智能家居系统的用电控制方法及装置与流程

本发明涉及智能家居领域，具体而言，涉及一种智能家居系统的用电控制方法及装置。

背景技术：

在智慧家居物联网中，节能性是衡量能效控制的重要指标。因用户每日开启的电器和应用的功能各不相同，故整体家居用电量各有差别。然而，用户在某段时间(例如，某个周，某个月，或某个季度)的用电量可能会呈现出一定的规律性。但是，相关技术中无法实现根据历史时间段整体耗电量预测未来某段时间的耗电量，进而也无法根据未来某段时间的耗电量实现对家居系统中各个电器的控制或者调节。

针对上述相关技术中无法实现根据未来时间段的耗电量对家居系统中的各个电器进行控制的问题，目前尚未提出有效的解决方案。

技术实现要素：

本发明实施例提供了一种智能家居系统的用电控制方法及装置，以至少解决相关技术中无法实现根据未来时间段的耗电量对家居系统中的各个电器进行控制的技术问题。

根据本发明实施例的一个方面，提供了一种智能家居系统的用电控制方法，包括：获取参考数据，其中，所述参考数据是用于生成智能家居系统中各个用电设备的用电数据的依据；将所述参考数据中的每个数据转换成耗电量预测模型的输入，其中，所述耗电量预测模型是通过训练数据训练得到的，每组训练数据均包括：参考数据和该参考数据对应的用电数据；获取所述耗电量预测模型的输出；将所述输出转换为所述用电数据，并根据所述用电数据生成所述智能家居系统的用电策略；将所述用电策略发送至所述智能家居系统，其中，所述智能家居系统根据所述用电策略控制所述各个用电设备。

可选地，通过所述训练数据训练得到所述耗电量预测模型包括：获取历史时间段的历史参考数据，并将所述历史参考数据作为训练数据；将每组训练数据中的每个数据转换成数值；将得到的每个数据对应的数值分别作为卷积神经网络模型的输入层节点和输出层节点；根据所述输入层节点和所述输出层节点进行训练得到所述耗电量预测模型。

可选地，所述训练数据是所述历史参考数据的一部分。

可选地，所述历史参考数据的另一部分作为验证数据，其中，所述验证数据用于对所述耗电量预测模型进行验证。

可选地，根据所述用电数据生成所述智能家居系统的用电策略包括：判断所述用电数据是否不小于预定数据，其中，所述预定数据为所述智能家居系统发生跳闸时对应的用电数据；在判断结果为所述用电数据不小于所述预定数据的情况下，根据所述用电数据生成所述智能家居系统的用电策略。

可选地，根据所述用电数据生成所述智能家居系统的用电策略包括：通过用电策略模型，确定所述用电数据对应的用电策略，其中，所述用电策略模型是使用多组数据通过机器学习训练得到的，所述多组数据中的每组数据均包括：用电数据和所述用电数据对应的用电策略。

可选地，在通过用电策略模型，确定所述用电数据对应的用电策略之前，该智能家居系统的用电控制方法还包括：采集在历史时间段的多个历史用电数据和多个历史用电策略模型，其中，所述多个历史用电策略模型是根据所述多个历史用电数据确定的模型；对采集的包括所述多个历史用电数据和所述多个历史用电策略模型的多组数据进行训练，得到所述用电策略模型。

根据本发明实施例的另外一个方面，还提供了一种智能家居系统的用电控制装置，包括：第一获取单元，用于获取参考数据，其中，所述参考数据是用于生成智能家居系统中各个用电设备的用电数据的依据；转换单元，用于将所述参考数据中的每个数据转换成耗电量预测模型的输入，其中，所述耗电量预测模型是通过训练数据训练得到的，每组训练数据均包括：参考数据和该参考数据对应的用电数据；第二获取单元，用于获取所述耗电量预测模型的输出；生成单元，用于将所述输出转换为所述用电数据，并根据所述用电数据生成所述智能家居系统的用电策略；发送单元，用于将所述用电策略发送至所述智能家居系统，其中，所述智能家居系统根据所述用电策略控制所述各个用电设备。

可选地，所述转换单元包括：第一获取模块，用于获取历史时间段的历史参考数据，并将所述历史参考数据作为训练数据；转换模块，用于将每组训练数据中的每个数据转换成数值；第一确定模块，用于将得到的每个数据对应的数值分别作为卷积神经网络模型的输入层节点和输出层节点；第二获取模块，用于根据所述输入层节点和所述输出层节点进行训练得到所述耗电量预测模型。

可选地，所述训练数据是所述历史参考数据的一部分。

可选地，所述历史参考数据的另一部分作为验证数据，其中，所述验证数据用于对所述耗电量预测模型进行验证。

可选地，所述生成单元包括：判断模块，用于判断所述用电数据是否不小于预定数据，其中，所述预定数据为所述智能家居系统发生跳闸时对应的用电数据；生成模块，用于在判断结果为所述用电数据不小于所述预定数据的情况下，根据所述用电数据生成所述智能家居系统的用电策略。

可选地，所述生成单元包括：第二确定模块，用于通过用电策略模型，确定所述用电数据对应的用电策略，其中，所述用电策略模型是使用多组数据通过机器学习训练得到的，所述多组数据中的每组数据均包括：用电数据和所述用电数据对应的用电策略。

可选地，该智能家居系统的用电控制装置还包括：采集模块，用于在通过用电策略模型，确定所述用电数据对应的用电策略之前，采集在历史时间段的多个历史用电数据和多个历史用电策略模型，其中，所述多个历史用电策略模型是根据所述多个历史用电数据确定的模型；第三获取单元，用于对采集的包括所述多个历史用电数据和所述多个历史用电策略模型的多组数据进行训练，得到所述用电策略模型。

根据本发明实施例的另外一个方面，还提供了一种存储介质，所述存储介质包括存储的程序，其中，所述程序执行上述中任意一项所述的智能家居系统的用电控制方法。

根据本发明实施例的另外一个方面，还提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述中任意一项所述的智能家居系统的用电控制方法。

在本发明实施例中，采用获取参考数据，其中，参考数据是用于生成智能家居系统中各个用电设备的用电数据的依据；将参考数据中的每个数据转换成耗电量预测模型的输入，其中，耗电量预测模型是通过训练数据训练得到的，每组训练数据均包括：参考数据和该参考数据对应的用电数据；获取耗电量预测模型的输出；将输出转换为用电数据，并根据用电数据生成智能家居系统的用电策略；将用电策略发送至智能家居系统，其中，智能家居系统根据用电策略控制各个用电设备，通过本发明实施例提供的智能家居系统的用电控制方法可以实现根据历史耗电情况对智能家居系统的的未来耗电量进行预测，并通过预测值提前制定相应的节电控制规划的目的，不仅达到了提高智能家居系统的可靠性的技术效果，而且达到了节省电量的技术效果，进而解决了相关技术中无法实现根据未来时间段的耗电量对家居系统中的各个电器进行控制的技术问题。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是根据本发明实施例的智能家居系统的用电控制方法的流程图；

图2是根据本发明实施例的可选的智能家居系统的用电控制方法的流程图；

图3是根据本发明实施例的智能家居系统的用电控制装置的示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，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的实施例，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，都应当属于本发明保护的范围。

需要说明的是，本发明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，以便这里描述的本发明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。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，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

为了便于理解，下面对本发明实施例中的部分名词或术语进行详细说明：

卷积神经网络：是一种前馈神经网络，人工神经可以响应周围单元，可以进行大型图像处理，包括卷积层和池化层。

卷积层：主要是用来进行特征提取的。

池化层：是对输入的特征图进行压缩，一方面使得特征图变小，简化网络计算复杂度，另一方面进行特征压缩，提取主要特征。

实施例1

根据本发明实施例，提供了一种智能家居系统的用电控制方法的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

图1是根据本发明实施例的智能家居系统的用电控制方法的流程图，如图1所示，该智能家居系统的用电控制方法包括如下步骤：

步骤s102，获取参考数据，其中，参考数据是用于生成智能家居系统中各个用电设备的用电数据的依据。

在步骤s102中，参考数据可以包括但不限于以下几种：未来某时间，该未来某时间所对应的天气预报，用户家中的成员构成以及用户与家庭成员的生活习惯等，例如，当前时间为周一，那么未来某时间可以是周二、周三、周四或是以后的时间。

步骤s104，将参考数据中的每个数据转换成耗电量预测模型的输入，其中，耗电量预测模型是通过训练数据训练得到的，每组训练数据均包括：参考数据和该参考数据对应的用电数据。

步骤s106，获取耗电量预测模型的输出。

步骤s108，将输出转换为用电数据，并根据用电数据生成智能家居系统的用电策略。

步骤s110，将用电策略发送至智能家居系统，其中，智能家居系统根据用电策略控制各个用电设备。

通过上述步骤，可以获取参考数据，其中，参考数据是用于生成智能家居系统中各个用电设备的用电数据的依据；将参考数据中的每个数据转换成耗电量预测模型的输入，其中，耗电量预测模型是通过训练数据训练得到的，每组训练数据均包括：参考数据和该参考数据对应的用电数据；获取耗电量预测模型的输出；将输出转换为用电数据，并根据用电数据生成智能家居系统的用电策略；将用电策略发送至智能家居系统，其中，智能家居系统根据用电策略控制各个用电设备。相对于相关技术中智能家居系统无法根据历史整体耗电量预测未来耗电量情况，也无法根据未来耗电情况对各个用电设备进行相应控制调节的弊端，通过本发明实施例提供的智能家居系统的用电控制方法可以实现根据历史耗电情况对智能家居系统的的未来耗电量进行预测，并通过预测值提前制定相应的节电控制规划的目的，不仅达到了提高智能家居系统的可靠性的技术效果，而且达到了节省电量的技术效果，进而解决了相关技术中无法实现根据未来时间段的耗电量对家居系统中的各个电器进行控制的技术问题。

在步骤s104中，通过训练数据训练得到耗电量预测模型可以包括：获取历史时间段的历史参考数据，并将历史参考数据作为训练数据；将每组训练数据中的每个数据转换成数值；将得到的每个数据对应的数值分别作为卷积神经网络模型的输入层节点和输出层节点；根据输入层节点和输出层节点进行训练得到耗电量预测模型。

作为一种可选的实施例，智能家居系统中的智能家居中央控制系统会记录安装区域每日的家中智能家居系统的总用电量和各个用电设备的用电量，并将上述智能家居系统的总用电量和各个用电设备的用电量作为训练数据，输入至卷积神经网络模型，得到预测输出数据集，训练得到多层卷积神经网络的耗电量预测模型。

需要说明的是，上述训练数据可以是历史参考数据的一部分。

进一步的，为了验证训练得到的耗电量预测模型的可靠性，可以将历史参考数据的另一部分作为验证数据，其中，验证数据用于对耗电量预测模型进行验证。

例如，可以获取用电量测测试数据，提取多个用电设备的不同日期作为测试输入数据，将测试输入数据输入至卷积神经网络中，得到对应的预测输出数据。为了使得训练得到的耗电量预测模型更加可靠，该卷积神经网络可以优选为多层卷积神经网络。

在步骤s108中，根据用电数据生成智能家居系统的用电策略可以包括：判断用电数据是否不小于预定数据，其中，预定数据为智能家居系统发生跳闸时对应的用电数据；在判断结果为用电数据不小于预定数据的情况下，根据用电数据生成智能家居系统的用电策略。

例如，在将参考数据输入至耗电量预测模型中，得到用电数据之后，判断得到用电数据不小于预定数据的情况下，智能家居系统中的智能家居中央控制系统可以对各用电设备运行机制做好提前规划，根据用户的喜好以及当日天气，安排相应用电设备合理错峰用电，进而避免用电量突然增大而引起跳闸现象，并实现节电。

在步骤s108中，根据用电数据生成智能家居系统的用电策略可以包括：通过用电策略模型，确定用电数据对应的用电策略，其中，用电策略模型是使用多组数据通过机器学习训练得到的，多组数据中的每组数据均包括：用电数据和用电数据对应的用电策略。

作为一种可选的实施例，在通过用电策略模型，确定用电数据对应的用电策略之前，该智能家居系统的用电控制方法还可以包括：采集在历史时间段的多个历史用电数据和多个历史用电策略模型，其中，多个历史用电策略模型是根据多个历史用电数据确定的模型；对采集的包括多个历史用电数据和多个历史用电策略模型的多组数据进行训练，得到用电策略模型。

在本发明实施例1中提供的智能家居系统的用电控制方法中，智能家居系统可以实现最大程度的满足用户的需求，同时实现耗电量最小的多参数寻优过程，具体地，可以根据历史每日耗电量情况和相应天气进行统计，作为训练数据训练得到耗电量预测模型，其中，耗电量情况可以包括家具智能系统的整体耗电情况和各个用电设备的耗电情况。根据耗电量预测模型可以预测未来某一时间的耗电情况，进而可以根据预测值，提前安排相应用电设备错峰用电，进而避免因用电量突然增大而引发的跳闸现象。图2是根据本发明实施例的可选的智能家居系统的用电控制方法的流程图，如图2所示，可以将智能家居中央控制系统会记录安装区域每日的家中智能家居系统的总用电量和各个用电设备的用电量作为输入数据，经过第一层卷积处理后，进入第二层卷积，后得到输出数据。其中，第一层卷积和第二层卷积均包括卷积和池化两个过程。另外，第一层卷积和第二层卷积中均设置有权值，例如，w1、w2，以及激活函数，例如，y1、y2、y3、y4以及y5，其中，y5可以由y4得到，y5＝y4*w3+b，其中，b是为对耗电量预测模型进行优化的常数，可以根据具体情况设置。其中，softmax为归一化指数函数。需要说明的是，上述输入数据以及输出数据可以以矩阵的形式展现。其中，图2中示出的是以卷积神经网络模型为两层卷积层为例，当然，卷积神经网络模型也可以为其他多层卷积层。

相对于相关技术，实施例1中提供的智能家居系统的用电控制方法可以有效改善智能家居系统整体耗电性能不佳的弊端，根据历史耗电情况对未来进行耗电预测，并通过预测数据提前制定相应的节电控制规划。

实施例2

根据本发明实施例的另外一个方面，还提供了一种智能家居系统的用电控制装置，需要说明的是，本发明实施例的智能家居系统的用电控制装置可以用于执行本发明实施例1所提供的智能家居系统的用电控制方法。以下对本发明实施例提供的智能家居系统的用电控制装置进行介绍。

图3是根据本发明实施例的智能家居系统的用电控制装置的示意图，如图3所示，该智能家居系统的用电控制装置包括：第一获取单元31，转换单元33，第二获取单元35，生成单元37以及发送单元39。下面对该智能家居系统的用电控制装置进行详细说明。

第一获取单元31，用于获取参考数据，其中，参考数据是用于生成智能家居系统中各个用电设备的用电数据的依据。

转换单元33，用于将参考数据中的每个数据转换成耗电量预测模型的输入，其中，耗电量预测模型是通过训练数据训练得到的，每组训练数据均包括：参考数据和该参考数据对应的用电数据。

第二获取单元35，用于获取耗电量预测模型的输出。

生成单元37，用于将输出转换为用电数据，并根据用电数据生成智能家居系统的用电策略。

发送单元39，用于将用电策略发送至智能家居系统，其中，智能家居系统根据用电策略控制各个用电设备。

需要说明的是，该实施例中的第一获取单元31可以用于执行本发明实施例中的步骤s102，该实施例中的转换单元33可以用于执行本发明实施例中的步骤s104，该实施例中的第二获取单元35可以用于执行本发明实施例中的步骤s106，该实施例中的生成单元37可以用于执行本发明实施例中的步骤s108，该实施例中的发送单元39可以用于执行本发明实施例中的步骤s110。上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例所公开的内容。

在该实施例中，可以利用第一获取单元31获取参考数据，其中，参考数据是用于生成智能家居系统中各个用电设备的用电数据的依据；然后利用转换单元33将参考数据中的每个数据转换成耗电量预测模型的输入，其中，耗电量预测模型是通过训练数据训练得到的，每组训练数据均包括：参考数据和该参考数据对应的用电数据；再利用第二获取单元35获取耗电量预测模型的输出；以及利用生成单元37将输出转换为用电数据，并根据用电数据生成智能家居系统的用电策略；并利用发送单元39将用电策略发送至智能家居系统，其中，智能家居系统根据用电策略控制各个用电设备。相对于相关技术中智能家居系统无法根据历史整体耗电量预测未来耗电量情况，也无法根据未来耗电情况对各个用电设备进行相应控制调节的弊端，通过本发明实施例提供的智能家居系统的用电控制装置可以实现根据历史耗电情况对智能家居系统的的未来耗电量进行预测，并通过预测值提前制定相应的节电控制规划的目的，不仅达到了提高智能家居系统的可靠性的技术效果，而且达到了节省电量的技术效果，进而解决了相关技术中无法实现根据未来时间段的耗电量对家居系统中的各个电器进行控制的技术问题。

作为一种可选的实施例，上述转换单元可以包括：第一获取模块，用于获取历史时间段的历史参考数据，并将历史参考数据作为训练数据；转换模块，用于将每组训练数据中的每个数据转换成数值；第一确定模块，用于将得到的每个数据对应的数值分别作为卷积神经网络模型的输入层节点和输出层节点；第二获取模块，用于根据输入层节点和输出层节点进行训练得到耗电量预测模型。

作为一种可选的实施例，上述训练数据可以是历史参考数据的一部分。

作为一种可选的实施例，上述历史参考数据的另一部分可以作为验证数据，其中，验证数据用于对耗电量预测模型进行验证。

作为一种可选的实施例，上述生成单元可以包括：判断模块，用于判断用电数据是否不小于预定数据，其中，预定数据为智能家居系统发生跳闸时对应的用电数据；生成模块，用于在判断结果为用电数据不小于预定数据的情况下，根据用电数据生成智能家居系统的用电策略。

作为一种可选的实施例，上述生成单元可以包括：第二确定模块，用于通过用电策略模型，确定用电数据对应的用电策略，其中，用电策略模型是使用多组数据通过机器学习训练得到的，多组数据中的每组数据均包括：用电数据和用电数据对应的用电策略。

作为一种可选的实施例，该智能家居系统的用电控制装置还可以包括：采集模块，用于在通过用电策略模型，确定用电数据对应的用电策略之前，采集在历史时间段的多个历史用电数据和多个历史用电策略模型，其中，多个历史用电策略模型是根据多个历史用电数据确定的模型；第三获取单元，用于对采集的包括多个历史用电数据和多个历史用电策略模型的多组数据进行训练，得到用电策略模型。

上述信息提示装置包括处理器和存储器，上述第一获取单元31，转换单元33，第二获取单元35，生成单元37以及发送单元39等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。

上述处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数将用电策略发送至智能家居系统，其中，智能家居系统根据用电策略控制各个用电设备。

上述存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flashram)，存储器包括至少一个存储芯片。

根据本发明实施例的另外一个方面，还提供了一种存储介质，存储介质包括存储的程序，其中，程序执行上述中任意一项的智能家居系统的用电控制方法。

根据本发明实施例的另外一个方面，还提供了一种处理器，处理器用于运行程序，其中，程序运行时执行上述中任意一项的智能家居系统的用电控制方法。

在本发明实施例中还提供了一种设备，该设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现以下步骤：获取参考数据，其中，参考数据是用于生成智能家居系统中各个用电设备的用电数据的依据；将参考数据中的每个数据转换成耗电量预测模型的输入，其中，耗电量预测模型是通过训练数据训练得到的，每组训练数据均包括：参考数据和该参考数据对应的用电数据；获取耗电量预测模型的输出；将输出转换为用电数据，并根据用电数据生成智能家居系统的用电策略；将用电策略发送至智能家居系统，其中，智能家居系统根据用电策略控制各个用电设备。

在本发明实施例中还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：获取参考数据，其中，参考数据是用于生成智能家居系统中各个用电设备的用电数据的依据；将参考数据中的每个数据转换成耗电量预测模型的输入，其中，耗电量预测模型是通过训练数据训练得到的，每组训练数据均包括：参考数据和该参考数据对应的用电数据；获取耗电量预测模型的输出；将输出转换为用电数据，并根据用电数据生成智能家居系统的用电策略；将用电策略发送至智能家居系统，其中，智能家居系统根据用电策略控制各个用电设备。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以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系统，或一些特征可以忽略，或不执行。另一点，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，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

所述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，即可以位于一个地方，或者也可以分布到多个单元上。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方案的目的。

另外，在本发明各个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。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以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。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分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，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。