CN115585538A - 室内温度的调节方法、装置、电子设备及存储介质 - Google Patents

室内温度的调节方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN115585538A
CN115585538A CN202211305361.8A CN202211305361A CN115585538A CN 115585538 A CN115585538 A CN 115585538A CN 202211305361 A CN202211305361 A CN 202211305361A CN 115585538 A CN115585538 A CN 115585538A
Authority
CN
China
Prior art keywords
indoor
temperature
target
energy consumption
air conditioner
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.)
Granted
Application number
CN202211305361.8A
Other languages
English (en)
Other versions
CN115585538B (zh
Inventor
许�鹏
李世新
唐杰
陈翀
王鹏飞
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.)
Gree Electric Appliances Inc of Zhuhai
Zhuhai Lianyun Technology Co Ltd
Original Assignee
Gree Electric Appliances Inc of Zhuhai
Zhuhai Lianyun Technology Co Ltd
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 Gree Electric Appliances Inc of Zhuhai, Zhuhai Lianyun Technology Co Ltd filed Critical Gree Electric Appliances Inc of Zhuhai
Priority to CN202211305361.8A priority Critical patent/CN115585538B/zh
Publication of CN115585538A publication Critical patent/CN115585538A/zh
Application granted granted Critical
Publication of CN115585538B publication Critical patent/CN115585538B/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
    • F24F11/30—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
    • F24F11/62—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
    • F24F11/70—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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
    • 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
    • F24F2140/00—Control inputs relating to system states
    • F24F2140/60—Energy consumption
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/06—Power analysis or power optimisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Evolutionary Computation (AREA)
  • Mechanical Engineering (AREA)
  • Combustion & Propulsion (AREA)
  • Chemical & Material Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Software Systems (AREA)
  • Signal Processing (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Computer Graphics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Fuzzy Systems (AREA)
  • Algebra (AREA)
  • Computing Systems (AREA)
  • Fluid Mechanics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

本申请涉及一种室内温度的调节方法、装置、电子设备及存储介质，该方法包括：获取目标空间对应的室内体积和室内初始温度；根据室内体积、室内初始温度和预先获取的映射关系，确定目标空间内的空调的候选能耗值，其中，每个候选能耗值与一个室内温度变化量相对应；根据室内体积、室内初始温度和候选能耗值，确定目标空间内的空调的目标设定温度；根据目标设定温度，控制目标空间内的空调对室内温度进行调节。这样，可以基于目标空间的室内体积和室内初始温度，以及预先获取的映射关系，确定出目标空间内空调的目标设定温度，从而使得目标设定温度更接近目标空间的实际制冷/制热需求，从而能够有效避免空调的能源浪费的问题。

Description

室内温度的调节方法、装置、电子设备及存储介质
技术领域
本申请涉及空调技术领域，尤其涉及一种室内温度的调节方法、装置、电子设备及存储介质。
背景技术
