WO2022001935A1 - 空调控制方法以及装置、电子设备、介质 - Google Patents

空调控制方法以及装置、电子设备、介质 Download PDF

Info

Publication number
WO2022001935A1
WO2022001935A1 PCT/CN2021/102691 CN2021102691W WO2022001935A1 WO 2022001935 A1 WO2022001935 A1 WO 2022001935A1 CN 2021102691 W CN2021102691 W CN 2021102691W WO 2022001935 A1 WO2022001935 A1 WO 2022001935A1
Authority
WO
WIPO (PCT)
Prior art keywords
air conditioner
predicted
time
target time
temperature
Prior art date
Application number
PCT/CN2021/102691
Other languages
English (en)
French (fr)
Inventor
熊勇
刘明明
胡先红
林东华
秦世好
Original Assignee
中兴通讯股份有限公司
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 中兴通讯股份有限公司 filed Critical 中兴通讯股份有限公司
Priority to BR112022026881A priority Critical patent/BR112022026881A2/pt
Priority to EP21833477.9A priority patent/EP4170249A4/en
Priority to JP2022580480A priority patent/JP7583072B2/ja
Publication of WO2022001935A1 publication Critical patent/WO2022001935A1/zh

Links

Images

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
    • F24F11/46—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
    • F24F11/70—Control systems characterised by their outputs; Constructional details thereof
    • 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
    • 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

Definitions

  • FIG. 4 is a block diagram of the composition of the air-conditioning control device provided by the present disclosure.
  • a preset deep neural network (NN, Neural Network) model can be used to obtain the predicted running time period.
  • the deep neural network model may include three sub-models, and the three sub-models may all be deep neural network models.
  • the indoor temperature of the base station is mainly determined by the load of the base station (which is related to the calorific value of the equipment of the base station) and the outdoor temperature. Therefore, after training, the second sub-model can use the predicted load and predicted outdoor temperature obtained by the first sub-model to predict the predicted indoor temperature of the base station at the target time when the air conditioner is not turned on.
  • the third sub-model can use the predicted indoor temperature obtained by the second sub-model to calculate the indoor temperature of the base station under various operating modes of the air conditioner (that is, various operating periods of the air conditioner) (that is, the indoor temperature after the air conditioner is turned on) , and determine in which operation mode the power consumption of the air conditioner meets the second predetermined standard (eg, power consumption minimum), and output the operating mode as the predicted operating time period.
  • various operating modes of the air conditioner that is, various operating periods of the air conditioner
  • the second predetermined standard eg, power consumption minimum
  • Refrigeration parameters of the air conditioner refers to the actual cooling capacity of the air conditioner (or the ability to reduce the indoor temperature) under the current actual conditions of the base station and the air conditioner, which can be expressed in the form of a "refrigeration efficiency factor”.
  • the division of the above three sub-models is only to obtain the predicted running time period more accurately, rather than to limit the protection scope of the embodiments of the present disclosure.
  • the deep neural network model of the present disclosure may also have other different structures.
  • the training of the deep neural network model can be "one-time", that is, after the deep neural network model reaches the required performance through centralized training of a large amount of training data, the training is not continued.
  • the three sub-models in the deep neural network model of the present disclosure are relatively independent, the three sub-models can be trained independently. That is, although the output of the previous sub-model is used as the input of the latter sub-model in practical applications, during training, the measured data can be directly input into the latter sub-model to make the training process more accurate and efficient. .
  • step A2 a large number of sample data such as the outdoor temperature of the base station, the indoor temperature (when the air conditioner is not turned on), and the load amount of the base station in different historical times are collected.
  • each air-conditioning control optimal solution vector may include the start-up time and corresponding start-up duration of multiple sets of air conditioners.
  • X* is the normalized sample data
  • Xreal is the real value of the sample data
  • Xmax is the maximum or upper limit of this type of sample data
  • Xmin is the minimum or lower limit of this type of sample data.
  • the training set is used to train the model (or used in the pre-training stage), the validation set is used to verify whether the model is trained (or used in the later stage of training), and the test set is used to test the trained model (or used for testing). training results).
  • the second sub-model is used to output the predicted indoor temperature of the historical time, and compared with the actual indoor temperature of the historical time to train the second sub-model.
  • the third sub-model is used to output the optimal solution vector of air-conditioning control for this historical time as the output, and it is combined with the corresponding time obtained in step A3 above.
  • the optimal solution vectors for air conditioning control are compared to train the third sub-model.
  • step B01 additional rules are preset.
  • the air conditioner of the base station is generally turned on when the indoor temperature exceeds 35°C and is turned off when the temperature drops to about 25°C, the following parameters can be configured on the FSU or UME:
  • VHT Very high temperature threshold
  • VLT Very low temperature threshold
  • step B02 data collection is performed to obtain sample data.
  • the daily air conditioner should not be started frequently.
  • the maximum number of starts per day can be set to 12. Therefore, if the Tmoment/Thours tag group has 2 valid values, it means that the air conditioner should start and run twice, start at each Tmoment arrival time, and run the corresponding The duration of Thours.
  • X* is the normalized sample data
  • Xreal is the real value of the sample data
  • Xmax is the maximum or upper limit of this type of sample data
  • Xmin is the minimum or lower limit of this type of sample data.
  • the sum of Xmax in normalization can be set as required.
  • Xmax can be set as the value when the base station is fully loaded, and Xmin is 0.
  • Xmax can be set as the upper limit value of 24 (24 hours a day), and Xmin can be set as 0.
  • step B05 the sample data at different times are divided into training set, verification set and test set.
  • the number of samples in the training set, validation set and test set can be distributed in a ratio of 6:2:2.
  • the regional event parameter Fevent can be a characteristic parameter between (0, 1). According to human experience, if a certain area is normally 0, it is 0.1 for commercial marketing activities, 0.2 for gatherings, and 0.3 for concerts. Wait.
  • step B08 a third sub-model (air conditioning control prediction model) is constructed and trained.
  • the value of the cooling efficiency factor is usually unchanged.
  • the deep neural network model After the deep neural network model is trained and optimized, it is deployed according to the actual operating environment. For example, the three sub-models are all deployed on the UME, making full use of the powerful computing resources of the cloud to realize real-time or online training.
  • step B10 the FSU collects real-time information such as indoor temperature, outdoor temperature, and load and uploads it to the UME.
  • the FSU collects various parameters in real time and uploads them to the UME.
  • Each sub-model works on its own function, outputting a predicted operating period of the air conditioner for a target time in the future (eg, a day).
  • step B12 the air-conditioning control command is calculated.
  • Air conditioner initialization the initial state of the air conditioner is off, and the operating time Ton of the air conditioner and the off time Toff of the air conditioner are reset;
  • Toff starts timing when the air conditioner is turned off
  • the FSU can also have a built-in corresponding program for the traditional temperature control start-stop method. If the UME's air-conditioning control command cannot be received in time (for example, the communication network is interrupted for a long time), the FSU automatically executes the built-in corresponding program, and temporarily uses the traditional temperature control start-stop method. Control the air conditioner.
  • step B14 real-time training.
  • steps B01 to B09 can be performed once before the subsequent steps; and steps B10, B11, B12, B13, and B14 can be designed as tasks (or processes) that run independently, and each task can be executed concurrently.
  • Step B10 can be run periodically (for example, the running period is 5 minutes)
  • Step B11 can be executed once every day before 0:00, and output the optimal solution vector of air-conditioning control of the day
  • Step B12 can be run in real time
  • Step B13 can be executed after receiving It is executed immediately after the air-conditioning control command issued.
  • the air conditioning control device includes a determination module, a prediction module and a control module.
  • the prediction module is configured to determine the predicted operation time period of the air conditioner at the target time according to the target time and the predicted outdoor temperature, where the predicted operation time period is to make the total power consumption of the air conditioner meet the A second predetermined standard operating time period.
  • the control module is configured to control the air conditioner according to the predicted operating time period at the target time.
  • the predicted operation time period of the target time is obtained, that is, the optimal operation of the air conditioner at the target time is predicted. mode, and at the target time, the air conditioner is controlled to be activated or deactivated according to the preferred operation mode, so as to ensure that the equipment of the base station does not overheat, and to reduce energy consumption as much as possible.
  • an electronic device provided by the present disclosure includes: one or more processors; and a memory on which one or more programs are stored, and when the one or more programs are executed by the one or more processors, one or more A plurality of processors implement the air conditioning control method according to the present disclosure.
  • the electronic device may also include one or more I/O interfaces, connected between the processor and the memory, for realizing information interaction between the processor and the memory.
  • the present disclosure provides a computer-readable medium on which a computer program is stored, and when the computer program is executed by a processor, causes the processor to implement the air conditioning control method according to the present disclosure.
  • the division between functional modules/units mentioned in the above description does not necessarily correspond to the division of physical components; for example, one physical component may have multiple functions, or one function or step may be composed of several physical components Components execute cooperatively.
  • Some or all of the physical components may be implemented as software executed by a processor, such as a central processing unit (CPU), digital signal processor or microprocessor, or as hardware, or as an integrated circuit such as Application-specific integrated circuits.
  • a processor such as a central processing unit (CPU), digital signal processor or microprocessor, or as hardware, or as an integrated circuit such as Application-specific integrated circuits.
  • Such software may be distributed on computer-readable media, which may include computer storage media (or non-transitory media) and communication media (or transitory media).
  • computer storage media includes both volatile and nonvolatile implemented in any method or technology for storage of information, such as computer readable instructions, data structures, program modules or other data flexible, removable and non-removable media.
  • Computer storage media include, but are not limited to, random access memory (RAM, more specifically SDRAM, DDR, etc.), read only memory (ROM), electrically erasable programmable read only memory (EEPROM), flash memory (FLASH), or other disk storage ; compact disc read only (CD-ROM), digital versatile disk (DVD), or other optical disk storage; magnetic cartridge, tape, magnetic disk storage or other magnetic storage; any other storage that can be used to store desired information and that can be accessed by a computer medium.
  • communication media typically embodies computer readable instructions, data structures, program modules, or other data in a modulated data signal such as a carrier wave or other transport mechanism, and can include any information delivery media, as is well known to those of ordinary skill in the art .

Landscapes

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

Abstract

一种空调控制方法，包括：确定未来的目标时间的预测室外温度；根据目标时间和预测室外温度，确定空调在目标时间的预测运行时间段，预测运行时间段为在室内温度不超过第一预定标准的情况下，使空调的总功耗符合第二预定标准的运行时间段；在目标时间，根据预测运行时间段控制空调。本方案还提供了一种空调控制装置、电子设备、计算机可读介质。

Description

空调控制方法以及装置、电子设备、介质 技术领域
本公开实施例涉及通信技术领域，特别涉及一种空调控制方法以及装置、电子设备、计算机可读介质。
背景技术
在通信网络中，约80％的能耗来自广泛分布的基站，而基站的空调能耗就占据基站总能耗的46％。
通过设置启动温度和关闭温度控制基站的空调，虽然可以自由设置和调整启动温度和关闭温度，但真正合理的启动温度和关闭温度往往难以确定，而不合适的启动温度和关闭温度可能造成空调频繁的启动与关闭，反而导致基站的空调耗电更多。
发明内容
本公开实施例提供一种空调控制方法，包括：确定未来的目标时间的预测室外温度；根据所述目标时间和所述预测室外温度，确定所述空调在所述目标时间的预测运行时间段，所述预测运行时间段为在室内温度不超过第一预定标准的情况下，使空调的总功耗符合第二预定标准的运行时间段；以及
在所述目标时间，根据所述预测运行时间段控制所述空调。
本公开实施例还提供一种空调控制装置，包括：确定模块，配置为确定未来的目标时间的预测室外温度；预测模块，配置为根据所述目标时间和所述预测室外温度，确定所述空调在所述目标时间的预测运行时间段，所述预测运行时间段为在室内温度不超过第一预定标准的情况下，使空调的总功耗符合第二预定标准的运行时间段；以及控制模块，配置为在所述目标时间，根据所述预测运行时间段控制所述空调。
本公开实施例还提供一种电子设备，包括：一个或多个处理器；以及存储器，其上存储有一个或多个程序，当所述一个或多个程序被 所述一个或多个处理器执行，使得所述一个或多个处理器实现根据本公开的空调控制方法。
本公开实施例还提供一种计算机可读介质，其上存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器实现根据吧本公开的空调控制方法。
附图说明
在本公开的附图中，
图1为本公开提供的空调控制方法的流程图；
图2为本公开提供的空调控制方法的另一流程图；
图3为本公开提供的空调控制方法中使用的深度神经网络的逻辑结构示意图；
图4为本公开提供的空调控制装置的组成框图；
图5为本公开提供的电子设备的组成框图；以及
图6为本公开提供的计算机可读介质的组成框图。
具体实施方式
为使本领域的技术人员更好地理解本公开实施例的技术方案，下面结合附图对本公开提供的空调控制方法以及装置、电子设备、计算机可读介质进行详细描述。
在下文中将参考附图更充分地描述本公开实施例，但是所示的实施例可以以不同形式来体现，且不应当被解释为限于本公开阐述的实施例。反之，提供这些实施例的目的在于使本公开透彻和完整，并将使本领域技术人员充分理解本公开的范围。
本公开实施例的附图用来提供对本公开实施例的进一步理解，并且构成说明书的一部分，与本公开实施例一起用于解释本公开，并不构成对本公开的限制。通过参考附图对详细示例实施例进行描述，以上和其他特征和优点对本领域技术人员将变得更加显而易见，
本公开实施例可借助本公开的理想示意图而参考平面图和/或截面图进行描述。因此，可根据制造技术和/或容限来修改示例图示。
在不冲突的情况下，本公开各实施例及实施例中的各特征可相互组合。
本公开所使用的术语仅用于描述特定实施例，且不意欲限制本公开。如本公开所使用的术语“和/或”包括一个或多个相关列举条目的任何和所有组合。如本公开所使用的单数形式“一个”和“该”也意欲包括复数形式，除非上下文另外清楚指出。如本公开所使用的术语“包括”、“由……制成”，指定存在所述特征、整体、步骤、操作、元件和/或组件，但不排除存在或添加一个或多个其他特征、整体、步骤、操作、元件、组件和/或其群组。
除非另外限定，否则本公开所用的所有术语(包括技术和科学术语)的含义与本领域普通技术人员通常理解的含义相同。还将理解，诸如那些在常用字典中限定的那些术语应当被解释为具有与其在相关技术以及本公开的背景下的含义一致的含义，且将不解释为具有理想化或过度形式上的含义，除非本公开明确如此限定。
本公开实施例不限于附图中所示的实施例，而是包括基于制造工艺而形成的配置的修改。因此，附图中例示的区具有示意性属性，并且图中所示区的形状例示了元件的区的具体形状，但并不是旨在限制性的。
在相关技术中，可使用温控启停方法控制基站的空调。具体地，在温控启停方法中，根据人工经验设置空调启动/关闭的温度参数，例如为35℃/25℃，即，基站的室内温度(室温)超过35℃时控制空调启动，而低于25℃控制空调关闭。
但是，以上的温度参数都具有“双向性”，即，过高或过低都不好。例如，启动温度设置过高，可能空调不能及时启动，基站的设备容易过热，引起事故；而启动温度设置过低，则会导致空调频繁启动，增大不必要的功耗。
温控启停方法虽然简便，但因为仅以基站的室内温度作为参考控制空调，而未考虑其它因素，故实际中往往难以实现，即，无法确定出启动/关闭的温度参数，例如，无法确定空调启动/关闭的温度参数到底是35℃/25℃好，还是33℃/23℃好，或是37℃/23℃好等。
例如，若某基站的室内温度长期低于35℃，但在某个时刻因业务高峰和气温高峰的叠加，室内温度短暂超过35℃，则空调就会启动，但实际上即使不启动空调，短时间后室内温度也会回落，故此时空调启动就是没有必要的，这是因为基站的设备的工作温度范围长期可到40℃，短时可达50℃。而若仅以室内温度为标准，无法确定室内温度是会长期超过35℃还是仅短期超过，故无法确定35℃的参数值是否合理。
图1为本公开提供的空调控制方法的流程图。
参照图1，本公开提供空调控制方法包括步骤S101至S103。
在步骤S101，确定未来的目标时间的预测室外温度。
例如，作为一种云端管理系统的统一管理专家UME(Unified Management Expert)可以确定需要对空调进行控制的一个未来的时间或时间段(例如“一天”)为目标时间，并获取在目标时间的基站所在地的预测室外温度。
目标时间为未来的时间(或时间段)，故预测室外温度需要通过天气预报等预测方式获取，从而本步骤中获取了希望在未来要控制空调时的室外温度(即，环境温度)。
在步骤S102，根据目标时间和预测室外温度，确定空调在目标时间的预测运行时间段。
所述预测运行时间段为在室内温度不超过第一预定标准的情况下，使空调的总功耗符合第二预定标准的运行时间段。
例如，UME可以根据目标时间以及获取的预设室外温度，确定基站的空调在目标时间的预测运行时间段。即，UME预测根据目标时间以及预设室外温度，确定空调在哪些时间段运行时，既可以保证基站的室内温度不超过第一预定标准，又保证空调在目标时间内的总功耗符合第二预定标准。
当基站的室内温度符合以上“第一预定标准”时，可保证基站的设备不发生过热，即，“第一预定标准”能保证基站的设备不发生过热；当然，如果“第一预定标准”还可使基站的设备更好地避免发生过热(比如，距离发生过热有一定的余量)，也可是可行的。
“第二预定标准”是指可使空调的总功耗相对较低的标准。例如，“第二预定标准”可以是在室内温度不超过第一预定标准的情况下，保证空调的总功耗“最小”；或者“第二预定标准”也可以在室内温度不超过第一预定标准的情况下，保证空调的总功耗不超过一个预定的“预设值”等。
也就是说，预测运行时间段实际体现了空调理论上“应当”运行(启动)的时间段，或者说是空调的“优选运行时间段”，其具体的表示方式可以是多样的。
例如，预测运行时间段可包括多组(如12组)“启动时刻”和“运行时间段”，空调应在达到启动时刻时启动(开机)，并在持续了运行时间段后关闭(停机)。
再如，预测运行时间段也可包括多个间隔的运行时间段，空调应在运行时间段内运行；而运行时间段之间的时间间隔为关闭时间段，空调应在关闭时间段内关闭。
在步骤S103，在目标时间，根据预测运行时间段控制空调。
当达到目标时间时，UME将预测运行时间段发送至空调控制器FSU(Field Supervision Unit)，从而UME通过FSU根据预测运行时间段控制基站的空调，即，可在预测运行时间段保持基站的空调处于打开的状态。
本公开实施例中，根据具体的未来时间(目标时间)，以及目标时间的室外温度(预测室外温度)，得出目标时间的预测运行时间段，即，预测出在目标时间的空调的优选运行方式，并且在目标时间，根据优选运行方式控制空调的启动或关闭，从而既保证基站的设备不过热，又尽量降低能耗。
图2为本公开提供的空调控制方法的另一流程图
参照图2，确定未来的目标时间的预测室外温度的步骤(即，步骤S101)可以包括步骤S011。
在步骤S1011，获取实际室外温度，以及目标时间的天气预报的预报温度，并根据实际室外温度以及预报温度计算目标时间的预测室外温度。
可根据基站的实际室外温度，以及天气预报的目标时间的预报温度，综合计算未来的目标时间的基站的预测室外温度，例如，可用天气预报的温度和上一小时内的实际室外温度的加权平均值，作为预测室外温度。
参照图2，在目标时间，根据预测运行时间段控制空调的步骤(即，步骤S103)可以包括步骤S1031。
在步骤S1031，在目标时间，根据实时室内温度、预设的附加规则以及预测运行时间段控制空调。
预测运行时间段为预测结果，不可能与实际情况绝对吻合。例如，在目标时间基站所在地的实际温度可能高于预测室外温度，此时若仍只按照预测运行时间段控制基站的空调，可能导致基站的设备过热，对基站的设备造成损伤。
为了减少这种情况的发生，可在UME上配置附加规则，从而在目标时间，还可以根据基站的实时室内温度以及预设的附加规则对空调的实际运行状况进行一定的“调整”。
附加规则可以包括：若实时室内温度超过预设的甚高温阈值且空调未运行，则控制空调启动；若实时室内温度低于预设的甚低温阈值且空调正在运行，则控制空调关闭；若实时室内温度超过预设的工作高温阈值且处于预测运行时间段内，则控制空调处于运行状态。
当检测到基站的实时室内温度超过了甚高温阈值(一个较高的预设温度值)，则表明若不及时降温，基站的设备可能因为过热而出现异常，因此若此时基站的空调未启动(例如，不在预测运行时间段)，需要强行控制基站的空调启动以对基站的设备进行降温，避免其因过热而异常。
当检测到基站的实时室内温度低于甚低温阈值(一个较低的预设温度值)，则表明基站的设备的温度处在一个很为安全的范围内，大概率在较长一段时间中不会过热，因此若此时基站的空调启动(例如，处于预测运行时间段)，可强行控制基站的空调关闭以节省能源。
当处于预测运行时间段内时，理论上空调应启动，但若此时基站的实时室内温度不高(未超过工作高温阈值)则说明实际上空调不 必启动，可仅在基站的实时室内温度超过工作高温阈值且处于预测运行时间段时，才控制空调处于启动状态。
附加规则还可包括其它的参数，例如，最小关闭时长、最大运行时长等。
例如，当要启动空调(例如，进入预测运行时间段)时，应保证空调距上次关闭的时间已经超过了最小关闭时长(例如，0.5小时)，否则就不启动，以避免空调频繁启动。
再如，当空调持续运行超过最大运行时长(如12小时)时，可将强行关闭空调，以让空调设备休息。
以上甚高温阈值、甚低温阈值、高温阈值、最小关闭时长、最大运行时长等参数的具体值可根据需要设置(但应保证甚高温阈值高于高温阈值，高温阈值高于甚低温阈值)，例如，若某基站的设备对温度比较敏感，则其甚高温阈值、高温阈值都需要设置较低的参数。
以上甚高温阈值、甚低温阈值、高温阈值、最小关闭时长、最大运行时长等参数的使用数量，以及各参数、规则间的优先级关系等也可根据需要设置。例如，可以在不满足最小关闭时长时，即使温度超过甚高温阈值也不启动空调；或者也可以是温度超过甚高温阈值时，不论是否满足最小关闭时长，均启动空调。
参照图2，根据目标时间和预测室外温度，确定空调在目标时间的预测运行时间段的步骤(即，步骤S102)可与包括步骤S1021。
在步骤S1021，将目标时间和预测室外温度输入预设的深度神经网络模型，获取深度神经网络模型输出的预测运行时间段。
作为本公开的一种具体方式，可使用预设的深度神经网络(NN，Neural Network)模型得出预测运行时间段。
具体地，深度神经网络模型可部署在UME上，从而UME可根据深度神经网络模型得出预测运行时间段，并结合内部配置的附加规则，通过FSU控制空调。
图3为本公开提供的空调控制方法中使用的深度神经网络的逻辑结构示意图。
参照图3，深度神经网络模型可与包括第一子模型、第二子模型 以及第三子模型。
第一子模型配置为确定基站在目标时间的预测负荷量，并将预测负荷量输入第二子模型。
第二子模型配置为根据预测负荷量以及预测室外温度，确定在不运行空调的情况下基站的预测室内温度，并将预测室内温度输入第三子模型。
第三子模型配置为根据预测室内温度以及空调的制冷参数，确定预测运行时间段。
将目标时间和预测室外温度输入预设的深度神经网络模型的步骤(即，步骤S1021)可以包括：将目标时间输入第一子模型，并且将预测室外温度输入第二子模型。
深度神经网络模型可包括三个子模型，这三个子模型也可以都是深度神经网络模型。
显然，基站的负荷量可能与时间的特性(即，时间参数)有一定的相关性。例如，具体的日期(例如，周末)、是否属于节假日、业务潮汐、是否有区域性事件(例如，大型集会)等，都会影响基站的负荷量。因此，第一子模型经过训练后，可以根据历史基站的实际负荷量和相应的时间参数(例如，节假日、业务潮汐、区域性事件等)，以及目标时间和相应的时间参数，预测在目标时间(例如，一天)的基站的预测负荷量。
在不开空调的情况下，基站的室内温度主要是由基站的负荷量(其与基站的设备的发热量相关)和室外温度决定的。因此，在经过训练后，第二子模型可用第一子模型得出的预测负荷量和预测室外温度预测出在目标时间，在不开空调的情况下，基站的预测室内温度。
在其它情况不变的前提下，在一定的室内温度下，启动空调可起到怎样的降温效果是可以计算得到的。因此，第三子模型可用第二子模型得出的预测室内温度计算在空调的各种运行方式(即，空调的各种运行时段)下基站的室内温度(即，开空调后的室内温度)，并确定在能让室内温度满足第一预定标准(例如，不让基站的设备过热)的各种运行方式中，在哪种运行方式下空调的功耗符合第二预定标准 (例如，功耗最小)，并输出该运行方式，作为预测运行时间段。
“空调的制冷参数”是指，在当前的基站和空调的实际状况下，空调的实际制冷能力(或者说降低室内温度的能力)，可通过“制冷效率因子”等形式表示。
具体地，“空调的制冷参数(制冷效率因子)”可以根据基站的布局(如建筑面积、房型等)、基站中设备的布局(例如，设备的种类和数量，设备在基站中的位置等)、空调的性能(例如，空调的功率、型号、参数设置等)、空调的布置方式(例如，空调在基站中的位置，空调的风道在基站中的位置等)等内容确定，可以是理论推导得到的，可以是通过对基站的实际测试得到的。
显然，在基站和空调的布置不变的情况下，“空调的制冷参数(制冷效率因子)”是不变的定值，因此第三子模型中的空调的制冷参数(制冷效率因子)可以是预定的，而仅在改变基站，或者在基站中的设备和空调的布置发生变化的情况下才重新设置。
以上三个子模型的划分只是为了能更准确地得出预测运行时间段，而不是对本公开实施例保护范围的限定，本公开的深度神经网络模型也可具有不同的其它结构。
参照图2，在将目标时间和预测室外温度输入预设的深度神经网络模型的步骤(即，步骤S1021)之前，还可以包括步骤S 100。
在步骤S100，训练深度神经网络模型。
深度神经网络模型通常在使用前都要进行训练。
深度神经网络模型的基本训练过程是将实际结果已知的训练数据输入模型中，并获得模型输出的预测结果，并根据预测结果与实际结果的差别，调整深度神经网络模型中的各种参数，以逐渐优化深度神经网络模型的性能。
深度神经网络模型的训练可以是“一次性”的，即，通过大量训练数据的集中训练，使深度神经网络模型达到所需性能后，就不再继续进行训练。
深度神经网络模型也可以是持续性的，即，在深度神经网络模型的实际使用过程中，根据实际使用中积累的新的数据，持续地训练 深度神经网络模型，或者说不断优化深度神经网络模型。
由于本公开的深度神经网络模型中的三个子模型是相对独立的，故三个子模型可以分别独立地训练。即，虽然在实际应用中是将前一个子模型的输出作为在后一个子模型的输入，但在训练中，可直接将实测的数据输入到后一个子模型中，以使训练过程更加准确高效。
具体地，本公开的深度神经网络模型的训练过程可包括以下步骤A1至A8。
在步骤A1，通过计算机仿真，建立机房环境、发热设备和空调的热分布图，并据此得出空调的制冷参数(制冷效率因子)。
在步骤A2，采集大量不同历史时间中基站的室外温度、(不开空调时的)室内温度、负荷量等样本数据。
在步骤A3，根据室内温度和空调的制冷参数，人工计算出空调控制最优解向量(即，空调的优选运行时间段)。
例如，每个空调控制最优解向量可包括多组空调的启动时刻和相应的启动时长。
在步骤A4，根据下式，对所有样本数据进行归一化处理，使得每项样本数据均处于0至1之间：
Figure PCTCN2021102691-appb-000001
其中，X*为归一化后的样本数据，Xreal为样本数据的真实值，Xmax为该类样本数据的最大值或上限值，Xmin为该类样本数据的最小值或下限值。
归一化只是为了简化数据和方便处理，并不是必须的步骤。
在步骤A5，将不同时间的样本数据分入训练集、验证集和测试集中。
训练集用于训练模型(或者说用于训练前期)，验证集用于验证模型是否训练完成(或者说用于训练后期)，测试集用于对训练完的模型进行测试(或者说用于测试训练结果)。
在步骤A6，构建并训练第一子模型。
以一定历史时间的负荷量和相应的时间参数(如节假日、业务潮汐、区域性事件等)，以及待测时间(但也是历史时间)和相应的 时间参数为输入参数，用第一子模型输出待测时间的预测负荷量，并将预测负荷量与相应时间的实际负荷量比较，以训练第一子模型。
在步骤A7，构建并训练第二子模型。
以周期采集的一定历史时间的实际室外温度、负荷量为输入参数，用第二子模型输出该历史时间的预测室内温度，并与该历史时间的实际室内温度比较，以训练第二子模型。
在步骤A8，构建并训练第三子模型。
以周期采集的一定历史时间的实际室内温度和制冷效率因子为输入参数，用第三子模型输出空该历史时间的空调控制最优解向量为输出，并与以上步骤A3得出的相应时间的空调控制最优解向量进行比较，以训练第三子模型。
本公开的空调控制方法具体可包括以下步骤B01至B14。
在步骤B01，预置附加规则。
根据常规基站运维经验预先设置以上附加规则。
例如，若基站的空调一般在室内温度超过35℃时启动，温度降至约25℃时关闭，则可在FSU或UME上配置如下参数：
1)高温阈值HT(high temperature)，表示室内温度超过此阈值时，空调方可启动，缺省值35℃；
2)甚高温阈值VHT(very high temperature)，表示室内温度超过此阈值时，空调无条件启动，缺省值40℃；
3)低温阈值LT(low temperature)，表示空调运行时，若室内温度低于此阈值，空调方可关闭，缺省值25℃；
4)甚低温阈值VLT(very low temperature)，表示室内温度低于此阈值时，空调无条件关闭，缺省值15℃；
5)最大运行时长MAXCOT(Maximum Continuous operation time)，表示空调允许的最大连续运行的时长，缺省值12小时；
6)最小关闭时长MINCST(Minimum Continuous shutdown time)，表示空调允许的最小的连续关闭的时长，缺省值0.5小时；
在步骤B02，数据采集，得到样本数据。
采集大量的机房室外温度TRout、室内温度TRin、负荷量LR等 外部特征参数。
以上参数的采集周期可根据参数通常的变化速度确定，例如TRout采集周期为10分钟，TRin和LR采集周期为5分钟。
以上数据可以是实测数据，如在TRin较高、需要空调运行的情况下，需要通过假负载来模拟设备，并采集和记录TRout、TRin、LR等的实时数据。
以上数据也可借用历史数据，如在TRin较低、空调较长关闭的情况下(比如TRout较低的季节或夜间)，可使用大量已有的历史记录数据。
在步骤B03，数据标注，得到样本标签。
通过计算流体动力学CFD(Computational Fluid Dynamics)软件(例如，FloTHERM)，建立机房环境、发热设备和空调的仿真模型，得到空调的制冷参数(制冷效率因子)。
对样本数据(TRin、LR)进行模拟计算，求解出空调控制最优解向量(即，空调的优选运行时间段)。例如，空调控制最优解向量可包括多个空调启动时刻Tmoment(hh:mm:ss)以及对应的启动时长Thours，并保存到大数据中，作为对应的样本标签。
根据仿真结果和日常经验可知，每日空调不宜频繁启动。例如，可设定每日最多启动次数为12次，因此，若Tmoment/Thours标签组有2个有效值，则意味着：空调应启动运行两次，在每个Tmoment到达时刻启动，并运行对应的时长Thours。
在步骤B04，根据下式，对所有样本数据进行归一化处理，使得每项样本数据均处于0至1之间：
Figure PCTCN2021102691-appb-000002
其中，X*为归一化后的样本数据，Xreal为样本数据的真实值，Xmax为该类样本数据的最大值或上限值，Xmin为该类样本数据的最小值或下限值。
归一化中的Xmax和可根据需要设定。
例如，对于TRout和TRin，可确定Xmax为上限值100℃，Xmin为下限值-40℃。
再如，对于LR，可设定Xmax为基站的满负荷时的值，Xmin为0。
再如，对Tmoment(hh:mm:ss)，可设定Xmax为上限值1440(一天有24*60＝1440分钟)，Xmin为0。
再如，对于空调启动时长Thours，可设定Xmax为上限值24(一天24小时)，Xmin为0。
在步骤B05，将不同时间的样本数据分入训练集、验证集和测试集中。
训练集、验证集和测试集的样本数量可按照6:2:2的比例分配。
在步骤B06，构建并训练第一子模型(负荷预测模型)。
以一定历史时间的负荷量和相应的时间参数(如节假日、业务潮汐、区域性事件等)，以及待测时间(但也是历史时间)和相应的时间参数为输入参数，用第一子模型输出待测时间的预测负荷量，并将预测负荷量与相应时间的实际负荷量比较，以训练第一子模型。
各数据的具体形式可以是多样的。
例如，历史时间的负荷量可取相应时间中负荷量的均值。
再如，节假日参数Fholiday可为(0，1)间的特征参数，根据人工经验约定，如某居民小区，正常工作日为0，双休日为0.1，春节长假为0.25等。
再如，业务潮汐Ftide可为(0，1)间的特征参数，根据人工经验约定，如某工业园，工作时间段为0.5、加班时间段为0.4、深夜时间段或非工作日为0.3等。
再如，区域性事件参数Fevent可为(0，1)间的特征参数，根据人工经验约定，如某区域，正常为0，有商业营销活动为0.1，有集会为0.2，有演唱会为0.3等。
在步骤B07，构建并训练第二子模型(室内温度预测模型)。
以周期采集的一定历史时间的实际室外温度、负荷量为输入参数，用第二子模型输出该历史时间的预测室内温度，并与该历史时间的实际室内温度比较，以训练第二子模型。
在步骤B08，构建并训练第三子模型(空调控制预测模型)。
以周期采集的一定历史时间的实际室内温度和制冷效率因子为 输入参数，用第三子模型输出空该历史时间的空调控制最优解向量为输出，并与以上步骤B03得出的相应时间的空调控制最优解向量进行比较，以训练第三子模型。
制冷效率因子可为一个固定的值，如为0.5。
除非基站或空调的布置发生变化(例如，更换了新的空调，改变了空调风道的位置，基站中的部分设备更换等)，制冷效率因子的值通常是不变的。
示例性的，假设某次得出的空调控制最优解向量样本中Tmoment/Thours有2个有效值，如Tmoment1为0.45、Thours1为0.05，Tmoment2为0.60、Thours2为0.10，该空调控制最优解向量表示的意义是：
1)当日空调预启动运行两次；
2)第一次启动时刻10:48(0.45*24＝10.8＝10:48)，运行1.2小时(0.05*24＝1.2)，即，运行时间段为10:48至12:00(0.45*24+0.05*24＝12)；
3)第二次启动时刻14:24(0.60*24＝14.4＝14:24)，运行2.4小时(0.10*24＝2.4)，即，运行时间区间为14:24至16:48(0.60*24+0.10*24＝16.8＝16:48)。
在步骤B09，部署深度神经网络模型。
深度神经网络模型经过训练和优化后，根据实际运行环境进行部署，例如，三个子模型都部署在UME上，充分利用了云端的强大算力资源，以便实现实时或在线的训练。
如有必要，也可以通过增加计算棒等方式，把深度神经网络模型部署在边缘侧，如部署在FSU上。
在步骤B10，FSU采集室内温度、室外温度、负荷量等实时信息并上传给UME。
在基站实际运行过程中，FSU实时的采集各种参数并上传给UME。
在步骤B11，在UME上运行模型，输出空调控制最优解向量(预测运行时间段)。
每个子模型都按照各自的功能工作，从而输出针对未来的目标 时间(例如，一天)的空调的预测运行时间段。
输入到第二子模型的预测室外温度可根据天气预报的预报温度和实际室外温度得出。例如，
预测室外温度＝当地天气预报温度*0.8+上一小时实际室外温度*0.2。
在步骤B12，空调控制指令计算。
根据以上空调控制最优解向量(预测运行时间段)，之前设定的附加规则，以及基站的实时室内温度，确定对空调的控制方案。
例如，其具体流程可如下：
1)空调初始化：空调初始状态为关闭，将空调运行时长Ton清零、空调关闭时长Toff清零；
2)空调关闭时长Toff开始计时；
3)获取当前时间；
4)获取当前的实时室内温度Temp；
5)判断是否启动高温异常启动流程：如果Tmep大于VHT并且Toff大于MINCST，则先设置空调运行最大时长Ton-max值为MAXCOT，再运行以下步骤8)，否则继续下一步骤6)；
6)判断是否启动低温异常关闭流程：如果Tmep小于VLT，则运行以下步骤10)，否则继续下一步骤7)；
7)判断是否启动高温预启动流程：如果当前时间到达Tmoment时刻、且Tmep大于HT、且Toff大于MINCST时，则先设置Ton-max为Thours和MAXCOT中的较小值，在继续下一步骤8)，否则跳转回步骤2)；
8)空调启动运行流程：执行空调启动动作，将Toff清零，Ton开始计时；
9)判断空调运行是否超时：如果Ton大于Ton-max值，则继续下一步骤10)，若则获取当前时间并继续判断空调运行是否超时；
10)空调关闭流程：执行空调关闭动作，Ton清零，Toff开始计时，并跳转回步骤3)。
在步骤B13，UME把步骤B12得出的空调控制指令下发给FSU， 由FSU根据空调控制指令实际控制空调启动或关闭。
FSU也可内置传统的温控启停方法的对应程序，如果无法及时接收UME的空调控制指令(比如，通讯网络长期中断)，则FSU自动执行内置对应程序，用传统的温控启停方法暂时控制空调。
在步骤B14：实时训练。
若环境条件较好(例如，FSU和UME间有快速以太网互联，云端算力资源充足)，支持实时或在线训练，则在空调较长时间未运行时(比如，气温凉爽的季节，或者低温的夜晚)，可以根据实时采集的室外温度、负荷量、室内温度等，用新采集到的数据实时继续进行深度神经网络模型的训练，提升模型的预测精度。
以上步骤B01至B09，可以是在后续步骤开始前集中进行一次；而步骤B10、B11、B12、B13、B14可设计成独立运行的任务(或进程)，各任务可并发执行。步骤B10可周期性的运行(例如，运行周期为5分钟)，步骤B11可在每日零点前执行一次，输出当日的空调控制最优解向量，步骤B12可实时运行，步骤B13可在收到下发的空调控制指令后立即执行。如果步骤B12中实际空调启动时刻和运行时长与步骤B11输出的Tmoment和Thours不一致(比如误差超过10分钟)，则可再次执行步骤B11，更新当日的空调控制最优解向量，以提高预测的精确度。
图4为本公开提供的空调控制装置的组成框图。
参照图4，本公开提供的空调控制装置包括确定模块、预测模块和控制模块。
确定模块配置为确定未来的目标时间的预测室外温度。
预测模块配置为根据目标时间和预测室外温度，确定空调在目标时间的预测运行时间段，所述预测运行时间段为在室内温度不超过第一预定标准的情况下，使空调的总功耗符合第二预定标准的运行时间段。
控制模块配置为在目标时间，根据预测运行时间段控制空调。
本公开实施例中，根据具体的未来时间(目标时间)，以及目标时间的室外温度(预测室外温度)，得出目标时间的预测运行时间 段，即，预测出在目标时间的空调的优选运行方式，并且在目标时间，根据优选运行方式控制空调的启动或关闭，从而既保证基站的设备不过热，又尽量降低能耗。
图5为本公开提供的电子设备的组成框图。
参照图5，本公开提供的电子设备包括：一个或多个处理器；以及存储器，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现根据本公开的空调控制方法。
电子设备还可以包括一个或多个I/O接口，连接在处理器与存储器之间，用于实现处理器与存储器的信息交互。
处理器为具有数据处理能力的器件，其包括但不限于中央处理器(CPU)等；存储器为具有数据存储能力的器件，其包括但不限于随机存取存储器(RAM，更具体如SDRAM、DDR等)、只读存储器(ROM)、带电可擦可编程只读存储器(EEPROM)、闪存(FLASH)；I/O接口(读写接口)连接在处理器于存储器间，用于实现存储器与处理器的信息交互，其包括但不限于数据总线(Bus)等。
图6为本公开提供的计算机可读介质的组成框图。
参照图6，本公开提供一种计算机可读介质，其上存储有计算机程序，计算机程序被处理器执行时，使得处理器实现根据本公开的空调控制方法。
本领域普通技术人员可以理解，上文中所公开的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。
在硬件实施方式中，在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分；例如，一个物理组件可以具有多个功能，或者一个功能或步骤可以由若干物理组件合作执行。
某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器(CPU)、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介 质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于随机存取存储器(RAM，更具体如SDRAM、DDR等)、只读存储器(ROM)、带电可擦可编程只读存储器(EEPROM)、闪存(FLASH)或其他磁盘存储器；只读光盘(CD-ROM)、数字多功能盘(DVD)或其他光盘存储器；磁盒、磁带、磁盘存储或其他磁存储器；可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
本公开已经公开了示例实施例，并且虽然采用了具体术语，但它们仅用于并仅应当被解释为一般说明性含义，并且不用于限制的目的。在一些实例中，对本领域技术人员显而易见的是，除非另外明确指出，否则可单独使用与特定实施例相结合描述的特征、特性和/或元素，或可与其他实施例相结合描述的特征、特性和/或元件组合使用。因此，本领域技术人员将理解，在不脱离由所附的权利要求阐明的本公开的范围的情况下，可进行各种形式和细节上的改变。

Claims (10)

  1. 一种空调控制方法，包括：
    确定未来的目标时间的预测室外温度；
    根据所述目标时间和所述预测室外温度，确定所述空调在所述目标时间的预测运行时间段，所述预测运行时间段为在室内温度不超过第一预定标准的情况下，使所述空调的总功耗符合第二预定标准的运行时间段；以及
    在所述目标时间，根据所述预测运行时间段控制所述空调。
  2. 根据权利要求1所述的方法，其中，在所述目标时间，根据所述预测运行时间段控制所述空调的步骤包括：
    在所述目标时间，根据实时室内温度、预设的附加规则以及所述预测运行时间段控制所述空调。
  3. 根据权利要求2所述的方法，其中，所述附加规则包括：
    响应于所述实时室内温度超过预设的甚高温阈值且所述空调未运行，控制所述空调启动；
    响应于所述实时室内温度低于预设的甚低温阈值且所述空调正在运行，控制所述空调关闭；
    响应于所述实时室内温度超过预设的工作高温阈值且处于所述预测运行时间段内，控制所述空调处于运行状态。
  4. 根据权利要求1所述的方法，其中，根据所述目标时间和所述预测室外温度，确定所述空调在所述目标时间的预测运行时间段的步骤包括：
    将所述目标时间和所述预测室外温度输入预设的深度神经网络模型，获取所述深度神经网络模型输出的所述预测运行时间段。
  5. 根据权利要求4所述的方法，其中，所述空调应用于基站中， 并且所述深度神经网络模型包括第一子模型、第二子模型以及第三子模型；
    所述第一子模型配置为确定所述基站在所述目标时间的预测负荷量，并将所述预测负荷量输入第二子模型；
    所述第二子模型配置为根据所述预测负荷量以及所述预测室外温度，确定在不运行所述空调的情况下所述基站的预测室内温度，并将所述预测室内温度输入第三子模型；
    所述第三子模型配置为根据所述预测室内温度以及所述空调的制冷参数，确定所述预测运行时间段，并且
    将所述目标时间和所述预测室外温度输入预设的深度神经网络模型的步骤包括：
    将所述目标时间输入所述第一子模型，并且将所述预测室外温度输入所述第二子模型。
  6. 根据权利要求4所述的方法，其中，在将所述目标时间和所述预测室外温度输入预设的深度神经网络模型的步骤之前，还包括：
    训练所述深度神经网络模型。
  7. 根据权利要求1所述的方法，其中，确定未来的目标时间的预测室外温度的步骤包括：
    获取实际室外温度以及所述目标时间的天气预报的预报温度，并根据所述实际室外温度以及所述预报温度计算所述目标时间的预测室外温度。
  8. 一种空调控制装置，包括：
    确定模块，配置为确定未来的目标时间的预测室外温度；
    预测模块，配置为根据所述目标时间和所述预测室外温度，确定所述空调在所述目标时间的预测运行时间段，所述预测运行时间段为在室内温度不超过第一预定标准的情况下，使空调的总功耗符合第二预定标准的运行时间段；以及
    控制模块，配置为在所述目标时间，根据所述预测运行时间段控制所述空调。
  9. 一种电子设备，包括：
    一个或多个处理器；以及
    存储器，其上存储有一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现根据权利要求1至7中任意一项所述的空调控制方法。
  10. 一种计算机可读介质，其上存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器实现根据权利要求1至7中任意一项所述的空调控制方法。
PCT/CN2021/102691 2020-06-28 2021-06-28 空调控制方法以及装置、电子设备、介质 WO2022001935A1 (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
BR112022026881A BR112022026881A2 (pt) 2020-06-28 2021-06-28 Dispositivo eletrônico, meio, método e dispositivo de controle para condicionador de ar
EP21833477.9A EP4170249A4 (en) 2020-06-28 2021-06-28 AIR CONDITIONER CONTROL METHOD AND APPARATUS, ELECTRONIC DEVICE, AND MEDIUM
JP2022580480A JP7583072B2 (ja) 2020-06-28 2021-06-28 空調制御方法及び装置、電気機器、媒体

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202010599919.2 2020-06-28
CN202010599919.2A CN113847715B (zh) 2020-06-28 2020-06-28 基站的空调调控的方法以及装置、电子设备、介质

Publications (1)

Publication Number Publication Date
WO2022001935A1 true WO2022001935A1 (zh) 2022-01-06

Family

ID=78972538

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2021/102691 WO2022001935A1 (zh) 2020-06-28 2021-06-28 空调控制方法以及装置、电子设备、介质

Country Status (5)

Country Link
EP (1) EP4170249A4 (zh)
JP (1) JP7583072B2 (zh)
CN (1) CN113847715B (zh)
BR (1) BR112022026881A2 (zh)
WO (1) WO2022001935A1 (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114980182A (zh) * 2022-05-17 2022-08-30 中国电信股份有限公司 基站控制方法、装置、非易失性存储介质及电子设备
CN115614905A (zh) * 2022-09-19 2023-01-17 珠海格力电器股份有限公司 一种空调器及其室内温度预测方法和装置
CN116007152A (zh) * 2022-12-12 2023-04-25 珠海格力电器股份有限公司 空调控制方法、装置、空调设备和存储介质
CN116321243A (zh) * 2023-01-05 2023-06-23 杭州纵横通信股份有限公司 一种基站的移动性管理方法
WO2023241056A1 (zh) * 2022-06-13 2023-12-21 青岛海尔空调器有限总公司 空调器控制方法、装置、设备及存储介质

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114967492A (zh) * 2022-06-13 2022-08-30 珠海格力节能环保制冷技术研究中心有限公司 智能家居的信息反馈方法以及其装置
CN119450656A (zh) * 2023-07-31 2025-02-14 中兴通讯股份有限公司 一种基站的节能方法、设备和计算机可读存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102272533A (zh) * 2008-12-25 2011-12-07 三洋电机株式会社 空调控制装置、冷却系统以及空调控制程序
CN102821581A (zh) * 2011-06-08 2012-12-12 上海启电信息科技有限公司 一种通信机房节能方法
US20160138819A1 (en) * 2014-11-17 2016-05-19 Vivint, Inc. Hvac workload and cost logic
CN110701732A (zh) * 2019-12-10 2020-01-17 南昌掘策数据服务有限公司 能耗数据分析方法、系统及中央空调的节能方法和系统
CN111237989A (zh) * 2020-02-04 2020-06-05 青岛海信网络科技股份有限公司 一种基于负荷预测的楼宇通风空调控制方法及装置

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3622657B2 (ja) 2000-09-18 2005-02-23 株式会社日立製作所 空調制御システム
JP2014081123A (ja) 2012-10-16 2014-05-08 Mitsubishi Electric Corp 空調省エネ制御装置
WO2015029177A1 (ja) * 2013-08-29 2015-03-05 三菱電機株式会社 空気調和システム
CN204438426U (zh) * 2015-01-13 2015-07-01 中国联合网络通信集团有限公司 一种基站环境控制系统
JP6807556B2 (ja) * 2015-10-01 2021-01-06 パナソニックＩｐマネジメント株式会社 空調制御方法、空調制御装置及び空調制御プログラム
CN108302719B (zh) * 2018-01-29 2020-06-05 广东美的暖通设备有限公司 多联机空调系统的控制方法、装置、系统和存储介质
KR102440118B1 (ko) * 2018-03-05 2022-09-05 삼성전자주식회사 공조 장치 및 그 제어 방법
CA3078441C (en) * 2018-08-20 2021-10-19 Grid4C Method and system for hvac inefficiency prediction using household electrical smart meter data
CN111079890B (zh) 2018-10-19 2025-02-14 中兴通讯股份有限公司 一种数据处理方法及装置、计算机可读存储介质
CN110864414B (zh) * 2019-10-30 2021-09-24 郑州电力高等专科学校 基于大数据分析的空调用电负荷智能控制调度方法
CN110895032B (zh) * 2019-12-31 2023-12-12 福建省南鸿通讯科技有限公司 一种通信机房空调故障自动诊断与定位的方法与装置
CN113776171B (zh) 2020-06-10 2024-02-13 中兴通讯股份有限公司 制冷设备控制方法、装置、计算机设备和计算机可读介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102272533A (zh) * 2008-12-25 2011-12-07 三洋电机株式会社 空调控制装置、冷却系统以及空调控制程序
CN102821581A (zh) * 2011-06-08 2012-12-12 上海启电信息科技有限公司 一种通信机房节能方法
US20160138819A1 (en) * 2014-11-17 2016-05-19 Vivint, Inc. Hvac workload and cost logic
CN110701732A (zh) * 2019-12-10 2020-01-17 南昌掘策数据服务有限公司 能耗数据分析方法、系统及中央空调的节能方法和系统
CN111237989A (zh) * 2020-02-04 2020-06-05 青岛海信网络科技股份有限公司 一种基于负荷预测的楼宇通风空调控制方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP4170249A4 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114980182A (zh) * 2022-05-17 2022-08-30 中国电信股份有限公司 基站控制方法、装置、非易失性存储介质及电子设备
WO2023241056A1 (zh) * 2022-06-13 2023-12-21 青岛海尔空调器有限总公司 空调器控制方法、装置、设备及存储介质
CN115614905A (zh) * 2022-09-19 2023-01-17 珠海格力电器股份有限公司 一种空调器及其室内温度预测方法和装置
CN116007152A (zh) * 2022-12-12 2023-04-25 珠海格力电器股份有限公司 空调控制方法、装置、空调设备和存储介质
CN116321243A (zh) * 2023-01-05 2023-06-23 杭州纵横通信股份有限公司 一种基站的移动性管理方法
CN116321243B (zh) * 2023-01-05 2023-09-26 杭州纵横通信股份有限公司 一种基站的移动性管理方法

Also Published As

Publication number Publication date
EP4170249A1 (en) 2023-04-26
CN113847715B (zh) 2024-01-02
BR112022026881A2 (pt) 2023-01-24
JP2023532492A (ja) 2023-07-28
CN113847715A (zh) 2021-12-28
EP4170249A4 (en) 2023-12-06
EP4170249A9 (en) 2023-06-14
JP7583072B2 (ja) 2024-11-13

Similar Documents

Publication Publication Date Title
WO2022001935A1 (zh) 空调控制方法以及装置、电子设备、介质
JP7012126B2 (ja) 空間の設定点境界を自動的に調整するｈｖａｃシステムと、居住者快適性を維持するために温度設定点境界を調整する方法
WO2021249461A1 (zh) 制冷设备控制方法、装置、计算机设备和计算机可读介质
US11523545B2 (en) High-efficiency data center cooling
US9696735B2 (en) Context adaptive cool-to-dry feature for HVAC controller
CN104823119A (zh) 用于环境控制系统的辐射供热控制和方法
Goiri et al. Coolair: Temperature-and variation-aware management for free-cooled datacenters
WO2023056617A1 (en) Systems and methods for controlling variable refrigerant flow systems using artificial intelligence
WO2020199682A1 (zh) 空调控制方法、空调控制装置、存储介质、存储器以及空调
US11188039B2 (en) Building management system with dynamic energy prediction model updates
US20180238572A1 (en) Modeling and controlling heating, ventilation, and air conditioning systems
CN112822903A (zh) 一种基于人工智能的数据中心制冷和系统
CN114115395A (zh) 一种基于ai的机房环境监控方法及系统
CN110762739B (zh) 数据中心空调控制方法、装置、设备及存储介质
CN112856737B (zh) 空调器的预热控制方法
CN107300278B (zh) 用于最小化hvac系统中的压缩机使用的系统和方法
CN112364999B (zh) 冷水机调节模型的训练方法、装置及电子设备
CN118794093A (zh) 一种多空调机组调控方法、装置、电子设备以及存储介质
CN115013952B (zh) 一种空调系统的控制方法和装置
CN113465109A (zh) 多联机的低能耗待机控制方法及装置、介质
CN114608187B (zh) 一种冷机调节方式确定方法、装置、设备及存储介质
CN109325668A (zh) 能源系统的调控方法和装置
US12339020B1 (en) Smart controls for hybrid refrigeration cycles
CN118328522A (zh) 多联机空调系统的控制方法、装置和存储介质
CN117804030A (zh) 基于云边协同的空调冷站运行调优方法、装置及电子设备

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 21833477

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2022580480

Country of ref document: JP

Kind code of ref document: A

REG Reference to national code

Ref country code: BR

Ref legal event code: B01A

Ref document number: 112022026881

Country of ref document: BR

ENP Entry into the national phase

Ref document number: 112022026881

Country of ref document: BR

Kind code of ref document: A2

Effective date: 20221228

ENP Entry into the national phase

Ref document number: 2021833477

Country of ref document: EP

Effective date: 20230118

NENP Non-entry into the national phase

Ref country code: DE