JP7228074B1 - 遠隔制御方法、遠隔制御装置、及び遠隔制御プログラム - Google Patents
遠隔制御方法、遠隔制御装置、及び遠隔制御プログラム Download PDFInfo
- Publication number
- JP7228074B1 JP7228074B1 JP2022173367A JP2022173367A JP7228074B1 JP 7228074 B1 JP7228074 B1 JP 7228074B1 JP 2022173367 A JP2022173367 A JP 2022173367A JP 2022173367 A JP2022173367 A JP 2022173367A JP 7228074 B1 JP7228074 B1 JP 7228074B1
- Authority
- JP
- Japan
- Prior art keywords
- temperature
- air conditioner
- indoor
- room
- data
- 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
- 238000000034 method Methods 0.000 title claims description 82
- PWPJGUXAGUPAHP-UHFFFAOYSA-N lufenuron Chemical compound C1=C(Cl)C(OC(F)(F)C(C(F)(F)F)F)=CC(Cl)=C1NC(=O)NC(=O)C1=C(F)C=CC=C1F PWPJGUXAGUPAHP-UHFFFAOYSA-N 0.000 title 1
- 238000010801 machine learning Methods 0.000 claims abstract description 53
- 238000004891 communication Methods 0.000 claims abstract description 41
- 230000008859 change Effects 0.000 claims abstract description 37
- 230000008569 process Effects 0.000 claims description 23
- 230000004044 response Effects 0.000 claims description 12
- 230000005540 biological transmission Effects 0.000 claims description 5
- 238000005286 illumination Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 abstract description 9
- 230000002457 bidirectional effect Effects 0.000 abstract description 3
- 238000012545 processing Methods 0.000 description 16
- 238000005259 measurement Methods 0.000 description 15
- 238000003066 decision tree Methods 0.000 description 11
- 238000007477 logistic regression Methods 0.000 description 11
- 230000000694 effects Effects 0.000 description 10
- 238000001816 cooling Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000010438 heat treatment Methods 0.000 description 5
- 238000007637 random forest analysis Methods 0.000 description 5
- 238000005401 electroluminescence Methods 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 238000009529 body temperature measurement Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000004378 air conditioning Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000007791 dehumidification Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Landscapes
- Air Conditioning Control Device (AREA)
- Selective Calling Equipment (AREA)
Abstract
Description
