CN113847715B - 基站的空调调控的方法以及装置、电子设备、介质 - Google Patents
基站的空调调控的方法以及装置、电子设备、介质 Download PDFInfo
- Publication number
- CN113847715B CN113847715B CN202010599919.2A CN202010599919A CN113847715B CN 113847715 B CN113847715 B CN 113847715B CN 202010599919 A CN202010599919 A CN 202010599919A CN 113847715 B CN113847715 B CN 113847715B
- Authority
- CN
- China
- Prior art keywords
- base station
- air conditioner
- predicted
- target time
- model
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000001276 controlling effect Effects 0.000 title abstract description 23
- 230000001105 regulatory effect Effects 0.000 title abstract description 10
- 238000003062 neural network model Methods 0.000 claims description 43
- 238000004378 air conditioning Methods 0.000 claims description 28
- 238000012549 training Methods 0.000 claims description 28
- 230000033228 biological regulation Effects 0.000 claims description 21
- 238000005057 refrigeration Methods 0.000 claims description 18
- 230000003993 interaction Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 description 8
- 238000003860 storage Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 7
- 238000005265 energy consumption Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 241000277331 Salmonidae Species 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 238000001816 cooling Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 238000013021 overheating Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000009191 jumping Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 230000020169 heat generation Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- F24F11/50—Control or safety arrangements characterised by user interfaces or communication
- F24F11/61—Control or safety arrangements characterised by user interfaces or communication using timers
-
- 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
- F24F11/30—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
- F24F11/70—Control systems characterised by their outputs; Constructional details thereof
-
- 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
- F24F2130/00—Control inputs relating to environmental factors not covered by group F24F2110/00
- F24F2130/10—Weather information or forecasts
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Human Computer Interaction (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本公开实施例提供了一种基站的空调调控的方法,该方法包括:确定未来的目标时间,确定所述目标时间中基站的预测室外温度;根据所述目标时间和所述预测室外温度,确定所述基站的空调在目标时间中的预测运行时间段;一定时间内空调的预测运行时间段为在基站的室内温度不超过第一预定标准的情况下,使该时间内空调的总功耗最小时空调的运行时间段;在所述目标时间中,至少根据所述预测运行时间段控制所述基站的空调。本公开实施例还提供了一种基站的空调调控的装置、电子设备、计算机可读介质。
Description
技术领域
本公开实施例涉及通信技术领域,特别涉及一种基站的空调调控的方法以及装置、电子设备、计算机可读介质。
背景技术
在通信网络中,约80%的能耗来自广泛分布的基站,而基站的空调能耗就占据基站总能耗的46%。
通过设置启动温度和关闭温度调控基站的空调,虽然可以自由设置和调整启动温度和关闭温度,但真正合理的启动温度和关闭温度往往难以确定,而不合适的启动温度和关闭温度可能造成空调频繁的启动与关闭,反而导致基站的空调耗电更多。
发明内容
本公开实施例提供一种基站的空调调控的方法以及装置、电子设备、计算机可读介质。
第一方面,本公开实施例提供一种基站的空调调控的方法,其包括:
确定未来的目标时间中基站的预测室外温度;
根据所述目标时间和所述预测室外温度,确定所述基站的空调在目标时间中的预测运行时间段;一定时间内空调的预测运行时间段为在基站的室内温度不超过第一预定标准的情况下,使该时间内空调的总功耗符合第二预定标准时空调的运行时间段;
在所述目标时间中,至少根据所述预测运行时间段控制所述基站的空调。
在一些实施例中,所述在所述目标时间中,至少根据所述预测运行时间段控制所述基站的空调,包括:
在所述目标时间中,根据所述基站的实时室内温度、预设的附加规则以及所述预测运行时间段控制所述基站的空调。
在一些实施例中,所述附加规则包括:
若所述基站的实时室内温度超过预设的甚高温阈值且所述基站的空调未运行,则控制所述基站的空调启动;
若所述基站的实时室内温度低于预设的甚低温阈值且所述基站的空调正在运行,则控制所述基站的空调关闭;
若所述基站的实时室内温度超过预设的工作高温阈值且处于所述预测运行时间段内,则控制所述空调处于运行状态。
在一些实施例中,所述根据所述目标时间和所述预测室外温度,确定所述基站的空调在目标时间中的预测运行时间段,包括:
将所述目标时间和所述预测室外温度输入预设的深度神经网络模型,获取所述深度神经网络模型输出的基站的空调在目标时间中的预测运行时间段。
在一些实施例中,所述深度神经网络模型包括第一子模型、第二子模型以及第三子模型;
所述第一子模型,配置为确定一定时间中基站的预测负荷量,并将所述预测负荷量输入第二子模型;
所述第二子模型,配置为根据一定时间中基站的负荷量以及室外温度,确定不运行空调时基站的预测室内温度,并将所述预测室内温度输入第三子模型;
所述第三子模型,配置为根据一定时间中基站的室内温度以及空调制冷参数,确定该时间中基站的空调的预测运行时间段;
所述将所述目标时间和所述预测室外温度输入预设的深度神经网络模型,包括:
将所述目标时间输入所述第一子模型,将所述预测室外温度输入第二子模型。
在一些实施例中,在所述将所述目标时间和所述预测室外温度输入预设的深度神经网络模型之前,还包括:
训练所述深度神经网络模型。
在一些实施例中,所述确定未来的目标时间中基站的预测室外温度,包括:
获取实际室外温度,以及所述目标时间中天气预报的预报温度,根据所述实际室外温度以及预报温度计算所述目标时间中基站的预测室外温度。
第二方面,本公开实施例提供一种基站的空调调控的装置,其包括:
确定模块,配置为确定未来的目标时间中基站的预测室外温度;
预测模块,配置为根据所述目标时间和所述预测室外温度,确定所述基站的空调在目标时间中的预测运行时间段;一定时间内空调的预测运行时间段为在基站的室内温度不超过第一预定标准的情况下,使该时间内空调的总功耗符合第二预定标准时空调的运行时间段;
控制模块,配置为在所述目标时间中,至少根据所述预测运行时间段控制所述基站的空调。
第三方面,本公开实施例提供一种电子设备,其包括:
一个或多个处理器;
存储器,其上存储有一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器上述任意一种基站的空调调控的方法;
一个或多个I/O接口,连接在所述处理器与存储器之间,用于实现所述处理器与存储器的信号交互。
第四方面,本公开实施例提供一种计算机可读介质,其上存储有计算机程序,所述程序被处理器执行时实现上述任意一种基站的空调调控的方法。
本公开实施例中,根据具体的未来时间(目标时间),以及目标时间中基站的室外温度(预测室外温度),得出目标时间内空调的预测运行时间段,即预测出在目标时间内空调的优选运行方式,且在目标时间中,至少根据该优选运行方式控制空调的启动或关闭,从而既保证基站的设备不过热,又尽量降低能耗。
附图说明
在本公开实施例的附图中:
图1为本公开实施例提供的一种基站的空调调控的方法的流程图;
图2为本公开实施例提供的另一种基站的空调调控的方法的流程图;
图3为本公开实施例提供的另一种基站的空调调控的方法中使用的深度神经网络的逻辑结构示意图;
图4为本公开实施例提供的一种基站的空调调控的装置的组成框图;
图5为本公开实施例提供的一种电子设备的组成框图;
图6为本公开实施例提供的一种计算机可读介质的组成框图。
具体实施方式
为使本领域的技术人员更好地理解本公开实施例的技术方案,下面结合附图对本公开实施例提供的基站的空调调控的方法以及装置、电子设备、计算机可读介质进行详细描述。
在下文中将参考附图更充分地描述本公开实施例,但是所示的实施例可以以不同形式来体现,且不应当被解释为限于本公开阐述的实施例。反之,提供这些实施例的目的在于使本公开透彻和完整,并将使本领域技术人员充分理解本公开的范围。
本公开实施例的附图用来提供对本公开实施例的进一步理解,并且构成说明书的一部分,与本公开实施例一起用于解释本公开,并不构成对本公开的限制。通过参考附图对详细示例实施例进行描述,以上和其他特征和优点对本领域技术人员将变得更加显而易见,
本公开实施例可借助本公开的理想示意图而参考平面图和/或截面图进行描述。因此,可根据制造技术和/或容限来修改示例图示。
在不冲突的情况下,本公开各实施例及实施例中的各特征可相互组合。
本公开所使用的术语仅用于描述特定实施例,且不意欲限制本公开。如本公开所使用的术语“和/或”包括一个或多个相关列举条目的任何和所有组合。如本公开所使用的单数形式“一个”和“该”也意欲包括复数形式,除非上下文另外清楚指出。如本公开所使用的术语“包括”、“由……制成”,指定存在所述特征、整体、步骤、操作、元件和/或组件,但不排除存在或添加一个或多个其他特征、整体、步骤、操作、元件、组件和/或其群组。
除非另外限定,否则本公开所用的所有术语(包括技术和科学术语)的含义与本领域普通技术人员通常理解的含义相同。还将理解,诸如那些在常用字典中限定的那些术语应当被解释为具有与其在相关技术以及本公开的背景下的含义一致的含义,且将不解释为具有理想化或过度形式上的含义,除非本公开明确如此限定。
本公开实施例不限于附图中所示的实施例,而是包括基于制造工艺而形成的配置的修改。因此,附图中例示的区具有示意性属性,并且图中所示区的形状例示了元件的区的具体形状,但并不是旨在限制性的。
在一些相关技术中,可使用温控启停方法控制基站的空调。具体的,温控启停方法中,根据人工经验设置空调启动/关闭的温度参数,例如为35℃/25℃,即基站的室内温度(室温)超过35℃时控制空调启动,而低于25℃控制空调关闭。
但是,以上的温度参数都具有“双向性”,即其过高或过低都不好。例如,启动温度设置过高,可能空调不能及时启动,基站的设备容易过热,引起事故;而启动温度设置过低,则会导致空调频繁启动,增大不必要的功耗。
温控启停方法虽然简便,但因为其仅以基站的室内温度作为参考控制空调,而未考虑其它因素,故实际中往往难以落地,即无法确定出启动/关闭的温度参数,如无法确定空调启动/关闭的温度参数到底是35℃/25℃好,还是33℃/23℃好,或是37℃/23℃好等。
例如,若某基站的室内温度长期低于35℃,但在某个时刻因业务高峰和气温高峰的叠加,室内温度短暂超过35℃,则空调就会启动,但实际上即使不启动空调,短时间后室内温度也会回落,故此时空调启动就是没有必要的(通常基站的设备的工作温度范围长期可到40℃,短时可达50℃)。而若仅以室内温度为标准,我们又无法确定室内温度是会长期超过35℃还是仅短期超过,故无法确定35℃的参数值是否合理。
第一方面,参照图1,本公开实施例提供一种基站的空调调控的方法,其包括:
S101、确定未来的目标时间中基站的预测室外温度。
例如,UME(Unified Management Expert,统一管理专家,是一种云端管理系统)确定需要对基站的空调进行控制的一个未来的时间或时间段(例如“一天”)为目标时间,获取该时间中基站所在地的预测室外温度。
目标时间为未来的一个时间(或时间段),故预测室外温度也需要通过天气预报等预测方式获取,从而本步骤中获取了希望在未来要控制空调的时间段中,基站室外的温度(即环境温度)。
S102、根据目标时间和预测室外温度,确定基站的空调在目标时间中的预测运行时间段。
其中,根据目标时间和预测室外温度,确定基站的空调在目标时间中的预测运行时间段;一定时间内空调的预测运行时间段为在基站的室内温度不超过第一预定标准的情况下,使该时间内空调的总功耗符合第二预定标准时空调的运行时间段。
例如,UME根据目标时间以及获取的预设室外温度,确定基站的空调在目标时间中的预测运行时间段。即,UME预测根据目标时间以及预设室外温度,空调在目标时间中的哪些时间段运行时,可既保证基站的室内温度不超过第一预定标准,又保证空调在目标时间内的总功耗符合第二预定标准最小。
其中,当基站的室内温度符合以上“第一预定标准”时,可保证基站的设备不发生过热,即“第一预定标准”至少能保证基站的设备不发生过热;当然,如果“第一预定标准”还可使基站的设备更好的避免过热(比如距离过热有一定的余量),也可是可行的。
其中,以上“第二预定标准”则是指可使空调的总功耗相对较低的标准。例如,“第二预定标准”可以是在基站的室内温度不超过第一预定标准的情况下,保证空调的总功耗“最小”;或者,“第二预定标准”也可以在基站的室内温度不超过第一预定标准的情况下,保证空调的总功耗不超过一个预定的“预设值”等。
也就是说,目标时间内的预测运行时间段实际体现了空调理论上“应当”在目标时间内的哪些时间段运行(启动),或者说是空调的“优选运行时间段”,但是其具体的表示方式可以是多样的。
例如,预测运行时间段也可包括多组(如12组)“启动时刻”和“运行时间”,空调应在达到启动时刻时启动(开机),在持续了运行时间后关闭(停机)。
再如,预测运行时间段也可包括多个间隔的运行时间段,空调应在运行时间段内运行;而运行时间段之间的时间即为关闭时间段,空调应在关闭时间段内关闭。
S103、在目标时间中,至少根据预测运行时间段控制基站的空调。
当实际来到目标时间时,UME将获取的预测运行时间段发送至FSU(空调调控器),从而UME通过FSU至少根据预测运行时间段控制基站的空调,即可在预测运行时间段让保持基站的空调处于打开的状态。
本公开实施例中,根据具体的未来时间(目标时间),以及目标时间中基站的室外温度(预测室外温度),得出目标时间内空调的预测运行时间段,即预测出在目标时间内空调的优选运行方式,且在目标时间中,至少根据该优选运行方式控制空调的启动或关闭,从而既保证基站的设备不过热,又尽量降低能耗。
参照图2,在一些实施例中,确定未来的目标时间中基站的预测室外温度(S101),包括:
S1011、获取实际室外温度,以及目标时间中天气预报的预报温度,根据实际室外温度以及预报温度计算目标时间中基站的预测室外温度。
即可根据基站的实际室外温度,以及天气预报的目标时间中的预报温度,综合计算未来的目标时间中基站的预测室外温度,例如,可用天气预报的温度和上一小时内的实际室外温度的加权平均值,作为预测室外温度。
参照图2,在一些实施例中,在目标时间中,至少根据预测运行时间段控制基站的空调(S103),包括:
S1031、在目标时间中,根据基站的实时室内温度、预设的附加规则以及预测运行时间段控制基站的空调。
由于预测运行时间为预测结果,而现实具有一定的不可预测性,故预测运行时间不可能与实际情况绝对吻合。例如,目标时间中基站所在地的实际温度可能高于预测室外温度,此时若仍只按照预测运行时间段控制基站的空调,可能导致基站的设备过热,对基站的设备造成损伤。
为了减少这种情况的发生,可在UME上配置附加规则,从而在目标时间中,还需要根据基站的实时室内温度以及预设的附加规则对空调的实际运行状况进行一定的“调整”。
在一些实施例中,附加规则包括:
若基站的实时室内温度超过预设的甚高温阈值且基站的空调未运行,则控制基站的空调启动;
若基站的实时室内温度低于预设的甚低温阈值且基站的空调正在运行,则控制基站的空调关闭;
若基站的实时室内温度超过预设的工作高温阈值且处于预测运行时间段内,则控制空调处于运行状态。
当检测到基站的实时室内温度超过了甚高温阈值(一个较高的预设温度值),则表明若不及时降温,基站的设备可能因为过热而出现异常,因此若此时基站的空调未启动(如不在预测运行时间段),也需要强行控制基站的空调启动以对基站的设备进行降温,避免其因过热而异常。
当检测到基站的实时室内温度低于甚低温阈值(一个较低的预设温度值),则表明基站的设备的温度处在一个很为安全的范围内,大概率在较长一段时间中不会过热,因此若此时基站的空调仍启动(如处于预测运行时间段),则可强行控制基站的空调关闭以节省能源。
当处于预测运行时间段内时,理论上空调应启动,但若此时基站的实时室内温度不高(未超过工作高温阈值)则说明实际上空调不必启动,故可仅在基站的实时室内温度超过工作高温阈值且处于预测运行时间段时,才控制空调处于启动状态。
当然,附加规则还可包括其它的参数,如最小关闭时长、最大运行时长等。
例如,当要启动空调(如进入预测运行时间段)时,应保证空调距上次关闭的时间已经超过了最小关闭时长(如0.5小时),否则就不启动,以避免空调频繁启动。
再如,当空调持续运行超过最大运行时长(如12小时)时,也可将其强行关闭,以让空调设备休息。
其中,以上甚高温阈值、甚低温阈值、高温阈值、最小关闭时长、最大运行时长等参数的具体值可根据需要设置(但应保证甚高温阈值高于高温阈值,高温阈值高于甚低温阈值),例如,若某基站的设备对温度比较敏感,则其温阈值、高温阈值都需要设置较低的参数。
其中,以上甚高温阈值、甚低温阈值、高温阈值、最小关闭时长、最大运行时长等参数中使用几个,以及各参数、规则间的优先级关系等也可根据需要设置。例如,可以是在不满足最小关闭时长时,即使温度超过甚高温阈值也不启动空调;或者,也可以是温度超过甚高温阈值时,不论是否满足最小关闭时长,均启动空调。
参照图2,在一些实施例中,根据目标时间和预测室外温度,确定基站的空调在目标时间中的预测运行时间段(S102),包括:
S1021、将目标时间和预测室外温度输入预设的深度神经网络模型,获取深度神经网络模型输出的基站的空调在目标时间中的预测运行时间段。
作为本公开实施例的一种具体方式,可使用预设的深度神经网络(NN,NeuralNetwork)模型得出以上预测运行时间段。
具体的,以上深度神经网络模型可部署在UME上,从而UME可根据深度神经网络模型得出预测运行时间段,并结合内部配置的附加规则,通过FSU控制空调。
参照图3,在一些实施例中,深度神经网络模型包括第一子模型、第二子模型以及第三子模型;
第一子模型,配置为确定一定时间中基站的预测负荷量,并将预测负荷量输入第二子模型;
第二子模型,配置为根据一定时间中基站的负荷量以及室外温度,确定不运行空调时基站的预测室内温度,并将预测室内温度输入第三子模型;
第三子模型,配置为根据一定时间中基站的室内温度以及空调制冷参数,确定该时间中基站的空调的预测运行时间段;
将目标时间和预测室外温度输入预设的深度神经网络模型,包括:
将目标时间输入第一子模型,将预测室外温度输入第二子模型。
以上深度神经网络模型可包括三个子模型(当然也都是深度神经网络模型)。
显然,基站的负荷量可能与时间的特性(即时间参数)有一定的相关性。例如,时间的具体日期(例如为几月几日、星期几)、时间是否属于节假日、时间中的业务潮汐、时间中是否有区域性事件(如大型集会)等,都会影响该时间内基站可能的负荷量。因此,第一子模型经过训练后,可以根据历史时间中基站的实际负荷量和相应的时间参数(如节假日、时间业务潮汐、区域性事件等),以及目标时间和相应的时间参数,预测目标时间(例如一天)中基站可能的负荷量(预测负荷量)。
在不开空调的情况下,基站的室内温度主要是由基站的负荷量(其与基站的设备的发热量相关)和室外温度决定的。因此,在经过训练后,第二子模型可用以上第一子模型得出的预测负荷量作为基站的负荷量,并用以上预测室外温度为基站的室外温度,预测出目标时间内,在不开空调的情况下,基站的室内温度(预测室内温度)。
在其它情况不变的前提下,在一定的室内温度下,基站中启动空调可起到怎样的降温效果是可以计算得到的。因此,以上第三子模型可用以上第二子模型得出的预测室内温度作为基站的室内温度(即不开空调时的理论室内温度),计算在空调的各种运行方式(即空调具体在何时运行)下基站的实际室内温度(即开空调后的室内温度),并确定在能让室内温度满足第一预定标准(如不让基站的设备过热)的各种运行方式中,哪种运行方式下空调在目标时间内的功耗符合第二预定标准(如功耗最小),并输出该运行方式,作为空调在目标时间中的预测运行时间段。
其中,第三子模型下的“空调制冷参数”是指,在当前的基站和空调的实际状况下,空调的实际制冷能力(或者说降低室内温度的能力),其可通过“制冷效率因子”等形式表示。
具体的,“空调制冷参数(制冷效率因子)”与基站的布局(如建筑面积、房型等)、基站中设备的布局(有哪些设备,都设置在基站的什么位置)、空调的性能(如空调的功率、型号、参数设置等)、空调的布置方式(如空调设在基站的什么位置,空调的风道设在基站的什么位置等)等内容确定,其可以是理论推导得到的,也可以是通过对基站的实际测试得到的。
显然,在基站和空调的布置不变的情况下,以上“空调制冷参数(制冷效率因子)”也是不变的定值,故第三子模型中的空调制冷参数(制冷效率因子)也可以是预定的,而仅在改变基站,或基站和空调的布置变化的情况下才重新设置。
当然,以上三个子模型的划分只是为了能更准确的得出预测运行时间段,而不是对本公开实施例保护范围的限定,即本公开实施例的深度神经网络模型也可具有不同的其它结构。
参照图2,在一些实施例中,在将目标时间和预测室外温度输入预设的深度神经网络模型(S1021)之前,还包括:
S100、训练深度神经网络模型。
其中,深度神经网络模型通常在使用前都要进行训练。
深度神经网络模型的基本训练过程是将实际结果已知的训练数据输入模型中,并获得模型输出的预测结果,并根据预测结果与实际结果的差别,调整深度神经网络模型中的各种参数,以逐渐优化深度神经网络模型的性能。
当然,深度神经网络模型的训练可以是“一次性”的,即通过大量训练数据的集中训练,使深度神经网络模型达到所需性能后,就不再继续进行训练。
或者,深度神经网络模型也可以是持续性的,即在深度神经网络模型的实际使用过程中(如用其控制空调的过程中),根据实际使用中不断积累的新的数据,不断持续的训练深度神经网络模型,或者说深度神经网络模型可以是不断优化的。
其中,由于本公开实施例中深度神经网络模型的三个子模型是相对独立的,故该三个子模型可以分别独立的训练。即,虽然在实际应用中是在前子模型的预测的输出作为在后子模型的输入;但在训练中,可直接将实测的数据输入到在后的子模型中,以使训练过程更加准确高效。
具体的,本公开实施例中深度神经网络模型的训练可包括以下步骤:
A1:通过计算机仿真,建立机房环境、发热设备和空调的热分布图,并据此得出空调制冷参数(制冷效率因子)。
A2:采集大量不同历史时间(如多日)中基站的室外温度、室内温度(指不开空调时)、负荷量等样本数据。
A3:根据室内温度和空调制冷参数,人工计算出各日的空调调控最优解向量(即各时间中空调的优选运行时间段)。
例如,每个空调调控最优解向量可包括多组空调的启动时刻,和相应的启动时长。
A4:根据下式,对所有样本数据进行归一化处理,使得每项样本数据均处于0~1之间:
其中,X*为归一化后的样本数据,Xreal为样本数据的真实值,Xmax为该类样本数据的最大值或上限值,Xmin为该类样本数据的最小值或下限值。
当然,归一化只是为了简化数据和方便处理,并不是本公开实施例的必须步骤。
A5:将不同时间的样本数据分入训练集、验证集和测试集中。
其中,训练集用于训练模型(或者说用于训练前期),验证集用于验证模型是否训练完成(或者说用于训练后期),测试集用于对训练完的模型进行测试(或者说用于测试训练结果)。
A6:构建并训练第一子模型。
以一定历史时间的负荷量和相应的时间参数(如节假日、业务潮汐、区域性事件等),以及待预测时间(但也是历史时间)和相应的时间参数为输入参数,用第一子模型输出待预测时间的预测负荷量,并将预测负荷量与相应时间的实际负荷量比较,以训练第一子模型。
A7:构建和训练第二子模型。
以周期采集的一定历史时间的实际室外温度、负荷量为输入参数,用第二子模型输出该历史时间的预测室内温度,并与该历史时间的实际室内温度比较,以训练第二子模型。
A8:构建和训练第三子模型。
以周期采集的一定历史时间的实际室内温度和制冷效率因子为输入参数,用第三子模型输出空该时间的空调调控最优解向量为输出,并与以上得出的相应时间的空调调控最优解向量进行比较,以训练第三子模型。
具体实施例1:
本公开实施例的一种基站的空调调控的方法,具体可包括以下步骤:
B01:预置附加规则。
根据常规基站运维经验预先设置以上附加规则。
例如,若基站的空调一般在室内温度超过35℃时启动,温度降至约25℃时关闭,则可在FSU或UME上配置如下参数:
1)高温阈值HT(high temperature),表示室内温度超过此阈值时,空调方可启动,缺省值35℃;
2)甚高温阈值VHT(very high temperature),表示室内温度超过此阈值时,空调无条件启动,缺省值40℃;
3)低温阈值LT(low temperature),表示空调运行时,若室内温度低于此阈值,空调方可关闭,缺省值25℃;
4)甚低温阈值VLT(very low temperature),表示室内温度低于此阈值时,空调无条件关闭,缺省值15℃;
5)最大运行时长MAXCOT(Maximum Continuous operation time),表示空调允许的最大连续运行的时长,缺省值12小时;
6)最小关闭时长MINCST(Minimum Continuous shutdown time),表示空调允许的最小的连续关闭的时长,缺省值0.5小时;
B02:数据采集,得到样本数据。
采集大量的机房室外温度TRout、室内温度TRin、负荷量LR等外部特征参数。
其中,以上参数的采集周期可根据参数通常的变化速度确定,例如TRout采集周期为10分钟,TRin和LR采集周期为5分钟。
其中,以上数据可以是实测数据,如在TRin较高、需要空调运行的情况下,需要通过假负载来模拟设备,并采集和记录TRout、TRin、LR等的实时数据。
或者,以上数据也可借用历史数据,如在TRin较低、空调较长关闭的情况下(比如TRout较低的季节或夜间),可使用大量已有的历史记录数据。
B03:数据标注,得到样本标签。
通过计算机电子散热CFD软件(如FloTHERM),建立机房环境、发热设备和空调的仿真模型,得到空调制冷参数(制冷效率因子)。
对样本数据(TRin、LR)进行模拟计算,求解出当日空调调控最优解向量(即空调的优选运行时间段),例如空调调控最优解向量可包括多个空调启动时刻Tmoment(hh:mm:ss),以及对应的启动时长,并保存到大数据中,作为对应的样本标签。
根据仿真结果和日常经验可知,每日空调不宜频繁启动。例如,可设定每日最多启动次数为12次,因此,若Tmoment/Thours标签组有2个有效值,即意味着当日空调调控最优解向量的意义是:空调当日应启动运行两次,每次在Tmoment到达时刻启动,运行时长为对应的Thours值。
B04:根据下式,对所有样本数据进行归一化处理,使得每项样本数据均处于0~1之间:
其中,X*为归一化后的样本数据,Xreal为样本数据的真实值,Xmax为该类样本数据的最大值或上限值,Xmin为该类样本数据的最小值或下限值。
具体的,归一化中的Xmax和可根据需要设定:
例如,对于TRout和TRin,可确定Xmax为上限值100℃,Xmin为下限值-40℃;
再如,对于LR,可设定Xmax为基站的满负荷时的值,Xmin为0;
再如,对Tmoment(hh:mm:ss),可设定Xmax为上限值1440(一天有24*60分钟),Xmin为0;
再如,对于空调启动时长Thours,可设定Xmax为上限值24(一天24小时),Xmin为0。
B05:将不同时间的样本数据分入训练集、验证集和测试集中。
通常训练集、验证集和测试集的样本数量可常规的6:2:2的比例分配。
B06:构建并训练第一子模型(负荷预测模型)。
以一定历史时间的负荷量和相应的时间参数(如节假日、业务潮汐、区域性事件等),以及待预测时间(但也是历史时间)和相应的时间参数为输入参数,用第一子模型输出待预测时间的预测负荷量,并将预测负荷量与相应时间的实际负荷量比较,以训练第一子模型。
其中,各数据的具体形式可以是多样的:
例如,历史时间的负荷量可取相应时间中负荷量的均值;
再如,节假日参数Fholiday可为(0,1)间的特征参数,根据人工经验约定,如某居民小区,正常工作日为0,双休日为0.1,春节长假为0.25等;
再如,节假日参数Fholiday可为(0,1)间的特征参数,根据人工经验约定,如某工业园,工作时间段为0.5、加班时间段为0.4、深夜时间段或非工作日为0.3等;
再如,区域性事件参数Fevent可为(0,1)间的特征参数,根据人工经验约定,如某区域,正常为0,有商业营销活动为0.1,有集会为0.2,有演唱会为0.3等。
B07:构建和训练第二子模型(室内温度预测模型)。
以周期采集的一定历史时间的实际室外温度、负荷量为输入参数,用第二子模型输出该历史时间的预测室内温度,并与该历史时间的实际室内温度比较,以训练第二子模型。
B08:构建和训练第三子模型(空调调控预测模型)。
以周期采集的一定历史时间的实际室内温度和制冷效率因子为输入参数,用第三子模型输出空该时间的空调调控最优解向量为输出,并与以上得出的相应时间的空调调控最优解向量进行比较,以训练第三子模型。
其中,以上制冷效率因子可为一个固定的值,如为0.5。
除非基站或空调的布置发生变化(例如更换了新的空调,改变了空调风道的位置,基站中的部分设备更换等),制冷效率因子的值通常是不变的。
示例性的,假设某次得出的空调调控最优解向量样本中Tmoment/Thours有2个有效值,如Tmoment1为0.45、Thours1为0.05,Tmoment2为0.60、Thours2为0.10;则该空调调控最优解向量表示的意义是:
1)当日空调预启动运行两次;
2)第一次启动时刻10:48(0.45*24=10.8=10:48),运行1.2小时(0.05*24=1.2),即运行时间区间为10:48~12:00(0.45*24+0.05*24=12);
3)第二次启动时刻14:24(0.60*24=14.4=14:24),运行2.4小时(0.10*24=2.4),即运行时间区间为14:24~16:48(0.60*24+0.10*24=16.8)。
B09:部署深度神经网络模型。
深度神经网络模型经过训练和优化后,根据实际运行环境进行部署,例如三个子模型都部署在UME上,充分利用了云端的强大算力资源,以便实现实时或在线的训练。
当然,如有必要,也可以通过增加计算棒等方式,把深度神经网络模型部署在边缘侧,如部署在FSU上。
B10:FSU采集室内温度、室外温度、负荷量等实时信息并上传给UME。
在基站实际运行过程中,FSU实时的采集各种参数并上传给UME。
B11:UME上运行模型,输出空调调控最优解向量(预测运行时间段)。
每个子模型都按照各自的功能工作,从而输出针对未来的目标时间(如一天)的空调的预测运行时间段。
其中,输入到第二子模型的预测室外温度可根据天气预报的预报温度和实际室外温度得出。例如
预测室外温度=当地天气预报温度*0.8+上一小时实际室外温度*0.2。
B12:空调调控指令计算。
根据以上空调调控最优解向量(预测运行时间段),之前设定的附加规则,以及基站的实时室内温度,确定对空调的控制方案。
例如,其具体流程可如下:
1)空调初始化:空调初始状态为关闭,将空调运行时长Ton清零、空调关闭时长Toff清零;
2)空调关闭时长Toff开始计时;
3)获取当前时间;
4)获取当前的实时室内温度Temp;
5)判断是否启动高温异常启动流程:如果Tmep大于VHT并且Toff大于MINCST,则先设置空调运行最大时长Ton-max值为MAXCOT,再运行步骤8),否则继续下一步;
6)判断是否启动低温异常关闭流程:如果Tmep小于VLT,则运行步骤10),否则继续下一步;
7)判断是否启动高温预启动流程:如果系统当前时间到达Tmoment时刻、且Tmep大于HT、且Toff大于MINCST时,则先设置Ton-max为Thours和MAXCOT中的较小值,在继续下一步,否则跳转回步骤2);
8)空调启动运行流程:执行空调启动动作,将Toff清零,Ton开始计时;
9)判断空调运行是否超时:如果Ton大于Ton-max值,则继续下一步,若则跳转回步骤3);
10)空调关闭流程:执行空调关闭动作,Ton清零,Toff开始计时,跳转回步骤3)。
B13:UME把步骤B12得出的空调调控指令下发给FSU,由FSU根据空调调控指令实际控制空调启动或关闭。
其中,FSU也可内置传统的温控启停方法的对应程序,如果无法及时接收UME的空调调控指令(比如通讯网络长期中断时),则FSU自动执行内置对应程序,用传统的温控启停方法暂时控制空调。
S14:实时训练。
若环境条件较好(如FSU和UME间有快速以太网互联,云端算力资源充足),支持实时或在线训练,则在空调较长时间未运行时(比如气温凉爽的季节,或者低温的夜晚),可以根据实时采集的室外温度、负荷量、室内温度等,用新采集到的数据实时继续进行深度神经网络模型的训练,提升模型的预测精度。
其中,以上B01至B09步骤,可以是在后续步骤开始前集中进行一次;而B10、B11、B12、B13、B14步骤都可设计成独立运行的任务(或进程),各任务可并发执行;而B10步骤可周期性的运行(如运行周期为5分钟);B11步骤可在每日零点前执行一次,输出当日的空调调控最优解向量;B12步骤可实时运行;B13步骤可在收到下发的空调调控指令后立即执行;如B12步骤中实际空调启动时刻和运行时长与B11步骤输出的Tmoment和Thours不一致(比如误差超过10分钟),则可再次执行B11步骤,更新当日的空调调控最优解向量,以提高预测的精确度。
第二方面,参照图4,本公开实施例提供一种基站的空调调控的装置,其包括:
确定模块,配置为确定未来的目标时间中基站的预测室外温度;
预测模块,配置为根据目标时间和预测室外温度,确定基站的空调在目标时间中的预测运行时间段;一定时间内空调的预测运行时间段为在基站的室内温度不超过第一预定标准的情况下,使该时间内空调的总功耗符合第二预定标准时空调的运行时间段;
控制模块,配置为在目标时间中,至少根据预测运行时间段控制基站的空调。
本公开实施例中,根据具体的未来时间(目标时间),以及目标时间中基站的室外温度(预测室外温度),得出目标时间内空调的预测运行时间段,即预测出在目标时间内空调的优选运行方式,且在目标时间中,至少根据该优选运行方式控制空调的启动或关闭,从而既保证基站的设备不过热,又尽量降低能耗。
第三方面,参照图5,本公开实施例提供一种电子设备,其包括:
一个或多个处理器,
存储器,其上存储有一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现上述任意一项的基站的空调调控的方法;
一个或多个I/O接口,连接在处理器与存储器之间,用于实现处理器与存储器的信息交互。
其中,处理器为具有数据处理能力的器件,其包括但不限于中央处理器(CPU)等;存储器为具有数据存储能力的器件,其包括但不限于随机存取存储器(RAM,更具体如SDRAM、DDR等)、只读存储器(ROM)、带电可擦可编程只读存储器(EEPROM)、闪存(FLASH);I/O接口(读写接口)连接在处理器于存储器间,用于实现存储器与处理器的信息交互,其包括但不限于数据总线(Bus)等。
第四方面,参照图6,本公开实施例提供一种计算机可读介质,其上存储有计算机程序,程序被处理器执行时实现上述任意一种基站的空调调控的方法。
其中,处理器为具有数据处理能力的器件,其包括但不限于中央处理器(CPU)等;存储器为具有数据存储能力的器件,其包括但不限于随机存取存储器(RAM,更具体如SDRAM、DDR等)、只读存储器(ROM)、带电可擦可编程只读存储器(EEPROM)、闪存(FLASH);I/O接口(读写接口)连接在处理器与存储器间,能实现存储器与处理器的信息交互,其包括但不限于数据总线(Bus)等。
本领域普通技术人员可以理解,上文中所公开的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。
在硬件实施方式中,在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分;例如,一个物理组件可以具有多个功能,或者一个功能或步骤可以由若干物理组件合作执行。
某些物理组件或所有物理组件可以被实施为由处理器,如中央处理器(CPU)、数字信号处理器或微处理器执行的软件,或者被实施为硬件,或者被实施为集成电路,如专用集成电路。这样的软件可以分布在计算机可读介质上,计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的,术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于随机存取存储器(RAM,更具体如SDRAM、DDR等)、只读存储器(ROM)、带电可擦可编程只读存储器(EEPROM)、闪存(FLASH)或其他磁盘存储器;只读光盘(CD-ROM)、数字多功能盘(DVD)或其他光盘存储器;磁盒、磁带、磁盘存储或其他磁存储器;可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外,本领域普通技术人员公知的是,通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据,并且可包括任何信息递送介质。
本公开已经公开了示例实施例,并且虽然采用了具体术语,但它们仅用于并仅应当被解释为一般说明性含义,并且不用于限制的目的。在一些实例中,对本领域技术人员显而易见的是,除非另外明确指出,否则可单独使用与特定实施例相结合描述的特征、特性和/或元素,或可与其他实施例相结合描述的特征、特性和/或元件组合使用。因此,本领域技术人员将理解,在不脱离由所附的权利要求阐明的本公开的范围的情况下,可进行各种形式和细节上的改变。
Claims (9)
1.一种基站的空调调控的方法,其包括:
确定未来的目标时间中基站的预测室外温度;
根据所述目标时间和所述预测室外温度,确定所述基站的空调在目标时间中的预测运行时间段;所述目标时间内空调的预测运行时间段为在基站的室内温度不超过第一预定标准的情况下,使该时间内空调的总功耗符合第二预定标准时空调的运行时间段;其中,所述第一预定标准至少能保证所述基站的设备不发生过热,所述第二预定标准是指可使所述空调的总功耗相对较低的标准;
在所述目标时间中,至少根据所述预测运行时间段控制所述基站的空调;
所述根据所述目标时间和所述预测室外温度,确定所述基站的空调在目标时间中的预测运行时间段,包括:
将所述目标时间和所述预测室外温度输入预设的深度神经网络模型,获取所述深度神经网络模型输出的基站的空调在所述目标时间中的预测运行时间段;
所述深度神经网络模型包括第一子模型、第二子模型以及第三子模型;
所述第一子模型,配置为确定所述目标时间中基站的预测负荷量,并将所述预测负荷量输入第二子模型;
所述第二子模型,配置为根据所述目标时间中基站的负荷量以及室外温度,确定不运行空调时基站的预测室内温度,并将所述预测室内温度输入第三子模型;
所述第三子模型,配置为根据所述目标时间中基站的室内温度以及空调制冷参数,确定该时间中基站的空调的预测运行时间段。
2.根据权利要求1所述的方法,其中,所述在所述目标时间中,至少根据所述预测运行时间段控制所述基站的空调,包括:
在所述目标时间中,根据所述基站的实时室内温度、预设的附加规则以及所述预测运行时间段控制所述基站的空调。
3.根据权利要求2所述的方法,其中,所述附加规则包括:
若所述基站的实时室内温度超过预设的甚高温阈值且所述基站的空调未运行,则控制所述基站的空调启动;
若所述基站的实时室内温度低于预设的甚低温阈值且所述基站的空调正在运行,则控制所述基站的空调关闭;
若所述基站的实时室内温度超过预设的工作高温阈值且处于所述预测运行时间段内,则控制所述空调处于运行状态。
4.根据权利要求1所述的方法,其中,所述将所述目标时间和所述预测室外温度输入预设的深度神经网络模型,包括:
将所述目标时间输入所述第一子模型,将所述预测室外温度输入第二子模型。
5.根据权利要求1所述的方法,其中,在所述将所述目标时间和所述预测室外温度输入预设的深度神经网络模型之前,还包括:
训练所述深度神经网络模型。
6.根据权利要求1所述的方法,其中,所述确定未来的目标时间中基站的预测室外温度,包括:
获取实际室外温度,以及所述目标时间中天气预报的预报温度,根据所述实际室外温度以及预报温度计算所述目标时间中基站的预测室外温度。
7.一种基站的空调调控的装置,其包括:
确定模块,配置为确定未来的目标时间中基站的预测室外温度;
预测模块,配置为根据所述目标时间和所述预测室外温度,确定所述基站的空调在目标时间中的预测运行时间段;所述目标时间内空调的预测运行时间段为在基站的室内温度不超过第一预定标准的情况下,使该时间内空调的总功耗符合第二预定标准时空调的运行时间段;其中,所述第一预定标准至少能保证所述基站的设备不发生过热,所述第二预定标准是指可使所述空调的总功耗相对较低的标准;
控制模块,配置为在所述目标时间中,至少根据所述预测运行时间段控制所述基站的空调;
所述根据所述目标时间和所述预测室外温度,确定所述基站的空调在目标时间中的预测运行时间段,包括:
将所述目标时间和所述预测室外温度输入预设的深度神经网络模型,获取所述深度神经网络模型输出的基站的空调在所述目标时间中的预测运行时间段;
所述深度神经网络模型包括第一子模型、第二子模型以及第三子模型;
所述第一子模型,配置为确定所述目标时间中基站的预测负荷量,并将所述预测负荷量输入第二子模型;
所述第二子模型,配置为根据所述目标时间中基站的负荷量以及室外温度,确定不运行空调时基站的预测室内温度,并将所述预测室内温度输入第三子模型;
所述第三子模型,配置为根据所述目标时间中基站的室内温度以及空调制冷参数,确定该时间中基站的空调的预测运行时间段。
8.一种电子设备,其包括:
一个或多个处理器;
存储器,其上存储有一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现根据权利要求1至6中任意一项所述的基站的空调调控的方法;
一个或多个I/O接口,连接在所述处理器与存储器之间,用于实现所述处理器与存储器的信息交互。
9.一种计算机可读介质,其上存储有计算机程序,所述程序被处理器执行时实现根据权利要求1至6中任意一项所述的基站的空调调控的方法。
Priority Applications (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010599919.2A CN113847715B (zh) | 2020-06-28 | 2020-06-28 | 基站的空调调控的方法以及装置、电子设备、介质 |
PCT/CN2021/102691 WO2022001935A1 (zh) | 2020-06-28 | 2021-06-28 | 空调控制方法以及装置、电子设备、介质 |
BR112022026881A BR112022026881A2 (pt) | 2020-06-28 | 2021-06-28 | Dispositivo eletrônico, meio, método e dispositivo de controle para condicionador de ar |
EP21833477.9A EP4170249A4 (en) | 2020-06-28 | 2021-06-28 | METHOD AND DEVICE FOR CONTROLLING AN AIR CONDITIONING SYSTEM, ELECTRONIC DEVICE AND MEDIUM |
JP2022580480A JP2023532492A (ja) | 2020-06-28 | 2021-06-28 | 空調制御方法及び装置、電気機器、媒体 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010599919.2A CN113847715B (zh) | 2020-06-28 | 2020-06-28 | 基站的空调调控的方法以及装置、电子设备、介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113847715A CN113847715A (zh) | 2021-12-28 |
CN113847715B true CN113847715B (zh) | 2024-01-02 |
Family
ID=78972538
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010599919.2A Active CN113847715B (zh) | 2020-06-28 | 2020-06-28 | 基站的空调调控的方法以及装置、电子设备、介质 |
Country Status (5)
Country | Link |
---|---|
EP (1) | EP4170249A4 (zh) |
JP (1) | JP2023532492A (zh) |
CN (1) | CN113847715B (zh) |
BR (1) | BR112022026881A2 (zh) |
WO (1) | WO2022001935A1 (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117267851A (zh) * | 2022-06-13 | 2023-12-22 | 青岛海尔空调器有限总公司 | 空调器控制方法、装置、设备及存储介质 |
CN115614905A (zh) * | 2022-09-19 | 2023-01-17 | 珠海格力电器股份有限公司 | 一种空调器及其室内温度预测方法和装置 |
CN116321243B (zh) * | 2023-01-05 | 2023-09-26 | 杭州纵横通信股份有限公司 | 一种基站的移动性管理方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN204438426U (zh) * | 2015-01-13 | 2015-07-01 | 中国联合网络通信集团有限公司 | 一种基站环境控制系统 |
CN108302719A (zh) * | 2018-01-29 | 2018-07-20 | 广东美的暖通设备有限公司 | 多联机空调系统的控制方法、装置、系统和存储介质 |
CN110864414A (zh) * | 2019-10-30 | 2020-03-06 | 郑州电力高等专科学校 | 基于大数据分析的空调用电负荷智能控制调度方法 |
CN110895032A (zh) * | 2019-12-31 | 2020-03-20 | 福建省南鸿通讯科技有限公司 | 一种通信机房空调故障自动诊断与定位的方法与装置 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5362537B2 (ja) * | 2008-12-25 | 2013-12-11 | 三洋電機株式会社 | 空調制御装置、冷却システム及び空調制御プログラム |
CN102821581A (zh) * | 2011-06-08 | 2012-12-12 | 上海启电信息科技有限公司 | 一种通信机房节能方法 |
EP3040633A4 (en) * | 2013-08-29 | 2017-06-14 | Mitsubishi Electric Corporation | Air conditioning system |
US9851119B2 (en) * | 2014-11-17 | 2017-12-26 | Vivint, Inc. | HVAC workload and cost logic |
JP6807556B2 (ja) * | 2015-10-01 | 2021-01-06 | パナソニックIpマネジメント株式会社 | 空調制御方法、空調制御装置及び空調制御プログラム |
KR102440118B1 (ko) * | 2018-03-05 | 2022-09-05 | 삼성전자주식회사 | 공조 장치 및 그 제어 방법 |
WO2020039430A1 (en) * | 2018-08-20 | 2020-02-27 | Grid4C | Method and system for hvac inefficiency prediction using household electrical smart meter data |
CN110701732B (zh) * | 2019-12-10 | 2020-06-16 | 南昌掘策数据服务有限公司 | 能耗数据分析方法、系统及中央空调的节能方法和系统 |
CN111237989B (zh) * | 2020-02-04 | 2021-06-08 | 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 |
-
2020
- 2020-06-28 CN CN202010599919.2A patent/CN113847715B/zh active Active
-
2021
- 2021-06-28 JP JP2022580480A patent/JP2023532492A/ja active Pending
- 2021-06-28 WO PCT/CN2021/102691 patent/WO2022001935A1/zh unknown
- 2021-06-28 BR BR112022026881A patent/BR112022026881A2/pt unknown
- 2021-06-28 EP EP21833477.9A patent/EP4170249A4/en active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN204438426U (zh) * | 2015-01-13 | 2015-07-01 | 中国联合网络通信集团有限公司 | 一种基站环境控制系统 |
CN108302719A (zh) * | 2018-01-29 | 2018-07-20 | 广东美的暖通设备有限公司 | 多联机空调系统的控制方法、装置、系统和存储介质 |
CN110864414A (zh) * | 2019-10-30 | 2020-03-06 | 郑州电力高等专科学校 | 基于大数据分析的空调用电负荷智能控制调度方法 |
CN110895032A (zh) * | 2019-12-31 | 2020-03-20 | 福建省南鸿通讯科技有限公司 | 一种通信机房空调故障自动诊断与定位的方法与装置 |
Also Published As
Publication number | Publication date |
---|---|
EP4170249A4 (en) | 2023-12-06 |
BR112022026881A2 (pt) | 2023-01-24 |
WO2022001935A1 (zh) | 2022-01-06 |
CN113847715A (zh) | 2021-12-28 |
JP2023532492A (ja) | 2023-07-28 |
EP4170249A1 (en) | 2023-04-26 |
EP4170249A9 (en) | 2023-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113847715B (zh) | 基站的空调调控的方法以及装置、电子设备、介质 | |
US11796205B2 (en) | Systems and methods of optimizing HVAC control in a building or network of buildings | |
US10373082B2 (en) | Integration of commercial building operations with electric system operations and markets | |
JP6282071B2 (ja) | 空調制御システム及び空調制御方法 | |
JP7473690B2 (ja) | 冷却機器の制御方法、冷却機器制御装置、コンピュータ機器及びコンピュータ可読媒体 | |
CN112762576A (zh) | 空调系统控制方法、达温时间预测模型训练方法及设备 | |
US11188039B2 (en) | Building management system with dynamic energy prediction model updates | |
CN116991215A (zh) | 基于因果学习的数据中心基础结构优化方法 | |
CN112283890A (zh) | 适应建筑暖通设备监控系统的冷热量控制方法及装置 | |
US11251617B2 (en) | Energy conservation using active demand stabilization | |
US20230170697A1 (en) | Techniques for predictive control of energy use in a structure | |
KR102052247B1 (ko) | 전력사용을 예측하고 능동적으로 수요반응 및 에너지 절감을 제공하는 전력관리 방법 및 장치 | |
Adetola et al. | Ramping Services from Grid-interactive Buildings | |
US11636558B2 (en) | Energy management system and energy management method for water supply | |
KR102374663B1 (ko) | 전력 관리 장치 및 방법 | |
US11698652B2 (en) | Energy conservation using active demand stabilization | |
CN109325668A (zh) | 能源系统的调控方法和装置 | |
JP7194767B2 (ja) | 発電制御システム | |
KR102498340B1 (ko) | Bems 기반으로 히트 펌프들의 운용 스케줄을 결정 위한 장치 및 방법 | |
CN114608187A (zh) | 一种冷机调节方式确定方法、装置、设备及存储介质 | |
Coffey et al. | Development and testing of model predictive control for a campus chilled water plant with thermal storage | |
WO2023102455A1 (en) | Techniques for predictive control of energy use in a structure | |
CN117804030A (zh) | 基于云边协同的空调冷站运行调优方法、装置及电子设备 | |
CN118131642A (zh) | 冷热源水系统的控制方法和装置、存储介质、电子装置 | |
WO2023140882A1 (en) | Net zero energy facilities |
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 |