CN117369302A - 一种基于模型预测控制的智能家居系统 - Google Patents
一种基于模型预测控制的智能家居系统 Download PDFInfo
- Publication number
- CN117369302A CN117369302A CN202311600647.3A CN202311600647A CN117369302A CN 117369302 A CN117369302 A CN 117369302A CN 202311600647 A CN202311600647 A CN 202311600647A CN 117369302 A CN117369302 A CN 117369302A
- Authority
- CN
- China
- Prior art keywords
- control
- equipment
- unit
- model
- information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 claims abstract description 73
- 238000012545 processing Methods 0.000 claims abstract description 58
- 238000005457 optimization Methods 0.000 claims abstract description 40
- 230000007613 environmental effect Effects 0.000 claims abstract description 39
- 238000004891 communication Methods 0.000 claims abstract description 28
- 238000012795 verification Methods 0.000 claims abstract description 10
- 238000007499 fusion processing Methods 0.000 claims abstract description 6
- 230000000977 initiatory effect Effects 0.000 claims abstract description 5
- 239000013598 vector Substances 0.000 claims description 71
- 238000004458 analytical method Methods 0.000 claims description 52
- 239000011159 matrix material Substances 0.000 claims description 43
- 238000010276 construction Methods 0.000 claims description 41
- 238000012360 testing method Methods 0.000 claims description 26
- 238000006243 chemical reaction Methods 0.000 claims description 16
- 230000003321 amplification Effects 0.000 claims description 11
- 238000000034 method Methods 0.000 claims description 11
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 11
- 230000002776 aggregation Effects 0.000 claims description 10
- 238000004220 aggregation Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 8
- 238000013480 data collection Methods 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 238000012098 association analyses Methods 0.000 claims description 5
- 230000001502 supplementing effect Effects 0.000 claims description 5
- 230000008030 elimination Effects 0.000 claims description 4
- 238000003379 elimination reaction Methods 0.000 claims description 4
- 101100083446 Danio rerio plekhh1 gene Proteins 0.000 claims description 3
- 230000005856 abnormality Effects 0.000 claims description 3
- 230000004931 aggregating effect Effects 0.000 claims description 3
- 230000004069 differentiation Effects 0.000 claims description 3
- 230000009469 supplementation Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 10
- 230000009286 beneficial effect Effects 0.000 description 8
- 238000005286 illumination Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000004378 air conditioning Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000005202 decontamination Methods 0.000 description 1
- 230000003588 decontaminative effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000004148 unit process Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B15/00—Systems controlled by a computer
- G05B15/02—Systems controlled by a computer electric
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/26—Pc applications
- G05B2219/2642—Domotique, domestic, home control, automation, smart house
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Selective Calling Equipment (AREA)
Abstract
本发明提供了一种基于模型预测控制的智能家居系统,属于智能控制技术领域,包括:访问控制模块,对发起通信连接请求的家居设备进行身份验证,验证通过后建立与优化控制模块的通信连接;监测模块,基于预部署传感器监测并采集家居设备所处家居环境的环境参数,按照预设参数类型进行划分,得到若干参数集合;参数处理模块对同个参数集合进行参数融合处理,构建监测特征数据,并将所述监测特征数据进行合并整理,获取环境监测数据;优化控制模块,将所述环境监测数据输入到家居控制模型预测获取优化控制信息,来控制相应家居设备进行指定操作。上述系统根据家居环境的实时情况,控制家居设备,在提升系统智能性的同时,提高用户体验效果。
Description
技术领域
本发明涉及智能控制技术领域,特别涉及一种基于模型预测控制的智能家居系统。
背景技术
随着信息化技术的快速发展、网络技术的逐步完善,智能化信息服务进家入户,打造智慧家庭,提升人们的生活水平,改善生活质量。智能家居作为智慧家庭的主要实现方式,通过互联网和物联网技术,将各种家居设备和系统连接在一起,实现智能化管理和控制的家居环境。
目前,智能家居通过用户选择预设的情景模式,对与系统相连接的家居设备进行控制参数的调整,家居设备执行相应的操作,使得传统智能家居控制下的家居环境难以满足基于当下环境的实际需求,导致用户体验差。
因此,提出一种基于模型预测控制的智能家居系统。
发明内容
为解决上述技术问题,本发明提供一种基于模型预测控制的智能家居系统,用以解决传统技术中智能家居根据固定情景模式,调整家居设备的控制参数,不能满足实际需求,进而使得用户体验较差,系统缺乏智能性的问题。
本发明提供一种基于模型预测控制的智能家居系统,包括:
访问控制模块,用于对发起通信连接请求的家居设备进行身份验证,验证通过后建立与优化控制模块的通信连接;
监测模块,用于基于预部署传感器监测并采集连接成功的家居设备所处家居环境的环境参数,并对所述环境参数按照预设参数类型进行划分,得到若干参数集合,其中,所述参数集合中的每个环境参数都标记有采集时间以及采集区域;
参数处理模块,用于对同个参数集合进行参数融合处理,构建监测特征数据,并将所述监测特征数据进行合并整理,获取环境监测数据;
模型构建模块,用于对样本集中的每个单独样本进行类型及数值分析,来构建初始控制模型,并对所述初始控制模型中的不同层进行关联分析,来对初始控制模型进行优化,得到家居控制模型;
优化控制模块,用于将所述环境监测数据输入到家居控制模型预测获取优化控制信息,来控制相应家居设备进行指定操作。
优选的,所述模型构建模块,包括:
集合获取单元,用于历史家居控制库中的样本集中每个单独样本进行类型及数值分析,获取所述单独样本对应的特征数据集合;
集合分析单元,用于对所述特征数据集合进行分析生成样本特征数据集;
卷积处理单元,用于根据内置的卷积核对所述样本特征数据集进行卷积处理,获取控制数据处理集;
预测单元,用于对控制数据处理集进行预测,当预测精准性满足精准阈值时,得到初始控制模型。
优选的,所述集合获取单元,包括:
信息生成子单元,用于对所述单独样本的监测及控制参数类型进行识别,通过独热编码对识别结果进行编码处理,且结合所述单独样本所对应设定时间段内的数值分析结果向编码处理结果中的每个字符赋予相应的数值标签,生成样本数值信息;
维度处理子单元,用于对所述样本数值信息中每个单位历史时刻下的信息进行维度处理,并将每个单位历史时刻下的信息拓展为初始特征向量;
其中,eti为第t单位历史时刻下的第i维特征值,ave(eti)为第t单位历史时刻下的信息中第i维信息的平均值,MAD(eti)为第t单位历史时刻下的信息中第i维数据的平均绝对偏差,i的取值与单位历史时刻涉及到的维度数量相等;
构建子单元,用于对每个单位历史时刻下的初始特征向量进行元素补充及对齐处理,构建得到特征数据集合。
优选的,所述集合分析单元,包括:
分配子单元,用于对所述特征数据集合进行矩阵构建,并对构建矩阵中的每列向量进行通道分配,并对每个通道分配相应的权重系数,进而确定所述特征数据集合中每个通道的特征聚合信息,其中,所述构建矩阵的列为同类型参数,行为同个单位历史时刻下的不同类型参数;
其中,Ji1为所述特征数据集合中第i1个通道的特征聚合信息,βi1为第i1个通道对应的权重系数,为所述特征数据集合中第i1个通道中第j个特征元素,r为所述特征数据集合中第i1个通道中特征元素的数量,/>为所述特征数据集合中第i1个通道涉及到的所有特征元素进行标准化处理后的元素方差,/>为从任一去除所述特征数据集合中第i1个通道涉及到的所有特征元素中的一个元素后的所有方差中筛选最大方差;
矩阵构建子单元,用于将所述特征聚合信息Ji1补充到所述矩阵的首行,构建特征数据矩阵;
数据集构建子单元,用于对所述特征数据矩阵进行分析构建样本特征数据集。
优选的,所述模型构建模块,还包括:
向量集构建单元,用于分别获取若干随机组合的环境参数测试样本对所述初始控制模型进行测试,并依次记录所述初始控制模型中每个设备控制层对每个环境参数测试样本的执行过程,并构建每个环境参数测试样本的执行向量集;
层矩阵构建单元,用于提取所有执行向量集中同设备控制层的执行向量,并构建得到对应同设备控制层的层矩阵;
规律性分析单元,用于获取所述层矩阵中每列向量的元素平均值,并构建得到第一向量;同时,获取对应设备控制层在相应环境参数测试样本下的标准执行值,并构建得到第二向量;
放大处理单元,用于对所述第一向量以及第二向量进行对比分析,得到误差向量,并进行差异化放大处理;
对差异化放大处理后的误差向量进行规律性分析,判断是否满足对应设备控制层的执行一致机制,若一致,将对应设备控制层视为第一层;
因素确定单元,用于若不一致,将对应设备控制层视为第二层,并根据所述初始控制设备控制层中每个设备控制层的先后执行顺序以及基于先后执行顺序确定的相邻执行设备控制层之间的设定执行转换关系,且结合规律性分析结果与对应执行一致机制的执行异常,确定所述第二层的执行调节因素;
优化单元,用于根据存在的所有执行调节因素进行矛盾消除,来对初始控制模型进行优化,得到家居控制模型。
优选的,所述放大处理单元,包括:
差筛选子单元,用于筛选所述误差向量中的最小差以及最大差;
计算子单元,用于按照如下公式对所述误差向量中的元素进行差异化放大处理;
其中,min2表示最小差;max1表示最大差;m01表示对应列向量中包含的元素个数;a01表示设定常数;b1表示与最大差所对应的标准执行值;b2表示与最小差所对应的标准执行值;[]表示取整函数;Δ1(b1,b2)表示基于b1与b2从单位数据库中匹配得到的单位变量;Δ1(b1,b2,a01)表示基于b1、b2、a01从单位数据库中匹配得到的单位变量;N01表示差异化放大倍数。
优选的,所述优化控制模块,包括:
设备识别单元,用于获取所述家居设备的设备型号信息,并向信息解析单元传输;
信息解析单元,用于根据所述设备型号信息,获取所述家居设备的控制参数协议格式;
格式转换单元,用于根据所述控制参数协议格式,对所述家居控制模型根据所述环境监测数据输出的所述优化控制信息进行格式转换,生成所述家居设备对应的所述优化控制参数;
所述设备控制单元,用于根据所述优化控制参数控制所述家居设备。
优选的,还包括:客户端通信模块;
所述监测模块,还用于获取所述家居设备的设备运行数据,并将所述设备运行数据向所述客户端通信模块传输;
所述客户端通信模块,用于将所述监测模块传输的所述设备运行数据向用户的电子设备传输进行显示;
所述客户端通信模块,还用于接收用户基于电子设备传输的设备控制指令,并将所述设备控制指令向所述优化控制模块传输;
所述优化控制模块,用于根据所述设备控制指令控制所述家居设备;
所述设备控制指令的优先级高于所述家居控制模型输出的所述优化控制信息。
与现有技术相比,本申请的有益效果如下:通过获取当下所处的环境参数,来调整家居设备的控制参数,也就是通过构建模型对环境数据进行有效分析,不仅提高了系统的智能性,还有效满足实际需求,提高用户体验效果。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明所提供一种基于模型预测控制的智能家居系统的结构示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
实施例1:
本发明实施例提供了一种基于模型预测控制的智能家居系统,其参考图1,包括:
访问控制模块,用于对发起通信连接请求的家居设备进行身份验证,验证通过后建立与优化控制模块的通信连接;
监测模块,用于基于预部署传感器监测并采集连接成功的家居设备所处家居环境的环境参数,并对环境参数按照预设参数类型进行划分,得到若干参数集合,其中,参数集合中的每个环境参数都标记有采集时间以及采集区域;
参数处理模块,用于对同个参数集合进行参数融合处理,构建监测特征数据,并将监测特征数据进行合并整理,获取环境监测数据;
模型构建模块,用于对样本集中的每个单独样本进行类型及数值分析,来构建初始控制模型,并对初始控制模型中的不同层进行关联分析,来对初始控制模型进行优化,得到家居控制模型;
优化控制模块,用于将环境监测数据输入到家居控制模型获取优化控制信息,来控制相应家居设备进行指定操作。
上述基于模型预测控制的智能家居系统的工作原理在于:访问控制模块对发起通信连接请求的家居设备进行身份验证,验证通过后建立优化控制模块与家居设备的通信连接;监测模块基于预部署传感器监测并采集家居设备所处家居环境的环境参数,并对环境参数按照预设参数类型进行划分,得到若干参数集合;并通过参数处理模块对同个参数集合进行参数融合处理,构建监测特征数据,将监测特征数据进行合并整理,获取环境监测数据;优化控制模块将环境监测数据输入到家居控制模型,根据家居控制模型输出的优化控制信息控制相应家居设备执行相应的操作。
其中,家居控制模型的构建通过模型构建模块对样本集中的每个单独样本进行类型及数值分析,构建初始控制模型,并对初始控制模型中的不同层进行关联分析,来对初始控制模型进行优化得到。
在一个实施例中,监测模块包括:温度传感器、湿度传感器和光照传感器;参数处理模块获取的环境监测数据包括:温度监测数据、湿度监测数据和光照强度监测数据;家居设备包括:空调。系统中根据温度监测数据、湿度监测数据和光照强度监测数据基于家居控制模型输出优化控制信息,实现对空调参数的调节,根据家居环境的温度、湿度和光照,自动调节室内温度,给用户提供更加舒适的生活环境。
在一个实施例中,监测模块包括:房门监测器,用于监测房门的打开状态;家居设备包括:安防系统。当监测到房门被非法打开时,通过系统控制安防系统进行自动报警并录像,从而通过本发明提出的系统有效地提高了家居环境的安全性。
在一个具体实施例中,监测模块在监测到房间区域内无家庭成员时,通过优化控制模块自动关闭灯光和电器,节省能源。
在一个具体实施例中,通过监测模块、参数处理模块以及模型构建模块分析房间区域内家庭成员的不同需求和喜好,优化控制模块控制相应家居设备满足用户需求,为用户提供个性化的服务。
在一个实施例中,家居设备可以是空调设备、净化设备等可以对环境进行调整的设备。
在一个实施例中,预设参数类型是预先设定好的,比如,温度与光照度为一个类型划分,污染度为一个类型划分等。
在一个实施例中,采集区域指的是将对应所处居家区域划分为若干块,每个块区域即为一个采集区域。
在一个实施例中,参数融合处理的目的是为了将每个单独采集区域中的采集参数进行融合,来获取得到所处居家区域的整个环境参数,因为在采集的过程中,比如,会存在温度传感器1对采集区域1的边界位置01进行温度采集,温度传感器2对采集区域2的边界位置02进行温度采集,此时,边界位置01与边界位置02为相邻关系,进而向边界位置01与边界位置02赋予两者温度的平均值进行替换,此时,实现数据融合。
该实施例中,监测特征数据比如是针对温度参数集合的温度存在:区域1:a1,a2,区域2:a3,a4,此时,监测特征数据即为:a1,(a2+a3)/2,a4;
其中,合并整理的目的是将所有参数集合下的监测特征数据进行集合,集合结果即为环境监测数据:即为:基于参数集合1的监测特征数据、基于参数集合2的监测特征数据等。
该实施例中,单独样本指的是样本集中的一个样本,且样本集是预先通过大量数据的搜集构建得到的,主要是为了构建初始控制模型。
该实施例中,单独样本是指设定时间段内每个单位历史时刻下的样本监测数据以及与样本监测数据对应的样本优化控制信息,一个设定时间段对应一个单独样本,方便提供丰富的数据基础,且每个单位历史时刻下包括3秒内的监测数据及控制数据,也就是以3秒作为一个单位,为后续构建初始控制模型提供基础。
上述技术方案的有益效果在于:通过获取当下所处的环境参数,来调整家居设备的控制参数,也就是通过构建模型对环境数据进行有效分析,不仅提高了系统的智能性,还有效满足实际需求,提高用户体验效果。
实施例2:
本发明实施例提供了一种基于模型预测控制的智能家居系统,模型构建模块,包括:
集合获取单元,用于历史家居控制库中的样本集中每个单独样本进行类型及数值分析,获取单独样本对应的特征数据集合;
集合分析单元,用于对特征数据集合进行分析生成样本特征数据集;
卷积处理单元,用于根据内置的卷积核对样本特征数据集进行卷积处理,获取控制数据处理集;
预测单元,用于对控制数据处理集进行预测,当预测精准性满足精准阈值时,得到初始控制模型。
以上实施例中,单独样本是指样本监测数据以及与样本监测数据对应的样本优化控制信息。集合获取单元、集合分析单元、卷积处理单元以及预测单元根据样本监测数据进行预测,通过样本优化控制信息,判断预测精确性。以上实施例中,优化控制模块将环境监测数据输入到家居控制模型获取优化控制信息,来控制相应家居设备进行指定操作,而对于家居控制模型的构建则通过模型构建模块对样本集中的每个单独样本进行类型及数值分析,构建初始控制模型,并对初始控制模型中的不同层进行关联分析,来对初始控制模型进行优化得到。
在一个实施例中,单独样本包括样本温度数据和对应的样本空调控制信息,集合获取单元、集合分析单元、卷积处理单元以及预测单元根据样本温度数据进行预测,根据样本空调控制信息判断预测结果的预测精准性是否满足精准阈值时,当满足精确阈值时,得到初始控制模型。
在一个实施例中,每个单独样本中可以包含历史监测到的环境湿度数据和对应的样本加湿器控制信息、样本光照数据和对应的样本灯光控制信息等,和预先部署的家居智能设备相关的各种监测数据以及针对监测数据的控制信息。
以上技术的有益效果在于:模型构建模块通过集合获取单元、集合分析单元、卷积处理单元以及预测单元,对样本集中每个单独样本进行处理,实现了初始控制模型的构建。
实施例3:
本发明实施例提供了一种基于模型预测控制的智能家居系统,集合获取单元,包括:
信息生成子单元,用于对单独样本的监测及控制参数类型进行识别,通过独热编码对识别结果进行编码处理,且结合单独样本所对应设定时间段内的数值分析结果向编码处理结果中的每个字符赋予相应的数值标签,生成样本数值信息;
维度处理子单元,用于对样本数值信息中每个单位历史时刻下的信息进行维度处理,并将每个单位历史时刻下的信息拓展为初始特征向量;
其中,eti为第t单位历史时刻下的第i维特征值,ave(eti)为第t单位历史时刻下的信息中第i维信息的平均值,MAD(eti)为第t单位历史时刻下的信息中第i维数据的平均绝对偏差,i的取值与单位历史时刻涉及到的维度数量相等;
构建子单元,用于对每个单位历史时刻下的初始特征向量进行元素补充及对齐处理,构建得到特征数据集合。
该实施例中,集合获取单元对单独样本进行处理,构建特征数据集合;单独样本包括:样本温度数据、样本湿度数据、样本房门监测数据等以及对应的控制数据等。
该实施例中,因为每个单独样本中涉及到的控制参数以及环境监测到的参数可能是不一样的,所以,在对样本中每个单位历史时刻下的涉及到的参数类型进行识别之后,通过编码来对类型进行有效表示。
该实施例中,数值分析结果指的是对应监测到的环境数值以及控制数值进行标准化后的,参数是对环境参数以及控制参数的参数描述的确定。
该实施例中,数值标签只向对应字符赋予相应的标准化后的数值,方便后续计算分析。
该实施例中,维度处理的目的是为了保证每行向量的元素个数是一致的,便于构建矩阵。
该实施例中,比如,单位历史时刻t1下的信息中包含环境参数1、环境参数2、环境参数4以及控制参数1、控制参数2,单位历史时刻t2下的信息中包含环境参数1、环境参数2、环境参数3以及控制参数1,那么针对的单位历史时刻t1得到的初始特征向量存在环境参数1、环境参数2、环境参数4以及控制参数1、控制参数2对应的5个维度,针对的单位历史时刻t2得到的初始特征向量存在环境参数1、环境参数2、环境参数3以及控制参数1对应的4个维度,且后续的元素补充及对齐处理指的是时刻t1缺少环境参数3,则进行环境参数3的1个维度的补充,时刻t2缺少环境参数4以及控制参数2,则进行环境参数4以及控制参数2的2个维度的补充。
最后t1时刻下为6个维度,t2时刻下也为6个维度。
该实施例中,元素补充是对确实的维度下的元素进行0的补充。以上技术的有益效果在于:通过对监测环境参数以及控制参数进行类型识别,便于对智能监控与控制的合理把控,且后续通过对识别结果编码以及数值分析以及字符赋值,便于后续进行维度处理,来获取每个单位历史时刻下的初始特征向量,便于构建得到单独样本的特征数据集合,为后续构建模型提供基础。
实施例4:
本发明实施例提供了一种基于模型预测控制的智能家居系统,集合分析单元,包括:
分配子单元,用于对特征数据集合进行矩阵构建,并对构建矩阵中的每列向量进行通道分配,并对每个通道分配相应的权重系数,进而确定特征数据集合中每个通道的特征聚合信息,其中,构建矩阵的列为同类型参数,行为同个单位历史时刻下的不同类型参数;
其中,Ji1为特征数据集合中第i1个通道的特征聚合信息,βi1为第i1个通道对应的权重系数,为特征数据集合中第i1个通道中第j个特征元素,r为特征数据集合中第i1个通道中特征元素的数量,/>为特征数据集合中第i1个通道涉及到的所有特征元素进行标准化处理后的元素方差,/>为从任一去除特征数据集合中第i1个通道涉及到的所有特征元素中的一个元素后的所有方差中筛选最大方差;
矩阵构建子单元,用于将特征聚合信息Ji1补充到矩阵的首行,构建特征数据矩阵;
数据集构建子单元,用于对特征数据矩阵进行分析构建样本特征数据集。
在一个实施例中,获取通道特征,根据对特征数据集合进行矩阵构建来对每列进行通道分配,可实施为根据温度特征数据的数据检测精度通道、传感器功耗影响通道、数据传输速率通道、数据测量值通道以及数据补偿值通道分配相应的权重系数,提取每个通道的特征聚合信息,基于温度特征数据的多方面影响因素构建通道特征。
在一个实施例中,本发明提出的模型构建模块是基于Res2net模型构建的。
在一个实施例中,对特征数据矩阵进行列分析来构建样本特征数据集,也就是将特征数据矩阵中的可列输入到特征分析模型中获取得到对应的也样本特征,该模型是基于同参数的不同组合与随机特征聚合信息以及专家对该组合情况的分析结果为样本对神经网络模型训练得到的,因为,可以直接获取得到对应的样本特征。
以上技术的有益效果在于:通过特征分配子单元根据对特征数据集合分配的通道以及相应的权重系数,实现了对每个通道的特征聚合信息的获取,能够有效提取特征数据集合中每个通道的特征;通过矩阵构建子单元基于特征数据集合和特征聚合信息构建特征数据矩阵,使得获取的特征数据矩阵能够有效提取特征数据集合中的通道特征信息,有效提升模型的分类能力,为后续构建模型提供基础,间接提高智能控制的灵活性。
实施例5:
本发明实施例提供了一种基于模型预测控制的智能家居系统,模型构建模块,还包括:
向量集构建单元,用于分别获取若干随机组合的环境参数测试样本对初始控制模型进行测试,并依次记录初始控制模型中每个设备控制层对每个环境参数测试样本的执行过程,并构建每个环境参数测试样本的执行向量集;
层矩阵构建单元,用于提取所有执行向量集中同设备控制层的执行向量,并构建得到对应同设备控制层的层矩阵;
规律性分析单元,用于获取层矩阵中每列向量的元素平均值,并构建得到第一向量;同时,获取对应设备控制层在相应环境参数测试样本下的标准执行值,并构建得到第二向量;
放大处理单元,用于对第一向量以及第二向量进行对比分析,得到误差向量,并进行差异化放大处理;
对差异化放大处理后的误差向量进行规律性分析,判断是否满足对应设备控制层的执行一致机制,若一致,将对应设备控制层视为第一层;
因素确定单元,用于若不一致,将对应设备控制层视为第二层,并根据初始控制设备控制层中每个设备控制层的先后执行顺序以及基于先后执行顺序确定的相邻执行设备控制层之间的设定执行转换关系,且结合规律性分析结果与对应执行一致机制的执行异常,确定第二层的执行调节因素;
优化单元,用于根据存在的所有执行调节因素进行矛盾消除,来对初始控制模型进行优化,得到家居控制模型。
放大处理单元,包括:
差筛选子单元,用于筛选误差向量中的最小差以及最大差;
计算子单元,用于按照如下公式对误差向量中的元素进行差异化放大处理;
其中,min2表示最小差;max1表示最大差;m01表示对应列向量中包含的元素个数;a01表示设定常数;b1表示与最大差所对应的标准执行值;b2表示与最小差所对应的标准执行值;[]表示取整函数;Δ1(b1,b2)表示基于b1与b2从单位数据库中匹配得到的单位变量;Δ1(b1,b2,a01)表示基于b1、b2、a01从单位数据库中匹配得到的单位变量;N01表示差异化放大倍数。
在一个实施例中,测试样本是预先设定好的且是随机环境参数的组合得到的,且测试样本是一样的,主要是为了对初始控制模型进行同个样本的多次测试来,保证初始控制模型在不同测试过程中的测试情况,其中,初始控制模型包含很多设备控制层,比如,设备控制层1的执行过程包括执行流程z1,z2以及z3,那么基于该执行流程所执行的结果会存在一个执行向量即为{z1的结果,z2的结果,z3的结果},那么针对不同设备控制层的同个测试样本的所有执行向量集合到一起即为执行向量集。
在一个实施例中,该矩阵中的行为同个测试样本基于不同执行参数的元素值,列为同个执行参数基于不同测试样本下的参数元素值。
在一个实施例中,元素平均值是列向量的平均值,第一向量=[第一列的平均值第二列的平均值...]。
在一个实施例中,执行标准值是由专家预先设定好的,也就是每个主席那个参数存在一个执行标准值,进而构建得到第二向量=[与第一列匹配的执行标准值与第二列匹配的执行标准值...]。
在一个实施例中,误差向量是第一向量与第二向量进行向量相减得到的绝对值差值。
在一个实施例中,差异化放大处理的目的是为了避免因为数据误差过小,导致在后续分析过程中存在对该误差忽略的情况,所以进行放大,且还是为了进行规律性分析。
在一个实施例中,比如,所设定的对应设备控制层中参数都应该是趋于一致的,但是,根据误差向量分析之后,所存在的误差也是趋于一致的,此时,就视为满足,若存在误差不趋于一致,此时,确定执行调节因素。
在一个实施例中,设定执行转换关系以及先后执行顺序都是预先设定好的,因为设备控制层中也是存在很多自身内部的执行流程的,所以,不同流程的执行情况以及流程与流程之间的转换情况都是预先已知的,只是用于确定执行异常的基础。
该实施例中,比如,不一致归类的参数为参数1与参数2,且参数1与参数2位于设定执行转换关系3中,此时,可以从参数-位置-因素映射表中匹配得到执行调节因素,比如,是对参数1的模型训练阈值进行调节等。
该实施例中,矛盾消除的目的是为了避免因为因素之间的执行矛盾,导致新异常的出现,比如,参数1的调节因素r1与参数2的调节因素r2矛盾,且调节因素r2可以对参数1及参数2都进行调节,此时,将调节因素1删除,消除矛盾,主要是为保证该模型对不同家居设备的有效控制,避免出现冲突。以上技术的有益效果在于:向量构建单元通过若干测试样本实现对初始控制模型的测试,并构建每个测试样本的执行向量集;通过层矩阵构建单元对执行向量集中同设备控制层的执行向量进行提取,实现了同设备控制层的层矩阵的构建;通过规律性分析单元对层矩阵中的向量进行处理,进而通过因素确定单元确定执行调节因素,优化单元根据执行调节因素进行矛盾消除,以实现对初始控制模型的优化,构建家居控制模型。通过上述技术方案中模型构建模块的向量构建单元、层矩阵构建单元、规律性分析单元、因素确定单元和优化单元,实现了对初始控制模型的优化,得到家居控制模型。
实施例6:
本发明实施例提供了一种基于模型预测控制的智能家居系统,优化控制模块,包括:
设备识别单元,用于获取家居设备的设备型号信息,并向信息解析单元传输;
信息解析单元,用于根据设备型号信息,获取家居设备的控制参数协议格式;
格式转换单元,用于根据控制参数协议格式,对家居控制模型根据环境监测数据输出的优化控制信息进行格式转换,生成家居设备对应的优化控制参数;
设备控制单元,用于根据优化控制参数控制家居设备进行指定操作。
以上实施例中,通过设备识别单元获取家居设备的设备型号信息,并通过信息解析单元,获取家居设备的控制参数协议格式,格式转换单元将优化控制信息的格式转换为相应的控制参数协议格式,生成家居设备对应的优化控制参数,设备控制单元根据优化控制参数控制家居设备执行指定操作。以上实施例,家居控制模型将环境监测数据作为的输入特征,将优化控制信息作为输出特征。
以上技术的有益效果在于:通过设备识别单元,实现了对家居设备的设备型号信息的获取;通过信号解析单元实现了对家居设备的控制参数协议格式的获取;格式转换单元对优化控制信息进行相应的格式转换,实现对优化控制参数的获取,进而能够实现对接入系统不同型号的家居设备的控制;通过设备控制单元,根据优化控制参数以实现对家居设备的控制。上述技术方案中通过设备识别单元、信息解析单元、格式转换单元和设备控制单元,实现了优化控制模块根据获取的优化控制信息对家居设备的控制。
实施例7:
本发明实施例提供了一种基于模型预测控制的智能家居系统,还包括:客户端通信模块;
监测模块,还用于获取家居设备的设备运行数据,并将设备运行数据向客户端通信模块传输;
客户端通信模块,用于将监测模块传输的设备运行数据向用户的电子设备传输进行显示;
客户端通信模块,还用于接收用户基于电子设备传输的设备控制指令,并将设备控制指令向优化控制模块传输;
优化控制模块,用于根据设备控制指令控制家居设备;
设备控制指令的优先级高于家居控制模型输出的优化控制信息。
以上实施例中,监测模块将获取的家居设备的设备运行数据向客户端通信模块传输,客户端通信模块将设备运行数据向用户的电子设备传输显示。
以上实施例中,客户端通信模块在接收到用户基于电子设备传输的设备控制指令时,将设备控制指令向优化控制模块传输,优化控制模块根据设备控制指令控制家居设备进行指定操作。
以上实施例中,优化控制模块在同时接收到客户端通信模块传输的设备控制指令和家居控制模型输出的优化控制信息时,优先执行设备控制指令。
以上技术的有益效果在于:通过监测模块,实现了对家居设备的设备运行数据的获取,并通过客户端通信模块将获取的设备运行数据通过电子设备向用户显示,实现了用户对家居设备的设备运行数据的实时获取。用户基于电子设备将设备控制指令通过客户端通信模块向优化控制模块传输,优化控制模块根据设备控制指令控制家居设备,实现了用户对家居设备的控制,并且优先于系统获取的优化控制信息对家居设备控制,进而实现了用户对家居设备的实时控制和管理,使系统具备了良好的人机交互功能。
在实施例1-7中,基于模型预测控制的智能家居系统具备便捷性、舒适性、安全性、节能性和个性化等多个方面的优势,能够为家庭成员提供更加智能、舒适、安全的居住环境。
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 (8)
1.一种基于模型预测控制的智能家居系统,其特征在于,包括:
访问控制模块,用于对发起通信连接请求的家居设备进行身份验证,验证通过后建立与优化控制模块的通信连接;
监测模块,用于基于预部署传感器监测并采集连接成功的家居设备所处家居环境的环境参数,并对所述环境参数按照预设参数类型进行划分,得到若干参数集合,其中,所述参数集合中的每个环境参数都标记有采集时间以及采集区域;
参数处理模块,用于对同个参数集合进行参数融合处理,构建监测特征数据,并将所述监测特征数据进行合并整理,获取环境监测数据;
模型构建模块,用于对样本集中的每个单独样本进行类型及数值分析,来构建初始控制模型,并对所述初始控制模型中的不同层进行关联分析,来对初始控制模型进行优化,得到家居控制模型;
优化控制模块,用于将所述环境监测数据输入到家居控制模型预测获取优化控制信息,来控制相应家居设备进行指定操作。
2.根据权利要求1所述的基于模型预测控制的智能家居系统,其特征在于,所述模型构建模块,包括:
集合获取单元,用于历史家居控制库中的样本集中每个单独样本进行类型及数值分析,获取所述单独样本对应的特征数据集合;
集合分析单元,用于对所述特征数据集合进行分析生成样本特征数据集;
卷积处理单元,用于根据内置的卷积核对所述样本特征数据集进行卷积处理,获取控制数据处理集;
预测单元,用于对控制数据处理集进行预测,当预测精准性满足精准阈值时,得到初始控制模型。
3.根据权利要求2所述的基于模型预测控制的智能家居系统,其特征在于,所述集合获取单元,包括:
信息生成子单元,用于对所述单独样本的监测及控制参数类型进行识别,通过独热编码对识别结果进行编码处理,且结合所述单独样本所对应设定时间段内的数值分析结果向编码处理结果中的每个字符赋予相应的数值标签,生成样本数值信息;
维度处理子单元,用于对所述样本数值信息中每个单位历史时刻下的信息进行维度处理,并将每个单位历史时刻下的信息拓展为初始特征向量;
其中,eti为第t单位历史时刻下的第i维特征值,ave(eti)为第t单位历史时刻下的信息中第i维信息的平均值,MAD(eti)为第t单位历史时刻下的信息中第i维数据的平均绝对偏差,i的取值与单位历史时刻涉及到的维度数量相等;
构建子单元,用于对每个单位历史时刻下的初始特征向量进行元素补充及对齐处理,构建得到特征数据集合。
4.根据权利要求2所述的基于模型预测控制的智能家居系统,其特征在于,所述集合分析单元,包括:
分配子单元,用于对所述特征数据集合进行矩阵构建,并对构建矩阵中的每列向量进行通道分配,并对每个通道分配相应的权重系数,进而确定所述特征数据集合中每个通道的特征聚合信息,其中,所述构建矩阵的列为同类型参数,行为同个单位历史时刻下的不同类型参数;
其中,Ji1为所述特征数据集合中第i1个通道的特征聚合信息,βi1为第i1个通道对应的权重系数,为所述特征数据集合中第i1个通道中第j个特征元素,r为所述特征数据集合中第i1个通道中特征元素的数量,/>为所述特征数据集合中第i1个通道涉及到的所有特征元素进行标准化处理后的元素方差,/>为从任一去除所述特征数据集合中第i1个通道涉及到的所有特征元素中的一个元素后的所有方差中筛选最大方差;
矩阵构建子单元,用于将所述特征聚合信息Ji1补充到所述矩阵的首行,构建特征数据矩阵;
数据集构建子单元,用于对所述特征数据矩阵进行分析构建样本特征数据集。
5.根据权利要求1所述的基于模型预测控制的智能家居系统,其特征在于,所述模型构建模块,还包括:
向量集构建单元,用于分别获取若干随机组合的环境参数测试样本对所述初始控制模型进行测试,并依次记录所述初始控制模型中每个设备控制层对每个环境参数测试样本的执行过程,并构建每个环境参数测试样本的执行向量集;
层矩阵构建单元,用于提取所有执行向量集中同设备控制层的执行向量,并构建得到对应同设备控制层的层矩阵;
规律性分析单元,用于获取所述层矩阵中每列向量的元素平均值,并构建得到第一向量;同时,获取对应设备控制层在相应环境参数测试样本下的标准执行值,并构建得到第二向量;
放大处理单元,用于对所述第一向量以及第二向量进行对比分析,得到误差向量,并进行差异化放大处理;
对差异化放大处理后的误差向量进行规律性分析,判断是否满足对应设备控制层的执行一致机制,若一致,将对应设备控制层视为第一层;
因素确定单元,用于若不一致,将对应设备控制层视为第二层,并根据所述初始控制设备控制层中每个设备控制层的先后执行顺序以及基于先后执行顺序确定的相邻执行设备控制层之间的设定执行转换关系,且结合规律性分析结果与对应执行一致机制的执行异常,确定所述第二层的执行调节因素;
优化单元,用于根据存在的所有执行调节因素进行矛盾消除,来对初始控制模型进行优化,得到家居控制模型。
6.根据权利要求5所述的基于模型预测控制的智能家居系统,其特征在于,所述放大处理单元,包括:
差筛选子单元,用于筛选所述误差向量中的最小差以及最大差;
计算子单元,用于按照如下公式对所述误差向量中的元素进行差异化放大处理;
其中,min2表示最小差;max1表示最大差;m01表示对应列向量中包含的元素个数;a01表示设定常数;b1表示与最大差所对应的标准执行值;b2表示与最小差所对应的标准执行值;[]表示取整函数;Δ1(b1,b2)表示基于b1与b2从单位数据库中匹配得到的单位变量;Δ1(b1,b2,a01)表示基于b1、b2、a01从单位数据库中匹配得到的单位变量;N01表示差异化放大倍数。
7.根据权利要求1所述的基于模型预测控制的智能家居系统,其特征在于,所述优化控制模块,包括:
设备识别单元,用于获取所述家居设备的设备型号信息,并向信息解析单元传输;
信息解析单元,用于根据所述设备型号信息,获取所述家居设备的控制参数协议格式;
格式转换单元,用于根据所述控制参数协议格式,对所述家居控制模型根据所述环境监测数据输出的所述优化控制信息进行格式转换,生成所述家居设备对应的所述优化控制参数;
所述设备控制单元,用于根据所述优化控制参数控制所述家居设备。
8.根据权利要求1所述的基于模型预测控制的智能家居系统,其特征在于,包括:客户端通信模块;
所述监测模块,还用于获取所述家居设备的设备运行数据,并将所述设备运行数据向所述客户端通信模块传输;
所述客户端通信模块,用于将所述监测模块传输的所述设备运行数据向用户的电子设备传输进行显示;
所述客户端通信模块,还用于接收用户基于电子设备传输的设备控制指令,并将所述设备控制指令向所述优化控制模块传输;
所述优化控制模块,用于根据所述设备控制指令控制所述家居设备;
所述设备控制指令的优先级高于所述家居控制模型输出的所述优化控制信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311600647.3A CN117369302A (zh) | 2023-11-24 | 2023-11-24 | 一种基于模型预测控制的智能家居系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311600647.3A CN117369302A (zh) | 2023-11-24 | 2023-11-24 | 一种基于模型预测控制的智能家居系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117369302A true CN117369302A (zh) | 2024-01-09 |
Family
ID=89402503
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311600647.3A Pending CN117369302A (zh) | 2023-11-24 | 2023-11-24 | 一种基于模型预测控制的智能家居系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117369302A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117666378A (zh) * | 2024-02-01 | 2024-03-08 | 天津市品茗科技有限公司 | 一种智能家居系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112286150A (zh) * | 2020-10-15 | 2021-01-29 | 珠海格力电器股份有限公司 | 一种智能家居设备管理方法、装置、系统及存储介质 |
CN115567222A (zh) * | 2022-09-29 | 2023-01-03 | 山东科技大学 | 一种基于边缘计算的智能家居认证方法 |
CN115865549A (zh) * | 2023-02-14 | 2023-03-28 | 南通翁海电气有限公司 | 一种基于物联网的智能家居控制方法及系统 |
CN115937662A (zh) * | 2022-12-27 | 2023-04-07 | 天翼电信终端有限公司 | 智能家居系统控制方法、装置、服务器及存储介质 |
DE202023100942U1 (de) * | 2023-02-28 | 2023-04-13 | Kusum Yadav | System für sichere Datenkommunikation in Smart Home-Umgebungen durch maschinelles Lernen |
CN116007148A (zh) * | 2023-01-09 | 2023-04-25 | 江苏悦达绿色建筑科技有限公司 | 一种基于物联网的智能家居空气净化系统 |
CN116909339A (zh) * | 2023-09-14 | 2023-10-20 | 厘壮信息科技(苏州)有限公司 | 基于人工智能的智能家居安全预警方法及系统 |
CN117031977A (zh) * | 2023-08-31 | 2023-11-10 | 宜宾职业技术学院 | 一种智能家居控制方法及系统 |
-
2023
- 2023-11-24 CN CN202311600647.3A patent/CN117369302A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112286150A (zh) * | 2020-10-15 | 2021-01-29 | 珠海格力电器股份有限公司 | 一种智能家居设备管理方法、装置、系统及存储介质 |
CN115567222A (zh) * | 2022-09-29 | 2023-01-03 | 山东科技大学 | 一种基于边缘计算的智能家居认证方法 |
CN115937662A (zh) * | 2022-12-27 | 2023-04-07 | 天翼电信终端有限公司 | 智能家居系统控制方法、装置、服务器及存储介质 |
CN116007148A (zh) * | 2023-01-09 | 2023-04-25 | 江苏悦达绿色建筑科技有限公司 | 一种基于物联网的智能家居空气净化系统 |
CN115865549A (zh) * | 2023-02-14 | 2023-03-28 | 南通翁海电气有限公司 | 一种基于物联网的智能家居控制方法及系统 |
DE202023100942U1 (de) * | 2023-02-28 | 2023-04-13 | Kusum Yadav | System für sichere Datenkommunikation in Smart Home-Umgebungen durch maschinelles Lernen |
CN117031977A (zh) * | 2023-08-31 | 2023-11-10 | 宜宾职业技术学院 | 一种智能家居控制方法及系统 |
CN116909339A (zh) * | 2023-09-14 | 2023-10-20 | 厘壮信息科技(苏州)有限公司 | 基于人工智能的智能家居安全预警方法及系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117666378A (zh) * | 2024-02-01 | 2024-03-08 | 天津市品茗科技有限公司 | 一种智能家居系统 |
CN117666378B (zh) * | 2024-02-01 | 2024-04-09 | 天津市品茗科技有限公司 | 一种智能家居系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107942960B (zh) | 一种智能化的信息处理系统 | |
CN107750323B (zh) | 用于控制空调装置的启动的方法及其设备 | |
Lee et al. | Towards smart buildings with self-tuned indoor thermal environments–A critical review | |
CN113196313A (zh) | 模型集成装置、模型集成方法、模型集成程序、推定系统、检查系统以及控制系统 | |
CN117369302A (zh) | 一种基于模型预测控制的智能家居系统 | |
US20150330645A1 (en) | Comfort estimation and incentive design for energy efficiency | |
Ouf et al. | A simulation-based method to investigate occupant-centric controls | |
CN117270611B (zh) | 智慧运动场馆的环境智能控制系统及方法 | |
WO2019231466A1 (en) | Enterprise platform for enhancing operational performance | |
CN111459214A (zh) | 一种基于智慧环境的控制管理系统及其方法 | |
Deng et al. | Digital ID framework for human-centric monitoring and control of smart buildings | |
CN111739154A (zh) | 一种建筑室内环境自动建模的系统及方法 | |
KR20220075123A (ko) | 전기 버스의 배터리 상태 분석 서비스 시스템 | |
CN110823291A (zh) | 基于K-means聚类算法的建筑物室内温湿度环境监测方法与系统 | |
CN117010638B (zh) | 酒店设备的智能管理方法及系统 | |
CN117406613A (zh) | 基于环境感知的家具智能联动控制方法及控制装置 | |
Yuan et al. | Space-Level air conditioner electricity consumption and occupant behavior analysis on a university campus | |
CN115841188B (zh) | 一种基于用户行为分析的供热系统供需优化方法 | |
CN116304988A (zh) | 一种基于数据融合的情景感知多指标质量管理系统及方法 | |
CN114625627B (zh) | 一种基于大数据多维分析的用户智能感知方法 | |
CN115496628A (zh) | 一种智慧酒店管理系统 | |
Barbadilla-Martín et al. | Analysing the indoor temperature ranges for an efficient control of HVAC systems | |
CN112270805B (zh) | 疲劳状态预警系统及疲劳状态信息管理系统 | |
CN115758869B (zh) | 一种基于bim的智能楼宇管控系统 | |
CN114963458B (zh) | 一种热舒适参数预测方法及其设备 |
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 |