CN116678082B - 中央空调系统的控制方法、终端及中央空调系统 - Google Patents

中央空调系统的控制方法、终端及中央空调系统 Download PDF

Info

Publication number
CN116678082B
CN116678082B CN202310660867.9A CN202310660867A CN116678082B CN 116678082 B CN116678082 B CN 116678082B CN 202310660867 A CN202310660867 A CN 202310660867A CN 116678082 B CN116678082 B CN 116678082B
Authority
CN
China
Prior art keywords
information
central air
conditioning system
air conditioning
data
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.)
Active
Application number
CN202310660867.9A
Other languages
English (en)
Other versions
CN116678082A (zh
Inventor
冯耀忠
馮梓睿
陈锦标
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.)
Guangzhou Xipin High Tech Engineering Consulting Co ltd
Yaochangrong Phase Change Materials Technology Guangdong Co ltd
Original Assignee
Yaochangrong Phase Change Materials Technology Guangdong 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 Yaochangrong Phase Change Materials Technology Guangdong Co ltd filed Critical Yaochangrong Phase Change Materials Technology Guangdong Co ltd
Priority to CN202310660867.9A priority Critical patent/CN116678082B/zh
Publication of CN116678082A publication Critical patent/CN116678082A/zh
Application granted granted Critical
Publication of CN116678082B publication Critical patent/CN116678082B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
    • F24F11/63—Electronic processing
    • F24F11/64—Electronic processing using pre-stored data
    • 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
    • F24F11/32—Responding to malfunctions or emergencies
    • F24F11/38—Failure diagnosis
    • 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
    • F24F11/89—Arrangement or mounting of control or safety devices
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • 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)
  • General Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Fuzzy Systems (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

本发明提供了一种中央空调系统的控制方法、终端及中央空调系统，所述中央空调系统的控制方法包括：控制边缘计算机对设备信息进行预处理，接收预处理后得到的目标设备信息，将目标设备信息输入目标设备状态检测模型，得到中央空调系统的状态分析结果，在根据状态分析结果确定中央空调系统的状态满足要求时，获取中央空调系统当前所处的环境信息；将环境信息输入预先训练好的控制策略生成模型，得到控制策略，根据控制策略控制中央空调系统的各设备的运行，以基于环境信息动态调整控制策略，实现中央空调系统在运行过程中能随着供冷负荷的增减而相应变化，使中央空调系统始终处于最佳运行工况，提高整个中央空调系统的效率及节能效果。

Description

中央空调系统的控制方法、终端及中央空调系统
技术领域
本发明涉及中央空调系统的控制技术领域，尤其涉及一种中央空调系统的控制方法、终端及中央空调系统。
背景技术
中央空调系统是一种重要的建筑设备，用于控制室内温度、湿度和空气质量等参数，提供舒适的室内环境。就目前的建筑设计来说，为使中央空调系统在全年任意时段都能保证建筑内部的冷量需求，在选用中央空调系统时都是按当地最高气温所需的制冷需求的115％左右来选取机型的。在中央空调系统的运行过程中，主机、水泵、冷却塔等都没有任何负荷随动能力，导致中央空调系统长期在较高工况下运行，造成大量的能源浪费。特别是在天气变化的情况下，如夏天下雨时气温不高，冷量需求减小，但中央空调又运行在额定工况附近，造成电能浪费。
因此，现有的中央空调系统在运行过程中均不能随着供冷负荷的增减而相应变化，使系统实际运行工况远偏离系统的最佳运行工况，从而导致整个中央空调系统效率降低。
而在申请号为CN202111100767.8的技术方案中，虽然其通过定期获取中央空调制冷站的各设备的历史数据，获得各设备的运行数据样本，根据各设备的运行数据样本和各设备的功率计算公式，采用预设方法对各设备的功率计算公式中的参数进行辨识，获得各设备的功率模型，基于事件驱动最优化遗传算法实时获取系统全局功率最小的样本点，获得各设备的优化控制参数；根据各设备的优化控制参数调整中央空调制冷站的各设备的当前运行参数，以实现对中央空调制冷站全局优化节能控制，但并不能随着外部环境供冷负荷的增减而相应变化，节能效果较差。
发明内容
本发明提供一种中央空调系统的控制方法、终端及中央空调系统，以基于环境信息动态调整控制策略，实现中央空调系统在运行过程中能随着供冷负荷的增减而相应变化，使中央空调系统始终处于最佳运行工况，提高整个中央空调系统的效率及节能效果。
为解决上述问题，本发明采用如下技术方案：
本发明提供一种中央空调系统的控制方法，应用于中央空调系统的控制系统，所述中央空调系统还包括冷源系统、空气处理系统、边缘计算机及风管系统，所述冷源系统包括制冷主机、冷水机组及冷却塔，所述空气处理系统包括送风机、回风机、过滤器、加湿器及除湿器，所述冷源系统用于制冷，所述空气处理系统用于处理空气质量并向室内供应空气质量符合要求的新鲜空气，所述风管系统用于将空气从所述空气处理系统输送到每个房间，所述边缘计算机用于在控制系统的负载大于预设负载时，对设置在中央空调系统的传感器采集到的设备信息进行预处理，并将预处理后的设备信息发送给所述控制系统，所述边缘计算机的一端分别与所述冷源系统、空气处理系统及风管系统电性连接，所述边缘计算机的另一端与所述控制系统电性连接，所述控制系统用于接收并分析预处理后的设备信息及环境信息，根据分析结果自动调节和控制整个中央空调系统的运行，所述中央空调系统的控制方法包括：
获取所述中央空调系统的每个设备在正常运行和不同故障时的参考状态信息，利用小波包分解算法和小波包重构算法对所述参考状态信息进行特征提取，得到多个参考特征信息；
根据每个所述参考特征信息所属设备的设备类型对所述多个参考特征信息进行分类，以将来源于同一设备类型的所述参考特征信息划分至同一个数据集，将来源于不同设备类型的所述参考特征信息划分至不同的数据集，得到多个样本数据集；
根据决策树算法构建每个样本数据集的分类模型，得到多个第一分类模型，在训练每个第一分类模型时，随机选取多个来源于不同设备类型的样本数据集进行组合，生成多组组合模式下的第一训练数据集，依次选取一组第一训练数据集对任一个未训练的所述第一分类模型进行训练，得到多个第二分类模型，以及每个第二分类模型的分类结果作为第二训练数据集；
将多组第二训练数据集输入每个第二分类模型进行再次训练，得到多个第一设备状态检测模型，根据预设的损失函数计算每个第一设备状态检测模型的第一损失值，选取第一损失值低于预设第一损失值的第一设备状态检测模型作为第二设备状态检测模型，利用Bagging方法或Boosting方法将多个所述第二设备状态检测模型进行组合后，得到目标设备状态检测模型；其中，所述目标设备状态检测模型为神经网络模型，用于根据目标设备信息自动分析得到中央空调系统的状态分析结果；
接收设置在中央空调系统的传感器采集到的运行过程中的设备信息，确定所述控制系统当前所需处理的所有进程，并预估每个进程的处理时长，将每个进程的处理时长进行累加后，得到总处理时长，判断所述总处理时长是否大于预设处理时长，当判定所述总处理时长小于预设处理时长时，将所述设备信息发送给所述控制系统进行分析处理；其中，所述设备信息包括温度、湿度、压力及流量，所述传感器包括温度传感器、压力传感器、流量传感器和功率传感器，所述温度传感器用于测量所述中央空调系统的空气温度和冷却塔的进出水温度，所述压力传感器用于测量所述冷却塔的进出水压力，所述流量传感器用于测量所述冷却塔的进出水流量，所述功率传感器用于测量所述制冷主机的输出功率；
当判定所述总处理时长大于预设处理时长时，则确定所述控制系统的负载大于预设负载，控制所述边缘计算机对所述设备信息进行预处理，接收预处理后得到的目标设备信息；其中，所述预处理包括数据清洗、数据归一化、特征提取及数据加密；
将所述目标设备信息输入所述目标设备状态检测模型，得到所述中央空调系统的状态分析结果，在根据所述状态分析结果确定所述中央空调系统的状态满足要求时，获取所述中央空调系统当前所处的环境信息；其中，所述环境信息包括室内温度、室外温度、室内湿度、室外湿度及二氧化碳数据；
将所述环境信息输入预先训练好的控制策略生成模型，得到控制策略，根据所述控制策略控制所述中央空调系统的各设备的运行。
进一步地，所述将所述环境信息输入预先训练好的控制策略生成模型，得到控制策略的步骤之前，还包括：
获取训练样本数据集；其中，所述训练样本数据集包括多个训练样本，每个训练样本包括一组参考环境信息及对应的参考控制策略；
将所述训练样本数据集输入预设的神经网络模型中进行训练，得到训练结果，根据所述训练结果，利用交叉熵损失函数计算训练后的所述神经网络模型的第二损失值；
判断所述第二损失值是否低于预设第二损失值；
当判定所述第二损失值低于预设第二损失值时，将训练后的所述神经网络模型作为控制策略生成模型，用于根据中央空调系统当前所处的环境信息自动生成控制策略；
当判定所述第二损失值不低于预设第二损失值时，将所述第二损失值作为扩展卡尔曼滤波的起始值，并根据扩展卡尔曼滤波算法对所述神经网络模型的参数进行调整，利用所述训练样本数据集对调整参数后的所述神经网络模型进行再次训练，直至所述第二损失值低于预设第二损失值为止。
优选地，所述利用小波包分解算法和小波包重构算法对所述参考状态信息进行特征提取，得到多个参考特征信息的步骤，包括：
将所述参考状态信息进行小波包分解，得到每个子带的系数；
调用支持向量机模型对每个子带的系数进行特征提取，得到多个特征；
将每个特征转换为向量形式，得到多个特征向量；
计算每个特征向量与标准特征向量的余弦距离，选取与标准特征向量的余弦距离大于预设值的特征向量作为目标特征向量；其中，所述标准特征向量为具有实质语义信息的特征向量；
将所述目标特征向量进行小波包重构，得到多个参考特征信息。
优选地，所述根据所述控制策略控制所述中央空调系统的各设备的运行的步骤，包括：
将所述控制策略发送给边缘计算机，控制所述边缘计算机从所述控制策略中提取出各设备对应的控制参数；
获取各设备所使用的数据格式，将各设备对应的控制参数及数据格式输入预先构建的控制指令生成模型中，得到各设备对应的控制指令；
将各设备对应的控制指令存储在预设的指令分配表中，并根据各设备的端口接收地址对指令分配表中存储的控制指令添加指令分派地址；
根据所述指令分派地址将所述控制指令分派至对应的设备，并根据分派至的所述控制指令调整各设备的当前运行状态。
优选地，所述控制所述边缘计算机对所述设备信息进行预处理，接收预处理后得到的目标设备信息的步骤，包括：
控制边缘计算机根据所述设备信息获取相对应的控制参数值及解析函数；其中，所述控制参数值为所述控制系统用于控制所述设备信息所对应的设备的输出数据，所述控制系统的输出数据的数据类型为非数值型数据；
根据所述解析函数解析所述设备信息，得到解析数据；
判断所述控制参数值的数据类型是否为数值型数据；
当判定所述控制参数值的数据类型不是数值型数据时，对所述解析数据进行压缩打包，将压缩打包后的所述解析数据确定为目标设备信息，接收所述目标设备信息；
当判定所述控制参数值的数据类型是数值型数据时，将所述解析数据转换成字符串类型的数据，得到转换数据，对所述转换数据进行压缩打包，将压缩打包后的转换数据确定为所述目标设备信息，接收所述目标设备信息。
进一步地，所述根据所述控制策略控制所述中央空调系统的各设备的运行的步骤之后，还包括：
获取所述中央空调系统的各设备在接收到所述控制策略后的运行状态信息；
将所述运行状态信息与所述控制策略中的目标运行状态信息进行比对，得到比对结果；
根据所述比对结果对所述控制策略进行调整。
进一步地，所述将所述环境信息输入预先训练好的控制策略生成模型，得到控制策略的步骤之后，还包括：
获取中央空调系统在每天不同时间段的运行要求，并基于所述运行要求对不同类型的待采集环境信息的预设初始更新等级进行调整，得到不同类型的待采集环境信息的目标更新等级；
根据所述目标更新等级设定在不同时间段内对不同类型的待采集环境信息的更新频率，根据所述更新频率更新输入至所述控制策略生成模型的环境信息。
优选地，所述控制所述边缘计算机对所述设备信息进行预处理，接收预处理后得到的目标设备信息的步骤，包括：
控制所述边缘计算机从数据库中获取标准隐私数据，将所述设备信息与所述标准隐私数据进行比较，得到比较结果；
根据所述比较结果确定所述设备信息中含有的目标字符；其中，所述目标字符为表征所述设备隐私的字符，所述目标字符包括设备型号、设备串号；
计算所述设备信息中目标字符的占比；
判断所述占比是否大于预设占比；
当判定所述占比不大于预设占比时，对所述设备信息进行数据清洗，得到目标设备信息，并接收所述目标设备信息；
当判定所述占比大于预设占比时，则将所述设备信息进行置乱加密，得到置乱加密信息，将所述置乱加密信息与混沌系统产生的混沌序列进行异或运算，生成加密数据，所述控制系统接收所述加密数据，将所述加密数据与混沌系统产生的混沌序列进行异或运算后，再进行反置乱解密，得到目标设备信息。
本发明提供一种终端，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行如上任一项所述的中央空调系统的控制方法的步骤。
