CN116753562B - 基于数据分析的石墨烯电暖智能温控系统 - Google Patents
基于数据分析的石墨烯电暖智能温控系统 Download PDFInfo
- Publication number
- CN116753562B CN116753562B CN202311040759.8A CN202311040759A CN116753562B CN 116753562 B CN116753562 B CN 116753562B CN 202311040759 A CN202311040759 A CN 202311040759A CN 116753562 B CN116753562 B CN 116753562B
- Authority
- CN
- China
- Prior art keywords
- electric heating
- value
- time
- temperature
- dimension reduction
- 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
- 238000005485 electric heating Methods 0.000 title claims abstract description 383
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 75
- 229910021389 graphene Inorganic materials 0.000 title claims abstract description 75
- 238000007405 data analysis Methods 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 claims abstract description 35
- 238000000513 principal component analysis Methods 0.000 claims abstract description 22
- 239000011159 matrix material Substances 0.000 claims description 40
- 238000012847 principal component analysis method Methods 0.000 claims description 12
- 230000006641 stabilisation Effects 0.000 claims description 11
- 238000011105 stabilization Methods 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 7
- 230000000087 stabilizing effect Effects 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 5
- 238000010438 heat treatment Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 230000001276 controlling effect Effects 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 8
- 238000012937 correction Methods 0.000 description 12
- 238000010219 correlation analysis Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
Classifications
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Thermal Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Control Of Resistance Heating (AREA)
Abstract
本发明涉及数据处理技术领域,具体涉及一种基于数据分析的石墨烯电暖智能温控系统,该系统包括温度数据获取模块,用于获取石墨烯电暖设备在每个时刻下的电暖设定温度和实时温度;电暖第一降维值获取模块用于根据电暖预期温度值进行主成分分析得到电暖第一降维值;电暖最佳预期温度值获取模块用于根据不同的时间权重值加权后的时间分布值结合电暖第一降维值进行主成分分析,得到所有时刻的电暖最佳预期温度值;石墨烯电暖智能温控模块用于根据电暖最佳预期温度值进行石墨烯电暖智能温控。本发明对石墨烯电暖设备的电暖设定温度和实时温度进行数据分析,并根据数据分析得到的电暖最佳预期温度值进行石墨烯电暖智能温控的方法准确度更高。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种基于数据分析的石墨烯电暖智能温控系统。
背景技术
随着智能家居技术的飞速发展,人们对生活质量的需求日益提升。石墨烯电暖设备的温控系统主要是通过预设的电暖设定温度进行加热,来使得室内温度靠近并稳定在电暖设定温度左右,但是人工调整电暖设定温度的方法并不智能,无法满足不同用户的个性化需求。
所以为了提高用户的舒适度,现有技术通常根据不同用户的石墨烯电暖历史使用数据,通过主成分分析方法进行关联性分析,根据关联性分析结果得到的电暖预期温度值进行石墨烯电暖智能温控。但是时序信息能够决定每个时刻对应的电暖设定温度,而主成分分析方法并不考虑数据的时序信息,可能造成关联性分析时的时序混乱,使得对石墨烯电暖智能温控调节的准确性较低。
发明内容
为了解决现有技术通过主成分分析方法进行关联性分析的方法对石墨烯智能温控调节的准确性较低的技术问题,本发明的目的在于提供一种基于数据分析的石墨烯电暖智能温控系统,所采用的技术方案具体如下:
本发明提出了基于数据分析的石墨烯电暖智能温控系统,所述系统包括:
温度数据获取模块,用于获取历史预设天数中每个时刻下石墨烯电暖设备的电暖设定温度和实时温度;
电暖第一降维值获取模块,用于根据电暖设定温度发生变化时的电暖设定温度与实时温度之间的差异,以及实时温度的变化情况,得到所有时刻的电暖预期温度值;获取每个时刻在每天下的时间分布值;根据天数、时间分布值以及对应的电暖预期温度值构建电暖预期温度值矩阵;对所述电暖预期温度值矩阵进行主成分分析,得到每个时间分布值的电暖第一降维值;
电暖最佳预期温度值获取模块,用于分别根据预设取值范围内的每个时间权重值对所有时间分布值进行加权,得到每个时间权重值的所有加权时间分布值;根据所述电暖第一降维值,以及所述加权时间分布值构成的矩阵进行主成分分析,得到不同时间权重加权情况下所有时间分布值的电暖第二降维值;根据所述电暖第二降维值与所述电暖第一降维值的差异分布状况,及其时间分布情况,得到每个时间权重值的电暖时序有效性;根据最大电暖时序有效性对应的所有电暖第二降维值的差异分布情况以及电暖预期温度值,得到所有时刻的电暖最佳预期温度值;
石墨烯电暖智能温控模块,用于根据电暖最佳预期温度值进行石墨烯电暖智能温控。
进一步地,所述电暖预期温度值的获取方法包括:
将电暖设定温度发生变化,且发生变化前的电暖设定温度与实时温度之间的差异小于预设温度阈值对应的所有时刻,作为特征时刻;在时间顺序上,根据每个时刻后续预设数量时刻对应的温度值,构建每个时刻对应的温度值序列;获取每个温度值序列的差分序列,将每个差分序列中所有元素的均值,作为对应时刻的温度变化特征值;将温度变化特征值小于或等于预设波动阈值的时刻,作为温度稳定时刻;
在时间顺序上,将每个特征时刻与之后的第一个温度稳定时刻之间的时间段,作为每个特征时刻对应的变化参考时间段;将每个温度稳定时刻与之后的第一个特征时刻之间的时间段,作为每个温度稳定时刻对应的稳定参考时间段;将每个参考时间段内倒数第二个时刻的电暖设定温度,作为每个参考时间段内所有时刻对应的电暖预期温度值。
进一步地,所述电暖第二降维值的获取方法包括:
对于任意一个时间权重值:
根据所有的电暖第一降维值,以及对应时间权重值的所有加权时间分布值,构建时间降维值矩阵,所述时间降维值矩阵中每列数据包括电暖第一降维值以及对应的加权时间分布值,且所述时间降维值矩阵中每行数据的数据种类相同;以数据种类数量为维度,对所述时间降维值矩阵通过主成分分析方法根据最大特征值的主成分方向进行数据降维,得到每个加权时间分布值对应的电暖第二降维值。
进一步地,所述电暖时序有效性的获取方法包括:
对于任意一个时间权重值:
将时间权重值对应的所有电暖第二降维值以从小到大的顺序排列,得到电暖第二降维值序列;将电暖第二降维值序列中每个电暖第二降维值的索引值的归一化值,作为每个电暖第二降维值的排列特征值;
将每个电暖第二降维值对应的排列特征值与对应的时间分布值的归一化值之间的差异,作为每个电暖第二降维值的偏差特征值;将每个电暖第二降维值与对应的电暖第一降维值之间的差异,作为每个电暖第二降维值的变化特征值;根据所述偏差特征值和所述变化特征值得到时间权重值的电暖时序有效性,所述偏差特征值和所述变化特征值均与电暖时序有效性呈负相关。
进一步地,所述电暖最佳预期温度值的获取方法包括:
在一天对应的所有时刻中,任选一个时刻作为目标时刻;
在最大电暖时序有效性对应的所有电暖第二降维值中,将目标时刻对应的电暖第二降维值作为目标电暖第二降维值;将目标电暖第二降维值之外的所有电暖第二降维值作为关联第二降维值;将与目标电暖第二降维值之间差异最小的关联第二降维值对应的时刻,作为目标时刻对应的关联时刻;
在历史预设天数对应的所有关联时刻中,将最接近当前时刻的关联时刻对应的电暖预期温度值,作为目标时刻的电暖最佳预期温度值。
进一步地,所述根据电暖最佳预期温度值进行石墨烯电暖智能温控的方法包括:
将石墨烯电暖设备的设定温度调控为对应时刻下的电暖最佳预期温度值。
进一步地,所述电暖第一降维值的获取方法包括:
以天数作为维度,对所述电暖预期温度矩阵通过主成分分析方法根据最大特征值的主成分方向进行数据降维,得到每个时间分布值对应的电暖第一降维值。
进一步地,所述电暖预期温度值矩阵的获取方法包括:
以天为单位,对每天所有时刻的电暖预期温度值进行归一化,得到每天所有时刻的电暖预期温度值的归一化值;以天数为行、以时间分布值为列结合归一化后的电暖预期温度值构建电暖预期温度值矩阵。
进一步地,所述根据所述偏差特征值和所述变化特征值得到时间权重值的电暖时序有效性的方法包括:
将所有电暖第二降维值的偏差特征值与变化特征值之间乘积的累加和的负相关映射值,作为时间权重值的电暖时序有效性。
进一步地,所述预设温度阈值设置为1。
本发明具有如下有益效果:
考虑到温度加热需要一定的时间,因此只有在实时温度靠近或稳定在电暖设定温度后,才能知道当前电暖设定温度是否合适,并且在实时温度远离电暖设定温度的情况下调整电暖设定温度,通常代表对应的电暖设定值的初始设定情况不准确。因此本发明考虑到了电暖设定温度发生变化时的电暖设定温度与实时温度之间的差异,以及实时温度的变化情况,使得得到的电暖预期温度值更加准确,提高后续根据电暖预期温度值进行分析的准确性,进一步使得后续对石墨烯电暖智能温控调节的准确性更高。进一步地,考虑到若直接通过主成分分析方法对原有时间分布值进行数据降维时,可能会造成时序混乱的情况,而对时间分布值进行定值加权的方法缺少一定的适应性,因此本发明实施例通过引入预设取值范围内的所有时间权重值对时间分布值进行加权,进一步在每个时间权重值加权情况下的所有时间分布值进行主成分分析,从而得到最大电暖时序有效性的时间权重值对应的所有电暖第二降维值,在尽可能保留原数据特征的同时使得电暖第二降维值更加符合时序分布特征,降低了主成分分析时的时序混乱对石墨烯电暖智能温控调节准确性的影响。最后在电暖第二降维值的基础上进一步得到所有时刻的电暖最佳预期温度值,并根据电暖最佳预期温度值进行石墨烯电暖智能温控。综上所述,本发明对石墨烯电暖设备的电暖设定温度和实时温度进行数据分析,并根据数据分析得到的电暖最佳预期温度值进行石墨烯电暖智能温控的方法准确度更高。
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和优点,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的介绍,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它附图。
图1为本发明一个实施例所提供的一种基于数据分析的石墨烯电暖智能温控系统结构框图;
图2为本发明一个实施例所提供的一种基于数据分析的石墨烯电暖温度智能预测系统结构框图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于数据分析的石墨烯电暖智能温控系统,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
基于数据分析的石墨烯电暖智能温控系统实施例:
下面结合附图具体的说明本发明所提供的一种基于数据分析的石墨烯电暖智能温控系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的基于数据分析的石墨烯电暖智能温控系统结构框图,该系统包括:温度数据获取模块101,电暖第一降维值获取模块102,电暖最佳预期温度值获取模块103,石墨烯电暖智能温控模块104。
温度数据获取模块101,用于获取历史预设天数中每个时刻下石墨烯电暖设备的电暖设定温度和实时温度。
本发明实施例旨在提供一种基于数据分析的石墨烯电暖智能温控系统,用于根据石墨烯电暖设备的电暖设定温度和实时温度进行数据处理,根据数据处理结果得到每个时刻的电暖最佳预期温度值,根据电暖最佳预期温度值进行石墨烯电暖智能温控。因此首先需要获取用于数据处理的对象。
本发明实施例首先获取历史预设天数中每个时刻下石墨烯电暖设备的电暖设定温度和实时温度。由于人的生活习惯在每天具有一定的规律性,因此本发明实施例对历史数据即历史预设天数中的数据进行分析。在本发明实施例中,历史预设天数设置为10。需要说明的是,实施者可根据具体实施环境自行调整预设历史天数的大小,在此不做进一步赘述。
在本发明实施例中,通过在室内安装温度传感器采集实时温度,通过电暖温度控制系统采集电暖设定温度,并将温度传感器与电暖控制系统相连接,将温度传感器采集到的实时温度数据发送到电暖控制系统中,使得电暖控制系统能够同时得到每个时刻下的石墨烯电暖设备的电暖设定温度和室内的实时温度。并且本发明实施例对电暖设定温度和实施温度设置相同的采样频率,在本发明实施例中,采样频率设置为每0.1秒采集一次。需要说明的是,实施者可根据具体实施环境自行选择其他采样频率,在此不做进一步赘述。
电暖第一降维值获取模块102,用于根据电暖设定温度发生变化时的电暖设定温度与实时温度之间的差异,以及实时温度的变化情况,得到所有时刻的电暖预期温度值;获取每个时刻在每天下的时间分布值;根据天数、时间分布值以及对应的电暖预期温度值构建电暖预期温度值矩阵;对电暖预期温度值矩阵进行主成分分析,得到每个时间分布值的电暖第一降维值。
用户在使用石墨烯电暖设备时,首先需要设定对应的电暖设定温度。在每天的不同时间段,用户所需的电暖预期温度不同。因此当用户对应的电暖预期温度发生变化时,用户会根据需求调整对应的电暖设定温度。但是温度加热需要一定的时间,并且用户调整电暖预期温度的依据是实时温度也即体感温度,因此在进行电暖设定温度值调整时,若实时温度与对应的电暖设定温度值差异较大,则对应时刻下的电暖设定温度值的调整通常是更高初始设定状态,而不是电暖设定温度值是否满足需要。而当电暖设定温度为用户所需的电暖预期温度时,实时温度在达到电暖设定温度后会在电暖设定温度上下波动,并且持续一定的时间,并且在该时间段内用户的预期温度值发生改变时,即需要调整电暖设定温度时,对应的实时温度与电暖设定温度的差异通常较小。因此为了获取更加准确的电暖预期温度值,本发明实施例根据电暖设定温度发生变化时的电暖设定温度与实时温度之间的差异,以及实时温度的变化情况,得到所有时刻的电暖预期温度值。
优选地,电暖预期温度值的获取方法包括:
将电暖设定温度发生变化,且发生变化前的电暖设定温度与实时温度之间的差异小于预设温度阈值对应的所有时刻,作为特征时刻。由于实时温度靠近电暖温度后的,对应的实时温度值通常并不是固定不变的,而是在一定范围内波动,因此本发明实施例设置预设温度阈值来判定特征时刻。优选地,预设温度阈值设置为1。需要说明的是,实施者可根据具体实施环境自行调整预设温度阈值的大小,在此不做进一步赘述。由于特征时刻对应的发生变化前的电暖设定温度与实时温度之间的差异较小,因此特征时刻对应温度发生变化时的原因通常是用户的电暖预期温度值发生改变。
在时间顺序上,根据每个时刻后续预设数量时刻对应的温度值,构建每个时刻对应的温度值序列;获取每个温度值序列的差分序列,将每个差分序列中所有元素的均值,作为对应时刻的温度变化特征值;将温度变化特征值小于或等于预设波动阈值的时刻,作为温度稳定时刻。由于实时温度在靠近对应的电暖设定温度后,对应的实时温度值会在一定范围内波动,因此设定预设波动阈值的目的是判定实时温度值是否稳定,也即温度稳定时刻为实时温度值在电暖设定温度值上下波动达到平衡对应的时刻。在本发明实施例中,预设波动阈值设置为0.5。需要说明的是,实施者可根据具体实施环境自行调整预设波动阈值的大小,在此不做进一步赘述。进一步需要说明的是,差分序列为本领域技术人员所熟知的现有技术,在此不做进一步限定和赘述。
在时间顺序上,将每个特征时刻与之后的第一个温度稳定时刻之间的时间段,作为每个特征时刻对应的变化参考时间段;将每个温度稳定时刻与之后的第一个特征时刻之间的时间段,作为每个温度稳定时刻对应的稳定参考时间段;将每个参考时间段内倒数第二个时刻的电暖设定温度,作为每个参考时间段内所有时刻对应的电暖预期温度值。考虑到在温度上升阶段,可能会出现对应的温度没有达到稳定但出现新的特征时刻的情况,也即对应的变化参考时间段内的电暖设定温度发生了变化;而靠近温度稳定时刻对应的电暖设定温度通常对应该时间段的电暖预期温度值,因此本发明实施例选择每个参考时间段内较为靠后的电暖设定温度作为电暖预期温度。但是考虑到稳定参考时间段是从温度稳定时刻开始到之后的第一个特征时刻截止,所以会出现对应的特征时刻的电暖设定温度发生改变,导致与温度稳定时刻的电暖设定温度不同的情况,因此为了避免该情况的发生,本发明实施例将每个参考时间段内倒数第二个时刻的电暖设定温度作为对应的电暖预期温度值。
需要说明的是,每个变化参考时间段与相邻的下一个稳定参考时间段对应的电暖预期温度值通常相同,而本发明实施例不直接通过相邻两个特征时刻之间的时间段得到电暖预期温度值的原因是,可能会连续出现两个以上的特征时刻,导致部分时间段的电暖预期温度值出现偏差,在此不做进一步赘述。进一步需要说明的是,为了保证能够得到所有时刻的电暖预期温度值,本发明实施例将数据采集的第一个时刻作为特征时刻。
至此,得到所有时刻的电暖预期温度值。考虑到用户每天的作息是相对稳定的,虽然存在一定的差异,但是也存在一定的规律性,也即数据之间存在一定的关联,因此本发明实施例为了减少数据复杂性,通过主成分分析方法对历史预设天数中所有时刻的电暖预期温度值对应的数据进行数据降维。并且由于用户的生活习惯是具有一定规律的,通常以24小时也即一天为周期,因此本发明实施例以天为维度对电暖预期温度值进行数据降维。并且根据用户作息的规律性,不同的天在相同时刻下的生活习惯也即预期温度通常具有一定的相似性或关联性。因此为了区分不同时刻,本发明实施例获取每个时刻在每天下的时间分布值,即每个时刻在每天对应的时间大小,对应的时刻越靠近每天的起始,对应的时间分布值越小;对应的时刻越靠近每天的结尾,对应的时间分布值越大。并且考虑到主成分分析通常需要对数据矩阵进行处理。因此本发明实施例根据天数、时间分布值以及对应的电暖预期温度值构建电暖预期温度值矩阵。
优选地,电暖预期温度值矩阵的获取方法包括:
以天为单位,对每天所有时刻的电暖预期温度值进行归一化,得到每天所有时刻的电暖预期温度值的归一化值;以天数为行、以时间分布值为列结合归一化后的电暖预期温度值构建电暖预期温度值矩阵。主成分分析首先需要对数据进行预处理,即对矩阵中每行的数据进行归一化,因此本发明实施例以天为单位,对每天所有时刻的电暖预期温度值进行归一化。
在得到需要进行数据降维的电暖预期温度值矩阵后,本发明实施例对电暖预期温度值矩阵进行主成分分析,得到每个时间分布值的电暖第一降维值。电暖第一降维值即每个时间分布值的所有电暖预期温度值在降维后的数据。
优选地,电暖第一降维值的获取方法包括:
以天数作为维度,对电暖预期温度矩阵通过主成分分析方法根据最大特征值的主成分方向进行数据降维,得到每个时间分布值对应的电暖第一降维值。由于用户的生活习惯是以一天为周期的,因此本发明实施例以天为维度通过主成分分析方法进行数据降维。并且根据最大特征值的主成分方向进行数据降维,能够在尽可能少的维度上尽可能保留原始数据信息。即每个时间分布值对应的所有电暖预期温度值的数据在降维后,只对应一个电暖第一降维值。也即时间分布值与电暖第一降维值一一对应。
电暖最佳预期温度值获取模块103,用于分别根据预设取值范围内的每个时间权重值对所有时间分布值进行加权,得到每个时间权重值的所有加权时间分布值;根据电暖第一降维值,以及加权时间分布值构成的矩阵进行主成分分析,得到不同时间权重加权情况下所有时间分布值的电暖第二降维值;根据电暖第二降维值与电暖第一降维值的差异分布状况,及其时间分布情况,得到每个时间权重值的电暖时序有效性;根据最大电暖时序有效性对应的所有电暖第二降维值的差异分布情况以及电暖预期温度值,得到所有时刻的电暖最佳预期温度值。
至此,得到每个时间分布值的电暖第一降维值。考虑到主成分分析方法不考虑数据的时序信息,因此降维后的数据可能会发生数据分布的混乱,即电暖第一降维值的时序特征与时间分布值不对应,因此为了实现对降维数据的时序分布修正,本发明实施例在电暖第一降维值的基础上结合对应的时间分布值后继续进行降维,从而实现对降维数据的时序分布修正。但是如果原始数据即每个时间分布值在降维前对应的所有电暖预设温度值的数据过于混乱,会导致直接根据时间分布值进行时序分布修正的效果并不明显。因此考虑对时间分布值进行加权,从而使得对降维数据的时序分布修正更加有效,但是定值加权并没有考虑到数据本身的特征,无法保证时序分布修正的有效性。因此本发明实施例分别根据预设取值范围内的每个时间权重值对所有时间分布值进行加权,得到每个时间权重值的所有加权时间分布值。即通过遍历预设取值范围内的所有时间权重值,对每个时间权重值进行分析,从而得到一个最适用于本发明实施例对应具体实施环境的时间权重值。
在本发明实施例中,预设取值范围设置为[-2,2],并且考虑到当预设取值范围是一个连续的数值范围,而时间权重值是一个离散的具体的数值,因此需要设置具体的数值选择间隔,以防止产生大量的时间权重值导致计算量过大。本发明实施例时间权重值的数值选择间隔设置为0.1,也即在[-2,2]对应的范围内,从-2作为起始每隔0.1选取一个时间权重值,例如:-2、-1.9、-1.8等等直至时间权重值取到2。需要说明的是,实施者可根据具体实施环境自行选择其他预设取值范围以及数值选择间隔大小,在此不做进一步赘述。
在得到每个时间权重值对应的所有加权时间分布值后,为了得到每个时间权重值加权后对时序分布修正的有效性,首先需要结合电暖第一降维值与每个时间权重值加权后的时间分布值继续进行数据降维。本发明实施例根据电暖第一降维值,以及加权时间分布值构成的矩阵进行主成分分析,得到不同时间权重加权情况下所有时间分布值的电暖第二降维值。
优选地,电暖第二降维值的获取方法包括:
对于任意一个时间权重值:根据所有的电暖第一降维值,以及对应时间权重值的所有加权时间分布值,构建时间降维值矩阵,时间降维值矩阵中每列数据包括电暖第一降维值以及对应的加权时间分布值,且时间降维值矩阵中每行数据的数据种类相同;以数据种类数量为维度,对时间降维值矩阵通过主成分分析方法根据最大特征值的主成分方向进行数据降维,得到每个加权时间分布值对应的电暖第二降维值。根据电暖第一降维值结合加权时间分布值对电暖第一降维值的时序分布进行修正,因此需要进一步通过主成分分析方法继续进行数据降维。并且由于每个时间分布值的电暖第一降维值都能对应一个加权时间分布值,因此在时间降维矩阵中仅存在两行数据,即一行对应所有的电暖第一降维值,另一行对应所有的加权时间分布值。并且每列数据中的电暖第一降维值与加权时间分布值一一对应。并且选择最大特征值的主成分方向进行数据降维会使得每列数据对应一个电暖第二降维值,也即得到每个加权时间分布值对应的电暖第二降维值。
本发明实施例通过不同的时间权重值对所有时间分布值进行加权,并通过加权后的时间分布值对电暖第一降维值的时序分布进行修正,但是不同的时间权重值对时序分布进行修正的有效性不同,因此为了得到有效性最高的时间权重值,本发明实施例需要对不同时间权重值对应的所有电暖第二降维值进行分析。电暖第二降维值是对电暖第一降维值进行时序修正得到的,因此为了保留原数据的特征,需要分析电暖第二降维值与电暖第一降维值的差异分布状况。此外,由于设置时间权重值的目的是对电暖第一降维值的时序分布进行修正,因此需要根据时序修正后的电暖第二降维值的时间分布情况进行分析。因此本发明实施例根据电暖第二降维值与电暖第一降维值的差异分布状况,及其时间分布情况,得到每个时间权重值的电暖时序有效性。电暖时序有效性即时间权重值对应加权时间分布值对电暖第一降维值进行时序分布修正的有效性。
优选地,电暖时序有效性的获取方法包括:
对于任意一个时间权重值:将时间权重值对应的所有电暖第二降维值以从小到大的顺序排列,得到电暖第二降维值序列;将电暖第二降维值序列中每个电暖第二降维值的索引值的归一化值,作为每个电暖第二降维值的排列特征值。将每个电暖第二降维值对应的排列特征值与对应的时间分布值的归一化值之间的差异,作为每个电暖第二降维值的偏差特征值。在本发明实施例中,对电暖第二降维值序列中每个电暖第二降维值的索引值以及时间分布值进行归一化的方法选择线性归一化,并且线性归一化为本领域技术人员所熟知的技术手段,在此不做进一步限定和赘述。
考虑到如果第二次降维后的电暖第二降维值具有较好的时间排序,则随着对应时间分布值的增大,对应的电暖第二降维值也应当越来越大。因此在本发明实施例中,将电暖第二降维值序列中每个电暖第二降维值的索引值线性归一化后,结合时间分布值的归一化值,则在标准时序也即时序不发生混乱的情况下,每个时间分布值的归一化值与对应的排列特征值的数值应当是相等的。因此根据时间分布值的归一化值和对应排列特征值之间的差异得到的偏差特征值越小,则时间权重值修正后的电暖第二降维值的时序分布越贴近标准时序,说明对应时间权重值对时序分布进行修正的有效性越好。
将每个电暖第二降维值与对应的电暖第一降维值之间的差异,作为每个电暖第二降维值的变化特征值。此外,在对电暖第二降维值进行时序修正的基础上,还需要考虑数据失真的影响,即时序修正前后对应降维数据的数据值变化,也即电暖第二降维值与对应的电暖第一降维值之间的差异得到的变化特征值。对应的变化特征值越小,说明电暖第二降维值与对应的电暖第一降维值之间的差异越小,即时序修正前后的数据值变化不大,也即数据失真的影响越小,说明对应时间权重值对时序分布进行修正的有效性越好。
根据所述偏差特征值和所述变化特征值得到时间权重值的电暖时序有效性,所述偏差特征值和所述变化特征值均与电暖时序有效性呈负相关。优选地,将所有电暖第二降维值的偏差特征值与变化特征值之间乘积的累加和的负相关映射值,作为时间权重值的电暖时序有效性。由于每个电暖第二降维值都能得到一个变化特征值和偏差特征值,并且变化特征值越小,偏差特征值越小时,对应时间权重值的对时序分布修正的有效性越好,因此本发明实施例将变化特征值和偏差特征值的乘积的累加值进行负相关映射,得到表征时序分布修正有效性的电暖时序有效性。需要说明的是,实施者也可通过其他方法根据偏差特征值与变化特征值得到对应的电暖时序有效性,例如将所有电暖第二降维值的所有偏差特征值的累加和与所有变化特征值的累加和之间乘积的负相关映射值,得到电暖时序有效性,在此不做进一步赘述。
在本发明实施例中,第个时间权重值的电暖时序有效性的获取方法在公式上表现为:
其中,为第/>个时间权重值的电暖时序有效性,/>为时间分布值的数量,/>为第/>个时间分布值的归一化值,/>为第/>个时间分布值对应的电暖第一降维值,/>为第/>个时间权重值对应的第/>个时间分布值的电暖第二降维值,/>为第/>个时间权重值对应的第/>个时间分布值的排列特征值,/>为绝对值符号,/>为第/>个时间权重值对应的第/>个时间分布值的电暖第二降维值的变化特征值,/>为第/>个时间权重值对应的第/>个时间分布值的电暖第二降维值的偏差特征值,/>为以自然常数e为底的指数函数。进一步根据第/>个时间权重值的电暖时序有效性的获取方法,得到所有时间权重值的电暖时序有效性。
电暖时序有效性越大,说明对应时间权重值对时序分布进行修正的有效性越好。并且电暖第二降维值之间的差异越小,对应的两个时间分布值对应的所有数据之间的关联性越大,因此根据电暖时序有效性和电暖第二降维值之间的关联性,本发明实施例根据最大电暖时序有效性对应的所有电暖第二降维值的差异分布情况以及电暖预期温度值,得到所有时刻的电暖最佳预期温度值。
优选地,电暖最佳预期温度值的获取方法包括:
在一天对应的所有时刻中,任选一个时刻作为目标时刻;在最大电暖时序有效性对应的所有电暖第二降维值中,将目标时刻对应的电暖第二降维值作为目标电暖第二降维值;将目标电暖第二降维值之外的所有电暖第二降维值作为关联第二降维值;将与目标电暖第二降维值之间差异最小的关联第二降维值对应的时刻,作为目标时刻对应的关联时刻。在历史预设天数对应的所有关联时刻中,将最接近当前时刻的关联时刻对应的电暖预期温度值,作为目标时刻的电暖最佳预期温度值。
选择最大电暖时序有效性能够保证根据对应时间权重值得到的电暖第二降维值在更加符合时序分布特征的同时尽可能的保留原数据的特征。电暖第二降维值之间的差异越小,对应的关联性越大,因此选择与目标电暖第二降维值之间差异最小的第二关联第二降维值对应的时刻,作为关联时刻。关联时刻对应的多个电暖预期温度值,即历史预设天数中每天在关联时刻都有一个对应的电暖预期温度值,考虑到对应电暖预期温度值越新,即越接近当前时刻,对应的电暖预期温度值越贴合用户需求,因此本发明实施例将最接近当前时刻的关联时刻对应的电暖预期温度值,作为目标时刻的电暖最佳预期温度值。
