【技术实现步骤摘要】
本专利技术涉及设备控制，具体而言，涉及一种智能空调的温度控制方法、装置、计算机可读存储介质和空调器。
技术介绍
1、随着现代生活的发展，空调系统在各个领域的应用日益普及。然而，传统的pid(比例-积分-微分)控制方法在应对一些具有非线性、时变和复杂特性的空调系统时面临挑战。即在处理非线性、时变和复杂特性的空调系统时，传统pid控制方法的计算效率和计算准确率较低。
2、卡尔曼滤波能够提供较好的状态估计，但不能有效处理非线性问题。而rbf神经网络在非线性建模方面表现出色，但在状态估计方面有限。
技术实现思路
1、本申请的主要目的在于提供一种智能空调的温度控制方法、装置、计算机可读存储介质和空调器，以至少解决现有技术中pid控制方法在应对非线性和复杂系统时存在局限性的问题。
2、为了实现上述目的，根据本申请的一个方面，提供了一种智能空调的温度控制方法，包括：获取监测参数组和初始化参数组，所述监测参数组包括实时环境温度、空调的实时目标温度和实时温度变化率，所述初始化参数组包括卡尔曼滤波算法的初始化参数，所述初始化参数包括初始化环境温度、初始化目标温度和初始化温度变化率；根据所述初始化参数组通过卡尔曼滤波算法进行预测得到第一预测参数组，根据所述监测参数组和所述第一预测参数组通过卡尔曼滤波算法计算卡尔曼增益并根据所述卡尔曼增益对所述第一预测参数组进行修正得到第二预测参数组；将所述监测参数组输入径向基函数神经网络得到第三预测参数组，所述径向基函数神经网络用于根据输入参数预
3、可选地，根据所述初始化参数组通过卡尔曼滤波算法进行预测得到第一预测参数组，包括：获取历史参数组，所述历史参数组包括历史时间段内的所述监测参数组，所述历史时间段的持续时长为预设时长且所述历史时间段的结束时刻为当前时刻；根据所述历史参数组通过所述卡尔曼滤波算法确定所述初始化参数组和初始化协方差矩阵；获取当前时刻空调的控制参数得到第三控制参数，根据所述第三控制参数确定控制输入矩阵和控制输入向量，所述控制输入矩阵用于表征所述第三控制参数对所述初始化参数组的影响；获取状态转移矩阵，将所述初始化参数组、所述控制输入矩阵、所述控制输入向量和所述状态转移矩阵代入第一预设公式得到状态预测参数，所述状态转移矩阵用于表征参数的变化趋势；获取过程噪声协方差矩阵，将所述状态转移矩阵、所述初始化协方差矩阵和所述过程噪声协方差矩阵代入第二预设公式得到预测协方差矩阵，所述过程噪声协方差矩阵用于表征所述卡尔曼滤波算法的不确定性，所述预测协方差矩阵用于表征所述状态预测参数的不确定性；根据所述状态预测参数和所述预测协方差矩阵确定所述第一预测参数组。
4、可选地，根据所述监测参数组和所述第一预测参数组通过卡尔曼滤波算法计算卡尔曼增益，包括：根据所述监测参数组和所述第一预测参数组确定观测矩阵，所述观测矩阵用于表征所述监测参数组中的参数与所述第一预测参数组中的参数的关联；根据所述监测参数组确定测量噪声方差矩阵，所述测量噪声方差矩阵用于表征所述监测参数组中的参数的不确定性；将所述预测协方差矩阵、所述观测矩阵和所述噪声协方差矩阵代入第三预设公式得到所述卡尔曼增益。
5、可选地，根据所述卡尔曼增益对所述第一预测参数组进行修正得到第二预测参数组，包括：将所述监测参数组、所述状态预测参数、所述观测矩阵和所述卡尔曼增益代入第四预设公式得到修正状态参数；将所述预测协方差矩阵、所述观测矩阵和所述卡尔曼增益代入第五预设公式得到修正协方差矩阵；根据所述修正状态参数和所述修正协方差矩阵确定所述第二预测参数组。
6、可选地，将所述监测参数组输入径向基函数神经网络得到第三预测参数组，包括：将所述监测参数组中的中的参数缩放到预设范围内得到输入参数组；将所述输入参数组中的参数转换为向量得到输入向量组；根据所述输入向量组确定径向基函数的数量得到目标数量，并根据所述径向基函数确定对应的中心点得到目标中心点，所述径向基函数与所述输入向量组中的向量一一对应；获取第一预设权重，将所述输入向量组、所述第一预设权重、所述目标中心点和所述目标数量代入第六预设公式得到所述第三预测参数组，所述第一预设权重与所述径向基函数一一对应。
7、可选地，对所述第二预测参数组和所述第三预测参数组进行加权平均计算得到第四参数组，并根据所述第四参数组进行pid运算得到第一控制参数，包括：获取第二预设权重，并根据所述第二预设权重、所述第二预测参数组中的所述修正状态参数和所述第三预测参数组中的参数进行加权平均计算得到所述第四参数组，所述第二预设权重与所述修正状态参数一一对应，所述第二预设权重与所述第三参数组中的参数一一对应；获取预设比例增益、预设积分增益和预设微分增益，根据所述第四参数组中的环境温度和目标温度计算温度偏差，并根据所述温度偏差、所述预设比例增益、所述预设积分增益和所述预设微分增益进行pid运算得到所述第一控制参数。
8、可选地，根据所述第二预测参数组和所述第一控制参数进行加权平均计算得到第二控制参数，包括：在所述第一控制参数与预设控制参数之差大于目标阈值且所述第一控制参数大于所述预设控制参数的情况下，减小第三预设权重且增大第四预设权重，所述第三预设权重为所述第一控制参数对应的权重，所述第四预设权重为所述第二预测参数组对应的权重；在所述第一控制参数与预设控制参数之差大于目标阈值且所述第一控制参数小于所述预设控制参数的情况下，增大所述第三预设权重且减小所述第四预设权重。
9、根据本申请的另一方面，提供了一种智能空调的温度控制装置，所述装置包括：获取单元，用于获取监测参数组和初始化参数组，所述监测参数组包括实时环境温度、空调的实时目标温度和实时温度变化率，所述初始化参数组包括卡尔曼滤波算法的初始化参数，所述初始化参数包括初始化环境温度、初始化目标温度和初始化温度变化率；第一计算单元，用于根据所述初始化参数组通过卡尔曼滤波算法进行预测得到第一预测参数组，根据所述监测参数组和所述第一预测参数组通过卡尔曼滤波算法计算卡尔曼增益并根据所述卡尔曼增益对所述第一预测参数组进行修正得到第二预测参数组；第二计算单元，用于将所述监测参数组输入径向基函数神经网络得到第三预测参数组，所述径向基函数神经网络用于根据输入参数预测所述输入参数的变化趋势；第三计算单元，用于对所述第二预测参数组和所述第三预测参数组进行加权平均计算得到第四参数组，并根据所述第四参数组进行pid运算得到第一控制参数，并根据所述第二预测参数组和所述第一控制参数进行加权平均计算得到第二控制参数，所述第一控制参数用于控制所述空调的制冷或制热输出；控制单元，用于根据所述第二控制参数控制所述空调运行。...
【技术保护点】
1.一种智能空调的温度控制方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，根据所述初始化参数组通过卡尔曼滤波算法进行预测得到第一预测参数组，包括：
3.根据权利要求2所述的方法，其特征在于，根据所述监测参数组和所述第一预测参数组通过卡尔曼滤波算法计算卡尔曼增益，包括：
4.根据权利要求3所述的方法，其特征在于，根据所述卡尔曼增益对所述第一预测参数组进行修正得到第二预测参数组，包括：
5.根据权利要求1所述的方法，其特征在于，将所述监测参数组输入径向基函数神经网络得到第三预测参数组，包括：
6.根据权利要求1所述的方法，其特征在于，对所述第二预测参数组和所述第三预测参数组进行加权平均计算得到第四参数组，并根据所述第四参数组进行PID运算得到第一控制参数，包括：
7.根据权利要求1所述的方法，其特征在于，根据所述第二预测参数组和所述第一控制参数进行加权平均计算得到第二控制参数，包括：
8.一种智能空调的温度控制装置，其特征在于，所述装置包括：
9.一种计算机可读存储介质
10.一种空调器，其特征在于，包括：一个或多个处理器，存储器，以及一个或多个程序，其中，所述一个或多个程序被存储在所述存储器中，并且被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行权利要求1至7中任意一项所述的方法。
...【技术特征摘要】
1.一种智能空调的温度控制方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，根据所述初始化参数组通过卡尔曼滤波算法进行预测得到第一预测参数组，包括：
3.根据权利要求2所述的方法，其特征在于，根据所述监测参数组和所述第一预测参数组通过卡尔曼滤波算法计算卡尔曼增益，包括：
4.根据权利要求3所述的方法，其特征在于，根据所述卡尔曼增益对所述第一预测参数组进行修正得到第二预测参数组，包括：
5.根据权利要求1所述的方法，其特征在于，将所述监测参数组输入径向基函数神经网络得到第三预测参数组，包括：
6.根据权利要求1所述的方法，其特征在于，对所述第二预测参数组和所述第三预测参数组进行加权平均计算得到第四参数组，并根据所...
【专利技术属性】
技术研发人员：陶平安，徐玉姣，李春光，唐杰，
申请(专利权)人：珠海格力电器股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。