CN111623498A - 一种空调温度自动确定方法及*** - Google Patents

一种空调温度自动确定方法及*** Download PDF

Info

Publication number
CN111623498A
CN111623498A CN202010504498.0A CN202010504498A CN111623498A CN 111623498 A CN111623498 A CN 111623498A CN 202010504498 A CN202010504498 A CN 202010504498A CN 111623498 A CN111623498 A CN 111623498A
Authority
CN
China
Prior art keywords
moment
air conditioner
working state
controlled
data
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
CN202010504498.0A
Other languages
English (en)
Inventor
赵泽明
刘京
靳崇渝
周志刚
薛普宁
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.)
Harbin Institute of Technology
Original Assignee
Harbin Institute of Technology
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 Harbin Institute of Technology filed Critical Harbin Institute of Technology
Priority to CN202010504498.0A priority Critical patent/CN111623498A/zh
Publication of CN111623498A publication Critical patent/CN111623498A/zh
Pending legal-status Critical Current

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
    • F24F11/89—Arrangement or mounting of control or safety devices
    • 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
    • F24F11/47—Responding to energy costs
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • 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
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Data Mining & Analysis (AREA)
  • Combustion & Propulsion (AREA)
  • Chemical & Material Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Signal Processing (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

本发明涉及一种空调温度自动确定方法及***。所述方法包括获取待控制的空调的历史时刻的数据和相应历史时刻的环境数据以及实时的环境数据；根据当前的工况与所述历史时刻的数据和相应历史时刻的环境数据，采用随机森林模型，确定待控制的空调的下一时刻的工作状态；当下一时刻的工作状态为开启时，根据历史时刻的数据和相应历史时刻的环境数据以及实时的环境数据确定待控制空调的下一时刻的多个设定温度；确定每个设定温度的能耗值；根据每个设定温度的能耗值和室内舒适度等级确定待控制空调的下一时刻的目标设定温度。本发明在保证热舒适度的情况下，提高空调设备的节能性和智能性。