石墨烯电暖智能温控模块104,用于根据电暖最佳预期温度值进行石墨烯电暖智能温控。
至此,通过电暖最佳预期温度值获取模块103,得到用户在一天的所有时刻对应的电暖最佳预期温度值,进一步根据电暖最佳预期温度值进行石墨烯电暖智能温控。
优选地,根据电暖最佳预期温度值进行石墨烯电暖智能温控的方法包括:
每个时刻的最佳预期温度值即当前时刻最贴合用户需求的温度值,因此本发明实施例将石墨烯电暖设备的设定温度调控为对应时刻下的电暖最佳预期温度值。
综上所述,本发明涉及数据处理技术领域。该系统包括温度数据获取模块,用于获取石墨烯电暖设备在每个时刻下的电暖设定温度和实时温度;电暖第一降维值获取模块用于根据电暖预期温度值进行主成分分析得到电暖第一降维值;电暖最佳预期温度值获取模块用于根据不同的时间权重值加权后的时间分布值结合电暖第一降维值进行主成分分析,得到所有时刻的电暖最佳预期温度值;石墨烯电暖智能温控模块用于根据电暖最佳预期温度值进行石墨烯电暖智能温控。本发明对石墨烯电暖设备的电暖设定温度和实时温度进行数据分析,并根据数据分析得到的电暖最佳预期温度值进行石墨烯电暖智能温控的方法准确度更高。
基于数据分析的石墨烯电暖温度智能预测系统实施例:
现有的对石墨烯电暖温度进行预测的方法主要根据用户历史数据中电暖设定温度进行关联性分析,得到每个时刻对应的电暖最佳预期温度值。但是现有技术在通过主成分分析方法进行关联性分析是会造成时序混乱,从而导致得到的电暖最佳预期温度值的准确性较低,也即对石墨烯电暖温度智能预测的准确度较低。为了解决利用现有技术对石墨烯电暖温度智能预测的准确度较低的问题,本发明实施例提供一种基于数据分析的石墨烯电暖温度智能预测系统。请参阅图2,其示出了一种基于数据分析的石墨烯电暖温度智能预测系统结构框图,该系统包括以下模块:
温度数据获取模块101,用于获取历史预设天数中每个时刻下石墨烯电暖设备的电暖设定温度和实时温度;
电暖第一降维值获取模块102,用于根据电暖设定温度发生变化时的电暖设定温度与实时温度之间的差异,以及实时温度的变化情况,得到所有时刻的电暖预期温度值;获取每个时刻在每天下的时间分布值;根据天数、时间分布值以及对应的电暖预期温度值构建电暖预期温度值矩阵;对所述电暖预期温度值矩阵进行主成分分析,得到每个时间分布值的电暖第一降维值;
电暖最佳预期温度值获取模块103,用于分别根据预设取值范围内的每个时间权重值对所有时间分布值进行加权,得到每个时间权重值的所有加权时间分布值;根据所述电暖第一降维值,以及所述加权时间分布值构成的矩阵进行主成分分析,得到不同时间权重加权情况下所有时间分布值的电暖第二降维值;根据所述电暖第二降维值与所述电暖第一降维值的差异分布状况,及其时间分布情况,得到每个时间权重值的电暖时序有效性;根据最大电暖时序有效性对应的所有电暖第二降维值的差异分布情况以及电暖预期温度值,得到所有时刻的电暖最佳预期温度值。
其中,温度数据获取模块101、电暖第一降维值获取模块102和电暖最佳预期温度值获取模块103在上述基于数据分析的石墨烯电暖智能温控系统实施例中已给出了详细说明,不再进一步赘述。
考虑到温度加热需要一定的时间,因此只有在实时温度靠近或稳定在电暖设定温度后,才能知道当前电暖设定温度是否合适,并且在实时温度远离电暖设定温度的情况下调整电暖设定温度,通常代表对应的电暖设定值的初始设定情况不准确。因此本发明考虑到了电暖设定温度发生变化时的电暖设定温度与实时温度之间的差异,以及实时温度的变化情况,使得得到的电暖预期温度值更加准确,提高后续根据电暖预期温度值进行分析的准确性,使得后续得到的电暖最佳预期温度值的准确性更高,也即对石墨烯电暖温度智能预测的准确度更高。进一步地,考虑到若直接通过主成分分析方法对原有时间分布值进行数据降维时,可能会造成时序混乱的情况,而对时间分布值进行定值加权的方法缺少一定的适应性,因此本发明实施例通过引入预设取值范围内的所有时间权重值对时间分布值进行加权,进一步在每个时间权重值加权情况下的所有时间分布值进行主成分分析,从而得到最大电暖时序有效性的时间权重值对应的所有电暖第二降维值,在尽可能保留原数据特征的同时使得电暖第二降维值更加符合时序分布特征,降低了主成分分析时的时序混乱对石墨烯电暖温度智能预测准确性的影响。最后在电暖第二降维值的基础上进一步得到所有时刻的电暖最佳预期温度值,使得对石墨烯电暖温度智能预测的准确度更高。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
Claims (7)
1.基于数据分析的石墨烯电暖智能温控系统,其特征在于,所述系统包括:
温度数据获取模块,用于获取历史预设天数中每个时刻下石墨烯电暖设备的电暖设定温度和实时温度;
电暖第一降维值获取模块,用于根据电暖设定温度发生变化时的电暖设定温度与实时温度之间的差异,以及实时温度的变化情况,得到所有时刻的电暖预期温度值;获取每个时刻在每天下的时间分布值;根据天数、时间分布值以及对应的电暖预期温度值构建电暖预期温度值矩阵;对所述电暖预期温度值矩阵进行主成分分析,得到每个时间分布值的电暖第一降维值;
电暖最佳预期温度值获取模块,用于分别根据预设取值范围内的每个时间权重值对所有时间分布值进行加权,得到每个时间权重值的所有加权时间分布值;根据所述电暖第一降维值,以及所述加权时间分布值构成的矩阵进行主成分分析,得到不同时间权重加权情况下所有时间分布值的电暖第二降维值;根据所述电暖第二降维值与所述电暖第一降维值的差异分布状况,及其时间分布情况,得到每个时间权重值的电暖时序有效性;根据最大电暖时序有效性对应的所有电暖第二降维值的差异分布情况以及电暖预期温度值,得到所有时刻的电暖最佳预期温度值;
石墨烯电暖智能温控模块,用于根据电暖最佳预期温度值进行石墨烯电暖智能温控;
所述电暖预期温度值的获取方法包括:
将电暖设定温度发生变化,且发生变化前的电暖设定温度与实时温度之间的差异小于预设温度阈值对应的所有时刻,作为特征时刻;在时间顺序上,根据每个时刻后续预设数量时刻对应的温度值,构建每个时刻对应的温度值序列;获取每个温度值序列的差分序列,将每个差分序列中所有元素的均值,作为对应时刻的温度变化特征值;将温度变化特征值小于或等于预设波动阈值的时刻,作为温度稳定时刻;
在时间顺序上,将每个特征时刻与之后的第一个温度稳定时刻之间的时间段,作为每个特征时刻对应的变化参考时间段;将每个温度稳定时刻与之后的第一个特征时刻之间的时间段,作为每个温度稳定时刻对应的稳定参考时间段;将每个参考时间段内倒数第二个时刻的电暖设定温度,作为每个参考时间段内所有时刻对应的电暖预期温度值;
所述电暖时序有效性的获取方法包括:
对于任意一个时间权重值:
将时间权重值对应的所有电暖第二降维值以从小到大的顺序排列,得到电暖第二降维值序列;将电暖第二降维值序列中每个电暖第二降维值的索引值的归一化值,作为每个电暖第二降维值的排列特征值;
将每个电暖第二降维值对应的排列特征值与对应的时间分布值的归一化值之间的差异,作为每个电暖第二降维值的偏差特征值;将每个电暖第二降维值与对应的电暖第一降维值之间的差异,作为每个电暖第二降维值的变化特征值;根据所述偏差特征值和所述变化特征值得到时间权重值的电暖时序有效性,所述偏差特征值和所述变化特征值均与电暖时序有效性呈负相关;
所述根据所述偏差特征值和所述变化特征值得到时间权重值的电暖时序有效性的方法包括:
将所有电暖第二降维值的偏差特征值与变化特征值之间乘积的累加和的负相关映射值,作为时间权重值的电暖时序有效性。
2.根据权利要求1所述的基于数据分析的石墨烯电暖智能温控系统,其特征在于,所述电暖第二降维值的获取方法包括:
对于任意一个时间权重值:
根据所有的电暖第一降维值,以及对应时间权重值的所有加权时间分布值,构建时间降维值矩阵,所述时间降维值矩阵中每列数据包括电暖第一降维值以及对应的加权时间分布值,且所述时间降维值矩阵中每行数据的数据种类相同;以数据种类数量为维度,对所述时间降维值矩阵通过主成分分析方法根据最大特征值的主成分方向进行数据降维,得到每个加权时间分布值对应的电暖第二降维值。
3.根据权利要求1所述的基于数据分析的石墨烯电暖智能温控系统,其特征在于,所述电暖最佳预期温度值的获取方法包括:
在一天对应的所有时刻中,任选一个时刻作为目标时刻;
在最大电暖时序有效性对应的所有电暖第二降维值中,将目标时刻对应的电暖第二降维值作为目标电暖第二降维值;将目标电暖第二降维值之外的所有电暖第二降维值作为关联第二降维值;将与目标电暖第二降维值之间差异最小的关联第二降维值对应的时刻,作为目标时刻对应的关联时刻;
在历史预设天数对应的所有关联时刻中,将最接近当前时刻的关联时刻对应的电暖预期温度值,作为目标时刻的电暖最佳预期温度值。
4.根据权利要求1所述的基于数据分析的石墨烯电暖智能温控系统,其特征在于,所述根据电暖最佳预期温度值进行石墨烯电暖智能温控的方法包括:
将石墨烯电暖设备的设定温度调控为对应时刻下的电暖最佳预期温度值。
5.根据权利要求1所述的基于数据分析的石墨烯电暖智能温控系统,其特征在于,所述电暖第一降维值的获取方法包括:
以天数作为维度,对所述电暖预期温度矩阵通过主成分分析方法根据最大特征值的主成分方向进行数据降维,得到每个时间分布值对应的电暖第一降维值。
6.根据权利要求1所述的基于数据分析的石墨烯电暖智能温控系统,其特征在于,所述电暖预期温度值矩阵的获取方法包括:
以天为单位,对每天所有时刻的电暖预期温度值进行归一化,得到每天所有时刻的电暖预期温度值的归一化值;以天数为行、以时间分布值为列结合归一化后的电暖预期温度值构建电暖预期温度值矩阵。
7.根据权利要求1所述的基于数据分析的石墨烯电暖智能温控系统,其特征在于,所述预设温度阈值设置为1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311040759.8A CN116753562B (zh) | 2023-08-18 | 2023-08-18 | 基于数据分析的石墨烯电暖智能温控系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311040759.8A CN116753562B (zh) | 2023-08-18 | 2023-08-18 | 基于数据分析的石墨烯电暖智能温控系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116753562A CN116753562A (zh) | 2023-09-15 |
CN116753562B true CN116753562B (zh) | 2024-04-09 |
Family
ID=87961283
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311040759.8A Active CN116753562B (zh) | 2023-08-18 | 2023-08-18 | 基于数据分析的石墨烯电暖智能温控系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116753562B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117236084B (zh) * | 2023-11-16 | 2024-02-06 | 青岛永强木工机械有限公司 | 一种木工机械加工生产智能管理方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001174022A (ja) * | 1999-12-20 | 2001-06-29 | Mitsubishi Electric Corp | 空気調和装置、空気調和方法 |
KR101677906B1 (ko) * | 2015-08-25 | 2016-11-29 | 주식회사 개운테크노 | 난방수 운용 시스템 및 난방 운용 시스템의 운용 제어 방법 |
CN110285482A (zh) * | 2019-07-05 | 2019-09-27 | 珠海格力电器股份有限公司 | 蓄热式采暖设备的蓄热控制方法、装置及可读存储介质 |
CN111023255A (zh) * | 2019-12-23 | 2020-04-17 | 江苏舒适云信息技术有限公司 | 一种采暖智能温控阀超调量的预期控制方法 |
CN211509312U (zh) * | 2020-01-16 | 2020-09-15 | 季敬 | 一种复合电暖板及其石墨烯电暖片 |
CN212081406U (zh) * | 2020-03-09 | 2020-12-04 | 江苏华墨新材料科技有限公司 | 一种变功率石墨烯电供暖系统 |
CN113587172A (zh) * | 2021-08-03 | 2021-11-02 | 广东电网有限责任公司 | 供水温度延迟时间预测方法、装置及电子设备 |
TWI746087B (zh) * | 2020-07-27 | 2021-11-11 | 內政部建築研究所 | 空調系統控制方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115526363A (zh) * | 2021-06-24 | 2022-12-27 | 腾讯科技(深圳)有限公司 | 业务数据处理方法、装置、计算机设备和存储介质 |
-
2023
- 2023-08-18 CN CN202311040759.8A patent/CN116753562B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001174022A (ja) * | 1999-12-20 | 2001-06-29 | Mitsubishi Electric Corp | 空気調和装置、空気調和方法 |
KR101677906B1 (ko) * | 2015-08-25 | 2016-11-29 | 주식회사 개운테크노 | 난방수 운용 시스템 및 난방 운용 시스템의 운용 제어 방법 |
CN110285482A (zh) * | 2019-07-05 | 2019-09-27 | 珠海格力电器股份有限公司 | 蓄热式采暖设备的蓄热控制方法、装置及可读存储介质 |
CN111023255A (zh) * | 2019-12-23 | 2020-04-17 | 江苏舒适云信息技术有限公司 | 一种采暖智能温控阀超调量的预期控制方法 |
CN211509312U (zh) * | 2020-01-16 | 2020-09-15 | 季敬 | 一种复合电暖板及其石墨烯电暖片 |
CN212081406U (zh) * | 2020-03-09 | 2020-12-04 | 江苏华墨新材料科技有限公司 | 一种变功率石墨烯电供暖系统 |
TWI746087B (zh) * | 2020-07-27 | 2021-11-11 | 內政部建築研究所 | 空調系統控制方法 |
CN113587172A (zh) * | 2021-08-03 | 2021-11-02 | 广东电网有限责任公司 | 供水温度延迟时间预测方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN116753562A (zh) | 2023-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116753562B (zh) | 基于数据分析的石墨烯电暖智能温控系统 | |
JP2021508118A (ja) | 動作を制御するシステム及び方法 | |
CN108413588B (zh) | 一种基于热成像及bp神经网络的个性化空调控制系统及方法 | |
CN110595017B (zh) | 空调温度设置方法、装置、计算机设备和存储介质 | |
CN115933787B (zh) | 基于室内环境监测的室内多末端智能控制系统 | |
CN112990488B (zh) | 一种基于机器异构性的联邦学习方法 | |
CN116307944B (zh) | 基于人工智能与物联网的配电箱远程监测系统 | |
CN114587281A (zh) | 一种具有助眠功能的智能枕控制方法、系统及可读存储介质 | |
CN107835025B (zh) | 一种电力负荷历史数据自适应压缩方法和系统 | |
CN117708627A (zh) | 一种全天域望远镜圆顶智能调节方法及系统 | |
CN107560125A (zh) | 一种睡眠环境智能化调节系统 | |
CN114608172B (zh) | 用于控制空调器的方法及装置、空调器、存储介质 | |
CN116931703A (zh) | 基于数据分析的电竞主机电源电压调整方法 | |
CN116978516A (zh) | 用于推送睡眠建议的方法、装置及存储介质 | |
CN112577165A (zh) | 空调器的控制方法、控制装置及可读存储介质 | |
CN115682207A (zh) | 基于用户使用偏好的加湿器智能控制方法 | |
CN116219079A (zh) | 差温接种控制方法、装置、设备及存储介质 | |
CN112435741B (zh) | 一种使用入睡潜伏期数据库的助眠系统 | |
CN117353316B (zh) | 一种模块化电气智能控制方法及系统 | |
CN114714845A (zh) | 一种汽车空调温度调节方法及系统 | |
CN114646125B (zh) | 用于修正热舒适度模型的方法、装置及存储介质 | |
CN110570032B (zh) | 一种用户行为模型的初始权重优化方法及系统 | |
CN114608121B (zh) | 用于控制空调器的方法及装置、空调器、存储介质 | |
CN114636232B (zh) | 用于修正热舒适度模型的方法、装置及存储介质 | |
CN116661522B (zh) | 一种基于数据处理的温变试验箱温度智能调控方法 |
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 |