CN107826027B - 基于大数据分析的冷藏车温度控制方法和*** - Google Patents
基于大数据分析的冷藏车温度控制方法和*** Download PDFInfo
- Publication number
- CN107826027B CN107826027B CN201710860576.9A CN201710860576A CN107826027B CN 107826027 B CN107826027 B CN 107826027B CN 201710860576 A CN201710860576 A CN 201710860576A CN 107826027 B CN107826027 B CN 107826027B
- Authority
- CN
- China
- Prior art keywords
- refrigerator car
- temperature
- speed
- neural network
- compressor
- 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.)
- Active
Links
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60P—VEHICLES ADAPTED FOR LOAD TRANSPORTATION OR TO TRANSPORT, TO CARRY, OR TO COMPRISE SPECIAL LOADS OR OBJECTS
- B60P3/00—Vehicles adapted to transport, to carry or to comprise special loads or objects
- B60P3/20—Refrigerated goods vehicles
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60H—ARRANGEMENTS OF HEATING, COOLING, VENTILATING OR OTHER AIR-TREATING DEVICES SPECIALLY ADAPTED FOR PASSENGER OR GOODS SPACES OF VEHICLES
- B60H1/00—Heating, cooling or ventilating [HVAC] devices
- B60H1/00642—Control systems or circuits; Control members or indication devices for heating, cooling or ventilating devices
- B60H1/00735—Control systems or circuits characterised by their input, i.e. by the detection, measurement or calculation of particular conditions, e.g. signal treatment, dynamic models
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60H—ARRANGEMENTS OF HEATING, COOLING, VENTILATING OR OTHER AIR-TREATING DEVICES SPECIALLY ADAPTED FOR PASSENGER OR GOODS SPACES OF VEHICLES
- B60H1/00—Heating, cooling or ventilating [HVAC] devices
- B60H1/32—Cooling devices
- B60H1/3204—Cooling devices using compression
- B60H1/3205—Control means therefor
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Thermal Sciences (AREA)
- Mechanical Engineering (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Transportation (AREA)
- Devices That Are Associated With Refrigeration Equipment (AREA)
Abstract
本发明公开了一种基于大数据分析的冷藏车温度控制方法和***,所述方法包括以下步骤:通过试验获取冷藏车内监测点的温度、冷藏车外表面各检测点温度、环境温度和车速、制冷机组压缩机和风机的转速的实测数据;对获取的数据进行聚类分析,得到多个聚类簇团;将所述多个聚类簇团作为训练样本,分别以压缩机转速和风机转速作为输出变量训练椭球单元神经网络;基于所述椭球单元神经网络对压缩机转速和风机转速进行实时控制。本发明能够实现冷藏车温度的定量实时控制,较传统的根据经验调控更加合理。