Description

一种空调温度自动确定方法及***
技术领域
本发明涉及智能家居领域，特别是涉及一种空调温度自动确定方法及***。
背景技术
建筑业的发展与全球的经济、能源、民生、环境等各个方面息息相关。而建筑能耗居高不下的问题严重影响着建筑业的可持续发展。我国建筑能源消费总量为8.99亿吨标准煤，占全国能源消费总量的20.6％。其中，暖通空调***的能耗占比巨大，约占建筑能耗的30％～50％。由于不同用户的节能意识、行为***下，用能差异将达到30％左右。因此，全面优化暖通空调设备***的管控策略、加快实现暖通空调设备的自动化与智能化调控，对建筑节能事业的发展具有重要意义。
随着经济的发展与社会的进步，人们的生活水平日益提高，居住者对热舒适的需求也逐渐增加。因此，如何在满足居住者的热舒适与个人行为习惯的前提下，有效实现对空调能耗的管控、为居住者提供便捷、舒适的服务是目前有待解决的难题。
发明内容
本发明的目的是提供一种空调温度自动确定方法及***，在保证热舒适度的情况下，提高空调设备的节能性和智能性。
为实现上述目的，本发明提供了如下方案：
一种空调温度自动确定方法，包括：
获取待控制的空调的历史时刻的数据和相应历史时刻的环境数据以及实时的环境数据；所述环境数据包括室外空气温度、室外相对湿度、室内相对湿度以及室内温度；所述历史时刻的数据包括所述空调设备在相应时刻的所述环境数据下的工况、工作状态以及设定温度；所述工况包括供暖或供冷；所述工作状态包括开启或关闭；
根据工况温度范围确定所述待控制的空调的当前的工况；所述工况温度范围包括供暖温度范围和供冷温度范围；
根据所述当前的工况与所述历史时刻的数据和相应历史时刻的环境数据，采用随机森林模型，确定所述待控制的空调的下一时刻的工作状态；
当所述下一时刻的工作状态为开启时，根据所述历史时刻的数据和相应历史时刻的环境数据以及所述实时的环境数据确定所述待控制空调的下一时刻的多个设定温度；
确定每个所述设定温度的能耗值；
根据每个所述设定温度的能耗值和室内舒适度等级确定所述待控制空调的下一时刻的目标设定温度；所述目标设定温度为能耗值低且所述室内舒适度等级高的设定温度。
可选的，所述根据所述当前的工况与所述历史时刻的数据和相应历史时刻的环境数据，采用随机森林模型，确定所述待控制的空调的下一时刻的工作状态，之前还包括：
根据所述当前的工况与所述历史时刻的数据和相应历史时刻的环境数据确定随机森林模型；所述随机森林模型包括20个基学习器；每个所述基学习器以根据所述当前的工况与所述历史时刻的数据和相应历史时刻的环境数据为输入，以所述待控制的空调的下一时刻的工作状态为输出。
可选的，所述根据所述当前的工况与所述历史时刻的数据和相应历史时刻的环境数据，采用随机森林模型，确定所述待控制的空调的下一时刻的工作状态，之后还包括：
判断所述待控制的空调的下一时刻的工作状态是否为开启；
若所述待控制的空调的下一时刻的工作状态不为开启，则自动关闭空调；
若所述待控制的空调的下一时刻的工作状态为开启，获取所述待控制的空调的当前时刻的工作状态和上一时刻的工作状态；
判断所述上一时刻的工作状态、当前时刻的工作状态以及下一时刻的工作状态是否为开-关-开；
若所述上一时刻的工作状态、当前时刻的工作状态以及下一时刻的工作状态为开-关-开，则控制所述待控制的空调的下一时刻的工作状态为关闭；直至再一次确定所述待控制的空调的工作状态为开启时，控制所述待控制的空调开启；
若所述上一时刻的工作状态、当前时刻的工作状态以及下一时刻的工作状态不为开-关-开，则控制所述待控制的空调开启。
可选的，所述当所述下一时刻的工作状态为开启时，根据所述历史时刻的数据和相应历史时刻的环境数据以及所述实时的环境数据确定所述待控制空调的下一时刻的多个设定温度，具体包括：
根据所述历史时刻的数据和相应历史时刻的环境数据以及所述实时的环境数据，基于C4.5算法构建多个决策树；决策树用于确定所述待控制空调的下一时刻的设定温度；
根据多个所述决策树确定多个设定温度；
判断任意两个所述设定温度是否相同；
若两个所述设定温度相同，则删除任意一个所述设定温度；
若两个所述设定温度不相同，则保留两个所述设定温度。
一种空调温度自动确定***，包括：
数据获取模块，用于获取待控制的空调的历史时刻的数据和相应历史时刻的环境数据以及实时的环境数据；所述环境数据包括室外空气温度、室外相对湿度、室内相对湿度以及室内温度；所述历史时刻的数据包括所述空调设备在相应时刻的所述环境数据下的工况、工作状态以及设定温度；所述工况包括供暖或供冷；所述工作状态包括开启或关闭；
