CN114963458B - 一种热舒适参数预测方法及其设备 - Google Patents
一种热舒适参数预测方法及其设备 Download PDFInfo
- Publication number
- CN114963458B CN114963458B CN202110202462.1A CN202110202462A CN114963458B CN 114963458 B CN114963458 B CN 114963458B CN 202110202462 A CN202110202462 A CN 202110202462A CN 114963458 B CN114963458 B CN 114963458B
- Authority
- CN
- China
- Prior art keywords
- thermal comfort
- time
- determining
- parameters
- time sequence
- 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
-
- 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
-
- 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
- F24F11/61—Control or safety arrangements characterised by user interfaces or communication using timers
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
Abstract
本发明公开了一种热舒适参数预测方法及其设备,用于实现按用户需求自动化调控空气设备。该方法包括:获取用户所在室内环境前T天内的热舒适参数,根据所述热舒适参数的获取时间确定多个时间序列集合,其中每个时间序列集合包括获取时间以及所述获取时间对应的多个热舒适参数;将所述多个时间序列集合输入到LSTM模型,利用所述LSTM模型的编码器对所述时间序列集合中的热舒适参数进行编码得到定长向量,利用所述LSTM模型的解码器对所述定长向量进行解码得到第T+1天的时间序列集合;根据所述LSTM模型的评价函数值确定所述用户所在室内的空气设备对应的时段和参数,控制所述空气设备按照所述时段和参数运行。
Description
技术领域
本发明涉及智能家居技术领域,特别涉及一种热舒适参数预测方法及其设备。
背景技术
目前智慧家居环境下,对空调等空气设备的智能控制主要体现在APP远程控制、语音控制、空调风随人动、空调避人吹风等。由于人们的热舒适受到生理、心理、地域气候、文化习俗、能源价格及行为习惯等因素的影响,并且家庭住宅人员可以采取其他对室内环境有影响的调节措施,如开门、开窗、更换服装、开关风扇、开关空调等,所以人们对热环境的感知或对室内热环境的控制需求存在很大的差异。传统的智能控制方式中还没有一种对空气设备进行自适应控制的策略,没有为用户提供智能感知、预测未来一段时间的舒适需求。
发明内容
本发明提供一种热舒适参数预测方法及其设备,用于通过分析用户T天前的室内环境等因素,预测用户未来一段时间的热舒适需求,实现按用户需求自动化调控空气设备。
第一方面,本发明实施例提供的一种热舒适参数预测方法,该方法包括:
获取用户所在室内环境前T天内的热舒适参数,根据所述热舒适参数的获取时间确定多个时间序列集合,其中每个时间序列集合包括获取时间以及所述获取时间对应的多个热舒适参数,所述T为大于零的数;
将所述多个时间序列集合输入到LSTM模型,利用所述LSTM模型的编码器对所述时间序列集合中的热舒适参数进行编码得到定长向量,利用所述LSTM模型的解码器对所述定长向量进行解码得到第T+1天的时间序列集合;
根据所述LSTM模型的评价函数值确定所述用户所在室内的空气设备对应的时段和参数,控制所述空气设备按照所述时段和参数运行。
本发明实施例可以通过挖掘用户历史调控的热舒适数据,构建个性化的热舒适预测模型LSTM,为用户提供全天候自动化的个性化空气设备调节服务,为用户提供真正无需人工参与的热舒适调控方法。
作为一种可选的实施方式,所述根据所述LSTM模型的评价函数值确定所述用户所在室内的空气设备对应的时段和参数,包括:
若所述LSTM模型的评价函数值小于阈值,则确定所述空气设备对应的时段为所述第T+1天的时间序列集合中的生效时段,确定所述空气设备对应的参数为所述第T+1天的时间序列集合中的热舒适参数;
若所述LSTM模型的评价函数值不小于阈值,则根据所述空气设备的历史启动数据集合中与当前时刻对应的启动时段,从所述历史启动数据集合中筛选出所述空气设备即将运行的启动时段和设备运行参数,确定所述空气设备对应的时段为所述启动时段,确定所述空气设备对应的参数为所述设备运行参数。
作为一种可选的实施方式,所述获取所述空气设备的历史启动数据集合,包括:
获取所述空气设备在T天内的运行数据,其中所述运行数据包括所述空气设备的开关信息和运行信息;
根据所述开关信息,确定所述空气设备在各个预设区间的开启概率;
基于所述开启概率超过阈值的预设区间对应的运行信息,确定所述历史启动数据集合。
作为一种可选的实施方式,所述根据所述热舒适参数的获取时间确定多个时间序列集合,包括:
根据所述用户所在室内环境前T天内的热舒适参数的获取时间,确定T个初选的时间序列集合,所述初选的时间序列集合包括多个所述获取时间以及对应的热舒适参数;
将每个初选的时间序列集合拆分成多个待选的序列集合,所述每个待选的序列集合包括至少一个由相邻的获取时间组成的时段以及对应的热舒适参数;
将所述待选的时间序列集合中的热舒适参数进行离差标准化处理,将所述离差标准化处理后的序列集合确定为所述时间序列集合。
作为一种可选的实施方式,所述控制所述用户所在室内的空气设备按照所述第T+1天的时间序列集合中的生效时段和热舒适参数运行之前,还包括:
确定所述生效时段在设定的有效期内;和/或,
确定所述第T+1天的时间序列集合添加到用户界面后未收到删除或修改的指示。
第二方面,本发明实施例还提供一种热舒适参数预测方法,该方法包括:
获取用户所在室内环境前T天内的热舒适参数,根据所述前T天内的热舒适参数的获取时间确定多个时间序列集合,其中每个时间序列集合包括获取时间以及所述获取时间对应的多个热舒适参数,所述T为大于零的数;
根据所述多个时间序列集合预测第T+1天的时间序列集合;
根据预测的准确率确定所述用户所在室内的空气设备对应的时段和参数,控制所述空气设备按照所述时段和参数运行。
本实施例提供的热舒适参数预测方法,能够根据用户历史的热舒适参数为用户预测未来时间内可运行的热舒适参数,实现完全自动化的按需调控体验。
第三方面,本发明实施例提供的一种热舒适参数预测设备,包括处理器和存储器,所述存储器用于存储所述处理器可执行的程序,所述处理器用于读取所述存储器中的程序并执行如下步骤:
获取用户所在室内环境前T天内的热舒适参数,根据所述热舒适参数的获取时间确定多个时间序列集合,其中每个时间序列集合包括获取时间以及所述获取时间对应的多个热舒适参数,所述T为大于零的数;
将所述多个时间序列集合输入到LSTM模型,利用所述LSTM模型的编码器对所述时间序列集合中的热舒适参数进行编码得到定长向量,利用所述LSTM模型的解码器对所述定长向量进行解码得到第T+1天的时间序列集合;
根据所述LSTM模型的评价函数值确定所述用户所在室内的空气设备对应的时段和参数,控制所述空气设备按照所述时段和参数运行。
作为一种可选的实施方式,所述处理器具体还被配置为执行:
若所述LSTM模型的评价函数值小于阈值,则确定所述空气设备对应的时段为所述第T+1天的时间序列集合中的生效时段,确定所述空气设备对应的参数为所述第T+1天的时间序列集合中的热舒适参数;
若所述LSTM模型的评价函数值不小于阈值,则根据所述空气设备的历史启动数据集合中与当前时刻对应的启动时段,从所述历史启动数据集合中筛选出所述空气设备即将运行的启动时段和设备运行参数,确定所述空气设备对应的时段为所述启动时段,确定所述空气设备对应的参数为所述设备运行参数。
作为一种可选的实施方式,所述处理器具体被配置为执行:
获取所述空气设备在T天内的运行数据,其中所述运行数据包括所述空气设备的开关信息和运行信息;
根据所述开关信息,确定所述空气设备在各个预设区间的开启概率;
基于所述开启概率超过阈值的预设区间对应的运行信息,确定所述历史启动数据集合。
作为一种可选的实施方式,所述处理器具体被配置为执行:
根据所述用户所在室内环境前T天内的热舒适参数的获取时间,确定T个初选的时间序列集合,所述初选的时间序列集合包括多个所述获取时间以及对应的热舒适参数;
将每个初选的时间序列集合拆分成多个待选的序列集合,所述每个待选的序列集合包括至少一个由相邻的获取时间组成的时段以及对应的热舒适参数;
将所述待选的时间序列集合中的热舒适参数进行离差标准化处理,将所述离差标准化处理后的序列集合确定为所述时间序列集合。
作为一种可选的实施方式,所述控制所述用户所在室内的空气设备按照所述第T+1天的时间序列集合中的生效时段和热舒适参数运行之前,所述处理器具体被配置为执行:
确定所述生效时段在设定的有效期内;和/或,
确定所述第T+1天的时间序列集合添加到用户界面后未收到删除或修改的指示。
第四方面,本发明实施例还提供一种热舒适参数预测设备,该设备包括处理器和存储器,所述存储器用于存储所述处理器可执行的程序,所述处理器用于读取所述存储器中的程序并执行如下步骤:
获取用户所在室内环境前T天内的热舒适参数,根据所述前T天内的热舒适参数的获取时间确定多个时间序列集合,其中每个时间序列集合包括获取时间以及所述获取时间对应的多个热舒适参数,所述T为大于零的数;
根据所述多个时间序列集合预测第T+1天的时间序列集合;
根据预测的准确率确定所述用户所在室内的空气设备对应的时段和参数,控制所述空气设备按照所述时段和参数运行。
第五方面,本发明实施例还提供一种热舒适参数预测装置,包括:
确定时间序列单元,用于获取用户所在室内环境前T天内的热舒适参数,根据所述热舒适参数的获取时间确定多个时间序列集合,其中每个时间序列集合包括获取时间以及所述获取时间对应的多个热舒适参数,所述T为大于零的数;
预测单元,用于将所述多个时间序列集合输入到LSTM模型,利用所述LSTM模型的编码器对所述时间序列集合中的热舒适参数进行编码得到定长向量,利用所述LSTM模型的解码器对所述定长向量进行解码得到第T+1天的时间序列集合;
调节单元,用于根据所述LSTM模型的评价函数值确定所述用户所在室内的空气设备对应的时段和参数,控制所述空气设备按照所述时段和参数运行。
作为一种可选的实施方式,所述调节单元具体用于:
若所述LSTM模型的评价函数值小于阈值,则确定所述空气设备对应的时段为所述第T+1天的时间序列集合中的生效时段,确定所述空气设备对应的参数为所述第T+1天的时间序列集合中的热舒适参数;
若所述LSTM模型的评价函数值不小于阈值,则根据所述空气设备的历史启动数据集合中与当前时刻对应的启动时段,从所述历史启动数据集合中筛选出所述空气设备即将运行的启动时段和设备运行参数,确定所述空气设备对应的时段为所述启动时段,确定所述空气设备对应的参数为所述设备运行参数。
作为一种可选的实施方式,所述调节单元具体用于:
获取所述空气设备在T天内的运行数据,其中所述运行数据包括所述空气设备的开关信息和运行信息;
根据所述开关信息,确定所述空气设备在各个预设区间的开启概率;
基于所述开启概率超过阈值的预设区间对应的运行信息,确定所述历史启动数据集合。
作为一种可选的实施方式,所述确定时间序列单元具体用于:
根据所述用户所在室内环境前T天内的热舒适参数的获取时间,确定T个初选的时间序列集合,所述初选的时间序列集合包括多个所述获取时间以及对应的热舒适参数;
将每个初选的时间序列集合拆分成多个待选的序列集合,所述每个待选的序列集合包括至少一个由相邻的获取时间组成的时段以及对应的热舒适参数;
将所述待选的时间序列集合中的热舒适参数进行离差标准化处理,将所述离差标准化处理后的序列集合确定为所述时间序列集合。
作为一种可选的实施方式,所述控制所述用户所在室内的空气设备按照所述第T+1天的时间序列集合中的生效时段和热舒适参数运行之前,所述调节单元具体还用于:
确定所述生效时段在设定的有效期内;和/或,
确定所述第T+1天的时间序列集合添加到用户界面后未收到删除或修改的指示。
第六方面,本发明实施例还提供一种热舒适参数预测装置,包括:
确定时间序列单元,用于获取用户所在室内环境前T天内的热舒适参数,根据所述前T天内的热舒适参数的获取时间确定多个时间序列集合,其中每个时间序列集合包括获取时间以及所述获取时间对应的多个热舒适参数,所述T为大于零的数;
预测单元,用于根据所述多个时间序列集合预测第T+1天的时间序列集合;
调节单元,用于根据预测的准确率确定所述用户所在室内的空气设备对应的时段和参数,控制所述空气设备按照所述时段和参数运行。
第七方面,本发明实施例还提供计算机存储介质,其上存储有计算机程序,该程序被处理器执行时用于实现上述第一方面所述方法的步骤。
本申请的这些方面或其他方面在以下的实施例的描述中会更加简明易懂。
附图说明
为了更清楚地说明本发明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要介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种热舒适参数预测方法的具体实施流程图;
图2为本发明实施例提供的一种热舒适参数预测方法的实施流程图;
