CN111121237B - 空调设备及其控制方法、服务器、计算机可读存储介质 - Google Patents

Abstract

本申请公开了一种空调设备及其控制方法、服务器、计算机可读存储介质，其中，该空调设备的控制方法包括：获取目标空调设备的当前场景参数；其中，当前场景参数包括空调属性数据和环境数据；响应于冷启动模式，将当前场景参数发送给服务器，以使服务器根据当前场景参数和大数据制定相应的第一控制策略，并接收服务器发送的第一控制策略，以采用第一控制策略控制目标空调设备；或响应于非冷启动模式，将当前场景参数发送给服务器，以使服务器根据当前场景参数、目标空调设备的历史数据和大数据制定相应的第二控制策略，并接收服务器发送的第二控制策略，以采用第二控制策略控制目标空调设备。通过上述方式，增加了空调的应用场景，提高了用户的体验。

Description

空调设备及其控制方法、服务器、计算机可读存储介质

技术领域

本申请涉及家电控制技术领域，特别是涉及一种空调设备及其控制方法、服务器、计算机可读存储介质。

背景技术

空调即空气调节器(Air Conditioner)。是指用人工手段，对建筑或构筑物内环境空气的温度、湿度、风速等参数进行调节和控制的设备。

传统的空调都是采用遥控器或者无线(如蓝牙)连接的移动终端(如手机)对空调的工作模式、温度、湿度、风速等参数进行调节。这些调节方式都是在用户已感知到空调的设置参数不符合自身的要求时，才会主动进行调节，对用户来说较为繁琐。

发明内容

为解决上述问题，本申请提供了一种空调设备及其控制方法、服务器、计算机可读存储介质，能够增加空调的应用场景，提高用户的体验。

本申请采用的一个技术方案是：提供一种空调设备的控制方法，该方法包括：获取目标空调设备的当前场景参数；其中，当前场景参数包括空调属性数据和环境数据；响应于冷启动模式，将当前场景参数发送给服务器，以使服务器根据当前场景参数和大数据制定相应的第一控制策略，并接收服务器发送的第一控制策略，以采用第一控制策略控制目标空调设备；或响应于非冷启动模式，将当前场景参数发送给服务器，以使服务器根据当前场景参数、目标空调设备的历史数据和大数据制定相应的第二控制策略，并接收服务器发送的第二控制策略，以采用第二控制策略控制目标空调设备。

其中，获取目标空调设备的当前场景参数，包括：按照设定频率定时获取目标空调设备的当前场景参数；或响应于移动终端发送的参数上报指令，获取目标空调设备的当前场景参数。

其中，空调属性数据包括空调类型、空调功率中的至少一种；和/或环境数据包括位置信息、室内温度、室外温度、湿度、PM2.5中的至少一种。

其中，将当前场景参数发送给服务器，以使服务器根据当前场景参数和大数据制定相应的第一控制策略，包括：将当前场景参数发送给服务器，以使服务器从大数据中查找与当前场景参数相匹配的目标场景参数，并将目标场景参数对应的控制策略作为当前场景参数的第一控制策略。

其中，将当前场景参数发送给服务器，以使服务器根据当前场景参数、目标空调设备的历史数据和大数据制定相应的第二控制策略，包括：将当前场景参数发送给服务器，以使服务器将当前场景参数输入至学习模型，并得到输出的第二控制策略；其中，学习模型是基于目标空调设备的历史数据和大数据训练得到的。

其中，大数据包括设定数量的空调设备的空调属性数据、环境数据中的至少一种、以及控制数据；或历史数据包括所述目标空调设备的空调属性数据、环境数据中的至少一种、以及控制数据。

本申请采用的另一个技术方案是：提供一种空调设备，该空调设备包括处理器以及与处理器连接的存储器和通信模组；通信模组用于与服务器进行数据交互，存储器用于存储程序数据，处理器用于执行程序数据以实现如上述的方法。

本申请采用的另一个技术方案是：提供一种空调设备的控制方法，该方法包括：接收目标空调设备发送的当前场景参数；其中，当前场景参数包括空调属性数据和环境数据；响应于目标空调设备的冷启动模式，根据当前场景参数和大数据制定相应的第一控制策略，并将第一控制策略发送给目标空调设备，以使目标空调设备采用第一控制策略控制目标空调设备；或响应于目标空调设备的非冷启动模式，根据当前场景参数、目标空调设备的历史数据和大数据制定相应的第二控制策略，并将第二控制策略发送给目标空调设备，以使目标空调设备采用第二控制策略控制目标空调设备。

其中，根据当前场景参数和大数据制定相应的第一控制策略，包括：从大数据中查找与当前场景参数相匹配的目标场景参数，并将目标场景参数对应的控制策略作为当前场景参数的第一控制策略。

其中，根据当前场景参数、目标空调设备的历史数据和大数据制定相应的第二控制策略，包括：将当前场景参数输入至预设学习模型，并得到输出的第二控制策略；其中，预设学习模型是基于目标空调设备的历史数据和大数据训练得到的。

其中，预设学习模型是由第一学习模型和第二学习模型融合得到的；其中，第一学习模型是基于目标空调设备的历史数据训练得到的，第二学习模型是基于大数据训练得到的。

其中，第一学习模型采用集成树模型Xgboost；和/或第二学习模型采用CNN模型。

本申请采用的另一个技术方案是：提供一种服务器，该服务器包括处理器以及与处理器连接的存储器和通信模组；通信模组用于与空调设备进行数据交互，存储器用于存储程序数据，处理器用于执行程序数据以实现如上述的方法。

本申请采用的另一个技术方案是：提供一种计算机可读存储介质，该计算机可读存储介质中存储有程序数据，程序数据在被处理器执行时，用以实现如上述的方法。

本申请提供的空调设备的控制方法包括：获取目标空调设备的当前场景参数；其中，当前场景参数包括空调属性数据和环境数据；响应于冷启动模式，将当前场景参数发送给服务器，以使服务器根据当前场景参数和大数据制定相应的第一控制策略，并接收服务器发送的第一控制策略，以采用第一控制策略控制目标空调设备；或响应于非冷启动模式，将当前场景参数发送给服务器，以使服务器根据当前场景参数、目标空调设备的历史数据和大数据制定相应的第二控制策略，并接收服务器发送的第二控制策略，以采用第二控制策略控制目标空调设备。通过上述方式，对应空调的不同启动方式，采用了不同的方式来制定控制策略，在冷启动时，由于没有历史数据，通过服务器获取的大数据来对应制定控制策略，能够符合大部分用户的要求，在热启动时，进一步参考了用户的历史数据，对每一个用户进行个性化的定制策略，考虑到了每一个用户的感受，进一步在不同的使用场景下为用户提供不同的控制策略，提高了空调的智能化，也提高了用户的使用感受。

附图说明

为了更清楚地说明本申请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申请的一些实施例，对于本领域普通技术人员来讲，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。其中：

图1是本申请提供的空调控制系统一实施例的结构示意图；

图2是本申请提供的空调设备的控制方法第一实施例的流程示意图；

图3是本申请提供的空调设备的控制方法第二实施例的流程示意图；

图4是本申请提供的学习模型的训练方法的流程示意图；

图5是本申请提供的空调设备一实施例的结构示意图；

图6是本申请提供的服务器一实施例的结构示意图；

图7是本申请提供的计算机可读存储介质一实施例的结构示意图。

具体实施方式

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。可以理解的是，此处所描述的具体实施例仅用于解释本申请，而非对本申请的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分而非全部结构。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

本申请中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，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、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。

在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

参阅图1，图1是本申请提供的空调控制系统一实施例的结构示意图，该空调控制系统10包括服务器11、空调设备12和移动终端13。

其中，服务器11和空调设备12通过无线网络连接，例如WIFI网络，空调设备12可以向服务器11发送空调属性数据、环境数据、控制数据等。其中，空调属性数据包括空调类型(如挂式、柜式)、空调功率(如1匹、大1匹、1.5匹、2匹等)等，环境数据可以是室内温度、室外温度、湿度、PM2.5等，控制数据可以是空调当前设置的温度参数、湿度参数、工作模式等。

具体地，其中的环境数据可以通过空调设备12上安装的传感器采集得到。如，空调设备12上安装有温度传感器，用于检测室内温度；空调设备12上安装有湿度传感器，用于检测湿度；另外，室外温度可以通过移动终端13连接网络获取，例如，移动终端13可以获取到当前位置的天气信息，并进一步获取到室外温度。

其中，空调设备12和移动终端13通过无线网络连接，例如WIFI网络、蓝牙、红外等。可选地，移动终端13可以是手机、平板电脑或其他智能穿戴设备，移动终端13中安装有空调控制APP(application，应用程序)，用户可以操作该APP对空调设备12进行控制。

进一步，移动终端13上可以显示空调设备12的空调属性数据、环境数据、控制数据等，并可以对这些参数进行修改，并反馈至服务器11。

下面通过几种具体的实施例对本申请进行说明：

参阅图2，图2是本申请提供的空调设备的控制方法第一实施例的流程示意图，该方法应用于空调设备12，该方法包括：

步骤21：获取目标空调设备的当前场景参数；其中，当前场景参数包括空调属性数据和环境数据。

其中，空调属性数据包括空调类型、空调功率中的至少一种；环境数据包括位置信息、室内温度、室外温度、湿度、PM2.5中的至少一种。

在一可选的实施例中，空调设备可以在获取到开启指令后，开始获取当前场景参数。具体地，空调类型、空调功率中的至少一种为空调设备的固有属性参数，存储于空调设备的内存中，只需要在内存中读取即可；环境数据可以通过安装的传感器采集得到。如，空调设备12上安装有温度传感器，用于检测室内温度；空调设备12上安装有湿度传感器，用于检测湿度；另外，室外温度可以通过移动终端13连接网络获取，例如，移动终端13可以获取到当前位置的天气信息，并进一步获取到室外温度。

在另一可选的实施例中，空调设备可以按照设定的频率不断的获取环境数据并存储，然后根据不断获取的环境数据对存储的环境数据进行更新。

进一步，在步骤22之前，可以增加一个步骤来判断空调设备的开启模式。具体地，在获取到开机指令后，判断当前的开机模式为冷启动模式还是非冷启动模式，若是冷启动模式，则执行步骤22，若是非冷启动模式，则执行步骤23。其中，冷启动模式为新空调前N次开机或长时间不使用空调情况下，空调内只有少量用户数据，不满足学习条件，无法自动确定用户需要的温度。这里N一般可以取10次有效开机，有效开机是本次开机时间要持续一定的时长，例如至少半小时，即开了就关的误开机不算有效开机。

步骤22：响应于冷启动模式，将当前场景参数发送给服务器，以使服务器根据当前场景参数和大数据制定相应的第一控制策略，并接收服务器发送的第一控制策略，以采用第一控制策略控制目标空调设备。

其中，大数据是服务器从大量的空调设备或者移动终端获取的控制策略信息，其中包括了空调属性数据、环境数据中的至少一种、以及控制数据，例如，大数据可以包括空调属性数据和控制数据，或者包括环境数据和控制数据，或者包括空调属性数据、环境数据和控制数据三者；其中的控制数据即是用户对空调进行调节后的工作参数，如温度、湿度、风速等。具体可以通过一个表格的方式来呈现，如下表(1)：

空调设备	空调属性数据	环境数据	控制数据
				空调A	空调属性A	环境数据A	工作参数A
空调B	空调属性B	环境数据B	工作参数B
				空调C	空调属性C	环境数据C	工作参数C
……	……	……	……

进一步地，可以对上述的大数据进行统计分类，例如，先根据空调属性对空调进行分类，在每一类中再进行地域划分，然后再划分多个环境下对应的不同的控制数据，具体如下表(2)：

可选地，在一实施例中，空调设备将当前场景参数发送给服务器，服务器从大数据中查找与当前场景参数相匹配的目标场景参数，并将目标场景参数对应的控制策略作为当前场景参数的第一控制策略。

例如，目标空调设备发送的目标场景参数，与A类空调、A地区、环境C相匹配，那么，就可以根据“工作参数3”为目标空调设备确定第一控制策略，并将第一控制策略发送给目标空调设备，以使目标空调设备采用第一控制策略进行控制。

其中，控制策略可以包括对应不同时间段的温度、湿度、风速调节方式。以温度为例，该控制策略可以包括一个温度控制曲线，对应不同时间的温度设置参数，如中午一般较热，该对应中午时间的温度参数较低，晚上一般较冷，对应晚上时间的温度参数较高。

步骤23：响应于非冷启动模式，将当前场景参数发送给服务器，以使服务器根据当前场景参数、目标空调设备的历史数据和大数据制定相应的第二控制策略，并接收服务器发送的第二控制策略，以采用第二控制策略控制目标空调设备。

其中，历史数据包括目标空调设备的空调属性数据、环境数据中的至少一种、以及控制数据，例如，大数据可以包括空调属性数据和控制数据，或者包括环境数据和控制数据，或者包括空调属性数据、环境数据和控制数据三者；其中，历史控制数据主要是目标空调设备以往工作时的温度、湿度、风速等。例如，在一次空调工作过程中，对应A类空调、A地区、A环境下，空调的温度为温度A，空调设备接收到输入的调节指令将温度调节至温度B，则记录该次控制数据，并在合适的时间上传至服务器。

可选地，在一实施例中，该目标空调设备的历史数据可以是空调设备在热启动时，随当前场景参数一起发送给服务器的；也可以是按照设定的周期频率发送给服务器，例如一天一次；还可以是在每次空调设备关机时进行发送，这里不作限制。

具体地，在非冷启动模式下，服务器在制定控制策略时，既要考虑到大数据，也要考虑到目标空调设备的历史数据。

其中，根据大数据来制定控制策略可以参考步骤22的实施例，这里不再赘述，例如，采用上述实施例得到与A类空调、A地区、环境C相匹配，那么，得到“工作参数3”。

进一步，在目标空调设备的历史数据中查找与A类空调、A地区、环境C相匹配的工作参数。如下表(3)所示：

其中，时间1-时间n按照时间顺序排列，时间1距离当前时间最近，时间n距离当前时间最远。

那么，可以对不同的时间对应的工作参数设置不同的权重，如距离当前时间越近的工作参数，对应的权重值越大，那么，就可以计算得到加权后的工作参数值。

可选地，在一实施例中，空调设备将当前场景参数发送给服务器，以使服务器将当前场景参数输入至预设学习模型，并得到输出的第二控制策略；其中，预设学习模型是基于目标空调设备的历史数据和大数据训练得到的。

其中，关于服务器对学习模型的训练在后续的实施例中再进行详述。

区别于现有技术，本实施例提供的空调设备的控制方法包括：获取目标空调设备的当前场景参数；其中，当前场景参数包括空调属性数据和环境数据；响应于冷启动模式，将当前场景参数发送给服务器，以使服务器根据当前场景参数和大数据制定相应的第一控制策略，并接收服务器发送的第一控制策略，以采用第一控制策略控制目标空调设备；或响应于非冷启动模式，将当前场景参数发送给服务器，以使服务器根据当前场景参数、目标空调设备的历史数据和大数据制定相应的第二控制策略，并接收服务器发送的第二控制策略，以采用第二控制策略控制目标空调设备。通过上述方式，对应空调的不同启动方式，采用了不同的方式来制定控制策略，在冷启动时，由于没有足够的历史数据，通过服务器获取的大数据来对应制定控制策略，能够符合大部分用户的要求，在热启动时，进一步参考了用户的历史数据，对每一个用户进行个性化的定制策略，考虑到了每一个用户的感受，进一步在不同的使用场景下为用户提供不同的控制策略，提高了空调的智能化，也提高了用户的使用感受。

参阅图3，图3是本申请提供的空调设备的控制方法第二实施例的流程示意图，该方法应用于服务器11，该方法包括：

步骤31：接收目标空调设备发送的当前场景参数；其中，当前场景参数包括空调属性数据和环境数据。

步骤32：响应于目标空调设备的冷启动模式，根据当前场景参数和大数据制定相应的第一控制策略，并将第一控制策略发送给目标空调设备，以使目标空调设备采用第一控制策略控制目标空调设备。

可选地，可以从大数据中查找与当前场景参数相匹配的目标场景参数，并将目标场景参数对应的控制策略作为当前场景参数的第一控制策略。可以理解地，步骤31和步骤32与上述实施例的步骤21和步骤22类似，这里不再赘述。

步骤33：响应于目标空调设备的非冷启动模式，根据当前场景参数、目标空调设备的历史数据和大数据制定相应的第二控制策略，并将第二控制策略发送给目标空调设备，以使目标空调设备采用第二控制策略控制目标空调设备。

其中，可以将当前场景参数输入至学习模型，并得到输出的第二控制策略；其中，学习模型是基于目标空调设备的历史数据和大数据训练得到的。

在一可选的实施例中，预设学习模型是由第一学习模型和第二学习模型融合得到的；其中，第一学习模型是基于目标空调设备的历史数据训练得到的，第二学习模型是基于大数据训练得到的。

下面参阅图4，图4是本申请提供的学习模型的训练方法的流程示意图，该方法包括：

步骤41：接收目标空调设备发送的历史数据，以及接收设定数量个空调设备发送的大数据。

其中，历史数据和大数据包括温度设定、风速设定、模式设定或运行设定中的至少一个，空调属性参数、场景参数和控制数据形成对应关系。

可以理解地，无论的目标空调设备的历史数据，还是大量的空调设备的大数据，均需要空调属性参数、场景参数和控制数据形成对应关系。

步骤42：对历史数据和大数据进行预处理。

可选地，数据的预处理可以包括缺失和异常数据处理、数据融合等。

缺失和异常值处理：

原始数据中包含部分的缺失值与异常值，会导致数据采集过程混乱，导致不可靠的输出，处理方案如下：

数据补齐：采用缺失数据样本附近的K个样本，将这K个样本加权平均来估计改缺失数据。例如，对应A类型空调，在A地区A小区有10个采集样本，但是其中一个采集样本数据缺失，那么可以对其他9个数据进行加权平均来估计该缺失的数据。

删除元组：超过5列(即5个维度信息)丢失后，将该条数据删除。例如，对于样本A，其中的多个(如超过5个)数据均缺失，如温度值、湿度值、风速等，那么可以直接将该样本删除。

统计分析：对属性值进行一个描述性的统计(规定范围)，范围值以外的值视为异常值，将其视为缺失值一种，采用数据补齐的方法进行修正。例如，对应A类型空调，在A地区A小区有10个采集样本，对于温度设置，预设的规定范围是20℃-30℃，那么，若某一个样本中的温度值不符合该范围，就可以确定该样本中的温度值异常，可以采用上述数据补齐的方式进行修正。

数据融合的处理：

针对空调控制数据与环境数据，因数据上报协议的差异，导致两种数据源时间存在不同步的问题，这里以时间字段进行关联，取与当前状态数据时间间隔5min内的最近环境数据作为其对应的环境数据，得到融合的空调状态_环境表；利用设备ID与SN(SerialNumber，产品序列号)码的映射关系，将空调属性数据关联到空调状态_环境表得到最终的三方数据融合。

步骤43：对预处理之后的历史数据训练得到第一学习模型，以及对预处理之后的大数据训练得到第二学习模型。

步骤44：将第一学习模型和第二学习模型进行融合，以得到最终的学习模型。

例如，第一学习模型Model_1是基于历史数据训练得到，第二学习模型Model_2是基于大数据训练得到第二学习模型。那么，最终的学习模型Model：

Model＝α*Model_1+β*Model_2；

其中，权重α，β是通过回归学习得到的。

可选地，针对子模型Model_1采用集成树模型Xgboost，构建长期特征、中长期特征、短期特征，考虑时间越久的历史数据对结果的影响越小，将部分特征乘以影响权重系数。针对子模型Model_2采用CNN(卷积学习模型)，该算法可有效解决现有技术方案中特征工程的困难性和高维性，利用卷积层取代传统人工构建特征工程挖掘人为难以发现的特征，通过堆叠卷积层，实现高维特征的提取，可以关注到更多影响因子的高阶组合特征。将池化层筛选得到的特征输入全连接层进行非线性组合传递至输出层，最后得到用户的期望控制参数。

参阅图5，图5是本申请提供的空调设备一实施例的结构示意图，该空调设备12包括第一处理器121以及与第一处理器121连接的第一存储器122和第一通信模组123。

第一通信模组123用于与服务器11进行数据交互，第一存储器122用于存储程序数据，第一处理器121用于执行程序数据以实现如下的方法步骤：

获取目标空调设备的当前场景参数；其中，当前场景参数包括空调属性数据和环境数据；响应于冷启动模式，将当前场景参数发送给服务器，以使服务器根据当前场景参数和大数据制定相应的第一控制策略，并接收服务器发送的第一控制策略，以采用第一控制策略控制目标空调设备；或响应于非冷启动模式，将当前场景参数发送给服务器，以使服务器根据当前场景参数、目标空调设备的历史数据和大数据制定相应的第二控制策略，并接收服务器发送的第二控制策略，以采用第二控制策略控制目标空调设备。

可选地，还用于执行：按照设定频率定时获取目标空调设备的当前场景参数；或响应于移动终端发送的参数上报指令，获取目标空调设备的当前场景参数。

可选地，还用于执行：将当前场景参数发送给服务器，以使服务器从大数据中查找与当前场景参数相匹配的目标场景参数，并将目标场景参数对应的控制策略作为当前场景参数的第一控制策略。

可选地，还用于执行：将当前场景参数发送给服务器，以使服务器将当前场景参数输入至学习模型，并得到输出的第二控制策略；其中，学习模型是基于目标空调设备的历史数据和大数据训练得到的。

参阅图6，图6是本申请提供的服务器一实施例的结构示意图，该服务器11包括第二处理器111以及与第二处理器111连接的第二存储器112和第二通信模组113。

第二通信模组113用于与空调设备12进行数据交互，第二存储器112用于存储程序数据，第二处理器111用于执行程序数据以实现如下的方法步骤：

接收目标空调设备发送的当前场景参数；其中，当前场景参数包括空调属性数据和环境数据；响应于目标空调设备的冷启动模式，根据当前场景参数和大数据制定相应的第一控制策略，并将第一控制策略发送给目标空调设备，以使目标空调设备采用第一控制策略控制目标空调设备；或响应于目标空调设备的非冷启动模式，根据当前场景参数、目标空调设备的历史数据和大数据制定相应的第二控制策略，并将第二控制策略发送给目标空调设备，以使目标空调设备采用第二控制策略控制目标空调设备。

可选地，还用于执行：从大数据中查找与当前场景参数相匹配的目标场景参数，并将目标场景参数对应的控制策略作为当前场景参数的第一控制策略。

可选地，还用于执行：将当前场景参数输入至学习模型，并得到输出的第二控制策略；其中，学习模型是基于目标空调设备的历史数据和大数据训练得到的。

可选地，还用于执行：接收目标空调设备发送的历史数据，以及接收设定数量个空调设备发送的大数据；其中，历史数据和大数据包括温度设定、风速设定、模式设定或运行设定中的至少一个，空调属性参数、场景参数和控制数据形成对应关系；对历史数据和大数据进行预处理；对预处理之后的历史数据训练得到第一学习模型，以及对预处理之后的大数据训练得到第二学习模型；将第一学习模型和第二学习模型进行融合，以得到最终的学习模型。

参阅图7，图7是本申请提供的计算机可读存储介质一实施例的结构示意图，该计算机可读存储介质70中存储有程序数据71。

该计算机可读存储介质70运用于空调设备12时，该程序数据71在被处理器执行时，用以实现以下的方法步骤：获取目标空调设备的当前场景参数；其中，当前场景参数包括空调属性数据和环境数据；响应于冷启动模式，将当前场景参数发送给服务器，以使服务器根据当前场景参数和大数据制定相应的第一控制策略，并接收服务器发送的第一控制策略，以采用第一控制策略控制目标空调设备；或响应于非冷启动模式，将当前场景参数发送给服务器，以使服务器根据当前场景参数、目标空调设备的历史数据和大数据制定相应的第二控制策略，并接收服务器发送的第二控制策略，以采用第二控制策略控制目标空调设备。

该计算机可读存储介质70运用于服务器11时，该程序数据71在被处理器执行时，用以实现以下的方法步骤：接收目标空调设备发送的当前场景参数；其中，当前场景参数包括空调属性数据和环境数据；响应于目标空调设备的冷启动模式，根据当前场景参数和大数据制定相应的第一控制策略，并将第一控制策略发送给目标空调设备，以使目标空调设备采用第一控制策略控制目标空调设备；或响应于目标空调设备的非冷启动模式，根据当前场景参数、目标空调设备的历史数据和大数据制定相应的第二控制策略，并将第二控制策略发送给目标空调设备，以使目标空调设备采用第二控制策略控制目标空调设备。

在本申请所提供的几个实施方式中，应该理解到，所揭露的方法以及设备，可以通过其它的方式实现。例如，以上所描述的设备实施方式仅仅是示意性的，例如，所述模块或单元的划分，仅仅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。

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网络单元上。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方式方案的目的。

另外，在本申请各个实施方式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。

以上所述仅为本申请的实施方式，并非因此限制本申请的专利范围，凡是根据本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (14)

1.一种空调设备的控制方法，其特征在于，所述方法包括：

获取目标空调设备的当前场景参数；其中，所述当前场景参数包括空调属性数据和环境数据；

响应于开机指令，确定当前的开机模式；其中，所述开机模块包括冷启动模式和非冷启动模式，所述冷启动模式是指有效开机次数小于设定次数阈值，所述有效开机是指开机后持续时间大于设定时间阈值；

响应于冷启动模式，将所述当前场景参数发送给服务器，以使所述服务器根据所述当前场景参数和大数据制定相应的第一控制策略，并接收所述服务器发送的所述第一控制策略，以采用所述第一控制策略控制所述目标空调设备；或

响应于非冷启动模式，将所述当前场景参数发送给服务器，以使所述服务器根据所述当前场景参数、所述目标空调设备的历史数据和大数据制定相应的第二控制策略，并接收所述服务器发送的所述第二控制策略，以采用所述第二控制策略控制所述目标空调设备。

2.根据权利要求1所述的方法，其特征在于，

所述获取目标空调设备的当前场景参数，包括：

按照设定频率定时获取所述目标空调设备的当前场景参数；或

响应于移动终端发送的参数上报指令，获取所述目标空调设备的当前场景参数。

3.根据权利要求1或2所述的方法，其特征在于，

所述空调属性数据包括空调类型、空调功率中的至少一种；和/或

所述环境数据包括位置信息、室内温度、室外温度、湿度、PM2.5中的至少一种。

4.根据权利要求1所述的方法，其特征在于，

所述将所述当前场景参数发送给服务器，以使所述服务器根据所述当前场景参数和大数据制定相应的第一控制策略，包括：

将所述当前场景参数发送给服务器，以使所述服务器从大数据中查找与所述当前场景参数相匹配的目标场景参数，并将所述目标场景参数对应的控制策略作为所述当前场景参数的第一控制策略。

5.根据权利要求1所述的方法，其特征在于，

所述将所述当前场景参数发送给服务器，以使所述服务器根据所述当前场景参数、所述目标空调设备的历史数据和大数据制定相应的第二控制策略，包括：

将所述当前场景参数发送给服务器，以使所述服务器将所述当前场景参数输入至学习模型，并得到输出的第二控制策略；其中，所述学习模型是基于所述目标空调设备的历史数据和大数据训练得到的。

6.根据权利要求1所述的方法，其特征在于，

所述大数据包括设定数量的空调设备的空调属性数据、环境数据中的至少一种、以及控制数据；或

所述历史数据包括所述目标空调设备的空调属性数据、环境数据中的至少一种、以及控制数据。

7.一种空调设备，其特征在于，所述空调设备包括处理器以及与所述处理器连接的存储器和通信模组；

所述通信模组用于与服务器进行数据交互，所述存储器用于存储程序数据，所述处理器用于执行所述程序数据以实现如权利要求1-6任一项所述的方法。

8.一种空调设备的控制方法，其特征在于，所述方法包括：

接收目标空调设备发送的当前场景参数和开机模式；其中，所述当前场景参数包括空调属性数据和环境数据，所述开机模式由所述目标空调响应于开机指令确定；其中，所述开机模块包括冷启动模式和非冷启动模式，所述冷启动模式是指有效开机次数小于设定次数阈值，所述有效开机是指开机后持续时间大于设定时间阈值；

响应于所述目标空调设备的冷启动模式，根据所述当前场景参数和大数据制定相应的第一控制策略，并将所述第一控制策略发送给所述目标空调设备，以使所述目标空调设备采用所述第一控制策略控制所述目标空调设备；或

响应于所述目标空调设备的非冷启动模式，根据所述当前场景参数、所述目标空调设备的历史数据和大数据制定相应的第二控制策略，并将所述第二控制策略发送给所述目标空调设备，以使所述目标空调设备采用所述第二控制策略控制所述目标空调设备。

9.根据权利要求8所述的方法，其特征在于，

所述根据所述当前场景参数和大数据制定相应的第一控制策略，包括：

从大数据中查找与所述当前场景参数相匹配的目标场景参数，并将所述目标场景参数对应的控制策略作为所述当前场景参数的第一控制策略。

10.根据权利要求8所述的方法，其特征在于，

所述根据所述当前场景参数、所述目标空调设备的历史数据和大数据制定相应的第二控制策略，包括：

将所述当前场景参数输入至预设学习模型，并得到输出的第二控制策略；其中，所述预设学习模型是基于所述目标空调设备的历史数据和大数据训练得到的。

11.根据权利要求10所述的方法，其特征在于，

所述预设学习模型是由第一学习模型和第二学习模型融合得到的；其中，所述第一学习模型是基于所述目标空调设备的历史数据训练得到的，所述第二学习模型是基于所述大数据训练得到的。

12.根据权利要求11所述的方法，其特征在于，

所述第一学习模型采用集成树模型Xgboost；和/或

所述第二学习模型采用CNN模型。

13.一种服务器，其特征在于，所述服务器包括处理器以及与所述处理器连接的存储器和通信模组；

所述通信模组用于与空调设备进行数据交互，所述存储器用于存储程序数据，所述处理器用于执行所述程序数据以实现如权利要求8-12任一项所述的方法。

14.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有程序数据，所述程序数据在被处理器执行时，用以实现如权利要求1-6、8-12任一项所述的方法。

Images