CN114764582A - 空调的操作提示方法、空调设备以及计算机存储介质 - Google Patents
空调的操作提示方法、空调设备以及计算机存储介质 Download PDFInfo
- Publication number
- CN114764582A CN114764582A CN202011615663.6A CN202011615663A CN114764582A CN 114764582 A CN114764582 A CN 114764582A CN 202011615663 A CN202011615663 A CN 202011615663A CN 114764582 A CN114764582 A CN 114764582A
- Authority
- CN
- China
- Prior art keywords
- air conditioner
- historical
- parameters
- parameter
- classification
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
- F24F11/46—Improving electric energy efficiency or saving
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本申请公开了一种空调的操作提示方法、空调设备以及计算机存储介质,该方法包括:检测并确认接收到空调操作指令,获取空调的当前特征参数;其中,特征参数包括空调属性参数、空调设置参数、空调运行参数、环境参数和历史衍生信息,历史衍生信息由历史特征参数确定;将当前特征参数输入至已训练的分类模型中,并得到分类模型输出的分类结果;其中,分类模型是基于历史特征参数和对应的分类结果训练得到,分类结果包括必要操作和非必要操作;若分类结果表示空调操作指令为非必要操作,则进行提示。能够及时地对用户进行耗电提示,减少能源浪费。
Description
技术领域
本申请涉及空调技术领域,尤其涉及一种空调的操作提示方法、空调设备以及计算机可读存储介质。
背景技术
随着社会发展,空调、冰箱和洗衣机所组成的三大家电,逐渐成为人们家中所必需的电器,三大家电中空调的耗电量比重是较高的,因此空调的耗电情况一直为用户较为关注的重点问题,传统的节能省电功能主要是通过关注空调在稳定运行器件的机器参数设置实现,但是依然无法避免或减少用户在短时间内由于非必要操作所造成的耗电情况,例如较短时间内出门拿外卖导致空调关闭又开启,这样的操作会导致空调的耗电比空调持续稳定运行的耗电更高,但用户对这一耗电事件却不知情。
发明内容
为了解决上述问题,本申请提供一种空调的操作提示方法、空调设备以及计算机可读存储介质,能够及时地对用户进行耗电提示,减少能源浪费。
为解决上述技术问题,本申请采用的一个技术方案是:提供一种空调的操作提示方法,该方法包括:检测并确认接收到空调操作指令,获取空调的当前特征参数;其中,特征参数包括空调属性参数、空调设置参数、空调运行参数、环境参数和历史衍生信息,历史衍生信息由历史特征参数确定;将当前特征参数输入至已训练的分类模型中,并得到分类模型输出的分类结果;其中,分类模型是基于历史特征参数和对应的分类结果训练得到,分类结果包括必要操作和非必要操作;若分类结果表示空调操作指令为非必要操作,则进行提示。
其中,该方法还包括:建立分类模型;检测并确认接收到历史空调操作指令,获取空调的第一历史特征参数;其中,第一历史特征参数包括空调属性参数、历史空调设置参数、历史空调运行参数和历史环境参数;根据第一历史特征参数确定历史空调操作指令对应的分类结果,并获取分类结果对应的第二历史特征参数;将历史空调操作指令对应的分类结果和第二历史特征参数输入至已建立的分类模型中,以对分类模型进行训练。
其中,根据第一历史特征参数确定历史空调操作指令对应的分类结果,并获取分类结果对应的第二历史特征参数;根据空调属性参数、历史空调设置参数、历史空调运行参数和历史环境参数,计算历史空调操作指令对应时刻的耗电信息;若耗电信息大于预设耗电信息,则确定历史空调操作指令对应的分类结果为非必要操作,并根据空调属性参数、历史空调设置参数、历史空调运行参数和历史环境参数计算空调的历史衍生信息;根据第一历史特征参数和历史衍生信息,确定非必要操作对应的第二历史特征参数。
其中,根据第一历史特征参数和历史衍生信息,确定非必要操作对应的第二历史特征参数,包括:将第一历史特征参数和历史衍生信息进行特征转换,以得到高维度特征参数集;对高维度特征参数集进行特征提取,以确定非必要操作对应的第二历史特征参数。
其中,该方法还包括:若耗电信息小于等于预设耗电信息,则确定历史空调指令操作对应的分类结果为必要操作,并根据空调属性参数、历史空调设置参数、历史空调运行参数和历史环境参数计算空调的历史衍生信息;根据第一历史特征参数和历史衍生信息,确定必要操作对应的第二历史特征参数。
其中,将历史空调操作指令对应的分类结果和第二历史特征参数输入至已建立的分类模型中,以对分类模型进行训练,包括:将历史空调操作指令对应的分类结果和第二历史特征参数的一部分作为训练数据集,输入至已建立的分类模型中,以对分类模型进行训练;将历史空调操作指令对应的分类结果和第二历史特征参数的另一部分作为测试数据集,以对训练完成的分类模型进行测试,以确定分类模型的目标近邻参数。
其中,将历史空调操作指令对应的分类结果和第二历史特征参数的另一部分作为测试数据集,以对训练完成的分类模型进行测试,以确定分类模型的目标近邻参数,包括:分别以多个预设近邻参数为计算标准,将历史空调操作指令对应的分类结果和第二历史特征参数的另一部分作为测试数据集,输入至已训练的分类模型中,以输出测试数据集对应的分类结果;检测并确认测试数据集对应的分类结果,以确定多个预设近邻参数所对应的多个准确率;对多个准确率对应的多个预设近邻参数进行排序,以将最大准确率所对应的预设近邻参数作为分类模型的目标近邻参数。
其中,将当前特征参数输入至已训练的分类模型中,并得到分类模型输出的分类结果,包括:将当前特征参数输入至已训练的分类模型中,计算当前特征参数对应的当前样本,与第二历史特征参数对应的多个历史样本之间的多个欧式距离;对多个欧式距离进行排序,并根据目标近邻参数确定最小欧式距离对应的k个分类结果;对最小欧式距离对应的k个分类结果进行投票,以确定当前样本的分类结果。
其中,对最小欧式距离对应的k个分类结果进行投票,以确定当前样本的分类结果,包括:分别获取k个分类结果的权重;分别计算k个分类结果中,相同分类结果的权重之和;以最大权重之和所对应的分类结果作为当前样本对应的分类结果。
其中,将当前特征参数输入至已训练的分类模型中,并得到分类模型输出的分类结果,包括:将当前特征参数发送至服务器,以使服务器将当前特征参数输入至已训练的分类模型中,并得到分类模型输出的分类结果;接收服务器发送的分类结果。
其中,该方法还包括:检测并确认接收到反馈操作指令,则利用空调操作指令对应的当前特征参数对分类模型进行修正。
其中,空调操作指令是指空调接收到的、由空调控制终端发送的、用于改变空调的压缩机工作状态的指令。
其中,空调属性参数为根据空调的型号或标识获取得到的空调基本属性信息;或,空调设置参数为空调在空调操作指令的控制下,所需达到的工作指标;或,空调运行参数为空调在空调操作指令的控制下,实时达到的工况信息;或,环境参数为空调运行时的环境温度信息。
其中,空调属性参数包括空调的匹数、制冷功率、制热功率、制冷量、制热量以及能效等级中的至少一个;或,
空调设置参数包括空调的温度设置参数和风速设置参数中的至少一个;或,空调运行参数包括压缩机运行频率、室内风机转速、室外风机转速、室外机运行频率以及电量值中的至少一个;或,环境参数包括室内环境温度、室外环境温度、室内环境湿度以及室外环境湿度中的至少一个;或,历史衍生信息包括历史时刻下的非必要操作时间因子、非必要操作概率、必要操作时间因子、必要操作概率以及情景特征中的至少一个。
为解决上述技术问题,本申请采用的另一个技术方案是:提供一种空调设备,该空调设备包括处理器以及存储器,存储器用于存储计算机程序,计算机程序在被处理器执行时,用于实现上述的空调的操作提示方法。
为解决上述技术问题,本申请采用的又一个技术方案是:提供一种计算机可读存储介质,用于存储计算机程序,计算机程序在被处理器执行时,用于实现上述的空调的操作提示方法。
本申请实施例的有益效果是:区别于现有技术,本申请提供的空调的操作提示方法,通过在检测到空调操作指令时,对空调属性参数、空调设置参数、空调运行参数、环境参数以及历史衍生信息等空调的当前特征参数进行获取,进一步将该部分特征参数输入至已训练的分类模型中,从而得到分类模型所输出的分类结果,并在分类结果表示空调操作指令为非必要操作时,对用户进行提示。通过这样的方式,一方面,在分类模型中加入历史衍生信息进行分类预测,能够提高分类准确率;另一方面,在分类结果表示为非必要操作时,能够及时地对用户进行耗电提示,从而减少了不必要的能源浪费,能够提升空调的节能性能。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。其中:
图1是本申请提供的空调的操作提示方法一实施例的流程示意图;
图2是本申请提供的空调的操作提示方法另一实施例的流程示意图;
图3是图2中S23的具体流程示意图;
图4是图2中S24的具体流程示意图;
图5是图4中S242的具体流程示意图;
图6是图2中S26的具体流程示意图;
图7是本申请提供的空调设备一实施例的结构示意图;
图8是本申请提供的计算机可读存储介质一实施例的结构示意图。
具体实施方式
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。可以理解的是,此处所描述的具体实施例仅用于解释本申请,而非对本申请的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本申请相关的部分而非全部结构。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。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
参阅图1,图1是本申请提供的空调的操作提示方法一实施例的流程示意图,本实施例的方法步骤具体包括:
S11:检测并确认接收到空调操作指令,获取空调的当前特征参数;其中,特征参数包括空调属性参数、空调设置参数、空调运行参数、环境参数和历史衍生信息,历史衍生信息由历史特征参数确定。
在本实施例中,空调操作指令是指空调接收到的、由空调控制终端发送的、用于改变空调的压缩机工作状态的指令。例如控制操作指令可以是空调打开/关闭指令、制冷/制热模式切换指令、温度调节指令等指令,空调为了响应这些操作指令,必然需要通过调节空调压缩机的工作状态来实现,而例如扫风指令不会使得空调压缩机的工作状态发生变化,因此扫风指令不包含在本实施例的空调操作指令内。
其中,空调控制终端是指能够用于发送空调操作指令的终端设备,例如空调遥控器、墙壁开关以及用户的移动终端等,用户通过对空调控制终端的进行设置,使得空调控制终端发送相应的空调操作指令至空调端,以实现相应的工作状态改变。
其中,空调属性参数是指可以根据空调的型号或唯一标识得到的空调基本属性信息,例如包括空调的匹数、制冷功率、制热功率、制冷量、制热量以及能效等级等基本属性信息。可以理解,上述各项参数的不同,能够对空调的运行状态以及耗电状态产生不同的变化,在其他因素不变的情况下,例如制冷功率或制冷量的差异会使得空调在制冷能力上体现强弱,并且不同制冷能力所带来的电量损耗必然也不同;若同时结合空调匹数的不同,将进一步影响上述差异,因此上述的空调属性参数能够用于评价空调的性能,从而作为后续模型分类的基础参数。可选地,空调属性参数扫描二维码或条形码的方式在服务器中查询得到,还可以通过直接设置于室内机或室外机上的铭牌查询得到。
其中,空调设置参数是指空调在空调操作指令的控制下,所需达到的工作指标,空调设置参数例如包括温度设置参数和风速设置参数等,能够用于表示空调在不同预设工作状态下需要达到的温度或风速效果,例如制冷状态下的制冷效果,以及何种程度的制冷效果。可以理解,当预设工作状态相同或不同时,不同的温度或风速设置都能够带来不同的用户感受,以及在耗电状态上也能得到体现,例如在室内外温度恒定情况下,制冷状态下设置较小的温度,相较于较大的温度参数必然会带来更多的电量损耗,因此上述的空调设置参数能够作为模型分类的基础参数。其中,预设工作状态可以包括制冷状态、制热状态、睡眠状态、除湿状态、通风状态等。
其中,空调运行参数是指空调在空调操作指令的控制下,实时达到的工况信息,例如在制冷状态下,空调运行参数可以包括空调的压缩机运行频率、室内风机转速、室外风机转速、室外机运行频率以及电量值等信息,该部分信息能够体现空调不同工作状态下的实时运行参数,而这部分数据通常是与空调设置参数有关,在此基础上也可能会由于客观因素而发生变化。可以理解,空调运行参数的不同,可能会带来不同的用户感受,以及耗电状态上的差异,例如制冷状态下一大一小的压缩机运行频率,相同时间内制冷得到的室内温度可能相同或不同,但不同的压缩机运行频率所损耗的电量必然更多,因此上述的空调运行参数能够作为模型分类的基础参数。
其中,环境参数是指空调运行时的环境温度信息,例如包括室内环境温度、室外环境温度、室内环境湿度以及室外环境湿度等,可以通过设置于室内机面板进风位置的传感器对室内环境温度或湿度进行获取,可以通过服务器根据对应日期、地区信息、对应时间段,对室外环境温度或湿度进行获取,可以理解,由于室内外温度差的大小,会直接影响空调的工作状态,进而影响空调的电量损耗,例如在室内温相同的前提下,30度的室外温度将大于25度室外温度下空调的制冷需求,也大于25度室外温度下的电量损耗,因此上述的当前环境参数能够作为模型分类的基础参数。
其中,历史衍生信息由历史特征参数确定,也即是由空调属性参数、历史空调设置参数、历史空调运行参数以及历史环境参数确定,历史衍生信息是指通常无法直接获取,需要进行计算、统计、转换的数据,例如包括历史时刻下的非必要操作时间因子、非必要操作概率、必要操作时间因子、必要操作概率以及情景特征等。可以理解,上述的时间或概率等信息通常可以表示用户的一种空调使用习惯,例如用户习惯在中午12点整关闭空调,关闭空调后在中午12点15分开启空调的概率为80%,由于用户习惯的存在,可能会使得空调的运行状态发生改变,因而可能导致空调损耗的相应增加,因此上述的历史衍生信息能够作为模型分类的基础参数,而在后续实施例中还会对历史衍生信息作进一步详述。
可以理解,上述空调的当前特征参数仅为本实施例中的示例,并不限于此,可以根据实际情况对特征参数进行替换。
S12:将当前特征参数输入至已训练的分类模型中,并得到分类模型输出的分类结果。
其中,分类模型是基于历史特征参数和对应的分类结果训练得到,主要是采用有监督的分类算法建立,例如包括逻辑回归、支持向量机分类、K-最近邻分类、高斯朴素贝叶斯、集成模型(Xgboost分类、随机森林分类)等模型;其中,分类结果包括必要操作和非必要操作。
在本实施例中,当检测并确认接收到来自用户端输入或发送的空调操作指令时,表明此时用户正在对空调进行控制,例如调高/调低设置温度、更换空调模式、打开或关闭空调等操作。由上所述可知,空调特征参数的变化(不同)能够带来不同的电量损耗,因此通过对接收到空调操作指令时,空调的当前特征参数进行获取,由于操作指令的关系,当前时刻的特征参数必然会发生变化,因此将变化后得到的当前特征参数输入至已训练的分类模型中,以使分类模型输出一个分类结果,以表明用户当前输入的空调操作指令是否必要,对应用户的操作是否为必要操作。
其中,必要操作是指用户输入的空调操作指令,给空调运行所带来的变化,与空调正常运行的耗电情况相比,不会产生更多的电量损耗,小于或等于空调正常运行时的电量损耗,那么此时即为必要操作,例如用户在空调运行至使得室内温度与室外温度相差不大时,对温度设置参数进行调整,以降低压缩机的频率,从而减少了电量损耗。
而非必要操作是指用户输入的空调操作指令,给空调运行所带来的变化,与空调正常运行的耗电情况相比,会产生更多的电量损耗,那么此时即为非必要操作,例如用户中午短时间出门拿个外卖/快递导致空调关了又打开,这一关闭打开的操作可能会使得压缩机需要更高的频率运行,才能在一段时间后恢复至空调关闭前的室内状态,显然这一时间段内压缩机高频运行的耗电情况,将大于相同时间段加出门时间段内压缩机低频运行的耗电情况,从而增加了电量损耗。
并且,本实施例的分类模型中,除了加入有空调常规的特征参数,还加入了历史衍生信息进行模型训练,以使得分类模型在利用当前特征参数进行分类预测时,能够加入对于衍生现象的思考,能够避免由于偶然因素而导致的分类预测错误,以使得分类模型最终能够输出具有一定分类准确率的分类结果,提高了分类准确率。
S13:若分类结果表示空调操作指令为非必要操作,则进行提示。
在本实施例中,当空调的特征参数由于用户输入的空调操作指令而发生变化时,获取变化后的当前特征参数,并对当前特征参数进行分类预测,并根据分类预测的结果评价对应空调操作指令是否必要,并在分类结果表示非必要时对用户进行提示,而分类结果表示必要时则继续响应该空调操作指令。
由于用户在输入操作指令控制空调时,可能并不会意识到这是一个非必要的耗电操作,因此用户可以根据该提示拒绝继续执行该操作指令,或根据该提示做出其他调整,从而达到节能省电的效果。又或者用户可能知道这是一个非必要耗电操作,但不得不执行,因此用户可以根据忽略该提示。
在一个具体应用场景中,分类模型的输入参数和输出参数可以包括:
区别于现有技术,本实施例提供的空调的操作提示方法,通过在检测到空调操作指令时,对空调属性参数、空调设置参数、空调运行参数、环境参数以及历史衍生信息等空调的当前特征参数进行获取,进一步将该部分特征参数输入至已训练的分类模型中,从而得到分类模型所输出的分类结果,并在分类结果表示空调操作指令为非必要操作时,对用户进行提示。通过这样的方式,一方面,在分类模型中加入历史衍生信息进行分类预测,能够提高分类准确率;另一方面,在分类结果表示为非必要操作时,能够及时地对用户进行耗电提示,从而减少了不必要的能源浪费,能够提升空调的节能性能。
参阅图2,图2是本申请提供的空调的操作提示方法另一实施例的流程示意图,本实施例的方法步骤具体包括:
S21:建立分类模型。
从如上所述的逻辑回归、支持向量机分类、K-最近邻分类、高斯朴素贝叶斯、集成模型(Xgboost分类、随机森林分类)等模型中,综合评估选择预测准确率高,且预测偏差程度低的模型作为分类模型,后续实施例中均以最近邻分类算法为例进行说明,在实际应用中会综合考虑多种分类算法的得分及风险,所选用的不一定为最近邻分类算法,本实施例仅仅是为了举例说明。
S22:检测并确认接收到历史空调操作指令,获取空调的第一历史特征参数。
其中,历史空调操作指令是指历史时刻接收到的来自用户端输入或发送的空调操作指令,与上述实施例中的空调操作指令相对应;而第一历史特征参数同样与上述实施例中的部分当前特征参数对应,具体包括空调属性参数、历史空调设置参数、历史空调运行参数和历史环境参数。
S23:根据第一历史特征参数确定历史空调操作指令对应的分类结果,并获取分类结果对应的第二历史特征参数。
具体地,S23可以通过图3所示的方法步骤实现,具体步骤包括:
S231:根据空调属性参数、历史空调设置参数、历史空调运行参数和历史环境参数,计算历史空调操作指令对应时刻的耗电信息。
其中,耗电信息是指单位时间内,根据空调的各项特征参数进行电量换算得到的耗电量。通常来说,在室外温度和室内空间大小恒定的情况下,空调单位时间内的耗电量只与空调属性参数和空调设置参数有关,例如制冷状态下,空调的匹数越大,耗电量则越大,若进一步再加入温度设置参数的考虑,则温度设置参数与室外温度的差越大,则耗电量也越大。
可选地,对于耗电信息的计算,一方面还可以通过电量传感器或插座生态数据等对电量数据进行直接获取,而后再对电量数据进行转换而得到耗电量。另一方面,当没有电量传感器时,还可以使用一个简便的方式对耗电量进行统计计算,具体可以利用当前所处环境的室内外温度与温度设置参数的差值,并在将该差值换算为空调压缩机所处的频率段后,再进一步换算为耗电数据,这一换算方式相对电量的直接获取可能存在一定的误差,但是对于统计相对耗电量的高低,仍有较大的参考价值。
