CN109297140A - 一种基于人工智能的空调控制方法 - Google Patents
一种基于人工智能的空调控制方法 Download PDFInfo
- Publication number
- CN109297140A CN109297140A CN201811196384.3A CN201811196384A CN109297140A CN 109297140 A CN109297140 A CN 109297140A CN 201811196384 A CN201811196384 A CN 201811196384A CN 109297140 A CN109297140 A CN 109297140A
- Authority
- CN
- China
- Prior art keywords
- model
- air
- conditioning
- room
- room environment
- 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
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
- F24F11/30—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
- F24F11/62—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
- F24F11/70—Control systems characterised by their outputs; Constructional details thereof
- F24F11/72—Control systems characterised by their outputs; Constructional details thereof for controlling the supply of treated air, e.g. its pressure
- F24F11/74—Control systems characterised by their outputs; Constructional details thereof for controlling the supply of treated air, e.g. its pressure for controlling air flow rate or air velocity
- F24F11/77—Control systems characterised by their outputs; Constructional details thereof for controlling the supply of treated air, e.g. its pressure for controlling air flow rate or air velocity by controlling the speed of ventilators
-
- 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
- F24F11/83—Control systems characterised by their outputs; Constructional details thereof for controlling the temperature of the supplied air by controlling the supply of heat-exchange fluids to heat-exchangers
- F24F11/84—Control systems characterised by their outputs; Constructional details thereof for controlling the temperature of the supplied air by controlling the supply of heat-exchange fluids to heat-exchangers using valves
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B30/00—Energy efficient heating, ventilation or air conditioning [HVAC]
- Y02B30/70—Efficient control or regulation technologies, e.g. for control of refrigerant flow, motor or heating
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Fluid Mechanics (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Signal Processing (AREA)
- Thermal Sciences (AREA)
- Air Conditioning Control Device (AREA)
Abstract
一种基于人工智能的空调控制方法,建立并训练可以预测房间温度变化的房间环境模型和可以预测用户温度喜好的用户模型;建立用于产生空调控制量的空调控制模型,并利用房间环境模型来训练空调控制模型;将温度控制目标量、空调观测量和/或房间环境观测量输入空调控制模型,输出空调控制量。本发明提供一种基于人工智能的空调控制方法,控制量多,观测量多,控制目标多,能最大程度的提高空调的能效和性能,满足不同人对温度的个性化需求,且能够有效的避免过冲问题。
Description
技术领域
本发明涉及一种基于人工智能的空调控制方法。
背景技术
目前现有的主流空调控制方法有模糊控制方法,PID控制方法,这些控制方法具有无法克服的缺点:
控制量单一:缺乏压缩机频率、内外风机转速和节流阀开度等的配合,往往因为冷媒的不完全转化等原因导致能效的浪费以及性能的损失。
观测量单一:不同的门窗开闭状态构成了不同的连通域,不同的房间大小和布局方式,热传递的方式不一样,不同的墙体厚度及墙面装修,热传递速率不一样,空调的位置和个数对降温过程也会有影响,不同风速、雨、雪、光照等条件下,同样的内外温差,环境与房间的热交换速率不一样。PID和模糊控制参数根据有限的实验和经验进行标定,其一旦设定,就固定不变了。所以这样的控制方法无法针对复杂多变的情况(气候、天气变化、光照、房间特性等)采用不同的控制策略,造成能效的浪费和性能损失。
控制目标单一:不考虑不同人在不同情境下对温度的偏好,不能针对空调使用者的个性化需求进行主动控制。每个人对温度的感受不一样,当一个人觉得热时,另外一个人也许会觉得冷。由于不能对每个人对温度的偏好进行准确预估,目前空调的控制模式中,不包含针对每个不同人的个性化需求的主动控制。
过冲问题:由于现实温降/温升过程包含非常复杂的物理过程,如热量传播的迟滞性等,用PID方式进行控制,室内温度在目标温度上下波动,造成能效的损失。
发明内容
本发明提供一种基于人工智能的空调控制方法,控制量多,观测量多,控制目标多,能最大程度的提高空调的能效和性能,满足不同人对温度的个性化需求,且能够有效的避免过冲问题。
为了达到上述目的,本发明提供一种基于人工智能的空调控制方法,包含以下步骤:
建立并训练可以预测房间温度变化的房间环境模型和可以预测用户温度喜好的用户模型;
建立用于产生空调控制量的空调控制模型,并利用房间环境模型来训练空调控制模型;
将温度控制目标量、空调观测量和/或房间环境观测量输入空调控制模型,输出空调控制量;
所述的空调控制模型采用神经网络模型;
建立房间环境模型和用户模型的方法包含且不局限于以下的一种或几种方法:基于神经网络模型采用数据方式构建,采用数学物理科学计算方式构建。
所述的空调观测量包含:室内外环境温度,冷媒流量,蒸发器和冷凝器气压温度;
所述的空调控制量包含:压缩机频率、内外风机转速、节流阀开度。
所述的房间环境观测量包含:房间大小、朝向、户型、墙壁厚度、墙体装修材质、空调个数、空调安装位置、门窗位置和材质、家具,压缩机频率、内外风机转速,房间环境观测量的动态变化部分称为动态变化数据,房间环境观测量的固有特性称为房屋固有特性数据。
所述的基于神经网络模型采用数据方式构建房间环境模型的方法包含以下步骤:
收集动态变化数据和房屋固有特性数据;
将动态变化数据和房屋固有特性数据输入神经网络模型进行训练,训练后的神经网络模型形成房间环境模型。
所述的采用数学物理科学计算方式构建房间环境模型的方法包含以下步骤:
根据房屋固有特性数据,通过数学物理公式计算得到房间不同面墙壁的导热系数、空气体积参数;
建立房间的数值仿真模型作为房间环境模型,根据输入数据求解该数值仿真模型即得到未来一段时间房间温度变化。
建立用户模型的方法包含以下步骤:
步骤1、收集用户属性信息和用户对空调的使用记录;
所述的用户属性信息包含:用户身份、性别、年龄、职业类型等;
所述的用户对空调的使用记录包含:场景信息和空调设置模式;
所述的场景信息包含:内外环温、湿度、时间、是否刚打开房门等;
所述的空调设置模式包含:目标温度、风挡、除湿等;
步骤2、将用户属性信息和用户对空调的使用记录输入用户模型。
训练空调控制模型的方法包含以下步骤:
步骤S2.1、将温度控制目标量、空调观测量和/或房间环境观测量输入空调控制模型,输出空调控制量;
步骤S2.2、将空调控制量和/或房间环境观测量输入房间环境模型,输出房间温度变化量;
步骤S2.3、将房间温度变化量输入空调控制模型,进行步骤S2.1。
通过用户模型获取温度控制目标量。
通过用户模型获取温度控制目标量的方法包含以下步骤:
步骤S3.1、用户模型计算当前场景信息与空调使用记录中的过去场景信息的相似度,如果相似度超过相似度阀值S,则进行步骤S3.2,如果相似度不足相似度阀值S,则进行步骤S3.3;
步骤S3.2、选择相似度最高的过去场景信息,选择与该过去场景信息对应的空调设置模式作为温度控制目标量;
步骤S3.3、用户模型计算当前用户属性信息与其他用户属性信息的距离,选择与当前用户属性信息距离最近的用户属性信息作为最相似用户,从与该最相似用户属性信息对应的过去场景信息中选择与当前场景信息相似度最高的过去场景信息,并将与该过去场景信息对应的空调设置模式作为温度控制目标量。
