[发明专利]空调器及云服务器

权利要求书

1.一种空调器，其特征在于，包括：

控制器，其配置有KNN回归预测模型，所述控制器接收空调器的多个运行参数的值并输入至所述KNN回归预测模型，所述KNN回归预测模型输出空调器的预测能效比；

所述空调器的多个运行参数包括蒸发器进水温度TEI、蒸发器出水温度TEO、冷凝器进水温度TCI、冷凝器出水温度TCO、换热器进水温度TSI、冷凝器环路温度TS0、换热器出水温度TBI、蒸发器环路温度TBO、建筑进水温度CTI、建筑出水温度CTO、蒸汽加热量kW、蒸发器流量TEA、冷凝器流量TCA、冷凝器温差表征值TRE以及制冷剂温度TRC的任意组合。

2.根据权利要求1所述的空调器，其特征在于，所述控制器配置KNN回归预测模型的方法包括：

选取参数变量，从所述多个运行参数中选取任一种参数变量组合；

获取所述参数变量组合中各参数变量的历史数据，得到若干条历史数据，以及获取各条历史数据所对应的能效比；

构建KNN回归预测模型，包括：

以历史数据作为输入向量，所述历史数据所对应的能效比作为输出向量，将输入向量根据与相互之间的距离进行分类，得到KNN回归预测模型。

3.根据权利要求2所述的空调器，其特征在于，在构建KNN回归预测模型之前还包括对所述历史数据进行预处理的步骤，将其转化为无量纲的数值。

4.根据权利要求3所述的云服务器，其特征在于，对所述历史数据进行预处理包括：对所述历史数据进行归一化处理，将每个数据转换到0～1的范围区间。

5.根据权利要求2所述的空调器，其特征在于，还包括将所述历史数据分成两组，分别作为训练集和验证集，采用训练集中的数据训练KNN回归预测模型，包括：

计算训练数据与各类中元素之间的距离；

将距离按照大小进行排序；

选取距离最小的K个点；

确定所述K个点所在类别的出现频率；

返回前K个点中出现频率最高的类别作为训练数据的预测分类；

确定预测分类的输出值，为预测能效比，将训练数据的实际能效比与所述预测能效比进行比较，并根据比较结果修正KNN回归预测模型。

6.根据权利要求1所述的空调器，其特征在于，对空调器进行能效预测包括：

获取KNN回归预测模型中的参数变量组合，并根据所述参数变量组合中的参数变量获取空调器的各运行参数的值；

将所述各运行参数的值输入至所述KNN回归预测模型；

计算输入数据与各类中元素之间的距离；

将距离按照大小进行排序；

选取距离最小的K个点；

确定所述K个点所在类别的出现频率；

返回前K个点中出现频率最高的类别作为输入数据的预测分类；

确定预测分类的输出值为预测能效比，并输出。

7.根据权利要求6所述的空调器，其特征在于，当预测分类具有多个时，确定各预测分类的输出值，将各输出值与权重系数相乘之后求和，为预测能效比，并输出。

8.根据权利要求5或6所述的空调器，其特征在于，采用欧氏距离公式或曼哈顿距离公式进行距离计算。

9.根据权利要求1-7任一项所述的空调器，其特征在于，还包括将预测能效比发送至所述空调器，对空调器进行调节控制的步骤。

10.一种云服务器，其特征在于，包括：

控制器，其配置有KNN回归预测模型，所述控制器通过网络接收空调器的多个运行参数的值并输入至所述KNN回归预测模型，所述KNN回归预测模型输出空调器的预测能效比，并发送至所述空调器；

所述空调器的多个运行参数包括蒸发器进水温度TEI、蒸发器出水温度TEO、冷凝器进水温度TCI、冷凝器出水温度TCO、换热器进水温度TSI、冷凝器环路温度TS0、换热器出水温度TBI、蒸发器环路温度TBO、建筑进水温度CTI、建筑出水温度CTO、蒸汽加热量kW、蒸发器流量TEA、冷凝器流量TCA、冷凝器温差表征值TRE以及制冷剂温度TRC的任意组合。