CN116608546A - 多空调用电的调控方法、装置和多空调控制系统 - Google Patents
多空调用电的调控方法、装置和多空调控制系统 Download PDFInfo
- Publication number
- CN116608546A CN116608546A CN202310583650.2A CN202310583650A CN116608546A CN 116608546 A CN116608546 A CN 116608546A CN 202310583650 A CN202310583650 A CN 202310583650A CN 116608546 A CN116608546 A CN 116608546A
- Authority
- CN
- China
- Prior art keywords
- temperature
- set temperature
- target
- return air
- air
- 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
- 230000033228 biological regulation Effects 0.000 title claims abstract description 107
- 238000000034 method Methods 0.000 title claims abstract description 78
- 230000005611 electricity Effects 0.000 title abstract description 11
- 230000001105 regulatory effect Effects 0.000 claims abstract description 72
- 230000001276 controlling effect Effects 0.000 claims abstract description 37
- 238000012549 training Methods 0.000 claims description 48
- 230000000694 effects Effects 0.000 claims description 35
- 238000004378 air conditioning Methods 0.000 claims description 22
- 238000003860 storage Methods 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 16
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000004134 energy conservation Methods 0.000 claims description 2
- 238000005520 cutting process Methods 0.000 abstract description 4
- 230000004044 response Effects 0.000 description 20
- 238000005259 measurement Methods 0.000 description 12
- 238000004590 computer program Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 11
- 230000009467 reduction Effects 0.000 description 11
- 238000004458 analytical method Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000011217 control strategy Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000005057 refrigeration Methods 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000009193 crawling Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000379 polymerizing effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
- F24F11/46—Improving electric energy efficiency or saving
-
- 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
- F24F2110/00—Control inputs relating to air properties
- F24F2110/10—Temperature
-
- 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
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本申请提供了一种多空调用电的调控方法、装置和多空调控制系统,该方法包括:获取各空调的当前回风温度和设定温度,回风温度为空调的回风口当前的空气温度;在第一目标空调的当前回风温度大于对应的设定温度的情况下,根据将各第一目标空调的设定温度和温差确定至少一个第一预计节能度数;在所有的第一预计节能度数的累计值大于或者等于调控电量的情况下,生成第一调控策略,第一调控策略用于控制所有的第一目标空调在预定时间内,将当前回风温度调整至节能温度并维持在节能温度的耗电量,调控电量为所有的空调在预定时间内需要减少的用电量,解决了现有技术中现有技术中切断部分电力供应实现减少耗电量达到调控电量导致用电不便的问题。
Description
技术领域
本发明涉及空调控制领域,具体而言,涉及一种多空调用电的调控方法、装置、计算机可读存储介质和多空调控制系统。
背景技术
需求响应即电力需求响应的简称,是指当电力批发市场价格升高或系统可靠性受威胁时,电力用户接收到供电方发出的诱导性减少负荷的直接补偿通知或电力价格上升信号后,改变其固有的习惯用电模式,达到减少或者推移某时段的用电负荷而响应电力供应,从而保障电网稳定,并抑制电价上升的短期行为。
空调负荷作为一种负荷侧可调资源可挖掘潜力大,调度方式灵活,是一种优良的需求响应资源,同时,空调系统能耗占建筑运行总能耗的一半以上。如何对某地区空调进行需求响应调测研究,具有非常现实的意义。
发明内容
本申请的主要目的在于提供一种多空调用电的调控方法、装置、计算机可读存储介质和多空调控制系统,以至少解决现有技术中现有技术中切断部分电力供应实现减少耗电量达到调控电量导致用电不便的问题。
为了实现上述目的,根据本申请的一个方面,提供了一种多空调用电的调控方法,包括:获取各空调的当前回风温度和设定温度,所述回风温度为所述空调的回风口当前的空气温度;在第一目标空调的所述当前回风温度大于对应的所述设定温度的情况下,根据将各所述第一目标空调的所述设定温度和温差确定至少一个第一预计节能度数,所述第一目标空调为所述空调中的一个或者多个,所述温差为所述当前回风温度达到对应的所述设定温度时所述当前回风温度与测点温度的差值,所述测点温度为用户活动区域内任意一点的空气温度,所述第一预计节能度数为第一耗电量与第二耗电量之差,所述第一耗电量为在预定时间内将所述当前回风温度调整至所述设定温度并维持在所述设定温度的耗电量,所述第二耗电量为在所述预定时间内将所述当前回风温度调整至节能温度并维持在所述节能温度的耗电量,所述节能温度为所述设定温度与所述温差的和;在所有的所述第一预计节能度数的累计值大于或者等于调控电量的情况下,生成第一调控策略,所述第一调控策略用于控制所有的所述第一目标空调在所述预定时间内,将所述当前回风温度调整至节能温度并维持在所述节能温度的耗电量,所述调控电量为所有的所述空调在所述预定时间内需要减少的用电量。
可选地,在获取各空调的当前回风温度和设定温度之后,所述方法还包括:在满足第一条件或者第二条件的情况下,确定各所述空调的所述设定温度是否在最优设定温度范围内,所述第一条件为所有的所述当前回风温度均小于或者等于对应的所述设定温度,所述第二条件为所有的所述预计节能度数的累计值小于所述调控电量,所述最优设定温度范围为用户舒适度最佳的设置温度的范围;在所有的所述空调的所述设定温度在所述最优设定温度范围的情况下,根据将各所述空调的所述设定温度确定空调关闭数量,所述空调关闭数量为关闭所述空调导致减少的耗电量大于或者等于所述调控电量的数量;根据所述空调关闭数量生成第二调控策略,所述第二调控策略用于控制所述空调关闭数量的所述空调关闭。
可选地,在确定各所述空调的所述设定温度是否在最优设定温度范围内之后,所述方法还包括:在同时满足第三条件和第四条件,或者同时满足第三条件和第五条件的情况下,根据所述设定温度和第一调整设定温度确定至少一个第二预计节能度数,所述第一调整设定温度为所述最优设定温度范围内与所述设定温度的差值的绝对值最小的温度,所述第二预计节能度数为第二目标空调的目标温度由所述设定温度调整为所述第一调整设定温度减少的耗电量,所述第一目标空调为所述空调中的一个或者多个,所述第三条件为所述第二目标空调的所述设定温度不在所述最优设定温度范围内,所述第四条件为所述第二目标空调的所述设定温度与所述最优设定温度范围的最大值的差值大于0且小于预定阈值,所述第五条件为所述第二目标空调的所述最优设定温度范围的最小值与所述设定温度的差值大于0且小于所述预定阈值;在所有的所述第一预计节能度数和所有的第二所述预计节能度数的累计值大于或者等于所述调控电量的情况下,生成第三调控策略,所述第三调控策略用于控制所有的所述第二目标空调将所述目标温度由所述设定温度调整为所述第一调整设定温度。
可选地,在确定各所述空调的所述设定温度是否在最优设定温度范围内之后,所述方法还包括:在同时满足第三条件和第六条件,或者同时满足第三条件和第七条件的情况下,根据所述设定温度和第二调整设定温度确定至少一个第三预计节能度数,所述第二调整设定温度为所述最优设定温度范围内与所述设定温度的差值的绝对值最小的温度,所述第三预计节能度数为第三目标空调的目标温度由所述设定温度调整为所述第二调整设定温度减少的耗电量,所述第三目标空调为所述空调中的一个或者多个,所述第三条件为所述第三目标空调的所述设定温度不在所述最优设定温度范围内,所述第六条件为所述第三目标空调的所述设定温度与所述最优设定温度范围的最大值的差值大于或者等于预定阈值,所述第七条件为所述第三目标空调的所述最优设定温度范围的最小值与所述设定温度的差值大于或者等于所述预定阈值;在所有的所述第一预计节能度数和所有的第三所述预计节能度数的累计值大于或者等于所述调控电量的情况下,生成第四调控策略,所述第四调控策略用于控制所有的所述第三目标空调将所述目标温度由所述设定温度调整为所述第二调整设定温度。
可选地,根据将各所述第一目标空调的所述设定温度和温差确定至少一个第一预计节能度数,包括:将所述设定温度确定为目标测点温度,并计算所述设定温度和所述温差的和,得到目标回风温度,所述目标测点温度为所述用户活动区域达到所述设定温度的温度,所述目标回风温度为所述用户活动区域达到所述设定温度的所述回风温度;将各所述第一目标空调的所述回风温度、所述测点温度、所述目标回风温度、所述目标测点温度、室外温湿度和压缩机频率输入节能模型,得到至少一个所述第一预计节能度数,所述节能模型是使用多组训练数据训练得到的,所述多组训练数据中的每一组训练数据均包括历史时刻的所述回风温度、对应的所述目标回风温度、对应的所述测点温度、对应的所述目标测点温度、对应的所述室外温湿度、对应的所述压缩机频率以及对应的所述第一预计节能度数。
可选地,根据所述设定温度和第一调整设定温度确定至少一个第二预计节能度数,包括:计算所述第一调整设定温度和所述温差的差,得到目标测点温度,并将所述第一调整设定温度确定为目标回风温度,所述目标测点温度为所述回风温度达到所述第一调整设定温度时所述用户活动区域的温度,所述目标回风温度为所述回风温度达到所述第一调整设定温度的温度;将各所述第二目标空调的所述回风温度、所述测点温度、所述目标回风温度、所述目标测点温度、室外温湿度和压缩机频率输入节能模型,得到至少一个所述第二预计节能度数,所述节能模型是使用多组训练数据训练得到的,所述多组训练数据中的每一组训练数据均包括历史时刻的所述回风温度、对应的所述目标回风温度、对应的所述测点温度、对应的所述目标测点温度、对应的所述室外温湿度、对应的所述压缩机频率以及对应的所述第二预计节能度数。
可选地,根据所述设定温度和第二调整设定温度确定至少一个第三预计节能度数,包括:计算所述第二调整设定温度和所述温差的差,得到目标测点温度,并将所述第二调整设定温度确定为目标回风温度,所述目标测点温度为所述回风温度达到所述第二调整设定温度时所述用户活动区域的温度,所述目标回风温度为所述回风温度达到所述第二调整设定温度的温度;将各所述第三目标空调的所述回风温度、所述测点温度、所述目标回风温度、所述目标测点温度、室外温湿度和压缩机频率输入节能模型,得到至少一个所述第三预计节能度数,所述节能模型是使用多组训练数据训练得到的,所述多组训练数据中的每一组训练数据均包括历史时刻的所述回风温度、对应的所述目标回风温度、对应的所述测点温度、对应的所述目标测点温度、对应的所述室外温湿度、对应的所述压缩机频率以及对应的所述第三预计节能度数。
可选地,在根据将各所述第一目标空调的所述设定温度和温差确定至少一个第一预计节能度数之前,所述方法还包括:控制所述空调运转直至所述空调的所述回风温度达到所述设定温度;在所述空调的运行过程中,预定时间间隔获取一次所述回风温度和所述测点温度,得到多个所述回风温度和对应的多个所述测点温度;计算各所述回风温度与对应的所述测点温度的差值的平均值,得到所述温差。
根据本申请的另一方面,提供了一种多空调用电的调控装置,包括:获取单元,用于获取各空调的当前回风温度和设定温度,所述回风温度为所述空调的回风口当前的空气温度;第一确定单元,用于在第一目标空调的所述当前回风温度大于对应的所述设定温度的情况下,根据将各所述第一目标空调的所述设定温度和温差确定至少一个第一预计节能度数,所述第一目标空调为所述空调中的一个或者多个,所述温差为所述当前回风温度达到对应的所述设定温度时所述当前回风温度与测点温度的差值,所述测点温度为用户活动区域内任意一点的空气温度,所述第一预计节能度数为第一耗电量与第二耗电量之差,所述第一耗电量为在预定时间内将所述当前回风温度调整至所述设定温度并维持在所述设定温度的耗电量,所述第二耗电量为在所述预定时间内将所述当前回风温度调整至节能温度并维持在所述节能温度的耗电量,所述节能温度为所述设定温度与所述温差的和;第一生成单元,用于在所有的所述第一预计节能度数的累计值大于或者等于调控电量的情况下,生成第一调控策略,所述第一调控策略用于控制所有的所述第一目标空调在所述预定时间内,将所述当前回风温度调整至节能温度并维持在所述节能温度的耗电量,所述调控电量为所有的所述空调在所述预定时间内需要减少的用电量。
根据本申请的再一方面,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包括存储的程序,其中,在所述程序运行时控制所述计算机可读存储介质所在设备执行任意一种所述的方法。
根据本申请的又一方面,提供了一种多空调控制系统,包括:一个或多个处理器,存储器,以及一个或多个程序,其中,所述一个或多个程序被存储在所述存储器中,并且被配置为由所述一个或多个处理器执行,所述一个或多个程序包括用于执行任意一种所述的方法。
应用本申请的技术方案,由于空调壁挂机的回风感温包一般安装在空调回风处,离地面位置较高,离用户活动区域也较远。由于空调出风温度较低,冷风下沉,因此回风温度与用户实际活动位置的温度存在一定的偏差,即回风温度高于测点温度,导致不能达到很好的温度控制效果,该方法通过空调的回风温度降至设定温度以上的节能温度即可停止降温,即可实现测点温度达到设定温度,计算得到这样运行每个空调对应的第一预计节能度数,只要第一目标空调的当前回风温度大于对应的设定温度即可控制第一目标空调如此节能的方式运行,所有的第一预计节能度数的累计值大于或者等于调控电量,即可控制所有可以如此节能的方式运行实现减少耗电量达到调控电量,解决了现有技术中切断部分电力供应实现减少耗电量达到调控电量导致用电不便的问题。
附图说明
图1示出了根据本申请的实施例中提供的一种执行多空调用电的调控方法的移动终端的硬件结构框图;
图2示出了根据本申请的实施例提供的一种多空调用电的调控方法的流程示意图;
图3示出了根据本申请的实施例提供的另一种多空调用电的调控方法的流程示意图;
图4示出了根据本申请的实施例提供的一种空调和测点的分布示意图;
图5示出了根据本申请的实施例提供的一种联邦模型训练流程示意图;
图6示出了根据本申请的实施例提供的一种多空调用电的调控装置的结构框图。
其中,上述附图包括以下附图标记:
1、室内机所在房间;2、室内机位置;3、用户主要活动范围;4、测点位置。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
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。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。
正如背景技术中所介绍的,现有技术中现有技术中切断部分电力供应实现减少耗电量达到调控电量导致用电不便,为解决该问题,本申请的实施例提供了一种多空调用电的调控方法、装置、计算机可读存储介质和多空调控制系统。
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。
本申请实施例中所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。以运行在移动终端上为例,图1是本发明实施例的一种多空调用电的调控方法的移动终端的硬件结构框图。如图1所示,移动终端可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器104,其中,上述移动终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解,图1所示的结构仅为示意,其并不对上述移动终端的结构造成限定。例如,移动终端还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。
存储器104可用于存储计算机程序,例如,应用软件的软件程序以及模块,如本发明实施例中的设备信息的显示方法对应的计算机程序,处理器102通过运行存储在存储器104内的计算机程序,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104可包括高速随机存储器,还可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104可进一步包括相对于处理器102远程设置的存储器,这些远程存储器可以通过网络连接至移动终端。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。传输设备106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括移动终端的通信供应商提供的无线网络。在一个实例中,传输设备106包括一个网络适配器(Network Interface Controller,简称为NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输设备106可以为射频(Radio Frequency,简称为RF)模块,其用于通过无线方式与互联网进行通讯。
在本实施例中提供了一种运行于移动终端、计算机终端或者类似的运算装置的多空调用电的调控方法,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图2是根据本申请实施例的多空调用电的调控方法的流程图。如图2所示,该方法包括以下步骤:
步骤S201,获取各空调的当前回风温度和设定温度,上述回风温度为上述空调的回风口当前的空气温度;
具体地,当前回风温度没有达到设定温度,可以通过空调的回风温度降至设定温度以上的节能温度即可停止降温,以节能,当前回风温度已达到设定温度无法采用这种方式节能,因此获取各空调的当前回风温度和设定温度确定可以采用这种节能方式的第一目标空调。
步骤S202,在第一目标空调的上述当前回风温度大于对应的上述设定温度的情况下,根据将各上述第一目标空调的上述设定温度和温差确定至少一个第一预计节能度数,上述第一目标空调为上述空调中的一个或者多个,上述温差为上述当前回风温度达到对应的上述设定温度时上述当前回风温度与测点温度的差值,上述测点温度为用户活动区域内任意一点的空气温度,上述第一预计节能度数为第一耗电量与第二耗电量之差,上述第一耗电量为在预定时间内将上述当前回风温度调整至上述设定温度并维持在上述设定温度的耗电量,上述第二耗电量为在上述预定时间内将上述当前回风温度调整至节能温度并维持在上述节能温度的耗电量,上述节能温度为上述设定温度与上述温差的和;
具体地,使用训练好的联邦学习模型,获取m时长下,该区域下所有空调设备的节能潜力,即可节能度数n1。因为一般情况下,变频空调开机进入高频运转10~20分钟便可达到设定温度,而m一般大于20min,因此,m时长后对应的预测特征:室外温湿度可从网上爬取数据,回风温度=设定温度+温差,测点温度=设定温度,运行压缩机频率从内置压缩机频率程序中获取(为原程序中回风温度=设置温度时的对应压缩机频率);
步骤S203,在所有的上述第一预计节能度数的累计值大于或者等于调控电量的情况下,生成第一调控策略,上述第一调控策略用于控制所有的上述第一目标空调在上述预定时间内,将上述当前回风温度调整至节能温度并维持在上述节能温度的耗电量,上述调控电量为所有的上述空调在上述预定时间内需要减少的用电量。
具体地,流程结束,服务器统一对该地区所有空调进行相关节能指令下发,即温湿度补偿指令下发。对温湿度补偿指令的下发,即是提前按照内置压缩机程序进行压缩机降频处理;这样在不影响用户体验和经济损失的基础上,达到需求响应的要求,即减少耗电量达到调控电量。
上述多空调用电的调控方法中,首先,获取各空调的当前回风温度和设定温度,上述回风温度为上述空调的回风口当前的空气温度;然后,在第一目标空调的上述当前回风温度大于对应的上述设定温度的情况下,根据将各上述第一目标空调的上述设定温度和温差确定至少一个第一预计节能度数,上述第一目标空调为上述空调中的一个或者多个,上述温差为上述当前回风温度达到对应的上述设定温度时上述当前回风温度与测点温度的差值,上述测点温度为用户活动区域内任意一点的空气温度,上述第一预计节能度数为第一耗电量与第二耗电量之差,上述第一耗电量为在预定时间内将上述当前回风温度调整至上述设定温度并维持在上述设定温度的耗电量,上述第二耗电量为在上述预定时间内将上述当前回风温度调整至节能温度并维持在上述节能温度的耗电量,上述节能温度为上述设定温度与上述温差的和;最后,在所有的上述第一预计节能度数的累计值大于或者等于调控电量的情况下,生成第一调控策略,上述第一调控策略用于控制所有的上述第一目标空调在上述预定时间内,将上述当前回风温度调整至节能温度并维持在上述节能温度的耗电量,上述调控电量为所有的上述空调在上述预定时间内需要减少的用电量。由于空调壁挂机的回风感温包一般安装在空调回风处,离地面位置较高,离用户活动区域也较远。由于空调出风温度较低,冷风下沉,因此回风温度与用户实际活动位置的温度存在一定的偏差,即回风温度高于测点温度,导致不能达到很好的温度控制效果,该方法通过空调的回风温度降至设定温度以上的节能温度即可停止降温,即可实现测点温度达到设定温度,计算得到这样运行每个空调对应的第一预计节能度数,只要第一目标空调的当前回风温度大于对应的设定温度即可控制第一目标空调如此节能的方式运行,所有的第一预计节能度数的累计值大于或者等于调控电量,即可控制所有可以如此节能的方式运行实现减少耗电量达到调控电量,解决了现有技术中切断部分电力供应实现减少耗电量达到调控电量导致用电不便的问题。
为了确保减少耗电量达到调控电量,一种可选方案中,在获取各空调的当前回风温度和设定温度之后,上述方法还包括:
步骤S301,在满足第一条件或者第二条件的情况下,确定各上述空调的上述设定温度是否在最优设定温度范围内,上述第一条件为所有的上述当前回风温度均小于或者等于对应的上述设定温度,上述第二条件为所有的上述预计节能度数的累计值小于上述调控电量,上述最优设定温度范围为用户舒适度最佳的设置温度的范围;
步骤S302,在所有的上述空调的上述设定温度在上述最优设定温度范围的情况下,根据将各上述空调的上述设定温度确定空调关闭数量,上述空调关闭数量为关闭上述空调导致减少的耗电量大于或者等于上述调控电量的数量;
步骤S303,根据上述空调关闭数量生成第二调控策略,上述第二调控策略用于控制上述空调关闭数量的上述空调关闭。
具体地,所有的上述当前回风温度均小于或者等于对应的上述设定温度,则无法通过提高目标回风温度进行节能,且这种节能方式累计的可节能度数n1小于调控电量,减少耗电量的目标没有实现,则判断所有的空调的设定温度是否在26度至28度之间,即在最优设定温度范围内,若都是,则没有节能的空间,直接确定空调关闭数量,以通过关闭空调实现减少耗电量达到调控电量。其中,空调设定温度不宜过高也不宜过低。一般空调的温度最好建议在26到28度。制冷环境下,理想状态的空调设定温度为26度,居家空调每提高1度,耗电量约节省7%至10%。
当然,空调关机,需要给予经济补偿进行调控,使用训练好联邦学习模型,获取m时长下,对应特征数据:网上爬取的室外温湿度,回风温度=设定温度,测点温度=设定温度-温差,运行压缩机频率为内置压缩机频率程序中获取,该区域下单台空调设备的节能潜力,即可节能度数n3,则确定需关机空调数x。
为了确保减少耗电量达到调控电量,一种可选方案中,在确定各上述空调的上述设定温度是否在最优设定温度范围内之后,上述方法还包括:
步骤S401,在同时满足第三条件和第四条件,或者同时满足第三条件和第五条件的情况下,根据上述设定温度和第一调整设定温度确定至少一个第二预计节能度数,上述第一调整设定温度为上述最优设定温度范围内与上述设定温度的差值的绝对值最小的温度,上述第二预计节能度数为第二目标空调的目标温度由上述设定温度调整为上述第一调整设定温度减少的耗电量,上述第一目标空调为上述空调中的一个或者多个,上述第三条件为上述第二目标空调的上述设定温度不在上述最优设定温度范围内,上述第四条件为上述第二目标空调的上述设定温度与上述最优设定温度范围的最大值的差值大于0且小于预定阈值,上述第五条件为上述第二目标空调的上述最优设定温度范围的最小值与上述设定温度的差值大于0且小于上述预定阈值;
步骤S402,在所有的上述第一预计节能度数和所有的第二上述预计节能度数的累计值大于或者等于上述调控电量的情况下,生成第三调控策略,上述第三调控策略用于控制所有的上述第二目标空调将上述目标温度由上述设定温度调整为上述第一调整设定温度。
具体地,判断设定温度是否为25度或29度,若是,设定温度调高1度或降低1度,其对用户影响变化很小,不会影响其舒适性。具体的,使用训练好联邦学习模型,获取m时长下,对应特征数据:室外温湿度从网上爬取,回风温度=设定温度,测点温度=设定温度-温差,运行压缩机频率为内置压缩机频率程序中获取,该区域下所有空调设备的节能潜力,即可节能度数n2,判断是否满足需求响应调控需求,即n1+n2或n2是否大于或等于n,若是,生成第三调控策略,控制所有的上述第二目标空调将上述目标温度由上述设定温度调整为上述第一调整设定温度,即可确保减少耗电量达到调控电量。
为了确保减少耗电量达到调控电量,一种可选方案中,在确定各上述空调的上述设定温度是否在最优设定温度范围内之后,上述方法还包括:
步骤S501,在同时满足第三条件和第六条件,或者同时满足第三条件和第七条件的情况下,根据上述设定温度和第二调整设定温度确定至少一个第三预计节能度数,上述第二调整设定温度为上述最优设定温度范围内与上述设定温度的差值的绝对值最小的温度,上述第三预计节能度数为第三目标空调的目标温度由上述设定温度调整为上述第二调整设定温度减少的耗电量,上述第三目标空调为上述空调中的一个或者多个,上述第三条件为上述第三目标空调的上述设定温度不在上述最优设定温度范围内,上述第六条件为上述第三目标空调的上述设定温度与上述最优设定温度范围的最大值的差值大于或者等于预定阈值,上述第七条件为上述第三目标空调的上述最优设定温度范围的最小值与上述设定温度的差值大于或者等于上述预定阈值;
步骤S502,在所有的上述第一预计节能度数和所有的第三上述预计节能度数的累计值大于或者等于上述调控电量的情况下,生成第四调控策略,上述第四调控策略用于控制所有的上述第三目标空调将上述目标温度由上述设定温度调整为上述第二调整设定温度。
具体地,设定温度与最优设定温度范围距离较大,设定温度调高n度或降低n度(设定温度最高为30度),其对用户影响变化较明显,给予经济补偿进行调控。具体的,使用训练好联邦学习模型,获取m时长下,对应特征数据:从网上爬取的室外温湿度,回风温度=设定温度,测点温度=设定温度-温差,运行压缩机频率为内置压缩机频率程序中获取,该区域下所有空调设备的节能潜力,即可节能度数n2;判断是否满足需求响应调控需求,即n1+n2或n2是否大于或等于n,若是,生成第三调控策略,控制所有的上述第二目标空调将上述目标温度由上述设定温度调整为上述第一调整设定温度,即可确保减少耗电量达到调控电量。
为了确保减少耗电量达到调控电量,一种可选方案中,上述步骤S202包括:
上述步骤S2021,将上述设定温度确定为目标测点温度,并计算上述设定温度和上述温差的和,得到目标回风温度,上述目标测点温度为上述用户活动区域达到上述设定温度的温度,上述目标回风温度为上述用户活动区域达到上述设定温度的上述回风温度;
上述步骤S2022,将各上述第一目标空调的上述回风温度、上述测点温度、上述目标回风温度、上述目标测点温度、室外温湿度和压缩机频率输入节能模型,得到至少一个上述第一预计节能度数,上述节能模型是使用多组训练数据训练得到的,上述多组训练数据中的每一组训练数据均包括历史时刻的上述回风温度、对应的上述目标回风温度、对应的上述测点温度、对应的上述目标测点温度、对应的上述室外温湿度、对应的上述压缩机频率以及对应的上述第一预计节能度数。
具体地,采用机器学习分析节能,使用训练好的联邦学习模型作为节能模型,获取m时长下,该区域下所有空调设备的节能潜力,即可节能度数n1,即上述第一预计节能度数,m时长后对应的预测特征:室外温湿度可从网上爬取数据,回风温度=设定温度+温差,测点温度=设定温度,运行压缩机频率从内置压缩机频率程序中获取(为原程序中回风温度=设置温度时的对应压缩机频率)。
为了确保减少耗电量达到调控电量,一种可选方案中,上述步骤S401包括:
步骤S4011,计算上述第一调整设定温度和上述温差的差,得到目标测点温度,并将上述第一调整设定温度确定为目标回风温度,上述目标测点温度为上述回风温度达到上述第一调整设定温度时上述用户活动区域的温度,上述目标回风温度为上述回风温度达到上述第一调整设定温度的温度;
步骤S4012,将各上述第二目标空调的上述回风温度、上述测点温度、上述目标回风温度、上述目标测点温度、室外温湿度和压缩机频率输入节能模型,得到至少一个上述第二预计节能度数,上述节能模型是使用多组训练数据训练得到的,上述多组训练数据中的每一组训练数据均包括历史时刻的上述回风温度、对应的上述目标回风温度、对应的上述测点温度、对应的上述目标测点温度、对应的上述室外温湿度、对应的上述压缩机频率以及对应的上述第二预计节能度数。
具体地,采用机器学习分析节能,使用训练好的联邦学习模型作为节能模型,使用训练好联邦学习模型,获取m时长下,对应特征数据:室外温湿度从网上爬取,回风温度=设定温度,测点温度=设定温度-温差,运行压缩机频率为内置压缩机频率程序中获取,该区域下所有空调设备的节能潜力,即可节能度数n2,即上述第二预计节能度数。
为了确保减少耗电量达到调控电量,一种可选方案中,上述步骤S501包括:
步骤S5011,计算上述第二调整设定温度和上述温差的差,得到目标测点温度,并将上述第二调整设定温度确定为目标回风温度,上述目标测点温度为上述回风温度达到上述第二调整设定温度时上述用户活动区域的温度,上述目标回风温度为上述回风温度达到上述第二调整设定温度的温度;
步骤S5012,将各上述第三目标空调的上述回风温度、上述测点温度、上述目标回风温度、上述目标测点温度、室外温湿度和压缩机频率输入节能模型,得到至少一个上述第三预计节能度数,上述节能模型是使用多组训练数据训练得到的,上述多组训练数据中的每一组训练数据均包括历史时刻的上述回风温度、对应的上述目标回风温度、对应的上述测点温度、对应的上述目标测点温度、对应的上述室外温湿度、对应的上述压缩机频率以及对应的上述第三预计节能度数。
具体地,获取m时长下,对应特征数据:从网上爬取的室外温湿度,回风温度=设定温度,测点温度=设定温度-温差,运行压缩机频率为内置压缩机频率程序中获取,该区域下所有空调设备的节能潜力,即可节能度数n2,即第三预计节能度数。
为了确保减少耗电量达到调控电量,一种可选方案中,在上述步骤S201之后,上述方法还包括:
步骤S601,控制上述空调运转直至上述空调的上述回风温度达到上述设定温度;
步骤S602,在上述空调的运行过程中,预定时间间隔获取一次上述回风温度和上述测点温度,得到多个上述回风温度和对应的多个上述测点温度;
步骤S603,计算各上述回风温度与对应的上述测点温度的差值的平均值,得到上述温差。
具体地,选择某一空调设备的设定温度、运行时长、回风温度、测点温度,每隔n时间,计算回风温度与测点温度之差(温差),当回风温度=设定温度时,停止计时和计算。获取该时段内的温差平均值作为回风温度补偿值;即代替回风温度=设定温度,压缩机降频为回风温度-温差=设定温度时,压缩机降频,从而达到节能的效果。
为了使得本领域技术人员能够更加清楚地了解本申请的技术方案,以下将结合具体的实施例对本申请的多空调用电的调控方法的实现过程进行详细说明。
本实施例涉及一种具体的多空调用电的调控方法,如图3所示,包括如下步骤:
步骤1:获取需求响应调控需求。需求响应调控会下发在m时长(通常以小时为单位)内减少n度用电负荷,即调控电量为n度。
步骤2:判断设定温度和回风温度之间的关系;当回风温度>设定温度时,转到步骤3,否则转到步骤6;
步骤3:使用温湿度补偿方法进行需求调控计算。使用训练好的联邦学习模型,获取m时长下,该区域下所有空调设备的节能潜力,即可节能度数n1。因为一般情况下,变频空调开机进入高频运转10~20分钟便可达到设定温度,而m一般大于>20min,因此,m时长后对应的预测特征:室外温湿度可从网上爬取数据,回风温度=设定温度+温差,测点温度=设定温度,运行压缩机频率从内置压缩机频率程序中获取(为原程序中回风温度=设置温度时的对应压缩机频率);
步骤4:判断是否满足需求响应调控需求,即n1是否等于或大于n,若是,则转到步骤5,否则,转到步骤6;
步骤5:流程结束,服务器统一对该地区所有空调进行相关节能指令下发,即温湿度补偿指令下发或/和空调设置温度下发或/和关机指令下发。对温湿度补偿指令的下发,即是提前按照内置压缩机程序进行压缩机降频处理;这样在不影响用户体验和经济损失的基础上,达到需求响应的要求;
步骤6:判断空调设定温度是否小于26度或大于28度,若是,转到步骤7,否则转到步骤11;因为空调设定温度不宜过高也不宜过低。一般空调的温度最好建议在26到28度。制冷环境下,理想状态的空调设定温度为26度,居家空调每提高1度,耗电量约节省7%至10%;
步骤7:判断设定温度是否为25度或29度;若是,转到步骤8,否则转到步骤9;
步骤8:设定温度调高1度或降低1度,其对用户影响变化很小,不会影响其舒适性。具体的,使用训练好联邦学习模型,获取m时长下,对应特征数据:室外温湿度从网上爬取,回风温度=设定温度,测点温度=设定温度-温差,运行压缩机频率为内置压缩机频率程序中获取,该区域下所有空调设备的节能潜力,即可节能度数n2;使用计算得到的节能度数转到步骤11进行判断;
步骤9:设定温度调高n度或降低n度(设定温度最高为30度),其对用户影响变化较明显,给予经济补偿进行调控。具体的,使用训练好联邦学习模型,获取m时长下,对应特征数据:从网上爬取的室外温湿度,回风温度=设定温度,测点温度=设定温度-温差,运行压缩机频率为内置压缩机频率程序中获取,该区域下所有空调设备的节能潜力,即可节能度数n2;使用计算得到的节能度数转到步骤11进行判断;
步骤10:空调关机,给予经济补偿进行调控。具体的,使用训练好联邦学习模型,获取m时长下,对应特征数据:网上爬取的室外温湿度,回风温度=设定温度,测点温度=设定温度-温差,运行压缩机频率为内置压缩机频率程序中获取,该区域下单台空调设备的节能潜力,即可节能度数n3,则确定需关机空调数x;关机数确定后,转到步骤5;
步骤11:判断是否满足需求响应调控需求,即n1+n2或n2是否大于或等于n,若是,则转到步骤5,否则转到步骤10。
需要说明的是,如图4所示,图4中示出了室内机所在房间1、室内机位置2、用户主要活动范围3和测点位置4,室内机安装在房间的某一侧的某个高度处,且上面装有回风温湿度感温包,用于采集室内环境回风温度和回风相对湿度;用户主要活动范围3,如该房间为用户办公房间,用户主要活动范围可认为为办公桌周围;测点位置4安装有温湿度传感器,该测点位置位于用户主要活动范围内,取中间位置,并将其放置在距离地面0.6米处,用于采集测点处的温度和相对湿度。
在联邦学习的框架中,来自不同数据所有者的数据能够得到安全使用,可以有效防止隐私泄露。通常,联邦学习框架中包括K个参与者,参与者的目标是通过某种方法安全地利用各自的数据以训练出更好的机器学习模型,完成预测或分类任务。联邦学习框架实质是一种模型训练的范式,即所有参与者在云端或第三方的帮助下共同训练一个联邦模型(性能优于使用参与者自身数据训练出的模型),同时不把自己的原始数据暴露给其他参与者或第三方。联邦模型的具体训练过程如图5所示
图5中①、②、③、④分别表示为:①计算本地模型的训练梯度、②安全聚合并更新联邦模型、③下发联邦模型、④更新本地模型。
图5中共有4个层级:参与者层、本地模型层、通信层和云端层。在参与者层,每个参与者在其本地服务器存有数据,并且不会把任何包含敏感信息的数据发送到云端或其他参与者;在本地模型层,每个参与者在其本地服务器存储着各自的本地模型;在通信层,参与者和云端进行信息传输;在云端层,云端服务器存储着联邦模型。4个层级之间的交互包含以下4个步骤:
步骤S1:参与者基于自身数据计算本地模型的训练梯度,通过同态加密、差分隐私或者秘密分享等技术对梯度信息进行加密,并上传加密结果到云端;
步骤S2:云端服务器安全聚合各参与者的加密结果,并基于聚合梯度更新联邦模型参数;
步骤S3:云端下发联邦模型的新参数到各参与者;
步骤S4:参与者接受新参数,并更新本地模型。联邦模型训练过程不断重复以上4个步骤,直到联邦模型的参数收敛。该训练过程适用于各种机器学习模型(LR、BPNN、DNN等),所有参与者共享最终的联邦模型。
不同厂家的空调耗电情况数据可能存储在不同服务器上,因为基于数据安全的考虑,造成数据孤岛问题。使用联邦学习可解决隐私保护下的数据孤岛问题,为所有参与者(所有不同空调厂家)搭建一个迁移网络。
需求响应调控一般是指在某个时间,对某个地区下发减少多少用电负荷的要求。通过对使用经济补贴手段、强制切断电力供应等手段进行优化,使用联邦学习构建多个厂家空调耗电量模型,在相关减少空调负荷的措施下,可以有效地在同一时间对不同厂家空调负荷进行评估,来满足需求响应调控需求,在尽量满足人体舒适性的基础上,减少电力批发市场的经济损失。
相似条件厂家空调旨在选出安装在同一气候区的空调。特征选择旨在选择合适的特征作为预测模型的输入。联邦模型训练旨在安全利用相似条件厂家空调的数据训练可迁移的联邦模型。空调耗电量模型的建立旨在对需求响应进行需求调控。
1)相似条件厂家空调:安装在不同气候区的空调,因为其建筑围护结构、气候温湿度等的不同,其空调负荷具有显著差异。进行构建不同厂家空调迁移网络时,相似耗电模式的运行数据对于联邦模型训练更有益。通过选取同一气候区或同一地区空调耗电数据,可以认为用户所处建筑围护结构相同,气候温湿度类似。
2)特征选择:特征选择旨在选出和空调耗电预测相关的特征作为预测模型输入。包括设定温度、空调匹数(不同匹数对应不同的功率)、房间面积、建筑围护结构、室外温度、室外湿度、回风温度、运行时长、运行压缩机频率、测点温度(用户活动范围中心点)等。数据每隔n时间获取一次。
其中,建筑围护结构在同一地区趋同,因此可忽略该特征。房间面积、匹数可从厂家处获取;室外温湿度可从网上爬取数据或使用温湿度传感器测得;压缩机频率可使用万用表测得;除室外的其他温度可使用温度传感器测得,空调耗电量可由计量表测得。
3)联邦学习训练与优化:根据图5联邦学习学习训练过程,网络中所有厂家空调数据合作训练一个联邦模型。该模型用于该地区所有厂家空调的耗电量预测。
4)预测光伏系统发电量:根据联邦学习模型,可同时预测同一区域下,各厂家空调的耗电量,高效指导同一区域空调对需求响应调整的工作。
本申请实施例还提供了一种多空调用电的调控装置,需要说明的是,本申请实施例的多空调用电的调控装置可以用于执行本申请实施例所提供的用于多空调用电的调控方法。该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
以下对本申请实施例提供的多空调用电的调控装置进行介绍。
图6是根据本申请实施例的多空调用电的调控装置的结构框图。如图6所示,该装置包括:
获取单元10,用于获取各空调的当前回风温度和设定温度,上述回风温度为上述空调的回风口当前的空气温度;
具体地,当前回风温度没有达到设定温度,可以通过空调的回风温度降至设定温度以上的节能温度即可停止降温,以节能,当前回风温度已达到设定温度无法采用这种方式节能,因此获取各空调的当前回风温度和设定温度确定可以采用这种节能方式的第一目标空调。
第一确定单元20,用于在第一目标空调的上述当前回风温度大于对应的上述设定温度的情况下,根据将各上述第一目标空调的上述设定温度和温差确定至少一个第一预计节能度数,上述第一目标空调为上述空调中的一个或者多个,上述温差为上述当前回风温度达到对应的上述设定温度时上述当前回风温度与测点温度的差值,上述测点温度为用户活动区域内任意一点的空气温度,上述第一预计节能度数为第一耗电量与第二耗电量之差,上述第一耗电量为在预定时间内将上述当前回风温度调整至上述设定温度并维持在上述设定温度的耗电量,上述第二耗电量为在上述预定时间内将上述当前回风温度调整至节能温度并维持在上述节能温度的耗电量,上述节能温度为上述设定温度与上述温差的和;
具体地,使用训练好的联邦学习模型,获取m时长下,该区域下所有空调设备的节能潜力,即可节能度数n1。因为一般情况下,变频空调开机进入高频运转10~20分钟便可达到设定温度,而m一般大于20min,因此,m时长后对应的预测特征:室外温湿度可从网上爬取数据,回风温度=设定温度+温差,测点温度=设定温度,运行压缩机频率从内置压缩机频率程序中获取(为原程序中回风温度=设置温度时的对应压缩机频率);
第一生成单元30,用于在所有的上述第一预计节能度数的累计值大于或者等于调控电量的情况下,生成第一调控策略,上述第一调控策略用于控制所有的上述第一目标空调在上述预定时间内,将上述当前回风温度调整至节能温度并维持在上述节能温度的耗电量,上述调控电量为所有的上述空调在上述预定时间内需要减少的用电量。
具体地,流程结束,服务器统一对该地区所有空调进行相关节能指令下发,即温湿度补偿指令下发。对温湿度补偿指令的下发,即是提前按照内置压缩机程序进行压缩机降频处理;这样在不影响用户体验和经济损失的基础上,达到需求响应的要求,即减少耗电量达到调控电量。
上述多空调用电的调控装置中,获取单元获取各空调的当前回风温度和设定温度,上述回风温度为上述空调的回风口当前的空气温度;第一确定单元在第一目标空调的上述当前回风温度大于对应的上述设定温度的情况下,根据将各上述第一目标空调的上述设定温度和温差确定至少一个第一预计节能度数,上述第一目标空调为上述空调中的一个或者多个,上述温差为上述当前回风温度达到对应的上述设定温度时上述当前回风温度与测点温度的差值,上述测点温度为用户活动区域内任意一点的空气温度,上述第一预计节能度数为第一耗电量与第二耗电量之差,上述第一耗电量为在预定时间内将上述当前回风温度调整至上述设定温度并维持在上述设定温度的耗电量,上述第二耗电量为在上述预定时间内将上述当前回风温度调整至节能温度并维持在上述节能温度的耗电量,上述节能温度为上述设定温度与上述温差的和;第一生成单元在所有的上述第一预计节能度数的累计值大于或者等于调控电量的情况下,生成第一调控策略,上述第一调控策略用于控制所有的上述第一目标空调在上述预定时间内,将上述当前回风温度调整至节能温度并维持在上述节能温度的耗电量,上述调控电量为所有的上述空调在上述预定时间内需要减少的用电量。由于空调壁挂机的回风感温包一般安装在空调回风处,离地面位置较高,离用户活动区域也较远。由于空调出风温度较低,冷风下沉,因此回风温度与用户实际活动位置的温度存在一定的偏差,即回风温度高于测点温度,导致不能达到很好的温度控制效果,该装置通过空调的回风温度降至设定温度以上的节能温度即可停止降温,即可实现测点温度达到设定温度,计算得到这样运行每个空调对应的第一预计节能度数,只要第一目标空调的当前回风温度大于对应的设定温度即可控制第一目标空调如此节能的方式运行,所有的第一预计节能度数的累计值大于或者等于调控电量,即可控制所有可以如此节能的方式运行实现减少耗电量达到调控电量,解决了现有技术中切断部分电力供应实现减少耗电量达到调控电量导致用电不便的问题。
为了确保减少耗电量达到调控电量,一种可选方案中,上述装置还包括:
第二确定单元,用于在获取各空调的当前回风温度和设定温度之后,在满足第一条件或者第二条件的情况下,确定各上述空调的上述设定温度是否在最优设定温度范围内,上述第一条件为所有的上述当前回风温度均小于或者等于对应的上述设定温度,上述第二条件为所有的上述预计节能度数的累计值小于上述调控电量,上述最优设定温度范围为用户舒适度最佳的设置温度的范围;
第三确定单元,用于在所有的上述空调的上述设定温度在上述最优设定温度范围的情况下,根据将各上述空调的上述设定温度确定空调关闭数量,上述空调关闭数量为关闭上述空调导致减少的耗电量大于或者等于上述调控电量的数量;
第二生成单元,用于根据上述空调关闭数量生成第二调控策略,上述第二调控策略用于控制上述空调关闭数量的上述空调关闭。
具体地,所有的上述当前回风温度均小于或者等于对应的上述设定温度,则无法通过提高目标回风温度进行节能,且这种节能方式累计的可节能度数n1小于调控电量,减少耗电量的目标没有实现,则判断所有的空调的设定温度是否在26度至28度之间,即在最优设定温度范围内,若都是,则没有节能的空间,直接确定空调关闭数量,以通过关闭空调实现减少耗电量达到调控电量。其中,空调设定温度不宜过高也不宜过低。一般空调的温度最好建议在26到28度。制冷环境下,理想状态的空调设定温度为26度,居家空调每提高1度,耗电量约节省7%至10%。
当然,空调关机,需要给予经济补偿进行调控,使用训练好联邦学习模型,获取m时长下,对应特征数据:网上爬取的室外温湿度,回风温度=设定温度,测点温度=设定温度-温差,运行压缩机频率为内置压缩机频率程序中获取,该区域下单台空调设备的节能潜力,即可节能度数n3,则确定需关机空调数x。
为了确保减少耗电量达到调控电量,一种可选方案中,上述装置还包括:
第四确定单元,用于在确定各上述空调的上述设定温度是否在最优设定温度范围内之后,在同时满足第三条件和第四条件,或者同时满足第三条件和第五条件的情况下,根据上述设定温度和第一调整设定温度确定至少一个第二预计节能度数,上述第一调整设定温度为上述最优设定温度范围内与上述设定温度的差值的绝对值最小的温度,上述第二预计节能度数为第二目标空调的目标温度由上述设定温度调整为上述第一调整设定温度减少的耗电量,上述第一目标空调为上述空调中的一个或者多个,上述第三条件为上述第二目标空调的上述设定温度不在上述最优设定温度范围内,上述第四条件为上述第二目标空调的上述设定温度与上述最优设定温度范围的最大值的差值大于0且小于预定阈值,上述第五条件为上述第二目标空调的上述最优设定温度范围的最小值与上述设定温度的差值大于0且小于上述预定阈值;
第三生成单元,用于在所有的上述第一预计节能度数和所有的第二上述预计节能度数的累计值大于或者等于上述调控电量的情况下,生成第三调控策略,上述第三调控策略用于控制所有的上述第二目标空调将上述目标温度由上述设定温度调整为上述第一调整设定温度。
具体地,判断设定温度是否为25度或29度,若是,设定温度调高1度或降低1度,其对用户影响变化很小,不会影响其舒适性。具体的,使用训练好联邦学习模型,获取m时长下,对应特征数据:室外温湿度从网上爬取,回风温度=设定温度,测点温度=设定温度-温差,运行压缩机频率为内置压缩机频率程序中获取,该区域下所有空调设备的节能潜力,即可节能度数n2,判断是否满足需求响应调控需求,即n1+n2或n2是否大于或等于n,若是,生成第三调控策略,控制所有的上述第二目标空调将上述目标温度由上述设定温度调整为上述第一调整设定温度,即可确保减少耗电量达到调控电量。
为了确保减少耗电量达到调控电量,一种可选方案中,上述装置还包括:
第五确定单元,用于在确定各上述空调的上述设定温度是否在最优设定温度范围内之后,在同时满足第三条件和第六条件,或者同时满足第三条件和第七条件的情况下,根据上述设定温度和第二调整设定温度确定至少一个第三预计节能度数,上述第二调整设定温度为上述最优设定温度范围内与上述设定温度的差值的绝对值最小的温度,上述第三预计节能度数为第三目标空调的目标温度由上述设定温度调整为上述第二调整设定温度减少的耗电量,上述第三目标空调为上述空调中的一个或者多个,上述第三条件为上述第三目标空调的上述设定温度不在上述最优设定温度范围内,上述第六条件为上述第三目标空调的上述设定温度与上述最优设定温度范围的最大值的差值大于或者等于预定阈值,上述第七条件为上述第三目标空调的上述最优设定温度范围的最小值与上述设定温度的差值大于或者等于上述预定阈值;
第四生成单元,用于在所有的上述第一预计节能度数和所有的第三上述预计节能度数的累计值大于或者等于上述调控电量的情况下,生成第四调控策略,上述第四调控策略用于控制所有的上述第三目标空调将上述目标温度由上述设定温度调整为上述第二调整设定温度。
具体地,设定温度与最优设定温度范围距离较大,设定温度调高n度或降低n度(设定温度最高为30度),其对用户影响变化较明显,给予经济补偿进行调控。具体的,使用训练好联邦学习模型,获取m时长下,对应特征数据:从网上爬取的室外温湿度,回风温度=设定温度,测点温度=设定温度-温差,运行压缩机频率为内置压缩机频率程序中获取,该区域下所有空调设备的节能潜力,即可节能度数n2;判断是否满足需求响应调控需求,即n1+n2或n2是否大于或等于n,若是,生成第三调控策略,控制所有的上述第二目标空调将上述目标温度由上述设定温度调整为上述第一调整设定温度,即可确保减少耗电量达到调控电量。
为了确保减少耗电量达到调控电量,一种可选方案中,上述第一确定单元包括:
第一确定子模块,用于将上述设定温度确定为目标测点温度,并计算上述设定温度和上述温差的和,得到目标回风温度,上述目标测点温度为上述用户活动区域达到上述设定温度的温度,上述目标回风温度为上述用户活动区域达到上述设定温度的上述回风温度;
第一分析子模块,用于将各上述第一目标空调的上述回风温度、上述测点温度、上述目标回风温度、上述目标测点温度、室外温湿度和压缩机频率输入节能模型,得到至少一个上述第一预计节能度数,上述节能模型是使用多组训练数据训练得到的,上述多组训练数据中的每一组训练数据均包括历史时刻的上述回风温度、对应的上述目标回风温度、对应的上述测点温度、对应的上述目标测点温度、对应的上述室外温湿度、对应的上述压缩机频率以及对应的上述第一预计节能度数。
具体地,采用机器学习分析节能,使用训练好的联邦学习模型作为节能模型,获取m时长下,该区域下所有空调设备的节能潜力,即可节能度数n1,即上述第一预计节能度数,m时长后对应的预测特征:室外温湿度可从网上爬取数据,回风温度=设定温度+温差,测点温度=设定温度,运行压缩机频率从内置压缩机频率程序中获取(为原程序中回风温度=设置温度时的对应压缩机频率)。
为了确保减少耗电量达到调控电量,一种可选方案中,上述第四确定单元包括:
第二确定子模块,用于计算上述第一调整设定温度和上述温差的差,得到目标测点温度,并将上述第一调整设定温度确定为目标回风温度,上述目标测点温度为上述回风温度达到上述第一调整设定温度时上述用户活动区域的温度,上述目标回风温度为上述回风温度达到上述第一调整设定温度的温度;
第二分析子模块,用于将各上述第二目标空调的上述回风温度、上述测点温度、上述目标回风温度、上述目标测点温度、室外温湿度和压缩机频率输入节能模型,得到至少一个上述第二预计节能度数,上述节能模型是使用多组训练数据训练得到的,上述多组训练数据中的每一组训练数据均包括历史时刻的上述回风温度、对应的上述目标回风温度、对应的上述测点温度、对应的上述目标测点温度、对应的上述室外温湿度、对应的上述压缩机频率以及对应的上述第二预计节能度数。
具体地,采用机器学习分析节能,使用训练好的联邦学习模型作为节能模型,使用训练好联邦学习模型,获取m时长下,对应特征数据:室外温湿度从网上爬取,回风温度=设定温度,测点温度=设定温度-温差,运行压缩机频率为内置压缩机频率程序中获取,该区域下所有空调设备的节能潜力,即可节能度数n2,即上述第二预计节能度数。
为了确保减少耗电量达到调控电量,一种可选方案中,上述第四确定单元包括:
第二确定子模块,用于计算上述第二调整设定温度和上述温差的差,得到目标测点温度,并将上述第二调整设定温度确定为目标回风温度,上述目标测点温度为上述回风温度达到上述第二调整设定温度时上述用户活动区域的温度,上述目标回风温度为上述回风温度达到上述第二调整设定温度的温度;
第三分析子模块,用于将各上述第三目标空调的上述回风温度、上述测点温度、上述目标回风温度、上述目标测点温度、室外温湿度和压缩机频率输入节能模型,得到至少一个上述第三预计节能度数,上述节能模型是使用多组训练数据训练得到的,上述多组训练数据中的每一组训练数据均包括历史时刻的上述回风温度、对应的上述目标回风温度、对应的上述测点温度、对应的上述目标测点温度、对应的上述室外温湿度、对应的上述压缩机频率以及对应的上述第三预计节能度数。
具体地,获取m时长下,对应特征数据:从网上爬取的室外温湿度,回风温度=设定温度,测点温度=设定温度-温差,运行压缩机频率为内置压缩机频率程序中获取,该区域下所有空调设备的节能潜力,即可节能度数n2,即第三预计节能度数。
为了确保减少耗电量达到调控电量,一种可选方案中,上述装置还包括:
控制单元,用于控制上述空调运转直至上述空调的上述回风温度达到上述设定温度;
采集单元,用于在上述空调的运行过程中,预定时间间隔获取一次上述回风温度和上述测点温度,得到多个上述回风温度和对应的多个上述测点温度;
计算单元,用于计算各上述回风温度与对应的上述测点温度的差值的平均值,得到上述温差。
具体地,选择某一空调设备的设定温度、运行时长、回风温度、测点温度,每隔n时间,计算回风温度与测点温度之差(温差),当回风温度=设定温度时,停止计时和计算。获取该时段内的温差平均值作为回风温度补偿值;即代替回风温度=设定温度,压缩机降频为回风温度-温差=设定温度时,压缩机降频,从而达到节能的效果。
上述多空调用电的调控装置包括处理器和存储器,上述获取单元、第一确定单元和第一生成单元等均作为程序单元存储在存储器中,由处理器执行存储在存储器中的上述程序单元来实现相应的功能。上述模块均位于同一处理器中;或者,上述各个模块以任意组合的形式分别位于不同的处理器中。
处理器中包含内核,由内核去存储器中调取相应的程序单元。内核可以设置一个或以上,通过调整内核参数来解决现有技术中切断部分电力供应实现减少耗电量达到调控电量导致用电不便的问题。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM),存储器包括至少一个存储芯片。
本发明实施例提供了一种计算机可读存储介质,上述计算机可读存储介质包括存储的程序,其中,在上述程序运行时控制上述计算机可读存储介质所在设备执行上述多空调用电的调控方法。
具体地,多空调用电的调控方法包括:
步骤S201,获取各空调的当前回风温度和设定温度,上述回风温度为上述空调的回风口当前的空气温度;
步骤S202,在第一目标空调的上述当前回风温度大于对应的上述设定温度的情况下,根据将各上述第一目标空调的上述设定温度和温差确定至少一个第一预计节能度数,上述第一目标空调为上述空调中的一个或者多个,上述温差为上述当前回风温度达到对应的上述设定温度时上述当前回风温度与测点温度的差值,上述测点温度为用户活动区域内任意一点的空气温度,上述第一预计节能度数为第一耗电量与第二耗电量之差,上述第一耗电量为在预定时间内将上述当前回风温度调整至上述设定温度并维持在上述设定温度的耗电量,上述第二耗电量为在上述预定时间内将上述当前回风温度调整至节能温度并维持在上述节能温度的耗电量,上述节能温度为上述设定温度与上述温差的和;
步骤S203,在所有的上述第一预计节能度数的累计值大于或者等于调控电量的情况下,生成第一调控策略,上述第一调控策略用于控制所有的上述第一目标空调在上述预定时间内,将上述当前回风温度调整至节能温度并维持在上述节能温度的耗电量,上述调控电量为所有的上述空调在上述预定时间内需要减少的用电量。本发明实施例提供了一种处理器,上述处理器用于运行程序,其中,上述程序运行时执行上述多空调用电的调控方法。
具体地,多空调用电的调控方法包括:
步骤S201,获取各空调的当前回风温度和设定温度,上述回风温度为上述空调的回风口当前的空气温度;
步骤S202,在第一目标空调的上述当前回风温度大于对应的上述设定温度的情况下,根据将各上述第一目标空调的上述设定温度和温差确定至少一个第一预计节能度数,上述第一目标空调为上述空调中的一个或者多个,上述温差为上述当前回风温度达到对应的上述设定温度时上述当前回风温度与测点温度的差值,上述测点温度为用户活动区域内任意一点的空气温度,上述第一预计节能度数为第一耗电量与第二耗电量之差,上述第一耗电量为在预定时间内将上述当前回风温度调整至上述设定温度并维持在上述设定温度的耗电量,上述第二耗电量为在上述预定时间内将上述当前回风温度调整至节能温度并维持在上述节能温度的耗电量,上述节能温度为上述设定温度与上述温差的和;
步骤S203,在所有的上述第一预计节能度数的累计值大于或者等于调控电量的情况下,生成第一调控策略,上述第一调控策略用于控制所有的上述第一目标空调在上述预定时间内,将上述当前回风温度调整至节能温度并维持在上述节能温度的耗电量,上述调控电量为所有的上述空调在上述预定时间内需要减少的用电量。本发明实施例提供了一种多空调控制系统,多空调控制系统包括处理器、存储器及存储在存储器上并可在处理器上运行的程序,处理器执行程序时实现至少以下步骤:
步骤S201,获取各空调的当前回风温度和设定温度,上述回风温度为上述空调的回风口当前的空气温度;
步骤S202,在第一目标空调的上述当前回风温度大于对应的上述设定温度的情况下,根据将各上述第一目标空调的上述设定温度和温差确定至少一个第一预计节能度数,上述第一目标空调为上述空调中的一个或者多个,上述温差为上述当前回风温度达到对应的上述设定温度时上述当前回风温度与测点温度的差值,上述测点温度为用户活动区域内任意一点的空气温度,上述第一预计节能度数为第一耗电量与第二耗电量之差,上述第一耗电量为在预定时间内将上述当前回风温度调整至上述设定温度并维持在上述设定温度的耗电量,上述第二耗电量为在上述预定时间内将上述当前回风温度调整至节能温度并维持在上述节能温度的耗电量,上述节能温度为上述设定温度与上述温差的和;
步骤S203,在所有的上述第一预计节能度数的累计值大于或者等于调控电量的情况下,生成第一调控策略,上述第一调控策略用于控制所有的上述第一目标空调在上述预定时间内,将上述当前回风温度调整至节能温度并维持在上述节能温度的耗电量,上述调控电量为所有的上述空调在上述预定时间内需要减少的用电量。具体地,流程结束,服务器统一对该地区所有空调进行相关节能指令下发,即温湿度补偿指令下发。对温湿度补偿指令的下发,即是提前按照内置压缩机程序进行压缩机降频处理;这样在不影响用户体验和经济损失的基础上,达到需求响应的要求,即减少耗电量达到调控电量。
本申请还提供了一种计算机程序产品,当在数据处理设备上执行时,适于执行初始化有至少如下方法步骤的程序:
步骤S201,获取各空调的当前回风温度和设定温度,上述回风温度为上述空调的回风口当前的空气温度;
步骤S202,在第一目标空调的上述当前回风温度大于对应的上述设定温度的情况下,根据将各上述第一目标空调的上述设定温度和温差确定至少一个第一预计节能度数,上述第一目标空调为上述空调中的一个或者多个,上述温差为上述当前回风温度达到对应的上述设定温度时上述当前回风温度与测点温度的差值,上述测点温度为用户活动区域内任意一点的空气温度,上述第一预计节能度数为第一耗电量与第二耗电量之差,上述第一耗电量为在预定时间内将上述当前回风温度调整至上述设定温度并维持在上述设定温度的耗电量,上述第二耗电量为在上述预定时间内将上述当前回风温度调整至节能温度并维持在上述节能温度的耗电量,上述节能温度为上述设定温度与上述温差的和;
步骤S203,在所有的上述第一预计节能度数的累计值大于或者等于调控电量的情况下,生成第一调控策略,上述第一调控策略用于控制所有的上述第一目标空调在上述预定时间内,将上述当前回风温度调整至节能温度并维持在上述节能温度的耗电量,上述调控电量为所有的上述空调在上述预定时间内需要减少的用电量。
显然,本领域的技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他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、商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他要素,或者是还包括为这种过程、方法、商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、商品或者设备中还存在另外的相同要素。
从以上的描述中,可以看出,本申请上述的实施例实现了如下技术效果:
本申请的技术方案,由于空调壁挂机的回风感温包一般安装在空调回风处,离地面位置较高,离用户活动区域也较远。由于空调出风温度较低,冷风下沉,因此回风温度与用户实际活动位置的温度存在一定的偏差,即回风温度高于测点温度,导致不能达到很好的温度控制效果,该方法通过空调的回风温度降至设定温度以上的节能温度即可停止降温,即可实现测点温度达到设定温度,计算得到这样运行每个空调对应的第一预计节能度数,只要第一目标空调的当前回风温度大于对应的设定温度即可控制第一目标空调如此节能的方式运行,所有的第一预计节能度数的累计值大于或者等于调控电量,即可控制所有可以如此节能的方式运行实现减少耗电量达到调控电量,解决了现有技术中切断部分电力供应实现减少耗电量达到调控电量导致用电不便的问题。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (11)
1.一种多空调用电的调控方法,其特征在于,包括:
获取各空调的当前回风温度和设定温度,所述回风温度为所述空调的回风口当前的空气温度;
在第一目标空调的所述当前回风温度大于对应的所述设定温度的情况下,根据将各所述第一目标空调的所述设定温度和温差确定至少一个第一预计节能度数,所述第一目标空调为所述空调中的一个或者多个,所述温差为所述当前回风温度达到对应的所述设定温度时所述当前回风温度与测点温度的差值,所述测点温度为用户活动区域内任意一点的空气温度,所述第一预计节能度数为第一耗电量与第二耗电量之差,所述第一耗电量为在预定时间内将所述当前回风温度调整至所述设定温度并维持在所述设定温度的耗电量,所述第二耗电量为在所述预定时间内将所述当前回风温度调整至节能温度并维持在所述节能温度的耗电量,所述节能温度为所述设定温度与所述温差的和;
在所有的所述第一预计节能度数的累计值大于或者等于调控电量的情况下,生成第一调控策略,所述第一调控策略用于控制所有的所述第一目标空调在所述预定时间内,将所述当前回风温度调整至节能温度并维持在所述节能温度的耗电量,所述调控电量为所有的所述空调在所述预定时间内需要减少的用电量。
2.根据权利要求1所述的方法,其特征在于,在获取各空调的当前回风温度和设定温度之后,所述方法还包括:
在满足第一条件或者第二条件的情况下,确定各所述空调的所述设定温度是否在最优设定温度范围内,所述第一条件为所有的所述当前回风温度均小于或者等于对应的所述设定温度,所述第二条件为所有的所述预计节能度数的累计值小于所述调控电量,所述最优设定温度范围为用户舒适度最佳的设置温度的范围;
在所有的所述空调的所述设定温度在所述最优设定温度范围的情况下,根据将各所述空调的所述设定温度确定空调关闭数量,所述空调关闭数量为关闭所述空调导致减少的耗电量大于或者等于所述调控电量的数量;
根据所述空调关闭数量生成第二调控策略,所述第二调控策略用于控制所述空调关闭数量的所述空调关闭。
3.根据权利要求2所述的方法,其特征在于,在确定各所述空调的所述设定温度是否在最优设定温度范围内之后,所述方法还包括:
在同时满足第三条件和第四条件,或者同时满足第三条件和第五条件的情况下,根据所述设定温度和第一调整设定温度确定至少一个第二预计节能度数,所述第一调整设定温度为所述最优设定温度范围内与所述设定温度的差值的绝对值最小的温度,所述第二预计节能度数为第二目标空调的目标温度由所述设定温度调整为所述第一调整设定温度减少的耗电量,所述第一目标空调为所述空调中的一个或者多个,所述第三条件为所述第二目标空调的所述设定温度不在所述最优设定温度范围内,所述第四条件为所述第二目标空调的所述设定温度与所述最优设定温度范围的最大值的差值大于0且小于预定阈值,所述第五条件为所述第二目标空调的所述最优设定温度范围的最小值与所述设定温度的差值大于0且小于所述预定阈值;
在所有的所述第一预计节能度数和所有的第二所述预计节能度数的累计值大于或者等于所述调控电量的情况下,生成第三调控策略,所述第三调控策略用于控制所有的所述第二目标空调将所述目标温度由所述设定温度调整为所述第一调整设定温度。
4.根据权利要求2所述的方法,其特征在于,在确定各所述空调的所述设定温度是否在最优设定温度范围内之后,所述方法还包括:
在同时满足第三条件和第六条件,或者同时满足第三条件和第七条件的情况下,根据所述设定温度和第二调整设定温度确定至少一个第三预计节能度数,所述第二调整设定温度为所述最优设定温度范围内与所述设定温度的差值的绝对值最小的温度,所述第三预计节能度数为第三目标空调的目标温度由所述设定温度调整为所述第二调整设定温度减少的耗电量,所述第三目标空调为所述空调中的一个或者多个,所述第三条件为所述第三目标空调的所述设定温度不在所述最优设定温度范围内,所述第六条件为所述第三目标空调的所述设定温度与所述最优设定温度范围的最大值的差值大于或者等于预定阈值,所述第七条件为所述第三目标空调的所述最优设定温度范围的最小值与所述设定温度的差值大于或者等于所述预定阈值;
在所有的所述第一预计节能度数和所有的第三所述预计节能度数的累计值大于或者等于所述调控电量的情况下,生成第四调控策略,所述第四调控策略用于控制所有的所述第三目标空调将所述目标温度由所述设定温度调整为所述第二调整设定温度。
5.根据权利要求1所述的方法,其特征在于,根据将各所述第一目标空调的所述设定温度和温差确定至少一个第一预计节能度数,包括:
将所述设定温度确定为目标测点温度,并计算所述设定温度和所述温差的和,得到目标回风温度,所述目标测点温度为所述用户活动区域达到所述设定温度的温度,所述目标回风温度为所述用户活动区域达到所述设定温度的所述回风温度;
将各所述第一目标空调的所述回风温度、所述测点温度、所述目标回风温度、所述目标测点温度、室外温湿度和压缩机频率输入节能模型,得到至少一个所述第一预计节能度数,所述节能模型是使用多组训练数据训练得到的,所述多组训练数据中的每一组训练数据均包括历史时刻的所述回风温度、对应的所述目标回风温度、对应的所述测点温度、对应的所述目标测点温度、对应的所述室外温湿度、对应的所述压缩机频率以及对应的所述第一预计节能度数。
6.根据权利要求3所述的方法,其特征在于,根据所述设定温度和第一调整设定温度确定至少一个第二预计节能度数,包括:
计算所述第一调整设定温度和所述温差的差,得到目标测点温度,并将所述第一调整设定温度确定为目标回风温度,所述目标测点温度为所述回风温度达到所述第一调整设定温度时所述用户活动区域的温度,所述目标回风温度为所述回风温度达到所述第一调整设定温度的温度;
将各所述第二目标空调的所述回风温度、所述测点温度、所述目标回风温度、所述目标测点温度、室外温湿度和压缩机频率输入节能模型,得到至少一个所述第二预计节能度数,所述节能模型是使用多组训练数据训练得到的,所述多组训练数据中的每一组训练数据均包括历史时刻的所述回风温度、对应的所述目标回风温度、对应的所述测点温度、对应的所述目标测点温度、对应的所述室外温湿度、对应的所述压缩机频率以及对应的所述第二预计节能度数。
7.根据权利要求4所述的方法,其特征在于,根据所述设定温度和第二调整设定温度确定至少一个第三预计节能度数,包括:
计算所述第二调整设定温度和所述温差的差,得到目标测点温度,并将所述第二调整设定温度确定为目标回风温度,所述目标测点温度为所述回风温度达到所述第二调整设定温度时所述用户活动区域的温度,所述目标回风温度为所述回风温度达到所述第二调整设定温度的温度;
将各所述第三目标空调的所述回风温度、所述测点温度、所述目标回风温度、所述目标测点温度、室外温湿度和压缩机频率输入节能模型,得到至少一个所述第三预计节能度数,所述节能模型是使用多组训练数据训练得到的,所述多组训练数据中的每一组训练数据均包括历史时刻的所述回风温度、对应的所述目标回风温度、对应的所述测点温度、对应的所述目标测点温度、对应的所述室外温湿度、对应的所述压缩机频率以及对应的所述第三预计节能度数。
8.根据权利要求1至7任一项所述的方法,其特征在于,在根据将各所述第一目标空调的所述设定温度和温差确定至少一个第一预计节能度数之前,所述方法还包括:
控制所述空调运转直至所述空调的所述回风温度达到所述设定温度;
在所述空调的运行过程中,预定时间间隔获取一次所述回风温度和所述测点温度,得到多个所述回风温度和对应的多个所述测点温度;
计算各所述回风温度与对应的所述测点温度的差值的平均值,得到所述温差。
9.一种多空调用电的调控装置,其特征在于,包括:
获取单元,用于获取各空调的当前回风温度和设定温度,所述回风温度为所述空调的回风口当前的空气温度;
第一确定单元,用于在第一目标空调的所述当前回风温度大于对应的所述设定温度的情况下,根据将各所述第一目标空调的所述设定温度和温差确定至少一个第一预计节能度数,所述第一目标空调为所述空调中的一个或者多个,所述温差为所述当前回风温度达到对应的所述设定温度时所述当前回风温度与测点温度的差值,所述测点温度为用户活动区域内任意一点的空气温度,所述第一预计节能度数为第一耗电量与第二耗电量之差,所述第一耗电量为在预定时间内将所述当前回风温度调整至所述设定温度并维持在所述设定温度的耗电量,所述第二耗电量为在所述预定时间内将所述当前回风温度调整至节能温度并维持在所述节能温度的耗电量,所述节能温度为所述设定温度与所述温差的和;
第一生成单元,用于在所有的所述第一预计节能度数的累计值大于或者等于调控电量的情况下,生成第一调控策略,所述第一调控策略用于控制所有的所述第一目标空调在所述预定时间内,将所述当前回风温度调整至节能温度并维持在所述节能温度的耗电量,所述调控电量为所有的所述空调在所述预定时间内需要减少的用电量。
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包括存储的程序,其中,在所述程序运行时控制所述计算机可读存储介质所在设备执行权利要求1至8中任意一项所述的方法。
11.一种多空调控制系统,其特征在于,包括:一个或多个处理器,存储器,以及一个或多个程序,其中,所述一个或多个程序被存储在所述存储器中,并且被配置为由所述一个或多个处理器执行,所述一个或多个程序包括用于执行权利要求1至8中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310583650.2A CN116608546A (zh) | 2023-05-22 | 2023-05-22 | 多空调用电的调控方法、装置和多空调控制系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310583650.2A CN116608546A (zh) | 2023-05-22 | 2023-05-22 | 多空调用电的调控方法、装置和多空调控制系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116608546A true CN116608546A (zh) | 2023-08-18 |
Family
ID=87676043
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310583650.2A Pending CN116608546A (zh) | 2023-05-22 | 2023-05-22 | 多空调用电的调控方法、装置和多空调控制系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116608546A (zh) |
-
2023
- 2023-05-22 CN CN202310583650.2A patent/CN116608546A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Korkas et al. | Grid-connected microgrids: Demand management via distributed control and human-in-the-loop optimization | |
US11709465B2 (en) | Orchestrated energy | |
US11782465B2 (en) | Optimization of energy use through model-based simulations | |
US10354345B2 (en) | Optimizing and controlling the energy consumption of a building | |
US20150310461A1 (en) | Operating method and apparatus of smart system for power consumption optimization | |
Yoon et al. | Performance based thermal comfort control (PTCC) using deep reinforcement learning for space cooling | |
Rajasekhar et al. | A survey of computational intelligence techniques for air-conditioners energy management | |
US20160061469A1 (en) | Building power management systems | |
Michailidis et al. | Proactive control for solar energy exploitation: A german high-inertia building case study | |
US20150039146A1 (en) | Power load monitoring and predicting system and method thereof | |
AU2015373896A1 (en) | Optimizing and controlling the energy consumption of a building | |
Totu et al. | Control for large scale demand response of thermostatic loads | |
Viot et al. | Model predictive control of a thermally activated building system to improve energy management of an experimental building: Part II-Potential of predictive strategy | |
Dong et al. | Model predictive control of building on/off HVAC systems to compensate fluctuations in solar power generation | |
Javaid et al. | Energy management with a world-wide adaptive thermostat using fuzzy inference system | |
US20180238572A1 (en) | Modeling and controlling heating, ventilation, and air conditioning systems | |
US20180372341A1 (en) | Predictive control for domestic heating system | |
Rizwan et al. | Optimal environment control mechanism based on OCF connectivity for efficient energy consumption in greenhouse | |
Javaid et al. | Controlling energy consumption with the world-wide adaptive thermostat using fuzzy inference system in smart grid | |
US20230170697A1 (en) | Techniques for predictive control of energy use in a structure | |
Shen et al. | Advanced control framework of regenerative electric heating with renewable energy based on multi-agent cooperation | |
CN116608546A (zh) | 多空调用电的调控方法、装置和多空调控制系统 | |
Gaikwad et al. | Increasing energy resiliency to hurricanes with battery and rooftop solar through intelligent control | |
Wang et al. | A Data-driven Control Method for Operating the Commercial HVAC Load as a Virtual Battery | |
Brissette et al. | The occupant comfort challenge of building energy savings through HVAC control |
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 |