CN112665143A - 基于深度学习的智能调控变频策略的方法及设备 - Google Patents
基于深度学习的智能调控变频策略的方法及设备 Download PDFInfo
- Publication number
- CN112665143A CN112665143A CN202011422325.0A CN202011422325A CN112665143A CN 112665143 A CN112665143 A CN 112665143A CN 202011422325 A CN202011422325 A CN 202011422325A CN 112665143 A CN112665143 A CN 112665143A
- Authority
- CN
- China
- Prior art keywords
- deep learning
- air conditioner
- data
- frequency conversion
- 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.)
- Pending
Links
- 238000006243 chemical reaction Methods 0.000 title claims abstract description 49
- 238000013135 deep learning Methods 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000001105 regulatory effect Effects 0.000 title claims abstract description 31
- 230000001276 controlling effect Effects 0.000 title claims abstract description 25
- 230000000694 effects Effects 0.000 claims abstract description 68
- 238000010438 heat treatment Methods 0.000 claims abstract description 60
- 238000001816 cooling Methods 0.000 claims abstract description 46
- 238000013136 deep learning model Methods 0.000 claims abstract description 42
- 238000013486 operation strategy Methods 0.000 claims abstract description 39
- 238000005314 correlation function Methods 0.000 claims abstract description 28
- 230000007613 environmental effect Effects 0.000 claims abstract description 21
- 238000004378 air conditioning Methods 0.000 claims abstract description 16
- 238000005057 refrigeration Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 17
- 238000012360 testing method Methods 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 8
- 238000002474 experimental method Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004134 energy conservation Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000009533 lab test Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000004781 supercooling Methods 0.000 description 1
Images
Landscapes
- Air Conditioning Control Device (AREA)
Abstract
本发明提供一种基于深度学习的智能调控变频策略的方法及设备。其中，基于深度学习的智能调控变频策略的方法，包括：获取空调的工作环境，分析其中存在的变频策略的影响因子；获取空调工作时环境数据和运行数据；其中，环境数据中包括各个影响因子对应的数据；利用深度学习库编程构造对应的深度学习模型，基于环境数据和运行数据，训练深度学习模型，确定每个影响因子对空调制冷制热效果的影响系数，构造出各个影响因子对应的相关性函数；获取用户对制冷/制热效果的需求；根据构造出的深度学习模型得出的相关性函数和用户对制冷/制热效果的需求，制定相应的环境下，空调的运行策略；运行策略包括：空调的功率和运行时间。
Description
技术领域
本发明涉及空调相关技术领域，具体涉及一种基于深度学习的智能调控变频策略的方法及设备。
背景技术
随着商用空调的广泛应用于各大公司，各大重要会场以及多种多样的商场、饭堂等多样化的地点，为适应不同地点的需求，如何调控空调的变频策略，节省电量的同时又能有效的保证制冷、制热效果成为了空调行业必须考虑的一个方向。
目前的空调的变频策略大多依靠开机时预先设置好的温度为标准，以空调的温度传感器为信号源，通过对环境温度的检测诱导空调作出变频的反应。这种简单依靠温度数据的变频策略显然不够精准和有效，无法满足用户的精确需求。
发明内容
有鉴于此，提供一种基于深度学习的智能调控变频策略的方法及设备，以解决相关技术中简单依靠温度数据的变频策略不够精准和有效，无法满足用户的需求的问题。
本发明采用如下技术方案：
第一方面，本发明实施例提供了一种基于深度学习的智能调控变频策略的方法。所述基于深度学习的智能调控变频策略的方法，包括：
获取空调的工作环境，分析其中存在的变频策略的影响因子；
获取空调工作时环境数据和运行数据；其中，所述环境数据中包括各个影响因子对应的数据；
利用深度学习库编程构造对应的深度学习模型，基于所述环境数据和运行数据，训练深度学习模型，确定每个影响因子对空调制冷制热效果的影响系数，构造出各个影响因子对应的相关性函数；
获取用户对制冷/制热效果的需求；
根据构造出的深度学习模型得出的相关性函数和用户对制冷/制热效果的需求，制定相应的环境下空调的运行策略；所述运行策略包括：空调的功率和运行时间。
可选的，所述影响因子包括：空间的形状、空间内的人数、空调的数量和位置、空间内热源的个数、开口的个数和位置、空调的温度设定和对应的功率、空调运行的时间。
可选的，所述获取空调工作时环境数据和运行数据，包括：
获取实际环境中的空调工作时环境数据和运行数据；和/或，通过搭建的实验室模拟的环境进行测试以获取空调工作时的环境数据和运行数据。
可选的，所述通过搭建的实验室模拟的环境进行测试以获取空调工作时的环境数据和运行数据包括：
搭建实验室；所述实验室设置有距离空调位置等间隔设置的温度传感器；
利用控制变量法，每次变动一个或几个影响因子，进行多次的测试获取大量数据。
可选的，所述用户对于制冷/制热效果的需求包括：空调的工作环境和用户预设温度。
可选的，还包括：
根据构造出的深度学习模型得出的相关性函数和假设的用户对制冷/制热效果的需求生成空调的运行策略，并进行空调逻辑控制实验；
采集实验数据；
基于所述实验数据改进所述深度学习模型。
第二方面，本申请提供一种基于深度学习的智能调控变频策略的装置，包括：
获取模块，用于获取空调的工作环境，分析其中存在的变频策略的影响因子；
所述获取模块，还用于获取空调工作时环境数据和运行数据；其中，所述环境数据中包括各个影响因子对应的数据；
构造模块，用于利用深度学习库编程构造对应的深度学习模型，基于所述环境数据和运行数据，训练深度学习模型，确定每个影响因子对空调制冷制热效果的影响系数，构造出各个影响因子对应的相关性函数；
所述获取模块，还用于获取用户对制冷/制热效果的需求；
制定模块，根据构造出的深度学习模型得出的相关性函数和用户对制冷/制热效果的需求，制定相应的环境下，空调的运行策略；所述运行策略包括：空调的功率和运行时间。
第三方面，本申请提供一种计算机程序产品，包括软件代码部分，当所述产品在所述计算机上被运行时，所述软件代码部分用于执行如本申请第一方面所述的基于深度学习的智能调控变频策略的方法的步骤。
第四方面，本申请提供一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时，实现如本申请第一方面所述的基于深度学习的智能调控变频策略的方法中各个步骤。
第五方面，本申请提供一种空调，包括有处理器和与所述处理器相连接的存储器；
所述存储器用于存储计算机程序，所述计算机程序至少用于执行预设的运行策略；
所述预设的运行策略为通过如本申请第一方面所述的基于深度学习的智能调控变频策略的方法得到的；
所述处理器用于调用并执行所述存储器中的所述计算机程序使得所述空调依照所述预设的运行策略运行。
本发明采用以上技术方案，首先获取空调的工作环境，分析其中存在的变频策略的影响因子；之后获取大量的空调工作时环境数据和运行数据；其中，所述环境数据中包括各个影响因子对应的数据；利用深度学习库编程构造对应的深度学习模型，基于所述环境数据和运行数据，训练深度学习模型，确定每个影响因子对空调制冷制热效果的影响系数，构造出各个影响因子对应的相关性函数；在用户购买或使用空调时，确定用户对制冷/制热效果的需求；之后根据构造出的深度学习模型得出的相关性函数和用户对制冷/制热效果的需求，制定相应的环境下，空调的运行策略；所述运行策略包括：空调的功率和运行时间。如此，本申请提供的方案中，可以基于用户的需求针对性的制定符合用户预期的运行策略，在执行运行策略之前，通过构造并训练深度学习模型，确定每个影响因子对空调制冷制热效果的影响系数，构造出各个影响因子对应的相关性函数，使得可以针对用户的空调的实际环境和需求确定运行策略。相较于现有技术中的方案，本申请提供的方案中，对于空调变频策略的控制更加的精准和有效，更加的符合用户的需求。
附图说明
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，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种基于深度学习的智能调控变频策略的方法的流程图；
图2是本发明实施例提供的实验室环境部分布局示意图；
图3是本发明实施例提供的一种基于深度学习的智能调控变频策略的方法的流程图；
图4是本发明实施例提供的一种基于深度学习的智能调控变频策略的装置的结构示意图；
图5是本发明实施例提供的一种空调的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行详细的描述。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式，都属于本发明所保护的范围。
首先对本发明实施例的应用场景进行说明，随着商用空调的广泛应用于各大公司，各大重要会场以及多种多样的商场、饭堂等多样化的地点，为适应不同地点的需求，如何调控空调的变频策略，节省电量的同时又能有效的保证制冷、制热效果成为了空调行业必须考虑的一个方向。目前的空调的变频策略大多依靠开机时预先设置好的温度为标准，以空调的温度传感器为信号源，通过对环境温度的检测诱导空调做出变频的反应。这种简单依靠温度数据的变频策略存在不够精准和有效，无法满足用户需求的问题。本申请针对这一问题提出了对应的解决方案。
实施例
图1为本发明实施例提供的一种基于深度学习的智能调控变频策略的方法，该方法具体可以包括如下步骤：
S101、获取空调的工作环境，分析其中存在的变频策略的影响因子；
在具体的实施例中，可以采用目前的数据算法分析影响因子，例如：在采集工作环境后，对工作环境进行量化处理，针对不同环境下空调的运行策略和制冷/制热结果依据现有的相关性算法，进行判断变频策略的影响因子。
依照分析，一般情况下，影响因子包括但不限于：空间的形状、空间内的人数、空调的数量和位置、空间内热源的个数、开口的个数和位置、空调的温度设定和对应的功率、空调运行的时间。
具体的，(1)空间的形状具体指的使用空调的空间的形状，例如：装在会议室的空调，控温空间为传统的封闭矩形；装在走廊的空调为两头通风的矩形；装在报告厅的空调，控温空间可能有弧形，圆形，可能是封闭的，也可能存在多个开口；装在工厂的空调，控温空间可能存在房屋高度比正常楼宇要高的情况，等等。空间的形状对空调的制冷/制热效果具有较大影响。在一个较大的空间，单一的或少量的空调进行制冷，或制热时，往往使得靠近空调的局部区域温度改变，这部分温度改变后，温度的变化会被空调内部的传感器感知，使得空调无法对整个空间全局控温。所以推算空间的不同形状下空调制冷/制热范围速度随着时间的变化对于确定空调的策略有着积极的影响。
(2)空间内的人数具体指的使用空间内出入人数和常在人数。空间内的人数可以通过工作环境的面积和用途大概推算，例如厂房的工位较为密集，人数相对多，而会议室座位较少，而且开会时常不能坐满，走廊人数极少，而且停留时间不长。也可以通过与工作地点的打卡机，会议室的预约数据，机场的机票销售量等信息进行加工获取，确定用户对制冷、制热效果的需求时效性。
(3)空调的数量和位置：显然两台或以上的多联机制冷、制热效率比一台同样型号的空调快，空调所处的位置不一样，冷风到达用户所需的时间也不一样，对于楼层高度很高的厂房来说，装在天花板的空调会先将上方的空气制冷、制热，再传到下方的用户，想让用户享受到和其他地方的空调同时、同样的制冷、制热效果需要更大的功率。
(4)空间内热源的个数，分布和影响效果。在饭堂厨房这种经常要加热的地方开空调制冷无疑会降低制冷效果，热源聚集成一片和分散均匀分布也会对不同地方的制冷效果有不同的影响。
(5)开口的个数和位置，开口包括窗户，大门等，会从外界传入空气降低制冷/制热效果。
(6)空调的温度设定和对应的功率，一般来说，功率越大，制冷/制热效果越明显。
(7)空调运行的时间，一般来说，空调运行时间越长，制冷/制热效果越明显。
S102、获取空调工作时环境数据和运行数据；其中，所述环境数据中包括各个影响因子对应的数据；
具体的，获取空调工作时环境数据和运行数据的方式主要有两种；
一种是：获取实际环境中的空调工作时环境数据和运行数据；
随着商用空调的广泛应用于各大公司，各大重要会场以及多种多样的商场、饭堂等多样化的地点，可以获取空调工作时环境数据和运行数据的地点也越来越多。在取得主人的同意后，可以获取这些地区空调运行时的环境数据和运行数据。
需要说明的是，通过第一种方式获取的数据中，获得的环境数据是基于实际环境中的传感器的布置情况获得的，是不全面的。
另一种是：通过搭建的实验室模拟的环境进行测试以获取空调工作时的环境数据和运行数据。
具体的，如图2所示，搭建的实验室可以模拟空调的实际工作环境，搭建为各种形状。实验室内等间距的设置温度传感器。如此，在进行测试时，打开空调后，可以基于各个传感器测量的数据，判断空调制冷、制热范围随着时间的变化。进一步的，可以基于影响因子的不断的调整实验室的状态；例如，可以调节空间的形状、空间内的人数、空调的数量和位置、空间内热源的个数、开口的个数和位置、空调的温度设定和对应的功率、空调运行的时间。
进一步的，为了便于后续数据的处理和计算，为了更加清晰的界定各个影响因子的作用，可以利用控制变量法，每次变动一个或几个影响因子，进行多次的测试获取大量数据。
需要说明的是，为了使得实验室的实验与预期更加符合实际情况，需要先对实际情况进行调查。同时根据实际情况调查和总结不同环境，不同人数下的用户对于制冷/制热效果的需求对空调制冷效果的时间和空间属性要求，其中，对空调制冷效果的时间和空间属性要求包括但不限于：
(1)普通封闭会议室内，制冷效果是稳定的，制冷时间要求正常时间即可，在达到预定制冷效果后可以适当降低功率。
(2)厂房内，饭堂内，人员流动频繁的场所和热源多的场所制冷效果会受到各种因素的影响，不稳定，需要间断的增加空调的功率以维持制冷效果。
(3)大型会议室和其他活动会场内，只有有大型会议和活动才开空调的场景下，要求短时间内快速制冷或制热并维持效果，此时考虑用户体验应更胜于电能消耗，应用较大功率短时间内快速制冷或制热后，再降低功率维持。
(4)同一地点处有多台空调的，应综合考虑空调制冷效果的叠加效应，避免出现过冷过热的情况。
(5)同一地点不同时间访问人数不一样的，应该结合其他系统的统计数据，将人数也作为一个影像因子考虑。
在通过实验室采集数据时，可以依据上述5种情况，模拟实际场景中各个工况下空调的运行情况。
S103、利用深度学习库编程构造对应的深度学习模型，基于所述环境数据和运行数据，训练深度学习模型，确定每个影响因子对空调制冷制热效果的影响系数，构造出各个影响因子对应的相关性函数；
深度学习模型是一种现有的模型。其主要用于分析数据之间的关系，基于深度学习模型，可以确定各个影响因子对于空调的影响系数以及相关性函数。
具体的，可以将空调的制冷或制热的效果以及各个影响因子，对应的量化数据输入预设的深度学习模型。对深度数据学习模型进行训练。训练好的深度学习模型，可以反映各个影响因子对空调的影响系数以及相关性函数。
当然，此时我们可以提取各个影响因子对空调的影响系数及相关性函数，也可以直接通过训练好的深度学习模型，去执行下面的步骤。
S104、获取用户对制冷/制热效果的需求；
具体的，所述用户对于制冷/制热效果的需求包括：空调的工作环境和用户预设温度。当然用户对于制冷/制热效果的需求还可以包括：节能、制冷/制热的速率、等需求。
S105、根据构造出的深度学习模型得出的相关性函数和用户对制冷/制热效果的需求，制定相应的环境下，空调的运行策略；所述运行策略包括：空调的功率和运行时间。
本申请提供的方案，最终是要为客户服务的，所以需要确定用户对制冷/制热效果的需求，之后根据构造出的深度学习模型得出的相关性函数和用户对制冷/制热效果的需求，制定相应的环境下，空调的运行策略；如此得到的空调运行策略符合用户对于空调的制冷/制热效果的预期。
实际应用中，为了保证步骤S103中，训练好的深度学习模型、每个影响因子对空调制冷制热效果的影响系数和各个影响因子对应的相关性函数更加的合理。本申请提供的方案中还采用以下方式，对深度学习模型、影响因子对应的系数和函数进行调节。
具体的，根据构造出的深度学习模型得出的相关性函数和假设的用户对制冷/制热效果的需求生成空调的运行策略，并进行空调逻辑控制实验；
采集实验数据；
基于所述实验数据改进所述深度学习模型。
需要说明的是，通过根据实际情况调查和总结不同环境，用户常用的对制冷/制热效果的需求主要包括。如步骤S103下文中所述的5种。所以在进行空调逻辑控制实验时，可以依照上述5种需求为假设的用户对制冷/制热效果的需求制定运行策略。这些运行策略更加符合现实生活中客户的实际需求,也可以使得后续步骤中调整各个影响因子对应的相关性函数后调整结果，更加符合实际生活中用户的需求。空调逻辑控制实验具体指通过实验室模拟的方式搭建预设的情况执行预设的运行策略，采集空调制冷/制热效果。使得采集的数据更加的充分。此处搭建的实验室内等间距的设置温度传感器。
图3是本发明实施例提供的一种基于深度学习的智能调控变频策略的方法的流程图；参照图3，本申请提供的基于深度学习的智能调控变频策略的方法包括：
S301，确定影响因子。
具体的，采集空调运行环境，量化数据，基于数据分析算法确定影响因子。
S302，控制变量数据采集。
具体的，步骤S302中，可以在真实的或者实验室模拟的小型环境中进行测试获取数据，通过在距离空调位置等间隔的设置温度传感器，获取该空调某一设定温度下，制冷、制热效果的扩散速率，利用控制变量法，每次变动少数一个或几个影响因子，进行多次的测试获取大量数据以供深度学习使用。
S303，数据清洗。
S304，搭建深度学习模型并训练。
具体的，数据收集完毕后，首先对数据进行筛选处理，剔除明显错误的，损失严重的数据，验证存疑的数据，确保数据准确、无误、完整、有效。然后对数据进行同一化处理，避免因为量纲的不同导致数值过大或过小。接着使用深度学习将制冷/制热效果和各种影响因子进行相关性分析。利用成熟的深度学习api库编程构造对应的数据模型，确定每个影响因子对特定工作环境制冷/制热效果的影响系数，构造出它们的相关性函数。
S305，空调逻辑控制实验。
S306，基于实验结果进行数据反馈改进深度学习模型。
S307，制定相应的环境下，空调的运行策略，以供客户机应用。
根据构造出的深度学习模型得出的相关性函数和用户对制冷、制热效果的需求，编程控制空调的功率和运行时间，制定相应的环境下，空调的运行策略，以满足用户的制冷/制热效果、节能省电等需求。
需要说明的是本申请中,空调指代的是空调和空调机组。客户机的是客户使用的空调或空调机组。
图4是本发明实施例提供的一种基于深度学习的智能调控变频策略的装置的结构示意图；
获取模块41，用于获取空调的工作环境，分析其中存在的变频策略的影响因子；
所述获取模块41，还用于获取空调工作时环境数据和运行数据；其中，所述环境数据中包括各个影响因子对应的数据；
构造模块42，用于利用深度学习库编程构造对应的深度学习模型，基于所述环境数据和运行数据，训练深度学习模型，确定每个影响因子对空调制冷制热效果的影响系数，构造出各个影响因子对应的相关性函数；
所述获取模块41，还用于确定用户对制冷/制热效果的需求；
制定模块43，根据构造出的深度学习模型得出的相关性函数和用户对制冷/制热效果的需求，制定相应的环境下，空调的运行策略；所述运行策略包括：空调的功率和运行时间。
本申请还提供一种用于计算机的计算机程序产品，该计算机程序产品包括软件代码部分，当所述产品在所述计算机上被运行时，所述软件代码部分用于执行本申请任一实施例所述的基于深度学习的智能调控变频策略的方法的步骤。
本申请还提供一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时，实现如本申请任一实施例所述的基于深度学习的智能调控变频策略的方法中各个步骤。
参照图5，本申请还提供一种空调，其特征在于，包括有处理器51和与所述处理器相连接的存储器52；
所述存储器52用于存储计算机程序，所述计算机程序至少用于预设的运行策略；
所述运行策略为通过本申请任一实施例所述的基于深度学习的智能调控变频策略的方法得到的；
所述处理器用于调用并执行所述存储器中的所述计算机程序使得所述空调依照所述预设的运行策略运行。
可以理解的是，上述各实施例中相同或相似部分可以相互参考，在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
需要说明的是，在本发明的描述中，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本发明的描述中，除非另有说明，“多个”的含义是指至少两个。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，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模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种基于深度学习的智能调控变频策略的方法，其特征在于，包括：
获取空调的工作环境，分析其中存在的变频策略的影响因子；
获取空调工作时环境数据和运行数据；其中，所述环境数据中包括各个影响因子对应的数据；
利用深度学习库编程构造对应的深度学习模型，基于所述环境数据和运行数据，训练深度学习模型，确定每个影响因子对空调制冷制热效果的影响系数，构造出各个影响因子对应的相关性函数；
获取用户对制冷/制热效果的需求；
根据构造出的深度学习模型得出的相关性函数和用户对制冷/制热效果的需求，制定相应的环境下空调的运行策略；所述运行策略包括：空调的功率和运行时间。
2.根据权利要求1所述的基于深度学习的智能调控变频策略的方法，其特征在于，所述影响因子包括：空间的形状、空间内的人数、空调的数量和位置、空间内热源的个数、开口的个数和位置、空调的温度设定和对应的功率、空调运行的时间。
3.根据权利要求1所述的基于深度学习的智能调控变频策略的方法，其特征在于，所述获取空调工作时环境数据和运行数据，包括：
获取实际环境中的空调工作时环境数据和运行数据；和/或，通过搭建的实验室模拟的环境进行测试以获取空调工作时的环境数据和运行数据。
4.根据权利要求3所述的基于深度学习的智能调控变频策略的方法，其特征在于，所述通过搭建的实验室模拟的环境进行测试以获取空调工作时的环境数据和运行数据包括：
搭建实验室；所述实验室设置有距离空调位置等间隔设置的温度传感器；
利用控制变量法，每次变动一个或几个影响因子，进行多次的测试获取大量数据。
5.根据权利要求3所述的基于深度学习的智能调控变频策略的方法，其特征在于，所述用户对于制冷/制热效果的需求包括：空调的工作环境和用户预设温度。
6.根据权利要求1所述基于深度学习的智能调控变频策略的方法，其特征在于，还包括：
根据构造出的深度学习模型得出的相关性函数和假设的用户对制冷/制热效果的需求生成空调的运行策略，并进行空调逻辑控制实验；
采集实验数据；
基于所述实验数据改进所述深度学习模型。
7.一种基于深度学习的智能调控变频策略的装置，其特征在于，包括：
获取模块，用于获取空调的工作环境，分析其中存在的变频策略的影响因子；
所述获取模块，还用于获取空调工作时环境数据和运行数据；其中，所述环境数据中包括各个影响因子对应的数据；
构造模块，用于利用深度学习库编程构造对应的深度学习模型，基于所述环境数据和运行数据，训练深度学习模型，确定每个影响因子对空调制冷制热效果的影响系数，构造出各个影响因子对应的相关性函数；
所述获取模块，还用于获取用户对制冷/制热效果的需求；
制定模块，根据构造出的深度学习模型得出的相关性函数和用户对制冷/制热效果的需求，制定相应的环境下，空调的运行策略；所述运行策略包括：空调的功率和运行时间。
8.一种计算机程序产品，其特征在于，包括软件代码部分，当所述产品在所述计算机上被运行时，所述软件代码部分用于执行权利要求1-6中任一项所述的基于深度学习的智能调控变频策略的方法的步骤。
9.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时，实现如权利要求1-6任一项所述的基于深度学习的智能调控变频策略的方法中各个步骤。
10.一种空调，其特征在于，包括有处理器和与所述处理器相连接的存储器；
所述存储器用于存储计算机程序，所述计算机程序至少用于执行预设的运行策略；
所述预设的运行策略为通过权利要求1-6任一项所述的基于深度学习的智能调控变频策略的方法得到的；
所述处理器用于调用并执行所述存储器中的所述计算机程序使得所述空调依照所述预设的运行策略运行。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011422325.0A CN112665143A (zh) | 2020-12-08 | 2020-12-08 | 基于深度学习的智能调控变频策略的方法及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011422325.0A CN112665143A (zh) | 2020-12-08 | 2020-12-08 | 基于深度学习的智能调控变频策略的方法及设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112665143A true CN112665143A (zh) | 2021-04-16 |
Family
ID=75401422
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011422325.0A Pending CN112665143A (zh) | 2020-12-08 | 2020-12-08 | 基于深度学习的智能调控变频策略的方法及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112665143A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113415127A (zh) * | 2021-06-11 | 2021-09-21 | 上海骏珲新材料科技有限公司 | 电动汽车远红外智能采暖系统 |
| CN114371742A (zh) * | 2021-11-01 | 2022-04-19 | 中国电信股份有限公司甘肃分公司 | 一种温度调控方法、装置及存储介质 |
| CN114608187A (zh) * | 2022-03-01 | 2022-06-10 | 博锐尚格科技股份有限公司 | 一种冷机调节方式确定方法、装置、设备及存储介质 |
| CN114688688A (zh) * | 2022-03-30 | 2022-07-01 | 湖南大友恒实业有限公司 | 一种基于深度学习的智能制冷舒适空调 |
| CN116026007A (zh) * | 2022-12-21 | 2023-04-28 | 珠海格力电器股份有限公司 | 温度的调节方法、装置、存储介质以及电子设备 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102128481A (zh) * | 2010-01-20 | 2011-07-20 | 珠海格力电器股份有限公司 | 空调器及其控制方法及装置 |
| CN103017290A (zh) * | 2011-09-21 | 2013-04-03 | 珠海格力电器股份有限公司 | 空调电能控制装置及空调电能管理方法 |
| JP2014105989A (ja) * | 2012-11-28 | 2014-06-09 | Mitsubishi Electric Corp | 建物動力設備のエネルギー消費量予測方法 |
| CN104515245A (zh) * | 2013-09-26 | 2015-04-15 | 珠海格力电器股份有限公司 | 空调系统的控制方法及装置 |
| CN110454941A (zh) * | 2019-08-19 | 2019-11-15 | 珠海格力电器股份有限公司 | 一种温度的智能控制方法、装置和空调设备 |
| CN110736231A (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、装置、空调、存储介质以及处理器 |
-
2020
- 2020-12-08 CN CN202011422325.0A patent/CN112665143A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102128481A (zh) * | 2010-01-20 | 2011-07-20 | 珠海格力电器股份有限公司 | 空调器及其控制方法及装置 |
| CN103017290A (zh) * | 2011-09-21 | 2013-04-03 | 珠海格力电器股份有限公司 | 空调电能控制装置及空调电能管理方法 |
| JP2014105989A (ja) * | 2012-11-28 | 2014-06-09 | Mitsubishi Electric Corp | 建物動力設備のエネルギー消費量予測方法 |
| CN104515245A (zh) * | 2013-09-26 | 2015-04-15 | 珠海格力电器股份有限公司 | 空调系统的控制方法及装置 |
| CN110454941A (zh) * | 2019-08-19 | 2019-11-15 | 珠海格力电器股份有限公司 | 一种温度的智能控制方法、装置和空调设备 |
| CN110736231A (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、装置、空调、存储介质以及处理器 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113415127A (zh) * | 2021-06-11 | 2021-09-21 | 上海骏珲新材料科技有限公司 | 电动汽车远红外智能采暖系统 |
| CN114371742A (zh) * | 2021-11-01 | 2022-04-19 | 中国电信股份有限公司甘肃分公司 | 一种温度调控方法、装置及存储介质 |
| CN114608187A (zh) * | 2022-03-01 | 2022-06-10 | 博锐尚格科技股份有限公司 | 一种冷机调节方式确定方法、装置、设备及存储介质 |
| CN114608187B (zh) * | 2022-03-01 | 2023-09-26 | 博锐尚格科技股份有限公司 | 一种冷机调节方式确定方法、装置、设备及存储介质 |
| CN114688688A (zh) * | 2022-03-30 | 2022-07-01 | 湖南大友恒实业有限公司 | 一种基于深度学习的智能制冷舒适空调 |
| CN114688688B (zh) * | 2022-03-30 | 2023-09-05 | 湖南大友恒集团有限公司 | 一种基于深度学习的智能制冷舒适空调 |
| CN116026007A (zh) * | 2022-12-21 | 2023-04-28 | 珠海格力电器股份有限公司 | 温度的调节方法、装置、存储介质以及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112665143A (zh) | 基于深度学习的智能调控变频策略的方法及设备 | |
| Kim et al. | Impact of occupancy rates on the building electricity consumption in commercial buildings | |
| US10969129B2 (en) | Apparatus and method for controlling air conditioner in air conditioning system | |
| Fan et al. | Optimal control strategies for multi-chiller system based on probability density distribution of cooling load ratio | |
| US10731890B2 (en) | Air conditioning operation analysis device and non-transitory computer-readable recording medium storing program | |
| Vandenbogaerde et al. | Optimizing building energy consumption in office buildings: A review of building automation and control systems and factors influencing energy savings | |
| Xie et al. | Energy-consumption simulation of a distributed air-conditioning system integrated with occupant behavior | |
| Shan et al. | Development and In-situ validation of a multi-zone demand-controlled ventilation strategy using a limited number of sensors | |
| WO2016009506A1 (ja) | 空調制御装置、空調制御方法、および、プログラム | |
| CN110264080A (zh) | 一种绿色建筑运行性能评价方法、装置、设备及存储介质 | |
| US20230040886A1 (en) | Building equipment energy management control system and control therefor | |
| JP5799224B2 (ja) | 消費エネルギー算出装置、消費エネルギー算出方法およびプログラム | |
| Batista et al. | Evaluation and improvement of the energy performance of a building's equipment and subsystems through continuous monitoring | |
| Wu et al. | Multi-stage regression linear parametric models of room temperature in office buildings | |
| CN110610275A (zh) | 一种基于acqpso-elm的变风量空调负荷预测方法及系统 | |
| KR102537556B1 (ko) | 건물 냉·난방 부하 예측 시뮬레이션 시스템 및 방법 | |
| Arens et al. | Thermal and air quality acceptability in buildings that reduce energy by reducing minimun airflow from overhead diffusers | |
| Aktacir et al. | Influence of different outdoor design conditions on design cooling load and design capacities of air conditioning equipments | |
| Winkler et al. | Sensitivity of occupant comfort models to humidity and their effect on cooling energy use | |
| KR20130120865A (ko) | 빌딩 에너지 관리 시스템에서의 냉동기 대수 제어 장치 및 방법 | |
| Wu et al. | Optimizing demand-controlled ventilation with thermal comfort and CO2 concentrations using long short-term memory and genetic algorithm | |
| Keblawi et al. | Chilled ceiling displacement ventilation design charts correlations to employ in optimized system operation for feasible load ranges | |
| Zhang et al. | Enhancing indoor environmental quality: Personalized recommendation method for demand-oriented indoor ventilation strategy | |
| JP2004234302A (ja) | プロセス管理装置 | |
| CN110910017B (zh) | 一种建筑供冷/热状况评价方法及装置 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210416 |
|
| RJ01 | Rejection of invention patent application after publication |