(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210906462.4 (22)申请日 2022.07.29 (71)申请人 江苏磐鼎科技有限公司 地址 214000 江苏省无锡市梁 溪区南湖大 道789号C幢2 楼 (72)发明人 裴峰　 (74)专利代理 机构 哈尔滨市阳光惠远知识产权 代理有限公司 2321 1 专利代理师 吕永芳 (51)Int.Cl. G06V 10/26(2022.01) G06V 10/30(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01) G06V 10/22(2022.01)G06V 40/10(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G01D 21/02(2006.01) (54)发明名称 一种基于多传感器信息融合的能源管理系 统以及方法 (57)摘要 本发明公开了一种基于多传感器信息融合 的能源管 理系统以及方法， 属于能源智能管理领 域。 所述能源管理系统包括数据采集处理模块、 节能控制模块和执行模块， 其中数据采集处理模 块包含有视觉传感器， 根据视觉传感器所采集的 图像确定使用环境的场景、 人数以及人在场景中 的具体位置， 并且后续采用深度神经网络根据使 用环境的场景、 人数、 温度信息和湿度信息对空 调进行节能控制， 根据使用环境的场景、 人数、 人 在场景中的具体位置以及光照强度信息对照明 设备进行节能控制； 解决了 现有节能管理只能等 待温度、 湿度等传感器采集到温度、 湿度发生变 化才能进行被动调节存在的延迟调整而导致的 能源浪费问题， 实现了对于用电设备的快速关闭 或调整的节能效果。 权利要求书2页 说明书8页 附图4页 CN 115272675 A 2022.11.01 CN 115272675 A 1.一种基于多传感器信息融合的能源管理系统， 其特征在于， 所述系统包括数据采集 处理模块、 节能控制模块和执 行模块； 其中， 所述数据采集处理模块用于采集使用环境的图像信 息、 温度、 湿度以及光照强度 信息， 并进 行数据处理， 其中对于图像信息的处理采用图像识别系统识别使用环境的场景、 人数以及人在场景中的具体位置； 所述节能控制模块用于根据所述数据采集处理模块处理 后的数据确定节 能控制指令并发送给执行模块； 所述执行模块包括空调设备和照明设备， 所述空调设备和照明设备根据节能控制指令进行相应参数的实时调整。 2.根据权利要求1所述的系统， 其特征在于， 所述数据采集处理模块包括视觉传感器、 温度传感器、 光照强度传感器、 湿度传感器以及数据处理单元； 所述节能控制模块包括基于 深度神经网络的空调节能模型和基于深度神经网络的照明节能模型； 所述空调节能模型用于根据使用环境的场景、 人数、 温度信息和湿度信息确定空调的 节能控制指令， 包括空调的启动关闭、 空调的工作模式以及空调的温度设置指令； 所述照明节能模型用于根据使用环境的场景、 人数、 光照强度信息确定照明设备的节 能控制指令， 包括照明设备的启动关闭和照明设备最优照度指令 。 3.根据权利要求2所述的系统， 其特征在于， 所述照明节能模型还用于进一步根据 人在 场景中的具体位置确定使用场景中照明设备的启动关闭和照明设备最优照度指令 。 4.根据权利要求3所述的系统， 其特征在于， 所述视觉传感器、 温度传感器、 光照强度传 感器、 湿度传感器根据使用环境的大小以及空间结构确定安装位置和数量。 5.一种基于多传感器信息融合的能源管理方法， 其特征在于， 所述方法基于权利要求 2‑4任一所述的系统实现， 所述方法包括： 步骤S1， 采集使用环境的图像信息、 温度、 湿度、 光照强度信息以及当前空调设备和照 明设备的工作参数； 步骤S2， 根据所述图像信息获取使用环境的场景和人数； 并对使用环境的场景和人数 以及所采集的温度、 湿度光照强度信息进行 预处理后构成数据集； 步骤S3， 利用数据集中的使用环境的场景、 人数、 温度信息和湿度信息训练基于深度神 经网络的空调节 能模型至模型收敛； 利用数据集中使用环境的场景、 人数和 光照强度信息 训练基于深度神经网络的照明节能模型至模型收敛； 步骤S4， 利用训练好的空调节能模型确定空调的节能控制指令， 利用训练好的照明节 能模型确定照明设备的节能控制指令； 步骤S5， 结合当前空调设备的工作参数和对应的空调的节能控制 指令实现对于空调设 备的节能控制， 结合当前照明设备的工作参数和对应的照明设备的节能控制指 令实现对于 照明设备的节能控制。 6.根据权利要求5所述的方法， 其特 征在于， 所述 步骤S3包括： 将数据集随机打乱之后按照3： 1的比例分成训练集和测试集， 并保证每个数据集内中 的样本分布都是均匀的； 所述深度神经网络包括输入层、 隐藏层和输出层， 深度神经网络的宽度为10； 空调节能模型为4输入3输出， 4输入分别为使用环境的场景、 人数、 温度信息和湿度信 息， 3输出分别为空调的启动关闭、 空调的工作模式和空调温度； 照明节能模型为3输入2输出， 3输入分别为使用环境的场景、 人数和光照强度信息， 2输权　利　要　求　书 1/2 页 2 CN 115272675 A 2出分别为照明设备的启动关闭和最优照度。 7.根据权利要求6所述的方法， 其特征在于， 所述步骤S2中， 根据所述图像信息获取使 用环境的场景和人 数， 包括： 对图像进行降噪、 增亮处理后再进行方形块分割， 提取每块图像中的特征区域； 根据 特 征区域确定使用环境的场景和人数； 使用环境的场景通过具体参照物确定， 人数通过人脸 识别技术实现。 8.根据权利要求7所述的方法， 其特征在于， 所述方法还包括， 根据所述图像信息获取 人在场景中的具体位置， 结合人在场景中的具体位置确定使用场景中照明设备的启动关闭 和照明设备最优照度指令 。 9.根据权利要求8所述的方法， 其特征在于， 所述训练基于深度神经网络的空调节能模 型至模型收敛和训练基于深度神经网络的照明节能模型至模型收敛包括： 设i为神经元的数目， x1、 x2…xi为神经元输入， W1、 W2…Wi为每个神经元连接计算的权重 值， 用来调节各个输入量的占比， 利用线性加权求和公式来 求得净输入Zin的值： 对每个神经元设置阈值θi， 将净输入值与阈值进行比较得到每次 的误差值EK， 通过更新 权重不断缩小误差， 直至稳定， 此时判断模型收敛； 此时经过激活函数f对净输入值进行处 理来输出神经 元的结果Yj： 其中激活函数f采用relu函数。权　利　要　求　书 2/2 页 3 CN 115272675 A 3