环境温度影响小时,可以忽略室外温度的影响。
为了有效学习用户习惯性的舒适的体感环境温度,本公开实施例先建立和训练空调调节参数的预测模型来学习用户对空调的调节习惯,基于该预测模型得到空调调节参数的预测值,进而根据该预测值对空调的调节参数进行智能调节以达到用户想要的舒适的体感环境温度。
本公开一实施例提出了一种空调调节参数预测模型的训练方法,如图6所示,包括:
步骤410,获取训练数据,所述训练数据基于体感环境温度、第一空调的调节参数和所述第一空调的环境参数的样本数据得到,所述体感环境温度指所述第一空调所在室内的用户使用区域的温度;
步骤420,以所述训练数据中的体感环境温度和环境参数为输入数据,以所述训练数据中的调节参数为目标数据,采用有监督机器学习的方式对空调调节参数的第二预测模型进行训练。
本公开实施例可建立空调调节参数与体感环境温度、环境参数之间的函数关系,有效学习在各种环境参数下用户习惯性的舒适的体感环境温度和空调调节参数。
在本公开一示例性的实施例中,所述调节参数包括所述第一空调的室内设定温度和/或室内设定风速;所述环境参数包括所述第一空调所在环境的室内温度,或者包括所述第一空调所在环境的室内温度和室外温度。
在本公开一示例性的实施例中,所述第二预测模型基于神经网络算法构建,例如可基于单层前馈神经网络、多层前馈神经网络或者卷积神经网络构建;但本公开不局限于此,也可以采用其他类型的有监督机器学习算法的结构创建。
在本公开一示例性的实施例中,所述体感环境温度的样本数据可以通过无线或有线的第一温度传感器采集,所述第一温度传感器部署在所述用户使用区域。
在本公开一示例性的实施例中,
所述获取训练数据,包括:获取周期性采集的所述体感环境温度、调节参数和环境参数的样本数据并记录采集时间;将同一时间采集的或者采集时间之差小于设定偏差阈值的所述体感环境温度、调节参数和环境参数的样本数据合并为一组训练数据,得到多组训练数据;
所述进行训练,包括:分批使用所述多组训练数据,将其中一组训练数据中的体感环境温度和环境参数输入所述第二预测模型时,根据所述第二预测模型输出的调节参数和该组训练数据中的调节参数的差值计算损失;及,根据所述损失优化所述第二预测模型的参数,确定所述第二预测模型的预测精度达到要求时,结束训练。
本实施例中,基于样本数据得到训练数据时,可以对样本数据进行数据规范化处理。而确定所述第二预测模型的预测精度是否达到要求,可以使用验证数据对所述第二预测模型进行测试,在所述第一预测模型的预测精度达到要求时,结束训练;如果所述预测精度没有达到要求,则调整训练数据和/或模型参数,重新进行训练。
上述实施例中,所述体感环境温度、调节参数和环境参数的样本数据可以采用与前述体感环境温度的预测方法相同的方式进行采集,不再赘述。
在本公开一示例性的实施例中,所述训练方法应用于云服务器,所述调节参数的样本数据由所述第一空调周期性采集和上传所述云服务器,所述体感环境温度和环境参数的样本数据由温度传感器周期性采集后直接上传或通过所述第一空调上传所述云服务器;由云服务器来执行本实施例的训练方法,可以简化空调设计,节约成本。
在本公开一示例性的实施例中,上传的所述样本数据中携带以下标识中的任意一种或更多种:用户标识、所述第一空调的标识、用于区分同一用户下不同空调的标识。通过这些标识可以将样本数据与特定空调或特定场景绑定想来,在得到调节参数的预测值之后,也可以根据这些标识将该预测值下发给特定空调以执行智能调节。
本公开实施例还提供了一种空调调节参数预测模型的训练装置,参见图3,包括处理器以及存储有计算机程序的存储器,其中,所述处理器执行所述计算机程序时,可以实现本公开任一实施例所述的空调调节参数预测模型的训练方法。
本公开实施例空调调节参数预测模型的训练方法和装置,利用空调的调节参数与体感环境温度、环境参数之间的函数关系,采用机器学习方法创建和训练一个预测模型表示这种函数关系,实现对空调调节参数的预测,可以有效学习用户习惯性的舒适的体感环境温度,为空调的智能调节提供符合用户调节习惯的空调调节参数的预测值。
在训练好空调调节参数的预测模型后,就可以基于该预测模型对空调调节参数进行预测。为此,本公开一实施例提供了一种空调调节参数的预测方法,如图7所示,包括:
步骤510,获取体感环境温度和第一空调的环境参数。所述体感环境温度指所述第一空调所在室内的用户使用区域的温度;
步骤520,将所述体感环境温度和环境参数输入空调调节参数的第二预测模型,根据所述第二预测模型的输出得到所述第一空调的调节参数的预测值;
其中,所述第二预测模型按照如本公开任一实施例所述的体感环境温度的训练方法得到。
在本公开一示例性的实施例中,所述空调调节参数的预测方法应用于云服务器,所述体感环境温度、环境参数和调节参数分别由温度传感器和第一空调上传给所述云服务器。在其他实施例中,所述空调调节参数的预测方法也可以应用于所述第一空调,或者应用于可以与第一空调、温度传感器通信的家庭智能控制器等控制设备。
在本公开一示例性的实施例中,所述调节参数包括所述第一空调的室内设定温度、或者包括第一空调的的室内设定风速,或者包括第一空调的室内设定温度和室内设定风速;所述环境参数包括所述第一空调所在环境的室内温度,或者包括所述第一空调所在环境的室内温度和室外温度。
在本公开一示例性的实施例中,所述第二预测模型基于单层前馈神经网络、多层前馈神经网络或者卷积神经网络构建。
在本公开一示例性的实施例中,所述获取体感环境温度,包括:
获取部署在所述用户使用区域的第一温度传感器当前采集的体感环境温度;或者
获取云服务器或所述第一空调按照如本公开任一实施例所述的体感环境温度的预测方法,以当前采集的或上一次采集的环境参数和调节参数为输入数据时预测得到的体感环境温度。
本实施例中采用的第一种获取体感环境温度的方式是通过温度传感器实际检测的方式得到的。如果第一温度传感器电池没电了或者损失等原因无法检测,则可以采用第二种获取方式,即利用本公开实施例体感环境温度的预测方法得到预测的体感环境温度。
由于在采用第二种获取方式时,需要先预测出体感环境温度,再将预测的体感环境温度输入空调调节参数的第二预测模型。两者存在一些时间差,对此,至少有二种处理方式:
第一种,可以将上一次采集的环境参数和调节参数输入第一预测模型时,预测得到的体感环境温度(即上一次预测的体感环境温度)作为当前采集的体感环境温度(两者很近似,误差可接受)。将该上一次预测的体感环境温度和和当前采集的环境参数一起输入所述第二预测模型,以得到空调调节参数的预测值。
在一个示例中,上述预测可以用公式表示为:
Tset(i)=f(Tin(i),Tout(i),Tsen(i-1))
Tsen(i-1)=f(Tin(i-1),Tout(i-1),Tset(i-1),ASset(i-1))
第二种,将当前采集的环境参数和调节参数输入第一预测模型,预测得到体感环境温度后,再和当前采集的环境参数一起输入第二预测模型,得到空调调节参数的预测值。也就是说,在一次采集周期内,第一预测模型先进行预测,预测完成后,第二预测模型再进行预测,也是可以的。
本公开一实施例还提供了一种空调调节参数的预测装置,参见图3,包括处理器以及存储有计算机程序的存储器,其中,所述处理器执行所述计算机程序时实现如本公开任一实施例所述的空调调节参数的预测方法。
本公开实施例空调调节参数的预测方法和装置,通过机器学习方法创建和训练一个预测模型表示空调的调节参数与体感环境温度、环境参数之间的关系,从而实现对空调调节参数的预测,可以有效学习用户习惯性的舒适的体感环境温度,得到符合用户调节习惯的空调调节参数的预测值。
在得到预测的空调调节参数之后,可以利用该空调调节参数的预测值进行空调自动驾驶。为此,本公开实施例还提供了一种空调自动驾驶方法,如图8所示,包括:
步骤610、按照本公开任一实施例所述的空调调节参数的预测方法进行预测,得到所述第一空调的调节参数的预测值;
步骤620,所述第一空调根据所述预测值对所述第一空调的调节参数进行调节。
在本公开一示例性的实施例中,所述空调自动驾驶方法应用于所述第一空调,所述第一空调保存有本地训练的或者云服务器下发的所述第二预测模型;在本公开另一示例性的实施例中,所述空调自动驾驶方法应用于包括云服务器和所述第一空调的系统,所述云服务器按照如本公开任一实施例所述的空调调节参数的预测方法进行预测,得到所述第一空调的调节参数的预测值后下发给所述第一空调,由第一空调根据所述预测值对所述第一空调的调节参数进行调节。
在一个示例中,假定按照本公开任一实施例所述的空调调节参数的预测方法进行预测,得到的所述第一空调的室内设定温度的预测值为26度,而第一空调的室内设定温度的当前值为25度,则将第一空调的室内设定温度进行调节时,将该室内设定温度设置为26度。如果室内设定温度的预测值和当前值相同,则进行调节时不需要重新设置当前的室内设定温度。
本公开一实施例还提供了一种空调自动驾驶装置,参见图3,包括处理器以及存储有计算机程序的存储器,其中,所述处理器执行所述计算机程序时实现如本公开任一实施例所述的空调自动驾驶方法。
本公开实施例通过机器学习方法创建和训练一个空调调节参数的预测模型,可以得到符合用户调节习惯的空调调节参数的预测值,进而根据该预测值实现空调的自动驾驶。本公开实施例基于模型的自学习功能智能地实现空调的自动驾驶,可以优化空调的自动控制,在室内的用户使用区域维持一个舒适的体感环境温度,提升用户的体验。
本公开实施例还提供了一种空调,如图9所示,包括:
第一数据获取模块10,设置为获取体感环境温度和本空调的环境参数,所述体感环境温度指第一空调所在室内的用户使用区域的温度;
预测值获取模块20,设置为基于获取的所述体感环境温度和环境参数,获取本空调的空调调节参数的预测值,所述预测值通过如本公开任一实施例所述的空调调节参数的预测方法预测得到;
参数调节模块30,设置为按照所述预测值重新设置本空调的调节参数。
在本公开一示例性的实施例中,所述预测值获取模块获取本空调的空调调节参数的预测值,包括:将获取的所述体感环境温度和环境参数上传云服务器,接收所述云服务器按照如本公开任一实施例所述的空调调节参数的预测方法得到的所述预测值;或者,按照本公开任一实施例所述的空调调节参数的预测方法,将获取的所述体感环境温度和环境参数输入本地的第二预测模型,得到所述预测值。
在本公开一示例性的实施例中,所述第一数据获取模块获取体感环境温度,包括:接收第一温度传感器周期性采集的体感环境温度,所述第一温度传感器部署在本空调所在室内的用户使用区域。
在本公开另一示例性的实施例中,所述第一数据获取模块获取体感环境温度,包括:周期性地获取本空调的环境参数和调节参数,及按照本公开任一实施例所述的体感环境温度的预测方法,将每次获取的所述环境参数和调节参数输入所述第一预测模型,得到预测的体感环境温度;所述预测值获取模块是将当前预测得到的或上一次预测得到的所述体感环境温度作为获取的所述体感环境温度。
本公开实施例的空调可以基于模型的自学习功能智能地实现空调的自动驾驶,可以优化空调的自动控制,在室内的用户使用区域维持一个舒适的体感环境温度,提升用户的体验。
本公开一实施例还提供了一种云服务器,如图10所示,包括:
第一训练模块41,设置为按照本公开任一实施例所述的空调调节参数预测模型的训练方法,得到空调调节参数的第二预测模型;
存储模块43,设置为保存训练得到的所述第二预测模型;
第二数据获取模块45,设置为获取体感环境温度和第一空调的环境参数,所述体感环境温度指第一空调所在室内的用户使用区域的温度;
调节参数预测模块47,设置为按照如本公开任一实施例所述的空调调节参数的预测方法,将获取的所述体感环境温度和环境参数输入所述第二预测模型,得到所述第一空调的调节参数的预测值并下发给所述第一空调。
在本公开一示例性的实施例中,所述云服务器还包括:
第二训练装置49,设置为按照如本公开任一实施例所述的体感环境温度预测模型的训练方法,得到体感环境温度的第一预测模型;
所述存储模块43还设置为保存训练得到的所述第一预测模型;
所述第二数据获取模块45获取体感环境温度,包括:获取本空调的环境参数和调节参数,按照本公开任一实施例所述的预测方法,将获取的所述环境参数和调节参数输入所述第一预测模型,得到预测的体感环境温度;
所述调节参数预测模块47是将当前预测的或者上一次预测的所述体感环境温度输入所述第二预测模型以得到所述预测值。
本公开实施例的云服务器可以训练第一预测模型和第二预测模型,并利用训练好的模型进行体感环境温度和空调调节参数的预测,并基于空调调节参数的预测实现空调的自动驾驶,可以优化空调的自动控制,在室内的用户使用区域维持一个舒适的体感环境温度,提升用户的体验。
本公开一实施例还提供了一种非瞬态计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其中,所述计算机程序时被处理器执行时实现如本公开任一实施例所述的体感环境温度预测模型的训练方法,或者实现如本公开任一实施例所述的体感环境温度的预测方法,或者实现如本公开任一实施例所述的空调调节参数预测模型的训练方法,或者实现如本公开任一实施例所述的空调调节参数的预测方法,或者实现如本公开任一实施例所述的空调自动驾驶方法。
本公开一实施例还提供了一种体感环境温度的预测模型的训练方法,文中也将体感环境温度的预测模型称为虚拟温度传感器或虚拟温度传感器的模型,该虚拟温度传感器用于预测体感环境温度,该方法包括:
步骤一:部署无线温度传感器,采集体感环境温度的样本数据。
将该无线温度传感器放置在室内的用户使用区域,用于采集体感环境温度的样本数据,上传至云端的服务器。采集时长为该无线温度传感器单次充电使用时长或电池的使用寿命或设定的时长,采集频次少于30min每次,将单个或多个采集周期采集的体感环境温度作为构建虚拟温度传感器的目标数据(也可称为目标变量),一个采集周期进行多次采集。
步骤二:采集同期第一空调的调节参数和环境参数的样本数据,根据空调通讯协议上传所述调节参数(如室内设定温度、室内设定风速)和环境参数(如室内温度、室外温度)至云端,上述4个参数作为本实施例构建虚拟温度传感器的输入数据(也可称为输入变量)。
步骤三:合并同期的目标数据与输入数据为同组训练数据。
本步骤中,可以判断单组输入数据的采集时间tinput(i)与单组目标数据的采集时间toutput(i)的偏差,若|tinput(i)-toutput(i)|≤1min,则该单组输入数据和单组目标数据为同期的数据,将同期的部分输入数据与目标数据合并成同组训练数据,若|tinput(i)-toutput(i)|>1min,表示数据不同期,不进行合并。将其他同期的输入数据和目标数据合并为同组验证数据。
步骤四:训练体感环境温度的预测模型。
该预测模型采用单层前馈神经网络,需要构建单层前馈神经预测网络。先计算不同的隐藏层神经元个数k下的预测值与实际值的均方根误差rmse(k),选取满足公式rmse(kmin)=min[rmse(1),rmse(2),…,rmse(30)]的最佳隐藏层神经元个数kmin(即使得均方根误差最小的最佳隐藏层神经元个数),获取最佳预测网络下的权重向量和阈值。本示例中,构建的是含有4个输入层神经元、kmin个隐藏层神经元、1个输出层神经元的预测网络。基于采集的输入数据和目标数据对该预测网络进行训练。
步骤五:验证预测模型的预测精度。
输入验证数据,计算预测模型输出的体感环境温度的预测值和实际值(目标数据中的值)之间的平均绝对误差mae、均方根误差变异系数cv-rmse、相关系数P,标定三者的阈值mae0、cv-rmse0、P0,若同时满足mae≤mae0、cv-rmse≤cv-rmse0、P≥P0,则模型的预测精度达标,否则更新数据、调整参数,重新构建预测模型。
本实施例还提供了一种空调自动驾驶的方法,包括:
步骤一:采集同期的空调的调节参数和环境参数。
本实施例中,根据空调通讯协议上传所述调节参数(如室内设定温度)和环境参数(如室内温度、室外温度)至云端的服务器,其中,室内温度和室外温度作为空调调节参数的预测模型的输入数据,室内设定温度作为所述预测模型的目标数据。
步骤二:部署无线温度传感器,采集体感环境温度的样本数据。
无线温度传感器采集和上传体感环境温度的样本数据至云端,数据的采集时长为无线传感器单次充电的使用时长或电池使用寿命或系统设定的时长,采集频次少于30min/每次,若无线传感器超过使用寿命,则使用本公开实施例的虚拟温度传感器预测的体感环境温度。可以将上一次预测的体感环境温度作为空调调节参数的预测模型的输入数据。
步骤三:构建和训练空调调节参数(本实施例为室内设定温度)的预测模型。
本实施例空调调节参数的预测模型采用单层前馈神经网络。构建所述单层前馈神经网络时,计算不同隐藏层神经元个数b下的预测值与实际值的均方根误差rmse(b),选取rmse(bmin)=min[rmse(1),rmse(2),…,rmse(30)]的最佳隐藏层神经元个数bmin,获取最佳预测网络下的权重向量和阈值,构建含有3个输入层神经元、bmin个隐藏层神经元、1个输出层神经元的单层前馈神经网络作为空调调节参数的预测模型。利用同期的一部分输入数据和目标数据对该预测模型进行训练,同期的另外一部分输入数据和目标数据作为验证数据。
步骤四:验证空调调节参数的预测模型的预测精度。
验证时将验证数据输入空调调节参数的预测模型,计算该预测模型输出的室内设定温度的预测值与目标数据中的实际值之间的平均绝对误差mae′、均方根误差变异系数cv-rmse′、相关系数P′,标定三者的阈值mae0′、cv-rmse0′、P0′,若同时满足mae′≤mae0′、cv-rmse′≤cv-rmse0′、P′≥P0′,则模型预测精度达标,否则更新数据、调整参数,重新构建空调调节参数的预测模型。
步骤五:自动调节室内设定温度。
将获取的室内温度、室外温度和体感环境温度输入满足精度要求的空调调节参数的预测模型,模拟用户的空调调节行为,根据该预测模型输出的室内设定温度的预测值实时调节空调的室内温度设定值,不需要手动调节即可以实现室内设定温度的自动驾驶(即控制控制)。
本公开上述实施例提出的是一种带自学习功能的智能地实现空调自动驾驶的方法。通过使用价格较低的无线温度传感器放在用户使用区域采集体感环境温度并上传到云端,用于分析用户可接受的体感环境温度的规律,并通过学习用户使用空调习惯及适应的体感环境温度的过程,建立空调调节参数的预测模型,利用模型输出的空调调节参数的预测值对空调的调节参数进行调节,得到用户想要得到的舒适的体感环境温度。在温度传感器不能够采集体感环境温度时,空调也可以主动智能地按照虚拟温度传感器的模型,预测体感环境温度。
下面对本实施例构建的预测模型进行详细说明。
■体感环境温度的预测模型
为避免简单线性回归存在拟合精度不高、多变量多重共线性等问题,将上述体感环境温度与空调的调节参数和环境参数之间的关系以单层前馈神经网络的形式表达,表达式如下:
xi=[tin(i),tout(i),tset(i),asset(i)]
式(2)中,tsen为Tsen进行数据规范化处理得到的变量组训练数据,处理方式为将Tsen变量组的每个数都减去这组数的平均值后再除以这组数的均方根,tin,tout,tset,asset变量组的获取同此。wj=[wj1,wj2,…,wjd]T为连接第j个隐藏神经元和输入神经元的权重向量,βj为连接第j个隐藏神经元和输入神经元的权重向量,bj为第j个隐藏神经元的阈值。函数h(·)为sigmoid函数,也可以选用其他激活函数。
该单向前馈神经网络通过神经元、权重向量、阈值向量构建多层预测网络,单层前馈神经网络中包含一个输入神经元层、一个隐藏神经元层、一个输出神经元层,不同的层神经元之间则通过权重和阈值建立联系,如图11所示。
■空调调节参数的预测模型
如前述实施例所述,在一个示例中,空调调节参数的预测可以用以下公式表示:
Tset(i)=f(Tin(i),Tout(i),Tsen(i-1)) (3)
Tsen(i-1)=f(Tin(i-1),Tout(i-1),Tset(i-1),ASset(i-1)) (4)
式(4)表示将上一次采集的环境参数Tin(i-1),Tout(i-1)及调节参数Tset(i-1),ASset(i-1)输入体感环境温度的预测模型,预测得到的体感环境温度即上一次预测的体感环境温度Tsen(i-1)。
式(3)表示将该上一次预测的体感环境温度Tsen(i-1)和和前采集的环境参数Tin(i),Tout(i)一起输入空调调节参数的预测模型,得到本次预测的空调调节参数的预测值Tset(i)。
同样为避免简单线性回归存在的问题,将空调调节参数与体感环境温度、空调的环境参数之间的关系以单层前馈神经网络的形式表示,表达式如下:
x′i=[tin(i),tout(i),tsen(i-1)] (6)
对式(5)中参数的说明参见式(2),不再赘述。式(6)结构与式(3)一致,变量的含义同式(3),而针对的场景由预测体感环境温度变为预测室内设定温度。
图13表示为7月17日至8月19凌晨00:00-07:00某用户的虚拟体感环境温度的模型的预测结果,图14为预测值与真实值的拟合散点图,下表为预测值与真实值之间吻合程度的评价指标。
表1虚拟体感环境温度的模型输出的预测值与真实值之间吻合程度的评价指标:
从上述图、表中可以看出,体感环境温度的预测模型输出的预测值与真实值之间的平均绝对误差为0.266,均方根误差变异系数仅为1.29%,相关系数达0.847,这表明虚拟传感器可以有效地预测出用户在空调使用区域的真实体感温度。
图15为7月17日至8月19凌晨00:00-07:00利用空调调节参数的预测模型进行预测的结果,图16为预测值与真实值的拟合散点图,下表为室内设定温度的预测值与真实值之间吻合程度的评价指标。
从上述图、表中可以看出,空调设定温度自动驾驶预测值与真实值之间的平均绝对误差为0.206,均方根误差变异系数仅为0.98%,相关系数达0.820,这表明空调设定温度自动驾驶能有效地模拟用户想要的空调调节状态。
综上所述,本公开实施例提出一种带主动智能自学习功能的空调自动驾驶优化控制方法。在学习用户使用空调习惯及室内适应的体感环境温度的习惯的过程中,可以优先用无线温度传感器放在用户使用区域采集体感环境温度。并上传体感环境温度到云端进行分析,确定用户可接受的体感环境温度的规律。空调自身的调节参数也同步上传到云端进行分析,确定用户调节空调调节参数的使用习惯。
在用于采集体感环境温度的第一温度传感器工作正常的情况下,可以直接用过第一温度传感器实时传输体感环境温度(替代空调自身的室内环境温度T1),用于空调的直接调节温度,以使用户感受到的温度为期望的体感环境温度。
随着建筑负荷的变化、长周期的采集空调调节参数及用户使用区域的体感环境温度,建立主动智能的预测模型。既可以通过学习用户使用空调调节习惯,预测出用户将感受到的体感环境温度,也可以通过用户想要得到的舒适的体感环境温度,预测出空调调节状态。
在学习完用户区域使用习惯模型后,该温度传感器有可能电池失效或用户因为各种原因没有运维人员去维护温度传感器时,该区域的控制也可以采用学习到的智能模型预测的体感环境温度,替代原来基于温度传感器采集的体感环境温度来控制空调调节参数,这样人员无需操作,空调也可以主动智能的按照虚拟温度传感器的模型预测的体感环境温度,主动调节自身参数,达到用户需要的舒适的体感环境温度。这样即使无线温度传感器在使用几个月后没有电失效了,只要能有较长的制冷周期的采集数据结果,也可以建立虚拟温度传感器的模型并进行大数据建模调节空调的作用。
在本公开上述任意一个或多个示例性实施例中,所描述的功能可以硬件、软件、固件或其任一组合来实施。如果以软件实施,那么功能可作为一个或多个指令或代码存储在计算机可读介质上或经由计算机可读介质传输,且由基于硬件的处理单元执行。计算机可读介质可包含对应于例如数据存储介质等有形介质的计算机可读存储介质,或包含促进计算机程序例如根据通信协议从一处传送到另一处的任何介质的通信介质。以此方式,计算机可读介质通常可对应于非暂时性的有形计算机可读存储介质或例如信号或载波等通信介质。数据存储介质可为可由一个或多个计算机或者一个或多个处理器存取以检索用于实施本公开中描述的技术的指令、代码和/或数据结构的任何可用介质。计算机程序产品可包含计算机可读介质。
举例来说且并非限制,此类计算机可读存储介质可包括RAM、ROM、EEPROM、CD-ROM或其它光盘存储装置、磁盘存储装置或其它磁性存储装置、快闪存储器或可用来以指令或数据结构的形式存储所要程序代码且可由计算机存取的任何其它介质。而且,还可以将任何连接称作计算机可读介质举例来说,如果使用同轴电缆、光纤电缆、双绞线、数字订户线(DSL)或例如红外线、无线电及微波等无线技术从网站、服务器或其它远程源传输指令,则同轴电缆、光纤电缆、双纹线、DSL或例如红外线、无线电及微波等无线技术包含于介质的定义中。然而应了解,计算机可读存储介质和数据存储介质不包含连接、载波、信号或其它瞬时(瞬态)介质,而是针对非瞬时有形存储介质。如本文中所使用,磁盘及光盘包含压缩光盘(CD)、激光光盘、光学光盘、数字多功能光盘(DVD)、软磁盘或蓝光光盘等,其中磁盘通常以磁性方式再生数据,而光盘使用激光以光学方式再生数据。上文的组合也应包含在计算机可读介质的范围内。
可由例如一个或多个数字信号理器(DSP)、通用微处理器、专用集成电路(ASIC)现场可编程逻辑阵列(FPGA)或其它等效集成或离散逻辑电路等一个或多个处理器来执行指令。因此,如本文中所使用的术语“处理器”可指上述结构或适合于实施本文中所描述的技术的任一其它结构中的任一者。另外,在一些方面中,本文描述的功能性可提供于经配置以用于编码和解码的专用硬件和/或软件模块内,或并入在组合式编解码器中。并且,可将所述技术完全实施于一个或多个电路或逻辑元件中。
本公开实施例的技术方案可在广泛多种装置或设备中实施,包含无线手机、集成电路(IC)或一组IC(例如,芯片组)。本公开实施例中描各种组件、模块或单元以强调经配置以执行所描述的技术的装置的功能方面,但不一定需要通过不同硬件单元来实现。而是,如上所述,各种单元可在编解码器硬件单元中组合或由互操作硬件单元(包含如上所述的一个或多个处理器)的集合结合合适软件和/或固件来提供。
Claims (28)
1.一种体感环境温度预测模型的训练方法,包括:
获取训练数据,所述训练数据基于体感环境温度、第一空调的调节参数和所述第一空调的环境参数的样本数据得到,所述体感环境温度指所述第一空调所在室内的用户使用区域的温度,所述用户使用区域的温度是通过部署在用户使用区域的温度传感器采集;
以所述训练数据中的调节参数和环境参数为输入数据,以所述训练数据中的体感环境温度为目标数据,采用有监督机器学习的方式对体感环境温度的第一预测模型进行训练;
其中,所述调节参数包括所述第一空调的室内设定温度,或者包括所述第一空调的室内设定温度和室内设定风速。
2.如权利要求1所述的训练方法,其特征在于:
所述环境参数包括所述第一空调所在环境的室内温度,或者包括所述第一空调所在环境的室内温度和室外温度。
3.如权利要求1所述的训练方法,其特征在于:
所述第一预测模型基于单层前馈神经网络、多层前馈神经网络或者卷积神经网络构建。
4.如权利要求1所述的训练方法,其特征在于:
所述获取训练数据,包括:获取周期性采集的所述体感环境温度、调节参数和环境参数的样本数据并记录采集时间;将同一时间采集的或者采集时间之差小于设定偏差阈值的所述体感环境温度、调节参数和环境参数的样本数据合并为一组训练数据,得到多组训练数据;
所述进行训练,包括:分批使用所述多组训练数据,将其中一组训练数据中的环境参数和调节参数输入所述第一预测模型时,根据所述第一预测模型输出的体感环境温度和该组训练数据中的体感环境温度的差值计算损失;及,根据所述损失优化所述第一预测模型的参数,确定所述第一预测模型的预测精度达到要求时,结束训练。
5.如权利要求1所述的训练方法,其特征在于:
所述训练方法应用于云服务器,所述调节参数的样本数据由所述第一空调周期性采集和上传所述云服务器,所述体感环境温度和环境参数的样本数据由温度传感器周期性采集后直接上传或通过所述第一空调上传所述云服务器;上传的所述样本数据中携带以下标识中的任意一种或更多种:用户标识、所述第一空调的标识、用于区分同一用户下不同空调的标识。
6.一种体感环境温度预测模型的训练装置,其特征在于,包括处理器以及存储有计算机程序的存储器,其中,所述处理器执行所述计算机程序时实现如权利要求1至5中任一所述的体感环境温度预测模型的训练方法。
7.一种体感环境温度的预测方法,包括:
获取第一空调的调节参数和所述第一空调的环境参数;
将所述调节参数和环境参数输入体感环境温度的第一预测模型,根据所述第一预测模型的输出得到预测的体感环境温度;
其中,所述体感环境温度指所述第一空调所在室内的用户使用区域的温度,所述第一预测模型按照如权利要求1至5中任一所述的体感环境温度的训练方法得到。
8.如权利要求7所述的预测方法,其特征在于:
所述预测方法应用于所述第一空调,所述第一空调保存有云服务器下发的所述第一预测模型;或者
所述预测方法应用云服务器,所述云服务器保存有所述第一预测模型,所述调节参数由所述第一空调周期性采集和上传所述云服务器,所述环境参数由第二温度传感器周期性采集和上传所述云服务器;上传所述调节参数和环境参数时还携带以下标识中的任意一种或更多种:用户标识、所述第一空调的标识、用于区分同一用户下不同空调的标识。
9.一种体感环境温度的预测装置,其特征在于,包括,包括处理器以及存储有计算机程序的存储器,其中,所述处理器执行所述计算机程序时实现如权利要求7或8所述的体感环境温度的预测方法。
10.一种空调自动驾驶方法,包括:
按照如权利要求7或8所述的体感环境温度的预测方法进行预测,得到预测的体感环境温度;
所述第一空调根据所述预测的体感环境温度对调节参数进行自动调节,所述调节参数包括室内设定温度和/或室内设定风速;
其中,所述第一空调保存有云服务器下发的所述第一预测模型,并按照所述预测方法进行预测;或者,由云服务器按照所述预测方法进行预测,并将所述预测的体感环境温度下发给所述第一空调。
11.一种空调调节参数预测模型的训练方法,包括:
获取训练数据,所述训练数据基于体感环境温度、第一空调的调节参数和所述第一空调的环境参数的样本数据得到,所述体感环境温度指所述第一空调所在室内的用户使用区域的温度,所述用户使用区域的温度是通过部署在用户使用区域的温度传感器采集;
以所述训练数据中的体感环境温度和环境参数为输入数据,以所述训练数据中的调节参数为目标数据,采用有监督机器学习的方式对空调调节参数的第二预测模型进行训练;
其中,所述环境参数包括所述第一空调所在环境的室内温度,或者包括所述第一空调所在环境的室内温度和室外温度。
12.如权利要求11所述的训练方法,其特征在于:
所述调节参数包括所述第一空调的室内设定温度和/或室内设定风速。
13.如权利要求11所述的训练方法,其特征在于:
所述获取训练数据,包括:获取周期性采集的所述体感环境温度、调节参数和环境参数的样本数据并记录采集时间;将同一时间采集的或者采集时间之差小于设定偏差阈值的所述体感环境温度、调节参数和环境参数的样本数据合并为一组训练数据,得到多组训练数据;
所述进行训练,包括:分批使用所述多组训练数据,将其中一组训练数据中的体感环境温度和环境参数输入所述第二预测模型时,根据所述第二预测模型输出的调节参数和该组训练数据中的调节参数的差值计算损失;及,根据所述损失优化所述第二预测模型的参数,确定所述第二预测模型的预测精度达到要求时,结束训练。
14.如权利要求11所述的训练方法,其特征在于:
所述第二预测模型基于单层前馈神经网络、多层前馈神经网络或者卷积神经网络构建;
所述体感环境温度的样本数据通过无线或有线的第一温度传感器采集,所述第一温度传感器部署在所述用户使用区域。
15.如权利要求11所述的训练方法,其特征在于:
所述训练方法应用于云服务器,所述调节参数的样本数据由所述第一空调周期性采集和上传所述云服务器,所述体感环境温度和环境参数的样本数据由温度传感器周期性采集后直接上传或通过所述第一空调上传所述云服务器;上传的所述样本数据中携带以下标识中的任意一种或更多种:用户标识、所述第一空调的标识、用于区分同一用户下不同空调的标识。
16.一种空调调节参数预测模型的训练装置,其特征在于,包括处理器以及存储有计算机程序的存储器,其中,所述处理器执行所述计算机程序时实现如权利要求11至15中任一所述的训练方法。
17.一种空调调节参数的预测方法,包括:
获取体感环境温度和第一空调的环境参数,所述体感环境温度指所述第一空调所在室内的用户使用区域的温度;
将所述体感环境温度和环境参数输入空调调节参数的第二预测模型,根据所述第二预测模型的输出得到所述第一空调的调节参数的预测值;
其中,所述第二预测模型按照如权利要求11至15中任一所述的训练方法得到。
18.如权利要求17所述的预测方法,其特征在于:
所述获取体感环境温度,包括:
获取部署在所述用户使用区域的第一温度传感器当前采集的体感环境温度;或者
获取云服务器或所述第一空调按照如权利要求7或8所述的体感环境温度的预测方法,以当前采集的或上一次采集的环境参数和调节参数为输入数据时预测得到的体感环境温度。
19.一种空调调节参数的预测装置,应用于云服务器或空调,其特征在于,所述预测装置包括处理器以及存储有计算机程序的存储器,其中,所述处理器执行所述计算机程序时实现如权利要求17或18所述的空调调节参数的预测方法。
20.一种空调自动驾驶方法,包括:
按照如权利要求17或18所述的空调调节参数的预测方法进行预测,得到所述第一空调的调节参数的预测值;
所述第一空调根据所述预测值对所述第一空调的调节参数进行调节。
21.如权利要求20所述的空调自动驾驶方法,其特征在于:
所述空调自动驾驶方法应用于所述第一空调,所述第一空调保存有本地训练的或者云服务器下发的所述第二预测模型;或者
所述空调自动驾驶方法应用于包括云服务器和所述第一空调的系统,所述云服务器按照如权利要求17或18所述的空调调节参数的预测方法进行预测,得到所述第一空调的调节参数的预测值后下发给所述第一空调。
22.一种空调自动驾驶装置,其特征在于,包括处理器以及存储有计算机程序的存储器,其中,所述处理器执行所述计算机程序时实现如权利要求20或21所述的空调自动驾驶方法。
23.一种空调,其特征在于,包括:
第一数据获取模块,设置为获取体感环境温度和本空调的环境参数,所述体感环境温度指第一空调所在室内的用户使用区域的温度;
预测值获取模块,设置为基于获取的所述体感环境温度和环境参数,获取本空调的空调调节参数的预测值,所述预测值通过如权利要求17或18所述的预测方法预测得到;
参数调节模块,设置为按照所述预测值重新设置本空调的调节参数。
24.如权利要求23所述的空调,其特征在于:
所述预测值获取模块获取本空调的空调调节参数的预测值,包括:
将获取的所述体感环境温度和环境参数上传云服务器,接收所述云服务器按照如权利要求17或18所述的空调调节参数的预测方法得到的所述预测值;或者
按照如权利要求17或18所述的空调调节参数的预测方法,将获取的所述体感环境温度和环境参数输入本地的第二预测模型,得到所述预测值。
25.如权利要求23所述的空调,其特征在于:
所述第一数据获取模块获取体感环境温度,包括:接收第一温度传感器周期性采集的体感环境温度,所述第一温度传感器部署在本空调所在室内的用户使用区域;或者
