CN110425698A - 一种用户偏好自学习的空调控制方法和装置 - Google Patents

一种用户偏好自学习的空调控制方法和装置 Download PDF

Info

Publication number
CN110425698A
CN110425698A CN201910764951.9A CN201910764951A CN110425698A CN 110425698 A CN110425698 A CN 110425698A CN 201910764951 A CN201910764951 A CN 201910764951A CN 110425698 A CN110425698 A CN 110425698A
Authority
CN
China
Prior art keywords
air
user
conditioning
temperature
self study
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
CN201910764951.9A
Other languages
English (en)
Inventor
潘毅群
谢建彤
黄治钟
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.)
Tongji University
Original Assignee
Tongji University
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 Tongji University filed Critical Tongji University
Priority to CN201910764951.9A priority Critical patent/CN110425698A/zh
Publication of CN110425698A publication Critical patent/CN110425698A/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
    • F24F11/62—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
    • F24F11/62—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
    • F24F11/65—Electronic processing for selecting an operating mode
    • 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
    • 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
    • F24F2110/00—Control inputs relating to air properties
    • F24F2110/20—Humidity
    • F24F2110/22—Humidity 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
    • F24F2110/00—Control inputs relating to air properties
    • F24F2110/30—Velocity
    • 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)
  • Signal Processing (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Fluid Mechanics (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

本发明公开了一种用户偏好自学习的空调控制方法和装置。本发明通过采集用户空调使用行为和环境参数数据，分类统计提取出用户使用空调的行为特征；建立用户偏好模型，预测用户在不同环境条件下对温度设定值的偏好和对降温/升温速度的偏好；根据用户不同的偏好设计空调***相应的控制策略，适应不同用户的个性化要求；收集运行过程中用户的行为特征，实现控制***的自学习。本发明与常规空调控制器相比，只需要对控制器的控制程序进行少量修改，无需增加额外的传感器，就可以与多种类型的空调***相结合，既能实现用户更好的舒适度体验，又能减少不必要的用能。

