CN112762576A - 空调系统控制方法、达温时间预测模型训练方法及设备 - Google Patents

Abstract

本申请公开了一种空调系统控制方法、达温时间预测模型训练方法及设备，空调系统控制方法包括：获取空调系统开启前的室外环境参数和室内环境参数，室内环境参数至少包括空调系统的空气处理机组的第一温度，第一温度是空气处理机组的回风管内的温度；将室外环境参数和室内环境参数输入达温时间预测模型，得到达温时长，达温时间预测模型是利用空调系统的历史运行数据训练得到；根据达温时长控制空调的启动。通过上述方式，本申请能够精确预测达温时长，准确控制开机时间，减小能耗。

Description

空调系统控制方法、达温时间预测模型训练方法及设备

技术领域

本申请涉及空调技术领域，特别是涉及空调系统控制方法、达温时间预测模型训练方法及设备。

背景技术

随着空调器的普及，空调器的能源消耗已成为生活能源消耗的主要部分，特别是大型暖通制冷空调(Heating，Ventilation and Air Conditioning，HVAC)，其系统能耗巨大。以办公、商场等为主的大型建筑一般会在夜晚停止供冷或供热，但会要求在早上建筑正式运行时(例如8:30am)，室内温度达到设定值(例如制冷26度，制热22度)。因此，一般会提前启动HVAC系统，而需要提前多久启动一般是凭经验设定，为了保证在建筑正式运行时室内温度能达到设定值，通常会预留超额时间(例如实际仅用时1小时，但提前启动了1个半小时)。预留超额的预制冷/热时间会造成能源浪费。因此，有必要通过合理的控制优化，以能够有效的减少能源消耗。

发明内容

本申请主要解决的技术问题是提供一种空调系统控制方法、达温时间预测模型训练方法及设备，能够精确预测达温时长，准确控制开机时间，减小能耗。

为解决上述技术问题，本申请采用的一个技术方案是：提供一种空调系统控制方法，该空调系统控制方法包括：获取空调系统开启前的室外环境参数和室内环境参数，室内环境参数至少包括空调系统的空气处理机组的第一温度，第一温度是空气处理机组的回风管内的温度；将室外环境参数和室内环境参数输入达温时间预测模型，得到达温时长，达温时间预测模型是利用空调系统的历史运行数据训练得到；根据达温时长控制空调的启动。

其中，室外环境参数至少包括室外干球温度和室外湿球温度。

其中，室内环境参数还包括室内干球温度，室内干球温度为至少两个空间的室内干球温度的平均值。

其中，获取空调系统开启前的室内环境参数包括：预测空气处理机组的开机台数；选取m台空气处理机组作为待开机空气处理机组，m为预测到的开机台数，计算所有待开机空气处理机组的第一温度的平均值，将第一温度的平均值作为室内环境参数。

其中，可以从所有空气处理机组中任意选取m台空气处理机组作为待开机空气处理机组。也可以按照预设规则，选取m台具有特定标识的空气处理机组作为待开机空气处理机组。

其中，空调系统控制方法还包括：获取空调系统的开机运行周期标识，运行周期标识用于标识开机日在运行周期的节点；将运行周期标识作为预测参数输入达温时间预测模型。

其中，获取空调系统开启前的室外环境参数和室内环境参数包括：获取空调系统开启前第一时刻的室外环境参数和室内环境参数，第一时刻是根据目标达温时刻和第一时长计算得到，第一时长是指空调系统的最大允许提前开机时长。

其中，根据目标达温时刻和第一时长计算得到第一时刻包括：以目标达温时刻为节点往前推算第一时长，推算到的时刻为第一时刻。

为解决上述技术问题，本申请采用的另一个技术方案是：提供一种空调系统，该空调包括空气处理机组和控制器，控制器用于执行指令以实现上述任一项的空调系统控制方法。

为解决上述技术问题，本申请采用的另一个技术方案是：提供一种达温时间预测模型的训练方法，该达温时间预测模型的训练方法包括：获取若干组第一历史运行数据，第一历史运行数据包括空调系统开启前的室外环境参数、室内环境参数和空调系统的达温时长，室内环境参数至少包括空调系统的空气处理机组的第一温度，第一温度是空气处理机组的回风管内的温度；将若干组第一历史运行数据的室外环境参数和室内环境参数作为输入，达温时长作为输出进行模型训练，得到达温时间预测模型。

其中，可利用线性插值法对若干组第一历史运行数据中的缺失值进行填充。

其中，可利用箱型图对若干组第一历史运行数据中的离群点数据进行剔除。

其中，可将若干组第一历史运行数据的75％～85％作为训练样本数据输入初始模型，训练后得到达温时间预测模型；将若干组第一历史运行数据剩余的15％～25％作为训练样本数据输入达温时间预测模型，对达温时间预测模型进行验证；响应于达温时间预测模型达标，进行模型部署应用工作；响应于达温时间预测模型不达标，再次执行获取历史运行数据、模型训练、模型验证工作，直至达温时间预测模型达标。

其中，达温时间预测模型的训练方法还包括：获取第二历史运行数据，第二历史运行数据的产生时间晚于第一历史运行数据；利用第二历史运行数据对达温时间预测模型进行更新。

其中，达温时间预测模型为XgBoost模型、SVM模型或Random Forest模型。

为解决上述技术问题，本申请采用的另一个技术方案是：提供一种达温时间预测设备，该达温时间预测设备包括处理器，处理器用于执行指令以实现上述任一项的达温时间预测模型的训练方法。

为解决上述技术问题，本申请采用的另一个技术方案是：提供一种计算机可读存储介质，计算机可读存储介质用于存储指令/程序数据，指令/程序数据能够被执行以实现上述任一项所述的方法。

本申请的有益效果是：区别于现有技术的情况，本申请提供一种达温时间预测模型，通过获取必要的参数，利用达温时间预测模型可准确预测空调从开机到达到目标温度所需时长，进而可准确控制空调的开机时间，缩短额外提前开机时间，能够减小能耗。

附图说明

图1是本申请实施方式中一达温时间预测模型训练方法的流程示意图；

图2是本申请实施方式中另一达温时间预测模型训练方法的流程示意图；

图3是本申请实施方式中空调系统控制方法的流程示意图；

图4是本申请实施方式中达温时间预测设备的结构示意图；

图5是本申请实施方式中空调系统的结构示意图；

图6是本申请实施方式中计算机可读存储介质的结构示意图。

具体实施方式

为使本申请的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本申请进一步详细说明。

本申请提供一种空调控制方法，可利用空调的历史运行数据，训练出达温时间预测模型，利用达温时间预测模型来预测预制冷/制热所需时长，进而控制空调提前开机的时间。通过这种方式，所预测的达温时长较人工预测更为准确，进而更准确的控制开机时间；既能够准时达到目标温度，又不会增加额外开机时长，能够有效减小能耗。同时，通过该控制方法，可实现设备自动化，自动化控制空调机组的运行，减少人工参与，节约用人成本。

请参阅图1，图1是本申请实施方式中一达温时间预测模型训练方法的流程示意图。该实施方式中，可利用空调历史运行数据，训练出达温时间预测模型。需注意的是，若有实质上相同的结果，本实施例并不以图1所示的流程顺序为限。如图1所示，本实施例包括：

S110：获取若干组历史运行数据。

若干组历史运行数据包括空调系统开启前的室外环境参数和室内环境参数，以及空调系统的达温时长。

其中，室外环境参数至少包括室外干球温度和室外湿球温度。干球温度是暴露于空气中而又不受太阳直接照射的干球温度计上所读取的数值，一定程度上可反映空气的真实温度。湿球温度是湿球温度计上所读取的数值，用湿棉布包扎温度计的感温部分，且维持棉布一直处于润湿状态，可形成湿球温度计。同时获取室外环境的干球温度和湿球温度，能够更准确的评估判断室外环境信息，计算预制热/制冷所需时长。

室内环境参数至少包括空调系统的空气处理机组(Air Handle Unit，AHU)的第一温度。第一温度是空气处理机组的回风管内的温度，可在空气处理机组的回风管内设置温度传感器，以检测获取第一温度。空气处理机组运行时，回风管内的回风是从室内空间抽回的空气，回风管内回风的温度一定程度上可反映室内环境温度。开机前，回风管与室内空间连通，可利用回风管内的温度反映开机前的室内环境温度；开机后，回风管内有回风流通，可以反映回风回来的时刻的室内空气的温度。HVAC系统一般应用于大型建筑中，建筑中空调出风口分布广，且分散在不同的空间，若每个空间都检测空间温度，检测难度较大。通过利用空气处理机组的第一温度来体现室内环境温度，判断是否达温，相对更方便、简单和稳定。

达温时长是指空调从开机启动到达到目标温度所需时长。

S120：将若干组历史运行数据的室外环境参数和室内环境参数作为输入，达温时长作为输出进行模型训练，得到达温时间预测模型。

该实施方式中，可利用空调系统的历史运行数据，训练出达温时间预测模型，在训练模型时，考虑了多方面影响因素，能够约束模型，得到更准确的预测结果。

请参阅图2，图2是本申请实施方式中另一达温时间预测模型训练方法的流程示意图。该实施方式中，可利用空调历史运行数据，训练出达温时间预测模型。需注意的是，若有实质上相同的结果，本实施例并不以图2所示的流程顺序为限。如图2所示，本实施例包括：

S210：获取若干组历史运行数据。

其中，空调历史运行数据至少包括运行当天的室外环境参数、室内环境参数、运行周期标识和达温时长。采集样本数据期间，可以是人工控制提前开机时长，也可以预先设置固定的提前开机时长，预先设计提前开机时长时，可设计提前开机时长等于最大允许提前开机时长，以保证能够在目标时刻达到目标温度。其中，运行周期内，一般是每天只开机一次，可以是每天早上开机，开机后空调运行一整天，每天可获取一组样本数据。训练样本越多越好，所训练出的模型将越准确。如可预先采集一个月内的开机时的室外环境参数、室内环境参数和运行周期标识，及对应的达温时长作为训练样本，对模型进行训练。

在一实施方式中，还可以获取更多的参数作为达温时间预测模型的输入，以得到更高精度的预测结果。

可选地，可以预测空气处理机组的开机台数，越多台的空气处理机组的开机运行，达温时长一定程度上可以缩短，因此，可将空气处理机组的待开机台数作为达温时间的预测参数。当有多台空气处理机组运行时，所获取的空气处理机组的第一温度可以是多台空气处理机组的第一温度的平均值。或者说，当大部分空气处理机组的第一温度在目标时刻达到目标温度即可认为已达温；如有80％的空气处理机组的第一温度达温，即可认定室内温度已达温。同时可记录所有空气处理机组的运行数据，对于长期不能达温的空气处理机组可剔除。可以通过负荷预测算法确定空气处理机组的开机台数。具体地，获取负荷预测变量，负荷预测变量可包括室外平均温度，室内平均温度，末端开启数量等，利用这些负荷预测变量预测空气处理机组的开机台数。如预测出需要m台空气处理机组开机，可以在所有空气处理机组中任意选取m台空气处理机组作为待开机空气处理机组，待到达开机时间时，启动这m台待开机空气处理机组运行。也可以按照预设规则，选取m台具有特定标识的空气处理机组作为待开机空气处理机组。如可以对空气处理机组进行编号，按照运行周期，循环选取待开机空气处理机组。例如，总共有10台空气处理机组；第一天开启运行了编号为1-4的空气处理机组，第二天需要开启3台空气处理机组，则选取编号为5-7的空气处理机组，第三天开机需要开启5台空气处理机组，则选取编号为8-10、1-2的空气处理机组，依次循环。通过这种方式，能够合理充分利用空气处理机组，特别是有多组空气处理机组时，可以使其轮流停机，以维护，增长使用寿命。当然，本申请不限定空气处理机组的选取规则，可根据需要设置。

可选地，还可以获取各室内的干球温度，更准确的反馈室内环境是否达温。可以读取各室内空调控制面板的温度作为室内干球温度。通过这种方式，能够减小室内布局温度计的成本。同样地，可取至少两个空间的干球温度的平均值，来判断室内环境是否达温。

可选地，还可以增加更多输入数据作为预测参数，例如还可以获取天气预报数据，风力数据，太阳辐射数据，HVAC运行设定数据等，可进一步提高预测模型的预测精度。

在一实施方式中，为了便于管理，HVAC系统一般会预先设计运行周期，控制空调按照一定规律运行。如对于办公类建筑的空调，可设置只在工作日运行，节假日不运行；对于商场类建筑的空调，可设置特定的休息日，在休息日不运行。在运行周期内，每次开机时，空调距离前一次关机的时间间隔具有一定规律。停机间隔的长短可对达温时长有一定影响。如设定空调周一到周五运行，周六和周天不运行。那么周一开机时，空调与上次关机的时间间隔为周末两天，室内室外环境基本不再会受上次空调运行的影响；而周二开机时，空调与上次关机时间仅间隔一晚上，室内室外环境可能还有空调余温的影响；特别是室内环境，若空调关机后，空间又密闭，室内环境一定程度上受前一次空调运行的影响，以此类推，等周五开机时，这个影响因素可能已累积到明显与周一开机时不同。或者说，同样的外界环境下，周一开机时的达温时长与周五开机时的达温时长可能就不同。再者，停机间隔一定程度上也可能对空气处理机组的运行效率有影响；因此，停机间隔一定程度上将对达温时长带来影响。本申请考虑到这一影响因素，将运行周期这一参数纳入到达温时间预测模型中，以提高达温时间预测模型预测的准确性。运行周期标识用于标识开机日在运行周期的节点。如运行周期设计每运行十天休息一天，运行周期标识可以是运行的第一天、第二天……；运行周期设计周一到周五运行、周末休息，运行周期标识可以是星期一、星期二……等。本申请不对运行周期标识的形式做限定，以能够体现运行时长、间隔时长的方式呈现即可。

S220：对历史运行数据进行处理。

其中，可对异常数据进行清洗。

统计每日所采集的运行数据，若某个数据缺失，可对缺失值进行填充。如某个空气处理机组的初始第一温度缺失，或达温时的第一温度缺失，可利用插值法对缺失值进行填充。如可以使用线性插值法对缺失值进行填充。

统计每日所采集的运行数据，若某个数据明显异常，可剔除。如某个空气处理机组的第一温度明显不同于其他空气处理机组的第一温度，将影响平均第一温度的准确性，可剔除这部分数据。可以使用箱型图剔除异常数据。

统计记录所有空气处理机组的运行数据，若统计发现某空气处理机组长时间不能达温，或多次不能达温，则认为该空气处理机组异常，或损坏，可报修处理，并将其在样本数据中剔除，以提高模型的准确性。

S230：将处理后的历史运行数据输入初始模型进行训练。

可以选用回归预测模型作为达温时间预测模型的模型架构，如可以是XgBoost、ANN、SVM、RandomForest模型等。该种模型架构简单，体量小，能够更多的应用在多种空调处理器中。

可以将采集到的样本数据的80～90％作为训练样本数据，计算模型的损失函数，训练得到达温时间预测模型；将剩下的样本数据作为验证样本数据，对所得达温时间预测模型进行验证，确认模型是否达标。可将平均绝对值误差作为评价标准。若模型达标，则可推广应用，若不达标，则可增大训练样本，继续训练，直到模型达标。

以上实施方式中，训练所得达温时间预测模型可应用于大型暖通制冷空调中，用于准确预测达温时长，以精确控制提前开机时间，减小能耗。

在一实施方式中，达温时间预测模型可搭载在空调处理器中，在本地即可获取参数数据，对达温时长进行预测，控制开机时间，实现自我控制。在其他实施方式中，达温时间预测模型可搭载在云端服务器中，空调获取参数数据后发送给云端服务器，云端服务器利用模型进行预测，并将预测数据发送给空调，或者向空调发送控制指令，实现对空调的远程控制。将达温时间预测模型搭载在服务器中，可使运算更快，同时可同时应用控制多台空调，实现综合控制，便于模型管理。

请参阅图3，图3是本申请实施方式中空调控制方法的流程示意图。该实施方式中，可利用达温时间预测模型对达温时长进行预测，以精确控制开机时间。需注意的是，若有实质上相同的结果，本实施例并不以图3所示的流程顺序为限。如图3所示，本实施例包括：

S310：获取空调系统开启前的室外环境参数和室内环境参数。

可以获取空调系统开启前第一时刻的室外环境参数和室内环境参数，第一时刻是根据目标达温时刻和第一时长计算得到，第一时长是指空调系统的最大允许提前开机时长。具体可以以目标达温时刻为节点往前推算第一时长，推算到的时刻为第一时刻。目标达温时刻可以是12小时制或24小时制下的某一个确定的时刻，可以提前根据需要设置好。第一时刻可以是12小时制或24小时制下的某一个确定的时刻。根据目标达温时刻和第一时长计算得到第一时刻，可以是由目标达温时刻往前推第一时长计算得到，通常情况下，可以用目标达温时刻减去第一时长可获得，比如目标达温时刻为早上8点，第一时长为1小时，第一时刻即为7点(8点减1小时)。在某些情况下需要进行换算，比如目标达温时刻为凌晨1点，第一时长为2小时，第一时刻为前一天的23点。例如可以获取清晨某一时刻的室外环境参数和室内环境参数。该时刻可以是根据最大允许提前开机时长推算出来。如目标达温时刻(例如8:30)，最大允许提前开机时长是2小时30分钟，那么需要获取6点钟的室外环境参数和室内环境参数。最大允许提前开机时长可以根据空调性能、应用场景等设置，可以是两个半小时、两个小时等。

室外环境参数和室内环境参数可以是上述任意实施例中的所用参数中的一种或多种。

S320：将室外环境参数和室内环境参数输入达温时间预测模型，得到达温时长。

除上述参数外，可根据达温时间预测模型训练时所用参数，适应选择对应的参数输入模型中，以得到更准确的预测结果。

如可以预测空气处理机组的开机台数。可以通过负荷预测算法确定空气处理机组的开机台数。具体地，获取负荷预测变量，负荷预测变量可包括室外平均温度，室内平均温度，末端开启数量等，利用这些负荷预测变量预测空气处理机组的开机台数。以能够合理充分利用空气处理机组，特别是有多组空气处理机组时，可以使其轮流停机，以维护，增长使用寿命。

S330：根据达温时长控制空调系统的启动。

可控制空调系统提前达温时长的时间开机启动，以在目标达温时刻达到目标温度。

例如预测达温时长为1小时，目标达温时刻为8:30，则可以在7点30启动机组运行。其中，因预测后实际开机的时间点，与进行预测时采集参数数据的时间点可能不同，如6点钟进行预测，预测后需要再7点半开机。虽然两个时刻的参数数据可能会有小幅度的偏差，但是这一误差可在允许范围内。换句话说，在模型训练时有考虑了这一误差因素，因此，该误差不会对最终预测结果有实质影响。

该实施方式中，通过利用达温时间预测模型来预测预制冷/制热所需时长，进而控制空调提前开机的时间。通过这种方式，所预测的达温时长较人工预测更为准确，进而更准确的控制开机时间；既能够准时达到目标温度，又不会增加额外开机时长，能够有效减小能耗。同时，通过该控制方法，可实现设备自动化，自动化控制空调机组的运行，减少人工参与，节约用人成本。

在一实施方式中，可定期监控预测效果并及时更新预测模型。具体地，模型预测效果可能会随着时间推移发生变化，因此需要不断监控模型预测效果，并使用新获得运行数据重新训练模型。可以设置定期对预测模型进行更新；也可以设置误差阈值，当预测误差大于阈值时进行模型更新。

请参阅图4，图4是本申请实施方式中达温时间预测设备的结构示意图。该实施方式中，达温时间预测设备10包括处理器11。

处理器11还可以称为CPU(Central Processing Unit，中央处理单元)。处理器11可能是一种集成电路芯片，具有信号的处理能力。处理器11还可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(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。通用处理器可以是微处理器或者该处理器11也可以是任何常规的处理器等。

达温时间预测模型训练10可以进一步包括存储器(图中未示出)，用于存储处理器11运行所需的指令和数据。

处理器11用于执行指令以实现上述本申请达温时间预测模型训练方法任一实施例及任意不冲突的组合所提供的方法。

达温时间预测设备可以是服务器等计算机设备，可以是单独服务器，也可以是服务器集群等。

请参阅图5，图5是本申请实施方式中空调系统的结构示意图。该实施方式中，空调系统20包括控制器21和空气处理机组22。

控制器21还可以称为CPU(Central Processing Unit，中央处理单元)。控制器21可能是一种集成电路芯片，具有信号的处理能力。控制器21还可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(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。通用处理器可以是微处理器或者该控制器21也可以是任何常规的处理器等。

空调系统20可以进一步包括存储器(图中未示出)，用于存储控制器21运行所需的指令和数据。

控制器21用于执行指令以实现上述本申请空调控制方法任一实施例及任意不冲突的组合所提供的方法。

空调系统20可以是大型暖通制冷空调，可应用于大型建筑中。

请参阅图6，图6为本申请实施方式中计算机可读存储介质的结构示意图。本申请实施例的计算机可读存储介质30存储有指令/程序数据31，该指令/程序数据31被执行时实现本申请上述达温预测模型训练方法、空调控制方法任一实施例以及任意不冲突的组合所提供的方法。其中，该指令/程序数据31可以形成程序文件以软件产品的形式存储在上述存储介质30中，以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本申请各个实施方式方法的全部或部分步骤。而前述的存储介质30包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、磁碟或者光盘等各种可以存储程序代码的介质，或者是计算机、服务器、手机、平板等终端设备。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

以上所述仅为本申请的实施方式，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (15)

1.一种空调系统控制方法，其特征在于，包括：

获取所述空调系统开启前的室外环境参数和室内环境参数，所述室内环境参数至少包括所述空调系统的空气处理机组的第一温度，所述第一温度是所述空气处理机组的回风管内的温度；

将所述室外环境参数和室内环境参数输入达温时间预测模型，得到达温时长，所述达温时间预测模型是利用所述空调系统的历史运行数据训练得到；

根据所述达温时长控制空调的启动。

2.根据权利要求1所述的空调系统控制方法，其特征在于，所述获取空调系统开启前的室内环境参数包括：

预测所述空气处理机组的开机台数；

选取m台空气处理机组作为待开机空气处理机组，m为预测到的开机台数；

计算所有所述待开机空气处理机组的第一温度的平均值，将所述第一温度的平均值作为所述室内环境参数。

3.根据权利要求2所述的空调系统控制方法，其特征在于，所述选取m台空气处理机组作为待开机空气处理机组包括：

从所有所述空气处理机组中任意选取m台空气处理机组作为所述待开机空气处理机组；或

按照预设规则，选取m台具有特定标识的空气处理机组作为所述待开机空气处理机组。

4.根据权利要求1所述的空调系统控制方法，其特征在于，所述方法还包括：

获取所述空调系统的开机运行周期标识，所述运行周期标识用于标识开机日在运行周期的节点；

将所述运行周期标识作为预测参数输入所述达温时间预测模型。

5.根据权利要求1所述的空调系统控制方法，其特征在于，所述获取空调系统开启前的室外环境参数和室内环境参数包括：

获取所述空调系统开启前第一时刻的室外环境参数和室内环境参数，所述第一时刻是根据目标达温时刻和第一时长计算得到，所述第一时长是指所述空调系统的最大允许提前开机时长。

6.根据权利要求5所述的空调系统控制方法，其特征在于，所述根据目标达温时刻和第一时长计算得到第一时刻包括：

以所述目标达温时刻为节点往前推算所述第一时长，推算到的时刻为所述第一时刻。

7.根据权利要求1所述的空调系统控制方法，其特征在于，

所述室外环境参数至少包括室外干球温度和室外湿球温度；和/或

所述室内环境参数至少包括室内干球温度，所述室内干球温度为至少两个空间的室内干球温度的平均值。

8.一种空调系统，其特征在于，包括：

空气处理机组和控制器，所述控制器用于执行指令以实现如权利要求1-7中任一项所述的空调系统控制方法。

9.一种达温时间预测模型的训练方法，其特征在于，包括：

获取若干组第一历史运行数据，所述第一历史运行数据包括空调系统开启前的室外环境参数、室内环境参数和所述空调系统的达温时长，所述室内环境参数至少包括所述空调系统的空气处理机组的第一温度，所述第一温度是所述空气处理机组的回风管内的温度；

将所述若干组第一历史运行数据的室外环境参数和室内环境参数作为输入，达温时长作为输出进行模型训练，得到达温时间预测模型。

10.根据权利要求9所述的达温时间预测模型的训练方法，其特征在于，所述获取若干组第一历史运行数据之后包括：

利用线性插值法对所述若干组第一历史运行数据中的缺失值进行填充；和/或

利用箱型图对所述若干组第一历史运行数据中的离群点数据进行剔除。

11.根据权利要求9所述的达温时间预测模型的训练方法，其特征在于，

将所述若干组第一历史运行数据的75％～85％作为训练样本数据输入初始模型，训练后得到达温时间预测模型；

将所述若干组第一历史运行数据剩余的15％～25％作为训练样本数据输入所述达温时间预测模型，对所述达温时间预测模型进行验证；

响应于所述达温时间预测模型达标，进行模型部署应用工作；响应于所述达温时间预测模型不达标，再次执行获取历史运行数据、模型训练、模型验证工作，直至所述达温时间预测模型达标。

12.根据权利要求9所述的达温时间预测模型的训练方法，其特征在于，

获取第二历史运行数据，所述第二历史运行数据的产生时间晚于所述第一历史运行数据；

利用所述第二历史运行数据对所述达温时间预测模型进行更新。

13.根据权利要求9所述的达温时间预测模型的训练方法，其特征在于，

所述达温时间预测模型为XgBoost模型、SVM模型或Random Forest模型。

14.一种达温时间预测设备，其特征在于，

所述达温时间预测设备包括处理器，所述处理器用于执行指令以实现如权利要求9-13中任一项所述的达温时间预测模型的训练方法。

15.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质用于存储指令/程序数据，所述指令/程序数据能够被执行以实现如权利要求9-13中任一项所述的达温时间预测模型的训练方法。

Images