CN117128624A - 新风空调及空调管理系统的控制方法、装置和存储介质 - Google Patents
新风空调及空调管理系统的控制方法、装置和存储介质 Download PDFInfo
- Publication number
- CN117128624A CN117128624A CN202311109101.8A CN202311109101A CN117128624A CN 117128624 A CN117128624 A CN 117128624A CN 202311109101 A CN202311109101 A CN 202311109101A CN 117128624 A CN117128624 A CN 117128624A
- Authority
- CN
- China
- Prior art keywords
- air conditioner
- fresh air
- room
- data
- optimal set
- 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
- 238000000034 method Methods 0.000 title claims abstract description 56
- 230000007613 environmental effect Effects 0.000 claims abstract description 44
- 238000012549 training Methods 0.000 claims description 26
- 230000033001 locomotion Effects 0.000 claims description 22
- 238000012544 monitoring process Methods 0.000 claims description 15
- 238000007781 pre-processing Methods 0.000 claims description 14
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 238000007664 blowing Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 abstract description 12
- 238000004134 energy conservation Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 19
- WSFSSNUMVMOOMR-UHFFFAOYSA-N Formaldehyde Chemical compound O=C WSFSSNUMVMOOMR-UHFFFAOYSA-N 0.000 description 18
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 16
- 238000004378 air conditioning Methods 0.000 description 16
- 230000004913 activation Effects 0.000 description 12
- 238000004422 calculation algorithm Methods 0.000 description 10
- 230000001276 controlling effect Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 239000001569 carbon dioxide Substances 0.000 description 8
- 229910002092 carbon dioxide Inorganic materials 0.000 description 8
- 210000002569 neuron Anatomy 0.000 description 7
- 238000005457 optimization Methods 0.000 description 7
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000006872 improvement Effects 0.000 description 5
- 238000005265 energy consumption Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 239000008186 active pharmaceutical agent Substances 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 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
- F24F11/62—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
- F24F11/50—Control or safety arrangements characterised by user interfaces or communication
- F24F11/52—Indication arrangements, e.g. displays
-
- 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
-
- 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)
- Combustion & Propulsion (AREA)
- General Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Chemical & Material Sciences (AREA)