本发明还提供一种中央空调系统，所述中央空调系统包括控制系统、冷源系统、空气处理系统、边缘计算机及风管系统，所述冷源系统包括制冷主机、冷水机组及冷却塔，所述空气处理系统包括送风机、回风机、过滤器、加湿器及除湿器，所述冷源系统包括制冷主机、冷水机组及冷却塔，所述空气处理系统包括送风机、回风机、过滤器、加湿器及除湿器，所述冷源系统用于制冷，所述空气处理系统用于处理空气质量并向室内供应空气质量符合要求的新鲜空气，所述风管系统用于将空气从所述空气处理系统输送到每个房间，所述边缘计算机用于在控制系统的负载大于预设负载时，对设置在中央空调系统的传感器采集到的设备信息进行预处理，并将预处理后的设备信息发送给所述控制系统，所述边缘计算机的一端分别与所述冷源系统、空气处理系统及风管系统电性连接，所述边缘计算机的另一端与所述控制系统电性连接，所述控制系统用于接收并分析预处理后的设备信息及环境信息，根据分析结果自动调节和控制整个中央空调系统的运行，所述控制系统包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行如上任一项所述的中央空调系统的控制方法的步骤。
相对于现有技术，本发明的技术方案至少具备如下优点：
本发明提供的中央空调系统的控制方法、终端及中央空调系统，通过获取中央空调系统的每个设备在正常运行和不同故障时的参考状态信息，利用小波包分解算法和小波包重构算法对参考状态信息进行特征提取，得到多个参考特征信息，根据每个参考特征信息所属设备的设备类型对多个参考特征信息进行分类，以将来源于同一设备类型的参考特征信息划分至同一个数据集，将来源于不同设备类型的参考特征信息划分至不同的数据集，得到多个样本数据集；根据决策树算法构建每个样本数据集的分类模型，得到多个第一分类模型，在训练每个第一分类模型时，随机选取多个来源于不同设备类型的样本数据集进行组合，生成多组组合模式下的第一训练数据集，依次选取一组第一训练数据集对任一个未训练的第一分类模型进行训练，得到多个第二分类模型，以及每个第二分类模型的分类结果作为第二训练数据集，将多组第二训练数据集输入每个第二分类模型进行再次训练，得到多个第一设备状态检测模型，根据预设的损失函数计算每个第一设备状态检测模型的第一损失值，选取第一损失值低于预设第一损失值的第一设备状态检测模型作为第二设备状态检测模型，利用Bagging方法或Boosting方法将多个第二设备状态检测模型进行组合后，得到目标设备状态检测模型；接收设置在中央空调系统的传感器采集到的运行过程中的设备信息，确定控制系统当前所需处理的所有进程，并预估每个进程的处理时长，将每个进程的处理时长进行累加后，得到总处理时长，判断总处理时长是否大于预设处理时长，当判定总处理时长小于预设处理时长时，将设备信息发送给控制系统进行分析处理；当判定总处理时长大于预设处理时长时，则确定控制系统的负载大于预设负载，控制边缘计算机对设备信息进行预处理，接收预处理后得到的目标设备信息，将目标设备信息输入目标设备状态检测模型，得到中央空调系统的状态分析结果，在根据状态分析结果确定中央空调系统的状态满足要求时，获取中央空调系统当前所处的环境信息；将环境信息输入预先训练好的控制策略生成模型，得到控制策略，根据控制策略控制中央空调系统的各设备的运行，从而精准确定控制系统是否负载过大，灵活调用边缘计算机进行数据预处理，减少控制系统的负载，确保整个中央空调系统稳定运行；同时借助神经网络模型进行数字化及智能化故障诊断，提高中央空调系统的故障诊断精度及效率，并在确定中央空调系统运行状态良好时，基于环境信息动态调整控制策略，实现中央空调系统在运行过程中能随着供冷负荷的增减而相应变化，使中央空调系统始终处于最佳运行工况，提高整个中央空调系统的效率及节能效果。
附图说明
图1为本发明中央空调系统的控制方法一种实施例流程框图；
图2为本发明中央空调系统的控制装置一种实施例模块框图；
图3为本发明一个实施例中终端的内部结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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。
在本发明的说明书和权利要求书及上述附图中的描述的一些流程中，包含了按照特定顺序出现的多个操作，但是应该清楚了解，这些操作可以不按照其在本文中出现的顺序来执行或并行执行，操作的序号如S11、S12等，仅仅是用于区分开每个不同的操作，序号本身不代表任何的执行顺序。另外，这些流程可以包括更多或更少的操作，并且这些操作可以按顺序执行或并行执行。需要说明的是，本文中的“第一”、“第二”等描述，是用于区分不同的消息、设备、模块等，不代表先后顺序，也不限定“第一”和“第二”是不同的类型。
本领域普通技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
本领域普通技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。
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，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，本发明提供一种中央空调系统的控制方法，应用于中央空调系统的控制系统，该控制系统可以是计算机设备，所述中央空调系统还包括冷源系统、空气处理系统、边缘计算机及风管系统，这些设备协同工作，以达到为建筑物提供舒适室内环境的目的。所述冷源系统包括制冷主机、冷水机组及冷却塔，所述空气处理系统包括送风机、回风机、过滤器、加湿器及除湿器，所述冷源系统用于制冷，所述空气处理系统用于处理空气质量并向室内供应空气质量符合要求的新鲜空气，所述风管系统用于将空气从所述空气处理系统输送到每个房间，所述边缘计算机用于在控制系统的负载大于预设负载时，对设置在中央空调系统的传感器采集到的设备信息进行预处理，并将预处理后的设备信息发送给所述控制系统，所述边缘计算机的一端分别与所述冷源系统、空气处理系统及风管系统电性连接，所述边缘计算机的另一端与所述控制系统电性连接，所述控制系统用于接收并分析预处理后的设备信息及环境信息，所述边缘计算机的另一端与所述控制系统电性连接，用于将设备信息直接或预处理后发送给控制系统，该边缘计算机将计算资源和数据存储靠近终端设备，以便更快地响应用户请求，减少网络延迟和带宽消耗。边缘计算的核心思想是将计算从云端下移到网络边缘，即由离用户更近的设备来处理数据和计算任务，如路由器、交换机、移动设备等。所述控制系统用于接收并分析预处理后的设备信息及环境信息，生成分析结果，根据分析结果自动调节和控制整个中央空调系统的运行，其中，所述中央空调系统的控制方法包括：
S11、获取所述中央空调系统的每个设备在正常运行和不同故障时的参考状态信息，利用小波包分解算法和小波包重构算法对所述参考状态信息进行特征提取，得到多个参考特征信息；
S12、根据每个所述参考特征信息所属设备的设备类型对所述多个参考特征信息进行分类，以将来源于同一设备类型的所述参考特征信息划分至同一个数据集，将来源于不同设备类型的所述参考特征信息划分至不同的数据集，得到多个样本数据集；
S13、根据决策树算法构建每个样本数据集的分类模型，得到多个第一分类模型，在训练每个第一分类模型时，随机选取多个来源于不同设备类型的样本数据集进行组合，生成多组组合模式下的第一训练数据集，依次选取一组第一训练数据集对任一个未训练的所述第一分类模型进行训练，得到多个第二分类模型，以及每个第二分类模型的分类结果作为第二训练数据集；
S14、将多组第二训练数据集输入每个第二分类模型进行再次训练，得到多个第一设备状态检测模型，根据预设的损失函数计算每个第一设备状态检测模型的第一损失值，选取第一损失值低于预设第一损失值的第一设备状态检测模型作为第二设备状态检测模型，利用Bagging方法或Boosting方法将多个所述第二设备状态检测模型进行组合后，得到目标设备状态检测模型；其中，所述目标设备状态检测模型为神经网络模型，用于根据目标设备信息自动分析得到中央空调系统的状态分析结果；
S15、接收设置在中央空调系统的传感器采集到的运行过程中的设备信息，确定所述控制系统当前所需处理的所有进程，并预估每个进程的处理时长，将每个进程的处理时长进行累加后，得到总处理时长，判断所述总处理时长是否大于预设处理时长，当判定所述总处理时长小于预设处理时长时，将所述设备信息发送给所述控制系统进行分析处理；
S16、当判定所述总处理时长大于预设处理时长时，则确定所述控制系统的负载大于预设负载，控制所述边缘计算机对所述设备信息进行预处理，接收预处理后得到的目标设备信息；其中，所述预处理包括数据清洗、数据归一化、特征提取及数据加密；
S17、将所述目标设备信息输入所述目标设备状态检测模型，得到所述中央空调系统的状态分析结果，在根据所述状态分析结果确定所述中央空调系统的状态满足要求时，获取所述中央空调系统当前所处的环境信息；其中，所述环境信息包括室内温度、室外温度、室内湿度、室外湿度及二氧化碳数据；
S18、将所述环境信息输入预先训练好的控制策略生成模型，得到控制策略，根据所述控制策略控制所述中央空调系统的各设备的运行。
如上述步骤S11所述，控制系统可分别获取中央空调系统的每个设备在正常运行和不同故障时的参考状态信息，利用小波包分解算法和小波包重构算法对参考状态信息进行特征提取，得到多个参考特征信息。
其中，该小波包分解算法是一种基于小波变换的信号分析方法，它将信号分解为多个分量，每个分量对应不同频率和尺度的信号成分，可以提取信号的频谱、时频特征等信息，从而实现信号的分析和处理，小波包分解可以得到更细致的频率信息，从而更准确地描述信号的特征。其中，小波包分解算法的步骤可包括如下：
a1、将原始信号进行小波分解，得到一组小波系数。
a2、对小波系数进行分组，每组包含若干个系数。
a3、对每个系数组进行小波分解，得到一组更细致的小波系数。
a4、重复步骤a2和a3，直到达到预设的分解层数。
a5、根据分解结果重构信号，得到一组小波包系数。
小波包重构算法是小波包分解算法的逆过程，它将小波包系数转换为原始信号。小波包重构算法可以通过合并小波包系数来重构信号，从而实现信号的还原和恢复。小波包重构算法的步骤可包括如下：
b1.对小波包系数进行分组，每组包含若干个系数。
b2.对每组系数进行小波重构，得到一组更粗略的小波系数。
b3.重复步骤b1和b2，直到达到分解时的层数。
b4.根据小波重构的结果得到原始信号。
如上述步骤S12所述，本实施例可根据每个参考特征信息所属设备的设备类型对参考特征信息进行分类，以将来源于同一设备类型的参考特征信息划分至同一个数据集，将来源于不同设备类型的参考特征信息划分至不同的数据集，得到多个样本数据集，以实现对数据的精准分类。
如上述步骤S13所述，控制系统根据决策树算法构建每个样本数据集的分类模型，得到多个第一分类模型，该决策树算法是一种机器学习算法，它可以用于分类和回归等任务。决策树算法通过构建树形结构来表示数据的分类过程，每个节点代表一个属性或特征，每条分支代表一个判断条件，叶子节点代表一个类别或数值。
然后对每个第一分类模型进行训练，且在训练每个第一分类模型时，随机选取多个来源于不同设备类型的样本数据集进行组合，生成多组组合模式下的第一训练数据集，依次选取一组第一训练数据集对任一个未训练的所述第一分类模型进行训练，得到多个第二分类模型，以及得到每个第二分类模型的分类结果，将分类结果作为第二训练数据集。例如，可将样本数据集1、2、3进行组合作为第一训练数据集A，将样本数据集1、3、4进行组合作为第一训练数据集B，选取第一训练数据集A对未训练的第一分类模型q1进行训练，得到第二分类模型Q1，并选取第一训练数据集B对未训练的第一分类模型q2进行训练，得到第二分类模型Q2，以此类推，以提高第二分类模型的训练效果。
如上述步骤S14所述，本实施例将多组第二训练数据集输入每个第二分类模型进行再次训练，得到多个第一设备状态检测模型，如将多组第二训练数据集输入第二分类模型Q1进行再次训练，得到第一设备状态检测模型L1，同时将多组第二训练数据集输入第二分类模型Q2进行再次训练，得到第一设备状态检测模型L2，从而得到多个第一设备状态检测模型。
根据预设的损失函数计算每个第一设备状态检测模型的第一损失值，将每个第一设备状态检测模型的第一损失值与预设第一损失值进行比较，选取第一损失值低于预设第一损失值的第一设备状态检测模型作为第二设备状态检测模型，利用Bagging方法或Boosting方法将多个所述第二设备状态检测模型进行组合后，得到目标设备状态检测模型。其中，Bagging(自举汇聚法)：Bagging是一种基于自助采样的集成学习方法，它通过对训练数据进行有放回的随机采样，得到多个不同的训练子集，然后使用每个训练子集训练一个决策树分类器，最后将这些分类器的结果进行投票或平均，得到最终的分类结果。Bagging方法可以减小过拟合，提高分类准确率。
Boosting(提升法)：Boosting是一种逐步提高分类器性能的集成学习方法，它通过迭代地训练多个弱分类器，每次训练时都会调整样本权重，使得前一轮分类错误的样本在下一轮中得到更多的关注，从而提高分类准确率。在每轮训练中，都会得到一个新的分类器，最后将这些分类器进行加权平均，得到最终的分类结果。
总之，将决策树算法训练得到的分类模型进行组合可以提高分类准确率，也可以将多个弱分类器组合成一个强分类器，从而提高分类性能。
损失函数是在机器学习中用来衡量模型预测结果与真实值之间的差异的函数。损失函数包括：均方误差，用于回归问题，计算预测值与真实值之间的平均差的平方；平均绝对误差，用于回归问题，计算预测值与真实值之间的平均绝对差；交叉熵，用于分类问题，测量预测值和真实值之间的差异；对数损失函数，用于二分类问题，测量模型的预测概率分布与真实标签之间的差异。
如上述步骤S15所述，所述设备信息可包括温度、湿度、压力及流量，所述传感器包括温度传感器、压力传感器、流量传感器和功率传感器，所述温度传感器用于测量所述中央空调系统的空气温度和冷却塔的进出水温度，所述压力传感器用于测量所述冷却塔的进出水压力，所述流量传感器用于测量所述冷却塔的进出水流量，所述功率传感器用于测量所述制冷主机的输出功率.
中央空调系统的各个设备设置有传感器，用于实时采集中央空调系统在运行过程中的设备信息，该设备信息是指记录在设备上的各种参数和配置信息，用于描述设备的性能、功能和状态等信息。然后确定控制系统当前所需处理的所有进程，并预估每个进程的处理时长，将每个进程的处理时长进行累加后，得到总处理时长，判断所述总处理时长是否大于预设处理时长，该预设处理时长可自定义设置，如设置为10分钟，当判定所述总处理时长小于预设处理时长时，将所述设备信息直接发送给所述控制系统进行分析处理。
其中，预估每个进程的处理时长通常需要考虑以下几个方面：
确定进程的输入和输出：进程的输入和输出决定了进程所需的处理时间，因此需要先确定进程的输入和输出数据格式和大小。
确定进程的算法和复杂度：不同的算法和复杂度会影响进程的处理时间，需要根据具体情况选择合适的算法和优化方法。
进行测试和性能评估：可以通过对进程进行测试和性能评估来确定进程的处理时间。测试和评估可以在模拟环境中进行，也可以在实际运行环境中进行。
考虑硬件和系统资源：硬件和系统资源的不同也会影响进程的处理时间，因此需要考虑硬件和系统资源的限制，如CPU性能、内存容量等。
考虑并发处理：如果多个进程可以并发处理，可以将进程分配给不同的处理器或线程，从而提高处理效率。
总之，预估每个进程所需的处理时长需要考虑多个因素，包括输入和输出、算法和复杂度、测试和性能评估、硬件和系统资源以及并发处理等。通过综合考虑这些因素，可以得到比较准确的进程处理时间预估。
如上述步骤S16所述，当判定所述总处理时长大于预设处理时长时，则确定所述控制系统的负载大于预设负载，控制所述边缘计算机对所述设备信息进行预处理，接收预处理后得到的目标设备信息，该预处理的方式可以包括数据清洗、数据归一化、特征提取及数据加密。
其中，数据清洗是指在进行数据分析或建模之前，对数据集中的不准确、不完整、重复或不合法的数据进行检测和纠正的过程。如缺失值处理：检测并处理数据集中的缺失值，可以使用插值法、删除法、填补法等方法。异常值处理：检测并处理数据集中的异常值，可以使用离群点检测、平滑法、删除法等方法。重复值处理：检测并处理数据集中的重复值，可以使用去重法、聚类法等方法。不一致性处理：检测并处理数据集中的不一致性，可以使用规则匹配、数据转换等方法。数据格式化：将数据集中的数据格式转换为标准格式，如日期格式、货币格式等。数据清洗可以提高数据的质量和准确性，减少数据分析和建模过程中的误差和偏差。
数据归一化是指将数据按照一定的比例缩放到一个特定的范围内，使得不同量纲(单位)之间的数据能够进行比较和分析。
特征提取是指从原始数据中提取出对于问题解决有用的特征，以便进行后续的机器学习、数据挖掘和模式识别等任务。在实际应用中，原始数据通常包含大量的冗余信息和噪声，而特征提取可以去除这些无用的信息，提高数据的表达能力和分类准确度。
如上述步骤S17-S18所述，本实施例预先训练好目标设备状态检测模型，该目标设备状态检测模型为神经网络模型，用于根据目标设备信息自动分析出中央空调系统的运行状态，生成状态分析结果。
因此，可将所述目标设备信息输入预先训练好的目标设备状态检测模型，自动生成所述中央空调系统的状态分析结果，该状态分析结果包括各设备的各项参数是否在预定范围内，当确定各设备的各项参数都在预定范围内时，则判定中央空调系统的状态满足要求，则获取中央空调系统当前所处的环境信息，如室内外温度、湿度及二氧化碳浓度，将环境信息输入预先训练好的控制策略生成模型，得到控制策略，根据控制策略控制中央空调系统的各设备的运行。其中，控制策略生成模型为神经网络模型，用于根据不同的环境信息自动生成相应的控制策略，以实现中央空调系统在运行过程中能随着供冷负荷的增减而相应变化，使中央空调系统始终处于最佳运行工况，提高整个中央空调系统的效率及节能效果。
本发明提供的中央空调系统的控制方法，通过获取中央空调系统的每个设备在正常运行和不同故障时的参考状态信息，利用小波包分解算法和小波包重构算法对参考状态信息进行特征提取，得到多个参考特征信息，根据每个参考特征信息所属设备的设备类型对多个参考特征信息进行分类，以将来源于同一设备类型的参考特征信息划分至同一个数据集，将来源于不同设备类型的参考特征信息划分至不同的数据集，得到多个样本数据集；根据决策树算法构建每个样本数据集的分类模型，得到多个第一分类模型，在训练每个第一分类模型时，随机选取多个来源于不同设备类型的样本数据集进行组合，生成多组组合模式下的第一训练数据集，依次选取一组第一训练数据集对任一个未训练的第一分类模型进行训练，得到多个第二分类模型，以及每个第二分类模型的分类结果作为第二训练数据集，将多组第二训练数据集输入每个第二分类模型进行再次训练，得到多个第一设备状态检测模型，根据预设的损失函数计算每个第一设备状态检测模型的第一损失值，选取第一损失值低于预设第一损失值的第一设备状态检测模型作为第二设备状态检测模型，利用Bagging方法或Boosting方法将多个第二设备状态检测模型进行组合后，得到目标设备状态检测模型；接收设置在中央空调系统的传感器采集到的运行过程中的设备信息，确定控制系统当前所需处理的所有进程，并预估每个进程的处理时长，将每个进程的处理时长进行累加后，得到总处理时长，判断总处理时长是否大于预设处理时长，当判定总处理时长小于预设处理时长时，将设备信息发送给控制系统进行分析处理；当判定总处理时长大于预设处理时长时，则确定控制系统的负载大于预设负载，控制边缘计算机对设备信息进行预处理，接收预处理后得到的目标设备信息，将目标设备信息输入目标设备状态检测模型，得到中央空调系统的状态分析结果，在根据状态分析结果确定中央空调系统的状态满足要求时，获取中央空调系统当前所处的环境信息；将环境信息输入预先训练好的控制策略生成模型，得到控制策略，根据控制策略控制中央空调系统的各设备的运行，从而精准确定控制系统是否负载过大，灵活调用边缘计算机进行数据预处理，减少控制系统的负载，确保整个中央空调系统稳定运行；同时借助神经网络模型进行数字化及智能化故障诊断，提高中央空调系统的故障诊断精度及效率，并在确定中央空调系统运行状态良好时，基于环境信息动态调整控制策略，实现中央空调系统在运行过程中能随着供冷负荷的增减而相应变化，使中央空调系统始终处于最佳运行工况，提高整个中央空调系统的效率及节能效果。
在一个实施例中，在控制所述边缘计算机对所述设备信息进行预处理，接收预处理后得到的目标设备信息时，控制系统可控制边缘计算机将所述设备信息转化为二进制数列，并对所述二进制数列进行填充及分组，得到目标二进制数列，利用Logistic映射或Henon映射方法对所述目标二进制数列进行加密，得到密文数据，将所述密文数据作为目标设备信息，控制系统接收所述目标设备信息，并利用Logistic映射或Henon映射方法对所述目标设备信息进行解密，得到原始的明文数据，以保护数据的安全性。
其中，Logistic映射和Henon映射是一种混沌映射算法，它可以产生一系列随机的、不可预测的数值序列。
在一个实施例中，所述将所述环境信息输入预先训练好的控制策略生成模型，得到控制策略的步骤之前，还包括：
获取训练样本数据集；其中，所述训练样本数据集包括多个训练样本，每个训练样本包括一组参考环境信息及对应的参考控制策略；
将所述训练样本数据集输入预设的神经网络模型中进行训练，得到训练结果，根据所述训练结果，利用交叉熵损失函数计算训练后的所述神经网络模型的第二损失值；
判断所述第二损失值是否低于预设第二损失值；
当判定所述第二损失值低于预设第二损失值时，将训练后的所述神经网络模型作为控制策略生成模型，用于根据中央空调系统当前所处的环境信息自动生成控制策略；
当判定所述第二损失值不低于预设第二损失值时，将所述第二损失值作为扩展卡尔曼滤波的起始值，并根据扩展卡尔曼滤波算法对所述神经网络模型的参数进行调整，利用所述训练样本数据集对调整参数后的所述神经网络模型进行再次训练，直至所述第二损失值低于预设第二损失值为止。
在本实施例中，训练结果包括神经网络模型对训练样本数据集中每个训练样本的参考环境信息的预测控制策略，利用交叉熵损失函数计算每个预测控制策略与相应的参考控制策略的偏差值，得到所述神经网络模型的第二损失值。
其中，扩展卡尔曼滤波算法用于应对非线性系统，对于非线性的系统状态空间传递函数，要应用卡尔曼滤波，首要的目标就是要对其进行线性化处理。非线性函数的线性化主要采用泰勒展开表示，泰勒级数展开并忽视二次以上的高阶项，得到一个近似的线性化模型，然后应用卡尔曼滤波完成状态估计，以实现自动调整神经网络模型的参数。
最后利用训练样本数据集对调整参数后的神经网络模型进行再次训练，直至再次训练后的神经网络模型的第二损失值低于预设第二损失值为止，得到完成训练的控制策略生成模型。
在一个实施例中，所述利用小波包分解算法和小波包重构算法对所述参考状态信息进行特征提取，得到多个参考特征信息的步骤，包括：
将所述参考状态信息进行小波包分解，得到每个子带的系数；
调用支持向量机模型对每个子带的系数进行特征提取，得到多个特征；
将每个特征转换为向量形式，得到多个特征向量；
计算每个特征向量与标准特征向量的余弦距离，选取与标准特征向量的余弦距离大于预设值的特征向量作为目标特征向量；其中，所述标准特征向量为具有实质语义信息的特征向量；
将所述目标特征向量进行小波包重构，得到多个参考特征信息。
本实施例可以将该参考状态信息进行小波包分解，得到各个子带的系数，调用支持向量机模型对每个子带的系数进行特征提取，得到多个特征，然后利用向量模型将每个特征转换为向量形式，得到多个特征向量，并计算每个特征向量与标准特征向量的余弦距离，将每个特征向量与标准特征向量的余弦距离与预设值进行比较，如预设值为0，9，选取与标准特征向量的余弦距离大于预设值的特征向量作为目标特征向量；其中，所述标准特征向量为具有实质语义信息的特征向量，如设备具体的温度、湿度等等。
该向量模型用于将文档表示为向量形式，以便于计算文档之间的相似度和匹配度。该向量模型包括：
词袋模型：将文档表示成一个词频向量，每个维度对应一个词，值表示该词在文档中出现的次数。
TF-IDF模型：在词袋模型的基础上，引入了逆文档频率(IDF)的概念，将高频词的权重降低，低频词的权重提高。
LSA模型：通过奇异值分解(SVD)将词频矩阵压缩成低维矩阵，得到文档的隐含语义表示。
LDA模型：将文档表示为主题分布的向量，主题是指一组相关的词，每个文档由多个主题组成。
Word2Vec模型：将每个词表示为一个固定长度的向量，使得具有相似语义的词距离在向量空间中也比较接近。
其中，支持向量机模型(Support Vector Machine，SVM)是一种监督学习模型，可以用于分类和回归等任务。SVM模型通过构建一个最优的超平面来实现数据的分类或回归，即将数据映射到高维空间中，找到一个最优的分割超平面，使得不同类别的数据点能够被正确地分开。SVM模型的基本思想是，将数据点看作是高维空间中的向量，通过选择合适的核函数和参数，将数据点映射到高维空间中，从而使得数据点在低维空间中线性不可分的问题得到解决。在高维空间中，SVM模型找到一个最优的分割超平面，使得两个类别的数据点距离该超平面的距离(即Margin)最大，以便对数据进行分类，确定特征。
最后，控制系统确定目标特征向量反向的小波包系数，对小波包系数进行分组，每组包含若干个系数，对每组系数进行小波重构，得到一组更粗略的小波系数。重复执行对小波包系数进行分组，每组包含若干个系数，对每组系数进行小波重构，得到一组更粗略的小波系数的步骤，直到达到分解时的层数。根据小波重构的结果得到原始信号进行小波包重构，得到多个参考特征信息，以实现参考状态信息的精准特征提取。
在一个实施例中，所述根据所述控制策略控制所述中央空调系统的各设备的运行的步骤，可具体包括：
将所述控制策略发送给边缘计算机，控制所述边缘计算机从所述控制策略中提取出各设备对应的控制参数；
获取各设备所使用的数据格式，将各设备对应的控制参数及数据格式输入预先构建的控制指令生成模型中，得到各设备对应的控制指令；
将各设备对应的控制指令存储在预设的指令分配表中，并根据各设备的端口接收地址对指令分配表中存储的控制指令添加指令分派地址；
根据所述指令分派地址将所述控制指令分派至对应的设备，并根据分派至的所述控制指令调整各设备的当前运行状态。
本实施例将控制策略发送给边缘计算机，控制边缘计算机从控制策略中提取出各设备对应的控制参数，该控制参数包括目标温度、目标湿度及目标二氧化碳浓度。获取各设备所使用的数据格式，将各设备对应的控制参数及数据格式输入预先构建的控制指令生成模型中，得到各设备对应的控制指令，该控制指令满足各设备的数据格式要求，可直接识别。
将各设备对应的控制指令存储在预设的指令分配表中，并获取各设备的端口接收地址，根据各设备的端口接收地址对指令分配表中存储的控制指令添加指令分派地址，根据指令分派地址将控制指令分派至对应的设备，并根据分派至的控制指令调整各设备的当前运行状态，以使中央空调系统始终处于最佳运行工况，提高整个中央空调系统的效率及节能效果。
在一个实施例中，所述控制所述边缘计算机对所述设备信息进行预处理，接收预处理后得到的目标设备信息的步骤，包括：
控制边缘计算机根据所述设备信息获取相对应的控制参数值及解析函数；其中，所述控制参数值为所述控制系统用于控制所述设备信息所对应的设备的输出数据，所述控制系统的输出数据的数据类型为非数值型数据；
根据所述解析函数解析所述设备信息，得到解析数据；
判断所述控制参数值的数据类型是否为数值型数据；
当判定所述控制参数值的数据类型不是数值型数据时，对所述解析数据进行压缩打包，将压缩打包后的所述解析数据确定为目标设备信息，接收所述目标设备信息；
当判定所述控制参数值的数据类型是数值型数据时，将所述解析数据转换成字符串类型的数据，得到转换数据，对所述转换数据进行压缩打包，将压缩打包后的转换数据确定为所述目标设备信息，接收所述目标设备信息。
在本实施例中，控制参数值是指控制系统中的一组参数，可以是PID值，该PID值包括比例系数、积分时间和微分时间。这些参数用于调节控制系统的输出，以使其尽可能接近期望的目标值，从而实现对控制系统输出的精确控制。如控制系统输出的用于调节冷却塔的冷却温度，用于调节加湿器的湿度。
需要说明的是，所述控制系统的输出数据的数据类型为非数值型数据，在控制系统自动调节和控制设备运行时，边缘计算机接收到控制系统的该输出数据后，还需要根据设备所使用的数据类型对该输出数据的数据类型进行转换，将输出数据转换为数据类型与设备所使用的数据类型相一致的数据，得到该设备相对应的控制参数值。
其中，比例系数表示控制系统在当前时刻输出的控制量与误差之间的比例关系，即控制量与误差成正比例关系。积分时间表示控制系统对误差进行积分的时间长度，可以消除偏差。微分时间表示控制系统对误差变化率进行调节的时间长度，可以缓解过冲问题。
解析函数是指在某个区域内处处可导的复函数。如果一个函数在某个区域内是解析函数，那么它在该区域内可以展开为幂级数形式，即在该区域内具有泰勒级数。该解析函数包括整函数：在整个复平面上都是解析函数的函数，例如指数函数、三角函数等。亚纯函数：在复平面上除了有限个孤立奇点外都是解析函数的函数，例如多项式函数、正切函数等。带状函数：在某个带状区域内是解析函数的函数，例如正弦积分函数、伽马函数等。椭圆函数：在复平面上具有一定对称性和周期性的解析函数，例如椭圆积分函数、雅可比椭圆函数等。超越整函数：可以表示为两个整函数之商的函数，例如Riemann Zeta函数、Dirichleteta函数等。特殊函数：具有特殊形式和性质的解析函数，例如贝塞尔函数、连带勒让德多项式等。
本实施例可控制边缘计算机根据设备信息获取相对应的控制参数值及解析函数，以后续基于控制参数值确定该设备信息对应的设备所使用的数据类型，并根据所述解析函数解析所述设备信息，得到解析数据。
此外，边缘计算机还可根据数据类型的不同划分为数值型数据(Numeric)和字符型数据(Character)，然后判断控制参数值的数据类型是否为数值型数据，当判定所述控制参数值的数据类型不是数值型数据时，则直接对所述解析数据进行压缩打包，将压缩打包后的解析数据确定为目标设备信息，接收所述目标设备信息。
当判定所述控制参数值的数据类型是数值型数据时，则将所述解析数据转换成字符串类型的数据，得到转换数据，对所述转换数据进行压缩打包，将压缩打包后的转换数据确定为所述目标设备信息，接收所述目标设备信息，从而利用边缘计算机将设备信息转换为统一的、便于控制系统识别的数据类型，后续无需控制系统进行数据转换，以减少控制系统的处理量。
在一个实施例中，所述根据所述控制策略控制所述中央空调系统的各设备的运行的步骤之后，还包括：
获取所述中央空调系统的各设备在接收到所述控制策略后的运行状态信息；
将所述运行状态信息与所述控制策略中的目标运行状态信息进行比对，得到比对结果；
根据所述比对结果对所述控制策略进行调整。
本实施例在根据控制策略控制中央空调系统的各设备的运行之后，实时获取中央空调系统的各设备在接收到控制策略后的运行状态信息，该运行状态信息包括设备的实际温度、实际湿度及实际二氧化碳浓度，然后将运行状态信息与控制策略中的目标运行状态信息进行比对，得到比对结果，根据比对结果对控制策略进行调整，以使设备的运行状态信息与控制策略中的目标运行状态信息相近。
在一个实施例中，所述将所述环境信息输入预先训练好的控制策略生成模型，得到控制策略的步骤之后，还包括：
获取中央空调系统在每天不同时间段的运行要求，并基于所述运行要求对不同类型的待采集环境信息的预设初始更新等级进行调整，得到不同类型的待采集环境信息的目标更新等级；
根据所述目标更新等级设定在不同时间段内对不同类型的待采集环境信息的更新频率，根据所述更新频率更新输入至所述控制策略生成模型的环境信息。
其中，该运行要求包括各个时间段的设定温度、设定湿度等等，该运行要求用户可自定义设置，也可根据中央空调系统的历史运行数据确定每天不同时间段的运行要求。
本实施例可预先设置每种类型的环境信息的初始更新等级，不同的更新等级对应不同的更新频率，如将中央空调系统所处的环境温度的初始更新等级设置为高级，将中央空调系统所处的环境湿度的初始更新等级设置为中级，将中央空调系统所处环境的二氧化碳浓度的初始更新等级设置为低级。
然后根据运行要求对不同类型的待采集环境信息的预设初始更新等级进行调整，得到不同类型的待采集环境信息的目标更新等级，根据目标更新等级设定在不同时间段内对不同类型的待采集环境信息的更新频率，根据更新频率更新输入至控制策略生成模型的环境信息。其中，更新频率与目标更新等级成正相关。
例如，当用户预约了某个时间段的设定湿度时，在到达该时间段时，则将中央空调系统所处环境湿度的初始更新等级设置由中级调整为高级，提高环境湿度的更新频率，进而提高对环境湿度的控制策略的生成频率，以对环境湿度及时优化，提高用户体验。
在一个实施例中，所述控制所述边缘计算机对所述设备信息进行预处理，接收预处理后得到的目标设备信息的步骤，包括：
控制所述边缘计算机从数据库中获取标准隐私数据，将所述设备信息与所述标准隐私数据进行比较，得到比较结果；
根据所述比较结果确定所述设备信息中含有的目标字符；其中，所述目标字符为表征所述设备隐私的字符，所述目标字符包括设备型号、设备串号；
计算所述设备信息中目标字符的占比；
判断所述占比是否大于预设占比；
当判定所述占比不大于预设占比时，对所述设备信息进行数据清洗，得到目标设备信息，并接收所述目标设备信息；
当判定所述占比大于预设占比时，则将所述设备信息进行置乱加密，得到置乱加密信息，将所述置乱加密信息与混沌系统产生的混沌序列进行异或运算，生成加密数据，所述控制系统接收所述加密数据，将所述加密数据与混沌系统产生的混沌序列进行异或运算后，再进行反置乱解密，得到目标设备信息。
本实施例可将设备信息与标准隐私数据进行一一比较，以确定设备信息中含有的目标字符，然后计算设备信息中目标字符的数量和字符的总数量，根据目标字符的数量和字符的总数量计算目标字符的占比，然后判断所述目标字符的占比是否大于预设占比，当判定所述目标字符的占比大于预设占比时，则将该设备信息进行置乱加密，得到置乱加密信息，将置乱加密信息与混沌系统产生的混沌序列进行异或运算，生成加密数据。
控制系统接收到加密数据时，将加密数据与混沌系统产生的混沌序列进行异或运算后，再进行反置乱解密，从而得到目标设备信息，并确保数据的安全性。
其中，置乱加密是一种基于混沌系统的加密算法。它通过嵌入混沌系统的动力学特性，对明文进行置换和扰动，从而达到信息加密的目的。置乱加密算法可包括：
初始化：选择合适的初始条件和参数，生成混沌序列。
明文置换：将明文按照一定的规则进行置换，使得原本相邻的字符在加密后变得分散，提高加密强度。
扰动加密：将置换后的明文与混沌序列进行异或运算，得到密文。
解密过程：将密文与混沌序列进行异或运算，然后按照与加密时相同的规则进行置换，得到明文。
当判定所述占比不大于预设占比时，对设备信息进行数据清洗，得到目标设备信息，并接收所述目标设备信息。其中，数据清洗是指在进行数据分析或建模之前，对数据集中的不准确、不完整、重复或不合法的数据进行检测和纠正的过程。如缺失值处理：检测并处理数据集中的缺失值，可以使用插值法、删除法、填补法等方法。异常值处理：检测并处理数据集中的异常值，可以使用离群点检测、平滑法、删除法等方法。重复值处理：检测并处理数据集中的重复值，可以使用去重法、聚类法等方法。不一致性处理：检测并处理数据集中的不一致性，可以使用规则匹配、数据转换等方法。数据格式化：将数据集中的数据格式转换为标准格式，如日期格式、货币格式等。数据清洗可以提高数据的质量和准确性，减少数据分析和建模过程中的误差和偏差。
请参考图2，本发明的实施例还提供一种中央空调系统的控制装置，包括：
获取模块11，用于获取所述中央空调系统的每个设备在正常运行和不同故障时的参考状态信息，利用小波包分解算法和小波包重构算法对所述参考状态信息进行特征提取，得到多个参考特征信息；
分类模块12，用于根据每个所述参考特征信息所属设备的设备类型对所述多个参考特征信息进行分类，以将来源于同一设备类型的所述参考特征信息划分至同一个数据集，将来源于不同设备类型的所述参考特征信息划分至不同的数据集，得到多个样本数据集；
训练模块13，用于根据决策树算法构建每个样本数据集的分类模型，得到多个第一分类模型，在训练每个第一分类模型时，随机选取多个来源于不同设备类型的样本数据集进行组合，生成多组组合模式下的第一训练数据集，依次选取一组第一训练数据集对任一个未训练的所述第一分类模型进行训练，得到多个第二分类模型，以及每个第二分类模型的分类结果作为第二训练数据集；
计算模块14，用于将多组第二训练数据集输入每个第二分类模型进行再次训练，得到多个第一设备状态检测模型，根据预设的损失函数计算每个第一设备状态检测模型的第一损失值，选取第一损失值低于预设第一损失值的第一设备状态检测模型作为第二设备状态检测模型，利用Bagging方法或Boosting方法将多个所述第二设备状态检测模型进行组合后，得到目标设备状态检测模型；其中，所述目标设备状态检测模型为神经网络模型，用于根据目标设备信息自动分析得到中央空调系统的状态分析结果；
接收模块15，用于接收设置在中央空调系统的传感器采集到的运行过程中的设备信息，确定所述控制系统当前所需处理的所有进程，并预估每个进程的处理时长，将每个进程的处理时长进行累加后，得到总处理时长，判断所述总处理时长是否大于预设处理时长，当判定所述总处理时长小于预设处理时长时，将所述设备信息发送给所述控制系统进行分析处理；其中，所述设备信息包括温度、湿度、压力及流量，所述传感器包括温度传感器、压力传感器、流量传感器和功率传感器，所述温度传感器用于测量所述中央空调系统的空气温度和冷却塔的进出水温度，所述压力传感器用于测量所述冷却塔的进出水压力，所述流量传感器用于测量所述冷却塔的进出水流量，所述功率传感器用于测量所述制冷主机的输出功率；
确定模块16，用于当判定所述总处理时长大于预设处理时长时，则确定所述控制系统的负载大于预设负载，控制所述边缘计算机对所述设备信息进行预处理，接收预处理后得到的目标设备信息；其中，所述预处理包括数据清洗、数据归一化、特征提取及数据加密；
输入模块17，用于将所述目标设备信息输入所述目标设备状态检测模型，得到所述中央空调系统的状态分析结果，在根据所述状态分析结果确定所述中央空调系统的状态满足要求时，获取所述中央空调系统当前所处的环境信息；其中，所述环境信息包括室内温度、室外温度、室内湿度、室外湿度及二氧化碳数据；
控制模块18，用于将所述环境信息输入预先训练好的控制策略生成模型，得到控制策略，根据所述控制策略控制所述中央空调系统的各设备的运行。
关于上述实施例中的装置，其中每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。
本发明提供的一种终端，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行如上任一项所述的中央空调系统的控制方法的步骤。
在一实施例中，本申请一实施例中提供的终端，参照图3，该终端可以是计算机设备，其内部结构可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储中央空调系统的控制方法的相关数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现以上实施例所述的中央空调系统的控制方法。
在一个实施例中，本发明还提出了一种存储有计算机可读指令的存储介质，该计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行上述中央空调系统的控制方法。其中，所述存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本发明还提供一种中央空调系统，所述中央空调系统包括控制系统、冷源系统、空气处理系统、边缘计算机及风管系统，所述冷源系统包括制冷主机、冷水机组及冷却塔，所述空气处理系统包括送风机、回风机、过滤器、加湿器及除湿器，所述冷源系统包括制冷主机、冷水机组及冷却塔，所述空气处理系统包括送风机、回风机、过滤器、加湿器及除湿器，所述冷源系统用于制冷，所述空气处理系统用于处理空气质量并向室内供应空气质量符合要求的新鲜空气，所述风管系统用于将空气从所述空气处理系统输送到每个房间，所述边缘计算机用于在控制系统的负载大于预设负载时，对设置在中央空调系统的传感器采集到的设备信息进行预处理，并将预处理后的设备信息发送给所述控制系统，所述边缘计算机的一端分别与所述冷源系统、空气处理系统及风管系统电性连接，所述边缘计算机的另一端与所述控制系统电性连接，所述控制系统用于接收并分析预处理后的设备信息及环境信息，根据分析结果自动调节和控制整个中央空调系统的运行，所述控制系统包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行如上任一项所述的中央空调系统的控制方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等非易失性存储介质，或随机存储记忆体(RandomAccess Memory，RAM)等。
综合上述实施例可知，本发明最大的有益效果在于：
本发明提供的中央空调系统的控制方法、终端及中央空调系统，通过获取中央空调系统的每个设备在正常运行和不同故障时的参考状态信息，利用小波包分解算法和小波包重构算法对参考状态信息进行特征提取，得到多个参考特征信息，根据每个参考特征信息所属设备的设备类型对多个参考特征信息进行分类，以将来源于同一设备类型的参考特征信息划分至同一个数据集，将来源于不同设备类型的参考特征信息划分至不同的数据集，得到多个样本数据集；根据决策树算法构建每个样本数据集的分类模型，得到多个第一分类模型，在训练每个第一分类模型时，随机选取多个来源于不同设备类型的样本数据集进行组合，生成多组组合模式下的第一训练数据集，依次选取一组第一训练数据集对任一个未训练的第一分类模型进行训练，得到多个第二分类模型，以及每个第二分类模型的分类结果作为第二训练数据集，将多组第二训练数据集输入每个第二分类模型进行再次训练，得到多个第一设备状态检测模型，根据预设的损失函数计算每个第一设备状态检测模型的第一损失值，选取第一损失值低于预设第一损失值的第一设备状态检测模型作为第二设备状态检测模型，利用Bagging方法或Boosting方法将多个第二设备状态检测模型进行组合后，得到目标设备状态检测模型；接收设置在中央空调系统的传感器采集到的运行过程中的设备信息，确定控制系统当前所需处理的所有进程，并预估每个进程的处理时长，将每个进程的处理时长进行累加后，得到总处理时长，判断总处理时长是否大于预设处理时长，当判定总处理时长小于预设处理时长时，将设备信息发送给控制系统进行分析处理；当判定总处理时长大于预设处理时长时，则确定控制系统的负载大于预设负载，控制边缘计算机对设备信息进行预处理，接收预处理后得到的目标设备信息，将目标设备信息输入目标设备状态检测模型，得到中央空调系统的状态分析结果，在根据状态分析结果确定中央空调系统的状态满足要求时，获取中央空调系统当前所处的环境信息；将环境信息输入预先训练好的控制策略生成模型，得到控制策略，根据控制策略控制中央空调系统的各设备的运行，从而精准确定控制系统是否负载过大，灵活调用边缘计算机进行数据预处理，减少控制系统的负载，确保整个中央空调系统稳定运行；同时借助神经网络模型进行数字化及智能化故障诊断，提高中央空调系统的故障诊断精度及效率，并在确定中央空调系统运行状态良好时，基于环境信息动态调整控制策略，实现中央空调系统在运行过程中能随着供冷负荷的增减而相应变化，使中央空调系统始终处于最佳运行工况，提高整个中央空调系统的效率及节能效果。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的每个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (9)

1.一种中央空调系统的控制方法，其特征在于，应用于中央空调系统的控制系统，所述中央空调系统还包括冷源系统、空气处理系统、边缘计算机及风管系统，所述冷源系统包括制冷主机、冷水机组及冷却塔，所述空气处理系统包括送风机、回风机、过滤器、加湿器及除湿器，所述冷源系统用于制冷，所述空气处理系统用于处理空气质量并向室内供应空气质量符合要求的新鲜空气，所述风管系统用于将空气从所述空气处理系统输送到每个房间，所述边缘计算机用于在控制系统的负载大于预设负载时，对设置在中央空调系统的传感器采集到的设备信息进行预处理，并将预处理后的设备信息发送给所述控制系统，所述边缘计算机的一端分别与所述冷源系统、空气处理系统及风管系统电性连接，所述边缘计算机的另一端与所述控制系统电性连接，所述控制系统用于接收并分析预处理后的设备信息及环境信息，根据分析结果自动调节和控制整个中央空调系统的运行，所述中央空调系统的控制方法包括：
获取所述中央空调系统的每个设备在正常运行和不同故障时的参考状态信息，利用小波包分解算法和小波包重构算法对所述参考状态信息进行特征提取，得到多个参考特征信息；
根据每个所述参考特征信息所属设备的设备类型对所述多个参考特征信息进行分类，以将来源于同一设备类型的所述参考特征信息划分至同一个数据集，将来源于不同设备类型的所述参考特征信息划分至不同的数据集，得到多个样本数据集；
根据决策树算法构建每个样本数据集的分类模型，得到多个第一分类模型，在训练每个第一分类模型时，随机选取多个来源于不同设备类型的样本数据集进行组合，生成多组组合模式下的第一训练数据集，依次选取一组第一训练数据集对任一个未训练的所述第一分类模型进行训练，得到多个第二分类模型，以及每个第二分类模型的分类结果作为第二训练数据集；
将多组第二训练数据集输入每个第二分类模型进行再次训练，得到多个第一设备状态检测模型，根据预设的损失函数计算每个第一设备状态检测模型的第一损失值，选取第一损失值低于预设第一损失值的第一设备状态检测模型作为第二设备状态检测模型，利用Bagging方法或Boosting方法将多个所述第二设备状态检测模型进行组合后，得到目标设备状态检测模型；其中，所述目标设备状态检测模型为神经网络模型，用于根据目标设备信息自动分析得到中央空调系统的状态分析结果；
接收设置在中央空调系统的传感器采集到的运行过程中的设备信息，确定所述控制系统当前所需处理的所有进程，并预估每个进程的处理时长，将每个进程的处理时长进行累加后，得到总处理时长，判断所述总处理时长是否大于预设处理时长，当判定所述总处理时长小于预设处理时长时，将所述设备信息发送给所述控制系统进行分析处理；其中，所述设备信息包括温度、湿度、压力及流量，所述传感器包括温度传感器、压力传感器、流量传感器和功率传感器，所述温度传感器用于测量所述中央空调系统的空气温度和冷却塔的进出水温度，所述压力传感器用于测量所述冷却塔的进出水压力，所述流量传感器用于测量所述冷却塔的进出水流量，所述功率传感器用于测量所述制冷主机的输出功率；
当判定所述总处理时长大于预设处理时长时，则确定所述控制系统的负载大于预设负载，控制所述边缘计算机对所述设备信息进行预处理，接收预处理后得到的目标设备信息；其中，所述预处理包括数据清洗、数据归一化、特征提取及数据加密；
将所述目标设备信息输入所述目标设备状态检测模型，得到所述中央空调系统的状态分析结果，在根据所述状态分析结果确定所述中央空调系统的状态满足要求时，获取所述中央空调系统当前所处的环境信息；其中，所述环境信息包括室内温度、室外温度、室内湿度、室外湿度及二氧化碳数据；
将所述环境信息输入预先训练好的控制策略生成模型，得到控制策略，根据所述控制策略控制所述中央空调系统的各设备的运行；其中，所述中央空调系统的状态满足要求的条件为各设备的各项参数都在预定范围内；所述将所述环境信息输入预先训练好的控制策略生成模型，得到控制策略的步骤之前，还包括：
获取训练样本数据集；其中，所述训练样本数据集包括多个训练样本，每个训练样本包括一组参考环境信息及对应的参考控制策略；
将所述训练样本数据集输入预设的神经网络模型中进行训练，得到训练结果，根据所述训练结果，利用交叉熵损失函数计算训练后的所述神经网络模型的第二损失值；
判断所述第二损失值是否低于预设第二损失值；
当判定所述第二损失值低于预设第二损失值时，将训练后的所述神经网络模型作为控制策略生成模型，用于根据中央空调系统当前所处的环境信息自动生成控制策略；
当判定所述第二损失值不低于预设第二损失值时，将所述第二损失值作为扩展卡尔曼滤波的起始值，并根据扩展卡尔曼滤波算法对所述神经网络模型的参数进行调整，利用所述训练样本数据集对调整参数后的所述神经网络模型进行再次训练，直至所述第二损失值低于预设第二损失值为止。
2.根据权利要求1所述的中央空调系统的控制方法，其特征在于，所述利用小波包分解算法和小波包重构算法对所述参考状态信息进行特征提取，得到多个参考特征信息的步骤，包括：
将所述参考状态信息进行小波包分解，得到每个子带的系数；
调用支持向量机模型对每个子带的系数进行特征提取，得到多个特征；
将每个特征转换为向量形式，得到多个特征向量；
计算每个特征向量与标准特征向量的余弦距离，选取与标准特征向量的余弦距离大于预设值的特征向量作为目标特征向量；其中，所述标准特征向量为具有实质语义信息的特征向量；
将所述目标特征向量进行小波包重构，得到多个参考特征信息。
3.根据权利要求1所述的中央空调系统的控制方法，其特征在于，所述根据所述控制策略控制所述中央空调系统的各设备的运行的步骤，包括：
将所述控制策略发送给边缘计算机，控制所述边缘计算机从所述控制策略中提取出各设备对应的控制参数；
获取各设备所使用的数据格式，将各设备对应的控制参数及数据格式输入预先构建的控制指令生成模型中，得到各设备对应的控制指令；
将各设备对应的控制指令存储在预设的指令分配表中，并根据各设备的端口接收地址对指令分配表中存储的控制指令添加指令分派地址；
根据所述指令分派地址将所述控制指令分派至对应的设备，并根据分派至的所述控制指令调整各设备的当前运行状态。
4.根据权利要求1所述的中央空调系统的控制方法，其特征在于，所述控制所述边缘计算机对所述设备信息进行预处理，接收预处理后得到的目标设备信息的步骤，包括：
控制边缘计算机根据所述设备信息获取相对应的控制参数值及解析函数；其中，所述控制参数值为所述控制系统用于控制所述设备信息所对应的设备的输出数据，所述控制系统的输出数据的数据类型为非数值型数据；
根据所述解析函数解析所述设备信息，得到解析数据；
判断所述控制参数值的数据类型是否为数值型数据；
当判定所述控制参数值的数据类型不是数值型数据时，对所述解析数据进行压缩打包，将压缩打包后的所述解析数据确定为目标设备信息，接收所述目标设备信息；
当判定所述控制参数值的数据类型是数值型数据时，将所述解析数据转换成字符串类型的数据，得到转换数据，对所述转换数据进行压缩打包，将压缩打包后的转换数据确定为所述目标设备信息，接收所述目标设备信息。
5.根据权利要求1所述的中央空调系统的控制方法，其特征在于，所述根据所述控制策略控制所述中央空调系统的各设备的运行的步骤之后，还包括：
获取所述中央空调系统的各设备在接收到所述控制策略后的运行状态信息；
将所述运行状态信息与所述控制策略中的目标运行状态信息进行比对，得到比对结果；
根据所述比对结果对所述控制策略进行调整。
6.根据权利要求1所述的中央空调系统的控制方法，其特征在于，所述将所述环境信息输入预先训练好的控制策略生成模型，得到控制策略的步骤之后，还包括：
获取中央空调系统在每天不同时间段的运行要求，并基于所述运行要求对不同类型的待采集环境信息的预设初始更新等级进行调整，得到不同类型的待采集环境信息的目标更新等级；
根据所述目标更新等级设定在不同时间段内对不同类型的待采集环境信息的更新频率，根据所述更新频率更新输入至所述控制策略生成模型的环境信息。
7.根据权利要求1所述的中央空调系统的控制方法，其特征在于，所述控制所述边缘计算机对所述设备信息进行预处理，接收预处理后得到的目标设备信息的步骤，包括：
控制所述边缘计算机从数据库中获取标准隐私数据，将所述设备信息与所述标准隐私数据进行比较，得到比较结果；
根据所述比较结果确定所述设备信息中含有的目标字符；其中，所述目标字符为表征所述设备隐私的字符，所述目标字符包括设备型号、设备串号；
计算所述设备信息中目标字符的占比；
判断所述占比是否大于预设占比；
当判定所述占比不大于预设占比时，对所述设备信息进行数据清洗，得到目标设备信息，并接收所述目标设备信息；
当判定所述占比大于预设占比时，则将所述设备信息进行置乱加密，得到置乱加密信息，将所述置乱加密信息与混沌系统产生的混沌序列进行异或运算，生成加密数据，所述控制系统接收所述加密数据，将所述加密数据与混沌系统产生的混沌序列进行异或运算后，再进行反置乱解密，得到目标设备信息。
8.一种终端，其特征在于，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行如权利要求1至7中任一项所述的中央空调系统的控制方法的步骤。
9.一种中央空调系统，其特征在于，所述中央空调系统包括控制系统、冷源系统、空气处理系统、边缘计算机及风管系统，所述冷源系统包括制冷主机、冷水机组及冷却塔，所述空气处理系统包括送风机、回风机、过滤器、加湿器及除湿器，所述冷源系统用于制冷，所述空气处理系统用于处理空气质量并向室内供应空气质量符合要求的新鲜空气，所述风管系统用于将空气从所述空气处理系统输送到每个房间，所述边缘计算机用于在控制系统的负载大于预设负载时，对设置在中央空调系统的传感器采集到的设备信息进行预处理，并将预处理后的设备信息发送给所述控制系统，所述边缘计算机的一端分别与所述冷源系统、空气处理系统及风管系统电性连接，所述边缘计算机的另一端与所述控制系统电性连接，所述控制系统用于接收并分析预处理后的设备信息及环境信息，根据分析结果自动调节和控制整个中央空调系统的运行，所述控制系统包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行如权利要求1至7中任一项所述的中央空调系统的控制方法的步骤。
CN202310660867.9A 2023-06-05 2023-06-05 中央空调系统的控制方法、终端及中央空调系统 Active CN116678082B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310660867.9A CN116678082B (zh) 2023-06-05 2023-06-05 中央空调系统的控制方法、终端及中央空调系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310660867.9A CN116678082B (zh) 2023-06-05 2023-06-05 中央空调系统的控制方法、终端及中央空调系统

Publications (2)

Publication Number Publication Date
CN116678082A CN116678082A (zh) 2023-09-01
CN116678082B true CN116678082B (zh) 2024-05-03

Family

ID=87786747

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310660867.9A Active CN116678082B (zh) 2023-06-05 2023-06-05 中央空调系统的控制方法、终端及中央空调系统

Country Status (1)

Country Link
CN (1) CN116678082B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117646935B (zh) * 2023-12-06 2024-08-09 深圳市博萱实业有限公司 一种多功能型空气源热泵控制方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002245102A (ja) * 2001-02-14 2002-08-30 Matsushita Electric Works Ltd 建物の環境制御方法及びそのシステム
CN202040938U (zh) * 2011-01-17 2011-11-16 福建成信绿集成有限公司 中央空调能耗监测及节能诊断系统
CN115437302A (zh) * 2022-10-21 2022-12-06 深圳昌恩智能股份有限公司 一种大型中央空调ai智能控制方法及系统
CN115451533A (zh) * 2021-06-09 2022-12-09 珠海奥斯迈机电工程顾问有限公司 一种集中空调制冷机房系统能效计算和分析的系统及方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014149174A1 (en) * 2013-03-15 2014-09-25 Stride Tool, Inc. Smart hvac manifold system

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002245102A (ja) * 2001-02-14 2002-08-30 Matsushita Electric Works Ltd 建物の環境制御方法及びそのシステム
CN202040938U (zh) * 2011-01-17 2011-11-16 福建成信绿集成有限公司 中央空调能耗监测及节能诊断系统
CN115451533A (zh) * 2021-06-09 2022-12-09 珠海奥斯迈机电工程顾问有限公司 一种集中空调制冷机房系统能效计算和分析的系统及方法
CN115437302A (zh) * 2022-10-21 2022-12-06 深圳昌恩智能股份有限公司 一种大型中央空调ai智能控制方法及系统

Also Published As

Publication number Publication date
CN116678082A (zh) 2023-09-01

Similar Documents

Publication Publication Date Title
Fan et al. A review on data preprocessing techniques toward efficient and reliable knowledge discovery from building operational data
Susto et al. Time-series classification methods: Review and applications to power systems data
CN116678082B (zh) 中央空调系统的控制方法、终端及中央空调系统
Astorino et al. DC models for spherical separation
CN109934301B (zh) 一种电力负荷聚类分析方法、装置和设备
Gonzalez-Vidal et al. Beats: Blocks of eigenvalues algorithm for time series segmentation
Cismondi et al. Computational intelligence methods for processing misaligned, unevenly sampled time series containing missing data
Yang Dynamic risk identification safety model based on fuzzy support vector machine and immune optimization algorithm
US20230237306A1 (en) Anomaly score adjustment across anomaly generators
Guan et al. Graph based semi-supervised non-negative matrix factorization for document clustering
CN111709437B (zh) 一种面向石油化工行业现场工艺行为的异常行为检测方法
CN114218174B (zh) 基于区块链的工业互联网数据存储方法、系统及存储介质
CN111178533A (zh) 实现自动半监督机器学习的方法及装置
Škrjanc et al. Evolving Gaussian on-line clustering in social network analysis
Le et al. Budgeted semi-supervised support vector machine
CN114781779A (zh) 一种无监督能耗异常检测方法、装置及存储介质
Kamruzzaman et al. A hybrid learning algorithm for text classification
Farahmand et al. A combined data envelopment analysis and support vector regression for efficiency evaluation of large decision making units
Khalid et al. Frameworks for multivariate m-mediods based modeling and classification in Euclidean and general feature spaces
US11914956B1 (en) Unusual score generators for a neuro-linguistic behavioral recognition system
CN116629709A (zh) 一种供电指标的智能化分析报警系统
CN113839799A (zh) 一种告警关联规则挖掘方法及装置
CN116678072B (zh) 中央空调系统的故障处理方法、终端及中央空调系统
Tang et al. A mixed integer programming approach to maximum margin 0–1 loss classification
Li et al. A study on customer churn of commercial banks based on learning from label proportions

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
CB02 Change of applicant information

Address after: Room 505, Building 5, No. 3 Guangzhou Avenue Middle, Guangfo Industrial Park, Tangtang Town, Fogang County, Qingyuan City, Guangdong Province, 511500

Applicant after: Yaochangrong Phase Change Materials Technology (Guangdong) Co.,Ltd.

Address before: 529300 Shop No. 4112, 4th Floor, No. 1 Xihu 1st Road, Cuishanhu New District, Kaiping City, Jiangmen City, Guangdong Province

Applicant before: Yaochangrong Phase Change Materials Technology (Guangdong) Co.,Ltd.

CB02 Change of applicant information
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20240604

Address after: 529300 No. 4112, Floor 4, No. 1, Xihu 1st Road, Cuishanhu New District, Kaiping City, Jiangmen, Guangdong Province

Patentee after: Yaochangrong Phase Change Materials Technology (Guangdong) Co.,Ltd.

Country or region after: China

Patentee after: Guangzhou Xipin High tech Engineering Consulting Co.,Ltd.

Address before: Room 505, Building 5, No. 3 Guangzhou Avenue Middle, Guangfo Industrial Park, Tangtang Town, Fogang County, Qingyuan City, Guangdong Province, 511500

Patentee before: Yaochangrong Phase Change Materials Technology (Guangdong) Co.,Ltd.

Country or region before: China

TR01 Transfer of patent right
CP03 Change of name, title or address

Address after: Room 505, Building 5, No. 3 Guangzhou Avenue Middle, Guangfo Industrial Park, Tangtang Town, Fogang County, Qingyuan City, Guangdong Province, 511500

Patentee after: Yaochangrong Phase Change Materials Technology (Guangdong) Co.,Ltd.

Country or region after: China

Patentee after: Guangzhou Xipin High tech Engineering Consulting Co.,Ltd.

Address before: 529300 No. 4112, Floor 4, No. 1, Xihu 1st Road, Cuishanhu New District, Kaiping City, Jiangmen, Guangdong Province

Patentee before: Yaochangrong Phase Change Materials Technology (Guangdong) Co.,Ltd.

Country or region before: China

Patentee before: Guangzhou Xipin High tech Engineering Consulting Co.,Ltd.

Country or region before: China

CP03 Change of name, title or address