CN117091236A - 一种暖通空调系统的控制方法 - Google Patents

一种暖通空调系统的控制方法 Download PDF

Info

Publication number
CN117091236A
CN117091236A CN202311332810.2A CN202311332810A CN117091236A CN 117091236 A CN117091236 A CN 117091236A CN 202311332810 A CN202311332810 A CN 202311332810A CN 117091236 A CN117091236 A CN 117091236A
Authority
CN
China
Prior art keywords
air conditioning
real
temperature
time
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.)
Granted
Application number
CN202311332810.2A
Other languages
English (en)
Other versions
CN117091236B (zh
Inventor
仇丽娉
王清勤
刘京
赵力
吴伟伟
王博雅
高虎
范东叶
范红亚
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.)
China Academy of Building Research CABR
Original Assignee
China Academy of Building Research CABR
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 China Academy of Building Research CABR filed Critical China Academy of Building Research CABR
Priority to CN202311332810.2A priority Critical patent/CN117091236B/zh
Publication of CN117091236A publication Critical patent/CN117091236A/zh
Application granted granted Critical
Publication of CN117091236B publication Critical patent/CN117091236B/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
    • F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/50—Control or safety arrangements characterised by user interfaces or communication
    • F24F11/56—Remote control
    • 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
    • F24F11/00—Control or safety arrangements
    • F24F11/70—Control systems characterised by their outputs; Constructional details thereof
    • F24F11/72—Control systems characterised by their outputs; Constructional details thereof for controlling the supply of treated air, e.g. its pressure
    • 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
    • F24F11/70—Control systems characterised by their outputs; Constructional details thereof
    • F24F11/80—Control systems characterised by their outputs; Constructional details thereof for controlling the temperature of the supplied air
    • 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
    • F24F11/88—Electrical aspects, e.g. circuits
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2110/00—Control inputs relating to air properties
    • F24F2110/10—Temperature
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2110/00—Control inputs relating to air properties
    • F24F2110/20—Humidity

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Computer Interaction (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

本发明公开了一种暖通空调系统的控制方法，包括获取暖通空调系统的实时空调数据，对所述实时空调数据进行预处理，提取预处理后的所述实时空调数据的状态特征，根据所述状态特征对所述实时空调数据进行分类，获得实时分类数据，根据所述实时分类数据获取温控参数，采用所述温控参数构建暖通空调控制模型，读取所述暖通空调控制模型的温湿度权重和温湿度偏置，根据温湿度权重和温湿度偏置优化所述暖通空调控制模型，将所述实时分类数据输入优化后的所述暖通空调控制模型，输出控制结果。该方法不仅可以提高暖通空调系统的控制方法的精度，同时具有较好的可解释性，可以直接应用于暖通空调系统的控制中。

Description

一种暖通空调系统的控制方法
技术领域
本发明涉及暖通空调领域，尤其涉及一种暖通空调系统的控制方法。
背景技术
控制技术在暖通空调领域的应用越来越广泛，可以帮助暖通空调系统的管理者及时、高效地控制暖通空调的热气排量，实现暖通空调系统的管理。目前，暖通空调系统具有用户信息量庞大、数据种类多样、信息密度大等特点，暖通空调系统的控制方法存在较多的不确定因素，导致暖通空调控制方法存在较大的不确定性。虽然已经发明了一些暖通空调系统的控制方法，但是仍不能有效解决暖通空调系统的控制方法的不确定问题。
发明内容
本发明的目的是要提供一种暖通空调系统的控制方法。
为达到上述目的，本发明是按照以下技术方案实施的：
本发明包括以下步骤：
A获取暖通空调系统的实时空调数据，对所述实时空调数据进行预处理，提取预处理后的所述实时空调数据的状态特征；
B根据所述状态特征对所述实时空调数据进行分类，获得实时分类数据，根据所述实时分类数据获取温控参数；
C采用所述温控参数构建暖通空调控制模型；采用所述温控参数构建暖通空调控制模型的方法，包括：
将温控参数作为控制目标，设定温控参数阈值，采用第一算法、第二算法构建暖通空调控制模型，使用第一算法将实时空调数据按照5:2随机分成训练集和测试集，采用训练集训练暖通空调控制模型，测试集测试暖通空调控制模型的实际效果，实时监测暖通空调的实时空调数据，计算温控参数的偏差：
其中第i次测量的温控差数为，温控参数阈值为/>，第i次测量的温控参数的偏差为/>，第i次测量的温度为/>，起始温度为/>；使用第二算法根据温控参数的偏差控制温控参数，当温控参数的偏差大于零时减少热气的排出量，当温控参数的偏差小于零时增加热气的排出量；
D读取所述暖通空调控制模型的温湿度权重和温湿度偏置，根据温湿度权重和温湿度偏置优化所述暖通空调控制模型；
E将所述实时分类数据输入优化后的所述暖通空调控制模型，输出控制结果。
进一步的，在步骤A中所述预处理的方法，包括数据清洗、去重、去噪、去除异常值、数据转换和向量化。
进一步的，提取预处理后的所述实时空调数据的状态特征的方法，包括：
计算预处理后的所述实时空调数据的信息熵：
其中实时空调数据的数量为s，第k个实时空调数据的数量为，实时空调数据s的信息熵为/>，计算信息增益：
其中特征a对实时空调数据s的信息增益为，特征a中第u个分支点包含的实时空调数据的数量为/>，实时空调数据s中第u个分支节点的实时空调数据的信息熵为，分支的数量为v，使用特征划分实时空调数据前后熵的差值，计算信息增益率：
其中特征a对实时空调数据s的信息增益率为，使用实时空调数据的信息增益率选择特征，计算基尼值和基尼指数：
其中第k个实时空调数据的数量为，实时空调数据数量s的基尼值为/>，特征a对实时空调数据s的基尼指数为/>，实时空调数据数量/>的基尼值为/>，采用基尼指数划分特征，将划分后的输出为状态特征。
进一步的，根据所述状态特征对所述实时空调数据进行分类的方法，包括：
计算互信息：
其中实时空调数据的两个随机变量集合为Y、X，随机变量x和随机变量y的联合概率分布函数为，随机变量y的边缘概率分布函数为/>，随机变量集合X的边缘概率分布函数为/>，随机变量集合X和随机变量集合Y的互信息为/>，根据互信息对状态特征进行排序，选择状态特征子集，建立多分布的特征加权的朴素贝叶斯模型，朴素贝叶斯模型的计算公式为：
其中定性特征d的特征权值向量为，定量特征c的特征权值向量为/>，特征类别e的先验概率为/>，定性特征d的条件概率为/>，定量特征c的条件概率为/>，参数集合函数为/>，定性特征d条件概率/>的特征加权为/>，定量特征c条件概率/>的特征加权为/>，初始化条件评估参数，修改定性特征的条件参数，修改定性特征条件参数的计算公式为：
其中定性特征第t+1次迭代的条件概率为，定性特征第t次迭代的条件概率为/>，第t次迭代的误差为/>，获取增强朴素贝叶斯分类器，增强朴素贝叶斯分类器的计算公式为：
其中修改后的定性特征条件概率的特征加权为/>，类别e条件下第i个特征的条件概率为/>，采用增强朴素贝叶斯分类器根据状态特征对实时空调数据进行分类，获得分类数据。
进一步的，根据所述实时分类数据获取温控参数的计算公式为：
其中测量次数i的数量为M，第i+1次测量的时间为，第i次测量的时间为/>，第i+1次测量的温度为/>，第i次测量的温度/>，空气密度为/>，空调覆盖区域体积为V，空气的比热容为/>，温控参数为/>，温控参数与温差成正比。
进一步的，所述第一算法为正态分配算法，第二算法为神经网络控制算法。
进一步的，根据温湿度权重和温湿度偏置优化所述暖通空调控制模型的方法，包括：
a、随机初始所述暖通空调控制模型的参数，获取参数的梯度，在不同的迭代时间设置学习率：
其中迭代次数为t，和/>为超参数，学习率为/>，采用指数加权平均更新温湿度权重和温湿度偏置：
其中时间t内的状态变量为，稳定常数为/>，温湿度偏置b的微分为/>，超参数为，温湿度权重/>的微分为/>，更新后的温湿度权重为/>，更新后的温湿度偏置为/>，不断迭代直到遍历所有实时空调数据则停止迭代；
b、二次优化温湿度权重，计算梯度：
其中权重为，温湿度偏置参数为/>，正则项系数为/>，权重/>温湿度偏置参数b的损失函数为/>，时间t更新参数的计算公式为：
其中t时刻的权重为，t时刻的温湿度偏置参数为/>，t+1时刻的权重为/>，权重/>温湿度偏置参数/>的损失函数为/>。
第二方面，本申请实施例还提供一种电子设备，包括：
处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行第一方面所述的方法步骤。
第三方面，本申请实施例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存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行第一方面所述的方法步骤。
本发明的有益效果是：
本发明是一种暖通空调系统的控制方法，与现有技术相比，本发明具有以下技术效果：
本发明通过预处理、提取特征、数据分类、计算温控参数、构建暖通空调控制模型和优化暖通空调控制模型步骤，可以提高暖通空调系统的控制方法的准确性，从而提高暖通空调系统的控制的精度，将暖通空调系统的控制量化，可以大大节省资源和人力成本，提高工作效率，可以实现暖通空调系统的控制，实时对暖通空调系统进行控制改进，对暖通空调系统的控制具有重要意义，可以适应不同暖通空调系统的控制系统、不同用户的暖通空调系统的控制需求，具有一定的普适性。
附图说明
图1为本发明一种暖通空调系统的控制方法的步骤流程图；
图2为本说明书实施例中一种电子设备的结构示意图。
具体实施方式
下面通过具体实施例对本发明作进一步描述，在此发明的示意性实施例以及说明用来解释本发明，但并不作为对本发明的限定。
本发明一种暖通空调系统的控制方法包括以下步骤：
如图1所示，在本实施例中，包括以下步骤：
A获取暖通空调系统的实时空调数据，对所述实时空调数据进行预处理，提取预处理后的所述实时空调数据的状态特征；
在实际评估中，实时空调数据包括暖通空调系统所在区域的温度、空间体积、空气密度、测量时间，给出10组数据：
第1组：起止时间8:00pm，终止时间10:00pm，起始温度22℃，终止温度26℃，空气密度1.2kg/m³，空间体积50m³；
第2组：起止时间10:00pm，终止时间12:00pm，起始温度18℃，终止温度21℃，空气密度1.25kg/m³，空间体积80m³；
第3组：起止时间12:00pm，终止时间14:00pm，起始温度24℃，终止温度25℃，空气密度1.15kg/m³，空间体积60m³；
第4组：起止时间14:00pm，终止时间16:00pm，起始温度16℃，终止温度20℃，空气密度1.3kg/m³，空间体积90m³；
第5组：起止时间16:00pm，终止时间18:00pm，起始温度20℃，终止温度22℃，空气密度1.2kg/m³，空间体积70m³；
第6组：起止时间18:00pm，终止时间20:00pm，起始温度19℃，终止温度22℃，空气密度1.25kg/m³，空间体积100m³；
第7组：起止时间20:00pm，终止时间22:00pm，起始温度26℃，终止温度31℃，空气密度1.1kg/m³，空间体积50m³；
第8组：起止时间22:00pm，终止时间00:00pm，起始温度17℃，终止温度18℃，空气密度1.3kg/m³，空间体积80m³；
第9组：起止时间00:00pm，终止时间2:00pm，起始温度23℃，终止温度26℃，空气密度1.15kg/m³，空间体积60m³；
第10组：起止时间2:00pm，终止时间4:00pm，起始温度15℃，终止温度20℃，空气密度1.35kg/m³，空间体积90m³；
对上述10组数据进行研究，从10组实时空调数据提取的状态特征为温度变化、测量时长、升温速率；
B根据所述状态特征对所述实时空调数据进行分类，获得实时分类数据，根据所述实时分类数据获取温控参数；
在实际评估中，按照温度变化、测量时长、升温速率将数据分为一类包括第1组、第4组；二类包括2组、6组、9组；三类包括7组、10组；四类3组、8组；五类包括5组；一类包括第1组、第4组的温控参数分别为0.17256、0.336492，二类包括2组、6组、9组的温控参数分别为0.21457、0.269625、0.148833，三类包括7组、10组的温控参数分别为0.197725、0.4367925，四类3组、8组的温控参数分别为0.049611、0.0747772，五类包括5组的温控参数为0.120792；
C采用所述温控参数构建暖通空调控制模型；采用所述温控参数构建暖通空调控制模型的方法，包括：
将温控参数作为控制目标，设定温控参数阈值，采用第一算法、第二算法构建暖通空调控制模型，使用第一算法将实时空调数据按照5:2随机分成训练集和测试集，采用训练集训练暖通空调控制模型，测试集测试暖通空调控制模型的实际效果，实时监测暖通空调的实时空调数据，计算温控参数的偏差：
其中第i次测量的温控差数为，温控参数阈值为/>，第i次测量的温控参数的偏差为/>，第i次测量的温度为/>，起始温度为/>；使用第二算法根据温控参数的偏差控制温控参数，当温控参数的偏差大于零时减少热气的排出量，当温控参数的偏差小于零时增加热气的排出量；
在实际评估中，设定的温控参数的阈值为0.228642，一类第1组、第4组的温控参数的偏差分别为-0.0140205、0.0.269625，二类2组、6组、9组的温控参数的偏差别为-0.00469、0.013661、-0.026603，三类7组、10组的温控参数的偏差分别为-0.00618、0.04163，四类3组、8组的温控参数的偏差分别为-0.179031、-0.1538648，五类5组的温控参数为-0.053925，一类第1组、第4组分别增加热气的排出量、减少热气的排出量，二类2组、6组、9组分别增加热气的排出量、减少热气的排出量、增加热气的排出量，三类7组、10组分别增加热气的排出量、减少热气的排出量，四类3组、8组分别增加热气的排出量、增加热气的排出量，五类5组增加热气的排出量；
D读取所述暖通空调控制模型的温湿度权重和温湿度偏置，根据温湿度权重和温湿度偏置优化所述暖通空调控制模型；
E将所述实时分类数据输入优化后的所述暖通空调控制模型，输出控制结果。
在实际评估中，一类第1组、第4组的控制结果分别为-0.070102、0.0.14603，二类2组、6组、9组的控制结果分别为-0.00235、0.00925、-0.013301，三类7组、10组的控制结果分别为-0.00209、0.02081，四类3组、8组的控制结果分别为-0.08451、-0.0719324，五类5组的控制结果为-0.053925。
在本实施例中，在步骤A中所述预处理的方法，包括数据清洗、去重、去噪、去除异常值、数据转换和向量化。
在本实施例中，提取预处理后的所述实时空调数据的状态特征的方法，包括：
计算预处理后的所述实时空调数据的信息熵：
其中实时空调数据的数量为s，第k个实时空调数据的数量为，实时空调数据s的信息熵为/>，计算信息增益：
其中特征a对实时空调数据s的信息增益为，特征a中第u个分支点包含的实时空调数据的数量为/>，实时空调数据s中第u个分支节点的实时空调数据的信息熵为，分支的数量为v，使用特征划分实时空调数据前后熵的差值，计算信息增益率：
其中特征a对实时空调数据s的信息增益率为，使用实时空调数据的信息增益率选择特征，计算基尼值和基尼指数：
其中第k个实时空调数据的数量为，实时空调数据数量s的基尼值为/>，特征a对实时空调数据s的基尼指数为/>，实时空调数据数量/>的基尼值为/>，采用基尼指数划分特征，将划分后的输出为状态特征；
在实际评估中，提取的状态特征为温度变化、测量时长、升温速率。
在本实施例中，根据所述状态特征对所述实时空调数据进行分类的方法，包括：
