南宫28(中国.NG)官方网站

186566256363

一种基于大数据的智能家居节能管理方法pdf_NG·28(中国)南宫网站_南宫28(中国.NG)官方网站

一种基于大数据的智能家居节能管理方法pdf_NG·28(中国)南宫网站

时间:2024-04-02 12:51:26 作者:小编 阅读:

  本发明公开了一种基于大数据的智能家居节能管理方法,具体涉及智能家居技术领域,所述处理方法包括以下步骤:采集空余客房外的公共区域信息以及客房信息,建立空余客房的推荐指数,对空余客房进行评估,筛选出用于分配的空余客房并对其进行排序,生成排序表,并按照排序表将客房依次分配给用户,更有效的利用公共区域的照明,节约资源能耗。采集已被分配客房的环境信息和空调调控信息,建立空调调控评估指数,对客房内的空调状态进行评估,判断是否立即开启空调,避免过早的开启空调造成资源浪费,提高节能效率,同时合适的时间点开启空调

  (19)国家知识产权局 (12)发明专利申请 (10)申请公布号 CN 116794996 A (43)申请公布日 2023.09.22 (21)申请号 0.3 (22)申请日 2023.08.24 (71)申请人 深圳市鼎山科技有限公司 地址 518000 广东省深圳市前海深港合作 区南山街道临海大道59号海运中心口 岸楼3楼D378 (72)发明人 巢剑谢宇治 (74)专利代理机构 北京鼎德宝专利代理事务所 (特殊普通合伙) 11823 专利代理师 周婧 (51)Int.Cl. G05B 15/02 (2006.01) G05B 19/418 (2006.01) 权利要求书1页 说明书9页 附图1页 (54)发明名称 一种基于大数据的智能家居节能管理方法 (57)摘要 本发明公开了一种基于大数据的智能家居 节能管理方法,具体涉及智能家居技术领域,所 述处理方法包括以下步骤:采集空余客房外的公 共区域信息以及客房信息,建立空余客房的推荐 指数,对空余客房进行评估,筛选出用于分配的 空余客房并对其进行排序,生成排序表,并按照 排序表将客房依次分配给用户,更有效的利用公 共区域的照明 ,节约资源能耗。采集已被分配客 房的环境信息和空调调控信息,建立空调调控评 估指数,对客房内的空调状态进行评估,判断是 否立即开启空调,避免过早的开启空调造成资源 浪费,提高节能效率,同时合适的时间点开启空 A 调也能满足用户对适宜温度的需求。 6 9 9 4 9 7 6 1 1 N C CN 116794996 A 权利要求书 1/1 页 1.一种基于大数据的智能家居节能管理方法,其特征在于:包括以下步骤: 步骤S1:将酒店目前现存的空余客房进行编号,编号以数字进行表示; 步骤S2:获取空余客房外的公共区域信息以及客房信息,建立空余客房的推荐指数,对 现存的空余客房进行评估; 步骤S3:将空余客房的推荐指数与空余客房的推荐指数临界阈值进行比较,筛选出用 于分配的空余客房,将空余客房分配给预约用户; 步骤S4:获取已被分配客房的环境信息和空调调控信息,建立空调调控评估指数; 步骤S5:将空调调控评估指数与空调调控评估指数临界阈值进行比较,确定是否开启 空调进行降温。 2.根据权利要求1所述的一种基于大数据的智能家居节能管理方法,其特征在于:步骤 S2中,所述的公共区域信息包括照明利用率,客房信息包括避光率;将照明利用率、避光率 分别标记为 ;将照明利用率、避光率进行归一化处理并通过加权求和得到空余客 房的推荐指数。 3.根据权利要求2所述的一种基于大数据的智能家居节能管理方法,其特征在于:步骤 S2中,还包括: 步骤S2‑1:照明利用率的计算表达式为 式中 为所评估的空客房所 处楼层非空客房的总数量, 为所评估的空客房所处楼层公共区域所开启的照明灯的数 量; 避光率的计算表达式为 式中, 为室内光线强度, 为客房外光线强度,室内外光线强度的获取逻辑为:分别在客房内外安装光照传感器实 时采集室内外的光照强度。 4.根据权利要求2所述的一种基于大数据的智能家居节能管理方法,其特征在于:步骤 S3中,所述的将空余客房的推荐指数与空余客房的推荐指数临界阈值进行比较; 若空余客房的推荐指数临界大于等于空余客房的推荐指数临界阈值,则将筛选出的空 余客房进行由大到小排序,生成排序表,并按照排序表将客房依次分配给用户。 5.根据权利要求4所述的一种基于大数据的智能家居节能管理方法,其特征在于:步骤 S4中,所述的获取已分配客房的环境信息包括适宜温度偏差值,空调调控信息包括最佳开 启时间系数;将适宜温度偏差值、最佳开启时间系数通过归一化处理,并通过加权求和得到 空调调控评估指数。 6.根据权利要求5所述的一种基于大数据的智能家居节能管理方法,其特征在于:步骤 S5中,所述将空调调控评估指数与空调调控评估指数临界阈值进行比较; 若空调调控评估指数大于等于空调调控评估指数临界阈值,则开启空调进行降温。 2 2 CN 116794996 A 说明书 1/9 页 一种基于大数据的智能家居节能管理方法 技术领域 [0001] 本发明涉及智能家居技术领域,更具体地说,本发明涉及一种基于大数据的智能 家居节能管理方法。 背景技术 [0002] 智能家居系统是利用先进的网络通讯技术、智能控制技术、IT 技术开发出一系列 智能化的家庭应用技术,通过感知设备获取用户所需信息,实现个性化管理和信息交互。这 种智能化的家居系统能够统一管理控制信息家电 ,让家居环境实现高效、节能、舒适、安全 的绿色能动的环保家庭。随着科技的不断发展,智能家居技术已经成为了人们生活中不可 或缺的一部分。智能家居技术不仅可以带来更加便捷的生活体验,也可以提高人们的居住 品质。 [0003] 而随着智慧酒店的不断发展,智能家居技术也被应用于酒店中,为人们带来更加 舒适、智慧化的住宿体验。 [0004] 在传统的客房分配过程中,通常都是从可供使用的客房中随机选择客房进行分 配,这种分配方式往往忽略了公共区域的用电情况以及客房所处的方位等因素,造成更多 的用电损耗,同时在一些采用智能家居系统的高档酒店中,通常提供在用户入住前进行室 内的通风降温服务,而这种服务通常在用户入住前选择固定的时间段开启空调进行通风降 温,若选择的时间段过长,则会增加空调不必要的运行时间,导致用电损耗,若选择的时间 段过短,则可能达不到降温的标准,导致用户入住的体验感较差。 [0005] 为了解决上述缺陷,现提供一种技术方案。 发明内容 [0006] 为了克服现有技术的上述缺陷,本发明的实施例提供一种基于大数据的智能家居 节能管理方法,以解决上述背景技术中提出的问题。 [0007] 为实现上述目的,本发明提供如下技术方案: 一种基于大数据的智能家居节能管理方法,包括以下步骤: 步骤S1:将酒店目前现存的空余客房进行编号,编号以数字进行表示; 步骤S2:获取空余客房外的公共区域信息以及客房信息,建立空余客房的推荐指 数,对现存的空余客房进行评估; 步骤S3:将空余客房的推荐指数与空余客房的推荐指数临界阈值进行比较,筛选 出用于分配的空余客房,将空余客房分配给预约用户; 步骤S4:获取已被分配客房的环境信息和空调调控信息,建立空调调控评估指数; 步骤S5:将空调调控评估指数与空调调控评估指数临界阈值进行比较,确定是否 开启空调进行降温。 [0008] 在一个优选地实施方式中,步骤S2中,所述的公共区域信息包括照明利用率,客房 3 3 CN 116794996 A 说明书 2/9 页 信息包括避光率;将照明利用率、避光率分别标记为 ;将照明利用率、避光率进行 归一化处理并通过加权求和得到空余客房的推荐指数。 [0009] 在一个优选地实施方式中,步骤S2中,还包括: 步骤S2‑1:照明利用率的计算表达式为 式中 为所评估的空 客房所处楼层非空客房的总数量, 为所评估的空客房所处楼层公共区域所开启的照明 灯的数量 ;避光率的计算表达式为 式中, 为室内光 线强度, 为客房外光线强度,室内外光线强度的获取逻辑为:分别在客房内外安装光照传 感器实时采集室内外的光照强度。 [0010] 在一个优选地实施方式中,步骤S3中,所述的将空余客房的推荐指数与空余客房 的推荐指数临界阈值进行比较; 若空余客房的推荐指数临界大于等于空余客房的推荐指数临界阈值,则将筛选出 的空余客房进行由大到小排序,生成排序表,并按照排序表将客房依次分配给用户。 [0011] 在一个优选地实施方式中,步骤S4中,所述的获取已分配客房的环境信息包括适 宜温度偏差值,空调调控信息包括最佳开启时间系数;将适宜温度偏差值、最佳开启时间系 数通过归一化处理,并通过加权求和得到空调调控评估指数。 [0012] 在一个优选地实施方式中,步骤S5中,所述将空调调控评估指数与空调调控评估 指数临界阈值进行比较; 若空调调控评估指数大于等于空调调控评估指数临界阈值,则开启空调进行降 温。 [0013] 本发明的技术效果和优点: 1、本实施例通过采集空余客房外的公共区域信息以及客房信息,建立空余客房的 推荐指数,将空余客房的推荐指数与空余客房的推荐指数临界阈值进行比较,若空余客房 的推荐指数大于等于空余客房的推荐指数临界阈值,则将筛选出的空余客房进行由大到小 排序,生成排序表,并按照排序表将客房依次分配给用户。通过结合公共区域的资源与客房 的方位信息选择出入住率较高楼层且避光率较高的客房,将入住的用户进行集合,更有效 的利用公共区域的照明,节约资源能耗。 [0014] 2、本实施例通过采集客房的环境信息和空调调控信息,建立空调调控评估指数, 将空调调控评估指数与空调调控评估指数临界阈值进行比较,若空调调控评估指数大于等 于空调调控评估指数临界阈值,则需要立即开启空调进行降温,避免过早的开启空调造成 资源浪费,提高节能效率,同时此时开启空调也能满足用户对适宜温度的需求。 附图说明 [0015] 为了便于本领域技术人员理解,下面结合附图对本发明作进一步的说明; 图1为本发明实施例1的结构示意图。 4 4 CN 116794996 A 说明书 3/9 页 具体实施方式 [0016] 下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完 整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于 本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他 实施例,都属于本发明保护的范围。 [0017] 实施例1 图1给出了本发明一种基于大数据的智能家居节能管理方法,其包括如下步骤: 步骤S1:将酒店目前现存的空余客房进行编号,编号以数字进行表示; 步骤S2:获取空余客房外的公共区域信息以及客房信息,建立空余客房的推荐指 数,对现存的空余客房进行评估; 步骤S3:将空余客房的推荐指数与空余客房的推荐指数临界阈值进行比较,筛选 出用于分配的空余客房,将空余客房分配给预约用户; 步骤S4:获取已被分配客房的环境信息和空调调控信息,建立空调调控评估指数; 步骤S5:将空调调控评估指数与空调调控评估指数临界阈值进行比较,确定是否 开启空调进行降温。 [0018] 本实施例基于智能家居系统,应用于酒店行业中,在用户进行预约同一类型的客 房后,酒店会根据用户提供的入住时间进行客房的分配,为达到更加节能的效果,本实施例 在客房的分配过程中,基于用户的入住时间,通过采集空余客房外的公共区域信息以及客 房信息,对不同的空余客房进行评估,并选择出最优的客房,将最优的客房分配给预约用 户,具体步骤如下: 对酒店目前现存的空余客房进行编号,编号以数字进行表示,例如,{1,2,...}; 获取空余客房外的公共区域信息以及客房信息,对现存的空余客房进行评估; 公共区域信息包括照明利用率,客房信息包括避光率; 将照明利用率、避光率分别标记为 ; 将照明利用率、避光率通过归一化处理 ,计算空余客房的推荐指数,其表达式如 下: [0019] 式中, 为空余客房的推荐指数, 分别为照明利用率、适宜温度偏差系数 的预设比例系数,其中 。其中,照明利用率:照明利用率是指每层楼层公共区 域(包括走廊、电梯厅等区域)所开启的照明灯的有效利用程度,反映了公共区域照明系统 的效率和能源利用情况。高照明利用率表示照明系统能够有效利用能源,提供足够的照明, 并减少能源浪费,从而选择该层客房的概率将大大提高。照明利用率可通过以下公式计算: ,其中 为所评估的空客房所处楼层非空客房的总数量, 为所评估的空 客房所处楼层公共区域所开启的照明灯的数量。较高的照明利用率表示所考虑的客房所处 楼层的入住率较高,选取该客房可以将入住用户进行集中,能够更有效的利用公共区域的 5 5 CN 116794996 A 说明书 4/9 页 照明,节约资源能耗。 [0020] 避光率:避光率是指客房内部阻挡阳光直射的能力,避光率越高,客房内部的光线 就越少,从而能够有效地减少阳光直射进入客房,降低室内温度,客房内的温度相对较低, 不需要过多依赖空调来降温,可以节约能源和降低空调的使用时长。避光率可通过以下公 式计算: ,其中, 为室内光线强度, 为客房外光线强度, 可分别在客房内外安装光照传感器实时采集室内、外的光照强度。 [0021] 需要说明的是,本实施例中避光率考虑的是处于夏季的情况,此时的避光率越高, 则推荐的空客房概率越高;若处于冬季的情况时,避光率越低,则推荐的空客房概率越低。 [0022] 设定空余客房的推荐指数临界阈值,将其标记为 ,将空余客房的推荐指数与空 余客房的推荐指数临界阈值进行比较。若空余客房的推荐指数大于等于空余客房的推荐指 数临界阈值,则说明推荐该楼层客房能够更好结合公共区域的资源与客房的方位信息,更 有利于节约电能的损耗,降低酒店成本,将筛选出的空余客房进行由大到小排序,生成排序 表,并按照排序表将客房依次分配给用户;若空余客房的推荐指数大于等于空余客房的推 荐指数临界阈值,则说明该楼层客房的资源利用较差,暂不考虑进行客房的分配,可将其作 为备用客房,用来应对突发事件以及临时需求。本实施例通过采集空余客房外的公共区域 信息以及客房信息,建立空余客房的推荐指数,将空余客房的推荐指数与空余客房的推荐 指数临界阈值进行比较,若空余客房的推荐指数大于等于空余客房的推荐指数临界阈值, 则将筛选出的空余客房进行由大到小排序,生成排序表,并按照排序表将客房依次分配给 用户。通过结合公共区域的资源与客房的方位信息选择出入住率较高楼层且避光率较高的 客房,将入住的用户进行集合,更有效的利用公共区域的照明,节约资源能耗。 实施例 [0023] 上述实施例1中通过采集空余客房外的公共区域信息以及客房信息,对剩余的空 客房进行评估,并将筛选出的空余客房分配给预约用户,同时向预约用户提供对客房进行 降温的服务,本实施例中通过采集客房的环境信息和空调调控信息,对当前客房的状态进 行评估,判断是否需要立即开启空调进行降温,具体步骤如下: 获取客房的环境信息和空调调控信息; 客房的环境信息包括适宜温度偏差值,空调调控信息包括最佳开启时间系数; 将适宜温度偏差值、最佳开启时间系数分别标记为 ; 将适宜温度偏差值、最佳开启时间系数通过归一化处理,计算得到空调调控评估 指数,具体表达式如下: [0024] 式中, 为空调调控评估指数, 分别为适宜温度偏差值、最佳开启时间系 数的预设比例系数,其中 。 6 6 CN 116794996 A 说明书 5/9 页 [0025] 其中,适宜温度偏差值:适宜温度偏差值是指客房室内温度与人体舒适温度之间 的差值,这个差值反映了客房内的实际温度与人体感知舒适的温度之间的关系。当室内温 度接近或与人体舒适温度相符时,适宜温度偏差值将接近于零,从而降低空调立即开启进 行降温的概率。然而,适宜温度偏差值不为零时,客房的温度与人体感知的舒适温度存在差 异,且偏差值越大则空调立即开启进行降温的概率越高。人体舒适温度可以由预约用户提 供理想的温度范围,室内温度可以通过在客房内安装温度传感器进行采集。最佳开启时间 系数:空调的最佳开启时间系数是指根据预约用户的到达时间与所需降温/升温时长来选 择最佳的开启时间,是评估空调调控降温的重要指标之一。最佳开启时间系数越大,从而空 调调控评估指数越大。最佳开启时间系数可通过以下公式计算: ,其中 为空调所需的降温时长, 为用户到达时间。 [0026] 需要说明的是, 分别为预测的数据信息,以下将分别采用预测模型获取空 调所需的降温时长 、用户到达时间 。 [0027] 以下将采用多元线性回归预测模型获取空调所需的降温时长 ; 步骤1:获取样本数据确定输入输出变量 采集室内温度、相邻房间温度、室内湿度、适宜温度作为输入变量,空调降温时长 作为输出变量,其中室内温度、相邻房间温度、室内湿度、空调降温时长均为实时采集的历 史记录中获取,由于不同人群对应的适宜温度可能不同,则适宜温度由用户提供作为参考 值; 将采集的样本数据标记为 [0028] 其中K为原始样本数据集, 分别表示室内温度、相邻房间温度、室内 湿度、适宜温度、空调降温时长,m为采集的不同组的样本数据总量。 [0029] 数据缺失处理:在数据采集过程中,由于存在许多不确定因素,数据缺失问题不可 避免。如果采用不恰当的处理方式,相当于引入了大量噪声,会对数据造成污染。本实施例 对数据缺失的不同情形对应不同的处理方式 :对于数据在连续 3 次及3 次以内的缺失情 况,采用 3 次样条插值法进行缺失数据插值;对于数据在连续 3 次以上的缺失情况,采用 直接删除这条数据,以减少模型训练过程中的噪声干扰。需要说明的是,3 次样条插值法为 现有技术在此不再赘述。数据标准化:由于不同变量有着不同的评价指标,导致数据经常拥 有不同的量纲和数量级,这种情况下,若直接采用原数据进行分析,则会放大高数值指标在 整体预测中的影响。将数据进行规范化处理以解决数据间因量纲不同产生的影响,去除数 据的量纲限制,把数据转化为无量纲的纯数值,本实施例将使用离差标准化对数据进行处 理,公式如下:Scaled_K    (K ‑ Min) /  (Max ‑ Min) ,其中Scaled_K为标准化后的样本数 7 7 CN 116794996 A 说明书 6/9 页 据集,Min为原始样本数据的最小值,Max为原始样本数据的最大值。将标准化后的样本数据 的80%作为训练样本集,20%作为测试样本集。 [0030] 步骤2:构建多元线性回归预测模型,模型结构可以表示为: [0031] 其中, 为模型回归系数,为误差因子,q=1,2,...,m。 [0032] 模型回归系数和误差因子可通过代入已有的历史数据,通过统计检验,根据最小 二乘法原理,用matlab程序拟合得到。 [0033] 模型构建完成后,随机选取训练样本数据集对多元线性回归预测模型进行训练, 判断多元线性回归预测模型的实际输出与期望输出是否满足模型的性能指标,若不满足则 继续调整模型回归系数 以及误差因子 ,继续进行训练直至满足多 元线性回归预测模型的性能指标。 [0034] 步骤3:多元线性回归预测模型构建完成后,实时采集样本数据集中的输入数据, 将采集的各项输入数据输入多元线性回归预测模型中得到输出值,即空调所需的降温时长 。需要说明的是,采集的时间段为用户成功分配客房后的到用户实际到达的时间段,在这 段时间里实时采集并预测不同时刻空调所需的降温时长。 [0035] 以下将采用模糊贝叶斯神经网络模型获取用户到达时间 ; 步骤1:获取样本数据确定输入输出变量采集用户预定客房成功时刻、客房编号、 用户所处位置的经纬度作为输入变量,用户到达时间为输出变量,其中输入变量,输出变量 均从历史数据中获取且输入变量中的用户预定客房成功时刻、客房编号、用户所处位置的 经纬度的采集要与实际预测用户的信息具有较高的相似度。 [0036] 为了避免神经网络误差过大及防止局部神经元达到过饱和状态,对样本数据进行 归一化处理,使得样本数据均在0到1之间,网络输出向量采用反归一化处理,即得到原输出 值;样本数据的归一化公式为: [0037] 式中, 为归一化后样本数据, 为原始样本数据与原始样本数据最小值的比值, 为原始样本数据最大值与原始样本数据最小值的比值; 将经过归一化处理后得到的样本数据集标记为 [0038] 其中, 为归一化后的样本数据集, 分别为用户预定客房成功时刻、客 房编号、用户所处位置的经纬度、用户到达时间,n为采集的不同组的样本数据总量。 [0039] 将归一化后的样本数据的80%作为训练样本集,20%作为检验样本集。 8 8 CN 116794996 A 说明书 7/9 页 [0040] 步骤2:建立模糊贝叶斯神经网络模型 用于预测用户到达时间的神经网络模型由输入层、隐含层、输出层构成;输入层由 用户预定客房成功时刻、客房编号、用户所处位置的经纬度1组数据组成,共15个神经元节 点,隐含层由经验公式确定 ;输出层为用户到达时间作为预测结果;隐含层由经验公式确 定,经验公式为: 式中,G为隐含层神经元数,h输入层输入神经元数,c输出层输出 神经元数,a的取值范围为1~10之间的常数; 建立所述模糊贝叶斯神经网络预测模型,确定模型的激励函数、训练函数、学习函 数及神经网络性能指标;激励函数选择sigmod函数,即 训练函数选择trainlm  函数,学习函数选择贝叶斯函数,神经网络性能指标为: ; 式中n为采集的不同组的样本数据总量, 表示输入向量, 表示权值分量, 表 示期望输出目标值,i={1,2,3...n}。 [0041] 预训练过程:通过预训练函数trainlm,设定训练目标、训练步数,训练误差精度, 根据结果选择最佳的隐含层神经元数量; 创建一个前向神经网络: net=newff (PR ,[S1,S2...SN1],{TF1,TF2 ...TFN1} ,BTF ,BLF ,PF)其中,向量元素 从1到N1 ;net为创建新的神经网络 ;PR为网络输入元素最大值、最小值组成的矩阵 ;[S1, S2...SN1]表示网络隐含层和输出层神经元数量;{TF1,TF2 ...TFN1}表示隐含层和输出层 激励函数,为sigmod函数;BTF为网络的训练函数,为trainlm函数;BLF为网络的权值学习函 数,为贝叶斯函数;PF为性能函数,默认为“mse”函数; 创建神经网络权值集 :影响神经网络运算精确性和泛化能力的权值集合用ω表 示,即ω={ , , ,...,  } 其中  ,  (i=1  ,2  ,3  ...n)表示权值分量,n为采 集的不同组的样本数据总量; 创建权值评判集:采用改进专家评分法对神经网络权值模糊化,专家首先无交流 进行评分,对评分结果进行由大到小排序,首尾专家进行协商再次评分,重新排序,依此类 推,直到评分完为止。评判集用V表示,即V={  ,  ,..., },其中 , (i=1  ,2  ,3  ...n)表示权值分量的重要程度,n为采集的不同组的样本数据总量; 进行专家评分:采用专家评分法对神经网络权值模糊化; 解模糊化:采用加权平均法进行解模糊,获得神经网络权值的先验概率,公式为: 式中,P( )表示神经网络权值的先验概 9 9 CN 116794996 A 说明书 8/9 页 率, 表示评判者人数, 表示评判者做出可能的评判结果,n为采集的不同组的样本数据 总量; 确定似然函数 :假设期望输出目标值  , , ,..., 是在高斯白噪声下产生 的,似然函数为: [0042] 其中, (γ)为归一化因子,γ为超参数;  ( )表示误差函数; 确定权值的后验概率为 (先验概率公式*似然函数)/ 样本分布常数,具体表达式 如下: [0043] 式中,i= (1  ,2  ,3  ,...,n) ,j= (1  ,2  ,3  ,...,n) , 为误差函数, ,p(D)表示样本分布常数; 随机选取训练样本集D对模糊贝叶斯神经网络预测模型进行学习训练,用模糊知 识及贝叶斯函数确定输入层‑隐含层‑输出层各权值,通过训练样本数据判断输出层的实际 输出与期望输出是否满足神经网络性能指标要求;若未满足要求,则适当改变隐含层神经 元数量,重新由模糊知识以及贝叶斯函数确定输入层‑隐含层‑输出层各权值,再次通过训 练样本数据判断输出层的实际输出与期望输出是否满足神经网络性能指标要求;若满足要 求,则训练结束,否则继续进行训练,直到满足神经网络性能指标要求为止;至此得到训练 好的模型。步骤3:模糊贝叶斯神经网络预测模型构建完成后,采集样本数据集中的输入数 据,将采集的各项输入数据输入模糊贝叶斯神经网络预测模型中得到输出值,即用户到达 时间 。需要说明的是,采集的样本数据为预约客房成功且需要进行降温服务的用户信息。 [0044] 设定空调调控评估指数临界阈值,将其标记为 ,将空调调控评估指数与空调调控评估指数临界阈值进行比较,若空调调控评估 指数大于等于空调调控评估指数临界阈值,则说明此刻为最佳的降温时间,既能满足用户 的对适宜温度的需求,又避免开启空调的时间过长造成能源的损耗,需要开启空调进行降 温,更有利于实现智能化管理和提高节能效率;若空调调控评估指数小于空调调控评估指 数临界阈值,则说明此刻并不是最佳的降温时间,此时开启空调降温,可能造成资源的过度 浪费,不需要开启空调进行降温。 [0045] 本实施例通过采集客房的环境信息和空调调控信息,建立空调调控评估指数,将 空调调控评估指数与空调调控评估指数临界阈值进行比较,若空调调控评估指数大于等于 10 10 CN 116794996 A 说明书 9/9 页 空调调控评估指数临界阈值,则需要立即开启空调进行降温,避免过早的开启空调造成资 源浪费,提高节能效率,同时此时开启空调也能满足用户对适宜温度的需求。 [0046] 上述公式均是去量纲取其数值计算,公式是由采集大量数据进行软件模拟得到最 近真实情况的一个公式,公式中的预设参数由本领域的技术人员根据实际情况进行设置。 [0047] 应理解,在本申请的各种实施例中,上述各过程的序号的大小并不意味着执行顺 序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施 过程构成任何限定。 [0048] 以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何 熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵 盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。 11 11 CN 116794996 A 说明书附图 1/1 页 图 1 12 12

  2、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问加。

  3、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。

  4、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档

  高中化学高三模拟20202020学年浙江省杭州七中高三上学期第四次月考(化学)高中化学.doc

  高中化学高三模拟2020年山东省临沂市高三3月月考教学质量检查考试化学卷高中化学.doc

  高中化学高三专项训练2020届江苏省高三化学各地名校月考试题汇编镁铝及其化合物高中化学.doc

  高中化学高三期中2020届黑龙江省大庆铁人中学高三上学期期中检测(化学)高中化学.doc

  高中化学高三模拟2020届北京市海淀区高三年级第一学期期末练习化学高中化学.doc

  高中化学高三模拟08年12月浙江省春晖中学2020届高三月考试题(化学)高中化学.doc

  TCDEIIEA 007-2023 数字高速公路数据规范 机构人员.docx

  新教科版小学科学六年级下册第三单元第1课《太阳系大家庭》优质说课稿.doc

  原创力文档创建于2008年,本站为文档C2C交易模式,即用户上传的文档直接分享给其他用户(可下载、阅读),本站只是中间服务平台,本站所有文档下载所得的收益归上传人所有。原创力文档是网络服务平台方,若您的权利被侵害,请发链接和相关诉求至 电线) ,上传者ng28(中国)网站ng28(中国)网站

申明:如本站文章或转稿涉及版权等问题,请您及时联系本站,我们会尽快处理!

上一篇:全国首个!城市家具“国家标准”正式发布鲍诗度团队主持制定_NG·28(中国)南宫网站

下一篇:家庭节能不再遥远施耐德电气Wiser智能家居助力节能减排_NG·28(中国)南宫网站

返回
客服电话:020-8856894免费预约师傅上门量尺!点击咨询