CN115614907A - 一种空调器及其室内温度预测方法和装置 - Google Patents

一种空调器及其室内温度预测方法和装置 Download PDF

Info

Publication number
CN115614907A
CN115614907A CN202211167630.9A CN202211167630A CN115614907A CN 115614907 A CN115614907 A CN 115614907A CN 202211167630 A CN202211167630 A CN 202211167630A CN 115614907 A CN115614907 A CN 115614907A
Authority
CN
China
Prior art keywords
temperature
air conditioner
data
indoor
sample
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
Application number
CN202211167630.9A
Other languages
English (en)
Inventor
李倍宇
王现林
连彩云
梁之琦
陈志伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Gree Electric Appliances Inc of Zhuhai
Original Assignee
Gree Electric Appliances Inc of Zhuhai
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Gree Electric Appliances Inc of Zhuhai filed Critical Gree Electric Appliances Inc of Zhuhai
Priority to CN202211167630.9A priority Critical patent/CN115614907A/zh
Publication of CN115614907A publication Critical patent/CN115614907A/zh
Pending legal-status Critical Current

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
    • F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
    • 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
    • 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
    • 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
    • F24F2110/10—Temperature
    • F24F2110/12—Temperature of the outside air

Abstract

本申请公开了一种一种空调器及其室内温度预测方法和装置。其中，该空调器包括：室内温度预测模型框架模块，用于基于训练样本数据库对室内温度预测模型进行训练，得到训练好的室内温度预测模型；数据采集模块，用于在空调器运行过程中采集温度数据；室内温度计算模块，用于将所述温度数据代入所述训练好的室内温度预测模型，计算得到所述空调器的室内温度。通过本申请，可以解决相关技术中空调器室内温度预测的准确度较低的技术问题，达到提高空调器室内温度预测准确度的效果。

Description

一种空调器及其室内温度预测方法和装置
技术领域
本申请涉及空调技术领域，具体而言，涉及一种空调器及其室内温度预测方法和装置。
背景技术
现有技术中的空调器，在运行过程中需要根据室内温度的变化执行对应的控制决策。由于空调器无法直接采集房间的室温，现有的普遍做法是通过在空调器的内机设置室温传感器(亦称内机感温包)采集进风口处的温度数据，空调室内机中的室温传感器通常设置在面框上且位于进风口处。需要注意的是，一方面，内机感温包采集的数据并不是房间室温的真实值，通常需要对内机感温包采集的数据进行修正才能使用；另一方面，由于内机感温包靠近换热器管路，不但会受到蒸发器的热辐射影响，而且还可能受电机热辐射等影响，而使得测温结果产生偏差。
显然，通过在空调室内机设置室温传感器确定室温的技术方法，在实际应用中存在自适应性较差的技术缺陷，而且检测到的参数容易受到干扰。因此只通过简单的修正方法，容易对真实的室内温度造成误判，这会导致空调器无法执行最佳控制决策，既影响了用户的使用体验，也造成了不必要的能源浪费。
针对上述相关技术中空调器室内温度预测的准确度较低的问题，目前尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种空调器及其室内温度预测方法和装置，以至少解决相关技术中空调器室内温度预测的准确度较低的技术问题。
根据本申请实施例的一个方面，提供了一种空调器，包括：
室内温度预测模型框架模块，用于基于训练样本数据库对室内温度预测模型进行训练，得到训练好的室内温度预测模型；
数据采集模块，用于在空调器运行过程中采集温度数据；
室内温度计算模块，用于将所述温度数据代入所述训练好的室内温度预测模型，计算得到所述空调器的室内温度。
进一步地，所述空调器还包括：预测模型训练数据库模块，用于存储训练样本数据库，其中，所述训练样本数据库包括：
房间数据库，包括使用面积数据库和平面布局数据库，其中，所述使用面积数据库用于存储房屋的使用面积样本集，所述平面布局数据库用于存储房屋的户型样本集；
室温数据库，用于存储所述空调器的室内温度样本集；
感温包数据库，用于存储所述空调器的感温包温度样本集；
设定温度数据库，用于存储用户的设定温度样本集；
内管温数据库，用于存储所述空调器的内管温样本集；
外环温数据库，用于存储所述空调器的外环温样本集。
进一步地，所述预测模型训练数据库模块，用于根据房屋的面积和户型信息确定匹配的训练数据库，其中，所述训练数据库中的训练数据包括：与所述房屋的面积和户型信息相匹配的，且具有对应关系的室内温度样本、感温包温度样本、设定温度样本、内管温样本、外环温样本；
所述室内温度预测模型框架模块，用于使用所述具有对应关系的室内温度样本、感温包温度样本、设定温度样本、内管温样本、外环温样本对室内温度预测模型进行训练。
进一步地，所述温度数据包括：感温包温度、设定温度、内管温、外环温，所述感温包温度为所述空调器运行过程中内机室温传感器采集的感温包温度，所述设定温度为用户设定的所述空调器运行目标温度，所述内管温为所述空调器运行过程中内机蒸发器内管温感温包采集的蒸发器内管温度，所述外环温为所述空调器运行过程中外机外环温感温包采集的外环温度，其中：
所述室内温度计算模块包括：所述训练好的室内温度预测模型，用于按照以下公式计算所述空调器的室内温度：
T室温＝αT感温包+βT设定温度+γT内管温+δT外环温+ε
其中，T室温为所述空调器的室内温度，T感温包为所述感温包温度，T设定温度为所述设定温度，T内管温为所述内管温，T外环温为所述外环温，α、β、γ、δ、ε、为所述训练好的室内温度预测模型的方程修正系数。
进一步地，所述空调器还包括：
时间控制模块，用于在所述空调器运行过程中生成数据采集指令，并将所述数据采集指令发送给所述数据采集模块，其中，所述数据采集指令用于指示所述数据采集模块按照目标时间间隔采集所述温度数据。
进一步地，所述数据采集指令包括第一指令和第二指令，其中：
在所述空调器开机后累计运行时间未超过目标时间时，所述时间控制模块生成所述第一指令，其中，所述第一指令用于指示所述数据采集模块按照第一时间间隔采集所述温度数据；
在所述空调器开机后累计运行时间超过所述目标时间时，所述时间控制模块生成所述第二指令，其中，所述第二指令用于指示所述数据采集模块按照第二时间间隔采集所述温度数据。
进一步地，在所述数据采集模块执行所述第一指令时，所述室内温度计算模块将采集到的所述感温包温度确定为所述空调器的室内温度；
在所述数据采集模块执行所述第二指令时，所述室内温度计算模块将采集到的所述温度数据代入所述训练好的室内温度预测模型中，计算得到所述空调器的室内温度。
根据本申请实施例的一个方面，提供了一种空调器室内温度预测方法，包括：
获取训练好的室内温度预测模型；
在空调器运行过程中采集温度数据；
将所述温度数据代入所述训练好的室内温度预测模型，计算得到所述空调器的室内温度。
进一步地，所述方法还包括：
根据房屋的面积和户型信息确定匹配的训练数据库，其中，所述训练数据库中的训练数据包括：与所述房屋的面积和户型信息相匹配的，且具有对应关系的室内温度样本、感温包温度样本、设定温度样本、内管温样本、外环温样本；
使用所述具有对应关系的室内温度样本、感温包温度样本、设定温度样本、内管温样本、外环温样本对室内温度预测模型进行训练，得到所述训练好的室内温度预测模型。
进一步地，所述方法还包括：
在所述空调器运行过程中生成数据采集指令，其中，所述数据采集指令用于指示按照目标时间间隔采集所述温度数据。
进一步地，所述数据采集指令包括第一指令和第二指令，其中，所述在所述空调器运行过程中生成数据采集指令包括：
在所述空调器开机后累计运行时间未超过目标时间时，生成所述第一指令，其中，所述第一指令用于指示按照第一时间间隔采集所述温度数据；
在所述空调器开机后累计运行时间超过所述目标时间时，生成所述第二指令，其中，所述第二指令用于指示按照第二时间间隔采集所述温度数据。
进一步地，所述温度数据包括：感温包温度、设定温度、内管温、外环温，所述感温包温度为所述空调器运行过程中内机室温传感器采集的感温包温度，所述设定温度为用户设定的所述空调器运行目标温度，所述内管温为所述空调器运行过程中内机蒸发器内管温感温包采集的蒸发器内管温度，所述外环温为所述空调器运行过程中外机外环温感温包采集的外环温度，其中，将所述温度数据代入所述训练好的室内温度预测模型，计算得到所述空调器的室内温度包括：
在所述空调器开机后累计运行时间未超过所述目标时间时，将采集到的所述感温包温度确定为所述空调器的室内温度；
在所述空调器开机后累计运行时间超过所述目标时间时，按照以下公式计算所述空调器的室内温度：
T室温＝αT感温包+βT设定温度+γT内管温+δT外环温+ε
其中，T室温为所述空调器的室内温度，T感温包为所述感温包温度，T设定温度为所述设定温度，T内管温为所述内管温，T外环温为所述外环温，α、β、γ、δ、ε、为所述训练好的室内温度预测模型的方程修正系数。
根据本申请实施例的一个方面，提供了一种空调器室内温度预测装置，包括：
获取单元，用于获取训练好的室内温度预测模型；
采集单元，用于在空调器运行过程中采集温度数据；
计算单元，用于将所述温度数据代入所述训练好的室内温度预测模型，计算得到所述空调器的室内温度。
根据本申请实施例的另一方面，还提供了一种存储介质，该存储介质包括存储的程序，程序运行时执行上述的空调器室内温度预测方法。
根据本申请实施例的另一方面，还提供了一种电子装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器通过计算机程序执行上述的空调器室内温度预测方法。
本申请提供了一种空调器及其室内温度预测方法和装置，该空调器通过室内温度预测模型框架模块基于训练样本数据库对室内温度预测模型进行训练，得到训练好的室内温度预测模，通过数据采集模块在空调器运行过程中采集温度数据，然后通过室内温度计算模块根将所述温度数据代入所述训练好的室内温度预测模型，计算得到空调器的室内温度。本申请可以解决相关技术中空调器室内温度预测的准确度较低的技术问题，能够相对准确的预测室内的实际室温，可靠性高，能有效提高室温传感器的自适应能力，优化空调器控制决策，无需额外增加其他硬件设备，利用现有的空调器元器件即可满足升级需求，实用性强。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本申请实施例的一种可选的空调器结构的示意图；
图2是根据本申请实施例的一种可选的预测模型训练数据库数据结构示意图；
图3是根据本申请实施例的一种可选的预测模型训练数据库水平方向上室内温度测点布置的示意图；
图4是根据本申请实施例的一种可选的预测模型训练数据库垂直方向上室内温度测点布置的示意图；
图5是根据本申请实施例的一种可选的空调器室内温度预测方法的流程图；
图6是根据本申请实施例的一种可选的空调器室内温度预测过程的示意图；
图7是根据本申请实施例的一种可选的空调器室内温度预测装置的示意图；
图8是根据本申请实施例的一种终端的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，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，所描述的实施例仅仅是本申请一部分的实施例，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前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本发明，提供一种空调器及其室内温度预测方法和装置。
根据本申请实施例的一方面，提供了一种空调器的实施例。
图1是根据本申请实施例的一种可选的空调器结构的示意图，如图1所示，该空调器可以包括：
室内温度预测模型框架模块10，用于基于训练样本数据库对室内温度预测模型进行训练，得到训练好的室内温度预测模型；
数据采集模块20，用于在空调器运行过程中采集温度数据，其中，所述温度数据包括：感温包温度T感温包、设定温度T设定温度、内管温T内管温、外环温T外环温，所述T感温包为所述空调器运行过程中内机室温传感器采集的感温包温度，所述T设定温度为用户设定的所述空调器运行目标温度，所述T内管温为所述空调器运行过程中内机蒸发器内管温感温包采集的蒸发器内管温度，所述T外环温为所述空调器运行过程中外机外环温感温包采集的外环温度；
室内温度计算模块30，用于将所述温度数据代入所述训练好的室内温度预测模型，计算得到所述空调器的室内温度。
可选地，空调器还包括：预测模型训练数据库模块40，用于存储训练样本数据库，其中，所述训练样本数据库包括：
房间数据库，包括使用面积数据库和平面布局数据库，其中，所述使用面积数据库用于存储房屋的使用面积样本集，所述平面布局数据库用于存储房屋的户型样本集。所述房间数据库是根据现阶段居民房间户型以及空调器适用面积确定的，在房间数据库中包括使用面积数据库和平面布局数据库。所述使用面积数据库包括：12～18m2、15～22m2、16～24m2、23～34m2、32～50m2；所述平面布局数据库包括：矩形户型和长条形户型。
室温数据库，用于存储所述空调器的室内温度样本集。室温数据库也即内环温数据库，是空调器运行前的初始室内温度数据集，取值范围为-5℃～45℃。
感温包数据库，用于存储所述空调器的感温包温度样本集。所述感温包数据库是根据实际空调器在实验工况中实测得到空调器室内机感温包数据集，其数值与设定温度数据、内管温数据、外环温数据以及内环温数据关联。
设定温度数据库，用于存储用户的设定温度样本集。所述设定温度数据库是空调器实际设定的运行温度，取值范围为16℃～30℃。
内管温数据库，用于存储所述空调器的内管温样本集。所述内管温数据库是根据实际空调器在实验工况中实测得到空调器内机蒸发器内管温数据集，其数值与设定温度数据、感温包数据、外环温数据以及内环温数据关联。
外环温数据库，用于存储所述空调器的外环温样本集。所述外环温数据库是根据实际空调器能够运行的室外温度数据集，取值范围为-25℃～60℃。
所述预测模型训练数据库的数据结构如图2所示，空调器技术人员根据用户的实际房间使用面积和户型信息设置相应信息后，所述预测模型训练数据库模块可以根据输入的相关房间使用面积和户型信息选择匹配的训练数据库。训练数据库可以分为：训练数据库1、训练数据库2、训练数据库3、训练数据库4以及训练数据库5，根据使用规则空调器每次只能进行一种训练数据库进行数据训练，如果空调器所在的房间信息发生改变(如房屋改造导致房间使用面积或户型发生改变)，则需设置房间的使用面积和户型信息后再次进行训练。
需要说明的是，为了保证训练好的室内温度预测模型计算的准确度和可靠性，这就要求对其训练的预测模型训练数据库里面的数据既具有针对性(拥有专门针对某一类型房间的训练数据库)又具有代表性(训练数据库的数据能代表该类型房间大多数工况下的普遍规律性)。因此本申请实施例对预测模型训练数据库的搭建提出以下技术要求：
(1)房间数据库
房间使用面积：房间使用面积的大小关系到空调器的选型以及空调器冷量与热量的匹配，因此在建立房间数据库时应充分考虑房间使用面积的选择，本申请实施例中涉及到的房间使用面积包括：12～18m2、15～22m2、16～24m2、23～34m2、32～50m2。
所述12～18m2类型的房间对应的空调器选型为26机，即空调器的额定制冷量≥2600W，额定制热量≥3800W；
所述15～22m2类型的房间对应的空调器选型为32机，即空调器的额定制冷量≥3200W，额定制热量≥4400W；
所述16～24m2类型的房间对应的空调器选型为35机，即空调器的额定制冷量≥3500W，额定制热量≥4700W；
所述23～34m2类型的房间对应的空调器选型为50机，即空调器的额定制冷量≥5000W，额定制热量≥7200W；
所述32～50m2类型的房间对应的空调器选型为72机，即空调器的额定制冷量≥7200W，额定制热量≥9300W。
房间平面布局：根据现代建筑的普遍设计风格，将房间划分为矩形户型和长条形户型。本申请实施例中，所述矩形户型指的是房间平面尺寸中长宽比≤1.25，所述长条形户型指的是房间平面尺寸中长宽比＞1.25。
(2)房间温度数据采集
为了采集准确可靠的空调房间室内温度，本申请实施例中对实验阶段的空调房间室内的测点布置做出以下技术要求：
平面测点布置：平面方向的测点是为了获取房间室内空间水平方向上温度分布，如图3所示，空调房间的平面上测点布置应满足，测点距离房间内壁面距离为a(0m≤a≤0.5m，本专利中a的优选值为0.3m)，测点与测点之间的横向和纵向距离均为b(0.3m≤b≤1.0m，本申请实施例中b的优选值为0.5m)。
垂直方向测点布置：垂直方向的测点是为了获取房间室内空间垂直方向上温度分布，如图4所示，空调房间的垂直方向上测点布置应满足，房间高度为h0(h0≤3.2m)，在垂直方向上布置不少于5个测点(本申请实施例在垂直方向上的测点数优选值为5个)，测点1距地面高度≥0.1m(本申请实施例优选值为0.1m)；测点5距离房间屋顶(天花板)应≥0.1m(本申请实施例优选值为0.1m)；测点2距地面高度为h2(h2＝0.1+0.25*(h0-0.2)m)；测点3距地面高度为h3(h3＝0.1+0.50*(h0-0.2)m)；测点4距地面高度为h4(h4＝0.1+0.75*(h0-0.2)m)。
(3)实验测试要求
为了保证数据库中数据样本量以及房间温度数据与房间真实环境的契合度，在实验测试阶段，本申请实施例对测试数据做出以下技术要求：
外环温的取值范围为-25℃～60℃，实验测试中应按1℃为区间取值，即外环温度实验测试共计有86组；
内环温的取值范围为-5℃～45℃，实验测试中应按1℃为区间取值，即外环温度实验测试共计有51组；
设定温度的取值范围为16℃～30℃，实验测试中应按1℃为区间取值，即外环温度实验测试共计有15组；
每组实验工况的实验测试时长取值范围为8～24h(本申请实施例中测试时长优选值为8h)，数据采样时间取值范围为0～5min(本申请实施例中数据采样时间优选值为1min)。
(4)数据库结构
在本申请实施例的预测模型训练数据库中共计有657900组数据[5(使用面积组合)*2(平面布局组合)*86(外环温组合)*51(内环温组合)*15(设定温度组合)]，这些数据按分类规则存储在训练数据库1～5中。
如图2所示，所述分类规则为：
训练数据库1：该数据库为使用面积为12～18m2类型房间(对应的空调器选型为26机)数据库，该数据库根据房间平面布局(矩形户型和长条形户型)又分为子训练数据库1.1和子训练数据库1.2两个子数据库。
所述子训练数据库1.1存储的是使用面积为12～18m2，平面布局为矩形户型，共计65790组数据[86(外环温组合)*51(内环温组合)*15(设定温度组合)，每组数包含其对应的感温包数据和内管温数据]；
所述子训练数据库1.2存储的是使用面积为12～18m2，平面布局为长条形户型，共计65790组数据[86(外环温组合)*51(内环温组合)*15(设定温度组合)，每组数包含其对应的感温包数据和内管温数据]。
训练数据库2：该数据库为使用面积为15～22m2类型房间(对应的空调器选型为26机)数据库，该数据库根据房间平面布局(矩形户型和长条形户型)又分为子训练数据库2.1和子训练数据库2.2两个子数据库。
所述子训练数据库2.1存储的是使用面积为12～18m2，平面布局为矩形户型，共计65790组数据[86(外环温组合)*51(内环温组合)*15(设定温度组合)，每组数包含其对应的感温包数据和内管温数据]；
所述子训练数据库2.2存储的是使用面积为12～18m2，平面布局为长条形户型，共计65790组数据[86(外环温组合)*51(内环温组合)*15(设定温度组合)，每组数包含其对应的感温包数据和内管温数据]。
训练数据库3：该数据库为使用面积为16～24m2类型房间(对应的空调器选型为26机)数据库，该数据库根据房间平面布局(矩形户型和长条形户型)又分为子训练数据库3.1和子训练数据库3.2两个子数据库。
所述子训练数据库3.1存储的是使用面积为12～18m2，平面布局为矩形户型，共计65790组数据[86(外环温组合)*51(内环温组合)*15(设定温度组合)，每组数包含其对应的感温包数据和内管温数据]；
所述子训练数据库3.2存储的是使用面积为12～18m2，平面布局为长条形户型，共计65790组数据[86(外环温组合)*51(内环温组合)*15(设定温度组合)，每组数包含其对应的感温包数据和内管温数据]。
训练数据库4：该数据库为使用面积为23～34m2类型房间(对应的空调器选型为26机)数据库，该数据库根据房间平面布局(矩形户型和长条形户型)又分为子训练数据库4.1和子训练数据库4.2两个子数据库。
所述子训练数据库4.1存储的是使用面积为12～18m2，平面布局为矩形户型，共计65790组数据[86(外环温组合)*51(内环温组合)*15(设定温度组合)，每组数包含其对应的感温包数据和内管温数据]；
所述子训练数据库4.2存储的是使用面积为12～18m2，平面布局为长条形户型，共计65790组数据[86(外环温组合)*51(内环温组合)*15(设定温度组合)，每组数包含其对应的感温包数据和内管温数据]。
训练数据库5：该数据库为使用面积为32～50m2类型房间(对应的空调器选型为26机)数据库，该数据库根据房间平面布局(矩形户型和长条形户型)又分为子训练数据库5.1和子训练数据库5.2两个子数据库。
所述子训练数据库5.1存储的是使用面积为12～18m2，平面布局为矩形户型，共计65790组数据[86(外环温组合)*51(内环温组合)*15(设定温度组合)，每组数包含其对应的感温包数据和内管温数据]；
所述子训练数据库5.2存储的是使用面积为12～18m2，平面布局为长条形户型，共计65790组数据[86(外环温组合)*51(内环温组合)*15(设定温度组合)，每组数包含其对应的感温包数据和内管温数据]。
预测模型训练数据库的搭建成功之后，可以基于预测模型训练数据库对室内温度预测模型进行训练，得到训练好的室内温度预测模型。
可选地，所述预测模型训练数据库模块40，用于根据房屋的面积和户型信息确定匹配的训练数据库，其中，所述训练数据库中的训练数据包括：与所述房屋的面积和户型信息相匹配的，且具有对应关系的室内温度样本、感温包温度样本、设定温度样本、内管温样本、外环温样本；
所述室内温度预测模型框架模块10，用于使用所述具有对应关系的室内温度样本、感温包温度样本、设定温度样本、内管温样本、外环温样本对室内温度预测模型进行训练。
所述室内温度预测模型框架模块接收来自预测模型训练数据库模块的训练指令，将来自预测模型训练数据库的训练数据库数据代入到室内温度预测模型框架中，进行数据处理。
根据本专利的室内温度预测模型框架，其具体的数学表达式为：
T室温＝α′T感温包+β′T设定温度+γ′T内管温+δ′T外环温+ε′
在上述表达式中：
T室温——预测的房间室内温度，在模型训练的过程中代入内环温数据库中的内环温训练数据，℃；
T感温包——空调器内机室温传感器的感温包温度，在模型训练的过程中代入感温包数据库中的感温包训练数据，℃；
T设定温度——空调器运行目标温度，在模型训练的过程中代入设定温度数据库中的设定温度训练数据，℃；
T内管温——空调器内机蒸发器内管温感温包的蒸发器内管温度，在模型训练的过程中代入内管温数据库中的内管温训练数据，℃；
T外环温——空调器外机外环温感温包的外环温度，在模型训练的过程中代入外环温数据库中的外环温训练数据，℃；
α′、β′、γ′、δ′、ε′——室内温度预测模型的方程修正系数，由训练数据运算后确定，无具体物理含义。
当来自预测模型训练数据库的训练数据库数据代入到室内温度预测模型框架中，所述的数据处理，具体是将训练数据库中的内环温训练数据作为自变量因子，将感温包训练数据、设定温度训练数据、内管温训练数据以及外环温训练数据作为因变量因子，然后通过程序设定的线性回归训练模型对上述因变量数据和自变量数据进行线性回归训练，训练后会得到α′、β′、γ′、δ′以及ε′的训练处理结果，即训练修正后的α、β、γ、δ以及ε训练值。
需要注意的是，上述中的自变量因子内环温训练数据与自变量因子中的感温包训练数据、设定温度训练数据、内管温训练数据以及外环温训练数据是根据实验测试获得的一一对应的关系，并非不是简单的数据堆叠或组合。
所述训练修正后的α、β、γ、δ以及ε训练值会作为训练好的室内温度预测模型的修正系数代入训练好的室内温度预测模型中。
可选地，所述室内温度计算模块30包括：所述训练好的室内温度预测模型。该训练好的室内温度预测模型的数据表达式为：
αT室温＝αT感温包+βT设定温度+γT内管温+δT外环温+ε
其中，T室温为预测的房间室内温度，℃，T感温包为空调器运行过程中内机室温传感器采集的感温包温度，℃，T设定温度为用户通过遥控器设定的空调器运行目标温度，℃，T内管温为空调器运行过程中内机蒸发器内管温感温包采集的蒸发器内管温度，℃，T外环温为空调器运行过程中外机外环温感温包采集的外环温度，℃，α、β、γ、δ、ε、为所述训练好的室内温度预测模型的方程修正系数，其具体取值会受到空调器的型号不同有不同的取值范围。
可选地，空调器还包括：时间控制模块50，用于在空调器运行过程中生成数据采集指令，并将所述数据采集指令发送给数据采集模块20，其中，所述数据采集指令用于指示所述数据采集模块按照目标时间间隔采集温度数据；
所述时间控制模块50是执行空调器运行时间采集、计时的控制终端，同时也发送数据采集指令给数据采集模块20，数据采集模块20根据时间控制模块50的数据采集指令执行相应的数据采集。
数据采集模块20是用来执行空调器运行过程中T感温包、T设定温度、T内管温、T外环温数据采集控制的控制终端，其数据采集过程中接收并执行来自时间控制模块50的数据采集指令。上述温度的单位为℃。
可选地，所述数据采集指令包括第一指令和第二指令，其中：
在所述空调器开机后累计运行时间未超过目标时间时，所述时间控制模块50生成所述第一指令，其中，所述第一指令用于指示所述数据采集模块20按照第一时间间隔采集所述温度数据；
在所述空调器开机后累计运行时间超过所述目标时间时，所述时间控制模块50生成所述第二指令，其中，所述第二指令用于指示所述数据采集模块20按照第二时间间隔采集所述温度数据。
进一步地，在所述数据采集模块20执行所述第一指令时，所述室内温度计算模块30将采集到的所述感温包温度确定为所述空调器的室内温度；
在所述数据采集模块20执行所述第二指令时，所述室内温度计算模块30将采集到的所述温度数据代入所述训练好的室内温度预测模型中，计算得到所述空调器的室内温度。
在实际实验过程中发现，空调器开机运行的初始时期，由于空调器内管温处于快速温升/温降的状态，此时各项系统参数也处于波动阶段。在该阶段由于系统参数不稳定，使用室内温度预测模型得到的计算结果也会存在较大波动和误差，但是空调器在此时又需要一个室内温度值作为程序控制的判断决策。
为了提高数据采集模块20采集的数据准确性和室内温度预测模型计算结果的准确度，本申请通过在时间控制模块50中设置一套数据采集的程序控制方法。所述数据采集的程序控制方法是存储在室内温度预测模块中控制数据采集模块20执行数据采集的程序指令，具体是由数据采集指令①(即上述第一指令)和数据采集指令②(即上述第二指令)组成；
所述数据采集指令①具体指的是时间控制模块50和数据采集模块20在室内温度预测模块的控制下，在空调器累计运行时间在0～T1(即上述目标时间)期间，时间控制模块50发送指令给数据采集模块20，数据采集模块20按△T2(即上述第一时间间隔)为时间间隔采集一次T感温包、T设定温度、T内管温、T外环温数据；
所述数据采集指令②具体指的是时间控制模块50和数据采集模块20在室内温度预测模块的控制下，在空调器累计运行时间在T1时刻以后，时间控制模块50发送指令给数据采集模块20，数据采集模块20按△T3(即上述第二时间间隔)为时间间隔采集一次T感温包、T设定温度、T内管温、T外环温数据；
可选地，所述T1的取值范围是0～30min，本申请文件的优选值为5min；
所述△T2的取值范围是0～5min，本申请文件的优选值为60s；
所述△T3的取值范围是0～5min，本申请文件的优选值为30s；
需要说明的是：
当数据采集模块20执行数据采集指令①时，室内温度计算模块30不会执行相关数据处理指令，此时空调器将采集到的T感温包数值认为是约等于此时房间的室内温度T室温，即在数据采集模块20执行数据采集指令①时，系统认为T室温＝T感温包；
当数据采集模块20执行数据采集指令②时，室内温度计算模块30执行相关数据处理指令，此时室内温度计算模块30接收到数据采集模块20的指令，将实时采集到的T感温包、T设定温度、T内管温、T外环温数据代入到训练好的室内温度预测模型中，计算得到T室温，系统认为此时计算得到的T室温是真实的室内温度。
可选地，所述空调器还可以包括：用户信息设定模块60，用于设定空调器运行的目标温度，即所述设定温度，也可以用于设定空调器的其他参数，例如空调模式、预约等信息。
需要说明的是，上述室内温度预测模型框架模块10、所述数据采集模块20，室内温度计算模块30、预测模型训练数据库模块40、时间控制模块50、用户信息设定模块60，可以组成室内温度预测模块，该室内温度预测模块可以用于执行本申请实施例中的空调器室内温度预测方法，该室内温度预测模块设置于空调器中。
本申请提供了一种空调器，可以解决相关技术中空调器室内温度预测的准确度较低的技术问题。
根据本申请实施例的一方面，提供了一种空调器室内温度预测方法的实施例。图5是根据本申请实施例的一种可选的空调器室内温度预测方法的流程图，如图5所示，该方法可以包括以下步骤：
步骤S501，获取训练好的室内温度预测模型；
步骤S502，在空调器运行过程中采集温度数据；
步骤S503，将所述温度数据代入所述训练好的室内温度预测模型，计算得到所述空调器的室内温度。
进一步地，所述方法还包括：
根据房屋的面积和户型信息确定匹配的训练数据库，其中，所述训练数据库中的训练数据包括：与所述房屋的面积和户型信息相匹配的，且具有对应关系的室内温度样本、感温包温度样本、设定温度样本、内管温样本、外环温样本；
使用所述具有对应关系的室内温度样本、感温包温度样本、设定温度样本、内管温样本、外环温样本对室内温度预测模型进行训练，得到所述训练好的室内温度预测模型。
进一步地，所述方法还包括：
在所述空调器运行过程中生成数据采集指令，其中，所述数据采集指令用于指示按照目标时间间隔采集所述温度数据。
进一步地，所述数据采集指令包括第一指令和第二指令，其中，所述在所述空调器运行过程中生成数据采集指令包括：
在所述空调器开机后累计运行时间未超过目标时间时，生成所述第一指令，其中，所述第一指令用于指示按照第一时间间隔采集所述温度数据；
在所述空调器开机后累计运行时间超过所述目标时间时，生成所述第二指令，其中，所述第二指令用于指示按照第二时间间隔采集所述温度数据。
进一步地，所述温度数据包括：感温包温度、设定温度、内管温、外环温，所述感温包温度为所述空调器运行过程中内机室温传感器采集的感温包温度，所述设定温度为用户设定的所述空调器运行目标温度，所述内管温为所述空调器运行过程中内机蒸发器内管温感温包采集的蒸发器内管温度，所述外环温为所述空调器运行过程中外机外环温感温包采集的外环温度，其中，将所述温度数据代入所述训练好的室内温度预测模型，计算得到所述空调器的室内温度包括：
在所述空调器开机后累计运行时间未超过所述目标时间时，将采集到的所述感温包温度确定为所述空调器的室内温度；
在所述空调器开机后累计运行时间超过所述目标时间时，按照以下公式计算所述空调器的室内温度：
T室温＝αT感温包+βT设定温度+γT内管温+δT外环温+ε
其中，T室温为所述空调器的室内温度，T感温包为所述感温包温度，T设定温度为所述设定温度，T内管温为所述内管温，T外环温为所述外环温，α、β、γ、δ、ε、为所述训练好的室内温度预测模型的方程修正系数。
如图6所示，在空调器装机或者后期调试过程中，技术人员或者安装人员通过调取用户信息设定模块，设定空调器相关参数；所述用户信息设定模块，具体指的是连接在预测模型训练数据库模块与室内温度预测模型框架模块之间的输入模块。所述设定空调器相关参数具体指的是，技术人员或者安装人员通过调取用户信息设定模块，可以根据空调器所在房间的相关数据，选择并设定空调器运行参数中的房间使用面积和平面布局类型。
所述用户信息设定模块在技术人员或者安装人员设定好对应的房间使用面积和平面布局类型参数后，便将相关指令发送至预测模型训练数据库模块。所述预测模型训练数据库模块接收到用户信息设定模块的相关参数后，预测模型训练数据库模块会根据接收到的参数信息，选择合适的训练数据库(如训练数据库1.1、训练数据库2.1、训练数据库4.1等)。所述预测模型训练数据库模块根据用户信息设定模块的相关参数，选择好对应的训练数据库后，会将还数据库中的训练数据发送至室内温度预测模型框架模块。
所述训练数据库数据代入到室内温度预测模型框架中进行数据处理，具体是将训练数据库中的内环温训练数据作为自变量因子，将感温包训练数据、设定温度训练数据、内管温训练数据以及外环温训练数据作为因变量因子，然后通过程序设定的线性回归训练模型对上述因变量数据和自变量数据进行线性回归训练，训练后会得到α′、β′、γ′、δ′以及ε′的训练处理结果，即训练修正后的α、β、γ、δ以及ε训练值。需要注意的是，上述中的自变量因子内环温训练数据与自变量因子中的感温包训练数据、设定温度训练数据、内管温训练数据以及外环温训练数据是根据实验测试获得的一一对应的关系，并非不是简单的数据堆叠或组合。
所述训练修正后的α、β、γ、δ以及ε训练值会作为修正后的室内温度预测模型的修正系数带入代修正后的室内温度预测模型中。
根据本申请实施例的训练好的室内温度预测模型，其具体的数学表达式为：
T室温＝αT感温包+βT设定温度+γT内管温+δT外环温+ε
式中，
T室温——预测的房间室内温度，℃；
T感温包——空调器运行过程中内机室温传感器采集的感温包温度，℃；
T设定温度——用户通过遥控器设定的空调器运行目标温度，℃；
T内管温——空调器运行过程中内机蒸发器内管温感温包采集的蒸发器内管温度，℃；
T外环温——空调器运行过程中外机外环温感温包采集的外环温度，℃；
α、β、γ、δ、ε——室内温度预测模型的方程修正系数，由训练数据运算后确定，无具体物理含义。
至此，程序已经完成相关训练和修正工作，可以开始执行室内温度预测指令。
当空调器开机运行后，数据采集模块执行数据采集指令；所述数据采集模块执行数据采集指令，是数据采集模块发送指令给空调器内机室温传感器、内机蒸发器内管温感温包传感器、外机外环温感温包传感器以及获取用户设定的空调器设定运行温度；所述空调器的内机室温传感器采集的感温包温度；所述空调器的内机蒸发器内管温感温包采集的蒸发器内管温度；所述空调器的外机外环温感温包采集外环温度。
当数据采集模块接收到空调器内机室温传感器、内机蒸发器内管温感温包传感器、外机外环温感温包传感器以及用户设定的空调器设定运行温度反馈的信息后，将相关数据发送至室内温度计算模块；所述室内温度计算模块接收到数据采集模块发送的感温包数据、设定温度数据、内管温数据以及外环温数据后，将其分别带入到修正后的室内温度预测模型中的T感温包、T设定温度、T内管温、T外环温中，接着修正后的室内温度预测模型会执行计算指令，得到T室温的计算具体数值，然后将该数值输出并发送至空调器相关控制程序，以执行对应的控制策略。
通过本申请实施例提供的空调器室内温度预测方法将计算得到的室内温度计算值发至空调系统，以提高空调器控制策略准确性的同时，降低空调系统的能耗。
本申请实施例能够解决空调器室温传感器在实际应用中自适应性较差的技术问题和空调器室温传感器采集的温度数值与真实室温之间修正的技术问题。通过本申请实施例，能够相对准确的预测室内的实际室温，可靠性高；能有效提高室温传感器的自适应能力，优化空调器控制决策；无需额外增加其他硬件设备，利用现有的空调器元器件即可满足升级需求，实用性强。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本申请各个实施例的方法。
根据本申请实施例的另一个方面，还提供了一种用于实施上述空调器室内温度预测方法的空调器室内温度预测装置。图7是根据本申请实施例的一种可选的空调器室内温度预测装置的示意图，如图7所示，该装置可以包括：
获取单元71，用于获取训练好的室内温度预测模型；
采集单元72，用于在空调器运行过程中采集温度数据；
计算单元73，用于将所述温度数据代入所述训练好的室内温度预测模型，计算得到所述空调器的室内温度。
进一步地，所述装置还包括：
确定单元，用于根据房屋的面积和户型信息确定匹配的训练数据库，其中，所述训练数据库中的训练数据包括：与所述房屋的面积和户型信息相匹配的，且具有对应关系的室内温度样本、感温包温度样本、设定温度样本、内管温样本、外环温样本；
训练单元，用于使用所述具有对应关系的室内温度样本、感温包温度样本、设定温度样本、内管温样本、外环温样本对室内温度预测模型进行训练，得到所述训练好的室内温度预测模型。
进一步地，所述装置还包括：
生成单元，用于在所述空调器运行过程中生成数据采集指令，其中，所述数据采集指令用于指示按照目标时间间隔采集所述温度数据。
进一步地，所述数据采集指令包括第一指令和第二指令，其中，所述生成单元包括：
第一生成模块，用于在所述空调器开机后累计运行时间未超过目标时间时，生成所述第一指令，其中，所述第一指令用于指示按照第一时间间隔采集所述温度数据；
第二生成模块，用于在所述空调器开机后累计运行时间超过所述目标时间时，生成所述第二指令，其中，所述第二指令用于指示按照第二时间间隔采集所述温度数据。
进一步地，所述温度数据包括：感温包温度、设定温度、内管温、外环温，所述感温包温度为所述空调器运行过程中内机室温传感器采集的感温包温度，所述设定温度为用户设定的所述空调器运行目标温度，所述内管温为所述空调器运行过程中内机蒸发器内管温感温包采集的蒸发器内管温度，所述外环温为所述空调器运行过程中外机外环温感温包采集的外环温度，其中，所述计算单元73包括：
确定模块，用于在所述空调器开机后累计运行时间未超过所述目标时间时，将采集到的所述感温包温度确定为所述空调器的室内温度；
计算模块，用于在所述空调器开机后累计运行时间超过所述目标时间时，按照以下公式计算所述空调器的室内温度：
T室温＝αT感温包+βT设定温度+γT内管温+δT外环温+ε
其中，T室温为所述空调器的室内温度，T感温包为所述感温包温度，T设定温度为所述设定温度，T内管温为所述内管温，T外环温为所述外环温，α、β、γ、δ、ε、为所述训练好的室内温度预测模型的方程修正系数。
本申请提供了一种室内温度预测装置可以解决相关技术中空调器室内温度预测的准确度较低的技术问题。
需要说明的是，该实施例中的获取单元71可以用于执行本申请实施例中的步骤S501，该实施例中的采集单元72可以用于执行本申请实施例中的步骤S502，该实施例中的计算单元73可以用于执行本申请实施例中的步骤S503。
根据本申请实施例的另一个方面，还提供了一种用于实施上述方法的服务器或终端或电子装置。
图8是根据本申请实施例的一种终端的结构框图，如图8所示，该终端可以包括：一个或多个(仅示出一个)处理器801、存储器803、以及传输装置805，如图8所示，该终端还可以包括输入输出设备807。
其中，存储器803可用于存储软件程序以及模块，如本申请实施例中的方法和装置对应的程序指令/模块，处理器801通过运行存储在存储器803内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器803可包括高速随机存储器，还可以包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器803可进一步包括相对于处理器801远程设置的存储器，这些远程存储器可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
上述的传输装置805用于经由一个网络接收或者发送数据，还可以用于处理器与存储器之间的数据传输。上述的网络具体实例可包括有线网络及无线网络。在一个实例中，传输装置805包括一个网络适配器(Network Interface Controller，NIC)，其可通过网线与其他网络设备与路由器相连从而可与互联网或局域网进行通讯。在一个实例中，传输装置805为射频(Radio Frequency，RF)模块，其用于通过无线方式与互联网进行通讯。
其中，具体地，存储器803用于存储应用程序。
处理器801可以通过传输装置805调用存储器803存储的应用程序，以执行下述步骤：
获取训练好的室内温度预测模型；
在空调器运行过程中采集温度数据；
将所述温度数据代入所述训练好的室内温度预测模型，计算得到所述空调器的室内温度。
处理器801还用于执行下述步骤：
根据房屋的面积和户型信息确定匹配的训练数据库，其中，所述训练数据库中的训练数据包括：与所述房屋的面积和户型信息相匹配的，且具有对应关系的室内温度样本、感温包温度样本、设定温度样本、内管温样本、外环温样本；
使用所述具有对应关系的室内温度样本、感温包温度样本、设定温度样本、内管温样本、外环温样本对室内温度预测模型进行训练，得到所述训练好的室内温度预测模型。
处理器801还用于执行下述步骤：
在所述空调器运行过程中生成数据采集指令，其中，所述数据采集指令用于指示按照目标时间间隔采集所述温度数据。
处理器801还用于执行下述步骤：
在所述空调器开机后累计运行时间未超过目标时间时，生成所述第一指令，其中，所述第一指令用于指示按照第一时间间隔采集所述温度数据；
在所述空调器开机后累计运行时间超过所述目标时间时，生成所述第二指令，其中，所述第二指令用于指示按照第二时间间隔采集所述温度数据。
处理器801还用于执行下述步骤：
在所述空调器开机后累计运行时间未超过所述目标时间时，将采集到的所述感温包温度确定为所述空调器的室内温度；
在所述空调器开机后累计运行时间超过所述目标时间时，按照以下公式计算所述空调器的室内温度：
T室温＝αT感温包+βT设定温度+γT内管温+δT外环温+ε
其中，T室温为所述空调器的室内温度，T感温包为所述感温包温度，T设定温度为所述设定温度，T内管温为所述内管温，T外环温为所述外环温，α、β、γ、δ、ε、为所述室内温度预测模型的方程修正系数。
可选地，本实施例中的具体示例可以参考上述实施例中所描述的示例，本实施例在此不再赘述。
本领域普通技术人员可以理解，图8所示的结构仅为示意，终端可以是智能手机(如Android手机、iOS手机等)、平板电脑、掌上电脑以及移动互联网设备(Mobile InternetDevices，MID)、PAD等终端设备。图8其并不对上述电子装置的结构造成限定。例如，终端还可包括比图8中所示更多或者更少的组件(如网络接口、显示装置等)，或者具有与图8所示不同的配置。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：闪存盘、只读存储器(Read-Only Memory，ROM)、随机存取器(RandomAccess Memory，RAM)、磁盘或光盘等。
本申请的实施例还提供了一种存储介质。可选地，在本实施例中，上述存储介质可以用于执行上述方法的程序代码。
可选地，在本实施例中，上述存储介质可以位于上述实施例所示的网络中的多个网络设备中的至少一个网络设备上。
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：
获取训练好的室内温度预测模型；
在空调器运行过程中采集温度数据；
将所述温度数据代入所述训练好的室内温度预测模型，计算得到所述空调器的室内温度。
可选地，存储介质还被设置为存储用于执行以下步骤的程序代码：
根据房屋的面积和户型信息确定匹配的训练数据库，其中，所述训练数据库中的训练数据包括：与所述房屋的面积和户型信息相匹配的，且具有对应关系的室内温度样本、感温包温度样本、设定温度样本、内管温样本、外环温样本；
使用所述具有对应关系的室内温度样本、感温包温度样本、设定温度样本、内管温样本、外环温样本对室内温度预测模型进行训练，得到所述训练好的室内温度预测模型。
可选地，存储介质还被设置为存储用于执行以下步骤的程序代码：
在所述空调器运行过程中生成数据采集指令，其中，所述数据采集指令用于指示按照目标时间间隔采集所述温度数据。
可选地，存储介质还被设置为存储用于执行以下步骤的程序代码：
在所述空调器开机后累计运行时间未超过目标时间时，生成所述第一指令，其中，所述第一指令用于指示按照第一时间间隔采集所述温度数据；
在所述空调器开机后累计运行时间超过所述目标时间时，生成所述第二指令，其中，所述第二指令用于指示按照第二时间间隔采集所述温度数据。
可选地，存储介质还被设置为存储用于执行以下步骤的程序代码：
在所述空调器开机后累计运行时间未超过所述目标时间时，将采集到的所述感温包温度确定为所述空调器的室内温度；
在所述空调器开机后累计运行时间超过所述目标时间时，按照以下公式计算所述空调器的室内温度：
T室温＝αT感温包+βT设定温度+γT内管温+δT外环温+ε
其中，T室温为所述空调器的室内温度，T感温包为所述感温包温度，T设定温度为所述设定温度，T内管温为所述内管温，T外环温为所述外环温，α、β、γ、δ、ε、为所述室内温度预测模型的方程修正系数。
可选地，本实施例中的具体示例可以参考上述实施例中所描述的示例，本实施例在此不再赘述。
可选地，在本实施例中，上述存储介质可以包括但不限于：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
上述实施例中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在上述计算机可读取的存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在存储介质中，包括若干指令用以使得一台或多台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。
在本申请的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的客户端，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
以上所述仅是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。

Claims (15)

1.一种空调器，其特征在于，包括：
室内温度预测模型框架模块，用于基于训练样本数据库对室内温度预测模型进行训练，得到训练好的室内温度预测模型；
数据采集模块，用于在空调器运行过程中采集温度数据；
室内温度计算模块，用于将所述温度数据代入所述训练好的室内温度预测模型，计算得到所述空调器的室内温度。
2.根据权利要求1所述的空调器，其特征在于，还包括：预测模型训练数据库模块，用于存储训练样本数据库，其中，所述训练样本数据库包括：
房间数据库，包括使用面积数据库和平面布局数据库，其中，所述使用面积数据库用于存储房屋的使用面积样本集，所述平面布局数据库用于存储房屋的户型样本集；
室温数据库，用于存储所述空调器的室内温度样本集；
感温包数据库，用于存储所述空调器的感温包温度样本集；
设定温度数据库，用于存储用户的设定温度样本集；
内管温数据库，用于存储所述空调器的内管温样本集；
外环温数据库，用于存储所述空调器的外环温样本集。
3.根据权利要求2所述的空调器，其特征在于，
所述预测模型训练数据库模块，用于根据房屋的面积和户型信息确定匹配的训练数据库，其中，所述训练数据库中的训练数据包括：与所述房屋的面积和户型信息相匹配的，且具有对应关系的室内温度样本、感温包温度样本、设定温度样本、内管温样本、外环温样本；
所述室内温度预测模型框架模块，用于使用所述具有对应关系的室内温度样本、感温包温度样本、设定温度样本、内管温样本、外环温样本对室内温度预测模型进行训练。
4.根据权利要求1至3中任一项所述的空调器，其特征在于，所述温度数据包括：感温包温度、设定温度、内管温、外环温，所述感温包温度为所述空调器运行过程中内机室温传感器采集的感温包温度，所述设定温度为用户设定的所述空调器运行目标温度，所述内管温为所述空调器运行过程中内机蒸发器内管温感温包采集的蒸发器内管温度，所述外环温为所述空调器运行过程中外机外环温感温包采集的外环温度，其中：
所述室内温度计算模块包括：所述训练好的室内温度预测模型，用于按照以下公式计算所述空调器的室内温度：
T室温＝αT感温包+βT设定温度+γT内管温+δT外环温+ε
其中，T室温为所述空调器的室内温度，T感温包为所述感温包温度，T设定温度为所述设定温度，T内管温为所述内管温，T外环温为所述外环温，α、β、γ、δ、ε、为所述训练好的室内温度预测模型的方程修正系数。
5.根据权利要求1至3中任一项所述的空调器，其特征在于，还包括：
时间控制模块，用于在所述空调器运行过程中生成数据采集指令，并将所述数据采集指令发送给所述数据采集模块，其中，所述数据采集指令用于指示所述数据采集模块按照目标时间间隔采集所述温度数据。
6.根据权利要求5所述的空调器，其特征在于，所述数据采集指令包括第一指令和第二指令，其中：
在所述空调器开机后累计运行时间未超过目标时间时，所述时间控制模块生成所述第一指令，其中，所述第一指令用于指示所述数据采集模块按照第一时间间隔采集所述温度数据；
在所述空调器开机后累计运行时间超过所述目标时间时，所述时间控制模块生成所述第二指令，其中，所述第二指令用于指示所述数据采集模块按照第二时间间隔采集所述温度数据。
7.根据权利要求6所述的空调器，其特征在于，
在所述数据采集模块执行所述第一指令时，所述室内温度计算模块将采集到的所述感温包温度确定为所述空调器的室内温度；
在所述数据采集模块执行所述第二指令时，所述室内温度计算模块将采集到的所述温度数据代入所述训练好的室内温度预测模型中，计算得到所述空调器的室内温度。
8.一种空调器室内温度预测方法，其特征在于，包括：
获取训练好的室内温度预测模型；
在空调器运行过程中采集温度数据；
将所述温度数据代入所述训练好的室内温度预测模型，计算得到所述空调器的室内温度。
9.根据权利要求8所述的空调器室内温度预测方法，其特征在于，还包括：
根据房屋的面积和户型信息确定匹配的训练数据库，其中，所述训练数据库中的训练数据包括：与所述房屋的面积和户型信息相匹配的，且具有对应关系的室内温度样本、感温包温度样本、设定温度样本、内管温样本、外环温样本；
使用所述具有对应关系的室内温度样本、感温包温度样本、设定温度样本、内管温样本、外环温样本对室内温度预测模型进行训练，得到所述训练好的室内温度预测模型。
10.根据权利要求8所述的空调器室内温度预测方法，其特征在于，还包括：
在所述空调器运行过程中生成数据采集指令，其中，所述数据采集指令用于指示按照目标时间间隔采集所述温度数据。
11.根据权利要求10所述的空调器室内温度预测方法，其特征在于，所述数据采集指令包括第一指令和第二指令，其中，所述在所述空调器运行过程中生成数据采集指令包括：
在所述空调器开机后累计运行时间未超过目标时间时，生成所述第一指令，其中，所述第一指令用于指示按照第一时间间隔采集所述温度数据；
在所述空调器开机后累计运行时间超过所述目标时间时，生成所述第二指令，其中，所述第二指令用于指示按照第二时间间隔采集所述温度数据。
12.根据权利要求11所述的空调器室内温度预测方法，其特征在于，所述温度数据包括：感温包温度、设定温度、内管温、外环温，所述感温包温度为所述空调器运行过程中内机室温传感器采集的感温包温度，所述设定温度为用户设定的所述空调器运行目标温度，所述内管温为所述空调器运行过程中内机蒸发器内管温感温包采集的蒸发器内管温度，所述外环温为所述空调器运行过程中外机外环温感温包采集的外环温度，其中，将所述温度数据代入所述训练好的室内温度预测模型，计算得到所述空调器的室内温度包括：
在所述空调器开机后累计运行时间未超过所述目标时间时，将采集到的所述感温包温度确定为所述空调器的室内温度；
在所述空调器开机后累计运行时间超过所述目标时间时，按照以下公式计算所述空调器的室内温度：
T室温＝αT感温包+βT设定温度+γT内管温+δT外环温+ε
其中，T室温为所述空调器的室内温度，T感温包为所述感温包温度，T设定温度为所述设定温度，T内管温为所述内管温，T外环温为所述外环温，α、β、γ、δ、ε、为所述训练好的室内温度预测模型的方程修正系数。
13.一种空调器室内温度预测装置，其特征在于，包括：
获取单元，用于获取训练好的室内温度预测模型；
采集单元，用于在空调器运行过程中采集温度数据；
计算单元，用于将所述温度数据代入所述训练好的室内温度预测模型，计算得到所述空调器的室内温度。
14.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，所述程序运行时执行上述权利要求8至12任一项中所述的空调器室内温度预测方法。
15.一种电子装置，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器通过所述计算机程序执行上述权利要求8至12任一项中所述的空调器室内温度预测方法。
CN202211167630.9A 2022-09-23 2022-09-23 一种空调器及其室内温度预测方法和装置 Pending CN115614907A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211167630.9A CN115614907A (zh) 2022-09-23 2022-09-23 一种空调器及其室内温度预测方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211167630.9A CN115614907A (zh) 2022-09-23 2022-09-23 一种空调器及其室内温度预测方法和装置

Publications (1)

Publication Number Publication Date
CN115614907A true CN115614907A (zh) 2023-01-17

Family

ID=84859378

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211167630.9A Pending CN115614907A (zh) 2022-09-23 2022-09-23 一种空调器及其室内温度预测方法和装置

Country Status (1)

Country Link
CN (1) CN115614907A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116678086A (zh) * 2023-04-27 2023-09-01 深圳市众信海科技有限公司 基于卷积神经网络的室内温度控制方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116678086A (zh) * 2023-04-27 2023-09-01 深圳市众信海科技有限公司 基于卷积神经网络的室内温度控制方法及系统
CN116678086B (zh) * 2023-04-27 2024-01-30 深圳市众信海科技有限公司 基于卷积神经网络的室内温度控制方法及系统

Similar Documents

Publication Publication Date Title
CN101101239B (zh) 用于测试空调的设备及方法
CN105868487B (zh) 一种基于能耗设备模型的节能专家系统
CN102042653B (zh) 空调及空调控制方法
CN110715401B (zh) 空调设备的化霜控制方法、装置、介质及空调设备
CN107223195A (zh) 用于hvac系统的可变风量建模
CN107923645B (zh) 空气调节运行分析装置以及记录有程序的非临时性计算机可读取记录介质
JP6373396B2 (ja) 省エネルギ化診断装置、省エネルギ化診断方法およびプログラム
JP6504956B2 (ja) 冷暖房機器選定支援システム
CN110736248B (zh) 空调出风温度的控制方法和装置
CN110736225B (zh) 空调的控制方法和装置
CN111830350B (zh) 能耗计量方法、装置及电器
CN115614907A (zh) 一种空调器及其室内温度预测方法和装置
KR20160027481A (ko) 건물 에너지 효율화 및 서비스 평가 시스템 및 그의 처리 방법
US11609014B2 (en) Predictive presence scheduling for a thermostat using machine learning
JP2017027433A (ja) 冷暖房機器選定支援システム
CN105091076A (zh) 节能效果计算方法以及装置
JP6816838B2 (ja) 空調能力提示システム
CN111895583A (zh) 空调器的控制方法及装置、空调器
CN106016588A (zh) 空调及其风速调节方法和装置
CN115437302B (zh) 一种大型中央空调ai智能控制方法及系统
CN110726216B (zh) 空调器及其控制方法、装置、系统、存储介质和处理器
US20200278130A1 (en) Operation control method, storage medium, and operation control device
JP2015158476A (ja) センサ情報の誤差補正方法およびセンサ情報の誤差補正システム
CN115614905A (zh) 一种空调器及其室内温度预测方法和装置
CN113566374A (zh) 建筑负荷确定方法及系统

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