具体实施方式

下面结合附图及实施例对本发明做进一步的详细说明。

参见图1，本发明基于流场信息预测的空调风向智能控制方法，其实施方主要包括用户端和云服务端。参见图2，云服务端设备包括气象监测服务器、云计算中心和深度学习集群；用户端设备包括家用空调器、智能摄像头和用户遥控等，其中智能摄像头是非必需的。

各个部分的功能如下：

(1)云服务端：

处理用户端上传数据，给出智能风向控制方案并传输给用户端；

(1.1)气象监测服务器：

与气象局服务器对接，接收各地区的气象情况和空气温湿度数据；

(1.2)云计算中心：统筹云服务端的数据传输，并与用户端直接交互；

(2)用户端：

收集所需数据上传云服务端，并接收云服务端发送的智能风向控制方案；

(2.1)家用空调器：

家用设备，内置WIFI模块，可连接互联网并与云服务端的云计算中心直接交互；

(2.2)智能摄像头：

视频采集设备，可实时监测房间内的人员位置，可与家用空调器在本地数据交互；

(2.3)用户遥控：

用户可通过遥控器或者手机APP控制空调的运行，也可在APP内输入所需数据。

本发明基于流场信息预测的空调风向智能控制方法，包括以下步骤：

S1、通过深度学习建立流场信息预测模型；

S2、收集空间结构参数、当前环境数据以及空调位置和送风相关数据，并上传至流场信息预测模型，结合当地气象数据预测空调开启后的流场信息，所述流场包括温度场和风速场；

所述的空间结构参数包括空间的长度、宽度和高度，所述的当前环境数据包括空间内当前的温度和湿度数据，所述的送风相关数据包括空调型号、送风的风向和送风的温度

S3、根据空调开启后的预测流场信息绘制以水平送风角度、竖直送风角度分别为坐标轴横、纵坐标，使目标制冷区域达到舒适温度时的空调运行时间响应面图；

S4、在空调运行时间响应面图中，确定在舒适风速的条件下，使目标制冷区域达到舒适温度时空调运行时间最小的送风角度，作为最优送风角度，形成空调送风控制方案进行控制。

云服务端通过深度学习方法建立房间流场信息预测模型，该深度学习的第一阶段数据来源于空调器房间温度场的CFD仿真，包括如下输入信息：房间空间的长、宽、高等结构参数，空调的安装位置，空调送风风向和送风温度，房间初始温度等；以及如下CFD仿真结果信息：将房间网格化成若干区域，每个区域随时间变化的平均温度和平均风速。将如上信息作为深度学习的训练数据集，训练后的模型可准确而快速地预测在某个输入条件下对应的CFD仿真结果信息。该深度学习第二阶段的数据来源于空调器房间温度场的实验数据，在房间内布置若干温度和风速测量点，通过实验测试数据修正预测模型，获得更高准确性的预测效果。图3和图4分别展示了应用CFD技术仿真房间空气温度场和风速场随时间变化的仿真结果。

下面具体说明通过深度学习建立流场信息预测模型的过程。

如图5所示，该深度学习方法基于特征融合思想，运用卷积神经网络与回归模型进行流场信息预测。首先，将房间形状尺寸、空调安装位置、平均初始温度、当地空气物性等相关已知数据通过数据正则化后输入全连接神经网络层。将得到的特征向量输入卷积神经网络，卷积神经网络分为3个部分：1D卷积网络将输入的特征向量通过1D卷积操作变换为1D高维特征；2D反卷积网络将1D高维特征通过2D反卷积展开成高分辨率2D特征，再将由2D卷积网络通过2D卷积操作压缩成2D高维特征；最后3D反卷积网络将2D高维特征通过3D反卷积转换成输出的离散特征，即4D张量：长×宽×高×时间通道，其长宽高尺寸由房间尺寸确定。全连接层得到的特征向量也被输入回归模型，将回归模型学习得到的解析式作为连续特征。此外，连续方程等先验理论知识也通过嵌入式方法转换为先验知识约束特征，以剔除机器学习方法得到的部分病态结果。最后，通过集成学习方法将离散特征、连续特征和先验知识约束特征进行融合，得到最终的输出预测张量(网格化预测结果)，再经过数据后处理(如线性插值等方法)即可得到预测的流场信息结果，预测温度场结果如图6所示。

用户在使用应用该方法的空调器时，需要在用户端由APP填写房间空间的长、宽、高等结构参数信息，空调器安装位置信息，空调型号信息，舒适风速和目标制冷区域信息，该信息指用户在房间内常处位置，如沙发、椅子或者床等，如果房间内配备有智能摄像头，该信息也可由房间内的智能摄像头实时获取。另外，空调器可实时获得当前房间内的温湿度数据。

空调器内置WIFI连接模块和存储空间，用户端APP收集到的信息通过空调器上传到云服务端，如果房间内未配备智能摄像头，信息上传频率为1到3小时一次，如果目标制冷区域由智能摄像头采集，则在用户位置变化时更新上传信息。云计算中心接收用户端上传数据并结合当地气象数据首先预测空调的出风温度，该温度由实验测试数据汇总、拟合关联式得到，具有较高的精确度。将这些数据作为输入数据，在深度学习集群中预测房间开启空调器后不同送风风向的流场信息，包括温度场和风速场信息。由此，深度学习集群可快速获得在任意空调送风风向条件下使得目标制冷区域平均温度降低到用户设定温度的运行时间，并判断该区域风速是否超过用户设定的舒适风速。

云计算中心通过与深度学习集群进行数据交互，获得送风风向-运行时间-风速舒适性判断的多维数据组，然后通过响应面分析方法确定最优的空调送风风向的控制方案。图7是以水平送风角度、竖直送风角度为横纵坐标轴，目标制冷区域达到舒适温度时的空调器运行时间的响应面图，由云计算中心对数据非线性拟合绘制得到。图中存在一不舒适风速区，其风速范围由用户端设定，或者取工程常用值0.3m/s，大于该风速范围的送风方向被系统排除。在此区域之外，使得目标制冷区域达到用户设定温度时的空调器运行时间最小的送风方向被确定为最优的送风方向。在该送风方向下，空调器可同时满足用户最快制冷和舒适性风速的双重需求。

云服务端将最优送风控制方案传输到用户端空调器，在开启空调器后启用。用户端空调器在获取最优送风角度方案后，无需再与云服务端交互，直至接收到新的控制方案。云服务端在接收到用户端空调器的上传信息后快速完成预测、响应面分析、确定最优风向方案的过程并发送给用户端空调器。

本发明还提供一种基于流场信息预测的空调风向智能控制系统，包括：

预测模型建立模块，用于通过深度学习建立流场信息预测模型；

流场信息预测模块，用于收集空间结构参数、当前环境数据以及空调位置和送风相关数据，并上传至流场信息预测模型，结合当地气象数据预测空调开启后的流场信息，所述流场包括温度场和风速场；

图绘制模块，用于根据空调开启后的预测流场信息绘制以水平送风角度、竖直送风角度分别为坐标轴横、纵坐标，使目标制冷区域达到舒适温度时的空调运行时间响应面图；

控制方案生成模块，用于在空调运行时间响应面图中，确定在舒适风速的条件下，使目标制冷区域达到舒适温度时空调运行时间最小的送风角度，作为最优送风角度，形成空调送风控制方案进行控制。

本发明所提供的空调器风向智能控制方法，无需用户自行设定空调器送风风向，而是通过深度学习和响应面分析的方法计算得到用户舒适度最高的风向控制方案，本发明可提高空调器的智能性和舒适性。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施方式仅限于此，对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单的推演或替换，都应当视为属于本发明由所提交的权利要求书确定专利保护范围。