CN106292325B - 一种数据驱动的家居环境舒适性偏好建模与控制方法 - Google Patents
一种数据驱动的家居环境舒适性偏好建模与控制方法 Download PDFInfo
- Publication number
- CN106292325B CN106292325B CN201610885168.4A CN201610885168A CN106292325B CN 106292325 B CN106292325 B CN 106292325B CN 201610885168 A CN201610885168 A CN 201610885168A CN 106292325 B CN106292325 B CN 106292325B
- Authority
- CN
- China
- Prior art keywords
- data
- domestic environment
- comfort preference
- fuzzy
- environment comfort
- 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
Classifications
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Air Conditioning Control Device (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
Abstract
本发明公开了一种数据驱动的家居环境舒适性偏好建模与控制方法,该方法首先采集了相关的家居环境舒适性偏好数据,并根据格拉布斯准则对异常值进行处理,保证数据的有效性;接下来在粗糙集方法的基础上,由处理后的舒适性偏好数据构建关于家居环境的舒适性偏好模糊模型;最后根据舒适性偏好模型制定相关模糊控制策略,从而实现家居环境舒适性偏好的智能控制,提升现有智能家居技术与产品的智能化和个性化水平。
Description
技术领域
本发明涉及智能家居及智能控制的技术领域,尤其是一种数据驱动的家居环境舒适性偏好建模与控制方法。
背景技术
室内居住环境是保证居住者工作、生活和学***不断提高,人们对居住环境舒适性的要求也在不断提升。依据人们对居住环境的要求,探讨如何改善和提高居住环境的舒适性,实现居住环境的健康、舒适、智能化、人性化已经成为研究人员的重点研究课题之一。
随着计算机技术、嵌入式***和网络通讯技术的发展,将家庭中的各种设备(如照明***、环境控制、安防***、网络家电)通过家庭网络连接到一起,构建而成的智能家居***,有助于实现居住环境的智能化,也为改善现代人类的生活质量,创造舒适、安全、便利的生活空间提供了技术手段。另一方面,居住环境应以人为本,满足人的需要,而人的需要是复杂的,多层次的。因此,居住环境的舒适性建模与控制要能够学习不同成员的偏好、满足不同人群的不同需要,也要能够适应不同的居住生活行为。然而,现有的用于家居环境舒适性的***并不能理解和预测用户在完成任务过程中的需求,不具备自学习的功能,难以满足舒适性偏好的建模与控制。
因此,为提升现有智能家居技术与产品的智能化和个性化,有必要研发新的家居环境舒适性偏好建模与控制方法,实现对不同人舒适性偏好的建模,实现家居环境舒适性偏好的智能控制。
发明内容
本发明的目的是为克服上述现有技术的不足,提供一种数据驱动的家居环境舒适性偏好建模与控制方法。
为实现上述目的,本发明采用下述技术方案:
一种数据驱动的家居环境舒适性偏好建模与控制方法,包括以下步骤:
(1):采集家居环境舒适性偏好数据,对采集到的家居环境舒适性偏好数据根据格拉布斯准则进行异常值处理;
(2):根据步骤(1)异常值处理后的家居环境舒适性偏好数据,采用基于粗糙集方法构建家居环境舒适性偏好模糊模型;
(3):根据步骤(2)中构建的家居环境舒适性偏好模糊模型,基于模糊控制策略对家居环境舒适性偏好进行智能控制。
进一步的,所述步骤(1)中的所述家居环境舒适性偏好数据包括人员识别数据、季节数据、时间数据及环境参数数据。
进一步的,所述环境参数数据包括传感器检测到的温度、湿度、照度、空气质量。
进一步的,所述步骤(1)中对采集到的家居环境舒适性偏好数据根据格拉布斯准则进行异常值处理的具体步骤为:
(1-1):按照温度、湿度、照度、空气质量的顺序,依次从采集到的家居环境舒适性偏好数据中进行异常值的识别,从采集到的家居环境舒适性偏好数据中取出温度这一环境参数所对应的家居环境舒适性偏好数据;
(1-2):计算该组数据的均值、标准差,根据均值计算可疑值标号,根据均值与标准差计算可疑值偏离程度;
(1-3):设定显著性水平α,将可疑值偏离程度与格拉布斯表的临界值进行比较,若可疑值偏离程度大于格拉布斯表的临界值,则其为异常值,将此时的数据对标号加入异常值标号库;
(1-4):将均值赋给异常值,重复步骤(1-2)、(1-3)中的操作,直至所有可疑值偏离程度均小于格拉布斯表的临界值;
(1-5):按照步骤(1-1)中的顺序,从采集到的家居环境舒适性偏好数据中取出下一类环境参数的家居环境舒适性偏好数据,返回步骤(1-2),直至确认出所有家居环境舒适性偏好数据的异常值;
(1-6):从采集到的家居环境舒适性偏好数据中将异常值标号库对应标号的数据予以删除。
进一步的,所述步骤(2)的具体步骤如下:
(2-1):设定每一类家居环境舒适性偏好数据所属论域上模糊集合的个数,采用三角形模糊集合实现相应论域的模糊划分;
(2-2):根据家居环境舒适性偏好数据对相应模糊集合的隶属程度进行模糊化,以具有最大隶属度的模糊集合取代相应的数据,得到反映家居环境舒适性偏好的模糊决策表;
(2-3):若存在条件属性值取值相同而决策属性值不同的冲突规则,则将此类规则删除,生成一致的模糊决策表;对该模糊决策表进一步采用粗糙集规则提取策略进行规则生成,最终得到描述家居环境舒适性偏好的模糊规则。
进一步的,所述步骤(2-1)中,将所述季节数据分为春夏秋冬四季,将所述时间数据按照生活习惯对每天的24小时进行模糊划分。
进一步的,所述步骤(3)的具体步骤如下:当检测到人员身份、季节以及时间段信息后,所构建的家居环境舒适性偏好模糊模型将给出最佳环境参数。该最佳环境参数与温度传感器、湿度传感器、光照传感器及空气质量传感器所测得实际家居环境参数进行比较,所得到的偏差将通过模糊控制器产生控制作用,分别作用在温度、湿度、照明、通风等四种调节***上来进一步改变实际的家居环境参数,直至满足用户舒适性偏好要求。
进一步的,所述模糊控制器的控制方法为:
(3-1)设定比例系数将温度、湿度、光照度、空气质量偏差变化为区间[-1,1];
(3-2)将[-1,1]区间均匀划分为5个模糊集合“负大”“负小”“接近零”“正小”“正大”;
(3-3)对每一类环境参数偏差,设定模糊规则;
(3-4)当四种环境参数实际偏差量输入该模糊控制器后,先对偏差量进行比例调节,进而分别激活上述形式的模糊规则,产生控制输出,分别控制相应的温度、湿度、照明、通风等四种调节***。
进一步的,所述步骤(3-3)中的所述模糊规则为:
如果偏差“负大”,那么相应调节***目前设定量应调小;
如果偏差“负小”,那么相应调节***目前设定量应稍微调小;
如果偏差“接近零”,那么相应调节***目前设定量应保持;
如果偏差“正小”,那么相应调节***目前设定量应稍微调大;
如果偏差“正大”,那么相应调节***目前设定量应调大。
本发明的有益效果是:
本发明提出了一种通过数据驱动实现家居环境舒适性偏好建模与控制的方法。该方法首先采集了相关的家居环境舒适性偏好数据,并根据格拉布斯准则对异常值进行处理,保证数据的有效性;接下来在粗糙集方法的基础上,由处理后的舒适性偏好数据构建关于家居环境的舒适性偏好模糊模型;最后根据舒适性偏好模型制定相关模糊控制策略,从而实现家居环境舒适性偏好的智能控制,提升现有智能家居技术与产品的智能化和个性化水平。
附图说明
图1是本发明方法流程示意图;
图2是基于模糊控制策略的家居环境舒适性偏好智能控制示意图。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
一种数据驱动的家居环境舒适性偏好建模与控制方法,如图1所示,包括以下步骤:
(1):采N对集家居环境舒适性偏好数据,对采集到的N对家居环境舒适性偏好数据根据格拉布斯准则进行异常值处理;
(2):根据步骤(1)异常值处理后的家居环境舒适性偏好数据,采用基于粗糙集方法构建家居环境舒适性偏好模糊模型;
(3):根据步骤(2)中构建的家居环境舒适性偏好模糊模型,基于模糊控制策略对家居环境舒适性偏好进行智能控制。
所述步骤(1)中的所述家居环境舒适性偏好数据包括人员识别数据、季节数据、时间数据及环境参数数据。所述环境参数数据包括传感器检测到的温度、湿度、照度、空气质量。所述家居环境舒适性偏好数据以如下形式表示:主人P在季节S的时间T感到舒适的温度为C,湿度为W,光照度为L,空气质量为Q。
进一步的,所述步骤(1)中的异常值处理的具体步骤为:对采集到的N对家居环境舒适性偏好数据进行异常值处理,删除不合理数据。假定总共采集到N对家居环境舒适性偏好数据,第i个数据对表示为(pi,si,ti,xi1,xi2,xi3,xi4),pi,si,ti分别表示人员、季节与时间,xi1,xi2,xi3,xi4分别表示温度、湿度、照度、空气质量等4个环境参数数据,i=1,2,…,N。由于人员识别数据、季节数据、时间数据非传感器检测得到,将主要根据环境参数数据判定相应数据对是否需要删除。
(1-1):按照温度、湿度、照度、空气质量的顺序,依次从采集到的N对数据中进行异常值的识别,从采集到的家居环境舒适性偏好数据中取出温度这一环境参数所对应的家居环境舒适性偏好数据;
(1-2):计算该组数据的均值、标准差,根据均值计算可疑值标号,根据均值与标准差计算可疑值偏离程度;例如针对j类环境参数,其均值式中,xij表示j类环境参数中的第i个数据;标准差可疑值标号可疑值偏离程度
(1-3):设定显著性水平α,在本实施例中,取显著性水平α=0.01,将可疑值偏离程度Gt与格拉布斯表的临界值G1-α(N)进行比较,若可疑值偏离程度大于格拉布斯表的临界值,即Gt>G1-α(N),则其为异常值,将此时的数据对标号加入异常值标号库;
(1-4):将均值赋给异常值,即重复步骤(1-2)、(1-3)中的操作,直至所有可疑值偏离程度小于格拉布斯表的临界值,即Gt<G1-α(N);
(1-5):按照步骤(1-1)中的顺序,从采集到的家居环境舒适性偏好数据中取出下一类环境参数的家居环境舒适性偏好数据,返回步骤(1-2),直至确认出所有家居环境舒适性偏好数据的异常值;
(1-6):从采集到的N对家居环境舒适性偏好数据中将异常值标号库对应标号的数据予以删除。
所述步骤(2)经处理后的家居环境舒适性偏好数据用来构建舒适性模糊模型,首先实现温度、湿度、照度、空气质量等所属论域的模糊划分,然后采用粗糙集方法构造反映用户舒适性偏好的模糊规则,得到家居环境舒适性偏好模糊模型。所述步骤(2)的具体步骤如下:
(2-1):设定每一类家居环境舒适性偏好数据所属论域上模糊集合的个数,采用三角形模糊集合实现相应论域的模糊划分;进一步的,所述步骤(2-1)中,将所述季节数据分为春夏秋冬四季,将所述时间数据按照生活习惯对每天的24小时进行模糊划分。
(2-2):根据家居环境舒适性偏好数据对相应模糊集合的隶属程度进行模糊化,以具有最大隶属度的模糊集合取代相应的数据,得到反映家居环境舒适性偏好的模糊决策表;
反映家居环境舒适性偏好的模糊决策表如下:
数据标号 | 主人 | 季节 | 时间段 | 温度 | 湿度 | 光照度 | 空气质量 |
X1 | P1 | S1 | T1 | C1 | W1 | L1 | Q1 |
… | … | … | … | … | … | … | … |
XN | PN | SN | TN | CN | WN | LN | QN |
其中P1,…,PN为居住人员标号,S1,…,SN取值为春夏秋冬,T1,…,TN为对时间段划分后的模糊集合,C1,…,CN为对温度划分后的模糊集合,W1,…,WN为对湿度划分后的模糊集合,L1,…,LN为对光照度划分后的模糊集合,Q1,…,QN为对空气质量划分后的模糊集合。在该模糊决策表中,主人、季节以及时间段为条件属性值,温度、光照度、湿度以及空气质量等因素为决策属性值;
(2-3):若存在条件属性值取值相同而决策属性值不同的冲突规则,则将此类规则删除,生成一致的模糊决策表;对该模糊决策表进一步采用粗糙集规则提取策略进行规则生成,最终得到如下形式的描述家居环境舒适性偏好的模糊规则:
Ri:如果人员为Pi,季节为Si,时间段为Ti,那么最佳舒适温度为Ci,湿度为Wi,光照度为Li,空气质量为Qi
其中,Ri表示第i条规则,Pi代表某一居住人员标号,Si为季节的划分,包括春夏秋冬四季,Ti为按生活习惯对每天的24小时所做的划分,Ci,Wi,Li,Qi分别为关于温度、湿度、光照度、空气质量等环境参数的模糊集合。模糊规则构建完成后得到模糊规则库,完成了舒适性偏好模糊模型的构建,该模糊模型能反映不同主人在不同季节以及时间段的最优舒适性参数。
用于家居环境舒适性偏好控制的模糊控制***框图如图2所示,所述步骤(3)的具体步骤如下:当检测到人员身份、季节以及时间段信息后,所构建的家居环境舒适性偏好模糊模型将给出最佳环境参数。该最佳环境参数与温度传感器、湿度传感器、光照传感器及空气质量传感器所测得实际家居环境参数进行比较,所得到的偏差将通过模糊控制器产生控制作用,分别作用在温度、湿度、照明、通风等四种调节***上来进一步改变实际的家居环境参数,直至满足用户舒适性偏好要求。
进一步的,所述模糊控制器的控制方法为:
(3-1)设定比例系数将温度、湿度、光照度、空气质量偏差变化为区间[-1,1];
(3-2)将[-1,1]区间均匀划分为5个模糊集合“负大”“负小”“接近零”“正小”“正大”;
(3-3)对每一类环境参数偏差,设定模糊规则;
(3-4)当四种环境参数实际偏差量输入该模糊控制器后,先对偏差量进行比例调节,进而分别激活上述形式的模糊规则,产生控制输出,分别控制相应的温度、湿度、照明、通风等四种调节***。
进一步的,所述步骤(3-3)中的所述模糊规则为:
如果偏差“负大”,那么相应调节***目前设定量应调小;
如果偏差“负小”,那么相应调节***目前设定量应稍微调小;
如果偏差“接近零”,那么相应调节***目前设定量应保持;
如果偏差“正小”,那么相应调节***目前设定量应稍微调大;
如果偏差“正大”,那么相应调节***目前设定量应调大。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (8)
1.一种数据驱动的家居环境舒适性偏好建模与控制方法,其特征是:包括以下步骤:
(1):采集家居环境舒适性偏好数据,对采集到的家居环境舒适性偏好数据根据格拉布斯准则进行异常值处理;
(2):根据步骤(1)异常值处理后的家居环境舒适性偏好数据,采用基于粗糙集方法构建家居环境舒适性偏好模糊模型;
(3):根据步骤(2)中构建的家居环境舒适性偏好模糊模型,基于模糊控制策略对家居环境舒适性偏好进行智能控制;
所述步骤(2)的具体步骤如下:
(2-1):设定每一类家居环境舒适性偏好数据所属论域上模糊集合的个数,采用三角形模糊集合实现相应论域的模糊划分;
(2-2):根据家居环境舒适性偏好数据对相应模糊集合的隶属程度进行模糊化,以具有最大隶属度的模糊集合取代相应的数据,得到反映家居环境舒适性偏好的模糊决策表;
(2-3):若存在条件属性值取值相同而决策属性值不同的冲突规则,则将此类规则删除,生成一致的模糊决策表;对该模糊决策表进一步采用粗糙集规则提取策略进行规则生成,最终得到描述家居环境舒适性偏好的模糊规则。
2.如权利要求1所述的一种数据驱动的家居环境舒适性偏好建模与控制方法,其特征是:所述步骤(1)中的所述家居环境舒适性偏好数据包括人员识别数据、季节数据、时间数据及环境参数数据。
3.如权利要求2所述的一种数据驱动的家居环境舒适性偏好建模与控制方法,其特征是:所述环境参数数据包括传感器检测到的温度、湿度、照度、空气质量,环境参数包括四类,分别为:温度、湿度、照度、空气质量。
4.如权利要求3所述的一种数据驱动的家居环境舒适性偏好建模与控制方法,其特征是:所述步骤(1)中对采集到的家居环境舒适性偏好数据根据格拉布斯准则进行异常值处理的具体步骤为:
(1-1):按照温度、湿度、照度、空气质量的顺序,依次从采集到的家居环境舒适性偏好数据中进行异常值的识别,从采集到的家居环境舒适性偏好数据中取出温度这一环境参数所对应的家居环境舒适性偏好数据;
(1-2):计算该组数据的均值、标准差,根据均值计算可疑值标号,根据均值与标准差计算可疑值偏离程度;
(1-3):设定显著性水平α,将可疑值偏离程度与格拉布斯表的临界值进行比较,若可疑值偏离程度大于格拉布斯表的临界值,则其为异常值,将此时的数据对应标号加入异常值标号库;
(1-4):将均值赋给异常值,重复步骤(1-2)、(1-3)中的操作,直至所有可疑值偏离程度均小于格拉布斯表的临界值;
(1-5):按照步骤(1-1)中的顺序,从采集到的家居环境舒适性偏好数据中取出下一类环境参数的家居环境舒适性偏好数据,返回步骤(1-2),直至确认出所有家居环境舒适性偏好数据的异常值;
(1-6):从采集到的家居环境舒适性偏好数据中将异常值标号库对应标号的数据予以删除。
5.如权利要求2所述的一种数据驱动的家居环境舒适性偏好建模与控制方法,其特征是:所述步骤(2-1)中,将所述季节数据分为春夏秋冬四季,将所述时间数据按照生活习惯对每天的24小时进行模糊划分。
6.如权利要求1所述的一种数据驱动的家居环境舒适性偏好建模与控制方法,其特征是:所述步骤(3)的具体步骤如下:当检测到人员身份、季节以及时间段信息后,所构建的家居环境舒适性偏好模糊模型将给出最佳环境参数;该最佳环境参数与温度传感器、湿度传感器、光照传感器及空气质量传感器所测得实际家居环境参数进行比较,所得到的偏差将通过模糊控制器产生控制作用,分别作用在温度、湿度、照明、通风等四种调节***上来进一步改变实际的家居环境参数,直至满足用户舒适性偏好要求。
7.如权利要求6所述的一种数据驱动的家居环境舒适性偏好建模与控制方法,其特征是:所述模糊控制器的控制方法为:
(3-1)设定比例系数将温度、湿度、光照度、空气质量偏差变化为区间[-1,1];
(3-2)将[-1,1]区间均匀划分为5个模糊集合“负大”“负小”“接近零”“正小”“正大”;
(3-3)对每一类环境参数偏差,设定模糊规则;
(3-4)当四种环境参数实际偏差量输入该模糊控制器后,先对偏差量进行比例调节,进而分别激活上述形式的模糊规则,产生控制输出,分别控制相应的温度、湿度、照明、通风等四种调节***。
8.如权利要求7所述的一种数据驱动的家居环境舒适性偏好建模与控制方法,其特征是:所述步骤(3-3)中的所述模糊规则为:
如果偏差“负大”,那么相应调节***目前设定量应调小;
如果偏差“负小”,那么相应调节***目前设定量应稍微调小;
如果偏差“接近零”,那么相应调节***目前设定量应保持;
如果偏差“正小”,那么相应调节***目前设定量应稍微调大;
如果偏差“正大”,那么相应调节***目前设定量应调大。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610885168.4A CN106292325B (zh) | 2016-10-10 | 2016-10-10 | 一种数据驱动的家居环境舒适性偏好建模与控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610885168.4A CN106292325B (zh) | 2016-10-10 | 2016-10-10 | 一种数据驱动的家居环境舒适性偏好建模与控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106292325A CN106292325A (zh) | 2017-01-04 |
CN106292325B true CN106292325B (zh) | 2018-11-30 |
Family
ID=57716905
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610885168.4A Active CN106292325B (zh) | 2016-10-10 | 2016-10-10 | 一种数据驱动的家居环境舒适性偏好建模与控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106292325B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107748937B (zh) * | 2017-11-03 | 2021-08-13 | 哈尔滨工业大学 | 一种基于moead的比例区间偏好引导多目标决策优化方法 |
CN113495487A (zh) * | 2020-03-18 | 2021-10-12 | 海信集团有限公司 | 一种调节目标设备运行参数的终端和方法 |
CN114087612B (zh) * | 2022-01-04 | 2022-04-26 | 山西省安装集团股份有限公司 | 一种分布式生物质和垃圾焚烧处理*** |
CN116520718A (zh) * | 2023-07-03 | 2023-08-01 | 深圳小米房产网络科技有限公司 | 一种基于物联网技术的智能家居自适应控制方法和装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102354206A (zh) * | 2011-07-25 | 2012-02-15 | 山东建筑大学 | 物联网环境下基于数据融合的空调故障诊断***及方法 |
CN104181883A (zh) * | 2014-08-08 | 2014-12-03 | 青岛高校信息产业有限公司 | 实时数据采集***的异常数据实时处理方法 |
CN104359192A (zh) * | 2014-11-19 | 2015-02-18 | 山东建筑大学 | 一种基于数据的室内环境节能舒适个性化控制***及方法 |
CN204285725U (zh) * | 2014-11-19 | 2015-04-22 | 山东建筑大学 | 一种基于数据的室内环境节能舒适个性化控制*** |
CN105403245A (zh) * | 2015-10-16 | 2016-03-16 | 沈阳农业大学 | 日光温室无线传感器多数据融合方法 |
-
2016
- 2016-10-10 CN CN201610885168.4A patent/CN106292325B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102354206A (zh) * | 2011-07-25 | 2012-02-15 | 山东建筑大学 | 物联网环境下基于数据融合的空调故障诊断***及方法 |
CN104181883A (zh) * | 2014-08-08 | 2014-12-03 | 青岛高校信息产业有限公司 | 实时数据采集***的异常数据实时处理方法 |
CN104359192A (zh) * | 2014-11-19 | 2015-02-18 | 山东建筑大学 | 一种基于数据的室内环境节能舒适个性化控制***及方法 |
CN204285725U (zh) * | 2014-11-19 | 2015-04-22 | 山东建筑大学 | 一种基于数据的室内环境节能舒适个性化控制*** |
CN105403245A (zh) * | 2015-10-16 | 2016-03-16 | 沈阳农业大学 | 日光温室无线传感器多数据融合方法 |
Non-Patent Citations (5)
Title |
---|
Building Energy Consumption Prediction:An Extreme Deep Learning Approach;Chengdong Li 等;《Energies》;20171007;全文 * |
Properties and Data-driven Design of Perceptual Reasoning Method Based Linguistic Dynamic Systems;LI Cheng-Dong 等;《ACTA AUTOMATICA SINICA》;20141031;第40卷(第10期);全文 * |
物联网环境下数据驱动舒适性建模与控制研究;任伟娜;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20160815;全文 * |
用户偏好的室内环境舒适度智能控制;邵克勇;《化工自动化与仪表》;20091231;第36卷(第5期);全文 * |
用户偏好的室内环境舒适度智能控制方法仿真研究;杨娜;《科学技术与工程》;20130930;第13卷(第25期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN106292325A (zh) | 2017-01-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106292325B (zh) | 一种数据驱动的家居环境舒适性偏好建模与控制方法 | |
CN110298487B (zh) | 一种用于满足用户个性化需求的室内温度预测方法 | |
CN107120782A (zh) | 一种基于多用户热舒适度数据的暖通***控制方法 | |
CN109359786A (zh) | 一种电力台区短期负荷预测方法 | |
CN106951611A (zh) | 一种基于使用者行为的严寒地区建筑节能设计优化方法 | |
CN106765959A (zh) | 基于遗传算法和深度bp神经网络算法的暖通空调节能控制方法 | |
CN102736649B (zh) | 基于个性化人员冷热抱怨的环境温湿度控制方法及*** | |
CN108536030A (zh) | 一种基于anfis算法的智能家居***及其工作方法 | |
CN104359192A (zh) | 一种基于数据的室内环境节能舒适个性化控制***及方法 | |
CN105320184A (zh) | 建筑室内环境智能监控*** | |
CN106499656B (zh) | 一种风扇风速智能控制方法 | |
Sülo et al. | Energy efficient smart buildings: LSTM neural networks for time series prediction | |
CN111461466A (zh) | 基于lstm时间序列的供暖户阀调节方法、***及设备 | |
CN110555524A (zh) | 基于室内环境监测的训练样本数据获取方法及装置 | |
CN114925874A (zh) | 一种基于bert神经网络模型的碳排量预判方法及装置 | |
CN112686449A (zh) | 基于人体气象舒适度指数的居民用电预测方法 | |
CN112272074A (zh) | 一种基于神经网络的信息传输速率控制方法及*** | |
Kim et al. | A study of an agricultural ontology model for an intelligent service in a vertical farm | |
Zhao | Design-build-operate energy information modeling for occupant-oriented predictive building control | |
CN116485582A (zh) | 一种基于深度学习的供热优化调控方法及装置 | |
CN204285725U (zh) | 一种基于数据的室内环境节能舒适个性化控制*** | |
CN113341792A (zh) | 一种基于bim的建筑数据采集方法及*** | |
Chapman et al. | Multi-agent stochastic simulation of occupants for building simulation | |
Huang | Combination of model-predictive control with an Elman neural for optimization of energy in office buildings | |
May-Ostendorp | Offline model predictive control of mixed mode buildings for near-optimal supervisory control strategy development |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |