CN111473494A - 基于机器学习的空调控制方法、装置和设备 - Google Patents

Abstract

本发明公开了基于机器学习的空调控制方法、装置和设备，应用于空调器，包括：接收空调数据和处理问题信息，根据所述空调数据和所述处理问题信息得到特征数据；根据所述处理问题信息，利用所述特征数据训练得到数学模型；根据所述处理问题信息，对所述数学模型仿真得到最优预测变量组；根据最优预测变量组，得到用于控制所述空调器的反馈控制信息。本发明利用所述特征数据训练得到数学模型，保证了空调控制过程的准确性，通过数学模型仿真得到最优预测变量组，从而得到用于控制所述空调器的反馈控制信息利用，有效的解决所述空调器因线性组合控制而引起的超调问题，保证了空调控制过程的有效性，从而避免了能源的浪费。

Description

基于机器学习的空调控制方法、装置和设备

技术领域

本发明涉及空调领域，特别涉及基于机器学习的空调控制方法、装置和设备。

背景技术

随着全球气候的变迁和空调技术的发展，越来越多的大型建筑物利用空调系统来实现室内温度和湿度的调节控制。特别是随着“智慧城市”建设步伐的快速推进，如何围绕智慧城市建设实现空调系统的智能控制与节能，这是智慧城市建设中的重要研究课题之一。空调系统的优化控制策略研究也是实际中的一个很有普遍意义的重要课题。

目前空调的控制技术还不够完善，空调器多以线性组合的PID算法进行控制，空调器中有很多对控制造成影响的参数，使用线性组合的PID算法进行控制，不能准确的对每个参数进行设置，不能保证空调控制的准确性，而且线性组合的控制方式，容易引起超调，不能有效进行控制，导致能源的浪费。

发明内容

本发明的目的在于至少解决现有技术中存在的技术问题之一，提供基于机器学习的空调控制方法、装置和设备，能够保证空调控制过程的准确性和有效性，避免能源的浪费。

本发明解决其技术问题的解决方案是：

第一方面，本发明提供了基于机器学习的空调控制方法，应用于空调器，包括：

接收空调数据和处理问题信息，根据所述空调数据和所述处理问题信息得到特征数据；根据所述处理问题信息，利用所述特征数据训练得到数学模型；根据所述处理问题信息，对所述数学模型仿真得到最优预测变量组；根据最优预测变量组，得到用于控制所述空调器的反馈控制信息。

进一步，根据所述空调数据和所述处理问题信息得到特征数据，包括：

根据所述处理问题信息，对所述空调数据进行维规约，得到特征数据。

进一步，所述根据所述处理问题信息，利用所述特征数据训练得到数学模型之前，包括：

对所述特征数据进行标准化，使所述特征数据符合标准正态分布。

进一步，所述处理问题信息包括有回归问题信息和分类问题信息。

进一步，所述根据所述处理问题信息，利用所述特征数据训练得到数学模型，包括：

将所述特征数据划分为训练集和测试集；根据所述回归问题信息，利用回归器组件对所述训练集训练，得到对应的回归模型，或者根据所述分类问题信息，利用分类器组件对所述训练集训练，得到对应的分类模型，所述回归器组件包括线性回归器、梯度提高回归器和随机森林回归器，所述分类器组件包括线性分类器、梯度提高分类器和随机森林分类器；利用所述测试集与所述回归模型进行全局匹配，确定全局匹配中准确度最高的所述回归模型作为数学模型，或者利用所述测试集与若干个所述分类模型进行全局匹配，确定全局匹配中准确度最高的所述分类模型作为数学模型。

进一步，所述根据所述处理问题信息，对所述数学模型仿真得到最优预测变量组，包括：

根据所述处理问题信息，对所述数学模型进行仿真得到本质变量和所述最优预测变量组，所述最优预测变量组包括有一级预测变量、二级预测变量和三级预测变量。

进一步，所述空调器包括有冷却装置、冷凝装置、冷水泵和冷却塔，所述空调数据包括有所述冷却装置的流入水温、所述冷却装置的流出水温，所述冷凝装置的流入水温、所述冷凝装置的流出水温、所述冷水泵的状态数据和所述冷却塔的状态数据。

第二方面，本发明提供了基于机器学习的空调控制装置，应用于空调器，包括：

初始化模块，用于接收空调数据和处理问题信息，根据所述空调数据和所述处理问题信息得到特征数据；训练模块，用于根据所述处理问题信息，利用所述特征数据训练得到数学模型；仿真模块，用于根据所述处理问题信息，对所述数学模型仿真得到最优预测变量组；控制模块，用于根据最优预测变量组，得到用于控制所述空调器的反馈控制信息。。

第三方面，本发明提供了基于机器学习的空调控制设备，

包括至少一个控制处理器和用于与至少一个控制处理器通信连接的存储器；存储器存储有可被至少一个控制处理器执行的指令，指令被至少一个控制处理器执行，以使至少一个控制处理器能够执行如上所述的基于机器学习的空调控制方法。

第四方面，本发明提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机可执行指令，计算机可执行指令用于使计算机执行如上所述的基于机器学习的空调控制方法。

第五方面，本发明还提供了一种计算机程序产品，所述计算机程序产品包括存储在计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使计算机执行如上所述的基于机器学习的空调控制方法。

本发明实施例中提供的一个或多个技术方案，至少具有如下有益效果：本发明利用所述特征数据训练得到数学模型，保证了空调控制过程的准确性，通过数学模型仿真得到最优预测变量组，从而得到用于控制所述空调器的反馈控制信息利用，有效的解决所述空调器因线性组合控制而引起的超调问题，保证了空调控制过程的有效性，从而避免了能源的浪费。

附图说明

下面结合附图和实施例对发明进一步地说明；

图1是本发明第一实施例提供的基于机器学习的空调控制方法的流程图；

图2是本发明第一实施例提供的基于机器学习的空调控制方法中步骤S100的具体方法流程图；

图3是本发明第一实施例提供的基于机器学习的空调控制方法中步骤S500的具体方法流程图；

图4是本发明第一实施例提供的基于机器学习的空调控制方法中处理问题信息的结构示意图；

图5是本发明第一实施例提供的基于机器学习的空调控制方法中步骤S200的具体方法流程图；

图6是本发明第一实施例提供的基于机器学习的空调控制方法中回归器组件和分类器组件的结构示意图；

图7是本发明第一实施例提供的基于机器学习的空调控制方法中步骤S300的具体方法流程图；

图8是本发明第一实施例提供的基于机器学习的空调控制方法中空调器的控制示意图；

图9是本发明第一实施例提供的基于机器学习的空调控制方法中空调器和空调数据的结构示意图；

图10是本发明第二实施例提供的基于机器学习的空调控制装置的结构示意图；

图11是本发明第三实施例提供的基于机器学习的空调控制设备的结构示意图；

图中标号：

100-处理问题信息、110-回归问题信息、120-分类问题信息、210-回归器组件、211-线性回归器、212-梯度提高回归器、213-随机森林回归器、220-分类器组件、221-线性分类器、222-梯度提高分类器、223-随机森林分类器、310-本质变量、320-最优预测变量组、321-一级预测变量、322-二级预测变量、323-三级预测变量、410-空调器、411-冷却装置、412-冷凝装置、413-冷水泵、414-冷却塔、420-空调数据、421-冷却装置的流入水温、422-冷却装置的流出水温，423-冷凝装置的流入水温、424-冷凝装置的流出水温、425-冷水泵的状态数据、426-冷却塔的状态数据、500-基于机器学习的空调控制装置、510-初始化模块、520-训练模块、530-仿真模块、540-控制模块、600-基于机器学习的空调控制设备、610-控制处理器、620-存储器。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

需要说明的是，如果不冲突，本发明实施例中的各个特征可以相互结合，均在本发明的保护范围之内。另外，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。

在本发明的第一实施例中，如图1所示，基于机器学习的空调控制方法，应用于空调器410，包括：

S100、接收空调数据420和处理问题信息100，根据空调数据420和处理问题信息100得到特征数据；

S200、根据处理问题信息100，利用所述特征数据训练得到数学模型；

S300、根据处理问题信息100，对所述数学模型仿真得到最优预测变量组320；

S400、根据最优预测变量组320，得到用于控制空调器410的反馈控制信息。

可以理解的是，本实施例提供的技术方案，根据空调数据420和处理问题信息100得到特征数据，利用所述特征数据训练得到数学模型，对对所述数学模型仿真得到最优预测变量组320，根据最优预测变量组320，得到用于控制空调器410的反馈控制信息，相比现有技术，利用特征数据训练得到数学模型，利用数学模型，可以得到控制用于控制空调器410的反馈控制信息，从而对空调器410进行反馈控制，由于数学模型是由特征数据训练得到，能够真实有效的反应空调器410的运行情况，利用数学模型得到的反馈控制信息，可以准确的对空调器410进行反馈控制，保证了空调控制过程的准确性，而且由于数学模型的数据关系是非线性的，因此反馈控制信息的控制过程也是非线性，相当于空调器410使用非线性组合的控制过程，可以有效的解决空调器410因线性组合控制而引起的超调问题，保证了空调控制过程的有效性，从而避免了能源的浪费。

如图2所示，步骤S100包括：

S110、根据处理问题信息100，对空调数据420进行维规约，得到特征数据。

可以理解的是，维归约就是指数据特征维度数目减少或者压缩，摒弃掉不重要的维度特征，尽量只用少数的关键特征来描述数据，可能减少数据挖掘的处理量，有效的增加了工作效率。

具体实践中，根据处理问题信息100，例如处理问题信息100为减少空调器410的能耗，对空调数据420进行维归约，摒弃掉与能耗无关的数据，得到特征数据，特征数据的数据量少于空调数据的数据量，从而提高了训练的效率，能够更快的得到数学模型。

如图3所示，步骤S200之前包括：

S500、对所述特征数据进行标准化，使所述特征数据符合标准正态分布。

可以理解的是，对所述特征数据进行标准化，是为了取消由于量纲不同、自身变异或者数值相差较大所引起的误差。

具体实践中，对每个所述特征数据减去所述特征数据的平均值，再除以所述特征数据的方差，从而使得结果的分布具备单位方差，取消由于量纲不同、自身变异或者数值相差较大所引起的误差。

如图4所示，处理问题信息100包括有回归问题信息110和分类问题信息120。

可以理解的是，空调器410所处理的问题涉及回归和分类问题，因此处理问题信息100包括有回归问题信息110和分类问题信息120，可以根据不同的问题信息对所述特征数据进行对应的训练，得到准确的数学模型，从而保证了空调控制过程的准确性。

如图5、6所示，步骤S200包括：

S210、将所述特征数据划分为训练集和测试集；

S220、根据回归问题信息110，利用回归器组件对所述训练集训练，得到对应的回归模型，或者根据分类问题信息120，利用分类器组件对所述训练集训练，得到对应的分类模型，回归器组件210包括线性回归器211、梯度提高回归器212和随机森林回归器213，分类器组件220包括线性分类器221、梯度提高分类器222和随机森林分类器223；

S230、利用所述测试集与所述回归模型进行全局匹配，确定全局匹配中准确度最高的所述回归模型作为所述数学模型，或者利用所述测试集与若干个所述分类模型进行全局匹配，确定全局匹配中准确度最高的所述分类模型作为所述数学模型。

可以理解的是，处理回归问题信息110时，使用回归器组件210对所述训练集训练，或者处理分类问题信息120时，使用分类器组件220对所述训练集训练，不同类型的问题信息使用不同的训练方式，可以保证数学模型的准确性，使用若回归器组件或者分类器组件进行训练，再根据测试集的全局匹配的准确度，确定数学模型，可以进一步保证数学模型的准确性，从而保证空调控制过程的准确性。

需要说明的是，回归器组件210至少包括线性回归器211、梯度提高回归器212和随机森林回归器213，分类器组件220至少包括线性分类器221、梯度提高分类器222和随机森林分类器223，多个类型的回归器和分类器可以保证数学模型的准确性，从而保证空调控制过程的准确性。

如图7、8所示，步骤S300包括：

S310、根据处理问题信息100，对所述数学模型进行仿真得到本质变量310和最优预测变量组320，最优预测变量组320包括有一级预测变量321、二级预测变量322和三级预测变量323。

可以理解的是，对所述数学模型仿真得到本质变量310和最优预测变量组320，本质变量310是固定的变化量，最优预测变量组320可以进行人为的干预，利用多级的预测变量来对空调控制过程进行控制，不同级别的预测变量产生不同级别的控制效果，对于控制的微调和粗调，分别对不同级别的预测变量进行控制，保证了空调控制的稳定性和有效性。

如图9所示，空调器410包括有冷却装置411、冷凝装置412、冷水泵413和冷却塔414，空调数据420包括有冷却装置的流入水温421、冷却装置的流出水温422，冷凝装置的流入水温423、冷凝装置的流出水温424、冷水泵的状态数据425和冷却塔的状态数据426。

可以理解的是，收集多种空调数据420，可以保证数学模型的有效性，从而保证空调控制的有效性。

在本发明的第二实施例中，如图10所示，基于机器学习的空调控制装置500中，应用于空调器410，包括但不限于：初始化模块510、训练模块520、仿真模块530和控制模块540。

其中，初始化模块510，用于接收空调数据420和处理问题信息100，根据空调数据420和处理问题信息100得到特征数据；

训练模块520，用于根据处理问题信息100，利用所述特征数据训练得到数学模型；

仿真模块530，用于根据处理问题信息100，对所述数学模型仿真得到最优预测变量组320；

控制模块540，用于根据最优预测变量组320，得到用于控制空调器410的反馈控制信息。。

需要说明的是，由于本实施例中的基于机器学习的空调控制装置500与上述的基于机器学习的空调控制方法基于相同的发明构思，因此，方法实施例中的相应内容同样适用于本装置实施例，此处不再详述。

在本发明的第三实施例中，如图11所示，基于机器学习的空调控制设备600，该基于机器学习的空调控制设备600可以是任意类型的智能终端，例如手机、平板电脑、个人计算机等。

具体地，该基于机器学习的空调控制设备600包括：一个或多个控制处理器610和存储器620，图11中以一个控制处理器610为例。

控制处理器610和存储器620可以通过总线或者其他方式连接，图11中以通过总线连接为例。

存储器620作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态性计算机可执行程序以及模块，如本发明实施例中的基于机器学习的空调控制方法对应的程序指令/模块，例如，图10所示的初始化模块510、训练模块520、仿真模块530和控制模块540。控制处理器610通过运行存储在存储器620中的非暂态软件程序、指令以及模块，从而执行基于机器学习的空调控制装置500的各种功能应用以及数据处理，即实现上述方法实施例的基于机器学习的空调控制方法。

存储器620可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据基于机器学习的空调控制装置500的使用所创建的数据等。此外，存储器620可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器620可选包括相对于控制处理器610远程设置的存储器，这些远程存储器可以通过网络连接至该基于机器学习的空调控制设备600。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

所述一个或者多个模块存储在所述存储器620中，当被所述一个或者多个控制处理器610执行时，执行上述方法实施例中的基于机器学习的空调控制方法，例如，执行以上描述的图1中的方法步骤S100至S400，图2中的方法步骤S110至S120，图3中的方法步骤S500，图5中的方法步骤S210至S230，图6中的方法步骤S310，实现图10的模块510至540的功能。

本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个或多个控制处理器610执行，例如，被图11中的一个控制处理器610执行，可使得上述一个或多个控制处理器610执行上述方法实施例中的基于机器学习的空调控制方法，例如，执行以上描述的图1中的方法步骤S100至S400，图2中的方法步骤S110至S120，图3中的方法步骤S500，图5中的方法步骤S210至S230，图6中的方法步骤S310，实现图10的模块510至540的功能。

以上所描述的装置实施例仅仅是示意性的，其中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，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模块来实现本实施例方案的目的。

通过以上的实施方式的描述，本领域技术人员可以清楚地了解到各实施方式可借助软件加通用硬件平台的方式来实现。本领域技术人员可以理解实现上述实施例方法中的全部或部分流程是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(ReadOnly Memory,ROM)或随机存储记忆体(Random AcceSS Memory,RAM)等。

以上是对本发明的较佳实施进行了具体说明，但本发明并不局限于上述实施方式，熟悉本领域的技术人员在不违背本发明精神的前提下还可作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (10)

1.基于机器学习的空调控制方法，其特征在于，应用于空调器，包括：

接收空调数据和处理问题信息，根据所述空调数据和所述处理问题信息得到特征数据；

根据所述处理问题信息，利用所述特征数据训练得到数学模型；

根据所述处理问题信息，对所述数学模型仿真得到最优预测变量组；

根据最优预测变量组，得到用于控制所述空调器的反馈控制信息。

2.如权利要求1所述的基于机器学习的空调控制方法，其特征在于，根据所述空调数据和所述处理问题信息得到特征数据，包括：

根据所述处理问题信息，对所述空调数据进行维规约，得到特征数据。

3.如权利要求1所述的基于机器学习的空调控制方法，其特征在于，所述根据所述处理问题信息，利用所述特征数据训练得到数学模型之前，包括：

对所述特征数据进行标准化，使所述特征数据符合标准正态分布。

4.如权利要求1所述的基于机器学习的空调控制方法，其特征在于，所述处理问题信息包括有回归问题信息和分类问题信息。

5.如权利要求4所述的基于机器学习的空调控制方法，其特征在于，所述根据所述处理问题信息，利用所述特征数据训练得到数学模型，包括：

将所述特征数据划分为训练集和测试集；

根据所述回归问题信息，利用回归器组件对所述训练集训练，得到对应的回归模型，或者根据所述分类问题信息，利用分类器组件对所述训练集训练，得到对应的分类模型，所述回归器组件包括线性回归器、梯度提高回归器和随机森林回归器，所述分类器组件包括线性分类器、梯度提高分类器和随机森林分类器；

利用所述测试集与所述回归模型进行全局匹配，确定全局匹配中准确度最高的所述回归模型作为数学模型，或者利用所述测试集与若干个所述分类模型进行全局匹配，确定全局匹配中准确度最高的所述分类模型作为数学模型。

6.如权利要求1所述的基于机器学习的空调控制方法，其特征在于，所述根据所述处理问题信息，对所述数学模型仿真得到最优预测变量组，包括：

根据所述处理问题信息，对所述数学模型进行仿真得到本质变量和最优预测变量组，所述最优预测变量组包括有一级预测变量、二级预测变量和三级预测变量。

7.如权利要求1所述的基于机器学习的空调控制方法，其特征在于，所述空调器包括有冷却装置、冷凝装置、冷水泵和冷却塔，所述空调数据包括有所述冷却装置的流入水温、所述冷却装置的流出水温，所述冷凝装置的流入水温、所述冷凝装置的流出水温、所述冷水泵的状态数据和所述冷却塔的状态数据。

8.基于机器学习的空调控制装置，其特征在于，应用于空调器，包括：

初始化模块，用于接收空调数据和处理问题信息，根据所述空调数据和所述处理问题信息得到特征数据；

训练模块，用于根据所述处理问题信息，利用所述特征数据训练得到数学模型；

仿真模块，用于根据所述处理问题信息，对所述数学模型仿真得到最优预测变量组；

控制模块，用于根据最优预测变量组，得到用于控制所述空调器的反馈控制信息。

9.基于机器学习的空调控制设备，其特征在于，包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7任一项所述的基于机器学习的空调控制方法。

10.一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存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如权利要求1至7任一项所述的基于机器学习的空调控制方法。

Images