CN105387565A - 调节温度的方法和装置 - Google Patents

调节温度的方法和装置 Download PDF

Info

Publication number
CN105387565A
CN105387565A CN201510827800.5A CN201510827800A CN105387565A CN 105387565 A CN105387565 A CN 105387565A CN 201510827800 A CN201510827800 A CN 201510827800A CN 105387565 A CN105387565 A CN 105387565A
Authority
CN
China
Prior art keywords
temperature
relevant parameter
conditioning
air
current
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201510827800.5A
Other languages
English (en)
Other versions
CN105387565B (zh
Inventor
江丽芳
吴旭
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Coocaa Network Technology Co Ltd
Original Assignee
Shenzhen Coocaa Network Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen Coocaa Network Technology Co Ltd filed Critical Shenzhen Coocaa Network Technology Co Ltd
Priority to CN201510827800.5A priority Critical patent/CN105387565B/zh
Publication of CN105387565A publication Critical patent/CN105387565A/zh
Application granted granted Critical
Publication of CN105387565B publication Critical patent/CN105387565B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/70—Control systems characterised by their outputs; Constructional details thereof
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2110/00—Control inputs relating to air properties
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
    • F24F11/63—Electronic processing
    • F24F11/64—Electronic processing using pre-stored data

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Atmospheric Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Signal Processing (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

本发明公开了一种调节温度的方法，包括步骤：接收空调发送的历史相关数据和当前相关参数；根据所述历史相关数据得到与所述历史相关数据对应的温度控制模型；根据所述当前相关参数，通过预设算法计算得到预测相关参数；将所述当前相关参数和所述预测相关参数代入所述温度控制模型中，得到当前环境下空调的第一温度；当所述第一温度与第二温度的差值未在预设范围内时，将所述第一温度发送给所述空调，以供所述空调根据所述第一温度执行相应的操作，所述第二温度为所述空调当前的工作温度。本发明还公开了一种调节温度的装置。本发明根据用户使用空调的习惯，得到适合用户使用习惯的温度，供空调自动调整工作温度到适合用户使用习惯的温度。

Description

调节温度的方法和装置
技术领域
本发明涉及空调领域，尤其涉及一种调节温度的方法和装置。
背景技术
随着我国经济水平的不断增加，以及生活水平的不断提高，人们对空调的需求也不断提高。空调作为居家必备的家用电器，极大的改善了人们的生活条件。近几年随着智能家居概念的发展，空调成为智能家居生态链中重要的一环，并向着网络化，智能化方向不断发展。目前大多数空调仍处于孤立的非网络接入状态，其智能体现在自动恒温的变频技术方面，如空调自动检测室内温度，如果室内温度达到空调的设定温度，则空调会自动停止制冷/制热的操作，如果室内温度未达到空调的设定温度时，空调就会不断进行制冷/供暖的操作。
此外大多数空调的交互方式仍停留在通过遥控器对空调进行控制的模式，但是由于环境温度总是处于不断变化当中，又因为空调用户年龄的不同会有不一样的温度感知，不同用户也会有不同的使用习惯，所以用户需要不断的调节空调温度以让自己感到舒适。空调依赖用户执行大量的调整指令而调整其工作温度，无法智能地根据用户使用习惯去调节其工作温度，降低了用户的使用体验。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种调节温度的方法及装置，旨在解决现有的空调无法智能地根据用户使用习惯去自动调节其工作温度的技术问题。
为实现上述目的，本发明提供的一种调节温度的方法，包括步骤：
接收空调发送的所述空调的历史相关数据和当前相关参数；
根据所述历史相关数据得到与所述历史相关数据对应的温度控制模型；
根据所述当前相关参数，通过预设算法计算得到预测相关参数；
将所述当前相关参数和所述预测相关参数代入所述温度控制模型中，得到当前环境下空调的第一温度；
当所述第一温度与第二温度的差值未在预设范围内时，将所述第一温度发送给所述空调，以供所述空调根据所述第一温度执行制冷或制热的操作，其中，所述第二温度为所述空调当前的工作温度。
优选地，所述将所述当前相关参数和所述预测相关参数代入所述温度控制模型中，得到当前环境下空调的第一温度的步骤之后，还包括：
判断所述第一温度与第二温度的差值是否在预设范围内；
当所述第一温度与第二温度的差值在预设范围内时，将所述第二温度发送给所述空调，以供所述空调继续根据所述第二温度执行制冷或制热的操作。
优选地，所述根据所述历史相关数据得到与所述历史相关数据对应的温度控制模型的步骤包括：
对所述历史相关数据进行标准化和/或数字化处理，得到处理后的相关参数；
判断所述处理后的相关参数是否满足对应的预设条件；
当所述处理后的相关参数满足对应的预设条件时，将所述处理后的相关参数进行迭代运算，得到与所述历史相关数据对应的温度控制模型。
优选地，所述当所述处理后的相关参数满足对应的预设条件时，将所述处理后的相关参数进行迭代运算，得到与所述历史相关数据对应的温度控制模型的步骤包括：
当所述处理后的相关参数满足对应的预设条件时，将所述处理后的相关参数代入多元线性回归函数公式hθ(x)＝θ0+θ1x1+θ2x2+…+θnxn进行迭代运算，得到与所述历史相关数据对应的温度控制模型，其中，n代表相关参数的数量；θn表示回归系数；xn代表第n个相关参数，是特征矩阵中的第n行，是一个向量。
优选地，所述根据所述当前相关参数，通过预设算法计算得到预测相关参数的步骤包括：
根据所述当前相关参数，通过将所述当前相关参数代入天气预报模式中进行计算，得到预测相关参数。
此外，为实现上述目的，本发明还提供一种调节温度的装置，所述调节温度的装置包括：
接收模块，用于接收空调发送的所述空调的历史相关数据和当前相关参数；
第一处理模块，用于根据所述历史相关数据得到与所述历史相关数据对应的温度控制模型；
计算模块，用于根据所述当前相关参数，通过预设算法计算得到预测相关参数；
第二处理模块，用于将所述当前相关参数和所述预测相关参数代入所述温度控制模型中，得到当前环境下空调的第一温度；
第一发送模块，用于当所述第一温度与第二温度的差值未在预设范围内时，将所述第一温度发送给所述空调，以供所述空调根据所述第一温度执行制冷或制热的操作，其中，所述第二温度为所述空调当前的工作温度。
优选地，所述调节温度的装置还包括：
判断模块，用于判断所述第一温度与第二温度的差值是否在预设范围内；
第二发送模块，用于当所述第一温度与第二温度的差值在预设范围内时，将所述第二温度发送给所述空调，以供所述空调继续根据所述第二温度执行制冷或制热的操作。
优选地，所述第一处理模块包括：
处理单元，用于对所述历史相关数据进行标准化和/或数字化处理，得到处理后的相关参数；
判断单元，用于判断所述处理后的相关参数是否满足对应的预设条件；
迭代运算单元，用于当所述处理后的相关参数满足对应的预设条件时，将所述处理后的相关参数进行迭代运算，得到与所述历史相关数据对应的温度控制模型。
优选地，所述迭代运算单元，还用于当所述处理后的相关参数满足对应的预设条件时，将所述处理后的相关参数代入多元线性回归函数公式hθ(x)＝θ0+θ1x1+θ2x2+…+θnxn进行迭代运算，得到与所述历史相关数据对应的温度控制模型，其中，n代表相关参数的数量；θn表示回归系数；xn代表第n个相关参数，是特征矩阵中的第n行，是一个向量。
优选地，所述计算模块，还用于根据所述当前相关参数，通过将所述当前相关参数代入天气预报模式中进行计算，得到预测相关参数。
本发明通过根据空调的历史相关数据得到温度控制模型，并通过预设算法计算得到预测相关参数，将所述空调当前相关参数和预测相关参数代入所述温度控制模型中，得到当前环境下空调的第一温度，当所述第一温度与第二温度的差值未在预设范围内时，将所述第一温度发送给所述空调，以供所述空调根据所述第一温度执行制冷或制热的操作，其中，所述第二温度为所述空调当前的工作温度。实现了根据用户的使用习惯和环境参数，计算得到当前符合用户习惯的空调工作温度。当空调得到符合用户习惯的工作温度时，自动调节其工作温度至符合用户习惯的工作温度，不需要用户通过遥控器手动调节空调的工作温度至符合其习惯的温度，提高了用户的体验效果。
附图说明
图1为本发明调节温度的方法第一实施例的流程示意图；
图2为本发明调节温度的方法第二实施例的流程示意图；
图3为本发明实施例中根据所述历史相关数据得到与所述历史相关数据对应的温度控制模型的一种流程示意图；
图4为本发明调节温度的装置第一实施例的功能模块示意图；
图5为本发明调节温度的装置第二实施例的功能模块示意图。
图6为本发明实施例中第一处理模块的一种功能模块示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明提供一种调节温度的方法。
参照图1，图1为本发明调节温度的方法第一实施例的流程示意图。
在本实施例中，所述调节温度的方法包括：
步骤S10，接收空调发送的所述空调的历史相关数据和当前相关参数；
服务器接收空调发送的所述空调所有用户的历史相关数据和当前相关参数，其中，所述空调是通过连接互联网定时向所述服务器发送所述历史相关数据和所述当前相关参数。所述空调的室内机部分配置有温度传感器、湿度传感器、气压传感器。所述空调通过WiFi、以太网或者GPRS(GeneralPacketRadioService，通用分组无线服务技术)等方式接入互联网。
所述历史相关数据包括但不限于用户的年龄段、空调唯一编码、空调所在地址、环境温度、空调温度、空调风速、环境气压、空气湿度、日期、时间、积累温度平均值、空调使用时间，体感温度以及过滤器使用时间。所述用户的年龄段由于不同年龄段的用户对温度的敏感程度不一致，对所述空调的调节要求也不相同，所以需要对用户年龄段进行数字化处理，如按照步长为10划分，得到用户年龄分段为[10，20...150]。所述空调唯一编码通常为字符串形式，用于标记所述空调的唯一表示符，使用时需要去除所述空调唯一编码中所有的空格，并保持所有数据为小写形式，该数据主要用于关联多种维度数据，并不参加计算。所述空调所在地址是按照三级行政区划分方法，中国大陆地区大约可分为省级行政区(30余个)，市县区级(600余个)，乡镇区级(2500余个)，三级区域从属关系明确，在每个级别的行政区域当中的行政区名称按照汉字自然排序结果进行排列，所述服务器获取所述空调所在地址信息有两种方法，第一种工作人员是在给顾客上门安装空调时，所述工作人员登记的顾客所在的地址，之后上传至互联网中，所述服务器从所述互联网中获取所述空调所在地址信息；第二种是由具有GPS(GlobalPositioningSystem，全球定位系统)功能的移动终端辅助定位所述空调所在地址信息，得到所述空调的详细地址信息，并将所述空调的详细地址信息通过互联网发送给所述服务器。所述服务器将所述空调所在地址信息对应的所有数据按照三级行政区划的方式进行统一记录，以确定所述空调所在地的三级行政区划关系，所述三级行政区分别是省、市和地区三级。其中，所述移动终端包括但不限于智能手机和平板电脑。所述环境温度是由所述空调室内机中的温度传感器而获得，由于不同型号温度传感器灵敏度不同，所述服务器在接收到所述空调发送的所述环境温度时，统一将环境温度转化为浮点型数据，保留两位小数(四舍五入)，其中，不限制于一定要保留两位小数，也可以保留三位小数或者四位小数等。所述空调温度为所述用户通过遥控器设定的空调应该达到的目标温度，即所述空调的工作温度，一般而言，所述空调的目标温度为一定范围内的整数，结合实际进行考虑，在零下10摄氏度至50摄氏度以内的数值为合法数值，否则为非法数值。所述空调风速为所述用户通过遥控器设定的所述空调工作时的风速，一般而言，空调的风速模式为4种，即强、中、弱和自动，因此所述服务器在接收到所述空调发送的所述空调风速时，对所述空调的风速模式进行相应的数字化处理，如用3表示所述空调的风速处于强风的工作模式、用2表示所述空调的风速处于中风的工作模式、用1表示所述空调的风速处于弱风的工作模式、用0表示所述空调的风速处于自动的工作模式，即所述空调根据当前所在环境的具体情况，自动调节风速，其中，也可以将所述空调的风速模式使用其它的数字代替。所述环境气压是指空调所在环境中的气压值，所述空调通过其室内机中气压传感器获得所述环境气压，将所述环境气压发送给所述服务器，由于空调用户的居住环境各不相同，海拔的高低，楼层的高低，平原与山区等因素，都会导致空调用户居住环境中的气压值各不相同。不适宜的气压会影响人的心理变化，主要使人产生压抑感。例如，低气压下的阴雨和强降温天气以及夏季雷雨前的高温、高湿的闷热天气，常会使人抑郁不适。所述空气湿度是由所述空调的室外机中的湿度传感器获得，由于不同型号的湿度传感器的灵敏度不同，因此当所述服务器接收到所述空调发送的所述空气湿度时，统一将所述空气湿度转化为浮点型数据，保留两位小数(四舍五入)，其中，不限制于一定要保留两位小数，也可以保留三位小数或者四位小数等。所述日期是由于气温是以年为周期变化的，所以为了适配这种周期性变化，所述服务器将所有的日期按照年月日，在1-356进行排列，如1月1号对数字1，1月2号对数字2，12月31号对应356(闰年为366)，依次类推，从而构建出完整的日期-数字的对应关系。所述时间是由于在短时间段内，环境温度以天为周期变化的，即每天每个时间段内的温度都可能重复出现，所以为了进行适配这种周期性变化，所述服务器按照24小时计时法，将每天24个小时分为24个时间段，即每小时为一段，可得出[0，1，2...23]。所述积累温度平均值是在不受冷空气，台风等大型天气系统影响的前提下，当前时间的温度与过去一段时间的温度相比较变化不会特别大，因此可以选取3天时间作为考虑因素，关联出当前时间之前72小时内相同时间段内温度的平均值(四舍五入取两位小数)，也可以选取4天或5天作为考虑因素，例如，5月1日12点(12:00-12:59)温度为31度，5月2日12点温度为33度，5月3日12点温度为29度，则5月4日12点时刻，积累温度的平均值为31度。所述空调使用时间是由于随着空调使用时间的增加，所述空调的制冷效果会下降，所以将所述空调的使用时间纳入考虑范围，因此，当所述服务器接收到所述空调发送的所述空调的使用时间时，可以以月份为单位，从安装所述空调的时间开始计算，例如，某个用户在2014年1月安装了空调，到2015年5月，他的空调使用时间为16个月(向上取整，不满一个月按一个月计算)。所述体感温度是影响人们对环境感知的重要指标，体感温度的获得，可以从中央气象台官网提供的数据获得，只要空调用户在互联网中输入地区信息，所述服务器就能获取出对应的体感温度。所述过滤器使用时间是指在长时间使用空调之后，所述空调的过滤器会存在一定程度的阻塞，这时候如果更换过滤器或者清洗过滤器，可以减轻所述空调的负荷，而且更换过滤器的费用会远小于所述空调在所述过滤器阻塞的情况下使用空调所浪费的电费。当所述服务器接收到所述空调发送的所述过滤器的使用时间时，将所述过滤器的使用时间按周来计算(向上取整，不满一周按一周计算)，也可以按其它单位来计算，如月份。如某用户4月1日更换了空调过滤器，那么到5月2日过滤器使用时间为5周。当所述空调侦测到所述用户更换或者清洗过滤器之后，要重新记录所述过滤器使用时间，并将重新记录的过滤器使用时间发送给所述服务器。
步骤S20，根据所述历史相关数据得到与所述历史相关数据对应的温度控制模型；
所述服务器会定时接收所述空调通过互联网发送的所述当前相关参数，如所述空调每隔30秒记录一次所述空调温度、空调风速、环境温度、环境气压、空气湿度、时间、日期等相关参数，并将所记录的参数发送给所述服务器。当所述服务器接收到所述相关参数时，将所述相关参数存储在云端，作为所述空调的历史相关数据。所述服务器根据某个用户的历史相关数据得到与所述历史相关数据对应的温度控制模型。
步骤S30，根据所述当前相关参数，通过预设算法计算得到预测相关参数；
所述服务器根据所述空调发送的当前相关参数，如空调唯一编码、环境温度、环境湿度、环境气压、空调使用时间、过滤器使用时间等，通过数值模拟算法得到预测相关参数，所述预测相关参数为所述空调未来某个时间的环境温度、空气湿度和环境气压。如所述空调在当前时间半小时后的环境温度、半小时后的空气湿度和半小时后的环境气压。由于收集数据是连续性动作，具有延后性，所以可以根据当前相关参数对应计算得到未来某个时间预测相关参数，从而根据所述预测相关参数提出新的影响因子，所述服务器统一将所述预测相关参数转化为浮点型数据，保留两位小数(四舍五入)。其中，不限制于一定要保留一位小数，也可以保留位小数或者三位小数等。
所述数值模拟算法是在WRF(WeatherResearchandForecasting，天气预报模式)基础上得来的，所述WRF模式是以NCAR(TheNationalCenterforAtmosphericResearch，美国国家大气研究中心)、NOAA(NationalOceanicandAtmosphericAdministration，美国国家海洋和大气管理局)的FSL(ForecastSystemsLaboratory,预报系统实验室)、NCEP(NationalCentersforEnvironmentalPrediction，美国国家环境预报中心)和CAPS(CenterforAnalysisandPredictionofStorms,UniversityofOklahoma，俄克拉荷马大学的强风暴分析预报中心)为主，与其它大学的科学家共同研制和发展的新一代中尺度预报和资料同化模式系统。所述WRF模式提供了一个既适用于1-10km高分辨率的模拟和预报，又可用于较低分辨率的业务短期天气预报、区域气候预报、空气质量预报、大气-海洋模式耦合和理想个例数值模拟研究的通用框架。所述WRF模式具有4个模块：标准初始化模块、资料同化模块、预报模块和后处理模块，每个模块之间是相互独立。标准初始化模块主要用于模式的输入文件，包括定义模拟的区域，形成静态地形文件以及把其它模式提供的气象数据插值到模拟区域里；资料同化模块是一个可选择使用的模块，主要是通过加入各种常规和非常规的观测资料来改善模式的初始场；预报模块是所述WRF模式系统的主模块，主要是对模拟区域的大气过程进行积分运算；后处理模块是将各物理量转化到等压面或等高面上，并将其转化成各种绘图软件所需要的格式。
所述WRF模式主要包括两个动力框架：一种是在所述NCAR开发的MM5模式基础上根据欧拉质量坐标开发的ARW(AdvancedResearchWRF)方案，另一种是由所述NCEP的Eta模式根据地形坐标开发的NMM(NonhydrostaticMesoscaleModel)方案。在本实施例中，采用WRF-ARW动力框架。
所述WRF-ARW的动力框架是采用完全可压非静力通量形式的欧拉方程，所述WRF模式垂直方向上采用地形追随的静压垂直坐标。
在所述WRF模式中，水平方向采用的是ArakawaC网格。
所述WRF模式采用的是时间分裂的积分方案，即低频部分采用三阶Runge-Kutta时间积分方案，而高频部分采用了小时间步长积分扰动变量控制方程组以保证数值模拟的稳定性。在使用所述WRF-ARW框架需注意声波时间步长和模式时间步长这两个步长，两者的稳定性都是通过Courant数限制的。
在所述WRF模式设置中，垂直方向分为10层～30层，水平方向采用ArakawaC网格，模拟区域范围以及网格格距可以根据所述用户所在区域来选择。地形采用所述NCAR提供的10＇×10＇资料，再精细的地形可由相关部门提供。大气模式选取的物理方案包括微物理过程方案、长波辐射方案、短波辐射方案、热力混合陆面方案、积云参数化方案、近地层方案、边界层参数化方案等。在所述WRF模式运行过程中，初始场采用美国国家环境预报中心提供的GFS(GlobalForecastSystem，全球预报系统)资料，其预报数据可预报未来8天共192个小时的天气，预报数据时间间隔为3小时。分辨率有1°*1°的，也有0.5°*0.5°。每隔6小时更新一次数据，如在每日更新四次06时，12时，18时，00时，分别于03:30，09:30，15:30，21:30UTC(CoordinatedUniversalTime，协调世界时)更新。
所述WRF模式模拟结果可以输出未来8天的基准面2米处相对湿度、2米处温度、海平面气压以及各层(100-1000hPa)相对湿度、温度和气压等变量。为了进一步提高所述WRF模式预报的准确性，将收集到的实测温度、湿度以及气压，利用目前国内外运用普遍的同化方法(如集合卡尔曼滤波，四维同化、最优差值等方法)同化到模式中去，经过同化以后，各变量都更加接近观测，误差更小，与观测场的相关性更好，可以为短期气候预测系统提供较好的有效的再分析资料。
步骤S40，将所述当前相关参数和所述预测相关参数代入所述温度控制模型中，得到当前环境下空调的第一温度；
所述服务器判断所述当前相关参数和所述预测相关参数是否满足对应的预设条件，如所述服务器判断所述空调所在地址是否按照三级行政区的划分方法来描述，所述空调温度的数值是否在零下10摄氏度至50摄氏度以内，所述环境气压是否在正常环境气压范围内，所述空气湿度是否在正常空气湿度范围内等等。当所述服务器判定所述当前相关参数和所述预测相关参数中有一个参数不满足对应的预设条件时，结束将所述当前相关参数和所述预测相关参数代入所述温度控制模型中的操作。当所述服务器判定所述当前相关参数和所述预测相关参数中的所有参数都满足对应的预设条件时，所述服务器将所述当前相关参数和所述预测相关参数代入所述温度控制模型中，得到当前环境下空调的第一温度，所述第一温度即为当前环境下，所述空调输出的最佳温度。如所述服务器将所述空调所在地址、空调温度、空调风速、当前时间、当前日期、空调使用时间和预测得到的在当前时间半小时后的环境温度、半小时后的空气湿度和半小时后的环境气压代入温度控制模型中，得到所述空调在当前环境下，输出一个最适合用户的最佳温度，即第一温度。
步骤S50，当所述第一温度与第二温度的差值未在预设范围内时，将所述第一温度发送给所述空调，以供所述空调根据所述第一温度执行制冷或制热的操作，其中，所述第二温度为所述空调当前的工作温度。
当所述服务器判定所述第一温度与第二温度的差值未在预设范围内时，所述服务器判断所述第一温度的数值是否是整数，如果所述第一温度不是整数时，含有小数点时，则对所述第一温度进行四舍五入的处理，取整数，并将整数的第一温度发送给所述空调，以供所述空调根据所述第一温度执行制冷或者制热的操作，其中，所述第二温度为所述空调当前的工作温度。因为所述空调的温度调节分辨率为1摄氏度，则所述预设范围为±0.5摄氏度。如当所述第一温度为25.3摄氏度时，而所述空调当前的工作温度，即所述第二温度为26度时，则对所述第一温度进行四舍五入的处理，得到第一温度为25摄氏度。所述空调根据所述第一温度调节当前的工作温度，即将当前的工作温度从26摄氏度调节为25摄氏度。
本实施例通过根据空调的历史相关数据得到温度控制模型，并通过预设算法计算得到预测相关参数，将所述空调当前相关参数和预测相关参数代入所述温度控制模型中，得到当前环境下空调的第一温度，当所述第一温度与第二温度的差值未在预设范围内时，将所述第一温度发送给所述空调，以供所述空调根据所述第一温度执行制冷或制热的操作，其中，所述第二温度为所述空调当前的工作温度。实现了根据用户的使用习惯和环境参数，计算得到当前符合用户习惯的空调工作温度。当空调接收到符合用户习惯的工作温度时，自动调节其工作温度至符合用户习惯的工作温度，不需要用户通过遥控器手动调节空调的工作温度至符合其习惯的温度，提高了用户的体验效果。而且引入了数值模拟方法，在当前相关参数之外还增加了预测相关参数，丰富了温度控制模型的特点，增强了温度控制模型的预测能力，使得得到的温度更加准确，更加符合用户的要求。
参照图2，图2为本发明调节温度的方法第二实施例的流程示意图，基于第一实施例提出本发明调节温度的方法第二实施例。
在本实施例中，步骤S40之后，还包括：
步骤S60，判断所述第一温度与第二温度的差值是否在预设范围内；
步骤S70，当所述第一温度与第二温度的差值在预设范围内时，将所述第二温度发送给所述空调，以供所述空调继续根据所述第二温度执行制冷或制热的操作。
所述服务器判断所述第一温度和第二温度差值是否在预设范围内，所述第二温度为所述空调当前的工作温度。当所述服务器判定所述第一温度与所述第二温度的差值在预设范围内时，将所述第二温度发送给所述空调。当所述空调接收到所述服务器发送的第二温度，侦测到所述第二温度即是其当前的工作温度时，所述空调继续根据所述第二温度执行制冷或者制热的操作。如所述第一温度为26.3摄氏度，而所述第二温度为26摄氏度时，所述服务器将所述第二温度发送给所述空调，当所述空调侦测到所述第二温度为26摄氏度，即为其当前的工作温度时，继续以26摄氏度的温度工作。
参照图3，图3为本发明实施例中根据所述历史相关数据得到与所述历史相关数据对应的温度控制模型的一种流程示意图。
在本实施例中，步骤S20包括：
步骤S21，对所述历史相关数据进行标准化和/或数字化处理，得到处理后的相关参数；
所述服务器对所述历史相关数据进行标准化和/或数字化处理，得到处理后的相关数据。所述标准化处理即是将所述历史相关数据的单位都对应转化为国际标准单位，所述数字化处理即是将所述历史相关数据都统一为一种形式，如都统一为浮点型数据，都保留两位小数。当所述服务器在使用当前相关参数，也需要对所述当前相关参数进行标准化和/或数字化处理。
步骤S22，判断所述处理后的相关参数是否满足对应的预设条件；
步骤S23，当所述处理后的相关参数满足对应的预设条件时，将所述处理后的相关参数进行迭代运算，得到与所述历史相关数据对应的温度控制模型。
步骤S24，当所述处理后的相关参数不满足对应的预设条件时，结束对所述处理后的相关参数的操作。
所述服务器判断所述处理后的相关参数是否满足对应的预设条件，当所述服务器判定所述处理后的相关参数满足对应的预设条件时，将所述处理后的相关参数进行迭代运算，得到与所述史相关参数对应的温度控制模型。所述不同历史相关数据具有不同的预设条件，如所述服务器判断所述空调所在地址是否按照三级行政区的划分方法来描述，所述空调温度的数值是否在零下10摄氏度至50摄氏度以内，所述环境气压是否在正常环境气压范围内，所述空气湿度是否在正常空气湿度范围内等等。具体地，当所述服务器判定所述处理后的相关参数满足对应的预设条件时，将所述处理后的相关参数代入如下多元线性回归函数公式中进行迭代运算：
hθ(x)＝θ0+θ1x1+θ2x2+…+θnxn
其中n代表相关参数的数量；θn表示回归系数；xn代表第n个相关参数，是特征矩阵中的第n行，是一个向量。在所述多元线性回归函数公式中存在n+1个参数和n个变量，为了简化公式，使x0＝1，所述参数θ和训练样本X都是n+1维的向量，因此得到与所述历史相关数据对应的温度控制模型：
hθ＝θTX
所述X为一个多维向量(依次符合多个估算因素，如环境气压、空调温度、空调所在地址等)。θ为待求解系数矩阵。hθ为用户设定温度。
由于在不同的相关参数对应数据集上的训练出来的θ系数矩阵不尽相同，θ系数矩阵的计算主要取决于收集的相关参数对应数据的精度(精度越高越准确)和收集的相关参数对应数据的数量级(数量越大越精准)。由于受实际的空调销售和用户接入互联网情况的限制，在使用该方法初期的时候，相关参数对应数据较少，在选取训练相关参数对应数据集的时候有以下解决方法：由于针对单个用户的收集的相关参数对应数据的数量较少，无法为某个用户训练出特定的温度控制模型，因此可利用所述用户所在区域的其他用户数据协同计算，训练出针对该区域的温度控制模型，用一种近似的方法满足用户使用习惯。待所述服务器获取针对单个用户的使用空调的相关参数对应数据达到一定量级的时候，则可以为每个用户训练出一套的温度控制模型，最大程度的符合各个用户的使用习惯。当所述服务器判定所述处理后的相关参数在某个范围内不满足对应的预设条件时，如所述处理后的相关参数50％都不满足对应的预设条件时，结束对所述处理后的相关参数的操作。如果所述服务器判定处理后的相关参数只有少量的不满足对应的预设条件，如所述处理后的相关参数8％不满足对应的预设条件时，则删除所述不满足所述预设条件的相关参数后，将所述处理后的相关参数进行迭代运算，得到与所述历史相关数据对应的温度控制模型。
本实施例通过对历史相关数据进行处理，得到处理后的相关参数，将所述处理后的相关参数进行迭代运算，得到对应的温度控制模型。通过根据用户的使用习惯建立个性化温度控制模型，使所述温度控制模型可以从用户使用空调的历史相关数据中总结出符合用户习惯的控制模型，使所述温度控制模型具有智能化和个性化的特点，而且随着用户使用空调时间的增加，得到的历史相关数据就越多，得到的温度控制模型也会越准确。
本发明进一步提供一种调节温度的装置。
参照图4，图4为本发明调节温度的装置第一实施例的功能模块示意图。
在本实施例中，所述调节温度的装置包括：
接收模块10，用于接收空调发送的所述空调的历史相关数据和当前相关参数；
服务器接收空调发送的所述空调所有用户的历史相关数据和当前相关参数，其中，所述空调是通过连接互联网定时向所述服务器发送所述历史相关数据和所述当前相关参数。所述空调的室内机部分配置有温度传感器、湿度传感器、气压传感器。所述空调通过WiFi、以太网或者GPRS(GeneralPacketRadioService，通用分组无线服务技术)等方式接入互联网。
所述历史相关数据包括但不限于用户的年龄段、空调唯一编码、空调所在地址、环境温度、空调温度、空调风速、环境气压、空气湿度、日期、时间、积累温度平均值、空调使用时间，体感温度以及过滤器使用时间。所述用户的年龄段由于不同年龄段的用户对温度的敏感程度不一致，对所述空调的调节要求也不相同，所以需要对用户年龄段进行数字化处理，如按照步长为10划分，得到用户年龄分段为[10，20...150]。所述空调唯一编码通常为字符串形式，用于标记所述空调的唯一表示符，使用时需要去除所述空调唯一编码中所有的空格，并保持所有数据为小写形式，该数据主要用于关联多种维度数据，并不参加计算。所述空调所在地址是按照三级行政区划分方法，中国大陆地区大约可分为省级行政区(30余个)，市县区级(600余个)，乡镇区级(2500余个)，三级区域从属关系明确，在每个级别的行政区域当中的行政区名称按照汉字自然排序结果进行排列，所述服务器获取所述空调所在地址信息有两种方法，第一种工作人员是在给顾客上门安装空调时，所述工作人员登记的顾客所在的地址，之后上传至互联网中，所述服务器从所述互联网中获取所述空调所在地址信息；第二种是由具有GPS(GlobalPositioningSystem，全球定位系统)功能的移动终端辅助定位所述空调所在地址信息，得到所述空调的详细地址信息，并将所述空调的详细地址信息通过互联网发送给所述服务器。所述服务器将所述空调所在地址信息对应的所有数据按照三级行政区划的方式进行统一记录，以确定所述空调所在地的三级行政区划关系，所述三级行政区分别是省、市和地区三级。其中，所述移动终端包括但不限于智能手机和平板电脑。所述环境温度是由所述空调室内机中的温度传感器而获得，由于不同型号温度传感器灵敏度不同，所述服务器在接收到所述空调发送的所述环境温度时，统一将环境温度转化为浮点型数据，保留两位小数(四舍五入)，其中，不限制于一定要保留两位小数，也可以保留三位小数或者四位小数等。所述空调温度为所述用户通过遥控器设定的空调应该达到的目标温度，即所述空调的工作温度，一般而言，所述空调的目标温度为一定范围内的整数，结合实际进行考虑，在零下10摄氏度至50摄氏度以内的数值为合法数值，否则为非法数值。所述空调风速为所述用户通过遥控器设定的所述空调工作时的风速，一般而言，空调的风速模式为4种，即强、中、弱和自动，因此所述服务器在接收到所述空调发送的所述空调风速时，对所述空调的风速模式进行相应的数字化处理，如用3表示所述空调的风速处于强风的工作模式、用2表示所述空调的风速处于中风的工作模式、用1表示所述空调的风速处于弱风的工作模式、用0表示所述空调的风速处于自动的工作模式，即所述空调根据当前所在环境的具体情况，自动调节风速，其中，也可以将所述空调的风速模式使用其它的数字代替。所述环境气压是指空调所在环境中的气压值，所述空调通过其室内机中气压传感器获得所述环境气压，将所述环境气压发送给所述服务器，由于空调用户的居住环境各不相同，海拔的高低，楼层的高低，平原与山区等因素，都会导致空调用户居住环境中的气压值各不相同。不适宜的气压会影响人的心理变化，主要使人产生压抑感。例如，低气压下的阴雨和强降温天气以及夏季雷雨前的高温、高湿的闷热天气，常会使人抑郁不适。所述空气湿度是由所述空调的室外机中的湿度传感器获得，由于不同型号的湿度传感器的灵敏度不同，因此当所述服务器接收到所述空调发送的所述空气湿度时，统一将所述空气湿度转化为浮点型数据，保留两位小数(四舍五入)，其中，不限制于一定要保留两位小数，也可以保留三位小数或者四位小数等。所述日期是由于气温是以年为周期变化的，所以为了适配这种周期性变化，所述服务器将所有的日期按照年月日，在1-356进行排列，如1月1号对数字1，1月2号对数字2，12月31号对应356(闰年为366)，依次类推，从而构建出完整的日期-数字的对应关系。所述时间是由于在短时间段内，环境温度以天为周期变化的，即每天每个时间段内的温度都可能重复出现，所以为了进行适配这种周期性变化，所述服务器按照24小时计时法，将每天24个小时分为24个时间段，即每小时为一段，可得出[0，1，2...23]。所述积累温度平均值是在不受冷空气，台风等大型天气系统影响的前提下，当前时间的温度与过去一段时间的温度相比较变化不会特别大，因此可以选取3天时间作为考虑因素，关联出当前时间之前72小时内相同时间段内温度的平均值(四舍五入取两位小数)，也可以选取4天或5天作为考虑因素，例如，5月1日12点(12:00-12:59)温度为31度，5月2日12点温度为33度，5月3日12点温度为29度，则5月4日12点时刻，积累温度的平均值为31度。所述空调使用时间是由于随着空调使用时间的增加，所述空调的制冷效果会下降，所以将所述空调的使用时间纳入考虑范围，因此，当所述服务器接收到所述空调发送的所述空调的使用时间时，可以以月份为单位，从安装所述空调的时间开始计算，例如，某个用户在2014年1月安装了空调，到2015年5月，他的空调使用时间为16个月(向上取整，不满一个月按一个月计算)。所述体感温度是影响人们对环境感知的重要指标，体感温度的获得，可以从中央气象台官网提供的数据获得，只要空调用户在互联网中输入地区信息，所述服务器就能获取出对应的体感温度。所述过滤器使用时间是指在长时间使用空调之后，所述空调的过滤器会存在一定程度的阻塞，这时候如果更换过滤器或者清洗过滤器，可以减轻所述空调的负荷，而且更换过滤器的费用会远小于所述空调在所述过滤器阻塞的情况下使用空调所浪费的电费。当所述服务器接收到所述空调发送的所述过滤器的使用时间时，将所述过滤器的使用时间按周来计算(向上取整，不满一周按一周计算)，也可以按其它单位来计算，如月份。如某用户4月1日更换了空调过滤器，那么到5月2日过滤器使用时间为5周。当所述空调侦测到所述用户更换或者清洗过滤器之后，要重新记录所述过滤器使用时间，并将重新记录的过滤器使用时间发送给所述服务器。
第一处理模块20，用于根据所述历史相关数据得到与所述历史相关数据对应的温度控制模型；
所述服务器会定时接收所述空调通过互联网发送的所述当前相关参数，如所述空调每隔30秒记录一次所述空调温度、空调风速、环境温度、环境气压、空气湿度、时间、日期等相关参数，并将所记录的参数发送给所述服务器。当所述服务器接收到所述相关参数时，将所述相关参数存储在云端，作为所述空调的历史相关数据。所述服务器根据某个用户的历史相关数据得到与所述历史相关数据对应的温度控制模型。
计算模块30，用于根据所述当前相关参数，通过预设算法计算得到预测相关参数；
所述服务器根据所述空调发送的当前相关参数，如空调唯一编码、环境温度、环境湿度、环境气压、空调使用时间、过滤器使用时间等，通过数值模拟算法得到预测相关参数，所述预测相关参数为所述空调未来某个时间的环境温度、空气湿度和环境气压。如所述空调在当前时间半小时后的环境温度、半小时后的空气湿度和半小时后的环境气压。由于收集数据是连续性动作，具有延后性，所以可以根据当前相关参数对应计算得到未来某个时间预测相关参数，从而根据所述预测相关参数提出新的影响因子，所述服务器统一将所述预测相关参数转化为浮点型数据，保留两位小数(四舍五入)。其中，不限制于一定要保留一位小数，也可以保留位小数或者三位小数等。
所述数值模拟算法是在WRF(WeatherResearchandForecasting，天气预报模式)基础上得来的，所述WRF模式是以NCAR(TheNationalCenterforAtmosphericResearch，美国国家大气研究中心)、NOAA(NationalOceanicandAtmosphericAdministration，美国国家海洋和大气管理局)的FSL(ForecastSystemsLaboratory,预报系统实验室)、NCEP(NationalCentersforEnvironmentalPrediction，美国国家环境预报中心)和CAPS(CenterforAnalysisandPredictionofStorms,UniversityofOklahoma，俄克拉荷马大学的强风暴分析预报中心)为主，与其它大学的科学家共同研制和发展的新一代中尺度预报和资料同化模式系统。所述WRF模式提供了一个既适用于1-10km高分辨率的模拟和预报，又可用于较低分辨率的业务短期天气预报、区域气候预报、空气质量预报、大气-海洋模式耦合和理想个例数值模拟研究的通用框架。所述WRF模式具有4个模块：标准初始化模块、资料同化模块、预报模块和后处理模块，每个模块之间是相互独立。标准初始化模块主要用于模式的输入文件，包括定义模拟的区域，形成静态地形文件以及把其它模式提供的气象数据插值到模拟区域里；资料同化模块是一个可选择使用的模块，主要是通过加入各种常规和非常规的观测资料来改善模式的初始场；预报模块是所述WRF模式系统的主模块，主要是对模拟区域的大气过程进行积分运算；后处理模块是将各物理量转化到等压面或等高面上，并将其转化成各种绘图软件所需要的格式。
所述WRF模式主要包括两个动力框架：一种是在所述NCAR开发的MM5模式基础上根据欧拉质量坐标开发的ARW(AdvancedResearchWRF)方案，另一种是由所述NCEP的Eta模式根据地形坐标开发的NMM(NonhydrostaticMesoscaleModel)方案。在本实施例中，采用WRF-ARW动力框架。
所述WRF-ARW的动力框架是采用完全可压非静力通量形式的欧拉方程，所述WRF模式垂直方向上采用地形追随的静压垂直坐标。
在所述WRF模式中，水平方向采用的是ArakawaC网格。
所述WRF模式采用的是时间分裂的积分方案，即低频部分采用三阶Runge-Kutta时间积分方案，而高频部分采用了小时间步长积分扰动变量控制方程组以保证数值模拟的稳定性。在使用所述WRF-ARW框架需注意声波时间步长和模式时间步长这两个步长，两者的稳定性都是通过Courant数限制的。
在所述WRF模式设置中，垂直方向分为10层～30层，水平方向采用ArakawaC网格，模拟区域范围以及网格格距可以根据所述用户所在区域来选择。地形采用所述NCAR提供的10＇×10＇资料，再精细的地形可由相关部门提供。大气模式选取的物理方案包括微物理过程方案、长波辐射方案、短波辐射方案、热力混合陆面方案、积云参数化方案、近地层方案、边界层参数化方案等。在所述WRF模式运行过程中，初始场采用美国国家环境预报中心提供的GFS(GlobalForecastSystem，全球预报系统)资料，其预报数据可预报未来8天共192个小时的天气，预报数据时间间隔为3小时。分辨率有1°*1°的，也有0.5°*0.5°。每隔6小时更新一次数据，如在每日更新四次06时，12时，18时，00时，分别于03:30，09:30，15:30，21:30UTC(CoordinatedUniversalTime，协调世界时)更新。
所述WRF模式模拟结果可以输出未来8天的基准面2米处相对湿度、2米处温度、海平面气压以及各层(100-1000hPa)相对湿度、温度和气压等变量。为了进一步提高所述WRF模式预报的准确性，将收集到的实测温度、湿度以及气压，利用目前国内外运用普遍的同化方法(如集合卡尔曼滤波，四维同化、最优差值等方法)同化到模式中去，经过同化以后，各变量都更加接近观测，误差更小，与观测场的相关性更好，可以为短期气候预测系统提供较好的有效的再分析资料。
第二处理模块40，用于将所述当前相关参数和所述预测相关参数代入所述温度控制模型中，得到当前环境下空调的第一温度；
所述服务器判断所述当前相关参数和所述预测相关参数是否满足对应的预设条件，如所述服务器判断所述空调所在地址是否按照三级行政区的划分方法来描述，所述空调温度的数值是否在零下10摄氏度至50摄氏度以内，所述环境气压是否在正常环境气压范围内，所述空气湿度是否在正常空气湿度范围内等等。当所述服务器判定所述当前相关参数和所述预测相关参数中有一个参数不满足对应的预设条件时，结束将所述当前相关参数和所述预测相关参数代入所述温度控制模型中的操作。当所述服务器判定所述当前相关参数和所述预测相关参数中的所有参数都满足对应的预设条件时，所述服务器将所述当前相关参数和所述预测相关参数代入所述温度控制模型中，得到当前环境下空调的第一温度，所述第一温度即为当前环境下，所述空调输出的最佳温度。如所述服务器将所述空调所在地址、空调温度、空调风速、当前时间、当前日期、空调使用时间和预测得到的在当前时间半小时后的环境温度、半小时后的空气湿度和半小时后的环境气压代入温度控制模型中，得到所述空调在当前环境下，输出一个最适合用户的最佳温度，即第一温度。
第一发送模块50，用于当所述第一温度与第二温度的差值未在预设范围内时，将所述第一温度发送给所述空调，以供所述空调根据所述第一温度执行制冷或制热的操作，其中，所述第二温度为所述空调当前的工作温度。
当所述服务器判定所述第一温度与第二温度的差值未在预设范围内时，所述服务器判断所述第一温度的数值是否是整数，如果所述第一温度不是整数时，含有小数点时，则对所述第一温度进行四舍五入的处理，取整数，并将整数的第一温度发送给所述空调，以供所述空调根据所述第一温度执行制冷或者制热的操作，其中，所述第二温度为所述空调当前的工作温度。因为所述空调的温度调节分辨率为1摄氏度，则所述预设范围为±0.5摄氏度。如当所述第一温度为25.3摄氏度时，而所述空调当前的工作温度，即所述第二温度为26度时，则对所述第一温度进行四舍五入的处理，得到第一温度为25摄氏度。所述空调根据所述第一温度调节当前的工作温度，即将当前的工作温度从26摄氏度调节为25摄氏度。
本实施例通过根据空调的历史相关数据得到温度控制模型，并通过预设算法计算得到预测相关参数，将所述空调当前相关参数和预测相关参数代入所述温度控制模型中，得到当前环境下空调的第一温度，当所述第一温度与第二温度的差值未在预设范围内时，将所述第一温度发送给所述空调，以供所述空调根据所述第一温度执行制冷或制热的操作，其中，所述第二温度为所述空调当前的工作温度。实现了根据用户的使用习惯和环境参数，计算得到当前符合用户习惯的空调工作温度。当空调接收到符合用户习惯的工作温度时，自动调节其工作温度至符合用户习惯的工作温度，不需要用户通过遥控器手动调节空调的工作温度至符合其习惯的温度，提高了用户的体验效果。而且引入了数值模拟方法，在当前相关参数之外还增加了预测相关参数，丰富了温度控制模型的特点，增强了温度控制模型的预测能力，使得得到的温度更加准确，更加符合用户的要求。
参照图5，图5为本发明调节温度的装置第二实施例的功能模块示意图，基于第一实施例提出本发明调节温度的装置第二实施例。
在本实施例中，所述调节温度的装置还包括：
判断模块60，用于判断所述第一温度与第二温度的差值是否在预设范围内；
第二发送模块70，用于当所述第一温度与第二温度的差值在预设范围内时，将所述第二温度发送给所述空调，以供所述空调继续根据所述第二温度执行制冷或制热的操作。
所述服务器判断所述第一温度和第二温度差值是否在预设范围内，所述第二温度为所述空调当前的工作温度。当所述服务器判定所述第一温度与所述第二温度的差值在预设范围内时，将所述第二温度发送给所述空调。当所述空调接收到所述服务器发送的第二温度，侦测到所述第二温度即是其当前的工作温度时，所述空调继续根据所述第二温度执行制冷或者制热的操作。如所述第一温度为26.3摄氏度，而所述第二温度为26摄氏度时，所述服务器将所述第二温度发送给所述空调，当所述空调侦测到所述第二温度为26摄氏度，即为其当前的工作温度时，继续以26摄氏度的温度工作。
参照图6，图6为本发明实施例中第一处理模块的一种细化功能模块示意图。
在本实施例中，所述第一处理模块20包括：
处理单元21，用于对所述历史相关数据进行标准化和/或数字化处理，得到处理后的相关参数；
所述服务器对所述历史相关数据进行标准化和/或数字化处理，得到处理后的相关数据。所述标准化处理即是将所述历史相关数据的单位都对应转化为国际标准单位，所述数字化处理即是将所述历史相关数据都统一为一种形式，如都统一为浮点型数据，都保留两位小数。当所述服务器在使用当前相关参数，也需要对所述当前相关参数进行标准化和/或数字化处理。
判断单元22，用于判断所述处理后的相关参数是否满足对应的预设条件；
迭代运算单元23，用于当所述处理后的相关参数满足对应的预设条件时，将所述处理后的相关参数进行迭代运算，得到与所述历史相关数据对应的温度控制模型。
所述服务器判断所述处理后的相关参数是否满足对应的预设条件，当所述服务器判定所述处理后的相关参数满足对应的预设条件时，将所述处理后的相关参数进行迭代运算，得到与所述史相关参数对应的温度控制模型。所述不同历史相关数据具有不同的预设条件，如所述服务器判断所述空调所在地址是否按照三级行政区的划分方法来描述，所述空调温度的数值是否在零下10摄氏度至50摄氏度以内，所述环境气压是否在正常环境气压范围内，所述空气湿度是否在正常空气湿度范围内等等。具体地，当所述服务器判定所述处理后的相关参数满足对应的预设条件时，将所述处理后的相关参数代入如下多元线性回归函数公式中进行迭代运算：
hθ(x)＝θ0+θ1x1+θ2x2+…+θnxn
其中n代表相关参数的数量；θn表示回归系数；xn代表第n个相关参数，是特征矩阵中的第n行，是一个向量。在所述多元线性回归函数公式中存在n+1个参数和n个变量，为了简化公式，使x0＝1，所述参数θ和训练样本X都是n+1维的向量，因此得到与所述历史相关数据对应的温度控制模型：
hθ＝θTX
所述X为一个多维向量(依次符合多个估算因素，如环境气压、空调温度、空调所在地址等)。θ为待求解系数矩阵。hθ为用户设定温度。
由于在不同的相关参数对应数据集上的训练出来的θ系数矩阵不尽相同，θ系数矩阵的计算主要取决于收集的相关参数对应数据的精度(精度越高越准确)和收集的相关参数对应数据的数量级(数量越大越精准)。由于受实际的空调销售和用户接入互联网情况的限制，在使用该方法初期的时候，相关参数对应数据较少，在选取训练相关参数对应数据集的时候有以下解决方法：由于针对单个用户的收集的相关参数对应数据的数量较少，无法为某个用户训练出特定的温度控制模型，因此可利用所述用户所在区域的其他用户数据协同计算，训练出针对该区域的温度控制模型，用一种近似的方法满足用户使用习惯。待所述服务器获取针对单个用户的使用空调的相关参数对应数据达到一定量级的时候，则可以为每个用户训练出一套的温度控制模型，最大程度的符合各个用户的使用习惯。当所述服务器判定所述处理后的相关参数在某个范围内不满足对应的预设条件时，如所述处理后的相关参数50％都不满足对应的预设条件时，结束对所述处理后的相关参数的操作。如果所述服务器判定处理后的相关参数只有少量的不满足对应的预设条件，如所述处理后的相关参数8％不满足对应的预设条件时，则删除所述不满足所述预设条件的相关参数后，将所述处理后的相关参数进行迭代运算，得到与所述历史相关数据对应的温度控制模型。
本实施例通过对历史相关数据进行处理，得到处理后的相关参数，将所述处理后的相关参数进行迭代运算，得到对应的温度控制模型。通过根据用户的使用习惯建立个性化温度控制模型，使所述温度控制模型可以从用户使用空调的历史相关数据中总结出符合用户习惯的控制模型，使所述温度控制模型具有智能化和个性化的特点，而且随着用户使用空调时间的增加，得到的历史相关数据就越多，得到的温度控制模型也会越准确。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种调节温度的方法，其特征在于，所述调节温度的方法包括以下步骤：
接收空调发送的所述空调的历史相关数据和当前相关参数；
根据所述历史相关数据得到与所述历史相关数据对应的温度控制模型；
根据所述当前相关参数，通过预设算法计算得到预测相关参数；
将所述当前相关参数和所述预测相关参数代入所述温度控制模型中，得到当前环境下空调的第一温度；
当所述第一温度与第二温度的差值未在预设范围内时，将所述第一温度发送给所述空调，以供所述空调根据所述第一温度执行制冷或制热的操作，其中，所述第二温度为所述空调当前的工作温度。
2.如权利要求1所述的调节温度的方法，其特征在于，所述将所述当前相关参数和所述预测相关参数代入所述温度控制模型中，得到当前环境下空调的第一温度的步骤之后，还包括：
判断所述第一温度与第二温度的差值是否在预设范围内；
当所述第一温度与第二温度的差值在预设范围内时，将所述第二温度发送给所述空调，以供所述空调继续根据所述第二温度执行制冷或制热的操作。
3.如权利要求1所述的调节温度的方法，其特征在于，所述根据所述历史相关数据得到与所述历史相关数据对应的温度控制模型的步骤包括：
对所述历史相关数据进行标准化和/或数字化处理，得到处理后的相关参数；
判断所述处理后的相关参数是否满足对应的预设条件；
当所述处理后的相关参数满足对应的预设条件时，将所述处理后的相关参数进行迭代运算，得到与所述历史相关数据对应的温度控制模型。
4.如权利要求3所述的调节温度的方法，其特征在于，所述当所述处理后的相关参数满足对应的预设条件时，将所述处理后的相关参数进行迭代运算，得到与所述历史相关数据对应的温度控制模型的步骤包括：
当所述处理后的相关参数满足对应的预设条件时，将所述处理后的相关参数代入多元线性回归函数公式hθ(x)＝θ0+θ1x1+θ2x2+…+θnxn进行迭代运算，得到与所述历史相关数据对应的温度控制模型，其中，n代表相关参数的数量；θn表示回归系数；xn代表第n个相关参数，是特征矩阵中的第n行，是一个向量。
5.如权利要求1至4任一项所述的调节温度的方法，其特征在于，所述根据所述当前相关参数，通过预设算法计算得到预测相关参数的步骤包括：
根据所述当前相关参数，通过将所述当前相关参数代入天气预报模式中进行计算，得到预测相关参数。
6.一种调节温度的装置，其特征在于，所述调节温度的装置包括：
接收模块，用于接收空调发送的所述空调的历史相关数据和当前相关参数；
第一处理模块，用于根据所述历史相关数据得到与所述历史相关数据对应的温度控制模型；
计算模块，用于根据所述当前相关参数，通过预设算法计算得到预测相关参数；
第二处理模块，用于将所述当前相关参数和所述预测相关参数代入所述温度控制模型中，得到当前环境下空调的第一温度；
第一发送模块，用于当所述第一温度与第二温度的差值未在预设范围内时，将所述第一温度发送给所述空调，以供所述空调根据所述第一温度执行制冷或制热的操作，其中，所述第二温度为所述空调当前的工作温度。
7.如权利要求6所述的调节温度的装置，其特征在于，所述调节温度的装置还包括：
判断模块，用于判断所述第一温度与第二温度的差值是否在预设范围内；
第二发送模块，用于当所述第一温度与第二温度的差值在预设范围内时，将所述第二温度发送给所述空调，以供所述空调继续根据所述第二温度执行制冷或制热的操作。
8.如权利要求6所述的调节温度的装置，其特征在于，所述第一处理模块包括：
处理单元，用于对所述历史相关数据进行标准化和/或数字化处理，得到处理后的相关参数；
判断单元，用于判断所述处理后的相关参数是否满足对应的预设条件；
迭代运算单元，用于当所述处理后的相关参数满足对应的预设条件时，将所述处理后的相关参数进行迭代运算，得到与所述历史相关数据对应的温度控制模型。
9.如权利要求8所述的调节温度的装置，其特征在于，所述迭代运算单元，还用于当所述处理后的相关参数满足对应的预设条件时，将所述处理后的相关参数代入多元线性回归函数公式hθ(x)＝θ0+θ1x1+θ2x2+…+θnxn进行迭代运算，得到与所述历史相关数据对应的温度控制模型，其中，n代表相关参数的数量；θn表示回归系数；xn代表第n个相关参数，是特征矩阵中的第n行，是一个向量。
10.如权利要求6至9任一项所述的调节温度的装置，其特征在于，所述计算模块，还用于根据所述当前相关参数，通过将所述当前相关参数代入天气预报模式中进行计算，得到预测相关参数。
CN201510827800.5A 2015-11-24 2015-11-24 调节温度的方法和装置 Active CN105387565B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510827800.5A CN105387565B (zh) 2015-11-24 2015-11-24 调节温度的方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510827800.5A CN105387565B (zh) 2015-11-24 2015-11-24 调节温度的方法和装置

Publications (2)

Publication Number Publication Date
CN105387565A true CN105387565A (zh) 2016-03-09
CN105387565B CN105387565B (zh) 2018-03-30

Family

ID=55420135

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510827800.5A Active CN105387565B (zh) 2015-11-24 2015-11-24 调节温度的方法和装置

Country Status (1)

Country Link
CN (1) CN105387565B (zh)

Cited By (31)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106196433A (zh) * 2016-07-04 2016-12-07 珠海格力电器股份有限公司 一种空调控制参数确定装置及方法、空调及服务器
CN106773763A (zh) * 2016-12-28 2017-05-31 重庆金鑫科技产业发展有限公司 一种信息联动处理方法及装置
CN107631421A (zh) * 2017-09-11 2018-01-26 广东美的制冷设备有限公司 空调使用数据分析方法、智能终端以及可读存储介质
CN107781948A (zh) * 2017-10-30 2018-03-09 四川长虹电器股份有限公司 基于时间、温度与空调参数的空调负荷预测方法
CN107798059A (zh) * 2017-09-08 2018-03-13 中国电力科学研究院 一种nco气象数据结构化存储方法和装置
CN108419439A (zh) * 2017-05-22 2018-08-17 深圳微自然创新科技有限公司 家用设备学习方法、及服务器
CN109028480A (zh) * 2018-06-08 2018-12-18 杭州古北电子科技有限公司 一种恒温恒湿控制系统及其方法
CN109343416A (zh) * 2018-11-14 2019-02-15 珠海格力电器股份有限公司 一种控制方法、装置及烹饪装置
CN109642746A (zh) * 2016-08-04 2019-04-16 夏普株式会社 空调控制系统
CN109790993A (zh) * 2016-10-11 2019-05-21 三菱电机株式会社 空调装置
CN109864007A (zh) * 2017-12-05 2019-06-11 财团法人资讯工业策进会 环境反应辨识系统及环境反应辨识方法
CN109974237A (zh) * 2019-04-01 2019-07-05 珠海格力电器股份有限公司 空调器、空调器运行策略的调整方法及装置
TWI666412B (zh) * 2018-08-30 2019-07-21 台灣松下電器股份有限公司 Intelligent air quality control method and system
CN110059819A (zh) * 2018-01-17 2019-07-26 腾讯科技（深圳）有限公司 器件的工作控制方法、装置、系统、控制设备及存储介质
CN110179444A (zh) * 2019-05-23 2019-08-30 上饶市达淋新材料有限公司 一种婴幼儿体温检测脚环系统及其检测方法
CN110332655A (zh) * 2019-06-27 2019-10-15 武汉裕大华纺织服装集团有限公司 一种纺纱车间温湿度智能控制系统
CN110388754A (zh) * 2019-07-11 2019-10-29 青岛海尔空调器有限总公司 用于热水器的参数值设定方法
CN110578994A (zh) * 2018-06-11 2019-12-17 珠海格力电器股份有限公司 一种运行方法及装置
CN110595021A (zh) * 2019-10-08 2019-12-20 苏州惠林节能材料有限公司 一种采用温度传感器进行实验室湿度控制的方法
CN111102699A (zh) * 2019-12-25 2020-05-05 Tcl华星光电技术有限公司 一种洁净室智能控制系统
TWI699500B (zh) * 2019-06-20 2020-07-21 群光電能科技股份有限公司 空調負荷調整系統及空調負荷調整方法
CN111795484A (zh) * 2020-07-24 2020-10-20 北京大学深圳研究生院 一种智慧空调控制方法和系统
CN111839101A (zh) * 2020-06-28 2020-10-30 珠海格力电器股份有限公司 一种陈列柜控制方法、装置、存储介质及陈列柜
US10823446B2 (en) 2018-10-12 2020-11-03 Chicony Power Technology Co., Ltd. System of adjusting load of air conditioning and method of adjusting the same
CN111928429A (zh) * 2020-08-25 2020-11-13 北京大学深圳研究生院 数据中心制冷系统的节能控制方法与装置
CN112161322A (zh) * 2020-09-24 2021-01-01 深圳市合信达控制系统有限公司 一种供暖设备及其控制方法
US20210034129A1 (en) * 2019-08-02 2021-02-04 Schneider Electric Industries Sas Detection of a failure of a power module based on operating conditions
CN112648720A (zh) * 2020-12-18 2021-04-13 烟台宁馨环保科技有限公司 基于大数据的室内环境监调方法及装置
CN114077265A (zh) * 2020-08-19 2022-02-22 漳州立达信光电子科技有限公司 一种温度控制方法、系统、温控设备及灯光开关
CN114502894A (zh) * 2019-10-07 2022-05-13 三菱电机株式会社 空气调节机的控制装置、空气调节机、空气调节机的控制方法以及程序
CN114777305A (zh) * 2022-04-11 2022-07-22 富联智能工坊(郑州)有限公司 空气调节系统的调控方法、调控模型建立方法及相关装置

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS5835347A (ja) * 1981-08-28 1983-03-02 Hitachi Ltd 空調機の最適起動制御方法
CN101825327A (zh) * 2010-05-28 2010-09-08 哈尔滨工业大学 基于天气预报的空调系统最优运行参数获得方法
CN102705957A (zh) * 2012-06-07 2012-10-03 华南理工大学 办公建筑中央空调逐时冷负荷在线预测方法及系统
CN103940043A (zh) * 2014-04-17 2014-07-23 美的集团股份有限公司 空调器的舒适性控制方法及装置
CN104110764A (zh) * 2013-05-22 2014-10-22 广东美的制冷设备有限公司 一种空调、空调控制方法及系统
CN104633865A (zh) * 2015-02-09 2015-05-20 广东美的制冷设备有限公司 空调的控制方法及装置
CN104833063A (zh) * 2015-06-04 2015-08-12 安徽建筑大学 一种空调控制方法及系统
CN104864548A (zh) * 2015-04-10 2015-08-26 海信集团有限公司 一种空调运行的控制方法及系统
CN104930651A (zh) * 2015-06-04 2015-09-23 广东美的暖通设备有限公司 一种空调的温度调节方法及其调节装置
CN105020837A (zh) * 2014-04-17 2015-11-04 美的集团股份有限公司 空调器的舒适性控制方法及装置
CN105222286A (zh) * 2015-11-10 2016-01-06 苏州海而仕信息科技有限公司 水冷式中央空调的恒温控制方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS5835347A (ja) * 1981-08-28 1983-03-02 Hitachi Ltd 空調機の最適起動制御方法
CN101825327A (zh) * 2010-05-28 2010-09-08 哈尔滨工业大学 基于天气预报的空调系统最优运行参数获得方法
CN102705957A (zh) * 2012-06-07 2012-10-03 华南理工大学 办公建筑中央空调逐时冷负荷在线预测方法及系统
CN104110764A (zh) * 2013-05-22 2014-10-22 广东美的制冷设备有限公司 一种空调、空调控制方法及系统
CN103940043A (zh) * 2014-04-17 2014-07-23 美的集团股份有限公司 空调器的舒适性控制方法及装置
CN105020837A (zh) * 2014-04-17 2015-11-04 美的集团股份有限公司 空调器的舒适性控制方法及装置
CN104633865A (zh) * 2015-02-09 2015-05-20 广东美的制冷设备有限公司 空调的控制方法及装置
CN104864548A (zh) * 2015-04-10 2015-08-26 海信集团有限公司 一种空调运行的控制方法及系统
CN104833063A (zh) * 2015-06-04 2015-08-12 安徽建筑大学 一种空调控制方法及系统
CN104930651A (zh) * 2015-06-04 2015-09-23 广东美的暖通设备有限公司 一种空调的温度调节方法及其调节装置
CN105222286A (zh) * 2015-11-10 2016-01-06 苏州海而仕信息科技有限公司 水冷式中央空调的恒温控制方法

Cited By (42)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106196433A (zh) * 2016-07-04 2016-12-07 珠海格力电器股份有限公司 一种空调控制参数确定装置及方法、空调及服务器
CN109642746A (zh) * 2016-08-04 2019-04-16 夏普株式会社 空调控制系统
CN109790993B (zh) * 2016-10-11 2021-08-17 三菱电机株式会社 空调装置
CN109790993A (zh) * 2016-10-11 2019-05-21 三菱电机株式会社 空调装置
CN106773763A (zh) * 2016-12-28 2017-05-31 重庆金鑫科技产业发展有限公司 一种信息联动处理方法及装置
CN108419439B (zh) * 2017-05-22 2020-06-30 深圳微自然创新科技有限公司 家用设备学习方法、及服务器
CN108419439A (zh) * 2017-05-22 2018-08-17 深圳微自然创新科技有限公司 家用设备学习方法、及服务器
CN107798059A (zh) * 2017-09-08 2018-03-13 中国电力科学研究院 一种nco气象数据结构化存储方法和装置
CN107798059B (zh) * 2017-09-08 2023-05-26 中国电力科学研究院 一种nco气象数据结构化存储方法和装置
CN107631421A (zh) * 2017-09-11 2018-01-26 广东美的制冷设备有限公司 空调使用数据分析方法、智能终端以及可读存储介质
CN107781948A (zh) * 2017-10-30 2018-03-09 四川长虹电器股份有限公司 基于时间、温度与空调参数的空调负荷预测方法
CN109864007A (zh) * 2017-12-05 2019-06-11 财团法人资讯工业策进会 环境反应辨识系统及环境反应辨识方法
CN110059819A (zh) * 2018-01-17 2019-07-26 腾讯科技（深圳）有限公司 器件的工作控制方法、装置、系统、控制设备及存储介质
CN110059819B (zh) * 2018-01-17 2022-11-25 腾讯科技（深圳）有限公司 器件的工作控制方法、装置、系统、控制设备及存储介质
CN109028480A (zh) * 2018-06-08 2018-12-18 杭州古北电子科技有限公司 一种恒温恒湿控制系统及其方法
CN109028480B (zh) * 2018-06-08 2021-08-20 杭州博联智能科技股份有限公司 一种恒温恒湿控制系统及其方法
CN110578994A (zh) * 2018-06-11 2019-12-17 珠海格力电器股份有限公司 一种运行方法及装置
TWI666412B (zh) * 2018-08-30 2019-07-21 台灣松下電器股份有限公司 Intelligent air quality control method and system
US10823446B2 (en) 2018-10-12 2020-11-03 Chicony Power Technology Co., Ltd. System of adjusting load of air conditioning and method of adjusting the same
CN109343416A (zh) * 2018-11-14 2019-02-15 珠海格力电器股份有限公司 一种控制方法、装置及烹饪装置
CN109974237B (zh) * 2019-04-01 2020-03-06 珠海格力电器股份有限公司 空调器、空调器运行策略的调整方法及装置
CN109974237A (zh) * 2019-04-01 2019-07-05 珠海格力电器股份有限公司 空调器、空调器运行策略的调整方法及装置
CN110179444A (zh) * 2019-05-23 2019-08-30 上饶市达淋新材料有限公司 一种婴幼儿体温检测脚环系统及其检测方法
TWI699500B (zh) * 2019-06-20 2020-07-21 群光電能科技股份有限公司 空調負荷調整系統及空調負荷調整方法
CN110332655B (zh) * 2019-06-27 2020-10-23 武汉裕大华纺织服装集团有限公司 一种纺纱车间温湿度智能控制系统
CN110332655A (zh) * 2019-06-27 2019-10-15 武汉裕大华纺织服装集团有限公司 一种纺纱车间温湿度智能控制系统
CN110388754A (zh) * 2019-07-11 2019-10-29 青岛海尔空调器有限总公司 用于热水器的参数值设定方法
US20210034129A1 (en) * 2019-08-02 2021-02-04 Schneider Electric Industries Sas Detection of a failure of a power module based on operating conditions
CN114502894A (zh) * 2019-10-07 2022-05-13 三菱电机株式会社 空气调节机的控制装置、空气调节机、空气调节机的控制方法以及程序
CN110595021A (zh) * 2019-10-08 2019-12-20 苏州惠林节能材料有限公司 一种采用温度传感器进行实验室湿度控制的方法
CN111102699A (zh) * 2019-12-25 2020-05-05 Tcl华星光电技术有限公司 一种洁净室智能控制系统
CN111839101B (zh) * 2020-06-28 2021-11-23 珠海格力电器股份有限公司 一种陈列柜控制方法、装置、存储介质及陈列柜
CN111839101A (zh) * 2020-06-28 2020-10-30 珠海格力电器股份有限公司 一种陈列柜控制方法、装置、存储介质及陈列柜
CN111795484B (zh) * 2020-07-24 2021-11-23 北京大学深圳研究生院 一种智慧空调控制方法和系统
CN111795484A (zh) * 2020-07-24 2020-10-20 北京大学深圳研究生院 一种智慧空调控制方法和系统
CN114077265A (zh) * 2020-08-19 2022-02-22 漳州立达信光电子科技有限公司 一种温度控制方法、系统、温控设备及灯光开关
CN111928429A (zh) * 2020-08-25 2020-11-13 北京大学深圳研究生院 数据中心制冷系统的节能控制方法与装置
CN112161322A (zh) * 2020-09-24 2021-01-01 深圳市合信达控制系统有限公司 一种供暖设备及其控制方法
CN112161322B (zh) * 2020-09-24 2022-04-29 深圳市合信达控制系统有限公司 一种供暖设备及其控制方法
CN112648720A (zh) * 2020-12-18 2021-04-13 烟台宁馨环保科技有限公司 基于大数据的室内环境监调方法及装置
CN114777305A (zh) * 2022-04-11 2022-07-22 富联智能工坊(郑州)有限公司 空气调节系统的调控方法、调控模型建立方法及相关装置
CN114777305B (zh) * 2022-04-11 2024-01-26 富联智能工坊(郑州)有限公司 空气调节系统的调控方法、调控模型建立方法及相关装置

Also Published As

Publication number Publication date
CN105387565B (zh) 2018-03-30

Similar Documents

Publication Publication Date Title
CN105387565A (zh) 调节温度的方法和装置
Knist et al. Evaluation and projected changes of precipitation statistics in convection-permitting WRF climate simulations over Central Europe
Lee et al. The estimation of base temperature for heating and cooling degree-days for South Korea
Guan Preparation of future weather data to study the impact of climate change on buildings
Fujita et al. Surface data assimilation using an ensemble Kalman filter approach with initial condition and model physics uncertainties
CN102945508B (zh) 一种基于模型校正的风电功率预测预报方法
Verichev et al. Assessing the applicability of various climatic zoning methods for building construction: Case study from the extreme southern part of Chile
Jerez et al. The CLIMIX model: A tool to create and evaluate spatially-resolved scenarios of photovoltaic and wind power development
Djalalova et al. Ensemble and bias-correction techniques for air quality model forecasts of surface O3 and PM2. 5 during the TEXAQS-II experiment of 2006
Pérez et al. Evaluation of WRF parameterizations for dynamical downscaling in the Canary Islands
Onomura et al. Meteorological forcing data for urban outdoor thermal comfort models from a coupled convective boundary layer and surface energy balance scheme
Ugwu et al. Performance assessment of Hargreaves model in estimating solar radiation in Abuja using minimum climatological data
Zhi-Guo et al. Prediction of urban water demand on the basis of Engel's coefficient and Hoffmann index: case studies in Beijing and Jinan, China
Müller et al. Evaluation of WRF model forecasts and their use for hydroclimate monitoring over southern south America
Tan et al. Short term wind energy resource prediction using WRF model for a location in western part of Turkey
Li et al. Future changes in the intensity and frequency of precipitation extremes over China in a warmer world: Insight from a large ensemble
Zhang Development of the typical meteorological database for Chinese locations
Eshraghi et al. Climatic zoning and per capita demand forecast of Iran using degree-day method
Sweeney et al. Adaptive post‐processing of short‐term wind forecasts for energy applications
Storto et al. Strongly coupled data assimilation experiments with linearized ocean–atmosphere balance relationships
Ciulla et al. Degree days and building energy demand
Nakajima et al. Improvement of WRF–CM–BEM and its application to high-resolution hindcasting of summertime urban electricity consumption
Zeng et al. Effects of land surface schemes on WRF-simulated geopotential heights over China in summer 2003
CN106355264B (zh) 一种参考作物腾发量组合预测方法
Friederichs et al. A probabilistic forecast approach for daily precipitation totals

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CP03 Change of name, title or address

Address after: 2306, east block, Skyworth semiconductor design building, 18 Gaoxin South 4th Road, high tech Zone community, Yuehai street, Nanshan District, Shenzhen, Guangdong 518000

Patentee after: Shenzhen Kukai Network Technology Co.,Ltd.

Address before: 518108 room 1502, block a, South Skyworth building, Shennan Avenue, Nanshan District, Shenzhen City, Guangdong Province

Patentee before: Shenzhen Coocaa Network Technology Co.,Ltd.

CP03 Change of name, title or address