一种智能家居控制方法、系统、存储介质和计算机设备技术方案

本发明专利技术涉及一种智能家居控制方法、系统、存储介质和计算机设备，用于控制若干家居环境控制设备，包括：获取环境参数和第一类设备配置参数；将所述环境参数和所述第一类设备配置参数形成多维数据向量，以及将所述多维数据向量输入至待训练的深度神经网络模型进行自学习训练，以构建深度神经网络模型；将所述环境参数输入至所述深度神经网络模型，以得到第二类设备配置参数。其优点在于，利用环境参数和第一类设备配置参数对深度神经网络模型进行训练，使得深度神经网络模型能够根据输入的环境参数，输出第二类设备控制参数，自动控制多个家居环境控制设备，满足舒适‑节能需求；用户无感控制，提高用户体验。

【技术实现步骤摘要】
一种智能家居控制方法、系统、存储介质和计算机设备
本专利技术涉及智能家居控制
，尤其涉及一种智能家居控制方法、系统、存储介质和计算机设备。
技术介绍
现有的家居环境控制设备包括空调系统、地暖系统、新风系统、空气净化器系统等设备，通常家居环境控制设备是通过控制面板、移动终端或者智能家居系统进行就地控制或者远程控制，如对家居环境控制设备进行开启或关闭、进行参数调节等。然而，这种控制方法仅实现了从墙壁开关控制转移到移动终端控制，并未实现实时根据环境参数进行自动调节。对于空调系统、地暖系统、新风系统、空气净化器系统等设备，大都采用单机运行策略，各设备之间不进行通讯，通常在控制面板或移动终端上设定目标参数和运行模式。其中，对于空调系统，当室内温度达到目标参数情况下，空调系统以低功率运行或进入待机状态；当室内温度未达到目标参数情况下，空调系统以高功率运行。对于地暖系统、新风系统和空气净化器系统等家居环境控制设备，也采用了上述控制方法，无法根据环境参数进行自适应调节运行状态。因此，在相关技术中，家居环境控制设备的控制方法存在以下缺陷：1)不同的用户对温度的接受程度不同，现有的空调系统、地暖系统仅能被动地按照设定温度运行，无法主动根据环境参数、用户习惯、使用时间进行调节，并造成能源浪费；2)多个家居环境控制设备均单机运行，无法相互配合协调，不能迅速达到满足舒适、节能的需求，造成能源浪费。目前针对相关技术中，存在家居环境设备单独运行、无法联动的情况，导致能源浪费的问题，尚未提出有效的解决方案。
技术实现思路
本专利技术的目的是针对现有技术中的不足，提供一种智能家居控制方法、系统、存储介质和计算机设备。本专利技术的第一个方面是，提供一种智能家居控制方法，用于控制若干家居环境控制设备，其特征在于，包括：获取环境参数和第一类设备配置参数；将所述环境参数和所述第一类设备配置参数形成多维数据向量，以及将所述多维数据向量输入至待训练的深度神经网络模型进行自学习训练，以构建深度神经网络模型；将所述环境参数输入至所述深度神经网络模型，以得到第二类设备配置参数；根据所述环境参数和所述第二类设备配置参数，控制若干所述家居环境控制设备。在其中的一个实施例中，所述第一类设备配置参数包括：第一设备配置参数，基于所述环境参数，通过预设的控制规则对所述家居环境控制设备控制获得所述第一设备配置参数；第一用户配置参数，基于所述环境参数，通过用户输入参数控制所述家居环境控制设备获得所述第一用户配置参数。在其中的一个实施例中，将所述环境参数和所述第一类设备配置参数形成多维数据向量，以及将所述多维数据向量输入至待训练的深度神经网络模型进行自学习训练，以构建深度神经网络模型，还包括：将预设的时间段的所述环境参数、所述第一设备配置参数和所述第一用户配置参数形成多维数据向量，以及将所述多维数据向量输入至待训练的深度神经网络模型进行自学习训练，以构建深度神经网络模型。在其中的一个实施例中，所述第二类设备配置参数包括：第二设备配置参数，基于所述环境参数和所述第一设备配置参数，通过所述深度神经网络模型进行处理获得所述第二设备配置参数；第二用户配置参数，基于所述环境参数和所述第一用户配置参数，通过所述深度神经网络模型进行处理获得所述第二用户配置参数；在其中的一个实施例中，将所述环境参数和所述第一类设备配置参数形成多维数据向量，以及将所述多维数据向量输入至待训练的深度神经网络模型进行自学习训练，以构建深度神经网络模型，还包括：对所述多维数据向量中的所述环境参数进行归一化处理，以得到次级多维数据向量；对所述次级多维数据向量进行特征过滤，以得到变量向量；将所述变量向量输入至所述深度神经网络模型，以得到第二类设备配置参数；将所述第二类设备配置参数与所述第一类设备配置参数进行判别，以得到判别结果；基于所述判别结果计算误差值，直至所述误差值迭代趋于稳定时停止训练，以得到所述深度神经网络模型。在其中的一个实施例中，所述深度神经网络模型包括：输入层、第一隐藏层、第二隐藏层和输出层；其中，所述输入层接收所述变量向量，并将所述变量向量输入至所述第一隐藏层；所述第一隐藏层和所述第二隐藏层依次对所述变量向量进行处理，以得到所述第二类设备配置参数，并将所述第二类设备配置参数输入至所述输出层；所述输出层将所述第二类设备配置参数输出。在其中的一个实施例中，所述第一隐藏层和所述第二隐藏层使用Sigmoid激活函数；所述深度神经网络模型使用成本函数进行迭代。在其中的一个实施例中，对所述多维数据向量中的所述环境参数依次进行归一化处理和特征过滤，以得到变量向量，进一步地包括：对所述多维数据向量中的所述环境参数使用Z-score标准化进行归一化处理，以得到次级多维数据向量；对所述次级多维数据向量使用主成分分析法进行特征过滤，以得到所述变量向量。在其中的一个实施例中，将所述环境参数输入至所述深度神经网络模型，以得到第二类设备配置参数，还包括：对所述第二类设备配置参数进行格式转换，以得到针对所述家居环境控制设备的控制信号。在其中的一个实施例中，所述时间间隔为0.1s～600s。在其中的一个实施例中，所述时间段为60d～120d。本专利技术的第二个方面是，提供一种智能家居控制系统，包括：获取模块，用于获取环境参数和第一类设备配置参数；深度神经网络模型处理模块，用于基于所述环境参数和所述第一类设备配置参数对待训练的深度神经网络模型进行自学习训练并构建深度神经网络模型，以及用于利用所述深度神经网络模型对所述环境参数进行处理以得到第二类设备配置参数。在其中的一个实施例中，所述深度神经网络模型处理模块包括：训练子模块，用于对所述待训练的深度神经网络模型自学习训练并构建深度神经网络模型，其包括：第一归一化处理单元，用于对基于所述环境参数和所述第一类设备配置参数形成的多维数据向量中的所述环境参数进行归一化处理，以得到次级多维数据向量；第一过滤处理单元，用于对所述次级多维数据向量进行特征过滤，以得到变量向量；模型训练单元，用于将所述变量向量输入所述待训练的深度神经网络模型以构建深度神经网络模型参数，直至误差值趋于稳定时停止训练，得到所述深度神经网络模型。在其中的一个实施例中，所述深度神经网络模型包括：输入层、第一隐藏层、第二隐藏层和输出层；所述模型训练单元包括：输入层训练子单元，用于将所述变量向量输入所述输入层；隐藏层训练子单元，用于对所述输入层输入的所述变量向量进行处理，以得到第二类设备配置参数；输出层训练子单元，用于将所述第二类设备配置参数输入至所述输出层；判别处理子单元，用于将所述第二类设备配置参数和所述第一类设备配置参数进行判别，以得到判别结果；误差值本文档来自技高网...

【技术保护点】
1.一种智能家居控制方法，用于控制若干家居环境控制设备，其特征在于，包括：/n获取环境参数和第一类设备配置参数；/n将所述环境参数和所述第一类设备配置参数形成多维数据向量，以及将所述多维数据向量输入至待训练的深度神经网络模型获得模型参数，以构建深度神经网络模型；/n将所述环境参数输入至所述深度神经网络模型，以得到第二类设备配置参数；/n根据所述环境参数和所述第二类设备配置参数，控制若干所述家居环境控制设备。/n

【技术特征摘要】
1.一种智能家居控制方法，用于控制若干家居环境控制设备，其特征在于，包括：
获取环境参数和第一类设备配置参数；
将所述环境参数和所述第一类设备配置参数形成多维数据向量，以及将所述多维数据向量输入至待训练的深度神经网络模型获得模型参数，以构建深度神经网络模型；
将所述环境参数输入至所述深度神经网络模型，以得到第二类设备配置参数；
根据所述环境参数和所述第二类设备配置参数，控制若干所述家居环境控制设备。


2.根据权利要求1所述的智能家居控制方法，其特征在于，所述第一类设备配置参数包括：
第一设备配置参数，基于所述环境参数，通过预设的控制规则对所述家居环境控制设备控制获得所述第一设备配置参数；
第一用户配置参数，基于所述环境参数，通过用户输入参数控制所述家居环境控制设备获得所述第一用户配置参数。


3.根据权利要求2所述的智能家居控制方法，其特征在于，将所述环境参数和所述第一类设备配置参数形成多维数据向量，以及将所述多维数据向量输入至待训练的深度神经网络模型获得模型参数，以构建深度神经网络模型，还包括：
将预设的时间段的所述环境参数、所述第一设备配置参数和所述第一用户配置参数形成多维数据向量，以及将所述多维数据向量输入至待训练的深度神经网络模型获得模型参数，以构建深度神经网络模型。


4.根据权利要求2所述的智能家居控制方法，其特征在于，所述第二类设备配置参数包括：
第二设备配置参数，基于所述环境参数和所述第一设备配置参数，通过所述深度神经网络模型进行处理获得所述第二设备配置参数；
第二用户配置参数，基于所述环境参数和所述第一用户配置参数，通过所述深度神经网络模型进行处理获得所述第二用户配置参数。


5.根据权利要求1所述的智能家居控制方法，其特征在于，将所述环境参数和所述第一类设备配置参数形成多维数据向量，以及将所述多维数据向量输入至待训练的深度神经网络模型获得模型参数，以构建深度神经网络模型，还包括：
对所述多维数据向量中的所述环境参数进行归一化处理，以得到次级多维数据向量；
对所述次级多维数据向量进行特征过滤，以得到变量向量；
将所述变量向量输入至所述深度神经网络模型，以得到第二类设备配置参数；
将所述第二类设备配置参数...

【专利技术属性】
技术研发人员：施昊甫，吴轶群，张笛，
申请(专利权)人：上海万晟建筑设计顾问有限公司，
类型：发明
国别省市：上海;31