将空调控制量和房间环境观测量输入房间环境模型,输出房间温度预测量,判断房间温度预测量与温度控制目标量是否一致,如果不一致,则修改温度控制目标量并发出预警。
本发明具有以下优点:
1、控制量多,控制量不仅包含压缩机频率,还包含内外风机转速,节流阀开度等,通过多个控制量相互配合,控制压缩机频率、内外风机转速和节流阀开度等的配合,使得空调能效和性能巨大提升。
2、观测量多(观测量包含环境观测量(室外环境温度、天气、光照等)、房间观测量(室内环境温度、房间大小、空调布置等)、空调设备观测量(蒸发器气压和温度、冷凝器气压和温度、流量、电源电压等)、用户人设(年龄、性别等)),以实现对环境,房间,用户的精确建模,同时监测气候、天气变化、空调设备状态、时间、地区、房间特性等,针对不同情况采用不同的控制策略,最大程度的提高空调能效和性能。
3、控制目标多,控制目标不仅仅能包含快速达到目标温度和维持恒定温度及减低能耗,还可以包含满足不同人(老人、小孩)和不同时段(夜晚、进屋)对温度的个性化需求。
4、人工智能的强非线性特性,能够有效的避免过冲问题。
附图说明
图1是本发明提供的一种基于人工智能的空调控制方法的流程图。
图2是基于神经网络模型采用数据方式构建房间环境模型的方法的示意图。
图3是无房间环境观测量的空调控制方法的流程图。
图4是有房间环境观测量的空调控制方法的流程图。
图5是满足用户个性化需求的无房间环境观测量的空调控制方法的流程图。
图6是满足用户个性化需求的有房间环境观测量的空调控制方法的流程图。
图7是具有预警功能的无房间环境观测量的空调控制方法的流程图。
图8是具有预警功能的有房间环境观测量的空调控制方法的流程图。
图9是满足用户个性化需求且具有预警功能的无房间环境观测量的空调控制方法的流程图。
图10是满足用户个性化需求且具有预警功能的有房间环境观测量的空调控制方法的流程图。
具体实施方式
以下根据图1~图10,具体说明本发明的较佳实施例。
如图1所示,本发明提供一种基于人工智能的空调控制方法,包含以下步骤:
步骤S1、建立并训练可以预测房间温度变化的房间环境模型和可以预测用户温度喜好的用户模型;
步骤S2、建立用于产生空调控制量的空调控制模型,并利用房间环境模型来训练空调控制模型;
步骤S3、通过用户模型获取温度控制目标量,用户模型用于主动的为用户设定控制目标,或者用于推荐控制目标供用户选择;
步骤S4、将温度控制目标量、空调观测量和/或房间环境观测量输入空调控制模型,输出空调控制量;步骤S5、将空调控制量和房间环境观测量输入房间环境模型,输出房间温度预测量;
步骤S6、判断房间温度预测量与温度控制目标量是否一致,如果不一致,则修改温度控制目标量并发出预警。
所述的空调控制模型、房间环境模型、用户模型都有训练阶段和部署阶段,训练完成后,将训练好的模型部署到空调芯片上。所述的步骤S1中,所述的建立房间环境模型和建立用户模型的方法包含且不局限于以下的一种或几种方法:基于神经网络模型采用数据方式构建,采用数学物理科学计算方式构建。
进一步,如图2所示,所述的基于神经网络模型采用数据方式构建房间环境模型的方法包含以下步骤:
步骤1、收集动态变化数据(房间环境观测量的动态变化部分)和房屋固有特性数据(房间环境观测量的固有特性,几乎不随时间变化);
所述的动态变化数据包含:空调设置参数、空调运转数据(压缩机频率,内外风机转速)、管温、室内外温度、室内外湿度等数据;
所述的房屋固有特性数据包含:用户的空调类型、房间大小、朝向、户型、墙壁厚度、墙体装修材质、空调个数、空调安装位置、门窗位置和材质、家具,压缩机频率、内外风机转速等数据;
步骤2、将动态变化数据和房屋固有特性数据输入神经网络模型进行训练,训练后的神经网络模型形成房间环境模型。
在本实施例中,采用安装在空调上带有通信功能的芯片收集动态变化数据和房屋固有特性数据。训练好的房间模型部署到新一代空调芯片上,用于预测房间温度变化。同时,也可以通过OVA(over the air)的方式更新房间模型,使预测结果越来越准确。也可将房间模型用于训练空调控制模型。
所述的采用数学物理科学计算方式构建房间环境模型的方法包含以下步骤:
步骤1、根据房屋固有特性数据,通过数学物理公式计算得到房间不同面墙壁的导热系数、空气体积等参数;
步骤2、建立房间的数值仿真模型作为房间环境模型,根据输入数据求解该数值仿真模型即可得到未来一段时间房间温度变化。
所述的建立用户模型的方法包含以下步骤:
步骤1、收集用户属性信息和用户对空调的使用记录;
所述的用户属性信息包含:用户身份(ID)、性别、年龄、职业类型等;
所述的用户对空调的使用记录包含:场景信息和空调设置模式;
所述的场景信息包含:内外环温、湿度、时间、是否刚打开房门等;
所述的空调设置模式包含:目标温度、风挡、除湿等;
步骤2、将用户属性信息和用户对空调的使用记录输入用户模型。
所述的空调控制模型采用神经网络模型。
所述的步骤S2中,训练空调控制模型的方法包含以下步骤:
步骤S2.1、将温度控制目标量、空调观测量和房间环境观测量输入空调控制模型,输出空调控制量;