随着社会经济的发展，人们对环境和能源的关注度也越来越高。为了实现“碳中和”的宏伟目标，缓解能源压力，需要人们从开源、节流两个方面来应对问题。而空调作为日常生活中必不可少的电器之一，其节能工作意义巨大。
目前，在使用空调来调节室内温度时，通常是根据用户设置的空调设定温度来对室内温度进行调节，由于用户设置的空调设定温度与室内实际制冷/制热需求往往存在差异，导致超出实际制冷/制热需求，容易造成能源浪费，因此，如何根据室内实际制冷/制热需求来设置空调设定温度，成为亟待解决的技术问题。
发明内容
本申请提供了一种室内温度的调节方法、装置、电子设备及存储介质，以解决现有技术中根据用户设置的空调设定温度来对室内温度进行调节，容易造成能源浪费的问题。
第一方面，本申请实施例提供了一种室内温度的调节方法，所述方法包括：
获取目标空间对应的室内体积和室内初始温度；
根据所述室内体积、所述室内初始温度和预先获取的映射关系，确定所述目标空间内的空调的候选能耗值，其中，每个所述候选能耗值与一个室内温度变化量相对应，所述映射关系用于表征室内体积、室内初始温度、室内温度变化量和候选能耗值之间的对应关系；
根据所述室内体积、所述室内初始温度和所述候选能耗值，确定所述目标空间内的空调的目标设定温度；
根据所述目标设定温度，控制所述目标空间内的空调对室内温度进行调节。
可选地，所述根据所述室内体积、所述室内初始温度和预先获取的映射关系，确定所述目标空间内的空调的候选能耗值，包括：
将所述室内体积和所述室内初始温度输入至预先训练的第一神经网络模型，得到所述候选能耗值，其中，所述第一神经网络模型是基于所述映射关系对应的数据预先训练得到。
可选地，在所述将所述室内体积和所述室内初始温度输入至预先训练的第一神经网络模型，得到所述候选能耗值之前，所述方法还包括：
构建三维空间模型，所述三维空间模型是基于用户设置的模型体积参数仿真得到；
将所述三维空间模型的室内空间划分为M个网格，M为大于1的整数；
基于预设仿真软件和所述预设仿真软件中预先设置的初始仿真条件，仿真得到所述三维空间模型在不同初始仿真条件下的模型温度变化量和仿真能耗值，以确定所述映射关系，其中，所述初始仿真条件包括模型体积、模型调节前温度、仿真出风温度、仿真出风风速和仿真出风时长，所述模型温度变化量是基于M个所述网格对应的模型温度变化量的平均值确定得到，所述仿真能耗值是基于所述仿真出风温度、所述仿真出风风速和所述仿真出风时长确定得到；
基于所述映射关系对应的数据进行训练，得到所述第一神经网络模型。
可选地，所述根据所述室内体积、所述室内初始温度和所述候选能耗值，确定所述目标空间内的空调的目标设定温度，包括：
获取所述目标空间内目标对象的参数信息；
根据所述参数信息，确定所述目标对象的体感舒适温度；根据所述室内体积、所述室内初始温度、所述候选能耗值和所述体感舒适温度，确定所述目标空间内的空调的目标设定温度。
可选地，所述根据所述参数信息，确定所述目标对象的体感舒适温度，包括：
将所述参数信息输入至第二神经网络模型，得到所述目标对象的体感舒适温度，其中，所述第二神经网络模型是基于室内样本图像预先训练得到，所述室内样本图像中标注有样本对象的参数信息和样本对象的体感舒适温度，所述参数信息包括对象的数量、对象的运动状态、对象的年龄、对象的穿戴情况中的至少一项。
可选地，所述根据所述室内体积、所述室内初始温度、所述候选能耗值和所述体感舒适温度，确定所述目标空间内的空调的目标设定温度，包括：
根据所述体感舒适温度，从所述候选能耗值中确定所述目标空间内的空调的目标能耗值；
根据所述室内体积、所述室内初始温度和所述目标能耗值，确定所述目标空间内的空调的目标设定温度。
可选地，在所述根据所述目标设定温度，控制所述目标空间内空调对室内温度进行调节之后，所述方法还包括：
记录当前时间周期内的所述目标空间内空调所消耗的能耗值；
基于预设规律，确定下一时间周期内的所述目标空间内空调所需要的能耗估计值；
基于所述能耗估计值确定所述下一时间周期对应的目标设定温度，并基于所述下一时间周期对应的目标设定温度控制所述目标空间内空调对所述下一时间周期的室内温度进行调节。
第二方面，本申请实施例还提供了一种室内温度的调节装置，所述装置包括：
获取模块，用于获取目标空间对应的室内体积和室内初始温度；
第一确定模块，用于根据所述室内体积、所述室内初始温度和预先获取的映射关系，确定所述目标空间内的空调的候选能耗值，其中，每个所述候选能耗值与一个室内温度变化量相对应，所述映射关系用于表征室内体积、室内初始温度、室内温度变化量和候选能耗值之间的对应关系；
第二确定模块，用于根据所述室内体积、所述室内初始温度和所述候选能耗值，确定所述目标空间内的空调的目标设定温度；
控制模块，用于根据所述目标设定温度，控制所述目标空间内的空调对室内温度进行调节。
第三方面，本申请实施例还提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现第一方面任一项实施例所述的室内温度的调节方法的步骤。
第四方面，本申请实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面任一项实施例所述的室内温度的调节方法的步骤。
在本申请实施例中，通过获取目标空间对应的室内体积和室内初始温度；根据所述室内体积、所述室内初始温度和预先获取的映射关系，确定所述目标空间内的空调的候选能耗值，其中，每个所述候选能耗值与一个室内温度变化量相对应，所述映射关系用于表征室内体积、室内初始温度、室内温度变化量和候选能耗值之间的对应关系；根据所述室内体积、所述室内初始温度和所述候选能耗值，确定所述目标空间内的空调的目标设定温度；根据所述目标设定温度，控制所述目标空间内的空调对室内温度进行调节。通过上述方式，可以基于目标空间对应的室内体积和室内初始温度，以及预先获取的映射关系，确定出目标空间内空调的目标设定温度，以此控制空调根据该目标设定温度运行，这相比现有技术中用户设置的空调设定温度，更接近目标空间所需的实际制冷/制热需求，从而能够有效避免空调的能源浪费的问题。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
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，对于本领域普通技术人员而言，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为本申请实施例提供的一种室内温度的调节方法的流程示意图；
图2为本申请实施例提供的一种获取映射关系的流程图；
图3为本申请实施例提供的一种确定空调的目标设定温度的流程图；
图4为本申请实施例提供的一种对空调的目标设定温度的修改过程的流程图；
图5为本申请实施例提供的一种室内温度的调节装置的结构示意图；
图6为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
参见图1，图1为本申请实施例提供的一种室内温度的调节方法的流程示意图。如图1所示，该室内温度的调节方法可以包括如下步骤：
步骤101、获取目标空间对应的室内体积和室内初始温度。
具体地，上述目标空间可以是指任意一个室内空间，如客厅、卧室或者书房等任一房间的室内空间。该目标空间对应的室内体积可以通过毫米波雷达探测得到。该目标空间对应的室内初始温度可以是指开启空调前的室内温度，也可以是指室外环境温度。当该目标空间对应的室内初始温度是指开启空调前的室内温度时，可以通过目标空间内的温度传感器获取得到；当该目标空间对应的室内初始温度是指室外环境温度时，可以通过室外的温度传感器获取得到，或者从互联网数据中的实时天气数据中获取得到，本申请实施例不做具体限定。
需要说明的是，该室内温度的调节方法可以应用于智能空调，也可以应用于与智能空调连接的电子设备如本地服务器，本申请不做具体限定。在可选实施例中，为了不占用智能空调的运行资源，可以将模型建立、模型预测、仿真计算等过程由电子设备来完成，电子设备在得到空调的目标设定温度后，发给智能空调，再由智能空调进行室内温度调节。
步骤102、根据室内体积、室内初始温度和预先获取的映射关系，确定目标空间内的空调的候选能耗值，其中，每个候选能耗值与一个室内温度变化量相对应，映射关系用于表征室内体积、室内初始温度、室内温度变化量和能耗值之间的对应关系。
具体地，上述映射关系用于表征室内体积、室内初始温度、室内温度变化量和候选能耗值之间的对应关系。该映射关系可以是通过仿真软件仿真得到，也可以是根据人为经验预先设置得到，本申请实施例不做具体限定。其中，此处的候选能耗值是指将目标空间内的室内温度从室内初始温度调节至某一温度时所需的能耗值，该能耗值与空调的制冷量或者制热量成正比，因而可以用空调的能耗值来表示空调的制冷量或者制热量。该候选能耗值可以为多个，每个候选能耗值可以对应一个室内温度变化量，即在室内初始温度固定的情况下，每个候选能耗值可以对应一个调节后的室内温度。
步骤103、根据室内体积、室内初始温度和候选能耗值，确定目标空间内的空调的目标设定温度。
在该步骤中，可以先确定出目标用户所需的调节后的室内温度，再基于目标用户所需的调节后的室内温度，从候选能耗值中确定出目标能耗值，进而利用能量守恒定律，根据室内体积、室内初始温度和目标能耗值，确定目标空间内的空调的目标设定温度。需要说明的是，目标用户所需的调节后的室内温度可以通过空调的历史设定温度来确定，也可以根据目标对象的参数信息如对象数量、对象运动状态等信息来确定，本申请实施例不做具体限定。
步骤104、根据目标设定温度，控制目标空间内空调对室内温度进行调节。
在获取到空调的目标设定温度之后，可以根据目标设备温度控制目标空间内空调对室内温度进行调节，从而达到目标空间所需的制冷或者制热需求。
在本实施例中，可以基于目标空间对应的室内体积和室内初始温度，以及预先获取的映射关系，确定出目标空间内空调的目标设定温度，以此控制空调根据该目标设定温度运行，这相比现有技术中用户设置的空调设定温度，更接近目标空间所需的实际制冷/制热需求，从而能够有效避免空调的能源浪费的问题。
进一步地，上述步骤102、根据室内体积、室内初始温度和预先获取的映射关系，确定目标空间内的空调的候选能耗值，可以包括如下步骤：
将室内体积和室内初始温度输入至预先训练的第一神经网络模型，得到候选能耗值，其中，第一神经网络模型是基于映射关系对应的数据预先训练得到。
具体地，上述第一神经网络模型可以为卷积神经网络(Convolutional NeuralNetworks,简称为CNN)、递归神经网络(recurrent neural network，简称为RNN)、深信度网络(Deep Belief Networks，简称为DBN)、自编码器(AutoEncoder)和生成对抗网络(Generative Adversarial Network,简称为GAN)等任意一种神经网络模型。该第一神经网络模型是基于上述映射关系对应的数据预先训练得到。
在一实施例中，可以通过上述第一神经网络模型对候选能耗值进行预测，具体而言，在将室内体积和室内初始温度输入至该第一神经网络模型之后，可以通过该第一神经网络模型预测得到与室内体积和室内初始温度匹配的候选能耗值，以此提高目标空间内的空调的候选能耗值的准确性。
进一步地，在上述步骤、将室内体积和室内初始温度输入至预先训练的第一神经网络模型，得到候选能耗值之前，该方法还可以包括如下步骤：
构建三维空间模型，三维空间模型是基于用户设置的模型体积参数仿真得到；
将三维空间模型的室内空间划分为M个网格，M为大于1的整数；
基于预设仿真软件和预设仿真软件中预先设置的初始仿真条件，仿真得到三维空间模型在不同初始仿真条件下的模型温度变化量和仿真能耗值，以确定映射关系，其中，初始仿真条件包括模型体积、模型调节前温度、仿真出风温度、仿真出风风速和仿真出风时长，模型温度变化量是基于M个网格对应的模型温度变化量的平均值确定得到，仿真能耗值是基于仿真出风温度、仿真出风风速和仿真出风时长确定得到；
基于映射关系对应的数据进行训练，得到第一神经网络模型。
具体地，上述三维空间模型是指通过三维仿真软件仿真得到的模型，该三维空间模型可以根据用户设置的模型体积参数改变模型的室内体积。上述预设仿真软件可以为基于k-w模型的剪切应力输运(Shear stress transport，简称为SST)湍流模型或者其他湍流模型定义的仿真软件，该预设仿真软件可以用于对三维空间模型的室内温度变化进行仿真计算。
在一实施例中，在使用第一神经网络模型对室内体积和室内初始温度进行预测前，需要训练得到该第一神经网络模型。在训练该第一神经网络模型时，可以先使用三维仿真软件构建多个不同体积的三维空间模型，再使用预设仿真软件对每种体积的三维空间模型的室内温度变化进行仿真计算，由此得到不同体积的三维空间模型在不同初始仿真条件下的模型温度变化量和仿真能耗值，从而确定出模型体积、模型调节前温度、模型温度变化量和仿真能耗值的对应关系(即上述映射关系)，并将该映射关系存储至仿真模型数据库，进而可以将仿真模型数据库中的数据作为样本数据，训练得到第一神经网络模型。
需要说明的是，作为一可选实施方式，可以采用基于k-w的SST模型作为预设仿真软件。在使用该预设仿真软件进行仿真前，可以将三维空间模型的室内空间划分为若干个网格，并且需要设置初始仿真条件，该初始仿真条件可以包括但不限于：参与仿真的三维空间模型的模型体积、模型调节前温度(即设定的模型的室内初始温度)、仿真出风温度(即在该预设仿真软件中模拟出来的空调的出风温度)、仿真出风风速(即在该预设仿真软件中模拟出来的空调的出风风速)和仿真出风时长(即在该预设仿真软件中模拟出来的空调的出风时长)等。在使用该预设仿真软件进行仿真时，可以记录并保存每个网格在不同时刻的模型调节后温度，由此可以对每个网格在不同时刻的模型调节后温度求平均，得到三维空间模型在不同时刻的模型温度变化量和在不同时刻的仿真能耗值，进而确定出三维空间模型的模型体积、模型调节前温度、模型温度变化量和仿真能耗值的对应关系。在本实施例中，可以基于仿真模型数据库中的数据训练得到第一神经网络模型，方便后续使用该第一神经网络模型对室内体积和室内初始温度进行预测，得到候选能耗值，从而提高候选能耗值的准确性。
参见图2，图2为本申请实施例提供的一种获取映射关系的流程图，如图2所示，获取映射关系可以包括如下步骤：
步骤201、构建三维空间模型。
在该步骤中，可以获取用户设置的模型体积参数，利用三维仿真软件建立三维空间模型。
步骤202、将三维空间模型的室内空间划分为M个网格，M为大于1的整数。
在该步骤中，可以基于有限元分析法原理，将三维空间模型的室内空间划分为一系列网格，便于后续进行仿真计算。
步骤203、定义预设仿真软件。
该预设仿真软件为空气流体计算模型，如基于k-w的SST模型等。
步骤204、设置预设仿真软件的初始仿真条件。
步骤205、仿真计算三维空间模型在不同初始仿真条件下的模型温度变化量和仿真能耗值。
设定预设仿真软件的初始仿真条件，如模型体积、模型调节前温度、仿真出风温度、仿真出风风速和仿真出风时长等。设定好初始仿真条件后，初始化预设仿真软件进行计算，得到特定出风风速及出风温度下的室内房间不同位置空气温度变化规律，将计算得到的数据进行保存，获得空调出风风速、出风温度与房间平均温度之间的对应关系。通过不同出风温度、模型体积大小、出风时长的仿真，得到不同初始仿真条件下的空调制冷量(即仿真能耗值)与室内平均温度(即模型调节后温度)之间的关系。
步骤206、将仿真结果进行保存，建立模型体积、模型调节前温度、模型调节前温度和仿真能耗值的对应关系。
例如，以三维空间模型调节前温度以a℃为例，房间体积为Vm3，以v m/s的出风风速开启空调Tmin，那么房间内的空气温度将发生相应变化，假设三维空间模型调节后温度为b℃，且获取该情况下空调总制冷量Q。由此可以仿真得到调节前温度为a、模型体积为V、空调制冷后的温度为b、制冷量为Q的对应关系，还可以将该对应关系保存至仿真模型数据库，并进行多次仿真，即可得到该仿真模型数据库。
在本实施例中，通过基于k-w的SST模型定义的仿真软件，对不同网格的温度变化情况进行仿真，进而根据不同网格的平均值确定三维空间模型内的温度变化情况，从而提高了仿真结果的准确性，使其更接近目标空间的实际温度变化情况。
进一步地，上述步骤103、根据室内体积、室内初始温度和候选能耗值，确定目标空间内的空调的目标设定温度，可以包括如下步骤：
获取目标空间内目标对象的参数信息；
根据参数信息，确定目标对象的体感舒适温度；根据室内体积、室内初始温度、候选能耗值和体感舒适温度，确定目标空间内的空调的目标设定温度。
具体地，上述目标对象是指目标空间内的人体。上述参数信息是指与目标对象有关的参数信息，如对象的数量、对象的运动状态、对象的年龄、对象的穿戴情况等信息。获取该参数信息的方式，可以先通过目标空间内的摄像头获取目标空间内的画面信息，再对该画面信息进行图像识别，从而确定出目标空间内的参数信息。
在一实施例中，可以在获取目标空间内目标对象的参数信息后，根据该参数信息，确定目标对象的体感舒适温度，即目标对象所需的室内调节后温度。进而根据该体感舒适温度，确定出目标空间内空调的目标能耗值，最后根据室内体积、室内初始温度、目标能耗值，确定目标空间内的空调的目标设定温度。
在本实施例中，可以基于目标空间的室内体积、室内初始温度和目标对象的参数信息，确定出目标空间实际所需的制冷量或者制热量，并结合能量守恒原理，确定出目标空间内空调的目标设定温度，这样既降低了空调运行时的能源消耗，又满足了室内制冷或制热需求，另外，还在一定程度上提升了自动设置空调设定温度的操作体验，提高了空调的智能化控制程度。
进一步地，上述步骤、根据参数信息，确定目标对象的体感舒适温度，可以包括如下步骤：
将参数信息输入至第二神经网络模型，得到目标对象的体感舒适温度，其中，第二神经网络模型是基于室内样本图像预先训练得到，室内样本图像中标注有样本对象的参数信息和样本对象的体感舒适温度，参数信息包括对象的数量、对象的运动状态、对象的年龄、对象的穿戴情况中的至少一项。
具体地，上述第二神经网络模型可以为卷积神经网络、递归神经网络、深信度网络、自编码器和生成对抗网络等任意一种神经网络模型。上述室内样本图像可以通过互联网大数据获取得到，也可以基于摄像头历史采集数据得到，本申请实施例不做具体限定。该室内样本图像人工标注有样本对象的参数信息和样本对象的体感舒适温度。其中，该样本对象的参数信息可以包括但不限于：对象的数量、对象的运动状态、对象的年龄、对象的穿戴情况等等。
在一实施例中，可以将目标对象的参数信息输入至第二神经网络模型，得到目标对象的体感舒适温度，最后将体感舒适温度与候选能耗值所对应的室内温度变化量进行匹配，得到与体感舒适温度对应的目标能耗值。需要说明的是，在将参数信息输入至第二神经网络模型，得到目标对象的体感舒适温度之前，需要训练得到第二神经网络模型。具体而言，该第二神经网络模型的训练过程可以包括步骤：获取K个室内样本图像，其中，每个室内样本图像标注有室内样本图像中对象的参数信息和对象的体感舒适温度，K为大于1的整数；将K个室内样本图像作为训练数据，对第二待训练模型进行训练，得到第二神经网络模型。作为一可选实施方式，当以对象的数量和对象的运动状态作为参数信息时，可以在室内样本图像中标注对象的数量、对象的运动状态和对象的体感舒适温度。例如，当某一室内样本图像上有3个人正在跳绳，则可以在该室内样本图像标注样本对象的数量为3，样本对象的运动状态为剧烈运动，体感舒适度为26℃；当某一室内样本图像上有1个人正在睡觉，则可以在该室内样本图像标注样本对象数量为1，样本对象的运动状态为睡眠，体感舒适度为28℃等。
在本实施例中，结合深度神经网络技术，通过综合考虑目标空间的室内体积、室内初始温度和目标对象的参数信息获取目标能耗值，相比传统方式中单一考虑目标空间的室内体积、室内初始温度或者目标对象的参数信息，更能接近目标空间实际所需的制冷量或者制热量，从而提高了目标能耗值的准确性。进一步地，上述步骤、根据室内体积、室内初始温度、候选能耗值和体感舒适温度，确定目标空间内的空调的目标设定温度，可以包括如下步骤：
根据体感舒适温度，从候选能耗值中确定目标空间内的空调的目标能耗值；
根据室内体积、室内初始温度和目标能耗值，确定目标空间内的空调的目标设定温度。
具体地，上述目标能耗值是指空调将室内温度调节至目标设定温度时目标空间内所需的制冷量或者制热量所对应的能耗值。上述目标设定温度是指根据目标空间所需的制冷量或者制热量确定得到的空调在制冷或者制热过程中的设定温度。
在一实施例中，可以在获取体感舒适温度之后，根据体感舒适温度，从多个候选能耗值中确定目标空间内的空调的目标能耗值，进而利用能量守恒定律，根据室内体积、室内初始温度和目标能耗值，确定目标空间内的空调的目标设定温度。例如，假设室内体积用字母V表示，室内初始温度用字母A表示，目标设定温度用B表示，目标能耗值用字母Q表示，则可以根据能量守恒原理，Q＝CV(B-A)，确定出目标设定温度B，其中，C表示空气的比热容。
在本实施例中，可以结合能量守恒原理，确定出目标空间内空调的目标设定温度，这样既降低了空调运行时的能源消耗，又满足了室内制冷或制热需求，另外，还在一定程度上提升了自动设置空调设定温度的操作体验，提高了空调的智能化控制程度。
参见图3，图3为本申请实施例提供的一种确定空调的目标设定温度的流程图，如图3所示，确定空调的目标设定温度的过程可以包括如下步骤：
步骤301、建立第一神经网络模型和第二神经网络模型。
在该步骤中，可以结合图2得到的映射关系对应的数据进行训练，建立第一神经网络模型，该第一神经网络模型用于根据输入的室内体积和室内初始温度，对空调所需的候选能耗值进行预测。该第二神经网络模型用于根据输入的参数信息，对体感舒适温度进行预测。
步骤302、通过毫米波雷达获取目标空间对应的室内体积。
步骤303、获取目标空间对应的室内初始温度。
步骤304、通过第一神经网络模型，确定空调的候选能耗值。
步骤305、获取目标空间内目标对象的参数信息，通过第二神经网络模型，确定目标对象的体感舒适温度。步骤306、结合能量守恒原理，计算体感舒适温度对应的空调的目标设定温度。
上述步骤301至上述步骤306的详细实现过程，在前述实施例中已有描述，在此不再一一赘述。
实际使用时，通过毫米波雷达技术判定室内体积，将室内体积与室内初始温度输入至神经网络模型中，通过神经网络模型计算空调所需的制冷量或者制热量，再通过空调所需的制冷量或者制热量，计算空调最适设定温度。该方法为空调节能运行提供了技术支持，也提升了空调控制的智能化程度。
进一步地，上述步骤103、根据室内体积、室内初始温度和参数信息，确定目标空间内空调的目标设定温度，包括：
将室内体积、室内初始温度和参数信息输入至预先训练的神经网络模型，得到目标空间内空调所需的用于调节室内温度的目标能耗值；
基于室内体积、室内初始温度和目标能耗值，确定目标空间内空调的目标设定温度。
进一步地，在上述步骤104、根据目标设定温度，控制目标空间内空调对室内温度进行调节之后，该方法还包括：
记录当前时间周期内的目标空间内空调所消耗的能耗值；
基于预设规律，确定下一时间周期内的目标空间内空调所需要的能耗估计值；
基于能耗估计值确定下一时间周期对应的目标设定温度，并基于下一时间周期对应的目标设定温度控制目标空间内空调对下一时间周期的室内温度进行调节。
具体地，上述预设规律是指根据人为经验总结出的不同时间周期内的空调所消耗的能耗值的规律。
在一实施例中，可以在根据目标设定温度，控制目标空间内空调对室内温度进行调节之后，还可以对后续目标设定温度进行修正。具体地，可以将不同时间周期内的空调所消耗的能耗值(即制冷量或者制热量)进行保存，通过预设规律，估计出下一时间周期内的目标空间内空调所需要的能耗估计值，然后基于该能耗估计值确定出下一时间周期目标空间内空调的目标设定温度，并基于新的目标设定温度控制目标空间内空调对下一时间周期的室内温度进行调节。
例如，以空调制冷场景为例，对空调的目标设定温度的修改过程如图4所示，具体可以包括如下步骤：
步骤401、根据目标设定温度，控制空调进行制冷；
步骤402、计算等时间间隔内空调的制冷量；
步骤403、根据预设规律,预计下一时间间隔内的空调制冷量；
步骤404、计算下一时间间隔空调的新的目标设定温度；
步骤405、将新的目标设定温度发送至空调主控器，修改空调设定温度。
这样，可以对空调在不同阶段的制冷量进行估计，以实现对空调不同阶段的设定温度进行调节。
参见图5，图5为本申请实施例提供的一种室内温度的调节装置的结构示意图。如图5所示，该室内温度的调节装置500包括：
获取模块501，用于获取目标空间对应的室内体积和室内初始温度；
第一确定模块502，用于根据室内体积、室内初始温度和预先获取的映射关系，确定目标空间内的空调的候选能耗值，其中，每个候选能耗值与一个室内温度变化量相对应，映射关系用于表征室内体积、室内初始温度、室内温度变化量和候选能耗值之间的对应关系；
第二确定模块503，用于根据室内体积、室内初始温度和候选能耗值，确定目标空间内的空调的目标设定温度；
控制模块504，用于根据目标设定温度，控制目标空间内的空调对室内温度进行调节。
进一步地，第一确定模块502包括：
第一输入子模块，用于将室内体积和室内初始温度输入至预先训练的第一神经网络模型，得到候选能耗值，其中，第一神经网络模型是基于映射关系对应的数据预先训练得到。
进一步地，第一确定模块502还包括：构建子模块，用于构建三维空间模型，三维空间模型是基于用户设置的模型体积参数仿真得到；
划分子模块，用于将三维空间模型的室内空间划分为M个网格，M为大于1的整数；
仿真子模块，用于基于预设仿真软件和预设仿真软件中预先设置的初始仿真条件，仿真得到三维空间模型在不同初始仿真条件下的模型温度变化量和仿真能耗值，以确定映射关系，其中，初始仿真条件包括模型体积、模型调节前温度、仿真出风温度、仿真出风风速和仿真出风时长，模型温度变化量是基于M个网格对应的模型温度变化量的平均值确定得到，仿真能耗值是基于仿真出风温度、仿真出风风速和仿真出风时长确定得到；
训练子模块，用于基于映射关系对应的数据进行训练，得到第一神经网络模型。
进一步地，第二确定模块503包括：
获取子模块，用于获取目标空间内目标对象的参数信息；
第一确定子模块，用于根据参数信息，确定目标对象的体感舒适温度；
第二确定子模块，用于根据室内体积、室内初始温度、候选能耗值和体感舒适温度，确定目标空间内的空调的目标设定温度。
进一步地，第一确定子模块具体用于：
将参数信息输入至第二神经网络模型，得到目标对象的体感舒适温度，其中，第二神经网络模型是基于室内样本图像预先训练得到，室内样本图像中标注有样本对象的参数信息和样本对象的体感舒适温度，参数信息包括对象的数量、对象的运动状态、对象的年龄、对象的穿戴情况中的至少一项。
进一步地，第二确定子模块具体用于：
根据体感舒适温度，从候选能耗值中确定目标空间内的空调的目标能耗值；
根据室内体积、室内初始温度和目标能耗值，确定目标空间内的空调的目标设定温度。
进一步地，该室内温度的调节装置500还包括：
记录模块，用于记录当前时间周期内的目标空间内空调所消耗的能耗值；
第三确定模块，用于基于预设规律，确定下一时间周期内的目标空间内空调所需要的能耗估计值；
调节模块，用于基于能耗估计值确定下一时间周期对应的目标设定温度，并基于下一时间周期对应的目标设定温度控制目标空间内空调对下一时间周期的室内温度进行调节。
需要说明的是，该室内温度的调节装置500可以实现前述任意一个方法实施例提供的室内温度的调节方法的步骤，且能达到相同的技术效果，在此不再一一赘述。
如图6所示，本申请实施例还提供了一种电子设备，包括处理器611、通信接口612、存储器613和通信总线614，其中，处理器611，通信接口612，存储器613通过通信总线614完成相互间的通信，
存储器613，用于存放计算机程序；
在本申请一个实施例中，处理器611，用于执行存储器613上所存放的程序时，实现前述任意一个方法实施例提供的室内温度的调节方法，包括：
获取目标空间对应的室内体积和室内初始温度；
根据室内体积、室内初始温度和预先获取的映射关系，确定目标空间内的空调的候选能耗值，其中，每个候选能耗值与一个室内温度变化量相对应，映射关系用于表征室内体积、室内初始温度、室内温度变化量和能耗值之间的对应关系；
根据室内体积、室内初始温度和候选能耗值，确定目标空间内的空调的目标设定温度；
根据目标设定温度，控制目标空间内的空调对室内温度进行调节。
本申请实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如前述任意一个方法实施例提供的室内温度的调节方法的步骤。
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的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申请的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种室内温度的调节方法，其特征在于，所述方法包括：
获取目标空间对应的室内体积和室内初始温度；
根据所述室内体积、所述室内初始温度和预先获取的映射关系，确定所述目标空间内的空调的候选能耗值，其中，每个所述候选能耗值与一个室内温度变化量相对应，所述映射关系用于表征室内体积、室内初始温度、室内温度变化量和能耗值之间的对应关系；
根据所述室内体积、所述室内初始温度和所述候选能耗值，确定所述目标空间内的空调的目标设定温度；
根据所述目标设定温度，控制所述目标空间内的空调对室内温度进行调节。
2.根据权利要求1所述的方法，其特征在于，所述根据所述室内体积、所述室内初始温度和预先获取的映射关系，确定所述目标空间内的空调的候选能耗值，包括：
将所述室内体积和所述室内初始温度输入至预先训练的第一神经网络模型，得到所述候选能耗值，其中，所述第一神经网络模型是基于所述映射关系对应的数据预先训练得到。
3.根据权利要求2所述的方法，其特征在于，在所述将所述室内体积和所述室内初始温度输入至预先训练的第一神经网络模型，得到所述候选能耗值之前，所述方法还包括：
构建三维空间模型，所述三维空间模型是基于用户设置的模型体积参数仿真得到；
将所述三维空间模型的室内空间划分为M个网格，M为大于1的整数；
基于预设仿真软件和所述预设仿真软件中预先设置的初始仿真条件，仿真得到所述三维空间模型在不同初始仿真条件下的模型温度变化量和仿真能耗值，以确定所述映射关系，其中，所述初始仿真条件包括模型体积、模型调节前温度、仿真出风温度、仿真出风风速和仿真出风时长，所述模型温度变化量是基于M个所述网格对应的模型温度变化量的平均值确定得到，所述仿真能耗值是基于所述仿真出风温度、所述仿真出风风速和所述仿真出风时长确定得到；
基于所述映射关系对应的数据进行训练，得到所述第一神经网络模型。
4.根据权利要求1所述的方法，其特征在于，所述根据所述室内体积、所述室内初始温度和所述候选能耗值，确定所述目标空间内的空调的目标设定温度，包括：
获取所述目标空间内目标对象的参数信息；
根据所述参数信息，确定所述目标对象的体感舒适温度；根据所述室内体积、所述室内初始温度、所述候选能耗值和所述体感舒适温度，确定所述目标空间内的空调的目标设定温度。
5.根据权利要求4所述的方法，其特征在于，所述根据所述参数信息，确定所述目标对象的体感舒适温度，包括：
将所述参数信息输入至第二神经网络模型，得到所述目标对象的体感舒适温度，其中，所述第二神经网络模型是基于室内样本图像预先训练得到，所述室内样本图像中标注有样本对象的参数信息和样本对象的体感舒适温度，所述参数信息包括对象的数量、对象的运动状态、对象的年龄、对象的穿戴情况中的至少一项。
6.根据权利要求4所述的方法，其特征在于，所述根据所述室内体积、所述室内初始温度、所述候选能耗值和所述体感舒适温度，确定所述目标空间内的空调的目标设定温度，包括：
根据所述体感舒适温度，从所述候选能耗值中确定所述目标空间内的空调的目标能耗值；
根据所述室内体积、所述室内初始温度和所述目标能耗值，确定所述目标空间内的空调的目标设定温度。
7.根据权利要求1所述的方法，其特征在于，在所述根据所述目标设定温度，控制所述目标空间内空调对室内温度进行调节之后，所述方法还包括：
记录当前时间周期内的所述目标空间内空调所消耗的能耗值；
基于预设规律，确定下一时间周期内的所述目标空间内空调所需要的能耗估计值；
基于所述能耗估计值确定所述下一时间周期对应的目标设定温度，并基于所述下一时间周期对应的目标设定温度控制所述目标空间内空调对所述下一时间周期的室内温度进行调节。
8.一种室内温度的调节装置，其特征在于，所述装置包括：
获取模块，用于获取目标空间对应的室内体积和室内初始温度；
第一确定模块，用于根据所述室内体积、所述室内初始温度和预先获取的映射关系，确定所述目标空间内的空调的候选能耗值，其中，每个所述候选能耗值与一个室内温度变化量相对应，所述映射关系用于表征室内体积、室内初始温度、室内温度变化量和候选能耗值之间的对应关系；
第二确定模块，用于根据所述室内体积、所述室内初始温度和所述候选能耗值，确定所述目标空间内的空调的目标设定温度；
控制模块，用于根据所述目标设定温度，控制所述目标空间内的空调对室内温度进行调节。
9.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现权利要求1-7任一项所述的室内温度的调节方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7任一项所述的室内温度的调节方法的步骤。
CN202211305361.8A 2022-10-24 2022-10-24 室内温度的调节方法、装置、电子设备及存储介质 Active CN115585538B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211305361.8A CN115585538B (zh) 2022-10-24 2022-10-24 室内温度的调节方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211305361.8A CN115585538B (zh) 2022-10-24 2022-10-24 室内温度的调节方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN115585538A true CN115585538A (zh) 2023-01-10
CN115585538B CN115585538B (zh) 2024-07-05

Family

ID=84781689

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211305361.8A Active CN115585538B (zh) 2022-10-24 2022-10-24 室内温度的调节方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN115585538B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116430748A (zh) * 2023-06-14 2023-07-14 深圳市华科科技有限公司 一种基于智能设备的节能控制方法及***
CN117515785A (zh) * 2024-01-02 2024-02-06 深圳市玩视科技股份有限公司 温度集中控制方法、装置、中控设备及可读存储介质
CN117760057A (zh) * 2024-02-21 2024-03-26 中铁建设集团有限公司 一种铁路客站低碳制冷装置及使用方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013120011A (ja) * 2011-12-07 2013-06-17 Fujitsu Ltd 空気調和機の制御計画立案装置、制御計画立案プログラム及び制御計画立案方法
CN103162383A (zh) * 2011-12-14 2013-06-19 财团法人工业技术研究院 空调控制装置与方法
JP2013204890A (ja) * 2012-03-28 2013-10-07 Azbil Corp 空調制御システムおよび空調制御方法
CN104515245A (zh) * 2013-09-26 2015-04-15 珠海格力电器股份有限公司 空调***的控制方法及装置
CN105318496A (zh) * 2015-09-23 2016-02-10 珠海格力电器股份有限公司 空调控制方法及装置
JP2017072299A (ja) * 2015-10-06 2017-04-13 ダイキン工業株式会社 空気調和機
CN108006915A (zh) * 2018-01-11 2018-05-08 广东美的制冷设备有限公司 空调控制方法及空调器
CN108344118A (zh) * 2018-01-04 2018-07-31 珠海格力电器股份有限公司 空调***控制方法及装置
CN110398030A (zh) * 2019-08-19 2019-11-01 珠海格力电器股份有限公司 空调送风量调节方法、装置、设备及空调***
CN110726209A (zh) * 2019-10-29 2020-01-24 珠海格力电器股份有限公司 空调控制方法、装置、存储介质以及处理器
CN113944995A (zh) * 2020-07-15 2022-01-18 广东美的制冷设备有限公司 空调设备的控制方法、空调设备和计算机可读存储介质

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013120011A (ja) * 2011-12-07 2013-06-17 Fujitsu Ltd 空気調和機の制御計画立案装置、制御計画立案プログラム及び制御計画立案方法
CN103162383A (zh) * 2011-12-14 2013-06-19 财团法人工业技术研究院 空调控制装置与方法
JP2013204890A (ja) * 2012-03-28 2013-10-07 Azbil Corp 空調制御システムおよび空調制御方法
CN104515245A (zh) * 2013-09-26 2015-04-15 珠海格力电器股份有限公司 空调***的控制方法及装置
CN105318496A (zh) * 2015-09-23 2016-02-10 珠海格力电器股份有限公司 空调控制方法及装置
JP2017072299A (ja) * 2015-10-06 2017-04-13 ダイキン工業株式会社 空気調和機
CN108344118A (zh) * 2018-01-04 2018-07-31 珠海格力电器股份有限公司 空调***控制方法及装置
CN108006915A (zh) * 2018-01-11 2018-05-08 广东美的制冷设备有限公司 空调控制方法及空调器
CN110398030A (zh) * 2019-08-19 2019-11-01 珠海格力电器股份有限公司 空调送风量调节方法、装置、设备及空调***
CN110726209A (zh) * 2019-10-29 2020-01-24 珠海格力电器股份有限公司 空调控制方法、装置、存储介质以及处理器
CN113944995A (zh) * 2020-07-15 2022-01-18 广东美的制冷设备有限公司 空调设备的控制方法、空调设备和计算机可读存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
赵小刚;胡启平;丁玲;沈志东;: "基于模型预测控制的数据中心节能调度算法", 软件学报, no. 02, 15 February 2017 (2017-02-15), pages 248 - 261 *
顾春锋: "基于PCA-LSTM神经网络的建筑空调负荷预测方法研究", 现代建筑电气, 30 October 2021 (2021-10-30), pages 1 - 7 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116430748A (zh) * 2023-06-14 2023-07-14 深圳市华科科技有限公司 一种基于智能设备的节能控制方法及***
CN116430748B (zh) * 2023-06-14 2023-09-08 深圳市华科科技有限公司 一种基于智能设备的节能控制方法及***
CN117515785A (zh) * 2024-01-02 2024-02-06 深圳市玩视科技股份有限公司 温度集中控制方法、装置、中控设备及可读存储介质
CN117515785B (zh) * 2024-01-02 2024-03-26 深圳市玩视科技股份有限公司 温度集中控制方法、装置、中控设备及可读存储介质
CN117760057A (zh) * 2024-02-21 2024-03-26 中铁建设集团有限公司 一种铁路客站低碳制冷装置及使用方法
CN117760057B (zh) * 2024-02-21 2024-04-30 中铁建设集团有限公司 一种铁路客站低碳制冷装置及使用方法

Also Published As

Publication number Publication date
CN115585538B (zh) 2024-07-05

Similar Documents

Publication Publication Date Title
CN115585538B (zh) 室内温度的调节方法、装置、电子设备及存储介质
US10584892B2 (en) Air-conditioning control method, air-conditioning control apparatus, and storage medium
US11788755B2 (en) System and method for personalized thermal comfort control
US20190360711A1 (en) Method and device for controlling power supply to heating, ventilating, and air-conditioning (hvac) system for building based on target temperature
CN110186170B (zh) 热舒适度指标pmv控制方法及设备
JP2019522163A (ja) 空調システムを動作させるコントローラー及び空調システムの制御方法
CN111609534B (zh) 温度控制方法、装置及中央温度控制***
Jazizadeh et al. Personalized Thermal Comfort-Driven Control in HVAC-OperatedOffice Buildings
CN114623569B (zh) 一种基于深度强化学习的集群空调负荷差异化调控方法
JP6516709B2 (ja) エネルギー使用量監視装置、機器管理システム及びプログラム
Wang et al. A fair and budget-balanced incentive mechanism for energy management in buildings
CN115614953A (zh) 一种暖通空调智能送风控制方法及***
US20220236704A1 (en) Control system, server, apparatus and control method
CN115682312A (zh) 一种空调节能控制方法、装置、设备及可读存储介质
CN115983438A (zh) 数据中心末端空调***运行策略确定方法及装置
Chatterjee et al. Dynamic indoor thermal environment using reinforcement learning-based controls: Opportunities and challenges
CN115218358B (zh) 一种室内空气环境调节方法和设备
US11280514B1 (en) System and method for thermal control based on invertible causation relationship
CN112380761B (zh) 一种基于强化学习的建筑环境控制器和控制方法
Burger et al. ARX model of a residential heating system with backpropagation parameter estimation algorithm
CN115877714B (zh) 一种制冷***控制方法、装置、电子设备及存储介质
WO2024093356A1 (zh) 空气调节设备的控制方法、设备及存储介质
CN114281192B (zh) 家居设备控制方法、装置、电子设备及存储介质
CN117906252A (zh) 空气调节设备的控制方法、空气调节设备及存储介质
CN116294151A (zh) 空调温度调节方法、***、设备及介质

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
GR01 Patent grant
GR01 Patent grant