CN115682312A - 一种空调节能控制方法、装置、设备及可读存储介质 - Google Patents
一种空调节能控制方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN115682312A CN115682312A CN202211286286.5A CN202211286286A CN115682312A CN 115682312 A CN115682312 A CN 115682312A CN 202211286286 A CN202211286286 A CN 202211286286A CN 115682312 A CN115682312 A CN 115682312A
- Authority
- CN
- China
- Prior art keywords
- air conditioner
- energy
- energy consumption
- training
- parameters
- 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
Landscapes
- Air Conditioning Control Device (AREA)
Abstract
本申请公开了一种空调节能控制方法,涉及计算机技术领域,该方法包括:获取实际工况下的环境参数;将所述环境参数输入预先训练得到的深度学习算法模型,输出多组计算数据;其中,每组所述计算数据至少包括人体舒适度和对应的能耗量;选取所述人体舒适度达到预期范围的所述计算数据作为预期参数组;基于所述预期参数组当所述能耗量达到预设范围时,选取所述能耗量最小的所述预期参数组作为实际空调的控制参数;根据所述控制参数调整所述空调的运行参数。通过该方法可以准确的对空调运行参数进行调整和有效实现节能减排的作用,并且不需要对空调原有的控制系统进行修改,可以大大节约人力成本和技术成本。
Description
技术领域
本申请涉及计算机技术领域,特别涉及一种空调节能控制方法、装置、设备及可读存储介质。
背景技术
空调系统作为公共建筑中能耗较高、节能潜力较大的一部分,对其进行节能改造势在必行。除了采用高能效设备替换现有设备的常规技术手段外,在不改变其设备配置情况下,综合考虑各方面因素的影响,通过人工智能的方式调整其运行策略也可实现空调系统节能运行,在减少硬件支出的同时实现节能减排。
相关技术中,存在的空调节能方法大多是通过对空调内部的结构进行优化,同时需要更改空调原有的控制系统,增加了人力成本和技术成本,并且在大数据爆发的时代,当前的技术并没有利用空调运行时产生的数据以及没有考虑人体舒适度进行研究,而是通过对历史能耗数据进行分析,通过对比预测能耗数据和历史能耗数据的误差对空调的运行参数进行调整,这样容易导致不能够根据实际工况下的环境以及人体舒适度来正确的调整最合适的空调运行参数。因此,如何采用深度学习方法根据实际工况下的环境以及人体舒适度和能耗量之间的映射关系对空调运行时产生的大量数据进行分析,进而控制空调运行参数,从而实现节能减排的问题是领域技术人员亟需解决的问题。
发明内容
本申请的目的是提供一种空调节能控制方法、装置、设备及可读存储介质,该方法可以准确的对空调运行参数进行调整和有效实现节能减排的作用,并且不需要对空调原有的控制系统进行修改,可以大大节约人力成本和技术成本。
为实现上述目的,本申请提供了一种空调节能控制方法,其具体方案如下:
获取实际工况下的环境参数;
将所述环境参数输入预先训练得到的深度学习算法模型,输出多组计算数据;其中,每组所述计算数据至少包括人体舒适度和对应的能耗量;
选取所述人体舒适度达到预期范围的所述计算数据作为预期参数组;
基于所述预期参数组当所述能耗量达到预设范围时,选取所述能耗量最小的所述预期参数组作为实际空调的控制参数;
根据所述控制参数调整所述空调的运行参数。
可选的,所述将所述环境参数输入预先训练得到的深度学习算法模型之前,还包括:
获取所述空调的训练数据;
提取所述训练数据的特征向量;
设置标签对所述特征向量进行标记,形成数据集;
利用所述数据集训练得到所述深度学习算法模型。
可选的,所述获取空调训练数据,包括:
建立所述空调的三维模型;
将所述三维模型导入能耗模拟软件中进行仿真训练,生成所述训练数据。
可选的,所述提取所述训练数据的特征向量,包括:
基于深度学习算法提取所述训练数据的特征向量。
可选的,所述利用所述数据集训练得到所述深度学习算法模型,包括:
通过反向传播更新各个网络节点参数对所述数据集进行训练。
可选的,所述输出多组计算数据之后,还包括:
当所述人体舒适度没有达到预期范围时,进入将所述环境参数输入预先训练得到的深度学习算法模型的步骤,以使更新所述计算数据。
可选的,所述选取所述人体舒适度达到预设范围的所述数据作为预期解之后,还包括:
基于所述预期参数组当所述能耗量没有达到预设范围时,进入将所述环境参数输入预先训练得到的深度学习算法模型的步骤,以使更新所述计算数据。
本申请还提供一种空调节能控制装置,包括:
第一获取模块,用于获取实际工况下的环境参数;
处理模块,用于将所述环境参数输入预先训练得到的深度学习算法模型,输出多组计算数据;其中,所述计算数据至少包括人体舒适度和对应的能耗量;
第一选取模块,用于选取所述人体舒适度达到预期范围的所述计算数据作为预期参数组;
第二选取模块,用于基于所述预期参数组当所述能耗量达到预设范围时,选取所述能耗量最小的所述预期参数组作为实际空调的控制参数;
调整模块,用于根据所述控制参数调整所述空调的运行参数。
本申请还提供一种空调节能控制设备,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是实现如上述所述的空调节能控制方法的步骤。
本申请还提供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所述的空调节能控制方法的步骤。
显然,本申请所提供的一种空调节能控制方法,该方法包括:获取实际工况下的环境参数;将所述环境参数输入预先训练得到的深度学习算法模型,输出多组计算数据;其中,每组所述计算数据至少包括人体舒适度和对应的能耗量;选取所述人体舒适度达到预期范围的所述计算数据作为预期参数组;基于所述预期参数组当所述能耗量达到预设范围时,选取所述能耗量最小的所述预期参数组作为实际空调的控制参数;根据所述控制参数调整所述空调的运行参数。该方法根据实际工况下的环境以及人体舒适度和能耗量的映射关系对空调运行时产生的大量数据进行分析,进而控制空调运行参数,从而可以准确的对空调运行参数进行调整和有效实现节能减排的作用,并且不需要对空调原有的控制系统进行修改,可以大大节约人力成本和技术成本。本申请还提供一种空调节能控制装置、设备及计算机可读存储介质,具有上述有益效果。
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,还可以根据提供的附图获得其他的附图。
图1为本申请实施例所提供的一种空调节能控制方法的流程图;
图2为本申请实施例所提供的一种深度学习算法模型训练方法的流程图;
图3为本申请实施例所提供的一种空调节能控制装置的结构框图。
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。
相关技术中,存在的空调节能方法大多是通过对空调内部的结构进行了优化,同时需要更改空调原有的控制系统,增加了人力成本和技术成本,并且在大数据爆发的时代,当前的技术并没有利用空调运行时产生的数据以及没有考虑人体舒适度进行研究,而是通过对历史能耗数据进行分析,通过对比预测能耗数据和历史能耗数据的误差对空调的运行参数进行调整,这样容易导致不能够根据实际工况下的环境以及人体舒适度来正确的调整最合适的空调运行参数。本申请所提供的一种空调节能控制方法,该方法通过获取实际工况下的环境参数;将环境参数输入预先训练得到的深度学习算法模型,输出多组计算数据;其中,每组计算数据至少包括人体舒适度和对应的能耗量;选取人体舒适度达到预期范围的计算数据作为预期参数组;基于预期参数组当能耗量达到预设范围时,选取能耗量最小的预期参数组作为实际空调的控制参数;根据控制参数调整空调的运行参数。通过该方法可以准确的对空调运行参数进行调整和有效实现节能减排的作用,并且不需要对空调原有的控制系统进行修改,可以大大节约人力成本和技术成本。具体请参考图1,图1本申请实施例所提供的一种空调节能控制方法的流程图,可以包括以下步骤:
S101:获取实际工况下的环境参数。
本申请的执行主体是具有调节空调运行参数功能的任意物联网技术电子设备,例如可以是台式计算机、平板电脑等等。
本实施例并不限定获取实际工况下的环境参数的具体内容,例如可以是室外温度、室内温度、室外湿度、室内湿度、室内人数、二氧化碳浓度(CO2)、室内面积、压缩机功率和风机功率等等,用户可以根据实际的环境和需求进行设定。进一步,本实施例并不限定环境参数的具体个数,用户可以根据具体的需求进行设定。
S102:将环境参数输入预先训练得到的深度学习算法模型,输出多组计算数据;其中,每组计算数据至少包括人体舒适度和对应的能耗量。
具体的,本申请将环境参数输入预先训练得到的深度学习算法模型,通过该深度学习算法模型的计算得到多组计算数据,每组数据都包含PMV (Predicted MeanVote,人体舒适度)以及对应的能耗量等参数。
进一步,本实施例并不限定预先训练得到的深度学习算法模型的具体类型,例如可以是线性回归模型、逻辑回归模型、多项式回归模型等等,用户可以根据具体情况进行选择。进一步,本实施例并不限定具体深度学习算法的选择,例如可以是FPN(FeaturePyramid Net works,特征金字塔策略) 算法、SPP-Net(Spatial Pyramid PoolingNetworks,空间金字塔池化网络) 算法、ID-CNN(一维卷积神经网络)算法等等,用户可以根据具体情况进行选择,具体的,本申请采用一维卷积神经网络回归模型,其中,卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络,是深度学习的代表算法之一。
进一步,本实施例并不限定输出多组计算数据的具体组数,用户可以根据具体要求进行设定,具体的,本申请选择输出三组计算数据。进一步,本实施例并不限定每组计算数据中的参数,例如可以是能耗量、PMV(人体舒适度)、空调设定温度、室内风口开启数量、室外压缩机开启数量以及空调设定温度等等,用户可以根据实际情况进行设定。具体的,本申请设置每组计算数据中包含能耗量、PMV(人体舒适度)、空调设定温度、室内风口开启数量以及室外压缩机开启数量五个参数。具体的,将环境参数输入预先训练得到的一维卷积神经网络回归模型中,输出(3*5)的矩阵,该矩阵共有15个计算数据参数。
S103:选取人体舒适度达到预期范围的计算数据作为预期参数组。
具体的,判断计算数据中PMV(人体舒适度)是否达到预期范围,当PMV (人体舒适度)达到预期范围时,选取该PMV(人体舒适度)所在的计算数据组,将该计算数据组作为预期参数组。若PMV(人体舒适度)没有达到预期范围时,进入将环境参数输入预先训练得到的深度学习算法模型的步骤,以使更新计算数据。
进一步,本实施例并不限定人体舒适度的预期范围,用户可以根据实际需求进行设定。
S104:基于预期参数组当能耗量达到预设范围时,选取能耗量最小的预期参数组作为实际空调的控制参数。
具体的,判断预期参数组中能耗量是否达到预设范围,当能耗量达到预设范围时,选取其中能耗量最小的预期参数组作为空调的控制参数。若能耗量没有达到预设范围时,进入将环境参数输入预先训练得到的深度学习算法模型的步骤,以使更新计算数据。
进一步,本实施例并不限定能耗量的预设范围,用户可以根据实际需求进行设定。
S105:根据控制参数调整空调的运行参数。
具体的,将得到的控制参数通过物联网系统传送到空调控制系统中,以使控制空调改变空调的运行参数,实现节能处理。
进一步,本实施例并不限定空调的具体类型,例如可以对普通空调进行节能优化控制,也可以对多联机中央空调进行节能优化控制,用户可以根据实际情况进行选择。具体的,本申请对多联机中央空调进行节能优化控制,其中多联机中央空调是用户中央空调的一个类型,俗称“一拖多”,即一台室外机通过配管连接两台或两台以上室内机,室外侧采用冷风换热形式、室内侧采用直接蒸发换热形式的一次制冷剂空调系统。
基于上述技术方案,本申请提供的空调节能控制方法,该方法通过获取实际工况下的环境参数;将环境参数输入预先训练得到的深度学习算法模型,输出多组计算数据;其中,每组计算数据至少包括人体舒适度和对应的能耗量;选取人体舒适度达到预期范围的计算数据作为预期参数;基于预期参数当能耗量达到预设范围时,选取能耗量最小的预期参数作为空调的控制参数;根据控制参数调整空调的运行参数。通过该方法可以准确的对空调运行参数进行调整和有效实现节能减排的作用,并且不需要对空调原有的控制系统进行修改,可以大大节约人力成本和技术成本。
请参考图2,图2为本申请实施例所提供的一种深度学习算法模型训练方法的流程图,该方法包括以下步骤:
S201:获取空调的训练数据。
本实施例并不限定空调训练数据的获取方式,具体的,本申请通过建立空调和建筑的三维模型,将三维模型导入能耗模拟软件中进行仿真训练,生成训练数据。进一步,本实施例并不限定建立三维模型软件的具体类型,例如可以是Blender三维模型构建软件、Silo三维模型构建软件以及AutoCAD 三维模型构建软件等等,用户可以根据实际情况进行选择,具体的,本申请采用Skecthup三维模型构建软件建立空调和建筑的三维模型。进一步,本实施例并不限定选取能耗模拟软件的具体类型,例如可以是Equest能耗模拟软件、ECOTECT能耗模拟软件以及Energy Plus能耗模拟软件等等,用户可以根据实际情况进行选择,具体的,本申请采用Energy Plus能耗模拟软件对空调和建筑的三维模型进行仿真训练。
S202:提取训练数据的特征向量。
具体的,本申请基于深度学习算法提取训练数据的特征向量。进一步,本实施例并不限定选取深度学习算法的具体算法类型,例如可以是FPN (Feature Pyramid Networks,特征金字塔策略)算法、SPP-Net(Spatial Pyramid Pooling Networks,空间金字塔池化网络)算法、ID-CNN(一维卷积神经网络)算法等等,用户可以根据具体情况进行选择,具体的,本申请采用卷积神经网络算法。
S203:设置标签对特征向量进行标记,形成数据集。
具体的,本申请设置标签对特征向量进行标记,形成数据集,其中,数据集包括训练集、验证集和测试集。
S204:利用数据集训练得到深度学习算法模型。
具体的,本申请使用Adam(Adam optimization algorithm)优化算法通过反向传播更新各个网络节点参数对数据集进行训练。进一步,本实施例并不限定进行反向传播更新各个网络节点参数的具体方式,具体的,本申请通过构造损失函数来进行反向传播更新各个网络节点参数,该损失函数为:
其中,P为能耗量;PMV为人体舒适度;ST为设定温度;FN为风口开启数量;CN为外压缩机开启数量;γ1...γ5为每个均方差误差的系数,需要根据该项数的重要程度分配不同的系数。
进一步,本实施例并不限定计算损失函数的具体计算方法,例如可以通过绝对误差、相对误差以及均方差误差的方法来计算损失函数,用户可以根据实际情况进行选择,具体的,本申请通过均方差误差的方法来计算损失函数。
下面通过具体例子说明上述过程,该例子中空调节能优化设备具体为台式计算机,过程具体如下:
1、建立空调的三维模型,将三维模型导入能耗模拟软件中进行仿真训练,生成训练数据;
2、基于深度学习算法提取训练数据的特征向量;
3、设置标签对特征向量进行标记,形成数据集;
4、通过反向传播更新各个网络节点参数对数据集进行训练得到深度学习算法模型;
5、获取实际工况下的环境参数,将环境参数输入预先训练得到的深度学习算法模型,输出多组计算数据;其中,每组计算数据至少包括人体舒适度和对应的能耗量;
6、选取人体舒适度达到预期范围的计算数据作为预期参数组;当人体舒适度没有达到预期范围时,进入将环境参数输入预先训练得到的深度学习算法模型的步骤,以使更新计算数据;
7、基于预期参数组当能耗量达到预设范围时,选取能耗量最小的预期参数组作为实际空调的控制参数;基于预期解当能耗量没有达到预设范围时,进入将环境参数输入预先训练得到的深度学习算法模型的步骤,以使更新计算数据;
8、根据控制参数调整空调的运行参数。
下面对本申请实施例提供的一种空调节能控制装置、设备及计算机可读存储介质进行介绍,下文描述的一种空调节能控制装置、设备及计算机可读存储介质与上文描述的一种空调节能控制可相互对应参照。
请参考图3,图3为本申请实施例所提供的一种空调节能控制装置的结构框图,该装置可以包括:
第一获取模块110,用于获取实际工况下的环境参数;
处理模块120,用于将环境参数输入预先训练得到的深度学习算法模型,输出多组计算数据;其中,每组计算数据至少包括人体舒适度和对应的能耗量;
第一选取模块130,用于选取人体舒适度达到预期范围的计算数据作为预期参数组;
第二选取模块140,用于基于预期参数组当能耗量达到预设范围时,选取能耗量最小的预期参数组作为实际空调的控制参数;
调整模块150,用于根据控制参数调整空调的运行参数。
基于上述实施例,该装置还可以包括:
第二获取模块,用于获取空调的训练数据;
提取模块,用于提取训练数据的特征向量;
标记模块,用于设置标签对特征向量进行标记,形成数据集;
训练模块,用于利用数据集训练得到深度学习算法模型。
基于上述实施例,第二获取模块包括:
建立单元,用于建立空调的三维模型;
仿真训练单元,用于将三维模型导入能耗模拟软件中进行仿真训练,生成训练数据。
基于上述实施例,提取模块可以是基于深度学习算法提取训练数据的特征向量的模块。
基于上述实施例,训练模块可以是通过反向传播更新各个网络节点参数对数据集进行训练的模块。
基于上述实施例,该装置还可以包括:
第一更新模块,用于当人体舒适度没有达到预期范围时,进入将环境参数输入预先训练得到的深度学习算法模型的步骤,以使更新计算数据。
基于上述实施例,该装置还可以包括:
第二更新模块,用于基于预期参数组当能耗量没有达到预设范围时,进入将环境参数输入预先训练得到的深度学习算法模型的步骤,以使更新计算数据。
基于上述实施例,本申请还提供了一种空调节能控制设备,包括存储器和处理器,其中,该存储器中存有计算机程序,该处理器调用该存储器中的计算机程序时,可以实现上述实施例所提供的步骤。当然,该装置还可以包括各种必要的网络接口、电源以及其它零部件等。
本申请还提供了一种计算机可读存储介质,其上存有计算机程序,该计算机程序被执行终端或处理器执行时可以实现上述实施例所提供的步骤。该存储介质可以包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random AccessMemory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本文中应用了具体个例对本申请的原理及实施方式进行了阐述,且各个实施例间为递进关系,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,可参见对应的方法部分说明。以上实施例的说明只是用于帮助理解本申请的方法及其核心思想。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,还可以对本申请进行若干改进和修饰,这些改进和修饰也落入本申请权利要求的保护范围内。
还需要说明的是,在本说明书中,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”或者其任何其它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它要素,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。
Claims (10)
1.一种空调节能控制方法,其特征在于,包括:
获取实际工况下的环境参数;
将所述环境参数输入预先训练得到的深度学习算法模型,输出多组计算数据;其中,每组所述计算数据至少包括人体舒适度和对应的能耗量;
选取所述人体舒适度达到预期范围的所述计算数据作为预期参数组;
基于所述预期参数组当所述能耗量达到预设范围时,选取所述能耗量最小的所述预期参数组作为实际空调的控制参数;
根据所述控制参数调整所述空调的运行参数。
2.根据权利要求1所述的空调节能控制方法,其特征在于,所述将所述环境参数输入预先训练得到的深度学习算法模型之前,还包括:
获取所述空调的训练数据;
提取所述训练数据的特征向量;
设置标签对所述特征向量进行标记,形成数据集;
利用所述数据集训练得到所述深度学习算法模型。
3.根据权利要求2所述的空调节能控制方法,其特征在于,所述获取空调训练数据,包括:
建立所述空调的三维模型;
将所述三维模型导入能耗模拟软件中进行仿真训练,生成所述训练数据。
4.根据权利要求2所述的空调节能控制方法,其特征在于,所述提取所述训练数据的特征向量,包括:
基于深度学习算法提取所述训练数据的特征向量。
5.根据权利要求2所述的多联机中央空调节能控制方法,其特征在于,所述利用所述数据集训练得到所述深度学习算法模型,包括:
通过反向传播更新各个网络节点参数对所述数据集进行训练。
6.根据权利要求1所述的空调节能控制方法,其特征在于,所述输出多组计算数据之后,还包括:
当所述人体舒适度没有达到预期范围时,进入将所述环境参数输入预先训练得到的深度学习算法模型的步骤,以使更新所述计算数据。
7.根据权利要求1所述的空调节能控制方法,其特征在于,所述选取所述人体舒适度达到预设范围的所述数据作为预期参数组之后,还包括:
基于所述预期参数组当所述能耗量没有达到预设范围时,进入将所述环境参数输入预先训练得到的深度学习算法模型的步骤,以使更新所述计算数据。
8.一种空调节能控制装置,其特征在于,包括:
第一获取模块,用于获取实际工况下的环境参数;
处理模块,用于将所述环境参数输入预先训练得到的深度学习算法模型,输出多组计算数据;其中,所述计算数据至少包括人体舒适度和对应的能耗量;
第一选取模块,用于选取所述人体舒适度达到预期范围的所述计算数据作为预期参数组;
第二选取模块,用于基于所述预期参数组当所述能耗量达到预设范围时,选取所述能耗量最小的所述预期参数组作为实际空调的控制参数;
调整模块,用于根据所述控制参数调整所述空调的运行参数。
9.一种空调节能控制设备,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是实现如权利要求1至7任一项所述的空调节能控制方法的步骤。
10.一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任一项所述的空调节能控制方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211286286.5A CN115682312A (zh) | 2022-10-20 | 2022-10-20 | 一种空调节能控制方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211286286.5A CN115682312A (zh) | 2022-10-20 | 2022-10-20 | 一种空调节能控制方法、装置、设备及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115682312A true CN115682312A (zh) | 2023-02-03 |
Family
ID=85067442
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211286286.5A Pending CN115682312A (zh) | 2022-10-20 | 2022-10-20 | 一种空调节能控制方法、装置、设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115682312A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116624977A (zh) * | 2023-07-21 | 2023-08-22 | 烟台业达智慧城市运营科技有限公司 | 一种基于人工智能的楼宇自控系统及其方法 |
CN117387172A (zh) * | 2023-12-11 | 2024-01-12 | 江苏中江数字建设技术有限公司 | 基于精准推荐设备控制参数的末端空调节能方法和系统 |
-
2022
- 2022-10-20 CN CN202211286286.5A patent/CN115682312A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116624977A (zh) * | 2023-07-21 | 2023-08-22 | 烟台业达智慧城市运营科技有限公司 | 一种基于人工智能的楼宇自控系统及其方法 |
CN116624977B (zh) * | 2023-07-21 | 2023-09-29 | 烟台业达智慧城市运营科技有限公司 | 一种基于人工智能的楼宇自控系统及其方法 |
CN117387172A (zh) * | 2023-12-11 | 2024-01-12 | 江苏中江数字建设技术有限公司 | 基于精准推荐设备控制参数的末端空调节能方法和系统 |
CN117387172B (zh) * | 2023-12-11 | 2024-05-17 | 江苏中江数字建设技术有限公司 | 基于精准推荐设备控制参数的末端空调节能方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115682312A (zh) | 一种空调节能控制方法、装置、设备及可读存储介质 | |
Ahn et al. | Application of deep Q-networks for model-free optimal control balancing between different HVAC systems | |
Valladares et al. | Energy optimization associated with thermal comfort and indoor air control via a deep reinforcement learning algorithm | |
Castelli et al. | Prediction of energy performance of residential buildings: A genetic programming approach | |
Amasyali et al. | Machine learning for occupant-behavior-sensitive cooling energy consumption prediction in office buildings | |
US20220365503A1 (en) | Method and Apparatus for Controlling Smart Home | |
Yoon et al. | Performance based thermal comfort control (PTCC) using deep reinforcement learning for space cooling | |
Platt et al. | Adaptive HVAC zone modeling for sustainable buildings | |
Yan et al. | A simplified prediction model for energy use of air conditioner in residential buildings based on monitoring data from the cloud platform | |
CN112378056B (zh) | 智能空调控制方法、装置、计算机设备和存储介质 | |
WO2021129086A1 (zh) | 流量预测方法、装置以及存储介质 | |
CN111598225A (zh) | 一种基于自适应深度置信网络的空调冷负荷预测方法 | |
May-Ostendorp et al. | Experimental investigation of model predictive control-based rules for a radiantly cooled office | |
CN115585538A (zh) | 室内温度的调节方法、装置、电子设备及存储介质 | |
CN115983438A (zh) | 数据中心末端空调系统运行策略确定方法及装置 | |
CN109543914B (zh) | 基于ap聚类算法的rbf建筑运行能耗的预测方法 | |
CN115540252A (zh) | 基于机器学习的暖通空调节能控制系统及方法 | |
Fu et al. | A Sarsa-based adaptive controller for building energy conservation | |
CN114200839B (zh) | 一种耦合环境行为动态监测的办公建筑能耗智能控制模型 | |
Wei | Occupant's space heating behaviour in a simulation-intervention loop | |
CN114442697A (zh) | 一种温度控制方法、设备、介质及产品 | |
Kotisuryam et al. | Investigating HVAC thermal comfort and energy efficiency in commercial buildings | |
Zhang et al. | Energy Efficient Operation Optimization of Building Air-conditioners via Simulator-assisted Asynchronous Reinforcement Learning | |
CN116346847B (zh) | 一种家庭能耗数据的实时采集传输方法及系统 | |
CN114777306B (zh) | 空调智能调控方法、系统、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |