空气调节系统的调控方法、调控模型建立方法及相关装置与流程

1.本技术涉及空调技术领域，具体涉及一种空气调节系统的调控方法及装置、空气调节系统的调控模型建立方法及装置、电子设备及存储介质。


背景技术：

2.正常的生产或者生活过程中，通常需要室内空气满足一定的环境指标，比如温度或者湿度，来保证生产顺利进行或者生活的空间舒适。例如，生产中的无尘车间，往往需要通过控制室内温度和湿度，来满足车间内要求严格的环境指标。目前常用的方法是通过工业系统和专业经验人工调节或者设定湿度、温度、压力、落尘量等生产环境指标，调控效率低下，不能满足企业智能化调控空气及节能环保的需求。


技术实现要素：

3.有鉴于此，有必要提供一种空气调节系统的调控方法及装置、空气调节系统的调控模型建立方法及装置、电子设备及存储介质，以实现实时智能化调控环境指标，降低调控成本，提高调控效率并实现节能环保的有益效果。
4.本技术提供一种空气调节系统的调控方法，所述方法包括：
5.获取理论预设参数和实时运行参数；
6.依据所述实时运行参数和理论预设参数确定调控模型；
7.依据所述实时运行参数和所述调控模型，得到目标运行参数，以依据所述目标运行参数调控所述空气调节系统。
8.本技术还提供一种空气调节系统的调控模型建立方法，包括：
9.获得所述空气调节系统运行的参数数据；
10.预处理所述参数数据，得到训练数据集；
11.基于所述训练数据集和初始数据模型，得到所述空气调节系统调控模型。
12.本技术的空气调节系统的调控程序方法、装置，空气调节系统的调控模型建立方法、装置，电子设备及存储介质以实时智能化调控空气，降低调控成本，减少能源消耗、提高能效，有利于节能环保，符合碳中和、碳达峰理念。
附图说明
13.为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
14.图1为本技术一实施方式中空气调节系统的调控方法的流程图。
15.图2为本技术一实施方式中确定调控模型的流程示意图。
16.图3为本技术一实施方式中调控模型为回归算法模型的调控方法流程示意图。
17.图4为本技术一实施方式中依据理论预设参数和理论预测参数确定目标运行参数的流程示意图。
18.图5为本技术一实施方式中调控模型为强化学习算法模型的调控方法流程示意图。
19.图6为本技术又一实施方式中确定目标pid参数的流程示意图。
20.图7a为本技术一实施方式中一定时间范围内出风温度与理论预设出风温度所围成的面积的示意图。
21.图7b为本技术一实施方式中一定时间范围内出风露点与理论出风露点所围成的面积的示意图。
22.图8为本技术一实施方式中电子设备的结构示意图。
23.图9为本技术一实施方式中空气调节系统的调控模型建立方法的流程图。
24.主要元件符号说明
[0025][0026][0027]
如下具体实施方式将结合上述附图进一步说明本技术。
具体实施方式
[0028]
为了能够更清楚地理解本技术的上述目的、特征和优点，下面结合附图和具体实施例对本技术进行详细描述。需要说明的是，在不冲突的情况下，本技术的实施例及实施例中的特征可以相互组合。
[0029]
在下面的描述中阐述了很多具体细节以便于充分理解本技术，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，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，都属于本技术保护的范围。
[0030]
除非另有定义，本文所使用的所有的技术和科学术语与属于本技术的技术领域的技术人员通常理解的含义相同。本文中在本技术的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本技术。
[0031]
本技术提供一种空气调节系统的调控方法以对空气调节系统进行调节，调控方法包括：
[0032]
获取理论预设参数和实时运行参数；
[0033]
依据实时运行参数和理论预设参数确定调控模型；
[0034]
依据实时运行参数和调控模型，得到目标运行参数，并依据目标运行参数调控空气调节系统。
[0035]
在生产或者生活中，根据实际场景会对环境参数进行一定的要求，比如无尘室的室内参数，需要保持良好的气压、气温和空气循环，比如办公室内的空气参数，需要保持良好的体感温度，因此在上述调控方法中，根据环境要求，可以得到理论预设参数，比如无尘室要求温度25℃，那此时25℃即为理论预设参数，与无尘室连接的空气调节系统正常运行状态下的参数，即为实时运行参数。
[0036]
本技术以空气调节系统的实时运行参数和环境要求下的理论预设参数为基础，确定调控模型，并依据实时运行参数和调控模型得到目标运行参数，也即，将实时运行参数输入调控模型内，通过调控模型和理论预设参数，对空气调节系统的运行参数进行预测，以得到能够使得环境达到理论预测参数时对应的空气调节系统的运行参数，也即目标运行参数，再依据所预测的目标运行参数反向调控(回控)空气调节系统，使得空气调节系统输出到环境中的空气参数能够达到理论预设参数，以满足环境要求，本技术通过模型预测，回控空气调节系统，可以实时智能化调控空气调节系统的运行参数，提高调控效率的同时满足环境需求，并实现节能环保的有益效果。
[0037]
在一实施方式中，如果环境要求室内温度为20℃，此，即为理论预设参数，而空气调节系统在此时输出的出风温度为16℃，此，即为实时运行参数，并不能满足环境要求，因此，为了使得空气调节系统输出的出风温度和出风露点能够满足理论预设参数(比如室内温度为20℃)，本技术通过调控模型和实时的参数(比如出风温度为16℃)预测空气调节系统的目标运行参数，依据目标运行参数回控空气调节系统，以智能调控空气调节系统的运行，使得空气调节系统的出风温度满足室内温度的要求。
[0038]
以下将结合附图对本技术的一些实施例作详细说明。
[0039]
请参见图1，图1为本技术一实施方式的空气调节系统的调控方法的流程示意图，包括如下步骤。
[0040]
s1:获取理论预设参数和实时运行参数；
[0041]
需要说明的是，该理论预设参数示例性的包括环境的要求参数，比如环境为无尘室时，无尘室的气压要求、湿度要求和温度要求等。实时运行参数示例性的包括空气调节系统中阀门的实时开度、空气调节系统输出的实时出风温度、实时出风露点温度、外气实时温度和外气实时湿度等中的一种或几种。
[0042]
在一实施方式中，理论预设参数包括理论预设出风温度和理论预设出风露点；实时运行参数包括空气调节系统中的各个阀门的实时开度、实时出风温度和实时出风露点。
[0043]
s2:依据实时运行参数和理论预设参数确定调控模型。
[0044]
在一实施方式中，调控模型包括回归算法模型及强化学习算法模型两种模型，回归算法模型的特点是针对较大数量、大范围的连续型数据建立测试集数据，以对数据进行集中处理，但是无法对数据量不足、数据范围较小的数据进行精确处理，而强化学习算法模型是一个持续性自我学习优化并精确处理的过程，对数据量要求较低，但是学习周期相对较长。
[0045]
空气调节系统的运行在一定时间内是持续进行的过程，所以空调调节系统的实时运行参数在一定的时间内所呈现出的是在数值上连续的数据，属于连续型数据，并且历史数据库中可以找到明确的数据参考值，除此之外，空气调节系统的运行参数是需要在一定程度上进行精确掌握和控制的，因此为了更加精确、准确的调控空气调节系统的运行，本技术结合回归算法模型及强化学习算法模型两种模型对空气调节系统进行调控，并根据实时运行参数及理论预设参数的差值进行调控模型的确定。
[0046]
具体地，请参考图2所示，为本技术一实施方式中确定调控模型的流程示意图。依据实时运行参数和理论预设参数确定调控模型，包括：
[0047]
s201：依据实时运行参数和理论预设参数确定参数差值，将参数差值与预设差值进行比较；
[0048]
s202：若参数差值大于预设差值，以回归算法模型作为调控模型；
[0049]
s203：若参数差值小于或等于预设差值，以强化学习算法模型作为调控模型。
[0050]
将实时运行参数和理论预设参数之间的参数差值作为衡量实时运行参数调控幅度的指标，当参数差值大于预设差值时，此时实时运行参数调控幅度较大，选择回归算法模型作为调控模型，以回归算法模型对实时运行参数进行预测以得到目标运行参数，以进一步回控空气调节系统的运行参数，同时降低调控幅度。当参数差值小于或等于预设差值时，此时实时运行参数可调控幅度较小，回归算法模型已无法进行精细预测与调控，此时选择强化学习算法模型作为调控模型，以强化学习算法模型对实时运行参数进行预测以得到目标运行参数，以进一步精确回控空气调节系统的运行参数，如此本技术可以依据实时运行参数与理论预设参数之间的波动情况，根据实时运行参数的变化，结合与理论预设参数的参考，动态选择不同的调控模型进行调控、预测，使得调控模型输出的目标运行参数能够对空气调节系统进行快速、精确调控，提高调控效率和效果。
[0051]
在一实施方式中，实时运行参数为空气调节系统输出的出风温度，通过计算出风温度与理论预设出风温度之间的温度差值作为参数差值，并将温度差值与预设温度差值进行比较，若温度差值大于预设温度差值，以回归算法模型作为调控模型，若温度差值小于或等于值，以强化学习算法模型作为调控模型。比如，如果将预设温度差值设置为1.5℃，实时出风温度为16℃，理论预设出风温度为20℃，此时的温度差值(参数差值)为20-16＝4℃，由于温度差值4℃(参数差值)大于预设温度差值1.5℃，这说明实时出风温度与理论预设出风温度差距较大，也即若想达到理论出风温度20℃，还有较大的调控幅度，此时利用回归算法模型对空气调节系统的实时出风温度进行预测调控，以降低实时出风温度与理论预设出风温度的温度差值，当实时出风温度调控为19℃时，此时的温度差值(参数差值)为20-19＝1℃，由于温度差值1℃(参数差值)小于预设温度差值1.5℃，这说明实时出风温度与理论预设出风温度差距较小，也即若想达到理论出风温度20℃，只能进行微小精细调整，此时利用强化学习算法模型对空气调节系统的实时出风温度进行精细预测调控。
[0052]
请再参见图1：
[0053]
s3:依据实时运行参数和调控模型，得到目标运行参数，并依据目标运行参数调控空气调节系统。
[0054]
目标运行参数包括空气调节系统中阀门的开度。本技术通过空调系统的实时运行参数和调控模型，对空调的运行参数进行预测，以得到目标运行参数，也即阀门的开度，结
合pid控制(依托pid算法和pid控制器)或者plc控制，以智能调节阀门的开度进一步对空气调节系统的运行进行回控，使得最终空气调节系统输出的运行参数能够满足或者符合目的环境的参数(理论预设参数)要求。这里需要说明的是，空气调节系统输出的运行参数满足或者符合目的环境的参数(理论预设参数)要求是指空气调节系统输出的运行参数值与理论预设参数值一直相等，或输出的运行参数值虽然与理论预设参数值不相等，但是以理论预设参数值为基准线，输出的运行参数值具有波动幅度，波动幅度与基准线的相对偏离程度在一定的可控范围内(比如理论预设参数值基准线为20℃，输出的运行参数值在20℃左右，一直以
±
2℃的幅度波动，需要说明的是，波动幅度也可以是
±
1℃或
±
1.5℃，根据设备的参数等因素可进行适当调整以便于精确调控)，或输出的运行参数值虽然与理论预设参数值不相等，但是也没有波动，输出的运行参数值与理论预设参数值虽然有差值，但是差值可控且稳定(比如理论预设参数值基准线为20℃，输出的运行参数值没有规律的幅度波动，跳跃式变化，比如输出的运行参数值有24℃，也有22℃，也有18℃，但是差值可控稳定)。
[0055]
在一实施方式中，针对上述步骤s1和s3中的实时运行参数和目标运行参数进行举例说明：根据实际的工务设置，可以将空气调节系统设计为包括锅炉装置、冰机装置、风机装置和加湿器装置，那么此时空气调节系统的实时运行参数可以包括锅炉装置的阀门开度、冰机装置的阀门开度、风机装置的风机开度、风机装置的风机频率、加湿器装置的阀门开度、空调系统的出风温度、露点温度、外界空气的温度和外界空气的湿度等，目标运行参数可以包括能够影响空调调节系统出风温度或者出风露点温度或者出风湿度或者出风量对应的锅炉装置的阀门开度、冰机装置的阀门开度、风机装置的风机开度、风机装置的风机频率、加湿器装置的阀门开度等中的一种或多种。
[0056]
本技术通过回归算法模型和强化学习算法模型对空气调节系统进行快速、精确调控，提高调控效率。请参见图3，图3为本技术调控模型为回归算法模型的调控方法流程示意图，包括如下步骤。
[0057]
s01:获取理论预设参数和实时运行参数。
[0058]
在一实施方式中，理论预设参数包括理论预设出风温度和理论预设出风露点；实时运行参数包括空气调节系统中的各个阀门的实时开度、实时出风温度和实时出风露点。
[0059]
s02:将实时运行参数输入回归算法模型得到理论预测参数。
[0060]
将空调系统的实时运行参数(空气调节系统的阀门开度、实时出风温度或者实时出风湿度等)输入回归算法模型，回归算法模型根据输入的实时运行参数进行实时(在线)预测得到理论预测参数(也即预测得到一组出风温度值、出风露点温度值、出风湿度值和出风压力值等参数值)。
[0061]
在一实施方式中，回归算法模型包括出风温度算法模型和出风露点算法模型中的一种或两种。
[0062]
采用出风温度算法模型时：将包括实时出风温度的实时运行参数输入出风温度算法模型，出风温度算法模型根据输入的实时出风温度预测得到理论预测出风温度。
[0063]
采用出风露点算法模型时：将包括实时出风露点的实时运行参数输入出风露点算法模型，出风露点算法模型根据输入的实时出风露点预测得到理论预测出风露点。
[0064]
采用出风温度算法模型和出风露点算法模型时：将包括实时出风温度和实时出风露点的实时运行参数分别输入出风温度算法模型和出风露点算法模型得到理论预测出风
温度和理论预测出风露点。
[0065]
s03:依据理论预设参数和理论预测参数确定目标运行参数，以目标运行参数调控空气调节系统。
[0066]
通过将理论预设参数和理论预测参数(进行比较，以确定出目标运行参数，从而结合pid控制或者plc控制，以智能调节阀门的开度进一步对空气调节系统的运行进行回控，使得最终空气调节系统输出的运行参数能够满足或者符合目的环境的参数(理论预设参数)要求。
[0067]
在一实施方式中，理论预设参数包括理论预设出风温度和理论预设出风露点中的一种或两种，理论预测参数包括理论预测出风温度和理论预测出风露点中的一种或两种。
[0068]
目标运行参数包括达到理论预设出风温度的理论预测出风温度所对应的各个阀门的开度、或达到理论预设出风露点的理论预测出风露点所对应的各个阀门的开度、或同时达到理论预设出风温度的理论预测出风温度和达到理论预设出风露点的理论预测出风露点所对应的各个阀门的开度。
[0069]
依据理论预设参数(包括理论预设出风温度和理论预设出风露点中的一种或两种)和理论预测参数(包括理论预测出风温度和理论预测出风露点中的一种或两种)确定空气调节系统中的各个阀门的开度，从而可以依据空气调节系统中的对应的阀门的开度调节各个阀门，从而使得空气调节系统输出的出风温度符合理论预设出风温度，以及使得空气调节系统输出的出风露点符合理论预设出风露点。
[0070]
在一个实施方式中，通过将理论预设参数(环境的要求参数)和理论预测参数(模型实时预测后的参数)进行比较，以确定出目标运行参数(空气调节系统中阀门的开度)，请参考图4所示，为本技术一实施方式中依据理论预设参数和理论预测参数确定目标运行参数的流程示意图，包括：
[0071]
s031，依据理论预设参数和理论预测参数确定参数偏离值；
[0072]
s032，确定参数偏离值在预设偏离范围内的理论预测参数对应的实时运行参数为目标运行参数。
[0073]
本实施方式中，预设偏离范围用于表示回归算法模型输出的理论预测参数与理论预设参数之间的偏差值的范围。当理论预测参数与理论预设参数之间的偏差值在预设偏离范围内时(比如理论预测参数为22℃，理论预设参数为20℃，偏差值为1.5℃，预设偏离范围为[-1.5， 1.5]，即偏差值在预设偏离范围内)，说明回归算法模型输出的理论预测参数对应的实时运行参数为理想的运行参数，通过此运行参数可以调控空调系统以输出满足环境要求的参数。
[0074]
在一实施方式中，回归算法模型包括出风温度算法模型和出风露点算法模型中的一种或两种时，参数偏离值为温度偏离值，预设偏离范围为预设温度值偏离范围，依据理论预设出风温度和理论预测出风温度、理论预设出风露点和理论预测出风露点分别计算温度偏离值，偏差值在预设偏离范围内时(比如理论预测参数为22℃，理论预设参数为20℃，偏差值为1.5℃，预设偏离范围为[-1.5， 1.5]，即偏差值在预设偏离范围内)将理论预测出风温度和/理论预测出风露点对应的实时运行参数为理想的运行参数，并作为目标运行参数回控空调系统。
[0075]
请参见图5，图5为本技术调控模型为强化学习算法模型的调控方法流程示意图，
包括：
[0076]
s11：获取理论预设参数和实时运行参数；
[0077]
s12：将第一状态参数和理论预设参数输入强化学习算法模型确定目标pid参数，实时运行参数包括第一状态参数；
[0078]
s13：依据目标pid参数得到目标运行参数，依据目标运行参数调控空气调节系统。
[0079]
本实施方式中，通过强化学习算法模型和pid控制结合，以强化学习算法来调整pid控制器对应的pid参数(计算pid控制器的增益)，从而实现对空气调节系统的精确控制和调节。其中获取的实时运行参数包括第一状态参数，比如在一具体实施方式中，空气调节系统包括锅炉装置、冰机装置、风机装置和加湿器装置，此时空气调节系统的实时运行参数包括锅炉装置的阀门开度、冰机装置的阀门开度、风机装置的风机开度、风机装置的风机频率、加湿器装置的阀门开度、空调系统的出风温度、露点温度、外界空气的温度和外界空气的湿度等，也即包括空气调节系统的系统参数和外界环境参数(外界空气的温度和外界空气的湿度等)，基于能够对理论预设参数产生影响的空气调节系统的运行参数确定第一状态参数(比如空调系统的出风温度，以及对出风温度产生影响的锅炉装置的阀门开度、冰机装置的阀门开度等，作为出风温度的状态参数)，将确定的第一状态参数和理论预设参数构建为强化学习算法模型的学习环境，通过获得学习信息(pid参数)并根据学习信息更新以第一状态参数和理论预设参数为基础构建的学习环境，依据评分或者奖励(反馈)的方式进行不断的学习优化，最终得到目标pid参数，从而根据目标pid参数得到目标运行参数(即各个阀门的开度)以精确调控空气调节系统(pid控制器根据pid参数对各个阀门的开度进行调节，通过阀门开度再调控空气调节系统)，使得最终空气调节系统输出的运行参数能够满足或者符合目的环境的参数(理论预设参数)要求。
[0080]
请参见图6，强化学习算法模型包括智能体，智能体(agent)在与学习环境的交互过程中，通过学习策略实现pid参数的确定和空气调节系统的调控，在一实施方式中，步骤s12中“将第一状态参数和理论预设参数输入强化学习算法模型确定目标pid参数”包括：
[0081]
s121:输入第一状态参数至智能体，得到第一pid参数；
[0082]
s122:基于第一pid参数，确定空气调节系统的第一运行参数；
[0083]
s123:根据第一运行参数调控空气调节系统；
[0084]
s124:获取第二状态参数；及
[0085]
s125:输入第二状态参数和理论预设参数至智能体，确定目标pid参数。
[0086]
智能体作为学习系统，获取空气调节系统的当前状态参数信息，对由状态参数和理论预设参数构建的学习环境进行反馈和pid参数的动作产出，并获取环境反馈的对此动作的评价和新的环境状态，智能体的动作(pid参数)与学习环境反馈的奖赏或评价(立即报酬)反复的交互，以学习的方式不断修改从状态到动作的映射策略(空气调节系统输出的运行参数能够满足或者符合目的环境的参数(理论预设参数)要求)，动态地调整状态参数、pid参数和新的环境状态，以确定目标pid参数，并调控空气调节系统。
[0087]
本实施方式中，将空气调节系统的实时运行参数作为第一状态参数输入智能体中，智能体根据第一状态参数产生动作，即第一pid参数(空气调节系统中的各阀门的调节量)，此时第一pid参数(动作)作用于由第一状态参数和理论预设参数构建的学习环境，通过pid控制器和第一pid参数形成空气调节系统的第一运行参数(结合pid参数调整后的各
个阀门的开度)，并根据第一运行参数调节空气调节系统，使得空气调节系统的实时运行参数发生变化，以获得第二状态参数，由此形成以第二状态参数和理论预设参数构建的新的环境状态(学习环境)，同时根据新的环境状态中的运行参数是否满足或者符合理论预设参数，而产生一个强化信号(奖惩机制中的奖或惩或者评分)反馈至智能体，智能体根据环境当前状态确定出是否奖惩或者给出一定的评分，再依据奖惩情况或者评分情况选择下一个动作(pid参数)，动态地调整状态参数、pid参数和新的环境状态，以达到奖惩或者评分的要求或条件，并得到目标pid参数，从而根据目标pid参数得到目标运行参数(即各个阀门的开度)以精确调控空气调节系统，使得最终空气调节系统输出的运行参数能够满足或者符合目的环境的参数(理论预设参数)要求。这里需要说明的是，空气调节系统输出的运行参数满足或者符合目的环境的参数(理论预设参数)要求是指通过强化学习和pid调节后的空气调节系统输出的运行参数值与理论预设参数值一直相等，或输出的运行参数值虽然与理论预设参数值不相等，但是以理论预设参数值为基准线，输出的运行参数值具有波动幅度，波动幅度与基准线的相对偏离程度在一定的可控范围内(比如理论预设参数值基准线为20℃，输出的运行参数值在20℃左右，一直以
±
2℃的幅度波动，需要说明的是，这里仅仅是举例，波动幅度也可以是
±
1℃或
±
1.5℃，根据设备的参数等因素可进行适当调整以便于精确调控)，或输出的运行参数值虽然与理论预设参数值不相等，但是也没有波动，输出的运行参数值与理论预设参数值虽然有差值，但是差值可控且稳定(比如理论预设参数值基准线为20℃，输出的运行参数值没有规律的幅度波动，跳跃式变化，比如输出的运行参数值有24℃，也有22℃，也有18℃，但是差值可控稳定)。
[0088]
在一实施方式中，第一状态参数包括第一出风温度或者第一出风露点中的一种或两种，第二状态参数包括第二出风温度或者第二出风露点中的一种或两种，理论预设参数包括理论预设出风温度或者理论预设出风露点中的一种或两种，基于第一出风温度和/或第一出风露点、第二出风温度和/或第二出风露点及理论预设出风温度和/或理论预设出风露点，确定第一pid参数的评分；基于评分是否满足预设条件，确定第一pid参数为目标pid参数。
[0089]
本实施方式中，将第一出风温度输入智能体中，智能体根据第一出风温度产生动作，即第一pid参数(空气调节系统中的各阀门的调节量)，此时第一pid参数(动作)作用于由第一出风温度和/或第一出风露点以及理论预设出风温度和/或理论预设出风露点构建的学习环境，通过pid控制器和第一pid参数形成空气调节系统的第一运行参数(结合pid参数调整后的各个阀门的开度)，并根据第一运行参数调节空气调节系统，使得空气调节系统的实时运行参数发生变化，以获得第二出风温度和/或第二出风露点，由此形成以第二出风温度和/或第二出风露点以及理论预设出风温度和/或理论预设出风露点构建的新的环境状态(学习环境)，同时根据新的环境状态中的第二出风温度和/或第二出风露点是否满足或者符合理论预设出风温度和/或理论预设出风露点，而产生一个评分反馈至智能体，智能体根据第二出风温度和/或第二出风露点是否满足或者符合理论预设出风温度和/或理论预设出风露点给出一定的评分，如果评分满足预设条件或者预设要求，那么此时的动作(第一pid参数)即为目标pid参数，如果评分不满足预设条件或者预设要求，智能体再给出下一个动作(第二pid参数)，作用于由第二出风温度和/或第二出风露点以及理论预设出风温度和/或理论预设出风露点构建的学习环境，以获得第三出风温度和/或第三出风露点，同时
根据新的环境状态中的第三出风温度和/或第三出风露点是否满足或者符合理论预设出风温度和/或理论预设出风露点，而产生一个评分反馈至智能体，智能体根据第三出风温度和/或第三出风露点是否满足或者符合理论预设出风温度给出一定的评分，根据评分的情况再确定是否为目标pid参数，以此动态地调整出风温度和/或出风露点、pid参数和新的环境状态，以达到奖惩或者评分的要求或条件，得到目标pid参数。通过智能体对空气调节系统的出风温度和/或出风露点进行不断记忆及学习以对空气调节系统进行精调，得到与空气调节系统的出风温度和/或出风露点对应的pid参数的评分，并根据pid参数的评分确定出目标pid参数，以根据目标pid参数控制调节空气调节系统的各个阀门的开度，及根据各个阀门的开度回控调节空气调节系统使得空气调节系统输出的出风温度和/或出风露点达到理论预设出风温度或理论预设出风露点。
[0090]
这里需要说明的是，评分是否满足预设条件，也即强化学习中的奖惩机制，可以根据状态参数与理论预设参数是否相等，作为预设条件评分，比如如果相等就得分，如果不相等就不得分，得分高的状态参数值对应的pid参数值为目标pid参数，也可以根据状态参数与理论预设参数之间的差值是否在一个偏差范围内，如果在偏差范围内就得分，如果不在偏差范围内就不得分，得分高的状态参数值对应的pid参数值为目标pid参数，也可以依理论预设参数为基准线，依据一定时间内(横向坐标维度)的状态参数值(纵向坐标维度)与基准线围成的面积来进行评分判断，一定时间内，面积大就不得分，面积小就得分，围成面积小的状态参数值对应的pid参数值为目标pid参数。在一实施方式中，智能体根据出风温度与理论预设出风温度之间的温度偏差值来进行评分，温度偏差值越小，对应的pid参数的评分越高，温度偏差值越大，对应的pid参数的评分越小，用以判断pid参数的评分是否达到预设分数。在一实施方式中，智能体根据一定时间段对应的出风温度与理论预设出风温度之间的温度偏差值是否平稳来进行评分，温度偏差值平稳(波动较小)，智能体给予的对应的pid参数的评分越高。在另一实施方式中，参考图7a所示，为一定时间范围内出风温度与理论预设出风温度所围成的面积的示意图，参考图7b所示，为一定时间范围内出风露点与理论出风露点所围成的面积的示意图，在一定时间范围内(时间t为图7a、图7b横向坐标维度)获取第一出风温度(时间t1对应的t
m1
，温度℃为图7a、图7b纵向坐标维度)或第一出风露点(时间t1对应的t
l1
)及第二出风温度(时间t2对应的t
m2
)或第二出风露点(时间t2对应的t
l2
)，依一定时间范围内(t1到t2)的理论预设出风温度t
风
或理论预设出风露点t
露
为基准线(平行于时间横坐标的直线)，根据时间(t1到t2)对应的第一出风温度t
m1
、第二出风温度t
m2
和理论预设出风温度围成的面积(如附图7a、7b中的面积示意图中的阴影面积)，或者时间(t1到t2)对应的第一出风露点t
l1
、第二出风露点t
l2
和理论预设出风露点围成的面积来进行评分判断，面积越小，智能体给予对应的pid参数的评分越高。或者智能体根据一定时间范围内(横向坐标维度)与理论预设出风温度偏差值较为平稳的第一出风温度或第一出风露点及第二出风温度或第二出风露点(纵向坐标维度)为基础，根据一定时间范围内(横向坐标维度)与理论预设出风温度偏差值较为平稳的第一出风温度、第二出风温度与理论预设出风温度和时间围成的面积，或者第一出风露点、第二出风露点、理论预设出风露点和时间围成的面积来进行评分判断，面积越小，智能体给予对应的pid参数的评分越高。
[0091]
在一实施方式中，在一定时间范围内(横向坐标维度)获取第一出风温度、第二出风温度、第一出风露点、第二出风露点(纵向坐标维度)，依一定时间范围内的理论预设出风
温度和理论预设出风露点为基准线(平行于时间横坐标的直线)，根据第一出风温度、第二出风温度、理论预设出风温度和时间围成的出风温度面积，以及第一出风露点、第二出风露点、理论预设出风露点和时间围成的露点温度面积，依据出风温度面积和露点温度面积的面积和来进行评分判断，面积越小，第一智能体给予对应的pid参数的评分越高。
[0092]
请参阅图8所示，为本技术一实施方式中提供的电子设备的结构示意图。电子设备2可以是个人电脑、服务器等。电子设备2包括，但不仅限于，处理器201、存储器202、存储在存储器202中并可在处理器201上运行的计算机程序203及通信器204。例如，计算机程序203为空气调节系统的调控程序。处理器201执行计算机程序203时获取理论预设参数和实时运行参数；依据实时运行参数和理论预设参数确定调控模型；依据实时运行参数和调控模型，得到目标运行参数，以依据目标运行参数调控空气调节系统(参考图1所示的步骤s1～s3)，以对空气调节系统进行调控。示例性的，计算机程序203可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器202中，并由处理器201执行，以完成本技术。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，指令段用于描述计算机程序203在电子设备2中的执行过程。
[0093]
通信器204用于获取数据。本实施方式中，通信器204包括无线通信模块及有线通信模块。例如，通信器204可以为蓝牙通信模块，4g、5g等无线通信模块，或通信器204为电缆、光纤等有线通信模块。
[0094]
本领域技术人员可以理解，示意图仅仅是电子设备2的示例，并不构成对电子设备2的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如电子设备2还可以包括输入输出设备、网络接入设备、总线等。
[0095]
处理器201可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、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、分立硬件组件等。通用处理器可以是微处理器或者处理器201也可以是任何常规的处理器等，处理器201是电子设备2的控制中心，利用各种接口和线路连接整个电子设备2的各个部分。
[0096]
存储器202可用于存储计算机程序203和/或模块/单元，处理器201通过运行或执行存储在存储器202内的计算机程序和/或模块/单元，以及调用存储在存储器202内的数据，实现电子设备2的各种功能。存储器202可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据电子设备2的使用所创建的数据等。此外，存储器202可以包括易失性和非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(smart media card,smc)，安全数字(secure digital,sd)卡，闪存卡(flash card)、至少一个磁盘存储器件、闪存器件、或其他存储器件。
[0097]
电子设备2集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一计算机可读存储介质中，计算机程序在被处理器执行时，可实现上
述各个方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)。
[0098]
本实施例还提供一种计算机可读存储介质，计算机可读存储介质存储有计算机可读指令，计算机可读指令被处理器执行时获取理论预设参数和实时运行参数；依据实时运行参数和理论预设参数确定调控模型；依据实时运行参数和调控模型，得到目标运行参数，以依据目标运行参数调控空气调节系统，以对空气调节系统进行调控。
[0099]
另外，本技术的一些实施例还提供一种空气调节系统的调控装置，该装置可包括通信器和处理器，通信器耦接于处理器，通信器用于获取数据。处理器用于获取理论预设参数和实时运行参数；依据所述实时运行参数和理论预设参数确定调控模型；依据所述实时运行参数和所述调控模型，得到目标运行参数，以依据所述目标运行参数调控所述空气调节系统。
[0100]
其中，本实施例提供的电子设备、计算机存储介质、装置均用于执行上文所提供的空气调节系统的调控方法，因此，其所能达到的有益效果可参考上文所提供的对应的方法中的有益效果，在此不再赘述。
[0101]
本技术还提供一种空气调节系统的调控模型建立方法。参考图9所示，为本技术空气调节系统的调控模型建立方法的流程图，包括如下步骤。
[0102]
s91：获得所述空气调节系统运行的参数数据；
[0103]
s92：预处理所述参数数据，得到训练数据集；
[0104]
s93：基于所述训练数据集和初始数据模型，得到所述空气调节系统调控模型。
[0105]
其中，在一个实施方式中，参数数据包括空气调节系统的运行参数和环境参数，依据空气调节系统的自身系统参数(运行参数)和外界参数相结合，充分考虑和利用外界参数的影响和变化，通过对空气调节系统的运行参数和环境参数进行预处理得到训练数据集，基于回归算法模型预测空气调节系统的目标运行参数，并依据目标运行参数对空气调节系统进行调节。本技术以空气调节系统运行的参数数据(历史运行参数、实时运行数据、历史环境参数和实时环境参数)为数据基础，既充分完整的利用了系统的参数数据又结合外界(外气)环境参数，使得数据更加的完整和缜密，同时亦解决了系统与外界的热交换带来的参数数据误差大的问题，以此构建训练数据集，对模型进行训练以得到调控模型，并通过调控模型对空气调节系统的运行参数进行预测，得到使得环境达到理论预测参数时对应的空气调节系统的运行参数，也即目标运行参数，然后再依据所预测的目标运行参数反向调控空气调节系统，使得空气调节系统输出到环境中的运行参数(输出参数)能够达到理论预设参数，以满足环境要求，通过调控模型实时预测，回控空气调节系统，实时智能化调控空气调节系统的运行参数，提高调控效率的同时满足环境需求，并实现节能环保的有益效果。
[0106]
在一个实施方式中，空气调节系统的实时运行参数包括锅炉装置的阀门开度、冰机装置的阀门开度、风机装置的风机开度、风机装置的风机频率、加湿器装置的阀门开度、空调系统的出风温度、露点温度、外界空气的温度和外界空气的湿度等，也即包括空气调节系统的系统参数(自身参数)和外界环境参数(外界空气的温度和外界空气的湿度等)。
[0107]
在一实施方式中，基于训练数据集和初始数据模型，得到空气调节系统调控模型，包括：采用训练数据对初始数据模型进行训练；及采用测试数据对训练后的初始数据模型进行测试，得到空气调节系统调控模型。其中，空气调节系统调控模型为回归算法模型，初始数据模型为初始回归算法模型，初始回归算法模型包括：支持向量机(svr)模型、随机森林(randomforest)模型、梯度提升决策树算法(xgboost)模型、岭回归算法(ridge)中的至少一种。其中，训练数据集包括训练数据和测试数据，比如，将空气调节系统的运行参数和环境参数中的一部分作为训练数据，将空气调节系统的运行参数和环境参数中的另一部分作为测试数据。例如，将空气调节系统的运行参数和环境参数中50％的参数作为训练数据，将空气调节系统的运行参数和环境参数中50％的参数作为测试数据。在获取到训练数据及测试数据后，采用训练数据对初始回归算法模型进行训练；采用测试数据对训练后的初始回归算法模型进行测试，将经过训练并满足测试要求(比如通过测试值与预设值对比，取偏差或者方差等来评估模型测试的优劣性)的回归算法模型作为空气调节系统调控模型，在一个实施方式中，空气调节系统调控模型为随机森林(randomforest)模型。
[0108]
为满足环境需求，往往需要多个需求条件，比如需要环境温度达到要求的同时，还需要湿度达到要求，因此为了更准确的调节空气调节系统和对系统输出的运行参数进行预测，在一实施方式中，空气调节系统调控模型包括多个目标特征模型，步骤s82中预处理参数数据，包括：对参数数据进行分类，以得到各目标特征模型对应的训练数据集。根据环境需求，会对空气调节系统输出的多个参数进行要求，比如环境需要温度25℃，湿度25％时，空气调节系统的出风温度和出风湿度就要满足环境要求，比如环境需要出风口的风速为2m/s时，空气调节系统的出风风速就要满足环境要求，因此根据不同的参数需求，建立多个与参数对应的目标特征模型，而每个参数又会对应有不同的具有关联度的数据，为了更加准确完整的对参数进行分析和预测，将采集到的所有相关数据进行分类，对每个目标特征模型设置对应自己的训练集。在一个实施方式中，参数为出风温度和出风露点，目标特征模型包括出风温度模型和出风露点模型，将对出风温度和出风露点产生影响或者具有关联度的数据分别建立训练集，对参数数据进行分类，以得到出风温度对应的特征数据和出风露点对应的特征数据；比如空气调节系统包括锅炉装置、冰机装置、风机装置和加湿器装置，将对出风温度产生影响或者具有关联度的锅炉装置的阀门开度，热水温度，冰机装置的阀门开度和冷水温度，以及外界环境参数(外界空气的温度)作为出风温度模型和特征数据，并构建成训练集，再以此训练集对初始回归算法模型进行训练，得到出风温度模型，将对出风露点产生影响或者具有关联度的锅炉装置的阀门开度，热水温度，冰机装置的阀门开度和冷水温度，以及外界环境参数(外界露点温度)作为出风露点模型和特征数据，并构建成训练集，再以此训练集对初始回归算法模型进行训练，得到出风露点模型。
[0109]
在一实施方式中，对参数数据进行分类，以得到各目标特征模型对应的训练数据集包括：获取理论预设参数；依据理论预设参数确定目标特征；确定参数数据与目标特征的关联度；基于与对应的目标特征关联度满足预设要求的参数数据形成目标特征模型对应的训练数据集。为了更加精确的获取训练数据(参数数据)，首先通过理论预设参数(环境的要求参数)确定目标特征，将环境不做要求和限制的参数相关的数据剔除(比如环境要求温度为25℃，那么对于环境湿度相关度的所有数据均不作为参数数据进行训练或考虑，仅考虑对环境温度产生影响的参数数据)，并构建参数数据与目标特征的关联度体系，将与对应的
目标特征的关联度满足预设要求的参数数据作为训练数据，以对参数数据进行清洗、筛选、优化和精确处理，提高数据的准确度和建立的模型的精准度。在一实施方式中，预设要求可以为参数数据与目标特征的关联度的比值是否达到预设值，比如预设值为[0,1]中的任意一个数值。预设要求可以为参数数据与目标特征的关联度的比值是否在一个预设偏差范围内，比如预设偏差范围为[0,1]。在一实施方式中，可以通过卡方检验参数数据与目标特征的关联度，比如目标特征为出风温度和/或出风露点，统计参数数据与目标特征(理论预设出风温度和/或理论预设出风露点)之间的偏离程度，参数数据与目标特征(理论预设出风温度和/或理论预设出风露点)之间的偏离程度就决定卡方值的大小，如果卡方值越大，二者偏差程度越大；反之，二者偏差越小；若两个值完全相等时，卡方值就为0，表明完全符合，可以将偏差值小或者0对应的参数数据作为出风温度对应的特征数据，并构建成出风温度训练集和/或出风露点训练集。在一实施方式中，空气调节系统包括锅炉装置、冰机装置、风机装置和加湿器装置，通过卡方检验计算参数数据中的出风温度、锅炉的热水阀的实时开度、加湿器的电磁阀的开度、风机的频度与目标特征(理论预设出风温度和/或理论预设出风露点)的关联度，将出风温度、出风压力、锅炉的热水阀的开度、加湿器的电磁阀的开度、风机的频度等作为出风温度模型的训练数据集，出风露点、冰水阀的开度等作为出风露点模型的训练数据集。
[0110]
为进一步提高空气调节系统调控模型的训练效率及准确性，在一个实施方式中，对参数数据进行分类，得到各目标特征模型对应的目标特征子数据；再对目标特征子数据进行衍生处理，以得到目标特征衍生数据；基于目标特征子数据和目标特征衍生数据形成各目标特征模型对应的训练数据集，通过对数据进行衍生处理(仅举例说明，不再赘述，比如数据包括a和b，通过对数据a和b进行加或减或乘或除得到数据c，此时数据c为衍生数据，又比如数据包括a和b，通过映射关系或者算法关系分别得到a1和b1，此时a1和b1也为衍生数据)，从而利用与目标特征模型的关联度更大的目标特征数据和相应的衍生数据作为训练数据对空气调节系统调控模型进行训练，增加了空气调节系统调控模型的训练数据完整度，使得模型的训练准确。需要说明的是，为了优化数据和提高训练数据的质量，还可以对数据进行数据清洗，数据清洗可以包括对数据中的空值、缺失数据进行补缺；对无效数据或异常值进行替换；对重复数据进行去重处理；对数据进行规范化处理(数据保留预设位的小数位、数据进行码值转换)等形式，以剔除无效数据并筛选出有效的数据以对空气调节系统调控模型进行训练，还可以对数据进行归一化处理，消除数据中的奇异样本数据的影响，避免目标特征向量中不同数据特征的取值相差较大，训练时间过长。从而提高空气调节系统调控模型的训练效率及准确性。在一实施方式中，对目标特征模型对应的目标特征子数据进行归一化处理使得目标特征子数据被限定在预设的范围内，如[0,1]或[-1,1]内，采用z-score标准化方法对目标特征模型对应的目标特征子数据进行归一化处理，z-score标准化方法进行归一化转化的转化函数为：其中μ为所有目标特征子数据的均值，σ为所有目标特征子数据的标准差，x为目标特征子数据。
[0111]
在一实施方式中，依据环境需求的出风温度和出风露点，获取理论预设出风温度和理论预设出风露点，依此确定空气调节系统调控模型的目标特征为出风温度和出风露点，构建包括出风温度模型及出风露点模型的空气调节系统目标特征模型，对空气调节系统的参数数据(环境参数及运行参数)进行分类，并确定参数数据(环境参数及运行参数)与
目标特征(出风温度和出风露点)关联度以得到出风温度对应的特征数据(比如锅炉的阀门开度、热水温度等)和出风露点对应的特征数据(比如冰机的阀门开度、冷水温度等)，再通过对特征数据(目标特征子数据)进行衍生处理(见前述说明)和/或数据清洗，以及归一化处理(见前述说明)得到对应的特征数据衍生数据(目标特征衍生数据)，也即出风温度衍生数据和出风露点衍生数据，由此以出风温度特征数据和出风温度衍生数据构成出风温度训练数据集，以出风露点特征数据和出风露点衍生数据构成出风露点训练数据集，分别对回归算法模型的初始模型进行训练，最终分别得到出风温度模型和出风露点模型。
[0112]
请再参阅图8所示，计算机程序203还包括空气调节系统调控模型的建立程序。处理器201执行计算机程序203时获得空气调节系统运行的参数数据；预处理参数数据，得到训练数据集；基于训练数据集和初始数据模型，得到空气调节系统调控模型(参见图9所示的步骤s91～s93)，从而建立空气调节系统调控模型。
[0113]
本实施例还提供一种计算机可读存储介质，计算机可读存储介质存储有计算机可读指令，计算机可读指令被处理器执行时获得空气调节系统运行的参数数据；预处理参数数据，得到训练数据集；基于训练数据集和初始数据模型，得到空气调节系统调控模型。
[0114]
另外，本实施例还提供一种空气调节系统的调控模型建立装置，该装置具体可以是芯片，组件或模块，该装置可包括通信器和处理器，通信器耦接于处理器，通信器用于获取数据。处理器用于获得所述空气调节系统运行的参数数据；预处理所述参数数据，得到训练数据集；基于所述训练数据集和初始数据模型，得到所述空气调节系统调控模型。
[0115]
其中，本实施例提供的电子设备、计算机存储介质、装置均用于执行上文所提供的空气调节系统的调控模型建立方法，因此，其所能达到的有益效果可参考上文所提供的对应的方法中的有益效果。
[0116]
本技术的空气调节系统的调控程序方法、装置，空气调节系统的调控模型建立方法、装置，电子设备及存储介质以实时智能化调控空气，降低调控成本，减少能源消耗、提高能效，有利于节能环保，符合碳中和、碳达峰理念。
[0117]
对于本领域技术人员而言，显然本技术不限于上述示范性实施例的细节，而且在不背离本技术的精神或基本特征的情况下，能够以其他的具体形式实现本技术。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本技术的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本技术内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由同一个单元或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。
[0118]
以上实施例仅用以说明本技术的技术方案而非限制，尽管参照较佳实施例对本技术进行了详细说明，本领域的普通技术人员应当理解，可以对本技术的技术方案进行修改或等同替换，而不脱离本技术技术方案的精神和范围。