空调控制方法、装置、空调及存储介质与流程

1.本发明实施例涉及智能空调领域，尤其涉及一种空调控制方法、装置、空调及存储介质。


背景技术：

2.随着经济和科技的快速发展以及人们对居住环境舒适度要求的提高，空调的应用越来越普遍，随之而来的，在国家大力提倡节能减排的形式下，人工智能在调节空调节能领域的应用呈现飞跃式进步。
3.目前在对空调节能方面采用的方法为通过采集空调各参数之间的逻辑判断是否达到阈值来调整空调的运行模式，达到粗糙的系统控制，但是，参数阈值时基于经验确定的，不能使空调在各种复杂环境下都能达到最优的舒适性和节能效果。


技术实现要素：

4.鉴于此，为解决上述空调智能节能的技术问题，本发明实施例提供一种空调控制方法、装置、空调及存储介质。
5.第一方面，本发明实施例提供一种空调控制方法，包括
6.获取空调对应的环境信息以及所述空调当前的运行参数；
7.基于所述环境信息和所述运行参数，确定所述空调的第一制冷/热量和第一能耗；
8.根据节能策略对所述第一制冷/热量和所述第一能耗进行调整，得到第二制冷/热量和第二能耗；
9.基于所述环境信息、所述第二制冷/热量和所述第二能耗生成所述空调的调整参数；
10.基于所述调整参数对所述空调的运行状态进行调整。
11.在一个可能的实施方式中，所述方法还包括：
12.将所述环境信息和所述运行参数输入到预训练的第一神经网络模型中，以使所述第一神经网络模型输出所述空调的第一制冷/热量和第一能耗。
13.在一个可能的实施方式中，所述方法还包括：
14.在所述空调的当前运行模式为制冷情况下，若所述室内温度与所述空调的设定温度的差值小于第一阈值，则从第一预设范围中随机选择调整值，基于所述调整值对所述第一制冷量和所述第一能耗进行调整，得到第二制冷量和第二能耗；若所述室内温度与所述设定温度的差值大于或等于所述第一阈值，则从第二预设范围中随机选择调整值，基于所述调整值对所述第一制冷量和所述第一能耗进行调整，得到第二制冷量和第二能耗；
15.或者，
16.在所述空调的当前运行模式为制热情况下，若所述室内温度与所述空调的设定温度的差值小于第一阈值，则从第一预设范围中随机选择调整值，基于所述调整值对所述第一制热量和所述第一能耗进行调整，得到第二制热量和第二能耗；若所述室内温度与所述
设定温度的差值大于或等于所述第一阈值，则从第二预设范围中随机选择调整值，基于所述调整值对所述第一制热量和所述第一能耗进行调整，得到第二制热量和第二能耗。
17.在一个可能的实施方式中，所述方法还包括：
18.若所述空调的运行状态调整后所述室内温度升高，则对所述第二制冷量和所述第二能耗进行调整，以及更新所述调整参数，以使所述室内温度不变；
19.或者，
20.若所述空调的运行状态调整后所述室内温度降低，则对所述第二制热量和所述第二能耗进行调整，以及更新所述调整参数，以使所述室内温度不变。
21.在一个可能的实施方式中，所述方法还包括：
22.将所述环境信息、所述第二制冷/热量和所述第二能耗输入到预训练的第二神经网络模型中，以使所述第二神经网络模型输出所述空调的调整参数。
23.在一个可能的实施方式中，所述方法还包括：
24.向设置于所述空调的内机和外机上的温度传感器发送温度获取指令；
25.接收所述温度传感器响应于所述温度获取指令返回的室内温度和室外温度；
26.以及，向设置于所述空调的内机上的湿度传感器发送湿度获取指令；
27.接收所述湿度传感器响应于所述湿度获取指令返回的室内湿度。
28.第二方面，本发明实施例提供一种空调控制装置，包括：
29.获取模块，用于获取空调对应的环境信息以及所述空调当前的运行参数；
30.确定模块，用于基于所述环境信息和所述运行参数，确定所述空调的第一制冷/热量和第一能耗；
31.所述确定模块，还用于基于所述环境信息、所述第二制冷/热量和所述第二能耗生成所述空调的调整参数；
32.调整模块，用于根据节能策略对所述第一制冷/热量和所述第一能耗进行调整，得到第二制冷/热量和第二能耗；
33.所述调整模块，还用于基于所述调整参数对所述空调的运行状态进行调整。
34.在一个可能的实施方式中，所述调整模块，具体用于在所述空调的当前运行模式为制冷情况下，若所述室内温度与所述空调的设定温度的差值小于第一阈值，则从第一预设范围中随机选择调整值，基于所述调整值对所述第一制冷量和所述第一能耗进行调整，得到第二制冷量和第二能耗；若所述室内温度与所述设定温度的差值大于或等于所述第一阈值，则从第二预设范围中随机选择调整值，基于所述调整值对所述第一制冷量和所述第一能耗进行调整，得到第二制冷量和第二能耗；或者，在所述空调的当前运行模式为制热情况下，若所述室内温度与所述空调的设定温度的差值小于第一阈值，则从第一预设范围中随机选择调整值，基于所述调整值对所述第一制热量和所述第一能耗进行调整，得到第二制热量和第二能耗；若所述室内温度与所述设定温度的差值大于或等于所述第一阈值，则从第二预设范围中随机选择调整值，基于所述调整值对所述第一制热量和所述第一能耗进行调整，得到第二制热量和第二能耗。
35.第三方面，本发明实施例提供一种空调，其特征在于，包括：处理器和存储器，所述处理器用于执行所述存储器中存储的空调控制程序，以实现第一方面中任一项所述的空调控制方法。
36.第四方面，本发明实施例提供一种存储介质，其特征在于，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现第一方面中任一项所述的空调控制方法。
37.本发明实施例提供的空调控制方法，通过获取空调对应的环境信息以及所述空调当前的运行参数；基于所述环境信息和所述运行参数，确定所述空调的第一制冷/热量和第一能耗；根据节能策略对所述第一制冷/热量和所述第一能耗进行调整，得到第二制冷/热量和第二能耗；基于所述环境信息、所述第二制冷/热量和所述第二能耗生成所述空调的调整参数；基于所述调整参数对所述空调的运行状态进行调整，可以使空调更加智能的确定最优的运行参数并根据最优运行参数进行调整，实现空调在不影响舒适性的前提下节约能耗。
附图说明
38.图1为本发明实施例提供的一种空调控制方法的流程示意图；
39.图2为本发明实施例提供的另一种空调控制方法的流程示意图；
40.图3为本发明实施例提供的一种空调控制装置的结构示意图；
41.图4为本发明实施例提供的一种空调的结构示意图。
具体实施方式
42.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
43.为便于对本发明实施例的理解，下面将结合附图以具体实施例做进一步的解释说明，实施例并不构成对本发明实施例的限定。
44.本发明是人工智能在智能空调领域的应用，智能空调可以通过本方法更加智能的在不同的运行环境下寻找到最优的运行参数，进而调整运行状态，实现空调在不影响舒适性的前提下降低能耗。
45.需要说明的是，所述环境信息至少包括：室内温度、室内湿度和/或室外温度；
46.所述运行参数至少包括：压缩机频率和转速；
47.所述第一神经网络模型是预训练的根据环境信息和运行参数预测出空调制冷/热量和能耗的模型；
48.所述第二神经网络模型是根据空调制冷/热量和能耗计算出空调运行参数的模型。
49.图1为本发明实施例提供的一种空调控制方法的流程示意图，如图1所示，该方法具体包括：
50.s11、获取空调对应的环境信息以及所述空调当前的运行参数。
51.本发明实施例中，空调内机上设置有温度传感器和湿度传感器，外机上设置有温度传感器，通过以上传感器可以获取空调对应的室内温度、室内湿度、室外温度或季节等环境信息；进而获取空调的压缩机的压缩频率、压缩机转速、预设温度或运行模式等运行参
数。
52.例如，获取空调对应的环境信息为夏季、室内温度27摄氏度、室内湿度40％和室外温度38摄氏度；获取到空调的压缩机频率为50hz、压缩机转速为3000r/min、预设温度26摄氏度和运行模式为制冷模式。
53.又如，获取空调对应的环境信息为冬季、室内温度24摄氏度、室内湿度30％和室外温度4摄氏度；获取到空调的压缩机频率为70hz、压缩机转速为4000r/min、预设温度26摄氏度和运行模式为制热模式。
54.s12、基于所述环境信息和所述运行参数，确定所述空调的第一制冷/热量和第一能耗。
55.将上述获取到的空调对应的环境信息和运行参数作为一个多维向量输入至第一层神经网络模型中，使模型根据空调对应的环境信息和运行参数预测出空调当前的制冷/热量和对应能耗。
56.s13、根据节能策略对所述第一制冷/热量和所述第一能耗进行调整，得到第二制冷/热量和第二能耗。
57.本发明实施例中，预先设定一个节能策略，根据该节能策略，对预测的空调的制冷/热量和对应能耗进行调整。
58.进一步地，确定预测得出的空调当前的制冷/热量和对应能耗的调整策略，进而对空调当前的制冷/热量和对应能耗进行下探式调整，在不影响室内温度的条件下调整空调当前的制冷/热量和对应能耗，得到最优的第二制冷/热量和第二能耗。
59.在本发明实施例的一可选方案中，空调当前的制冷/热量和对应能耗的调整策略对应有不同的条件，该条件可以根据当前室内温度和用户设定的空调温度的差值确定。
60.例如，当空调模型为制冷时，当室内温度(例如，26摄氏度)与用户设定的空调温度(例如，24摄氏度)的差值大于第一阈值(例如，1摄氏度)时，空调属于降温状态，则确定空调当前的制冷量和对应能耗根据公式q'＝(1-a修正系数)
×
q进行下探式调整，其中a修正系数的初始化取值为0％，取值范围为[0％～10％]。
[0061]
又如，当空调模型为制热时，当室内温度(例如，25.5摄氏度)与用户设定的空调温度(例如，26摄氏度)的差值小于第一阈值(例如，1摄氏度)时，空调属于恒温状态，则确定空调当前的制热量和对应能耗根据公式q'＝(1-b修正系数)
×
q进行下探式调整，其中b修正系数的初始化取值为0％，取值范围为[0％～20％]。
[0062]
s14、基于所述环境信息、所述第二制冷/热量和所述第二能耗生成所述空调的调整参数。
[0063]
s15、基于所述调整参数对所述空调的运行状态进行调整。
[0064]
将上述调整后得到的最优的第二制冷/热量、第二能耗和空调对应的环境信息作为一个多维向量输入至第二层神经网络模型中，使模型根据第二制冷/热量、第二能耗和空调对应的环境信息作为参数，得出空调最优的调整参数。
[0065]
进一步地，基于上述得到的空调最优的调整参数，生成对空调的调整控制指令，使空调响应于调整控制指令调整当前的运行参数和状态。
[0066]
例如，第二层神经网络模型根据第二制冷量、第二能耗和空调对应的环境信息计算得出空调的最优的调整参数为制冷模式、27摄氏度、风速2级，则根据此调整参数对空调
进行调整。
[0067]
本发明实施例提供的空调控制方法，通过获取空调对应的环境信息以及所述空调当前的运行参数；基于所述环境信息和所述运行参数，确定所述空调的第一制冷/热量和第一能耗；根据节能策略对所述第一制冷/热量和所述第一能耗进行调整，得到第二制冷/热量和第二能耗；基于所述环境信息、所述第二制冷/热量和所述第二能耗生成所述空调的调整参数；基于所述调整参数对所述空调的运行状态进行调整，可以使空调更加智能的确定当前环境下最优的运行参数，并根据最优运行参数进行调整，实现空调在不影响舒适性的前提下降低能耗。
[0068]
图2为本发明实施例提供的另一种空调控制方法的流程示意图，如图2所示，该方法具体包括：
[0069]
s21、向设置于所述空调的内机和外机上的温度传感器发送温度获取指令。
[0070]
s22、接收所述温度传感器响应于所述温度获取指令返回的室内温度和室外温度。
[0071]
本发明实施例中，空调内置的微型处理器根据预设的时间周期，定时生成向设置于空调的内机和外机上的温度传感器发送温度获取指令，进而，内机和外机上的温度传感器分别响应于处理器发送的温度获取指令向处理器返回室内温度和室外温度，处理器接收空调的内机和外机上的温度传感器分别发送的室内温度和室外温度并进行记录。
[0072]
s23、向设置于所述空调的内机上的湿度传感器发送湿度获取指令。
[0073]
s24、接收所述湿度传感器响应于所述湿度获取指令返回的室内湿度。
[0074]
本发明实施例中，空调内置的微型处理器根据预设的时间周期，定时生成向设置于空调的内机上的湿度传感器发送湿度获取指令，进而，空调内机上的湿度传感器响应于处理器发送的湿度获取指令向处理器返回室内湿度，处理器接收空调内机上的湿度传感器发送的室内湿度并进行记录。
[0075]
s25、将所述环境信息和所述运行参数输入到预训练的第一神经网络模型中，以使所述第一神经网络模型输出所述空调的第一制冷/热量和第一能耗。
[0076]
本发明实施例中，空调内置的处理器将获取到的空调对应的环境信息和运行参数作为一个多维向量输入至预训练的第一层神经网络模型中，第一层神经网络模型将接收到的多维向量进行数据拟合，通过自身的运算参数计算出此时空调的预测制冷/热量和能耗。
[0077]
例如，获取到空调对应的环境信息为夏季、室内温度26摄氏度、室内湿度37％和室外温度37摄氏度；获取到空调的压缩机频率为50hz、压缩机转速为3000r/min、预设温度24摄氏度和运行模式为制冷模式，将上述的各个数据作为一个多维向量输入至预训练的第一层神经网络模型中，模型预测出此时空调的制冷量为2500w/h，能耗为1.5度电每小时。
[0078]
s26、在所述空调的当前运行模式为制冷情况下，若所述室内温度与所述空调的设定温度的差值小于第一阈值，则从第一预设范围中随机选择调整值，基于所述调整值对所述第一制冷量和所述第一能耗进行调整，得到第二制冷量和第二能耗；若所述室内温度与所述设定温度的差值大于或等于所述第一阈值，则从第二预设范围中随机选择调整值，基于所述调整值对所述第一制冷量和所述第一能耗进行调整，得到第二制冷量和第二能耗。
[0079]
在本发明实施例中，当空调的运行模式为制冷时，空调可以分为恒温模式和降温模式，则分别设置在上述两种模式下的空调的制冷量和能耗的调整策略。
[0080]
若室内温度与空调的设定温度的差值小于第一阈值(例如，2摄氏度)，则确定空调
运行模式为恒温模式，从第一预设范围中(例如，0％～20％)随机生成调整值，根据生成的调整值对第一层神经网络模型预测处的第一制冷量和第一能耗进行下探，可以分别降低10％，然后获取室内温度是否有变化，如果有变化，则可以将降低白分比调整为7％，再重新获取室内温度，如果之内温度不变，则确定此时调整后的制冷量和能耗为最优数据，得到最优的制冷量和能耗。
[0081]
可选地，如果室内温度与空调的设定温度的差值大于或等于第一阈值(例如，2摄氏度)，则确定空调运行模式为降温模式，从第二预设范围中(例如，0％～10％)随机生成调整值，根据生成的调整值对第一层神经网络模型预测处的第一制冷量和第一能耗进行下探，可以分别降低5％，然后获取室内温度是否有变化，如果有变化，则可以将降低白分比调整为2％，再重新获取室内温度，如果之内温度不变，则确定此时调整后的制冷量和能耗为最优数据，得到最优的制冷量和能耗。
[0082]
s27、在所述空调的当前运行模式为制热情况下，若所述室内温度与所述空调的设定温度的差值小于第一阈值，则从第一预设范围中随机选择调整值，基于所述调整值对所述第一制热量和所述第一能耗进行调整，得到第二制热量和第二能耗；若所述室内温度与所述设定温度的差值大于或等于所述第一阈值，则从第二预设范围中随机选择调整值，基于所述调整值对所述第一制热量和所述第一能耗进行调整，得到第二制热量和第二能耗。
[0083]
在本发明实施例中，当空调的运行模式为制热时，空调可以分为恒温模式和升温模式，则分别设置在上述两种模式下的空调的制热量和能耗的调整策略。
[0084]
若室内温度与空调的设定温度的差值小于第一阈值(例如，1摄氏度)，则确定空调运行模式为恒温模式，从第一预设范围中(例如，0％～20％)随机生成调整值，根据生成的调整值对第一层神经网络模型预测处的第一制热量和第一能耗进行下探，可以分别降低15％，然后获取室内温度是否有变化，如果有变化，则可以将降低白分比调整为10％，再重新获取室内温度，如果之内温度不变，则确定此时调整后的制热量和能耗为最优数据，得到最优的制热量和能耗。
[0085]
可选地，如果室内温度与空调的设定温度的差值大于或等于第一阈值(例如，1摄氏度)，则确定空调运行模式为升温模式，从第二预设范围中(例如，0％～10％)随机生成调整值，根据生成的调整值对第一层神经网络模型预测处的第一制热量和第一能耗进行下探，可以分别降低7％，然后获取室内温度是否有变化，如果有变化，则可以将降低白分比调整为5％，再重新获取室内温度，如果之内温度不变，则确定此时调整后的制冷量和能耗为最优数据，得到最优的制热量和能耗。
[0086]
s28、若所述空调的运行状态调整后所述室内温度升高，则对所述第二制冷量和所述第二能耗进行调整，以及更新所述调整参数，以使所述室内温度不变。
[0087]
在本发明实施例中，空调运行模式为制冷模式，由经验可得室内温度应该高于空调的设定温度，如果降低空调的制冷量和能耗，室内温度可能因此而升高，造成室内温度和空调设定温度的差值变大，如果室内温度升高了，则减少对制冷量和能耗的调整百分比，使调整后的制冷量和能耗不会造成室内温度的变化。
[0088]
s29、若所述空调的运行状态调整后所述室内温度降低，则对所述第二制热量和所述第二能耗进行调整，以及更新所述调整参数，以使所述室内温度不变。
[0089]
在本发明实施例中，空调运行模式为制热模式，由经验可得室内温度应该低于空
调的设定温度，如果降低空调的制热量和能耗，室内温度可能因此而降低，造成室内温度和空调设定温度的差值变大，如果室内温度降低了，则减少对制热量和能耗的调整百分比，使调整后的制热量和能耗不会造成室内温度的变化。
[0090]
s210、将所述环境信息、所述第二制冷/热量和所述第二能耗输入到预训练的第二神经网络模型中，以使所述第二神经网络模型输出所述空调的调整参数。
[0091]
将上述调整后得到的最优的第二制冷/热量、第二能耗和空调当前对应的环境信息作为一个多维向量输入至第二层神经网络模型中，使第二层神经网络模型根据第二制冷/热量、第二能耗和空调对应的环境信息作为参数，进行数据拟合计算，得出空调最优的调整参数。
[0092]
例如，第二层神经网络模型根据第二制冷量、第二能耗和空调对应的环境信息计算得出空调的最优的调整参数为制冷模式、26摄氏度、风速1级，则根据此调整参数对空调进行调整。
[0093]
又如，第二层神经网络模型根据第二制热量、第二能耗和空调对应的环境信息计算得出空调的最优的调整参数为制热模式、20摄氏度、风速1级，则根据此调整参数对空调进行调整。
[0094]
还如，第二层神经网络模型根据第二制冷量、第二能耗和空调对应的环境信息计算得出空调的最优的调整参数为送风模式、20摄氏度、风速2级，则根据此调整参数对空调进行调整。
[0095]
本发明实施例提供的空调控制方法，通过获取空调对应的环境信息以及所述空调当前的运行参数；将所述环境信息和所述运行参数输入至预训练的神经网络模型中，预测出所述空调的第一制冷/热量和第一能耗；根据节能策略对所述第一制冷/热量和所述第一能耗进行循环下探调整，得到最优的第二制冷/热量和第二能耗；然后将所述环境信息、所述第二制冷/热量和所述第二能耗输入至寻优深度网络模型中，生成所述空调的最优调整参数；基于所述最优调整参数对所述空调的运行状态进行调整，由此方法，可以使空调更加智能的确定当前环境下最优的运行参数，并根据最优运行参数进行调整，降低能耗。
[0096]
图3为本发明实施例提供的一种空调控制装置的结构示意图，具体包括：
[0097]
获取模块301，用于获取空调对应的环境信息以及所述空调当前的运行参数；
[0098]
确定模块302，用于基于所述环境信息和所述运行参数，确定所述空调的第一制冷/热量和第一能耗；
[0099]
所述确定模块302，还用于基于所述环境信息、所述第二制冷/热量和所述第二能耗生成所述空调的调整参数；
[0100]
调整模块303，用于根据节能策略对所述第一制冷/热量和所述第一能耗进行调整，得到第二制冷/热量和第二能耗；
[0101]
所述调整模块303，还用于基于所述调整参数对所述空调的运行状态进行调整。
[0102]
在一个可能的实施方式中，所述获取模块，具体用于向设置于所述空调的内机和外机上的温度传感器发送温度获取指令；接收所述温度传感器响应于所述温度获取指令返回的室内温度和室外温度；以及，向设置于所述空调的内机上的湿度传感器发送湿度获取指令；接收所述湿度传感器响应于所述湿度获取指令返回的室内湿度。
[0103]
在一个可能的实施方式中，所述确定模块，具体用于将所述环境信息和所述运行
sdram，ddrsdram)、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(synch link dram，sldram)和直接内存总线随机存取存储器(direct rambus ram，drram)。本文描述的存储器402旨在包括但不限于这些和任意其它适合类型的存储器。
[0111]
在一些实施方式中，存储器402存储了如下的元素，可执行单元或者数据结构，或者他们的子集，或者他们的扩展集：操作系统4021和应用程序4022。
[0112]
其中，操作系统4021，包含各种系统程序，例如框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务。应用程序4022，包含各种应用程序，例如媒体播放器(media player)、浏览器(browser)等，用于实现各种应用业务。实现本发明实施例方法的程序可以包含在应用程序4022中。
[0113]
在本发明实施例中，通过调用存储器402存储的程序或指令，具体的，可以是应用程序4022中存储的程序或指令，处理器401用于执行各方法实施例所提供的方法步骤，例如包括：
[0114]
获取空调对应的环境信息以及所述空调当前的运行参数；基于所述环境信息和所述运行参数，确定所述空调的第一制冷/热量和第一能耗；根据节能策略对所述第一制冷/热量和所述第一能耗进行调整，得到第二制冷/热量和第二能耗；基于所述环境信息、所述第二制冷/热量和所述第二能耗生成所述空调的调整参数；基于所述调整参数对所述空调的运行状态进行调整。
[0115]
在一个可能的实施方式中，将所述环境信息和所述运行参数输入到预训练的第一神经网络模型中，以使所述第一神经网络模型输出所述空调的第一制冷/热量和第一能耗。
[0116]
在一个可能的实施方式中，在所述空调的当前运行模式为制冷情况下，若所述室内温度与所述空调的设定温度的差值小于第一阈值，则从第一预设范围中随机选择调整值，基于所述调整值对所述第一制冷量和所述第一能耗进行调整，得到第二制冷量和第二能耗；若所述室内温度与所述设定温度的差值大于或等于所述第一阈值，则从第二预设范围中随机选择调整值，基于所述调整值对所述第一制冷量和所述第一能耗进行调整，得到第二制冷量和第二能耗；或者，在所述空调的当前运行模式为制热情况下，若所述室内温度与所述空调的设定温度的差值小于第一阈值，则从第一预设范围中随机选择调整值，基于所述调整值对所述第一制热量和所述第一能耗进行调整，得到第二制热量和第二能耗；若所述室内温度与所述设定温度的差值大于或等于所述第一阈值，则从第二预设范围中随机选择调整值，基于所述调整值对所述第一制热量和所述第一能耗进行调整，得到第二制热量和第二能耗。
[0117]
在一个可能的实施方式中，若所述空调的运行状态调整后所述室内温度升高，则对所述第二制冷量和所述第二能耗进行调整，以及更新所述调整参数，以使所述室内温度不变；或者，若所述空调的运行状态调整后所述室内温度降低，则对所述第二制热量和所述第二能耗进行调整，以及更新所述调整参数，以使所述室内温度不变。
[0118]
在一个可能的实施方式中，将所述环境信息、所述第二制冷/热量和所述第二能耗输入到预训练的第二神经网络模型中，以使所述第二神经网络模型输出所述空调的调整参数。
[0119]
在一个可能的实施方式中，向设置于所述空调的内机和外机上的温度传感器发送
温度获取指令；接收所述温度传感器响应于所述温度获取指令返回的室内温度和室外温度；以及，向设置于所述空调的内机上的湿度传感器发送湿度获取指令；接收所述湿度传感器响应于所述湿度获取指令返回的室内湿度。
[0120]
上述本发明实施例揭示的方法可以应用于处理器401中，或者由处理器401实现。处理器401可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器401中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器401可以是通用处理器、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。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。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。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件单元组合执行完成。软件单元可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器402，处理器401读取存储器402中的信息，结合其硬件完成上述方法的步骤。
[0121]
可以理解的是，本文描述的这些实施例可以用硬件、软件、固件、中间件、微码或其组合来实现。对于硬件实现，处理单元可以实现在一个或多个专用集成电路(application specific integrated circuits，asic)、数字信号处理器(digital signal processing，dsp)、数字信号处理设备(dspdevice，dspd)、可编程逻辑设备(programmable logic device，pld)、现场可编程门阵列(field-programmable gate array，fpga)、通用处理器、控制器、微控制器、微处理器、用于执行本技术所述功能的其它电子单元或其组合中。
[0122]
对于软件实现，可通过执行本文所述功能的单元来实现本文所述的技术。软件代码可存储在存储器中并通过处理器执行。存储器可以在处理器中或在处理器外部实现。
[0123]
本实施例提供的空调可以是如图4中所示的空调，可执行如图1-2中空调控制方法的所有步骤，进而实现图1-2所示空调控制方法的技术效果，具体请参照图1-2相关描述，为简洁描述，在此不作赘述。
[0124]
本发明实施例还提供了一种存储介质(计算机可读存储介质)。这里的存储介质存储有一个或者多个程序。其中，存储介质可以包括易失性存储器，例如随机存取存储器；存储器也可以包括非易失性存储器，例如只读存储器、快闪存储器、硬盘或固态硬盘；存储器还可以包括上述种类的存储器的组合。
[0125]
当存储介质中一个或者多个程序可被一个或者多个处理器执行，以实现上述在空调侧执行的空调控制方法。
[0126]
所述处理器用于执行存储器中存储的空调控制程序，以实现以下在空调侧执行的空调控制方法的步骤：
[0127]
获取空调对应的环境信息以及所述空调当前的运行参数；基于所述环境信息和所述运行参数，确定所述空调的第一制冷/热量和第一能耗；根据节能策略对所述第一制冷/热量和所述第一能耗进行调整，得到第二制冷/热量和第二能耗；基于所述环境信息、所述第二制冷/热量和所述第二能耗生成所述空调的调整参数；基于所述调整参数对所述空调的运行状态进行调整。
[0128]
在一个可能的实施方式中，将所述环境信息和所述运行参数输入到预训练的第一神经网络模型中，以使所述第一神经网络模型输出所述空调的第一制冷/热量和第一能耗。
[0129]
在一个可能的实施方式中，在所述空调的当前运行模式为制冷情况下，若所述室内温度与所述空调的设定温度的差值小于第一阈值，则从第一预设范围中随机选择调整值，基于所述调整值对所述第一制冷量和所述第一能耗进行调整，得到第二制冷量和第二能耗；若所述室内温度与所述设定温度的差值大于或等于所述第一阈值，则从第二预设范围中随机选择调整值，基于所述调整值对所述第一制冷量和所述第一能耗进行调整，得到第二制冷量和第二能耗；或者，在所述空调的当前运行模式为制热情况下，若所述室内温度与所述空调的设定温度的差值小于第一阈值，则从第一预设范围中随机选择调整值，基于所述调整值对所述第一制热量和所述第一能耗进行调整，得到第二制热量和第二能耗；若所述室内温度与所述设定温度的差值大于或等于所述第一阈值，则从第二预设范围中随机选择调整值，基于所述调整值对所述第一制热量和所述第一能耗进行调整，得到第二制热量和第二能耗。
[0130]
在一个可能的实施方式中，若所述空调的运行状态调整后所述室内温度升高，则对所述第二制冷量和所述第二能耗进行调整，以及更新所述调整参数，以使所述室内温度不变；或者，若所述空调的运行状态调整后所述室内温度降低，则对所述第二制热量和所述第二能耗进行调整，以及更新所述调整参数，以使所述室内温度不变。
[0131]
在一个可能的实施方式中，将所述环境信息、所述第二制冷/热量和所述第二能耗输入到预训练的第二神经网络模型中，以使所述第二神经网络模型输出所述空调的调整参数。
[0132]
在一个可能的实施方式中，向设置于所述空调的内机和外机上的温度传感器发送温度获取指令；接收所述温度传感器响应于所述温度获取指令返回的室内温度和室外温度；以及，向设置于所述空调的内机上的湿度传感器发送湿度获取指令；接收所述湿度传感器响应于所述湿度获取指令返回的室内湿度。
[0133]
专业人员应该还可以进一步意识到，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、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。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发明的范围。
[0134]
结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd-rom、或技术领域内所公知的任意其它形式的存储介质中。
[0135]
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。