CN111271829B - 一种基于深度学习的空调智能制冷舒适控制方法及空调器 - Google Patents

一种基于深度学习的空调智能制冷舒适控制方法及空调器 Download PDF

Info

Publication number
CN111271829B
CN111271829B CN201910378764.7A CN201910378764A CN111271829B CN 111271829 B CN111271829 B CN 111271829B CN 201910378764 A CN201910378764 A CN 201910378764A CN 111271829 B CN111271829 B CN 111271829B
Authority
CN
China
Prior art keywords
temperature
air conditioner
database
function
deep learning
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
Application number
CN201910378764.7A
Other languages
English (en)
Other versions
CN111271829A (zh
Inventor
吕明宇
胡林锋
周候棉
尹翔天
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.)
Aux Air Conditioning Co Ltd
Ningbo Aux Electric Co Ltd
Original Assignee
Aux Air Conditioning Co Ltd
Ningbo Aux Electric Co Ltd
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 Aux Air Conditioning Co Ltd, Ningbo Aux Electric Co Ltd filed Critical Aux Air Conditioning Co Ltd
Priority to CN201910378764.7A priority Critical patent/CN111271829B/zh
Publication of CN111271829A publication Critical patent/CN111271829A/zh
Application granted granted Critical
Publication of CN111271829B publication Critical patent/CN111271829B/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
    • 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
    • F24F11/62—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
    • F24F11/65—Electronic processing for selecting an operating mode
    • 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
    • F24F2110/10—Temperature
    • F24F2110/12—Temperature of the outside air

Landscapes

  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

本发明提供了一种基于深度学习的空调智能制冷舒适控制方法及空调器，包括建立用户舒适温度数据库步骤，存储用户行为习惯，对环境温度变化时采取的各种应对进行捕捉并分配权重；生成舒适温度函数步骤，通过对不同环温下用户的舒适温度进行函数拟合获得；进入舒适温度函数控制过程，并将舒适温度函数控制指令发送给空调器。本发明通过应用深度学习，完成空调的拟人化，从而达到在不同环境温度下产生对应的最佳舒适温度，并随人的习惯变化进行自我更新，是AI技术与制冷结合的一次尝试。

Description

一种基于深度学习的空调智能制冷舒适控制方法及空调器
技术领域
本发明涉及空调技术领域，特别涉及一种基于深度学习的空调智能制冷舒适控制方法及空调器。
背景技术
现代生活中，不同用户对冷暖的感知情况各有差异，在不同环境下，用户对环境温度舒适性没有量的判断，往往是通过不断的手调去达到舒适的温度，需要频繁调控，比较繁琐，目前市场上针对此问题尚没有相关的成熟解决方案，对于用户评价而言是一块天花板。
发明内容
本发明提供了一种基于深度学习的空调智能制冷舒适控制方法及空调器，通过捕捉用户调节空调的行为习惯来制定用户在不同环境下的舒适温度曲线，实现开机之后少次调温的效果。
为解决上述问题，本发明的技术方案是这样实现的：
一种基于深度学习的空调智能制冷舒适控制方法，包括：
建立用户舒适温度数据库步骤，存储用户行为习惯，对环境温度变化时采取的各种应对进行捕捉并分配权重；
生成舒适温度函数步骤，通过对不同环温下用户的舒适温度进行函数拟合获得；
进入舒适温度函数控制过程，并将舒适温度函数控制指令发送给空调器。
进一步的，在建立用户舒适温度数据库步骤中，通过对环境温度偏冷时采取的各种应对进行捕捉并分配权重。
进一步的，在建立用户舒适温度数据库时，包括如下的步骤：
ST11：空调启动；
ST12：按照常规模式运行；
ST13：当用户进行调高设定温度/关机T1时间内重启/降低风档/除湿操作时，记录此时的室内外环境温度，室外温度记录为TO，室内温度记录为TN，并且分类记录堆栈{TNN,TON,X,}X＝Pa/Pb/Pc/Pd；
ST14：将室内外环境温度与X导入数据库，每次发生记录室内外环境温度时，计数器读数N加1；
ST15：判断计数器的读数N是否大于或等于A，A为记录堆栈的上限，若是，则进入ST16，若否，则返回至ST12；
ST16：进入生成舒适温度函数过程。
进一步的，在ST13中，进行如下的操作步骤：
ST13a：首先判断是否进行调高设定温度，若是，则记录TOai,TNai；若否，则进入ST13b；
ST13b：判断是否进行关机T1时间内重启，若是，则记录TObi,TNbi；若否，则进入ST13c；
ST13c：判断是否进行降低风档，若是，则记录TOci,TNci；若否，则进入ST13d；
ST13d：判断是否进行除湿，若是，则记录TOdi,TNdi；若否，则返回至ST12；
ST13e：分类记录堆栈{TNN,TON,X,}X＝Pa/Pb/Pc/Pd。
进一步的，在建立舒适温度函数时，包括如下的步骤：
ST21：对数据库内的数据按X进行分类，从而得到4组子数据库{X}及每组子数据库的组数Qi；
ST22：判断每组子数据库组数是否达到形成函数要求Qi>B，B为预设的每组子数据库组数达到形成函数的最低要求组数，若达不到则改组数据库Qi＝0后进入ST23，达到要求的子数据库直接进入ST23；
ST23：对每组达到要求的子数据库通过最小二乘法得出TNN,TON,关系函数，乘以每组权重
Figure BDA0002052618210000031
得到最终函数
Figure BDA0002052618210000032
其中P为偏差；
ST24：进入智能控制阶段，并将温控指令发送给空调器。
进一步的，所述控制方法还包括更新用户舒适温度数据库步骤，在形成函数之后通过与用户舒适度之间的偏差进行目标温度的自我修正，不断更新储存用户习惯的数据库。
进一步的，在生成舒适温度函数步骤后增加更新用户舒适温度数据库步骤，所述更新用户舒适温度数据库包括如下步骤：
ST31：空调按常规模式/舒适制冷智能模式启动；
ST32：当用户进行调高设定温度/关机T1时间内重启/降低风档/除湿操作时，记录此时的室内外环境温度，并且分类X＝Pa/Pb/Pc/Pd，若否，返回ST31；
ST33：将室内外环境温度与X导入数据库,判断当前环境温度与对现有函数下的对应环境温度的差值△T，若△T＞0则偏差P＝P+a，若△T＜0则偏差P＝P-b；
ST34：进入生成舒适温度函数过程。
进一步的，A的取值范围为A≥A0，A0为预设记录堆栈上限的阈值。
进一步的，T1的取值范围为T10～T20，T10、T20分别为预设关机时间参数的下阈值和上阈值。
应用本发明的技术方案，空调在形成智能学习控制策略以后，通过深度学习不断进行自我更新，从而逐步减少用户的操作次数，使用户能感受到舒适智能控制带来的双手解放，从而提高用户的评价与黏性。
本发明通过应用深度学习，完成空调的拟人化，从而达到在不同环境温度下产生对应的最佳舒适温度，并随人的习惯变化进行自我更新，是AI技术与制冷结合的一次尝试。
本发明还公开了一种空调器，所述空调器采用如上述所述的基于深度学习的空调智能制冷舒适控制方法进行控制。
所述空调器与上述基于深度学习的空调智能制冷舒适控制方法相对于现有技术所具有的优势相同，在此不再赘述。
附图说明
图1为本发明所述的基于深度学习的空调智能制冷舒适控制方法的总体流程图；
图2为本发明所述的基于深度学习的空调智能制冷舒适控制方法中建立用户舒适温度数据库流程图；
图3为本发明所述的基于深度学习的空调智能制冷舒适控制方法中建立舒适温度函数的流程图；
图4为本发明所述的基于深度学习的空调智能制冷舒适控制方法中更新用户舒适温度数据库流程图。
具体实施方式
为使本发明的上述目的、特征和优点能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。
实施例1，如图1～4所示，本发明公开了一种基于深度学习的空调智能制冷舒适控制方法，包括如下步骤：
建立用户舒适温度数据库步骤，存储用户行为习惯，对环境温度变化时采取的各种应对进行捕捉并分配权重；
生成舒适温度函数步骤，通过对不同环温下用户的舒适温度进行函数拟合获得；
进入舒适温度函数控制过程，并将舒适温度函数控制指令发送给空调器。
应用本发明的技术方案，空调在形成智能学习控制策略以后，通过深度学习不断进行自我更新，从而逐步减少用户的操作次数，使用户能感受到舒适智能控制带来的双手解放，从而提高用户的评价与黏性。
优选的，在建立用户舒适温度数据库步骤中，优选通过对环境温度偏冷时采取的各种应对进行捕捉并分配权重。
在建立用户舒适温度数据库时，包括如下的步骤：
ST11：空调启动；
ST12：按照常规模式运行；
ST13：当用户进行调高设定温度/关机T1时间内重启/降低风档/除湿操作时，记录此时的室内外环境温度，室外温度记录为TO，室内温度记录为TN，并且分类记录堆栈{TNN,TON,X,}X＝Pa/Pb/Pc/Pd；
ST14：将室内外环境温度与X导入数据库，每次发生记录室内外环境温度时，计数器读数N加1，初始值为0；
ST15：判断计数器的读数N是否大于等于A，A为记录堆栈的上限，若是，则进入ST16，若否，则返回至ST12；
ST16：进入生成舒适温度函数过程。
作为本发明的示例，所述T1的取值范围为T10～T20，T10、T20分别为预设关机时间参数的下阈值和上阈值，T10为预设的最短关机时间参数，用户可以取1min、2min、3min、4min、5min、6min、7min、8min、9min、10min中的任意一个，T10优选取5min；T20为预设的最长关机时间参数，用户可以取41min、42min、43min、44min、45min、46min、47min、48min、49min、50min中的任意一个，T20优选取50min；作为本发明的示例，所述T1优选20min。
作为本发明的示例，所述A的取值范围为A≥A0，所述A0为预设记录堆栈上限的阈值，A0为自定义的正整数，用户可以通过自定义进行编辑，可以取25～100中的任意一个整数，所述A0优选取35、40、45、50、55、60、65中的任意一个。
该设置便于用户通过自定义的编辑对参数值进行调整，进一步提高了舒适温度进行函数拟合的精度，通过应用深度学习，完成空调的拟人化，然后对T1和A0进行编辑修改，从而达到在不同环境温度下产生对应的最佳舒适温度。
优选的，作为本发明的示例，在ST13中，
ST13a:首先判断是否进行调高设定温度，若是，则记录TOai,TNai；若否，则进入ST13b；
ST13b:判断是否进行关机T1时间内重启，若是，则记录TObi,TNbi；若否，则进入ST13c；
ST13c:判断是否进行降低风档，若是，则记录TOci,TNci；若否，则进入ST13d；
ST13d:判断是否进行除湿，若是，则记录TOdi,TNdi；若否，则返回至ST12；
ST13e:分类记录堆栈{TNN,TON,X,}X＝Pa/Pb/Pc/Pd。
在本发明中，通过将是否调高设定温度/是否在关机T1时间内重启/是否降低风档/是否除湿设置为数据库内的分类因素，从而形成多组子数据库，便于提高舒适温度进行函数拟合的精度。通过多次记录，判断记录堆栈的次数是否达到上限，从而建立用户舒适温度数据库。
优选的，在建立舒适温度函数时，包括如下的步骤：
ST21：对数据库内的数据按X进行分类，从而得到4组子数据库{X}及每组子数据库的组数Qi；
ST22：判断每组子数据库组数是否达到形成函数要求Qi>B，B为预设的每组子数据库组数达到形成函数的最低要求组数，若达不到则改组数据库Qi＝0后进入ST23，达到要求的子数据库直接进入ST23；
作为本发明的示例，B≥2，优选B＝3；
ST23：对每组达到要求的子数据库通过最小二乘法得出TNN,TON,关系函数，乘以每组权重
Figure BDA0002052618210000061
得到最终函数
Figure BDA0002052618210000062
其中P为偏差，初始值为1；
ST24：进入智能控制阶段，并将温控指令发送给空调器。
在本发明中，在得到大量样本数据时，即可将这些样本数据输入计算机建立用户舒适温度数据库，通过机器学习的方式、对样本数据进行学习，从而训练获舒适温度计算模型。其中机器学习是指不依赖人类来总结经验、输入逻辑，人类只需要把大量数据输入给计算机，然后计算机就可以自己总结经验归纳逻辑，从而降低人类思维局限性对模型构造过程导致的不利影响(当然在机器学习的过程中，人类也可以对其中的一些算法和参数进行修改和控制)。通过机器学习的方式对样本数据进行学习和拟合后，得到舒适温度函数
Figure BDA0002052618210000071
优选的，所述控制方法还包括更新用户舒适温度数据库步骤，在形成函数之后通过与用户舒适度之间的偏差进行目标温度的自我修正，不断更新储存用户习惯的数据库。
所述更新用户舒适温度数据库包括如下步骤：
ST31：空调按常规模式/舒适制冷智能模式启动；
ST32：当用户进行调高设定温度/关机T1时间内重启/降低风档/除湿操作时，记录此时的室内外环境温度，并且分类X＝Pa/Pb/Pc/Pd，若否，返回ST31；
ST33：将室内外环境温度与X导入数据库,判断当前环境温度与对现有函数下的对应环境温度的差值△T，若△T＞0则偏差P＝P+a，若△T＜0则偏差P＝P-b；
ST34：进入生成舒适温度函数过程。
作为本发明的示例，若△T＝0，则P保持不变。
在本发明的示例中，a、b为预设的偏差参数值，用户可以通过自定义进行编辑，空调也通过应用深度学习，完成的拟人化后对a、b进行自定义编辑，a可以取0.1～2中的任意一个，a优选取0.2、0.3、0.4、0.5、0.6、0.7、0.8中的任意一个；b可以取0.1～2中的任意一个，b优选取0.2、0.3、0.4、0.5、0.6、0.7、0.8中的任意一个。该设置便于提高更新用户舒适温度数据库的可靠性和精确性。
本发明通过应用深度学习，完成空调的拟人化，从而达到在不同环境温度下产生对应的最佳舒适温度，并随人的习惯变化进行自我更新，是AI技术与制冷结合的一次尝试。
应当认识到，本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。方法可以使用标准编程技术-包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现，其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而，若需要，该程序可以以汇编或机器语言实现。在任何情况下，该语言可以是编译或解释的语言。此外，为此目的该程序能够在编程的专用集成电路上运行。
此外，可按任何合适的顺序来执行本文描述的过程的操作，除非本文另外指示或以其他方式明显地与上下文矛盾。本文描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机系统的控制下执行，并且可作为共同地在一个或多个处理器上执行的代码(例如，可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。计算机程序包括可由一个或多个处理器执行的多个指令。
进一步，方法可以在可操作地连接至合适的任何类型的计算平台中实现，包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现，无论是可移动的还是集成至计算平台，如硬盘、光学读取和/或写入存储介质、RAM、ROM等，使得其可由可编程计算机读取，当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外，机器可读代码，或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文步骤的指令或程序时，本文的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明的方法和技术编程时，本发明还包括计算机本身。
计算机程序能够应用于输入数据以执行本文的功能，从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中，转换的数据表示物理和有形的对象，包括显示器上产生的物理和有形对象的特定视觉描绘。
本发明还公开了一种空调器，所述空调器采用如上述任意一项所述的基于深度学习的空调智能制冷舒适控制方法。
虽然本发明披露如上，但本发明并非限定于此。任何本领域技术人员，在不脱离本发明的精神和范围内，均可作各种更动与修改，因此本发明的保护范围应当以权利要求所限定的范围为准。

Claims (9)

1.一种基于深度学习的空调智能制冷舒适控制方法，其特征在于，
建立用户舒适温度数据库步骤，存储用户行为习惯，对环境温度变化时采取的各种应对进行捕捉并分配权重；
生成舒适温度函数步骤，通过对不同环温下用户的舒适温度进行函数拟合获得；
进入舒适温度函数控制过程，并将舒适温度函数控制指令发送给空调器，其中，
在建立用户舒适温度数据库时，包括如下的步骤：
ST11：空调启动；
ST12：按照常规模式运行；
ST13：当用户进行调高设定温度/关机T1时间内重启/降低风档/除湿操作时，记录此时的室内外环境温度，室外温度记录为TO，室内温度记录为TN，并且分类记录堆栈{TNN,TON,X,}X＝Pa/Pb/Pc/Pd；
ST14：将室内外环境温度与X导入数据库，每次发生记录室内外环境温度时，计数器读数N加1；
ST15：判断计数器的读数N是否大于或等于A，A为记录堆栈的上限，若是，则进入ST16，若否，则返回至ST12；
ST16：进入生成舒适温度函数过程。
2.根据权利要求1所述的基于深度学习的空调智能制冷舒适控制方法，其特征在于，在建立用户舒适温度数据库步骤中，通过对环境温度偏冷时采取的各种应对进行捕捉并分配权重。
3.根据权利要求1所述的基于深度学习的空调智能制冷舒适控制方法，其特征在于，在ST13中，进行如下的操作步骤：
ST13a：首先判断是否进行调高设定温度，若是，则记录TOai,TNai；若否，则进入ST13b；
ST13b：判断是否进行关机T1时间内重启，若是，则记录TObi,TNbi；若否，则进入ST13c；
ST13c：判断是否进行降低风档，若是，则记录TOci,TNci；若否，则进入ST13d；
ST13d：判断是否进行除湿，若是，则记录TOdi,TNdi；若否，则返回至ST12；
ST13e：分类记录堆栈{TNN,TON,X,}X＝Pa/Pb/Pc/Pd。
4.根据权利要求1或2或3所述的基于深度学习的空调智能制冷舒适控制方法，其特征在于，在建立舒适温度函数时，包括如下的步骤：
ST21：对数据库内的数据按X进行分类，从而得到4组子数据库{X}及每组子数据库的组数Qi；
ST22：判断每组子数据库组数是否达到形成函数要求Qi>B，B为预设的每组子数据库组数达到形成函数的最低要求组数，若达不到则改组数据库Qi＝0后进入ST23，达到要求的子数据库直接进入ST23；
ST23：对每组达到要求的子数据库通过最小二乘法得出TNN,TON,关系函数，乘以每组权重
Figure FDA0002952531550000021
得到最终函数
Figure FDA0002952531550000022
其中P为偏差；
ST24：进入智能控制阶段，并将温控指令发送给空调器。
5.根据权利要求1所述的基于深度学习的空调智能制冷舒适控制方法，其特征在于，所述控制方法还包括更新用户舒适温度数据库步骤，在形成函数之后通过与用户舒适度之间的偏差进行目标温度的自我修正，不断更新储存用户习惯的数据库。
6.根据权利要求1或5所述的基于深度学习的空调智能制冷舒适控制方法，其特征在于，在生成舒适温度函数步骤后增加更新用户舒适温度数据库步骤，所述更新用户舒适温度数据库包括如下步骤：
ST31：空调按常规模式/舒适制冷智能模式启动；
ST32：当用户进行调高设定温度/关机T1时间内重启/降低风档/除湿操作时，记录此时的室内外环境温度，并且分类X＝Pa/Pb/Pc/Pd，若否，返回ST31；
ST33：将室内外环境温度与X导入数据库,判断当前环境温度与对现有函数下的对应环境温度的差值△T，若△T＞0则偏差P＝P+a，若△T＜0则偏差P＝P-b；
ST34：进入生成舒适温度函数过程。
7.根据权利要求1所述的基于深度学习的空调智能制冷舒适控制方法，其特征在于，A的取值范围为A≥A0，A0为预设记录堆栈上限的阈值。
8.根据权利要求1所述的基于深度学习的空调智能制冷舒适控制方法，其特征在于，T1的取值范围为T10～T20，T10、T20分别为预设关机时间参数的下阈值和上阈值。
9.一种空调器，其特征在于，所述空调器采用如权利要求1～8任意一项所述的基于深度学习的空调智能制冷舒适控制方法进行控制。
CN201910378764.7A 2019-05-08 2019-05-08 一种基于深度学习的空调智能制冷舒适控制方法及空调器 Active CN111271829B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910378764.7A CN111271829B (zh) 2019-05-08 2019-05-08 一种基于深度学习的空调智能制冷舒适控制方法及空调器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910378764.7A CN111271829B (zh) 2019-05-08 2019-05-08 一种基于深度学习的空调智能制冷舒适控制方法及空调器

Publications (2)

Publication Number Publication Date
CN111271829A CN111271829A (zh) 2020-06-12
CN111271829B true CN111271829B (zh) 2021-06-22

Family

ID=71003093

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910378764.7A Active CN111271829B (zh) 2019-05-08 2019-05-08 一种基于深度学习的空调智能制冷舒适控制方法及空调器

Country Status (1)

Country Link
CN (1) CN111271829B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112172451B (zh) * 2020-09-30 2022-06-03 的卢技术有限公司 一种适用于共享汽车的空调智能调节方法及系统
CN112421735B (zh) * 2020-12-01 2021-06-29 江苏新源太阳能科技有限公司 电池模组的充放电控制系统和方法
CN114688688B (zh) * 2022-03-30 2023-09-05 湖南大友恒集团有限公司 一种基于深度学习的智能制冷舒适空调

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3274707B2 (ja) * 1992-06-18 2002-04-15 三井化学株式会社 耐熱防振ゴム用ゴム組成物
CN102927660B (zh) * 2012-11-30 2014-09-10 四川长虹电器股份有限公司 基于自适应温控技术的智能空调控制方法及系统
CN105465957B (zh) * 2015-12-21 2019-07-09 Tcl集团股份有限公司 一种智能温度调节方法及其系统
CN108489021A (zh) * 2018-03-12 2018-09-04 珠海格力电器股份有限公司 一种空调自适应模式的实现方法、装置及空调
CN109341020A (zh) * 2018-09-27 2019-02-15 重庆智万家科技有限公司 一种基于大数据的智能温控调节方法
CN109405195A (zh) * 2018-10-31 2019-03-01 四川长虹电器股份有限公司 空调智能控制系统及方法

Also Published As

Publication number Publication date
CN111271829A (zh) 2020-06-12

Similar Documents

Publication Publication Date Title
JP7188255B2 (ja) 学習方法、学習プログラムおよび学習装置
CN111271829B (zh) 一种基于深度学习的空调智能制冷舒适控制方法及空调器
KR102553299B1 (ko) 데이터 학습 서버 및 이의 학습 모델 생성 및 이용 방법
CN111096094B (zh) 经由智能供应空气温度设定点控制的冷却单元能量优化
CN111609534B (zh) 温度控制方法、装置及中央温度控制系统
Belic et al. HVAC control methods-a review
US20200379417A1 (en) Techniques for using machine learning for control and predictive maintenance of buildings
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
US20130151013A1 (en) Method for Controlling HVAC Systems Using Set-Point Trajectories
CN111338227B (zh) 基于强化学习的电子电器控制方法及控制设备、存储介质
Lautenschlager et al. Data-driven iterative learning for model predictive control of heating systems
CN114838470A (zh) 一种暖通空调的控制方法和系统
US20220019186A1 (en) Method and system for smart environment management
Deng et al. Room match: Achieving thermal comfort through smart space allocation and environmental control in buildings
Lee et al. Simulation-based policy gradient and its building control application
Khalil et al. An IoT environment for estimating occupants’ thermal comfort
Grabe et al. Human decision making in energy-relevant interaction with buildings
CN111452588B (zh) 一种出行工具的环境调节设备的控制方法及装置
US11280514B1 (en) System and method for thermal control based on invertible causation relationship
Flessner et al. Perception based method for indoor air quality control
Ormoneit et al. Kernel-based reinforcement learning in average-cost problems: An application to optimal portfolio choice
US20240230135A1 (en) Control engine system and method
Zhang A Reinforcement Learning Approach for Whole Building Energy Model Assisted HVAC Supervisory Control
CN110160224A (zh) 空气调节设备的控制方法及装置、空气调节设备
Jeen et al. Zero-Shot Building Control.

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