CN107300857A - 一种感知室内环境信息的电能管理*** - Google Patents

一种感知室内环境信息的电能管理*** Download PDF

Info

Publication number
CN107300857A
CN107300857A CN201710577925.6A CN201710577925A CN107300857A CN 107300857 A CN107300857 A CN 107300857A CN 201710577925 A CN201710577925 A CN 201710577925A CN 107300857 A CN107300857 A CN 107300857A
Authority
CN
China
Prior art keywords
data
energy consumption
indoor environment
sample
electrical equipment
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.)
Granted
Application number
CN201710577925.6A
Other languages
English (en)
Other versions
CN107300857B (zh
Inventor
庞宇
黄博强
李章勇
彭良广
刘乐乐
吴优
周凯利
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.)
Chongqing University of Post and Telecommunications
Original Assignee
Chongqing University of Post and Telecommunications
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 Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN201710577925.6A priority Critical patent/CN107300857B/zh
Publication of CN107300857A publication Critical patent/CN107300857A/zh
Application granted granted Critical
Publication of CN107300857B publication Critical patent/CN107300857B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
    • 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
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance

Landscapes

  • Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种感知室内环境信息的电能管理***，***包括：采集模块、传输模块、上位机和后台服务器。采集模块通过传输模块将采集到的数据上传至上位机。然后，上位机对数据进行显示，并将数据传输给后台服务器。后台服务器对采集到的室内环境数据与电器能耗数据进行评估和分析。最后，将数据分析结果传送给控制器单元，进而调整用电器工作状态。本发明由于加入了采集模块，实现温湿度、环境光强、PM2.5与烟雾信息的精准测量。通过后台服务器对采集到的室内环境数据与电器能耗数据进行存储并建立环境能耗数据库，并能对当前用电状态进行评估，计算出优选方案，能够更加精准、主动地实现对用电量的调整。

Description

一种感知室内环境信息的电能管理***
技术领域
本发明属于智能电能管理领域，具体涉及一种感知室内环境信息的电能管理***。
背景技术
室内电器设备的能耗一直是人们关注和想要解决的问题，室内用电设备的使用，与室内环境状况有密不可分的联系，例如室内的温湿度是会影响空调使用产生的电能，而室内其它的环境因素也是影响电器电能的关键因子，例如照明设备对环境光的调节。
目前，有很多针对用电设备电能管理的智慧方案，采用新的节能设备提高节能效率是一种比较常见的方式，还有一些智慧社区采用的智能家居管理方案，但这类产品或者形式，是从用电设备本身考虑如何降低电能，并没有结合周围环境情况对其进行改善，智能化程度虽然有了，但没有真正体现室内场景的智慧化管理。在能源管理方面，国内的专家学者提出过基于神经网络的智慧能源管理方法，如中国公开专利号为CN105045096A，但其只是通过对硬件装置的能耗数据进行训练得出最优解，设置负载阈值从而实现能耗的智慧化管理，但并没有考虑周遭环境因素，因而有一定的局限性。
因此，很有必要提出一种感知环境信息的室内电能管理的方法和装置，融合神经网络算法，提炼监测数据的深度特征，实现室内电能的自适应管理。
发明内容
本发明提供一种感知室内环境信息的电能管理***，以感知室内环境信息和电器负荷数据作为实时数据集，通过小波神经网络算法对数据集进行训练，学习室内用户习惯，得出一种自适应的室内电能管理预测模型。
本发明的具体技术方案为：
一种感知室内环境信息的电能管理***，包括用电器、采集模块、传输模块、上位机、后台服务器和控制器单元。所述采集模块采集用电器的室内环境数据与电器能耗数据，并通过传输模块将数据上传至上位机。所述上位机对数据进行显示，并将数据传输给后台服务器。所述后台服务器对采集到的室内环境数据与电器能耗数据进行评估和分析，并将数据分析结果传送给控制器单元，进而调整用电器工作状态。
所述采集模块包括传感器节点单元和电器能耗计量单元，采集室内环境数据和电器能耗数据。
所述传输模块收集采集模块采集到的数据，然后发送给上位机。所述传输模块的工作方式包括有线传输和无线传输。
所述上位机有显示终端，实时显示采集模块采集到的数据。
所述后台服务器首先对采集到的室内环境数据与电器能耗数据进行存储并建立环境能耗数据库；再对环境能耗数据库中的数据进行训练得到环境和能耗的数据特征，更新环境能耗数据库；同时，对当前室内环境和电器的能耗状况与环境能耗数据库中的数据进行对比，得到室内环境评估结果，并对当前室内环境数据与电器能耗数据进行调整使之接近期望输出值，进而得到电能优化方案。
所述控制器单元接收电能优化方案，根据优化方案调整室内的用电器工作状态。
进一步，所述采集模块的传感器节点单元包括温湿度感知节点、室内环境光感知节点、PM2.5感知节点和烟雾感知节点。
进一步，所述对数据库中的数据进行训练是通过小波神经网络算法完成。所述小波神经网络算法是结合神经网络和小波变换建立数据处理模型和提取数据特征。
进一步，所述小波神经网络算法具体过程为：
步骤一、将环境数据、电器能耗数据作为小波神经网络模型的输入样本；每一个输入样本作为一个训练集：S＝{xk,yj}；其中xk为环境数据，yj为用电器能耗数据，k为不同的环境变量，j为不同的用电器。
步骤二、对输入样本进行分解和处理，找出理想输入样本并放入数据库，具体为：将输入样本作为一组离散的时间信号序列S(i)，计算出输入样本的均值序列N为输入样本数量；定义输入样本的目标误差率:若输入样本的目标误差率小于1，则输入样本为理想输入样本；反之，则为不理想样本；同时在输出层提供下一时刻的数据样本预测。
步骤三、对不理想样本进行分割，并通过小波神经网络各层的权值进行调整，使调整后的不理想样本接近理想输出值；具体为：将不理想样本作为小波算法的输入，通过小波变换进行尺度分解；将分解后的不理想样本进行重构，还原到原尺度，并作为神经网络模型的输入量；然后，采集3周的数据样本，以第一周的数据样本作为输入，第二周的数据样本作为输出，以小波神经网络的框架进行建模训练，得到各连接层的网络权值，接着以第二周采集的数据样本作为输入，得到第三周的预测输出；将预测输出与真实值对比，找出误差因素；若误差较大则重新进行训练，直到逼近真实值。
步骤四、将理想输入样本与经小波变换重构之后的不理想样本组成新的时间序列Z(i)，提取Z(i)的方差作为作为Z(i)的数据特征，其中q(i)为Z(i)的均值序列，σ2用于反映每一段输入样本数据的波动范围，作为输入样本数据比对的参评指标。
进一步，所述上位机是一款终端显示软件，用于显示室内环境数据与电器能耗数据，并通过FTP方式将数据上传后台服务器。
进一步，所述传输模块包括载波收发模块和串口通信模块。所述载波收发模块通过载波介质将采集模块的数据传送给串口通信模块。再由串口通信模块发送给上位机。
进一步，所述电器能耗计量单元通过微控制器、电压电流互感器实现电器电量的统计和计算。
进一步，所述步骤四中的小波变换分解尺度为3，小波函数采用db5小波。
本发明带来的有益效果是：
1、加入采集模块，从而实现温湿度、环境光强、PM2.5与烟雾信息的精准测量，并且对用电设备的用电量进行实时采集。
2、后台服务器对采集到的室内环境数据与电器能耗数据进行存储并建立环境能耗数据库，并能对当前用电状态进行评估，计算出优选方案，更加精准、主动的实现对用电量的调整。
3、数据库中的数据进行训练是采用小波神经网络算法，完成训练和机器学习，建立数据库并针对能耗情况提出优选方案，根据用户的用电习惯、室内环境数据调整电器的用电状态，更加科学、节能，实现电能管理的智能化。
附图说明
图1是本发明的***框架图；
图2是本发明实例的***工作流程图。
具体实施方式
结合附图对本发明进行说明。
如图1所示，一种感知室内环境信息的电能管理***，包括用电器13、采集模块1、传输模块7、上位机8、后台服务器9和控制器单元12。
其中，采集模块1包括：传感器节点单元和电器能耗计量单元6，主要负责采集室内环境数据和电器能耗数据。传感器节点单元具体包括：温湿度感知节点2、室内环境光感知节点3、PM2.5感知节点4、烟雾感知节点5等。电器能耗计量单元6通过微控制器、电压电流互感器实现电器电量的统计和计算。
传输模块7包括载波收发模块10、串口通信模块11；所述载波收发模块10通过载波介质将采集模块1传送来的数据传送给串口通信模块11。
上位机8有显示终端，实时显示采集模块采集到的数据。上位机的显示终端是通过Delphi7.0开发的，上位机通过调用MSComm控件可完成与下位机的串口通信，调用FTP控件实现数据向后台服务器的上传；
如图2所示，电能管理***的工作过程为：采集模块1采集用电器13的室内环境数据与电器能耗数据，并通过传输模块7将数据上传至上位机8。上位机8对数据进行显示，并将数据传输给后台服务器9。后台服务器9对采集到的室内环境数据与电器能耗数据进行评估和分析，并对当前室内环境数据与电器能耗数据进行调整使之接近期望输出值，进而得到电能优化方案，以达到降低用电器能耗的目的。
具体的，后台服务器9首先对采集到的室内环境数据与电器能耗数据进行存储并建立环境能耗数据库；再对环境能耗数据库中的数据进行训练得到环境和能耗的数据特征，更新环境能耗数据库；同时，对当前室内环境和电器的能耗状况与环境能耗数据库中的数据进行对比，得到室内环境评估结果，并对当前室内环境数据与电器能耗数据进行调整使之接近期望输出值，进而得到电能优化方案。
其中，后台服务器的开发环境为Eclipse、Tomcat服务器以及MySQL数据库。期望输出值可以自行设定，也可以根据用户习惯训练得到。
对数据库中的数据进行训练是通过小波神经网络算法完成。小波神经网络算法是结合神经网络和小波变换建立数据处理模型和提取数据特征。具体过程为：
步骤一、将环境数据、电器能耗数据作为小波神经网络模型的输入样本；每一个输入样本作为一个训练集：S＝{xk,yj}；其中xk为环境数据，yj为用电器能耗数据，k为不同的环境变量，j为不同的用电器。
步骤二、对输入样本进行分解和处理，找出理想输入样本并放入数据库，具体为：将输入样本作为一组离散的时间信号序列S(i)，计算出输入样本的均值序列N为输入样本数量；定义输入样本的目标误差率:i＝1，2，....；若输入样本的目标误差率小于1，则输入样本为理想输入样本；反之，则为不理想样本；同时在输出层提供下一时刻的数据样本预测。
步骤三、对不理想样本进行分割，并通过小波神经网络各层的权值进行调整，使调整后的不理想样本接近理想输出值；具体为：将不理想样本作为小波算法的输入，通过小波变换进行尺度分解；将分解后的不理想样本进行重构，还原到原尺度，并作为神经网络模型的输入量；然后，采集3周的数据样本，以第一周的数据样本作为输入，第二周的数据样本作为输出，以小波神经网络的框架进行建模训练，得到各连接层的网络权值，接着以第二周采集的数据样本作为输入，得到第三周的预测输出；将预测输出与真实值对比，找出误差因素；若误差较大则重新进行训练，直到逼近真实值。
步骤四、将理想输入样本与经小波变换重构之后的不理想样本组成新的时间序列Z(i)，提取Z(i)的方差作为作为Z(i)的数据特征，其中q(i)为Z(i)的均值序列，σ2用于反映每一段输入样本数据的波动范围，作为输入样本数据比对的参评指标。

Claims (8)

1.一种感知室内环境信息的电能管理***，其特征在于：包括用电器(13)、采集模块(1)、传输模块(7)、上位机(8)、后台服务器(9)和控制器单元(12)；所述采集模块(1)采集用电器(13)的室内环境数据与电器能耗数据，并通过传输模块(7)将数据上传至上位机(8)；所述上位机(8)对数据进行显示，并将数据传输给后台服务器(9)；所述后台服务器(9)对采集到的室内环境数据与电器能耗数据进行评估和分析，并将数据分析结果传送给控制器单元(12)，进而调整用电器(13)工作状态；
所述采集模块(1)包括传感器节点单元和电器能耗计量单元(6)，采集室内环境数据和电器能耗数据；
所述传输模块收集采集模块采集到的数据，然后发送给上位机(8)；所述传输模块的工作方式包括有线传输和无线传输；
所述上位机(8)有显示终端，实时显示采集模块采集到的数据；
所述后台服务器(9)首先对采集到的室内环境数据与电器能耗数据进行存储并建立环境能耗数据库；再对环境能耗数据库中的数据进行训练得到环境和能耗的数据特征，更新环境能耗数据库；同时，对当前室内环境和电器的能耗状况与环境能耗数据库中的数据进行对比，得到室内环境评估结果，并对当前室内环境数据与电器能耗数据进行调整使之接近期望输出值，进而得到电能优化方案；
所述控制器单元接收电能优化方案，根据优化方案调整室内的用电器(13)工作状态。
2.根据权利要求1所述的感知室内环境信息的电能管理***，其特征在于：所述采集模块(1)的传感器节点单元包括温湿度感知节点(2)、室内环境光感知节点(3)、PM2.5感知节点(4)和烟雾感知节点(5)。
3.根据权利要求1所述的感知室内环境信息的电能管理***，其特征在于：所述对数据库中的数据进行训练是通过小波神经网络算法完成；所述小波神经网络算法是结合神经网络和小波变换建立数据处理模型和提取数据特征。
4.根据权利要求3所述的感知室内环境信息的电能管理***，其特征在于：所述小波神经网络算法具体过程为：
步骤一、将环境数据、电器能耗数据作为小波神经网络模型的输入样本；每一个输入样本作为一个训练集：S＝{xk,yj}；其中xk为环境数据，yj为用电器能耗数据，k为不同的环境变量，j为不同的用电器；
步骤二、对输入样本进行分解和处理，找出理想输入样本并放入数据库，具体为：将输入样本作为一组离散的时间信号序列S(i)，计算出输入样本的均值序列N为输入样本数量；定义输入样本的目标误差率:若输入样本的目标误差率小于1，则输入样本为理想输入样本；反之，则为不理想样本；同时在输出层提供下一时刻的数据样本预测；
步骤三、对不理想样本进行分割，并通过小波神经网络各层的权值进行调整，使调整后的不理想样本接近理想输出值；具体为：将不理想样本作为小波算法的输入，通过小波变换进行尺度分解；将分解后的不理想样本进行重构，还原到原尺度，并作为神经网络模型的输入量；然后，采集3周的数据样本，以第一周的数据样本作为输入，第二周的数据样本作为输出，以小波神经网络的框架进行建模训练，得到各连接层的网络权值，接着以第二周采集的数据样本作为输入，得到第三周的预测输出；将预测输出与真实值对比，找出误差因素；若误差较大则重新进行训练，直到逼近真实值；
步骤四、将理想输入样本与经小波变换重构之后的不理想样本组成新的时间序列Z(i)，提取Z(i)的方差作为作为Z(i)的数据特征，其中q(i)为Z(i)的均值序列，σ2用于反映每一段输入样本数据的波动范围，作为输入样本数据比对的参评指标。
5.根据权利要求1所述的感知室内环境信息的电能管理***，其特征在于：所述上位机是一款终端显示软件，用于显示室内环境数据与电器能耗数据，并通过FTP方式将数据上传后台服务器(9)。
6.根据权利要求1-5任一条所述的感知室内环境信息的电能管理***，其特征在于：所述传输模块(7)包括载波收发模块(10)和串口通信模块(11)；所述载波收发模块(10)通过载波介质将采集模块(1)的数据传送给串口通信模块(11)；再由串口通信模块(11)发送给上位机(8)。
7.根据权利要求1-5任一条所述的感知室内环境信息的电能管理***，其特征在于：所述电器能耗计量单元(6)通过微控制器、电压电流互感器实现电器电量的统计和计算。
8.根据权利要求4所述的感知室内环境信息的电能管理***，其特征在于：所述步骤四中的小波变换分解尺度为3，小波函数采用db5小波。
CN201710577925.6A 2017-07-15 2017-07-15 一种感知室内环境信息的电能管理*** Active CN107300857B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710577925.6A CN107300857B (zh) 2017-07-15 2017-07-15 一种感知室内环境信息的电能管理***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710577925.6A CN107300857B (zh) 2017-07-15 2017-07-15 一种感知室内环境信息的电能管理***

Publications (2)

Publication Number Publication Date
CN107300857A true CN107300857A (zh) 2017-10-27
CN107300857B CN107300857B (zh) 2020-07-24

Family

ID=60132850

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710577925.6A Active CN107300857B (zh) 2017-07-15 2017-07-15 一种感知室内环境信息的电能管理***

Country Status (1)

Country Link
CN (1) CN107300857B (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5430430A (en) * 1992-07-03 1995-07-04 Euro Cp S.A.R.L. Method of managing electric power on the basis of tariff schedules, in a network within a dwelling or the like
CN101236430A (zh) * 2008-02-26 2008-08-06 浙江省建筑科学设计研究院有限公司 无线内网建筑能耗及环境实时监测与分析方法
CN102682349A (zh) * 2012-05-14 2012-09-19 云南电力试验研究院（集团）有限公司电力研究院 一种用电量智能预测***及方法
CN103136598A (zh) * 2013-02-26 2013-06-05 福建省电力有限公司 基于小波分析的月度电力负荷计算机预测方法
KR101364508B1 (ko) * 2012-11-23 2014-02-19 (주) 티아이에스 실내 환경 통합 모니터링 시스템
CN104598986A (zh) * 2014-12-12 2015-05-06 国家电网公司 基于大数据的电力负荷预测方法
EP2944786A1 (de) * 2014-05-17 2015-11-18 MAN Truck & Bus AG Steuer- oder Regelverfahren für ein Kraftfahrzeug
CN105320184A (zh) * 2014-11-26 2016-02-10 华北电力大学 建筑室内环境智能监控***
CN105825323A (zh) * 2016-03-10 2016-08-03 山东建筑大学 一种基于大数据的建筑能耗主要影响因素分析方法
CN106327028A (zh) * 2016-11-09 2017-01-11 国网能源研究院 一种终端能源消耗量预测方法及装置
CN106444541A (zh) * 2016-11-23 2017-02-22 天津生态城绿色建筑研究院有限公司 一种绿色建筑智能化监控及运行优化方法及***
CN106707999A (zh) * 2017-02-09 2017-05-24 苏州科技大学 基于自适应控制器的建筑物节能***、控制方法及仿真

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5430430A (en) * 1992-07-03 1995-07-04 Euro Cp S.A.R.L. Method of managing electric power on the basis of tariff schedules, in a network within a dwelling or the like
CN101236430A (zh) * 2008-02-26 2008-08-06 浙江省建筑科学设计研究院有限公司 无线内网建筑能耗及环境实时监测与分析方法
CN102682349A (zh) * 2012-05-14 2012-09-19 云南电力试验研究院（集团）有限公司电力研究院 一种用电量智能预测***及方法
KR101364508B1 (ko) * 2012-11-23 2014-02-19 (주) 티아이에스 실내 환경 통합 모니터링 시스템
CN103136598A (zh) * 2013-02-26 2013-06-05 福建省电力有限公司 基于小波分析的月度电力负荷计算机预测方法
EP2944786A1 (de) * 2014-05-17 2015-11-18 MAN Truck & Bus AG Steuer- oder Regelverfahren für ein Kraftfahrzeug
CN105320184A (zh) * 2014-11-26 2016-02-10 华北电力大学 建筑室内环境智能监控***
CN104598986A (zh) * 2014-12-12 2015-05-06 国家电网公司 基于大数据的电力负荷预测方法
CN105825323A (zh) * 2016-03-10 2016-08-03 山东建筑大学 一种基于大数据的建筑能耗主要影响因素分析方法
CN106327028A (zh) * 2016-11-09 2017-01-11 国网能源研究院 一种终端能源消耗量预测方法及装置
CN106444541A (zh) * 2016-11-23 2017-02-22 天津生态城绿色建筑研究院有限公司 一种绿色建筑智能化监控及运行优化方法及***
CN106707999A (zh) * 2017-02-09 2017-05-24 苏州科技大学 基于自适应控制器的建筑物节能***、控制方法及仿真

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
PING ZHANG 等: "《Fuzzy Wavelet Neural Networks for City Electric Energy Consumption Forecasting》", 《ENERGY PROCEDIA》 *
周仲礼 等: "《基于小波神经网络模型的中国能耗预测》", 《成都理工大学学报(自然科学版)》 *
徐文远 等: "《电力扰动数据分析学——电能质量监测数据的新应用》", 《中国电机工程学报》 *

Also Published As

Publication number Publication date
CN107300857B (zh) 2020-07-24

Similar Documents

Publication Publication Date Title
Angin et al. Agrilora: a digital twin framework for smart agriculture.
Pan et al. A WSN-based intelligent light control system considering user activities and profiles
CN106899468A (zh) 基于物联网的智能家居***
CN107423839A (zh) 一种基于深度学习的智能楼宇微网负荷预测的方法
CN105045234A (zh) 基于智能可穿戴设备行为感知的智能家庭能源管理方法
CN103389710B (zh) 一种基于情境感知的物联网环境控制方法及设备
CN105320184B (zh) 建筑室内环境智能监控***
CN108446021B (zh) 基于压缩感知的p300脑机接口在智能家居中的应用方法
Cui et al. Design of intelligent home pension service platform based on machine learning and wireless sensor network
CN108536030A (zh) 一种基于anfis算法的智能家居***及其工作方法
CN204733413U (zh) 一种基于深度学习的智能led灯控制装置
Sukode et al. Vehicle traffic congestion control & monitoring system in IoT
CN110191432B (zh) 基于物联网的智能监测***
CN115423301B (zh) 一种基于物联网的电力能源智能管控方法、装置及***
CN110769032A (zh) 一种电网设备故障快速检测与维护的***及方法
Song et al. Deep Belief Network for Electricity Utilisation Feature Analysis of Air Conditioners Using a Smart IoT Platform.
Tripathi et al. Data-driven optimizations in IoT: A new frontier of challenges and opportunities
CN110458051A (zh) 一种设备控制的方法、装置、服务器及可读存储介质
CN109286508A (zh) 一种雾节点部署方法及***
CN107300857A (zh) 一种感知室内环境信息的电能管理***
CN209994398U (zh) 一种基于LoRa的大型建筑环境监测***
CN203909519U (zh) 一种智慧教室控制器
CN104865929A (zh) 一种基于仿人行为的智能家居电源控制***
KR102515287B1 (ko) 연합학습을 적용한 지능형 가정에너지 관리 시스템 및 방법
CN114298973A (zh) 一种基于红外图像分割的智能供热监测方法

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
GR01 Patent grant
GR01 Patent grant