CN112378056A - 智能空调控制方法、装置、计算机设备和存储介质 - Google Patents

智能空调控制方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN112378056A
CN112378056A CN202011294397.1A CN202011294397A CN112378056A CN 112378056 A CN112378056 A CN 112378056A CN 202011294397 A CN202011294397 A CN 202011294397A CN 112378056 A CN112378056 A CN 112378056A
Authority
CN
China
Prior art keywords
adjusting
parameter
environment information
air conditioner
intelligent air
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
Application number
CN202011294397.1A
Other languages
English (en)
Other versions
CN112378056B (zh
Inventor
吴志林
王念
解启伟
夏雨雨
张俊雄
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.)
Gree Electric Appliances Inc of Zhuhai
Original Assignee
Gree Electric Appliances Inc of Zhuhai
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 Gree Electric Appliances Inc of Zhuhai filed Critical Gree Electric Appliances Inc of Zhuhai
Priority to CN202011294397.1A priority Critical patent/CN112378056B/zh
Publication of CN112378056A publication Critical patent/CN112378056A/zh
Application granted granted Critical
Publication of CN112378056B publication Critical patent/CN112378056B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • F24F11/62—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
    • F24F11/70—Control systems characterised by their outputs; Constructional details thereof
    • 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
    • F24F11/72—Control systems characterised by their outputs; Constructional details thereof for controlling the supply of treated air, e.g. its pressure
    • F24F11/74—Control systems characterised by their outputs; Constructional details thereof for controlling the supply of treated air, e.g. its pressure for controlling air flow rate or air velocity
    • F24F11/77—Control systems characterised by their outputs; Constructional details thereof for controlling the supply of treated air, e.g. its pressure for controlling air flow rate or air velocity by controlling the speed of ventilators
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2110/00—Control inputs relating to air properties
    • F24F2110/10—Temperature
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2110/00—Control inputs relating to air properties
    • F24F2110/10—Temperature
    • F24F2110/12—Temperature of the outside air
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2110/00—Control inputs relating to air properties
    • F24F2110/20—Humidity
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2110/00—Control inputs relating to air properties
    • F24F2110/20—Humidity
    • F24F2110/22—Humidity of the outside air
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2120/00—Control inputs relating to users or occupants
    • F24F2120/10—Occupancy
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B30/00—Energy efficient heating, ventilation or air conditioning [HVAC]
    • Y02B30/70—Efficient control or regulation technologies, e.g. for control of refrigerant flow, motor or heating

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)
  • Fluid Mechanics (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

本申请涉及一种智能空调控制方法、装置、计算机设备和存储介质。所述方法包括：获取当前环境信息，其中，环境信息包括环境温湿度以及与环境信息对应的用户信息；基于参数调节模型，得到与所述当前环境信息对应的调节参数，所述调节参数包括调节频率和风机档位；根据所述调节参数生成控制指令，所述控制指令用于控制智能空调按照所述调节参数进行调节。根据当前环境信息以及用户信息，基于训练好的参数调节模型，确定与当前环境对应的调节参数，并生成对应的控制指令，控制智能空调按照当前环境对应的调节频率和风机档位运行，使用户处于相对舒适的环境内，并根据环境实时调频，节约能源的同时为用户减少了用电费用的开销。

Description

智能空调控制方法、装置、计算机设备和存储介质
技术领域
本申请涉及计算机技术领域，尤其涉及一种智能空调控制方法、装置、计算机设备和存储介质。
背景技术
随着社会生活质量的提高，人们对室内空气质量要求越来越高，为了提高室内空气质量，因此新风机智能空调问世了，新风机智能空调不仅可以用于制冷、制热、除湿，还可以用于改善室内空气环境，但是在能源的消耗上也越来越大，尤其在电能的消耗上，增加了用户的用电费用，降低了用户的使用感受。
发明内容
为了解决新风机智能空调耗能高的技术问题，本申请提供了一种智能空调控制方法、装置、计算机设备和存储介质。
第一方面，本申请提供了一种智能空调控制方法，包括：
获取当前环境信息，其中，环境信息包括环境温湿度以及与环境信息对应的用户信息；
基于参数调节模型，得到与所述当前环境信息对应的调节参数，所述调节参数包括调节频率和风机档位；
根据所述调节参数生成控制指令，所述控制指令用于控制智能空调按照所述调节参数进行调节。
可选地，所述环境信息还包括控制区域数，所述环境温湿度包括室外温湿度以及各个控制区域对应的室内温湿度，所述用户信息包括用户活动轨迹以及各个所述控制区域对应的用户数量，所述基于参数调节模型，得到与所述当前环境信息对应的调节参数，包括：
根据所述参数调节模型，得到各个所述控制区域对应的调节参数；
所述根据所述调节参数生成控制指令，包括：根据各个所述控制区域对应的调节参数，生成各个控制区域对应的控制指令，使各个控制区域的智能空调按照对应的调节参数进行调节。
可选地，所述获取当前环境信息之后，所述方法还包括：
根据所述用户活动轨迹以及各个所述控制区域对应的用户数量，确定目标区域；
所述基于参数调节模型，得到与所述当前环境信息对应的调节参数，包括：基于所述参数调节模型，根据所述目标区域对应的室内温湿度和室内温湿度，得到与所述目标区域对应的调节参数；
所述根据所述调节参数生成控制指令，包括：根据所述目标区域对应的调节参数，生成所述目标区域对应的控制指令，使所述目标区域的智能空调按照对应的调节参数进行调节。
可选地，所述获取当前环境信息之前，所述方法还包括：
获取历史环境信息，以及与所述历史环境信息对应的预设调节参数；
基于神经网络模型，根据所述历史环境信息，以及与所述历史环境信息对应的预设调节参数，训练得到所述参数调节模型。
可选地，所述基于所述神经网络模型，训练得到所述参数调节模型，包括：
将所述历史环境信息输入至所述神经网络模型中，输出实际调节参数；
当所述历史环境信息对应的预设调节参数与所述实际调节参数之间的误差小于或等于误差阈值时，生成所述参数调节模型。
可选地，当所述历史环境信息对应的预设调节参数与所述实际调节参数之间的误差大于误差阈值时，所述方法还包括：
根据所述误差计算生成训练权重；
根据所述训练权重更新所述神经网络模型，得到更新后的神经网络模型；
基于所述更新后的神经网络模型，根据所述历史环境信息，以及与所述历史环境信息对应的预设调节参数，训练得到所述参数调节模型。
可选地，所述获取历史环境信息，以及与所述历史环境信息对应的预设调节参数，包括：
获取训练环境信息，以及与所述训练环境信息对应的参考调节参数；
将所述训练环境信息归一化处理，得到所述历史环境信息；
将所述参考调节参数归一化处理，得到所述预设调节参数。
第二方面，本申请提供了一种智能空调控制装置，包括：
信息获取模块，用于获取当前环境信息，其中，环境信息包括环境温湿度和用户信息；
调节参数获取模块，用于基于参数调节模型，得到与所述当前环境信息对应的调节参数，所述调节参数包括调节频率和风机档位；
控制模块，用于根据所述调节参数生成控制指令，所述控制指令用于控制智能空调按照所述调节参数进行调节。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取当前环境信息，其中，环境信息包括环境温湿度以及与环境信息对应的用户信息；
基于参数调节模型，得到与所述当前环境信息对应的调节参数，所述调节参数包括调节频率和风机档位；
根据所述调节参数生成控制指令，所述控制指令用于控制智能空调按照所述调节参数进行调节。
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以下步骤：
获取当前环境信息，其中，环境信息包括环境温湿度以及与环境信息对应的用户信息；
基于参数调节模型，得到与所述当前环境信息对应的调节参数，所述调节参数包括调节频率和风机档位；
根据所述调节参数生成控制指令，所述控制指令用于控制智能空调按照所述调节参数进行调节。
上述智能空调控制方法、装置、计算机设备和存储介质，所述方法包括：获取当前环境信息，其中，环境信息包括环境温湿度以及与环境信息对应的用户信息；基于参数调节模型，得到与所述当前环境信息对应的调节参数，所述调节参数包括调节频率和风机档位；根据所述调节参数生成控制指令，所述控制指令用于控制智能空调按照所述调节参数进行调节。根据当前环境信息以及用户信息，基于训练好的参数调节模型，确定与当前环境对应的调节参数，并生成对应的控制指令，控制智能空调按照当前环境对应的调节频率和风机档位运行，使用户处于相对舒适的环境内，并根据环境实时调频，节约能源的同时为用户减少了用电费用的开销。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为一个实施例中智能空调控制方法的应用环境图；
图2为一个实施例中智能空调控制方法的流程示意图；
图3为一个实施例中控制区域划分示意图；
图4为一个实施例中智能空调控制装置的结构框图；
图5为一个实施例中计算机设备的内部结构图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
图1为一个实施例中智能空调控制方法的应用环境图。参照图1，该智能空调控制方法应用于智能空调控制系统。该智能空调控制系统包括检测装置110、智能空调120和服务器130，检测装置110、智能空调120和服务器130通过网络连接，其中，检测装置110具体可以为温湿度传感器、红外传感器、人体感应器、空气质量检测仪或其他智能家居设备中至少一种，智能家居设备具体可以为扫地机器人、智能冰箱、智能电视、智能音箱等中至少一种。服务器可独立于检测装置或智能空调设置，也可设置与检测装置内或设于智能空调内。服务器130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，图2为一个实施例中一种智能空调控制方法的流程示意图，参照图2，提供了一种智能空调控制方法。本实施例主要以该方法应用于上述图1中的检测装置110(或智能空调120)来举例说明，该智能空调控制方法具体包括如下步骤：
步骤S210，获取当前环境信息。
具体地，环境信息包括环境内的环境温湿度、空气质量信息、以及环境内的用户信息，环境温湿度包括室外温湿度和室内温湿度，用户信息包括用户数量、用户活动区域以及用户活动轨迹，当前环境信息为当前情况下实时获取到的环境信息。
其中，室内温湿度或室外温湿度可通过独立于智能空调设置的温湿度传感器检测获取，室外温湿度也可通过网络查询获取，室内温湿度还可通过智能空调内的温湿度传感器自动检测得到，空气质量信息可通过空气检测仪检测获取，用户数量可通过红外传感器检测获取，用户活动区域以及用户活动轨迹可通过人体感应器、红外探测器、摄像头、雷达、声呐等检测方式获取。
步骤S220，基于参数调节模型，得到与所述当前环境信息对应的调节参数。
具体地，参数调节模型为根据历史环境信息训练好的人工神经网络模型，将当前环境信息输入至该参数调节模型中，输出与当前环境信息对应的调节参数，调节参数包括调节温湿度、调节频率和风机档位，即根据参数调节模型得到适应当前环境的调节频率和风机档位，风机档位包括高、中、低三种档位，或者包括一级、二极、三级等数字级别档位。
例如，若根据当前环境信息确定用户数量为三，三位用户位于客厅观看电视，室外温度处于秋季，干燥凉爽，无需将室内智能空调温度设置的太低，因此，根据当前环境信息得到提升环境温度和环境湿度的调节温湿度，以及降低压缩机电机转速的调节频率，同时得到降低出风量的风机档位。
步骤S230，根据所述调节参数生成控制指令，所述控制指令用于控制智能空调按照所述调节参数进行调节。
具体地，执行与调节参数对应的控制指令，令智能空调按照调节参数进行运行，以实现根据当前环境信息智能调节为用户提供更舒适的环境。并且在为用户提供自适应调整服务时，通过实时调节频率降低了智能空调的能耗，为用户减少了用电费用的开销，在不增加开销的同时为用户提供更舒适的体验感。
在一个实施例中，所述环境信息还包括控制区域数，所述环境温湿度包括室外温湿度以及各个控制区域对应的室内温湿度，所述用户信息包括用户活动轨迹以及各个所述控制区域对应的用户数量，根据所述参数调节模型，得到各个所述控制区域对应的调节参数；所述根据所述调节参数生成控制指令，包括：根据各个所述控制区域对应的调节参数，生成各个控制区域对应的控制指令，使各个控制区域的智能空调按照对应的调节参数进行调节。
具体地，参照图3，在房间较多或面积较大的空间内，环境信息还包括控制区域数，即将空间划分为多个区域，控制区域数可根据用户需求自定义，当空间被划分为多个区域后，按照控制区域数在每个控制区域设置一个智能空调以及检测装置，环境信息包括各个控制区域对应的室内温湿度、空气质量信息以及用户数量，将各个控制区域对应的环境信息输入至参数调节模型中，输出各个控制区域对应的调节参数，根据各个控制区域对应的调节参数生成对应的控制指令，令各个控制区域的智能空调按照对应的调节参数进行运行。
例如，控制区域数定义为二，控制区域分别为客厅区域和卧室区域，根据两个控制区域对应的环境信息，确定两位用户在客厅区域，卧室区域没有用户，且室外环境为夏季潮热，室内温度较高，根据客厅区域和卧室区域的环境信息，确定两个控制区域对应的调节参数，即得到客厅区域对应的调节温湿度和调节频率，根据该调节温湿度较大程度的降低环境温度和环境湿度，根据该调节频率较大程度增加压缩机电机转速，同时得到对应的风机档位，该风机档位能够较大程度的增加智能空调的出风量，以此对客厅区域进行较大程度的降温处理。
由于卧室区域没有用户，无需对卧室区域进行较大程度的降温，得到卧室区域对应的调节温湿度和调节频率，根据该调节温湿度较小程度的降低环境温度和环境湿度，根据该调节频率较小程度的增加压缩机电机转速，同时得到对应的风机档位，根据该风机档位较小程度的增加出风量，以此对卧室区域整体进行较小程度的降温。从而对卧室区域和客厅区域同时进行不同程度的降温。
在一个实施例中，根据所述用户活动轨迹以及各个所述控制区域对应的用户数量，确定目标区域；基于所述参数调节模型，根据所述目标区域对应的室内温湿度和室内温湿度，得到与所述目标区域对应的调节参数；根据所述目标区域对应的调节参数，生成所述目标区域对应的控制指令，使所述目标区域的智能空调按照对应的调节参数进行调节。
具体地，用户活动轨迹包括用户的移动轨迹、用户在每一各控制区域的停留时长，例如，用户从卧室区域移动至客厅区域以及用户在客厅区域的停留时长，再从客厅区域移动至卧室区域以及用户在卧室区域的停留时长，根据用户的移动轨迹以及用户在各个控制区域内的停留时长，若用户位于当前所处的控制区域内的停留时长大于或等于预设时长时，则将用户当前停留的控制区域作为目标区域，即若用户位于卧室区域的停留时长大于或等于预设时长，则将卧室区域作为目标区域，再将卧室区域对应的环境信息输入至采纳数调节模型中，得到对应的调节参数，根据调节参数令卧室区域的智能空调按照对应的调节温湿度、调节频率和风机档位进行运行。仅根据用户所处的控制区域的环境信息，令智能空调自适应地调节对应的调节温湿度、调节频率和风机档位。
在一个实施例中，所述获取当前环境信息之前，获取历史环境信息，以及与所述历史环境信息对应的预设调节参数；基于神经网络模型，根据所述历史环境信息，以及与所述历史环境信息对应的预设调节参数，训练得到所述参数调节模型。
具体地，在获取当前环境信息之前，需要获取历史环境信息，根据历史环境信息训练生成参数调节模型，历史环境信息包括历史数据中预设时长的环境信息，例如，预设时长自定义为24小时，则历史环境信息为24小时内的环境变化信息集合，每一时刻的环境信息携带对应的预设调节参数，预设调节参数为根据不同环境进行自定义的，将多个时刻的环境信息训练初始状态的神经网络模型，以此得到训练好的参数调节模型。
在一个实施例中，将所述历史环境信息输入至所述神经网络模型中，输出实际调节参数；当所述历史环境信息对应的预设调节参数与所述实际调节参数之间的误差小于或等于误差阈值时，生成所述参数调节模型。
具体地，实际调节参数为历史环境信息输入至未训练好的神经网络模型后输出的真实的调节参数，神经网络模型可以为任意人工神经网络模型，在本实施例中选择BP(backpropagation)神经网络模型，每一时刻的环境信息输入至初始状态的神经网络模型中，输出与对应时刻的环境信息对应的实际调节参数，由于初始状态的神经网络模型中的权重值为默认值或随机值，因此，此时输出的实际调节参数与对应的预设调节参数之间存在误差，当误差小于或等于误差阈值时，无需继续训练该神经网络模型，得到训练好的参数调节模型。
在一个实施例中，当所述历史环境信息对应的预设调节参数与所述实际调节参数之间的误差大于误差阈值时，根据所述误差计算生成训练权重；根据所述训练权重更新所述神经网络模型，得到更新后的神经网络模型；基于所述更新后的神经网络模型，根据所述历史环境信息，以及与所述历史环境信息对应的预设调节参数，训练得到所述参数调节模型。
具体地，当神经网络模型输出的实际调节参数与对应的预设调节参数之间的误差大于误差阈值时，需要修改神经网络模型中的权重值，根据该误差计算得到训练权重，训练权重用于表示神经网络模型中各个参数的重要程度，根据误差调节神经网络模型中各个参数对应的权重值，根据训练权重更新神经网络模型，再利用更新后的神经网络模型继续训练，直至神经网络模型输出的调节参数与对应的预设调节参数之间的误差小于或等于误差阈值，则停止训练，得到训练好的参数调节模型。
在一个实施例中，获取训练环境信息，以及与所述训练环境信息对应的参考调节参数；将所述训练环境信息归一化处理，得到所述历史环境信息；将所述参考调节参数归一化处理，得到所述预设调节参数。
具体地，训练环境信息为历史数据中未经过数据预处理的环境信息，将训练环境信息以及对应的参考调节参数统一进行归一化数据预处理，得到预处理后的历史环境信息和对应的预设条件参数，对采集获取的信息进行整理预处理后，便于后续训练参数调节模型。
图2为一个实施例中智能空调控制方法的流程示意图。应该理解的是，虽然图2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中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子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，这些子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的子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4所示，提供了一种智能空调控制装置，包括：
信息获取模块310，用于获取当前环境信息，其中，环境信息包括环境温湿度和用户信息；
调节参数获取模块320，用于基于参数调节模型，得到与所述当前环境信息对应的调节参数，所述调节参数包括调节频率和风机档位；
控制模块330，用于根据所述调节参数生成控制指令，所述控制指令用于控制智能空调按照所述调节参数进行调节。
在一个实施例中，所述环境信息还包括控制区域数，所述环境温湿度包括室外温湿度以及各个控制区域对应的室内温湿度，所述用户信息包括用户活动轨迹以及各个所述控制区域对应的用户数量，所述调节参数获取模块320包括：
控制区域调节参数获取单元，用于根据所述参数调节模型，得到各个所述控制区域对应的调节参数；
所述控制模块330包括：
控制区域调节单元，用于根据各个所述控制区域对应的调节参数，生成各个控制区域对应的控制指令，使各个控制区域的智能空调按照对应的调节参数进行调节。
在一个实施例中，所述装置还包括：
目标区域确定模块，用于根据所述用户活动轨迹以及各个所述控制区域对应的用户数量，确定目标区域；
所述调节参数获取模块320还包括：
目标区域调节参数获取单元，用于基于所述参数调节模型，根据所述目标区域对应的室内温湿度和室内温湿度，得到与所述目标区域对应的调节参数；
所述控制模块330包括：
目标区域调节单元，用于根据所述目标区域对应的调节参数，生成所述目标区域对应的控制指令，使所述目标区域的智能空调按照对应的调节参数进行调节。
在一个实施例中，所述装置还包括：
历史信息获取模块，用于获取历史环境信息，以及与所述历史环境信息对应的预设调节参数；
训练模块，用于基于神经网络模型，根据所述历史环境信息，以及与所述历史环境信息对应的预设调节参数，训练得到所述参数调节模型。
在一个实施例中，所述训练模块包括：
实际输出单元，用于将所述历史环境信息输入至所述神经网络模型中，输出实际调节参数；
第一模型生成单元，用于当所述历史环境信息对应的预设调节参数与所述实际调节参数之间的误差小于或等于误差阈值时，生成所述参数调节模型。
在一个实施例中，所述训练模块还包括：
权重生成单元，用于当所述历史环境信息对应的预设调节参数与所述实际调节参数之间的误差大于误差阈值时，根据所述误差计算生成训练权重；
模型更新单元，用于根据所述训练权重更新所述神经网络模型，得到更新后的神经网络模型；
第二模型生成单元，用于基于所述更新后的神经网络模型，根据所述历史环境信息，以及与所述历史环境信息对应的预设调节参数，训练得到所述参数调节模型。
在一个实施例中，所述历史信息获取模块包括：
历史信息获取单元，用于获取训练环境信息，以及与所述训练环境信息对应的参考调节参数；
第一归一化单元，用于将所述训练环境信息归一化处理，得到所述历史环境信息；
第二归一化单元，用于将所述参考调节参数归一化处理，得到所述预设调节参数。
图5示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是图1中的智能空调120(或服务器130)。如图5所示，该计算机设备包括该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、输入装置和显示屏。其中，存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现智能空调控制方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行智能空调控制方法。计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图5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，本申请提供的智能空调控制装置可以实现为一种计算机程序的形式，计算机程序可在如图5所示的计算机设备上运行。计算机设备的存储器中可存储组成该智能空调控制装置的各个程序模块，比如，图4所示的信息获取模块310、调节参数获取模块320和控制模块330。各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本申请各个实施例的智能空调控制方法中的步骤。
图5所示的计算机设备可以通过如图4所示的智能空调控制装置中的信息获取模块310执行获取当前环境信息，其中，环境信息包括环境温湿度和用户信息。计算机设备可通过调节参数获取模块320执行基于参数调节模型，得到与所述当前环境信息对应的调节参数，所述调节参数包括调节频率和风机档位。计算机设备可通过控制模块330执行根据所述调节参数生成控制指令，所述控制指令用于控制智能空调按照所述调节参数进行调节。
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：获取当前环境信息，其中，环境信息包括环境温湿度以及与环境信息对应的用户信息；基于参数调节模型，得到与所述当前环境信息对应的调节参数，所述调节参数包括调节频率和风机档位；根据所述调节参数生成控制指令，所述控制指令用于控制智能空调按照所述调节参数进行调节。
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：根据所述参数调节模型，得到各个所述控制区域对应的调节参数；所述根据所述调节参数生成控制指令，包括：根据各个所述控制区域对应的调节参数，生成各个控制区域对应的控制指令，使各个控制区域的智能空调按照对应的调节参数进行调节。
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：根据所述用户活动轨迹以及各个所述控制区域对应的用户数量，确定目标区域；所述基于参数调节模型，得到与所述当前环境信息对应的调节参数，包括：基于所述参数调节模型，根据所述目标区域对应的室内温湿度和室内温湿度，得到与所述目标区域对应的调节参数；所述根据所述调节参数生成控制指令，包括：根据所述目标区域对应的调节参数，生成所述目标区域对应的控制指令，使所述目标区域的智能空调按照对应的调节参数进行调节。
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：获取历史环境信息，以及与所述历史环境信息对应的预设调节参数；基于神经网络模型，根据所述历史环境信息，以及与所述历史环境信息对应的预设调节参数，训练得到所述参数调节模型。
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：将所述历史环境信息输入至所述神经网络模型中，输出实际调节参数；当所述历史环境信息对应的预设调节参数与所述实际调节参数之间的误差小于或等于误差阈值时，生成所述参数调节模型。
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：根据所述误差计算生成训练权重；根据所述训练权重更新所述神经网络模型，得到更新后的神经网络模型；基于所述更新后的神经网络模型，根据所述历史环境信息，以及与所述历史环境信息对应的预设调节参数，训练得到所述参数调节模型。
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：获取训练环境信息，以及与所述训练环境信息对应的参考调节参数；将所述训练环境信息归一化处理，得到所述历史环境信息；将所述参考调节参数归一化处理，得到所述预设调节参数。
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：获取当前环境信息，其中，环境信息包括环境温湿度以及与环境信息对应的用户信息；基于参数调节模型，得到与所述当前环境信息对应的调节参数，所述调节参数包括调节频率和风机档位；根据所述调节参数生成控制指令，所述控制指令用于控制智能空调按照所述调节参数进行调节。
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：根据所述参数调节模型，得到各个所述控制区域对应的调节参数；所述根据所述调节参数生成控制指令，包括：根据各个所述控制区域对应的调节参数，生成各个控制区域对应的控制指令，使各个控制区域的智能空调按照对应的调节参数进行调节。
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：根据所述用户活动轨迹以及各个所述控制区域对应的用户数量，确定目标区域；所述基于参数调节模型，得到与所述当前环境信息对应的调节参数，包括：基于所述参数调节模型，根据所述目标区域对应的室内温湿度和室内温湿度，得到与所述目标区域对应的调节参数；所述根据所述调节参数生成控制指令，包括：根据所述目标区域对应的调节参数，生成所述目标区域对应的控制指令，使所述目标区域的智能空调按照对应的调节参数进行调节。
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：获取历史环境信息，以及与所述历史环境信息对应的预设调节参数；基于神经网络模型，根据所述历史环境信息，以及与所述历史环境信息对应的预设调节参数，训练得到所述参数调节模型。
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：将所述历史环境信息输入至所述神经网络模型中，输出实际调节参数；当所述历史环境信息对应的预设调节参数与所述实际调节参数之间的误差小于或等于误差阈值时，生成所述参数调节模型。
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：根据所述误差计算生成训练权重；根据所述训练权重更新所述神经网络模型，得到更新后的神经网络模型；基于所述更新后的神经网络模型，根据所述历史环境信息，以及与所述历史环境信息对应的预设调节参数，训练得到所述参数调节模型。
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：获取训练环境信息，以及与所述训练环境信息对应的参考调节参数；将所述训练环境信息归一化处理，得到所述历史环境信息；将所述参考调节参数归一化处理，得到所述预设调节参数。
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示相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，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/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双倍速率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物品或者设备不仅包括那些要素，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、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种智能空调控制方法，其特征在于，所述方法包括：
获取当前环境信息，其中，环境信息包括环境温湿度以及与环境信息对应的用户信息；
基于参数调节模型，得到与所述当前环境信息对应的调节参数，所述调节参数包括调节频率和风机档位；
根据所述调节参数生成控制指令，所述控制指令用于控制智能空调按照所述调节参数进行调节。
2.根据权利要求1所述的方法，其特征在于，所述环境信息还包括控制区域数，所述环境温湿度包括室外温湿度以及各个控制区域对应的室内温湿度，所述用户信息包括用户活动轨迹以及各个所述控制区域对应的用户数量，所述基于参数调节模型，得到与所述当前环境信息对应的调节参数，包括：
根据所述参数调节模型，得到各个所述控制区域对应的调节参数；
所述根据所述调节参数生成控制指令，包括：根据各个所述控制区域对应的调节参数，生成各个控制区域对应的控制指令，使各个控制区域的智能空调按照对应的调节参数进行调节。
3.根据权利要求2所述的方法，其特征在于，所述获取当前环境信息之后，所述方法还包括：
根据所述用户活动轨迹以及各个所述控制区域对应的用户数量，确定目标区域；
所述基于参数调节模型，得到与所述当前环境信息对应的调节参数，包括：基于所述参数调节模型，根据所述目标区域对应的室内温湿度和室内温湿度，得到与所述目标区域对应的调节参数；
所述根据所述调节参数生成控制指令，包括：根据所述目标区域对应的调节参数，生成所述目标区域对应的控制指令，使所述目标区域的智能空调按照对应的调节参数进行调节。
4.根据权利要求2所述的方法，其特征在于，所述获取当前环境信息之前，所述方法还包括：
获取历史环境信息，以及与所述历史环境信息对应的预设调节参数；
基于神经网络模型，根据所述历史环境信息，以及与所述历史环境信息对应的预设调节参数，训练得到所述参数调节模型。
5.根据权利要求4所述的方法，其特征在于，所述基于所述神经网络模型，训练得到所述参数调节模型，包括：
将所述历史环境信息输入至所述神经网络模型中，输出实际调节参数；
当所述历史环境信息对应的预设调节参数与所述实际调节参数之间的误差小于或等于误差阈值时，生成所述参数调节模型。
6.根据权利要求5所述的方法，其特征在于，当所述历史环境信息对应的预设调节参数与所述实际调节参数之间的误差大于误差阈值时，所述方法还包括：
根据所述误差计算生成训练权重；
根据所述训练权重更新所述神经网络模型，得到更新后的神经网络模型；
基于所述更新后的神经网络模型，根据所述历史环境信息，以及与所述历史环境信息对应的预设调节参数，训练得到所述参数调节模型。
7.根据权利要求4所述的方法，其特征在于，所述获取历史环境信息，以及与所述历史环境信息对应的预设调节参数，包括：
获取训练环境信息，以及与所述训练环境信息对应的参考调节参数；
将所述训练环境信息归一化处理，得到所述历史环境信息；
将所述参考调节参数归一化处理，得到所述预设调节参数。
8.一种智能空调控制装置，其特征在于，所述装置包括：
信息获取模块，用于获取当前环境信息，其中，环境信息包括环境温湿度和用户信息；
调节参数获取模块，用于基于参数调节模型，得到与所述当前环境信息对应的调节参数，所述调节参数包括调节频率和风机档位；
控制模块，用于根据所述调节参数生成控制指令，所述控制指令用于控制智能空调按照所述调节参数进行调节。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
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。
CN202011294397.1A 2020-11-18 2020-11-18 智能空调控制方法、装置、计算机设备和存储介质 Active CN112378056B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011294397.1A CN112378056B (zh) 2020-11-18 2020-11-18 智能空调控制方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011294397.1A CN112378056B (zh) 2020-11-18 2020-11-18 智能空调控制方法、装置、计算机设备和存储介质

Publications (2)

Publication Number Publication Date
CN112378056A true CN112378056A (zh) 2021-02-19
CN112378056B CN112378056B (zh) 2021-12-14

Family

ID=74584278

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011294397.1A Active CN112378056B (zh) 2020-11-18 2020-11-18 智能空调控制方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN112378056B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112944624A (zh) * 2021-03-01 2021-06-11 青岛海尔空调器有限总公司 用于空调控制的方法和空调
CN113759736A (zh) * 2021-08-31 2021-12-07 厦门立林科技有限公司 一种智能家居的控制方法、装置以及设备
CN113778063A (zh) * 2021-09-16 2021-12-10 四川中鼎智能技术有限公司 基于纵向特征数据的设备控制方法及装置
CN113900384A (zh) * 2021-10-13 2022-01-07 达闼科技（北京）有限公司 机器人与智能设备交互的方法、装置及电子设备
CN114265458A (zh) * 2022-01-05 2022-04-01 信息产业电子第十一设计研究院科技工程股份有限公司 一种实现风管温湿度以及房间内温湿度精确控制方法
CN115046287A (zh) * 2022-05-24 2022-09-13 珠海格力电器股份有限公司 设备交互控制方法、装置、系统、空调器及存储介质
CN115076762A (zh) * 2021-03-10 2022-09-20 佛山市顺德区美的电热电器制造有限公司 功率调节方法、功率调节装置及温度调节设备
CN116697497A (zh) * 2023-08-01 2023-09-05 同方节能工程技术有限公司 一种通风空调系统控制方法、装置、设备和存储介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101625733A (zh) * 2009-08-03 2010-01-13 杭州电子科技大学 基于神经网络的潮水水位和时间预测方法
CN101916998A (zh) * 2010-07-12 2010-12-15 东北电力科学研究院有限公司 一种基于支持向量机的风电功率预测装置及方法
CN102162664A (zh) * 2010-02-24 2011-08-24 株式会社东芝 空调控制系统以及空调控制方法
CN106096761A (zh) * 2016-06-01 2016-11-09 新奥泛能网络科技股份有限公司 一种基于神经网络的建筑负荷预测方法及装置
CN107490441A (zh) * 2017-10-16 2017-12-19 广州贯行电能技术有限公司 一种电流引起的电柜合理温升的判断方法和装置
CN108052734A (zh) * 2017-12-12 2018-05-18 中国电力科学研究院有限公司 一种基于气象参数对雷电流幅值进行预测的方法及系统
CN108181837A (zh) * 2017-11-28 2018-06-19 珠海格力电器股份有限公司 控制方法及控制装置
CN108427986A (zh) * 2018-02-26 2018-08-21 中车青岛四方机车车辆股份有限公司 一种生产线电机故障预测方法及装置
US20190257542A1 (en) * 2013-04-19 2019-08-22 Google Llc Automated adjustment of an hvac schedule for resource conservation
CN110925995A (zh) * 2019-11-28 2020-03-27 新奥数能科技有限公司 一种空调自适应控制空气调节的方法及系统

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101625733A (zh) * 2009-08-03 2010-01-13 杭州电子科技大学 基于神经网络的潮水水位和时间预测方法
CN102162664A (zh) * 2010-02-24 2011-08-24 株式会社东芝 空调控制系统以及空调控制方法
CN101916998A (zh) * 2010-07-12 2010-12-15 东北电力科学研究院有限公司 一种基于支持向量机的风电功率预测装置及方法
US20190257542A1 (en) * 2013-04-19 2019-08-22 Google Llc Automated adjustment of an hvac schedule for resource conservation
CN106096761A (zh) * 2016-06-01 2016-11-09 新奥泛能网络科技股份有限公司 一种基于神经网络的建筑负荷预测方法及装置
CN107490441A (zh) * 2017-10-16 2017-12-19 广州贯行电能技术有限公司 一种电流引起的电柜合理温升的判断方法和装置
CN108181837A (zh) * 2017-11-28 2018-06-19 珠海格力电器股份有限公司 控制方法及控制装置
CN108052734A (zh) * 2017-12-12 2018-05-18 中国电力科学研究院有限公司 一种基于气象参数对雷电流幅值进行预测的方法及系统
CN108427986A (zh) * 2018-02-26 2018-08-21 中车青岛四方机车车辆股份有限公司 一种生产线电机故障预测方法及装置
CN110925995A (zh) * 2019-11-28 2020-03-27 新奥数能科技有限公司 一种空调自适应控制空气调节的方法及系统

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112944624B (zh) * 2021-03-01 2022-09-06 青岛海尔空调器有限总公司 用于空调控制的方法和空调
CN112944624A (zh) * 2021-03-01 2021-06-11 青岛海尔空调器有限总公司 用于空调控制的方法和空调
CN115076762A (zh) * 2021-03-10 2022-09-20 佛山市顺德区美的电热电器制造有限公司 功率调节方法、功率调节装置及温度调节设备
CN115076762B (zh) * 2021-03-10 2024-04-16 佛山市顺德区美的电热电器制造有限公司 功率调节方法、功率调节装置及温度调节设备
CN113759736B (zh) * 2021-08-31 2024-03-22 厦门立林科技有限公司 一种智能家居的控制方法、装置以及设备
CN113759736A (zh) * 2021-08-31 2021-12-07 厦门立林科技有限公司 一种智能家居的控制方法、装置以及设备
CN113778063A (zh) * 2021-09-16 2021-12-10 四川中鼎智能技术有限公司 基于纵向特征数据的设备控制方法及装置
CN113900384A (zh) * 2021-10-13 2022-01-07 达闼科技（北京）有限公司 机器人与智能设备交互的方法、装置及电子设备
CN114265458A (zh) * 2022-01-05 2022-04-01 信息产业电子第十一设计研究院科技工程股份有限公司 一种实现风管温湿度以及房间内温湿度精确控制方法
CN115046287A (zh) * 2022-05-24 2022-09-13 珠海格力电器股份有限公司 设备交互控制方法、装置、系统、空调器及存储介质
CN115046287B (zh) * 2022-05-24 2023-12-08 珠海格力电器股份有限公司 设备交互控制方法、装置、系统、空调器及存储介质
CN116697497B (zh) * 2023-08-01 2023-10-31 同方节能工程技术有限公司 一种通风空调系统控制方法、装置、设备和存储介质
CN116697497A (zh) * 2023-08-01 2023-09-05 同方节能工程技术有限公司 一种通风空调系统控制方法、装置、设备和存储介质

Also Published As

Publication number Publication date
CN112378056B (zh) 2021-12-14

Similar Documents

Publication Publication Date Title
CN112378056B (zh) 智能空调控制方法、装置、计算机设备和存储介质
KR102648234B1 (ko) 데이터 학습 서버 및 이의 학습 모델 생성 및 이용 방법
US11965666B2 (en) Control method for air conditioner, and device for air conditioner and storage medium
CN110726229B (zh) 空调器的控制方法及装置、存储介质及处理器
JP6885497B2 (ja) 情報処理方法、情報処理装置、及びプログラム
CN111623497A (zh) 一种辐射空调预冷预热方法、系统、存储介质及辐射空调
CN114466997A (zh) 用于个性化热舒适度控制的系统和方法
CN104279710A (zh) 空调控制方法、系统及空调设备
CN109373536A (zh) 空调器的控制装置、空调器及其控制方法和可读存储介质
CN112540535B (zh) 一种基于深度强化学习的办公建筑热舒适控制系统及方法
Omarov et al. Design of fuzzy logic based controller for energy efficient operation in smart buildings
CN109305183A (zh) 一种空调温度调节方法、系统、装置及计算机可读存储介质
CN110736232A (zh) 空调控制方法及装置
CN110726209B (zh) 空调控制方法、装置、存储介质以及处理器
CN115585538A (zh) 室内温度的调节方法、装置、电子设备及存储介质
CN109114763A (zh) 空调器的控制装置、空调器及其控制方法和可读存储介质
CN116485044B (zh) 一种电网交互型高效商业建筑智能运行优化方法
US20220333810A1 (en) Model sharing system, model management apparatus, and control apparatus for air conditioning apparatus
CN115682312A (zh) 一种空调节能控制方法、装置、设备及可读存储介质
Karmakar et al. Adaptive hybrid approaches to thermal modeling of building
CN113310176B (zh) 信息处理装置
Sakuma et al. Adaptive control method of HVAC for uniformizing comfort at Japanese residential living rooms using deep reinforcement learning
Zhang A Reinforcement Learning Approach for Whole Building Energy Model Assisted HVAC Supervisory Control
CN112212481A (zh) 利用深度强化学习控制环境舒适度的系统及其方法
JP2021002776A (ja) 情報処理方法、情報処理装置、及びプログラム

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