CN110726229B - 空调器的控制方法及装置、存储介质及处理器 - Google Patents
空调器的控制方法及装置、存储介质及处理器 Download PDFInfo
- Publication number
- CN110726229B CN110726229B CN201911039408.9A CN201911039408A CN110726229B CN 110726229 B CN110726229 B CN 110726229B CN 201911039408 A CN201911039408 A CN 201911039408A CN 110726229 B CN110726229 B CN 110726229B
- Authority
- CN
- China
- Prior art keywords
- target
- air conditioner
- parameters
- curve data
- room
- 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 75
- 238000003860 storage Methods 0.000 title claims abstract description 20
- 238000011217 control strategy Methods 0.000 claims abstract description 131
- 230000008859 change Effects 0.000 claims description 101
- 238000013528 artificial neural network Methods 0.000 claims description 38
- 238000012549 training Methods 0.000 claims description 38
- 238000013486 operation strategy Methods 0.000 claims description 29
- 230000007613 environmental effect Effects 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000010438 heat treatment Methods 0.000 claims description 9
- 239000000463 material Substances 0.000 claims description 8
- 239000000523 sample Substances 0.000 claims description 8
- 238000001816 cooling Methods 0.000 claims description 7
- 238000004088 simulation Methods 0.000 claims description 4
- 238000004134 energy conservation Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 16
- 230000008569 process Effects 0.000 description 15
- 238000004590 computer program Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 238000004378 air conditioning Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000009467 reduction Effects 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000007791 dehumidification Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000005057 refrigeration Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003068 static effect Effects 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
- F24F11/64—Electronic processing using pre-stored data
-
- 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
- F24F11/46—Improving electric energy efficiency or saving
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本申请公开了一种空调器的控制方法及装置、存储介质及处理器。该方法包括:在空调器检测到开启指令时,控制空调器按照预定控制策略运行,并获取目标参数;将目标参数输入预定数据库,以调取预定数据库中存储的目标参数对应的多组曲线数据,其中,每组曲线数据对应一个控制策略;依据多组曲线数据中每组曲线数据得出的指标数据,计算舒适性评分,并将舒适性评分最高的曲线数据作为目标曲线数据;将目标曲线数据对应的控制策略作为目标控制策略;依据目标控制策略,控制空调器运行。通过本申请,解决了相关技术中空调控制策略固定单一,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,使得空调器在节能和舒适性方面做不到最优平衡的问题。
Description
技术领域
本申请涉及空调控制领域,具体而言,涉及一种空调器的控制方法及装置、存储介质及处理器。
背景技术
随着生活水平的提高,人们居住环境的品质要求越来越高。空调作为室内调温调湿的重要电器设备,已是人们生活中的必需品。目前空调采用传统控制策略,空调各执行器之间控制较为简单,设计时不可能考虑到实际运行过程的各种复杂工况和环境变化,所以空调对应的能力在实际运行过程中不一定每次都能发挥到最好。
相关技术中,存在多种空调器的控制方法,其可以通过对用户使用习惯、环境参数进行神经网络训练,进而对空调进行控制,实现一键开机,这些方法虽然可以满足用户需求,但对于用户而言并不一定是最节能且最舒适的运行模式。而且神经网络训练需要大量的实测数据,学习时间较长,空调处于长期开关机的状态下才能得到用户满意效果,而且这种控制方式目前也不成熟,较难应用到现有空调上。
针对相关技术中存在的上述问题,目前尚未提出有效的解决方案。
发明内容
本申请的主要目的在于提供一种空调器的控制方法及装置、存储介质及处理器,以解决相关技术中空调控制策略固定单一,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,使得空调器在节能和舒适性方面做不到最优平衡的问题。
为了实现上述目的,根据本申请的一个方面,提供了一种空调器的控制方法。该方法包括:在空调器检测到开启指令时,控制空调器按照预定控制策略运行,并获取目标参数;将目标参数输入预定数据库,以调取预定数据库中存储的目标参数对应的多组曲线数据,其中,每组曲线数据对应一个控制策略;依据多组曲线数据中每组曲线数据得出的指标数据,计算舒适性评分,并将舒适性评分最高的曲线数据作为目标曲线数据;将目标曲线数据对应的控制策略作为目标控制策略;依据目标控制策略,控制空调器运行。
进一步地,在空调器检测到开启指令时,控制空调器按照预定控制策略运行,并获取目标参数包括:通过空调器的内机和外机获取目标环境参数,其中,目标环境参数包括室内干球温度、室外干球温度、室内湿度和室外湿度;获取目标房间的目标房间参数,其中,通过3D摄像头或红外探头或者通过用户主动输入的数据来获取目标房间参数,目标房间参数包括目标房间的尺寸,目标房间的墙体厚度,目标房间墙体的材质,目标房间的窗户数量和大小,目标环境参数和目标房间参数构成目标参数,目标房间为空调器所处的房间;将目标环境参数和目标房间参数作为目标参数。
进一步地,在将目标参数输入预定数据库,以调取预定数据库中存储的目标参数对应的多组曲线数据之前,该方法还包括:将目标房间参数、多组目标环境参数和空调器的多个运行策略输入到神经网络训练模型,其中,运行策略中包括空调器的运行参数和空调器的运行模式,运行参数至少包括:压缩机频率、导风板位置、内机风机转速、外机风机转速和电子膨胀阀开度,运行模式为以下之一:制冷、制热和除湿;采用神经网络训练模型中的控制策略模块,利用目标房间参数、目标环境参数和多个运行策略,计算空调器的多组输出能力值与多组输出功率;依据目标房间参数构建出目标房间模型;依据多组输出能力值与多组输出功率,目标房间模型模拟目标房间的实时温度变化;依据实时温度变化,获得在预定时间内的多组温度变化曲线,其中,温度变化曲线用于保证目标房间在预定时间内的温升或温降情况。
进一步地,该方法还包括:记录空调器在预定时间内的多组耗电量曲线;将多组温度变化曲线和多组耗电量曲线存储至预定数据库中。
进一步地,该方法还包括:依据多组温度变化曲线,计算多组温度变化曲线中每组温度变化曲线对应的温度变化速率,其中,温度变化速率用于表征空调器在目标参数稳定时,目标房间从初始温度到预设温度所用的时间;依据多组温度变化曲线,计算温度变化曲线中每组温度变化曲线对应的控温准确度,其中,控温准确度用于表征空调器在目标参数稳定时,目标房间的温度与预设温度之间的相对误差;通过多组耗电量曲线获取空调器在预定时间内的多组耗电量。
进一步地,将目标房间参数、多组目标环境参数和空调器的多个运行策略输入到神经网络训练模型之后,该方法还包括:在目标环境参数稳定时,计算多组曲线数据中每组曲线数据对应的控湿准确性,并将控湿准确性存储至预定数据库中,其中,控湿准确性用于表征空调器在目标参数稳定时,目标房间的湿度与预设湿度之间的相对误差。
进一步地,依据多组曲线数据中每组曲线数据得出的指标数据,计算舒适性评分,并将舒适性评分最高的曲线数据作为目标曲线数据还包括:依据多组温度变化速率、多组控温准确度、多组耗电量、多组控湿准确度,计算每组曲线数据对应的舒适性评分;将多组评分进行对比,确定出最高评分,并将最高评分对应的一组曲线数据确定为目标曲线数据。
为了实现上述目的,根据本申请的另一方面,提供了一种空调器的控制装置。该装置包括:第一控制单元,用于在空调器检测到开启指令时,控制空调器按照预定控制策略运行,并获取目标参数;调取单元,用于将目标参数输入预定数据库,以调取预定数据库中存储的目标参数对应的多组曲线数据,其中,每组曲线数据对应一个控制策略;第一计算单元,用于依据多组曲线数据中每组曲线数据得出的指标数据,计算舒适性评分,并将舒适性评分最高的曲线数据作为目标曲线数据;确定单元,用于将目标曲线数据对应的控制策略确定为目标控制策略;第二控制单元,用于依据目标控制策略,控制空调器运行。
通过本申请,采用以下步骤:在空调器检测到开启指令时,控制空调器按照预定控制策略运行,并获取目标参数;将目标参数输入预定数据库,以调取预定数据库中存储的目标参数对应的多组曲线数据,其中,每组曲线数据对应一个控制策略;依据多组曲线数据中每组曲线数据得出的指标数据,计算舒适性评分,并将舒适性评分最高的曲线数据作为目标曲线数据;将目标曲线数据对应的控制策略作为目标控制策略;依据目标控制策略,控制空调器运行,解决了相关技术中空调控制策略固定单一,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,使得空调器在节能和舒适性方面做不到最优平衡的问题,进而达到了提升了空调器的智能程度的效果。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例提供的一种空调器的控制方法的流程图;
图2是根据本申请实施例提供的神经网络训练模型示意图;
图3是根据本申请实施例提供的空调器运行状态下,房间温降曲线及空调器耗电量曲线示意图;
图4是根据本申请实施例提供的另一种空调器的控制方法的示意图;以及
图5是根据本申请实施例提供的一种空调器的控制装置的示意图。
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申请。
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。
根据本申请的实施例,提供了一种空调器的控制方法。
图1是根据本申请实施例提供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S101,在空调器检测到开启指令时,控制空调器按照预定控制策略运行,并获取目标参数。
具体地,空调器开启时,首先按照预设或者默认的控制策略控制空调器运行。同时获取调控空调器的所需的目标参数,其中目标参数是空调器运行的各工况参数。
步骤S102,将目标参数输入预定数据库,以调取预定数据库中存储的目标参数对应的多组曲线数据,其中,每组曲线数据对应一个控制策略。
具体地,预定数据库中存在有多组曲线数据,在将获取的空调器运行的目标参数输入预定数据库时,可以将预定数据库中相关的曲线数据调取出来,其中,一组曲线数据对应一个空调器的控制策略。
步骤S103,依据多组曲线数据中每组曲线数据得出的指标数据,计算舒适性评分,并将舒适性评分最高的曲线数据作为目标曲线数据。
上述地,将通过上述方法调取出的多组曲线数据进行舒适性评分,将评分最高的那组曲线数据确定出来。
步骤S104,将目标曲线数据对应的控制策略作为目标控制策略。
上述地,因为一组曲线数据对应一个控制策略,因此,将目标曲线数据对应的控制策略确定为目标盘控制策略。
步骤S105,依据目标控制策略,控制空调器运行。
具体地,将空调器开机默认或者预设的控制策略更换为目标控制策略以来运行空调器。
可选地,在空调器检测到开启指令时,控制空调器按照预定控制策略运行,并获取目标参数包括:通过空调器的内机和外机获取目标环境参数,其中,目标环境参数包括室内干球温度、室外干球温度、室内湿度和室外湿度;获取目标房间的目标房间参数,其中,通过3D摄像头或红外探头或者通过用户主动输入的数据来获取目标房间参数,目标房间参数包括目标房间的尺寸,目标房间的墙体厚度,目标房间墙体的材质,目标房间的窗户数量和大小,目标环境参数和目标房间参数构成目标参数,目标房间为空调器所处的房间;将目标环境参数和目标房间参数作为目标参数。
具体地,目标参数包括环境参数和房间参数,其中,环境参数包括室内干球温度、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室内外机上的温度感温包、湿度检测装置进行检测。房间参数包括房间尺寸大小(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移动终端、遥控器等设备输入,也可通过3D摄像头、红外探头等智能设备进行自主检测。
可选地,在将目标参数输入预定数据库,以调取预定数据库中存储的目标参数对应的多组曲线数据之前,该方法还包括:将目标房间参数、多组目标环境参数和空调器的多个运行策略输入到神经网络训练模型,其中,运行策略中包括空调器的运行参数和空调器的运行模式,运行参数至少包括:压缩机频率、导风板位置、内机风机转速、外机风机转速和电子膨胀阀开度,运行模式为以下之一:制冷、制热和除湿;采用神经网络训练模型中的控制策略模块,利用目标房间参数、目标环境参数和多个运行策略,计算空调器的多组输出能力值与多组输出功率;依据目标房间参数构建出目标房间模型;依据多组输出能力值与多组输出功率,目标房间模型模拟目标房间的实时温度变化;依据实时温度变化,获得在预定时间内的多组温度变化曲线,其中,温度变化曲线用于保证目标房间在预定时间内的温升或温降情况。
具体地,在确定目标运行策略之前,还包括通过神经网络训练模型对输入的目标参数进行训练。其训练过程包括,将房间参数和多组不同环境参数、多个不同的控制策略输入神经网络训练模型,通过空调器一段时间的运行计算空调器的输出能力值与输出功率,其中,神经网络训练模型如图2所示,其中,图2是根据本申请实施例提供的神经网络训练模型示意图,神经网络模型包含输入层、隐藏层、输出层。输入层包括环境参数、房间参数、空调模式(制冷、制热、除湿)以及空调各执行器参数等,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,最终输出包含房间温降/温升变化,空调功耗,空调湿度变化等参数。隐藏层可以为多层,每层可以所节点,不局限于图2结构形式。
其中服务器模拟计算主要通过搭建的空调策略控制模型、房间温湿度模型以及神经网络训练模型组成。控制策略模块通过获取输入的目标参数和控制策略可以模拟计算空调的实时控制策略下系统内管温,风机转速,功耗,然后可以计算空调的实时能力和功率输出。房间模型通过房间参数建立起来的模型,模拟空调实时的能力输入下的房间温度变化。最后对房间N小时的实时温度变化和实时空调功率可到房间的温降曲线或温升曲线、空调的总耗电量。
上述地,因为输入神经网络训练模型中的还包括多个不同的空调器的控制策略,其中,控制策略包括空调器的运行模式和各机构的运行参数,通过更改运行策略,即可以通过更改运行参数来更改运行策略,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,可以再次进行计算,得到另一套策略控制下的温降曲线、耗电量曲线,如图3所示,图3是根据本申请实施例提供的空调器运行状态下,房间温降曲线及空调器耗电量曲线示意图。例如:初始默认控制策略为策略2。如果在控制策略2的基础上,适当降低压缩机频率,增加内风机转速,调节电磁阀的开度和导风板位置,形成控制策略3。因为压缩机频率下降,系统运行能耗会有所下降,长时间运行耗电量会有所降低。又因为内风机转速提高,能力也会适当提高,所以房间温降速度较快,因此控制策略3适合高温房间快速温降或“喜冷”偏好用户选择。
如果在控制策略2的基础上,适当降低压缩机频率,同时降低内风机转速,调节电磁阀的开度和导风板位置,形成控制策略1。因为压缩机转速和内风机转速的下降,系统运行能耗会进一步下降,所以长时间运行耗电量会进一步减少。因为内风机转速降低,相比控制策略2,房间温降速度会较慢,因此控制策略1适合房间温度相对不高或不“喜冷”的用户选择。因此,上述方法中,主要对现有控制策略基础上进行修正,便于对现有空调进行控制策略优化,易于实现,用户体验好。同时,利用神经网络算法对相同控制策略、环境工况参数下空调的实际运行状态训练、学习和预测,丰富空调运行数据库,方便空调控制策略及时调用。对相同输入环境工况,不同控制策略生成的空调运行参数通过节能舒适性评价可以选择较为舒适且省电的最佳控制策略。
可选地,该方法还包括:记录空调器在预定时间内的多组耗电量曲线;将多组温度变化曲线和多组耗电量曲线存储至预定数据库中。
上述地,通过空调器在预定时间内的运行所耗电量情况,记录多组目标参数和多个控制策略下,空调器对应的耗电量曲线,并且将耗电量曲线和温度变化曲线存储至预定数据库中。
为了较快获得不同目标参数、不同控制策略下的房间温降曲线,后台服务器无论空调器开关机,均在对空调常用工况进行不同控制策略空调运行曲线参数的计算,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、控制策略作为输入参数到过程参数作为输出参数(房间温降/温升曲线,空调总耗电量,空调湿度变化等)进行学习,对更多复杂环境参数控制策略的空调运行过程参数变化进行预测,可以较快得丰富数据库,方便空调器的即时调用,省去后台服务计算时间。
上述地,通过空调wifi可以采集用户空调初始环目标参数、空调模式以及控制策略,空调运行过程中获取房间温度、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。同时在线获取空调运行过程中的参数变化作为对后台服务器神经网络预测曲线数据进行修正,使神经网络预测结果更符合实际用户环境。
可选地,该方法还包括:依据多组温度变化曲线,计算多组温度变化曲线中每组温度变化曲线对应的温度变化速率,其中,温度变化速率用于表征空调器在目标参数稳定时,目标房间从初始温度到预设温度所用的时间;依据多组温度变化曲线,计算温度变化曲线中每组温度变化曲线对应的控温准确度,其中,控温准确度用于表征空调器在目标参数稳定时,目标房间的温度与预设温度之间的相对误差;通过多组耗电量曲线获取空调器在预定时间内的多组耗电量。
上述地,通过获得的多组温度变化曲线可以反应出目标房间温度的实时变化,并通过温度变化曲线计算出空调器的温度变化速率和控温准确度。同时,根据获得的多组耗电量曲线可以获得空调器在不同目标参数和控制策略下的多组耗电量。
可选地,将目标房间参数、多组目标环境参数和空调器的多个运行策略输入到神经网络训练模型之后,该方法还包括:在目标环境参数稳定时,计算多组曲线数据中每组曲线数据对应的控湿准确性,并将控湿准确性存储至预定数据库中,其中,控湿准确性用于表征空调器在目标参数稳定时,目标房间的湿度与预设湿度之间的相对误差。
具体地,因为神经网络训练模型通过输入的控制策略和目标参数还可以获取空调器对目标房间的温度的控制情况,进而计算出多组曲线对应的空调器在不同控制策略下对目标房间的控湿准确性。其中,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,t取值根据所用时间长短进行打分,所用时间短者t值越大,用时长者t值越小。控温准确性,指房间工况稳定后房间温度和设定温度之间的相对误差,相对误差小者,ΔT值越大。控湿准确性,指房间工况稳定后房间湿度和设定湿度之间的相对误差,相对误差小者,ΔD值越大。耗电量指房间预定时间内空调器的耗电量,耗电量小者,E值越大。当然评价指标不限于上述几种,优选地,预定时间为3小时。
数据库中的环境参数、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,一方面通过后台服务器进行模拟计算,一方面通过在线采集空调运行数据(如图3);为缩小数据库存储空间占用,计算结果仅输出开机后每分钟各参数变化即可,计算步长为1min。因此,上述实施例中通过模型模拟相同环境工况下,不同控制策略空调动态运行过程,使空调较快的进行策略优化更新,解决了相关技术中一些人工智能算法虽然可以自学习符合用户习惯,但学习周期长,技术不成熟,不利于现有产品的更新换代的问题。同时,通过模拟预测不同控制策略下空调的运行状态,空调器选择执行最佳控制策略,可以针对实际使用时工况做出及时调整,以发挥空调的最大能力。
可选地,依据多组曲线数据中每组曲线数据得出的指标数据,计算舒适性评分,并将舒适性评分最高的曲线数据作为目标曲线数据还包括:依据多组温度变化速率、多组控温准确度、多组耗电量、多组控湿准确度,计算每组曲线数据对应的舒适性评分;将多组评分进行对比,确定出最高评分,并将最高评分对应的一组曲线数据确定为目标曲线数据。
具体地,通过上述确定出的各指标参数,对多组曲线对应的舒适度进行评分,其中,计算公式如下:
P=a1*t+a2*ΔT+a3ΔD+…….+am*M+b1*E+……+bn*N,其中a1-am,b1-bn是各指标参数在舒适性评分中的权重系数。
其中各指标参数如下表所示:
对每组曲线数据进行舒适性评分后,将各评分进行对比,并将最高评分对应的曲线数据确定为通过目标环境参数和目标房间参数匹配出来的目标曲线,并将目标曲线对应的空调器控制策略作为空调器的运行策略。
需要说明的是,将目标环境参数和目标房间参数输入值神经网络训练模型中匹配出的多组曲线数据中,多组曲线数据对应的环境参数和房间参数与目标环境参数、目标房间参数相同。
本申请实施例提供的一种空调器的控制方法,通过在空调器检测到开启指令时,控制空调器按照预定控制策略运行,并获取目标参数;将目标参数输入预定数据库,以调取预定数据库中存储的目标参数对应的多组曲线数据,其中,每组曲线数据对应一个控制策略;依据多组曲线数据中每组曲线数据得出的指标数据,计算舒适性评分,并将舒适性评分最高的曲线数据作为目标曲线数据;将目标曲线数据对应的控制策略作为目标控制策略;依据目标控制策略,控制空调器运行,解决了相关技术中空调控制策略固定单一,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,使得空调器在节能和舒适性方面做不到最优平衡的问题,进而达到了提升了空调器的智能程度的效果。
图4是根据本申请实施例提供的另一种空调器的控制方法的示意图。如图4所示,在神经网络训练阶段包括以下步骤:步骤一,将环境参数、空调模式和房间参数输入到神经网络训练模型中;步骤二:通过控制策略模块计算空调器的输出能力;步骤三:通过房间模块进行温降温升计算,在更改控制策略后,再通过控制策略模块和房间模块进行计算;步骤四:通过神经网络训练,并将训练结果输入至曲线数据库。在确定最优控制策略阶段包括以下步骤:步骤一:在线获取初始环境参数、空调模式和房间参数;步骤二:获取空调器的实时运行参数变化包括:温度、湿度和耗电量,并将获取的运行参数输入至曲线数据库中;步骤三:将匹配出的曲线数据进行舒适性指标和节能指标计算;步骤四:对节能舒适进行评价;步骤五:通过评价过的节能舒适评价输出最佳控制策略。
通过上述实施例提供的一种空调器的控制方法,解决了相关技术中空调控制策略固定单一,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,使得空调器在节能和舒适性方面做不到最优平衡的问题,进而达到了提升了空调器的智能程度的效果。
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。
本申请实施例还提供了一种一种空调器的控制装置,需要说明的是,本申请实施例的一种空调器的控制装置可以用于执行本申请实施例所提供的用于一种空调器的控制方法。以下对本申请实施例提供的一种空调器的控制装置进行介绍。
图5是根据本申请实施例提供的一种空调器的控制装置的示意图。如图5所示,该装置包括:第一控制单元501,用于在空调器检测到开启指令时,控制空调器按照预定控制策略运行,并获取目标参数;调取单元502,用于将目标参数输入预定数据库,以调取预定数据库中存储的目标参数对应的多组曲线数据,其中,每组曲线数据对应一个控制策略;第一计算单元503,用于依据多组曲线数据中每组曲线数据得出的指标数据,计算舒适性评分,并将舒适性评分最高的曲线数据作为目标曲线数据;确定单元504,用于将目标曲线数据对应的控制策略确定为目标控制策略;第二控制单元505,用于依据目标控制策略,控制空调器运行。
本申请实施例提供的一种空调器的控制装置,通过第一控制单元501,用于在空调器检测到开启指令时,控制空调器按照预定控制策略运行,并获取目标参数;调取单元502,用于将目标参数输入预定数据库,以调取预定数据库中存储的目标参数对应的多组曲线数据,其中,每组曲线数据对应一个控制策略;第一计算单元503,用于依据多组曲线数据中每组曲线数据得出的指标数据,计算舒适性评分,并将舒适性评分最高的曲线数据作为目标曲线数据;确定单元504,用于将目标曲线数据对应的控制策略确定为目标控制策略;第二控制单元505,用于依据目标控制策略,控制空调器运行,解决了相关技术中空调控制策略固定单一,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,使得空调器在节能和舒适性方面做不到最优平衡的问题,进而达到了提升了空调器的智能程度的效果。
可选地,第一控制单元501包括:第一获取子单元,用于通过空调器的内机和外机获取目标环境参数,其中,目标环境参数包括室内干球温度、室外干球温度、室内湿度和室外湿度;第二获取子单元,用于获取目标房间的目标房间参数,其中,通过 3D摄像头或红外探头或者通过用户主动输入的数据来获取目标房间参数,目标房间参数包括目标房间的尺寸,目标房间的墙体厚度,目标房间墙体的材质,目标房间的窗户数量和大小,目标环境参数和目标房间参数构成目标参数,目标房间为空调器所处的房间;确定子单元,用于将目标环境参数和目标房间参数确定为目标参数。
可选地,该装置还包括:输入单元,用于在将目标参数输入预定数据库,以调取预定数据库中存储的目标参数对应的多组曲线数据之前,将目标房间参数、多组目标环境参数和空调器的多个运行策略输入到神经网络训练模型,其中,运行策略中包括空调器的运行参数和空调器的运行模式,运行参数至少包括:压缩机频率、导风板位置、内机风机转速、外机风机转速和电子膨胀阀开度,运行模式为以下之一:制冷、制热和除湿;第二计算单元,用于采用神经网络训练模型中的控制策略模块,利用目标房间参数、目标环境参数和多个运行策略,计算空调器的多组输出能力值与多组输出功率;构建单元,用于依据目标房间参数构建出目标房间模型;模拟单元,用于依据多组输出能力值与多组输出功率,通过目标房间模型模拟目标房间的实时温度变化;第一获取单元,用于依据实时温度变化,获得在预定时间内的多组温度变化曲线,其中,温度变化曲线用于保证目标房间在预定时间内的温升或温降情况。
可选地,该装置还包括:记录单元,用于记录空调器在预定时间内的多组耗电量曲线;存储单元,用于将多组温度变化曲线和多组耗电量曲线存储至预定数据库中。
可选地,该装置还包括:第三计算单元,用于依据多组温度变化曲线,计算多组温度变化曲线中每组温度变化曲线对应的温度变化速率,其中,温度变化速率用于表征空调器在目标参数稳定时,目标房间从初始温度到预设温度所用的时间;第四计算单元,用于依据多组温度变化曲线,计算温度变化曲线中每组温度变化曲线对应的控温准确度,其中,控温准确度用于表征空调器在目标参数稳定时,目标房间的温度与预设温度之间的相对误差;第二获取单元,用于通过多组耗电量曲线获取空调器在预定时间内的多组耗电量。
可选地,该装置还包括:第五计算单元,用于将目标房间参数、多组目标环境参数和空调器的多个运行策略输入到神经网络训练模型之后,在目标环境参数稳定时,计算多组曲线数据中每组曲线数据对应的控湿准确性,并将控湿准确性存储至预定数据库中,其中,控湿准确性用于表征空调器在目标参数稳定时,目标房间的湿度与预设湿度之间的相对误差。
可选地,第一计算单元503还包括:计算子单元,用于依据多组温度变化速率、多组控温准确度、多组耗电量、多组控湿准确度,计算每组曲线数据对应的舒适性评分;确定子单元,用于将多组评分进行对比,确定出最高评分,并将最高评分对应的一组曲线数据确定为目标曲线数据。
一种空调器的控制装置包括处理器和存储器,上述第一控制单元501、调取单元502、第一计算单元503、确定单元504和第二控制单元505等均作为程序单元存储在存储器中,由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核,由内核去存储器中调取相应的程序单元。内核可以设置一个或以上,通过调整内核参数来解决了相关技术中空调控制策略固定单一,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,使得空调器在节能和舒适性方面做不到最优平衡的问题。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM),存储器包括至少一个存储芯片。
本发明实施例提供了一种存储介质,其上存储有程序,该程序被处理器执行时实现一种空调器的控制方法。
本发明实施例提供了一种处理器,处理器用于运行程序,其中,程序运行时执行一种空调器的控制方法。
本发明实施例提供了一种设备,设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序,处理器执行程序时实现以下步骤:在空调器检测到开启指令时,控制空调器按照预定控制策略运行,并获取目标参数;将目标参数输入预定数据库,以调取预定数据库中存储的目标参数对应的多组曲线数据,其中,每组曲线数据对应一个控制策略;依据多组曲线数据中每组曲线数据得出的指标数据,计算舒适性评分,并将舒适性评分最高的曲线数据作为目标曲线数据;将目标曲线数据对应的控制策略作为目标控制策略;依据目标控制策略,控制空调器运行。
可选地,在空调器检测到开启指令时,控制空调器按照预定控制策略运行,并获取目标参数包括:通过空调器的内机和外机获取目标环境参数,其中,目标环境参数包括室内干球温度、室外干球温度、室内湿度和室外湿度;获取目标房间的目标房间参数,其中,通过3D摄像头或红外探头或者通过用户主动输入的数据来获取目标房间参数,目标房间参数包括目标房间的尺寸,目标房间的墙体厚度,目标房间墙体的材质,目标房间的窗户数量和大小,目标环境参数和目标房间参数构成目标参数,目标房间为空调器所处的房间;将目标环境参数和目标房间参数作为目标参数。
可选地,在将目标参数输入预定数据库,以调取预定数据库中存储的目标参数对应的多组曲线数据之前,该方法还包括:将目标房间参数、多组目标环境参数和空调器的多个运行策略输入到神经网络训练模型,其中,运行策略中包括空调器的运行参数和空调器的运行模式,运行参数至少包括:压缩机频率、导风板位置、内机风机转速、外机风机转速和电子膨胀阀开度,运行模式为以下之一:制冷、制热和除湿;采用神经网络训练模型中的控制策略模块,利用目标房间参数、目标环境参数和多个运行策略,计算空调器的多组输出能力值与多组输出功率;依据目标房间参数构建出目标房间模型;依据多组输出能力值与多组输出功率,目标房间模型模拟目标房间的实时温度变化;依据实时温度变化,获得在预定时间内的多组温度变化曲线,其中,温度变化曲线用于保证目标房间在预定时间内的温升或温降情况。
可选地,该方法还包括:记录空调器在预定时间内的多组耗电量曲线;将多组温度变化曲线和多组耗电量曲线存储至预定数据库中。
可选地,该方法还包括:依据多组温度变化曲线,计算多组温度变化曲线中每组温度变化曲线对应的温度变化速率,其中,温度变化速率用于表征空调器在目标参数稳定时,目标房间从初始温度到预设温度所用的时间;依据多组温度变化曲线,计算温度变化曲线中每组温度变化曲线对应的控温准确度,其中,控温准确度用于表征空调器在目标参数稳定时,目标房间的温度与预设温度之间的相对误差;通过多组耗电量曲线获取空调器在预定时间内的多组耗电量。
可选地,将目标房间参数、多组目标环境参数和空调器的多个运行策略输入到神经网络训练模型之后,该方法还包括:在目标环境参数稳定时,计算多组曲线数据中每组曲线数据对应的控湿准确性,并将控湿准确性存储至预定数据库中,其中,控湿准确性用于表征空调器在目标参数稳定时,目标房间的湿度与预设湿度之间的相对误差。
可选地,依据多组曲线数据中每组曲线数据得出的指标数据,计算舒适性评分,并将舒适性评分最高的曲线数据作为目标曲线数据还包括:依据多组温度变化速率、多组控温准确度、多组耗电量、多组控湿准确度,计算每组曲线数据对应的舒适性评分;将多组评分进行对比,确定出最高评分,并将最高评分对应的一组曲线数据确定为目标曲线数据。本文中的设备可以是服务器、PC、PAD、手机等。
本申请还提供了一种计算机程序产品,当在数据处理设备上执行时,适于执行初始化有如下方法步骤的程序:在空调器检测到开启指令时,控制空调器按照预定控制策略运行,并获取目标参数;将目标参数输入预定数据库,以调取预定数据库中存储的目标参数对应的多组曲线数据,其中,每组曲线数据对应一个控制策略;依据多组曲线数据中每组曲线数据得出的指标数据,计算舒适性评分,并将舒适性评分最高的曲线数据作为目标曲线数据;将目标曲线数据对应的控制策略作为目标控制策略;依据目标控制策略,控制空调器运行。
可选地,在空调器检测到开启指令时,控制空调器按照预定控制策略运行,并获取目标参数包括:通过空调器的内机和外机获取目标环境参数,其中,目标环境参数包括室内干球温度、室外干球温度、室内湿度和室外湿度;获取目标房间的目标房间参数,其中,通过3D摄像头或红外探头或者通过用户主动输入的数据来获取目标房间参数,目标房间参数包括目标房间的尺寸,目标房间的墙体厚度,目标房间墙体的材质,目标房间的窗户数量和大小,目标环境参数和目标房间参数构成目标参数,目标房间为空调器所处的房间;将目标环境参数和目标房间参数作为目标参数。
可选地,在将目标参数输入预定数据库,以调取预定数据库中存储的目标参数对应的多组曲线数据之前,该方法还包括:将目标房间参数、多组目标环境参数和空调器的多个运行策略输入到神经网络训练模型,其中,运行策略中包括空调器的运行参数和空调器的运行模式,运行参数至少包括:压缩机频率、导风板位置、内机风机转速、外机风机转速和电子膨胀阀开度,运行模式为以下之一:制冷、制热和除湿;采用神经网络训练模型中的控制策略模块,利用目标房间参数、目标环境参数和多个运行策略,计算空调器的多组输出能力值与多组输出功率;依据目标房间参数构建出目标房间模型;依据多组输出能力值与多组输出功率,目标房间模型模拟目标房间的实时温度变化;依据实时温度变化,获得在预定时间内的多组温度变化曲线,其中,温度变化曲线用于保证目标房间在预定时间内的温升或温降情况。
可选地,该方法还包括:记录空调器在预定时间内的多组耗电量曲线;将多组温度变化曲线和多组耗电量曲线存储至预定数据库中。
可选地,该方法还包括:依据多组温度变化曲线,计算多组温度变化曲线中每组温度变化曲线对应的温度变化速率,其中,温度变化速率用于表征空调器在目标参数稳定时,目标房间从初始温度到预设温度所用的时间;依据多组温度变化曲线,计算温度变化曲线中每组温度变化曲线对应的控温准确度,其中,控温准确度用于表征空调器在目标参数稳定时,目标房间的温度与预设温度之间的相对误差;通过多组耗电量曲线获取空调器在预定时间内的多组耗电量。
可选地,将目标房间参数、多组目标环境参数和空调器的多个运行策略输入到神经网络训练模型之后,该方法还包括:在目标环境参数稳定时,计算多组曲线数据中每组曲线数据对应的控湿准确性,并将控湿准确性存储至预定数据库中,其中,控湿准确性用于表征空调器在目标参数稳定时,目标房间的湿度与预设湿度之间的相对误差。
可选地,依据多组曲线数据中每组曲线数据得出的指标数据,计算舒适性评分,并将舒适性评分最高的曲线数据作为目标曲线数据还包括:依据多组温度变化速率、多组控温准确度、多组耗电量、多组控湿准确度,计算每组曲线数据对应的舒适性评分;将多组评分进行对比,确定出最高评分,并将最高评分对应的一组曲线数据确定为目标曲线数据。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等) 上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,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、商品或者设备不仅包括那些要素,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、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (8)
1.一种空调器的控制方法,其特征在于,包括:
在所述空调器检测到开启指令时,控制所述空调器按照预定控制策略运行,并获取目标参数;
将所述目标参数输入预定数据库,以调取所述预定数据库中存储的所述目标参数对应的多组曲线数据,其中,每组曲线数据对应一个控制策略;
依据所述多组曲线数据中每组曲线数据得出的指标数据,计算舒适性评分,并将所述舒适性评分最高的曲线数据作为目标曲线数据;
将所述目标曲线数据对应的控制策略作为目标控制策略;
依据所述目标控制策略,控制所述空调器运行;
在所述空调器检测到开启指令时,控制所述空调器按照预定控制策略运行,并获取目标参数包括:通过所述空调器的内机和外机获取目标环境参数,其中,所述目标环境参数包括室内干球温度、室外干球温度、室内湿度和室外湿度;获取目标房间的目标房间参数,其中,通过3D摄像头或红外探头或者通过用户主动输入的数据来获取所述目标房间参数,所述目标房间参数包括所述目标房间的尺寸,所述目标房间的墙体厚度,所述目标房间墙体的材质,所述目标房间的窗户数量和大小,所述目标环境参数和所述目标房间参数构成所述目标参数,所述目标房间为所述空调器所处的房间;将所述目标环境参数和所述目标房间参数作为所述目标参数;
在将所述目标参数输入预定数据库,以调取所述预定数据库中存储的所述目标参数对应的多组曲线数据之前,所述方法还包括:将所述目标房间参数、多组目标环境参数和所述空调器的多个运行策略输入到神经网络训练模型,其中,所述运行策略中包括所述空调器的运行参数和所述空调器的运行模式,所述运行参数至少包括:压缩机频率、导风板位置、内机风机转速、外机风机转速和电子膨胀阀开度,所述运行模式为以下之一:制冷、制热和除湿;采用所述神经网络训练模型中的控制策略模块,利用所述目标房间参数、所述目标环境参数和所述多个运行策略,计算所述空调器的多组输出能力值与多组输出功率;依据所述目标房间参数构建出目标房间模型;依据所述多组输出能力值与所述多组输出功率,所述目标房间模型模拟所述目标房间的实时温度变化;依据所述实时温度变化,获得在预定时间内的多组温度变化曲线,其中,所述温度变化曲线用于保证所述目标房间在所述预定时间内的温升或温降情况。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
记录所述空调器在预定时间内的多组耗电量曲线;
将所述多组温度变化曲线和所述多组耗电量曲线存储至所述预定数据库中。
3.根据权利要求2所述的方法,其特征在于,所述方法还包括:
依据所述多组温度变化曲线,计算所述多组温度变化曲线中每组温度变化曲线对应的温度变化速率,其中,所述温度变化速率用于表征所述空调器在所述目标参数稳定时,所述目标房间从初始温度到预设温度所用的时间;
依据所述多组温度变化曲线,计算所述温度变化曲线中每组温度变化曲线对应的控温准确度,其中,所述控温准确度用于表征所述空调器在所述目标参数稳定时,所述目标房间的温度与预设温度之间的相对误差;
通过所述多组耗电量曲线获取所述空调器在预定时间内的多组耗电量。
4.根据权利要求2所述的方法,其特征在于,将所述目标房间参数、多组目标环境参数和所述空调器的多个运行策略输入到神经网络训练模型之后,所述方法还包括:
在所述目标环境参数稳定时,计算所述多组曲线数据中每组曲线数据对应的控湿准确性,并将所述控湿准确性存储至所述预定数据库中,其中,所述控湿准确性用于表征所述空调器在所述目标参数稳定时,所述目标房间的湿度与预设湿度之间的相对误差。
5.根据权利要求4所述的方法,其特征在于,依据所述多组曲线数据中每组曲线数据得出的指标数据,计算舒适性评分,并将所述舒适性评分最高的曲线数据作为目标曲线数据还包括:
依据所述多组温度变化速率、所述多组控温准确度、所述多组耗电量、所述多组控湿准确度,计算每组曲线数据对应的舒适性评分;
将多组评分进行对比,确定出最高评分,并将所述最高评分对应的一组曲线数据确定为所述目标曲线数据。
6.一种空调器的控制装置,其特征在于,包括:
第一控制单元,用于在所述空调器检测到开启指令时,控制所述空调器按照预定控制策略运行,并获取目标参数;
调取单元,用于将所述目标参数输入预定数据库,以调取所述预定数据库中存储的所述目标参数对应的多组曲线数据,其中,每组曲线数据对应一个控制策略;
第一计算单元,用于依据所述多组曲线数据中每组曲线数据得出的指标数据,计算舒适性评分,并将所述舒适性评分最高的曲线数据作为目标曲线数据;
确定单元,用于将所述目标曲线数据对应的控制策略确定为目标控制策略;
第二控制单元,用于依据所述目标控制策略,控制所述空调器运行;
第一控制单元包括:第一获取子单元,用于通过空调器的内机和外机获取目标环境参数,其中,目标环境参数包括室内干球温度、室外干球温度、室内湿度和室外湿度;第二获取子单元,用于获取目标房间的目标房间参数,其中,通过3D摄像头或红外探头或者通过用户主动输入的数据来获取目标房间参数,目标房间参数包括目标房间的尺寸,目标房间的墙体厚度,目标房间墙体的材质,目标房间的窗户数量和大小,目标环境参数和目标房间参数构成目标参数,目标房间为空调器所处的房间;确定子单元,用于将目标环境参数和目标房间参数确定为目标参数;
该装置还包括:输入单元,用于在将目标参数输入预定数据库,以调取预定数据库中存储的目标参数对应的多组曲线数据之前,将目标房间参数、多组目标环境参数和空调器的多个运行策略输入到神经网络训练模型,其中,运行策略中包括空调器的运行参数和空调器的运行模式,运行参数至少包括:压缩机频率、导风板位置、内机风机转速、外机风机转速和电子膨胀阀开度,运行模式为以下之一:制冷、制热和除湿;第二计算单元,用于采用神经网络训练模型中的控制策略模块,利用目标房间参数、目标环境参数和多个运行策略,计算空调器的多组输出能力值与多组输出功率;构建单元,用于依据目标房间参数构建出目标房间模型;模拟单元,用于依据多组输出能力值与多组输出功率,通过目标房间模型模拟目标房间的实时温度变化;第一获取单元,用于依据实时温度变化,获得在预定时间内的多组温度变化曲线,其中,温度变化曲线用于保证目标房间在预定时间内的温升或温降情况。
7.一种存储介质,其特征在于,所述存储介质包括存储的程序,其中,所述程序执行权利要求1至5中任意一项所述的一种空调器的控制方法。
8.一种处理器,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5中任意一项所述的一种空调器的控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911039408.9A CN110726229B (zh) | 2019-10-29 | 2019-10-29 | 空调器的控制方法及装置、存储介质及处理器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911039408.9A CN110726229B (zh) | 2019-10-29 | 2019-10-29 | 空调器的控制方法及装置、存储介质及处理器 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110726229A CN110726229A (zh) | 2020-01-24 |
CN110726229B true CN110726229B (zh) | 2020-09-25 |
Family
ID=69223350
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911039408.9A Active CN110726229B (zh) | 2019-10-29 | 2019-10-29 | 空调器的控制方法及装置、存储介质及处理器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110726229B (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7062475B2 (ja) * | 2018-03-14 | 2022-05-06 | 株式会社東芝 | 空調制御装置、空調システム、空調制御方法及びプログラム |
CN111351180B (zh) * | 2020-03-06 | 2021-09-17 | 上海外高桥万国数据科技发展有限公司 | 一种运用人工智能实现数据中心节能温控的系统及方法 |
CN111380144A (zh) * | 2020-03-18 | 2020-07-07 | 深圳市紫衡技术有限公司 | 基于大数据的空调智能优化控制方法、终端设备 |
CN111486573B (zh) * | 2020-04-16 | 2021-09-14 | 南方电网科学研究院有限责任公司 | 一种中央空调集群调控方法、系统以及设备 |
CN111928420B (zh) * | 2020-07-17 | 2022-02-11 | 珠海格力电器股份有限公司 | 空调控制方法、装置、电子设备和存储介质 |
CN114061062B (zh) * | 2020-07-31 | 2023-06-30 | 广东美的制冷设备有限公司 | 空调器智能调节方法、空调器及计算机可读存储介质 |
CN114061061A (zh) * | 2020-07-31 | 2022-02-18 | 广东美的制冷设备有限公司 | 空气调节设备及其控制方法、控制装置、计算机存储介质 |
CN113479032B (zh) * | 2021-07-22 | 2022-10-14 | 泰铂(上海)环保科技股份有限公司 | 驻车空调控制方法及系统 |
DE102021004972A1 (de) | 2021-10-05 | 2023-04-06 | Truma Gerätetechnik GmbH & Co. KG | Vorrichtung zum Regeln eines Einstell-Parameters in einem Raum |
CN114265309B (zh) * | 2021-11-19 | 2023-09-05 | 江苏徐工工程机械研究院有限公司 | 一种工程机械优化控制策略推荐系统及方法 |
CN114413420A (zh) * | 2021-12-24 | 2022-04-29 | 珠海格力电器股份有限公司 | 空调的控制方法以及空调 |
CN114734454B (zh) * | 2022-03-18 | 2024-02-02 | 北京航空航天大学 | 一种软体机器手臂运动方法、装置及软体机器人 |
CN115614907A (zh) * | 2022-09-23 | 2023-01-17 | 珠海格力电器股份有限公司 | 一种空调器及其室内温度预测方法和装置 |
CN115560488A (zh) * | 2022-09-29 | 2023-01-03 | 珠海格力电器股份有限公司 | 热水器加热控制方法、装置、存储介质及电子设备 |
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 (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007298257A (ja) * | 2006-05-08 | 2007-11-15 | Sekisui Chem Co Ltd | 快適性評価方法 |
CN103162383A (zh) * | 2011-12-14 | 2013-06-19 | 财团法人工业技术研究院 | 空调控制装置与方法 |
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 |
CN108700326A (zh) * | 2016-02-24 | 2018-10-23 | 三菱电机株式会社 | 控制装置和控制程序 |
CN109297140A (zh) * | 2018-10-15 | 2019-02-01 | 宁波溪棠信息科技有限公司 | 一种基于人工智能的空调控制方法 |
-
2019
- 2019-10-29 CN CN201911039408.9A patent/CN110726229B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007298257A (ja) * | 2006-05-08 | 2007-11-15 | Sekisui Chem Co Ltd | 快適性評価方法 |
CN103162383A (zh) * | 2011-12-14 | 2013-06-19 | 财团法人工业技术研究院 | 空调控制装置与方法 |
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 |
CN108700326A (zh) * | 2016-02-24 | 2018-10-23 | 三菱电机株式会社 | 控制装置和控制程序 |
CN109297140A (zh) * | 2018-10-15 | 2019-02-01 | 宁波溪棠信息科技有限公司 | 一种基于人工智能的空调控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110726229A (zh) | 2020-01-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110726229B (zh) | 空调器的控制方法及装置、存储介质及处理器 | |
CN110726217B (zh) | 空调器的控制方法及装置 | |
CN110726218B (zh) | 空调器及其控制方法、装置、存储介质和处理器 | |
CN111765604B (zh) | 空调的控制方法和装置 | |
CN108488987B (zh) | 空气调节设备的控制方法、存储介质和设备 | |
KR102553299B1 (ko) | 데이터 학습 서버 및 이의 학습 모델 생성 및 이용 방법 | |
CN110749053B (zh) | 空调器的控制方法及装置 | |
CN105509246B (zh) | 空调器加湿控制方法及装置 | |
CN110836514B (zh) | 空调组的控制方法和装置 | |
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 | |
CN110736225B (zh) | 空调的控制方法和装置 | |
CN109297157A (zh) | 一种空调器控制方法和空调器 | |
CN110736248B (zh) | 空调出风温度的控制方法和装置 | |
CN112378056B (zh) | 智能空调控制方法、装置、计算机设备和存储介质 | |
CN113110082A (zh) | 用于家电控制的方法、装置和家电 | |
CN109708259A (zh) | 空调器的控制方法及装置、存储介质和处理器 | |
CN109595761A (zh) | 空调器的控制方法、装置及具有其的空调器 | |
CN114279042B (zh) | 一种基于多智能体深度强化学习的中央空调控制方法 | |
CN109140660A (zh) | 用于空调的智能控温装置方法及装置、空调、存储介质 | |
CN110940030A (zh) | 空调的运行控制方法、系统及空调器 | |
CN110726209B (zh) | 空调控制方法、装置、存储介质以及处理器 | |
CN114442697B (zh) | 一种温度控制方法、设备、介质及产品 | |
CN109425075A (zh) | 空气调节装置及其舒适度确定方法和可读存储介质 | |
CN117870122B (zh) | 一种暖通设备控制系统、控制方法、控制装置和存储介质 | |
CN110986249B (zh) | 空调的自调节控制方法、系统及空调器 |
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 |