CN110749053B - 空调器的控制方法及装置 - Google Patents

空调器的控制方法及装置 Download PDF

Info

Publication number
CN110749053B
CN110749053B CN201911039363.5A CN201911039363A CN110749053B CN 110749053 B CN110749053 B CN 110749053B CN 201911039363 A CN201911039363 A CN 201911039363A CN 110749053 B CN110749053 B CN 110749053B
Authority
CN
China
Prior art keywords
air conditioner
target
working condition
energy efficiency
condition parameters
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201911039363.5A
Other languages
English (en)
Other versions
CN110749053A (zh
Inventor
徐小魏
廖敏
梁之琦
吴俊鸿
梁博
王现林
连彩云
田雅颂
翟振坤
周金声
王锐锋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Gree Electric Appliances Inc of Zhuhai
Original Assignee
Gree Electric Appliances Inc of Zhuhai
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Gree Electric Appliances Inc of Zhuhai filed Critical Gree Electric Appliances Inc of Zhuhai
Priority to CN201911039363.5A priority Critical patent/CN110749053B/zh
Publication of CN110749053A publication Critical patent/CN110749053A/zh
Application granted granted Critical
Publication of CN110749053B publication Critical patent/CN110749053B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
    • F24F11/63—Electronic processing
    • F24F11/64—Electronic processing using pre-stored data
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/70—Control systems characterised by their outputs; Constructional details thereof
    • F24F11/80—Control systems characterised by their outputs; Constructional details thereof for controlling the temperature of the supplied air
    • F24F11/86—Control systems characterised by their outputs; Constructional details thereof for controlling the temperature of the supplied air by controlling compressors within refrigeration or heat pump circuits
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/70—Control systems characterised by their outputs; Constructional details thereof
    • F24F11/80—Control systems characterised by their outputs; Constructional details thereof for controlling the temperature of the supplied air
    • F24F11/87—Control systems characterised by their outputs; Constructional details thereof for controlling the temperature of the supplied air by controlling absorption or discharge of heat in outdoor units
    • F24F11/871—Control systems characterised by their outputs; Constructional details thereof for controlling the temperature of the supplied air by controlling absorption or discharge of heat in outdoor units by controlling outdoor fans
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2110/00—Control inputs relating to air properties
    • F24F2110/10—Temperature
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2110/00—Control inputs relating to air properties
    • F24F2110/10—Temperature
    • F24F2110/12—Temperature of the outside air

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Thermal Sciences (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

本申请公开了一种空调器的控制方法及装置。该方法包括：在检测到空调器进入目标模式时，采用神经网络采集模块采集空调器的目标工况参数，其中，目标工况参数为内环温度和外环温度；在神经网络数据存储模块的预设数据库中对目标工况参数进行寻优匹配，其中，预设数据库中包括：多组工况参数以及每组工况参数对应的能效比；在对目标工况参数匹配成功时，确定目标能效比；根据目标能效比，确定用于控制空调器的目标运行参数；依据目标运行参数，控制空调器的执行机构运行。通过本申请，解决了相关技术中在空调器运行的过程中，空调器的控温能力输出策略与功耗节能策略匹配度不佳，致使机组未能达到高能效节能运行，造成机组过度耗能的问题。

Description

空调器的控制方法及装置
技术领域
本申请涉及空调节能领域，具体而言，涉及一种空调器的控制方法及装置。
背景技术
随着电器技术的发展和人们生活水平的不断提升，空调已经成为了我们日常生活中必不可少的电器，但我们在享受空调带来舒适服务的同时，其高能耗俨然成为了问题。据不完全数据统计，普通家庭日常总耗电量中，空调耗电量占比高达30％，而在能源局势紧张的当今时代，节能显得尤为重要。
相关技术中，在空调器节能方面，许多方案被提出来，其中，一些技术手段为以神经网络高效的数据处理能力为基础，在保证空调输出能力足够的情况下让空调以最低功率运行，从而达到节能效果。但就如何评估及实现“保证输出能力足够”，并未给出具体解决方法与措施，其次，其依托于神经网络进行功率计算时，亦未给出具体计算方法或算法依据。因此，相关技术中，节能控制方法存在诸多弊端问题，导致其难以真正意义上实现。同时，现有空调制冷(制热)运行过程中，还存在内环温度达到设定温度阀值后，为保证控温环境温度维持稳定，其机组制冷(制热)能力输出过高，造成能源浪费的问题。
针对相关技术中存在的上述问题，目前尚未提出有效的解决方案。
发明内容
本申请的主要目的在于提供一种空调器的控制方法及装置，以解决相关技术中在空调器运行的过程中，空调器的控温能力输出策略与功耗节能策略匹配度不佳，致使机组未能达到高能效节能运行，造成机组过度耗能的问题。
为了实现上述目的，根据本申请的一个方面，提供了一种空调器的控制方法。该方法包括：在检测到空调器进入目标模式时，采用神经网络采集模块采集空调器的目标工况参数，其中，目标工况参数为内环温度和外环温度；在神经网络数据存储模块的预设数据库中对目标工况参数进行寻优匹配，其中，预设数据库中包括：多组工况参数以及每组工况参数对应的能效比；在对目标工况参数匹配成功时，确定目标能效比；根据目标能效比，确定用于控制空调器的目标运行参数；依据目标运行参数，控制空调器的执行机构运行。
进一步地，根据目标能效比，确定用于控制空调器的目标运行参数包括：当空调器的当前运行模式为制热模式时，则根据目标能效比，确定出的目标运行参数中包括压缩机运行频率、内风机转速、外风机转速、膨胀阀开度、制热空调辅热电压和电流值；当空调器的当前运行模式为制冷模式时，则根据目标能效比，确定出的目标运行参数中包括压缩机运行频率、内风机转速、外风机转速和膨胀阀开度。
进一步地，在神经网络数据存储模块的预设数据库中对目标工况参数进行寻优匹配之前，该方法包括：检测到空调器处于神经网络训练模式时，采集多组工况参数并将多组工况参数存储在神经网络数据存储模块中，其中，每组工况参数中包括：空调器的内环温度和外环温度；确定每组工况参数对应的多组运行参数；依据多组工况参数和多组运行参数，通过反向逆推迭代法计算多组输出功率和多组输出能力值，其中，输出能力值用于表征空调器的制冷量或制热量；依据多组输出功率和多组输出能力值，计算每组工况参数对应的多组能效比；通过神经网络区间极值比对模块将多组能效比进行对比以确定每组工况参数的最优能效比，其中，最优能效比为多组能效比中的最大值。
进一步地，在神经网络数据存储模块的预设数据库中对目标工况参数进行寻优匹配包括：控制神经网络寻优控制模块在预设数据库中查询存储的多组工况参数；在对目标工况参数匹配成功时，确定预设数据库中与目标工况参数相匹配的工况参数；将与目标工况参数相匹配的工况参数对应的最优能效比作为目标能效比。
进一步地，根据目标能效比，确定用于控制空调器的目标运行参数包括：将神经网络存储模块中目标能效比对应的运行参数确定为目标运行参数；将确定出的目标运行参数作为空调器执行机构的运行参数，其中，空调器的执行机构至少包括以下机构：压缩机、内风机、外风机。
进一步地，在控制神经网络寻优控制模块在预设数据库中查询存储的多组工况参数之后，该方法还包括：在对目标工况参数匹配失败时，控制空调器进入神经网络训练模式；确定目标工况参数对应的多组运行参数；依据目标工况参数与多组运行参数，通过反向逆推迭代法计算多组输出功率和多组输出能力值；依据多组输出功率和多组输出能力值，计算多组能效比；通过神经网络区间极值比对模块将多组能效比进行对比以确定工况参数对应的最优能效比，并将目标工况参数与最优能效比存储于预设数据库中；控制空调器退出神经网络训练模式，并进入目标模式；在目标模式下，将最优能效比作为目标能效比，并将最优能效比对应的运行参数作为目标运行参数；依据目标运行参数，控制空调器的执行机构运行。
进一步地，依据多组工况参数和多组运行参数，通过反向逆推迭代法计算多组输出功率包括：在空调器处于制热模式时，空调器的输出功率的计算公式为：Wh＝[(α+1)F]2/8+(λNn-50)1/2+β(Nw-350)/6+R+UI，其中，F为压缩机运行频率，Nn为内风机转速，Nw为外风机转速，Wh为所示空调器制热模式下的输出功率，α为压缩机运行频率拟合功率修正系数，λ为内风机转速拟合功率修正系数，β为外风机转速拟合功率修正系数，R为控制器及非线性元件积分常数项功率值，UI为辅热功率；在空调器处于制冷模式时，空调器的输出功率的计算公式为：Wc＝[(α+1)F]2/8+(λNn-50)1/2+β(Nw-350)/6+R，其中，F为压缩机运行频率，Nn为内风机转速，Nw为外风机转速，Wc为所示空调器制冷模式下的输出功率，α为压缩机运行频率拟合功率修正系数，λ为内风机转速拟合功率修正系数，β为外风机转速拟合功率修正系数，R为控制器及非线性元件积分常数项功率值。
进一步地，依据多组工况参数和多组运行参数，通过反向逆推迭代法计算多组输出能力值包括：在空调器处于制热模式时，空调器的输出能力值的计算公式为：Qh＝10(aTn-bTw)2+cF2/12+d(Nn-80)1/2+(eNw-200)/7+(f+1)[(P-5)/2]1/2+σ+gUI，其中，Qh为空调器在制热模式下的输出能力值，Tn为内环温度，Tw为外环温度，a为内环温度拟合能力修正系数，b为外环温度拟合能力修正系数，c为压缩机运行频率拟合能力修正系数，d为内风机转速拟合能力修正系数，e为外风机转速拟合能力修正系数，f为膨胀阀开度拟合能力修正系数，g为辅热功率拟合能力修正系数，F为压缩机运行频率，Nn为内风机转速，Nw为外风机转速，P为膨胀阀开度，σ为拟合能力积分常数项补偿值，UI为辅热功率；在空调器处于制冷模式时，空调器的输出能力值的计算公式为：Qc＝10(aTn-bTw)2+cF2/12+d(Nn-80)1/2+(eNw-200)/7+(f+1)[(P-5)/2]1/2+σ，其中，Qh为空调器在制热模式下的输出能力值，Tn为内环温度，Tw为外环温度，a为内环温度拟合能力修正系数，b为外环温度拟合能力修正系数，c为压缩机运行频率拟合能力修正系数，d为内风机转速拟合能力修正系数，e为外风机转速拟合能力修正系数，f为膨胀阀开度拟合能力修正系数，F为压缩机运行频率，Nn为内风机转速，Nw为外风机转速，P为膨胀阀开度，σ为拟合能力积分常数项补偿值。
为了实现上述目的，根据本申请的另一方面，提供了一种空调器的控制装置。该装置包括：第一采集单元，用于在检测到空调器进入目标模式时，通过采用神经网络采集模块采集空调器的目标工况参数，其中，目标工况参数为内环温度和外环温度；匹配单元，用于在神经网络数据存储模块的预设数据库中对目标工况参数进行寻优匹配，其中，预设数据库中包括：多组工况参数以及每组工况参数对应的能效比；第一确定单元，用于在对目标工况参数匹配成功时，确定目标能效比；第二确定单元，用于根据目标能效比，确定用于控制空调器的目标运行参数；第一控制单元，用于依据目标运行参数，控制空调器的执行机构运行。
进一步地，第一确定子单元，用于当空调器的当前运行模式为制热模式时，根据目标能效比，确定出的目标运行参数中包括压缩机运行频率、内风机转速、外风机转速、膨胀阀开度、制热空调辅热电压和电流值；第二确定子单元，用于当空调器的当前运行模式为制冷模式时，根据目标能效比，确定出的目标运行参数中包括压缩机运行频率、内风机转速、外风机转速和膨胀阀开度。
通过本申请，采用以下步骤：在检测到空调器进入目标模式时，采用神经网络采集模块采集空调器的目标工况参数，其中，目标工况参数为内环温度和外环温度；在神经网络数据存储模块的预设数据库中对目标工况参数进行寻优匹配，其中，预设数据库中包括：多组工况参数以及每组工况参数对应的能效比；在对目标工况参数匹配成功时，确定目标能效比；根据目标能效比，确定用于控制空调器的目标运行参数；依据目标运行参数，控制空调器的执行机构运行，解决了相关技术中在空调器运行的过程中，空调器的控温能力输出策略与功耗节能策略匹配度不佳，致使机组未能达到高能效节能运行，造成机组过度耗能的问题，进而达到了提高空调器节能性能的效果。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本申请实施例提供的一种空调器的控制方法的流程图；
图2是根据本申请实施例提供的神经网络训练模式和高效节能运行的控制方法所对应的控制装置的示意图；
图3是根据本申请实施例提供的一种空调器的高效节能运行的控制方法的流程图；以及
图4是根据本申请实施例提供的一种空调器的控制装置的示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本申请的实施例，提供了一种空调器的控制方法。
图1是根据本申请实施例提供的一种空调器的控制方法的流程图。如图1所示，该方法包括以下步骤：
步骤S101，在检测到空调器进入目标模式时，采用神经网络采集模块采集空调器的目标工况参数，其中，目标工况参数为内环温度和外环温度。
具体地，在空调器检测到进入高能效节能的运行模式后，通过神经网络采集模块采集空调器的内环温度和外环温度，其中，通过内环感温包和外环感温包实时检测空调器的内环温度和外环温度。
步骤S102，在神经网络数据存储模块的预设数据库中对目标工况参数进行寻优匹配，其中，预设数据库中包括：多组工况参数以及每组工况参数对应的能效比。
上述地，本实施例提供的空调器有神经网络训练模式，在神经网络训练模式下，会对多组工况参数进行寻优训练，因此，在神经网络数据存储模块中存储有经过神经网络训练模式得到的不同组的工况参数和每组工况参数对应的能效比。本实施例中的工况参数为内环温度和外环温度，压缩机运行频率、内风机转速、外风机转速、膨胀阀开度(无膨胀阀机组则无此项，下述全文同)、制热空调辅热电压、电流值记为运行参数。
步骤S103，在对目标工况参数匹配成功时，确定目标能效比。
具体地，在将采集到的工况参数与神经网络数据存储模块中的某一组工况参数匹配成功时，将匹配出的工况参数对应的能效比作为采集的目标工况参数对应的目标能效比。
步骤S104，根据目标能效比，确定用于控制空调器的目标运行参数。
上述地，神经网络数据存储模块中存储的每组工况参数对应的能效比下，还对应的记录了每个能效比对应的空调的其他运行参数。
步骤S105，依据目标运行参数，控制空调器的执行机构运行。
上述地，依据确定出的目标运行参数作为空调器的运行参数进行运行。
可选地，根据目标能效比，确定用于控制空调器的目标运行参数包括：当空调器的当前运行模式为制热模式时，则根据目标能效比，确定出的目标运行参数中包括压缩机运行频率、内风机转速、外风机转速、膨胀阀开度、制热空调辅热电压和电流值；当空调器的当前运行模式为制冷模式时，则根据目标能效比，确定出的目标运行参数中包括压缩机运行频率、内风机转速、外风机转速和膨胀阀开度。
具体地，本申请实施例提供的空调器配有特殊遥控器，其可以控制空调器进入节能调节模式和神经网络训练模式，其中，神经网络训练模式和高效节能运行的控制方法对应一套控制装置，包括：特殊遥控器、神经网络数据采集模块、神经网络功率拟合计算模块、神经网络能力仿真系统模块、神经网络能效参数计算模块、神经网络区间极值比对模块、神经网络数据存储模块、神经网络寻优控制模块，其示意图如图2所示。
在空调器处于制热和制冷模式下时，控制空调器进入神经网络训练模式对工况参数进行训练时，工况参数对应的运行参数是不同的，在空调器处于制冷模式时，运行参数包括压缩机运行频率、内风机转速、外风机转速、膨胀阀开度、制热空调辅热电压和电流值。
空调器处于制冷模式时，运行参数中包括压缩机运行频率、内风机转速、外风机转速和膨胀阀开度
可选地，在神经网络数据存储模块的预设数据库中对目标工况参数进行寻优匹配之前，该方法包括：检测到空调器处于神经网络训练模式时，采集多组工况参数并将多组工况参数存储在神经网络数据存储模块中，其中，每组工况参数中包括：空调器的内环温度和外环温度；确定每组工况参数对应的多组运行参数；依据多组工况参数和多组运行参数，通过反向逆推迭代法计算多组输出功率和多组输出能力值，其中，输出能力值用于表征空调器的制冷量或制热量；依据多组输出功率和多组输出能力值，计算每组工况参数对应的多组能效比；通过神经网络区间极值比对模块将多组能效比进行对比以确定每组工况参数的最优能效比，其中，最优能效比为多组能效比中的最大值。
上述地，如图3所示，图3是根据本申请实施例提供的一种空调器的高效节能运行的控制方法的流程图，当空调开机正常进入制冷(制热)模式运行时，首先通过空调运行状态模式检测判定模块判定其是否为制冷运行模式，若是(执行“YES”)则进入制冷模式控制流程，若否(执行“NO”)则进入制热模式控制流程，并按照如下步骤依次进行。
判定空调是否(此处是否进入神经网络训练模式，需在空调开机后的运行过程中，通过特殊遥控器人为设定，若未做任何设定，则默认执行“NO”，若设定则执行“YES”)进入神经网络训练模式，若执行“YES”则进入神经网络训练模式，并按如下步骤进行；(若执行“NO”则进入空调高能效节能运行控制流程)。
神经网络数据采集模块利用空调自身传感器(或另外增设传感器)获取空调系统的当前实时运行参数，其中包括工况参数和其他运行参数：Tk i n、Tk i w、Fk i、Nk i n、Nk i w、Pk i、Uk i、Ik i，(本实施例中将内环温度和外环温度作为工况参数，其他参数作为运行参数)，并传递给下一执行模块，在Tk i n、Tk i w保持定值不变的情况下，再获取多组运行参数，包括人为和通过历史空调设置数据中获得的工况参数对应的多组运行参数。