步骤S2.2、将空调控制量和房间环境观测量输入房间环境模型,输出房间温度变化量;
步骤S2.3、将房间温度变化量输入空调控制模型,进行步骤S2.1。
重复上述步骤S2.1~步骤S2.3,实现对空调控制模型的训练,并使空调控制模型与房间环境模型产生交互,产生越来越准确的空调控制量来控制房间温度。训练过程中会计算空调控制的性能指标,当空调控制性能达到最小期望值,或者性能不再提升,可以停止训练,然后将训练好的模型部署到芯片上。
所述的步骤S3中,通过用户模型获取温度控制目标量的方法包含以下步骤:
步骤S3.1、用户模型计算当前场景信息与空调使用记录中的过去场景信息的相似度,如果相似度超过相似度阀值S(阈值S需要根据实际情况不断调整),则进行步骤S3.2,如果相似度不足相似度阀值S,则进行步骤S3.3;
步骤S3.2、选择相似度最高的过去场景信息,选择与该过去场景信息对应的空调设置模式作为温度控制目标量;
步骤S3.3、用户模型计算当前用户属性信息与其他用户属性信息的距离,选择与当前用户属性信息距离最近的用户属性信息作为最相似用户,从与该最相似用户属性信息对应的过去场景信息中选择与当前场景信息相似度最高的过去场景信息,并将与该过去场景信息对应的空调设置模式作为温度控制目标量。
计算用户属性信息距离可以采用以下方法:
例如用户A和B的属性为A=[1(代表儿童),0(代表男)],B=[2(代表老人),1(代表女)],那么A和B的距离可以这样计算:Lab=(1-2)2+(0-1)2=1+1=2
所述的步骤S3中,所述的空调观测量包含:室内外环境温度,冷媒流量,蒸发器和冷凝器气压温度等。
所述的房间环境观测量包含:房间大小、朝向、户型、墙壁厚度、墙体装修材质、空调个数、空调安装位置、门窗位置和材质、家具,压缩机频率、内外风机转速等数据。
所述的空调控制量包含:压缩机频率、内外风机转速、节流阀开度等。
空调控制模型、房间环境模型、用户模型之间相互组合,可以形成不同的控制方法。房间环境模型既可以用于空调控制模型的训练,也可以在部署阶段和空调控制模型组合,产生具有额外预警功能的空调控制方法。空调控制模型有两种,无房间环境空调控制模型和有房间环境空调控制模型,两者的区别在于观测量中是否包含房间环境观测量。观测量中增加房间环境观测量有利于空调控制模型掌握更多的信息,产生的控制量会更加精准。但是两种模型的训练都可以使用房间环境模型,而在部署阶段也可以和房间环境模型组合。
实施例1:无房间环境观测量的空调控制方法。
如图3所示,在部署阶段,将温度控制目标量和空调观测量输入空调控制模型,输出空调控制量,房间温度变化量跟现有的PID控制方法一样,可以通过传感器测量。
实施例2:有房间环境观测量的空调控制方法。
如图4所示,在部署阶段,将温度控制目标量、空调观测量和房间环境观测量输入空调控制模型,输出空调控制量,并将房间温度变化量输入空调控制模型。
实施例3:满足用户个性化需求的无房间环境观测量的空调控制方法。
如图5所示,在部署阶段,通过用户模型获取温度控制目标量,将温度控制目标量和空调观测量输入空调控制模型,输出空调控制量,并将房间温度变化量输入空调控制模型。
实施例4:满足用户个性化需求的有房间环境观测量的空调控制方法。
如图6所示,在部署阶段,通过用户模型获取温度控制目标量,将温度控制目标量、空调观测量和房间环境观测量输入空调控制模型,输出空调控制量,并将房间温度变化量输入空调控制模型。
实施例5:具有预警功能的无房间环境观测量的空调控制方法。
如图7所示,在部署阶段,将温度控制目标量和空调观测量输入空调控制模型,输出空调控制量,将空调控制量输入房间环境模型,输出房间温度变化量并将房间温度变化量输入空调控制模型,判断房间温度变化量是否过高或过低,如果是,则预警,并修改温度控制目标量。
温度变化量的过高或者过低的标准需要根据实际情况进行确定,这个标准不是一个一刀切的标准。例如,当与用户模型结合时,用户模型检测到房间中有不能承受低温者(如老人,儿童),而空调设置为最强档,房间环境模型预测房间温度会降到非常低的温度,超过老人或儿童的承受能力,可能引起老人或儿童感冒,则会进行预警,并修改设定温度。
实施例6:具有预警功能的有房间环境观测量的空调控制方法。
如图8所示,在部署阶段,将温度控制目标量、空调观测量和房间环境观测量输入空调控制模型,输出空调控制量,将空调控制量和房间环境观测量输入房间环境模型,输出房间温度变化量并将房间温度变化量输入空调控制模型,判断房间温度变化量是否过高或过低,如果是,则预警,并修改温度控制目标量。
实施例7:满足用户个性化需求且具有预警功能的无房间环境观测量的空调控制方法。
如图9所示,在部署阶段,通过用户模型获取温度控制目标量,将温度控制目标量和空调观测量输入空调控制模型,输出空调控制量,将空调控制量输入房间环境模型,输出房间温度变化量并将房间温度变化量输入空调控制模型,判断房间温度变化量是否过高或过低,如果是,则预警,并修改温度控制目标量。
实施例8:满足用户个性化需求且具有预警功能的有房间环境观测量的空调控制方法。
如图10所示,在部署阶段,通过用户模型获取温度控制目标量,将温度控制目标量、空调观测量和房间环境观测量输入空调控制模型,输出空调控制量,将空调控制量和房间环境观测量输入房间环境模型,输出房间温度变化量并将房间温度变化量输入空调控制模型,判断房间温度变化量是否过高或过低,如果是,则预警,并修改温度控制目标量。
本发明具有以下优点:
1、控制量多,控制量不仅包含压缩机频率,还包含内外风机转速,节流阀开度等,通过多个控制量相互配合,控制压缩机频率、内外风机转速和节流阀开度等的配合,使得空调能效和性能巨大提升。
2、观测量多(观测量包含环境观测量(室外环境温度、天气、光照等)、房间观测量(室内环境温度、房间大小、空调布置等)、空调设备观测量(蒸发器气压和温度、冷凝器气压和温度、流量、电源电压等)、用户人设(年龄、性别等)),以实现对环境,房间,用户的精确建模,同时监测气候、天气变化、空调设备状态、时间、地区、房间特性等,针对不同情况采用不同的控制策略,最大程度的提高空调能效和性能。
3、控制目标多,控制目标不仅仅能包含快速达到目标温度和维持恒定温度及减低能耗,还可以包含满足不同人(老人、小孩)和不同时段(夜晚、进屋)对温度的个性化需求。
4、人工智能的强非线性特性,能够有效的避免过冲问题。
尽管本发明的内容已经通过上述优选实施例作了详细介绍,但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后,对于本发明的多种修改和替代都将是显而易见的。因此,本发明的保护范围应由所附的权利要求来限定。
Claims (10)
1.一种基于人工智能的空调控制方法,其特征在于,包含以下步骤:
建立并训练可以预测房间温度变化的房间环境模型和可以预测用户温度喜好的用户模型;
建立用于产生空调控制量的空调控制模型,并利用房间环境模型来训练空调控制模型;
将温度控制目标量、空调观测量和/或房间环境观测量输入空调控制模型,输出空调控制量;
所述的空调控制模型采用神经网络模型;
建立房间环境模型和用户模型的方法包含且不局限于以下的一种或几种方法:基于神经网络模型采用数据方式构建,采用数学物理科学计算方式构建。
2.如权利要求1所述的基于人工智能的空调控制方法,其特征在于,所述的空调观测量包含但不限于:室内外环境温度,冷媒流量,蒸发器和冷凝器气压温度;
所述的空调控制量包含但不限于:压缩机频率、内外风机转速、节流阀开度。
3.如权利要求1所述的基于人工智能的空调控制方法,其特征在于,所述的房间环境观测量包含但不限于:房间大小、朝向、户型、墙壁厚度、墙体装修材质、空调个数、空调安装位置、门窗位置和材质、家具,压缩机频率、内外风机转速,房间环境观测量的动态变化部分称为动态变化数据,房间环境观测量的固有特性称为房屋固有特性数据。
4.如权利要求3所述的基于人工智能的空调控制方法,其特征在于,所述的基于神经网络模型采用数据方式构建房间环境模型的方法包含以下步骤:
收集动态变化数据和房屋固有特性数据;
将动态变化数据和房屋固有特性数据输入神经网络模型进行训练,训练后的神经网络模型形成房间环境模型。
5.如权利要求3所述的基于人工智能的空调控制方法,其特征在于,所述的采用数学物理科学计算方式构建房间环境模型的方法包含以下步骤:
根据房屋固有特性数据,通过数学物理公式计算得到房间不同面墙壁的导热系数、空气体积参数;
建立房间的数值仿真模型作为房间环境模型,根据输入数据求解该数值仿真模型即得到未来一段时间房间温度变化。
6.如权利要求1所述的基于人工智能的空调控制方法,其特征在于,建立用户模型的方法包含以下步骤:
步骤1、收集用户属性信息和用户对空调的使用记录;
所述的用户属性信息包含但不限于:用户身份、性别、年龄、职业类型等;
所述的用户对空调的使用记录包含但不限于:场景信息和空调设置模式;
所述的场景信息包含但不限于:内外环温、湿度、时间、是否刚打开房门等;
所述的空调设置模式包含但不限于:目标温度、风挡、除湿等;
步骤2、将用户属性信息和用户对空调的使用记录输入用户模型。
7.如权利要求1所述的基于人工智能的空调控制方法,其特征在于,训练空调控制模型的方法包含以下步骤:
步骤S2.1、将温度控制目标量、空调观测量和/或房间环境观测量输入空调控制模型,输出空调控制量;
步骤S2.2、将空调控制量和/或房间环境观测量输入房间环境模型,输出房间温度变化量;
步骤S2.3、将房间温度变化量输入空调控制模型,进行步骤S2.1。
8.如权利要求6所述的基于人工智能的空调控制方法,其特征在于,通过用户模型获取温度控制目标量。
9.如权利要求8所述的基于人工智能的空调控制方法,其特征在于,通过用户模型获取温度控制目标量的方法包含以下步骤:
步骤S3.1、用户模型计算当前场景信息与空调使用记录中的过去场景信息的相似度,如果相似度超过相似度阀值S,则进行步骤S3.2,如果相似度不足相似度阀值S,则进行步骤S3.3;
步骤S3.2、选择相似度最高的过去场景信息,选择与该过去场景信息对应的空调设置模式作为温度控制目标量;
步骤S3.3、用户模型计算当前用户属性信息与其他用户属性信息的距离,选择与当前用户属性信息距离最近的用户属性信息作为最相似用户,从与该最相似用户属性信息对应的过去场景信息中选择与当前场景信息相似度最高的过去场景信息,并将与该过去场景信息对应的空调设置模式作为温度控制目标量。
10.如权利要求1-9中任意一项所述的基于人工智能的空调控制方法,其特征在于,将空调控制量和房间环境观测量输入房间环境模型,输出房间温度预测量,判断房间温度预测量与温度控制目标量是否一致,如果不一致,则修改温度控制目标量并发出预警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811196384.3A CN109297140A (zh) | 2018-10-15 | 2018-10-15 | 一种基于人工智能的空调控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811196384.3A CN109297140A (zh) | 2018-10-15 | 2018-10-15 | 一种基于人工智能的空调控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109297140A true CN109297140A (zh) | 2019-02-01 |
Family
ID=65162783
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811196384.3A Pending CN109297140A (zh) | 2018-10-15 | 2018-10-15 | 一种基于人工智能的空调控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109297140A (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109974221A (zh) * | 2019-04-01 | 2019-07-05 | 珠海格力电器股份有限公司 | 根据建筑特征自适应控制的空调器及控制空调器的方法 |
CN110057054A (zh) * | 2019-04-24 | 2019-07-26 | 珠海格力电器股份有限公司 | 一种空调的控制方法、装置、存储介质及空调 |
CN110059801A (zh) * | 2019-03-20 | 2019-07-26 | 青岛海尔空调器有限总公司 | 基于神经网络的空调器能效控制方法 |
CN110425698A (zh) * | 2019-08-19 | 2019-11-08 | 同济大学 | 一种用户偏好自学习的空调控制方法和装置 |
CN110553374A (zh) * | 2019-09-09 | 2019-12-10 | 广东美的暖通设备有限公司 | 空调控制方法、装置及计算机可读存储介质 |
CN110726229A (zh) * | 2019-10-29 | 2020-01-24 | 珠海格力电器股份有限公司 | 空调器的控制方法及装置、存储介质及处理器 |
CN111059734A (zh) * | 2020-01-02 | 2020-04-24 | 珠海格力电器股份有限公司 | 空调的自动控制方法、装置、存储介质和空调设备 |
CN111694280A (zh) * | 2019-03-14 | 2020-09-22 | 青岛海尔智能技术研发有限公司 | 一种应用场景的控制***及其控制方法 |
CN112013513A (zh) * | 2019-05-31 | 2020-12-01 | 广东美的制冷设备有限公司 | 空气调节设备及其自动控制方法、终端控制设备 |
CN112254286A (zh) * | 2020-10-19 | 2021-01-22 | 安徽南国机电科技发展有限公司 | 基于室内制冷效率监测的中央空调控制台 |
CN112556130A (zh) * | 2020-12-11 | 2021-03-26 | 青岛海尔空调器有限总公司 | 空调报警控制方法、装置、电子设备及存储介质 |
CN113703336A (zh) * | 2021-10-27 | 2021-11-26 | 杭州明融科技有限公司 | 一种酒店智能家居主控***和控制网络 |
CN114754477A (zh) * | 2022-04-28 | 2022-07-15 | 广州奥特信息科技股份有限公司 | 空调控制***、方法、中央空调***、装置及存储介质 |
CN115342485A (zh) * | 2022-08-29 | 2022-11-15 | Tcl空调器(中山)有限公司 | 空调压缩机频率控制方法、装置、空调器及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08320147A (ja) * | 1995-05-25 | 1996-12-03 | Matsushita Electric Ind Co Ltd | 空気調和機の制御装置 |
CN102128481A (zh) * | 2010-01-20 | 2011-07-20 | 珠海格力电器股份有限公司 | 空调器及其控制方法及装置 |
CN103940058A (zh) * | 2014-03-31 | 2014-07-23 | 广东美的制冷设备有限公司 | 空调器的控制方法、空调器的控制装置和空调器 |
CN106322656A (zh) * | 2016-08-23 | 2017-01-11 | 海信(山东)空调有限公司 | 一种空调控制方法及服务器和空调*** |
CN106369739A (zh) * | 2016-08-23 | 2017-02-01 | 海信(山东)空调有限公司 | 一种空调控制方法及空调控制器和空调*** |
CN107120794A (zh) * | 2017-05-12 | 2017-09-01 | 青岛海尔空调器有限总公司 | 空调器运行工况调节方法及空调器 |
CN108361927A (zh) * | 2018-02-08 | 2018-08-03 | 广东美的暖通设备有限公司 | 一种基于机器学习的空调器控制方法、装置以及空调器 |
-
2018
- 2018-10-15 CN CN201811196384.3A patent/CN109297140A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08320147A (ja) * | 1995-05-25 | 1996-12-03 | Matsushita Electric Ind Co Ltd | 空気調和機の制御装置 |
CN102128481A (zh) * | 2010-01-20 | 2011-07-20 | 珠海格力电器股份有限公司 | 空调器及其控制方法及装置 |
CN103940058A (zh) * | 2014-03-31 | 2014-07-23 | 广东美的制冷设备有限公司 | 空调器的控制方法、空调器的控制装置和空调器 |
CN106322656A (zh) * | 2016-08-23 | 2017-01-11 | 海信(山东)空调有限公司 | 一种空调控制方法及服务器和空调*** |
CN106369739A (zh) * | 2016-08-23 | 2017-02-01 | 海信(山东)空调有限公司 | 一种空调控制方法及空调控制器和空调*** |
CN107120794A (zh) * | 2017-05-12 | 2017-09-01 | 青岛海尔空调器有限总公司 | 空调器运行工况调节方法及空调器 |
CN108361927A (zh) * | 2018-02-08 | 2018-08-03 | 广东美的暖通设备有限公司 | 一种基于机器学习的空调器控制方法、装置以及空调器 |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111694280A (zh) * | 2019-03-14 | 2020-09-22 | 青岛海尔智能技术研发有限公司 | 一种应用场景的控制***及其控制方法 |
CN110059801A (zh) * | 2019-03-20 | 2019-07-26 | 青岛海尔空调器有限总公司 | 基于神经网络的空调器能效控制方法 |
CN110059801B (zh) * | 2019-03-20 | 2021-05-25 | 青岛海尔空调器有限总公司 | 基于神经网络的空调器能效控制方法 |
CN109974221A (zh) * | 2019-04-01 | 2019-07-05 | 珠海格力电器股份有限公司 | 根据建筑特征自适应控制的空调器及控制空调器的方法 |
CN110057054A (zh) * | 2019-04-24 | 2019-07-26 | 珠海格力电器股份有限公司 | 一种空调的控制方法、装置、存储介质及空调 |
CN112013513A (zh) * | 2019-05-31 | 2020-12-01 | 广东美的制冷设备有限公司 | 空气调节设备及其自动控制方法、终端控制设备 |
CN110425698A (zh) * | 2019-08-19 | 2019-11-08 | 同济大学 | 一种用户偏好自学习的空调控制方法和装置 |
CN110553374A (zh) * | 2019-09-09 | 2019-12-10 | 广东美的暖通设备有限公司 | 空调控制方法、装置及计算机可读存储介质 |
CN110726229B (zh) * | 2019-10-29 | 2020-09-25 | 珠海格力电器股份有限公司 | 空调器的控制方法及装置、存储介质及处理器 |
CN110726229A (zh) * | 2019-10-29 | 2020-01-24 | 珠海格力电器股份有限公司 | 空调器的控制方法及装置、存储介质及处理器 |
CN111059734A (zh) * | 2020-01-02 | 2020-04-24 | 珠海格力电器股份有限公司 | 空调的自动控制方法、装置、存储介质和空调设备 |
CN112254286A (zh) * | 2020-10-19 | 2021-01-22 | 安徽南国机电科技发展有限公司 | 基于室内制冷效率监测的中央空调控制台 |
CN112556130A (zh) * | 2020-12-11 | 2021-03-26 | 青岛海尔空调器有限总公司 | 空调报警控制方法、装置、电子设备及存储介质 |
CN113703336A (zh) * | 2021-10-27 | 2021-11-26 | 杭州明融科技有限公司 | 一种酒店智能家居主控***和控制网络 |
CN114754477A (zh) * | 2022-04-28 | 2022-07-15 | 广州奥特信息科技股份有限公司 | 空调控制***、方法、中央空调***、装置及存储介质 |
CN114754477B (zh) * | 2022-04-28 | 2023-11-28 | 广州奥特信息科技股份有限公司 | 空调控制***、方法、中央空调***、装置及存储介质 |
CN115342485A (zh) * | 2022-08-29 | 2022-11-15 | Tcl空调器(中山)有限公司 | 空调压缩机频率控制方法、装置、空调器及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109297140A (zh) | 一种基于人工智能的空调控制方法 | |
Ku et al. | Automatic control system for thermal comfort based on predicted mean vote and energy saving | |
Karunakaran et al. | Energy efficient fuzzy based combined variable refrigerant volume and variable air volume air conditioning system for buildings | |
CN102679505B (zh) | 房间温度控制方法 | |
CN103398451B (zh) | 基于学习用户行为的多维舒适度室内环境控制方法及*** | |
CN108413567A (zh) | 基于物联网的中央空调节费优化方法与*** | |
CN111336669B (zh) | 基于模型预测控制的室内空调通风*** | |
CN104620182B (zh) | 用于预测hvac操作成本的***和方法 | |
KR101972227B1 (ko) | 지능학습기반의 스마트홈 에너지 기기 제어 장치 및 그 방법 | |
CN109579232A (zh) | 提高空调睡眠模式舒适性的控制方法和*** | |
CN110520679A (zh) | 暖通空调机组控制器 | |
CN106352484A (zh) | 一拖多空调及其制冷控制方法 | |
CN106196423A (zh) | 一种基于模型预测的室内环境品质控制优化方法 | |
CN110726209B (zh) | 空调控制方法、装置、存储介质以及处理器 | |
CN109028480A (zh) | 一种恒温恒湿控制***及其方法 | |
Mofidi et al. | An integrated model for position-based productivity and energy costs optimization in offices | |
CN111442461B (zh) | 一种调温设备控制方法、装置和调温*** | |
Biyik et al. | Cloud-based model predictive building thermostatic controls of commercial buildings: Algorithm and implementation | |
Cheng et al. | Energy efficient thermal comfort control for cyber-physical home system | |
TWI746087B (zh) | 空調系統控制方法 | |
Egilegor et al. | A fuzzy control adapted by a neural network to maintain a dwelling within thermal comfort | |
Biyik et al. | Model predictive building thermostatic controls of small-to-medium commercial buildings for optimal peak load reduction incorporating dynamic human comfort models: Algorithm and implementation | |
CN105605733A (zh) | 一种空调冷机的电网响应方法及装置 | |
CN116989379A (zh) | 一种基于动态室温设定值和模型预测控制的室温控制方法 | |
CN113757852B (zh) | 基于数字孪生技术的多联机空调机组控制方法及控制*** |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190201 |
|
RJ01 | Rejection of invention patent application after publication |