家电智能控制是如何实现的（家电优化控制技术）

目前家家户户都有许多的电器，然而，现有的智能家电设备功能单一，只存在单台 设备部分功能实现智能化，需要人为的去关闭设备或者去开启设备，不能根据不同区域的 不同人的习惯去进行用电预测，不能很好的满足实际的生活需求，同时也会导致用电资源 的浪费，难以实现整体最优节能的用电方案。

问题拆分

法包括：根据人 体感应器获取用户的相关数据，所述相关数据包 括对所述用户的定位；根据所述相关数据构建马尔可夫链模型，采用深度Q学习对所述马尔可夫 链模型进行训练，获取所述用户的行动预测结果；根据所述用户的行动预测结果调节室内的温度以及照明的亮度。本发明根据获取用户日常行动轨迹，结合用电习惯，对用户电器使用行为进 行预测，优化用电方案，达到电器节能的最佳状态。

问题解决

具体的，一般每个家庭成员的居家生活都有固定的规律，每天都会在固定的时间 在固定的房间内活动，对室温和灯光亮度有固定的要求。因此，可以根据家庭成员的日常行 动轨迹，优化电器使用方案，在家庭成员到达房间前提前调整好室温和灯光亮度等，在没有 家庭成员活动的房间关闭灯管，关闭空调或将空调温度调节至与室外温度相近的最节能的 方式。此外，家庭成员一般按照固定的时间驾驶电动车外出，按固定的时间驾驶电动返回， 只需要在用车前把电动车充满电就可以，因此，可以根据家庭用车习惯，选择用电低谷时对 电动车进行充电，从而错开用电高峰。当家庭安装了太阳能发电装置或风力发电机和蓄电 池时，可以优先利用这些清洁能源作为电源，既清洁环保，又可以降低电费。同时可结合该 台区用电量预测结果，实现家庭微型用电量峰谷调节。而且，根据家庭各种电器用电情况， 可以知道哪些电器设备故障，从而自动在网上查找同型号同款式的电器，或推荐相似产品， 待用户选定产品后，根据用户在家的非睡眠时间，安排快递员和工程师配送安装电器。另 外，家庭用户可以实时了解家庭用电情况，各种电器所占的用电比例，以及当前电费情况， 以及推荐适合该用户的新型电器产品和更优的用电方案。

[0042] 要实现对家庭电器优化使用系统的数据采集和设备控制，首先需要搭建通信通 道，以便采集数据和控制电器设备，在室内各个房间安装人体感应器、光感应器、温度感应 器等传感器和音频采集器，门口安装摄像头，有线传感器优选电力线载波接入无线路由器， 无线传感器可以采用WAPI、蓝牙、LoRa、WIFI、Zigbee等无线方式接入无线路由器，手机、手 环等可穿戴类电子产品用无线方式接入无线路由器。若该房屋有室外安装了太阳能电池和 微型风力发电机等清洁能源，可在室外配置温度传感器和风速传感器，同样的，有线设备优 选电力线载波接入无线路由器，无线设备接入无线路由。无线路由器接入电路控制系统，将 各传感器、音频采集器和视频采集器的数据信息发送至电路控制系统。

[0043] 太阳能电池、微型风力发电机产生的电能接入家用的蓄电池，蓄电池由电路控制 系统控制。空调、电灯、电动车充电桩等家用电器接入电路控制系统，智能家电可直接由电 路控制系统控制电器运行状态，非智能家电可在电源开关上安装带通信接口的开关控制装 置，再接入电路控制系统，以实现对电器的控制。电路控制系统将数据信息上传智能电表。各智能断路器、智能电表均配置通信模块，下联收发数据，发送控制命令，上联收发数据，接 收控制命令。在配电侧配置配电带边缘计算能力的网关，上联主站通信设备。主站通信设备 采集配电变压器数据，并上联更高电压等级变电站通信设备，接入调控中心通信设备，最后 接入电网企业云平台，云平台连接外部气象信息和网上商城。

[0044] S102、根据所述相关数据构建马尔可夫链模型，采用深度Q学习对所述马尔可夫链 模型进行训练，获取所述用户的行动预测结果。

[0045] 具体的，采用人体感应器，感知用户的位置，将室内的各房间编号为R1 ,R2 ,R3等等， 将用户编号为P1 ,P2 ,P3等等，记录室内各用户所处房间变更的时间，以及从哪个房间转移至 哪个房间，以及此时其余用户所处位置。对以上获取的数据进行清洗，包括修复异常值，填 充缺失值，删除重复值等，其中，缺失值填充方法为对于不确定的量，采用前值填充。

[0046] 根据用户Pn处于的房间Rn定位，构建马尔可夫链模型，采用深度Q学习预测用户Pn 将前往的房间Rn的状态‑行为最优值Qk 1(s ,a)，如下：

[0047] Qk 1(s ,a)＝(1‑α)Qk (s ,a) α(r γmaxQk (s ',a '))；

[0048] 式中，Qk为用户的状态s和行为a的最优值，标记为Qk (s ,a)，α为学习率，γ为折扣 率，r为状态s到状态s '和行为a到行为a '获得的回报。深度Q学习算法为评估最优状态‑行为 值，称为Q值。状态‑行为(s ,a)的最优Q值，标记为Qk (s ,a)，是代理达到状态s并选择了行为a 后，假设在此行为后其行为最优，预期的平均折扣后未来回报的总和，其工作原理：首先将 所有的Q值估计初始化为零，然后使用Q值算法进行更新。对于每个状态‑行为对(s ,a)，该算 法持续跟踪代理通过行为a离开状态s是的平均回报，加上以后的期望回报，由于目标策略 会采取最佳行为，所以对于下一个状态采用最大的Q值预估值，若猜对下一步用户Pn将前往 Rn时，回报r为正，猜错则回报r为负，将预测的用户下一步将在哪个时间前往哪个房间结果 推送下一步骤。

[0049] S103、根据所述用户的行动预测结果调节室内的温度以及照明的亮度。

[0050] 具体的，采用光感应器、温度感应器收集用户所处的位置的温度和亮度，根据用户 预设值，调节所处用户所处位置的空调温度和灯光亮度至预设值。根据用户定位以及行动 预测的结果，提前将用户预计将前往的房间温度调至用户预设值，采用音频采集器，采集人 员指令，调节该用户所处的室内温度以及照明亮度，关闭无人房间的灯光照明，将无人房间 的温度调节至最节能状态，如关闭空调或将空调温度调节至与室外接近的温度。

[0051] 本发明通过对用户的用电习惯数据的采集，构建模型进行训练，对用户行为进行 预测，及时调整房间电器的最佳状态，达到用户使用电器的最舒适状态。

[0052] 在又一实施例中，根据预设的气象信息与用户月度用电量信息结合，通过特征分 析和主成分分析，确定用户用电电量的影响因子，根据线性回归算法获取用户未来月度用 量预测结果，进而获取用户用电习惯。

[0053] 根据行动预测结果与用户用电习惯，将用户预计前往的房间温度调节至预设值， 利用音频采集器，采集用户控制指令，调节用户所处室内的温度以及照明的亮度。

[0054] 记录用户使用各种电器的用电时间，预计月度总用电量，发送至智能电表、用户手 机APP和用户手环。基于以往的用户用电数据及相关外部数据，开展预处理、关联，构建供用 户月度用电量预测模型，预测用户的月度用电量。首先将历史气象信息和用户月度用电量 信息结合，通过特征分析和主成分分析，找到对用户用电电量有较大影响的输入因子，建立线性回归模型，并利用模型对测试样本数据进行预测。

[0055] 在电网系统数据资源内，抽取该用电客户档案信息，获取特征数据，选取的特征包 括：用户标识、用电地址、用户类型、楼盘小区名称、用电量信息(累计用电量、用电月数、平 均用电量)、所属城市、总容量等。获取电网系统外部数据，包括地区天气数据(包括最高气 温、最低气温、气温差)等。室内传感器记录用户使用各种电器的用电时间、时长。

[0056] 对数据进行清理，包括修复异常值，填充缺失值，删除重复值等。缺失值填充方法： 对有时间关系的连续型数据，如供电量，采用滑动平均值的方法，对于没有时间关系的连续 型采用均值法进行填充，对于不确定的量，采用前值填充。

[0057] 气温不仅仅与用电量相关，其还呈现季节性趋势，以年为周期的波动特征，另外时 间其实是连续型的数据，因此考虑将用户的用电时间单独提取出来作为数据的季节性特征 之一。利用主成分析根据特征占比分析可以得到上月供电量、上上月供电量、总容量、最高 平均温度等字段对于目标贡献较大，因此模型的初始输入特征选择了历史供电量、气温情 况、总容量等几个类型的变量作为特征。

[0058] 由于预测用电量字段是连续型，所以算法只能从线性回归、多项式回归、M5P回归 树三种中选择，另外又因为输入特征中包含名义型字段(台区标识、所属城市)，所以排除多 项式回归。最后由于线性回归的运行速度大大优于M5P回归树，耗时少，并且从散点图发现 输入字段和目标存在一定的多元线性关系，因此选用线性回归算法。抽取样本的80％作为 训练集，20％作为测试集，训练模型，通过用户月度用电量预测结果，预计月度用电量、月度 电费，发送至智能电表、用户手机APP和用户手环。

[0059] 本发明通过对用户的用电习惯数据的采集，构建模型进行训练，对用户行为进行 预测，及时调整房间电器的最佳状态，达到用户使用电器的最舒适状态。通过搭建家用电器 数据采集及控制通道，结合电网台区用电负荷预测、电网企业云平台、外部气象信息、电商 平台等信息，将家庭用电设备调节至最优最节能状态。同时，结合用户用电习惯，对用户电 器使用行为进行预测，达到用户使用电器的最舒适状态。

[0060] 在另一实施例中，利用感应器，感知电动车是否在停车库，记录电动车停车时间 段，对电动车定位及行动预测。统计电动车历史达到车库和离开车库时间以及停车时长，将 统计的数据作为预测的数据输入值，预测未来电动车的停车时长和离开车库时间。

[0061] 基于以往的用车数据、用户行动数据以及相关外部数据，开展预处理、关联，构建 用车行为预测模型，预测停车时段。首先将历史气象信息和以往的用车数据、用户行动数据 信息结合，通过特征分析和主成分分析，找到对台区用户电量有较大影响的输入因子，建立 模型，并利用模型对测试样本数据进行预测。

[0062] 利用感应器，感知电动车是否在停车库，利用人体感应器，感知用户的位置，历史 的电动车达车库和离开车库时间，以及停车时长，历史的用户定位及行动记录，获取电网系 统外部数据，包括地区天气数据(包括最高气温、最低气温、气温差、雨量、风力)等。对数据 进行清洗，包括修复异常值，填充缺失值，删除重复值等，缺失值填充方法，对于不确定的 量，采用前值填充。由于预测用停车时长字段是连续型，所以算法只能从线性回归、多项式 回归、M5P回归树、深度神经网络中选择，本方案选择深度神经网络算法建立模型，通过抽取 样本的80％作为训练集，20％作为测试集，训练模型获取停车时长预测结果，可以估计电动 车停车的时段。

[0063] 结合该用户所在台区的日用电量预测，安排电动车在停电时间内的台区用电量低 谷进行电动车充电。基于以往的台区用电数据及相关外部数据，开展预处理、关联，构建供 电台区用电量预测模型，预测台区的用电量。首先将历史气象信息和台区用户电量信息结 合。通过特征分析和主成分分析，找到对台区用户电量有较大影响的输入因子。建立线性回 归模型，并利用模型对测试样本数据进行预测。

[0064] 在电网系统数据资源内，抽样用电客户档案信息，获取特征数据，选取的特征包 括：台区标识、电费年月日时、公变用户数、公变总容量、交流220kV用户数、居民生活用户 数、三类负荷用户数、所属城市、总容量、台区总用户数、无等级用户数、无阶梯用户数、一表 一户用户数、专变总容量。获取电网系统外部数据，包括地区天气数据(包括最高气温、最低 气温、气温差)等。对数据进行清理，包括修复异常值，填充缺失值，删除重复值等。缺失值填 充方法：对有时间关系的连续型数据，如供电量，采用滑动平均值的方法，对于没有时间关 系的连续型采用均值法进行填充，对于不确定的量，采用前值填充。特征抽取：

[0065] (1)经过现有电网数据探索发现台区用户的数据主要因为变压器的类型呈现较大 的供电量区别，因此针对专变容量和公变容量两个字段利用one‑hot编码的方式将数据分 成专变台区和公变台区两类。

[0066] (2)气温不仅仅与供电量相关，其还呈现季节性趋势，以年为周期的波动特征，另 外时间其实是连续型的数据，因此考虑将台区的供电时间单独提取出来作为数据的季节性 特征之一。

[0067] 特征字段选取：利用主成分析根据特征占比分析可以得到昨日供电量、前日供电 量、专变总容量、总容量、最高平均温度等字段对于目标贡献较大，因此模型的初始输入特 征选择了历史供电量、气温情况、变压器容量等几个类型的变量作为特征。

[0068] 由于预测用电量字段是连续型，所以算法只能从线性回归、多项式回归、M5P回归 树三种中选择。另外又因为输入特征中包含名义型字段(台区标识、所属城市)，所以排除多 项式回归。最后由于线性回归的运行速度大大优于M5P回归树，耗时少，并且从散点图发现 输入字段和目标存在一定的多元线性关系，因此选用线性回归算法。

[0069] 抽取样本的80％作为训练集，20％作为测试集，训练模型。通过电量预测结果，可 以分析该台区在未来的负载情况趋势，判断台区在未来的用电高峰时段和用电低谷时段。

[0070] 当检测到家用电器、各传感器故障，无法正常运作时，向用户手机或手环等电子设 备发送故障设备信息。系统通过企业网上商城，搜索同款商品或同类型可替换商品，将购买 链接发送至用户手机或手环等设备，由用户确认是否下单购买。若用户确认下单购买推荐 的电器产品，则根据第二点预测的用户在室内大厅的时间，推荐配送安装时间，由用户确认 后安排相应时间段进行电器配送安装。

[0071] 根据用户各电器设备单位时间段内用电量统计结果，通过手机或手环向用户推荐 同类可替换的更节能的电器产品。若不同时段内电费价格不一致，通过手机或手环向用户 推荐，将可调整用电时间的电器设备，洗衣机、洗碗机、电动车等的用电时间调整至电费价 格更低的时间段或该台区日用电量低谷时段，由用户确认同意后，在低电费时间段或该台 区日用电量低谷时间内，启动该类型电器设备电源，高电价时间段或该台区日用电量高峰 时间内，关闭该类型电器设备电源。

[0072] 在默认情况下，家庭用电系统优先使用太阳能和风能蓄电池的电能。在该台区用电负荷较大的季节，结合该用户所在台区的日用电量预测，安排该台区用电高峰期间，使用 家庭蓄电池电能，该台区用电低谷期间，向该家庭蓄电池充电，实现家庭微型用电量调节。 通过电网企业云平台获取外部气象信息，当地区有台风、冰雹等恶劣天气预警时，向用户手 机或手环等电子设备发送相关天气预警信息，同时系统收起微型风力发电机风页，太阳能 板加盖防护罩，保护发电设备，待预警信息解除后再重新打开。

[0073] 本发明通过对用户的用电习惯数据的采集，构建模型进行训练，对用户行为进行 预测，及时调整房间电器的最佳状态，达到用户使用电器的最舒适状态。通过搭建家用电器 数据采集及控制通道，结合电网台区用电负荷预测、电网企业云平台、外部气象信息、电商 平台等信息，将家庭用电设备调节至最优最节能状态，同时，结合用户用电习惯，对用户电 器使用行为进行预测，达到用户使用电器的最舒适状态。

[0074] 请参阅图2，本发明提供一种家庭电器优化使用管理装置，包括：

[0075] 获取模块11，用于根据人体感应器获取用户的相关数据，所述相关数据包括对所 述用户的定位；

[0076] 训练模块12，用于根据所述相关数据构建马尔可夫链模型，采用深度Q学习对所述 马尔可夫链模型进行训练，获取所述用户的行动预测结果；

[0077] 确定模块13，用于根据所述用户的行动预测结果调节室内的温度以及照明的亮 度。

[0078] 关于家庭电器优化使用管理装置的具体限定可以参见上文中对于的限定，在此不 再赘述。上述家庭电器优化使用管理装置中的各个模块可全部或部分通过软件、硬件及其 组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以 以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的 操作。

[0079] 本发明提供一种计算机终端设备，包括一个或多个处理器和存储器。存储器与所 述处理器耦接，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理 器执行，使得所述一个或多个处理器实现如上述任意一个实施例中的家庭电器优化使用管 理方法。

[0080] 处理器用于控制该计算机终端设备的整体操作，以完成上述的家庭电器优化使用 管理方法的全部或部分步骤。存储器用于存储各种类型的数据以支持在该计算机终端设备 的操作，这些数据例如可以包括用于在该计算机终端设备上操作的任何应用程序或方法的 指令，以及应用程序相关的数据。该存储器可以由任何类型的易失性或非易失性存储设备 或者它们的组合实现，例如静态随机存取存储器(Static Random Access Memory，简称 SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read‑Only Memory，简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read‑Only Memory，简称EPROM)，可编程只读存储器(Programmable Read‑Only Memory，简称PROM)，只 读存储器(Read‑Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。

[0081] 在一示例性实施例中，计算机终端设备可以被一个或多个应用专用集成电路 (Application Specific 1ntegrated Circuit，简称AS1C)、数字信号处理器(Digital Signal Processor，简称DSP)、数字信号处理设备(Digital Signal Processing Device , 简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元 件实现，用于执行上述的家庭电器优化使用管理方法，并达到如上述方法一致的技术效果。

[0082] 在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该 程序指令被处理器执行时实现上述任意一个实施例中的家庭电器优化使用管理方法的步 骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器，上述程序指令可由计 算机终端设备的处理器执行以完成上述的家庭电器优化使用管理方法，并达到如上述方法 一致的技术效果。

,