CN113254876B - 一种空调能耗数据确定方法、装置、设备及存储介质 - Google Patents

一种空调能耗数据确定方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN113254876B
CN113254876B CN202110467359.XA CN202110467359A CN113254876B CN 113254876 B CN113254876 B CN 113254876B CN 202110467359 A CN202110467359 A CN 202110467359A CN 113254876 B CN113254876 B CN 113254876B
Authority
CN
China
Prior art keywords
cooling
related data
heating
data
data set
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.)
Active
Application number
CN202110467359.XA
Other languages
English (en)
Other versions
CN113254876A (zh
Inventor
李若迪
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.)
Zhejiang Zhima Intelligent Technology Co Ltd
Original Assignee
Zhejiang Zhima Intelligent 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 Zhejiang Zhima Intelligent Technology Co Ltd filed Critical Zhejiang Zhima Intelligent Technology Co Ltd
Priority to CN202110467359.XA priority Critical patent/CN113254876B/zh
Publication of CN113254876A publication Critical patent/CN113254876A/zh
Application granted granted Critical
Publication of CN113254876B publication Critical patent/CN113254876B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2477—Temporal data queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/25—Integrating or interfacing systems involving database management systems
    • G06F16/254—Extract, transform and load [ETL] procedures, e.g. ETL data flows in data warehouses
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/285—Clustering or classification
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Pure & Applied Mathematics (AREA)
  • Evolutionary Biology (AREA)
  • Algebra (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Operations Research (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Fuzzy Systems (AREA)
  • Computational Linguistics (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

本申请公开一种空调能耗数据确定方法、装置、设备及存储介质，本申请通过获取空调系统预设时间的冷却关联数据集和采暖关联数据集，根据冷却关联数据集和采暖关联数据集判断冷却系统和实时加热系统是否处于稳态，当处于稳态时，获取实时冷却关联数据集和实时采暖关联数据集，利用预设线性回归模型中的第一参数集和实时冷却关联数据集确定空调系统的冷却功率信息，利用预设线性回归模型中的第二参数集和实时采暖关联数据集确定空调系统的采暖功率信息，根据冷却功率信息和采暖功率信息确定空调系统的能耗数据，可以提高空调能耗数据计算的响应速度和准确性。

Description

一种空调能耗数据确定方法、装置、设备及存储介质
技术领域
本发明涉及空调领域，尤其涉及一种空调能耗数据确定方法、装置、设备及存储介质。
背景技术
目前为了提高电动车辆续航里程，合理规划整车能量分配，整车会继承能量分配功能，空调系统作为整车除动力系统外最大的能耗单元，一般要求空调系统实时反馈空调能耗变化。同时，整车会根据当前整车能量状态限定空调系统的许可能耗，空调系统会根据要求，对负载进行降级，以满足系统能量限制的要求。现有技术中，有直接采用PTC及压缩机电流反馈的方案，此种方案基于实际负载反馈，但是空调系统为了保证车内温度，会不断调节PTC和压缩机，调节过程中系统能耗会不断变换，缓慢达到稳态，因此采用PTC及压缩机电流反馈的方案会有一定迟滞，不利于整车能量的动态调节。根据反馈数据对负载进行降功率，反应速度慢。在另外的方案中，基于PTC和压缩机的控制请求，通过标定得到不同档位下的对应功耗，再根据不同档位下的对应功耗计算空调能耗，该方案的计算精度差，当整车出现能量限制时，根据标定数据对负载进行降功率，可能由于分档精度较差，导致负载过度降低甚至导致负载完全停止。
发明内容
为了解决上述技术问题，本发明提供一种空调能耗数据确定方法、装置、设备及存储介质，可以提高空调功能耗数据计算的响应速度和准确性。
为了达到上述申请的目的，本申请提供了一种空调能耗数据确定方法、装置、设备及存储介质，该方法包括：
获取空调系统预设时间的冷却关联数据集和采暖关联数据集，，所述空调系统包括冷却系统和加热系统；
根据所述冷却关联数据集和所述采暖关联数据集判断所述冷却系统和实时加热系统是否处于稳态；
当处于稳态时，获取实时冷却关联数据集和实时采暖关联数据集；
利用预设冷却线性回归模型中的第一参数集和所述实时冷却关联数据集确定所述空调系统的冷却功率信息，所述第一参数集中的参数为所述实时冷却关联数据集中多种类型的数据的系数；
利用预设采暖线性回归模型中的第二参数集和所述实时采暖关联数据集确定所述空调系统的采暖功率信息，所述第二参数集中的参数为所述实时采暖关联数据集中多种类型的数据的系数；
根据所述冷却功率信息和所述采暖功率信息确定所述空调系统的能耗数据。
另一方面，本申请还提供一种空调能耗数据确定装置，该装置包括：
数据获取模块，用于获取空调系统预设时间的冷却关联数据集和采暖关联数据集，所述空调系统包括冷却系统和加热系统；
判稳模块，用于根据所述冷却关联数据集和所述采暖关联数据集判断所述冷却系统和所述加热系统是否处于稳态；
实时数据集获取模块，用于当处于稳态时，获取实时冷却关联数据集和实时采暖关联数据集；
冷却功率确定模块，用于利用预设冷却线性回归模型中的第一参数集和所述实时冷却关联数据集确定所述空调系统的冷却功率数据，所述第一参数集中的参数为所述实时冷却关联数据集中多种类型的数据的系数；
采暖功率确定模块，用于利用预设采暖线性回归模型中的第二参数集和所述实时采暖关联数据集确定所述空调系统的采暖功率数据，所述第二参数集中的参数为所述实时采暖关联数据集中多种类型的数据的系数；
能耗确定模块，用于根据所述冷却功率数据和所述采暖功率数据确定所述空调系统的能耗数据。
另一方面，本申请还提供一种空调能耗数据确定设备，该设备包括处理器和存储器，所述存储器中存储有至少一条指令或至少一段程序，所述至少一条指令或所述至少一段程序由所述处理器加载并执行以实现上述的空调能耗数据确定方法。
另一方面，本申请还提供一种存储介质，该存储介质中存储有至少一条指令或至少一段程序，所述至少一条指令或所述至少一段程序由处理器加载并执行以实现上述的空调能耗数据确定方法。
实施本申请，具有如下有益效果：
本申请通过获取空调系统预设时间的冷却关联数据集和采暖关联数据集，所述空调系统包括冷却系统和加热系统，根据所述冷却关联数据集和所述采暖关联数据集判断所述冷却系统和实时加热系统是否处于稳态，当处于稳态时，获取实时冷却关联数据集和实时采暖关联数据集，利用预设冷却线性回归模型中的第一参数集和所述实时冷却关联数据集确定所述空调系统的冷却功率信息，所述第一参数集中的参数为所述实时冷却关联数据集中多种类型的数据的系数，利用所述预设采暖线性回归模型中的第二参数集和所述实时采暖关联数据集确定所述空调系统的采暖功率信息，所述第二参数集中的参数为所述实时采暖关联数据集中多种类型的数据的系数，根据所述冷却功率信息和所述采暖功率信息确定所述空调系统的能耗数据，可以提高空调能耗数据计算的响应速度和准确性。
附图说明
为了更清楚地说明本申请的技术方案，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它附图。
图1为本申请实施例提供的一种空调能耗数据确定方法的流程示意图；
图2为本申请实施例提供的一种获取冷却关联数据集和采暖关联数据集的流程示意图；
图3为本申请另一实施例提供的一种空调能耗数据确定方法的流程示意图；
图4为本申请实施例提供的一种对数据进行存储的流程示意图；
图5为本申请实施例提供的一种空调能耗数据确定装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请中的技术方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为了实现本申请的技术方案，让更多的工程技术工作者容易了解和应用本申请，将结合具体的实施例，进一步阐述本申请的工作原理。
本申请可应用于空调领域，通过获取空调系统的冷却关联数据集和采暖关联数据集，判断冷却系统和加热系统是否处于稳态，当处于稳态时，利用预设线性回归模型确定冷却功率数据和采暖功率数据，再根据冷却功率数据和采暖功率数据确定空调系统的能耗数据。
以下介绍本申请一种空调能耗数据确定方法的实施例，图1是本申请实施例提供的一种空调能耗数据确定方法的流程示意图，本说明书提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。具体的，如图1所示，该方法可以包括：
S101：获取空调系统预设时间的冷却关联数据集和采暖关联数据集。
本申请实施例中，空调系统包括冷却系统和加热系统。空调系统可以包括车辆上的空调系统，用于实现对车厢内空气进行制冷、加热、换气和空气净化等功能。冷却关联数据集是与空调系统中的冷却系统相关的多种类型的数据集，冷却系统用于对车厢内空气进行制冷；采暖关联数据集是与空调系统中的加热系统相关的多种类型的数据集，加热系统用于对车厢内空气进行制热。
具体的，冷却关联数据集可以包括：鼓风机风档数据、冷暖风门开度数据、压缩机转速请求数据和蒸发器温度数据。鼓风机风档数据是指鼓风机处于第几风档的记录数据，鼓风机处于不同风档对应不同的风速。冷暖风门开度数据是指冷暖风门的叶片角度数据，冷暖风门不同开度对应不同的风量。压缩机转速请求数据反应压缩机转速，蒸发器温度数据反应蒸发器的温度。
具体的，采暖关联数据集可以包括：
鼓风机风档数据、冷暖风门开度数据、加热器加热请求数据、暖风芯体温度数据和加热器实际功率数据。PTC(Positive Temperature Coefficient，正温度系数)加热请求数据反应加热器的加热情况，暖风芯体温度数据反应暖风芯体的温度，PTC实际功率数据是指按照PTC的功率关联数据计算生成的PTC实际功率。
在一些实施例中，如图2所示，获取空调系统预设时间的冷却关联数据集和采暖关联数据集可以包括：
S1011：获取空调系统在预设时间的运行数据。
该运行数据是空调系统在预设时间内持续运行输出的与空调系统的能耗相关联的数据。
S1013：对运行数据进行滤波和限值处理，得到预处理运行数据。
先对运行数据进行滤波，将运行数据中目标波段频率以外的波段频率进行了过滤，可以抑制和防止干扰，从而使后续要计算的功率确定准确性更高。接着将滤波后的数据进行限值处理，得到预处理运行数据。
S1015：对预处理运行数据进行分类，得到多种类型的运行关联数据。
具体的，可以使用分类器对预处理运行数据进行分类，分类器可以用于判断输入的数据是否可用。
S1017：从多种类型的运行关联数据中提取冷却关联数据集。
具体的，冷却关联数据集可以包括鼓风机风档数据、冷暖风门开度数据、压缩机转速请求数据和蒸发器温度数据。
S1019：从多种类型的运行关联数据中提取采暖关联数据集。
具体的，采暖关联数据集可以包括鼓风机风档数据、冷暖风门开度数据、PTC加热请求数据、暖风芯体温度数据和PTC实际功率数据。
S103：根据冷却关联数据集和采暖关联数据集判断冷却系统和加热系统是否处于稳态。
本申请实施例中，根据冷却关联数据集判断冷却系统是否处于稳态，根据采暖关联数据集判断加热系统是否处于稳态，当冷却系统和加热系统均处于稳态时，确定空调系统处于稳态。
在一些实施例中，根据冷却关联数据集和采暖关联数据集判断冷却系统和加热系统是否处于稳态可以包括：
确定冷却关联数据集和采暖关联数据集中多种类型的数据在各自对应的预设时间区间内的变化量是否小于各自对应的预设阈值。
具体的，多个类型的数据可以对应不同的预设时间区间和预设阈值，例如确定冷却关联数据集中多种类型的数据在各自对应的预设时间区间内的变化量是否小于各自对应的预设阈值，可以是指同时确定鼓风机风档数据A在t1时间区间内，变化量是否小于△a，确定冷暖风门开度数据C在t2时间区间内，变化量是否小于△c，确定压缩机转速请求数据D在t3时间区间内，变化量是否小于△d，确定蒸发器实际温度数据G在t4时间区间内，变化量是否小于△g，确定压缩机实际功率K1在t5时间区间内，变化量是否小于k1，确定蒸发器目标温度数据I在t6时间区间内，变化量是否小于△i，当结果均为是时，确定冷却系统处于稳态。
确定采暖关联数据集中多种类型的数据在各自对应的预设时间区间内的变化量是否小于各自对应的预设阈值，可以是指同时确定鼓风机风档数据A在t7时间区间内，变化量是否小于△a’，冷暖风门开度数据C在t8时间区间内，变化量是否小于△c’，PTC加热请求数据E在t9时间区间内，变化量是否小于△e，暖风芯体实际温度数据H在t10时间区间内，变化量是否小于△h，暖风芯体目标温度数据J在t11时间区间内，变化量是否小于△j，PTC实际功率K2在t12时间区间内，变化量是否小于△k2，若结果均为是，确定加热系统处于稳态。
在一些实施例中，可以根据实际情况简化判定冷却系统和加热系统稳态的条件，例如，确定压缩机实际功率数据K在t5时间区间内，变化量是否小于△k，当结果为是时，确定冷却系统处于稳态。
S105：当处于稳态时，获取实时冷却关联数据集和实时采暖关联数据集。
S107：利用预设冷却线性回归模型中的第一参数集和实时冷却关联数据集确定空调系统的冷却功率数据。
本申请实施例中，第一参数集中的参数为实时冷却关联数据集中多种类型的数据的系数。冷却功率的计算公式，即预设冷却线性回归模型为
Pwrac＝A*w1+B*w2+D*w3+G*w4+I*w5
其中，Pwrac为计算的冷却功率，A为鼓风机风档数据，B为环境温度数据，D为压缩机转速请求数据，G为蒸发器实际温度数据，I为蒸发器目标温度数据，w1至w5为不同类型的冷却关联数据的系数。该公式可以根据实际需要设置冷却关联数据的类型。
S109：利用预设采暖线性回归模型中的第二参数集和实时采暖关联数据集确定空调系统的采暖功率数据。
本申请实施例中，第二参数集中的参数为实时采暖关联数据集中多种类型的数据的系数。预设采暖线性回归模型，即采暖功率的计算公式为
Pwrht＝A*w6+B*w7+E*w8+H*w9+J*w10
其中Pwrht为计算的采暖功率，A为鼓风机风档数据，B为环境温度数据，E为PTC加热请求数据，H为暖风芯体实际温度数据，J为暖风芯体目标温度数据。该公式可以根据实际需要设置采暖关联数据的类型。
S111：根据冷却功率数据和采暖功率数据确定空调系统的能耗数据。
空调系统的能耗计算公式为Pout＝Pwrac+Pwrht，其中Pout为空调系统的能耗数据，Pwrac为计算的冷却功率，Pwrht为计算的采暖功率。
在一些实施例中，获取空调系统预设时间的冷却关联数据集和采暖关联数据集之前，如图3所示，该方法还可以包括：
S201：获取空调系统的样本冷却关联数据集和样本采暖关联数据集。
具体的，样本冷却关联数据集和样本采暖关联数据集对应的数据标签为已知的功率标签。
S203：建立线性回归模型。
该线性回归模型中的多个参数分别为样本冷却关联数据集和样本采暖关联数据集中多种类型的数据的系数。
S205：将样本冷却关联数据集和样本采暖关联数据集输入线性回归模型进行训练，得到预测功率数据。
S207：训练过程中，根据预测功率数据和真实功率数据确定线性回归模型的损失，并利用梯度下降法对线性回归模型进行优化。
S209：当损失满足预设条件时，确定满足预设条件的损失所对应的线性回归模型为预设线性回归模型。
该实施例中，设X为采集到的样本冷却关联数据集和样本采暖关联数据集，X中有不同类型的样本数据，例如，A为鼓风机风档数据，B为环境温度数据，D为压缩机转速请求数据，G为蒸发器实际温度数据，I为蒸发器目标温度数据，设Y{y1，y2……yn}T为实际计算得到的压缩机功率的数据集，Y反应空调系统的能耗情况，那么线性回归模型Y＝W*X，W为样本冷却关联数据集和样本采暖关联数据集中多种类型的数据的系数构成的矩阵。该模型的损失函数为参数矩阵W的求解公式为：W＝(XTX)-1XTY。利用梯度下降法对线性回归模型进行优化，参数矩阵W的更新公式为/>其中，α为学习率，/>为Q的偏导。当损失达到预设条件时，确定满足预设条件的损失所对应的线性回归模型为预设线性回归模型。
在一些实施例中，图4示出了本申请对数据进行存储的流程示意图，如图4所示，该方法还可以包括：
S301：获取空调系统在运行过程中的实时冷却关联数据集和实时采暖关联数据集。
S303：确定实时冷却关联数据集和实时采暖关联数据集对应的数据量，并将实时冷却关联数据集和实时采暖关联数据集存储至预设存储模块。
S305：当预设存储模块的存储量小于数据量时，将预设存储模块中排序靠前的预设数量个数据进行删除，并将预设存储模块中的后续数据移动至预设存储模块的最前位置，将新的实时冷却关联数据集和实时采暖关联数据集从后续数据的后一位置开始进行存储。
该实施例中，预设存储模块的最大存储量为N1，当预设存储模块中的存储量大于N1时，将预设存储模块中前n个数据删除，并将第n+1个数据移动到预设存储模块的第一位，后续数据依次进行移动。将新的实时冷却关联数据集和实时采暖关联数据集从完成移动的数据后一位开始进行存储。因此，每次完成模型参数更新后，预设存储模块中都可以保留一部分之前记录的数据。以冷却系统能耗计算为例，模型的损失函数Q＝(压缩机实际功率-模型预测能耗)2，当预设存储模块达到最大存储量N1时，使用预设存储模块中的数据对线性回归模型进行批量梯度下降，对模型的参数矩阵W1进行更新，再删除预设存储模块中前n个数据，可以保持更新过程的完整性。
在一些实施例中，当模型的损失大于预设最大损失值时，停止储存新的数据，并将预先存储的预训练参数发送到线性回归模型中。
本申请另一方面还提供一种空调能耗数据确定装置的实施例，如图5所示，该装置可以包括：
数据获取模块401，用于获取空调系统预设时间的冷却关联数据集和采暖关联数据集，空调系统包括冷却系统和加热系统。
判稳模块403，用于根据冷却关联数据集和采暖关联数据集判断冷却系统和加热系统是否处于稳态。
实时数据集获取模块405，用于当处于稳态时，获取实时冷却关联数据集和实时采暖关联数据集。
冷却功率确定模块407，用于利用预设冷却线性回归模型中的第一参数集和实时冷却关联数据集确定空调系统的冷却功率数据，第一参数集中的参数为实时冷却关联数据集中多种类型的数据的系数。
采暖功率确定模块409，用于利用预设采暖线性回归模型中的第二参数集和实时采暖关联数据集确定空调系统的采暖功率数据，第二参数集中的参数为实时采暖关联数据集中多种类型的数据的系数。
能耗确定模块411，用于根据冷却功率数据和采暖功率数据确定空调系统的能耗数据。
具体的，该装置还可以包括：
样本数据获取模块，用于获取空调系统的样本冷却关联数据集和样本采暖关联数据集。
模型建立模块，用于建立线性回归模型，线性回归模型中的多个参数分别为样本冷却关联数据集和样本采暖关联数据集中多种类型的数据的系数。
训练模块，用于将样本冷却关联数据集和样本采暖关联数据集输入线性回归模型进行训练，得到预测功率数据。训练过程中，根据预测功率数据和真实功率数据确定线性回归模型的损失，并利用梯度下降法对线性回归模型进行优化。
预设模型生成模块，用于当损失满足预设条件时，确定满足预设条件的损失所对应的线性回归模型为预设线性回归模型。
具体的，数据获取模块可以包括：
运行数据获取单元，用于获取空调系统在预设时间的运行数据。
预处理单元，用于对运行数据进行滤波和限值处理，得到预处理运行数据。
分类单元，用于对预处理运行数据进行分类，得到多种类型的运行关联数据。
第一提取单元，用于从多种类型的运行关联数据中提取冷却关联数据集。
第二提取单元，用于从多种类型的运行关联数据中提取采暖关联数据集。
另外，该装置还可以包括：
实时获取模块，用于获取空调系统在运行过程中的实时冷却关联数据集和实时采暖关联数据集。
数据量确定模块，用于确定实时冷却关联数据集和实时采暖关联数据集对应的数据量，并将实时冷却关联数据集和实时采暖关联数据集存储至预设存储模块。
更新模块，用于当预设存储模块的存储量小于数据量时，将预设存储模块中排序靠前的预设数量个数据进行删除，并将预设存储模块中的后续数据移动至预设存储模块的最前位置，将新的实时冷却关联数据集和实时采暖关联数据集从后续数据的后一位置开始进行存储。
本申请另外还提供一种空调能耗数据确定设备，该设备包括处理器和存储器，存储器中存储有至少一条指令或至少一段程序，该至少一条指令或至少一段程序由处理器加载并执行以实现上述任一实施例所述的空调能耗数据确定方法。
上述的实施例可以看出，本申请通过获取空调系统预设时间的冷却关联数据集和采暖关联数据集，所述空调系统包括冷却系统和加热系统，根据所述冷却关联数据集和所述采暖关联数据集判断所述冷却系统和实时加热系统是否处于稳态，当处于稳态时，获取实时冷却关联数据集和实时采暖关联数据集，利用预设冷却线性回归模型中的第一参数集和所述实时冷却关联数据集确定所述空调系统的冷却功率信息，所述第一参数集中的参数为所述实时冷却关联数据集中多种类型的数据的系数，利用预设采暖线性回归模型中的第二参数集和所述实时采暖关联数据集确定所述空调系统的采暖功率信息，所述第二参数集中的参数为所述实时采暖关联数据集中多种类型的数据的系数，根据所述冷却功率信息和所述采暖功率信息确定所述空调系统的能耗数据，可以提高空调能耗数据计算的响应速度和准确性。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如本发明的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此所述的实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在本发明的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者系统程序(如计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，也可以在载体信号上提供，或者以任何其他形式提供。
应该注意的是，上述实施例是对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或者步骤等。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干系统的单元权利要求中，这些系统中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二以及第三等的使用不表示任何顺序，可将这些单词解释为名称。

Claims (10)

1.一种空调能耗数据确定方法，其特征在于，所述方法包括：
获取空调系统预设时间的冷却关联数据集和采暖关联数据集，所述空调系统包括冷却系统和加热系统；
根据所述冷却关联数据集和所述采暖关联数据集判断所述冷却系统和所述加热系统是否处于稳态；
当处于稳态时，获取实时冷却关联数据集和实时采暖关联数据集；
利用预设冷却线性回归模型中的第一参数集和所述实时冷却关联数据集确定所述空调系统的冷却功率数据，所述第一参数集中的参数为所述实时冷却关联数据集中多种类型的数据的系数；所述预设冷却线性回归模型的计算公式为：Pwrac=A*w1+B*w2+D*w3+G*w4+I*w5，其中，Pwrac为计算的冷却功率，A为鼓风机风档数据，B为环境温度数据，D为压缩机转速请求数据，G为蒸发器实际温度数据，I为蒸发器目标温度数据，w1至w5为不同类型的冷却关联数据的系数；
利用预设采暖线性回归模型中的第二参数集和所述实时采暖关联数据集确定所述空调系统的采暖功率数据，所述第二参数集中的参数为所述实时采暖关联数据集中多种类型的数据的系数；所述预设采暖线性回归模型的计算公式为：Pwrht=A*w6+B*w7+E*w8+H*w9+J*w10，其中Pwrht为计算的采暖功率，A为鼓风机风档数据，B为环境温度数据，E为PTC加热请求数据，H为暖风芯体实际温度数据，J为暖风芯体目标温度数据；
根据所述冷却功率数据和所述采暖功率数据确定所述空调系统的能耗数据；所述空调系统的能耗计算公式为：Pout=Pwrac +Pwrht，其中Pout为空调系统的能耗数据，Pwrac为计算的冷却功率，Pwrht为计算的采暖功率。
2.根据权利要求1所述的方法，其特征在于，所述获取空调系统预设时间的冷却关联数据集和采暖关联数据集之前，所述方法还包括：
获取所述空调系统的样本冷却关联数据集和样本采暖关联数据集；
建立线性回归模型，所述线性回归模型中的多个参数分别为所述样本冷却关联数据集和所述样本采暖关联数据集中多种类型的数据的系数；
将所述样本冷却关联数据集和所述样本采暖关联数据集输入所述线性回归模型进行训练，得到预测功率数据；
训练过程中，根据所述预测功率数据和真实功率数据确定所述线性回归模型的损失，并利用梯度下降法对所述线性回归模型进行优化；
当所述损失满足预设条件时，确定满足预设条件的损失所对应的线性回归模型为所述预设线性回归模型。
3.根据权利要求1所述的方法，其特征在于，所述冷却关联数据集包括：
鼓风机风档数据、环境温度数据、冷暖风门开度数据、压缩机转速请求数据和蒸发器温度数据。
4.根据权利要求3所述的方法，其特征在于，所述采暖关联数据集包括：
鼓风机风档数据、环境温度数据、冷暖风门开度数据、加热器加热请求数据、暖风芯体温度数据和加热器实际功率数据。
5.根据权利要求4所述的方法，其特征在于，所述根据所述冷却关联数据集和所述采暖关联数据集判断所述冷却系统和所述加热系统是否处于稳态包括：
确定所述冷却关联数据集和所述采暖关联数据集中多种类型的数据在各自对应的预设时间区间内的变化量是否小于各自对应的预设阈值。
6.根据权利要求1所述的方法，其特征在于，所述获取空调系统预设时间的冷却关联数据集和采暖关联数据集包括：
获取所述空调系统在所述预设时间的运行数据；
对所述运行数据进行滤波和限值处理，得到预处理运行数据；
对所述预处理运行数据进行分类，得到多种类型的运行关联数据；
从所述多种类型的运行关联数据中提取所述冷却关联数据集；
从所述多种类型的运行关联数据中提取所述采暖关联数据集。
7.根据权利要求6所述的方法，其特征在于，所述方法还包括：
获取所述空调系统在运行过程中的实时冷却关联数据集和实时采暖关联数据集；
确定所述实时冷却关联数据集和实时采暖关联数据集对应的数据量，并将所述实时冷却关联数据集和所述实时采暖关联数据集存储至预设存储模块；
当预设存储模块的存储量小于所述数据量时，将所述预设存储模块中排序靠前的预设数量个数据进行删除，并将所述预设存储模块中的后续数据移动至所述预设存储模块的最前位置，将新的实时冷却关联数据集和实时采暖关联数据集从所述后续数据的后一位置开始进行存储。
8.一种空调能耗数据确定装置，其特征在于，所述装置包括：
数据获取模块，用于获取空调系统预设时间的冷却关联数据集和采暖关联数据集，所述空调系统包括冷却系统和加热系统；
判稳模块，用于根据所述冷却关联数据集和所述采暖关联数据集判断所述冷却系统和所述加热系统是否处于稳态；
实时数据集获取模块，用于当处于稳态时，获取实时冷却关联数据集和实时采暖关联数据集；
冷却功率确定模块，用于利用预设冷却线性回归模型中的第一参数集和所述实时冷却关联数据集确定所述空调系统的冷却功率数据，所述第一参数集中的参数为所述实时冷却关联数据集中多种类型的数据的系数；
采暖功率确定模块，用于利用预设采暖线性回归模型中的第二参数集和所述实时采暖关联数据集确定所述空调系统的采暖功率数据，所述第二参数集中的参数为所述实时采暖关联数据集中多种类型的数据的系数；
能耗确定模块，用于根据所述冷却功率数据和所述采暖功率数据确定所述空调系统的能耗数据。
9.一种空调能耗数据确定设备，其特征在于，所述设备包括处理器和存储器，所述存储器中存储有至少一条指令或至少一段程序，所述至少一条指令或所述至少一段程序由所述处理器加载并执行以实现如权利要求1至7任一所述的空调能耗数据确定方法。
10.一种存储介质，其特征在于，所述存储介质中存储有至少一条指令或至少一段程序，所述至少一条指令或至少一段程序由处理器加载并执行以实现如权利要求1至7任一所述的空调能耗数据确定方法。
CN202110467359.XA 2021-04-28 2021-04-28 一种空调能耗数据确定方法、装置、设备及存储介质 Active CN113254876B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110467359.XA CN113254876B (zh) 2021-04-28 2021-04-28 一种空调能耗数据确定方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110467359.XA CN113254876B (zh) 2021-04-28 2021-04-28 一种空调能耗数据确定方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN113254876A CN113254876A (zh) 2021-08-13
CN113254876B true CN113254876B (zh) 2024-05-14

Family

ID=77222061

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110467359.XA Active CN113254876B (zh) 2021-04-28 2021-04-28 一种空调能耗数据确定方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN113254876B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107314498A (zh) * 2017-05-25 2017-11-03 中国农业大学 一种中央空调系统的能效在线监测方法及装置
CN108981097A (zh) * 2018-06-19 2018-12-11 广东美的暖通设备有限公司 空调系统及其能需调整方法与装置
CN111237989A (zh) * 2020-02-04 2020-06-05 青岛海信网络科技股份有限公司 一种基于负荷预测的楼宇通风空调控制方法及装置
CN111976540A (zh) * 2020-09-14 2020-11-24 东方醒狮(福建)储能科技有限公司 一种锂离子动力储能电池热管理方法及系统
CN112616292A (zh) * 2020-11-27 2021-04-06 湖南大学 一种基于神经网络模型的数据中心能效优化控制方法
CN112686442A (zh) * 2020-12-29 2021-04-20 博锐尚格科技股份有限公司 基于运行多样性空调末端能耗预测方法和系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2864739C (en) * 2011-11-29 2020-03-31 Energy Aware Technology Inc. Method and system for forecasting power requirements using granular metrics
US9857238B2 (en) * 2014-04-18 2018-01-02 Google Inc. Thermodynamic model generation and implementation using observed HVAC and/or enclosure characteristics

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107314498A (zh) * 2017-05-25 2017-11-03 中国农业大学 一种中央空调系统的能效在线监测方法及装置
CN108981097A (zh) * 2018-06-19 2018-12-11 广东美的暖通设备有限公司 空调系统及其能需调整方法与装置
CN111237989A (zh) * 2020-02-04 2020-06-05 青岛海信网络科技股份有限公司 一种基于负荷预测的楼宇通风空调控制方法及装置
CN111976540A (zh) * 2020-09-14 2020-11-24 东方醒狮(福建)储能科技有限公司 一种锂离子动力储能电池热管理方法及系统
CN112616292A (zh) * 2020-11-27 2021-04-06 湖南大学 一种基于神经网络模型的数据中心能效优化控制方法
CN112686442A (zh) * 2020-12-29 2021-04-20 博锐尚格科技股份有限公司 基于运行多样性空调末端能耗预测方法和系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Training-Free Non-Intrusive Load Extracting of Residential Electric Vehicle Charging Loads;Zhao, HS 等;《IEEE ACCESS》;20190918;第7卷;117044-117053 *
建筑能耗预测与建筑节能分析模型构建研究;侯广明 等;《建筑节能》;20201025;第48卷(第10期);51-55+77 *
汽车零部件设计开发过程中的项目管理概述;方文辉;《汽车工程师》;20210325(第03期);18-21 *
电动汽车空调与暖风系统结构原理与维修;王树礼;《汽车维修技师》;20170501(第05期);35-40 *

Also Published As

Publication number Publication date
CN113254876A (zh) 2021-08-13

Similar Documents

Publication Publication Date Title
CN105378391B (zh) 针对hvac需求响应的在线优化方案
CN111096094B (zh) 经由智能供应空气温度设定点控制的冷却单元能量优化
CN114066071B (zh) 一种基于能耗的电力参数优化方法、终端设备及存储介质
US20200317220A1 (en) Vehicle control system, vehicle control method, and program recording medium
EP3657403A1 (en) Computing device and method
CN113821903B (zh) 温度控制方法和设备、模块化数据中心及存储介质
US20210088250A1 (en) Air conditioning apparatus and method for controlling same
CN110736225A (zh) 空调的控制方法和装置
CN114091336A (zh) 一种空调调节方法、装置、车辆及存储介质
CN114353872B (zh) 一种机房温度的预测方法及装置
CN113254876B (zh) 一种空调能耗数据确定方法、装置、设备及存储介质
CN107861404A (zh) 一种用于实验室管理系统的控制方法
Choi et al. Reinforcement Learning-based Controller for Thermal Management System of Electric Vehicles
CN116928984B (zh) 一种恒温恒湿冷库内外双循环温湿调控系统及调控方法
CN113849052A (zh) 基于人工智能的机房温度预测方法及系统
US20220333810A1 (en) Model sharing system, model management apparatus, and control apparatus for air conditioning apparatus
CN114679899B (zh) 机房空调自适应节能控制方法及装置、介质及设备
CN111609525A (zh) 一种空调控制方法、装置、电子设备及存储介质
Engel et al. Modeling of Automotive HVAC Systems Using Long Short-Term Memory Networks
CN114889403A (zh) 车载空调的集成控制方法、装置、设备、介质及车辆
US20200278130A1 (en) Operation control method, storage medium, and operation control device
Fugiglando Developing personal thermal comfort models for the control of HVAC in cars using field data
JP2001227792A (ja) 空調負荷予測方法およびその装置
CN113310176A (zh) 信息处理装置
CN110843456A (zh) 汽车空调的控制方法、系统及计算机可读存储介质

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20220809

Address after: 315336 zone B, building I, No. 7, Zhongchuang Second Road, Hangzhou Bay New Area, Ningbo City, Zhejiang Province

Applicant after: Zhejiang Zhima Intelligent Technology Co.,Ltd.

Address before: 315336 818 Binhai two road, Hangzhou Bay New District, Ningbo, Zhejiang

Applicant before: Smart motor Automobile Co.,Ltd.

GR01 Patent grant
GR01 Patent grant