CN111623497A - 一种辐射空调预冷预热方法、系统、存储介质及辐射空调 - Google Patents

一种辐射空调预冷预热方法、系统、存储介质及辐射空调 Download PDF

Info

Publication number
CN111623497A
CN111623497A CN202010105893.1A CN202010105893A CN111623497A CN 111623497 A CN111623497 A CN 111623497A CN 202010105893 A CN202010105893 A CN 202010105893A CN 111623497 A CN111623497 A CN 111623497A
Authority
CN
China
Prior art keywords
time
current
expected
cooling
parameters
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.)
Pending
Application number
CN202010105893.1A
Other languages
English (en)
Inventor
丁金磊
袁圆
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.)
Shanghai Landleaf Building Technology Co ltd
Original Assignee
Shanghai Landleaf Building Technology 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 Shanghai Landleaf Building Technology Co ltd filed Critical Shanghai Landleaf Building Technology Co ltd
Priority to CN202010105893.1A priority Critical patent/CN111623497A/zh
Publication of CN111623497A publication Critical patent/CN111623497A/zh
Pending legal-status Critical Current

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
    • F24F11/89—Arrangement or mounting of control or safety devices
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • 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
    • F24F2110/20—Humidity
    • 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
    • F24F2110/20—Humidity
    • F24F2110/22—Humidity of the outside air

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Mechanical Engineering (AREA)
  • Signal Processing (AREA)
  • Combustion & Propulsion (AREA)
  • Chemical & Material Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Operations Research (AREA)
  • Artificial Intelligence (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Fuzzy Systems (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

本发明提供了一种辐射空调预冷预热方法、系统、存储介质及辐射空调，涉及辐射空调技术领域，包括步骤：设定期望环境参数以及达到所述期望环境参数的期望时间，获取当前环境数据和当前时间；根据所述当前环境数据、所述当前时间、所述期望环境参数和所述期望时间结合负荷预测模型，计算预冷和/或预热开启时间以及辐射空调系统的运行参数；根据所述预冷和/或预热开启时间以及所述运行参数，对所述辐射空调系统进行调控。本发明通过历史数据训练、矫正建筑负荷预测模型，并以此计算系统所需提前开启的时间和运行参数，既节约了系统能耗又保证了室内舒适度。

Description

一种辐射空调预冷预热方法、系统、存储介质及辐射空调
技术领域
本发明涉及辐射空调技术领域，尤指一种辐射空调预冷预热方法、系统、存储介质及辐射空调。
背景技术
在建筑节能工作中，对建筑能耗进行科学分析和合理预测十分重要。建筑能耗预测可以为建筑供能系统的运行策略优化和建筑节能评估提供依据。空调系统是商业建筑中能耗最大的部分，也是可自由调节的部分。在空调系统能耗与夏季高峰负荷逐年上升的大背景下，空调系统，尤其是大型商用建筑物的空调系统，节能成为当今社会实现可持续发展的关注热点之一。
由于辐射空调的室温控制响应时间较长，往往需要提前开启预冷或预热，以便室内环境在需要使用时达到设定区间。但是提前开启的时间受到多种因素影响，过早或者过晚的开启辐射空调系统，会造成能源浪费或者舒适度不达标。
发明内容
本发明的目的是提供一种辐射空调预冷预热方法、系统、存储介质及辐射空调，实现较为准确而合理的提前开启系统，既满足需要使用时的舒适度又节省能源的效果。
本发明提供的技术方案如下：
本发明提供一种辐射空调预冷预热方法，包括步骤：
设定期望环境参数以及达到所述期望环境参数的期望时间，获取当前环境数据和当前时间。
根据所述当前环境数据、所述当前时间、所述期望环境参数和所述期望时间结合负荷预测模型，计算预冷和/或预热开启时间以及辐射空调系统的运行参数。
根据所述预冷和/或预热开启时间以及所述运行参数，对所述辐射空调系统进行调控。
进一步，在所述的设定期望环境参数以及达到所述期望环境参数的期望时间，获取当前环境数据之前包括步骤：
获取环境样本数据以及所述环境样本数据所对应的辐射空调系统运行样本参数，获取训练时间段。
根据所述环境样本数据、所述运行样本参数和所述训练时间段，通过机器学习算法训练得到所述负荷预测模型。
进一步，在所述的根据所述当前环境数据、所述当前时间、所述期望环境参数和所述期望时间结合负荷预测模型，计算预冷和/或预热开启时间以及辐射空调系统的运行参数之后还包括步骤：
根据所述当前环境数据、所述当前时间和系统开启后环境数据通过机器学习算法矫正训练得到的所述负荷预测模型。
进一步，在所述的根据所述当前环境数据、所述当前时间、所述期望环境参数和所述期望时间结合负荷预测模型，计算预冷和/或预热开启时间以及辐射空调系统的运行参数之前包括步骤：
获取建筑物的热惰性指标，将所述热惰性指标输入所述负荷预测模型。
根据所述当前环境数据、所述当前时间、所述期望环境参数和所述期望时间结合负荷预测模型以及所述热惰性指标，计算预冷和/或预热开启时间以及辐射空调系统的运行参数。
进一步，所述的根据所述预冷和/或预热开启时间以及所述运行参数，对所述辐射空调系统进行调控具体包括步骤：
当所述预冷和/或预热开启时间处于谷电时期，开启辐射空调系统，进行蓄冷和/或蓄热。
当所述预冷和或/预热开启时间处于峰电时期，进行释冷和/或释热，结合所述辐射空调系统的运行参数在所述期望时间达到所述期望环境参数。
进一步，所述期望环境参数包括：室内温度期望值、室内湿度期望值。
进一步，所述当前环境数据包括：当前室内温度值、当前室内湿度值、当前室外温度值、当前室外湿度值。
进一步，所述环境样本数据包括：系统开启前室内温度值、室内湿度值；系统开启期间室外温度值、室外温度曲线、室外湿度值、室外湿度曲线、室内温度值、室内湿度值、室内温度曲线、室内湿度曲线。
进一步，所述运行样本参数包括：新风机档位、新风机送风温度、顶棚辐射水温、顶棚辐射水泵频率。
本发明还提供一种辐射空调预冷预热系统，包括：
设定模块，用于设定期望环境参数以及达到所述期望环境参数的期望时间。
获取模块，用于获取当前环境数据和当前时间。
计算模块，分别与所述设定模块和所述获取模块连接，用于根据所述当前环境数据、所述当前时间、所述期望环境参数和所述期望时间结合负荷预测模型，计算预冷和/或预热开启时间以及辐射空调系统的运行参数。
控制模块，与所述计算模块连接，用于根据所述预冷和/或预热开启时间以及所述运行参数，对所述辐射空调系统进行调控。
进一步，还包括：
训练模块，与所述获取模块连接，用于根据所述环境样本数据、所述运行样本参数和所述训练时间段，通过机器学习算法训练得到所述负荷预测模型。
矫正模块，分别与所述获取模块和所述训练模块连接，用于根据所述当前环境数据、所述当前时间和系统开启后环境数据通过机器学习算法矫正训练得到的所述负荷预测模型。
输入模块，与所述获取模块连接，用于将所述热惰性指标输入所述负荷预测模型。
本发明还提供一种存储介质，该存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上任一项所述的辐射空调预冷预热方法。
本发明还提供一种辐射空调，包括存储器和处理器，存储器上储存有在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上任一项所述的辐射空调预冷预热方法。
本发明提供的一种辐射空调预冷预热方法、系统、存储介质及辐射空调，通过历史数据训练、矫正建筑负荷预测模型，并以此计算系统所需提前开启的时间和运行参数，既节约了系统能耗又保证了室内舒适度；本发明还可以结合峰谷电价差，利用建筑负荷的热惰性，进行建筑蓄冷和蓄热，达到削峰填谷，节省系统能源费用的效果。
附图说明
下面将以明确易懂的方式，结合附图说明优选实施方式，对一种辐射空调预冷预热方法、系统、存储介质及辐射空调的上述特性、技术特征、优点及其实现方式予以进一步说明。
图1是本发明一种辐射空调预冷预热方法的一个实施例的流程图；
图2是本发明一种辐射空调预冷预热方法的另一个实施例的流程图；
图3是本发明一种辐射空调预冷预热方法的又一个实施例的流程图；
图4是本发明一种辐射空调预冷预热方法的再一个实施例的流程图；
图5是本发明一种辐射空调预冷预热方法的一个实施例的流程图；
图6是本发明一种辐射空调预冷预热方法的一个实施例的流程图；
图7是本发明一种辐射空调预冷预热系统一个实施例的结构示意图；
图8是本发明一种辐射空调的一个实例的结构示意图。
附图标号说明：10、存储器；11、计算机程序；12、处理器；20、设定模块；21、获取模块；22、计算模块；23、控制模块；24、训练模块；25、矫正模块；26、输入模块。
具体实施方式
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对照附图说明本发明的具体实施方式。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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，并获得其他的实施方式。
为使图面简洁，各图中只示意性地表示出了与本发明相关的部分，它们并不代表其作为产品的实际结构。另外，以使图面简洁便于理解，在有些图中具有相同结构或功能的部件，仅示意性地绘示了其中的一个，或仅标出了其中的一个。在本文中，“一个”不仅表示“仅此一个”，也可以表示“多于一个”的情形。
本发明的一个实施例，如图1、图5和图6所示，一种辐射空调预冷预热方法，包括步骤：
S100设定期望环境参数以及达到所述期望环境参数的期望时间，获取当前环境数据和当前时间。
具体的，期望环境参数指用户期望达到的室内环境参数，如期望室内达到一定温度、湿度等。期望时间指用户期望达到该室内温度、湿度的时间点，例如，期望在下午6点，室内温度达到16℃。当前环境数据包括当前室内温度值、当前室内湿度值、当前室外温度值、当前室外湿度值。当前时间指用户设定期望环境参数时的时间。
S200根据所述当前环境数据、所述当前时间、所述期望环境参数和所述期望时间结合负荷预测模型，计算预冷和/或预热开启时间以及辐射空调系统的运行参数。
具体的，负荷预测模型通过历史环境参数等数据训练、矫正形成，根据所获取的当前环境数据、当前时间、期望环境参数和期望时间结合负荷预测模型，从而计算出辐射空调系统预冷、预热开启的时间以及辐射空调系统的运行参数。运行参数包括新风机档位、新风机送风温度、顶棚辐射水温、顶棚辐射水泵频率。预冷和/或预热开启时间早于期望时间，可能是下午5点，可能是下午4点，该值视预冷或预热开启前的室内环境参数、室外环境参数等因素而定。
S300根据所述预冷和/或预热开启时间以及所述运行参数，对所述辐射空调系统进行调控。
具体的，根据计算得出的预冷和/或预热开启时间，提前开启辐射空调系统，例如，期望时间为下午5点，而计算出预冷和/或预热开启时间为下午3点，则辐射空调系统从下午3点即进行开启，并根据计算出的辐射空调系统的运行参数，相应的调控新风机档位、新风机送风温度、顶棚辐射水温、顶棚辐射水泵频率，从而在期望时间下午5点达到所期望达到的室内温度16℃。
本实施例中，根据当前环境数据、当前时间、用户期望的环境参数以及达到期望环境参数所需的期望时间和负荷预测模型，计算出预冷或预热开始时间，使得用户在到达建筑物内时，建筑物内已经达到用户所需的条件。
本发明的另一个实施例，如图2、图5和图6所示，一种辐射空调预冷预热方法，包括步骤：
S100设定期望环境参数以及达到所述期望环境参数的期望时间，获取当前环境数据和当前时间。
具体的，期望环境参数指用户期望达到的室内环境参数，如期望室内达到一定温度、湿度等。期望时间指用户期望达到该室内温度、湿度的时间点，例如，期望在下午6点，室内温度达到16℃。当前环境数据包括当前室内温度值、当前室内湿度值、当前室外温度值、当前室外湿度值。当前时间指用户设定期望环境参数时的时间。
S200根据所述当前环境数据、所述当前时间、所述期望环境参数和所述期望时间结合负荷预测模型，计算预冷和/或预热开启时间以及辐射空调系统的运行参数；
具体的，负荷预测模型通过历史环境参数等数据训练、矫正形成，根据所获取的当前环境数据、当前时间、期望环境参数和期望时间结合负荷预测模型，从而计算出辐射空调系统预冷、预热开启的时间以及辐射空调系统的运行参数。运行参数包括新风机档位、新风机送风温度、顶棚辐射水温、顶棚辐射水泵频率。
S300根据所述预冷和/或预热开启时间以及所述运行参数，对所述辐射空调系统进行调控。
具体的，根据计算得出的预冷和/或预热开启时间，提前开启辐射空调系统，例如，期望时间为下午5点，而计算出预冷和/或预热开启时间为下午3点，则辐射空调系统从下午3点即进行开启，并根据计算出的辐射空调系统的运行参数，相应的调控新风机档位、新风机送风温度、顶棚辐射水温、顶棚辐射水泵频率，从而在期望时间下午5点达到所期望达到的室内温度16℃。
S301当所述预冷和/或预热开启时间处于谷电时期，开启辐射空调系统，进行蓄冷和/或蓄热。
S302当所述预冷和或/预热开启时间处于峰电时期，进行释冷和/或释热，并结合所述辐射空调系统的运行参数在所述期望时间达到所述期望环境参数。
具体的，随着社会经济的发展，人们对于电力的需求越来越大，电力供应矛盾愈加突出。我们可以看到，企业和居民的耗电量在一天24小时内变化很大，一般而言，夜晚，尤其是深夜耗电量要远小于白天，人们将对电力需求最旺盛的时间称为峰电时期，其余则为谷电时期。
当所计算出的预冷或预热的时间在谷电时期时，此时电费较便宜，且用电不紧张，电量供大于求，可正常开启辐射空调系统，进行预冷或预热；而当所计算出的预冷或预热的时间在峰电时期时，此时电费较贵，且用电紧张，电量供不应求，可将谷电时期存蓄的冷量或热量进行释放，结合辐射空调系统的运行参数在期望时间达到所期望的环境参数，以缓解供电矛盾，节省用电费用。
本实施例中，结合峰谷电价差，在谷电时提前进行蓄冷或蓄热，当所计算的预冷预热时间在峰电时期时，停止预冷或预热，根据计算得出的系统运行参数，结合一定的释冷或释热，以达到用户期望的室内温度、湿度等。
本发明的又一个实施例，如图3、图5和图6所示，一种辐射空调预冷预热方法，包括步骤：
S001获取环境样本数据以及所述环境样本数据所对应的辐射空调系统运行样本参数，获取训练时间段。
具体的，环境样本数据包括：系统开启前室内温度值、室内湿度值；系统开启期间室外温度值、室外温度曲线、室外湿度值、室外湿度曲线、室内温度值、室内湿度值、室内温度曲线、室内湿度曲线。辐射空调系统运行样本参数包括：新风机档位、新风机送风温度、顶棚辐射水温、顶棚辐射水泵频率。由于一天中不同的时间段，太阳辐射强度等对室内环境影响的参数不同，因此在训练负荷预测模型时，除需获取环境样本数据、运行样本参数的，还需获取训练时间段。
S002根据所述环境样本数据、所述运行样本参数和所述训练时间段，通过机器学习算法训练得到所述负荷预测模型。
具体的，本实施例中负荷预测模型可以基于各种机器学习算法实现，包括但不限于：梯度渐进回归树(GBRT)算法；人工神经网络(ANN)算法；多元线性回归算法；支持向量回归(SVR)算法；差分整合移动平均自回归(ARIMA)算法；以及上述算法的任意结合。
人工神经网络(ANN)是现代神经生物学研究基础上提出的模拟生物过程，模仿人的神经系统并反应人脑某些特征的一种计算结构。ANN在不同程度和层次上具有模拟人脑中神经系统的信息处理、存储和检索功能，而且具有和人脑功能类似的最基本特征：学习、归纳、分类和推广。具体表现在以下几个方面：具有以任意精度逼近复杂的非线性函数的特性；具有很强的适应于复杂环境和多目标控制要求的自学习能力。通常情况下，一个神经网络的权系数通过不断地被调整、训练来使得在特定的网络输入激励下能够得到特定的目标输出，这一过程是通过一种简单的反馈机制来实现的。神经网络在一定的输入作用下会产生相应的输出，网络输出结果与应该得到的真实目标对象进行比较。如果网络的输出与目标对象之间存在着较大的偏差，则将联结网络神经元之间的权系数按照一定的规则进行调整，这样网络在同一输入下的输出值就发生变化。不断重复上述的调整过程，直到网络输出与目标对象的偏差在允许的误差精度范围内。该神经网络方法可以利用1-2个月的实测环境样本数据，运行样本参数和训练时间段对网络进行训练，利用自行开发的神经网络仿真模块进行负荷预测。输入层参数的选取对训练网络所需时间和网络稳定性有很大影响，该模型选取了系统开启前室内温度值、室内湿度值；系统开启期间室外温度值、室外温度曲线、室外湿度值、室外湿度曲线、室内温度值、室内湿度值、室内温度曲线、室内湿度曲线作为输入参数。另外，在实际应用中，未来时刻的室外气象参数可以利用气象预报信息来获得需要的模型输入气象参数，通常天气预报数据可以从互联网上得到，同时认为气象台发布的天气预报信息是准确的，用于建筑物的负荷预测具有足够的可信度，采用基于神经网络的时间序列负荷预测模型来实施建筑物的空调负荷预测，具有易于实施、预测精度高的特点。根据气象台提供的气象预报最高和最低室外温度值，采用模比系数内插方法可近似得到未来时刻的室外逐时干球温度值。将获得的室外逐时干球温度作为预测模型的输入参数后能显著提高预测模型的精度。
S100设定期望环境参数以及达到所述期望环境参数的期望时间，获取当前环境数据和当前时间。
具体的，期望环境参数指用户期望达到的室内环境参数，如期望室内达到一定温度、湿度等。期望时间指用户期望达到该室内温度、湿度的时间点，例如，期望在下午6点，室内温度达到16℃。当前环境数据包括当前室内温度值、当前室内湿度值、当前室外温度值、当前室外湿度值。当前时间指用户设定期望环境参数时的时间。
S200根据所述当前环境数据、所述当前时间、所述期望环境参数和所述期望时间结合负荷预测模型，计算预冷和/或预热开启时间以及辐射空调系统的运行参数。
具体的，负荷预测模型通过历史环境参数等数据训练、矫正形成，根据所获取的当前环境数据、当前时间、期望环境参数和期望时间结合负荷预测模型，从而计算出辐射空调系统预冷、预热开启的时间以及辐射空调系统的运行参数。运行参数包括新风机档位、新风机送风温度、顶棚辐射水温、顶棚辐射水泵频率。
S300根据所述预冷和/或预热开启时间以及所述运行参数，对所述辐射空调系统进行调控。
具体的，根据计算得出的预冷和/或预热开启时间，提前开启辐射空调系统，例如，期望时间为下午5点，而计算出预冷和/或预热开启时间为下午3点，则辐射空调系统从下午3点即进行开启，并根据计算出的辐射空调系统的运行参数，相应的调控新风机档位、新风机送风温度、顶棚辐射水温、顶棚辐射水泵频率，从而在期望时间下午5点达到所期望达到的室内温度16℃。
具体的，在所述的S200根据所述当前环境数据、所述当前时间、所述期望环境参数和所述期望时间结合负荷预测模型，计算预冷和/或预热开启时间以及辐射空调系统的运行参数之后还包括步骤：
S400根据所述当前环境数据、所述当前时间和系统开启后环境数据通过机器学习算法矫正训练得到的所述负荷预测模型。
本实施例中，通过机器学习算法训练得到负荷预测模型，并且，记录每次应用过程中的环境数据、设定的时间和系统开启后环境数据，并根据每次记录的数据，通过机器学习算法矫正该负荷预测模型，从而使得预冷或预热的开始时间以及运行参数的计算更加准确。
本发明的又一个实施例，如图4-6所示，一种辐射空调预冷预热方法，包括步骤：
S001获取环境样本数据以及所述环境样本数据所对应的辐射空调系统运行样本参数，获取训练时间段。
具体的，环境样本数据包括：系统开启前室内温度值、室内湿度值；系统开启期间室外温度值、室外温度曲线、室外湿度值、室外湿度曲线、室内温度值、室内湿度值、室内温度曲线、室内湿度曲线。辐射空调系统运行样本参数包括：新风机档位、新风机送风温度、顶棚辐射水温、顶棚辐射水泵频率。由于一天中不同的时间段，太阳辐射强度等对室内环境影响的参数不同，因此在训练负荷预测模型时，除需获取环境样本数据、运行样本参数的，还需获取训练时间段。
S002根据所述环境样本数据、所述运行样本参数和所述训练时间段，通过机器学习算法训练得到所述负荷预测模型。
具体的，本实施例中负荷预测模型可以基于各种机器学习算法实现，包括但不限于：梯度渐进回归树(GBRT)算法；人工神经网络(ANN)算法；多元线性回归算法；支持向量回归(SVR)算法；差分整合移动平均自回归(ARIMA)算法；以及上述算法的任意结合。
人工神经网络(ANN)是现代神经生物学研究基础上提出的模拟生物过程，模仿人的神经系统并反应人脑某些特征的一种计算结构。ANN在不同程度和层次上具有模拟人脑中神经系统的信息处理、存储和检索功能，而且具有和人脑功能类似的最基本特征：学习、归纳、分类和推广。具体表现在以下几个方面：具有以任意精度逼近复杂的非线性函数的特性；具有很强的适应于复杂环境和多目标控制要求的自学习能力。通常情况下，一个神经网络的权系数通过不断地被调整、训练来使得在特定的网络输入激励下能够得到特定的目标输出，这一过程是通过一种简单的反馈机制来实现的。神经网络在一定的输入作用下会产生相应的输出，网络输出结果与应该得到的真实目标对象进行比较。如果网络的输出与目标对象之间存在着较大的偏差，则将联结网络神经元之间的权系数按照一定的规则进行调整，这样网络在同一输入下的输出值就发生变化。不断重复上述的调整过程，直到网络输出与目标对象的偏差在允许的误差精度范围内。该神经网络方法可以利用1-2个月的实测环境样本数据，运行样本参数和训练时间段对网络进行训练，利用自行开发的神经网络仿真模块进行负荷预测。输入层参数的选取对训练网络所需时间和网络稳定性有很大影响，该模型选取了系统开启前室内温度值、室内湿度值；系统开启期间室外温度值、室外温度曲线、室外湿度值、室外湿度曲线、室内温度值、室内湿度值、室内温度曲线、室内湿度曲线作为输入参数。另外，在实际应用中，未来时刻的室外气象参数可以利用气象预报信息来获得需要的模型输入气象参数，通常天气预报数据可以从互联网上得到，同时认为气象台发布的天气预报信息是准确的，用于建筑物的负荷预测具有足够的可信度，采用基于神经网络的时间序列负荷预测模型来实施建筑物的空调负荷预测，具有易于实施、预测精度高的特点。根据气象台提供的气象预报最高和最低室外温度值，采用模比系数内插方法可近似得到未来时刻的室外逐时干球温度值。将获得的室外逐时干球温度作为预测模型的输入参数后能显著提高预测模型的精度。
S10获取建筑物的热惰性指标，将所述热惰性指标输入所述负荷预测模型。
具体的，建筑物的热惰性是指建筑物外墙蓄热和导热的一个基本关系。是在一定时间对某材料加一定量的热，材料表面的温度改变快慢的性质。单位为cal/cm2·℃·s。例如，钻石的热惰性是0.82-1.42cal/cm2·℃·s，合成碳硅石的热情性为0.30～0·63caf/cm2·℃·s。建筑物围护结构的热惰性是指围护结构对外界温度波动的抵抗能力。围护结构热惰性越大，建筑物内表面温度受外表面温度波动影响就越小。热惰性指标D值，是表征围护结构对周期性温度波在其内部衰减快慢程度的一个无量纲指标，单层结构D＝R·S；多层结构D＝∑R·S。式中R为结构层的热阻，S为相应材料层的蓄热系数，D值愈大，周期性温度波在其内部的衰减愈快，围护结构的热稳定性愈好。
S100设定期望环境参数以及达到所述期望环境参数的期望时间，获取当前环境数据和当前时间。
具体的，期望环境参数指用户期望达到的室内环境参数，如期望室内达到一定温度、湿度等。期望时间指用户期望达到该室内温度、湿度的时间点，例如，期望在下午6点，室内温度达到16℃。当前环境数据包括当前室内温度值、当前室内湿度值、当前室外温度值、当前室外湿度值。当前时间指用户设定期望环境参数时的时间。
S20根据所述当前环境数据、所述当前时间、所述期望环境参数和所述期望时间结合负荷预测模型以及所述热惰性指标，计算预冷和/或预热开启时间以及辐射空调系统的运行参数。
具体的，获取建筑物的热惰性指标，并将该热惰性指标输入至负荷预测模型内，在进行预冷或预热的开启时间以及辐射空调运行参数的计算时，将建筑物的热惰性因素考虑在内，提高计算精确性。
S300根据所述预冷和/或预热开启时间以及所述运行参数，对所述辐射空调系统进行调控。
具体的，根据计算得出的预冷和/或预热开启时间，提前开启辐射空调系统，例如，期望时间为下午5点，而计算出预冷和/或预热开启时间为下午3点，则辐射空调系统从下午3点即进行开启，并根据计算出的辐射空调系统的运行参数，相应的调控新风机档位、新风机送风温度、顶棚辐射水温、顶棚辐射水泵频率，从而在期望时间下午5点达到所期望达到的室内温度16℃。
本实施例中，结合建筑物的围护结构的热惰性，进行负荷预测模型的计算，提高预冷或预热的开启时间以及辐射空调运行参数的计算精确性。
本发明的一个实施例，如图7所示，一种辐射空调预冷预热系统，包括：
设定模块20，用于设定期望环境参数以及达到所述期望环境参数的期望时间。
获取模块21，用于获取当前环境数据和当前时间。
计算模块22，分别与设定模块20和获取模块21连接，用于根据所述当前环境数据、所述当前时间、所述期望环境参数和所述期望时间结合负荷预测模型，计算预冷和/或预热开启时间以及辐射空调系统的运行参数。
控制模块23，与计算模块22连接，用于根据所述预冷和/或预热开启时间以及所述运行参数，对所述辐射空调系统进行调控。
具体的，还包括：
训练模块24，与获取模块21连接，用于根据所述环境样本数据、所述运行样本参数和所述训练时间段，通过机器学习算法训练得到所述负荷预测模型。
矫正模块25，分别与获取模块21和训练模块24连接，用于根据所述当前环境数据、所述当前时间和系统开启后环境数据通过机器学习算法矫正训练得到的所述负荷预测模型。
输入模块26，与获取模块21连接，用于将所述热惰性指标输入所述负荷预测模型。
获取模块21，还用于获取环境样本数据以及所述环境样本数据所对应的辐射空调系统运行样本参数，获取训练时间段，获取建筑物的热惰性指标。
计算模块22，分别与设定模块20和获取模块21连接，还用于计算模块22，分别与设定模块20和获取模块21连接。
控制模块23，与计算模块22连接，还用于当所述预冷和/或预热开启时间处于谷电时期，开启辐射空调系统，进行蓄冷和/或蓄热，当所述预冷和或/预热开启时间处于峰电时期，进行释冷和/或释热，结合所述辐射空调系统的运行参数在所述期望时间达到所述期望环境参数。
本发明的一个实施例提供了一种存储介质，其上存储有计算机程序11，计算机程序11被处理器12执行时实现上述实施例中的所有方法步骤或部分方法步骤。
本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序11来指令相关的硬件来完成，所述的计算机程序11可存储于一计算机可读存储介质中，该计算机程序11在被处理器12执行时，可实现上述各个方法实施例的步骤。其中，计算机程序11包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
本发明的一个实施例还提供一种辐射空调，如图8所示，包括存储器10和处理器12，存储器10上储存有在处理器12上运行的计算机程序11，处理器12执行计算机程序11时实现第一实施例中的所有方法步骤或部分方法步骤。
所称处理器12可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器12可以是微处理器或者该处理器12也可以是任何常规的处理器12等，处理器12是所述计算机装置的控制中心，利用各种接口和线路连接整个计算机装置的各个部分。
存储器10可以用于存储计算机程序和/或模块，处理器12通过运行或执行存储在存储器10内的计算机程序和/或模块，以及调用存储在存储器10内的数据，实现所述计算机装置的各种功能。存储器10可主要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、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等。存储数据区可存储根据手机的使用所创建的数据(比如音频数据、视频数据等)等。此外，存储器10可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(FlashCard)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
本发明有益效果是通过历史数据训练、矫正建筑负荷预测模型，并以此计算系统所需提前开启的时间和运行参数，既节约了系统能耗又保证了室内舒适度；本发明还可以结合峰谷电价差，利用建筑负荷的热惰性，进行建筑蓄冷和蓄热，达到削峰填谷，节省系统能源费用的效果。
应当说明的是，上述实施例均可根据需要自由组合。以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (13)

1.一种辐射空调预冷预热方法，其特征在于，包括步骤：
设定期望环境参数以及达到所述期望环境参数的期望时间，获取当前环境数据和当前时间；
根据所述当前环境数据、所述当前时间、所述期望环境参数和所述期望时间结合负荷预测模型，计算预冷和/或预热开启时间以及辐射空调系统的运行参数；
根据所述预冷和/或预热开启时间以及所述运行参数，对所述辐射空调系统进行调控。
2.根据权利要求1所述的一种辐射空调预冷预热方法，其特征在于，在所述的设定期望环境参数以及达到所述期望环境参数的期望时间，获取当前环境数据之前包括步骤：
获取环境样本数据以及所述环境样本数据所对应的辐射空调系统运行样本参数，获取训练时间段；
根据所述环境样本数据、所述运行样本参数和所述训练时间段，通过机器学习算法训练得到所述负荷预测模型。
3.根据权利要求1或2所述的一种辐射空调预冷预热方法，其特征在于，在所述的根据所述当前环境数据、所述当前时间、所述期望环境参数和所述期望时间结合负荷预测模型，计算预冷和/或预热开启时间以及辐射空调系统的运行参数之后还包括步骤：
根据所述当前环境数据、所述当前时间和系统开启后环境数据通过机器学习算法矫正训练得到的所述负荷预测模型。
4.根据权利要求1所述的一种辐射空调预冷预热方法，其特征在于，在所述的根据所述当前环境数据、所述当前时间、所述期望环境参数和所述期望时间结合负荷预测模型，计算预冷和/或预热开启时间以及辐射空调系统的运行参数之前包括步骤：
获取建筑物的热惰性指标，将所述热惰性指标输入所述负荷预测模型；
根据所述当前环境数据、所述当前时间、所述期望环境参数和所述期望时间结合负荷预测模型以及所述热惰性指标，计算预冷和/或预热开启时间以及辐射空调系统的运行参数。
5.根据权利要求1所述的一种辐射空调预冷预热方法，其特征在于，所述的根据所述预冷和/或预热开启时间以及所述运行参数，对所述辐射空调系统进行调控具体包括步骤：
当所述预冷和/或预热开启时间处于谷电时期，开启辐射空调系统，进行蓄冷和/或蓄热；
当所述预冷和或/预热开启时间处于峰电时期，进行释冷和/或释热，结合所述辐射空调系统的运行参数在所述期望时间达到所述期望环境参数。
6.根据权利要求1所述的一种辐射空调预冷预热方法，其特征在于，所述期望环境参数包括：室内温度期望值、室内湿度期望值。
7.根据权利要求1所述的一种辐射空调预冷预热方法，其特征在于，所述当前环境数据包括：当前室内温度值、当前室内湿度值、当前室外温度值、当前室外湿度值。
8.根据权利要求2所述的一种辐射空调预冷预热方法，其特征在于，所述环境样本数据包括：系统开启前室内温度值、室内湿度值；系统开启期间室外温度值、室外温度曲线、室外湿度值、室外湿度曲线、室内温度值、室内湿度值、室内温度曲线、室内湿度曲线。
9.根据权利要求2所述的一种辐射空调预冷预热方法，其特征在于，所述运行样本参数包括：新风机档位、新风机送风温度、顶棚辐射水温、顶棚辐射水泵频率。
10.一种辐射空调预冷预热系统，其特征在于，包括：
设定模块，用于设定期望环境参数以及达到所述期望环境参数的期望时间；
获取模块，用于获取当前环境数据和当前时间；
计算模块，分别与所述设定模块和所述获取模块连接，用于根据所述当前环境数据、所述当前时间、所述期望环境参数和所述期望时间结合负荷预测模型，计算预冷和/或预热开启时间以及辐射空调系统的运行参数；
控制模块，与所述计算模块连接，用于根据所述预冷和/或预热开启时间以及所述运行参数，对所述辐射空调系统进行调控。
11.根据权利要求10所述的一种辐射空调预冷预热系统，其特征在于，包括：
训练模块，与所述获取模块连接，用于根据所述环境样本数据、所述运行样本参数和所述训练时间段，通过机器学习算法训练得到所述负荷预测模型；
矫正模块，分别与所述获取模块和所述训练模块连接，用于根据所述当前环境数据、所述当前时间和系统开启后环境数据通过机器学习算法矫正训练得到的所述负荷预测模型；
输入模块，与所述获取模块连接，用于将所述热惰性指标输入所述负荷预测模型。
12.一种存储介质，该存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至9任一项所述的方法。
13.一种辐射空调，包括存储器和处理器，存储器上储存有在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至9任一项所述的方法。
CN202010105893.1A 2020-02-20 2020-02-20 一种辐射空调预冷预热方法、系统、存储介质及辐射空调 Pending CN111623497A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010105893.1A CN111623497A (zh) 2020-02-20 2020-02-20 一种辐射空调预冷预热方法、系统、存储介质及辐射空调

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010105893.1A CN111623497A (zh) 2020-02-20 2020-02-20 一种辐射空调预冷预热方法、系统、存储介质及辐射空调

Publications (1)

Publication Number Publication Date
CN111623497A true CN111623497A (zh) 2020-09-04

Family

ID=72257031

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010105893.1A Pending CN111623497A (zh) 2020-02-20 2020-02-20 一种辐射空调预冷预热方法、系统、存储介质及辐射空调

Country Status (1)

Country Link
CN (1) CN111623497A (zh)

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112344519A (zh) * 2020-09-25 2021-02-09 国网浙江省电力有限公司绍兴供电公司 一种加热和制冷系统调试和节能控制方法
CN112365103A (zh) * 2020-12-11 2021-02-12 同济大学建筑设计研究院(集团)有限公司 运行阶段建筑短期负荷预测方法、装置、设备和介质
CN112613656A (zh) * 2020-12-18 2021-04-06 国网山东省电力公司青岛市即墨区供电公司 一种基于鱼群算法的家庭用电需求响应优化系统
CN112611087A (zh) * 2020-12-17 2021-04-06 西安交通大学 一种空调系统的敷设面积工程计算方法、系统、装置及存储介质
CN112665141A (zh) * 2021-01-21 2021-04-16 广东美的制冷设备有限公司 空调器及其控制方法、装置和存储介质
CN112762576A (zh) * 2020-12-29 2021-05-07 广东美的白色家电技术创新中心有限公司 空调系统控制方法、达温时间预测模型训练方法及设备
CN112944620A (zh) * 2021-02-22 2021-06-11 珠海格力电器股份有限公司 一种空调控制方法、装置、存储介质及空调
CN113091266A (zh) * 2021-04-15 2021-07-09 南京南瑞继保电气有限公司 机场登机桥空调与航班信息联动的方法与系统
CN113203187A (zh) * 2021-04-28 2021-08-03 清华大学 基于部分线性模型的建筑暖通空调负荷优化控制方法
CN113311892A (zh) * 2021-05-27 2021-08-27 中通服咨询设计研究院有限公司 一种会展场馆中央空调能效最优预冷控制方法
CN113516188A (zh) * 2021-07-16 2021-10-19 北京上格云智能技术有限公司 一种预测空调提前开机时长的方法、装置、设备及介质
CN114234381A (zh) * 2021-11-26 2022-03-25 国网上海市电力公司 基于强化学习的中央空调控制方法和控制系统
CN114427740A (zh) * 2021-12-29 2022-05-03 珠海云洲智能科技股份有限公司 空调外机的控制方法、控制装置、电子设备及存储介质
CN114543303A (zh) * 2022-01-26 2022-05-27 深圳达实智能股份有限公司 基于运行大数据的中央空调制冷站运行优化方法和系统
CN114562767A (zh) * 2021-12-29 2022-05-31 云洲(盐城)创新科技有限公司 空调外机的控制方法、控制装置、电子设备及存储介质
CN115183422A (zh) * 2022-05-31 2022-10-14 深圳市浩若思科技有限公司 一种调节智能家居系统的方法
CN115419936A (zh) * 2022-09-06 2022-12-02 珠海格力电器股份有限公司 一种地暖控制方法、控制装置和地暖

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102705957A (zh) * 2012-06-07 2012-10-03 华南理工大学 办公建筑中央空调逐时冷负荷在线预测方法及系统
KR101303470B1 (ko) * 2011-12-30 2013-09-05 주식회사 효성 에너지관리시스템을 위한 예측시스템
CN106225172A (zh) * 2016-08-17 2016-12-14 珠海格力电器股份有限公司 空调控制装置、方法及系统
CN108413567A (zh) * 2018-03-14 2018-08-17 山东建筑大学 基于物联网的中央空调节费优化方法与系统
CN109740787A (zh) * 2018-11-20 2019-05-10 第四范式（北京）技术有限公司 训练建筑物空调负荷预测模型及用其预测的方法和装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101303470B1 (ko) * 2011-12-30 2013-09-05 주식회사 효성 에너지관리시스템을 위한 예측시스템
CN102705957A (zh) * 2012-06-07 2012-10-03 华南理工大学 办公建筑中央空调逐时冷负荷在线预测方法及系统
CN106225172A (zh) * 2016-08-17 2016-12-14 珠海格力电器股份有限公司 空调控制装置、方法及系统
CN108413567A (zh) * 2018-03-14 2018-08-17 山东建筑大学 基于物联网的中央空调节费优化方法与系统
CN109740787A (zh) * 2018-11-20 2019-05-10 第四范式（北京）技术有限公司 训练建筑物空调负荷预测模型及用其预测的方法和装置

Cited By (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112344519A (zh) * 2020-09-25 2021-02-09 国网浙江省电力有限公司绍兴供电公司 一种加热和制冷系统调试和节能控制方法
CN112344519B (zh) * 2020-09-25 2022-06-07 国网浙江省电力有限公司绍兴供电公司 一种加热和制冷系统调试和节能控制方法
CN112365103A (zh) * 2020-12-11 2021-02-12 同济大学建筑设计研究院(集团)有限公司 运行阶段建筑短期负荷预测方法、装置、设备和介质
CN112365103B (zh) * 2020-12-11 2023-10-13 同济大学建筑设计研究院(集团)有限公司 运行阶段建筑短期负荷预测方法、装置、设备和介质
CN112611087A (zh) * 2020-12-17 2021-04-06 西安交通大学 一种空调系统的敷设面积工程计算方法、系统、装置及存储介质
CN112611087B (zh) * 2020-12-17 2022-01-25 西安交通大学 一种空调系统的敷设面积工程计算方法、系统、装置及存储介质
CN112613656A (zh) * 2020-12-18 2021-04-06 国网山东省电力公司青岛市即墨区供电公司 一种基于鱼群算法的家庭用电需求响应优化系统
CN112762576A (zh) * 2020-12-29 2021-05-07 广东美的白色家电技术创新中心有限公司 空调系统控制方法、达温时间预测模型训练方法及设备
CN112665141A (zh) * 2021-01-21 2021-04-16 广东美的制冷设备有限公司 空调器及其控制方法、装置和存储介质
CN112944620A (zh) * 2021-02-22 2021-06-11 珠海格力电器股份有限公司 一种空调控制方法、装置、存储介质及空调
CN113091266A (zh) * 2021-04-15 2021-07-09 南京南瑞继保电气有限公司 机场登机桥空调与航班信息联动的方法与系统
CN113203187A (zh) * 2021-04-28 2021-08-03 清华大学 基于部分线性模型的建筑暖通空调负荷优化控制方法
CN113311892A (zh) * 2021-05-27 2021-08-27 中通服咨询设计研究院有限公司 一种会展场馆中央空调能效最优预冷控制方法
CN113516188A (zh) * 2021-07-16 2021-10-19 北京上格云智能技术有限公司 一种预测空调提前开机时长的方法、装置、设备及介质
CN113516188B (zh) * 2021-07-16 2024-04-12 北京上格云智能技术有限公司 一种预测空调提前开机时长的方法、装置、设备及介质
CN114234381A (zh) * 2021-11-26 2022-03-25 国网上海市电力公司 基于强化学习的中央空调控制方法和控制系统
CN114562767A (zh) * 2021-12-29 2022-05-31 云洲(盐城)创新科技有限公司 空调外机的控制方法、控制装置、电子设备及存储介质
CN114427740A (zh) * 2021-12-29 2022-05-03 珠海云洲智能科技股份有限公司 空调外机的控制方法、控制装置、电子设备及存储介质
CN114543303A (zh) * 2022-01-26 2022-05-27 深圳达实智能股份有限公司 基于运行大数据的中央空调制冷站运行优化方法和系统
CN115183422A (zh) * 2022-05-31 2022-10-14 深圳市浩若思科技有限公司 一种调节智能家居系统的方法
CN115419936A (zh) * 2022-09-06 2022-12-02 珠海格力电器股份有限公司 一种地暖控制方法、控制装置和地暖
CN115419936B (zh) * 2022-09-06 2024-08-23 珠海格力电器股份有限公司 一种地暖控制方法、控制装置和地暖

Similar Documents

Publication Publication Date Title
CN111623497A (zh) 一种辐射空调预冷预热方法、系统、存储介质及辐射空调
CN111237989B (zh) 一种基于负荷预测的楼宇通风空调控制方法及装置
CN110726218B (zh) 空调器及其控制方法、装置、存储介质和处理器
CN110726229B (zh) 空调器的控制方法及装置、存储介质及处理器
WO2022073307A1 (zh) 空调的预启动时间控制方法、装置、设备及非易失性存储介质
CN110749053B (zh) 空调器的控制方法及装置
CN106225172A (zh) 空调控制装置、方法及系统
CN108050671B (zh) 空调器的控制方法及空调器
CN111121150A (zh) 一种智能热负荷预测调控方法、系统及存储介质
CN110781969B (zh) 基于深度强化学习的空调风量控制方法、装置以及介质
CN112283890A (zh) 适应建筑暖通设备监控系统的冷热量控制方法及装置
CN112527037A (zh) 一种具有环境因子预测功能的温室环境调控方法和系统
WO2022041987A1 (zh) 空调器的智能控制方法与智能控制设备
CN110440385A (zh) 一种舒适仿自然风的机械营造装置及方法
CN113947007A (zh) 能源的负荷预测方法、装置及设备
CN115729093A (zh) 一种菇房空调控制调节方法及系统
US20220236704A1 (en) Control system, server, apparatus and control method
CN109425087A (zh) 空气调节装置及控制方法、终端和存储介质
CN115235049A (zh) 一种空调主机节能控制方法和装置
CN111043731A (zh) 一种基于天气预报的空调系统调节方法
CN117450642A (zh) 一种基于模糊pid的温湿度自适应空调调节系统及方法
CN112902392A (zh) 自适应调整的空调控制方法、电子设备及存储介质
CN116227725A (zh) 一种建筑物空调系统的负荷预测方法、装置及电子设备
CN116130102A (zh) 睡眠环境数据的确定方法及装置、存储介质及电子装置
CN112728739B (zh) 基于算法预测的空调箱送风温度设定值确定方法和装置

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200904

RJ01 Rejection of invention patent application after publication