[发明专利]一种基于深度学习的智能制冷舒适空调

权利要求书

1.一种基于深度学习的智能制冷舒适空调，其特征在于，包括：

用户舒适温度数据库建立模块，用于存储用户行为习惯，对存储的用户行为习惯的数据进行捕捉并分配权重；

数据获取模块，用于获取空调工作时环境数据和运行数据；

深度生成模型形成模块，用于根据各影响因子的参数，建立空调的三维热效应方程，求解得空调的温度场分布情况；

制冷方案输出模块，用于选择深度生成模型并进行预训练，经过深度生成模型的推断，输出最终的空调优化制冷方案；

所述深度生成模型形成模块包括：

参数输入子模块，用于输入空调的基本参数，包括风速、出风口温度、制冷模式、制热模式、除湿模式、出口风向和运行参数；

信息识别子模块，用于根据待识别输入空调的基本参数的标识信息和深度学习算法模型的标识信息，判断是否将所述待识别输入空调的基本参数的标识信息以及所述深度学习算法模型存储到存储器中；

信息存储子模块，用于所述存储器判断为是的情况下，存储所述待识别输入空调的基本参数的标识信息和所述深度学习算法模型；

识别指令发出子模块，用于发出针对所述待识别输入空调的基本参数的标识信息的识别指令；

识别结果输出子模块，用于根据识别指令获取第一深度学习算法模型和所述待识别输入空调的基本参数的标识信息，并利用所述深度学习算法模型对所述待识别输入空调的基本参数的标识信息进行识别处理；输出识别处理的结果；

所述存储器包括：

存储请求发送子模块，用于发送将所述待识别输入空调的基本参数的标识信息以及所述深度学习算法模型存储的请求；

功率控制子模块，用于在存储器的不同半径内设置第一信息存储层的第一最优功率控制区域和第二信息存储层的第二最优功率控制区域，使得第一最优功率控制区域和第二最优功率控制区域彼此不重叠；与第一最优功率控制区域和第二最优功率控制区域中的每一个分别相邻而设置保留区域；

数据存储子模块，用于存储所述待识别输入空调的基本参数的标识信息以及所述深度学习算法模型的数据。

2.如权利要求1所述的基于深度学习的智能制冷舒适空调，其特征在于，所述环境数据中包括各个影响因子对应的数据；利用深度学习库编程构造对应的深度学习模型，基于所述环境数据和运行数据，训练深度学习模型，确定每个影响因子对空调制冷效果的影响系数，构造出各个影响因子对应的相关性函数；

建立深度生成模型根据空调的基本参数，包括风速、出风口温度、制冷模式、制热模式、除湿模式、出口风向和运行参数，形成在深度学习多层网络下空调的深度生成模型。

3.如权利要求1所述的基于深度学习的智能制冷舒适空调，其特征在于，所述用户舒适温度数据库建立模块的用户行为习惯包括：客户日常调整空调的风速、出风口温度、制冷模式、制热模式、除湿模式、出口风向和运行参数；当用户按照常规开机，调整风速、出风口温度、制冷模式、制热模式、除湿模式、出口风向和运行参数时，用户舒适温度数据库实时记录风速、出风口温度、制冷模式、制热模式、除湿模式、出口风向和运行参数的数据，并进行存储，存储后按照运行参数的不同分为不同的类别记录堆栈，然后导入用户舒适温度数据库，当每次记录室内温度变化时，计数器的读数加1，若计数器的读数大于记录堆栈的上限时，此时生成舒适温度；若计数器的读数不大于记录堆栈的上限时，返回常规开机。

4.如权利要求1所述的基于深度学习的智能制冷舒适空调，其特征在于，所述用户舒适温度数据库建立模块包括：

第一分配权重子模块，用于将收集到的存储的用户行为习惯的数据输入第一级深度神经网络，部署训练得到第一级神经网络模型，生成第一分配权重的存储的用户行为习惯的数据；

第二分配权重子模块，用于构建第二级深度神经网络模型，输入为存储的用户行为习惯的数据，输出为第二分配权重的存储的用户行为习惯的数据；

存储数据处理子模块，用于将收集到的第一分配权重的存储的用户行为习惯的数据和第二分配权重的存储的用户行为习惯的数据一起输入第二级深度神经网络，部署训练得到第二级神经网络模型，生成分割好的存储的用户行为习惯的数据。