一种基于抑霜神经网络的空调制热控制方法、系统及装置与流程

1.本发明涉及空调的抑霜化霜控制技术领域，特别是一种基于抑霜神经网络的空调制热控制方法、系统及装置。


背景技术：

2.在空调制热时，所输出的热量越高，所需的运行频率越高，外管温就越低，越容易产生结霜。此外，制热过程中，室外换热器的霜层的成长存在以下规律：霜层越厚，结霜越快，对性能的影响越大。因此，通过在制热期间减少热量输出，虽然会对正常运行时室内的舒适性产生破坏，但是能减少结霜，减少化霜的频率，从而避免频繁化霜带来的对舒适性更大的破坏。
3.专利cn109163411a提出了一种在制热运行过程中进行抑霜，并更准确判断化霜时机的方法，其在制热运行的过程中通过实时计算露点温度与实时外管温相对比，在可能出现结霜时变进行降低运行频率等抑霜控制，在判断进入化霜时，通过实时计算能效比并于预设值进行对比，若是能效比较低则进入化霜。
4.专利cn111561761a提出了一种延缓空调结霜的办法，通过检测制热持续运行时间和内管温的温度进行判断，若是输出能力充足即进入抑霜控制，执行将低频率等操作，降低输出能力保证对结霜的延缓。
5.专利cn111854056a同样提出了一种延缓空调结霜的方法，它根据室外环境温度、外管温和运行频率确定是否具备就进行降低能力的条件，若是具备有降低能力的条件，则进入抑霜模式进行降频等控制。
6.以上三种方法均在制热的过程中进行了抑霜控制，但是进行抑霜的时机、抑霜的程度均是简单的根据预设值进行确定。由于抑霜过多会导致制热能力不足，而抑霜过少又会导致抑霜效果不佳，因此在实际复杂的工况中，往往很难达到最佳的舒适性提升效果，甚至可能出现由于抑霜控制导致的制热能力降低而使得舒适性降低的情况。


技术实现要素：

7.针对上述抑霜过多会导致制热能力不足，而抑霜过少又会导致抑霜效果不佳的问题，本发明提供一种基于抑霜神经网络的空调制热控制方法、系统及装置，能够根据实际运行工况和制热状态，确定进行抑霜的最佳时机和抑霜程度，有效保证了最佳的舒适性。
8.为实现上述目的，本发明选用如下技术方案：一种基于抑霜神经网络的空调制热控制方法，包括：
9.获取空调制热运行时的运行工况信息；
10.输入所述运行工况信息以预先训练好的神经网络模型计算，输出频率降幅信息和理想持续制热时长信息；
11.根据所述频率降幅信息下调压缩机频率以达到抑霜控制，并记录执行化霜控制之前的实际持续制热时长；
12.根据所述理想持续制热时长信息与实际持续制热时长对比，以对比结果修正频率降幅信息并更新训练神经网络模型。
13.优选地，所述控制方法还包括：
14.在执行抑霜控制运行时，判断是否满足执行化霜控制条件；
15.若是，则执行化霜控制并记录当前的实际持续制热时长；
16.若否，则判断室外工况是否发生变化：
17.若室外工况未发生变化，则所获取的运行工况信息基本一致，维持执行原抑霜控制；
18.若室外工况发生变化，则获取最新运行工况信息，通过神经网络模型得到最新频率降幅信息以使压缩机根据最新频率降幅信息执行抑霜控制。
19.优选地，所述控制方法还包括：
20.执行化霜控制，记录当前的实际持续制热时长；
21.判断室外工况是否发生过变化：
22.若是，获得所述最新频率降幅信息不进行更新和训练所述神经网络模型；
23.若否，以理想持续制热时长信息和实际持续制热时长的对比结果修正频率降幅信息并更新训练神经网络模型。
24.优选地，所述运行工况信息包括当前的室外工况、室内工况和空调运行工况，所述获取空调制热运行时的运行工况信息至少包括以下之一：
25.通过连接内机主板的感温包获取室内环境温度；
26.通过连接外机主板的外环感温包获取室外环境温度；
27.通过连接外机主板的外环湿度传感器获取室外环境湿度。
28.优选地，所述输入所述运行工况信息以预先训练好的神经网络模型计算包括：
29.向所述神经网络模型的输入层输入室外环境温度、室外环境湿度、压缩机运行频率、室内环境温度与设定目标温度的温差、室内温度变化速度；
30.通过中间层计算以使输出层输出频率降幅信息和理想持续制热时长信息。
31.优选地，所述神经网络模型的建立步骤包括：
32.通过实验室进行大量实验，测试获得相应机型的不同运行工况信息；
33.在不同的室外环境温度、不同室外环境湿度、不同压缩机运行频率、不同室内环境温度与设定目标温度的温差和不同室内温度变化速度的环境下，记录压缩机选择不同频率降幅后空调的持续制热时长和一个完整周期内的平均能力；
34.从中选取每一工况下平均能力最高的频率降幅作为相应工况下的最佳频率降幅，并将与之对应的持续制热时长作为该工况的理想持续制热时长，获取多个不同工况下的频率降幅信息和理想持续制热时长信息作为原始训练数据。
35.优选地，所述以对比结果修正频率降幅信息并更新训练神经网络模型包括：
36.对比并判断所述理想持续制热时长信息与实际持续制热时长的大小：
37.若实际持续制热时长＞理想持续制热时长，则抑霜效果过大，对所述频率降幅信息的频率进行减少修正；
38.若实际持续制热时长＜理想持续制热时长，则抑霜效果较差，对所述频率降幅信息的频率进行增加修正；
39.获取修正频率降幅信息，并作为新的训练数据对神经网络模型进行更新训练以使其自学习优化。
40.另一方面，一种基于抑霜神经网络的空调制热控制系统，包括：
41.数据采集单元，用于获取室内工况信息、室外工况信息以及空调系统运行的工况信息；
42.通讯单元，用于将采集的数据以及系统执行指令进行通讯传输；
43.神经网络模型，用于将采集的运行工况信息输入预先训练好的神经网络模型计算，得到频率降幅信息和理想持续制热时长信息；
44.抑霜控制单元，用于根据所述频率降幅信息控制压缩机降频操作以进行抑霜控制；
45.化霜判断单元，用于记录实际持续制热时长；
46.修正更新单元，用于根据实际持续制热时长和理想持续制热时长信息对比，并以对比结果修正频率降幅信息并更新训练神经网络模型。
47.优选地，所述神经网络模型采用三至五层bp神经网络，具有输入层、中间层和输出层；
48.所述输入层具有5个神经元，分别对应五个运行工况信息输入，所述中间层具有5-10个神经元，所述输出层具有2个神经元，分别对频率降幅信息和理想持续制热时长信息输出。
49.另一方面，一种基于抑霜神经网络的空调装置，包括处理器和存储器，所述存储器用于存储执行上述技术方案所述的一种基于抑霜神经网络的空调制热控制方法的应用程序；
50.所述处理器被配置为用于执行所述存储器中存储的应用程序。
51.相较于现有技术，本发明具有以下有益效果：
52.本发明在空调制热期间使用神经网络模型进行最佳的抑霜控制，并根据实际使用情况进行自适应学习，从而充分平衡抑霜过轻则抑霜结果不明显、抑霜过重则导致制热能力不足之间的矛盾，确保提升最终的制热量，从而提高空调制热舒适性。区别传统抑霜控制选用简单的部分参数划定区间进行控制，本发明使用了神经网络对是否进行抑霜、抑霜的程度进行了计算从而精确控制，且利用神经网络的特性，根据实际运行状态不断进行更新，使得最终的控制效果更适应用户的使用情况。
附图说明
53.为了更清楚地说明技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
54.图1为本发明的流程示意图。
55.图2为神经网络模型的结构示意图。
56.图3为神经网络模型的训练学习流程示意图。
具体实施方式
57.为了能够清楚、完整地理解技术方案，现结合实施例和附图对本发明进一步说明，显然，所记载的实施例仅仅是本发明部分实施例，所属领域的技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
58.实施案例一：
59.如图1所示，一种基于抑霜神经网络的空调制热控制方法，包括：
60.获取空调制热运行时的运行工况信息，所述运行工况信息包括当前的室外工况、室内工况和空调运行工况，所述获取空调制热运行时的运行工况信息至少包括以下之一：通过连接内机主板的感温包获取室内环境温度；通过连接外机主板的外环感温包获取室外环境温度；通过连接外机主板的外环湿度传感器获取室外环境湿度。
61.输入所述运行工况信息以预先训练好的神经网络模型计算，输出频率降幅信息和理想持续制热时长信息；
62.具体地，向所述神经网络模型的输入层输入室外环境温度、室外环境湿度、压缩机运行频率、室内环境温度与设定目标温度的温差、室内温度变化速度，通过中间层计算以使输出层输出频率降幅信息和理想持续制热时长信息；
63.根据所述频率降幅信息下调压缩机频率以达到抑霜控制，并记录执行化霜控制之前的实际持续制热时长；
64.根据所述理想持续制热时长信息与实际持续制热时长对比，以对比结果修正频率降幅信息并更新训练神经网络模型。
65.在执行抑霜控制运行时，判断是否满足执行化霜控制条件；
66.若是，则执行化霜控制并记录当前的实际持续制热时长；
67.若否，则判断室外工况是否发生变化：
68.若室外工况未发生变化，则所获取的运行工况信息基本一致，维持执行原抑霜控制；
69.若室外工况发生变化，则获取最新运行工况信息，通过神经网络模型得到最新频率降幅信息以使压缩机根据最新频率降幅信息执行抑霜控制。
70.执行化霜控制，记录当前的实际持续制热时长；
71.判断室外工况是否发生过变化：
72.若是，获得所述最新频率降幅信息不进行更新和训练所述神经网络模型；
73.若否，以理想持续制热时长信息和实际持续制热时长的对比结果修正频率降幅信息并更新训练神经网络模型。
74.空调制热开机以后，获取空调制热运行时的运行工况信息(室外温湿度、压缩机频率、室内温度与目标温度的温差及室内温度变化速度)，根据上述工况信息计算得到抑霜控制的频率降幅和理想制热运行时长。根据频率降幅降低压缩机频率进行抑霜控制，在没开始化霜前，实时监测室外工况是否发生改变，若是室外工况没有发生改变，则维持首次计算得到的抑霜控制(频率降幅)，直至进入化霜。在执行化霜控制时，根据实际持续制热时长更新数据以及训练神经网络模型；若是室外工况发生改变，则在室外工况发生改变后，使用新的室外温湿度输入神经网络模型进行计算，压缩机频率、室内温差、室内温度变化速度仍维持原来的值不变，运行期间这三个值为不变的固定值，并使用新得到的结果进行抑霜控制，
此外，若是同一制热运行周期内发生过工况改变的情况，则不使用新得到的频率降幅信息更新训练神经网络模型。
75.如图2所示，所述神经网络模型的建立步骤包括：
76.通过实验室进行大量实验，测试获得相应机型的不同运行工况信息；
77.在不同的室外环境温度、不同室外环境湿度、不同压缩机运行频率、不同室内环境温度与设定目标温度的温差和不同室内温度变化速度的环境下，记录压缩机选择不同频率降幅后空调的持续制热时长和一个完整周期内的平均能力，其中所述持续制热时长是指开机到进入化霜前的持续时长，一个完整周期是指开机到化霜结束重新开始制热的时长；
78.从中选取每一工况下平均能力最高的频率降幅作为相应工况下的最佳频率降幅，并将与之对应的持续制热时长作为该工况的理想持续制热时长，获取多个不同工况下的频率降幅信息和理想持续制热时长信息作为原始训练数据。
79.完成原始训练数据获取之后确定神经网络的结构，由于空调主板计算能力有限，因此本实施案例采用三至五层的bp神经网络，输入层有5个神经元，分别对应五个运行工况信息输入(室外环境温度、室外环境湿度、压缩机运行频率、室内温度与设定目标温度的温差、室内温度变化速度)，中间层可选择5-10个神经元，输出层为2个神经元，分别对频率降幅信息和理想持续制热时长信息输出。其中，中间层的激励函数选择正负的sigmoid函数，而输出层则选择非负的sigmoid函数。使用上述实验获得的原始数据训练神经网络模型，将训练好的神经网络模型嵌入到空调主板中。运行时，所述神经网络模型根据开机时相关数据计算抑霜频率降幅对压缩机进行修正控制，并得到理想持续制热时长信息。
80.如图3所示，为了使神经网络模型能适应不同用户家中的使用情况，需要使神经网络模型具备自学习优化的能力，所述以对比结果修正频率降幅信息并更新训练神经网络模型包括：
81.对比并判断所述理想持续制热时长信息与实际持续制热时长的大小：
82.若实际持续制热时长＞理想持续制热时长，则抑霜效果过大，对所述频率降幅信息的频率进行减少修正；
83.若实际持续制热时长＜理想持续制热时长，则抑霜效果较差，对所述频率降幅信息的频率进行增加修正；
84.获取修正频率降幅信息，并作为新的训练数据对神经网络模型进行更新训练以使其自学习优化。
85.在获取相应工况下的抑霜频率降幅对空调进行抑霜控制之后，记录实际持续制热时长ta(单位min)，并与神经网络模型输出的该工况下的理想持续制热时长t0(单位min)进行对比，若是实际持续制热时长ta大于理想持续制热时长t0，则说明抑霜效果过大，虽然结霜少了，但是制热期间能力下降所造成的能力损失更多，因此要将频率降幅减小；反而反之。对频率降幅进行降幅修正时，修正量具体表现为a
×
(t
a-t0)，所述修正量向上取整，其值最大为5hz，a取值为-0.05～-0.2，如当a取-0.1时，若是原抑霜频率降幅为5hz，实际持续制热时长比理想持续制热时长15min，则修正量为-2hz(计算-0.1
×
15＝-1.5后向上取整，即为-2)，则新的抑霜频率降幅修正为5 (-2)＝3hz。获取新的频率降幅之后，将新的频率降幅信息作为新的训练数据对神经网络模型进行更新训练，从而实现自学习优化。
86.实施案例二：
87.一种基于抑霜神经网络的空调制热控制系统，包括：
88.数据采集单元，用于获取室内工况信息、室外工况信息以及空调系统运行的工况信息，具体包括有室外环境温度、室外环境湿度、压缩机运行频率、室内环境温度与设定目标温度的温差、室内温度变化速度；
89.通讯单元，用于将采集的数据以及系统执行指令进行通讯传输；
90.神经网络模型，用于将采集的运行工况信息输入预先训练好的神经网络模型计算，得到频率降幅信息和理想持续制热时长信息；具体地，将运行的室外环境温度、室外环境湿度、压缩机运行频率、室内环境温度与设定目标温度的温差、室内温度变化速度总计五个参数输入到预先设置的神经网络模型之中，神经网络模型输出抑霜控制的频率降幅信息和理想持续制热时长信息。
91.抑霜控制单元，用于根据所述频率降幅信息控制压缩机降频操作以进行抑霜控制，由于压缩机频率下降，所以外管温会有所上升，霜层更难形成，从而实现抑霜控制。
92.化霜判断单元，用于记录实际持续制热时长，该实际持续制热时长为开机制热运行至执行化霜控制时的持续时长。
93.修正更新单元，用于根据实际持续制热时长和理想持续制热时长信息对比，并以对比结果修正频率降幅信息并更新训练神经网络模型。
94.本实施案例在空调制热期间使用神经网络模型进行最佳的抑霜控制，并根据实际使用情况进行自适应学习，从而充分平衡抑霜过轻则抑霜结果不明显、抑霜过重则导致制热能力不足之间的矛盾，确保提升最终的制热量，从而提高空调制热舒适性。
95.本实施案例还提供另一技术方案，一种基于抑霜神经网络的空调装置，包括处理器和存储器，所述存储器用于存储执行上述技术方案所述的一种基于抑霜神经网络的空调制热控制方法的应用程序；
96.所述处理器被配置为用于执行所述存储器中存储的应用程序。
97.上述披露的仅为本发明优选实施例的一种或多种，用于帮助理解技术方案的发明构思，并非对本发明作其他形式的限制，所属领域的技术人员依据本发明所限定特征作出其他等同或惯用手段的置换方案，仍属于本发明所涵盖的范围。