CN117006654A - 基于边缘计算的空调负荷控制系统及其方法 - Google Patents

基于边缘计算的空调负荷控制系统及其方法 Download PDF

Info

Publication number
CN117006654A
CN117006654A CN202310992274.2A CN202310992274A CN117006654A CN 117006654 A CN117006654 A CN 117006654A CN 202310992274 A CN202310992274 A CN 202310992274A CN 117006654 A CN117006654 A CN 117006654A
Authority
CN
China
Prior art keywords
humidity
vector
indoor
matrix
indoor temperature
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
CN202310992274.2A
Other languages
English (en)
Inventor
郑子淮
汤瀚博
陈翔
洪蕾
屠雨夕
鲍杰利
于杰
卢伟明
解慧力
袁雪枫
洪骋怀
任颖
王维
吕红梅
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.)
Taizhou Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Original Assignee
Taizhou Power Supply Co of State Grid Zhejiang Electric Power 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 Taizhou Power Supply Co of State Grid Zhejiang Electric Power Co Ltd filed Critical Taizhou Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Priority to CN202310992274.2A priority Critical patent/CN117006654A/zh
Publication of CN117006654A publication Critical patent/CN117006654A/zh
Pending legal-status Critical Current

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
    • F24F11/70—Control systems characterised by their outputs; Constructional details thereof
    • F24F11/72—Control systems characterised by their outputs; Constructional details thereof for controlling the supply of treated air, e.g. its pressure
    • F24F11/74—Control systems characterised by their outputs; Constructional details thereof for controlling the supply of treated air, e.g. its pressure for controlling air flow rate or air velocity
    • F24F11/77—Control systems characterised by their outputs; Constructional details thereof for controlling the supply of treated air, e.g. its pressure for controlling air flow rate or air velocity by controlling the speed of ventilators
    • 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
    • F24F11/32—Responding to malfunctions or emergencies
    • F24F11/39—Monitoring filter performance
    • 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
    • F24F11/54—Control or safety arrangements characterised by user interfaces or communication using one central controller connected to several sub-controllers
    • 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
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2110/00—Control inputs relating to air properties
    • F24F2110/10—Temperature
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2110/00—Control inputs relating to air properties
    • F24F2110/10—Temperature
    • F24F2110/12—Temperature of the outside air
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2110/00—Control inputs relating to air properties
    • F24F2110/20—Humidity
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2110/00—Control inputs relating to air properties
    • F24F2110/20—Humidity
    • F24F2110/22—Humidity of the outside air
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Human Computer Interaction (AREA)
  • Signal Processing (AREA)
  • Fluid Mechanics (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

一种基于边缘计算的空调负荷控制系统及其方法，其获取预定时间段内多个预定时间点的室内温度值、室内湿度值、室外温度值和室外湿度值；利用深度学习和人工智能技术，基于环境温湿度和室内温湿度构建空调负荷控制方案，以自适应地控制空调的风速。这样，可以有效地提高空调系统的能效比，节约能源消耗，同时保证室内温湿度的舒适性。

Description

基于边缘计算的空调负荷控制系统及其方法
技术领域
本申请涉及智能化控制技术领域，并且更具体地，涉及一种基于边缘计算的空调负荷控制系统及其方法。
背景技术
空调负荷控制的目的是保证室内温湿度的舒适性，同时提高空调系统的能效比，降低能耗和运行成本。
传统的空调负荷控制采用集中式控制，即通过中央控制器对空调系统进行统一的监测和控制，它适用于规模较大、结构较简单的空调系统。然而集中式控制存在控制精度较低等缺点。
因此，期待一种优化的解决方案。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于边缘计算的空调负荷控制系统及其方法，其获取预定时间段内多个预定时间点的室内温度值、室内湿度值、室外温度值和室外湿度值值；利用深度学习和人工智能技术，基于环境温湿度和室内温湿度构建空调负荷控制方案，以自适应地控制空调的风速。这样，可以有效地提高空调系统的能效比，节约能源消耗，同时保证室内温湿度的舒适性。
第一方面，提供了一种基于边缘计算的空调负荷控制系统，其包括：
温湿度数据采集模块，用于获取预定时间段内多个预定时间点的室内温度值、室内湿度值、室外温度值和室外湿度值；
数据结构化模块，用于将所述多个预定时间点的室内温度值、室内湿度值、室外温度值和室外湿度值分别按照时间维度排列为室内温度值时序输入向量、室内湿度值时序输入向量、室外温度值时序输入向量和室外湿度值时序输入向量；
室内温湿度关联编码模块，用于对所述室内温度值时序输入向量和所述室内湿度值时序输入向量进行关联编码以得到室内温度-湿度关联矩阵；
室外温湿度关联编码模块，用于对所述室外温度值时序输入向量和所述室外湿度值时序输入向量进行关联编码以得到室外温度-湿度关联矩阵；
特征提取模块，用于将所述室内温度-湿度关联矩阵和所述室外温度-湿度关联矩阵分别通过作为过滤器的卷积神经网络模型以得到室内温度-湿度关联特征向量和室外温度-湿度关联特征向量；
转移模块，用于计算所述室内温度-湿度关联特征向量相对于所述室外温度-湿度关联特征向量的转移矩阵；以及
风速控制结果生成模块，用于将所述转移矩阵作为分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示空调的当前时间点的风速应增大或应减小。
第二方面，提供了一种基于边缘计算的空调负荷控制方法，其包括：
获取预定时间段内多个预定时间点的室内温度值、室内湿度值、室外温度值和室外湿度值；
将所述多个预定时间点的室内温度值、室内湿度值、室外温度值和室外湿度值分别按照时间维度排列为室内温度值时序输入向量、室内湿度值时序输入向量、室外温度值时序输入向量和室外湿度值时序输入向量；
对所述室内温度值时序输入向量和所述室内湿度值时序输入向量进行关联编码以得到室内温度-湿度关联矩阵；
对所述室外温度值时序输入向量和所述室外湿度值时序输入向量进行关联编码以得到室外温度-湿度关联矩阵；
将所述室内温度-湿度关联矩阵和所述室外温度-湿度关联矩阵分别通过作为过滤器的卷积神经网络模型以得到室内温度-湿度关联特征向量和室外温度-湿度关联特征向量；
计算所述室内温度-湿度关联特征向量相对于所述室外温度-湿度关联特征向量的转移矩阵；以及
将所述转移矩阵作为分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示空调的当前时间点的风速应增大或应减小。
附图说明
为了更清楚地说明本申请实施例的技术方案，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。
图1为根据本申请实施例的基于边缘计算的空调负荷控制系统的框图。
图2为根据本申请实施例的基于边缘计算的空调负荷控制系统中所述风速控制结果生成模块的框图。
图3为根据本申请实施例的基于边缘计算的空调负荷控制系统中所述风速控制单元的框图。
图4为根据本申请实施例的基于边缘计算的空调负荷控制方法的流程图。
图5为根据本申请实施例的基于边缘计算的空调负荷控制方法的系统架构的示意图。
图6为根据本申请实施例的基于边缘计算的空调负荷控制系统的应用场景图。
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描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
除非另有说明，本申请实施例所使用的所有技术和科学术语与本申请的技术领域的技术人员通常理解的含义相同。本申请中所使用的术语只是为了描述具体的实施例的目的，不是旨在限制本申请的范围。
在本申请实施例记载中，需要说明的是，除非另有说明和限定，术语“连接”应做广义理解，例如，可以是电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
需要说明的是，本申请实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换，以使这里描述的本申请的实施例可以除了在这里图示或描述的那些以外的顺序实施。
在本申请的一个实施例中，图1为根据本申请实施例的基于边缘计算的空调负荷控制系统的框图。如图1所示，根据本申请实施例的基于边缘计算的空调负荷控制系统100，包括：温湿度数据采集模块110，用于获取预定时间段内多个预定时间点的室内温度值、室内湿度值、室外温度值和室外湿度值；数据结构化模块120，用于将所述多个预定时间点的室内温度值、室内湿度值、室外温度值和室外湿度值分别按照时间维度排列为室内温度值时序输入向量、室内湿度值时序输入向量、室外温度值时序输入向量和室外湿度值时序输入向量；室内温湿度关联编码模块130，用于对所述室内温度值时序输入向量和所述室内湿度值时序输入向量进行关联编码以得到室内温度-湿度关联矩阵；室外温湿度关联编码模块140，用于对所述室外温度值时序输入向量和所述室外湿度值时序输入向量进行关联编码以得到室外温度-湿度关联矩阵；特征提取模块150，用于将所述室内温度-湿度关联矩阵和所述室外温度-湿度关联矩阵分别通过作为过滤器的卷积神经网络模型以得到室内温度-湿度关联特征向量和室外温度-湿度关联特征向量；转移模块160，用于计算所述室内温度-湿度关联特征向量相对于所述室外温度-湿度关联特征向量的转移矩阵；以及，风速控制结果生成模块170，用于将所述转移矩阵作为分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示空调的当前时间点的风速应增大或应减小。
具体地，在本申请实施例中，所述温湿度数据采集模块110，用于获取预定时间段内多个预定时间点的室内温度值、室内湿度值、室外温度值和室外湿度值。针对上述技术问题，本申请的技术构思是利用深度学习和人工智能技术，并基于环境温湿度和室内温湿度来构建空调负荷控制方案。这样，提高空调系统的能效和舒适性，降低能耗和运行成本。
具体地，在本申请的技术方案中，首先，获取预定时间段内多个预定时间点的室内温度值、室内湿度值、室外温度值和室外湿度值。在本申请的一个具体示例中，可以利用温度传感器和湿度传感器来采集上述数据。
在本申请的一个实施例中，首先进行数据采集，使用传感器或数据采集设备收集室内外温湿度数据，并将数据存储到数据库中；然后进行数据预处理，对采集到的数据进行预处理，如数据清洗、去噪、缺失值处理等；接着，根据业务需求和数据分析结果，选取合适的特征，如室内外温度、湿度、时间等，进行特征工程处理；然后，根据业务需求和数据特征，选择合适的机器学习或深度学习模型，如线性回归、决策树、神经网络等。最后，将模型应用到实际场景中，根据当前的环境温湿度和室内温湿度，选择最优的空调负荷控制方案。
应可以理解，温度值和湿度值之间存在一定的关系，这是因为湿度是指空气中水蒸气的含量，而水蒸气的含量会随着温度的变化而变化。一般来说，温度越高，空气中容纳的水蒸气量就越大，湿度就越高；温度越低，空气中容纳的水蒸气量就越小，湿度就越低。
具体来说，当空气中的水蒸气饱和时，湿度达到100%。此时，如果温度升高，空气中容纳的水蒸气量增加，但是饱和水平不变，因此相对湿度下降；反之，如果温度降低，空气中容纳的水蒸气量减少，但是饱和水平不变，因此相对湿度升高。
需要注意的是，温度和湿度的变化对人体健康和舒适度都有影响。过高或过低的温度和湿度都可能导致身体不适，因此在设计空调负荷控制方案时，需要综合考虑温度和湿度之间的关系，以及人体对温湿度的适应能力。
具体地，在本申请实施例中，所述数据结构化模块120，用于将所述多个预定时间点的室内温度值、室内湿度值、室外温度值和室外湿度值分别按照时间维度排列为室内温度值时序输入向量、室内湿度值时序输入向量、室外温度值时序输入向量和室外湿度值时序输入向量。接着，将所述多个预定时间点的室内温度值、室内湿度值、室外温度值和室外湿度值分别按照时间维度排列为室内温度值时序输入向量、室内湿度值时序输入向量、室外温度值时序输入向量和室外湿度值时序输入向量。这样，可以利用时序数据反映出室内外温湿度的变化趋势和规律，为后续的关联编码和卷积神经网络模型提供更丰富的信息。
将多个预定时间点的室内温度值、室内湿度值、室外温度值和室外湿度值分别按照时间维度排列为时序输入向量，可以将时间序列数据转化为机器学习或深度学习模型所需的输入格式。具体来说，可以将每个时间点的室内温度、湿度、室外温度和湿度作为一个向量的一个元素，然后将所有向量按照时间顺序排列，形成一个时序输入向量。
将所述多个预定时间点的室内温度值、室内湿度值、室外温度值和室外湿度值分别按照时间维度排列为室内温度值时序输入向量、室内湿度值时序输入向量、室外温度值时序输入向量和室外湿度值时序输入向量，一方面，可以利用历史数据来预测未来的数据，从而更好地掌握环境变化的趋势。另一方面，可以综合考虑室内外的温湿度变化，从而更准确地预测空调负荷和控制方案。再一方面，可以将时间序列数据转化为机器学习或深度学习模型所需的输入格式，从而更好地利用现有的算法和工具来进行数据分析和预测。具体地，在本申请实施例中，所述室内温湿度关联编码模块130和所述室外温湿度关联编码模块140，用于对所述室内温度值时序输入向量和所述室内湿度值时序输入向量进行关联编码以得到室内温度-湿度关联矩阵；以及，用于对所述室外温度值时序输入向量和所述室外湿度值时序输入向量进行关联编码以得到室外温度-湿度关联矩阵。
考虑到室内温度和湿度是影响空调负荷控制的重要因素，它们之间存在一定的相关性，例如，当室内温度升高时，室内湿度也会增加，反之亦然。在本申请的技术方案中，对所述室内温度值时序输入向量和所述室内湿度值时序输入向量进行关联编码以得到室内温度-湿度关联矩阵。通过这样的方式来描述与表征它们之间的关联关系。同样地，由于室外温度和湿度之间也存在一定的相关性，在本申请的技术方案中，对所述室外温度值时序输入向量和所述室外湿度值时序输入向量进行关联编码以得到室外温度-湿度关联矩阵。
其中，所述室内温湿度关联编码模块130，用于：以如下第一编码公式对所述室内温度值时序输入向量和所述室内湿度值时序输入向量进行关联编码以得到室内温度-湿度关联矩阵；其中，所述第一编码公式为：其中，/>表示所述室内温度值时序输入向量，/>表示所述室内温度值时序输入向量的转置向量，/>表示所述室内湿度值时序输入向量，/>表示所述室内温度-湿度关联矩阵，/>表示矩阵相乘。
进一步地，所述室外温湿度关联编码模块140，用于：以如下第二编码公式对所述室外温度值时序输入向量和所述室外湿度值时序输入向量进行关联编码以得到室外温度-湿度关联矩阵；其中，所述第二编码公式为：其中，/>表示所述室外温度值时序输入向量，/>表示所述室外温度值时序输入向量的转置向量，/>表示所述室外湿度值时序输入向量，/>表示所述室外温度-湿度关联矩阵，/>表示矩阵相乘。
更具体地，可以对室内温度值时序输入向量和室内湿度值时序输入向量进行关联编码，得到室内温度-湿度关联矩阵。这个关联矩阵可以用来表示室内温度和湿度之间的关系，例如，如果室内温度升高，湿度是否也会随之升高等等。在本申请的另一个实施例中，可以使用一些常见的编码方式，例如，将室内温度值和室内湿度值分别作为两个向量，然后将它们拼接为一个二维矩阵，再将这个矩阵输入到一个神经网络中进行编码，得到室内温度-湿度关联矩阵。
同样的，也可以对室外温度值时序输入向量和室外湿度值时序输入向量进行关联编码，得到室外温度-湿度关联矩阵。这个关联矩阵可以用来表示室外温度和湿度之间的关系，例如，如果室外温度升高，湿度是否也会随之升高等等。同样地，在本申请的另一个实施例中，也可以使用一些常见的编码方式，例如，将室外温度值和室外湿度值分别作为两个向量，然后将它们拼接为一个二维矩阵，再将这个矩阵输入到一个神经网络中进行编码，得到室外温度-湿度关联矩阵。
总之，通过对室内外温湿度值进行关联编码，可以得到室内温度-湿度关联矩阵和室外温度-湿度关联矩阵，这些关联矩阵可以帮助更好地理解室内外温湿度之间的关系，并且可以在后续的空调负荷控制中发挥重要作用。具体地，在本申请实施例中，所述特征提取模块150，用于将所述室内温度-湿度关联矩阵和所述室外温度-湿度关联矩阵分别通过作为过滤器的卷积神经网络模型以得到室内温度-湿度关联特征向量和室外温度-湿度关联特征向量。然后，将所述室内温度-湿度关联矩阵和所述室外温度-湿度关联矩阵分别通过作为过滤器的卷积神经网络模型以得到室内温度-湿度关联特征向量和室外温度-湿度关联特征向量。这里，所述卷积神经网络模型是一种能够提取图像或矩阵中的局部特征的深度学习模型。通过将室内温度-湿度关联矩阵和室外温度-湿度关联矩阵作为输入，卷积神经网络模型可以分别提取出室内和室外的温湿度变化的特征向量，这些特征向量可以反映出空调负荷控制的相关因素，如受季节、时间、天气、人员活动影响下的温湿度隐含关联特征信息等。
也就是说，可以将室内温度-湿度关联矩阵和室外温度-湿度关联矩阵分别输入到卷积神经网络模型中进行处理。这些模型可以包括多个卷积层、池化层和全连接层，以及一些激活函数和正则化操作。卷积神经网络模型可以帮助从室内外温湿度关联矩阵中提取出关键的特征，例如，室内外温湿度之间的相关性、趋势等等。这些特征可以用来表示室内外温湿度关联的重要信息，同时也可以作为后续空调负荷控制模型的输入。
最终，可以将室内温度-湿度关联特征向量和室外温度-湿度关联特征向量分别作为空调负荷控制模型的输入，以帮助更好地预测室内外温湿度之间的关系，并根据预测结果来调整空调负荷，以实现更加高效和节能的空调控制。
其中，所述特征提取模块150，用于：使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对所述输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的均值池化处理以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为过滤器的卷积神经网络模型的最后一层的输出为所述室内温度-湿度关联特征向量，所述作为过滤器的卷积神经网络模型的第一层的输入为所述室内温度-湿度关联矩阵。
进一步地，所述特征提取模块，还用于：使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对所述输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的均值池化处理以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为过滤器的卷积神经网络模型的最后一层的输出为所述室外温度-湿度关联特征向量，所述作为过滤器的卷积神经网络模型的第一层的输入为所述室外温度-湿度关联矩阵。
卷积神经网络(Convolutional Neural Network，CNN)是一种人工神经网络，在图像识别等领域有着广泛的应用。卷积神经网络可以包括输入层、隐藏层和输出层，其中，隐藏层可以包括卷积层、池化(pooling)层、激活层和全连接层等，上一层根据输入的数据进行相应的运算，将运算结果输出给下一层，输入的初始数据经过多层的运算之后得到一个最终的结果。
卷积神经网络模型利用卷积核作为特征过滤因子在图像局部特征提取方面具有非常优异的性能表现，且相较于传统的基于统计或者基于特征工程的图像特征提取算法，所述卷积神经网络模型具有更强的特征提取泛化能力和拟合能力。常用于图像识别、语音识别和自然语言处理等领域。在图像识别中，CNN模型可以用来作为过滤器，从图像中提取特征，从而实现图像分类、目标检测等任务。
使用CNN模型作为过滤器的优点在于，其能够自动学习图像中的特征，而无需手动设计特征提取器。CNN模型通过卷积层、池化层和全连接层等组件，对输入图像进行特征提取和分类。在卷积层中，CNN模型通过卷积核对输入图像进行卷积运算，从而提取图像中的局部特征。在池化层中，CNN模型通过对卷积层输出进行降采样，进一步减少特征数量，提高模型的泛化能力。在全连接层中，CNN模型将池化层输出转换为固定长度的特征向量，并通过softmax函数进行分类。具体地，在本申请实施例中，所述转移模块160，用于计算所述室内温度-湿度关联特征向量相对于所述室外温度-湿度关联特征向量的转移矩阵。进一步地，计算所述室内温度-湿度关联特征向量相对于所述室外温度-湿度关联特征向量的转移矩阵以表征室内外温湿度之间的变化关系，从而为空调风速的调节提供依据。也就是说，转移矩阵可以反映出室内外温湿度的相对变化趋势和幅度。
其中，所述转移模块160，用于：以如下转移公式计算所述室内温度-湿度关联特征向量相对于所述室外温度-湿度关联特征向量的转移矩阵；其中，所述转移公式为：其中，/>表示所述转移矩阵，/>表示所述室内温度-湿度关联特征向量，/>表示所述室外温度-湿度关联特征向量，/>表示向量相乘。
具体地，在本申请实施例中，所述风速控制结果生成模块170，用于将所述转移矩阵作为分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示空调的当前时间点的风速应增大或应减小。进而，将所述转移矩阵作为分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示空调的当前时间点的风速应增大或应减小。这里，所述分类器能够根据输入的特征矩阵，输出相应的类别标签，即所述分类结果。在后续的应用中，可以将所述分类结果视作当前时间点的风速控制策略标签，例如，响应于分类结果为“空调的当前时间点的风速应增大”，则增大当前时间点空调的风速。通过这样的方式来提高空调系统的能效和舒适性。
图2为根据本申请实施例的基于边缘计算的空调负荷控制系统中所述风速控制结果生成模块的框图，如图2所示。所述风速控制结果生成模块170，包括：采样融合单元171，用于对所述室内温度-湿度关联特征向量和所述室外温度-湿度关联特征向量进行齐次吉尔伯特空间度量式密集点分布采样融合，以获得融合关联特征向量；转置相乘单元172，用于将所述融合关联特征向量与所述融合关联特征向量的转置向量进行相乘以得到融合关联特征矩阵；融合单元173，用于融合所述融合关联特征矩阵与所述分类特征矩阵以得到优化分类特征矩阵，以及，风速控制单元174，用于将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示空调的当前时间点的风速应增大或应减小。
在本申请的技术方案中，在计算所述室内温度-湿度关联特征向量相对于所述室外温度-湿度关联特征向量的转移矩阵时，所述转移矩阵的每行与转移源向量进行向量内积计算以得到转移目的向量的相应位置的特征值，而本身室内温度-湿度关联特征向量和室外温度-湿度关联特征向量的每个位置的特征值都是表示温度-湿度的全局时序关联值的局部高阶关联特征，因此期望所述分类特征矩阵能够进一步表达所述室内温度-湿度关联特征向量和所述室外温度-湿度关联特征向量的逐位置关联融合特性，并且，考虑到所述室内温度-湿度关联特征向量和所述室外温度-湿度关联特征向量之间的逐点齐次对应性，即所述室内温度-湿度关联特征向量和所述室外温度-湿度关联特征向量分别为室内温度-湿度和室外温度-湿度的全局时序关联值的基于卷积神经网络的二维卷积核尺度的密集采样式局部高阶关联特征表达，因此对所述室内温度-湿度关联特征向量，例如记为和所述室外温度-湿度关联特征向量，例如记为/>进行齐次吉尔伯特空间度量式密集点分布采样融合，来获得融合关联特征向量，例如记为/>。
其中，所述采样融合单元171，用于：以如下融合公式用于对所述室内温度-湿度关联特征向量和所述室外温度-湿度关联特征向量进行齐次吉尔伯特空间度量式密集点分布采样融合，以获得所述融合关联特征向量；
其中，所述融合公式为：其中，/>是所述室内温度-湿度关联特征向量，/>是所述室外温度-湿度关联特征向量，且特征向量/>和/>均为行向量，/>表示闵式距离，且/>为超参数，/>和/>分别是所述室内温度-湿度关联特征向量和所述室外温度-湿度关联特征向量的全局特征均值，/>表示第一闵式距离，/>表示第二闵式距离，/>表示向量的按位置相加，/>表示向量的按位置点乘，/>表示所述融合关联特征向量。
这里，通过对所述室内温度-湿度关联特征向量和所述室外温度-湿度关联特征向量/>的特征分布中心的齐次吉尔伯特空间度量，来对所述室内温度-湿度关联特征向量/>和所述室外温度-湿度关联特征向量/>的融合特征分布进行高维特征空间内的融合特征流形超平面的真实（ground-truth）几何中心约束，并以交叉式距离约束的逐点特征关联作为偏置项，来实现特征分布的关联约束界限内的特征密集点采样式分布融合，从而增强向量间的齐次采样关联融合性，这样，再将获得的融合关联特征向量/>进一步与其自身的转置相乘后得到融合关联特征矩阵，再将所述融合关联特征矩阵与所述分类特征矩阵融合，就可以提升所述分类特征矩阵对于所述室内温度-湿度关联特征向量和所述室外温度-湿度关联特征向量的逐位置关联融合特性的表示，从而提升其通过分类器得到的分类结果的准确性。
进一步地，图3为根据本申请实施例的基于边缘计算的空调负荷控制系统中所述风速控制单元的框图，如图3所示，所述风速控制单元174，包括：矩阵展开子单元1741，用于将所述优化分类特征矩阵按照行向量或列向量展开为分类特征向量；全连接编码子单元1742，用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，分类子单元1743，用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
综上，基于本申请实施例的基于边缘计算的空调负荷控制系统100被阐明，其获取预定时间段内多个预定时间点的室内温度值、室内湿度值、室外温度值和室外湿度值；利用深度学习和人工智能技术，基于环境温湿度和室内温湿度构建空调负荷控制方案，以自适应地控制空调的风速。这样，可以有效地提高空调系统的能效比，节约能源消耗，同时保证室内温湿度的舒适性。
如上所述，根据本申请实施例的基于边缘计算的空调负荷控制系统100可以实现在各种终端设备中，例如用于基于边缘计算的空调负荷控制的服务器等。在一个示例中，根据本申请实施例的基于边缘计算的空调负荷控制系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该基于边缘计算的空调负荷控制系统100可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该基于边缘计算的空调负荷控制系统100同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该基于边缘计算的空调负荷控制系统100与该终端设备也可以是分立的设备，并且该基于边缘计算的空调负荷控制系统100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
在本申请的一个实施例中，图4为根据本申请实施例的基于边缘计算的空调负荷控制方法的流程图。图5为根据本申请实施例的基于边缘计算的空调负荷控制方法的系统架构的示意图。如图4和图5所示，根据本申请实施例的基于边缘计算的空调负荷控制方法，其包括：210，获取预定时间段内多个预定时间点的室内温度值、室内湿度值、室外温度值和室外湿度值；220，将所述多个预定时间点的室内温度值、室内湿度值、室外温度值和室外湿度值分别按照时间维度排列为室内温度值时序输入向量、室内湿度值时序输入向量、室外温度值时序输入向量和室外湿度值时序输入向量；230，对所述室内温度值时序输入向量和所述室内湿度值时序输入向量进行关联编码以得到室内温度-湿度关联矩阵；240，对所述室外温度值时序输入向量和所述室外湿度值时序输入向量进行关联编码以得到室外温度-湿度关联矩阵；250，将所述室内温度-湿度关联矩阵和所述室外温度-湿度关联矩阵分别通过作为过滤器的卷积神经网络模型以得到室内温度-湿度关联特征向量和室外温度-湿度关联特征向量；260，计算所述室内温度-湿度关联特征向量相对于所述室外温度-湿度关联特征向量的转移矩阵；以及，270，将所述转移矩阵作为分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示空调的当前时间点的风速应增大或应减小。
在一个具体示例中，在上述基于边缘计算的空调负荷控制方法中，对所述室内温度值时序输入向量和所述室内湿度值时序输入向量进行关联编码以得到室内温度-湿度关联矩阵，包括：以如下第一编码公式对所述室内温度值时序输入向量和所述室内湿度值时序输入向量进行关联编码以得到室内温度-湿度关联矩阵；其中，所述第一编码公式为：其中，/>表示所述室内温度值时序输入向量，/>表示所述室内温度值时序输入向量的转置向量，/>表示所述室内湿度值时序输入向量，/>表示所述室内温度-湿度关联矩阵，/>表示矩阵相乘。
本领域技术人员可以理解，上述基于边缘计算的空调负荷控制方法中的各个步骤的具体操作已经在上面参考图1到图3的基于边缘计算的空调负荷控制系统的描述中得到了详细介绍，并因此，将省略其重复描述。
图6为根据本申请实施例的基于边缘计算的空调负荷控制系统的应用场景图。如图6所示，在该应用场景中，首先，获取预定时间段内多个预定时间点的室内温度值（例如，如图6中所示意的C1）、室内湿度值（例如，如图6中所示意的C2）、室外温度值（例如，如图6中所示意的C3）和室外湿度值（例如，如图6中所示意的C4）；然后，将获取的室内温度值、室内湿度值、室外温度值和室外湿度值输入至部署有基于边缘计算的空调负荷控制算法的服务器（例如，如图6中所示意的S）中，其中所述服务器能够基于边缘计算的空调负荷控制算法对所述室内温度值、所述室内湿度值、所述室外温度值和所述室外湿度值进行处理，以生成用于表示空调的当前时间点的风速应增大或应减小的分类结果。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (10)

1.一种基于边缘计算的空调负荷控制系统，其特征在于，包括：
温湿度数据采集模块，用于获取预定时间段内多个预定时间点的室内温度值、室内湿度值、室外温度值和室外湿度值；
数据结构化模块，用于将所述多个预定时间点的室内温度值、室内湿度值、室外温度值和室外湿度值分别按照时间维度排列为室内温度值时序输入向量、室内湿度值时序输入向量、室外温度值时序输入向量和室外湿度值时序输入向量；
室内温湿度关联编码模块，用于对所述室内温度值时序输入向量和所述室内湿度值时序输入向量进行关联编码以得到室内温度-湿度关联矩阵；
室外温湿度关联编码模块，用于对所述室外温度值时序输入向量和所述室外湿度值时序输入向量进行关联编码以得到室外温度-湿度关联矩阵；
特征提取模块，用于将所述室内温度-湿度关联矩阵和所述室外温度-湿度关联矩阵分别通过作为过滤器的卷积神经网络模型以得到室内温度-湿度关联特征向量和室外温度-湿度关联特征向量；
转移模块，用于计算所述室内温度-湿度关联特征向量相对于所述室外温度-湿度关联特征向量的转移矩阵；以及
风速控制结果生成模块，用于将所述转移矩阵作为分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示空调的当前时间点的风速应增大或应减小。
2.根据权利要求1所述的基于边缘计算的空调负荷控制系统，其特征在于，所述室内温湿度关联编码模块，用于：以如下第一编码公式对所述室内温度值时序输入向量和所述室内湿度值时序输入向量进行关联编码以得到室内温度-湿度关联矩阵；
其中，所述第一编码公式为：其中，/>表示所述室内温度值时序输入向量，表示所述室内温度值时序输入向量的转置向量，/>表示所述室内湿度值时序输入向量，表示所述室内温度-湿度关联矩阵，/>表示矩阵相乘。
3.根据权利要求2所述的基于边缘计算的空调负荷控制系统，其特征在于，所述室外温湿度关联编码模块，用于：以如下第二编码公式对所述室外温度值时序输入向量和所述室外湿度值时序输入向量进行关联编码以得到室外温度-湿度关联矩阵；
其中，所述第二编码公式为：其中，/>表示所述室外温度值时序输入向量，表示所述室外温度值时序输入向量的转置向量，/>表示所述室外湿度值时序输入向量，表示所述室外温度-湿度关联矩阵，/>表示矩阵相乘。
4.根据权利要求3所述的基于边缘计算的空调负荷控制系统，其特征在于，所述特征提取模块，用于：使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：
对所述输入数据进行卷积处理以得到卷积特征图；
对所述卷积特征图进行基于特征矩阵的均值池化处理以得到池化特征图；以及
对所述池化特征图进行非线性激活以得到激活特征图；
其中，所述作为过滤器的卷积神经网络模型的最后一层的输出为所述室内温度-湿度关联特征向量，所述作为过滤器的卷积神经网络模型的第一层的输入为所述室内温度-湿度关联矩阵。
5.根据权利要求4所述的基于边缘计算的空调负荷控制系统，其特征在于，所述转移模块，用于：以如下转移公式计算所述室内温度-湿度关联特征向量相对于所述室外温度-湿度关联特征向量的转移矩阵；
其中，所述转移公式为：其中，/>表示所述转移矩阵，/>表示所述室内温度-湿度关联特征向量，/>表示所述室外温度-湿度关联特征向量，/>表示向量相乘。
6.根据权利要求5所述的基于边缘计算的空调负荷控制系统，其特征在于，所述风速控制结果生成模块，包括：
采样融合单元，用于对所述室内温度-湿度关联特征向量和所述室外温度-湿度关联特征向量进行齐次吉尔伯特空间度量式密集点分布采样融合，以获得融合关联特征向量；
转置相乘单元，用于将所述融合关联特征向量与所述融合关联特征向量的转置向量进行相乘以得到融合关联特征矩阵；
融合单元，用于融合所述融合关联特征矩阵与所述分类特征矩阵以得到优化分类特征矩阵，以及
风速控制单元，用于将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示空调的当前时间点的风速应增大或应减小。
7.根据权利要求6所述的基于边缘计算的空调负荷控制系统，其特征在于，所述采样融合单元，用于：以如下融合公式用于对所述室内温度-湿度关联特征向量和所述室外温度-湿度关联特征向量进行齐次吉尔伯特空间度量式密集点分布采样融合，以获得所述融合关联特征向量；
其中，所述融合公式为：其中，/>是所述室内温度-湿度关联特征向量，/>是所述室外温度-湿度关联特征向量，且特征向量/>和/>均为行向量，/>表示闵式距离，且/>为超参数，/>和/>分别是所述室内温度-湿度关联特征向量和所述室外温度-湿度关联特征向量的全局特征均值，/>表示第一闵式距离，/>表示第二闵式距离，/>表示向量的按位置相加，/>表示向量的按位置点乘，/>表示所述融合关联特征向量。
8.根据权利要求7所述的基于边缘计算的空调负荷控制系统，其特征在于，所述风速控制单元，包括：
矩阵展开子单元，用于将所述优化分类特征矩阵按照行向量或列向量展开为分类特征向量；
全连接编码子单元，用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及
分类子单元，用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
9.一种基于边缘计算的空调负荷控制方法，其特征在于，包括：
获取预定时间段内多个预定时间点的室内温度值、室内湿度值、室外温度值和室外湿度值；
将所述多个预定时间点的室内温度值、室内湿度值、室外温度值和室外湿度值分别按照时间维度排列为室内温度值时序输入向量、室内湿度值时序输入向量、室外温度值时序输入向量和室外湿度值时序输入向量；
对所述室内温度值时序输入向量和所述室内湿度值时序输入向量进行关联编码以得到室内温度-湿度关联矩阵；
对所述室外温度值时序输入向量和所述室外湿度值时序输入向量进行关联编码以得到室外温度-湿度关联矩阵；
将所述室内温度-湿度关联矩阵和所述室外温度-湿度关联矩阵分别通过作为过滤器的卷积神经网络模型以得到室内温度-湿度关联特征向量和室外温度-湿度关联特征向量；
计算所述室内温度-湿度关联特征向量相对于所述室外温度-湿度关联特征向量的转移矩阵；以及
将所述转移矩阵作为分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示空调的当前时间点的风速应增大或应减小。
10.根据权利要求9所述的基于边缘计算的空调负荷控制方法，其特征在于，对所述室内温度值时序输入向量和所述室内湿度值时序输入向量进行关联编码以得到室内温度-湿度关联矩阵，包括：以如下第一编码公式对所述室内温度值时序输入向量和所述室内湿度值时序输入向量进行关联编码以得到室内温度-湿度关联矩阵；
其中，所述第一编码公式为：其中，/>表示所述室内温度值时序输入向量，表示所述室内温度值时序输入向量的转置向量，/>表示所述室内湿度值时序输入向量，表示所述室内温度-湿度关联矩阵，/>表示矩阵相乘。
CN202310992274.2A 2023-08-08 2023-08-08 基于边缘计算的空调负荷控制系统及其方法 Pending CN117006654A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310992274.2A CN117006654A (zh) 2023-08-08 2023-08-08 基于边缘计算的空调负荷控制系统及其方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310992274.2A CN117006654A (zh) 2023-08-08 2023-08-08 基于边缘计算的空调负荷控制系统及其方法

Publications (1)

Publication Number Publication Date
CN117006654A true CN117006654A (zh) 2023-11-07

Family

ID=88561566

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310992274.2A Pending CN117006654A (zh) 2023-08-08 2023-08-08 基于边缘计算的空调负荷控制系统及其方法

Country Status (1)

Country Link
CN (1) CN117006654A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117232085A (zh) * 2023-11-15 2023-12-15 中科赛凌(中山)科技有限公司 一种用于对环境控制参数进行调整的方法及系统
CN117270611A (zh) * 2023-11-22 2023-12-22 浙江威星电子系统软件股份有限公司 智慧运动场馆的环境智能控制系统及方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117232085A (zh) * 2023-11-15 2023-12-15 中科赛凌(中山)科技有限公司 一种用于对环境控制参数进行调整的方法及系统
CN117232085B (zh) * 2023-11-15 2024-02-13 中科赛凌(中山)科技有限公司 一种用于对环境控制参数进行调整的方法及系统
CN117270611A (zh) * 2023-11-22 2023-12-22 浙江威星电子系统软件股份有限公司 智慧运动场馆的环境智能控制系统及方法
CN117270611B (zh) * 2023-11-22 2024-02-23 浙江威星电子系统软件股份有限公司 智慧运动场馆的环境智能控制系统及方法

Similar Documents

Publication Publication Date Title
Shamshirband et al. A survey of deep learning techniques: application in wind and solar energy resources
CN117006654A (zh) 基于边缘计算的空调负荷控制系统及其方法
CN116168352B (zh) 基于图像处理的电网障碍物识别处理方法及系统
CN115951883B (zh) 分布式微服务架构的服务组件管理系统及其方法
CN110781595B (zh) 能源使用效率pue的预测方法、装置、终端及介质
WO2022116616A1 (zh) 一种基于转换模块的行为识别方法
CN114022311A (zh) 基于时序条件生成对抗网络的综合能源系统数据补偿方法
Li et al. Deep spatio-temporal wind power forecasting
CN112923523A (zh) 一种基于物联网数据链的智能型新风系统调控方法
CN113962433A (zh) 一种融合因果卷积与可分离时间卷积的风电预测方法及系统
Yuan et al. Attention mechanism-based transfer learning model for day-ahead energy demand forecasting of shopping mall buildings
CN116929815A (zh) 基于物联网的设备工作状态监测系统及其方法
CN117136765A (zh) 基于智能农业的大棚控制系统及方法
Kosana et al. Hybrid convolutional Bi-LSTM autoencoder framework for short-term wind speed prediction
CN116796269A (zh) 用于物联网设备的管理方法及其系统
CN116095089A (zh) 遥感卫星数据处理方法及系统
CN116577464A (zh) 用于大气污染的智能监测系统及其方法
CN117541422A (zh) 一种基于农业环境数据的农业生产管理系统
CN116415990B (zh) 一种基于云计算的自助数据分析方法、系统及存储介质
CN116258504A (zh) 银行客户关系管理系统及其方法
CN117540908B (zh) 基于大数据的农业资源整合方法和系统
Hwang et al. CC-GAIN: Clustering and Classification-Based Generative Adversarial Imputation Network for Missing Electricity Consumption Data Imputation
Kang et al. Deep Learning-Based State-Dependent ARX Modeling and Predictive Control of Nonlinear Systems
Gao et al. Crop Disease Recognition Method Based on Improved Channel Attention Mechanism
CN116825217B (zh) 制备高纯五氟化磷的方法

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