CN110925974A - 空调器及其输出参数的控制方法和控制装置 - Google Patents
空调器及其输出参数的控制方法和控制装置 Download PDFInfo
- Publication number
- CN110925974A CN110925974A CN201911252389.8A CN201911252389A CN110925974A CN 110925974 A CN110925974 A CN 110925974A CN 201911252389 A CN201911252389 A CN 201911252389A CN 110925974 A CN110925974 A CN 110925974A
- Authority
- CN
- China
- Prior art keywords
- target parameter
- value
- trend curve
- ideal
- parameter
- 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
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
- F24F11/70—Control systems characterised by their outputs; Constructional details thereof
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种空调器及其输出参数的控制方法和控制装置,所述方法包括:周期性获取目标参数的实际值;根据已经获取到的目标参数的实际值,生成未来设定时间段内目标参数的理想预测值;根据未来设定时间段内目标参数的理想预测值,生成目标参数的趋势曲线;根据目标参数的趋势曲线识别出目标参数的变化趋势收敛,并获取目标参数的收敛稳定值;根据目标参数的收敛稳定值和目标参数的设定值,计算输出参数的增量。本发明的控制方法,能够有效减小系统的超调并防止系统震荡,具有较好的鲁棒性。
Description
技术领域
本发明涉及空调技术领域,尤其涉及一种输出参数的控制方法、一种输出参数的控制装置、一种空调器和一种电子设备。
背景技术
滞后现象普遍存在于中央空调系统的控制过程中,例如,末端的室温控制过程,冷冻水供回水温差的控制过程,冷却水供回水温差的控制过程等。时滞问题产生的主要原因有:系统中传热介质本身的物性,例如,空气、流体等本身具有的热惰性,除此以外还包括对系统变量的采样、控制周期等。其中,传热介质的热惰性往往对控制效果造成很大的影响,例如,调节风机的风阀之后,可能几十秒甚至几分钟之内都难以观察到明显的室温变化,由于在输入作用下不能立刻观察出它对输出的影响,这种现象显著增加了控制系统设计的难度。在实际控制中,这种延时的长短往往又是随时间变化且难以预知的,因此进一步增加了系统的控制难度。
针对上述问题,常规的实时控制算法一般情况下效果不理想,同时由于采用固定的控制周期容易造成较明显的超调,甚至造成系统频繁震荡无法收敛到设定值。因此,如何以动态的方式实时选择合理的控制周期能够有效缓解滞后系统控制中存在的超调及震荡问题。在中央空调系统中,传热介质是其中的核心组成部分,如,制冷剂,水等,这些传热介质中存在的热惰性造成滞后控制问题充斥于整个空调系统的控制过程中,难以忽视,例如,冷冻水的供回水温差控制,末端室温控制,冷却水回水温度控制等,成为最常见、最难解决的非线性控制问题之一,因此,找到针对中央空调系统中滞后现象的合理控制方法与策略具有十分现实的意义。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此,本发明的第一个目的在于提出一种输出参数的控制方法,能够有效减小系统的超调并防止系统震荡,具有较好的鲁棒性。
本发明的第二个目的在于提出一种输出参数的控制装置。
本发明的第三个目的在于提出一种空调器。
本发明的第四个目的在于提出一种电子设备。
本发明的第五个目的在于提出一种计算机可读存储介质。
为达到上述目的,本发明第一方面实施例提出了一种输出参数的控制方法,包括:周期性获取目标参数的实际值;根据已经获取到的所述目标参数的实际值,生成未来设定时间段内所述目标参数的理想预测值;根据所述未来设定时间段内所述目标参数的理想预测值,生成所述目标参数的趋势曲线;根据所述目标参数的趋势曲线识别出所述目标参数的变化趋势收敛,并获取所述目标参数的收敛稳定值;根据所述目标参数的收敛稳定值和所述目标参数的设定值,计算所述输出参数的增量。
根据本发明实施例的输出参数的控制方法,周期性获取目标参数的实际值;根据已经获取到的目标参数的实际值,生成未来设定时间段内目标参数的理想预测值;根据未来设定时间段内目标参数的理想预测值,生成目标参数的趋势曲线;根据目标参数的趋势曲线识别出目标参数的变化趋势收敛,并获取目标参数的收敛稳定值;根据目标参数的收敛稳定值和目标参数的设定值,计算输出参数的增量。由此,该方法能够有效减小系统的超调并防止系统震荡,具有较好的鲁棒性。
另外,根据本发明上述实施例的输出参数的控制方法还可以具有如下附加的技术特征:
根据本发明的一个实施例,所述根据已经获取到的所述目标参数的实际值,生成未来设定时间段内所述目标参数的理想预测值,包括:根据已经获取到的所述目标参数的实际值和预设系数的预测模型,对所述预测模型的所述预设系数进行更新,得到理想预测模型;根据已经获取到的所述目标参数的实际值和所述理想预测模型,生成所述未来设定时间段内所述目标参数的理想预测值。
根据本发明的一个实施例,所述根据已经获取到的所述目标参数的实际值和预设系数的预测模型,对所述预测模型的所述预设系数进行更新,得到理想预测模型,包括:根据已经获取到的所述目标参数的实际值和所述预设系数的预测模型,生成下一周期所述目标参数的预测值;根据下一周期所述目标参数的预测值和下一周期获取的所述目标参数的实际值之间的偏差,对所述预测模型的所述预设系数进行更新,直至更新后的所述预测模型生成的下一周期所述目标参数的预测值和下一周期获取的所述目标参数的实际值之间的偏差小于设定偏差阈值,得到所述理想预测模型。
根据本发明的一个实施例,所述预测模型为自回归滑动平均时间序列模型。
根据本发明的一个实施例,所述根据所述目标参数的趋势曲线识别出所述目标参数的变化趋势收敛,并获取所述目标参数的收敛稳定值,包括:根据所述目标参数的趋势曲线在预设的多个趋势曲线模板中选取出最匹配的趋势曲线模板作为所述目标参数的理想趋势曲线;识别出所述目标参数的理想趋势曲线的变化趋势收敛,并根据所述目标参数的理想趋势曲线获取所述目标参数的收敛稳定值。
根据本发明的一个实施例,所述根据所述目标参数的趋势曲线在预设的多个趋势曲线模板中选取出最匹配的趋势曲线模板作为所述目标参数的理想趋势曲线,包括:将所述目标参数的趋势曲线和所述多个趋势曲线模板分别进行比较,并计算出所述目标参数的趋势曲线和每个所述趋势曲线模板的拟合度;将所述多个趋势曲线模板中所述拟合度最小的所述趋势曲线模板作为所述目标参数的理想趋势曲线。
根据本发明的一个实施例,所述根据所述目标参数的收敛稳定值和所述目标参数的设定值,计算所述输出参数的增量,包括:计算所述目标参数的收敛稳定值和所述目标参数的设定值之间的差值;根据所述差值计算所述输出参数的增量,所述差值的绝对值越大,所述输出参数的增量的绝对值越大。
根据本发明的一个实施例,所述根据所述差值计算所述输出参数的增量,包括:根据所述差值和预设的归一化映射函数,生成所述目标参数的归一化差值;根据所述目标参数的归一化差值得到所述输出参数的增量。
为达到上述目的,本发明第二方面实施例提出了一种输出参数的控制装置,包括:获取模块,用于周期性获取目标参数的实际值;第一生成模块,用于根据已经获取到的所述目标参数的实际值,生成未来设定时间段内所述目标参数的理想预测值;第二生成模块,用于根据所述未来设定时间段内所述目标参数的理想预测值,生成所述目标参数的趋势曲线;识别模块,用于根据所述目标参数的趋势曲线识别出所述目标参数的变化趋势收敛,并获取所述目标参数的收敛稳定值;计算模块,用于根据所述目标参数的收敛稳定值和所述目标参数的设定值,计算所述输出参数的增量。
根据本发明实施例的输出参数的控制装置,获取模块周期性获取目标参数的实际值,第一生成模块根据已经获取到的目标参数的实际值,生成未来设定时间段内目标参数的理想预测值,第二生成模块根据未来设定时间段内目标参数的理想预测值,生成目标参数的趋势曲线,识别模块根据目标参数的趋势曲线识别出目标参数的变化趋势收敛,并获取目标参数的收敛稳定值,计算模块根据目标参数的收敛稳定值和目标参数的设定值,计算输出参数的增量。由此,该装置能够有效减小系统的超调并防止系统震荡,具有较好的鲁棒性。
另外,根据本发明上述实施例的输出参数的控制装置还可以具有如下附加的技术特征:
根据本发明的一个实施例,所述第一生成模块具体用于:根据已经获取到的所述目标参数的实际值和预设系数的预测模型,对所述预测模型的所述预设系数进行更新,得到理想预测模型;根据已经获取到的所述目标参数的实际值和所述理想预测模型,生成所述未来设定时间段内所述目标参数的理想预测值。
根据本发明的一个实施例,所述第一生成模块具体用于:根据已经获取到的所述目标参数的实际值和所述预设系数的预测模型,生成下一周期所述目标参数的预测值;根据下一周期所述目标参数的预测值和下一周期获取的所述目标参数的实际值之间的偏差,对所述预测模型的所述预设系数进行更新,直至更新后的所述预测模型生成的下一周期所述目标参数的预测值和下一周期获取的所述目标参数的实际值之间的偏差小于设定偏差阈值,得到所述理想预测模型。
根据本发明的一个实施例,所述预测模型为自回归滑动平均时间序列模型。
根据本发明的一个实施例,所述识别模块具体用于:根据所述目标参数的趋势曲线在预设的多个趋势曲线模板中选取出最匹配的趋势曲线模板作为所述目标参数的理想趋势曲线;识别出所述目标参数的理想趋势曲线的变化趋势收敛,并根据所述目标参数的理想趋势曲线获取所述目标参数的收敛稳定值。
根据本发明的一个实施例,所述识别模块具体用于:将所述目标参数的趋势曲线和所述多个趋势曲线模板分别进行比较,并计算出所述目标参数的趋势曲线和每个所述趋势曲线模板的拟合度;将所述多个趋势曲线模板中所述拟合度最小的所述趋势曲线模板作为所述目标参数的理想趋势曲线。
根据本发明的一个实施例,所述计算模块具体用于:计算所述目标参数的收敛稳定值和所述目标参数的设定值之间的差值;根据所述差值计算所述输出参数的增量,所述差值的绝对值越大,所述输出参数的增量的绝对值越大。
根据本发明的一个实施例,所述计算模块具体用于:根据所述差值和预设的归一化映射函数,生成所述目标参数的归一化差值;根据所述目标参数的归一化差值得到所述输出参数的增量。
为达到上述目的,本发明第三方面实施例提出了一种空调器,其包括上述的输出参数的控制装置。
本发明实施例的空调器,通过上述的输出参数的控制装置,能够有效减小系统的超调并防止系统震荡,具有较好的鲁棒性。
为达到上述目的,本发明第四方面实施例提出了一种电子设备,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序时,实现上述的输出参数的控制方法。
本发明实施例的电子设备,通过执行上述的输出参数的控制方法,能够有效减小系统的超调并防止系统震荡,具有较好的鲁棒性。
为达到上述目的,本发明第五方面实施例提出了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述的输出参数的控制方法。
本发明实施例的计算机可读存储介质,通过执行上述的输出参数的控制方法,能够有效减小系统的超调并防止系统震荡,具有较好的鲁棒性。
本发明附加的方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1是相关技术中的一阶惯性时滞系统在单位阶跃输入下的动态响应示意图;
图2是根据本发明一个实施例的制冷工况下的输出参数的控制方法的调节示意图;
图3是根据本发明实施例的输出参数的控制方法的流程图;
图4是根据本发明一个实施例的运行曲线趋势预测示意图;
图5是根据本发明一个实施例的拟合度对比示意图;
图6是根据本发明一个实施例的模糊论域归一化示意图;
图7是根据本发明一个实施例的PLC与ARM发开发交互示意图;
图8是根据本发明实施例的输出参数的控制装置的方框示意图;以及
图9是根据本发明实施例的空调器的方框示意图;
图10是根据本发明实施例的电子设备的方框示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
本申请是基于发明人对以下问题的认识和研究做出的:
以常规的一阶惯性时滞系统在单位阶跃输入下的动态响应为例,如图1所示,可以看出时滞系统的动态响应变化过程与(Ts+Tm)有关,即,在当前时刻,如果对系统的输入某一阶跃激励,要经过(Ts+Tm)时间后才能逼近预期的输出响应,从而控制周期的选取需要以(Ts+Tm)为参考,控制周期选取是否合理,会对控制效果存在较大的影响。如果控制周期远小于(Ts+Tm),那么在系统还没有趋于稳定之前控制系统就会进行下一次判断,从而误认为上一次的输出量不够并进一步增加输出量从而造成超调甚至系统震荡。相反,如果控制远大于(Ts+Tm),则控制系统的实时性无法保证。同时在实际中,即使针对同一套系统在不同的运行工况下,(Ts+Tm)值也会发生变化,因此,需要找到一种能够实时调整控制周期的方法,同时为进一步提高系统的响应速度,使系统尽快达到预期调控目标还需要引入预测控制的手段,提前一段时间对其系统施加控制动作。
针对以上问题,本申请提出了一种输出参数的控制,能够在每次调节之后自动跟踪滞后系统的变化情况并提前预测系统的稳定状态,从而提早做出判断。在每次对系统进行调节之后,对系统的实时运行效果进行连续采样,如果检测到系统的变化趋势逐渐趋于平缓则预示新的控制周期到来,此时通过预测控制算法预测系统稳定时的输出并与控制目标进行比较,如果预测算法预测出系统达到稳定状态后能够逼近控制目标,则不做出调整,否则,将预测偏差输入到控制算法中计算控制输出增量。
以图2为例,在制冷工况下,通过调节风阀开度百分比来控制室温达到设定值的过程为例,在第9400到9800个采样周期中,风阀共进行了三次调节,每次调节后都是等待检测到室内温度变化逐渐趋于平稳后才进行下一次调节,并根据上一次的控制偏差合体调节控制系统输出,最终逼近设定值。该方法能够在对系统没有先验知识的情况下将系统的运行过程控制在合理范围内,有效减小系统超调。
下面参照附图描述本发明实施例的输出参数的控制方法、输出参数的控制装置、空调器、电子设备和计算机可读存储介质。
图3是根据本发明实施例的输出参数的控制方法的流程图。
如图3所示,本发明实施例的输出参数的控制方法可包括以下步骤:
S1,周期性获取目标参数的实际值。其中,以通过调节风阀开度来控制室温达到设定值为例,目标参数为室温,输出参数为风阀开度。
S2,根据已经获取到的目标参数的实际值,生成未来设定时间段内目标参数的理想预测值。
根据本发明的一个实施例,根据已经获取到的目标参数的实际值,生成未来设定时间段内目标参数的理想预测值,包括:根据已经获取到的目标参数的实际值和预设系数的预测模型,对预测模型的预设系数进行更新,得到理想预测模型;根据已经获取到的目标参数的实际值和理想预测模型,生成未来设定时间段内目标参数的理想预测值。其中,预测模型可以为自回归滑动平均时间序列模型。
进一步地,根据本发明的一个实施例,根据已经获取到的目标参数的实际值和预设系数的预测模型,对预测模型的预设系数进行更新,得到理想预测模型,包括:根据已经获取到的目标参数的实际值和预设系数的预测模型,生成下一周期目标参数的预测值;根据下一周期目标参数的预测值和下一周期获取的目标参数的实际值之间的偏差,对预测模型的预设系数进行更新,直至更新后的预测模型生成的下一周期目标参数的预测值和下一周期获取的目标参数的实际值之间的偏差小于设定偏差阈值,得到理想预测模型。其中,设定偏差阈值可根据实际情况进行标定。
具体而言,如图4所示,采用自适应滤波算法采用ARMA时间序列模型(自回归滑动平均时间序列模型)对系统的运行曲线趋势进行预测。自适应滤波器可以看作一个由N个权系数构成一个权系数矢量,称为权向量,用W(n)表示,W(n)=[W1,W2,…,Wn],而滤波器的输入向量为监测变量,如温度、压力等,用X(n)=[x1,x2,…,xn]来表示,滤波器的预测输出为y(n)=XT(n)W(n)。滤波器的预测输出与实际输出的偏差e(n)则用来对权向量进行实时更新,在控制系统运行过程中使滤波器预测输出逐渐逼近实际输出。
以室内温度控制为例进行示例说明,首先,PLC控制器采集末端室内温度并发送给自适应滤波器进行室温模型的实时建模,以如下ARMA模型(自回归滑动平均时间序列模型)为例:
Troom(t)=a1×Troom(t-T)+a2×Troom(t-2T)+......ap×Troom(t-pT)+β1×Vvav(t-T)+
β2×Vvav(t-2T)+......+βn×Vvav(t-nT)
其中,t为时间变量,单位为秒,T为控制周期,单位为秒,Troom为随时间变化的室内温度,单位为摄氏度℃,a1~ap,β1~βn分别为无量纲辨识参数,Vvav为阀门开度,单位为%。
随着室内温度的实时采集,根据下一周期目标参数的预测值和下一周期获取的目标参数的实际值之间的偏差,对预测模型的所述预设系数进行更新,例如,上述模型中的系数将通过递推最小二乘或最小均方误差方法进行更新,当更新后的预测模型生成的下一周期的室内温度的预测值和下一周期获取的室内温度的实际值之间的偏差小于设定偏差阈值时,确定为最终的理想预测模型。根据已经获取到的室内温度与理想预测模型,可以得到下一周期内室内温度的理想预测值。
S3,根据未来设定时间段内目标参数的理想预测值,生成目标参数的趋势曲线。也就是说,对滤波器预测输出结果(理想预测值)进行判断,首先建立一定数量的趋势曲线模板,由于控制系统采用阶跃响应的形式,因此能够以指数型函数建立多组趋势曲线模板并划分多个曲线趋势分类,如图5。
S4,根据目标参数的趋势曲线识别出目标参数的变化趋势收敛,并获取目标参数的收敛稳定值。
根据本发明的一个实施例,根据目标参数的趋势曲线识别出目标参数的变化趋势收敛,并获取目标参数的收敛稳定值,包括:根据目标参数的趋势曲线在预设的多个趋势曲线模板中选取出最匹配的趋势曲线模板作为目标参数的理想趋势曲线;识别出目标参数的理想趋势曲线的变化趋势收敛,并根据目标参数的理想趋势曲线获取目标参数的收敛稳定值。
进一步地,根据本发明的一个实施例,根据目标参数的趋势曲线在预设的多个趋势曲线模板中选取出最匹配的趋势曲线模板作为目标参数的理想趋势曲线,包括:将目标参数的趋势曲线和多个趋势曲线模板分别进行比较,并计算出目标参数的趋势曲线和每个趋势曲线模板的拟合度;将多个趋势曲线模板中拟合度最小的趋势曲线模板作为目标参数的理想趋势曲线。
具体而言,在判断过程中,针对一段时间内采样的目标参数预测输出与多个曲线模板中的各个曲线模板进行对比,具体的对比方法采用曲线拟合度对比的方式,如图5所示,即将计算当前预测输出曲线与各个曲线模板的拟合度,选取其中拟合度的最小值作为当前系统的运行趋势(即目标参数的理想趋势曲线)。根据拟合度对比,即可判断出理想趋势曲线的变化趋势是否收敛,如果逐渐处于稳定,则根据该理想趋势曲线获取收敛稳定值,并将该收敛稳定值输入到模糊控制算法中,以对下一次的控制输出增量进行计算。
仍以室内温度控制为例进行示例说明。
当上述模型建立后尝试在阀位输入量保持不变的情况下对未来的室内温度进行多步预测。当完成多步预测后,为了使预测结果符合系统开环稳定的特性需要对预测结果进行修正,此时选取基函数y=a+be-cx对上述数据进行拟合,通过设定不同的参数c能够得到多条拟合曲线,同时每条拟合曲线都能够计算拟合的均方误差MSE,挑选出其中均方误差最小的曲线对预测数据进行修正,修正方法可以采用卡尔曼滤波的方式,得到符合系统开环稳定的预测结果。最后,根据预测结果与设定值之间的差距采用模糊控制来调整阀门的阀位。
S5,根据目标参数的收敛稳定值和目标参数的设定值,计算输出参数的增量。
根据本发明的一个实施例,根据目标参数的收敛稳定值和目标参数的设定值,计算输出参数的增量,包括:计算目标参数的收敛稳定值和目标参数的设定值之间的差值;根据差值计算输出参数的增量,差值的绝对值越大,输出参数的增量的绝对值越大。
进一步地,根据本发明的一个实施例,根据差值计算输出参数的增量,包括:根据差值和预设的归一化映射函数,生成目标参数的归一化差值;根据目标参数的归一化差值得到输出参数的增量。
具体而言,模糊控制规则采用归一化的形式设计,即针对不同的系统只需要将相应的模糊规则映射到对应的空间即可。以末端风阀的室温控制为例,常规的模糊控制规则一般依照图6中的量纲化模糊论域进行设计,而这样做往往给后期规则的调整和针对不同系统的算法移植带来困难。这里通过映射的方式将模糊规则进行无量纲化,通过二次函数将模糊论域映射到-1至1的区间之内,从而针对不同的系统不需要大面积调整甚至重新制定模糊规则,只需要修改映射函数的参数即可。
由此,该方法能够在每次调节之后自动跟踪滞后系统的变化情况并提前预测系统的稳定状态,从而提早做出判断。在每次对系统进行调节之后,对系统的实时运行效果进行连续采样,如果检测到系统的变化趋势逐渐趋于平缓则预示新的控制周期到来,此时通过预测控制算法预测系统稳定时的输出并与控制目标进行比较,如果预测算法预测出系统达到稳定状态后能够逼近控制目标,则不做出调整,否则,将预测偏差输入到控制算法中计算控制输出增量。从而能够自适应调整系统的控制周期,不需要对系统建立精确的数学模型即能达到合理的控制效果,并且,能够有效减小系统的超调并防止系统震荡,具有较好的鲁棒性。
另外,为了提高算法的开发效率,考虑在PLC的基础上增加一块ARM开发板或上位机电脑,控制算法在开发板上进行运算,ARM开发板通过网线与PLC通讯,此时PLC只负责总线数据的采集、执行命令的写入以及与ARM开发板之间的交互,如图7所示。
综上所述,根据本发明实施例的输出参数的控制方法,周期性获取目标参数的实际值;根据已经获取到的目标参数的实际值,生成未来设定时间段内目标参数的理想预测值;根据未来设定时间段内目标参数的理想预测值,生成目标参数的趋势曲线;根据目标参数的趋势曲线识别出目标参数的变化趋势收敛,并获取目标参数的收敛稳定值;根据目标参数的收敛稳定值和目标参数的设定值,计算输出参数的增量。由此,该方法能够有效减小系统的超调并防止系统震荡,具有较好的鲁棒性。
图8是根据本发明实施例的输出参数的控制装置的方框示意图。
如图8所示,本发明实施例的输出参数的控制装置可包括:获取模块10、第一生成模块20、第二生成模块30、识别模块40和计算模块50。
其中,获取模块10用于周期性获取目标参数的实际值。第一生成模块20用于根据已经获取到的目标参数的实际值,生成未来设定时间段内目标参数的理想预测值。第二生成模块30用于根据未来设定时间段内目标参数的理想预测值,生成目标参数的趋势曲线。识别模块40用于根据目标参数的趋势曲线识别出目标参数的变化趋势收敛,并获取目标参数的收敛稳定值。计算模块50用于根据目标参数的收敛稳定值和目标参数的设定值,计算输出参数的增量。
根据本发明的一个实施例,第一生成模块20具体用于:根据已经获取到的目标参数的实际值和预设系数的预测模型,对预测模型的预设系数进行更新,得到理想预测模型;根据已经获取到的目标参数的实际值和理想预测模型,生成未来设定时间段内目标参数的理想预测值。
根据本发明的一个实施例,第一生成模块20具体用于:根据已经获取到的目标参数的实际值和预设系数的预测模型,生成下一周期目标参数的预测值;根据下一周期目标参数的预测值和下一周期获取的目标参数的实际值之间的偏差,对预测模型的预设系数进行更新,直至更新后的预测模型生成的下一周期目标参数的预测值和下一周期获取的目标参数的实际值之间的偏差小于设定偏差阈值,得到理想预测模型。
根据本发明的一个实施例,预测模型为自回归滑动平均时间序列模型。
根据本发明的一个实施例,识别模块40具体用于:根据目标参数的趋势曲线在预设的多个趋势曲线模板中选取出最匹配的趋势曲线模板作为目标参数的理想趋势曲线;识别出目标参数的理想趋势曲线的变化趋势收敛,并根据目标参数的理想趋势曲线获取目标参数的收敛稳定值。