S232:若耗电信息大于预设耗电信息,则确定历史空调操作指令对应的分类结果为非必要操作,并根据空调属性参数、历史空调设置参数、历史空调运行参数和历史环境参数计算空调的历史衍生信息。
其中,预设耗电信息可以表示为正常运行状态下的耗电量,也即是没有因为用户的非必要操作而导致耗电量发生明显变化时的耗电量。因此本实施例中,当历史空调操作指令所导致的电量损耗大于预设耗电信息时,则表明该历史时刻操作指令的分类结果应当是非必要操作,也就是说,在分类模型未进行/完成训练之前,对历史时刻下的空调操作指令进行分类的方式是通过耗电信息的比较而确定。
其中,历史衍生信息包括如上所述的非必要操作时间因子、非必要操作概率、必要操作时间因子、必要操作概率以及情景特征,这部分历史衍生信息可以通过第一历史特征参数经过一定的计算、统计或转换而得到,能够用于表示空调历史使用过程中的习惯或规律。
在本实施例中,时间因子信息可以是指用户使用空调的日期或时间,例如12月12号、11月20号晚上8点,还可以是时间区间例如某天午间11点至13点、晚间17点至19点,夜晚22点至凌晨0点等,还可以是节假日、节气或时间段等,例如春分、国庆节。因此非必要操作时间因子和必要操作时间因子,则是指根据操作指令对应的耗电信息确定对应分类结果后,分别对两种分类结果所进行的时间因子拓展,以找出用户控制空调的时间规律。
非必要操作概率和必要操作概率,则是指历史使用记录中预设时间段内两种分类结果触发的概率,利用时间段来划分区间,表示用户在历史时间段下,输入操作指令为非必要操作的概率,而相对的也可以直接获取得到必要操作的概率。例如空调的历史使用记录中,用户在周一至周五的每个工作日内,输入操作指令为非必要操作的概率为5/9,表示用户在周一至周五的时间段内开机N次(N仅为示例),一共有9次参数调节或关开等操作,其中有5次为高耗电操作,即可确定预设时间段内非必要操作的概率;那么相同地,可以相对获得周一至周五的每个工作日内,输入操作指令为必要操作的概率为4/9;又例如细分至小时,用户在周一至周五的中午12点-13点,输入操作指令为非必要操作的概率为7/8,表示用户在周一至周五的中午12点-13点之内开机N次,一共有8次参数调节或关开灯操作,其中7次为高耗电操作,即可确定预设时间段内非必要操作的概率7/8以及必要操作的概率1/8。
其中,情景特征是指空调的历史使用记录中,两种分类结果触发时的情景捕捉特征,例如包括本次操作距离开机已经XX分钟、本次操作所属的空调运行状态或阶段,本次操作的属性(开关/调节温度)、历史多次操作的间隔时长、是否连续操作、截止当前已经连续N天存在对应的非必要操作等。
S233:根据第一历史特征参数和历史衍生信息,确定非必要操作对应的第二历史特征参数。
可以知道,为了提升分类模型的精度,可以采用构造更多、更好特征的方式对模型进行训练,因此,第二历史特征参数则是指在第一历史特征参数和历史衍生信息的基础上,构造出的更多特征的集合。
具体地,S233可以通过如下的步骤实现:将第一历史特征参数和历史衍生信息进行特征转换,以得到高维度特征参数集;对高维度特征参数集进行特征提取,以确定非必要操作对应的第二历史特征参数。
在很多机器学习比赛中,通常直接给出训练集(特征+类别),对此可以根据给出的特征进行“转换”操作,构造更多特征,而在本实施例中,直接给出的训练集即相当于第一历史特征参数、历史衍生信息和对应的分类结果,因此通过对第一历史特征参数和历史衍生信息进行特征转换,从而构造出更多特征组成的高维度特征参数集。
其中,特征转换可以采用例如离散特征转换、非线性转换以及多项式转换等方式,由于前述步骤所获取的特征参数或衍生信息属于不同的类型,因此对于不同类型的特征,可以采用不同的方法进行转换。例如第一历史特征参数和历史衍生信息所组成的特征数据集包括(x1,x2)两个特征,在进行特征转换之后,所得到的特征集合则可能包括(x1,x2,x1 2,x1x2,x2 2,1)等特征,从而构造出更多的特征。
可以知道的是,经过上述转换后的特征由于转换方式的不同,特征集中可能会存在维度较高含有较多冗余,并且解释程度较低的特征,因此还需要对转换后的特征进行一定的高解释性特征提取,通过对高维度降维获取方差解释程度高的特征,例如采用PCA(Principal Component Analysis,主成分分析)、SVD(Singular Value Decomposition,奇异值分解)、FA(factor analysis,因子分析)以及ICA(Independent ComponentCorrelation Algorithm,独立成分分析)等方法,最终从高维度的数据中保留最重要的一些特征,对应于本实施例中也即是确定非必要操作所对应的第二历史特征参数。
S234:若耗电信息小于等于预设耗电信息,则确定历史空调指令操作对应的分类结果为必要操作,并根据空调属性参数、历史空调设置参数、历史空调运行参数和历史环境参数计算空调的历史衍生信息。
其中,预设耗电信息可以表示为正常运行状态下的耗电量,也即是没有因为用户的非必要操作而导致耗电量发生明显变化时的耗电量。因此本实施例中,当历史空调操作指令所导致的电量损耗小于等于预设耗电信息时,则表明该历史时刻操作指令的分类结果应当是必要操作。
S235:根据第一历史特征参数和历史衍生信息,确定必要操作对应的第二历史特征参数。
由上可知,必要操作和非必要操作是相对的两个分类结果,对于一个空调操作指令而言,不是必要操作就是非必要操作,因此必要操作下的历史衍生信息以及第二历史特征参数应当是与非必要操作下的各项信息参数相对应,可以通过如上所述的方式进行计算,在此不再赘述。
S24:将历史空调操作指令对应的分类结果和第二历史特征参数输入至已建立的分类模型中,以对分类模型进行训练。
其中,本实施例中使用的分类模型是基于K-最近邻分类算法建立的模型,也叫做KNN(K-Nearest Neighbours,K值近邻分类算法),KNN和其它有监督算法不同,KNN是非参数的、基于实例的算法,非参数意味着其不在底层的数据分布上进行任何的臆测,而基于实例意味着其不是明确的学习一个模型,而是选择记忆训练的实例们。因此KNN也常被称为懒算法(lazy algorithm),即KNN不会预先生成一个分类或预测模型用于新样本的预测,而是将模型的构建与未知数据的预测同时进行。
具体地,S24可以通过图4所示的方法步骤实现,具体步骤包括:
S241:将历史空调操作指令对应的分类结果和第二历史特征参数的一部分作为训练数据集,输入至已建立的分类模型中,以对分类模型进行训练。
其中,可以将第二历史特征参数的70%作为训练数据集,根据上述可知,由于KNN算法的性质,将训练数据集以及对应的分类结果输入至已建立的模型中进行训练,实际上是对这些“实例”进行记忆、存储,在需要对样本进行分类预测时,则直接利用记忆存储的训练数据集进行同步计算。
S242:将历史空调操作指令对应的分类结果和第二历史特征参数的另一部分作为测试数据集,以对训练完成的分类模型进行测试,以确定分类模型的目标近邻参数。
其中,可以将第二历史特征参数的30%作为测试数据集,可以知道,KNN算法是通过多数表决的方式进行分类,因此需要对“多数表决”中由多少“人”进行投票表决的数量进行确定,也即是本实施例中需要确定的分类模型的目标近邻参数k,也即是使模型分类预测准确度最高的k。
其中,在对模型进行训练和测试时,应当是以历史空调操作指令所对应的第二历史特征参数作为样本进行输入,本实施例中为了方便理解和说明,则是直接以特征参数为输入对象进行叙述。
可选地,S242可以通过图5所示的方法步骤实现,具体步骤包括:
S2421:分别以多个预设近邻参数为计算标准,将历史空调操作指令对应的分类结果和第二历史特征参数的另一部分作为测试数据集,输入至已训练的分类模型中,以输出测试数据集对应的分类结果。
其中,预设近邻参数可以是1、3、5、7…X个,在本实施例中则是分别以1到X个作为近邻参数,利用已训练的分类模型,输出所有测试数据集的分类预测结果。
S2422:检测并确认测试数据集对应的分类结果,以确定多个预设近邻参数所对应的多个准确率。
本实施例中,由于测试数据集和训练数据集都是来自于第二历史特征参数,并且第二历史特征参数所对应的历史空调操作指令的分类结果也已知,因此可以通过将分类模型输出的所有测试数据集的分类预测结果,与已知且正确的分类结果进行比较,从而确定每一个预设近邻参数下的预测准确率。
在一个应用场景中,例如以1作为近邻参数k时,模型输出测试数据集的分类预测结果中有80个与已知分类结果相同,有20个与已知分类结果不同,那么预设近邻参数为1的准确率即为80%,同理计算以3、5、7…X作为近邻参数k时的准确率。
S2423:对多个准确率对应的多个预设近邻参数进行排序,以将最大准确率所对应的预设近邻参数作为分类模型的目标近邻参数。
例如预设近邻参数为1的准确率为80%,预设近邻参数为3的准确率为75%,预设近邻参数为5的准确率为70%,预设近邻参数为7的准确率为85%,预设近邻参数为9的准确率为70%等,进一步对所有X个准确率对应的预设近邻参数进行排序,从而将最大准确率作为分类模型的目标近邻参数,例如上述的85%显然排在前端,则确定以7作为目标近邻参数k。以上仅为示例,具体需要根据实际情况进行确定。
S25:检测并确认接收到空调操作指令,获取空调的当前特征参数。
其中,特征参数包括空调属性参数、空调设置参数、空调运行参数、环境参数和历史衍生信息;其中,历史衍生信息由历史特征参数确定。
S26:将当前特征参数输入至已训练的分类模型中,并得到分类模型输出的分类结果。
具体地,S26可以通过图6所示的方法步骤实现,具体步骤包括:
S261:将当前特征参数输入至已训练的分类模型中,计算当前特征参数对应的当前样本,与第二历史特征参数对应的多个历史样本之间的多个欧式距离。
具体地,欧式距离的计算公式为:其中,xi表示当前特征参数对应的当前样本,由于当前特征参数可能有多个,因此在进行欧式距离计算时则需要以样本为单位进行计算;xi表示第二历史特征参数对应的多个历史样本,因此这个距离函数则是计算xi与其他样本xj之间的距离。
可选地,除了利用欧式距离函数计算两个特征参数之间的距离之外,还可以采用余弦距离、汉明距离、曼哈顿距离等函数进行计算。需要说明的是,本实施例中的所有特征参数都需要进行可比较的量化处理以使所有特征参数能够进行距离计算,还需要进行归一化处理,以使得所有特征参数对距离计算的影响较小。
S262:对多个欧式距离进行排序,并根据目标近邻参数确定最小欧式距离对应的k个分类结果。
在一个应用场景中,例如继续以k=7为例,对X个欧式距离进行排序,从由大到小排列的端部开始选取7个历史样本,以此得到7个对应的分类结果。
S263:对最小欧式距离对应的k个分类结果进行投票,以确定当前样本的分类结果。
本实施例中,根据分类决策规则(如多数表决法),从7个历史样本对应的分类结果中,确定出当前样本的分类结果,例如7个分类结果中,有4个为非必要操作,有3个为必要操作,根据多数表决法,4>3即可确定当前样本的分类结果为非必要操作,也即是当前特征参数的分类结果为非必要操作,也就是说当前时刻的空调操作指令可能带来更大的电量损耗。又例如7个分类结果中,有2个为非必要操作,有5个为必要操作,根据多数表决法,5>2即可确定当前样本的分类结果为必要操作,也即是当前特征参数的分类结果为必要操作,也就是说当前时刻的空调不会带来更大的电量损耗。
在一些实施例中,为了弱化目标近邻参数k对分类的影响,还可以采用加权表决法进行计算,对每个历史样本对应的分类结果引入时间权重,具体地,S263可以通过如下的步骤实现:分别获取k个分类结果的权重;分别计算k个分类结果中,相同分类结果的权重之和;以最大权重之和所对应的分类结果作为当前样本对应的分类结果。
其中,以时间差作为每一个分类结果的权重,具体为历史样本对应日期与当前样本对应日期之差的倒数,例如计算出距离最近的历史样本为A,从A对应的第二历史特征参数中获得A发生的时间为星期二,而从当前样本对应的当前特征参数中获得当前时间为星期五,因此历史样本A对应分类结果的权重为1/(5-2)=1/3,以此计算出k个分类结果的时间权重。在一些实施例中,时间权重的计算还可以按照小时为单位进行计算,具体可以根据实际情况进行设定。
需要说明的是,当历史样本对应日期与当前样本对应日期之差为1天时,则可以选择不将其计入后续相同分类结果权重之和的计算,还可以选择对其设置特有的时间权重进行后续计算,例如设置为大于1/2。
进一步分别对所有非必要操作和必要操作对应的时间权重进行求和,并以权重之和最大的分类结果作为当前样本的分类结果;例如分类结果为非必要操作的时间权重之和为1/10,分类结果为必要操作的时间权重之和为1/15,由于1/10>1/15,因此可以确定当前样本的分类结果为非必要操作。通过这样的方式,弱化了目标近邻函数k对分类结果的影响,使得后续得到的分类结果能够更加符合用户的习惯和需求。
可选地,还可以通过引入距离权重的方式,弱化目标近邻函数k对分类结果的影响,通过对k个距离最小的欧式距离设置权重,距离越近权重越大,距离权重具体可以设置为欧式距离平方的倒数,例如距离当前样本最近的历史样本B之间的欧氏距离为5(个单位),那么历史样本B的距离权重即为1/25,以此计算出k个分类结果的距离权重。
进一步同样分别对非必要操作和必要操作对应的距离权重进行求和,并以权重之和最大的分类结果作为当前样本的分类结果;例如历史样本的分类结果为非必要操作的距离权重之和为1/100,历史样本的分类结果为必要操作的距离权重之和为1/150,由于1/100>1/150,因此可以确定当前样本的分类结果为非必要操作。因此,通过引入时间权重或距离权重的方式,能够弱化k对分类的影响,可以在出现非必要操作的样本个数明显小于必要操作的样本个数时,由于权重的加入而发生改变,从而能够减小分类预测的误差率。
可选地,分类模型可以保存于与空调相对应的服务器端,也可以保存于空调本地,本实施例中的分类模型则是保存于服务器端,此时,可以通过如下步骤实现步骤S26:将当前特征参数发送至服务器,以使服务器将当前特征参数输入至已训练的分类模型中,并得到分类模型输出的分类结果;接收服务器发送的分类结果。
具体地,当获取了空调的当前特征参数后,空调即可将当前特征参数发送至服务器,以使服务器将当前特征参数输入至已训练的分类模型中,进一步服务器得到分类模型输出的分类结果,并将该分类结果发送至空调端,以使空调进行相应控制使用。
S27:若分类结果表示空调操作指令为非必要操作,则进行提示。
其中,对用户进行提示可以包括提醒、推荐或指定建议等方式,例如通过智能交互的方式,在用户端app利用消息推送进行提醒或建议,用户可以在移动设备中安装与空调相对应的家电app,并与空调进行绑定,当分类结果表示为非必要操作时,可以通过该家电app推送确认消息至终端显示界面,确认消息中包含了此次空调操作指令的后果,以及对于此次空调操作指令的操作建议,用户则可以直接通过家电app对此次分类结果进行查看确认,以确定是否继续按照操作指令执行,或是接受确认消息中的建议并执行。其中,推荐或指定建议可以根据当前时刻的特征参数进行计算,从而对用户进行推荐较为合理的调节方式,例如推荐一个或多个相对不耗电的设置温度,供用户进行选择。
还可以对空调设置家电托管的模式,通过空调显示面板或家电app进行开启,在该模式下输入的所有操作指令均不生效,空调持续以原始设定参数运行,可以防止家中有小孩对遥控器或墙壁按钮进行频繁调整导致的非必要耗电现象,避免用电浪费。
可选地,由于用户可能无法及时查看手机,此时app消息推送的方式则不具有及时性,因此还可以通过语音播报或空调屏显的方式对用户当前时刻的操作指令进行现场提示,以使用户能够及时对此次操作进行确认,还可以同步利用语音播报或空调屏显对用户进行操作建议,以提供更舒适、节能的选择。
进一步地,还可以在语音播报、空调屏显或app推送对用户进行提示的基础上,设置电量账单的显示,例如在家电app或空调屏显上,显示非必要的电量损耗以及必要的电量损耗,形成一个明显的对比,以具体告知用户此次非必要操作的电费损失,提示其重要性;还可以设置一个非必要电量损耗阈值,例如以一周为时间周期,非必要电量损耗阈值则表示在一周时间内允许超出正常电量损耗的部分,在损耗阈值内可以仅显示而不提示,以解决部分特定时刻下非必要操作的顺利执行,提高用户体验。
在另一些实施例中,若分类结果表示为空调操作指令为必要操作时,也即是当前的用户操作理论上不会带来更多电量损耗,此时则无需做任何动作,继续保持对空调操作指令的获取,以持续对后续控制事件进行判断。
可选地,S27之后还可以包括:检测并确认接收到反馈操作指令,则利用空调操作指令对应的当前特征参数对分类模型进行修正。
其中,反馈操作指令是指用户根据空调的提示,所做出的操作反馈,例如用户执行该提示,此时的反馈操作指令则是无效对应的空调操作指令,以减少能源浪费;还可以是例如用户忽视该提示,或是用户拒绝该提示,此时用户尽管已知空调操作指令所带来的损耗后果,但由于实际情况之需要,不得不进行此操作,此时的反馈操作指令则是继续执行对应的空调操作指令,以满足用户需求。
进一步地,当用户对提示做出例如执行、拒绝或忽视的反馈之后,则可以根据不同反馈操作指令的结果,对此次空调操作指令进行二次分类,例如根据用户输入的空调操作指令,获取当前特征参数以进行分类预测得到的分类结果为非必要操作,但由于用户在后续做出忽视或拒绝提示,因此即可将空调操作指令的分类结果进行二次确定,根据反馈指令确定为必要操作,并再二次确定后,将此次反馈操作指令后的当前特征参数以及二次分类结果纳入训练数据集,以对模型进行修正,从而使得模型更加符合用户的使用习惯,提高分类预测的准确性。
在本实施例的实际应用中,可以是接收来自用户的监测非节能操作的指令,从而开启S21-S27的步骤,例如用户通过打开空调,开启“节能云管家”的功能,以使得空调开始执行上述步骤。
参阅图7,图7是本申请提供的空调设备一实施例的结构示意图,本实施例的空调设备70包括处理器71和存储器72,处理器71与存储器72耦接,其中,存储器72用于存储处理器71执行的计算机程序,处理器71用于执行计算机程序以实现如下方法步骤:
检测并确认接收到空调操作指令,获取空调的当前特征参数;其中,特征参数包括空调属性参数、空调设置参数、空调运行参数、环境参数和历史衍生信息,历史衍生信息由历史特征参数确定;将当前特征参数输入至已训练的分类模型中,并得到分类模型输出的分类结果;其中,分类模型是基于历史特征参数和对应的分类结果训练得到,分类结果包括必要操作和非必要操作;若分类结果表示空调操作指令为非必要操作,则进行提示。
参阅图8,图8是本申请提供的计算机可读存储介质一实施例的结构示意图。本实施例的计算机可读存储介质80用于存储计算机程序81,计算机程序81在被处理器执行时,用以实现如下方法步骤:
检测并确认接收到空调操作指令,获取空调的当前特征参数;其中,特征参数包括空调属性参数、空调设置参数、空调运行参数、环境参数和历史衍生信息,历史衍生信息由历史特征参数确定;将当前特征参数输入至已训练的分类模型中,并得到分类模型输出的分类结果;其中,分类模型是基于历史特征参数和对应的分类结果训练得到,分类结果包括必要操作和非必要操作;若分类结果表示空调操作指令为非必要操作,则进行提示。
需要说明的是,本实施例的计算机程序81所执行的方法步骤是基于上述方法实施例的,其实施原理和步骤类似。因此,计算机程序81在被处理器执行时,还可以实现上述任一实施例中的其他方法步骤,在此不再赘述。
本申请的实施例以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本申请各个实施方式所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的实施方式,并非因此限制本申请的专利范围,凡是根据本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (16)
1.一种空调的操作提示方法,其特征在于,所述方法包括:
检测并确认接收到空调操作指令,获取空调的当前特征参数;其中,所述特征参数包括空调属性参数、空调设置参数、空调运行参数、环境参数和历史衍生信息,所述历史衍生信息由历史特征参数确定;
