[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

本發明提供一種基于深度學習的智能調控變頻策略的方法及設備。其中，基于深度學習的智能調控變頻策略的方法，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，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；運行策略包括：空調的功率和運行時間。

技術領域

本發明涉及空調相關技術領域，具體涉及一種基于深度學習的智能調控變頻策略的方法及設備。

背景技術

隨著商用空調的廣泛應用于各大公司，各大重要會場以及多種多樣的商場、飯堂等多樣化的地點，為適應不同地點的需求，如何調控空調的變頻策略，節省電量的同時又能有效的保證制冷、制熱效果成為了空調行業必須考慮的一個方向。

目前的空調的變頻策略大多依靠開機時預先設置好的溫度為標準，以空調的溫度傳感器為信號源，通過對環境溫度的檢測誘導空調作出變頻的反應。這種簡單依靠溫度數據的變頻策略顯然不夠精準和有效，無法滿足用戶的精確需求。

發明內容

有鑒于此，提供一種基于深度學習的智能調控變頻策略的方法及設備，以解決相關技術中簡單依靠溫度數據的變頻策略不夠精準和有效，無法滿足用戶的需求的問題。

本發明采用如下技術方案：

第一方面，本發明實施例提供了一種基于深度學習的智能調控變頻策略的方法。所述基于深度學習的智能調控變頻策略的方法，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。

可選的，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。

可選的，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。

可選的，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。

可選的，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。

可選的，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。