[發(fā)明專利]基于機器學習的空調控制方法、裝置和設備

在審

• 申請?zhí)枺?/td>: 202010257512.1
• 申請日: 2020-04-03
• 公開（公告）號: CN111473494A
• 公開（公告）日: 2020-07-31
• 發(fā)明（設計）人: 鄒觀華;李曉明;謝惠敏;黃煒鎣;朱麟濤;李金恩;林創(chuàng)鴻
• 申請（專利權）人: 五邑大學
• 主分類號: F24F11/89
• 分類號: F24F11/89;F24F11/64;G06N20/00
• 代理公司: 廣州嘉權專利商標事務所有限公司 44205
• 代理人: 孫浩

本發(fā)明公開了基于機器學習的空調控制方法、裝置和設備，應用于空調器，包括：接收空調數據和處理問題信息，根據所述空調數據和所述處理問題信息得到特征數據；根據所述處理問題信息，利用所述特征數據訓練得到數學模型；根據所述處理問題信息，對所述數學模型仿真得到最優(yōu)預測變量組；根據最優(yōu)預測變量組，得到用于控制所述空調器的反饋控制信息。本發(fā)明利用所述特征數據訓練得到數學模型，保證了空調控制過程的準確性，通過數學模型仿真得到最優(yōu)預測變量組，從而得到用于控制所述空調器的反饋控制信息利用，有效的解決所述空調器因線性組合控制而引起的超調問題，保證了空調控制過程的有效性，從而避免了能源的浪費。

技術領域

本發(fā)明涉及空調領域，特別涉及基于機器學習的空調控制方法、裝置和設備。

背景技術

隨著全球氣候的變遷和空調技術的發(fā)展，越來越多的大型建筑物利用空調系統(tǒng)來實現(xiàn)室內溫度和濕度的調節(jié)控制。特別是隨著“智慧城市”建設步伐的快速推進，如何圍繞智慧城市建設實現(xiàn)空調系統(tǒng)的智能控制與節(jié)能，這是智慧城市建設中的重要研究課題之一。空調系統(tǒng)的優(yōu)化控制策略研究也是實際中的一個很有普遍意義的重要課題。

目前空調的控制技術還不夠完善，空調器多以線性組合的PID算法進行控制，空調器中有很多對控制造成影響的參數，使用線性組合的PID算法進行控制，不能準確的對每個參數進行設置，不能保證空調控制的準確性，而且線性組合的控制方式，容易引起超調，不能有效進行控制，導致能源的浪費。

發(fā)明內容

本發(fā)明的目的在于至少解決現(xiàn)有技術中存在的技術問題之一，提供基于機器學習的空調控制方法、裝置和設備，能夠保證空調控制過程的準確性和有效性，避免能源的浪費。

本發(fā)明解決其技術問題的解決方案是：

第一方面，本發(fā)明提供了基于機器學習的空調控制方法，應用于空調器，包括：

接收空調數據和處理問題信息，根據所述空調數據和所述處理問題信息得到特征數據；根據所述處理問題信息，利用所述特征數據訓練得到數學模型；根據所述處理問題信息，對所述數學模型仿真得到最優(yōu)預測變量組；根據最優(yōu)預測變量組，得到用于控制所述空調器的反饋控制信息。

進一步，根據所述空調數據和所述處理問題信息得到特征數據，包括：

根據所述處理問題信息，對所述空調數據進行維規(guī)約，得到特征數據。

進一步，所述根據所述處理問題信息，利用所述特征數據訓練得到數學模型之前，包括：

對所述特征數據進行標準化，使所述特征數據符合標準正態(tài)分布。

進一步，所述處理問題信息包括有回歸問題信息和分類問題信息。

進一步，所述根據所述處理問題信息，利用所述特征數據訓練得到數學模型，包括：

將所述特征數據劃分為訓練集和測試集；根據所述回歸問題信息，利用回歸器組件對所述訓練集訓練，得到對應的回歸模型，或者根據所述分類問題信息，利用分類器組件對所述訓練集訓練，得到對應的分類模型，所述回歸器組件包括線性回歸器、梯度提高回歸器和隨機森林回歸器，所述分類器組件包括線性分類器、梯度提高分類器和隨機森林分類器；利用所述測試集與所述回歸模型進行全局匹配，確定全局匹配中準確度最高的所述回歸模型作為數學模型，或者利用所述測試集與若干個所述分類模型進行全局匹配，確定全局匹配中準確度最高的所述分類模型作為數學模型。

進一步，所述根據所述處理問題信息，對所述數學模型仿真得到最優(yōu)預測變量組，包括：

根據所述處理問題信息，對所述數學模型進行仿真得到本質變量和所述最優(yōu)預測變量組，所述最優(yōu)預測變量組包括有一級預測變量、二級預測變量和三級預測變量。