CN111928430A - 空调能效等级确定方法、装置、计算机设备和存储介质 - Google Patents
空调能效等级确定方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN111928430A CN111928430A CN202010729431.7A CN202010729431A CN111928430A CN 111928430 A CN111928430 A CN 111928430A CN 202010729431 A CN202010729431 A CN 202010729431A CN 111928430 A CN111928430 A CN 111928430A
- Authority
- CN
- China
- Prior art keywords
- energy efficiency
- air conditioner
- efficiency ratio
- operation data
- compressor
- 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
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
- F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
- F24F11/46—Improving electric energy efficiency or saving
- F24F11/47—Responding to energy costs
-
- 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
- F24F11/63—Electronic processing
- F24F11/64—Electronic processing using pre-stored data
Abstract
本申请涉及一种空调能效等级确定方法、装置、计算机设备和存储介质。所述方法包括:获取空调的空调运行数据和能效修正系数;能效修正系数通过神经网络利用空调的历史运行数据训练得到;根据空调运行数据确定空调的空调能效比;利用能效修正系数对空调能效比进行修正,得到修正空调能效比;根据修正空调能效比确定空调的能效等级。采用本方法能够提高空调能效等级的准确性。
Description
技术领域
本申请涉及空调技术领域,特别是涉及一种的空调能效等级确定方法、装置、计算机设备和存储介质。
背景技术
随着物联网、大数据以及DTU(Data Transfer unit,数据传输设备)等技术的发展,带动了空调行业不断的完善空调的设计和研发。其中,空调的能效等级通常是用于衡量空调性能优劣的一个重要参数。现阶段确定空调的能效等级是在设计和研发出空调之后,通过将空调在实验室内进行实验之后确定一个能效等级。然后,再在空调上贴上实验能效等级对应的能效标识,后续通过能效标识就能确定空调的能效等级。
然而,由于贴附在空调的能效标识非常容易被人为篡改或者能效虚标。以及随着时间、环境等外在因素的改变下,空调能耗会呈现一定范围的波动,所以实际的能效等级并一直保持是能效标识上固定能效等级。因此,传统通过贴附的能效标识确定空调能效等级的方式,降低了空调能效等级的准确性。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高空调能效等级的准确性的空调能效等级确定方法、装置、计算机设备和存储介质。
一种空调能效等级确定方法,所述方法包括:
获取空调的空调运行数据和能效修正系数;所述能效修正系数通过神经网络利用空调的历史运行数据训练得到;
根据所述空调运行数据确定所述空调的空调能效比;
利用所述能效修正系数对所述空调能效比进行修正,得到修正空调能效比;
根据所述修正空调能效比确定所述空调的能效等级。
在其中一个实施例中,所述利用所述能效修正系数对所述空调能效比进行修正,得到修正空调能效比之后,还包括:
获取预先实验得到的所述空调的实验空调能效比;
将所述实验空调能效比与所述修正空调能效比进行比对,得到比对结果;
当根据比对结果确定所述修正空调能效比满足预设误差时,保留所述修正空调能效比;
当根据比对结果确定所述修正空调能效比不满足预设误差时,调用所述能效修正系数对应的神经网络;
将所述空调运行数据输入所述神经网络,利用所述空调运行数据对所述神经网络进行迭代训练,得到更新能效修正系数;
利用所述更新能效修正系数对所述空调能效比进行修正,得到更新能效比,将所述更新能效比作为最终的修正空调能效比。
在其中一个实施例中,所述空调能效比包括空调制冷能效比和空调制热能效比;所述根据所述空调运行数据确定所述空调的空调能效比,包括:
根据所述空调运行数据获取压缩机进口运行数据、压缩机出口运行数据、蒸发器进口运行数据和蒸发器出口运行数据;
根据所述压缩机进口运行数据和所述压缩机出口运行数据分别进行焓值计算,得到压缩机进口的焓值和压缩机出口的焓值;
将所述压缩机进口的焓值和所述压缩机出口的焓值做商,得到空调制冷能效比;
根据所述蒸发器进口运行数据和所述蒸发器出口运行数据分别进行焓值计算,得到蒸发器进口的焓值和蒸发器出口的焓值;
将所述蒸发器进口的焓值和所述蒸发器出口的焓值做商,得到空调制热能效比。
在其中一个实施例中,所述修正空调能效比包括修正制冷能效比和修正制热能效比;所述利用所述能效修正系数对所述空调能效比进行修正,得到修正空调能效比,包括:
获取压缩机对应的第一能效修正系数和蒸发器对应的第二能效修正系数;
将所述第一能效修正系数与所述空调制冷能效比进行求积,得到修正后的修正制冷能效比;
将所述第二能效修正系数与所述空调制热能效比进行求积,得到修正后的修正制热能效比。
在其中一个实施例中,所述根据所述压缩机进口运行数据和所述压缩机出口运行数据分别进行焓值计算,得到压缩机进口的焓值和压缩机出口的焓值,包括:
获取压缩机对应的第一拟合系数;
将所述压缩机进口运行数据或所述压缩机出口运行数据中的各数据,分别与对应的所述第一拟合系数进行乘积后求和,得到压缩机进口的焓值或压缩机出口的焓值;
所述根据所述蒸发器进口运行数据和所述蒸发器出口运行数据分别进行焓值计算,得到蒸发器进口的焓值和蒸发器出口的焓值,包括:
获取预设的蒸发器对应的第二拟合系数;
将所述蒸发器进口运行数据或所述蒸发器出口运行数据中的各数据,分别与对应的所述第二拟合系数进行乘积后求和,得到蒸发器进口的焓值或蒸发器出口的焓值。
在其中一个实施例中,所述根据所述修正空调能效比确定所述空调的能效等级,包括:
获取所述空调对应的能效等级标准;
查询所述能效等级标准中的能效比,筛选所述能效等级标准中与所述修正空调能效比相匹配的能效比;
确定与所述修正空调能效比相匹配的能效比对应的能效等级为所述空调的能效等级。
在其中一个实施例中,所述根据所述修正空调能效比确定所述空调的能效等级之后,还包括:
接收所述空调的能效等级查询请求;
根据所述能效等级查询请求查询所述空调的能效等级并返回显示所述能效等级。
一种空调能效等级确定装置,所述装置包括:
获取模块,用于获取空调的空调运行数据和能效修正系数;所述能效修正系数通过神经网络利用空调的历史运行数据训练得到;
能效确定模块,用于根据所述空调运行数据确定所述空调的空调能效比;
修正模块,用于利用所述能效修正系数对所述空调能效比进行修正,得到修正空调能效比;
等级确定模块,用于根据所述修正空调能效比确定所述空调的能效等级。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述任一项所述空调能效等级确定方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一项所述空调能效等级确定方法的步骤。
上述空调能效等级确定方法、装置、计算机设备和存储介质,根据获取的空调运行数据确定空调的空调能效比,再通过能效修正系数对所述空调能效比进行修正后得到修正空调能效比,进而根据修正空调能效比确定能效等级。该方法通过获取空调运行产生的空调运行数据确定空调能效比,即使在不同时间、不同环境下都能够得到空调实际的能效比,确保得到准确的空调能效等级。并且,同时通过由神经网络利用历史运行数据训练得到的能效修正系数对空调的能效比进行修正,进一步提高了能效等级的准确性。
附图说明
图1为一个实施例中空调能效等级确定方法的应用环境图;
图2为一个实施例中空调能效等级确定方法的流程示意图;
图3为另一个实施例中空调能效等级确定方法的流程示意图;
图4为一个实施例中根据空调运行数据确定空调的空调能效比步骤的流程示意图;
图5为一个实施例中空调能效等级确定系统的系统架构图;
图6为一个实施例中空调能效等级确定装置的结构框图;
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的空调能效等级确定方法,可以应用于如图1所示的应用环境中。其中,空调102通过网络与服务器104进行通信。服务器104获取空调102的空调运行数据和能效修正系数;能效修正系数通过神经网络利用空调的历史运行数据训练得到;服务器104根据空调运行数据确定空调的空调能效比;服务器104利用能效修正系数对空调能效比进行修正,得到修正空调能效比;服务器104根据修正空调能效比确定空调的能效等级。其中,服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种空调能效等级确定方法,以该方法应用于图1中的服务器为例进行说明,包括以下步骤:
步骤S202,获取空调的空调运行数据和能效修正系数;能效修正系数通过神经网络利用空调的历史运行数据训练得到。
其中,空调运行数据是空调运行过程中各设备所产生的运行数据,例如运行频率、电流、电压、压强、温度等数据。能效修正系数是用于将得到的空调能效比进行修正的修正因子。由于空调类型的多样,为了确保修正因子的准确性,每个不同类型的空调都有其对应的能效修正系数。能效修正系数通过利用神经网络对该类型空调的历史运行数据进行训练得到。例如,若需要获取A类型空调的能效修正系数,则将A类型空调的历史运行数据输入至神经网络,通过神经网络训练得到A类型空调的能效修正系数。
具体地,根据实际的空调的类型,预先获取不同类型空调的历史运行数据。将不同类型空调的历史运行数据分别输入至神经网络进行训练。例如,A类型空调的历史运行数据输入神经网络A,B类型空调的历史运行数据输入神经网络B。应当理解的是,神经网络A和神经网络B可以是同一类型的神经网络,只要均是未经过训练的神经网络即可。即,为了确保各个能效修正系数只与某一种类型的空调对应,只要确保输入历史运行数据的神经网络未被其他数据训练过即可。本实施例中,神经网络采用无监督和有监督的混合学习方式。首先采用无监督学习方式对历史运行数据进行特征抽取,抽取得到历史运行数据的特征。然后再利用有监督学习的方式对所抽取的特征再次进行处理,形成输入输出之间的映射,从而得到对应的能效修正系数。可以理解为,神经网络训练最终输出的能效修正系数与输入的历史运行数据是对应的。比如,若输入神经网络中的历史运行数据是A类型空调的数据,那么该神经网络输出的能效修正系数就是历史运行数据对应的能效修正系数,也就是A类型空调所对应的能效修正系数。服务器将获取到的不同类型对应的能效修正系数进行保存。
当服务器接收到确定空调能效等级指令时,服务器实时获取该空调的空调运行数据。以及,获取通过神经网络和该空调的历史运行数据得到的该空调对应的能效修正系数。应当理解的是,无论是历史运行数据还是实时获取的空调运行数据均可以由DTU将采集的数据通过网络传输给服务器,也可以是服务器从其他的设备接收得到。例如,空调通过DTU将采集到的运行数据传输至云服务器,服务器从云服务器获取到空调的运行数据。
步骤S204,根据空调运行数据确定空调的空调能效比。
其中,能效比是能源转换效率之比,能效比越大,节省的电能就越多。因此,通过能效比数值的大小能够反映出不同空调产品的节能情况,进而可以根据能效比确定该空调产品的能效等级。而由于空调一般都同时具备制冷和制热的能力,因此空调的能效比也分为制冷能效比(EER)和制热能效比(COP)。
具体地,当服务器获取空调的空调运行数据之后,根据空调运行数据,即根据运行频率、电流、电压、压强、温度等数据确定空调的空调能效比。由于空调的能效比同时包括制冷能效比和制热能效比,而制冷能效比和制热能效比所相关的内部设备分别是压缩机和蒸发器。因此,当获取到空调运行数据后,从空调运行数据中获取压缩机进出口的运行频率、电流、电压、压强、温度等数据,以及从空调运行数据中获取蒸发器进出口的运行频率、电流、电压、压强、温度等数据。然后,服务器根据压缩机进口和出口的运行频率、电流、电压、压强、温度等数据得到空调制冷能效比。根据蒸发器进口和出口的运行频率、电流、电压、压强、温度等数据得到空调制热能效比。
步骤S206,利用能效修正系数对空调能效比进行修正,得到修正空调能效比。
具体地,当服务器得到空调能效比之后,根据空调对应的能效修正系数对空调能效比进行修正。例如,通过能效修正系数对空调制冷能效比进行修正,以及通过能效修正系数对空调制热能效比进行修正,从而将得到修正后的制冷能效比和制热能效比作为修正空调能效比。即,修正空调能效比包括修正后的修正制冷能效比和修正后的修正制热能效比。
另外,由于空调的压缩机和蒸发器是不同类型的设备,所以通过神经网络训练得到的能效修正系数包括压缩机对应的能效修正系数和蒸发器对应的能效修正系数。在训练神经网络时,应当是将历史运行数据中压缩机进出口的运行数据训练得到压缩机对应的第一能效修正系数。以及是将历史运行数据中蒸发器进出口的运行数据训练得到蒸发器对应的第二能效修正系数。然后,在对空调制冷能效比和空调制热能效比进行修正时,空调制冷能效比由压缩机对应的第一能效修正系数进行修正,空调制热能效比由蒸发器对应的第二能效修正系数进行修正。
步骤S220,根据修正空调能效比确定空调的能效等级。
其中,能效等级即是用于表示空调产品节能情况的级别,例如,假设能效等级分为1~5个等级,能效等级1级的空调产品最为节能,而能效等级5级的产品就最为耗能。通过能效等级即可直观确定该空调的节能/耗能情况。
具体地,当服务器得到修正后的修正空调能效比后,根据能效比与能效等级之间的对应的关系确定修正空调能效比所对应的能效等级。例如,假设能效比为S时,所对应的能效等级是2级。那么,当空调的修正空调能效比为S时,该空调当前的能效等级就是2级。
在一个实施例中,步骤S220,包括:获取空调对应的能效等级标准;查询能效等级标准中的能效比,筛选能效等级标准中与修正空调能效比相匹配的能效比;确定与修正空调能效比相匹配的能效比对应的能效等级为空调的能效等级。
具体地,由于不同空调制造商的制造差异,不同空调制造商的能效等级标准可能不一样。因此,服务器预先将各个制造商对应的能效等级标准与存在本地。当根据空调的修正空调能效比确定空调的能效等级时,获取该空调对应制造商的能效等级标准,能效等级标准中记载不同能效比与能效等级的对应关系。然后,服务器查询能效等级中的能效比,筛选出与修正空调能效比相匹配的能效比。相匹配的能效比在能效等级标准中对应的能效等级就是该空调的能效等级。本实施例中,通过对应的能效等级标准确定空调的能效等级,确保能效等级的准确性。
上述空调能效等级确定方法,根据获取的空调运行数据确定空调的空调能效比,再通过能效修正系数对所述空调能效比进行修正后得到修正空调能效比,进而根据修正空调能效比确定能效等级。该方法通过获取空调运行产生的空调运行数据确定空调能效比,即使在不同时间、不同环境下都能够得到空调实际的能效比,确保得到准确的空调能效等级。并且,同时通过由神经网络利用历史运行数据训练得到的能效修正系数对空调的能效比进行修正,进一步提高了能效等级的准确性。
在一个实施例中,如图3所示,提供另一种空调能效等级确定方法,在步骤S206之后,还包括:
步骤S208,获取预先实验得到的空调的实验空调能效比。
步骤S210,将实验空调能效比与修正空调能效比进行比对,得到比对结果。
步骤S212,当根据比对结果确定修正空调能效比满足预设误差时,保留修正空调能效比,进入步骤S220。
具体地,实验空调能效比是通过拿空调的空调运行数据进行能效比实验得到的能效比。在相关人员通过实验确定好各个类型空调的能效比之后,将其作为空调的实验空调能效比存储在服务器中。当服务器经过修正得到修正空调能效比之后,为了确保修正的能效比的准确性,获取预存储的实验空调能效比。将实验空调能效比与修正空调能效比进行比对,得到比对结果,比对结果就是实验空调能效比与修正空调能效比之间的误差。然后,获取预先配置的预设误差,将比对结果中的误差与预设误差进行比较。在比对结果中的误差小于或等于预设误差时,表示服务器修正得到的修正空调能效比相比于实验得到实验能效比是满足预设误差的。服务器可以确定通过修正得到的修正空调能效比是比较准确的,可以保留该修正空调能效比。本实施例的预设误差可以根据实际需求进行设置,本实施例预设误差优选5%。即,当实验空调能效比与修正空调能效比之间的误差小于或等于5%时,确定修正空调能效比满足预设误差,保留修正空调能效比。在服务器确定保留修正空调能效比之后,进入步骤S220,根据所保留的修正空调能效比和能效等级标准,确定空调的能效等级。
步骤S214,当根据比对结果确定修正空调能效比不满足预设误差时,调用能效修正系数对应的神经网络。
步骤S216,将空调运行数据输入神经网络,利用空调运行数据对神经网络进行迭代训练,得到更新能效修正系数。
步骤S218,利用更新能效修正系数对空调能效比进行修正,得到更新能效比,将更新能效比作为最终的修正空调能效比,进入步骤S220。
其中,能效修正系数对应的神经网络是指训练得到该能效修正系数的神经网络,也就是经过历史运行数据训练后得到该能效修正系数的神经网络。迭代训练可以理解为是通过获取的空调运行数据再次对神经网络进行训练的过程,目的在于通过空调运行数据,将该神经网络利用历史运行数据训练所得到的能效修正系数进行更新。
具体地,当比对结果中的误差大于预设误差时,表示服务器修正得到的修正空调能效比相比于实验得到实验能效比不满足预设误差,是存在较大误差的。即,服务器可以确定通过修正得到的修正空调能效比是不太准确的,为了不影响能效等级的准确性,不能保留该修正空调能效比。因此,服务器将本次获取的空调运行数据再次输入到能效修正系数对应的神经网络,神经网络通过提取空调运行数据的特征,根据特征更新输入输出的映射关系,得到更新能效修正系数。然后,再次利用更新能效系数对得到空调能效比进行修正,得到更新能效比并将更新能效比作为最终的修正空调能效比。在服务器确定最终的修正空调能效比之后,进入步骤S220,根据最终的修正空调能效比和能效等级标准,确定空调的能效等级。
应当理解的是,由于能效比包括制冷能效比和制热能效比。因此,实验得到的实验空调能效比应当也是包括实验制冷能效比和实验制热能效比的。所以,在比对时,实验制冷能效比与修正制冷能效比进行比对,而实验制热能效比与修正制热能效比进行比对。
本实施例中,通过与实验得到的实验空调能效比进行比对确定修正得到的修正空调能效比误差较大时,根据获取的空调运行数据重新训练神经网络得到更新能效修正系数再去修正空调能效比,能够确保得到的修正空调能效比的准确性,从而提高能效等级的准确性。
在一个实施例中,空调能效比包括空调制冷能效比和空调制热能效比。如图4所示,步骤S204,包括以下步骤:
步骤S402,根据空调运行数据获取压缩机进口运行数据、压缩机出口运行数据、蒸发器进口运行数据和蒸发器出口运行数据。
步骤S404,根据压缩机进口运行数据和压缩机出口运行数据分别进行焓值计算,得到压缩机进口的焓值和压缩机出口的焓值。
具体地,当获取到空调运行数据后,从中获取到压缩机进口的运行频率、电流、电压、压强、温度等数据,以及获取压缩机出口的运行频率、电流、电压、压强、温度等数据。然后,根据压缩机进口的运行频率、电流、电压、压强、温度等数据进行焓值计算,得到压缩机进口的焓值。同样的,根据压缩器出口的运行频率、电流、电压、压强、温度等数据进行焓值计算,得到压缩机出口的焓值。
在一个实施例中,步骤S404,包括:获取压缩机对应的第一拟合系数;将压缩机进口运行数据或压缩机出口运行数据中的各数据,分别与对应的第一拟合系数进行乘积后求和,得到压缩机进口的焓值或压缩机出口的焓值。
