CN115111717A - 温度调节设备及其温控方法及装置、电子设备及存储介质 - Google Patents

温度调节设备及其温控方法及装置、电子设备及存储介质 Download PDF

Info

Publication number
CN115111717A
CN115111717A CN202110252227.5A CN202110252227A CN115111717A CN 115111717 A CN115111717 A CN 115111717A CN 202110252227 A CN202110252227 A CN 202110252227A CN 115111717 A CN115111717 A CN 115111717A
Authority
CN
China
Prior art keywords
temperature
temperature control
historical data
data
weighted
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
Application number
CN202110252227.5A
Other languages
English (en)
Inventor
关卓钧
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Foshan Shunde Midea Electrical Heating Appliances Manufacturing Co Ltd
Original Assignee
Foshan Shunde Midea Electrical Heating Appliances Manufacturing Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Foshan Shunde Midea Electrical Heating Appliances Manufacturing Co Ltd filed Critical Foshan Shunde Midea Electrical Heating Appliances Manufacturing Co Ltd
Priority to CN202110252227.5A priority Critical patent/CN115111717A/zh
Publication of CN115111717A publication Critical patent/CN115111717A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
    • F24F11/63—Electronic processing
    • F24F11/64—Electronic processing using pre-stored data
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24D—DOMESTIC- OR SPACE-HEATING SYSTEMS, e.g. CENTRAL HEATING SYSTEMS; DOMESTIC HOT-WATER SUPPLY SYSTEMS; ELEMENTS OR COMPONENTS THEREFOR
    • F24D19/00—Details
    • F24D19/10—Arrangement or mounting of control or safety devices
    • F24D19/1096—Arrangement or mounting of control or safety devices for electric heating systems
    • 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
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Combustion & Propulsion (AREA)
  • Chemical & Material Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Fuzzy Systems (AREA)
  • Thermal Sciences (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明涉及温度调节技术领域，提供一种温度调节设备及其温控方法及装置、电子设备及存储介质。温度调节设备的温控方法包括：获取温度调节设备的当前环境数据和温度调节设备的当前设备参数值，当前设备参数值包括设备温度；将当前环境数据和当前设备参数值输入温度控制模型以获取温控阈值，其中，温度控制模型基于温度调节设备的加权历史数据训练得到，加权历史数据为温度调节设备的初始历史数据经过加权处理得到；基于温控阈值控制温度调节设备进行温度调节。该方法中温度控制模型基于当前环境数据和当前设备参数值可以自动输出温度调节设备最适宜的温度值也即温控阈值，由于无需用户手动调节温度调节设备，进而可以简化操作，提高用户满意度。

Description

温度调节设备及其温控方法及装置、电子设备及存储介质
技术领域
本发明涉及温度调节技术领域，尤其涉及温度调节设备及其温控方法及装置、电子设备及存储介质。
背景技术
温度调节设备一般用于对特定空间内的温度进行调节，以达到使人体感到舒适的温度值。以取暖器为例，取暖器是高功率家电，用户对取暖器的调节一般有两种方式：第一种方式通过调节档位或模式达到调节取暖器的目的；第二种方式用户手动设定温控阈值达到调节取暖器的目的。其中，用户手动设定温控阈值会存在调节不准确的问题，由此会带来取暖器的能耗浪费，导致用户体验不佳。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种温度调节设备的温控方法，其可以为用户预测所需要的温控阈值，实现温度调节设备的智能控制，为用户节省不必要的能耗，并提升用户体验。
本发明还提出一种温度调节设备的温控装置。
本发明还提出一种温度调节设备。
本发明还提出一种电子设备。
本发明还提出一种非暂态计算机可读存储介质。
根据本发明第一方面实施例的温度调节设备的温控方法，包括：
获取温度调节设备的当前环境数据和温度调节设备的当前设备参数值；
将所述当前环境数据和所述当前设备参数值输入温度控制模型以获取温控阈值，其中，所述温度控制模型基于所述温度调节设备的加权历史数据训练得到，所述加权历史数据为所述温度调节设备的初始历史数据经过加权处理得到；
基于所述温控阈值控制所述温度调节设备进行温度调节。
根据本发明实施例的温度调节设备的温控方法，将当前环境数据和当前设备参数值作为温度控制模型的输入值，进而温度控制模型基于当前环境数据和当前设备参数值可以自动输出温度调节设备最适宜的温度值也即温控阈值。在此基础上，基于温控阈值控制温度调节设备的工作即可，避免使用过程中用户反复调试温控阈值导致能耗浪费，并且由于无需用户手动调节温度调节设备，进而可以简化操作，提高用户满意度。
根据本发明的一个实施例，所述加权处理的步骤包括：
基于所述初始历史数据的发生时间和当前时间的时间差对所述初始历史数据进行加权处理。
根据本发明的一个实施例，所述基于所述初始历史数据的发生时间和当前时间的时间差对所述初始历史数据进行加权处理中，确定所述初始历史数据的加权系数为e-|Δt|，e为自然常数，Δt所述初始历史数据的发生时间和当前时间的时间差。
根据本发明的一个实施例，所述加权处理的步骤包括：
基于所述初始历史数据的分类对所述初始历史数据进行加权处理，得到所述初始历史数据的加权系数为0或者1。
根据本发明的一个实施例，所述温度控制模型的训练步骤包括：
对所述加权历史数据进行标准化，得到标准化历史数据；
将所述标准化历史数据划分成训练集和测试集，采用所述训练集进行训练拟合得到初始模型；
将所述测试集应用于所述初始模型，得到泛化误差，基于所述泛化误差在设定范围确定所述初始模型为所述温度控制模型，或者，基于所述泛化误差超过设定范围，重新训练拟合得到所述初始模型。
根据本发明的一个实施例，所述对所述加权历史数据进行标准化，得到标准化历史数据的步骤，包括：
基于公式：
Figure BDA0002966519240000031
得到标准化历史数据；
其中，x′ji为特征i按照时间排序的第j条标准化历史数据，xji为特征i按照时间排序的第j条加权历史数据，uxi为特征i的加权平均值，sxi为特征i的加权标准差。
根据本发明的一个实施例，所述对所述加权历史数据进行标准化，得到标准化历史数据的步骤，包括：
确定所述加权历史数据出现偏态，采用对数函数对所述加权历史数据进行压缩得到压缩历史数据；
对所述压缩历史数据进行标准化，得到标准化压缩历史数据。
根据本发明的一个实施例，所述确定所述加权历史数据出现偏态，采用对数函数对所述加权历史数据进行压缩得到压缩历史数据中，基于公式
yji＝logaxji
得到压缩历史数据；
其中，y为压缩历史数据，a＞0且a≠1；
所述对所述压缩历史数据进行标准化，得到标准化压缩历史数据的步骤中，基于公式
Figure BDA0002966519240000032
得到标准化压缩历史数据；
其中，y′ji为标准化压缩历史数据，uyi为压缩历史数据的平均值，syi为压缩历史数据的标准差。
根据本发明的一个实施例，所述将所述标准化历史数据划分成训练集和测试集，采用所述训练集进行训练拟合得到初始模型的步骤中，采用训练集对径向基神经网络进行训练拟合。
根据本发明的一个实施例，所述初始历史数据包括初始历史环境数据和初始历史设备参数值，所述初始历史环境数据经过加权处理得到加权历史环境数据，所述初始历史设备参数值经过加权处理得到加权历史设备参数值；
所述温度控制模型为以所述加权历史环境数据为样本，且以与所述加权历史环境数据对应的加权历史设备参数值为样本标签训练得到。
根据本发明第二方面实施例的温度调节设备的温控装置，包括：
获取模块，用于获取温度调节设备的当前环境数据和温度调节设备的当前设备参数值；
控制模块，用于将所述当前环境数据和所述当前设备参数值输入温度控制模型以获取温控阈值，其中，所述温度控制模型基于所述温度调节设备的加权历史数据训练得到，所述加权历史数据为所述温度调节设备的初始历史数据经过加权处理得到；
调节模块，用于基于所述温控阈值控制所述温度调节设备。
根据本发明实施例的温度调节设备的温控装置，其技术效果和上述温度调节设备的温控方法对应，此处不再赘述。
根据本发明第三方面实施例的温度调节设备，包括：
处理器，所述处理器执行计算机程序时实现上述温度调节设备的温控方法的步骤；
传感组件，用于获取所述温度调节设备的当前环境数据和当前设备参数值并发送给所述处理器；
所述处理器基于所述当前环境数据和所述当前设备参数值获取所述温控阈值。
根据本发明实施例的温度调节设备，其技术效果和上述温度调节设备的温控方法对应，此处不再赘述。
根据本发明第四方面实施例的电子设备，包括存储器、处理器及存储在存储器上并可在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上述温度调节设备的温控方法的步骤。
根据本发明实施例的电子设备，其技术效果和上述温度调节设备的温控方法对应，此处不再赘述。
根据本发明第五方面实施例的非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述温度调节设备的温控方法的步骤。
根据本发明实施例的非暂态计算机可读存储介质，其技术效果和上述温度调节设备的温控方法对应，此处不再赘述。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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发明的一些实施例，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。
图1是本发明实施例提供的温度调节设备的温控方法的流程示意图；
图2是本发明实施例提供的温度调节设备的温控装置的结构示意图；
图3是本发明实施例提供的电子设备的实体结构示意图。
具体实施方式
下面结合附图和实施例对本发明的实施方式作进一步详细描述。以下实施例用于说明本发明，但不能用来限制本发明的范围。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明实施例的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
现有技术中用户基于用户体验温度对温度调节设备的温度进行温度调节，由于用户体验温度较之于温度调节设备的调节温度本身可能存在于一定的滞后性，温度调节设备的传感器温度与用户体验温度之间会存在差异。如果用户基于当前体验温度将调节设备的温度调低，很有可能下一时刻用户又觉得太冷了需要将温度调节设备的温度调高。如此反复调试温度，不仅导致温度调节设备的能耗浪费，还会导致用户体验不佳。
基于以上问题，本发明实施例提出一种温度调节设备的温控装置、温度调节设备、电子设备和非暂态计算机可读存储介质。
在对本发明实施例做详细说明之前，先对整个应用场景进行描述。本发明实施例的温度调节设备的温控方法和温度调节设备的温控装置、电子设备和非暂态计算机可读存储介质，即可应用于物联网领域的云平台，也可应用于其他种类的互联网领域当中的云平台，或者还可以应用于第三方设备，或者还可以应用于温度调节设备上。其中，第三方设备可能包括有手机、平板电脑、笔记本、车载电脑和其他智能家电设备等多种不同的类型。温度调节设备包括制冷设备和供暖设备，常见的有空调、取暖器等。当然温度调节设备的种类不受此处举例限制，只要可以实现温度的调节即可。取暖器的供暖方式包括暖气片供暖、地暖、电力供暖等。
请参见图1，根据本发明第一方面实施例的温度调节设备的温控方法，包括：
步骤100、获取温度调节设备的当前环境数据和温度调节设备的当前设备参数值，所述当前设备参数值包括设备温度。
步骤110、将当前环境数据和当前设备参数值输入温度控制模型，以获取温控阈值，其中，温度控制模型基于温度调节设备的加权历史数据训练得到，加权历史数据为温度调节设备的初始历史数据经过加权处理得到。
步骤120、基于温控阈值控制温度调节设备进行温度调节。
根据本发明实施例的温度调节设备的温控方法，将当前环境数据和当前设备参数值作为温度控制模型的输入值，进而温度控制模型基于当前环境数据和当前设备参数值可以自动输出温度调节设备最适宜的温度值也即温控阈值。在此基础上，基于温控阈值控制温度调节设备的工作即可。例如，基于当前环境数据和当前设备参数值，温度控制模型输出当前最适合的温控阈值为29摄氏度，则温度调节设备自动调节到29摄氏度，无需用户基于体验温度反复调试温度调节设备。其中，温度控制模型体现了到温度调节设备的个性化规律，并基于该个性化规律对温控阈值进行预估，温度调节设备基于温控阈值进行精准调节，避免使用过程中用户反复调试温控阈值导致能耗浪费，并且由于无需用户手动调节温度调节设备，进而可以简化操作，提高用户满意度。
也即，本发明实施例的温度调节设备的温控方法，其可以基于大数据技术，结合机器学习算法，根据加权历史数据、当前环境数据和当前设备参数值为用户预测所需要的温控阈值，实现智能温控。
根据本发明的实施例，步骤100中，将当前环境数据和当前设备参数值作为温度控制模型的输入值，并基于输入值获得输出值，其中的输出值也即温控阈值。
假设温度控制模型为f(x)，则其中x为温度控制模型的输入特征向量，也即当前环境数据和当前设备参数值，t为温度控制模型的输出值，也即温控阈值。当温度调节设备为空调或者取暖器的时候，则温控阈值可以在区间【0，37】之间取值。
根据本发明的实施例，温度控制模型的训练步骤包括：
步骤102、获取温度调节设备的初始历史数据。
其中，初始历史数据包括初始历史环境数据和初始历史设备参数值。
一般情况下，初始历史环境数据和当前环境数据均包括环境温度、风向、风力、湿度等天气数据的至少其中一个；初始历史设备参数值和当前设备参数值均包括档位、设备温度、实时功率、工作模式、时间值以及温度调节设备的其他功能状态等的至少其中一个。其中，温度调节设备的档位可能包括低档、中档或者高档，温度调节设备的工作模式可能包括制冷模式、供暖模式、加湿模式等。
需要说明的是，除了获取温度调节设备的初始历史数据之外，还可以获取温度调节设备的类型。例如，温度调节设备为取暖器的时候，其类型可能为油汀、暖风机或者踢脚线等。进而，在获取初始历史环境数据和初始历史设备参数值的基础上，可以得到不同类型的温度调节设备的使用特征和使用规律。
以上初始历史环境数据和可以基于和温度调节设备的关联程度来选取。例如，环境温度和温度调节设备息息相关，因此一般情况下，在执行温度调节设备的温控方法的过程当中，需要获取环境温度；而对于风向或者风力，对于温度调节设备的影响相对较小，因此在有些温度调节设备的温控方法的实施例当中，也可以不获取该数据值。同样的，其他历史环境数据或者初始历史设备参数值也可以基于其和温度调节设备的关联程度，选择是否获取。
步骤103、对初始历史数据进行加权处理得到加权历史数据。
在获取初始历史数据的基础上，可以对初始历史数据进行进一步处理，判断所有初始历史数据对当前温控方法的重要程度，进而基于重要程度获取加权历史数据。
在一个实施例中，考虑到初始历史数据发生的时间距离当前时间越近，则对当前温度调节设备的温控方法影响可能也越大，因此可以基于初始历史数据发生的时间距离当前时间的时间差，确定初始历史数据的加权系数，得到加权历史数据。例如，人体所需要的温度值可能会随着锻炼、感冒或者习惯等其他一些因素产生变化，因此在其他条件不变的情况下，人体对温度调节设备所需要的温度值可能会不同。而初始历史数据的发生时间和当前时间的时间差越大，则人体所需要的温度值发生变化的可能性越大，进而对应初始历史数据的加权系数也就越小。
具体的，确定初始历史数据的加权系数为e-|Δt|，e为自然常数，Δt初始历史数据的发生时间和当前时间的时间差。其中的时间差可以为时间戳的差值，进而时间差越小，e-|Δt|越接近1，时间差越大，e-|Δt|越接近0。也即可以理解为，对于发生时间非常早的初始历史数据，其基本对温度调节设备的温控方法没有影响。
在另外一个实施例中，基于初始历史数据的分类对初始历史数据进行加权处理，得到初始历史数据的加权系数为0或者1。具体的，在获取到一定时间段的所有初始历史数据之后，可以对所有初始历史数据进行分类，并基于分类结果对不同初始历史数据冠以不同的加权系数得到加权历史数据。例如，温度调节设备获取的初始历史数据、当前环境数据和当前设备参数值当中可以包括用户信息，进而基于用户信息对所有初始历史数据进行分类，并将用户信息与当前环境数据和当前设备参数值相同的初始历史数据冠以加权系数1，将剩下的初始历史数据冠以加权系数0。
在一个实施例中，用户信息包括男主人信息、女主人信息、孩童信息、多种用户信息等。其中，多种用户信息指代的是温度调节设备同时获取到男主人信息、女主人信息和孩童信息当中的至少两种。进而在当前环境数据和当前设备参数值的用户信息为男主人信息的情况下，将男主人信息对应的所有初始历史数据冠以加权系数1，剩下的初始历史数据冠以加权系数0；在当前环境数据和当前设备参数值的用户信息为女主人信息的情况下，将女主人信息对应的所有初始历史数据冠以加权系数1，剩下的初始历史数据冠以加权系数0。在当前环境数据和当前设备参数值的用户信息为多种用户信息的情况下，将多种用户信息对应的所有初始历史数据冠以加权系数1，剩下的初始历史数据冠以加权系数0。也即意味着，通过对不同初始历史数据冠以不同的加权系数，可以基于不同用户得到不同的温控阈值的预测结果。例如，一般男性的体温偏高，因此基于不同用户信息对初始历史数据进行分类的情况下，当获取的当前环境数据和当前设备参数值包括的用户信息为男主人信息的时候，则意味着预测的第一温控阈值较低；而当获取的当前环境数据和当前设备参数值包括的用户信息为女主人信息的时候，则意味着预测的第二温控阈值较高；当获取的用户信息为多种用户信息的时候，则意味着预测的第三温控阈值很可能介于第一温控阈值和第二温控阈值之间。当然，也可能对应男主人信息的第一温控阈值会高于对应女主人信息的第二温控阈值。
在又一个实施例中，可以基于温度调节设备的工作模式对初始历史数据进行分类，进而对于工作模式与当前环境数据和当前设备参数值相同的初始历史数据冠以加权系数1，对于剩下初始历史数据冠以加权系数0。
具体对初始历史数据冠以加权系数得到加权历史数据的方法此处无法一一例举。
步骤104、基于加权历史数据确定温度控制模型。
步骤104中，基于机器学习算法，利用加权历史数据进行训练拟合，得到温度控制模型。
根据本发明的实施例，加权历史数据包括加权历史环境数据和加权历史设备参数值。其中，加权历史环境数据由初始历史环境数据经过加权处理得到；加权历史设备参数值由初始历史设备参数值经过加权处理得到。
根据本发明的实施例，以加权历史环境数据为样本，以和加权历史环境数据对应的加权历史设备参数值为样本标签训练得到温度控制模型。
在一个实施例中，步骤104包括：
步骤1041、对加权历史数据进行标准化，得到标准化历史数据；
步骤1042、将标准化历史数据划分成训练集和测试集，对训练集进行训练拟合得到初始模型；其中，训练集和测试集均包括样本和样本标签。
步骤1043、将测试集应用于初始模型，得到泛化误差。当泛化误差在设定范围确定所述初始模型为所述温度控制模型，或者，当所述泛化误差超过设定范围，重新训练拟合得到所述初始模型。其中，设定范围可以基于不同的应用环境选择合适的范围。
在一个实施例中，步骤1041中，基于公式：
Figure BDA0002966519240000111
得到标准化历史数据；
其中，x′ji为特征i按照时间排序的第j条标准化历史数据，xji为特征i按照时间排序的第j条加权历史数据，uxi为特征i的加权平均值，sxi为特征i的加权标准差。例如，x′j1可以指代标准化历史环境温度、x′j2可以指代标准化历史环境湿度、x′j3可以指代标准化历史环境风速、x′j4可以指代标准化历史设备温度，等等。
步骤1041中，由于对加权历史数据进行标准化，进而可以消除数量级数差异大对温度控制模型的影响。
步骤1041中：
确定加权历史数据出现偏态，采用对数函数对加权历史数据进行压缩得到压缩历史数据。其中，历史数据出现偏态可能是由于初始历史数据出现偏态导致。例如，初始历史数据当中的初始历史设备参数值中的温度值，其温度值区间可能在0-35摄氏度之间，但是大部分发生在20-30摄氏度之间，由此导致温度值出现偏态。在此基础上，对压缩历史数据进行标准化，得到标准化压缩历史数据，也即，该种情况下的标准化历史数据指代的是标准化压缩历史数据，进而后续将标准化压缩历史数据划分成训练集和测试集，并基于标准化压缩历史数据得到温度控制模型。
其中，可以基于公式
yji＝logaxji
得到压缩历史数据；
其中，yji为压缩历史数据，a＞0且a≠1；
此外，可以基于公式
Figure BDA0002966519240000121
得到标准化压缩历史数据；
其中，y′ji为标准化压缩历史数据，uyi为压缩历史数据的平均值，syi为压缩历史数据的标准差。
进一步的，可以对标准化压缩历史数据进行降维度。例如，采用主成分分析对标准化压缩历史数据进行降维度。其中，降维度的幅度与算力、数据量有关。
步骤1042中，对标准化历史数据进行随机划分，得到训练集占比65％～85％，测试集占比15％～35％。例如，训练集占比70％，测试集占比30％。如果步骤1041当中对标准化压缩历史数据进行了降维度处理，则步骤1042当中的标准化历史数据指代的是降维度处理之后得到的数据。也即，对降维度之后的数据进行划分得到训练集和测试集。
在一个实施例中，步骤1042中，采用训练集对径向基神经网络(rbf网络模型)进行训练，让机器能学习到温度调节设备的个性化规律，从而为用户精确调节温度调节设备。径向基神经网络的隐含层节点数会根据训练数据量有一定弹性。
步骤120中，温度调节设备基于温控阈值调节温度调节设备的温度。例如，在制冷的情况下，基于当前环境数据和当前设备参数值，温度控制模型得到温控阈值为25摄氏度，则此时温度调节设备直接将温度调节至25摄氏度，无需用户手动调节。
需要说明的是，以上步骤100至步骤104，只是为了方便表述，不构成对温度调节设备的温控方法的各步骤的时序限定。并且，有些内容在本发明第一方面实施例提供的温度调节设备的温控方法当中有详细的说明，又由于所有温度调节设备的温控方法当中的内容也都可适用于第二方面实施例提供的温度调节设备的温控装置，进而为了避免重复赘述在第二方面实施例提供的温度调节设备的温控装置当中没有详细展开说明。同样的，以上两个方面实施例的内容都可以用于解释后面所有方式实施例的内容，因此后面实施例当中对于重复的内容不进行赘述。
根据本发明第二方面的实施例，请参见图2，提供一种温度调节设备的温控装置，包括：
获取模块201，用于获取温度调节设备的当前环境数据和当前设备参数值；
控制模块202，用于将所述当前环境数据和当前设备参数值输入温度控制模型以获取温控阈值，其中，所述温度控制模型为以所述温度调节设备的加权历史数据为样本训练得到，所述加权历史数据为所述温度调节设备的初始历史数据经过加权处理得到；
调节模块，用于基于所述温控阈值控制所述温度调节设备。
在一个实施例中，温度调节设备的温控装置还包括训练模块，用于基于温度调节设备的加权历史数据训练得到温度控制模型。
在一个实施例中，训练模块基于初始历史数据的发生时间和当前时间的时间差对初始历史数据进行加权处理。例如，控制模块202确定初始历史数据的加权系数为e-|Δt|，e为自然常数，Δt初始历史数据的发生时间和当前时间的时间差。
在另外一个实施例中，训练模块基于初始历史数据的分类对初始历史数据进行加权处理，得到初始历史数据的加权系数为0或者1。
在一个实施例中，训练模块包括：
标准化子模块，用于对加权历史数据进行标准化，得到标准化历史数据；
划分子模块，用于将标准化历史数据划分成训练集和测试集；
训练拟合子模块，用于采用训练集进行训练拟合得到初始模型；
温度控制模型子模块，用于将所述测试集应用于所述初始模型，得到泛化误差，且基于所述泛化误差在设定范围确定所述初始模型为所述温度控制模型。
在一个实施例中，标准化子模块基于公式：
Figure BDA0002966519240000141
得到标准化历史数据；
其中，x′ji为特征i按照时间排序的第j条标准化历史数据，xji为特征i按照时间排序的第j条加权历史数据，uxi为特征i的加权平均值，sxi为特征i的加权标准差。
在一个实施例中，标准化子模块包括：
压缩子模块，用于确定加权历史数据出现偏态，采用对数函数对加权历史数据进行压缩得到压缩历史数据；
标准化压缩历史数据子模块，用于对压缩历史数据进行标准化，得到标准化压缩历史数据。
在一个实施例中，压缩子模块基于公式
yji＝logaxji
得到压缩历史数据；
其中，y为压缩历史数据，a＞0且a≠1；
且压缩子模块基于公式
Figure BDA0002966519240000151
得到标准化压缩历史数据；
其中，y′ji为标准化压缩历史数据，yyi为压缩历史数据的平均值，syi为压缩历史数据的标准差。
在一个实施例中，训练拟合子模块采用训练集对径向基神经网络进行训练拟合。
根据本发明第三方面的实施例，提供一种温度调节设备，包括处理器，处理器执行计算机程序时实现上述温度调节设备的温控方法的步骤。
在一个实施例中，温度调节设备还包括：
传感组件，用于获取温度调节设备的当前环境数据和当前设备参数值并发送给处理器，进而处理器基于当前环境数据和当前设备参数值获取温控阈值。
其中，传感组件可以包括温度传感器、湿度传感器和风速传感器等当中的至少其中一个。进而，基于传感组件可以获取包括温度值、湿度值和风速等参数在内的温度调节设备当前环境数据。其中，温度传感器至少可以用于检测环境温度和温度调节设备的设备温度。
根据本发明的实施例，温度调节设备可以为温度调节设备，例如可以为空调和取暖器等。
根据本发明第四方面的实施例，提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行上述温度调节设备的温控方法。
图3示例了一种电子设备的实体结构示意图，如图3所示，该电子设备可以包括：处理器(processor)310、通信接口(Communications Interface)320、存储器(memory)330和通信总线340，其中，处理器310，通信接口320，存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储器330中的逻辑指令，以执行如下方法：获取温度调节设备的当前环境数据和当前设备参数值；将当前环境数据和当前设备参数值输入温度控制模型以获取温控阈值，其中，温度控制模型为以温度调节设备的加权历史数据为样本训练得到，加权历史数据为温度调节设备的初始历史数据经过加权处理得到。
此外，上述的存储器330中的逻辑指令可以通过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，本发明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)执行本发明各个实施例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。
进一步地，本发明实施例公开一种计算机程序产品，计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，计算机程序包括程序指令，当程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：获取温度调节设备的当前环境数据和当前设备参数值；将当前环境数据和当前设备参数值输入温度控制模型以获取温控阈值，其中，温度控制模型为以温度调节设备的加权历史数据为样本训练得到，加权历史数据为温度调节设备的初始历史数据经过加权处理得到。
另一方面，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以上述各实施例提供的温度调节设备的温控方法，例如包括：获取温度调节设备的当前环境数据和当前设备参数值；将当前环境数据和当前设备参数值输入温度控制模型以获取温控阈值，其中，温度控制模型为以温度调节设备的加权历史数据为样本训练得到，加权历史数据为温度调节设备的初始历史数据经过加权处理得到。
以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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)执行各个实施例或者实施例的某些部分的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (14)

1.一种温度调节设备的温控方法，其特征在于，包括：
获取温度调节设备的当前环境数据和温度调节设备的当前设备参数值，所述当前设备参数值包括设备温度；
将所述当前环境数据和所述当前设备参数值输入温度控制模型以获取温控阈值，其中，所述温度控制模型基于所述温度调节设备的加权历史数据训练得到，所述加权历史数据为所述温度调节设备的初始历史数据经过加权处理得到；
基于所述温控阈值控制所述温度调节设备进行温度调节。
2.根据权利要求1所述的温度调节设备的温控方法，其特征在于，所述加权处理的步骤包括：
基于所述初始历史数据的发生时间和当前时间的时间差对所述初始历史数据进行加权处理。
3.根据权利要求2所述的温度调节设备的温控方法，其特征在于，所述基于所述初始历史数据的发生时间和当前时间的时间差对所述初始历史数据进行加权处理中，确定所述初始历史数据的加权系数为e-|Δt|，e为自然常数，Δt所述初始历史数据的发生时间和当前时间的时间差。
4.根据权利要求1所述的温度调节设备的温控方法，其特征在于，所述加权处理的步骤包括：
基于所述初始历史数据的分类对所述初始历史数据进行加权处理，得到所述初始历史数据的加权系数为0或者1。
5.根据权利要求1至4中任意一项所述的温度调节设备的温控方法，其特征在于，所述温度控制模型的训练步骤包括：
对所述加权历史数据进行标准化，得到标准化历史数据；
将所述标准化历史数据划分成训练集和测试集，采用所述训练集进行训练拟合得到初始模型；
将所述测试集应用于所述初始模型，得到泛化误差，基于所述泛化误差在设定范围确定所述初始模型为所述温度控制模型，或者，基于所述泛化误差超过设定范围，重新训练拟合得到所述初始模型。
6.根据权利要求5所述的温度调节设备的温控方法，其特征在于，所述对所述加权历史数据进行标准化，得到标准化历史数据的步骤，包括：
基于公式：
Figure FDA0002966519230000021
得到标准化历史数据；
其中，x′ji为特征i按照时间排序的第j条标准化历史数据，xji为特征i按照时间排序的第j条加权历史数据，uxi为特征i的加权平均值，sxi为特征i的加权标准差。
7.根据权利要求6所述的温度调节设备的温控方法，其特征在于，所述对所述加权历史数据进行标准化，得到标准化历史数据的步骤，包括：
确定所述加权历史数据出现偏态，采用对数函数对所述加权历史数据进行压缩得到压缩历史数据；
对所述压缩历史数据进行标准化，得到标准化压缩历史数据。
8.根据权利要求7所述的温度调节设备的温控方法，其特征在于，所述确定所述加权历史数据出现偏态，采用对数函数对所述加权历史数据进行压缩得到压缩历史数据中，基于公式
yji＝logaxji
得到压缩历史数据；
其中，y为压缩历史数据，a＞0且a≠1；
所述对所述压缩历史数据进行标准化，得到标准化压缩历史数据的步骤中，基于公式
Figure FDA0002966519230000031
得到标准化压缩历史数据；
其中，y′ji为标准化压缩历史数据，uyi为压缩历史数据的平均值，syi为压缩历史数据的标准差。
9.根据权利要求5所述的温度调节设备的温控方法，其特征在于，所述将所述标准化历史数据划分成训练集和测试集，采用所述训练集进行训练拟合得到初始模型的步骤中，采用训练集对径向基神经网络进行训练拟合。
10.根据权利要求1至4中任意一项所述的温度调节设备的温控方法，其特征在于，所述初始历史数据包括初始历史环境数据和初始历史设备参数值，所述初始历史环境数据经过加权处理得到加权历史环境数据，所述初始历史设备参数值经过加权处理得到加权历史设备参数值；
所述温度控制模型为以所述加权历史环境数据为样本，且以与所述加权历史环境数据对应的加权历史设备参数值为样本标签训练得到。
11.一种温度调节设备的温控装置，其特征在于，包括：
获取模块，用于获取温度调节设备的当前环境数据和温度调节设备的当前设备参数值；
控制模块，用于将所述当前环境数据和所述当前设备参数值输入温度控制模型以获取温控阈值，其中，所述温度控制模型基于所述温度调节设备的加权历史数据训练得到，所述加权历史数据为所述温度调节设备的初始历史数据经过加权处理得到；
调节模块，用于基于所述温控阈值控制所述温度调节设备。
12.一种温度调节设备，其特征在于，包括：
处理器，所述处理器执行计算机程序时实现如权利要求1至10中任意一项所述温度调节设备的温控方法的步骤；
传感组件，用于获取所述温度调节设备的当前环境数据和当前设备参数值并发送给所述处理器；
所述处理器基于所述当前环境数据和所述当前设备参数值获取所述温控阈值。
13.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至10中任意一项所述温度调节设备的温控方法的步骤。
14.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至10中任意一项所述温度调节设备的温控方法的步骤。
CN202110252227.5A 2021-03-08 2021-03-08 温度调节设备及其温控方法及装置、电子设备及存储介质 Pending CN115111717A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110252227.5A CN115111717A (zh) 2021-03-08 2021-03-08 温度调节设备及其温控方法及装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110252227.5A CN115111717A (zh) 2021-03-08 2021-03-08 温度调节设备及其温控方法及装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN115111717A true CN115111717A (zh) 2022-09-27

Family

ID=83323049

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110252227.5A Pending CN115111717A (zh) 2021-03-08 2021-03-08 温度调节设备及其温控方法及装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN115111717A (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106681305A (zh) * 2017-01-03 2017-05-17 华南理工大学 一种Fast RVM污水处理在线故障诊断方法
US20190242608A1 (en) * 2018-02-05 2019-08-08 Mitsubishi Electric Research Laboratories, Inc. Methods and Systems for Personalized Heating, Ventilation, and Air Conditioning
CN110285532A (zh) * 2019-07-04 2019-09-27 中国工商银行股份有限公司 基于人工智能的机房空调控制方法、装置及系统
CN110865666A (zh) * 2019-12-09 2020-03-06 Oppo广东移动通信有限公司 温度控制方法、装置、存储介质及电子设备
CN111043726A (zh) * 2019-12-30 2020-04-21 青岛海尔空调器有限总公司 空调器智能调控方法及空调器
CN111121237A (zh) * 2019-12-27 2020-05-08 广东美的白色家电技术创新中心有限公司 空调设备及其控制方法、服务器、计算机可读存储介质
CN112325450A (zh) * 2019-08-05 2021-02-05 青岛海尔空调器有限总公司 智能空调器控制参数的获取方法与控制设备
WO2021028970A1 (ja) * 2019-08-09 2021-02-18 三菱電機株式会社 制御システム、サーバ、機器、制御方法およびプログラム

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106681305A (zh) * 2017-01-03 2017-05-17 华南理工大学 一种Fast RVM污水处理在线故障诊断方法
US20190242608A1 (en) * 2018-02-05 2019-08-08 Mitsubishi Electric Research Laboratories, Inc. Methods and Systems for Personalized Heating, Ventilation, and Air Conditioning
CN110285532A (zh) * 2019-07-04 2019-09-27 中国工商银行股份有限公司 基于人工智能的机房空调控制方法、装置及系统
CN112325450A (zh) * 2019-08-05 2021-02-05 青岛海尔空调器有限总公司 智能空调器控制参数的获取方法与控制设备
WO2021028970A1 (ja) * 2019-08-09 2021-02-18 三菱電機株式会社 制御システム、サーバ、機器、制御方法およびプログラム
CN110865666A (zh) * 2019-12-09 2020-03-06 Oppo广东移动通信有限公司 温度控制方法、装置、存储介质及电子设备
CN111121237A (zh) * 2019-12-27 2020-05-08 广东美的白色家电技术创新中心有限公司 空调设备及其控制方法、服务器、计算机可读存储介质
CN111043726A (zh) * 2019-12-30 2020-04-21 青岛海尔空调器有限总公司 空调器智能调控方法及空调器

Similar Documents

Publication Publication Date Title
US11614249B2 (en) Refrigerant leak detection method and device for air conditioner
US11334628B2 (en) Dressing recommendation method and dressing recommendation apparatus
CN112631415B (zh) Cpu频率调整方法、装置、电子设备及存储介质
CN105068513A (zh) 基于社交网络行为感知的智能家庭能源管理方法
CN115512520B (zh) 基于智慧燃气的用气安全预警方法及物联网系统
CN109960886B (zh) 一种空气舒适度评价方法、装置及空气调节设备
CN115585538B (zh) 室内温度的调节方法、装置、电子设备及存储介质
WO2020260317A1 (en) Method of selecting respondents for querying in a respondent-interrogator system
CN110989703A (zh) 调节香薰浓度的方法、装置、电子设备和计算机可读介质
EP2817747A1 (en) Method and apparatus for enhancing context intelligence in random index based system
CN109839889A (zh) 设备推荐系统及方法
CN112116025A (zh) 用户分类模型的训练方法、装置、电子设备及存储介质
CN111738404A (zh) 模型训练任务处理方法、装置、电子设备和存储介质
WO2022239391A1 (ja) 電池性能評価装置および電池性能評価方法
CN112162625A (zh) 电子设备的功耗控制方法、装置、存储介质和终端
CN115111717A (zh) 温度调节设备及其温控方法及装置、电子设备及存储介质
CN111695743B (zh) 工厂化食品安全生产监控方法、装置、设备及存储介质
CN112997148A (zh) 睡眠预测方法、装置、存储介质及电子设备
CN115076762B (zh) 功率调节方法、功率调节装置及温度调节设备
CN111782782A (zh) 智能客服的咨询回复方法、装置、计算机设备和存储介质
CN112325450A (zh) 智能空调器控制参数的获取方法与控制设备
CN113808727B (zh) 设备监控方法、装置、计算机设备和可读存储介质
EP4109374A1 (en) Data processing method and device
CN117477581B (zh) 一种电力系统负荷均衡控制方法及电力系统
CN114992822B (zh) 压缩机频率的调节方法、计算机可读存储介质和空调

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