工况确定模块，用于根据工况温度范围确定所述待控制的空调的当前的工况；所述工况温度范围包括供暖温度范围和供冷温度范围；
工作状态确定模块，用于根据所述当前的工况与所述历史时刻的数据和相应历史时刻的环境数据，采用随机森林模型，确定所述待控制的空调的下一时刻的工作状态；
设定温度确定模块，用于当所述下一时刻的工作状态为开启时，根据所述历史时刻的数据和相应历史时刻的环境数据以及所述实时的环境数据确定所述待控制空调的下一时刻的多个设定温度；
能耗值确定模块，用于确定每个所述设定温度的能耗值；
目标设定温度确定模块，用于根据每个所述设定温度的能耗值和室内舒适度等级确定所述待控制空调的下一时刻的目标设定温度；所述目标设定温度为能耗值低且所述室内舒适度等级高的设定温度。
可选的，还包括：
随机森林模型确定模块，用于根据所述当前的工况与所述历史时刻的数据和相应历史时刻的环境数据确定随机森林模型；所述随机森林模型包括20个基学习器；每个所述基学习器以根据所述当前的工况与所述历史时刻的数据和相应历史时刻的环境数据为输入，以所述待控制的空调的下一时刻的工作状态为输出。
可选的，还包括：
第一判断模块，用于判断所述待控制的空调的下一时刻的工作状态是否为开启；
自动关闭模块，用于若所述待控制的空调的下一时刻的工作状态不为开启，则自动关闭空调；
工作状态获取模块，用于若所述待控制的空调的下一时刻的工作状态为开启，获取所述待控制的空调的当前时刻的工作状态和上一时刻的工作状态；
第二判断模块，用于判断所述上一时刻的工作状态、当前时刻的工作状态以及下一时刻的工作状态是否为开-关-开；
第一控制模块，用于若所述上一时刻的工作状态、当前时刻的工作状态以及下一时刻的工作状态为开-关-开，则控制所述待控制的空调的下一时刻的工作状态为关闭；直至再一次确定所述待控制的空调的工作状态为开启时，控制所述待控制的空调开启；
第二控制模块，用于若所述上一时刻的工作状态、当前时刻的工作状态以及下一时刻的工作状态不为开-关-开，则控制所述待控制的空调开启。
可选的，所述设定温度确定模块具体包括：
决策树构建单元，用于根据所述历史时刻的数据和相应历史时刻的环境数据以及所述实时的环境数据，基于C4.5算法构建多个决策树；决策树用于确定所述待控制空调的下一时刻的设定温度；
设定温度确定单元，用于根据多个所述决策树确定多个设定温度；
第一判断单元，用于判断任意两个所述设定温度是否相同；
删除单元，用于若两个所述设定温度相同，则删除任意一个所述设定温度；
保留单元，用于若两个所述设定温度不相同，则保留两个所述设定温度。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明所提供的一种空调温度自动确定方法及***，本发明通过待控制的空调的历史时刻的数据和相应历史时刻的环境数据以及实时的环境数据利用随机森林模型实现对待控制的空调的温度的确定，再根据每个设定温度的能耗值和室内舒适度等级确定待控制空调的下一时刻的目标设定温度，实现对空调***的节能管控，满足居住者的热舒适需求，为居住者提供自动化的空调调控服务。同时，该方法能够有效平衡长期以来建筑节能与热舒适需求之间的矛盾关系，有效避免居住者空调使用过程中的不当行为，为住户提供节能、高效、便捷的服务体验。进而，在保证热舒适度的情况下，提高空调设备的节能性和智能性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明所提供的一种空调温度自动确定方法流程示意图；
图2为本发明所提供的一种空调温度自动确定方法原理流程图；
图3为本发明所提供的一种空调温度自动确定***结构示意图。
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、完整地描述，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。基于本发明中的实施例，本领域普通技术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，都属于本发明保护的范围。
本发明的目的是提供一种空调温度自动确定方法及***，在保证热舒适度的情况下，提高空调设备的节能性和智能性。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明所提供的一种空调温度自动确定方法流程示意图，如图1所示，本发明所提供的一种空调温度自动确定方法，包括：
S101，获取待控制的空调的历史时刻的数据和相应历史时刻的环境数据以及实时的环境数据；所述环境数据包括室外空气温度、室外相对湿度、室内相对湿度以及室内温度；所述历史时刻的数据包括所述空调设备在相应时刻的所述环境数据下的工况、工作状态以及设定温度；所述工况包括供暖或供冷；所述工作状态包括开启或关闭。
利用建筑室内外环境数据采集***与智慧家居平台获取待控制的空调的历史时刻的数据和相应历史时刻的环境数据以及实时的环境数据。
建筑室外环境数据采集***只需具备对室外空气温度、室外相对湿度的实时监测；各空调房间只需具备对室内相对湿度和温度的实时监测。智慧家居平台将实时记录、上传居住者供暖工况及供冷工况的开关及温度设定情况。程序采用MATLAB语言编写，整个建模及调控策略形成过程在MATLAB中自动实现。
S102，根据工况温度范围确定所述待控制的空调的当前的工况；所述工况温度范围包括供暖温度范围和供冷温度范围。其中，供暖季、供冷季的时间分布范围可由用户根据个人需求在智能家平台客户端自主指定、随时调整(如设定供暖季11月15日～来年3月15日，供冷季5月15日～同年9月20日)。
根据所述空调设备的历史时刻的数据和相应历史时刻的环境数据确定空调设备的历史时刻的数据和相应历史时刻的环境数据随时间变化的矩阵。
根据所述当前的工况与所述历史时刻的数据和相应历史时刻的环境数据确定随机森林模型；所述随机森林模型包括20个基学习器；每个所述基学习器以根据所述当前的工况与所述历史时刻的数据和相应历史时刻的环境数据为输入，以所述待控制的空调的下一时刻的工作状态为输出。
将上述获取的数据集命名为集合A，该随机森林模型共需构建20个基学习器—C4.5决策树，各基学习器的构建方法均相同，任意基学习器i(1≤i≤20)的具体构建步骤如下：
1)从样本集合A中，随机抽取0.8*(t-1)个样本，形成样本集合D。
2)从以上输入属性中，随机抽取3个属性，作为候选划分属性；自动选出属性中的最优划分属性，放置于“根结点”处，“根结点”的分支分别为该属性划分的各个类别；而当该属性是连续变量时，没有划分明确的属性类别，程序则以该连续变量所有取值的中位点为界，自动实现二分类。
最优划分属性的具体选择过程为：首先，计算样本集合D的“信息熵”(式1)；在此基础上，计算各候选划分属性的“信息增益”(式2)；再计算各候选划分属性的“增益率”(式3)；在信息增益值高于平均信息增益的属性中，选择增益率最大的属性作为最优划分属性。
Figure BDA0002526044150000071
式中D—样本集合D；Ent(D)—样本集合D的信息熵；k—样本标签的类别，k＝1,2,…,m；pk—第k类样本标签出现的概率。
Figure BDA0002526044150000072
式中a—任一候选划分属性a；Gain(D,a)—属性a对样本D进行划分时的信息增益；|D|——样本集合D的样本数；Ent(D)—样本集合D的信息熵；v—属性a的任一分支，v＝1,2,…,V，V为属性a的总分支个数；Dv—属性a中v分支的样本集合；|Dv|—样本集合Dv的样本数；Ent(Dv)—样本集合Dv的信息熵。
Figure BDA0002526044150000081
式中Gain_ratio(D,a)—属性a对样本D进行划分时的增益率；Gain(D,a)—属性a对样本D进行划分时的信息增益；IV(a)—属性a的固有值，
Figure BDA0002526044150000082
3)基于根结点的划分情况，若程序识别出某一分支的样本“标签”属于同一种类型，则该分支的样本无法进一步划分，程序将自动将该分支的末端标记为“叶结点”。若识别出某一分支的样本集合可以继续划分，则程序将继续自动从上述输入属性中，随机抽取3个属性，作为候选划分属性。若该结点上一层级的结点(如根结点)属性为分类变量，则该属性不能再次作为候选划分属性；若该结点上一层级的结点(如根结点)属性为连续变量，则在上一层级划分的基础上，可以在该层级继续作为候选划分属性。基于划分属性的确定，程序将自动选出最优划分属性放置于“内部结点”处。基于上述划分原则，程序将继续自动对样本进行划分、对结点进行标记，直至不再有可用的划分属性或样本已无法进一步划分，则将分支标记为叶结点。最终，形成基学习器C4.5决策树。
4)从样本集合A中，取样本集合D的补集(命名为样本集合B)。把集合B中的样本代入构建的基学习器，使B中各样本遍历基学习器，得到各样本的标签类别，即为基于该基学习器的“预测结果”。程序将自动统计集合B中样本的“预测结果”与其原始值。
由于输出变量“下一时刻的工作状态”为分类变量，程序将自动计算基于该基学习器的预测准确率(Accuracy)，计算公式如式4。记作准确率1。
Figure BDA0002526044150000083
式中ncorrect—集合中分类正确的样本数；ntotal—集合中的总样本数。
5)从最底层的“内部结点”开始，由底至顶对逐个“内部结点”进行以下操作：把该内部结点下的全部样本标记为当前结点下数目最多的标签类别；再自动把集合B中的样本代入构建的基学习器中，使B中各样本遍历基学习器，得到各样本的标签类别，即得到基于该基学习器的“预测结果”。程序将自动统计集合B中样本的新“预测结果”与其原始值。计算此时基学习器的预测准确率2。若此时基学习器的预测准确率2高于基学习器预测准确率1，则将当前“内部结点”替换为“叶结点”，即进行“剪枝”；反之，则不进行替换，即不“剪枝”。
5)完成基学习器i(1≤i≤20)的构建。
S103，根据所述当前的工况与所述历史时刻的数据和相应历史时刻的环境数据，采用随机森林模型，确定所述待控制的空调的下一时刻的工作状态。
将当前时刻t的各输入变量代入以上20个基学习器，通过遍历以上基学习器，得到20个预测“标签”。
统计20个“标签”的类别及各类别出现的次数，选取出现次数最多的“标签”类别作为对下一时刻的工作状态。
为了防止用户频繁开启、关闭空调造成频繁开启空调的动作耗能大的现象发生，并如图2所示，本发明还包括：
判断所述待控制的空调的下一时刻的工作状态是否为开启。
若所述待控制的空调的下一时刻的工作状态不为开启，则自动关闭空调。
若所述待控制的空调的下一时刻的工作状态为开启，获取所述待控制的空调的当前时刻的工作状态和上一时刻的工作状态。
判断所述上一时刻的工作状态、当前时刻的工作状态以及下一时刻的工作状态是否为开-关-开。
若所述上一时刻的工作状态、当前时刻的工作状态以及下一时刻的工作状态为开-关-开，则控制所述待控制的空调的下一时刻的工作状态为关闭；直至再一次确定所述待控制的空调的工作状态为开启时，控制所述待控制的空调开启。
若所述上一时刻的工作状态、当前时刻的工作状态以及下一时刻的工作状态不为开-关-开，则控制所述待控制的空调开启。
S104，当所述下一时刻的工作状态为开启时，根据所述历史时刻的数据和相应历史时刻的环境数据以及所述实时的环境数据确定所述待控制空调的下一时刻的多个设定温度。
根据所述历史时刻的数据和相应历史时刻的环境数据以及所述实时的环境数据，基于C4.5算法构建多个决策树；决策树用于确定所述待控制空调的下一时刻的设定温度。
根据多个所述决策树确定多个设定温度。
判断任意两个所述设定温度是否相同。
若两个所述设定温度相同，则删除任意一个所述设定温度。
若两个所述设定温度不相同，则保留两个所述设定温度。
S105，确定每个所述设定温度的能耗值。
S106，根据每个所述设定温度的能耗值和室内舒适度等级确定所述待控制空调的下一时刻的目标设定温度；所述目标设定温度为能耗值低且所述室内舒适度等级高的设定温度。
空调供暖工况下，1级：室内温度很低(15℃以下)，2级：室内温度偏低([15，18)℃)，3级：室内温度一般舒适([18，22)℃)，4级：室内温度适宜(22℃及以上)。空调供冷工况下，1级：室内温度偏高(28℃以上)，2级：室内温度偏低((26，28]℃)，3级：室内温度一般舒适((24，26]℃)，4级：室内温度适宜(24℃及以下)。
图3为本发明所提供的一种空调温度自动确定***结构示意图，如图3所示，本发明所提供的一种空调温度自动确定***，包括：数据获取模块301、工况确定模块302、工作状态确定模块303、设定温度确定模块304、能耗值确定模块305和目标设定温度确定模块306。
数据获取模块301用于获取待控制的空调的历史时刻的数据和相应历史时刻的环境数据以及实时的环境数据；所述环境数据包括室外空气温度、室外相对湿度、室内相对湿度以及室内温度；所述历史时刻的数据包括所述空调设备在相应时刻的所述环境数据下的工况、工作状态以及设定温度；所述工况包括供暖或供冷；所述工作状态包括开启或关闭；
工况确定模块302用于根据工况温度范围确定所述待控制的空调的当前的工况；所述工况温度范围包括供暖温度范围和供冷温度范围；
工作状态确定模块303用于根据所述当前的工况与所述历史时刻的数据和相应历史时刻的环境数据，采用随机森林模型，确定所述待控制的空调的下一时刻的工作状态；
设定温度确定模块304用于当所述下一时刻的工作状态为开启时，根据所述历史时刻的数据和相应历史时刻的环境数据以及所述实时的环境数据确定所述待控制空调的下一时刻的多个设定温度；
能耗值确定模块305用于确定每个所述设定温度的能耗值；
目标设定温度确定模块306用于根据每个所述设定温度的能耗值和室内舒适度等级确定所述待控制空调的下一时刻的目标设定温度；所述目标设定温度为能耗值低且所述室内舒适度等级高的设定温度。
本发明所提供的所述的一种空调温度自动确定***，还包括：随机森林模型确定模块。
随机森林模型确定模块用于根据所述当前的工况与所述历史时刻的数据和相应历史时刻的环境数据确定随机森林模型；所述随机森林模型包括20个基学习器；每个所述基学习器以根据所述当前的工况与所述历史时刻的数据和相应历史时刻的环境数据为输入，以所述待控制的空调的下一时刻的工作状态为输出。
本发明所提供的所述的一种空调温度自动确定***，还包括：第一判断模块、自动关闭模块、工作状态获取模块、第二判断模块、第一控制模块和第二控制模块。
第一判断模块用于判断所述待控制的空调的下一时刻的工作状态是否为开启。
自动关闭模块用于若所述待控制的空调的下一时刻的工作状态不为开启，则自动关闭空调。
工作状态获取模块用于若所述待控制的空调的下一时刻的工作状态为开启，获取所述待控制的空调的当前时刻的工作状态和上一时刻的工作状态。
第二判断模块用于判断所述上一时刻的工作状态、当前时刻的工作状态以及下一时刻的工作状态是否为开-关-开。
第一控制模块用于若所述上一时刻的工作状态、当前时刻的工作状态以及下一时刻的工作状态为开-关-开，则控制所述待控制的空调的下一时刻的工作状态为关闭；直至再一次确定所述待控制的空调的工作状态为开启时，控制所述待控制的空调开启。
第二控制模块用于若所述上一时刻的工作状态、当前时刻的工作状态以及下一时刻的工作状态不为开-关-开，则控制所述待控制的空调开启。
所述设定温度确定模块具体包括：决策树构建单元、设定温度确定单元、第一判断单元、删除单元和保留单元。
决策树构建单元用于根据所述历史时刻的数据和相应历史时刻的环境数据以及所述实时的环境数据，基于C4.5算法构建多个决策树；决策树用于确定所述待控制空调的下一时刻的设定温度；
设定温度确定单元用于根据多个所述决策树确定多个设定温度；
第一判断单元用于判断任意两个所述设定温度是否相同；
删除单元用于若两个所述设定温度相同，则删除任意一个所述设定温度；
保留单元用于若两个所述设定温度不相同，则保留两个所述设定温度。
本发明所提供的一种空调温度自动确定方法及***，能有效实现空调***的节能运行。现阶段，居住者使用空调供暖/供冷的过程中，有以下能源浪费现象：1)用户频繁开启、关闭空调，频繁开启空调的动作耗能巨大；2)用户使用空调供暖/供冷时设定的温度不合理，如，供暖时设定的温度过高或使用空调供冷时设定的温度过低。该方法及***可有效解决以上问题。一方面，能实现对空调频繁开、关动作的节能管控。该管控策略能有效避免空调频繁“开-关-开”的动作，当遇到频繁开启行为时，将有短时间(采样时间间隔)的动作延后，不致使空调在短时间内频繁动作，同时，短时间的动作延后也不影响用户的热舒适需求。另一方面，能在满足居住者热舒适需求的空调设定温度里，筛选出偏低的供暖温度或偏高的供冷温度，使得室内冷热负荷的需求减小，从而空调***的能耗降低，得以实现空调运行的节能管控。
该方法及***能有效平衡节能与热舒适的关系，在实现节能管控的同时，能够保障居住者的热舒适体验，也能满足居住者的行为习惯。1)供暖季时间、供冷季时间是由用户自行指定、可随时根据个人需求进行更改；2)步骤2中的空调开、关状态预测和步骤4中的空调供暖/供冷温度设定，均是根据用户的历史使用数据进行，能够满足居住者的行为习惯及热舒适需求；3)从待选的空调供暖/供冷设定温度值中，优先选出了能保障室内热舒适等级的设定温度，满足居住者的热舒适需求。
该方法即***是对住户的逐个房间进行研究，因此方法及***不受建筑地理位置、房间户型、房间功能、人员数量等限制，均能有效建立相关模型，实现空调的自动化调控。同时，本发明应用便捷，用户只需在客户端自行设定供暖季、供冷季时间范围，空调节能与热舒适的运行管控均由***自动完成，无需人工操作。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的***而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (8)

1.一种空调温度自动确定方法，其特征在于，包括：
获取待控制的空调的历史时刻的数据和相应历史时刻的环境数据以及实时的环境数据；所述环境数据包括室外空气温度、室外相对湿度、室内相对湿度以及室内温度；所述历史时刻的数据包括所述空调设备在相应时刻的所述环境数据下的工况、工作状态以及设定温度；所述工况包括供暖或供冷；所述工作状态包括开启或关闭；
根据工况温度范围确定所述待控制的空调的当前的工况；所述工况温度范围包括供暖温度范围和供冷温度范围；
根据所述当前的工况与所述历史时刻的数据和相应历史时刻的环境数据，采用随机森林模型，确定所述待控制的空调的下一时刻的工作状态；
当所述下一时刻的工作状态为开启时，根据所述历史时刻的数据和相应历史时刻的环境数据以及所述实时的环境数据确定所述待控制空调的下一时刻的多个设定温度；
确定每个所述设定温度的能耗值；
根据每个所述设定温度的能耗值和室内舒适度等级确定所述待控制空调的下一时刻的目标设定温度；所述目标设定温度为能耗值低且所述室内舒适度等级高的设定温度。
2.根据权利要求1所述的一种空调温度自动确定方法，其特征在于，所述根据所述当前的工况与所述历史时刻的数据和相应历史时刻的环境数据，采用随机森林模型，确定所述待控制的空调的下一时刻的工作状态，之前还包括：
根据所述当前的工况与所述历史时刻的数据和相应历史时刻的环境数据确定随机森林模型；所述随机森林模型包括20个基学习器；每个所述基学习器以根据所述当前的工况与所述历史时刻的数据和相应历史时刻的环境数据为输入，以所述待控制的空调的下一时刻的工作状态为输出。
3.根据权利要求1所述的一种空调温度自动确定方法，其特征在于，所述根据所述当前的工况与所述历史时刻的数据和相应历史时刻的环境数据，采用随机森林模型，确定所述待控制的空调的下一时刻的工作状态，之后还包括：
判断所述待控制的空调的下一时刻的工作状态是否为开启；
若所述待控制的空调的下一时刻的工作状态不为开启，则自动关闭空调；
若所述待控制的空调的下一时刻的工作状态为开启，获取所述待控制的空调的当前时刻的工作状态和上一时刻的工作状态；
判断所述上一时刻的工作状态、当前时刻的工作状态以及下一时刻的工作状态是否为开-关-开；
若所述上一时刻的工作状态、当前时刻的工作状态以及下一时刻的工作状态为开-关-开，则控制所述待控制的空调的下一时刻的工作状态为关闭；直至再一次确定所述待控制的空调的工作状态为开启时，控制所述待控制的空调开启；
若所述上一时刻的工作状态、当前时刻的工作状态以及下一时刻的工作状态不为开-关-开，则控制所述待控制的空调开启。
4.根据权利要求1所述的一种空调温度自动确定方法，其特征在于，所述当所述下一时刻的工作状态为开启时，根据所述历史时刻的数据和相应历史时刻的环境数据以及所述实时的环境数据确定所述待控制空调的下一时刻的多个设定温度，具体包括：
根据所述历史时刻的数据和相应历史时刻的环境数据以及所述实时的环境数据，基于C4.5算法构建多个决策树；决策树用于确定所述待控制空调的下一时刻的设定温度；
根据多个所述决策树确定多个设定温度；
判断任意两个所述设定温度是否相同；
若两个所述设定温度相同，则删除任意一个所述设定温度；
若两个所述设定温度不相同，则保留两个所述设定温度。
5.一种空调温度自动确定***，其特征在于，包括：
数据获取模块，用于获取待控制的空调的历史时刻的数据和相应历史时刻的环境数据以及实时的环境数据；所述环境数据包括室外空气温度、室外相对湿度、室内相对湿度以及室内温度；所述历史时刻的数据包括所述空调设备在相应时刻的所述环境数据下的工况、工作状态以及设定温度；所述工况包括供暖或供冷；所述工作状态包括开启或关闭；
工况确定模块，用于根据工况温度范围确定所述待控制的空调的当前的工况；所述工况温度范围包括供暖温度范围和供冷温度范围；
工作状态确定模块，用于根据所述当前的工况与所述历史时刻的数据和相应历史时刻的环境数据，采用随机森林模型，确定所述待控制的空调的下一时刻的工作状态；
设定温度确定模块，用于当所述下一时刻的工作状态为开启时，根据所述历史时刻的数据和相应历史时刻的环境数据以及所述实时的环境数据确定所述待控制空调的下一时刻的多个设定温度；
能耗值确定模块，用于确定每个所述设定温度的能耗值；
目标设定温度确定模块，用于根据每个所述设定温度的能耗值和室内舒适度等级确定所述待控制空调的下一时刻的目标设定温度；所述目标设定温度为能耗值低且所述室内舒适度等级高的设定温度。
6.根据权利要求5所述的一种空调温度自动确定***，其特征在于，还包括：
随机森林模型确定模块，用于根据所述当前的工况与所述历史时刻的数据和相应历史时刻的环境数据确定随机森林模型；所述随机森林模型包括20个基学习器；每个所述基学习器以根据所述当前的工况与所述历史时刻的数据和相应历史时刻的环境数据为输入，以所述待控制的空调的下一时刻的工作状态为输出。
7.根据权利要求5所述的一种空调温度自动确定***，其特征在于，还包括：
第一判断模块，用于判断所述待控制的空调的下一时刻的工作状态是否为开启；
自动关闭模块，用于若所述待控制的空调的下一时刻的工作状态不为开启，则自动关闭空调；
工作状态获取模块，用于若所述待控制的空调的下一时刻的工作状态为开启，获取所述待控制的空调的当前时刻的工作状态和上一时刻的工作状态；
第二判断模块，用于判断所述上一时刻的工作状态、当前时刻的工作状态以及下一时刻的工作状态是否为开-关-开；
第一控制模块，用于若所述上一时刻的工作状态、当前时刻的工作状态以及下一时刻的工作状态为开-关-开，则控制所述待控制的空调的下一时刻的工作状态为关闭；直至再一次确定所述待控制的空调的工作状态为开启时，控制所述待控制的空调开启；
第二控制模块，用于若所述上一时刻的工作状态、当前时刻的工作状态以及下一时刻的工作状态不为开-关-开，则控制所述待控制的空调开启。
8.根据权利要求5所述的一种空调温度自动确定***，其特征在于，所述设定温度确定模块具体包括：
决策树构建单元，用于根据所述历史时刻的数据和相应历史时刻的环境数据以及所述实时的环境数据，基于C4.5算法构建多个决策树；决策树用于确定所述待控制空调的下一时刻的设定温度；
设定温度确定单元，用于根据多个所述决策树确定多个设定温度；
第一判断单元，用于判断任意两个所述设定温度是否相同；
删除单元，用于若两个所述设定温度相同，则删除任意一个所述设定温度；
保留单元，用于若两个所述设定温度不相同，则保留两个所述设定温度。
CN202010504498.0A 2020-06-05 2020-06-05 一种空调温度自动确定方法及*** Pending CN111623498A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010504498.0A CN111623498A (zh) 2020-06-05 2020-06-05 一种空调温度自动确定方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010504498.0A CN111623498A (zh) 2020-06-05 2020-06-05 一种空调温度自动确定方法及***

Publications (1)

Publication Number Publication Date
CN111623498A true CN111623498A (zh) 2020-09-04

Family

ID=72260935

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010504498.0A Pending CN111623498A (zh) 2020-06-05 2020-06-05 一种空调温度自动确定方法及***

Country Status (1)

Country Link
CN (1) CN111623498A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112677730A (zh) * 2020-12-23 2021-04-20 泰州可以信息科技有限公司 车载空调优先级管理***
CN114963459A (zh) * 2021-02-20 2022-08-30 海信集团控股股份有限公司 一种热舒适度调节方法及其设备
CN115059991A (zh) * 2022-06-29 2022-09-16 海信（广东）空调有限公司 空调器及其控制方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1755253A (zh) * 2004-09-28 2006-04-05 乐金电子(天津)电器有限公司 防止使用者误操作的空调器控制方法
CN109323419A (zh) * 2018-09-30 2019-02-12 广东美的制冷设备有限公司 用电高峰控制空调的方法和装置及空调***和设备
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
CN110793147A (zh) * 2018-08-03 2020-02-14 珠海格力电器股份有限公司 空调控制方法及装置
JP2020060331A (ja) * 2018-10-11 2020-04-16 株式会社富士通ゼネラル 空気調和機、データ送信方法及び空気調和システム

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1755253A (zh) * 2004-09-28 2006-04-05 乐金电子(天津)电器有限公司 防止使用者误操作的空调器控制方法
CN110793147A (zh) * 2018-08-03 2020-02-14 珠海格力电器股份有限公司 空调控制方法及装置
CN109323419A (zh) * 2018-09-30 2019-02-12 广东美的制冷设备有限公司 用电高峰控制空调的方法和装置及空调***和设备
JP2020060331A (ja) * 2018-10-11 2020-04-16 株式会社富士通ゼネラル 空気調和機、データ送信方法及び空気調和システム
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

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112677730A (zh) * 2020-12-23 2021-04-20 泰州可以信息科技有限公司 车载空调优先级管理***
CN114963459A (zh) * 2021-02-20 2022-08-30 海信集团控股股份有限公司 一种热舒适度调节方法及其设备
CN114963459B (zh) * 2021-02-20 2023-10-20 海信集团控股股份有限公司 一种热舒适度调节方法及其设备
CN115059991A (zh) * 2022-06-29 2022-09-16 海信（广东）空调有限公司 空调器及其控制方法
CN115059991B (zh) * 2022-06-29 2024-05-14 海信（广东）空调有限公司 空调器及其控制方法

Similar Documents

Publication Publication Date Title
Chen et al. Optimal control of HVAC and window systems for natural ventilation through reinforcement learning
CN111623498A (zh) 一种空调温度自动确定方法及***
US20210123625A1 (en) Low-cost commissioning method for the air-conditioning systems in existing large public buildings
Li et al. Advances in the research of building energy saving
Du et al. Building microclimate and summer thermal comfort in free-running buildings with diverse spaces: A Chinese vernacular house case
Pfafferott et al. Design, monitoring and evaluation of a low energy office building with passive cooling by night ventilation
CN113325762B (zh) 一种智能建筑个性化用能控制方法、***、装置和设备
CN102844773B (zh) 基于交互式学习的建筑物节能化单元和***
CN110332647A (zh) 地铁地下车站空调***负荷预测方法及空调***
CN111649465B (zh) 一种空调设备自动控制方法及***
CN108536030A (zh) 一种基于anfis算法的智能家居***及其工作方法
CN114484557B (zh) 一种基于目标能耗管控的建筑群供热负荷调控方法
CN115220351B (zh) 一种基于云边端的建筑空调***智能节能优化控制方法
Zhang et al. Effect of physical, environmental, and social factors on prediction of building energy consumption for public buildings based on real-world big data
Ascione et al. Optimizing space cooling of a nearly zero energy building via model predictive control: Energy cost vs comfort
Tan et al. An optimised window control strategy for naturally ventilated residential buildings in warm climates
Liu et al. Timetabling optimization of classrooms and self-study rooms in university teaching buildings based on the building controls virtual test bed platform considering energy efficiency
Sun Prediction of building energy consumption based on bp neural network
CN116045459B (zh) 一种空调节能运行方法及设备
CN108446783A (zh) 一种新风机运行功率的预测及监控方法
CN116485582A (zh) 一种基于深度学习的供热优化调控方法及装置
CN113983659B (zh) 一种新风***控制方法及其控制装置
Gokarakonda et al. Passive Architectural Design Index applied to vernacular and passive buildings
Zhang et al. Optimal configuration of double carbon energy system considering climate change
CN113341792A (zh) 一种基于bim的建筑数据采集方法及***

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