计算互信息：
其中实时空调数据的两个随机变量集合为Y、X，随机变量x和随机变量y的联合概率分布函数为，随机变量y的边缘概率分布函数为/>，随机变量集合X的边缘概率分布函数为/>，随机变量集合X和随机变量集合Y的互信息为/>，根据互信息对状态特征进行排序，选择状态特征子集，建立多分布的特征加权的朴素贝叶斯模型，朴素贝叶斯模型的计算公式为：
其中定性特征d的特征权值向量为，定量特征c的特征权值向量为/>，特征类别e的先验概率为/>，定性特征d的条件概率为/>，定量特征c的条件概率为/>，参数集合函数为/>，定性特征d条件概率/>的特征加权为/>，定量特征c条件概率/>的特征加权为/>，初始化条件评估参数，修改定性特征的条件参数，修改定性特征条件参数的计算公式为：
其中定性特征第t+1次迭代的条件概率为，定性特征第t次迭代的条件概率为/>，第t次迭代的误差为/>，获取增强朴素贝叶斯分类器，增强朴素贝叶斯分类器的计算公式为：
其中修改后的定性特征条件概率的特征加权为/>，类别e条件下第i个特征的条件概率为/>，采用增强朴素贝叶斯分类器根据状态特征对实时空调数据进行分类，获得分类数据；
在实际评估中，按照温度变化、测量时长、升温速率将数据分为一类包括第1组、第4组；二类包括2组、6组、9组；三类包括7组、10组；四类3组、8组；五类包括5组。
在本实施例中，根据所述实时分类数据获取温控参数的计算公式为：
其中测量次数i的数量为M，第i+1次测量的时间为，第i次测量的时间为/>，第i+1次测量的温度为/>，第i次测量的温度/>，空气密度为/>，空调覆盖区域体积为V，空气的比热容为/>，温控参数为/>，温控参数与温差成正比；
在实际评估中，一类包括第1组、第4组的温控参数分别为0.17256、0.336492，二类包括2组、6组、9组的温控参数分别为0.21457、0.269625、0.148833，三类包括7组、10组的温控参数分别为0.197725、0.4367925，四类3组、8组的温控参数分别为0.049611、0.0747772，五类包括5组的温控参数为0.120792。
在本实施例中，所述第一算法为正态分配算法，第二算法为神经网络控制算法。
在本实施例中，根据温湿度权重和温湿度偏置优化所述暖通空调控制模型的方法，包括：
a、随机初始所述暖通空调控制模型的参数，获取参数的梯度，在不同的迭代时间设置学习率：
其中迭代次数为t，和/>为超参数，学习率为/>，采用指数加权平均更新温湿度权重和温湿度偏置：
其中时间t内的状态变量为，稳定常数为/>，温湿度偏置b的微分为/>，超参数为，温湿度权重/>的微分为/>，更新后的温湿度权重为/>，更新后的温湿度偏置为/>，不断迭代直到遍历所有实时空调数据则停止迭代；
b、二次优化温湿度权重，计算梯度：
其中权重为，温湿度偏置参数为/>，正则项系数为/>，权重/>温湿度偏置参数b的损失函数为/>，时间t更新参数的计算公式为：
其中t时刻的权重为，t时刻的温湿度偏置参数为/>，t+1时刻的权重为/>，权重/>温湿度偏置参数/>的损失函数为/>。
图2是本申请的一个实施例电子设备的结构示意图。请参考图2，在硬件层面，该电子设备包括处理器，可选地还包括内部总线、网络接口、存储器。其中，存储器可能包含内存，例如高速随机存取存储器(Random-Access Memory，RAM)，也可能还包括非易失性存储器（non-volatile memory），例如至少1个磁盘存储器等。当然，该电子设备还可能包括其他业务所需要的硬件。
处理器、网络接口和存储器可以通过内部总线相互连接，该内部总线可以是ISA(Industry Standard Architecture，工业标准体系结构）总线、PCI(PeripheralComponent Interconnect，外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture，扩展工业标准结构）总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图2中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
存储器，用于存放程序。具体地，程序可以包括程序代码，所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器，并向处理器提供指令和数据。
处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，在逻辑层面上形成一种暖通空调系统的控制装置。处理器，执行存储器所存放的程序，并具体用于执行前述任意一一种暖通空调系统的控制方法。
上述如本申请图1所示实施例揭示的一种暖通空调系统的控制方法可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器（Central Processing Unit，CPU）、网络处理器（Network Processor，NP）等；还可以是数字信号处理器（Digital SignalProcessor，DSP）、专用集成电路（Application Specific Integrated Circuit，ASIC）、现场可编程门阵列（Field－Programmable Gate Array，FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。
该电子设备还可执行图1中一种暖通空调系统的控制方法步骤，并实现图1所示实施例的功能，本申请实施例在此不再赘述。
本申请实施例还提出了一种计算机可读存储介质，该计算机可读存储介质存储一个或多个程序，该一个或多个程序包括指令，该指令当被包括多个应用程序的电子设备执行时，执行前述的任意一种暖通空调系统的控制方法。
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。
内存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)。内存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，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，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上实施的计算机程序产品的形式。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种暖通空调系统的控制方法，其特征在于，包括以下步骤：
A获取暖通空调系统的实时空调数据，对所述实时空调数据进行预处理，提取预处理后的所述实时空调数据的状态特征；
B根据所述状态特征对所述实时空调数据进行分类，获得实时分类数据，根据所述实时分类数据获取温控参数；
C采用所述温控参数构建暖通空调控制模型；采用所述温控参数构建暖通空调控制模型的方法，包括：
将温控参数作为控制目标，设定温控参数阈值，采用第一算法、第二算法构建暖通空调控制模型，使用第一算法将实时空调数据按照5:2随机分成训练集和测试集，采用训练集训练暖通空调控制模型，测试集测试暖通空调控制模型的实际效果，实时监测暖通空调的实时空调数据，计算温控参数的偏差：
其中第i次测量的温控差数为，温控参数阈值为/>，第i次测量的温控参数的偏差为，第i次测量的温度为/>，起始温度为/>；使用第二算法根据温控参数的偏差控制温控参数，当温控参数的偏差大于零时减少热气的排出量，当温控参数的偏差小于零时增加热气的排出量；
D读取所述暖通空调控制模型的温湿度权重和温湿度偏置，根据温湿度权重和温湿度偏置优化所述暖通空调控制模型；
E将所述实时分类数据输入优化后的所述暖通空调控制模型，输出控制结果。
2.根据权利要求1所述的一种暖通空调系统的控制方法，其特征在于，在步骤A中所述预处理的方法，包括数据清洗、去重、去噪、去除异常值、数据转换和向量化。
3.根据权利要求1所述的一种暖通空调系统的控制方法，其特征在于，提取预处理后的所述实时空调数据的状态特征的方法，包括：
计算预处理后的所述实时空调数据的信息熵：
其中实时空调数据的数量为s，第k个实时空调数据的数量为，实时空调数据s的信息熵为/>，计算信息增益：
其中特征a对实时空调数据s的信息增益为，特征a中第u个分支点包含的实时空调数据的数量为/>，实时空调数据s中第u个分支节点的实时空调数据的信息熵为/>，分支的数量为v，使用特征划分实时空调数据前后熵的差值，计算信息增益率：
