空调机、云服务器、空调机的驱动及控制方法与流程

本发明涉及一种基于参数学习的空调机、云服务器、空调机的驱动以及控制方法。

背景技术：

设置空调机是为了创造舒适的室内环境，通过向室内吐出冷空气来调节室内温度并净化室内空气，从而为人们提供更舒适的室内环境。

通常，空调机包括设置于室内的室内机、以及由压缩机和换热器等构成用于向室内机供应冷媒的室外机。

另一方面，空调机的室内机和室外机可以分开控制。另外，空调机的室外机可以连接至少一个室内机，并根据所请求的运转状态向室内机供应冷媒，从而以制冷或制热模式运转。

最近，为了方便用户，提出了在控制空调机时根据适用于用户的优选温度来控制空调机的技术。本发明的申请人将在图1中更详细地观察空调机以快速模式和舒适模式运行的机制。

图1是示出以快速模式和舒适模式运行的空调机的运行过程的图。当空调机打开时(s21)，空调机根据规定的设定温度ts以快速模式(或者快速区间或者快速运行区间，指空调机以快速模式运行的区间)运转(s22)。此时，设定温度ts可以由用户选择，或者可以根据规定的条件自动设定。快速模式是快速将空间制冷(或者制热)的构成。此后，在快速模式中，空调机以最大制冷能力运转，从而快速将室内空间制冷(或者制热)。在该过程中，当比较设定温度和室内温度时(s23)，如果达到设定温度，则确认室内湿度(s24)，当室内湿度为规定数值以上时，以除湿模式运转(s26)。另一方面，当室内湿度为规定数值以下时，以舒适模式运转(s25)。

这里，舒适模式(或者舒适区间或舒适运行区间，指空调机以舒适模式运行的区间)是指以高于设定温度ts的新的设定温度(tsa)为基准运转。包括用于感测环境并调节制冷负载(制冷运行输出)以保持舒适的制冷(或者制热)的省电功能的运行。这在空调机开启的状态下，最开始以快速模式运行，然后在空间的温度达到预定温度时，提示向舒适模式的运行切换。

然而，这种舒适模式和快速模式中，在预先设定的状态下不能动态地应用周边环境条件的变化的方面存在局限性。随着温度的变化、室内人员数量或湿度等的影响，对快速模式和舒适模式的运行产生影响的变量多样化，但在反映这一部分方面存在局限性。

因此，空调机的室内机固定地配置在特定空间中运行，但是需要研究聚合多个室内机运行的过程中派生的信息以提高空调机的性能的方案。因此，在本说明书中，将描述一种使用多个室内机在运行的过程中导出的信息，使得各个室内机能够在多种运转模式区间以最佳的方式运行的控制方法以及应用该方法的空调机。

技术实现要素：

为了解决上述问题，在本说明书中，提供一种基于学习的装置和方法，其学习在空调机的运行区间计算出的参数，以能够在空调机的被分成两种以上的运转模式的区间有效地运行。

在本说明书中，提供一种基于学习的装置和方法，其通过将由多个空调机的室内机计算出的参数作为学习因子来计算出空调机的最佳运转模式。

在本说明书中，提供一种基于学习的装置和方法，其基于室内机在运行的过程中快速改变温度的过程中产生的参数来控制后续阶段的运转。

本发明的目的并不限于上述目的，可以通过以下说明来理解未提及的本发明的其他目的和优点，并且借助本发明的实施例可以更清楚地理解本发明。另外，本发明的目的和优点可以通过权利要求中阐述的手段及其组合来实现是显而易见的。

本发明一实施例的空调机包括：参数生成单元，在快速运转模式中计算出一个以上的参数；以及运转模式控制单元，基于以快速运转模式运转的区间之后设定舒适运转模式的运转模式信息来控制送风单元或室外机，快速运转模式仅在预先设定的时间范围内运行，中央控制单元在所述快速运转模式之后指示所述运转模式控制单元以所述舒适运转模式运行。

另外，本发明一实施例的空调机的运转模式信息是通信单元将参数发送给云服务器之后从云服务器接收或在内置的学习单元中计算出的结果因子，运转模式控制单元使用运转模式信息来设定送风单元的风向和风量，

本发明一实施例的基于学习来驱动的空调机包括：参数生成单元在快速运转模式中计算出一个以上的参数的步骤；运转模式控制单元基于以快速运转模式运转的区间之后设定舒适运转模式的运转模式信息来控制送风单元或室外机的步骤；以及快速运转模式仅在预先设定的时间范围以内运行，中央控制单元在快速运转模式之后指示运转模式控制单元以舒适运转模式运行的步骤。

本发明一实施例的云服务器包括：通信单元，从多个空调机接收与对每个空调机分别设定的设定温度相对应地在快速运转模式中计算出的一个以上的参数，且与此相对应地将用于设定舒适运转模式的运转模式信息分别发送给多个空调机；以及学习单元，接收多个空调机中的第一空调机的参数作为学习因子，且在以快速运转模式运转的区间之后输出用于设定第一空调机的舒适运转模式的运转模式信息。

当应用本发明的实施例时，空调机可以将在运行过程中计算出的参数作为学习因子来计算出与此相对应的运转模式。

当应用本发明的实施例时，云服务器可以基于多个空调机在运行过程中计算而提供的参数，在学习之后计算出适合每个空调机的运转模式。

当应用本发明一实施例时，在空调机运行到达到预定目标达到温度之后可以基于较小的每小时耗电量将目标达到温度保持在预定的范围内。

当应用本发明一实施例时，能够提供为了有效地控制空调的制冷或制热，基于学习来估计负载的方法及应用该方法的装置。

本发明的效果并不限于上述效果，本领域技术人员可以从本发明的结构容易地导出本发明的各种效果。

附图说明

图1是示出以快速模式和舒适模式运行的空调机的运行过程的图。

图2是表示本发明一实施例的空调机的室内机的结构的主视图。

图3是表示本发明一实施例的基于内部学习的控制模块100的结构的图。

图4是表示执行外部学习的云服务器300与基于外部学习的控制模块200之间的关系以及各个构成要素的图。

图5是表示本发明一实施例的基于内部学习的控制模块根据学习因子计算出结果因子的过程的图。

图6是表示本发明一实施例的基于外部学习的控制模块根据学习因子计算出结果因子的过程的图。

图7是表示本发明一实施例的基于内部学习的控制模块运行的过程的图。

图8是表示本发明一实施例的基于外部学习的控制模块运行的过程的图。

图9是本发明一实施例的参数生成单元计算输入因子的图。

图10是表示本发明一实施例中构成学习单元的学习算法的结构的图。

图11是在应用本发明一实施例的情况下表示运转模式的变化的图。

图12是表示运转模式控制单元根据本发明一实施例的负载级别来控制运转模式的过程的图。

图13是示出本发明一实施例的学习单元的结构的图。

图14是表示本发明一实施例的学习单元的示例性结构的图。

图15是表示本发明一实施例的用于吐出制冷空气的空调机的参数与提供风速和制冷空气的相互作用的图。

图16是表示本发明另一实施例的用于吐出制热空气的空调机的参数与提供风速和制热空气的相互作用的图。

其中，附图标记说明如下：

1：室内机2：室外机

15：送风单元100、200：控制模块

110、210：参数生成单元160、360：学习单元

190、290：运转模式控制单元300：云服务器

具体实施方式

下面，参照附图详细说明本发明的实施例，以使本发明所属技术领域的技术人员能够容易实施。本发明能够以多种不同的形态实现，并不限定于在此说明的实施例。

为了准确地说明本发明而省略了与本发明无关的部分，在整个说明书中，对相同或相似的构成要素标注了相同的附图标记。参照示例性的附图详细地说明本发明一些实施例。在对各个附图的构成要素标注附图标记时，对不同的附图中的相同的构成要素尽可能使用相同的附图标记。在说明本发明时，当判断为对有关的公知结构或功能的具体说明会使本发明不清楚时，可省略对其的详细说明。

在说明本发明的构成要素的过程中，可使用第一、第二、a、b、(a)、(b)等术语。上述术语仅为了区别所述构成要素与其它构成要素，不会因上述术语而限定相应构成要素的本质、次序、顺序或个数等。当记载为某一构成要素“连接”、“结合”或“接触”于其他构成要素时，虽然有可能该构成要素直接与其他构成要素连接或接触，但是应当理解为有可能在各个构成要素之间“夹设”其他构成要素或各个构成要素通过其他构成要素来“连接”、“结合”或“接触”。

在实现本发明的过程中，为了便于说明，可以将构成要素细化并进行说明，而这些构成要素可以在一个装置或模块中实现，或者也可以是一个构成要素分布在多个装置或模块中实现。

在本说明书中，构成空调机的构成要素区分为室外机和室内机。一个空调系统由一个以上的室外机和一个以上的室内机构成。室外机与室内机之间的关系可以是1:1、1:n或m:1。

本发明可以应用于控制制冷或制热的所有装置。但是，为了便于说明，重点描述制冷。当应用于制热时，本发明实施例可以应用于提升温度的过程和保持升高温度的机制中。

图2是表示本发明一实施例的空调机的室内机的结构的主视图。

空调机的室内机可以是设置于天花板中的埋入式或者立式。或者可以是设置于墙壁上的挂壁式，或者可以是可移动的形式。图2示出了各种实施例中的立式室内机1，但是本发明不限于此。室内机1可以与配置在单独的空间的室外机2连接。

可以由立在作为空气调节对象的室内的地面而设置的立式空调机构成，在这种情况下，空调机还包括底座20，该底座放置在室内的地面并支撑空气调节模块10。

空气调节模块10可以以放置在底座20上的方式设置，在这种情况下，空气调节模块10可以在室内的规定高度吸入空气以进行空气调节。

空气调节模块10可以与底座20可拆卸地结合，或者也可以一体形成。

空气调节模块10可以从送风单元15吐出空气。送风单元15可以如11、12左右分开。空气调节模块10可以集中地在前侧面吐出空气。另外，空气调节模块10根据实施例可以从配置于侧面或者上表面等多个方向的送风口吐出空气。送风单元15可以利用后述的运转模式控制单元190、290控制风速。在一实施例中，送风单元15可以吐出包括多种风速的风，为此，能够控制一个以上的单独的送风风扇。

另一方面，用于吸入室内空气的吸入单元可以配置于空气调节模块10。另外，不从外部识别但控制室内机1的控制模块100可以配置于室内机1中。为了便于说明，在图2中用虚线示出所述控制模块配置于室内机1内部。

室外机2控制由送风单元15吐出的空气(风)的温度。在一实施例中，室外机2的压缩机可以将气态冷媒压缩成高温高压状态并排出以将制冷空气提供到室内机1。另外，在提供制热功能的情况下，室外机2可以使用规定的热泵将制热空气提供到室内机1。室外机2使用冷媒或者热泵将制冷或制热空气提供到室内机1的方式可以以多种不同方式提出，本发明不限于此。

图2中示例性的观察到的室内机1在测量室内空气的状态之后运转以达到设定的状态。然而，为了在达到特定状态的过程中室内机的运行能够有效地进行，需要反映特定状态以前和特定状态以后的各种要素。然后，在通过基于各个要素的学习模型来更精密地控制室内机的运行的情况下，能够实现有效的运转。

下面，在本说明书中，在第一实施例中，控制模块100配置于室内机1以计算出各种参数，并基于所计算出的参数执行学习。然后，将观察配置于室内机1的控制模块100基于学习结果计算出适合室内机的运转模式的结构。该构成称为基于内部学习(internallearningbased)的控制模块。基于内部学习中，作为一实施例，空调机使用将参数输入到内置的学习单元160计算出的结果因子即运转模式信息来运行。

另外，在本说明书中，在第二实施例中，控制模块100配置于室内机1以计算各种参数，并将计算出的结果提供到云服务器。然后，云服务器基于各种室内机发送的参数执行学习。然后，将观察云服务器基于学习的结果计算出适合于室内机的运转模式的结构。该构成称为基于外部学习(externallearningbased)的控制模块。基于外部学习中，作为一实施例，在空调机将参数发送到外部的云服务器之后，空调机使用从云服务器发送的结果因子即运转模式信息来运行。

另外，在本说明书中，第一区间是指对应设定温度(用户设定的目标温度)以第一制冷能力(制热时为第一制热能力)运转的区间。第二区间是指在以第一制冷能力运转的区间以后以与所述第一制冷能力不同的第二制冷能力(制热时为第一制热能力)运转的区间。因此，当用户在特定的时刻操作空调或智能控制时，空调机对应设定温度以第一制冷能力(例如，最大制冷能力)运转。其可以指示为快速运转模式(或者为了便于说明，将其简称为快速模式)。所述快速运转模式只能在预先设定的时间范围内运行，在该时间范围之后，运行舒适运转模式，在舒适运转模式中的具体操作所需的信息是运转模式信息。

快速运转模式可以在空调机开始运行并且室内温度与目标设定温度相比相差预先设定大小以上时开始运行。或者空调机接收到指示驱动快速运转模式的输入信号时，可以响应该信号而运行。例如，用户不是在遥控器上另行控制温度，而是在按下利用人工智能指示运行或者身体自适应地指示运行的按钮时，空调机进行响应而执行快速运转模式，并且无需用户进行额外的控制就切换到后述的舒适运转模式。

然后，在达到设定温度或者经过分配给快速模式的最大时间之后，输入在如上述那样以快速模式运行的过程中生成的参数作为学习因子，并以与第一制冷能力不同的第二制冷能力(例如，由制冷运行的输出能力的大小来确定的过载、标准负载或者小负载)运转。可以将上述指示为舒适运转模式(或者，为了便于说明简称为舒适模式)。前述的第二制冷能力(由制冷运行的输出能力的大小来确定的过载、标准负载、小负载)对应于设置有空调机的空间的负载，并计算为运转模式信息。

在一实施例中，过载时，增加风量或风速，在一实施例中，小负载时，减小风量或风速。在一实施例中，标准负载时，保持风量或风速。

在第一制冷能力中，根据最大的制冷(或者制热)能力来运行，用于为用户提供制冷(或者制热)功能，然后，如果达到预定的水平(或者时间)，则使用小于所述最大的能力的能量。或者，在第一制冷能力中，空调机可以通过使用更多的能量运行以达到舒适状态。在以第二制冷能力运转的过程中，温度可能逐渐升高。由于制热是与上述相反的情况，因此在以第二制热能力运转的过程中，温度可能逐渐降低。

第一区间中，用户选择如智能控制的特定功能或者最初开启空调的按下如电源键的按钮时，初始预定的时间段内执行快速运转，并在以后可以对准预定温度而运转。

图3是表示本发明一实施例的基于内部学习的控制模块100的结构的图。

参数生成单元110生成参数，例如，在室内机1测量或感测的温度或湿度、温度和湿度的变化率、每次变化所消耗的时间等。感测单元120可以感测参数生成单元110生成参数所需的温度或湿度。感测的值提供给参数生成单元110，参数生成单元110可以将感测到的值累积在额外的存储器中，然后，生成参数。因此，参数生成单元110可以基于在室内机1配置的控制模块100识别的环境因子和产品控制信息，提取用于导出要输入到学习单元160的因子的学习因子。

目标状态存储单元130包括室内机1中设定的目标温度或目标湿度等信息。目标状态可以包括一个以上的温度或一个以上的湿度。另外，目标状态存储单元130还可以选择性地包括两种以上的温度或两种以上的湿度。在这种情况下，将哪一个值设定为当前运行中的室内机1的目标温度或目标湿度，可以借助中央控制单元150的控制来选择或设定。

接口单元140可供用户控制室内机1的温度、湿度、风量或风向等，提供按钮式、遥控式或远程操控等接口。另外，接口单元140可以接收用于改变从送风单元15吐出的空气的风速、风量或温度的中断输入。中断输入可以作为规定的信息存储在学习单元160中。

学习单元160持续累积由参数生成单元110生成的参数(学习因子)。累积的参数可以应用于学习单元160内部的深度学习结构，基于目前为止的温度或湿度等的变化来计算出室内机1能够运行的最佳运转模式。运转模式可以包括各种模式，作为一实施例，可以包括小负载模式/标准负载模式/过载模式这三种运转模式。

作为学习单元160的学习因子而输入的信息可以是在参数生成单元110或目标状态存储单元130等中生成或存储的信息。此外，作为学习单元160的学习因子而输入的信息可以是由中央控制单元150计算出或转换的信息。学习单元160可以利用规定的学习算法来估计负载级别。

或者，学习单元160可以基于到目前为止运行的状态来设定对应的负载程度。可以将运转模式设定为-10％、-20％等。

中央控制单元150控制各个构成要素并最终能够计算出室内机1运行时所需要的运行方法。室内机1的运行方法可以分为各种方法。例如，将当前室内状态的负载按级别估计，计算为过载模式/标准负载模式/小负载模式等运转模式信息。学习单元160基于目前为止的温度或湿度的变化以及时间等计算出当前室内机1运行时所需的运转模式，由此，中央控制单元150可以控制特定的负载状态。

运转模式控制单元190基于中央控制单元150计算出的运转模式来运转，并可以根据计算出的模式的类型而多样化。当运转模式由上述小负载模式/标准负载模式/过载模式等三种构成时，中央控制单元150可以在三种运转模式之中选择运转模式，作为基于前述的参数生成单元110和学习单元160所选出的运转模式。

运转模式控制单元190可以基于前述的运转模式来控制送风单元15和室外机2。可以执行例如控制从送风单元15吐出的风的风速或控制构成室外机2的压缩机压缩气态冷媒而排出的量等的控制。

在一实施例中，在运转模式控制单元190设定的运转模式相当于过载模式的情况下，增加送风单元15的风速或风量中的一个以上，在小负载模式下，可以减小送风单元15的风速或风量中的一个以上。在标准负载模式下，送风单元15可以保持风速。同样地，当运转模式控制单元190设定的运转模式相当于过载的情况下，室外机2可以控制内部的压缩机，以使压缩机运行并以最大输出运转。另外，在小负载的情况下，压缩机可以断电(off)。

即，运转模式控制单元190在以所述快速运转模式运转的区间以后，可以基于设定舒适运转模式的运转模式信息来控制送风单元15或室外机2。基于运转模式信息，运转模式控制单元190可以控制送风单元15的风向和风量。

如上所述，快速运转模式仅在预定的时间范围(例如，二十分钟或者三十分钟等预先设定的时间范围)内运行以快速改变室内温度。然后，中央控制单元150利用基于在快速运转模式中计算的参数而计算出的运转模式信息来指示运转模式控制单元190以舒适运转模式运行。

运转模式控制单元190可以通过各种方法来控制送风单元15和室外机2。在运转模式细分的实施例中，可以通过分别控制风速和室外机的压缩机的开/关来实现各种运转模式。

总结包括基于内部学习的控制模块100的空调机的结构如下。该空调机包括：送风单元15，吐出从室外机提供的空气以制冷或制热；参数生成单元110，在第一区间计算出一个以上的参数；学习单元160，接收参数作为学习因子，并输出用于指示在第一区间以后的第二区间的运转模式的运转模式信息；运转模式控制单元190，基于运转模式信息在第二区间上控制送风单元15或室外机2；以及中央控制单元150，用于控制参数生成单元110、学习单元160和运转模式控制单元190，并且该空调机构造成第二区间的每小时耗电量小于第一区间的每小时耗电量。该空调机在第一区间以快速模式运行，且利用在以快速模式运行的过程中计算出的学习因子，在作为快速模式之后的第二区间的舒适模式下，空调机1、2可以基于比第一区间的快速模式更少的耗电量来运行。

在可计算的参数的一实施例中，作为在第一区间计算出的参数，参数可以是在第一区间(以第一制冷能力例如快速模式运转的区间)的起始时刻上的室内初始温度、第一区间的目标设定温度、第一区间的预先设定初始区间的温度变化率、第一区间的温度变化率以及第一区间的起始时刻与结束时刻之间的时间间隔之中的任一个以上。这里，为了计算每个参数，可以利用由感测单元120或目标状态存储单元130计算出的信息。

另一方面，如果空调机在第二区间(以第二制冷能力例如舒适模式运转的区间)运行的过程中从接口单元140接收到中断输入，则可以基于该中断输入来更新学习单元160。

更详细地，中央控制单元150可以将运转模式信息和中断输入提供给学习单元160以更新学习单元160或更新运转模式信息。然后，当由于学习单元160的更新而使运转模式信息改变或更新时，可以再次向运转模式控制单元190提供更新的运转模式信息。

图4示出本发明一实施例的基于外部学习的控制模块的结构。图4是表示执行外部学习的云服务器300与基于外部学习的控制模块200之间的关系以及各个构成要素的图。

由于基于外部学习的控制模块200中作为构成要素的参数生成单元210、感测单元220、目标状态存储单元230、接口单元240、运转模式控制单元290与上述图3中描述的参数生成单元110、感测单元120、目标状态存储单元130、接口单元140、运转模式控制单元190的构成相同，因此可以使用图3的说明代替。

中央控制单元250控制各个构成要素并最终控制通信单元280将能够计算出室内机1运行所需要的运行方法需要的参数、即学习因子发送到云服务器300。云服务器300的服务器控制单元350从通信单元380接收控制模块200发送的学习因子，将该因子输入到学习单元360，计算出适合于相应的控制模块200的运转模式。计算出的运转模式的信息通过通信单元380发送到控制模块200。

如图10、13、14所示，学习单元360包括人工神经网络，可以在学习过程中生成配置在构成人工神经网络的隐藏层和各个输入/输出因子的链路(link)、偏置(bias)或各个链路的权重(weight)，并存储从外部更新的信息。在这种情况下，学习单元360可以将不同的版本存储到云服务器300。

云服务器300从多个控制模块中接收学习因子，并可以计算出与该学习因子相对应的运转模式。另外，可以将多个控制模块提供的学习因子连续输入到学习单元360，以更新学习单元360。学习单元360可以利用规定的学习算法来估计出负载级别。

总结图4的云服务器300如下。

通信单元380从m个空调机接收在第一区间的运转模式中计算出的一个以上的参数，将与此对应的运转模式信息分别发送到m个空调机。然后，学习单元360输入m个空调机中的第一空调机的参数作为学习因子，并输出用于指示在第一区间之后的第二区间上的第一空调机的运转模式的运转模式信息。

第一区间上的第一制冷能力与第二区间上的第二制冷能力可以设定为彼此不同。例如，第一制冷能力可以是通过最大制冷能力来增加风速和风量、冷媒的温度等以快速降低温度的运转模式。这是用于为用户提供在预定的时间(短时间)内快速感到舒适的温度的环境。另一方面，第二制冷能力是指在先提供了感到舒适的水平的温度环境之后，保持这种温度的同时消耗较少的能量。或者，还可以在未达到感到舒适的水平的温度的情况下，提供增加风速或风量的第二制冷能力。

服务器控制单元350可以控制学习单元360、通信单元380。另外，可以输出多个空调机中的第一空调机的第二区间上的每小时耗电量小于第一空调机的第一区间上的每小时耗电量的运转模式信息。输出的运转模式信息通过通信单元380发送到对应的空调机(第一空调机)。

作为各个空调机发送的参数的一实施例，包括各个空调机计算出的信息。在一实施例中，作为在第一区间计算出的参数，参数可以是第一区间的起始时刻上的室内初始温度、第一区间的目标设定温度、第一区间中的预先设定初始区间的温度变化率、第一区间的温度变化率以及第一区间的起始时刻与结束时刻之间的时间间隔之中的任一个以上。为了计算每个参数，可以利用感测单元120或目标状态存储单元130中计算出的信息。

如果应用图3或图4中所示的实施例，可以学习在空调启动之后达到目标温度的时刻为止的环境因子和控制信息，按级别(例如：小负载、标准负载、过载)估计当前室内状态的负载。

另外，可以学习达到目标温度的时刻为止的学习因子与达到以后的制冷(或者制热)的温度模式之间的相关性，并根据设定的负载来自动运转定制制冷模式(或者定制制热模式)，即使不需要用户另外操作空调，也能够根据室内负载水平，在达到目标温度之后自动以省电、舒适制冷(或者制热)模式运转。

另外，如果每个空调机发送在第二区间运行过程中发生的中断输入，则通信单元380可以接收来自每个空调机的这种中断输入并基于该中断输入来更新学习单元360。

更详细地，服务器控制单元350可以将运转模式信息和中断输入提供到学习单元360以更新学习单元360或更新运转模式信息。然后，当由于学习单元360的更新而使运转模式信息改变或更新时，更新的运转模式信息可以再次通过通信单元380提供给空调机。

在应用图3或图4所示的实施例的情况下，估计负载水平以在空调达到目标温度之后能够反映出空间大小、绝缘状态、室内与室外之间的温差等影响制冷效率的环境因素，从而能够在达到目标温度之后有效地制冷。这是在由学习单元160、360接收达到目标温度的过程中获得的各种学习因子而计算出的结果。将观察达到目标温度的过程中计算出的学习因子。

图5是表示本发明一实施例的基于内部学习的控制模块根据学习因子计算出结果因子的过程的图。

参数生成单元110计算参数、即学习因子，使得基于内部学习的控制模块100能够计算出用于指示室内机运行时所需的运行方法、即运转模式的结果。在参数生成单元110生成的参数的一实施例中，可以是空调开始启动时感测的室内初始温度、目标设定温度、初始n分钟温度变化率、快速区间温度变化率以及达到目标温度的时间等。初始n分钟温度变化率是指例如在初始三分钟或者初始五分钟期间温度变化的比率。当然，这也可以利用温度变化的幅度。

前述的参数为示例性的，在一实施例中，参数是室内机1执行运行的时刻或是在该过程中计算出的各种信息。

参数生成单元110生成的参数输入到控制模块100中，控制模块100的学习单元160利用输入的学习因子进行规定的学习。学习单元160可以应用深度学习(deeplearning)模块。然后，学习单元160将输入的参数输入到构成深度学习的网络，并计算出规定的结果因子、即运转模式。参数的一实施例是初始温度tempinit、目标设定温度temptarget、初始三分钟温度变化率initrate、快速区间温度变化率powerrate、达到目标温度为止的时间powertime。计算出的运转模式可以以当前的运转模式为基准增加或减小负载，如过载/标准负载/小负载。或者，计算出的运转模式可以以当前运行的模式为基准，在数值上进行负载调整的设定。

运转模式控制单元190根据计算出的运转模式来控制室内机1或室外机2。

图6是表示本发明一实施例的基于外部学习的控制模块根据学习因子计算出结果因子的过程的图。图6示出多个室内机1和控制模块与云服务器300的学习单元360计算用于运行每个室内机1所需的运转模式的信息的过程。

构成第一室内机1a的控制模块的参数生成单元210a计算出一个以上的参数、即学习因子，以能够计算出指示室内机运行时所需的运行方法、即运转模式的结果。如图5所示，参数生成单元210a生成的参数的一实施例可以是在空调开始启动时感测的室内初始温度、目标设定温度、初始n分钟温度变化率、快速区间温度变化率以及达到目标温度的时间等。初始n分钟温度变化率是指，例如在初始三分钟或初始五分钟的温度变化的比率。当然，这也可以使用温度变化的幅度。

计算出的参数如s31a发送到云服务器300，云服务器300将接收到的参数输入到学习单元360。

同样地，构成第二室内机1b的控制模块的参数生成单元210b也计算出参数、即学习因子，以能够计算指示室内机运行时所需的运行方法、即运转模式的结果。然后，计算出的参数如s31b发送到云服务器300，云服务器300将接收到的参数输入到学习单元360。

云服务器中的学习单元360使用输入的学习因子进行规定的学习。学习单元360可以应用深度学习(deeplearning)模块。然后，学习单元360将输入的参数输入到构成深度学习的网络，并计算出规定的结果因子、即运转模式。这可以分别按每个室内机1a、1b进行计算。然后，计算出的运转模式可以以当前运转模式为基准来指示增加或减小负载，如过载/标准负载/小负载。这意味着空调机对应不同的负载(过载/标准负载/小负载)执行制冷(或者制热)输出。或者，计算出的运转模式可以以当前运行的模式为基准，在数值上进行负载调整的设定。

单独计算出的每个室内机1a、1b的运转模式再次发送到每个室内机1a、1b(s32a、s32b)，每个室内机的运转模式控制单元290a、290b根据云服务器300发送的运转模式来运行。即，运转模式控制单元290a、290b根据计算出的运转模式来控制室内机1a、1b或室外机2。

如图5和图6所示，将用于负载估计的环境因子和产品控制信息应用到学习输入因子，将学习因子输入到配置于室内机1中的学习单元160或配置于云服务器300的学习单元360，可以导出学习结果。然后，该结果可以指示为运转模式。在一实施例中，负载可以按级别(过载/标准负载/小负载)指示。或者，以当前运行为基准，用+/-设定负载，或者负载的调整可以用百分比％指示。

基于如图5所示的基于内部学习的控制模块的负载估计方法，可以生成环境因子和产品控制信息作为称作学习因子的参数，并且作为学习因子提供到学习单元160，通过应用配置于学习单元160中的学习算法来导出负载结果。

基于如图6所示的基于外部学习的控制模块的负载估计方法，可以生成环境因子和产品控制信息作为称作学习因子的参数，并且作为学习因子提供到云服务器300的学习单元360，通过应用配置于学习单元360中的学习算法来导出负载结果。

如图6所示的实施例中，在每个空调开始智能控制而以最大制冷能力运行之后，进入舒适模式或者经过预定的时间之后，可以向云服务器300发送规定的参数，以接收用于设定要在舒适模式执行的制冷负载的运转模式信息。智能控制是指空调在没有用户控制的情况下自动运行快速模式和舒适模式。

图7是表示本发明一实施例的基于内部学习的控制模块运行的过程的图。

在基于学习来驱动的空调机中，送风单元15在第一区间吐出空气，用于空调机的制冷或制热(s40)。在一实施例中，第一区间是快速模式，紧随第一区间之后的第二区间是舒适模式。第一区间包括短时间内达到目标达到温度。第二区间是指以目标达到温度为基准能够在预定的误差范围内保持室内温度。

参数生成单元110计算出要输入到学习单元160的输入因子、即学习因子(s41)。即，参数生成单元110可以在第一区间计算出各种参数。然后，当输入因子提供到学习单元160(s42)时，学习单元160根据该输入因子估计负载(s43)。在一实施例中，学习单元160接收计算出的参数作为学习因子并输出指示第一区间之后的第二区间的运转模式的运转模式信息。

此后，当中央控制单元150将估计出的负载级别(输出的运转模式信息)提供给运转模式控制单元190(s44)时，运转模式控制单元190控制室内机1或室外机2的运转模式(s45)。

观察s44和s45时，当中央控制单元150将从学习单元160输出的运转模式信息提供给运转模式控制单元190时，作为一实施例，运转模式控制单元190基于运转模式信息在第二区间控制送风单元15或室外机2。当基于图7的过程的情况下，如果比较空调机的第一区间的每小时耗电量和第二区间的每小时耗电量，则第二区间的每小时耗电量小于第一区间的每小时耗电量。即，在第一区间运行快速模式以使室内温度短时间内达到目标达到温度之后，在目标达到温度的基础上以少的耗电量保持目标达到温度，或者，在预定的范围内保持室内温度。第二区间的运转模式信息由学习单元160在第一区间上计算出的参数确定。因此，当在第一区间上计算出的参数不同时，第二区间的运转模式信息可能不同。

图8是表示本发明一实施例的基于外部学习的控制模块运行的过程的图。

参数生成单元210提取要输入到云服务器300的学习单元360的输入因子、即学习因子(s51)。然后，当输入因子发送到云服务器300(s52)时，云服务器300的学习单元360估计负载(s53)。此时，由于云服务器300从多个产品接收学习因子，因此可以针对每个产品分别将学习因子输入到学习单元360以估计每个产品的负载。此后，云服务器300将估计出的负载级别发送到相应的产品(s54)。每个产品的中央控制单元250向运转模式控制单元290提供接收到的负载级别，每个产品的运转模式控制单元290控制室内机1或室外机2的运转模式(s55)。

总结图8的过程如下。

云服务器基于学习来控制多个空调机的驱动。每个空调机中，每个参数生成单元210在第一区间的运转模式中计算参数(s51)。然后，通信单元380从多个空调机中的第一空调机接收在第一区间的运转模式中计算出的一个以上的参数(s52)。该过程可以连续累积发生，多个空调机计算出的参数可以累积在云服务器300，云服务器300可以额外具备数据库。

学习单元360输入从每个空调机接收的参数作为学习因子，并输出用于指示在第一区间之后的第二区间上的相应空调机的运转模式的运转模式信息(s53)。然后，根据服务器控制单元350的控制，通信单元380可以将学习单元360输出的运转模式信息发送到每个空调机。

在图8中，云服务器300基于每个空调机发送的参数来提供相应的空调机在第二区间运行时所需的运转模式信息。此时，第二区间上的运转模式信息的特征在于，空调机在第二区间上的每小时耗电量小于空调机在第一区间上的每小时耗电量。

在图8中，云服务器的学习单元可以在学习过程中计算用于估计负载所需的各种信息，或者直接从外部接收该信息。例如，如图10、图13等所示，云服务器的学习单元可以由隐藏层构成，关于这些隐藏层的每个节点的设定、节点之间的链路或偏置、链路或节点的权重等的信息可以在预先设定之后在学习过程中改变。另外，可以将从外部另行监视或从学习中计算出的信息应用到学习单元。这里，外部是指与云服务器独立的服务器。或者，可以将额外的如存储卡的存储介质与云服务器结合，以将存储在存储介质中的信息应用到学习单元。

基于图7或图8的实施例时，可以应用基于学习的负载估计方法，以有效地控制空调的制冷。在该过程中，第二区间中的负载估计(运转模式信息的输出)可以通过对在达到目标温度的时刻上计算出的环境因子、控制信息以及根据达到目标温度的时刻之后的制冷而变化的温度模式进行学习来按级别估计。

另外，根据估计的负载水平设定温度，使得在第二区间可以省电或舒适制冷，学习单元160、360可以输出用于改变风量/风向等的运转模式信息。

如图3和图7所示，作为用于负载估计的学习逻辑(学习单元160)搭载于产品的一实施例，基于内部学习的控制模块100设置于空调机。另外，用于负载估计的学习逻辑(学习单元360)搭载于云服务器时，基于外部学习的控制模块200设置于空调机，并且云服务器300可以在通过无线通信从控制模块200接收环境因子和产品控制信息之后进行分析或重新学习。

图9是本发明一实施例的参数生成单元计算输入因子的图。温度用y轴表示，时间用x轴表示，表示温度随时间的变化。图9示出了用于学习的输入因子的示例，产品端的控制信息和温度随时间的变化而导出的温度变化率等学习因子的计算示例。

在上述实施例中，作为参数生成单元能够生成的输入因子，观察到室内初始温度、目标设定温度、初始n分钟温度变化率、快速区间温度变化率、以及达到目标温度的时间等。这里，n可以以各种方式选择，在图9的实施例中为三分钟。

图9示出参数生成单元110、210能够计算出初始温度tempinit和目标设定温度temptarget。初始温度tempinit可以利用感测单元120、220感测室内的初始温度来计算。目标设定温度temptarget基于在目标状态存储单元130、230中存储的目标设定温度来计算。另一方面，参数生成单元120、220可以用a/b计算初始三分钟温度变化率initrate。

b是指空调运行之后所经过的时间。例如，可以是三分钟或五分钟。a是指温度在经过b时间段期间从tempinit变化的幅度。

另一方面，快速区间温度变化率powerrate也可以用c/d来计算。c是指temptarget与tempinit之间的温差。因此，c可以是“tempinit–temptarget”。然后，由d来计算达到目标温度为止的时间powertime。在一实施例中，d表示在最多m分钟期间以最大制冷能力执行运转从而以最快速达到设定温度所需要的时间，在一实施例中，包括十五分钟或二十分钟的时间值。另外，可以在d时刻设置要在舒适模式(第二区间)中执行的制冷能力，以确定过载/标准负载/小负载。

第一区间(快速运转模式或快速区间)是指空调在最初驱动之后运转以达到目标温度的模式。在一实施例中，将初始制冷时以空调最大制冷能力达到目标设定温度为止高速制冷运转的方式作为第一区间模式的一实施例。

在图9中，目标温度也可以设定为特定的目标温度值，但也可以是预定的范围内的温度。例如，在目标温度值为20度时，作为达到目标温度的一实施例，可以是当前温度达到20度。然而，作为达到目标温度的另一实施例，即使当前温度以20度为基准达到+1度或-1度的状态(即19度～21度)，也可以判断为达到目标温度。

这可以应用于预先设定能够运行快速区间的时间范围的情况。例如，假设可以以最大制冷能力在快速区间运转的时间(可快速的时间)预先设定为如十分钟或十五分钟的情况。如果空调在开始运行之后超过可快速的时间运转然而未达到目标温度时，参数生成单元110、210可以将当前达到的温度代替目标温度包括在学习因子中。

然后，当达到目标温度时，可以从第一区间(快速区间)改变到第二区间(舒适运转模式或舒适区间)。另外，即使未达到目标温度，当经过预定的时间或接近目标温度时，空调的运转模式也可以改变到舒适区间。第二区间(舒适区间)将舒适运转作为一实施例，包括达到目标温度之后保持设定温度并以自动模式(间歇风)运行。

当外部对空间的影响大或者空间很宽时，室内温度不能达到目标温度。因此，即使是某种程度接近目标温度的情况下，也可以将模式从快速区间(第一区间)改变到舒适区间(第二区间)。

此后，可以在第二区间(舒适区间)选择与第一区间(快速区间)不同方式的运转模式。如上所述，学习单元160、360可以利用参数生成单元110、210生成的五个学习因子(tempinit,temptarget,initrate,powerrate,powertime)计算出舒适区间中的空调的运行模式、即运转模式。

在图9中，以快速运转模式运行的第一区间中每小时的温度变化率的绝对值大于以舒适运转模式运行的第二区间中每小时的温度变化率的绝对值。这是由于在快速运转模式中快速改变温度，在舒适运转模式中保持变化的温度。

另外，在第二区间(舒适运转模式)中，如果空间温度与目标设定温度之间的差值包括在预先设定的预定温度范围中，或者，在预定的时间内保持这种温差，则中央控制单元150、250可以向运转模式控制单元190、290指示切换到快速运转模式，用于对该空间进行快速制冷或制热。在这种情况下，运转模式控制单元190、290可以控制送风单元15和室外机2，使得空调机以在第一区间中如图所示用于急速降低空间温度的快速运转模式运行。当温差为2度以上时，或者，这种温差保持五分钟以上时，为了快速降低室内温度，能够以快速运转模式运行。

另外，如果在舒适运转模式下湿度为预定的基准以上(例如，70％以上)或这种湿度保持五分钟以上，则可以切换到湿度控制运转模式。中央控制单元150、250连续监视湿度，当达到预定的基准时，中断舒适运转模式并指示运转模式控制单元190、290开始湿度控制运转模式。此后，当湿度达到预定水平以下(例如，50％以下)并且这种状态保持预定时间以上(例如，五分钟以上)时，可以取消湿度控制运转模式并再次开始舒适运转模式。

根据图9所示的实施例，可以基于空调能够计算出的环境因子来估计负载。这包括了计算配置了空调的空间的制冷环境具有的特性作为各种学习因子，并基于该学习因子计算负载。另外，负载的计算不是基于简单的函数，而是可以使用云服务器300的学习单元360或空调的控制模块100中的学习单元160提供的深度学习算法，以计算与学习因子相对应的最佳负载。其结果，空调可以在第二区间选择基于负载级别的省电或舒适制冷等来运行。

传统技术中，由于在快速区间之后不考虑环境变化，因此存在用户在快速区间结束之后的舒适区间再次控制温度的问题。然而，在本发明的实施例中，基于初始学习和连续学习，在舒适区间状态下能够保持制冷状态，而不需要用户额外控制温度。

特别地，为了用户不需要进行额外的空调调节，并为用户带来舒适感，在最开始快速地执行制冷(或制热)以达到目标温度附近为止(第一区间)。然后，如果达到目标温度附近，则空调可以在保持制冷或制热的情况下判断是否继续保持第一区间的运转模式、或者与第一区间的运转模式相比消耗更大的电力、或者消耗更小的电力。作为一实施例，执行负载判断。

作为用于负载判断而输入到学习单元160、260的值，将到目前为止在第一区间计算出的时间或温度的变化、初始值、结果值或它们的大小等作为参数。

另外，中央控制单元150、250或云服务器300的服务器控制单元350可以根据在学习过程中计算出的运转模式来感测空调在运转的过程中改变温度的状况。在这种情况下，可以重新配置构成学习单元160、360的深度学习的隐藏层的节点或链路，或者改变权重，从而计算更适合的运转模式。

另一方面，在图9中，当在第一区间的结束时刻感测的湿度为设定的基准以上时，中央控制单元150、250可以向运转模式控制单元190、290指示进行湿度控制运转模式。例如，如果湿度为60％以上，则可以代替舒适运转模式，而根据湿度控制运转模式追加除湿功能。

当所述湿度达到设定的基准以下(例如，50％以下)且这种状态保持预定的时间以上(例如，五分钟以上)时，所述控制单元可以取消湿度控制运转模式而进入舒适运转模式。

图10是表示本发明一实施例中构成学习单元的学习算法的结构的图。作为学习结构的设计示例，是示出输入因子和构成学习结构的隐藏层(hiddenlayer)、输出因子的基于节点的结构的示例。

参数生成单元110、210生成的因子输入到学习单元160、260的输入层(inputlayer)。提供五个因子，但可以根据实施例应用各种因子。

学习单元160、260配置有多个隐藏层，从而可以计算输入的因子与每个层的边缘的相关性。例如，在图10中配置有三个隐藏层(hiddenlayer1、hiddenlayer2、hiddenlayer3)。

输入层的每个节点作为示例共有五个输入值。从五个输入节点输入的值在输入层进行转换或者可以在没有转换的情况下输出。

然后，从这些输入层输出的值选择性地在第一隐藏层(hiddenlayer1)形成十二个节点的输入值。同样地，第一隐藏层(hiddenlayer1)将链路的权重应用到输入的值，根据每个节点的逻辑计算出输出值。

从第一隐藏层输出的值选择性地重新形成第二隐藏层(hiddenlayer2)的八个节点的输入值。同样地，第二隐藏层(hiddenlayer2)将链路的权重应用到输入的值，根据每个节点的逻辑计算出输出值。

从第二隐藏层输出的值选择性地重新形成第三隐藏层(hiddenlayer3)的四个节点的输入值。同样地，第三隐藏层(hiddenlayer3)将链路的权重应用到输入的值，根据每个节点的逻辑计算出输出值。

最后，输出节点(output)可以以三种节点计算出负载程度。如上所述的过载/标准负载/小负载的情况下，每个值可以分别输入到标记为over的输出节点、标记为medium的输出节点、标记为under的输出节点。

在一实施例中，如果标记为over的输出节点为1，标记为medium的输出节点和标记为under的输出节点均为0，则可以将运转模式指示为过载。另一方面，如果标记为over的输出节点为1，标记为under的输出节点为1，标记为medium的输出节点为0，则可以将运转模式指示为标准负载。

另一实施例中，如果标记为over的输出节点为0，标记为medium的输出节点为0，标记为under的输出节点为1，则可以将运转模式指示为小负载。另一方面，如果标记为over的输出节点为0，标记为under的输出节点为0，标记为medium的输出节点为0，则可以将运转模式指示为标准负载。

在图10中，未示出每个层的节点之间的链路。在学习单元160、260调节算法或算法的构成要素的学习过程中，可以新创建或添加链路，也可以改变分配给每个链路的权重。另外，可以增减隐藏层的数量，也可以增减构成隐藏层的节点的数量。

图10的隐藏层和输入因子最开始收集实际多个家庭在实际中使用(现场)的数据和用于标准环境测试的室(实验)数据，以提取输入/结果因子，并且可以基于此来事先学习以设定隐藏层的初始权重值。此后，当通过云服务器，或者同一室内机中的控制模块100连续收集实际使用数据时，应用整个数据的重新学习以周期性地对隐藏层的每个节点、每个链路执行权重更新。

在一实施例中，空调运行时收集预定时间的db用于输出因子的判断，从而可以在负载基准分类中利用聚类技术(无监督学习：k-means算法)。

另外，每个隐藏层可以直接使用一般的深度学习方法。然而，在另一实施例中，可以改变用于学习的每个隐藏层的结构或更新权重。例如，云服务器300可以在将多个室内机提供的信息进行db化之后进行分析，以改变图9的多个层和节点、链路的结构。另外，在设定目标温度之后，感测用户在舒适区间状态下的预定时间内调节温度，并可以反映出所述感测的温度。在后述的图13中，用户对风速、风量或温度等的调节可以作为中断输入(interruptinput)包括在学习单元160、360的输入节点。

图11是在应用本发明一实施例的情况下表示运转模式的变化的图。

如上述图9所示，当空调开始运行时，参数生成单元110、210连续感测温度以计算出如图11所示的曲线图，并在该过程中可以计算出学习因子。图11中示出了三种不同的计算曲线图。首先，运转模式计算为过载的曲线图(指示为g-over)是由双点划线表示的曲线图，运转模式计算为标准负载的曲线图(指示为g-medium)是由实线表示的曲线图，运转模式计算为小负载的曲线图(指示为g-under)是由点划线表示的曲线图。

第一区间是压缩机以最大输出或大量输出在短时间内快速降低温度的区间。将快速区间作为一实施例。然后，根据空间的情况达到目标温度temptarget，或者以预定的温差达到目标温度的时刻为powertime。到达该时刻为止，参数生成单元110、210生成各种参数并将该参数提供到学习单元160、360。学习单元160、360利用在powertime时刻提供的多个参数，可以计算出运转模式。学习单元160、360可以在61指示的时间段分析根据第一区间的制冷的变化模式。然后，空调可以选择在第二区间减少电力消耗的同时为用户提供舒适感的运转模式。

根据变化模式在第一区间中没有充分达到目标温度、或达到温度所消耗的时间较长、或者反映初始n分钟的变化率等而由学习单元160、360计算出过载运转模式时，如g-over指示的曲线图所示，空调可以以过载模式运行。

根据变化模式在第一区间中充分达到目标温度、或达到温度所消耗的时间对应基准值时、或者反映初始n分钟的变化率等而由学习单元160、360计算出标准负载运转模式以保持当前的温度或目标温度时，如g-medium指示的曲线图所示，空调可以以标准负载模式运行。

根据变化模式在第一区间中达到的温度低于目标温度、或达到温度所消耗的时间短时、或者反映初始n分钟的变化率等而由学习单元160、360计算出小负载运转模式时，如g-under指示的曲线图所示，空调可以以小负载模式运行。

即使目标温度相同，如果达到目标温度为止的变化模式不同，空调也可以以不同方式运行。即，根据示出的多个学习因子的不同，在达到目标温度之后，基于随着制冷的温度变化模式而分析出的不同结果，可以对应室内环境的条件适当地执行进一步制冷或减少制冷等的运转模式。

传统技术中，因不同的室内环境条件而以相同的方式在第一区间进行制冷(或者制热)，以后也会根据空间而发生弱制冷(或者弱制热)或者过度制冷(或者过度制热)的情况。然而，如果应用本发明的实施例，则可以根据室内环境条件适当地在第二区间进行制冷(或者制热)，因此可以在减少能量消耗的同时保持舒适的室内环境。

图12是表示运转模式控制单元根据本发明一实施例的负载级别来控制运转模式的过程的图。在一实施例中，观察计算为小负载的情况。空调以快速模式运转，以从初始温度tempinit达到目标温度。在图12中，由于用第一区间表示的时域是达到目标设定温度之前的状态，因此空调可以以快速模式运转，在这种情况下，可以以使用空调的最大制冷力的冷却功率模式来运行。在该过程中，空调可以感测人体或感测空间区域以更有效地降低空间中的温度。

另一方面，由于用第二区间表示的时域是达到目标设定温度之后的状态，因此空调可以以舒适模式运转。本发明一实施例的控制模块的学习单元160或云服务器的学习单元360在t1时刻利用参数生成单元110、210生成的学习因子来判断运转模式。即，判断空调在第二区间运行所需的负载。在判断结果，图12判断为小负载来运行。这在第一区间的快速模式之后的第二区间中，运转模式控制单元190、290可以控制室内机和室外机等，以降低人体适应时间，升高温度，并降低风量。

根据运转模式控制单元190、290的小负载控制，在t2时刻，温度从t1时刻的目标温度的状态(temp-a)如temp-aa这样上升一部分，在t3时刻，温度如temp-ab这样再次上升，可以将温度保持到temp-ab。将目标温度自动设定为用户主要使用的温度为一实施例，但可以是用户在最近n次(例如，20次)最多设定的温度。或者，可以是外部的服务器将对应当前温度并基于大数据而优选的温度设定为目标温度。

在t1，可以基于达到目标温度为止计算出的各种参数来设定t1之后的制冷能力。例如，可以基于在先学习的信息和计算参数，设定当前状态是要提供过载的制冷能力，还是提供标准负载的制冷能力，还是提供小负载的制冷能力。然后，在t2、t3阶段逐渐调节制冷能力，从而在省电运转下运行。在该过程中，湿度高时可以根据额外的湿度控制处理来匹配到目标湿度。另外，可以计算出根据用户的模式使温度升高的时刻(t2、t3)等。

虽然图中未示出，但当判断为标准负载时，以标准条件反映人体适应时间，从而可以增加温度并将风量切换到弱风。另外，当判断为过载时，可以增加风量，而不根据人体适应条件而增加温度。

根据一实施例，基于以快速运转模式运行的过程中计算出的信息，可以确定过载/标准负载/小负载作为舒适运转模式的运行类型。在舒适运转模式的运转模式为过载时，运转模式控制单元190、290可以通过将风量控制为中风或者弱风以减少或保持风量的方法来控制空调机。

另一方面，在舒适运转模式的运转模式为小负载或标准负载时，所述运转模式控制单元190、290可以通过将风量控制为弱风以减少风量的方法来控制空调机。

另外，在舒适运转模式的运转模式中，运转模式控制单元190、290可以将送风单元15的风向设定为向上以将风送到许多区域。

作为达到目标温度之前/之后的运转模式的示例，可以分为在达到目标温度之前以空调最大制冷力运转的模式(第一区间)和达到目标温度之后根据在达到时刻t1判断的负载来进行定制控制的运转模式(第二区间)，从而根据在t1时刻估计的负载级别，通过改变风量提供各种运转模式以省电、或舒适制冷。

其中，提取空调开始运行时的初始温度和目标温度以及在此期间发生的各种环境的变量作为学习因子。然后，空调在使用最大制冷力的快速模式之后改变为舒适模式，并在该过程中，可以通过选择适合的负载以控制空调的运行，使用户不会感觉到温度升高。

另外，使用各种环境因子来确定负载，在以舒适模式运行的过程中，如果发生控制空调的运行的外部操作(升降温度或者调节风量等)，则通过将外部操作输入到学习单元160、360以形成新的结果节点，从而可以更准确地估计负载。

总结如下。将制冷空调机作为一实施例时，制冷空调机将快速运转模式的结束时刻t1作为基准，在t1-t2区间保持快速运转模式结束的时刻的温度，然后，在与t1-t2区间时间上连续的t2-t3区间，使温度相比t1-t2区间随着阶梯式变化率增加。将制热空调机作为一实施例时，将快速运转模式的结束时刻t1作为基准，在t1-t2区间保持温度，然后，在与t1-t2区间时间上连续的t2-t3区间，使温度相比t1-t2区间随着阶梯式变化率降低。这里，如图12所示，在一实施例中，阶梯式变化率是指温度缓慢变化或温度阶梯式上升。当然，空调机也可以运行成将t1的temp-a点作为一个点、将t2的temp-aa点作为另一个点、然后将t3的temp-ab点作为又另一个点时使温度在直线或折线或曲线上变化。

然后，t1-t2、t2-t3的时间间隔也可以增加或减小。例如，空调机在运行期间在t1-t2区间上可以从接口单元140、240接收用于升降温度的控制信号。用户在t1-t2区间上改变温度作为一实施例。中央控制单元150、250在接收到用于降低温度的控制信号时，可以增加t1-t2区间的时间长度。例如，可以增加一分钟。相反，中央控制单元150、250在接收到用于升高温度的控制信号时，可以减少t1-t2区间的时间长度。例如，可以减少一分钟。这也同样适用于在t2-t3区间上接收到控制信号的情况。其结果，在舒适运转模式中对应于升降温度的控制信号，t1-t2或t2-t3等发生控制信号的时刻的区间的增减可以与温度的升降成反比。

另外，根据本发明的实施例，控制单元150、250可以存储设置了空调机的空间中反复确认有室内人员的常驻区的位置信息。即，在空调机的风传递到的整个空间中，将人主要被感测到或人经常出现的区域的信息储存为常驻区的位置信息，在快速运转模式中，空调机可以将常驻区作为对象而集中运行。为此，在快速运转模式中，送风单元15的左右风向可以根据常驻区而设定。然后，在此后的舒适模式中，基于控制单元150、250存储的位置信息，例如，包括常驻区并间歇地识别有室内人员的生活区域的位置信息，送风单元15的左右风向可以在舒适运转模式中对应生活区域而设定。因此，由于在快速运转模式中集中地向存储在控制单元150、250中的特定区域(常驻区)进行送风，并在舒适运转模式中集中地向包括常驻区的更宽的区域(生活区域)进行送风，从而能够提高能源效率。

为了使控制单元150、250区分常驻区和生活区域，空调机包括可以使用获取外部的影像的相机来识别从相机所获得的影像中分为多个区域的室内空间中室内人员所处的区域，并通过机器学习(machinelearning)已学习室内人员的位置识别结果的人工神经网络(artificialneuralnetwork)，并通过在该人工神经网络输入数据来使用，以对多个区域划分为集中送风的常驻区和包括该常驻区的生活区域。这种信息也可以是从外部的服务器提供位置信息(以空调机为中心的左/右和距离信息)。

如图12所示，学习单元关于第二区间计算出的运转模式信息可以包括时间信息t2、t3和温度信息temp-ab、temp-aa。

图13是示出本发明一实施例的学习单元的结构的图。观察上述图3或图4的学习单元160、360的结构。

学习单元160、360包括：将n个参数作为输入节点的输入层(input)、将运转模式信息作为输出节点的输出层(output)、以及配置于输入层与输出层之间的一个以上的m个隐藏层。作为参数的实施例，可以是上述图5或图6中示出的因子，但不限于此。

这里，在连接多个层的节点的边缘(edge)中设定有权重，该权重或边缘的存在与否可以在学习过程中进行增加或删除或更新。因此，配置在k个输入节点与i个输出节点之间的多个节点和多个边缘的权重可以通过学习过程或中断输入而被更新。如图13所示，输出节点可以配置有i个，以按每个模式输出1/0或概率等值。或者，输出节点可以配置用于输出需要从第一区间的运转模式相对变化的元素(+、-或+10％或-20％)的一个节点。或者，图12中示出的t2、t3或temp-aa、temp-ab等也可以形成输出节点。

在学习单元160、360执行学习之前，可以将所有节点和边缘设定为初始值。然而，如果信息是累积输入，则图13的节点和边缘的权重改变，在该过程中，可以形成在第一区间生成的参数与适合于第二区间的运转模式信息的匹配。尤其在使用云服务器300的情况下，由于学习单元360可以接收大量参数，因此，学习单元360可以基于大量数据执行学习。

中断输入是指用于在输出关于第二区间的运转模式信息之后由用户改变风速或温度时指示这个情况的信息。因此，如果在第一区间输入k个参数之后计算出第二区间的运转模式信息，然后再次接收到中断输入，则可以将该中断输入以规定的值输入到另外的节点(interruptp)，从而计算出新的运转模式信息或更新学习单元160、360。

总之，形成图13的学习单元160、360的输入节点与输出节点之间的节点和边缘的权重可以通过学习单元160、360的学习过程或中央控制单元的中断输入来更新。

图14是表示根据本发明一实施例的学习单元的示例性结构的图。学习单元160、360包括作为输入的五个单元(units)、三个隐藏层以及作为输出的三个单元。第一隐藏层包括二十个单元，第二隐藏层包括十三个单元，第三隐藏层包括五个单元。每个节点之间始终配置有链路，并且可以设定该链路的权重。

作为输入的值，可以是室内初始温度、目标设定温度、初始n分钟(例如，三分钟)温差、快速区间温差、达到目标温度的时间。将这五个输入值组合而映射到二十个单元，这些映射所需的链路的权重(weight)和偏置(bias)可以从初始设定的值连续地学习，并在学习过程中这些值可以被改变。

同样地，从二十个单元映射到第二隐藏层的十三个单元，第二隐藏层的十三个单元再次映射到第三层的五个单元。然后，从最终五个单元连接到三个输出单元，每个输出单元代表负载程度。即，每个输出单元计算为某一个，其可以分别连接到标准负载、过载、小负载。当然，根据实现方法，输出单元可以为一个，并且将输出的值设置为0、1、2以计算出负载程度。

每个层之间的链路或施加在这些链路的权重和偏置可以在学习过程中继续改变。或者，可以在外部更新这些学习单元160、360的信息以设定权重和偏置。

在一实施例中，比较输入单元与第一隐藏层的单元时，由于每一个输入的节点设定有二十个隐藏层的节点的权重(weight)值，因此，对共五个输入节点可以生成一百个权重。另外，由于与权重值相乘之后计算出通过相加而添加的偏置值，因此，一共可以生成二十个偏置值。或者，偏置值也可以为每个权重设定。

当确定学习单元160、360的各个链路上的权重和偏置时，如果将五个参数输入到学习单元160、360，则最终计算出0、1或2的值。计算出的值可以作为用于设定空调的舒适模式中的负载的运转模式信息而提供给空调。

在输入中，应用于配置在第一隐藏层的链路的权重的集合是{w1_1,w1_2,...,w1_i}，且偏置的集合是{b1_1,b1_2,...,b1_20}。这里，i的值可以是20以上且100(5×20)以下。在图14中，由于输入节点与第一隐藏层的所有节点之间配置有链路，因此，i具有值100。对输入的五个因子应用{w1_1,w1_2,...,w1_100}和{b1_1,b1_2,...,b1_20}而输入为第一隐藏层的二十个单元的值。

应用于从第一隐藏层配置到第二隐藏层的链路的权重的集合是{w2_1,w2_2,...,w2_j}，偏置的集合是{b2_1,b2_2,...,b2_13}。这里，j的值可以是20以上且260(20×13)以下。在图14中，由于第一隐藏层与第二隐藏层之间的所有节点之间配置有链路，因此，j具有值260。对第一隐藏层的二十个单元的值应用{w2_1,w2_2,...,w2_260}和{b2_1,b2_2,...,b2_13}而输入为第二隐藏层的十三个单元的值。

应用于从第二隐藏层配置到第三隐藏层的链路的权重的集合是{w3_1,w3_2,...,w3_k}，偏置的集合是{b3_1,b3_2,...,b3_5}。这里，k的值可以是至少13以上且65(5×13)以下。在图14中，由于第二隐藏层与第三隐藏层之间的所有节点之间配置有链路，因此，k具有值65。对第二隐藏层的十三个单元的值应用{w3_1,w3_2,...,w3_65}和{b3_1,b3_2,...,b3_5}而输入为第三隐藏层的五个单元的值。

应用于从第三隐藏层配置到输出的链路的权重的集合是{w4_1,w4_2,...,w4_p}，偏置的集合是{b4_1,b4_2,...,b4_3}。这里，p的值可以是至少5以上且15(5×3)以下。在图14中，由于第三隐藏层与输出之间的所有节点之间配置有链路，因此p具有值15。对第三隐藏层的五个单元的值应用{w4_1,w4_2,...,w4_p}和{b4_1,b4_2,...,b4_3}而连接为三个输出单元，从而计算出负载程度。

图15是表示本发明一实施例的用于吐出制冷空气的空调机的参数与提供风速和制冷空气的相互作用的图。在吐出制冷空气的第一区间，学习单元160、360可以在以下情况增加风速或者室外机增加制冷空气。在i)与室内初始温度tempinit成正比、ii)与目标设定温度temptarget成反比、iii)与初始区间的温度变化率initrate成反比、iv)与第一区间的温度变化率powerrate成反比、或者v)与时间间隔powertime成正比的情况下，学习单元160、360可以输出用于控制为增加风速或者室外机增加制冷空气而提供的运转模式信息。

因此，当学习单元160、360由一个以上的隐藏层构成时，在风速、风量或制冷空气和tempinit/powertime之间可以配置有一个以上设定有高权重或正比权重的边缘和节点。这些边缘和节点形成表示为“正比”的四边形。

相反，风速、风量或制冷空气和temptarget/initrate/powerrate之间可以配置有一个以上设定有低权重或成反比的权重的边缘和节点。这些边缘和节点形成表示为“反比”的四边形。

图16是表示本发明另一实施例的用于吐出制热空气的空调机参数与提供风速和制热空气的相互作用的图。

在吐出制热空气的第一区间，学习单元160、360可以在以下情况增加风速或者室外机增加制热空气。在i)与室内初始温度tempinit成反比、ii)与目标设定温度temptarget成正比、iii)与初始区间的温度变化率initrate成反比、iv)与第一区间的温度变化率powerrate成反比、或者v)与时间间隔powertime成正比的情况下，学习单元160、360可以输出用于控制为增加风速或者室外机增加制热空气而提供的运转模式信息。

因此，当学习单元160、360由一个以上的隐藏层构成时，在风速、风量或制冷空气和temptarget/powertime之间可以配置有一个以上设定有高权重或正比权重的边缘和节点。这些边缘和节点形成表示为“正比”的四边形。

相反，风速、风量或制冷空气和tempinit/initrate/powerrate之间可以配置有一个以上设定有低权重或反比权重的边缘和节点。这些边缘和节点形成表示为“反比”的四边形。

在图15和图16中示出的正比/反比以及参数仅是实施例，可以以各种方式来选择。

基于图13至图16，学习单元160、360接收一个以上的参数作为学习因子，并且当学习因子不同时，输出的运转模式信息也可能不同。例如，当在第一时刻输入的第一学习因子与在第一时刻之后的第二时刻输入的第二学习因子彼此不同时，学习单元160、360在第二时刻之后计算出与在第一时刻输出的第一运转模式信息不同的第二运转模式信息，从而在第一时刻和第二时刻不同地输出第二区间的运转模式信息。其结果，第一时刻的第二区间的运转模式信息可以与第二时刻的第二区间的运转模式信息不同。

当应用本发明的实施例时，可以提供一种为了有效控制空调的制冷或制热而基于学习来估计负载的方法以及应用该方法的装置。尤其，在本发明的实施例中，学习在空调运行之后达到目标设定温度的时刻之前/之后的环境因子和根据制冷(或者制热)的温度模式的相关性，从而在达到目标温度之后按级别估计负载，以能够进行有效的制冷运转。因此，即使设定了相同的目标温度，达到目标温度之前的各种环境因子也成为以不同方式控制达到目标温度之后的空调运行的元素。

当应用本发明的实施例时，空调机将在运行过程中计算出的参数作为学习因子来计算出与此相对应的运转模式。

当应用本发明的实施例时，云服务器可以基于由多个空调机在运行过程中计算而提供的参数，在学习之后计算适合每个空调机的运转模式。

当应用本发明一实施例时，空调机在运行以达到预定目标达到温度之后，可以基于较小的每小时耗电量将目标达到温度保持在预定范围内。

在本发明的实施例中，可以构成为第二区间(舒适模式)的每小时耗电量小于第一区间(快速模式)的每小时耗电量。其中，第一区间是在最初最大限度地使用电力以快速制冷/制热的区间，且时间较短。另一方面，第二区间是保持在第一区间提供的制冷/制热的水平的区间，且时间较长。因此，第一区间中的每小时耗电量大于第二区间中的每小时耗电量。当然，第一区间的时间间隔也小于第二区间的时间间隔。例如，第一区间可以设定为最多不超过十分钟，第二区间可以保持比第一区间更长的3小时或5小时。

第二区间可以在中断了室内机提供制冷或制热功能的时刻中断，例如，在用户转换模式或关闭电源等另行改变运行的时刻中断。因此，第二区间的最初的消电量也可能等于或高于第一区间的消电量。然而，以第二区间的总时间为基准，计算每小时平均耗电量k2时，与在第一区间使用的每小时平均耗电量k1相比，满足k2＜k1。

以上描述了构成本发明的实施例的所有构成要素结合在一起或结合来运转，但本发明并不一定限于上述实施例，在本发明的目的范围内，所有构成要素也可以选择性地结合成一个以上来运转。另外，上述所有构成要素可以分别实现为一个独立的硬件，也可以实现为具有各个构成要素的一部分或全部可选地进行组合，用于执行在一个或多个硬件中组合的一部分或全部功能的程序模块的计算机程序。构成上述计算机程序的代码和代码段可以由本发明领域技术人员容易地推导出。上述计算机程序可以存储在计算机可读存储介质(computerreadablemedia)中，并由计算机读取并执行，从而实现本发明的实施例。作为计算机程序的存储介质，包括磁存储介质、光存储介质、半导体存储元件等存储介质。另外，实现本发明的实施例的计算机程序包括通过外部装置实时传输的程序模块。

以上，以本发明的实施例为中心进行了说明，但本领域技术人员可以进行各种变更或变形。因此，应理解，上述变更和变形在不脱离本发明的范围的前提下均应包含在本发明的范围内。