[發明專利]基于深度學習的智能調控變頻策略的方法及設備

在審

• 申請號: 202011422325.0
• 申請日: 2020-12-08
• 公開（公告）號: CN112665143A
• 公開（公告）日: 2021-04-16
• 發明（設計）人: 勞偉賢;宋海川;劉靜楠;董小林;徐甘來;雷敏
• 申請（專利權）人: 珠海格力電器股份有限公司
• 主分類號: F24F11/63
• 分類號: F24F11/63;F24F11/64
• 代理公司: 北京細軟智谷知識產權代理有限責任公司 11471
• 代理人: 王睿

1.一種基于深度學習的智能調控變頻策略的方法，其特征在于，包括：

獲取空調的工作環境，分析其中存在的變頻策略的影響因子；

獲取空調工作時環境數據和運行數據；其中，所述環境數據中包括各個影響因子對應的數據；

利用深度學習庫編程構造對應的深度學習模型，基于所述環境數據和運行數據，訓練深度學習模型，確定每個影響因子對空調制冷制熱效果的影響系數，構造出各個影響因子對應的相關性函數；

獲取用戶對制冷/制熱效果的需求；

根據構造出的深度學習模型得出的相關性函數和用戶對制冷/制熱效果的需求，制定相應的環境下空調的運行策略；所述運行策略包括：空調的功率和運行時間。

2.根據權利要求1所述的基于深度學習的智能調控變頻策略的方法，其特征在于，所述影響因子包括：空間的形狀、空間內的人數、空調的數量和位置、空間內熱源的個數、開口的個數和位置、空調的溫度設定和對應的功率、空調運行的時間。

3.根據權利要求1所述的基于深度學習的智能調控變頻策略的方法，其特征在于，所述獲取空調工作時環境數據和運行數據，包括：

獲取實際環境中的空調工作時環境數據和運行數據；和/或，通過搭建的實驗室模擬的環境進行測試以獲取空調工作時的環境數據和運行數據。

4.根據權利要求3所述的基于深度學習的智能調控變頻策略的方法，其特征在于，所述通過搭建的實驗室模擬的環境進行測試以獲取空調工作時的環境數據和運行數據包括：

搭建實驗室；所述實驗室設置有距離空調位置等間隔設置的溫度傳感器；

利用控制變量法，每次變動一個或幾個影響因子，進行多次的測試獲取大量數據。

5.根據權利要求3所述的基于深度學習的智能調控變頻策略的方法，其特征在于，所述用戶對于制冷/制熱效果的需求包括：空調的工作環境和用戶預設溫度。

6.根據權利要求1所述基于深度學習的智能調控變頻策略的方法，其特征在于，還包括：

根據構造出的深度學習模型得出的相關性函數和假設的用戶對制冷/制熱效果的需求生成空調的運行策略，并進行空調邏輯控制實驗；

采集實驗數據；

基于所述實驗數據改進所述深度學習模型。

7.一種基于深度學習的智能調控變頻策略的裝置，其特征在于，包括：

獲取模塊，用于獲取空調的工作環境，分析其中存在的變頻策略的影響因子；

所述獲取模塊，還用于獲取空調工作時環境數據和運行數據；其中，所述環境數據中包括各個影響因子對應的數據；

構造模塊，用于利用深度學習庫編程構造對應的深度學習模型，基于所述環境數據和運行數據，訓練深度學習模型，確定每個影響因子對空調制冷制熱效果的影響系數，構造出各個影響因子對應的相關性函數；

所述獲取模塊，還用于獲取用戶對制冷/制熱效果的需求；

制定模塊，根據構造出的深度學習模型得出的相關性函數和用戶對制冷/制熱效果的需求，制定相應的環境下，空調的運行策略；所述運行策略包括：空調的功率和運行時間。

8.一種計算機程序產品，其特征在于，包括軟件代碼部分，當所述產品在所述計算機上被運行時，所述軟件代碼部分用于執行權利要求1-6中任一項所述的基于深度學習的智能調控變頻策略的方法的步驟。

9.一種計算機可讀存儲介質，其特征在于，所述存儲介質存儲有計算機程序，所述計算機程序被處理器執行時，實現如權利要求1-6任一項所述的基于深度學習的智能調控變頻策略的方法中各個步驟。

10.一種空調，其特征在于，包括有處理器和與所述處理器相連接的存儲器；

所述存儲器用于存儲計算機程序，所述計算機程序至少用于執行預設的運行策略；

所述預設的運行策略為通過權利要求1-6任一項所述的基于深度學習的智能調控變頻策略的方法得到的；

所述處理器用于調用并執行所述存儲器中的所述計算機程序使得所述空調依照所述預設的運行策略運行。