将所述当前特征参数输入至已训练的分类模型中,并得到所述分类模型输出的分类结果;其中,所述分类模型是基于所述历史特征参数和对应的分类结果训练得到,所述分类结果包括必要操作和非必要操作;
若所述分类结果表示所述空调操作指令为非必要操作,则进行提示。
2.根据权利要求1所述的方法,其特征在于,
所述方法还包括:
建立分类模型;
检测并确认接收到历史空调操作指令,获取空调的第一历史特征参数;其中,所述第一历史特征参数包括空调属性参数、历史空调设置参数、历史空调运行参数和历史环境参数;
根据所述第一历史特征参数确定所述历史空调操作指令对应的分类结果,并获取所述分类结果对应的第二历史特征参数;
将所述历史空调操作指令对应的分类结果和所述第二历史特征参数输入至已建立的分类模型中,以对所述分类模型进行训练。
3.根据权利要求2所述的方法,其特征在于,
所述根据所述第一历史特征参数确定所述历史空调操作指令对应的分类结果,并获取所述分类结果对应的第二历史特征参数;
根据所述空调属性参数、历史空调设置参数、历史空调运行参数和历史环境参数,计算所述历史空调操作指令对应时刻的耗电信息;
若所述耗电信息大于预设耗电信息,则确定所述历史空调操作指令对应的分类结果为非必要操作,并根据所述空调属性参数、历史空调设置参数、历史空调运行参数和历史环境参数计算所述空调的历史衍生信息;
根据所述第一历史特征参数和所述历史衍生信息,确定所述非必要操作对应的第二历史特征参数。
4.根据权利要求3所述的方法,其特征在于,
所述根据所述第一历史特征参数和所述历史衍生信息,确定所述非必要操作对应的第二历史特征参数,包括:
将所述第一历史特征参数和所述历史衍生信息进行特征转换,以得到高维度特征参数集;
对所述高维度特征参数集进行特征提取,以确定所述非必要操作对应的第二历史特征参数。
5.根据权利要求3所述的方法,其特征在于,
所述方法还包括:
若所述耗电信息小于等于所述预设耗电信息,则确定所述历史空调指令操作对应的分类结果为必要操作,并根据所述空调属性参数、历史空调设置参数、历史空调运行参数和历史环境参数计算所述空调的历史衍生信息;
根据所述第一历史特征参数和所述历史衍生信息,确定所述必要操作对应的第二历史特征参数。
6.根据权利要求2所述的方法,其特征在于,
所述将所述历史空调操作指令对应的分类结果和所述第二历史特征参数输入至已建立的分类模型中,以对所述分类模型进行训练,包括:
将所述历史空调操作指令对应的分类结果和所述第二历史特征参数的一部分作为训练数据集,输入至已建立的分类模型中,以对所述分类模型进行训练;
将所述历史空调操作指令对应的分类结果和所述第二历史特征参数的另一部分作为测试数据集,以对训练完成的所述分类模型进行测试,以确定所述分类模型的目标近邻参数。
7.根据权利要求6所述的方法,其特征在于,
所述将所述历史空调操作指令对应的分类结果和所述第二历史特征参数的另一部分作为测试数据集,以对训练完成的所述分类模型进行测试,以确定所述分类模型的目标近邻参数,包括:
分别以多个预设近邻参数为计算标准,将所述历史空调操作指令对应的分类结果和所述第二历史特征参数的另一部分作为测试数据集,输入至已训练的所述分类模型中,以输出所述测试数据集对应的分类结果;
检测并确认所述测试数据集对应的分类结果,以确定所述多个预设近邻参数所对应的多个准确率;
对多个所述准确率对应的多个所述预设近邻参数进行排序,以将最大准确率所对应的预设近邻参数作为所述分类模型的目标近邻参数。
8.根据权利要求6所述的方法,其特征在于,
所述将所述当前特征参数输入至已训练的分类模型中,并得到所述分类模型输出的分类结果,包括:
将所述当前特征参数输入至已训练的分类模型中,计算所述当前特征参数对应的当前样本,与所述第二历史特征参数对应的多个历史样本之间的多个欧式距离;
对多个所述欧式距离进行排序,并根据所述目标近邻参数确定最小欧式距离对应的k个分类结果;
对所述最小欧式距离对应的k个分类结果进行投票,以确定所述当前样本的分类结果。
9.根据权利要求8所述的方法,其特征在于,
所述对所述最小欧式距离对应的k个分类结果进行投票,以确定所述当前样本的分类结果,包括:
分别获取所述k个分类结果的权重;
分别计算所述k个分类结果中,相同分类结果的权重之和;
以最大权重之和所对应的分类结果作为所述当前样本对应的分类结果。
10.根据权利要求1所述的方法,其特征在于,
所述将所述当前特征参数输入至已训练的分类模型中,并得到所述分类模型输出的分类结果,包括:
将所述当前特征参数发送至服务器,以使所述服务器将所述当前特征参数输入至已训练的分类模型中,并得到所述分类模型输出的分类结果;
接收所述服务器发送的分类结果。
11.根据权利要求1所述的方法,其特征在于,
所述方法还包括:
检测并确认接收到反馈操作指令,则利用所述空调操作指令对应的当前特征参数对所述分类模型进行修正。
12.根据权利要求1所述的方法,其特征在于,
所述空调操作指令是指所述空调接收到的、由空调控制终端发送的、用于改变所述空调的压缩机工作状态的指令。
13.根据权利要求1所述的方法,其特征在于,
所述空调属性参数为根据所述空调的型号或标识获取得到的空调基本属性信息;或,
所述空调设置参数为所述空调在所述空调操作指令的控制下,所需达到的工作指标;或,
所述空调运行参数为所述空调在所述空调操作指令的控制下,实时达到的工况信息;或,
所述环境参数为所述空调运行时的环境温度信息。
14.根据权利要求13所述的方法,其特征在于,
所述空调属性参数包括所述空调的匹数、制冷功率、制热功率、制冷量、制热量以及能效等级中的至少一个;或,
所述空调设置参数包括所述空调的温度设置参数和风速设置参数中的至少一个;或,
所述空调运行参数包括压缩机运行频率、室内风机转速、室外风机转速、室外机运行频率以及电量值中的至少一个;或,
所述环境参数包括室内环境温度、室外环境温度、室内环境湿度以及室外环境湿度中的至少一个;或,
所述历史衍生信息包括历史时刻下的非必要操作时间因子、非必要操作概率、必要操作时间因子、必要操作概率以及情景特征中的至少一个。
15.一种空调设备,其特征在于,包括处理器以及存储器,其中,所述存储器用于存储计算机程序,所述计算机程序在被所述处理器执行时,用于实现如权利要求1-14任一项所述的空调的操作提示方法。
16.一种计算机可读存储介质,其特征在于,用于存储计算机程序,所述计算机程序在被处理器执行时,用于实现权利要求1-14任一项所述的空调的操作提示方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011615663.6A CN114764582A (zh) | 2020-12-30 | 2020-12-30 | 空调的操作提示方法、空调设备以及计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011615663.6A CN114764582A (zh) | 2020-12-30 | 2020-12-30 | 空调的操作提示方法、空调设备以及计算机存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114764582A true CN114764582A (zh) | 2022-07-19 |
Family
ID=82363477
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011615663.6A Pending CN114764582A (zh) | 2020-12-30 | 2020-12-30 | 空调的操作提示方法、空调设备以及计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114764582A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116817424A (zh) * | 2023-07-03 | 2023-09-29 | 广州旭杰电子有限公司 | 一种基于人工智能的空调节能控制系统及方法 |
-
2020
- 2020-12-30 CN CN202011615663.6A patent/CN114764582A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116817424A (zh) * | 2023-07-03 | 2023-09-29 | 广州旭杰电子有限公司 | 一种基于人工智能的空调节能控制系统及方法 |
CN116817424B (zh) * | 2023-07-03 | 2023-12-01 | 广州旭杰电子有限公司 | 一种基于人工智能的空调节能控制系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10884385B2 (en) | Realization of energy savings potential through feedback | |
US11385664B2 (en) | Methods and apparatus for achieving energy consumption goals through model-based simulations | |
US8560134B1 (en) | System and method for electric load recognition from centrally monitored power signal and its application to home energy management | |
Hu et al. | Hardware design of smart home energy management system with dynamic price response | |
CN109345409A (zh) | 一种基于宽带载波的居民用户综合能效管理方法 | |
CN112696798B (zh) | 空调的参数设置方法、空调设备以及计算机可读存储介质 | |
WO2014048317A1 (zh) | 一种控制空调的方法及系统 | |
CN103123159A (zh) | 一种基于云计算技术的空调器睡眠功能控制方法 | |
JP2020060331A (ja) | 空気調和機、データ送信方法及び空気調和システム | |
Ziras et al. | A new method for handling lockout constraints on controlled TCL aggregations | |
CN110471301A (zh) | 一种基于用户行为的智能家居服务推荐系统及方法 | |
CN114764582A (zh) | 空调的操作提示方法、空调设备以及计算机存储介质 | |
Fu et al. | Predictive control of power demand peak regulation based on deep reinforcement learning | |
CN115451534A (zh) | 基于强化学习分场景的机房空调节能方法 | |
Long et al. | Model predictive control for household energy management based on individual habit | |
CN113673830B (zh) | 基于非侵入式负荷监测技术的自适应家庭能量管理方法 | |
CN115051374A (zh) | 电采暖设备参与电力调峰的控制方法、装置和存储介质 | |
Brahim | Weather Conditions Impact on Electricity Consumption in Smart Homes: Machine Learning Based Prediction Model | |
CN115169839A (zh) | 一种基于数据-物理-知识联合驱动的供暖负荷调度方法 | |
CN112255923A (zh) | 一种电设备控制方法、装置、服务器及介质 | |
Gaikwad et al. | Increasing energy resiliency to hurricanes with battery and rooftop solar through intelligent control | |
Zhang | Research on Intelligent Control System of Air Conditioning Based on Internet of Things | |
CN117709186A (zh) | 一种用电设备非侵入式负荷分解方法、介质及终端 | |
Zhukui et al. | Online Rolling Optimization for Energy Efficiency in Smart Homes | |
Iliaee | Non-Intrusive Load Monitoring Based User-Centric Demand Response for Smart Home Energy Management |
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 |