CN114034114B - 一种节能型多联机空调调度方法及*** - Google Patents

一种节能型多联机空调调度方法及*** Download PDF

Info

Publication number
CN114034114B
CN114034114B CN202111333314.XA CN202111333314A CN114034114B CN 114034114 B CN114034114 B CN 114034114B CN 202111333314 A CN202111333314 A CN 202111333314A CN 114034114 B CN114034114 B CN 114034114B
Authority
CN
China
Prior art keywords
energy consumption
user behavior
scheduling strategy
data set
prediction model
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.)
Active
Application number
CN202111333314.XA
Other languages
English (en)
Other versions
CN114034114A (zh
Inventor
金芝
王小齐
其他发明人请求不公开姓名
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.)
Peking University
East China Normal University
Original Assignee
Peking University
East China Normal 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 Peking University, East China Normal University filed Critical Peking University
Priority to CN202111333314.XA priority Critical patent/CN114034114B/zh
Publication of CN114034114A publication Critical patent/CN114034114A/zh
Application granted granted Critical
Publication of CN114034114B publication Critical patent/CN114034114B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • F24F11/30—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
    • F24F11/50—Control or safety arrangements characterised by user interfaces or communication
    • F24F11/61—Control or safety arrangements characterised by user interfaces or communication using timers
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2120/00—Control inputs relating to users or occupants
    • F24F2120/10—Occupancy
    • F24F2120/14—Activity of occupants

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • Mathematical Physics (AREA)
  • Fuzzy Systems (AREA)
  • Tourism & Hospitality (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Human Computer Interaction (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

本发明公开了一种节能型多联机空调调度方法及***，涉及多联机空调调度技术领域，方法包括：获取用户行为模式，用户行为模式包括高使用率用户行为模式和低使用率用户行为模式；依据所述用户行为模式选取对应的能耗预测模型；依据所选取的能耗预测模型分别预测“MAX”调度策略、“MIN”调度策略下的能耗；比较所述“MAX”调度策略、“MIN”调度策略下的能耗，执行预测能耗低的调度策略。本发明针对不同的用户行为模式建立不同的能耗预测模型，并进一步预测不同调度策略下的能耗，通过该方法能够在不影响用户体验的前提下，选取最优的室外机调度策略，降低空调***的能耗。