根据本发明的一个实施例,识别模块40具体用于:将目标参数的趋势曲线和多个趋势曲线模板分别进行比较,并计算出目标参数的趋势曲线和每个趋势曲线模板的拟合度;将多个趋势曲线模板中拟合度最小的趋势曲线模板作为目标参数的理想趋势曲线。
根据本发明的一个实施例,计算模块50具体用于:计算目标参数的收敛稳定值和目标参数的设定值之间的差值;根据差值计算输出参数的增量,差值的绝对值越大,输出参数的增量的绝对值越大。
根据本发明的一个实施例,计算模块50具体用于:根据差值和预设的归一化映射函数,生成目标参数的归一化差值;根据目标参数的归一化差值得到输出参数的增量。
具体而言,如图4所示,采用自适应滤波算法采用ARMA时间序列模型(自回归滑动平均时间序列模型)对系统的运行曲线趋势进行预测。自适应滤波器可以看作一个由N个权系数构成一个权系数矢量,称为权向量,用W(n)表示,W(n)=[W1,W2,…,Wn],而滤波器的输入向量为监测变量,如温度、压力等,用X(n)=[x1,x2,…,xn]来表示,滤波器的预测输出为y(n)=XT(n)W(n)。滤波器的预测输出与实际输出的偏差e(n)则用来对权向量进行实时更新,在控制系统运行过程中使滤波器预测输出逐渐逼近实际输出。
以室内温度控制为例进行示例说明,首先,PLC控制器采集末端室内温度并发送给自适应滤波器进行室温模型的实时建模,以如下ARMA模型(自回归滑动平均时间序列模型)为例:
Troom(t)=a1×Troom(t-T)+a2×Troom(t-2T)+......ap×Troom(t-pT)+β1×Vvav(t-T)+
β2×Vvav(t-2T)+......+βn×Vvav(t-nT)
其中,t为时间变量,单位为秒,T为控制周期,单位为秒,Troom为随时间变化的室内温度,单位为摄氏度℃,a1~ap,β1~βn分别为无量纲辨识参数,Vvav为阀门开度,单位为%。
获取模块10实时采集室内温度,根据下一周期目标参数的预测值和下一周期获取的目标参数的实际值之间的偏差,对预测模型的所述预设系数进行更新,例如,上述模型中的系数将通过递推最小二乘或最小均方误差方法进行更新,当更新后的预测模型生成的下一周期的室内温度的预测值和下一周期获取的室内温度的实际值之间的偏差小于设定偏差阈值时,确定为最终的理想预测模型。第一生成模块20根据已经获取到的室内温度与理想预测模型,可以得到下一周期内室内温度的理想预测值。
在判断过程中,针对一段时间内采样的目标参数预测输出与多个曲线模板中的各个曲线模板进行对比,具体的对比方法采用曲线拟合度对比的方式,如图5所示,即将计算当前预测输出曲线与各个曲线模板的拟合度,选取其中拟合度的最小值作为当前系统的运行趋势(即目标参数的理想趋势曲线)。根据拟合度对比,即可判断出理想趋势曲线的变化趋势是否收敛,如果逐渐处于稳定,则根据该理想趋势曲线获取收敛稳定值,并将该收敛稳定值输入到模糊控制算法中,以对下一次的控制输出增量进行计算。
仍以室内温度控制为例进行示例说明。当上述模型建立后尝试在阀位输入量保持不变的情况下对未来的室内温度进行多步预测。当完成多步预测后,为了使预测结果符合系统开环稳定的特性需要对预测结果进行修正,此时选取基函数y=a+be-cx对上述数据进行拟合,通过设定不同的参数c能够得到多条拟合曲线,同时每条拟合曲线都能够计算拟合的均方误差MSE,挑选出其中均方误差最小的曲线对预测数据进行修正,修正方法可以采用卡尔曼滤波的方式,得到符合系统开环稳定的预测结果。最后,根据预测结果与设定值之间的差距采用模糊控制来调整阀门的阀位。
模糊控制规则采用归一化的形式设计,即针对不同的系统只需要将相应的模糊规则映射到对应的空间即可。以末端风阀的室温控制为例,常规的模糊控制规则一般依照图6中的量纲化模糊论域进行设计,而这样做往往给后期规则的调整和针对不同系统的算法移植带来困难。这里通过映射的方式将模糊规则进行无量纲化,通过二次函数将模糊论域映射到-1至1的区间之内,从而针对不同的系统不需要大面积调整甚至重新制定模糊规则,只需要修改映射函数的参数即可。
由此,该装置能够在每次调节之后自动跟踪滞后系统的变化情况并提前预测系统的稳定状态,从而提早做出判断。在每次对系统进行调节之后,对系统的实时运行效果进行连续采样,如果检测到系统的变化趋势逐渐趋于平缓则预示新的控制周期到来,此时通过预测控制算法预测系统稳定时的输出并与控制目标进行比较,如果预测算法预测出系统达到稳定状态后能够逼近控制目标,则不做出调整,否则,将预测偏差输入到控制算法中计算控制输出增量。从而能够自适应调整系统的控制周期,不需要对系统建立精确的数学模型即能达到合理的控制效果,并且,能够有效减小系统的超调并防止系统震荡,具有较好的鲁棒性。
另外,为了提高算法的开发效率,考虑在PLC的基础上增加一块ARM开发板或上位机电脑,控制算法在开发板上进行运算,ARM开发板通过网线与PLC通讯,此时PLC只负责总线数据的采集、执行命令的写入以及与ARM开发板之间的交互,如图7所示。
综上所述,根据本发明实施例的输出参数的控制装置,获取模块周期性获取目标参数的实际值,第一生成模块根据已经获取到的目标参数的实际值,生成未来设定时间段内目标参数的理想预测值,第二生成模块根据未来设定时间段内目标参数的理想预测值,生成目标参数的趋势曲线,识别模块根据目标参数的趋势曲线识别出目标参数的变化趋势收敛,并获取目标参数的收敛稳定值,计算模块根据目标参数的收敛稳定值和目标参数的设定值,计算输出参数的增量。由此,该装置能够有效减小系统的超调并防止系统震荡,具有较好的鲁棒性。
图9是根据本发明实施例的空调器的方框示意图。
如图9所示,本发明实施例的空调器100,包括上述的输出参数的控制装置110。
本发明实施例的空调器,通过上述的输出参数的控制装置,能够有效减小系统的超调并防止系统震荡,具有较好的鲁棒性。
图10是根据本发明实施例的电子设备的方框示意图。
如图10所示,本发明实施例的电子设备200,包括:存储器210、处理器220及存储在存储器210上并可在处理器220上运行的计算机程序,处理器220执行程序时,实现上述的输出参数的控制方法。
本发明实施例的电子设备,通过执行上述的输出参数的控制方法,能够有效减小系统的超调并防止系统震荡,具有较好的鲁棒性。
另外,本发明实施例还提出了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述的输出参数的控制方法。
本发明实施例的计算机可读存储介质,通过执行上述的输出参数的控制方法,能够有效减小系统的超调并防止系统震荡,具有较好的鲁棒性。
在本发明的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
在本发明中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系,除非另有明确的限定。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中,除非另有明确的规定和限定,第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触,或第一和第二特征通过中间媒介间接接触。而且,第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方,或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方,或仅仅表示第一特征水平高度小于第二特征。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (19)
1.一种输出参数的控制方法,其特征在于,包括:
周期性获取目标参数的实际值;
根据已经获取到的所述目标参数的实际值,生成未来设定时间段内所述目标参数的理想预测值;
根据所述未来设定时间段内所述目标参数的理想预测值,生成所述目标参数的趋势曲线;
根据所述目标参数的趋势曲线识别出所述目标参数的变化趋势收敛,并获取所述目标参数的收敛稳定值;
根据所述目标参数的收敛稳定值和所述目标参数的设定值,计算所述输出参数的增量。
2.根据权利要求1所述的控制方法,其特征在于,所述根据已经获取到的所述目标参数的实际值,生成未来设定时间段内所述目标参数的理想预测值,包括:
根据已经获取到的所述目标参数的实际值和预设系数的预测模型,对所述预测模型的所述预设系数进行更新,得到理想预测模型;
根据已经获取到的所述目标参数的实际值和所述理想预测模型,生成所述未来设定时间段内所述目标参数的理想预测值。
3.根据权利要求2所述的控制方法,其特征在于,所述根据已经获取到的所述目标参数的实际值和预设系数的预测模型,对所述预测模型的所述预设系数进行更新,得到理想预测模型,包括:
根据已经获取到的所述目标参数的实际值和所述预设系数的预测模型,生成下一周期所述目标参数的预测值;
根据下一周期所述目标参数的预测值和下一周期获取的所述目标参数的实际值之间的偏差,对所述预测模型的所述预设系数进行更新,直至更新后的所述预测模型生成的下一周期所述目标参数的预测值和下一周期获取的所述目标参数的实际值之间的偏差小于设定偏差阈值,得到所述理想预测模型。
4.根据权利要求2所述的控制方法,其特征在于,所述预测模型为自回归滑动平均时间序列模型。
5.根据权利要求1所述的控制方法,其特征在于,所述根据所述目标参数的趋势曲线识别出所述目标参数的变化趋势收敛,并获取所述目标参数的收敛稳定值,包括:
根据所述目标参数的趋势曲线在预设的多个趋势曲线模板中选取出最匹配的趋势曲线模板作为所述目标参数的理想趋势曲线;
识别出所述目标参数的理想趋势曲线的变化趋势收敛,并根据所述目标参数的理想趋势曲线获取所述目标参数的收敛稳定值。
6.根据权利要求5所述的控制方法,其特征在于,所述根据所述目标参数的趋势曲线在预设的多个趋势曲线模板中选取出最匹配的趋势曲线模板作为所述目标参数的理想趋势曲线,包括:
将所述目标参数的趋势曲线和所述多个趋势曲线模板分别进行比较,并计算出所述目标参数的趋势曲线和每个所述趋势曲线模板的拟合度;
将所述多个趋势曲线模板中所述拟合度最小的所述趋势曲线模板作为所述目标参数的理想趋势曲线。
7.根据权利要求1所述的控制方法,其特征在于,所述根据所述目标参数的收敛稳定值和所述目标参数的设定值,计算所述输出参数的增量,包括:
计算所述目标参数的收敛稳定值和所述目标参数的设定值之间的差值;
根据所述差值计算所述输出参数的增量,所述差值的绝对值越大,所述输出参数的增量的绝对值越大。
8.根据权利要求7所述的控制方法,其特征在于,所述根据所述差值计算所述输出参数的增量,包括:
根据所述差值和预设的归一化映射函数,生成所述目标参数的归一化差值;
根据所述目标参数的归一化差值得到所述输出参数的增量。
9.一种输出参数的控制装置,其特征在于,包括:
获取模块,用于周期性获取目标参数的实际值;
第一生成模块,用于根据已经获取到的所述目标参数的实际值,生成未来设定时间段内所述目标参数的理想预测值;
第二生成模块,用于根据所述未来设定时间段内所述目标参数的理想预测值,生成所述目标参数的趋势曲线;
识别模块,用于根据所述目标参数的趋势曲线识别出所述目标参数的变化趋势收敛,并获取所述目标参数的收敛稳定值;
计算模块,用于根据所述目标参数的收敛稳定值和所述目标参数的设定值,计算所述输出参数的增量。
10.根据权利要求9所述的控制装置,其特征在于,所述第一生成模块具体用于:
根据已经获取到的所述目标参数的实际值和预设系数的预测模型,对所述预测模型的所述预设系数进行更新,得到理想预测模型;
根据已经获取到的所述目标参数的实际值和所述理想预测模型,生成所述未来设定时间段内所述目标参数的理想预测值。
11.根据权利要求10所述的控制装置,其特征在于,所述第一生成模块具体用于:
根据已经获取到的所述目标参数的实际值和所述预设系数的预测模型,生成下一周期所述目标参数的预测值;
根据下一周期所述目标参数的预测值和下一周期获取的所述目标参数的实际值之间的偏差,对所述预测模型的所述预设系数进行更新,直至更新后的所述预测模型生成的下一周期所述目标参数的预测值和下一周期获取的所述目标参数的实际值之间的偏差小于设定偏差阈值,得到所述理想预测模型。
12.根据权利要求10所述的控制装置,其特征在于,所述预测模型为自回归滑动平均时间序列模型。
13.根据权利要求9所述的控制装置,其特征在于,所述识别模块具体用于:
根据所述目标参数的趋势曲线在预设的多个趋势曲线模板中选取出最匹配的趋势曲线模板作为所述目标参数的理想趋势曲线;
识别出所述目标参数的理想趋势曲线的变化趋势收敛,并根据所述目标参数的理想趋势曲线获取所述目标参数的收敛稳定值。
14.根据权利要求13所述的控制装置,其特征在于,所述识别模块具体用于:
将所述目标参数的趋势曲线和所述多个趋势曲线模板分别进行比较,并计算出所述目标参数的趋势曲线和每个所述趋势曲线模板的拟合度;
将所述多个趋势曲线模板中所述拟合度最小的所述趋势曲线模板作为所述目标参数的理想趋势曲线。
15.根据权利要求9所述的控制装置,其特征在于,所述计算模块具体用于:
计算所述目标参数的收敛稳定值和所述目标参数的设定值之间的差值;
根据所述差值计算所述输出参数的增量,所述差值的绝对值越大,所述输出参数的增量的绝对值越大。
16.根据权利要求15所述的控制装置,其特征在于,所述计算模块具体用于:
根据所述差值和预设的归一化映射函数,生成所述目标参数的归一化差值;
根据所述目标参数的归一化差值得到所述输出参数的增量。
17.一种空调器,其特征在于,包括:如权利要求9-16任一项所述的输出参数的控制装置。
18.一种电子设备,其特征在于,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序时,实现如权利要求1-8中任一项所述的输出参数的控制方法。
19.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-8中任一项所述的输出参数的控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911252389.8A CN110925974B (zh) | 2019-12-09 | 2019-12-09 | 空调器及其输出参数的控制方法和控制装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911252389.8A CN110925974B (zh) | 2019-12-09 | 2019-12-09 | 空调器及其输出参数的控制方法和控制装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110925974A true CN110925974A (zh) | 2020-03-27 |
CN110925974B CN110925974B (zh) | 2021-08-03 |
Family
ID=69857656
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911252389.8A Active CN110925974B (zh) | 2019-12-09 | 2019-12-09 | 空调器及其输出参数的控制方法和控制装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110925974B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117148709A (zh) * | 2023-11-01 | 2023-12-01 | 季华实验室 | 一种真空蝶阀控制方法、系统、电子设备及存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001082782A (ja) * | 1999-09-13 | 2001-03-30 | Toshiba Corp | 空調制御装置 |
CN101392939A (zh) * | 2008-11-18 | 2009-03-25 | 天津大学 | 一种建筑物独立供能温度非线性预测控制方法 |
JP2010191566A (ja) * | 2009-02-17 | 2010-09-02 | Yamatake Corp | モデル関数更新処理装置および方法 |
CN102934036A (zh) * | 2010-02-15 | 2013-02-13 | 开利公司 | 用于估计温度受控空间内的参数和状态的基于模型的系统和方法 |
CN105143781A (zh) * | 2013-04-22 | 2015-12-09 | 三菱电机株式会社 | 空调控制系统及空调控制方法 |
CN106839288A (zh) * | 2017-01-13 | 2017-06-13 | 赵建杰 | 一种计算机房空调系统的控制方法 |
CN107949631A (zh) * | 2015-09-09 | 2018-04-20 | 株式会社日立高新技术 | 温度调整装置 |
CN108332346A (zh) * | 2017-08-23 | 2018-07-27 | 南京南瑞继保电气有限公司 | 一种基于负荷预测和模糊控制的中央空调优化控制方法 |
CN109416524A (zh) * | 2016-06-30 | 2019-03-01 | 江森自控科技公司 | 具有多级模型预测控制的变制冷剂流量系统 |
CN110375425A (zh) * | 2019-07-22 | 2019-10-25 | 广东美的暖通设备有限公司 | 空调系统及其控制方法、控制设备、计算机可读存储介质 |
-
2019
- 2019-12-09 CN CN201911252389.8A patent/CN110925974B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001082782A (ja) * | 1999-09-13 | 2001-03-30 | Toshiba Corp | 空調制御装置 |
CN101392939A (zh) * | 2008-11-18 | 2009-03-25 | 天津大学 | 一种建筑物独立供能温度非线性预测控制方法 |
JP2010191566A (ja) * | 2009-02-17 | 2010-09-02 | Yamatake Corp | モデル関数更新処理装置および方法 |
CN102934036A (zh) * | 2010-02-15 | 2013-02-13 | 开利公司 | 用于估计温度受控空间内的参数和状态的基于模型的系统和方法 |
CN105143781A (zh) * | 2013-04-22 | 2015-12-09 | 三菱电机株式会社 | 空调控制系统及空调控制方法 |
CN107949631A (zh) * | 2015-09-09 | 2018-04-20 | 株式会社日立高新技术 | 温度调整装置 |
CN109416524A (zh) * | 2016-06-30 | 2019-03-01 | 江森自控科技公司 | 具有多级模型预测控制的变制冷剂流量系统 |
CN106839288A (zh) * | 2017-01-13 | 2017-06-13 | 赵建杰 | 一种计算机房空调系统的控制方法 |
CN108332346A (zh) * | 2017-08-23 | 2018-07-27 | 南京南瑞继保电气有限公司 | 一种基于负荷预测和模糊控制的中央空调优化控制方法 |
CN110375425A (zh) * | 2019-07-22 | 2019-10-25 | 广东美的暖通设备有限公司 | 空调系统及其控制方法、控制设备、计算机可读存储介质 |
Non-Patent Citations (1)
Title |
---|
黄景辉: "基于神经网络技术的中央空调智能控制系统的研究", 《中国优秀硕士学位论文全文数据库.工程科技Ⅱ辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117148709A (zh) * | 2023-11-01 | 2023-12-01 | 季华实验室 | 一种真空蝶阀控制方法、系统、电子设备及存储介质 |
CN117148709B (zh) * | 2023-11-01 | 2024-02-13 | 季华实验室 | 一种真空蝶阀控制方法、系统、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110925974B (zh) | 2021-08-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9625196B2 (en) | System and method for controlling of vapor compression system | |
US9625274B2 (en) | Time-varying extremum seeking for controlling vapor compression systems | |
US10174957B2 (en) | System and method for controlling multi-zone vapor compression systems | |
JP5975867B2 (ja) | 蒸気圧縮システム、および、蒸気圧縮システムの動作を制御するための制御システム及び方法 | |
EP3769165B1 (en) | System and method for controlling operation of air-conditioning system | |
JP6385446B2 (ja) | 空調システムの制御装置および空調システムの制御方法 | |
JP6004228B2 (ja) | 空気調和機 | |
CN105402860A (zh) | 一种空调器自适应控制方法和系统 | |
CN107631428A (zh) | 一种空调器温湿度控制方法及空调器 | |
JP2002523821A (ja) | プロセス制御システムで使用される最適のチューニングパラメータを決定するコントローラ、及びそのコントローラの作動方法 | |
CN110925974B (zh) | 空调器及其输出参数的控制方法和控制装置 | |
CN109323409B (zh) | 空调器及其控制方法、装置 | |
CN109812950B (zh) | 一种空调器蒸发温度控制方法、装置及空调器 | |
CN115280075A (zh) | 空调控制的学习装置以及推理装置 | |
CN109323410B (zh) | 空调器及其控制方法、装置 | |
CN109341014B (zh) | 空调器及其控制方法、装置 | |
CN112904709B (zh) | 一种空调控制方法及空调器 | |
CN109028482B (zh) | 一种空调控制方法、装置及空调器 | |
JP3435808B2 (ja) | 空気調和装置の制御装置 | |
US11573023B2 (en) | Controlling vapor compression system using probabilistic surrogate model | |
WO2022101989A1 (ja) | 空気調和装置、および空気調和装置の学習装置 | |
JP2001067103A (ja) | プロセス制御方法および装置 | |
CN113294876B (zh) | 一种多联空调的控制方法、装置及多联空调 | |
WO2023149259A1 (ja) | 制御装置、空気調和システム、空気調和装置の制御方法、プログラム、学習済モデル及び学習済モデルの生成方法 | |
CN109323421B (zh) | 空调器及其控制方法、装置 |
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 |