其中,拟合系数是与运行数据进行拟合用于得到焓值的参数,拟合系数通过建立的空调系统能耗模型确定。第一拟合系数就是压缩机对应的拟合系数。
具体地,在根据压缩机的进口运行数据和出口运行数据分别进行焓值计算时,获取根据空调系统能耗模型确定的压缩机的第一拟合系数。其中,运行数据所包括的运行频率、电流、电压、压强、温度等数据都有对应的第一拟合系数。因此,将运行数据中的各数据分别与对应的第一拟合系数进行乘积后,将所有数据的乘积求和得到焓值。例如,压缩机进口运行数据中的运行频率、电流、电压、压强、温度分别与各自对应的第一拟合系数进行乘积后求和,得到压缩机进口的焓值。同理,将压缩机出口运行数据中的运行频率、电流、电压、压强、温度分别与各自对应的第一拟合系数进行乘积后求和,得到压缩机出口的焓值。基于拟合系数的焓值计算公式如下:
H=a*f+b*I+c*U+d*p+e*T
其中,H表示计算得到的焓值,a、b、c、d、e分别为f、I、U、P、T对应的拟合系数,f表示运行频率、I表示电流、U表示电压、P表示压强、T表示温度。
步骤S406,将压缩机进口的焓值和压缩机出口的焓值做商,得到空调制冷能效比。
具体地,当根据压缩机进口运行数据、压缩机出口运行数据分别进行焓值计算得到压缩机进口的焓值、压缩机出口的焓值之后,将压缩机进口的焓值和压缩机出口的焓值做商得到空调制冷能效比。即,空调制冷能效比=(压缩机进口的焓值)/(压缩机出口的焓值)。
步骤S408,根据蒸发器进口运行数据和蒸发器出口运行数据分别进行焓值计算,得到蒸发器进口的焓值和蒸发器出口的焓值。
具体地,当获取到空调运行数据后,从中获取到蒸发器进口的运行频率、电流、电压、压强、温度等数据,以及获取蒸发器出口的运行频率、电流、电压、压强、温度等数据。然后,根据蒸发器进口的运行频率、电流、电压、压强、温度等数据进行焓值计算,得到蒸发器进口的焓值。同样的,根据蒸发器出口的运行频率、电流、电压、压强、温度等数据进行焓值计算,得到蒸发器出口的焓值。
在一个实施例中,步骤S408,包括:获取预设的蒸发器对应的第二拟合系数;将蒸发器进口运行数据或蒸发器出口运行数据中的各数据,分别与对应的第二拟合系数进行乘积后求和,得到蒸发器进口的焓值或蒸发器出口的焓值。
其中,拟合系数是与运行数据进行拟合用于得到焓值的参数,拟合系数通过建立的空调系统能耗模型确定。第二拟合系数就是蒸发器对应的拟合系数。
具体地,在根据蒸发器进口运行数据和出口运行数据分别进行焓值计算时,获取根据空调系统能耗模型确定的蒸发器的第二拟合系数。其中,运行数据包括的运行频率、电流、电压、压强、温度等数据都有对应的第二拟合系数。因此,将运行数据中的各数据分别与对应的第二拟合系数进行乘积后,将所有数据的乘积求和得到焓值。例如,蒸发器进口运行数据中的运行频率、电流、电压、压强、温度分别与各自对应的第二拟合系数进行乘积后求和,得到蒸发器进口的焓值。同理,将蒸发器出口运行数据中的运行频率、电流、电压、压强、温度分别与各自对应的第二拟合系数进行乘积后求和,得到蒸发器出口的焓值。
步骤S410,将蒸发器进口的焓值和蒸发器出口的焓值做商,得到空调制热能效比。
具体地,当根据蒸发器进口运行数据、蒸发器出口运行数据分别进行焓值计算得到蒸发器进口的焓值、蒸发器出口的焓值之后,将蒸发器进口的焓值和蒸发器出口的焓值做商得到空调制热能效比。即,空调制热能效比=(蒸发器进口的焓值)/(蒸发器出口的焓值)。
本实施例中,根据空调运行数据进行焓值计算得到能效比,即使在不同时间、不同环境下都能够得到空调实际的能效比,确保得到准确的空调能效等级。
在一个实施例中,步骤S206,包括:获取压缩机对应的第一能效修正系数和蒸发器对应的第二能效修正系数;将第一能效修正系数与空调制冷能效比进行求积,得到修正后的修正制冷能效比;将第二能效修正系数与所述空调制热能效比进行求积,得到修正后的修正制热能效比。
具体地,由于空调的压缩机和蒸发器是不同类型的设备,所以通过神经网络训练得到的能效修正系数包括压缩机对应的能效修正系数和蒸发器对应的能效修正系数。第一能效修正系数是压缩机对应的能效修正系数,第二能效系数是蒸发器对应的能效修正系数。即,在训练神经网络时,应当是将历史运行数据中压缩机进出口的运行数据训练得到压缩机对应的第一能效修正系数。以及是将历史运行数据中蒸发器进出口的运行数据训练得到蒸发器对应的第二能效修正系数。然后,分别对空调制冷能效比和空调制热能效比进行修正时,空调制冷能效比由压缩机对应的第一能效修正系数进行修正,空调制热能效比由蒸发器对应的第二能效修正系数进行修正。
修正通过将得到的空调能效比与能效修正系数进行相乘求积,所得到的乘积为修正后的能效比。例如,假设H1为进口的焓值,H2为出口的焓值,X为能效修正系数。那么,通过做商确定得到的空调能效比为:H1/H2,与能效修正系数求积得到的修正后的能效比即为:(H1/H2)*X。
在一个实施例中,步骤S220之后,还包括:接收空调的能效等级查询请求;根据能效等级查询请求查询空调的能效等级并返回显示能效等级。
具体地,当服务器根据确定空调的能效等级之后,可以进一步将空调能效等级进行存储。当用户通过终端发起能效等级查询请求时,服务器可以响应能效等级查询请求从本地查询到空调的能效等级并返回终端显示能效等级。应当理解的是,服务器存储能效等级除了可以是存储在本地以外,也可以存储至其他设备中,例如存储至用于管理数据的数据服务器中,从数据服务器中查询到对应的能效等级返回给终端。
另外,服务器还可以将空调能效等级返回给空调内部的存储装置进行存储,当用户通过遥控向空调发送能效等级查询请求时,空调即可响应的能效等级并从内部的存储装置中查询对应的能效等级并显示的空调的显示屏幕上。或者,当用户所持有终端靠近空调时,通过信号匹配的方式,例如蓝牙、WiFi等方式与空调进行匹配。然后,在匹配成功将空调内部的存储装置存储的能效等级实时返回到用户所持有的终端上,让终端的用户动态了解空调能耗情况。
本实施例中,通过将能效等级存储后供用户查询,便于用户可以清楚了解到空调耗能情况。
在一个实施例中,如图5所示,提供一种空调能效等级确定系统,根据所述空调能效等级确定系统对空调能效等级确定方法进行详细解释说明。
参考图5,空调能效等级确定系统包括:空调102、DTU103、服务器104、云服务器106、数据服务器108、终端120。其中,空调102与DTU103连接,DTU103与云服务器106连接,云服务器106与服务器104、数据服务器108连接,终端120与数据服务器108、空调102连接。
具体地,DTU103将空调102内部传感器采集的空调运行数据传输给云服务器106。服务器104从云服务器106中获取各个空调的空调运行数据,包括压缩机进口运行数据、压缩机出口运行数据、蒸发器进口运行数据和蒸发器出口运行数据。其中,运行数据包括运行频率、电流、电压、压强和温度。然后,服务器104获取压缩机的第一拟合系数和蒸发器的第二拟合系数。根据压缩机进口运行数据和第一拟合系数,利用焓值计算公式计算得到压缩机进口的焓值。根据压缩机出口运行数据和第一拟合系数,利用焓值计算公式计算得到压缩机出口的焓值。同理,根据蒸发器进口运行数据和第二拟合系数,利用焓值计算公式计算得到蒸发器进口的焓值。根据蒸发器出口运行数据和第二拟合系数,利用焓值计算公式计算得到蒸发器出口的焓值。另外,由于蒸发器入口处的冷媒状态不稳定,很可能是气液共存状态,当流体状态不单一时,处于饱和点,由于相变潜热的存在,导致难以准确测量出此处流体的焓值。而冷凝器出口处是常温高压的纯液态冷媒,在经过节流阀进行等焓节流后,压力减小、温度降低。虽然部分冷媒蒸发为气体,但是在该密闭空间中可以保持焓值不变,所以该过程又称为等焓节流,因此,可以用冷凝器出口处的焓值代替蒸发器入口处的焓值。即,根据冷凝器进口运行数据计算得到的焓值可以作为蒸发器进口的焓值。
当计算得到压缩机进口和出口的焓值,以及蒸发器进口和出口的焓值之后,将压缩机进口和出口的焓值做商,得到空调制冷能效比,以及将蒸发器进口和出口的焓值做商,得到空调制热能效比。服务器104获取根据神经网络训练得到的压缩机的第一能效修正系数对空调制冷能效比进行修正,得到修正制冷能效比。以及,获取根据神经网络得到的蒸发器的第二能效修正系数对空调制热能效进行修正,得到修正制热能效比。其中,修正是指与能效修正系数进行求积。
当得到修正后的能效比之后,服务器获取预先实验得到的实验能效比。将实验能效比与修正后得到的修正空调能效比进行对比,在二者误差小于或等于5%时,确定满足预设误差,保留修正后得到的修正空调能效比。而在二者误差大于5%时,确定不满足预设误差。则服务器104将本次获取的空调运行数据重新输入至神经网络中进行训练,得到更新能效修正系数。利用更新能效修正系数重新对空调能效比进行修正,直至得到的修正空调能效比满足预设误差为止。最后,服务器104根据能效等级标准确定修正空调能效比对应的能效等效,从而确定空调的能效等级。
服务器104将确定的能效等级发送至数据服务器108进行存储,后续用户可以通过终端220从数据服务器中查询得到空调的能效等级。以及,数据服务器108将存储的能效等级返回给云服务器106,云服务器106通过DTU103将能效等级返回给空调102。空调102将能效等级存储在内部存储中,便于用户后续通过遥控或者终端220查询能效等级。例如,当用户通过遥控向空调发送能效等级查询请求时,空调即可响应的能效等级并从内部的存储装置中查询对应的能效等级并显示的空调的显示屏幕上。或者,当用户所持有终端靠近空调时,通过信号匹配的方式,例如蓝牙、WiFi等方式与空调进行匹配。然后,在匹配成功将空调内部的存储装置存储的能效等级实时返回到用户所持有的终端上,让终端的用户动态了解空调能耗情况。
本实施例中,通过DTU实现空调与服务器之间的数据传输,提高数据传输的速度和安全性。以及,通过云服务器和数据服务器分别单独管理空调运行数据和能效等级,提高系统的处理速度。
应该理解的是,虽然图2-4的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-4中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图6所示,提供了一种空调能效等级确定装置,包括:获取模块602、能效确定模块604、修正模块606和等级确定模块610,其中:
获取模块602,用于获取空调的空调运行数据和能效修正系数;能效修正系数通过神经网络利用空调的历史运行数据训练得到。
能效确定模块604,用于根据空调运行数据确定空调的空调能效比。
修正模块606,用于利用能效修正系数对空调能效比进行修正,得到修正空调能效比。
等级确定模块608,用于根据修正空调能效比确定空调的能效等级。
在一个实施例中,空调能效等级确定装置还包括对比模块,用于获取预先实验得到的空调的实验空调能效比;将实验空调能效比与修正空调能效比进行比对,得到比对结果;当根据比对结果确定修正空调能效比满足预设误差时,保留修正空调能效比;当根据比对结果确定修正空调能效比不满足预设误差时,调用能效修正系数对应的神经网络;将空调运行数据输入神经网络,利用空调运行数据对神经网络进行迭代训练,得到更新能效修正系数;利用更新能效修正系数对空调能效比进行修正,得到更新能效比,将更新能效比作为最终的修正空调能效比。
在一个实施例中,能效确定模块604还用于根据空调运行数据获取压缩机进口运行数据、压缩机出口运行数据、蒸发器进口运行数据和蒸发器出口运行数据;根据压缩机进口运行数据和压缩机出口运行数据分别进行焓值计算,得到压缩机进口的焓值和压缩机出口的焓值;将压缩机进口的焓值和压缩机出口的焓值做商,得到空调制冷能效比;根据蒸发器进口运行数据和蒸发器出口运行数据分别进行焓值计算,得到蒸发器进口的焓值和蒸发器出口的焓值;将蒸发器进口的焓值和蒸发器出口的焓值做商,得到空调制热能效比。
在一个实施例中,能效确定模块604还用于获取压缩机对应的第一能效修正系数和蒸发器对应的第二能效修正系数;将第一能效修正系数与空调制冷能效比进行求积,得到修正后的修正制冷能效比;将第二能效修正系数与空调制热能效比进行求积,得到修正后的修正制热能效比。
在一个实施例中,能效确定模块604还用于获取压缩机对应的第一拟合系数;将压缩机进口运行数据或压缩机出口运行数据中的各数据,分别与对应的第一拟合系数进行乘积后求和,得到压缩机进口的焓值或压缩机出口的焓值;获取预设的蒸发器对应的第二拟合系数;将蒸发器进口运行数据或蒸发器出口运行数据中的各数据,分别与对应的第二拟合系数进行乘积后求和,得到蒸发器进口的焓值或蒸发器出口的焓值。
在一个实施例中,等级确定模块608还用于获取空调对应的能效等级标准;查询能效等级标准中的能效比,筛选能效等级标准中与修正空调能效比相匹配的能效比;确定与修正空调能效比相匹配的能效比对应的能效等级为空调的能效等级。
在一个实施例中,空调能效等级确定装置还包括查询模块,用于接收空调的能效等级查询请求;根据能效等级查询请求查询空调的能效等级并返回显示能效等级。
关于空调能效等级确定装置的具体限定可以参见上文中对于空调能效等级确定方法的限定,在此不再赘述。上述空调能效等级确定装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储能效修正系数、能效等级标准等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种空调能效等级确定方法。
本领域技术人员可以理解,图7中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取空调的空调运行数据和能效修正系数;能效修正系数通过神经网络利用空调的历史运行数据训练得到;
根据空调运行数据确定空调的空调能效比;
利用能效修正系数对空调能效比进行修正,得到修正空调能效比;
根据修正空调能效比确定空调的能效等级。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:获取预先实验得到的空调的实验空调能效比;将实验空调能效比与修正空调能效比进行比对,得到比对结果;当根据比对结果确定修正空调能效比满足预设误差时,保留修正空调能效比;当根据比对结果确定修正空调能效比不满足预设误差时,调用能效修正系数对应的神经网络;将空调运行数据输入神经网络,利用空调运行数据对神经网络进行迭代训练,得到更新能效修正系数;利用更新能效修正系数对空调能效比进行修正,得到更新能效比,将更新能效比作为最终的修正空调能效比。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:根据空调运行数据获取压缩机进口运行数据、压缩机出口运行数据、蒸发器进口运行数据和蒸发器出口运行数据;根据压缩机进口运行数据和压缩机出口运行数据分别进行焓值计算,得到压缩机进口的焓值和压缩机出口的焓值;将压缩机进口的焓值和压缩机出口的焓值做商,得到空调制冷能效比;根据蒸发器进口运行数据和蒸发器出口运行数据分别进行焓值计算,得到蒸发器进口的焓值和蒸发器出口的焓值;将蒸发器进口的焓值和蒸发器出口的焓值做商,得到空调制热能效比。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:获取压缩机对应的第一能效修正系数和蒸发器对应的第二能效修正系数;将第一能效修正系数与空调制冷能效比进行求积,得到修正后的修正制冷能效比;将第二能效修正系数与空调制热能效比进行求积,得到修正后的修正制热能效比。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:获取压缩机对应的第一拟合系数;将压缩机进口运行数据或压缩机出口运行数据中的各数据,分别与对应的第一拟合系数进行乘积后求和,得到压缩机进口的焓值或压缩机出口的焓值;获取预设的蒸发器对应的第二拟合系数;将蒸发器进口运行数据或蒸发器出口运行数据中的各数据,分别与对应的第二拟合系数进行乘积后求和,得到蒸发器进口的焓值或蒸发器出口的焓值。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:获取空调对应的能效等级标准;查询能效等级标准中的能效比,筛选能效等级标准中与修正空调能效比相匹配的能效比;确定与修正空调能效比相匹配的能效比对应的能效等级为空调的能效等级。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:接收空调的能效等级查询请求;根据能效等级查询请求查询空调的能效等级并返回显示能效等级。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取空调的空调运行数据和能效修正系数;能效修正系数通过神经网络利用空调的历史运行数据训练得到;
根据空调运行数据确定空调的空调能效比;
利用能效修正系数对空调能效比进行修正,得到修正空调能效比;
根据修正空调能效比确定空调的能效等级。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取预先实验得到的空调的实验空调能效比;将实验空调能效比与修正空调能效比进行比对,得到比对结果;当根据比对结果确定修正空调能效比满足预设误差时,保留修正空调能效比;当根据比对结果确定修正空调能效比不满足预设误差时,调用能效修正系数对应的神经网络;将空调运行数据输入神经网络,利用空调运行数据对神经网络进行迭代训练,得到更新能效修正系数;利用更新能效修正系数对空调能效比进行修正,得到更新能效比,将更新能效比作为最终的修正空调能效比。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:根据空调运行数据获取压缩机进口运行数据、压缩机出口运行数据、蒸发器进口运行数据和蒸发器出口运行数据;根据压缩机进口运行数据和压缩机出口运行数据分别进行焓值计算,得到压缩机进口的焓值和压缩机出口的焓值;将压缩机进口的焓值和压缩机出口的焓值做商,得到空调制冷能效比;根据蒸发器进口运行数据和蒸发器出口运行数据分别进行焓值计算,得到蒸发器进口的焓值和蒸发器出口的焓值;将蒸发器进口的焓值和蒸发器出口的焓值做商,得到空调制热能效比。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取压缩机对应的第一能效修正系数和蒸发器对应的第二能效修正系数;将第一能效修正系数与空调制冷能效比进行求积,得到修正后的修正制冷能效比;将第二能效修正系数与空调制热能效比进行求积,得到修正后的修正制热能效比。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取压缩机对应的第一拟合系数;将压缩机进口运行数据或压缩机出口运行数据中的各数据,分别与对应的第一拟合系数进行乘积后求和,得到压缩机进口的焓值或压缩机出口的焓值;获取预设的蒸发器对应的第二拟合系数;将蒸发器进口运行数据或蒸发器出口运行数据中的各数据,分别与对应的第二拟合系数进行乘积后求和,得到蒸发器进口的焓值或蒸发器出口的焓值。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取空调对应的能效等级标准;查询能效等级标准中的能效比,筛选能效等级标准中与修正空调能效比相匹配的能效比;确定与修正空调能效比相匹配的能效比对应的能效等级为空调的能效等级。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:接收空调的能效等级查询请求;根据能效等级查询请求查询空调的能效等级并返回显示能效等级。
本领域普通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,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种空调能效等级确定方法,其特征在于,所述方法包括:
获取空调的空调运行数据和能效修正系数;所述能效修正系数通过神经网络利用空调的历史运行数据训练得到;
根据所述空调运行数据确定所述空调的空调能效比;
利用所述能效修正系数对所述空调能效比进行修正,得到修正空调能效比;
根据所述修正空调能效比确定所述空调的能效等级。
2.根据权利要求1所述的方法,其特征在于,所述利用所述能效修正系数对所述空调能效比进行修正,得到修正空调能效比之后,还包括:
获取预先实验得到的所述空调的实验空调能效比;
