CN110726218B - 空调器及其控制方法、装置、存储介质和处理器 - Google Patents
空调器及其控制方法、装置、存储介质和处理器 Download PDFInfo
- Publication number
- CN110726218B CN110726218B CN201911039265.1A CN201911039265A CN110726218B CN 110726218 B CN110726218 B CN 110726218B CN 201911039265 A CN201911039265 A CN 201911039265A CN 110726218 B CN110726218 B CN 110726218B
- Authority
- CN
- China
- Prior art keywords
- parameters
- air conditioner
- target
- process parameters
- performance index
- 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 336
- 230000008569 process Effects 0.000 claims abstract description 272
- 238000011217 control strategy Methods 0.000 claims abstract description 189
- 230000007613 environmental effect Effects 0.000 claims description 136
- 238000011156 evaluation Methods 0.000 claims description 55
- 230000008859 change Effects 0.000 claims description 50
- 238000003062 neural network model Methods 0.000 claims description 43
- 238000012545 processing Methods 0.000 claims description 38
- 238000004088 simulation Methods 0.000 claims description 37
- 238000012546 transfer Methods 0.000 claims description 32
- 238000012549 training Methods 0.000 claims description 10
- 230000000694 effects Effects 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 30
- 238000004378 air conditioning Methods 0.000 description 20
- 238000010438 heat treatment Methods 0.000 description 16
- 238000010586 diagram Methods 0.000 description 13
- 238000004364 calculation method Methods 0.000 description 12
- 238000013528 artificial neural network Methods 0.000 description 11
- 238000001816 cooling Methods 0.000 description 11
- 239000000523 sample Substances 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000005057 refrigeration Methods 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000007791 dehumidification Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000005611 electricity Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000036760 body temperature Effects 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000013486 operation strategy Methods 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
Images
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
- F24F11/63—Electronic processing
-
- 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)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明公开了一种空调器及其控制方法、装置、存储介质和处理器。该方法包括:获取空调器在当前时间所处的环境的一组目标环境参数;获取与目标环境参数相对应的多组过程参数,其中,多组过程参数中的每组过程参数与空调器在目标时间段内的运行过程相关联,目标时间段为当前时间之后的时间段;从多组过程参数中选择一组目标过程参数,并控制空调器按照与目标过程参数对应的目标控制策略在目标时间段内运行,其中,目标控制策略使空调器在运行时的性能指标值,大于多组过程参数中除目标过程参数之外的过程参数对应的控制策略使空调器在运行时的性能指标值。通过本发明,达到了提高对空调器进行控制的效率的技术效果。
Description
技术领域
本发明涉及空调器领域,具体而言,涉及一种空调器及其控制方法、装置、存储介质和处理器。
背景技术
目前,随着人们生活水平的提高,人们对居住环境的品质的要求也越来越高。空调器作为室内调温调湿的重要装置,已成为人们生活中的必需品。目前空调器的各执行器是单独控制的,而且控制策略固定单一,在设计时并不可能考虑到实际运行过程中的各种复杂工况和变化,所以目前对空调器的控制难以保证在不同工况下,在兼顾房间舒适性的同时性能也能达到最优,控制策略缺乏灵活性,使空调器的能力无法最大限度发挥,从而导致对空调器进行控制的效率低的问题。
针对现有技术中对空调器的控制效率低下的问题,目前尚未提出有效的解决方案。
发明内容
本发明的主要目的在于提供一种空调器及其控制方法、装置、存储介质和处理器,以至少解决对空调器的控制效率低下的技术问题。
为了实现上述目的,根据本发明的一个方面,提供了一种空调器的控制方法。该方法包括:获取空调器在当前时间所处的环境的一组目标环境参数;获取与目标环境参数相对应的多组过程参数,其中,多组过程参数中的每组过程参数与空调器在目标时间段内的运行过程相关联,目标时间段为当前时间之后的时间段;从多组过程参数中选择一组目标过程参数,并控制空调器按照与目标过程参数对应的目标控制策略在目标时间段内运行,其中,目标控制策略使空调器在运行时的性能指标值,大于多组过程参数中除目标过程参数之外的过程参数对应的控制策略使空调器在运行时的性能指标值。
可选地,获取与目标环境参数相对应的多组目标参数包括:在数据库中,通过目标环境参数查找多组过程参数,其中,数据库包括多组环境参数、与每组环境参数对应多组过程参数,环境参数包括目标环境参数。
可选地,在通过目标环境参数查找多组过程参数之前,该方法还包括:获取多组环境参数;基于每组环境参数确定每组环境参数对应的多组过程参数;将与每组环境参数对应的多组过程参数,添加至数据库中。
可选地,基于每组环境参数确定每组环境参数对应的多组过程参数包括:通过仿真模型对每组环境参数进行处理,得到与每组环境参数对应的一组过程参数;通过神经网络模型对每组环境参数进行处理,得到与每组环境参数对应的一组过程参数。
可选地,在通过仿真模型对每组环境参数进行处理,得到与每组环境参数对应的一组过程参数之前,该方法还包括:通过比例积分微分控制器和/或模糊控制器、目标传递函数建立仿真模型。
可选地,通过仿真模型对每组环境参数进行处理,得到与每组环境参数对应的一组过程参数包括:通过比例积分微分控制器和/或模糊控制器,对每组环境参数进行处理,得到空调器的工作参数;通过目标传递函数对工作参数进行处理,得到与每组环境参数对应的一组过程参数。
可选地,在通过神经网络模型对每组环境参数进行处理,得到与每组环境参数对应的一组过程参数之前,方法还包括:获取环境参数样本和与环境参数样本对应的过程参数样本;通过环境参数样本和过程参数样本对子神经网络模型进行训练,得到神经网络模型。
可选地,在通过神经网络模型对每组环境参数进行处理,得到与每组环境参数对应的一组过程参数之后,该方法还包括:通过空调器在当前时间之前,在每组环境参数下运行时所产生的一组过程参数,对通过神经网络模型对每组环境参数进行处理得到的一组过程参数进行修正;将修正后的一组过程参数添加至数据库中。
可选地,通过目标环境参数查找多组过程参数之前,该方法还包括:将空调器在当前时间之前,在每组环境参数下运行时所产生的一组过程参数,添加至数据库中。
可选地,该方法还包括:获取每组过程参数中的每个参数在对应的性能指标下的子性能指标值,得到多个子性能指标值;确定每个子性能指标值对应的权重;获取每个子性能指标值和对应的权重之间的目标积,得到多个目标积;将多个目标积之和,确定为空调器在每组过程参数下运行时的性能指标值。
为了实现上述目的,根据本发明的一个方面,还提供了另一种空调器的控制方法。该方法包括:获取空调器在当前时间所处的环境的一组目标环境参数;获取与目标环境参数相对应的控制策略集;在控制策略集中选择目标控制策略,并控制空调器按照目标控制策略运行,其中,目标控制策略使空调器在运行时的性能指标值,大于控制策略集中除目标控制策略之外的控制策略使空调器在运行时的性能指标值。
可选地,在控制策略集中选择目标控制策略包括:获取控制策略集中各个控制策略对应的环境变化趋势;对环境变化趋势进行评价,得到评价指标;依据评价指标从控制策略集中选择目标控制策略。
为了实现上述目的,根据本发明的另一方面,还提供了一种空调器的控制装置。该装置包括:第一获取单元,用于获取空调器在当前时间所处的环境的一组目标环境参数;第二获取单元,用于获取与目标环境参数相对应的多组过程参数,其中,多组过程参数中的每组过程参数与空调器在目标时间段内的运行过程相关联,目标时间段为当前时间之后的时间段;第一处理单元,用于从多组过程参数中选择一组目标过程参数,并控制空调器按照与目标过程参数对应的目标控制策略在目标时间段内运行,其中,目标控制策略使空调器在运行时的性能指标值,大于多组过程参数中除目标过程参数之外的过程参数对应的控制策略使空调器在运行时的性能指标值。
为了实现上述目的,根据本发明的另一方面,还提供了一种空调器的控制装置。该装置包括:第三获取单元,用于获取空调器在当前时间所处的环境的一组目标环境参数;第四获取单元,用于获取与目标环境参数相对应的控制策略集;第二处理单元,用于在控制策略集中选择目标控制策略,并控制空调器按照目标控制策略运行,其中,目标控制策略使空调器在运行时的性能指标值,大于控制策略集中除目标控制策略之外的控制策略使空调器在运行时的性能指标值。
为了实现上述目的,根据本发明的另一方面,还提供了一种空调器。该空调器包括本发明实施例的空调器的控制装置。
为了实现上述目的,根据本发明的另一方面,还提供了一种存储介质。该存储介质包括存储的程序,其中,在程序运行时控制存储介质所在设备执行本发明实施例的空调器的控制方法。
为了实现上述目的,根据本发明的另一方面,还提供了一种处理器。该处理器用于运行程序,其中,程序运行时执行本发明实施例的空调器的控制方法。
通过本发明,采用获取空调器在当前时间所处的环境的一组目标环境参数;获取与目标环境参数相对应的多组过程参数,其中,多组过程参数中的每组过程参数与空调器在目标时间段内的运行过程相关联,目标时间段为当前时间之后的时间段;从多组过程参数中选择一组目标过程参数,并控制空调器按照与目标过程参数对应的目标控制策略在目标时间段内运行,其中,目标控制策略使空调器在运行时的性能指标值,大于多组过程参数中除目标过程参数之外的过程参数对应的控制策略使空调器在运行时的性能指标值。也就是说,获取与空调器的当前环境参数对应的多组过程参数,通过性能指标值对多组过程参数进行评价,从中选择最优的目标过程参数,该目标过程参数对应着对空调器进行控制的最佳控制策略,避免了空调控制的策略固定单一,没有考虑到实际使用的各种复杂工况,控制策略灵活性不够,解决了对空调器进行控制的效率低的技术问题,进而达到了提高对空调器进行控制的效率的技术效果。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的一种空调器的控制方法的流程图;
图2是根据本发明实施例的另一种空调器的控制方法的流程图;
图3是根据本发明实施例的另一种对空调器进行控制的示意图;
图4是根据本发明实施例的一种空调器的温降曲线及耗电量曲线的示意图;
图5是根据本发明实施例的一种通过数据库计算最佳控制策略的方法的流程图;
图6是根据本发明实施例的一种Simulink仿真模型的示意图;
图7是根据本发明实施例的另一种Simulink仿真模型的示意图;
图8是根据本发明实施例的另一种Simulink仿真模型的示意图;
图9是根据本发明实施例的一种神经网络模型的结构示意图;
图10是根据本发明实施例的一种空调器的控制装置的示意图;
图11是根据本发明实施例的另一种空调器的控制装置。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
本发明实施例提供了一种空调器的控制方法。
图1是根据本发明实施例的一种空调器的控制方法的流程图。如图1所示,该方法包括以下步骤:
步骤S102,获取空调器在当前时间所处的环境的一组目标环境参数。
在本发明上述步骤S102提供的技术方案中,空调器当前所处的环境也即空调器在运行过程中所处的环境,目标环境参数可以为空调器在按照当前所使用的控制策略进行运行的结果,可以用于指示空调器的环境工况,当前所使用的控制策略可以为默认控制策略。
该实施例的一组目标环境参数可以包括空调器的室内外环境参数、房间参数等。其中,室内外环境参数可以包括室内干球温度、室内湿度、室外干球温度、室外湿度等参数,可选地,该实施例通过内外机上的温度感温包检测室内干球温度、室内湿度,通过空调器的湿度检测装置进行检测室内湿度、室外湿度;该实施例的房间参数可以包括空调器所处的房间的尺寸大小、墙体厚度、墙体材质、室内窗户数量和大小等信息,其中,房间的尺寸大小包括长、宽、高),这些参数信息可以通过应用(Application,简称为App)、遥控器等与空调器相关联的设备输入,也可通过摄像设备、红外探头等设备进行自主检测,其中,摄像设备可以为三维(3D)摄像头,此处不做限制。
可选地,该实施例在获取空调器在当前时间所处的环境的一组目标环境参数时,可以在空调器检测到开机信号的情况下,空调器识别获取到目标环境参数,将目标环境参数发送至服务器,使服务器获取到目标环境参数。
可选地,该实施例的目标环境参数还可以包括对环境有影响的参数,比如,室外温度参数,还可以包括空调器的设置参数,比如,空调器的设定温度等,还可以包括空调器的空调模式,比如,制冷模式、制热模式、除湿模式等。
步骤S104,获取与目标环境参数相对应的多组过程参数。
在本发明上述步骤S104提供的技术方案中,在获取空调器在当前时间所处的环境的一组目标环境参数之后,可以基于目标环境参数获取与目标环境参数相对应的多组过程参数,其中,多组过程参数中的每组过程参数与空调器在目标时间段内的运行过程相关联,目标时间段为当前时间之后的时间段。
在该实施例中,每组过程参数可以用于指示预测的空调器在目前输入的目标环境参数下运行目标时间段的参数变化情况,该参数变化情况可以用于表征空调器的运行状态,目标时间段可以为N小时。
该实施例的每组过程参数可以包括空调器本身的参数,比如,包括空调器的耗电量,空调器的制冷量/制热量等参数,其中,空调器的耗电量可以为空调器的总耗电量,空调器的制冷量/制热量可以为空调器的总制冷量/制热量,该实施例的每组过程参数还可以包括环境的参数,比如,房间温度变化、房间湿度变化等参数,其中,房间温度变化包括房间温降/温升,房间湿度变化包括房间湿度降低/升高。
该实施例的每组过程参数对应一种空调器的控制策略,也即,该空调器在通过该控制策略运行的情况下,可以产生对应的一组过程参数,该实施例与目标环境参数对应多组过程参数,也即,相同的环境工况对应了多种控制策略,每组过程参数中的多个参数可以分别通过曲线进行表示,比如,房间温降/温升曲线、耗电量曲线、湿度变化曲线等,此处不做限制。