Description

一种节能型多联机空调调度方法及***
技术领域
本发明涉及多联机空调调度技术领域，更具体的说是涉及一种基于用户行为识别与能耗预测的节能型多联机空调调度方法及***。
背景技术
随着我国现代化进程不断推进，城镇空调普及率逐年升高。在我国，建筑能耗约占社会总能耗的1/3左右，而建筑能耗中有50％来自空调***。因此，空调***的节能优化具有重要的实际意义。
多联机空调与传统空调相比具有节约能源、控制方法先进、机组适应性好、设计自由度高、安装和计费方便等优点，具有非常广阔的应用市场。但对于有多台室外机的多联机空调机组来说，其室外机的负载分配策略往往比较固定，无法根据实际使用情况进行动态调节，使得很多室外机无法以最优能效比或接近最优能效比工作，致使多联机空调耗费过多不必要的能量。
基于现有技术的缺陷，如何提出一种能够降低空调***总能耗的多联机空调调度方法，选取最优的室外机调度策略，是本领域技术人员亟需解决的问题。
发明内容
有鉴于此，本发明提供了一种基于用户行为识别与能耗预测的节能型多联机空调调度方法及***，能够在不影响用户体验的前提下降低多联机空调***的能耗。
为了实现上述目的，本发明提供如下技术方案：
一种节能型多联机空调调度方法，包括：
获取用户行为模式；
依据所述用户行为模式选取对应的能耗预测模型；
依据所选取的能耗预测模型分别预测“MAX”调度策略、“MIN”调度策略下的能耗；
比较所述“MAX”调度策略、“MIN”调度策略下的能耗，执行预测能耗低的调度策略。
进一步的，所述获取用户行为模式的具体方法为：
构建用户数据集D1；
依据所述用户数据集D1构建用户行为识别模型S；
使用所述用户行为识别模型S判断当前用户行为模式。
进一步的，所述用户行为模式包括高使用率用户行为模式和低使用率用户行为模式。
所述构建用户数据集D1，具体为，收集不同用户每天的空调使用时长、用户行为模式标签，作为用户数据集D1。
进一步的，所述构建用户行为识别模型S，具体为，使用用户数据集D1训练逻辑回归分类器，得到用户行为识别模型S。
进一步的，所述能耗预测模型包括低使用率用户行为模式下的能耗预测模型P1和高使用率用户行为模式下的能耗预测模型P2；
所述能耗预测模型的构建方法为：
构建能耗数据集D2、能耗数据集D3；
依据所述能耗数据集D2训练回归支持向量机SVR算法，构建低使用率用户行为模式下的能耗预测模型P1，依据所述能耗数据集D3训练回归支持向量机SVR算法构建高使用率用户行为模式下的能耗预测模型P2。
进一步的，所述构建能耗数据集D2、能耗数据集D3，具体为：
分别收集低使用率用户行为模式下采用“MAX”调度策略、“MIN”调度策略的总负荷与耗电量样本数据，作为能耗数据集D2；
分别收集高使用率用户行为模式下采用“MAX”调度策略、“MIN”调度策略的总负荷与耗电量样本数据，作为能耗数据集D3。
所述“MAX”调度策略指在室外机群中选择一台当前占用率最高的室外机为提出请求的室内机满足制冷需求；所述“MIN”调度策略指在室外机群中选择一台当前占用率最低的室外机为提出请求的室内机满足制冷需求。
将用户的空调使用时长输入所述用户行为识别模型S中，即可输出用户行为模式是高使用率还是低使用率；若用户为低使用率用户行为模式，则选择低使用率用户行为模式下的能耗预测模型P1进行预测，对于能耗预测模型P1，输入当前总负荷，则能耗预测模型P1会预测出分别采用“MAX”调度策略、“MIN”调度策略下的能耗；若用户为高使用率用户行为模式，则使用能耗预测模型P2预测出分别采用“MAX”调度策略、“MIN”调度策略下的能耗；对比不同调度策略下的能耗，选取能耗小的调度策略进行执行。
本发明还提供一种节能型多联机空调调度***，包括：
用户行为模式识别模块，用于识别获取用户的行为模式；
能耗预测模型选择模块，用于依据所述用户行为模式选取对应的能耗预测模型；
能耗预测模块，用于依据所选取的能耗预测模型分别预测“MAX”调度策略、“MIN”调度策略下的能耗；
能耗比较模块，用户比较所述一种基于用户行为识别与能耗预测的节能型多联机空调调度方法及***下的能耗，执行预测能耗低的调度策略。
经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种基于用户行为识别与能耗预测的节能型多联机空调调度方法及***，与现有技术相比，具有以下有益效果：
本发明首先判断识别用户行为模式，分为了高使用率用户行为模式和低使用率用户行为模式；并进一步针对不同的用户行为模式，分别建立不同的能耗预测模型，可以依据用户的行为模式选取对应的能耗预测模型；并使用所对应的能耗预测模型预测当前状态下分别采用“MAX”调度策略、“MIN”调度策略所需能耗，根据预测结果选择执行预测能耗低的调度策略。本发明针对不同的用户行为模式建立不同的能耗预测模型，并进一步预测不同调度策略下的能耗，通过该方法能够在不影响用户体验的前提下，选取最优的室外机调度策略，降低空调***的能耗。
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，下面将对实施例或现有技术描述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的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明中多联机空调***逻辑图；
图2为本发明多联机空调调度方法步骤图；
图3为本发明进行室外机调度策略选择流程图。
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。
在多联机空调***中包含M台室外机和N台室内机(M<<N)，用户开启室内机后，空调***根据本发明的技术方案为提出请求的室内机分配一台室外机，参见图1，满足制冷需求。
本发明实施例公开了一种节能型多联机空调调度方法，参见图2，包括以下步骤：
步骤一：收集历史数据，构建用户数据集D1和能耗数据集D2、能耗数据集D3。
收集不同用户每天的空调使用时长、用户行为模式(低使用率、高使用率)构建用户数据集D1，其中用户行为模式由人工添加，判断用户为低使用率还是高使用率行为模式；收集低使用率用户行为模式下采用“MAX”调度策略和“MIN”调度策略的总负荷与耗电量样本，每个样本由总负荷、调度策略、耗电量三部分组成，所述样本构成能耗数据集D2；收集高使用率用户行为模式下采用“MAX”调度策略和“MIN”调度策略的总负荷与耗电量样本，每个样本由总负荷、调度策略、耗电量三部分组成，所述样本构成能耗数据集D3。
其中，使用设定阈值方法区分高使用率与低使用率。阈值的具体取值＝max{使用同一室外机群的所有用户每天空调使用时长中位数，阈值下限}，其中阈值下限优选使用4小时，其中max{a，b}表示取a、b中的较大值。当用户空调使用时长低于阈值时，判断为低使用率模式；否则，判断为高使用率模式。
其中，“MAX”调度策略指在室外机群中选择一台当前占用率最高(未超负荷)的室外机为提出请求室内机满足制冷需求，“MIN”调度策略指在室外机群中选择一台当前占用率最低的室外机为提出请求室内机满足制冷需求。
步骤二：构建用户行为识别模型S。
在步骤一中收集的用户数据集D1包含若干样本，每个样本由用户每天的空调使用时长、用户模式两部分构成。其中空调使用时长单位为秒，用户模式取值为0或1，0代表低使用率用户行为模式，1代表高使用率用户行为模式。将用户每天的空调使用时长作为特征，用户模式作为标签，训练逻辑回归模型(LogisticRegression)，得到用户行为识别模型S。
其中，逻辑回归模型数学表达式为y＝round(1/(1+e^(-(w0+w1*x))))，w0和w1为两个小数，其具体取值由用户数据集D1训练得到，训练算法使用标准的逻辑回归模型训练算法，即梯度下降算法。x为模型输入，即用户每天的空调使用时长。round表示四舍五入取整，比如round(0.51)＝1，round(0.499)＝0。例如，当输入2.5(用户一天空调使用时长为2.5小时)，模型输出0(低使用率用户行为模式)。
步骤三：构建低使用率用户行为模式的能耗预测模型P1和高使用率用户行为模式的能耗预测模型P2。
在步骤一中收集的能耗数据集D2、D3包含若干个样本，其中每个样本包括总负荷、调度策略、耗电量三部分。调度策略取值为0或1，0表示“MIN”调度策略，1表示“MAX”调度策略。将总负荷、调度策略作为特征，耗电量作为标签，使用能耗数据集D2、D3分别训练回归支持向量机SVR算法，分别得到低使用率用户行为模式下的能耗预测模型P1和高使用率用户行为模式下的能耗预测模型P2。
其中，P1、P2模型输入均为(当前室外机群总负荷，调度策略)，输出为预测的***耗电量。调度策略取值为0，表示“MIN”调度策略，1表示“MAX”调度策略。例如：当输入(0.6，0)，输出500，表示当前室外机群总负荷60％，采用"MIN"调度策略情况下，预测的***耗电量为500。
步骤四：使用用户行为识别模型S、能耗预测模型P1、能耗预测模型P2，对室外机分配策略进行选择。
参见图3，当有室内机请求待处理时，先使用训练好的用户行为识别模型S识别用户行为模式。具体的，当前时间为t，将昨天的空调使用时长作为用户行为识别模型S的输入，其输出即为当前时间t的用户行为模式userMode。
根据userMode的取值，选择对应的能耗预测模型进行耗电量预测。具体的，若userMode值为0(低使用率用户行为模式)，则使用能耗预测模型P1预测耗电量，当P1的输入为(当前空调室外机群总负荷，1)，则输出为当前状态下采用“MAX”调度策略的耗电量maxCost，当P1的输入为(当前空调室外机群总负荷，0)，则输出为当前状态下采用“MIN”调度策略的耗电量minCost。若userMode值为1(高使用率用户行为模式)，则使用能耗预测模型P2预测耗电量，当P2的输入为(当前空调室外机群总负荷，1)，则输出为当前状态下采用“MAX”调度策略的耗电量maxCost，当P2的输入为(当前空调室外机群总负荷，0)，则输出为当前状态下采用“MIN”调度策略的耗电量minCost。
比较不同调度策略下的耗电量。若maxCost<minCost，则执行“MAX”调度策略为当前请求室内机分配室外机，即在室外机群中选择一台当前占用率最高且未超负荷的室外机，为室内机满足制冷需求；若maxCost>＝minCost，则执行“MIN”调度策略为当前请求室内机分配室外机，即在室外机群中选择一台当前占用率最低的室外机，为室内机满足制冷需求。
本发明另一种实施例中，还公开一种节能型多联机空调调度***，包括：
用户行为模式识别模块，用于识别获取用户的行为模式；
能耗预测模型选择模块，用于依据所述用户行为模式选取对应的能耗预测模型；
能耗预测模块，用于依据所选取的能耗预测模型分别预测“MAX”调度策略、“MIN”调度策略下的能耗；
能耗比较模块，用户比较所述一种基于用户行为识别与能耗预测的节能型多联机空调调度方法及***下的能耗，执行预测能耗低的调度策略。
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。对于实施例公开的装置而言，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。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (5)

1.一种节能型多联机空调调度方法，其特征在于，包括：
获取用户行为模式；所述用户行为模式包括高使用率用户行为模式和低使用率用户行为模式；
依据所述用户行为模式选取对应的能耗预测模型；所述能耗预测模型包括低使用率用户行为模式下的能耗预测模型P1和高使用率用户行为模式下的能耗预测模型P2；
所述能耗预测模型的构建方法为：
构建能耗数据集D2、能耗数据集D3；
依据所述能耗数据集D2训练回归支持向量机SVR算法，构建低使用率用户行为模式下的能耗预测模型P1，依据所述能耗数据集D3训练回归支持向量机SVR算法构建高使用率用户行为模式下的能耗预测模型P2；
所述构建能耗数据集D2、能耗数据集D3，具体为：
分别收集低使用率用户行为模式下采用“MAX”调度策略、“MIN”调度策略的总负荷与耗电量样本数据，作为能耗数据集D2；
分别收集高使用率用户行为模式下采用“MAX”调度策略、“MIN”调度策略的总负荷与耗电量样本数据，作为能耗数据集D3；
依据所选取的能耗预测模型分别预测“MAX”调度策略、“MIN”调度策略下的能耗；所述“MAX”调度策略指在室外机群中选择一台当前占用率最高的室外机为提出请求的室内机满足制冷需求；所述“MIN”调度策略指在室外机群中选择一台当前占用率最低的室外机为提出请求的室内机满足制冷需求；
比较所述“MAX”调度策略、“MIN”调度策略下的能耗，执行预测能耗低的调度策略。
2.根据权利要求1所述的一种节能型多联机空调调度方法，其特征在于，所述获取用户行为模式的具体方法为：
构建用户数据集D1；
依据所述用户数据集D1构建用户行为识别模型S；
使用所述用户行为识别模型S判断当前用户行为模式。
3.根据权利要求2所述的一种节能型多联机空调调度方法，其特征在于，所述构建用户数据集D1，具体为，收集不同用户每天的空调使用时长、用户行为模式标签，作为用户数据集D1。
4.根据权利要求2所述的一种节能型多联机空调调度方法，其特征在于，所述构建用户行为识别模型S，具体为，使用用户数据集D1训练逻辑回归分类器，得到用户行为识别模型S。
5.一种节能型多联机空调调度***，其特征在于，包括：
用户行为模式识别模块，用于识别获取用户的行为模式；所述用户行为模式包括高使用率用户行为模式和低使用率用户行为模式；
能耗预测模型选择模块，用于依据所述用户行为模式选取对应的能耗预测模型；所述能耗预测模型包括低使用率用户行为模式下的能耗预测模型P1和高使用率用户行为模式下的能耗预测模型P2；
所述能耗预测模型的构建方法为：
构建能耗数据集D2、能耗数据集D3；
依据所述能耗数据集D2训练回归支持向量机SVR算法，构建低使用率用户行为模式下的能耗预测模型P1，依据所述能耗数据集D3训练回归支持向量机SVR算法构建高使用率用户行为模式下的能耗预测模型P2；
所述构建能耗数据集D2、能耗数据集D3，具体为：
分别收集低使用率用户行为模式下采用“MAX”调度策略、“MIN”调度策略的总负荷与耗电量样本数据，作为能耗数据集D2；
分别收集高使用率用户行为模式下采用“MAX”调度策略、“MIN”调度策略的总负荷与耗电量样本数据，作为能耗数据集D3；
能耗预测模块，用于依据所选取的能耗预测模型分别预测“MAX”调度策略、“MIN”调度策略下的能耗；所述“MAX”调度策略指在室外机群中选择一台当前占用率最高的室外机为提出请求的室内机满足制冷需求；所述“MIN”调度策略指在室外机群中选择一台当前占用率最低的室外机为提出请求的室内机满足制冷需求；
能耗比较模块，用户比较所述“MAX”调度策略、“MIN”调度策略下的能耗，执行预测能耗低的调度策略。
CN202111333314.XA 2021-11-11 2021-11-11 一种节能型多联机空调调度方法及*** Active CN114034114B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111333314.XA CN114034114B (zh) 2021-11-11 2021-11-11 一种节能型多联机空调调度方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111333314.XA CN114034114B (zh) 2021-11-11 2021-11-11 一种节能型多联机空调调度方法及***

Publications (2)

Publication Number Publication Date
CN114034114A CN114034114A (zh) 2022-02-11
CN114034114B true CN114034114B (zh) 2022-09-27

Family

ID=80137283

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111333314.XA Active CN114034114B (zh) 2021-11-11 2021-11-11 一种节能型多联机空调调度方法及***

Country Status (1)

Country Link
CN (1) CN114034114B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114595851B (zh) * 2022-02-20 2022-09-30 特斯联科技集团有限公司 利用神经网络的空调机房消耗功率分析装置

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4985722B2 (ja) * 2009-07-23 2012-07-25 三菱電機株式会社 空気調和機
JP2011208857A (ja) * 2010-03-29 2011-10-20 Daikin Industries Ltd 空調制御システム
WO2015159361A1 (ja) * 2014-04-15 2015-10-22 三菱電機株式会社 機器制御装置、機器制御システム、端末装置、機器制御方法及びプログラム
CN104279704B (zh) * 2014-09-30 2016-11-23 广东美的制冷设备有限公司 空调器运行参数信息的分享方法、空调***和客户端
CN105240988B (zh) * 2015-09-01 2018-06-22 华东师范大学 不确定环境下智能大厦空调***的调度策略评估方法
CN107169606A (zh) * 2017-05-18 2017-09-15 天津大学 一种办公建筑冷负荷的预测方法
CN109269021B (zh) * 2018-09-05 2020-06-30 安徽省建筑设计研究总院股份有限公司 空调***节能运行优化调度方法
CN111121176B (zh) * 2020-01-19 2022-03-18 青岛海信日立空调***有限公司 一种空调室外机及空调器
CN112286658A (zh) * 2020-10-28 2021-01-29 北京字节跳动网络技术有限公司 一种集群任务调度方法、装置、计算机设备及存储介质
CN112556103A (zh) * 2020-12-07 2021-03-26 上海电科智能***股份有限公司 一种基于负荷预测的大***节能控制方式及***

Also Published As

Publication number Publication date
CN114034114A (zh) 2022-02-11

Similar Documents

Publication Publication Date Title
CN107906675B (zh) 一种基于用户需求的中央空调集群优化控制方法
CN103208085B (zh) 企业用电提高负荷率与降低最大需量的分析智能***
CN103475538B (zh) 一种基于多接口的自适应的云服务测试方法
CN103345298A (zh) 一种基于虚拟it资源分配技术的数据中心节能***及方法
CN114034114B (zh) 一种节能型多联机空调调度方法及***
CN107178869A (zh) 变频空调负荷的聚合控制削峰方法
CN108429265B (zh) 一种需求响应调控方法及装置
CN106793031A (zh) 基于集合竞优算法的智能手机能耗优化方法
CN113036793B (zh) 基于人工智能充电桩的负荷响应调度方法及***
CN106875058B (zh) 一种电力业扩可开放容量智能判断方法
CN114069642A (zh) 一种考虑用户满意度的温控负荷综合调峰方法
CN116880231B (zh) 基于智能家居的多端交互方法及装置
CN108151242B (zh) 一种面向集群需求响应的中央空调控制方法
CN116817424B (zh) 一种基于人工智能的空调节能控制***及方法
CN106249598B (zh) 一种基于多代理的工业大用户能效优化控制方法
CN112001578A (zh) 一种适用于广义储能资源优化调度方法及***
CN111429040B (zh) 一种建筑能耗检测***计量设备优化部署方法
CN112833517B (zh) 一种基于大数据的中央空调负荷预测***
CN105184408A (zh) 基于电器用电效用分级和用户用电行为识别的节能方法
CN113673868B (zh) 一种基于物联网的空压站电能管理方法
CN104751233A (zh) 契约容量最佳化***及最佳化方法
TWM654957U (zh) 下拉式選單產生系統
CN108667031A (zh) 一种基于实时滚动窗口的家庭用电调度优化方法
KR101718976B1 (ko) 계절 및 시간에 따른 에너지 부하를 고려한 지능형 에너지 수요 관리 장치 및 그 방법
CN118092817A (zh) 一种平板电脑空间智能管理方法及***

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
GR01 Patent grant
GR01 Patent grant