CN112097378A - 一种基于前馈型神经网络的空调舒适度调节方法 - Google Patents

一种基于前馈型神经网络的空调舒适度调节方法 Download PDF

Info

Publication number
CN112097378A
CN112097378A CN202010851485.0A CN202010851485A CN112097378A CN 112097378 A CN112097378 A CN 112097378A CN 202010851485 A CN202010851485 A CN 202010851485A CN 112097378 A CN112097378 A CN 112097378A
Authority
CN
China
Prior art keywords
comfort
air conditioner
temperature
data
human body
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
CN202010851485.0A
Other languages
English (en)
Inventor
涂春光
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.)
Construct Forever Technology Co ltd
Original Assignee
Construct Forever 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 Construct Forever Technology Co ltd filed Critical Construct Forever Technology Co ltd
Priority to CN202010851485.0A priority Critical patent/CN112097378A/zh
Publication of CN112097378A publication Critical patent/CN112097378A/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
    • F24F11/88—Electrical aspects, e.g. circuits
    • 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
    • F24F11/56—Remote control
    • F24F11/58—Remote control using Internet communication
    • 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
    • F24F11/62—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
    • F24F11/65—Electronic processing for selecting an operating mode
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G06F18/24155—Bayesian classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • F24F2110/00—Control inputs relating to air properties
    • F24F2110/30—Velocity

Abstract

本发明公开了一种基于前馈型神经网络的空调舒适度调节方法，涉及空调技术领域；该方法包括以下的步骤：S1、人体舒适度模型的构建，通过PNN算法进行人体舒适度模型的构建；S2、数据的接收，通过串口接收数据，该数据包括温度和湿度，同时获取用户输入的数据；S3、空调模式的设定，根据当前房间的温度确定空调是否开启以及开启的模式，该模式为制冷模式或者制热模式；S4、人体舒适度指数的计算；S5、数据的采集，采集当前环境参数的数据，并将当前环境参数的数据进行发送，返回至步骤S2；本发明的有益效果是：可以自动化实现对空调舒适度的调节，使温度和风速处于较佳的状态。

Description

一种基于前馈型神经网络的空调舒适度调节方法
技术领域
本发明涉及空调技术领域，更具体的说，本发明涉及一种基于前馈型神经网络的空调舒适度调节方法。
背景技术
现代人类大约有80％的时间在建筑物中度过，人们渐渐认识到建筑室内空气品质对人的身心健康、舒适感及工作效率都会产生直接的影响。目前调节室内温度唯一途径就是空调设备。室内空调使用都是人为设置到一个温度点，则空调就按照这个温度点进行制热或者制热，达到设定温度就停机，没有达到设定温度就继续运行。根本没有考虑到空调调节对人体舒适性的影响；没有考虑到室内环境中温度、湿度、风场流速、含氧量及噪音这些因素。
在温度因素方面，夏季室内温度过高时，会影响人体的体温调节功能，散热不良容易引起体温升高、血管舒张、脉搏加快、心率加速等症状。在冬季，如果室内温度偏高，人就会感到疲乏、头晕脑涨、思维迟钝、记忆力差。同时，由于室内外温差悬殊，人体难以适应，容易患伤风感冒。反之，如果室内温度过低，则会使人体代谢功能下降，脉搏、呼吸减慢，皮下血管收缩，皮肤过度紧张，呼吸道粘膜的抵抗力减弱，容易诱发呼吸道疾病。在风场流速因素方面，空气流通情况也会影响人体对温度的感觉，湿度及空气流通会影响人体散热，如散热与体内产热不平衡，人体就会感觉不舒服。
发明内容
为了克服现有技术的不足，本发明提供一种基于前馈型神经网络的空调舒适度调节方法，实现了空调根据用户的舒适度自动调节，使温度和风速处于较佳的状态。
本发明解决其技术问题所采用的技术方案是：一种基于前馈型神经网络的空调舒适度调节方法，其改进之处在于，该方法包括以下的步骤：
S1、人体舒适度模型的构建，通过PNN算法进行人体舒适度模型的构建；
S2、数据的接收，通过串口接收数据，该数据包括温度和湿度，同时获取用户输入的数据；
S3、空调模式的设定，根据当前房间的温度确定空调是否开启以及开启的模式，该模式为制冷模式或者制热模式；
S4、人体舒适度指数的计算，调用人体舒适度模型，计算当前环境下的人体舒适度指数Comfort，通过舒适度指数Comfort的高低判定是由于温度高造成的不满意，还是由于温度低造成的不满意，若是由温度高造成的不满意，则控制降低空调设定的温度，反之，则升高空调设定温度；
S5、数据的采集，采集当前环境参数的数据，并将当前环境参数的数据进行发送，返回至步骤S2。
在上述的结构中，所述的步骤S3中，当房间的温度高于27℃时，空调开启制冷模式；当房间的温度低于20℃时，空调开启制热模式；当房间的温度位于20℃到27℃之间时，则无需开启空调。
在上述的结构中，所述的步骤S4中，舒适度指数Comfort的取值范围为1-9，且依次表示特别冷、很冷、比较冷、有点冷、舒适、有点热、比较热、很热、特别热。
在上述的结构中，所述的步骤S4中，包括以下的步骤：
S41、判定舒适度指数Comfort＝5是否成立，如成立，则保持设定温度值不变，设定风速值为低速，并进入步骤S5；如不成立，则进入步骤S42；
S42、判定舒适度指数Comfort-5≥3是否成立，如成立，则将设定温度值降低 2℃，将设定风速值调整为高速，并进入步骤S5；如不成立，则进入步骤S43；
S43、判定-3＜舒适度指数Comfort-5＜3是否成立，如成立，则将设定温度值降低1℃，将设定风速值调整为高速，并进入步骤S5；如不成立，则进入步骤S44；
S44、判定舒适度指数Comfort-5≤3是否成立，如成立，则将设定温度值升高 2℃，将设定风速值调整为高速，并进入步骤S5；如不成立，则进入步骤S45；
S45、将设定温度值升高1℃，将设定风速值调整为中速，并进入步骤S5。
在上述的结构中，所述的步骤S5中，通过串口发送指令给Zigbee协调器，通过Zigbee协调器实现数据的发送。
在上述的结构中，所述的步骤S2中，通过串口接收来自Zigbee协调器发送的数据。
本发明的有益效果是：本发明的一种基于前馈型神经网络的空调舒适度调节方法，可以自动化实现对空调舒适度的调节，使温度和风速处于较佳的状态，无需人工的参与，使得温度的控制更加精准，使用者的用户体验更佳。
附图说明
图1为本发明的一种基于前馈型神经网络的空调舒适度调节方法的流程示意图。
图2为本发明的一种基于前馈型神经网络的空调舒适度调节方法的具体实施例图。
图3为本发明的一种基于前馈型神经网络的空调舒适度调节方法的舒适度指数Comfort的示意图。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整地描述，以充分地理解本发明的目的、特征和效果。显然，所描述的实施例只是本发明的一部分实施例，而不是全部实施例，基于本发明的实施例，本领域的技术人员在不付出创造性劳动的前提下所获得的其他实施例，均属于本发明保护的范围。另外，专利中涉及到的所有联接/连接关系，并非单指构件直接相接，而是指可根据具体实施情况，通过添加或减少联接辅件，来组成更优的联接结构。本发明创造中的各个技术特征，在不互相矛盾冲突的前提下可以交互组合。
参照图1所示，本发明揭示了一种基于前馈型神经网络的空调舒适度调节方法，通过该方法实现对空调的调节，以达到适合使用者的最佳舒适度，在本实施例中，该方法包括以下的步骤：
S1、人体舒适度模型的构建，通过PNN算法进行人体舒适度模型的构建；
S2、数据的接收，通过串口接收数据，该数据包括温度和湿度，同时获取用户输入的数据；
S3、空调模式的设定，根据当前房间的温度确定空调是否开启以及开启的模式，该模式为制冷模式或者制热模式；
S4、人体舒适度指数的计算，调用人体舒适度模型，计算当前环境下的人体舒适度指数Comfort，通过舒适度指数Comfort的高低判定是由于温度高造成的不满意，还是由于温度低造成的不满意，若是由温度高造成的不满意，则控制降低空调设定的温度，反之，则升高空调设定温度；
S5、数据的采集，采集当前环境参数的数据，并将当前环境参数的数据进行发送，返回至步骤S2。
实际上，针对上述的步骤，参照图2所示，本发明提供了一具体实施例，其中，在上述的步骤S3中，当房间的温度高于27℃时，空调开启制冷模式；当房间的温度低于20℃时，空调开启制热模式；当房间的温度位于20℃到27℃之间时，则无需开启空调,此时则选择关闭空调；从而使温度处于20℃至27℃之间。
进一步的，在所述的步骤S4中，舒适度指数Comfort的取值范围为1-9，且依次表示特别冷、很冷、比较冷、有点冷、舒适、有点热、比较热、很热、特别热；需要说明的是，舒适度指数Comfort是依托于人体舒适度模型的建立，而步骤S1 中人体舒适度模型的构建，将在下文中详细的阐述。因此，在本实施例中，结合图 2所示，图2中的Temp为设定温度值，WS为设定风速值，针对舒适度指数Comfort 对空调进行调节的过程如下：
S41、判定舒适度指数Comfort＝5是否成立，如成立，则保持设定温度值Temp 不变，设定风速值WS为低速，并进入步骤S5；如不成立，则进入步骤S42；
S42、判定舒适度指数Comfort-5≥3是否成立，如成立，则将设定温度值Temp 降低2℃，将设定风速值WS调整为高速，并进入步骤S5；如不成立，则进入步骤 S43；
S43、判定-3＜舒适度指数Comfort-5＜3是否成立，如成立，则将设定温度值 Temp降低1℃，将设定风速值WS调整为高速，并进入步骤S5；如不成立，则进入步骤S44；
S44、判定舒适度指数Comfort-5≤3是否成立，如成立，则将设定温度值Temp 升高2℃，将设定风速值WS调整为高速，并进入步骤S5；如不成立，则进入步骤 S45；
S45、将设定温度值Temp升高1℃，将设定风速值WS调整为中速，并进入步骤 S5。
更进一步的，所述的步骤S5中，通过串口发送指令给Zigbee协调器，通过 Zigbee协调器实现数据的发送；因此，所述的步骤S2中，通过串口接收来自Zigbee 协调器发送的数据。可以理解的是，在步骤S4中，重新设定温度后，环境参数发生变化，通过空调控制终端采集当前环境参数，该环境参数作为新的输入参数传给上位机，参与下一轮的模型运算和控制，以实现空调根据用户舒适度进行自动调节的目标；这种调节方式可以自动化实现对空调舒适度的调节，无需人工的参与，使得温度的控制更加精准，使用者的用户体验更佳。
在人体舒适度模型的构建时，是基于PNN算法实现，综合考虑了对人体舒适度产生影响的各个因素，选择穿衣指数、运动指数、体重、性别作为人体参数来代替人体代谢率和衣服热阻等不易测量的人体相关参数，选择室内的实时温度、湿度作为环境参数，并选择PNN算法进行人体舒适度建模，相比于固定的公式推导，采用神经网络建立的模型适应性更强。
舒适度指数Comfort共设定9个等级，从1-9依此表示特别冷、很冷、比较冷、有点冷、舒适、有点热、比较热、很热、特别热，如图3所示。
为实现舒适度模型的构建，首先进行样本采集。本实施例中，样本采集采用问卷调查的方式，对6个受试者在测试房间中进行体验和问卷调查，采用空调控制终端对当前测试房间的环境参数进行采集，最终选取了54组数据作为样本数据。在 PNN网络训练中，选取46组数据作为训练数据，8组数据作为测试数据。样本数据如表1所示，其中Xi(i＝1，2)分别对应环境指标，即当前测试房间的温度(℃)、湿度(％)，Yi(i＝1，2，3，4)分别对应人体参数指标，即体重(kg)、穿衣指数、运动指数、性别。此外，穿衣指数、运动指数、性别分别以等级形式划分，具体划分情况下表所示：
Figure RE-GDA0002747989600000051
Figure RE-GDA0002747989600000061
Figure RE-GDA0002747989600000071
PNN是一种基于贝叶斯决策理论的前馈型神经网络模型，网络一般分为4层，分别是输入层、模式层、求和层和输出层。
PNN的输入层对应数据中的每一维特征值，神经元个数与样本维数一致，在舒适度模型中，首先对Xi(i＝1，2)和Yi(i＝1，2，3，4)进行归一化，归一化后作为模型的输入神经元，该层采用多元高斯核函数作为激活函数，该层各个神经元的输出为：
Figure RE-GDA0002747989600000072
其中，xij为输入神经元到模式层的权值，σ为平滑因子。
求和层连接了网络的模式层和输出层，求和层的每个神经元对应于输出层的一类，也就是说对应于1～9共9个人体舒适度指数等级。求和层的各个神经元将模式层中属于一类神经元的概率进行求和并求平均，得到属于每个类别的概率密度，该层各个神经元的输出为：
Figure RE-GDA0002747989600000073
输出层采用竞争神经元，对应每个舒适度指数。通过竞争，只有概率密度最大的神经元对应的输出为1，其他神经元的输出全部为0，这样就找出了样本数据对应的舒适度指数。输出层各个神经元的输出为：
Figure RE-GDA0002747989600000074
平滑因子是PNN算法的重要指标，它的大小决定了各个类别样本之间的影响程度，会对概率密度的计算生影响，最终将直接影响分类效果。如果σ过大，概率密度估计值较为平滑，严重丢失类别间差异的细节，故无法准确分类；如果σ过小，概率密度估计值会出现很多尖峰突起，也不能实现准确分类。本专利通过对数据的仿真实验，得出当σ取为0.31时，舒适度评价模型准确率相对最高，可以达到81.6％以上。
以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (6)

1.一种基于前馈型神经网络的空调舒适度调节方法，其特征在于，该方法包括以下的步骤：
S1、人体舒适度模型的构建，通过PNN算法进行人体舒适度模型的构建；
S2、数据的接收，通过串口接收数据，该数据包括温度和湿度，同时获取用户输入的数据；
S3、空调模式的设定，根据当前房间的温度确定空调是否开启以及开启的模式，该模式为制冷模式或者制热模式；
S4、人体舒适度指数的计算，调用人体舒适度模型，计算当前环境下的人体舒适度指数Comfort，通过舒适度指数Comfort的高低判定是由于温度高造成的不满意，还是由于温度低造成的不满意，若是由温度高造成的不满意，则控制降低空调设定的温度，反之，则升高空调设定温度；
S5、数据的采集，采集当前环境参数的数据，并将当前环境参数的数据进行发送，返回至步骤S2。
2.根据权利要求1所述的一种基于前馈型神经网络的空调舒适度调节方法，其特征在于：所述的步骤S3中，当房间的温度高于27℃时，空调开启制冷模式；当房间的温度低于20℃时，空调开启制热模式；当房间的温度位于20℃到27℃之间时，则无需开启空调。
3.根据权利要求1所述的一种基于前馈型神经网络的空调舒适度调节方法，其特征在于：所述的步骤S4中，舒适度指数Comfort的取值范围为1-9，且依次表示特别冷、很冷、比较冷、有点冷、舒适、有点热、比较热、很热、特别热。
4.根据权利要求3所述的一种基于前馈型神经网络的空调舒适度调节方法，其特征在于：所述的步骤S4中，包括以下的步骤：
S41、判定舒适度指数Comfort＝5是否成立，如成立，则保持设定温度值不变，设定风速值为低速，并进入步骤S5；如不成立，则进入步骤S42；
S42、判定舒适度指数Comfort-5≥3是否成立，如成立，则将设定温度值降低2℃，将设定风速值调整为高速，并进入步骤S5；如不成立，则进入步骤S43；
S43、判定-3＜舒适度指数Comfort-5＜3是否成立，如成立，则将设定温度值降低1℃，将设定风速值调整为高速，并进入步骤S5；如不成立，则进入步骤S44；
S44、判定舒适度指数Comfort-5≤3是否成立，如成立，则将设定温度值升高2℃，将设定风速值调整为高速，并进入步骤S5；如不成立，则进入步骤S45；
S45、将设定温度值升高1℃，将设定风速值调整为中速，并进入步骤S5。
5.根据权利要求1所述的一种基于前馈型神经网络的空调舒适度调节方法，其特征在于：所述的步骤S5中，通过串口发送指令给Zigbee协调器，通过Zigbee协调器实现数据的发送。
6.根据权利要求5所述的一种基于前馈型神经网络的空调舒适度调节方法，其特征在于：所述的步骤S2中，通过串口接收来自Zigbee协调器发送的数据。
CN202010851485.0A 2020-08-21 2020-08-21 一种基于前馈型神经网络的空调舒适度调节方法 Pending CN112097378A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010851485.0A CN112097378A (zh) 2020-08-21 2020-08-21 一种基于前馈型神经网络的空调舒适度调节方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010851485.0A CN112097378A (zh) 2020-08-21 2020-08-21 一种基于前馈型神经网络的空调舒适度调节方法

Publications (1)

Publication Number Publication Date
CN112097378A true CN112097378A (zh) 2020-12-18

Family

ID=73753248

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010851485.0A Pending CN112097378A (zh) 2020-08-21 2020-08-21 一种基于前馈型神经网络的空调舒适度调节方法

Country Status (1)

Country Link
CN (1) CN112097378A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115031377A (zh) * 2022-06-29 2022-09-09 海信（广东）空调有限公司 空调器及其控制方法
CN115220351A (zh) * 2022-08-06 2022-10-21 郑州轻工业大学 一种基于云边端的建筑空调系统智能节能优化控制方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102563808A (zh) * 2012-01-11 2012-07-11 华南理工大学 一种室内环境舒适度的自动控制方法
CN104833063A (zh) * 2015-06-04 2015-08-12 安徽建筑大学 一种空调控制方法及系统
US20160161137A1 (en) * 2014-12-04 2016-06-09 Delta Electronics, Inc. Controlling system for environmental comfort degree and controlling method of the controlling system
CN110298487A (zh) * 2019-05-30 2019-10-01 同济大学 一种用于满足用户个性化需求的室内温度预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102563808A (zh) * 2012-01-11 2012-07-11 华南理工大学 一种室内环境舒适度的自动控制方法
US20160161137A1 (en) * 2014-12-04 2016-06-09 Delta Electronics, Inc. Controlling system for environmental comfort degree and controlling method of the controlling system
CN104833063A (zh) * 2015-06-04 2015-08-12 安徽建筑大学 一种空调控制方法及系统
CN110298487A (zh) * 2019-05-30 2019-10-01 同济大学 一种用于满足用户个性化需求的室内温度预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
廉小亲等: "基于PNN算法的空调智能控制策略研究", 《制造业自动化》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115031377A (zh) * 2022-06-29 2022-09-09 海信（广东）空调有限公司 空调器及其控制方法
CN115031377B (zh) * 2022-06-29 2023-11-21 海信（广东）空调有限公司 空调器及其控制方法
CN115220351A (zh) * 2022-08-06 2022-10-21 郑州轻工业大学 一种基于云边端的建筑空调系统智能节能优化控制方法

Similar Documents

Publication Publication Date Title
CN110454930B (zh) 人体最佳热舒适度估算方法、设备及空调控制方法和装置
CN104490371B (zh) 一种基于人体生理参数的热舒适检测方法
US20170123442A1 (en) System and Method of Smart and Energy-Saving Environmental Control
CN110377936B (zh) 一种智能建筑人员个性化热舒适度动态感知的系统及方法
CN110186170B (zh) 热舒适度指标pmv控制方法及设备
CN112097378A (zh) 一种基于前馈型神经网络的空调舒适度调节方法
CN112254287B (zh) 变权重多模型综合预测中央空调末端送风控制方法
CN104833063A (zh) 一种空调控制方法及系统
CN106679124A (zh) 利用可穿戴设备实现空调温度控制的系统及方法
CN114370698B (zh) 基于强化学习的室内热环境学习效率提升的优化控制方法
CN109883016B (zh) 一种空气舒适度调节方法和设备
CN111486554A (zh) 一种基于在线学习的空调温度无感化控制方法
CN113339952A (zh) 空调系统
CN110717524A (zh) 一种老年人热舒适预测方法
CN112963946A (zh) 一种面向共享办公区域的暖通空调系统控制方法及装置
US20230304689A1 (en) Q-learning based model-free control method for indoor thermal environment of aged care building
CN110108003B (zh) 基于智能家居的空调温度智能控制方法、装置及空调
CN109373499B (zh) 空调控制方法及装置
CN105467826B (zh) 一种运动智能手表和最佳跑速获取方法
CN108426349B (zh) 基于复杂网络与图像识别的空调个性化健康管理方法
CN111658931B (zh) 一种智能经鼻高流量湿化氧疗系统
CN109458705A (zh) 一种空调器的智能控制方法及其系统
CN113232481A (zh) 基于人体舒适性指标pmv的车辆空调的控制方法及系统
CN117053378A (zh) 一种基于用户画像的暖通空调智能调控方法
CN115839541A (zh) 一种空调器的控制方法、控制装置和空调器

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20201218