CN112749810A - 模型训练方法、控制参数确定方法及装置 - Google Patents

模型训练方法、控制参数确定方法及装置 Download PDF

Info

Publication number
CN112749810A
CN112749810A CN201911055197.8A CN201911055197A CN112749810A CN 112749810 A CN112749810 A CN 112749810A CN 201911055197 A CN201911055197 A CN 201911055197A CN 112749810 A CN112749810 A CN 112749810A
Authority
CN
China
Prior art keywords
energy consumption
offset
control
parameter
air conditioning
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
CN201911055197.8A
Other languages
English (en)
Other versions
CN112749810B (zh
Inventor
袁德玉
汤潮
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.)
Beijing Gridsum Technology Co Ltd
Original Assignee
Beijing Gridsum Technology Co Ltd
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 Beijing Gridsum Technology Co Ltd filed Critical Beijing Gridsum Technology Co Ltd
Priority to CN201911055197.8A priority Critical patent/CN112749810B/zh
Priority to PCT/CN2020/100520 priority patent/WO2021082511A1/zh
Publication of CN112749810A publication Critical patent/CN112749810A/zh
Application granted granted Critical
Publication of CN112749810B publication Critical patent/CN112749810B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Software Systems (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Signal Processing (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Economics (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

本发明公开了一种模型训练方法、控制参数确定方法及装置，可以根据能耗预测模型得到能耗最低时的控制参数，并根据当前的偏移量确定模型获得控制偏移量，进而根据扰动量与控制偏移量，确定实际偏移量；根据实际偏移量与控制参数，获得空调系统的一组测试用控制参数；获得空调系统在该组测试用控制参数下运行时的能耗参数，生成一条测试记录；根据测试记录获得训练数据，使用训练数据对当前的偏移量确定模型进行训练。通过本发明可以训练得到偏移量确定模型，通过该偏移量确定模型输出的控制偏移量，本发明可以得到能够真正降低空调系统的能耗的目标控制参数。本发明通过扰动量提高了偏移量确定模型的准确性和适用性。

Description

模型训练方法、控制参数确定方法及装置
技术领域
本发明涉及节能降耗技术领域，尤其涉及模型训练方法、控制参数确定方法及装置。
背景技术
空调系统的节能降耗是节能降耗领域的重要组成部分。
现有的对空调系统的降耗技术采用了能耗预测模型来获得能耗预测模型输出的能耗最低时的控制参数。
虽然对于能耗预测模型而言，现有技术获得的控制参数是使得能耗预测模型输出的功耗最低时的控制参数。但是在实际应用中，由于多种原因，现有技术通过能耗预测模型获得的控制参数在施加到空调系统上时，却往往无法达到有效降低空调系统能耗的效果。
发明内容
鉴于上述问题，本发明提供一种克服上述问题或者至少部分地解决上述问题的模型训练方法、控制参数确定方法及装置，方案如下：
一种模型训练方法，包括：
将空调系统当前的第一环境参数组输入训练得到的能耗预测模型中，获得在所述能耗预测模型输出的能耗最低时的控制参数，其中，所述能耗预测模型的输入为所述第一环境参数组和所述控制参数，所述能耗预测模型的输出为所述空调系统的能耗；
将当前的第二环境参数组输入当前的偏移量确定模型中，获得所述当前的偏移量确定模型输出的控制偏移量，其中，所述偏移量确定模型的输入为所述第二环境参数组，输出为所述控制偏移量；
生成扰动量，根据所述扰动量与所述控制偏移量，确定实际偏移量；
根据所述实际偏移量与获得的所述控制参数，获得所述空调系统的一组测试用控制参数；
获得所述空调系统在该组所述测试用控制参数下运行时的能耗参数，生成一条测试记录；
根据测试记录获得训练数据，使用所述训练数据对所述当前的偏移量确定模型进行训练，其中，所述训练数据包括：第二环境参数组和实际偏移量。
可选的，每条所述测试记录中均至少对应保存有：第二环境参数组、实际偏移量和能耗参数，所述根据测试记录获得训练数据，使用所述训练数据对所述当前的偏移量确定模型进行训练包括：
从测试记录中获得与满足预设的能耗要求的能耗参数相对应的第二环境参数组和实际偏移量；
将获得的实际偏移量作为所述当前的偏移量确定模型的期望输出，对所述当前的偏移量确定模型进行训练，其中，所述期望输出对应的输入为：与所述获得的实际偏移量对应的第二环境参数组。
可选的，所述能耗参数为能耗比，每条所述测试记录中均至少对应保存有：第二环境参数组、控制参数、实际偏移量和能耗参数，所述能耗比＝空调系统实际能耗/空调系统基准能耗，在所述获得所述空调系统在所述测试用控制参数下运行时的能耗参数后，所述方法还包括：
将所述实际偏移量作为控制偏移量，将所述当前的第二环境参数组、所述控制参数、所述实际偏移量和所述能耗参数作为训练数据，对当前的能耗比确定模型进行训练，其中，所述能耗比确定模型的输入为第二环境参数组、控制参数和控制偏移量，所述能耗比确定模型的输出为能耗比。
可选的，所述根据测试记录获得训练数据，使用所述训练数据对所述当前的偏移量确定模型进行训练，包括：
将所述实际偏移量作为控制偏移量，获得输入为所述测试记录中的第二环境参数组和实际偏移量时、使得所述当前的能耗比确定模型输出的能耗比最小的控制偏移量；
将使得所述当前的能耗比确定模型输出的能耗比最小的实际偏移量作为所述当前的偏移量确定模型的期望输出，对所述当前的偏移量确定模型进行训练，其中，所述期望输出对应的输入为：在所述测试记录中与所述期望输出对应的第二环境参数组。
可选的，所述根据测试记录获得训练数据，使用所述训练数据对所述当前的偏移量确定模型进行训练，包括：
将所述当前的偏移量确定模型的输出作为所述当前的能耗比确定模型的输入之一，以所述当前的能耗比确定模型输出的能耗比最小为目标，从测试记录获得训练数据，使用所述训练数据对所述当前的偏移量确定模型进行训练。
可选的，所述能耗参数为能耗比，所述获得所述空调系统在所述测试用控制参数下运行时的能耗参数，包括：
将所述当前的第二环境参数组输入训练得到的环境基准能耗预测模型中，获得所述训练得到的环境基准能耗预测模型输出的空调系统基准能耗；
获得所述空调系统在所述测试用控制参数下运行时的实际能耗；
根据公式：能耗比＝实际能耗/空调系统基准能耗，计算得到所述能耗比。
一种控制参数确定方法，包括：
将空调系统当前的第一环境参数组输入训练得到的能耗预测模型中，获得在所述能耗预测模型输出的能耗最低时的控制参数，其中，所述能耗预测模型的输入为所述第一环境参数组和所述控制参数，所述能耗预测模型的输出为所述空调系统的能耗；
将当前的第二环境参数组输入当前的偏移量确定模型中，获得所述当前的偏移量确定模型输出的控制偏移量，其中，所述偏移量确定模型的输入为所述第二环境参数组，输出为所述控制偏移量；
根据获得的所述控制参数与获得的所述控制偏移量，确定所述空调系统的目标控制参数。
一种模型训练装置，包括：第一输入单元、第二输入单元、扰动量生成单元、测试参数获得单元、测试记录生成单元和第一训练单元，
所述第一输入单元，用于将空调系统当前的第一环境参数组输入训练得到的能耗预测模型中，获得在所述能耗预测模型输出的能耗最低时的控制参数，其中，所述能耗预测模型的输入为所述第一环境参数组和所述控制参数，所述能耗预测模型的输出为所述空调系统的能耗；
所述第二输入单元，用于将当前的第二环境参数组输入当前的偏移量确定模型中，获得所述当前的偏移量确定模型输出的控制偏移量，其中，所述偏移量确定模型的输入为所述第二环境参数组，输出为所述控制偏移量；
所述扰动量生成单元，用于生成扰动量，根据所述扰动量与所述控制偏移量，确定实际偏移量；
所述测试参数获得单元，用于根据所述实际偏移量与获得的所述控制参数，获得所述空调系统的一组测试用控制参数；
所述测试记录生成单元，用于获得所述空调系统在该组所述测试用控制参数下运行时的能耗参数，生成一条测试记录；
所述第一训练单元，用于根据测试记录获得训练数据，使用所述训练数据对所述当前的偏移量确定模型进行训练，其中，所述训练数据包括：第二环境参数组和实际偏移量。
一种控制参数确定装置，包括：控制参数获得单元、偏移量获得单元和目标参数确定单元，
所述控制参数获得单元，用于将空调系统当前的第一环境参数组输入训练得到的能耗预测模型中，获得在所述能耗预测模型输出的能耗最低时的控制参数，其中，所述能耗预测模型的输入为所述第一环境参数组和所述控制参数，所述能耗预测模型的输出为所述空调系统的能耗；
所述偏移量获得单元，用于将当前的第二环境参数组输入当前的偏移量确定模型中，获得所述当前的偏移量确定模型输出的控制偏移量，其中，所述偏移量确定模型的输入为所述第二环境参数组，输出为所述控制偏移量；
所述目标参数确定单元，用于根据获得的所述控制参数与获得的所述控制偏移量，确定所述空调系统的目标控制参数。
一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行如上述的任一种模型训练方法和/或上述的控制参数确定方法。
一种设备，所述设备包括至少一个处理器、以及与所述处理器连接的至少一个存储器、总线；其中，所述处理器、所述存储器通过所述总线完成相互间的通信；所述处理器用于调用所述存储器中的程序指令，以执行如上述的任一种模型训练方法和/或上述的控制参数确定方法。
