CN114517960B - 空调控制方法、装置、电子设备和存储介质 - Google Patents
空调控制方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN114517960B CN114517960B CN202011301171.XA CN202011301171A CN114517960B CN 114517960 B CN114517960 B CN 114517960B CN 202011301171 A CN202011301171 A CN 202011301171A CN 114517960 B CN114517960 B CN 114517960B
- Authority
- CN
- China
- Prior art keywords
- air conditioner
- state
- refrigeration
- heat
- parameter
- 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 51
- 238000010438 heat treatment Methods 0.000 claims abstract description 45
- 230000007613 environmental effect Effects 0.000 claims abstract description 39
- 238000005057 refrigeration Methods 0.000 claims description 90
- 238000001816 cooling Methods 0.000 claims description 55
- 230000009467 reduction Effects 0.000 claims description 49
- 238000003062 neural network model Methods 0.000 claims description 20
- 238000012937 correction Methods 0.000 claims description 18
- 238000004891 communication Methods 0.000 claims description 17
- 238000009825 accumulation Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 7
- 230000001174 ascending effect Effects 0.000 claims description 2
- 230000001276 controlling effect Effects 0.000 abstract description 5
- 230000000694 effects Effects 0.000 abstract description 5
- 230000001105 regulatory effect Effects 0.000 abstract description 2
- 238000010801 machine learning Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 230000001186 cumulative effect Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004378 air conditioning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000004134 energy conservation Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000001143 conditioned effect Effects 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010354 integration Effects 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
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 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
- F24F11/50—Control or safety arrangements characterised by user interfaces or communication
- F24F11/54—Control or safety arrangements characterised by user interfaces or communication using one central controller connected to several sub-controllers
-
- 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
- F24F11/62—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
- F24F11/65—Electronic processing for selecting an operating mode
-
- 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
- F24F11/80—Control systems characterised by their outputs; Constructional details thereof for controlling the temperature of the supplied air
- F24F11/86—Control systems characterised by their outputs; Constructional details thereof for controlling the temperature of the supplied air by controlling compressors within refrigeration or heat pump circuits
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
-
- 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
- F24F2110/20—Humidity
-
- 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
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B30/00—Energy efficient heating, ventilation or air conditioning [HVAC]
- Y02B30/70—Efficient control or regulation technologies, e.g. for control of refrigerant flow, motor or heating
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Mechanical Engineering (AREA)
- Combustion & Propulsion (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Fuzzy Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Thermal Sciences (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本申请涉及一种空调控制方法、装置、电子设备和存储介质,应用于调温设备技术领域,其中,方法包括:通过获取空调的环境参数以及空调的第一运行参数,基于环境参数和第一运行参数,确定空调的第一制冷/热量,获取空调的参数变化量,根据参数变化量确定空调的运行状态,根据空调的运行状态对应的调节策略,对第一制冷/热量进行调整,得到第二制冷/热量,基于第二制冷/热量、环境参数和第一运行参数,确定空调的第二运行参数,控制空调在当前控制周期内以第二运行参数运行。以解决现有技术中,仅根据参数阈值调整空调的运行模式,不能使空调在各种复杂环境下都能达到最优的舒适性和节能效果的问题。
Description
技术领域
本申请涉及调温设备技术领域,尤其涉及一种空调控制方法、装置、电子设备和存储介质。
背景技术
随着经济和科技的快速发展以及人们对居住环境舒适度要求的提高,空调的应用越来越普遍,随之而来的,在国家大力提倡节能减排的形式下,人工智能在调节空调节能领域的应用呈现飞跃式进步。
目前,在对空调节能方面采用的方法为:通过采集空调各参数之间的逻辑,判断是否达到阈值来调整空调的运行模式,达到粗糙的系统控制,但是,参数阈值时基于经验确定的,不能使空调在各种复杂环境下都能达到最优的舒适性和节能效果。
发明内容
本申请提供了一种空调控制方法、装置、电子设备和存储介质,用以解决现有技术中,仅根据参数阈值调整空调的运行模式,不能使空调在各种复杂环境下都能达到最优的舒适性和节能效果的问题。
第一方面,本申请实施例提供了一种空调控制方法,包括:
获取空调的环境参数以及所述空调的第一运行参数;
基于所述环境参数和所述第一运行参数,确定所述空调的第一制冷/热量;
获取所述空调的参数变化量;
根据所述参数变化量确定所述空调的运行状态;
根据所述空调的运行状态对应的调节策略,对所述第一制冷/热量进行调整,得到第二制冷/热量;
基于所述第二制冷/热量、所述环境参数和所述第一运行参数,确定所述空调的第二运行参数;
控制所述空调在当前控制周期内以所述第二运行参数运行。
可选的,获取所述空调的参数变化量,包括:
获取所述空调的室内温度的第一阈值;
根据所述第一运行参数中的室内温度和所述室内温度的第一阈值计算温度变化量;以及,
获取所述空调温降周期内的第一制冷/热量累计降低量,所述温降周期包括至少一个控制周期;
将所述温度变化量和所述第一制冷/热量累计降低量作为所述参数变化量。
可选的,所述根据所述参数变化量确定所述空调的运行状态,包括:
判断所述参数变化量是否满足第一预设条件,所述第一预设条件包括所述温度变化量不大于第一阈值,且所述第一制冷/热量累计降低量不大于第二阈值,或所述第一预设条件包括所述温度变化量不大于第三阈值;
若是,确定所述空调的运行状态为恒温状态;
若否,确定所述空调的运行状态为降温状态。
可选的,所述确定所述空调的运行状态为降温状态之后,还包括:
判断所述空调在进入所述降温状态前的运行状态是否为预设运行状态,所述预设运行状态为开机初始状态、恒温状态或温降周期结束状态;
若是,确定所述空调的运行状态为降低能力状态。
可选的,所述确定所述空调的运行状态为降低能力状态之后,还包括:
将当前温降周期的第二制冷/热量累计降低量置为所述第二阈值。
可选的,所述确定所述空调的运行状态为降温状态之后,还包括:
在所述当前温降周期中N个控制周期后,判断是否满足第二预设条件,所述第二预设条件包括所述温度变化量变大或不变,且第N个控制周期中第一制冷/热量等于第二制冷/热量,且所述第二制冷/热量累计降低量大于第二阈值;
若是,确定所述空调的运行状态为升高能力状态;
若否,确定所述空调的运行状态为降低能力状态。
可选的,所述根据所述空调的运行状态对应的调节策略,对所述第一制冷/热量进行调整,得到第二制冷/热量,包括:
若所述空调的运行状态为恒温状态,从第一预设范围中随机选择调整值,基于所述调整值对所述第一制冷/热量进行调整,得到所述第二制冷/热量。
可选的,所述根据所述空调的运行状态对应的调节策略,对所述第一制冷/热量进行调整,得到第二制冷/热量,包括:
若所述空调的运行状态为降低能力状态,从第二预设范围中随机选择调整值,基于所述调整值对所述第一制冷/热量进行调整,得到所述第二制冷/热量。
可选的,所述根据所述空调的运行状态对应的调节策略,对所述第一制冷/热量进行调整,得到第二制冷/热量,包括:
若所述空调的运行状态为升高能力状态,从第三预设范围中随机选择调整值,基于所述调整值对所述第一制冷/热量进行调整,得到所述第二制冷/热量。
可选的,所述获取所述空调的参数变化量之后,还包括:
判断所述参数变化量是否满足第三预设条件,所述第三预设条件包括温度变化量大于第一阈值,并且所述第一制冷/热量累计降低量不大于第二阈值;
若是,确定所述空调进入下一温降周期。
可选的,所述基于所述环境参数和所述第一运行参数,确定所述空调的第一制冷/热量,包括:
将所述环境参数和所述第一运行参数输入预先训练的第一神经网络模型中,以使所述第一神经网络模型进行数据拟合,输出所述第一制冷/热量。
可选的,所述基于所述第二制冷/热量、所述环境参数和所述第一运行参数,确定所述空调的第二运行参数,包括:
将所述第二制冷/热量、所述环境参数和所述第一运行参数输入预先训练的第二神经网络模型中,以使所述第二神经网络模型进行数据拟合,输出所述第二运行参数。
第二方面,本申请实施例提供了一种空调控制装置,包括:
第一获取模块,用于获取空调的环境参数以及所述空调的第一运行参数;
第一确定模块,用于基于所述环境参数和所述第一运行参数,确定所述空调的第一制冷/热量;
第二获取模块,用于获取所述空调的参数变化量;
第二确定模块,用于根据所述参数变化量确定所述空调的运行状态;
调整模块,用于根据所述空调的运行状态对应的调节策略,对所述第一制冷/热量进行调整,得到第二制冷/热量;
第三确定模块,用于基于所述第二制冷/热量、所述环境参数和所述第一运行参数,确定所述空调的第二运行参数;
控制模块,用于控制所述空调在当前控制周期内以所述第二运行参数运行。
第三方面,本申请实施例提供了一种电子设备,包括:处理器、通信接口、存储器和通信总线,其中,处理器、通信接口和存储器通过通信总线完成相互间的通信;
所述存储器,用于存储计算机程序;
所述处理器,用于执行所述存储器中所存储的程序,实现第一方面所述的空调控制方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时实现第一方面所述的空调控制方法。
本申请实施例提供的上述技术方案与现有技术相比具有如下优点:本申请实施例提供的该方法,通过获取空调的环境参数以及空调的第一运行参数,基于环境参数和第一运行参数,确定空调的第一制冷/热量,获取空调的参数变化量,根据参数变化量确定空调的运行状态,根据空调的运行状态对应的调节策略,对第一制冷/热量进行调整,得到第二制冷/热量,基于第二制冷/热量、环境参数和第一运行参数,确定空调的第二运行参数,控制空调在当前控制周期内以第二运行参数运行。如此,可以使空调更加智能的确定最优的运行参数并根据最优运行参数进行调整,实现空调在不影响舒适性的前提下节约能耗。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
为了更清楚地说明本发明实施例或现有技术中的技术方案,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,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请一实施例提供的空调控制方法的流程图;
图2为本申请一实施例提供的空调控制装置的结构图;
图3为本申请一实施例提供的电子设备的结构图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本申请的一部分实施例,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做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请一实施例中提供了一种空调控制方法,该方法可以应用于任意一种形式的电子设备中,如终端和服务器中。如图1所示,该空调控制方法,包括:
步骤101、获取空调的环境参数以及空调的第一运行参数。
本发明实施例中,空调内机上设置有温度传感器和湿度传感器,外机上设置有温度传感器,通过以上传感器可以获取空调对应的室内温度、室内湿度、室外温度或季节等环境参数;进而获取空调的压缩机的压缩频率、压缩机转速、预设温度或运行模式等运行参数。
例如,获取空调对应的环境参数为夏季、室内温度27摄氏度、室内湿度40%和室外温度38摄氏度;获取到空调的压缩机频率为50Hz、压缩机转速为3000r/min、预设温度26摄氏度和运行模式为制冷模式。
又如,获取空调对应的环境参数为冬季、室内温度24摄氏度、室内湿度30%和室外温度4摄氏度;获取到空调的压缩机频率为70Hz、压缩机转速为4000r/min、预设温度26摄氏度和运行模式为制热模式
步骤102、基于环境参数和第一运行参数,确定空调的第一制冷/热量。
基于上述相关实施例,将上述获取到的空调对应的环境参数和第一运行参数作为一个多维向量输入至输入预先训练的第一神经网络模型中,以使第一神经网络模型根据环境参数和运行参数进行数据拟合,输出第一制冷/热量。
其中,第一神经网络模型可以基于现有技术中的任一机器学习模型进行训练。具体的,将空调系统的执行参数(包括压缩机频率、转速和空调内机转速)和当前环境参数(包括室内温度、室内湿度、室外温度)作为训练样本对初始机器学习模型训练,训练好的机器学习模型便可以预测出空调的制冷/热量,将其作为第一神经网络模型。进一步的,训练样本中的数据可以通过专门的仿真软件获取得到,仿真软件模拟空调的物理特性和工作环境,得到第一神经网络模型的训练数据。
进一步的,第一制冷/热量包括第一制冷量或第一制热量。
步骤103、获取空调的参数变化量。
一些实施例中,参数变化量包括温度变化量和空调温降周期内的第一制冷/热量累计降低量。
其中,温度变化量可以根据第一运行参数中的室内温度和室内温度的第一阈值,计算二者差值作为温度变化量。
第一制冷/热量累计降低量是基于温降周期内各控制周期调节前的制冷/热量和调节后的制冷/热量计算得到的。具体可通过以下公式实现:
进一步的,在步骤103之后,该方法还包括:判断温度变化量是否大于第一阈值,并且第一制冷/热量累计降低量是否不大于第二阈值;若是,确定空调进入下一温降周期。
步骤104、根据参数变化量确定空调的运行状态。
一些实施例中,可以通过判断参数变化量是否满足第一预设条件,来确定空调的运行状。具体的,第一预设条件包括温度变化量不大于第一阈值,且第一制冷/热量累计降低量不大于第二阈值,或第一预设条件包括温度变化量不大于第三阈值。
在参数变化量满足第一预设条件时,确定空调的运行状态为恒温状态;在参数变化量不满足第一预设条件时,确定空调的运行状态为降温状态。
其中,第一阈值、第二阈值和第三阈值的取值均可以根据实际情况或实验结果进行设定,此处不做限定,例如,第一阈值可以但不限于为1℃,第二阈值可以但不限于为0W,第三阈值可以但不限于为0.5℃。
一些实施例中,在确定空调的运行状态为降温状态之后,还可以对降温状态下的空调的运行状态进行进一步的划分,包括以下两种情况。
第一种:
判断空调在进入降温状态前的运行状态是否为预设运行状态,预设运行状态为开机初始状态、恒温状态或温降周期结束状态;若是,确定空调的运行状态为降低能力状态。
具体的,空调从开机初始状态进入降温状态,先进入降低能力状态;空调由恒温模式进入温降模式,先进入降低能力状态;在当前温度变化量大于1℃并且制冷/热量累计降低量小于等于0W, 则认为一轮温降周期结束,空调再次进入降低能力状态。
进一步的,在确定空调的运行状态为降低能力状态之后,该方法还包括:将当前温降周期的第二制冷/热量累计降低量置为第二阈值。
通过将当前温降周期的第二制冷/热量累计降低量置为第二阈值,可以保证当前温降周期初始的第二制冷/热量累计降低量为0,以防止上一温降周期的第二制冷/热量累计降低量,对当前温降周期造成影响。
第二种:
在当前温降周期中N个控制周期后,判断是否满足第二预设条件,第二预设条件包括温度变化量变大或不变,且第N个控制周期中第一制冷/热量等于第二制冷/热量,且第二制冷/热量累计降低量大于第二阈值;若是,确定空调的运行状态为升高能力状态;若否,确定空调的运行状态为降低能力状态。
步骤105、根据空调的运行状态对应的调节策略,对第一制冷/热量进行调整,得到第二制冷/热量。
具体的,在运行状态不同时,调节策略也不同,基于上述相关实施例中的运行状态的不同进行具体说明。
在空调的运行状态为恒温状态时,从第一预设范围中随机选择调整值,基于调整值对第一制冷/热量进行调整,得到第二制冷/热量。
若空调的运行状态为降低能力状态,从第二预设范围中随机选择调整值,基于调整值对第一制冷/热量进行调整,得到第二制冷/热量。
若空调的运行状态为升高能力状态,从第三预设范围中随机选择调整值,基于调整值对第一制冷/热量进行调整,得到第二制冷/热量。
具体的,如果空调的运行状态为恒温状态,则通过公式Q'=(1 - B修正系数)× Q,对第一级神经网络输出的制冷/热量进行下探,其中Q为调节前的值, Q'为调节后的值,B修正系数的初始化取值为0%,取值范围为[0%~20%]。如果连续完成多个控制周期后温差没有升高,那就增大B修正系数的取值,反之就减小B修正系数的取值;
如果空调的运行状态为降低能力状态,则通过公式Q'=(1 - A修正系数)× Q,对第一级神经网络输出的制冷/热量进行下探,其中Q为调节前的值, Q'为调节后的值,A修正系数初始化取值为10%,取值范围为[0%~10%]。如果连续完成多个控制周期后温差没有升高,那就增大A修正系数的取值,反之就减小A修正系数的取值;
如果空调的运行状态为升高能力状态,则通过公式Q'=(1 + A修正系数)× Q,对第一级神经网络输出的制冷/热量进行补偿,其中Q为调节前的值, Q'为调节后的值,A修正系数取值范围为5%。
步骤106、基于第二制冷/热量、环境参数和第一运行参数,确定空调的第二运行参数。
基于上述相关实施例,将上述获取到的空调对应的第二制冷/热量、环境参数和第一运行参数作为一个多维向量输入至输入预先训练的第二神经网络模型中,以使第二神经网络模型根据第二制冷/热量、环境参数和运行参数进行数据拟合,输出第二运行参数。
其中,第二神经网络模型可以基于现有技术中的任一机器学习模型进行训练。具体的,将环境参数(包括室内温度、室内湿度、室外温度或季节)、第一运行参数以及调整后的制冷/热量作为训练样本对初始机器学习模型训练,训练好的机器学习模型便可以预测出空调的第二运行参数,将其作为第二神经网络模型。进一步的,训练样本中的数据可以通过专门的仿真软件获取得到,仿真软件模拟空调的物理特性和工作环境,得到第二神经网络模型的训练数据。
步骤107、控制空调在当前控制周期内以第二运行参数运行。
基于上述相关实施例,在确定空调第二运行参数后,便可以控制空调以第二运行参数运行,在上述调节过程中,随着制冷/热量不断下探,第二级神经网络输出的控制参数也会不断下探,越来越接近最优,并且在一轮温降周期内对制冷/热量进行补偿,从而达到在不影响制冷能力的情况下,降低空调能耗的效果。
其中,第二运行参数包括压缩机频率和转速。
本申请的空调控制方法,在一个完整的温降周期内,在降低能力状态下累计降低的制冷量,会在升高能力状态下得到完全的补偿,即完整的一个周期之后累计改变的制冷量约等于0W。从而达到不影响制冷能力,有效降低空调能耗的效果。
基于同一构思,本申请实施例中提供了一种空调控制装置,该装置的具体实施可参见方法实施例部分的描述,重复之处不再赘述,如图2所示,该装置主要包括:
第一获取模块201,用于获取空调的环境参数以及空调的第一运行参数;
第一确定模块202,用于基于环境参数和第一运行参数,确定空调的第一制冷/热量;
第二获取模块203,用于获取空调的参数变化量;
第二确定模块204,用于根据参数变化量确定空调的运行状态;
调整模块205,用于根据空调的运行状态对应的调节策略,对第一制冷/热量进行调整,得到第二制冷/热量;
第三确定模块206,用于基于第二制冷/热量、环境参数和第一运行参数,确定空调的第二运行参数;
控制模块207,用于控制空调在当前控制周期内以第二运行参数运行。
基于同一构思,本申请实施例中提供了一种电子设备,如图3所示,该电子设备主要包括:处理器301、通信接口302、存储器303和通信总线304,其中,处理器301、通信接口302和存储器303通过通信总线304完成相互间的通信。其中,存储器303中存储有可被至处理器301执行的程序,处理器301执行存储器303中存储的程序,实现如下步骤:
获取空调的环境参数以及所述空调的第一运行参数;
基于所述环境参数和所述第一运行参数,确定所述空调的第一制冷/热量;
获取所述空调的参数变化量;
根据所述参数变化量确定所述空调的运行状态;
根据所述空调的运行状态对应的调节策略,对所述第一制冷/热量进行调整,得到第二制冷/热量;
基于所述第二制冷/热量、所述环境参数和所述第一运行参数,确定所述空调的第二运行参数;
控制所述空调在当前控制周期内以所述第二运行参数运行。
上述电子设备中提到的通信总线304可以是外设部件互连标准(PeripheralComponent Interconnect,简称PCI)总线或扩展工业标准结构(Extended IndustryStandard Architecture,简称EISA)总线等。该通信总线304可以分为地址总线、数据总线、控制总线等。为便于表示,图3中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口302用于上述电子设备与其他设备之间的通信。
存储器303可以包括随机存取存储器(Random Access Memory,简称RAM),也可以包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。可选地,存储器还可以是至少一个位于远离前述处理器301的存储装置。
上述的处理器301可以是通用处理器,包括中央处理器(Central ProcessingUnit,简称CPU)、网络处理器(Network Processor,简称NP)等,还可以是数字信号处理器(Digital Signal Processing,简称DSP)、专用集成电路(Application SpecificIntegrated Circuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称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。
在本申请的又一实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质中存储有计算机程序,当该计算机程序在计算机上运行时,使得计算机执行上述实施例中所描述的空调控制方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行该计算机指令时,全部或部分地产生按照本申请实施例的流程或功能。该计算机可以时通用计算机、专用计算机、计算机网络或者其他可编程装置。该计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,计算机指令从一个网站站点、计算机、服务器或者数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、微波等)方式向另外一个网站站点、计算机、服务器或数据中心进行传输。该计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。该可用介质可以是磁性介质(例如软盘、硬盘、磁带等)、光介质(例如DVD)或者半导体介质(例如固态硬盘)等。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。
Claims (7)
1.一种空调控制方法,其特征在于,包括:
获取空调的环境参数以及所述空调的第一运行参数;
基于所述环境参数和所述第一运行参数,确定所述空调的第一制冷/热量;
获取所述空调的参数变化量;
根据所述参数变化量确定所述空调的运行状态;
根据所述空调的运行状态对应的调节策略,对所述第一制冷/热量进行调整,得到第二制冷/热量;
基于所述第二制冷/热量、所述环境参数和所述第一运行参数,确定所述空调的第二运行参数;
控制所述空调在当前控制周期内以所述第二运行参数运行;
其中,获取所述空调的参数变化量,包括:
获取所述空调的室内温度的第一阈值;
根据所述第一运行参数中的室内温度和所述室内温度的第一阈值计算温度变化量;以及,
获取所述空调温降周期内的第一制冷/热量累计降低量,所述温降周期包括至少一个控制周期;
将所述温度变化量和所述第一制冷/热量累计降低量作为所述参数变化量;
其中,所述根据所述参数变化量确定所述空调的运行状态,包括:
判断所述参数变化量是否满足第一预设条件,所述第一预设条件包括所述温度变化量不大于第一阈值,且所述第一制冷/热量累计降低量不大于第二阈值,或所述第一预设条件包括所述温度变化量不大于第三阈值;
若是,确定所述空调的运行状态为恒温状态;
若否,确定所述空调的运行状态为降温状态;
其中,所述确定所述空调的运行状态为降温状态之后,还包括:
判断所述空调在进入所述降温状态前的运行状态是否为预设运行状态,所述预设运行状态为开机初始状态、恒温状态或温降周期结束状态;
若是,确定所述空调的运行状态为降低能力状态;
其中,所述确定所述空调的运行状态为降低能力状态之后,还包括:
将当前温降周期的第二制冷/热量累计降低量置为第二阈值,第二阈值为零;
其中,所述确定所述空调的运行状态为降温状态之后,还包括:
在所述当前温降周期中N个控制周期后,判断是否满足第二预设条件,所述第二预设条件包括所述温度变化量变大或不变,且第N个控制周期中第一制冷/热量等于第二制冷/热量,且所述第二制冷/热量累计降低量大于第二阈值;
若是,确定所述空调的运行状态为升高能力状态;
若否,确定所述空调的运行状态为降低能力状态;
其中,所述根据所述空调的运行状态对应的调节策略,对所述第一制冷/热量进行调整,得到第二制冷/热量,包括:
若所述空调的运行状态为降低能力状态,从第二预设范围中选择调整值,基于所述调整值对所述第一制冷/热量进行调整,得到所述第二制冷/热量;其中,Q '=(1-A修正系数)×Q,Q为第一制冷/热量,Q '为第二制冷/热量,A修正系数初始化取值为10%,取值范围为[0%,10%],如果连续完成多个控制周期后温差没有升高,增大A修正系数的取值,反之减小A修正系数的取值;
其中,所述基于所述环境参数和所述第一运行参数,确定所述空调的第一制冷/热量,包括:
将所述环境参数和所述第一运行参数输入预先训练的第一神经网络模型中,以使所述第一神经网络模型进行数据拟合,输出所述第一制冷/热量。
2.根据权利要求1所述的空调控制方法,其特征在于,所述根据所述空调的运行状态对应的调节策略,对所述第一制冷/热量进行调整,得到第二制冷/热量,包括:
若所述空调的运行状态为恒温状态,从第一预设范围中随机选择调整值,基于所述调整值对所述第一制冷/热量进行调整,得到所述第二制冷/热量。
3.根据权利要求1所述的空调控制方法,其特征在于,所述根据所述空调的运行状态对应的调节策略,对所述第一制冷/热量进行调整,得到第二制冷/热量,包括:
若所述空调的运行状态为升高能力状态,从第三预设范围中随机选择调整值,基于所述调整值对所述第一制冷/热量进行调整,得到所述第二制冷/热量。
4.根据权利要求1所述的空调控制方法,其特征在于,所述基于所述第二制冷/热量、所述环境参数和所述第一运行参数,确定所述空调的第二运行参数,包括:
将所述第二制冷/热量、所述环境参数和所述第一运行参数输入预先训练的第二神经网络模型中,以使所述第二神经网络模型进行数据拟合,输出所述第二运行参数。
5.一种空调控制装置,其特征在于,包括:
第一获取模块,用于获取空调的环境参数以及所述空调的第一运行参数;
第一确定模块,用于基于所述环境参数和所述第一运行参数,确定所述空调的第一制冷/热量;
第二获取模块,用于获取所述空调的参数变化量;
第二确定模块,用于根据所述参数变化量确定所述空调的运行状态;
调整模块,用于根据所述空调的运行状态对应的调节策略,对所述第一制冷/热量进行调整,得到第二制冷/热量;
第三确定模块,用于基于所述第二制冷/热量、所述环境参数和所述第一运行参数,确定所述空调的第二运行参数;
控制模块,用于控制所述空调在当前控制周期内以所述第二运行参数运行;
其中,获取所述空调的参数变化量,包括:
获取所述空调的室内温度的第一阈值;
根据所述第一运行参数中的室内温度和所述室内温度的第一阈值计算温度变化量;以及,
获取所述空调温降周期内的第一制冷/热量累计降低量,所述温降周期包括至少一个控制周期;
将所述温度变化量和所述第一制冷/热量累计降低量作为所述参数变化量;
其中,所述根据所述参数变化量确定所述空调的运行状态,包括:
判断所述参数变化量是否满足第一预设条件,所述第一预设条件包括所述温度变化量不大于第一阈值,且所述第一制冷/热量累计降低量不大于第二阈值,或所述第一预设条件包括所述温度变化量不大于第三阈值;
若是,确定所述空调的运行状态为恒温状态;
若否,确定所述空调的运行状态为降温状态;
其中,所述确定所述空调的运行状态为降温状态之后,还包括:
判断所述空调在进入所述降温状态前的运行状态是否为预设运行状态,所述预设运行状态为开机初始状态、恒温状态或温降周期结束状态;
若是,确定所述空调的运行状态为降低能力状态;
其中,所述确定所述空调的运行状态为降低能力状态之后,还包括:
将当前温降周期的第二制冷/热量累计降低量置为第二阈值,第二阈值为零;
其中,所述确定所述空调的运行状态为降温状态之后,还包括:
在所述当前温降周期中N个控制周期后,判断是否满足第二预设条件,所述第二预设条件包括所述温度变化量变大或不变,且第N个控制周期中第一制冷/热量等于第二制冷/热量,且所述第二制冷/热量累计降低量大于第二阈值;
若是,确定所述空调的运行状态为升高能力状态;
若否,确定所述空调的运行状态为降低能力状态;
其中,所述根据所述空调的运行状态对应的调节策略,对所述第一制冷/热量进行调整,得到第二制冷/热量,包括:
若所述空调的运行状态为降低能力状态,从第二预设范围中选择调整值,基于所述调整值对所述第一制冷/热量进行调整,得到所述第二制冷/热量;其中,Q '=(1-A修正系数)×Q,Q为第一制冷/热量,Q '为第二制冷/热量,A修正系数初始化取值为10%,取值范围为[0%,10%],如果连续完成多个控制周期后温差没有升高,增大A修正系数的取值,反之减小A修正系数的取值;
其中,所述基于所述环境参数和所述第一运行参数,确定所述空调的第一制冷/热量,包括:
将所述环境参数和所述第一运行参数输入预先训练的第一神经网络模型中,以使所述第一神经网络模型进行数据拟合,输出所述第一制冷/热量。
6.一种电子设备,其特征在于,包括:处理器、通信接口、存储器和通信总线,其中,处理器、通信接口和存储器通过通信总线完成相互间的通信;
所述存储器,用于存储计算机程序;
所述处理器,用于执行所述存储器中所存储的程序,实现权利要求1-4任一项所述的空调控制方法。
7.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-4任一项所述的空调控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011301171.XA CN114517960B (zh) | 2020-11-19 | 2020-11-19 | 空调控制方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011301171.XA CN114517960B (zh) | 2020-11-19 | 2020-11-19 | 空调控制方法、装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114517960A CN114517960A (zh) | 2022-05-20 |
CN114517960B true CN114517960B (zh) | 2023-07-07 |
Family
ID=81594672
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011301171.XA Active CN114517960B (zh) | 2020-11-19 | 2020-11-19 | 空调控制方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114517960B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018126755A1 (zh) * | 2017-01-05 | 2018-07-12 | 珠海格力电器股份有限公司 | 空调器控制方法及装置 |
CN110726217A (zh) * | 2019-10-29 | 2020-01-24 | 珠海格力电器股份有限公司 | 空调器的控制方法及装置 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102620383B (zh) * | 2012-04-09 | 2015-03-11 | 青岛海尔空调电子有限公司 | 空调设备的控制方法和装置、以及空调系统 |
CN109323425B (zh) * | 2018-11-15 | 2021-05-25 | 广东美的制冷设备有限公司 | 空调的控制方法、装置及可读存储介质 |
CN109827309B (zh) * | 2019-01-11 | 2020-02-04 | 珠海格力电器股份有限公司 | 基于负荷的空调控制方法、控制装置及空调系统 |
CN109631238A (zh) * | 2019-01-28 | 2019-04-16 | 宁波溪棠信息科技有限公司 | 一种提高空调系统运行能效的控制系统和控制方法 |
CN110940030A (zh) * | 2019-10-30 | 2020-03-31 | 珠海格力电器股份有限公司 | 空调的运行控制方法、系统及空调器 |
CN110966714B (zh) * | 2019-11-07 | 2021-07-13 | 珠海格力电器股份有限公司 | 一种空调智能控制方法、计算机可读存储介质及空调 |
CN110762739B (zh) * | 2019-11-11 | 2021-11-26 | 广东南方通信建设有限公司 | 数据中心空调控制方法、装置、设备及存储介质 |
-
2020
- 2020-11-19 CN CN202011301171.XA patent/CN114517960B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018126755A1 (zh) * | 2017-01-05 | 2018-07-12 | 珠海格力电器股份有限公司 | 空调器控制方法及装置 |
CN110726217A (zh) * | 2019-10-29 | 2020-01-24 | 珠海格力电器股份有限公司 | 空调器的控制方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN114517960A (zh) | 2022-05-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110726217B (zh) | 空调器的控制方法及装置 | |
US11674705B2 (en) | Air conditioner providing information on time and/or power required to reach a desired temperature and method for control thereof | |
CN111928420B (zh) | 空调控制方法、装置、电子设备和存储介质 | |
CN109631238A (zh) | 一种提高空调系统运行能效的控制系统和控制方法 | |
WO2020256153A1 (ja) | 情報処理方法、情報処理装置、及びプログラム | |
CN110736248B (zh) | 空调出风温度的控制方法和装置 | |
CN104589951B (zh) | 汽车空调循环风门的控制方法及其控制系统 | |
CN113819636B (zh) | 辐射空调系统的控制方法、装置及存储介质 | |
CN113551399B (zh) | 一种空调新风量控制方法、装置及空调 | |
CN108917088B (zh) | 一种体感风量调节方法、装置及空调器 | |
CN113757952A (zh) | 一种空调控制方法、装置及空调器 | |
CN112229043A (zh) | 一种空调运行方法、装置、电子设备和计算机可读介质 | |
CN114517960B (zh) | 空调控制方法、装置、电子设备和存储介质 | |
CN112361555B (zh) | 一种空调控制方法、装置、电子设备及存储介质 | |
CN112432316B (zh) | 一种空调控制方法、装置、电子设备及存储介质 | |
CN113803919A (zh) | 一种转速控制方法、系统、设备及存储介质 | |
CN113446713A (zh) | 基于数字孪生的数据智能优控及节能方法及系统 | |
CN116499071A (zh) | 基于环境湿度的温度补偿方法、装置、空调及存储介质 | |
CN111716991A (zh) | 一种空调参数自适应标定方法及系统 | |
CN114216242B (zh) | 空调控制方法、装置、空调及存储介质 | |
CN114608172B (zh) | 用于控制空调器的方法及装置、空调器、存储介质 | |
CN114076381B (zh) | 空调控制方法、装置、空调及存储介质 | |
CN108917101A (zh) | 空调控制方法及装置、存储介质、处理器 | |
CN113048626A (zh) | 建筑能耗优化方法及设备、可读存储介质 | |
CN115751635B (zh) | 一种空间除湿方法、装置、电子设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |