CN110986308A - 空调器的制热控制方法及空调器 - Google Patents
空调器的制热控制方法及空调器 Download PDFInfo
- Publication number
- CN110986308A CN110986308A CN201911072930.7A CN201911072930A CN110986308A CN 110986308 A CN110986308 A CN 110986308A CN 201911072930 A CN201911072930 A CN 201911072930A CN 110986308 A CN110986308 A CN 110986308A
- Authority
- CN
- China
- Prior art keywords
- air conditioners
- heating mode
- air conditioner
- target air
- heating
- 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
- F24F11/50—Control or safety arrangements characterised by user interfaces or communication
- F24F11/61—Control or safety arrangements characterised by user interfaces or communication using timers
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明提供了一种空调器的制热控制方法及空调器,该方法包括:收集多个空调器在第一预周期内的运行状态数据,依据运行状态数据建立训练模型;通过训练模型学习各空调器所对应用户对空调器的使用习惯,从而筛选出使用满足预设使用条件的多个目标空调器;基于多个目标空调器的运行参数确定各目标空调器的制热模式自动启动时间,以在制热模式自动启动时间到达时自动控制目标空调器进入制热模式。基于本发明提供的方法,利用训练模型对用户使用空调器的习惯进行高效学习,并基于筛选出的满足预设使用条件的目标空调器的运行参数进行分析并进行智能极速制热,提升室内温度调节效率,从而实现空调的智能化,满足用户对智慧家电的需求。
Description
技术领域
本发明涉及空调技术领域,特别是涉及空调器的制热控制方法及空调器。
背景技术
冬季用户多使用空调进行制热,而在空调的制热模式下,由于制热速度可以直接影响到用户的使用体验,因此,空调器的制热速度成为用户重点关注问题。
目前,对于传统空调器来讲,在启动制热模式时,通常为用户在感觉到室内温度较低时通过遥控器启动空调以开启制热模式,并且在空调器启动较长时间内才会使室内温度达到用户所设定的温度。那么,如何提升空调器制热效率则是亟待解决的问题。
发明内容
本发明的一个目的是要提供一种提升室内温度调节效率的空调器的制热控制方法。
本发明一个进一步的目的是要使得空调器的制热控制方法更加智能。
本发明另一个进一步的目的是提供一种具有上述功能的空调器。
特别地,根据本发明的一个方面,提供了一种空调器的制热控制方法,包括:
收集多个空调器在第一预周期内的运行状态数据,依据上述运行状态数据建立训练模型;
通过训练模型学习各空调器所对应用户对空调器的使用习惯,从而筛选出使用满足预设使用条件的多个目标空调器;
基于多个目标空调器的运行参数确定各目标空调器的制热模式自动启动时间,以在制热模式自动启动时间到达时自动控制目标空调器进入制热模式。
可选地,通过训练模型学习各空调器所对应用户对空调器的使用习惯,从而筛选出使用满足预设使用条件的多个目标空调器,包括:
通过训练模型学习各空调器所对应用户对空调器的控制参数;控制参数包括:开机时间、关机时间、制热模式开启时间、制热模式关闭时间、制热模式启动次数、制热模式启动天数中至少之一;
基于各用户对空调器的控制参数从多个空调器中筛选出使用满足预设使用条件的多个目标空调器。
可选地,基于各用户对空调器的控制参数从多个空调器中筛选出使用满足预设使用条件的多个目标空调器,包括:
在多个空调器中选取第一指定时间段运行过制热模式的空调器;
按照第二预设周期内制热模式启动天数和/或制热模式启动次数在所选取的空调器中筛选出多个目标空调器。
可选地,按照第二预设周期内制热模式启动天数和/或制热模式启动次数在所选取的空调器中筛选出多个目标空调器,包括:
按照第二预设周期内制热模式启动天数从多到少的顺序对所选取的空调器进行排序并生成第一排序列表,在第一排序列表中顺次选取第一指定数值的第一空调器;
按照第二预设周期内制热模式启动次数从高到低的顺序对第一空调器进行排序并生成第二排序列表,在第二排序列表中顺次选取第二指定数值的第二空调器,作为目标空调器。
可选地,基于多个目标空调器的运行参数确定各目标空调器的制热模式自动启动时间,包括:
按照第二指定时间段内制热模式启动次数从高到低的顺序对目标空调器进行排序生成第三排序列表,在第三排序列表中选取第三指定数值的第三空调器;
基于第三空调器的运行参数确定各第三空调器的制热模式自动启动时间。
可选地,基于第三空调器的运行参数确定各第三空调器的制热模式自动启动时间,包括:
获取第三空调器每一次制热模式的启动时间,并基于启动时间计算平均值和标准差;
依据平均值和标准差确定各第三空调器的制热模式自动启动时间。
可选地,依据平均值和标准差确定各第三空调器的制热模式自动启动时间,包括:
依据公式T1=m-x+e计算各第三空调器的制热模式自动启动时间;
其中,T1表示制热模式自动启动时间,m表示平均值,e表示标准差,x为设定值。
可选地,依据平均值和标准差确定各目标空调器的制热模式自动启动时间,包括
若判断任一目标空调器连续多天在所述指定时间段启用制热模式,则依据公式T2=m-y+e确定第三空调器的制热模式自动启动时间;
其中,T2表示制热模式自动启动时间,m表示平均值,e表示标准差,y为设定值。
可选地,收集多个空调器在第一预设周期内的运行状态数据,依据运行状态数据建立训练模型之后,还包括:
定期更新训练模型。
根据本发明的另一个方面,还提供了一种空调器,包括:
室内机;
室外机;
控制器,其包括存储器和处理器,存储器存储有计算机程序,计算机程序被处理器执行时用于实现根据上述任一项的空调器的制热控制方法。
本发明提供了一种高效率的空调器的制热控制方法及空调器,在本发明提供的方法中,可先收集多个空调器在第一预设周期内的运行状态数据并建立训练模型,以通过训练模型学习各空调器对应用户对空调器的使用习惯,从而在确定出满足预设使用条件的多个目标空调器之后,基于该多个目标空调器的运行参数确定制热模式自动启动时间,进而在该制热模式自动启动时间到达时控制目标空调器自动进入制热模式。基于本发明提供的方法,利用训练模型对用户使用空调器的习惯进行高效学习,并基于筛选出的满足预设使用条件的目标空调器的运行参数进行分析并进行智能极速制热,提升室内温度调节效率,从而进一步提升用户体验。
进一步地,本发明提供的方案可对空调器进行多次筛选,以选取多个对具有空调制热需求的用户针对性提供智能服务,以在满足用户制热需求的同时减少不必要的资源浪费,从而实现空调的智能化,满足用户对智慧家电的需求。
根据下文结合附图对本发明具体实施例的详细描述,本领域技术人员将会更加明了本发明的上述以及其他目的、优点和特征。
附图说明
后文将参照附图以示例性而非限制性的方式详细描述本发明的一些具体实施例。附图中相同的附图标记标示了相同或类似的部件或部分。本领域技术人员应该理解,这些附图未必是按比例绘制的。附图中:
图1是根据本发明一个实施例的空调器的制热控制方法流程示意图;
图2是根据本发明另一实施例的空调器的制热控制方法流程示意图;
图3是根据本发明实施例的空调器的结构示意图。
具体实施方式
图1是根据本发明一个实施例的空调器的制热控制方法流程示意图,参见图1可知,本实施例提供的空调器的制热控制方法可以包括:
步骤S102,收集多个空调器在第一预周期内的运行状态数据,依据上述运行状态数据建立训练模型;
步骤S104,通过训练模型学习各空调器所对应用户对空调器的使用习惯,从而筛选出使用满足预设使用条件的多个目标空调器;
步骤S106,基于多个目标空调器的运行参数确定各目标空调器的制热模式自动启动时间,以在制热模式自动启动时间到达时自动控制目标空调器进入制热模式。
本发明实施例提供了一种高效率的空调器的制热控制方法,在本发明实施例提供的方法中,可先收集多个空调器在第一预设周期内的运行状态数据并建立训练模型,以通过训练模型学习各空调器对应用户对空调器的使用习惯,从而在确定出满足预设使用条件的多个目标空调器之后,基于该多个目标空调器的运行参数确定制热模式自动启动时间,进而在该制热模式自动启动时间到达时控制目标空调器自动进入制热模式。基于本发明实施例提供的方法,利用训练模型对用户使用空调器的习惯进行高效学习,并基于筛选出的满足预设使用条件的目标空调器的运行参数进行分析并进行智能极速制热,提升室内温度调节效率,从而实现空调的智能化,满足用户对智慧家电的需求。
基于本发明实施例提供的方案可以在用户运行制热时,可以先在制热模式自动启动时间到达时自动控制目标空调器进入制热模式,即相当于控制空调器进入空调制热的预加热模式,当用户真实启动制热运行时,可快速向室内送出热风,提升室内温度,尤其在冬天可以有效提升制热效率,提升空调器的智能水平,满足用户使用需求。
其中,训练模型可以是预先基于人工智能、机器学习等方式预先构建的训练模型。对于该训练模型来讲,其输入数据可以是空调器的运行状态数据,例如开机状态参数、关机状态参数,以及空调器所处位置的室内温度、室外温度、天气特征中至少之一,当然实际应用中还可以是其他与空调器开机进入制热模式的相关数据或是其他开机相关数据,本发明不做限定。
参见上述步骤S102,对于所收集的空调器的运行状态数据时,可以收集同一指定地区内的所有空调器,例如,以市级城市作为一个指定地区,或是以市级城市中的任意一个行政区作为指定地区,还可以以同一个省作为一个指定地区等等。另外,对于收集第一预设周期的运行状态时间来讲,可以是空调器开机后一天内24小时或是其他时间周期的开关机状态、室内外温度、当地天气情况特征等相关数据,从而建立训练模型。当然,实际应用中,还可以以其他方式确定所要收集运行状态数据的空调器,收集空调器的运行状态数据的第一预设周期也可以根据不同的需求进行设置。
在建立好训练模型之后,即可执行上述步骤S104,通过训练模型学习各空调器所对应用户对空调器的使用习惯,从而筛选出使用满足预设使用条件的多个目标空调器。其中,在通过训练模型学习用户的使用习惯时,具体可以通过训练模型学习各空调器所对应用户对空调器的控制参数;如每一天每一次的开机时间、关机时间、制热模式开启时间、制热模式关闭时间、制热模式启动次数、制热模式启动天数中至少之一,除上述介绍的之外,还可以学习用户使用空调器时在制热模式时设定的温度等等,以准确掌握用户对空调器的使用习惯,以在后续为用户进行智能制热的同时满足用户的个性化需求。
可选地,由于用户对空调器的使用习惯可能根据天气或是其他原因进行变化,因此,在上述步骤S102之后,还可以定期更新训练模型。举例来讲,可以以一个星期为一个周期,收集空调器在这一个星期内的运行状态参数,作为新的训练数据对训练模型进行更新,从而及时准确分析用户的使用习惯的变化,以使得最终确定的制热模式自动启动时间更加符合用户当前的使用需求。
上述步骤S104提及,在获取到用户对空调器的使用习惯之后,还会在多个空调器中选取目标空调器,可选地,可以基于各用户对空调器的控制参数从多个空调器中筛选出使用满足预设使用条件的多个目标空调器。实际应用中,并非所有用户均需要智能制热,因此,本实施例所提供的方案会基于用户对空调器的控制参数筛选出多个目标空调器,以实现对具有制热需求的用户进行智能制热,为该类用户针对性地提供服务,以在满足用户制热需求的同时减少不必要的资源浪费。
在本发明可选实施例中,上述步骤S104提及的进行目标空调器的筛选主要可以分为两个过程:
第一,在多个空调器中选取第一指定时间段运行过制热模式的空调器。即需要确定用户在近期使用过空调的制热模式,以便确定该用户是使用制热模式的高活用户;该第一指定时间段可以是近三天内或是近五天内等其他时间段。从另一方面来讲,假设用户在近期没有使用过空调的制热模式,则判断该用户为低活用户,此时,则无需为该用户的空调器确定自动启动制热模式时间,以节约存储及运算资源。
第二,按照第二预设周期内制热模式启动天数和/或制热模式启动次数在所选取的空调器中筛选出多个目标空调器。因为用户对制热模式的需求可以从制热模式启动次数或是制热模式启动天数体现出来,因此,本实施例通过以第二预设周期内制热模式启动天数、制热模式启动次数作为筛选条件选取目标空调器,可以有效且准确确定具有制热需求的用户。其中,第二预设周期可以根据不同需求进行设置,如近一周等等,本发明不做限定。
在本发明一可选实施例中,上述过程可进一步包括:先按照第二预设周期内制热模式启动天数从多到少的顺序对多空调器进行排序并生成第一排序列表,在第一排序列表中顺次选取第一指定数值的第一空调器;再按照第二预设周期内制热模式启动次数从高到低的顺序对第一空调器进行排序并生成第二排序列表,在第二排序列表中顺次选取第二指定数值的第二空调器,作为目标空调器。本实施例通过将制热模式启动天数、制热模式启动次数同时作为目标空调器的筛选条件,可以对不需要执行制热模式的空调器进行有效过滤,从而准确定位具有制热需求的用户。上述实施例中所提及的第一指定数值以及第二指定数值可以根据不同的精度需求进行选取,也可以根据各自列表中的总的空调器的数量的一定比例进行选取,本发明不做限定。
参见上述步骤S106,在选取出目标空调器之后,即可基于目标空调器的运行参数确定各自的制热模式自动启动时间。在本发明可选实施例中,其可以包括:
1、按照第二指定时间段内制热模式启动次数从高到低的顺序对目标空调器进行排序生成第三排序列表,在第三排序列表中选取第三指定数值的第三空调器。该第二指定时间段可以是每天内的相同时间段,如晚上7点至9点的两个小时内,以使用空调制热模式的次数进行排序,选取排名前5的空调器作为第三空调器。
2、基于第三空调器的运行参数确定各第三空调器的制热模式自动启动时间。可选地,可以获取第三空调器每一次制热模式的启动时间,并基于启动时间计算平均值和标准差;依据平均值和标准差确定各第三空调器的制热模式自动启动时间。前文介绍,已经获取了排名前5的空调器作为第三空调器,即需要进行提前制热的优先级高的用户的空调器,进一步地,可以根据这5台空调器每一小时的使用情况,获取每次制热模式的启动时间,并对所有的启动时间计算平均值m和方差e后预测各目标空调的自动启动时间。
对于所确定出的第三空调器来讲,可以依据公式T1=m-x+e计算各第三空调器的制热模式自动启动时间;其中,T1表示制热模式自动启动时间,m表示平均值,e表示标准差,x为设定值,单位为小时(如1个小时)。上述所计算出的平均值m以及方差e均是一天内的时刻,如7:00,13:00等具体时间,在获取到上述时间之后,在减去x个小时即可作为当前空调器的制热模式自动启动时间。具体执行计算时,可以依据以每一个空调器进行单独计算,进而使得制热模式自动启动时间更加准确、且更具有针对性。
另外,若判断任一目标空调器连续多天在所述指定时间段启用制热模式,则依据公式T2=m-y+e确定第三空调器的制热模式自动启动时间;其中,T2表示制热模式自动启动时间,m表示平均值,e表示标准差,y为设定值(如0.5个小时)。即,假设在连续的6天或是7天内在相同时间空调器启用制热模式,则通过公式T2=m-0.5小时+e计算其制热模式自动启动时间。上述实施例所提及方法可在空调器端进行,并在确定制热模式自动启动时间后进行存储,并同步更新至云端。另外,也可以在云端进行,即由云端进行统一管理,并及时向各目标空调器下发携带有制热模式自动启动时间的制热指令。标准差(StandardDeviation),中文环境中又常称均方差,是离均差平方的算术平均数的平方根,用σ表示。在概率统计中最常使用作为统计分布程度上的测量。标准差是方差的算术平方根。标准差能反映一个数据集的离散程度。本实施例中通过计算制热模式每次的启动时间的平均值和标准差,可以有效反映出空调器制热模式每次启动的时间规律,并去,通过将平均值和标准差作为计算热模式自动启动时间的基准,可以使得获得的制热模式自动启动时间更加准确,从而进一步提升用户体验。
下面通过一优选实施例对上述实施例介绍的空调器的制热控制方法进行详细说明。参见图2可知,本实施例通过的空调器的制热控制方法可以包括:
步骤S202,筛选出高活用户;可选地,可以以最近三天是否有启动制热模式进行判断,如果有,则确定空调器的用户为高活用户,所对应的空调器就为目标空调器;如果没有,则确定空调器的用户为低活用户,不进行制热模式自动启动时间的计算。
步骤S204,基于过去一周使用制热模式天数进行第一次筛选;基于过去一周使用制热模式天数对目标空调器进行排序,选取一定数量的空调器;
步骤S206,基于过去一周使用制热模式次数进行第二次筛选;对步骤S204所选取的空调器进行再次筛选,以选取一定数量的空调器作为目标空调器;
步骤S208,过去一周相同时间段使用制热模式进行排序后选取5台空调器,例如在每天上午8点到11点的3个小时内使用制热模式的次数进行排序基于T1=m-1+e计算各目标空调器的制热模式自动启动时间;m表示平均值,e表示标准差;
步骤S210,如果一台目标空调器过去一周的相同时间连续6天使用制热模式,基于T2=m-0.5+e计算制热模式自动启动时间;
步骤S212,保存时间。例如,假设上述过程在云端执行,则可以在Redis缓存器进行存储。Redis(全称:Remote Dictionary Server远程字典服务)是一个开源的使用ANSI C语言编写、支持网络、可基于内存亦可持久化的日志型、Key-Value数据库,并提供多种语言的API。假设在本地执行,则可以将其存入本地指定的存储区域。
基于同一发明构思,本发明实施例还提供了一种空调器300,如图3所示,该空调器300可以包括:
室内机310;
室外机320;
控制器330,其包括存储器331和处理器332,存储器331存储有计算机程序,计算机程序被处理器332执行时用于实现根据上述任一实施例的空调器的制热控制方法。
本发明实施例提供了一种高效率的空调器的制热控制方法,在本发明实施例提供的方法中,可先收集多个空调器在第一预设周期内的运行状态数据并建立训练模型,以通过训练模型学习各空调器对应用户对空调器的使用习惯,从而在确定出满足预设使用条件的多个目标空调器之后,基于该多个目标空调器的运行参数确定制热模式自动启动时间,进而在该制热模式自动启动时间到达时控制目标空调器自动进入制热模式。基于本发明实施例提供的方法,利用训练模型对用户使用空调器的习惯进行高效学习,并基于筛选出的满足预设使用条件的目标空调器的运行参数进行分析并进行智能极速制热,提升室内温度调节效率,从而提升空调器的智能水平,进一步提升用户体验。
进一步地,本发明实施例提供的方案可对空调器进行多次筛选,以选取多个对具有空调制热需求的用户针对性提供智能服务,以在满足用户制热需求的同时减少不必要的资源浪费,从而实现空调的智能化,满足用户对智慧家电的需求。
至此,本领域技术人员应认识到,虽然本文已详尽示出和描述了本发明的多个示例性实施例,但是,在不脱离本发明精神和范围的情况下,仍可根据本发明公开的内容直接确定或推导出符合本发明原理的许多其他变型或修改。因此,本发明的范围应被理解和认定为覆盖了所有这些其他变型或修改。
Claims (10)
1.一种空调器的制热控制方法,包括:
收集多个空调器在第一预周期内的运行状态数据,依据所述运行状态数据建立训练模型;
通过所述训练模型学习各所述空调器所对应用户对空调器的使用习惯,从而筛选出使用满足预设使用条件的多个目标空调器;
基于所述多个目标空调器的运行参数确定各所述目标空调器的制热模式自动启动时间,以在所述制热模式自动启动时间到达时自动控制所述目标空调器进入制热模式。
2.根据权利要求1所述的方法,其特征在于,所述通过所述训练模型学习各所述空调器所对应用户对空调器的使用习惯,从而筛选出使用满足预设使用条件的多个目标空调器,包括:
通过所述训练模型学习各所述空调器所对应用户对空调器的控制参数;所述控制参数包括:开机时间、关机时间、制热模式开启时间、制热模式关闭时间、制热模式启动次数、制热模式启动天数中至少之一;
基于各所述用户对空调器的控制参数从所述多个空调器中筛选出使用满足预设使用条件的多个目标空调器。
3.根据权利要求2所述的方法,其特征在于,所述基于各所述用户对空调器的控制参数从所述多个空调器中筛选出使用满足预设使用条件的多个目标空调器,包括:
在所述多个空调器中选取第一指定时间段运行过制热模式的空调器;
按照第二预设周期内制热模式启动天数和/或制热模式启动次数在所选取的空调器中筛选出多个目标空调器。
4.根据权利要求3所述的方法,其特征在于,所述按照第二预设周期内制热模式启动天数和/或制热模式启动次数在所选取的空调器中筛选出多个目标空调器,包括:
按照所述第二预设周期内所述制热模式启动天数从多到少的顺序对所选取的空调器进行排序并生成第一排序列表,在所述第一排序列表中顺次选取第一指定数值的第一空调器;
按照所述第二预设周期内制热模式启动次数从高到低的顺序对所述第一空调器进行排序并生成第二排序列表,在所述第二排序列表中顺次选取第二指定数值的第二空调器,作为所述目标空调器。
5.根据权利要求1所述的方法,其特征在于,所述基于所述多个目标空调器的运行参数确定各所述目标空调器的制热模式自动启动时间,包括:
按照第二指定时间段内制热模式启动次数从高到低的顺序对所述目标空调器进行排序生成第三排序列表,在所述第三排序列表中选取第三指定数值的第三空调器;
基于所述第三空调器的运行参数确定各所述第三空调器的制热模式自动启动时间。
6.根据权利要求5所述的方法,其特征在于,所述基于所述第三空调器的运行参数确定各所述第三空调器的制热模式自动启动时间,包括:
获取所述第三空调器每一次制热模式的启动时间,并基于所述启动时间计算平均值和标准差;
依据所述平均值和标准差确定各所述第三空调器的制热模式自动启动时间。
7.根据权利要求6所述的方法,其特征在于,所述依据所述平均值和标准差确定各所述第三空调器的制热模式自动启动时间,包括:
依据公式T1=m-x+e计算各所述第三空调器的制热模式自动启动时间;
其中,T1表示制热模式自动启动时间,m表示平均值,e表示标准差,x为设定值。
8.根据权利要求6所述的方法,其特征在于,所述依据所述平均值和标准差确定各所述目标空调器的制热模式自动启动时间,包括
若判断任一目标空调器连续多天在所述指定时间段启用制热模式,则依据公式T2=m-y+e确定所述第三空调器的制热模式自动启动时间;
其中,T2表示制热模式自动启动时间,m表示平均值,e表示标准差,y为设定值。
9.根据权利要求1所述的方法,其特征在于,所述收集多个空调器在第一预设周期内的运行状态数据,依据所述运行状态数据建立训练模型之后,还包括:
定期更新所述训练模型。
10.一种空调器,包括:
室内机;
室外机;
控制器,其包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时用于实现根据权利要求1至9中任一项所述的空调器的制热控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911072930.7A CN110986308B (zh) | 2019-11-05 | 2019-11-05 | 空调器的制热控制方法及空调器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911072930.7A CN110986308B (zh) | 2019-11-05 | 2019-11-05 | 空调器的制热控制方法及空调器 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110986308A true CN110986308A (zh) | 2020-04-10 |
CN110986308B CN110986308B (zh) | 2021-07-23 |
Family
ID=70083178
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911072930.7A Active CN110986308B (zh) | 2019-11-05 | 2019-11-05 | 空调器的制热控制方法及空调器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110986308B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000227242A (ja) * | 1999-02-02 | 2000-08-15 | Oki Electric Ind Co Ltd | 空調設備の予冷予熱制御方法 |
CN2783195Y (zh) * | 2005-02-01 | 2006-05-24 | 李永光 | 智能户式中央空调系统 |
KR101251873B1 (ko) * | 2012-12-20 | 2013-04-10 | 동국대학교 산학협력단 | 지능형 제어 알고리즘을 이용한 건물 공조 제어 방법 |
CN105318499A (zh) * | 2015-09-30 | 2016-02-10 | 广东美的制冷设备有限公司 | 用户行为自学习空调系统及其控制方法 |
JP2016114280A (ja) * | 2014-12-12 | 2016-06-23 | オムロン株式会社 | 制御装置、制御方法、制御システム、プログラム、および記録媒体 |
CN107576002A (zh) * | 2017-08-17 | 2018-01-12 | 青岛海尔空调器有限总公司 | 空调器及其控制方法 |
CN109425120A (zh) * | 2017-08-31 | 2019-03-05 | 芜湖美的厨卫电器制造有限公司 | 热水器控制方法、装置及热水器 |
CN110160229A (zh) * | 2019-05-14 | 2019-08-23 | 青岛海尔空调器有限总公司 | 空调器的控制方法 |
CN110360715A (zh) * | 2018-04-10 | 2019-10-22 | Lg电子株式会社 | 区域选择性地动作的空调、云服务器及其动作方法 |
-
2019
- 2019-11-05 CN CN201911072930.7A patent/CN110986308B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000227242A (ja) * | 1999-02-02 | 2000-08-15 | Oki Electric Ind Co Ltd | 空調設備の予冷予熱制御方法 |
CN2783195Y (zh) * | 2005-02-01 | 2006-05-24 | 李永光 | 智能户式中央空调系统 |
KR101251873B1 (ko) * | 2012-12-20 | 2013-04-10 | 동국대학교 산학협력단 | 지능형 제어 알고리즘을 이용한 건물 공조 제어 방법 |
JP2016114280A (ja) * | 2014-12-12 | 2016-06-23 | オムロン株式会社 | 制御装置、制御方法、制御システム、プログラム、および記録媒体 |
CN105318499A (zh) * | 2015-09-30 | 2016-02-10 | 广东美的制冷设备有限公司 | 用户行为自学习空调系统及其控制方法 |
CN107576002A (zh) * | 2017-08-17 | 2018-01-12 | 青岛海尔空调器有限总公司 | 空调器及其控制方法 |
CN109425120A (zh) * | 2017-08-31 | 2019-03-05 | 芜湖美的厨卫电器制造有限公司 | 热水器控制方法、装置及热水器 |
CN110360715A (zh) * | 2018-04-10 | 2019-10-22 | Lg电子株式会社 | 区域选择性地动作的空调、云服务器及其动作方法 |
CN110160229A (zh) * | 2019-05-14 | 2019-08-23 | 青岛海尔空调器有限总公司 | 空调器的控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110986308B (zh) | 2021-07-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112283889A (zh) | 空调的预启动时间控制方法、装置、设备及存储介质 | |
JP6503305B2 (ja) | 空調制御システム、空調計画装置、及び、計画方法 | |
JP4363244B2 (ja) | エネルギー管理装置 | |
US10373082B2 (en) | Integration of commercial building operations with electric system operations and markets | |
Nghiem et al. | Receding-horizon supervisory control of green buildings | |
US10488069B2 (en) | Generation of coordinated control commands for groupings of heating/ventilation/cooling thermostats | |
CN104864548A (zh) | 一种空调运行的控制方法及系统 | |
CN105318499A (zh) | 用户行为自学习空调系统及其控制方法 | |
JP2019019988A (ja) | 空調運転条件作成装置、空調運転条件作成方法、プログラム、および空調システム | |
KR102170522B1 (ko) | 관람객 수와 환경 변화를 고려한 전시홀 에너지 관리 시스템 | |
Vogler-Finck et al. | Reducing the carbon footprint of house heating through model predictive control–A simulation study in Danish conditions | |
Ouf et al. | A simulation-based method to investigate occupant-centric controls | |
JP6280569B2 (ja) | 動作パラメータ値学習装置、動作パラメータ値学習方法、学習型機器制御装置及びプログラム | |
JP6498976B2 (ja) | 推定装置、推定方法およびコンピュータプログラム | |
JP6109555B2 (ja) | エネルギー管理サーバ、エネルギー管理方法およびプログラム | |
CN113531818B (zh) | 用于空调的运行模式推送方法及装置、空调 | |
JP2013048326A (ja) | 家電機器制御システムおよび家電機器制御方法 | |
KR20150095995A (ko) | 상황인식 기반의 빌딩 에너지 관리 시스템 및 그를 이용한 빌딩 에너지 관리 방법 | |
CN110736231A (zh) | 空调控制方法、装置、空调、存储介质以及处理器 | |
CN110986308B (zh) | 空调器的制热控制方法及空调器 | |
CN109343461A (zh) | 一种楼宇自动化控制系统的节能控制方法 | |
CN110909036A (zh) | 功能模块的推荐方法及装置 | |
CN113310176B (zh) | 信息处理装置 | |
CN112255923B (zh) | 一种电设备控制方法、装置、服务器及介质 | |
CN113839795B (zh) | Cdn节点的消峰处理方法、装置、电子设备及存储介质 |
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 |