CN117190393A - 一种空调温度智能调节方法、装置、设备及介质 - Google Patents
一种空调温度智能调节方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN117190393A CN117190393A CN202311356161.XA CN202311356161A CN117190393A CN 117190393 A CN117190393 A CN 117190393A CN 202311356161 A CN202311356161 A CN 202311356161A CN 117190393 A CN117190393 A CN 117190393A
- Authority
- CN
- China
- Prior art keywords
- temperature
- air conditioner
- preset
- determining
- space environment
- 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 87
- 238000004378 air conditioning Methods 0.000 claims abstract description 72
- 238000011156 evaluation Methods 0.000 claims abstract description 70
- 238000013210 evaluation model Methods 0.000 claims abstract description 59
- 230000008569 process Effects 0.000 claims abstract description 40
- 238000004422 calculation algorithm Methods 0.000 claims description 149
- 238000003066 decision tree Methods 0.000 claims description 94
- 230000008859 change Effects 0.000 claims description 15
- 230000033228 biological regulation Effects 0.000 claims description 10
- 238000005265 energy consumption Methods 0.000 abstract description 4
- 230000001419 dependent effect Effects 0.000 description 11
- 230000007613 environmental effect Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000001816 cooling Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 description 2
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 description 2
- 230000000739 chaotic effect Effects 0.000 description 2
- 238000001704 evaporation Methods 0.000 description 2
- 230000008020 evaporation Effects 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 230000037323 metabolic rate Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 238000009423 ventilation Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B30/00—Energy efficient heating, ventilation or air conditioning [HVAC]
- Y02B30/70—Efficient control or regulation technologies, e.g. for control of refrigerant flow, motor or heating
Landscapes
- Air Conditioning Control Device (AREA)
Abstract
本申请公开了一种空调温度智能调节方法、装置、设备及介质，本申请属于空调技术领域。该方法包括：获取当前时刻的空间环境数据，确定是否需要开空调；若是，则确定空调模式以及至少一个空调调整温度，并按照从小到大的顺序进行排列；将最小的空调调整温度输入至预先设置的温度评估模型，确定空调调整温度的评估值，并根据评估值以及预先设定的评估标准，确定空调调整温度是否为适宜温度；若是，则将所选的空调调整温度设置为当前空调温度。本方案预测温度后评估温度是否为适宜温度，可以确保预测温度的合理性，提高用户舒适性。并且整个过程是自动化的，无需人工干预，提高了便捷性，同时智能决定是否需要开空调也可以减少不必要的能源消耗。
Description
技术领域
本申请属于空调技术领域，具体涉及一种空调温度智能调节方法、装置、设备及介质。
背景技术
空调已经成为现代生活中必不可少的电器设备，其主要作用是调节室内温度，提供舒适的生活环境。然而，传统的空调设备通常需要人工调节温度，这需要用户根据自身的感受和环境变化手动调整空调的设定温度，不仅使用不便，而且也无法实现智能化的温度调节。
现有技术中首先将人体感觉舒适的环境数据的阈值范围作为分类决策树模型对环境数据的调控阈值范围，然后采集环境数据并通过分类决策树模型在调控阈值范围内生成调控策略，并控制空调根据调控策略执行对应操作。
但现有技术中在生成调控策略后没有判断此策略的可行性，可能存在调控策略不准确，从而导致调整后的环境状态等不是人体感觉舒适的环境状态。
发明内容
本申请实施例提供一种空调温度智能调节方法、装置、设备及介质，目的是解决现有技术中在确定空调调整策略后未对此策略进行可行性的评估，从而导致调控策略不准确，调整后的环境状态等不是人体感觉舒适的环境状态的问题。
第一方面，本申请实施例提供了一种空调温度智能调节方法，所述方法包括：
获取当前时刻的空间环境数据，并根据所述空间环境数据中预设的第一数据组合以及预先设置的第一决策树算法确定是否需要开空调；
若是，则根据所述空间环境数据中预设的第一数据组合以及预先设置的第二决策树算法确定空调模式；
根据所述空间环境数据中预设的第一数据组合、空调模式以及预先设置的第一温度预测算法确定至少一个空调调整温度，并按照从小到大的顺序进行排列；
将最小的空调调整温度输入至预先设置的温度评估模型，确定所述空调调整温度的评估值，并根据所述评估值以及预先设定的评估标准，确定所述空调调整温度是否为适宜温度；
若是，则将所选的空调调整温度设置为当前空调温度。
进一步的，在确定所述空调调整温度是否为适宜温度之后，所述方法还包括：
若不为适宜温度，则将空调调整温度按照排列顺序持续输入至预先设置的温度评估模型，确定所选的空调调整温度的评估值，并根据所述评估值以及预先设定的评估标准，确定所选的空调调整温度是否为适宜温度，直至所选的空调调整温度达到适宜温度，将所选的空调调整温度作为当前空调温度。
进一步的，预先设置的第一决策树算法的确定过程，包括：
获取预先存储的历史空间环境数据，根据所述历史空间环境数据的预设的第一数据组合，以及第一决策树算法公式确定第一决策树算法。
进一步的，预先设置的第二决策树算法的确定过程，包括：
根据所述历史空间环境数据的预设的第二数据组合，以及第二决策树算法公式确定第二决策树算法。
进一步的，预先设置的第一温度预测算法的确定过程，包括：
确定所述历史空间环境数据的预设的第二数据组合与空调调整温度之间的变化关系，根据所述变化关系确定第一温度预测算法。
进一步的，预先设置的温度评估模型的确定过程，包括：
根据当前时刻的空间环境数据的第二数据组合确定温度评估模型算法中预设的第一数据组合的推荐值，并将温度评估模型算法中其他数据设置为温度评估模型规则中的默认值；
根据所述预设的第一数据组合的推荐值、其他参数的默认值以及温度评估模型算法确定温度评估模型。
第二方面，本申请实施例提供了一种空调温度智能调节装置，所述装置包括：
空间环境数据获取模块，用于获取当前时刻的空间环境数据，并根据所述空间环境数据中预设的第一数据组合以及预先设置的第一决策树算法确定是否需要开空调；
空调模式确定模块，用于若需要开空调，则根据所述空间环境数据中预设的第一数据组合以及预先设置的第二决策树算法确定空调模式；
空调调整温度确定模块，用于根据所述空间环境数据中预设的第一数据组合、空调模式以及预先设置的第一温度预测算法确定至少一个空调调整温度，并按照从小到大的顺序进行排列；
空调调整温度评估模块，用于将最小的空调调整温度输入至预先设置的温度评估模型，确定所述空调调整温度的评估值，并根据所述评估值以及预先设定的评估标准，确定所述空调调整温度是否为适宜温度；
空调温度设置模块，用于若为适宜温度，则将所选的空调调整温度设置为当前空调温度。
进一步的，所述装置还包括空调调整温度重确定模块，所述空调调整温度重确定模块用于：
若不为适宜温度，则将空调调整温度按照排列顺序持续输入至预先设置的温度评估模型，确定所选的空调调整温度的评估值，并根据所述评估值以及预先设定的评估标准，确定所选的空调调整温度是否为适宜温度，直至所选的空调调整温度达到适宜温度，将所选的空调调整温度作为当前空调温度。
进一步的，预先设置的第一决策树算法的确定过程，包括：
获取预先存储的历史空间环境数据，根据所述历史空间环境数据的预设的第一数据组合，以及第一决策树算法公式确定第一决策树算法。
进一步的，预先设置的第二决策树算法的确定过程，包括：
根据所述历史空间环境数据的预设的第二数据组合，以及第二决策树算法公式确定第二决策树算法。
进一步的，预先设置的第一温度预测算法的确定过程，包括：
确定所述历史空间环境数据的预设的第二数据组合与空调调整温度之间的变化关系，根据所述变化关系确定第一温度预测算法。
进一步的，预先设置的温度评估模型的确定过程，包括：
根据当前时刻的空间环境数据的第二数据组合确定温度评估模型算法中预设的第一数据组合的推荐值，并将温度评估模型算法中其他数据设置为温度评估模型规则中的默认值；
根据所述预设的第一数据组合的推荐值、其他参数的默认值以及温度评估模型算法确定温度评估模型。
第三方面，本申请实施例提供了一种电子设备，该电子设备包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如第一方面所述的方法的步骤。
第四方面，本申请实施例提供了一种可读存储介质，所述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现如第一方面所述的方法的步骤。
第五方面，本申请实施例提供了一种芯片，所述芯片包括处理器和通信接口，所述通信接口和所述处理器耦合，所述处理器用于运行程序或指令，实现如第一方面所述的方法。
在本申请实施例中，获取当前时刻的空间环境数据，并根据所述空间环境数据中预设的第一数据组合以及预先设置的第一决策树算法确定是否需要开空调；若是，则根据所述空间环境数据中预设的第一数据组合以及预先设置的第二决策树算法确定空调模式；根据所述空间环境数据中预设的第一数据组合、空调模式以及预先设置的第一温度预测算法确定至少一个空调调整温度，并按照从小到大的顺序进行排列；将最小的空调调整温度输入至预先设置的温度评估模型，确定所述空调调整温度的评估值，并根据所述评估值以及预先设定的评估标准，确定所述空调调整温度是否为适宜温度；若是，则将所选的空调调整温度设置为当前空调温度。通过上述空调温度智能调节方法，预测温度后评估温度是否为适宜温度，可以确保预测温度的合理性，提高用户舒适性。并且整个过程是自动化的，无需人工干预，提高了便捷性，同时智能决定是否需要开空调也可以减少不必要的能源消耗。
附图说明
图1是本申请实施例一提供的空调温度智能调节方法的流程示意图；
图2是本申请实施例二提供的空调温度智能调节方法的流程示意图；
图3是本申请实施例三提供的空调温度智能调节装置的结构示意图；
图4是本申请实施例四提供的电子设备的结构示意图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚，下面结合附图对本申请具体实施例作进一步的详细描述。可以理解的是，此处所描述的具体实施例仅仅用于解释本申请，而非对本申请的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分而非全部内容。在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理，但是其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员获得的所有其他实施例，都属于本申请保护的范围。
本申请的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象，而不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，以便本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施，且“第一”、“第二”等所区分的对象通常为一类，并不限定对象的个数，例如第一对象可以是一个，也可以是多个。此外，说明书以及权利要求中“和/或”表示所连接对象的至少其中之一，字符“/”，一般表示前后关联对象是一种“或”的关系。
下面结合附图，通过具体的实施例及其应用场景对本申请实施例提供的空调温度智能调节方法、装置、设备及介质进行详细地说明。
实施例一
图1是本申请实施例一提供的空调温度智能调节方法的流程示意图。如图1所示，具体包括如下步骤：
S101，获取当前时刻的空间环境数据，并根据所述空间环境数据中预设的第一数据组合以及预先设置的第一决策树算法确定是否需要开空调。
首先，本方案的使用场景可以是获取当前时刻的空间环境数据后，利用决策树算法、温度预测算法预测空调需要调整的温度，并利用温度评估模型评估调整的温度的舒适性，并在温度达到标准的情况下将所调整的温度设置为当前空调温度的场景。
基于上述使用场景，可以理解的，本申请的执行主体可以是集成获取空间环境数据功能、预测空调温度功能以及评估空调温度舒适性功能的空调温度智能调节方法***，此处不做过多的限定。
本方案中，当前时刻的空间环境数据可以是当前时刻的与室内环境有关的各种参数和传感器读数，以便进行智能决策。具体的，可以包括时间、人的年龄，空调的开关状态、空调模式、空调温度、风速、室内温度、室内湿度、室外温度、室外湿度以及天气。其中，时间可以是当前时刻的时钟时间，例如，若当前为2023年10月17日上午10点，则时间可以表示为2023-10-17-10-00-00。
空调的开关状态可以描述空调***当前是打开还是关闭。
空调模式可以是空调***的操作模式，例如制冷模式、制热模式以及通风模式等。
空调温度可以是当前设置的空调温度。
风速可以描述空调***送风的速度或强度，可以有多个档位，例如高档、中档以及低档。
室内温度可以指室内的实际温度，可以用摄氏度或华氏度表示。
室内湿度可以是室内的实际湿度水平，可以用相对湿度百分比表示。
室外温度可以是室外的实际温度，可以用摄氏度或华氏度表示。
室外湿度可以是室外的实际湿度水平，可以用相对湿度百分比表示。
天气可以是当前的气象条件，可以用晴天、多云、雨天以及雪天等进行表示。天气状况可以影响室内和室外的温度和湿度需求。
预设的第一数据组合可以是事先定义的一组空间环境参数的值，用于评估是否需要开启空调，具体的，可以将时间、室内温度、室内湿度、室外温度以及室外湿度作为预设的第一数据组合。
第一决策树算法可以是一种决策支持工具，基于一系列规则和条件来制定决策。本方案中，可以用于分析空间环境数据和预设的数据组合，以确定是否需要开启空调。
空调可以是空调***，它用于调节室内温度和湿度，以提供舒适的室内环境。开启空调可以是需要调节室内环境以满足预设的条件，例如保持温度在某一范围内或控制湿度水平。
本方案中，由于空间环境数据可以包括时间、人的年龄，空调的开关状态、空调模式、空调温度、风速、室内温度、室内湿度、室外温度、室外湿度以及天气，则可以通过智能家居***获取时间以及人的年龄，具体的，用户可以在智能家居***添加个人的生日信息，当需要确定是否开空调时，可以通过调用用户预先设置的个人生日信息来获取人的年龄。
空调的开关状态、空调模式、空调温度、风速以及室内温度可以通过室内空调***的遥控器、控制面板或智能家居设备的应用程序来获取。
室内湿度以及室内温度可以使用室内湿度传感器以及室内温度传感器来监测。
室外温度、室外湿度以及天气可以从天气应用程序、气象网站或气象传感器中获取。
当获取到空间环境数据后，可以根据预设的第一数据组合确定所需要的空间环境数据，并输入到第一决策树算法中。算法将根据数据组合和条件逐步判断是否需要开启空调。根据算法的路径，可以得出决策，即是否需要开启空调。
在上述各技术方案的基础上，可选的，预先设置的第一决策树算法的确定过程，包括：
获取预先存储的历史空间环境数据，根据所述历史空间环境数据的预设的第一数据组合，以及第一决策树算法公式确定第一决策树算法。
本方案中，预先存储的历史空间环境数据可以是在过去一段时间内记录下来的环境数据，可以包括时间、空调的开关状态、空调模式、空调温度、风速、室内温度、室内湿度、室外温度、室外湿度以及天气。用来构建和训练第一决策树算法、第二决策树以及第一温度预测算法。
历史空间环境数据的预设的第一数据组合可以是用来训练第一决策树算法使用的数据组合，本方案中，预设的第一数据组合可以包括时间、室内温度、室内湿度、室外温度、室外湿度以及空调状态。
第一决策树算法公式可以是一个基于历史数据的模型，用于确定是否需要开启空调，公式的具体形式可以根据选择的算法和数据进行定义。
可以查询数据库中存储的历史空间环境数据，然后根据预设的第一数据组合选出所需的数据，输入到第一决策树算法公式中，不断进行训练，来得到第一决策树算法。
本方案中，通过根据真实的历史空间环境数据的第一数据组合不断训练第一决策树算法公式，可以更好的适应环境和条件变化，从而提高使用第一决策树算法确定是否需要开空调的准确性。
在上述各技术方案的基础上，可选的，预先设置的第二决策树算法的确定过程，包括：
根据所述历史空间环境数据的预设的第二数据组合，以及第二决策树算法公式确定第二决策树算法。
本方案中，预设的第二数据组合可以是用来训练第一决策树算法使用的数据组合，可以包括时间、室内温度、室内湿度、室外温度、室外湿度、空调状态以及空调模式。
第二决策树算法公式可以是一个基于历史数据的模型，用于确定空调模式，公式的具体形式可以根据选择的算法和数据进行定义。
可以查询数据库中存储的历史空间环境数据，然后根据预设的第二数据组合选出所需的数据，输入到第二决策树算法公式中，不断进行训练，来得到第二决策树算法。
本方案中，第一决策树算法以及第二决策树算法使用的主要公式可以是基于信息熵(Entropy)和基尼不纯度(Gini Impurity)来选择最佳的分割点。这些指标用于衡量数据集的纯度和不纯度，以帮助决策树在每个节点上进行***决策。
其中，信息熵用于度量数据集的混乱程度。对于一个二分类问题，它的公式如下：
E(S)＝-p+*log2(p+)-p-*log2(p-)；
其中，p+是正类别样本的比例，p-是负类别样本的比例。E(S)的值范围从0到1，0表示数据集完全纯净，1表示数据集混乱。
基尼不纯度用于度量数据集中随机选择一个元素，其类别标签不正确的概率。对于一个二分类问题，它的公式如下：
Gini(S)＝1-(p+^2+p-^2)；
其中，p+和p-同样是正类别和负类别样本的比例。Gini(S)的值范围从0到0.5，0表示数据集完全纯净，0.5表示数据集混乱。
在第一决策树算法以及第二决策树算法中，通常会计算每个可能分割点的信息熵或基尼不纯度，然后选择使这些指标最小化的分割点作为最佳分割点。这个过程会递归地在树的每个节点上进行，直到达到停止条件，例如，树的深度达到一定阈值或节点的样本数不足以继续划分为止。
本方案中，通过根据真实的历史空间环境数据的第二数据组合不断训练第二决策树算法公式，可以更好的适应环境和条件变化，从而提高使用第二决策树算法确定空调模式的准确性。
在上述各技术方案的基础上，可选的，预先设置的第一温度预测算法的确定过程，包括：
确定所述历史空间环境数据的预设的第二数据组合与空调调整温度之间的变化关系，根据所述变化关系确定第一温度预测算法。
本方案中，变化关系可以是预设的第二数据组合与空调调整温度之间的关联关系，例如，在历史数据中，当室外温度上升时，室内温度也上升，然后空调调整温度降低，这表示存在一个变化关系。这个关系表明室外温度的变化会影响室内温度和相应的空调调整温度。
可以将预设的第二数据组合视为自变量，空调调整温度设为因变量，经过多元回归建立和分析多个自变量与因变量之间的关系，来得到第一温度预测算法。
本方案中，通过分析真实的历史空间环境数据的预设的第二数据组合与空调调整温度之间的变化关系，可以提高第一温度预测算法的准确性，从而更精准的得到预测空调温度，提高用户舒适性。
S102，若是，则根据所述空间环境数据中预设的第一数据组合以及预先设置的第二决策树算法确定空调模式。
第二决策树算法可以是一种决策支持工具，基于一系列规则和条件来制定决策。本方案中，可以用于分析空间环境数据和预设的数据组合，以确定空调模式。
本方案中，第一决策树算法以及第二决策树算法可以合并到同一个决策树中，这是因为它们的条件和规则之间存在一定的逻辑重叠或共享，使得用同一个决策树来处理两个不同的决策任务可以减少***的复杂性，使其更容易管理和维护，从而提高***的整体性能和效率。决策树是一种常见的机器学习算法，用于分类和回归问题。它是一种树状的数据结构，每个内部节点表示一个特征或属性测试，每个分支代表一个测试结果，每个叶子节点表示一个类别标签或回归值。决策树的构建和使用过程是基于对数据的反复划分，以便根据输入特征对样本进行分类或预测。决策树由节点和边组成，根节点表示整个数据集，而叶子节点表示最终的分类或回归结果。内部节点包含特征测试条件，根据测试条件将数据分成不同的子集。本方案中的决策树的作用是预测是否需要开空调以及根据不同环境数据确定对应的空调模式。
可以将第一数据组合输入到第二决策树算法中。算法将根据数据组合和条件逐步判断应该选择哪种空调模式。例如，可以规定如果时间是白天、室内温度高于28摄氏度，室内湿度高于55％，室外温度高于30摄氏度，且室外湿度高于65％，则开启空调，并选择制冷模式；如果时间是白天、室内温度高于25摄氏度，室外温度低于27摄氏度，室内湿度低于45％，室外湿度低于60％，则开启空调，并选择通风模式。
当第一决策树算法以及第二决策树算法合并到同一个决策树后，是否开启空调可以是一个父节点，而空调模式可以是其子节点。则从根节点开始，首先评估是否需要开启空调。如果需要开启空调，则移动到选择空调模式的子节点，在选择空调模式的子节点中，根据一组条件和规则来决定哪种模式最适合。如果不需要开空调，则流程直接结束。具体的，可以根据时间、室内温度、室内湿度、室外温度以及室外湿度等条件来选择空调模式。根据这些条件，决策树将进一步分支，例如，如果室内温度高，可能会选择制冷模式；如果室外温度低，可能会选择制热模式。
S103，根据所述空间环境数据中预设的第一数据组合以及预先设置的第一温度预测算法确定至少一个空调调整温度，并按照从小到大的顺序进行排列。
预先设置的第一温度预测算法可以是基于所述第一数据组合和空调模式来预测应该设置的新温度的算法。本方案中，预先设置的第一温度预测算法可以是多元回归算法，多元回归是一种统计分析方法，用于建立和分析多个自变量与一个或多个因变量之间的关系。它是线性回归的扩展，可以用于更复杂的问题，其中有多个自变量可以用来预测因变量。自变量是用于预测因变量的特征或属性。在多元回归中，可以有多个自变量。因变量是要预测或解释的目标变量。多元回归的目标是建立一个模型，以了解自变量与因变量之间的关系。多元回归假定自变量与因变量之间存在线性关系。这意味着模型试图拟合一个线性方程，其中自变量的系数用于预测因变量。多元回归模型可以表示为：
Y＝β0+β1X1+β2X2+...+βnXn+ε；
其中，Y是因变量，X1、X2、...、Xn是自变量，β0、β1、β2、...、βn是模型的系数，ε是误差项，即模型无法解释的随机变化。
本方案中，因变量可以是空调调整温度，自变量可以包括时间、室内温度、室内湿度、室外温度、室外湿度以及空调模式。
多元回归模型通常使用最小二乘法来估计系数，该方法旨在最小化观测值与模型预测值之间的平方误差的总和。在模型评估时，包括检查残差，即检查观测值与预测值之间的差异，以及评估模型的拟合度。评估指标可以包括拟合优度、均方误差以及均方根误差等。
空调调整温度可以是根据第一温度预测算法得出的新温度值。这个温度值将根据算法的预测结果调整室内温度，以提供更好的舒适度。
可以将预设的第一数据组合以及空调模式输入到第一温度预测算法中。算法将基于这些数据计算出一个或多个新的室内温度值。将计算出的新室内温度按照从小到大的顺序排列得到一个有序的温度列表，从最低到最高。
S104，将最小的空调调整温度输入至预先设置的温度评估模型，确定所述空调调整温度的评估值，并根据所述评估值以及预先设定的评估标准，确定所述空调调整温度是否为适宜温度。
预先设置的温度评估模型可以是一个数学模型或算法，用于评估预测的最小的空调调整温度是否适宜。本方案中，预先设置的温度评估模型可以是PMV(Predicted MeanVote，表征人体热反应的评价指标)模型，PMV模型中使用到了PMV算法，PMV算法是一种用于评估室内热舒适性的方法，通常用于确定室内环境条件是否在人们感到舒适的范围内。该算法基于热平衡理论和人体生理学，旨在估计人们对环境温度、湿度、风速和其他因素的感知和舒适度，包含以下关键要点：
PMV值：PMV算法的结果是一个称为PMV值的数字，表示预测的平均评分。正数表示人们可能感到过热，负数表示人们可能感到过冷，而接近零的值表示人们可能感到舒适。范围通常从-3到+3，越接近零越表示舒适。
参数：PMV算法需要输入多个参数，可以包括室温、相对湿度、空气速度、辐射温度、人体活动水平以及穿着服装等，这些参数用于计算PMV值。
PPD值：PPD(Predicted Percentage of Dissatisfied，预期不满意百分率)是PMV算法的另一个输出，表示可能对当前环境条件感到不满意的人的百分比。通常，PPD值越低，表示越多的人感到舒适。
标准范围：PMV算法的标准范围通常在-3到+3之间，其中0表示人们可能感到最舒适。
本方案中的PMV算法的计算过程可以表示为：
首先输入变量：
-tdb:干球温度，摄氏度
-tr:平均辐射温度，摄氏度
-vr:空气速度，m/s
-rh:相对湿度，百分比
-met:代谢率，以MET为单位
-clo:服装绝热，以clo为单位
然后计算中间变量：
-ta:空气温度，等于tdb
-pa:大气压力
-icl:人体表面总热阻，等于clo*0.155
-m:代谢率，以W/m2为单位，等于met*58.15
-w:水蒸气压，以hPa为单位，等于0.6105*exp(17.27*tdb/(tdb+237.3))
-pa:大气压力，以hPa为单位，等于1013.25
-icl:衣着热阻，以m2K/W为单位，等于0.155*clo
然后计算PMV：
-tcl:体表温度，摄氏度，等于tr+0.1*(ta-tr)
-hl1:潜热蒸发损失，等于3.05*0.001*(5733-6.99*m-pa*w)
-hl2:辐射损失，等于0.42*(m-58.15)
-hl3:对流损失，等于0.0173*m*(5.87-pa)
-hl4:蒸发热损失，等于0.0014*m*(34-ta)
-ts:舒适温度，摄氏度，等于
35.7-0.0275*m-icl*(3.96*10**(-8)*fcl*(ts-36)-0.1*(ts-tcl))
-pmv:预测平均值，等于ts-0.29*m-hl1-hl2-hl3-hl4
最后输出PMV。
评估值可以是个数值，通常在一定范围内，表示温度的适宜性。评估标准可以是一组规则或标准，用于确定所述空调调整温度是否为适宜温度。本方案中，评估值可以是PMV值，可以设置PMV值在-1～1之间视为满足评估标准。
可以将最小的空调调整温度输入到温度评估模型中，运行模型以获取评估值。并将评估值与预先设置的评估标准进行比较，从而确定空调调整温度是否为适宜温度。
在上述各技术方案的基础上，可选的，预先设置的温度评估模型的确定过程，包括：
根据当前时刻的空间环境数据的第二数据组合确定温度评估模型算法中预设的第一数据组合的推荐值，并将温度评估模型算法中其他数据设置为温度评估模型规则中的默认值；
根据所述预设的第一数据组合的推荐值、其他参数的默认值以及温度评估模型算法确定温度评估模型。
本方案中，当前时刻的空间环境数据的第二数据组合可以包括空间内人员年龄、性别、时间以及室内湿度。温度评估模型算法中预设的第一数据组合可以包括代谢率、衣着以及相对湿度。由于温度评估模型算法包含多个参数数据，其中的第一数据组合要根据当前空间环境数据决定所设置的值，而其他参数数据就可以按照默认值进行设置。其中，推荐值可以是算法中预设的第一数据组合建议设置的值，默认值可以是温度评估模型规则中对应参数数据的初始值。
可以根据第二数据组合计算预设的第一数据组合的各参数数据的推荐值，并相应的设置为推荐值，同时查询温度评估模型，确定其他参数的默认值，并相应的进行设置。
当确定预设的第一数据组合的推荐值以及其他参数的默认值后，将其设置在对应的温度评估模型算法的公式中，最终由各公式组成温度评估模型。
本方案中，通过设置温度评估模型算法的推荐值以及默认值，可以使最终确定的温度评估模型更准确，从而更精准的评估预测空调温度是否为适宜温度，提高用户舒适性。
S105，若是，则将所选的空调调整温度设置为当前空调温度。
可以使用***界面或控制面板，向空调***发送相应的命令，以设定新的空调温度，具体的，可以通过网络连接以及红外线信号将信号传达给空调设备。并将所选的空调调整温度值传送到空调设备，具体的，可以发送温度值和空调模式给空调设备。
在本申请实施例中，获取当前时刻的空间环境数据，并根据所述空间环境数据中预设的第一数据组合以及预先设置的第一决策树算法确定是否需要开空调；若是，则根据所述空间环境数据中预设的第一数据组合以及预先设置的第二决策树算法确定空调模式；根据所述空间环境数据中预设的第一数据组合、空调模式以及预先设置的第一温度预测算法确定至少一个空调调整温度，并按照从小到大的顺序进行排列；将最小的空调调整温度输入至预先设置的温度评估模型，确定所述空调调整温度的评估值，并根据所述评估值以及预先设定的评估标准，确定所述空调调整温度是否为适宜温度；若是，则将所选的空调调整温度设置为当前空调温度。通过上述空调温度智能调节方法，预测温度后评估温度是否为适宜温度，可以确保预测温度的合理性，提高用户舒适性。并且整个过程是自动化的，无需人工干预，提高了便捷性，同时智能决定是否需要开空调也可以减少不必要的能源消耗。
实施例二
图2是本申请实施例二提供的空调温度智能调节方法的流程示意图。如图2所示，具体包括如下步骤：
S201，获取当前时刻的空间环境数据，并根据所述空间环境数据中预设的第一数据组合以及预先设置的第一决策树算法确定是否需要开空调；
S202，若是，则根据所述空间环境数据中预设的第一数据组合以及预先设置的第二决策树算法确定空调模式；
S203，根据所述空间环境数据中预设的第一数据组合、空调模式以及预先设置的第一温度预测算法确定至少一个空调调整温度，并按照从小到大的顺序进行排列；
S204，将最小的空调调整温度输入至预先设置的温度评估模型，确定所述空调调整温度的评估值，并根据所述评估值以及预先设定的评估标准，确定所述空调调整温度是否为适宜温度；
S205，若不为适宜温度，则将空调调整温度按照排列顺序持续输入至预先设置的温度评估模型，确定所选的空调调整温度的评估值，并根据所述评估值以及预先设定的评估标准，确定所选的空调调整温度是否为适宜温度，直至所选的空调调整温度达到适宜温度，将所选的空调调整温度作为当前空调温度。
由于本方案设置PMV值在-1～1之间视为满足评估标准，若最小的空调调整温度对应的PMV值不在这个范围，则按照排列顺序将第二个预测的空调调整温度输入至温度评估模型，若第二个预测的空调调整温度对应的评估值在-1～1之间，则将第二个预测的空调调整温度设置为当前空调温度。若不在此范围内，则按顺序依次进行评估，直到预测的空调调整温度对应的评估值满足评估标准，将对应的空调调整温度设置为当前空调温度。
本实施例中，通过在空调调整温度不是适宜温度的时候持续评估其他预测的空调调整温度，可以选出最合适的空调调整温度，提高用户的舒适性。
实施例三
图3是本申请实施例三提供的空调温度智能调节装置的结构示意图。如图3所示，具体包括如下：
空间环境数据获取模块301，用于获取当前时刻的空间环境数据，并根据所述空间环境数据中预设的第一数据组合以及预先设置的第一决策树算法确定是否需要开空调；
空调模式确定模块302，用于若需要开空调，则根据所述空间环境数据中预设的第一数据组合以及预先设置的第二决策树算法确定空调模式；
空调调整温度确定模块303，用于根据所述空间环境数据中预设的第一数据组合、空调模式以及预先设置的第一温度预测算法确定至少一个空调调整温度，并按照从小到大的顺序进行排列；
空调调整温度评估模块304，用于将最小的空调调整温度输入至预先设置的温度评估模型，确定所述空调调整温度的评估值，并根据所述评估值以及预先设定的评估标准，确定所述空调调整温度是否为适宜温度；
空调温度设置模块305，用于若为适宜温度，则将所选的空调调整温度设置为当前空调温度。
进一步的，所述装置还包括空调调整温度重确定模块，所述空调调整温度重确定模块用于：
若不为适宜温度，则将空调调整温度按照排列顺序持续输入至预先设置的温度评估模型，确定所选的空调调整温度的评估值，并根据所述评估值以及预先设定的评估标准，确定所选的空调调整温度是否为适宜温度，直至所选的空调调整温度达到适宜温度，将所选的空调调整温度作为当前空调温度。
进一步的，预先设置的第一决策树算法的确定过程，包括：
获取预先存储的历史空间环境数据，根据所述历史空间环境数据的预设的第一数据组合，以及第一决策树算法公式确定第一决策树算法。
进一步的，预先设置的第二决策树算法的确定过程，包括：
根据所述历史空间环境数据的预设的第二数据组合，以及第二决策树算法公式确定第二决策树算法。
进一步的，预先设置的第一温度预测算法的确定过程，包括：
确定所述历史空间环境数据的预设的第二数据组合与空调调整温度之间的变化关系，根据所述变化关系确定第一温度预测算法。
进一步的，预先设置的温度评估模型的确定过程，包括：
根据当前时刻的空间环境数据的第二数据组合确定温度评估模型算法中预设的第一数据组合的推荐值，并将温度评估模型算法中其他数据设置为温度评估模型规则中的默认值；
根据所述预设的第一数据组合的推荐值、其他参数的默认值以及温度评估模型算法确定温度评估模型。
在本申请实施例中，空间环境数据获取模块，用于获取当前时刻的空间环境数据，并根据所述空间环境数据中预设的第一数据组合以及预先设置的第一决策树算法确定是否需要开空调；空调模式确定模块，用于若需要开空调，则根据所述空间环境数据中预设的第一数据组合以及预先设置的第二决策树算法确定空调模式；空调调整温度确定模块，用于根据所述空间环境数据中预设的第一数据组合、空调模式以及预先设置的第一温度预测算法确定至少一个空调调整温度，并按照从小到大的顺序进行排列；空调调整温度评估模块，用于将最小的空调调整温度输入至预先设置的温度评估模型，确定所述空调调整温度的评估值，并根据所述评估值以及预先设定的评估标准，确定所述空调调整温度是否为适宜温度；空调温度设置模块，用于若为适宜温度，则将所选的空调调整温度设置为当前空调温度。通过上述空调温度智能调节装置，预测温度后评估温度是否为适宜温度，可以确保预测温度的合理性，提高用户舒适性。并且整个过程是自动化的，无需人工干预，提高了便捷性，同时智能决定是否需要开空调也可以减少不必要的能源消耗。
本申请实施例中的空调温度智能调节装置可以是装置，也可以是终端中的部件、集成电路、或芯片。该装置可以是移动电子设备，也可以为非移动电子设备。示例性的，移动电子设备可以为手机、平板电脑、笔记本电脑、掌上电脑、车载电子设备、可穿戴设备、超级移动个人计算机(ultra-mobile personal computer，UMPC)、上网本或者个人数字助理(personal digital assistant，PDA)等，非移动电子设备可以为服务器、网络附属存储器(Network Attached Storage，NAS)、个人计算机(personal computer，PC)、电视机(television，TV)、柜员机或者自助机等，本申请实施例不作具体限定。
本申请实施例中的空调温度智能调节装置可以为具有操作***的装置。该操作***可以为安卓(Android)操作***，可以为ios操作***，还可以为其他可能的操作***，本申请实施例不作具体限定。
本申请实施例提供的空调温度智能调节装置能够实现上述各方法实施例实现的各个过程，为避免重复，这里不再赘述。
实施例四
如图4所示，本申请实施例还提供一种电子设备400，包括处理器401，存储器402，存储在存储器402上并可在所述处理器401上运行的程序或指令，该程序或指令被处理器401执行时实现上述空调温度智能调节装置实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
需要说明的是，本申请实施例中的电子设备包括上述所述的移动电子设备和非移动电子设备。
实施例五
本申请实施例还提供一种可读存储介质，所述可读存储介质上存储有程序或指令，该程序或指令被处理器执行时实现上述空调温度智能调节装置实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
其中，所述处理器为上述实施例中所述的电子设备中的处理器。所述可读存储介质，包括计算机可读存储介质，如计算机只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等。
实施例六
本申请实施例另提供了一种芯片，所述芯片包括处理器和通信接口，所述通信接口和所述处理器耦合，所述处理器用于运行程序或指令，实现上述空调温度智能调节装置实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
应理解，本申请实施例提到的芯片还可以称为***级芯片、***芯片、芯片***或片上***芯片等。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。此外，需要指出的是，本申请实施方式中的方法和装置的范围不限按示出或讨论的顺序来执行功能，还可包括根据所涉及的功能按基本同时的方式或按相反的顺序来执行功能，例如，可以按不同于所描述的次序来执行所描述的方法，并且还可以添加、省去、或组合各种步骤。另外，参照某些示例所描述的特征可在其他示例中被组合。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以计算机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(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，或者网络设备等)执行本申请各个实施例所述的方法。
上面结合附图对本申请的实施例进行了描述，但是本申请并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本申请的启示下，在不脱离本申请宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本申请的保护之内。
上述仅为本申请的较佳实施例及所运用的技术原理。本申请不限于这里所述的特定实施例，对本领域技术人员来说能够进行的各种明显变化、重新调整及替代均不会脱离本申请的保护范围。因此，虽然通过以上实施例对本申请进行了较为详细的说明，但是本申请不仅仅限于以上实施例，在不脱离本申请构思的情况下，还可以包括更多其他等效实施例，而本申请的范围由权利要求的范围决定。
Claims (10)
1.一种空调温度智能调节方法，其特征在于，所述方法包括：
获取当前时刻的空间环境数据，并根据所述空间环境数据中预设的第一数据组合以及预先设置的第一决策树算法确定是否需要开空调；
若是，则根据所述空间环境数据中预设的第一数据组合以及预先设置的第二决策树算法确定空调模式；
根据所述空间环境数据中预设的第一数据组合、空调模式以及预先设置的第一温度预测算法确定至少一个空调调整温度，并按照从小到大的顺序进行排列；
将最小的空调调整温度输入至预先设置的温度评估模型，确定所述空调调整温度的评估值，并根据所述评估值以及预先设定的评估标准，确定所述空调调整温度是否为适宜温度；
若是，则将所选的空调调整温度设置为当前空调温度。
2.根据权利要求1所述的空调温度智能调节方法，其特征在于，在确定所述空调调整温度是否为适宜温度之后，所述方法还包括：
若不为适宜温度，则将空调调整温度按照排列顺序持续输入至预先设置的温度评估模型，确定所选的空调调整温度的评估值，并根据所述评估值以及预先设定的评估标准，确定所选的空调调整温度是否为适宜温度，直至所选的空调调整温度达到适宜温度，将所选的空调调整温度作为当前空调温度。
3.根据权利要求1所述的空调温度智能调节方法，其特征在于，预先设置的第一决策树算法的确定过程，包括：
获取预先存储的历史空间环境数据，根据所述历史空间环境数据的预设的第一数据组合，以及第一决策树算法公式确定第一决策树算法。
4.根据权利要求3所述的空调温度智能调节方法，其特征在于，预先设置的第二决策树算法的确定过程，包括：
根据所述历史空间环境数据的预设的第二数据组合，以及第二决策树算法公式确定第二决策树算法。
5.根据权利要求4所述的空调温度智能调节方法，其特征在于，预先设置的第一温度预测算法的确定过程，包括：
确定所述历史空间环境数据的预设的第二数据组合与空调调整温度之间的变化关系，根据所述变化关系确定第一温度预测算法。
6.根据权利要求1所述的空调温度智能调节方法，其特征在于，预先设置的温度评估模型的确定过程，包括：
根据当前时刻的空间环境数据的第二数据组合确定温度评估模型算法中预设的第一数据组合的推荐值，并将温度评估模型算法中其他数据设置为温度评估模型规则中的默认值；
根据所述预设的第一数据组合的推荐值、其他参数的默认值以及温度评估模型算法确定温度评估模型。
7.一种空调温度智能调节装置，其特征在于，所述装置包括：
空间环境数据获取模块，用于获取当前时刻的空间环境数据，并根据所述空间环境数据中预设的第一数据组合以及预先设置的第一决策树算法确定是否需要开空调；
空调模式确定模块，用于若需要开空调，则根据所述空间环境数据中预设的第一数据组合以及预先设置的第二决策树算法确定空调模式；
空调调整温度确定模块，用于根据所述空间环境数据中预设的第一数据组合、空调模式以及预先设置的第一温度预测算法确定至少一个空调调整温度，并按照从小到大的顺序进行排列；
空调调整温度评估模块，用于将最小的空调调整温度输入至预先设置的温度评估模型，确定所述空调调整温度的评估值，并根据所述评估值以及预先设定的评估标准，确定所述空调调整温度是否为适宜温度；
空调温度设置模块，用于若为适宜温度，则将所选的空调调整温度设置为当前空调温度。
8.根据权利要求7所述的空调温度智能调节装置，其特征在于，所述装置还包括空调调整温度重确定模块，所述空调调整温度重确定模块用于：
若不为适宜温度，则将空调调整温度按照排列顺序持续输入至预先设置的温度评估模型，确定所选的空调调整温度的评估值，并根据所述评估值以及预先设定的评估标准，确定所选的空调调整温度是否为适宜温度，直至所选的空调调整温度达到适宜温度，将所选的空调调整温度作为当前空调温度。
9.一种电子设备，其特征在于，包括处理器，存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如权利要求1-6中任一项所述的空调温度智能调节方法的步骤。
10.一种可读存储介质，其特征在于，所述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现如权利要求1-6中任一项所述的空调温度智能调节方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311356161.XA CN117190393A (zh) | 2023-10-18 | 2023-10-18 | 一种空调温度智能调节方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311356161.XA CN117190393A (zh) | 2023-10-18 | 2023-10-18 | 一种空调温度智能调节方法、装置、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117190393A true CN117190393A (zh) | 2023-12-08 |
Family
ID=88985266
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311356161.XA Pending CN117190393A (zh) | 2023-10-18 | 2023-10-18 | 一种空调温度智能调节方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117190393A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117989676A (zh) * | 2024-04-07 | 2024-05-07 | 江苏华复保利环保科技有限公司 | 基于大数据的空调能耗数据监管方法及*** |
-
2023
- 2023-10-18 CN CN202311356161.XA patent/CN117190393A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117989676A (zh) * | 2024-04-07 | 2024-05-07 | 江苏华复保利环保科技有限公司 | 基于大数据的空调能耗数据监管方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102212663B1 (ko) | 목표 온도를 기반으로 하는 빌딩의 열·공조 시스템에 대한 공급 전력 제어 방법 및 장치 | |
| Merabet et al. | Intelligent building control systems for thermal comfort and energy-efficiency: A systematic review of artificial intelligence-assisted techniques | |
| JP7188255B2 (ja) | 学習方法、学習プログラムおよび学習装置 | |
| US10794609B2 (en) | Methods and systems for personalized heating, ventilation, and air conditioning | |
| Zhuang et al. | Data-driven predictive control for smart HVAC system in IoT-integrated buildings with time-series forecasting and reinforcement learning | |
| JP2018506807A (ja) | 建物内の環境管理システムを制御するための方法および装置 | |
| Turhan et al. | Development of a personalized thermal comfort driven controller for HVAC systems | |
| CN117190393A (zh) | 一种空调温度智能调节方法、装置、设备及介质 | |
| Shetty et al. | Learning desk fan usage preferences for personalised thermal comfort in shared offices using tree-based methods | |
| Hossain et al. | Identifying grey-box thermal models with Bayesian neural networks | |
| CN110007613B (zh) | 用于储热式电暖器的用暖预测方法、***及存储介质 | |
| Higuera et al. | Hybrid smart lighting and climate control system for buildings | |
| Kanna et al. | MyComfort: An integration of BIM-IoT-machine learning for optimizing indoor thermal comfort based on user experience | |
| CN114838470A (zh) | 一种暖通空调的控制方法和*** | |
| Mohammed et al. | Optimization of energy consumption and thermal comfort for intelligent building management system using genetic algorithm | |
| CN116049764A (zh) | 一种面向物联网的跨尺度时序数据融合方法及*** | |
| Zhou et al. | A comprehensive review of the applications of machine learning for HVAC | |
| Deng et al. | Toward smart multizone HVAC control by combining context-aware system and deep reinforcement learning | |
| Huang et al. | A sequential modelling approach for indoor temperature prediction and heating control in smart buildings | |
| Simon et al. | Energy efficient smart home heating system using renewable energy source with fuzzy control design | |
| CN117477561A (zh) | 居民家用负荷概率预测方法及*** | |
| Petrova et al. | Intelligent indoor microclimate control | |
| Mahdavi | Self-organizing models for sentient buildings | |
| Khalil et al. | An IoT environment for estimating occupants’ thermal comfort | |
| EP3771957A1 (en) | Method and system for controlling of heating, ventilation and air conditioning |
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 |