设备控制方法、装置、系统、电子设备及存储介质制造方法及图纸

本申请涉及一种设备控制方法、装置、系统、电子设备和存储介质。所述方法包括：获取目标空间下的当前状态信息；通过已训练的机器学习模型，基于历史设备控制信息对所述当前状态信息所对应的控制指令进行预测处理，获得与所述目标空间下的当前状态相匹配的控制指令；所述机器学习模型是基于设备控制信息和空间状态信息训练得到；若所述控制指令满足目标条件，则控制对应的目标设备执行所述控制指令。采用本方法能够提高控制精细化和智能化，同时可达到降低浪费能源和提升舒适性的目的。到降低浪费能源和提升舒适性的目的。到降低浪费能源和提升舒适性的目的。

【技术实现步骤摘要】
设备控制方法、装置、系统、电子设备及存储介质


[0001]本申请涉及智能家居
，特别是涉及一种设备控制方法、装置、系统、电子设备及存储介质。

技术介绍

[0002]随着物联网技术的不断发展，智能家居设备越来越多，使得对智能家居设备的自动化控制也越来越重要。目前，用于供暖和/或制冷的智能家居设备如环境调节设备在人们日常生活中有不可缺失地位。
[0003]然而，现有对空间下的环境调节设备的控制管理通常比较简单，如常规的定时、远程设置、单一控制等，使得控制不够精细化和智能化。

技术实现思路

[0004]基于此，有必要针对上述技术问题，提供一种能够提高控制精细化和智能化的设备控制方法、装置、系统、电子设备和存储介质。
[0005]第一方面，本申请实施例提供一种设备控制方法，所述方法包括：
[0006]获取目标空间下的当前状态信息；
[0007]通过已训练的机器学习模型，基于历史设备控制信息对所述当前状态信息所对应的控制指令进行预测处理，获得与所述目标空间下的当前状态相匹配的控制指令；所述机器学习模型是基于设备控制信息和空间状态信息训练得到；
[0008]若所述控制指令满足目标条件，则控制对应的目标设备执行所述控制指令。
[0009]第二方面，本申请实施例提供一种设备控制装置，所述装置包括：
[0010]获取模块，用于获取目标空间下的当前状态信息；
[0011]处理模块，用于通过已训练的机器学习模型，基于历史设备控制信息对所述当前状态信息所对应的控制指令进行预测处理，获得与所述目标空间下的当前状态相匹配的控制指令；所述机器学习模型是基于设备控制信息和空间状态信息训练得到；
[0012]控制模块，用于若所述控制指令满足目标条件，则控制对应的目标设备执行所述控制指令。
[0013]在一些实施例中，所述满足目标条件，包括：所述控制指令对应的置信度大于或等于偏好度阈值；所述偏好度阈值是基于历史控制数据确定得到的。
[0014]在一些实施例中，所述装置还包括输出模块；控制模块，还用于若所述控制指令不满足所述目标条件，控制输出模块输出用于提示是否控制对应的目标设备执行所述控制指令的推荐信息；以及响应于接收到确认指令，执行控制对应的目标设备执行所述控制指令的步骤。
[0015]在一些实施例中，获取模块，具体用于获取通过与所述目标空间关联的信息采集设备采集的监测数据；根据所述监测数据确定所述目标空间下的当前状态信息。
[0016]在一些实施例中，所述当前状态信息，包括人体存在信息、温湿度信息、光照信息、
空间区域信息、时间信息、设备能耗信息、控制策略信息中的至少一种；
[0017]在一些实施例中，处理模块，具体用于通过所述机器学习模型的特征提取层，对所述当前状态信息进行特征提取，得到所述当前状态信息的状态特征；
[0018]基于所述状态特征，通过所述机器学习模型的特征预测层，对所述当前状态信息所对应的控制指令进行预测，得到与所述目标空间下的当前状态相匹配的控制指令。
[0019]在一些实施例中，获取模块，还用于获取从多种空间状态下采集的训练样本，所述训练样本包括样本设备数据和样本环境数据，以及已标注设备控制信息的样本标签；
[0020]处理模块，还用于通过初始的机器学习模型对所述样本设备数据和样本环境数据进行预测处理，得到样本预测结果；所述样本预测结果包括针对样本设备的控制预测结果；基于所述样本预测结果与所述样本标签之间的差异，调整所述初始的机器学习模型的参数并继续训练，直至满足训练条件时停止训练，得到已训练的机器学习模型。
[0021]在一些实施例中，获取模块，还用于获取预设时段内基于手动控制的历史操作信息，以及各所述历史操作信息所对应的历史状态信息；
[0022]处理模块，还用于基于所述历史操作信息和所述历史状态信息，对所述机器学习模型进行周期性更新训练，以得到更新后的机器学习模型。
[0023]第三方面，本申请实施例提供一种设备控制系统，所述设备控制系统包括：电子设备、至少一信息采集设备和至少一控制设备，所述电子设备与所述信息采集设备和所述控制设备通信连接；其中，
[0024]所述信息采集设备，用于采集目标空间下的当前状态信息；
[0025]所述电子设备，用于通过已训练的机器学习模型，基于历史设备控制信息对所述当前状态信息所对应的控制指令进行预测处理，获得与所述目标空间下的当前状态相匹配的控制指令，并将所述控制指令下发给对应的控制设备；
[0026]所述控制设备，用于执行所述控制指令。
[0027]第四方面，本申请实施例提供一种电子设备，包括处理器、存储器及存储在所述存储器上并可被所述处理器执行的计算机程序，所述计算机程序被所述处理器执行时实现本申请任一实施例所述的设备控制方法。
[0028]第五方面，本申请实施例提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现本申请任一实施例所述的设备控制方法。
[0029]根据本申请的一个方面，本申请实施例提供一种计算机程序产品，计算机程序产品包括计算机程序，计算机程序存储在存储介质中，计算机设备的处理器从存储介质读取计算机程序，处理器执行计算机程序，使得计算机设备执行时实现如上所述的设备控制方法。
[0030]上述设备控制方法、装置、系统、电子设备和存储介质，在获取目标空间下的当前状态信息后，通过训练得到的机器学习模型，基于历史设备控制信息对所述当前状态信息所对应的控制指令进行预测处理，获得与所述目标空间下的当前状态相匹配的控制指令，并在所述控制指令满足目标条件，控制对应的目标设备执行所述控制指令，进而实现根据目标空间下的状态信息对目标设备进行控制，提高了控制精细化和智能化，同时可达到降低浪费能源和提升舒适性的目的。
附图说明
[0031]图1为一个实施例中设备控制方法的应用环境示意图；
[0032]图2为一个实施例中设备控制方法的流程示意图；
[0033]图3为另一个实施例中设备控制方法的流程示意图；
[0034]图4为一个实施例中设备控制装置的结构示意图；
[0035]图5为一个实施例中电子设备的内部结构图。
具体实施方式
[0036]为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
[0037]常规的暖通控制和节能通常是控制暖通主机，很少控制末端。但是，随着技术与需求的发展，人们对暖通舒适性高要求以及暖通按需控制都将成为趋势。现有常规的暖通节能方案以控制主机所需的能耗为主。传统方案虽然节约了暖通里的主要能源，但未对末端的控制面板实施智能精细化控制。虽然现有的暖通系统也能对温控面板进行控制，但控制方式比较简单和基础，如：定时开关、统一整体控制本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种设备控制方法，其特征在于，所述方法包括：获取目标空间下的当前状态信息；通过已训练的机器学习模型，基于历史设备控制信息对所述当前状态信息所对应的控制指令进行预测处理，获得与所述目标空间下的当前状态相匹配的控制指令；所述机器学习模型是基于设备控制信息和空间状态信息训练得到；若所述控制指令满足目标条件，则控制对应的目标设备执行所述控制指令。2.根据权利要求1所述的方法，其特征在于，所述满足目标条件，包括：所述控制指令对应的置信度大于或等于偏好度阈值；所述偏好度阈值是基于历史控制数据确定得到的。3.根据权利要求1所述的方法，其特征在于，所述方法还包括：若所述控制指令不满足所述目标条件，输出用于提示是否控制对应的目标设备执行所述控制指令的推荐信息；响应于接收到确认指令，执行控制对应的目标设备执行所述控制指令的步骤。4.根据权利要求1所述的方法，其特征在于，所述获取目标空间下的当前状态信息，包括：获取通过与所述目标空间关联的信息采集设备采集的监测数据；根据所述监测数据确定所述目标空间下的当前状态信息。5.根据权利要求1所述的方法，其特征在于，所述通过已训练的机器学习模型，基于历史设备控制信息对所述当前状态信息所对应的控制指令进行预测处理，获得与所述目标空间下的当前状态相匹配的控制指令，包括：通过所述机器学习模型的特征提取层，对所述当前状态信息进行特征提取，得到所述当前状态信息的状态特征；基于所述状态特征，通过所述机器学习模型的特征预测层，对所述当前状态信息所对应的控制指令进行预测，得到与所述目标空间下的当前状态相匹配的控制指令。6.根据权利要求1至5中任一项所述的方法，其特征在于，所述方法还包括：获取从多种空间状态下采集的训练样本，所述训练样本包括样本设备数据和样本环境数据，以及已标注设备控制信息的样本标签；通过初始的机器学习模型对所述样本设备数据和样本环境数据进行预测处理，得到样本预测结果；所述样本预测结果包括针对样本设备的控制预测结...

【专利技术属性】
技术研发人员：邓婷，吴慧芳，
申请(专利权)人：深圳绿米联创科技有限公司，
类型：发明
国别省市：