借由上述技术方案，本发明提供的一种模型训练方法、控制参数确定方法及装置，可以根据能耗预测模型得到能耗最低时的控制参数，并根据当前的偏移量确定模型获得控制偏移量，进而根据扰动量与控制偏移量，确定实际偏移量；根据实际偏移量与控制参数，获得空调系统的一组测试用控制参数；获得空调系统在该组测试用控制参数下运行时的能耗参数，生成一条测试记录；根据测试记录获得训练数据，使用训练数据对当前的偏移量确定模型进行训练。通过本发明的模型训练方法可以训练得到偏移量确定模型，通过该偏移量确定模型输出的控制偏移量，本发明可以将其叠加到能耗预测模型得到能耗最低时的控制参数上，从而得到能够真正降低空调系统的能耗的目标控制参数。同时，本发明在训练前，通过扰动量的添加，使得测试数据更为丰富，提高了偏移量确定模型的准确性和适用性。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了本发明实施例提供的一种模型训练方法的流程图；
图2示出了本发明实施例提供的另一种模型训练方法的流程图；
图3示出了本发明实施例提供的一种控制参数确定方法的流程图；
图4示出了本发明实施例提供的一种模型训练装置的结构示意图；
图5示出了本发明实施例提供的一种控制参数确定装置的结构示意图；
图6示出了本发明实施例提供的一种设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
能耗预测模型是通过将采集的历史数据作为训练数据进行训练后得到的机器模型，其中，历史数据包括：相对应的第一环境参数组、控制参数和空调系统的能耗。其中，第一坏境参数组可以包括：空调系统的需求制冷量和/或空调系统非控温度等。空调系统的需求制冷量可以根据室内外的温度和湿度等环境参数确定。空调系统非控温度可以包括：蒸发温度、冷凝温度空调系统运行过程中未控制的温度等。由于历史数据的覆盖程度等原因，历史数据与当前时刻的相应数据往往有较大的差异，这就使得通过能耗预测模型得到的控制参数往往并不是能有效降低空调系统能耗的控制参数，也往往不是能使得空调系统能耗最低的最优控制参数。当然，除由于历史数据的原因外，能耗预测模型本身的结构设计等原因也会导致通过能耗预测模型得到的控制参数往往并不是能有效降低空调系统能耗的控制参数。
对于上述问题，现有的技术人员普遍都是通过完善能耗预测模型的方式来努力提高能耗预测模型的准确性。例如：采集更多的历史数据，优化能耗预测模型的结构等。与现有的技术人员不同，本申请的发明人的研究方向放在了根据能耗预测模型获得的能耗最低时的控制参数与空调系统实际能耗最低时的最优控制参数的控制偏移量上。基于此，本申请的发明人提出了偏移量确定模型以确定该控制偏移量。该偏移量确定模型的输入为第二环境参数组，输出为控制偏移量。在根据能耗预测模型获得的能耗最低时的控制参数后，只需要再根据本发明的偏移量确定模型确定控制偏移量，就可以根据上述控制参数和控制偏移量获得能够真正降低空调系统的能耗的目标控制参数。
基于此，本发明首先提供了一种模型训练方法，以对偏移量确定模型进行训练。通过该模型训练方法，本发明可以获得偏移量确定模型，还可以不断对偏移量确定模型进行改进。
如图1所示，本发明实施例提供了一种模型训练方法，可以包括：
S100、将空调系统当前的第一环境参数组输入训练得到的能耗预测模型中，获得在所述能耗预测模型输出的能耗最低时的控制参数，其中，所述能耗预测模型的输入为第一环境参数组和控制参数，所述能耗预测模型的输出为所述空调系统的能耗。
可选的，由于空调系统的需求制冷量可以根据室内外的温度和湿度等环境参数确定，因此除包括空调系统非控温度外，第一环境参数组还可以包括：室外温度、室外湿度、热力学湿球温度、风向、风速、室内温度、室内最大温度、室内湿度等环境参数中的至少一种。
其中，控制参数可以包括：空调系统的进水温度、空调系统的出水温度、水泵的频率、冷水流量等参数中的至少一种。
其中，能耗是指空调系统运行所消耗的电能，可以根据空调系统的功率确定。
S200、将当前的第二环境参数组输入当前的偏移量确定模型中，获得所述当前的偏移量确定模型输出的控制偏移量，其中，所述偏移量确定模型的输入为第二环境参数组，输出为所述控制偏移量。
其中，第二环境参数组可以包括：室外环境参数和室内环境参数，其中，室外环境参数可以包括：室外温度、室外湿度、热力学湿球温度、风向、风速等参数中的至少一种。其中，室内环境参数可以包括：室内温度、室内最大温度、室内湿度等。可选的，当室内设置有较多的电子设备时(如机房内有大量电子设备)，室内环境参数还可以包括：室内电子设备的功率等。
其中，第二环境参数组和第一环境参数组可以具有交集，也可以不具有交集。可选的，第二环境参数组可以为第一环境参数组的真子集。
其中，步骤S100和步骤S200之间的执行先后关系本发明不做限定。
可以理解的是，由于第二环境参数组、控制参数可以分别包括多种参数，因此本发明可以使用向量来表示第二环境参数组和控制参数。例如：第二环境参数组为[35，90，25，30，70]，该一维向量代表：室外温度35度，室外湿度90％，室内温度25度，室内最大温度30度，室内湿度70％。当然，还可以用多维向量表示第二环境参数组和控制参数，本发明在此不做限定。再如：控制参数为[12，17，40，558]，该一维向量代表：进水温度12度，出水温度17，水泵的频率为40Hz，冷水流量为558立方米/每小时。
具体的，在当前的偏移量确定模型进行第一次训练前，当前的偏移量确定模型为初始偏移量确定模型。其中，初始偏移量确定模型输出的控制偏移量均为0。
当初始偏移量确定模型进行了训练后，该模型的输出的控制偏移量一般不会再全部为0。
其中，偏移量确定模型输出的控制偏移量的向量的结构与根据能耗预测模型得到的控制参数的向量的结构可以相同，例如：可以均为4×4的结构。当然，偏移量确定模型输出的控制偏移量的向量中各元素的含义与根据能耗预测模型得到的控制参数的向量中相同位置的元素的含义也相同。例如，对于上述控制参数的向量[12，17，40，558]，步骤S200获得的控制偏移量可以为[+0.5，-0.3，+4，-8]，该一维向量代表：进水温度的偏移量为+0.5度，出水温度的偏移量为-0.3度，水泵的频率的偏移量为+4Hz，冷水流量的偏移量为-8立方米/每小时。
需要说明的是，控制偏移量除与第二环境参数组有关外，还与根据能耗预测模型得到的控制参数有关。但是，由于第一环境参数组中的空调系统的需求制冷量也是根据第二环境参数组得到的，因此能耗预测模型的间接根据第二环境参数组得到了控制参数。为了避免过耦合，本发明中的偏移量确定模型的输入只有第二环境参数组。
S300、生成扰动量，根据所述扰动量与所述控制偏移量，确定实际偏移量。
其中，本发明可以通过多种方式生成扰动量，例如通过随机数生成算法生成一个随机数，将该随机数作为扰动量。再如：通过正交测试表生成扰动量。具体的，步骤S300确定的实际偏移量只是一个假设的实际偏移量，并不代表真正的实际偏移量。
其中，扰动量也可以为向量，偏移量确定模型输出的控制偏移量的向量的结构与扰动量的向量的结构可以相同，当然，偏移量确定模型输出的控制偏移量的向量中各元素的含义与扰动量的向量中相同位置的元素的含义也相同。例如：当步骤S200获得的控制偏移量为上述的[+0.5，-0.3，+4，-8]时，步骤S300生成的扰动量可以为：[+0.1，-0.1，+0.4，-2]，该一维向量代表：进水温度的扰动量为+0.1度，出水温度的扰动量为-0.1度，水泵的频率的扰动量为+0.4Hz，冷水流量的扰动量为-2立方米/每小时。当然，扰动量还可以用比例来表示，如步骤S300生成的扰动量可以为：[+5％，-5％，+8％，-2％]，该一维向量代表：进水温度的扰动量为+5％，出水温度的扰动量为-5％，水泵的频率的扰动量为+8％，冷水流量的扰动量为-2％。
当扰动量中的元素代表控制量的数值时，可以将扰动量与所述控制偏移量相加，得到实际偏移量。例如：将[+0.5，-0.3，+4，-8]与[+0.1，-0.1，+0.4，-2]相加，获得实际偏移量为[+0.6，-0.4，+4.4，-10]。
当扰动量中的元素代表控制量的比例时，可以根据比例乘法在控制偏移量上增加或减少相应的比例。例如：在[+0.5，-0.3，+4，-8]基础上，按照[+5％，-5％，+8％，-2％]进行浮动，获得[+0.525，-0.285，+4.32，-7.84]。
可选的，扰动量可以在预设的数值范围或比例范围内，例如：进水温度的扰动量在±1度的范围内，冷水流量的扰动量在±50立方米/每小时的范围内。
由于每次生成的扰动量都有可能是不同的，因此通过在控制偏移量上增加扰动量，本发明可以获得更多的测试数据，且为测试数据添加了随机性。同时，由于扰动量在预设的数值范围内，因此不会使得空调系统运行在明显不合理的情况下，不会给空调系统带来太大的运行负担。同时，较小的扰动量也提供了较小的测试粒度，使得测试数据的覆盖度变高，进而使得训练得到的偏移量确定模型的准确性更高。
进一步，为了防止产生的扰动量相同而进行重复测试，本发明可以将之前产生的扰动量中与当前的第二环境参数组对应的扰动量确定为待比较扰动量，将待比较扰动量分别与本次产生的扰动量进行对比，从而确定是否已经在当前的第二环境参数组下进行过本次产生的扰动量的测试。如果有至少一个待比较扰动量与本次产生的扰动量相等，则丢弃本次产生的扰动量，再次产生一个新的扰动量并继续进行上述对比。如果各待比较扰动量均与本次产生的扰动量不相等，则可以根据本次产生的扰动量与所述控制偏移量，确定实际偏移量并执行后续步骤。
S400、根据所述实际偏移量与获得的所述控制参数，获得所述空调系统的一组测试用控制参数。
可选的，本发明可以将实际偏移量与获得的所述控制参数相加，获得空调系统的一组测试用控制参数。例如：当实际偏移量为[+0.6，-0.4，+4.4，-10]且控制参数为[12，17，40，558]时，将二者叠加得到一组测试用控制参数为[12.6，16.6，44.4，548]。
S500、获得所述空调系统在该组所述测试用控制参数下运行时的能耗参数，生成一条测试记录。
其中，每条所述测试记录中均对应保存有：第二环境参数组、控制参数、控制偏移量、扰动量和能耗参数中的至少一个。
在获得一组测试用控制参数后，本发明可以控制空调系统的控制参数为该组测试用控制参数，例如：当测试用控制参数为[12.6，16.6，44.4，548]时，控制空调系统的进水温度为12.6度，出水温度为16.6度，水泵的频率为44.4Hz，冷水流量为548立方米/每小时。
在实际应用中，在控制空调系统的控制参数为该组测试用控制参数后，可以等待一段时间后，再对能耗参数进行采集。这是由于控制参数变动后，空调系统需要经过一段时间后才会进入一个相对稳定的状态，该相对稳定的状态的功耗参数的实际意义更大。
在实际应用中，本发明可以使用一个表格来记录各条测试记录，该表格可以如表1所示：
表1
Figure BDA0002255711200000101
Figure BDA0002255711200000111
其中，表1中能耗参数为能耗比，所述能耗比＝空调系统实际能耗/空调系统基准能耗。本发明在对空调系统进行测试时，可以通过实际测量的方式来确定空调系统实际能耗。本发明可以通过将所述当前的第二环境参数组输入训练得到的环境基准能耗预测模型中，获得所述训练得到的环境基准能耗预测模型输出的空调系统基准能耗。其中，环境基准能耗预测模型是通过训练数据(该训练数据包括相对应的第二环境参数组和空调系统基准能耗)训练得到的机器模型，其输入为第二环境参数组，输出为空调系统基准能耗。
可选的，在其他实施例中，步骤S500可以具体包括：
将所述当前的第二环境参数组输入训练得到的环境基准能耗预测模型中，获得所述训练得到的环境基准能耗预测模型输出的空调系统基准能耗；
获得所述空调系统在所述测试用控制参数下运行时的实际能耗；
根据公式：能耗比＝实际能耗/空调系统基准能耗，计算得到所述能耗比。
在实际应用中，对于某个第二环境参数组下，本发明可以生成多个不同的扰动量，并将这些扰动量分别添加当前的偏移量确定模型根据该第二环境参数组得到的控制偏移量上，到进而得到多个不同的实际偏移量。然后，本发明将这些实际偏移量分别添加到能耗预测模型根据该第二环境参数组输出的能耗最低时的控制参数上，从而获得多组测试用控制参数。这些多组测试用控制参数都是在同一个第二环境参数组下的测试用控制参数。
本发明可以控制空调系统在不同的时间段分别按照上述多组测试用控制参数运行，从而可以采集到多条测试记录。这些测试记录中的：第二环境参数组、控制参数和控制偏移量均相同，但是扰动量不同。这样，本发明就可以对同一个环境下多个不同扰动所带来的能耗参数进行了测试，产生了较高的数据覆盖效果。
可以理解的是，本发明可以在多种情况下根据测试记录来对当前的偏移量确定模型进行训练。上述多种情况可以包括：
情况一、测试记录的条数少于第一预设条数。
此情况下，测试记录还比较少，需要继续进行测试以积累数据。
当然，情况一可以具体为：预设的测试时间段内的测试记录的条数少于第一预设条数。
情况二、当前的第二环境参数组超出已获得的测试记录中的第二环境参数组的覆盖范围。
例如：已获得的测试记录中的第二环境参数组中的最低的室外温度为零下5度，当前的第二环境参数组中的室外温度为零下7度，则当前的第二环境参数组超出已获得的测试记录中的第二环境参数组的覆盖范围。
通过情况二，本发明可以有效采集更多环境下的测试数据，以提高测试数据的覆盖率，提高机器模型的准确度和适用性。
情况三、已获得的测试记录中的与当前的第二环境参数组对应的能耗参数高于预设的第一能耗参数。
其中，预设的第一能耗参数可以为：预设能耗比，当某能耗比高于预设能耗比时，说明该能耗比较高，无法实现较好的降低能耗的作用。需要继续测试。
情况四、已获得的测试记录中的与当前的第二环境参数组对应的能耗参数高于预设的第一能耗参数，且已获得的当前的第二环境参数组对应的测试记录的条数少于第二预设条数，其中，第二预设条数大于第一预设条数。
通过上述第二预设条数的限制，可以防止进行多过的测试。因为过多的测试会影响空调系统的正常使用。
情况五、已获得的测试记录中的与当前的第二环境参数组对应的能耗参数高于预设的第一能耗参数，且测试记录的条数少于第二预设条数，其中，第二预设条数大于第一预设条数。
通过上述第二预设条数的限制，可以防止进行多过的测试。因为过多的测试会影响空调系统的正常使用。
S600、根据测试记录获得训练数据，使用所述训练数据对所述当前的偏移量确定模型进行训练，其中，所述训练数据包括：第二环境参数组和实际偏移量。
其中，每条所述测试记录中均至少对应保存有：第二环境参数组、实际偏移量和能耗参数，步骤S600可以具体包括：
从测试记录中获得与满足预设的能耗要求的能耗参数相对应的第二环境参数组和实际偏移量；
将获得的实际偏移量作为所述当前的偏移量确定模型的期望输出，对所述当前的偏移量确定模型进行训练，其中，所述期望输出对应的输入为：与所述获得的实际偏移量对应的第二环境参数组。
可以理解的是，通过添加扰动量后的测试，本发明可以获得多条测试记录，但是并不是所有的测试记录中的能耗参数都很好。为了尽可能的获得最优偏移量，本发明可以对测试记录进行筛选，从中筛选出满足预设的能耗要求的测试记录，然后将筛选出的测试记录中的第二环境参数组和实际偏移量作为训练数据对所述当前的偏移量确定模型进行训练。
上述预设的能耗要求可以为能耗参数不高于预设的第二能耗参数，其中，预设的第二能耗参数与预设的第一能耗参数相同或不同。
当然，步骤S600也可以有其他具体实施方式，本发明将在下述实施例中说明。
本发明实施例提供的一种模型训练方法，可以根据能耗预测模型得到能耗最低时的控制参数，并根据当前的偏移量确定模型获得控制偏移量，进而根据扰动量与控制偏移量，确定实际偏移量；根据实际偏移量与控制参数，获得空调系统的一组测试用控制参数；获得空调系统在该组测试用控制参数下运行时的能耗参数，生成一条测试记录；根据测试记录获得训练数据，使用训练数据对当前的偏移量确定模型进行训练。通过本发明的模型训练方法可以训练得到偏移量确定模型，通过该偏移量确定模型输出的控制偏移量，本发明可以将其叠加到能耗预测模型得到能耗最低时的控制参数上，从而得到能够真正降低空调系统的能耗的目标控制参数。同时，本发明在训练前，通过扰动量的添加，使得测试数据更为丰富，提高了偏移量确定模型的准确性和适用性。
如图2所示，本发明实施例提供的另一种模型训练方法中，能耗参数为能耗比，所述能耗比＝空调系统实际能耗/空调系统基准能耗，该方法可以包括：
S100、将空调系统当前的第一环境参数组输入训练得到的能耗预测模型中，获得在所述能耗预测模型输出的能耗最低时的控制参数，其中，所述能耗预测模型的输入为所述第一环境参数组和所述控制参数，所述能耗预测模型的输出为所述空调系统的能耗；
S200、将当前的第二环境参数组输入当前的偏移量确定模型中，获得所述当前的偏移量确定模型输出的控制偏移量，其中，所述偏移量确定模型的输入为所述第二环境参数组，输出为所述控制偏移量；
S300、生成扰动量，根据所述扰动量与所述控制偏移量，确定实际偏移量；
S400、根据所述实际偏移量与获得的所述控制参数，获得所述空调系统的一组测试用控制参数；
S500、获得所述空调系统在该组所述测试用控制参数下运行时的能耗参数，生成一条测试记录。
其中，步骤S100至步骤S500已在图1所示实施例中具体说明，在此不再赘述。
S600、根据测试记录获得训练数据，使用所述训练数据对所述当前的偏移量确定模型进行训练，其中，所述训练数据包括：第二环境参数组和实际偏移量。
本发明可以使用显式监督或隐式监督的方式来使用所述训练数据对所述当前的偏移量确定模型进行训练。
当使用显式监督的方式时，可选的，步骤S600可以具体包括：
将所述实际偏移量作为控制偏移量，获得输入为所述测试记录中的第二环境参数组和实际偏移量时、使得所述当前的能耗比确定模型输出的能耗比最小的控制偏移量；
将使得所述当前的能耗比确定模型输出的能耗比最小的实际偏移量作为所述当前的偏移量确定模型的期望输出，对所述当前的偏移量确定模型进行训练，其中，所述期望输出对应的输入为：在所述测试记录中与所述期望输出对应的第二环境参数组。
其中，使得所述当前的能耗比确定模型输出的能耗比最小的控制偏移量即为训练监督值。
当使用隐式监督的方式时，可选的，步骤S600可以具体包括：
将所述当前的偏移量确定模型的输出作为所述当前的能耗比确定模型的输入之一，以所述当前的能耗比确定模型输出的能耗比最小为目标，从测试记录获得训练数据，使用所述训练数据对所述当前的偏移量确定模型进行训练。
隐式监督的方式将偏移量确定模型和能耗比确定模型进行了串联，通过以所述当前的能耗比确定模型输出的能耗比最小为目标，同样可以将偏移量确定模型训练成为可以输出能够有效降低能耗的控制偏移量的机器模型。
S700、将所述实际偏移量作为控制偏移量，将所述当前的第二环境参数组、所述控制参数、所述实际偏移量和所述能耗参数作为训练数据，对当前的能耗比确定模型进行训练，其中，所述能耗比确定模型的输入为第二环境参数组、控制参数和控制偏移量，所述能耗比确定模型的输出为能耗比。
其中，步骤S700在步骤S500之后执行即可，步骤S700与步骤S600之间的执行顺序本发明不做限定。
如图3所示，本发明实施例还提供了一种控制参数确定方法，可以包括：
S001、将空调系统当前的第一环境参数组输入训练得到的能耗预测模型中，获得在所述能耗预测模型输出的能耗最低时的控制参数，其中，所述能耗预测模型的输入为所述第一环境参数组和所述控制参数，所述能耗预测模型的输出为所述空调系统的能耗；
其中，步骤S001与图1所示步骤S100执行的处理相同，区别在于步骤S100在模型训练阶段中执行，而步骤S001在模型应用阶段中执行。
当然，模型训练阶段和模型应用阶段可以多次交替进行，即：在合适的多个时间段来多次对偏移量确定模型进行训练，以实现模型的持续优化。当不需要进行训练时，可以使用训练后的偏移量确定模型来获得控制偏移量，进而获得能够有效降低能耗的目标控制参数。
S002、将当前的第二环境参数组输入当前的偏移量确定模型中，获得所述当前的偏移量确定模型输出的控制偏移量，其中，所述偏移量确定模型的输入为第二环境参数组，输出为所述控制偏移量；
S003、根据获得的所述控制参数与获得的所述控制偏移量，确定所述空调系统的目标控制参数。
进一步，步骤S003后，图3所示方法还可以包括：
将空调系统的控制参数设置为所述目标控制参数。
与本发明实施例提供的模型训练方法相对应，如图4所示，本发明还提供了一种模型训练装置，可以包括：第一输入单元100、第二输入单元200、扰动量生成单元300、测试参数获得单元400、测试记录生成单元500和第一训练单元600，
所述第一输入单元100，用于将空调系统当前的第一环境参数组输入训练得到的能耗预测模型中，获得在所述能耗预测模型输出的能耗最低时的控制参数，其中，所述能耗预测模型的输入为所述第一环境参数组和所述控制参数，所述能耗预测模型的输出为所述空调系统的能耗；
其中，第一坏境参数组可以包括：空调系统的需求制冷量和/或空调系统非控温度等。
其中，控制参数可以包括：空调系统的进水温度、空调系统的出水温度、水泵的频率、冷水流量等参数中的至少一种。
其中，能耗是指空调系统运行所消耗的电能，可以根据空调系统的功率确定。
所述第二输入单元200，用于将当前的第二环境参数组输入当前的偏移量确定模型中，获得所述当前的偏移量确定模型输出的控制偏移量，其中，所述偏移量确定模型的输入为所述第二环境参数组，输出为所述控制偏移量；
其中，第二环境参数组可以包括：室外环境参数和室内环境参数，其中，室外环境参数可以包括：室外温度、室外湿度、热力学湿球温度、风向、风速等参数中的至少一种。其中，室内环境参数可以包括：室内温度、室内最大温度、室内湿度等。可选的，当室内设置有较多的电子设备时(如机房内有大量电子设备)，室内环境参数还可以包括：室内电子设备的功率等。
所述扰动量生成单元300，用于生成扰动量，根据所述扰动量与所述控制偏移量，确定实际偏移量；
所述测试参数获得单元400，用于根据所述实际偏移量与获得的所述控制参数，获得所述空调系统的一组测试用控制参数；
所述测试记录生成单元500，用于获得所述空调系统在该组所述测试用控制参数下运行时的能耗参数，生成一条测试记录；
所述第一训练单元600，用于根据测试记录获得训练数据，使用所述训练数据对所述当前的偏移量确定模型进行训练，其中，所述训练数据包括：第二环境参数组和实际偏移量。
可选的，每条所述测试记录中均至少对应保存有：第二环境参数组、实际偏移量和能耗参数，所述第一训练单元600具体用于：
从测试记录中获得与满足预设的能耗要求的能耗参数相对应的第二环境参数组和实际偏移量；
将获得的实际偏移量作为所述当前的偏移量确定模型的期望输出，对所述当前的偏移量确定模型进行训练，其中，所述期望输出对应的输入为：与所述获得的实际偏移量对应的第二环境参数组。
可选的，所述能耗参数为能耗比，每条所述测试记录中均至少对应保存有：第二环境参数组、控制参数、实际偏移量和能耗参数，所述能耗比＝空调系统实际能耗/空调系统基准能耗，图4所示装置还包括：第二训练单元，用于在所述测试记录生成单元500获得所述空调系统在所述测试用控制参数下运行时的能耗参数后，将所述实际偏移量作为控制偏移量，将所述当前的第二环境参数组、所述控制参数、所述实际偏移量和所述能耗参数作为训练数据，对当前的能耗比确定模型进行训练，其中，所述能耗比确定模型的输入为第二环境参数组、控制参数和控制偏移量，所述能耗比确定模型的输出为能耗比。
可选的，所述第一训练单元600具体用于：
将所述实际偏移量作为控制偏移量，获得输入为所述测试记录中的第二环境参数组和实际偏移量时、使得所述当前的能耗比确定模型输出的能耗比最小的控制偏移量；
将使得所述当前的能耗比确定模型输出的能耗比最小的实际偏移量作为所述当前的偏移量确定模型的期望输出，对所述当前的偏移量确定模型进行训练，其中，所述期望输出对应的输入为：在所述测试记录中与所述期望输出对应的第二环境参数组。
可选的，所述第一训练单元600具体用于：
将所述当前的偏移量确定模型的输出作为所述当前的能耗比确定模型的输入之一，以所述当前的能耗比确定模型输出的能耗比最小为目标，从测试记录获得训练数据，使用所述训练数据对所述当前的偏移量确定模型进行训练。
可选的，所述能耗参数为能耗比，所述测试记录生成单元500获得所述空调系统在该组所述测试用控制参数下运行时的能耗参数，具体设置为：
将所述当前的第二环境参数组输入训练得到的环境基准能耗预测模型中，获得所述训练得到的环境基准能耗预测模型输出的空调系统基准能耗；
获得所述空调系统在所述测试用控制参数下运行时的实际能耗；
根据公式：能耗比＝实际能耗/空调系统基准能耗，计算得到所述能耗比。
本发明提供的一种模型训练装置，可以根据能耗预测模型得到能耗最低时的控制参数，并根据当前的偏移量确定模型获得控制偏移量，进而根据扰动量与控制偏移量，确定实际偏移量；根据实际偏移量与控制参数，获得空调系统的一组测试用控制参数；获得空调系统在该组测试用控制参数下运行时的能耗参数，生成一条测试记录；根据测试记录获得训练数据，使用训练数据对当前的偏移量确定模型进行训练。通过本发明的模型训练方法可以训练得到偏移量确定模型，通过该偏移量确定模型输出的控制偏移量，本发明可以将其叠加到能耗预测模型得到能耗最低时的控制参数上，从而得到能够真正降低空调系统的能耗的目标控制参数。同时，本发明在训练前，通过扰动量的添加，使得测试数据更为丰富，提高了偏移量确定模型的准确性和适用性。
与图3所示方法实施例相对应，本发明还提供了一种控制参数确定装置，如图5所示，该控制参数确定装置可以包括：控制参数获得单元001、偏移量获得单元002和目标参数确定单元003，
所述控制参数获得单元001，用于将空调系统当前的第一环境参数组输入训练得到的能耗预测模型中，获得在所述能耗预测模型输出的能耗最低时的控制参数，其中，所述能耗预测模型的输入为所述第一环境参数组和所述控制参数，所述能耗预测模型的输出为所述空调系统的能耗；
所述偏移量获得单元002，用于将当前的第二环境参数组输入当前的偏移量确定模型中，获得所述当前的偏移量确定模型输出的控制偏移量，其中，所述偏移量确定模型的输入为所述第二环境参数组，输出为所述控制偏移量；
所述目标参数确定单元003，用于根据获得的所述控制参数与获得的所述控制偏移量，确定所述空调系统的目标控制参数。
所述模型训练装置包括处理器和存储器，上述第一输入单元、第二输入单元、扰动量生成单元、测试参数获得单元、测试记录生成单元和第一训练单元等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
所述控制参数确定装置包括处理器和存储器，上述控制参数获得单元、偏移量获得单元和目标参数确定单元等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来训练模型和/或确定控制参数。
本发明实施例提供了一种存储介质，其上存储有程序，该程序被处理器执行时实现所述模型训练方法和/或控制参数确定方法。
本发明实施例提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行所述模型训练方法和/或控制参数确定方法。
如图6所示，本发明实施例提供了一种设备70，设备包括至少一个处理器701、以及与处理器701连接的至少一个存储器702、总线703；其中，处理器701、存储器702通过总线703完成相互间的通信；处理器701用于调用存储器702中的程序指令，以执行上述的模型训练方法和/或控制参数确定方法。本文中的设备70可以是服务器、PC、PAD、手机等。
本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有上述的模型训练方法和/或控制参数确定方法步骤的程序。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
在一个典型的配置中，设备包括一个或多个处理器(CPU)、存储器和总线。设备还可以包括输入/输出接口、网络接口等。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，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、商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、商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，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (11)

1.一种模型训练方法，其特征在于，包括：
将空调系统当前的第一环境参数组输入训练得到的能耗预测模型中，获得在所述能耗预测模型输出的能耗最低时的控制参数，其中，所述能耗预测模型的输入为所述第一环境参数组和所述控制参数，所述能耗预测模型的输出为所述空调系统的能耗；
将当前的第二环境参数组输入当前的偏移量确定模型中，获得所述当前的偏移量确定模型输出的控制偏移量，其中，所述偏移量确定模型的输入为所述第二环境参数组，输出为所述控制偏移量；
生成扰动量，根据所述扰动量与所述控制偏移量，确定实际偏移量；
根据所述实际偏移量与获得的所述控制参数，获得所述空调系统的一组测试用控制参数；
获得所述空调系统在该组所述测试用控制参数下运行时的能耗参数，生成一条测试记录；
根据测试记录获得训练数据，使用所述训练数据对所述当前的偏移量确定模型进行训练，其中，所述训练数据包括：第二环境参数组和实际偏移量。
2.根据权利要求1所述的方法，其特征在于，每条所述测试记录中均至少对应保存有：第二环境参数组、实际偏移量和能耗参数，所述根据测试记录获得训练数据，使用所述训练数据对所述当前的偏移量确定模型进行训练包括：
从测试记录中获得与满足预设的能耗要求的能耗参数相对应的第二环境参数组和实际偏移量；
将获得的实际偏移量作为所述当前的偏移量确定模型的期望输出，对所述当前的偏移量确定模型进行训练，其中，所述期望输出对应的输入为：与所述获得的实际偏移量对应的第二环境参数组。
3.根据权利要求1所述的方法，其特征在于，所述能耗参数为能耗比，每条所述测试记录中均至少对应保存有：第二环境参数组、控制参数、实际偏移量和能耗参数，所述能耗比＝空调系统实际能耗/空调系统基准能耗，在所述获得所述空调系统在所述测试用控制参数下运行时的能耗参数后，所述方法还包括：
将所述实际偏移量作为控制偏移量，将所述当前的第二环境参数组、所述控制参数、所述实际偏移量和所述能耗参数作为训练数据，对当前的能耗比确定模型进行训练，其中，所述能耗比确定模型的输入为第二环境参数组、控制参数和控制偏移量，所述能耗比确定模型的输出为能耗比。
4.根据权利要求3所述的方法，其特征在于，所述根据测试记录获得训练数据，使用所述训练数据对所述当前的偏移量确定模型进行训练，包括：
将所述实际偏移量作为控制偏移量，获得输入为所述测试记录中的第二环境参数组和实际偏移量时、使得所述当前的能耗比确定模型输出的能耗比最小的控制偏移量；
将使得所述当前的能耗比确定模型输出的能耗比最小的实际偏移量作为所述当前的偏移量确定模型的期望输出，对所述当前的偏移量确定模型进行训练，其中，所述期望输出对应的输入为：在所述测试记录中与所述期望输出对应的第二环境参数组。
5.根据权利要求3所述的方法，其特征在于，所述根据测试记录获得训练数据，使用所述训练数据对所述当前的偏移量确定模型进行训练，包括：
将所述当前的偏移量确定模型的输出作为所述当前的能耗比确定模型的输入之一，以所述当前的能耗比确定模型输出的能耗比最小为目标，从测试记录获得训练数据，使用所述训练数据对所述当前的偏移量确定模型进行训练。
6.根据权利要求1至5中任一项所述的方法，其特征在于，所述能耗参数为能耗比，所述获得所述空调系统在所述测试用控制参数下运行时的能耗参数，包括：
将所述当前的第二环境参数组输入训练得到的环境基准能耗预测模型中，获得所述训练得到的环境基准能耗预测模型输出的空调系统基准能耗；
获得所述空调系统在所述测试用控制参数下运行时的实际能耗；
根据公式：能耗比＝实际能耗/空调系统基准能耗，计算得到所述能耗比。
7.一种控制参数确定方法，其特征在于，包括：
将空调系统当前的第一环境参数组输入训练得到的能耗预测模型中，获得在所述能耗预测模型输出的能耗最低时的控制参数，其中，所述能耗预测模型的输入为所述第一环境参数组和所述控制参数，所述能耗预测模型的输出为所述空调系统的能耗；
将当前的第二环境参数组输入当前的偏移量确定模型中，获得所述当前的偏移量确定模型输出的控制偏移量，其中，所述偏移量确定模型的输入为所述第二环境参数组，输出为所述控制偏移量；
根据获得的所述控制参数与获得的所述控制偏移量，确定所述空调系统的目标控制参数。
8.一种模型训练装置，其特征在于，包括：第一输入单元、第二输入单元、扰动量生成单元、测试参数获得单元、测试记录生成单元和第一训练单元，
所述第一输入单元，用于将空调系统当前的第一环境参数组输入训练得到的能耗预测模型中，获得在所述能耗预测模型输出的能耗最低时的控制参数，其中，所述能耗预测模型的输入为所述第一环境参数组和所述控制参数，所述能耗预测模型的输出为所述空调系统的能耗；
所述第二输入单元，用于将当前的第二环境参数组输入当前的偏移量确定模型中，获得所述当前的偏移量确定模型输出的控制偏移量，其中，所述偏移量确定模型的输入为所述第二环境参数组，输出为所述控制偏移量；
所述扰动量生成单元，用于生成扰动量，根据所述扰动量与所述控制偏移量，确定实际偏移量；
所述测试参数获得单元，用于根据所述实际偏移量与获得的所述控制参数，获得所述空调系统的一组测试用控制参数；
所述测试记录生成单元，用于获得所述空调系统在该组所述测试用控制参数下运行时的能耗参数，生成一条测试记录；
所述第一训练单元，用于根据测试记录获得训练数据，使用所述训练数据对所述当前的偏移量确定模型进行训练，其中，所述训练数据包括：第二环境参数组和实际偏移量。
9.一种控制参数确定装置，其特征在于，包括：控制参数获得单元、偏移量获得单元和目标参数确定单元，
所述控制参数获得单元，用于将空调系统当前的第一环境参数组输入训练得到的能耗预测模型中，获得在所述能耗预测模型输出的能耗最低时的控制参数，其中，所述能耗预测模型的输入为所述第一环境参数组和所述控制参数，所述能耗预测模型的输出为所述空调系统的能耗；
所述偏移量获得单元，用于将当前的第二环境参数组输入当前的偏移量确定模型中，获得所述当前的偏移量确定模型输出的控制偏移量，其中，所述偏移量确定模型的输入为所述第二环境参数组，输出为所述控制偏移量；
所述目标参数确定单元，用于根据获得的所述控制参数与获得的所述控制偏移量，确定所述空调系统的目标控制参数。
10.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行如权利要求1-6中任一所述的模型训练方法和/或权利要求7所述的控制参数确定方法。
11.一种设备，其特征在于，所述设备包括至少一个处理器、以及与所述处理器连接的至少一个存储器、总线；其中，所述处理器、所述存储器通过所述总线完成相互间的通信；所述处理器用于调用所述存储器中的程序指令，以执行如权利要求1-6中任一所述的模型训练方法和/或权利要求7所述的控制参数确定方法。
CN201911055197.8A 2019-10-31 2019-10-31 模型训练方法、控制参数确定方法及装置 Active CN112749810B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201911055197.8A CN112749810B (zh) 2019-10-31 2019-10-31 模型训练方法、控制参数确定方法及装置
PCT/CN2020/100520 WO2021082511A1 (zh) 2019-10-31 2020-07-07 模型训练方法、控制参数确定方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911055197.8A CN112749810B (zh) 2019-10-31 2019-10-31 模型训练方法、控制参数确定方法及装置

Publications (2)

Publication Number Publication Date
CN112749810A true CN112749810A (zh) 2021-05-04
CN112749810B CN112749810B (zh) 2023-08-29

Family

ID=75644700

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911055197.8A Active CN112749810B (zh) 2019-10-31 2019-10-31 模型训练方法、控制参数确定方法及装置

Country Status (2)

Country Link
CN (1) CN112749810B (zh)
WO (1) WO2021082511A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113692177A (zh) * 2021-07-09 2021-11-23 厦门科灿信息技术有限公司 数据中心制冷系统功耗的控制方法、装置及终端
CN117387172A (zh) * 2023-12-11 2024-01-12 江苏中江数字建设技术有限公司 基于精准推荐设备控制参数的末端空调节能方法和系统

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114322382B (zh) * 2021-12-24 2024-03-19 中国电信股份有限公司 机房制冷控制方法、系统、设备及存储介质
CN117691918B (zh) * 2024-02-02 2024-04-30 广东凌霄泵业股份有限公司 一种用于泳池泵电机的控制方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130103214A1 (en) * 2011-10-25 2013-04-25 International Business Machines Corporation Provisioning Aggregate Computational Workloads And Air Conditioning Unit Configurations To Optimize Utility Of Air Conditioning Units And Processing Resources Within A Data Center
CN105571063A (zh) * 2015-12-31 2016-05-11 深圳市同鑫热力技术有限公司 一种浅层地温能能源管理系统及其实现方法
CN107044710A (zh) * 2016-12-26 2017-08-15 深圳达实智能股份有限公司 基于联合智能算法的中央空调节能控制方法及系统
CN108361927A (zh) * 2018-02-08 2018-08-03 广东美的暖通设备有限公司 一种基于机器学习的空调器控制方法、装置以及空调器
CN109932896A (zh) * 2019-03-22 2019-06-25 易科智控科技(北京)有限公司 一种建筑能耗的控制方法和系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130103214A1 (en) * 2011-10-25 2013-04-25 International Business Machines Corporation Provisioning Aggregate Computational Workloads And Air Conditioning Unit Configurations To Optimize Utility Of Air Conditioning Units And Processing Resources Within A Data Center
CN105571063A (zh) * 2015-12-31 2016-05-11 深圳市同鑫热力技术有限公司 一种浅层地温能能源管理系统及其实现方法
CN107044710A (zh) * 2016-12-26 2017-08-15 深圳达实智能股份有限公司 基于联合智能算法的中央空调节能控制方法及系统
CN108361927A (zh) * 2018-02-08 2018-08-03 广东美的暖通设备有限公司 一种基于机器学习的空调器控制方法、装置以及空调器
CN109932896A (zh) * 2019-03-22 2019-06-25 易科智控科技(北京)有限公司 一种建筑能耗的控制方法和系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113692177A (zh) * 2021-07-09 2021-11-23 厦门科灿信息技术有限公司 数据中心制冷系统功耗的控制方法、装置及终端
CN113692177B (zh) * 2021-07-09 2023-08-18 厦门科灿信息技术有限公司 数据中心制冷系统功耗的控制方法、装置及终端
CN117387172A (zh) * 2023-12-11 2024-01-12 江苏中江数字建设技术有限公司 基于精准推荐设备控制参数的末端空调节能方法和系统
CN117387172B (zh) * 2023-12-11 2024-05-17 江苏中江数字建设技术有限公司 基于精准推荐设备控制参数的末端空调节能方法和系统

Also Published As

Publication number Publication date
WO2021082511A1 (zh) 2021-05-06
CN112749810B (zh) 2023-08-29

Similar Documents

Publication Publication Date Title
CN112749810B (zh) 模型训练方法、控制参数确定方法及装置
CN111765604B (zh) 空调的控制方法和装置
WO2021063033A1 (zh) 空调能耗模型训练方法与空调系统控制方法
CN109323425B (zh) 空调的控制方法、装置及可读存储介质
WO2021082478A1 (zh) 空调系统能耗预测方法及装置
CN110287942A (zh) 年龄估计模型的训练方法、年龄估计方法以及对应的装置
US20180245809A1 (en) Determining costs associated with an hvac system
CN110542178B (zh) 具有自学习能力的空调冷冻机房控制方法及系统
CN113849052B (zh) 基于人工智能的机房温度预测方法及系统
CN110686380A (zh) 空调负荷集群的调控方法及装置
CN114282727A (zh) 机房温度预测方法、系统及电子设备
CN110135655A (zh) 一种用于确定能源站的运行控制策略的方法与设备
CN116826782A (zh) 基于温控负荷的电网调频方法、装置、设备及存储介质
CN115906467A (zh) 基于换电站的数据处理方法、装置、电子设备及存储介质
CN115793478A (zh) 用于家电设备的控制方法及装置、家电设备
CN113031435B (zh) 数字式双频扩张状态观测器及扰动观测方法
CN115407658A (zh) 确定暖通空调系统时序间因果关系的方法、装置及介质
CN108445749B (zh) 一种应用于高阶滑模控制器的参数整定方法
CN115877714B (zh) 一种制冷系统控制方法、装置、电子设备及存储介质
CN114690627A (zh) 中央空调控制模型的训练方法、中央空调控制方法及装置
CN111476837A (zh) 自适应立体匹配优化方法及其装置、设备和存储介质
Atabay et al. Self-adapting building models and optimized HVAC scheduling for demand side management
Feng et al. Energy saving optimization of chilled water system based on improved fruit fly optimization algorithm
CN116316564A (zh) 风电功率的预测方法、处理器、系统及存储介质
CN114484724B (zh) 空调控制方法、装置、空调、存储介质和计算机程序产品

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