CN112696798A - 空调的参数设置方法、空调设备以及计算机可读存储介质 - Google Patents
空调的参数设置方法、空调设备以及计算机可读存储介质 Download PDFInfo
- Publication number
- CN112696798A CN112696798A CN202011440608.8A CN202011440608A CN112696798A CN 112696798 A CN112696798 A CN 112696798A CN 202011440608 A CN202011440608 A CN 202011440608A CN 112696798 A CN112696798 A CN 112696798A
- Authority
- CN
- China
- Prior art keywords
- parameter
- air conditioner
- parameters
- habit
- setting
- 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
Landscapes
- Air Conditioning Control Device (AREA)
Abstract
本申请公开了一种空调的参数设置方法、空调设备以及计算机可读存储介质,该方法包括:获取空调的当前特征参数;其中,当前特征参数至少包括空调属性参数、当前空调设置参数、当前环境参数以及历史触发空调边际损耗信息,空调边际损耗是指空调压缩机以预设频率运行预设时间段后,未能达到预设温度;将当前特征参数输入至已训练的参数预测模型中,并得到参数预测模型输出的推荐设置参数;以推荐设置参数作为实际运行参数对空调进行设置。通过这样的方式,能够提高空调的节能性能。
Description
技术领域
本申请涉及空调技术领域,尤其设置一种空调的参数设置方法、空调设备以及计算机可读存储介质。
背景技术
随着社会发展,空调逐渐成为人们家中所必需的电器,因此空调的耗电情况一直为用户较为关注的重点问题,传统的节能省电功能主要通过固定设置温以及调整机器压缩机频率来实现,而在空调的日常使用中,可能会存在压缩机持续以较高频率运行,但环境温度却始终无法达到设定温度的情况,这样显然会更加地浪费电能,不符合现代的环保理念。
发明内容
为了解决上述问题,本申请提供一种空调的参数设置方法、空调设备以及计算机可读存储介质,能够提升空调的节能性能。
为解决上述技术问题,本申请采用的一个技术方案是:提供一种空调的参数设置方法,该方法包括:获取空调的当前特征参数;其中,当前特征参数至少包括空调属性参数、当前空调设置参数、当前环境参数以及历史触发空调边际损耗信息,空调边际损耗是指空调压缩机以预设频率运行预设时间段后,未能达到预设温度;将当前特征参数输入至已训练的参数预测模型中,并得到参数预测模型输出的推荐设置参数;以推荐设置参数作为实际运行参数对空调进行设置。
其中,方法还包括:建立参数预测模型;获取空调的历史特征参数;其中,历史特征参数至少包括空调属性参数、历史空调设置参数、历史环境参数以及历史触发空调边际损耗信息;将历史特征参数输入至已建立的参数预测模型中,以对参数预测模型进行训练。
其中,以推荐设置参数作为实际运行参数对空调进行设置,包括:获取空调的当前习惯设置参数与对应的当前习惯参数误差;检测并确定推荐设置参数和当前习惯设置参数的差值,小于当前习惯参数误差时,则以推荐设置参数作为实际运行参数对空调进行设置。
其中,方法还包括:检测并确定推荐设置参数和当前习惯设置参数的差值,大于当前习惯参数误差时,根据推荐设置参数和当前习惯设置参数的差值,确定最大习惯设置参数或最小习惯设置参数;以最大习惯设置参数或最小习惯设置参数作为实际运行参数对空调进行设置。
其中,根据推荐设置参数和当前习惯设置参数的差值,确定最大习惯设置参数或最小习惯设置参数,包括:检测并确认推荐设置参数和当前习惯设置参数的差值为正值时,则将最大习惯设置参数作为实际运行参数;最大习惯设置参数为当前习惯设置参数与当前习惯参数误差之和;或检测并确认推荐设置参数和当前习惯设置参数的差值为负值时,则将最小习惯设置参数作为实际运行参数;最小习惯设置参数为当前习惯设置参数与当前习惯参数误差之差。
其中,获取空调的当前习惯设置参数与对应的当前习惯参数误差,包括:获取多个历史习惯设置参数、与多个历史习惯设置参数分别对应的多个历史习惯参数误差;确定每一历史习惯设置参数的时间权重;根据多个历史习惯设置参数、多个历史习惯参数误差以及多个时间权重,计算当前习惯设置参数与当前习惯参数误差;其中,时间权重为历史习惯设置参数所对应日期与当前习惯设置参数所对应日期之差的倒数。
其中,根据多个历史习惯设置参数、多个历史习惯参数误差以及多个时间权重,计算当前习惯设置参数与当前习惯参数误差,包括:通过多个时间权重,对多个历史习惯设置参数进行加权求和,以得到当前习惯设置参数;通过多个时间权重,对多个历史习惯参数误差进行加权求和,以得到当前习惯参数误差;其中,历史习惯设置参数为历史运行参数或历史调整参数,历史调整参数为接收用户调整指令后,将历史运行参数调整后得到的参数。
其中,方法还包括:检测并确认实际运行参数与用户实际需要参数之间的差值,大于预设阈值时,以用户实际需要参数对参数预测模型进行修正。
其中,将当前特征参数输入至已训练的参数预测模型中,并得到参数预测模型输出的推荐设置参数,包括:将当前特征参数发送至服务器,以使服务器将当前特征参数输入至已训练的参数预测模型中,并得到参数预测模型输出的推荐设置参数;接收服务器发送的推荐设置参数。
其中,空调属性参数为根据空调的型号或标识获取得到的空调基本属性信息;或,当前空调设置参数为空调在预设工作状态下的工况信息;或,当前环境参数为空调运行时的环境温度信息。
其中,空调属性参数包括空调的匹数、制冷功率、制热功率、制冷量、制热量以及能效等级中的至少一个;或,当前空调设置参数包括压缩机目标频率、压缩机运行频率、室内风机转速、室外风机转速、室外风机目标转速、室外机目标频率以及设置温中的至少一个;或,当前环境参数包括室内环境温度和室外环境温度中的至少一个;或,历史触发边际损耗信息包括压缩机的预设频率、在预设频率下运行的预设时间段、预设温度以及实际环境温度中的至少一个。
为解决上述技术问题,本申请采用的另一个技术方案是:提供一种空调设备,该空调设备包括处理器以及存储器,存储器用于存储计算机程序,计算机程序在被处理器执行时,用于实现上述的空调的参数设置方法。
为解决上述技术问题,本申请采用的又一个技术方案是:提供一种计算机可读存储介质,用于存储计算机程序,计算机程序在被处理器执行时,用于实现上述的空调的参数设置方法。
本申请实施例的有益效果是:区别于现有技术,本申请提供一种空调的参数设置方法,通过对空调属性参数、当前空调设置参数、当前环境参数以及历史触发空调边际损耗信息等空调的当前特征参数进行获取,进一步将该部分当前特征参数输入至已训练的参数预测模型中,从而得到参数预测模型所输出的推荐设置参数,并以推荐设置参数作为空调的实际运行参数对空调进行设置。通过这样的方式,在参数预测模型中加入历史触发空调边际损耗信息的特征参数,能够避免模型输出的推荐设置参数导致空调出现空调边际损耗的情况,从而减少了不必要的能源浪费,能够提升空调的节能性能。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例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申请的一些实施例,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。其中:
图1是本申请提供的空调的参数设置方法第一实施例的流程示意图;
图2是本申请提供的空调的参数设置方法第二实施例的流程示意图;
图3是图2中步骤26的具体流程示意图;
图4是本申请提供的空调的参数设置方法第三实施例的流程示意图;
图5是本申请提供的空调设备一实施例的结构示意图。
图6是本申请提供的计算机可读存储介质一实施例的结构示意图。
具体实施方式
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。可以理解的是,此处所描述的具体实施例仅用于解释本申请,而非对本申请的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本申请相关的部分而非全部结构。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,都属于本申请保护的范围。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
参阅图1,图1是本申请提供的空调的参数设置方法第一实施例的流程示意图,本实施例的具体步骤如下:
S11:获取空调的当前特征参数;其中,当前特征参数至少包括空调属性参数、当前空调设置参数、当前环境参数以及历史触发空调边际损耗信息。
其中,空调属性参数是指可以根据空调的型号或唯一标识得到的空调基本属性信息,例如包括空调的匹数、制冷功率、制热功率、制冷量、制热量以及能效等级等基本属性信息,可以理解,上述各项参数的不同,能够对空调的运行状态产生不同的变化,例如制冷功率或制冷量的差异会使得空调在制冷能力上体现强弱,若同时结合空调匹数的不同,将进一步影响空调的制冷效果,因此上述的空调属性参数能够用于评价空调的性能,从而作为模型预测的基础参数。其中,空调属性参数可以通过扫描二维码或条形码的方式在服务器中查询得到,还可以通过直接设置于室内机或室外机上的铭牌查询得到。
其中,当前空调设置参数是指空调压缩机在某个特定情况下的工作状态以及测出的各项指标参数,以及空调室内风机和室外风机的转速等参数,这部分参数是根据用户对空调的设置而反馈出的动态实时参数。例如包括负载状态下,空调的压缩机目标频率、压缩机运行频率、室内风机转速、室外风机转速、室外风机目标转速、室外机目标频率以及设置温等,总体称为工况信息,能够用于评定和比较压缩机的性能,例如压缩机目标频率和室外机目标频率高低的不同,会使空调的性能产生一定差异,因此上述的当前空调设置参数能够作为模型预测的基础参数。
其中,当前环境参数是指空调运行时的环境温度信息,例如包括室内环境温度和室外环境温度,可以通过设置于室内机面板进风位置的传感器对室内温度进行获取,通过服务器根据对应日期、地区信息、对应时间段下的室外温度进行获取,可以理解,由于室内外温度差的大小,会直接影响空调的工作状态,例如40度的室外温度将远大于25度室外温度下空调的制冷需求,因此上述的当前环境参数能够作为模型预测的基础参数。
其中,空调边际损耗是指空调压缩机以预设频率运行预设时间段后,未能达到预设温度,例如空调达到某预设温度之前,压缩机以高频率运行N分钟仍未下降XX度,表明在该状态下室温难以下降或无需继续下降,但压缩机仍在中高频运行,即为空调边际损耗,造成用电浪费,因此在本实施例中,历史触发空调边际损耗信息则是指空调在过去触发空调边际损耗现象时的一些实时运行参数,包括压缩机的设置频率,在该设置频率下空调的工作时长、预设温度和实际环境温度等。
可以理解,上述空调的当前特征参数表示的是与空调运行相关联的各项特征参数,因此该部分特征参数能够作为后续步骤中,计算训练模型输出参数的基础,以便于模型输出所用户所需要的参数;其中,上述特征参数仅为本实施例中的示例,并不限于此,可以根据实际情况对特征参数进行替换调整。
S12:将当前特征参数输入至已训练的参数预测模型中,并得到参数预测模型输出的推荐设置参数。
其中,推荐设置参数可以是温度或风速等设置参数,在本实施例以及后续实施例中以温度为例进行叙述。
本实施例中,参数预测模型是采用回归算法建立并训练得到的,由于在模型训练中除了加入有空调常规的特征参数,还加入了历史触发空调边际损耗信息进行模型训练,以使得参数预测模型在利用当前特征参数进行预测时加入对空调边际损耗现象的思考,能够尽量避免模型输出的推荐设置参数导致空调触发空调边际损耗现象,以使得参数预测模型最终能够输出基于减少空调压缩机损耗为目标的推荐设置参数,从而达到节能省电的效果。
S13:以推荐设置参数作为实际运行参数对空调进行设置。
其中,实际运行参数是指期望室内环境温度能够达到的温度,通常也是空调室内机上显示的温度信息,本实施例中的实际运行参数为空调开机时刻的参数。需要说明的是,本实施例的步骤是在开启空调时进行特征参数获取和预测的。
在一个具体应用场景中,参数预测模型的输入参数和输出参数可以包括:
在其他一些实施方式中,在利用参数预测模型输出的推荐设置参数,对空调进行设置并运行的时间段内,还可以对空调的边际损耗现象进行识别挖掘,并在空调压缩机以高频运行预设时间段后,未能达到预设维度(推荐设置参数)时,获取这一时刻下压缩机的设置频率,以及该设置频率下的工作时长、预设温度和实际环境温度等,以对历史触发空调边际损耗信息进行修正,以使得未来时刻模型输出的推荐设置参数能够更好地避免空调边际损耗现象,保持空调的节能性能。
区别于现有技术,本申请提供一种空调的参数设置方法,通过对空调属性参数、当前空调设置参数、当前环境参数以及历史触发空调边际损耗信息等空调的当前特征参数进行获取,进一步将该部分当前特征参数输入至已训练的参数预测模型中,从而得到参数预测模型所输出的推荐设置参数,并以推荐设置参数作为空调的实际运行参数对空调进行设置。通过这样的方式,在参数预测模型中加入历史触发空调边际损耗信息的特征参数,能够避免模型输出的推荐设置参数导致空调出现空调边际损耗的情况,从而减少了不必要的能源浪费,能够提升空调的节能性能。
参阅图2,图2是本申请提供的空调的参数设置方法第二实施例的流程示意图,本实施例的具体步骤如下:
S21:建立参数预测模型。
可选地,参数预测模型可以通过如下的回归算法建立:
其中,b0为偏置量,bi为模型参数值,xi为特征参数,y为推荐设置参数。
S22:获取空调的历史特征参数;其中,历史特征参数至少包括空调属性参数、历史空调设置参数、历史环境参数以及历史触发空调边际损耗信息。
其中,历史特征参数与上述实施例中的当前特征参数相对应,本实施例中,在进行模型训练之前,需要先对空调边际损耗现象进行识别,为了挖掘出有效的空调边际损耗现象,例如空调达到某预设温度之前,压缩机以高频率运行N分钟仍未下降XX度,把该空调的“预设温度下触发的高边际损耗”的现象作为样本集,其中70%为训练集,另外的30%为测试集,并加入空调属性参数、历史空调设置参数和历史环境参数等以进行后续的模型训练。
S23:将历史特征参数输入至已建立的参数预测模型中,以对参数预测模型进行训练。
基于上述的回归算法,将空调属性参数、历史空调设置参数、历史环境参数以及历史触发空调边际损耗信息等特征参数,以及用于训练的推荐设置参数作为输入特征进行训练,进一步通过梯度下降法进行求解,从而输出偏置量b0和模型参数值bi。最后训练结束后,推荐设置参数为:即为当前自变量下的推荐设置参数。本实施例中具体的计算方法应为本领域技术人员所熟知,在此不做过多赘述。
S24:获取空调的当前特征参数;其中,当前特征参数至少包括空调属性参数、当前空调设置参数、当前环境参数以及历史触发空调边际损耗信息。
其中,空调边际损耗是指空调压缩机以预设频率运行预设时间段后,未能达到预设温度。
S25:将当前特征参数输入至已训练的参数预测模型中,并得到参数预测模型输出的推荐设置参数。
可选地,参数预测模型可以保存于与空调相对应的服务器端,也可以保存于空调本地,本实施例中的参数预测模型则是保存于服务器端,此时,可以通过如下步骤实现步骤S25:将当前特征参数发送至服务器,以使服务器将当前特征参数输入至已训练的参数预测模型中,并得到参数预测模型输出的推荐设置参数;接收服务器发送的推荐设置参数。
具体地,当获取了空调的当前特征参数后,空调即可将当前特征参数发送至服务器,以使服务器将当前特征参数输入至已训练的参数预测模型中,进一步服务器得到参数预测模型输出的推荐设置参数,并将该推荐设置参数发送至空调端,以使空调进行相应控制使用。
S26:获取空调的当前习惯设置参数与对应的当前习惯参数误差。
其中,当前习惯设置参数可以根据历史习惯设置参数进行计算获得,当前习惯设置参数能够表示每个用户对室内温度所特有的习惯性需求,当参数预测模型输出的推荐设置参数与用户的习惯性需求不同时,即可利用当前习惯设置参数对推荐设置参数进行修正。
同样,当前习惯参数误差可以根据历史习惯参数误差进行计算获得,当前习惯参数误差能够表示每个用户对其习惯性需求的室内温度所能接受的误差值,包括当前习惯设置参数在正向方向或负向方向上的误差值,使得当前习惯设置参数变成一个具有最大阈值和最小阈值的区间范围,当参数预测模型输出的推荐设置参数不在当前习惯设置参数的区间范围内时,即可利用当前习惯设置参数对推荐设置参数进行修正。其中,每一个历史习惯设置参数都存在一个与其对应的历史习惯参数误差,同样的当前习惯设置参数也存在一个与其对应的当前习惯参数误差。
可以理解的是,当前习惯设置参数对应当前开启空调的日期(例如今天周四),当之后需要再次开启空调时(例如周五),周四所对应的习惯设置参数相对于周五则变为历史习惯设置参数,用以对周五的当前习惯设置参数进行计算。
具体地,S26可以通过图3所示的方法步骤实现,具体步骤如下:
S261:获取多个历史习惯设置参数、与多个历史习惯设置参数分别对应的多个历史习惯参数误差。
其中,历史习惯设置参数和历史习惯参数误差保存于服务器或空调中,多个历史习惯设置参数对应于多个空调工作的日期,表示过去一定的时间段内,空调运行时每一个工作日期对应的习惯设置参数,也即对应用户的每一个历史习惯性需求,每一个历史习惯设置参数的计算方式相同,都是利用空调工作当天日期之前的多个习惯设置参数得到,所有的历史习惯设置参数能够用于计算当前习惯设置参数,每一个当前习惯设置参数也都将成为下一个空调运行日的历史参数;同理,历史习惯参数误差的获取方式与历史习惯设置参数类似,在此不做赘述。
可选地,历史习惯设置参数可以为历史运行参数或历史调整参数,其中历史运行参数表示该历史习惯设置参数对应工作日期下,空调最终运行时的运行参数,该历史运行参数与最终需要求得的当前运行参数相对应。当空调以历史运行参数进行工作时,若接收到用户的调整指令,则历史运行参数将变为历史调整参数,并且历史习惯参数误差也将得到更新,即为历史运行参数与历史调整参数之差,并在空调工作结束后,将历史调整参数作为当天工作日的历史习惯设置参数以及更新后的历史习惯参数误差,上传至服务器中进行保存;若在空调对应工作日的工作过程中,若没有接收到用户的调整指令,则以计算出相对历史习惯设置参数以及历史习惯误差参数进行上传。
可选地,若在同一工作日中接收到用户的多次调整指令,此时将会得到同一天对应的多个历史调整参数,可以通过对多个历史调整参数进行求平均值计算,最终利用平均值作为对应历史当前工作日的历史习惯设置参数;进一步地,利用多个历史调整参数之间的差值,并对多个差值进行平均值计算,最终以该平均值作为对应历史当前工作日的历史习惯参数误差。
S262:确定每一历史习惯设置参数的时间权重。
其中,时间权重为历史习惯设置参数所对应日期与当前习惯设置参数所对应日期之差的倒数,对应日期为开启空调的日期,由于一年季节交替的缘故会导致室内外环境温度的变化,使得用户所特有的习惯性需求也会随着季节发生改变,因此时间权重可以使得后续获得的当前习惯设置参数更加符合用户真实需求。
在一个具体的应用场景中,例如当前习惯设置参数对应开启空调的日期为周四(今天),历史习惯设置参数对应开启空调的日期为周一和周二,由于周四和周一之间的日期之差为3天,因此周一对应的历史习惯设置参数的时间权重为1/3,由于周四和周二之间的日期之差为2天,因此周二对应的历史习惯设置参数的时间权重为1/2。需要说明的是,当历史习惯设置参数对应日期与当前习惯设置参数对应日期之差为1天时,则可以选择不将其计入当前习惯设置参数的相应计算,还可以选择对其设置独有的时间权重进行计算,例如设置为大于1/2即可。
可选地,时间权重还可以为历史习惯设置参数所对应日期与当前习惯设置参数所对应日期之差,再上加一个单位日期(一天)之和的倒数,由此确定时间权重以进行后续计算。
S263:根据多个历史习惯设置参数、多个历史习惯参数误差以及多个时间权重,计算当前习惯设置参数与当前习惯参数误差。
其中,可以通过加权求和的计算方式分别计算当前习惯设置参数和当前习惯参数误差,具体地,可以通过多个时间权重,对多个历史习惯设置参数进行加权求和,以得到多个当前习惯设置参数;通过多个时间权重,对多个历史习惯参数误差进行加权求和,已得到多个当前习惯参数误差。
在一个具体的应用场景中,例如当前习惯设置参数对应开启空调的日期为周四(今天),历史习惯设置参数对应开启空调的日期为周一和周二,周一和周二对应的历史习惯设置参数例如分别为A1和A2,根据前述可以知道周一和周二分别对应的历史习惯设置参数的时间权重为1/3和1/2,因此,将周一对应的A1进行加权,也即是A1乘以系数1/3,同理将周二对应的A2进行加权,也即是A2乘以系数1/2,进一步将两个加权的结果进行求和,最终计算得到的数据即为当前习惯设置参数。
其中,这一应用场景中的历史习惯设置参数仅包括周一和周二两天,在实际情况中若存在其他日期的历史习惯设置参数,则可以参考计算对象仅为一个预设时间段内的所有历史习惯设置参数对象。并且可以知道的是,当历史习惯设置参数的个数越小时,或者历史习惯设置参数对应日期距离当前日期太远时,计算所得的当前习惯设置参数的准确性就越低,只有两者同时兼备才能较好地体现用户的个性化需求。
同理计算当前习惯参数误差,例如当前习惯参数误差对应开启空调的日期为周四(今天),历史习惯设置参数对应开启空调的日期为周一和周二,周一和周二对应的历史习惯参数误差例如分别为B1和B2,根据前述可以知道周一和周二分别对应的历史习惯设置参数的时间权重为1/3和1/2,因此,将周一对应的B1进行加权,也即是B1乘以系数1/3,将周二对应的B2进行加权,也即是B1乘以系数1/2,进一步将两个加权的结果进行求和,最终计算得到的数据即为当前习惯参数误差。
S27:检测并确定推荐设置参数和当前习惯设置参数的差值,小于当前习惯参数误差时,则以推荐设置参数作为实际运行参数对空调进行设置。
判断S25中得到的推荐设置参数与S26中得到的当前习惯设置参数的大小关系,若检测出推荐设置参数和当前习惯设置参数之间的差值,小于习惯参数误差,则表明参数预测模型所预测得到的推荐设置参数符合用户对室内温度的习惯性需求,此时可以直接以预测得到的推荐设置参数作为最终的实际运行参数对空调进行设置。例如通过参数预测模型预测得到的推荐设置参数为26.8℃,而计算获取得到的空调的当前习惯设置参数为26℃,以及当前习惯参数误差为1℃,很显然两者之差0.8℃小于当前习惯参数误差1℃,即可直接使用推荐设置参数作为实际运行参数对空调进行设置。
S28:检测并确定推荐设置参数和当前习惯设置参数的差值,大于当前习惯参数误差时,根据推荐设置参数和当前习惯设置参数的差值,确定最大习惯设置参数或最小习惯设置参数。
判断S25中得到的推荐设置参数与S26中得到的当前习惯设置参数的大小关系,若检测出推荐设置参数和当前习惯设置参数之间的差值,大于习惯参数误差,则表明参数预测模型所预测得到的推荐设置参数不符合用户对室内温度的习惯性需求,此时则需要进一步对最大习惯设置参数或最小习惯设置参数进行确定。
具体地,可以按照如下的方法进行确定:检测并确认推荐设置参数和当前习惯设置参数的差值为正值时,则将最大习惯设置参数作为实际运行参数;或检测并确认推荐设置参数和当前习惯设置参数的差值为负值时,则将最小习惯设置参数作为实际运行参数;其中,最大习惯设置参数为当前习惯设置参数与当前习惯参数误差之和,最小习惯设置参数为当前习惯设置参数与当前习惯参数误差之差。
在一个具体的应用场景中,例如通过参数预测模型预测得到的推荐设置参数为27.5℃,而计算获取得到的空调的当前习惯设置参数为27℃,以及当前习惯参数误差为0.3℃,很显然两者之差0.5℃大于当前习惯参数误差0.3℃,此时两者之差0.5℃相对于当前习惯设置参数为正值,则以当前习惯设置参数正向方向上所对应的最大数值27.3℃作为实际运行参数,便于进行后续空调控制操作。
而当上述推荐设置参数为26.5℃时,很显然推荐设置参数与当前习惯设置参数之差0.5℃同样大于当前习惯参数误差0.3℃,但此时两者之差0.5℃相对于当前习惯设置参数为负值,则以当前习惯设置参数负向方向上所对应的最小数值26.7℃作为实际运行参数,便于进行后续空调控制操作。
S29:以最大习惯设置参数或最小习惯设置参数作为实际运行参数对空调进行设置。
因此区别于现有技术,本实施例的参数设置方法在利用参数预测模型获取推荐设置参数的基础上,对用户的习惯性需求进行挖掘,以获取当前习惯设置参数,并进一步根据推荐设置参数与当前习惯设置参数之间的大小关系,选择确定更加符合用户实际需求的温度作为实际运行参数对空调进行设置,通过这样的方式,能够让用户在使用空调时能够兼顾用户对室温需求的意愿,并且能够根据用户个体的不同实现千人千面的效果,同时也能提高空调的节能性能。
可选地,S29之后还可以包括:检测并确认实际运行参数与用户实际需要参数之间的差值,大于预设阈值时,以用户实际需要参数对参数预测模型进行修正。
其中,用户实际需要参数为用户根据当前环境参数进行主动设置的参数,当接收到用户的调整指令时,表明当前时刻的实际运行参数与实际需要参数的差值还是大于预设阈值(例如5℃),通过上述方法得到的温度还是不符合用户的需求,此时将利用实际需要参数对参数预测模型进行修正,并将实际需要参数更新为当前习惯设置参数,以用于后续工作日的空调设置。通过这样的方式,能够使得参数预测模型更符合用户个体,提高本实施例方法的参数设置准确度。
在本实施例的实际应用中,可以是接收来自用户的节能指令,从而开启S21-S29的步骤,例如用户通过打开空调,开启“节能云管家”的功能,以使得空调开始执行上述步骤。
参阅图4,图4是本申请提供的空调的参数设置方法第三实施例的流程示意图,本实施例的具体步骤如下:
S41:实时获取空调的当前特征参数。
S42:实时将当前特征参数输入至已训练的参数预测模型中,并得到参数预测模型实时输出的推荐设置参数。
S43:实时获取空调的当前习惯设置参数与对应的当前习惯参数误差。
其中,S41-S43与步骤S24-S26基本相同,相同部分在此不做赘述,不同之处在于,本实施例中的各个步骤是实时进行的,该实时可以理解为按照一定的时间频率,例如根据实际情况设置为每隔半小时实施一次,或者可以是在每个时间点上实施一次。
在本实施例中,将实时获取空调的当前特征参数以及其他参数的时间频率设定为每个时间整点进行,例如下午13点整、14点整等。此时,在计算当前习惯设置参数和当前习惯参数误差时,则使用历史习惯设置参数中对应当前时刻的历史参数进行计算,同时对于计算出的当前习惯设置参数和当前习惯参数误差也是根据计算结果进行实时保存。
S44:实时确定推荐设置参数和当前习惯设置参数的差值,与当前习惯参数误差的大小比较结果,并根据大小比较结果实时确定实际运行参数对空调进行设置。
通过这样的方式,在多个不同的时间点上获取对应的多个实际运行参数,能够考虑到用户在每一个时间点上对室内温度的习惯性需求,从而减少用户在开启空调后主动对空调进行调整的次数,提高用户的使用体验,还能减少用户频繁调整温度所带来的能量损耗。
参阅图5,图5是本申请提供的空调设备一实施例的结构示意图,本实施例的空调设备50包括处理器51和存储器52,处理器51与存储器52耦接,其中,存储器52用于存储处理器51执行的计算机程序,处理器51用于执行计算机程序以实现如下方法步骤:
获取空调的当前特征参数;其中,当前特征参数至少包括空调属性参数、当前空调设置参数、当前环境参数以及历史触发空调边际损耗信息,空调边际损耗是指空调压缩机以预设频率运行预设时间段后,未能达到预设温度;将当前特征参数输入至已训练的参数预测模型中,并得到参数预测模型输出的推荐设置参数;以推荐设置参数作为实际运行参数对空调进行设置。
参阅图6,图6是本申请提供的计算机可读存储介质一实施例的结构示意图。本实施例的计算机可读存储介质60用于存储计算机程序61,计算机程序61在被处理器执行时,用以实现如下方法步骤:
获取空调的当前特征参数;其中,当前特征参数至少包括空调属性参数、当前空调设置参数、当前环境参数以及历史触发空调边际损耗信息,空调边际损耗是指空调压缩机以预设频率运行预设时间段后,未能达到预设温度;将当前特征参数输入至已训练的参数预测模型中,并得到参数预测模型输出的推荐设置参数;以推荐设置参数作为实际运行参数对空调进行设置。
需要说明的是,本实施例的计算机程序61所执行的方法步骤是基于上述方法实施例的,其实施原理和步骤类似。因此,计算机程序61在被处理器执行时,还可以实现上述任一实施例中的其他方法步骤,在此不再赘述。
本申请的实施例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,可以存储在一个计算机可读取存储介质中。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一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本申请各个实施方式所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的实施方式,并非因此限制本申请的专利范围,凡是根据本申请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,均同理包括在本申请的专利保护范围内。
Claims (14)
1.一种空调的参数设置方法,其特征在于,所述方法包括:
获取空调的当前特征参数;其中,所述当前特征参数至少包括空调属性参数、当前空调设置参数、当前环境参数以及历史触发空调边际损耗信息,所述空调边际损耗是指空调压缩机以预设频率运行预设时间段后,未能达到预设温度;
将所述当前特征参数输入至已训练的参数预测模型中,并得到所述参数预测模型输出的推荐设置参数;
以所述推荐设置参数作为实际运行参数对所述空调进行设置。
2.根据权利要求1所述的方法,其特征在于,
所述方法还包括:
建立参数预测模型;
获取空调的历史特征参数;其中,所述历史特征参数至少包括空调属性参数、历史空调设置参数、历史环境参数以及所述历史触发空调边际损耗信息;
将所述历史特征参数输入至已建立的参数预测模型中,以对所述参数预测模型进行训练。
4.根据权利要求1所述的方法,其特征在于,
所述以所述推荐设置参数作为实际运行参数对所述空调进行设置,包括:
获取所述空调的当前习惯设置参数与对应的当前习惯参数误差;
检测并确定所述推荐设置参数和所述当前习惯设置参数的差值,小于所述当前习惯参数误差时,则以所述推荐设置参数作为实际运行参数对所述空调进行设置。
5.根据权利要求4所述的方法,其特征在于,
所述方法还包括:
检测并确定所述推荐设置参数和所述当前习惯设置参数的差值,大于所述当前习惯参数误差时,根据所述推荐设置参数和所述当前习惯设置参数的差值,确定最大习惯设置参数或最小习惯设置参数;
以所述最大习惯设置参数或所述最小习惯设置参数作为实际运行参数对所述空调进行设置。
6.根据权利要求5所述的方法,其特征在于,
所述根据所述推荐设置参数和所述当前习惯设置参数的差值,确定最大习惯设置参数或最小习惯设置参数,包括:
检测并确认所述推荐设置参数和所述当前习惯设置参数的差值为正值时,则将最大习惯设置参数作为实际运行参数;所述最大习惯设置参数为所述当前习惯设置参数与所述当前习惯参数误差之和;或
检测并确认所述推荐设置参数和所述当前习惯设置参数的差值为负值时,则将最小习惯设置参数作为实际运行参数;所述最小习惯设置参数为所述当前习惯设置参数与所述当前习惯参数误差之差。
7.根据权利要求4所述的方法,其特征在于,
所述获取所述空调的当前习惯设置参数与对应的当前习惯参数误差,包括:
获取多个历史习惯设置参数、与所述多个历史习惯设置参数分别对应的多个历史习惯参数误差;
确定每一所述历史习惯设置参数的时间权重;
根据所述多个历史习惯设置参数、所述多个历史习惯参数误差以及多个时间权重,计算所述当前习惯设置参数与所述当前习惯参数误差;
其中,所述时间权重为所述历史习惯设置参数所对应日期与所述当前习惯设置参数所对应日期之差的倒数。
8.根据权利要求7所述的方法,其特征在于,
所述根据所述多个历史习惯设置参数、所述多个历史习惯参数误差以及多个时间权重,计算所述当前习惯设置参数与所述当前习惯参数误差,包括:
通过所述多个时间权重,对所述多个历史习惯设置参数进行加权求和,以得到所述当前习惯设置参数;
通过所述多个时间权重,对所述多个历史习惯参数误差进行加权求和,以得到所述当前习惯参数误差;
其中,所述历史习惯设置参数为历史运行参数或历史调整参数,所述历史调整参数为接收用户调整指令后,将所述历史运行参数调整后得到的参数。
9.根据权利要求5所述的方法,其特征在于,
所述方法还包括:
检测并确认所述实际运行参数与用户实际需要参数之间的差值,大于预设阈值时,以所述用户实际需要参数对所述参数预测模型进行修正。
10.根据权利要求1所述的方法,其特征在于,
所述将所述当前特征参数输入至已训练的参数预测模型中,并得到所述参数预测模型输出的推荐设置参数,包括:
将所述当前特征参数发送至服务器,以使所述服务器将所述当前特征参数输入至已训练的参数预测模型中,并得到所述参数预测模型输出的推荐设置参数;
接收所述服务器发送的所述推荐设置参数。
11.根据权利要求1所述的方法,其特征在于,
所述空调属性参数为根据所述空调的型号或标识获取得到的空调基本属性信息;或,
所述当前空调设置参数为所述空调在预设工作状态下的工况信息;或,
所述当前环境参数为所述空调运行时的环境温度信息。
12.根据权利要求11所述的方法,其特征在于,
所述空调属性参数包括所述空调的匹数、制冷功率、制热功率、制冷量、制热量以及能效等级中的至少一个;或,
所述当前空调设置参数包括压缩机目标频率、压缩机运行频率、室内风机转速、室外风机转速、室外风机目标转速、室外机目标频率以及设置温中的至少一个;或,
所述当前环境参数包括室内环境温度和室外环境温度中的至少一个;或,
所述历史触发边际损耗信息包括压缩机的预设频率、在所述预设频率下运行的预设时间段、预设温度以及实际环境温度中的至少一个。
13.一种空调设备,其特征在于,包括处理器以及存储器,其中,所述存储器用于存储计算机程序,所述计算机程序在被所述处理器执行时,用于实现如权利要求1-12任一项所述的空调的参数设置方法。
14.一种计算机可读存储介质,其特征在于,用于存储计算机程序,所述计算机程序在被处理器执行时,用于实现权利要求1-12任一项所述的空调的参数设置方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011440608.8A CN112696798B (zh) | 2020-12-07 | 2020-12-07 | 空调的参数设置方法、空调设备以及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011440608.8A CN112696798B (zh) | 2020-12-07 | 2020-12-07 | 空调的参数设置方法、空调设备以及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112696798A true CN112696798A (zh) | 2021-04-23 |
CN112696798B CN112696798B (zh) | 2022-05-27 |
Family
ID=75507801
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011440608.8A Active CN112696798B (zh) | 2020-12-07 | 2020-12-07 | 空调的参数设置方法、空调设备以及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112696798B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114047708A (zh) * | 2021-11-03 | 2022-02-15 | 珠海格力电器股份有限公司 | 家居设备控制方法、装置、电子设备及存储介质 |
CN114640905A (zh) * | 2022-05-23 | 2022-06-17 | 广东冠星陶瓷企业有限公司 | 一种陶瓷生产云数据处理控制系统及方法 |
CN114777305A (zh) * | 2022-04-11 | 2022-07-22 | 富联智能工坊(郑州)有限公司 | 空气调节系统的调控方法、调控模型建立方法及相关装置 |
CN114811867A (zh) * | 2022-03-14 | 2022-07-29 | 青岛海尔空调器有限总公司 | 用于控制空调器的方法及装置、空调器、存储介质 |
CN115854497A (zh) * | 2022-12-05 | 2023-03-28 | 珠海格力电器股份有限公司 | 空调器及其控制方法和装置、存储介质 |
CN117350438A (zh) * | 2023-11-13 | 2024-01-05 | 国网冀北电力有限公司 | 基于商业空调参数的需求响应申报量评估测算方法、系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS5659153A (en) * | 1979-09-28 | 1981-05-22 | Borg Warner | Microocomputer controller for auxiliary heater with set bag for night operation |
BR7700887U (pt) * | 1997-04-15 | 1999-03-30 | Da Silva Jasson Alves | Sistema de climatização water |
CN101271132A (zh) * | 2008-04-03 | 2008-09-24 | 湖南大学 | 独立性边际损耗定价方法 |
CN110567104A (zh) * | 2019-09-26 | 2019-12-13 | 珠海格力电器股份有限公司 | 多联机系统的内机运行控制方法、装置和计算机设备 |
-
2020
- 2020-12-07 CN CN202011440608.8A patent/CN112696798B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS5659153A (en) * | 1979-09-28 | 1981-05-22 | Borg Warner | Microocomputer controller for auxiliary heater with set bag for night operation |
BR7700887U (pt) * | 1997-04-15 | 1999-03-30 | Da Silva Jasson Alves | Sistema de climatização water |
CN101271132A (zh) * | 2008-04-03 | 2008-09-24 | 湖南大学 | 独立性边际损耗定价方法 |
CN110567104A (zh) * | 2019-09-26 | 2019-12-13 | 珠海格力电器股份有限公司 | 多联机系统的内机运行控制方法、装置和计算机设备 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114047708A (zh) * | 2021-11-03 | 2022-02-15 | 珠海格力电器股份有限公司 | 家居设备控制方法、装置、电子设备及存储介质 |
CN114047708B (zh) * | 2021-11-03 | 2024-06-07 | 珠海格力电器股份有限公司 | 家居设备控制方法、装置、电子设备及存储介质 |
CN114811867A (zh) * | 2022-03-14 | 2022-07-29 | 青岛海尔空调器有限总公司 | 用于控制空调器的方法及装置、空调器、存储介质 |
CN114777305A (zh) * | 2022-04-11 | 2022-07-22 | 富联智能工坊(郑州)有限公司 | 空气调节系统的调控方法、调控模型建立方法及相关装置 |
CN114777305B (zh) * | 2022-04-11 | 2024-01-26 | 富联智能工坊(郑州)有限公司 | 空气调节系统的调控方法、调控模型建立方法及相关装置 |
CN114640905A (zh) * | 2022-05-23 | 2022-06-17 | 广东冠星陶瓷企业有限公司 | 一种陶瓷生产云数据处理控制系统及方法 |
CN115854497A (zh) * | 2022-12-05 | 2023-03-28 | 珠海格力电器股份有限公司 | 空调器及其控制方法和装置、存储介质 |
CN117350438A (zh) * | 2023-11-13 | 2024-01-05 | 国网冀北电力有限公司 | 基于商业空调参数的需求响应申报量评估测算方法、系统 |
CN117350438B (zh) * | 2023-11-13 | 2024-08-16 | 国网冀北电力有限公司 | 基于商业空调参数的需求响应申报量评估测算方法、系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112696798B (zh) | 2022-05-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112696798B (zh) | 空调的参数设置方法、空调设备以及计算机可读存储介质 | |
CN112150311A (zh) | 能耗异常状态检测方法、装置、计算机设备和存储介质 | |
CN108709287B (zh) | 一种空调系统冷负荷预测方法及冷水机组群控的策略 | |
CN107702292B (zh) | 一种确定多联机空调动态制冷量的方法及室外主机 | |
EP3913456A1 (en) | Air conditioner, data transmission method, and air conditioning system | |
CN110332671B (zh) | 室内机的控制方法、装置、设备和空调系统 | |
CN110726209B (zh) | 空调控制方法、装置、存储介质以及处理器 | |
JP6817588B2 (ja) | 空気調和機の最適オン/オフ時刻算出処理を実行するサーバ、および最適オン/オフ時刻算出処理システム | |
CN113685996B (zh) | 空调器压缩机的控制方法以及空调器 | |
WO2012137814A1 (ja) | コントローラおよび制御方法 | |
US11719477B2 (en) | Variable speed compressor based AC system and control method | |
CN115493270B (zh) | 水多联空调机组的控制方法、装置、空调器及存储介质 | |
CN114811857B (zh) | 一种冷站系统运行优化方法 | |
CN114608172B (zh) | 用于控制空调器的方法及装置、空调器、存储介质 | |
CN115051374A (zh) | 电采暖设备参与电力调峰的控制方法、装置和存储介质 | |
CN114662885A (zh) | 设备用电量的自适应控制方法、装置、设备及介质 | |
CN114764582A (zh) | 空调的操作提示方法、空调设备以及计算机存储介质 | |
CN112050389B (zh) | 制冷工况下空调器的控制方法 | |
CN112032973B (zh) | 蓄热指令的下发控制方法 | |
CN112032980B (zh) | 空调器的控制方法 | |
CN112032955B (zh) | 空调器的控制方法 | |
CN107631420B (zh) | 基于iBeacon技术的医院空调末端变风量系统节能方法及装置 | |
JP2020101358A (ja) | 空気調和機及び空気調和システム | |
JP2020190767A (ja) | 対象施設の電力需要予測装置 | |
JP2003076935A (ja) | 熱負荷パターン算出システム及び方法、並びにコンピュータプログラム |
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 |