CN118066676A - 空气源机组控制方法及装置 - Google Patents

空气源机组控制方法及装置 Download PDF

Info

Publication number
CN118066676A
CN118066676A CN202410165835.6A CN202410165835A CN118066676A CN 118066676 A CN118066676 A CN 118066676A CN 202410165835 A CN202410165835 A CN 202410165835A CN 118066676 A CN118066676 A CN 118066676A
Authority
CN
China
Prior art keywords
indoor
outdoor temperature
sequence
temperature difference
time sequence
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
Application number
CN202410165835.6A
Other languages
English (en)
Inventor
曹锦林
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.)
Weifang Jinxu Network Engineering Co ltd
Original Assignee
Weifang Jinxu Network Engineering 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 Weifang Jinxu Network Engineering Co ltd filed Critical Weifang Jinxu Network Engineering Co ltd
Priority to CN202410165835.6A priority Critical patent/CN118066676A/zh
Publication of CN118066676A publication Critical patent/CN118066676A/zh
Pending legal-status Critical Current

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
    • F24F11/70—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
    • F24F11/86—Control systems characterised by their outputs; Constructional details thereof for controlling the temperature of the supplied air by controlling compressors within refrigeration or heat pump circuits
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
    • F24F11/46—Improving electric energy efficiency or saving
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/50—Control or safety arrangements characterised by user interfaces or communication
    • F24F11/61—Control or safety arrangements characterised by user interfaces or communication using timers
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
    • F24F11/63—Electronic processing
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • F24F2110/10—Temperature
    • F24F2110/12—Temperature of the outside air

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Mechanical Engineering (AREA)
  • Combustion & Propulsion (AREA)
  • Chemical & Material Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Signal Processing (AREA)
  • Human Computer Interaction (AREA)
  • Fuzzy Systems (AREA)
  • Thermal Sciences (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

本申请公开了一种空气源机组控制方法及装置，其通过温度传感器实时监测采集室内温度和室外温度，并在后端引入数据处理和分析算法来进行该室内温度和室外温度的时序协同关联分析，以此来捕获关于室内外温差的时序特征，并根据室内外温度的变化自动调节空气源机组的运行参数，通过这样的方式，实现了对空气源机组运行参数的自动调节，从而提高了制冷效率和节能性能。

Description

空气源机组控制方法及装置
技术领域
本申请涉及智能控制领域，且更为具体地，涉及一种空气源机组控制方法及装置。
背景技术
空气源机组是一种常用于供暖、制冷和热水供应的设备，它通过从室外空气中吸收热量或释放热量来调节室内温度，可以实现超低温的制冷效果。空气源机组的运行频率是影响其制冷性能和能耗的重要因素，因此需要根据室内外温度的变化进行合理的调节。
然而，现有的空气源机组控制方法通常采用固定的运行频率或者基于经验的频率调节策略，这些方法无法根据室内外温度的变化进行自动调节，不能充分利用空气源机组的潜力，也不能适应复杂的环境变化。
因此，期望一种优化的空气源机组控制方案。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种空气源机组控制方法及装置，其通过温度传感器实时监测采集室内温度和室外温度，并在后端引入数据处理和分析算法来进行该室内温度和室外温度的时序协同关联分析，以此来捕获关于室内外温差的时序特征，并根据室内外温度的变化自动调节空气源机组的运行参数，通过这样的方式，实现了对空气源机组运行参数的自动调节，从而提高了制冷效率和节能性能。
根据本申请的一个方面，提供了一种空气源机组控制方法，其包括：
获取由温度传感器采集的室内温度的时间序列和室外温度的时间序列；
基于相同的时间尺度对所述室内温度的时间序列和所述室外温度的时间序列进行序列切分以得到室内温度的局部时间序列的序列和室外温度的局部时间序列的序列；
计算所述室内温度的局部时间序列的序列和所述室外温度的局部时间序列的序列中每组对应的室内温度的局部时间序列和室外温度的局部时间序列之间的按位置差分以得到室内外温差局部时间序列的序列；
将所述室内外温差局部时间序列的序列中的各个室内外温差局部时间序列按照时间维度排列为室内外温差局部时间输入向量的序列；
通过基于深度神经网络模型的室内外温差时序特征提取器对所述室内外温差局部时间输入向量的序列进行特征提取以得到上下文室内外温差局部时间特征向量的序列；
使用原型特征提取网络对所述上下文室内外温差局部时间特征向量的序列进行处理以得到室内外温差原型时序特征向量作为室内外温差原型时序特征；
基于室内外温差原型时序特征，确定当前时间点的运行频率值应增大、应减小或应保持。
根据本申请的另一个方面，提供了一种空气源机组控制装置，其包括：
数据采集模块，用于获取由温度传感器采集的室内温度的时间序列和室外温度的时间序列；
序列切分模块，用于基于相同的时间尺度对所述室内温度的时间序列和所述室外温度的时间序列进行序列切分以得到室内温度的局部时间序列的序列和室外温度的局部时间序列的序列；
室内外温差计算模块，用于计算所述室内温度的局部时间序列的序列和所述室外温度的局部时间序列的序列中每组对应的室内温度的局部时间序列和室外温度的局部时间序列之间的按位置差分以得到室内外温差局部时间序列的序列；
排列模块，用于将所述室内外温差局部时间序列的序列中的各个室内外温差局部时间序列按照时间维度排列为室内外温差局部时间输入向量的序列；
上下文室内外温差局部时间特征提取模块，用于通过基于深度神经网络模型的室内外温差时序特征提取器对所述室内外温差局部时间输入向量的序列进行特征提取以得到上下文室内外温差局部时间特征向量的序列；
室内外温差原型时序特征提取模块，用于使用原型特征提取网络对所述上下文室内外温差局部时间特征向量的序列进行处理以得到室内外温差原型时序特征向量作为室内外温差原型时序特征；
控制结果生成模块，用于基于室内外温差原型时序特征，确定当前时间点的运行频率值应增大、应减小或应保持。
与现有技术相比，本申请提供的一种空气源机组控制方法及装置，其通过温度传感器实时监测采集室内温度和室外温度，并在后端引入数据处理和分析算法来进行该室内温度和室外温度的时序协同关联分析，以此来捕获关于室内外温差的时序特征，并根据室内外温度的变化自动调节空气源机组的运行参数，通过这样的方式，实现了对空气源机组运行参数的自动调节，从而提高了制冷效率和节能性能。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的空气源机组控制方法的流程图；
图2为根据本申请实施例的空气源机组控制方法的系统架构图；
图3为根据本申请实施例的空气源机组控制方法的训练阶段的流程图；
图4为根据本申请实施例的空气源机组控制装置的框图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
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。
虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用，然而，任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的，并且所述系统和方法的不同方面可以使用不同模块。
本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，根据需要，可以按照倒序或同时处理各种步骤。同时，也可以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。
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
现有的空气源机组控制方法通常采用固定的运行频率或者基于经验的频率调节策略，这些方法无法根据室内外温度的变化进行自动调节，不能充分利用空气源机组的潜力，也不能适应复杂的环境变化。因此，期望一种优化的空气源机组控制方案。
在本申请的技术方案中，提出了一种空气源机组控制方法。图1为根据本申请实施例的空气源机组控制方法的流程图。图2为根据本申请实施例的空气源机组控制方法的系统架构图。如图1和图2所示，根据本申请的实施例的空气源机组控制方法，包括步骤：S1，获取由温度传感器采集的室内温度的时间序列和室外温度的时间序列；S2，基于相同的时间尺度对所述室内温度的时间序列和所述室外温度的时间序列进行序列切分以得到室内温度的局部时间序列的序列和室外温度的局部时间序列的序列；S3，计算所述室内温度的局部时间序列的序列和所述室外温度的局部时间序列的序列中每组对应的室内温度的局部时间序列和室外温度的局部时间序列之间的按位置差分以得到室内外温差局部时间序列的序列；S4，将所述室内外温差局部时间序列的序列中的各个室内外温差局部时间序列按照时间维度排列为室内外温差局部时间输入向量的序列；S5，通过基于深度神经网络模型的室内外温差时序特征提取器对所述室内外温差局部时间输入向量的序列进行特征提取以得到上下文室内外温差局部时间特征向量的序列；S6，使用原型特征提取网络对所述上下文室内外温差局部时间特征向量的序列进行处理以得到室内外温差原型时序特征向量作为室内外温差原型时序特征；S7，基于室内外温差原型时序特征，确定当前时间点的运行频率值应增大、应减小或应保持。
特别地，所述S1，获取由温度传感器采集的室内温度的时间序列和室外温度的时间序列。值得一提的是，温度传感器是一种用于测量环境或物体温度的设备。它能够将温度转换为电信号，以便于测量、监测和控制温度。
特别地，所述S2，基于相同的时间尺度对所述室内温度的时间序列和所述室外温度的时间序列进行序列切分以得到室内温度的局部时间序列的序列和室外温度的局部时间序列的序列。考虑到由于室内温度和室外温度在时间维度上具有着时序的动态变化规律和波动性，也就是说，温度的变化通常是非线性的，并且可能存在周期性或季节性的模式。因此，为了能够捕捉到温度时序变化的更细节的特征，以便于更好地分析温度的变化趋势和模式，在本申请的技术方案中，基于相同的时间尺度对将所述室内温度的时间序列和所述室外温度的时间序列进行序列切分以得到室内温度的局部时间序列的序列和室外温度的局部时间序列的序列。通过将室内温度和室外温度的时间序列切分成局部时间序列，可以将整个时间序列分解为多个小的时间段，并且还可以确保室内温度和室外温度的局部时间序列对应的时间点是一致的，这样可以更准确地分析室内外温差的变化情况，进而确定最佳的运行参数调节策略。
特别地，所述S3，计算所述室内温度的局部时间序列的序列和所述室外温度的局部时间序列的序列中每组对应的室内温度的局部时间序列和室外温度的局部时间序列之间的按位置差分以得到室内外温差局部时间序列的序列。应可以理解，由于对于空气源机组的运行频率控制是基于室内外的温度差异进行的，因此，为了能够捕捉到室内外温差的变化情况，以便进一步分析和控制，在本申请的技术方案中，计算所述室内温度的局部时间序列的序列和所述室外温度的局部时间序列的序列中每组对应的室内温度的局部时间序列和室外温度的局部时间序列之间的按位置差分以得到室内外温差局部时间序列的序列。应可以理解，室内外温差是指室内温度与室外温度之间的差异，通过计算所述室内温度的局部时间序列和所述室外温度的局部时间序列之间的按位置差分，可以提供关于室内外温差时序变化趋势和波动信息，这对于确定运行参数的调节策略非常重要。
特别地，所述S4，将所述室内外温差局部时间序列的序列中的各个室内外温差局部时间序列按照时间维度排列为室内外温差局部时间输入向量的序列。也就是，在本申请的技术方案中，为了能够对于室内外温差的时序变化模式和趋势进行更为细致和充分地分析，以此来更为准确地进行运行频率的控制，在本申请的技术方案中，进一步将所述室内外温差局部时间序列的序列中的各个室内外温差局部时间序列按照时间维度排列为室内外温差局部时间输入向量的序列。
特别地，所述S5，通过基于深度神经网络模型的室内外温差时序特征提取器对所述室内外温差局部时间输入向量的序列进行特征提取以得到上下文室内外温差局部时间特征向量的序列。特别地，所述基于深度神经网络模型的室内外温差时序特征提取器为基于Transformer层的室内外温差时序特征提取器。具体地，将所述室内外温差局部时间输入向量的序列通过基于Transformer层的室内外温差时序特征提取器，以此来提取出所述室内外温差在各个局部时间段中的局部时序上下文关联特征信息，从而得到得到上下文室内外温差局部时间特征向量的序列。更具体地，将所述室内外温差局部时间输入向量的序列进行一维排列以得到全局室内外温差特征向量；计算所述全局室内外温差特征向量与所述室内外温差局部时间输入向量的序列中各个室内外温差局部时间输入向量的转置向量之间的乘积以得到多个自注意力关联矩阵；标准化单元，用于分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；关注度计算单元，用于将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；注意力施加单元，用于分别以所述多个概率值中各个概率值作为权重对所述室内外温差局部时间输入向量的序列中各个局部时间输入向量进行加权以得到所述上下文室内外温差局部时间特征向量的序列。
Transformer层是一种在自然语言处理和其他序列处理任务中广泛使用的神经网络层。Transformer层的核心思想是使用自注意力机制来捕捉输入序列中不同位置之间的关联性。相比于传统的循环神经网络和卷积神经网络，Transformer层能够并行处理序列中的所有位置，从而提高了计算效率。
特别地，所述S6，使用原型特征提取网络对所述上下文室内外温差局部时间特征向量的序列进行处理以得到室内外温差原型时序特征向量作为室内外温差原型时序特征。应可以理解，由于所述上下文室内外温差局部时间特征向量的序列中的各个上下文室内外温差局部时间特征向量分别表示了室内外温差的局部时序上下文特征，特别地，考虑到在实际进行室内外温度监测来进行运行频率的相应控制过程中，不同局部时间段中的室内外温差在特定季节和特定的地域内会呈现一定的时序变化规律和趋势，但是偶尔会有特例受到外界环境因素的影响而导致室内外温差的时序变化特征差异度较大，其并不能够反映出室内外温差时序特征的本质特征，也就对运行频率的控制贡献度较小，需要减少偏离本质特征的室内外温差时序特征对于原型计算的影响。基于此，在本申请的技术方案中，进一步使用原型特征提取网络对所述上下文室内外温差局部时间特征向量的序列进行处理以得到室内外温差原型时序特征向量。应可以理解，通过所述原型特征提取网络的处理，可以将所述上下文室内外温差局部时间特征向量的序列中各个局部片段的室内外温差局部时序上下文特征进行基于原型本质贡献度的加权融合分析，以此来将各个局部室内外温差时序上下文关联特征映射到一个更具有区分性和表达能力的特征空间中，从而捕捉到室内外温差时序变化的本质表征特征，其包含了关于温差变化的重要信息，例如温差的幅值、频率、趋势等。这可以提高室内外温差的时序特征表达能力和判别能力，从而更准确地实现空气源机组的运行参数的自适应控制。具体地，使用所述原型特征提取网络以如下原型公式对所述上下文室内外温差局部时间特征向量的序列进行处理以得到所述室内外温差原型时序特征向量；其中，所述原型公式为：
其中，vi和vj为所述上下文室内外温差局部时间特征向量的序列中第i和第j个上下文室内外温差局部时间特征向量，Vk是所述上下文室内外温差局部时间特征向量的序列，||·||1为向量的一范数，M为所述上下文室内外温差局部时间特征向量的序列中向量的个数－1，Di为室内温差波动语义特征向量中各个位置的特征值，Ns是所述室内温差波动语义特征向量的长度，V是所述室内外温差原型时序特征向量，exp(·)为指数运算。
特别地，所述S7，基于室内外温差原型时序特征，确定当前时间点的运行频率值应增大、应减小或应保持。也就是，在本申请的技术方案中，将所述室内外温差原型时序特征向量通过基于分类器的压缩机运行频率控制器以得到运行频率控制指令，所述运行频率控制指令用于表示当前时间点的运行频率值应增大、应减小或应保持。也就是说，利用室内外温差的原型时序本质特征信息来进行分类处理，以此来进行压缩机运行参数的自动控制，例如增大、减小或保持压缩机的运行频率。这样，能够根据室内外温度的变化自动调节空气源机组的运行参数，实现了对空气源机组运行参数的自动调节，从而提高了制冷效率和节能性能。具体地，使用所述分类器的多个全连接层对所述室内外温差原型时序特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
分类器是指一种机器学习模型或算法，用于将输入数据分为不同的类别或标签。分类器是监督学习的一部分，它通过学习从输入数据到输出类别的映射关系来进行分类任务。
全连接层是神经网络中常见的一种层类型。在全连接层中，每个神经元都与上一层的所有神经元相连接，每个连接都有一个权重。这意味着全连接层中的每个神经元都接收来自上一层所有神经元的输入，并通过权重对这些输入进行加权求和，然后将结果传递给下一层。
Softmax分类函数是一种常用的激活函数，用于多分类问题。它将输入向量的每个元素转化为一个介于0和1之间的概率值，并且这些概率值的和等于1。Softmax函数常用于神经网络的输出层，特别适用于多分类问题，因为它能够将网络输出映射为各个类别的概率分布。在训练过程中，Softmax函数的输出可以用于计算损失函数，并通过反向传播算法来更新网络参数。值得注意的是，Softmax函数的输出并不会改变元素之间的相对大小关系，只是对其进行了归一化处理。因此，Softmax函数并不改变输入向量的特性，只是将其转化为概率分布形式。
应可以理解，在利用上述神经网络模型进行推断之前，需要对所述基于Transformer层的室内外温差时序特征提取器、所述原型特征提取网络和所述基于分类器的压缩机运行频率控制器进行训练。也就是说，在本申请的空气源机组控制方法中，还包括训练阶段，用于对所述基于Transformer层的室内外温差时序特征提取器、所述原型特征提取网络和所述基于分类器的压缩机运行频率控制器进行训练。
图3为根据本申请实施例的空气源机组控制方法的训练阶段的流程图。如图3所示，根据本申请实施例的空气源机组控制方法，包括：训练阶段，包括：S110,获取训练数据，所述训练数据包括由温度传感器采集的训练室内温度的时间序列和训练室外温度的时间序列；S120,基于相同的时间尺度对所述训练室内温度的时间序列和所述训练室外温度的时间序列进行序列切分以得到训练室内温度的局部时间序列的序列和训练室外温度的局部时间序列的序列；S130,计算所述训练室内温度的局部时间序列的序列和所述训练室外温度的局部时间序列的序列中每组对应的训练室内温度的局部时间序列和训练室外温度的局部时间序列之间的按位置差分以得到训练室内外温差局部时间序列的序列；S140,将所述训练室内外温差局部时间序列的序列中的各个训练室内外温差局部时间序列按照时间维度排列为训练室内外温差局部时间输入向量的序列；S150,通过基于Transformer层的室内外温差时序特征提取器对所述训练室内外温差局部时间输入向量的序列进行特征提取以得到训练上下文室内外温差局部时间特征向量的序列；S160,使用原型特征提取网络对所述训练上下文室内外温差局部时间特征向量的序列进行处理以得到训练室内外温差原型时序特征向量；S170,对所述训练室内外温差原型时序特征向量进行优化以得到优化训练室内外温差原型时序特征向量；S180,将所述训练室内外温差原型时序特征向量通过基于分类器的压缩机运行频率控制器以得到分类损失函数值；S190,基于所述分类损失函数值对所述基于Transformer层的室内外温差时序特征提取器、所述原型特征提取网络和所述基于分类器的压缩机运行频率控制器进行训练。
其中，将所述训练室内外温差原型时序特征向量通过基于分类器的压缩机运行频率控制器以得到分类损失函数值，包括：使用所述分类器对所述训练室内外温差原型时序特征向量进行处理以得到训练分类结果:以及，计算所述训练分类结果与所述当前时间点的运行频率值应增大、应减小或应保持的真实值之间的交叉熵损失函数值作为所述分类损失函数值。
在本申请的技术方案中，所述训练上下文室内外温差局部时间特征向量的序列中的每个训练上下文室内外温差局部时间特征向量表达所述训练室内外温差值的局部时域分布间的跨时域上下文关联特征。这样，考虑到所述训练室内外温差局部时间序列的序列的各个训练室内外温差局部时间序列间的源数据时序分布不均衡，在进行了室内外温差时域上下文关联特征的提取后，各个所述训练上下文室内外温差局部时间特征向量的特征分布间也会存在显著的不均衡和不一致。由此，使用原型特征提取网络对所述训练上下文室内外温差局部时间特征向量的序列进行处理时，考虑到局部时域间的上下文室内外温差局部时间特征向量由于特征分布的显著的不均衡和不一致，所述各个训练上下文室内外温差局部时间特征向量各自的基于其局部时域的室内外温差时域间上下文语义特征分布的特征分布信息显著性会受到影响，使得当所述训练室内外温差原型时序特征向量通过分类器进行分类时，难以稳定地聚焦于特征的显著局部分布，从而影响训练速度。基于此，本申请的申请人在每次所述训练室内外温差原型时序特征向量通过分类器进行分类回归的迭代时，对所述训练室内外温差原型时序特征向量进行优化，表示为：
其中V是所述训练室内外温差原型时序特征向量，和/>分别是所述训练室内外温差原型时序特征向量的1范数和2范数的平方，L是所述训练室内外温差原型时序特征向量的长度，且ω是权重超参数，log表示以2为底的对数运算。具体地，通过基于所述训练室内外温差原型时序特征向量V的尺度和结构参数来进行其高维特征流形形状的几何注册，可以关注所述训练室内外温差原型时序特征向量V的特征值构成的特征集合中的具有丰富特征语义信息的特征，也就是，在分类器进行分类时的基于局部上下文信息表示不相似性的可区分的稳定兴趣特征，从而实现所述训练室内外温差原型时序特征向量V在分类过程中的特征信息显著性标注，提升分类器的训练速度。这样，能够根据室内外温度的变化自动调节空气源机组的运行参数，从而提高了制冷效率和节能性能。
综上，根据本申请实施例的空气源机组控制方法被阐明，其通过温度传感器实时监测采集室内温度和室外温度，并在后端引入数据处理和分析算法来进行该室内温度和室外温度的时序协同关联分析，以此来捕获关于室内外温差的时序特征，并根据室内外温度的变化自动调节空气源机组的运行参数，通过这样的方式，实现了对空气源机组运行参数的自动调节，从而提高了制冷效率和节能性能。
进一步地，还提供一种空气源机组控制装置。
图4为根据本申请实施例的空气源机组控制装置的框图。如图4所示，根据本申请实施例的空气源机组控制装置300，包括：数据采集模块310，用于获取由温度传感器采集的室内温度的时间序列和室外温度的时间序列；序列切分模块320，用于基于相同的时间尺度对所述室内温度的时间序列和所述室外温度的时间序列进行序列切分以得到室内温度的局部时间序列的序列和室外温度的局部时间序列的序列；室内外温差计算模块330，用于计算所述室内温度的局部时间序列的序列和所述室外温度的局部时间序列的序列中每组对应的室内温度的局部时间序列和室外温度的局部时间序列之间的按位置差分以得到室内外温差局部时间序列的序列；排列模块340，用于将所述室内外温差局部时间序列的序列中的各个室内外温差局部时间序列按照时间维度排列为室内外温差局部时间输入向量的序列；上下文室内外温差局部时间特征提取模块350，用于通过基于深度神经网络模型的室内外温差时序特征提取器对所述室内外温差局部时间输入向量的序列进行特征提取以得到上下文室内外温差局部时间特征向量的序列；室内外温差原型时序特征提取模块360，用于使用原型特征提取网络对所述上下文室内外温差局部时间特征向量的序列进行处理以得到室内外温差原型时序特征向量作为室内外温差原型时序特征；控制结果生成模块370，用于基于室内外温差原型时序特征，确定当前时间点的运行频率值应增大、应减小或应保持。
如上所述，根据本申请实施例的空气源机组控制装置300可以实现在各种无线终端中，例如具有空气源机组控制算法的服务器等。在一种可能的实现方式中，根据本申请实施例的空气源机组控制装置300可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如，该空气源机组控制装置300可以是该无线终端的操作系统中的一个软件模块，或者可以是针对于该无线终端所开发的一个应用程序；当然，该空气源机组控制装置300同样可以是该无线终端的众多硬件模块之一。
替换地，在另一示例中，该空气源机组控制装置300与该无线终端也可以是分立的设备，并且该空气源机组控制装置300可以通过有线和/或无线网络连接到该无线终端，并且按照约定的数据格式来传输交互信息。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (8)

1.一种空气源机组控制方法，其特征在于，包括：
获取由温度传感器采集的室内温度的时间序列和室外温度的时间序列；
基于相同的时间尺度对所述室内温度的时间序列和所述室外温度的时间序列进行序列切分以得到室内温度的局部时间序列的序列和室外温度的局部时间序列的序列；
计算所述室内温度的局部时间序列的序列和所述室外温度的局部时间序列的序列中每组对应的室内温度的局部时间序列和室外温度的局部时间序列之间的按位置差分以得到室内外温差局部时间序列的序列；
将所述室内外温差局部时间序列的序列中的各个室内外温差局部时间序列按照时间维度排列为室内外温差局部时间输入向量的序列；
通过基于深度神经网络模型的室内外温差时序特征提取器对所述室内外温差局部时间输入向量的序列进行特征提取以得到上下文室内外温差局部时间特征向量的序列；
使用原型特征提取网络对所述上下文室内外温差局部时间特征向量的序列进行处理以得到室内外温差原型时序特征向量作为室内外温差原型时序特征；
基于室内外温差原型时序特征，确定当前时间点的运行频率值应增大、应减小或应保持。
2.根据权利要求1所述的空气源机组控制方法，其特征在于，所述基于深度神经网络模型的室内外温差时序特征提取器为基于Transformer层的室内外温差时序特征提取器。
3.根据权利要求2所述的空气源机组控制方法，其特征在于，使用原型特征提取网络对所述上下文室内外温差局部时间特征向量的序列进行处理以得到室内外温差原型时序特征向量作为室内外温差原型时序特征，包括：使用所述原型特征提取网络以如下原型公式对所述上下文室内外温差局部时间特征向量的序列进行处理以得到所述室内外温差原型时序特征向量；
其中，所述原型公式为：
其中，vi和vj为所述上下文室内外温差局部时间特征向量的序列中第i和第j个上下文室内外温差局部时间特征向量，Vk是所述上下文室内外温差局部时间特征向量的序列，||·||1为向量的一范数，M为所述上下文室内外温差局部时间特征向量的序列中向量的个数－1，Di为室内温差波动语义特征向量中各个位置的特征值，Ns是所述室内温差波动语义特征向量的长度，V是所述室内外温差原型时序特征向量，exp(·)为指数运算。
4.根据权利要求3所述的空气源机组控制方法，其特征在于，基于室内外温差原型时序特征，确定当前时间点的运行频率值应增大、应减小或应保持，包括：将所述室内外温差原型时序特征向量通过基于分类器的压缩机运行频率控制器以得到运行频率控制指令，所述运行频率控制指令用于表示当前时间点的运行频率值应增大、应减小或应保持。
5.根据权利要求4所述的空气源机组控制方法，其特征在于，还包括训练步骤：用于对所述基于Transformer层的室内外温差时序特征提取器、所述原型特征提取网络和所述基于分类器的压缩机运行频率控制器进行训练。
6.根据权利要求5所述的空气源机组控制方法，其特征在于，所述训练步骤，包括：
获取训练数据，所述训练数据包括由温度传感器采集的训练室内温度的时间序列和训练室外温度的时间序列；
基于相同的时间尺度对所述训练室内温度的时间序列和所述训练室外温度的时间序列进行序列切分以得到训练室内温度的局部时间序列的序列和训练室外温度的局部时间序列的序列；
计算所述训练室内温度的局部时间序列的序列和所述训练室外温度的局部时间序列的序列中每组对应的训练室内温度的局部时间序列和训练室外温度的局部时间序列之间的按位置差分以得到训练室内外温差局部时间序列的序列；
将所述训练室内外温差局部时间序列的序列中的各个训练室内外温差局部时间序列按照时间维度排列为训练室内外温差局部时间输入向量的序列；
通过基于Transformer层的室内外温差时序特征提取器对所述训练室内外温差局部时间输入向量的序列进行特征提取以得到训练上下文室内外温差局部时间特征向量的序列；
使用原型特征提取网络对所述训练上下文室内外温差局部时间特征向量的序列进行处理以得到训练室内外温差原型时序特征向量；
对所述训练室内外温差原型时序特征向量进行优化以得到优化训练室内外温差原型时序特征向量；
将所述训练室内外温差原型时序特征向量通过基于分类器的压缩机运行频率控制器以得到分类损失函数值；
基于所述分类损失函数值对所述基于Transformer层的室内外温差时序特征提取器、所述原型特征提取网络和所述基于分类器的压缩机运行频率控制器进行训练。
7.根据权利要求6所述的空气源机组控制方法，其特征在于，将所述训练室内外温差原型时序特征向量通过基于分类器的压缩机运行频率控制器以得到分类损失函数值，包括：
使用所述分类器对所述训练室内外温差原型时序特征向量进行处理以得到训练分类结果:以及
计算所述训练分类结果与所述当前时间点的运行频率值应增大、应减小或应保持的真实值之间的交叉熵损失函数值作为所述分类损失函数值。
8.一种空气源机组控制装置，其特征在于，包括：
数据采集模块，用于获取由温度传感器采集的室内温度的时间序列和室外温度的时间序列；
序列切分模块，用于基于相同的时间尺度对所述室内温度的时间序列和所述室外温度的时间序列进行序列切分以得到室内温度的局部时间序列的序列和室外温度的局部时间序列的序列；
室内外温差计算模块，用于计算所述室内温度的局部时间序列的序列和所述室外温度的局部时间序列的序列中每组对应的室内温度的局部时间序列和室外温度的局部时间序列之间的按位置差分以得到室内外温差局部时间序列的序列；
排列模块，用于将所述室内外温差局部时间序列的序列中的各个室内外温差局部时间序列按照时间维度排列为室内外温差局部时间输入向量的序列；
上下文室内外温差局部时间特征提取模块，用于通过基于深度神经网络模型的室内外温差时序特征提取器对所述室内外温差局部时间输入向量的序列进行特征提取以得到上下文室内外温差局部时间特征向量的序列；
室内外温差原型时序特征提取模块，用于使用原型特征提取网络对所述上下文室内外温差局部时间特征向量的序列进行处理以得到室内外温差原型时序特征向量作为室内外温差原型时序特征；
控制结果生成模块，用于基于室内外温差原型时序特征，确定当前时间点的运行频率值应增大、应减小或应保持。
CN202410165835.6A 2024-02-05 2024-02-05 空气源机组控制方法及装置 Pending CN118066676A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410165835.6A CN118066676A (zh) 2024-02-05 2024-02-05 空气源机组控制方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410165835.6A CN118066676A (zh) 2024-02-05 2024-02-05 空气源机组控制方法及装置

Publications (1)

Publication Number Publication Date
CN118066676A true CN118066676A (zh) 2024-05-24

Family

ID=91110582

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410165835.6A Pending CN118066676A (zh) 2024-02-05 2024-02-05 空气源机组控制方法及装置

Country Status (1)

Country Link
CN (1) CN118066676A (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001108275A (ja) * 1999-10-08 2001-04-20 Mitsubishi Electric Corp 冷媒自然循環併用形空調機の制御方式
CN103388880A (zh) * 2013-04-03 2013-11-13 广东美的制冷设备有限公司 一种空调器的控制方法
CN107726563A (zh) * 2017-10-17 2018-02-23 广东美的制冷设备有限公司 空调器控制方法和空调器
US20220366260A1 (en) * 2021-04-30 2022-11-17 Google Llc Kernelized Classifiers in Neural Networks
CN116010818A (zh) * 2023-01-13 2023-04-25 重庆邮电大学工业互联网研究院 一种基于边界增强原型网络的齿轮箱故障诊断方法
CN116070134A (zh) * 2023-01-13 2023-05-05 华中科技大学 一种基于原型学习的智能设备故障诊断方法及系统
CN117160072A (zh) * 2023-10-19 2023-12-05 温兄控股集团股份有限公司 多向动态连续提取系统及其方法
CN117166873A (zh) * 2023-08-28 2023-12-05 广东福临门世家智能家居有限公司 用于移动门窗的智能控制方法及系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001108275A (ja) * 1999-10-08 2001-04-20 Mitsubishi Electric Corp 冷媒自然循環併用形空調機の制御方式
CN103388880A (zh) * 2013-04-03 2013-11-13 广东美的制冷设备有限公司 一种空调器的控制方法
CN107726563A (zh) * 2017-10-17 2018-02-23 广东美的制冷设备有限公司 空调器控制方法和空调器
US20220366260A1 (en) * 2021-04-30 2022-11-17 Google Llc Kernelized Classifiers in Neural Networks
CN116010818A (zh) * 2023-01-13 2023-04-25 重庆邮电大学工业互联网研究院 一种基于边界增强原型网络的齿轮箱故障诊断方法
CN116070134A (zh) * 2023-01-13 2023-05-05 华中科技大学 一种基于原型学习的智能设备故障诊断方法及系统
CN117166873A (zh) * 2023-08-28 2023-12-05 广东福临门世家智能家居有限公司 用于移动门窗的智能控制方法及系统
CN117160072A (zh) * 2023-10-19 2023-12-05 温兄控股集团股份有限公司 多向动态连续提取系统及其方法

Similar Documents

Publication Publication Date Title
CN116780316B (zh) 大功率固体激光器的散热系统
CN110826784B (zh) 能源使用效率的预测方法、装置及存储介质和终端设备
CN117835500A (zh) 基于物联网技术的智慧城市照明智能控制系统及方法
CN116929815A (zh) 基于物联网的设备工作状态监测系统及其方法
CN116930042B (zh) 建筑防水材料性能检测设备及方法
CN115435892A (zh) 一种复杂机电装备的智能故障诊断方法
CN110781595A (zh) 能源使用效率pue的预测方法、装置、终端及介质
CN117195747B (zh) 一种磁性材料烘干用均匀热分布优化方法
CN117784710A (zh) 数控机床远程状态监控系统及其方法
CN118224112A (zh) 基于物联网技术的智能电风扇控制系统及方法
CN111880424B (zh) 基于物联网和大数据的智能设备控制方法及云控制中心
CN116777183B (zh) 无人船集群智能调度方法及系统
CN118066676A (zh) 空气源机组控制方法及装置
CN116467631A (zh) 电力指纹识别模型训练方法、电力指纹识别方法及装置
CN114723998A (zh) 基于大边界贝叶斯原型学习的小样本图像分类方法及装置
CN117606112B (zh) 近零能耗建筑的室内环境控制系统及方法
CN117989588B (zh) 供热设施的换热站自控系统
CN117555249B (zh) 智能家居的门窗控制方法及系统
Mishra et al. Energy efficient smart working environment using Internet of Things
CN117370870B (zh) 知识和数据复合驱动的装备多工况识别与性能预测方法
CN118493416B (zh) 分布式光伏清扫机器人及其控制方法
CN117338600B (zh) 一种炒药控制系统及控制方法
CN118659481A (zh) 一种基于微电网系统的bms电池储能管理方法及系统
CN118168122A (zh) 变频机组控制方法及装置
CN117029191A (zh) 一种基于中央空调的智能节能控制系统及方法

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