- Signal Processing (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Physics & Mathematics (AREA)
- Human Computer Interaction (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明提供一种新风空调及空调管理系统的控制方法、装置和存储介质,所述方法包括:获取所述新风空调所在房间的环境数据和/或所述新风空调所在房间的人员分布数据;将所述室内外环境数据和/或人员分布数据输入预先训练的预测模型中,预测输出所述新风空调所在房间的空气质量等级、所述新风空调的最优设定温度和/或所述新风空调的最优设定湿度;根据输出的所述空气质量等级、最优设定温度和/或最优设定湿度,和/或获取的人员分布数据,确定所述新风空调当前的控制参数;按照确定的所述新风空调当前的控制参数,控制所述新风空调的运行。本发明提供的方案能够实现智能控制新风空调,并达到节能的效果。
Description
技术领域
本发明涉及控制领域,尤其涉及一种新风空调及空调管理系统的控制方法、装置和存储介质。
背景技术
相关技术中新风空调的控制不够智能,只能根据用户的指令开启或关闭,以及进行新风量的调节,造成能源浪费。
发明内容
本发明的主要目的在于克服上述相关技术的缺陷,提供一种新风空调及空调管理系统的控制方法、装置和存储介质,以解决相关技术中新风空调的控制不够智能的问题。
本发明一方面提供了一种新风空调的控制方法,包括:获取所述新风空调所在房间的环境数据和/或所述新风空调所在房间的人员分布数据;所述环境数据包括:空气质量数据、温度数据和湿度数据中的至少之一;将所述环境数据和/或人员分布数据输入预先训练的预测模型中,预测输出所述新风空调所在房间的空气质量等级、所述新风空调的最优设定温度和/或所述新风空调的最优设定湿度;根据输出的所述新风空调所在房间的空气质量等级、所述新风空调的最优设定温度和/或所述新风空调的最优设定湿度,和/或获取的所述新风空调所在房间的人员分布数据,确定所述新风空调当前的控制参数;按照确定的所述新风空调当前的控制参数,控制所述新风空调的运行。
可选地,所述预测模型通过如下方式进行训练:收集多组不同的房间环境数据和/或房间人员分布数据,以及对应的空气质量等级、最优设定温度和/或最优设定湿度,并进行预处理得到用于训练所述预测模型的数据集;利用所述数据集进行多层感知机MLP模型训练,得到用于预测输出空气质量等级和/或所述空调的最优设定温度的预测模型。
可选地,所述控制参数具体可以包括:新风系统启停控制参数、新风量控制参数、空调送风方式、空调设定温度、空调设定温度补偿值、空调设定湿度中的至少之一:根据输出的所述新风空调所在房间的空气质量等级、所述新风空调的最优设定温度和/或所述新风空调的最优设定湿度,和/或获取的所述新风空调所在房间的人员分布数据,确定所述新风空调当前的控制参数,包括:根据输出的所述新风空调所在房间的空气质量等级和/或人员分布数据,确定新风系统启停控制参数和新风量控制参数;和/或,根据所述空调当前的最优设定温度和/或所述空调当前的最优设定湿度确定所述空调当前的设定温度和/或设定湿度;和/或,根据所述新风空调所在房间的人员分布数据确定空调送风方式,包括:根据人员位置进行送风,根据人员位置确定人员集中区域,使空调朝着人员集中区域送风;和/或,根据人员运动状态进行送风,对于处于平静状态的人员执行风避人送风模式,对于处于运动状态的人员执行风吹人的送风方式;和/或,根据人员数量进行空调设定温度的温度补偿值,人员数量在设定数量之内时按照初始温度补偿值进行空调设定温度补偿,人员数量在设定数量的基础上每增加预设数量,温度补偿值增加或较少预设温度值。
本发明另一方面提供了一种空调管理系统的控制方法,所述空调管理系统包括两台以上新风空调,所述控制方法,包括:按照前述任一项所述的新风空调的控制方法控制所述空调管理系统中的所述两台以上新风空调。
可选地,还包括:实时监测所述两台以上新风空调中每台新风空调的设备运行状态和所在房间的环境数据;若根据所述每台新风空调的设备运行状态和所在房间的环境数据确定相应的新风空调发生异常情况,则发出异常提示信息;和/或,将所述两台以上新风空调中每台新风空调的设备运行状态和所在房间的环境数据反馈至相应用户端,以使相应用户通过所述相应用户端了解相应新风空调的实时设备运行状态和/或所在房间的实时环境数据。
可选地,还包括:通过用户界面显示所述两台以上新风空调中每台新风空调的运行参数;和/或,通过用户界面接收用户设置的对所述两台以上新风空调中每台新风空调的控制参数设置,以根据所述控制参数设置控制所述两台以上新风空调中每台新风空调。
本发明又一方面提供了一种新风空调的控制装置,包括:获取单元,用于获取所述新风空调所在房间的环境数据和/或所述新风空调所在房间的人员分布数据;所述环境数据包括:空气质量数据、温度数据和湿度数据中的至少之一;预测单元,用于将所述环境数据和/或人员分布数据输入预先训练的预测模型中,预测输出所述新风空调所在房间的空气质量等级、所述新风空调的最优设定温度和/或所述新风空调的最优设定湿度;确定单元,用于根据所述预测单元输出的所述新风空调所在房间的空气质量等级、所述新风空调的最优设定温度和/或所述新风空调的最优设定湿度,和/或获取的所述新风空调所在房间的人员分布数据,确定所述新风空调当前的控制参数;控制单元,用于按照所述确定单元确定的所述新风空调当前的控制参数,控制所述新风空调的运行。
可选地,所述预测模型通过如下方式进行训练:收集多组不同的房间环境数据和/或房间人员分布数据,以及对应的空气质量等级、最优设定温度和/或最优设定湿度,并进行预处理得到用于训练所述预测模型的数据集;利用所述数据集进行多层感知机MLP模型训练,得到用于预测输出空气质量等级和/或所述空调的最优设定温度的预测模型。
可选地,所述控制参数具体可以包括:新风系统启停控制参数、新风量控制参数、空调送风方式、空调设定温度、空调设定温度补偿值、空调设定湿度中的至少之一:所述确定单元,根据输出的所述新风空调所在房间的空气质量等级、所述新风空调的最优设定温度和/或所述新风空调的最优设定湿度,和/或获取的所述新风空调所在房间的人员分布数据,确定所述新风空调当前的控制参数,包括:根据输出的所述新风空调所在房间的空气质量等级和/或人员分布数据,确定新风系统启停控制参数和新风量控制参数;和/或,根据所述空调当前的最优设定温度和/或所述空调当前的最优设定湿度确定所述空调当前的设定温度和/或设定湿度;和/或,根据所述新风空调所在房间的人员分布数据确定空调送风方式,包括:根据人员位置进行送风,根据人员位置确定人员集中区域,使空调朝着人员集中区域送风;和/或,根据人员运动状态进行送风,对于处于平静状态的人员执行风避人送风模式,对于处于运动状态的人员执行风吹人的送风方式;和/或,根据人员数量进行空调设定温度的温度补偿值,人员数量在设定数量之内时按照初始温度补偿值进行空调设定温度补偿,人员数量在设定数量的基础上每增加预设数量,温度补偿值增加或较少预设温度值。
本发明又一方面提供了一种存储介质,其上存储有计算机程序,所述程序被处理器执行时实现前述任一所述方法的步骤。
本发明再一方面提供了一种新风空调,包括处理器、存储器以及存储在存储器上可在处理器上运行的计算机程序,所述处理器执行所述程序时实现前述任一所述新风空调的控制方法的步骤。
本发明再一方面提供了一种新风空调,包括前述任一所述的新风空调的控制装置。
根据本发明的技术方案,通过将室内外环境数据和人员分布数据输入预先训练的预测模型,根据模型预测结构控制新风空调的开关、风量及温度等参数,以实现智能控制,并达到节能的效果,最大限度地减少能源消耗。通过统一的空调管理系统,对多个房间中的共用新风系统进行集中管理和监控,提供实时数据和反馈,方便用户进行管理和调整。。
通过精确控制新风和空调参数,优化系统运行,有效降低能源消耗,减少二氧化碳等温室气体的排放,具有积极的环保效果。
利用智能算法和优化模型,系统能够根据数据分析结果自动调节新风与空调的开关、风量及温度等参数,从而提供个性化、高效且舒适的空气环境。另外系统实时监测室内外的空气质量,并向用户提供反馈和信息,维持健康的室内环境。
通过统一的空调管理系统,方便多户住宅、写字楼等场所对共用新风系统进行集中管理和监控。采用智能算法和优化模型,精确计算出每个房间所需的新风和空调参数,避免资源浪费和不均衡的现象,实现节能、环保和舒适的效果。提供实时数据和反馈,帮助用户了解室内环境状况,并对共用新风系统进行调整和优化。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本发明的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是本发明提供的新风空调的控制方法的一实施例的方法示意图;
图2示出了根据本发明一具体实施例的传感器安装示意图;
图3示出了根据本发明的预测模型训练步骤流程图;
图4示出了多层感知机MLP模型的结构图;
图5示出了本发明的新风空调控制方法的控制逻辑图;
图6是本发明提供的新风空调的控制装置的一实施例的结构框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明具体实施例及相应的附图对本发明技术方案进行清楚、完整地描述。显然,所描述的实施例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,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,本发明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,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。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。
本发明还提供一种新风空调的控制方法。
图1是本发明提供的新风空调的控制方法的一实施例的方法示意图。
如图1所示,根据本发明的一个实施例,所述新风空调的控制方法至少包括步骤S110、步骤S120、步骤S130和步骤S140。
步骤S110,获取所述新风空调所在房间的环境数据和/或所述新风空调所在房间的人员分布数据。
可选地,所述环境数据可以包括:空气质量数据、温度数据和湿度数据中的至少之一;例如可以通过在装在室内和/或室外的传感器采集室外空气质量、室外空气质量、室内温度、室外温度、室内湿度、室外湿度中的至少之一。图2示出了根据本发明一具体实施例的传感器安装示意图。所述空气质量数据例如可以包括:甲醛浓度、二氧化碳浓度、臭氧浓度、PM2.5浓度中的至少之一;例如可以通过PM2.5传感器检测PM2.5浓度,通过二氧化碳传感器检测二氧化碳浓度,通过甲醛传感器检测甲醛浓度,通过臭氧传感器检测臭氧浓度;通过温湿度传感器检测室内外温度和/或湿度。
可选地,所述人员分布数据具体可以包括:人员数量、人员位置和/或人员运动状态;所述人员数量可以包括所在房间人员总数量和所在房间不同区域的人员数量;所述人员运动状态具体可以包括平静和/或运动。所述人员分布数据可以通过摄像设备进行所在房间的图像采集,并通过人体目标检测算法得出。
步骤S120,将所述环境数据和/或人员分布数据输入预先训练的预测模型中,预测输出所述新风空调所在房间的空气质量等级、所述新风空调的最优设定温度和/或所述新风空调的最优设定湿度。
图3示出了根据本发明的预测模型训练步骤流程图。如图2所示,所述预测模型具体可以通过如下步骤进行训练:
步骤S1,收集多组不同的房间环境数据和/或房间人员分布数据,以及对应的空气质量等级、最优设定温度和/或最优设定湿度,并进行预处理得到用于训练所述预测模型的数据集。
具体地,可以预先收集大量的不同大小的房间(包括不同面积大小和/或空间大小的房间)的环境数据和/或人员分布数据,以及与收集的所述不同大小的房间的环境数据和/或人员分布数据对应的空气质量等级、所述空调的最优设定温度和/或所述空调的最优设定湿度,并进行预处理得到数据集。例如,不同的室内外温度、室内外湿度与人员分布数据(具体可以为人员数量)对应不同的最优设定温度和/或最优设定湿度(即最适宜的温度和/或湿度)。例如,不同的空气质量数据对应不同的空气质量等级。可以将收集到的数据传输至云平台或本地服务器进行预处理和标准化,并存储。预处理具体可以包括数据清洗、去除异常值、填补缺失值等操作,以确保数据的质量和完整性。
