一种基于机器学习的建筑温控设备优化控制方法和系统技术方案

本申请实施例提出的一种基于机器学习的建筑温控设备的优化控制方法和系统，其中建筑空间各个区域内的控制器进行工作状态和温度数据的交换，进而在数据交换的基础上，通过机器学习自主掌握区域之间温度相互影响的规律，进而根据学习获得的温度规律划分小组，在小组内的控制器采用轮换机制，避免了多个控制器并行驱动温度调节设备运行造成的功率负荷过大，同时考虑到相邻的连通区域内的温度相互影响，在节能方面进行了优化。

An Optimal Control Method and System for Building Temperature Control Equipment Based on Machine Learning

An optimal control method and system of building temperature control equipment based on machine learning is proposed in the embodiment of this application, in which the controller in each area of building space exchanges working state and temperature data. On the basis of data exchange, the law of temperature interaction among regions is mastered by machine learning, and then divided according to the temperature law obtained by learning. In the group, the controller in the group adopts rotation mechanism, which avoids the excessive power load caused by the parallel driving of temperature regulating equipment by multiple controllers. At the same time, considering the temperature interaction in the adjacent communication area, the energy saving is optimized.

【技术实现步骤摘要】
一种基于机器学习的建筑温控设备优化控制方法和系统
本申请涉及智慧建筑
，尤其涉及一种基于机器学习的建筑温控设备优化控制方法和系统。
技术介绍
智慧建筑是集成多元信息感知、物联网通信、自动优化控制、大数据采集、人工智能以及智能终端硬件等各种先进技术实现的人类生活空间，提供保温、空调、照明、供水、供电、电视、通信等基础服务，为人们提供高效、安全、节能、舒适、环保的环境。随着科技和经济的快速发展，人们对能源的利用率以及对环境的保护越来越重视，通过提高能源利用率和保护环境来实现可持续发展。智慧建筑必然要适应这一大趋势，在各项基础设施和服务中贯彻节能环保低碳的理念。现有技术中，在建筑物的较大空间，例如门厅、走廊等公共区域，以及用于较多人员集中办公的大开间区域，通常按照一定的布局放置一定数量的温度调节设施，例如布置一定数量的中央空调的冷热风口、电加热设备或者分体空调。并且，采用温控设备来对各区域的温度调节设施进行温度控制，例如，采用安装在墙壁的控制器来控制对办公区域进行供热或者制冷。在对各区域进行温度控制时，一般采用反馈式控制，即控制器利用传感器采集对应区域内的环境温度，在根据用户的控制指令与传感器采集到的温度进行对比，以判断当前区域内的温度是否达到用户指令设置的温度，如果没有达到则控制器通过驱动温度调节设施继续改变当前区域内的温度，直到传感器采集到的温度达到用户的需求。但是，在现有技术中，会存在各区域的控制器同时改变对应区域内的温度的状况，一方面，多个控制器并行驱动温度调节设施运行，如果全部或者绝大部分温度调节设施同时工作，造成总功率过大，对集中办公区域的供电系统造成负荷过载，另一方面，不同区域内的温度不同，并且相邻的连通区域内的温度会相互影响，例如温度较高的区域会影响温度较低的区域，使该区域内温度升高，如果这两个区域同时加热或降温，则会造成不必要的能源浪费，还可能造成某些区域的温度变化超出预期，在节能方面没有优化。
技术实现思路
有鉴于此，本申请的目的在于提出一种基于机器学习的建筑温控设备优化控制方法和系统，来解决现有技术中智慧建筑空间内的各区域的温度并行独立进行控制、相互之间缺少智能化协调的问题，避免多个控制器驱动对应的温度调节设施并行运行造成功率过大，同时基于人工智能的机器学习技术分析建筑空间各区域内温度相互影响的规律关系，从而在节能方面实现协调优化。基于上述目的，在本申请的一个方面，提出了一种基于机器学习的建筑温控设备的优化控制方法，包括：多个控制器分别获取自身的工作状态以及与所述控制器对应的传感器采集到的温度数据；每个所述的控制器将自身的工作状态和温度数据发送至其他控制器；在完成工作状态和温度数据的交换后，控制器之间根据所述温度数据确定同一类别的控制器，并将同一类别的控制器组织形成控制器小组；每个所述的控制器小组内的控制器根据同一小组内其他控制器的工作状态改变自身区域的工作状态，以避免并行运行。在一些实施例中，所述每个所述的控制器将自身的工作状态和温度数据发送至其他控制器，包括：对于每个所述的控制器，该控制器接收接收其它控制器发送的工作状态和温度数据，并将接收的工作状态和温度数据转发至同一小组内的其他控制器。在一些实施例中，在完成工作状态和温度数据的交换后，所述控制器之间根据所述温度数据的同步变化率，确定同一类别的控制器，并将同一类别的控制器组织形成控制器小组。在一些实施例中，所述每个所述的控制器将自身的工作状态和温度数据发送至其他控制器，包括：预先将每个控制器作为节点绘制树形图，在树形图中，作为子节点的控制器将自身的工作状态和温度数据上传至父节点。在一些实施例中，在完成工作状态和温度数据的交换后，所述控制器之间根据所述温度数据确定同一类别的控制器，并将同一类别的控制器组织形成控制器小组，包括：在完成工作状态和温度数据的发送后，由最终的父节点根据所述温度数据确定同一类别的控制器，并将同一类别的控制器组织形成控制器小组。在一些实施例中，所述每个所述的控制器小组内的控制器根据同一小组内其他控制器的工作状态改变自身的工作状态，包括：每个所述的控制器小组内的控制器按照预设顺序轮换工作。在一些实施例中，所述每个所述的控制器小组内的控制器根据同一小组内其他控制器的工作状态改变自身的工作状态，包括：每个所述的控制器小组内控制器在同一时间周期内由温度偏差值最大的控制器进行工作。基于上述目的，在本申请的另一个方面，提出了一种基于机器学习的建筑温控设备的优化控制系统，包括：多个控制器以及与每个控制器对应的传感器，其中，每个所述的控制器包括：数据获取模块，用于获取自身对应区域的温度调节设备的工作状态以及与所述控制器对应的传感器采集到的温度数据；数据发送模块，用于将自身的工作状态和温度数据发送至其他控制器；控制器小组形成模块，用于在完成工作状态和温度数据的发送后，根据所述温度数据确定同一类别的控制器，并将同一类别的控制器组织形成控制器小组；工作状态改变模块，用于根据同一小组内其他控制器的工作状态改变自身控制的温度调节设备的工作状态，以避免并行运行。在一些实施例中，所述工作状态改变模块，具体用于：根据预设顺序控制对应的控制器进行轮换工作。在一些实施例中，所述工作状态改变模块，具体用于：根据温度数据确定偏差值最大的控制器，并在同一时间周期内控制对应的控制器进行工作。本申请实施例提出的一种基于机器学习的建筑温控设备的优化控制方法和系统，其中建筑空间各个区域内的控制器进行工作状态和温度数据的交换，进而在数据交换的基础上，通过机器学习自主掌握区域之间温度相互影响的规律，进而根据学习获得的温度规律划分小组，在小组内的控制器采用轮换机制，避免了多个控制器并行驱动温度调节设备运行造成的功率负荷过大，同时考虑到相邻的连通区域内的温度相互影响，在节能方面进行了优化。附图说明通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：图1是本申请实施例一的温控设备的优化控制方法的流程图；图2是本申请实施例二的温控设备的优化控制方法的流程图；图3是本申请实施例三的温控设备的优化控制方法的流程图；图4是本申请实施例四的温控设备的优化控制系统的结构示意图。具体实施方式下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关专利技术，而非对该专利技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关专利技术相关的部分。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。本申请实施例提供的基于机器学习的建筑温控设备的优化控制方法，用于对智慧建筑空间中的各区域内的温度进行控制，该控制的对象是负责这些区域的温度调节设施，可以是制热，也可以是制冷，例如中央空调的出风口、分体空调、电加热器等。而负责执行对这些温度调节设施的控制的硬件为控制器，这些控制器可以布置在智慧建筑的墙壁上，或者布置在其它位置；控制器可以接收用户指令，该指令指示其所负责区域的目标温度，例如控制器上面可以安装触控面板、键盘，或者控制器可以接收遥控。所述的智慧建筑空间中的区域可以是互通的，也可以是相互隔离的，这里的互通和隔离是针本文档来自技高网...

【技术保护点】
1.一种基于机器学习的建筑温控设备的优化控制方法，其特征在于，包括：多个控制器分别获取自身的工作状态以及与所述控制器对应的传感器采集到的温度数据；每个所述的控制器将自身的工作状态和温度数据发送至其他控制器；在完成工作状态和温度数据的交换后，控制器之间根据所述温度数据确定同一类别的控制器，并将同一类别的控制器组织形成控制器小组；每个所述的控制器小组内的控制器根据同一小组内其他控制器的工作状态改变自身区域的工作状态，以避免并行运行。

【技术特征摘要】
1.一种基于机器学习的建筑温控设备的优化控制方法，其特征在于，包括：多个控制器分别获取自身的工作状态以及与所述控制器对应的传感器采集到的温度数据；每个所述的控制器将自身的工作状态和温度数据发送至其他控制器；在完成工作状态和温度数据的交换后，控制器之间根据所述温度数据确定同一类别的控制器，并将同一类别的控制器组织形成控制器小组；每个所述的控制器小组内的控制器根据同一小组内其他控制器的工作状态改变自身区域的工作状态，以避免并行运行。2.根据权利要求1所述的方法，其特征在于，所述每个所述的控制器将自身的工作状态和温度数据发送至其他控制器，包括：对于每个所述的控制器，该控制器接收接收其它控制器发送的工作状态和温度数据，并将接收的工作状态和温度数据转发至同一小组内的其他控制器。3.根据权利要求2所述的方法，其特征在于，在完成工作状态和温度数据的交换后，所述控制器之间根据所述温度数据的同步变化率，确定同一类别的控制器，并将同一类别的控制器组织形成控制器小组。4.根据权利要求1所述的方法，其特征在于，所述每个所述的控制器将自身的工作状态和温度数据发送至其他控制器，包括：预先将每个控制器作为节点绘制树形图，在树形图中，作为子节点的控制器将自身的工作状态和温度数据以及接收到的自身的子节点的工作状态和温度数据上传至父节点。5.根据权利要求4所述的方法，其特征在于，在完成工作状态和温度数据的交换后，所述控制器之间根据所述温度数据确定同一类别的控制器，并将同一类别的控制器组织形成控制器小组，包括：在完成工作状态和温度数据的发送后，...

【专利技术属性】
技术研发人员：罗洪燕，
申请(专利权)人：特斯联北京科技有限公司，
类型：发明
国别省市：北京,11