所述第一数据获取模块获取体感环境温度,包括:周期性地获取本空调的环境参数和调节参数,及按照如权利要求7或8所述的体感环境温度的预测方法,将每次获取的所述环境参数和调节参数输入所述第一预测模型,得到预测的体感环境温度;所述预测值获取模块是将当前预测得到的或上一次预测得到的所述体感环境温度作为获取的所述体感环境温度。
26.一种云服务器,其特征在于,包括:
第一训练模块,设置为按照如权利要求11至15中任一所述的空调调节参数预测模型的训练方法,得到空调调节参数的第二预测模型;
第二数据获取模块,设置为获取体感环境温度和第一空调的环境参数,所述体感环境温度指第一空调所在室内的用户使用区域的温度;
调节参数预测模块,设置为按照如权利要求17或18所述的空调调节参数的预测方法,将获取的所述体感环境温度和环境参数输入所述第二预测模型,得到所述第一空调的调节参数的预测值并下发给所述第一空调。
27.如权利要求26所述的云服务器,其特征在于:
所述云服务器还包括:第二训练装置,设置为按照如权利要求1至5中任一所述的体感环境温度预测模型的训练方法,得到体感环境温度的第一预测模型;
所述第二数据接收模块获取体感环境温度,包括:获取本空调的环境参数和调节参数,按照如权利要求7或8所述的预测方法,将获取的所述环境参数和调节参数输入所述第一预测模型,得到预测的体感环境温度;
所述调节参数预测模块是将当前预测的或者上一次预测的所述体感环境温度输入所述第二预测模型以得到所述预测值。
28.一种非瞬态计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序时被处理器执行时实现如权利要求1至5中任一所述的体感环境温度预测模型的训练方法,或者实现如权利要求7或8所述的体感环境温度的预测方法,或者实现如权利要求11至15中任一所述的空调调节参数预测模型的训练方法,或者实现如权利要求17或18所述的空调调节参数的预测方法,或者实现如权利要求10或20或21所述的空调自动驾驶方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111574529.0A CN114322260B (zh) | 2021-12-21 | 2021-12-21 | 空调自动驾驶、模型训练和预测方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111574529.0A CN114322260B (zh) | 2021-12-21 | 2021-12-21 | 空调自动驾驶、模型训练和预测方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114322260A CN114322260A (zh) | 2022-04-12 |
CN114322260B true CN114322260B (zh) | 2023-09-08 |
Family
ID=81053729
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111574529.0A Active CN114322260B (zh) | 2021-12-21 | 2021-12-21 | 空调自动驾驶、模型训练和预测方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114322260B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115183422A (zh) * | 2022-05-31 | 2022-10-14 | 深圳市浩若思科技有限公司 | 一种调节智能家居系统的方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107166636A (zh) * | 2017-04-26 | 2017-09-15 | 北京小米移动软件有限公司 | 空调控制方法及装置 |
CN111144543A (zh) * | 2019-12-30 | 2020-05-12 | 中国移动通信集团内蒙古有限公司 | 一种数据中心空调末端温度控制方法、装置及介质 |
CN111486554A (zh) * | 2020-04-21 | 2020-08-04 | 同济人工智能研究院(苏州)有限公司 | 一种基于在线学习的空调温度无感化控制方法 |
CN111895583A (zh) * | 2020-08-14 | 2020-11-06 | 珠海格力电器股份有限公司 | 空调器的控制方法及装置、空调器 |
CN112050397A (zh) * | 2020-08-27 | 2020-12-08 | 浙江省邮电工程建设有限公司 | 一种机房温度调控方法及系统 |
CN113375300A (zh) * | 2020-03-09 | 2021-09-10 | 青岛海尔空调器有限总公司 | 空调器的智能控制方法与空调器的智能控制设备 |
CN113566375A (zh) * | 2021-07-26 | 2021-10-29 | 海信(广东)空调有限公司 | 空调器控制方法和控制装置和空调器 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10718542B2 (en) * | 2018-04-13 | 2020-07-21 | Johnson Controls Technology Company | Building management system with system identification using multi-step ahead error prediction |
-
2021
- 2021-12-21 CN CN202111574529.0A patent/CN114322260B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107166636A (zh) * | 2017-04-26 | 2017-09-15 | 北京小米移动软件有限公司 | 空调控制方法及装置 |
CN111144543A (zh) * | 2019-12-30 | 2020-05-12 | 中国移动通信集团内蒙古有限公司 | 一种数据中心空调末端温度控制方法、装置及介质 |
CN113375300A (zh) * | 2020-03-09 | 2021-09-10 | 青岛海尔空调器有限总公司 | 空调器的智能控制方法与空调器的智能控制设备 |
CN111486554A (zh) * | 2020-04-21 | 2020-08-04 | 同济人工智能研究院(苏州)有限公司 | 一种基于在线学习的空调温度无感化控制方法 |
CN111895583A (zh) * | 2020-08-14 | 2020-11-06 | 珠海格力电器股份有限公司 | 空调器的控制方法及装置、空调器 |
CN112050397A (zh) * | 2020-08-27 | 2020-12-08 | 浙江省邮电工程建设有限公司 | 一种机房温度调控方法及系统 |
CN113566375A (zh) * | 2021-07-26 | 2021-10-29 | 海信(广东)空调有限公司 | 空调器控制方法和控制装置和空调器 |
Also Published As
Publication number | Publication date |
---|---|
CN114322260A (zh) | 2022-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102553299B1 (ko) | 데이터 학습 서버 및 이의 학습 모델 생성 및 이용 방법 | |
US10584892B2 (en) | Air-conditioning control method, air-conditioning control apparatus, and storage medium | |
US11268713B2 (en) | Smart home air conditioner automatic control system based on artificial intelligence | |
US10909153B2 (en) | Methods and systems for identification and correction of controlled system data | |
Purdon et al. | Model-free HVAC control using occupant feedback | |
Turhan et al. | Development of a personalized thermal comfort driven controller for HVAC systems | |
EP3025099B1 (en) | Control device and method for buildings | |
CN103398451A (zh) | 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 | |
CN105571048A (zh) | 群动态环境控制 | |
CN109140660B (zh) | 用于空调的智能控温方法及装置、空调、存储介质 | |
WO2018218334A1 (en) | Method and system for generating a building energy model for a client building | |
CN104075402A (zh) | 智能空调控制方法和系统 | |
US20190278242A1 (en) | Training server and method for generating a predictive model for controlling an appliance | |
WO2017056403A1 (ja) | 空調制御方法、空調制御装置及び空調制御プログラム | |
CN114322260B (zh) | 空调自动驾驶、模型训练和预测方法、装置及设备 | |
CN114442697B (zh) | 一种温度控制方法、设备、介质及产品 | |
JP2020106153A (ja) | 空調制御システム及び方法 | |
Deng et al. | Toward smart multizone HVAC control by combining context-aware system and deep reinforcement learning | |
CN112013513A (zh) | 空气调节设备及其自动控制方法、终端控制设备 | |
KR20210049769A (ko) | 인공지능 기반 스마트 홈 에어컨 자동 제어 시스템 | |
JP7483104B2 (ja) | 制御システム | |
TW202204832A (zh) | 空調系統控制方法 | |
JP7340747B2 (ja) | 制御方法、制御プログラムおよび空調制御装置 | |
Chenaru et al. | IoT gateway for personalized user comfort management in smart home applications | |
Rosenberger et al. | Personal comfort node: prototyping of a comfort sensor for HVAC control |
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 |