Description
技术领域
本发明涉及制冷控制领域,尤其涉及一种基于大数据分析的冷藏车温度控制方法和***。
背景技术
生物制剂在人们生活中占有十分重要的位置,大部分生物制剂在流通过程中需低温冷藏,生物制剂冷链物流市场巨大。随着人们对医疗保障要求的提高,需要冷藏的生物制剂的安全问题遇到了更高的要求和挑战。近几年来连续发生的生物制剂不合格事件让人们提高了警惕,生物制剂的冷链物流也越来越被人们重视。冷藏车具备保温和冷藏的功能,能够满足生物制剂中短途冷藏运输中的要求,是其冷链物流的关键环节。维持冷藏车厢体内部温度恒定,保持厢体内部各处具有较小的温差,对于保证运输过程中生物制剂的质量起着重要的作用。
在冷藏车中,空气经蒸发器进入冷藏车,若制冷机组的压缩机和风机的转速选择不当,会导致流过蒸发器的空气速度、温度不能使冷藏车内的温度分布满足要求,影响车内生物制剂的质量。因此,如何合理控制制冷机组压缩机和风机的转速,保证冷藏车内的温度分布在合理的范围之内,是本领域技术人员目前迫切解决的技术问题。
发明内容
为了解决上述问题,本发明提供一种冷藏车温度控制方法和***,将各监测点温差、冷藏车外表面各点温度、环境温度和车速作为输入变量,对大量实测数据进行聚类分析,分成高温工况、高寒工况和常温工况三种聚类簇团,然后将三种聚类簇团作为椭球单元神经网络的输入,将空调压缩机和风机的转速作为输出变量,训练椭球单元神经网络,得到压缩机和风机转速的控制模型,以此合理的控制蒸发器出口温度和风速。
为了实现上述目的,本发明采用如下技术方案:
一种冷藏车温度控制方法,包括以下步骤:
步骤1:通过试验获取冷藏车内监测点的温度、冷藏车外表面各检测点温度、环境温度和车速、制冷机组压缩机和风机的转速的实测数据;
步骤2:对获取的数据进行聚类分析,得到n个聚类簇团;
步骤3:将n个聚类簇团作为训练样本,分别以压缩机转速和风机转速作为输出变量训练椭球单元神经网络;
步骤4:基于所述椭球单元神经网络对压缩机转速和风机转速进行实时控制。
进一步地,所述步骤2采用c-means聚类算法进行聚类,得到高温工况、高寒工况和常温工况三种聚类簇团。
进一步地,所述步骤4包括:以冷藏车内监测点的温度、各监测点温差、冷藏车外表面各点温度、环境温度和车速为实时输入变量,基于所述椭球单元神经网络,计算压缩机和风机的转速对冷藏车温度进行实时控制。
进一步地,所述椭球单元神经网络由一个输入层、一个隐含层和一个输出层组成。输入层根据输入参数的个数进行确定,隐含层有7个隐含节点,输出层有1个输出节点。输入节点与7个隐含节点全部进行连接且连接权重均为1,偏差为0,隐含节点也通过全连接的方式和输出节点相连。
进一步地,任意一个输入变量x∈Rd的高斯概率密度函数形式表示为其中πk为混合权重,且满足πk=1及πk≥0,ck和Σk分别为d维高斯密度p(x|θk)的中心向量和全协方差矩阵,参数集θ={π1,…πk,c1,…ck,Σ1,…,Σk}。
根据本发明的另一目的,本发明还提供了一种冷藏车温度控制***,包括:数据采集装置、计算装置和控制器,所述计算装置中包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现以下步骤:
接收试验获取的冷藏车内监测点的温度、冷藏车外表面各检测点温度、环境温度和车速、制冷机组压缩机和风机的转速的实测数据;
对获取的数据进行聚类分析,得到多个聚类簇团;
将所述多个聚类簇团作为训练样本,分别以压缩机转速和风机转速作为输出变量训练椭球单元神经网络;
接收数据采集装置实时获取的冷藏车内监测点的温度、各监测点温差、冷藏车外表面各点温度、环境温度和车速,作为实时输入变量,基于所述椭球单元神经网络,计算压缩机和风机的转速并发送至控制器;
所述控制器基于接收到的压缩机和风机的转速对冷藏车温度进行实时控制。
进一步地,所述数据采集装置包括布设在冷藏车内外的多个温度传感器。
所述步骤2采用c-means聚类算法进行聚类,得到高温工况、高寒工况和常温工况三种聚类簇团。
进一步地,所述椭球单元神经网络由一个输入层、一个隐含层和一个输出层组成;输入层根据输入参数的个数进行确定,隐含层有7个隐含节点,输出层有1个输出节点。输入节点与7个隐含节点全部进行连接且连接权重均为1,偏差为0,隐含节点也通过全连接的方式和输出节点相连。
进一步地,任意一个输入变量x∈Rd的高斯概率密度函数形式表示为其中πk为混合权重,且满足πk=1及πk≥0,ck和Σk分别为d维高斯密度p(x|θk)的中心向量和全协方差矩阵,参数集θ={π1,…πk,c1,…ck,Σ1,…,Σk}。
本发明的有益效果:
1、本发明选用压缩机和风机转速控制冷藏车温度,将其与冷藏车内外表面温度、环境温度和车速建立数学模型,能够根据实时获取的冷藏车内外温度和车速等数据,对温度进行定量的实时控制,一方面较传统的根据经验调控更加合理,减少了因经验不足引起控制不当的情况,另一方面,实时的自动调控节省了人力劳动。
2、本发明在对冷藏车的温度采集,除了采集冷藏车内外的温度以外,还在车内货物的不同位置布置温度传感器,用以反应舱内货物的布置情况,使得温度的控制更加合理。
3、本发明在神经网络模型训练之前首先进行了聚类分析,将聚类分析的结果作为神经网络模型的训练数据,提高了神经网络训练效率。
附图说明
图1为本发明冷藏车温度控制方法的流程图;
图2为本发明观测点布置,其中图2(a)为空车时的测点布置;图2(b)为载货时的货物上测点布置;
图3为本发明以压缩机转速作为输出变量训练椭球单元神经网络的示意图;
图4为本发明以风机转速作为输出变量训练椭球单元神经网络的示意图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
实施例一
本实施例的目的是提供一种冷藏车温度控制方法。
基于上述目的,本实施例提供了一种冷藏车温度控制方法,如图1所示,包括以下步骤:
步骤1:获取通过试验得到冷藏车内监测点的温度、冷藏车外表面各点温度、环境温度和车速、制冷机组压缩机和风机的转速的大量实测数据。
冷藏车内监测点的温度、冷藏车外表面各点温度和环境温度是由温度传感器采集得到的数据,并上传存入便携式计算机中。
温度传感器的布置方式如图2所示,其中,冷藏车内、外的监测点布置如图2(a),冷藏车上放置货物时,货物上监测点的布置如图2(b)所示,通过对货物的各个位置进行温度监控,来反应货物的布置情况。各监测点温差是冷藏车内传感器最高温度点和最低温度点的温差;环境温度是由车外侧温度传感器测取。
步骤2:对获取的数据进行聚类分析,得到多个聚类簇团。
聚类分析是一种将物理或抽象的对象,按照对象间的相似性进行区分和分类的方法。人们在实施聚类行为时,会首先确定“核心”(即聚类中心),然后将周围的对象“吸引”到该“核心”周围,从而完成聚类过程的特点。
本实施例采用c-means聚类算法对冷藏车内各监测点温度、各监测点温差、冷藏车外表面各点温度、环境温度和车速进行聚类,得到高温工况、高寒工况和常温工况三种聚类簇团。
在聚类之前,由于采用的单位不同,数量级之间相差很大,首先要对数据进行处理,使其标准化,具体的标准化方法为:减去值域的最小值,再除以值域区间。
确定数据集的c个聚类中心ck(k=1,2,...,K),通过计算第c个聚类Dk的协方差矩阵,本控制策略c=3。
步骤3:将所述多个聚类簇团作为训练样本,以压缩机转速和风机转速作为输出变量训练椭球单元神经网络。
将高温工况、高寒工况和常温工况三种聚类簇团的实测数据,将其作为神经网络的训练样本。即,以冷藏车内监测点的温度、各监测点温差、冷藏车外表面各点温度、环境温度和车速为输入变量,分别训练以压缩机转速和风机转速作为输出变量的椭球单元神经网络模型。
冷藏车内的温度分布主要受进入冷藏车的冷空气的温度和速度的影响,而进入冷藏车的冷空气的温度和速度由制冷机组和风机的转速决定,制冷机组包括制冷压缩机、冷凝器、节流阀(或膨胀阀)和蒸发器等部件,因此本实施例将压缩机和风机的转速作为输出变量,通过控制压缩机和风机的转速控制冷藏车内温度。图3为以压缩机转速作为输出变量训练椭球单元神经网络的示意图;图4为以风机转速作为输出变量训练椭球单元神经网络的示意图。
椭球单元神经网络模式是一种前馈神经网络,由隐层节点采用椭球单元的三层网络构成,每个输入节点到各个隐含节点由两个权值连接,分别代表超椭球单元在输入空间各维上的中心和半长轴,但每个隐层节点不为所有输出节点所共享,而只与相应的模式类别的输出节点连接。如果待分类模式类似单态高斯分布或近似高斯分布,网络就可以仅由输入层和输出层构成,而输出层采用椭球单元。
本实施例的椭球单元神经网络由一个输入层、一个隐含层和一个输出层组成。输入层节点个数根据输入参数的个数进行确定,隐含层有7个隐含节点,输出层有1个输出节点。输入节点与7个隐含节点全部进行连接且连接权重均为1,偏差为0,隐含节点也通过全连接的方式和输出节点相连。
采用高斯概率密度函数作为椭球单元神经网络的核函数。任意一个输入变量x∈Rd的高斯概率密度函数形式表示为其中πk为混合权重,且满足πk=1及πk≥0,ck和Σk分别为d维高斯密度p(x|θk)的中心向量和全协方差矩阵,参数集θ={π1,…πk,c1,…ck,Σ1,…,Σk}。
步骤4:基于所述椭球单元神经网络对压缩机转速和风机转速进行实时控制。
以冷藏车内监测点的温度、各监测点温差、冷藏车外表面各点温度、环境温度和车速为实时输入变量,通过训练的椭球单元神经元模型,计算出压缩机和风机的转速,实现冷藏车的温度控制。
实施例二
本实施例的目的是提供一种冷藏车温度控制***。
基于以上目的,本实施例提供了一种冷藏车温度控制***,包括:数据采集装置、计算装置和控制器,所述计算装置中包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现以下步骤:
接收试验获取的冷藏车内监测点的温度、冷藏车外表面各检测点温度、环境温度和车速、制冷机组压缩机和风机的转速的实测数据;
对获取的数据进行聚类分析,得到多个聚类簇团;
将所述多个聚类簇团作为训练样本,分别以压缩机转速和风机转速作为输出变量训练椭球单元神经网络;
接收数据采集装置实时获取的冷藏车内监测点的温度、各监测点温差、冷藏车外表面各点温度、环境温度和车速,作为实时输入变量,基于所述椭球单元神经网络,计算压缩机和风机的转速并发送至控制器;
所述控制器基于接收到的压缩机和风机的转速对冷藏车温度进行实时控制。
其中,所述数据采集装置包括布设在冷藏车内外的多个温度传感器。
所述步骤2采用c-means聚类算法进行聚类,得到高温工况、高寒工况和常温工况三种聚类簇团。
所述椭球单元神经网络由一个输入层、一个隐含层和一个输出层组成;输入层根据输入参数的个数进行确定,隐含层有7个隐含节点,输出层有1个输出节点。输入节点与7个隐含节点全部进行连接且连接权重均为1,偏差为0,隐含节点也通过全连接的方式和输出节点相连。
任意一个输入变量x∈Rd的高斯概率密度函数形式表示为其中πk为混合权重,且满足πk=1及πk≥0,ck和Σk分别为d维高斯密度p(x|θk)的中心向量和全协方差矩阵,参数集θ={π1,…πk,c1,…ck,Σ1,…,Σk}。
本发明选用压缩机和风机转速控制冷藏车温度,将其与冷藏车内外表面温度、环境温度和车速建立数学模型,能够根据实时获取的冷藏车内外温度和车速等数据,对温度进行定量的实时控制,一方面较传统的根据经验调控更加合理,减少了因经验不足引起控制不当的情况,另一方面,实时的自动调控节省了人力劳动。
本领域技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算机装置来实现,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (9)
1.一种冷藏车温度控制方法,其特征在于,包括以下步骤:
步骤1:通过试验获取冷藏车内监测点的温度、冷藏车外表面各检测点温度、环境温度和车速、制冷机组压缩机和风机的转速的实测数据;
步骤2:对获取的数据进行聚类分析,得到多个聚类簇团;
步骤3:将所述多个聚类簇团作为训练样本,分别以压缩机转速和风机转速作为输出变量训练椭球单元神经网络;
步骤4:基于所述椭球单元神经网络对压缩机转速和风机转速进行实时控制。
2.如权利要求1所述的一种冷藏车温度控制方法,其特征在于,所述步骤2采用c-means聚类算法进行聚类,得到高温工况、高寒工况和常温工况三种聚类簇团。
3.如权利要求1所述的一种冷藏车温度控制方法,其特征在于,所述步骤4包括:以冷藏车内监测点的温度、各监测点温差、冷藏车外表面各点温度、环境温度和车速为实时输入变量,基于所述椭球单元神经网络,计算压缩机和风机的转速对冷藏车温度进行实时控制。
4.如权利要求1所述的一种冷藏车温度控制方法,其特征在于,所述椭球单元神经网络由一个输入层、一个隐含层和一个输出层组成;输入层根据输入参数的个数进行确定,隐含层有7个隐含节点,输出层有1个输出节点,输入节点与7个隐含节点全部进行连接且连接权重均为1,偏差为0,隐含节点也通过全连接的方式和输出节点相连。
5.如权利要求1所述的一种冷藏车温度控制方法,其特征在于,任意一个输入变量x∈Rd的高斯概率密度函数形式表示为其中πk为混合权重,且满足πk=1及πk≥0,ck和Σk分别为d维高斯密度p(x|θk)的中心向量和全协方差矩阵,参数集θ={π1,…πk,c1,…ck,Σ1,…,Σk}。
6.如权利要求5所述的一种冷藏车温度控制方法,其特征在于,所述步骤2采用c-means聚类算法进行聚类,得到高温工况、高寒工况和常温工况三种聚类簇团。
7.如权利要求5所述的一种冷藏车温度控制方法,其特征在于,所述椭球单元神经网络由一个输入层、一个隐含层和一个输出层组成;输入层根据输入参数的个数进行确定,隐含层有7个隐含节点,输出层有1个输出节点,输入节点与7个隐含节点全部进行连接且连接权重均为1,偏差为0,隐含节点也通过全连接的方式和输出节点相连。
8.一种冷藏车温度控制***,其特征在于,包括:数据采集装置、计算装置和控制器,所述计算装置中包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现以下步骤:
接收试验获取的冷藏车内监测点的温度、冷藏车外表面各检测点温度、环境温度和车速、制冷机组压缩机和风机的转速的实测数据;
对获取的数据进行聚类分析,得到多个聚类簇团;
将所述多个聚类簇团作为训练样本,分别以压缩机转速和风机转速作为输出变量训练椭球单元神经网络;
接收数据采集装置实时获取的冷藏车内监测点的温度、各监测点温差、冷藏车外表面各点温度、环境温度和车速,作为实时输入变量,基于所述椭球单元神经网络,计算压缩机和风机的转速并发送至控制器;
所述控制器基于接收到的压缩机和风机的转速对冷藏车温度进行实时控制。
9.如权利要求8所述的一种冷藏车温度控制***,其特征在于,所述数据采集装置包括布设在冷藏车内外的多个温度传感器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710860576.9A CN107826027B (zh) | 2017-09-21 | 2017-09-21 | 基于大数据分析的冷藏车温度控制方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710860576.9A CN107826027B (zh) | 2017-09-21 | 2017-09-21 | 基于大数据分析的冷藏车温度控制方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107826027A CN107826027A (zh) | 2018-03-23 |
CN107826027B true CN107826027B (zh) | 2019-09-03 |
Family
ID=61643946
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710860576.9A Active CN107826027B (zh) | 2017-09-21 | 2017-09-21 | 基于大数据分析的冷藏车温度控制方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107826027B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108773315A (zh) * | 2018-05-25 | 2018-11-09 | 天津商业大学 | 基于实时气象信息的智能控温冷藏车 |
CN109050200B (zh) * | 2018-08-22 | 2020-02-18 | 吉林大学 | 一种汽车热泵空调的控制方法 |
CN111196119B (zh) * | 2018-11-16 | 2022-04-15 | 比亚迪股份有限公司 | 用于对车辆上的空调进行控制的方法、装置 |
CN110481412B (zh) * | 2019-08-26 | 2021-02-09 | 山东大学 | 一种具有温度场动态调控功能的冷藏车厢及冷藏车 |
CN111660755A (zh) * | 2019-12-04 | 2020-09-15 | 摩登汽车有限公司 | 汽车空调的控制方法、装置、整车控制器及汽车 |
CN111207498B (zh) * | 2019-12-27 | 2021-11-09 | 广东美的白色家电技术创新中心有限公司 | 空调设备及其控制方法、服务器、计算机可读存储介质 |
KR102471478B1 (ko) * | 2022-07-27 | 2022-11-28 | 주식회사 로드맵 | 콜드체인용 배송차량의 냉동기 가동예약 방법 |
CN114996661B (zh) * | 2022-08-04 | 2022-11-01 | 山东佳力通汽车有限公司 | 一种冷藏车温度监控方法及*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11294923A (ja) * | 1998-04-08 | 1999-10-29 | Mitsubishi Heavy Ind Ltd | 冷凍車運行管理システム及び冷凍車 |
CN103197538A (zh) * | 2013-04-24 | 2013-07-10 | 中南林业科技大学 | 一种基于过程神经网络的孵房温度控制方法 |
CN104374053A (zh) * | 2014-11-25 | 2015-02-25 | 珠海格力电器股份有限公司 | 一种智能控制方法、装置及*** |
CN105787271A (zh) * | 2016-02-26 | 2016-07-20 | 江苏方天电力技术有限公司 | 基于大数据分析技术的供热机组可调出力区间评估方法 |
CN205853810U (zh) * | 2016-06-24 | 2017-01-04 | 中原工学院 | 一种利用相变材料的冷藏车控制*** |
-
2017
- 2017-09-21 CN CN201710860576.9A patent/CN107826027B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11294923A (ja) * | 1998-04-08 | 1999-10-29 | Mitsubishi Heavy Ind Ltd | 冷凍車運行管理システム及び冷凍車 |
CN103197538A (zh) * | 2013-04-24 | 2013-07-10 | 中南林业科技大学 | 一种基于过程神经网络的孵房温度控制方法 |
CN104374053A (zh) * | 2014-11-25 | 2015-02-25 | 珠海格力电器股份有限公司 | 一种智能控制方法、装置及*** |
CN105787271A (zh) * | 2016-02-26 | 2016-07-20 | 江苏方天电力技术有限公司 | 基于大数据分析技术的供热机组可调出力区间评估方法 |
CN205853810U (zh) * | 2016-06-24 | 2017-01-04 | 中原工学院 | 一种利用相变材料的冷藏车控制*** |
Also Published As
Publication number | Publication date |
---|---|
CN107826027A (zh) | 2018-03-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107826027B (zh) | 基于大数据分析的冷藏车温度控制方法和*** | |
EP3891441B1 (en) | System and method for personalized thermal comfort control | |
US11002457B2 (en) | Variable refrigerant flow, room air conditioner, and packaged air conditioner control systems with cost target optimization | |
CN105378391B (zh) | 针对hvac需求响应的在线优化方案 | |
CN109050200B (zh) | 一种汽车热泵空调的控制方法 | |
US20180100662A1 (en) | Method for Data-Driven Learning-based Control of HVAC Systems using High-Dimensional Sensory Observations | |
US11236917B2 (en) | Building control system with zone grouping based on predictive models | |
CN110057045A (zh) | 用于空调器的控制方法 | |
CN113326651A (zh) | 基于t-s模糊模型的制冷站负荷和能效比动态建模方法 | |
CN115230433A (zh) | 电动汽车乘员舱与动力电池协同加热控制方法及装置 | |
CN114662201B (zh) | 一种自然通风智能调控的寻优方法 | |
CN110470033A (zh) | 用于控制空调的方法、装置和空调 | |
CN111582604A (zh) | 数据处理方法和装置、电子设备、及介质 | |
Sulaiman et al. | Fault detection for air conditioning system using machine learning | |
Abdulgader et al. | Energy-efficient thermal comfort control in smart buildings | |
CN113268913A (zh) | 一种基于pso-elm算法的智能建筑空调冷机***运行优化方法 | |
Zhang et al. | Residual physics and post-posed shielding for safe deep reinforcement learning method | |
Cao et al. | Autonomous maneuver decision of UCAV air combat based on double deep Q network algorithm and stochastic game theory | |
CN114992926A (zh) | 一种用于跨临界co2空调***的控制方法及控制*** | |
WO2020113305A1 (pt) | Processo e sistema de gestão inteligente de ambientes | |
Haque et al. | Ensemble-based efficient anomaly detection for smart building control systems | |
CN109059205A (zh) | 空调控制方法和*** | |
CN117389146A (zh) | 数据中心供冷机组***非线性模型预测控制*** | |
Chaudhari et al. | Comparative analysis of fuzzy inference systems for air conditioner | |
CN116954329A (zh) | 制冷***的状态调节方法、装置、设备、介质及程序产品 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |