一种基于负荷预测的空调机组优化控制方法及装置与流程

1.本技术涉及人工智能技术领域，尤其涉及一种基于负荷预测的空调机组优化控制方法及装置。


背景技术：

2.随着技术的不断发展进步，人工智能已经在各种领域得到广泛应用。例如，在温控领域，可以通过神经网络模型，例如卷积神经网络(convolutional neural networks，cnn)，快速卷积神经网络(fast convolutional neural networks，f-cnn)等，对空调机组的运行数据进行处理，以预测空调机组的负荷变化趋势，并根据预测结果对空调机组的运行进行预先调控。
3.但是，由于空调机组的运行数据的类型比较多样，使得目前的神经网络模型在进行负荷变化预测时不够稳定，鲁棒性不够好。


技术实现要素：

4.本技术实施例提供一种基于负荷预测的空调机组优化控制方法及装置，用以提高预测空调机组的负荷变化的稳定性和鲁棒性。
5.为达到上述目的，本技术采用如下技术方案：
6.第一方面，本技术实施例提供了一种基于负荷预测的空调机组优化控制方法，所述方法包括：获得空调机组的运行数据，所述运行数据包括多类数据；通过第一神经网络模块处理所述运行数据，获得所述运行数据对应的多种成分，其中，所述第一神经网络模块包括特征提取模块和特征重构模块，所述特征提取模块用于将所述多类数据转换为多类特征，所述特征重构模块用于对多类特征进行分离，获得所述运行数据对应的多种成分特征；从所述多种成分特征中确定出一种关键成分特征；通过第二神经网络模块处理所述关键成分特征，预测所述空调机组在下一个时间段内的运行负荷。
7.基于第一方面所述的方法可知，由于第一神经网络模块的特征提取模块和特征重构模块，可以将空调机组的多类运行数据转换为多种成分特征，并从多种成分特征中提取出关键成分特征，即对空调机组的负荷变化起到最关键作用，或者影响最大的成分特征。这样，第二神经网络模块利用关键成分特征，可以更准确地预测空调机组在下一个时间段内的运行负荷，以提高预测空调机组的负荷变化的稳定性和鲁棒性。
8.一种可能的设计方案中，所述特征重构模块包括多个自编码器，所述多个自编码器的数量与所述空调机组的规模负相关，所述多个自编码器的网络结构不同，每个所述自编码器用于对所述多类特征进行特征分离，得到所述运行数据的一种成分特征，所述多个自编码器共输出所述多种成分特征。可以理解，在空调机组的规模比较大的情况下，其负荷波动通常比较小，对负荷变化产生影响的关键成分特征的随机性也比较弱，因此可以采用数量较少的自编码器，以减小网络规模，提高运行效率。反之，在空调机组的规模比较小的情况下，其负荷波动通常比较大，对负荷变化产生影响的关键成分特征的随机性也比较强，
因此可以采用数量较多的自编码器，以增大网络规模，提高关键成分特征计算的准确性。
9.一种可能的设计方案中，每个所述自编码器用于对所述多类特征进行特征分离，得到所述运行数据的一种成分特征是指：每个所述自编码器用于所述多类特征进行特征分离，得到一种低维特征，并对所述低维特征进行升维处理，得到所述运行数据的一种成分特征。其中，每个所述自编码器用于所述多类特征进行特征分离，得到一种低维特征是指：每个所述自编码器可以用一些基向量对所述多类特征进行分解，从而得到多种基向量，这样每个所述自编码器可以计算出每种基向量的含量，含量高的是主成份，即上述低维特征，如此，每个所述自编码器都可以准确地计算出运行数据对应的一种成分特征。
10.一种可能的设计方案中，从所述多种成分特征中确定出一种关键成分特征，包括：从所述多种成分特征中确定出m种成分特征集合，所述m种成分特征集合中的每种所述成分特征集合中包含同一种成分特征，m为正整数；从所述m种成分特征集合中确定一种关键成分特征集合，所述关键成分特征集合是所述m种成分特征集合中包含成分特征最多的成分特征集合，所述关键成分特征集合中包含的成分特征为所述关键成分特征。也就是说，所谓关键成分特征是各种成分特征中出现次数最多的特征。这也恰恰反映出该关键成分特征能够对负荷变化产生最大或者说最关键的影响。因此，后续使用上述方式确定出的关键成分特征，可实现更准确地进行负荷预测。
11.一种可能的设计方案中，对于所述m种成分特征集合中的第i种成分特征集合和第j种成分特征集合，i和j不同，i和j均为取1至m的整数，所述第i种成分特征集合中包括的任意两种成分特征之间的欧式距离小于或等于距离阈值，所述第j种成分特征集合中包括的任意两种成分特征之间的欧式距离小于或等于所述距离阈值，所述第i种成分特征集合中包括任意一种成分特征与所述第j种成分特征集合中包括任意一种成分特征之间的欧式距离大于所述距离阈值。可以理解，通过计算特征的欧式距离，并将距离小的相似特征认为是同一种特征，以准确地确定出各种成分特征集合。
12.一种可能的设计方案中，所述空调机组包括n个空调，n为大于1的整数，所述n个空调中的每个所述空调对应一个所述第一子神经元和一个所述第二子神经元，共n个所述第一子神经元和n个所述第二子神经元，所述第一神经元根据n个所述第一子神经元加权确定，所述第二神经元根据n个所述第二子神经元加权确定，所述第二神经网络模块根据第一神经元和第二神经元组合确定。其中，每个所述空调对应一个所述第一子神经元和一个所述第二子神经元的权重，取决于该空调在空调机组中的重要性。该重要性可以指功能上的重要性，即该空调在空调机组的制冷或制热中起到越关键的作用，那么该空调的重要性越高。这样一来，通过加权计算第一神经元和第二神经元，使得第一神经元和第二神经元与空调机组在功能上耦合，以便使用第二神经网络模块能够更准确地进行负荷预测，以进一步地提高负荷预测的稳定性和鲁棒性。
13.一种可能的设计方案中，所述第二神经网络模块根据第一神经元和第二神经元组合确定是指：将所述第一神经元和所述第二神经元组合为一个水平对置网络结构，所述第一神经元位于所述水平对置网络结构的对角线上，所述第二神经元位于所述水平对置网络结构中除对角线以外的位置；或者，所述第二神经元位于所述水平对置网络结构的对角线上，所述第一神经元位于所述水平对置网络结构中除对角线以外的位置。这样，无论关键特征成分中的各特征以何种顺序输入模型，其负荷预测结果都不会产生变化，从而极大地提
高了模型的实用性。
14.一种可能的设计方案中，所述第二神经网络模块包括w个隐藏层，第s个隐藏层中的所述水平对置网络结构s包括所述第一神经元s和所述第二神经元s，第t个特征层中的所述水平对置网络结构t包括所述第一神经元t和所述第二神经元t，所述第一神经元s与第一神经元t不同，所述第二神经元s与第二神经元t不同，所述w为大于1的整数，s和t为取1至m的整数，且s和t不同。如此，可以在一定程度上提高模型的差异化程度，从而有效提高模型的鲁棒性。
15.第二方面，本技术实施例提供了一种基于负荷预测的空调机组优化控制装置，所述装置包括：收发模块，用于获得空调机组的运行数据，所述运行数据包括多类数据；处理模块，用于通过第一神经网络模块处理所述运行数据，获得所述运行数据对应的多种成分，其中，所述第一神经网络模块包括特征提取模块和特征重构模块，所述特征提取模块用于将所述多类数据转换为多类特征，所述特征重构模块用于对多类特征进行分离，获得所述运行数据对应的多种成分特征；从所述多种成分特征中确定出一种关键成分特征；通过第二神经网络模块处理所述关键成分特征，预测所述空调机组在下一个时间段内的运行负荷。
16.一种可能的设计方案中，所述特征重构模块包括多个自编码器，所述多个自编码器的数量与所述空调机组的规模负相关，所述多个自编码器的网络结构不同，每个所述自编码器用于对所述多类特征进行特征分离，得到所述运行数据的一种成分特征，所述多个自编码器共输出所述多种成分特征。
17.一种可能的设计方案中，每个所述自编码器用于对所述多类特征进行特征分离，得到所述运行数据的一种成分特征是指：每个所述自编码器用于所述多类特征进行特征分离，得到一种低维特征，并对所述低维特征进行升维处理，得到所述运行数据的一种成分特征。
18.一种可能的设计方案中，所述处理模块，还用于从所述多种成分特征中确定出m种成分特征集合，所述m种成分特征集合中的每种所述成分特征集合中包含同一种成分特征，m为正整数；从所述m种成分特征集合中确定一种关键成分特征集合，所述关键成分特征集合是所述m种成分特征集合中包含成分特征最多的成分特征集合，所述关键成分特征集合中包含的成分特征为所述关键成分特征。
19.一种可能的设计方案中，对于所述m种成分特征集合中的第i种成分特征集合和第j种成分特征集合，i和j不同，i和j均为取1至m的整数，所述第i种成分特征集合中包括的任意两种成分特征之间的欧式距离小于或等于距离阈值，所述第j种成分特征集合中包括的任意两种成分特征之间的欧式距离小于或等于所述距离阈值，所述第i种成分特征集合中包括任意一种成分特征与所述第j种成分特征集合中包括任意一种成分特征之间的欧式距离大于所述距离阈值。
20.一种可能的设计方案中，所述空调机组包括n个空调，n为大于1的整数，所述n个空调中的每个所述空调对应一个所述第一子神经元和一个所述第二子神经元，共n个所述第一子神经元和n个所述第二子神经元，所述第一神经元根据n个所述第一子神经元加权确定，所述第二神经元根据n个所述第二子神经元加权确定，所述第二神经网络模块根据第一神经元和第二神经元组合确定。
21.一种可能的设计方案中，所述第二神经网络模块根据第一神经元和第二神经元组合确定是指：将所述第一神经元和所述第二神经元组合为一个水平对置网络结构，所述第一神经元位于所述水平对置网络结构的对角线上，所述第二神经元位于所述水平对置网络结构中除对角线以外的位置；或者，所述第二神经元位于所述水平对置网络结构的对角线上，所述第一神经元位于所述水平对置网络结构中除对角线以外的位置。
22.一种可能的设计方案中，所述第二神经网络模块包括w个隐藏层，第s个隐藏层中的所述水平对置网络结构s包括所述第一神经元s和所述第二神经元s，第t个特征层中的所述水平对置网络结构t包括所述第一神经元t和所述第二神经元t，所述第一神经元s与第一神经元t不同，所述第二神经元s与第二神经元t不同，所述w为大于1的整数，s和t为取1至m的整数，且s和t不同。
23.可选地，收发模块可以包括接收模块和发送模块。其中，接收模块用于实现第二方面所述的装置的接收功能。发送模块用于实现第二方面所述的装置的发送功能。
24.可选地，第二方面所述的装置还可以包括存储模块，该存储模块存储有程序或指令。当处理模块执行该程序或指令时，使得该装置可以执行第一方面所述的方法。
25.需要说明的是，第二方面所述的装置可以是网络设备，也可以是可设置于网络设备中的芯片(系统)或其他部件或组件，还可以是包含网络设备的装置，本技术对此不做限定。
26.此外，第二方面所述的装置的技术效果可以参考第一方面所述的方法的技术效果，此处不再赘述。
27.第三方面，提供了一种基于负荷预测的空调机组优化控制装置。该基于负荷预测的空调机组优化控制装置包括：处理器和存储器；该存储器用于存储计算机程序，当该处理器执行该计算机程序时，以使该装置执行第一方面所述的方法。
28.在一种可能的设计方案中，第三方面所述的装置还可以包括收发器。该收发器可以为收发电路或接口电路。该收发器可以用于第三方面所述的装置与其他装置通信。
29.在本技术中，第三方面所述的装置可以为网络设备，或者可设置于该网络设备中的芯片(系统)或其他部件或组件，或者包含该网络设备的装置。
30.此外，第第三方面所述的装置的技术效果可以参考第一方面所述的方法的技术效果，此处不再赘述。
31.第四方面，本技术实施例提供了一种计算机可读存储介质，所述存储介质上存储有程序代码，当所述程序代码被所述计算机运行时，执行如第一方面所述的方法。
附图说明
32.图1为本技术实施例提供的一种基于负荷预测的空调机组优化控制系统的架构示意图；
33.图2为本技术实施例提供的一种基于负荷预测的空调机组优化控制方法的流程图；
34.图3为本技术实施例提供的一种基于负荷预测的空调机组优化控制装置的结构示意图一；
35.图4为本技术实施例提供的一种基于负荷预测的空调机组优化控制装置的结构示
意图二。
具体实施方式
36.下面将结合附图，对本技术中的技术方案进行描述。
37.请参阅图1，本技术实施例提供了一种基于负荷预测的空调机组优化控制系统，该系统可以包括一个或多个设备，例如第一设备。
38.其中，第一设备可以是终端设备，例如用户终端，该终端设备也可以称为用户装置、接入终端、用户单元、用户站、移动站、移动台、远方站、远程终端、移动设备、用户终端、终端、无线通信设备、用户代理或用户装置。本技术的实施例中的终端设备可以是手机(mobile phone)、平板电脑(pad)、带无线收发功能的电脑、虚拟现实(virtual reality，vr)终端设备、增强现实(augmented reality，ar)终端设备、工业控制(industrial control)中的无线终端、无人驾驶(self driving)中的无线终端、远程医疗(remote medical)中的无线终端、智能电网(smart grid)中的无线终端、运输安全(transportation safety)中的无线终端、智慧城市(smart city)中的无线终端、智慧家庭(smart home)中的无线终端、车载终端、具有终端功能的rsu等。
39.或者，第一设备也可以网络设备，例如为具有无线收发功能的设备或设备的芯片(系统)或其他部件或组件，包括但不限于：无线保真(wireless fidelity，wifi)系统中的接入点(access point，ap)，如家庭网关、路由器、服务器、交换机、网桥等，演进型节点b(evolved node b，enb)、无线网络控制器(radio network controller，rnc)、节点b(node b，nb)、基站控制器(base station controller，bsc)、基站收发台(base transceiver station，bts)、家庭基站(例如，home evolved nodeb，或home node b，hnb)、基带单元(baseband unit，bbu)，无线中继节点、无线回传节点、传输点(transmission and reception point，trp或者transmission point，tp)等，还可以为5g，如，新空口(new radio，nr)系统中的gnb，或，传输点(trp或tp)，5g系统中的基站的一个或一组(包括多个天线面板)天线面板，或者，还可以为构成gnb或传输点的网络节点，如基带单元(bbu)，或，分布式单元(distributed unit，du)、具有基站功能的路边单元(road side unit，rsu)，或者有线接入网关等。
40.下面将结合方法进行详细说明。
41.请参阅图2，本技术实施例提供了一种基于负荷预测的空调机组优化控制方法。该方法可以适用于图1所示的系统中的第一设备。该方法的流程包括：
42.s201，获得空调机组的运行数据。
43.其中，运行数据包括多类数据。
44.s202，通过第一神经网络模块处理运行数据，获得运行数据对应的多种成分。
45.其中，第一神经网络模块包括特征提取模块和特征重构模块，特征提取模块用于将多类数据转换为多类特征，特征重构模块用于对多类特征进行分离，获得运行数据对应的多种成分特征。
46.具体地，特征重构模块包括多个自编码器，多个自编码器的数量与空调机组的规模负相关，多个自编码器的网络结构不同，每个自编码器用于对多类特征进行特征分离，得到运行数据的一种成分特征，多个自编码器共输出多种成分特征。可以理解，在空调机组的
规模比较大的情况下，其负荷波动通常比较小，对负荷变化产生影响的关键成分特征的随机性也比较弱，因此可以采用数量较少的自编码器，以减小网络规模，提高运行效率。反之，在空调机组的规模比较小的情况下，其负荷波动通常比较大，对负荷变化产生影响的关键成分特征的随机性也比较强，因此可以采用数量较多的自编码器，以增大网络规模，提高关键成分特征计算的准确性。
47.进一步地，每个自编码器用于对多类特征进行特征分离，得到运行数据的一种成分特征是指：每个自编码器用于多类特征进行特征分离，得到一种低维特征，并对低维特征进行升维处理，得到运行数据的一种成分特征。其中，每个自编码器用于多类特征进行特征分离，得到一种低维特征是指：每个自编码器可以用一些基向量对多类特征进行分解，从而得到多种基向量，这样每个自编码器可以计算出每种基向量的含量，含量高的是主成份，即上述低维特征，如此，每个自编码器都可以准确地计算出运行数据对应的一种成分特征。
48.s203，从多种成分特征中确定出一种关键成分特征。
49.其中，从多种成分特征中确定出一种关键成分特征，包括：从多种成分特征中确定出m种成分特征集合，m种成分特征集合中的每种成分特征集合中包含同一种成分特征，m为正整数；从m种成分特征集合中确定一种关键成分特征集合，关键成分特征集合是m种成分特征集合中包含成分特征最多的成分特征集合，关键成分特征集合中包含的成分特征为关键成分特征。也就是说，所谓关键成分特征是各种成分特征中出现次数最多的特征。这也恰恰反映出该关键成分特征能够对负荷变化产生最大或者说最关键的影响。因此，后续使用上述方式确定出的关键成分特征，可实现更准确地进行负荷预测。
50.示例性地，对于m种成分特征集合中的第i种成分特征集合和第j种成分特征集合，i和j不同，i和j均为取1至m的整数，第i种成分特征集合中包括的任意两种成分特征之间的欧式距离小于或等于距离阈值，第j种成分特征集合中包括的任意两种成分特征之间的欧式距离小于或等于距离阈值，第i种成分特征集合中包括任意一种成分特征与第j种成分特征集合中包括任意一种成分特征之间的欧式距离大于距离阈值。可以理解，通过计算特征的欧式距离，并将距离小的相似特征认为是同一种特征，以准确地确定出各种成分特征集合。
51.s204，通过第二神经网络模块处理关键成分特征，预测空调机组在下一个时间段内的运行负荷。
52.其中，空调机组包括n个空调，n为大于1的整数，n个空调中的每个空调对应一个第一子神经元和一个第二子神经元，共n个第一子神经元和n个第二子神经元，第一神经元根据n个第一子神经元加权确定，第二神经元根据n个第二子神经元加权确定，第二神经网络模块根据第一神经元和第二神经元组合确定。其中，每个空调对应一个第一子神经元和一个第二子神经元的权重，取决于该空调在空调机组中的重要性。该重要性可以指功能上的重要性，即该空调在空调机组的制冷或制热中起到越关键的作用，那么该空调的重要性越高。这样一来，通过加权计算第一神经元和第二神经元，使得第一神经元和第二神经元与空调机组在功能上耦合，以便使用第二神经网络模块能够更准确地进行负荷预测，以进一步地提高负荷预测的稳定性和鲁棒性。
53.一种可能的设计方案中，第二神经网络模块根据第一神经元和第二神经元组合确定是指：将第一神经元和第二神经元组合为一个水平对置网络结构，第一神经元位于水平
对置网络结构的对角线上，第二神经元位于水平对置网络结构中除对角线以外的位置；或者，第二神经元位于水平对置网络结构的对角线上，第一神经元位于水平对置网络结构中除对角线以外的位置。这样，无论关键特征成分中的各特征以何种顺序输入模型，其负荷预测结果都不会产生变化，从而极大地提高了模型的实用性。
54.一种可能的设计方案中，第二神经网络模块包括w个隐藏层，第s个隐藏层中的水平对置网络结构s包括第一神经元s和第二神经元s，第t个特征层中的水平对置网络结构t包括第一神经元t和第二神经元t，第一神经元s与第一神经元t不同，第二神经元s与第二神经元t不同，w为大于1的整数，s和t为取1至m的整数，且s和t不同。如此，可以在一定程度上提高模型的差异化程度，从而有效提高模型的鲁棒性。
55.综上，由于第一神经网络模块的特征提取模块和特征重构模块，可以将空调机组的多类运行数据转换为多种成分特征，并从多种成分特征中提取出关键成分特征，即对空调机组的负荷变化起到最关键作用，或者影响最大的成分特征。这样，第二神经网络模块利用关键成分特征，可以更准确地预测空调机组在下一个时间段内的运行负荷，以提高预测空调机组的负荷变化的稳定性和鲁棒性。
56.请参阅图3，本实施例中还提供了一种基于负荷预测的空调机组优化控制装置300，用于执行上述方法。
57.具体地，装置300包括：收发模块301，用于获得空调机组的运行数据，所述运行数据包括多类数据；处理模块302，用于通过第一神经网络模块处理所述运行数据，获得所述运行数据对应的多种成分，其中，所述第一神经网络模块包括特征提取模块和特征重构模块，所述特征提取模块用于将所述多类数据转换为多类特征，所述特征重构模块用于对多类特征进行分离，获得所述运行数据对应的多种成分特征；从所述多种成分特征中确定出一种关键成分特征；通过第二神经网络模块处理所述关键成分特征，预测所述空调机组在下一个时间段内的运行负荷。
58.一种可能的设计方案中，所述特征重构模块包括多个自编码器，所述多个自编码器的数量与所述空调机组的规模负相关，所述多个自编码器的网络结构不同，每个所述自编码器用于对所述多类特征进行特征分离，得到所述运行数据的一种成分特征，所述多个自编码器共输出所述多种成分特征。
59.一种可能的设计方案中，每个所述自编码器用于对所述多类特征进行特征分离，得到所述运行数据的一种成分特征是指：每个所述自编码器用于所述多类特征进行特征分离，得到一种低维特征，并对所述低维特征进行升维处理，得到所述运行数据的一种成分特征。
60.一种可能的设计方案中，所述处理模块302，还用于从所述多种成分特征中确定出m种成分特征集合，所述m种成分特征集合中的每种所述成分特征集合中包含同一种成分特征，m为正整数；从所述m种成分特征集合中确定一种关键成分特征集合，所述关键成分特征集合是所述m种成分特征集合中包含成分特征最多的成分特征集合，所述关键成分特征集合中包含的成分特征为所述关键成分特征。
61.一种可能的设计方案中，对于所述m种成分特征集合中的第i种成分特征集合和第j种成分特征集合，i和j不同，i和j均为取1至m的整数，所述第i种成分特征集合中包括的任意两种成分特征之间的欧式距离小于或等于距离阈值，所述第j种成分特征集合中包括的
任意两种成分特征之间的欧式距离小于或等于所述距离阈值，所述第i种成分特征集合中包括任意一种成分特征与所述第j种成分特征集合中包括任意一种成分特征之间的欧式距离大于所述距离阈值。
62.一种可能的设计方案中，所述空调机组包括n个空调，n为大于1的整数，所述n个空调中的每个所述空调对应一个所述第一子神经元和一个所述第二子神经元，共n个所述第一子神经元和n个所述第二子神经元，所述第一神经元根据n个所述第一子神经元加权确定，所述第二神经元根据n个所述第二子神经元加权确定，所述第二神经网络模块根据第一神经元和第二神经元组合确定。
63.一种可能的设计方案中，所述第二神经网络模块根据第一神经元和第二神经元组合确定是指：将所述第一神经元和所述第二神经元组合为一个水平对置网络结构，所述第一神经元位于所述水平对置网络结构的对角线上，所述第二神经元位于所述水平对置网络结构中除对角线以外的位置；或者，所述第二神经元位于所述水平对置网络结构的对角线上，所述第一神经元位于所述水平对置网络结构中除对角线以外的位置。
64.一种可能的设计方案中，所述第二神经网络模块包括w个隐藏层，第s个隐藏层中的所述水平对置网络结构s包括所述第一神经元s和所述第二神经元s，第t个特征层中的所述水平对置网络结构t包括所述第一神经元t和所述第二神经元t，所述第一神经元s与第一神经元t不同，所述第二神经元s与第二神经元t不同，所述w为大于1的整数，s和t为取1至m的整数，且s和t不同。
65.可选地，收发模块301可以包括接收模块和发送模块。其中，接收模块用于实现第二方面所述的装置的接收功能。发送模块用于实现第二方面所述的装置的发送功能。
66.可选地，所述的基于负荷预测的空调机组优化控制装置还可以包括存储模块，该存储模块存储有程序或指令。当处理模块302执行该程序或指令时，使得该基于负荷预测的空调机组优化控制装置可以执行上述图2所示的方法。
67.需要说明的是，所述的基于负荷预测的空调机组优化控制装置可以是网络设备，也可以是可设置于网络设备中的芯片(系统)或其他部件或组件，还可以是包含网络设备的装置，本技术对此不做限定。
68.此外，所述的基于负荷预测的空调机组优化控制装置的技术效果可以参考上述的方法的技术效果，此处不再赘述。
69.下面结合图4，对基于负荷预测的空调机组优化控制装置400的各个构成部件进行具体的介绍：
70.其中，处理器401是基于负荷预测的空调机组优化控制装置400的控制中心，可以是一个处理器，也可以是多个处理元件的统称。例如，处理器401是一个或多个中央处理器(central processing unit，cpu)，也可以是特定集成电路(application specific integrated circuit，asic)，或者是被配置成实施本技术实施例的一个或多个集成电路，例如：一个或多个微处理器(digital signal processor，dsp)，或，一个或者多个现场可编程门阵列(field programmable gate array，fpga)。
71.可选地，处理器401可以通过运行或执行存储在存储器402内的软件程序，以及调用存储在存储器402内的数据，执行基于负荷预测的空调机组优化控制装置400的各种功能。
72.在具体的实现中，作为一种实施例，处理器401可以包括一个或多个cpu，例如图4中所示出的cpu0和cpu1。
73.在具体实现中，作为一种实施例，基于负荷预测的空调机组优化控制装置400也可以包括多个处理器，例如图4中所示的处理器401和处理器404。这些处理器中的每一个可以是一个单核处理器(single-cpu)，也可以是一个多核处理器(multi-cpu)。这里的处理器可以指一个或多个设备、电路、和/或用于处理数据(例如计算机程序指令)的处理核。
74.其中，存储器402用于存储执行本技术方案的软件程序，并由处理器401来控制执行，具体实现方式可以参考上述方法实施例，此处不再赘述。
75.可选地，存储器402可以是只读存储器(read-only memory，rom)或可存储静态信息和指令的其他类型的静态存储设备，随机存取存储器(random access memory，ram)或者可存储信息和指令的其他类型的动态存储设备，也可以是电可擦可编程只读存储器(electrically erasable programmable read-only memory，eeprom)、只读光盘(compact disc read-only memory，cd-rom)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。存储器402可以和处理器401集成在一起，也可以独立存在，并通过基于负荷预测的空调机组优化控制装置400的接口电路(图4中未示出)与处理器401耦合，本技术实施例对此不作具体限定。
76.收发器403，用于与其他装置之间的通信。例如，基于负荷预测的空调机组优化控制装置400为网络设备，收发器403可以用于与终端设备通信，或者与另一个网络设备通信。
77.可选地，收发器403可以包括接收器和发送器(图4中未单独示出)。其中，接收器用于实现接收功能，发送器用于实现发送功能。
78.可选地，收发器403可以和处理器401集成在一起，也可以独立存在，并通过基于负荷预测的空调机组优化控制装置400的接口电路(图4中未示出)与处理器401耦合，本技术实施例对此不作具体限定。
79.需要说明的是，图4中示出的装置400的结构并不构成对该基于负荷预测的空调机组优化控制装置的限定，实际的基于负荷预测的空调机组优化控制装置可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
80.此外，装置400的技术效果可以参考上述方法实施例的方法的技术效果，此处不再赘述。
81.应理解，在本技术实施例中的处理器可以是中央处理单元(central processing unit，cpu)，该处理器还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
82.还应理解，本技术实施例中的存储器可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(read-only memory，rom)、可编程只读存储器(programmable rom，prom)、可擦除可编程只读存储
器(erasable prom，eprom)、电可擦除可编程只读存储器(electrically eprom，eeprom)或闪存。易失性存储器可以是随机存取存储器(random access memory，ram)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的随机存取存储器(random access memory，ram)可用，例如静态随机存取存储器(static ram，sram)、动态随机存取存储器(dram)、同步动态随机存取存储器(synchronous dram，sdram)、双倍数据速率同步动态随机存取存储器(double data rate sdram，ddr sdram)、增强型同步动态随机存取存储器(enhanced sdram，esdram)、同步连接动态随机存取存储器(synchlink dram，sldram)和直接内存总线随机存取存储器(direct rambus ram，dr ram)。
83.上述实施例，可以全部或部分地通过软件、硬件(如电路)、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行计算机指令或计算机程序时，全部或部分地产生按照本技术实施例的流程或功能。计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如，dvd)、或者半导体介质。半导体介质可以是固态硬盘。
84.应理解，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况，其中a,b可以是单数或者复数。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系，但也可能表示的是一种“和/或”的关系，具体可参考前后文进行理解。
85.本技术中，“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“以下至少一项(个)”或其类似表达，是指的这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a,b,或c中的至少一项(个)，可以表示：a,b,c,a-b,a-c,b-c,或a-b-c，其中a,b,c可以是单个，也可以是多个。
86.应理解，在本技术的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本技术实施例的实施过程构成任何限定。
87.本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本技术的范围。
88.所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
89.在本技术所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，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，或一些特征字段可以忽略，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，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
90.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。
91.另外，在本技术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。
92.功能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，本技术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(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施例方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-only memory，rom)、随机存取存储器(random accemm memory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。
93.以上，仅为本技术的具体实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应以权利要求的保护范围为准。