CN112902392A - 自适应调整的空调控制方法、电子设备及存储介质 - Google Patents
自适应调整的空调控制方法、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112902392A CN112902392A CN202011401633.5A CN202011401633A CN112902392A CN 112902392 A CN112902392 A CN 112902392A CN 202011401633 A CN202011401633 A CN 202011401633A CN 112902392 A CN112902392 A CN 112902392A
- Authority
- CN
- China
- Prior art keywords
- air conditioner
- scene
- thermal comfort
- index
- target
- 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
- 238000000034 method Methods 0.000 title claims abstract description 65
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 28
- 238000005457 optimization Methods 0.000 claims abstract description 106
- 238000004378 air conditioning Methods 0.000 claims abstract description 78
- 230000005611 electricity Effects 0.000 claims abstract description 52
- 238000011217 control strategy Methods 0.000 claims abstract description 45
- 230000035807 sensation Effects 0.000 claims abstract description 21
- 238000005265 energy consumption Methods 0.000 claims description 38
- 238000012549 training Methods 0.000 claims description 33
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 27
- 230000008447 perception Effects 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 21
- 238000009826 distribution Methods 0.000 claims description 15
- 230000002068 genetic effect Effects 0.000 claims description 15
- 210000000349 chromosome Anatomy 0.000 claims description 12
- 230000017525 heat dissipation Effects 0.000 claims description 12
- 230000037323 metabolic rate Effects 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000005338 heat storage Methods 0.000 claims description 10
- 230000000149 penetrating effect Effects 0.000 claims description 9
- 230000005855 radiation Effects 0.000 claims description 9
- 238000010977 unit operation Methods 0.000 claims description 8
- 230000036961 partial effect Effects 0.000 claims description 7
- 230000035772 mutation Effects 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 description 13
- 239000003507 refrigerant Substances 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 6
- 230000001276 controlling effect Effects 0.000 description 5
- 238000001816 cooling Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 230000002085 persistent effect Effects 0.000 description 4
- 238000004134 energy conservation Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 230000005494 condensation Effects 0.000 description 1
- 238000009833 condensation Methods 0.000 description 1
- 239000002355 dual-layer Substances 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000003304 psychophysiological effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
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
- F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
- F24F11/46—Improving electric energy efficiency or saving
-
- 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
-
- 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
- F24F2120/00—Control inputs relating to users or occupants
- F24F2120/10—Occupancy
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F2130/00—Control inputs relating to environmental factors not covered by group F24F2110/00
- F24F2130/20—Sunlight
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F2140/00—Control inputs relating to system states
- F24F2140/60—Energy consumption
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本申请是关于一种自适应调整的空调控制方法、电子设备及存储介质。该方法包括：根据空调运行场景选择场景优化目标；获取热舒适性指标，所述热舒适性指标为人体热感觉的分级程度信息；获取运行经济性指标，所述运行经济性指标通过目标时段内空调机组的预估耗电量以及所述空调运行场景对应的分时电价计算得到；通过所述热舒适性指标，所述运行经济性指标以及所述场景优化目标确定空调控制策略；根据所述空调控制策略设定所述空调机组在目标时段内的分时运行频率。该自适应调整的空调控制方法能够适应分时电价对空调的运行频率进行调整。
Description
技术领域
本申请涉及电子技术领域，尤其涉及自适应调整的空调控制方法、电子设备及存储介质。
背景技术
由于气候变化和能源危机，全世界已经越来越关注如何采取节约能源的措施。随着人民生活水平的提高，建筑能耗在全国总能耗中的比例日益加大。人们对热舒适性的要求越来越高，空调系统能耗可以占到建筑能耗的50％，且占到能源消耗总量的10％～20％。因此，减少空调系统能耗对建筑节能具有重要意义。
目前多数空气源热泵空调机组是通过水温或室内环境温度来影响机组的运行情况，而无法根据人体舒适度、建筑物实际的热负荷、分时电价等方面来进行修正或指导其运行状态，因此容易出现机组供冷热量与实际需求不匹配、运行电费过高的情况，导致机组能效较低的同时，产生较大的运行费用。因此通过合理控制机组的运行状况来节能、高效、省电费的使用机组是重点问题。
现有技术中，专利CN102980272A利用历史数据预测未来负荷，通过粒子群算法优化能耗模型，得到最优运行参数，达到了节能的效果。但是该技术没有利用分时电价的政策来降低机组运行费用，而这一点正是目前多数用户所关心的。对于有分时电价政策的地区，若充分利用电价政策，可大大降低运行费用。
发明内容
为克服相关技术中存在的问题，本申请提供一种自适应调整的空调控制方法、电子设备及存储介质，该自适应调整的空调控制方法能够适应分时电价对空调的运行频率进行调整。
本申请第一方面提供一种自适应调整的空调控制方法，包括：
根据空调运行场景选择场景优化目标，所述场景优化目标为根据不同场景需求设定不同决策因子对应权重的优化目标，所述决策因子包括：热舒适性指标和运行经济性指标；
获取热舒适性指标，所述热舒适性指标为人体热感觉的分级程度信息；
获取运行经济性指标，所述运行经济性指标通过目标时段内空调机组的预估耗电量以及所述空调运行场景对应的分时电价计算得到；
通过所述热舒适性指标，所述运行经济性指标以及所述场景优化目标确定空调控制策略；
根据所述空调控制策略设定所述空调机组在目标时段内的分时运行频率。
在一种实施方式中，所述获取热舒适性指标，包括：
接收用户发送的热舒适性指标指令；
提取所述热舒适性指标指令中的分级程度信息。
在一种实施方式中，所述获取热舒适性指标，包括：
通过热舒适性指标模型的输出参数确定所述热舒适性指标，所述热舒适性指标模型为经过人体热感知数据进行训练得到的机器训练模型；
所述人体热感知数据，包括以下至少一项：
人体代谢率M、人体所做的机械功W、人体表面的散热量E、人体蓄热率S或人体附近的水蒸气分压力Pa。
在一种实施方式中，所述人体热感知数据，还包括：
衣服外表面温度Tcl、衣服表面的对流换热系数hc或服装的面积系数fcl。
在一种实施方式中，所述通过热舒适性指标模型的输出参数确定所述热舒适性指标之前，还包括：
通过所述人体热感知数据训练所述热舒适性指标模型。
在一种实施方式中，所述通过所述人体热感知数据训练所述热舒适性指标模型之前，还包括：
通过辅助设备检测所述人体热感知数据；
所述辅助设备，包括：热成像仪、高清摄像仪或可穿戴设备；
所述热成像仪用于实时采集人体表面的散热量E和衣服外表面温度Tcl；
所述高清摄像仪用于实时采集衣物颜色、面积及人像移动轨迹，结合预设参数计算衣物外表面换热系数fcl及人体所做机械功W；
所述可穿戴设备用于实时采集人体代谢率M、人体蓄热率S。
在一种实施方式中，所述热舒适性指标模型的数学表达公式，包括：
PMV＝f(τ，M，W，E，Pa，tn，fcl，tcl，hc)；
其中，τ为目标时间内的数据，M为人体代谢率、为人体所做的机械功W、为人体表面的散热量E、S为人体蓄热率、Tcl为衣服外表面温度、 Pa为人体附近的水蒸气分压力、hc为衣服表面的对流换热系数、fcl为服装的面积系数。
在一种实施方式中，所述获取运行经济性指标，包括
获取所述空调机组的预估耗电量；
获取目标时段内所述空调运行场景对应的分时电价；
根据所述预估耗电量和所述分时电价确定在所述目标时段内的运行经济性指标。
在一种实施方式中，所述获取所述空调机组的预估耗电量，包括：
通过机组能耗模型的输出参数确定所述预估耗电量；
所述机组能耗模型为根据机组的运行数据训练得到的机器训练模型；
所述机组的运行数据，包括：
出水温度To、进水温度Ti、实际室内温度Tn、机组供热量Q1、压缩机运行频率fcom。
在一种实施方式中，所述机组能耗模型的数学表达公式，包括：
Pi＝f(τ,To,Ti,Tn,fcom,Q1)
其中，τ为目标时间内的数据，To为出水温度、Ti为进水温度、Tn为实际室内温度、Q1为机组供热量、fcom为压缩机运行频率。
在一种实施方式中，所述通过机组能耗模型的输出参数确定所述预估耗电量之前，还包括：
获取所述机组的运行数据；
采用所述运行数据对所述机组能耗模型进行训练。
在一种实施方式中，所述采用所述运行数据对所述机组能耗模型进行训练之前，还包括：
获取所述目标时段内的气象参数，所述气象参数包括：透入室内的太阳辐射量Qf和室外环境温度Tw；。
所述采用所述运行数据对所述机组能耗模型进行训练，包括：
采用所述运行数据和所述气象参数对所述机组能耗模型进行训练。
在一种实施方式中，所述获取所述目标时段内的气象参数，包括：
结合房间围护结构信息，计算出未来的所述目标时段内逐时室外温度Tw及透入室内的太阳辐射量Qf。。
在一种实施方式中，所述根据所述预估耗电量和所述分时电价确定在所述目标时段内的运行经济性指标，包括：
其中，Cost为Pi为运行经济性指标，Pi为第i时刻的机组运行耗电量， pi为分时电价，n为目标时段内的时长。
在一种实施方式中，所述根据空调运行场景选择场景优化目标，包括：
接收用户发送的空调运行场景的选定指令；
根据所述选定指令确定所述场景优化目标。
在一种实施方式中，所述根据空调运行场景选择场景优化目标，包括：
获取空调运行场景的图像信息；
根据所述空调运行场景的图像信息进行图像识别；
根据所述图像信息的识别结果确定所述场景优化目标。
在一种实施方式中，所述通过所述热舒适性指标，所述运行经济性指标以及所述场景优化目标确定空调控制策略，包括：
设定边界条件，所述边界条件包括：分时电价和场景优化适应函数，所述分时电价为所述目标时段内对应的分时电价信息，所述场景优化适应函数为基于所述场景优化目标设定的函数；
初始化种群条件，所述种群条件包括：种群内个体数，染色体节点数，遗传代数，变异概率和交叉概率；所述种群内个体数有N组，每组表示目标时段内空调机组的分时温度策略；所述染色体节点数为每组种群中染色体数n，染色体数n对应温度控制节点的个数，所述目标时段内包括有n 个温度控制节点；所述遗传代数对应遗传算法迭代的次数；所述变异概率为随机选取种群内的未来目标时段的室内温度分布中的某时刻的室内温度值进行随机增大或减小一个值的概率；所述交叉概率为随机选取种群内目标时段的室内温度分布中的某时刻的室内温度值，与种群内任意一组未来目标时段的室内温度分布中的某时刻的室内温度值互换的概率；
根据所述场景优化适应函数，所述边界条件和所述种群条件进行精英个体选择，交叉以及变异的迭代计算，确定所述空调控制策略。
在一种实施方式中，所述边界条件还包括：用户设定温度，和/或气象参数。
在一种实施方式中，根据所述场景优化适应函数以及所述边界条件进行精英个体选择，确定N组候选场景优化目标；
利用所述N组候选场景优化目标进行交叉以及变异的迭代计算，确定出M组精选场景优化目标，所述M小于所述N；
在所述M组精选场景优化目标中选择目标值最小的精选场景优化目标对应的空调控制策略，作为选定的空调控制策略。
本申请第二方面提供一种电子设备，包括：
智能优化模块和控制模块；
所述智能优化模块用于根据空调运行场景选择场景优化目标，所述场景优化目标为根据不同场景需求设定不同决策因子对应权重的优化目标，所述决策因子包括：热舒适性指标和运行经济性指标；获取热舒适性指标，所述热舒适性指标为人体热感觉的分级程度信息；获取运行经济性指标，所述运行经济性指标通过目标时段内空调机组的预估耗电量以及所述空调运行场景对应的分时电价计算得到；通过所述热舒适性指标，所述运行经济性指标以及所述场景优化目标确定空调控制策略；
所述控制模块用于根据所述空调控制策略设定所述空调机组在目标时段内的分时运行频率。
本申请第三方面提供一种电子设备，包括：
处理器；以及
存储器，其上存储有可执行代码，当该可执行代码被该处理器执行时，使该处理器执行如上该的方法。
本申请第四方面提供一种非暂时性机器可读存储介质，其上存储有可执行代码，当该可执行代码被电子设备的处理器执行时，使该处理器执行如上该的方法。
本申请提供的技术方案可以包括以下有益效果：
在本申请实施例中，为不同的空调运行场景设定了场景优化目标，在针对场景优化目标进行自适应优化时，参考了空调机组的预估耗电量，分时电价以及热舒适性指标等多个维度的信息，从而能根据不同应用场景、不同的电价政策及用户舒适性确定控制策略，能够在保障用户舒适度和控制电费的情况下，实现节能减耗的目标效果。
附图说明
通过结合附图对本申请示例性实施方式进行更详细的描述，本申请的上述以及其它目的、特征和优势将变得更加明显，其中，在本申请示例性实施方式中，相同的参考标号通常代表相同部件。
图1是本申请实施例示出的自适应调整的空调控制方法的流程示意图；
图2是本申请实施例示出的自适应调整的空调控制方法的另一流程示意图；
图3是本申请实施例示出的自适应调整的空调控制方法的另一流程示意图；
图4是本申请实施例示出的控制策略的确定方法的一流程示意图；
图5是本申请实施例示出的电子设备的一个结构示意图；
图6是本申请实施例示出的电子设备的另一个结构示意图。
具体实施方式
下面将参照附图更详细地描述本申请的优选实施方式。虽然附图中显示了本申请的优选实施方式，然而应该理解，可以以各种形式实现本申请而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了使本申请更加透彻和完整，并且能够将本申请的范围完整地传达给本领域的技术人员。
在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“该”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本申请可能采用术语“第一”、“第二”、“第三”等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
以下结合附图详细描述本申请实施例的技术方案。
实施例一
请参阅图1，本发明实施例中自适应调整的空调控制方法的一个实施例，包括：
101、根据空调运行场景选择场景优化目标；
根据空调运行场景选择场景优化目标，所述场景优化目标为根据不同场景需求设定不同决策因子对应权重的优化目标，所述决策因子包括：热舒适性指标和运行经济性指标。
在本实施例中，空调运行场景的不定性决定了空调运行场景的多样化，而在不同运行场景中，用户对空调的实际需求也会相应发生改变，因此在不同的运行场景中，需要根据实际需求在用户热舒适性和空调运行经济之间作出平衡，示例性的，场景优化目标可以为基于不同场景需求设定热舒适性指标和运行经济性指标不同比重得到的优化目标，该场景优化目标具体可以体现为以下公式。
T arg et＝α|PMV|+βCost
其中，α、β表示舒适性及电费占总优化目标的权重，Cost代表空调机组未来的目标时段内总运行电费，PMV代表热舒适性指标。场景优化目标在实际应用中可以通过上述算式表现为一个目标值Target。
PMV(Predicted Mean Vote)，指数是以人体热平衡的基本方程式以及心理生理学主观热感觉的等级为出发点，考虑了人体热舒适感诸多有关因素的全面评价指标。PMV指数表明群体对于(+3～-3)七个等级热感觉投票的平均指数。
假设目前空调所处的运行场景为住宅、公寓，用户处于自己住宅或公寓里，舒适性肯定是摆在首位的，因此根据目前的运行场景实际需求，设置热舒适性指标比重为0.9，经济性指标为0.1。假设目前空调所处的运行场景为市场，众所周知市场人流动性大，环境复杂，处于该环境中的用户并不在意舒适性，只需要把所需的物品购买完毕即可离开，而市场管理方则最看重空调运行所产生的费用，能少则少，因此根据目前的运行场景实际需求，设置热舒适性指标比重为0，经济性指标为1.0。
可以理解的是，在实际应用中，除了热舒适性指标和运行经济性指标，决策因子还可以有其他指标，本申请实施例并不进行穷举。
102、获取热舒适性指标；
获取热舒适性指标，该热舒适性指标为人体热感觉的分级程度信息。
在本申请实施例中，热舒适性指标是考虑了人体热舒适诸多有关因素的全面评价指标，可以理解为人体热感觉的分级程度信息，共分为七个等级的热感觉，对应的热舒适性指标采用了7级分度，由表1可以看出，热舒适性指标值靠近0为最佳。
表1
所述热舒适性指标的值为+3，人体热感觉的分级为热；
所述热舒适性指标的值为+2，人体热感觉的分级为暖；
所述热舒适性指标的值为+1，人体热感觉的分级为微暖；
所述热舒适性指标的值为0，人体热感觉的分级为适中；
所述热舒适性指标的值为-1，人体热感觉的分级为微凉；
所述热舒适性指标的值为-2，人体热感觉的分级为凉；
所述热舒适性指标的值为-3，人体热感觉的分级为冷。
103、获取运行经济性指标；
获取运行经济性指标，所述运行经济性指标通过目标时段内空调机组的预估耗电量以及所述空调运行场景对应的分时电价计算得到。
本申请实施例中，运行经济性指标可以理解为用户使用电量所需要支付费用的参考指标。分时电价是指我国部分地区根据是指根据电网的负荷变化情况，将每日划分为高峰、平段、低谷等多个时段，对各时段分别制定不同的电价水平。峰、平、谷时段的划分因各地区差异而不同，但原则上都是将地区用电高峰期设置为峰段，用电低谷区设置为谷段，同时设置高峰时段电价较高，低谷时段电价较低。预估耗电量指的是用户在未来某段时间内所消耗的电量。
具体的，空调机组的预估耗电量是由机组运行的历史参数以及辅助设备对运行环境监测所得的参数推算出来的。分时电价为在目标时段内空调所处运行场景的当地的每小时电费单价。
本申请实施例中的运行新经济指标可以通过目标时段内的预估总耗电量、目标时段时长以及目标时段内的分时电价计算得出。
需要注意的是，上述101～103步骤在实际执行过程中没有严格时序要求，可不按顺序执行，也可以并行执行。
104、通过热舒适性指标，运行经济性指标以及场景优化目标确定控制策略；
根据获得的热舒适性指标、运行经济性指标以及场景优化目标的信息，输入空调的处理模块之中进行分析，最终得出考虑用户电费消耗量的，根据用户热舒适度和场景偏好进行过自适应调整优化的控制策略；
105、根据控制策略设定所述空调机组在目标时段内的分时运行频率。
分时运行频率指的是在不同时段内空调机组中压缩机的运行频率，空调压缩机是在空调制冷剂回路中起压缩驱动制冷剂的作用。空调压缩机一般装在室外机中。空调压缩机把制冷剂从低压区抽取来经压缩后送到高压区冷却凝结，通过散热片散发出热量到空气中，制冷剂也从气态变成液态，压力升高。
空调压缩机的工作回路中分低压区和高压区。空调的室内机和室外机分别属于低压或高压区。制冷剂从高压区流向低压区，通过毛细管喷射到蒸发器中，压力骤降，液态制冷剂立即变成气态，通过散热片吸收空气中大量的热量。这样，空调压缩机不断工作，就不断地把低压区一端的热量吸收到制冷剂中再送到高压区散发到空气中，起到调节气温的作用。可以理解的是，空调分时运行频率越高，制冷或制热效果越明显，反之，则制冷或制热效果越不明显。
在本申请实施例中，为不同的空调运行场景设定了场景优化目标，在针对场景优化目标进行自适应优化时，参考了空调机组的预估耗电量，分时电价以及热舒适性指标等多个维度的信息，从而能根据不同应用场景、不同的电价政策及用户舒适性确定控制策略，能够在保障用户舒适度和控制电费的情况下，实现节能减耗的目标效果。
实施例二
上述实施例一在具体实现中可以参考以下内容，请参阅图2，本发明实施例中自适应调整的空调控制方法的另一个实施例，包括：
201、确定空调机组的运行场景；
在一种实现方式中，可以通过用户选定的方式来确定空调机组的运行场景，如：
接收用户发送的空调运行场景的选定指令，用户可以通过遥控器或智能终端发送空调运行场景的选定指令；
根据所述选定指令确定空调机组的运行场景。
在另一种实现方式中，可以通过监控设备识别的方式来确定空调机组的运行场景，如：
获取空调运行场景的图像信息。可选的，监控设备可以为独立的摄像装置，也可以为集成在空调运行系统中的摄像模块，此处具体不作限定。
根据所述空调运行场景的图像信息进行图像识别；
根据所述图像信息的识别结果确定所述空调机组的运行场景。
202、根据所述空调机组的运行场景选择场景优化目标；
在实际应用中，空调运行系统中存储有空调运行场景与场景优化目标的映射关系表，如以下表2所示。
表2
其中，C代表机组未来目标时段内总运行电费Cost，P代表热舒适性指标PMV，各自系数代表所占优化目标的比重。
203、获取热舒适性指标；
获取热舒适性指标，该热舒适性指标为人体热感觉的分级程度信息。
在一种实现方式中，如果空调的运行场景在目标时段内受室外的气象因素影响较小，且该运行场景的使用人群固定，在这种情况下可以用户选择固定的热舒适性指标，如：
接收用户发送的热舒适性指标指令，用户可以通过遥控器或智能终端发送热舒适性指标指令；
提取所述热舒适性指标指令中的分级程度信息，其中，如分级程度信息上述表1所示。
在另一种实现方式中，可以通过辅助设备检查空调运行场景内的用户的人体热感知数据，并通过人体热感知数据训练热舒适性指标模型，如：
通过热舒适性指标模型的输出参数确定所述热舒适性指标，所述热舒适性指标模型为经过人体热感知数据进行训练得到的机器训练模型；
所述人体热感知数据，包括以下至少一项：
人体代谢率M、人体所做的机械功W、人体表面的散热量E、人体蓄热率S或人体附近的水蒸气分压力Pa。
通过机器训练模型得到的热舒适性指标模型能够准确预测和反映用户的热舒适性指标，如，通过用户的穿衣状态以及在该穿衣状态下的人体表面的散热量，可以准确地预测出该用户的热舒适性喜好；并且，根据人体代谢率等参数又可以准确地预测出环境的温度变化，从而动态的调控空调的运行频率，使得用户在空调运行环境中能够始终保持良好的热舒适性。
204、通过机组运行数据确定目标时段内空调机组的预估耗电量；
机组运行数据为空调的运行数据，运行数据可以是很久之前的运行数据也可以是前一秒的运行数据，运行数据包括：出水温度To、进水温度Ti、实际室内温度Tn、机组供热量Q1、压缩机运行频率fcom。
在本申请实施例中，可以通过机组能耗模型的输出参数确定所述预估耗电量。所述机组能耗模型为根据机组的运行数据训练得到的机器训练模型。
所述机组能耗模型的数学表达公式，包括：
Pi＝f(τ,To,Ti,Tn,fcom,Q1)
其中，τ为目标时间内的数据，To为出水温度、Ti为进水温度、Tn为实际室内温度、Q1为机组供热量、fcom为压缩机运行频率。
205、根据所述预估耗电量和所述分时电价确定在所述目标时段内的运行经济性指标；
具体的，可以通过以下数学表达式计算目标时段内的运行经济性指标；
其中，Cost为Pi为运行经济性指标，Pi为第i时刻的机组运行耗电量， pi为分时电价，n为目标时段内的时长。
可以理解的是，在实际应用中，对运行经济性指标的计算还可以有其他方法实现，以上数学表达式描述仅是示例性，不应作为运行经济性指标数学表达式的唯一限定。
206、通过所述热舒适性指标，所述运行经济性指标以及所述场景优化目标确定空调控制策略；
示例性的，场景优化目标可以为基于不同场景需求设定热舒适性指标和运行经济性指标不同比重得到的优化目标，该场景优化目标具体可以体现为以下公式。
T arg et＝α|PMV|+βCost
其中，α、β表示舒适性及电费占总优化目标的权重，Cost代表空调机组未来的目标时段内总运行电费，PMV代表热舒适性指标。场景优化目标在实际应用中可以通过上述算式表现为一个目标值Target。
可以理解的是，在实际应用中，对场景优化目标的计算还可以有其他方法实现，以上数学表达式描述仅是示例性，不应作为场景优化目标数学表达式的唯一限定。
207、根据控制策略设定所述空调机组在目标时段内的分时运行频率。
步骤207的内容与上述步骤105的内容相似，此处不再赘述。
在本申请实施例中，运行场景以及热舒适性指标都可以有多种确定方式，用户可以根据实际需求灵活设置。并且，在热舒适性指标的一种获取方式中，可以通过机器模型训练得到，通过机器训练模型得到的热舒适性指标模型能够准确预测和反映用户的热舒适性指标，如，通过用户的穿衣状态以及在该穿衣状态下的人体表面的散热量，可以准确地预测出该用户的热舒适性喜好；并且，根据人体代谢率等参数又可以准确地预测出环境的温度变化，从而动态的调控空调的运行频率，使得用户在空调运行环境中能够始终保持良好的热舒适性。
实施例三
除了上述实施例二中根据预估耗电量和分时电价确定运行经济性指标的方式，在本申请实施例中还可以进一步参考气象参数，请参阅图3，本发明实施例中自适应调整的空调控制方法的另一个实施例，包括：
301、确定空调机组的运行场景；
步骤301的内容与上述步骤201的内容相似，此处不再赘述。
302、根据所述空调机组的运行场景选择场景优化目标；
步骤302的内容与上述步骤202的内容相似，此处不再赘述。
303、获取热舒适性指标；
获取热舒适性指标，该热舒适性指标为人体热感觉的分级程度信息。
本申请实施例通过辅助设备检查空调运行场景内的用户的人体热感知数据，并通过人体热感知数据训练热舒适性指标模型，如：
通过热舒适性指标模型的输出参数确定所述热舒适性指标，所述热舒适性指标模型为经过人体热感知数据进行训练得到的机器训练模型；
所述人体热感知数据，包括以下至少一项：
人体代谢率M、人体所做的机械功W、人体表面的散热量E、人体蓄热率S或人体附近的水蒸气分压力Pa。
进一步的，所述人体热感知数据，还包括：
衣服外表面温度Tcl、衣服表面的对流换热系数hc或服装的面积系数fcl。
所述热舒适性指标模型的数学表达公式，包括：
PMV＝f(τ，M，W，E，Pa，tn，fcl，tcl，hc)；
其中，τ为目标时间内的数据，M为人体代谢率、为人体所做的机械功W、为人体表面的散热量E、S为人体蓄热率、Tcl为衣服外表面温度、Pa为人体附近的水蒸气分压力、hc为衣服表面的对流换热系数、fcl为服装的面积系数。
示例性的，本申请实施例中可以通过辅助设备检测所述人体热感知数据；
所述辅助设备，包括：热成像仪、高清摄像仪或可穿戴设备；
所述热成像仪用于实时采集人体表面的散热量E和衣服外表面温度Tcl；
所述高清摄像仪用于实时采集衣物颜色、面积及人像移动轨迹，结合预设参数计算衣物外表面换热系数fcl及人体所做机械功W；
所述可穿戴设备用于实时采集人体代谢率M、人体蓄热率S。
在实际应用中，可以通过所述人体热感知数据训练机器学习模型，得到所述热舒适性指标模型。
示例性的，机器学习模型可以通过决策树、随机森林、神经网络、朴素贝叶斯、k-近邻等回归类型的监督学习算法。可以理解的是，在实际应用中，机器学习模型还可以有其他方法实现，以上机器学习模型描述仅是示例性，不应作为机器学习模型的唯一限定。
304、获取目标时段内的气象参数和空调机组的运行数据；
获取所述目标时段内的气象参数，所述气象参数包括：透入室内的太阳辐射量Qf和室外环境温度Tw。具体的，可以结合房间围护结构信息，计算出未来的所述目标时段内逐时室外温度Tw及透入室内的太阳辐射量Qf。。
进一步的，气象参数还可以包括：平均室外风速、当地气压、云层厚度等。
获取所述空调机组的运行数据；所述空调机组的运行数据，包括：出水温度To、进水温度Ti、实际室内温度Tn、机组供热量Q1、压缩机运行频率 fcom。
305、采用所述气象参数和所述运行数据对所述机组能耗模型进行训练；
将所述气象参数和所述运行数据输入至机器模型中进行训练，得到所述机组能耗模型。
示例性的，机器学习模型可以通过决策树、随机森林、神经网络、朴素贝叶斯、k-近邻等回归类型的监督学习算法。可以理解的是，在实际应用中，机器学习模型还可以有其他方法实现，以上机器学习模型描述仅是示例性，不应作为机器学习模型的唯一限定。
综合考虑了气象参数得到的机组能耗模型的，加入了透入室内的太阳辐射量以及室外环境温度对空调运行所造成的影响，能够更加准确的对空调机组的在目标时间内的耗电量进行预测。
306、通过机组能耗模型的输出参数确定所述预估耗电量；
示例性的，能耗模型的数学表达式可以为：
Pi＝f(τ,Qf,To,Ti,Tw,Tn,Ts,fcom,Q1)
其中，τ为目标时间内的数据，To为出水温度、Ti为进水温度、Tn为实际室内温度、Q1为机组供热量、fcom为压缩机运行频率，Qf为透入室内的太阳辐射量和Tw为室外环境温度。
可以理解的是，在实际应用中，对能耗模型的建立还可以有其他方法实现，以上数学表达式描述仅是示例性，不应作为能耗模型数学表达式的唯一限定。
307、根据所述预估耗电量和所述分时电价确定在所述目标时段内的运行经济性指标；
在本申请实施例中，可以通过网络自动获取当地的分时电价政策，确定了时间段内的单位电量价格。
具体的，可以通过以下数学表达式计算目标时段内的运行经济性指标；
其中，Cost为Pi为运行经济性指标，Pi为第i时刻的机组运行耗电量， pi为分时电价，n为目标时段内的时长。
可以理解的是，在实际应用中，对运行经济性指标的计算还可以有其他方法实现，以上数学表达式描述仅是示例性，不应作为运行经济性指标数学表达式的唯一限定。
308、通过所述热舒适性指标，所述运行经济性指标以及所述场景优化目标确定空调控制策略；
步骤308的内容与上述步骤206的内容相似，此处不再赘述。
309、根据控制策略设定所述空调机组在目标时段内的分时运行频率。
本申请实施例中，分时运行频率具体可以为在不同时间段内空调机组的运行频率，该时间段的时间间隔可以为半个小时，也可以为一个小时，具体可以依据实际情况而定。运行频率[f0,f1,f2……fn]，其中f可以为0，代表机组停机。
进一步的，还可以向用户显示为未来目标时段内n时刻的室内温度设定值[T0,T1,T2……Tn]，可以让用户清楚直观的了解各个时间段的具体温度。
在本申请实施例中，机组能耗模型是基于气象参数和空调机组的运行数据训练得到的，加入了透入室内的太阳辐射量以及室外环境温度对空调运行所造成的影响，能够更加准确的对空调机组的在目标时间内的耗电量进行预测。并且，在控制策略中，还可以向用户反馈未来目标时段内n时刻的室内温度设定值，让用户清楚直观的了解各个时间段的具体温度。
为了便于理解，对于第一实施例、第二实施例和第三实施例中的控制策略的确定方法，以下提供了一个应用实施例进行说明，请参阅图4，本申请实施例中控制策略确定方法的一个实施例包括：
401、输入边界条件；
边界条件包括：分时电价和场景优化适应函数，所述分时电价为所述目标时段内对应的分时电价信息，所述场景优化适应函数为基于所述场景优化目标设定的函数。
进一步的，还可以包括：用户设定温度，和/或气象参数。
以气象数据模块传输的气象数据、电价模块传输的分时电价信息及空调机组传输的用户设定温度Ts以及智能优化模块的场景优化适应函数作为边界条件。边界条件，是指在求解区域边界上所求解的变量或其导数随时间和地点的变化规律，对于本方案的空调控制方法中的控制方程，边界条件是控制方程有确定解的前提，提高计算结果的精度。
402、设定参数，初始化种群；
初始化种群条件，所述种群条件包括：种群内个体数，染色体节点数，遗传代数，变异概率和交叉概率；所述种群内个体数有N组，每组表示目标时段内空调机组的分时温度策略；所述染色体节点数为每组种群中染色体数n，染色体数n对应温度控制节点的个数，所述目标时段内包括有n 个温度控制节点；所述遗传代数对应遗传算法迭代的次数；所述变异概率为随机选取种群内的未来目标时段的室内温度分布中的某时刻的室内温度值进行随机增大或减小一个值的概率；所述交叉概率为随机选取种群内目标时段的室内温度分布中的某时刻的室内温度值，与种群内任意一组未来目标时段的室内温度分布中的某时刻的室内温度值互换的概率；
染色体节点数：即每个个体含有的染色体数，逐时温度控制策略染色体节点数即为n。本专利中将未来n小时量化为0,1,2……n时刻。
遗传代数、变异和交叉概率：保证遗传算法寻优质量的重要参数，结合实际情况设置(变异概率设置为a，交叉概率为b，a、b∈(0,1])。
个体特征的上下限：对于每个个体，要根据约束性条件(室内温度舒适性)判断出室内温度值的范围，这个范围即为个体特征的上下限。
初始化种群：为随机生成数目为N组在温度范围内的逐时温度分布，每一组温度分布为一个个体。
约束条件表达式包含：
根据用户设定温度对室内温度的上下限进行约束：
Ts≤Tn≤Ts+range
其中，range为室内温度区间，比如可以取4℃。
根据压缩机的做功能力对压缩机频率进行约束：
或
fcom＝0
其中，fcom为机组压缩机频率；
为压缩机能达到的频率上限；
为压缩机能达到的频率下限，表示压缩机运行频率可以在运行范围内，也可以等于0。
通过该空气源热泵机组的出水温度变化范围进行约束：
其中，To为机组出水温度；
为机组最高出水温度；
为机组最低出水温度。
403、根据场景优化适应函数计算控制策略；
T arg et＝α|PMV|+βCost
其中，Target为场景优化适应函数，PMV为热舒适性指标，Cost为运行经济性指标，α和β分别为不同场景需求的热舒适性指标和运行经济性指标的权重。
404、精英个体选择；
根据所述场景优化适应函数以及所述边界条件进行精英个体选择，确定N组候选场景优化目标。
通过“物竞天择，适者生存”将种群内不符合设定要求的个体替换为优质个体，即以场景优化适应函数为基础，计算结果较高的控制策略被替换为计算结果最低的个体。
405、交叉、变异操作；
利用所述N组候选场景优化目标进行交叉以及变异的迭代计算，确定出M组精选场景优化目标，所述M小于所述N。
变异为随机选取种群内的未来n小时的室内温度分布中的某时刻的室内温度值进行随机增大或减小一个值，该值随着遗传代数的增加逐渐减小，并且每个室内温度值变异之后不超出温度舒适性区间。
交叉为随机选取种群内未来n小时的室内温度分布中的某时刻的室内温度值与种群内任意一组(包含自己)未来n小时的室内温度分布中的某时刻的室内温度值互换。
406、达到迭代次数或最优解满足阈值；
在所述M组精选场景优化目标中选择目标值最小的精选场景优化目标对应的空调控制策略，作为选定的空调控制策略。
通过步骤403至405生成了N组逐时室内温度分布的新群种，即为子代，此时遗传代数增加1。此时若遗传代数到达设置的数值则停止计算并输出当前Target最小值作为最优控制策略，否则返回步骤三再次进行计算。变异及交叉均是概率发生，概率大小在步骤二参数设定中进行设定。
407、输出控制策略；
经过优化算法多次迭代，最终输出最优控制策略，为未来n时刻的室内温度设定值[T0,T1,T2……Tn]及对应压缩机运行频率[f0,f1,f2……fn]，其中f 可以为0，代表机组停机。
在本申请实施例中，给出了一种通过遗传算法确定控制策略的方案，可以理解的是，在实际应用中，控制策略还可以有其他的确定方法，此处具体不作限定。
与前述应用功能实现方法实施例相对应，本申请还提供了一种电子设备及相应的实施例。图5是本申请实施例示出的电子设备的结构示意图，包括：空调机组501，机器学习模块504，智能优化模块506，气象数据模块503，电价模块505，辅助设备502，控制模块507。
空调机组501，用于执行控制空调运行的指令以及输出空调机组的运行数据；
辅助设备模块502，用于检测热舒适性指标的关联参数；
气象数据模块503，用于获取气象参数；
机器学习模块504，监控和训练热舒适性指标的关联参数和空调机组的预估耗电量的关联参数，建立热舒适性指标模型和能耗模型，根据新的热舒适性指标的关联参数和空调机组的预估耗电量的关联参数训练修正机器学习模型；
电价模块505，用于获取分时电价；
智能优化模块506，用于接收机器学习模块传输的热舒适性指标模型和能耗模型，接收气象数据模块的气象参数，接收分时电价和接收空调机组传输的用户室内温度设定值，根据场景优化目标，通过智能优化模块的优化算法对控制策略优化；
控制模块507，用于接收智能优化模块输出的控制策略，控制空调机组运行。
具体的，所述智能优化模块506用于根据空调运行场景选择场景优化目标，所述场景优化目标为根据不同场景需求设定不同决策因子对应权重的优化目标，所述决策因子包括：热舒适性指标和运行经济性指标；获取热舒适性指标，所述热舒适性指标为人体热感觉的分级程度信息；获取运行经济性指标，所述运行经济性指标通过目标时段内空调机组的预估耗电量以及所述空调运行场景对应的分时电价计算得到；通过所述热舒适性指标，所述运行经济性指标以及所述场景优化目标确定空调控制策略；
所述控制模块507用于根据所述空调控制策略设定所述空调机组在目标时段内的分时运行频率。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不再做详细阐述说明。
图6是本申请实施例示出的电子设备的结构示意图。
参见图6，电子设备600包括存储器610和处理器620。
处理器620可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器610可以包括各种类型的存储单元，例如系统内存、只读存储器(ROM)，和永久存储装置。其中，ROM可以存储处理器620或者计算机的其他模块需要的静态数据或者指令。永久存储装置可以是可读写的存储装置。永久存储装置可以是即使计算机断电后也不会失去存储的指令和数据的非易失性存储设备。在一些实施方式中，永久性存储装置采用大容量存储装置(例如磁或光盘、闪存)作为永久存储装置。另外一些实施方式中，永久性存储装置可以是可移除的存储设备(例如软盘、光驱)。系统内存可以是可读写存储设备或者易失性可读写存储设备，例如动态随机访问内存。系统内存可以存储一些或者所有处理器在运行时需要的指令和数据。此外，存储器610可以包括任意计算机可读存储媒介的组合，包括各种类型的半导体存储芯片(DRAM，SRAM，SDRAM，闪存，可编程只读存储器)，磁盘和/或光盘也可以采用。在一些实施方式中，存储器 610可以包括可读和/或写的可移除的存储设备，例如激光唱片(CD)、只读数字多功能光盘(例如DVD-ROM，双层DVD-ROM)、只读蓝光光盘、超密度光盘、闪存卡(例如SD卡、min SD卡、Micro-SD卡等等)、磁性软盘等等。计算机可读存储媒介不包含载波和通过无线或有线传输的瞬间电子信号。
存储器610上存储有可执行代码，当可执行代码被处理器620处理时，可以使处理器620执行上文述及的方法中的部分或全部。
上文中已经参考附图详细描述了本申请的方案。在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详细描述的部分，可以参见其他实施例的相关描述。本领域技术人员也应该知悉，说明书中所涉及的动作和模块并不一定是本申请所必须的。另外，可以理解，本申请实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减，本申请实施例装置中的模块可以根据实际需要进行合并、划分和删减。
此外，根据本申请的方法还可以实现为一种计算机程序或计算机程序产品，该计算机程序或计算机程序产品包括用于执行本申请的上述方法中部分或全部步骤的计算机程序代码指令。
或者，本申请还可以实施为一种非暂时性机器可读存储介质(或计算机可读存储介质、或机器可读存储介质)，其上存储有可执行代码(或计算机程序、或计算机指令代码)，当该可执行代码(或计算机程序、或计算机指令代码)被电子设备(或电子设备、服务器等)的处理器执行时，使该处理器执行根据本申请的上述方法的各个步骤的部分或全部。
本领域技术人员还将明白的是，结合这里的申请所描述的各种示例性逻辑块、模块、电路和算法步骤可以被实现为电子硬件、计算机软件或两者的组合。
附图中的流程图和框图显示了根据本申请的多个实施例的系统和方法的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，该模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标记的功能也可以以不同于附图中所标记的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本申请的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (22)
1.一种自适应调整的空调控制方法，其特征在于，包括：
根据空调运行场景选择场景优化目标，所述场景优化目标为根据不同场景需求设定不同决策因子对应权重的优化目标，所述决策因子包括：热舒适性指标和运行经济性指标；
获取热舒适性指标，所述热舒适性指标为人体热感觉的分级程度信息；
获取运行经济性指标，所述运行经济性指标通过目标时段内空调机组的预估耗电量以及所述空调运行场景对应的分时电价计算得到；
通过所述热舒适性指标，所述运行经济性指标以及所述场景优化目标确定空调控制策略；
根据所述空调控制策略设定所述空调机组在目标时段内的分时运行频率。
2.根据权利要求1所述的自适应调整的空调控制方法，其特征在于，
所述获取热舒适性指标，包括：
接收用户发送的热舒适性指标指令；
提取所述热舒适性指标指令中的分级程度信息。
3.根据权利要求1所述的自适应调整的空调控制方法，其特征在于，
所述获取热舒适性指标，包括：
通过热舒适性指标模型的输出参数确定所述热舒适性指标，所述热舒适性指标模型为经过人体热感知数据进行训练得到的机器训练模型；
所述人体热感知数据，包括以下至少一项：
人体代谢率M、人体所做的机械功W、人体表面的散热量E、人体蓄热率S或人体附近的水蒸气分压力Pa。
4.根据权利要求3所述的自适应调整的空调控制方法，其特征在于，
所述人体热感知数据，还包括：
衣服外表面温度Tcl、衣服表面的对流换热系数hc或服装的面积系数fcl。
5.根据权利要求4所述的自适应调整的空调控制方法，其特征在于，
所述通过热舒适性指标模型的输出参数确定所述热舒适性指标之前，还包括：
通过所述人体热感知数据训练所述热舒适性指标模型。
6.根据权利要求5所述的自适应调整的空调控制方法，其特征在于，
所述通过所述人体热感知数据训练所述热舒适性指标模型之前，还包括：
通过辅助设备检测所述人体热感知数据；
所述辅助设备，包括：热成像仪、高清摄像仪或可穿戴设备；
所述热成像仪用于实时采集人体表面的散热量E和衣服外表面温度Tcl；
所述高清摄像仪用于实时采集衣物颜色、面积及人像移动轨迹，结合预设参数计算衣物外表面换热系数fcl及人体所做机械功W；
所述可穿戴设备用于实时采集人体代谢率M、人体蓄热率S。
7.根据权利要求3所述的自适应调整的空调控制方法，其特征在于，
所述热舒适性指标模型的数学表达公式，包括：
PMV＝f(τ，M，W，E，Pa，tn，fcl，tcl，hc)；
其中，τ为目标时间内的数据，M为人体代谢率、为人体所做的机械功W、为人体表面的散热量E、S为人体蓄热率、Tcl为衣服外表面温度、Pa为人体附近的水蒸气分压力、hc为衣服表面的对流换热系数、fcl为服装的面积系数。
8.根据权利要求3所述的自适应调整的空调控制方法，其特征在于，
所述获取运行经济性指标，包括
获取所述空调机组的预估耗电量；
获取目标时段内所述空调运行场景对应的分时电价；
根据所述预估耗电量和所述分时电价确定在所述目标时段内的运行经济性指标。
9.根据权利要求8所述的自适应调整的空调控制方法，其特征在于，
所述获取所述空调机组的预估耗电量，包括：
通过机组能耗模型的输出参数确定所述预估耗电量；
所述机组能耗模型为根据机组的运行数据训练得到的机器训练模型；
所述空调机组的运行数据，包括：
出水温度To、进水温度Ti、实际室内温度Tn、机组供热量Q1、压缩机运行频率fcom。
10.根据权利要求9所述的自适应调整的空调控制方法，其特征在于，
所述机组能耗模型的数学表达公式，包括：
Pi＝f(τ，To，Ti，Tn，fcom，Q1)
其中，τ为目标时间内的数据，To为出水温度、Ti为进水温度、Tn为实际室内温度、Q1为机组供热量、fcom为压缩机运行频率。
11.根据权利要求9所述的自适应调整的空调控制方法，其特征在于，
所述通过机组能耗模型的输出参数确定所述预估耗电量之前，还包括：
获取所述空调机组的运行数据；
采用所述运行数据对所述机组能耗模型进行训练。
12.根据权利要求11所述的自适应调整的空调控制方法，其特征在于，
所述采用所述运行数据对所述机组能耗模型进行训练之前，还包括：
获取所述目标时段内的气象参数，所述气象参数包括：透入室内的太阳辐射量Qf和室外环境温度Tw；
所述采用所述运行数据对所述机组能耗模型进行训练，包括：
采用所述运行数据和所述气象参数对所述机组能耗模型进行训练。
13.根据权利要求12所述的自适应调整的空调控制方法，其特征在于，
所述获取所述目标时段内的气象参数，包括：
结合房间围护结构信息，计算出未来的所述目标时段内逐时室外温度Tw及透入室内的太阳辐射量Qf。
14.根据权利要求8所述的自适应调整的空调控制方法，其特征在于，
所述根据所述预估耗电量和所述分时电价确定在所述目标时段内的运行经济性指标，包括：
通过以下数学表达式计算目标时段内的运行经济性指标；
其中，Cost为Pi为运行经济性指标，Pi为第i时刻的机组运行耗电量，pi为分时电价，n为目标时段内的时长。
15.根据权利要求1至14任意一项所述的自适应调整的空调控制方法，其特征在于，
所述根据空调运行场景选择场景优化目标，包括：
接收用户发送的空调运行场景的选定指令；
根据所述选定指令确定所述场景优化目标。
16.根据权利要求1至14任意一项所述的自适应调整的空调控制方法，其特征在于，
所述根据空调运行场景选择场景优化目标，包括：
获取空调运行场景的图像信息；
根据所述空调运行场景的图像信息进行图像识别；
根据所述图像信息的识别结果确定所述场景优化目标。
17.根据权利要求1至14任意一项所述的自适应调整的空调控制方法，其特征在于，
所述通过所述热舒适性指标，所述运行经济性指标以及所述场景优化目标确定空调控制策略，包括：
设定边界条件，所述边界条件包括：分时电价和场景优化适应函数，所述分时电价为所述目标时段内对应的分时电价信息，所述场景优化适应函数为基于所述场景优化目标设定的函数；
初始化种群条件，所述种群条件包括：种群内个体数，染色体节点数，遗传代数，变异概率和交叉概率；所述种群内个体数有N组，每组表示目标时段内空调机组的分时温度策略；所述染色体节点数为每组种群中染色体数n，染色体数n对应温度控制节点的个数，所述目标时段内包括有n个温度控制节点；所述遗传代数对应遗传算法迭代的次数；所述变异概率为随机选取种群内的未来目标时段的室内温度分布中的某时刻的室内温度值进行随机增大或减小一个值的概率；所述交叉概率为随机选取种群内目标时段的室内温度分布中的某时刻的室内温度值，与种群内任意一组未来目标时段的室内温度分布中的某时刻的室内温度值互换的概率；
根据所述场景优化适应函数，所述边界条件和所述种群条件进行精英个体选择，交叉以及变异的迭代计算，确定所述空调控制策略。
18.根据权利要求17任意一项所述的自适应调整的空调控制方法，其特征在于，
所述边界条件还包括：用户设定温度，和/或气象参数。
19.根据权利要求18任意一项所述的自适应调整的空调控制方法，其特征在于，
根据所述场景优化适应函数以及所述边界条件进行精英个体选择，确定N组候选场景优化目标；
利用所述N组候选场景优化目标进行交叉以及变异的迭代计算，确定出M组精选场景优化目标，所述M小于所述N；
在所述M组精选场景优化目标中选择目标值最小的精选场景优化目标对应的空调控制策略，作为选定的空调控制策略。
20.一种电子设备，其特征在于，包括：智能优化模块和控制模块；
所述智能优化模块用于根据空调运行场景选择场景优化目标，所述场景优化目标为根据不同场景需求设定不同决策因子对应权重的优化目标，所述决策因子包括：热舒适性指标和运行经济性指标；获取热舒适性指标，所述热舒适性指标为人体热感觉的分级程度信息；获取运行经济性指标，所述运行经济性指标通过目标时段内空调机组的预估耗电量以及所述空调运行场景对应的分时电价计算得到；通过所述热舒适性指标，所述运行经济性指标以及所述场景优化目标确定空调控制策略；
所述控制模块用于根据所述空调控制策略设定所述空调机组在目标时段内的分时运行频率。
21.一种电子设备，其特征在于，包括：
处理器；以及
存储器，其上存储有可执行代码，当所述可执行代码被所述处理器执行时，使所述处理器执行如权利要求1-19中任一项所述的方法。
22.一种非暂时性机器可读存储介质，其上存储有可执行代码，当所述可执行代码被电子设备的处理器执行时，使所述处理器执行如权利要求1-19中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011401633.5A CN112902392A (zh) | 2020-12-03 | 2020-12-03 | 自适应调整的空调控制方法、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011401633.5A CN112902392A (zh) | 2020-12-03 | 2020-12-03 | 自适应调整的空调控制方法、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112902392A true CN112902392A (zh) | 2021-06-04 |
Family
ID=76111410
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011401633.5A Pending CN112902392A (zh) | 2020-12-03 | 2020-12-03 | 自适应调整的空调控制方法、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112902392A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113566401A (zh) * | 2021-08-03 | 2021-10-29 | 国网北京市电力公司 | 需求侧负荷控制方法 |
| CN118245935A (zh) * | 2024-05-29 | 2024-06-25 | 天目山实验室 | 一种基于可穿戴设备的超声速客机乘客热舒适评价方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101021914A (zh) * | 2006-03-22 | 2007-08-22 | 侯春海 | 暖通空调负荷预测方法和系统 |
| CN105352108A (zh) * | 2015-09-29 | 2016-02-24 | 中国电力科学研究院 | 一种基于空调用电模式的负荷优化控制方法 |
| CN107023955A (zh) * | 2017-04-10 | 2017-08-08 | 青岛海尔空调器有限总公司 | 空调控制方法及空调 |
| CN109523081A (zh) * | 2018-11-19 | 2019-03-26 | 河海大学 | 一种地源热泵系统运行温度调节优化方法 |
| JP2019200040A (ja) * | 2018-05-18 | 2019-11-21 | ジョンソン コントロールズ テクノロジー カンパニーＪｏｈｎｓｏｎ Ｃｏｎｔｒｏｌｓ Ｔｅｃｈｎｏｌｏｇｙ Ｃｏｍｐａｎｙ | モデル駆動型深層学習を有するｈｖａｃ制御システム |
| JP6645650B1 (ja) * | 2018-10-11 | 2020-02-14 | 三菱重工サーマルシステムズ株式会社 | 制御装置、空調制御システム、制御方法及びプログラム |
| CN110991764A (zh) * | 2019-12-16 | 2020-04-10 | 贵州电网有限责任公司 | 一种综合能源系统日前滚动优化方法 |
| CN111256201A (zh) * | 2020-01-15 | 2020-06-09 | 国网冀北电力有限公司秦皇岛供电公司 | 一种蓄热式电采暖设备的控制方法、装置和电子设备 |
| CN111720963A (zh) * | 2020-06-23 | 2020-09-29 | 珠海格力电器股份有限公司 | 一种睡眠环境下的空气调节方法、装置及电子设备 |
-
2020
- 2020-12-03 CN CN202011401633.5A patent/CN112902392A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101021914A (zh) * | 2006-03-22 | 2007-08-22 | 侯春海 | 暖通空调负荷预测方法和系统 |
| CN105352108A (zh) * | 2015-09-29 | 2016-02-24 | 中国电力科学研究院 | 一种基于空调用电模式的负荷优化控制方法 |
| CN107023955A (zh) * | 2017-04-10 | 2017-08-08 | 青岛海尔空调器有限总公司 | 空调控制方法及空调 |
| JP2019200040A (ja) * | 2018-05-18 | 2019-11-21 | ジョンソン コントロールズ テクノロジー カンパニーＪｏｈｎｓｏｎ Ｃｏｎｔｒｏｌｓ Ｔｅｃｈｎｏｌｏｇｙ Ｃｏｍｐａｎｙ | モデル駆動型深層学習を有するｈｖａｃ制御システム |
| JP6645650B1 (ja) * | 2018-10-11 | 2020-02-14 | 三菱重工サーマルシステムズ株式会社 | 制御装置、空調制御システム、制御方法及びプログラム |
| CN109523081A (zh) * | 2018-11-19 | 2019-03-26 | 河海大学 | 一种地源热泵系统运行温度调节优化方法 |
| CN110991764A (zh) * | 2019-12-16 | 2020-04-10 | 贵州电网有限责任公司 | 一种综合能源系统日前滚动优化方法 |
| CN111256201A (zh) * | 2020-01-15 | 2020-06-09 | 国网冀北电力有限公司秦皇岛供电公司 | 一种蓄热式电采暖设备的控制方法、装置和电子设备 |
| CN111720963A (zh) * | 2020-06-23 | 2020-09-29 | 珠海格力电器股份有限公司 | 一种睡眠环境下的空气调节方法、装置及电子设备 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113566401A (zh) * | 2021-08-03 | 2021-10-29 | 国网北京市电力公司 | 需求侧负荷控制方法 |
| CN113566401B (zh) * | 2021-08-03 | 2022-08-12 | 国网北京市电力公司 | 需求侧负荷控制方法 |
| CN118245935A (zh) * | 2024-05-29 | 2024-06-25 | 天目山实验室 | 一种基于可穿戴设备的超声速客机乘客热舒适评价方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20190360711A1 (en) | Method and device for controlling power supply to heating, ventilating, and air-conditioning (hvac) system for building based on target temperature | |
| CN105320118B (zh) | 基于云平台的空调系统电力需求响应控制方法 | |
| WO2020199648A1 (zh) | 空调的控制方法和装置 | |
| Wang et al. | Operating a commercial building HVAC load as a virtual battery through airflow control | |
| Wang et al. | Model-based optimal control of VAV air-conditioning system using genetic algorithm | |
| CN104807137B (zh) | 空调温湿度的控制方法和装置 | |
| KR100830095B1 (ko) | 냉방부하 예측방법 | |
| JP2019522290A (ja) | マルチレベルモデル予測制御を用いた可変冷媒流量システム | |
| CN110701750A (zh) | 运行控制方法、运行控制装置、空调器和存储介质 | |
| CN113739365A (zh) | 中央空调冷站群控节能控制方法、装置、设备及存储介质 | |
| CN112902392A (zh) | 自适应调整的空调控制方法、电子设备及存储介质 | |
| KR101301123B1 (ko) | 냉난방부하 예측방법 | |
| JP6587353B2 (ja) | 制御装置、空調制御システム、制御方法及びプログラム | |
| CN116398994B (zh) | 一种基于负荷预测的冷水机组群控优化方法 | |
| US10830474B2 (en) | Systems and methods of predicting energy usage | |
| CN116045461B (zh) | 一种基于给回水温度调节的风冷空调节能控制方法及装置 | |
| JP6596758B2 (ja) | 制御装置、空調制御システム、制御方法及びプログラム | |
| CN111787764B (zh) | 多联机制冷机组的能耗优化方法及装置、电子设备、存储介质 | |
| CN114811857B (zh) | 一种冷站系统运行优化方法 | |
| JP2002364901A (ja) | 蓄熱式空調設備の制御システム、制御計画立案装置、制御計画立案方法、制御計画立案を実行するための記録媒体及びプログラム | |
| JP5831379B2 (ja) | ヒートポンプシステム、その制御方法及びプログラム | |
| TWI358516B (en) | Method for managing air conditioning power consump | |
| CN116085953A (zh) | 基于动态空调运行数据的节能控制方法、系统及介质 | |
| CN118189361A (zh) | 空调调控方法、装置、电子设备及存储介质 | |
| CN114936529A (zh) | 一种温控负荷群聚合模型及建模方法、温控负荷群可调节潜力评估方法 |
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: 20210604 |
|
| RJ01 | Rejection of invention patent application after publication |