买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉浙江大学;浙江大学海南研究院申请的专利一种基于离线强化学习的低露点双转轮除湿机节能优化控制方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN121112452B 。

龙图腾网通过国家知识产权局官网在2026-03-06发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202511649945.0，技术领域涉及：F24F11/47；该发明授权一种基于离线强化学习的低露点双转轮除湿机节能优化控制方法是由杨捷;黄振;仇垚;邱泽贤;郑凡;徐恺励设计研发完成，并于2025-11-12向国家知识产权局提交的专利申请。

本一种基于离线强化学习的低露点双转轮除湿机节能优化控制方法在说明书摘要公布了：本发明公开了一种基于离线强化学习的低露点双转轮除湿机节能优化控制方法。方法包括先通过在低露点双转轮除湿机上布设传感器获取原始数据集，根据原始数据集构建合成数据集，再基于策略熵自适应动态调整的离线经验回放方法获取集成数据集，基于集成数据集训练低露点双转轮除湿机决策模型，最后将训练好的低露点双转轮除湿机决策模型部署到低露点双转轮除湿机中进行控制决策，采用定期训练更新的方法对低露点双转轮除湿机决策模型进行处理，实现低露点双转轮除湿机的不断优化。本发明方法降低了模型训练对原始数据集的依赖、实现了智能体对原始数据集的自适应需求调整且降低了模型的复杂度和计算资源消耗。

本发明授权一种基于离线强化学习的低露点双转轮除湿机节能优化控制方法在权利要求书中公布了：1.一种基于离线强化学习的低露点双转轮除湿机节能优化控制方法，其特征在于，方法包括如下步骤： S1、于低露点双转轮除湿机的关键位置处布设传感器获取低露点双转轮除湿机多种数据，根据获得的所有数据构建低露点双转轮除湿机的原始数据集； S2、将原始数据集存放至构建的真实回放缓冲区，根据原始数据集构建面向强化学习的TimeDiff扩散模型并进行数据增强，得到增强后的合成数据集； S3、采用基于策略熵自适应动态调整的离线经验回放方法获得每轮训练从原始数据集中所需的真实数据比，根据真实数据比分别从原始数据集和合成数据集选取数据构建每轮训练所需的集成数据集； 所述基于策略熵自适应动态调整的离线经验回放方法具体为： D1、初始化真实数据比、熵温度系数和目标熵； D2、每训练Nr个时间步后，获取强化学习策略网络计算的策略熵； D3、根据时间衰减策略更新目标熵； D4、根据以下公式计算得到当前时间步的真实数据比： rrealt=βemarrealt-1+1-βemarclipt rclipt=maxrmin,minrmax,r^realt r^realt=sigmoidαrHtarget–Hπ 其中，rrealt为当前时间步t下的真实数据比，表示时间步t下从原始数据集中选取的数据占训练批次样本的比例；βema表示平滑系数；rrealt-1表示更新前的时间步t-1下的真实数据比；rclipt表示时间步t下截断后的真实数据比估计；rmax和rmin分别为用于截断运算的真实数据比的预设最大和最小值；r^realt表示时间步t下真实数据比估计；αr表示熵温度系数；Htarget表示目标熵；Hπ表示策略熵； D5、若策略熵在连续NT个时间步均偏离目标熵，即|Htarget-Hπ|ξT则更新熵温度系数，否则不更新熵温度系数； 所述更新熵温度系数按以下公式设置： αrn+1=αrn1+ηrsignHtarget-Hπ 其中，αrn+1为更新后的熵温度系数；αrn为更新前的熵温度系数；ηr为熵温度系数学习率；sign·为sign符号函数；ξT为熵温度系数调节阈值； D6、重复步骤D2-步骤D5，不断得到每个时间步的真实数据比； S4、构建低露点双转轮除湿机决策模型，将每轮训练所需的集成数据集输入到低露点双转轮除湿机决策模型中进行训练，得到训练好的低露点双转轮除湿机决策模型； S5、将训练好的低露点双转轮除湿机决策模型部署到低露点双转轮除湿机中进行控制决策，采用定期训练更新的方法对低露点双转轮除湿机决策模型进行处理，实现低露点双转轮除湿机的不断优化。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人浙江大学;浙江大学海南研究院，其通讯地址为：310058 浙江省杭州市西湖区余杭塘路866号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。