CN117716181A - 一种控制参数优化的方法、装置、存储介质和电子设备 - Google Patents
一种控制参数优化的方法、装置、存储介质和电子设备 Download PDFInfo
- Publication number
- CN117716181A CN117716181A CN202280051841.8A CN202280051841A CN117716181A CN 117716181 A CN117716181 A CN 117716181A CN 202280051841 A CN202280051841 A CN 202280051841A CN 117716181 A CN117716181 A CN 117716181A
- Authority
- CN
- China
- Prior art keywords
- energy consumption
- cost
- control parameters
- indoor
- combination
- 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 39
- 238000005457 optimization Methods 0.000 title claims abstract description 21
- 230000008859 change Effects 0.000 claims abstract description 14
- 238000005265 energy consumption Methods 0.000 claims description 70
- 239000002131 composite material Substances 0.000 claims description 20
- 238000004378 air conditioning Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 4
- 230000004075 alteration Effects 0.000 claims description 2
- 238000012986 modification Methods 0.000 claims description 2
- 230000004048 modification Effects 0.000 claims description 2
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 239000000758 substrate Substances 0.000 claims 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 18
- 229910002092 carbon dioxide Inorganic materials 0.000 description 9
- 239000001569 carbon dioxide Substances 0.000 description 9
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000013531 bayesian neural network Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012854 evaluation process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- 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
-
- 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
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B15/00—Systems controlled by a computer
- G05B15/02—Systems controlled by a computer electric
-
- 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
- F24F11/47—Responding to energy costs
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F2130/00—Control inputs relating to environmental factors not covered by group F24F2110/00
- F24F2130/10—Weather information or forecasts
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/26—Pc applications
- G05B2219/2614—HVAC, heating, ventillation, climate control
Abstract
本申请实施例涉及控制参数优化技术领域，尤其涉及一种控制参数优化的方法、装置、存储介质和电子设备。其中，随机输出至少一组处于预设范围内的初始控制参数，得到至少一组当前控制参数；判断变更次数是否已超过预设阈值；所述变更次数是指已变更所述当前控制参数的总次数；当所述变更次数未达到预设阈值时，变更所述至少一组当前控制参数；当所述变更次数达到预设阈值时，根据至少一个组合的综合评分对应的控制参数，优化空调控制参数。
Description
技术领域
本申请实施例涉及控制参数优化技术领域，尤其涉及一种控制参数优化的方法、装置、存储介质和电子设备。
背景技术
空调系统用于将目标空间例如办公楼、购物中心和住宅公寓的室内环境保持在理想的温度或舒适程度。通常是通过调节控制参数的方式来达到理想的温度或舒适程度。然而，基于天气条件的变化情况以及不同的室内活动情况，如何优化空调控制系统，更具体而言如何在保持理想舒适度的同时，合理地降低能耗，仍是一个巨大的挑战。
发明内容
为了解决上述技术问题，本申请实施例提供一种控制参数优化的方法、装置、存储介质和电子设备，采用本申请可以在保持理想舒适度的同时，合理地降低空调的能耗。尤其适用于暖通空调。
为实现上述目的，第一方面，提供了一种控制参数优化方法，包括：随机输出至少一组处于预设范围内的初始控制参数，得到至少一组当前控制参数；判断变更次数是否已超过预设阈值；所述变更次数是指已变更所述当前控制参数的总次数；当所述变更次数未达到预设阈值时，将至少一组当前控制参数、当前室内状态参数和将来天气参数分别输入到能耗预测模型和室内状态预测模型当中；接收至少一个组合；所述至少一个组合包括：所述能耗预测模型输出的将来的能耗和所述室内预测模型输出的将来的室内状态；针对所述至少一个组合进行评分，得到每一个组合的能耗成本和室内状态成本；所述室内状态成本用于反映所述输出的将来的室内状态与目标室内状态的偏差；根据所述每一个组合的能耗成本和室内状态成本，计算所述每一个组合的综合评分；所述综合评分用于反映所述能耗成本和所述室内状态成本的综合成本；变更所述至少一组当前控制参数，并更新所述变更次数；返回判断变更次数是否已超过预设阈值的步骤；当所述变更次数达到预设阈值时，根据至少一个组合的综合评分对应的控制参数，优化空调控制参数。
本申请还提出了一种控制参数优化装置，包括用于执行如第一方面所述的方法。
第三方面，提供一种电子设备，包括处理器、存储器和存储器上存储有计算机可读指令，所述计算机可读指令在被所述处理器执行时实现如第一方面所述的方法。
第四方面，提供一种计算机可读存储介质，其上存储有计算机指令，所述计算机指令在被运行时执行如第一方面所述的方法。
为此，通过得到不同组控制参数分别对应的能耗成本和室内状态成本，再根据每组能耗成本和室内状态成本计算得到对应的综合评分，通过综合评分的情况来优化空调控制参数，从而在保持理想舒适度的同时，合理地降低空调的能耗。
附图说明
以下附图仅对本申请做示意性说明和解释，并不限定本申请的范围。
图1为本申请的一实施例的一种控制参数优化方法的流程图；
图2为本申请的一实施例的一种控制参数优化装置的示意图；
图3为本申请的一实施例的一种电子设备的示意图；
图4为本申请的一实施例的评估模块中评估过程的流程图。
其中，附图标记如下：
具体实施方式
为了对本申请的技术特征、目的和效果有更加清楚的理解，现对照附图说明本申请的具体实施方式。
在下面的描述中阐述了很多具体细节以便于充分理解本申请，但是本申请还可以采用其它不同于在此描述的其它方式来实施，因此本申请不受下面公开的具体实施例的限制。
如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。
图1是根据本申请的一实施例的一种控制参数优化方法的流程图，如图1所示，控制优化方法包括：
步骤110，随机输出至少一组处于预设范围内的初始控制参数，得到至少一组当前控制参数。
空调的控制参数可以包括温度和风速。预设的范围例如：温度的范围20°～30°；风速的范围：1级～5级。可以随机输出至少一组将来N小时内的初始控制参数，可选地，N≤24。例如，可以随机输出一组包含未来24小时中每个小时的空调控制参数作为一组初始控制参数。也可以输出多组。
步骤120，判断变更次数是否已超过预设阈值。变更次数是指已变更当前控制参数的总次数。
变更次数的预设阈值可以预先设置，也可以接受用户的设置。
步骤121，当变更次数未达到预设阈值时，将至少一组当前控制参数、当前室内状态参数和将来天气参数分别输入到能耗预测模型和室内状态预测模型当中。
当前室内状态参数包括以下至少之一：温度、湿度或二氧化碳浓度。将来天气参数包括以下至少之一：温度、湿度、风力。可选地，将来天气参数可以是将来24小时中每小时的天气参数，例如将来24小时中每小时的温度，将来24小时中每小时的湿度和将来24小时中每小时的风力。通过将当前室内状态参数和将来天气参数都输入到相关预测模型中，可以使得预测结果更接近真实的情况。
步骤122，接收至少一个组合。至少一个组合包括：能耗预测模型输出的将来的能耗和室内预测模型输出的将来的室内状态。
可选地，能耗预测模型的离线训练可以通过将历史天气参数、历史能耗参数、历史室内状态参数和历史控制参数输入到模型中进行。能耗预测模型可以是概率时序预测模型，例如贝叶斯神经网络。可选地，还可以通过以下算法来建立能耗预测模型： 其中，/>表示1至t时刻的能耗的均值；/>表示1至t时刻的能耗的方差；zo表示t＝0时刻即初始的室内状态；at表示t时刻的天气；xt表示t时刻的控制参数。通过上述算法得到预测结果更准确的能耗预测模型。
可选地，室内状态预测模型的离线训练可以通过将历史天气参数、历史能耗参数、历史室内状态参数和历史控制参数输入到模型中进行。室内环境预测模型可以是概率时序预测模型，例如贝叶斯神经网络。可选地，还可以通过以下算法来建立能耗预测模型：其中，/>表示1至t时间的室内状态的均值；/>表示1至t时刻的室内状态的方差；zo表示t＝0时刻即初始的室内状态；at表示t时刻的天气；xt表示t时刻的控制参数。通过上述得到预测结果更准确的室内状态预测模型。
步骤123，针对至少一个组合进行评分，得到每一个组合的能耗成本和室内状态成本。室内状态成本用于反映输出的将来的室内状态与目标室内状态的偏差。
能耗成本可以包括：能耗均值的成本；室内状态成本可以包括：室内状态均值的成本。可选地，能耗成本可以包括：能耗均值的成本和能耗不确定的成本；室内状态成本包括：室内状态均值的成本和室内状态不确定的成本。当数值的不确定性越高，代表着预测得到的结果越不准确。
可选地，能耗均值的成本f(eμ)可以通过以下算法得到：其中表示t时间的能耗均值，pt表示t时间的能源价格。
能耗不确定的成本feσ可以通过以下算法得到：其中，表示t时间的能耗的预测方差，函数max()表示取时刻1到时刻T预测方差的最大值。
室内状态均值的成本可以包括：温度均值的成本、湿度均值的成本和二氧化碳浓度均值的成本。
其中，温度均值的成本f(rμ)可以通过以下算法得到其中，/>表示t时间的温度均值，rtarget表示目标温度。
湿度均值的成本f(hμ)可以通过以下算法得到：其中，表示t时间的湿度均值，htarget表示目标湿度。
二氧化碳浓度均值的成本f(cμ)可以通过以下算法得到：其中，ct表示t时间的二氧化碳均值。
室内状态不确定的成本可以包括：温度不确定的成本、湿度不确定的成本和二氧化碳不确定的成本。
其中，温度不确定的成本f(rσ)，可以通过以下算法得到：其中，/>表示t时间的温度的方差。
湿度不确定的成本f(hσ)，可以通过以下算法得到：其中，/>表示t时间的湿度的方差。
二氧化碳浓度不确定的成本f(cσ)，可以通过以下算法得到：其中，/>表示t时间的二氧化碳浓度的方差。
步骤124，根据每一个组合的能耗成本和室内状态成本，计算每一个组合的综合评分。综合评分用于反映能耗成本和室内状态成本的综合成本。
可选地，可以将每一组合的能耗成本和室内状态成本分别结合预设的权重，计算每一组合的综合评分。
可选地，可以将每一组合的能耗成本、室内状态成本和综合评分发送至用户界面，接收用户的选择后，优化空调控制参数。
在计算每一个组合的综合评分后，还可以将所述每一个组合的综合评分从低到高进行排序，记录前K个综合评分对应的控制参数；其中K≥1。
步骤125，变更至少一组当前控制参数；步骤126，更新变更次数。
步骤127，返回步骤120。
可选地，可以根据每一个组合的能耗成本和室内状态成本，利用多目标进化优化算法，变更至少一组当前控制参数或者所有当前控制参数。多目标进化优化算法包括启发式优化算法或者黑盒优化算法等。变更或者说是迭代的方向朝着平衡多个目标的帕累托解的方向进行,即平衡将来N小时的能耗成本和室内状态成本。可选地，可以通过多目标进化优化算法来平衡将来N小时的能耗总值、预测的将来室内状态和目标室内状态的偏差以及相关预测结果的确定性。
可以利用多目标进化优化算法中的成本函数F来解决多目标优化问题。F＝{f{rμ},f{hμ},f{cμ},f{eμ},f{rσ},f{hσ},f{cσ},f{eσ}}，其中，f{rμ}表示温度均值的成本，f{hμ}表示湿度均值的成本，f{cμ}表示二氧化碳浓度均值的成本，f{eμ}表示能耗均值的成本，f{rσ}表示温度不确定的成本，f{hσ}表示湿度不确定的成本，f{cσ}表示二氧化碳浓度不确定的成本，f{eσ}表示能耗不确定的成本。通过应用成本函数还可以避免权重因子选择上的困难。
步骤130，当变更次数达到预设阈值时，根据至少一个组合的综合评分对应的控制参数，优化空调控制参数。
可以将综合评分排名优先的组合对应的控制参数即不确定成本在可接受范围内并且综合评分较低的控制参数，来优化空调控制参数。
藉此可以得到确定性更高的、在保持理想舒适度的同时，合理地降低能耗的控制参数。
