CN111520883B - 一种基于目标房间负荷预测的空调控制方法及系统 - Google Patents

Abstract

本发明提供一种基于目标房间负荷预测的空调控制方法，包含步骤：S1、采集目标房间在空调工作前后的室内温度及若干不同位置的室外温度，空调开始工作的时间，空调的工作时长，空调在对应工作时长下的工作状态，根据采集的数据建立目标房间负荷预测模型；S2、根据当前时刻目标房间空调工作前的室内、室外温度，通过所述目标房间负荷预测模型，预测得到为使得该目标房间室内达到目标温度，空调在预计工作时长下对目标房间的第一瞬时制冷/制热能力；S3、根据所述对目标房间的第一瞬时制冷/制热能力改变空调提供的总制冷/制热能力，和/或改变对目标房间提供的制冷/制热量。本发明还提供一种基于目标房间负荷预测的空调控制系统。

Description

一种基于目标房间负荷预测的空调控制方法及系统

技术领域

本发明涉及空调自动化控制领域，特别涉及一种基于目标房间负荷预测的空调控制方法及系统。

背景技术

一个典型的多联机空调系统结构如图1所示。对于多联机空调系统而言，每一个房间安装有一套室内机(包含室内风机和蒸发器)，多个房间的室内机共享一台/组室外机(包含压缩机、冷凝器和室外风机)，每一套室内机与室外机之间通过膨胀阀控制冷媒的流量，从而控制空调系统对各个房间输出的制冷/制热能力。即室外机提供一个总的制冷/热能力，通过控制各个室内机膨胀阀的开度，实现控制各个房间的温度。同时，通过控制压缩机的工作频率来实现调控空外机输出的制冷/热能力。

现有技术中，仅仅将室内外环境温度、室内外环境湿度、冷凝器和蒸发器表面温度等作为观测量。将压缩机频率、室内机风扇转速、室外机风扇转速、膨胀阀开度等作为控制量。传统的空调控制算法：利用模糊控制和/或PID控制方法基于观测量的测量结果对控制量进行调整。现有技术中无法在空调系统开机之初就预测出空调稳定运行时维持目标温度时室外机输出的制冷量/制热量，更无法根据预测单制冷/制热量调整对空调的各个控制量。

空调系统在将房间内的温度维持在一个设定温度时，要求输入到房间的制冷/制热量等于房间负荷，所述房间负荷也既通过房间墙壁、窗户传入以及房间内的人员、物料散发的热/冷量总和。具体来说，房间负荷的计算需要包括以下几个项：1)通过围护结构传入的热量；2)通过透明围护结构传入的太阳辐射的热量；3)人体的散热量；4)照明散热量；5)设备、管道、器具及其他内部热源的换热量；6)食物及物料散发热量。

显然要实现维持目标温度首先要获取房间负荷。然而，要准确地预测，哪怕只是实时计算房间负荷都是非常困难的，因为房间墙体的结构以及换热过程极其复杂，从窗户等透明结构传入的太阳辐射热量受到天气的影响，而室内人员和物料的散热更是动态、难以预测的。

发明内容

本发明的目的是提供一种基于目标房间负荷预测的空调控制方法及系统，在空调开机之初就能根据采集的目标房间室内、室外温度，设定的目标温度，预测空调达到设定的运行时长后，为维持目标温度向目标房间输出的制冷/制热能力。

为了达到上述目的，本发明提供一种基于目标房间负荷预测的空调控制方法，包含步骤：

S1、采集包括以下全部或者部分数据样本：目标房间在空调工作前后的室内温度及若干不同位置的室外温度、用户设定的目标温度、空调从本次开机开始的工作时长以及空调在对应工作时长下的工作状态数据；根据采集的数据建立目标房间负荷预测模型；

S2、根据当前时刻目标房间空调工作前的室内、室外温度，通过所述目标房间负荷预测模型，预测得到为使得该目标房间室内达到目标温度，空调在预计工作时长下对目标房间的第一瞬时制冷/制热能力；

S3、根据所述第一瞬时制冷/制热能力调整空调控制量，实现改变空调提供的总制冷/制热能力，和/或改变对该目标房间提供的制冷/制热量。

优选的，本发明所述基于目标房间负荷预测的空调控制方法，还包含步骤：

S4、若所述第一瞬时制冷/制热能力高于设定的第一阈值，改变目标房间的目标温度；

S5、采集空调工作达到所述预计工作时长时对目标房间的实际瞬时制冷/制热能力，若高于设定的第二阈值，生成报警信息；所述第二阈值高于第一阈值；

S6、根据步骤S2中采集的当前时刻目标房间空调工作前的室内、室外温度，所述实际瞬时制冷/制热能力更新目标房间负荷预测模型。

优选的，步骤S1具体包含：

S11、采集目标房间在空调开机前的室内温度

第j室外位置处采集的室外温度

采集目标房间的空调达到工作时长t的室内温度

根据空调的工作状态数据ZT⁽ⁱ⁾[t]和对应的空调控制量KZ⁽ⁱ⁾[t]通过预先标定的映射函数或查找表获得空调在达到工作时长t的瞬时制冷量Q⁽ⁱ⁾[t]；建立目标房间负荷预测模型，所述目标房间负荷预测模型的建立过程中采用数据样本包含

其中

i为不同次采集的序号，i∈[1,n]，j∈[1,m]，n为采集的总次数，m为室外位置的总个数。

优选的，步骤S2具体包含：

S21、采集当前时刻目标房间空调开机前的室内温度T_in[0]、第j室外位置处采集的室外温度T_outj[0],j∈[1,m]；用户设置的目标房间的目标温度T_tgt；生成查询参数向量X，

X＝(x₁,…,x_m,x_m+1)＝(T_out1[0]-T_tgt,…，T_outm[0]-T_tgt,T_in[0]-T_tgt)；

S22、求解查询参数向量X与所述数据样本

的距离d_i，

S23、若d_i′＝min(d₁,…,d_n),则预测空调达到工作时长t对目标房间的第一瞬时制冷/制热能力为

优选的，步骤S1具体包含：

S11′、采集目标房间在空调开机前的室内温度

第j室外位置处采集的室外温度

采集目标房间的空调达到工作时长t的室内温度

以及空调的工作状态ZT⁽ⁱ⁾[t]，根据所述工作状态数据ZT⁽ⁱ⁾[t]和对应的空调控制量KZ⁽ⁱ⁾[t]通过预先标定的映射函数或查找表获得空调在工作时长t的瞬时制冷量Q⁽ⁱ⁾[t]；建立目标房间负荷预测模型，所述目标房间负荷预测模型的建立过程中采用包含数据样本

其中

i为不同次采集的序号，i∈[1,n]，j∈[1,m]，n为采集的总次数，m为室外位置的总个数。

优选的，步骤S2具体包含：

S21′、基于最小二乘准则求解下式的权重参数w₀～w_m+2：

S22′、采集当前时刻目标房间空调开机前的室内温度T_in[0]、第j室外位置处采集的室外温度T_outj[0],j∈[1,m]；设置目标房间的目标温度T_tgt；生成查询参数向量X＝(x₁,…,x_m,x_m+1,x_m+2)＝(T_out1[0],…，T_outm[0]，T_in[0]，T_tgt)；

S23′、根据步骤S21′求解得到的权重参数w₀～w_m+2，预测空调达到工作时长t对目标房间的第一瞬时制冷/制热能力为y＝w₀+w₁x₁+…+w_m+2x_m+2。

优选的，步骤S1具体包含：

S11″、采集目标房间在空调开机前的室内温度

第j室外位置处采集的室外温度

目标房间空调开机时的时间

目标房间的目标温度

目标房间空调的目标工作时间

其中，i为不同次采集的序号，i∈[1,n]，n为采集的总次数；j∈[1,m]，m为室外位置的总个数；

S12″、建立基于全连接神经网络的目标房间负荷预测模型，其包含第一至第m+4输入节点，h层隐藏层，第一至第N输出节点；一个输出节点对应一个制冷/制热能力范围，一个输出节点的输出结果表示空调对目标房间输出的瞬时制冷/制热能力落在对应制冷/制热能力范围的概率；

所述目标房间负荷预测模型的建立过程中采用数据样本包含

和

其中

j∈[1,m]，

为空调开机后

时刻对应的输出制冷/制热能力；

S13″、通过所述数据样本Z⁽ⁱ⁾和

训练所述目标房间负荷预测模型，改变目标房间负荷预测模型的权重矩阵和偏置向量。

优选的，步骤S2具体包含：

S21″、采集目标房间空调开机时的时间H_clk，目标房间在空调开机前的室内温度T_in[0]、第j室外位置处采集的室外温度T_outj[0]，目标房间的目标温度T_tgt，目标房间空调的目标工作时间t_tgt；j∈[1,m]；

S22″、将T_outj[0]、T_in[0]、H_clk、T_tgt、t_tgt分别作为步骤S13″训练好的目标房间负荷预测模型的第一至第m+4输入节点的输入；令Pr(k)为第k输出节点的输出值，若Pr(k′)＝max(Pr(1),...,Pr(N))，则预测空调达到工作时长t_tgt对目标房间的第一瞬时制冷/制热能力落在第k′输出节点对应制冷/制热能力范围内；其中k′,k∈[1,N]。

优选的，所述控制量包含：目标房间空调的室内机出风风档、压缩机工作频率、膨胀阀开度的任意一种或组合；所述工作状态数据包含：空调室内机风机风档、蒸发器表面温度中的任意一种或组合。

本发明还提供一种基于目标房间负荷预测的空调控制系统，用于实现本发明所述的方法，包含：

数据采集模块，采集目标房间在空调工作前后的室内温度及若干不同位置的室外温度，空调开始工作的时间，空调的工作时长，空调在对应工作时长下的工作状态数据；

目标房间负荷预测模块，根据数据采集模块采集的数据建立目标房间负荷预测模型，并根据当前时刻目标房间空调工作前的室内、室外温度，通过建立的目标房间负荷预测模型，预测得到为使得该目标房间室内达到目标温度，空调在达到预计工作时长下对目标房间的第一瞬时制冷/制热能力；

控制模块，根据所述第一瞬时制冷/制热能力改变空调提供的总制冷/制热能力，和/或改变对该目标房间提供的制冷/制热量。

与现有技术相比，本发明的有益效果在于：

1)本发明通过预测目标房间室内达到目标温度时，空调在达到预计工作时长下对目标房间的第一瞬时制冷/制热能力，由于空调稳定工作时第一瞬时制冷/制热能力等于目标房间负荷，因此通过本发明解决了目标房间负荷难以准确计算和预测的问题。

2)通过预测的第一瞬时制冷/制热能力，调整空调控制量，实现改变空调提供的总制冷/制热能力，和/或改变对该目标房间提供的制冷/制热量，大大的节约能源，更加环保。

3)本发明自动将实际测得的空调瞬时制冷/制热能力与预测的制冷制热能力相比较，根据比较结果发出报警信号，能够有效的监控空调是否正常运行，目标房间的环境是否正常(是否忘关门窗)。

4)用户可以根据预测的第一瞬时制冷/制热能力调整设置的目标温度，有利于节约能源。

5)本发明的基于目标房间负荷预测的空调控制方法效果可靠，易于实现。本发明的基于目标房间负荷预测的空调控制系统可以轻易地集成到原有空调系统控制方法中，非常易于部署。

附图说明

为了更清楚地说明本发明技术方案，下面将对描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一个实施例，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：

图1为现有技术中的空调系统示意图；

图2、图3为本发明的基于目标房间负荷预测的空调控制方法流程示意图；

图4为本发明的实施例一中，对空调运行3小时后目标房间负荷预测的误差曲线图；

图5为本发明的实施例二中，对空调运行1小时后目标房间负荷预测的误差曲线图；

图6为本发明的实施例三中，目标房间负荷预测模型示意图；

图7为本发明的实施例四中，目标房间负荷预测模型示意图；

具体实施方式

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，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图2、图3所示：本发明提供一种基于目标房间负荷预测的空调控制方法，包含步骤：

S1、采集包括：目标房间在空调工作前后的室内温度及若干不同位置的室外温度、用户设定的目标温度、空调从本次开机开始的工作时长以及空调在对应工作时长下的工作状态数据；根据采集的数据建立目标房间负荷预测模型。本发明中空调的工作时长是指连续工作时长。

所述工作状态数据包含：空调室内机风机风档、蒸发器表面温度中的任意一种或组合。根据空调的工作状态数据可以得到对空调的控制量，所述控制量(也可以理解为空调的运行参数)包含：目标房间空调的室内机出风风档、压缩机工作频率、膨胀阀开度的任意一种或组合。

根据所述控制量通过事先建立并经生产商实验室标定的查找表或者映射函数获得对应的目标房间负荷值，也即空调对目标房间的瞬时制冷/制热能力，该瞬时制冷/制热能力也即空调向目标房间输出的功耗(单位：瓦)，该类制冷/制热能力的估算方法已有现成方法可供参考。

空调对目标房间的瞬时制冷/制热能力Q也可以通过Q＝v*c*(T2-T1)来粗略估算，v是室内机出风口风量(m³/s),c是空气比热容，T1为室内机回风口温度，T2为室内机出风口温度。

室外温度可以是一个也可以有多个，包括室外机回风口、目标房间每一道墙外侧(向阳面和背阴面)、地板以下、天花板以上或者主要门窗外侧的空气温度。

S2、根据当前时刻目标房间空调工作前的室内、室外温度，通过所述目标房间负荷预测模型，预测得到为使得该目标房间室内达到目标温度，空调在预计工作时长下对目标房间的第一瞬时制冷/制热能力；所述第一瞬时制冷/制热能力是指空调向目标房间输出的功率。在目标房间的温度维持在所述目标温度时，该第一瞬时制冷/制热能力等于房间负荷。

S3、根据所述第一瞬时制冷/制热能力调整空调的控制量，实现改变空调提供的总制冷/制热能力，和/或改变对该目标房间提供的制冷/制热量；

S4、若所述第一瞬时制冷/制热能力高于设定的第一阈值，改变目标房间的目标温度；

S5、采集空调工作达到所述预计工作时长时对目标房间的实际瞬时制冷/制热能力，若高于设定的第二阈值，生成报警信息，提醒用户及时排查房间异常；所述第二阈值高于第一阈值；

S6、根据步骤S2中采集的当前时刻目标房间空调工作前的室内、室外温度，所述实际瞬时制冷/制热能力更新目标房间负荷预测模型。

本发明还提供一种基于目标房间负荷预测的空调控制系统，用于实现本发明所述的方法，包含：

数据采集模块，采集目标房间在空调工作前后的室内温度及若干不同位置的室外温度，空调开始工作的时间，空调的工作时长，空调在对应工作时长下的工作状态数据；

目标房间负荷预测模块，根据数据采集模块采集的数据建立目标房间负荷预测模型，并根据当前时刻目标房间空调工作前的室内、室外温度，通过建立的目标房间负荷预测模型，预测得到为使得该目标房间室内达到目标温度，空调在达到预计工作时长下对目标房间的第一瞬时制冷/制热能力；

控制模块，根据所述第一瞬时制冷/制热能力改变空调的控制量，实现改变空调提供的总制冷/制热能力(通过改变压缩机的工作频率、室外机的风扇转速)，和/或改变对该目标房间提供的制冷/制热量(通过改变膨胀阀的开度、室内机的风扇转速)。控制模块可以通过传统的PID控制算法、模糊控制方法的等实现改变空调的控制量(此为现有技术)。

实施例一，

本实施例中，使用基于kNN(k-Nearest Neighbor，K-近邻)算法的目标房间负荷预测模型。在实施例一中，目标房间负荷预测模型与空调的开机时间有关，一个开机时间对应一个目标房间负荷预测模型。

本实施例的优势在于模型的建立和更新所需计算量相对较小，利于在空调系统算力受限的嵌入式系统部署，且方案无需云端服务器的配合，空调系统可以在本地实现模型的建立和更新。

在本实施例中，根据空调开机前目标房间的室内温度，一个室外温度，和用户设定的目标温度，预测开机后3小时、10小时的房间负荷，进而计算出预计的空调功耗，并反馈给用户，引导用户根据需求设定一个更环保的目标温度。

步骤1、采集目标房间在空调开机前的室内温度

室外温度

采集目标房间的空调工作达到3小时的室内温度

以及空调的工作状态数据ZT⁽ⁱ⁾[3]，根据所述工作状态数据ZT⁽ⁱ⁾[3]和对应的空调控制量KZ⁽ⁱ⁾[3]，通过预先标定的映射函数或者查找表得到空调在工作3小时的瞬时制冷量Q⁽ⁱ⁾[3]；建立第一目标房间负荷预测模型，所述第一目标房间负荷预测模型的建立过程中采用数据样本包含

其中

i为不同次采集的序号，对应不同次空调开机，i∈[1,n]；n为采集的总次数。优选的，n＞10。

同理可以得到，基于空调工作时长达到10小时的第二目标房间负荷预测模型，该模型包含数据样本

其中

步骤二、采集当前时刻目标房间空调开机前的室内温度T_in[0]、室外温度T_out1[0]；用户设置的目标房间的目标温度T_tgt；生成查询参数向量X。

X(x₁，x₂)＝(T_out1[0]-T_tgt，，_in[0]-T_tgt)；

步骤三、求解查询参数向量X与数据样本

的距离d_i，D_i

步骤四、若d_i′＝min(d₁,…,d_n),则预测空调工作达到3小时对目标房间的第一瞬时制冷/制热能力为

若D_j＝min(d₁,…,d_n),则预测空调工作达到10小时对目标房间的第一瞬时制冷/制热能力为

步骤五、将目标温度T_tgt、空调开机时间、对应的第一瞬时制冷/制热能力(房间负荷预测值)通过空调遥控器或者控制空调的手机APP页面显示给用户。

步骤六、控制模块根据预测的第一瞬时制冷/制热能力基于传统的PID控制方法、模糊控制方法，改变空调提供的总制冷/制热能力，和/或改变对该目标房间提供的制冷/制热量(此为现有技术)。

步骤七、若-T_η≤T_in[3]-T_tgt≤T_η，

将

用于更新第一目标房间预测模型的数据样本；

若-T_η≤T_in[10]-T_tgt≤T_η，

将

用于更新第二目标房间预测模型的数据样本。

更新可以是将

加入第一目标房间预测模型的数据样本中，若数据样本大于阈值N_η(典型值取60)，则删除最早添加的那一个样本。

图4为对开机后3小时房间负荷预测的误差曲线。实验进行了10轮，每一轮实验前均将预测模型的数据样本初始化为空集，每轮搜集前60次实验的数据作为训练集；从第61次实验开始不再向训练集添加新的样本，只进行测试，统计预测和实际房间负荷的误差。

在10轮、每轮10000次的测试实验中，95％以上的测试实验预测误差小于100W，最大预测误差也没有小于300W。

实施例二

在本实施例中，采集一个目标房间的室外温度。通过线性模型预测空调工作1小时候后向目标房间输出的制冷能力y(也即1小时后的目标房间负荷预测值)。在实施例而中，目标房间负荷预测模型也与空调的开机时间有关，一个开机时间对应一个目标房间负荷预测模型。

本实施例的优势在于模型的建立和更新所需计算量相对较小，利于在空调系统算力受限的嵌入式系统部署，且方案无需云端服务器的配合，空调系统可以在本地实现模型的建立和更新。

步骤一、采集目标房间在空调开机前的室内温度

室外温度

采集目标房间的空调达到1小时的室内温度

以及空调的工作状态数据ZT⁽ⁱ⁾[1]，根据所述工作状态数据ZT⁽ⁱ⁾[1]和对应的空调控制量KZ⁽ⁱ⁾[1]，通过预先标定的映射函数或者查找表得到空调在工作1小时的瞬时制冷量Q⁽ⁱ⁾[1](现有技术)；建立目标房间负荷预测模型，所述目标房间负荷预测模型的建立过程中采用数据样本包含

其中

i为不同次采集的序号，对应不同次的空调开机，i∈[1,n]；n为采集的总次数。

步骤二、基于最小二乘准则求解下式的权重参数w₀～w_m+2：

步骤三、采集当前时刻目标房间空调开机前的室内温度T_in[0]、室外温度T_out1[0]；设置目标房间的目标温度T_tgt；生成查询参数向量，

X＝(x₁，x₂，x₃)＝(T_out[0]，T_in[0]，T_tgt)；

步骤四、根据求解得到的权重参数w₀～w_m+2，预测空调工作1小时候对目标房间的第一瞬时制冷/制热能力为y＝w₀+w₁·x₁+w₂·x₂+w₃·x₃；

步骤五、当空调实际运行到距离开机时刻(按压缩机开始工作计算)1小时的时候，将此时空调系统输出的实际制冷能力Q[1]与预测值y进行比较：a)若实际制冷能力远大于预测值，即Q[1]-y＞q_η，其中q_η是一个制冷能力差值门限，典型值为500W；则说明房间负荷有异常，通过空调遥控器或空调控制APP发送一个警告(遥控器上点亮一个警告图标，或改变APP中当前室内温度颜色等)，提醒用户注意检查门窗的关闭情况。

b)否则，向预测模型中添加新的数据样本

Z＝(z₁，z₂，z₃，z₄)＝(T_out[0]，T_in[0]，T_in[1]，Q[1])

T_in[1]为空调系统开机1小时后房间室内温度的测量值。若添加了新的数据样本后，样本数超过了一个阈值N_η(典型值取7)，则删除最早添加的那一个数据样本。

图5给出了使用基于线性模型的目标房间负荷预测模型对开机后1小时房间负荷预测的误差曲线。实验进行了10轮，每一轮实验前均将训练集(由所述数据样本组成该训练集)初始化为空集，每轮搜集前7次实验的数据作为训练集；从第8次实验开始不再向训练集添加新的样本，只进行测试，统计预测和实际房间负荷的误差。

在10轮，每轮10000次的测试实验中，预测误差均小于5W。

实施例三

使用KNN和线性模型对房间负荷进行预测时，都只能固定一个目标时间，比如实施例一、二中所述的开机时间为1/3/10小时。

本实施例中，基于全连接神经网络模型建立目标房间负荷预测模型，将目标时间t_tgt以及环境测量值作为模型输入，增加模型的适用性以及对环境变化的鲁棒性。

本实施例的优势在于模型对环境变化的适应性更强，但由于神经网络模型的训练和计算都需要消耗较多计算资源，并且对计算平台数值精度有一定要求，因此除非在空调本地部署具备较强算力、较高精度的计算平台，神经网络模型的建立和更新通常需要云端服务器的协助，空调本地控制系统仅根据模型执行控制任务。

如图6所示，本实施例中的目标房间负荷预测模型采用一个分类神经网络，包含宽度分别为512和64的2个隐藏层，激活函数为sigmoid；输入层具有5个输入节点(第一至第五输入节点)，输出层具有36个输出节点(第一至第三十六输出节点)，每个输出节点分别对应制冷/制热能力范围的一个区间(将空调系统输出制冷/制热能力限制0～3500W等分为36个区间)，并使用softmax将每个输出节点的输出结果转换成概率值。一个输出节点的输出结果表示空调对目标房间输出的瞬时制冷/制热能力落在对应制冷/制热能力范围的概率。

步骤一、采集目标房间在空调开机前的室内温度

室外温度

目标房间空调开机时的时间

目标房间的目标温度

目标房间空调的目标工作时间

其中，i为不同次采集的序号，对应不同次的空调开机，i∈[1,n]；n为采集的总次数；

步骤二、建立训练集，其包含数据样本：

和

为空调开机后

时刻对应的输出制冷/制热能力；

其中

j∈[1,m]；

对应的目标输出为：

其中，若

则

其余j≠j′时，

其中round()表示四舍五入的函数，例如round(4.5)＝5，round(4.4)＝4。

步骤三、通过所述数据样本Z⁽ⁱ⁾和对应标签L⁽ⁱ⁾训练所述目标房间负荷预测模型，改变目标房间负荷预测模型的权重和偏置向量。通常使用梯度下降算法或其变种如SGD、Adam等算法对全连接网络的权重和偏置进行调整(此为现有技术)。

步骤四、采集目标房间空调开机时的时间H_clk，目标房间在空调开机前的室内温度T_in[0]、室外温度T_out1[0]，目标房间的目标温度T_tgt，目标房间空调的目标工作时间t_tgt；

步骤五、将T_outj[0]、T_in[0]、H_clk、T_tgt、t_tgt分别作为步骤三训练好的目标房间负荷预测模型的第一至第五输入节点的输入；令Pr(k)为第k输出节点的输出值，若Pr(k′)＝max(Pr(1),...,Pr(N))，则预测空调对目标房间的第一瞬时制冷/制热能力落在第k′输出节点对应制冷/制热能力范围内；其中k′,k∈[1,36]。

实施例四

实施例一和实施例二也可以采用神经网络的方式来达到更精确的数值拟合效果，但由于神经网络模型的训练和计算都需要消耗较多计算资源，并且对计算平台数值精度有一定要求，因此除非在空调本地部署具备较强算力、较高精度的计算平台，神经网络模型的建立和更新通常需要云端服务器的协助，空调本地控制系统仅根据模型执行控制任务。

如图7所示，本实施例中的目标房间负荷预测模型由一个全连接分类神经网络建立，该神经网络包含宽度分别为64和64的2个隐藏层，激活函数为sigmoid；输入层具有3个输入节点(第一至第三输入节点)，输出层具有36个输出节点(第一至第三十六输出节点)，每个输出节点分别对应制冷/制热能力范围的一个区间(将空调系统输出制冷/制热能力限制0～3500W等分为36个区间)，并使用softmax将每个输出节点的输出结果转换成概率值。一个输出节点的输出结果表示空调对目标房间输出的瞬时制冷/制热能力落在对应制冷/制热能力范围的概率。

步骤一、采集目标房间在空调开机前的室内温度

室外温度

开机后空调工作达到目标预测时间t_tgt＝3小时对应的目标房间的当前室内温度

其中，i为不同次采集的序号，对应不同次的空调开机，i∈[1,n]；n为采集的总次数；

步骤二、建立训练集，其包含数据样本：

其中

对应的目标输出为：

其中，若

则

其余j≠j′时，

步骤三、通过所述数据样本Z⁽ⁱ⁾和对应标签L⁽ⁱ⁾训练所述目标房间负荷预测模型，改变目标房间负荷预测模型的权重和偏置向量。通常使用梯度下降算法或其变种如SGD、Adam等算法对全连接网络的权重和偏置进行调整(此为现有技术)。

步骤四、采集目标房间在空调开机前的室内温度T_in[0]、室外温度T_out1[0]，目标房间的目标温度T_tgt；

步骤五、将T_outj[0]、T_in[0]、T_tgt分别作为步骤三训练好的目标房间负荷预测模型的第一至第三输入节点的输入；令Pr(k)为第k输出节点的输出值，若Pr(k′)＝max(Pr(1),...,Pr(N))，则预测空调对目标房间的第一瞬时制冷/制热能力落在第k′输出节点对应制冷/制热能力范围内；其中k′,k∈[1,36]。

在本发明的一些实施例中，还包含通讯模块，所述通讯模块连接控制模块、数据采集模块和云服务器。通讯模块将数据采集模块采集的各个数据上传至云服务器。在云服务器根据上传的数据建立所述目标房间负荷预测模型，计算得到模型中的各个参数(如实施例二中的权重参数，实施例三中全连接神经网络各层的权重矩阵和偏置向量)，通过目标房间负荷预测模型根据实时采集的数据预测得到所述第一瞬时制冷/制热能力，通讯模块将该第一瞬时制冷/制热能力发送给控制模块，通过控制模块调整空调的总制冷/制热能力，和/或改变对该目标房间提供的制冷/制热量。

在本发明的其它实施例中，还采集目标房间空调开机前后的室内湿度建立所述数据样本。

本发明的基于房间负荷预测的空调控制方法可以实现以下功能：

1)在用户设定目标温度时就告知该温度对应的制冷/制热能力。例如用户设定24度时显示2000W，而改设定目标温度为26度时为1000W，从而给用户一个定量的能耗估计，从而更有效地引导用户设置一个更为节能的目标温度；

2)在目标房间实际负荷显著高于预测值时，空调系统能够向用户反馈一个警告消息。此时，很可能是由于忘记关窗、关门导致房间冷/热空气不正常地外泄，此时可以提醒用户注意检查门窗；

3)基于目标房间负荷的估计值(第一瞬时制冷/制热能力)，改进空调温度控制策略：例如在多联机空调系统中，通过各个目标房间的负荷预测值，规划外机机组所需提供的总的制冷/热能力以及制冷/热量分配策略。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (11)

1.一种基于目标房间负荷预测的空调控制方法，其特征在于，包含步骤：

S1、采集包括以下全部或者部分数据样本：目标房间在空调工作前后的室内温度及若干不同位置的室外温度、用户设定的目标温度、空调从本次开机开始到若干预设时刻的工作时长以及空调在对应工作时长下的工作状态数据；根据采集的数据建立目标房间负荷预测模型；

步骤S1具体包含：

S11、采集目标房间在空调开机前的室内温度

第j室外位置处采集的室外温度

采集目标房间的空调达到工作时长t的室内温度

根据空调的工作状态数据ZT⁽ⁱ⁾[t]和对应的空调控制量KZ⁽ⁱ⁾[t]通过预先标定的映射函数或查找表获得空调在达到工作时长t的瞬时制冷量Q⁽ⁱ⁾[t]；建立目标房间负荷预测模型，所述目标房间负荷预测模型的建立过程中采用数据样本包含

其中

i为不同次采集的序号，i∈[1,n]，j∈[1,m]，n为采集的总次数，m为室外位置的总个数；

S2、根据目标房间在空调启动之前的室内、室外温度、用户设定的目标温度，通过所述目标房间负荷预测模型，预测得到为使得该目标房间室内达到目标温度，空调在预计工作时长下对目标房间的第一瞬时制冷/制热能力；

步骤S2具体包含：

S21、采集当前时刻目标房间空调开机前的室内温度T_in[0]、第j室外位置处采集的室外温度T_outj[0],j∈[1,m]；用户设置的目标房间的目标温度T_tgt；生成查询参数向量X，

X＝(x₁,…,x_m,x_m+1)＝(T_out1[0]-T_tgt,…,T_outm[0]-T_tgt,T_in[0]-T_tgt)；

S22、求解查询参数向量X与所述数据样本

的距离d_i，

S23、若d_i′＝min(d₁,…,d_n),则预测空调达到工作时长t对目标房间的第一瞬时制冷/制热能力为

S3、根据所述第一瞬时制冷/制热能力调整空调控制量，实现改变空调提供的总制冷/制热能力，和/或改变对该目标房间提供的制冷/制热量。

2.如权利要求1所述的基于目标房间负荷预测的空调控制方法，其特征在于，还包含步骤：

S4、将所述第一瞬时制冷/制热能力反馈给用户，引导用户改变目标房间的目标温度；

S5、采集空调工作达到所述预计工作时长时对目标房间的实际瞬时制冷/制热能力，若高于设定的第二阈值，生成报警信息；

S6、根据步骤S2中采集的当前时刻目标房间空调工作前的室内、室外温度，所述实际瞬时制冷/制热能力更新目标房间负荷预测模型。

3.如权利要求1所述的基于目标房间负荷预测的空调控制方法，其特征在于，所述控制量包含：目标房间空调的室内机出风风档、压缩机工作频率、膨胀阀开度的任意一种或组合；所述工作状态数据包含：空调室内机风机风档、蒸发器表面温度中的任意一种或组合。

4.一种基于目标房间负荷预测的空调控制方法，其特征在于，包含步骤：

S1、采集包括以下全部或者部分数据样本：目标房间在空调工作前后的室内温度及若干不同位置的室外温度、用户设定的目标温度、空调从本次开机开始到若干预设时刻的工作时长以及空调在对应工作时长下的工作状态数据；根据采集的数据建立目标房间负荷预测模型；

步骤S1具体包含：

S11′、采集目标房间在空调开机前的室内温度

第j室外位置处采集的室外温度

采集目标房间的空调达到工作时长t的室内温度

以及空调的工作状态ZT⁽ⁱ⁾[t]，根据所述工作状态数据ZT⁽ⁱ⁾[t]和对应的空调控制量KZ⁽ⁱ⁾[t]通过预先标定的映射函数或查找表获得空调在工作时长t的瞬时制冷量Q⁽ⁱ⁾[t]；建立目标房间负荷预测模型，所述目标房间负荷预测模型的建立过程中采用包含数据样本

其中

i为不同次采集的序号，i∈[1,n]，j∈[1,m]，n为采集的总次数，m为室外位置的总个数；

S2、根据目标房间在空调启动之前的室内、室外温度、用户设定的目标温度，通过所述目标房间负荷预测模型，预测得到为使得该目标房间室内达到目标温度，空调在预计工作时长下对目标房间的第一瞬时制冷/制热能力；步骤S2具体包含：

S21′、基于最小二乘准则求解下式的权重参数w₀～w_m+2：

S22′、采集当前时刻目标房间空调开机前的室内温度T_in[0]、第j室外位置处采集的室外温度T_outj[0],j∈[1,m]；设置目标房间的目标温度T_tgt；生成查询参数向量X＝(x₁,…,x_m,x_m+1,x_m+2)＝(T_out1[0],…,T_outm[0],T_in[0],T_tgt)；

S23′、根据步骤S21′求解得到的权重参数w₀～w_m+2，预测空调达到工作时长t对目标房间的第一瞬时制冷/制热能力为y＝w₀+w₁x₁+…+w_m+2x_m+2；

S3、根据所述第一瞬时制冷/制热能力调整空调控制量，实现改变空调提供的总制冷/制热能力，和/或改变对该目标房间提供的制冷/制热量。

5.如权利要求4所述的基于目标房间负荷预测的空调控制方法，其特征在于，还包含步骤：

S4、将所述第一瞬时制冷/制热能力反馈给用户，引导用户改变目标房间的目标温度；

S5、采集空调工作达到所述预计工作时长时对目标房间的实际瞬时制冷/制热能力，若高于设定的第二阈值，生成报警信息；

S6、根据步骤S2中采集的当前时刻目标房间空调工作前的室内、室外温度，所述实际瞬时制冷/制热能力更新目标房间负荷预测模型。

6.如权利要求4所述的基于目标房间负荷预测的空调控制方法，其特征在于，所述控制量包含：目标房间空调的室内机出风风档、压缩机工作频率、膨胀阀开度的任意一种或组合；所述工作状态数据包含：空调室内机风机风档、蒸发器表面温度中的任意一种或组合。

7.一种基于目标房间负荷预测的空调控制方法，其特征在于，包含步骤：

S1、采集包括以下全部或者部分数据样本：目标房间在空调工作前后的室内温度及若干不同位置的室外温度、用户设定的目标温度、空调从本次开机开始到若干预设时刻的工作时长以及空调在对应工作时长下的工作状态数据；根据采集的数据建立目标房间负荷预测模型；

步骤S1具体包含：

S11″、采集目标房间在空调开机前的室内温度

第j室外位置处采集的室外温度

目标房间空调开机时的时间

目标房间的目标温度

目标房间空调的目标工作时间

其中，i为不同次采集的序号，i∈[1,n]，n为采集的总次数；j∈[1,m]，m为室外位置的总个数；

S12″、建立基于全连接神经网络的目标房间负荷预测模型，其包含第一至第m+4输入节点，h层隐藏层，第一至第N输出节点；一个输出节点对应一个制冷/制热能力范围，一个输出节点的输出结果表示空调对目标房间输出的瞬时制冷/制热能力落在对应制冷/制热能力范围的概率；

所述目标房间负荷预测模型的建立过程中采用数据样本包含

和

其中

为空调开机后

时刻对应的输出制冷/制热能力；

S13″、通过所述数据样本Z⁽ⁱ⁾和

训练所述目标房间负荷预测模型，改变目标房间负荷预测模型的权重矩阵和偏置向量；

S2、根据目标房间在空调启动之前的室内、室外温度、用户设定的目标温度，通过所述目标房间负荷预测模型，预测得到为使得该目标房间室内达到目标温度，空调在预计工作时长下对目标房间的第一瞬时制冷/制热能力；

S3、根据所述第一瞬时制冷/制热能力调整空调控制量，实现改变空调提供的总制冷/制热能力，和/或改变对该目标房间提供的制冷/制热量。

8.如权利要求7所述的基于目标房间负荷预测的空调控制方法，其特征在于，步骤S2具体包含：

S21″、采集目标房间空调开机时的时间H_clk，目标房间在空调开机前的室内温度T_in[0]、第j室外位置处采集的室外温度T_outj[0]，目标房间的目标温度T_tgt，目标房间空调的目标工作时间t_tgt；j∈[1,m]；

S22″、将T_outj[0]、T_in[0]、H_clk、T_tgt、t_tgt分别作为步骤S13″训练好的目标房间负荷预测模型的第一至第m+4输入节点的输入；令Pr(k)为第k输出节点的输出值，若Pr(k′)＝max(Pr(1),...,Pr(N))，则预测空调达到工作时长t_tgt对目标房间的第一瞬时制冷/制热能力落在第k′输出节点对应制冷/制热能力范围内；其中k′,k∈[1,N]。

9.如权利要求7所述的基于目标房间负荷预测的空调控制方法，其特征在于，所述控制量包含：目标房间空调的室内机出风风档、压缩机工作频率、膨胀阀开度的任意一种或组合；所述工作状态数据包含：空调室内机风机风档、蒸发器表面温度中的任意一种或组合。

10.如权利要求7所述的基于目标房间负荷预测的空调控制方法，其特征在于，还包含步骤：

S4、将所述第一瞬时制冷/制热能力反馈给用户，引导用户改变目标房间的目标温度；

S5、采集空调工作达到所述预计工作时长时对目标房间的实际瞬时制冷/制热能力，若高于设定的第二阈值，生成报警信息；

S6、根据步骤S2中采集的当前时刻目标房间空调工作前的室内、室外温度，所述实际瞬时制冷/制热能力更新目标房间负荷预测模型。

11.一种基于目标房间负荷预测的空调控制系统，用于实现如权利要求1至10任一所述的方法，其特征在于，包含：

数据采集模块，采集目标房间在空调工作前后的室内温度及若干不同位置的室外温度，空调开始工作的时间，空调的工作时长，空调在对应工作时长下的工作状态数据；

目标房间负荷预测模块，根据数据采集模块采集的数据建立目标房间负荷预测模型，并根据当前时刻目标房间空调工作前的室内、室外温度，通过建立的目标房间负荷预测模型，预测得到为使得该目标房间室内达到目标温度，空调在达到预计工作时长下对目标房间的第一瞬时制冷/制热能力；

控制模块，根据所述第一瞬时制冷/制热能力改变空调提供的总制冷/制热能力，和/或改变对该目标房间提供的制冷/制热量。

Images