图3为本发明实施例提供的一种预测显示界面示意图;
图4为本发明实施例提供的一种热舒适参数完整预测流程图;
图5为本发明实施例提供的一种热舒适参数预测设备示意图;
图6为本发明实施例提供的一种热舒适参数预测设备示意图;
图7为本发明实施例提供的一种热舒适参数预测装置示意图;
图8为本发明实施例提供的一种热舒适参数预测装置示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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它实施例,都属于本发明保护的范围。
本发明实施例中术语“和/或”,描述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。
本发明实施例描述的应用场景是为了更加清楚的说明本发明实施例的技术方案,并不构成对于本发明实施例提供的技术方案的限定,本领域普通技术人员可知,随着新应用场景的出现,本发明实施例提供的技术方案对于类似的技术问题,同样适用。其中,在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上。
实施例1、目前空气设备缺少对未来一段时间的智能调控方案,如果用户想实现未来一段时间的调控需求,只能通过手动或语音交互设定每一个时间段的调控策略来解决,缺少个性化的自动热舒适调控服务。本发明实施例为了解决该技术问题,提供一种热舒适参数预测方法,该方法基于长短期记忆网络,从一定程度上学习用户过去一段时间的热舒适需求,预测用户未来一段时间的热舒适调控需求。
如图1所示,本发明实施例提供的一种热舒适参数预测方法的具体实施流程如下所示:
步骤100、获取用户所在室内环境前T天内的热舒适参数,根据所述热舒适参数的获取时间确定多个时间序列集合,其中每个时间序列集合包括获取时间以及所述获取时间对应的多个热舒适参数,所述T为大于零的数;
可选的,本实施例中的热舒适参数包括但不限于如下一种或多种:
空气设备的状态数据、以及所述空气设备所属的室内外环境数据;例如,空气设备的模式、风速、室内温度、室内湿度、室外温度、室外天气情况、空调开关状态、空调模式、空调设定温度值等参数。
实施中,所述获取时间包括但不限于:星期几、日期、时间、是否假期等。可选的,可以按设定间隔获取用户所在室内环境前T天内的热舒适参数,如可以每隔S秒(如180秒)获取一次用户所在室内环境前T天内的热舒适参数。具体可根据实际需求设定,本实施例不作过多限定。
其中,室内温度、室内湿度为空气设备的传感器采集的参数或室内布置的传感器采集的参数;空调开关状态、空调模式、空调设定温度值为采集的空调的数据;室外温度、室外天气情况为从网络上爬取的用户所在地的室外数据;是否假期是根据国家规定的假期安排设置的数据。
本实施例可以预先获取用户历史时段内的热舒适参数,对历史时段内的热舒适参数进一步处理,得到多个时间序列集合,方便LSTM模型进行预测,每个时间序列集合可视为用户的一个需求特征,每个特征包含获取时间和多个热舒适参数,通过下述步骤将用户在前T天的多个需求特征输入到LSTM模型进行预测,得到第T+1天的控制需求。
作为一种可选的实施方式,本实施例可以通过如下方式根据所述热舒适参数的获取时间确定多个时间序列集合:
1)根据所述用户所在室内环境前T天内的热舒适参数的获取时间,确定T个初选的时间序列集合,所述初选的时间序列集合包括多个所述获取时间以及对应的热舒适参数;
需要说明的是,每个初选的时间序列集合包括的获取时间和热舒适参数之间是对应的,即一个获取时间对应至少一个热舒适参数。根据T天的热舒适参数,拆分成T个时间序列集合,即一天对应一个时间序列集合,该时间序列集合中包含了这一天当中各个获取时间对应的热舒适参数。
可选的,每个时间序列集合包括但不限于如下内容:获取时间、设备状态、运行模式、温度设定值、风速设定值、室内温度、室内湿度、室外温度、室外天气情况、星期几、是否假期。
2)将每个初选的时间序列集合拆分成多个待选的序列集合,所述每个待选的序列集合包括至少一个由相邻的获取时间组成的时段以及对应的热舒适参数;其中,对应的热舒适参数包括多种,即每个待选的序列集合包括多种热舒适参数。
实施中,也可以将一天划分为多个时段,根据每个时段对应采集的热舒适参数,确定一个待选的序列集合。
3)将所述待选的时间序列集合中的热舒适参数进行离差标准化处理,将所述离差标准化处理后的序列集合确定为所述时间序列集合。
作为一种可选的实施方式,将所述待选的时间序列集合中的热舒适参数进行离差标准化处理之前,还包括:
若每个待选的时间序列集合中包括多种热舒适参数,则针对每个待选的时间序列集合中缺失的热舒适参数,利用最近一次获取的与所述缺失的热舒适参数同种类的热舒适参数进行插补的方式,将所述缺失的热舒适参数进行补充。即将当前缺失的热舒适参数设置为最近一次采集到的与所述缺失的热舒适参数同种类的热舒适参数。例如,当前待选的时间序列集合中缺失了室内温度,则获取最近一次采集到的室内温度,将当前缺失的室内温度设置为最近一次采集到的室内温度。
作为一种可选的实施方式,将所述待选的时间序列集合中的热舒适参数进行离差标准化处理,包括:
对所述待选的时间序列集合中的枚举类型的热舒适参数进行标签编码;
对所述标签编码后的热舒适参数和其他类型的热舒适参数采用离差Min-max方式进行标准化处理。
例如对每个待选的时间序列集合中的枚举类型的热舒适参数进行标签编码,例如星期几有7种取值,该类型的热舒适参数执行标签编码后,该类型的热舒适参数的取值为1~7,分别对应星期一至星期日。
步骤101、将所述多个时间序列集合输入到LSTM(Long Short Term Memory,长短期记忆)模型,利用所述LSTM模型的编码器对所述时间序列集合中的热舒适参数进行编码得到定长向量,利用所述LSTM模型的解码器对所述定长向量进行解码得到第T+1天的时间序列集合;
需要说明的是,本发明实施例中的LSTM模型是基于训练样本集进行训练得到的,其中训练样本集包括预设时间段TS内的多个样本时间序列集合,每个样本时间序列集合包括获取时间以及所述获取时间对应的多个样本热舒适参数。获取训练样本集之后,将训练样本集调整为LSTM识别的格式:
首先设定输入的时间步长n_steps_in和LSTM模型预测输出的时间步长n_steps_out(即用过去n_steps_in内的热舒适参数预测未来n_step_out内的热舒适参数),以及特征数量(每个时间序列集合包含的热舒适参数的数量)n_features=10;然后将输入样本时间序列集合X格式化为(n_samples,n_steps_in,n_features)的三维数组,将输出预测的样本时间序列集合y格式化为(n_samples,n_step_out,n_features)的三维数组;最后划分出训练集train_X、train_y,测试集test_X、test_y,例如前TS/2天的数据作为训练集,用于对LSTM模型进行训练,后TS/2天的数据作为测试集,用于对LSTM模型进行测试验证;其中训练的过程可视为用前TS/2-1天的数据预测第TS/2天的数据。
其中,LSTM模型通过构建长短期记忆网络,利用python的keras包中的序贯Sequential、LSTM模块训练得到,LSTM模型主要包含编码器和解码器两部分,编码器是一个普通的LSTM模型,负责读取输入时间序列X,并将输入的时间序列压缩为一个固定长度的向量,表示模型对时间序列的表示,即LSTM(100,activation='relu',input_shape=(n_steps_in,n_features));解码器利用编码器的输出作为输入,首先对编码器的输出构建重复向量RepeatVector(n_steps_out),由于本实施例中需要进行多步预测,即预测未来多个时间点的热舒适参数,因此每个时间点的预测动作是重复的,因此需要构建重复向量进行重复预测;然后将该重复向量提供给LSTM解码器模型LSTM(100,activation='relu',return_sequences=True),该模型针对输出时间步中的每一时间步输出一个值,最后用多个输出层在输出序列中进行每一步预测TimeDistributed(Dense(1)),得到未来一段时间的预测值。其中,每一时间步理解为每个时间点,比如3分钟为一个预测时间点,若需要预测未来2小时的数据,则需要预测2*60/3=40步。
编码器-解码器用于LSTM模型,其主要思想就是将前t个时间步的信息利用编码器encoder编码到一个融合吸纳前t个时间步的信息的定长向量,然后使用解码器decoder进行解码对后续的时间步进行预测。
步骤102、根据所述LSTM模型的评价函数值确定所述用户所在室内的空气设备对应的时段和参数,控制所述空气设备按照所述时段和参数运行。
作为一种可选的实施方式,所述根据所述LSTM模型的评价函数值确定所述用户所在室内的空气设备对应的时段和参数,包括如下两种实施方式:
方式1、若所述LSTM模型的评价函数值小于阈值,则确定所述空气设备对应的时段为所述第T+1天的时间序列集合中的生效时段,确定所述空气设备对应的参数为所述第T+1天的时间序列集合中的热舒适参数;
方式2、若所述LSTM模型的评价函数值不小于阈值,则根据所述空气设备的历史启动数据集合中与当前时刻对应的启动时段,从所述历史启动数据集合中筛选出所述空气设备即将运行的启动时段和设备运行参数,确定所述空气设备对应的时段为所述启动时段,确定所述空气设备对应的参数为所述设备运行参数。
其中,方式1的具体实施为若所述LSTM模型的评价函数值小于阈值,则控制所述用户所在室内的空气设备按照所述第T+1天的时间序列集合中的生效时段和热舒适参数运行。
如图2所示,本发明实施例还提供一种热舒适参数预测方法,该方法包括:
步骤200、获取用户所在室内环境前T天内的热舒适参数,根据所述前T天内的热舒适参数的获取时间确定多个时间序列集合,其中每个时间序列集合包括获取时间以及所述获取时间对应的多个热舒适参数,所述T为大于零的数;
步骤201、根据所述多个时间序列集合预测第T+1天的时间序列集合;
其中预测的方式可以是通过神经网络模型进行预测,也可以是通过其他预测模型进行预测,本实施例对此不作过多限定。例如也可以通过LSTM模型进行预测。
步骤202、根据预测的准确率确定所述用户所在室内的空气设备对应的时段和参数,控制所述空气设备按照所述时段和参数运行。
其中,判断预测的准确率可以通过评价函数进行判断,具体的评价函数的确定依据采用的预测模型,本实施例对此不作过多限定。
作为一种可选的实施方式,若所述准确率不小于阈值,则确定所述空气设备对应的时段为所述第T+1天的时间序列集合中的生效时段,确定所述空气设备对应的参数为所述第T+1天的时间序列集合中的热舒适参数;
若所述准确率小于阈值,则根据所述空气设备的历史启动数据集合中与当前时刻对应的启动时段,从所述历史启动数据集合中筛选出所述空气设备即将运行的启动时段和设备运行参数,确定所述空气设备对应的时段为所述启动时段,确定所述空气设备对应的参数为所述设备运行参数。
作为一种可选的实施方式,所述获取所述空气设备的历史启动数据集合,包括:获取所述空气设备在T天内的运行数据,其中所述运行数据包括所述空气设备的开关信息和运行信息;根据所述开关信息,确定所述空气设备在各个预设区间的开启概率;基于所述开启概率超过阈值的预设区间对应的运行信息,确定所述历史启动数据集合。
作为一种可选的实施方式,所述根据所述热舒适参数的获取时间确定多个时间序列集合,包括:
根据所述用户所在室内环境前T天内的热舒适参数的获取时间,确定T个初选的时间序列集合,所述初选的时间序列集合包括多个所述获取时间以及对应的热舒适参数;将每个初选的时间序列集合拆分成多个待选的序列集合,所述每个待选的序列集合包括至少一个由相邻的获取时间组成的时段以及对应的热舒适参数;将所述待选的时间序列集合中的热舒适参数进行离差标准化处理,将所述离差标准化处理后的序列集合确定为所述时间序列集合。
作为一种可选的实施方式,所述确定所述空气设备对应的时段为所述第T+1天的时间序列集合中的生效时段,确定所述空气设备对应的参数为所述第T+1天的时间序列集合中的热舒适参数之后,还包括:
确定所述生效时段在设定的有效期内;和/或,确定所述第T+1天的时间序列集合添加到用户界面后未收到删除或修改的指示。
如图3所示,本实施例提供一种预测显示界面,可以为用户提供未来24小时的智能预测,包括各个生效时段对应的热舒适参数。
可选的,可以通过均方根误差损失函数(Root Mean Squared Error,RMSE)来评价LSTM模型的性能。若RMSE的函数值小于阈值,说明LSTM模型稳定,则可以通过LSTM模型进行预测。也可以通过其他用于评价预测性能的评价函数来评价,本实施例对此不作过多限定。
其中,预测得到的第T+1天的时间序列集合包括生效时段和热舒适参数,例如包括开启时间、关闭时间、运行模式、设定温度参数、设定风速参数、设定湿度参数。其中,预测得到的热舒适参数用于表征控制空气设备运行所需的参数。
作为一种可选的实施方式,所述控制所述用户所在室内的空气设备按照所述第T+1天的时间序列集合中的生效时段和热舒适参数运行之前,还包括:
确定所述生效时段在设定的有效期内;和/或,
确定所述第T+1天的时间序列集合添加到用户界面后未收到删除或修改的指示。
作为一种可选的实施方式,本实施例还提供一种根据历史启动数据调节空气设备运行,即方式2的具体实施方式,如下所示:
1)确定所述LSTM模型的评价函数值不小于阈值;
2)根据所述空气设备的历史启动数据集合中与当前时刻对应的启动时段,从所述历史启动数据集合中筛选出所述空气设备即将运行的启动数据集合;
其中所述启动数据集合包括启动时段以及设备运行参数;
作为一种可选的实施方式,通过如下方式获取所述空气设备的历史启动数据集合,包括:
11)获取所述空气设备在T天内的运行数据,其中所述运行数据包括所述空气设备的开关信息和运行信息;
实施中,可以检索T天内的历史数据;筛选出空气设备的开启时刻、切换模式、调整参数、关闭时刻的记录;然后过滤掉无效记录,包括设备开启时间段内,某一模式或参数下的运行时间小于β,或开启与关闭时间差小于λ,或关闭与开始时间差小于μ的历史数据。
12)根据所述开关信息,确定所述空气设备在各个预设区间的开启概率;
例如,以ts秒为基本单位,将一天分为(24*60*60/ts)个区间,统计每个区间内设备的开启情况,然后计算T天内每个区间内设备开启概率,以及设备设定参数的平均值;
13)基于所述开启概率超过阈值的预设区间对应的运行信息,确定所述历史启动数据集合。
实施中,由于划分的每个预设区间的时间段很短,初步统计后会形成很多小的区间,如[11:30:00,11:33:00,制热,...],[11:33:00,11:36:00,制热,...],[11:36:00,11:39:00,制热,...],因此还可以将所有具有相邻预设区间对应的运行信息相同的相邻预设区间进行合并,如将上述小区间合并为[11:30:00,11:39:00,制热,...],这样推荐给用户比较清晰。
3)控制所述空气设备按照所述启动时段和所述设备运行参数运行。
例如按照设备开启时间、设备关闭时间、设备运行参数(包括设备模式、设置参数)等运行。
如图4所示,本发明实施例还提供一种热舒适参数完整预测流程,该流程的具体实施方式如下所示:
步骤400、获取用户所在室内环境前T天内的热舒适参数;
步骤401、根据所述用户所在室内环境前T天内的热舒适参数的获取时间,确定T个初选的时间序列集合,所述初选的时间序列集合包括多个所述获取时间以及对应的热舒适参数;
步骤402、将每个初选的时间序列集合拆分成多个待选的序列集合,所述每个待选的序列集合包括至少一个由相邻的获取时间组成的时段以及对应的热舒适参数;
步骤403、将所述待选的时间序列集合中的热舒适参数进行离差标准化处理,将所述离差标准化处理后的序列集合确定为所述时间序列集合;
步骤404、将所述多个时间序列集合输入到LSTM模型,利用所述LSTM模型的编码器对所述时间序列集合中的热舒适参数进行编码得到定长向量,利用所述LSTM模型的解码器对所述定长向量进行解码得到第T+1天的时间序列集合;
步骤405、判断所述LSTM模型的评价函数值是否小于阈值,若小于阈值则执行步骤406,否则执行步骤408;
步骤406、确定所述生效时段在设定的有效期内;和/或,确定所述第T+1天的时间序列集合添加到用户界面后未收到删除或修改的指示。
步骤407、控制所述用户所在室内的空气设备按照所述第T+1天的时间序列集合中的生效时段和热舒适参数运行。
步骤408、获取所述空气设备在T天内的运行数据,其中所述运行数据包括所述空气设备的开关信息和运行信息;
步骤409、根据所述开关信息,确定所述空气设备在各个预设区间的开启概率;
步骤410、基于所述开启概率超过阈值的预设区间对应的运行信息,确定所述历史启动数据集合;
步骤411、根据所述空气设备的历史启动数据集合中与当前时刻对应的启动时段,从所述历史启动数据集合中筛选出所述空气设备即将运行的启动数据集合,其中所述启动数据集合包括启动时段以及设备运行参数;
步骤412、控制所述空气设备按照所述启动时段和所述设备运行参数运行。
实施例2、基于相同的发明构思,本发明实施例还提供了一种热舒适参数预测设备,由于该设备即是本发明实施例中的方法中的设备,并且该设备解决问题的原理与该方法相似,因此该设备的实施可以参见方法的实施,重复之处不再赘述。
如图5所示,该设备包括处理器500和存储器501,所述存储器用于存储所述处理器可执行的程序,所述处理器用于读取所述存储器中的程序并执行如下步骤:
获取用户所在室内环境前T天内的热舒适参数,根据所述热舒适参数的获取时间确定多个时间序列集合,其中每个时间序列集合包括获取时间以及所述获取时间对应的多个热舒适参数,所述T为大于零的数;
将所述多个时间序列集合输入到LSTM模型,利用所述LSTM模型的编码器对所述时间序列集合中的热舒适参数进行编码得到定长向量,利用所述LSTM模型的解码器对所述定长向量进行解码得到第T+1天的时间序列集合;
若所述LSTM模型的评价函数值小于阈值,则控制所述用户所在室内的空气设备按照所述第T+1天的时间序列集合中的生效时段和热舒适参数运行。
作为一种可选的实施方式,所述处理器具体还被配置为执行:
若所述LSTM模型的评价函数值不小于阈值,则根据所述空气设备的历史启动数据集合中与当前时刻对应的启动时段,从所述历史启动数据集合中筛选出所述空气设备即将运行的启动数据集合,其中所述启动数据集合包括启动时段以及设备运行参数;
控制所述空气设备按照所述启动时段和所述设备运行参数运行。
作为一种可选的实施方式,所述处理器具体被配置为执行:
获取所述空气设备在T天内的运行数据,其中所述运行数据包括所述空气设备的开关信息和运行信息;
根据所述开关信息,确定所述空气设备在各个预设区间的开启概率;
基于所述开启概率超过阈值的预设区间对应的运行信息,确定所述历史启动数据集合。
作为一种可选的实施方式,所述处理器具体被配置为执行:
根据所述用户所在室内环境前T天内的热舒适参数的获取时间,确定T个初选的时间序列集合,所述初选的时间序列集合包括多个所述获取时间以及对应的热舒适参数;
将每个初选的时间序列集合拆分成多个待选的序列集合,所述每个待选的序列集合包括至少一个由相邻的获取时间组成的时段以及对应的热舒适参数;
将所述待选的时间序列集合中的热舒适参数进行离差标准化处理,将所述离差标准化处理后的序列集合确定为所述时间序列集合。
作为一种可选的实施方式,所述控制所述用户所在室内的空气设备按照所述第T+1天的时间序列集合中的生效时段和热舒适参数运行之前,所述处理器具体被配置为执行:
确定所述生效时段在设定的有效期内;和/或,
确定所述第T+1天的时间序列集合添加到用户界面后未收到删除或修改的指示。
本发明实施例还提供一种热舒适参数预测设备,由于该设备即是本发明实施例中的方法中的设备,并且该设备解决问题的原理与该方法相似,因此该设备的实施可以参见方法的实施,重复之处不再赘述。
如图6所示,该设备包括处理器600和存储器601,所述存储器用于存储所述处理器可执行的程序,所述处理器用于读取所述存储器中的程序并执行如下步骤:
获取用户所在室内环境前T天内的热舒适参数,根据所述前T天内的热舒适参数的获取时间确定多个时间序列集合,其中每个时间序列集合包括获取时间以及所述获取时间对应的多个热舒适参数,所述T为大于零的数;
根据所述多个时间序列集合预测第T+1天的时间序列集合;
根据预测的准确率确定所述用户所在室内的空气设备对应的时段和参数,控制所述空气设备按照所述时段和参数运行。
实施例3、基于相同的发明构思,本发明实施例还提供了一种热舒适参数预测装置,由于该装置即是本发明实施例中的方法中的装置,并且该装置解决问题的原理与该方法相似,因此该装置的实施可以参见方法的实施,重复之处不再赘述。
如图7所示,该装置包括:
确定时间序列单元700,用于获取用户所在室内环境前T天内的热舒适参数,根据所述热舒适参数的获取时间确定多个时间序列集合,其中每个时间序列集合包括获取时间以及所述获取时间对应的多个热舒适参数,所述T为大于零的数;
预测单元701,用于将所述多个时间序列集合输入到LSTM模型,利用所述LSTM模型的编码器对所述时间序列集合中的热舒适参数进行编码得到定长向量,利用所述LSTM模型的解码器对所述定长向量进行解码得到第T+1天的时间序列集合;
调节单元702,用于若所述LSTM模型的评价函数值小于阈值,则控制所述用户所在室内的空气设备按照所述第T+1天的时间序列集合中的生效时段和热舒适参数运行。
作为一种可选的实施方式,所述装置还包括历史启动控制单元,具体用于:
若所述LSTM模型的评价函数值不小于阈值,则根据所述空气设备的历史启动数据集合中与当前时刻对应的启动时段,从所述历史启动数据集合中筛选出所述空气设备即将运行的启动数据集合,其中所述启动数据集合包括启动时段以及设备运行参数;
控制所述空气设备按照所述启动时段和所述设备运行参数运行。
作为一种可选的实施方式,所述历史启动控制单元具体用于:
获取所述空气设备在T天内的运行数据,其中所述运行数据包括所述空气设备的开关信息和运行信息;
根据所述开关信息,确定所述空气设备在各个预设区间的开启概率;
基于所述开启概率超过阈值的预设区间对应的运行信息,确定所述历史启动数据集合。
作为一种可选的实施方式,所述确定时间序列单元具体用于:
根据所述用户所在室内环境前T天内的热舒适参数的获取时间,确定T个初选的时间序列集合,所述初选的时间序列集合包括多个所述获取时间以及对应的热舒适参数;
将每个初选的时间序列集合拆分成多个待选的序列集合,所述每个待选的序列集合包括至少一个由相邻的获取时间组成的时段以及对应的热舒适参数;
将所述待选的时间序列集合中的热舒适参数进行离差标准化处理,将所述离差标准化处理后的序列集合确定为所述时间序列集合。
作为一种可选的实施方式,所述控制所述用户所在室内的空气设备按照所述第T+1天的时间序列集合中的生效时段和热舒适参数运行之前,所述调节单元具体还用于:
确定所述生效时段在设定的有效期内;和/或,
确定所述第T+1天的时间序列集合添加到用户界面后未收到删除或修改的指示。
基于相同的发明构思,本发明实施例还提供了一种热舒适参数预测装置,由于该装置即是本发明实施例中的方法中的装置,并且该装置解决问题的原理与该方法相似,因此该装置的实施可以参见方法的实施,重复之处不再赘述。
如图8所示,该装置包括:
确定时间序列单元800,用于获取用户所在室内环境前T天内的热舒适参数,根据所述前T天内的热舒适参数的获取时间确定多个时间序列集合,其中每个时间序列集合包括获取时间以及所述获取时间对应的多个热舒适参数,所述T为大于零的数;
预测单元801,用于根据所述多个时间序列集合预测第T+1天的时间序列集合;
调节单元802,用于根据预测的准确率确定所述用户所在室内的空气设备对应的时段和参数,控制所述空气设备按照所述时段和参数运行。
基于相同的发明构思,本发明实施例还提供了一种计算机存储介质,其上存储有计算机程序,该程序被处理器执行时实现如下步骤:
获取用户所在室内环境前T天内的热舒适参数,根据所述热舒适参数的获取时间确定多个时间序列集合,其中每个时间序列集合包括获取时间以及所述获取时间对应的多个热舒适参数,所述T为大于零的数;
将所述多个时间序列集合输入到LSTM模型,利用所述LSTM模型的编码器对所述时间序列集合中的热舒适参数进行编码得到定长向量,利用所述LSTM模型的解码器对所述定长向量进行解码得到第T+1天的时间序列集合;
若所述LSTM模型的评价函数值小于阈值,则控制所述用户所在室内的空气设备按照所述第T+1天的时间序列集合中的生效时段和热舒适参数运行。
基于相同的发明构思,本发明实施例还提供了一种计算机存储介质,其上存储有计算机程序,该程序被处理器执行时实现如下步骤:
获取用户所在室内环境前T天内的热舒适参数,根据所述前T天内的热舒适参数的获取时间确定多个时间序列集合,其中每个时间序列集合包括获取时间以及所述获取时间对应的多个热舒适参数,所述T为大于零的数;
根据所述多个时间序列集合预测第T+1天的时间序列集合;
根据预测的准确率确定所述用户所在室内的空气设备对应的时段和参数,控制所述空气设备按照所述时段和参数运行。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的设备。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令设备的制造品,该指令设备实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (6)
1.一种热舒适参数预测方法,其特征在于,该方法包括:
获取用户所在室内环境前T天内的热舒适参数,根据所述热舒适参数的获取时间确定多个时间序列集合,其中每个时间序列集合包括获取时间以及所述获取时间对应的多个热舒适参数,所述T为大于零的数;
将所述多个时间序列集合输入到长短期记忆LSTM模型,利用所述LSTM模型的编码器对所述时间序列集合中的热舒适参数进行编码得到定长向量,利用所述LSTM模型的解码器对所述定长向量进行解码得到第T+1天的时间序列集合;
若所述LSTM模型的评价函数值小于阈值,则确定空气设备对应的时段为所述第T+1天的时间序列集合中的生效时段,确定所述空气设备对应的参数为所述第T+1天的时间序列集合中的热舒适参数;
若所述LSTM模型的评价函数值不小于阈值,则根据所述空气设备的历史启动数据集合中与当前时刻对应的启动时段,从所述历史启动数据集合中筛选出所述空气设备即将运行的启动时段和设备运行参数,确定所述空气设备对应的时段为所述启动时段,确定所述空气设备对应的参数为所述设备运行参数。
2.根据权利要求1所述的方法,其特征在于,所述获取所述空气设备的历史启动数据集合,包括:
获取所述空气设备在T天内的运行数据,其中所述运行数据包括所述空气设备的开关信息和运行信息;
根据所述开关信息,确定所述空气设备在各个预设区间的开启概率;
基于所述开启概率超过阈值的预设区间对应的运行信息,确定所述历史启动数据集合。
3.根据权利要求1所述的方法,其特征在于,所述根据所述热舒适参数的获取时间确定多个时间序列集合,包括:
根据所述用户所在室内环境前T天内的热舒适参数的获取时间,确定T个初选的时间序列集合,所述初选的时间序列集合包括多个所述获取时间以及对应的热舒适参数;
将每个初选的时间序列集合拆分成多个待选的序列集合,所述每个待选的序列集合包括至少一个由相邻的获取时间组成的时段以及对应的热舒适参数;
将所述待选的时间序列集合中的热舒适参数进行离差标准化处理,将所述离差标准化处理后的序列集合确定为所述时间序列集合。
4.根据权利要求1~3任一所述的方法,其特征在于,所述确定所述空气设备对应的时段为所述第T+1天的时间序列集合中的生效时段,确定所述空气设备对应的参数为所述第T+1天的时间序列集合中的热舒适参数之后,还包括:
确定所述生效时段在设定的有效期内;和/或,
确定所述第T+1天的时间序列集合添加到用户界面后未收到删除或修改的指示。
5.一种热舒适参数预测设备,其特征在于,该设备包括处理器和存储器,所述存储器用于存储所述处理器可执行的程序,所述处理器用于读取所述存储器中的程序并执行如下步骤:
获取用户所在室内环境前T天内的热舒适参数,根据所述热舒适参数的获取时间确定多个时间序列集合,其中每个时间序列集合包括获取时间以及所述获取时间对应的多个热舒适参数,所述T为大于零的数;
将所述多个时间序列集合输入到长短期记忆LSTM模型,利用所述LSTM模型的编码器对所述时间序列集合中的热舒适参数进行编码得到定长向量,利用所述LSTM模型的解码器对所述定长向量进行解码得到第T+1天的时间序列集合;
若所述LSTM模型的评价函数值小于阈值,则确定空气设备对应的时段为所述第T+1天的时间序列集合中的生效时段,确定所述空气设备对应的参数为所述第T+1天的时间序列集合中的热舒适参数;
若所述LSTM模型的评价函数值不小于阈值,则根据所述空气设备的历史启动数据集合中与当前时刻对应的启动时段,从所述历史启动数据集合中筛选出所述空气设备即将运行的启动时段和设备运行参数,确定所述空气设备对应的时段为所述启动时段,确定所述空气设备对应的参数为所述设备运行参数。
6.根据权利要求5所述的设备,其特征在于,所述处理器具体被配置为执行:
根据所述用户所在室内环境前T天内的热舒适参数的获取时间,确定T个初选的时间序列集合,所述初选的时间序列集合包括多个所述获取时间以及对应的热舒适参数;
将每个初选的时间序列集合拆分成多个待选的序列集合,所述每个待选的序列集合包括至少一个由相邻的获取时间组成的时段以及对应的热舒适参数;
将所述待选的时间序列集合中的热舒适参数进行离差标准化处理,将所述离差标准化处理后的序列集合确定为所述时间序列集合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110202462.1A CN114963458B (zh) | 2021-02-23 | 2021-02-23 | 一种热舒适参数预测方法及其设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110202462.1A CN114963458B (zh) | 2021-02-23 | 2021-02-23 | 一种热舒适参数预测方法及其设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114963458A CN114963458A (zh) | 2022-08-30 |
CN114963458B true CN114963458B (zh) | 2023-09-05 |
Family
ID=82972222
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110202462.1A Active CN114963458B (zh) | 2021-02-23 | 2021-02-23 | 一种热舒适参数预测方法及其设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114963458B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107120782A (zh) * | 2017-02-28 | 2017-09-01 | 上海交通大学 | 一种基于多用户热舒适度数据的暖通系统控制方法 |
EP3411634A1 (en) * | 2017-03-30 | 2018-12-12 | Samsung Electronics Co., Ltd. | Data learning server and method for generating and using learning model thereof |
CN109899937A (zh) * | 2019-03-12 | 2019-06-18 | 王馨仪 | 基于lstm模型的舒适度和节能预测的空调调节系统及方法 |
CN110298487A (zh) * | 2019-05-30 | 2019-10-01 | 同济大学 | 一种用于满足用户个性化需求的室内温度预测方法 |
CN110578994A (zh) * | 2018-06-11 | 2019-12-17 | 珠海格力电器股份有限公司 | 一种运行方法及装置 |
CN110836514A (zh) * | 2018-08-17 | 2020-02-25 | 珠海格力电器股份有限公司 | 空调组的控制方法和装置 |
WO2020039430A1 (en) * | 2018-08-20 | 2020-02-27 | Grid4C | Method and system for hvac inefficiency prediction using household electrical smart meter data |
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 |
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 |
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 |
WO2020246631A1 (ko) * | 2019-06-04 | 2020-12-10 | 엘지전자 주식회사 | 온도 예측 모델의 생성 장치 및 시뮬레이션 환경의 제공 방법 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6698663B2 (en) * | 2002-02-04 | 2004-03-02 | Delphi Technologies, Inc. | Model-based method of generating control algorithms for an automatic climate control system |
CN110631221A (zh) * | 2018-06-05 | 2019-12-31 | 珠海格力电器股份有限公司 | 一种空调的控制方法、装置、终端及存储介质 |
-
2021
- 2021-02-23 CN CN202110202462.1A patent/CN114963458B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107120782A (zh) * | 2017-02-28 | 2017-09-01 | 上海交通大学 | 一种基于多用户热舒适度数据的暖通系统控制方法 |
EP3411634A1 (en) * | 2017-03-30 | 2018-12-12 | Samsung Electronics Co., Ltd. | Data learning server and method for generating and using learning model thereof |
CN110578994A (zh) * | 2018-06-11 | 2019-12-17 | 珠海格力电器股份有限公司 | 一种运行方法及装置 |
CN110836514A (zh) * | 2018-08-17 | 2020-02-25 | 珠海格力电器股份有限公司 | 空调组的控制方法和装置 |
WO2020039430A1 (en) * | 2018-08-20 | 2020-02-27 | Grid4C | Method and system for hvac inefficiency prediction using household electrical smart meter data |
CN109899937A (zh) * | 2019-03-12 | 2019-06-18 | 王馨仪 | 基于lstm模型的舒适度和节能预测的空调调节系统及方法 |
CN110298487A (zh) * | 2019-05-30 | 2019-10-01 | 同济大学 | 一种用于满足用户个性化需求的室内温度预测方法 |
WO2020246631A1 (ko) * | 2019-06-04 | 2020-12-10 | 엘지전자 주식회사 | 온도 예측 모델의 생성 장치 및 시뮬레이션 환경의 제공 방법 |
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 |
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 |
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 |
Non-Patent Citations (1)
Title |
---|
基于长短期记忆网络的空调机组故障诊断与风险评估;彭阳;余芳强;许璟琳;;计算机应用(第S1期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114963458A (zh) | 2022-08-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3411634B1 (en) | Data learning server and method for generating and using learning model thereof | |
CN108488987B (zh) | 空气调节设备的控制方法、存储介质和设备 | |
CN109818839B (zh) | 应用于智能家居的个性化行为预测方法、装置和系统 | |
CN104864548A (zh) | 一种空调运行的控制方法及系统 | |
CN110332671B (zh) | 室内机的控制方法、装置、设备和空调系统 | |
CN110836514B (zh) | 空调组的控制方法和装置 | |
CN112283889A (zh) | 空调的预启动时间控制方法、装置、设备及存储介质 | |
US20120072029A1 (en) | Intelligent system and method for detecting and diagnosing faults in heating, ventilating and air conditioning (hvac) equipment | |
CN107883536B (zh) | 空调设备的参数调整方法及装置、终端 | |
KR20210041806A (ko) | IoT센서 및 인공지능을 이용한 스마트 빌딩 관리방법 | |
CN109114742B (zh) | 控制方法、装置、空调器、遥控终端、服务器及存储介质 | |
CN105607508A (zh) | 基于用户行为分析的智能家居设备控制方法及系统 | |
CN112762576A (zh) | 空调系统控制方法、达温时间预测模型训练方法及设备 | |
KR101762061B1 (ko) | 클라우드 기반 에너지 사용량 예측 시스템 및 방법 | |
CN111207560A (zh) | 基于机器学习的冰箱行为控制方法、装置和冰箱 | |
CN113110082A (zh) | 用于家电控制的方法、装置和家电 | |
CN111928429A (zh) | 数据中心制冷系统的节能控制方法与装置 | |
CN110136024B (zh) | 获取用户的用电特征、用电习惯及用电量预测值的方法及装置 | |
CN111459214A (zh) | 一种基于智慧环境的控制管理系统及其方法 | |
CN114963458B (zh) | 一种热舒适参数预测方法及其设备 | |
CN111649465A (zh) | 一种空调设备自动控制方法及系统 | |
Soudari et al. | Predictive smart thermostat controller for heating, ventilation, and air-conditioning systems | |
CN112013513A (zh) | 空气调节设备及其自动控制方法、终端控制设备 | |
CN114777193A (zh) | 一种供热系统二级网分户调控模式切换方法及系统 | |
Kontes et al. | Adaptive-fine tuning of building energy management systems using co-simulation |
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 |