図1は、遠隔制御システム100のシステム構成例を示す図である。遠隔制御システム100は、需要設備7内に備えられたスマートリモコン1、エアコン2、及びセンサ3と、ユーザ端末4、及びサーバ5を含み、スマートリモコン1、ユーザ端末4、及びサーバ5がインターネット6を通じて相互に接続されている。
次に、遠隔制御システム100の動作について説明する。図4は、サーバ管理者から予測モデルの生成指示を受け付けた場合に実行される予測モデルの生成処理の一例を示すフローチャートである。図4に示す予測モデルの生成処理を規定する管理プログラムは、例えばサーバ5の不揮発性メモリ24に予め記憶されている。サーバ5のCPU21は、不揮発性メモリ24に記憶される管理プログラムを読み込み、図4に示す予測モデルの生成処理を実行する。
以上では、室内温度及び室内温度変化量を基本データとして予測モデルの説明変数に用いたが、基本データとして用いるデータは室内温度及び室内温度変化量に限られない。例えば図6に示すように、室内温度及び室内温度変化量に加えて、エアコン2が設置されている室内の湿度(「室内湿度」という)、エアコン2が設置されている室内の照度(「室内照度」という)、自宅7に居住するユーザがどこにいるのかを表すユーザの位置情報、及びエアコン2の消費電力量の少なくとも1つを基本データに加えてもよい。基本データに追加される測定値は、それぞれエアコン2の稼働状態と密接に関係する値である。
基本データのみを用いてエアコン2の稼働状態を推定してもよいが、基本データと拡張データを用いてエアコン2の稼働状態を推定してもよい。拡張データとは、室内温度及び室内照度から算出されるデータであって、基本データを補完するデータである。
ここまで温度に関する測定値として、自宅7の室内温度及び室内温度から算出される算出値をエアコン2の稼働状態の推定に用いる例について説明した。しかしながら、エアコン2の稼働状態の推定に用いる温度に関する測定値は、自宅7の室内温度及び室内温度から算出される算出値に限られない。具体的には、需要家温度データを追加してエアコン2の稼働状態の推定を行ってもよい。
ここまで教師あり機械学習を用いたエアコン2の稼働状態の推定について説明してきたが、教師なし機械学習を用いてエアコン2の稼働状態の推定を行ってもよい。
次に、図4に示した予測モデルの生成処理によって生成した予測モデルを用いて、図5に示した推定処理によって推定したエアコン2の稼働状態の推定結果を図7~図9に示す。
空調機が設置された室内の室内温度と、前記室内温度の測定前に測定された予め定めた時点における基準室内温度と前記室内温度との差分を表す室内温度変化量とを含む基本データを用いた機械学習によって得られた予測モデルを用いて、前記基本データから前記空調機の稼働状態を推定し、
前記空調機への指示の送信は行うことができるが、指示に対する前記空調機からの応答は受信することができない単方向の赤外線通信を用いて、推定した前記空調機の稼働状態に対して予め対応付けられている指示を前記空調機に送信する制御を含む処理をコンピュータが実行する
遠隔制御方法。
前記機械学習が、前記基本データに含まれる各値によって表される変数点を2つのクラスタに分類し、各々のクラスタに分類された前記変数点に対応した前記室内温度の平均値の違いから、各々のクラスタに前記空調機が稼働していることを示すラベルか、又は、前記空調機が停止していることを示すラベルを対応付ける教師なし機械学習である
付記項1に記載の遠隔制御方法。
前記基本データは、前記室内温度と前記室内温度変化量に加え、更に、前記室内の室内湿度、前記室内の室内照度、前記室内に居住するユーザの位置情報、及び前記空調機の消費電力量の少なくとも1つを含む
付記項2に記載の遠隔制御方法。
前記予測モデルは、前記基本データと、前記室内温度及び前記室内照度を用いて算出されるデータである拡張データと、に含まれる各値によって表される変数点を2つのクラスタに分類することで得られたモデルであり、
前記予測モデルを用いて、前記基本データ及び前記拡張データから前記空調機の稼働状態を推定する処理をコンピュータが実行する
付記項3に記載の遠隔制御方法。
前記拡張データは、前記室内温度から、前記空調機の稼働状態の推定当日における基準時刻に測定された前記室内温度を引いた基準時刻温度差、前記室内における最高温度から前記室内における最低温度を引いた差分に対する、前記室内温度から前記最低温度を引いた差分の割合である規格化温度、予め定めた規定時間帯に測定された各々の前記室内温度から得られる統計室内温度、前記室内における最高照度から前記室内における最低照度を引いた差分に対する、前記室内照度から前記最低照度を引いた差分の割合である規格化照度、及び前記規定時間帯に測定された各々の前記室内照度から得られる統計室内照度の少なくとも1つを含む
付記項4に記載の遠隔制御方法。
前記統計室内温度として、前記規定時間帯に測定された前記室内温度の平均値である平均室内温度、前記規定時間帯に測定された前記室内温度の最高値である最高室内温度、及び前記規定時間帯に測定された前記室内温度の最低値である最低室内温度の少なくとも1つを含み、
前記統計室内照度として、前記規定時間帯に測定された前記室内照度の平均値である平均室内照度、前記規定時間帯に測定された前記室内照度の最高値である最高室内照度、及び前記規定時間帯に測定された前記室内照度の最低値である最低室内照度の少なくとも1つを含む
付記項5に記載の遠隔制御方法。
前記予測モデルは、前記基本データと、前記拡張データと、電力の供給を受けている需要家毎の電力の供給地点での気温から得られる需要家温度データと、に含まれる各値によって表される変数点を2つのクラスタに分類することで得られたモデルであり、
前記予測モデルを用いて、前記基本データ、前記拡張データ、及び前記需要家温度データから前記空調機の稼働状態を推定する処理をコンピュータが実行する
付記項6に記載の遠隔制御方法。
前記需要家温度データは、前記空調機が設置されている地点の外気温、及び電力の供給を受けている全需要家の各々の需要設備内の温度から得られる全需要家統計温度データの少なくとも1つを含む
付記項7に記載の遠隔制御方法。
前記全需要家統計温度データとして、各々の前記需要設備内の温度の平均値である全需要家平均温度、各々の前記需要設備内の温度の最高値である全需要家最高温度、及び各々の前記需要設備内の温度の最低値である全需要家最低温度の少なくとも1つを含む
付記項8に記載の遠隔制御方法。
空調機の稼働状態を推定する推定処理を実行するようにコンピュータによって実行可能なプログラムを記憶した非一時的記憶媒体であって、
前記推定処理が、
前記空調機が設置された室内の室内温度、及び前記室内温度の測定前に測定された予め定めた時点における基準室内温度と前記室内温度との差分を表す室内温度変化量を含む基本データを用いた機械学習によって得られた予測モデルを用いて、前記基本データから前記空調機の稼働状態を推定する推定ステップと、
前記空調機への指示の送信は行うことができるが、指示に対する前記空調機からの応答は受信することができない単方向の赤外線通信を用いて、推定した前記空調機の稼働状態に対して予め対応付けられている指示を前記空調機に送信する制御を行う制御ステップと、
を含む非一時的記憶媒体。
1A 通信部
1B 推定部
1C 制御部
2 エアコン
3 センサ
3A 温度センサ
3B 湿度センサ
3C 照度センサ
3D 電力センサ
4 ユーザ端末
5 サーバ
6 インターネット
7 自宅(需要設備)
10(20) コンピュータ
11(21) CPU
12(22) ROM
13(23) RAM
14(24) 不揮発性メモリ
15(25) I/O
16(26) バス
17(27) 通信ユニット
18(28) 入力ユニット
19(29) 表示ユニット
100 遠隔制御システム
Claims (21)
- 空調機が設置された室内の室内温度、及び前記室内温度の測定前に測定された予め定めた時点における基準室内温度と前記室内温度との差分を表す室内温度変化量を含む基本データを用いた機械学習によって得られた予測モデルを用いて、前記基本データから前記空調機の稼働状態を推定し、
前記空調機への指示の送信は行うことができるが、指示に対する前記空調機からの応答は受信することができない単方向の赤外線通信を用いて、推定した前記空調機の稼働状態に対して予め対応付けられている指示を前記空調機に送信する制御を含む処理をコンピュータが実行する
遠隔制御方法。 - 前記機械学習が、前記基本データに対して前記室内温度を測定した時点における前記空調機の稼働状態をラベル付けした教師データを用いて、前記基本データと前記空調機の稼働状態との関係を学習する教師あり機械学習である
請求項1に記載の遠隔制御方法。 - 前記基本データは、前記室内温度と前記室内温度変化量に加え、更に、前記室内の室内湿度、前記室内の室内照度、前記室内に居住するユーザの位置情報、及び前記空調機の消費電力量の少なくとも1つを含む
請求項2に記載の遠隔制御方法。 - 前記予測モデルは、前記基本データと、前記室内温度及び前記室内照度を用いて算出されるデータである拡張データと、に対して前記空調機の稼働状態をラベル付けした教師データによる教師あり機械学習で得られたモデルであり、
前記予測モデルを用いて、前記基本データ及び前記拡張データから前記空調機の稼働状態を推定する処理をコンピュータが実行する
請求項3に記載の遠隔制御方法。 - 前記拡張データは、前記室内温度から、前記空調機の稼働状態の推定当日における基準時刻に測定された前記室内温度を引いた基準時刻温度差、前記室内における最高温度から前記室内における最低温度を引いた差分に対する、前記室内温度から前記最低温度を引いた差分の割合である規格化温度、予め定めた規定時間帯に測定された各々の前記室内温度から得られる統計室内温度、前記室内における最高照度から前記室内における最低照度を引いた差分に対する、前記室内照度から前記最低照度を引いた差分の割合である規格化照度、及び前記規定時間帯に測定された各々の前記室内照度から得られる統計室内照度の少なくとも1つを含む
請求項4に記載の遠隔制御方法。 - 前記統計室内温度として、前記規定時間帯に測定された前記室内温度の平均値である平均室内温度、前記規定時間帯に測定された前記室内温度の最高値である最高室内温度、及び前記規定時間帯に測定された前記室内温度の最低値である最低室内温度の少なくとも1つを含み、
前記統計室内照度として、前記規定時間帯に測定された前記室内照度の平均値である平均室内照度、前記規定時間帯に測定された前記室内照度の最高値である最高室内照度、及び前記規定時間帯に測定された前記室内照度の最低値である最低室内照度の少なくとも1つを含む
請求項5に記載の遠隔制御方法。 - 前記予測モデルは、前記基本データと、前記拡張データと、電力の供給を受けている需要家毎の電力の供給地点での気温から得られる需要家温度データと、に対して前記空調機の稼働状態をラベル付けした教師データによる教師あり機械学習で得られたモデルであり、
前記予測モデルを用いて、前記基本データ、前記拡張データ、及び前記需要家温度データから前記空調機の稼働状態を推定する処理をコンピュータが実行する
請求項4~請求項6の何れか1項に記載の遠隔制御方法。 - 前記需要家温度データは、前記空調機が設置されている地点の外気温、及び電力の供給を受けている全需要家の各々の需要設備内の温度から得られる全需要家統計温度データの少なくとも1つを含む
請求項7に記載の遠隔制御方法。 - 前記全需要家統計温度データとして、各々の前記需要設備内の温度の平均値である全需要家平均温度、各々の前記需要設備内の温度の最高値である全需要家最高温度、及び各々の前記需要設備内の温度の最低値である全需要家最低温度の少なくとも1つを含む
請求項8に記載の遠隔制御方法。 - 前記機械学習が、前記基本データに含まれる各値によって表される変数点を2つのクラスタに分類し、各々のクラスタに分類された前記変数点に対応した前記室内温度の平均値の違いから、各々のクラスタに前記空調機が稼働していることを示すラベルか、又は、前記空調機が停止していることを示すラベルを対応付ける教師なし機械学習である
請求項1に記載の遠隔制御方法。 - 空調機に対する指示を、赤外線を用いて前記空調機に送信する一方、指示に対する前記空調機からの応答は受信することができない単方向の赤外線通信を行う通信部と、
前記空調機が設置された室内の室内温度と、前記室内温度の測定前に測定された予め定めた時点における基準室内温度と前記室内温度との差分を表す室内温度変化量とを含む基本データを用いた機械学習によって得られた予測モデルを用いて、前記基本データから前記空調機の稼働状態を推定する推定部と、
前記推定部で推定した前記空調機の稼働状態に対して予め対応付けられている指示を、前記通信部から前記空調機に送信する制御を行う制御部と、
を備えた遠隔制御装置。 - 前記機械学習が、前記基本データに対して前記室内温度を測定した時点における前記空調機の稼働状態をラベル付けした教師データを用いて前記基本データと前記空調機の稼働状態との関係を学習する教師あり機械学習である
請求項11に記載の遠隔制御装置。 - 前記基本データは、前記室内温度と前記室内温度変化量に加え、更に、前記室内の室内湿度、前記室内の室内照度、前記室内に居住するユーザの位置情報、及び前記空調機の消費電力量の少なくとも1つを含む
請求項12に記載の遠隔制御装置。 - 前記予測モデルは、前記基本データと、前記室内温度及び前記室内照度を用いて算出されるデータである拡張データと、に対して前記空調機の稼働状態をラベル付けした教師データによる教師あり機械学習で得られたモデルであり、
前記推定部は、前記予測モデルを用いて、前記基本データ及び前記拡張データから前記空調機の稼働状態を推定する
請求項13に記載の遠隔制御装置。 - 前記拡張データは、前記室内温度から、前記空調機の稼働状態の推定当日における基準時刻に測定された前記室内温度を引いた基準時刻温度差、前記室内における最高温度から前記室内における最低温度を引いた差分に対する、前記室内温度から前記最低温度を引いた差分の割合である規格化温度、予め定めた規定時間帯に測定された各々の前記室内温度から得られる統計室内温度、前記室内における最高照度から前記室内における最低照度を引いた差分に対する、前記室内照度から前記最低照度を引いた差分の割合である規格化照度、及び前記規定時間帯に測定された各々の前記室内照度から得られる統計室内照度の少なくとも1つを含む
請求項14に記載の遠隔制御装置。 - 前記統計室内温度として、前記規定時間帯に測定された前記室内温度の平均値である平均室内温度、前記規定時間帯に測定された前記室内温度の最高値である最高室内温度、及び前記規定時間帯に測定された前記室内温度の最低値である最低室内温度の少なくとも1つを含み、
前記統計室内照度として、前記規定時間帯に測定された前記室内照度の平均値である平均室内照度、前記規定時間帯に測定された前記室内照度の最高値である最高室内照度、及び前記規定時間帯に測定された前記室内照度の最低値である最低室内照度の少なくとも1つを含む
請求項15に記載の遠隔制御装置。 - 前記予測モデルは、前記基本データと、前記拡張データと、電力の供給を受けている需要家毎の電力の供給地点での気温から得られる需要家温度データと、に対して前記空調機の稼働状態をラベル付けした教師データによる教師あり機械学習で得られたモデルであり、
前記推定部は、前記予測モデルを用いて、前記基本データ、前記拡張データ、及び前記需要家温度データから前記空調機の稼働状態を推定する
請求項14~請求項16の何れか1項に記載の遠隔制御装置。 - 前記需要家温度データは、前記空調機が設置されている地点の外気温、及び電力の供給を受けている全需要家の各々の需要設備内の温度から得られる全需要家統計温度データの少なくとも1つを含む
請求項17に記載の遠隔制御装置。 - 前記全需要家統計温度データとして、各々の前記需要設備内の温度の平均値である全需要家平均温度、各々の前記需要設備内の温度の最高値である全需要家最高温度、及び各々の前記需要設備内の温度の最低値である全需要家最低温度の少なくとも1つを含む
請求項18に記載の遠隔制御装置。 - 前記機械学習が、前記基本データに含まれる各値によって表される変数点を2つのクラスタに分類し、各々のクラスタに分類された前記変数点に対応した前記室内温度の平均値の違いから、各々のクラスタに前記空調機が稼働していることを示すラベルか、又は、前記空調機が停止していることを示すラベルを対応付ける教師なし機械学習である
請求項11に記載の遠隔制御装置。 - コンピュータに、
空調機が設置された室内の室内温度、及び前記室内温度の測定前に測定された予め定めた時点における基準室内温度と前記室内温度との差分を表す室内温度変化量を含む基本データを用いた機械学習によって得られた予測モデルを用いて、前記基本データから前記空調機の稼働状態を推定し、
前記空調機への指示の送信は行うことができるが、指示に対する前記空調機からの応答は受信することができない単方向の赤外線通信を用いて、推定した前記空調機の稼働状態に対して予め対応付けられている指示を前記空調機に送信する制御を実行させるための
遠隔制御プログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2022173367A JP7228074B1 (ja) | 2022-10-28 | 2022-10-28 | 遠隔制御方法、遠隔制御装置、及び遠隔制御プログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2022173367A JP7228074B1 (ja) | 2022-10-28 | 2022-10-28 | 遠隔制御方法、遠隔制御装置、及び遠隔制御プログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP7228074B1 true JP7228074B1 (ja) | 2023-02-22 |
JP2024064629A JP2024064629A (ja) | 2024-05-14 |
Family
ID=85277868
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022173367A Active JP7228074B1 (ja) | 2022-10-28 | 2022-10-28 | 遠隔制御方法、遠隔制御装置、及び遠隔制御プログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7228074B1 (ja) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201615566U (zh) * | 2010-03-11 | 2010-10-27 | 湘潭高新区湘大智姆电子有限公司 | 公共空调节电远程监控终端 |
JP2019029679A (ja) * | 2017-07-25 | 2019-02-21 | 株式会社リンクジャパン | リモコン装置および操作装置 |
WO2021214852A1 (ja) * | 2020-04-21 | 2021-10-28 | 三菱電機株式会社 | 情報処理装置および空調システム |
JP2021183906A (ja) * | 2021-07-26 | 2021-12-02 | 信男 北島 | 温度センサーの付いた設置型リモコン |
JP7196355B1 (ja) * | 2022-08-17 | 2022-12-26 | 東京瓦斯株式会社 | 遠隔制御装置、遠隔制御プログラム、及び遠隔制御方法 |
-
2022
- 2022-10-28 JP JP2022173367A patent/JP7228074B1/ja active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201615566U (zh) * | 2010-03-11 | 2010-10-27 | 湘潭高新区湘大智姆电子有限公司 | 公共空调节电远程监控终端 |
JP2019029679A (ja) * | 2017-07-25 | 2019-02-21 | 株式会社リンクジャパン | リモコン装置および操作装置 |
WO2021214852A1 (ja) * | 2020-04-21 | 2021-10-28 | 三菱電機株式会社 | 情報処理装置および空調システム |
JP2021183906A (ja) * | 2021-07-26 | 2021-12-02 | 信男 北島 | 温度センサーの付いた設置型リモコン |
JP7196355B1 (ja) * | 2022-08-17 | 2022-12-26 | 東京瓦斯株式会社 | 遠隔制御装置、遠隔制御プログラム、及び遠隔制御方法 |
Also Published As
Publication number | Publication date |
---|---|
JP2024064629A (ja) | 2024-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102553299B1 (ko) | 데이터 학습 서버 및 이의 학습 모델 생성 및 이용 방법 | |
US10697662B2 (en) | Automated adjustment of an HVAC schedule for resource conservation | |
US10545517B2 (en) | Generating and implementing thermodynamic models of a structure | |
US10433032B2 (en) | Dynamic distributed-sensor network for crowdsourced event detection | |
KR102516730B1 (ko) | 수요 반응 이벤트들 동안 hvac 시스템 제어 | |
US20120298763A1 (en) | Distributed networked thermostat system and method | |
US20170051933A1 (en) | Persistent home thermal comfort model reusable across multiple sensor and device configurations in a smart home | |
US20190214818A1 (en) | System and method for management and disaggregation of power consumption data | |
JP7228074B1 (ja) | 遠隔制御方法、遠隔制御装置、及び遠隔制御プログラム | |
von Bomhard et al. | Towards smart individual-room heating for residential buildings | |
González Alonso et al. | A holistic approach to energy efficiency systems through consumption management and big data analytics | |
Abdul Kareem et al. | Design and Implementation of Humidity and Temperature Automation and Monitoring for Public Building Comfortable Climate Based on Cloud Platform. | |
Yang et al. | An intelligent human behavior-based reasoning model for service prediction in smart home | |
JP7332865B2 (ja) | 情報処理方法、情報処理装置、及びプログラム | |
Cederberg | Short-horizon Prediction of Indoor Temperature using Low-Order Thermal Networks: A case study of thermal models for heat-system control applications | |
Conde | Intelligent System for Load Monitoring and Control: Sustainable Comfort, Health and Flexible Electricity Consumtion | |
Thomas | The Science of Home Automation | |
Malik et al. | Deep learning based predictive analysis of energy consumption for smart homes |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20221028 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20221028 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20230131 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230210 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7228074 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |