空调机组控制方法、装置、存储介质及电子设备.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN114216246A(43)申请公布日2022.03.22(21)申请号202111546338.3G06N20/20(2019.01)(22)申请日2021.12.16F24F140/20(2018.01)(71)申请人东软云科技有限公司地址116085辽宁省大连市甘井子区黄浦路901-6号F6座3层(72)发明人车珠明王伟许晓非陈锡民(74)专利代理机构北京英创嘉友知识产权代理事务所(普通合伙)11447代理人张桂杰(51)Int.Cl.F24F11/64(2018.01)F24F11/83(2018.01)F24F11/88(2018.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书2页说明书12页附图4页(54)发明名称空调机组控制方法、装置、存储介质及电子设备(57)摘要本公开涉及一种空调机组控制方法、装置，存储介质及电子设备，以提高空调机组的节能效果。该方法包括：获取对应在目标数据类型下的待处理数据；对所述待处理数据进行预测，得到目标出水温度；基于所述目标出水温度，生成控制指令，所述控制指令用于控制将所述空调机组的出水温度调控为所述目标出水温度。CN114216246ACN114216246A权利要求书1/2页1.一种空调机组控制方法，其特征在于，所述方法包括：获取对应在目标数据类型下的待处理数据；对所述待处理数据进行预测，得到目标出水温度；基于所述目标出水温度，生成控制指令，所述控制指令用于控制将所述空调机组的出水温度调控为所述目标出水温度。2.根据权利要求1所述的方法，其特征在于，所述对所述待处理数据进行预测，得到所述空调机组对应的目标出水温度，包括：通过预先训练的混合神经网络模型对所述待处理数据进行预测，得到所述预先训练的神经网络模型输出的所述目标出水温度。3.根据权利要求2所述的方法，其特征在于，所述预先训练的混合神经网络模型包括相互连接的极端梯度提升模型以及人工神经网络模型，通过预先训练的混合神经网络模型对所述待处理数据进行预测，得到所述预先训练的神经网络模型输出的所述目标出水温度，包括：通过所述极端梯度提升模型对所述待处理数据进行处理，得到所述极端梯度提升模型输出的中间结果；通过所述人工神经网络模型对所述中间结果进行处理，得到所述人工神经网络模型输出的所述目标出水温度。4.根据权利要求2所述的方法，其特征在于，所述预先训练的混合神经网络模型的训练方法包括：获取样本数据集合，所述样本数据集合中的每一个样本数据包括同一时刻对应在所述目标数据类型下的数据以及该时刻对应的出水温度；利用所述样本数据集合对初始混合神经网络模型进行训练，得到所述预先训练的混合神经网络模型，其中，所述初始混合神经网络模型的损失函数是基于所述初始混合神经网络模型输出的出水温度以及所述样本数据包括的出水温度构造的。5.根据权利要求1‑4任一项所述的方法，其特征在于，所述方法还包括：获取原始样本数据集合；从所述原始样本数据集合中确定样本子集，各个样本子集包括不同数据类型对应的数据；分别利用各个所述样本子集对基于深度学习的时间序列预测模型进行训练，得到各个所述样本子集对应的训练完成的预测模型，所述基于深度学习的时间序列预测模型的损失函数是基于所述基于深度学习的时间序列预测模型输出的出水温度以及所述样本子集包括的出水温度构造的；基于所述各个训练完成的预测模型对应的模型评估指标的大小，确定目标模型；将训练所述目标模型的样本子集中的数据类型，确定为所述目标数据类型。6.根据权利要求1‑4任一项所述的方法，其特征在于，所述方法还包括：获取原始样本数据集合，所述原始样本数据集合中的数据包括基础数据类型对应的数据，第一参考数据类型对应的数据以及第二参考数据类型对应的数据；将所述基础数据类型对应的数据以及多个具有关联关系的第一参考数据类型对应的数据，确定为一个样本子集，以及将所述基础数据类型对应的数据以及一个第二参考数据2CN114216246A权利要求书2/2页类型对应的数据，确定为一个样本子集；分别利用各个所述样本子集对基于深度学习的时间序列预测模型进行训练，得到各个所述样本子集对应的训练完成的预测模型，以及利用由所述基础数据类型对应的数据构成的样本子集对基于深度学习的时间序列预测模型进行训练，得到基础预测模型，所述基于深度学习的时间序列预测模型的损失函数是基于所述基于深度学习的时间序列预测模型输出的出水温度以及所述样本子集包括的出水温度构造的；基于所述各个训练完成的预测模型以及所述基础预测模型各自对应的模型评估指标的大小关系，确定所述目标数据类型。7.根据权利要求1‑4任一项所述的方法，其特征在于，所述目标数据类型包括环境温度、环境湿度、