CN111868449A - 空调及其控制方法 - Google Patents
空调及其控制方法 Download PDFInfo
- Publication number
- CN111868449A CN111868449A CN201980017259.8A CN201980017259A CN111868449A CN 111868449 A CN111868449 A CN 111868449A CN 201980017259 A CN201980017259 A CN 201980017259A CN 111868449 A CN111868449 A CN 111868449A
- Authority
- CN
- China
- Prior art keywords
- temperature
- air conditioner
- power consumption
- indoor
- information
- 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.)
- Granted
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
- 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
- F24F11/50—Control or safety arrangements characterised by user interfaces or communication
- F24F11/52—Indication arrangements, e.g. displays
-
- 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
- F24F11/70—Control systems characterised by their outputs; Constructional details thereof
- F24F11/80—Control systems characterised by their outputs; Constructional details thereof for controlling the temperature of the supplied air
-
- 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
-
- 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
- F24F2110/20—Humidity
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F2130/00—Control inputs relating to environmental factors not covered by group F24F2110/00
- F24F2130/20—Sunlight
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F2130/00—Control inputs relating to environmental factors not covered by group F24F2110/00
- F24F2130/30—Artificial light
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F2140/00—Control inputs relating to system states
- F24F2140/60—Energy consumption
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
- F25B—REFRIGERATION MACHINES, PLANTS OR SYSTEMS; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS
- F25B2500/00—Problems to be solved
- F25B2500/19—Calculation of parameters
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
- F25B—REFRIGERATION MACHINES, PLANTS OR SYSTEMS; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS
- F25B2700/00—Sensing or detecting of parameters; Sensors therefor
- F25B2700/15—Power, e.g. by voltage or current
Abstract
提供了一种空调。该空调包括:显示器;存储器,被配置为存储根据室外温度将室内升高或降低单位温度所需的功耗信息和时间信息;传感器;以及处理器,被配置为基于输入的期望温度,基于存储在存储器中的信息来预测使室内温度达到通过传感器的期望温度所需的功耗和时间中的至少一个,并通过显示器提供预测的功耗和时间中的至少一个。
Description
技术领域
本公开涉及一种空调和控制方法。更具体地,本公开涉及一种用于提供关于室内温度和期望温度的信息的空调及其控制方法。
此外,本公开涉及一种人工智能(AI)系统及其应用,其使用机器学习算法来模拟人脑的诸如识别和判断的功能。
背景技术
近年来,实现人工智能的AI系统已经在各个领域中使用。与现有的基于规则的智能系统不同,人工智能系统是机器学习、判断和变得智能的系统。随着AI系统的使用改进识别率和更准确地理解用户的品味,基于深度学习的人工智能系统逐渐取代了现有的基于规则的智能系统。
AI技术由机器学习(例如,深度学习)和利用机器学习的元素技术组成。
机器学习是一种自己对输入数据的特性进行分类/学习的算法技术。元素技术是一种使用诸如深度学习的机器学习算法来模拟人脑的诸如识别和判断的功能的技术。机器学习由诸如语言理解、视觉理解、推理/预测、知识表示、运动控制等的技术领域组成。
应用AI技术的各个领域如下。语言理解是一种用于识别、应用/处理人类语言/字符的技术,包括自然语言处理、机器翻译、对话系统、问题与答案、语音识别/合成等。视觉理解是用于将对象识别并处理为人类视觉的技术,包括对象识别、对象跟踪、图像搜索、人类识别、场景理解、空间理解、图像增强等。推理预测是一种用于判断和逻辑推理以及预测信息的技术,包括基于知识/概率的推理、优化预测、基于偏好的计划和推荐。知识表示是一种将人类经验信息自动化为知识数据的技术,包括知识构建(数据生成/分类)和知识管理(数据利用)。运动控制是用于控制车辆的自主行驶和机器人的运动的技术,包括运动控制(导航、碰撞、驾驶)、操作控制(行为控制)等。
近年来,通过控制室内空间的温度、湿度、清洁度和空气流量来维持舒适的室内环境的空调已被广泛使用。
当空调的操作终止时,空调仅向用户提供关于当前室内温度和期望温度的信息以及该时间下的累积使用量的信息。
因此,存在一个问题,即用户在驱动空调的初始阶段不能确认有关室内温度达到期望温度所需的时间或功耗量的信息。
因此,用户只能根据直接感测的温度变化或通过空调的显示器提供的室内温度的变化来调节期望的温度。因此,存在空调的功耗过大的问题。
以上信息仅作为背景信息呈现,以帮助理解本公开。关于以上内容中的任何内容是否可以用作关于本公开的现有技术,没有确定,也没有断言。
发明内容
技术问题
-
问题的解决方案
本公开内容的方面在于至少解决上述问题和/或缺点,并至少提供下述优点。因此,本公开的一方面在于提供一种电子设备,其向用户提供关于室内温度达到期望温度所需的时间和功率的信息及其控制方法。
本公开的另一方面在于提供一种空调,其包括:显示器;存储器,被配置为存储根据室外温度将室内温度升高或降低单位温度所需的功耗信息和时间信息;传感器;以及处理器,被配置为基于所输入的期望温度,基于存储在存储器中的信息来预测使通过传感器的室内温度达到期望温度所需的功耗和时间中的至少一个,并通过显示器提供预测的功耗和时间中的至少一个。
另外的方面将在下面的描述中部分地阐述,并且部分地从描述中将是显而易见的,或者可以通过实践所呈现的实施例而获知。
根据本公开的一方面,提供了一种空调。空调包括通信单元,并且处理器可以通过通信单元接收关于其中布置有空调的区域的室外温度的信息,并且基于接收的室外温度和感测的室内温度预测达到期望温度所需的功耗和时间中的至少一个。
处理器可以基于通过传感器感测的室内温度升高或降低预设的单位温度,获得空调使得室内温度升高或降低单位温度消耗的功耗和所需的时间,并基于获得的功耗和所需的时间中的至少一个更新存储的信息。
处理器可以基于获得的功耗和所需的时间来预测其中布置有空调的室内环境,获得与预测的室内环境相对应的功耗信息和时间信息,并将其存储在存储器中,其中室内环境可以包括其中布置有空调的室内空间的大小、照明度和湿度中的至少一个。
处理器可以基于通过传感器感测的室内温度升高或降低预定单位温度,获得空调升高或降低室内温度所消耗的功耗和所需的时间,比较获得的功耗和所需的时间中的至少一个与存储的功耗信息和时间信息中的至少一个,并根据比较结果提供反馈。
处理器可以基于超过预定误差范围的比较结果,提供关于其中布置有空调的室内环境的引导。
存储器可以存储使用历史,该使用历史包括通过感测的室内温度和期望温度的空调的操作模式中的至少一种,并且其中,处理器可以基于使用历史来获得用户的优选模式和优选温度,并预测在优选模式下感测的室内温度达到优选温度所需的功耗和时间中的至少一个。
