CN115654684A - 空气处理机组控制、模型构建方法、装置及设备和介质 - Google Patents

空气处理机组控制、模型构建方法、装置及设备和介质 Download PDF

Info

Publication number
CN115654684A
CN115654684A CN202211181555.1A CN202211181555A CN115654684A CN 115654684 A CN115654684 A CN 115654684A CN 202211181555 A CN202211181555 A CN 202211181555A CN 115654684 A CN115654684 A CN 115654684A
Authority
CN
China
Prior art keywords
indoor temperature
parameter information
handling unit
air handling
training
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
CN202211181555.1A
Other languages
English (en)
Inventor
胡宝才
黄庆鸿
霍江波
甄景博
叶国有
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.)
Fulian Intelligent Workshop Zhengzhou Co Ltd
Original Assignee
Fulian Intelligent Workshop Zhengzhou Co Ltd
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 Fulian Intelligent Workshop Zhengzhou Co Ltd filed Critical Fulian Intelligent Workshop Zhengzhou Co Ltd
Priority to CN202211181555.1A priority Critical patent/CN115654684A/zh
Publication of CN115654684A publication Critical patent/CN115654684A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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

  • Air Conditioning Control Device (AREA)

Abstract

本申请公开了一种空气处理机组控制方法、装置、一种室内温度预测模型的构建方法、装置及一种电子设备和计算机可读存储介质，该空气处理机组控制方法包括：获取空气处理机组的多组参数信息；将每组参数信息分别输入室内温度预测模型中，分别得到每组参数信息对应的预测室内温度；将满足预设条件的预测室内温度所对应的参数信息确定为目标参数信息，基于目标参数信息控制空气处理机组。本申请提供的空气处理机组控制方法，不需要多次调节空气处理机组的各参数，而是通过室内温度预测模型模拟预测的方式寻找可以使得室内温度满足预设条件的目标参数信息，提高了室内温度的控制精度和调节效率。

Description

空气处理机组控制、模型构建方法、装置及设备和介质
技术领域
本申请涉及控制技术领域，更具体地说，涉及一种空气处理机组控制方法、装置、一种室内温度预测模型的构建方法、装置及一种电子设备和计算机可读存储介质。
背景技术
AHU(空气处理机组，Air handling unit)是一种集中式空气处理系统，主要作用是抽取室内空气和部份新风以控制出风温度和风量来并维持室内温度。在相关技术中，通过人为调节AHU的进气阀、进水阀和风机转速使得室内温度在设定温度范围内。但是，人为调节往往需要多次调节才能使得室内温度在设定温度范围内，精度较差且效率较低。
因此，如何提高室内温度的控制精度和调节效率是本领域技术人员需要解决的技术问题。
发明内容
本申请的目的在于提供一种空气处理机组控制方法、装置、一种室内温度预测模型的构建方法、装置及一种电子设备和一种计算机可读存储介质，提高室内温度的控制精度和调节效率。
为实现上述目的，本申请提供了一种空气处理机组控制方法，包括：
获取所述空气处理机组的多组参数信息；
将每组所述参数信息分别输入室内温度预测模型中，分别得到每组所述参数信息对应的预测室内温度；
将满足预设条件的所述预测室内温度所对应的所述参数信息确定为目标参数信息，基于所述目标参数信息控制所述空气处理机组。
其中，所述参数信息包括温度参数、阀门参数和风机参数中任一项或任几项的组合；所述温度参数包括出风温度、回风温度、室外温度和进水温度中任一项或任几项的组合；所述阀门参数包括进水阀门开度和/或进气阀阀门开度；所述风机参数包括风机频率和/或风机转速。
其中，所述获取所述空气处理机组的多组参数信息，包括：
采集所述空气处理机组的当前温度参数；
获取所述空气处理机组的多组阀门参数和多组风机参数；
将所述当前温度参数、多组所述阀门参数和多组所述风机参数分别组合为多组参数信息。
其中，还包括：
获取训练集；其中，所述训练集中包括多个训练样本，每个训练样本包括所述空气处理机组的参数信息和对应的室内温度；
利用所述训练样本训练初始模型，并将训练完成的模型作为所述室内温度预测模型。
其中，所述利用所述训练样本训练初始模型，并将训练完成的模型作为所述室内温度预测模型，包括：
利用所述训练样本训练不同类型的初始模型；
获取验证集；其中，所述验证集中包括多个验证样本，每个验证样本包括所述空气处理机组的参数信息和对应的室内温度；
将所述验证样本中的参数信息分别输入训练完成的不同类型的模型中，得到对应的预测室内温度；
基于所述预测室内温度和所述验证样本中的室内温度计算所述训练完成的不同类型的模型的评估参数；
根据所述评估参数在所述训练完成的不同类型的模型中确定所述室内温度预测模型。
其中，所述基于所述目标参数信息控制所述空气处理机组，包括：
确定所述目标参数信息对应的能耗，确定能耗最低的目标参数信息；
基于能耗最低的目标参数信息控制所述空气处理机组。
其中，所述确定所述目标参数信息对应的能耗，包括：
根据所述目标参数信息中的阀门参数和/或风机参数确定所述目标参数信息对应的能耗。
为实现上述目的，本申请提供了一种室内温度预测模型的构建方法，包括：
获取训练集；其中，所述训练集中包括多个训练样本，每个训练样本包括空气处理机组的参数信息和对应的室内温度；
利用所述训练样本训练初始模型，并将训练完成的模型作为室内温度预测模型，所述室内温度预测模型用于预测室内温度。
其中，所述参数信息包括温度参数、阀门参数和风机参数中任一项或任几项的组合；所述温度参数包括出风温度、回风温度、室外温度和进水温度中任一项或任几项的组合；所述阀门参数包括进水阀门开度和/或进气阀阀门开度；所述风机参数包括风机频率和/或风机转速。
其中，利用所述训练样本训练初始模型，并将训练完成的模型作为室内温度预测模型，包括：
利用所述训练样本训练不同类型的初始模型；
获取验证集；其中，所述验证集中包括多个验证样本，每个验证样本包括所述空气处理机组的参数信息和对应的室内温度；
将所述验证样本中的参数信息分别输入训练完成的不同类型的模型中，得到对应的预测室内温度；
基于所述预测室内温度和所述验证样本中的室内温度计算所述训练完成的不同类型的模型的评估参数；
根据所述评估参数在所述训练完成的不同类型的模型中确定室内温度预测模型。
为实现上述目的，本申请提供了一种空气处理机组控制装置，包括：
第一获取模块，用于获取所述空气处理机组的多组参数信息；
输入模块，用于将每组所述参数信息分别输入室内温度预测模型中，分别得到每组所述参数信息对应的预测室内温度；
控制模块，用于将满足预设条件的所述预测室内温度所对应的所述参数信息确定为目标参数信息，基于所述目标参数信息控制所述空气处理机组。
为实现上述目的，本申请提供了一种室内温度预测模型的构建装置，包括：
第二获取模块，用于获取训练集；其中，所述训练集中包括多个训练样本，每个训练样本包括空气处理机组的参数信息和对应的室内温度；
训练模块，用于利用所述训练样本训练初始模型，并将训练完成的模型作为室内温度预测模型，所述室内温度预测模型用于预测室内温度。
为实现上述目的，本申请提供了一种电子设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如上述空气处理机组控制方法或上述室内温度预测模型的构建方法的步骤。
为实现上述目的，本申请提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述空气处理机组控制方法或上述室内温度预测模型的构建方法的步骤。
本申请提供的空气处理机组控制方法，根据空气处理机组的历史参数信息和对应的室内温度预先建立室内温度预测模型，室内温度预测模型用于根据空气处理机组的参数信息预测对应的室内温度。在利用空气处理机组控制室内温度时，将空气处理机组多组不同的参数信息分别输入室内温度预测模型中，分别预测对应的室内温度，从而确定满足预设条件的室内温度所对应的目标参数信息，并基于该目标参数信息控制空气处理机组，使得室内温度满足预设条件。由此可见，本申请提供的空气处理机组控制方法，不需要多次调节空气处理机组的各参数，而是通过室内温度预测模型模拟预测的方式寻找可以使得室内温度满足预设条件的目标参数信息，提高了室内温度的控制精度和调节效率。本申请还公开了一种空气处理机组控制装置、一种室内温度预测模型的构建方法、装置及一种电子设备和一种计算机可读存储介质，同样能实现上述技术效果。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本申请。
附图说明
为了更清楚地说明本申请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，下面描述中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。附图是用来提供对本公开的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本公开，但并不构成对本公开的限制。在附图中：
图1为一种空气处理机组控制方法的流程图；
图2为一种空气处理机组的示意图；
图3为另一种空气处理机组控制方法的流程图；
图4为一种室内温度预测模型的构建方法的流程图；
图5为AHU系统AI(人工智能，Artificial Intelligence)处理的流程图；
图6为一种空气处理机组控制装置的结构图；
图7为一种室内温度预测模型的构建装置的结构图；
图8为一种电子设备的结构图。
具体实施方式
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，都属于本申请保护的范围。另外，在本申请实施例中，“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。
本申请实施例提供了一种空气处理机组控制方法。
参见图1，一种空气处理机组控制方法的流程图，空气处理机组控制方法包括：
S101：获取所述空气处理机组的多组参数信息；
本实施例的目的在于利用室内的空气处理机组控制室内的室内温度满足预设条件，例如，通过车间内的空气处理机组控制车间的室内温度满足预设条件。
在本步骤中，参数信息可以包括温度参数、阀门参数和风机参数等，温度参数可以包括出风温度、回风温度、室外温度和进水温度等，阀门参数可以包括进水阀门开度、进气阀阀门开度等，风机参数包括风机频率、风机转速等。在一些实施方式中，参数信息包括温度参数、阀门参数和风机参数中任一项或任几项的组合。在一些实施方式中，温度参数包括出风温度、回风温度、室外温度和进水温度中任一项或任几项的组合。在一些实施方式中，阀门参数包括进水阀门开度和/或进气阀阀门开度。在一些实施方式中，风机参数包括风机频率和/或风机转速。
在一些实施方式中，本步骤可以包括：采集所述空气处理机组的当前温度参数；获取所述空气处理机组的多组阀门参数和多组风机参数；将所述当前温度参数、多组所述阀门参数和多组所述风机参数分别组合为多组参数信息。在具体实施中，采集空气处理机组的当前温度参数，也即实时的出风温度、回风温度、室外温度和进水温度等，枚举多组阀门参数和多组风机参数，进而组合为多组参数信息。
在一些实施方式中，空气处理机组如图2所示，包括进气阀SW1、进水阀SW2和风机，调节进气阀开度可以控制新风的进气量，调节进水阀的开度可以控制进水量，同时还可以选择进冷水或进热水，在夏季选择冷水，在冬季选择热水。新风通过SW1进入空气处理机组，过滤网过滤掉新风中的杂质，混合室内的回风，经过由SW2控制的冷水/热水盘管，降温/升温后由风机压缩进入室内内。
S102：将每组所述参数信息分别输入室内温度预测模型中，分别得到每组所述参数信息对应的预测室内温度；
根据空气处理机组的历史参数信息和对应的室内温度预先建立室内温度预测模型，室内温度预测模型用于根据空气处理机组的参数信息预测对应的室内温度。在本步骤中，将多组参数信息分别输入室内温度预测模型中，分别预测对应的预测室内温度。
S103：将满足预设条件的所述预测室内温度所对应的所述参数信息确定为目标参数信息，基于所述目标参数信息控制所述空气处理机组。
预设条件为预先设置的室内温度范围，例如夏季的室内温度范围为24-28摄氏度，冬季的室内温度范围为16-20摄氏度。在本步骤中，根据室内温度预测模型预测得到的室内温度确定满足预设条件的室内温度所对应的目标参数信息，并基于该目标参数信息中的进气阀开度调节进气阀，基于该目标参数信息中的进水阀开度调节进水阀，基于该目标参数信息中的风机参数调节风机，使得室内温度满足预设条件。
本申请实施例提供的空气处理机组控制方法，根据空气处理机组的历史参数信息和对应的室内温度预先建立室内温度预测模型，室内温度预测模型用于根据空气处理机组的参数信息预测对应的室内温度。在利用空气处理机组控制室内温度时，将空气处理机组多组不同的参数信息分别输入室内温度预测模型中，分别预测对应的室内温度，从而确定满足预设条件的室内温度所对应的目标参数信息，并基于该目标参数信息控制空气处理机组，使得室内温度满足预设条件。由此可见，本申请实施例提供的空气处理机组控制方法，不需要多次调节空气处理机组的各参数，而是通过室内温度预测模型模拟预测的方式寻找可以使得室内温度满足预设条件的目标参数信息，提高了室内温度的控制精度和调节效率。
本申请实施例提供了一种空气处理机组控制方法，在一些实施方式中，对技术方案作了进一步的说明。具体的：
参见图3，一种空气处理机组控制方法的流程图，空气处理机组控制方法包括：
S201：获取所述空气处理机组的多组参数信息；
S202：将每组所述参数信息分别输入室内温度预测模型中，分别得到每组所述参数信息对应的预测室内温度；
S203：将满足预设条件的所述预测室内温度所对应的所述参数信息确定为目标参数信息；
S204：确定所述目标参数信息对应的能耗，确定能耗最低的目标参数信息；
S205：基于能耗最低的目标参数信息控制所述空气处理机组。
确定目标参数信息之后，计算在各组目标参数信息的控制下空气处理机组的能耗，选择能耗最低的目标参数信息控制空气处理机组，从节能的角度，以最低能耗使得室内温度满足预设条件。
在一些实施方式中，所述确定所述目标参数信息对应的能耗，包括：根据所述目标参数信息中的阀门参数和/或风机参数确定所述目标参数信息对应的能耗。需要说明的是，在一些实施方式中，空气处理机组的能耗与空气处理机组的阀门参数、风机参数有关，进气阀可以认为无能耗，进水阀的能耗大于风机能耗，因此，在调节空气处理机组的参数信息时，首先调节进气阀开度，然后调节风机转速，最后调节进水阀开度。
在一些实施方式中，可以利用成本模型计算空气处理机组在不同参数信息控制下的能耗，成本模型计算能耗可以分为两部分，一部分为计算进水阀的能耗，当管径宽度一定的情况下，不同的进水阀开度对应不同的耗电量，可以根据实际运行情况，纪录多组数据，每组数据包括进水阀开度和对应的耗电量，然后对多组数据进行拟合，得到计算进水阀的能耗的理论公式。例如：进水阀的能耗＝(50^(进水阀开度/100-1))×(管径宽度^2)/4×10^(-6)×3.14×3600×(回水温度-供水温度)/3.024。另一部分为计算风机的能耗，不同的风机频率对应不同的耗电量，也可以根据实际运行情况，纪录多组数据，每组数据包括进风机频率和对应的耗电量，然后对多组数据进行拟合，得到计算风机的能耗的理论公式。例如，风机的能耗＝((风机频率/额定频率)^3)×额定频率。可以理解的是，空气处理机组经过长时间的使用，理论公式可能存在偏差，此时可以重新记录实际运行过程中的多组数据，重新拟合更新成本模型中的理论公式，以提高计算空气处理机组的能耗的准确度。
本申请还公开了一种室内温度预测模型的构建方法，具体的：
参见图4，一种室内温度预测模型的构建方法的流程图，室内温度预测模型的构建方法包括：
S301：获取训练集；其中，所述训练集中包括多个训练样本，每个训练样本包括空气处理机组的参数信息和对应的室内温度；
在本步骤中，采集空气处理机组的历史数据作为训练样本，每个训练样本包括空气处理机组的参数信息和对应的室内温度。参数信息可以包括温度参数、阀门参数和风机参数等，温度参数可以包括出风温度、回风温度、室外温度和进水温度等，阀门参数可以包括进水阀门开度、进气阀阀门开度等，风机参数包括风机频率、风机转速等。举例说明，一个训练样本可以包括以下信息：出风温度为25摄氏度，回风温度为25摄氏度、室外温度为30摄氏度、进水温度为10摄氏度、进水阀开度为70％、进气阀阀门开度为70％、风机频率为20Hz、室内温度为26摄氏度。
S302：利用所述训练样本训练初始模型，并将训练完成的模型作为室内温度预测模型，所述室内温度预测模型用于预测室内温度。
在本步骤中，利用训练样本训练初始模型，该初始模型可以为机器学习模型，训练完成的模型用于根据空气处理机组的参数信息预测室内温度。
本步骤可以包括：利用所述训练样本训练不同类型的初始模型；获取验证集；其中，所述验证集中包括多个验证样本，每个验证样本包括所述空气处理机组的参数信息和对应的室内温度；将所述验证样本中的参数信息分别输入训练完成的不同类型的模型中，得到对应的预测室内温度；基于所述预测室内温度和所述验证样本中的室内温度，计算所述训练完成的不同类型的模型的评估参数；根据所述评估参数在所述训练完成的不同类型的模型中确定室内温度预测模型。
在具体实施中，可以选择不同类型的初始模型，不同类型的初始模型之间模型参数不同，模型参数可以包括惩罚系数(C)、核函数系数(gamma)等。惩罚系数表示对误差的宽容度，惩罚系数越高，说明越不能容忍出现误差，容易过拟合，惩罚系数越小，容易欠拟合，惩罚系数过大或过小，泛化能力都会变差。核函数系数可以在一定程度影响训练与预测的速度。利用训练样本分别训练不同类型的初始模型，然后获取验证集，验证集与训练集类似，可以通过采集空气处理机组的历史数据获取，验证集包括多个验证样本，每个验证样本包括空气处理机组的参数信息和对应的室内温度。参数信息可以包括温度参数、阀门参数和风机参数等，温度参数可以包括出风温度、回风温度、室外温度和进水温度等，阀门参数可以包括进水阀门开度、进气阀阀门开度等，风机参数包括风机频率、风机转速等。举例说明，一个验证样本可以包括以下信息：出风温度为25摄氏度，回风温度为25摄氏度、室外温度为30摄氏度、进水温度为10摄氏度、进水阀开度为70％、进气阀阀门开度为70％、风机频率为20Hz、室内温度为26摄氏度。进一步的，利用验证集中的验证样本对各个训练完成的模型进行验证，验证模型的预测效果，选择预测效果最好的模型作为室内温度预测模型，也即将验证样本中的参数信息输入各个训练完成的模型中，分别预测对应的预测室内温度，基于各模型预测得到的预测室内温度和实际室内温度(验证样本中的室内温度)计算各模型评估参数，利用评估参数对模型的预测效果进行评价，评估参数可以包括决定系数(R-square)、预测室内温度与实际室内温度的均方误差(MSE)和平均绝对误差(MAE)，其中，决定系数的计算公式为：
Figure BDA0003867003370000101
其中，Y_actual为实际室内温度，也即验证样本中的室内温度，Y_predict为预测室内温度，Y_mean为实际室内温度的平均值。
决定系数越大说明模型的预测效果越好，均方误差和平均绝对误差越小说明模型的预测效果越好。举例说明，对于表1中的模型来说，模型2的预测效果最好。
表1
模型 模型参数 决定系数 均方误差 平均绝对误差
模型1 C＝20，gamma＝8 0.93766 0.06049 0.13709
模型2 C＝10，gamma＝6 0.95724 0.04257 0.12405
模型3 C＝12，gamma＝8 0.87612 0.1216 0.20402
模型4 C＝17，gamma＝8 0.93924 0.05994 0.14738
模型5 C＝17，gamma＝4 0.88183 0.11637 0.17899
模型6 C＝17，gamma＝4 0.88806 0.11453 0.20188
由于温度是连续型数据且训练集中有明确的目标数据，因此可以选用训练完成的SVR(Support Vactor Regression，支持向量回归机)模型作为室内温度预测模型。
由此可见，利用训练样本分别训练不同类型的初始模型，然后利用验证集中的验证样本对各个训练完成的模型的预测效果进行测试，选择预测效果最好的模型作为室内温度预测模型，可以提高室内温度预测模型预测室内温度的准确度。
下面介绍本申请提供的一种应用实施例，具体的：图5为AHU系统AI处理的流程图。如图5所示，AHU系统AI处理包括数据处理特征工程、线下机器学习建模、线上模型预测三个部分。
数据处理主要包括通过交换机采集数据、对数据进行剔除异常值、填充空值等清洗工作，通过采集空气处理机组的历史数据获取数据，全部数据包括多个样本，每个样本中包括空气处理机组的参数信息和对应的室内温度，参数信息可以包括温度参数、阀门参数和风机参数等，温度参数可以包括出风温度、回风温度、室外温度和进水温度等，阀门参数可以包括进水阀门开度、进气阀阀门开度等，风机参数包括风机频率、风机转速等。把全部数据进行整合成一张宽表，一行数据为一个样本，一列数据为一个参数信息或室内温度，然后对所有数据进行特征筛选及衍生，评估数据质量。数据质量主要考虑准确性、完整性、一致性、有效性、唯一性和稳定性。准确性用于描述数据是否与其对应的客观实体的特征相一致。例如，温度参数是否在对应的预设范围内，阀门参数是否在对应的预设范围内等。完整性用于描述数据是否存在缺失记录或缺失字段。一致性用于描述同一实体的同一参数的值在不同的系统或数据集中是否一致。例如，同一样本中的回风温度在训练集和验证集中是否一致。有效性用于描述数据是否满足用户定义的条件或在一定的值域范围内。例如，用户设定风机频率小于30Hz，需要评估个样本中的风机频率是否小于30Hz。唯一性用于描述数据是否存在重复记录。例如，训练集中是否存在重复的样本。稳定性用于描述数据是否是稳定的，是否在其有效期内。例如，采集到的样本是否在规定的有效期内采集。若数据质量不好则需要重新分析数据，若质量好则进入建模阶段。
线下建模则根据数据处理得到AHU系统数据集，由数据特性选择算法，选取合适参数集，分割得到训练集、验证集和测试集。验证训练集中的参数是否合格，若不合格则重新选取参数，若合格，则利用训练集对不同的初始模型进行迭代训练，得到多个训练完成的模型。利用验证集评估各模型的预测效果，选取预测效果最好的模型，具体的，将验证样本中的参数信息输入各个训练完成的模型中，分别预测对应的预测室内温度，计算各模型的决定系数、预测室内温度与实际室内温度的均方误差和平均绝对误差，选择决定系数最大、均方误差和平均绝对误差最小的模型作为室内温度预测模型。利用测试集评估室内温度预测模型，具体的，测试集包括多个测试样本，将各测试样本中的参数信息输入室内温度预测模型中，分别预测对应的预测室内温度，基于预测室内温度和测试样本中的室内温度(实际室内温度)计算该室内温度预测模型的预测准确率，若室内温度预测模型的预测准确性高，则作为正式模型上线实时预测，若不理想则重新训练模型。
线上预测则通过接口实时采集AHU系统现场数据，数据处理后组成多组参数信息，导入模型实时预测室内温度，并得到当前环境状态下的满足预设条件的目标参数信息，控制空气处理机组。
下面对本申请实施例提供的一种室内温度预测模型的构建装置进行介绍，下文描述的一种室内温度预测模型的构建装置与上文描述的一种室内温度预测模型的构建方法可以相互参照。
参见图6，一种室内温度预测模型的构建装置的结构图，包括：
第一获取模块601，用于获取所述空气处理机组的多组参数信息；
输入模块602，用于将每组所述参数信息分别输入室内温度预测模型中，分别得到每组所述参数信息对应的预测室内温度；
控制模块603，用于将满足预设条件的所述预测室内温度所对应的所述参数信息确定为目标参数信息，基于所述目标参数信息控制所述空气处理机组。
本申请实施例提供的空气处理机组控制装置，根据空气处理机组的历史参数信息和对应的室内温度预先建立室内温度预测模型，室内温度预测模型用于根据空气处理机组的参数信息预测对应的室内温度。在利用空气处理机组控制室内温度时，将空气处理机组多组不同的参数信息分别输入室内温度预测模型中，分别预测对应的室内温度，从而确定满足预设条件的室内温度所对应的目标参数信息，并基于该目标参数信息控制空气处理机组，使得室内温度满足预设条件。由此可见，本申请实施例提供的空气处理机组控制装置，不需要多次调节空气处理机组的各参数，而是通过室内温度预测模型模拟预测的方式寻找可以使得室内温度满足预设条件的目标参数信息，提高了室内温度的控制精度和调节效率。
在一些实施例中，所述参数信息包括温度参数、阀门参数和风机参数中任一项或任几项的组合；所述温度参数包括出风温度、回风温度、室外温度和进水温度中任一项或任几项的组合；所述阀门参数包括进水阀门开度和/或进气阀阀门开度；所述风机参数包括风机频率和/或风机转速。
在一些实施例中，所述第一获取模块601具体用于：采集所述空气处理机组的当前温度参数；获取所述空气处理机组的多组阀门参数和多组风机参数；将所述当前温度参数、多组所述阀门参数和多组所述风机参数分别组合为多组参数信息。
在一些实施例中，还包括：
第二获取模块，用于获取训练集；其中，所述训练集中包括多个训练样本，每个训练样本包括所述空气处理机组的参数信息和对应的室内温度；
训练模块，用于利用所述训练样本训练初始模型，并将训练完成的模型作为所述室内温度预测模型。
在一些实施例中，所述训练模块具体用于：利用所述训练样本训练不同类型的初始模型；获取验证集；其中，所述验证集中包括多个验证样本，每个验证样本包括所述空气处理机组的参数信息和对应的室内温度；将所述验证样本中的参数信息分别输入训练完成的不同类型的模型中，得到对应的预测室内温度；基于所述预测室内温度和所述验证样本中的室内温度计算所述训练完成的不同类型的模型的评估参数；根据所述评估参数在所述训练完成的不同类型的模型中确定所述室内温度预测模型。
在一些实施例中，所述控制模块603包括：
第一确定单元，用于将满足预设条件的所述室内温度所对应的所述参数信息确定为目标参数信息；
第二确定单元，用于确定所述目标参数信息对应的能耗，确定能耗最低的目标参数信息；
控制单元，用于基于能耗最低的目标参数信息控制所述空气处理机组。
在一些实施例中，所述第二确定单元具体用于：根据所述目标参数信息中的阀门参数和/或风机参数确定所述目标参数信息对应的能耗，确定能耗最低的目标参数信息。
下面对本申请实施例提供的一种空气处理机组控制装置进行介绍，下文描述的一种空气处理机组控制装置与上文描述的一种空气处理机组控制方法可以相互参照。
参见图7，一种空气处理机组控制装置的结构图，如图7所示，包括：
第二获取模块701，用于获取训练集；其中，所述训练集中包括多个训练样本，每个训练样本包括空气处理机组的参数信息和对应的室内温度；
训练模块702，用于利用所述训练样本训练初始模型，并将训练完成的模型作为室内温度预测模型，所述室内温度预测模型用于预测室内温度。
在一些实施例中，所述参数信息包括温度参数、阀门参数和风机参数中任一项或任几项的组合；所述温度参数包括出风温度、回风温度、室外温度和进水温度中任一项或任几项的组合；所述阀门参数包括进水阀门开度和/或进气阀阀门开度；所述风机参数包括风机频率和/或风机转速。
在一些实施例中，利用所述训练样本训练初始模型，并将训练完成的模型作为室内温度预测模型，包括：
利用所述训练样本训练不同类型的初始模型；
获取验证集；其中，所述验证集中包括多个验证样本，每个验证样本包括所述空气处理机组的参数信息和对应的室内温度；
将所述验证样本中的参数信息分别输入训练完成的不同类型的模型中，得到对应的预测室内温度；
基于所述预测室内温度和所述验证样本中的室内温度计算所述训练完成的不同类型的模型的评估参数；
根据所述评估参数在所述训练完成的不同类型的模型中确定室内温度预测模型。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
基于上述程序模块的硬件实现，且为了实现本申请实施例的方法，本申请实施例还提供了一种电子设备，图8一种电子设备的结构图，如图8所示，电子设备包括：
通信接口1，能够与其它设备比如网络设备等进行信息交互；
处理器2，与通信接口1连接，以实现与其它设备进行信息交互，用于运行计算机程序时，执行上述一个或多个技术方案提供的空气处理机组控制方法或室内温度预测模型的构建方法。而所述计算机程序存储在存储器3上。
当然，实际应用时，电子设备中的各个组件通过总线系统4耦合在一起。可理解，总线系统4用于实现这些组件之间的连接通信。总线系统4除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图8中将各种总线都标为总线系统4。
本申请实施例中的存储器3用于存储计算机程序，以支持电子设备的操作。可以理解，存储器3可以是易失性存储器或非易失性存储器，也可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(ROM，Read Only Memory)、可编程只读存储器(PROM，Programmable Read-Only Memory)、可擦除可编程只读存储器(EPROM，ErasableProgrammable Read-Only Memory)、电可擦除可编程只读存储器(EEPROM，ElectricallyErasable Programmable Read-Only Memory)、磁性随机存取存储器(FRAM，ferromagneticrandom access memory)、快闪存储器(Flash Memory)、磁表面存储器、光盘、或只读光盘(CD-ROM，Compact Disc Read-Only Memory)；磁表面存储器可以是磁盘存储器或磁带存储器。易失性存储器可以是随机存取存储器(RAM，Random Access Memory)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(SRAM，Static Random Access Memory)、同步静态随机存取存储器(SSRAM，SynchronousStatic Random Access Memory)、动态随机存取存储器(DRAM，Dynamic Random AccessMemory)、同步动态随机存取存储器(SDRAM，Synchronous Dynamic Random AccessMemory)、双倍数据速率同步动态随机存取存储器(DDRSDRAM，Double Data RateSynchronous Dynamic Random Access Memory)、增强型同步动态随机存取存储器(ESDRAM，Enhanced Synchronous Dynamic Random Access Memory)、同步连接动态随机存取存储器(SLDRAM，SyncLink Dynamic Random Access Memory)、直接内存总线随机存取存储器(DRRAM，Direct Rambus Random Access Memory)。本申请实施例描述的存储器3旨在包括但不限于这些和任意其它适合类型的存储器。
上述本申请实施例揭示的方法可以应用于处理器2中，或者由处理器2实现。处理器2可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器2中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器2可以是通用处理器、DSP，或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。处理器2可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本申请实施例所公开的方法的步骤，可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于存储介质中，该存储介质位于存储器3，处理器2读取存储器3中的程序，结合其硬件完成前述方法的步骤。
处理器2执行所述程序时实现本申请实施例的各个方法中的相应流程，为了简洁，在此不再赘述。
在示例性实施例中，本申请实施例还提供了一种存储介质，即计算机存储介质，具体为计算机可读存储介质，例如包括存储计算机程序的存储器3，上述计算机程序可由处理器2执行，以完成前述方法所述步骤。计算机可读存储介质可以是FRAM、ROM、PROM、EPROM、EEPROM、Flash Memory、磁表面存储器、光盘、或CD-ROM等存储器。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本申请上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实施例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中，包括若干指令用以使得一台电子设备(可以是个人计算机、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。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本申请的具体实施方式，但本申请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申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (14)

1.一种空气处理机组控制方法，其特征在于，包括：
获取所述空气处理机组的多组参数信息；
将每组所述参数信息分别输入室内温度预测模型中，分别得到每组所述参数信息对应的预测室内温度；
将满足预设条件的所述预测室内温度所对应的所述参数信息确定为目标参数信息，基于所述目标参数信息控制所述空气处理机组。
2.根据权利要求1所述空气处理机组控制方法，其特征在于，所述参数信息包括温度参数、阀门参数和风机参数中任一项或任几项的组合；所述温度参数包括出风温度、回风温度、室外温度和进水温度中任一项或任几项的组合；所述阀门参数包括进水阀门开度和/或进气阀阀门开度；所述风机参数包括风机频率和/或风机转速。
3.根据权利要求2所述空气处理机组控制方法，其特征在于，所述获取所述空气处理机组的多组参数信息，包括：
采集所述空气处理机组的当前温度参数；
获取所述空气处理机组的多组阀门参数和多组风机参数；
将所述当前温度参数、多组所述阀门参数和多组所述风机参数分别组合为多组参数信息。
4.根据权利要求1所述空气处理机组控制方法，其特征在于，还包括：
获取训练集；其中，所述训练集中包括多个训练样本，每个训练样本包括所述空气处理机组的参数信息和对应的室内温度；
利用所述训练样本训练初始模型，并将训练完成的模型作为所述室内温度预测模型。
5.根据权利要求1所述空气处理机组控制方法，其特征在于，所述利用所述训练样本训练初始模型，并将训练完成的模型作为所述室内温度预测模型，包括：
利用所述训练样本训练不同类型的初始模型；
获取验证集；其中，所述验证集中包括多个验证样本，每个验证样本包括所述空气处理机组的参数信息和对应的室内温度；
将所述验证样本中的参数信息分别输入训练完成的不同类型的模型中，得到对应的预测室内温度；
基于所述预测室内温度和所述验证样本中的室内温度计算所述训练完成的不同类型的模型的评估参数；
根据所述评估参数在所述训练完成的不同类型的模型中确定所述室内温度预测模型。
6.根据权利要求1至5中任一项所述空气处理机组控制方法，其特征在于，所述基于所述目标参数信息控制所述空气处理机组，包括：
确定所述目标参数信息对应的能耗，确定能耗最低的目标参数信息；
基于能耗最低的目标参数信息控制所述空气处理机组。
7.根据权利要求6所述空气处理机组控制方法，其特征在于，所述确定所述目标参数信息对应的能耗，包括：
根据所述目标参数信息中的阀门参数和/或风机参数确定所述目标参数信息对应的能耗。
8.一种室内温度预测模型的构建方法，其特征在于，包括：
获取训练集；其中，所述训练集中包括多个训练样本，每个训练样本包括空气处理机组的参数信息和对应的室内温度；
利用所述训练样本训练初始模型，并将训练完成的模型作为室内温度预测模型，所述室内温度预测模型用于预测室内温度。
9.根据权利要求8所述室内温度预测模型的构建方法，其特征在于，所述参数信息包括温度参数、阀门参数和风机参数中任一项或任几项的组合；所述温度参数包括出风温度、回风温度、室外温度和进水温度中任一项或任几项的组合；所述阀门参数包括进水阀门开度和/或进气阀阀门开度；所述风机参数包括风机频率和/或风机转速。
10.根据权利要求8所述室内温度预测模型的构建方法，其特征在于，利用所述训练样本训练初始模型，并将训练完成的模型作为室内温度预测模型，包括：
利用所述训练样本训练不同类型的初始模型；
获取验证集；其中，所述验证集中包括多个验证样本，每个验证样本包括所述空气处理机组的参数信息和对应的室内温度；
将所述验证样本中的参数信息分别输入训练完成的不同类型的模型中，得到对应的预测室内温度；
基于所述预测室内温度和所述验证样本中的室内温度计算所述训练完成的不同类型的模型的评估参数；
根据所述评估参数在所述训练完成的不同类型的模型中确定室内温度预测模型。
11.一种空气处理机组控制装置，其特征在于，包括：
第一获取模块，用于获取所述空气处理机组的多组参数信息；
输入模块，用于将每组所述参数信息分别输入室内温度预测模型中，分别得到每组所述参数信息对应的预测室内温度；
控制模块，用于将满足预设条件的所述预测室内温度所对应的所述参数信息确定为目标参数信息，基于所述目标参数信息控制所述空气处理机组。
12.一种室内温度预测模型的构建装置，其特征在于，包括：
第二获取模块，用于获取训练集；其中，所述训练集中包括多个训练样本，每个训练样本包括空气处理机组的参数信息和对应的室内温度；
训练模块，用于利用所述训练样本训练初始模型，并将训练完成的模型作为室内温度预测模型，所述室内温度预测模型用于预测室内温度。
13.一种电子设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至7任一项所述空气处理机组控制方法或如权利要求8至10任一项所述室内温度预测模型的构建方法的步骤。
14.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述空气处理机组控制方法或如权利要求8至10任一项所述室内温度预测模型的构建方法的步骤。
CN202211181555.1A 2022-09-27 2022-09-27 空气处理机组控制、模型构建方法、装置及设备和介质 Pending CN115654684A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211181555.1A CN115654684A (zh) 2022-09-27 2022-09-27 空气处理机组控制、模型构建方法、装置及设备和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211181555.1A CN115654684A (zh) 2022-09-27 2022-09-27 空气处理机组控制、模型构建方法、装置及设备和介质

Publications (1)

Publication Number Publication Date
CN115654684A true CN115654684A (zh) 2023-01-31

Family

ID=84985353

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211181555.1A Pending CN115654684A (zh) 2022-09-27 2022-09-27 空气处理机组控制、模型构建方法、装置及设备和介质

Country Status (1)

Country Link
CN (1) CN115654684A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117148709A (zh) * 2023-11-01 2023-12-01 季华实验室 一种真空蝶阀控制方法、系统、电子设备及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117148709A (zh) * 2023-11-01 2023-12-01 季华实验室 一种真空蝶阀控制方法、系统、电子设备及存储介质
CN117148709B (zh) * 2023-11-01 2024-02-13 季华实验室 一种真空蝶阀控制方法、系统、电子设备及存储介质

Similar Documents

Publication Publication Date Title
CN112577161B (zh) 空调能耗模型训练方法与空调系统控制方法
Afroz et al. Modeling techniques used in building HVAC control systems: A review
US10660241B2 (en) Cooling unit energy optimization via smart supply air temperature setpoint control
CN1106543C (zh) 监控室外热交换器盘管的系统
Wang et al. Online model-based fault detection and diagnosis strategy for VAV air handling units
CN109855238B (zh) 一种中央空调建模与能效优化方法及装置
Nassif et al. Self-tuning dynamic models of HVAC system components
US9996092B2 (en) Determining a time for corrective action in a data center
CN107223195A (zh) 用于hvac系统的可变风量建模
CN112747416B (zh) 空调系统能耗预测方法及装置
KR101754536B1 (ko) 건물 에너지 관리 시스템을 통한 냉동기의 최적 제어 방법 및 장치
CN107735735A (zh) 设备特性模型学习装置、设备特性模型学习方法及存储介质
O’Neill et al. HVAC control loop performance assessment: A critical review (1587-RP)
KR101727434B1 (ko) 랜덤 포레스트 모델을 이용한 냉동기의 성능 판단 방법
CN115654684A (zh) 空气处理机组控制、模型构建方法、装置及设备和介质
CN114066071A (zh) 一种基于能耗的电力参数优化方法、终端设备及存储介质
Vu et al. Data driven chiller plant energy optimization with domain knowledge
Fan et al. Model-based predictive control optimization of chiller plants with water-side economizer system
CN117150677A (zh) 一种电除尘器选型参数的确定方法及装置
CN112923534A (zh) 基于神经网络和改进粒子群算法的中央空调系统优化方法和系统
CN115654676A (zh) 空气处理系统控制、模型构建方法、装置及设备和介质
CN116757354A (zh) 一种基于多层感知机的烟叶复烤段关键参数筛选方法
Sun et al. Research on fault detection method for air handling units system
Rastegarpour et al. Hierarchical Nonlinear MPC for Large Buildings HVAC Optimization
CN115585541A (zh) 空调机房系统的控制方法及装置、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