本發(fā)明涉及空氣調節(jié)，具體為一種用于空調系統(tǒng)的數(shù)字化風管控制系統(tǒng)及方法。

背景技術：

1、目前空調系統(tǒng)仍以簡單的開關控制和pid控制為主。開關控制方法是指通過溫度傳感器檢測區(qū)域溫度是否達到設定閾值而啟動或關閉空調，該方法雖能夠將區(qū)域溫度控制在一定的范圍內，但控制精度較低；pid控制采用動態(tài)反饋校正調節(jié)區(qū)域溫度使之獲得較好的控制效果，但由于pid控制易出現(xiàn)調節(jié)速度慢和溫度超調現(xiàn)象，無法滿足實際需求。

2、現(xiàn)有技術如中國專利申請cn105352133b通過檢測用戶的體征參數(shù)初始值來獲取用戶的年齡階段信息，并根據(jù)年齡階段信息控制空調進入與之對應的控制模式，然后間隔預定時長檢測用戶的體征參數(shù)，根據(jù)用戶體征參數(shù)的變化來依次判定用戶是否處于淺睡階段和熟睡階段，并控制空調調整為相應的睡眠模式，未解決pid控制易出現(xiàn)調節(jié)速度慢和溫度超調現(xiàn)象，具有很大的局限性。

技術實現(xiàn)思路

1、（一）解決的技術問題

2、針對現(xiàn)有技術的不足，本發(fā)明提供了一種用于空調系統(tǒng)的數(shù)字化風管控制系統(tǒng)及方法，具備實時、準確等優(yōu)點，解決了pid控制易出現(xiàn)調節(jié)速度慢和溫度超調現(xiàn)象的問題。

3、（二）技術方案

4、為解決上述pid控制易出現(xiàn)調節(jié)速度慢和溫度超調現(xiàn)象的技術問題，本發(fā)明提供如下技術方案：

5、本發(fā)明公開一種用于空調系統(tǒng)的數(shù)字化風管控制方法，具體包括以下步驟：

6、s1、通過物聯(lián)網設備對環(huán)境參數(shù)和空調風管狀態(tài)參數(shù)進行采集，并基于采集到的空調風管狀態(tài)參數(shù)數(shù)據(jù)構建樣本集；

7、s2、對構建的樣本集中的空調風管狀態(tài)參數(shù)數(shù)據(jù)進行預處理，得到預處理后的空調風管狀態(tài)參數(shù)數(shù)據(jù)；

8、s3、基于得到的預處理后的空調風管狀態(tài)參數(shù)數(shù)據(jù)和采集得到的環(huán)境參數(shù)，建立溫度濕度預測模型；

9、s4、通過遺傳算法對建立的溫度濕度預測模型進行訓練，輸出訓練后的溫度濕度預測模型；

10、s5、基于得到的訓練后的溫度濕度預測模型，通過pid控制算法計算空調風管控制量，并基于計算得到的空調風管控制量對空調風管進行控制。

11、本發(fā)明通過物聯(lián)網設備對環(huán)境參數(shù)和空調風管狀態(tài)參數(shù)進行采集，并基于采集到的空調風管狀態(tài)參數(shù)數(shù)據(jù)構建樣本集，同時對構建的樣本集中的空調風管狀態(tài)參數(shù)數(shù)據(jù)進行預處理，并基于得到的預處理后的空調風管狀態(tài)參數(shù)數(shù)據(jù)和采集得到的環(huán)境參數(shù)，建立溫度濕度預測模型；同時通過遺傳算法對建立的溫度濕度預測模型進行訓練，輸出訓練后的溫度濕度預測模型，并基于得到的訓練后的溫度濕度預測模型，通過pid控制算法計算空調風管控制量，并基于計算得到的空調風管控制量對空調風管進行控制，提高了數(shù)字化風管控制的實時性和準確性。

12、優(yōu)選地，所述通過物聯(lián)網設備對環(huán)境參數(shù)和空調風管狀態(tài)參數(shù)進行采集包括以下步驟：

13、基于物聯(lián)網設備采集數(shù)據(jù)，所述采集到的空調風管狀態(tài)數(shù)據(jù)包括：時間戳、空調風管溫度以及空調風管濕度；

14、所述采集到的環(huán)境參數(shù)包括：室內溫度以及室內濕度；

15、在設定的室內溫度范圍內，通過調整空調風管的狀態(tài)參數(shù)來調節(jié)環(huán)境參數(shù)中室內溫度的具體溫度值，溫度每變化1℃記錄一次空調風管中各參數(shù)變量數(shù)據(jù)，確定空調風管中各參數(shù)變量數(shù)據(jù)與溫度的比例系數(shù)。

16、本發(fā)明通過控制變量的方法通過調整室內溫度的具體溫度，通過溫度變化情況記錄空調風管中各參數(shù)變量數(shù)據(jù)，將風管中各參數(shù)變量數(shù)據(jù)進行量化，提高了數(shù)字化風管控制的準確性。

17、優(yōu)選地，所述對構建的樣本集中的空調風管狀態(tài)參數(shù)數(shù)據(jù)進行預處理包括以下步驟：

18、設定采樣周期，基于采樣周期重復采集空調風管中各參數(shù)變量數(shù)據(jù)；

19、重復采集溫度變化時空調風管中各參數(shù)變量數(shù)據(jù)后，對采集到的數(shù)據(jù)進行標準化處理；

20、數(shù)據(jù)標準化處理公式如下：

21、

22、其中，表示標準化處理前的數(shù)據(jù)，表示標準化處理后的數(shù)據(jù)；表示各參數(shù)變量數(shù)據(jù)中的最大值；表示各參數(shù)變量數(shù)據(jù)中的最小值；

23、設定標準化處理后的數(shù)據(jù)為預處理后的空調風管狀態(tài)參數(shù)數(shù)據(jù)。

24、本發(fā)明通過設定采樣周期，基于采樣周期重復采集空調風管中各參數(shù)變量數(shù)據(jù)，并通過數(shù)據(jù)標準化處理方法將空調風管中各參數(shù)變量數(shù)據(jù)進行標準化，保證了數(shù)字化風管控制的準確性。

25、優(yōu)選地，所述基于得到的預處理后的空調風管狀態(tài)參數(shù)數(shù)據(jù)和采集得到的環(huán)境參數(shù)，建立溫度濕度預測模型包括以下步驟：

26、設定為收集到的時刻空調風管狀態(tài)參數(shù)和環(huán)境狀態(tài)參數(shù)矩陣，為時刻輸入的空調風管控制量參數(shù)矩陣，用于對時刻的空調風管狀態(tài)參數(shù)和環(huán)境參數(shù)進行調整，為輸出預測時刻的空調風管狀態(tài)參數(shù)和環(huán)境參數(shù)矩陣；

27、

28、其中，表示采樣周期，表示第時刻，表示單位矩陣，表示第時刻，表示周期空調風管控制量參數(shù)矩陣，表示經過單位矩陣處理后的空調風管狀態(tài)參數(shù)和環(huán)境參數(shù)矩陣，表示空調風管狀態(tài)參數(shù)狀態(tài)數(shù)據(jù)對應的狀態(tài)向量，表示預測的空調風管狀態(tài)參數(shù)狀態(tài)數(shù)據(jù)對應的狀態(tài)向量，表示第時刻空調風管狀態(tài)參數(shù)狀態(tài)數(shù)據(jù)對應的狀態(tài)向量，表示第時刻空調風管狀態(tài)參數(shù)狀態(tài)數(shù)據(jù)對應的狀態(tài)向量，表示第時刻的周期空調風管控制量參數(shù)矩陣。

29、本發(fā)明通過得到的預處理后的空調風管狀態(tài)參數(shù)數(shù)據(jù)和環(huán)境參數(shù)，建立初步溫度濕度預測模型，基于建立的初步溫度濕度預測模型收集數(shù)據(jù)完成對下一時刻溫度濕度的預測，提高了數(shù)字化風管控制的實時性。

30、優(yōu)選地，所述通過遺傳算法對建立的溫度濕度預測模型進行訓練，輸出訓練后的溫度濕度預測模型包括以下步驟：

31、s41、設定遺傳的種群規(guī)模、迭代次數(shù)以及染色體編碼；

32、設定樣本集中所有采集到的環(huán)境參數(shù)和空調風管狀態(tài)參數(shù)為種群規(guī)模；

33、基于樣本集中保存的時間戳，將處于同一時刻的環(huán)境參數(shù)和空調風管狀態(tài)參數(shù)作為一組參數(shù)數(shù)據(jù)；

34、s42、隨機產生初始種群；

35、在樣本集隨機選取m組參數(shù)數(shù)據(jù)作為初始種群；

36、s43、將溫度濕度預測模型中預測誤差的修正函數(shù)作為遺傳算法的適應度函數(shù)，并計算種群中各個個體的適應度；

37、s44、基于輪盤賭的方式選取所有個體中的優(yōu)良個體；

38、s44、通過順序交叉的方式對選擇的優(yōu)良個體進行交叉，交叉后產生新種群；

39、s46、在種群中隨機選擇一個個體以設定的概率進行邊緣，產生變異后的種群；

40、s47、比較初始種群與經過遺傳算法交叉變異后的種群之間的適應度差值；

41、當＜0，表示變異后的種群適應度比初始種群高，接受該種群，當≥0，表示變異后的種群適應度比初始種群低，拒絕接受該種群；

42、s48、根據(jù)算法的迭代次數(shù)判斷是否到達最大迭代次數(shù)，當?shù)竭_最大次數(shù)則輸出最優(yōu)解，當未到達最大迭代次數(shù)則繼續(xù)執(zhí)行步驟s44；

43、設定輸出的最優(yōu)解為訓練后的溫度濕度預測模型。

44、優(yōu)選地，所述將溫度濕度預測模型中預測誤差的修正函數(shù)作為遺傳算法的適應度函數(shù)，并計算種群中各個個體的適應度包括以下步驟：

45、溫度濕度預測模型中的預測誤差公式如下所示：

46、

47、其中，表示時刻的真實空調風管狀態(tài)參數(shù)狀態(tài)數(shù)據(jù)，表示時刻的預測空調風管狀態(tài)參數(shù)狀態(tài)數(shù)據(jù)，表示時刻的預測誤差；

48、溫度濕度預測模型中預測誤差的修正函數(shù)公式如下：

49、

50、其中，表示修正后時刻的預測空調風管狀態(tài)參數(shù)狀態(tài)數(shù)據(jù)，表示校正系數(shù)，取值范圍為[-1,1]；

51、設定每個個體表示一組參數(shù)數(shù)據(jù)；

52、各個個體的適應度計算公式如下：

53、

54、其中，表示第個個體的適應度，表示溫度濕度預測模型中預測誤差的修正函數(shù)。

55、優(yōu)選地，所述基于輪盤賭的方式選取所有個體中的優(yōu)良個體包括以下步驟：

56、輪盤賭的方式選取所有個體中的優(yōu)良個體計算公式如下：

57、

58、其中，表示個體被選擇的概率，表示種群規(guī)模。

59、本發(fā)明通過遺傳算法對建立的溫度濕度預測模型進行訓練，通過遺傳算法不斷的交叉、選擇、變異、迭代輸出最優(yōu)的溫度濕度預測模型，并基于輸出的最優(yōu)的溫度濕度預測模型對空調風管狀態(tài)進行預測，提高了數(shù)字化風管控制的準確性。

60、優(yōu)選地，所述基于得到的訓練后的溫度濕度預測模型，通過pid控制算法計算空調風管控制量包括以下步驟：

61、訓練后的溫度濕度預測模型如下所示：

62、

63、其中，表示修正后時刻的預測空調風管狀態(tài)參數(shù)狀態(tài)數(shù)據(jù)，表示校正系數(shù)，取值范圍為[-1,1]，表示時刻的預測誤差；

64、s51、計算空調風管控制量誤差；

65、實時采集空調風管狀態(tài)參數(shù)變量數(shù)據(jù)并進行標準化處理，設定訓練后的溫度濕度預測模型預測的下一時刻的溫度濕度作為空調風管控制量的目標值；

66、空調風管控制量誤差=空調風管控制量的目標值-實時采集空調風管狀態(tài)參數(shù)變量數(shù)據(jù)；

67、s52、比例環(huán)節(jié)；

68、設定空調風管中各參數(shù)變量數(shù)據(jù)與溫度的比例系數(shù)為，空調風管比例環(huán)節(jié)控制量為，空調風管控制量誤差為；

69、=×；

70、s53、積分環(huán)節(jié)；

71、設定空調風管比例積分控制量為；

72、=×

73、其中，表示第個積分時間常數(shù)，表示下一時刻與當前時刻的時間間隔，表示積分數(shù)量，表示第個積分的誤差；

74、s54、微分環(huán)節(jié)；

75、設定空調風管微分積分控制量為；

76、=×

77、其中，表示第個微分時間常數(shù)，表示第個積分的誤差，表示第個積分的誤差；

78、s55、匯總計算空調風管控制量；

79、=++

80、其中，表示空調風管控制量；

81、基于計算后的空調風管控制量對空調風管進行控制。

82、本發(fā)明通過得到的訓練后的溫度濕度預測模型，通過pid控制算法計算空調風管控制量，通過pid控制算法的比例、積分和微分匯總計算得出空調風管控制量，并基于計算得出的空調風管控制量對空調風管進行控制。

83、本發(fā)明公開一種用于空調系統(tǒng)的數(shù)字化風管控制系統(tǒng)，包括物聯(lián)網設備、數(shù)據(jù)采集模塊、數(shù)據(jù)處理模塊、模型預測模塊以及控制量確定模塊；

84、所述物聯(lián)網設備包括溫度傳感器和濕度傳感器；

85、所述溫度傳感器用于實時監(jiān)測當前區(qū)域內的溫度變化情況；

86、所述濕度傳感器用于實時監(jiān)測當前區(qū)域內的濕度變化情況；

87、所述數(shù)據(jù)采集模塊用于實時采集當前區(qū)域內空調風管內的參數(shù)數(shù)據(jù)；

88、所述數(shù)據(jù)處理模塊用于對實時采集到的當前區(qū)域內空調風管內的參數(shù)數(shù)據(jù)進行預處理；

89、所述模型預測模塊用于根據(jù)預處理后的空調風管內的參數(shù)數(shù)據(jù)建立預測模型，并基于遺傳算法確定預測模型；

90、所述控制量確定模塊用于根據(jù)得到的預測模型通過pid控制算法計算空調風管控制量，并基于計算得到的空調風管控制量對空調風管進行控制。

91、（三）有益效果

92、與現(xiàn)有技術相比，本發(fā)明提供了一種用于空調系統(tǒng)的數(shù)字化風管控制系統(tǒng)及方法，具備以下有益效果：

93、1、該發(fā)明通過物聯(lián)網設備對環(huán)境參數(shù)和空調風管狀態(tài)參數(shù)進行采集，并基于采集到的空調風管狀態(tài)參數(shù)數(shù)據(jù)構建樣本集，同時對構建的樣本集中的空調風管狀態(tài)參數(shù)數(shù)據(jù)進行預處理，并基于得到的預處理后的空調風管狀態(tài)參數(shù)數(shù)據(jù)和采集得到的環(huán)境參數(shù)，建立溫度濕度預測模型；同時通過遺傳算法對建立的溫度濕度預測模型進行訓練，輸出訓練后的溫度濕度預測模型，并基于得到的訓練后的溫度濕度預測模型，通過pid控制算法計算空調風管控制量，并基于計算得到的空調風管控制量對空調風管進行控制，提高了數(shù)字化風管控制的實時性和準確性。

94、2、該發(fā)明通過控制變量的方法通過調整室內溫度的具體溫度，通過溫度變化情況記錄空調風管中各參數(shù)變量數(shù)據(jù)，將風管中各參數(shù)變量數(shù)據(jù)進行量化，提高了數(shù)字化風管控制的準確性。

95、3、該發(fā)明通過設定采樣周期，基于采樣周期重復采集空調風管中各參數(shù)變量數(shù)據(jù)，并通過數(shù)據(jù)標準化處理方法將空調風管中各參數(shù)變量數(shù)據(jù)進行標準化，保證了數(shù)字化風管控制的準確性。

96、4、該發(fā)明通過遺傳算法對建立的溫度濕度預測模型進行訓練，通過遺傳算法不斷的交叉、選擇、變異、迭代輸出最優(yōu)的溫度濕度預測模型，并基于輸出的最優(yōu)的溫度濕度預測模型對空調風管狀態(tài)進行預測，提高了數(shù)字化風管控制的準確性。

97、5、該發(fā)明通過得到的訓練后的溫度濕度預測模型，通過pid控制算法計算空調風管控制量，通過pid控制算法的比例、積分和微分匯總計算得出空調風管控制量，并基于計算得出的空調風管控制量對空調風管進行控制。

98、6、該發(fā)明通過得到的預處理后的空調風管狀態(tài)參數(shù)數(shù)據(jù)和環(huán)境參數(shù)，建立初步溫度濕度預測模型，基于建立的初步溫度濕度預測模型收集數(shù)據(jù)完成對下一時刻溫度濕度的預測，提高了數(shù)字化風管控制的實時性。