图2是根据本申请的一实施例的一种控制参数优化装置20的示意图，如图2所示，控制参数优化装置20包括：
初始模块21，被配置为：随机输出至少一组处于预设范围内的初始控制参数，得到至少一组当前控制参数。
判断模块22，被配置为：判断变更模块23中的变更次数是否已超过预设阈值。变更次数是指已变更当前控制参数的总次数。
变更模块23，被配置为：当变更次数未达到预设阈值时，变更至少一组当前控制参数，并更新变更次数。
图4为评估模块中的评估过程的流程图，如图4所示，评估模块24，被配置为：将至少一组当前控制参数、当前室内状态参数和将来天气参数分别输入到能耗预测模型和室内状态预测模型当中。接收至少一个组合。至少一个组合包括：能耗预测模型输出的将来的能耗和室内预测模型输出的将来的室内状态。针对至少一个组合进行评分，得到每一个组合的能耗成本和室内状态成本。室内状态成本用于反映输出的将来的室内状态与目标室内状态的偏差。根据每一个组合的能耗成本和室内状态成本，计算每一个组合的综合评分。综合评分用于反映能耗成本和室内状态成本的综合成本。
选择模块25，被配置为：当变更次数达到预设阈值时，根据至少一个组合的综合评分对应的控制参数，优化空调控制参数。
本申请还提出一种电子设备300。图3是根据本申请的一实施例的一种电子设备300的示意图。如图3所示，电子设备300包括处理器310和存储器320，存储器320中存储有指令，其中指令被处理器310执行时实现如上文所述的方法300。
本申请还提出一种计算机可读存储介质，其上存储有计算机可读指令，计算机可读指令在被运行时执行如上文所述的方法100。
上述各模块的其他处理可参见前述的生成数据的提取方法，这里不再赘述。
本申请的方法和装置的一些方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。处理器可以是一个或多个专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理器件(DAPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、处理器、控制器、微控制器、微处理器或者其组合。此外，本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。例如，计算机可读介质可包括，但不限于，磁性存储设备(例如，硬盘、软盘、磁带……)、光盘(例如，压缩盘(CD)、数字多功能盘(DVD)……)、智能卡以及闪存设备(例如，卡、棒、键驱动器……)。
在此使用了流程图用来说明根据本申请的实施例的方法所执行的操作。应当理解的是，前面的操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各种步骤。同时，或将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
应当理解，虽然本说明书是按照各个实施例描述的，但并非每个实施例仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
以上所述仅为本申请示意性的具体实施方式，并非用以限定本申请的范围。任何本领域的技术人员，在不脱离本申请的构思和原则的前提下所作的等同变化、修改与结合，均应属于本申请保护的范围。
Claims (11)
1.一种控制参数优化方法，其特征在于，包括：
-随机输出(110)至少一组处于预设范围内的初始控制参数，得到至少一组当前控制参数；
-判断(120)变更次数是否已超过预设阈值；所述变更次数是指已变更所述当前控制参数的总次数；
-当所述变更次数未达到预设阈值时，
-将至少一组当前控制参数、当前室内状态参数和将来天气参数分别输入(121)到能耗预测模型和室内状态预测模型当中；
-接收(122)至少一个组合；所述至少一个组合包括：所述能耗预测模型输出的将来的能耗和所述室内预测模型输出的将来的室内状态；
-针对所述至少一个组合进行评分(123)，得到每一个组合的能耗成本和室内状态成本；所述室内状态成本用于反映所述输出的将来的室内状态与目标室内状态的偏差；
-根据所述每一个组合的能耗成本和室内状态成本，计算(124)所述每一个组合的综合评分；所述综合评分用于反映所述能耗成本和所述室内状态成本的综合成本；
-变更(125)所述至少一组当前控制参数，并更新(126)所述变更次数；
-返回(127)步骤120；
-当所述变更次数达到预设阈值时，根据至少一个组合的综合评分对应的控制参数，优化(130)空调控制参数。
2.根据权利要求1所述的方法，其特征在于，变更(125)所述至少一组当前控制参数包括：
-根据所述每一个组合的能耗成本和室内状态成本，利用多目标进化优化算法，变更所述至少一组当前控制参数。
3.根据权利要求1所述的方法，其特征在于，所述随机输出(110)至少一组初始控制参数包括：
-随机输出至少一组将来N小时内的初始控制参数，所述N≤24。
4.根据权利要求1所述的方法，其特征在于，根据所述每一组合的能耗成本和室内状态成本，计算(124)所述每一组合的综合评分，包括：
-将每一组合的能耗成本和室内状态成本分别结合预设的权重，计算所述每一组合的综合评分。
5.根据权利要求1所述的方法，其特征在于，在所述计算(124)所述每一个组合的综合评分后，所述方法还包括：将所述每一个组合的综合评分从低到高进行排序，记录前K个综合评分对应的控制参数；所述K≥1。
6.根据权利要求1所述的方法，其特征在于，
-所述能耗成本包括：能耗均值的成本；
-所述室内状态成本包括：室内状态均值的成本。
7.根据权利要求1所述的方法，其特征在于，
-所述能耗成本包括：能耗均值的成本和能耗不确定的成本；
-所述室内状态成本包括：室内状态均值的成本和室内状态不确定的成本。
8.根据权利要求1所述的方法，其特征在于，
-所述能耗预测模型的离线训练方法包括：
-将历史天气参数、历史能耗参数、历史室内状态参数和历史控制参数输入到能耗预测模型中进行训练；
-所述室内状态预测模型的离线训练方法包括：
-将历史天气参数、历史能耗参数、历史室内状态参数和历史控制参数输入到室内状态预测模型中进行训练。
9.一种控制参数优化装置，其特征在于，包括：
-初始模块(21)，被配置为：
-随机输出至少一组处于预设范围内的初始控制参数，得到至少一组当前控制参数；
-判断模块(22)，被配置为：
-判断变更模块(23)中的变更次数是否已超过预设阈值；所述变更次数是指已变更所述当前控制参数的总次数；
-所述变更模块(23)，被配置为：
-当所述变更次数未达到预设阈值时，变更所述至少一组当前控制参数，并更新所述变更次数；
-评估模块(24)，被配置为：
-将至少一组当前控制参数、当前室内状态参数和将来天气参数分别输入到能耗预测模型和室内状态预测模型当中；
-接收至少一个组合；所述至少一个组合包括：所述能耗预测模型输出的将来的能耗和所述室内预测模型输出的将来的室内状态；
-针对所述至少一个组合进行评分，得到每一个组合的能耗成本和室内状态成本；所述室内状态成本用于反映所述输出的将来的室内状态与目标室内状态的偏差；
-根据所述每一个组合的能耗成本和室内状态成本，计算所述每一个组合的综合评分；所述综合评分用于反映所述能耗成本和所述室内状态成本的综合成本；
-选择模块(25)，被配置为：
-当所述变更次数达到预设阈值时，根据至少一个组合的综合评分对应的控制参数，优化空调控制参数。
10.一种电子设备，包括处理器(310)、存储器(320)，所述存储器(320)上存储有计算机可读指令，所述计算机可读指令在被所述处理器(310)执行时实现如权利要求1-8任一项所述的方法。
11.一种计算机可读存储介质，其上存储有计算机可读指令，所述计算机可读指令在被运行时执行根据权利要求1-8中任一项所述的方法。
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/CN2022/073826 WO2023141766A1 (en) | 2022-01-25 | 2022-01-25 | Method and apparatus for optimizing control parameters, storage medium, and electronic device |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117716181A true CN117716181A (zh) | 2024-03-15 |
Family
ID=87470069
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202280051841.8A Pending CN117716181A (zh) | 2022-01-25 | 2022-01-25 | 一种控制参数优化的方法、装置、存储介质和电子设备 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN117716181A (zh) |
| WO (1) | WO2023141766A1 (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117130280B (zh) * | 2023-09-25 | 2024-03-15 | 南栖仙策(南京)高新技术有限公司 | 泵房控制方法、装置、电子设备及存储介质 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104359192B (zh) * | 2014-11-19 | 2016-12-07 | 山东建筑大学 | 一种基于数据的室内环境节能舒适个性化控制系统及方法 |
| CN111237988B (zh) * | 2020-01-15 | 2021-05-28 | 北京天泽智云科技有限公司 | 地铁车载空调机组控制方法及系统 |
| CN113297660A (zh) * | 2021-06-05 | 2021-08-24 | 西北工业大学 | 一种基于多目标的建筑方案阶段节能优化设计模式构建方法 |
| CN113887083A (zh) * | 2021-10-29 | 2022-01-04 | 北京明略软件系统有限公司 | 一种空调调度优化方法、系统、计算机设备和存储介质 |
| CN113835344B (zh) * | 2021-11-25 | 2022-04-12 | 阿里云计算有限公司 | 设备的控制优化方法、展示平台、云服务器及存储介质 |
-
2022
- 2022-01-25 WO PCT/CN2022/073826 patent/WO2023141766A1/en unknown
- 2022-01-25 CN CN202280051841.8A patent/CN117716181A/zh active Pending
Also Published As
| Publication number | Publication date |
|---|---|
| WO2023141766A1 (en) | 2023-08-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhang et al. | Exploration by maximizing Rényi entropy for reward-free RL framework | |
| CN105378391A (zh) | 针对hvac需求响应的在线优化方案 | |
| CN113110082B (zh) | 用于家电控制的方法、装置和家电 | |
| CN108428017B (zh) | 基于核极限学习机分位数回归的风电功率区间预测方法 | |
| US11693374B2 (en) | Building system with string mapping based on a sequence to sequence neural network | |
| US20210373509A1 (en) | Building system with string mapping based on a statistical model | |
| JP2020154785A (ja) | 予測方法、予測プログラムおよびモデル学習方法 | |
| CN111237988A (zh) | 地铁车载空调机组控制方法及系统 | |
| CN117716181A (zh) | 一种控制参数优化的方法、装置、存储介质和电子设备 | |
| CN107272785A (zh) | 一种机电设备及其控制方法、计算机可读介质 | |
| CN111898725A (zh) | 一种空调系统传感器故障检测方法、装置及电子设备 | |
| CN113983646A (zh) | 基于生成对抗网络的空调互动末端能耗预测方法及空调 | |
| CN111339713A (zh) | 风电场的优化设计方法、系统、电子设备和存储介质 | |
| CN115084598A (zh) | 一种燃料电池的热管理方法 | |
| An et al. | CLUE: Safe Model-Based RL HVAC Control Using Epistemic Uncertainty Estimation | |
| CN112365056A (zh) | 一种电气负荷联合预测方法、装置、终端及存储介质 | |
| CN114492279A (zh) | 一种模拟集成电路的参数优化方法及系统 | |
| Jin et al. | A novel building energy consumption prediction method using deep reinforcement learning with consideration of fluctuation points | |
| WO2021038759A1 (ja) | モデル選択方法、モデル選択プログラムおよび情報処理装置 | |
| CN113821903B (zh) | 温度控制方法和设备、模块化数据中心及存储介质 | |
| CN114556027B (zh) | 空调控制装置、空调系统、空调控制方法和记录介质 | |
| CN117075634A (zh) | 基于改进蚁群算法的配电网多无人机调度巡检方法及装置 | |
| CN112288139A (zh) | 基于混沌时间序列的空调能耗预测方法、系统及存储介质 | |
| Yan et al. | A hybrid clustering multi-source fault diagnosis method for chiller temperature sensors | |
| US11687689B2 (en) | Capacity forecasting |
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 |