CN114216246B - 空调机组控制方法、装置、存储介质及电子设备 - Google Patents

Abstract

本公开涉及一种空调机组控制方法、装置，存储介质及电子设备，以提高空调机组的节能效果。该方法包括：获取对应在目标数据类型下的待处理数据；对所述待处理数据进行预测，得到目标出水温度；基于所述目标出水温度，生成控制指令，所述控制指令用于控制将所述空调机组的出水温度调控为所述目标出水温度。

Description

空调机组控制方法、装置、存储介质及电子设备

技术领域

本公开涉及自动控制技术领域，具体地，涉及一种空调机组控制方法、装置、存储介质及电子设备。

背景技术

随着能源需求的快速增长和环境持续恶化，节能减排逐渐成为各行各业需要面临的一项重要任务。例如，在楼宇空调机组运行管理中，可以通过调控空调机组的出水温度，从而使得空调机组在满足正常需求的同时，能够更加的节能。

相关技术中，主要是由空调机组的运维人员定期对空调机组的出水温度进行人工调控，然而，人工调控的方法使得空调机组存在节能效果差的问题。

发明内容

本公开的目的是提供一种空调机组控制方法、装置、存储介质及电子设备，以提高空调机组的节能效果。

为了实现上述目的，第一方面，本公开提供一种空调机组控制方法，所述方法包括：

获取对应在目标数据类型下的待处理数据；

对所述待处理数据进行预测，得到目标出水温度；

基于所述目标出水温度，生成控制指令，所述控制指令用于控制将所述空调机组的出水温度调控为所述目标出水温度。

可选地，所述对所述待处理数据进行预测，得到所述空调机组对应的目标出水温度，包括：

通过预先训练的混合神经网络模型对所述待处理数据进行预测，得到所述预先训练的神经网络模型输出的所述目标出水温度。

可选地，所述预先训练的混合神经网络模型包括相互连接的极端梯度提升模型以及人工神经网络模型，通过预先训练的混合神经网络模型对所述待处理数据进行预测，得到所述预先训练的神经网络模型输出的所述目标出水温度，包括：

通过所述极端梯度提升模型对所述待处理数据进行处理，得到所述极端梯度提升模型输出的中间结果；

通过所述人工神经网络模型对所述中间结果进行处理，得到所述人工神经网络模型输出的所述目标出水温度。

可选地，所述预先训练的混合神经网络模型的训练方法包括：

获取样本数据集合，所述样本数据集合中的每一个样本数据包括同一时刻对应在所述目标数据类型下的数据以及该时刻对应的出水温度；

利用所述样本数据集合对初始混合神经网络模型进行训练，得到所述预先训练的混合神经网络模型，其中，所述初始混合神经网络模型的损失函数是基于所述初始混合神经网络模型输出的出水温度以及所述样本数据包括的出水温度构造的。

可选地，所述方法还包括：

获取原始样本数据集合；

从所述原始样本数据集合中确定样本子集，各个样本子集包括不同数据类型对应的数据；

分别利用各个所述样本子集对基于深度学习的时间序列预测模型进行训练，得到各个所述样本子集对应的训练完成的预测模型，所述基于深度学习的时间序列预测模型的损失函数是基于所述基于深度学习的时间序列预测模型输出的出水温度以及所述样本子集包括的出水温度构造的；

基于所述各个训练完成的预测模型对应的模型评估指标的大小，确定目标模型；

将训练所述目标模型的样本子集中的数据类型，确定为所述目标数据类型。

可选地，所述方法还包括：

获取原始样本数据集合，所述原始样本数据集合中的数据包括基础数据类型对应的数据，第一参考数据类型对应的数据以及第二参考数据类型对应的数据；

将所述基础数据类型对应的数据以及多个具有关联关系的第一参考数据类型对应的数据，确定为一个样本子集，以及将所述基础数据类型对应的数据以及一个第二参考数据类型对应的数据，确定为一个样本子集；

分别利用各个所述样本子集对基于深度学习的时间序列预测模型进行训练，得到各个所述样本子集对应的训练完成的预测模型，以及利用由所述基础数据类型对应的数据构成的样本子集对基于深度学习的时间序列预测模型进行训练，得到基础预测模型，所述基于深度学习的时间序列预测模型的损失函数是基于所述基于深度学习的时间序列预测模型输出的出水温度以及所述样本子集包括的出水温度构造的；

基于所述各个训练完成的预测模型以及所述基础预测模型各自对应的模型评估指标的大小关系，确定所述目标数据类型。

可选地，所述目标数据类型包括环境温度、环境湿度、空调机组运行数据、压缩机运行数据、水泵运行数据、空调机组数量中的一种或者多种数据类型的组合，所述运行数据包括耗电量、电压、电流以及功率。

为了实现上述目的，第二方面，本公开提供一种空调机组控制装置，所述装置包括：

获取模块，用于获取对应在目标数据类型下的待处理数据；

预测模块，用于对所述待处理数据进行预测，得到目标出水温度；

控制模块，用于基于所述目标出水温度，生成控制指令，所述控制指令用于控制将所述空调机组的出水温度调控为所述目标出水温度。

第三方面，本公开提供一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现第一方面中任一项所述方法的步骤。

第四方面，本公开提供一种电子设备，包括：

存储器，其上存储有计算机程序；

处理器，用于执行所述存储器中的所述计算机程序，以实现第一方面中任一项所述方法的步骤。

通过上述技术方案，由于电子设备能够获取数据并预测得到目标出水温度，再基于目标出水温度生成控制将所述空调机组的出水温度调控为所述目标出水温度的控制指令，从而实现对空调机组出水温度的自动调控，并且由于电子设备获取待处理数据的间隙可以是比较自由的设置，因此，相较于人工调控的方式可以更加容易增加出水温度调控的频率，以及时适应变化的环境系统，尽量使得空调机组运行在更加节能的状态下，提高了空调机组的节能效果。

本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。

附图说明

附图是用来提供对本公开的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本公开，但并不构成对本公开的限制。在附图中：

图1是根据本公开一示例性实施例示出的一种空调机组控制方法的流程图；

图2是根据本公开一示例性实施例示出的另一种空调机组控制方法的流程图；

图3是根据本公开一示例性实施例示出的一种确定目标数据类型的步骤的流程图；

图4是根据本公开一示例性实施例示出的另一种确定目标数据类型的步骤的流程图；

图5是根据本公开一示例性实施例示出的一种空调机组控制装置的框图；

图6是根据本公开一示例性实施例示出的一种电子设备的框图。

具体实施方式

以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本公开，并不用于限制本公开。

发明人研究发现，相关技术中主要是由空调机组的运维人员定期对空调机组的出水温度进行人工调控，例如，运维人员通常在每天早上和中午两个时间点，根据环境系统情况，基于经验以及预先给定的节能计算方法对空调机组的出水温度进行两次调控，然而，在一天内，空调机组所处的环境系统是一个时变的动态系统，是和气候条件、建筑物材料、建筑内人流量等多种因素密不可分的，是随时变化的，例如，早上8点跟早上9点或者10点这些时间点相比，环境系统差异大，如果调控间隙较长的话，在调控之后的一段时间，空调机组可能处于高耗能状态下持续运行，从而增加能耗，进而导致空调机组节能效果差。

因此，本公开提供一种空调机组控制方法、装置、存储介质及电子设备，先获取对应在目标数据类型下的待处理数据，然后对待处理数据进行预测，得到目标出水温度，最后便可以基于目标出水温度，生成用于控制将空调机组的出水温度调控为目标出水温度的控制指令。由于电子设备能够获取数据并预测得到目标出水温度，再基于目标出水温度生成控制将空调机组的出水温度调控为目标出水温度的控制指令，从而实现对空调机组出水温度的自动调控，并且由于电子设备获取待处理数据的间隙可以是比较自由的设置，例如在一些空调机组中，采集待处理数据的时间间隔可以是每20分钟一次，从而相应地便可以每20分钟自动调控一次空调的出水温度，相较于人工调控的方式可以更加容易增加出水温度调控的频率，以及时适应变化的环境系统，尽量使得空调机组运行在更加节能的状态下，提高了空调机组的节能效果。

图1是根据本公开一示例性实施例示出的一种空调机组控制方法的流程图。该空调机组控制方法可以应用于电子设备，电子设备可以包括空调机组或者其它独立于空调机组的控制设备，例如，空调机组控制台或者服务器等，其中，其它独立于空调机组的电子设备需要与空调机组通信连接，以能够向空调机组发送控制指令。参照图1，该空调机组控制方法包括：

S110，获取对应在目标数据类型下的待处理数据。

S120，对待处理数据进行预测，得到目标出水温度。

S130，基于目标出水温度，生成控制指令，控制指令用于控制将空调机组的出水温度调控为目标出水温度。

考虑到空调机组系统内的数据可以包括大量特征维度的数据，然而，有一些特征维度的数据是对后续预测目标出水温度没有正向帮助的，若将这些数据也用来预测目标出水温度的话，可能预测得到错误的目标出水温度，在错误的出水温度下，空调机组节能效果差。因此，需要从这大量的特征维度的数据中选择出对预测目标出水温度有正向帮助的特征维度的数据，即目标数据类型下的待处理数据。

其中，在确定目标数据类型之后，获取对应在目标数据类型下的待处理数据可以有多个途径。

可选地，对于一些通过电子设备自身携带的传感器就能够获得的数据，可以直接通过电子设备自身携带的传感器获得。

可选地，对于一些不能过电子设备自身携带的传感器获得的数据，可以通过其他传感器采集之后，发送给电子设备。

可选地，对于一些固定不变的数据，可以通过事先录入的方式录入到电子设备的存储器中，从而在需要获取的时候，直接从存储器中获取。

在一些实施方式中，目标数据类型包括环境温度、环境湿度、空调机组运行数据、压缩机运行数据、水泵运行数据、空调机组数量中的一种或者多种数据类型的组合，运行数据包括耗电量、电压、电流以及功率。

通过多个特征维度的数据来共同对目标出水温度进行预测，提高了出水温度预测的准确性。

结合前述内容可知，该空调机组控制方法可以应用于空调机组或者其它独立于空调机组的控制设备。

在一些实施方式中，当空调机组控制方法应用于空调机组时，空调机组可以直接将生成的控制指令用于对空调机组的出水温度进行控制。

在另一些实施方式中，当空调机组控制方法应用于其它独立于空调机组的控制设备时，控制设备在生成控制指令之后，可以将控制指令发送给空调机组，以使得空调机组根据接收到的控制指令，对出水温度进行控制。

采用上述方法，由于电子设备能够获取数据并预测得到目标出水温度，再基于目标出水温度生成控制将空调机组的出水温度调控为目标出水温度的控制指令，从而实现对空调机组出水温度的自动调控，并且由于电子设备获取待处理数据的间隙可以是比较自由的设置，因此，相较于人工调控的方式可以更加容易增加出水温度调控的频率，以及时适应变化的环境系统，尽量使得空调机组运行在更加节能的状态下，提高了空调机组的节能效果。

图2是根据本公开一示例性实施例示出的一种空调机组控制方法的流程图。该空调机组控制方法可以应用于电子设备，电子设备可以包括空调机组或者其它独立于空调机组的控制设备，例如，空调机组控制台或者服务器等，其中，其它独立于空调机组的电子设备需要与空调机组通信连接，以能够向空调机组发送控制指令。参照图2，该空调机组控制方法包括：

S210，获取对应在目标数据类型下的待处理数据。

在一些实施方式中，目标数据类型可以是，将原始样本数据集合划分为多个样本子集之后，根据每一样本子集对基于深度学习的时间序列预测模型的训练结果确定的。

其中，将原始样本数据集合划分为多个样本子集之后，根据每一样本子集对基于深度学习的时间序列预测模型的训练结果确定目标数据类型可以有多种方式。

在一些实施方式中，如图3所示，本公开实施例的空调机组控制方法还可以包括确定目标数据类型的步骤S2011-S2051：

S2011，获取原始样本数据集合。

结合前述内容可知，空调机组系统内的数据包括大量特征维度的数据，例如包括对后续预测目标出水温度没有正向帮助的数据以及对后续预测目标出水温度有正向帮助的数据，从而，本公开实施例中的原始样本数据集合可以理解为空调机组系统内能够获取到的所有历史数据的集合，包括对后续预测目标出水温度没有正向帮助的数据以及对后续预测目标出水温度有正向帮助的数据组成的集合。

S2021，从原始样本数据集合中确定样本子集，各个样本子集包括不同数据类型对应的数据。

其中，样本子集可以理解为从原始样本数据集合中选取出的数据类型对应的数据构成的集合。

在一些实施方式中，可以通过遍历每个数据类型，然后再分别选取不同的数据类型的组合来确定各个样本子集。

示例性地，假设原始样本数据包括环境温度、环境湿度、空调机组运行数据、压缩机运行数据、水泵运行数据、空调机组数量、制冷房间数量、房间内人数、空气质量等，确定的样本子集可以包括样本子集1：环境温度、环境湿度，样本子集2：环境温度、环境湿度、空调机组运行数据、压缩机运行数据以及水泵运行数据，样本子集3：环境温度、环境湿度、空调机组运行数据、压缩机运行数据、水泵运行数据、空调机组数量以及制冷房间数量，样本子集4：环境温度、环境湿度、空调机组运行数据、压缩机运行数据、水泵运行数据、空调机组数量、制冷房间数量、房间内人数以及空气质量，等子集，由于可以包括的子集较多，本公开实施例中未进行全部举例。

S2031，分别利用各个样本子集对基于深度学习的时间序列预测模型进行训练，得到各个样本子集对应的训练完成的预测模型。

其中，基于深度学习的时间序列预测模型的损失函数是基于深度学习的时间序列预测模型输出的出水温度以及样本子集包括的出水温度构造的。

其中，基于深度学习的时间序列预测模型，可以简称为DeepAR。

本公开实施例中，在从原始样本数据集合中确定样本子集之后，可以分别将各个样本子集用于对基于深度学习的时间序列预测模型进行训练，得到各个样本子集对应的训练完成的预测模型。

示例性地，利用样本子集1对基于深度学习的时间序列预测模型进行训练，可以得到各个样本子集对应的训练完成的预测模型1，利用样本子集2对基于深度学习的时间序列预测模型进行训练，可以得到各个样本子集对应的训练完成的预测模型2，利用样本子集3对基于深度学习的时间序列预测模型进行训练，可以得到各个样本子集对应的训练完成的预测模型3，依次类推，对应每一个样本子集N，对基于深度学习的时间序列预测模型进行训练，均可以得到对应的训练完成的预测模型N。

此外，需要说明的是，在利用样本子集对深度学习的时间序列预测模型进行训练的时候，每个样本子集携带的标签均是出水温度，从而本公开实施例中，在利用样本子集对深度学习的时间序列预测模型进行训练的时候，可以基于训练过程中的基于深度学习的时间序列预测模型输出的出水温度以及样本子集包括的出水温度构造。

S2041，基于各个训练完成的预测模型对应的模型评估指标的大小，确定目标模型。

在获取到各个训练完成的预测模型之后，可以进一步计算各个训练完成的模型对应的模型评估指标的大小。

在一些实施方式中，模型评估指标可以选择RMSE(均方根误差)或者MSE(均方误差)。这种情况下，基于各个训练完成的预测模型对应的模型评估指标的大小，确定目标模型，可以是从各个训练完成的预测模型中选择对应的RMSE或者MSE最小的训练完成的预测模型，作为目标模型。

S2051，将训练目标模型的样本子集中的数据类型，确定为目标数据类型。

本公开实施例中，在确定了目标模型之后，便可以进一步获取到训练目标模型的样本子集，接着便可以将样本子集中包括的数据类型确定为目标数据类型。

沿用前述示例，假设目标模型是利用样本子集1训练得到的，样本子集1包括环境温度、环境湿度、空调机组运行数据、压缩机运行数据、水泵运行数据以及出水温度，从而确定的目标数据类型包括环境温度、环境湿度、空调机组运行数据、压缩机运行数据以及水泵运行数据。由于出水温度是后期预测的目标，因此，出水温度不作为目标数据类型。

此外，考虑到空调机组系统内数据的特征维度庞大，若分别选取不同的数据类型的组合来确定各个样本子集的话，样本子集的类型较多，得到各个训练完成的预测模型的时间较长，因此，为了节约得到训练完成的预测模型的时间，可以将原始样本数据集合中的数据区分为基础数据类型对应的数据，第一参考数据类型对应的数据以及第二参考数据类型对应的数据这种情况下，如图4所示，本公开实施例的空调机组控制方法还可以包括确定目标数据类型的步骤S2012-S2052：

S2012，获取原始样本数据集合，原始样本数据集合中的数据包括基础数据类型对应的数据，第一参考数据类型对应的数据以及第二参考数据类型对应的数据。

S2022，将基础数据类型对应的数据以及多个具有关联关系的第一参考数据类型对应的数据，确定为一个样本子集，以及将基础数据类型对应的数据以及一个第二参考数据类型对应的数据，确定为一个样本子集。

S2032，分别利用各个样本子集对基于深度学习的时间序列预测模型进行训练，得到各个样本子集对应的训练完成的预测模型，以及利用由基础数据类型对应的数据构成的样本子集对基于深度学习的时间序列预测模型进行训练，得到基础预测模型。

其中，基于深度学习的时间序列预测模型的损失函数是基于深度学习的时间序列预测模型输出的出水温度以及样本子集包括的出水温度构造的。

S2042，基于各个训练完成的预测模型以及基础预测模型各自对应的模型评估指标的大小关系，确定目标数据类型。

其中，基础数据类型对应的数据可以理解为空调机组系统内明确知道能够对出水温度有影响的数据，基础数据类型可以是基于经验确定的，例如，环境温度、空调机组运行数据等。

第一参考数据类型对应的数据可以理解为空调机组系统内可能能够对出水温度有影响的数据。示例性地，本公开实施例中的空调机组控制方法的最终目的是为了节能，可以理解的是，一些电学相关参数可能会对能耗产生影响，然而，由于本公开实施例中模型的预测结果是出水温度，并不能够直观从原理的角度分析出电学相关参数是否会对模型输出带来影响，因此，可以将这些参数对应的数据确定为第一参考数据类型对应的数据。例如，第一参考数据类型对应的数据可以是压缩机运行频率、水泵运行频率等。

第二参考数据类型对应的数据可以理解为空调机组系统内完全不确定是否能够对出水温度有影响的数据，例如，空调机组数量、制冷房间数量、房间内人数、空气质量等。

本公开实施例中，对于基础数据类型对应的数据，可以直接加入到每个样本子集中，同时，在不同的样本子集中，分别可以加入多个具有关联关系的第一参考类型对应的数据，或者分别加入一个第二参考数据类型对应的数据，以分别验证多个具有关联关系的第一参考类型对应的数据或者某个第二参考数据类型对应的数据是否对预测空调机组的出水温度有正面影响。

其中，关联关系可以根据经验确定，例如，压缩机运行数据、水泵运行数据都是机组运行数据，可能对出水温度造成影响，因此，压缩机运行数据、水泵运行数据是具有关联关系的第一参考数据类型。而例如空调机组数量、制冷房间数量、房间内人数、空气质量等在空调机组系统中对于节能研究较少的数据类型可以看作是第二参考数据类型。

此外，本公开实施例中，验证是否对预测空调机组的出水温度有正面影响时，可以根据各个训练完成的预测模型以及基础预测模型各自对应的模型评估指标的大小关系进行验证。

在一些实施方式中，当某个训练完成的预测模型对应的模型评估指标小于基础预测模型对应的模型评估指标的时候，认为用于训练该训练完成的预测模型的样本子集中包括的数据类型是对预测出水温度有正向帮助的，可以作为目标数据类型的一部分，从而，在对所有的训练完成的预测模型对应的模型评估指标分别与基础预测模型的评估指标进行大小比较之后，便能够确定最终的目标数据类型。

也就是说，本公开实施例中，通过将原始数据类型划分为基础数据类型，第一参考数据类型以及第二参考数据类型，并分别验证多个具有关联关系的第一参考数据类型或者一个第二参考数据类型是否对出水温度预测有正面帮助，从而最终将所有的确定的有正面帮助的数据类型确定为参考数据类型，可以减少确定的样本子集的数量，从而减少确定目标数据类型的时间，此外，对于具有关联关系的第一参考数据类型，是多个同时一起验证的，进一步减少了确定目标数据类型的时间。

通过利用样本子集对基于深度学习的时间序列预测模型进行训练的方式确定目标数据类型，可以更好地从庞大特征中发现对预测出水温度有正向帮助的特征，实现了对原始数据进行特征分析的功能。

此外，关于步骤S210的更加详细描述可以参考前述S110的相关内容，此处不再赘述。

S220，通过预先训练的混合神经网络模型对待处理数据进行预测，得到预先训练的神经网络模型输出的目标出水温度。

在一些实施方式中，混合神经网络模型可以是由两个或者两个以上模型连接而成的模型。

在一些实施方式中，预先训练的混合神经网络模型包括相互连接的极端梯度提升模型以及人工神经网络模型，这种情况下，通过预先训练的混合神经网络模型对待处理数据进行预测，得到预先训练的神经网络模型输出的目标出水温度，可以包括步骤：通过极端梯度提升模型对待处理数据进行处理，得到极端梯度提升模型输出的中间结果；通过人工神经网络模型对中间结果进行处理，得到人工神经网络模型输出的目标出水温度。

其中，极端梯度提升模型(Extreme Gradient Boosting，XGBoost)是Boosting算法的其中一种，Boosting算法的思想是将许多弱分类器集成在一起，形成一个强分类器。人工神经网络模型(ANN)是一种模仿生物神经网络的结构和功能的数学模型或计算模型。

本公开实施例中，可以先将待处理数据输入到极端梯度提升模型，利用极端梯度提升模型对待处理数据进行处理，得到极端梯度提升模型输出的中间结果，然后再将中间结果输入到人工神经网络模型，利用人工神经网络模型对中间结果进行进一步处理，便可以得到人工神经网络模型输出的目标出水温度。

在一些实施方式中，可以通过接口调用的方式进行数据输入，也就是说，可以先后调用极端梯度提升模型提供的接口以及人工神经网络模型提供的接口，通过接口调用的方式，不必人为配置极端梯度提升模型的输出形式，以及不必人为配置人工神经网络模型的输入形式，简化了混合神经网络的配置过程。

在一些实施方式中，预先训练的混合神经网络模型的训练方法可以包括以下步骤：获取样本数据集合，样本数据集合中的每一个样本数据包括同一时刻对应在目标数据类型下的数据以及该时刻对应的出水温度；利用样本数据集合对初始混合神经网络模型进行训练，得到预先训练的混合神经网络模型，其中，初始混合神经网络模型的损失函数是基于初始混合神经网络模型输出的出水温度以及样本数据包括的出水温度构造的。

由于目标数据类型是对预测出水温度有正向帮助的数据，因此，本公开实施例中可以用同一时刻对应在目标数据类型下的数据以及该时刻对应的出水温度对混合神经网络模型进行训练，以提高出水温度预测的准确性。

下面结合实验数据对本公开实施例的空调机组控制方法中用到的预先训练的混合神经网络模型的评估指标进行说明：

通过将获取到的样本数据集合按照6:2:2进行拆分，划分为训练集测试集以及验证集，使用RMSE和MSE两种评估指标来检查模型的优劣，并采用训练RMSE验证MSE方式进行评估。下表展示了预先训练的混合神经网络模型与XGBoost单模型相比的评估结果。

由上表可知，预先训练的混合神经网络模型的MSE分数为0.28173，低于XGBoost单模型训练的结果0.39341，从而本公开实施例中的混合模型相较于单模型能够提升模型预测的准确性，即提高出水温度预测的准确性。

S230，基于目标出水温度，生成控制指令，控制指令用于控制将空调机组的出水温度调控为目标出水温度。

此外，关于步骤S230的更加详细描述可以参考前述S130的相关内容，此处不再赘述。

采用上述方法，通过混合神经网络模型来对待处理数据进行预测，得到目标出水温度，可以结合多种神经网络模型的优势的同时，降低混合神经网络模型的损失函数，进而提高目标出水温度预测的准确性。此外，由于电子设备能够根据目标出水温度实现对空调机组出水温度的自动调控，相较于人工调控的方式可以更加容易增加出水温度调控的频率，以及时适应变化的环境系统，尽量使得空调机组运行在更加节能的状态下，提高了空调机组的节能效果。

基于同一构思，本公开还提供一种空调机组控制装置，该装置可以通过软件、硬件或者两者结合的方式成为电子设备的部分或全部。参照图5，该空调机组控制装置500可以包括：获取模块510、预测模块520以及控制模块530，其中：

获取模块510，用于获取对应在目标数据类型下的待处理数据；

预测模块520，用于对所述待处理数据进行预测，得到目标出水温度；

控制模块530，用于基于所述目标出水温度，生成控制指令，所述控制指令用于控制将所述空调机组的出水温度调控为所述目标出水温度。

可选地，预测模块520包括：

预测子模块，用于通过预先训练的混合神经网络模型对所述待处理数据进行预测，得到所述预先训练的神经网络模型输出的所述目标出水温度。

可选地，预测子模块，还用于通过所述极端梯度提升模型对所述待处理数据进行处理，得到所述极端梯度提升模型输出的中间结果；通过所述人工神经网络模型对所述中间结果进行处理，得到所述人工神经网络模型输出的所述目标出水温度。

可选地，所述装置500还包括：

样本数据集合获取模块，用于获取样本数据集合，所述样本数据集合中的每一个样本数据包括同一时刻对应在所述目标数据类型下的数据以及该时刻对应的出水温度。

初始混合神经网络模型训练模块，用于利用所述样本数据集合对初始混合神经网络模型进行训练，得到所述预先训练的混合神经网络模型，其中，所述初始混合神经网络模型的损失函数是基于所述初始混合神经网络模型输出的出水温度以及所述样本数据包括的出水温度构造的。

可选地，所述装置500还包括：

第一原始样本数据集合获取模块，用于获取原始样本数据集合。

第一样本子集确定模块，用于从所述原始样本数据集合中确定样本子集，各个样本子集包括不同数据类型对应的数据。

第一基于深度学习的时间序列预测模型训练模块，用于分别利用各个所述样本子集对基于深度学习的时间序列预测模型进行训练，得到各个所述样本子集对应的训练完成的预测模型，所述基于深度学习的时间序列预测模型的损失函数是基于所述基于深度学习的时间序列预测模型输出的出水温度以及所述样本子集包括的出水温度构造的。

目标模型确定模块，用于基于所述各个训练完成的预测模型对应的模型评估指标的大小，确定目标模型。

第一目标数据类型确定模块，用于将训练所述目标模型的样本子集中的数据类型，确定为所述目标数据类型。

可选地，所述装置500还包括：

第二原始样本数据集合获取模块，用于获取原始样本数据集合，所述原始样本数据集合中的数据包括基础数据类型对应的数据，第一参考数据类型对应的数据以及第二参考数据类型对应的数据；

第二样本子集确定模块，用于将所述基础数据类型对应的数据以及多个具有关联关系的第一参考数据类型对应的数据，确定为一个样本子集，以及将所述基础数据类型对应的数据以及一个第二参考数据类型对应的数据，确定为一个样本子集；

第二基于深度学习的时间序列预测模型训练模块，用于分别利用各个所述样本子集对基于深度学习的时间序列预测模型进行训练，得到各个所述样本子集对应的训练完成的预测模型，以及利用由所述基础数据类型对应的数据构成的样本子集对基于深度学习的时间序列预测模型进行训练，得到基础预测模型，所述基于深度学习的时间序列预测模型的损失函数是基于所述基于深度学习的时间序列预测模型输出的出水温度以及所述样本子集包括的出水温度构造的；

第二目标数据类型确定模块，用于基于所述各个训练完成的预测模型以及所述基础预测模型各自对应的模型评估指标的大小关系，确定所述目标数据类型。

可选地，所述目标数据类型包括环境温度、环境湿度、空调机组运行数据、压缩机运行数据、水泵运行数据、空调机组数量中的一种或者多种数据类型的组合，所述运行数据包括耗电量、电压、电流以及功率。

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，此处将不做详细阐述说明。

基于同一发明构思，本公开还提供一种电子设备，包括：

存储器，其上存储有计算机程序；

处理器，用于执行所述存储器中的所述计算机程序，以实现上述的空调机组控制方法。

在可能的方式中，该电子设备的框图可以如图6所示。参照图6，该电子设备600可以包括：处理器601，存储器602。该电子设备600还可以包括多媒体组件603，输入/输出(I/O)接口604，以及通信组件605中的一者或多者。

其中，处理器601用于控制该电子设备600的整体操作，以完成上述的空调机组控制方法中的全部或部分步骤。存储器602用于存储各种类型的数据以支持在该电子设备600的操作，这些数据例如可以包括用于在该电子设备600上操作的任何应用程序或方法的指令，以及应用程序相关的数据。该存储器602可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static Random Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-OnlyMemory，简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read-OnlyMemory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件603可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器602或通过通信组件605发送。音频组件还包括至少一个扬声器，用于输出音频信号。I/O接口604为处理器601和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件605用于该电子设备600与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi，蓝牙，近场通信(Near Field Communication，简称NFC)，2G、3G、4G、NB-IOT、eMTC、或其他5G等等，或它们中的一种或几种的组合，在此不做限定。因此相应的该通信组件605可以包括：Wi-Fi模块，蓝牙模块，NFC模块等等。

在一示例性实施例中，电子设备600可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit，简称ASIC)、数字信号处理器(DigitalSignal Processor，简称DSP)、数字信号处理设备(Digital Signal Processing Device，简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的空调机组控制方法。

在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的空调机组控制方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器602，上述程序指令可由电子设备600的处理器601执行以完成上述的空调机组控制方法。

在另一示例性实施例中，还提供一种计算机程序产品，该计算机程序产品包含能够由可编程的装置执行的计算机程序，该计算机程序具有当由该可编程的装置执行时用于执行上述的空调机组控制方法的代码部分。

以上结合附图详细描述了本公开的优选实施方式，但是，本公开并不限于上述实施方式中的具体细节，在本公开的技术构思范围内，可以对本公开的技术方案进行多种简单变型，这些简单变型均属于本公开的保护范围。

另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合，为了避免不必要的重复，本公开对各种可能的组合方式不再另行说明。

此外，本公开的各种不同的实施方式之间也可以进行任意组合，只要其不违背本公开的思想，其同样应当视为本公开所公开的内容。

Claims (9)

1.一种空调机组控制方法，其特征在于，所述方法包括：

获取对应在目标数据类型下的待处理数据；

对所述待处理数据进行预测，得到目标出水温度；

基于所述目标出水温度，生成控制指令，所述控制指令用于控制将所述空调机组的出水温度调控为所述目标出水温度；

其中，目标数据类型通过以下步骤确定：

获取原始样本数据集合，所述原始样本数据集合中的数据包括基础数据类型对应的数据，第一参考数据类型对应的数据以及第二参考数据类型对应的数据；

将所述基础数据类型对应的数据以及多个具有关联关系的第一参考数据类型对应的数据，确定为一个样本子集，以及将所述基础数据类型对应的数据以及一个第二参考数据类型对应的数据，确定为一个样本子集；

分别利用各个所述样本子集对基于深度学习的时间序列预测模型进行训练，得到各个所述样本子集对应的训练完成的预测模型，以及利用由所述基础数据类型对应的数据构成的样本子集对基于深度学习的时间序列预测模型进行训练，得到基础预测模型，所述基于深度学习的时间序列预测模型的损失函数是基于所述基于深度学习的时间序列预测模型输出的出水温度以及所述样本子集包括的出水温度构造的；

当训练完成的预测模型对应的模型评估指标小于所述基础预测模型对应的模型评估指标时，将用于训练该训练完成的预测模型的样本子集中包括的数据类型确定为所述目标数据类型包括的数据类型；

其中，所述基础数据类型对应的数据为空调机组系统内明确知道能够对出水温度有影响的数据，所述第一参考数据类型对应的数据为空调机组系统内可能能够对出水温度有影响的数据，所述第二参考数据类型对应的数据为空调机组系统内完全不确定是否能够对出水温度有影响的数据。

2.根据权利要求1所述的方法，其特征在于，所述对所述待处理数据进行预测，得到所述空调机组对应的目标出水温度，包括：

通过预先训练的混合神经网络模型对所述待处理数据进行预测，得到所述预先训练的神经网络模型输出的所述目标出水温度。

3.根据权利要求2所述的方法，其特征在于，所述预先训练的混合神经网络模型包括相互连接的极端梯度提升模型以及人工神经网络模型，通过预先训练的混合神经网络模型对所述待处理数据进行预测，得到所述预先训练的神经网络模型输出的所述目标出水温度，包括：

通过所述极端梯度提升模型对所述待处理数据进行处理，得到所述极端梯度提升模型输出的中间结果；

通过所述人工神经网络模型对所述中间结果进行处理，得到所述人工神经网络模型输出的所述目标出水温度。

4.根据权利要求2所述的方法，其特征在于，所述预先训练的混合神经网络模型的训练方法包括：

获取样本数据集合，所述样本数据集合中的每一个样本数据包括同一时刻对应在所述目标数据类型下的数据以及该时刻对应的出水温度；

利用所述样本数据集合对初始混合神经网络模型进行训练，得到所述预先训练的混合神经网络模型，其中，所述初始混合神经网络模型的损失函数是基于所述初始混合神经网络模型输出的出水温度以及所述样本数据包括的出水温度构造的。

5.根据权利要求1-4任一项所述的方法，其特征在于，所述目标数据类型还可以通过以下步骤确定：

获取原始样本数据集合；

从所述原始样本数据集合中确定样本子集，各个样本子集包括不同数据类型对应的数据；

分别利用各个所述样本子集对基于深度学习的时间序列预测模型进行训练，得到各个所述样本子集对应的训练完成的预测模型，所述基于深度学习的时间序列预测模型的损失函数是基于所述基于深度学习的时间序列预测模型输出的出水温度以及所述样本子集包括的出水温度构造的；

基于各个训练完成的预测模型对应的模型评估指标的大小，确定目标模型；

将训练所述目标模型的样本子集中的数据类型，确定为所述目标数据类型。

6.根据权利要求1-4任一项所述的方法，其特征在于，所述目标数据类型包括环境温度、环境湿度、空调机组运行数据、压缩机运行数据、水泵运行数据、空调机组数量中的一种或者多种数据类型的组合，所述运行数据包括耗电量、电压、电流以及功率。

7.一种空调机组控制装置，其特征在于，所述装置包括：

获取模块，用于获取对应在目标数据类型下的待处理数据；

预测模块，用于对所述待处理数据进行预测，得到目标出水温度；

控制模块，用于基于所述目标出水温度，生成控制指令，所述控制指令用于控制将所述空调机组的出水温度调控为所述目标出水温度；

第二原始样本数据集合获取模块，用于获取原始样本数据集合，所述原始样本数据集合中的数据包括基础数据类型对应的数据，第一参考数据类型对应的数据以及第二参考数据类型对应的数据；

第二样本子集确定模块，用于将所述基础数据类型对应的数据以及多个具有关联关系的第一参考数据类型对应的数据，确定为一个样本子集，以及将所述基础数据类型对应的数据以及一个第二参考数据类型对应的数据，确定为一个样本子集；

第二基于深度学习的时间序列预测模型训练模块，用于分别利用各个所述样本子集对基于深度学习的时间序列预测模型进行训练，得到各个所述样本子集对应的训练完成的预测模型，以及利用由所述基础数据类型对应的数据构成的样本子集对基于深度学习的时间序列预测模型进行训练，得到基础预测模型，所述基于深度学习的时间序列预测模型的损失函数是基于所述基于深度学习的时间序列预测模型输出的出水温度以及所述样本子集包括的出水温度构造的；

第二目标数据类型确定模块，用于当训练完成的预测模型对应的模型评估指标小于所述基础预测模型对应的模型评估指标时，将用于训练该训练完成的预测模型的样本子集中包括的数据类型确定为所述目标数据类型包括的数据类型；

其中，所述基础数据类型对应的数据为空调机组系统内明确知道能够对出水温度有影响的数据，所述第一参考数据类型对应的数据为空调机组系统内可能能够对出水温度有影响的数据，所述第二参考数据类型对应的数据为空调机组系统内完全不确定是否能够对出水温度有影响的数据。

8.一种非临时性计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-6中任一项所述方法的步骤。

9.一种电子设备，其特征在于，包括：

存储器，其上存储有计算机程序；

处理器，用于执行所述存储器中的所述计算机程序，以实现权利要求1-6中任一项所述方法的步骤。