一种空调系统及模型训练方法与流程

本发明涉及空调，尤其涉及一种空调系统及模型训练方法。

背景技术：

1、机器智能(artificial intelligence，ai)模型可嵌入在空调室外机101中，用于完成对当前安装环境的识别，根据识别出的需求负荷的变化，输出各个房间类型的预测值，供空调室外机101中的微控制单元(microcontroller unit，mcu)进行判断和控制。但是，在制冷行业，与人工智能技术的相融合，遇到很多例如数据源筛选，场景分类和噪声数据干扰等问题，使得在进行模型训练时，筛选的数据源不准确，导致ai模型预测结果不准确。

技术实现思路

1、本发明的实施例提供一种空调系统及模型训练方法，解决了目前嵌入在空调室外机中的训练模型预测结果不准确的问题。

2、为达到上述目的，本发明的实施例采用如下技术方案：

3、第一方面，提供一种空调系统，包括：采集单元，用于采集多个空调室内机中每个空调室内机处于多种房间类型中每个房间类型下的多组采样数据，多种房间类型由空调室内机的输出能力和房间需求负荷的相关关系进行确定。训练单元，用于将多组采样数据中的部分采样数据输入到神经网络框架中进行模型训练，得到训练模型，训练模型用于识别多个空调室内机中至少一个空调室内机所处的房间类型。

4、由此，本申请通过空调室内机的输出能力和房间需求负荷的相关关系确定多种房间类型，并将采集到的多个空调室内机中每个空调室内机处于多种房间类型中每个房间类型下的多组采样数据中的部分采样数据用于模型训练。相比于现有技术，由于无法明确定义场景标签，使得在进行模型训练时，筛选的数据源不准确。本申请首先通过空调室内机的输出能力和房间需求负荷的相关关系明确定义多种房间类型，并根据定义的多种房间类型，采集多组采样数据进行模型训练，使得训练模型的预测结果更加准确。

5、在一些实施例中，多种房间类型是根据房间过负荷的极限值和房间欠负荷的极限值进行房间类型划分的，其中，房间过负荷的极限值和房间欠负荷的极限值是根据空调室内机的单位输出能力对应的单位房间需求负荷确定的。

6、在一些实施例中，对于每种房间类型，多组采样数据中的每组采样数据包括不同设定温度下的多个变量的采样数据。其中，同一设定温度下的多个变量的采样数据包括同一设定温度下采集到的不同时刻的多个变量的采样数据。多个变量包括空调室内机的控制参数和运行状态参数。控制参数包括：设定风挡。运行状态参数至少包括室外环境温度、出风温度、回风温度、气管温度、液管温度、排气压力和吸气压力。

7、在一些实施例中，还包括：确定单元，用于对每个房间类型进行多组采样数据采样时，当同一设定温度下，第一时刻下的多个变量中的第一变量为空数据时，根据第二时刻下的第一变量的采样数据确定第一时刻下第一变量的采样数据，其中，第一时刻下第一变量的采样数据和第二时刻下第一变量的采样数据相同，第二时刻是第一时刻之前的一个时刻。

8、在一些实施例中，确定单元，还用于：对每个房间类型进行多组采样数据采样时，根据每组采样数据中的每个变量的采样数据的上限值和下限值确定每个变量的采样数据是否为异常数据。

9、第二方面，提供一种模型训练方法，该模型应用于空调系统，空调系统包括空调室外机和至少一个空调室内机，该方法包括：采集多个空调室内机中每个空调室内机处于多种房间类型中每个房间类型下的多组采样数据，多种房间类型由空调室内机的输出能力和房间需求负荷的相关关系进行确定。将多组采样数据中的部分采样数据输入到神经网络框架中进行模型训练，得到训练模型，训练模型用于识别多个空调室内机中至少一个空调室内机所处的房间类型。

10、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。

11、在一些实施例中，多种房间类型是根据房间过负荷的极限值和房间欠负荷的极限值进行房间类型划分的，其中，房间过负荷的极限值和房间欠负荷的极限值是根据空调室内机的单位输出能力对应的单位房间需求负荷确定的。

12、在一些实施例中，对于每种房间类型，多组采样数据中的每组采样数据包括不同设定温度下的多个变量的采样数据。其中，同一设定温度下的多个变量的采样数据包括同一设定温度下采集到的不同时刻的多个变量的采样数据。多个变量包括空调室内机的控制参数和运行状态参数。控制参数包括：设定风挡。运行状态参数至少包括室外环境温度、出风温度、回风温度、气管温度、液管温度、排气压力和吸气压力。

13、在一些实施例中，该方法还包括：对每个房间类型进行多组采样数据采样时，当同一设定温度下，第一时刻下的多个变量中的第一变量为空数据时，根据第二时刻下的第一变量的采样数据确定第一时刻下第一变量的采样数据，其中，第一时刻下第一变量的采样数据和第二时刻下第一变量的采样数据相同，第二时刻是第一时刻之前的一个时刻。

14、在一些实施例中，该方法还包括：对每个房间类型进行多组采样数据采样时，根据每组采样数据中的每个变量的采样数据的上限值和下限值确定每个变量的采样数据是否为异常数据。

技术特征：

1.一种空调系统，其特征在于，包括：

2.根据权利要求1所述的空调系统，其特征在于，

3.根据权利要求1或2所述的空调系统，其特征在于，

4.根据权利要求3所述的空调系统，其特征在于，还包括：

5.根据权利要求4所述的空调系统，其特征在于，所述确定单元，还用于：

6.一种模型训练方法，其特征在于，所述模型应用于空调系统，所述空调系统包括空调室外机和至少一个空调室内机，所述方法包括：

7.根据权利要求6所述的方法，其特征在于，

8.根据权利要求6或7所述的方法，其特征在于，

9.根据权利要求8所述的方法，其特征在于，所述方法还包括：

10.根据权利要求9所述的方法，其特征在于，所述方法还包括：

技术总结
本发明公开一种空调系统及模型训练方法，涉及空调技术领域，为解决目前嵌入在空调室外机中的训练模型预测结果不准确的问题。该方法包括采集多个空调室内机中每个空调室内机处于多种房间类型中每个房间类型下的多组采样数据，多种房间类型由空调室内机的输出能力和房间需求负荷的相关关系进行确定。将多组采样数据中的部分采样数据输入到神经网络框架中进行模型训练，得到训练模型，训练模型用于识别多个空调室内机中至少一个空调室内机所处的房间类型。

技术研发人员：宫华耀,阮岱玮,李君飞,高岭
受保护的技术使用者：青岛海信日立空调系统有限公司
技术研发日：
技术公布日：2024/1/15