CN111797980A - 一种个性化地暖使用习惯的自适应学习方法 - Google Patents
一种个性化地暖使用习惯的自适应学习方法 Download PDFInfo
- Publication number
- CN111797980A CN111797980A CN202010695337.4A CN202010695337A CN111797980A CN 111797980 A CN111797980 A CN 111797980A CN 202010695337 A CN202010695337 A CN 202010695337A CN 111797980 A CN111797980 A CN 111797980A
- Authority
- CN
- China
- Prior art keywords
- data
- floor heating
- user
- personalized
- operation parameters
- 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
- 238000010438 heat treatment Methods 0.000 title claims abstract description 119
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000013528 artificial neural network Methods 0.000 claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 31
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 230000007613 environmental effect Effects 0.000 claims description 40
- 238000013136 deep learning model Methods 0.000 claims description 25
- 230000015654 memory Effects 0.000 claims description 13
- 238000012937 correction Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 8
- 230000007787 long-term memory Effects 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 6
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 238000005265 energy consumption Methods 0.000 abstract description 4
- 125000004122 cyclic group Chemical group 0.000 abstract 1
- 230000002708 enhancing effect Effects 0.000 abstract 1
- 230000006403 short-term memory Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Steam Or Hot-Water Central Heating Systems (AREA)
Abstract
本发明提供了一种个性化地暖使用习惯的自适应学习方法,获取预定时间段的用户历史使用数据,对所述用户历史使用数据进行预处理得到包含环境信息的用户使用数据,将所述包含环境信息的用户使用数据输入到预定的神经网络中,并使用所述神经网络进行训练学习,对所述包含环境信息的用户使用数据进行预测,得到预测后的个性化用户使用习惯,设置下一工作时间地暖运行参数,用户对所述地暖运行参数调整生产新的地暖运行参数,重复上述步骤循环迭代,提高对所述个性化用户使用习惯预测的准确率,提升智能化,降低能耗,增强用户使用体验。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种个性化用户地暖使用习惯的自适应学习方法。
背景技术
在当前社会,随着人们日常生活水提高,地暖已成为必备的生活电器之一,地暖的工作受外界环境条件,以及每个使用者习惯不同的影响,使得人们不断的依据自身的感受调整地暖设置,智能化程度低,从而降低了用户使用感受,相应的地暖能耗也随之增加。
基于现状,需要提供一种能根据用户个性化地暖使用习惯,并结合外界环境,高智能低能耗的自适应学习方法,以增强用户使用体验。
发明内容
为解决上述技术问题,本发明实施例提供一种个性化地暖使用习惯的自适应学习方法,包括:
步骤一,获取预定的测量对象进行测量得到的记录数据;步骤二,从所述记录数据中获取预定时间段的用户历史使用数据;步骤三,对所述用户历史使用数据进行预处理得到包含环境信息的用户使用数据;步骤四,将所述包含环境信息的用户使用数据输入到预定的神经网络中,并使用所述神经网络对所述包含环境信息的用户使用数据进行训练学习,生成个性化深度学习模型;步骤五,利用所述个性化深度学习模型对所述包含环境信息的用户使用数据进行预测,得到预测后的个性化用户使用习惯;步骤六,以所述个性化用户使用习惯为依据,设置下一工作时间地暖运行参数;步骤七,用户在下一工作时间使用过程中,对所述地暖运行参数调整生产新的地暖运行参数,所述新的地暖运行参数作为新的用户历史使用数据重新加入所述预定时间段的用户历史使用数据中;重复步骤一到步骤七,重新对所述用户历史使用数据进行预处理得到新的包含环境信息的用户使用数据,重新输入到所述神经网络进行学习,更新所述个性化深度学习模型,直到用户在步骤七中不再对地暖运行参数进行调整,以提高对所述个性化用户使用习惯进行预测的准确率。
在本实施例的一些实施方式中,步骤一,获取预定的测量对象进行测量得到的记录数据,包括:
通过对测量对象进行连续检测,以便获得地暖的设置状态数据和所在环境的环境参数数据,其中所述预定的测量对象包括室内温度、室外温度、测量时间、地暖设置温度、地暖工作模式和地暖开关情况。
在本实施例的一些实施方式中,步骤二,从所述记录数据中获取预定时间段的用户历史使用数据,包括:
获取预定时间段的地暖设置状态数据和地暖所在环境的环境参数数据,其中所述预定时间段开始时刻不晚于所述记录数据中最后一条时刻的前N小时,所述地暖设置状态数据包括设置温度、工作模式和开关情况,所述环境参数数据包括室内温度、室外温度和记录时间。
在本实施例的一些实施方式中,步骤三,对所述用户历史使用数据进行预处理得到包含环境信息的用户使用数据的方法,包括:
对用户历史使用数据执行设置状态数据修正,以便得到包含环境信息的用户使用数据,其中所述的设置状态数据修正包括如果所述地暖设置状态数据在时刻A发生变化,根据时刻A开始时刻B结束的所述环境参数数据的变化,将时刻A的所述地暖设置状态数据向前拓展时间长度B-A,其中所述时刻B为所述室内温度数据达到稳定的时刻或者再一次发生所述地暖设置状态数据改变的时刻。
在本实施例的一些实施方式中,步骤四,预定的神经网络为简单长短时记忆神经网络,所述通过训练学习生成个性化深度学习模型的方法,包括:
采集所述预定时间段的用户历史使用数据组成原始数据集,所述原始用户使用中的参数包括室内温度、室外温度、时间记录、设置温度、工作模式和开关情况;
对采集到的所述原始数据集执行设置状态数据修正,得到所述包含环境信息的使用记录数据集,并对所述包含环境信息的使用记录数据集执行数据序列化,生成训练数据集;其中,所述设置状态数据修正包括根据如果所述地暖设置状态数据在时刻A发生变化,根据时刻A开始时刻B结束的所述环境参数数据的变化,将时刻A的所述地暖设置状态数据向前拓展时间长度B-A,其中所述时刻B为所述室内温度数据达到稳定的时刻或者再一次发生所述地暖设置状态数据改变的时刻;所述数据序列化包括将所述包含环境信息的使用记录数据集中的数据进行转化得到训练数据集,所述训练数据集中包含样本数、时间步长以及属性;
利用简单长短时记忆神经网络对所述训练数据集进行训练,以便生成所述个性化深度学习模型。
在本实施例的一些实施方式中,所述生成个性化机器学习模型的方法,还包括:
在模型训练之前,预先设定所述简单长短时记忆神经网络的隐藏层数、隐藏层中节点数、隐藏层激活函数和学习率,并对所述简单长短时记忆神经网络的参数进行随机初始化,其中所述隐藏层激活函数为tanh函数;
在模型训练过程中,执行前向传播,使用平均绝对误差(MAE)函数计算传播损失,并利用Adam优化算法对所述学习率进行调节,利用误差反向传播算法对模型的权值和偏置进行调节。
在本实施例的一些实施方式中,步骤五,利用所述个性化深度学习模型对所述包含环境信息的用户使用数据进行预测,得到预测后的个性化用户使用习惯的方法,包括:
采集预定时间长度的所述包含环境信息的用户使用数据组成测试数据集,对所述包含环境信息的用户使用数据进行数据序列化,并输入到所述个性化深度学习模型中进行预测,得到所述个性化用户使用习惯;所述数据序列化包括将测试数据集中的数据进行转化,所述测试数据集中包含样本数、时间步长以及属性;所述个性化用户使用习惯包括地暖的设置温度、工作模式、开关情况和设定时间。
在本实施例的一些实施方式中,步骤六,以所述个性化用户使用习惯为依据,设置下一工作时间地暖运行参数的方法,包括:
根据所述个性化用户习惯,在下一工作时间到达所述设定时间时,将所述地暖运行参数修改为与所述设置温度、工作模式和开关情况相同,其中地暖运行参数包括设置温度、工作模式和开关情况。
在本实施例的一些实施方式中,步骤七,用户在下一工作时间使用过程中,对所述地暖运行参数调整生产新的地暖运行参数,所述新的地暖运行参数作为新的记录数据重新加入所述记录数据中的方法,包括:
用户在使用过程中如果发现该时刻所述地暖运行参数不符合预期,则可以手动调整所述地暖运行参数,生成新的地暖运行参数,其中新的地暖运行参数包括设置温度、工作模式和开关情况;根据所述新的地暖运行参数,生成新的地暖设置状态数据,并获取该时刻地暖所在环境的环境参数数据,与所述新的地暖设置状态数据组合,生成新的记录数据。
在本实施例的一些实施方式中,重复步骤一到步骤七,直到用户在步骤七中不再对地暖运行参数进行调整。
本发明实施例采用的上述至少一个技术方案能够达到以下有益效果:
步骤一,获取预定的测量对象进行测量得到的记录数据;步骤二,从所述记录数据中获取预定时间段的用户历史使用数据;步骤三,对所述用户历史使用数据进行预处理得到包含环境信息的用户使用数据;步骤四,将所述包含环境信息的用户使用数据输入到预定的神经网络中,并使用所述神经网络对所述包含环境信息的用户使用数据进行训练学习,生成个性化深度学习模型;步骤五,利用所述个性化深度学习模型对所述包含环境信息的用户使用数据进行预测,得到预测后的个性化用户使用习惯;步骤六,以所述个性化用户使用习惯为依据,设置下一工作时间地暖运行参数;步骤七,用户在下一工作时间使用过程中,对所述地暖运行参数调整生产新的地暖运行参数,所述新的地暖运行参数作为新的用户历史使用数据重新加入所述预定时间段的用户历史使用数据中;重复步骤一到步骤七,重新对所述用户历史使用数据进行预处理得到新的包含环境信息的用户使用数据,重新输入到所述神经网络进行学习,更新所述个性化深度学习模型,直到用户在步骤七中不再对地暖运行参数进行调整;对所述个性化用户使用习惯进行准确的预测,自适应调节,参数科学准确,更加智能化,并且降低了能耗,增强用户使用体验。
附图说明
图1为本发明实施例提供的一种个性化地暖使用习惯的自适应学习方法的流程示意图。
图2为本发明实施例提供的一种简单长短时记忆神经网络的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案,下面将结合本说明书实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。
图1为本发明实施例提供的一种个性化地暖使用习惯的自适应学习方法示意图,该方法具体可以包括以下步骤:
步骤一,获取预定的测量对象进行测量得到的记录数据;步骤二,从所述记录数据中获取预定时间段的用户历史使用数据;步骤三,对所述用户历史使用数据进行预处理得到包含环境信息的用户使用数据;步骤四,将所述包含环境信息的用户使用数据输入到预定的神经网络中,并使用所述神经网络对所述包含环境信息的用户使用数据进行训练学习,生成个性化深度学习模型;步骤五,利用所述个性化深度学习模型对所述包含环境信息的用户使用数据进行预测,得到预测后的个性化用户使用习惯;步骤六,以所述个性化用户使用习惯为依据,设置下一工作时间地暖运行参数;步骤七,用户在下一工作时间使用过程中,对所述地暖运行参数调整生产新的地暖运行参数,所述新的地暖运行参数作为新的用户历史使用数据重新加入所述预定时间段的用户历史使用数据中;重复步骤一到步骤七,重新对所述用户历史使用数据进行预处理得到新的包含环境信息的用户使用数据,重新输入到所述神经网络进行学习,更新所述个性化深度学习模型,直到用户在步骤七中不再对地暖运行参数进行调整,以提高对所述个性化用户使用习惯进行预测的准确率。
在本实施例的一些实施方式中,步骤一,获取预定的测量对象进行测量得到的记录数据,包括:
通过对测量对象进行连续检测,以便获得地暖的设置状态数据和所在环境的环境参数数据。
进一步地,在一些实施方式中,预定的测量对象包括室内温度、室外温度、测量时间、地暖设置温度、地暖工作模式和地暖开关情况。
在本实施例的一些实施方式中,步骤二,从所述记录数据中获取预定时间段的用户历史使用数据,包括:
获取预定时间段的地暖设置状态数据和地暖所在环境的环境参数数据,其中所述预定时间段开始时刻不晚于所述记录数据中最后一条时刻的前N小时,所述地暖设置状态数据包括设置温度、工作模式和开关情况,所述环境参数数据包括室内温度、室外温度和记录时间。
进一步地,在一些实施方式中,设置施例的执行频率,例如设置为每24小时执行一次,则要求N≥24。在实际应用中,用户可以通过联网获取互联网上记录的用户所在地的天气数据以获取环境参数数据,也可以通过终端(如手机、电脑等)输入环境参数数据,还可以通过将温度传感器集成在地暖上实现对环境参数数据的获取。
在本实施例的一些实施方式中,步骤三,对所述用户历史使用数据进行预处理得到包含环境信息的用户使用数据的方法,包括:
对用户历史使用数据执行设置状态数据修正,以便得到包含环境信息的用户使用数据,其中所述的设置状态数据修正包括如果所述地暖设置状态数据在时刻A发生变化,根据时刻A开始时刻B结束的所述环境参数数据的变化,将时刻A的所述地暖设置状态数据向前拓展时间长度B-A,其中所述时刻B为所述室内温度数据达到稳定的时刻或者再一次发生所述地暖设置状态数据改变的时刻。
进一步地,在一些实施方式中,由于环境参数数据变动、地暖温度设置限制以及地暖自身温度控制算法等原因,室内温度无法保持一个稳定值,而是在一定温度区间内上下浮动。在这种情况下,如果在该过程中没有出现地暖设置状态数据发生变化,则可以认为室内温度已经达到稳定。
在本实施例的一些实施方式中,步骤四,预定的神经网络为简单长短时记忆神经网络,所述通过训练学习生成个性化深度学习模型的方法,包括:
采集所述预定时间段的用户历史使用数据组成原始数据集,所述原始用户使用中的参数包括室内温度、室外温度、时间记录、设置温度、工作模式和开关情况;
对采集到的所述原始数据集执行设置状态数据修正,得到所述包含环境信息的使用记录数据集,并对所述包含环境信息的使用记录数据集执行数据序列化,生成训练数据集;其中,所述设置状态数据修正包括根据如果所述地暖设置状态数据在时刻A发生变化,根据时刻A开始时刻B结束的所述环境参数数据的变化,将时刻A的所述地暖设置状态数据向前拓展时间长度B-A,其中所述时刻B为所述室内温度数据达到稳定的时刻或者再一次发生所述地暖设置状态数据改变的时刻;所述数据序列化包括将所述包含环境信息的使用记录数据集中的数据进行转化得到训练数据集,所述训练数据集中包含样本数、时间步长以及属性;
利用简单长短时记忆神经网络对所述训练数据集进行训练,以便生成所述个性化深度学习模型。
在本实施例的一些实施方式中,所述生成个性化机器学习模型的方法,还包括:
在模型训练之前,预先设定所述简单长短时记忆神经网络的隐藏层数、隐藏层中节点数、隐藏层激活函数和学习率,并对所述简单长短时记忆神经网络的参数进行随机初始化,其中所述隐藏层激活函数为tanh函数;
在模型训练过程中,执行前向传播,使用平均绝对误差(MAE)函数计算传播损失,并利用Adam优化算法对所述学习率进行调节,利用误差反向传播算法对模型的权值和偏置进行调节。
进一步地,在上述步骤四中,利用简单长短时记忆神经网络对训练数据集进行训练,以便生成简单长短时记忆神经网络模型。下面结合附图2对简单长短时记忆神经网络进行介绍,该图为本发明实施例提供的一种简单长短时记忆神经网络的结构示意图,可以包括以下内容:
这种简单长短时记忆神经网络由一个输入层(InputLayer),一个长短时记忆层(LSTM)和三个全连接层(Dense)组成,分别名为lstm_13_input、lstm_13、dense_37、dense_38和dense_39。图中每层神经网络的输入维度(input)和输出维度(output)的第一个值表示该层网络一次训练所选取的样本数,图中显示为None则表示在没有开始训练的时候未设置该层网络本次训练所选取的样本值,使神经网络可以更加容易地修改其规模以适应不同的运算环境和硬件配置。
进一步地,在一些实施方式中,预测对象为下一日用户使用习惯,训练数据集时间步长为10分钟。根据计算可知,预测24小时长度的用户使用习惯需要144条训练数据,因此输入层的样本输入维度为(144,1)。由于输入层不进行任何运算操作,因此输入层的输出维度也为(144,1),接受输入层的输出数据的LSTM层的输入维度也为(144,1)。根据预设的LSTM层隐藏层数,将LSTM层的输出维度设置为50。根据全连接层维度逐层降低以提取特征和预测用户使用习惯属于回归问题,设置三层全连接层的输出维度分别为128,64和1。从而得到如图2所示的简单长短时记忆神经网络结构。
在本实施例的一些实施方式中,步骤五,利用所述个性化深度学习模型对所述包含环境信息的用户使用数据进行预测,得到预测后的个性化用户使用习惯的方法,包括:
采集预定时间长度的所述包含环境信息的用户使用数据组成测试数据集,对所述包含环境信息的用户使用数据进行数据序列化,并输入到所述个性化深度学习模型中进行预测,得到所述个性化用户使用习惯;所述数据序列化包括将测试数据集中的数据进行转化,所述测试数据集中包含样本数、时间步长以及属性;所述个性化用户使用习惯包括地暖的设置温度、工作模式、开关情况和设定时间。
进一步地,在一些实施方式中,设置实施例的执行频率,例如设置为每24小时执行一次,则所述时间长度要求不短于24小时。
在本实施例的一些实施方式中,步骤六,以所述个性化用户使用习惯为依据,设置下一工作时间地暖运行参数的方法,包括:
根据所述个性化用户习惯,在下一工作时间到达所述设定时间时,将所述地暖运行参数修改为与所述设置温度、工作模式和开关情况相同,其中地暖运行参数包括设置温度、工作模式和开关情况。
在本实施例的一些实施方式中,步骤七,用户在下一工作时间使用过程中,对所述地暖运行参数调整生产新的地暖运行参数,所述新的地暖运行参数作为新的记录数据重新加入所述记录数据中的方法,包括:
用户在使用过程中如果发现该时刻所述地暖运行参数不符合预期,则可以手动调整所述地暖运行参数,生成新的地暖运行参数,其中新的地暖运行参数包括设置温度、工作模式和开关情况;根据所述新的地暖运行参数,生成新的地暖设置状态数据,并获取该时刻地暖所在环境的环境参数数据,与所述新的地暖设置状态数据组合,生成新的记录数据。
在本实施例的一些实施方式中,重复步骤一到步骤七,直到用户在步骤七中不再对地暖运行参数进行调整。
所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明原理和应用的实施例,或在没有作出创造性劳动前提下所获得的所有其他实施例,都应当包括在本发明的专利保护范围内。
Claims (10)
1.一种个性化地暖使用习惯的自适应学习方法,包括:
步骤一,获取预定的测量对象进行测量得到的记录数据;步骤二,从所述记录数据中获取预定时间段的用户历史使用数据;步骤三,对所述用户历史使用数据进行预处理得到包含环境信息的用户使用数据;步骤四,将所述包含环境信息的用户使用数据输入到预定的神经网络中,并使用所述神经网络对所述包含环境信息的用户使用数据进行训练学习,生成个性化深度学习模型;步骤五,利用所述个性化深度学习模型对所述包含环境信息的用户使用数据进行预测,得到预测后的个性化用户使用习惯;步骤六,以所述个性化用户使用习惯为依据,设置下一工作时间地暖运行参数;步骤七,用户在下一工作时间使用过程中,对所述地暖运行参数调整生产新的地暖运行参数,所述新的地暖运行参数作为新的用户历史使用数据重新加入所述预定时间段的用户历史使用数据中;重复步骤一到步骤七,重新对所述用户历史使用数据进行预处理得到新的包含环境信息的用户使用数据,重新输入到所述神经网络进行学习,更新所述个性化深度学习模型,直到用户在步骤七中不再对地暖运行参数进行调整,以提高对所述个性化用户使用习惯进行预测的准确率。
2.根据权利要求1所述的方法,其特征在于,步骤一,获取预定的测量对象进行测量得到的记录数据,包括:
通过对测量对象进行连续检测,以便获得地暖的设置状态数据和所在环境的环境参数数据,其中所述预定的测量对象包括室内温度、室外温度、测量时间、地暖设置温度、地暖工作模式和地暖开关情况。
3.根据权利要求1所述的方法,其特征在于,步骤二,从所述记录数据中获取预定时间段的用户历史使用数据,包括:
获取预定时间段的地暖设置状态数据和地暖所在环境的环境参数数据,其中所述预定时间段开始时刻不晚于所述记录数据中最后一条时刻的前N小时,所述地暖设置状态数据包括设置温度、工作模式和开关情况,所述环境参数数据包括室内温度、室外温度和记录时间。
4.根据权利要求1所述的方法,其特征在于,步骤三,对所述用户历史使用数据进行预处理得到包含环境信息的用户使用数据的方法,包括:
对用户历史使用数据执行设置状态数据修正,以便得到包含环境信息的用户使用数据,其中所述的设置状态数据修正包括如果所述地暖设置状态数据在时刻A发生变化,根据时刻A开始时刻B结束的所述环境参数数据的变化,将时刻A的所述地暖设置状态数据向前拓展时间长度B-A,其中所述时刻B为所述室内温度数据达到稳定的时刻或者再一次发生所述地暖设置状态数据改变的时刻。
5.根据权利要求1所述的方法,其特征在于,步骤四,预定的神经网络为简单长短时记忆神经网络,所述通过训练学习生成个性化深度学习模型的方法,包括:
采集所述预定时间段的用户历史使用数据组成原始数据集,所述原始用户使用中的参数包括室内温度、室外温度、时间记录、设置温度、工作模式和开关情况;
对采集到的所述原始数据集执行设置状态数据修正,得到所述包含环境信息的使用记录数据集,并对所述包含环境信息的使用记录数据集执行数据序列化,生成训练数据集;其中,所述设置状态数据修正包括根据如果所述地暖设置状态数据在时刻A发生变化,根据时刻A开始时刻B结束的所述环境参数数据的变化,将时刻A的所述地暖设置状态数据向前拓展时间长度B-A,其中所述时刻B为所述室内温度数据达到稳定的时刻或者再一次发生所述地暖设置状态数据改变的时刻;所述数据序列化包括将所述包含环境信息的使用记录数据集中的数据进行转化得到训练数据集,所述训练数据集中包含样本数、时间步长以及属性;
利用简单长短时记忆神经网络对所述训练数据集进行训练,以便生成所述个性化深度学习模型。
6.根据权利要求5所述的方法,其特征在于,所述生成的个性化深度学习模型的方法,还包括:
在模型训练之前,预先设定所述简单长短时记忆神经网络的隐藏层数、隐藏层中节点数、隐藏层激活函数和学习率,并对所述简单长短时记忆神经网络的参数进行随机初始化,其中所述隐藏层激活函数为tanh函数;
在模型训练过程中,执行前向传播,使用平均绝对误差(MAE)函数计算传播损失,并利用Adam优化算法对所述学习率进行调节,利用误差反向传播算法对模型的权值和偏置进行调节。
7.根据权利要求1所述的方法,其特征在于,步骤五,利用所述个性化深度学习模型对所述包含环境信息的用户使用数据进行预测,得到预测后的个性化用户使用习惯的方法,包括:
采集预定时间长度的所述包含环境信息的用户使用数据组成测试数据集,对所述包含环境信息的用户使用数据进行数据序列化,并输入到所述个性化深度学习模型中进行预测,得到所述个性化用户使用习惯;所述数据序列化包括将测试数据集中的数据进行转化,所述测试数据集中包含样本数、时间步长以及属性;所述个性化用户使用习惯包括地暖的设置温度、工作模式、开关情况和设定时间。
8.根据权利要求1所述的方法,其特征在于,步骤六,以所述个性化用户使用习惯为依据,设置下一工作时间地暖运行参数的方法,包括:
根据所述个性化用户习惯,在下一工作时间到达所述设定时间时,将所述地暖运行参数修改为与所述设置温度、工作模式和开关情况相同,其中地暖运行参数包括设置温度、工作模式和开关情况。
9.根据权利要求1所述的方法,其特征在于,步骤七,用户在下一工作时间使用过程中,对所述地暖运行参数调整生产新的地暖运行参数,所述新的地暖运行参数作为新的记录数据重新加入所述记录数据中的方法,包括:
用户在使用过程中如果发现该时刻所述地暖运行参数不符合预期,则可以手动调整所述地暖运行参数,生成新的地暖运行参数,其中新的地暖运行参数包括设置温度、工作模式和开关情况;根据所述新的地暖运行参数,生成新的地暖设置状态数据,并获取该时刻地暖所在环境的环境参数数据,与所述新的地暖设置状态数据组合,生成新的记录数据。
10.根据权利要求1所述的方法,其特征在于,重复步骤一到步骤七,直到用户在步骤七中不再对地暖运行参数进行调整。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010695337.4A CN111797980A (zh) | 2020-07-20 | 2020-07-20 | 一种个性化地暖使用习惯的自适应学习方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010695337.4A CN111797980A (zh) | 2020-07-20 | 2020-07-20 | 一种个性化地暖使用习惯的自适应学习方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111797980A true CN111797980A (zh) | 2020-10-20 |
Family
ID=72807798
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010695337.4A Pending CN111797980A (zh) | 2020-07-20 | 2020-07-20 | 一种个性化地暖使用习惯的自适应学习方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111797980A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112255928A (zh) * | 2020-10-30 | 2021-01-22 | 北京金山云网络技术有限公司 | 智能家居的控制方法、装置、***及电子设备 |
CN113343893A (zh) * | 2021-06-24 | 2021-09-03 | 武汉虹信技术服务有限责任公司 | 基于人员通行规律的设备人脸识别控制方法及其应用 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101251873B1 (ko) * | 2012-12-20 | 2013-04-10 | 동국대학교 산학협력단 | 지능형 제어 알고리즘을 이용한 건물 공조 제어 방법 |
CN108694484A (zh) * | 2018-08-30 | 2018-10-23 | 广东工业大学 | 一种光伏发电功率预测方法 |
CN109471370A (zh) * | 2018-11-23 | 2019-03-15 | 珠海格力电器股份有限公司 | 一种基于排气扇操作数据的行为预测及控制方法、*** |
CN109491253A (zh) * | 2017-09-11 | 2019-03-19 | 安徽师范大学 | 一种在线学习型个性化智能家居***及其控制方法 |
CN109961177A (zh) * | 2019-03-11 | 2019-07-02 | 浙江工业大学 | 一种基于长短期记忆循环神经网络的通用水冷中央空调能耗预测方法 |
CN109959122A (zh) * | 2019-03-11 | 2019-07-02 | 浙江工业大学 | 一种基于长短期记忆循环神经网络的空调能耗预测方法 |
CN110059801A (zh) * | 2019-03-20 | 2019-07-26 | 青岛海尔空调器有限总公司 | 基于神经网络的空调器能效控制方法 |
CN110456647A (zh) * | 2019-07-02 | 2019-11-15 | 珠海格力电器股份有限公司 | 一种智能家居控制方法及智能家居控制装置 |
CN110578994A (zh) * | 2018-06-11 | 2019-12-17 | 珠海格力电器股份有限公司 | 一种运行方法及装置 |
CN110686377A (zh) * | 2019-09-20 | 2020-01-14 | 珠海格力电器股份有限公司 | 一种空调温度自适应调节的控制方法、计算机可读存储介质及空调 |
CN110836525A (zh) * | 2019-11-19 | 2020-02-25 | 珠海格力电器股份有限公司 | 空调运行状态的自适应调节方法及装置 |
CN110864414A (zh) * | 2019-10-30 | 2020-03-06 | 郑州电力高等专科学校 | 基于大数据分析的空调用电负荷智能控制调度方法 |
CN111365828A (zh) * | 2020-03-06 | 2020-07-03 | 上海外高桥万国数据科技发展有限公司 | 结合机器学习实现数据中心节能温控的模型预测控制方法 |
-
2020
- 2020-07-20 CN CN202010695337.4A patent/CN111797980A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101251873B1 (ko) * | 2012-12-20 | 2013-04-10 | 동국대학교 산학협력단 | 지능형 제어 알고리즘을 이용한 건물 공조 제어 방법 |
CN109491253A (zh) * | 2017-09-11 | 2019-03-19 | 安徽师范大学 | 一种在线学习型个性化智能家居***及其控制方法 |
CN110578994A (zh) * | 2018-06-11 | 2019-12-17 | 珠海格力电器股份有限公司 | 一种运行方法及装置 |
CN108694484A (zh) * | 2018-08-30 | 2018-10-23 | 广东工业大学 | 一种光伏发电功率预测方法 |
CN109471370A (zh) * | 2018-11-23 | 2019-03-15 | 珠海格力电器股份有限公司 | 一种基于排气扇操作数据的行为预测及控制方法、*** |
CN109961177A (zh) * | 2019-03-11 | 2019-07-02 | 浙江工业大学 | 一种基于长短期记忆循环神经网络的通用水冷中央空调能耗预测方法 |
CN109959122A (zh) * | 2019-03-11 | 2019-07-02 | 浙江工业大学 | 一种基于长短期记忆循环神经网络的空调能耗预测方法 |
CN110059801A (zh) * | 2019-03-20 | 2019-07-26 | 青岛海尔空调器有限总公司 | 基于神经网络的空调器能效控制方法 |
CN110456647A (zh) * | 2019-07-02 | 2019-11-15 | 珠海格力电器股份有限公司 | 一种智能家居控制方法及智能家居控制装置 |
CN110686377A (zh) * | 2019-09-20 | 2020-01-14 | 珠海格力电器股份有限公司 | 一种空调温度自适应调节的控制方法、计算机可读存储介质及空调 |
CN110864414A (zh) * | 2019-10-30 | 2020-03-06 | 郑州电力高等专科学校 | 基于大数据分析的空调用电负荷智能控制调度方法 |
CN110836525A (zh) * | 2019-11-19 | 2020-02-25 | 珠海格力电器股份有限公司 | 空调运行状态的自适应调节方法及装置 |
CN111365828A (zh) * | 2020-03-06 | 2020-07-03 | 上海外高桥万国数据科技发展有限公司 | 结合机器学习实现数据中心节能温控的模型预测控制方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112255928A (zh) * | 2020-10-30 | 2021-01-22 | 北京金山云网络技术有限公司 | 智能家居的控制方法、装置、***及电子设备 |
CN113343893A (zh) * | 2021-06-24 | 2021-09-03 | 武汉虹信技术服务有限责任公司 | 基于人员通行规律的设备人脸识别控制方法及其应用 |
CN113343893B (zh) * | 2021-06-24 | 2022-08-05 | 武汉虹信技术服务有限责任公司 | 基于人员通行规律的设备人脸识别控制方法及其应用 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111260030B (zh) | 基于a-tcn电力负荷预测方法、装置、计算机设备及存储介质 | |
US10565955B2 (en) | Display status adjustment method, display status adjustment device and display device | |
CN110267292B (zh) | 基于三维卷积神经网络的蜂窝网络流量预测方法 | |
JP2013074695A (ja) | 太陽光発電予測装置、太陽光発電予測方法及び太陽光発電予測プログラム | |
Dehwah et al. | UD-WCMA: An energy estimation and forecast scheme for solar powered wireless sensor networks | |
CN108876021B (zh) | 一种中长期径流预报方法及*** | |
CN111797980A (zh) | 一种个性化地暖使用习惯的自适应学习方法 | |
CN102946253B (zh) | 数据采样方法与***及其在参数辨识中的应用方法与*** | |
CN112532746B (zh) | 一种云边协同感知的方法及*** | |
CN110781595B (zh) | 能源使用效率pue的预测方法、装置、终端及介质 | |
CN114330935B (zh) | 基于多种结合策略集成学习的新能源功率预测方法和*** | |
CN112381673B (zh) | 一种基于数字孪生的园区用电信息分析方法及装置 | |
Wichaipanich et al. | A comparison of neural network-based predictions of foF2 with the IRI-2012 model at conjugate points in Southeast Asia | |
CN112308209A (zh) | 基于深度学习的个性化空调智能学习方法 | |
CN115310727B (zh) | 一种基于迁移学习的建筑冷热电负荷预测方法及*** | |
CN107704426A (zh) | 基于扩展小波神经网络模型的水位预测方法 | |
CN115271219A (zh) | 一种基于因果关系分析的短期负荷预测方法及预测*** | |
JP2015148934A (ja) | 発電量予測装置および発電量予測方法 | |
CN110836525A (zh) | 空调运行状态的自适应调节方法及装置 | |
CN111340300A (zh) | 一种基于faf-lstm深度神经网络的居民负荷预测方法及*** | |
WO2017109919A1 (ja) | 電子機器、暑さ指数決定方法および暑さ指数決定プログラム | |
CN110874635A (zh) | 一种深度神经网络模型压缩方法及装置 | |
Gungor et al. | Lenard: Lightweight ensemble learner for medium-term electricity consumption prediction | |
CN110009132A (zh) | 一种基于lstm深度神经网络的短期电力负荷精细化预测方法 | |
CN113610665B (zh) | 一种基于多延迟输出回声状态网的风力发电功率预测方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20201020 |