其中特征a对实时空调数据s的信息增益率为，使用实时空调数据的信息增益率选择特征，计算基尼值和基尼指数：
其中第k个实时空调数据的数量为，实时空调数据数量s的基尼值为/>，特征a对实时空调数据s的基尼指数为/>，实时空调数据数量/>的基尼值为/>，采用基尼指数划分特征，将划分后的输出为状态特征。
4.根据权利要求1所述的一种暖通空调系统的控制方法，其特征在于，根据所述状态特征对所述实时空调数据进行分类的方法，包括：
计算互信息：
其中实时空调数据的两个随机变量集合为Y、X，随机变量x和随机变量y的联合概率分布函数为，随机变量y的边缘概率分布函数为/>，随机变量集合X的边缘概率分布函数为/>，随机变量集合X和随机变量集合Y的互信息为/>，根据互信息对状态特征进行排序，选择状态特征子集，建立多分布的特征加权的朴素贝叶斯模型，朴素贝叶斯模型的计算公式为：
其中定性特征d的特征权值向量为，定量特征c的特征权值向量为/>，特征类别e的先验概率为/>，定性特征d的条件概率为/>，定量特征c的条件概率为/>，参数集合函数为/>，定性特征d条件概率/>的特征加权为/>，定量特征c条件概率/>的特征加权为/>，初始化条件评估参数，修改定性特征的条件参数，修改定性特征条件参数的计算公式为：
其中定性特征第t+1次迭代的条件概率为，定性特征第t次迭代的条件概率为/>，第t次迭代的误差为/>，获取增强朴素贝叶斯分类器，增强朴素贝叶斯分类器的计算公式为：
其中修改后的定性特征条件概率的特征加权为/>，类别e条件下第i个特征的条件概率为/>，采用增强朴素贝叶斯分类器根据状态特征对实时空调数据进行分类，获得分类数据。
5.根据权利要求1所述的一种暖通空调系统的控制方法，其特征在于，根据所述实时分类数据获取温控参数的计算公式为：
其中测量次数i的数量为M，第i+1次测量的时间为，第i次测量的时间为/>，第i+1次测量的温度为/>，第i次测量的温度/>，空气密度为/>，空调覆盖区域体积为V，空气的比热容为/>，温控参数为/>，温控参数与温差成正比。
6.根据权利要求1所述的一种暖通空调系统的控制方法，其特征在于，所述第一算法为正态分配算法，第二算法为神经网络控制算法。
7.根据权利要求1所述的一种暖通空调系统的控制方法，其特征在于，根据温湿度权重和温湿度偏置优化所述暖通空调控制模型的方法，包括：
a、随机初始所述暖通空调控制模型的参数，获取参数的梯度，在不同的迭代时间设置学习率：
其中迭代次数为t，和/>为超参数，学习率为/>，采用指数加权平均更新温湿度权重和温湿度偏置：
其中时间t内的状态变量为，稳定常数为/>，温湿度偏置b的微分为/>，超参数为/>，温湿度权重/>的微分为/>，更新后的温湿度权重为/>，更新后的温湿度偏置为/>，不断迭代直到遍历所有实时空调数据则停止迭代；
b、二次优化温湿度权重，计算梯度：
其中权重为，温湿度偏置参数为/>，正则项系数为/>，权重/>温湿度偏置参数b的损失函数为/>，时间t更新参数的计算公式为：
其中t时刻的权重为，t时刻的温湿度偏置参数为/>，t+1时刻的权重为/>，权重/>温湿度偏置参数/>的损失函数为/>。
8.一种电子设备，包括：
处理器；以及
被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行所述权利要求1~7之任一所述方法。
9.一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行所述权利要求1~7之任一所述方法。
CN202311332810.2A 2023-10-16 2023-10-16 一种暖通空调系统的控制方法 Active CN117091236B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311332810.2A CN117091236B (zh) 2023-10-16 2023-10-16 一种暖通空调系统的控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311332810.2A CN117091236B (zh) 2023-10-16 2023-10-16 一种暖通空调系统的控制方法

Publications (2)

Publication Number Publication Date
CN117091236A true CN117091236A (zh) 2023-11-21
CN117091236B CN117091236B (zh) 2023-12-19

Family

ID=88775723

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311332810.2A Active CN117091236B (zh) 2023-10-16 2023-10-16 一种暖通空调系统的控制方法

Country Status (1)

Country Link
CN (1) CN117091236B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015027231A2 (en) * 2013-08-22 2015-02-26 Melsheimer Kevin Hans Building system for cascading flows of matter and energy
CN104748305A (zh) * 2015-03-19 2015-07-01 智联通建筑科技（北京）有限公司 空调的开关状态的识别方法及系统及估算方法及系统
CN107023967A (zh) * 2017-04-17 2017-08-08 嘉鸿（上海）信息科技咨询有限公司 一种暖通空调节能控制系统
CN107679583A (zh) * 2017-10-24 2018-02-09 四川长虹电器股份有限公司 基于大数据获取故障解决方案的方法
US20190236446A1 (en) * 2018-01-29 2019-08-01 Lawrence Livermore National Security, Llc Optimization control technology for building energy conservation
CN110162013A (zh) * 2019-05-29 2019-08-23 上海理工大学 一种制冷系统故障诊断方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015027231A2 (en) * 2013-08-22 2015-02-26 Melsheimer Kevin Hans Building system for cascading flows of matter and energy
CN104748305A (zh) * 2015-03-19 2015-07-01 智联通建筑科技（北京）有限公司 空调的开关状态的识别方法及系统及估算方法及系统
CN107023967A (zh) * 2017-04-17 2017-08-08 嘉鸿（上海）信息科技咨询有限公司 一种暖通空调节能控制系统
CN107679583A (zh) * 2017-10-24 2018-02-09 四川长虹电器股份有限公司 基于大数据获取故障解决方案的方法
US20190236446A1 (en) * 2018-01-29 2019-08-01 Lawrence Livermore National Security, Llc Optimization control technology for building energy conservation
CN110162013A (zh) * 2019-05-29 2019-08-23 上海理工大学 一种制冷系统故障诊断方法

Also Published As

Publication number Publication date
CN117091236B (zh) 2023-12-19

Similar Documents

Publication Publication Date Title
CN108305158B (zh) 一种训练风控模型和风控的方法、装置及设备
CN108921566B (zh) 一种基于图结构模型的虚假交易识别方法和装置
US20210081798A1 (en) Neural network method and apparatus
CN109308616B (zh) 一种交易记录的风险判定方法及装置
CN109857984B (zh) 一种锅炉负荷率-效能曲线的回归方法和装置
CN111143685A (zh) 一种推荐系统的构建方法及装置
WO2017039684A1 (en) Classifier
CN109582741A (zh) 特征数据处理方法和装置
CN113837635A (zh) 风险检测处理方法、装置及设备
CN114490786B (zh) 数据排序方法及装置
CN113919418A (zh) 基于小样本的分类模型训练方法、装置及电子设备
TW202044110A (zh) 無監督模型評估方法、裝置、伺服器及可讀儲存媒體
CN117091236B (zh) 一种暖通空调系统的控制方法
CN111784246B (zh) 物流路径的估测方法
CN113761026A (zh) 基于条件互信息的特征选择方法、装置、设备和存储介质
CN109376379A (zh) 基于最小割向量的多状态流网络性能优化方法及装置
CN110751400B (zh) 一种风险评估方法及装置
CN117196385A (zh) 一种钢筋成品质量评价方法及系统
CN113419706A (zh) 一种快速的任意分布随机数产生方法、系统及其检验方法、系统
CN110569915A (zh) 基于直觉模糊c均值的汽车数据聚类方法及系统
CN106445960A (zh) 一种数据聚类方法和装置
CN114492251A (zh) 超算环境的低速流场发散处理方法、装置、设备及介质
CN114581086A (zh) 基于动态时序网络的钓鱼账户检测方法及系统
CN113360553B (zh) 一种数据冷热程度评估方法及服务器
CN113986762A (zh) 一种测试用例的生成方法及装置

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
GR01 Patent grant
GR01 Patent grant