步骤S2,利用所述数据集进行多层感知机MLP模型训练,得到用于预测输出空气质量等级和/或所述空调的最优设定温度的预测模型。
数据集可以分为训练集和验证集;训练集用于进行模型训练,验证集用于评估模型的性能和调整模型参数。MLP是一种前馈神经网络,通过多个神经元层和权重连接实现非线性函数逼近。具体实施步骤如下:
构建一个包含输入层、隐藏层和输出层的多层感知机模型。在隐藏层和输出层之间使用激活函数(如Sigmoid、ReLU等)来引入非线性关系。针对传统多层感知机(Multi-Layer Perceptron,MLP)模型在项目应用中精度不高、分类效率较低的问题,提出改进的多层感知机模型。图4示出了多层感知机MLP模型的结构图。如图4所示,输入层(Inputlayer):接收原始数据的特征向量。隐藏层(Hidden layer):包含多个神经元节点,在不同层之间可以有多个隐藏层。每个隐藏层节点都与上一层的所有节点相连,并引入激活函数来引入非线性关系。输出层(Output layer):根据问题的类型,可以是一个或多个节点。对于分类问题,可以使用softmax激活函数将输出转化为概率分布;对于回归问题,可以直接输出预测值。)
Dropout改进:在训练过程中,随机将部分隐藏层节点的输出置零,以减少网络对某些特定节点的依赖性,从而防止过拟合。Adagrad:自适应学习率调整算法,基于每个参数的历史梯度信息来调整学习率,能够快速收敛并提高训练效果。ReLU(Rectified LinearUnit):作为激活函数,解决传统MLP中梯度弥散的问题,保留正值并将负值置零,有效激活神经元。
使用TensorFlow软件平台搭建改进的MLP模型,可以使用TensorFlow的高级API(如Keras)来简化模型构建过程。定义输入层、隐藏层和输出层的节点数、激活函数等参数,根据问题的特点进行调整。在隐藏层之后添加Dropout层,设置丢弃部分神经元的比例,以减少过拟合。使用Adagrad优化器来调试参数,通过监测训练误差和验证误差的变化来评估模型的优化效果。使用ReLU作为激活函数,在隐藏层和输出层之间引入非线性关系。
通过以上改进方案,可以有效提高MLP模型的精度和分类效率。但需要根据实际问题进行参数调优,包括网络结构、Dropout比例等。同时,适当的数据预处理和扩充也是提高模型性能的关键。
步骤S130,根据输出的所述新风空调所在房间的空气质量等级、所述空调的最优设定温度和/或所述空调的最优设定湿度,和/或获取的所述新风空调所在房间的人员分布数据,确定所述新风空调当前的控制参数。
所述控制参数具体可以包括:新风系统启停控制参数、新风量控制参数、空调送风方式、空调设定温度、空调设定温度补偿值、空调设定湿度中的至少之一:
所述新风系统启停控制参数具体为是否开启或关闭新风系统;所述新风量控制参数具体可以包括新风量等级;即将新风量进行分级调节。具体地,不同的空气质量等级对应是否开启或关闭新风系统,以及新风量等级,和/或不同的人员分布数据(具体可以包括人员数量)对应不同的新风量等级。因此可以根据输出的所述新风空调所在房间的空气质量等级和/或人员分布数据(具体可以包括人员数量)确定新风系统启停控制参数和新风量控制参数。
所述预测模型可以输出的所述空调当前的最优设定温度和/或所述空调当前的最优设定湿度,则可以根据所述空调当前的最优设定温度和/或所述空调当前的最优设定湿度设定所述空调当前的设定温度和/或设定湿度,即设置为所述最优设定温度和/或所述最优设定湿度。
根据所述新风空调所在房间的人员分布数据确定空调送风方式。所述人员分布数据具体可以包括:人员数量、人员位置和/或人员运动状态。在一种具体实施方式中,可以根据人员位置进行送风,例如根据人员位置确定人员集中区域,使空调朝着人员集中区域送风。在另一种实施方式中,根据人员运动状态进行送风,例如人员运动状态可以包括平静和/或运动,对于处于平静状态的人员执行风避人送风模式,对于处于运动状态的人员执行风吹人的送风方式。
根据人员数量进行空调设定温度的温度补偿值的调整,所述空调设定温度的温度补偿值,即在检测的室内温度的基础上增加所述温度补偿值,以所述空调设定温度与所述温度补偿值之和作为目标室内温度控制所述空调。在一种具体实施方式中,人员数量在设定数量之内时按照初始温度补偿值进行空调设定温度补偿,人员数量在设定数量的基础上每增加预设数量,温度补偿值增加或较少预设温度值。例如,制冷模式下人员每增加1位,温度补偿值降低0.5℃。制热模式下人员每增加1位,温度补偿值提高0.5℃。
步骤S130,按照确定的所述新风空调当前的控制参数,控制所述新风空调的运行。
根据模型输出的所述新风空调所在房间的空气质量等级、所述空调的最优设定温度和/或所述空调的最优设定湿度,和/或获取的所述新风空调所在房间的人员分布数据,确定了新风空调当前的控制参数后,按照确定的所述新风空调当前的控制参数,向所述新风空调发送相应的控制指令,以控制所述新风空调的运行。所述相应的控制指令可以通过有线或无线方式传输到新风空调的控制器或控制设备。
可选地,所述控制方法还包括:实时监测所述新风空调所在房间的空气质量数据和/或人员分布数据;根据所述空气质量数据和/或人员分布数据调整新风量控制参数。
例如,当监测到空气质量等级降低时,例如CO2浓度过高时,提高新风量等级;例如,检测到房间人员增加时,提高新风量等级。
以上步骤还可以结合图5示出的本发明的新风空调控制方法的控制逻辑图。
本发明还提供一种空调管理系统的控制方法。
所述空调管理系统包括两台以上新风空调。所述控制方法,包括按照前述所述的新风空调的控制方法控制所述空调管理系统中的所述两台以上新风空调。即获取所述两台以上新风空调中每台所述新风空调所在房间的环境数据和/或所述新风空调所在房间的人员分布数据;将所述室内外环境数据和/或人员分布数据输入预先训练的预测模型中,预测输出每台所述新风空调所在房间的空气质量等级、每台所述新风空调的最优设定温度和/或每台所述新风空调的最优设定湿度;根据输出的每台所述新风空调所在房间的空气质量等级、每台所述新风空调的最优设定温度和/或每台所述新风空调的最优设定湿度,和/或获取的每台所述新风空调所在房间的人员分布数据,确定每台所述新风空调当前的控制参数;按照确定的每台所述新风空调当前的控制参数,控制每台所述新风空调的运行。
