CN106499656B - 一种风扇风速智能控制方法 - Google Patents
一种风扇风速智能控制方法 Download PDFInfo
- Publication number
- CN106499656B CN106499656B CN201610974237.9A CN201610974237A CN106499656B CN 106499656 B CN106499656 B CN 106499656B CN 201610974237 A CN201610974237 A CN 201610974237A CN 106499656 B CN106499656 B CN 106499656B
- Authority
- CN
- China
- Prior art keywords
- fan
- chicken
- neural network
- mode
- hen
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 15
- 241000287828 Gallus gallus Species 0.000 claims abstract description 70
- 238000013528 artificial neural network Methods 0.000 claims abstract description 29
- 238000003062 neural network model Methods 0.000 claims abstract description 22
- 230000007613 environmental effect Effects 0.000 claims abstract description 10
- 235000013330 chicken meat Nutrition 0.000 claims description 67
- 230000006870 function Effects 0.000 claims description 21
- 230000009471 action Effects 0.000 claims description 12
- 244000144992 flock Species 0.000 claims description 12
- 230000014509 gene expression Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 239000002245 particle Substances 0.000 claims 4
- 238000005457 optimization Methods 0.000 abstract 1
- 238000007664 blowing Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04D—NON-POSITIVE-DISPLACEMENT PUMPS
- F04D27/00—Control, e.g. regulation, of pumps, pumping installations or pumping systems specially adapted for elastic fluids
- F04D27/007—Conjoint control of two or more different functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
- F05D—INDEXING SCHEME FOR ASPECTS RELATING TO NON-POSITIVE-DISPLACEMENT MACHINES OR ENGINES, GAS-TURBINES OR JET-PROPULSION PLANTS
- F05D2270/00—Control
- F05D2270/30—Control parameters, e.g. input parameters
- F05D2270/311—Air humidity
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
- F05D—INDEXING SCHEME FOR ASPECTS RELATING TO NON-POSITIVE-DISPLACEMENT MACHINES OR ENGINES, GAS-TURBINES OR JET-PROPULSION PLANTS
- F05D2270/00—Control
- F05D2270/30—Control parameters, e.g. input parameters
- F05D2270/313—Air temperature
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Mechanical Engineering (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明提供一种风扇风速智能控制方法,具体为:获取若干组包含人员信息、环境信息和风扇工作模式的样本,将人员信息和环境信息作为BP神经网络的输入,风扇工作模式作为BP神经网络的输出,利用鸡群算法优化的BP神经网络的连接阈值和权值建立最优参数的鸡群神经网络模型,通过最优参数鸡群神经网络模型运算后输出风扇的工作模式,使风扇能够自动地工作在符合实时采集到人员信息和环境信息的工作模式,本发明能够使电扇自动地运行在符合周围人物信息和环境信息的工作模式上,极大程度地方便了人民的生活。
Description
技术领域
本发明属于智能算法技术领域,特别涉及一种风扇风速智能控制方法。
背景技术
目前,在世界上风扇从发明开始已经经历了一百多年的时间,是炎热夏季的宠儿。随着社会的发展,人们对于生活的质量越来越高,空调逐渐进入人们的生活中。由于经常使用空调对用户的身体造成了一定的影响,使得随着空调的普及也不能使风扇遭到社会的淘汰。传统的风扇一般智能化程度比较低,只能实现简单功能,比如:定时功能。在使用风扇时,人们有时在离开时会忘记关闭风扇,这时风扇会一直转动,浪费电能。在炎热的夏季夜晚,为了有一个舒适的睡眠,人们往往喜欢一晚上都吹着风扇睡觉,然而晚上温度变化比较大,在温度下降时,风扇转速依然不变,可能会影响人们的身体健康。
发明内容
为了解决上述问题,本发明提供的方案为:一种风扇风速智能控制方法,具体包括以下步骤(1)~(5):
(1)通过装置摄像头获取风扇工作范围内人员的年龄P、性别S以及人数R;利用温湿度传感器检测环境的温度T和湿度D;
(2)设置风扇风速V为d个等级,风扇运行模式β为g个模式,风扇动作模式为2个模式,分别为:摆头模式、固定模式;根据风扇风速等级和运行模式可设定为d×g种工作模式;
(3)根据步骤(1)中采集到的人数R来确定风扇的动作模式,若R≥2时,风扇动作模式为摆头模式;若R=1时,风扇动作模式为固定模式;
(4)获取h组包含人员信息、环境信息和风扇工作模式的样本,将人员信息和环境信息Ak=(Pk,Sk,Tk,Dk)作为BP神经网络模型的输入,风扇工作模式作为BP神经网络的输出,利用鸡群算法优化BP神经网络连接阈值和权值建立最优参数鸡群神经网络模型,其中0<h,分别为第k个样本电扇的风速等级和运行模式的方式,0<a<d,0<b<g,0<k<h;
(5)将实时采集的人员信息和环境信息(P,S,T,D)作为步骤(4)中最优参数鸡群神经网络模型输入,则最优参数鸡群神经网络模型运算后输出风扇的工作模式,使风扇能够自动地工作在符合实时采集到人员信息和环境信息的工作模式。
本发明的一种风扇风速智能控制方法,所述步骤(2)中风扇工作模式设定的具体方法为:风扇风速设置为3个等级,分别为:微风、自然风和强风,风扇运行模式设置2个模式,分别为:连续模式、间断模式;根据风速等级和运行模式可将风扇的工作模式设定为{连续微风、连续自然风、连续强风、间断微风、间断自然风、间断强风}6种模式。
本发明的一种风扇风速智能控制方法,所述步骤(4)中的BP神经网络结构为4-6-1,利用鸡群算法优化BP神经网络连接阈值和权值得到最优参数鸡群神经网络模型的具体方法为:
(4.1)初始化鸡群算法,定义鸡群算法中的公鸡NR、母鸡NH、小鸡NC等参数;并对样本Zk=(Ak,Bk)进行规范化处理:
(4.2)将规范化后样本Zk的人物信息和环境信息Ak作为BP神经网络的输入对其进行预测输出得到预测输出值将BP神经网络的预测输出与期望输出yk的误差作为鸡群算法的适应度函数,确定鸡群算法的适应度函数如下:
上式中fit为适应度值;
(4.3)根据Ak的适应度函数排序鸡群适应度值,建立鸡群的等级制度,将鸡群分成数个子群并确定母鸡和小鸡的对应关系,初始化子群中个体当前最好位置pbest和全局个体最好位置gbest,即每个子群中适应度值最低的个体和全局适应度值最低的个体;鸡群算法中的公鸡、母鸡、小鸡各个参数的位置更新表达式分别为:
上式为公鸡NR的位置更新公式,其中randn(0,σ2)为均值为0,标准差为σ2的一个高斯分布;
上式为母鸡NH的位置更新公式,其中rand为[0,1]之间均匀分布的随机数;r1为第i只母鸡自身所在群中的公鸡;r2为整个鸡群中公鸡和母鸡中随机选取的任意个体,且r1≠r2;
xi,j(t+1)=ω·xi,j(t)+F·(xm,j(t)-xi,j(t))+C·(xr,j(t)-xi,j(t))
上式为小鸡NC的位置更新公式,其中m为第i只小鸡对应的母鸡;F(F∈[0,2])为跟随系数,r为第i只母鸡自身所在群中的公鸡;C=0.4为学习因子;ω∈(0.4,0.9)为小鸡的自我学习系数,其更新公式为:
(4.4)根据小鸡、母鸡和公鸡的位置更新公式分别更新小鸡、母鸡和公鸡的位置并计算每个个体的适应度函数值,依据适应度函数值更新个体当前最好位置pbest和鸡群全局最好位置gbest;当更新n次后或满足迭代停止条件即适应度函数为0,停止迭代并输出最优值;将最优值赋值给BP神经网络的连接权值和阀值,得到最优参数鸡群神经网络模型。
附图说明
图1为一种风扇风速智能控制方法的流程图;
图2为三层BP神经网络模型图;
具体实施方式
以下将结合图1,对本方明的技术方案进行详细说明。
本发明提供一种风扇风速智能控制方法,其总体思路是获取若干组包含人员信息、环境信息和风扇工作模式的样本,将人员信息和环境信息作为BP神经网络的输入,风扇工作模式作为BP神经网络的输出,利用鸡群算法优化的BP神经网络算法的连接阈值和权值建立最优参数鸡群神经网络模型,最后通过最优参数鸡群神经网络模型运算后输出风扇的工作模式,使风扇能够自动地工作在符合实时采集到人员信息和环境信息的工作模式;具体实施包括以下步骤(1)~(5):
(1)通过装置摄像头获取风扇工作范围内人员的年龄P、性别S以及人数R;利用温湿度传感器检测环境的温度T和湿度D;
(2)设置风扇风速V为d个等级,风扇运行模式β为g个模式,风扇动作模式为2个模式,分别为:摆头模式、固定模式;根据风扇风速等级和运行模式可设定为d×g种工作模式;具体设置方式如下:
(2.1)风扇风速设置为3个等级,分别为:微风、自然风和强风,风扇运行模式设置2个模式,分别为:连续模式、间断模式;根据风速等级和运行模式可将风扇的工作模式设定为{连续微风、连续自然风、连续强风、间断微风、间断自然风、间断强风}6种模式。
(3)根据步骤(1)中采集到的人数R来确定风扇的动作模式,若R≥2时,风扇动作模式为摆头模式;若R=1时,风扇动作模式为固定模式;
(4)获取h组包含人员信息、环境信息和风扇工作模式的样本,将人员信息和环境信息Ak=(Pk,Sk,Tk,Dk)作为BP神经网络模型的输入,风扇工作模式作为BP神经网络的输出,利用鸡群算法优化BP神经网络连接阈值和权值建立最优参数鸡群神经网络模型,其中0<h,分别为第k个样本电扇的风速等级和运行模式的方式,0<a<d,0<b<g,0<k<h;具体实现为:
(4.1)确定BP神经网络结构为4-6-1,初始化鸡群算法,定义鸡群算法中的公鸡NR、母鸡NH、小鸡NC等参数;并对样本Zk=(Ak,Bk)进行规范化处理:
(4.3)将规范化后样本Zk的人物信息和环境信息Ak作为BP神经网络的输入对其进行预测输出得到预测输出值将BP神经网络的预测输出与期望输出yk的误差作为鸡群算法的适应度函数,确定鸡群算法的适应度函数如下:
上式中fit为适应度值;
(4.4)根据Ak的适应度函数排序鸡群适应度值,建立鸡群的等级制度,将鸡群分成数个子群并确定母鸡和小鸡的对应关系,初始化子群中个体当前最好位置pbest和全局个体最好位置gbest,即每个子群中适应度值最低的个体和全局适应度值最低的个体;鸡群算法中的公鸡、母鸡、小鸡各个参数的位置更新表达式分别为:
上式为公鸡NR的位置更新公式,其中randn(0,σ2)为均值为0,标准差为σ2的一个高斯分布;
上式为母鸡NH的位置更新公式,其中rand为[0,1]之间均匀分布的随机数;r1为第i只母鸡自身所在群中的公鸡;r2为整个鸡群中公鸡和母鸡中随机选取的任意个体,且r1≠r2;
xi,j(t+1)=ω·xi,j(t)+F·(xm,j(t)-xi,j(t))+C·(xr,j(t)-xi,j(t))
上式为小鸡NC的位置更新公式,其中m为第i只小鸡对应的母鸡;F(F∈[0,2])为跟随系数,r为第i只母鸡自身所在群中的公鸡;C=0.4为学习因子;ω∈(0.4,0.9)为小鸡的自我学习系数,其更新公式为:
(4.5)根据小鸡、母鸡和公鸡的位置更新公式分别更新小鸡、母鸡和公鸡的位置并计算每个个体的适应度函数值,依据适应度函数值更新个体当前最好位置pbest和鸡群全局最好位置gbest;当更新n次后或满足迭代停止条件即适应度函数为0,停止迭代并输出最优值;将最优值赋值给BP神经网络的连接权值和阀值,得到最优参数鸡群神经网络模型。
(5)将实时采集的人员信息和环境信息(P,S,T,D)作为步骤(4)中最优参数鸡群神经网络模型输入,则最优参数鸡群神经网络模型运算后输出风扇的工作模式,使风扇能够自动地工作在符合实时采集到人员信息和环境信息的工作模式。
以上实施例仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明保护范围之内。
Claims (3)
1.一种风扇风速智能控制方法,其特征在于包括以下步骤:
(1)通过装置摄像头获取风扇工作范围内人员的年龄P、性别S以及人数R;利用温湿度传感器检测环境的温度T和湿度D;
(2)设置风扇风速V为d个等级,风扇运行模式β为g个模式,风扇动作模式为2个模式,分别为:摆头模式、固定模式;根据风扇风速等级和运行模式可设定为d×g种工作模式;
(3)根据步骤(1)采集到的人数R来确定风扇的动作模式,若R≥2时,风扇动作模式为摆头模式;若R=1时,风扇动作模式为固定模式;
(4)获取h组包含人员信息、环境信息和风扇工作模式的样本,将人员信息和环境信息Ak=(Pk,Sk,Tk,Dk)作为BP神经网络模型的输入,风扇工作模式作为BP神经网络的输出,利用鸡群算法优化BP神经网络连接阈值和权值建立最优参数鸡群神经网络模型,其中0<h,分别为第k个样本风扇的风速等级和运行模式的方式,0<a<d,0<b<g,0<k<h;
(5)将实时采集的人员信息和环境信息(P,S,T,D)作为步骤(4)中的最优参数鸡群神经网络模型输入,则最优参数鸡群神经网络模型运算后输出风扇的工作模式,使风扇能够自动地工作在符合实时采集到的人员信息和环境信息的工作模式。
2.根据权利要求1所述的一种风扇风速智能控制方法,其特征在于,所述步骤(2)中的风扇的工作模式设定的具体方法为:
风扇风速设置为3个等级,分别为:微风、自然风和强风;风扇运行模式设置2个模式,分别为:连续模式、间断模式;根据风速等级和运行模式可将风扇的工作模式设定为{连续微风、连续自然风、连续强风、间断微风、间断自然风、间断强风}6种模式。
3.根据权利要求1所述的一种风扇风速智能控制方法,其特征在于,所述步骤(4)BP神经网络结构为4-6-1,利用鸡群算法优化BP神经网络连接阈值和权值得到最优参数鸡群神经网络模型的具体方法为:
(3.1)初始化鸡群算法,定义鸡群算法中的公鸡NR、母鸡NH、小鸡NC参数;并规范化处理样本,得到样本Zk=(Ak,Bk):
其中,为规范化之前的样本值,Zk为规范化后的样本值,Bk为规范化后的风扇工作模式值;
(3.2)将规范化后样本Zk的人员信息和环境信息Ak作为BP神经网络的输入对其进行预测输出得到预测输出值将BP神经网络的预测输出与期望输出yk的误差作为鸡群算法的适应度函数,确定鸡群算法的适应度函数如下:
式(2)中fit为适应度函数值;
(3.3)根据Ak的适应度函数排序鸡群适应度值,建立鸡群的等级制度,将鸡群分成数个子群并确定母鸡和小鸡的对应关系,初始化子群中个体当前最好位置pbest和全局个体最好位置gbest,即每个子群中适应度值最低的个体和全局适应度值最低的个体;鸡群算法中的公鸡、母鸡、小鸡各个参数的位置更新表达式分别为:
式(3)为公鸡NR的位置更新公式,其中randn(0,σ2)为均值为0,标准差为σ2的一个高斯分布,为粒子i在第t次迭代中处于j维空间中所处位置,i为粒子编号,j为输入变量空间维数且j=4;
式(4)为母鸡NH的位置更新公式,其中rand为[0,1]之间均匀分布的随机数;C1和C2分别为母鸡粒子参考自身子群及参考其他子群的权重;r1为第i只母鸡自身所在群中的公鸡;r2为整个鸡群中公鸡和母鸡中随机选取的任意个体,且r1≠r2;
xi,j(t+1)=ω·xi,j(t)+F·(xm,j(t)-xi,j(t))+C·(xr,j(t)-xi,j(t)) 式(5)
式(5)为小鸡NC的位置更新公式,其中m为第i只小鸡对应的母鸡;xi,j(t)为小鸡粒子i在第t次迭代中处于j维空间中所处位置;F(F∈[0,2])为跟随系数,r为第i只母鸡自身所在群中的公鸡;C=0.4为学习因子;ω∈(0.4,0.9)为小鸡的自我学习系数,其更新公式为:
式(6)中,Ngen为迭代次数,ωmax和ωmin分别为自我学习系数的最大值和最小值;
(3.4)根据式(3)、(4)、(5)分别更新小鸡、母鸡和公鸡的位置并计算每个个体的适应度函数值,依据适应度函数值更新个体当前最好位置pbest和鸡群全局最好位置gbest;当更新n次后或满足迭代停止条件即适应度函数为0,停止迭代并输出最优值;将最优值赋值给BP神经网络的连接阀值和权值,得到最优参数鸡群神经网络模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610974237.9A CN106499656B (zh) | 2016-11-04 | 2016-11-04 | 一种风扇风速智能控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610974237.9A CN106499656B (zh) | 2016-11-04 | 2016-11-04 | 一种风扇风速智能控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106499656A CN106499656A (zh) | 2017-03-15 |
CN106499656B true CN106499656B (zh) | 2017-10-31 |
Family
ID=58323146
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610974237.9A Active CN106499656B (zh) | 2016-11-04 | 2016-11-04 | 一种风扇风速智能控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106499656B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106837843A (zh) * | 2017-04-23 | 2017-06-13 | 陈昭良 | 一种风扇 |
CN107701481B (zh) * | 2017-10-18 | 2023-07-14 | 珠海格力电器股份有限公司 | 风扇控制方法、装置及风扇 |
CN107807673A (zh) * | 2017-11-27 | 2018-03-16 | 卫星电子(中山)有限公司 | 一种随动装置及其控制方法 |
CN108194398B (zh) * | 2017-12-29 | 2019-09-20 | 青岛海信医疗设备股份有限公司 | 风扇控制方法及装置 |
CN110197278A (zh) * | 2019-06-04 | 2019-09-03 | 西华大学 | 基于改进鸡群算法优化bp神经网络的空气质量预测方法 |
CN110889228B (zh) * | 2019-11-28 | 2023-04-18 | 国网吉林省电力有限公司电力科学研究院 | 基于鸡群优化bp神经网络的变压器油纸绝缘老化预测方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003003989A (ja) * | 2001-06-20 | 2003-01-08 | Denso Corp | 送風装置 |
DE102005060635A1 (de) * | 2005-12-13 | 2007-06-14 | Siemens Ag | Steuerungsverfahren zur Kühlung einer technischen Anlage |
CN102619771B (zh) * | 2012-03-29 | 2015-05-06 | 美的集团股份有限公司 | 一种风扇舒适风的控制方法 |
CN103258233B (zh) * | 2013-04-07 | 2016-03-16 | 苏州奥科姆自动化科技有限公司 | 通过神经网络学习对风扇转速及其稳定性进行检测的方法 |
CN104791282B (zh) * | 2014-12-12 | 2016-06-15 | 广西科技大学鹿山学院 | 一种红外温控电扇调速方法 |
CN104880949B (zh) * | 2015-05-27 | 2017-07-07 | 江南大学 | 基于改进鸡群算法获得工件加工最优调度的方法 |
-
2016
- 2016-11-04 CN CN201610974237.9A patent/CN106499656B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN106499656A (zh) | 2017-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106499656B (zh) | 一种风扇风速智能控制方法 | |
CN108386971B (zh) | 中央空调节能自控系统 | |
JP7188255B2 (ja) | 学習方法、学習プログラムおよび学習装置 | |
CN113325762B (zh) | 一种智能建筑个性化用能控制方法、系统、装置和设备 | |
CN109489212B (zh) | 一种空调智能睡眠控制方法、调整系统及设备 | |
CN106920006A (zh) | 一种基于isoa‑lssvm的地铁站空调系统能耗预测方法 | |
CN107704875A (zh) | 基于改进ihcmac神经网络的建筑负荷预测方法和装置 | |
CN106765959A (zh) | 基于遗传算法和深度bp神经网络算法的暖通空调节能控制方法 | |
CN111008504B (zh) | 一种基于气象模式识别的风电功率预测误差建模方法 | |
CN1482409A (zh) | 中央空调节能模糊控制方法及模糊控制器 | |
CN109883016B (zh) | 一种空气舒适度调节方法和设备 | |
CN109974242B (zh) | 基于热成像的空调系统智能调温方法与系统 | |
CN108536030A (zh) | 一种基于anfis算法的智能家居系统及其工作方法 | |
CN108615097A (zh) | 一种风速预测方法、系统、设备及计算机可读存储介质 | |
CN114662201B (zh) | 一种自然通风智能调控的寻优方法 | |
CN112923525A (zh) | 机器学习型舒适节能空调智能控制方法 | |
CN115907366A (zh) | 一种基于火烈鸟算法的农产品生长环境最优调控方法及设备 | |
CN115435453A (zh) | 一种建筑节能控制方法、系统及存储介质 | |
CN110555524A (zh) | 基于室内环境监测的训练样本数据获取方法及装置 | |
CN106292325B (zh) | 一种数据驱动的家居环境舒适性偏好建模与控制方法 | |
CN112070317A (zh) | 酒店空调能耗预测方法 | |
CN108446783A (zh) | 一种新风机运行功率的预测及监控方法 | |
CN107192098A (zh) | 医院通风调控方法及调控系统 | |
CN114240687A (zh) | 一种适用于综合能源系统的能源托管效率分析方法 | |
CN117646984A (zh) | 一种空调控制方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |