CN112283889A - 空调的预启动时间控制方法、装置、设备及存储介质 - Google Patents
空调的预启动时间控制方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112283889A CN112283889A CN202011082502.5A CN202011082502A CN112283889A CN 112283889 A CN112283889 A CN 112283889A CN 202011082502 A CN202011082502 A CN 202011082502A CN 112283889 A CN112283889 A CN 112283889A
- Authority
- CN
- China
- Prior art keywords
- time
- air conditioner
- parameters
- current
- sample
- 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
- F24F11/50—Control or safety arrangements characterised by user interfaces or communication
- F24F11/61—Control or safety arrangements characterised by user interfaces or communication using timers
-
- 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
- F24F11/62—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
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Human Computer Interaction (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明涉及空调技术领域,公开了一种空调的预启动时间控制方法、装置、设备及存储介质,该方法包括:获取空调器所处的当前室内环境参数、当前室外环境参数及当前设备运行参数;根据当前室内环境参数、当前室外环境参数及当前设备运行参数,通过预设时间预测模型进行时间预测,以确定空调器的目标预启动时间;控制空调器按照目标预启动时间实现定时启动。由于现有技术通过手动控制空调器启动,但空调器定时开启时间过长或过短时,会造成资源浪费,而本发明根据室内环境参数、室外环境参数及设备运行参数,通过预设时间预测模型进行时间预测确定空调器的目标预启动时间,从而控制空调器按照精准的预启动时间定时启动,进而降低空调器的能耗。
Description
技术领域
本发明涉及空调技术领域,尤其涉及一种空调的预启动时间控制方法、装置、设备及存储介质。
背景技术
随着人们生活水平的不断提高,人们对空调的要求也越来越高,尤其是定时开启中央空调的要求。目前中央空调的预制冷时间通常都由物业人员凭经验估计,在建筑自动化系统上设置一个预开启时间,但凭经验估计得出的预制冷时间与实际所需预制冷时间差异较大,过早开启空调系统造成能源的浪费,过晚开启空调系统则会导致工作时间室内温度过高,人员舒适性差。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种空调的预启动时间控制方法、装置、设备及存储介质,旨在解决现有技术中无法精准确定空调器的预开启时间的技术问题。
为实现上述目的,本发明提供一种空调的预启动时间控制方法,所述空调的预启动时间控制方法包括以下步骤:
获取空调器所处的当前室内环境参数、当前室外环境参数及当前设备运行参数;
根据所述当前室内环境参数、所述当前室外环境参数及所述当前设备运行参数,通过预设时间预测模型进行时间预测,以确定所述空调器的目标预启动时间,所述预设时间预测模型通过对初始神经网络模型进行训练获得;以及
控制所述空调器按照所述目标预启动时间实现定时启动。
优选地,所述获取空调器所处的当前室内环境参数、当前室外环境参数及当前设备运行参数的步骤之前,还包括:
获取室内环境参数训练子集、室外环境参数训练子集及设备运行参数训练子集;
根据所述室内环境参数训练子集、所述室外环境参数训练子集及所述设备运行参数训练子集构建预测模型参数训练集,所述预测模型参数训练集包括若干组预测模型参数;
获取各组预测模型参数对应的训练时长标准值;
根据各组预测模型参数和各组预测模型参数对应的训练时长标准值对初始神经网络进行训练,获得初始时间预测神经网络;以及
将所述初始时间预测神经网络作为预设时间预测模型。
优选地,所述获取室内环境参数训练子集、室外环境参数训练子集及设备运行参数训练子集的步骤,包括:
在预设时间阈值内采集多个样本室内环境参数、多个样本室外环境参数及多个样本设备运行参数;
判断多个所述样本室内环境参数、多个所述样本室外环境参数及多个所述样本设备运行参数是否符合预设数据连续条件;
在多个所述样本室内环境参数、多个所述样本室外环境参数及多个所述样本设备运行参数符合所述预设数据连续条件时,分别对多个所述样本室内环境参数、多个所述样本室外环境参数及多个所述样本设备运行参数进行数据筛选,以确定多个室内环境参数、多个室外环境参数及多个设备运行参数;以及
根据多个所述室内环境参数构建室内环境参数训练子集,根据多个所述室外环境参数构建室外环境参数训练子集,并根据多个所述设备运行参数构建设备运行参数训练子集。
优选地,所述将所述初始预测时间神经网络作为预设时间预测模型的步骤之前,还包括:
获取室内环境测试参数、室外环境测试参数及设备运行测试参数;
将所述室内环境测试参数、所述室外环境测试参数及所述设备运行测试参数输入至所述初始时间预测神经网络中,以获得空调器的启动时长预测值;
根据所述启动时长预测值和预测时长标准值确定启动时长差值;
判断所述启动时长差值是否小于预设时长阈值;以及
在所述启动时长差值小于所述预设时长阈值时,执行所述将所述初始时间预测神经网络作为预设时间预测模型的步骤。
优选地,所述根据所述当前室内环境参数、所述当前室外环境参数及所述当前设备运行参数,通过预设时间预测模型进行时间预测,以确定所述空调器的目标预启动时间的步骤,包括:
将所述当前室内环境参数、所述当前室外环境参数、所述当前设备运行参数输入至预设时间预测模型,以获得所述空调器的启动时长编码;
对所述启动时长编码进行处理,获得所述空调器的启动时长;
获取室内舒适温度对应的期许时间;以及
根据所述启动时长和所述期许时间确定所述空调器的目标预启动时间。
优选地,所述对所述启动时长编码进行处理,获得所述空调器的启动时长的步骤,包括:
对所述启动时长编码进行处理,以获取对应的时间浮点;
将所述时间浮点与预设时间映射关系表中的样本时间浮点进行匹配;
若匹配成功,则将匹配成功的所述样本时间浮点对应的启动时长样本作为所述空调器的启动时长。
优选地,所述对所述启动时间编码进行处理,以获取对应的时间浮点的步骤之前,还包括:
获取多个样本时间浮点;
根据多个所述样本时间浮点分别确定对应的样本启动时长;
根据多个所述样本时间浮点和所述样本启动时长建立预设时间映射关系表。
此外,为实现上述目的,本发明还提出一种空调的预启动时间控制装置,所述空调的预启动时间控制装置包括:
采集模块,用于获取空调器所处的当前室内环境参数、当前室外环境参数及当前设备运行参数;
算法模块,用于根据所述当前室内环境参数、所述当前室外环境参数及所述当前设备运行参数,通过预设时间预测模型进行时间预测,以确定所述空调器的目标预启动时间,所述预设时间预测模型通过对初始神经网络模型进行训练获得;以及
控制模块,用于控制所述空调器按照所述目标预启动时间实现定时启动。
此外,为实现上述目的,本发明还提出一种空调的预启动时间控制设备,所述空调的预启动时间控制设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的空调的预启动时间控制程序,所述空调的预启动时间控制程序被所述处理器执行时实现如上文所述的空调的预启动时间控制方法的步骤。
此外,为实现上述目的,本发明还提出一种存储介质,所述存储介质上存储有空调的预启动时间控制程序,所述空调的预启动时间控制程序被处理器执行时实现如上文所述的空调的预启动时间控制方法的步骤。
本发明中,首先获取空调器所处的当前室内环境参数和当前室外环境参数、当前设备运行参数,然后根据当前室内环境参数和当前室外环境参数、当前设备运行参数,通过预设时间预测模型进行时间预测,以确定空调器的目标预启动时间,最后控制空调器按照目标预启动时间实现定时启动。由于现有技术通过手动控制空调器启动,但空调器定时开启时间过长或过短时,会造成资源浪费,而本发明根据室内环境参数、室外环境参数及设备运行参数,通过预设时间预测模型进行时间预测确定空调器的目标预启动时间,从而控制空调器按照精准的预启动时间定时启动,进而降低空调器的能耗,提高了用户的使用体验。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的空调的预启动时间控制设备的结构示意图;
图2为本发明空调的预启动时间控制方法第一实施例的流程示意图;
图3为本发明空调的预启动时间控制方法第二实施例的流程示意图;
图4为本发明空调的预启动时间控制装置第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
参照图1,图1为本发明实施例方案涉及的硬件运行环境的空调的预启动时间控制设备结构示意图。
如图1所示,该空调的预启动时间控制设备可以包括:处理器1001,例如中央处理器(Central Processing Unit,CPU),通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display),可选用户接口1003还可以包括标准的有线接口、无线接口,对于用户接口1003的有线接口在本发明中可为USB接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity,WI-FI)接口)。存储器1005可以是高速的随机存取存储器(Random Access Memory,RAM)存储器,也可以是稳定的存储器(Non-volatileMemory,NVM),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的结构并不构成对空调的预启动时间控制设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,认定为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及空调的预启动时间控制程序。
在图1所示的空调的预启动时间控制设备中,网络接口1004主要用于连接后台服务器,与所述后台服务器进行数据通信;用户接口1003主要用于连接用户设备;所述空调的预启动时间控制设备通过处理器1001调用存储器1005中存储的空调的预启动时间控制程序,并执行本发明实施例提供的空调的预启动时间控制方法。
基于上述硬件结构,提出本发明空调的预启动时间控制方法的实施例。
参照图2,图2为本发明空调的预启动时间控制方法第一实施例的流程示意图,提出本发明空调的预启动时间控制方法第一实施例。
在第一实施例中,所述空调的预启动时间控制方法包括以下步骤:
步骤S10:获取空调器所处的当前室内环境参数和当前室外环境参数、当前设备运行参数。
需要说明的是,本实施例的执行主体是空调的预启动时间控制设备,其中,该设备是具有数据处理,数据通信及程序运行等功能的空调的预启动时间控制设备,也可为其他设备,本实施例对此不做限制。
空调器可以是中央空调系统,也可以是家用空调器等。
当前室内环境参数可以为当前某刻采集的室内干球温度、室内湿球温度等,当前设备运行参数可以为冷冻水供水温度及冷冻水回水温度等,当前室外环境参数可以为当前某刻采集的室外湿球温度和室外干球温度和太阳辐射强度等,本实施例并不加以限制。
也就是说,在某一时刻同时采集室内干球温度、室内湿球温度、冷冻水供水温度、冷冻水回水温度、室外湿球温度和室外干球温度和太阳辐射强度,并判断上述采集的数据是否异常或缺失,在上述某刻采集的数据出现异常或缺失时,重新采集下一时刻的室内干球温度、室内湿球温度、冷冻水供水温度、冷冻水回水温度、室外湿球温度和室外干球温度和太阳辐射强度,直至某一时刻采集的数据完整。
可以理解为,假设6:00时,室内干球温度为30、室内湿球温度为31、冷冻水供水温度为23、冷冻水回水温度为24、室外湿球温度为0和室外干球温度为1和太阳辐射强度17,则室外湿球温度和室外干球温度为异常数据,6:00采集室内环境参数和室外环境参数无效,需要重新采集室内环境参数和室外环境参数等。
步骤S20:根据所述当前室内环境参数、所述当前室外环境参数及所述当前设备运行参数,通过预设时间预测模型进行时间预测,以确定所述空调器的目标预启动时间,所述预设时间预测模型通过对初始神经网络模型进行训练获得。
获取室内环境参数训练子集、室外环境参数训练子集及设备运行参数训练子集,根据室内环境参数训练子集、室外环境参数训练子集及设备运行参数训练子集构建预测模型参数训练集,预测模型参数训练集包括若干组预测模型参数,获取各组预测模型参数对应的训练时长标准值即空调器启动时长标准值,根据各组预测模型参数和各组预测模型参数对应的训练时长标准值对初始神经网络进行训练,获得初始时间预测神经网络,将初始时间预测神经网络作为预设时间预测模型。
其中,室内环境参数可以为室内干球温度、室内湿球温度、设备运行参数可以为冷冻水供水温度及冷冻水回水温度,室外环境参数可以为室外湿球温度和室外干球温度和太阳辐射强度等,其中一组预测模型参数为室内干球温度、室内湿球温度、冷冻水供水温度、冷冻水回水温度、室外湿球温度、室外干球温度和太阳辐射强度。
获取室内环境参数训练子集、室外环境参数训练子集及设备运行参数训练子集的步骤,在预设时间阈值内采集多个样本室内环境参数、多个样本室外环境参数及多个样本设备运行参数,判断多个所述样本室内环境参数、多个所述样本室外环境参数及多个所述样本设备运行参数是否符合预设数据连续条件,在多个所述样本室内环境参数、多个所述样本室外环境参数及多个所述样本设备运行参数符合所述预设数据连续条件时,分别对多个所述样本室内环境参数、多个所述样本室外环境参数及多个所述样本设备运行参数进行数据筛选,以确定多个室内环境参数、多个室外环境参数及多个设备运行参数,根据多个所述室内环境参数构建室内环境参数训练子集,根据多个所述室外环境参数构建室外环境参数训练子集,并根据多个所述设备运行参数构建设备运行参数训练子集。
预设数据连续条件为采集室内干球温度、室内湿球温度、冷冻水供水温度、冷冻水回水温度、室外湿球温度、室外干球温度和太阳辐射强度等参数时,数据不中断,可以完整采集一组数据,之后判断采集的数据是否为属于数据异常或数据缺失,在出现数据异常或数据缺失时,将数据异常或数据缺失对应的一组数据进行筛选,以去除该组数据,最后将筛选符合要求的参数分别构建室内环境参数训练子集、室外环境参数训练子集及设备运行参数训练子集。
将所述初始预测时间神经网络作为预设时间预测模型的步骤之前,获取室内环境测试参数、室外环境测试参数及设备运行测试参数,将室内环境测试参数、室外环境测试参数及设备运行测试参数输入至初始时间预测神经网络中,以获得空调器的启动时长预测值,根据启动时长预测值和预测时长标准值确定启动时长差值,判断启动时长差值是否小于预设时长阈值,在启动时长差值小于预设时长阈值时,执行将初始时间预测神经网络作为预设时间预测模型的步骤。
也就是说,对预设时间预测模型进行检测,判断预设时间预测模型是否符合标准模型条件,在某刻实时采集室内环境测试参数、室外环境测试参数及设备运行测试参数,并获取室内环境测试参数、室外环境测试参数及设备运行测试参数对应的预测时长标准值,之后,将室内环境测试参数和室外环境测试参数及设备运行测试参数输入至初始时间预测神经网络中,以获得空调器的启动时长预测值,并根据启动时长预测值和预测时长标准值确定启动时长差值,假设启动时长差值为10min,预设时长阈值为30min,则启动时长差值10min小于预测时长阈值30min,将训练后的初始神经网络作为预设时间预测模型,若启动时长差值为40min大于预测时间阈值30min,则需要根据采集的预测模型参数重新训练初始神经网络。
基于人工神经网络模型建立中央空调的最优启动时间预测模型即预设时间预测模型,由于建筑内的温度受室外温湿度、太阳辐射、室内设备、照明、人员的散热以及维护结构蓄热的影响,使得整个建筑成为一个非常复杂的热力系统,很难用精确的数学模型来描述建筑内温度的变化过程。因此,空调系统最优启动时间也无法用普通函数关系式来表示。人工神经网络算法具有非线性、适应性信息处理能力,弥补了传统算法存在的缺陷,能无限逼近任意多变量非线性关系,因此利用神经网络算法预测空调系统的最优启动时间具有很强的可行性。
人工神经网络从结构上分为输入层、隐含层和输出层,有时候还特别设置结构层,该层可以把隐含层上一个时刻中的信息储存起来,结构层与输入层按照一定的算法及连接权值的修正传递到隐含层,经隐含层处理结束后将此时的输出反馈传播到结构层,并记忆到下一训练时刻才释放该单元值。人工神经网络通过增加内部反馈信号提升了动态辨识的处理能力,适用于解决空调系统的动态仿真预测的问题。
预设时间预测模型的构建步骤可以划分为:
步骤一:从预测模型参数的历史数据库中筛选满足条件的预测模型参数,并进行数据清洗,去除零值、异常值、缺失值等数据;
步骤二:输入输出参数筛选,其中输入参数包括:t0时刻室外干球温度,t0时刻室外湿球温度,t0时刻室内干球温度,t0时刻室内湿球温度,t0时刻冷冻水供水温度,t0时刻冷冻水回水温度,t0时太阳辐射强度。t0时刻是每天主机开机前的某一时刻,例如6:00。输出参数为中央空调系统最优启动时间tpre:tpre=t2-t1,其中t1为中央空调实际开始制冷的时刻,t2为室内温度达到设定值的时刻。在过渡季节,有时早上中央空调系统即使不开启,室内温度也能达到设定值,此时中央空调系统最优启动时间tpre默认为0。
步骤三:人工神经网络模型根据输入输出参数进行训练,对模型中的权重系数进行自动辨识。为了保证预测时间的准确性,神经网络模型每隔一段时间根据新增历史数据重新自适应训练,对模型权重系数进行更新。
步骤四:在完成最优启动时间预测模型训练的基础上,建筑自动化系统每天在t0时刻将输入参数发送给预测模型,获取最优启动时间预测值tpre,并根据最优启动时间tpre和上班时刻t3(建筑自动化系统上设定)计算开机时刻t4:t4=t3-tpre。建筑自动化系统判断当前时刻是否到达开机时刻t4,若未到达则等待,若到达开机时刻t4,则向冷水机组发送开机指令,也就是说判断人员上班时间与当前时间之差是否小于等于预测时长即空调开机时刻,如小于等于预测时长则发送开机指令,否则不动作等待。
根据所述当前室内环境参数、所述当前室外环境参数及所述当前设备运行参数,通过预设时间预测模型进行时间预测,以确定所述空调器的目标预启动时间的步骤,将当前室内环境参数和当前室外关键参数输入至预设时间预测模型,以获得空调器的启动时长编码,对启动时长编码进行处理,获得空调器的启动时长,获取室内舒适温度对应的期许时间,根据启动时长和所述期许时间确定所述空调器的目标预启动时间。
对所述启动时长编码进行处理,获得所述空调器的启动时长的步骤,对启动时长编码进行处理,以获取对应的时间浮点,将时间浮点与预设时间映射关系表中的样本时间浮点进行匹配,若匹配成功,则将匹配成功的样本时间浮点对应的启动时长样本作为空调器的启动时长。
对启动时间编码进行处理,以获取对应的时间浮点的步骤之前,获取多个样本时间浮点,根据多个样本时间浮点分别确定对应的样本启动时长,根据多个样本时间浮点和样本启动时长建立预设时间映射关系表。
也就是说,随着云计算技术的发展,越来越多的建筑自动化系统开始接入共有云或私有云,将楼宇系统的数据上传至云计算平台,进行可视化的分析展示,从而有效提升了楼宇的能源管理水平、节约了运维成本。因此,为实现云计算平台最优启动时间预测控制,本实施例在本地设置智能楼宇管理系统,该系统不仅具备常规建筑自动化系统的功能,还能通过特定接口与云计算平台进行实时数据交互,同时利用云技术将中央空调系统最优启动时间预测模型部署在云计算平台,建立智能楼宇管理系统远程调用服务。智能楼宇管理系统定时发送数据给云端预测模型,经模型计算后返回预测时间值,实现对中央空调系统的开机时间的动态优化。其中,云计算平台远程最优启动时间预测控制步骤如下:
(1)在上位机部署智能楼宇管理系统、云计算平台部署最优启动时间预测模型,建立云计算平台与智能楼宇管理系统之间的通讯连接及接口调用服务;
(2)智能楼宇管理系统每天在开机前某时刻(例如6:00)向云计算平台发送数据请求,并将该时刻的室内温湿度、室外温湿度、太阳辐射强度、冷水机组供回水温度等参数发送给云计算平台预测模型,数据处理成特定的编码;
云计算平台模型经过计算后,向智能楼宇管理系统返回包含最优启动时间的编码,智能楼宇管理系统将编码自动解析成时间值,并修改当天的中央空调系统开机时间设定值;
(3)当时钟到达开机时间设定值,智能楼宇管理系统向中央空调系统发出开机指令,完成最优启动时间预测控制。
步骤S30:控制所述空调器按照所述目标预启动时间实现定时启动。
需要说明的是,将当前室内环境参数、当前室外关键参数及当前设备运行参数输入至预设时间预测模型,以获得空调器的启动时长编码,对启动时长编码进行处理,获得空调器的启动时长,获取室内舒适温度对应的期许时间,根据启动时长和所述期许时间确定所述空调器的目标预启动时间,之后根据目标预启动时间控制空调器实现定时启动。
本实施例,首先获取空调器所处的当前室内环境参数、当前室外环境参数及当前设备运行参数,然后根据当前室内环境参数、当前室外环境参数及当前设备运行参数,通过预设时间预测模型进行时间预测,以确定空调器的目标预启动时间,最后控制空调器按照目标预启动时间实现定时启动。由于现有技术通过手动控制空调器启动,但空调器定时开启时间过长或过短时,会造成资源浪费,而本实施例根据室内环境参数、室外环境参数及设备运行参数,通过预设时间预测模型进行时间预测确定空调器的目标预启动时间,从而控制空调器按照精准的预启动时间定时启动,进而降低空调器的能耗。
此外,参照图3,图3为基于上述空调的预启动时间控制方法第一实施例,提出本发明空调的预启动时间控制方法第二实施例。
在第二实施例中,空调的预启动时间控制方法中所述步骤S20,包括:
步骤S201:将所述当前室内环境参数、所述当前室外环境参数、所述当前设备运行参数输入至预设时间预测模型,以获得所述空调器的启动时长编码。
当前室内环境参数可以为当前某刻采集的室内干球温度、室内湿球温度等,设备运行参数可以为冷冻水供水温度及冷冻水回水温度等,当前室外环境参数可以为当前某刻采集的室外湿球温度和室外干球温度和太阳辐射强度等,本实施例并不加以限制。
进一步地,将室内干球温度、室内湿球温度、冷冻水供水温度、冷冻水回水温度、室外湿球温度、室外干球温度和太阳辐射强度输入至预设时间预测模型,以获取所述空调器的启动时长编码。
可以理解的是,每组室内干球温度、室内湿球温度、冷冻水供水温度、冷冻水回水温度、室外湿球温度、室外干球温度和太阳辐射强度对应的一组启动时长编码,也就是说每组预测模型参数不同,对应的启动时长编码也不同。
步骤S202:对所述启动时长编码进行处理,获得所述空调器的启动时长。
对启动时长编码进行处理,以获取对应的时间浮点,将时间浮点与预设时间映射关系表中的样本时间浮点进行匹配,若匹配成功,则将匹配成功的样本时间浮点对应的启动时长样本作为空调器的启动时长。还可以对启动时长编码进行编码处理,获得对应的时间浮点,之后根据时间浮点按照一定的数据转换规则,以转换成对应的空调器的启动时长等,本实施例并不加以限制。
对启动时间编码进行处理,以获取对应的时间浮点的步骤之前,获取多个样本时间浮点,根据多个样本时间浮点分别确定对应的样本启动时长,根据多个样本时间浮点和样本启动时长建立预设时间映射关系表。
启动时长可以理解为空调器的预先制冷或制热的启动时长。
步骤S203:获取室内舒适温度对应的期许时间。
期许时间可以为用户需要在某刻时间使室内温度达到舒适温度的时刻,可以为用户上班时间8:00,也可以为休息时间17:00等,本实施例并不加以限制。
步骤S204:根据所述启动时长和所述期许时间确定所述空调器的目标预启动时间。
也就是说,假设启动时长为tpre,期许时间为t2,则空调器的目标预启动时间t1为输出参数为期许时间减去启动时长,也就是t1=t2-tpre。可以理解的是,在过渡季节有时早上中央空调系统即使不开启,室内温度也能达到设定值,此时中央空调系统最优启动时间tpre默认为0。
在本实施例中,首先将当前室内环境参数、当前室外关键参数及当前设备运行参数输入至预设时间预测模型,以获得空调器的启动时长编码,对启动时长编码进行处理,获得空调器的启动时长,获取室内舒适温度对应的期许时间,根据启动时长和期许时间确定空调器的目标预启动时间,由于现有技术中,手动设置空调器的预启动时间,会导致忘记预先设置预启动时间,而本实施例对空调器的启动时长编码进行处理,获得空调器的启动时长,获取室内舒适温度对应的期许时间,根据启动时长和期许时间确定空调器的目标预启动时间,从而实现自动控制空调器的预启动时间。
此外,本发明实施例还提出一种存储介质,所述存储介质上存储有空调的预启动时间控制程序,所述空调的预启动时间控制程序被处理器执行时实现如上文所述的空调的预启动时间控制方法的步骤。
此外,参照图4,本发明实施例还提出一种空调的预启动时间控制装置,所述空调的预启动时间控制装置包括:
采集模块4001,用于获取空调器所处的当前室内环境参数和当前室外环境参数、当前设备运行参数。
需要说明的是,本实施例的执行主体是空调的预启动时间控制设备,其中,该设备是具有数据处理,数据通信及程序运行等功能的空调的预启动时间控制设备,也可为其他设备,本实施例对此不做限制。
空调器可以是中央空调系统,也可以是家用空调器等。
当前室内环境参数可以为当前某刻采集的室内干球温度、室内湿球温度等,当前设备运行参数可以为冷冻水供水温度及冷冻水回水温度等,当前室外环境参数可以为当前某刻采集的室外湿球温度和室外干球温度和太阳辐射强度等,本实施例并不加以限制。
也就是说,在某一时刻同时采集室内干球温度、室内湿球温度、冷冻水供水温度、冷冻水回水温度、室外湿球温度和室外干球温度和太阳辐射强度,并判断上述采集的数据是否异常或缺失,在上述某刻采集的数据出现异常或缺失时,重新采集下一时刻的室内干球温度、室内湿球温度、冷冻水供水温度、冷冻水回水温度、室外湿球温度和室外干球温度和太阳辐射强度,直至某一时刻采集的数据完整。
可以理解为,假设6:00时,室内干球温度为30、室内湿球温度为31、冷冻水供水温度为23、冷冻水回水温度为24、室外湿球温度为0和室外干球温度为1和太阳辐射强度17,则室外湿球温度和室外干球温度为异常数据,6:00采集室内环境参数和室外环境参数无效,需要重新采集室内环境参数和室外环境参数等。
算法模块4002,用于根据所述当前室内环境参数、所述当前室外环境参数及所述当前设备运行参数,通过预设时间预测模型进行时间预测,以确定所述空调器的目标预启动时间,所述预设时间预测模型通过对初始神经网络模型进行训练获得。
获取室内环境参数训练子集、室外环境参数训练子集及设备运行参数训练子集,根据室内环境参数训练子集、室外环境参数训练子集及设备运行参数训练子集构建预测模型参数训练集,预测模型参数训练集包括若干组预测模型参数,获取各组预测模型参数对应的训练时长标准值即空调器启动时长标准值,根据各组预测模型参数和各组预测模型参数对应的训练时长标准值对初始神经网络进行训练,获得初始时间预测神经网络,将初始时间预测神经网络作为预设时间预测模型。
其中,室内环境参数可以为室内干球温度、室内湿球温度、设备运行参数可以为冷冻水供水温度及冷冻水回水温度,室外环境参数可以为室外湿球温度和室外干球温度和太阳辐射强度等,其中一组预测模型参数为室内干球温度、室内湿球温度、冷冻水供水温度、冷冻水回水温度、室外湿球温度、室外干球温度和太阳辐射强度。
获取室内环境参数训练子集、室外环境参数训练子集及设备运行参数训练子集的步骤,在预设时间阈值内采集多个样本室内环境参数、多个样本室外环境参数及多个样本设备运行参数,判断多个所述样本室内环境参数、多个所述样本室外环境参数及多个所述样本设备运行参数是否符合预设数据连续条件,在多个所述样本室内环境参数、多个所述样本室外环境参数及多个所述样本设备运行参数符合所述预设数据连续条件时,分别对多个所述样本室内环境参数、多个所述样本室外环境参数及多个所述样本设备运行参数进行数据筛选,以确定多个室内环境参数、多个室外环境参数及多个设备运行参数,根据多个所述室内环境参数构建室内环境参数训练子集,根据多个所述室外环境参数构建室外环境参数训练子集,并根据多个所述设备运行参数构建设备运行参数训练子集。
预设数据连续条件为采集室内干球温度、室内湿球温度、冷冻水供水温度、冷冻水回水温度、室外湿球温度、室外干球温度和太阳辐射强度等参数时,数据不中断,可以完整采集一组数据,之后判断采集的数据是否为属于数据异常或数据缺失,在出现数据异常或数据缺失时,将数据异常或数据缺失对应的一组数据进行筛选,以去除该组数据,最后将筛选符合要求的参数分别构建室内环境参数训练子集、室外环境参数训练子集及设备运行参数训练子集。
将所述初始预测时间神经网络作为预设时间预测模型的步骤之前,获取室内环境测试参数、室外环境测试参数及设备运行测试参数,将室内环境测试参数、室外环境测试参数及设备运行测试参数输入至初始时间预测神经网络中,以获得空调器的启动时长预测值,根据启动时长预测值和预测时长标准值确定启动时长差值,判断启动时长差值是否小于预设时长阈值,在启动时长差值小于预设时长阈值时,执行将初始时间预测神经网络作为预设时间预测模型的步骤。
也就是说,对预设时间预测模型进行检测,判断预设时间预测模型是否符合标准模型条件,在某刻实时采集室内环境测试参数、室外环境测试参数及设备运行测试参数,并获取室内环境测试参数、室外环境测试参数及设备运行测试参数对应的预测时长标准值,之后,将室内环境测试参数和室外环境测试参数及设备运行测试参数输入至初始时间预测神经网络中,以获得空调器的启动时长预测值,并根据启动时长预测值和预测时长标准值确定启动时长差值,假设启动时长差值为10min,预设时长阈值为30min,则启动时长差值10min小于预测时长阈值30min,将训练后的初始神经网络作为预设时间预测模型,若启动时长差值为40min大于预测时间阈值30min,则需要根据采集的预测模型参数重新训练初始神经网络。
基于人工神经网络模型建立中央空调的最优启动时间预测模型即预设时间预测模型,由于建筑内的温度受室外温湿度、太阳辐射、室内设备、照明、人员的散热以及维护结构蓄热的影响,使得整个建筑成为一个非常复杂的热力系统,很难用精确的数学模型来描述建筑内温度的变化过程。因此,空调系统最优启动时间也无法用普通函数关系式来表示。人工神经网络算法具有非线性、适应性信息处理能力,弥补了传统算法存在的缺陷,能无限逼近任意多变量非线性关系,因此利用神经网络算法预测空调系统的最优启动时间具有很强的可行性。
人工神经网络从结构上分为输入层、隐含层和输出层,有时候还特别设置结构层,该层可以把隐含层上一个时刻中的信息储存起来,结构层与输入层按照一定的算法及连接权值的修正传递到隐含层,经隐含层处理结束后将此时的输出反馈传播到结构层,并记忆到下一训练时刻才释放该单元值。人工神经网络通过增加内部反馈信号提升了动态辨识的处理能力,适用于解决空调系统的动态仿真预测的问题。
预设时间预测模型的构建步骤可以划分为:
步骤一:从预测模型参数的历史数据库中筛选满足条件的预测模型参数,并进行数据清洗,去除零值、异常值、缺失值等数据;
步骤二:输入输出参数筛选,其中输入参数包括:t0时刻室外干球温度,t0时刻室外湿球温度,t0时刻室内干球温度,t0时刻室内湿球温度,t0时刻冷冻水供水温度,t0时刻冷冻水回水温度,t0时太阳辐射强度。t0时刻是每天主机开机前的某一时刻,例如6:00。输出参数为中央空调系统最优启动时间tpre:tpre=t2-t1,其中t1为中央空调实际开始制冷的时刻,t2为室内温度达到设定值的时刻。在过渡季节,有时早上中央空调系统即使不开启,室内温度也能达到设定值,此时中央空调系统最优启动时间tpre默认为0。
步骤三:人工神经网络模型根据输入输出参数进行训练,对模型中的权重系数进行自动辨识。为了保证预测时间的准确性,神经网络模型每隔一段时间根据新增历史数据重新自适应训练,对模型权重系数进行更新。
步骤四:在完成最优启动时间预测模型训练的基础上,建筑自动化系统每天在t0时刻将输入参数发送给预测模型,获取最优启动时间预测值tpre,并根据最优启动时间tpre和上班时刻t3(建筑自动化系统上设定)计算开机时刻t4:t4=t3-tpre。建筑自动化系统判断当前时刻是否到达开机时刻t4,若未到达则等待,若到达开机时刻t4,则向冷水机组发送开机指令,也就是说判断人员上班时间与当前时间之差是否小于等于预测时长即空调开机时刻,如小于等于预测时长则发送开机指令,否则不动作等待。
根据所述当前室内环境参数、所述当前室外环境参数及所述当前设备运行参数,通过预设时间预测模型进行时间预测,以确定所述空调器的目标预启动时间的步骤,将当前室内环境参数和当前室外关键参数输入至预设时间预测模型,以获得空调器的启动时长编码,对启动时长编码进行处理,获得空调器的启动时长,获取室内舒适温度对应的期许时间,根据启动时长和所述期许时间确定所述空调器的目标预启动时间。
对所述启动时长编码进行处理,获得所述空调器的启动时长的步骤,对启动时长编码进行处理,以获取对应的时间浮点,将时间浮点与预设时间映射关系表中的样本时间浮点进行匹配,若匹配成功,则将匹配成功的样本时间浮点对应的启动时长样本作为空调器的启动时长。
对启动时间编码进行处理,以获取对应的时间浮点的步骤之前,获取多个样本时间浮点,根据多个样本时间浮点分别确定对应的样本启动时长,根据多个样本时间浮点和样本启动时长建立预设时间映射关系表。
也就是说,随着云计算技术的发展,越来越多的建筑自动化系统开始接入共有云或私有云,将楼宇系统的数据上传至云计算平台,进行可视化的分析展示,从而有效提升了楼宇的能源管理水平、节约了运维成本。因此,为实现云计算平台最优启动时间预测控制,本实施例在本地设置智能楼宇管理系统,该系统不仅具备常规建筑自动化系统的功能,还能通过特定接口与云计算平台进行实时数据交互,同时利用云技术将中央空调系统最优启动时间预测模型部署在云计算平台,建立智能楼宇管理系统远程调用服务。智能楼宇管理系统定时发送数据给云端预测模型,经模型计算后返回预测时间值,实现对中央空调系统的开机时间的动态优化。其中,云计算平台远程最优启动时间预测控制步骤如下:
(1)在上位机部署智能楼宇管理系统、云计算平台部署最优启动时间预测模型,建立云计算平台与智能楼宇管理系统之间的通讯连接及接口调用服务;
(2)智能楼宇管理系统每天在开机前某时刻(例如6:00)向云计算平台发送数据请求,并将该时刻的室内温湿度、室外温湿度、太阳辐射强度、冷水机组供回水温度等参数发送给云计算平台预测模型,数据处理成特定的编码;
云计算平台模型经过计算后,向智能楼宇管理系统返回包含最优启动时间的编码,智能楼宇管理系统将编码自动解析成时间值,并修改当天的中央空调系统开机时间设定值;
(3)当时钟到达开机时间设定值,智能楼宇管理系统向中央空调系统发出开机指令,完成最优启动时间预测控制。
控制模块4003,用于控制所述空调器按照所述目标预启动时间实现定时启动。
需要说明的是,将当前室内环境参数、当前室外关键参数及当前设备运行参数输入至预设时间预测模型,以获得空调器的启动时长编码,对启动时长编码进行处理,获得空调器的启动时长,获取室内舒适温度对应的期许时间,根据启动时长和所述期许时间确定所述空调器的目标预启动时间,之后根据目标预启动时间控制空调器实现定时启动。
本实施例,首先获取空调器所处的当前室内环境参数、当前室外环境参数及当前设备运行参数,然后根据当前室内环境参数、当前室外环境参数及当前设备运行参数,通过预设时间预测模型进行时间预测,以确定空调器的目标预启动时间,最后控制空调器按照目标预启动时间实现定时启动。由于现有技术通过手动控制空调器启动,但空调器定时开启时间过长或过短时,会造成资源浪费,而本实施例根据室内环境参数、室外环境参数及设备运行参数,通过预设时间预测模型进行时间预测确定空调器的目标预启动时间,从而控制空调器按照精准的预启动时间定时启动,进而降低空调器的能耗。
本发明空调的预启动时间控制装置的其他实施例或具体实现方式可参照上述各方法实施例,此处不再赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。词语第一、第二、以及第三等的使用不表示任何顺序,可将这些词语解释为名称。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如只读存储器镜像(Read Only Memory image,ROM)/随机存取存储器(Random AccessMemory,RAM)、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种空调的预启动时间控制方法,其特征在于,所述方法包括以下步骤:
获取空调器所处的当前室内环境参数、当前室外环境参数及当前设备运行参数;
根据所述当前室内环境参数、所述当前室外环境参数及所述当前设备运行参数,通过预设时间预测模型进行时间预测,以确定所述空调器的目标预启动时间,所述预设时间预测模型通过对初始神经网络模型进行训练获得;以及
控制所述空调器按照所述目标预启动时间实现定时启动。
2.如权利要求1所述的方法,其特征在于,所述获取空调器所处的当前室内环境参数、当前室外环境参数及当前设备运行参数的步骤之前,还包括:
获取室内环境参数训练子集、室外环境参数训练子集及设备运行参数训练子集;
根据所述室内环境参数训练子集、所述室外环境参数训练子集及所述设备运行参数训练子集构建预测模型参数训练集,所述预测模型参数训练集包括若干组预测模型参数;
获取各组预测模型参数对应的训练时长标准值;
根据各组预测模型参数和各组预测模型参数对应的训练时长标准值对初始神经网络进行训练,获得初始时间预测神经网络;以及
将所述初始时间预测神经网络作为预设时间预测模型。
3.如权利要求2所述的方法,其特征在于,所述获取室内环境参数训练子集、室外环境参数训练子集及设备运行参数训练子集的步骤,包括:
在预设时间阈值内采集多个样本室内环境参数、多个样本室外环境参数及多个样本设备运行参数;
判断多个所述样本室内环境参数、多个所述样本室外环境参数及多个所述样本设备运行参数是否符合预设数据连续条件;
在多个所述样本室内环境参数、多个所述样本室外环境参数及多个所述样本设备运行参数符合所述预设数据连续条件时,分别对多个所述样本室内环境参数、多个所述样本室外环境参数及多个所述样本设备运行参数进行数据筛选,以确定多个室内环境参数、多个室外环境参数及多个设备运行参数;以及
根据多个所述室内环境参数构建室内环境参数训练子集,根据多个所述室外环境参数构建室外环境参数训练子集,并根据多个所述设备运行参数构建设备运行参数训练子集。
4.如权利要求2-3任一项所述的方法,其特征在于,所述将所述初始预测时间神经网络作为预设时间预测模型的步骤之前,还包括:
获取室内环境测试参数、室外环境测试参数及设备运行测试参数;
将所述室内环境测试参数、所述室外环境测试参数及所述设备运行测试参数输入至所述初始时间预测神经网络中,以获得空调器的启动时长预测值;
根据所述启动时长预测值和预测时长标准值确定启动时长差值;
判断所述启动时长差值是否小于预设时长阈值;以及
在所述启动时长差值小于所述预设时长阈值时,执行所述将所述初始时间预测神经网络作为预设时间预测模型的步骤。
5.如权利要求1所述的方法,其特征在于,所述根据所述当前室内环境参数、所述当前室外环境参数及所述当前设备运行参数,通过预设时间预测模型进行时间预测,以确定所述空调器的目标预启动时间的步骤,包括:
将所述当前室内环境参数、所述当前室外环境参数、所述当前设备运行参数输入至预设时间预测模型,以获得所述空调器的启动时长编码;
对所述启动时长编码进行处理,获得所述空调器的启动时长;
获取室内舒适温度对应的期许时间;以及
根据所述启动时长和所述期许时间确定所述空调器的目标预启动时间。
6.如权利要求5所述方法,其特征在于,所述对所述启动时长编码进行处理,获得所述空调器的启动时长的步骤,包括:
对所述启动时长编码进行处理,以获取对应的时间浮点;
将所述时间浮点与预设时间映射关系表中的样本时间浮点进行匹配;以及
若匹配成功,则将匹配成功的所述样本时间浮点对应的启动时长样本作为所述空调器的启动时长。
7.如权利要求6所述的方法,其特征在于,所述对所述启动时间编码进行处理,以获取对应的时间浮点的步骤之前,还包括:
获取多个样本时间浮点;
根据多个所述样本时间浮点分别确定对应的样本启动时长;以及
根据多个所述样本时间浮点和所述样本启动时长建立预设时间映射关系表。
8.一种空调的预启动时间控制装置,其特征在于,所述装置包括:
采集模块,用于获取空调器所处的当前室内环境参数、当前室外环境参数及当前设备运行参数;
算法模块,用于根据所述当前室内环境参数、所述当前室外环境参数及所述当前设备运行参数,通过预设时间预测模型进行时间预测,以确定所述空调器的目标预启动时间,所述预设时间预测模型通过对初始神经网络模型进行训练获得;以及
控制模块,用于控制所述空调器按照所述目标预启动时间实现定时启动。
9.一种空调器,其特征在于,所述空调器包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的空调的预启动时间控制程序,所述空调的预启动时间控制程序配置为实现如权利要求1至7中任一项所述的空调的预启动时间控制方法的步骤。
10.一种存储介质,其特征在于,所述存储介质上存储有空调的预启动时间控制程序,所述空调的预启动时间控制程序被处理器执行时实现如权利要求1至7中任一项所述的空调的预启动时间控制方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011082502.5A CN112283889A (zh) | 2020-10-10 | 2020-10-10 | 空调的预启动时间控制方法、装置、设备及存储介质 |
PCT/CN2020/141404 WO2022073307A1 (zh) | 2020-10-10 | 2020-12-30 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011082502.5A CN112283889A (zh) | 2020-10-10 | 2020-10-10 | 空调的预启动时间控制方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112283889A true CN112283889A (zh) | 2021-01-29 |
Family
ID=74496100
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011082502.5A Pending CN112283889A (zh) | 2020-10-10 | 2020-10-10 | 空调的预启动时间控制方法、装置、设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112283889A (zh) |
WO (1) | WO2022073307A1 (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN113283646A (zh) * | 2021-05-14 | 2021-08-20 | 青岛海尔科技有限公司 | 控制设备运行的方法、装置、存储介质及电子装置 |
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 |
CN113375318A (zh) * | 2021-06-04 | 2021-09-10 | 日立楼宇技术(广州)有限公司 | 一种空调预启动的控制方法、系统、装置及存储介质 |
CN113449443A (zh) * | 2021-09-01 | 2021-09-28 | 深圳百胜扬工业电子商务平台发展有限公司 | 一种数据加载建模调度方法及装置 |
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 |
CN114090091A (zh) * | 2021-11-26 | 2022-02-25 | 联影(常州)医疗科技有限公司 | 设备自动开机方法、装置、电子设备及存储介质 |
WO2022242143A1 (zh) * | 2021-05-19 | 2022-11-24 | 青岛海尔空调器有限总公司 | 用于空调控制的方法、装置和空调 |
CN115796066A (zh) * | 2022-09-06 | 2023-03-14 | 东南大学 | 一种基于预制冷的数据中心空调系统节能方法 |
WO2023050814A1 (zh) * | 2021-09-30 | 2023-04-06 | 上海美控智慧建筑有限公司 | 空调器控制方法、装置和电子设备 |
CN116007152A (zh) * | 2022-12-12 | 2023-04-25 | 珠海格力电器股份有限公司 | 空调控制方法、装置、空调设备和存储介质 |
CN116085937A (zh) * | 2023-04-11 | 2023-05-09 | 湖南禾自能源科技有限公司 | 智能中央空调节能控制方法及系统 |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114754477B (zh) * | 2022-04-28 | 2023-11-28 | 广州奥特信息科技股份有限公司 | 空调控制系统、方法、中央空调系统、装置及存储介质 |
CN114815939B (zh) * | 2022-06-28 | 2022-09-02 | 中成空间(深圳)智能技术有限公司 | 一种微负压气膜实验室内环境质量可控可调的方法及系统 |
CN115930376A (zh) * | 2022-10-08 | 2023-04-07 | 佳都科技集团股份有限公司 | 一种空调控制算法评估方法、装置、设备及存储介质 |
CN115629637B (zh) * | 2022-11-04 | 2023-05-23 | 广州旭杰电子有限公司 | 一种用于5g机房的冷热场温度智能控制系统 |
CN115758869B (zh) * | 2022-11-07 | 2023-06-13 | 浙江迈新科技股份有限公司 | 一种基于bim的智能楼宇管控系统 |
CN117308288B (zh) * | 2023-09-21 | 2024-04-19 | 中国工业互联网研究院 | 一种制丝空调启停预测控制方法以及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104913441A (zh) * | 2015-05-29 | 2015-09-16 | 广东美的制冷设备有限公司 | 空调器的温度调节时间预测方法、控制器及空调器 |
CN107750323A (zh) * | 2015-05-15 | 2018-03-02 | 三星电子株式会社 | 用于控制空调装置的激活的方法及其设备 |
CN109359727A (zh) * | 2018-12-07 | 2019-02-19 | 北京字节跳动网络技术有限公司 | 神经网络的结构确定方法、装置、设备及可读介质 |
CN110598336A (zh) * | 2019-09-17 | 2019-12-20 | 美的集团股份有限公司 | 热水器用水量预测方法及装置、热水器及电子设备 |
CN110686382A (zh) * | 2019-10-16 | 2020-01-14 | 广东美的暖通设备有限公司 | 空调控制方法、装置及计算机可读存储介质 |
CN111179108A (zh) * | 2018-11-12 | 2020-05-19 | 珠海格力电器股份有限公司 | 用电能耗的预测方法和装置 |
CN111649443A (zh) * | 2020-06-17 | 2020-09-11 | 宁波奥克斯电气股份有限公司 | 空调器控制方法、装置、空调器及存储介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09229449A (ja) * | 1996-02-20 | 1997-09-05 | Nippon Metsukusu Kk | 空調装置における最適起動時刻の算定方法 |
CN103123460A (zh) * | 2011-11-21 | 2013-05-29 | 才秀君 | 温度控制系统和温度控制方法 |
CN104807135B (zh) * | 2014-01-27 | 2017-11-10 | 海尔集团公司 | 一种基于位置定位的智能空调控制方法及智能空调系统 |
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 |
CN107576002B (zh) * | 2017-08-17 | 2020-12-29 | 青岛海尔空调器有限总公司 | 空调器及其控制方法 |
CN110736232A (zh) * | 2019-10-29 | 2020-01-31 | 珠海格力电器股份有限公司 | 空调控制方法及装置 |
-
2020
- 2020-10-10 CN CN202011082502.5A patent/CN112283889A/zh active Pending
- 2020-12-30 WO PCT/CN2020/141404 patent/WO2022073307A1/zh active Application Filing
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107750323A (zh) * | 2015-05-15 | 2018-03-02 | 三星电子株式会社 | 用于控制空调装置的激活的方法及其设备 |
CN104913441A (zh) * | 2015-05-29 | 2015-09-16 | 广东美的制冷设备有限公司 | 空调器的温度调节时间预测方法、控制器及空调器 |
CN111179108A (zh) * | 2018-11-12 | 2020-05-19 | 珠海格力电器股份有限公司 | 用电能耗的预测方法和装置 |
CN109359727A (zh) * | 2018-12-07 | 2019-02-19 | 北京字节跳动网络技术有限公司 | 神经网络的结构确定方法、装置、设备及可读介质 |
CN110598336A (zh) * | 2019-09-17 | 2019-12-20 | 美的集团股份有限公司 | 热水器用水量预测方法及装置、热水器及电子设备 |
CN110686382A (zh) * | 2019-10-16 | 2020-01-14 | 广东美的暖通设备有限公司 | 空调控制方法、装置及计算机可读存储介质 |
CN111649443A (zh) * | 2020-06-17 | 2020-09-11 | 宁波奥克斯电气股份有限公司 | 空调器控制方法、装置、空调器及存储介质 |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN113283646A (zh) * | 2021-05-14 | 2021-08-20 | 青岛海尔科技有限公司 | 控制设备运行的方法、装置、存储介质及电子装置 |
CN113283646B (zh) * | 2021-05-14 | 2023-02-03 | 青岛海尔科技有限公司 | 控制设备运行的方法、装置、存储介质及电子装置 |
WO2022242143A1 (zh) * | 2021-05-19 | 2022-11-24 | 青岛海尔空调器有限总公司 | 用于空调控制的方法、装置和空调 |
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 |
CN113375318A (zh) * | 2021-06-04 | 2021-09-10 | 日立楼宇技术(广州)有限公司 | 一种空调预启动的控制方法、系统、装置及存储介质 |
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 |
CN113449443A (zh) * | 2021-09-01 | 2021-09-28 | 深圳百胜扬工业电子商务平台发展有限公司 | 一种数据加载建模调度方法及装置 |
CN113449443B (zh) * | 2021-09-01 | 2021-11-30 | 深圳百胜扬工业电子商务平台发展有限公司 | 一种数据加载建模调度方法及装置 |
WO2023050814A1 (zh) * | 2021-09-30 | 2023-04-06 | 上海美控智慧建筑有限公司 | 空调器控制方法、装置和电子设备 |
CN114090091A (zh) * | 2021-11-26 | 2022-02-25 | 联影(常州)医疗科技有限公司 | 设备自动开机方法、装置、电子设备及存储介质 |
CN115796066A (zh) * | 2022-09-06 | 2023-03-14 | 东南大学 | 一种基于预制冷的数据中心空调系统节能方法 |
CN115796066B (zh) * | 2022-09-06 | 2024-01-19 | 东南大学 | 一种基于预制冷的数据中心空调系统节能方法 |
CN116007152A (zh) * | 2022-12-12 | 2023-04-25 | 珠海格力电器股份有限公司 | 空调控制方法、装置、空调设备和存储介质 |
CN116085937A (zh) * | 2023-04-11 | 2023-05-09 | 湖南禾自能源科技有限公司 | 智能中央空调节能控制方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
WO2022073307A1 (zh) | 2022-04-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112283889A (zh) | 空调的预启动时间控制方法、装置、设备及存储介质 | |
CN110990159B (zh) | 一种基于历史数据分析的容器云平台资源配额预测方法 | |
CN111104341B (zh) | 智能家居设备自动化测试方法、装置、设备及存储介质 | |
CN104864548A (zh) | 一种空调运行的控制方法及系统 | |
CN110332671B (zh) | 室内机的控制方法、装置、设备和空调系统 | |
KR102324424B1 (ko) | 냉난방공조 에너지 최적화 장치 및 방법 | |
CN109114742B (zh) | 控制方法、装置、空调器、遥控终端、服务器及存储介质 | |
KR102170522B1 (ko) | 관람객 수와 환경 변화를 고려한 전시홀 에너지 관리 시스템 | |
CN110942228A (zh) | 能耗控制方法、装置、计算机设备与存储介质 | |
KR20180072468A (ko) | 빅데이터기반 사용자의 지능형 냉방 및 난방 서비스 제공 방법 | |
CN111077786A (zh) | 基于大数据分析的智能家居设备控制方法和装置 | |
KR102369350B1 (ko) | 인공신경망을 이용한 공기조화설비의 에너지 사용량 및 데이터 예측 시스템 및 그 방법 | |
CN111179108A (zh) | 用电能耗的预测方法和装置 | |
CN116455081A (zh) | 一种基于边缘分析的智慧小区电力监测管理方法及系统 | |
CN116822115A (zh) | 一种基于数字孪生技术的智慧园区的环境管理方法及系统 | |
Huang et al. | A sequential modelling approach for indoor temperature prediction and heating control in smart buildings | |
CN106292325A (zh) | 一种数据驱动的家居环境舒适性偏好建模与控制方法 | |
CN112801357A (zh) | 日照辐射量预测方法、装置、设备及存储介质 | |
CN114595851B (zh) | 利用神经网络的空调机房消耗功率分析装置 | |
CN114818059A (zh) | 建筑节能策略优化控制方法、装置、设备及可读存储介质 | |
CN113341792B (zh) | 一种基于bim的建筑数据采集方法及系统 | |
CN113310176B (zh) | 信息处理装置 | |
CN112365103B (zh) | 运行阶段建筑短期负荷预测方法、装置、设备和介质 | |
CN111459037A (zh) | 智能家居系统控制方法、装置、电子设备及可读存储介质 | |
CN113516188B (zh) | 一种预测空调提前开机时长的方法、装置、设备及介质 |
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: 20210129 |