所述空调管理系统例如可以为多户住宅的空调管理系统,包括所述多户住宅中每户住宅的新风空调,或者所述空调管理系统例如可以为写字楼中的空调管理系统,包括所述写字楼中每台新风空调。例如,为多户住宅、写字楼等共用新风系统的场所建立一个管理平台,在每个房间室内外安装空气质量传感器、温湿度传感器等设备,将收集到的环境数据通过无线网络或有线网络传输到管理平台。通过所述管理平台执行上述方法的步骤,实现对空调管理系统中每台新风空调的控制。
可选地,所述空调管理系统的控制方法还包括:实时监测所述两台以上新风空调中每台新风空调的设备运行状态和所在房间的环境数据;若根据所述每台新风空调的设备运行状态和所在房间的环境数据确定相应的新风空调发生异常情况,则发出异常提示信息。
例如,实时监测每个房间的环境数据和设备运行状态,如果发现异常情况,比如空气质量低、温度过高等,及时通过管理平台发出警报并采取相应的措施。
可选地,所述空调管理系统的控制方法还包括:将所述两台以上新风空调中每台新风空调的设备运行状态和所在房间的环境数据反馈至相应用户端,以使相应用户通过所述相应用户端了解相应新风空调的实时设备运行状态和/或所在房间的实时环境数据。用户可以通过空调管理系统的管路平台获得实时的环境数据和设备状态反馈,以便及时做出调整。
可选地,所述空调管理系统的控制方法还包括:通过用户界面显示所述两台以上新风空调中每台新风空调的运行参数;和/或,通过用户界面接收用户设置的对所述两台以上新风空调中每台新风空调的控制参数设置,以根据所述控制参数设置控制所述两台以上新风空调中每台新风空调。
例如,空调管理系统的管理平台可以提供一个用户界面,让管理员和用户可以方便地查看和调整各个房间的新风空调的运行参数。用户可以根据自己的需求进行个性化设置,比如调整室内温度、湿度阈值、时间计划等。
综上所述,通过空调管理系统的管理平台,并采用智能算法精准计算和控制每个房间的新风和空调参数,可以实现节能、环保和舒适的效果。该平台提供数据采集与传输、管理平台搭建、数据分析与算法优化、控制指令下发、用户界面与个性化设置以及实时监测与反馈等功能。
本发明还提供一种新风空调的控制装置。
图6是本发明提供的新风空调的控制装置的一实施例的结构框图。如图6所示,所述控制装置100包括获取单元110、预测单元120、确定单元130和控制单元140。
获取单元110,用于获取所述新风空调所在房间的环境数据和/或所述新风空调所在房间的人员分布数据;所述环境数据包括:空气质量数据、温度数据和湿度数据中的至少之一。
可选地,所述环境数据可以包括:空气质量数据、温度数据和湿度数据中的至少之一;例如可以通过在装在室内和/或室外的传感器采集室外空气质量、室外空气质量、室内温度、室外温度、室内湿度、室外湿度中的至少之一。图2示出了根据本发明一具体实施例的传感器安装示意图。所述空气质量数据例如可以包括:甲醛浓度、二氧化碳浓度、臭氧浓度、PM2.5浓度中的至少之一;例如可以通过PM2.5传感器检测PM2.5浓度,通过二氧化碳传感器检测二氧化碳浓度,通过甲醛传感器检测甲醛浓度,通过臭氧传感器检测臭氧浓度;通过温湿度传感器检测室内外温度和/或湿度。
可选地,所述人员分布数据具体可以包括:人员数量、人员位置和/或人员运动状态;所述人员数量可以包括所在房间人员总数量和所在房间不同区域的人员数量;所述人员运动状态具体可以包括平静和/或运动。所述人员分布数据可以通过摄像设备进行所在房间的图像采集,并通过人体目标检测算法得出。
预测单元120,用于将所述环境数据和/或人员分布数据输入预先训练的预测模型中,预测输出所述新风空调所在房间的空气质量等级、所述新风空调的最优设定温度和/或所述新风空调的最优设定湿度。
所述预测模型具体可以通过如下步骤进行训练:
步骤S1,收集多组不同的房间环境数据和/或房间人员分布数据,以及对应的空气质量等级、最优设定温度和/或最优设定湿度,并进行预处理得到用于训练所述预测模型的数据集。
具体地,可以预先收集大量的不同大小的房间(包括不同面积大小和/或空间大小的房间)的环境数据和/或人员分布数据,以及与收集的所述不同大小的房间的环境数据和/或人员分布数据对应的空气质量等级、所述空调的最优设定温度和/或所述空调的最优设定湿度,并进行预处理得到数据集。例如,不同的室内外温度、室内外湿度与人员分布数据(具体可以为人员数量)对应不同的最优设定温度和/或最优设定湿度(即最适宜的温度和/或湿度)。例如,不同的空气质量数据对应不同的空气质量等级。可以将收集到的数据传输至云平台或本地服务器进行预处理和标准化,并存储。预处理具体可以包括数据清洗、去除异常值、填补缺失值等操作,以确保数据的质量和完整性。
步骤S2,利用所述数据集进行多层感知机MLP模型训练,得到用于预测输出空气质量等级和/或所述空调的最优设定温度的预测模型。
数据集可以分为训练集和验证集;训练集用于进行模型训练,验证集用于评估模型的性能和调整模型参数。MLP是一种前馈神经网络,通过多个神经元层和权重连接实现非线性函数逼近。具体实施步骤如下:
构建一个包含输入层、隐藏层和输出层的多层感知机模型。在隐藏层和输出层之间使用激活函数(如Sigmoid、ReLU等)来引入非线性关系。针对传统多层感知机(Multi-Layer Perceptron,MLP)模型在项目应用中精度不高、分类效率较低的问题,提出改进的多层感知机模型。图3示出了多层感知机MLP模型的结构图。如图3所示,输入层(Inputlayer):接收原始数据的特征向量。隐藏层(Hidden layer):包含多个神经元节点h,在不同层之间可以有多个隐藏层。每个隐藏层节点都与上一层的所有节点相连,并引入激活函数来引入非线性关系。输出层(Output layer):根据问题的类型,可以是一个或多个节点。对于分类问题,可以使用softmax激活函数将输出转化为概率分布;对于回归问题,可以直接输出预测值。
Dropout改进:在训练过程中,随机将部分隐藏层节点的输出置零,以减少网络对某些特定节点的依赖性,从而防止过拟合。Adagrad:自适应学习率调整算法,基于每个参数的历史梯度信息来调整学习率,能够快速收敛并提高训练效果。ReLU(Rectified LinearUnit):作为激活函数,解决传统MLP中梯度弥散的问题,保留正值并将负值置零,有效激活神经元。
使用TensorFlow软件平台搭建改进的MLP模型,可以使用TensorFlow的高级API(如Keras)来简化模型构建过程。定义输入层、隐藏层和输出层的节点数、激活函数等参数,根据问题的特点进行调整。在隐藏层之后添加Dropout层,设置丢弃部分神经元的比例,以减少过拟合。使用Adagrad优化器来调试参数,通过监测训练误差和验证误差的变化来评估模型的优化效果。使用ReLU作为激活函数,在隐藏层和输出层之间引入非线性关系。
通过以上改进方案,可以有效提高MLP模型的精度和分类效率。但需要根据实际问题进行参数调优,包括网络结构、Dropout比例等。同时,适当的数据预处理和扩充也是提高模型性能的关键。
确定单元130,用于根据所述预测单元输出的所述新风空调所在房间的空气质量等级、所述新风空调的最优设定温度和/或所述新风空调的最优设定湿度,和/或获取的所述新风空调所在房间的人员分布数据,确定所述新风空调当前的控制参数。
具体地,所述控制参数可以包括:新风系统启停控制参数、新风量控制参数、空调送风方式、空调设定温度、空调设定温度补偿值、空调设定湿度中的至少之一。
在一种具体实施方式中,所述新风系统启停控制参数具体为是否开启或关闭新风系统;所述新风量控制参数具体可以包括新风量等级;即将新风量进行分级调节。具体地,不同的空气质量等级对应是否开启或关闭新风系统,以及新风量等级,和/或不同的人员分布数据(具体可以包括人员数量)对应不同的新风量等级。因此确定单元130可以根据输出的所述新风空调所在房间的空气质量等级和/或人员分布数据(具体可以包括人员数量)确定新风系统启停控制参数和新风量控制参数。
在一种具体实施方式中,所述预测模型可以输出的所述空调当前的最优设定温度和/或所述空调当前的最优设定湿度,则确定单元130可以根据所述空调当前的最优设定温度和/或所述空调当前的最优设定湿度设定所述空调当前的设定温度和/或设定湿度,即设置为所述最优设定温度和/或所述最优设定湿度。
在一种具体实施方式中,确定单元130可以根据所述新风空调所在房间的人员分布数据确定空调送风方式。所述人员分布数据具体可以包括:人员数量、人员位置和/或人员运动状态。在一种具体实施方式中,确定单元130可以根据人员位置进行送风,例如根据人员位置确定人员集中区域,使空调朝着人员集中区域送风。在另一种实施方式中,确定单元130可以根据人员运动状态进行送风,例如人员运动状态可以包括平静和/或运动,对于处于平静状态的人员执行风避人送风模式,对于处于运动状态的人员执行风吹人的送风方式。
在一种具体实施方式中,确定单元130可以根据人员数量进行空调设定温度的温度补偿值的调整,所述空调设定温度的温度补偿值,即在检测的室内温度的基础上增加所述温度补偿值,以所述空调设定温度与所述温度补偿值之和作为目标室内温度控制所述空调。在一种具体实施方式中,人员数量在设定数量之内时按照初始温度补偿值进行空调设定温度补偿,人员数量在设定数量的基础上每增加预设数量,温度补偿值增加或较少预设温度值。例如,制冷模式下人员每增加1位,温度补偿值降低0.5℃。制热模式下人员每增加1位,温度补偿值提高0.5℃。
控制单元140,用于按照所述确定单元确定的所述新风空调当前的控制参数,控制所述新风空调的运行。
确定单元130根据模型输出的所述新风空调所在房间的空气质量等级、所述空调的最优设定温度和/或所述空调的最优设定湿度,和/或获取的所述新风空调所在房间的人员分布数据,确定了新风空调当前的控制参数后,控制单元140按照确定的所述新风空调当前的控制参数,控制单元140可以向所述新风空调发送相应的控制指令,以控制所述新风空调的运行。所述相应的控制指令可以通过有线或无线方式传输到新风空调的控制器或控制设备。
可选地,所述装置还包括监测单元和调整单元(未图示)。
监测单元,用于实时监测所述新风空调所在房间的空气质量数据和/或人员分布数据;调整单元,用于根据所述空气质量数据和/或人员分布数据调整新风量控制参数。
例如,当监测到空气质量等级降低时,例如CO2浓度过高时,提高新风量等级;例如,检测到房间人员增加时,提高新风量等级。
本发明还提供对应于所述新风空调的控制方法的一种存储介质,其上存储有计算机程序,所述程序被处理器执行时实现前述任一所述方法的步骤。
本发明还提供对应于所述新风空调的控制方法的一种新风空调,包括处理器、存储器以及存储在存储器上可在处理器上运行的计算机程序,所述处理器执行所述程序时实现前述任一所述方法的步骤。
本发明还提供对应于所述新风空调的控制装置的一种新风空调,包括前述任一所述的控制装置。
据此,本发明提供的方案,通过将室内外环境数据和人员分布数据输入预先训练的预测模型,根据模型预测结构控制新风空调的开关、风量及温度等参数,以实现智能控制,并达到节能的效果,最大限度地减少能源消耗。通过统一的空调管理系统,对多个房间中的共用新风系统进行集中管理和监控,提供实时数据和反馈,方便用户进行管理和调整。。
通过精确控制新风和空调参数,优化系统运行,有效降低能源消耗,减少二氧化碳等温室气体的排放,具有积极的环保效果。
利用智能算法和优化模型,系统能够根据数据分析结果自动调节新风与空调的开关、风量及温度等参数,从而提供个性化、高效且舒适的空气环境。另外系统实时监测室内外的空气质量,并向用户提供反馈和信息,维持健康的室内环境。
通过统一的空调管理系统,方便多户住宅、写字楼等场所对共用新风系统进行集中管理和监控。采用智能算法和优化模型,精确计算出每个房间所需的新风和空调参数,避免资源浪费和不均衡的现象,实现节能、环保和舒适的效果。提供实时数据和反馈,帮助用户了解室内环境状况,并对共用新风系统进行调整和优化。
本文中所描述的功能可在硬件、由处理器执行的软件、固件或其任何组合中实施。如果在由处理器执行的软件中实施,那么可将功能作为一或多个指令或代码存储于计算机可读媒体上或经由计算机可读媒体予以传输。其它实例及实施方案在本发明及所附权利要求书的范围及精神内。举例来说,归因于软件的性质,上文所描述的功能可使用由处理器、硬件、固件、硬连线或这些中的任何者的组合执行的软件实施。此外,各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为控制装置的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对相关技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。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权利要求范围之内。
Claims (11)
1.一种新风空调的控制方法,其特征在于,包括:
获取所述新风空调所在房间的环境数据和/或所述新风空调所在房间的人员分布数据;所述环境数据包括:空气质量数据、温度数据和湿度数据中的至少之一;
将所述环境数据和/或人员分布数据输入预先训练的预测模型中,预测输出所述新风空调所在房间的空气质量等级、所述新风空调的最优设定温度和/或所述新风空调的最优设定湿度;
根据输出的所述新风空调所在房间的空气质量等级、所述新风空调的最优设定温度和/或所述新风空调的最优设定湿度,和/或获取的所述新风空调所在房间的人员分布数据,确定所述新风空调当前的控制参数;
按照确定的所述新风空调当前的控制参数,控制所述新风空调的运行。
2.根据权利要求1所述的方法,其特征在于,所述预测模型通过如下方式进行训练:
收集多组不同的房间环境数据和/或房间人员分布数据,以及对应的空气质量等级、最优设定温度和/或最优设定湿度,并进行预处理得到用于训练所述预测模型的数据集;
利用所述数据集进行多层感知机MLP模型训练,得到用于预测输出空气质量等级和/或所述空调的最优设定温度的预测模型。
3.根据权利要求1或2所述的方法,其特征在于,
所述控制参数具体可以包括:新风系统启停控制参数、新风量控制参数、空调送风方式、空调设定温度、空调设定温度补偿值、空调设定湿度中的至少之一:
根据输出的所述新风空调所在房间的空气质量等级、所述新风空调的最优设定温度和/或所述新风空调的最优设定湿度,和/或获取的所述新风空调所在房间的人员分布数据,确定所述新风空调当前的控制参数,包括:
根据输出的所述新风空调所在房间的空气质量等级和/或人员分布数据,确定新风系统启停控制参数和新风量控制参数;
和/或,
根据所述空调当前的最优设定温度和/或所述空调当前的最优设定湿度确定所述空调当前的设定温度和/或设定湿度;
和/或,
根据所述新风空调所在房间的人员分布数据确定空调送风方式,包括:
根据人员位置进行送风,根据人员位置确定人员集中区域,使空调朝着人员集中区域送风;和/或,
根据人员运动状态进行送风,对于处于平静状态的人员执行风避人送风模式,对于处于运动状态的人员执行风吹人的送风方式;
和/或,
根据人员数量进行空调设定温度的温度补偿值,人员数量在设定数量之内时按照初始温度补偿值进行空调设定温度补偿,人员数量在设定数量的基础上每增加预设数量,温度补偿值增加或较少预设温度值。
4.根据权利要求1或2所述的方法,其特征在于,还包括:
实时监测所述新风空调所在房间的空气质量数据和/或人员分布数据;
根据所述空气质量数据和/或人员分布数据调整新风量控制参数。
5.一种空调管理系统的控制方法,所述空调管理系统包括两台以上新风空调,其特征在于,所述控制方法,包括:
按照权利要求1-4任一项所述的新风空调的控制方法控制所述空调管理系统中的所述两台以上新风空调。
6.根据权利要求5所述的方法,其特征在于,还包括:
实时监测所述两台以上新风空调中每台新风空调的设备运行状态和所在房间的环境数据;
若根据所述每台新风空调的设备运行状态和所在房间的环境数据确定相应的新风空调发生异常情况,则发出异常提示信息;
和/或,
将所述两台以上新风空调中每台新风空调的设备运行状态和所在房间的环境数据反馈至相应用户端,以使相应用户通过所述相应用户端了解相应新风空调的实时设备运行状态和/或所在房间的实时环境数据。
7.根据权利要求5或6所述的方法,其特征在于,还包括:
通过用户界面显示所述两台以上新风空调中每台新风空调的运行参数;和/或,
通过用户界面接收用户设置的对所述两台以上新风空调中每台新风空调的控制参数设置,以根据所述控制参数设置控制所述两台以上新风空调中每台新风空调。
8.一种新风空调的控制装置,其特征在于,包括:
获取单元,用于获取所述新风空调所在房间的环境数据和/或所述新风空调所在房间的人员分布数据;所述环境数据包括:空气质量数据、温度数据和湿度数据中的至少之一;
预测单元,用于将所述环境数据和/或人员分布数据输入预先训练的预测模型中,预测输出所述新风空调所在房间的空气质量等级、所述新风空调的最优设定温度和/或所述新风空调的最优设定湿度;
确定单元,用于根据所述预测单元输出的所述新风空调所在房间的空气质量等级、所述新风空调的最优设定温度和/或所述新风空调的最优设定湿度,和/或获取的所述新风空调所在房间的人员分布数据,确定所述新风空调当前的控制参数;
控制单元,用于按照所述确定单元确定的所述新风空调当前的控制参数,控制所述新风空调的运行。
9.根据权利要求8所述的控制装置,其特征在于,所述预测模型通过如下方式进行训练:
收集多组不同的房间环境数据和/或房间人员分布数据,以及对应的空气质量等级、最优设定温度和/或最优设定湿度,并进行预处理得到用于训练所述预测模型的数据集;
利用所述数据集进行多层感知机MLP模型训练,得到用于预测输出空气质量等级和/或所述空调的最优设定温度预测模型。
10.一种存储介质,其特征在于,其上存储有计算机程序,所述程序被处理器执行时实现权利要求1-4任一所述方法的步骤。
11.一种新风空调,其特征在于,包括处理器、存储器以及存储在存储器上可在处理器上运行的计算机程序,所述处理器执行所述程序时实现权利要求1-4任一所述方法的步骤,或者包括如权利要求8-9任一所述的控制装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311109101.8A CN117128624A (zh) | 2023-08-30 | 2023-08-30 | 新风空调及空调管理系统的控制方法、装置和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311109101.8A CN117128624A (zh) | 2023-08-30 | 2023-08-30 | 新风空调及空调管理系统的控制方法、装置和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117128624A true CN117128624A (zh) | 2023-11-28 |
Family
ID=88858024
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311109101.8A Pending CN117128624A (zh) | 2023-08-30 | 2023-08-30 | 新风空调及空调管理系统的控制方法、装置和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117128624A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117450635A (zh) * | 2023-12-21 | 2024-01-26 | 深圳市祥帆电子科技有限公司 | 一种基于大数据分析的新风系统控制方法 |
-
2023
- 2023-08-30 CN CN202311109101.8A patent/CN117128624A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117450635A (zh) * | 2023-12-21 | 2024-01-26 | 深圳市祥帆电子科技有限公司 | 一种基于大数据分析的新风系统控制方法 |
CN117450635B (zh) * | 2023-12-21 | 2024-03-19 | 深圳市祥帆电子科技有限公司 | 一种基于大数据分析的新风系统控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102380397B1 (ko) | IoT센서 및 인공지능을 이용한 스마트 빌딩 관리방법 | |
CN108386971B (zh) | 中央空调节能自控系统 | |
TWI435038B (zh) | 空調控制裝置與方法 | |
US20240069502A1 (en) | Environment controller and method for inferring one or more commands for controlling an appliance taking into account room characteristics | |
US8160729B2 (en) | Application of microsystems for a building system employing a system knowledge base | |
CN117128624A (zh) | 新风空调及空调管理系统的控制方法、装置和存储介质 | |
JP2020060331A (ja) | 空気調和機、データ送信方法及び空気調和システム | |
CN106796046A (zh) | 智能环境调控引擎、智能环境调节系统和设备 | |
CN110377084A (zh) | 一种基于智慧控制策略的建筑室内环境调控方法 | |
Wang et al. | An occupant-centric control strategy for indoor thermal comfort, air quality and energy management | |
CN115272675A (zh) | 一种基于多传感器信息融合的能源管理系统以及方法 | |
US20190353369A1 (en) | Environmental control system and method for automatically adjusting operating parameters | |
Elehwany et al. | A reinforcement learning approach for thermostat setpoint preference learning | |
KR20190121639A (ko) | 공기조화기 및 이를 포함하는 공기조화시스템 | |
CN117073147B (zh) | 一种用于楼宇自动控制的智能空调控制方法及系统 | |
WO2021234763A1 (ja) | 室内温度推定装置、プログラム及び室内温度推定方法 | |
TWI666410B (zh) | 空調系統及使用其之空調控制方法 | |
KR20130120604A (ko) | 외기 도입을 위한 건물 에너지 관리 방법 및 이를 위한 장치 | |
CN114322260B (zh) | 空调自动驾驶、模型训练和预测方法、装置及设备 | |
KR102514463B1 (ko) | 쾌적존을 이용한 건물통합관리장치 | |
CN116697500A (zh) | 一种基于数字孪生技术的人工智能通风系统及其控制方法 | |
CN112212481A (zh) | 利用深度强化学习控制环境舒适度的系统及其方法 | |
WO2021038775A1 (ja) | 制御方法、制御プログラムおよび空調制御装置 | |
TWI720907B (zh) | 室內家電控制系統及方法 | |
CN118242746B (zh) | 基于环境感知的节能中央空调实时参数调节系统及方法 |
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 |