CN112923525A - 机器学习型舒适节能空调智能控制方法 - Google Patents
机器学习型舒适节能空调智能控制方法 Download PDFInfo
- Publication number
- CN112923525A CN112923525A CN202110220630.XA CN202110220630A CN112923525A CN 112923525 A CN112923525 A CN 112923525A CN 202110220630 A CN202110220630 A CN 202110220630A CN 112923525 A CN112923525 A CN 112923525A
- Authority
- CN
- China
- Prior art keywords
- control
- parameters
- air conditioner
- energy
- comfort
- 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
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
-
- 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
- F24F11/70—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)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Signal Processing (AREA)
- Fluid Mechanics (AREA)
- Thermal Sciences (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明公开了机器学习型舒适节能空调智能控制方法，该方法采用深度神经网络算法构建舒适性相关参数的数据集，对所获取到的人体与环境多维度参数进行自学习训练，构建室内微环境舒适调控模型和调控机制，实现空调的自适应舒适性调控；采用深度神经网络算法构建能效相关参数的数据集，对海量数据进行自学习训练，基于长期自学习训练的数据积累，建立并根据深度神经网络模型不断优化更新压缩机频率、膨胀阀开度、风机转速与能效优化目标之间的动态控制规则，通过多参数的综合调控实现能效精准控制和最优控制；同时在模型训练初期，采用模型化鲁棒优化方法确定设备控制参数，并以此作为深度强化学习的训练目标，实现模型初始阶段学习速度的提升。
Description
技术领域
本发明涉及空调控制技术，具体涉及机器学习型舒适节能空调智能控制方法。
背景技术
随着经济高速发展和人民生活水平的快速提高，人们对环境舒适性的要求也不断提高。传统空调的温湿度控制仅能满足人类最基本环境调节，忽视了人员个体差异、行为模式对舒适性的差异化要求，远未达到个体最舒适的状态；同时空调节能措施立足于硬件节能(压缩变频、高效换热器、电子膨胀阀等)，采用固定的PID控制规则对空调进行运行控制，能效无法实现在线动态优化。
现代传感技术(红外、射频定位等)的发展能够实现多维度的人体及环境感知，使得在空调中增加人体及环境感知参数，并基于人体及环境感知进行舒适性及能效调控成为可能。但增加感知参数带来了空调数据的指数级增长，现有空调的控制逻辑和控制模块简单，控制方法无法满足多维度海量数据的计算和分析要求，人工智能算法是面向多维度海量数据分析的最佳方法，通过引入机器深度智能学习算法，对空调在实际运行中多维度海量运行数据进行采集和深度自学习，控制***可在不断地自适应优化中使空调达到舒适最佳及能效更优的状态。
发明内容
为了解决上述背景技术所存在的至少一技术问题，本发明提供了机器学习型舒适节能空调智能控制方法。
为实现上述目的，本发明的技术方案是：
机器学习型舒适节能空调智能控制方法，所述方法包括：
通过感知获取人体与环境的多维度参数；
利用深度神经网络算法对所获取到的多维度参数进行机器学习训练，并生成舒适性和节能控制指令；
根据控制指令来控制空调的运行，以实现用户空调舒适性和节能控制的动态优化。
进一步地，所述人体与环境的多维度参数通过射频识别器、光敏传感器、声纹传感器、红外传感器和温湿度传感器来获取，以实现从粗粒度的人员存在性、人员定位、轨迹跟踪，到细粒度的行为分析和身份识别，再到微尺度的人员体表温度、呼吸频率。
进一步地，所述利用深度神经网络算法对所获取到的多维度参数进行机器学习训练，并生成舒适性控制指令，舒适性控制指令包括：
采用深度神经网络算法构建舒适性相关参数的数据集，对所获取到的人体与环境多维度参数进行自学习训练；
基于深度学习框架，以人体舒适度为调控目标，利用反馈调节和多源感知数据深度训练强化学习模型，以构建灵活高效的室内微环境舒适调控模型和调控机制；
根据人员识别和热舒适度反馈，自动记忆和修正室内不同人员及在不同活动状态时的温湿度、风速、风向等控制参数，实现空调的自适应舒适性调控。
进一步地，所述利用深度神经网络算法对所获取到的多维度参数进行机器学习训练，并生成节能控制指令，节能控制指令包括：
采用深度神经网络算法构建能效相关参数的数据集，以空调实时运行能效为优化目标，对海量数据进行自学习训练；
基于长期自学习训练的数据积累，建立压缩机频率、膨胀阀开度、风机转速与能效优化目标之间的动态控制规则，并根据深度神经网络模型不断优化更新控制规则，通过多参数的综合调控实现能效精准控制和最优控制。
采用模型化鲁棒优化方法确定空调控制参数进一步地，所述海量数据包括室内环境参数、室外气象参数、设备运行参数、用户使用习惯数据。
进一步地，在模型训练初期，采用模型化鲁棒优化方法确定空调控制参数，并以此作为深度强化学习的训练目标，实现模型初始阶段学习速度的提升。
本发明与现有技术相比，其有益效果在于：
(1)本发明采用深度神经网络算法构建舒适性相关参数的数据集，对所获取到的人体与环境多维度参数进行自学习训练，构建室内微环境舒适调控模型和调控机制，实现空调的自适应舒适性调控。
(2)本发明采用深度神经网络算法构建能效相关参数的数据集，对海量数据(包括室内环境参数、室外气象参数、设备运行参数、用户使用习惯等数据)进行自学习训练，基于长期自学习训练的数据积累，建立并根据深度神经网络模型不断优化更新压缩机频率、膨胀阀开度、风机转速与能效优化目标之间的动态控制规则，通过多参数的综合调控实现能效精准控制和最优控制。
(3)本发明在模型训练初期，采用模型化鲁棒优化方法确定设备控制参数，并以此作为深度强化学习的训练目标，实现模型初始阶段学习速度的提升，成功解决了原生深度强化学习方法随机搜索的“慢启动”问题。
附图说明
图1为本发明实施例提供的机器学习型舒适节能空调智能控制方法的流程图。
具体实施方式
实施例：
下面结合附图和实施例对本发明的技术方案做进一步的说明。
参阅图1所示，本实施例提供的机器学习型舒适节能空调智能控制方法主要包括如下步骤：
101、通过感知获取人体与环境的多维度参数；
102、利用深度神经网络算法对所获取到的多维度参数进行机器学习训练，并生成舒适性和节能控制指令；
103、根据控制指令来控制空调的运行，以实现用户空调舒适性和节能控制的动态优化。
具体地，所述人体与环境的多维度参数通过射频识别器、光敏传感器、声纹传感器、红外传感器和温湿度传感器来获取，以实现从粗粒度的人员存在性、人员定位、轨迹跟踪，到细粒度的行为分析和身份识别，再到微尺度的人员体表温度、呼吸频率，从而据此优化空调工作模式，优化对象包括温湿度调节、风速、风向等。
具体地，所述利用深度神经网络算法对所获取到的多维度参数进行机器学习训练，并生成舒适性控制指令，舒适性控制指令包括：
采用深度神经网络算法构建舒适性相关参数的数据集，对所获取到的人体与环境多维度参数进行自学习训练；
基于深度学习框架，以人体舒适度为调控目标，利用反馈调节和多源感知数据深度训练强化学习模型，以构建灵活高效的室内微环境舒适调控模型和调控机制；
根据人员识别和热舒适度反馈，自动记忆和修正室内不同人员及在不同活动状态时的温湿度、风速、风向等控制参数，实现空调的自适应舒适性调控。
具体地，所述利用深度神经网络算法对所获取到的多维度参数进行机器学习训练，并生成节能控制指令，节能控制指令包括：
采用深度神经网络算法构建能效相关参数的数据集，以空调实时运行能效为优化目标，对海量数据(包括室内环境参数、室外气象参数、设备运行参数、用户使用习惯等数据)进行自学习训练；
基于长期自学习训练的数据积累，建立压缩机频率、膨胀阀开度、风机转速与能效优化目标之间的动态控制规则，并根据深度神经网络模型不断优化更新控制规则，通过多参数的综合调控实现能效精准控制和最优控制。
具体地，在模型训练初期，采用模型化鲁棒优化方法确定空调控制参数，并以此作为深度强化学习的训练目标，实现模型初始阶段学习速度的提升。
上述实施例只是为了说明本发明的技术构思及特点，其目的是在于让本领域内的普通技术人员能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡是根据本发明内容的实质所做出的等效的变化或修饰，都应涵盖在本发明的保护范围内。
Claims (6)
1.机器学习型舒适节能空调智能控制方法，其特征在于，所述方法包括：
通过感知获取人体与环境的多维度参数；
利用深度神经网络算法对所获取到的多维度参数进行机器学习训练，并生成舒适性和节能控制指令；
根据控制指令来控制空调的运行，以实现用户空调舒适性和节能控制的动态优化。
2.如权利要求1所述的机器学习型舒适节能空调智能控制方法，其特征在于，
所述人体与环境的多维度参数通过射频识别器、光敏传感器、声纹传感器、红外传感器和温湿度传感器来获取，以实现从粗粒度的人员存在性、人员定位、轨迹跟踪，到细粒度的行为分析和身份识别，再到微尺度的人员体表温度、呼吸频率。
3.如权利要求1或2所述的机器学习型舒适节能空调智能控制方法，其特征在于，
所述利用深度神经网络算法对所获取到的多维度参数进行机器学习训练，并生成舒适性控制指令，舒适性控制指令包括：
采用深度神经网络算法构建舒适性相关参数的数据集，对所获取到的人体与环境多维度参数进行自学习训练；
基于深度学习框架，以人体舒适度为调控目标，利用反馈调节和多源感知数据深度训练强化学习模型，以构建室内微环境舒适调控模型和调控机制；
根据人员识别和热舒适度反馈，自动记忆和修正室内不同人员及在不同活动状态时的控制参数，实现空调的自适应舒适性调控，所述控制参数包括温湿度、风速、风向。
4.如权利要求1或2所述的机器学习型舒适节能空调智能控制方法，其特征在于，
所述利用深度神经网络算法对所获取到的多维度参数进行机器学习训练，并生成节能控制指令，节能控制指令包括：
采用深度神经网络算法构建能效相关参数的数据集，以空调实时运行能效为优化目标，对海量数据进行自学习训练；
基于长期自学习训练的数据积累，建立压缩机频率、膨胀阀开度、风机转速与能效优化目标之间的动态控制规则，并根据深度神经网络模型不断优化更新控制规则，通过多参数的综合调控实现能效精准控制和最优控制。
5.如权利要求4所述的机器学习型舒适节能空调智能控制方法，其特征在于，所述海量数据包括室内环境参数、室外气象参数、设备运行参数、用户使用习惯数据。
6.如权利要求3或4所述的机器学习型舒适节能空调智能控制方法，其特征在于，在模型训练初期，采用模型化鲁棒优化方法确定空调控制参数，并以此作为深度强化学习的训练目标，实现模型初始阶段学习速度的提升。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110220630.XA CN112923525A (zh) | 2021-02-26 | 2021-02-26 | 机器学习型舒适节能空调智能控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110220630.XA CN112923525A (zh) | 2021-02-26 | 2021-02-26 | 机器学习型舒适节能空调智能控制方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112923525A true CN112923525A (zh) | 2021-06-08 |
Family
ID=76172443
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110220630.XA Pending CN112923525A (zh) | 2021-02-26 | 2021-02-26 | 机器学习型舒适节能空调智能控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112923525A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113446713A (zh) * | 2021-06-23 | 2021-09-28 | 苏州东吴智控科技有限公司 | 基于数字孪生的数据智能优控及节能方法及*** |
| CN114061094A (zh) * | 2021-11-17 | 2022-02-18 | 珠海格力电器股份有限公司 | 空调器的控制方法及其装置、计算机可读存储介质 |
| CN114370698A (zh) * | 2022-03-22 | 2022-04-19 | 青岛理工大学 | 基于强化学习的室内热环境学习效率提升的优化控制方法 |
| CN117450635A (zh) * | 2023-12-21 | 2024-01-26 | 深圳市祥帆电子科技有限公司 | 一种基于大数据分析的新风***控制方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20190091231A (ko) * | 2019-07-16 | 2019-08-05 | 엘지전자 주식회사 | 실내 공기상태를 알려주는 공기 조화기 및 증강 현실 장치와 이들의 제어 방법 |
| CN110726215A (zh) * | 2019-10-29 | 2020-01-24 | 珠海格力电器股份有限公司 | 空调器及其控制方法、装置、存储介质和处理器 |
| CN110736225A (zh) * | 2019-10-29 | 2020-01-31 | 珠海格力电器股份有限公司 | 空调的控制方法和装置 |
| CN111351180A (zh) * | 2020-03-06 | 2020-06-30 | 上海外高桥万国数据科技发展有限公司 | 一种运用人工智能实现数据中心节能温控的***及方法 |
| CN111795484A (zh) * | 2020-07-24 | 2020-10-20 | 北京大学深圳研究生院 | 一种智慧空调控制方法和*** |
| CN111854063A (zh) * | 2020-07-06 | 2020-10-30 | 浙江大学 | 一种变频空调器控制方法 |
-
2021
- 2021-02-26 CN CN202110220630.XA patent/CN112923525A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20190091231A (ko) * | 2019-07-16 | 2019-08-05 | 엘지전자 주식회사 | 실내 공기상태를 알려주는 공기 조화기 및 증강 현실 장치와 이들의 제어 방법 |
| CN110726215A (zh) * | 2019-10-29 | 2020-01-24 | 珠海格力电器股份有限公司 | 空调器及其控制方法、装置、存储介质和处理器 |
| CN110736225A (zh) * | 2019-10-29 | 2020-01-31 | 珠海格力电器股份有限公司 | 空调的控制方法和装置 |
| CN111351180A (zh) * | 2020-03-06 | 2020-06-30 | 上海外高桥万国数据科技发展有限公司 | 一种运用人工智能实现数据中心节能温控的***及方法 |
| CN111854063A (zh) * | 2020-07-06 | 2020-10-30 | 浙江大学 | 一种变频空调器控制方法 |
| CN111795484A (zh) * | 2020-07-24 | 2020-10-20 | 北京大学深圳研究生院 | 一种智慧空调控制方法和*** |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113446713A (zh) * | 2021-06-23 | 2021-09-28 | 苏州东吴智控科技有限公司 | 基于数字孪生的数据智能优控及节能方法及*** |
| CN114061094A (zh) * | 2021-11-17 | 2022-02-18 | 珠海格力电器股份有限公司 | 空调器的控制方法及其装置、计算机可读存储介质 |
| CN114061094B (zh) * | 2021-11-17 | 2022-10-28 | 珠海格力电器股份有限公司 | 空调器的控制方法及其装置、计算机可读存储介质 |
| CN114370698A (zh) * | 2022-03-22 | 2022-04-19 | 青岛理工大学 | 基于强化学习的室内热环境学习效率提升的优化控制方法 |
| CN117450635A (zh) * | 2023-12-21 | 2024-01-26 | 深圳市祥帆电子科技有限公司 | 一种基于大数据分析的新风***控制方法 |
| CN117450635B (zh) * | 2023-12-21 | 2024-03-19 | 深圳市祥帆电子科技有限公司 | 一种基于大数据分析的新风***控制方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108386971B (zh) | 中央空调节能自控*** | |
| CN112923525A (zh) | 机器学习型舒适节能空调智能控制方法 | |
| CN109631241B (zh) | 建筑室内舒适环境调节*** | |
| CN104019526B (zh) | 改进pso算法模糊自适应pid温湿度控制***及方法 | |
| Alcalá et al. | Fuzzy control of HVAC systems optimized by genetic algorithms | |
| CN106920006A (zh) | 一种基于isoa‑lssvm的地铁站空调***能耗预测方法 | |
| CN110186170B (zh) | 热舒适度指标pmv控制方法及设备 | |
| CN108413588B (zh) | 一种基于热成像及bp神经网络的个性化空调控制***及方法 | |
| CN112577159B (zh) | 基于人体热舒适度的空调节能智能控制方法及装置 | |
| CN110425698A (zh) | 一种用户偏好自学习的空调控制方法和装置 | |
| CN112628956B (zh) | 基于边云协同框架的冷水机组负荷预测控制方法和*** | |
| CN109883005A (zh) | 航站楼末端空调设备智能控制***、方法、介质和设备 | |
| CN113418286B (zh) | 自适应热感觉机器人及空调温度调整方法 | |
| CN114662201B (zh) | 一种自然通风智能调控的寻优方法 | |
| CN115585538B (zh) | 室内温度的调节方法、装置、电子设备及存储介质 | |
| CN115686095A (zh) | 一种智能楼宇节能综合控制方法和装置 | |
| CN103189810A (zh) | 利用习惯导向控制的电气***的能源节省方法 | |
| CN113806995A (zh) | 一种基于ibas算法的家庭设备用能多目标优化方法及*** | |
| CN117628659A (zh) | 一种面向暖通空调多***协同运行的预测调控方法 | |
| CN109631265A (zh) | 大型公共空间舒适度智能调节*** | |
| CN116957834A (zh) | 荔枝生长期预测方法及***、生长环境调控方法及*** | |
| CN103744458A (zh) | 一种分布式食用菌人工气候室的环境控制方法 | |
| Zhao et al. | Control and optimization of indoor environmental quality based on model prediction in building | |
| CN206222612U (zh) | 一种空调的能耗综合管理装置 | |
| RU89672U1 (ru) | Система управления климатом внутри здания |
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: 20210608 |
|
| RJ01 | Rejection of invention patent application after publication |