一种云端服务器及空调系统的控制方法技术方案

本发明专利技术公开一种云端服务器及空调系统的控制方法，涉及空调技术领域，为解决目前通过

【技术实现步骤摘要】
一种云端服务器及空调系统的控制方法


[0001]本专利技术涉及空调
，尤其涉及一种云端服务器及空调系统的控制方法
。

技术介绍

[0002]在空调
，目前主要是通过除传统的的循环神经网络
(recurrent neural network
，
RNN)
模型，进行用户设定模式的预测
。
但是通过在
RNN
模型的输入矩阵中输入室内环境参数
(
例如室内温度
、
室内湿度和室内风量
)
，由于
RNN
模型本身固有的局限性，导致预测用户的设定模式的准确度较低，从而无法满足用户对舒适性的要求
。

技术实现思路

[0003]本专利技术的实施例提供一种云端服务器及空调系统的控制方法，解决了目前通过
RNN
模型预测用户设定模式的准确度较低的问题
。
[0004]为达到上述目的，本专利技术的实施例采用如下技术方案
。
[0005]第一方面，本申请提供一种云端服务器，该云端服务器与多联机中央空调系统中的集控器通信，多联机中央空调包括多个室内机，云端服务器包括：参数获取单元，被配置为获取多联机中央空调的环境参数
、
运行参数
、
输入上下文和转移上下文，输入上下文包括本次预测用户设定模式时的时间信息和天气参数，转移上下文包括本次预测用户设定模式距离上一次预测用户设定模式的时间差/>。
模式确定单元，被配置为根据环境参数
、
运行参数
、
输入上下文
、
转移上下文以及第一神经网络模型确定本次预测的用户设定模式
。
[0006]由此，本申请通过获取到的多联机中央空调的环境参数
、
运行参数
、
输入上下文和转移上下文以及第一神经网络模型确定本次预测的用户设定模式
。
其中，输入上下文包括本次预测用户设定模式时的时间信息和天气参数，转移上下文包括本次预测用户设定模式距离上一次预测用户设定模式的时间差
。
相比于现有技术，通过在
RNN
模型的输入矩阵中输入室内环境参数进行用户设定模式的预测，本申请在现有技术的基础上增加了输入上下文和转移上下文进行用户设定模式的预测，使得预测的结果更加准确
。
[0007]在一些实施例中，模式确定单元，还被配置为当本次预测用户设定模式距离上一次预测用户设定模式的时间差小于或等于预设阈值时，根据上一次预测用户设定模式
、
本次预测用户设定模式时获取的环境参数
、
运行参数
、
输入上下文
、
转移上下文以及第一神经网络模型确定本次预测的用户设定模式
。
当本次预测用户设定模式距离上一次预测用户设定模式的时间差大于所述预设阈值时，根据本次预测用户设定模式时获取的环境参数
、
运行参数
、
输入上下文
、
转移上下文以及第一神经网络模型确定本次预测的用户设定模式
。
[0008]在一些实施例中，环境参数包括本次预测用户设定模式时室内机所处房间的温度和湿度中的至少一个
。
运行参数包括本次预测用户设定模式时室内机的风量
。
本次预测用户设定模式时的时间信息包括本次预测用户设定模式时的时间在一周中的星期，和在本月中的旬中的至少一个
。
天气参数包括本次预测用户设定模式时的天气类型
。
用户设定模式包括制热模式
、
制冷模式和除湿模式
。
[0009]在一些实施例中，第一神经网络模型包括多组对应关系，每组对应关系包括一组历史的环境参数
、
历史的运行参数
、
历史的输入上下文
、
历史的转移上下文和一种历史的用户设定模式的对应关系
。
模式确定单元，还被配置根据本地预测用户设定模式时获取到的环境参数
、
运行参数
、
输入上下文
、
转移上下文以及多组对应关系，确定本次预测的用户设定模式
。
[0010]在一些实施例中，参数获取单元，还被配置为获取多组训练数据，每组训练数据包括不同设定温度下的多个变量的采样数据
。
多个变量包括历史环境参数
、
历史运行参数
、
历史输入上下文和历史转移上下文以及历史用户设定模式
。
云端服务器，还包括模型训练单元，被配置为将多组训练数据作为循环神经网络
RNN
模型的训练数据进行训练，得到第一神经网络模型
。
[0011]第二方面，本申请提供一种空调系统的控制方法，应用于云端服务器，云端服务器与多联机中央空调系统中的集控器通信，多联机中央空调包括多个室内机，该方法包括：获取多联机中央空调的环境参数
、
运行参数
、
输入上下文和转移上下文，输入上下文包括本次预测用户设定模式时的时间信息和天气参数，转移上下文包括本次预测用户设定模式距离上一次预测用户设定模式的时间差
。
根据环境参数
、
运行参数
、
输入上下文
、
转移上下文以及第一神经网络模型确定本次预测的用户设定模式
。
[0012]关于第二方面的有益效果，可以参考第一方面，这里不再赘述
。
[0013]在一些实施例中，根据环境参数
、
运行参数
、
输入上下文
、
转移上下文以及第一神经网络模型确定本次预测的用户设定模式包括：当本次预测用户设定模式距离上一次预测用户设定模式的时间差小于或等于预设阈值时，根据上一次预测用户设定模式
、
本次预测用户设定模式时获取的环境参数
、
运行参数
、
输入上下文
、
转移上下文以及第一神经网络模型确定本次预测的用户设定模式
。
当本次预测用户设定模式距离上一次预测用户设定模式的时间差大于所述预设阈值时，根据本次预测用户设定模式时获取的环境参数
、
运行参数
、
输入上下文
、
转移上下文以及第一神经网络模型确定本次预测的用户设定模式
。
[0014]在一些实施例中，环境参数包括本次预测用户设定模式时室内机所处房间的温度和湿度中的至少一个
。
运行参数包括本次预测用户设定模式时室内机的风量
。
本次预测用户设定模式时的时间信息包括本次预测用户设定模式时的时间在一周中的星期，和在本月中的旬中的至少一个
。<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种云端服务器，其特征在于，所述云端服务器与多联机中央空调系统中的集控器通信，所述多联机中央空调包括多个室内机，所述云端服务器包括：参数获取单元，被配置为获取所述多联机中央空调的环境参数
、
运行参数
、
输入上下文和转移上下文，所述输入上下文包括本次预测用户设定模式时的时间信息和天气参数，所述转移上下文包括本次预测用户设定模式距离上一次预测用户设定模式的时间差；模式确定单元，被配置为根据所述环境参数
、
所述运行参数
、
所述输入上下文
、
所述转移上下文以及第一神经网络模型确定本次预测的用户设定模式
。2.
根据权利要求1所述的云端服务器，其特征在于，所述模式确定单元，还被配置为当本次预测用户设定模式距离上一次预测用户设定模式的时间差小于或等于预设阈值时，根据所述上一次预测用户设定模式
、
本次预测用户设定模式时获取的所述环境参数
、
所述运行参数
、
所述输入上下文
、
所述转移上下文以及第一神经网络模型确定所述本次预测的用户设定模式；当本次预测用户设定模式距离上一次预测用户设定模式的时间差大于所述预设阈值时，根据本次预测用户设定模式时获取的所述环境参数
、
所述运行参数
、
所述输入上下文
、
所述转移上下文以及第一神经网络模型确定本次预测的用户设定模式
。3.
根据权利要求1或2所述的云端服务器，其特征在于，所述环境参数包括本次预测用户设定模式时所述室内机所处房间的温度和湿度中的至少一个；所述运行参数包括本次预测用户设定模式时所述室内机的风量；所述本次预测用户设定模式时的时间信息包括本次预测用户设定模式时的时间在一周中的星期，和在本月中的旬中的至少一个；所述天气参数包括本次预测用户设定模式时的天气类型；所述用户设定模式包括制热模式
、
制冷模式和除湿模式
。4.
根据权利要求1所述的云端服务器，其特征在于，所述第一神经网络模型包括多组对应关系，每组对应关系包括一组历史的环境参数
、
历史的运行参数
、
历史的输入上下文
、
历史的转移上下文和一种历史的用户设定模式的对应关系；所述模式确定单元，还被配置根据本地预测用户设定模式时获取到的所述环境参数
、
所述运行参数
、
所述输入上下文
、
所述转移上下文以及所述多组对应关系，确定本次预测的用户设定模式
。5.
根据权利要求1所述的云端服务器，其特征在于，所述参数获取单元，还被配置为获取多组训练数据，每组训练数据包括不同设定温度下的多个变量的采样数据以及历史用户设定模式；所述多个变量包括历史环境参数
、
历史运行参数
、
历史输入上下文和历史转移上下文；所述云端服务器，还包括模型训练单元，被配置为将所述多组训练数据作为循环神经网络
RNN
模型的训练数据进行训练，得到所述第一神经网络模型
。6.
一种空调系统的控制方法，其特征在于，应用于云端服务器，所述云端服务器与多联机中央空调系统中的集控器通信，所述多联机中央空调包括多个室内机，所述方法包括：获取所述多联机中央空调的环境参数
、
运行参数...

【专利技术属性】
技术研发人员：阮岱玮，孙铁军，任兆亭，刘清明，李东瑶，薛巧云，
申请(专利权)人：青岛海信日立空调系统有限公司，
类型：发明
国别省市：