目前家家戶戶都有許多的電器，然而，現有的智能家電設備功能單一，隻存在單台 設備部分功能實現智能化，需要人為的去關閉設備或者去開啟設備，不能根據不同區域的 不同人的習慣去進行用電預測，不能很好的滿足實際的生活需求，同時也會導緻用電資源 的浪費，難以實現整體最優節能的用電方案。

問題拆分

法包括：根據人 體感應器獲取用戶的相關數據，所述相關數據包 括對所述用戶的定位；根據所述相關數據構建馬爾可夫鍊模型，采用深度Q學習對所述馬爾可夫 鍊模型進行訓練，獲取所述用戶的行動預測結果；根據所述用戶的行動預測結果調節室内的溫度以及照明的亮度。本發明根據獲取用戶日常行動軌迹，結合用電習慣，對用戶電器使用行為進 行預測，優化用電方案，達到電器節能的最佳狀态。

問題解決

具體的，一般每個家庭成員的居家生活都有固定的規律，每天都會在固定的時間 在固定的房間内活動，對室溫和燈光亮度有固定的要求。因此，可以根據家庭成員的日常行 動軌迹，優化電器使用方案，在家庭成員到達房間前提前調整好室溫和燈光亮度等，在沒有 家庭成員活動的房間關閉燈管，關閉空調或将空調溫度調節至與室外溫度相近的最節能的 方式。此外，家庭成員一般按照固定的時間駕駛電動車外出，按固定的時間駕駛電動返回， 隻需要在用車前把電動車充滿電就可以，因此，可以根據家庭用車習慣，選擇用電低谷時對 電動車進行充電，從而錯開用電高峰。當家庭安裝了太陽能發電裝置或風力發電機和蓄電 池時，可以優先利用這些清潔能源作為電源，既清潔環保，又可以降低電費。同時可結合該 台區用電量預測結果，實現家庭微型用電量峰谷調節。而且，根據家庭各種電器用電情況， 可以知道哪些電器設備故障，從而自動在網上查找同型号同款式的電器，或推薦相似産品， 待用戶選定産品後，根據用戶在家的非睡眠時間，安排快遞員和工程師配送安裝電器。另 外，家庭用戶可以實時了解家庭用電情況，各種電器所占的用電比例，以及當前電費情況， 以及推薦适合該用戶的新型電器産品和更優的用電方案。

[0042] 要實現對家庭電器優化使用系統的數據采集和設備控制，首先需要搭建通信通 道，以便采集數據和控制電器設備，在室内各個房間安裝人體感應器、光感應器、溫度感應 器等傳感器和音頻采集器，門口安裝攝像頭，有線傳感器優選電力線載波接入無線路由器， 無線傳感器可以采用WAPI、藍牙、LoRa、WIFI、Zigbee等無線方式接入無線路由器，手機、手 環等可穿戴類電子産品用無線方式接入無線路由器。若該房屋有室外安裝了太陽能電池和 微型風力發電機等清潔能源，可在室外配置溫度傳感器和風速傳感器，同樣的，有線設備優 選電力線載波接入無線路由器，無線設備接入無線路由。無線路由器接入電路控制系統，将 各傳感器、音頻采集器和視頻采集器的數據信息發送至電路控制系統。

[0043] 太陽能電池、微型風力發電機産生的電能接入家用的蓄電池，蓄電池由電路控制 系統控制。空調、電燈、電動車充電樁等家用電器接入電路控制系統，智能家電可直接由電 路控制系統控制電器運行狀态，非智能家電可在電源開關上安裝帶通信接口的開關控制裝 置，再接入電路控制系統，以實現對電器的控制。電路控制系統将數據信息上傳智能電表。各智能斷路器、智能電表均配置通信模塊，下聯收發數據，發送控制命令，上聯收發數據，接 收控制命令。在配電側配置配電帶邊緣計算能力的網關，上聯主站通信設備。主站通信設備 采集配電變壓器數據，并上聯更高電壓等級變電站通信設備，接入調控中心通信設備，最後 接入電網企業雲平台，雲平台連接外部氣象信息和網上商城。

[0044] S102、根據所述相關數據構建馬爾可夫鍊模型，采用深度Q學習對所述馬爾可夫鍊 模型進行訓練，獲取所述用戶的行動預測結果。

[0045] 具體的，采用人體感應器，感知用戶的位置，将室内的各房間編号為R1 ,R2 ,R3等等， 将用戶編号為P1 ,P2 ,P3等等，記錄室内各用戶所處房間變更的時間，以及從哪個房間轉移至 哪個房間，以及此時其餘用戶所處位置。對以上獲取的數據進行清洗，包括修複異常值，填 充缺失值，删除重複值等，其中，缺失值填充方法為對于不确定的量，采用前值填充。

[0046] 根據用戶Pn處于的房間Rn定位，構建馬爾可夫鍊模型，采用深度Q學習預測用戶Pn 将前往的房間Rn的狀态‑行為最優值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為用戶的狀态s和行為a的最優值，标記為Qk (s ,a)，α為學習率，γ為折扣 率，r為狀态s到狀态s '和行為a到行為a '獲得的回報。深度Q學習算法為評估最優狀态‑行為 值，稱為Q值。狀态‑行為(s ,a)的最優Q值，标記為Qk (s ,a)，是代理達到狀态s并選擇了行為a 後，假設在此行為後其行為最優，預期的平均折扣後未來回報的總和，其工作原理：首先将 所有的Q值估計初始化為零，然後使用Q值算法進行更新。對于每個狀态‑行為對(s ,a)，該算 法持續跟蹤代理通過行為a離開狀态s是的平均回報，加上以後的期望回報，由于目标策略 會采取最佳行為，所以對于下一個狀态采用最大的Q值預估值，若猜對下一步用戶Pn将前往 Rn時，回報r為正，猜錯則回報r為負，将預測的用戶下一步将在哪個時間前往哪個房間結果 推送下一步驟。

[0049] S103、根據所述用戶的行動預測結果調節室内的溫度以及照明的亮度。

[0050] 具體的，采用光感應器、溫度感應器收集用戶所處的位置的溫度和亮度，根據用戶 預設值，調節所處用戶所處位置的空調溫度和燈光亮度至預設值。根據用戶定位以及行動 預測的結果，提前将用戶預計将前往的房間溫度調至用戶預設值，采用音頻采集器，采集人 員指令，調節該用戶所處的室内溫度以及照明亮度，關閉無人房間的燈光照明，将無人房間 的溫度調節至最節能狀态，如關閉空調或将空調溫度調節至與室外接近的溫度。

[0051] 本發明通過對用戶的用電習慣數據的采集，構建模型進行訓練，對用戶行為進行 預測，及時調整房間電器的最佳狀态，達到用戶使用電器的最舒适狀态。

[0052] 在又一實施例中，根據預設的氣象信息與用戶月度用電量信息結合，通過特征分 析和主成分分析，确定用戶用電電量的影響因子，根據線性回歸算法獲取用戶未來月度用 量預測結果，進而獲取用戶用電習慣。

[0053] 根據行動預測結果與用戶用電習慣，将用戶預計前往的房間溫度調節至預設值， 利用音頻采集器，采集用戶控制指令，調節用戶所處室内的溫度以及照明的亮度。

[0054] 記錄用戶使用各種電器的用電時間，預計月度總用電量，發送至智能電表、用戶手 機APP和用戶手環。基于以往的用戶用電數據及相關外部數據，開展預處理、關聯，構建供用 戶月度用電量預測模型，預測用戶的月度用電量。首先将曆史氣象信息和用戶月度用電量 信息結合，通過特征分析和主成分分析，找到對用戶用電電量有較大影響的輸入因子，建立線性回歸模型，并利用模型對測試樣本數據進行預測。

[0055] 在電網系統數據資源内，抽取該用電客戶檔案信息，獲取特征數據，選取的特征包 括：用戶标識、用電地址、用戶類型、樓盤小區名稱、用電量信息(累計用電量、用電月數、平 均用電量)、所屬城市、總容量等。獲取電網系統外部數據，包括地區天氣數據(包括最高氣 溫、最低氣溫、氣溫差)等。室内傳感器記錄用戶使用各種電器的用電時間、時長。

[0056] 對數據進行清理，包括修複異常值，填充缺失值，删除重複值等。缺失值填充方法： 對有時間關系的連續型數據，如供電量，采用滑動平均值的方法，對于沒有時間關系的連續 型采用均值法進行填充，對于不确定的量，采用前值填充。

[0057] 氣溫不僅僅與用電量相關，其還呈現季節性趨勢，以年為周期的波動特征，另外時 間其實是連續型的數據，因此考慮将用戶的用電時間單獨提取出來作為數據的季節性特征 之一。利用主成分析根據特征占比分析可以得到上月供電量、上上月供電量、總容量、最高 平均溫度等字段對于目标貢獻較大，因此模型的初始輸入特征選擇了曆史供電量、氣溫情 況、總容量等幾個類型的變量作為特征。

[0058] 由于預測用電量字段是連續型，所以算法隻能從線性回歸、多項式回歸、M5P回歸 樹三種中選擇，另外又因為輸入特征中包含名義型字段(台區标識、所屬城市)，所以排除多 項式回歸。最後由于線性回歸的運行速度大大優于M5P回歸樹，耗時少，并且從散點圖發現 輸入字段和目标存在一定的多元線性關系，因此選用線性回歸算法。抽取樣本的80％作為 訓練集，20％作為測試集，訓練模型，通過用戶月度用電量預測結果，預計月度用電量、月度 電費，發送至智能電表、用戶手機APP和用戶手環。

[0059] 本發明通過對用戶的用電習慣數據的采集，構建模型進行訓練，對用戶行為進行 預測，及時調整房間電器的最佳狀态，達到用戶使用電器的最舒适狀态。通過搭建家用電器 數據采集及控制通道，結合電網台區用電負荷預測、電網企業雲平台、外部氣象信息、電商 平台等信息，将家庭用電設備調節至最優最節能狀态。同時，結合用戶用電習慣，對用戶電 器使用行為進行預測，達到用戶使用電器的最舒适狀态。

[0060] 在另一實施例中，利用感應器，感知電動車是否在停車庫，記錄電動車停車時間 段，對電動車定位及行動預測。統計電動車曆史達到車庫和離開車庫時間以及停車時長，将 統計的數據作為預測的數據輸入值，預測未來電動車的停車時長和離開車庫時間。

[0061] 基于以往的用車數據、用戶行動數據以及相關外部數據，開展預處理、關聯，構建 用車行為預測模型，預測停車時段。首先将曆史氣象信息和以往的用車數據、用戶行動數據 信息結合，通過特征分析和主成分分析，找到對台區用戶電量有較大影響的輸入因子，建立 模型，并利用模型對測試樣本數據進行預測。

[0062] 利用感應器，感知電動車是否在停車庫，利用人體感應器，感知用戶的位置，曆史 的電動車達車庫和離開車庫時間，以及停車時長，曆史的用戶定位及行動記錄，獲取電網系 統外部數據，包括地區天氣數據(包括最高氣溫、最低氣溫、氣溫差、雨量、風力)等。對數據 進行清洗，包括修複異常值，填充缺失值，删除重複值等，缺失值填充方法，對于不确定的 量，采用前值填充。由于預測用停車時長字段是連續型，所以算法隻能從線性回歸、多項式 回歸、M5P回歸樹、深度神經網絡中選擇，本方案選擇深度神經網絡算法建立模型，通過抽取 樣本的80％作為訓練集，20％作為測試集，訓練模型獲取停車時長預測結果，可以估計電動 車停車的時段。

[0063] 結合該用戶所在台區的日用電量預測，安排電動車在停電時間内的台區用電量低 谷進行電動車充電。基于以往的台區用電數據及相關外部數據，開展預處理、關聯，構建供 電台區用電量預測模型，預測台區的用電量。首先将曆史氣象信息和台區用戶電量信息結 合。通過特征分析和主成分分析，找到對台區用戶電量有較大影響的輸入因子。建立線性回 歸模型，并利用模型對測試樣本數據進行預測。

[0064] 在電網系統數據資源内，抽樣用電客戶檔案信息，獲取特征數據，選取的特征包 括：台區标識、電費年月日時、公變用戶數、公變總容量、交流220kV用戶數、居民生活用戶 數、三類負荷用戶數、所屬城市、總容量、台區總用戶數、無等級用戶數、無階梯用戶數、一表 一戶用戶數、專變總容量。獲取電網系統外部數據，包括地區天氣數據(包括最高氣溫、最低 氣溫、氣溫差)等。對數據進行清理，包括修複異常值，填充缺失值，删除重複值等。缺失值填 充方法：對有時間關系的連續型數據，如供電量，采用滑動平均值的方法，對于沒有時間關 系的連續型采用均值法進行填充，對于不确定的量，采用前值填充。特征抽取：

[0065] (1)經過現有電網數據探索發現台區用戶的數據主要因為變壓器的類型呈現較大 的供電量區别，因此針對專變容量和公變容量兩個字段利用one‑hot編碼的方式将數據分 成專變台區和公變台區兩類。

[0066] (2)氣溫不僅僅與供電量相關，其還呈現季節性趨勢，以年為周期的波動特征，另 外時間其實是連續型的數據，因此考慮将台區的供電時間單獨提取出來作為數據的季節性 特征之一。

[0067] 特征字段選取：利用主成分析根據特征占比分析可以得到昨日供電量、前日供電 量、專變總容量、總容量、最高平均溫度等字段對于目标貢獻較大，因此模型的初始輸入特 征選擇了曆史供電量、氣溫情況、變壓器容量等幾個類型的變量作為特征。

[0068] 由于預測用電量字段是連續型，所以算法隻能從線性回歸、多項式回歸、M5P回歸 樹三種中選擇。另外又因為輸入特征中包含名義型字段(台區标識、所屬城市)，所以排除多 項式回歸。最後由于線性回歸的運行速度大大優于M5P回歸樹，耗時少，并且從散點圖發現 輸入字段和目标存在一定的多元線性關系，因此選用線性回歸算法。

[0069] 抽取樣本的80％作為訓練集，20％作為測試集，訓練模型。通過電量預測結果，可 以分析該台區在未來的負載情況趨勢，判斷台區在未來的用電高峰時段和用電低谷時段。

[0070] 當檢測到家用電器、各傳感器故障，無法正常運作時，向用戶手機或手環等電子設 備發送故障設備信息。系統通過企業網上商城，搜索同款商品或同類型可替換商品，将購買 鍊接發送至用戶手機或手環等設備，由用戶确認是否下單購買。若用戶确認下單購買推薦 的電器産品，則根據第二點預測的用戶在室内大廳的時間，推薦配送安裝時間，由用戶确認 後安排相應時間段進行電器配送安裝。

[0071] 根據用戶各電器設備單位時間段内用電量統計結果，通過手機或手環向用戶推薦 同類可替換的更節能的電器産品。若不同時段内電費價格不一緻，通過手機或手環向用戶 推薦，将可調整用電時間的電器設備，洗衣機、洗碗機、電動車等的用電時間調整至電費價 格更低的時間段或該台區日用電量低谷時段，由用戶确認同意後，在低電費時間段或該台 區日用電量低谷時間内，啟動該類型電器設備電源，高電價時間段或該台區日用電量高峰 時間内，關閉該類型電器設備電源。

[0072] 在默認情況下，家庭用電系統優先使用太陽能和風能蓄電池的電能。在該台區用電負荷較大的季節，結合該用戶所在台區的日用電量預測，安排該台區用電高峰期間，使用 家庭蓄電池電能，該台區用電低谷期間，向該家庭蓄電池充電，實現家庭微型用電量調節。 通過電網企業雲平台獲取外部氣象信息，當地區有台風、冰雹等惡劣天氣預警時，向用戶手 機或手環等電子設備發送相關天氣預警信息，同時系統收起微型風力發電機風頁，太陽能 闆加蓋防護罩，保護發電設備，待預警信息解除後再重新打開。

[0073] 本發明通過對用戶的用電習慣數據的采集，構建模型進行訓練，對用戶行為進行 預測，及時調整房間電器的最佳狀态，達到用戶使用電器的最舒适狀态。通過搭建家用電器 數據采集及控制通道，結合電網台區用電負荷預測、電網企業雲平台、外部氣象信息、電商 平台等信息，将家庭用電設備調節至最優最節能狀态，同時，結合用戶用電習慣，對用戶電 器使用行為進行預測，達到用戶使用電器的最舒适狀态。

[0074] 請參閱圖2，本發明提供一種家庭電器優化使用管理裝置，包括：

[0075] 獲取模塊11，用于根據人體感應器獲取用戶的相關數據，所述相關數據包括對所 述用戶的定位；

[0076] 訓練模塊12，用于根據所述相關數據構建馬爾可夫鍊模型，采用深度Q學習對所述 馬爾可夫鍊模型進行訓練，獲取所述用戶的行動預測結果；

[0077] 确定模塊13，用于根據所述用戶的行動預測結果調節室内的溫度以及照明的亮 度。

[0078] 關于家庭電器優化使用管理裝置的具體限定可以參見上文中對于的限定，在此不 再贅述。上述家庭電器優化使用管理裝置中的各個模塊可全部或部分通過軟件、硬件及其 組合來實現。上述各模塊可以硬件形式内嵌于或獨立于計算機設備中的處理器中，也可以 以軟件形式存儲于計算機設備中的存儲器中，以便于處理器調用執行以上各個模塊對應的 操作。

[0079] 本發明提供一種計算機終端設備，包括一個或多個處理器和存儲器。存儲器與所 述處理器耦接，用于存儲一個或多個程序，當所述一個或多個程序被所述一個或多個處理 器執行，使得所述一個或多個處理器實現如上述任意一個實施例中的家庭電器優化使用管 理方法。

[0080] 處理器用于控制該計算機終端設備的整體操作，以完成上述的家庭電器優化使用 管理方法的全部或部分步驟。存儲器用于存儲各種類型的數據以支持在該計算機終端設備 的操作，這些數據例如可以包括用于在該計算機終端設備上操作的任何應用程序或方法的 指令，以及應用程序相關的數據。該存儲器可以由任何類型的易失性或非易失性存儲設備 或者它們的組合實現，例如靜态随機存取存儲器(Static Random Access Memory，簡稱 SRAM)，電可擦除可編程隻讀存儲器(Electrically Erasable Programmable Read‑Only Memory，簡稱EEPROM)，可擦除可編程隻讀存儲器(Erasable Programmable Read‑Only Memory，簡稱EPROM)，可編程隻讀存儲器(Programmable Read‑Only Memory，簡稱PROM)，隻 讀存儲器(Read‑Only Memory，簡稱ROM)，磁存儲器，快閃存儲器，磁盤或光盤。

[0081] 在一示例性實施例中，計算機終端設備可以被一個或多個應用專用集成電路 (Application Specific 1ntegrated Circuit，簡稱AS1C)、數字信号處理器(Digital Signal Processor，簡稱DSP)、數字信号處理設備(Digital Signal Processing Device , 簡稱DSPD)、可編程邏輯器件(Programmable Logic Device，簡稱PLD)、現場可編程門陣列(Field Programmable Gate Array，簡稱FPGA)、控制器、微控制器、微處理器或其他電子元 件實現，用于執行上述的家庭電器優化使用管理方法，并達到如上述方法一緻的技術效果。

[0082] 在另一示例性實施例中，還提供了一種包括程序指令的計算機可讀存儲介質，該 程序指令被處理器執行時實現上述任意一個實施例中的家庭電器優化使用管理方法的步 驟。例如，該計算機可讀存儲介質可以為上述包括程序指令的存儲器，上述程序指令可由計 算機終端設備的處理器執行以完成上述的家庭電器優化使用管理方法，并達到如上述方法 一緻的技術效果。

更多精彩资讯请关注tft每日頭條，我们将持续为您更新最新资讯!