CN114688688B - 一种基于深度学习的智能制冷舒适空调 - Google Patents
一种基于深度学习的智能制冷舒适空调 Download PDFInfo
- Publication number
- CN114688688B CN114688688B CN202210328352.4A CN202210328352A CN114688688B CN 114688688 B CN114688688 B CN 114688688B CN 202210328352 A CN202210328352 A CN 202210328352A CN 114688688 B CN114688688 B CN 114688688B
- Authority
- CN
- China
- Prior art keywords
- air conditioner
- data
- deep learning
- module
- 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
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
- F24F11/50—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
- F24F11/62—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
-
- 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
- F24F2110/30—Velocity
-
- 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
Abstract
本发明属于空调自动控制技术领域,公开了一种基于深度学习的智能制冷舒适空调,用户舒适温度数据库建立模块用于存储用户行为习惯并存储,对存储的用户行为习惯的数据进行捕捉并分配权重;获取空调工作时环境数据和运行数据;训练深度学习模型,确定每个影响因子对空调制冷效果的影响系数;根据各影响因子的参数,建立空调的三维热效应方程,求解得空调的温度场分布情况;建立深度生成模型根据空调的基本参数,形成在深度学习多层网络下空调的深度生成模型;选择深度生成模型并进行预训练,将各解模糊方法得到的空调降温方案及其对应的仿真结果数据作为深度生成模型的输入,输出最终的空调优化制冷方案。本发明提供了一个最优的制冷方案。
Description
技术领域
本发明属于空调自动控制技术领域,尤其涉及一种基于深度学习的智能制冷舒适空调。
背景技术
深度学习(DL,Deep Learning)是机器学习(ML,Machine Learning)领域中一个新的研究方向,它被引入机器学习使其更接近于最初的目标——人工智能(AI, ArtificialIntelligence)。深度学习是学习样本数据的内在规律和表示层次,这些学习过程中获得的信息对诸如文字,图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力,能够识别文字、图像和声音等数据。深度学习是一个复杂的机器学习算法,在语音和图像识别方面取得的效果,远远超过先前相关技术。深度学习在搜索技术,数据挖掘,机器学习,机器翻译,自然语言处理,多媒体学习,语音,推荐和个性化技术,以及其他相关领域都取得了很多成果。深度学习使机器模仿视听和思考等人类的活动,解决了很多复杂的模式识别难题,使得人工智能相关技术取得了很大进步。
现有技术一,CN109506344A-空调制冷量的控制方法、装置及电子设备,尤其涉及一种空调制冷量的控制方法、装置及电子设备。所述空调制冷量的控制方法,包括:根据空调的负载量与制冷量之间的第一关联关系获得当前负载量对应的基础制冷量;根据空调的制冷量与风机风速、冷却水流量之间的第二关联关系获得所述基础制冷量对应的目标风机风速及目标冷却水流量;将空调的风机风速及冷却水流量调整为所述目标风机风速及目标冷却水流量,以控制空调的制冷量。
现有技术二,CN104791966A空调器以及空调器的低温制冷控制方法和装置,所述空调器的低温制冷控制方法,包括以下步骤:检测当前室外环境温度;判断当前室外环境温度所属的温度区间,其中,将室外环境温度划分为多个温度区间,且每个所述温度区间对应一个风机转速;控制所述空调器以制冷模式运行且控制所述空调器的室外风机按照所述当前室外环境温度所属的温度区间对应的风机转速运转。
通过上述分析,现有技术存在的问题及缺陷为:现有技术一和现有技术二空调制冷控制存在无法根据用户个性需求定制,用户体验度差。
发明内容
针对现有技术存在的问题,本发明提供了一种基于深度学习的智能制冷舒适空调。
本发明是这样实现的,一种基于深度学习的智能制冷舒适空调,包括:
用户舒适温度数据库建立模块,用于存储用户行为习惯,对存储的用户行为习惯的数据进行捕捉并分配权重;
数据获取模块,用于获取空调工作时环境数据和运行数据;
深度生成模型形成模块,用于根据各影响因子的参数,建立空调的三维热效应方程,求解得空调的温度场分布情况;
制冷方案输出模块,用于选择深度生成模型并进行预训练,将各解模糊方法得到的空调降温方案及其对应的仿真结果数据作为深度生成模型的输入,经过深度生成模型的推断,输出最终的空调优化制冷方案。
进一步,所述环境数据中包括各个影响因子对应的数据;利用深度学习库编程构造对应的深度学习模型,基于所述环境数据和运行数据,训练深度学习模型,确定每个影响因子对空调制冷效果的影响系数,构造出各个影响因子对应的相关性函数;
建立深度生成模型根据空调的基本参数,包括风速、出风口温度、制冷模式、制热模式、除湿模式、出口风向和运行参数,形成在深度学习多层网络下空调的深度生成模型。
所述用户舒适温度数据库建立模块的用户行为习惯包括:客户日常调整空调的风速、出风口温度、制冷模式、制热模式、除湿模式、出口风向和运行参数。当用户按照常规开机,调整风速、出风口温度、制冷模式、制热模式、除湿模式、出口风向和运行参数时,用户舒适温度数据库实时记录风速、出风口温度、制冷模式、制热模式、除湿模式、出口风向和运行参数的数据,并进行存储,存储后按照运行参数的不同分为不同的类别记录堆栈,然后导入用户舒适温度数据库,当每次记录室内温度变化时,计数器的读数加1,若计数器的读数大于记录堆栈的上限时,此时生成舒适温度;若计数器的读数不大于记录堆栈的上限时,返回常规开机。
进一步,所述用户舒适温度数据库建立模块包括:
第一分配权重子模块,用于将收集到的存储的用户行为习惯的数据输入第一级深度神经网络,部署训练得到第一级神经网络模型,生成第一分配权重的存储的用户行为习惯的数据;
第二分配权重子模块,用于构建第二级深度神经网络模型,输入为存储的用户行为习惯的数据,输出为第二分配权重的存储的用户行为习惯的数据;
存储数据处理子模块,用于将收集到的第一分配权重的存储的用户行为习惯的数据和第二分配权重的存储的用户行为习惯的数据一起输入第二级深度神经网络,部署训练得到第二级神经网络模型,生成分割好的存储的用户行为习惯的数据。
进一步,利用深度学习库编程构造对应的深度学习模型;通过模型训练模块利用模型训练程序进行深度学习模型的训练,得到深度学习神经网络,确定每个影响因子对空调制冷效果的影响系数;
所述通过模型训练模块包括:
数据提取子模块,用于采用构建完成的所述深度学习模型和预设的特征提取算法,提取对应的环境数据和运行数据;
局部训练子模块,用于根据由提取得到的所述环境数据和运行数据构成的数据特征集,进行局部训练;
分类训练子模块,用于根据预先从所述环境数据和运行数据中选出的目标环境数据和运行数据,对已完成所述局部训练的所述深度学习模型进行所述全连接层的分类训练,以完成所述深度学习模型的训练,得到深度学习神经网络;
相关性函数构建子模块,用于确定每个影响因子对空调制冷效果的影响系数,构造出各个影响因子对应的相关性函数。
进一步,所述深度生成模型形成模块包括:
参数输入子模块,用于输入空调的基本参数,包括风速、出风口温度、制冷模式、制热模式、除湿模式、出口风向和运行参数;
信息识别子模块,用于根据待识别输入空调的基本参数的标识信息和深度学习算法模型的标识信息,判断是否将所述待识别输入空调的基本参数的标识信息以及所述深度学习算法模型存储到存储器中;
信息存储子模块,用于所述存储器判断为是的情况下,存储所述待识别输入空调的基本参数的标识信息和所述深度学习算法模型;
识别指令发出子模块,用于发出针对所述待识别输入空调的基本参数的标识信息的识别指令;
识别结果输出子模块,用于根据识别指令获取第一深度学习算法模型和所述待识别输入空调的基本参数的标识信息,并利用所述深度学习算法模型对所述待识别输入空调的基本参数的标识信息进行识别处理;输出识别处理的结果。
进一步,所述存储器包括:
存储请求发送子模块,用于发送将所述待识别输入空调的基本参数的标识信息以及所述深度学习算法模型存储的请求;
功率控制子模块,用于在存储器的不同半径内设置第一信息存储层的第一最优功率控制区域和第二信息存储层的第二最优功率控制区域,使得第一最优功率控制区域和第二最优功率控制区域彼此不重叠;与第一最优功率控制区域和第二最优功率控制区域中的每一个分别相邻而设置保留区域;
数据存储子模块,用于存储所述待识别输入空调的基本参数的标识信息以及所述深度学习算法模型的数据。
进一步,所述深度生成模型是层数为3的深度玻尔兹曼机,进行预训练时,预训练样本是不同解模糊方法得到的空调降温方案,在存储的用户舒适温度数据库实时记录风速,温度,模式,出口风向等运行参数的数据进行选择,以及其对应仿真对空调进行模拟降温分析的降温过程空调温度随时间变化数据、达到空调降温需求所需时间和最终降温能耗指标;
获取用户舒适温度,将所述目标空间的环境温度和用户舒适温度进行比较,根据比较结果,选择机组为升温模式、降温模式或平衡模式;
若选择机组为升温模式,则生成升温控制指令,降低空调的冷风出风量,降低压缩机的制冷功率,使目标空间升温;
若选择机组为降温模式,则生成降温控制指令,增加空调的冷风出风量,增加压缩机的制冷功率,使目标空间快速降温;
若选择机组为平衡模式,则根据环境温度生成控制指令,以控制空调压缩机转速,使环境温度稳定在用户舒适温度的精度范围内。
进一步,所述压缩机的功率控制包括:
转速获取子模块,用于获取压缩机当前的第一转速,并获取所述第一转速对应的预设功率范围;
转速调整子模块,用于基于所述压缩机功率及所述升温模式和降温模式的压缩机功率范围调整所述压缩机的转速,并在转速调整后所述压缩机持续运行的运行时长达到第一预设时长时,继续执行获取所述压缩机当前的压缩机功率的步骤。
进一步,所述基于所述压缩机功率及所述升温模式和降温模式的压缩机功率范围调整所述压缩机的转速的步骤包括:
确定所述压缩机功率是否处于所述预设功率范围之外;
在所述压缩机功率处于所述预设功率范围之外时,若所述压缩机功率大于所述预设功率范围对应的最大预设功率,则降低所述压缩机的转速。
结合上述的所有技术方案,本发明所具备的优点及积极效果为:本发明对用户的习惯行为进行采集并存储,为空调的深度学习提供了良好的数据基础,使得空调的制冷调整更加的人性化,针对性很强,有利于大幅提高用户的体验度。本发明获取空调工作时环境数据和运行数据,通过深度学习模型得到影响因子,便于为空调制冷调整提供参考,让空调最大程度的服务客户,提供优良的制冷方案。本发明的深度生成模型能够有效进行制冷控制,维持空调运行的稳定性和安全性,进而有效保证空调供电系统的运行安全。本发明整体采用用户习惯、空调及环境参数进行深度学习,提供了一个最优的制冷方案,不仅有利于节约能源,而且能提高用户体验度。
本发明便于空调在形成智能学习控制策略以后,通过深度学习不断进行自我更新,从而逐步减少用户的操作次数,使用户能感受到舒适智能控制带来的双手解放,从而提高用户的评价与黏性。本发明应用深度学习,完成空调的拟人化,从而达到在不同环境温度下产生对应的最佳舒适温度,并随人的习惯变化进行自我更新,是AI技术与制冷结合的一次尝试。
本发明将客户日常调整空调的风速,温度,模式,出口风向等运行参数分割开来,按照不同权重进行存储,提高了存储的效率,为用户舒适温度的输出提供了保障。
本发明采用深度学习算法模型进行数据识别之后,采用深度学习算法模型进行数据识别,多待识别输入空调的基本参数的标识信息进行多次识别,可以避免识别带来的误差,从而提高了对待识别数据的识别准确率。
本发明经过深度生成模型的推断,输出最终的空调优化制冷方案,更好的满足了客户的具体需求,输出了优化的空调制冷参数,不仅提高了客户体验度,而且节约了能源和成本。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图做简单的介绍,显而易见地,下面所描述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他的附图。
图1是本发明实施例提供的基于深度学习的智能制冷舒适空调的结构示意图。
图2是本发明实施例提供的用户舒适温度数据库建立模块的结构示意图。
图3是本发明实施例提供的深度生成模型的结构示意图。
图4是本发明实施例提供的存储器的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
针对现有技术存在的问题,本发明提供了一种基于深度学习的智能制冷舒适空调,下面结合附图对本发明作详细的描述。
实施例1:
如图1所示,本发明提供的基于深度学习的智能制冷舒适空调包括:
用户舒适温度数据库建立模块,用于存储用户行为习惯,对存储的用户行为习惯的数据进行捕捉并分配权重;
数据获取模块,用于获取空调工作时环境数据和运行数据;其中,所述环境数据中包括各个影响因子对应的数据;利用深度学习库编程构造对应的深度学习模型,基于所述环境数据和运行数据,训练深度学习模型,确定每个影响因子对空调制冷效果的影响系数,构造出各个影响因子对应的相关性函数;
深度生成模型形成模块,用于根据各影响因子的参数,建立空调的三维热效应方程,求解得空调的温度场分布情况;建立深度生成模型根据空调的基本参数,包括风速、出风口温度、制冷模式、制热模式、除湿模式、出口风向和运行参数,形成在深度学习多层网络下空调的深度生成模型;
制冷方案输出模块,用于选择深度生成模型并进行预训练,将各解模糊方法得到的空调降温方案及其对应的仿真结果数据作为深度生成模型的输入,经过深度生成模型的推断,输出最终的空调优化制冷方案。
本发明对用户的习惯行为进行采集并存储,为空调的深度学习提供了良好的数据基础,使得空调的制冷调整更加的人性化,针对性很强,有利于大幅提高用户的体验度。本发明获取空调工作时环境数据和运行数据,通过深度学习模型得到影响因子,便于为空调制冷调整提供参考,让空调最大程度的服务客户,提供优良的制冷方案。本发明的深度生成模型能够有效进行制冷控制,维持空调运行的稳定性和安全性,进而有效保证空调供电系统的运行安全。本发明整体采用用户习惯、空调及环境参数进行深度学习,提供了一个最优的制冷方案,不仅有利于节约能源,而且能提高用户体验度。
实施例2:
在实施例1的基础上,本发明实施例的用户舒适温度数据库建立模块的用户行为习惯包括:客户日常调整空调的风速、出风口温度、制冷模式、制热模式、除湿模式、出口风向和运行参数。当用户按照常规开机,调整风速、出风口温度、制冷模式、制热模式、除湿模式、出口风向和运行参数时,用户舒适温度数据库实时记录风速、出风口温度、制冷模式、制热模式、除湿模式、出口风向和运行参数的数据,并进行存储,存储后按照运行参数的不同分为不同的类别记录堆栈,然后导入用户舒适温度数据库,当每次记录室内温度变化时,计数器的读数加1,若计数器的读数大于记录堆栈的上限时,此时生成舒适温度;若计数器的读数不大于记录堆栈的上限时,返回常规开机。
本发明便于空调在形成智能学习控制策略以后,通过深度学习不断进行自我更新,从而逐步减少用户的操作次数,使用户能感受到舒适智能控制带来的双手解放,从而提高用户的评价与黏性。本发明应用深度学习,完成空调的拟人化,从而达到在不同环境温度下产生对应的最佳舒适温度,并随人的习惯变化进行自我更新,是AI技术与制冷结合的一次尝试。
实施例3:
如图2所示,在实施例1的基础上,本发明实施例提供的用户舒适温度数据库建立模块包括:
第一分配权重子模块,用于将收集到的存储的用户行为习惯的数据输入第一级深度神经网络,部署训练得到第一级神经网络模型,生成第一分配权重的存储的用户行为习惯的数据;
第二分配权重子模块,用于构建第二级深度神经网络模型,输入为存储的用户行为习惯的数据,输出为第二分配权重的存储的用户行为习惯的数据;
存储数据处理子模块,用于将收集到的第一分配权重的存储的用户行为习惯的数据和第二分配权重的存储的用户行为习惯的数据一起输入第二级深度神经网络,部署训练得到第二级神经网络模型,生成分割好的存储的用户行为习惯的数据。
本发明将客户日常调整空调的风速、出风口温度、制冷模式、制热模式、除湿模式、出口风向和运行参数分割开来,按照不同权重进行存储,提高了存储的效率,为用户舒适温度的输出提供了保障。
实施例4:
在实施例1的基础上,本发明实施例提供的数据获取模块中,所述环境数据中包括各个影响因子对应的数据;利用深度学习库编程构造对应的深度学习模型,基于所述环境数据和运行数据,训练深度学习模型,确定每个影响因子对空调制冷效果的影响系数,构造出各个影响因子对应的相关性函数包括:
利用深度学习库编程构造对应的深度学习模型;通过模型训练模块利用模型训练程序进行深度学习模型的训练,得到深度学习神经网络,确定每个影响因子对空调制冷效果的影响系数;
所述通过模型训练模块包括:
数据提取子模块,用于采用构建完成的所述深度学习模型和预设的特征提取算法,提取对应的环境数据和运行数据;
局部训练子模块,用于根据由提取得到的所述环境数据和运行数据构成的数据特征集,进行局部训练;
分类训练子模块,用于根据预先从所述环境数据和运行数据中选出的目标环境数据和运行数据,对已完成所述局部训练的所述深度学习模型进行所述全连接层的分类训练,以完成所述深度学习模型的训练,得到深度学习神经网络;
相关性函数构建子模块,用于确定每个影响因子对空调制冷效果的影响系数,构造出各个影响因子对应的相关性函数。
本发明通过获取的环境数据和运行数据进行深度学习模型的构建,并且进行构建的深度学习模型的训练,能够实现环境数据和运行数据可观、准确的分析;并且进行模型训练的方案可以克服现有神经网络模型的训练速度过长、参数优化困难的缺点,提高深度神经网络模型的扩展能力、泛化能力和执行速度,改善无监督学习难度和参数优化难度,从而降低深度学习算法进行大数据处理的难度。
实施例5:
如图3所示,在实施例1的基础上,本发明实施例提供的深度生成模型形成模块包括:
参数输入子模块,用于输入空调的基本参数,包括风速、出风口温度、制冷模式、制热模式、除湿模式、出口风向和运行参数;
信息识别子模块,用于根据待识别输入空调的基本参数的标识信息和深度学习算法模型的标识信息,判断是否将所述待识别输入空调的基本参数的标识信息以及所述深度学习算法模型存储到存储器中;
信息存储子模块,用于所述存储器判断为是的情况下,存储所述待识别输入空调的基本参数的标识信息和所述深度学习算法模型;
识别指令发出子模块,用于发出针对所述待识别输入空调的基本参数的标识信息的识别指令;
识别结果输出子模块,用于根据识别指令获取第一深度学习算法模型和所述待识别输入空调的基本参数的标识信息,并利用所述深度学习算法模型对所述待识别输入空调的基本参数的标识信息进行识别处理;输出识别处理的结果。
本发明采用深度学习算法模型进行数据识别之后,采用深度学习算法模型进行数据识别,多待识别输入空调的基本参数的标识信息进行多次识别,可以避免识别带来的误差,从而提高了对待识别数据的识别准确率。
实施例6:
如图4所示,在实施例5的基础上,所述存储器包括:
存储请求发送子模块,用于发送将所述待识别输入空调的基本参数的标识信息以及所述深度学习算法模型存储的请求;
功率控制子模块,用于在存储器的不同半径内设置第一信息存储层的第一最优功率控制区域和第二信息存储层的第二最优功率控制区域,使得第一最优功率控制区域和第二最优功率控制区域彼此不重叠;与第一最优功率控制区域和第二最优功率控制区域中的每一个分别相邻而设置保留区域;
数据存储子模块,用于存储所述待识别输入空调的基本参数的标识信息以及所述深度学习算法模型的数据。
本发明的存储器实现了可无限次重复写入和读取信息,且信息记录和读取的可靠性较高。
实施例7:
在实施例1的基础上,本发明实施例提供的选择深度生成模型并进行预训练,将各解模糊方法得到的空调降温方案及其对应的仿真结果数据作为深度生成模型的输入,经过深度生成模型的推断,输出最终的空调优化制冷方案包括:
所述的深度生成模型是层数为3的深度玻尔兹曼机,进行预训练时,预训练样本是不同解模糊方法得到的空调降温方案,在存储的用户舒适温度数据库实时记录风速,温度,模式,出口风向等运行参数的数据进行选择,以及其对应仿真对空调进行模拟降温分析的降温过程空调温度随时间变化数据、达到空调降温需求所需时间和最终降温能耗指标。
获取用户舒适温度,将所述目标空间的环境温度和用户舒适温度进行比较,根据比较结果,选择机组为升温模式、降温模式或平衡模式;
若选择机组为升温模式,则生成升温控制指令,降低空调的冷风出风量,降低压缩机的制冷功率,使目标空间升温;
若选择机组为降温模式,则生成降温控制指令,增加空调的冷风出风量,增加压缩机的制冷功率,使目标空间快速降温;
若选择机组为平衡模式,则根据环境温度生成控制指令,以控制空调压缩机转速,使环境温度稳定在用户舒适温度的精度范围内。
本发明经过深度生成模型的推断,输出最终的空调优化制冷方案,更好的满足了客户的具体需求,输出了优化的空调制冷参数,不仅提高了客户体验度,而且节约了能源和成本。
实施例8:
在实施例7的基础上,压缩机的功率控制包括以下步骤:
转速获取子模块,用于获取压缩机当前的第一转速,并获取所述第一转速对应的预设功率范围;
转速调整子模块,用于基于所述压缩机功率及所述升温模式和降温模式的压缩机功率范围调整所述压缩机的转速,并在转速调整后所述压缩机持续运行的运行时长达到第一预设时长时,继续执行获取所述压缩机当前的压缩机功率的步骤;
所述基于所述压缩机功率及所述升温模式和降温模式的压缩机功率范围调整所述压缩机的转速的步骤包括:
确定所述压缩机功率是否处于所述预设功率范围之外;
在所述压缩机功率处于所述预设功率范围之外时,若所述压缩机功率大于所述预设功率范围对应的最大预设功率,则降低所述压缩机的转速。
本发明实现了对压缩机功率的逐渐调节,避免压缩机出现功率变化较大的情况,使得压缩机功率能够平稳的变化,进而能够降低空调的能耗,使得该空调的温度能够稳定变化。
实施例9:
在实施例4的基础上,本发明提供的深度学习神经网络包括依次相连接的输入层、第一卷积层、第二卷积层、第三卷积层,第四卷积层、第一反卷积层、第二反卷积层、第五卷积层、第六卷积层和输出层;其中,深度学习神经网络的输入为影响因子Xt和对应骨架图It,输出为影响系数;
构造影响因子拟合损失函数LT,损失函数LT表示为:
其中,θT表示影响因子T的参数,为第k个影响因子,/>为第k个影响因子对应影响系数,K为每批次大小,当影响因子网络T训练完成后,保持其参数不变。
本发明利用深度学习神经网络,确定每个影响因子对空调制冷效果的影响系数,构造出各个影响因子对应的相关性函数,提高了获取空调工作时环境数据和运行数据的准确性。本发明提高了深度学习神经网络的计算每个影响因子对空调制冷效果的影响系数的准确率,对空调制冷的调整提供了保障。
应当注意,本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现;软件部分可以存储在存储器中,由适当的指令执行系统,例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用由各种类型的处理器执行的软件实现,也可以由上述硬件电路和软件的结合例如固件来实现。
以上所述,仅为本发明较优的具体的实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,都应涵盖在本发明的保护范围之内。
Claims (8)
1.一种基于深度学习的智能制冷舒适空调,其特征在于,包括:
用户舒适温度数据库建立模块,用于存储用户行为习惯,对存储的用户行为习惯的数据进行捕捉并分配权重;
数据获取模块,用于获取空调工作时环境数据和运行数据;
深度生成模型形成模块,用于根据各影响因子的参数,建立空调的三维热效应方程,求解得空调的温度场分布情况;
制冷方案输出模块,用于选择深度生成模型并进行预训练,经过深度生成模型的推断,输出最终的空调优化制冷方案;
所述深度生成模型形成模块包括:
参数输入子模块,用于输入空调的基本参数,包括风速、出风口温度、制冷模式、制热模式、除湿模式、出口风向和运行参数;
信息识别子模块,用于根据待识别输入空调的基本参数的标识信息和深度学习算法模型的标识信息,判断是否将所述待识别输入空调的基本参数的标识信息以及所述深度学习算法模型存储到存储器中;
信息存储子模块,用于所述存储器判断为是的情况下,存储所述待识别输入空调的基本参数的标识信息和所述深度学习算法模型;
识别指令发出子模块,用于发出针对所述待识别输入空调的基本参数的标识信息的识别指令;
识别结果输出子模块,用于根据识别指令获取第一深度学习算法模型和所述待识别输入空调的基本参数的标识信息,并利用所述深度学习算法模型对所述待识别输入空调的基本参数的标识信息进行识别处理;输出识别处理的结果;
所述存储器包括:
存储请求发送子模块,用于发送将所述待识别输入空调的基本参数的标识信息以及所述深度学习算法模型存储的请求;
功率控制子模块,用于在存储器的不同半径内设置第一信息存储层的第一最优功率控制区域和第二信息存储层的第二最优功率控制区域,使得第一最优功率控制区域和第二最优功率控制区域彼此不重叠;与第一最优功率控制区域和第二最优功率控制区域中的每一个分别相邻而设置保留区域;
数据存储子模块,用于存储所述待识别输入空调的基本参数的标识信息以及所述深度学习算法模型的数据。
2.如权利要求1所述的基于深度学习的智能制冷舒适空调,其特征在于,所述环境数据中包括各个影响因子对应的数据;利用深度学习库编程构造对应的深度学习模型,基于所述环境数据和运行数据,训练深度学习模型,确定每个影响因子对空调制冷效果的影响系数,构造出各个影响因子对应的相关性函数;
建立深度生成模型根据空调的基本参数,包括风速、出风口温度、制冷模式、制热模式、除湿模式、出口风向和运行参数,形成在深度学习多层网络下空调的深度生成模型。
3.如权利要求1所述的基于深度学习的智能制冷舒适空调,其特征在于,所述用户舒适温度数据库建立模块的用户行为习惯包括:客户日常调整空调的风速、出风口温度、制冷模式、制热模式、除湿模式、出口风向和运行参数;当用户按照常规开机,调整风速、出风口温度、制冷模式、制热模式、除湿模式、出口风向和运行参数时,用户舒适温度数据库实时记录风速、出风口温度、制冷模式、制热模式、除湿模式、出口风向和运行参数的数据,并进行存储,存储后按照运行参数的不同分为不同的类别记录堆栈,然后导入用户舒适温度数据库,当每次记录室内温度变化时,计数器的读数加1,若计数器的读数大于记录堆栈的上限时,此时生成舒适温度;若计数器的读数不大于记录堆栈的上限时,返回常规开机。
4.如权利要求1所述的基于深度学习的智能制冷舒适空调,其特征在于,所述用户舒适温度数据库建立模块包括:
第一分配权重子模块,用于将收集到的存储的用户行为习惯的数据输入第一级深度神经网络,部署训练得到第一级神经网络模型,生成第一分配权重的存储的用户行为习惯的数据;
第二分配权重子模块,用于构建第二级深度神经网络模型,输入为存储的用户行为习惯的数据,输出为第二分配权重的存储的用户行为习惯的数据;
存储数据处理子模块,用于将收集到的第一分配权重的存储的用户行为习惯的数据和第二分配权重的存储的用户行为习惯的数据一起输入第二级深度神经网络,部署训练得到第二级神经网络模型,生成分割好的存储的用户行为习惯的数据。
5.如权利要求2所述的基于深度学习的智能制冷舒适空调,其特征在于,制冷方案输出模块,用于选择深度生成模型并进行预训练,将各解模糊方法得到的空调降温方案及其对应的仿真结果数据作为深度生成模型的输入,经过深度生成模型的推断,输出最终的空调优化制冷方案;利用深度学习库编程构造对应的深度学习模型;通过模型训练模块利用模型训练程序进行深度学习模型的训练,得到深度学习神经网络,确定每个影响因子对空调制冷效果的影响系数;
所述通过模型训练模块包括:
数据提取子模块,用于采用构建完成的所述深度学习模型和预设的特征提取算法,提取对应的环境数据和运行数据;
局部训练子模块,用于根据由提取得到的所述环境数据和运行数据构成的数据特征集,进行局部训练;
分类训练子模块,用于根据预先从所述环境数据和运行数据中选出的目标环境数据和运行数据,对已完成所述局部训练的所述深度学习模型进行全连接层的分类训练,以完成所述深度学习模型的训练,得到深度学习神经网络;
相关性函数构建子模块,用于确定每个影响因子对空调制冷效果的影响系数,构造出各个影响因子对应的相关性函数。
6.如权利要求1所述的基于深度学习的智能制冷舒适空调,其特征在于,所述深度生成模型是层数为3的深度玻尔兹曼机,进行预训练时,预训练样本是不同解模糊方法得到的空调降温方案,在存储的用户舒适温度数据库实时记录风速,温度,模式,出口风向运行参数的数据进行选择,以及其对应仿真对空调进行模拟降温分析的降温过程空调温度随时间变化数据、达到空调降温需求所需时间和最终降温能耗指标;
获取用户舒适温度,将目标空间的环境温度和用户舒适温度进行比较,根据比较结果,选择机组为升温模式、降温模式或平衡模式;
若选择机组为升温模式,则生成升温控制指令,降低空调的冷风出风量,降低压缩机的制冷功率,使目标空间升温;
若选择机组为降温模式,则生成降温控制指令,增加空调的冷风出风量,增加压缩机的制冷功率,使目标空间快速降温;
若选择机组为平衡模式,则根据环境温度生成控制指令,以控制空调压缩机转速,使环境温度稳定在用户舒适温度的精度范围内。
7.如权利要求6所述的基于深度学习的智能制冷舒适空调,其特征在于,所述压缩机的功率控制包括:
转速获取子模块,用于获取压缩机当前的第一转速,并获取所述第一转速对应的预设功率范围;
转速调整子模块,用于基于所述压缩机功率及所述升温模式和降温模式的压缩机功率范围调整所述压缩机的转速,并在转速调整后所述压缩机持续运行的运行时长达到第一预设时长时,继续执行获取所述压缩机当前的压缩机功率的步骤。
8.如权利要求7所述的基于深度学习的智能制冷舒适空调,其特征在于,所述基于所述压缩机功率及所述升温模式和降温模式的压缩机功率范围调整所述压缩机的转速的步骤包括:
确定所述压缩机功率是否处于所述预设功率范围之外;
在所述压缩机功率处于所述预设功率范围之外时,若所述压缩机功率大于所述预设功率范围对应的最大预设功率,则降低所述压缩机的转速。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210328352.4A CN114688688B (zh) | 2022-03-30 | 2022-03-30 | 一种基于深度学习的智能制冷舒适空调 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210328352.4A CN114688688B (zh) | 2022-03-30 | 2022-03-30 | 一种基于深度学习的智能制冷舒适空调 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114688688A CN114688688A (zh) | 2022-07-01 |
CN114688688B true CN114688688B (zh) | 2023-09-05 |
Family
ID=82140903
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210328352.4A Active CN114688688B (zh) | 2022-03-30 | 2022-03-30 | 一种基于深度学习的智能制冷舒适空调 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114688688B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115597182B (zh) * | 2022-10-19 | 2023-06-06 | 深圳昌恩智能股份有限公司 | 一种中央空调智能控制设备及中央空调系统 |
CN116518640B (zh) * | 2023-07-05 | 2023-08-22 | 江苏星星冷链科技有限公司 | 一种冷柜控制方法、系统和设备 |
CN116972523A (zh) * | 2023-08-02 | 2023-10-31 | 斯缔凯兰(浙江)科技有限公司 | 一种具有ai自学习的热泵空调制冷控制 |
CN117760057A (zh) * | 2024-02-21 | 2024-03-26 | 中铁建设集团有限公司 | 一种铁路客站低碳制冷装置及使用方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108361927A (zh) * | 2018-02-08 | 2018-08-03 | 广东美的暖通设备有限公司 | 一种基于机器学习的空调器控制方法、装置以及空调器 |
WO2020020088A1 (zh) * | 2018-07-23 | 2020-01-30 | 第四范式(北京)技术有限公司 | 神经网络模型的训练方法和系统以及预测方法和系统 |
CN111271829A (zh) * | 2019-05-08 | 2020-06-12 | 宁波奥克斯电气股份有限公司 | 一种基于深度学习的空调智能制冷舒适控制方法及空调器 |
CN112308209A (zh) * | 2020-10-10 | 2021-02-02 | 上海晶友环境管理有限公司 | 基于深度学习的个性化空调智能学习方法 |
CN112665143A (zh) * | 2020-12-08 | 2021-04-16 | 珠海格力电器股份有限公司 | 基于深度学习的智能调控变频策略的方法及设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102393418B1 (ko) * | 2017-03-30 | 2022-05-03 | 삼성전자주식회사 | 데이터 학습 서버 및 이의 학습 모델 생성 및 이용 방법 |
-
2022
- 2022-03-30 CN CN202210328352.4A patent/CN114688688B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108361927A (zh) * | 2018-02-08 | 2018-08-03 | 广东美的暖通设备有限公司 | 一种基于机器学习的空调器控制方法、装置以及空调器 |
WO2020020088A1 (zh) * | 2018-07-23 | 2020-01-30 | 第四范式(北京)技术有限公司 | 神经网络模型的训练方法和系统以及预测方法和系统 |
CN111271829A (zh) * | 2019-05-08 | 2020-06-12 | 宁波奥克斯电气股份有限公司 | 一种基于深度学习的空调智能制冷舒适控制方法及空调器 |
CN112308209A (zh) * | 2020-10-10 | 2021-02-02 | 上海晶友环境管理有限公司 | 基于深度学习的个性化空调智能学习方法 |
CN112665143A (zh) * | 2020-12-08 | 2021-04-16 | 珠海格力电器股份有限公司 | 基于深度学习的智能调控变频策略的方法及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN114688688A (zh) | 2022-07-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114688688B (zh) | 一种基于深度学习的智能制冷舒适空调 | |
Hong et al. | State-of-the-art on research and applications of machine learning in the building life cycle | |
Taheri et al. | Model predictive control of heating, ventilation, and air conditioning (HVAC) systems: A state-of-the-art review | |
CN105378391B (zh) | 针对hvac需求响应的在线优化方案 | |
CN110286601A (zh) | 控制智能家居设备的方法、装置、控制设备及存储介质 | |
CN110866592B (zh) | 模型训练方法、装置、能效预测方法、装置和存储介质 | |
Han et al. | The reinforcement learning method for occupant behavior in building control: A review | |
Dorokhova et al. | Rule-based scheduling of air conditioning using occupancy forecasting | |
CN113203589A (zh) | 一种用于多联机空调系统的分布式故障诊断方法及系统 | |
CN114662201A (zh) | 一种自然通风智能调控的寻优方法 | |
Park et al. | Stacking deep transfer learning for short-term cross building energy prediction with different seasonality and occupant schedule | |
CN116796141A (zh) | 一种基于gbdt回归模型的办公建筑能耗预测方法 | |
CN111814388A (zh) | 一种基于神经网络的下送风数据中心cfd仿真校验方法 | |
Gao et al. | How to improve the application potential of deep learning model in HVAC fault diagnosis: Based on pruning and interpretable deep learning method | |
Bai et al. | Comparative analysis of thermal preference prediction performance in different conditions using ensemble learning models based on ASHRAE Comfort Database II | |
Zhou et al. | A Comprehensive Review of the Applications of Machine Learning for HVAC | |
Deng et al. | Toward smart multizone HVAC control by combining context-aware system and deep reinforcement learning | |
Aparicio-Ruiz et al. | KNN and adaptive comfort applied in decision making for HVAC systems | |
CN116596408B (zh) | 一种储能集装箱温控能力评价方法及系统 | |
Jin et al. | Discriminant zero-shot learning with center loss | |
Zheng et al. | DUET: Towards a portable thermal comfort model | |
CN115758159B (zh) | 基于混合对比学习和生成式数据增强的零样本文本立场检测方法 | |
CN114969452A (zh) | 一种个人热舒适预测方法及系统 | |
Zhao | Artificial intelligence models for large scale buildings energy consumption analysis | |
Abdelaziz et al. | Convolutional Neural Network With Genetic Algorithm for Predicting Energy Consumption in Public Buildings |
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 | ||
CB02 | Change of applicant information |
Address after: 417000 room 3601, complex building, Louxing Industrial Development Zone, Shuanglin village, Shijing Town, Louxing District, Loudi City, Hunan Province Applicant after: Hunan Dayouheng Group Co.,Ltd. Address before: 417000 room 3601, complex building, Louxing Industrial Development Zone, Shuanglin village, Shijing Town, Louxing District, Loudi City, Hunan Province Applicant before: Hunan dayouheng Industrial Co.,Ltd. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |