CN114442697B - 一种温度控制方法、设备、介质及产品 - Google Patents
一种温度控制方法、设备、介质及产品 Download PDFInfo
- Publication number
- CN114442697B CN114442697B CN202210110769.3A CN202210110769A CN114442697B CN 114442697 B CN114442697 B CN 114442697B CN 202210110769 A CN202210110769 A CN 202210110769A CN 114442697 B CN114442697 B CN 114442697B
- Authority
- CN
- China
- Prior art keywords
- temperature
- indoor
- current
- data
- target user
- 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
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D23/00—Control of temperature
- G05D23/19—Control of temperature characterised by the use of electric means
- G05D23/20—Control of temperature characterised by the use of electric means with sensing elements having variation of electric or magnetic properties with change of temperature
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本申请公开了一种温度控制方法、设备、介质及产品,应用于智能家居设备技术领域,用以解决现有技术中的智能家居设备的温度控制方法存在的温度控制不理想、用户体验较差的问题。具体为:基于当前的室内环境数据和当前的室外气象数据,采用偏好温度与室内环境数据和室外气象数据之间的关系模型,确定目标用户当前的偏好温度;基于目标用户当前的偏好温度,调节智能家居设备的参数以控制室内温度。这样,基于当前的室内环境数据和当前的室外气象数据,采用偏好温度与室内环境数据和室外气象数据之间的关系模型来确定目标用户当前的偏好温度,可以使确定出的偏好温度更符合目标用户的使用习惯,从而可以营造出更满足个人需求的温度环境。
Description
技术领域
本申请涉及智能家居技术领域,尤其涉及一种温度控制方法、设备、介质及产品。
背景技术
智能家居是物联网技术融入家居设计的产物,通过物联网技术将与家居生活相关的如音视频设备、照明设备、安防设备、清扫设备、窗帘、暖气、家电等智能家居设备结合在一起,提供全方位的智能控制功能,实现了“以人为本”的全新家居生活体验。
目前,在智能家居的控制系统中,针对暖气、空调等用于调节室内温度的智能家居设备的温度控制至关重要,然而,现有的温度控制方法对智能家居设备的温度控制不是很准确,不能满足用户对室内温度的个性化要求,用户体验较差。
发明内容
本申请实施例提供了一种温度控制方法、设备、介质及产品,用以解决现有技术中的智能家居设备的温度控制方法存在温度控制不理想、用户体验较差的问题。
本申请实施例提供的技术方案如下:
一方面,本申请实施例提供了一种温度控制方法,包括:
获取当前的室内环境数据和当前的室外气象数据;
基于当前的室内环境数据和当前的室外气象数据,确定目标用户当前的偏好温度;其中,当前的偏好温度是基于偏好温度与室内环境数据和室外气象数据之间的关系模型确定,关系模型是基于历史的室内环境数据、历史的室外气象数据和目标用户历史的偏好温度确定;
基于目标用户当前的偏好温度,调节智能家居设备的参数以控制室内温度。
另一方面,本申请实施例提供了一种温度控制设备,包括:存储器、处理器和存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现本申请实施例提供的温度控制方法。
另一方面,本申请实施例还提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机指令,计算机指令被处理器执行时实现本申请实施例提供的温度控制方法。
另一方面,本申请实施例还提供了一种计算机程序产品,包括计算机程序,计算机程序被处理器执行时实现本申请实施例提供的温度控制方法。
本申请实施例的有益效果如下:
本申请实施例中,利用基于历史的室内环境数据、历史的室外气象数据和目标用户历史的偏好温度确定出的偏好温度与室内环境数据和室外气象数据之间的关系模型来确定目标用户当前的偏好温度,可以使确定出的目标用户当前的偏好温度更符合目标用户的使用习惯,进而在基于目标用户当前的偏好温度调节智能家居设备的参数进行室内温度控制时,可以营造出满足个人需求的温度环境,从而可以实现千人千面的室内温度控制。
本申请的其它特征和优点将在随后的说明书中阐述,并且,部分地可以从说明书中变得显而易见,或者通过实施本申请而了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中特别指出的结构来实现和获得。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本申请实施例中温度传感器和空气质量传感器安装位置示意图;
图2为本申请实施例中关系模型确定方法的概况流程示意图;
图3为本申请实施例中温度控制方法的概况流程示意图;
图4a为本申请实施例中偏好温度曲线的示意图;
图4b为本申请实施例中全屋温度热力图的示意图;
图5为本申请实施例中温度控制方法的具体流程示意图;
图6为本申请实施例中温度控制装置的功能结构示意图;
图7为本申请实施例中温度控制设备的硬件结构示意图。
具体实施方式
为了使本申请的目的、技术方案及有益效果更加清楚明白,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,并不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
为便于本领域技术人员更好地理解本申请,下面先对本申请涉及的技术用语进行简单介绍。
---传感器,是能够检测被测信息并将被测信息转换成电信号等形式输出的检测装置,本申请实施例中,传感器可以是同时具备温度检测和环境数据检测两种功能的传感器,也可以是具备温度检测功能或环境数据检测功能的传感器,此种情况下,传感器包括但不限于温度传感器和空气质量传感器;其中:
温度传感器,是能够检测温度并将温度转换成电信号等形式输出的传感器,本申请实施例中,考虑到温度在空间内的不均匀性,可以在室内区域的多个预设位置上安装温度传感器,例如图1所示,在每个房间的预设位置上分别安装一个温度传感器,从而可以利用各预设位置上安装的温度传感器采集室内温度,进而可以获得各预设位置处的室内温度;
空气质量传感器,是能够检测空气中的湿度、细颗粒物(PM2.5)、一氧化碳(CO)、二氧化碳(CO2)、二氧化硫(SO2)含量等环境数据并将环境数据转换成电信号等形式输出的传感器,本申请实施例中,考虑到环境数据对温度控制的影响,可以在室内区域安装空气质量传感器,具体可以在智能家居设备的内部或设定距离内安装空气质量传感器,例如图1所示,在距离智能家居设备1m内安装空气质量传感器,从而可以利用安装在距离智能家居设备1m内的空气质量传感器采集湿度、PM2.5、CO、CO2、SO2含量等环境数据,进而可以获得室内环境数据。
---关系模型,是基于历史的室内环境数据、历史的室外气象数据和目标用户历史的偏好温度确定出的表征偏好温度与室内环境数据和室外气象数据之间的关联关系的模型,本申请实施例中,关系模型可以是机器学习模型,也可以是数学模型。
---全屋温度热力图,是基于所有位置上的室内温度生成的表征全屋温度分布的图像。
---偏好温度曲线,是基于关系模型确定出的目标用户的各偏好温度生成的一条表征目标用户的偏好温度与时间之间的关系的曲线。
---智能家居控制客户端,是在手机、平板电脑、计算机等终端设备上运行的支持用户对暖气、空调等智能家居设备进行温度控制、开关机控制等各种控制的应用软件或小程序。
---智能家居控制服务器,是为智能家居控制客户端和暖气、空调等智能家居设备提供计算服务、数据库服务等各类服务的后台运行服务器;本申请实施例中,智能家居控制服务器可以是但不限于是云服务器等。
---温度控制设备,是通过调节暖气、空调等智能家居设备的参数进行室内温度控制的装置;本申请实施例中,当智能家居设备不具备计算能力时,温度控制设备可以是智能家居控制服务器,当智能家居设备具备计算能力时,温度控制设备还可以是集成在智能家居设备中使智能家居设备具备模型确定以及温度控制功能的模块装置。实际应用中,当温度控制设备是集成在智能家居设备中的模块装置时,智能家居设备可以通过温度控制设备实现关系模型的确定以及基于关系模型的参数调节以达到室内温度控制的目的;当温度控制设备是智能家居控制服务器时,智能家居控制服务器可以实现关系模型的确定以及基于关系模型对智能家居设备的参数调节以达到室内温度控制的目的。
需要说明的是,本申请中提及的“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。应该理解这样的用语在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,本申请中提及的“和/或”,描述的是关联对象的关联关系,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。字符“/”一般表示前后关联对象是一种“或”的关系。
在介绍了本申请涉及的技术用语后,接下来,对本申请实施例的应用场景和设计思想进行简单介绍。
智能家居设备的室内温度控制方法包括以下几种:方法一、将温度传感器安装在智能家居设备中,并将温度传感器反馈的温度作为目标温度进行温度控制;方法二、通过设计独立的温度探测器携带至待检测区域检测周围温度,并通过红外信号等方式传输温度后作为目标温度进行温度控制;方法三、获取各地域人体温度值和各地域环境参数,并通过机器学习方法对智能家居设备进行温度控制。上述三种智能家居设备的温度控制方法虽然能够实现对智能家居设备的自动化温度控制,但均没有考虑到用户的个性化需求,无法实现千人千面的温度控制。
为此,本申请实施例中,温度控制设备先基于历史的室内环境数据、历史的室外气象数据和目标用户历史的偏好温度,确定偏好温度与室内环境数据和室外气象数据之间的关系模型后,再基于当前的室内环境数据和当前的室外气象数据,采用该关系模型确定目标用户当前的偏好温度,并基于目标用户当前的偏好温度,调节智能家居设备的参数以控制室内温度。这样,温度控制设备利用基于历史的室内环境数据、历史的室外气象数据和目标用户历史的偏好温度确定的关系模型来确定目标用户当前的偏好温度,可以使确定出的偏好温度更符合目标用户的使用习惯,进而在基于关系模型确定出的偏好温度调节智能家居设备的参数进行室内温度控制时,可以营造出满足个人需求的温度环境,从而可以实现千人千面的室内温度控制。
在介绍了本申请实施例的应用场景和设计思想之后,下面对本申请实施例提供的技术方案进行详细说明。
为了能够实现千人千面的室内温度控制,本申请实施例中,温度控制设备在调节智能家居设备的参数以控制室内温度之前,先建立一个偏好温度与室内环境数据和室外气象数据之间的关系模型,接下来,以该关系模型为机器学习模型为例,对关系模型确定方法进行简单介绍,参阅图2所示,本申请实施例提供的关系模型确定方法的概况流程如下:
步骤201:温度控制设备获取按照设定周期采集的各训练样本数据;其中,每一训练样本数据包括同一周期采集的历史的室内环境数据、历史的室外气象数据和目标用户历史的偏好温度。
实际应用中,当目标用户为新用户时,温度控制设备可以通过智能家居控制客户端或者智能手表等智能穿戴设备获取目标用户所在位置后,获取与目标用户所在位置在同一地理区域的其他各用户历史的室内环境数据、历史的室外气象数据和历史的偏好温度作为样本数据;当目标用户为老用户时,温度控制设备可以获取按照设定周期采集的目标用户历史的室内环境数据、历史的室外气象数据和历史的偏好温度作为样本数据,具体的,温度控制设备可以获取安装在智能家居设备的设定区域内的空气传感器按照设定周期采集的历史的室内环境数据以及与历史的室内环境数据在同一周期采集的历史的室外气象数据和历史的偏好温度作为样本数据。
进一步地,温度控制设备获得各样本数据后,还可以对各样本数据进行数据清洗、缺失值填充等处理,之后,即可基于处理后的各样本数据,获得各训练样本数据。在一个实施例中,温度控制设备可以将各样本数据均作为训练样本数据,在另一个实施例中,为了提高关系模型的精度,温度控制设备还可以从各样本数据中选取部分样本数据作为训练样本数据,而另一部分样本数据作为验证样本数据对关系模型进行优化。
步骤202:温度控制设备基于各训练样本数据,对初始关系模型迭代执行机器学习操作;其中,机器学习操作包括:从各训练样本数据中选取目标训练样本数据,并将目标训练样本数据包含的历史的室内环境数据和历史的室外气象数据输入初始关系模型,得到初始关系模型确定的偏好温度后,基于初始关系模型确定的偏好温度和目标训练样本数据包含的目标用户历史的偏好温度,采用损失函数确定当前的损失值,并基于当前的损失值,更新初始关系模型的各模型参数。
实际应用中,交叉熵损失函数能够衡量初始关系模型确定的偏好温度和目标训练样本数据包含的目标用户历史的偏好温度之间的差异程度,损失值越小,初始关系模型确定的偏好温度的精准度就越高。基于此,本申请实施例中,温度控制设备可以采用交叉熵损失函数,计算初始关系模型确定的偏好温度和目标训练样本数据包含的目标用户历史的偏好温度之间的损失值,并基于当前的损失值,更新初始关系模型的各模型参数。
步骤203:温度控制设备判断是否满足迭代终止条件;若是,则执行步骤204;若否,则返回步骤202。
在具体实施时,在一个实施例中,温度控制设备可以通过判断损失值是否达到预设要求(例如小于预设阈值,该预设阈值可以根据实际需求灵活设定),来判断是否满足迭代终止条件,当损失值达到预设要求时,确定满足迭代终止条件,否则,确定不满足迭代终止条件。在另一个实施例中,温度控制设备还可以通过判断对初始关系模型执行的机器学习操作的次数是否达到预设次数(该预设次数可以根据实际需求灵活设定),来判断是否满足迭代终止条件,当对初始关系模型执行的机器学习操作的次数达到预设次数时,确定满足迭代终止条件,否则,确定不满足迭代终止条件。
步骤204:温度控制设备基于最后一次执行机器学习操作时更新的初始关系模型的各模型参数,确定关系模型。
值得说的是,本申请实施例中,温度控制设备若从各样本数据中选取部分样本数据作为训练样本数据,则在确定关系模型之后,还可以从各样本数据中选取另一部分样本数据作为验证样本数据对关系模型进行优化,具体的,可以基于各验证样本数据,采用K折交叉验证法,对关系模型进行优化,从而获得最终的关系模型。
进一步的,温度控制设备在完成关系模型的确定后,即可基于关系模型,周期性地调节智能家居设备的参数以实现对室内温度的周期性控制,例如,每隔2个小时基于关系模型调节一次智能家居设备的参数以实现对室内温度的一次控制,具体的,参阅图3所示,本申请实施例提供的温度控制方法的概况流程如下:
步骤301:温度控制设备获取当前的室内环境数据和当前的室外气象数据。
实际应用中,温度控制设备可以获取安装在室内区域的传感器(例如空气传感器)采集的环境数据作为当前的室内环境数据,具体的,安装在室内区域的传感器采集到环境数据后,可以通过总线技术、WIFI、Zigbee等通信方式实时传输至温度控制设备,温度控制设备即可获得安装在室内区域的传感器采集的环境数据作为当前的室内环境数据,同时,温度控制设备还可以从网络上采集智能家居设备所在地区当前的气象数据作为当前的室外气象数据。
步骤302:温度控制设备基于当前的室内环境数据和当前的室外气象数据,确定目标用户当前的偏好温度;其中,当前的偏好温度是基于偏好温度与室内环境数据和室外气象数据之间的关系模型确定。
实际应用中,温度控制设备可以将当前的室内环境数据和当前的室外气象数据输入关系模型,得到关系模型输出的偏好温度作为目标用户当前的偏好温度。
步骤303:温度控制设备基于目标用户当前的偏好温度,调节智能家居设备的参数以控制室内温度。
在具体实施时,在一个实施例中,温度控制设备可以直接将目标用户当前的偏好温度作为目标温度来调节智能家居设备的参数以控制室内温度达到该目标温度。值得说的是,本申请实施例中,温度控制设备还可以基于目标用户当前时间的偏好温度以及当前时间之前和/或之后的偏好温度,生成如图4a所示的目标用户动态的偏好温度曲线,并基于目标用户动态的偏好温度曲线,动态调节智能家居设备的参数以控制室内温度。此外,温度控制设备还可以将目标用户动态的偏好温度曲线发送至智能家居控制客户端进行显示,从而可以方便用户查看对智能家居设备的温度控制策略。
在另一个实施例中,为了进一步提高温度控制的准确度和用户体验,温度控制设备还可以结合智能家居设备所在位置的第一温度和目标用户当前所在位置的第二温度之间的温度差获得目标温度,并基于该目标温度,调节智能家居设备的参数以控制室内温度达到该目标温度,具体的,温度控制设备可以采用但不限于以下方式:
首先,温度控制设备获取目标用户当前所在位置以及室内区域中各预设位置当前的室内温度。
实际应用中,温度控制设备可以获取智能家居控制客户端采集的用户位置作为目标用户当前所在位置,同时,获取分散设置在室内区域的各预设位置处的传感器(例如温度传感器)采集的室内温度作为各预设位置当前的室内温度,具体的,分散设置在室内区域的各预设位置处的传感器采集到室内温度后,可以通过总线技术、WIFI、Zigbee等通信方式实时传输至温度控制设备,温度控制设备即可获得分散设置在室内区域的各预设位置处的传感器采集的室内温度作为各预设位置当前的室内温度。
然后,温度控制设备基于各预设位置当前的室内温度,确定室内的所有位置处当前的室内温度。
在具体实施时,在一个实施例中,温度控制设备可以基于各预设位置处对应的室内温度及各预设位置处对应的位置信息进行空间插值计算,得到室内的所有位置处当前的室内温度;具体的,温度控制设备可以基于各预设位置处对应的室内温度及各预设位置处对应的位置信息,采用诸如克里金插值法、反距离加权平均插值法等空间插值方法进行空间插值计算,得到室内的所有位置处当前的室内温度。在另一个实施例中,温度控制设备还可以基于各预设位置当前的室内温度,采用预先确定的室内区域中所有位置对应每一预设位置的温度系数,得到所有位置的室内温度,具体的,温度控制设备可以采用公式Y(s)=a1*Y(s1)+...+an*Y(sn)得到所有位置的室内温度,其中,Y(s)表征任意位置s的室内温度,Y(s1),...,Y(sn)表征各预设位置当前的室内温度,a1,...,an表征任意位置s对应每一预设位置的温度系数;具体的,室内区域中所有位置对应每一预设位置的温度系数可以是在采用诸如克里金插值法、反距离加权平均插值法等空间插值方法,对各预设位置历史的室内温度进行空间插值计算的过程中确定。
其次,温度控制设备基于所有位置处当前的室内温度,确定智能家居设备所在位置的第一温度和目标用户当前所在位置的第二温度之间的温度差。
最后,温度控制设备基于温度差和目标用户当前的偏好温度,确定目标温度,并基于该目标温度,调节智能家居设备的参数以控制室内温度达到该目标温度。
值得说的是,本申请实施例中,温度控制设备基于各预设位置当前的室内温度,确定室内的所有位置处当前的室内温度之后,还可以基于室内的所有位置处当前的室内温度,生成如图4b所示的室内的全屋温度热力图,并基于室内的全屋温度热力图和目标用户动态的偏好温度曲线,调节室内的一个或者多个智能家居设备的参数以控制室内温度,此外,温度控制设备还可以将室内的全屋温度热力图发送至智能家居控制客户端进行显示,从而可以方便用户了解全屋的温度分布。
进一步的,本申请实施例中,温度控制设备通过调节智能家居设备的参数来控制室内温度之后,还可以在确定目标用户通过智能家居设备再次调节了室内温度时,将目标用户调节的室内温度作为目标用户的偏好温度,并基于目标用户的偏好温度,对关系模型进行优化,从而可以确保关系模型输出的目标用户的偏好温度的准确性。
下面以“通过空调这一智能家居设备对室内温度进行控制”为例,对本申请实施例提供的温度控制方法进行说明,参阅图5所示,本申请实施例提供的温度控制方法的具体流程如下:
步骤501a:温度控制设备获取安装在室内区域的传感器(例如空气传感器)采集的环境数据作为当前的室内环境数据。
步骤502a:温度控制设备从网络上采集空调所在地区的气象数据作为当前的室外气象数据。
步骤503a:温度控制设备将当前的室内环境数据和当前的室外气象数据输入偏好温度与室内环境数据和室外气象数据之间的关系模型,得到关系模型输出的偏好温度作为目标用户当前的偏好温度。
步骤504a:温度控制设备基于目标用户当前时间的偏好温度以及当前时间之前和/或之后的偏好温度,生成目标用户动态的偏好温度曲线,并基于目标用户动态的偏好温度曲线,动态调节智能家居设备的参数以控制室内温度。
和/或;
步骤501b:温度控制设备获取智能家居控制客户端采集的用户位置作为目标用户当前所在位置,并获取分散设置在室内区域的各预设位置处的传感器(例如温度传感器)采集的室内温度作为各预设位置当前的室内温度。
步骤502b:温度控制设备基于各预设位置当前的室内温度,确定室内的所有位置处当前的室内温度。
步骤503b:温度控制设备基于所有位置处当前的室内温度,确定空调所在位置的第一温度和目标用户当前所在位置的第二温度之间的温度差。
步骤504b:温度控制设备基于所有位置处当前的室内温度,生成全屋温度热力图,并基于室内的全屋温度热力图和目标用户动态的偏好温度曲线,调节室内的一个或者多个智能家居设备的参数以控制室内温度。
和/或;
步骤504c:温度控制设备基于温度差和目标用户当前的偏好温度,确定目标温度,并基于该目标温度,调节智能家居设备的参数以控制室内温度达到该目标温度。
进一步的;
步骤505:温度控制设备确定目标用户通过智能家居设备再次调节了室内温度时,将目标用户调节的室内温度作为目标用户的偏好温度,并基于目标用户的偏好温度,对关系模型进行优化。
基于上述实施例,本申请实施例提供了一种温度控制装置,该温度控制装置可以应用于温度控制设备,参阅图6所示,本申请实施例提供的温度控制装置600至少包括:
数据获取单元601,用于获取当前的室内环境数据和当前的室外气象数据;
偏好确定单元602,用于基于当前的室内环境数据和当前的室外气象数据,确定目标用户当前的偏好温度;其中,当前的偏好温度是基于偏好温度与室内环境数据和室外气象数据之间的关系模型确定,关系模型是基于历史的室内环境数据、历史的室外气象数据和目标用户历史的偏好温度确定;
第一调节单元603,用于基于目标用户当前的偏好温度,调节智能家居设备的参数以控制室内温度。
在一种可能的实施方式中,获取当前的室内环境数据和当前的室外气象数据时,数据获取单元601具体用于:
获取安装在室内区域的传感器采集的环境数据作为当前的室内环境数据;
获取智能家居设备所在地理位置的气象数据作为当前的室外气象数据。
在一种可能的实施方式中,本申请实施例提供的温度控制装置600还包括:
曲线生成单元604,用于基于目标用户当前时间的偏好温度以及当前时间之前和/或之后的偏好温度,生成目标用户动态的偏好温度曲线;
第二调节单元605,用于基于目标用户动态的偏好温度曲线,动态调节智能家居设备的参数以控制室内温度。
在一种可能的实施方式中,传感器的数量多于一个,传感器分散设置在室内的多个预设位置处,本申请实施例提供的温度控制装置600还包括:
温度获取单元606,用于获取各预设位置处的传感器采集的当前的室内温度;
热力图生成单元607,用于基于各预设位置处当前的室内温度,确定室内的所有位置处当前的室内温度,并基于室内的所有位置处当前的室内温度,生成室内的全屋温度热力图;
第三调节单元608,用于基于室内的全屋温度热力图和目标用户动态的偏好温度曲线,调节室内的一个或者多个智能家居设备的参数以控制室内温度。
在一种可能的实施方式中,基于各预设位置处当前的室内温度,确定室内的所有位置处当前的室内温度时,热力图生成单元607具体用于:
获取各预设位置处对应的室内温度及各预设位置处对应的位置信息;
基于各预设位置处对应的室内温度及各预设位置处对应的位置信息进行空间插值计算,得到室内的所有位置处当前的室内温度。
在一种可能的实施方式中,本申请实施例提供的温度控制装置600还包括:
模型确定单元609,用于获取按照设定周期采集的各训练样本数据;其中,每一训练样本数据包括同一周期采集的历史的室内环境数据、历史的室外气象数据和目标用户历史的偏好温度;基于各训练样本数据,对初始关系模型迭代执行机器学习操作,直至确定满足迭代终止条件时,基于最后一次执行机器学习操作时更新的初始关系模型的各模型参数,确定关系模型;其中,机器学习操作包括:从各训练样本数据中选取目标训练样本数据;将目标训练样本数据包含的历史的室内环境数据和历史的室外气象数据输入初始关系模型,得到初始关系模型确定的偏好温度;基于初始关系模型确定的偏好温度和目标训练样本数据包含的目标用户历史的偏好温度,采用损失函数确定当前的损失值,并基于当前的损失值,更新初始关系模型的各模型参数。
在一种可能的实施方式中,本申请实施例提供的温度控制装置600还包括:
模型优化单元610,用于基于目标用户调节的偏好温度,对关系模型进行优化。
需要说明的是,本申请实施例提供的温度控制装置600解决技术问题的原理与本申请实施例提供的温度控制方法相似,因此,本申请实施例提供的温度控制装置600的实施可以参见本申请实施例提供的温度控制方法的实施,重复之处不再赘述。
在介绍了本申请实施例提供的温度控制方法和装置之后,接下来,对本申请实施例提供的温度控制设备进行简单介绍。
参阅图7所示,本申请实施例提供的温度控制设备700至少包括:处理器701、存储器702和存储在存储器702上并可在处理器701上运行的计算机程序,处理器701执行计算机程序时实现本申请实施例提供的温度控制方法。
本申请实施例提供的温度控制设备700还可以包括连接不同组件(包括处理器701和存储器702)的总线703。其中,总线703表示几类总线结构中的一种或多种,包括存储器总线、外围总线、局域总线等。
存储器702可以包括易失性存储器形式的可读介质,例如随机存储器(RandomAccess Memory,RAM)7021和/或高速缓存存储器7022,还可以进一步包括只读存储器(ReadOnly Memory,ROM)7023。
存储器702还可以包括具有一组(至少一个)程序模块7024的程序工具7027,程序模块7024包括但不限于:操作子系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
温度控制设备700也可以与一个或多个外部设备704(例如键盘、遥控器等)通信,还可以与一个或者多个使得用户能与温度控制设备700交互的设备通信(例如手机、电脑等),和/或,与使得温度控制设备700与一个或多个其它温度控制设备700进行通信的任何设备(例如路由器、调制解调器等)通信。这种通信可以通过输入/输出(Input/Output,I/O)接口705进行。并且,温度控制设备700还可以通过网络适配器706与一个或者多个网络(例如局域网(Local Area Network,LAN),广域网(Wide Area Network,WAN)和/或公共网络,例如因特网)通信。如图7所示,网络适配器707通过总线703与温度控制设备700的其它模块通信。应当理解,尽管图7中未示出,可以结合温度控制设备700使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、磁盘阵列(Redundant Arrays of Independent Disks,RAID)子系统、磁带驱动器以及数据备份存储子系统等。
需要说明的是,图7所示的温度控制设备700仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
此外,本申请实施例还提供了一种智能家居设备,该智能家居设备包括本申请实施例提供的温度控制设备700,该温度控制设备700可以集成在智能家居设备中,从而使智能家居设备能够利用本申请实施例提供的温度控制方法进行温度控制。
另外,本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机指令,该计算机指令被温度控制设备700的处理器执行时实现本申请实施例提供的温度控制方法。具体地,该可执行程序可以内置在温度控制设备700中,这样,温度控制设备700就可以通过处理器执行内置的可执行程序实现本申请实施例提供的温度控制方法。
而且,本申请实施例提供的温度控制方法还可以实现为一种计算机程序产品,该计算机程序产品包括计算机程序,该计算机程序被处理器执行时实现本申请实施例提供的温度控制方法。
本申请实施例提供的计算机程序产品可以采用一个或多个可读介质的任意组合,其中,可读介质可以是可读信号介质或者可读存储介质,而可读存储介质可以是但不限于是电、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,具体地,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、RAM、ROM、可擦式可编程只读存储器(Erasable Programmable Read OnlyMemory,EPROM)、光纤、便携式紧凑盘只读存储器(Compact Disc Read-Only Memory,CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
本申请实施例提供的计算机程序产品可以采用CD-ROM并包括计算机程序,还可以在温度控制设备700等计算设备上运行。然而,本申请实施例提供的计算机程序产品不限于此,在本申请实施例中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
应当注意,尽管在上文详细描述中提及了装置的若干单元或子单元,但是这种划分仅仅是示例性的并非强制性的。实际上,根据本申请的实施方式,上文描述的两个或更多单元的特征和功能可以在一个单元中具体化。反之,上文描述的一个单元的特征和功能可以进一步划分为由多个单元来具体化。
此外,尽管在附图中以特定顺序描述了本申请方法的操作,但是,这并非要求或者暗示必须按照该特定顺序来执行这些操作,或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地,可以省略某些步骤,将多个步骤合并为一个步骤执行,和/或将一个步骤分解为多个步骤执行。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然,本领域的技术人员可以对本申请实施例进行各种改动和变型而不脱离本申请实施例的精神和范围。这样,倘若本申请实施例的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (8)
1.一种温度控制方法,其特征在于,包括:
获取当前的室内环境数据和当前的室外气象数据;
基于当前的所述室内环境数据和当前的所述室外气象数据,确定目标用户当前的偏好温度,以及基于所述目标用户当前时间的所述偏好温度以及当前时间之前和/或之后的所述偏好温度,生成所述目标用户动态的偏好温度曲线;其中,当前的所述偏好温度是基于偏好温度与室内环境数据和室外气象数据之间的关系模型确定;所述偏好温度曲线是基于所述关系模型确定出的所述目标用户的各偏好温度生成的表征所述目标用户的偏好温度与时间之间的关系的曲线;所述关系模型是基于历史的室内环境数据、历史的室外气象数据和所述目标用户历史的偏好温度确定;
基于所述目标用户动态的所述偏好温度曲线,动态调节智能家居设备的参数以控制室内温度。
2.如权利要求1所述的温度控制方法,其特征在于,获取当前的室内环境数据和当前的室外气象数据,包括:
获取安装在室内区域的传感器采集的环境数据作为当前的所述室内环境数据;
获取所述智能家居设备所在地理位置的气象数据作为当前的所述室外气象数据。
3.如权利要求1所述的温度控制方法,其特征在于,传感器的数量多于一个,所述传感器分散设置在室内的多个预设位置处,所述温度控制方法还包括:
获取各所述预设位置处的所述传感器采集的当前的室内温度;
基于各所述预设位置处当前的所述室内温度,确定室内的所有位置处当前的室内温度,并基于室内的所有位置处当前的室内温度,生成室内的全屋温度热力图;
基于室内的所述全屋温度热力图和所述目标用户动态的所述偏好温度曲线,调节室内的一个或者多个所述智能家居设备的参数以控制室内温度。
4.如权利要求3所述的温度控制方法,其特征在于,基于各所述预设位置处当前的所述室内温度,确定室内的所有位置处当前的室内温度,包括:
获取各所述预设位置处对应的室内温度及各所述预设位置处对应的位置信息;
基于各所述预设位置处对应的所述室内温度及各所述预设位置处对应的所述位置信息进行空间插值计算,得到室内的所有位置处当前的室内温度。
5.如权利要求1所述的温度控制方法,其特征在于,所述关系模型为机器学习模型;所述关系模型采用以下方式确定:
获取按照设定周期采集的各训练样本数据;其中,每一训练样本数据包括同一周期采集的历史的室内环境数据、历史的室外气象数据和所述目标用户历史的偏好温度;
基于所述各训练样本数据,对初始关系模型迭代执行机器学习操作,直至确定满足迭代终止条件时,基于最后一次执行所述机器学习操作时更新的所述初始关系模型的各模型参数,确定所述关系模型;
其中,所述机器学习操作包括:从所述各训练样本数据中选取目标训练样本数据;将所述目标训练样本数据包含的历史的室内环境数据和历史的室外气象数据输入所述初始关系模型,得到所述初始关系模型确定的偏好温度;基于所述初始关系模型确定的偏好温度和所述目标训练样本数据包含的所述目标用户历史的偏好温度,采用损失函数确定当前的损失值,并基于当前的所述损失值,更新所述初始关系模型的各模型参数。
6.如权利要求1-5任一项所述的温度控制方法,其特征在于,还包括:
基于所述目标用户调节的偏好温度,对所述关系模型进行优化。
7.一种温度控制设备,其特征在于,包括:存储器、处理器和存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1-6任一项所述的温度控制方法。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令被处理器执行时实现如权利要求1-6任一项所述的温度控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210110769.3A CN114442697B (zh) | 2022-01-29 | 2022-01-29 | 一种温度控制方法、设备、介质及产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210110769.3A CN114442697B (zh) | 2022-01-29 | 2022-01-29 | 一种温度控制方法、设备、介质及产品 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114442697A CN114442697A (zh) | 2022-05-06 |
CN114442697B true CN114442697B (zh) | 2023-07-25 |
Family
ID=81371909
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210110769.3A Active CN114442697B (zh) | 2022-01-29 | 2022-01-29 | 一种温度控制方法、设备、介质及产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114442697B (zh) |
Families Citing this family (2)
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 |
CN117870122A (zh) * | 2024-02-19 | 2024-04-12 | 苏州曼凯系统集成科技有限公司 | 一种暖通设备控制系统、控制方法、控制装置和存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101033882A (zh) * | 2007-04-28 | 2007-09-12 | 珠海格力电器股份有限公司 | 按照自定义曲线运行的空调器及其控制方法 |
CN101382331A (zh) * | 2007-04-28 | 2009-03-11 | 珠海格力电器股份有限公司 | 控制空调器按照自定义曲线运行的方法 |
CN104881983A (zh) * | 2015-05-22 | 2015-09-02 | 广东美的暖通设备有限公司 | 家电自学习方法、家电自学习系统及家电 |
JP2016017692A (ja) * | 2014-07-08 | 2016-02-01 | 旭化成ホームズ株式会社 | 温熱快適感評価方法および温熱環境コントロールシステム。 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9874370B2 (en) * | 2014-01-31 | 2018-01-23 | Lennox Industries, Inc. | Systems and methods for balancing an HVAC system |
CN106920174A (zh) * | 2017-03-09 | 2017-07-04 | 中国农业科学院农业经济与发展研究所 | 一种温室加温控制系统及方法 |
CN108253588A (zh) * | 2017-12-07 | 2018-07-06 | 珠海格力电器股份有限公司 | 空调的控制方法、装置、存储介质和处理器 |
CN109780692A (zh) * | 2019-01-16 | 2019-05-21 | 珠海格力电器股份有限公司 | 空调的控制方法、控制装置和空调 |
CN110500738B (zh) * | 2019-08-07 | 2020-06-26 | 珠海格力电器股份有限公司 | 空调区域控制方法、装置和系统 |
CN110425698A (zh) * | 2019-08-19 | 2019-11-08 | 同济大学 | 一种用户偏好自学习的空调控制方法和装置 |
-
2022
- 2022-01-29 CN CN202210110769.3A patent/CN114442697B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101033882A (zh) * | 2007-04-28 | 2007-09-12 | 珠海格力电器股份有限公司 | 按照自定义曲线运行的空调器及其控制方法 |
CN101382331A (zh) * | 2007-04-28 | 2009-03-11 | 珠海格力电器股份有限公司 | 控制空调器按照自定义曲线运行的方法 |
JP2016017692A (ja) * | 2014-07-08 | 2016-02-01 | 旭化成ホームズ株式会社 | 温熱快適感評価方法および温熱環境コントロールシステム。 |
CN104881983A (zh) * | 2015-05-22 | 2015-09-02 | 广东美的暖通设备有限公司 | 家电自学习方法、家电自学习系统及家电 |
Non-Patent Citations (1)
Title |
---|
"个人空间中结合人员偏好的空调自学习控制方法";吴泽君;《建筑科学》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114442697A (zh) | 2022-05-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102553299B1 (ko) | 데이터 학습 서버 및 이의 학습 모델 생성 및 이용 방법 | |
US11959653B2 (en) | Cloud and edge integrated energy optimizer | |
CN114442697B (zh) | 一种温度控制方法、设备、介质及产品 | |
US20180195752A1 (en) | Air-conditioning control method, air-conditioning control apparatus, and storage medium | |
US6937946B1 (en) | System and method for remote identification of energy consumption systems and components | |
US11268713B2 (en) | Smart home air conditioner automatic control system based on artificial intelligence | |
US11808473B2 (en) | Action optimization device, method and program | |
CN104864548A (zh) | 一种空调运行的控制方法及系统 | |
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 | |
CN104364805A (zh) | 信息处理器、信息处理方法和程序 | |
CN115437302B (zh) | 一种大型中央空调ai智能控制方法及系统 | |
CN112128934A (zh) | 空调器的智能控制方法与智能控制设备 | |
KR102081425B1 (ko) | 사용자 만족도 기반 에너지 대비 쾌적도 효율성 지수 분석 시스템 및 방법 | |
KR102561210B1 (ko) | 스마트홈 환경에서 ar 기술을 활용한 슬립테크 제어를 위한 장치 및 방법 | |
CN110726216B (zh) | 空调器及其控制方法、装置、系统、存储介质和处理器 | |
CN114322260B (zh) | 空调自动驾驶、模型训练和预测方法、装置及设备 | |
KR102426492B1 (ko) | 환기설비 연동 범용 제어 방법, 장치 및 프로그램 | |
KR20130120604A (ko) | 외기 도입을 위한 건물 에너지 관리 방법 및 이를 위한 장치 | |
CN114216246B (zh) | 空调机组控制方法、装置、存储介质及电子设备 | |
CN114117778A (zh) | 控制参数确定方法、装置、电子设备和存储介质 | |
CN110598916A (zh) | 一种用户行为模型的构建方法及系统 | |
CN117075566B (zh) | 能耗优化方法、装置、设备及计算机可读存储介质 | |
Vignesh et al. | Deep Reinforcement Learning Based Weather Monitoring Systemusing Arduino for Smart Environment | |
CN117039855B (zh) | 一种电力系统的负荷智能预测方法及系统 | |
CN117872786A (zh) | 智能家居控制方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |