CN117724353A - 基于物联网通信的智能家居电力管理系统 - Google Patents
基于物联网通信的智能家居电力管理系统 Download PDFInfo
- Publication number
- CN117724353A CN117724353A CN202410086306.7A CN202410086306A CN117724353A CN 117724353 A CN117724353 A CN 117724353A CN 202410086306 A CN202410086306 A CN 202410086306A CN 117724353 A CN117724353 A CN 117724353A
- Authority
- CN
- China
- Prior art keywords
- air conditioner
- coefficient
- user
- time
- power
- 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
- 238000004891 communication Methods 0.000 title claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 53
- 238000001816 cooling Methods 0.000 claims abstract description 36
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000000034 method Methods 0.000 abstract description 15
- 230000006870 function Effects 0.000 description 23
- 238000013528 artificial neural network Methods 0.000 description 15
- 238000012549 training Methods 0.000 description 14
- 238000013531 bayesian neural network Methods 0.000 description 7
- 210000002569 neuron Anatomy 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000010606 normalization Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000005284 excitation Effects 0.000 description 3
- 238000004378 air conditioning Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000013077 scoring method Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Landscapes
- Air Conditioning Control Device (AREA)
Abstract
本发明公开了基于物联网通信的智能家居电力管理系统,具体涉及智能家居技术领域,本发明通过采集用户住房处的电压不稳定系数、空调功率系数,建立电力支持系数,将电力支持系数与预先设定的电力支持系数第一参考阈值、第二参考阈值进行比对,生成可支持空调运行时长;采集用户到家后空调运行平均时长,并将其与可支持空调运行时长进行处理,生成空调可提前开启时长;通过采集用户到家的时长、空调所需的降温时长,生成空调最佳开启时间系数,将空调最佳开启时间系数与空调可提前开启时长对比,若空调最佳时间开启系数小于可提前开启时长,则表示智能家居系统可以提前开启空调,对用户住房进行降温,而且不会影响到用户到家后空调的后续使用时长。
Description
技术领域
本发明涉及智能家居技术领域,更具体地说,本发明涉及基于物联网通信的智能家居电力管理系统。
背景技术
智能家居电力管理系统是一种集成先进技术的智能化解决方案,旨在有效监控、控制和优化家庭电力消耗,以提高能源利用效率、降低能源成本,并实现可持续的能源管理。该系统通过整合物联网(IoT)、人工智能(AI)、云计算等技术,将家庭中的电器设备、照明系统、供暖与空调系统等连接到一个智能网络中,实现对电力的智能监测和管理,随着科技的不断发展,智能家居电力管理技术已经成为人们生活中不可或缺的一部分,尤其是在夏天的时候,智能家居电力管理技术可以提前在用户下班之前开启空调对房间进行降温,避免在回家时等待过长的降温时间,提供了更为舒适的生活体验。
现有技术存在以下不足:
由于夏天属于用电高峰期,电荷负载较高,若用户住处的电力不足以支持空调运行,或者是支持空调运行的时间较短,但仍然开启空调对用户住房进行降温,可能会导致断电,使得原本已经降温的房间,因为空调不再继续运行温度再次升高;另外,若用户住处的电力负载有限,提前开启空调可能会导致用户在到家后,电力负载过大导致空调不能长时间的使用,影响用户到家后空调的使用。
为了解决上述两个缺陷,现提供一种技术方案。
发明内容
为了克服现有技术的上述缺陷,本发明的实施例提供基于物联网通信的智能家居电力管理系统以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:
基于物联网通信的智能家居电力管理系统,包括第一采集模块、第一处理模块、分析模块、第二处理模块、第二采集模块、第三处理模块、中央控制模块;
第一采集模块,采集用户住房的电力运行状态信息,包括电力负载参数信息和空调自身信息,采集后,第一采集模块将电力负载参数信息和空调自身信息传递至第一处理模块;
第一处理模块,将电力负载参数信息和空调自身信息进行综合处理,并建立数据处理模型,生成电力支持系数,并将电力支持系数传递至分析模块;
分析模块,将电力支持系数与预先设定的准确度影响指数第一参考阈值、第二参考阈值进行综合比对分析,并根据对比结果对应生成可支持空调运行时长,并将生成的结果传递至第二处理模块;
第二处理模块,第二处理模块采集用户到家后空调运行平均时长,并结合第二处理模块上传的可支持空调运行时长,将两者进行处理,生成可提前开启时长,并将生成的结果传递至中央控制模块;
第二采集模块,采集用户下班信息与空调降温信息,采集后,第二采集模块将用户下班信息与空调降温信息传递至第三处理模块;
第三处理模块,将用户下班信息和空调降温信息进行综合处理,并建立数据处理模型,生成空调最佳开启时间系数,并将空调最佳开启时间系数传递至中央控制模块;
中央控制模块,将空调最佳开启时间系数与可提前开启时长进行对比,根据对比结果选择开启空调或向用户发送询问信息。
在一个优选的实施方式中,所述电力支持系数的获取逻辑为:
式中,YJDh为电力支持系数,f1、f2分别为电压不稳定系数Jpfh、空调功率系数Lsch的预设比例系数,且f1、f2均大于0。
在一个优选的实施方式中,所述电压不稳定系数获取的逻辑如下:
步骤一、获取用户住房在T时间内不同时刻的实际供电电压值,将实际供电电压值标定为V实 x,x表示用户住房在T时间内不同时刻的实际供电电压值的编号,x=1、2、3、4、……、c,c为正整数;
步骤二、求出用户住房在T时间内不同时刻的实际供电电压值V实 x的标准差,并将标准差标定为Q,标准差Q的计算公式为:
其中,为T时间内不同时刻的实际供电电压值V实 x的平均值,获取的表达式为:
步骤三、通过T时间内不同时刻的实际供电电压值V实 x的标准差Q获取电压不稳定系数,获取的表达式为:Jpfh=Q。
在一个优选的实施方式中,所述空调功率系数的获取的逻辑如下:Lsch=Ld-Lj;式中,Ld为实际的功率,Lj为预设的功率。
在一个优选的实施方式中,所述空调最佳开启时间系数的获取逻辑为:
将用户到家的时长Qs与空调所需的降温时长Wd,生成空调最佳开启时间系数Ug,空调最佳开启时间系数Ug的表达式为:
式中,Ug为空调最佳开启时间系数,γ、β分别为用户到家的时长Qs、空调所需的降温时长Wd的预设比例系数,且γ、β均大于0。
本发明的技术效果和优点:
1、本发明通过采集用户住房处的电压不稳定系数、空调功率系数,建立电力支持系数,并将电力支持系数与预先设定的电力支持系数第一参考阈值、第二参考阈值进行综合比对分析,并根据对比结果对应生成可支持空调运行时长;采集用户到家后空调运行平均时长,并将其与可支持空调运行时长进行处理,生成空调可提前开启时长;
2、通过采集用户到家的时长、空调所需的降温时长,生成空调最佳开启时间系数,并将空调最佳开启时间系数与空调可提前开启时长对比,若空调最佳时间开启系数小于可提前开启时长,则表示智能家居系统可以提前开启空调,对用户住房进行降温,而且不会影响到用户到家后空调的后续使用时长,不会对用户到家后空调的使用情况造成不便,且不会发生用户到家之前空调断电的情况;
3、若空调最佳时间开启系数大于可提前开启时长,表示若智能家居系统提前开启空调,会影响到用户到家后空调的后续使用时长,此时中央控制模块向用户发送信息,由用户决定是否要提前开启空调对住房进行降温,或者是等到用户到家后再自行开启空调进行降温,使得选择权在用户的手中,更加人性化。
附图说明
为了便于本领域技术人员理解,下面结合附图对本发明作进一步的说明;
图1为本发明的模块示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1
如图1所述,基于物联网通信的智能家居电力管理系统,包括第一采集模块、第一处理模块、分析模块、第二处理模块、第二采集模块、第三处理模块、中央控制模块;
第一采集模块,采集用户住房的电力运行状态信息,包括电力负载参数信息和空调自身信息,采集后,第一采集模块将电力负载参数信息和空调自身信息传递至第一处理模块;
电力负载参数信息包括电压不稳定系数,采集后,第一采集模块将电压不稳定系数标定为Jpfh,空调自身信息包括空调功率系数,采集后,第一采集模块将空调功率系数标定为Lsch;
第一处理模块,将电力负载参数信息和空调自身信息进行综合处理,并建立数据处理模型,生成电力支持系数,并将电力支持系数传递至分析模块;
分析模块,将电力支持系数与预先设定的电力支持系数第一参考阈值、第二参考阈值进行综合比对分析,并根据对比结果对应生成可支持空调运行时长,并将生成的结果传递至第二处理模块;
第二处理模块,第二处理模块采集用户到家后空调运行平均时长,并结合第二处理模块上传的可支持空调运行时长,将两者进行处理,生成可提前开启时长,并将生成的结果传递至中央控制模块;
第二采集模块,采集用户下班信息与空调降温信息,采集后,第二采集模块将用户下班信息与空调降温信息传递至第三处理模块;
用户下班信息包括用户到家的时长,采集后,第一采集模块将用户到家的时长标定为Qs,空调降温信息包括空调所需的降温时长,采集后,第一采集模块将空调所需的降温时长标定为Wd;
第三处理模块,将用户下班信息和空调降温信息进行综合处理,并建立数据处理模型,生成空调最佳开启时间系数,并将空调最佳开启时间系数传递至中央控制模块;
中央控制模块,将空调最佳开启时间系数与可提前开启时长进行对比,根据对比结果选择开启空调或向用户发送询问信息。
具体步骤如下:
需要说明的是,在夏季高温天气中,由于用电量巨大,停电现象比平时更为频繁,电力负载也显著增大。因此,当智能家居电力系统需要提前开启空调以降低室内温度时,必须仔细判断用户住处的电力是否足以支持空调的运行,以及支持的时间长度,这样的判断是至关重要的,以免在用户未下班之前由于提前开启空调而导致断电。这种情况下,提前降温的房间将失去空调的支持,温度再度上升,从而导致了不必要的能源浪费。通过建立电力支持系数,并将电力支持系数与预设的准确度影响指数第一参考阈值、第二参考阈值进行综合比对分析,生成了可支持的空调开启时长,以确保在用户未下班之前,电力系统能够稳定地支持提前开启空调。
将电力支持系数的获取逻辑为:
式中,YJDh为电力支持系数,f1、f2分别为电压不稳定系数Jpfh、空调功率系数Lsch的预设比例系数,且f1、f2均大于0,比例系数f1、f2的具体值由本领域技术人员依据具体情况进行设置,在此不作限定。
电压不稳定系数:指的是用户住房处的电压的不稳定程度;电压不稳定性可能导致系统对电力支持的不确定性增加,电力支持系数通常与电压的稳定性直接相关,如果电压不稳定,电力系统可能难以提供稳定而可靠的电力支持;在提前开启空调的情况下,若用户住房处的电压的不稳定程度越大,很有可能会导致空调在运行的时候,出现运行不稳定、频繁停电的情况,从而影响提前降温的效果和时间;因此当电压不稳定系数越大,电力支持系数就越小。
电压不稳定系数获取的逻辑如下:
步骤一、获取用户住房在T时间内不同时刻的实际供电电压值,将实际供电电压值标定为V实 x,x表示用户住房在T时间内不同时刻的实际供电电压值的编号,x=1、2、3、4、……、c,c为正整数;
步骤二、求出用户住房在T时间内不同时刻的实际供电电压值V实 x的标准差,并将标准差标定为Q,标准差Q的计算公式为:
其中,为T时间内不同时刻的实际供电电压值V实 x的平均值,获取的表达式为:
步骤三、通过T时间内不同时刻的实际供电电压值V实 x的标准差Q获取电压不稳定系数,获取的表达式为:Jpfh=Q;
需要说明是,可以通过安装专门的监控电路来实时监测用户住房的供电电压,这种监控电路通常包括电压传感器或监测芯片,能够实时测量供电电压并将其输出为电压值或模拟信号;
由表达式可知,T时间内不同时刻的实际供电电压值V实 x的标准差越大,电压不稳定系数越大,表示该用户住房的电压越不稳定,若强行开启空调,可能会出现运行不稳定、频繁停电的情况,电力支持系数就越小;T时间内不同时刻的实际供电电压值V实 x的标准差越小,电压不稳定系数越小,表示该用户住房的电压越稳定,电力支持系数就越大;
空调功率系数:指的是用户住房内的空调在运行时实际的功率与预设的功率之间的差异;若用户住房内的空调在运行的时候,功率过大,当空调的功率需求超过了电路或断路器的设计容量时,电路可能会过载,可能会导致房间断电或者频繁停电,因此根据用户住房内的空调在运行时实际使用的功率来判断电力的可支持性;需要说明的是,预设的功率指的是空调在使用时理想的功率,空调在该功率运行时,不会超过电路或断路器的设计容量,且空调能够一直保持运行,具体的预设的功率需要根据实际的情况进行获取,另外,用户住房内的空调在运行时,实际的功率可以通过电路系统中的监控系统进行获取。
空调功率系数的获取的逻辑如下:Lsch=Ld-Lj;式中,Ld为实际的功率,Lj为预设的功率;
由表达式可知,空调功率系数越大,表示该用户住房内的空调运行时的功率越大,断电的可能性就越大,电力支持系数就越小;空调功率系数越小,表示该用户住房内的空调运行时的功率越小,断电的可能性就越小,电力支持系数就越大。
将计算的得到的电力支持系数YJDh与预先设定的电力支持系数第一参考阈值YA、第二参考阈值YB进行对比,且第一参考阈值YA小于第二参考阈值YB;
若电力支持系数YJDh小于预先设定的电力支持系数第一参考阈值YA,则对应的用户住房的电力只能支持空调运行n小时;
若电力支持系数YJDh大于预先设定的电力支持系数第一参考阈值YA,且小于第二参考阈值YB,则对应的用户住房的电力能支持空调运行m小时;
若电力支持系数YJDh大于预先设定的电力支持系数第二参考阈值YB,则对应的用户住房的电力支持空调运行k小时;
需要说明是,k>m>n。
采集用户到家后空调运行的平均时长,并将其标记为Er,需要说明的是,用户到家后空调的平均运行时长指的是用户从到家时到空调关闭的时长,通过采集一段时间内用户到家后空调的平均运行时长,得到用户在回家后需要开启的空调的时长;
将可支持空调运行时长与空调运行的平均时长进行处理,得到可提前开启时长,并将其标记为Hr;
具体公式如下:
当电力支持系数YJDh小于预先设定的电力支持系数第一参考阈值YA时,Hr=n-Er;
当电力支持系数YJDh大于预先设定的电力支持系数第一参考阈值YA,且小于第二参考阈值进行对比YB时,Hr=m-Er;
当电力支持系数YJDh大于预先设定的电力支持系数第二参考阈值YB时,Hr=k-Er。
实施例2
将用户到家的时长Qs与空调所需的降温时长Wd,生成空调最佳开启时间系数Ug,空调最佳开启时间系数Ug的表达式为:
式中,Ug为空调最佳开启时间系数,γ、β分别为用户到家的时长Qs、空调所需的降温时长Wd的预设比例系数,且γ、β均大于0,比例系数γ、β的具体值由本领域技术人员依据具体情况进行设置,在此不作限定。
由表达式可知,用户到家的时长越长,空调提前开启的时间就越晚,空调所需的降温时长越长,空调提前开启的时间就越早,因此,通过综合分析用户到家的时长,以及空调所需的降温时长,来判断提前多长时间开启空调比较合适,需要说明的是,空调所需的降温时长,指的是空调把用户住房内的温度降低到预设的温度所需要的时长,这个温度可以是用户自己设定的,比如在夏天时,用户可以设定到家时住房内的温度为20℃,可以根据空调内部的监控系统获取住房内的实际温度,以及空调室住房内的温度下降到浴室的温度所需要的时间;另外,空调最佳时间开启系数的单位为时间单位。
通过实例1得到用户的电力支持系数,并得到用户住房所对应的可提前开启时长Hr,并将空调最佳时间开启系数Ug与可提前开启时长Hr进行对比;
若空调最佳时间开启系数Ug小于可提前开启时长Hr,则表示智能家居系统可以提前开启空调,对用户住房进行降温,而且不会影响到用户到家后空调的后续使用时长,此时只需要提前Ug时长开启空调即可;
若空调最佳时间开启系数Ug大于可提前开启时长Hr,表示若智能家居系统提前开启空调,会影响到用户到家后空调的后续使用时长,此时中央控制模块向用户发送信息,由用户决定是否要提前开启空调对住房进行降温,或者是等到用户到家后再自行开启空调进行降温;若用户选择提前开启空调,对住房进行降温,则空调提前Ug时长开启;
需要说明的是,空调提前Ug时长开启是相对于用户到达住房的时间,提前的Ug时长;
另外,需要说明的是,用户到家的时长Qs与空调所需的降温时长Wd分别为预测的数据信息,以下将分别采用预测模型获取用户到家的时长Qs与空调所需的降温时长Wd。
以下将采用模糊贝叶斯神经网络模型获取用户到家的时长Qs;
步骤1:获取样本数据确定输入输出变量采集用户下班时间、用户所使用的交通工具、用户所处位置的经纬度作为输入变量,用户到家时间为输出变量,其中输入变量,输出变量均从历史数据中获取且输入变量中的用户下班时间、用户所使用的交通工具、用户所处位置的经纬度的采集要与实际预测用户的信息具有较高的相似度。
为了避免神经网络误差过大及防止局部神经元达到过饱和状态,对样本数据进行归一化处理。使得样本数据均在0到1之间,网络输出向量采用反归一化处理,即得到原输出值;样本数据的归一化公式为:
式中,ψ为归一化后样本数据,α为原始样本数据与原始样本数据最小值的比值,为原始样本数据最大值与原始样本数据最小值的比值;
将经过归一化处理后得到的样本数据集标记为
D=[(z11,z21,z31,s1),(z12,z22,z32,s2)…(z1n,z2n,z3n,yn)]其中,D为归一化后的样本数据集,z1z2z3,s分别为用户下班时间、用户所使用的交通工具、用户所处位置的经纬度、用户到家时间,n为采集的不同组的样本数据总量。将归一化后的样本数据的80%作为训练样本集,20%作为检验样本集。
步骤二,建立模糊贝叶斯神经网络模型,
用于预测用户到家的时长神经网络模型由输入层、隐含层、输出层构成;输入层由用户下班时间、用户所使用的交通工具、用户所处位置的经纬度组成,隐含层由经验公式确定;输出层为用户到家的时长,隐含层由经验公式确定,经验公式为
G为隐含层神经元数,n输入层输入神经元数,m输出层输出神经元数,a的取值范围为1~10之间的常数;
建立所述模糊贝叶斯神经网络预测模型,确定模型的激励函数、训练函数、学习函数及神经网络性能指标;激励函数选择sigmod函数训练函数选择trainlm函数,学习函数选择贝叶斯函数,神经网络性能指标为:/>
预训练过程:通过预训练函数trainlm,设定训练目标、训练步数,训练误差精度,根据结果选择最佳的隐含层神经元数量;
创建一个前向神经网络:net=newff(PR,[S1,S2...SN1],{TF1,TF2...TFN1},
BTF,BLF,PF),其中,向量元素从1到N1;net为创建新的神经网络;PR为网络输入元素最大值、最小值组成的矩阵;[S1,S2...SN1]表示网络隐含层和输出层神经元数量;{TF1,TF2...TFN1}表示隐含层和输出层激励函数,为sigmod函数;BTF为网络的训练函数,为trainlm函数;BLF为网络的权值学习函数,为贝叶斯函数;PF为性能函数,默认为“mse”函数;
创建神经网络权值集:影响神经网络运算精确性和泛化能力的权值集合用ω表示,即ω={ω1,ω2,ω3,...,ωn},其中,ωi(i=1,2,3...n)表示权值分量;
创建权值评判集:采用改进专家评分法对神经网络权值模糊化,专家首先无交流进行评分,对评分结果进行由大到小排序,首尾专家进行协商再次评分,重新排序,依次类推,直到评分完为止。评判集用V表示,即V={V 1,V2,V 3,...,Vn},其中,Vi(i=1,2,3...n)表示权值分量的重要程度;
进行专家评分:采用专家评分法对神经网络权值模糊化;
解模糊化:采用加权平均法进行解模糊,获得神经网络权值的先验概率,公式为:
式中,P(ωi)表示神经网络权值的先验概率,bj表示评判者人数,v i表示评判者做出可能的评判结果;
确定似然函数:假设目标值t 1,t2,t 3,...,tn是在高斯白噪声下产生的,似然函数为:
其中,Z D(γ)为归一化因子,γ为超参数;
确定权值的后验概率公式:
式中,i=(1,2,3,...,n),j=(1,2,3,...,n),为误差函数,/>
随机选取训练样本集D对模糊贝叶斯神经网络预测模型进行学习训练,用模糊知识及贝叶斯函数确定输入层,隐含层,输出层各权值,通过训练样本数据判断输出层的实际输出与期望输出是否满足神经网络性能指标要求;若未满足要求,则适当改变隐含层神经元数量,重新由模糊知识以及贝叶斯函数确定输入层,隐含层,输出层各权值,再次通过训练样本数据判断输出层的实际输出与期望输出是否满足神经网络性能指标要求;若满足要求,则训练结束,否则继续进行训练,直到满足神经网络性能指标要求为止;
步骤3:模糊贝叶斯神经网络预测模型构建完成后,采集样本数据集中的输入数据,将采集的各项输入数据输入模糊贝叶斯神经网络预测模型中得到输出值,即用户到家时间。
同上所述,通过另一个模糊贝叶斯神经网络模型获取空调所需的降温时长Wd,此时输入层变为室内温度、相邻房间温度、适宜温度,输入层变为空调所需的降温时长,具体过程可参考上述,在此不再详细的列出。
通过空调所需的降温时长Wd与用户到家的时长QS共同确定空调最佳开启时间系数,具体如何获取在此不再一一赘述。
本发明通过采集用户住房处的电压不稳定系数、空调功率系数,建立电力支持系数,并将电力支持系数与预先设定的电力支持系数第一参考阈值、第二参考阈值进行综合比对分析,并根据对比结果对应生成可支持空调运行时长;采集用户到家后空调运行平均时长,并将其与可支持空调运行时长进行处理,生成空调可提前开启时长;
通过采集用户到家的时长、空调所需的降温时长,生成空调最佳开启时间系数,并将空调最佳开启时间系数与空调可提前开启时长对比,若空调最佳时间开启系数小于可提前开启时长,则表示智能家居系统可以提前开启空调,对用户住房进行降温,而且不会影响到用户到家后空调的后续使用时长,不会对用户到家后空调的使用情况造成不便,且不会发生用户到家之前空调断电的情况;
若空调最佳时间开启系数大于可提前开启时长,表示若智能家居系统提前开启空调,会影响到用户到家后空调的后续使用时长,此时中央控制模块向用户发送信息,由用户决定是否要提前开启空调对住房进行降温,或者是等到用户到家后再自行开启空调进行降温,使得选择权在用户的手中,更加人性化。
上述公式均是去量纲取其数值计算,公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式,公式中的预设参数由本领域的技术人员根据实际情况进行设置。
应理解,在本申请的各种实施例中,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件,或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其他的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其他的形式。
所述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单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (5)
1.基于物联网通信的智能家居电力管理系统,其特征在于,包括第一采集模块、第一处理模块、分析模块、第二处理模块、第二采集模块、第三处理模块、中央控制模块;
第一采集模块,采集用户住房的电力运行状态信息,包括电力负载参数信息和空调自身信息,采集后,第一采集模块将电力负载参数信息和空调自身信息传递至第一处理模块;
第一处理模块,将电力负载参数信息和空调自身信息进行综合处理,并建立数据处理模型,生成电力支持系数,并将电力支持系数传递至分析模块;
分析模块,将电力支持系数与预先设定的准确度影响指数第一参考阈值、第二参考阈值进行综合比对分析,并根据对比结果对应生成可支持空调运行时长,并将生成的结果传递至第二处理模块;
第二处理模块,第二处理模块采集用户到家后空调运行平均时长,并结合第二处理模块上传的可支持空调运行时长,将两者进行处理,生成可提前开启时长,并将生成的结果传递至中央控制模块;
第二采集模块,采集用户下班信息与空调降温信息,采集后,第二采集模块将用户下班信息与空调降温信息传递至第三处理模块;
第三处理模块,将用户下班信息和空调降温信息进行综合处理,并建立数据处理模型,生成空调最佳开启时间系数,并将空调最佳开启时间系数传递至中央控制模块;
中央控制模块,将空调最佳开启时间系数与可提前开启时长进行对比,根据对比结果选择开启空调或向用户发送询问信息。
2.根据权利要求1所述的基于物联网通信的智能家居电力管理系统,其特征在于,所述电力支持系数的获取逻辑为:
式中,YJDh为电力支持系数,f1、f2分别为电压不稳定系数Jpfh、空调功率系数Lsch的预设比例系数,且f1、f2均大于0。
3.根据权利要求2所述的基于物联网通信的智能家居电力管理系统,其特征在于,所述电压不稳定系数获取的逻辑如下:
步骤一、获取用户住房在T时间内不同时刻的实际供电电压值,将实际供电电压值标定为V实 x,x表示用户住房在T时间内不同时刻的实际供电电压值的编号,x=1、2、3、4、……、c,c为正整数;
步骤二、求出用户住房在T时间内不同时刻的实际供电电压值V实 x的标准差,并将标准差标定为Q,标准差Q的计算公式为:
其中,为T时间内不同时刻的实际供电电压值V实 x的平均值,获取的表达式为:
步骤三、通过T时间内不同时刻的实际供电电压值V实 x的标准差Q获取电压不稳定系数,获取的表达式为:Jpfh=Q。
4.根据权利要求3所述的基于物联网通信的智能家居电力管理系统,其特征在于,所述空调功率系数的获取的逻辑如下:Lsch=Ld-Lj;式中,Ld为实际的功率,Lj为预设的功率。
5.根据权利要求4所述的基于物联网通信的智能家居电力管理系统,其特征在于,所述空调最佳开启时间系数的获取逻辑为:
将用户到家的时长Qs与空调所需的降温时长Wd,生成空调最佳开启时间系数Ug,空调最佳开启时间系数Ug的表达式为:
式中,Ug为空调最佳开启时间系数,γ、β分别为用户到家的时长Qs、空调所需的降温时长Wd的预设比例系数,且γ、β均大于0。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410086306.7A CN117724353A (zh) | 2024-01-22 | 2024-01-22 | 基于物联网通信的智能家居电力管理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410086306.7A CN117724353A (zh) | 2024-01-22 | 2024-01-22 | 基于物联网通信的智能家居电力管理系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117724353A true CN117724353A (zh) | 2024-03-19 |
Family
ID=90201860
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410086306.7A Pending CN117724353A (zh) | 2024-01-22 | 2024-01-22 | 基于物联网通信的智能家居电力管理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117724353A (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20080044576A (ko) * | 2006-11-17 | 2008-05-21 | 오종택 | 애드혹 통신 네트워크를 이용한 전력분산 장치 및 시스템과그 방법 |
KR20130022652A (ko) * | 2011-08-25 | 2013-03-07 | 엘지전자 주식회사 | 공기 조화기의 제어 장치 및 제어 방법 |
JP2015045444A (ja) * | 2013-08-28 | 2015-03-12 | 三菱重工業株式会社 | 制御装置及び方法並びにプログラム、それを備えた空気調和装置 |
EP2924629A1 (en) * | 2014-03-27 | 2015-09-30 | Palo Alto Research Center Incorporated | Computer-implemented system and method for externally inferring an effective indoor temperature in a building |
JP5823085B1 (ja) * | 2015-01-27 | 2015-11-25 | 三菱電機株式会社 | 給湯機運転管理装置、給湯機運転管理システムおよび給湯機運転管理方法 |
JP2016075399A (ja) * | 2014-10-02 | 2016-05-12 | 三菱電機株式会社 | 制御装置、制御方法及びプログラム |
CN111594997A (zh) * | 2020-06-05 | 2020-08-28 | 吴美君 | 一种基于物联网的公共建筑空调的控制系统及其控制方法 |
CN111594986A (zh) * | 2020-06-02 | 2020-08-28 | 宁波奥克斯电气股份有限公司 | 空调器的智能预约方法、装置、空调器及可读存储介质 |
CN111609523A (zh) * | 2020-06-05 | 2020-09-01 | 吴祥初 | 一种基于物联网的智能空调的控制方法及智能空调系统 |
CN113757923A (zh) * | 2021-08-26 | 2021-12-07 | 佛山市顺德区美的电子科技有限公司 | 空调器及其电量计量方法和存储介质 |
WO2022073307A1 (zh) * | 2020-10-10 | 2022-04-14 | 上海美控智慧建筑有限公司 | 空调的预启动时间控制方法、装置、设备及非易失性存储介质 |
CN116945856A (zh) * | 2023-08-31 | 2023-10-27 | 武汉理工大学 | 一种基于边缘计算的纯电动汽车集成式热管理系统及汽车 |
-
2024
- 2024-01-22 CN CN202410086306.7A patent/CN117724353A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20080044576A (ko) * | 2006-11-17 | 2008-05-21 | 오종택 | 애드혹 통신 네트워크를 이용한 전력분산 장치 및 시스템과그 방법 |
KR20130022652A (ko) * | 2011-08-25 | 2013-03-07 | 엘지전자 주식회사 | 공기 조화기의 제어 장치 및 제어 방법 |
JP2015045444A (ja) * | 2013-08-28 | 2015-03-12 | 三菱重工業株式会社 | 制御装置及び方法並びにプログラム、それを備えた空気調和装置 |
EP2924629A1 (en) * | 2014-03-27 | 2015-09-30 | Palo Alto Research Center Incorporated | Computer-implemented system and method for externally inferring an effective indoor temperature in a building |
JP2016075399A (ja) * | 2014-10-02 | 2016-05-12 | 三菱電機株式会社 | 制御装置、制御方法及びプログラム |
JP5823085B1 (ja) * | 2015-01-27 | 2015-11-25 | 三菱電機株式会社 | 給湯機運転管理装置、給湯機運転管理システムおよび給湯機運転管理方法 |
CN111594986A (zh) * | 2020-06-02 | 2020-08-28 | 宁波奥克斯电气股份有限公司 | 空调器的智能预约方法、装置、空调器及可读存储介质 |
CN111594997A (zh) * | 2020-06-05 | 2020-08-28 | 吴美君 | 一种基于物联网的公共建筑空调的控制系统及其控制方法 |
CN111609523A (zh) * | 2020-06-05 | 2020-09-01 | 吴祥初 | 一种基于物联网的智能空调的控制方法及智能空调系统 |
WO2022073307A1 (zh) * | 2020-10-10 | 2022-04-14 | 上海美控智慧建筑有限公司 | 空调的预启动时间控制方法、装置、设备及非易失性存储介质 |
CN113757923A (zh) * | 2021-08-26 | 2021-12-07 | 佛山市顺德区美的电子科技有限公司 | 空调器及其电量计量方法和存储介质 |
CN116945856A (zh) * | 2023-08-31 | 2023-10-27 | 武汉理工大学 | 一种基于边缘计算的纯电动汽车集成式热管理系统及汽车 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110836514B (zh) | 空调组的控制方法和装置 | |
CN112050397A (zh) | 一种机房温度调控方法及系统 | |
CN106779129A (zh) | 一种考虑气象因素的短期电力负荷预测方法 | |
CN111735178A (zh) | 基于精英主义和svr回归算法的空调节能系统及优化方法 | |
CN111598224B (zh) | 基于模拟退火算法优化bp神经网络的空调冷负荷预测方法 | |
CN111461466A (zh) | 基于lstm时间序列的供暖户阀调节方法、系统及设备 | |
CN111561734A (zh) | 基于人工智能的供暖户阀调节方法、系统及设备 | |
CN112418495A (zh) | 一种基于天牛须优化算法和神经网络的建筑能耗预测方法 | |
CN115272675A (zh) | 一种基于多传感器信息融合的能源管理系统以及方法 | |
CN116307076A (zh) | 一种基于物联网的工业园区能效管控方法 | |
CN115423301A (zh) | 一种基于物联网的电力能源智能管控方法、装置及系统 | |
CN112070317A (zh) | 酒店空调能耗预测方法 | |
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 | |
CN112307675A (zh) | 一种基于神经网络的温度敏感型负荷分离辨识方法及系统 | |
CN117724353A (zh) | 基于物联网通信的智能家居电力管理系统 | |
Luo et al. | Power system reliability evaluation using self organizing map | |
CN112686442A (zh) | 基于运行多样性空调末端能耗预测方法和系统 | |
CN117128624A (zh) | 新风空调及空调管理系统的控制方法、装置和存储介质 | |
CN116227704A (zh) | 基于边缘计算和云计算的供热能耗诊断及节能调控方法 | |
CN117132334A (zh) | 电力零售的智能定价方法、系统、电子装置及存储介质 | |
CN114636212A (zh) | 一种基于grnn的多台冷水机组系统运行控制方法 | |
CN113609768A (zh) | 基于双向lstm网络的台区线损率计算方法 | |
CN114021847A (zh) | 基于isgu混合模型的短期电力负荷预测方法及系统 | |
Li et al. | An IoT-based thermal modelling of dwelling rooms to enable flexible energy management | |
Li | Energy consumption prediction of public buildings based on PCA-RF-AdaBoost |
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 |