CN110986249B - 空调的自调节控制方法、系统及空调器 - Google Patents
空调的自调节控制方法、系统及空调器 Download PDFInfo
- Publication number
- CN110986249B CN110986249B CN201911084160.8A CN201911084160A CN110986249B CN 110986249 B CN110986249 B CN 110986249B CN 201911084160 A CN201911084160 A CN 201911084160A CN 110986249 B CN110986249 B CN 110986249B
- Authority
- CN
- China
- Prior art keywords
- air conditioner
- neural network
- network model
- environment
- adjusting
- 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
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
- F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
-
- 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
- F24F11/72—Control systems characterised by their outputs; Constructional details thereof for controlling the supply of treated air, e.g. its pressure
- F24F11/74—Control systems characterised by their outputs; Constructional details thereof for controlling the supply of treated air, e.g. its pressure for controlling air flow rate or air velocity
- F24F11/77—Control systems characterised by their outputs; Constructional details thereof for controlling the supply of treated air, e.g. its pressure for controlling air flow rate or air velocity by controlling the speed of ventilators
-
- 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
- F24F11/80—Control systems characterised by their outputs; Constructional details thereof for controlling the temperature of the supplied air
- F24F11/83—Control systems characterised by their outputs; Constructional details thereof for controlling the temperature of the supplied air by controlling the supply of heat-exchange fluids to heat-exchangers
- F24F11/84—Control systems characterised by their outputs; Constructional details thereof for controlling the temperature of the supplied air by controlling the supply of heat-exchange fluids to heat-exchangers using valves
-
- 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
- F24F11/80—Control systems characterised by their outputs; Constructional details thereof for controlling the temperature of the supplied air
- F24F11/86—Control systems characterised by their outputs; Constructional details thereof for controlling the temperature of the supplied air by controlling compressors within refrigeration or heat pump 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
- F24F11/88—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
- F24F2110/00—Control inputs relating to air properties
- F24F2110/10—Temperature
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F2110/00—Control inputs relating to air properties
- F24F2110/20—Humidity
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B30/00—Energy efficient heating, ventilation or air conditioning [HVAC]
- Y02B30/70—Efficient control or regulation technologies, e.g. for control of refrigerant flow, motor or heating
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Fluid Mechanics (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Thermal Sciences (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明公开了一种空调的自调节控制方法。所述方法包括:当空调在预设的状态运行达到预设的时间阈值时,获取当前空调运行环境的室外环境的第一环境参数;将所述第一环境参数输入经训练的第一神经网络模型,输出室内环境的第一调节控制曲线;根据所述第一调节控制曲线调节控制所述空调的运行。本发明中,通过第一神经网络模型能够根据室外环境的参数变化提前预测室内环境的的调节控制曲线,从而可以有效地提前补偿抵消室外环境的变化对室内环境条件恒定的影响。对应地,本发明还公开了一种空调的自调节控制系统及一种空调器。
Description
技术领域
本发明涉及空调的控制技术领域,更具体地,涉及一种空调的自调节控制方法、系统及空调器。
背景技术
传统温度控制系统包括空调、电饭锅及电冰箱都是采用了自动控制原理当中的闭环控制系统。
这种控制方式的缺点是根据系统传递函数公式,系统稳定性和抗干扰能力受到快速响应性能、稳态误差和系统成本的制约,无法使系统性能达到既稳定,响应又迅速。并且,当室外环境条件发生快速变化时这种系统会受到干扰重新经历一个波动由大到小的过程。室内环境并没有达到真正的排除户外环境条件影响的恒温。
因此,业内亟需一种能解决上述问题的技术方案。
发明内容
本发明提供一种空调的自调节控制方法,以解决当前闭环控制系统的稳定性差,响应不够迅速等问题。
第一方面,本发明提供一种空调的自调节控制方法。
所述空调的自调节控制方法包括:
当空调在预设的状态运行达到预设的时间阈值时,获取当前空调运行环境的室外环境的第一环境参数;
将所述第一环境参数输入经训练的第一神经网络模型,输出室内环境的第一调节控制曲线;
根据所述第一调节控制曲线调节控制所述空调的运行。
具体地,所述第一神经网络模型为BP神经网络模型。
具体地,所述第一环境参数包括:室外温度、湿度、辐照度和风力。
优选地,所述空调在预设的状态运行达到预设的时间阈值的步骤中,具体包括:
获取空调的运行功率;
若所述运行功率的变化值在预设的范围内运行持续达到预设的时间阈值,则确定所述空调在预设的状态运行达到了预设的时间阈值。
优选地,所述空调在预设的状态运行达到预设的时间阈值的步骤中,具体包括:
获取空调的压缩机运行频率、风机的转速、电子膨胀阀的开度;
若所述压缩机运行频率、风机的转速、电子膨胀阀的开度均在预设的范围内运行持续达到预设的时间阈值,则确定所述空调在预设的状态运行达到了预设的时间阈值。
具体地,还包括:
获取室内环境中目标对象的身体状态;
将所述身体状态输入经训练的神经网络模型,输出室内环境的第二调节控制曲线。
进一步地,还包括:
将所述第一调节控制曲线和所述第二调节控制曲线拟合成拟合调节控制曲线;
根据所述拟合调节控制曲线调节控制所述空调的运行。
具体地,还包括:
预先建立第一神经网络模型;
训练所述第一神经网络模型;所述第一神经网络模型用于构建第一环境参数和第一调节控制曲线之间的映射关系,并根据输入的第一环境参数,输出其对应的第一调节控制曲线。
第二方面,本发明提供一种空调的自调节控制系统。
所述空调的自调节控制系统,包括:
获取模块,用于当空调在预设的状态运行达到预设的时间阈值时,获取当前空调运行环境的室外环境的第一环境参数;
输出模块,用于将所述第一环境参数输入经训练的第一神经网络模型,输出室内环境的第一调节控制曲线;
调节控制模块,用于根据所述第一调节控制曲线调节控制所述空调的运行。
第三方面,本发明还提供一种空调器。
所述空调器用于执行上述的空调的自调节控制方法的步骤。
相比于现有技术,本发明的方案具有以下优点:
本发明中,当空调在预设的状态运行达到预设的时间阈值时,获取当前空调运行环境的室外环境的第一环境参数;将所述第一环境参数输入经训练的第一神经网络模型,输出室内环境的第一调节控制曲线;根据所述第一调节控制曲线调节控制所述空调的运行。本发明中,通过神经网络模型建立室外环境的第一环境参数与室内环境的第一调节控制曲线之间的映射关系,能够根据外温的变化提前预测室内温度的变化曲线,从而输出第一调节控制曲线,从而根据所述第一调节控制曲线有效地调节控制空调的运行,并提前补偿抵消室外环境变化对室内环境条件恒定的影响。
本发明附加的方面和优点将在下面的描述中部分给出,这些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
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明中一种空调的自调节控制方法的一种实施例的流程示意图;
图2为本发明中一种空调的自调节控制方法的一种实施例中室内温度受室外环境的第一环境参数影响的变化示意图;
图3为本发明中第一神经网络模型和第二神经网络模型的一种实施例的结构示意图;
图4为本发明中一种空调的自调节控制系统的一种实施例的结构示意图。
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。
在本发明的说明书和权利要求书及上述附图中的描述的一些流程中,包含了按照特定顺序出现的多个操作,但是应该清楚了解,这些操作可以不按照其在本文中出现的顺序来执行或并行执行,操作的序号如101、102等,仅仅是用于区分开各个不同的操作,序号本身不代表任何的执行顺序。另外,这些流程可以包括更多或更少的操作,并且这些操作可以按顺序执行或并行执行。需要说明的是,本文中的″第一″、″第二″等描述,是用于区分不同的消息、设备、模块等,不代表先后顺序,也不限定″第一″和″第二″是不同的类型。
第一方面,本发明提供一种空调的自调节控制方法。
如图1,示出了本发明中的一种空调的自调节控制方法的流程步骤。
所述空调的自调节控制方法包括步骤S101、步骤S102和步骤S103。
其中,
步骤S101.当空调在预设的状态运行达到预设的时间阈值时,获取当前空调运行环境的室外环境的第一环境参数;
在传统空调人为设定运行温度后,空调根据设定的运行温度通过闭环控制系统达到稳定状态,亦即空调在预设的状态运行达到预设的时间阈值。但是室外环境的第一环境参数发生变化时,室内环境会受到一定的影响,从而影响当前空调的稳定状态。
步骤S102.将所述第一环境参数输入经训练的第一神经网络模型,输出室内环境的第一调节控制曲线;
本发明中,通过第一神经网络模型建立室外环境的变化参数与室内环境条件的变化关系,输出室内环境的第一调节控制曲线。其中,所述第一神经网络模型优选为BP神经网络模型,所述BP神经网络模型能学习和存贮大量的输入-输出模式映射关系,而无需事前揭示描述这种映射关系的数学方程。
步骤S103.根据所述第一调节控制曲线调节控制所述空调的运行。
本发明中,通过神经网络模型建立室外环境的第一环境参数与室内环境的第一调节控制曲线之间的映射关系,能够根据外温的变化提前预测室内温度的变化曲线,从而输出第一调节控制曲线,从而根据所述第一调节控制曲线有效地调节控制空调的运行,并提前补偿抵消室外环境变化对室内环境条件恒定的影响。
在本发明的一种具体的实施例中,所述第一环境参数包括:室外温度、湿度、辐照度和风力。其对应室内环境条件:室内温度、湿度、风力和空气质量。本实施例中,通过BP神经网络模型建立室外环境的第一环境参数(室外温度、湿度、辐照度、风力)和室内环境的第二环境参数(室内温度、湿度、风力、空气质量)的变化关系,输出第一调节控制曲线,并根据第一调节控制曲线对应的调节控制指令,调节控制当前空调的运行。例如,调节控制当前空调运行的功率;调节控制当前空调的压缩机的运行频率、电子膨胀阀的开度及风机的转速等。
参见图2,以温度为例,在t1时刻室外环境的第一环境参数(室外温度、湿度、辐照度、风力、PM2.5指数)发生变化时,室温在空调设定温度为T0的状态下产生了由T0变化为Tx又稳定在T0的变化。所述第一神经网络模型能够根据外温的变化提前预测室内温度的变化曲线,输出第一调节控制曲线,调节控制当前空调的运行,并提前补偿抵消ΔT=|T0-Tx|的变化达到室内环境条件恒定的目的。
在本发明中,首先需要判断当前的空调是否在预设的状态运行达到预设的时间阈值,亦即判断当前的空调的运行是否处于稳定的状态。
本发明中,提供两种可能的实施方式以确定当前的所述空调在预设的状态运行达到预设的时间阈值,但本发明并不局限于此。
在一种可能的实施方式中,所述空调在预设的状态运行达到预设的时间阈值的步骤中,具体包括:
获取空调的运行功率;
若所述运行功率的变化值在预设的范围内运行持续达到预设的时间阈值,则确定所述空调在预设的状态运行达到了预设的时间阈值。
例如,获取当前空调的运行功率W,若该运行功率的变化值一直处于预设的范围【-0.1,01】区间内波动,则认为当前的空调的运行功率较为平稳,当持续的时间达到预设的时间阈值5分钟时,则认为当前空调平稳运行。可以理解的是,所述预设的范围及所述预设的时间阈值,可根据实际的需求情形做调整,如针对不同型号的空调做调整。
在另一种可能的实施方式中,所述空调在预设的状态运行达到预设的时间阈值的步骤中,具体包括:
获取空调的压缩机运行频率、风机的转速、电子膨胀阀的开度;
若所述压缩机运行频率、风机的转速、电子膨胀阀的开度均在预设的范围内运行持续达到预设的时间阈值,则确定所述空调在预设的状态运行达到了预设的时间阈值。
例如,获取当前空调的压缩机运行频率F,风机的转速N,电子膨胀阀的开度P,当运行频率F在一段时间的波动范围位于预设的范围50~100Hz,所述转速N在一段时间的波动范围位于预设的范围50~100圈/s,所述电子膨胀阀的开度P在一段时间的波动范围位于预设的范围5°~10°时,亦即所述压缩机运行频率F,风机的转速N,电子膨胀阀的开度P均位于预设的范围区间内波动,则认为当前的空调的运行功率较为平稳,当持续的时间达到预设的时间阈值5分钟时,则认为当前空调平稳运行。同样的,所述预设的范围值及时间阈值仅是作示例性的说明,可根据实际的需求作调整,不构成对本发明的技术方案的限定。
具体地,还包括:
获取室内环境中目标对象的身体状态;
将所述身体状态输入经训练的神经网络模型,输出室内环境的第二调节控制曲线。
本发明的一种实施例中,还会建立室内环境条件和人的状态(体温、心率、呼吸、血压)的变化关系,然后通过第二神经网络模型预测室内环境条件以及人身体状态的变化并调节空调提前做出反应达到既自适应环境,又适应人的身体状态的目的。例如在人体进入睡眠后体温、心率和呼吸会经历一个由高到低的过程,该第二神经网络模型能够根据此类变化输出第二调节控制曲线调整空调使室内环境条件适应人身体状态变化曲线。
同时,在一种可能的实施方式中,记录人的主观调节行为并将设定的相关参数作为已建立的第二神经网络模型的实际值进行反向传播优化模型,输出优化后的第二调节控制曲线,使空调自调节行为与人的个人习惯和期望目标更接近。
为了使得第一调节控制曲线和第二调节控制曲线对当前空调的运行调节控制产生冲突,在一种可能的实施方式中,通过第一神经网络模型得到室外环境的第一环境参数和室内环境条件的变化关系,根据室外环境的变化预测室内环境将发生的变化并给出相应的提前补偿达到室内环境恒定的目的。其后,通过第二神经网络模型得到人的身体状态和室内环境条件的变化关系,第二神经网络模型能根据人的身体状态变化调整空调使室内环境适应人身体状态变化曲线。所述第一调节控制曲线和所述第二调节控制曲线根据实际的情形先后对当前空调的运行调节控制。
而在一种优选的实施例中,还包括:
将所述第一调节控制曲线和所述第二调节控制曲线拟合成拟合调节控制曲线;
根据所述拟合调节控制曲线调节控制所述空调的运行。
本实施例中,通过拟合所述第一调节控制曲线和所述第二调节控制曲线,形成新的拟合调节控制曲线调节控制所述空调的运行,有效地综合了第一调节控制曲线和第二调节控制曲线,合理控制空调的运行,避免了同事对空调的运行调节控制而产生冲突。
在本发明的一种具体的实施例中,所述空调的自调节控制方法还包括:
预先建立第一神经网络模型;
训练所述第一神经网络模型;所述第一神经网络模型用于构建第一环境参数和第一调节控制曲线之间的映射关系,并根据输入的第一环境参数,输出其对应的第一调节控制曲线。
参见图3,所述第一神经网络模型和所述第二神经网络模型包括输入层、隐藏层和输出层。
本发明的一种实施例中,对所述第一神经网络模型和第二神经的训练过程如下:
1.采集户外各项环境条件数据,亦即,室外环境的第一环境参数,包括室外温度、室外湿度、室外辐照度、室外风力指数作为4个输入,采集室内环境的第二环境参数包括室内温度、室内湿度、室内风速、空气质量作为实际值,并进一步输出第一调节控制曲线。建立第一神经网络模型,所述第一神经网络模型优选为BP神经网络模型。根据室外环境的第一环境参数的变化预测4项第二环境参数的变化。所以,设定输出层有4个输出神经元,再根据运算量大小设定具有6-10个隐含神经元的隐藏层。可以理解的是,所述第一、第二环境参数包含的内容可以根据实际的需求而增减,此时,对应地,所述输入的神经元及输入的神经元的个数也做相应的调整。
2.第一神经网络模型中隐藏层和输出层的转移函数都采用S型转移函数,对隐藏层有
其中,xj为输入层第j个节点输入,yi为隐藏层第i个神经元输出值公式;neti为隐藏层各输入神经元经过权重和偏差相加后的值。g(x)为S型转移函数(隐藏层激励函数)。
3.对输出层有:
Ek为输出层第k个神经元输出值公式;netk为输出层各输入神经元经过权重和偏差相加后的值。g(x)为S型转移函数。
4.使用梯度下降法回推参数,目标值为
T={Tk};k=1,2...L,其中L为输出层神经元个数。
在此算法中,使用梯度下降法回推参数,此时从Delta学习规则(也就是代价函数/损失函数)进行回推即从损失函数对系数求导,这里设置的Delta学习规则是:
1/2是为了回推求导时消去2。当设定误差为
时训练完成。其中,Q为样本总数。
5.根据该学习规则,隐藏层和输出层的加权值和偏差的计算和更新如下:
6.将更新后的权值带入2中继续进行学习直到误差满足需求。
7.采集人的身体状态包括体温、心率、血压、呼吸频率作为4项输入,将室内环境条件包括室内温度、室内湿度、室内风速、空气质量作为实际值。建立第二神经网络模型,所述神经网络模型优选为BP神经网络模型,预测适应人身体状态曲线的室内环境条件。所以,设定有4个输出神经元,再根据运算量大小设定6-10个隐藏层神经元。
8.此时第二神经网络模型按照步骤2-6进行训练。
9.记录人在一定室内环境条件下的控制调节行为并将主观设定的相关参数包括空调制冷(热)温度、制湿度、空调风速、空气净化率作为已建立的神经网络模型b的实际值进行反向传播不断优化。将人主观调节的参数作为新的目标值再做反向传递优化模型。将新的目标值:
F={Fk};k=1,2,...L,
代替Tk代入步骤5的公式中。
10.若代入新的目标值误差满足需求,则训练结束,否则实际值进行重组。引入新的目标值Gk对人身体状态需求和主观目标需求进行需求分配。
其中Fk是c=0的情况,现在增大c减小d直到误差满足需求,训练完成。
第二方面,本发明提供一种空调的自调节控制系统。
如图4,示出了本发明中一种空调的自调节控制系统的一种实施例的结构。
所述空调的自调节控制系统,包括获取模块101、输出模块102、调节控制模块103。其中:
获取模块101,用于当空调在预设的状态运行达到预设的时间阈值时,获取当前空调运行环境的室外环境的第一环境参数;
在传统空调人为设定运行温度后,空调根据设定的运行温度通过闭环控制系统达到稳定状态,亦即空调在预设的状态运行达到预设的时间阈值。但是室外环境的第一环境参数发生变化时,室内环境会受到一定的影响,从而影响当前空调的稳定状态。
输出模块102,用于将所述第一环境参数输入经训练的第一神经网络模型,输出室内环境的第一调节控制曲线;
本发明中,通过第一神经网络模型建立室外环境的变化参数与室内环境条件的变化关系,输出室内环境的第一调节控制曲线。其中,所述第一神经网络模型优选为BP神经网络模型,所述BP神经网络模型能学习和存贮大量的输入-输出模式映射关系,而无需事前揭示描述这种映射关系的数学方程。
调节控制模块103,用于根据所述第一调节控制曲线调节控制所述空调的运行。
本发明中,通过神经网络模型建立室外环境的第一环境参数与室内环境的第一调节控制曲线之间的映射关系,能够根据外温的变化提前预测室内温度的变化曲线,从而输出第一调节控制曲线,从而根据所述第一调节控制曲线有效地调节控制空调的运行,并提前补偿抵消室外环境变化对室内环境条件恒定的影响。
在本发明的一种具体的实施例中,所述第一环境参数包括:室外温度、湿度、辐照度和风力。其对应室内环境条件:室内温度、湿度、风力和空气质量。本实施例中,通过BP神经网络模型建立室外环境的第一环境参数(室外温度、湿度、辐照度、风力)和室内环境的第二环境参数(室内温度、湿度、风力、空气质量)的变化关系,输出第一调节控制曲线,并根据第一调节控制曲线对应的调节控制指令,调节控制当前空调的运行。例如,调节控制当前空调运行的功率;调节控制当前空调的压缩机的运行频率、电子膨胀阀的开度及风机的转速等。
请继续参见图2,以温度为例,在t1时刻室外环境的第一环境参数(室外温度、湿度、辐照度、风力、PM2.5指数)发生变化时,室温在空调设定温度为T0的状态下产生了由T0变化为Tx又稳定在T0的变化。所述第一神经网络模型能够根据外温的变化提前预测室内温度的变化曲线,输出第一调节控制曲线,调节控制当前空调的运行,并提前补偿抵消ΔT=|T0-Tx|的变化达到室内环境条件恒定的目的。
在本发明中,首先需要判断当前的空调是否在预设的状态运行达到预设的时间阈值,亦即判断当前的空调的运行是否处于稳定的状态。
本发明中,提供两种可能的实施方式以确定当前的所述空调在预设的状态运行达到预设的时间阈值,但本发明并不局限于此。
在一种可能的实施方式中,获取模块101中,具体包括:
第一获取单元,用于获取空调的运行功率;
第一确定单元,用于若所述运行功率的变化值在预设的范围内运行持续达到预设的时间阈值,则确定所述空调在预设的状态运行达到了预设的时间阈值。
例如,获取当前空调的运行功率W,若该运行功率的变化值一直处于预设的范围【-0.1,01】区间内波动,则认为当前的空调的运行功率较为平稳,当持续的时间达到预设的时间阈值5分钟时,则认为当前空调平稳运行。可以理解的是,所述预设的范围及所述预设的时间阈值,可根据实际的需求情形做调整,如针对不同型号的空调做调整。
在另一种可能的实施方式中,所述获取模块101中,具体包括:
第二获取单元,用于获取空调的压缩机运行频率、风机的转速、电子膨胀阀的开度;
第二确定单元,用于若所述压缩机运行频率、风机的转速、电子膨胀阀的开度均在预设的范围内运行持续达到预设的时间阈值,则确定所述空调在预设的状态运行达到了预设的时间阈值。
例如,获取当前空调的压缩机运行频率F,风机的转速N,电子膨胀阀的开度P,当运行频率F在一段时间的波动范围位于预设的范围50~100Hz,所述转速N在一段时间的波动范围位于预设的范围50~100圈/s,所述电子膨胀阀的开度P在一段时间的波动范围位于预设的范围5°~10°时,亦即所述压缩机运行频率F,风机的转速N,电子膨胀阀的开度P均位于预设的范围区间内波动,则认为当前的空调的运行功率较为平稳,当持续的时间达到预设的时间阈值5分钟时,则认为当前空调平稳运行。同样的,所述预设的范围值及时间阈值仅是作示例性的说明,可根据实际的需求作调整,不构成对本发明的技术方案的限定。
具体地,所述空调的自调节控制系统还被配置为执行以下步骤:
获取室内环境中目标对象的身体状态;
将所述身体状态输入经训练的神经网络模型,输出室内环境的第二调节控制曲线。
本发明的一种实施例中,还会建立室内环境条件和人的状态(体温、心率、呼吸、血压)的变化关系,然后通过第二神经网络模型预测室内环境条件以及人身体状态的变化并调节空调提前做出反应达到既自适应环境,又适应人的身体状态的目的。例如在人体进入睡眠后体温、心率和呼吸会经历一个由高到低的过程,该第二神经网络模型能够根据此类变化输出第二调节控制曲线调整空调使室内环境条件适应人身体状态变化曲线。
同时,在一种可能的实施方式中,记录人的主观调节行为并将设定的相关参数作为已建立的第二神经网络模型的实际值进行反向传播优化模型,输出优化后的第二调节控制曲线,使空调自调节行为与人的个人习惯和期望目标更接近。
为了使得第一调节控制曲线和第二调节控制曲线对当前空调的运行调节控制产生冲突,在一种可能的实施方式中,通过第一神经网络模型得到室外环境的第一环境参数和室内环境条件的变化关系,根据室外环境的变化预测室内环境将发生的变化并给出相应的提前补偿达到室内环境恒定的目的。其后,通过第二神经网络模型得到人的身体状态和室内环境条件的变化关系,第二神经网络模型能根据人的身体状态变化调整空调使室内环境适应人身体状态变化曲线。所述第一调节控制曲线和所述第二调节控制曲线根据实际的情形先后对当前空调的运行调节控制。
而在一种优选的实施例中,所述空调的自调节控制系统还包括:
拟合模块,用于将所述第一调节控制曲线和所述第二调节控制曲线拟合成拟合调节控制曲线;
根据所述拟合调节控制曲线调节控制所述空调的运行。
本实施例中,通过拟合所述第一调节控制曲线和所述第二调节控制曲线,形成新的拟合调节控制曲线调节控制所述空调的运行,有效地综合了第一调节控制曲线和第二调节控制曲线,合理控制空调的运行,避免了同事对空调的运行调节控制而产生冲突。
在本发明的一种具体的实施例中,所述空调的自调节控制系统还包括建立模块。所述建立模块用于:
预先建立第一神经网络模型;
训练所述第一神经网络模型;所述第一神经网络模型用于构建第一环境参数和第一调节控制曲线之间的映射关系,并根据输入的第一环境参数,输出其对应的第一调节控制曲线。
请继续参见图3,所述第一神经网络模型和所述第二神经网络模型包括输入层、隐藏层和输出层。
本发明的一种实施例中,对所述第一神经网络模型和第二神经的训练过程如下:
1.采集户外各项环境条件数据,亦即,室外环境的第一环境参数,包括室外温度、室外湿度、室外辐照度、室外风力指数作为4个输入,采集室内环境的第二环境参数包括室内温度、室内湿度、室内风速、空气质量作为实际值,并进一步输出第一调节控制曲线。建立第一神经网络模型,所述第一神经网络模型优选为BP神经网络模型。根据室外环境的第一环境参数的变化预测4项第二环境参数的变化。所以,设定输出层有4个输出神经元,再根据运算量大小设定具有6-10个隐含神经元的隐藏层。可以理解的是,所述第一、第二环境参数包含的内容可以根据实际的需求而增减,此时,对应地,所述输入的神经元及输入的神经元的个数也做相应的调整。
2.第一神经网络模型中隐藏层和输出层的转移函数都采用S型转移函数,对隐藏层有
其中,xj为输入层第j个节点输入,yi为隐藏层第i个神经元输出值公式;neti为隐藏层各输入神经元经过权重和偏差相加后的值。g(x)为S型转移函数(隐藏层激励函数)。
3.对输出层有:
Ek为输出层第k个神经元输出值公式;netk为输出层各输入神经元经过权重和偏差相加后的值。g(x)为S型转移函数。
4.使用梯度下降法回推参数,目标值为
T={Tk};k=1,2...L,其中L为输出层神经元个数。
在此算法中,使用梯度下降法回推参数,此时从Delta学习规则(也就是代价函数/损失函数)进行回推即从损失函数对系数求导,这里设置的Delta学习规则是:
1/2是为了回推求导时消去2。当设定误差为
时训练完成。其中,Q为样本总数。
5.根据该学习规则,隐藏层和输出层的加权值和偏差的计算和更新如下:
6.将更新后的权值带入2中继续进行学习直到误差满足需求。
7.采集人的身体状态包括体温、心率、血压、呼吸频率作为4项输入,将室内环境条件包括室内温度、室内湿度、室内风速、空气质量作为实际值。建立第二神经网络模型,所述神经网络模型优选为BP神经网络模型,预测适应人身体状态曲线的室内环境条件。所以,设定有4个输出神经元,再根据运算量大小设定6-10个隐藏层神经元。
8.此时第二神经网络模型按照步骤2-6进行训练。
9.记录人在一定室内环境条件下的控制调节行为并将主观设定的相关参数包括空调制冷(热)温度、制湿度、空调风速、空气净化率作为已建立的神经网络模型b的实际值进行反向传播不断优化。将人主观调节的参数作为新的目标值再做反向传递优化模型。将新的目标值:
F={Fk};k=1,2,...L,
代替Tk代入步骤5的公式中。
10.若代入新的目标值误差满足需求,则训练结束,否则实际值进行重组。引入新的目标值Gk对人身体状态需求和主观目标需求进行需求分配。
其中Fk是c=0的情况,现在增大c减小d直到误差满足需求,训练完成。
第三方面,本发明还提供一种空调器。
所述空调器用于执行上述的空调的自调节控制方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上对本发明所提供技术方案进行了详细介绍,对于本领域的一般技术人员,依据本发明实施例的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (7)
1.一种空调的自调节控制方法,其特征在于,包括:
当空调在预设的状态运行达到预设的时间阈值时,获取当前空调运行环境的室外环境的第一环境参数;
将所述第一环境参数输入经训练的第一神经网络模型,所述第一神经网络模型用于构建第一环境参数和第一调节控制曲线之间的映射关系,并根据输入的第一环境参数,输出室内环境的对应的第一调节控制曲线;
根据所述第一调节控制曲线调节控制所述空调的运行;
获取室内环境中目标对象的身体状态;
将所述身体状态输入经训练的神经网络模型,输出室内环境的第二调节控制曲线;
将所述第一调节控制曲线和所述第二调节控制曲线拟合成拟合调节控制曲线;
根据所述拟合调节控制曲线调节控制所述空调的运行;
所述第一环境参数包括室外温度、湿度、辐照度和风力,所述室内环境包括室内温度、湿度、风力和空气质量。
2.根据权利要求1所述的空调的自调节控制方法,其特征在于,所述第一神经网络模型为BP神经网络模型。
3.根据权利要求1所述的空调的自调节控制方法,其特征在于,所述空调在预设的状态运行达到预设的时间阈值的步骤中,具体包括:
获取空调的运行功率;
若所述运行功率的变化值在预设的范围内运行持续达到预设的时间阈值,则确定所述空调在预设的状态运行达到了预设的时间阈值。
4.根据权利要求1所述的空调的自调节控制方法,其特征在于,所述空调在预设的状态运行达到预设的时间阈值的步骤中,具体包括:
获取空调的压缩机运行频率、风机的转速、电子膨胀阀的开度;
若所述压缩机运行频率、风机的转速、电子膨胀阀的开度均在预设的范围内运行持续达到预设的时间阈值,则确定所述空调在预设的状态运行达到了预设的时间阈值。
5.根据权利要求1所述的空调的自调节控制方法,其特征在于,还包括:
预先建立第一神经网络模型;
训练所述第一神经网络模型。
6.一种空调的自调节控制系统,其特征在于,包括:
获取模块,用于当空调在预设的状态运行达到预设的时间阈值时,获取当前空调运行环境的室外环境的第一环境参数;
输出模块,用于将所述第一环境参数输入经训练的第一神经网络模型,输出室内环境的第一调节控制曲线;
调节控制模块,用于根据所述第一调节控制曲线调节控制所述空调的运行。
7.一种空调器,其特征在于,所述空调器用于执行权利要求1-5任意一项所述的空调的自调节控制方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911084160.8A CN110986249B (zh) | 2019-11-07 | 2019-11-07 | 空调的自调节控制方法、系统及空调器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911084160.8A CN110986249B (zh) | 2019-11-07 | 2019-11-07 | 空调的自调节控制方法、系统及空调器 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110986249A CN110986249A (zh) | 2020-04-10 |
CN110986249B true CN110986249B (zh) | 2021-09-24 |
Family
ID=70083566
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911084160.8A Active CN110986249B (zh) | 2019-11-07 | 2019-11-07 | 空调的自调节控制方法、系统及空调器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110986249B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN112141313B (zh) * | 2020-09-27 | 2022-06-03 | 武汉第二船舶设计研究所(中国船舶重工集团公司第七一九研究所) | 一种面向多海员定制的舱室环境控制方法及系统 |
CN113048626A (zh) * | 2021-01-27 | 2021-06-29 | 哈尔滨工业大学(深圳) | 建筑能耗优化方法及设备、可读存储介质 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8160752B2 (en) * | 2008-09-30 | 2012-04-17 | Zome Networks, Inc. | Managing energy usage |
CN103017297A (zh) * | 2012-12-27 | 2013-04-03 | 李克豪 | 基于气象变化的空调系统的运行方法 |
JP5988217B2 (ja) * | 2013-01-11 | 2016-09-07 | パナソニックIpマネジメント株式会社 | 部屋の熱特性推定装置、プログラム |
JP2017003192A (ja) * | 2015-06-10 | 2017-01-05 | 株式会社東芝 | エネルギー管理装置、エネルギー管理方法及びエネルギー管理プログラム |
CN108006887B (zh) * | 2017-11-20 | 2020-07-24 | 北京建筑大学 | 既有建筑空调用能模型构建方法及空调能耗预测方法 |
CN109028480B (zh) * | 2018-06-08 | 2021-08-20 | 杭州博联智能科技股份有限公司 | 一种恒温恒湿控制系统及其方法 |
CN109631255A (zh) * | 2018-12-10 | 2019-04-16 | 珠海格力电器股份有限公司 | 一种空调控制方法、装置、存储介质及空调 |
CN109631238A (zh) * | 2019-01-28 | 2019-04-16 | 宁波溪棠信息科技有限公司 | 一种提高空调系统运行能效的控制系统和控制方法 |
CN110410960B (zh) * | 2019-07-31 | 2021-05-07 | 广州市特沃能源管理有限公司 | 一种风机盘管预测控制方法 |
-
2019
- 2019-11-07 CN CN201911084160.8A patent/CN110986249B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110986249A (zh) | 2020-04-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110986249B (zh) | 空调的自调节控制方法、系统及空调器 | |
Liang et al. | Design of intelligent comfort control system with human learning and minimum power control strategies | |
CN110726218B (zh) | 空调器及其控制方法、装置、存储介质和处理器 | |
JP7016407B2 (ja) | スマートな供給空気温度設定点制御を介する冷却ユニットのエネルギー最適化 | |
CN110059801B (zh) | 基于神经网络的空调器能效控制方法 | |
CN110057045B (zh) | 用于空调器的控制方法 | |
CN110726229B (zh) | 空调器的控制方法及装置、存储介质及处理器 | |
CN111351180A (zh) | 一种运用人工智能实现数据中心节能温控的系统及方法 | |
Homod et al. | Gradient auto-tuned Takagi–Sugeno Fuzzy Forward control of a HVAC system using predicted mean vote index | |
CN113310194B (zh) | 睡眠环境的智能调整方法与睡眠环境调节系统 | |
Pfeiffer et al. | Control of temperature and energy consumption in buildings-a review. | |
CN105588274B (zh) | 一种自然风控制方法和装置 | |
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 | |
CN114020079B (zh) | 一种室内空间温度和湿度调控方法及装置 | |
CN110520679A (zh) | 暖通空调机组控制器 | |
CN110410960B (zh) | 一种风机盘管预测控制方法 | |
CN109827299A (zh) | 基于物联网空气处理机组调节方法、装置、系统和介质 | |
CN111520878A (zh) | 一种基于rbf神经网络的空调温控系统及其控制方法 | |
CN113283156A (zh) | 一种基于深度强化学习的地铁站空调系统节能控制方法 | |
CN109140660A (zh) | 用于空调的智能控温装置方法及装置、空调、存储介质 | |
Sun et al. | Intelligent distributed temperature and humidity control mechanism for uniformity and precision in the indoor environment | |
CN112648717B (zh) | 一种基于径向基神经网络的多区域变风量空调系统末端控制方法 | |
CN110094838A (zh) | 一种基于空调系统的可变参数无模型自适应控制方法 | |
CN116485044B (zh) | 一种电网交互型高效商业建筑智能运行优化方法 | |
CN115717758A (zh) | 一种室内空间温度和湿度调控方法及系统 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20210909 Address after: No.2345, Jiangdong 1st Road, dajiangdong industrial cluster, Hangzhou, Zhejiang 311200 Applicant after: GREE ELECTRIC APPLIANCE (HANGZHOU) Co.,Ltd. Applicant after: GREE ELECTRIC APPLIANCES Inc. OF ZHUHAI Address before: 519000 Qianshan Golden Chicken West Road in Zhuhai, Guangdong Applicant before: GREE ELECTRIC APPLIANCES Inc. OF ZHUHAI |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |