CN114791160A - 基于神经网络模型的中央空调控制方法及装置 - Google Patents
基于神经网络模型的中央空调控制方法及装置 Download PDFInfo
- Publication number
- CN114791160A CN114791160A CN202210103147.8A CN202210103147A CN114791160A CN 114791160 A CN114791160 A CN 114791160A CN 202210103147 A CN202210103147 A CN 202210103147A CN 114791160 A CN114791160 A CN 114791160A
- Authority
- CN
- China
- Prior art keywords
- central air
- air conditioner
- conditioning
- neural network
- network 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.)
- Pending
Links
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
- F24F11/62—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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Fuzzy Systems (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明提供了基于神经网络模型的中央空调控制方法及装置,运用于空调控制技术领域;获取中央空调系统数据集,收录与所述中央空调系统数据集适配的中央空调参数,将所述中央空调参数进行冗余校验算法得到中央空调的核心参数,构建控制中央空调的神经网络模型,并输入所述中央空调的核心参数对神经网络模型进行训练,得到训练完成的神经网络模型为最终的控制中央空调的神经网络模型;本发明通过训练神经网络模型控制中央空调以解决现有技术的中央空调只局限于控制运行数据和工作参数,有效提高了中央空调的控制效率;本发明通过训练神经网络模型控制中央空调以调控现有技术的中央空调控制系数不稳定的问题,有效提升了中央空调的控制性。
Description
技术领域
本发明涉及空调控制技术领域,特别涉及为一种基于神经网络模型的中央空调控制方法及装置。
背景技术
近年来,智能家居快速在家电市场普及,各大主流家电厂商纷纷推出了可以自动调节模式,适应用户需求的空调产品。然而主流空调公司提出的神经网络学习型智能空调,尽管普遍具有WiFi网关,可以将空调运行参数经路由器上传至云端,但只局限于通过空调本体的运行数据,来控制空调的工作参数。
而随着5G概念的普及,使万物互联成为可能,空调与其他家庭智能设备的联动也成为趋势,现在相较于无线网卡,ZigBee和蓝牙通讯由于更低的成本,成为家庭内部局域联网的首选,其他智能设备基于ZigBee或蓝牙的无线传感器,可以实时向空调传输不同测量位置的环境参数。而且用户在这些环境中对空调的操作,本身就是智能空调很好的深度学习训练样本。然而在空调行业内,一直忽视了其他智能设备采集的环境数据,没有能有效的运用这些数据的方法,导致用户空调智能化体验差。
鉴于此,针对以上背景技术提出的问题,本发明提供一种基于神经网络模型的中央空调控制方法,以解决现有技术的中央空调只局限于控制运行数据和工作参数的问题。
发明内容
本发明旨在解决现有空调只局限于控制运行数据和工作参数的问题,提供一种基于神经网络模型的中央空调控制方法及装置。
本发明提供一种基于神经网络模型的中央空调控制方法,包括:
获取中央空调系统数据集,收录与所述中央空调系统数据集适配的中央空调参数;
将所述中央空调参数进行冗余校验算法得到中央空调的核心参数;
构建控制中央空调的神经网络模型,并输入所述中央空调的核心参数对神经网络模型进行训练;
得到训练完成的神经网络模型为最终的控制中央空调的神经网络模型。
进一步地,所述获取中央空调系统数据集的步骤包括:
录入中央空调的多项系统第一运行数据包括制冷机组蒸发器处的水温与压力和制冷机组冷凝器处的水温与压力,
录入中央空调的多项系统第二运行数据包括制冷机室内外的温湿度以及其他电机组的电流负载;
录入中央空调的多项系统第三运行数据包括制冷机组系统输出总功率和制冷机组系统输入总功率。
进一步地,所述收录中央空调参数的步骤包括:
将所述录入的中央空调的多项系统第一运行数据、第二运行数据和第三运行数据进行数据预处理,包括数据清洗、数据转换和特征挑选,生成预处理完成的与中央空调系统数据集适配的中央空调参数。
进一步地,所述将中央空调参数进行冗余校验算法得到中央空调的核心参数的步骤包括:
对所述适配的中央空调参数进行合并操作,得到完成的中央空调参数集;
将所述完成的中央空调参数集再打乱分散,得到散乱的中央空调测试集和中央空调训练集;
筛选所述散乱的中央空调测试集和中央空调训练集,得到整个用于测试的中央空调测试集和整个用于训练的中央空调训练集,并将所述中央空调测试集和中央空调训练集进行冗余校验算法,根据计算结果整合得到中央空调的核心参数。
进一步地,所述构建控制中央空调的神经网络模型,输入中央空调的核心参数对神经网络模型进行训练的步骤前,还包括:
输入变量为所述中央空调的多项系统第一运行数据、第二运行数据和第三运行数据至模型中,分别将所述中央空调的多项系统第一运行数据、第二运行数据和第三运行数据分类标签为第一预测变量、第二预测变量和第三预测变量。
进一步地,所述构建控制中央空调的神经网络模型,输入中央空调的核心参数对神经网络模型进行训练的步骤包括:
将所述第一预测变量、第二预测变量和第三预测变量输入至神经网络模型中,且将所述中央空调的核心参数输入至神经网络模型中,
将所述第一预测变量、第二预测变量和第三预测变量与中央空调的核心参数进行比对,生成预测的中央空调工况能耗值。
进一步地,所述得到最终的控制中央空调的神经网络模型的步骤前,还包括:
分别推算所述预测的中央空调工况能耗值的最大设定值范围与最小设定值范围,
将所述预测的中央空调工况能耗值的最大设定值范围与最小设定值范围与神经网络模型预测的中央空调工况能耗值相比,并判断所述预测的中央空调工况能耗值是否大于或小于所述中央空调工况能耗值的最大设定值范围与最小设定值范围;
若所述预测的中央空调工况能耗值大于所述中央空调工况能耗值的最大设定值范围,则选择神经网络模型进行中央空调能耗值预测精度更高,
若所述预测的中央空调工况能耗值小于所述中央空调工况能耗值的最小设定值范围,则不选择神经网络模型进行中央空调能耗值预测精度更高。
本发明还提供一种基于神经网络的中央空调控制装置,包括:
获取模块,用于获取中央空调系统数据集,收录与所述中央空调系统数据集适配的中央空调参数;将所述中央空调参数进行冗余校验算法得到中央空调的核心参数;
训练模块,用于构建控制中央空调的神经网络模型,并输入所述中央空调的核心参数对神经网络模型进行训练;得到训练完成的神经网络模型为最终的控制中央空调的神经网络模型。
进一步地,获取模块还包括:
获取子单元,用于用于获取中央空调系统数据集,收录与所述中央空调系统数据集适配的中央空调参数;
计算子单元,用于将所述中央空调参数进行冗余校验算法得到中央空调的核心参数。
进一步地,训练模块还包括:
构建子单元,用于构建控制中央空调的神经网络模型,并输入所述中央空调的核心参数对神经网络模型进行训练;
完善子单元,用于得到训练完成的神经网络模型为最终的控制中央空调的神经网络模型。
本发明提供了基于神经网络模型的中央空调控制方法及装置,具有以下有益效果:
1、本发明通过训练神经网络模型控制中央空调以解决现有技术的中央空调只局限于控制运行数据和工作参数,有效提高了中央空调的控制效率;
2、本发明通过训练神经网络模型控制中央空调以调控现有技术的中央空调控制系数不稳定的问题,有效提升了中央空调的控制性。
附图说明
图1为本发明基于神经网络模型的中央空调控制方法一个实施例的工作示意图;
图2为本发明基于神经网络模型的中央空调控制装置一个实施例的结构框图;
本发明为目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
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。
下面将结合本发明的实施例中的附图,对本发明的实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参考附图1,为本发明一实施例中的基于神经网络模型的中央空调控制方法,包括:
S1:获取中央空调系统数据集,收录与所述中央空调系统数据集适配的中央空调参数;
S2:将所述中央空调参数进行冗余校验算法得到中央空调的核心参数;
S3:构建控制中央空调的神经网络模型,并输入所述中央空调的核心参数对神经网络模型进行训练;
S4:得到训练完成的神经网络模型为最终的控制中央空调的神经网络模型。
在具体实施例中:录入中央空调的多项系统第一运行数据包括制冷机组蒸发器处的水温与压力和制冷机组冷凝器处的水温与压力,录入中央空调的多项系统第二运行数据包括制冷机室内外的温湿度以及其他电机组的电流负载,录入中央空调的多项系统第三运行数据包括制冷机组系统输出总功率和制冷机组系统输入总功率;将录入的中央空调的多项系统第一运行数据、第二运行数据和第三运行数据进行数据预处理,包括数据清洗、数据转换和特征挑选,生成预处理完成的与中央空调系统数据集适配的中央空调参数;对适配的中央空调参数进行合并操作,得到完成的中央空调参数集;将完成的中央空调参数集再打乱分散,得到散乱的中央空调测试集和中央空调训练集;筛选散乱的中央空调测试集和中央空调训练集,得到整个用于测试的中央空调测试集和整个用于训练的中央空调训练集,并将中央空调测试集和中央空调训练集进行冗余校验算法,根据计算结果整合得到中央空调的核心参数;输入变量为中央空调的多项系统第一运行数据、第二运行数据和第三运行数据至模型中,运用分类算法分别将中央空调的多项系统第一运行数据、第二运行数据和第三运行数据分类标签为第一预测变量、第二预测变量和第三预测变量;将第一预测变量、第二预测变量和第三预测变量输入至神经网络模型中,且将中央空调的核心参数输入至神经网络模型中,将第一预测变量、第二预测变量和第三预测变量与中央空调的核心参数进行比对,生成预测的中央空调工况能耗值;分别推算预测的中央空调工况能耗值的最大设定值范围与最小设定值范围,将预测的中央空调工况能耗值的最大设定值范围与最小设定值范围与神经网络模型预测的中央空调工况能耗值相比,并判断预测的中央空调工况能耗值是否大于或小于中央空调工况能耗值的最大设定值范围与最小设定值范围;若预测的中央空调工况能耗值大于中央空调工况能耗值的最大设定值范围,则选择神经网络模型进行中央空调能耗值预测精度更高,若预测的中央空调工况能耗值小于中央空调工况能耗值的最小设定值范围,则不选择神经网络模型进行中央空调能耗值预测精度更高;得到训练完成的神经网络模型为最终的控制中央空调的神经网络模型。
在一个实施例中:获取中央空调系统数据集的步骤包括:
录入中央空调的多项系统第一运行数据包括制冷机组蒸发器处的水温与压力和制冷机组冷凝器处的水温与压力,
录入中央空调的多项系统第二运行数据包括制冷机室内外的温湿度以及其他电机组的电流负载;
录入中央空调的多项系统第三运行数据包括制冷机组系统输出总功率和制冷机组系统输入总功率。
在具体实施例中:采集中央空调系统数据集,根据中央空调系统数据集进行初步分析,
根据环境温度系统自判断中央空调可采用的控制方式为制冷或制热,也可转换由操作人员人为选择制冷或制热的控制方式;
当选择控制方式时,系统根据采集环境和参数集进一步分析判断,决定不同控制对象的不同控制方式,在保证系统可负载的情况下采集蒸发机和冷凝机的水温与压力,在保证系统压力能充分满足环境的要求下采集环境包括室内外的温湿度和电机组的电流负载,在保证系统流量能够充分满足空调主机的情况下采集空调制冷机组的输出总功率和输入总功率。
在一个实施例中:收录中央空调参数的步骤包括:
将所述录入的中央空调的多项系统第一运行数据、第二运行数据和第三运行数据进行数据预处理,包括数据清洗、数据转换和特征挑选,生成预处理完成的与中央空调系统数据集适配的中央空调参数。
在具体实施例中:系统将采集完成第一运行数据、第二运行数据和第三运行数据的进行数据清洗,去除采集数据中与空调系数无关的数据,
由于采集的数据中可能存在大量和空调系统数据集不适配的参数,这些数据作为采集后训练的价值较低,因而可以通过清洗来删除这些数据,
删除数据中的非参数字符、与参数无关的数字字符、空行和重复行,并将多行数据转换为单行数据,提高数据信息的完整性;
将清洗完成的数据分割成多余数据和正常数据,对多余数据进行数据转换,保留正常数据,将多余数据从数据集中抹除;
在清洗完成的数据中挑选具有特征的数据,特征为缺失较少的数据、关联性较多的数据和具有独立性的数据,生成挑选特征完成的数据。
在一个实施例中:将中央空调参数进行冗余校验算法得到中央空调的核心参数的步骤包括:
对所述适配的中央空调参数进行合并操作,得到完成的中央空调参数集;
将所述完成的中央空调参数集再打乱分散,得到散乱的中央空调测试集和中央空调训练集;
筛选所述散乱的中央空调测试集和中央空调训练集,得到整个用于测试的中央空调测试集和整个用于训练的中央空调训练集,并将所述中央空调测试集和中央空调训练集进行冗余校验算法,根据计算结果整合得到中央空调的核心参数。
在具体实施例中:在中央空调的数据筛选中,由系统发送的数据信号帧在经由网络传到接送器后,由于多种原因可能导致错误位的出现,因此必须由接收器采取一定措施探测出所有错误位,并采取相应的措施对错误位予以修正,以得到中央空调的核心参数;
系统和接收器选择同一个由n+1个位组成的二进制位列P作为校验列,系统在数据帧的K个位信号后添加n个位(n<K)组成的FCS帧检验列,以保证新组成的全部信号列值可以被预定的校验二进制位列P的值对二取模整除;接收器检验所接收到数据信号列值是否能被校验列P对二取模整除,如果不能,则存在错误位;P被称为循环冗余校验列,正确选择P提高冗余校验列的能力;
对数据筛选过程中的错误位进行修正,由系统提供错误修正码予以接收器自我修正,或在接收器发现含有错误位时,通知系统重新发送筛选数据,以得到中央空调的核心参数。
在一个实施例中:构建控制中央空调的神经网络模型,输入中央空调的核心参数对神经网络模型进行训练的步骤前,还包括:
输入变量为所述中央空调的多项系统第一运行数据、第二运行数据和第三运行数据至模型中,分别将所述中央空调的多项系统第一运行数据、第二运行数据和第三运行数据分类标签为第一预测变量、第二预测变量和第三预测变量。
在具体实施例中:依据各运行数据分类标签中分类对象的权重,对各目标分类标签中的目标分类对象进行排序,将满足第一预设条件的目标分类标签,将满足第二预设条件的目标分类标签,将满足第三预设条件的目标分类标签;其中,满足第三条件的变量对象为满足第二条件的变量对象中脱出,满足第二条件的变量对象为满足第一条件的变量对象中脱出,满足第一条件的变量对象从大数据变量中脱出。
在一个实施例中:构建控制中央空调的神经网络模型,输入中央空调的核心参数对神经网络模型进行训练的步骤包括:
将所述第一预测变量、第二预测变量和第三预测变量输入至神经网络模型中,且将所述中央空调的核心参数输入至神经网络模型中,
将所述第一预测变量、第二预测变量和第三预测变量与中央空调的核心参数进行比对,生成预测的中央空调工况能耗值。
在具体实施例中:将变量数据与核心参数进行比对,获得比对结果,比对结果包括但不限于是中央空调工况值、折算值和标干值,中央空调工况值指中央空调的污染度,中央空调标干值指中央空调的污染度在标准大气压下的浓度,中央空调折算值指中央空调为了降低污染浓度,在排放的有害气体中混入空气,剔除部分有害气体,为折算浓度值。
在另一个实施例中:不断更新变量数据与核心参数进行比对,得到多次比对结果,从而能够有效提升对比性。
在一个实施例中:得到最终的控制中央空调的神经网络模型的步骤前,还包括:
分别推算所述预测的中央空调工况能耗值的最大设定值范围与最小设定值范围,
将所述预测的中央空调工况能耗值的最大设定值范围与最小设定值范围与神经网络模型预测的中央空调工况能耗值相比,并判断所述预测的中央空调工况能耗值是否大于或小于所述中央空调工况能耗值的最大设定值范围与最小设定值范围;
若所述预测的中央空调工况能耗值大于所述中央空调工况能耗值的最大设定值范围,则选择神经网络模型进行中央空调能耗值预测精度更高,
若所述预测的中央空调工况能耗值小于所述中央空调工况能耗值的最小设定值范围,则不选择神经网络模型进行中央空调能耗值预测精度更高。
在具体实施例中:根据环境温度系统自判断中央空调可采用的控制方式为制冷或制热,也可转换由操作人员人为选择制冷或制热的控制方式;
由于操作人员预测过程中会因为中央空调的工况能耗值的大小而对中央空调的控制精度降低,所以需要对神经网络模型进行训练,使神经网络模型对中央空调的控制精度呈可导向趋势,但是因为中央空调在正常的工作情况中会由于室内外温湿度不断的变化导致控制精度不能呈一个稳定的控制系数,所以向神经网络模型输入中央空调的工况能耗值使神经网络模型有一个预测导向的方向,如果中央空调工况能耗值为偏低的情况,由神经网络模型对中央空调自设有的控制精度即可对中央空调进行相应的控制,如果中央空调工况能耗值为偏高的情况,由操作人员对中央空调进行相应的控制。
参考附图2,本发明一实施例中的基于神经网络的中央空调控制方法,包括:
获取模块10,用于获取中央空调系统数据集,收录与所述中央空调系统数据集适配的中央空调参数;将所述中央空调参数进行冗余校验算法得到中央空调的核心参数;
训练模块20,用于构建控制中央空调的神经网络模型,并输入所述中央空调的核心参数对神经网络模型进行训练;得到训练完成的神经网络模型为最终的控制中央空调的神经网络模型。
在具体实施例中:录入中央空调的多项系统第一运行数据包括制冷机组蒸发器处的水温与压力和制冷机组冷凝器处的水温与压力,录入中央空调的多项系统第二运行数据包括制冷机室内外的温湿度以及其他电机组的电流负载,录入中央空调的多项系统第三运行数据包括制冷机组系统输出总功率和制冷机组系统输入总功率;将录入的中央空调的多项系统第一运行数据、第二运行数据和第三运行数据进行数据预处理,包括数据清洗、数据转换和特征挑选,生成预处理完成的与中央空调系统数据集适配的中央空调参数;对适配的中央空调参数进行合并操作,得到完成的中央空调参数集;将完成的中央空调参数集再打乱分散,得到散乱的中央空调测试集和中央空调训练集;筛选散乱的中央空调测试集和中央空调训练集,得到整个用于测试的中央空调测试集和整个用于训练的中央空调训练集,并将中央空调测试集和中央空调训练集进行冗余校验算法,根据计算结果整合得到中央空调的核心参数;输入变量为中央空调的多项系统第一运行数据、第二运行数据和第三运行数据至模型中,运用分类算法分别将中央空调的多项系统第一运行数据、第二运行数据和第三运行数据分类标签为第一预测变量、第二预测变量和第三预测变量;将第一预测变量、第二预测变量和第三预测变量输入至神经网络模型中,且将中央空调的核心参数输入至神经网络模型中,将第一预测变量、第二预测变量和第三预测变量与中央空调的核心参数进行比对,生成预测的中央空调工况能耗值;分别推算预测的中央空调工况能耗值的最大设定值范围与最小设定值范围,将预测的中央空调工况能耗值的最大设定值范围与最小设定值范围与神经网络模型预测的中央空调工况能耗值相比,并判断预测的中央空调工况能耗值是否大于或小于中央空调工况能耗值的最大设定值范围与最小设定值范围;若预测的中央空调工况能耗值大于中央空调工况能耗值的最大设定值范围,则选择神经网络模型进行中央空调能耗值预测精度更高,若预测的中央空调工况能耗值小于中央空调工况能耗值的最小设定值范围,则不选择神经网络模型进行中央空调能耗值预测精度更高;得到训练完成的神经网络模型为最终的控制中央空调的神经网络模型。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.基于神经网络模型的中央空调控制方法,其特征在于,包括以下步骤:
获取中央空调系统数据集,收录与所述中央空调系统数据集适配的中央空调参数;
将所述中央空调参数进行冗余校验算法得到中央空调的核心参数;
构建控制中央空调的神经网络模型,并输入所述中央空调的核心参数对神经网络模型进行训练;
得到训练完成的神经网络模型为最终的控制中央空调的神经网络模型。
2.根据权利要求1所述的基于神经网络模型的中央空调控制方法,其特征在于,所述获取中央空调系统数据集的步骤包括:
录入中央空调的多项系统第一运行数据包括制冷机组蒸发器处的水温与压力和制冷机组冷凝器处的水温与压力,
录入中央空调的多项系统第二运行数据包括制冷机室内外的温湿度以及其他电机组的电流负载;
录入中央空调的多项系统第三运行数据包括制冷机组系统输出总功率和制冷机组系统输入总功率。
3.根据权利要求2所述的基于神经网络模型的中央空调控制方法,其特征在于,所述收录中央空调参数的步骤包括:
将所述录入的中央空调的多项系统第一运行数据、第二运行数据和第三运行数据进行数据预处理,包括数据清洗、数据转换和特征挑选,生成预处理完成的与中央空调系统数据集适配的中央空调参数。
4.根据权利要求1所述的基于神经网络模型的中央空调控制方法,其特征在于,所述将中央空调参数进行冗余校验算法得到中央空调的核心参数的步骤包括:
对所述适配的中央空调参数进行合并操作,得到完成的中央空调参数集;
将所述完成的中央空调参数集再打乱分散,得到散乱的中央空调测试集和中央空调训练集;
筛选所述散乱的中央空调测试集和中央空调训练集,得到整个用于测试的中央空调测试集和整个用于训练的中央空调训练集,并将所述中央空调测试集和中央空调训练集进行冗余校验算法,根据计算结果整合得到中央空调的核心参数。
5.根据权利要求1所述的基于神经网络模型的中央空调控制方法,其特征在于,所述构建控制中央空调的神经网络模型,输入中央空调的核心参数对神经网络模型进行训练的步骤前,还包括:
输入变量为所述中央空调的多项系统第一运行数据、第二运行数据和第三运行数据至模型中,分别将所述中央空调的多项系统第一运行数据、第二运行数据和第三运行数据分类标签为第一预测变量、第二预测变量和第三预测变量。
6.根据权利要求1所述的基于神经网络模型的中央空调控制方法,其特征在于,所述构建控制中央空调的神经网络模型,输入中央空调的核心参数对神经网络模型进行训练的步骤包括:
将所述第一预测变量、第二预测变量和第三预测变量输入至神经网络模型中,且将所述中央空调的核心参数输入至神经网络模型中,
将所述第一预测变量、第二预测变量和第三预测变量与中央空调的核心参数进行比对,生成预测的中央空调工况能耗值。
7.根据权利要求1所述的基于神经网络模型的中央空调控制方法,其特征在于,所述得到最终的控制中央空调的神经网络模型的步骤前,还包括:
分别推算所述预测的中央空调工况能耗值的最大设定值范围与最小设定值范围,
将所述预测的中央空调工况能耗值的最大设定值范围与最小设定值范围与神经网络模型预测的中央空调工况能耗值相比,并判断所述预测的中央空调工况能耗值是否大于或小于所述中央空调工况能耗值的最大设定值范围与最小设定值范围;
若所述预测的中央空调工况能耗值大于所述中央空调工况能耗值的最大设定值范围,则选择神经网络模型进行中央空调能耗值预测精度更高,
若所述预测的中央空调工况能耗值小于所述中央空调工况能耗值的最小设定值范围,则不选择神经网络模型进行中央空调能耗值预测精度更高。
8.一种基于神经网络模型的中央空调控制装置,其特征在于,包括:
获取模块,用于获取中央空调系统数据集,收录与所述中央空调系统数据集适配的中央空调参数;将所述中央空调参数进行冗余校验算法得到中央空调的核心参数;
训练模块,用于构建控制中央空调的神经网络模型,并输入所述中央空调的核心参数对神经网络模型进行训练;得到训练完成的神经网络模型为最终的控制中央空调的神经网络模型。
9.根据权利要求8所述的基于神经网络模型的中央空调控制装置,其特征在于,获取模块还包括:
获取子单元,用于用于获取中央空调系统数据集,收录与所述中央空调系统数据集适配的中央空调参数;
计算子单元,用于将所述中央空调参数进行冗余校验算法得到中央空调的核心参数。
10.根据权利要求8所述的基于神经网络模型的中央空调控制装置,其特征在于,训练模块还包括:
构建子单元,用于构建控制中央空调的神经网络模型,并输入所述中央空调的核心参数对神经网络模型进行训练;
完善子单元,用于得到训练完成的神经网络模型为最终的控制中央空调的神经网络模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210103147.8A CN114791160A (zh) | 2022-01-27 | 2022-01-27 | 基于神经网络模型的中央空调控制方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210103147.8A CN114791160A (zh) | 2022-01-27 | 2022-01-27 | 基于神经网络模型的中央空调控制方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114791160A true CN114791160A (zh) | 2022-07-26 |
Family
ID=82459393
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210103147.8A Pending CN114791160A (zh) | 2022-01-27 | 2022-01-27 | 基于神经网络模型的中央空调控制方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114791160A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015172560A1 (zh) * | 2014-05-16 | 2015-11-19 | 华南理工大学 | 基于bp神经网络的中央空调冷负荷的预测方法 |
CN108954680A (zh) * | 2018-07-13 | 2018-12-07 | 电子科技大学 | 一种基于运行数据的中央空调能耗预测方法 |
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 |
CN110805997A (zh) * | 2019-11-14 | 2020-02-18 | 中金新源(天津)科技有限公司 | 中央空调系统节能控制方法 |
WO2021169115A1 (zh) * | 2020-02-29 | 2021-09-02 | 平安科技(深圳)有限公司 | 风控方法、装置、电子设备及计算机可读存储介质 |
CN113970170A (zh) * | 2020-07-24 | 2022-01-25 | 中国移动通信集团浙江有限公司 | 中央空调系统能耗预测方法、装置及计算设备 |
-
2022
- 2022-01-27 CN CN202210103147.8A patent/CN114791160A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015172560A1 (zh) * | 2014-05-16 | 2015-11-19 | 华南理工大学 | 基于bp神经网络的中央空调冷负荷的预测方法 |
CN108954680A (zh) * | 2018-07-13 | 2018-12-07 | 电子科技大学 | 一种基于运行数据的中央空调能耗预测方法 |
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 |
CN110805997A (zh) * | 2019-11-14 | 2020-02-18 | 中金新源(天津)科技有限公司 | 中央空调系统节能控制方法 |
WO2021169115A1 (zh) * | 2020-02-29 | 2021-09-02 | 平安科技(深圳)有限公司 | 风控方法、装置、电子设备及计算机可读存储介质 |
CN113970170A (zh) * | 2020-07-24 | 2022-01-25 | 中国移动通信集团浙江有限公司 | 中央空调系统能耗预测方法、装置及计算设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102779228B (zh) | 商场建筑中央空调冷负荷在线预测方法及系统 | |
CN102705957B (zh) | 办公建筑中央空调逐时冷负荷在线预测方法及系统 | |
CN110332671B (zh) | 室内机的控制方法、装置、设备和空调系统 | |
US20120072029A1 (en) | Intelligent system and method for detecting and diagnosing faults in heating, ventilating and air conditioning (hvac) equipment | |
CN109405195A (zh) | 空调智能控制系统及方法 | |
CN111486554B (zh) | 一种基于在线学习的空调温度无感化控制方法 | |
CN113240184B (zh) | 一种基于联邦学习的楼宇空间单元冷负荷预测方法及系统 | |
CN111830350B (zh) | 能耗计量方法、装置及电器 | |
CN107844073A (zh) | 电子设备控制方法、装置、系统、存储介质及处理器 | |
US20220414526A1 (en) | Intelligent fault detection system | |
CN115345212A (zh) | 一种基于机器学习模型的控制方法和装置 | |
Albayati et al. | Semi-supervised machine learning for fault detection and diagnosis of a rooftop unit | |
CN110874685A (zh) | 基于神经网络的智能电能表运行状态判别方法及系统 | |
CN110850717B (zh) | 利用风机电流的神经网络热泵除霜控制装置及控制方法 | |
CN114791160A (zh) | 基于神经网络模型的中央空调控制方法及装置 | |
CN112686442A (zh) | 基于运行多样性空调末端能耗预测方法和系统 | |
CN116720854A (zh) | 基于智慧巡检的设备协调控制方法及系统 | |
CN107044711A (zh) | 空调的控制方法及装置 | |
CN114266186B (zh) | 一种空调能耗数据缺失值填补方法、设备及介质 | |
CN116088325A (zh) | 一种基于数字孪生的家居设备控制方法、装置及存储介质 | |
CN205384460U (zh) | 大数据分析智能家居系统 | |
CN117387172B (zh) | 基于精准推荐设备控制参数的末端空调节能方法和系统 | |
CN110501952B (zh) | 一种信息采集设备及管理方法 | |
CN117237590B (zh) | 基于图像识别的光伏组件热斑识别方法及系统 | |
TWI759973B (zh) | 資料傳送規則設定方法及伺服系統 |
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 |