前沿拓展：

目前家家戶戶都有許多的電器，然而，現(xiàn)有的智能家電設(shè)備功能單一，只存在單臺 設(shè)備部分功能實現(xiàn)智能化，需要人為的去關(guān)閉設(shè)備或者去開啟設(shè)備，不能根據(jù)不同區(qū)域的 不同人的習慣去進行用電預(yù)測，不能很好的滿足實際的生活需求，同時也會導致用電資源 的浪費，難以實現(xiàn)整體最優(yōu)節(jié)能的用電方案。

問題拆分

法包括：根據(jù)人 體感應(yīng)器獲取用戶的相關(guān)數(shù)據(jù)，所述相關(guān)數(shù)據(jù)包 括對所述用戶的**；根據(jù)所述相關(guān)數(shù)據(jù)構(gòu)建馬爾可夫鏈模型，采用深度Q學習對所述馬爾可夫 鏈模型進行訓練，獲取所述用戶的行動預(yù)測結(jié)果；根據(jù)所述用戶的行動預(yù)測結(jié)果調(diào)節(jié)室內(nèi)的溫度以及照明的亮度。本發(fā)明根據(jù)獲取用戶日常行動軌跡，結(jié)合用電習慣，對用戶電器使用行為進 行預(yù)測，優(yōu)化用電方案，達到電器節(jié)能的最佳狀態(tài)。

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(guī)律，每天都會在固定的時間 在固定的房間內(nèi)活動，對室溫和燈光亮度有固定的要求。因此，可以根據(jù)家庭成員的日常行 動軌跡，優(yōu)化電器使用方案，在家庭成員到達房間前提前調(diào)整好室溫和燈光亮度等，在沒有 家庭成員活動的房間關(guān)閉燈管，關(guān)閉空調(diào)或?qū)⒖照{(diào)溫度調(diào)節(jié)至與室外溫度相近的最節(jié)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， 只需要在用車前把電動車充滿電就可以，因此，可以根據(jù)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(fā)電裝置或風力發(fā)電機和蓄電 池時，可以優(yōu)先利用這些清潔能源作為電源，既清潔環(huán)保，又可以降低電費。同時可結(jié)合該 臺區(qū)用電量預(yù)測結(jié)果，實現(xiàn)家庭**用電量峰谷調(diào)節(jié)。而且，根據(jù)家庭各種電器用電情況， 可以知道哪些電器設(shè)備故障，從而自動在網(wǎng)上查找同型號同款式的電器，或推薦相似產(chǎn)品， 待用戶選定產(chǎn)品后，根據(jù)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， 以及推薦適合該用戶的新型電器產(chǎn)品和更優(yōu)的用電方案。

[0042] 要實現(xiàn)對家庭電器優(yōu)化使用系統(tǒng)的數(shù)據(jù)采集和設(shè)備控制，第一需要搭建通信通 道，以便采集數(shù)據(jù)和控制電器設(shè)備，在室內(nèi)各個房間安裝人體感應(yīng)器、光感應(yīng)器、溫度感應(yīng) 器等傳感器和音頻采集器，門口安裝攝像頭，有線傳感器優(yōu)選電力線載波接入**路由器， **傳感器可以采用WAPI、藍牙、LoRa、WIFI、Zigbee等**方式接入**路由器，手機、手 環(huán)等可穿戴類電子產(chǎn)品用**方式接入**路由器。若該房屋有室外安裝了太陽能電池和 **風力發(fā)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(shè)備優(yōu) 選電力線載波接入**路由器，**設(shè)備接入**路由。**路由器接入電路控制系統(tǒng)，將 各傳感器、音頻采集器和視頻采集器的數(shù)據(jù)信息發(fā)送至電路控制系統(tǒng)。

[0043] 太陽能電池、**風力發(fā)電機產(chǎn)生的電能接入家用的蓄電池，蓄電池由電路控制 系統(tǒng)控制。空調(diào)、電燈、電動車充電樁等家用電器接入電路控制系統(tǒng)，智能家電可直接由電 路控制系統(tǒng)控制電器運行狀態(tài)，非智能家電可在電源開關(guān)上安裝帶通信接口的開關(guān)控制裝 置，再接入電路控制系統(tǒng)，以實現(xiàn)對電器的控制。電路控制系統(tǒng)將數(shù)據(jù)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(lián)收發(fā)數(shù)據(jù)，發(fā)送控制命令，上聯(lián)收發(fā)數(shù)據(jù)，接 收控制命令。在配電側(cè)配置配電帶邊緣計算能力的**，上聯(lián)主站通信設(shè)備。主站通信設(shè)備 采集配電變壓器數(shù)據(jù)，并上聯(lián)更高電壓等級變電站通信設(shè)備，接入調(diào)控中心通信設(shè)備，最后 接入電網(wǎng)企業(yè)云平臺，云平臺連接外部氣象信息和網(wǎng)上商城。

[0044] S102、根據(jù)所述相關(guān)數(shù)據(jù)構(gòu)建馬爾可夫鏈模型，采用深度Q學習對所述馬爾可夫鏈 模型進行訓練，獲取所述用戶的行動預(yù)測結(jié)果。

[0045] 具體的，采用人體感應(yīng)器，感知用戶的位置，將室內(nèi)的各房間編號為R1 ,R2 ,R3等等， 將用戶編號為P1 ,P2 ,P3等等，記錄室內(nèi)各用戶所處房間變更的時間，以及從哪個房間轉(zhuǎn)移至 哪個房間，以及此時其余用戶所處位置。對以上獲取的數(shù)據(jù)進行清洗，包括修復(fù)異常值，填 充缺失值，刪除重復(fù)值等，其中，缺失值填充方法為對于不確定的量，采用前值填充。

[0046] 根據(jù)用戶Pn處于的房間Rn**，構(gòu)建馬爾可夫鏈模型，采用深度Q學習預(yù)測用戶Pn 將前往的房間Rn的狀態(tài)?行為最優(yōu)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為用戶的狀態(tài)s和行為a的最優(yōu)值，標記為Qk (s ,a)，α為學習率，γ為折扣 率，r為狀態(tài)s到狀態(tài)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(yōu)狀態(tài)?行為 值，稱為Q值。狀態(tài)?行為(s ,a)的最優(yōu)Q值，標記為Qk (s ,a)，是**達到狀態(tài)s并選擇了行為a 后，假設(shè)在此行為后其行為最優(yōu)，預(yù)期的平均折扣后未來回報的總和，其工作原理：第一將 所有的Q值估計初始化為零，第二使用Q值算法進行更新。對于每個狀態(tài)?行為對(s ,a)，該算 法持續(xù)跟蹤**通過行為a離開狀態(tài)s是的平均回報，加上以后的期望回報，由于目標策略 會采取最佳行為，所以對于下一個狀態(tài)采用最大的Q值預(yù)估值，若猜對下一步用戶Pn將前往 Rn時，回報r為正，猜錯則回報r為負，將預(yù)測的用戶下一步將在哪個時間前往哪個房間結(jié)果 推送下一步驟。

[0049] S103、根據(jù)所述用戶的行動預(yù)測結(jié)果調(diào)節(jié)室內(nèi)的溫度以及照明的亮度。

[0050] 具體的，采用光感應(yīng)器、溫度感應(yīng)器收集用戶所處的位置的溫度和亮度，根據(jù)用戶 預(yù)設(shè)值，調(diào)節(jié)所處用戶所處位置的空調(diào)溫度和燈光亮度至預(yù)設(shè)值。根據(jù)用戶**以及行動 預(yù)測的結(jié)果，提前將用戶預(yù)計將前往的房間溫度調(diào)至用戶預(yù)設(shè)值，采用音頻采集器，采集人 員指令，調(diào)節(jié)該用戶所處的室內(nèi)溫度以及照明亮度，關(guān)閉無人房間的燈光照明，將無人房間 的溫度調(diào)節(jié)至最節(jié)能狀態(tài)，如關(guān)閉空調(diào)或?qū)⒖照{(diào)溫度調(diào)節(jié)至與室外接近的溫度。

[0051] 本發(fā)明通過對用戶的用電習慣數(shù)據(jù)的采集，構(gòu)建模型進行訓練，對用戶行為進行 預(yù)測，及時調(diào)整房間電器的最佳狀態(tài)，達到用戶使用電器的最舒適狀態(tài)。

[0052] 在又一實施例中，根據(jù)預(yù)設(shè)的氣象信息與用戶月度用電量信息結(jié)合，通過特征分 析和主成分分析，確定用戶用電電量的影響因子，根據(jù)線性回歸算法獲取用戶未來月度用 量預(yù)測結(jié)果，進而獲取用戶用電習慣。

[0053] 根據(jù)行動預(yù)測結(jié)果與用戶用電習慣，將用戶預(yù)計前往的房間溫度調(diào)節(jié)至預(yù)設(shè)值， 利用音頻采集器，采集用戶控制指令，調(diào)節(jié)用戶所處室內(nèi)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(yù)計月度總用電量，發(fā)送至智能電表、用戶手 機APP和用戶手環(huán)。基于以往的用戶用電數(shù)據(jù)及相關(guān)外部數(shù)據(jù)，開展預(yù)處理、關(guān)聯(lián)，構(gòu)建供用 戶月度用電量預(yù)測模型，預(yù)測用戶的月度用電量。第一將歷史氣象信息和用戶月度用電量 信息結(jié)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(shù)據(jù)進行預(yù)測。

[0055] 在電網(wǎng)系統(tǒng)數(shù)據(jù)資源內(nèi)，抽取該用電客戶檔案信息，獲取特征數(shù)據(jù)，選取的特征包 括：用戶標識、用電地址、用戶類型、樓盤小區(qū)名稱、用電量信息(累計用電量、用電月數(shù)、平 均用電量)、所屬城市、總?cè)萘康取＋@取電網(wǎng)系統(tǒng)外部數(shù)據(jù)，包括地區(qū)天氣數(shù)據(jù)(包括最高氣 溫、最低氣溫、氣溫差)等。室內(nèi)傳感器記錄用戶使用各種電器的用電時間、時長。

[0056] 對數(shù)據(jù)進行清理，包括修復(fù)異常值，填充缺失值，刪除重復(fù)值等。缺失值填充方法： 對有時間關(guān)系的連續(xù)型數(shù)據(jù)，如供電量，采用滑動平均值的方法，對于沒有時間關(guān)系的連續(xù) 型采用均值法進行填充，對于不確定的量，采用前值填充。

[0057] 氣溫不僅僅與用電量相關(guān)，其還呈現(xiàn)季節(jié)性趨勢，以年為周期的波動特征，另外時 間其實是連續(xù)型的數(shù)據(jù)，因此考慮將用戶的用電時間單獨提取出來作為數(shù)據(jù)的季節(jié)性特征 之一。利用主成分析根據(jù)特征占比分析可以得到上月供電量、上上月供電量、總?cè)萘俊⒆罡?平均溫度等字段對于目標貢獻較大，因此模型的初始輸入特征選擇了歷史供電量、氣溫情 況、總?cè)萘康葞讉€類型的變量作為特征。

[0058] 由于預(yù)測用電量字段是連續(xù)型，所以算法只能從線性回歸、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(臺區(qū)標識、所屬城市)，所以排除多 項式回歸。最后由于線性回歸的運行速度大大優(yōu)于M5P回歸樹，耗時少，并且從散點圖發(fā)現(xiàn) 輸入字段和目標存在一定的多元線性關(guān)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(yù)測結(jié)果，預(yù)計月度用電量、月度 電費，發(fā)送至智能電表、用戶手機APP和用戶手環(huán)。

[0059] 本發(fā)明通過對用戶的用電習慣數(shù)據(jù)的采集，構(gòu)建模型進行訓練，對用戶行為進行 預(yù)測，及時調(diào)整房間電器的最佳狀態(tài)，達到用戶使用電器的最舒適狀態(tài)。通過搭建家用電器 數(shù)據(jù)采集及控制通道，結(jié)合電網(wǎng)臺區(qū)用電負荷預(yù)測、電網(wǎng)企業(yè)云平臺、外部氣象信息、電商 平臺等信息，將家庭用電設(shè)備調(diào)節(jié)至最優(yōu)最節(jié)能狀態(tài)。同時，結(jié)合用戶用電習慣，對用戶電 器使用行為進行預(yù)測，達到用戶使用電器的最舒適狀態(tài)。

[0060] 在另一實施例中，利用感應(yīng)器，感知電動車是否在停**，記錄電動車停車時間 段，對電動車**及行動預(yù)測。統(tǒng)計電動車歷史達到**和離開**時間以及停車時長，將 統(tǒng)計的數(shù)據(jù)作為預(yù)測的數(shù)據(jù)輸入值，預(yù)測未來電動車的停車時長和離開**時間。

[0061] 基于以往的用車數(shù)據(jù)、用戶行動數(shù)據(jù)以及相關(guān)外部數(shù)據(jù)，開展預(yù)處理、關(guān)聯(lián)，構(gòu)建 用車行為預(yù)測模型，預(yù)測停車時段。第一將歷史氣象信息和以往的用車數(shù)據(jù)、用戶行動數(shù)據(jù) 信息結(jié)合，通過特征分析和主成分分析，找到對臺區(qū)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(shù)據(jù)進行預(yù)測。

[0062] 利用感應(yīng)器，感知電動車是否在停**，利用人體感應(yīng)器，感知用戶的位置，歷史 的電動車達**和離開**時間，以及停車時長，歷史的用戶**及行動記錄，獲取電網(wǎng)系 統(tǒng)外部數(shù)據(jù)，包括地區(qū)天氣數(shù)據(jù)(包括最高氣溫、最低氣溫、氣溫差、雨量、風力)等。對數(shù)據(jù) 進行清洗，包括修復(fù)異常值，填充缺失值，刪除重復(fù)值等，缺失值填充方法，對于不確定的 量，采用前值填充。由于預(yù)測用停車時長字段是連續(xù)型，所以算法只能從線性回歸、多項式 回歸、M5P回歸樹、深度神經(jīng)網(wǎng)絡(luò)中選擇，本方案選擇深度神經(jīng)網(wǎng)絡(luò)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(yù)測結(jié)果，可以估計電動 車停車的時段。

[0063] 結(jié)合該用戶所在臺區(qū)的日用電量預(yù)測，安排電動車在停電時間內(nèi)的臺區(qū)用電量低 谷進行電動車充電。基于以往的臺區(qū)用電數(shù)據(jù)及相關(guān)外部數(shù)據(jù)，開展預(yù)處理、關(guān)聯(lián)，構(gòu)建供 電臺區(qū)用電量預(yù)測模型，預(yù)測臺區(qū)的用電量。第一將歷史氣象信息和臺區(qū)用戶電量信息結(jié) 合。通過特征分析和主成分分析，找到對臺區(qū)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(shù)據(jù)進行預(yù)測。

[0064] 在電網(wǎng)系統(tǒng)數(shù)據(jù)資源內(nèi)，抽樣用電客戶檔案信息，獲取特征數(shù)據(jù)，選取的特征包 括：臺區(qū)標識、電費年月日時、公變用戶數(shù)、公變總?cè)萘俊⒔涣?20kV用戶數(shù)、居民生活用戶 數(shù)、三類負荷用戶數(shù)、所屬城市、總?cè)萘俊⑴_區(qū)總用戶數(shù)、無等級用戶數(shù)、無階梯用戶數(shù)、一表 一戶用戶數(shù)、專變總?cè)萘俊＋@取電網(wǎng)系統(tǒng)外部數(shù)據(jù)，包括地區(qū)天氣數(shù)據(jù)(包括最高氣溫、最低 氣溫、氣溫差)等。對數(shù)據(jù)進行清理，包括修復(fù)異常值，填充缺失值，刪除重復(fù)值等。缺失值填 充方法：對有時間關(guān)系的連續(xù)型數(shù)據(jù)，如供電量，采用滑動平均值的方法，對于沒有時間關(guān) 系的連續(xù)型采用均值法進行填充，對于不確定的量，采用前值填充。特征抽取：

[0065] (1)經(jīng)過現(xiàn)有電網(wǎng)數(shù)據(jù)探索發(fā)現(xiàn)臺區(qū)用戶的數(shù)據(jù)主要因為變壓器的類型呈現(xiàn)較大 的供電量區(qū)別，因此針對專變?nèi)萘亢凸內(nèi)萘績蓚€字段利用one?hot編碼的方式將數(shù)據(jù)分 成專變臺區(qū)和公變臺區(qū)兩類。

[0066] (2)氣溫不僅僅與供電量相關(guān)，其還呈現(xiàn)季節(jié)性趨勢，以年為周期的波動特征，另 外時間其實是連續(xù)型的數(shù)據(jù)，因此考慮將臺區(qū)的供電時間單獨提取出來作為數(shù)據(jù)的季節(jié)性 特征之一。

[0067] 特征字段選取：利用主成分析根據(jù)特征占比分析可以得到昨日供電量、前日供電 量、專變總?cè)萘俊⒖側(cè)萘俊⒆罡咂骄鶞囟鹊茸侄螌τ谀繕素暙I較大，因此模型的初始輸入特 征選擇了歷史供電量、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(yù)測用電量字段是連續(xù)型，所以算法只能從線性回歸、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(臺區(qū)標識、所屬城市)，所以排除多 項式回歸。最后由于線性回歸的運行速度大大優(yōu)于M5P回歸樹，耗時少，并且從散點圖發(fā)現(xiàn) 輸入字段和目標存在一定的多元線性關(guān)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(yù)測結(jié)果，可 以分析該臺區(qū)在未來的負載情況趨勢，判斷臺區(qū)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**常運作時，向用戶手機或手環(huán)等電子設(shè) 備發(fā)送故障設(shè)備信息。系統(tǒng)通過企業(yè)網(wǎng)上商城，搜索同款商品或同類型可替換商品，將購買 鏈接發(fā)送至用戶手機或手環(huán)等設(shè)備，由用戶確認是否下單購買。若用戶確認下單購買推薦 的電器產(chǎn)品，則根據(jù)第二點預(yù)測的用戶在室內(nèi)大廳的時間，推薦配送安裝時間，由用戶確認 后安排相應(yīng)時間段進行電器配送安裝。

[0071] 根據(jù)用戶各電器設(shè)備單位時間段內(nèi)用電量統(tǒng)計結(jié)果，通過手機或手環(huán)向用戶推薦 同類可替換的更節(jié)能的電器產(chǎn)品。若不同時段內(nèi)電費價格不一致，通過手機或手環(huán)向用戶 推薦，將可調(diào)整用電時間的電器設(shè)備，洗衣機、洗碗機、電動車等的用電時間調(diào)整至電費價 格更低的時間段或該臺區(qū)日用電量低谷時段，由用戶確認同意后，在低電費時間段或該臺 區(qū)日用電量低谷時間內(nèi)，啟動該類型電器設(shè)備電源，高電價時間段或該臺區(qū)日用電量高峰 時間內(nèi)，關(guān)閉該類型電器設(shè)備電源。

[0072] 在默認情況下，家庭用電系統(tǒng)優(yōu)先使用太陽能和風能蓄電池的電能。在該臺區(qū)用電負荷較大的季節(jié)，結(jié)合該用戶所在臺區(qū)的日用電量預(yù)測，安排該臺區(qū)用電高峰期間，使用 家庭蓄電池電能，該臺區(qū)用電低谷期間，向該家庭蓄電池充電，實現(xiàn)家庭**用電量調(diào)節(jié)。 通過電網(wǎng)企業(yè)云平臺獲取外部氣象信息，當?shù)貐^(qū)有臺風、冰雹等惡劣天氣預(yù)警時，向用戶手 機或手環(huán)等電子設(shè)備發(fā)送相關(guān)天氣預(yù)警信息，同時系統(tǒng)收起**風力發(fā)電機風頁，太陽能 板加蓋防護罩，保護發(fā)電設(shè)備，待預(yù)警信息解除后再重新打開。

[0073] 本發(fā)明通過對用戶的用電習慣數(shù)據(jù)的采集，構(gòu)建模型進行訓練，對用戶行為進行 預(yù)測，及時調(diào)整房間電器的最佳狀態(tài)，達到用戶使用電器的最舒適狀態(tài)。通過搭建家用電器 數(shù)據(jù)采集及控制通道，結(jié)合電網(wǎng)臺區(qū)用電負荷預(yù)測、電網(wǎng)企業(yè)云平臺、外部氣象信息、電商 平臺等信息，將家庭用電設(shè)備調(diào)節(jié)至最優(yōu)最節(jié)能狀態(tài)，同時，結(jié)合用戶用電習慣，對用戶電 器使用行為進行預(yù)測，達到用戶使用電器的最舒適狀態(tài)。

[0074] 請參閱圖2，本發(fā)明提供一種家庭電器優(yōu)化使用管理裝置，包括：

[0075] 獲取模塊11，用于根據(jù)人體感應(yīng)器獲取用戶的相關(guān)數(shù)據(jù)，所述相關(guān)數(shù)據(jù)包括對所 述用戶的**；

[0076] 訓練模塊12，用于根據(jù)所述相關(guān)數(shù)據(jù)構(gòu)建馬爾可夫鏈模型，采用深度Q學習對所述 馬爾可夫鏈模型進行訓練，獲取所述用戶的行動預(yù)測結(jié)果；

[0077] 確定模塊13，用于根據(jù)所述用戶的行動預(yù)測結(jié)果調(diào)節(jié)室內(nèi)的溫度以及照明的亮 度。

[0078] 關(guān)于家庭電器優(yōu)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(yōu)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(xiàn)。上述各模塊可以硬件形式內(nèi)嵌于或**于計算機設(shè)備中的處理器中，也可以 以軟件形式存儲于計算機設(shè)備中的存儲器中，以便于處理器調(diào)用執(zhí)行以上各個模塊對應(yīng)的 **作。

[0079] 本發(fā)明提供一種計算機終端設(shè)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(zhí)行，使得所述一個或多個處理器實現(xiàn)如上述任意一個實施例中的家庭電器優(yōu)化使用管 理方法。

[0080] 處理器用于控制該計算機終端設(shè)備的整體**作，以完成上述的家庭電器優(yōu)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(shù)據(jù)以支持在該計算機終端設(shè)備 的**作，這些數(shù)據(jù)例如可以包括用于在該計算機終端設(shè)備上**作的任何應(yīng)用程序或方法的 指令，以及應(yīng)用程序相關(guān)的數(shù)據(jù)。該存儲器可以由任何類型的易失性或非易失性存儲設(shè)備 或者它們的組合實現(xiàn)，例如靜態(tài)隨機存取存儲器(Static Random Access Memory，簡稱 SRAM)，電可擦除可編程只讀存儲器(Electrically Erasable Programmable Read?Only Memory，簡稱EEPROM)，可擦除可編程只讀存儲器(Erasable Programmable Read?Only Memory，簡稱EPROM)，可編程只讀存儲器(Programmable Read?Only Memory，簡稱PROM)，只 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(shè)備可以被一個或多個應(yīng)用專用集成電路 (Application Specific 1ntegrated Circuit，簡稱AS1C)、數(shù)字信號處理器(Digital Signal Processor，簡稱DSP)、數(shù)字信號處理設(shè)備(Digital Signal Processing Device , 簡稱DSPD)、可編程邏輯器件(Programmable Logic Device，簡稱PLD)、現(xiàn)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(xiàn)，用于執(zhí)行上述的家庭電器優(yōu)化使用管理方法，并達到如上述方法一致的技術(shù)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(zhì)，該 程序指令被處理器執(zhí)行時實現(xiàn)上述任意一個實施例中的家庭電器優(yōu)化使用管理方法的步 驟。例如，該計算機可讀存儲介質(zhì)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(shè)備的處理器執(zhí)行以完成上述的家庭電器優(yōu)化使用管理方法，并達到如上述方法 一致的技術(shù)效果。

拓展知識：

谷峰4gs刷機包

谷峰就是個山寨。中興和華為起碼有品牌。

前沿拓展：

目前家家戶戶都有許多的電器，然而，現(xiàn)有的智能家電設(shè)備功能單一，只存在單臺 設(shè)備部分功能實現(xiàn)智能化，需要人為的去關(guān)閉設(shè)備或者去開啟設(shè)備，不能根據(jù)不同區(qū)域的 不同人的習慣去進行用電預(yù)測，不能很好的滿足實際的生活需求，同時也會導致用電資源 的浪費，難以實現(xiàn)整體最優(yōu)節(jié)能的用電方案。

問題拆分

法包括：根據(jù)人 體感應(yīng)器獲取用戶的相關(guān)數(shù)據(jù)，所述相關(guān)數(shù)據(jù)包 括對所述用戶的**；根據(jù)所述相關(guān)數(shù)據(jù)構(gòu)建馬爾可夫鏈模型，采用深度Q學習對所述馬爾可夫 鏈模型進行訓練，獲取所述用戶的行動預(yù)測結(jié)果；根據(jù)所述用戶的行動預(yù)測結(jié)果調(diào)節(jié)室內(nèi)的溫度以及照明的亮度。本發(fā)明根據(jù)獲取用戶日常行動軌跡，結(jié)合用電習慣，對用戶電器使用行為進 行預(yù)測，優(yōu)化用電方案，達到電器節(jié)能的最佳狀態(tài)。

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(guī)律，每天都會在固定的時間 在固定的房間內(nèi)活動，對室溫和燈光亮度有固定的要求。因此，可以根據(jù)家庭成員的日常行 動軌跡，優(yōu)化電器使用方案，在家庭成員到達房間前提前調(diào)整好室溫和燈光亮度等，在沒有 家庭成員活動的房間關(guān)閉燈管，關(guān)閉空調(diào)或?qū)⒖照{(diào)溫度調(diào)節(jié)至與室外溫度相近的最節(jié)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， 只需要在用車前把電動車充滿電就可以，因此，可以根據(jù)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(fā)電裝置或風力發(fā)電機和蓄電 池時，可以優(yōu)先利用這些清潔能源作為電源，既清潔環(huán)保，又可以降低電費。同時可結(jié)合該 臺區(qū)用電量預(yù)測結(jié)果，實現(xiàn)家庭**用電量峰谷調(diào)節(jié)。而且，根據(jù)家庭各種電器用電情況， 可以知道哪些電器設(shè)備故障，從而自動在網(wǎng)上查找同型號同款式的電器，或推薦相似產(chǎn)品， 待用戶選定產(chǎn)品后，根據(jù)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， 以及推薦適合該用戶的新型電器產(chǎn)品和更優(yōu)的用電方案。

[0042] 要實現(xiàn)對家庭電器優(yōu)化使用系統(tǒng)的數(shù)據(jù)采集和設(shè)備控制，第一需要搭建通信通 道，以便采集數(shù)據(jù)和控制電器設(shè)備，在室內(nèi)各個房間安裝人體感應(yīng)器、光感應(yīng)器、溫度感應(yīng) 器等傳感器和音頻采集器，門口安裝攝像頭，有線傳感器優(yōu)選電力線載波接入**路由器， **傳感器可以采用WAPI、藍牙、LoRa、WIFI、Zigbee等**方式接入**路由器，手機、手 環(huán)等可穿戴類電子產(chǎn)品用**方式接入**路由器。若該房屋有室外安裝了太陽能電池和 **風力發(fā)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(shè)備優(yōu) 選電力線載波接入**路由器，**設(shè)備接入**路由。**路由器接入電路控制系統(tǒng)，將 各傳感器、音頻采集器和視頻采集器的數(shù)據(jù)信息發(fā)送至電路控制系統(tǒng)。

[0043] 太陽能電池、**風力發(fā)電機產(chǎn)生的電能接入家用的蓄電池，蓄電池由電路控制 系統(tǒng)控制。空調(diào)、電燈、電動車充電樁等家用電器接入電路控制系統(tǒng)，智能家電可直接由電 路控制系統(tǒng)控制電器運行狀態(tài)，非智能家電可在電源開關(guān)上安裝帶通信接口的開關(guān)控制裝 置，再接入電路控制系統(tǒng)，以實現(xiàn)對電器的控制。電路控制系統(tǒng)將數(shù)據(jù)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(lián)收發(fā)數(shù)據(jù)，發(fā)送控制命令，上聯(lián)收發(fā)數(shù)據(jù)，接 收控制命令。在配電側(cè)配置配電帶邊緣計算能力的**，上聯(lián)主站通信設(shè)備。主站通信設(shè)備 采集配電變壓器數(shù)據(jù)，并上聯(lián)更高電壓等級變電站通信設(shè)備，接入調(diào)控中心通信設(shè)備，最后 接入電網(wǎng)企業(yè)云平臺，云平臺連接外部氣象信息和網(wǎng)上商城。

[0044] S102、根據(jù)所述相關(guān)數(shù)據(jù)構(gòu)建馬爾可夫鏈模型，采用深度Q學習對所述馬爾可夫鏈 模型進行訓練，獲取所述用戶的行動預(yù)測結(jié)果。

[0045] 具體的，采用人體感應(yīng)器，感知用戶的位置，將室內(nèi)的各房間編號為R1 ,R2 ,R3等等， 將用戶編號為P1 ,P2 ,P3等等，記錄室內(nèi)各用戶所處房間變更的時間，以及從哪個房間轉(zhuǎn)移至 哪個房間，以及此時其余用戶所處位置。對以上獲取的數(shù)據(jù)進行清洗，包括修復(fù)異常值，填 充缺失值，刪除重復(fù)值等，其中，缺失值填充方法為對于不確定的量，采用前值填充。

[0046] 根據(jù)用戶Pn處于的房間Rn**，構(gòu)建馬爾可夫鏈模型，采用深度Q學習預(yù)測用戶Pn 將前往的房間Rn的狀態(tài)?行為最優(yōu)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為用戶的狀態(tài)s和行為a的最優(yōu)值，標記為Qk (s ,a)，α為學習率，γ為折扣 率，r為狀態(tài)s到狀態(tài)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(yōu)狀態(tài)?行為 值，稱為Q值。狀態(tài)?行為(s ,a)的最優(yōu)Q值，標記為Qk (s ,a)，是**達到狀態(tài)s并選擇了行為a 后，假設(shè)在此行為后其行為最優(yōu)，預(yù)期的平均折扣后未來回報的總和，其工作原理：第一將 所有的Q值估計初始化為零，第二使用Q值算法進行更新。對于每個狀態(tài)?行為對(s ,a)，該算 法持續(xù)跟蹤**通過行為a離開狀態(tài)s是的平均回報，加上以后的期望回報，由于目標策略 會采取最佳行為，所以對于下一個狀態(tài)采用最大的Q值預(yù)估值，若猜對下一步用戶Pn將前往 Rn時，回報r為正，猜錯則回報r為負，將預(yù)測的用戶下一步將在哪個時間前往哪個房間結(jié)果 推送下一步驟。

[0049] S103、根據(jù)所述用戶的行動預(yù)測結(jié)果調(diào)節(jié)室內(nèi)的溫度以及照明的亮度。

[0050] 具體的，采用光感應(yīng)器、溫度感應(yīng)器收集用戶所處的位置的溫度和亮度，根據(jù)用戶 預(yù)設(shè)值，調(diào)節(jié)所處用戶所處位置的空調(diào)溫度和燈光亮度至預(yù)設(shè)值。根據(jù)用戶**以及行動 預(yù)測的結(jié)果，提前將用戶預(yù)計將前往的房間溫度調(diào)至用戶預(yù)設(shè)值，采用音頻采集器，采集人 員指令，調(diào)節(jié)該用戶所處的室內(nèi)溫度以及照明亮度，關(guān)閉無人房間的燈光照明，將無人房間 的溫度調(diào)節(jié)至最節(jié)能狀態(tài)，如關(guān)閉空調(diào)或?qū)⒖照{(diào)溫度調(diào)節(jié)至與室外接近的溫度。

[0051] 本發(fā)明通過對用戶的用電習慣數(shù)據(jù)的采集，構(gòu)建模型進行訓練，對用戶行為進行 預(yù)測，及時調(diào)整房間電器的最佳狀態(tài)，達到用戶使用電器的最舒適狀態(tài)。

[0052] 在又一實施例中，根據(jù)預(yù)設(shè)的氣象信息與用戶月度用電量信息結(jié)合，通過特征分 析和主成分分析，確定用戶用電電量的影響因子，根據(jù)線性回歸算法獲取用戶未來月度用 量預(yù)測結(jié)果，進而獲取用戶用電習慣。

[0053] 根據(jù)行動預(yù)測結(jié)果與用戶用電習慣，將用戶預(yù)計前往的房間溫度調(diào)節(jié)至預(yù)設(shè)值， 利用音頻采集器，采集用戶控制指令，調(diào)節(jié)用戶所處室內(nèi)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(yù)計月度總用電量，發(fā)送至智能電表、用戶手 機APP和用戶手環(huán)。基于以往的用戶用電數(shù)據(jù)及相關(guān)外部數(shù)據(jù)，開展預(yù)處理、關(guān)聯(lián)，構(gòu)建供用 戶月度用電量預(yù)測模型，預(yù)測用戶的月度用電量。第一將歷史氣象信息和用戶月度用電量 信息結(jié)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(shù)據(jù)進行預(yù)測。

[0055] 在電網(wǎng)系統(tǒng)數(shù)據(jù)資源內(nèi)，抽取該用電客戶檔案信息，獲取特征數(shù)據(jù)，選取的特征包 括：用戶標識、用電地址、用戶類型、樓盤小區(qū)名稱、用電量信息(累計用電量、用電月數(shù)、平 均用電量)、所屬城市、總?cè)萘康取＋@取電網(wǎng)系統(tǒng)外部數(shù)據(jù)，包括地區(qū)天氣數(shù)據(jù)(包括最高氣 溫、最低氣溫、氣溫差)等。室內(nèi)傳感器記錄用戶使用各種電器的用電時間、時長。

[0056] 對數(shù)據(jù)進行清理，包括修復(fù)異常值，填充缺失值，刪除重復(fù)值等。缺失值填充方法： 對有時間關(guān)系的連續(xù)型數(shù)據(jù)，如供電量，采用滑動平均值的方法，對于沒有時間關(guān)系的連續(xù) 型采用均值法進行填充，對于不確定的量，采用前值填充。

[0057] 氣溫不僅僅與用電量相關(guān)，其還呈現(xiàn)季節(jié)性趨勢，以年為周期的波動特征，另外時 間其實是連續(xù)型的數(shù)據(jù)，因此考慮將用戶的用電時間單獨提取出來作為數(shù)據(jù)的季節(jié)性特征 之一。利用主成分析根據(jù)特征占比分析可以得到上月供電量、上上月供電量、總?cè)萘俊⒆罡?平均溫度等字段對于目標貢獻較大，因此模型的初始輸入特征選擇了歷史供電量、氣溫情 況、總?cè)萘康葞讉€類型的變量作為特征。

[0058] 由于預(yù)測用電量字段是連續(xù)型，所以算法只能從線性回歸、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(臺區(qū)標識、所屬城市)，所以排除多 項式回歸。最后由于線性回歸的運行速度大大優(yōu)于M5P回歸樹，耗時少，并且從散點圖發(fā)現(xiàn) 輸入字段和目標存在一定的多元線性關(guān)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(yù)測結(jié)果，預(yù)計月度用電量、月度 電費，發(fā)送至智能電表、用戶手機APP和用戶手環(huán)。

[0059] 本發(fā)明通過對用戶的用電習慣數(shù)據(jù)的采集，構(gòu)建模型進行訓練，對用戶行為進行 預(yù)測，及時調(diào)整房間電器的最佳狀態(tài)，達到用戶使用電器的最舒適狀態(tài)。通過搭建家用電器 數(shù)據(jù)采集及控制通道，結(jié)合電網(wǎng)臺區(qū)用電負荷預(yù)測、電網(wǎng)企業(yè)云平臺、外部氣象信息、電商 平臺等信息，將家庭用電設(shè)備調(diào)節(jié)至最優(yōu)最節(jié)能狀態(tài)。同時，結(jié)合用戶用電習慣，對用戶電 器使用行為進行預(yù)測，達到用戶使用電器的最舒適狀態(tài)。

[0060] 在另一實施例中，利用感應(yīng)器，感知電動車是否在停**，記錄電動車停車時間 段，對電動車**及行動預(yù)測。統(tǒng)計電動車歷史達到**和離開**時間以及停車時長，將 統(tǒng)計的數(shù)據(jù)作為預(yù)測的數(shù)據(jù)輸入值，預(yù)測未來電動車的停車時長和離開**時間。

[0061] 基于以往的用車數(shù)據(jù)、用戶行動數(shù)據(jù)以及相關(guān)外部數(shù)據(jù)，開展預(yù)處理、關(guān)聯(lián)，構(gòu)建 用車行為預(yù)測模型，預(yù)測停車時段。第一將歷史氣象信息和以往的用車數(shù)據(jù)、用戶行動數(shù)據(jù) 信息結(jié)合，通過特征分析和主成分分析，找到對臺區(qū)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(shù)據(jù)進行預(yù)測。

[0062] 利用感應(yīng)器，感知電動車是否在停**，利用人體感應(yīng)器，感知用戶的位置，歷史 的電動車達**和離開**時間，以及停車時長，歷史的用戶**及行動記錄，獲取電網(wǎng)系 統(tǒng)外部數(shù)據(jù)，包括地區(qū)天氣數(shù)據(jù)(包括最高氣溫、最低氣溫、氣溫差、雨量、風力)等。對數(shù)據(jù) 進行清洗，包括修復(fù)異常值，填充缺失值，刪除重復(fù)值等，缺失值填充方法，對于不確定的 量，采用前值填充。由于預(yù)測用停車時長字段是連續(xù)型，所以算法只能從線性回歸、多項式 回歸、M5P回歸樹、深度神經(jīng)網(wǎng)絡(luò)中選擇，本方案選擇深度神經(jīng)網(wǎng)絡(luò)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(yù)測結(jié)果，可以估計電動 車停車的時段。

[0063] 結(jié)合該用戶所在臺區(qū)的日用電量預(yù)測，安排電動車在停電時間內(nèi)的臺區(qū)用電量低 谷進行電動車充電。基于以往的臺區(qū)用電數(shù)據(jù)及相關(guān)外部數(shù)據(jù)，開展預(yù)處理、關(guān)聯(lián)，構(gòu)建供 電臺區(qū)用電量預(yù)測模型，預(yù)測臺區(qū)的用電量。第一將歷史氣象信息和臺區(qū)用戶電量信息結(jié) 合。通過特征分析和主成分分析，找到對臺區(qū)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(shù)據(jù)進行預(yù)測。

[0064] 在電網(wǎng)系統(tǒng)數(shù)據(jù)資源內(nèi)，抽樣用電客戶檔案信息，獲取特征數(shù)據(jù)，選取的特征包 括：臺區(qū)標識、電費年月日時、公變用戶數(shù)、公變總?cè)萘俊⒔涣?20kV用戶數(shù)、居民生活用戶 數(shù)、三類負荷用戶數(shù)、所屬城市、總?cè)萘俊⑴_區(qū)總用戶數(shù)、無等級用戶數(shù)、無階梯用戶數(shù)、一表 一戶用戶數(shù)、專變總?cè)萘俊＋@取電網(wǎng)系統(tǒng)外部數(shù)據(jù)，包括地區(qū)天氣數(shù)據(jù)(包括最高氣溫、最低 氣溫、氣溫差)等。對數(shù)據(jù)進行清理，包括修復(fù)異常值，填充缺失值，刪除重復(fù)值等。缺失值填 充方法：對有時間關(guān)系的連續(xù)型數(shù)據(jù)，如供電量，采用滑動平均值的方法，對于沒有時間關(guān) 系的連續(xù)型采用均值法進行填充，對于不確定的量，采用前值填充。特征抽取：

[0065] (1)經(jīng)過現(xiàn)有電網(wǎng)數(shù)據(jù)探索發(fā)現(xiàn)臺區(qū)用戶的數(shù)據(jù)主要因為變壓器的類型呈現(xiàn)較大 的供電量區(qū)別，因此針對專變?nèi)萘亢凸內(nèi)萘績蓚€字段利用one?hot編碼的方式將數(shù)據(jù)分 成專變臺區(qū)和公變臺區(qū)兩類。

[0066] (2)氣溫不僅僅與供電量相關(guān)，其還呈現(xiàn)季節(jié)性趨勢，以年為周期的波動特征，另 外時間其實是連續(xù)型的數(shù)據(jù)，因此考慮將臺區(qū)的供電時間單獨提取出來作為數(shù)據(jù)的季節(jié)性 特征之一。

[0067] 特征字段選取：利用主成分析根據(jù)特征占比分析可以得到昨日供電量、前日供電 量、專變總?cè)萘俊⒖側(cè)萘俊⒆罡咂骄鶞囟鹊茸侄螌τ谀繕素暙I較大，因此模型的初始輸入特 征選擇了歷史供電量、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(yù)測用電量字段是連續(xù)型，所以算法只能從線性回歸、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(臺區(qū)標識、所屬城市)，所以排除多 項式回歸。最后由于線性回歸的運行速度大大優(yōu)于M5P回歸樹，耗時少，并且從散點圖發(fā)現(xiàn) 輸入字段和目標存在一定的多元線性關(guān)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(yù)測結(jié)果，可 以分析該臺區(qū)在未來的負載情況趨勢，判斷臺區(qū)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**常運作時，向用戶手機或手環(huán)等電子設(shè) 備發(fā)送故障設(shè)備信息。系統(tǒng)通過企業(yè)網(wǎng)上商城，搜索同款商品或同類型可替換商品，將購買 鏈接發(fā)送至用戶手機或手環(huán)等設(shè)備，由用戶確認是否下單購買。若用戶確認下單購買推薦 的電器產(chǎn)品，則根據(jù)第二點預(yù)測的用戶在室內(nèi)大廳的時間，推薦配送安裝時間，由用戶確認 后安排相應(yīng)時間段進行電器配送安裝。

[0071] 根據(jù)用戶各電器設(shè)備單位時間段內(nèi)用電量統(tǒng)計結(jié)果，通過手機或手環(huán)向用戶推薦 同類可替換的更節(jié)能的電器產(chǎn)品。若不同時段內(nèi)電費價格不一致，通過手機或手環(huán)向用戶 推薦，將可調(diào)整用電時間的電器設(shè)備，洗衣機、洗碗機、電動車等的用電時間調(diào)整至電費價 格更低的時間段或該臺區(qū)日用電量低谷時段，由用戶確認同意后，在低電費時間段或該臺 區(qū)日用電量低谷時間內(nèi)，啟動該類型電器設(shè)備電源，高電價時間段或該臺區(qū)日用電量高峰 時間內(nèi)，關(guān)閉該類型電器設(shè)備電源。

[0072] 在默認情況下，家庭用電系統(tǒng)優(yōu)先使用太陽能和風能蓄電池的電能。在該臺區(qū)用電負荷較大的季節(jié)，結(jié)合該用戶所在臺區(qū)的日用電量預(yù)測，安排該臺區(qū)用電高峰期間，使用 家庭蓄電池電能，該臺區(qū)用電低谷期間，向該家庭蓄電池充電，實現(xiàn)家庭**用電量調(diào)節(jié)。 通過電網(wǎng)企業(yè)云平臺獲取外部氣象信息，當?shù)貐^(qū)有臺風、冰雹等惡劣天氣預(yù)警時，向用戶手 機或手環(huán)等電子設(shè)備發(fā)送相關(guān)天氣預(yù)警信息，同時系統(tǒng)收起**風力發(fā)電機風頁，太陽能 板加蓋防護罩，保護發(fā)電設(shè)備，待預(yù)警信息解除后再重新打開。

[0073] 本發(fā)明通過對用戶的用電習慣數(shù)據(jù)的采集，構(gòu)建模型進行訓練，對用戶行為進行 預(yù)測，及時調(diào)整房間電器的最佳狀態(tài)，達到用戶使用電器的最舒適狀態(tài)。通過搭建家用電器 數(shù)據(jù)采集及控制通道，結(jié)合電網(wǎng)臺區(qū)用電負荷預(yù)測、電網(wǎng)企業(yè)云平臺、外部氣象信息、電商 平臺等信息，將家庭用電設(shè)備調(diào)節(jié)至最優(yōu)最節(jié)能狀態(tài)，同時，結(jié)合用戶用電習慣，對用戶電 器使用行為進行預(yù)測，達到用戶使用電器的最舒適狀態(tài)。

[0074] 請參閱圖2，本發(fā)明提供一種家庭電器優(yōu)化使用管理裝置，包括：

[0075] 獲取模塊11，用于根據(jù)人體感應(yīng)器獲取用戶的相關(guān)數(shù)據(jù)，所述相關(guān)數(shù)據(jù)包括對所 述用戶的**；

[0076] 訓練模塊12，用于根據(jù)所述相關(guān)數(shù)據(jù)構(gòu)建馬爾可夫鏈模型，采用深度Q學習對所述 馬爾可夫鏈模型進行訓練，獲取所述用戶的行動預(yù)測結(jié)果；

[0077] 確定模塊13，用于根據(jù)所述用戶的行動預(yù)測結(jié)果調(diào)節(jié)室內(nèi)的溫度以及照明的亮 度。

[0078] 關(guān)于家庭電器優(yōu)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(yōu)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(xiàn)。上述各模塊可以硬件形式內(nèi)嵌于或**于計算機設(shè)備中的處理器中，也可以 以軟件形式存儲于計算機設(shè)備中的存儲器中，以便于處理器調(diào)用執(zhí)行以上各個模塊對應(yīng)的 **作。

[0079] 本發(fā)明提供一種計算機終端設(shè)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(zhí)行，使得所述一個或多個處理器實現(xiàn)如上述任意一個實施例中的家庭電器優(yōu)化使用管 理方法。

[0080] 處理器用于控制該計算機終端設(shè)備的整體**作，以完成上述的家庭電器優(yōu)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(shù)據(jù)以支持在該計算機終端設(shè)備 的**作，這些數(shù)據(jù)例如可以包括用于在該計算機終端設(shè)備上**作的任何應(yīng)用程序或方法的 指令，以及應(yīng)用程序相關(guān)的數(shù)據(jù)。該存儲器可以由任何類型的易失性或非易失性存儲設(shè)備 或者它們的組合實現(xiàn)，例如靜態(tài)隨機存取存儲器(Static Random Access Memory，簡稱 SRAM)，電可擦除可編程只讀存儲器(Electrically Erasable Programmable Read?Only Memory，簡稱EEPROM)，可擦除可編程只讀存儲器(Erasable Programmable Read?Only Memory，簡稱EPROM)，可編程只讀存儲器(Programmable Read?Only Memory，簡稱PROM)，只 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(shè)備可以被一個或多個應(yīng)用專用集成電路 (Application Specific 1ntegrated Circuit，簡稱AS1C)、數(shù)字信號處理器(Digital Signal Processor，簡稱DSP)、數(shù)字信號處理設(shè)備(Digital Signal Processing Device , 簡稱DSPD)、可編程邏輯器件(Programmable Logic Device，簡稱PLD)、現(xiàn)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(xiàn)，用于執(zhí)行上述的家庭電器優(yōu)化使用管理方法，并達到如上述方法一致的技術(shù)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(zhì)，該 程序指令被處理器執(zhí)行時實現(xiàn)上述任意一個實施例中的家庭電器優(yōu)化使用管理方法的步 驟。例如，該計算機可讀存儲介質(zhì)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(shè)備的處理器執(zhí)行以完成上述的家庭電器優(yōu)化使用管理方法，并達到如上述方法 一致的技術(shù)效果。

拓展知識：

谷峰4gs刷機包

谷峰就是個山寨。中興和華為起碼有品牌。

前沿拓展：

目前家家戶戶都有許多的電器，然而，現(xiàn)有的智能家電設(shè)備功能單一，只存在單臺 設(shè)備部分功能實現(xiàn)智能化，需要人為的去關(guān)閉設(shè)備或者去開啟設(shè)備，不能根據(jù)不同區(qū)域的 不同人的習慣去進行用電預(yù)測，不能很好的滿足實際的生活需求，同時也會導致用電資源 的浪費，難以實現(xiàn)整體最優(yōu)節(jié)能的用電方案。

問題拆分

法包括：根據(jù)人 體感應(yīng)器獲取用戶的相關(guān)數(shù)據(jù)，所述相關(guān)數(shù)據(jù)包 括對所述用戶的**；根據(jù)所述相關(guān)數(shù)據(jù)構(gòu)建馬爾可夫鏈模型，采用深度Q學習對所述馬爾可夫 鏈模型進行訓練，獲取所述用戶的行動預(yù)測結(jié)果；根據(jù)所述用戶的行動預(yù)測結(jié)果調(diào)節(jié)室內(nèi)的溫度以及照明的亮度。本發(fā)明根據(jù)獲取用戶日常行動軌跡，結(jié)合用電習慣，對用戶電器使用行為進 行預(yù)測，優(yōu)化用電方案，達到電器節(jié)能的最佳狀態(tài)。

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(guī)律，每天都會在固定的時間 在固定的房間內(nèi)活動，對室溫和燈光亮度有固定的要求。因此，可以根據(jù)家庭成員的日常行 動軌跡，優(yōu)化電器使用方案，在家庭成員到達房間前提前調(diào)整好室溫和燈光亮度等，在沒有 家庭成員活動的房間關(guān)閉燈管，關(guān)閉空調(diào)或?qū)⒖照{(diào)溫度調(diào)節(jié)至與室外溫度相近的最節(jié)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， 只需要在用車前把電動車充滿電就可以，因此，可以根據(jù)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(fā)電裝置或風力發(fā)電機和蓄電 池時，可以優(yōu)先利用這些清潔能源作為電源，既清潔環(huán)保，又可以降低電費。同時可結(jié)合該 臺區(qū)用電量預(yù)測結(jié)果，實現(xiàn)家庭**用電量峰谷調(diào)節(jié)。而且，根據(jù)家庭各種電器用電情況， 可以知道哪些電器設(shè)備故障，從而自動在網(wǎng)上查找同型號同款式的電器，或推薦相似產(chǎn)品， 待用戶選定產(chǎn)品后，根據(jù)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， 以及推薦適合該用戶的新型電器產(chǎn)品和更優(yōu)的用電方案。

[0042] 要實現(xiàn)對家庭電器優(yōu)化使用系統(tǒng)的數(shù)據(jù)采集和設(shè)備控制，第一需要搭建通信通 道，以便采集數(shù)據(jù)和控制電器設(shè)備，在室內(nèi)各個房間安裝人體感應(yīng)器、光感應(yīng)器、溫度感應(yīng) 器等傳感器和音頻采集器，門口安裝攝像頭，有線傳感器優(yōu)選電力線載波接入**路由器， **傳感器可以采用WAPI、藍牙、LoRa、WIFI、Zigbee等**方式接入**路由器，手機、手 環(huán)等可穿戴類電子產(chǎn)品用**方式接入**路由器。若該房屋有室外安裝了太陽能電池和 **風力發(fā)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(shè)備優(yōu) 選電力線載波接入**路由器，**設(shè)備接入**路由。**路由器接入電路控制系統(tǒng)，將 各傳感器、音頻采集器和視頻采集器的數(shù)據(jù)信息發(fā)送至電路控制系統(tǒng)。

[0043] 太陽能電池、**風力發(fā)電機產(chǎn)生的電能接入家用的蓄電池，蓄電池由電路控制 系統(tǒng)控制。空調(diào)、電燈、電動車充電樁等家用電器接入電路控制系統(tǒng)，智能家電可直接由電 路控制系統(tǒng)控制電器運行狀態(tài)，非智能家電可在電源開關(guān)上安裝帶通信接口的開關(guān)控制裝 置，再接入電路控制系統(tǒng)，以實現(xiàn)對電器的控制。電路控制系統(tǒng)將數(shù)據(jù)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(lián)收發(fā)數(shù)據(jù)，發(fā)送控制命令，上聯(lián)收發(fā)數(shù)據(jù)，接 收控制命令。在配電側(cè)配置配電帶邊緣計算能力的**，上聯(lián)主站通信設(shè)備。主站通信設(shè)備 采集配電變壓器數(shù)據(jù)，并上聯(lián)更高電壓等級變電站通信設(shè)備，接入調(diào)控中心通信設(shè)備，最后 接入電網(wǎng)企業(yè)云平臺，云平臺連接外部氣象信息和網(wǎng)上商城。

[0044] S102、根據(jù)所述相關(guān)數(shù)據(jù)構(gòu)建馬爾可夫鏈模型，采用深度Q學習對所述馬爾可夫鏈 模型進行訓練，獲取所述用戶的行動預(yù)測結(jié)果。

[0045] 具體的，采用人體感應(yīng)器，感知用戶的位置，將室內(nèi)的各房間編號為R1 ,R2 ,R3等等， 將用戶編號為P1 ,P2 ,P3等等，記錄室內(nèi)各用戶所處房間變更的時間，以及從哪個房間轉(zhuǎn)移至 哪個房間，以及此時其余用戶所處位置。對以上獲取的數(shù)據(jù)進行清洗，包括修復(fù)異常值，填 充缺失值，刪除重復(fù)值等，其中，缺失值填充方法為對于不確定的量，采用前值填充。

[0046] 根據(jù)用戶Pn處于的房間Rn**，構(gòu)建馬爾可夫鏈模型，采用深度Q學習預(yù)測用戶Pn 將前往的房間Rn的狀態(tài)?行為最優(yōu)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為用戶的狀態(tài)s和行為a的最優(yōu)值，標記為Qk (s ,a)，α為學習率，γ為折扣 率，r為狀態(tài)s到狀態(tài)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(yōu)狀態(tài)?行為 值，稱為Q值。狀態(tài)?行為(s ,a)的最優(yōu)Q值，標記為Qk (s ,a)，是**達到狀態(tài)s并選擇了行為a 后，假設(shè)在此行為后其行為最優(yōu)，預(yù)期的平均折扣后未來回報的總和，其工作原理：第一將 所有的Q值估計初始化為零，第二使用Q值算法進行更新。對于每個狀態(tài)?行為對(s ,a)，該算 法持續(xù)跟蹤**通過行為a離開狀態(tài)s是的平均回報，加上以后的期望回報，由于目標策略 會采取最佳行為，所以對于下一個狀態(tài)采用最大的Q值預(yù)估值，若猜對下一步用戶Pn將前往 Rn時，回報r為正，猜錯則回報r為負，將預(yù)測的用戶下一步將在哪個時間前往哪個房間結(jié)果 推送下一步驟。

[0049] S103、根據(jù)所述用戶的行動預(yù)測結(jié)果調(diào)節(jié)室內(nèi)的溫度以及照明的亮度。

[0050] 具體的，采用光感應(yīng)器、溫度感應(yīng)器收集用戶所處的位置的溫度和亮度，根據(jù)用戶 預(yù)設(shè)值，調(diào)節(jié)所處用戶所處位置的空調(diào)溫度和燈光亮度至預(yù)設(shè)值。根據(jù)用戶**以及行動 預(yù)測的結(jié)果，提前將用戶預(yù)計將前往的房間溫度調(diào)至用戶預(yù)設(shè)值，采用音頻采集器，采集人 員指令，調(diào)節(jié)該用戶所處的室內(nèi)溫度以及照明亮度，關(guān)閉無人房間的燈光照明，將無人房間 的溫度調(diào)節(jié)至最節(jié)能狀態(tài)，如關(guān)閉空調(diào)或?qū)⒖照{(diào)溫度調(diào)節(jié)至與室外接近的溫度。

[0051] 本發(fā)明通過對用戶的用電習慣數(shù)據(jù)的采集，構(gòu)建模型進行訓練，對用戶行為進行 預(yù)測，及時調(diào)整房間電器的最佳狀態(tài)，達到用戶使用電器的最舒適狀態(tài)。

[0052] 在又一實施例中，根據(jù)預(yù)設(shè)的氣象信息與用戶月度用電量信息結(jié)合，通過特征分 析和主成分分析，確定用戶用電電量的影響因子，根據(jù)線性回歸算法獲取用戶未來月度用 量預(yù)測結(jié)果，進而獲取用戶用電習慣。

[0053] 根據(jù)行動預(yù)測結(jié)果與用戶用電習慣，將用戶預(yù)計前往的房間溫度調(diào)節(jié)至預(yù)設(shè)值， 利用音頻采集器，采集用戶控制指令，調(diào)節(jié)用戶所處室內(nèi)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(yù)計月度總用電量，發(fā)送至智能電表、用戶手 機APP和用戶手環(huán)。基于以往的用戶用電數(shù)據(jù)及相關(guān)外部數(shù)據(jù)，開展預(yù)處理、關(guān)聯(lián)，構(gòu)建供用 戶月度用電量預(yù)測模型，預(yù)測用戶的月度用電量。第一將歷史氣象信息和用戶月度用電量 信息結(jié)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(shù)據(jù)進行預(yù)測。

[0055] 在電網(wǎng)系統(tǒng)數(shù)據(jù)資源內(nèi)，抽取該用電客戶檔案信息，獲取特征數(shù)據(jù)，選取的特征包 括：用戶標識、用電地址、用戶類型、樓盤小區(qū)名稱、用電量信息(累計用電量、用電月數(shù)、平 均用電量)、所屬城市、總?cè)萘康取＋@取電網(wǎng)系統(tǒng)外部數(shù)據(jù)，包括地區(qū)天氣數(shù)據(jù)(包括最高氣 溫、最低氣溫、氣溫差)等。室內(nèi)傳感器記錄用戶使用各種電器的用電時間、時長。

[0056] 對數(shù)據(jù)進行清理，包括修復(fù)異常值，填充缺失值，刪除重復(fù)值等。缺失值填充方法： 對有時間關(guān)系的連續(xù)型數(shù)據(jù)，如供電量，采用滑動平均值的方法，對于沒有時間關(guān)系的連續(xù) 型采用均值法進行填充，對于不確定的量，采用前值填充。

[0057] 氣溫不僅僅與用電量相關(guān)，其還呈現(xiàn)季節(jié)性趨勢，以年為周期的波動特征，另外時 間其實是連續(xù)型的數(shù)據(jù)，因此考慮將用戶的用電時間單獨提取出來作為數(shù)據(jù)的季節(jié)性特征 之一。利用主成分析根據(jù)特征占比分析可以得到上月供電量、上上月供電量、總?cè)萘俊⒆罡?平均溫度等字段對于目標貢獻較大，因此模型的初始輸入特征選擇了歷史供電量、氣溫情 況、總?cè)萘康葞讉€類型的變量作為特征。

[0058] 由于預(yù)測用電量字段是連續(xù)型，所以算法只能從線性回歸、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(臺區(qū)標識、所屬城市)，所以排除多 項式回歸。最后由于線性回歸的運行速度大大優(yōu)于M5P回歸樹，耗時少，并且從散點圖發(fā)現(xiàn) 輸入字段和目標存在一定的多元線性關(guān)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(yù)測結(jié)果，預(yù)計月度用電量、月度 電費，發(fā)送至智能電表、用戶手機APP和用戶手環(huán)。

[0059] 本發(fā)明通過對用戶的用電習慣數(shù)據(jù)的采集，構(gòu)建模型進行訓練，對用戶行為進行 預(yù)測，及時調(diào)整房間電器的最佳狀態(tài)，達到用戶使用電器的最舒適狀態(tài)。通過搭建家用電器 數(shù)據(jù)采集及控制通道，結(jié)合電網(wǎng)臺區(qū)用電負荷預(yù)測、電網(wǎng)企業(yè)云平臺、外部氣象信息、電商 平臺等信息，將家庭用電設(shè)備調(diào)節(jié)至最優(yōu)最節(jié)能狀態(tài)。同時，結(jié)合用戶用電習慣，對用戶電 器使用行為進行預(yù)測，達到用戶使用電器的最舒適狀態(tài)。

[0060] 在另一實施例中，利用感應(yīng)器，感知電動車是否在停**，記錄電動車停車時間 段，對電動車**及行動預(yù)測。統(tǒng)計電動車歷史達到**和離開**時間以及停車時長，將 統(tǒng)計的數(shù)據(jù)作為預(yù)測的數(shù)據(jù)輸入值，預(yù)測未來電動車的停車時長和離開**時間。

[0061] 基于以往的用車數(shù)據(jù)、用戶行動數(shù)據(jù)以及相關(guān)外部數(shù)據(jù)，開展預(yù)處理、關(guān)聯(lián)，構(gòu)建 用車行為預(yù)測模型，預(yù)測停車時段。第一將歷史氣象信息和以往的用車數(shù)據(jù)、用戶行動數(shù)據(jù) 信息結(jié)合，通過特征分析和主成分分析，找到對臺區(qū)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(shù)據(jù)進行預(yù)測。

[0062] 利用感應(yīng)器，感知電動車是否在停**，利用人體感應(yīng)器，感知用戶的位置，歷史 的電動車達**和離開**時間，以及停車時長，歷史的用戶**及行動記錄，獲取電網(wǎng)系 統(tǒng)外部數(shù)據(jù)，包括地區(qū)天氣數(shù)據(jù)(包括最高氣溫、最低氣溫、氣溫差、雨量、風力)等。對數(shù)據(jù) 進行清洗，包括修復(fù)異常值，填充缺失值，刪除重復(fù)值等，缺失值填充方法，對于不確定的 量，采用前值填充。由于預(yù)測用停車時長字段是連續(xù)型，所以算法只能從線性回歸、多項式 回歸、M5P回歸樹、深度神經(jīng)網(wǎng)絡(luò)中選擇，本方案選擇深度神經(jīng)網(wǎng)絡(luò)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(yù)測結(jié)果，可以估計電動 車停車的時段。

[0063] 結(jié)合該用戶所在臺區(qū)的日用電量預(yù)測，安排電動車在停電時間內(nèi)的臺區(qū)用電量低 谷進行電動車充電。基于以往的臺區(qū)用電數(shù)據(jù)及相關(guān)外部數(shù)據(jù)，開展預(yù)處理、關(guān)聯(lián)，構(gòu)建供 電臺區(qū)用電量預(yù)測模型，預(yù)測臺區(qū)的用電量。第一將歷史氣象信息和臺區(qū)用戶電量信息結(jié) 合。通過特征分析和主成分分析，找到對臺區(qū)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(shù)據(jù)進行預(yù)測。

[0064] 在電網(wǎng)系統(tǒng)數(shù)據(jù)資源內(nèi)，抽樣用電客戶檔案信息，獲取特征數(shù)據(jù)，選取的特征包 括：臺區(qū)標識、電費年月日時、公變用戶數(shù)、公變總?cè)萘俊⒔涣?20kV用戶數(shù)、居民生活用戶 數(shù)、三類負荷用戶數(shù)、所屬城市、總?cè)萘俊⑴_區(qū)總用戶數(shù)、無等級用戶數(shù)、無階梯用戶數(shù)、一表 一戶用戶數(shù)、專變總?cè)萘俊＋@取電網(wǎng)系統(tǒng)外部數(shù)據(jù)，包括地區(qū)天氣數(shù)據(jù)(包括最高氣溫、最低 氣溫、氣溫差)等。對數(shù)據(jù)進行清理，包括修復(fù)異常值，填充缺失值，刪除重復(fù)值等。缺失值填 充方法：對有時間關(guān)系的連續(xù)型數(shù)據(jù)，如供電量，采用滑動平均值的方法，對于沒有時間關(guān) 系的連續(xù)型采用均值法進行填充，對于不確定的量，采用前值填充。特征抽取：

[0065] (1)經(jīng)過現(xiàn)有電網(wǎng)數(shù)據(jù)探索發(fā)現(xiàn)臺區(qū)用戶的數(shù)據(jù)主要因為變壓器的類型呈現(xiàn)較大 的供電量區(qū)別，因此針對專變?nèi)萘亢凸內(nèi)萘績蓚€字段利用one?hot編碼的方式將數(shù)據(jù)分 成專變臺區(qū)和公變臺區(qū)兩類。

[0066] (2)氣溫不僅僅與供電量相關(guān)，其還呈現(xiàn)季節(jié)性趨勢，以年為周期的波動特征，另 外時間其實是連續(xù)型的數(shù)據(jù)，因此考慮將臺區(qū)的供電時間單獨提取出來作為數(shù)據(jù)的季節(jié)性 特征之一。

[0067] 特征字段選取：利用主成分析根據(jù)特征占比分析可以得到昨日供電量、前日供電 量、專變總?cè)萘俊⒖側(cè)萘俊⒆罡咂骄鶞囟鹊茸侄螌τ谀繕素暙I較大，因此模型的初始輸入特 征選擇了歷史供電量、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(yù)測用電量字段是連續(xù)型，所以算法只能從線性回歸、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(臺區(qū)標識、所屬城市)，所以排除多 項式回歸。最后由于線性回歸的運行速度大大優(yōu)于M5P回歸樹，耗時少，并且從散點圖發(fā)現(xiàn) 輸入字段和目標存在一定的多元線性關(guān)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(yù)測結(jié)果，可 以分析該臺區(qū)在未來的負載情況趨勢，判斷臺區(qū)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**常運作時，向用戶手機或手環(huán)等電子設(shè) 備發(fā)送故障設(shè)備信息。系統(tǒng)通過企業(yè)網(wǎng)上商城，搜索同款商品或同類型可替換商品，將購買 鏈接發(fā)送至用戶手機或手環(huán)等設(shè)備，由用戶確認是否下單購買。若用戶確認下單購買推薦 的電器產(chǎn)品，則根據(jù)第二點預(yù)測的用戶在室內(nèi)大廳的時間，推薦配送安裝時間，由用戶確認 后安排相應(yīng)時間段進行電器配送安裝。

[0071] 根據(jù)用戶各電器設(shè)備單位時間段內(nèi)用電量統(tǒng)計結(jié)果，通過手機或手環(huán)向用戶推薦 同類可替換的更節(jié)能的電器產(chǎn)品。若不同時段內(nèi)電費價格不一致，通過手機或手環(huán)向用戶 推薦，將可調(diào)整用電時間的電器設(shè)備，洗衣機、洗碗機、電動車等的用電時間調(diào)整至電費價 格更低的時間段或該臺區(qū)日用電量低谷時段，由用戶確認同意后，在低電費時間段或該臺 區(qū)日用電量低谷時間內(nèi)，啟動該類型電器設(shè)備電源，高電價時間段或該臺區(qū)日用電量高峰 時間內(nèi)，關(guān)閉該類型電器設(shè)備電源。

[0072] 在默認情況下，家庭用電系統(tǒng)優(yōu)先使用太陽能和風能蓄電池的電能。在該臺區(qū)用電負荷較大的季節(jié)，結(jié)合該用戶所在臺區(qū)的日用電量預(yù)測，安排該臺區(qū)用電高峰期間，使用 家庭蓄電池電能，該臺區(qū)用電低谷期間，向該家庭蓄電池充電，實現(xiàn)家庭**用電量調(diào)節(jié)。 通過電網(wǎng)企業(yè)云平臺獲取外部氣象信息，當?shù)貐^(qū)有臺風、冰雹等惡劣天氣預(yù)警時，向用戶手 機或手環(huán)等電子設(shè)備發(fā)送相關(guān)天氣預(yù)警信息，同時系統(tǒng)收起**風力發(fā)電機風頁，太陽能 板加蓋防護罩，保護發(fā)電設(shè)備，待預(yù)警信息解除后再重新打開。

[0073] 本發(fā)明通過對用戶的用電習慣數(shù)據(jù)的采集，構(gòu)建模型進行訓練，對用戶行為進行 預(yù)測，及時調(diào)整房間電器的最佳狀態(tài)，達到用戶使用電器的最舒適狀態(tài)。通過搭建家用電器 數(shù)據(jù)采集及控制通道，結(jié)合電網(wǎng)臺區(qū)用電負荷預(yù)測、電網(wǎng)企業(yè)云平臺、外部氣象信息、電商 平臺等信息，將家庭用電設(shè)備調(diào)節(jié)至最優(yōu)最節(jié)能狀態(tài)，同時，結(jié)合用戶用電習慣，對用戶電 器使用行為進行預(yù)測，達到用戶使用電器的最舒適狀態(tài)。

[0074] 請參閱圖2，本發(fā)明提供一種家庭電器優(yōu)化使用管理裝置，包括：

[0075] 獲取模塊11，用于根據(jù)人體感應(yīng)器獲取用戶的相關(guān)數(shù)據(jù)，所述相關(guān)數(shù)據(jù)包括對所 述用戶的**；

[0076] 訓練模塊12，用于根據(jù)所述相關(guān)數(shù)據(jù)構(gòu)建馬爾可夫鏈模型，采用深度Q學習對所述 馬爾可夫鏈模型進行訓練，獲取所述用戶的行動預(yù)測結(jié)果；

[0077] 確定模塊13，用于根據(jù)所述用戶的行動預(yù)測結(jié)果調(diào)節(jié)室內(nèi)的溫度以及照明的亮 度。

[0078] 關(guān)于家庭電器優(yōu)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(yōu)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(xiàn)。上述各模塊可以硬件形式內(nèi)嵌于或**于計算機設(shè)備中的處理器中，也可以 以軟件形式存儲于計算機設(shè)備中的存儲器中，以便于處理器調(diào)用執(zhí)行以上各個模塊對應(yīng)的 **作。

[0079] 本發(fā)明提供一種計算機終端設(shè)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(zhí)行，使得所述一個或多個處理器實現(xiàn)如上述任意一個實施例中的家庭電器優(yōu)化使用管 理方法。

[0080] 處理器用于控制該計算機終端設(shè)備的整體**作，以完成上述的家庭電器優(yōu)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(shù)據(jù)以支持在該計算機終端設(shè)備 的**作，這些數(shù)據(jù)例如可以包括用于在該計算機終端設(shè)備上**作的任何應(yīng)用程序或方法的 指令，以及應(yīng)用程序相關(guān)的數(shù)據(jù)。該存儲器可以由任何類型的易失性或非易失性存儲設(shè)備 或者它們的組合實現(xiàn)，例如靜態(tài)隨機存取存儲器(Static Random Access Memory，簡稱 SRAM)，電可擦除可編程只讀存儲器(Electrically Erasable Programmable Read?Only Memory，簡稱EEPROM)，可擦除可編程只讀存儲器(Erasable Programmable Read?Only Memory，簡稱EPROM)，可編程只讀存儲器(Programmable Read?Only Memory，簡稱PROM)，只 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(shè)備可以被一個或多個應(yīng)用專用集成電路 (Application Specific 1ntegrated Circuit，簡稱AS1C)、數(shù)字信號處理器(Digital Signal Processor，簡稱DSP)、數(shù)字信號處理設(shè)備(Digital Signal Processing Device , 簡稱DSPD)、可編程邏輯器件(Programmable Logic Device，簡稱PLD)、現(xiàn)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(xiàn)，用于執(zhí)行上述的家庭電器優(yōu)化使用管理方法，并達到如上述方法一致的技術(shù)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(zhì)，該 程序指令被處理器執(zhí)行時實現(xiàn)上述任意一個實施例中的家庭電器優(yōu)化使用管理方法的步 驟。例如，該計算機可讀存儲介質(zhì)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(shè)備的處理器執(zhí)行以完成上述的家庭電器優(yōu)化使用管理方法，并達到如上述方法 一致的技術(shù)效果。

拓展知識：

谷峰4gs刷機包

谷峰就是個山寨。中興和華為起碼有品牌。

前沿拓展：

目前家家戶戶都有許多的電器，然而，現(xiàn)有的智能家電設(shè)備功能單一，只存在單臺 設(shè)備部分功能實現(xiàn)智能化，需要人為的去關(guān)閉設(shè)備或者去開啟設(shè)備，不能根據(jù)不同區(qū)域的 不同人的習慣去進行用電預(yù)測，不能很好的滿足實際的生活需求，同時也會導致用電資源 的浪費，難以實現(xiàn)整體最優(yōu)節(jié)能的用電方案。

問題拆分

法包括：根據(jù)人 體感應(yīng)器獲取用戶的相關(guān)數(shù)據(jù)，所述相關(guān)數(shù)據(jù)包 括對所述用戶的**；根據(jù)所述相關(guān)數(shù)據(jù)構(gòu)建馬爾可夫鏈模型，采用深度Q學習對所述馬爾可夫 鏈模型進行訓練，獲取所述用戶的行動預(yù)測結(jié)果；根據(jù)所述用戶的行動預(yù)測結(jié)果調(diào)節(jié)室內(nèi)的溫度以及照明的亮度。本發(fā)明根據(jù)獲取用戶日常行動軌跡，結(jié)合用電習慣，對用戶電器使用行為進 行預(yù)測，優(yōu)化用電方案，達到電器節(jié)能的最佳狀態(tài)。

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(guī)律，每天都會在固定的時間 在固定的房間內(nèi)活動，對室溫和燈光亮度有固定的要求。因此，可以根據(jù)家庭成員的日常行 動軌跡，優(yōu)化電器使用方案，在家庭成員到達房間前提前調(diào)整好室溫和燈光亮度等，在沒有 家庭成員活動的房間關(guān)閉燈管，關(guān)閉空調(diào)或?qū)⒖照{(diào)溫度調(diào)節(jié)至與室外溫度相近的最節(jié)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， 只需要在用車前把電動車充滿電就可以，因此，可以根據(jù)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(fā)電裝置或風力發(fā)電機和蓄電 池時，可以優(yōu)先利用這些清潔能源作為電源，既清潔環(huán)保，又可以降低電費。同時可結(jié)合該 臺區(qū)用電量預(yù)測結(jié)果，實現(xiàn)家庭**用電量峰谷調(diào)節(jié)。而且，根據(jù)家庭各種電器用電情況， 可以知道哪些電器設(shè)備故障，從而自動在網(wǎng)上查找同型號同款式的電器，或推薦相似產(chǎn)品， 待用戶選定產(chǎn)品后，根據(jù)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， 以及推薦適合該用戶的新型電器產(chǎn)品和更優(yōu)的用電方案。

[0042] 要實現(xiàn)對家庭電器優(yōu)化使用系統(tǒng)的數(shù)據(jù)采集和設(shè)備控制，第一需要搭建通信通 道，以便采集數(shù)據(jù)和控制電器設(shè)備，在室內(nèi)各個房間安裝人體感應(yīng)器、光感應(yīng)器、溫度感應(yīng) 器等傳感器和音頻采集器，門口安裝攝像頭，有線傳感器優(yōu)選電力線載波接入**路由器， **傳感器可以采用WAPI、藍牙、LoRa、WIFI、Zigbee等**方式接入**路由器，手機、手 環(huán)等可穿戴類電子產(chǎn)品用**方式接入**路由器。若該房屋有室外安裝了太陽能電池和 **風力發(fā)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(shè)備優(yōu) 選電力線載波接入**路由器，**設(shè)備接入**路由。**路由器接入電路控制系統(tǒng)，將 各傳感器、音頻采集器和視頻采集器的數(shù)據(jù)信息發(fā)送至電路控制系統(tǒng)。

[0043] 太陽能電池、**風力發(fā)電機產(chǎn)生的電能接入家用的蓄電池，蓄電池由電路控制 系統(tǒng)控制。空調(diào)、電燈、電動車充電樁等家用電器接入電路控制系統(tǒng)，智能家電可直接由電 路控制系統(tǒng)控制電器運行狀態(tài)，非智能家電可在電源開關(guān)上安裝帶通信接口的開關(guān)控制裝 置，再接入電路控制系統(tǒng)，以實現(xiàn)對電器的控制。電路控制系統(tǒng)將數(shù)據(jù)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(lián)收發(fā)數(shù)據(jù)，發(fā)送控制命令，上聯(lián)收發(fā)數(shù)據(jù)，接 收控制命令。在配電側(cè)配置配電帶邊緣計算能力的**，上聯(lián)主站通信設(shè)備。主站通信設(shè)備 采集配電變壓器數(shù)據(jù)，并上聯(lián)更高電壓等級變電站通信設(shè)備，接入調(diào)控中心通信設(shè)備，最后 接入電網(wǎng)企業(yè)云平臺，云平臺連接外部氣象信息和網(wǎng)上商城。

[0044] S102、根據(jù)所述相關(guān)數(shù)據(jù)構(gòu)建馬爾可夫鏈模型，采用深度Q學習對所述馬爾可夫鏈 模型進行訓練，獲取所述用戶的行動預(yù)測結(jié)果。

[0045] 具體的，采用人體感應(yīng)器，感知用戶的位置，將室內(nèi)的各房間編號為R1 ,R2 ,R3等等， 將用戶編號為P1 ,P2 ,P3等等，記錄室內(nèi)各用戶所處房間變更的時間，以及從哪個房間轉(zhuǎn)移至 哪個房間，以及此時其余用戶所處位置。對以上獲取的數(shù)據(jù)進行清洗，包括修復(fù)異常值，填 充缺失值，刪除重復(fù)值等，其中，缺失值填充方法為對于不確定的量，采用前值填充。

[0046] 根據(jù)用戶Pn處于的房間Rn**，構(gòu)建馬爾可夫鏈模型，采用深度Q學習預(yù)測用戶Pn 將前往的房間Rn的狀態(tài)?行為最優(yōu)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為用戶的狀態(tài)s和行為a的最優(yōu)值，標記為Qk (s ,a)，α為學習率，γ為折扣 率，r為狀態(tài)s到狀態(tài)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(yōu)狀態(tài)?行為 值，稱為Q值。狀態(tài)?行為(s ,a)的最優(yōu)Q值，標記為Qk (s ,a)，是**達到狀態(tài)s并選擇了行為a 后，假設(shè)在此行為后其行為最優(yōu)，預(yù)期的平均折扣后未來回報的總和，其工作原理：第一將 所有的Q值估計初始化為零，第二使用Q值算法進行更新。對于每個狀態(tài)?行為對(s ,a)，該算 法持續(xù)跟蹤**通過行為a離開狀態(tài)s是的平均回報，加上以后的期望回報，由于目標策略 會采取最佳行為，所以對于下一個狀態(tài)采用最大的Q值預(yù)估值，若猜對下一步用戶Pn將前往 Rn時，回報r為正，猜錯則回報r為負，將預(yù)測的用戶下一步將在哪個時間前往哪個房間結(jié)果 推送下一步驟。

[0049] S103、根據(jù)所述用戶的行動預(yù)測結(jié)果調(diào)節(jié)室內(nèi)的溫度以及照明的亮度。

[0050] 具體的，采用光感應(yīng)器、溫度感應(yīng)器收集用戶所處的位置的溫度和亮度，根據(jù)用戶 預(yù)設(shè)值，調(diào)節(jié)所處用戶所處位置的空調(diào)溫度和燈光亮度至預(yù)設(shè)值。根據(jù)用戶**以及行動 預(yù)測的結(jié)果，提前將用戶預(yù)計將前往的房間溫度調(diào)至用戶預(yù)設(shè)值，采用音頻采集器，采集人 員指令，調(diào)節(jié)該用戶所處的室內(nèi)溫度以及照明亮度，關(guān)閉無人房間的燈光照明，將無人房間 的溫度調(diào)節(jié)至最節(jié)能狀態(tài)，如關(guān)閉空調(diào)或?qū)⒖照{(diào)溫度調(diào)節(jié)至與室外接近的溫度。

[0051] 本發(fā)明通過對用戶的用電習慣數(shù)據(jù)的采集，構(gòu)建模型進行訓練，對用戶行為進行 預(yù)測，及時調(diào)整房間電器的最佳狀態(tài)，達到用戶使用電器的最舒適狀態(tài)。

[0052] 在又一實施例中，根據(jù)預(yù)設(shè)的氣象信息與用戶月度用電量信息結(jié)合，通過特征分 析和主成分分析，確定用戶用電電量的影響因子，根據(jù)線性回歸算法獲取用戶未來月度用 量預(yù)測結(jié)果，進而獲取用戶用電習慣。

[0053] 根據(jù)行動預(yù)測結(jié)果與用戶用電習慣，將用戶預(yù)計前往的房間溫度調(diào)節(jié)至預(yù)設(shè)值， 利用音頻采集器，采集用戶控制指令，調(diào)節(jié)用戶所處室內(nèi)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(yù)計月度總用電量，發(fā)送至智能電表、用戶手 機APP和用戶手環(huán)。基于以往的用戶用電數(shù)據(jù)及相關(guān)外部數(shù)據(jù)，開展預(yù)處理、關(guān)聯(lián)，構(gòu)建供用 戶月度用電量預(yù)測模型，預(yù)測用戶的月度用電量。第一將歷史氣象信息和用戶月度用電量 信息結(jié)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(shù)據(jù)進行預(yù)測。

[0055] 在電網(wǎng)系統(tǒng)數(shù)據(jù)資源內(nèi)，抽取該用電客戶檔案信息，獲取特征數(shù)據(jù)，選取的特征包 括：用戶標識、用電地址、用戶類型、樓盤小區(qū)名稱、用電量信息(累計用電量、用電月數(shù)、平 均用電量)、所屬城市、總?cè)萘康取＋@取電網(wǎng)系統(tǒng)外部數(shù)據(jù)，包括地區(qū)天氣數(shù)據(jù)(包括最高氣 溫、最低氣溫、氣溫差)等。室內(nèi)傳感器記錄用戶使用各種電器的用電時間、時長。

[0056] 對數(shù)據(jù)進行清理，包括修復(fù)異常值，填充缺失值，刪除重復(fù)值等。缺失值填充方法： 對有時間關(guān)系的連續(xù)型數(shù)據(jù)，如供電量，采用滑動平均值的方法，對于沒有時間關(guān)系的連續(xù) 型采用均值法進行填充，對于不確定的量，采用前值填充。

[0057] 氣溫不僅僅與用電量相關(guān)，其還呈現(xiàn)季節(jié)性趨勢，以年為周期的波動特征，另外時 間其實是連續(xù)型的數(shù)據(jù)，因此考慮將用戶的用電時間單獨提取出來作為數(shù)據(jù)的季節(jié)性特征 之一。利用主成分析根據(jù)特征占比分析可以得到上月供電量、上上月供電量、總?cè)萘俊⒆罡?平均溫度等字段對于目標貢獻較大，因此模型的初始輸入特征選擇了歷史供電量、氣溫情 況、總?cè)萘康葞讉€類型的變量作為特征。

[0058] 由于預(yù)測用電量字段是連續(xù)型，所以算法只能從線性回歸、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(臺區(qū)標識、所屬城市)，所以排除多 項式回歸。最后由于線性回歸的運行速度大大優(yōu)于M5P回歸樹，耗時少，并且從散點圖發(fā)現(xiàn) 輸入字段和目標存在一定的多元線性關(guān)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(yù)測結(jié)果，預(yù)計月度用電量、月度 電費，發(fā)送至智能電表、用戶手機APP和用戶手環(huán)。

[0059] 本發(fā)明通過對用戶的用電習慣數(shù)據(jù)的采集，構(gòu)建模型進行訓練，對用戶行為進行 預(yù)測，及時調(diào)整房間電器的最佳狀態(tài)，達到用戶使用電器的最舒適狀態(tài)。通過搭建家用電器 數(shù)據(jù)采集及控制通道，結(jié)合電網(wǎng)臺區(qū)用電負荷預(yù)測、電網(wǎng)企業(yè)云平臺、外部氣象信息、電商 平臺等信息，將家庭用電設(shè)備調(diào)節(jié)至最優(yōu)最節(jié)能狀態(tài)。同時，結(jié)合用戶用電習慣，對用戶電 器使用行為進行預(yù)測，達到用戶使用電器的最舒適狀態(tài)。

[0060] 在另一實施例中，利用感應(yīng)器，感知電動車是否在停**，記錄電動車停車時間 段，對電動車**及行動預(yù)測。統(tǒng)計電動車歷史達到**和離開**時間以及停車時長，將 統(tǒng)計的數(shù)據(jù)作為預(yù)測的數(shù)據(jù)輸入值，預(yù)測未來電動車的停車時長和離開**時間。

[0061] 基于以往的用車數(shù)據(jù)、用戶行動數(shù)據(jù)以及相關(guān)外部數(shù)據(jù)，開展預(yù)處理、關(guān)聯(lián)，構(gòu)建 用車行為預(yù)測模型，預(yù)測停車時段。第一將歷史氣象信息和以往的用車數(shù)據(jù)、用戶行動數(shù)據(jù) 信息結(jié)合，通過特征分析和主成分分析，找到對臺區(qū)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(shù)據(jù)進行預(yù)測。

[0062] 利用感應(yīng)器，感知電動車是否在停**，利用人體感應(yīng)器，感知用戶的位置，歷史 的電動車達**和離開**時間，以及停車時長，歷史的用戶**及行動記錄，獲取電網(wǎng)系 統(tǒng)外部數(shù)據(jù)，包括地區(qū)天氣數(shù)據(jù)(包括最高氣溫、最低氣溫、氣溫差、雨量、風力)等。對數(shù)據(jù) 進行清洗，包括修復(fù)異常值，填充缺失值，刪除重復(fù)值等，缺失值填充方法，對于不確定的 量，采用前值填充。由于預(yù)測用停車時長字段是連續(xù)型，所以算法只能從線性回歸、多項式 回歸、M5P回歸樹、深度神經(jīng)網(wǎng)絡(luò)中選擇，本方案選擇深度神經(jīng)網(wǎng)絡(luò)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(yù)測結(jié)果，可以估計電動 車停車的時段。

[0063] 結(jié)合該用戶所在臺區(qū)的日用電量預(yù)測，安排電動車在停電時間內(nèi)的臺區(qū)用電量低 谷進行電動車充電。基于以往的臺區(qū)用電數(shù)據(jù)及相關(guān)外部數(shù)據(jù)，開展預(yù)處理、關(guān)聯(lián)，構(gòu)建供 電臺區(qū)用電量預(yù)測模型，預(yù)測臺區(qū)的用電量。第一將歷史氣象信息和臺區(qū)用戶電量信息結(jié) 合。通過特征分析和主成分分析，找到對臺區(qū)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(shù)據(jù)進行預(yù)測。

[0064] 在電網(wǎng)系統(tǒng)數(shù)據(jù)資源內(nèi)，抽樣用電客戶檔案信息，獲取特征數(shù)據(jù)，選取的特征包 括：臺區(qū)標識、電費年月日時、公變用戶數(shù)、公變總?cè)萘俊⒔涣?20kV用戶數(shù)、居民生活用戶 數(shù)、三類負荷用戶數(shù)、所屬城市、總?cè)萘俊⑴_區(qū)總用戶數(shù)、無等級用戶數(shù)、無階梯用戶數(shù)、一表 一戶用戶數(shù)、專變總?cè)萘俊＋@取電網(wǎng)系統(tǒng)外部數(shù)據(jù)，包括地區(qū)天氣數(shù)據(jù)(包括最高氣溫、最低 氣溫、氣溫差)等。對數(shù)據(jù)進行清理，包括修復(fù)異常值，填充缺失值，刪除重復(fù)值等。缺失值填 充方法：對有時間關(guān)系的連續(xù)型數(shù)據(jù)，如供電量，采用滑動平均值的方法，對于沒有時間關(guān) 系的連續(xù)型采用均值法進行填充，對于不確定的量，采用前值填充。特征抽取：

[0065] (1)經(jīng)過現(xiàn)有電網(wǎng)數(shù)據(jù)探索發(fā)現(xiàn)臺區(qū)用戶的數(shù)據(jù)主要因為變壓器的類型呈現(xiàn)較大 的供電量區(qū)別，因此針對專變?nèi)萘亢凸內(nèi)萘績蓚€字段利用one?hot編碼的方式將數(shù)據(jù)分 成專變臺區(qū)和公變臺區(qū)兩類。

[0066] (2)氣溫不僅僅與供電量相關(guān)，其還呈現(xiàn)季節(jié)性趨勢，以年為周期的波動特征，另 外時間其實是連續(xù)型的數(shù)據(jù)，因此考慮將臺區(qū)的供電時間單獨提取出來作為數(shù)據(jù)的季節(jié)性 特征之一。

[0067] 特征字段選取：利用主成分析根據(jù)特征占比分析可以得到昨日供電量、前日供電 量、專變總?cè)萘俊⒖側(cè)萘俊⒆罡咂骄鶞囟鹊茸侄螌τ谀繕素暙I較大，因此模型的初始輸入特 征選擇了歷史供電量、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(yù)測用電量字段是連續(xù)型，所以算法只能從線性回歸、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(臺區(qū)標識、所屬城市)，所以排除多 項式回歸。最后由于線性回歸的運行速度大大優(yōu)于M5P回歸樹，耗時少，并且從散點圖發(fā)現(xiàn) 輸入字段和目標存在一定的多元線性關(guān)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(yù)測結(jié)果，可 以分析該臺區(qū)在未來的負載情況趨勢，判斷臺區(qū)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**常運作時，向用戶手機或手環(huán)等電子設(shè) 備發(fā)送故障設(shè)備信息。系統(tǒng)通過企業(yè)網(wǎng)上商城，搜索同款商品或同類型可替換商品，將購買 鏈接發(fā)送至用戶手機或手環(huán)等設(shè)備，由用戶確認是否下單購買。若用戶確認下單購買推薦 的電器產(chǎn)品，則根據(jù)第二點預(yù)測的用戶在室內(nèi)大廳的時間，推薦配送安裝時間，由用戶確認 后安排相應(yīng)時間段進行電器配送安裝。

[0071] 根據(jù)用戶各電器設(shè)備單位時間段內(nèi)用電量統(tǒng)計結(jié)果，通過手機或手環(huán)向用戶推薦 同類可替換的更節(jié)能的電器產(chǎn)品。若不同時段內(nèi)電費價格不一致，通過手機或手環(huán)向用戶 推薦，將可調(diào)整用電時間的電器設(shè)備，洗衣機、洗碗機、電動車等的用電時間調(diào)整至電費價 格更低的時間段或該臺區(qū)日用電量低谷時段，由用戶確認同意后，在低電費時間段或該臺 區(qū)日用電量低谷時間內(nèi)，啟動該類型電器設(shè)備電源，高電價時間段或該臺區(qū)日用電量高峰 時間內(nèi)，關(guān)閉該類型電器設(shè)備電源。

[0072] 在默認情況下，家庭用電系統(tǒng)優(yōu)先使用太陽能和風能蓄電池的電能。在該臺區(qū)用電負荷較大的季節(jié)，結(jié)合該用戶所在臺區(qū)的日用電量預(yù)測，安排該臺區(qū)用電高峰期間，使用 家庭蓄電池電能，該臺區(qū)用電低谷期間，向該家庭蓄電池充電，實現(xiàn)家庭**用電量調(diào)節(jié)。 通過電網(wǎng)企業(yè)云平臺獲取外部氣象信息，當?shù)貐^(qū)有臺風、冰雹等惡劣天氣預(yù)警時，向用戶手 機或手環(huán)等電子設(shè)備發(fā)送相關(guān)天氣預(yù)警信息，同時系統(tǒng)收起**風力發(fā)電機風頁，太陽能 板加蓋防護罩，保護發(fā)電設(shè)備，待預(yù)警信息解除后再重新打開。

[0073] 本發(fā)明通過對用戶的用電習慣數(shù)據(jù)的采集，構(gòu)建模型進行訓練，對用戶行為進行 預(yù)測，及時調(diào)整房間電器的最佳狀態(tài)，達到用戶使用電器的最舒適狀態(tài)。通過搭建家用電器 數(shù)據(jù)采集及控制通道，結(jié)合電網(wǎng)臺區(qū)用電負荷預(yù)測、電網(wǎng)企業(yè)云平臺、外部氣象信息、電商 平臺等信息，將家庭用電設(shè)備調(diào)節(jié)至最優(yōu)最節(jié)能狀態(tài)，同時，結(jié)合用戶用電習慣，對用戶電 器使用行為進行預(yù)測，達到用戶使用電器的最舒適狀態(tài)。

[0074] 請參閱圖2，本發(fā)明提供一種家庭電器優(yōu)化使用管理裝置，包括：

[0075] 獲取模塊11，用于根據(jù)人體感應(yīng)器獲取用戶的相關(guān)數(shù)據(jù)，所述相關(guān)數(shù)據(jù)包括對所 述用戶的**；

[0076] 訓練模塊12，用于根據(jù)所述相關(guān)數(shù)據(jù)構(gòu)建馬爾可夫鏈模型，采用深度Q學習對所述 馬爾可夫鏈模型進行訓練，獲取所述用戶的行動預(yù)測結(jié)果；

[0077] 確定模塊13，用于根據(jù)所述用戶的行動預(yù)測結(jié)果調(diào)節(jié)室內(nèi)的溫度以及照明的亮 度。

[0078] 關(guān)于家庭電器優(yōu)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(yōu)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(xiàn)。上述各模塊可以硬件形式內(nèi)嵌于或**于計算機設(shè)備中的處理器中，也可以 以軟件形式存儲于計算機設(shè)備中的存儲器中，以便于處理器調(diào)用執(zhí)行以上各個模塊對應(yīng)的 **作。

[0079] 本發(fā)明提供一種計算機終端設(shè)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(zhí)行，使得所述一個或多個處理器實現(xiàn)如上述任意一個實施例中的家庭電器優(yōu)化使用管 理方法。

[0080] 處理器用于控制該計算機終端設(shè)備的整體**作，以完成上述的家庭電器優(yōu)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(shù)據(jù)以支持在該計算機終端設(shè)備 的**作，這些數(shù)據(jù)例如可以包括用于在該計算機終端設(shè)備上**作的任何應(yīng)用程序或方法的 指令，以及應(yīng)用程序相關(guān)的數(shù)據(jù)。該存儲器可以由任何類型的易失性或非易失性存儲設(shè)備 或者它們的組合實現(xiàn)，例如靜態(tài)隨機存取存儲器(Static Random Access Memory，簡稱 SRAM)，電可擦除可編程只讀存儲器(Electrically Erasable Programmable Read?Only Memory，簡稱EEPROM)，可擦除可編程只讀存儲器(Erasable Programmable Read?Only Memory，簡稱EPROM)，可編程只讀存儲器(Programmable Read?Only Memory，簡稱PROM)，只 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(shè)備可以被一個或多個應(yīng)用專用集成電路 (Application Specific 1ntegrated Circuit，簡稱AS1C)、數(shù)字信號處理器(Digital Signal Processor，簡稱DSP)、數(shù)字信號處理設(shè)備(Digital Signal Processing Device , 簡稱DSPD)、可編程邏輯器件(Programmable Logic Device，簡稱PLD)、現(xiàn)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(xiàn)，用于執(zhí)行上述的家庭電器優(yōu)化使用管理方法，并達到如上述方法一致的技術(shù)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(zhì)，該 程序指令被處理器執(zhí)行時實現(xiàn)上述任意一個實施例中的家庭電器優(yōu)化使用管理方法的步 驟。例如，該計算機可讀存儲介質(zhì)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(shè)備的處理器執(zhí)行以完成上述的家庭電器優(yōu)化使用管理方法，并達到如上述方法 一致的技術(shù)效果。

拓展知識：

谷峰4gs刷機包

谷峰就是個山寨。中興和華為起碼有品牌。