CN112413862A - 能耗系数的确定方法和装置、存储介质、电子装置 - Google Patents
能耗系数的确定方法和装置、存储介质、电子装置 Download PDFInfo
- Publication number
- CN112413862A CN112413862A CN202011290194.5A CN202011290194A CN112413862A CN 112413862 A CN112413862 A CN 112413862A CN 202011290194 A CN202011290194 A CN 202011290194A CN 112413862 A CN112413862 A CN 112413862A
- Authority
- CN
- China
- Prior art keywords
- air conditioner
- target air
- data
- sequence
- environment
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/89—Arrangement or mounting of control or safety devices
-
- 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
- F24F11/88—Electrical aspects, e.g. circuits
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Signal Processing (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Fuzzy Systems (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本申请公开了一种能耗系数的确定方法和装置、存储介质、电子装置。其中,该方法包括:获取目标空调的环境数据和功率数据,其中,所述环境数据包括温度数据;利用密集神经网络,按照所述环境数据和所述功率数据预测所述目标空调的能耗系数。本申请解决了相关技术中能耗系数的预测准确度较低的技术问题。
Description
技术领域
本申请涉及空调领域,具体而言,涉及一种能耗系数的确定方法和装置、存储介质、电子装置。
背景技术
在过去的几十年里,能源一直是人们感兴趣的话题,越来越多的领域已经开始重视能源的利用率。也已经有了提高能源消耗效率的技术和发展,并对未来的消费趋势进行了描绘和进一步规划。而空调的能效作为现今建筑系统地能源效率中非常重要的一环,得到的关注却不多。因而,预测空调系统的能源效率在空调的设计和研发的过程中显得尤为重要,而目前并没有准确度较高的预测方式。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种能耗系数的确定方法和装置、存储介质、电子装置,以至少解决相关技术中能耗系数的预测准确度较低的技术问题。
根据本申请实施例的一个方面,提供了一种能耗系数的确定方法,包括:获取目标空调的环境数据和功率数据,其中,所述环境数据包括温度数据;利用密集神经网络,按照所述环境数据和所述功率数据预测所述目标空调的能耗系数。
可选地,在利用密集神经网络,按照所述环境数据和所述功率数据预测所述目标空调的能耗系数时,利用所述密集神经网络,确定与环境数据匹配的温度差,并确定与所述功率数据对应的制冷功率;将所述温度差与所述制冷功率之间的比值作为所述能耗系数。
可选地,在所述密集神经网络中第l层网络的输出Xl与之前的所有层的输出相关:Xl=H1([X0,X1,...,Xl-1]),X0至X1表示密集神经网络中相应网络层的输出,符号[]表示连续操作。
可选地,在获取所述目标空调的环境数据时,获取所述目标空调的环境数据序列,其中,所述环境数据序列中保存有按照预设时间间隔采集到的环境数据。
可选地,在获取所述目标空调的环境数据序列包括时,获取所述目标空调的环境温度数据序列、室温数据序列、环境相对湿度序列以及室内相对湿度序列,其中,所述环境温度数据序列中保存有按照所述预设时间间隔采集到的环境温度数据,所述室温数据序列中保存有按照所述预设时间间隔采集到的室温数据,所述环境相对湿度序列中保存有按照所述预设时间间隔采集到的环境相对湿度,所述室内相对湿度序列中保存有按照所述预设时间间隔采集到的室内相对湿度。
可选地,在获取所述目标空调的功率数据包括时,获取所述目标空调的功率数据序列,其中,所述功率数据序列中保存有按照预设时间间隔采集到的功率数据。