步骤S106,从多组过程参数中选择一组目标过程参数,并控制空调器按照与目标过程参数对应的目标控制策略在目标时间段内运行。
在本发明上述步骤S106提供的技术方案中,在获取与目标环境参数相对应的多组过程参数之后,从多组过程参数中选择一组目标过程参数,并控制空调器按照与目标过程参数对应的目标控制策略在目标时间段内运行,其中,目标控制策略使空调器在运行时的性能指标值,大于多组过程参数中除目标过程参数之外的过程参数对应的控制策略使空调器在运行时的性能指标值。
在该实施例中,每组过程参数可以对应一种控制策略,可以从多组过程参数中选择一组目标过程参数,可选地,该实施例将每组过程参数生成对应的曲线进行比较,通过目标指标对其进行综合评价,比如,通过舒适性评价指标和节能性评价指标对生成的曲线进行评价,得到评价分数,可以将得分最高的一组过程参数作为目标过程参数,该目标过程参数对应了目标控制策略,目标控制策略使空调器在运行时的性能指标值,大于多组过程参数中除目标过程参数之外的过程参数对应的控制策略使空调器在运行时的性能指标值,也即,该目标控制策略为最佳控制策略,该最佳控制策略可以为较为舒适且省电的控制策略,将其输出至空调器,以替代默认控制策略,进而控制空调器在目标时间段内运行,从而达到根据空调器在实际使用时的工况及时对其控制策略进行调整,以发挥空调器的最大能力,提高了对空调器进行控制的效率,并且易于实现,提升了用户体验。
通过上述步骤S102至步骤S106,获取空调器在当前时间所处的环境的一组目标环境参数;获取与目标环境参数相对应的多组过程参数,其中,多组过程参数中的每组过程参数与空调器在目标时间段内的运行过程相关联,目标时间段为当前时间之后的时间段;从多组过程参数中选择一组目标过程参数,并控制空调器按照与目标过程参数对应的目标控制策略在目标时间段内运行,其中,目标控制策略使空调器在运行时的性能指标值,大于多组过程参数中除目标过程参数之外的过程参数对应的控制策略使空调器在运行时的性能指标值。也就是说,获取与空调器的当前环境参数对应的多组过程参数,通过性能指标值对多组过程参数进行评价,从中选择最优的目标过程参数,该目标过程参数对应着对空调器进行控制的最佳控制策略,避免了空调控制的策略固定单一,没有考虑到实际使用的各种复杂工况,控制策略灵活性不够,解决了对空调器进行控制的效率低的技术问题,进而达到了提高对空调器进行控制的效率的技术效果。
作为一种可选的实施方式,步骤S104,获取与目标环境参数相对应的多组目标参数包括:在数据库中,通过目标环境参数查找多组过程参数,其中,数据库包括多组环境参数、与每组环境参数对应多组过程参数,环境参数包括目标环境参数。
在该实施例中,预先建立数据库,该数据库用于空调器的控制策略的及时调用,包括了多组环境参数,每组环境参数对应空调器的一种环境工况,该数据库还包括了与每组环境参数对应的多组过程参数,也即,每组环境参数对应的多种控制策略,还包括了每组环境参数和多组过程参数之间的映射关系。在获取空调器当前所处的环境的一组目标环境参数之后,在数据库中,通过目标环境参数查找对应的多组过程参数,也即,查找相同环境工况下的多种不同控制策略。
作为一种可选的实施方式,在通过目标环境参数查找多组过程参数之前,该方法还包括:获取多组环境参数;基于每组环境参数确定每组环境参数对应的多组过程参数;将与每组环境参数对应的多组过程参数,添加至数据库中。
在该实施例中,在通过目标环境参数查找多组过程参数之前,需要建立数据库,数据库中存储的丰富的控制策略是空调器进行调用的前提,数据库中的环境参数(环境工况)、房间参数、空调模式(制冷、制热、除湿)、控制策略到过程参数(房间温降/温升曲线,空调总耗电量,空调湿度变化等)的映射组合会不断进行更新,可以通过后台服务器进行模拟计算。可选地,获取多组环境参数,该每组环境参数包括室内外环境参数、房间参数、空调模式等参数,通过目标模型,基于每组环境参数确定每组环境参数对应的多组过程参数,该目标模型可以为仿真模型、神经网络模型,其中,仿真模型可以为Simulink仿真模型,也可以为其它用于对每组环境参数进行仿真处理的模型。
作为一种可选的实施方式,基于每组环境参数确定每组环境参数对应的多组过程参数包括:通过仿真模型对每组环境参数进行处理,得到与每组环境参数对应的一组过程参数;通过神经网络模型对每组环境参数进行处理,得到与每组环境参数对应的一组过程参数。
在该实施例中,仿真模型用于对每组环境参数进行仿真处理,比如,对输入的房间温度、设定温度以及室外温度参数进行计算得到空调器的频率变化信息,通过输入频率、膨胀阀开度、风机转速等参数计算出空调器的输出的能力值和功率值,根据能力值计算出房间的温度变化值,通过该温度变化值反馈并修正输入的房间温度,最终对房间温度经过迭代后输出房间温度的变化曲线,也可以对空调输出实时功率值进行积分可以得到空调的运行耗电量的变化曲线。
该实施例还可以预先训练神经网络模型,通过训练好的神经网络模型对每组环境参数进行处理,得到与每组环境参数对应的一组过程参数。可选地,该实施例的神经网络模型包含输入层、隐藏层、输出层。其中,输入层包括室内外环境参数、房间参数、空调模式(制冷、制热、除湿)以及空调器的各执行器参数等,其中,空调器的各执行参数可以包括压缩机频率、导风板位置、内外机风机转速、电子膨胀阀开度等参数,此处对其不做限制,通过隐藏层对其经过归一化等线性处理及对数变换、平方根变换、立方根等非线性处理,最终通过输出层输出一组过程参数,其中包含房间温降/温升变化、空调器的耗电量功耗、空调器的湿度变化,空调器的制冷/制热量等参数,该一组过程参数为神经网络模型的预测结果。该实施例的隐藏层可以为多层,每层可以有多个隐藏节点。
该实施例通过人工神经网络技术将每组环境参数作为输入参数,将对应的一组过程参数作为输出参数进行学习,可以对更多复杂的环境参数所对应的过程参数变化进行预测,可以较快地得丰富数据库,方便空调器即时调用最佳控制策略,且省去后台服务在空调器每次需要调用控制策略时的计算时间。
可选地,该实施例通过更改环境参数,可以对其按照上述方法再次进行计算,得到一组过程参数。由于环境参数与控制策略相对应,可以通过更改如压缩机频率控制、膨胀阀开度控制、风机转速控制,导风板控制等控制参数达到更改环境参数的目的,从而得到另一套控制策略下的过程参数,进而丰富了数据库。
作为一种可选的实施方式,在通过仿真模型对每组环境参数进行处理,得到与每组环境参数对应的一组过程参数之前,该方法还包括:通过比例积分微分控制器和/或模糊控制器、目标传递函数建立仿真模型。
在该实施例中,在通过仿真模型对每组环境参数进行处理之前,需要建立仿真模型,该实施例的仿真模型可以包括输入参数端口、控制策略模块、目标传递函数模块。其中,控制策略模块与输入参数端口相连接,可以包括比例积分微分控制器(PID)和模糊控制器的控制策略算法,也可以包括主要包含空调PID控制策略算法,还可以包括主要包含空调模糊控制策略算法。该实施例的目标传递函数模块与控制策略模块相连接,可以包括空调传递函数模块、房间传递函数模块。
作为一种可选的实施方式,通过仿真模型对每组环境参数进行处理,得到与每组环境参数对应的一组过程参数包括:通过比例积分微分控制器和/或模糊控制器,对每组环境参数进行处理,得到空调器的工作参数;通过目标传递函数对工作参数进行处理,得到与每组环境参数对应的一组过程参数。
在该实施例中,控制策略模块可以用于对输入的每组环境参数进行计算,得到空调器的工作参数,比如,对输入的房间温度、设定温度以及室外温度参数计算得到空调器的频率变化信息;通过目标传递函数对工作参数进行处理,得到与每组环境参数对应的一组过程参数,可选地,该实施例的目标传递函数包括空调系统传递函数模块,该空调系统传递函数模块可以通过输入频率膨胀阀开度、风机转速等参数计算出空调器输出的能力值和功率值;该实施例的目标传递函数还可以包括房间传递函数模块,该房间传递函数模块根据空调系统传递函数模块输出的能力值计算出房间的温度变化,房间传递函数输出的温度变化值用于反馈并修正输入的房间温度,最终房间温度经过多次迭代之后,可以输出房间温度的变化曲线,该实施例也可以对空调器输出的实时功率值进行积分运算,以得到空调器的运行耗电量,还可以通过上述控制策略模块、目标传递函数计算出空调总制冷/制热量等其它的过程参数。
作为一种可选的实施方式,在通过神经网络模型对每组环境参数进行处理,得到与每组环境参数对应的一组过程参数之前,该方法还包括:获取环境参数样本和与环境参数样本对应的过程参数样本;通过环境参数样本和过程参数样本对子神经网络模型进行训练,得到神经网络模型。
在该实施例中,在通过神经网络模型对每组环境参数进行处理,得到与每组环境参数对应的一组过程参数之前,需要对神经网络模型进行训练。在训练神经网络时,需要获取大量的环境参数样本,该环境参数样本包括多组预先收集的环境参数,还需要获取与环境参数样本对应的过程参数样本,该过程参数样本包括了与环境参数样本中的每组环境参数对应的多组过程参数。在获取环境参数样本和与环境参数样本对应的过程参数样本之后,通过环境参数样本和过程参数样本对子神经网络模型进行训练,得到神经网络模型,其中,子神经网络模型可以为初始建立的神经网络模型,通过环境参数样本和与环境参数样本对应的过程参数样本利用神经网络算法对其进行不断训练,得到模型参数,通过该模型参数生成最终的神经网络模型。
作为一种可选的实施方式,在通过神经网络模型对每组环境参数进行处理,得到与每组环境参数对应的一组过程参数之后,该方法还包括:通过空调器在当前时间之前,在每组环境参数下运行时所产生的一组过程参数,对通过神经网络模型对每组环境参数进行处理得到的一组过程参数进行修正;将修正后的一组过程参数添加至数据库中。
在该实施例中,可以通过获取空调器在运行过程中的参数变化,用于对上述神经网络模型得到的结果进行修正,使得神经网络模型最终的预测结果更符合实际用户环境。可选地,在当前时间之前,需要建立数据库,在建立数据库时,获取空调器在当前时间之前在每组环境参数下实际运行时所产生的一组过程参数,对在当前时间之前,通过神经网络模型对每组环境参数进行处理所得到的一组过程参数进行修正,并将修正后的一组过程参数添加至数据库中。
可选地,针对同一组环境参数,该实施例还可通过空调器实际所产生的一组过程参数和通过神经网络模型得到的一组过程参数之间的误差对神经网络模型进行进一步修正,以提高神经网络模型预测的准确性,使神经网络模型在接下来对环境参数进行处理时,所得到的预测结果更符合实际用户环境。
作为一种可选的实施方式,通过目标环境参数查找多组过程参数之前,方法还包括:将空调器在当前时间之前,在每组环境参数下运行时所产生的一组过程参数,添加至数据库中。
该实施例的数据库中存储的数据一方面可以来自后台服务器进行模拟计算,还可以来自空调器的在线运行数据。在该实施例中,在当前时间之前,需要建立数据库,可以通过空调器的无线网络(比如,WI-FI)采集空调器在当前时间之前的环境参数以及实际产生的一组过程参数,比如,采集用户空调初始环境工况、空调模式以及控制策略,采集空调器在运行过程中的房间温度、湿度以及空调耗电量等参数,将其存储至数据库中,可选地,该实施例通过上述空调器在运行过程中所产生的参数生成曲线,可以将曲线添加至数据库中。
在该实施例中,后台服务器可以无论空调器是否开关机,均可以在对空调器的常用环境工况进行过程参数的计算,比如,进行不同控制策略下的房间温降/温升曲线、空调总耗电量、空调湿度变化、空调总制冷/制热量等过程参数的计算,并且通过人工神经网络技术对数据库中的环境参数、房间参数、控制策略等作为输入参数,得到的过程参数作为输出参数进行学习,从而对更多复杂环境参数控制策略的空调器运行的过程参数进行预测,可以较快地丰富数据库,从而方便空调器在运行时可以即时调用最佳控制策略,省去后台服务器的计算时间。
作为一种可选的实施方式,该方法还包括:获取每组过程参数中的每个参数在对应的性能指标下的子性能指标值,得到多个子性能指标值;确定每个子性能指标值对应的权重;获取每个子性能指标值和对应的权重之间的目标积,得到多个目标积;将多个目标积之和,确定为空调器在每组过程参数下运行时的性能指标值。
在该实施例中,在对每组过程参数进行评价时,可以通过性能指标值对其进行评价,该性能指标值通过每组过程参数中的每个参数在舒适性评价指标下的子性能指标值或在节能性评价指标下的子性能指标值得到,该该性能指标值可以为分数。
获取每组过程参数中的每个参数在对应的性能指标下的子性能指标值,得到多个子性能指标值,比如,获取温降速率在舒适性评价指标下的子性能指标值t、控温准确性在舒适性评价指标下的子性能指标值ΔT、控湿准确度在舒适性评价指标下的子性能指标值ΔD、耗电量在节能性评价指标下的子性能指标值E。
其中,上述温降速率值是指开机后房间从初始温度降低到设定温度所用的时间,子性能指标值t的取值根据所用时间长短进行确定,在所用时间越短的情况下t值就越大,在所用时间越长的情况下t值就越小;控温准确性指在房间工况稳定后,房间温度和设定温度之间的相对误差,在相对误差越小的情况下,子性能指标值ΔT就越大,在相对误差越大的情况下,子性能指标值ΔT就越小;控湿准确度指房间工况稳定后房间湿度和设定湿度之间的相对误差,在相对误差越小的情况下,子性能指标值ΔD值就越大,在相对误差越大的情况下,子性能指标值ΔD值就越小;耗电量指房间一段时间的耗电量,在耗电量越小的情况下,子性能指标值E值就越大,在耗电量越大的情况下,子性能指标值E值就越小,其中,一段时间可以为3小时,此处不做任何限制。
在获取每组过程参数中的每个参数在对应的性能指标下的子性能指标值,得到多个子性能指标值之后,可以确定每个子性能指标值对应的权重,比如,a1可以用于表示子性能指标值t的权重,a2可以用于表示子性能指标值ΔT的权重,a3可以用于表示子性能指标值E值的权重等。
在获取每个子性能指标值和对应的权重之间的目标积,得到多个目标积之后,将多个目标积之和,确定为空调器在每组过程参数下运行时的性能指标值,可以通过如下公式进行表示:
P=a1*t+a2*ΔT+a3ΔD+……+am*M+b1*E+……+bn*N,其中,am可以用于表示其它舒适性评价指标,M可以用于表示其它舒适性评价指标的得分。
需要说明的是,该实施例的上述舒适性评价指标和节能性评价指标仅为本发明实施例的一种举例,并不代表本发明实施例的舒适性评价指标和节能性评价指标仅为上述几种,还可以包括其它舒适性评价指标和节能性评价指标,此处不再一一举例说明。
本发明实施例还提供了另一种空调器的控制方法。
图2是根据本发明实施例的另一种空调器的控制方法的流程图。如图2所示,该方法包括以下步骤:
步骤S202,获取空调器在当前时间所处的环境的一组目标环境参数。
该实施例的步骤S202可以如步骤S102。
步骤S204,获取与目标环境参数相对应的控制策略集。
在本发明上述步骤S204提供的技术方案中,在获取空调器在当前时间所处的环境的一组目标环境参数之后,可以基于目标环境参数获取与目标环境参数相对应的控制策略集,该控制策略集包括与目标环境参数相对应的多种不同的控制策略,也即,相同的环境工况对应了多种控制策略,空调器按照每种控制策略运行的结果可以是通过一组过程参数来体现的,该一组组过程参数可以用于指示预测的空调器在目前输入的目标环境参数下运行目标时间段的参数变化情况,该参数变化情况可以用于表征空调器的运行状态,目标时间段可以为N小时。可选地,该实施例基于目标环境参数获取与目标环境参数相对应的多组过程参数,由每组过程参数可以确定一种控制策略,从而得到多种控制策略,将该多种控制策略生成与目标环境参数相对应的控制策略集合。
可选地,该实施例的每组过程参数包括空调器本身的参数,比如,包括空调器在控制策略下运行所产生的耗电量,空调器的制冷量/制热量等参数;该实施例的每组过程参数还可以包括空调器在控制策略下运行所引起的环境变化的参数,比如,房间温度变化、房间湿度变化等参数。
该实施例的与控制策略对应的每组过程参数中的多个参数,可以分别通过曲线进行表示,比如,房间温降/温升曲线、耗电量曲线等,此处不做限制。
步骤S206,在控制策略集中选择目标控制策略,并控制空调器按照目标控制策略运行。
在本发明上述步骤S206提供的技术方案中,在获取与目标环境参数相对应的控制策略集之后,可以在控制策略集中选择目标控制策略,并控制空调器按照目标控制策略运行,其中,目标控制策略使空调器在运行时的性能指标值,大于控制策略集中除目标控制策略之外的控制策略使空调器在运行时的性能指标值。
在该实施例中,每组过程参数对应一种控制策略,可以从多组过程参数中选择一组目标过程参数,可选地,该实施例将每组过程参数所生成的曲线进行比较,通过目标指标对其进行综合评价,比如,通过舒适性评价指标和节能性评价指标对生成的曲线进行评价,得到评价分数,可以将得分最高的一组目标过程参数作为目标过程参数,该目标过程参数对应了目标控制策略,该目标控制策略为最佳控制策略,可以为较为舒适且省电的控制策略,将其输出至空调器,以替代默认控制策略,进而控制空调器在目标时间段内运行,从而达到根据空调器在实际使用时的工况及时对其控制策略进行调整,以发挥空调器的最大能力,提高了对空调器进行控制的效率,并且易于实现,提升了用户体验。
作为一种可选的实施方式,步骤S206,在控制策略集中选择目标控制策略包括:获取控制策略集中各个控制策略对应的环境变化趋势;对环境变化趋势进行评价,得到评价指标;依据评价指标从控制策略集中选择目标控制策略。
在该实施例中,控制策略集中各个控制策略对应的环境变化趋势,可以通过该与控制策略对应的一组过程参数所生成的曲线进行表示,比如,通过房间温降/温升曲线、耗电量曲线、湿度变化曲线等进行表示,此处不做限制。在对环境变化趋势进行评价,可以是对与其对应的一组过程参数进行评价,比如,获取每组过程参数中的每个参数在对应的性能指标下的子性能指标值,得到多个子性能指标值,确定每个子性能指标值对应的权重,获取每个子性能指标值和对应的权重之间的目标积,得到多个目标积,将多个目标积之和,确定为空调器在每组过程参数下运行时的性能指标值。
在该实施例中,通过模拟预测不同控制策略下空调器的运行状态,选择空调器需要执行的最佳控制策略,可以针对实际使用时工况做出及时地调整,从而可以发挥空调器的最大能力;对现有控制策略进行修正,便于优化现有空调器的控制策略,易于实现,用户体验好;利用仿真模型、神经网络算法对相同环境工况、不同控制策略下的空调器的实际运行状态进行训练、学习和预测,从而丰富了空调器的数据库,方便对空调器的控制策略进行及时调用;对于相同的环境工况,通过不同控制策略生成的空调运行参数可以通过节能和舒适性评价指标进行评价,从而来选择较为舒适且省电的最佳控制策略,提高了对空调器进行控制的效率。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
实施例2
下面结合优选的实施例对本发明的技术方案进行举例说明。
在相关技术中,空调器中的各执行器是单独控制的,而且控制策略固定单一,没有考虑到实际使用的各种复杂工况,所以目前对空调器的控制难以保证在不同工况下,在兼顾房间舒适性的同时性能也能达到最优,控制策略灵活性,空调能力无法最大限度发挥。另外,控制策略更新升级较慢,现有的通过人工神经网络技术对用户参数、环境工况进行训练学习,然后输出空调控制参数,实现空调自主学习控制,符合用户习惯,但学习周期长,需要长期对空调器进行运行试验,才能达到满意的控制效果,技术不成熟,不利于现有产品的更新换代。
而在该实施例中,通过模拟预测不同控制策略下空调器的运行状态,空调器选择执行最佳的控制策略,可以针对实际使用时工况做出及时地调整,以发挥空调的最大能力;对现有控制策略进行修正,便于优化现有空调器的控制策略,易于实现,用户体验好;利用神经网络算法对相同环境工况、不同控制策略下的空调器的实际运行状态进行训练、学习和预测,丰富了空调器的运行数据库,方便对空调器的控制策略进行及时调用;对于相同的环境工况,通过不同控制策略生成的空调运行参数可以通过节能和舒适性评价指标进行评价,来选择较为舒适且省电的最佳控制策略。
图3是根据本发明实施例的另一种对空调器进行控制的示意图。如图3所示,空调器对室内外环境参数、房间参数进行识别,将识别到的信息输入至数据库中,从数据库中查找在当前输入的室内外环境参数、房间参数、设定温度下,空调器运行多个小时的参数的变化情况。可选地,该实施例还可以将设定温度输入数据库中,空调器在开机运行的过程中,在数据库中查找在当前输入的室内外环境参数、房间参数、设定温度下,空调器运行多个小时的房间温降/温升曲线、空调总耗电量、空调湿度变化、空调总制冷/制热量等过程参数,其中,通过房间温降/温升曲线可以表示房间温度变化。
可选地,该实施例的室内外环境参数可以包括室内干球温度、室内湿度、室外干球温度、室外湿度等参数,这些参数可以通过空调器的室内外机上的温度感温包、湿度检测装置进行检测得到;房间参数可以包括房间尺寸大小(例如,长、宽、高)、墙体厚度、墙体材质、室内窗户数量和大小等信息,这些参数信息可以通过用户首次使用客户端(APP)、遥控器等设备进行输入得到,也可通过3D摄像头、红外探头等智能设备进行自主检测得到。
可选地,空调器检测到开机信号,获取当前环境参数和空调器的房间参数,然后空调器会将当前环境参数、空调器的房间参数、当前开机默认控制策略输入到数据库中调用曲线数据,数据库会将其和相同环境工况的不同控制策略生成的曲线数据进行比较,如图4所示。其中,图4是根据本发明实施例的一种空调器的温降曲线及耗电量曲线的示意图,包括在相同工况环境下的不同的控制策略1、控制策略2和控制策略3的温降曲线及空调耗电量曲线。
该实施例还可以通过舒适性评价指标和节能性评价指标对房间的温降/温升曲线、空调耗电量曲线、空调湿度变化曲线等进行评价,然后输出与最佳的控制策略对应的参数来让空调器执行,可以使得空调在实际运行过程中将能力发挥到最大,其中,空调耗电量可以为空调器的总耗电量。
可选地,该实施例通过下述公式对通过不同控制策略生成的曲线数据进行评价:
P=a1*t+a2*ΔT+a3ΔD+……+am*M+b1*E+……+bn*
表1节能性评价指标和舒适性评价指标
其中,a1可以用于表示舒适性评价指标中的温降速率的权重,温降速率是指开机后房间从初始温度降低到设定温度所用的时间,得分t的取值根据所用时间长短进行打分,在所用时间越短的情况下t值就越大,在所用时间越长的情况下t值就越小;a2可以用于表示舒适性评价指标中的控温准确性的权重,控温准确性指在房间工况稳定后,房间温度和设定温度之间的相对误差,在相对误差越小的情况下,得分ΔT值就越大,在相对误差越大的情况下,得分ΔT值就越小;a3可以用于表示舒适性评价指标中的控湿准确度的权重,控湿准确度指房间工况稳定后房间湿度和设定湿度之间的相对误差,在相对误差越小的情况下,得分ΔD值就越大;am可以用于表示其它舒适性评价指标,M可以用于表示其它舒适性评价指标的得分;b1用于表示节能性评价指标耗电量的权重,耗电量指房间一段时间的耗电量,在耗电量越小的情况下,得分E值就越大,在耗电量越大的情况下,得分E值就越小,bn可以用于表示其它节能性评价指标,N可以用于表示其它节能性评价指标的得分,其中,一段时间可以为3小时。
需要说明的是,该实施例的上述舒适性评价指标和节能性评价指标仅为本发明实施例的一种举例,并不代表本发明实施例的舒适性评价指标和节能性评价指标仅为上述几种,还可以包括其它舒适性评价指标和节能性评价指标,此处不再一一举例说明。
该实施例在通过上述公式对通过不同控制策略生成的曲线数据进行评价之后,可以将得分最高的控制策略确定为最佳控制策略,并输出至空调器,来替代默认控制策略。
下面对该实施例的数据库计算最佳控制策略的方法进行介绍。
在该实施例中,数据库中的环境工况(环境参数)、房间参数、空调模式(制冷模式、制热模式、除湿模式)、控制策略到过程参数(房间温降/温升曲线、空调总耗电量、空调湿度变化等)之间的映射组合会不断进行更新,可以通过后台服务器进行模拟计算,还可以通过在线采集空调器的运行数据。
图5是根据本发明实施例的一种通过数据库计算最佳控制策略的方法的流程图。如图5所示,该方法包括以下步骤:
步骤S501,输入参数,该参数包括环境工况、空调模式、房间参数等。
步骤S502,通过Simulink模块对输入的参数进行仿真,得到过程参数。
步骤S503,通过训练好的神经网络模型对输入的参数进行处理,得到过程参数。
步骤S504,在线获取空调器的初始环境工况、空调模式、房间参数。
步骤S505,获取空调实时运行参数变化,包括温度、湿度、耗电量。
步骤S506,通过得到的过程参数和在线获取到的空调器的参数建立曲线数据库。
步骤S507,从曲线数据库中查找与当前输入的环境参数相对应的曲线数据,通过舒适性评价指标对进行评价,通过节能评价指标进行评价。
步骤S508,根据得分最高的曲线数据然后输出最佳的控制策略,控制空调器执行。
该实施例可以通过后台服务器进行模拟计算,来向数据库添加环境工况、房间参数、空调模式、控制策略、过程参数及其对应的组合关系。
为缩小数据库的存储空间占用,计算结果可以仅输出开机后每分钟各参数变化即可,计算步长可以设定为1min。
在该实施例中,服务器模拟计算主要通过搭建的空调Simulink仿真模型和神经网络训练模型组成。
图6是根据本发明实施例的一种Simulink仿真模型的示意图。如图6所示,Simulink仿真模型包含了输入参数、控制策略模块、空调传递函数模块、房间传递函数模块。其中,控制策略模块可以包含空调PID控制器+模糊控制器,通过对输入的房间温度、设定温度以及室外温度参数计算得到空调器的频率变化信息;空调系统传递函数模块可以通过输入的频率变化信息、膨胀阀开度、风机转速等参数计算出空调器输出的能力值和功率值;房间传递函数模块根据空调系统传递函数模块输出的能力值计算出房间的温度变化;房间传递函数输出的温度变化值可以反馈并修正输入的房间温度信号,最终对房间温度进行迭代输出房间温度变化曲线。该实施例也可以通过上述方法对空调器输出的实时功率值进行积分,从而得到空调器的运行耗电量。
其中,空调系统传递函数形式为:
G(s)=(a1+b1·s+c1·s^2)·e^(-ts)/(d1·s+1)(a2+c2·s+b2·s^2+d2·s^3)。
其中,a1,b1,a2,b2,c1,c2,d1,d2为已知拟合参数;t为延迟时间。
房间温度变化传递函数形式为:
H(s)=(m1+n1·s+p1·s^2)·e^(-ts)/(q1·s+1)(m2+n2·s+p2·s^2+q2·s^3)。
其中,m1,n1,p1,q1,m2,n2,p2,q2为已知拟合参数;t为延迟时间。
该实施例根据房间温度变化规律,可以将房间的温降过程分为三个阶段:房间空气空调运行初期,空气温度快速降低,而此时墙体温度的下降很微小,冷量主要用于降低房间空气温度;在空调器运行一段时间之后,墙体的温度逐渐降低,墙体的热容也逐渐降低,房间对外界的漏热量不断增大,冷量用于降低房间空气温度和墙体温度,同时也用于抵消房间对外界的漏热;在空调器运行稳定之后,空气温度和墙体温度不会再继续降低,房间对外界的漏热量处于最大值并且达到了平衡状态,冷量主要用于抵消房间对外界的漏热。因此,不同阶段房间传递函数中的系数会有所差异,需要根据实验数据进行拟合来确定。
图7是根据本发明实施例的另一种Simulink仿真模型的示意图。如图7所示,其中,控制策略模块可以主要包含了空调PID控制器,使得控制策略模块通过对输入的房间温度、设定温度以及室外温度参数计算得到空调器的频率变化信息,其它输入参数、空调传递函数模块、房间传递函数模块如图6所示,此处不再赘述。
图8是根据本发明实施例的另一种Simulink仿真模型的示意图。如图8所示,其中,控制策略模块可以主要包含了空调模糊控制器,使得控制策略模块通过对输入的房间温度、设定温度以及室外温度参数计算得到空调器的频率变化信息,其它输入参数、空调传递函数模块、房间传递函数模块如图6所示,此处不再赘述。
该实施例的神经网络模型包含输入层、隐藏层、输出层。图9是根据本发明实施例的一种神经网络模型的结构示意图。如图9所示,输入层包括压缩机频率、房间温湿度、导风板位置、内外机风机转速、房间参数、电子膨胀阀开度,还可以包括空调模式(制冷、制热、除湿)以及空调器的其它各执行器的参数等,在隐藏层的隐藏节点1至n经过归一化等线性处理及对数变换、平方根变换、立方根等非线性处理之后,最终输出包含房间温降/温升变化、空调耗电量、空调湿度变化、空调制冷/制热量等参数。
需要说明的是,该实施例的隐藏层可以为多层,每层可以不限于图9所示的节点,神经网络模型也不局限于图9所示的结构形式。
在该实施例中,还可以通过更改控制策略,比如,控制压缩机频率、控制膨胀阀开度、控制风机转速,控制导风板等,可以再次重新进行计算,从而得到另一套控制策略下的过程参数,比如,房间温降/温升曲线、空调总耗电量、空调湿度变化、空调总制冷/制热量等过程参数。
在该实施例中,为了较快地获得不同环境工况、以及相同环境工况下的不同控制策略下的房间温降/温升曲线、空调总耗电量、空调湿度变化、空调总制冷/制热量等过程参数,后台服务器可以无论空调器是否开关机,均可以在对空调器的常用环境工况进行不同控制策略下的房间温降/温升曲线、空调总耗电量、空调湿度变化、空调总制冷/制热量等过程参数的计算,并且通过人工神经网络技术对数据库中的环境参数、房间参数、控制策略等作为输入参数,得到的过程参数作为输出参数进行学习,从而对更多复杂环境参数控制策略的空调器运行的过程参数进行预测,可以较快地丰富数据库,从而方便空调器在运行时可以即时调用最佳控制策略,省去后台服务器的计算时间。
该实施例还可以通过在线采集空调器的运行数据,比如,在线获取空调器的初始环境工况、空调模式、房间参数以及控制策略。可选地,该实施例通过空调WIFI采集空调器的初始环境工况、空调模式、房间参数以及控制策略,还可以获取空调实时运行参数变化,比如,获取空调器运行过程中的房间温度、湿度以及空调耗电量等参数,最终生成空调运行曲线放入数据库。
该实施例建立Simulink仿真模型,获取空调器所处的环境的环境参数,后台服务器通过Simulink仿真模型计算房间温降情况和空调耗电量变化情况;建立神经网络模型,利用模型训练得到包括不同的环境工况、房间模型和运行策略下的房间温降曲线和空调耗电量变化的数据库;建立节能和舒适评价指标,从数据库调取空调器当前所处环境工况和房间参数,进行节能和舒适性评价指标的综合评价,通过该生成的最优控制策略控制空调器运行;房间温度降情况和空调耗电量变化情况还可以通过在线数据进行在线升级更新,进一步修正通过神经网络训练出的结果,使控制策略更加符合实际运行环境和用户需求。
该实施例通过模拟预测不同控制策略下空调器的运行状态,空调器选择执行最佳的控制策略,可以针对实际使用时工况做出及时地调整,从而可以发挥空调器的最大能力;对现有控制策略进行修正,便于优化现有空调器的控制策略,易于实现,用户体验好;利用神经网络算法对相同环境工况、不同控制策略下的空调器的实际运行状态进行训练、学习和预测,从而丰富了空调器的运行数据库,方便对空调器的控制策略进行及时调用;对于相同的环境工况,通过不同控制策略生成的空调运行参数可以通过节能和舒适性评价指标进行评价,从而来选择较为舒适且省电的最佳控制策略,提高了对空调器进行控制的效率。
实施例3
本发明实施例还提供了一种空调器的控制装置。需要说明的是,该实施例的空调器的控制装置可以用于执行图1所示的空调器的控制方法。
图10是根据本发明实施例的一种空调器的控制装置的示意图。如图10所示,该空调器的控制装置100可以包括:第一获取单元10、第二获取单元20和第一处理单元30。
第一获取单元10,用于获取空调器在当前时间所处的环境的一组目标环境参数。
第二获取单元20,用于获取与目标环境参数相对应的多组过程参数,其中,多组过程参数中的每组过程参数与空调器在目标时间段内的运行过程相关联,目标时间段为当前时间之后的时间段。
第一处理单元30,用于从多组过程参数中选择一组目标过程参数,并控制空调器按照与目标过程参数对应的目标控制策略在目标时间段内运行,其中,目标控制策略使空调器在运行时的性能指标值,大于多组过程参数中除目标过程参数之外的过程参数对应的控制策略使空调器在运行时的性能指标值。
本发明实施例还提供了另一种空调器的控制装置。需要说明的是,该实施例的空调器的控制装置可以用于执行图2所示的空调器的控制方法。
图11是根据本发明实施例的另一种空调器的控制装置。如图11所示,该空调器的控制装置110可以包括:第三获取单元40、第四获取单元50和第二处理单元60。
第三获取单元40,用于获取空调器在当前时间所处的环境的一组目标环境参数。
第四获取单元50,用于获取与目标环境参数相对应的控制策略集。
第二处理单元60,用于在控制策略集中选择目标控制策略,并控制空调器按照目标控制策略运行,其中,目标控制策略使空调器在运行时的性能指标值,大于控制策略集中除目标控制策略之外的控制策略使空调器在运行时的性能指标值。
在该实施例中,获取与空调器的当前环境参数对应的多组过程参数,通过性能指标值对多组过程参数进行评价,从中选择最优的目标过程参数,该目标过程参数对应着对空调器进行控制的最佳控制策略,避免了空调控制的策略固定单一,没有考虑到实际使用的各种复杂工况,控制策略灵活性不够,解决了对空调器进行控制的效率低的技术问题,进而达到了提高对空调器进行控制的效率的技术效果。
实施例4
本发明实施例还提供了一种空调器。该空调器包括本发明实施例的空调器的控制装置。
实施例5
本发明实施例还提供了一种存储介质。该存储介质包括存储的程序,其中,在程序运行时控制存储介质所在设备执行本发明实施例中任意一项的空调器的控制方法。
实施例6
本发明实施例还提供了一种处理器。该处理器用于运行程序,其中,程序运行时执行权利本发明实施例中任意一项的空调器的控制方法。
显然,本领域的技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (16)
1.一种空调器的控制方法,其特征在于,包括:
获取空调器在当前时间所处的环境的一组目标环境参数;
获取与所述目标环境参数相对应的多组过程参数,其中,所述多组过程参数中的每组过程参数与所述空调器在目标时间段内的运行过程相关联,所述目标时间段为所述当前时间之后的时间段;
从所述多组过程参数中选择一组目标过程参数,并控制所述空调器按照与所述目标过程参数对应的目标控制策略在所述目标时间段内运行,其中,所述目标控制策略使所述空调器在运行时的性能指标值,大于所述多组过程参数中除所述目标过程参数之外的过程参数对应的控制策略使所述空调器在运行时的性能指标值;
其中,所述方法还包括:获取每组所述过程参数中的每个参数在对应的性能指标下的子性能指标值,得到多个子性能指标值;确定每个所述子性能指标值对应的权重;获取每个所述子性能指标值和对应的所述权重之间的目标积,得到多个目标积;将所述多个目标积之和,确定为所述空调器在每组所述过程参数下运行时的所述性能指标值。
2.根据权利要求1所述的方法,其特征在于,获取与所述目标环境参数相对应的多组目标参数包括:
在数据库中,通过所述目标环境参数查找所述多组过程参数,其中,所述数据库包括多组环境参数、与每组所述环境参数对应所述多组过程参数,所述环境参数包括所述目标环境参数。
3.根据权利要求2所述的方法,其特征在于,在通过所述目标环境参数查找所述多组过程参数之前,所述方法还包括:
获取所述多组环境参数;
基于每组所述环境参数确定每组所述环境参数对应的所述多组过程参数;
将与每组所述环境参数对应的所述多组过程参数,添加至所述数据库中。
4.根据权利要求3所述的方法,其特征在于,基于每组所述环境参数确定每组所述环境参数对应的所述多组过程参数包括:
通过仿真模型对每组所述环境参数进行处理,得到与每组所述环境参数对应的一组所述过程参数;
通过神经网络模型对每组所述环境参数进行处理,得到与每组所述环境参数对应的一组所述过程参数。
5.根据权利要求4所述的方法,其特征在于,在通过仿真模型对每组所述环境参数进行处理,得到与每组所述环境参数对应的一组所述过程参数之前,所述方法还包括:
通过比例积分微分控制器和/或模糊控制器、目标传递函数建立所述仿真模型。
6.根据权利要求5所述的方法,其特征在于,通过仿真模型对每组所述环境参数进行处理,得到与每组所述环境参数对应的一组所述过程参数包括:
通过所述比例积分微分控制器和/或所述模糊控制器,对每组所述环境参数进行处理,得到所述空调器的工作参数;
通过所述目标传递函数对所述工作参数进行处理,得到与每组所述环境参数对应的一组所述过程参数。
7.根据权利要求4所述的方法,其特征在于,在通过神经网络模型对每组所述环境参数进行处理,得到与每组所述环境参数对应的一组所述过程参数之前,所述方法还包括:
获取环境参数样本和与所述环境参数样本对应的过程参数样本;
通过所述环境参数样本和过程参数样本对子神经网络模型进行训练,得到所述神经网络模型。
8.根据权利要求4所述的方法,其特征在于,在通过神经网络模型对每组所述环境参数进行处理,得到与每组所述环境参数对应的一组所述过程参数之后,所述方法还包括:
通过所述空调器在所述当前时间之前,在每组所述环境参数下运行时所产生的一组所述过程参数,对通过所述神经网络模型对每组所述环境参数进行处理得到的一组所述过程参数进行修正;
将修正后的一组所述过程参数添加至所述数据库中。
9.根据权利要求2所述的方法,其特征在于,在从数据库中,通过所述目标环境参数查找所述多组过程参数之前,所述方法还包括:
将所述空调器在所述当前时间之前,在每组所述环境参数下运行时所产生的一组所述过程参数,添加至所述数据库中。
10.一种空调器的控制方法,其特征在于,包括:
获取空调器在当前时间所处的环境的一组目标环境参数;
获取与所述目标环境参数相对应的控制策略集;
在所述控制策略集中选择目标控制策略,并控制所述空调器按照所述目标控制策略运行,其中,所述目标控制策略使所述空调器在运行时的性能指标值,大于所述控制策略集中除所述目标控制策略之外的控制策略使所述空调器在运行时的性能指标值;
其中,所述方法还包括:获取所述控制策略集中每种控制策略对应的一组过程参数中的每个参数在对应的性能指标下的子性能指标值,得到多个子性能指标值;确定每个所述子性能指标值对应的权重;获取每个所述子性能指标值和对应的所述权重之间的目标积,得到多个目标积;将所述多个目标积之和,确定为所述空调器在一组所述过程参数下运行时的所述性能指标值。
11.根据权利要求10所述的方法,其特征在于,在所述控制策略集中选择目标控制策略包括:
获取所述控制策略集中各个控制策略对应的环境变化趋势;
对所述环境变化趋势进行评价,得到评价指标;
依据所述评价指标从所述控制策略集中选择目标控制策略。
12.一种空调器的控制装置,其特征在于,包括:
第一获取单元,用于获取空调器在当前时间所处的环境的一组目标环境参数;
第二获取单元,用于获取与所述目标环境参数相对应的多组过程参数,其中,所述多组过程参数中的每组过程参数与所述空调器在目标时间段内的运行过程相关联,所述目标时间段为所述当前时间之后的时间段;
第一处理单元,用于从所述多组过程参数中选择一组目标过程参数,并控制所述空调器按照与所述目标过程参数对应的目标控制策略在所述目标时间段内运行,其中,所述目标控制策略使所述空调器在运行时的性能指标值,大于所述多组过程参数中除所述目标过程参数之外的过程参数对应的控制策略使所述空调器在运行时的性能指标值;
其中,所述装置还用于获取每组所述过程参数中的每个参数在对应的性能指标下的子性能指标值,得到多个子性能指标值;确定每个所述子性能指标值对应的权重;获取每个所述子性能指标值和对应的所述权重之间的目标积,得到多个目标积;将所述多个目标积之和,确定为所述空调器在每组所述过程参数下运行时的所述性能指标值。
13.一种空调器的控制装置,其特征在于,包括:
第三获取单元,用于获取空调器在当前时间所处的环境的一组目标环境参数;
第四获取单元,用于获取与所述目标环境参数相对应的控制策略集;
第二处理单元,用于在所述控制策略集中选择目标控制策略,并控制所述空调器按照所述目标控制策略运行,其中,所述目标控制策略使所述空调器在运行时的性能指标值,大于所述控制策略集中除所述目标控制策略之外的控制策略使所述空调器在运行时的性能指标值;
其中,所述装置还用于获取所述控制策略集中每种控制策略对应的一组过程参数中的每个参数在对应的性能指标下的子性能指标值,得到多个子性能指标值;确定每个所述子性能指标值对应的权重;获取每个所述子性能指标值和对应的所述权重之间的目标积,得到多个目标积;将所述多个目标积之和,确定为所述空调器在一组所述过程参数下运行时的所述性能指标值。
14.一种空调器,其特征在于,包括权利要求12或13所述的空调器的控制装置。
15.一种存储介质,其特征在于,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在设备执行权利要求1至11中任意一项所述的空调器的控制方法。
16.一种处理器,其特征在于,所述处理器用于运行程序,其中,所述程序运行时执行权利要求1至11中任意一项所述的空调器的控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911039265.1A CN110726218B (zh) | 2019-10-29 | 2019-10-29 | 空调器及其控制方法、装置、存储介质和处理器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911039265.1A CN110726218B (zh) | 2019-10-29 | 2019-10-29 | 空调器及其控制方法、装置、存储介质和处理器 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110726218A CN110726218A (zh) | 2020-01-24 |
CN110726218B true CN110726218B (zh) | 2020-08-11 |
Family
ID=69222516
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911039265.1A Active CN110726218B (zh) | 2019-10-29 | 2019-10-29 | 空调器及其控制方法、装置、存储介质和处理器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110726218B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111459022B (zh) * | 2020-04-21 | 2023-10-20 | 深圳市英维克信息技术有限公司 | 设备参数调整方法、设备控制装置和计算机可读存储介质 |
EP4145055A4 (en) * | 2020-04-28 | 2023-06-21 | Mitsubishi Electric Corporation | INFORMATION PROCESSING DEVICE AND AIR CONDITIONING SYSTEM |
CN112902380A (zh) * | 2021-02-10 | 2021-06-04 | 珠海格力电器股份有限公司 | 空调控制方法、装置和电子设备 |
CN113531798B (zh) * | 2021-06-30 | 2023-04-14 | 青岛海尔空调器有限总公司 | 空调器控制方法、空调器、室温调节系统和存储介质 |
CN117413147A (zh) * | 2021-08-06 | 2024-01-16 | 西门子瑞士有限公司 | 精密空调的动态预测控制方法、装置和系统 |
CN114237189B (zh) * | 2021-12-21 | 2024-06-11 | 段采标 | 实现机械触觉的方法及电子设备 |
CN117249529A (zh) * | 2022-06-10 | 2023-12-19 | 佛山市顺德区美的电子科技有限公司 | 空调器控制方法、装置、空调器及存储介质 |
CN117989689A (zh) * | 2022-10-31 | 2024-05-07 | 广东美的制冷设备有限公司 | 空气调节设备的控制方法、设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006112703A (ja) * | 2004-10-14 | 2006-04-27 | Matsushita Electric Ind Co Ltd | 空気調和機 |
WO2009064111A2 (en) * | 2007-11-12 | 2009-05-22 | The Industry & Academic Cooperation In Chungnam National University | Method for predicting cooling load |
CN105004015A (zh) * | 2015-08-25 | 2015-10-28 | 东南大学 | 一种基于需求响应的中央空调建模及控制策略 |
CN106461255A (zh) * | 2014-07-16 | 2017-02-22 | 三菱电机株式会社 | 空调控制装置、空调控制方法以及程序 |
CN108361927A (zh) * | 2018-02-08 | 2018-08-03 | 广东美的暖通设备有限公司 | 一种基于机器学习的空调器控制方法、装置以及空调器 |
CN108917115A (zh) * | 2018-08-02 | 2018-11-30 | 珠海格力电器股份有限公司 | 空调控制方法及装置、存储介质、处理器 |
-
2019
- 2019-10-29 CN CN201911039265.1A patent/CN110726218B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006112703A (ja) * | 2004-10-14 | 2006-04-27 | Matsushita Electric Ind Co Ltd | 空気調和機 |
WO2009064111A2 (en) * | 2007-11-12 | 2009-05-22 | The Industry & Academic Cooperation In Chungnam National University | Method for predicting cooling load |
CN106461255A (zh) * | 2014-07-16 | 2017-02-22 | 三菱电机株式会社 | 空调控制装置、空调控制方法以及程序 |
CN105004015A (zh) * | 2015-08-25 | 2015-10-28 | 东南大学 | 一种基于需求响应的中央空调建模及控制策略 |
CN108361927A (zh) * | 2018-02-08 | 2018-08-03 | 广东美的暖通设备有限公司 | 一种基于机器学习的空调器控制方法、装置以及空调器 |
CN108917115A (zh) * | 2018-08-02 | 2018-11-30 | 珠海格力电器股份有限公司 | 空调控制方法及装置、存储介质、处理器 |
Also Published As
Publication number | Publication date |
---|---|
CN110726218A (zh) | 2020-01-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110726218B (zh) | 空调器及其控制方法、装置、存储介质和处理器 | |
CN111237989B (zh) | 一种基于负荷预测的楼宇通风空调控制方法及装置 | |
CN110726229B (zh) | 空调器的控制方法及装置、存储介质及处理器 | |
EP3891441B1 (en) | System and method for personalized thermal comfort control | |
CN103398451B (zh) | 基于学习用户行为的多维舒适度室内环境控制方法及系统 | |
CN110836514B (zh) | 空调组的控制方法和装置 | |
CN110749053B (zh) | 空调器的控制方法及装置 | |
CN111623497A (zh) | 一种辐射空调预冷预热方法、系统、存储介质及辐射空调 | |
CN111637596A (zh) | 一种空调的控制方法、装置、空调、存储介质及处理器 | |
CN113325762B (zh) | 一种智能建筑个性化用能控制方法、系统、装置和设备 | |
CN111365828A (zh) | 结合机器学习实现数据中心节能温控的模型预测控制方法 | |
CN109297157A (zh) | 一种空调器控制方法和空调器 | |
CN110736225B (zh) | 空调的控制方法和装置 | |
CN109269036B (zh) | 多联机空调的云端控制方法以及多联机空调系统 | |
CN109827299A (zh) | 基于物联网空气处理机组调节方法、装置、系统和介质 | |
CN109140660A (zh) | 用于空调的智能控温装置方法及装置、空调、存储介质 | |
CN113339941B (zh) | 一种变频空调器控制方法 | |
CN110940030A (zh) | 空调的运行控制方法、系统及空调器 | |
CN110986249B (zh) | 空调的自调节控制方法、系统及空调器 | |
CN110726216B (zh) | 空调器及其控制方法、装置、系统、存储介质和处理器 | |
CN116449779A (zh) | 基于Actor-Critic结构的汽车车身喷涂用环境数据分析方法 | |
WO2021079431A1 (ja) | 空調制御装置、空調システム、空調制御方法、空調制御プログラム | |
CN116955963B (zh) | 基于历史数据分析的暖通节能阶梯寻优控制方法 | |
Zhao et al. | The application of advanced control technologies in air conditioning system–a review | |
TW202204832A (zh) | 空調系統控制方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | 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 |