Description

一种用户偏好自学习的空调控制方法和装置
技术领域
本发明属于空调***控制技术领域，涉及一种用户偏好自学习的控制方法以及一种用户偏好自学习的空调装置。
背景技术
空调己经成为人们日常生活的必需品，为人们提供了舒适的生活环境。随着智能时代的到来，人们对空调的个性化和智能化需求也不断增长。如何在满足用户个性化舒适需求的同时实现智能节能变得十分重要。
目前市场上的大多数空调器都是以被动方式接受用户指令进行控制，通过此种方法进行室内温度调节，不仅需要用户经常操作空调，降低了空调的智能化程度，而且由于调控的不准确、不及时也降低了用户的舒适感。同时，由于性别，年龄等因素的不同，个体热舒适感觉存在差异，不同用户对室内环境条件的需求不同。在空调***的运行中，要满足用户的舒适度需求，就要考虑个体热舒适差异，即用户的个性化偏好。
发明内容
为了解决现有技术中存在的上述问题，本发明提出一种用户偏好自学习的空调控制方法和装置，通过采集用户空调使用行为数据和环境数据，提取用户的空调使用行为特征；建立用户偏好预测模型，设计空调控制策略以满足用户偏好；实现空调控制***的在线学习，在实际应用中保证用户舒适度的前提下实现控制节能。
为实现上述目的，本发明采用如下技术方案：
本发明提供一种用户偏好自学习的空调控制方法和装置，包括：
采集用户空调使用行为数据和环境数据；
根据规则进行用户历史空调行为模式分类；
统计用户在不同环境条件下的不同空调使用行为概率；
根据实时环境参数预测用户对温度设定值的偏好和降温/升温速度的偏好；
执行空调控制策略。
前述行为模式分类相当于给历史行为数据打标签，在下一步统计不同环境条件下各类行为模式出现的概率进行模型训练，以预测实时环境参数下用户的行为模式。本预测模型包含两部分预测内容，一个是预测温度设定值，这部分可以直接统计得到；另一个是预测行为模式，需要先进行分类再统计。
进一步地，所述行为数据和环境数据包括：空调开关状态，空调运行模式(制冷/采暖)，温度设定值，风速设定值，室内干球温度，室内相对湿度，室外干球温度和室外相对湿度。
优选地，所述分类的依据包括室内干球温度，设定温度，室内干球温度与设定温度的差值以及原设定温度与新设定温度的差值。
优选地，所述用户空调行为模式分类包括升温激进模式，升温较激进模式，升温中庸模式，升温较保守模式，升温保守模式，降温激进模式，降温较激进模式，降温中庸模式，降温较保守模式和降温保守模式等10类。
进一步地，所述统计方法为条件概率统计、朴素贝叶斯或其它基于概率统计的类似算法。
进一步地，所述统计的结果是在各室外有效温度Te，out下空调处于开启状态时各室内干球温度值出现的概率以及各综合有效温度Te，com下用户各空调行为模式的概率。
优选地，所述综合有效温度Te，com(℃)是室内有效温度Te，in(℃)和室外有效温度Te，out(℃)的综合加权值。
Te，com＝0.25Te，out+0.75Te，in
进一步地，所述预测算法是基于条件概率、朴素贝叶斯或其它基于概率统计的类似算法，将概率最大的行为作为预测结果。
优选地，通过控制空调***的冷/热水阀开度和/或风机的转速对空调***进行控制。
进一步地，实时更新用户空调使用行为数据和环境数据。
与现有技术相比，本发明具有以下有益效果：
本发明通过采集用户历史行为数据和环境数据，分类统计得到各种空调使用行为的概率来表示用户的偏好，在此基础上得到预测模型，并采用模型预测方法进行实时用户偏好预测，根据用户偏好对空调***进行控制，调节房间温度及温度变化速率，在满足用户个性化舒适需求的前提下实现控制节能。通过实时更新用户行为数据和环境数据，不断学习用户行为偏好，更新用户行为预测模型，可有效预测用户行为偏好，并按照用户行为偏好智能控制空调***，为用户带来更好的便利和舒适体验，并且该方法仅需对控制器的控制程序进行少量修改，无需增加额外传感器，可以与多种类型的空调***相结合，具有很强的实用性。
附图说明
图1是本发明实施例的一种用户偏好自学习的空调控制方法和装置的流程图。
图2是本发明实施例的一种用户偏好自学习的空调控制装置的方框示意图。
图3是本发明实施例的一种用户偏好自学习的空调控制方法用户历史行为模式分类之开启空调行为的行为模式分类流程图(制冷模式)。
图4是本发明实施例的一种用户偏好自学习的空调控制方法用户历史行为模式分类之调节空调设定参数行为的行为模式分类流程图(制冷模式)。
具体实施方式
以下结合附图及实施例对本发明作进一步的说明。
本发明一种用户偏好自学习的空调控制方法，如图1所示，所述方法包括：
步骤101，采集用户空调使用行为数据和环境数据；
步骤102，根据规则进行用户历史空调行为模式分类；
步骤103，统计在不同环境条件下的不同空调行为概率；
步骤104，基于条件概率预测温度设定值和行为模式；
步骤105，执行空调控制策略。
本发明所述方法由空调控制装置实现，空调控制装置的方框示意图如图2所示。所述装置的硬件主要包括：由触控面板110和室内外温湿度传感器120组成的数据采集模块10和主要由中央处理器210组成的数据处理与控制模块20。数据采集模块主要用于在数据处理与控制模块的控制下，采集用户行为数据201和室内外的环境数据202；数据处理与控制模块主要用于根据数据采集模块获得的环境数据完成数据处理203，并输出控制信号至被控空调204。
具体而言，步骤101，采集用户空调使用行为数据和环境数据；
采集用户空调使用行为数据和环境数据是由数据采集模块10实现的。采集的行为数据和环境数据包括：空调开关状态，空调运行模式(制冷/采暖)，温度设定值，风速设定值，室内干球温度，室内相对湿度，室外干球温度和室外相对湿度。
步骤102，根据规则进行用户历史空调行为模式分类；
在本步骤中，分类的依据包括室内干球温度，设定温度，室内干球温度与设定温度的差值以及原设定温度与新设定温度的差值。本步骤分类统计的用户空调行为分为开空调行为和调节空调设定参数行为。其中，开空调行为的分类依据为室内干球温度，设定温度和室内干球温度与设定温度的差值；调节空调设定参数行为的分类依据为原设定温度，原设定温度与新设定温度的差值和室内干球温度与原设定温度的差值。所述用户空调使用行为模式包括升温激进模式，升温较激进模式，升温中庸模式，升温较保守模式，升温保守模式，降温激进模式，降温较激进模式，降温中庸模式，降温较保守模式和降温保守模式等10类。不同的行为模式反映出用户对降温/升温速度的不同偏好。
本步骤根据规则进行用户历史空调行为模式分类是由数据处理与控制模块20实现的。
步骤103，统计在不同环境条件下的不同空调行为概率；
本步骤建立了用户偏好模型，采用条件概率统计方法统计在各室外有效温度Te，out下空调处于开启状态时各室内干球温度值出现的概率，以及各综合有效温度Te，com下用户各行为模式的概率。其中，有效温度Te由干球温度Ta和相对湿度Rh计算得到，综合有效温度Te，com是室内有效温度Te，in和室外有效温度Te，out的综合加权值。用公式表示如下：
Te＝Ta-0.4(Ta-10)(1-Rh/100)
Te,com＝0.25Te,out+0.75Te,in
式中，Te表示有效温度，℃；Ta表示干球温度，℃；Rh表示相对湿度，％；Te，com表示综合有效温度，℃；Te，out表示室外有效温度，℃；Te，in表示室内有效温度，℃。
在统计时，将室内干球温度、室外有效温度和综合有效温度值采用四舍五入的方法离散为整数，统计的条件概率值用公式表示如下：
式中，P(Tin，i|Te，out)表示在室外有效温度Te，out下空调处于开启状态时室内干球温度值Tin，i出现的概率，t(Tin，i|Te，out)表示在室外有效温度Te，out下空调处于开启状态时室内干球温度值Tin，i出现的时长，t(Te，out)表示在室外有效温度Te，out下空调处于开启状态时长。P(Mi|Te，com)表示综合有效温度Te，com下用户行为模式Mi的概率，c(Mi|Te，com)表示综合有效温度Te，com下用户采用空调行为模式Mi的次数，c(Te，com)表示综合有效温度Te，com下用户空调行为次数。
本步骤统计在不同环境条件下的不同空调行为概率是由数据处理与控制模块20实现的。统计得到的概率值存储在处理器内存中。
步骤104，基于条件概率预测温度设定值和行为模式；
本步骤通过当前时刻的室内外环境数据，计算得到室内外有效温度和综合有效温度。本步骤采用的预测算法是基于条件概率的预测方法，将条件概率最大的温度值或行为模式作为预测结果。基于步骤103中计算得到的条件概率值确定当前室外有效温度下最大概率的室内温度值，将其作为室内温度设定值；确定当前综合有效温度下最大概率的行为模式。
本步骤基于条件概率预测温度设定值和行为模式是由数据处理与控制模块20实现的。
步骤105，执行空调控制策略。
本步骤基于步骤104确定的室内温度设定值和行为模式执行对应的空调控制策略，并输出控制信号至被控空调。针对风机连续调速，水阀开度调节的空调控制方式，通过控制空调***的冷/热水阀开度和/或风机的转速对空调***进行控制。对于降温/升温激进的行为模式，增大冷/热水阀开度和/或提高风机的转速以实现更快速的降温/升温速度。相对地，对于降温/升温保守的行为模式，减小冷/热水阀开度和/或降低风机的转速以减缓降温/升温速度。针对风机档位调速，水阀开闭调节的空调控制方式，通过控制空调***的水阀开闭和风机的档位对空调***进行控制。对于降温/升温激进的行为模式，增大风机的档位以实现更快速的降温/升温速度。相对地，对于降温/升温保守的行为行为模式，降低风机的档位以减缓降温/升温速度。
本步骤执行空调控制策略是由数据处理与控制模块20实现的。
进一步地，实时更新用户空调使用行为数据和环境数据，进而更新用户偏好模型中的概率值。
作为一种可选实施例，所述分类规则依据包括：室内干球温度，设定温度，室内干球温度与设定温度的差值以及原设定温度与新设定温度的差值。所示分类数量为10种。需要说明的是，本实施例只是给出了参考分类数量和分类规则，还可以使用其他分类数量，分类规则中的具体参数也可以适当调整。因此，在此基础上对分类规则所做的任何增减都属于本发明保护的范围。
作为一种可选实施例，所述预测算法是基于条件概率的预测方法，将条件概率最大的温度值或行为模式作为预测结果。所述预测算法还可以是朴素贝叶斯算法等基于概率统计的算法，通过历史用户行为数据和环境数据进行训练得到的。下面介绍一下朴素贝叶斯算法。
朴素贝叶斯法是基于贝叶斯定理与特征条件独立假设的分类方法，属于应用广泛的现有技术。该类算法是基于统计学的贝叶斯定理,依据条件概率公式，计算当前特征的样本属于某个分类的概率，选择最大的概率分类。贝叶斯定理公式如下：
以行为模式为预测对象，输入参数为室内干球温度，室内相对湿度，室外干球温度和室外相对湿度。将历史用户空调行为数据和环境数据作为训练数据训练模型，训练完成的模型用于预测实时的用户行为模式。
作为一种可选实施例，所述控制策略可应用于风机连续调速，水阀开度调节和风机档位调速，水阀开闭调节两种不同的空调控制方式，也可应用于PID控制和位式控制两种不同的控制逻辑。
在控制策略中，可以通过调节空调设定温度，改变室内温度变化情况，实现不同的降温/升温速率，也可以通过调整PID参数来实现。
为了实现与不同的房间相适应以及达到更好的控制效果，可以进一步根据实测的室内温度逐时变化数据，辨识房间室温的传递函数。对于PID控制，由传递函数确定PID控制器的具体参数；对于位式控制，可将PID的输出值进行离散化。控制策略中的具体参数设置可以适当调整。因此，在此基础上对控制策略所做的任何调整都属于本发明保护的范围。
下面以控制一个水阀开闭调节、风机档位调速的风机盘管***末端控制为例来详细描述本发明实施例的控制方法。
采用PLC可编程逻辑控制器进行风机盘管末端控制，该控制器由PLC中央处理器、触控面板和室内外温湿度传感器组成。用户可通过触控面板开关空调或调节空调设定参数，因此触控面板可以采集用户行为数据。同时，室内外温湿度传感器采集室内外的环境数据，并传输给PLC中央处理器进行数据处理。PLC中央处理器输出控制信号至被控空调。
采集的行为数据和环境数据包括：空调开关状态，空调运行模式(制冷、采暖)，温度设定值，风速设定值(高档、中档、低档)，室内干球温度，室内相对湿度，室外干球温度和室外相对湿度。采集的时间间隔为30s。
举例来说，假设用户在时间点1输入向空调器输入开机指令，设定空调运行模式为制冷模式，温度设定值为24℃，风速设定为高档风速；在时间点2向空调器输入调节指令，将温度设定值调节为26℃，风速设定为中档风速；并在时间点3向空调器输入关机指令，室内外传感器记录对应时刻的室内外干球温度和相对湿度，这样可形成如下表1所示的用户行为数据和环境数据库。数据库可保存在PLC外置的硬盘或触控面板的数据存储装置中。
表1
针对采集到的用户历史空调行为数据，根据规则进行行为模式分类。开启空调制冷模式行为的分类流程图如图3所示。计算开启空调时刻的室内干球温度和设定温度的差值，当室内干球温度大于28℃时，如果设定温度小于24℃时，输出降温激进模式；如果设定温度大于等于24℃，小于26℃，输出降温较激进模式；如果设定温度大于等于26℃，小于27℃，输出降温中庸模式；如果设定温度大于等于27℃，小于28℃，输出降温较保守模式；如果设定温度大于等于28℃，输出降温保守模式。当室内干球温度大于等于26℃，小于28℃时，如果差值大于等于6℃时，输出降温激进模式；如果差值大于等于4.5℃，小于6℃，输出降温较激进模式；如果差值大于2℃，小于4.5℃，输出降温中庸模式；如果差值大于1℃，小于等于2℃，输出降温较保守模式；如果差值小于等于1℃，输出降温保守模式。当室内干球温度小于26℃时，如果差值大于等于5℃时，输出降温激进模式；如果差值大于等于3.5℃，小于5℃，输出降温较激进模式；如果差值大于等于2℃，小于3.5℃，输出降温中庸模式；如果差值大于等于1℃，小于2℃，输出降温较保守模式；如果差值小于1℃，输出降温保守模式。调节空调设定参数行为的行为模式分类流程图如图4所示。计算原设定温度和新设定温度的差值Diff以及调节空调设定参数时刻的室内干球温度和原设定温度的差值△。当原设定温度大于等于26℃时，如果Diff大于等于5℃时，输出降温激进模式；如果Diff大于等于3℃，小于5℃，输出降温较激进模式；如果Diff大于等于2℃，小于3℃，输出降温中庸模式；如果Diff小于2℃，△大于1℃，输出降温较保守模式；如果Diff小于2℃，△小于等于1℃，输出降温保守模式。当原设定温度小于26℃时，如果Diff大于等于4℃时，输出降温激进模式；如果Diff大于等于2.5℃，小于4℃，输出降温较激进模式；如果Diff大于等于1.5℃，小于2.5℃，输出降温中庸模式；如果Diff小于1.5℃，△大于0℃，输出降温较保守模式；如果Diff小于1.5℃，△小于等于0℃，输出降温保守模式。
根据用户历史行为数据，统计在不同环境条件下的不同空调行为概率，包含两部分的内容。第一是各室外有效温度Te，out下空调处于开启状态时各室内干球温度值出现的概率，第二是各综合有效温度Te，com下用户各行为模式的概率，如表2和表3所示。由于PLC控制器的内存有限，因此仅保存分类统计后的概率值，而不保存具体的行为和环境数据。
表2
表3
在实时控制时，选择当前时刻的室内外环境条件最大概率的温度设定值和行为模式作为预测。举例来说，如果当前时刻室外有效温度值1下室内干球温度1的概率最高，则将室内干球温度1作为温度设定值的预测值。如果当前时刻综合有效温度1下降温较激进模式的概率最高，则将降温较激进模式作为行为模式的预测值。
由PLC控制器执行空调控制策略。针对风机档位调速，水阀开闭调节的空调控制方式，通过控制空调***的水阀开闭和风机的档位对空调***进行控制。具体来说，制冷模式下当室温大于温度设定值减一度时，水阀开启，否则水阀关闭。对于降温(较)激进的行为模式，风机档位设定为高档风速以实现更快速的降温速度。相对地，对于降温(较)保守的行为行为模式，风机档位设定为低档风速以减缓降温速度。
上述的对实施例的描述是为便于该技术领域的普通技术人员能理解和应用本发明。熟悉本领域技术的人员显然可以容易地对这些实施例做出各种修改，并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此，本发明不限于这里的实施例，本领域技术人员根据本发明的揭示，不脱离本发明范畴所做出的改进和修改都应该在本发明的保护范围之内。

Claims (12)

1.一种用户偏好自学习的空调控制方法，其特征在于，包括：
采集用户空调使用行为数据和环境数据；
根据规则进行用户历史空调使用行为模式分类；
统计用户在不同环境条件下的不同空调使用行为概率；
根据实时环境参数预测用户对温度设定值的偏好和降温/升温速度的偏好；
执行空调控制策略。
2.根据权利要求1所述的用户偏好自学习的空调控制方法，其特征在于，所述行为数据和环境数据包括：空调开关状态，制冷/采暖的空调运行模式，温度设定值，风速设定值，室内干球温度，室内相对湿度，室外干球温度和室外相对湿度。
3.根据权利要求1所述的用户偏好自学习的空调控制方法，其特征在于，所述分类的依据包括用户对空调进行开关/调节设定室内干球温度，设定温度，室内干球温度与设定温度的差值以及原设定温度与新设定温度的差值。
4.根据权利要求1所述的用户偏好自学习的空调控制方法，其特征在于，所述用户行为模式分类包括升温激进模式，升温较激进模式，升温中庸模式，升温较保守模式，升温保守模式，降温激进模式，降温较激进模式，降温中庸模式，降温较保守模式和降温保守模式。
5.根据权利要求1所述的用户偏好自学习的空调控制方法，其特征在于，所述分类统计方法为基于概率统计的算法。
6.根据权利要求5所述的用户偏好自学习的空调控制方法，其特征在于，所述分类统计方法为条件概率统计算法及朴素贝叶斯算法。
7.根据权利要求5所述的用户偏好自学习的空调控制方法，其特征在于，所述分类统计的结果是在各室外有效温度Te，out下空调处于开启状态时，各室内干球温度值出现的概率以及各综合有效温度Te，com下用户各行为模式的概率。
8.根据权利要求7所述的用户偏好自学习的空调控制方法，其特征在于，所述综合有效温度Te，com是室内有效温度Te，in和室外有效温度Te，out的综合加权值；
Te，com＝0.25Te，out+0.75Te，in。
9.根据权利要求1所述的用户偏好自学习的空调控制方法，其特征在于，所述预测算法是基于概率统计的算法，将概率最大的行为作为预测结果。
10.根据权利要求1所述的用户偏好自学习的空调控制方法，其特征在于，通过调节空调***的冷/热水阀开度和/或风机的转速对空调***进行控制。
11.根据权利要求1所述的用户偏好自学习的空调控制方法，其特征在于，还包括：实时更新用户空调使用行为数据和环境数据。
12.实现权利要求1至11中任一项所述方法的用户偏好自学习的空调控制装置，其特征在于，包括：由触控面板和室内外温湿度传感器组成的数据采集模块；由中央处理器组成的数据处理与控制模块；数据采集模块用于在数据处理与控制模块的控制下，采集用户行为数据和室内外的环境数据；数据处理与控制模块主要用于根据数据采集模块获得的环境数据完成数据处理，并输出控制信号至被控空调。
CN201910764951.9A 2019-08-19 2019-08-19 一种用户偏好自学习的空调控制方法和装置 Pending CN110425698A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910764951.9A CN110425698A (zh) 2019-08-19 2019-08-19 一种用户偏好自学习的空调控制方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910764951.9A CN110425698A (zh) 2019-08-19 2019-08-19 一种用户偏好自学习的空调控制方法和装置

Publications (1)

Publication Number Publication Date
CN110425698A true CN110425698A (zh) 2019-11-08

Family

ID=68416935

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910764951.9A Pending CN110425698A (zh) 2019-08-19 2019-08-19 一种用户偏好自学习的空调控制方法和装置

Country Status (1)

Country Link
CN (1) CN110425698A (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111043726A (zh) * 2019-12-30 2020-04-21 青岛海尔空调器有限总公司 空调器智能调控方法及空调器
CN111623498A (zh) * 2020-06-05 2020-09-04 哈尔滨工业大学 一种空调温度自动确定方法及***
CN111649465A (zh) * 2020-06-05 2020-09-11 哈尔滨工业大学 一种空调设备自动控制方法及***
CN111720954A (zh) * 2020-06-17 2020-09-29 珠海格力电器股份有限公司 产品的节能方法及节能运算***
CN112255928A (zh) * 2020-10-30 2021-01-22 北京金山云网络技术有限公司 智能家居的控制方法、装置、***及电子设备
CN112432322A (zh) * 2020-11-02 2021-03-02 青岛海尔空调器有限总公司 一种共享空调的控制方法及控制装置
CN114279119A (zh) * 2021-12-13 2022-04-05 江苏凤凰新云网络科技有限公司 一种数据中心精密空调节能的控制方法
CN114442697A (zh) * 2022-01-29 2022-05-06 美的集团(上海)有限公司 一种温度控制方法、设备、介质及产品
WO2022242143A1 (zh) * 2021-05-19 2022-11-24 青岛海尔空调器有限总公司 用于空调控制的方法、装置和空调

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101275147B1 (ko) * 2011-12-08 2013-06-17 공주대학교 산학협력단 희망 온열 쾌적지수 기반의 사용자 맞춤형 온도/습도 제어장치 및 방법
CN103398451A (zh) * 2013-07-12 2013-11-20 清华大学 基于学习用户行为的多维舒适度室内环境控制方法及***
CN105318499A (zh) * 2015-09-30 2016-02-10 广东美的制冷设备有限公司 用户行为自学习空调***及其控制方法
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
CN109297140A (zh) * 2018-10-15 2019-02-01 宁波溪棠信息科技有限公司 一种基于人工智能的空调控制方法
CN208859789U (zh) * 2018-08-19 2019-05-14 上海万晟建筑设计顾问有限公司 一种基于学习用户行为的室内环境智能控制***

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101275147B1 (ko) * 2011-12-08 2013-06-17 공주대학교 산학협력단 희망 온열 쾌적지수 기반의 사용자 맞춤형 온도/습도 제어장치 및 방법
CN103398451A (zh) * 2013-07-12 2013-11-20 清华大学 基于学习用户行为的多维舒适度室内环境控制方法及***
CN105318499A (zh) * 2015-09-30 2016-02-10 广东美的制冷设备有限公司 用户行为自学习空调***及其控制方法
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
CN208859789U (zh) * 2018-08-19 2019-05-14 上海万晟建筑设计顾问有限公司 一种基于学习用户行为的室内环境智能控制***
CN109297140A (zh) * 2018-10-15 2019-02-01 宁波溪棠信息科技有限公司 一种基于人工智能的空调控制方法

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111043726A (zh) * 2019-12-30 2020-04-21 青岛海尔空调器有限总公司 空调器智能调控方法及空调器
CN111043726B (zh) * 2019-12-30 2021-10-29 青岛海尔空调器有限总公司 空调器智能调控方法及空调器
CN111623498A (zh) * 2020-06-05 2020-09-04 哈尔滨工业大学 一种空调温度自动确定方法及***
CN111649465A (zh) * 2020-06-05 2020-09-11 哈尔滨工业大学 一种空调设备自动控制方法及***
CN111649465B (zh) * 2020-06-05 2022-04-08 哈尔滨工业大学 一种空调设备自动控制方法及***
CN111720954A (zh) * 2020-06-17 2020-09-29 珠海格力电器股份有限公司 产品的节能方法及节能运算***
CN112255928A (zh) * 2020-10-30 2021-01-22 北京金山云网络技术有限公司 智能家居的控制方法、装置、***及电子设备
CN112432322A (zh) * 2020-11-02 2021-03-02 青岛海尔空调器有限总公司 一种共享空调的控制方法及控制装置
WO2022242143A1 (zh) * 2021-05-19 2022-11-24 青岛海尔空调器有限总公司 用于空调控制的方法、装置和空调
CN114279119A (zh) * 2021-12-13 2022-04-05 江苏凤凰新云网络科技有限公司 一种数据中心精密空调节能的控制方法
CN114279119B (zh) * 2021-12-13 2024-05-28 江苏凤凰新云网络科技有限公司 一种数据中心精密空调节能的控制方法
CN114442697A (zh) * 2022-01-29 2022-05-06 美的集团(上海)有限公司 一种温度控制方法、设备、介质及产品

Similar Documents

Publication Publication Date Title
CN110425698A (zh) 一种用户偏好自学习的空调控制方法和装置
CN106461254B (zh) 空调换气***
CN106196423B (zh) 一种基于模型预测的室内环境品质控制优化方法
CN104019526B (zh) 改进pso算法模糊自适应pid温湿度控制***及方法
CN110726218B (zh) 空调器及其控制方法、装置、存储介质和处理器
CN109297157A (zh) 一种空调器控制方法和空调器
CN110410964A (zh) 空调器的控制方法及控制***
CN105042798B (zh) 一种控制空调器的方法
CN105157170A (zh) 变频空调控制方法
CN103292434A (zh) 一种集中式空调控制***
CN106765898A (zh) 控制空调器的方法
CN105222267A (zh) 控制空调器的方法
CN105042813A (zh) 一种变频空调器控制方法
CN110186170A (zh) 热舒适度指标pmv控制方法及设备
CN108759003A (zh) 空调器的控制方法、空调器和计算机可读存储介质
CN105180357A (zh) 壁挂式空调器控制方法
CN105135612A (zh) 一种变频空调控制方法
CN103884083A (zh) 一种节能环保智能空调***及其工作方式
CN110057054A (zh) 一种空调的控制方法、装置、存储介质及空调
CN115451556A (zh) 一种家用中央空调的智能控制***及方法
CN105066365A (zh) 空调射频遥控控制方法
CN115540114A (zh) 一种室内环境优化提升暖通控制***及方法
CN103189810A (zh) 利用习惯导向控制的电气***的能源节省方法
CN106839257A (zh) 一种控制空调器的方法
CN105202693A (zh) 一种空调射频遥控控制方法

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20191108