可选地,在获取所述目标空调的功率数据序列包括时,获取所述目标空调的冷水机组的功率数据序列、所述目标空调的冷冻水泵的功率数据序列,所述目标空调的冷却水泵的功率数据序列以及所述目标空调的冷却塔风机的功率数据序列。
根据本申请实施例的另一方面,还提供了一种能耗系数的确定装置,包括:获取单元,用于获取目标空调的环境数据和功率数据,其中,所述环境数据包括温度数据;确定单元,用于利用密集神经网络,按照所述环境数据和所述功率数据预测所述目标空调的能耗系数。
可选地,确定单元还用于在利用密集神经网络,按照所述环境数据和所述功率数据预测所述目标空调的能耗系数时,利用所述密集神经网络,确定与环境数据匹配的温度差,并确定与所述功率数据对应的制冷功率;将所述温度差与所述制冷功率之间的比值作为所述能耗系数。
可选地,在所述密集神经网络中第l层网络的输出Xl与之前的所有层的输出相关:Xl=H1([X0,X1,...,Xl-1]),X0至Xl表示密集神经网络中相应网络层的输出,符号[]表示连续操作。
可选地,获取单元还用于在获取所述目标空调的环境数据时,获取所述目标空调的环境数据序列,其中,所述环境数据序列中保存有按照预设时间间隔采集到的环境数据。
可选地,获取单元还用于在获取所述目标空调的环境数据序列包括时,获取所述目标空调的环境温度数据序列、室温数据序列、环境相对湿度序列以及室内相对湿度序列,其中,所述环境温度数据序列中保存有按照所述预设时间间隔采集到的环境温度数据,所述室温数据序列中保存有按照所述预设时间间隔采集到的室温数据,所述环境相对湿度序列中保存有按照所述预设时间间隔采集到的环境相对湿度,所述室内相对湿度序列中保存有按照所述预设时间间隔采集到的室内相对湿度。
可选地,获取单元还用于在获取所述目标空调的功率数据包括时,获取所述目标空调的功率数据序列,其中,所述功率数据序列中保存有按照预设时间间隔采集到的功率数据。
可选地,获取单元还用于在获取所述目标空调的功率数据序列包括时,获取所述目标空调的冷水机组的功率数据序列、所述目标空调的冷冻水泵的功率数据序列,所述目标空调的冷却水泵的功率数据序列以及所述目标空调的冷却塔风机的功率数据序列。
根据本申请实施例的另一方面,还提供了一种存储介质,该存储介质包括存储的程序,程序运行时执行上述的方法。
根据本申请实施例的另一方面,还提供了一种电子装置,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,处理器通过计算机程序执行上述的方法。
在本申请实施例中,利用密集神经网络自动地预测通调系统的能源消耗率,能够有效地提高预测的准确率,在空调的设计和研发阶段能起到一个有效的参考的作用,可以解决相关技术中能耗系数的预测准确度较低的技术问题。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例的一种可选的能耗系数的确定方法的流程图;
图2是根据本申请实施例的一种可选的能耗系数的确定方案的示意图;
图3是根据本申请实施例的一种可选的能耗系数的确定装置的示意图;
以及
图4是根据本申请实施例的一种终端的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,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,所描述的实施例仅仅是本申请一部分的实施例,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前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
神经网络在许多领域的时间序列预测中发挥了重要作用。人工神经网络(ANN)是用于空调系统性能预测的工具之一。此外,递归神经网络(RNN)由于具有预测时序数据的能力,在时间序列预测中得到了广泛的应用。虽然RNN是一种潜在的工具,但它在优化过程中面临着消失梯度。特别是梯度太小,使得网络中的权值很难得到更新。而卷积神经网络(CNN)在网络层超过五十层的时候会出现退化现象,因而很难训练。
根据本申请实施例的一方面,提供了一种能耗系数的确定方法的方法实施例。图1是根据本申请实施例的一种可选的能耗系数的确定方法的流程图,如图1所示,该方法可以包括以下步骤:
步骤S1,获取目标空调的环境数据和功率数据,所述环境数据包括温度数据。
可选地,在获取所述目标空调的环境数据时,获取所述目标空调的环境数据序列,其中,所述环境数据序列中保存有按照预设时间间隔采集到的环境数据。
可选地,在获取所述目标空调的环境数据序列包括时,获取所述目标空调的环境温度数据序列、室温数据序列、环境相对湿度序列以及室内相对湿度序列,其中,所述环境温度数据序列中保存有按照所述预设时间间隔采集到的环境温度数据,所述室温数据序列中保存有按照所述预设时间间隔采集到的室温数据,所述环境相对湿度序列中保存有按照所述预设时间间隔采集到的环境相对湿度,所述室内相对湿度序列中保存有按照所述预设时间间隔采集到的室内相对湿度。
可选地,在获取所述目标空调的功率数据包括时,获取所述目标空调的功率数据序列,其中,所述功率数据序列中保存有按照预设时间间隔采集到的功率数据。
可选地,在获取所述目标空调的功率数据序列包括时,获取所述目标空调的冷水机组的功率数据序列、所述目标空调的冷冻水泵的功率数据序列,所述目标空调的冷却水泵的功率数据序列以及所述目标空调的冷却塔风机的功率数据序列。
步骤S2,利用密集神经网络,按照所述环境数据和所述功率数据预测所述目标空调的能耗系数。
可选地,在利用密集神经网络,按照所述环境数据和所述功率数据预测所述目标空调的能耗系数时,利用所述密集神经网络,确定与环境数据匹配的温度差,并确定与所述功率数据对应的制冷功率;将所述温度差与所述制冷功率之间的比值作为所述能耗系数。
可选地,在所述密集神经网络中第l层网络的输出Xl与之前的所有层的输出相关:Xl=Hl([X0,X1,...,Xl-1]),X0至X1表示密集神经网络中相应网络层的输出,符号[]表示连续操作。
通过上述步骤,利用密集神经网络自动地预测通调系统的能源消耗率,能够有效地提高预测的准确率,在空调的设计和研发阶段能起到一个有效的参考的作用,可以解决相关技术中能耗系数的预测准确度较低的技术问题。
本方案利用密集卷积神经网络,根据环境温度于室内温度的温差、一定时间内的耗电量,求出空调系统能源消耗的效率。作为一种可选的实施例,如图2所示,下文结合具体的实施方式进一步详述本申请的技术方案。
在空调的设计以及研发的过程中,空调的能源消耗率是一个非常重要的指标,有效地预测空调的能耗有助于降低能耗,提高空调产品的核心竞争力。
能耗系数(COP)广泛应用于许多领域,用来衡量一个特定系统的效率。每个应用程序都有自己的COP定义。在空调系统中,COP是用温度差值与耗电量的比值来定义的。COP可直接由温差和功耗计算,因此模型由两个子模型组成,分别对温差和功耗进行预测。
COP=Q/N,Q表示室内温度与环境温度的差值,N表示制冷的功率。
在温差子模块中,输入数据为环境温度和室温60分钟时间序列,且数据可由多个变量组成:环境温度、室温、环境相对湿度、室内相对湿度。可根据季节将数据分为:夏季、雨季和冬季等,以比较预测精度可能发生的变化。在此基础上,采用2小时移动平均滤波器来平滑波动。然后进行相关分析,确定潜在的输入变量。并利用密集神经网络计算出温度差。
在功率子模块中,输入数据为60分钟耗电量时间序列,一般情况下会包括冷水机组,冷冻水泵,冷却水泵,以及冷却塔风机等的功率,同样利用密集神经网络计算出消耗的总功率。
普通的卷积网络的原理是卷积层从输入矩阵中提取特征。计算输入子区域与核(或过滤器)的卷积,前一层网络的输出Xl-1传递到下一层作为输入,经过非线性的操作Hl并输出Xl。
Xl=Hl(Xl-1),
而密集神经网络是在普通卷积神经网络的基础上引入了短路径的概念,使得卷积网络中前面的层后能与它之后的所有网络层连接起来。
Xl=Hl([X0,X1,...,Xl-1]),
X0,X1,Xl-1:l层前面所有层的输出,
[...]:表示连续操作,
密集神经网络一般可以使得模型更窄,不需要再重新学习冗余的特征映射,且可以减轻过拟合的现象。
最后利用此前温差子模块预测出的温度差以及功耗子模块的计算的消耗功率即可预测的COP,即能耗系数。
采用本方案,利用密集神经网络自动地预测通调系统的能源消耗率,能够有效地提高预测的准确率,在空调的设计和研发阶段能起到一个有效的参考的作用。符合环保法规要求:法律法规慢慢变得越来越严格,不光对于空调的消耗有要求,而且对于生产过程消耗的能源也提出了更多的要求;提高市场竞争力以及公众的环保意识:节省了更多能源的企业,往往会被公众认为是更先进的,更环保的,如果降低了生产过程中的能源消耗,也可以提升在市场中的形象。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本申请所必须的。
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根据上述实施例的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,本申请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ROM/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,或者网络设备等)执行本申请各个实施例所述的方法。
根据本申请实施例的另一个方面,还提供了一种用于实施上述能耗系数的确定方法的能耗系数的确定装置。图3是根据本申请实施例的一种可选的能耗系数的确定装置的示意图,如图3所示,该装置可以包括:
获取单元31,用于获取目标空调的环境数据和功率数据,其中,所述环境数据包括温度数据;确定单元33,用于利用密集神经网络,按照所述环境数据和所述功率数据预测所述目标空调的能耗系数。
需要说明的是,该实施例中的获取单元31可以用于执行本申请实施例中的步骤S1,该实施例中的确定单元33可以用于执行本申请实施例中的步骤S2。
通过上述模块,利用密集神经网络自动地预测通调系统的能源消耗率,能够有效地提高预测的准确率,在空调的设计和研发阶段能起到一个有效的参考的作用,可以解决相关技术中能耗系数的预测准确度较低的技术问题。
可选地,确定单元还用于在利用密集神经网络,按照所述环境数据和所述功率数据预测所述目标空调的能耗系数时,利用所述密集神经网络,确定与环境数据匹配的温度差,并确定与所述功率数据对应的制冷功率;将所述温度差与所述制冷功率之间的比值作为所述能耗系数。
可选地,在所述密集神经网络中第l层网络的输出Xl与之前的所有层的输出相关:Xl=H1([X0,X1,...,Xl-1]),X0至X1表示密集神经网络中相应网络层的输出,[]表示连续操作。
可选地,获取单元还用于在获取所述目标空调的环境数据时,获取所述目标空调的环境数据序列,其中,所述环境数据序列中保存有按照预设时间间隔采集到的环境数据。
可选地,获取单元还用于在获取所述目标空调的环境数据序列包括时,获取所述目标空调的环境温度数据序列、室温数据序列、环境相对湿度序列以及室内相对湿度序列,其中,所述环境温度数据序列中保存有按照所述预设时间间隔采集到的环境温度数据,所述室温数据序列中保存有按照所述预设时间间隔采集到的室温数据,所述环境相对湿度序列中保存有按照所述预设时间间隔采集到的环境相对湿度,所述室内相对湿度序列中保存有按照所述预设时间间隔采集到的室内相对湿度。
可选地,获取单元还用于在获取所述目标空调的功率数据包括时,获取所述目标空调的功率数据序列,其中,所述功率数据序列中保存有按照预设时间间隔采集到的功率数据。
可选地,获取单元还用于在获取所述目标空调的功率数据序列包括时,获取所述目标空调的冷水机组的功率数据序列、所述目标空调的冷冻水泵的功率数据序列,所述目标空调的冷却水泵的功率数据序列以及所述目标空调的冷却塔风机的功率数据序列。
此处需要说明的是,上述模块与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例所公开的内容。需要说明的是,上述模块作为装置的一部分可以运行在相应的硬件环境中,可以通过软件实现,也可以通过硬件实现,其中,硬件环境包括网络环境。
根据本申请实施例的另一个方面,还提供了一种用于实施上述能耗系数的确定方法的服务器或终端。
图4是根据本申请实施例的一种终端的结构框图,如图4所示,该终端可以包括:一个或多个(仅示出一个)处理器201、存储器203、以及传输装置205,如图4所示,该终端还可以包括输入输出设备207。
其中,存储器203可用于存储软件程序以及模块,如本申请实施例中的能耗系数的确定方法和装置对应的程序指令/模块,处理器201通过运行存储在存储器203内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述的能耗系数的确定方法。存储器203可包括高速随机存储器,还可以包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器203可进一步包括相对于处理器201远程设置的存储器,这些远程存储器可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
上述的传输装置205用于经由一个网络接收或者发送数据,还可以用于处理器与存储器之间的数据传输。上述的网络具体实例可包括有线网络及无线网络。在一个实例中,传输装置205包括一个网络适配器(Network Interface Controller,NIC),其可通过网线与其他网络设备与路由器相连从而可与互联网或局域网进行通讯。在一个实例中,传输装置205为射频(Radio Frequency,RF)模块,其用于通过无线方式与互联网进行通讯。
其中,具体地,存储器203用于存储应用程序。
处理器201可以通过传输装置205调用存储器203存储的应用程序,以执行下述步骤:
获取目标空调的环境数据和功率数据,其中,所述环境数据包括温度数据;
利用密集神经网络,按照所述环境数据和所述功率数据预测所述目标空调的能耗系数。
处理器201还用于执行下述步骤:
获取所述目标空调的环境温度数据序列、室温数据序列、环境相对湿度序列以及室内相对湿度序列,其中,所述环境温度数据序列中保存有按照所述预设时间间隔采集到的环境温度数据,所述室温数据序列中保存有按照所述预设时间间隔采集到的室温数据,所述环境相对湿度序列中保存有按照所述预设时间间隔采集到的环境相对湿度,所述室内相对湿度序列中保存有按照所述预设时间间隔采集到的室内相对湿度;
获取所述目标空调的冷水机组的功率数据序列、所述目标空调的冷冻水泵的功率数据序列,所述目标空调的冷却水泵的功率数据序列以及所述目标空调的冷却塔风机的功率数据序列。
可选地,本实施例中的具体示例可以参考上述实施例中所描述的示例,本实施例在此不再赘述。
本领域普通技术人员可以理解,图4所示的结构仅为示意,终端可以是智能手机(如Android手机、iOS手机等)、平板电脑、掌上电脑以及移动互联网设备(Mobile InternetDevices,MID)、PAD等终端设备。图4其并不对上述电子装置的结构造成限定。例如,终端还可包括比图4中所示更多或者更少的组件(如网络接口、显示装置等),或者具有与图4所示不同的配置。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:闪存盘、只读存储器(Read-Only Memory,ROM)、随机存取器(RandomAccess Memory,RAM)、磁盘或光盘等。
本申请的实施例还提供了一种存储介质。可选地,在本实施例中,上述存储介质可以用于执行能耗系数的确定方法的程序代码。
可选地,在本实施例中,上述存储介质可以位于上述实施例所示的网络中的多个网络设备中的至少一个网络设备上。
可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:
获取目标空调的环境数据和功率数据,其中,所述环境数据包括温度数据;
利用密集神经网络,按照所述环境数据和所述功率数据预测所述目标空调的能耗系数。
可选地,存储介质还被设置为存储用于执行以下步骤的程序代码:
获取所述目标空调的环境温度数据序列、室温数据序列、环境相对湿度序列以及室内相对湿度序列,其中,所述环境温度数据序列中保存有按照所述预设时间间隔采集到的环境温度数据,所述室温数据序列中保存有按照所述预设时间间隔采集到的室温数据,所述环境相对湿度序列中保存有按照所述预设时间间隔采集到的环境相对湿度,所述室内相对湿度序列中保存有按照所述预设时间间隔采集到的室内相对湿度;
获取所述目标空调的冷水机组的功率数据序列、所述目标空调的冷冻水泵的功率数据序列,所述目标空调的冷却水泵的功率数据序列以及所述目标空调的冷却塔风机的功率数据序列。
可选地,本实施例中的具体示例可以参考上述实施例中所描述的示例,本实施例在此不再赘述。
可选地,在本实施例中,上述存储介质可以包括但不限于:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
上述实施例中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在上述计算机可读取的存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或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存储介质中,包括若干指令用以使得一台或多台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。
在本申请的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的客户端,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
以上所述仅是本申请的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (10)
1.一种能耗系数的确定方法,其特征在于,包括:
获取目标空调的环境数据和功率数据,其中,所述环境数据包括温度数据;
利用密集神经网络,按照所述环境数据和所述功率数据预测所述目标空调的能耗系数。
2.根据权利要求1所述的方法,其特征在于,利用密集神经网络,按照所述环境数据和所述功率数据预测所述目标空调的能耗系数包括:
利用所述密集神经网络,确定与环境数据匹配的温度差,并确定与所述功率数据对应的制冷功率;
将所述温度差与所述制冷功率之间的比值作为所述能耗系数。
3.根据权利要求2所述的方法,其特征在于,在所述密集神经网络中第l层网络的输出X1与之前的所有层的输出相关:
Xl=Hl([X0,X1,...,Xl-1]),X0至Xl表示密集神经网络中相应网络层的输出,符号[]表示连续操作。
4.根据权利要求1所述的方法,其特征在于,获取所述目标空调的环境数据包括:
获取所述目标空调的环境数据序列,其中,所述环境数据序列中保存有按照预设时间间隔采集到的环境数据。
5.根据权利要求4所述的方法,其特征在于,获取所述目标空调的环境数据序列包括:
获取所述目标空调的环境温度数据序列、室温数据序列、环境相对湿度序列以及室内相对湿度序列,其中,所述环境温度数据序列中保存有按照所述预设时间间隔采集到的环境温度数据,所述室温数据序列中保存有按照所述预设时间间隔采集到的室温数据,所述环境相对湿度序列中保存有按照所述预设时间间隔采集到的环境相对湿度,所述室内相对湿度序列中保存有按照所述预设时间间隔采集到的室内相对湿度。
6.根据权利要求1所述的方法,其特征在于,获取所述目标空调的功率数据包括:
获取所述目标空调的功率数据序列,其中,所述功率数据序列中保存有按照预设时间间隔采集到的功率数据。
7.根据权利要求6所述的方法,其特征在于,获取所述目标空调的功率数据序列包括:
获取所述目标空调的冷水机组的功率数据序列、所述目标空调的冷冻水泵的功率数据序列、所述目标空调的冷却水泵的功率数据序列以及所述目标空调的冷却塔风机的功率数据序列。
8.一种能耗系数的确定装置,其特征在于,包括:
获取单元,用于获取目标空调的环境数据和功率数据,其中,所述环境数据包括温度数据;
确定单元,用于利用密集神经网络,按照所述环境数据和所述功率数据预测所述目标空调的能耗系数。
9.一种存储介质,其特征在于,所述存储介质包括存储的程序,其中,所述程序运行时执行上述权利要求1至7任一项中所述的方法。
10.一种电子装置,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计算机程序,其特征在于,所述处理器通过所述计算机程序执行上述权利要求1至7任一项中所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011290194.5A CN112413862B (zh) | 2020-11-18 | 2020-11-18 | 能耗系数的确定方法和装置、存储介质、电子装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011290194.5A CN112413862B (zh) | 2020-11-18 | 2020-11-18 | 能耗系数的确定方法和装置、存储介质、电子装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112413862A true CN112413862A (zh) | 2021-02-26 |
CN112413862B CN112413862B (zh) | 2022-03-18 |
Family
ID=74831571
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011290194.5A Active CN112413862B (zh) | 2020-11-18 | 2020-11-18 | 能耗系数的确定方法和装置、存储介质、电子装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112413862B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114279061A (zh) * | 2021-11-26 | 2022-04-05 | 国网北京市电力公司 | 控制空调的方法、装置和电子设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102213475A (zh) * | 2011-03-22 | 2011-10-12 | 曙光信息产业(北京)有限公司 | 一种数据中心功耗自适应管理方法 |
US20180252428A1 (en) * | 2015-07-30 | 2018-09-06 | Encycle Corporation | Smart Thermostat Orchestration |
CN110060286A (zh) * | 2019-04-25 | 2019-07-26 | 东北大学 | 一种单目深度估计方法 |
CN110057045A (zh) * | 2019-03-20 | 2019-07-26 | 青岛海尔空调器有限总公司 | 用于空调器的控制方法 |
CN110059801A (zh) * | 2019-03-20 | 2019-07-26 | 青岛海尔空调器有限总公司 | 基于神经网络的空调器能效控制方法 |
-
2020
- 2020-11-18 CN CN202011290194.5A patent/CN112413862B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102213475A (zh) * | 2011-03-22 | 2011-10-12 | 曙光信息产业(北京)有限公司 | 一种数据中心功耗自适应管理方法 |
US20180252428A1 (en) * | 2015-07-30 | 2018-09-06 | Encycle Corporation | Smart Thermostat Orchestration |
CN110057045A (zh) * | 2019-03-20 | 2019-07-26 | 青岛海尔空调器有限总公司 | 用于空调器的控制方法 |
CN110059801A (zh) * | 2019-03-20 | 2019-07-26 | 青岛海尔空调器有限总公司 | 基于神经网络的空调器能效控制方法 |
CN110060286A (zh) * | 2019-04-25 | 2019-07-26 | 东北大学 | 一种单目深度估计方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114279061A (zh) * | 2021-11-26 | 2022-04-05 | 国网北京市电力公司 | 控制空调的方法、装置和电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN112413862B (zh) | 2022-03-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111765604A (zh) | 空调的控制方法和装置 | |
CN109147325B (zh) | 路况预测方法及装置、存储介质、处理器 | |
CN110251942B (zh) | 控制游戏场景中虚拟角色的方法及装置 | |
CN111680841B (zh) | 基于主成分分析的短期负荷预测方法、系统及终端设备 | |
US11693380B1 (en) | Distribution methods and distribution systems for greenspace irrigation water of smart cities based on internet of things | |
CN112413862B (zh) | 能耗系数的确定方法和装置、存储介质、电子装置 | |
CN112766596A (zh) | 建筑能耗预测模型的构建方法、能耗预测方法及装置 | |
CN113849052B (zh) | 基于人工智能的机房温度预测方法及系统 | |
CN113591900A (zh) | 一种高需求响应潜力用户的识别方法、装置及终端设备 | |
Xuemei et al. | A novel air-conditioning load prediction based on ARIMA and BPNN model | |
CN115189863B (zh) | 一种基于区块链网络架构电商交易信息管理系统 | |
CN110069708A (zh) | 一种跨媒介推广的推广效果预估方法、装置、介质和设备 | |
CN115585541A (zh) | 空调机房系统的控制方法及装置、电子设备及存储介质 | |
CN110837889A (zh) | 神经网络的训练方法及装置、存储介质、电子装置 | |
CN114154780A (zh) | 评价方法、装置、电子设备及相关产品 | |
CN113849366A (zh) | 基于多源传感数据的智能综合管理方法与系统 | |
CN112503813A (zh) | 一种空调器制冷剂的更换方法和装置 | |
CN114584476A (zh) | 一种流量预测方法、网络训练方法、装置及电子设备 | |
CN114580255A (zh) | 一种设备剩余寿命预测模型的构建方法及终端设备 | |
CN113692177B (zh) | 数据中心制冷系统功耗的控制方法、装置及终端 | |
CN116528270B (zh) | 一种基站节能潜力评估方法、装置、设备及存储介质 | |
CN114777289B (zh) | 空调节能效果的评价方法及装置 | |
CN113701275B (zh) | 一种基于机器学习的冰蓄冷空调蓄冷量预测方法及装置 | |
CN111552200A (zh) | 基于bim的制冷设备综合优化方法、装置和设备 | |
CN116301283A (zh) | 基于贝叶斯优化算法的数据中心pue优化方法及装置 |
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 |