CN110686377A - 一种空调温度自适应调节的控制方法、计算机可读存储介质及空调 - Google Patents
一种空调温度自适应调节的控制方法、计算机可读存储介质及空调 Download PDFInfo
- Publication number
- CN110686377A CN110686377A CN201910892761.5A CN201910892761A CN110686377A CN 110686377 A CN110686377 A CN 110686377A CN 201910892761 A CN201910892761 A CN 201910892761A CN 110686377 A CN110686377 A CN 110686377A
- Authority
- CN
- China
- Prior art keywords
- temperature
- air conditioner
- control method
- value
- adaptive adjustment
- 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
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000003860 storage Methods 0.000 title claims abstract description 8
- 238000013528 artificial neural network Methods 0.000 claims abstract description 25
- 239000000498 cooling water Substances 0.000 claims description 24
- 230000003044 adaptive effect Effects 0.000 claims description 12
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 8
- 239000003507 refrigerant Substances 0.000 claims description 8
- 230000006870 function Effects 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 238000004378 air conditioning Methods 0.000 description 3
- 238000009776 industrial production Methods 0.000 description 3
- 230000001105 regulatory effect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000000087 stabilizing effect Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
- F24F11/88—Electrical aspects, e.g. circuits
-
- 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
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)
- Air Conditioning Control Device (AREA)
Abstract
本发明提供了一种空调温度自适应调节的控制方法、计算机可读存储介质及空调,***利用BP神经网络结合历史经验信息实时预测阀门的开度,利用预测值与阀门开度初始值进行比较判断来调节阀门开度,进而实现对温度的调节;本发明根据设定温度自动调节,能够及时满足工业化生产过程温度自动控制的开发需求,用户可以根据自身需要设定若干温度点来自动调节温度,提高空调的舒适性和便捷性。
Description
技术领域
本发明涉及空调技术领域,具体涉及一种空调温度自适应调节的控制方法、计算机可读存储介质及空调。
背景技术
温度控制,在工业自动化控制中占有非常重要的位置。在工业生产过程中,温度一般都是需要控制的量。在农业生产中,农产品的生长同样依靠合适的温度。在国防与科研工作中,温度更是无法忽略的参数。空调行业一个重要的实现功能就是温度控制调节。所以研究温度控制是具有非常重要的意义。
如今空调行业的竞争日益激烈,为了吸引更多的消费者,各大电器公司不断地从性能、功能等各方面来改进自己的产品,消费者在选择空调方面更着重体验,已不满足于产品的质量,更重视产品所具有的功能。因此,现在的空调产品越来越趋于智能化。但目前空调在其最重要的功能-温度控制调节却没有实现智能化,还停留在手工调节的阶段。如果不是温度超出了人的承受范围或者是工业需求,几乎没人主动去调节空调的温度,这就需要空调能够根据人们实现预设定若干温度点进行自动调节。
发明内容
针对现有技术的不足,本发明提出的一种空调温度自适应调节的控制方法,无需手动调温度,只需预设定若干温度点,根据设定温度和运行实时数据等进行自动调节温度来达到所需温度的目的。
为实现上述目的,本发明采用如下技术方案:
一种空调温度自适应调节的控制方法,***利用BP神经网络结合历史经验信息实时预测阀门的开度,利用预测值与阀门开度初始值进行比较判断来调节阀门开度,进而实现对温度的调节。根据设定温度自动调节,能够及时满足工业化生产过程温度自动控制的开发需求,用户可以根据自身需要设定若干温度点来自动调节温度,提高空调的舒适性和便捷性。
进一步的,所述BP神经网络预测阀门开度具体为:利用历史数据库中机组的主侧换热量、输入功率、冷却水进水温度、冷却水出水温度,冷媒水流量、冷却水流量作为神经网络的输入;将特定温度下的目标开度作为神经网络的输出。对于空调温度调节而言,影响较大的应诉就包括机组的主侧换热量、输入功率、冷却水进水温度、冷却水出水温度,冷媒水流量、冷却水流量,以上述因素作为神经网络的输入,可以保证温度调节的精准度。
进一步的,所述BP神经网络预测阀门开度后,判断阀门开度预测值V和初始值V0之间的关系,若|V0-V|<a,则以b速率调节阀门开度至V,运行一段时间后,实时检测当前温度Tc和设定温度T并进行比较判断,a、b均为预设值,0<a ≤3%,0<b≤2%/min。比较阀门开度后进一步比较温度,温度作为主要的输出目标,进行温度的比较可以验证阀门开度是否调节正确,以及最终输出的温度是否与目标一致,提高了控制的准确率。
进一步的,比较当前温度Tc和设定温度T具体为:若|Tc-T|<c ,稳定运行一段时间,比较判断这段时间内温度的最大值Tmax和最小值Tmin,若|Tmax-Tmin|<c,则保持当前开度,稳定运行一段时间结束温度点设置,c为预设值,0<c ≤0.3。 c作为温度精度的可接受范围的最大值,当前温度与设定温度的差值小于c则初度判读为合格,进一步判断温度最大值和最小值差值,可以提高温度调整的精度。
进一步的,若|Tmax-Tmin|>c,则返回神经网络阀门开度预测步骤。温度最大值和最小值差值超出误差范围值,则需要重新预测阀门开度,保证预测的准确度。
进一步的,比较当前温度Tc和设定温度T具体为:若|Tc-T|>c,返回神经网络阀门开度预测,预测值为V',调节阀门开度至V',并实时检测温度数据,直到同时满足|Tc-T|<c和|Tmax-Tmin|<c两个条件,稳定运行一段时间,结束温度点设置。c作为温度精度的可接受范围的最大值,当前温度与设定温度的差值超出c即不合格,需要重新预测,重新预测的过程中通过减少目标开度后重新预测,可以快速有效完成温度点的设置。
进一步的,所述BP神经网络预测阀门开度后,判断阀门开度预测值V和初始值V0之间的关系,若|V0-V|>a,则以d速率调节阀门开度至V,运行一段时间后,实时检测当前温度Tc和设定温度T并进行比较判断,a、d均为预设值,0<a ≤3%,0<d≤2%/min。当预测值与初始值相差过大,则需要以更快的速率调节至预测开度,提高预测的效率。
一种计算机可读存储介质,用于存储计算机程序,所述计算机程序被处理器调用时实现以上任一项所述的空调温度自适应调节的控制方法。
一种空调,包括处理器和存储器,所述存储器用于存储计算机程序,所述计算机程序被所述处理器调用时实现以上任一项所述的空调温度自适应调节的控制方法。
本发明提供的一种空调温度自适应调节的控制方法的有益效果在于:无需手动调温度,只需预设定若干温度点,根据设定温度和运行实时数据等进行自动调节温度来达到所需温度的目的;在工业化生产上,根据设定温度自动调节,能够及时满足工业化生产过程温度自动控制的开发需求;生活中,人们根据自身需要设定若干温度点来自动调节温度,满足空调的舒适性与便捷性的要求。
附图说明
图1为本发明流程示意图;
图2为本发明图1中A处的放大示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例,均属于本发明的保护范围。
实施例1:一种空调温度自适应调节的控制方法,。
如图1所示,其中各符号含义如下:P1:输入功率;Q1:主侧换热量;q1:冷媒水流量;q2:冷却水流量;T1:冷却水进水温度;T2:冷却水出水温度;T:设定温度值;Tc:当前温度值;V:目标开度(经验值);Tmax:温度最大值;Tmin:温度最小值;V0:阀门开度预测值。
一种空调温度自适应调节的控制方法,具体步骤如下:
1)收集2个月的不同温度点调节的相关数值作为历史数据库,并对数据库进行筛选,去除温度调节过程中的数据,只留下温度点稳定运行时的阀门开度及机组主侧换热量、输入功率、冷却水进水温度、冷却水出水温度,冷媒水流量和冷却水流量的数值;
2)将机组主侧换热量、输入功率、冷却水进水温度、冷却水出水温度,冷媒水流量和冷却水流量作为神经网络的输入;将阀门开度作为神经网络的输出,对BP神经网络进行训练、测试。将训练好的网络封装,以用于对机组稳定运行时阀门开度的预测。
3)初始阀门开度为20%,温度点1开始测试时,先用BP神经网络结合历史数据库预测出在温度点1下机组稳定运行时阀门开度的预测值为V,判断V与20%的大小关系,按照如下步骤进行调节:
(1)若V<20%;则判断20%-V与3%的关系:
(a)若20%-V<3%,则以0.5%/min的速率调节至V,机组运行2min,以固定速率来降主要是为了防止阀门突降(降的幅度较大时),温度会有很大的波动。所以在第一预测时想用的是以固定速率降来防止温度的波动,同时也能保证机组的可靠性,判断当前温度(Tc)与设定温度T之间的差值的绝对值与0.3之间的关系:
a)若|Tc-T|<0.3,稳定运行10min后,比较10min内温度的最大值(Tmax)与最小值(Tmin),判断最大值与最小值的差值与0.3之间的关系:
aa)若|Tmax-Tmin|<0.3,说明温度点稳定,机组稳定运行1h(用户预设的时间)结束温度点1;
bb)若|Tmax-Tmin|>0.3,说明温度点不稳定,此时需使用BP网络进行再次预测,将机组主侧换热量、输入功率、冷却水进水温度、冷却水出水温度,冷媒水流量和冷却水流量等参数的当前值和设定温度作为神经网络的输入,阀门开度作为输出,进行二次预测。预测值为V’,直接将阀门开度降至V’,这里直接降至预测值是因为二次预测时两个值之间的差值较小,所以可以直接降至预测值,运行2min后判断当前温度(Tc)与设定温度T之间的差值的绝对值与0.3之间的关系:
aaa)若|Tc-T|<0.3, 稳定运行10min后,比较10min内温度的最大值(Tmax)与最小值(Tmin),判断最大值与最小值的差值与0.3之间的关系:若|Tmax-Tmin|<0.3,说明温度点稳定,机组稳定运行1h后可保存报告结束实验;若|Tmax-Tmin|>0.3,则重复步骤bb),直至同时满足|Tc-T|<0.3和|Tmax-Tmin|<0.3,温度点稳定,机组稳定运行1h(用户预设的时间)结束温度点1;
bbb) 若|Tc-T|>0.3 ,则返回步骤b)
b) 若|Tc-T|>0.3, 说明温度点不稳定,此时需使用BP网络进行再次预测,将机组主侧换热量、输入功率、冷却水进水温度、冷却水出水温度,冷媒水流量和冷却水流量等参数的当前值和设定温度作为神经网络的输入,阀门开度作为输出,进行二次预测。预测值为V',直接将阀门开度降至V',运行2min后判断当前温度(Tc')与设定温度T之间的差值的绝对值与0.3之间的关系,若|Tc'-T|>0.3,则重复当前步骤,直至|Tc'-T|<0.3,稳定运行10min后,比较10min内温度的最大值(Tmax')与最小值(Tmin'),判断最大值与最小值的差值与0.3之间的关系:若|Tmax'-Tmin'|<0.3,说明温度点稳定,机组稳定运行1h后可保存报告结束实验;若|Tmax'-Tmin'|>0.3,则返回步骤bb),直至同时满足|Tc'-T|<0.3和|Tmax'-Tmin'|<0.3,温度点稳定,机组稳定运行1h(用户预设的时间)结束温度点1。
(b)若20%-V>3%,则阀门开度以2%/min的速率下降至N(N-V<3%),再以0.5%/min的速率调节至V ,N是个中间值,N值距离目标值为3%,相当于距离目标值不到3%时需要微调,机组运行2min,判断当前温度(Tc)与设定温度T之间的差值的绝对值与0.3之间的关系,重复(a)中的步骤a)和b);
(2)若V>20%;则判断V-20%与3%的关系:
(c) V-20%<3%,则重复(1)中的(a);
(d)V-20%>3%,则重复(1)中的(b);
4)调至温度点2,根据历史数据库,对温度点2机组稳定运行时的阀门开度进行预测,预测值为V1;判断V1与V的大小 ,并上述步骤循环判断。
以此类推,直至所有温度点运行结束。
图1中利用神经网络进行阀门开度的预测步骤都如图2所示一样。
实施例2:一种计算机可读存储介质。
一种计算机可读存储介质,用于存储计算机程序,所述计算机程序被处理器调用时实现如实施例1所述的空调温度自适应调节的控制方法。
实施例3:一种空调。
一种空调,包括处理器和存储器,所述存储器用于存储计算机程序,所述计算机程序被所述处理器调用时实现如实施例1所述的空调温度自适应调节的控制方法。
以上所述为本发明的较佳实施例而已,但本发明不应局限于该实施例和附图所公开的内容,所以凡是不脱离本发明所公开的精神下完成的等效或修改,都落入本发明保护的范围。
Claims (9)
1.一种空调温度自适应调节的控制方法,其特征在于,***利用BP神经网络结合历史经验信息实时预测阀门的开度,利用预测值与阀门开度初始值进行比较判断来调节阀门开度,进而实现对温度的调节。
2.如权利要求1所述的空调温度自适应调节的控制方法,其特征在于:所述BP神经网络预测阀门开度具体为:利用历史数据库中机组的主侧换热量、输入功率、冷却水进水温度、冷却水出水温度,冷媒水流量、冷却水流量作为神经网络的输入;将特定温度下的目标开度作为神经网络的输出。
3.如权利要求1所述的空调温度自适应调节的控制方法,其特征在于:所述BP神经网络预测阀门开度后,判断阀门开度预测值V和初始值V0之间的关系,若|V0-V|<a,则以b速率调节阀门开度至V,运行一段时间后,实时检测当前温度Tc和设定温度T并进行比较判断,a、b均为预设值,0<a ≤3%,0<b≤2%/min。
4.如权利要求3所述的空调温度自适应调节的控制方法,其特征在于:比较当前温度Tc和设定温度T具体为:若|Tc-T|<c ,稳定运行一段时间,比较判断这段时间内温度的最大值Tmax和最小值Tmin,若|Tmax-Tmin|<c,则保持当前开度,稳定运行一段时间结束温度设置,c为预设值,0<c ≤0.3。
5.如权利要求4所述的空调温度自适应调节的控制方法,其特征在于:若|Tmax-Tmin|>c,则返回神经网络阀门开度预测步骤。
6.如权利要求3所述的空调温度自适应调节的控制方法,其特征在于:比较当前温度Tc和设定温度T具体为:若|Tc-T|>c,返回神经网络阀门开度预测,预测值为V',调节阀门开度至V',并实时检测温度数据,直到同时满足|Tc-T|<c和|Tmax-Tmin|<c两个条件,稳定运行一段时间,结束温度设置。
7.如权利要求1所述的空调温度自适应调节的控制方法,其特征在于:所述BP神经网络预测阀门开度后,判断阀门开度预测值V和初始值V0之间的关系,若|V0-V|>a,则以d速率调节阀门开度至V,运行一段时间后,实时检测当前温度Tc和设定温度T并进行比较判断,a、d均为预设值,0<a ≤3%,0<d≤2%/min。
8.一种计算机可读存储介质,用于存储计算机程序,其特征在于:所述计算机程序被处理器调用时实现权利要求1至7任一项所述的空调温度自适应调节的控制方法。
9.一种空调,包括处理器和存储器,所述存储器用于存储计算机程序,其特征在于:所述计算机程序被所述处理器调用时实现权利要求1至7任一项所述的空调温度自适应调节的控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910892761.5A CN110686377A (zh) | 2019-09-20 | 2019-09-20 | 一种空调温度自适应调节的控制方法、计算机可读存储介质及空调 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910892761.5A CN110686377A (zh) | 2019-09-20 | 2019-09-20 | 一种空调温度自适应调节的控制方法、计算机可读存储介质及空调 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110686377A true CN110686377A (zh) | 2020-01-14 |
Family
ID=69109678
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910892761.5A Pending CN110686377A (zh) | 2019-09-20 | 2019-09-20 | 一种空调温度自适应调节的控制方法、计算机可读存储介质及空调 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110686377A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111797980A (zh) * | 2020-07-20 | 2020-10-20 | 房健 | 一种个性化地暖使用习惯的自适应学习方法 |
CN112503725A (zh) * | 2020-12-08 | 2021-03-16 | 珠海格力电器股份有限公司 | 空调自清洁控制方法、装置和空调 |
CN114060961A (zh) * | 2021-10-28 | 2022-02-18 | 青岛海尔空调器有限总公司 | 用于空调器除湿的方法、装置、存储介质和空调器 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000304286A (ja) * | 1999-04-20 | 2000-11-02 | Sanyo Electric Co Ltd | 床暖房装置の温度制御装置及び温度制御方法 |
CN103309370A (zh) * | 2013-06-01 | 2013-09-18 | 中南林业科技大学 | 一种基于bp神经网络的孵房湿度控制方法 |
CN103487172A (zh) * | 2013-07-08 | 2014-01-01 | 浙江工业大学 | 基于模糊控制算法的热计量无线温度控制*** |
CN104482269A (zh) * | 2014-12-19 | 2015-04-01 | 重庆川仪自动化股份有限公司 | 一种压电阀的精确控制方法及*** |
CN104729024A (zh) * | 2015-04-08 | 2015-06-24 | 南京优助智能科技有限公司 | 基于室内平均温度的空调负荷预测方法 |
CN106369834A (zh) * | 2016-09-02 | 2017-02-01 | 南通大学 | 基于神经网络的直热式热泵***恒温流量控制方法 |
JP2018105571A (ja) * | 2016-12-27 | 2018-07-05 | 株式会社大気社 | 熱交換システム、コントローラ、及び、ニューラルネットワークの構築方法 |
CN109270842A (zh) * | 2018-10-25 | 2019-01-25 | 浙江大学 | 一种基于贝叶斯网络的区域供热模型预测控制***及方法 |
CN110187727A (zh) * | 2019-06-17 | 2019-08-30 | 武汉理工大学 | 一种基于深度学习和强化学习的玻璃熔炉温度控制方法 |
CN110686350A (zh) * | 2019-09-20 | 2020-01-14 | 珠海格力电器股份有限公司 | 一种基于bp神经网络实时预测自调节温度的控制方法、计算机可读存储介质及空调 |
-
2019
- 2019-09-20 CN CN201910892761.5A patent/CN110686377A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000304286A (ja) * | 1999-04-20 | 2000-11-02 | Sanyo Electric Co Ltd | 床暖房装置の温度制御装置及び温度制御方法 |
CN103309370A (zh) * | 2013-06-01 | 2013-09-18 | 中南林业科技大学 | 一种基于bp神经网络的孵房湿度控制方法 |
CN103487172A (zh) * | 2013-07-08 | 2014-01-01 | 浙江工业大学 | 基于模糊控制算法的热计量无线温度控制*** |
CN104482269A (zh) * | 2014-12-19 | 2015-04-01 | 重庆川仪自动化股份有限公司 | 一种压电阀的精确控制方法及*** |
CN104729024A (zh) * | 2015-04-08 | 2015-06-24 | 南京优助智能科技有限公司 | 基于室内平均温度的空调负荷预测方法 |
CN106369834A (zh) * | 2016-09-02 | 2017-02-01 | 南通大学 | 基于神经网络的直热式热泵***恒温流量控制方法 |
JP2018105571A (ja) * | 2016-12-27 | 2018-07-05 | 株式会社大気社 | 熱交換システム、コントローラ、及び、ニューラルネットワークの構築方法 |
CN109270842A (zh) * | 2018-10-25 | 2019-01-25 | 浙江大学 | 一种基于贝叶斯网络的区域供热模型预测控制***及方法 |
CN110187727A (zh) * | 2019-06-17 | 2019-08-30 | 武汉理工大学 | 一种基于深度学习和强化学习的玻璃熔炉温度控制方法 |
CN110686350A (zh) * | 2019-09-20 | 2020-01-14 | 珠海格力电器股份有限公司 | 一种基于bp神经网络实时预测自调节温度的控制方法、计算机可读存储介质及空调 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111797980A (zh) * | 2020-07-20 | 2020-10-20 | 房健 | 一种个性化地暖使用习惯的自适应学习方法 |
CN112503725A (zh) * | 2020-12-08 | 2021-03-16 | 珠海格力电器股份有限公司 | 空调自清洁控制方法、装置和空调 |
CN114060961A (zh) * | 2021-10-28 | 2022-02-18 | 青岛海尔空调器有限总公司 | 用于空调器除湿的方法、装置、存储介质和空调器 |
CN114060961B (zh) * | 2021-10-28 | 2022-12-20 | 青岛海尔空调器有限总公司 | 用于空调器除湿的方法、装置、存储介质和空调器 |
WO2023071198A1 (zh) * | 2021-10-28 | 2023-05-04 | 青岛海尔空调器有限总公司 | 用于空调器除湿的方法、装置、存储介质和空调器 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111096094B (zh) | 经由智能供应空气温度设定点控制的冷却单元能量优化 | |
CN112577161B (zh) | 空调能耗模型训练方法与空调***控制方法 | |
CN110686377A (zh) | 一种空调温度自适应调节的控制方法、计算机可读存储介质及空调 | |
US10876754B2 (en) | Dynamic central plant control based on load prediction | |
US10274970B2 (en) | Method, and device for controlling the output of the air volume and memory medium | |
CN108151253B (zh) | 一种变风量空调送风温度自动补偿方法 | |
US10408481B2 (en) | Systems and methods to control energy consumption efficiency | |
CN105318499A (zh) | 用户行为自学习空调***及其控制方法 | |
CN111174375B (zh) | 面向数据中心能耗最小化的作业调度和机房空调调控方法 | |
US10824125B2 (en) | Central plant control system based on load prediction through mass storage model | |
CN110686350A (zh) | 一种基于bp神经网络实时预测自调节温度的控制方法、计算机可读存储介质及空调 | |
CN112283890A (zh) | 适应建筑暖通设备监控***的冷热量控制方法及装置 | |
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 | |
CN111047117B (zh) | 一种基于末端负荷预测的压差旁通阀节能优化方法 | |
CN107883540A (zh) | 空调器及其控制方法、控制装置和计算机可读存储介质 | |
CN115682357A (zh) | 一种以逼近度为中心的冷却水寻优方法及独立控制*** | |
CN114580254A (zh) | 一种基于模型预测控制的建筑室内温度调控方法和*** | |
CN107525319B (zh) | 空调控制***及空调控制方法 | |
CN113587336B (zh) | 空调器低温制冷持续运转控制方法、装置及空调器 | |
CN110762739B (zh) | 数据中心空调控制方法、装置、设备及存储介质 | |
US11474869B2 (en) | Central plant control system with subplant rank generator | |
CN107247406B (zh) | 测试台位的控制方法及*** | |
CN114065898B (zh) | 基于决策技术的空调机能量使用测控方法及*** | |
CN116880163B (zh) | 一种智慧数据中心冷源调控方法及*** | |
CN114061062A (zh) | 空调器智能调节方法、空调器及计算机可读存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200114 |