将所述实验空调能效比与所述修正空调能效比进行比对,得到比对结果;
当根据比对结果确定所述修正空调能效比满足预设误差时,保留所述修正空调能效比;
当根据比对结果确定所述修正空调能效比不满足预设误差时,调用所述能效修正系数对应的神经网络;
将所述空调运行数据输入所述神经网络,利用所述空调运行数据对所述神经网络进行迭代训练,得到更新能效修正系数;
利用所述更新能效修正系数对所述空调能效比进行修正,得到更新能效比,将所述更新能效比作为最终的修正空调能效比。
3.根据权利要求1所述的方法,其特征在于,所述空调能效比包括空调制冷能效比和空调制热能效比;所述根据所述空调运行数据确定所述空调的空调能效比,包括:
根据所述空调运行数据获取压缩机进口运行数据、压缩机出口运行数据、蒸发器进口运行数据和蒸发器出口运行数据;
根据所述压缩机进口运行数据和所述压缩机出口运行数据分别进行焓值计算,得到压缩机进口的焓值和压缩机出口的焓值;
将所述压缩机进口的焓值和所述压缩机出口的焓值做商,得到空调制冷能效比;
根据所述蒸发器进口运行数据和所述蒸发器出口运行数据分别进行焓值计算,得到蒸发器进口的焓值和蒸发器出口的焓值;
将所述蒸发器进口的焓值和所述蒸发器出口的焓值做商,得到空调制热能效比。
4.根据权利要求3所述的方法,其特征在于,所述修正空调能效比包括修正制冷能效比和修正制热能效比;
所述利用所述能效修正系数对所述空调能效比进行修正,得到修正空调能效比,包括:
获取压缩机对应的第一能效修正系数和蒸发器对应的第二能效修正系数;
将所述第一能效修正系数与所述空调制冷能效比进行求积,得到修正后的修正制冷能效比;
将所述第二能效修正系数与所述空调制热能效比进行求积,得到修正后的修正制热能效比。
5.根据权利要求3所述的方法,其特征在于,所述根据所述压缩机进口运行数据和所述压缩机出口运行数据分别进行焓值计算,得到压缩机进口的焓值和压缩机出口的焓值,包括:
获取压缩机对应的第一拟合系数;
将所述压缩机进口运行数据或所述压缩机出口运行数据中的各数据,分别与对应的所述第一拟合系数进行乘积后求和,得到压缩机进口的焓值或压缩机出口的焓值;
所述根据所述蒸发器进口运行数据和所述蒸发器出口运行数据分别进行焓值计算,得到蒸发器进口的焓值和蒸发器出口的焓值,包括:
获取预设的蒸发器对应的第二拟合系数;
将所述蒸发器进口运行数据或所述蒸发器出口运行数据中的各数据,分别与对应的所述第二拟合系数进行乘积后求和,得到蒸发器进口的焓值或蒸发器出口的焓值。
6.根据权利要求1所述的方法,其特征在于,所述根据所述修正空调能效比确定所述空调的能效等级,包括:
获取所述空调对应的能效等级标准;
查询所述能效等级标准中的能效比,筛选所述能效等级标准中与所述修正空调能效比相匹配的能效比;
确定与所述修正空调能效比相匹配的能效比对应的能效等级为所述空调的能效等级。
7.根据权利要求1所述的方法,其特征在于,所述根据所述修正空调能效比确定所述空调的能效等级之后,还包括:
接收所述空调的能效等级查询请求;
根据所述能效等级查询请求查询所述空调的能效等级并返回显示所述能效等级。
8.一种空调能效等级确定装置,其特征在于,所述装置包括:
获取模块,用于获取空调的空调运行数据和能效修正系数;所述能效修正系数通过神经网络利用空调的历史运行数据训练得到;
能效确定模块,用于根据所述空调运行数据确定所述空调的空调能效比;
修正模块,用于利用所述能效修正系数对所述空调能效比进行修正,得到修正空调能效比;
等级确定模块,用于根据所述修正空调能效比确定所述空调的能效等级。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,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7中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其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7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010729431.7A CN111928430A (zh) | 2020-07-27 | 2020-07-27 | 空调能效等级确定方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010729431.7A CN111928430A (zh) | 2020-07-27 | 2020-07-27 | 空调能效等级确定方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111928430A true CN111928430A (zh) | 2020-11-13 |
Family
ID=73314742
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010729431.7A Pending CN111928430A (zh) | 2020-07-27 | 2020-07-27 | 空调能效等级确定方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111928430A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP4242539A1 (en) * | 2022-03-09 | 2023-09-13 | Carrier Corporation | Hybrid heat system, capacity allocation control method thereof, readable storage medium and control system |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104091045A (zh) * | 2014-06-16 | 2014-10-08 | 华南理工大学 | 一种基于bp神经网络的空调长效性能预测方法 |
CN105446139A (zh) * | 2015-12-18 | 2016-03-30 | 华南理工大学 | 基于bp神经网络的建筑能耗分析方法与系统 |
CN110553353A (zh) * | 2019-09-17 | 2019-12-10 | 广东美的制冷设备有限公司 | 空调器的控制方法、空调器及存储介质 |
CN110749028A (zh) * | 2019-10-29 | 2020-02-04 | 珠海格力电器股份有限公司 | 空调运行功率的确定方法、系统和装置 |
US20200080744A1 (en) * | 2018-09-12 | 2020-03-12 | Seokyoung Systems | Method for creating demand response determination model for hvac system and method for implementing demand response |
-
2020
- 2020-07-27 CN CN202010729431.7A patent/CN111928430A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104091045A (zh) * | 2014-06-16 | 2014-10-08 | 华南理工大学 | 一种基于bp神经网络的空调长效性能预测方法 |
CN105446139A (zh) * | 2015-12-18 | 2016-03-30 | 华南理工大学 | 基于bp神经网络的建筑能耗分析方法与系统 |
US20200080744A1 (en) * | 2018-09-12 | 2020-03-12 | Seokyoung Systems | Method for creating demand response determination model for hvac system and method for implementing demand response |
CN110553353A (zh) * | 2019-09-17 | 2019-12-10 | 广东美的制冷设备有限公司 | 空调器的控制方法、空调器及存储介质 |
CN110749028A (zh) * | 2019-10-29 | 2020-02-04 | 珠海格力电器股份有限公司 | 空调运行功率的确定方法、系统和装置 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP4242539A1 (en) * | 2022-03-09 | 2023-09-13 | Carrier Corporation | Hybrid heat system, capacity allocation control method thereof, readable storage medium and control system |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109654665B (zh) | 空调器的控制方法及装置和空调器 | |
Sun et al. | A novel efficient SVM-based fault diagnosis method for multi-split air conditioning system’s refrigerant charge fault amount | |
CN112577161A (zh) | 空调能耗模型训练方法与空调系统控制方法 | |
CN110425694B (zh) | 基于phm的高铁智能车站暖通空调能效控制管理方法 | |
US11940165B2 (en) | Predictive temperature scheduling for a thermostat using machine learning | |
CN110553353B (zh) | 空调器的控制方法、空调器及存储介质 | |
US9976765B2 (en) | System and method for controlling operations of air-conditioning system | |
CN111868639A (zh) | 用于控制空调系统的运行的系统及方法 | |
US11236917B2 (en) | Building control system with zone grouping based on predictive models | |
EP4089619A1 (en) | Building equipment energy management control system and control method therefor | |
US11644204B2 (en) | Error correction for predictive schedules for a thermostat | |
Zhu et al. | Hybrid model based refrigerant charge fault estimation for the data centre air conditioning system | |
US11609014B2 (en) | Predictive presence scheduling for a thermostat using machine learning | |
CN111928430A (zh) | 空调能效等级确定方法、装置、计算机设备和存储介质 | |
CN110848892A (zh) | 一种冰蓄冷系统的节能运行方法、装置、设备及存储介质 | |
US11549735B2 (en) | Apparatus, method, and program for estimating amount of refrigerant | |
CN113028610A (zh) | 中央空调动态负荷全局优化与节能控制的方法和装置 | |
CN113268913A (zh) | 一种基于pso-elm算法的智能建筑空调冷机系统运行优化方法 | |
CN115095953B (zh) | 一种故障诊断模型的训练方法及装置 | |
CN114636212B (zh) | 一种基于grnn的多台冷水机组系统运行控制方法 | |
CN114076400B (zh) | 空调器的电子膨胀阀控制方法、设备、存储介质及装置 | |
CN113566374A (zh) | 建筑负荷确定方法及系统 | |
CN112628957A (zh) | 变频空调的控制方法、装置与计算机可读存储介质 | |
WO2022050370A1 (ja) | 生成方法、プログラム、情報処理装置、情報処理方法、及び学習済みモデル | |
JP7041374B2 (ja) | 生成方法、プログラム、情報処理装置、情報処理方法、及び学習済みモデル |
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: 20201113 |
|
RJ01 | Rejection of invention patent application after publication |