CN110836514A - 空调组的控制方法和装置 - Google Patents

空调组的控制方法和装置 Download PDF

Info

Publication number
CN110836514A
CN110836514A CN201810942517.0A CN201810942517A CN110836514A CN 110836514 A CN110836514 A CN 110836514A CN 201810942517 A CN201810942517 A CN 201810942517A CN 110836514 A CN110836514 A CN 110836514A
Authority
CN
China
Prior art keywords
air conditioning
training
parameters
control
data set
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
CN201810942517.0A
Other languages
English (en)
Other versions
CN110836514B (zh
Inventor
连园园
秦萍
陈浩广
彭磊
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.)
Gree Electric Appliances Inc of Zhuhai
Original Assignee
Gree Electric Appliances Inc of Zhuhai
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 Gree Electric Appliances Inc of Zhuhai filed Critical Gree Electric Appliances Inc of Zhuhai
Priority to CN201810942517.0A priority Critical patent/CN110836514B/zh
Publication of CN110836514A publication Critical patent/CN110836514A/zh
Application granted granted Critical
Publication of CN110836514B publication Critical patent/CN110836514B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • F24F11/47—Responding to energy costs
    • 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
    • F24F11/50—Control or safety arrangements characterised by user interfaces or communication
    • F24F11/56—Remote control
    • F24F11/58—Remote control using Internet communication
    • 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
    • F24F11/88—Electrical aspects, e.g. circuits
    • 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
    • F24F11/89—Arrangement or mounting of control or safety devices
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Signal Processing (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Human Computer Interaction (AREA)
  • Artificial Intelligence (AREA)
  • Fuzzy Systems (AREA)
  • Multimedia (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

本发明公开了一种空调组的控制方法和装置。其中，该方法包括：获取目标环境参数；基于目标环境参数，根据预设的空调组控制模型，对空调组中每个空调的控制参数进行预测，其中，空调组控制模型通过使用预设数据集对神经网络模型进行训练得到，预设数据集包括：预设的历史时间段内空调组所处环境的环境参数、空调组中每个空调的控制参数和空调组的耗电参数。本发明解决了现有技术中空调的节能效果不佳的技术问题。

Description

空调组的控制方法和装置
技术领域
本发明涉及空调控制领域，具体而言，涉及一种空调组的控制方法和装置。
背景技术
空调是目前调节室内温度的常用设备，无论是家庭还是室内的公共场所，都极大的提高了室内用户的舒适度。
但空调在使用的过程中耗电量较大，尤其对于安装了多联机组的空间较大的环境，日常使用过程中空调组的耗电性能对用户的成本控制起到很重要的作用。而大空间的空调组的控制是一个多目标、多约束、非线性的复杂控制系统，因此如何既能满足用户的调温需求，又能实现耗电最优，对空调制造和使用来说均是一项重要的实现目标，且目前的空调还难以实现。
针对现有技术中空调的节能效果不佳的问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种空调组的控制方法和装置，以至少解决现有技术中空调的节能效果不佳的技术问题。
根据本发明实施例的一个方面，提供了一种空调组的控制方法，包括：获取目标环境参数；基于目标环境参数，根据预设的空调组控制模型，对空调组中每个空调的控制参数进行预测，其中，空调组控制模型通过使用预设数据集对神经网络模型进行训练得到，预设数据集包括：预设的历史时间段内空调组所处环境的环境参数、空调组中每个空调的控制参数和空调组的耗电参数。
进一步地，在获取目标环境参数之前，获取空调组控制模型，其中，空调组控制模型为双向长短期记忆网络模型，获取空调组控制模型，包括：根据预设数据集，确定在不同环境参数下，使空调组耗电参数最小的每个空调的目标控制参数；确定环境参数和目标控制参数为样本数据集；根据样本数据集对预设的初始神经网络模型进行训练，得到空调组控制模型，其中，初始神经网络模型为具有预设网络参数的双向长短期记忆网络模型。
进一步地，对样本数据集进行预处理，得到第一训练数据集和测试数据集；使用第一训练数据集对目标神经网络模型进行训练，得到第一训练结果，其中，当进行首次训练时，目标神经网络模型为初始神经网络模型，当进行非首次训练时，目标神经网络模型为上一次训练得到的神经网络模型；根据第一训练结果确定空调组控制模型。
进一步地，通过使用测试数据集对第一训练结果进行测试，得到测试结果；并使用第二训练数据集将第一训练数据集与测试结果合并为第二训练数据集，对第一训练结果进行训练，得到第二训练结果；确定第二训练结果为空调组控制模型。
进一步地，在确定第二训练结果为空调组控制模型之前，判断第二训练结果是否收敛；如果第二训练结果收敛，则确定第二训练结果为空调组控制模型；如果第二训练结果不收敛，则继续对第二训练结果进行训练，直至得到收敛的第二训练结果。
进一步地，在基于目标环境信息，根据预设的空调组控制模型，对空调的目标控制参数进行预测之后，根据预测得到的空调组中每个空调的目标控制参数对空调组进行控制。
进一步地，目标环境参数包括目标温度和如下任意一项：目标湿度和环境的人流信息。
根据本发明实施例的另一方面，还提供了一种空调的控制装置，包括：采集模块，用于获取目标环境参数；预测模块，用于基于目标环境参数，根据预设的空调组控制模型，对空调组中每个空调的控制参数进行预测，其中，空调组控制模型通过使用预设数据集对神经网络模型进行训练得到，预设数据集包括：预设的历史时间段内空调组所处环境的环境参数、空调组中每个空调的控制参数和空调组的耗电参数。
根据本发明实施例的另一方面，还提供了一种存储介质，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上述的空调组的控制方法。
根据本发明实施例的另一方面，还提供了一种处理器，处理器用于运行程序，其中，程序运行时执行上述的空调组的控制方法。
在本发明实施例中，获取目标环境参数；基于环境参数，根据预设的空调组控制模型，对空调组中每个空调的控制参数进行预测，其中，空调组控制模型通过使用样本数据集对神经网络模型进行训练得到，样本数据集包括预设的历史时间段内，空调组的环境参数、空调组中每个空调的控制参数和空调组的耗电参数。上述方案使用通过空调组的耗电参数训练得到的模型，在确定目标环境参数后，预测空调组中每个空调的控制参数，从而根据训练好的网络模型，在空调运行过程中实现空调组自动控制，在满足用户的调温需求的同时，电能消耗最小，进而解决了现有技术中空调的节能效果不佳的技术问题，并兼顾了实时性和节能性。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，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空调组的控制方法的流程图；
图2是根据本发明实施例的一种双向LSTM模型的示意图；以及
图3是根据本发明实施例的空调的控制装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明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发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明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，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。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
根据本发明实施例，提供了一种空调组的控制方法的实施例，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。
图1是根据本发明实施例的空调组的控制方法的流程图，如图1所示，该方法包括如下步骤：
步骤S102，获取目标环境参数。
具体的，上述目标环境参数可以是目标温度，即需要室内达到的温度。在一种可选的实施例中，该目标环境参数可以是用户设置的，也可以是预置在空调内部的。
在一种可选的实施例中，以商场中的空调组为例，商场管理人员将目标环境参数设置为25℃，空调组即获取到目标环境参数25℃。
步骤S104，基于目标环境参数，根据预设的空调组控制模型，对空调组中每个空调的控制参数进行预测，其中，空调组控制模型通过使用预设数据集对神经网络模型进行训练得到，预设数据集包括：预设的历史时间段内空调组所处环境的环境参数、空调组中每个空调的控制参数和空调组的耗电参数。
具体的，空调组中每个空调的控制参数，可以包括单个空调的目标温度、目标湿度、扫风模式以及出风速度等，通过对空调组中每个空调进行控制，使得室内的整体环境能够满足目标参数。
在一种可选的实施例中，空调组将获取到的环境参数输入至空调组控制模型，空调组控制模型根据接收到的目标环境参数进行预测，即可输出空调组中每个空调的控制参数。
仍以商场内的空调组为例，空调组内包括多个空调，每个空调具有对应的标识，将目标环境参数输入至空调组控制模型后，空调组控制模型能够输出每个空调的控制参数以及控制参数对应的标识，空调组中的每个空调根据标识在输出结果查找对应的控制参数，从而得到了空调组控制模型的预测结果。
上述神经网络模型可以为LSTM(Long Short-Term Memory，长短期记忆网络)模型，LSTM模型是一种时间递归神经网络，其区别于RNN(Recurrent Neural Network，循环神经网络)的地方在于，它的算法中加了用于判断信息是否有用的“处理器”，即“cell”，cell当中被放置了三扇门，分别叫做输入门、遗忘门和书出门，一个信息进入LSTM的网络中，可以根据预设的规则来判断是否有用，只有符合算法认证的信息才会留下，由此适用于处理长序依赖的问题。
由上可知，本申请上述实施例获取目标环境参数；基于环境参数，根据预设的空调组控制模型，对空调组中每个空调的控制参数进行预测，空调组控制模型通过使用样本数据集对神经网络模型进行训练得到，样本数据集包括预设的历史时间段内，空调组的环境参数、空调组中每个空调的控制参数和空调组的耗电参数。上述方案使用通过空调组的耗电参数训练得到的模型，在确定目标环境参数后，预测空调组中每个空调的控制参数，从而根据训练好的网络模型，在空调运行过程中实现空调组自动控制，在满足用户的调温需求的同时，使电能消耗最小，进而解决了现有技术中空调的节能效果不佳的技术问题，并兼顾了实时性和节能性。
作为一种可选的实施例，在获取目标环境参数之前，方法还包括：获取空调组控制模型，其中，空调组控制模型为双向长短期记忆网络模型，获取空调组控制模型，包括：根据预设数据集，确定在不同环境参数下，使空调组耗电参数最小的空调的目标控制参数；确定环境参数和目标控制参数为样本数据集；根据样本数据集对预设的初始神经网络模型进行训练，得到空调组控制模型，其中，初始神经网络模型为具有预设网络参数的双向LSTM模型。
上述方案使用预设的历史时间段内，空调组的环境参数、空调组中每个空调的控制参数和空调组的耗电参数对神经网络模型进行训练。
在一种可选的实施例中，不同环境参数为不同目标温度，每个目标温度对应多组子数据集，以“16℃～28℃”为例，16℃、17℃、18℃……28℃中的每个目标温度对应多组子数据集，每组子数据集中包括：每个空调的控制参数，和空调按照该控制参数运行时，空调组的耗电参数，其中，每组子数据集中的空调控制参数不同。
首先，确定每个子数据集对应的目标温度下，电能消耗最小的一组控制参数，即每个空调的目标控制参数，在将目标温度和在该目标温度下电能消耗最小的每个空调的控制参数作为样本数据集，对神经网络模型进行训练，即可得到上述空调组控制模型。使用该空调组控制模型时，将目标环境参数输入至模型，即可得到模型输出的空调组中每个空调的控制参数的预测值。
图2是根据本发明实施例的一种双向LSTM模型的示意图，结合图2所示，双向LSTM是在LSTM的基础上，考虑了序列数据上下文信息的网络结构，该网络结构有两个独立的LSTM网络，分别处理不同的序列数据。上述网络结构分为输入层、前向层、后向层和输出层，其中输出层使用softmax函数作为激活函数。
相比于现有技术，根据本方案的基于双向LSTM模型的空调组节能控制方法，可以根据训练出的空调组控制模型，结合目标环境信息，在耗电量最低的基础上实现满足用户需求的空调组最优控制方式，从而可以既能满足用户的调温需求，又实现耗电最优的效果。
作为一种可选的实施例，根据样本数据集对预设的初始神经网络模型进行训练，得到空调组控制模型，包括：对样本数据集进行预处理，得到第一训练数据集和测试数据集；使用第一训练数据集对目标神经网络模型进行训练，得到第一训练结果，其中，当进行首次训练时，目标神经网络模型为初始神经网络模型，当进行非首次训练时，目标神经网络模型为上一次训练得到的神经网络模型；根据第一训练结果确定空调组控制模型。
具体的，对样本数据集的预处理可以是对样本数据集中的数据进行分类，得到第一训练数据和测试数据集，分类的方式可以是随机的，也可以是按照预设的时间节点进行分类。
在训练的过程中，如果是首次训练，则训练对象为初始神经网络模型，如果为非首次训练，则训练对象为上一次训练得到的神经网络模型。
在一种可选的实施例中，可以在空调组出厂前，对空调组中的初始神经网络模型使用预设的样本数据集进行训练，在空调组出厂后，在空调组运行的过程中获取新的样本数据集，并在预设训练周期到达时，对上一次训练得到的神经网络模型进行训练。
作为一种可选的实施例，根据第一训练结果确定空调组控制模型，包括：通过使用测试数据集对第一训练结果进行测试，得到测试结果；并使用第二训练数据集将第一训练数据集与测试结果合并为第二训练数据集，对第一训练结果进行训练，得到第二训练结果；确定第二训练结果为空调组控制模型。
在通过对双向LSTM模型的前向层的训练得到第一训练结果后，使用测试数据集对第一训练结果进行仿真测试，得到测试结果，再将测试结果和第一训练数据合并为第二训练数据集，使用第二训练数据集对第一训练结果的后向层进行训练，从而得到空调组的控制模型。
作为一种可选的实施例，在确定第二训练结果为空调组控制模型之前，上述方法还包括：判断第二训练结果是否收敛；如果第二训练结果收敛，则确定第二训练结果为空调组控制模型；如果第二训练结果不收敛，则继续对第二训练结果进行训练，直至得到收敛的第二训练结果。
具体的，收敛指的是，迭代n次之后输出的结果与真实值之间的误差小于预设的误差阈值。使用上述模型训练方法，能够充分利用数据信息，从而提升空调组控制模型对空调控制参数预测能力。
作为一种可选的实施例，在基于环境信息，根据预设的空调组控制模型，对空调的目标控制参数进行预测之后，上述方法还包括：根据预测得到的空调组中每个空调的控制参数对空调组进行控制。
具体的，上述空调组控制模型输出的结果为空调组中，每个空调的控制参数。
在一种可选的实施例中，空调组控制模型输出的结果中，每个空调的控制参数具有对应的标识，该标识与空调组中的空调具有对应关系，用于表示控制参数对应的空调，空调组控制器根据标识查找到控制参数对应的空调，并使用空调控制参数对对应的空调进行控制。
作为一种可选的实施例，所获取目标环境参数包括目标温度和如下任意一项：目标湿度和环境的人流信息。
具体的，目标温度用于输入至空调组控制模型，得到空调组控制模型输出的空调控制参数，而目标湿度用于对空调的加湿功能进行控制，环境的人流信息可以包括：人流量和人流分布。空调可以通过红外传感器获取人流信息，或通过图像采集装置采集图像后，通过对图像进行分析获取人流信息，还可以由室内的其他设备获取人流信息，并通过网络发送至空调。环境的人流信息用于对空调组控制模型输出的控制参数进行微调，从而更加符合环境本身的情况。
实施例2
根据本发明实施例，提供了一种空调的控制装置的实施例，图3是根据本发明实施例的空调的控制装置的示意图，如图3所示，该装置包括：
采集模块30，用于获取目标环境参数。
预测模块32，用于基于目标环境参数，根据预设的空调组控制模型，对空调组中每个空调的控制参数进行预测，其中，空调组控制模型通过使用预设数据集对神经网络模型进行训练得到，预设数据集包括：预设的历史时间段内空调组所处环境的环境参数、空调组中每个空调的控制参数和空调组的耗电参数。
作为一种可选的实施例，上述装置还包括：获取模块，用于在获取目标环境参数之前，获取空调组控制模型，其中，空调组控制模型为双向长短期记忆网络模型，获取模块包括：第一确定子模块，用于根据预设数据集，确定在不同环境参数下，使空调组耗电参数最小的每个空调的目标控制参数；第二确定子模块，用于确定环境参数和目标控制参数为样本数据集；训练子模块，用于根据样本数据集对预设的初始神经网络模型进行训练，得到空调组控制模型，其中，初始神经网络模型为具有预设网络参数的双向长短期记忆网络模型。
作为一种可选的实施例，训练子模块包括：预处理单元，用于对样本数据集进行预处理，得到第一训练数据集和测试数据集；训练单元，用于使用第一训练数据集对目标神经网络模型进行训练，得到第一训练结果，其中，当进行首次训练时，目标神经网络模型为初始神经网络模型，当进行非首次训练时，目标神经网络模型为上一次训练得到的神经网络模型；确定单元，用于根据第一训练结果确定空调组控制模型。
作为一种可选的实施例，确定单元包括：测试子单元，用于通过使用测试数据集对第一训练结果进行测试，得到测试结果；训练子单元，用于将第一训练数据集与测试结果合并为第二训练数据集，并使用第二训练数据集对第一训练结果进行训练，得到第二训练结果；第一确定子单元，用于确定第二训练结果为空调组控制模型。
作为一种可选的实施例，上述确定单元还包括：判断子单元，用于在确定第二训练结果为空调组控制模型之前，判断第二训练结果是否收敛；第二确定子单元，用于如果第二训练结果收敛，则确定第二训练结果为空调组控制模型；继续训练单元，用于如果第二训练结果不收敛，则继续对第二训练结果进行训练，直至得到收敛的第二训练结果。
作为一种可选的实施例，上述装置还包括：控制模块，用于在基于目标环境信息，根据预设的空调组控制模型，对空调的目标控制参数进行预测之后，根据预测得到的空调组中每个空调的目标控制参数对空调组进行控制。
作为一种可选的实施例，目标环境参数包括目标温度和如下任意一项：目标湿度和环境的人流信息。
实施例3
根据本发明实施例，提供了一种存储介质，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实施例1中的空调组的控制方法。
实施例4
根据本发明实施例，提供了一种处理器，处理器用于运行程序，其中，程序运行时执行实施例1中的空调组的控制方法。
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。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。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或者该技术方案的全部或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中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种空调组的控制方法，其特征在于，包括：
获取目标环境参数；
基于所述目标环境参数，根据预设的空调组控制模型，对所述空调组中每个空调的控制参数进行预测，其中，所述空调组控制模型通过使用预设数据集对神经网络模型进行训练得到，所述预设数据集包括：预设的历史时间段内所述空调组所处环境的环境参数、所述空调组中每个空调的控制参数和所述空调组的耗电参数。
2.根据权利要求1所述的方法，其特征在于，在获取目标环境参数之前，所述方法还包括：获取所述空调组控制模型，其中，所述空调组控制模型为双向长短期记忆网络模型，获取所述空调组控制模型，包括：
根据所述预设数据集，确定在不同环境参数下，使所述空调组耗电参数最小的每个空调的目标控制参数；
确定所述环境参数和所述目标控制参数为样本数据集；
根据所述样本数据集对预设的初始神经网络模型进行训练，得到所述空调组控制模型，其中，所述初始神经网络模型为具有预设网络参数的双向长短期记忆网络模型。
3.根据权利要求2所述的方法，其特征在于，根据所述样本数据集对预设的初始神经网络模型进行训练，得到所述空调组控制模型，包括：
对所述样本数据集进行预处理，得到第一训练数据集和测试数据集；
使用所述第一训练数据集对目标神经网络模型进行训练，得到第一训练结果，其中，当进行首次训练时，所述目标神经网络模型为初始神经网络模型，当进行非首次训练时，所述目标神经网络模型为上一次训练得到的神经网络模型；
根据所述第一训练结果确定所述空调组控制模型。
4.根据权利要求3所述的方法，其特征在于，根据所述第一训练结果确定所述空调组控制模型，包括：
通过使用所述测试数据集对所述第一训练结果进行测试，得到测试结果；
将所述第一训练数据集与所述测试结果合并为第二训练数据集，并使用所述第二训练数据集对所述第一训练结果进行训练，得到第二训练结果；
确定所述第二训练结果为所述空调组控制模型。
5.根据权利要求4所述的方法，其特征在于，在确定所述第二训练结果为所述空调组控制模型之前，所述方法还包括：
判断所述第二训练结果是否收敛；
如果所述第二训练结果收敛，则确定所述第二训练结果为所述空调组控制模型；
如果所述第二训练结果不收敛，则继续对所述第二训练结果进行训练，直至得到收敛的所述第二训练结果。
6.根据权利要求1至5中任意一项所述的方法，其特征在于，在基于所述目标环境信息，根据预设的空调组控制模型，对所述空调的目标控制参数进行预测之后，所述方法还包括：根据预测得到的所述空调组中每个空调的目标控制参数对所述空调组进行控制。
7.根据权利要求1所述的方法，其特征在于，所述目标环境参数包括目标温度和如下任意一项：目标湿度和所述环境的人流信息。
8.一种空调的控制装置，其特征在于，包括：
采集模块，用于获取目标环境参数；
预测模块，用于基于所述目标环境参数，根据预设的空调组控制模型，对所述空调组中每个空调的控制参数进行预测，其中，所述空调组控制模型通过使用预设数据集对神经网络模型进行训练得到，所述预设数据集包括：预设的历史时间段内所述空调组所处环境的环境参数、所述空调组中每个空调的控制参数和所述空调组的耗电参数。
9.一种存储介质，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7中任意一项所述的空调组的控制方法。
10.一种处理器，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7中任意一项所述的空调组的控制方法。
CN201810942517.0A 2018-08-17 2018-08-17 空调组的控制方法和装置 Active CN110836514B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810942517.0A CN110836514B (zh) 2018-08-17 2018-08-17 空调组的控制方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810942517.0A CN110836514B (zh) 2018-08-17 2018-08-17 空调组的控制方法和装置

Publications (2)

Publication Number Publication Date
CN110836514A true CN110836514A (zh) 2020-02-25
CN110836514B CN110836514B (zh) 2021-01-29

Family

ID=69574362

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810942517.0A Active CN110836514B (zh) 2018-08-17 2018-08-17 空调组的控制方法和装置

Country Status (1)

Country Link
CN (1) CN110836514B (zh)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112178861A (zh) * 2020-09-28 2021-01-05 珠海格力电器股份有限公司 健身房空调器的控制方法、装置、控制器及空调系统
CN112418039A (zh) * 2020-11-13 2021-02-26 佛山市顺德区美的电子科技有限公司 吹风设备及其控制方法、装置和存储介质
CN113110082A (zh) * 2021-04-15 2021-07-13 青岛海尔空调器有限总公司 用于家电控制的方法、装置和家电
CN113268913A (zh) * 2021-06-24 2021-08-17 广州鼎泰智慧能源科技有限公司 一种基于pso-elm算法的智能建筑空调冷机系统运行优化方法
CN113405134A (zh) * 2021-05-31 2021-09-17 青岛海尔科技有限公司 用于自动控制烟机的方法、装置、存储介质及服务器
CN113739354A (zh) * 2020-05-29 2021-12-03 广东美的制冷设备有限公司 空调器的控制方法、空调器及存储介质
CN113739364A (zh) * 2020-05-29 2021-12-03 广东美的制冷设备有限公司 能耗预估方法、空调器及存储介质
CN113739348A (zh) * 2020-05-29 2021-12-03 广东美的制冷设备有限公司 冷媒状态的检测方法、空调器及存储介质
CN113757922A (zh) * 2020-06-03 2021-12-07 中国移动通信集团浙江有限公司 一种基于深度学习的空调系统节能控制方法、装置、设备及计算机介质
CN114777289A (zh) * 2022-04-07 2022-07-22 新奥数能科技有限公司 空调节能效果的评价方法及装置
CN114963458A (zh) * 2021-02-23 2022-08-30 海信集团控股股份有限公司 一种热舒适参数预测方法及其设备
CN115076762A (zh) * 2021-03-10 2022-09-20 佛山市顺德区美的电热电器制造有限公司 功率调节方法、功率调节装置及温度调节设备
CN115915708A (zh) * 2022-10-28 2023-04-04 北京百度网讯科技有限公司 制冷设备控制参数预测方法、装置、电子设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1427211A (zh) * 2001-12-17 2003-07-02 乐金电子(天津)电器有限公司 空调机的制冷控制方法
CN102620378A (zh) * 2011-01-27 2012-08-01 国际商业机器公司 数据中心节能控制方法和系统
US20160357209A1 (en) * 2011-06-13 2016-12-08 Gridpoint, Inc. Controlling the setback and setback recovery of a power-consuming device
CN106642600A (zh) * 2015-11-04 2017-05-10 宏云电股份有限公司 空调装置与云控空调系统
CN107730003A (zh) * 2017-10-23 2018-02-23 华中科技大学 一种支持多电器类型高精度的nilm实现方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1427211A (zh) * 2001-12-17 2003-07-02 乐金电子(天津)电器有限公司 空调机的制冷控制方法
CN102620378A (zh) * 2011-01-27 2012-08-01 国际商业机器公司 数据中心节能控制方法和系统
US20160357209A1 (en) * 2011-06-13 2016-12-08 Gridpoint, Inc. Controlling the setback and setback recovery of a power-consuming device
CN106642600A (zh) * 2015-11-04 2017-05-10 宏云电股份有限公司 空调装置与云控空调系统
CN107730003A (zh) * 2017-10-23 2018-02-23 华中科技大学 一种支持多电器类型高精度的nilm实现方法

Cited By (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113739354A (zh) * 2020-05-29 2021-12-03 广东美的制冷设备有限公司 空调器的控制方法、空调器及存储介质
CN113739348B (zh) * 2020-05-29 2023-05-26 广东美的制冷设备有限公司 冷媒状态的检测方法、空调器及存储介质
CN113739364B (zh) * 2020-05-29 2023-12-26 广东美的制冷设备有限公司 能耗预估方法、空调器及存储介质
CN113739348A (zh) * 2020-05-29 2021-12-03 广东美的制冷设备有限公司 冷媒状态的检测方法、空调器及存储介质
CN113739364A (zh) * 2020-05-29 2021-12-03 广东美的制冷设备有限公司 能耗预估方法、空调器及存储介质
CN113757922A (zh) * 2020-06-03 2021-12-07 中国移动通信集团浙江有限公司 一种基于深度学习的空调系统节能控制方法、装置、设备及计算机介质
CN112178861A (zh) * 2020-09-28 2021-01-05 珠海格力电器股份有限公司 健身房空调器的控制方法、装置、控制器及空调系统
CN112178861B (zh) * 2020-09-28 2021-08-27 珠海格力电器股份有限公司 健身房空调器的控制方法、装置、控制器及空调系统
CN112418039B (zh) * 2020-11-13 2024-05-14 佛山市顺德区美的电子科技有限公司 吹风设备及其控制方法、装置和存储介质
CN112418039A (zh) * 2020-11-13 2021-02-26 佛山市顺德区美的电子科技有限公司 吹风设备及其控制方法、装置和存储介质
CN114963458B (zh) * 2021-02-23 2023-09-05 海信集团控股股份有限公司 一种热舒适参数预测方法及其设备
CN114963458A (zh) * 2021-02-23 2022-08-30 海信集团控股股份有限公司 一种热舒适参数预测方法及其设备
CN115076762B (zh) * 2021-03-10 2024-04-16 佛山市顺德区美的电热电器制造有限公司 功率调节方法、功率调节装置及温度调节设备
CN115076762A (zh) * 2021-03-10 2022-09-20 佛山市顺德区美的电热电器制造有限公司 功率调节方法、功率调节装置及温度调节设备
CN113110082A (zh) * 2021-04-15 2021-07-13 青岛海尔空调器有限总公司 用于家电控制的方法、装置和家电
CN113405134A (zh) * 2021-05-31 2021-09-17 青岛海尔科技有限公司 用于自动控制烟机的方法、装置、存储介质及服务器
CN113268913A (zh) * 2021-06-24 2021-08-17 广州鼎泰智慧能源科技有限公司 一种基于pso-elm算法的智能建筑空调冷机系统运行优化方法
CN114777289B (zh) * 2022-04-07 2024-04-16 新奥数能科技有限公司 空调节能效果的评价方法及装置
CN114777289A (zh) * 2022-04-07 2022-07-22 新奥数能科技有限公司 空调节能效果的评价方法及装置
CN115915708A (zh) * 2022-10-28 2023-04-04 北京百度网讯科技有限公司 制冷设备控制参数预测方法、装置、电子设备及存储介质
CN115915708B (zh) * 2022-10-28 2024-04-12 北京百度网讯科技有限公司 制冷设备控制参数预测方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN110836514B (zh) 2021-01-29

Similar Documents

Publication Publication Date Title
CN110836514B (zh) 空调组的控制方法和装置
CN113110082B (zh) 用于家电控制的方法、装置和家电
US10584892B2 (en) Air-conditioning control method, air-conditioning control apparatus, and storage medium
Kim Optimal price based demand response of HVAC systems in multizone office buildings considering thermal preferences of individual occupants buildings
CN108488987B (zh) 空气调节设备的控制方法、存储介质和设备
Platt et al. Adaptive HVAC zone modeling for sustainable buildings
CN110726218B (zh) 空调器及其控制方法、装置、存储介质和处理器
CN108052014A (zh) 智能家居的控制方法、系统及计算机可读存储介质
Pazhoohesh et al. A satisfaction-range approach for achieving thermal comfort level in a shared office
Garnier et al. Low computational cost technique for predictive management of thermal comfort in non-residential buildings
WO2020075824A1 (ja) 空気調和機、データ送信方法及び空気調和システム
KR20150095995A (ko) 상황인식 기반의 빌딩 에너지 관리 시스템 및 그를 이용한 빌딩 에너지 관리 방법
Vázquez et al. Usage profiles for sustainable buildings
CN110726209B (zh) 空调控制方法、装置、存储介质以及处理器
CN111694280A (zh) 一种应用场景的控制系统及其控制方法
KR102369350B1 (ko) 인공신경망을 이용한 공기조화설비의 에너지 사용량 및 데이터 예측 시스템 및 그 방법
Biyik et al. Cloud-based model predictive building thermostatic controls of commercial buildings: Algorithm and implementation
CN112415902A (zh) 用于控制智能家电的方法及装置、智能家电
May-Ostendorp et al. Experimental investigation of model predictive control-based rules for a radiantly cooled office
CN114838470A (zh) 一种暖通空调的控制方法和系统
CN110793166A (zh) 空气净化器的配置参数确定方法及装置
Habib et al. Automatic occupancy prediction using unsupervised learning in buildings data
CN113137701B (zh) 用于空调控制的方法、装置和空调
CN112944624B (zh) 用于空调控制的方法和空调
CN114488829A (zh) 用于控制家电设备的方法及装置、服务器

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