处理器可以基于当前时间获得用户在当前时间的优选模式和优选温度。
处理器可以通过人工智能(AI)模型预测功耗和时间中的至少一个,其中AI模型是基于功耗信息、时间信息以及布置有空调的室内环境中的至少一个而学习的模型,并且其中室内环境可以包括布置有空调的室内空间的大小、照明度和湿度中的至少一个。
如果感测的室内温度与期望温度之间的差大于或等于预定值,则处理器可以将空调设置为第一模式,并基于第一模式中的空调功能预测感测的室内温度达到期望温度所需的功耗和时间中的至少一个,并且如果感测的室内温度和期望温度之间的差小于预定值,则处理器可以将空调设置为第二模式,并基于第二模式下的空调功能预测感测的室内温度达到期望温度所需的功耗和时间中的至少一个。
处理器可以基于感测的室内温度达到期望温度,通过显示器提供累积的功耗。
根据本公开的另一方面,提供了一种空调的控制方法。其中根据室外温度将室内温度升高或降低单位温度所需的功耗信息和时间信息的空调的控制方法包括:基于输入的期望温度来感测室内温度;基于存储在存储器中的信息,预测使通过传感器的室内温度达到期望温度所需的功耗和时间中的至少一个;以及输出预测的消耗功率和时间中的至少一个。
该方法可以包括接收关于其中布置有空调的区域的室外温度的信息,其中,预测可以包括基于接收的室外温度和感测的室内温度,预测达到期望温度所需的功耗和时间中的至少一个。
该方法可以包括:基于通过传感器感测的室内温度升高或降低预设的单位温度,获得由空调消耗的功耗和所需的时间,以使得室内温度升高或降低单位温度,并且基于获得的功耗和所需的时间中的至少一个来更新存储的信息。
该方法可以包括:基于获得的功耗和所需的时间来预测其中布置有空调的室内环境;获得与预测的室内环境相对应的功耗信息和时间信息;以及存储所述功耗信息和时间信息,其中室内环境可以包括其中布置有空调的室内空间的大小、照明度和湿度中的至少一个。
该方法可以包括:基于通过传感器感测的室内温度升高或降低预定单位温度,获得空调升高或降低室内温度所消耗的功耗和所需的时间;将获得的功耗和所需的时间中至少一个与存储的功耗信息和时间信息中的至少一个进行比较;以及根据比较结果提供反馈。
该方法可以包括基于超过预定误差范围的比较结果,提供关于空调所位于的室内环境的引导。
存储器可以存储使用历史,该使用历史包括通过感测的室内温度和期望温度的空调的操作模式中的至少一种,并且该方法可以进一步包括基于使用历史获得用户的优选模式和优选温度,并且预测可以包括预测感测的室内温度在优选模式下达到优选温度所需的功耗和时间中的至少一个。
获得可以包括基于当前时间,获得用户在当前时间的优选的优选模式和优选温度。
预测可以包括通过AI模型预测功耗和时间中的至少一个,其中AI模型是基于功耗信息、时间信息和其中布置有空调的室内环境的至少一个而学习的模型,并且其中室内环境可以包括其中布置有空调的室内空间的大小、照明度和湿度中的至少一个。
根据如上所述的各种实施例,可以向用户提供信息,以在空调的驱动的早期阶段预测室内环境达到舒适环境之前的剩余时间或估计的功耗。
根据下面的详细描述,本公开的其他方面、优点和显著特征对于本领域技术人员将变得显而易见,下面的详细描述结合附图公开了本公开的各种实施例。
本发明的有益效果
-
附图说明
通过结合附图进行以下描述,本公开的某些实施例的上述和其他方面、特征和优点将变得更加明显,其中:
图1是描述根据本公开的实施例的空调的框图;
图2是描述根据本公开的实施例的用于预测功耗和所需的时间的方法的流程图;
图3是描述根据本公开的实施例的预测功耗和所需的时间的视图;
图4A是描述根据本公开的实施例的获得关于功耗和所需的时间的信息的方法的视图;
图4B是描述根据本公开的实施例的关于功耗和所需的时间的信息的视图;
图5是描述根据本公开的另一实施例的通过空调获得的信息的视图;
图6是描述根据本公开的实施例的空调的操作模式的视图;
图7是描述根据本公开的实施例的空调的推荐温度的视图;
图8是描述根据本公开的实施例的空调的推荐模式的视图;
图9是描述根据本公开的实施例的空调的控制方法的流程图;
图10是示出根据本公开的实施例的用于学习和使用人工智能(AI)模型的空调的配置的框图;
图11A是根据本公开的各种实施例的学习单元和确定单元的框图;以及
图11B是示出根据本公开的实施例的通过联动空调和外部服务器来学习和确定数据的示例的视图;
在所有附图中,相似的附图标记将被理解为指代相似的部件、组件和结构。
具体实施方式
-
实施例
提供以下参考附图的描述以帮助全面理解由权利要求及其等同物所限定的本公开的各种实施例。其包括各种具体细节以帮助理解,但是这些具体细节仅被认为是示例性的。因此,本领域普通技术人员将认识到,在不脱离本公开的范围和精神的情况下,可以对本文所述的各种实施例进行各种改变和修改。另外,为了清楚和简洁,可以省略对公知功能和构造的描述。
在以下描述和权利要求中使用的术语和词语不限于书面含义,而是仅由发明人用来使对本公开的清楚和一致的理解成为可能。因此,对于本领域技术人员而言显而易见的是,提供本公开的各种实施例的以下描述仅出于说明的目的,而并非出于限制由所附权利要求及其等同物所限定的本公开的目的。
应当理解,单数形式的“一”、“一个”和“该”包括复数对象,除非上下文另有明确规定。因此,例如,提及“组件表面”包括提及一个或多个这样的表面。
由于实施例可以具有各种修改和几个示例,因此某些实施例将在附图中进行示例并且在其描述中进行详细描述。然而,这不一定将实施例的范围限制为特定的实施例形式。相反,可以采用包括在本说明书的公开概念和技术范围中的修改、等同物和替换。在描述实施例时,如果确定关于已知技术的具体描述使本公开的主旨不清楚,则省略具体描述。
在本公开中,诸如第一和第二等的关系术语可以用于区分一个实体与另一实体,而不必暗示这些实体之间的任何实际关系或顺序。在本公开的实施例中,诸如第一和第二等的关系术语可以用于区分一个实体与另一实体,而不必暗示这些实体之间的任何实际关系或顺序。
本说明书中的术语“包括”、“包含”,“被配置为”等用于指示存在特征、数量、操作、元件、组件或其组合,并且它们不应该排除一个或多个特征、数量、操作,元件、组件或其组合的组合或添加的可能性。
根据实施例,“模块”或“单元”执行至少一个功能或操作,并且可以被实现为硬件或软件,或者硬件和软件的组合。另外,多个“模块”或多个“单元”可以集成到至少一个模块中,并且可以实现为至少一个处理器,除了应该在特定硬件中实现的“模块”或“单元”之外。
图1是描述根据本公开的实施例的空调的框图。
参考图1,空调100包括传感器110、存储单元120、显示器130和处理器140。
根据本公开的实施例的空调100是空调,这意味着通过制热、制冷、湿度控制、加湿、通风等来保持房间舒适的各种类型的设备。例如,空调100可以被实现为可以用作制热器的空调设备、能够制热和制冷两者的空调。然而,本公开不限于此,并且空调100可以由能够升高或降低室内温度的各种类型的装置来实现,并且本公开可以应用于仅能够制冷或制热的装置。在下文中,为了便于说明,假定空调100是能够同时进行制冷和制热的空调。
根据本公开的实施例的空调100可以包括室内单元和室外单元。室内单元与室外单元连接,室内单元通过配管(piping)与室外单元交换冷媒。包括室内单元和室外单元的空调100可以包括各种操作模式,诸如用于降低室内空气温度的制冷、用于升高室内空气温度的制热、用于在房间中形成气流的通风以及用于降低室内湿度的除湿等。稍后将描述空调100的操作模式。
根据本公开的实施例的室外单元与外部空气交换热量。室外单元可以通过制冷循环与外部空气交换热量,该制冷循环通过冷媒将传送自室内单元的热量排放到外部,或者可以通过制热循环与外部空气交换热量,在制热循环中,从外部吸收的热量被冷媒吸收。室外单元包括用于压缩冷媒的压缩机。压缩机可以以恒速类型、步进类型(或双功率制冷系统(TPS))和逆变器类型中的任何一种来实现。恒速类型是根据制冷/制热负荷来控制压缩机的驱动开/关的类型。步进类型包括多个压缩机,并根据制冷/制热负荷控制要驱动的压缩机的数量。逆变器类型是根据制冷/制热负荷线性增加或减少压缩机的驱动能力的控制类型。
传感器110可以感测空调100的环境空气信息。这里,环境空气信息可以包括诸如室内温度、室内湿度、室内空气量等的各种信息,作为与其中布置有空调100的室内空气有关的信息。然而,本公开不限于此,传感器110可以设置在室内单元中以感测室内温度,并且可以设置在室外单元中以感测室外温度。传感器110可以包括用于感测温度的温度传感器、用于感测房间的风速的空气速度传感器、用于感测空气的湿度的湿度传感器等。
存储单元120可以存储根据室外温度升高或降低室内温度单位温度所需的功耗信息和时间信息。
这里,室外温度是指布置有空调100的区域的室外空气温度。例如,室外温度可以指通过包括在空调100中的室外单元感测的初始温度。作为另一个示例,当然可以从服务器接收关于其中布置有空调100的区域的室外温度的信息。根据室外温度,关于将室内温度升高和降低单位温度所需的功耗和时间的信息不同,并且存储单元120可以存储通过室外温度将室内温度升高和降低单位温度所需的功耗和时间的信息。例如,存储单元120可以存储关于当室外温度为30摄氏度并且室内温度为29摄氏度,并且当室外温度为35摄氏度并且室内温度为29摄氏度时将室内温度降低1摄氏度的功耗和时间的信息。
根据实施例的存储单元120可以根据操作模式、室外温度、室内湿度和其中布置空调100的空间的大小来存储将室内温度升高和降低单位温度所需的功耗信息和时间信息。
根据本公开的实施例的存储单元120可以存储用户的使用历史。例如,存储单元120可以存储使用历史,该使用历史包括用户设置的空调100的操作模式和期望温度中的至少一种。这里,期望温度是指通过操作空调100而达到的室内温度,可以称为设置温度。
具体地,根据实施例的存储单元120可以存储空调100的操作模式和通过室内温度通过传感器110感测的期望温度中的至少一个作为使用历史。由于用户设置的操作模式和期望温度可以根据室内温度而不同,因此可以根据室内温度来存储操作模式和期望温度。例如,空调100可以将诸如操作模式下的25摄氏度的室内温度下的除湿模式和24摄氏度作为期望温度的用户的使用历史存储在存储单元120中。
显示器130可以用各种类型的显示器来实现,诸如有机发光二极管(OLED)、七段显示器等。
根据本公开的实施例的显示器130可以显示关于空调100的各种信息。具体地,显示器130可以显示环境空气信息和空调100的操作状态中的至少一个,诸如室外温度、室内温度、期望温度和操作模式。
具体地,显示器130可以显示室内温度达到期望温度所需的功耗和时间。将在处理器140中给出其详细描述。
处理器140整体上控制空调100的操作。
根据一个实施例,处理器140可以被实现为数字信号处理器(DSP)、微处理器、时间控制器(TCON)等。然而,本公开不限于此,并且可以包括或被定义为中央处理单元(CPU)、微控制器单元(MCU)、微处理单元(MPU)、控制器、应用处理器(AP)、通信处理器(CP)和ARM处理器。处理器140可以被实现为片上系统(SoC)、具有内置处理算法的大规模集成(LSI)或现场可编程门阵列(FPGA)。
当输入期望温度时,基于存储在存储单元120中的信息,处理器140可以预测感测的室内温度达到期望温度所需的功耗和时间中的至少一个。例如,当室外温度为33摄氏度时,处理器140可以预测在感测的30摄氏度的室内温度下室内温度达到20摄氏度的期望温度所需的功耗和时间。
根据本公开的实施例的处理器140可以基于存储在存储单元120中的信息,预测通过学习的人工智能(AI)模型的、感测的室内温度达到期望温度所需的功耗和时间中的至少一个。这里,AI模型可以存在于空调100中,但也可以仅通过实施例的方式存在于外部服务器中,并且,空调100可以将期望的温度发送到外部服务器,使用AI模型预测室内温度达到期望温度所需的功耗和时间中的至少一个,并且空调100可以从外部服务器接收功耗和时间中的至少一个。
根据本公开的实施例的AI模型可以是被学习以使用空调100将室内温度升高单位温度所需的功率和时间以及其中布置有空调100的室内环境作为输入数据,来预测使得室内温度达到期望温度所需的功耗和时间中的至少一个的模型。这里,室内环境可以包括其中布置有空调的室内空间的大小、照明度和湿度中的至少一个。
根据实施例的AI模型可以通过关于由空调100的操作获得的功耗和所需的时间的信息来重新学习。
根据本公开的实施例的处理器140可以通过显示器130提供预测的功耗和时间。因此,处理器140可以向用户提供直到室内温度达到期望温度所预期的空调100消耗的功率和时间,。
当传感器110感测到室内温度要升高或降低预定单位温度时,处理器140可以识别空调100将室内温度升高或降低单位温度所需的功率和时间。例如,如果室内温度从29摄氏度降低到28摄氏度,则可以识别空调100将室内温度降低1摄氏度所需的功率和时间。
根据本公开的实施例的处理器140在室外温度为35摄氏度和室外温度为28摄氏度时,将室内温度降低1摄氏度所需的功率和时间有所不同,并且因此,处理器可以识别将室内温度升高或降低单位温度所消耗的功率和时间。
处理器140可以基于识别的功耗和所需的时间中的至少一个来更新存储在存储单元120中的信息。
根据本公开的实施例的处理器140可以根据空调100的操作来识别将室内温度降低预定单位温度所需的时间,并且更新预先存储在存储单元120中的时间信息。
作为另一示例,处理器140可以根据空调100的操作来识别室内温度降低预定单位温度的消耗功率,并且基于识别的信息更新关于预先存储在存储单元120中的功耗的信息。
可以基于更新的信息来重新学习根据本公开的实施例的AI模型。稍后将参考附图详细描述AI模型的重新学习的过程。
根据实施例的处理器140,当通过传感器110感测的室内温度升高或降低预定单位温度时,可以识别为了将室内温度升高或降低单位温度、空调100的消耗功率以及所需的时间,并且处理器140基于识别的功耗和所需的时间,可以预测布置有空调的室内环境。例如,当室外温度为35摄氏度时,处理器140基于将室内温度从28摄氏度降低至27摄氏度的功耗和所需的时间,可以预测其中布置有空调100的室内环境。这里,室内环境可以包括室内空间的大小、照明度和湿度中的至少一个。
将室内温度降低1摄氏度所需的功率和时间可能因空间大小而异。例如,空间的尺寸越大,所需的功率和时间相对增加越大,空间的尺寸越小,所需的功率和时间将减少越小。基于识别的功耗和所需的时间,处理器140可以预测室内空间的大小。
根据实施例的处理器140可以获得与预测的室内环境相对应的功耗信息和时间信息,并将该信息存储在存储单元120中。根据本公开的实施例的AI模型可以是基于功耗信息、时间信息和室内环境进行学习的模型。作为另一示例,当获得了与预测的室内环境相对应的功耗信息和时间信息时,可以基于获得的信息来重新学习AI模型。
根据实施例的处理器140可以基于考虑到室内环境的功耗信息和时间信息,通过重新学习的AI模型来预测室内温度达到期望温度所需的功耗和时间中的至少一个。因此,可以通过显示器110提供相对准确地预测的功耗和时间。
根据本公开的实施例的处理器140可以将获得的功耗和所需的时间中的至少一个与存储在存储单元120中的功耗信息和时间信息中的至少一个进行比较,并根据比较结果提供反馈。
具体地,处理器140可以识别比较结果是否超出预定的误差范围。例如,假定当室外温度为35摄氏度时,如果室内温度从28摄氏度降低到27摄氏度,并且所需的时间为180秒,并且根据存储在存储单元120中的时间信息,时间信息为90秒。因为处理器140已经花费了大约两倍的时间来将室内温度降低1摄氏度,所以比较结果可以被识别为超出了预定的误差范围。
根据实施例的处理器140可以使用AI模型来重新预测功耗信息和时间信息中的至少一个。实际上,如果降低室内温度所花费的时间与预测时间之间的差较大,则处理器140可以预测时间信息并提供预测的时间信息。这里,处理器140可以再次感测室外温度和室内温度中的至少一个,并且基于感测的室外温度和室内温度通过AI模型重新预测时间信息。
作为另一示例,如果比较结果被识别为超过预定误差范围,则处理器140可以对空调100所位于的室内环境提供引导。例如,对室内环境的引导可以包括诸如“确保窗户打开”和“用窗帘悬挂窗户以控制照明”的短语。如果识别出根据外部空气流入而升高或降低室内温度所消耗的功耗和所需的时间中的至少一个增加大于或等于预设的误差范围,则可以提供诸如“请检查窗户是否是打开的”的引导。
根据本公开的实施例的处理器140可以基于存储在存储单元120中的使用历史来获取用户的优选模式和优选温度。处理器140可以预测在优选模式下室内温度达到优选温度所需的功耗和时间。例如,处理器140可以根据用户的使用历史分别在优选模式和优选温度下分别获得除湿模式和21摄氏度的温度。处理器140可以预测在除湿模式下室内温度达到21摄氏度所需的功耗和时间。
根据空调100的操作模式将室内温度升高和降低单位温度所需的功耗和时间是不同的。处理器140基于操作模式可以预测功耗和所需的时间,以使室内温度达到期望温度或优选温度。
根据本公开的实施例的使用历史还可包括当空调100操作时的时间信息。处理器140可以基于当前时间获得用户在当前时间的优选模式和优选温度。例如,处理器140可以在下午1:00分别关于用户的优选模式和优选温度而获取“快速制冷”和“20摄氏度”,并且在晚上11:00分别获取“省电模式”和“22摄氏度”。”处理器140可以分别以基于当前时间获得的优选模式和优选温度作为操作模式和期望温度进行操作,并预测似的室内温度在优选模式下达到优选温度的功耗和所需的时间,。
如果当前时间在预定时间范围内,则根据本公开的另一实施例的处理器140可以将空调100设置为针对当前时间优化的模式。例如,可以针对每个时区预设空调100的优化的模式。处理器140可以将与当前时间相对应的优化模式设置为操作模式。
根据一个实施例,睡眠模式、热带夜晚的宜人的睡眠模式和省电模式中的至少一个可以在从晚上10:00到第二天上午6:00的时区中被预设为优化的模式。如果当前时间在从晚上10点到早上6点的时间范围内,则处理器140可以将睡眠模式、和省电模式中的至少一种设置为空调100的操作模式。
如果感测的室内温度与期望温度之间的差等于或大于预设值,则根据本公开的实施例的处理器140可以将空调设置为第一模式,并且如果该差小于预设值,则可以将空调设置为第二模式。例如,如果室内温度和期望温度之间的差是3摄氏度或更多,则处理器140可以设置快速制冷模式。作为另一示例,如果室内温度与期望温度之间的差小于3摄氏度,则处理器140可以设置省电模式。
根据一个实施例,处理器140可以基于设置模式下的空调性能来估计感测的室内温度达到期望温度所需的功耗和时间。例如,空调100的空调性能可能从一种操作模式到另一种操作模式而不同。由于快速制冷模式下的风强度和除湿性能与省电模式下的风强度和除湿性能不同,因此处理器140可以考虑与模式相对应的空调性能来预测功耗和时间。当空调100被设置为第一模式时,处理器140可以基于第一模式的空调性能来估计功耗和时间,并且当空调100被设置为第二模式时,可以基于第二模式的空调功能预测功耗和时间。
根据实施例的处理器140,如果通过传感器感测的室内温度达到期望温度,则可以通过显示器130提供累积的功耗。
根据本公开的实施例的空调100可以包括通信单元(未示出)。通信单元被配置为根据各种类型的通信方法与各种类型的外部设备进行通信。通信单元包括Wi-Fi芯片、蓝牙芯片、无线通信芯片、近场通信(NFC)芯片等。
具体地,通信单元可以通过执行与服务器的通信来接收关于布置有空调100的区域的室外信息的信息。
根据实施例的通信单元可以与服务器通信以接收功耗信息和时间信息。例如,如果功耗信息和时间信息没有存储在存储单元120中,则处理器140可以通过通信单元从服务器接收功耗信息和时间信息,并且基于接收的信息预测功耗和时间。然而,本公开不限于此,并且处理器140可以从通信单元接收通过操作模式、室外温度、室内湿度和布置有空调100的空间的大小的、来将布置有空调100的空间的室内温度升高和降低单位温度所需的功耗信息和时间。
作为另一示例,空调100可以从服务器接收AI模型。这里,AI模型可以是基于通过空调100的操作模式,室外温度,室内湿度和布置有空调100的空间的尺寸、来使室内温度升高和降低单位温度所需的功耗信息和时间信息而学习的模型。空调100可以使用接收的AI模型来预测所需的功耗和时间中的至少一个,以使室内温度达到期望温度。
通信单元分别使用Wi-Fi方法和蓝牙方法执行通信。当使用Wi-Fi芯片或蓝牙芯片时,可以首先发送和接收诸如服务集识别符(SSID)和会话密钥的各种连接信息,并且可以使用通信信息来发送和接收各种信息。无线通信芯片是指根据各种通信标准(诸如,IEEE、zigbee、第三代(3G)、第三代合作伙伴计划(3GPP)、长期演进(LTE))执行通信的芯片。NFC芯片是指在诸如135kHz、13.56MHz、433MHz、860至960MHz、2.45GHz的各种射频识别(RF-ID)频带中使用13.56MHz频带以NFC模式操作的芯片。
根据另一实施例的空调100可以包括扬声器(未示出)。通过根据各种实施例的显示器130提供的预测的功耗和时间可以通过扬声器作为语音信号输出。
在上文中,已经描述了根据实施例的空调100降低室内温度,但是在相反的情况下在室内温度升高的情况下本公开的应用也是可用的。
AI模型是基于AI算法的学习的确定模型,例如,其可以是基于神经网络的模型。学习的AI模型可以包括多个加权网络节点,其可以被设计为在计算机上模拟人脑结构并模拟人类神经网络的神经元。多个网络节点可以各自建立连接关系,使得神经元模拟通过突触发送和接收信号的神经元的突触活动。而且,学习的AI模型可以包括例如神经网络模型或从神经网络模型开发的深度学习模型。在深度学习模型中,多个网络节点位于不同的深度(或层),并且可以根据卷积连接关系来发送和接收数据。学习的确定模型的示例包括但不限于深度神经网络(DNN)、递归神经网络(RNN)和双向递归深度神经网络(BRDNN)。
此外,空调100可以使用AI专用程序(或AI代理)来预测对于期望温度所需的功耗和时间中的至少一个。此时,AI专用程序是用于提供基于AI的服务的专用程序,并且可以由通用处理器(例如,CPU)或单独的AI专用处理器(例如,图形处理单元(GPU)等)执行。
具体地,当输入预定的用户输入或空调100上设置的按钮(例如,请求提供估计的功耗、期望的时间等的按钮,用于执行AI代理的按钮)被按下或输入期望温度时,AI代理可以操作(或运行)。另外,AI代理可以将输入的期望温度发送到外部服务器,并且输出从外部服务器接收的估计功耗和估计时间中的至少一个。
图2是描述根据本公开的实施例的用于预测功耗和所需的时间的方法的流程图。
参考图2,在操作S210中,空调100可以感测室内温度、室外温度、功耗等。然而,本公开不限于此,并且不用说,还可以从服务器接收关于布置有空调100的区域的室外温度的信息。
在操作S220中,基于功耗信息和时间信息,空调100可以预测使得室内温度达到期望温度所需的功耗和时间。
然后,在操作S230中,空调100可以提供预测的功耗和时间。可以通过显示器提供根据实施例的预测的功耗和时间。然而,本公开不限于此,并且空调100可以通过扬声器输出声音。
图3是描述根据本公开的实施例的预测的功耗和所需的时间的视图。
参考图3,当室内温度10为24摄氏度时,可以显示直到室内温度10达到期望温度20(22摄氏度)为止的估计时间30和估计功耗40。
由于向用户提供了使室内温度10达到期望温度20所需的估计时间30和估计功耗40,因此可以选择适合于当前室内温度10和期望温度20的操作模式。可以有效地管理空调100的功耗。
图4A是描述根据本公开的实施例的获得关于功耗和所需的时间的信息的方法的视图。
参考图4A,当感测的室内温度升高或降低预设的单位温度时,空调100可获得空调将室内温度升高或降低单位温度所消耗的所需的时间和功耗。
例如,当室外温度为30摄氏度,室内温度从29摄氏度降低到28摄氏度时,可以获得空调100消耗的功率(瓦时(Whr)/摄氏度)和所需的时间(秒(sec)/摄氏度)。空调100可以存储获得的功耗和所需的时间。
图4B是描述根据本公开的实施例的关于功耗和所需的时间的信息的视图。
参考图4B,空调100存储包括根据室外温度将室内温度升高和降低单位温度所需的功耗信息和时间信息的表。
例如,可以知道需要90秒的时间和114Whr的功率,使得在室外温度为35摄氏度时,室内温度从24摄氏度降低到23摄氏度。
当检测到室内温度的升高或降低时,根据本公开的实施例的空调100可以获取空调100将室内温度升高或降低单位温度所消耗的功率以及所需的时间。空调100可以基于获得的功耗和所需的时间更新图4B所示的表。此外,如上所述,可以通过使用更新的表作为输入数据来重新学习AI模型。
根据本公开的实施例的空调100可以基于图4B所示的表来预测室内温度达到期望温度所需的功耗和时间。例如,如果室外温度是29摄氏度,室内温度是29摄氏度,并且期望温度是24摄氏度,则空调100可以基于以下等式1预测所需的时间。
583(秒)=135(秒/摄氏度)*1(摄氏度)+102(秒/摄氏度)*2(摄氏度)+122(秒/摄氏度)*2(摄氏度)
……等式1
根据实施例的空调100可以估计达到583秒的所需的时间,即,室内温度从29摄氏度达到24摄氏度所需的时间为9分钟42秒。
根据本公开的实施例的空调100可以存储图4B所示的表,但是本公开不限于此。例如,如图4A所示,当通过传感器110感测到室内温度的升高/降低时,空调100可以获取室内温度升高/降低单位温度所消耗的功率和所花费的时间。不用说,可以基于获得的功耗和所需的时间来生成、改进或更新图4B所示的表。
作为另一示例,空调100可以从服务器(未示出)接收并存储功耗信息和时间信息。空调100可以从服务器接收根据空调100的操作模式、室外温度、室内湿度和室内空间将室内温度升高或降低单位温度所需的功耗信息和时间信息。
不用说,根据本公开的空调100可以预测功耗。例如,如果室外温度是29摄氏度,室内温度是29摄氏度,并且期望温度是24摄氏度,则空调100可以基于以下等式2来预测功耗。
570(Whr)=114(Whr/摄氏度)*1(摄氏度)+114(Whr/摄氏度)*2(摄氏度)+114(Whr/摄氏度)*2(摄氏度)
……等式2
根据实施例的空调100可以将570(Whr)预测为功耗,即,当室内温度从29摄氏度达到24摄氏度时,将570(Whr)作为功耗。
与图4B中所示的功耗信息和时间信息相对应的数字是一个实施例,但是本公开不限于此。空调100可以包括多个表,该表包括与诸如室内空间的大小、室内湿度、室内空间的照明程度、空调100的操作模式等的各种标准相对应的功耗信息和时间信息。功耗信息和时间信息可以通过实验获得并在制造空调100时被存储,并且可以被从服务器接收。然而,本公开不限于此,并且不用说,可以基于感测的、在空调100的操作期间所需的功耗和时间来获得本公开。
图5是描述由根据本公开的实施例的空调获得的信息的视图。
参考图5,根据另一实施例的空调100除了感测如图4A所示的功耗和所需的时间之外还可以感测各种信息,并将感测的信息存储为使用历史。
例如,空调100可以另外感测室内温度、室内湿度、关于布置有空调100的区域的信息、室外温度、室外湿度、当前模式、当前时间、以及室内温度与期望温度之间的差(室内温度-期望温度)中的至少一个。
除了室外温度和室内温度之外,根据诸如室内湿度、室外湿度、空调100的当前模式(操作模式)的各种变量,将室内温度升高或降低单位温度的功耗和所需的时间可以不同。根据实施例的空调100可以感测各种室内环境,诸如操作模式、湿度和空间的大小,并获得空调100消耗的功耗和所需的时间,使得在操作模式或感测的室内环境下室内温度升高或降低单位温度。
根据实施例的空调100可以生成对应于操作模式和室内环境中的每一个的多个表。空调100可以基于与操作模式和室内环境相对应的表中包括的功耗信息和时间信息,通过学习的AI模型来预测室内温度达到期望温度所需的功耗和时间。
具体地,根据本公开的实施例的空调100可以存储使用历史,该使用历史包括感测的每个室内温度下的空调的操作模式和期望温度。空调100可以基于使用历史来获得用户的优选模式和优选温度,并预测室内温度在优选模式下达到优选温度所需的功耗和时间。
图6是描述根据本公开的实施例的空调的操作模式的视图。
参考图6,空调100可以根据室内温度和期望温度之间的差(室内温度-期望温度)来设置空调100的操作模式。
例如,空调100可以预测室内温度在t1达到期望温度所需的功耗和时间,并提供预测的功耗和时间。
如果在t1感测的室内温度与期望温度之间的差等于或大于预设值((室内温度-期望温度)≥a摄氏度),则根据本公开的实施例的空调100可以将空调设置为第一模式,并且预测室内温度达到所需的功耗和时间。例如,当室内温度与期望温度之间的差较大时,空调100可以通过设置在多个操作模式当中具有相对优良的空调性能的操作模式来执行制冷。空调性能越好,功耗可能越高,但是优点是减少了室内温度达到期望温度所需的时间。
当在t2感测的室内温度与期望温度之间的差小于预设值((室内温度期望温度)<a摄氏度)时,根据本公开的实施例的空调100将空调设置为第二模式,并基于第二模式下的空调性能预测室内温度达到期望温度所需的功耗和时间。例如,当室内温度与期望温度之间的差不大时,空调100可以设置除湿模式、省电模式、无风模式等。空调100可以通过切换到这样的模式来执行制冷:在室内温度达到期望温度的时间相对较低的同时室内温度相对升高。
由于室内温度在t3和t4处达到期望温度,因此根据本公开的实施例的空调100可以通过显示器提供累积功耗和累积使用时间中的至少一个。
图7是描述根据本公开的实施例的空调的推荐温度的视图。
参考图7,空调100可以基于使用历史来获取优选温度。例如,当根据使用历史的优选温度为22摄氏度时,可以显示22摄氏度的推荐温度50。
空调100可以估计24摄氏度的室内温度10达到22摄氏度的推荐温度50所需的功耗和时间,并且显示估计时间30和估计功耗40。
图8是描述根据本公开的实施例的空调的推荐模式的视图。
参考图8,空调100可以基于使用历史来获得优选模式。例如,如果根据使用历史的优选模式是“”,则可以在推荐模式60下显示“”。
空调100可以预测在推荐模式下直到室内温度10达到期望温度所需的功耗和时间,并显示估计时间30和估计功耗40。
根据实施例的空调100可以基于当前时间获取当前时间的优选模式和温度。例如,如果基于用户的使用历史,“智能舒适”处于从下午1:00到下午5:00的优选模式,并且当前时间包括在从下午1:00到下午5:00中,则空调100可以将“智能命令”设置为操作模式。
作为另一示例,当当前时间、外部温度和外部湿度中的至少一个在预定范围内时,可以将空调100设置为针对当前时间优化的模式。例如,如果当前时间是晚上10:00到早上6:00,则可以设置“热带夜晚的宜人的睡眠模式”。作为另一示例,如果外部湿度为70%以上,则可以设置“除湿模式”。
根据本公开的实施例的空调100可以基于室内温度与期望温度之间的差来设置操作模式。例如,如果室内温度和期望温度之间的差等于或大于预设值,则将空调100设置为第一模式,并且如果感测的室内温度和期望温度之间的差小于预定值,则可以将空调100设置为第二模式。
图9是描述根据本公开的实施例的空调的控制方法的流程图。
根据空调的控制方法,其中,根据图9所示的室外温度,将室内温度升高和降低单位温度所需的功耗信息和时间信息被存储,在操作S910中感测室内温度。
然后,当输入期望温度时,在操作S920中,预测使得感测的室内温度达到期望温度所需的功耗和时间中的至少一个。
然后,在操作S930中,输出预测的功耗和时间中的至少一个。
根据本公开的实施例的控制方法包括接收关于布置有空调的区域的室外温度的信息,并且预测步骤S920可以包括预测使得基于接收的室外温度和感测的室内温度达到期望温度所需的功耗和时间中的至少一个。
根据本公开的实施例的控制方法包括以下步骤:当感测的室内温度升高或降低预定单位温度并且室内温度升高或降低单位温度时,获取空调消耗的功率和所需的时间,并且基于获得的功耗和所需的时间中的至少一个来更新存储的信息。
根据实施例的控制方法包括以下步骤:基于获得的功耗和所需的时间来预测其中布置有空调的室内环境,获得并存储与预测的室内环境相对应的功耗信息和时间信息。这里,室内环境可以包括其中布置有空调的室内空间的大小、照明度和湿度中的至少一个。
根据本公开的另一方面,提供一种控制方法,该控制方法包括:当将感测的室内温度升高或降低预定单位温度时,获取空调消耗的功率和所需的时间,将获取的功耗和所需的时间中的至少一个与存储的功耗信息和时间信息中的至少一个进行比较,并根据比较结果提供反馈。
这里,根据实施例的控制方法还可以包括:如果比较结果超过预定误差范围,则向空调所位于的室内环境提供引导。
根据本公开的实施例的空调可以存储使用历史,该使用历史包括感测的每单位室内温度下的空调的操作模式和期望温度中的至少一个,并且根据实施例的控制方法还包括基于使用历史获取优选模式和优选温度,并且在S920中的预测操作可以包括预测在优选模式下对于感测的室内温度达到优选温度所需的功耗和时间中的至少一个。
这里,获取可以包括基于当前时间获取用户在当前时间当前优选的优选模式和优选温度。
此外,预测的操作可以包括通过AI模型预测功耗和时间中的至少一个,并且AI模型基于功耗信息、时间信息和其中布置有空调的室内环境中的至少一个。室内环境可以包括其中布置有空调的室内空间的大小、照明度和湿度中的至少一个。
根据实施例的控制方法可以包括:如果当前时间在预定时间范围内,则将空调设置为针对当前时间优化的模式。
图10是示出根据本公开的实施例的用于学习和使用AI模型的空调的配置的框图。
参考图10,空调100可以包括学习单元1010和确定单元1020中的至少一个。
学习单元1010可以使用学习数据来生成或学习具有用于预测空调100的功耗和时间的标准的AI模型。学习单元1010可以使用所收集的学习数据来生成具有确定标准的AI模型。
例如,学习单元1010可以利用根据室外温度将室内温度升高或降低单位温度所需的功耗和时间信息作为学习数据,来学习预测与期望温度相对应的功耗和时间中的至少一个。如果感测的室内温度升高或降低预定单位温度,则学习单元1010可以获取将室内温度升高或降低单位温度空调100所消耗的功率和所需的时间,并且基于空调100消耗的功率以及升高和降低室内温度所需的时间中的至少一个来生成、学习或更新AI模型。
确定单元1020可以使用预定数据作为学习的AI模型的输入数据,并预测功耗和时间中的至少一个。
例如,确定单元1020可以使用室外温度、室内温度和期望温度中的至少一个作为学习的AI模型的输入数据,并预测(或估计、推理)使得室内温度达到期望温度所需的功耗和时间中的至少一个。
作为本公开的实施例,学习单元1010和确定单元1020可以被包括在空调100中,但是这仅仅是示例并且可以被安装在外部服务器内部。
根据实施例的学习单元1010的至少一部分和确定单元1020的至少一部分可以以软件模块或以至少一个硬件芯片的形式实现并安装在空调100上。例如,学习单元1010和确定单元1020中的至少一个可以以用于AI的专用硬件芯片或通用处理器(例如,CPU或应用处理器)或仅图形处理器(例如,GPU)的形式制造,并且可以安装在上述各种电子设备上。此时,用于AI的专用硬件芯片是专门用于概率计算的专用处理器,并且它具有比通用处理器更高的并行处理性能,使得可以快速处理诸如机器学习的AI领域。当学习单元1010和确定单元1020由软件模块(或包括指令的程序模块)实现时,该软件模块可以存储在计算机可读非暂时性介质中。在这种情况下,软件模块可以由操作系统(OS)或预定的应用程序提供。可替代地,某些软件模块可以由OS提供,并且某些软件模块可以由某些应用程序提供。
图11A是根据本公开的实施例的学习单元和确定单元的框图。
参考图11A的(a),根据一些实施例的学习单元1010可以包括学习数据获得单元1010-1和模型学习单元1010-4。学习单元1010还可以选择性地包括学习数据预处理单元1010-2、学习数据选择单元1010-3和模型评估单元1010-5中的至少一个。
学习数据获得单元1010-1可以获取AI模型所需的学习数据,以用于预测所需的功耗和时间中的至少一个。在本公开的实施例中,随着室内温度升高或降低单位温度,学习数据获得单元1010-1可以获取空调100消耗的功率和所需的时间等作为学习数据。此外,学习数据获得单元1010-1可以获取使用历史等作为学习数据以用于获取用户的优选模式、优选温度等。学习数据可以是由学习单元1010或学习单元1010的制造商收集或测试的数据。
模型学习单元1010-4可以使用学习数据,使得AI模型具有用于预测功耗和所需的时间中的至少一个的标准。例如,模型学习单元1010-4可以使用至少一部分学习数据作为用于预测功耗和所需的时间中的至少一个的参考,通过监督学习来使AI模型学习。可替代地,模型学习单元1010-4可以使AI模型通过无监督的学习来学习,该无监督学习通过使用无监督学习的学习数据通过自学习找到预测功耗和所需的时间中的至少一个的标准。此外,模型学习单元1010-4可以使用例如关于基于学习的确定结果是否正确的反馈,通过强化学习来使AI模型学习。此外,模型学习单元1010-4可以使用例如包括误差反向传播方法或梯度下降的学习算法来使AI模型学习。
模型学习单元1010-4可以使用输入数据来学习关于哪个学习数据将被用于预测功耗和所需的时间中的至少一个的选择标准。
当预先存在多个AI模型时,模型学习单元1010-4可以将在输入学习数据和基本学习数据之间具有很大关系的AI模型确定为要学习的AI模型。在这种情况下,可以根据数据类型对基本学习数据进行预分类,并且可以针对每种数据类型预构建AI模型。例如,可以通过各种标准(诸如,生成学习数据的区域、生成学习数据的时间、学习数据的大小、学习数据的类型、学习数据的创建者、以及学习数据中对象的类型等)对基本学习数据进行预分类。
当学习了AI模型时,模型学习单元1010-4可以存储学习的AI模型。在这种情况下,模型学习单元1010-4可以将学习的AI模型存储在外部服务器的内存中。可替代地,模型学习单元1010-4可以将学习的AI模型存储在通过有线或无线网络连接到外部服务器的服务器或电子设备的内存中。
学习单元1010可以进一步包括学习数据预处理单元1010-2和学习数据选择单元1010-3,用于改进AI模型的确定结果或节省生成AI模型所需的资源或时间。
学习数据预处理单元1010-2可以对获取的数据进行预处理,使得获取的数据可以被用于学习以预测功耗和所需的时间中的至少一个。学习数据预处理单元1010-2可以将获取的数据处理成预定格式,使得模型学习单元1010-4可以使用获取的数据来预测功耗和所需的时间中的至少一个。
学习数据选择单元1010-3可以从由学习数据预处理单元1010-2预处理的数据中选择由学习数据获得单元1010-1获取的数据或学习所需的数据。所选择的学习数据可以被提供给模型学习单元1010-4。学习数据选择单元1010-3可以根据预定的选择标准从获取的或预处理的数据中选择学习所需的学习数据。学习数据选择单元1010-3还可以通过由模型学习单元1010-4的学习,根据预定的选择标准来选择学习数据。
为了改进AI模型的确定结果,学习单元1010还可以包括模型评估单元1010-5。
模型评估单元1010-5可以将评估数据输入到AI模型,并且当从评估数据输出的确定结果不满足预定标准时,可以使模型学习单元1010-4再次学习。在这种情况下,评估数据可以是用于评估AI模型的预定数据。
例如,模型评估单元1010-5可以从关于评估数据的学习的AI模型的确定结果中,确定当确定结果不正确的评估数据的数量w或比率超过预设阈值时,不满足预定标准。
当存在多个学习的AI模型时,模型评估单元1010-5可以评估每个学习的AI模型是否满足预定标准,并将满足预定标准的模型确定为最终AI模型。在这种情况下,当存在满足预定标准的多个模型时,模型评估单元1010-5可以将以评估得分的降序预设的任何一个或预定数量的模型确定为最终AI模型。
参考图11A的(b),根据一些实施例的确定单元1020可以包括输入数据获得单元1020-1和确定结果提供单元1020-4。
确定单元1020还可以选择性地包括输入数据预处理单元1020-2、输入数据选择单元1020-3和模型更新单元1020-5中的至少一个。
输入数据获得单元1020-1可以获得用于预测功耗和所需的时间中的至少一个所需的数据。作为确定的结果,确定结果提供单元1020-4可以通过将由输入数据获得单元1020-1获得的输入数据应用于学习的AI模型来估计所需的功耗和时间中的至少一个作为输入值。作为确定的结果,确定结果提供单元1020-4可以将稍后将描述的,由输入数据预处理单元1020-2或输入数据选择单元1020-3选择的数据应用于AI模型,以获得确定结果。
在一个实施例中,作为确定的结果,确定结果提供单元1020-4可以将学习的AI模型应用于由输入数据获得单元-1020-1获得的室外温度、室内温度和期望温度,并预测使得室内温度达到期望温度所需的功耗和时间中的至少一个。
确定单元1020还可以包括输入数据预处理单元1020-2和输入数据选择单元1020-3,以便改进AI模型的确定结果或节省用于提供确定结果的资源或时间。
输入数据预处理单元1020-2可以对获取的数据进行预处理,使得获取的数据可以用于预测功耗和所需的时间中的至少一个。作为确定的结果,输入数据预处理单元1020-2可以以预定格式处理获取的数据,以便对于预测确定结果提供单元1020-4使用获得的数据用于预测所需的功耗和时间中的至少一个。
输入数据选择单元1020-3可以从由输入数据获得单元1020-1获取的数据或由输入数据预处理单元1020-2预处理的数据中选择提供响应所需的数据。可以将选择的数据提供给确定结果提供单元1020-4作为确定结果。输入数据选择单元1020-3可以根据用于提供响应的预定选择标准来选择获取的或预处理的数据中的一些或全部。输入数据选择单元1020-3还可以通过由模型学习单元1010-4的学习,根据预定的选择标准来选择数据。
模型更新单元1020-5可以基于由确定结果提供单元1020-4提供的确定结果的评估作为确定结果来控制要更新的AI模型。例如,模型更新单元1020-5可以向模型学习单元1010-4提供由提供单元1020-4提供的确定结果作为确定结果,使得可以要求模型学习单元1010-4进一步学习或更新AI模型。具体地,模型更新单元1020-5可以根据用户输入基于反馈信息来重新学习AI模型。
图11B是示出根据本公开的实施例的通过联动空调和外部服务器来学习和确定数据的示例的视图。
参考图11B,外部服务器S可以学习用于预测功耗和所需的时间中的至少一个的标准,并且空调100可以基于通过服务器(S)的学习结果来提供预测的功耗和所需的时间中的至少一个。
在这种情况下,服务器S的模型学习单元1010-4可以执行图10所示的学习单元1010的功能。即,服务器S的模型学习单元1010-4可以学习关于哪个功率信息或时间信息将被用于预测功耗和所需的时间中的至少一个,以及如何使用该信息预测功耗和所需的时间中的至少一个的标准。
空调100的确定结果提供单元102-4可以将由输入数据选择单元1020-3选择的数据应用于由服务器(S)生成的AI模型,以预测功耗和所需的时间中的至少一个。可替代地,空调100的确定结果提供单元1020-4可以从服务器接收由服务器生成的AI模型,并且使用接收的AI模型来预测功耗和所需的时间中的至少一个。
同时,可以在可以由计算机或使用软件、硬件或其组合的类似设备读取的记录介质中实现上述各种实施例。在某些情况下,本文描述的实施例可以由处理器本身实现。根据软件实现,可以在单独的软件模块中实现诸如本文描述的过程和功能的实施例。每个软件模块可以执行本文描述的功能和操作中的一个或多个。
同时,用于执行根据上述公开的各种实施例的处理操作的计算机指令可以存储在非暂时性计算机可读介质中。当由处理器执行时,存储在这样的非易失性计算机可读介质中的计算机指令可以使特定设备执行根据上述各种实施例的处理操作。
非易失性计算机可读介质是指在短时间内存储数据的介质,诸如寄存器、高速缓存、内存等,但是半永久性存储数据并且可以被设备读取。非暂时性计算机可读介质的特定示例包括光盘(CD)、数字多功能光盘(DVD)、硬盘、蓝光光盘、通用串行总线(USB)、内存卡、只读存储器(ROM)等。
虽然已经参考本公开的各种实施例示出和描述了本公开,但是本领域技术人员将理解,在不脱离本公开的精神和范围的情况下,可以在形式和细节上进行各种改变。由所附权利要求书及其等同物定义。
Claims (15)
1.一种空调,包括:
显示器;
存储器,被配置为存储包括根据室外温度将室内温度升高或降低单位温度所需的功耗信息和时间信息的信息;
传感器,被配置为感测室内温度;以及
处理器,被配置为:
基于输入的期望温度,基于存储在存储器中的信息,预测用于室内温度达到期望温度的第一功耗或第一所需的时间中的至少一个,以及
通过显示器提供第一功耗或第一所需的时间中的至少一个。
2.根据权利要求1所述的空调,还包括:
通信单元,
其中,处理器还被配置为:
通过通信单元接收与其中布置有空调的区域的室外温度相对应的室外温度信息,以及
基于接收的室外温度信息或室内温度,预测第一功耗或第一所需的时间中的至少一个。
3.根据权利要求1所述的空调,其中,处理器还被配置为:
基于室内温度升高或降低预设单位温度,测量由空调使室内温度升高或降低单位温度所消耗的第二功耗和第二所需的时间,以及
基于获得的功耗或所需的时间中的至少一个来更新存储的信息。
4.根据权利要求3所述的空调,
其中,处理器还被配置为:
基于第二功耗和第二所需的时间,预测其中布置有空调的室内环境,
获得与预测的室内环境相对应的功耗信息和时间信息,以及
将与预测的室内环境相对应的功耗信息和时间信息存储在存储器中,
其中,室内环境包括其中布置有空调的室内空间的大小、照明度或湿度中的至少一个。
5.根据权利要求1所述的空调,其中,处理器还被配置为:
基于被升高或降低预定单位温度的室内温度,获得由空调使室内温度升高或降低单位温度所消耗的第二功耗和第二所需的时间,
将第二功耗或第二所需的时间中的至少一个与功耗信息或时间信息中的至少一个进行比较,以及
根据比较结果提供反馈。
6.根据权利要求5所述的空调,其中,处理器基于比较结果超过预定误差范围,提供关于空调所位于的室内环境的引导。
7.根据权利要求6所述的空调,其中,引导包括引导检查是否有过多的外部空气进入室内环境或者引导检查是否有过多的外部光线进入室内环境中的一个。
8.根据权利要求1所述的空调,
其中,存储器存储使用历史,使用历史包括根据室内温度和期望温度的空调的操作模式中的至少一个,以及
其中,处理器还被配置为:
基于使用历史获得用户的优选模式和优选温度,以及
预测在优选模式下用于感测的室内温度达到优选温度的第二功耗或第二所需的时间中的至少一个。
9.根据权利要求8所述的空调,其中,处理器基于当前时间获得用户在当前时间下优选的优选模式和优选温度。
10.根据权利要求1所述的空调,
其中,处理器通过使用人工智能(AI)模型预测功耗或所需的时间中的至少一个,
其中,基于功耗信息、时间信息或其中布置有空调的室内环境中的至少一个来训练AI模型,以及
其中,室内环境包括其中布置有空调的室内空间的大小、照明度或湿度中的至少一个。
11.根据权利要求10所述的空调,其中,当获得了与预测的室内环境相对应的功耗信息和时间信息时,基于获得的信息来重新训练AI模型。
12.根据权利要求1所述的空调,其中,处理器还被配置为:
响应于室内温度和期望温度之间的差大于或等于预定值,将空调设置为第一模式,并且预测基于第一模式用于室内温度达到期望温度的第一功耗或第一所需的时间中的至少一个,以及
响应于室内温度与期望温度之间的差小于预定值,将空调设置为第二模式,并且预测基于第二模式用于感测的室内温度达到期望温度的第一功耗或第一所需的时间中的至少一个。
13.根据权利要求1所述的空调,其中,处理器基于室内温度达到期望温度,通过显示器提供累积的功耗信息。
14.一种使用根据室外温度将室内温度升高或降低单位温度所需的功耗信息和时间信息的空调的控制方法,所述方法包括:
感测室内温度;
基于输入的期望温度,基于存储在存储器中的信息,预测用于室内温度达到期望温度的第一功耗或第一所需的时间中的至少一个;以及
输出第一功耗或第一所需的时间中的至少一个。
15.根据权利要求14所述的方法,还包括:
接收与其中布置有空调的区域的室外温度相对应的室外温度信息,
其中,预测包括基于接收的室外温度信息和室内温度来预测达到期望温度的第一功耗或第一所需的时间中的至少一个。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR10-2018-0025915 | 2018-03-05 | ||
KR1020180025915A KR102440118B1 (ko) | 2018-03-05 | 2018-03-05 | 공조 장치 및 그 제어 방법 |
PCT/KR2019/002190 WO2019172559A1 (en) | 2018-03-05 | 2019-02-22 | Air conditioner and method for control thereof |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111868449A true CN111868449A (zh) | 2020-10-30 |
CN111868449B CN111868449B (zh) | 2022-09-20 |
Family
ID=67767409
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980017259.8A Active CN111868449B (zh) | 2018-03-05 | 2019-02-22 | 空调及其控制方法 |
Country Status (5)
Country | Link |
---|---|
US (1) | US11674705B2 (zh) |
EP (1) | EP3721148A4 (zh) |
KR (1) | KR102440118B1 (zh) |
CN (1) | CN111868449B (zh) |
WO (1) | WO2019172559A1 (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102644431B1 (ko) * | 2019-05-02 | 2024-03-06 | 현대자동차 주식회사 | 공조기 제어 시스템 및 그 방법 |
KR20210033769A (ko) | 2019-09-19 | 2021-03-29 | 삼성전자주식회사 | 전자 장치 및 전자 장치의 동작 방법 |
US11662113B2 (en) * | 2019-11-18 | 2023-05-30 | Johnson Controls Tyco IP Holdings LLP | Building cooling systems with energy optimization and model predictive control |
US20210156583A1 (en) * | 2019-11-25 | 2021-05-27 | KEPsmart, Inc. | Hvac control system and method |
CN114729762A (zh) * | 2019-11-26 | 2022-07-08 | 大金工业株式会社 | 机器学习装置、需求控制系统以及空调控制系统 |
WO2021229769A1 (ja) * | 2020-05-14 | 2021-11-18 | 三菱電機株式会社 | 空気調和システムおよび学習装置 |
CN111692714B (zh) * | 2020-06-19 | 2021-10-26 | 湖南匡楚科技有限公司 | 一种智能空气净化系统 |
CN113847715B (zh) * | 2020-06-28 | 2024-01-02 | 中兴通讯股份有限公司 | 基站的空调调控的方法以及装置、电子设备、介质 |
KR20220023007A (ko) | 2020-08-20 | 2022-03-02 | 삼성전자주식회사 | 전자 장치 및 그 제어 방법 |
US20220154970A1 (en) * | 2020-11-17 | 2022-05-19 | Sld Technology, Inc. | Air handling device |
US11909207B2 (en) * | 2021-03-10 | 2024-02-20 | Abb Schweiz Ag | Hierarchical method for prediction of loads with high variance |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120131504A1 (en) * | 2010-11-19 | 2012-05-24 | Nest Labs, Inc. | Thermostat graphical user interface |
CN104197468A (zh) * | 2014-08-20 | 2014-12-10 | 美的集团股份有限公司 | 空调运行参数处理方法及装置 |
CN105473354A (zh) * | 2013-08-18 | 2016-04-06 | 森思博有限公司 | Hvac系统的功耗评价 |
JP2017067427A (ja) * | 2015-10-01 | 2017-04-06 | パナソニックIpマネジメント株式会社 | 空調制御方法、空調制御装置及び空調制御プログラム |
Family Cites Families (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5228306A (en) * | 1992-04-20 | 1993-07-20 | Norm Pacific Automation Corp. | Apparatus for controlling air-exchange and pressure and detecting airtight conditions in air-conditioned room |
KR0177723B1 (ko) | 1996-02-13 | 1999-04-15 | 구자홍 | 에어콘의 취침운전 제어방법 |
US6684653B2 (en) * | 2001-11-21 | 2004-02-03 | Nicholas H. Des Champs | Air-conditioner and air-to-air heat exchange for closed loop cooling |
KR100830095B1 (ko) | 2007-11-12 | 2008-05-20 | 충남대학교산학협력단 | 냉방부하 예측방법 |
JP5195258B2 (ja) | 2008-10-10 | 2013-05-08 | パナソニック株式会社 | 空気調和機 |
KR101748661B1 (ko) * | 2009-01-14 | 2017-06-20 | 엘지전자 주식회사 | 에어컨 제어 장치 및 그의 제어 방법 |
US9209652B2 (en) * | 2009-08-21 | 2015-12-08 | Allure Energy, Inc. | Mobile device with scalable map interface for zone based energy management |
JP5492670B2 (ja) * | 2010-06-22 | 2014-05-14 | 大和ハウス工業株式会社 | 省エネルギー情報提供システム及び省エネルギー情報提供方法 |
US9104211B2 (en) * | 2010-11-19 | 2015-08-11 | Google Inc. | Temperature controller with model-based time to target calculation and display |
WO2012092627A1 (en) * | 2010-12-31 | 2012-07-05 | Nest Labs, Inc. | Auto-configuring time-of-day for building control unit |
US20150018979A1 (en) * | 2012-02-22 | 2015-01-15 | Nikon Corporation | Electronic apparatus |
US9298197B2 (en) * | 2013-04-19 | 2016-03-29 | Google Inc. | Automated adjustment of an HVAC schedule for resource conservation |
EP3021184A4 (en) | 2013-07-12 | 2017-03-15 | Wen-Sung Lee | Smart house system and operation method therefor |
US10114721B2 (en) * | 2013-08-18 | 2018-10-30 | Sensibo Ltd. | Power consumption assesment of an HVAC system |
US10151502B2 (en) * | 2014-06-20 | 2018-12-11 | Honeywell International Inc. | HVAC zoning devices, systems, and methods |
KR102336642B1 (ko) * | 2014-08-21 | 2021-12-07 | 삼성전자 주식회사 | 온도 조절 방법 및 장치 |
US10436467B2 (en) * | 2014-08-25 | 2019-10-08 | Samsung Electronics Co., Ltd. | Temperature control method and apparatus |
JP2016194375A (ja) * | 2015-03-31 | 2016-11-17 | 三菱重工業株式会社 | 制御装置及びそれを備えた空気調和システム、制御方法並びに制御プログラム |
US10222083B2 (en) * | 2015-10-08 | 2019-03-05 | Johnson Controls Technology Company | Building control systems with optimization of equipment life cycle economic value while participating in IBDR and PBDR programs |
US20180023834A1 (en) * | 2016-07-20 | 2018-01-25 | Vivint, Inc. | Efficient management of indoor conditions |
KR20180011672A (ko) * | 2016-07-25 | 2018-02-02 | 엘지전자 주식회사 | 공기조화기 시스템 및 그 방법 |
US20180119973A1 (en) * | 2016-10-28 | 2018-05-03 | FutureAir, Inc. | Apparatus, systems and methods for smart air signature detection and management based on internet-of-things technology |
KR101757446B1 (ko) | 2016-11-10 | 2017-07-13 | (주)아스크스토리 | 인공지능을 이용한 공기조화시스템 제어 장치 및 그 방법 |
WO2018182357A1 (en) | 2017-03-30 | 2018-10-04 | Samsung Electronics Co., Ltd. | Data learning server and method for generating and using learning model thereof |
KR102393418B1 (ko) | 2017-03-30 | 2022-05-03 | 삼성전자주식회사 | 데이터 학습 서버 및 이의 학습 모델 생성 및 이용 방법 |
-
2018
- 2018-03-05 KR KR1020180025915A patent/KR102440118B1/ko active IP Right Grant
-
2019
- 2019-02-22 WO PCT/KR2019/002190 patent/WO2019172559A1/en unknown
- 2019-02-22 CN CN201980017259.8A patent/CN111868449B/zh active Active
- 2019-02-22 EP EP19764443.8A patent/EP3721148A4/en active Pending
- 2019-02-26 US US16/286,000 patent/US11674705B2/en active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120131504A1 (en) * | 2010-11-19 | 2012-05-24 | Nest Labs, Inc. | Thermostat graphical user interface |
CN105473354A (zh) * | 2013-08-18 | 2016-04-06 | 森思博有限公司 | Hvac系统的功耗评价 |
CN104197468A (zh) * | 2014-08-20 | 2014-12-10 | 美的集团股份有限公司 | 空调运行参数处理方法及装置 |
JP2017067427A (ja) * | 2015-10-01 | 2017-04-06 | パナソニックIpマネジメント株式会社 | 空調制御方法、空調制御装置及び空調制御プログラム |
Non-Patent Citations (1)
Title |
---|
杨丽: "《绿色建筑设计—建筑节能》", 31 October 2016, 同济大学出版社 * |
Also Published As
Publication number | Publication date |
---|---|
CN111868449B (zh) | 2022-09-20 |
WO2019172559A1 (en) | 2019-09-12 |
US20190271483A1 (en) | 2019-09-05 |
EP3721148A1 (en) | 2020-10-14 |
EP3721148A4 (en) | 2021-03-03 |
US11674705B2 (en) | 2023-06-13 |
KR102440118B1 (ko) | 2022-09-05 |
KR20190109640A (ko) | 2019-09-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111868449B (zh) | 空调及其控制方法 | |
KR102648234B1 (ko) | 데이터 학습 서버 및 이의 학습 모델 생성 및 이용 방법 | |
US20180283723A1 (en) | Data learning server and method for generating and using learning model thereof | |
US9887854B2 (en) | Method and apparatus for dynamically changing group control mode by using user intervention information | |
KR102639900B1 (ko) | 공기 조화기 | |
US20160054021A1 (en) | Temperature control method and apparatus | |
US10969129B2 (en) | Apparatus and method for controlling air conditioner in air conditioning system | |
EP3989594B1 (en) | Information processing method, information processing device | |
US20200133211A1 (en) | Electronic device and method for controlling electronic device thereof | |
KR20190101924A (ko) | 실내 환경 조절을 위한 온습도계 및 온습도 제어 방법 | |
US10890349B2 (en) | Compound control apparatus and method thereof in air conditioning system | |
US10970128B2 (en) | Server, air conditioner and method for controlling thereof | |
US20220307716A1 (en) | Control device, air conditioner and cotrol method thereof | |
US11303977B2 (en) | Server for managing home network and control method therefor | |
CN113272595B (zh) | 电子装置及其控制方法 | |
KR20230164630A (ko) | 공기 조화 장치 및 이의 제어 방법 | |
EP4128260A2 (en) | System, method and computer program product which uses biometrics as a feedback for home control monitoring to enhance wellbeing | |
US20240019155A1 (en) | Distributed smart thermostat | |
RU2772237C2 (ru) | Сервер обучения на основе данных и способ формирования и использования его обучающей модели | |
KR20200055826A (ko) | 공기조화기의 운전 알고리즘을 제공하는 인공지능 기반의 컴퓨팅 장치 |
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 |