一种数字孪生模型的空调节能控制方法及系统与流程

本发明涉及空气调节领域，尤其涉及一种数字孪生模型的空调节能控制方法及系统。

背景技术：

1、随着全球气候变暖，能源问题日益严重，节能环保已经成为我们日常生活中不可或缺的一部分。空调作为家庭以及办公用电等固定场所用电的主要设备之一，如何在使用过程中节省电力，减少能源消耗，是人们需要关注的问题。例如，制冷空调在工作运行时，要达到人们所预设的制冷温度后，空调的室外机(即压缩机，风扇)会通过空调电脑主板得到的温控器感应信号，指令室外机停止运转，当然，当室内的温度超过人们所预设的温度后，空调的室外机也会通过空调电脑主板得到的温控器感应信号，指令室外压缩机制冷运转工作。

2、因此，在开始打开制冷空调时，人们习惯性的把温度预设在最低，其实是延长了空调压缩机的工作运行时间，空调压缩机工作的时间越长，那么消耗电量也就相应增多了。所以有经验的调控人员在开机时选择预设在一个较高的温度，例如28℃，当室内达到28℃，空调运行一个工作周期时，人们再根据自己的需要慢慢递减。由此可见，即使是需要达到同一个期望制冷温度，使用同一制冷空调在同一设定封闭空间下，初始设置不同的设置温度，达到所述期望制冷温度的制冷过程中同一制冷空调分别消耗的功率和持续的时长都是不相同的。

3、示例地，中国发明专利公开文本cn107990487a提出了一种空调器和空调器功耗的预测方法、装置，其中，空调器功耗的预测方法包括以下步骤：采用最小二乘支持向量机lssvm算法建立空调器功耗的预测模型；获取当前室外干湿球温度、当前室内干湿球温度和当前室内环境温度；根据空调器功耗的预测模型、当前室外干湿球温度、当前室内干湿球温度和当前室内环境温度对空调器的功耗进行预测以得到空调器的功耗值。该预测方法通过lssvm算法建立空调器功耗的预测模型，省去了复杂的中间变量，且无假设条件，建立得到的预测模型简单，具有很好的适用性和拓展性。

4、示例地，中国发明专利公开文本cn109959122a提出了一种基于长短期记忆循环神经网络的空调能耗预测方法，包括以下步骤：步骤1，采集数据，采集水冷中央空调项目正常运行的水冷中央空调数据、对应的环境数据；步骤2，对得到正常运行的水冷中央空调数据、对应的环境数据进行数据预处理；步骤3、对数据集进行训练，实现空调能耗预测，采用lstm-rnn长短期记忆循环神经网络，将预处理后的数据集和对应的功耗作为lstm-rnn长短期记忆循环神经网络的输入，进行网络训练后，得到最终的预测模型；步骤4、将测试数据输入预测模型，得到空调当前工况下的能耗值。本发明简化了模型训练过程，提升了预测准确率。

5、然而，上述现有技术仅仅局限于对空调设备的单个工作场景下的功耗预测，例如，单个设定温度下的功耗预测，无法尽可能穷尽所有设定温度分别对应的各个工作场景进行遍历式的功耗预测，更不用说基于预测结果进行优先设定温度的自动设置，同时，执行基于数字孪生模型的预测机制使用的基础数据不够全面和充足，导致预测的功耗数据不够稳定和可靠，另外，上述现有技术中仅仅局限于功耗的预测，无法预测空调设备的其他功能参数。因此，需要一种基于数字孪生模型的遍历所有设定温度分别对应的各个工作场景的多功能参数的预测机制，为空调设备的节能控制和功能控制提供更有效的基础数据。

技术实现思路

1、为了解决现有技术中的技术问题，本发明提供了一种数字孪生模型的空调节能控制方法及系统，通过使用遍历式的处理机制采用定制结构设计的数字孪生模型基于多项针对性筛选的全面充足的基础数据，对制冷空调在不同初始设置温度下控制同一设定封闭空间内部达到同一个期望制冷温度分别消耗的多份功率和持续的多份时长进行智能预测，并基于智能预测的多份功耗和多份时长选择最优初始设置温度对制冷空调进行自动设置，从而兼顾空调能耗节省需求和制冷效率需求，提升了空调的节能水准和自动化控制水准。

2、根据本发明的第一方面，提供了一种数字孪生模型的空调节能控制方法，所述方法包括：

3、获取目标制冷空调的各项设备数据，所述目标制冷空调的各项设备数据为所述目标制冷空调的能效比、适用面积、空调匹数、制冷功率、制热功率、循环风量以及变频标识；

4、获取设定封闭空间的多项内部环境参数以及设定封闭空间的多项外部环境参数，所述设定封闭空间为所述目标制冷空调执行温度调控的空间，所述设定封闭空间的多项内部环境参数为所述设定封闭空间内部的气温、湿度、空气压力以及空间体积，所述设定封闭空间的多项外部环境参数为所述设定封闭空间外部的气温、湿度、风向、风速以及太阳光光照角度；

5、对深度神经网络执行设定数量的多次训练以获得执行多次训练后的深度神经网络并作为所述目标制冷空调的数字孪生模型输出，所述设定数量的取值与所述目标制冷空调的压缩机的压缩比正向关联；

6、将所述目标制冷空调的温度调节范围进行均匀分割以获得多个参考设定温度，将每一参考设定温度输入到所述数字孪生模型以获得所述参考设定温度对应的预测消耗功耗和预测消耗时长，得到多个参考设定温度分别对应的多份预测消耗功耗和多份预测消耗时长，所述多个参考设定温度的数量超过设定数量阈值；

7、将多份预测消耗功耗中最小数值的预测消耗功耗对应的参考设定温度作为优先节能设定温度发送给所述目标制冷空调的主控制器。

8、根据本发明的第二方面，提供了一种数字孪生模型的空调节能控制系统，所述系统包括存储器以及一个或多个处理器，所述存储器存储有计算机程序，所述计算机程序被配置成由所述一个或多个处理器执行以完成以下步骤：

9、获取目标制冷空调的各项设备数据，所述目标制冷空调的各项设备数据为所述目标制冷空调的能效比、适用面积、空调匹数、制冷功率、制热功率、循环风量以及变频标识；

10、获取设定封闭空间的多项内部环境参数以及设定封闭空间的多项外部环境参数，所述设定封闭空间为所述目标制冷空调执行温度调控的空间，所述设定封闭空间的多项内部环境参数为所述设定封闭空间内部的气温、湿度、空气压力以及空间体积，所述设定封闭空间的多项外部环境参数为所述设定封闭空间外部的气温、湿度、风向、风速以及太阳光光照角度；

11、对深度神经网络执行设定数量的多次训练以获得执行多次训练后的深度神经网络并作为所述目标制冷空调的数字孪生模型输出，所述设定数量的取值与所述目标制冷空调的压缩机的压缩比正向关联；

12、将所述目标制冷空调的温度调节范围进行均匀分割以获得多个参考设定温度，将每一参考设定温度输入到所述数字孪生模型以获得所述参考设定温度对应的预测消耗功耗和预测消耗时长，得到多个参考设定温度分别对应的多份预测消耗功耗和多份预测消耗时长，所述多个参考设定温度的数量超过设定数量阈值；

13、将多份预测消耗功耗中最小数值的预测消耗功耗对应的参考设定温度作为优先节能设定温度发送给所述目标制冷空调的主控制器。

14、根据本发明的第三方面，提供了一种数字孪生模型的空调节能控制系统，所述系统包括：

15、第一采集器件，用于获取目标制冷空调的各项设备数据，所述目标制冷空调的各项设备数据为所述目标制冷空调的能效比、适用面积、空调匹数、制冷功率、制热功率、循环风量以及变频标识；

16、第二采集器件，用于获取设定封闭空间的多项内部环境参数以及设定封闭空间的多项外部环境参数，所述设定封闭空间为所述目标制冷空调执行温度调控的空间，所述设定封闭空间的多项内部环境参数为所述设定封闭空间内部的气温、湿度、空气压力以及空间体积，所述设定封闭空间的多项外部环境参数为所述设定封闭空间外部的气温、湿度、风向、风速以及太阳光光照角度；

17、多层构建器件，用于对深度神经网络执行设定数量的多次训练以获得执行多次训练后的深度神经网络并作为所述目标制冷空调的数字孪生模型输出，所述设定数量的取值与所述目标制冷空调的压缩机的压缩比正向关联；

18、遍历分析器件，分别与所述第一采集器件、所述第二采集器件以及所述多层构建器件连接，用于将所述目标制冷空调的温度调节范围进行均匀分割以获得多个参考设定温度，将每一参考设定温度输入到所述数字孪生模型以获得所述参考设定温度对应的预测消耗功耗和预测消耗时长，得到多个参考设定温度分别对应的多份预测消耗功耗和多份预测消耗时长，所述多个参考设定温度的数量超过设定数量阈值；

19、节能控制器件，分别与所述遍历分析器件以及所述目标制冷空调的主控制器连接，用于将多份预测消耗功耗中最小数值的预测消耗功耗对应的参考设定温度作为优先节能设定温度发送给所述目标制冷空调的主控制器。

20、相比较于现有技术，本发明至少具备以下五处关键的发明点：

21、发明点a：针对目标制冷空调制冷的设定封闭空间，遍历各个设定制冷温度以分别预测各个设定制冷温度下所述目标制冷空调达到用户期望制冷温度时所述目标制冷空调的预测消耗功耗和预测消耗时长，从而为自动设置最佳节能效果的设定制冷温度的筛选提供预测数据基础；

22、发明点b：将数值最小的预测消耗功耗对应的设定制冷温度作为优先节能设定温度发送给目标制冷空调的主控制器以进行最佳节能效果的设定制冷温度的自动设置，尤为关键的是，在出现两份数值相等的最小的预测消耗功耗时，将两份数值相等的最小的预测消耗功耗分别对应的两份设定制冷温度中，对应的预测消耗时长最短的设定制冷温度作为优先节能设定温度，从而兼顾空调能耗节省和空调制冷效率；

23、发明点c：引入数字孪生模型用于基于空调实体的采集数据和环境数据实现对空调实体的运行过程的模拟、分析和优化，完成每一设定制冷温度下目标制冷空调达到用户期望制冷温度时目标制冷空调的预测消耗功耗和预测消耗时长的智能预测，具体地，所述数字孪生模型为执行多次训练后的深度神经网络，且训练次数与所述目标制冷空调的压缩机的压缩比正向关联，从而为不同制冷空调设计不同结构的数字孪生模型；

24、发明点d：使用目标制冷空调的工作电压和工作频率、目标制冷空调的各项设备数据、设定封闭空间的多项内部环境参数以及设定封闭空间的多项外部环境作为数字孪生模型执行智能预测的逐项基础信息，上述基础信息的全面性、针对性的筛选，保证了数字孪生模型智能预测结果的稳定性和有效性，具体地，所述目标制冷空调的各项设备数据为所述目标制冷空调的能效比、适用面积、空调匹数、制冷功率、制热功率、循环风量以及变频标识，所述设定封闭空间的多项内部环境参数为所述设定封闭空间内部的气温、湿度、空气压力以及空间体积，所述设定封闭空间的多项外部环境参数为所述设定封闭空间外部的气温、湿度、风向、风速以及太阳光光照角度，以及所述设定封闭空间为目标制冷空调执行温度调控的空间；

25、发明点e：在对深度神经网络执行的每一次训练中，将已知的某一过往设定温度对应的预测消耗功耗和预测消耗时长作为所述深度神经网络的两项输出内容，将用户期望制冷温度、所述某一过往设定温度、目标制冷空调的工作电压和工作频率、目标制冷空调的各项设备数据、所述某一过往设定温度对应的设定封闭空间的多项内部环境参数以及所述某一过往设定温度对应的设定封闭空间的多项外部环境参数作为所述深度神经网络的逐项输入内容，完成本次训练，从而保证深度神经网络每一次训练的训练效果，进一步保证了数字孪生模型智能预测结果的稳定性和有效性。