空调制冷量的控制方法、装置、空调器及存储介质

技术领域

本申请涉及空调技术领域，具体而言，涉及一种空调制冷量的控制方法、装置、空调器及存储介质。

背景技术

随着社会的不断进步与科学技术的不断发展，人类对于环境的关注越来越高，为了缓解能源压力，则需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。通过控制空调制冷量来节约系统能耗，成为了空调节能的一个方向。

相关技术中，空调系统的制冷量判断方法主要基于传感器测量，但是，传感器测量易受干扰存在精度不足，导致制冷量控制不精准的问题。

针对相关技术中存在的上述问题，目前尚未发现有效的解决方案。

发明内容

本申请提供了一种空调制冷量的控制方法、装置、空调器及存储介质，以解决相关技术制冷量控制不精准的技术问题。

根据本申请实施例的一个方面，提供了一种空调制冷量的控制方法，包括：获取影响空调制冷量的运行参数；对所述运行参数进行短时傅里叶变换，得到所述运行参数对应的第一时频数据；将所述第一时频数据输入预先训练的神经网络模型，获得所述神经网络模型输出的空调制冷量的预测值；根据所述预测值控制空调输出的空调制冷量。

根据本申请实施例的另一个方面，还提供了一种空调制冷量的控制装置，包括：获取模块，用于获取影响空调制冷量的运行参数；变换模块，用于对所述运行参数进行短时傅里叶变换，得到所述运行参数对应的第一时频数据；预测模块，用于将所述第一时频数据输入预先训练的神经网络模型，获得所述神经网络模型输出的空调制冷量的预测值；控制模块，用于根据所述预测值控制空调制冷量。

进一步地，所述变换模块包括第一变换单元，用于分别对所述温度数据、所述湿度数据和所述空调压力数据进行短时傅里叶变换，得到所述温度数据对应的第二时频数据、所述湿度数据对应的第三时频数据和所述空调压力数据对应的第四时频域数据；将所述第二时频数据、第三时频数据和所述第四时频数据进行拼接，得到第一时频数据，所述运行参数包括空调所处环境的温度数据和湿度数据，以及空调压力数据。

进一步地，所述预测模块包括预测单元，用于将所述第一时频数据输入特征提取模型中，获得所述特征提取模型输出的时频特征，其中，所述第一时频数据为以时间为横轴，频率为纵轴的时频数据图；将所述时频特征输入制冷量预测模型，获取所述制冷量预测模型输出的空调制冷量的预测值，其中，所述神经网络模型包括所述特征提取模型和所述制冷量预测模型。

进一步地，所述控制装置还包括训练模块，用于获取时频数据训练样本，采用所述时频数据训练样本训练卷积神经网络，得到特征提取模型；获取所述特征提取模型输出的时频特征训练样本，采用所述时频特征训练样本训练循环神经网络，得到制冷量预测模型，其中，所述神经网络模型包括所述特征提取模型和所述制冷量预测模型。

进一步地，所述变换模块包括第二变换单元，用于获取短时傅里叶变换的窗函数，所述窗函数对应的时间窗口的时间固定；按照所述时间窗口将所述运行参数截取为多个运行子参数；对所述运行子参数进行逐段分析，得到每个运行子参数的频域特征；将所有运行子参数的频域特征作为第一时频数据。

进一步地，所述控制模块包括控制单元，用于获取空调基于所述运行参数输出的实际制冷量；计算所述预测值与所述实际制冷量之间的差值；基于所述差值，调整所述空调输出的实际制冷量，以使调整后的实际制冷量与所述预测值相同。

进一步地，所述获取模块包括获取单元，用于采集所述空调的工作参数；将所述工作参数中的除影响空调制冷量之外的其他干扰参数删除，得到剩余参数；通过卡尔曼滤波对所述剩余参数进行数据清洗，得到所述运行参数。

根据本申请实施例的另一方面，还提供了一种存储介质，该存储介质包括存储的程序，程序运行时执行上述的步骤。

根据本申请实施例的另一方面，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；其中：存储器，用于存放计算机程序；处理器，用于通过运行存储器上所存放的程序来执行上述方法中的步骤。

本申请实施例还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述方法中的步骤。

通过本申请，获取影响空调制冷量的运行参数，对运行参数进行短时傅里叶变换，得到运行参数对应的第一时频数据，将第一时频数据输入预先训练的神经网络模型，获得神经网络模型输出的空调制冷量的预测值，根据预测值控制空调输出的空调制冷量，通过采集影响空调制冷量的运行参数，可以了解空调的基础运行数据，通过对基础运行数据进行短时傅里叶变换，得到时域和频域上的数据，从时域和频域多维角度基于神经网络提取特征，提高了空调制冷量的测量精度，进而提高制冷量的控制精度。

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。

一个或多个实施例通过与之对应的附图中的图片进行示例性说明，这些示例性说明并不构成对实施例的限定，附图中具有相同参考数字标号的元件表示为类似的元件，除非有特别申明，附图中的图不构成比例限制。

图1是本申请实施例的一种计算机的硬件结构框图；

图2是本申请实施例的一种空调制冷量的控制方法的流程图；

图3是本申请实施例的基于频域分析与深度神经网络的空调制冷量计算方法的流程图；

图4是本申请实施例的一种空调制冷量的控制装置的结构框图。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，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，所描述的实施例仅仅是本申请一部分的实施例，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前提下所获得的所有其他实施例，都应当属于本申请保护的范围。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

实施例1

本申请实施例一所提供的方法实施例可以在空调器、计算机或者类似的运算装置中执行。以运行在空调器上为例，图1是本申请实施例的一种空调器的硬件结构框图。如图1所示，空调器可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器104，可选地，上述空调器还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述空调器的结构造成限定。例如，空调器还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。

存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本申请实施例中的一种空调制冷量的控制方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至空调器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

传输设备106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括空调器的通信供应商提供的无线网络。在一个实例中，传输设备106包括一个网络适配器(Network Interface Controller，简称为NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输设备106可以为射频(Radio Frequency，简称为RF)模块，其用于通过无线方式与互联网进行通讯。

在本实施例中提供了一种空调制冷量的控制方法，图2是根据本申请实施例的一种空调制冷量的控制方法的流程图，如图2所示，该流程包括如下步骤：

步骤S10，获取影响空调制冷量的运行参数；

在本实施例中，通过传感器和数据采集设备采集影响空调制冷量的空调运行参数，采集的运行参数为原始时间序列信号，运行参数包括但不限于空调所处环境的温度数据和湿度数据，以及空调压力数据。

步骤S20，对所述运行参数进行短时傅里叶变换，得到所述运行参数对应的第一时频数据；

步骤S30，将所述第一时频数据输入预先训练的神经网络模型，获得所述神经网络模型输出的空调制冷量的预测值；

步骤S40，根据所述预测值控制空调输出的空调制冷量。

由于采集的运行参数为原始时间序列信号，即运行参数为时域数据，本实施例中将运行参数进行短时傅里叶变换，得到运行参数对应的第一时频数据，第一时频数据为运行参数对应的频率随时间变化的时频数据图，将第一时频数据输入预先训练好的神经网络模型，获得神经网络模型输出的空调制冷量的预测值，进而根据预测值控制空调实际输出的空调制冷量，制冷量为空调等制冷机进行制冷运行时，单位时间内从密闭空间、房间或区域内去除的热量总和。可选地，本实施例还可以基于类似的方案控制空调的制热量：获取影响空调制热量的运行参数；对影响空调制热量的运行参数进行短时傅里叶变换，得到对应的时频数据；将时频数据输入预先训练的神经网络模型，获得神经网络模型输出的空调制热量的预测值；根据预测值控制空调输出的空调制热量。

通过上述步骤，获取影响空调制冷量的运行参数，对运行参数进行短时傅里叶变换，得到运行参数对应的第一时频数据，将第一时频数据输入预先训练的神经网络模型，获得神经网络模型输出的空调制冷量的预测值，根据预测值控制空调输出的空调制冷量，通过采集影响空调制冷量的运行参数，可以了解空调的基础运行数据，通过对基础运行数据进行短时傅里叶变换，得到时域和频域上的第一时频数据，从时域和频域多维角度基于神经网络提取特征，提高了空调制冷量的测量精度，进而提高制冷量的控制精度。

在本实施例的一实施方式中，考虑空调在不同环境下需要的制冷量不同，即环境温度与湿度是影响制冷量的重要指标，另外，空调压力也是影响空调制冷量的关键运行参数，因此在本实施方式中，所述运行参数包括空调所处环境的温度数据和湿度数据，以及空调压力数据，对所述运行参数进行短时傅里叶变换，得到所述运行参数对应的第一时频数据包括：

S21，分别对所述温度数据、所述湿度数据和所述空调压力数据进行短时傅里叶变换，得到所述温度数据对应的第二时频数据、所述湿度数据对应的第三时频数据和所述空调压力数据对应的第四时频域数据；

S22，将所述第二时频数据、第三时频数据和所述第四时频数据进行拼接，得到第一时频数据。

本实施方式中，利用短时傅里叶变换，将每一个时域信号(包括温度数据、湿度数据和空调压力数据)分解为各自的时频数据，即得到温度数据对应的第二时频数据，湿度数据对应的第三时频数据和空调压力数据对应的第四时频域数据，将第二时频数据、第三时频数据和第四时频数据进行拼接，得到第一时频数据。

本实施方式通过计算温度、湿度和空调压力对应的时频数据，并将各运行参数对应的时频数据进行拼接，得到第一时频数据，根据影响空调制冷量的多个运行参数预测制冷量，进一步提高了制冷量的测量准确度。

在本实施例的另一实施方式中，将所述第一时频数据输入预先训练的神经网络模型，获得所述神经网络模型输出的空调制冷量的预测值包括：

S31，将所述第一时频数据输入特征提取模型中，获得所述特征提取模型输出的时频特征，其中，所述第一时频数据为以时间为横轴，频率为纵轴的时频数据图；

S32，将所述时频特征输入制冷量预测模型，获取所述制冷量预测模型输出的空调制冷量的预测值，其中，所述神经网络模型包括所述特征提取模型和所述制冷量预测模型。

本实施例中，第一时频数据为以时间为横轴，频率为纵轴的时频数据图，时频数据图中每个点对应每个运行参数在该频率上对应的幅度。神经网络模型包括特征提取模型和制冷量预测模型。将第一时频数据输入特征提取模型中对第一时频数据的频域特征进行特征提取，得到特征提取模型输出的时频特征，将时频特征输入制冷量预测模型，得到制冷量预测模型输出的空调制冷量的预测值。

本实施方式在将所述第一时频数据输入预先训练的神经网络模型之前，所述方法还包括：获取时频数据训练样本，采用所述时频数据训练样本训练卷积神经网络，得到特征提取模型；获取所述特征提取模型输出的时频特征训练样本，采用所述时频特征训练样本训练循环神经网络，得到制冷量预测模型，其中，所述神经网络模型包括所述特征提取模型和所述制冷量预测模型。

在本实施方式中，时频数据训练样本为用于进行模型训练的现有空调运行参数经过短时傅里叶变换，得到的时频数据，采用时频数据训练样本训练卷积神经网络，得到准确度达到预设值的特征提取模型，采用特征提取模型对时频数据训练样本进行特征提取，获取特征提取模型输出的时频特征训练样本，采用时频特征训练样本训练循环神经网络，得到预测准确度达到预设值的制冷量预测模型，本实施例中循环神经网络采用LSTM(LongShort Term Memory，长短期记忆)网路结构，利用时间序列对输入进行分析，提高模型的准确性和泛化能力。

在本实施例的另一实施方式中，对所述运行参数进行短时傅里叶变换，得到所述运行参数对应的第一时频数据包括：获取短时傅里叶变换的窗函数，所述窗函数对应的时间窗口的时间固定；按照所述时间窗口将所述运行参数截取为多个运行子参数；对所述运行子参数进行逐段分析，得到每个运行子参数的频域特征；将所有运行子参数的频域特征作为第一时频数据。

短时傅里叶变换可以将信号分解成若干个频域的分量，从而方便后续的处理和分析。本实施方式中获取短时傅里叶变换的窗函数，窗函数对应的时间窗口的固定时间可根据实际情况设置，例如30s，每滑动一次时间窗口30s截取一段运行子参数，将运行参数截取为多个运行子参数，对运行子参数进行逐段分析，得到每个运行子参数的频域特征，将所有运行子参数的频域特征作为第一时频数据。

在本实施例的另一实施方式中，根据所述预测值控制空调制冷量包括：

S41，获取空调基于所述运行参数输出的实际制冷量；

S42，计算所述预测值与所述实际制冷量之间的差值；

S43，基于所述差值，调整所述空调输出的实际制冷量，以使调整后的实际制冷量与所述预测值相同。

获取空调基于运行参数输出的实际制冷量，获取基于神经网络模型输出的空调制冷量的预测值，计算实际制冷量与预测值之间的误差，通过误差对空调的运行参数进行控制，以调整空调输出的实际制冷量，以使调整后的实际制冷量与预测值相同。本实施方式将预测值与实际制冷量进行比较之后，基于实际制冷量与预测值之间的误差进行反馈和调整，以提高制冷量检测的准确性和稳定性。根据预测值进行优化，预测在当前环境下需要多少制冷量，用预测制冷量控制空调输出制冷量。

在本实施例的另一实施方式中，获取影响空调制冷量的运行参数包括：

S11，采集所述空调的工作参数；

S12，将所述工作参数中的除影响空调制冷量之外的其他干扰参数删除，得到剩余参数；

S13，通过卡尔曼滤波对所述剩余参数进行数据清洗，得到所述运行参数。

本实施方式中，采集空调的工作参数，将工作参数中的除影响空调制冷量之外的其他干扰参数删除，得到剩余参数，通过卡尔曼滤波对剩余参数进行数据清洗，得到影响空调制冷量的运行参数。

由于传感器和数据采集设备的精度影响，数据经常出现较大的扰动，因此，本实施方式中采用卡尔曼滤波对采集的影响空调制冷量的运行参数进行预处理，即可将传感器返回的温度、湿度、压力等关键参数进行数据清洗，可以很好地去除噪声，进而减少后续操作的计算量。

图3是本发明实施例基于频域分析与深度神经网络的空调制冷量计算方法的流程图，包括：

步骤1、采集关键参数信号数据，关键参数信号数据包括空调所处环境的温度数据和湿度数据，以及空调压力数据；

步骤2、使用卡尔曼滤波算法对数据进行预处理，去除噪声干扰；

步骤3、对预处理之后的信号进行短时傅里叶变换STFT，并同时对数据进行拼接；

步骤4、搭建卷积神经网络；

步骤5、基于卷积神经网络训练特征提取模型，采用特征提取模型对拼接后的数据进行特征提取；

步骤6、构建基于循环神经网络的空调制冷量预测模型；

步骤7、训练神经网络，得到空调制冷量预测模型；

步骤8、应用神经网络，基于空调制冷量预测模型输出空调制冷量的预测值。

短时傅里叶变换可以将信号分解成若干个频域的分量，从而方便后续的处理和分析。而深度神经网络是一种强大的机器学习工具，可以在许多领域中实现高效的数据处理和分析。本实施例将短时傅里叶变换与深度神经网络相结合，实现空调系统制冷量的检测，从频域角度分析空调运行特征，从而对用户制冷量需求进行检测，在一定程度上提高了空调系统的效率和稳定性，为用户带来更好的舒适体验和节能效果。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本申请各个实施例所述的方法。

实施例2

在本实施例中还提供了一种空调制冷量的控制装置，用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。

图4是根据本申请实施例的一种空调制冷量的控制装置的结构框图，如图4所示，该装置包括：

获取模块40，用于获取影响空调制冷量的运行参数；

变换模块41，用于对所述运行参数进行短时傅里叶变换，得到所述运行参数对应的第一时频数据；

预测模块42，用于将所述第一时频数据输入预先训练的神经网络模型，获得所述神经网络模型输出的空调制冷量的预测值；

控制模块43，用于根据所述预测值控制空调制冷量。

需要说明的是，上述各个模块是可以通过软件或硬件来实现的，对于后者，可以通过以下方式实现，但不限于此：上述模块均位于同一处理器中；或者，上述各个模块以任意组合的形式分别位于不同的处理器中。

实施例3

本申请的实施例还提供了一种存储介质，该存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。

可选地，在本实施例中，上述存储介质可以被设置为存储用于执行以下步骤的计算机程序：

S1，获取影响空调制冷量的运行参数；

S2，对所述运行参数进行短时傅里叶变换，得到所述运行参数对应的第一时频数据；

S3，将所述第一时频数据输入预先训练的神经网络模型，获得所述神经网络模型输出的空调制冷量的预测值；

S4，根据所述预测值控制空调输出的空调制冷量。

可选地，在本实施例中，上述存储介质可以包括但不限于：U盘、只读存储器(Read-Only Memory，简称为ROM)、随机存取存储器(Random Access Memory，简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。

本申请的实施例还提供了一种电子设备，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。

可选地，上述电子设备还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。

可选地，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：

S1，获取影响空调制冷量的运行参数；

S2，对所述运行参数进行短时傅里叶变换，得到所述运行参数对应的第一时频数据；

S3，将所述第一时频数据输入预先训练的神经网络模型，获得所述神经网络模型输出的空调制冷量的预测值；

S4，根据所述预测值控制空调输出的空调制冷量。

可选地，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。

上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。

在本申请的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。