CN116839154A - 基于智能学习的空调控制方法、装置和智能空调 - Google Patents
基于智能学习的空调控制方法、装置和智能空调 Download PDFInfo
- Publication number
- CN116839154A CN116839154A CN202310870266.0A CN202310870266A CN116839154A CN 116839154 A CN116839154 A CN 116839154A CN 202310870266 A CN202310870266 A CN 202310870266A CN 116839154 A CN116839154 A CN 116839154A
- Authority
- CN
- China
- Prior art keywords
- air conditioner
- current
- intelligent learning
- control model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 74
- 230000007613 environmental effect Effects 0.000 claims abstract description 187
- 238000012790 confirmation Methods 0.000 claims description 10
- 230000002829 reductive effect Effects 0.000 claims description 10
- 230000007423 decrease Effects 0.000 claims description 9
- 230000000977 initiatory effect Effects 0.000 claims description 6
- 230000009286 beneficial effect Effects 0.000 abstract description 5
- 238000004378 air conditioning Methods 0.000 description 31
- 230000008569 process Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 14
- 238000004891 communication Methods 0.000 description 6
- 230000006399 behavior Effects 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000011217 control strategy Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000010438 heat treatment Methods 0.000 description 4
- 238000001816 cooling Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000002452 interceptive effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000035807 sensation Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000035484 reaction time Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
- F24F11/63—Electronic processing
- F24F11/64—Electronic processing using pre-stored data
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
- F24F11/63—Electronic processing
- F24F11/65—Electronic processing for selecting an operating mode
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/70—Control systems characterised by their outputs; Constructional details thereof
- F24F11/72—Control systems characterised by their outputs; Constructional details thereof for controlling the supply of treated air, e.g. its pressure
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/70—Control systems characterised by their outputs; Constructional details thereof
- F24F11/80—Control systems characterised by their outputs; Constructional details thereof for controlling the temperature of the supplied air
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/88—Electrical aspects, e.g. circuits
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F2110/00—Control inputs relating to air properties
- F24F2110/10—Temperature
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F2110/00—Control inputs relating to air properties
- F24F2110/20—Humidity
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F2110/00—Control inputs relating to air properties
- F24F2110/30—Velocity
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本申请涉及智能家电技术领域,公开了一种基于智能学习的空调控制方法。该控制方法包括:以智能学习控制模型控制空调,获得与用户舒适度相关的当前环境参数;获得舒适控制模型输出的与当前环境参数对应的第一空调运行参数或第一设定环境参数;获得智能学习控制模型输出的与当前环境参数对应的第二空调运行参数或第二设定环境参数;如果第一空调运行参数或第一设定环境参数所表示的对当前环境参数的第一调整方式,与第二空调运行参数或第二设定环境参数所表示的对当前环境参数的第二调整方式不同,则提醒以舒适控制模型控制空调。采用该空调控制方法有利于符合用户舒适度要求。本申请还公开一种基于智能学习的空调控制装置和智能空调。
Description
技术领域
本申请涉及智能家电技术领域,例如涉及一种基于智能学习的空调控制方法、装置和智能空调。
背景技术
近年来,随着人们生活水平的提高,智慧产品也已逐渐进入普通人们的家庭。随着人们对于智慧产品的依赖程度越来越高,人们对智慧产品的智慧程度要求也越来越高。智能空调能够学习用户习惯,获得符合用户习惯的控制模式,并根据该符合用户习惯的控制模式进行控制,使用户获得较佳的使用体验。
在实现本申请实施例的过程中,发现相关技术中至少存在如下问题:
符合用户习惯的控制模式具有一定的时效性,容易导致用户体验不佳。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本申请的背景的理解,因此可以包括不构成对本领普通技术人员已知的现有技术的信息。
发明内容
为了对披露的实施例的一些方面有基本的理解,下面给出了简单的概括。所述概括不是泛泛评述,也不是要确定关键/重要组成元素或描绘这些实施例的保护范围,而是作为后面的详细说明的序言。
本申请实施例提供了一种基于智能学习的空调控制方法,以符合用户舒适度要求,提高用户的使用体验。
在一些实施例中,基于智能学***均值;将当前环境参数输入至智能学习控制模式对应的智能学习控制模型,获得智能学习控制模型输出的与当前环境参数对应的第二空调运行参数或第二设定环境参数;如果第一空调运行参数或第一设定环境参数所表示的对当前环境参数的第一调整方式,与第二空调运行参数或第二设定环境参数所表示的对当前环境参数的第二调整方式不同,则向用户发起提醒,用于提醒以舒适控制模型控制空调,使空调进入舒适控制模式。
可选地,在向用户发起提醒后,基于智能学习的空调控制方法还包括:获得当前等待时长;根据当前等待时长内接收反馈信息的情况,确定空调的控制模式。
可选地,获得当前等待时长,包括:获得第一设定环境参数和第二设定环境参数的当前环境参数差值;根据环境参数差值与等待时长的负相关关系,确定与当前环境参数差值对应的当前等待时长。
可选地,根据当前等待时长内接收反馈信息的情况,确定空调的控制模式,包括:如果在当前等待时长内接收到调整的确认信息,则利用舒适控制模型控制空调,使空调的控制模式由智能学习控制模式切换为舒适控制模式;如果在当前等待时长内未接收到调整的确认信息,则维持智能学习控制模式。
可选地,在当前等待时长内未接收到调整的确认信息,包括:在当前等待时长内接收到不调整的确认信息;在当前等待时长内未接收到反馈信息。
可选地,与用户舒适度相关的当前环境参数包括当前室内温度、当前室内湿度、当前室内风速中的一个或多个。
可选地,第一调整方式为提高当前环境参数中的一个或多个、降低当前环境参数中的一个或多个,或维持当前环境参数中的一个或多个,第二调整方式为提高当前环境参数中的一个或多个、降低当前环境参数中的一个或多个,或维持当前环境参数中的一个或多个。
可选地,如果第一调整方式和第二调整方式为提高当前环境参数中的相同参数,降低当前环境参数中的相同参数,且维持当前环境参数中的相同参数,则确定第一调整方式和第二调整方式相同。
可选地,以智能学习控制模型控制空调,使空调进入智能学习控制模式,包括:在当前时刻之前,空调的累积运行时长大于或等于设定运行时长阈值,以智能学习控制模型控制空调,使空调进入智能学习控制模式。
可选地,以智能学习控制模型控制空调,使空调进入智能学习控制模式,包括:在当前时刻之前,空调的累积开机次数大于或等于设定运行次数阈值,以智能学习控制模型控制空调,使空调进入智能学习控制模式。
可选地,以智能学习控制模型控制空调,使空调进入智能学习控制模式,包括:在当前时刻之前设定天数之内,空调非首次开机运行,以智能学习控制模型控制空调,使空调进入智能学习控制模式。
在一些实施例中,基于智能学***均值;第三获得模块用于将当前环境参数输入至智能学习控制模式对应的智能学习控制模型,获得智能学习控制模型输出的与当前环境参数对应的第二空调运行参数或第二设定环境参数;控制模块用于如果第一空调运行参数或第一设定环境参数所表示的对当前环境参数的第一调整方式,与第二空调运行参数或第二设定环境参数所表示的对当前环境参数的第二调整方式不同,则向用户发起提醒,用于提醒以舒适控制模型控制空调,使空调进入舒适控制模式。
在一些实施例中,基于智能学习的空调控制装置包括处理器和存储有程序指令的存储器,所述处理器被配置为在执行所述程序指令时,执行前述实施例提供的基于智能学习的空调控制方法。
在一些实施例中,智能空调包括前述实施例提供的基于智能学习的空调控制装置。
本申请实施例提供的基于智能学习的空调控制方法、装置和智能空调,可以实现以下技术效果:
在以智能学习控制模型空调的过程中,获得与用户舒适度相关的当前环境参数,再基于智能学习控制模型获得该当前环境参数对应的第二空调运行参数和第二设定环境参数,此时未立即依据该第二空调运行参数或第二设定环境参数控制空调,而是基于舒适控制模型获得的该当前环境参数对应的第一空调运行参数或第一设定环境参数,并利用该第一空调运行参数对第二空调运行参数进行确认,或者,利用该第一设定环境参数对第二设定环境参数进行确认,如果二者对应的调整方式不相同,则说明该智能学习控制模型暂时不符合舒适控制模型的要求,此时向用户发起提醒,用于提醒以舒适控制模型控制空调,有利于符合用户舒适度要求,提高用户的使用体验。
以上的总体描述和下文中的描述仅是示例性和解释性的,不用于限制本申请。
附图说明
一个或一个以上实施例通过与之对应的附图进行示例性说明,这些示例性说明和附图并不构成对实施例的限定,附图中具有相同参考数字标号的元件视为类似的元件,并且其中:
图1是本申请实施例提供的一种基于智能学习的空调控制方法的流程示意图;
图2是本申请实施例提供的一种基于智能学习的空调控制方法的流程示意图;
图3是本申请实施例提供的一种判断第一调整方式和第二调整是否相同的过程示意图;
图4是本申请实施例提供的一种获得第一数量和第二数量的过程的示意图;
图5是本申请实施例提供的一种基于智能学习的空调控制装置的示意图;
图6是本申请实施例提供的一种基于智能学习的空调控制装置的示意图;
图7是本申请实施例提供的一种智能空调的示意图。
具体实施方式
为了能够更加详尽地了解本申请实施例的特点与技术内容,下面结合附图对本申请实施例的实现进行详细阐述,所附附图仅供参考说明之用,并非用来限定本申请实施例。在以下的技术描述中,为方便解释起见,通过多个细节以提供对所披露实施例的充分理解。然而,在没有这些细节的情况下,一个或一个以上实施例仍然可以实施。在其它情况下,为简化附图,熟知的结构和装置可以简化展示。
本申请实施例的说明书和权利要求书及上述附图中的术语“第一”“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请实施例的实施例。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含。
除非另有说明,术语“多个”表示两个以上。
本申请实施例中,字符“/”表示前后对象是一种“或”的关系。例如,A/B表示:A或B。
术语“和/或”是一种描述对象的关联关系,表示可以存在三种关系。例如,A和/或B,表示:A或B,或,A和B这三种关系。
在本申请实施例中,采取舒适控制模型监控智能学习控制模型的总体思路,在获得当前环境参数之后,将当前环境参数输入至两种控制算法(舒适控制模型和智能学习控制模型)中,然后比较两种控制算法的输出,并基于算法的输出,向用户发起提醒。在该过程中,舒适控制模型相当于判断标准,利用舒适控制模型监控智能学习控制模型,如果智能学习控制模型的输出,不符合舒适控制模型对当前环境参数的调整要求,则提示用户以舒适控制模型控制空调,使空调进入舒适控制模式,以减少智能学习控制模型所带来的不适感,提高用户使用体验。
图1是本申请实施例提供的一种基于智能学习的空调控制方法的流程示意图。该基于智能学习的空调控制方法可在空调的控制器中实现;在智能家居***中,该基于智能学习的空调控制方法还可在智能家居***的服务器中实现。
结合图1所示,基于智能学习的空调控制方法包括:
S101、以智能学习控制模型控制空调,使空调进入智能学习控制模式后,获得与用户舒适度相关的当前环境参数。
在本申请实施例中,智能学习控制模型是通过学习用户习惯获得的空调控制模型。可以是学习当前用户的习惯获得的控制模型,还可以学习其他一个或多个用户的习惯获得的控制模型。
在该智能学习控制模型的学习阶段,输入数据可为用户行为数据,例如,用户设定的温度,用户设定的风速;在该智能学习控制模型的使用阶段,输出参数可为设定温度、设定风速度等。
或者,在该智能学习控制模型的学习阶段,输入数据可为环境参数和用户行为数据;在该智能学习控制模型的使用阶段,输入参数可为环境参数,输出参数可为设定温度、设定风速等。
或者,在该智能学习控制模型的学习阶段,输入数据可为环境参数、用户生理参数和用户行为数据,用户生理数据用户表示用户的身体状态,如用户体温、用户心率等;在该智能学习控制模型的使用阶段,输入参数可为环境参数和用户生理参数,输出参数可为设定温度、设定风速等。
进一步地,该智能学习控制模型可为神经网络模型,或者,该智能学习控制模型可为包含一个或多个拟合公式的函数模型。
在一些具体应用场景中,智能学***均值,作为本次开机的设定温度,将最近N内出现次数最多的风速,作为本次开机后的设定风速。
上述应用场景为对智能学习控制模式的示例性说明,不对本申请中的智能学习控制模式具体实现方式构成限定,本领域技术人员可根据经验或实际情况,确定合适的智能学习控制模型。
与用户舒适度相关的当前环境参数包括当前室内温度、当前室内湿度、当前室内风速中的一个或多个。
即,在本申请实施例中,在获得当前环境参数时,可获得当前室内温度,或者,获得当前室内湿度,或者,获得当前室内风速,或者,获得当前室内温度和当前室内湿度,或者,获得当前室内温度和当前室内风速,或者,获得当前室内湿度和当前室内风速,或者,获得当前室内温度、当前室内湿度和当前室内风速。
S102、将当前环境参数输入至舒适控制模式对应的舒适控制模型,获得舒适控制模型输出的与当前环境参数对应的第一空调运行参数或第一设定环境参数。
舒适控制模型的设定环境参数为使用户感觉到舒适的平均值,进而能够自动营造舒适环境。
例如,大多数用户感觉到舒适的室内温度为26℃,该温度值能够作为舒适控制模型的设定室内温度,在舒适控制模式下,如果当前室内温度小于或等于26℃,则空调进入制热模式,以将当前室内温度提高至26℃;如果当前室内温度大于26℃,则空调进入制冷模式,以将当前室内温度降低至26℃。
舒适控制模型是以绝大多数用户的舒适体验样本为基础,进而形成的控制模型;相比之下,智能学习控制模型是以较少数用户的舒适体验为基础,进而形成的控制模型。即,舒适控制模型的样本基础的用户数量,远远大于智能学习控制模型的样本基础的用户数量。
智能学习控制模型是侧重于用户个人习惯;舒适控制模型侧重于用户群体在整体上的舒适体验。
舒适控制模式中的第一设定环境参数中的参数类型,与当前环境参数的类型一致:如果当前环境参数包括当前室内温度,则第一设定环境参数包括设定室内温度;如果当前环境参数包括当前室内湿度,则第一设定环境参数包括设定室内湿度;如果当前环境参数包括当前室内风速,则第一设定环境参数包括设定室内风速。
第一空调运行参数与当前环境参数的类型具备对应关系,在第一空调运行参数发生变化后,当前环境参数能够被空调影响。例如,在当前环境参数包括当前室内温度的情况下,第一空调运行参数包括空调制冷/制热模式、压缩机的运行频率或者风机转速;在当前环境参数包括当前室内风速的情况下,第一空调运行参数包括风机转速、导风板开度或者导风板的导风方向。
第一空调运行参数或第一设定环境参数所表示的对当前环境参数的第一调整方式,为提高当前环境参数中的一个或多个、降低当前环境参数中的一个或多个,或维持当前环境参数中的一个或多个。
在具体应用中,具体的第一调整方式可为上述三类调整方式的组合。例如,第一调整方式包括:提高当前室内温度,降低当前室内湿度,维持当前室内风速。此处为示例性说明第一调整方式的具体表现形式,不对第一调整方式本身构成具体限定,本领域技术人员可根据空调的实际运行情况,将符合实际情况的三类调整方式的组合,作为具体的第一调整方式。
S103、将当前环境参数输入至智能学习控制模式对应的智能学习控制模型,获得智能学习控制模型输出的与当前环境参数对应的第二空调运行参数或第二设定环境参数。
智能学习控制模式中的第二设定环境参数中的参数类型,与当前环境参数的类型一致:如果当前环境参数包括当前室内温度,则第二设定环境参数包括设定室内温度;如果当前环境参数包括当前室内湿度,则第二设定环境参数包括设定室内湿度;如果当前环境参数包括当前室内风速,则第一设定环境参数包括设定室内风速。
第二空调运行参数与当前环境参数的类型具备对应关系,在第二空调运行参数发生变化后,当前环境参数能够被空调影响。例如,在当前环境参数包括当前室内温度的情况下,第二空调运行参数包括空调制冷/制热模式、压缩机的运行频率或者风机转速;在当前环境参数包括当前室内风速的情况下,第二空调运行参数包括风机转速、导风板开度或者导风板的导风方向。
第二空调运行参数或第二设定环境参数所表示的对当前环境参数的第二调整方式,为提高当前环境参数中的一个或多个、降低当前环境参数中的一个或多个,或维持当前环境参数中的一个或多个。
在具体应用中,具体的第二调整方式可为上述三类调整方式的组合。例如,第二调整方式包括:提高当前室内温度,降低当前室内湿度,维持当前室内风速。此处为示例性说明第二调整方式的具体表现形式,不对第二调整方式本身构成具体限定,本领域技术人员可根据空调的实际运行情况,将符合实际情况的三类调整方式的组合,作为具体的第二调整方式。
S104、如果第一空调运行参数或第一设定环境参数所表示的对当前环境参数的第一调整方式,与第二空调运行参数或第二设定环境参数所表示的对当前环境参数的第二调整方式不同,则向用户发起提醒。
向用户发起的提醒,用于提醒以舒适控制模型控制空调,使空调进入舒适控制模式。
如果第一调整方式和第二调整方式为提高当前环境参数中的相同参数,降低当前环境参数中的相同参数,维持当前环境参数中的相同参数,则确定第一调整方式和第二调整方式相同。
例如,当前环境参数包括当前室内温度,如果第一调整方式和第二调整方式为提高当前室内温度,则确定第一调整方式和第二调整方式相同;
当前环境参数包括当前室内温度、当前室内湿度和当前室内风速,如果第一调整方式和第二调整方式均为提高当前室内温度,降低当前室内湿度和维持当前室内风速,则确定第一调整方式和第二调整方式相同;
如果第一调整方式和第二调整方式均为提高当前室内温度,降低当前室内湿度,但第一调整方式为提高当前室内风速,第二调整方式为维持当前室内风速,则确定第一调整方式和第二调整方式不相同。
在以智能学习控制模型空调的过程中,获得与用户舒适度相关的当前环境参数,再基于智能学习控制模型获得该当前环境参数对应的第二空调运行参数和第二设定环境参数,此时未立即依据该第二空调运行参数或第二设定环境参数控制空调,而是基于舒适控制模型获得的该当前环境参数对应的第一空调运行参数或第一设定环境参数,并利用该第一空调运行参数对第二空调运行参数进行确认,或者,利用该第一设定环境参数对第二设定环境参数进行确认,如果二者对应的调整方式不相同,则说明该智能学习控制模型暂时不符合舒适控制模型的要求,此时向用户发起提醒,用于提醒以舒适控制模型控制空调,有利于符合用户舒适度要求,提高用户的使用体验。
本申请实施例提供的基于智能学习的空调控制方法,可在空调开机的时刻执行,还可在空调正常运行的情况下执行。本领域技术人员可基于空调的具体性能,或基于用户具体需求,选择该基于智能学习的空调控制方法的执行时机。
在一些应用场景中,平均热感觉(Predicted Mean Vote,PMV)指数表明群体对于(+3~-3)七个等级热感觉投票的平均指数,故,可将基于PMV指数的空调控制方法作为舒适控制模型。本领域技术人员可根据经验选择合适的基于PMV指数的空调控制方法,这里不再详细赘述。
图2是本申请实施例提供的一种基于智能学习的空调控制方法的流程示意图。该基于智能学习的空调控制方法可在空调的控制器中实现;在智能家居***中,该基于智能学习的空调控制方法还可在智能家居***的服务器中实现。
结合图2所示,基于智能学习的空调控制方法包括:
S201、以智能学习控制模型控制空调,使空调进入智能学习控制模式后,获得与用户舒适度相关的当前环境参数。
在本申请实施例中,智能学习控制模型是通过学习用户习惯获得的空调控制模型。
S202、将当前环境参数输入至舒适控制模式对应的舒适控制模型,获得舒适控制模型输出的与当前环境参数对应的第一空调运行参数或第一设定环境参数。
S203、将当前环境参数输入至智能学习控制模式对应的智能学习控制模型,获得智能学习控制模型输出的与当前环境参数对应的第二空调运行参数或第二设定环境参数。
S204、如果第一空调运行参数或第一设定环境参数所表示的对当前环境参数的第一调整方式,与第二空调运行参数或第二设定环境参数所表示的对当前环境参数的第二调整方式不同,则向用户发起提醒。
S205、获得当前等待时长。
当前等待时长是为用户预留的确认时间。
本领域技术人员可根据经验设置该当前等待时长。
或者,可记录向用户发起提醒的第一时刻,以及接收到用户反馈的第二时刻,利用第二时刻减去第一时刻,获得一个间隔时长;如此获得多个间隔时长,根据多个间隔时长的平均值,确定当前等待时长。例如,将多个间隔时长的平均值,作为当前等待时长。
S206、根据当前等待时长内接收反馈信息的情况,确定空调的控制模式。
反馈信息是用户通过遥控器、智能终端、手势、语音等反馈的信息。
进一步地,根据当前等待时长内接收反馈信息的情况,确定空调的控制模式,包括:如果在当前等待时长内接收到调整的确认信息,则利用舒适控制模型控制空调,使空调的控制模式由智能学习控制模式切换为舒适控制模式;如果在当前等待时长内未接收到调整的确认信息,则维持智能学习控制模式。
其中,在当前等待时长内未接收到调整的确认信息,包括:在当前等待时长内接收到不调整的确认信息;在当前等待时长内未接收到反馈信息。
通过上述技术方案,实现了对空调的控制模式的调整。
在前述实施例中对当前等待时长进行了初步解释,当前等待时长的获得方式不同,基于该当前等待时长,本基于智能学习的空调控制方法的技术效果也不同。
例如,可通过如下方式获得当前等待时长:获得第一设定环境参数和第二设定环境参数的当前环境参数差值;根据环境参数差值与等待时长的负相关关系,确定与当前环境参数差值对应的当前等待时长。
第一设定环境参数是由舒适控制模型确定的与当前环境参数对应的设定环境参数;第二设定环境参数是由智能学习控制模型确定的与当前环境参数对应的设定环境参数。
第一设定环境参数和第二设定环境参数的当前环境参数差值,表示舒适控制模型与智能学习控制模型二者的控制策略的不同。当前环境参数差值越大,则舒适控制模型与智能学习控制模型二者的控制策略的差异越大;当前环境参数差值越小,则舒适控制模型与智能学习控制模型二者的控制策略的差异越小。
在本申请实施例中,发起提醒的时机为:正在以智能学习控制模型控制空调。
智能学习控制模型是通过学习用户习惯获得的空调控制模型,即,用户与空调的任何交互行为,均构成智能学习控制模型的学习数据,随着用户与空调的交互,智能学习控制模型与用户习惯之间的匹配度越来越高,越能为用户提供较大的使用体验。
在用户与空调的交互数据较少的情况下,智能学习控制模型与用户习惯的匹配程度较低,当基于当前环境参数,获得舒适控制模型输出的第一设定环境参数与智能学习控制模型输出的第二设定环境参数之间的当前环境参数差值:
如果当前环境参数差值较大,且智能学习控制模型不符合用户个性化需求,则以智能学习控制模型控制空调的过程中,容易使用户明显感受到不适,即使当前等待时长较短,用户也能够做出反应,使空调接收到用户的反馈信息;
如果当前环境参数差值较大,且智能学习控制模型符合用户个性化需求,则以智能学习控制模型控制空调的过程中,用户的感受是舒适的,使当前等待时长较短,能够减少无用信息对用户干扰,提高用户的舒适度体验;
如果当前环境参数差值较小,用户可能不会感受到不适,即使用户能够感受到不适,该不适程度通常降低。此时舒适控制模型和智能学习控制模型的控制策略相似,用户通常无法在短时间内判断出智能学习控制模型是否符合自身个性化需求,较长的当前等待时长能够为用户提供足够的反应时长,有利于用户做出选择。
在用户与空调的交互数据较多的情况下,智能学习控制模型与用户习惯匹配程度较高,当基于当前环境参数,获得舒适控制模型输出的第一设定环境参数与智能学习控制模型输出的第二设定环境参数之间的当前环境参数差值:
如果当前环境参数差值较小,仍然不容易体现出用户的个性化需求,此时当前等待时长较长,为用户预留较长的确认时长,使用户尽可能的做出反馈,进而使空调尽可能的获得用户反馈,以便于智能学习控制模型能够基于该用户反馈进行进一步学习,使智能学习控制模型满足用户的个性化需求,进而使智能学习控制模型为用户提供较佳的使用体验。
如果当前环境参数差值较大,则能够基本确定智能学习控制模式是符合用户习惯的,此时使当前等待时长较短,以减少无用提醒对用户造成的信息干扰,提高用户的使用体验。
基于上述分析,使当前等待时长与当前环境参数差值负相关,能够使智能学习控制模型与用户习惯更加匹配,进而为用户提供较佳的使用体验。
进一步地,根据环境参数差值与等待时长的负相关关系,确定与当前环境参数差值对应的当前等待时长,可包括:在多个环境参数差值区间中确定当前环境参数差值所属的当前环境参数差值区间;根据环境参数差值区间与等待时长的对应关系,确定当前环境参数差值区间对应的当前等待时长。
在上述实施例中,当以智能学习控制模型控制空调,使空调进入智能学习控制模式之前,所获得的历史空调运行参数能够满足智能学习控制模型学习过程。
历史空调运行参数能够满足智能学习控制模型的情况可包括:在当前时刻之前,空调的累积运行时长大于或等于设定运行时长阈值;或者,在当前时刻之前,空调的累积开机次数大于或等于设定运行次数阈值;或者,在当前时刻之前设定天数之内,空调非首次开机运行。
如此,在当前时刻之前,空调的累积运行时长大于或等于设定运行时长阈值,以智能学习控制模型控制空调,使空调进入智能学习控制模式。
或者,在当前时刻之前,空调的累积开机次数大于或等于设定运行次数阈值,以智能学习控制模型控制空调,使空调进入智能学习控制模式。
或者,在当前时刻之前设定天数之内,空调非首次开机运行,以智能学习控制模型控制空调,使空调进入智能学习控制模式。
在上述实施例中,示例性地说明了在第一调整方式和第二调整不同的情况下,向用户发起提醒的具体方式。
在第一调整方式和第二调整方式相同的情况下,继续以智能学习控制模型控制空调。
在以智能学习控制模型空调的过程中,获得与用户舒适度相关的当前环境参数,再基于智能学习控制模型获得该当前环境参数对应的第二空调运行参数和第二设定环境参数,此时未立即依据该第二空调运行参数或第二设定环境参数控制空调,而是基于舒适控制模型获得的该当前环境参数对应的第一空调运行参数或第一设定环境参数,并利用该第一空调运行参数对第二空调运行参数进行确认,或者,利用该第一设定环境参数对第二设定环境参数进行确认,如果二者对应的调整方式相同,则说明该智能学习控制模型符合舒适控制模型的要求,此时继续以智能学习控制模型控制空调,有利于符合用户舒适度要求,提高用户的使用体验。
在前述实施例中,示例性地说明了用于判断第一调整方式和第二调整是否相同的方法。
在当前环境参数中所包含参数的数量为多个的情况下,采用上述实施例提供的确定方式,容易出现第一调整方式和第二调整方式不相同的判断结果,这不利于用户的舒适体验。
图3是本申请实施例提供的一种判断第一调整方式和第二调整是否相同的过程示意图。
结合图3所示,判断第一调整方式和第二调整是否相同,包括:
S301、将每个当前环境参数输入至舒适控制模型,获得舒适控制模型输出的与每个当前环境参数对应的第一空调运行参数或第一设定环境参数。
S302、确定每个当前环境参数对应的第一空调运行参数或第一设定环境参数对应的第一调整方式。
S303、将每个当前环境参数输入至智能学习控制模型,获得智能学习控制模型输出的与每个当前环境参数对应的第二空调运行参数或第二设定环境参数。
S304、确定每个当前环境参数对应的第二空调运行参数或第二设定环境参数对应的第二调整方式。
S305、获得比较结果相同的当前环境参数的第一数量,以及比较结果为不相同的当前环境参数的第二数量。
当前环境参数的数量为多个,每个当前环境参数对应一个比较结果,比较结果的数量为多个。
第一调整方式和第二调整方式的比较结果为相同或不相同。可统计比较结果为相同的当前环境参数的数量,记为第一数量;统计比较结果为不相同的当前环境参数的数量,记为第二数量。
S306、在第一数量和第二数量二者表示的舒适控制模型和智能学习控制模型对当前环境参数的调整方式的当前相同度,高于或等于预设相同度的情况下,确定第一空调运行参数或第一设定环境参数所表示的对当前环境参数的第一调整方式,与第二空调运行参数或第二设定环境参数所表示的对当前环境参数的第二调整方式相同。
当前相同度用于在整体上表示舒适控制模型和智能学习控制模型对当前环境参数的调整方式相同程度。
舒适控制模型和智能学习控制模型对当前环境参数的调整方式的相同度越高,表示两个控制模型的相似程度越高。
该步骤确定第一调整方式和第二调整方式整体相同。
S307、在第一数量和第二数量二者表示的舒适控制模型和智能学习控制模型对当前环境参数的调整的当前相同度,低于预设相同度的情况下,确定第一空调运行参数或第一设定环境参数所表示的对当前环境参数的第一调整方式,与第二空调运行参数或第二设定环境参数所表示的对当前环境参数的第二调整方式不同。
舒适控制模型和智能学习控制模型对当前环境参数的调整方式的已知度越低,表示两个模型的相似程度越低。
该步骤确定第一调整方式和第二调整方式整体不同。
可选地,当前相同度的确定,包括:计算第一数量和第二数量的第一和,将第一数量与第一和的第三比值,作为当前相同度,或者,将第二数量与第一和的第四比值,作为当前相同度。
本领域技术人员还可根据经验,以其他形式表示该当前相同度,只需确保当前相同度越高,表示二者越相似即可。
图4是本申请实施例提供的一种获得第一数量和第二数量的过程的示意图。
S401、统计多个比较结果为相同的多个当前环境参数对应的第一计数和第二计数的第一和,获得第一数量。
其中,第一计数为属于关注类环境参数的当前环境参数对应的统计计数,关注类环境参数与当前用户标签相对应。
S402、统计多个比较结果为不相同的多个当前环境参数对应的第一计数和第二计数的第二和,获得第二数量。
其中,第二计数为不属于关注类环境参数的当前环境参数对应的统计计数,第一计数大于第二计数。
第一计数是为属于关注类环境参数的当前环境参数赋予的计数值,第二计数是为不属于关注类环境参数的当前环境参数赋予的计数值。
在前述实施例中,每有一个比较结果相同的当前环境参数,累加1,每有一个比较结果不相同的当前环境参数,累加1。
在该实施例中,比较结果为相同的当前环境参数可能既包含属于关注类环境参数的当前环境参数,也包含不属于关注类环境参数的当前环境参数,每有一个属于关注类环境参数的当前环境参数,比较结果为相同的统计数值累加第一计数;每有一个不属于关注环境参数的当前环境参数,比较结果为相同的统计数值累加第二计数。
比较结果为不相同的当前环境参数可能既包含属于关注类环境参数的当前环境参数,也包含不属于关注类环境参数的当前环境参数,每有一个属于关注类环境参数的当前环境参数,比较结果为不相同的统计数值累加第一计数;每有一个不属于关注类环境参数的当前环境参数,比较结果为不相同的统计数值累加第二计数。
第一计数和第二计数之间的差距越大,关注类环境参数对最终确定的空调的控制模型的影响越大,但有降低整体舒适度;第一计数和第二计数之间的差距越小,关注类环境参数对最终确定的空调控制模型的影响越小,但会提高整体舒适度。
通常情况下,使由于用户身体健康状态异常导致的第一计数和第二计数之间的差距,大于由于用户习惯、喜好导致的第一计数和第二计数之间的差距。对于身体不适的用户,可使第一计数和第二计数之间的差距较大,例如,对于感冒人员而言,可使当前室内温度对应的第一计数与当前室内湿度对应的第二计数之间的差距较大;对于存在个人习惯、喜好的用户,可使第一计数和第二计数之间的差距较小,例如,在用户比较关注温度而不重视湿度的情况下,可使当前室内温度对应的第一计数与当前室内湿度对应的第二计数之间的差距较小。
上述第一计数和第二计数的差距,可用第一计数和第二计数之间的差值表示,也可用于第一计数和第二计数之间的倍数表示。
在具体应用场景中,第一计数可为1.3、1.4、1.5或1.6,第二计数可为0.8、0.9、1.0、1.1或1.2;或者,第一计数可为0.8、0.9、1.0、1.1或1.2,第二计数可为0.4、0.5、0.6或0.7。
上述列举的第一计数和第二计数仅为示例性说明,本领域技术人员可根据经验设置第一计数和第二计数的具体数值。
在统计比较结果的数量以确定用于控制空调的控制模型的过程中,采用第一计数和第二计数,使统计结果的数值与当前用户标签相关,如此,所确定的用于控制空调的控制模型也与当前用户标签对应,使本用于确定空调控制模型的方法能够根据当前用户标签确定出针对性的控制模型,有利于提高使用体验。
在前述实施例中,当前用户标签可通过如下方式确定:获得当前用户声音,确定当前用户声音对应的当前用户标签。
或者,当前用户标签可通过如下方式确定:获得当前用户图像,确定当前用户图像对应的当前用户标签。
或者,当前用户标签可通过如下方式确定:获得当前用户佩戴设备的当前设备标识,确定当前设备标识对应的当前用户标签。
图5是本申请实施例提供的一种基于智能学习的空调控制装置的示意图。该基于智能学习的空调控制装置可通过软件、硬件或二者结合的形式实现。
结合图5所示,基于智能学习的空调控制装置包括第一获得模块51、第二获得模块52、第三获得模块53和控制模块54。
第一获得模块51用于以智能学习控制模型控制空调,使空调进入智能学习控制模式后,获得与用户舒适度相关的当前环境参数;智能学习控制模型是通过学习用户习惯获得的空调控制模型。
第二获得模块52用于将当前环境参数输入至舒适控制模式对应的舒适控制模型,获得舒适控制模型输出的与当前环境参数对应的第一空调运行参数或第一设定环境参数;
第三获得模块53用于将当前环境参数输入至智能学习控制模式对应的智能学习控制模型,获得智能学习控制模型输出的与当前环境参数对应的第二空调运行参数或第二设定环境参数;
控制模块54用于如果第一空调运行参数或第一设定环境参数所表示的对当前环境参数的第一调整方式,与第二空调运行参数或第二设定环境参数所表示的对当前环境参数的第二调整方式不同,则向用户发起提醒,用于提醒以舒适控制模型控制空调,使空调进入舒适控制模式。
可选地,基于智能学习的空调控制装置还包括第四获得模块和第一确定模块;第四获得模块用于获得当前等待时长;第一确定模块用于根据当前等待时长内接收反馈信息的情况,确定空调的控制模式。
可选地,第四获得模块包括第一获得单元和第一确定单元;第一获得单元用于获得第一设定环境参数和第二设定环境参数的当前环境参数差值;第一确定单元用于根据环境参数差值与等待时长的负相关关系,确定与当前环境参数差值对应的当前等待时长。
可选地,第一确定模块包括第二确定单元和第三确定单元;第二确定单元用于如果在当前等待时长内接收到调整的确认信息,则利用舒适控制模型控制空调,使空调的控制模式由智能学习控制模式切换为舒适控制模式;第三确定单元用于如果在当前等待时长内未接收到调整的确认信息,则维持智能学习控制模式。
可选地,第三确定单元具体用于:在当前等待时长内接收到不调整的确认信息;在当前等待时长内未接收到反馈信息。
可选地,与用户舒适度相关的当前环境参数包括当前室内温度、当前室内湿度、当前室内风速中的一个或多个。
可选地,第一调整方式为提高当前环境参数中的一个或多个、降低当前环境参数中的一个或多个,或维持当前环境参数中的一个或多个,第二调整方式为提高当前环境参数中的一个或多个、降低当前环境参数中的一个或多个,或维持当前环境参数中的一个或多个。
可选地,如果第一调整方式和第二调整方式为提高当前环境参数中的相同参数,降低当前环境参数中的相同参数,且维持当前环境参数中的相同参数,则确定第一调整方式和第二调整方式相同。
可选地,以智能学习控制模型控制空调,使空调进入智能学习控制模式,包括:在当前时刻之前,空调的累积运行时长大于或等于设定运行时长阈值,以智能学习控制模型控制空调,使空调进入智能学习控制模式;或者,在当前时刻之前,空调的累积开机次数大于或等于设定运行次数阈值,以智能学习控制模型控制空调,使空调进入智能学习控制模式;或者,在当前时刻之前设定天数之内,空调非首次开机运行,以智能学习控制模型控制空调,使空调进入智能学习控制模式。
可选地,第二获得模块52具体用于将每个当前环境参数输入至舒适控制模型,获得舒适控制模型输出的与每个当前环境参数对应的第一空调运行参数或第一设定环境参数,并确定每个当前环境参数对应的第一空调运行参数或第一设定环境参数对应的第一调整方式。
第三获得模块53具体用于将每个当前环境参数输入至智能学习控制模型,获得智能学习控制模型输出的与每个当前环境参数对应的第二空调运行参数或第二设定环境参数,并确定每个当前环境参数对应的第二空调运行参数或第二设定环境参数对应的第二调整方式。
基于智能学习的空调控制装置还包括第五获得模块,第五获得模块用于获得比较结果相同的当前环境参数的第一数量,以及比较结果为不相同的当前环境参数的第二数量。
基于智能学习的空调控制装置还包括第二确定模块,第二确定模块用于在第一数量和第二数量二者表示的舒适控制模型和智能学习控制模型对当前环境参数的调整方式的当前相同度,高于或等于预设相同度的情况下,确定第一空调运行参数或第一设定环境参数所表示的对当前环境参数的第一调整方式,与第二空调运行参数或第二设定环境参数所表示的对当前环境参数的第二调整方式相同;
在第一数量和第二数量二者表示的舒适控制模型和智能学习控制模型对当前环境参数的调整的当前相同度,低于预设相同度的情况下,确定第一空调运行参数或第一设定环境参数所表示的对当前环境参数的第一调整方式,与第二空调运行参数或第二设定环境参数所表示的对当前环境参数的第二调整方式不同。
可选地,第五获得模块包括第二获得单元和第三获得单元,第二获得单元用于统计多个比较结果为相同的多个当前环境参数对应的第一计数和第二计数的第一和,获得第一数量其中,第一计数为属于关注类环境参数;的当前环境参数对应的统计计数,关注类环境参数与当前用户标签相对应;
第三获得单元用于统计多个比较结果为不相同的多个当前环境参数对应的第一计数和第二计数的第二和,获得第二数量;其中,第二计数为不属于关注类环境参数的当前环境参数对应的统计计数,第一计数大于第二计数。
在一些实施例中,基于智能学习的空调控制装置包括处理器和存储有程序指令的存储器,处理器被配置为在执行程序指令时,执行前述实施例提供的基于智能学习的空调控制方法。
图6是本申请实施例提供的一种基于智能学习的空调控制装置的示意图。结合图6所示,基于智能学习的空调控制装置包括:
处理器(processor)61和存储器(memory)62,还可以包括通信接口(Communication Interface)63和总线64。其中,处理器61、通信接口63、存储器62可以通过总线64完成相互间的通信。通信接口63可以用于信息传输。处理器61可以调用存储器62中的逻辑指令,以执行前述实施例提供的基于智能学习的空调控制方法。
此外,上述的存储器62中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。
存储器62作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序,如本申请实施例中的方法对应的程序指令/模块。处理器61通过运行存储在存储器62中的软件程序、指令以及模块,从而执行功能应用以及数据处理,即实现上述方法实施例中的方法。
存储器62可包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序;存储数据区可存储根据终端设备的使用所创建的数据等。此外,存储器62可以包括高速随机存取存储器,还可以包括非易失性存储器。
图7是本申请实施例提供的一种智能空调的示意图。结合图7所示,智能空调71包括前述实施例提供的基于智能学习的空调控制装置72。
本申请实施例提供了一种计算机可读存储介质,存储有计算机可执行指令,计算机可执行指令设置为执行前述实施例提供的基于智能学习的空调控制方法。
本申请实施例提供了一种计算机程序产品,计算机程序产品包括存储在计算机可读存储介质上的计算机程序,计算机程序包括程序指令,当程序指令被计算机执行时,使计算机执行前述实施例提供的基于智能学习的空调控制方法。
上述的计算机可读存储介质可以是暂态计算机可读存储介质,也可以是非暂态计算机可读存储介质。
本申请实施例的技术方案可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括一个或一个以上指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请实施例中方法的全部或部分步骤。而前述的存储介质可以是非暂态存储介质,包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机读取存储器(Random Access Memory,RAM)、磁碟或者光盘等多种可以存储程序代码的介质,也可以是暂态存储介质。
以上描述和附图充分地示出了本申请的实施例,以使本领域的技术人员能够实践它们。其他实施例可以包括结构的、逻辑的、电气的、过程的以及其他的改变。实施例仅代表可能的变化。除非明确要求,否则单独的部件和功能是可选的,并且操作的顺序可以变化。一些实施例的部分和特征可以被包括在或替换其他实施例的部分和特征。而且,本申请中使用的用词仅用于描述实施例并且不用于限制权利要求。如在实施例以及权利要求的描述中使用的,除非上下文清楚地表明,否则单数形式的“一个”(a)、“一个”(an)和“所述”(the)旨在同样包括复数形式。另外,当用于本申请中时,术语“包括”(comprise)及其变型“包括”(comprises)和/或包括(comprising)等指陈述的特征、整体、步骤、操作、元素,和/或组件的存在,但不排除一个或一个以上其它特征、整体、步骤、操作、元素、组件和/或这些的分组的存在或添加。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法或者设备中还存在另外的相同要素。本文中,每个实施例重点说明的可以是与其他实施例的不同之处,各个实施例之间相同相似部分可以互相参见。对于实施例公开的方法、产品等而言,如果其与实施例公开的方法部分相对应,那么相关之处可以参见方法部分的描述。
本领域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,可以取决于技术方案的特定应用和设计约束条件。技术人员可以对每个特定的应用来使用不同方法以实现所描述的功能,但是这种实现不应认为超出本申请实施例的范围。技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本文所披露的实施例中,所揭露的方法、产品(包括但不限于装置、设备等),可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,可以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***,或一些特征可以忽略,或不执行。另外,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,机械或其它的形式。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,既可以位于一个地方,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。另外,在本申请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。
附图中的流程图和框图显示了根据本申请实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,模块、程序段或代码的一部分包含一个或一个以上用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这可以依所涉及的功能而定。框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
Claims (10)
1.一种基于智能学习的空调控制方法,其特征在于,包括:
以智能学习控制模型控制空调,使空调进入智能学习控制模式后,获得与用户舒适度相关的当前环境参数;智能学习控制模型是通过学习用户习惯获得的空调控制模型;
将当前环境参数输入至舒适控制模式对应的舒适控制模型,获得舒适控制模型输出的与当前环境参数对应的第一空调运行参数或第一设定环境参数;舒适控制模型的设定环境参数为使用户感觉到舒适的平均值;
将当前环境参数输入至智能学习控制模式对应的智能学习控制模型,获得智能学习控制模型输出的与当前环境参数对应的第二空调运行参数或第二设定环境参数;
如果第一空调运行参数或第一设定环境参数所表示的对当前环境参数的第一调整方式,与第二空调运行参数或第二设定环境参数所表示的对当前环境参数的第二调整方式不同,则向用户发起提醒,用于提醒以舒适控制模型控制空调,使空调进入舒适控制模式。
2.根据权利要求1所述的空调控制方法,其特征在于,在向用户发起提醒后,还包括:
获得当前等待时长;
根据当前等待时长内接收反馈信息的情况,确定空调的控制模式。
3.根据权利要求2所述的空调控制方法,其特征在于,获得当前等待时长,包括:
获得第一设定环境参数和第二设定环境参数的当前环境参数差值;
根据环境参数差值与等待时长的负相关关系,确定与当前环境参数差值对应的当前等待时长。
4.根据权利要求2所述的空调控制方法,其特征在于,根据当前等待时长内接收反馈信息的情况,确定空调的控制模式,包括:
如果在当前等待时长内接收到调整的确认信息,则利用舒适控制模型控制空调,使空调的控制模式由智能学习控制模式切换为舒适控制模式;
如果在当前等待时长内未接收到调整的确认信息,则维持智能学习控制模式。
5.根据权利要求4所述的空调控制方法,其特征在于,在当前等待时长内未接收到调整的确认信息,包括:
在当前等待时长内接收到不调整的确认信息;
在当前等待时长内未接收到反馈信息。
6.根据权利要求1至5任一项所述的空调控制方法,其特征在于,
与用户舒适度相关的当前环境参数包括当前室内温度、当前室内湿度、当前室内风速中的一个或多个;
第一调整方式为提高当前环境参数中的一个或多个、降低当前环境参数中的一个或多个,或维持当前环境参数中的一个或多个,第二调整方式为提高当前环境参数中的一个或多个、降低当前环境参数中的一个或多个,或维持当前环境参数中的一个或多个;
如果第一调整方式和第二调整方式为提高当前环境参数中的相同参数,降低当前环境参数中的相同参数,且维持当前环境参数中的相同参数,则确定第一调整方式和第二调整方式相同。
7.根据权利要求1至5任一项所述的空调控制方法,其特征在于,以智能学习控制模型控制空调,使空调进入智能学习控制模式,包括:
在当前时刻之前,空调的累积运行时长大于或等于设定运行时长阈值,以智能学习控制模型控制空调,使空调进入智能学习控制模式;
或者,
在当前时刻之前,空调的累积开机次数大于或等于设定运行次数阈值,以智能学习控制模型控制空调,使空调进入智能学习控制模式;
或者,
在当前时刻之前设定天数之内,空调非首次开机运行,以智能学习控制模型控制空调,使空调进入智能学习控制模式。
8.一种基于智能学习的空调控制装置,其特征在于,包括:
第一获得模块,用于以智能学习控制模型控制空调,使空调进入智能学习控制模式后,获得与用户舒适度相关的当前环境参数;智能学习控制模型是通过学习用户习惯获得的空调控制模型;
第二获得模块,用于将当前环境参数输入至舒适控制模式对应的舒适控制模型,获得舒适控制模型输出的与当前环境参数对应的第一空调运行参数或第一设定环境参数;舒适控制模型的设定环境参数为使用户感觉到舒适的平均值;
第三获得模块,用于将当前环境参数输入至智能学习控制模式对应的智能学习控制模型,获得智能学习控制模型输出的与当前环境参数对应的第二空调运行参数或第二设定环境参数;
控制模块,用于如果第一空调运行参数或第一设定环境参数所表示的对当前环境参数的第一调整方式,与第二空调运行参数或第二设定环境参数所表示的对当前环境参数的第二调整方式不同,则向用户发起提醒,用于提醒以舒适控制模型控制空调,使空调进入舒适控制模式。
9.一种基于智能学习的空调控制装置,包括处理器和存储有程序指令的存储器,其特征在于,所述处理器被配置为在执行所述程序指令时,执行如权利要求1至7任一项所述的基于智能学习的空调控制方法。
10.一种智能空调,其特征在于,包括如权利要求8或9所述的基于智能学习的空调控制装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310870266.0A CN116839154A (zh) | 2023-07-14 | 2023-07-14 | 基于智能学习的空调控制方法、装置和智能空调 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310870266.0A CN116839154A (zh) | 2023-07-14 | 2023-07-14 | 基于智能学习的空调控制方法、装置和智能空调 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116839154A true CN116839154A (zh) | 2023-10-03 |
Family
ID=88170546
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310870266.0A Pending CN116839154A (zh) | 2023-07-14 | 2023-07-14 | 基于智能学习的空调控制方法、装置和智能空调 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116839154A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117387172A (zh) * | 2023-12-11 | 2024-01-12 | 江苏中江数字建设技术有限公司 | 基于精准推荐设备控制参数的末端空调节能方法和*** |
-
2023
- 2023-07-14 CN CN202310870266.0A patent/CN116839154A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117387172A (zh) * | 2023-12-11 | 2024-01-12 | 江苏中江数字建设技术有限公司 | 基于精准推荐设备控制参数的末端空调节能方法和*** |
CN117387172B (zh) * | 2023-12-11 | 2024-05-17 | 江苏中江数字建设技术有限公司 | 基于精准推荐设备控制参数的末端空调节能方法和*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113531818B (zh) | 用于空调的运行模式推送方法及装置、空调 | |
CN116839154A (zh) | 基于智能学习的空调控制方法、装置和智能空调 | |
CN110726222B (zh) | 空调控制方法、装置、存储介质以及处理器 | |
CN113251610A (zh) | 用于空调控制的方法、装置和空调 | |
CN113819620B (zh) | 用于控制空调的方法及装置、空调、存储介质 | |
WO2023060909A1 (zh) | 用于控制空调器的方法及装置、空调器 | |
CN111306713A (zh) | 用于控制空调自清洁的方法及装置、空调 | |
CN114253147A (zh) | 智能设备控制方法、装置、电子设备和存储介质 | |
CN114724558A (zh) | 用于空调器语音控制的方法及装置、空调器、存储介质 | |
CN113091245B (zh) | 用于空调的控制方法、装置及空调 | |
CN112146236A (zh) | 调节***、控制方法、装置、线控设备、服务器和介质 | |
CN108489004A (zh) | 空调的控制方法、装置、存储介质和处理器 | |
CN113703337B (zh) | 一种基于物联网的家电设备控制方法、***及存储介质 | |
CN114811891B (zh) | 用于空调新风管防凝露的方法、装置及空调 | |
CN116839158A (zh) | 基于舒适控制模式的空调控制方法、装置和智能空调 | |
CN113819614B (zh) | 用于控制空调的方法、装置及空调 | |
CN116907037A (zh) | 基于室内外环境参数的空调控制方法、装置和智能空调 | |
CN115479370A (zh) | 一种空调控制方法、装置、设备和空调 | |
CN116839157A (zh) | 基于智能学习的空调控制方法、装置和智能空调 | |
CN116839172A (zh) | 基于室内外环境参数的空调控制方法、装置和智能空调 | |
CN116839155A (zh) | 用于确定空调控制模型的方法、装置和智能空调 | |
CN115065709A (zh) | 一种信息处理方法、装置及*** | |
CN114857752A (zh) | 用于空调器控制的方法及装置、空调器、存储介质 | |
JP6592369B2 (ja) | 空調制御装置および方法 | |
CN114440430B (zh) | 智能家居的控制方法、智能家居设备、存储介质及处理器 |
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 |