可选地，神经网络功率拟合计算模块获取神经网络数据采集模块传递的空调系统当前实时工况运行参数(Fk i、Nk i n、Nk i w、Pk i、Uk i、Ik i)，经过神经网络的拟合计算得到空调机组输出功率(Wk i)；且输出功率(Wk i)的神经网络拟合算法公式为多种存在形式，其中的一种最优示例(由反向逆推迭代法等方法推导拟合得到)，但其不仅仅只限于如下表现形式，亦可为其它线性函数、幂函数、指数函数、对数函数、反函数等高等函数或具有其函数类似性质的多种对应方程。神经网络能力仿真系统模块获取神经网络数据采集模块传递的空调系统当前实时工况运行参数：Tk i n、Tk i w、Fk i、Nk i n、Nk i w、Pk i、Uk i、Ik i，经过神经网络仿真系统的仿真拟合计算得到空调机组输出能力(Qk i)；且机组输出能力(Qk i)的神经网络拟合算法公式为多种存在形式，其中的一种最优示例(由反向逆推迭代法等方法推导拟合得到)如下所示，但其不仅仅只限于如下表现形式，亦可为其它线性函数、幂函数、指数函数、对数函数、反函数等高等函数或具有其函数类似性质的多种对应方程等。
有上述步骤可获得多组输出功率和多组输出能力值，通过神经网络能效参数计算模块，经由公式ηk i＝Qk i/Wk i(η＝Q/W)计算求解得到当前实时工况参数对应的能效比ηk i(ηk 1、ηk 2、ηk 3……ηk i)。
得到多组能效比后，在工况参数为一组定值时，通过对F＝Fk i、Nn＝Nk i n、Nw＝Nk i w、P＝Pk i、U＝Uk i、I＝Ik i取值为任意随机组合值)内的当前实时工况运行参数计算能效比ηk i(ηk 1、ηk 2、ηk 3……ηk i)与神经网络数据存储模块中的相应工况(Tn＝Tk i n＝Tkn、Tw＝Tk i w＝Tkw)参数存储位置的原有数据(上一次训练存储的最佳能效参数值ηk max’)进行大小比较，得到其最新极大值(更新后的最佳能效参数值)ηk max，并将其传递给神经网络数据存储模块(若相应工况存储位置无数据，则直接传递当前计算能效比ηk i所对应的工况运行参数值)。由神经网络数据存储模块，记录并储存当前实时最佳能效参数值ηk max和其所对应的空调系统当前实时最佳运行参数值(ηk max’＝ηk max、Fk’＝Fk i、Nkn’＝Nk i n、Nkw’＝Nk i w、Pk’＝Pk i、Uk’＝Uk i、Ik’＝Ik i)，即替换存储模块中相应工况运行参数存储位置的原有数据，对其进行数据更新储存。
其中，神经网络区间极值比对模块，内置C/C++/Python等语言程序或比对计算装置，可对一定工况运行参数区间内的所有计算能效比(ηk 1、ηk 2、ηk 3……ηk i)/ηkmax’进行大小比较与排序，得到最新极大值(更新后的最佳能效参数值)ηk max。
神经网络数据存储模块，通过数据表格、散点图或数据库等形式，以特定存储位置更新记录并储存，所有工况运行参数区间内的所有最佳能效参数值ηk max(η1max、η2max、η3max……ηk max)所对应的空调系统最佳工况运行参数值(Tn’、Tw’、F’、Nn’、Nw’、P’、U’、I’)。
需要说明的是，当空调进入神经网络训练模式控制流程时，空调以自身量产控制程序(如模糊控制、PID控制等)构来驱动各执行器机构正常运行。
需要说明的是，本文角标i、k取值均为1～N的自然数，i代表同一环境工况(Tn、Tw取值确定不变)下，实时工况运行参数的不同取值、计算组次序号；k为环境工况(Tn、Tw)取值标示符，代表环境工况取值为某一确定温度值组合；且本文带有角标i、k的参数均代表某一具体实时参数；②记内环干球温度Tn、外环干球温度Tw、压缩机运行频率F、内风机转速Nn、外风机转速Nw、膨胀阀开度P(无膨胀阀机组则无此项，下述全文同)、制热空调辅热电压、电流值U、I(制冷无此项，下述全文同)；③记η＝Q/W(ηc＝Qc/Wc、ηh＝Qh/Wh)为机组能效参数、ηmax(ηc max、ηh max)为最佳能效参数，η值越大，机组运行能效越高，η＝ηmax即机组输入功率最小的同时输出能力最高；记
Figure BDA0002252414840000081
为耗电量表征系数，
Figure BDA0002252414840000082
值越大，空调耗电量越低，运行越节能。
可选地，在神经网络数据存储模块的预设数据库中对目标工况参数进行寻优匹配包括：控制神经网络寻优控制模块在预设数据库中查询存储的多组工况参数；在对目标工况参数匹配成功时，确定预设数据库中与目标工况参数相匹配的工况参数；将与目标工况参数相匹配的工况参数对应的最优能效比作为目标能效比。
具体地，在高效节能运行的模式下，当采集到实时运行的一组工况参数后，需要对目标工况参数进行寻优匹配进而获取目标工况参数对应的最优能效比。由于神经网络数据存储模块的数据库中存储有多组工况参数和其对应的最优能效比，因此，再通过神经网络寻优控制模块对目标工况参数进行寻优操作成功时，将匹配出的工况参数对应的最优能效比作为目标工况参数对应的目标能效比。也即，神经网络寻优控制模块对神经网络数据存储模块数据库中的工况参数进行查询匹配，当满足Tn＝Tn’、Tw＝Tw’时，选择该最佳能效参数值ηmax’所对应的空调系统最佳运行参数(F’、Nn’、Nw’、P’、U’、I’)。
可选地，根据目标能效比，确定用于控制空调器的目标运行参数包括：将神经网络存储模块中目标能效比对应的运行参数确定为目标运行参数；将确定出的目标运行参数作为空调器执行机构的运行参数，其中，空调器的执行机构至少包括以下机构：压缩机、内风机、外风机。
具体地，再将目标运行参数确定出来后，将目标运行参数传递给空调机组相应执行机构，作为相应机构的设定输入参数。
可选地，在控制神经网络寻优控制模块在预设数据库中查询存储的多组工况参数之后，该方法还包括：在对目标工况参数匹配失败时，控制空调器进入神经网络训练模式；确定目标工况参数对应的多组运行参数；依据目标工况参数与多组运行参数，通过反向逆推迭代法计算多组输出功率和多组输出能力值；依据多组输出功率和多组输出能力值，计算多组能效比；通过神经网络区间极值比对模块将多组能效比进行对比以确定工况参数对应的最优能效比，并将目标工况参数与最优能效比存储于预设数据库中；控制空调器退出神经网络训练模式，并进入目标模式；在目标模式下，将最优能效比作为目标能效比，并将最优能效比对应的运行参数作为目标运行参数；依据目标运行参数，控制空调器的执行机构运行。
上述地，在高效节能运行模式下，如果采集到的实时目标工况参数在寻优匹配过程中匹配失败时，控制空调器进入神经网络训练模式对目标工况参数进行实时训练并得到最优能效比和最优能效比对应的最佳运行参数，并将最佳运行参数确定为目标运行参数。依据目标运行参数再控制空调器进入高效节能运行模式，以使空调器在运行过程中保持最佳节能效果。
可选地，依据多组工况参数和多组运行参数，通过反向逆推迭代法计算多组输出功率包括：在空调器处于制热模式时，空调器的输出功率的计算公式为：Wh＝[(α+1)F]2/8+(λNn-50)1/2+β(Nw-350)/6+R+UI，其中，F为压缩机运行频率，Nn为内风机转速，Nw为外风机转速，Wh为所示空调器制热模式下的输出功率，α为压缩机运行频率拟合功率修正系数，λ为内风机转速拟合功率修正系数，β为外风机转速拟合功率修正系数，R为控制器及非线性元件积分常数项功率值，UI为辅热功率；在空调器处于制冷模式时，空调器的输出功率的计算公式为：Wc＝[(α+1)F]2/8+(λNn-50)1/2+β(Nw-350)/6+R，其中，F为压缩机运行频率，Nn为内风机转速，Nw为外风机转速，Wc为所示空调器制冷模式下的输出功率，α为压缩机运行频率拟合功率修正系数，λ为内风机转速拟合功率修正系数，β为外风机转速拟合功率修正系数，R为控制器及非线性元件积分常数项功率值。
上述地，对空调器的输出功率的计算方法优选地为反向逆推迭代法，其计算公式如上述所示。
可选地，依据多组工况参数和多组运行参数，通过反向逆推迭代法计算多组输出能力值包括：在空调器处于制热模式时，空调器的输出能力值的计算公式为：Qh＝10(aTn-bTw)2+cF2/12+d(Nn-80)1/2+(eNw-200)/7+(f+1)[(P-5)/2]1/2+σ+gUI，其中，Qh为空调器在制热模式下的输出能力值，Tn为内环温度，Tw为外环温度，a为内环温度拟合能力修正系数，b为外环温度拟合能力修正系数，c为压缩机运行频率拟合能力修正系数，d为内风机转速拟合能力修正系数，e为外风机转速拟合能力修正系数，f为膨胀阀开度拟合能力修正系数，g为辅热功率拟合能力修正系数，F为压缩机运行频率，Nn为内风机转速，Nw为外风机转速，P为膨胀阀开度，σ为拟合能力积分常数项补偿值，UI为辅热功率；在空调器处于制冷模式时，空调器的输出能力值的计算公式为：Qc＝10(aTn-bTw)2+cF2/12+d(Nn-80)1/2+(eNw-200)/7+(f+1)[(P-5)/2]1/2+σ，其中，Qh为空调器在制热模式下的输出能力值，Tn为内环温度，Tw为外环温度，a为内环温度拟合能力修正系数，b为外环温度拟合能力修正系数，c为压缩机运行频率拟合能力修正系数，d为内风机转速拟合能力修正系数，e为外风机转速拟合能力修正系数，f为膨胀阀开度拟合能力修正系数，F为压缩机运行频率，Nn为内风机转速，Nw为外风机转速，P为膨胀阀开度，σ为拟合能力积分常数项补偿值。
上述地，对空调器的输出能力值的计算方法优选地为反向逆推迭代法，其计算公式如上述所示。
本申请实施例提供的一种空调器的控制方法，通过在检测到空调器进入目标模式时，采用神经网络采集模块采集空调器的目标工况参数，其中，目标工况参数为内环温度和外环温度；在神经网络数据存储模块的预设数据库中对目标工况参数进行寻优匹配，其中，预设数据库中包括：多组工况参数以及每组工况参数对应的能效比；在对目标工况参数匹配成功时，确定目标能效比；根据目标能效比，确定用于控制空调器的目标运行参数；依据目标运行参数，控制空调器的执行机构运行，解决了相关技术中在空调器运行的过程中，空调器的控温能力输出策略与功耗节能策略匹配度不佳，致使机组未能达到高能效节能运行，造成机组过度耗能的问题，进而达到了提高空调器节能性能的效果。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
本申请实施例还提供了一种空调器的控制装置，需要说明的是，本申请实施例的一种空调器的控制装置可以用于执行本申请实施例所提供的用于一种空调器的控制方法。以下对本申请实施例提供的一种空调器的控制装置进行介绍。
图4是根据本申请实施例提供的一种空调器的控制装置的示意图。如图4所示，该装置包括：第一采集单元401，用于在检测到空调器进入目标模式时，通过采用神经网络采集模块采集空调器的目标工况参数，其中，目标工况参数为内环温度和外环温度；匹配单元402，用于在神经网络数据存储模块的预设数据库中对目标工况参数进行寻优匹配，其中，预设数据库中包括：多组工况参数以及每组工况参数对应的能效比；第一确定单元403，用于在对目标工况参数匹配成功时，确定目标能效比；第二确定单元404，用于根据目标能效比，确定用于控制空调器的目标运行参数；第一控制单元405，用于依据目标运行参数，控制空调器的执行机构运行。
本申请实施例提供的一种空调器的控制装置，通过第一采集单元401，在检测到空调器进入目标模式时，通过采用神经网络采集模块采集空调器的目标工况参数，其中，目标工况参数为内环温度和外环温度；匹配单元402，在神经网络数据存储模块的预设数据库中对目标工况参数进行寻优匹配，其中，预设数据库中包括：多组工况参数以及每组工况参数对应的能效比；第一确定单元403，在对目标工况参数匹配成功时，确定目标能效比；第二确定单元404，根据目标能效比，确定控制空调器的目标运行参数；第一控制单元405，依据目标运行参数，控制空调器的执行机构运行，解决了相关技术中在空调器运行的过程中，空调器的控温能力输出策略与功耗节能策略匹配度不佳，致使机组未能达到高能效节能运行，造成机组过度耗能的问题，进而达到了提高空调器节能性能的效果。
可选地，第二确定单元404包括：第一确定子单元，用于当空调器的当前运行模式为制热模式时，根据目标能效比，确定出的目标运行参数中包括压缩机运行频率、内风机转速、外风机转速、膨胀阀开度、制热空调辅热电压和电流值；第二确定子单元，用于当空调器的当前运行模式为制冷模式时，根据目标能效比，确定出的目标运行参数中包括压缩机运行频率、内风机转速、外风机转速和膨胀阀开度。
可选地，该装置包括：第二采集单元，用于在神经网络数据存储模块的预设数据库中对目标工况参数进行寻优匹配之前，检测到空调器处于神经网络训练模式时，采集多组工况参数并将多组工况参数存储在神经网络数据存储模块中，其中，每组工况参数中包括：空调器的内环温度和外环温度；第三确定单元，用于确定每组工况参数对应的多组运行参数；第一计算单元，用于依据多组工况参数和多组运行参数，通过反向逆推迭代法计算多组输出功率和多组输出能力值，其中，输出能力值用于表征空调器的制冷量或制热量；第二计算单元，用于依据多组输出功率和多组输出能力值，计算每组工况参数对应的多组能效比；第四确定单元，用于通过神经网络区间极值比对模块将多组能效比进行对比以确定每组工况参数的最优能效比，其中，最优能效比为多组能效比中的最大值。
可选地，匹配单元402包括：查询子单元，用于控制神经网络寻优控制模块在预设数据库中查询存储的多组工况参数；第三确定子单元，用于在对目标工况参数匹配成功时，确定预设数据库中与目标工况参数相匹配的工况参数；第四确定子单元，用于将与目标工况参数相匹配的工况参数对应的最优能效比确定为目标能效比。
可选地，第二确定单元404包括：第五确定子单元，用于将神经网络存储模块中目标能效比对应的运行参数确定为目标运行参数；第六确定子单元，用于将确定出的目标运行参数确定为空调器执行机构的运行参数，其中，空调器的执行机构至少包括以下机构：压缩机、内风机、外风机。
可选地，该装置还包括：第二控制单元，用于在控制神经网络寻优控制模块在预设数据库中查询存储的多组工况参数之后，在对目标工况参数匹配失败时，控制空调器进入神经网络训练模式；第五确定单元，用于确定目标工况参数对应的多组运行参数；第三计算单元，用于依据目标工况参数与多组运行参数，通过反向逆推迭代法计算多组输出功率和多组输出能力值；第四计算单元，用于依据多组输出功率和多组输出能力值，计算多组能效比；第六确定单元，用于通过神经网络区间极值比对模块将多组能效比进行对比以确定工况参数对应的最优能效比，并将目标工况参数与最优能效比存储于预设数据库中；退出单元，用于控制空调器退出神经网络训练模式，并进入目标模式；第七确定单元，用于在目标模式下，将最优能效比作为目标能效比，并将最优能效比对应的运行参数确定为目标运行参数；第三控制单元，用于依据目标运行参数，控制空调器的执行机构运行。
可选地，第一计算单元包括：在空调器处于制热模式时，空调器的输出功率的计算公式为：Wh＝[(α+1)F]2/8+(λNn-50)1/2+β(Nw-350)/6+R+UI，其中，F为压缩机运行频率，Nn为内风机转速，Nw为外风机转速，Wh为所示空调器制热模式下的输出功率，α为压缩机运行频率拟合功率修正系数，λ为内风机转速拟合功率修正系数，β为外风机转速拟合功率修正系数，R为控制器及非线性元件积分常数项功率值，UI为辅热功率；在空调器处于制冷模式时，空调器的输出功率的计算公式为：Wc＝[(α+1)F]2/8+(λNn-50)1/2+β(Nw-350)/6+R，其中，F为压缩机运行频率，Nn为内风机转速，Nw为外风机转速，Wc为所示空调器制冷模式下的输出功率，α为压缩机运行频率拟合功率修正系数，λ为内风机转速拟合功率修正系数，β为外风机转速拟合功率修正系数，R为控制器及非线性元件积分常数项功率值。
可选地，第一计算单元包括：在空调器处于制热模式时，空调器的输出能力值的计算公式为：Qh＝10(aTn-bTw)2+cF2/12+d(Nn-80)1/2+(eNw-200)/7+(f+1)[(P-5)/2]1/2+σ+gUI，其中，Qh为空调器在制热模式下的输出能力值，Tn为内环温度，Tw为外环温度，a为内环温度拟合能力修正系数，b为外环温度拟合能力修正系数，c为压缩机运行频率拟合能力修正系数，d为内风机转速拟合能力修正系数，e为外风机转速拟合能力修正系数，f为膨胀阀开度拟合能力修正系数，g为辅热功率拟合能力修正系数，F为压缩机运行频率，Nn为内风机转速，Nw为外风机转速，P为膨胀阀开度，σ为拟合能力积分常数项补偿值，UI为辅热功率；在空调器处于制冷模式时，空调器的输出能力值的计算公式为：Qc＝10(aTn-bTw)2+cF2/12+d(Nn-80)1/2+(eNw-200)/7+(f+1)[(P-5)/2]1/2+σ，其中，Qh为空调器在制热模式下的输出能力值，Tn为内环温度，Tw为外环温度，a为内环温度拟合能力修正系数，b为外环温度拟合能力修正系数，c为压缩机运行频率拟合能力修正系数，d为内风机转速拟合能力修正系数，e为外风机转速拟合能力修正系数，f为膨胀阀开度拟合能力修正系数，F为压缩机运行频率，Nn为内风机转速，Nw为外风机转速，P为膨胀阀开度，σ为拟合能力积分常数项补偿值。
一种空调器的控制装置包括处理器和存储器，上述第一采集单元401、匹配单元402、第一确定单元403、第二确定单元404和第一控制单元405等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来解决相关技术中在空调器运行的过程中，空调器的控温能力输出策略与功耗节能策略匹配度不佳，致使机组未能达到高能效节能运行，造成机组过度耗能的问题。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。
本发明实施例提供了一种存储介质，其上存储有程序，该程序被处理器执行时实现一种空调器的控制方法。
本发明实施例提供了一种处理器，处理器用于运行程序，其中，程序运行时执行一种空调器的控制方法。
本发明实施例提供了一种设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现以下步骤：在检测到空调器进入目标模式时，采用神经网络采集模块采集空调器的目标工况参数，其中，目标工况参数为内环温度和外环温度；在神经网络数据存储模块的预设数据库中对目标工况参数进行寻优匹配，其中，预设数据库中包括：多组工况参数以及每组工况参数对应的能效比；在对目标工况参数匹配成功时，确定目标能效比；根据目标能效比，确定用于控制空调器的目标运行参数；依据目标运行参数，控制空调器的执行机构运行。
可选地，根据目标能效比，确定用于控制空调器的目标运行参数包括：当空调器的当前运行模式为制热模式时，则根据目标能效比，确定出的目标运行参数中包括压缩机运行频率、内风机转速、外风机转速、膨胀阀开度、制热空调辅热电压和电流值；当空调器的当前运行模式为制冷模式时，则根据目标能效比，确定出的目标运行参数中包括压缩机运行频率、内风机转速、外风机转速和膨胀阀开度。
可选地，在神经网络数据存储模块的预设数据库中对目标工况参数进行寻优匹配之前，该方法包括：检测到空调器处于神经网络训练模式时，采集多组工况参数并将多组工况参数存储在神经网络数据存储模块中，其中，每组工况参数中包括：空调器的内环温度和外环温度；确定每组工况参数对应的多组运行参数；依据多组工况参数和多组运行参数，通过反向逆推迭代法计算多组输出功率和多组输出能力值，其中，输出能力值用于表征空调器的制冷量或制热量；依据多组输出功率和多组输出能力值，计算每组工况参数对应的多组能效比；通过神经网络区间极值比对模块将多组能效比进行对比以确定每组工况参数的最优能效比，其中，最优能效比为多组能效比中的最大值。
可选地，在神经网络数据存储模块的预设数据库中对目标工况参数进行寻优匹配包括：控制神经网络寻优控制模块在预设数据库中查询存储的多组工况参数；在对目标工况参数匹配成功时，确定预设数据库中与目标工况参数相匹配的工况参数；将与目标工况参数相匹配的工况参数对应的最优能效比作为目标能效比。
可选地，根据目标能效比，确定用于控制空调器的目标运行参数包括：将神经网络存储模块中目标能效比对应的运行参数确定为目标运行参数；将确定出的目标运行参数作为空调器执行机构的运行参数，其中，空调器的执行机构至少包括以下机构：压缩机、内风机、外风机。
可选地，在控制神经网络寻优控制模块在预设数据库中查询存储的多组工况参数之后，该方法还包括：在对目标工况参数匹配失败时，控制空调器进入神经网络训练模式；确定目标工况参数对应的多组运行参数；依据目标工况参数与多组运行参数，通过反向逆推迭代法计算多组输出功率和多组输出能力值；依据多组输出功率和多组输出能力值，计算多组能效比；通过神经网络区间极值比对模块将多组能效比进行对比以确定工况参数对应的最优能效比，并将目标工况参数与最优能效比存储于预设数据库中；控制空调器退出神经网络训练模式，并进入目标模式；在目标模式下，将最优能效比作为目标能效比，并将最优能效比对应的运行参数作为目标运行参数；依据目标运行参数，控制空调器的执行机构运行。
可选地，依据多组工况参数和多组运行参数，通过反向逆推迭代法计算多组输出功率包括：在空调器处于制热模式时，空调器的输出功率的计算公式为：Wh＝[(α+1)F]2/8+(λNn-50)1/2+β(Nw-350)/6+R+UI，其中，F为压缩机运行频率，Nn为内风机转速，Nw为外风机转速，Wh为所示空调器制热模式下的输出功率，α为压缩机运行频率拟合功率修正系数，λ为内风机转速拟合功率修正系数，β为外风机转速拟合功率修正系数，R为控制器及非线性元件积分常数项功率值，UI为辅热功率；在空调器处于制冷模式时，空调器的输出功率的计算公式为：Wc＝[(α+1)F]2/8+(λNn-50)1/2+β(Nw-350)/6+R，其中，F为压缩机运行频率，Nn为内风机转速，Nw为外风机转速，Wc为所示空调器制冷模式下的输出功率，α为压缩机运行频率拟合功率修正系数，λ为内风机转速拟合功率修正系数，β为外风机转速拟合功率修正系数，R为控制器及非线性元件积分常数项功率值。
可选地，依据多组工况参数和多组运行参数，通过反向逆推迭代法计算多组输出能力值包括：在空调器处于制热模式时，空调器的输出能力值的计算公式为：Qh＝10(aTn-bTw)2+cF2/12+d(Nn-80)1/2+(eNw-200)/7+(f+1)[(P-5)/2]1/2+σ+gUI，其中，Qh为空调器在制热模式下的输出能力值，Tn为内环温度，Tw为外环温度，a为内环温度拟合能力修正系数，b为外环温度拟合能力修正系数，c为压缩机运行频率拟合能力修正系数，d为内风机转速拟合能力修正系数，e为外风机转速拟合能力修正系数，f为膨胀阀开度拟合能力修正系数，g为辅热功率拟合能力修正系数，F为压缩机运行频率，Nn为内风机转速，Nw为外风机转速，P为膨胀阀开度，σ为拟合能力积分常数项补偿值，UI为辅热功率；在空调器处于制冷模式时，空调器的输出能力值的计算公式为：Qc＝10(aTn-bTw)2+cF2/12+d(Nn-80)1/2+(eNw-200)/7+(f+1)[(P-5)/2]1/2+σ，其中，Qh为空调器在制热模式下的输出能力值，Tn为内环温度，Tw为外环温度，a为内环温度拟合能力修正系数，b为外环温度拟合能力修正系数，c为压缩机运行频率拟合能力修正系数，d为内风机转速拟合能力修正系数，e为外风机转速拟合能力修正系数，f为膨胀阀开度拟合能力修正系数，F为压缩机运行频率，Nn为内风机转速，Nw为外风机转速，P为膨胀阀开度，σ为拟合能力积分常数项补偿值。本文中的设备可以是服务器、PC、PAD、手机等。
本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：在检测到空调器进入目标模式时，采用神经网络采集模块采集空调器的目标工况参数，其中，目标工况参数为内环温度和外环温度；在神经网络数据存储模块的预设数据库中对目标工况参数进行寻优匹配，其中，预设数据库中包括：多组工况参数以及每组工况参数对应的能效比；在对目标工况参数匹配成功时，确定目标能效比；根据目标能效比，确定用于控制空调器的目标运行参数；依据目标运行参数，控制空调器的执行机构运行。
可选地，根据目标能效比，确定用于控制空调器的目标运行参数包括：当空调器的当前运行模式为制热模式时，则根据目标能效比，确定出的目标运行参数中包括压缩机运行频率、内风机转速、外风机转速、膨胀阀开度、制热空调辅热电压和电流值；当空调器的当前运行模式为制冷模式时，则根据目标能效比，确定出的目标运行参数中包括压缩机运行频率、内风机转速、外风机转速和膨胀阀开度。
可选地，在神经网络数据存储模块的预设数据库中对目标工况参数进行寻优匹配之前，该方法包括：检测到空调器处于神经网络训练模式时，采集多组工况参数并将多组工况参数存储在神经网络数据存储模块中，其中，每组工况参数中包括：空调器的内环温度和外环温度；确定每组工况参数对应的多组运行参数；依据多组工况参数和多组运行参数，通过反向逆推迭代法计算多组输出功率和多组输出能力值，其中，输出能力值用于表征空调器的制冷量或制热量；依据多组输出功率和多组输出能力值，计算每组工况参数对应的多组能效比；通过神经网络区间极值比对模块将多组能效比进行对比以确定每组工况参数的最优能效比，其中，最优能效比为多组能效比中的最大值。
可选地，在神经网络数据存储模块的预设数据库中对目标工况参数进行寻优匹配包括：控制神经网络寻优控制模块在预设数据库中查询存储的多组工况参数；在对目标工况参数匹配成功时，确定预设数据库中与目标工况参数相匹配的工况参数；将与目标工况参数相匹配的工况参数对应的最优能效比作为目标能效比。
可选地，根据目标能效比，确定用于控制空调器的目标运行参数包括：将神经网络存储模块中目标能效比对应的运行参数确定为目标运行参数；将确定出的目标运行参数作为空调器执行机构的运行参数，其中，空调器的执行机构至少包括以下机构：压缩机、内风机、外风机。
可选地，在控制神经网络寻优控制模块在预设数据库中查询存储的多组工况参数之后，该方法还包括：在对目标工况参数匹配失败时，控制空调器进入神经网络训练模式；确定目标工况参数对应的多组运行参数；依据目标工况参数与多组运行参数，通过反向逆推迭代法计算多组输出功率和多组输出能力值；依据多组输出功率和多组输出能力值，计算多组能效比；通过神经网络区间极值比对模块将多组能效比进行对比以确定工况参数对应的最优能效比，并将目标工况参数与最优能效比存储于预设数据库中；控制空调器退出神经网络训练模式，并进入目标模式；在目标模式下，将最优能效比作为目标能效比，并将最优能效比对应的运行参数作为目标运行参数；依据目标运行参数，控制空调器的执行机构运行。
可选地，依据多组工况参数和多组运行参数，通过反向逆推迭代法计算多组输出功率包括：在空调器处于制热模式时，空调器的输出功率的计算公式为：Wh＝[(α+1)F]2/8+(λNn-50)1/2+β(Nw-350)/6+R+UI，其中，F为压缩机运行频率，Nn为内风机转速，Nw为外风机转速，Wh为所示空调器制热模式下的输出功率，α为压缩机运行频率拟合功率修正系数，λ为内风机转速拟合功率修正系数，β为外风机转速拟合功率修正系数，R为控制器及非线性元件积分常数项功率值，UI为辅热功率；在空调器处于制冷模式时，空调器的输出功率的计算公式为：Wc＝[(α+1)F]2/8+(λNn-50)1/2+β(Nw-350)/6+R，其中，F为压缩机运行频率，Nn为内风机转速，Nw为外风机转速，Wc为所示空调器制冷模式下的输出功率，α为压缩机运行频率拟合功率修正系数，λ为内风机转速拟合功率修正系数，β为外风机转速拟合功率修正系数，R为控制器及非线性元件积分常数项功率值。
可选地，依据多组工况参数和多组运行参数，通过反向逆推迭代法计算多组输出能力值包括：在空调器处于制热模式时，空调器的输出能力值的计算公式为：Qh＝10(aTn-bTw)2+cF2/12+d(Nn-80)1/2+(eNw-200)/7+(f+1)[(P-5)/2]1/2+σ+gUI，其中，Qh为空调器在制热模式下的输出能力值，Tn为内环温度，Tw为外环温度，a为内环温度拟合能力修正系数，b为外环温度拟合能力修正系数，c为压缩机运行频率拟合能力修正系数，d为内风机转速拟合能力修正系数，e为外风机转速拟合能力修正系数，f为膨胀阀开度拟合能力修正系数，g为辅热功率拟合能力修正系数，F为压缩机运行频率，Nn为内风机转速，Nw为外风机转速，P为膨胀阀开度，σ为拟合能力积分常数项补偿值，UI为辅热功率；在空调器处于制冷模式时，空调器的输出能力值的计算公式为：Qc＝10(aTn-bTw)2+cF2/12+d(Nn-80)1/2+(eNw-200)/7+(f+1)[(P-5)/2]1/2+σ，其中，Qh为空调器在制热模式下的输出能力值，Tn为内环温度，Tw为外环温度，a为内环温度拟合能力修正系数，b为外环温度拟合能力修正系数，c为压缩机运行频率拟合能力修正系数，d为内风机转速拟合能力修正系数，e为外风机转速拟合能力修正系数，f为膨胀阀开度拟合能力修正系数，F为压缩机运行频率，Nn为内风机转速，Nw为外风机转速，P为膨胀阀开度，σ为拟合能力积分常数项补偿值。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (6)

1.一种空调器的控制方法，其特征在于，所述方法包括：
在检测到所述空调器进入目标模式时，采用神经网络采集模块采集所述空调器的目标工况参数，其中，所述目标工况参数为内环温度和外环温度；
在神经网络数据存储模块的预设数据库中对所述目标工况参数进行寻优匹配，其中，所述预设数据库中包括：多组工况参数以及每组工况参数对应的能效比；
在对所述目标工况参数匹配成功时，确定目标能效比；
根据所述目标能效比，确定用于控制所述空调器的目标运行参数；
依据所述目标运行参数，控制所述空调器的执行机构运行；
在神经网络数据存储模块的预设数据库中对所述目标工况参数进行寻优匹配之前，所述方法包括：检测到所述空调器处于神经网络训练模式时，采集多组工况参数并将所述多组工况参数存储在所述神经网络数据存储模块中，其中，每组工况参数中包括：所述空调器的内环温度和外环温度；确定每组工况参数对应的多组运行参数；依据所述多组工况参数和所述多组运行参数，通过反向逆推迭代法计算多组输出功率和多组输出能力值，其中，所述输出能力值用于表征所述空调器的制冷量或制热量；依据所述多组输出功率和所述多组输出能力值，计算每组工况参数对应的多组能效比；通过神经网络区间极值比对模块将多组所述能效比进行对比以确定每组工况参数的最优能效比，其中，所述最优能效比为多组所述能效比中的最大值；
在神经网络数据存储模块的预设数据库中对所述目标工况参数进行寻优匹配包括：控制所述神经网络寻优控制模块在所述预设数据库中查询存储的多组所述工况参数；在对所述目标工况参数匹配成功时，确定所述预设数据库中与所述目标工况参数相匹配的工况参数；将与所述目标工况参数相匹配的工况参数对应的最优能效比作为所述目标能效比；
在控制所述神经网络寻优控制模块在所述预设数据库中查询存储的多组所述工况参数之后，所述方法还包括：在对所述目标工况参数匹配失败时，控制所述空调器进入所述神经网络训练模式；确定所述目标工况参数对应的所述多组运行参数；依据所述目标工况参数与所述多组运行参数，通过反向逆推迭代法计算多组输出功率和多组输出能力值；依据所述多组输出功率和所述多组输出能力值，计算多组能效比；通过神经网络区间极值比对模块将多组所述能效比进行对比以确定所述工况参数对应的最优能效比，并将所述目标工况参数与所述最优能效比存储于所述预设数据库中；控制所述空调器退出所述神经网络训练模式，并进入所述目标模式；在所述目标模式下，将所述最优能效比作为所述目标能效比，并将所述最优能效比对应的运行参数作为所述目标运行参数；依据所述目标运行参数，控制所述空调器的执行机构运行；
依据所述多组工况参数和所述多组运行参数，通过反向逆推迭代法计算多组输出功率包括：在所述空调器处于制热模式时，所述空调器的输出功率的计算公式为：Wh＝[(α+1)F]2/8+(λNn-50)1/2+β(Nw-350)/6+R+UI，其中，F为压缩机运行频率，Nn为内风机转速，Nw为外风机转速，Wh为所示空调器制热模式下的输出功率，α为压缩机运行频率拟合功率修正系数，λ为内风机转速拟合功率修正系数，β为外风机转速拟合功率修正系数，R为控制器及非线性元件积分常数项功率值，UI为辅热功率；在所述空调器处于制冷模式时，所述空调器的输出功率的计算公式为：Wc＝[(α+1)F]2/8+(λNn-50)1/2+β(Nw-350)/6+R，其中，F为压缩机运行频率，Nn为内风机转速，Nw为外风机转速，Wc为所示空调器制冷模式下的输出功率，α为压缩机运行频率拟合功率修正系数，λ为内风机转速拟合功率修正系数，β为外风机转速拟合功率修正系数，R为控制器及非线性元件积分常数项功率值。
2.根据权利要求1所述的方法，其特征在于，根据所述目标能效比，确定用于控制所述空调器的目标运行参数包括：
当所述空调器的当前运行模式为制热模式时，则根据所述目标能效比，确定出的所述目标运行参数中包括压缩机运行频率、内风机转速、外风机转速、膨胀阀开度、制热空调辅热电压和电流值；
当所述空调器的当前运行模式为制冷模式时，则根据所述目标能效比，确定出的所述目标运行参数中包括所述压缩机运行频率、所述内风机转速、所述外风机转速和所述膨胀阀开度。
3.根据权利要求1所述的方法，其特征在于，根据所述目标能效比，确定用于控制所述空调器的目标运行参数包括：
将所述神经网络存储模块中所述目标能效比对应的运行参数确定为所述目标运行参数；
将确定出的所述目标运行参数作为所述空调器执行机构的运行参数，其中，所述空调器的执行机构至少包括以下机构：压缩机、内风机、外风机。
4.根据权利要求1所述的方法，其特征在于，依据所述多组工况参数和所述多组运行参数，通过反向逆推迭代法计算多组输出能力值包括：
在所述空调器处于制热模式时，所述空调器的输出能力值的计算公式为：
Qh＝10(aTn-bTw)2+cF2/12+d(Nn-80)1/2+(eNw-200)/7+(f+1)[(P-5)/2]1/2+σ+gUI，其中，Qh为所述空调器在制热模式下的输出能力值，Tn为内环温度，Tw为外环温度，a为内环温度拟合能力修正系数，b为外环温度拟合能力修正系数，c为压缩机运行频率拟合能力修正系数，d为内风机转速拟合能力修正系数，e为外风机转速拟合能力修正系数，f为膨胀阀开度拟合能力修正系数，g为辅热功率拟合能力修正系数，F为压缩机运行频率，Nn为内风机转速，Nw为外风机转速，P为膨胀阀开度，σ为拟合能力积分常数项补偿值，UI为辅热功率；
在所述空调器处于制冷模式时，所述空调器的输出能力值的计算公式为：
Qc＝10(aTn-bTw)2+cF2/12+d(Nn-80)1/2+(eNw-200)/7+(f+1)[(P-5)/2]1/2+σ，其中，Qh为所述空调器在制热模式下的输出能力值，Tn为内环温度，Tw为外环温度，a为内环温度拟合能力修正系数，b为外环温度拟合能力修正系数，c为压缩机运行频率拟合能力修正系数，d为内风机转速拟合能力修正系数，e为外风机转速拟合能力修正系数，f为膨胀阀开度拟合能力修正系数，F为压缩机运行频率，Nn为内风机转速，Nw为外风机转速，P为膨胀阀开度，σ为拟合能力积分常数项补偿值。
5.一种空调器的控制装置，其特征在于，所述装置包括：
第一采集单元，用于在检测到所述空调器进入目标模式时，通过采用神经网络采集模块采集所述空调器的目标工况参数，其中，所述目标工况参数为内环温度和外环温度；
匹配单元，用于在神经网络数据存储模块的预设数据库中对所述目标工况参数进行寻优匹配，其中，所述预设数据库中包括：多组工况参数以及每组工况参数对应的能效比；
第一确定单元，用于在对所述目标工况参数匹配成功时，确定目标能效比；
第二确定单元，用于根据所述目标能效比，确定用于控制所述空调器的目标运行参数；
第一控制单元，用于依据所述目标运行参数，控制所述空调器的执行机构运行；
所述装置还包括：第二采集单元，用于在神经网络数据存储模块的预设数据库中对目标工况参数进行寻优匹配之前，检测到空调器处于神经网络训练模式时，采集多组工况参数并将多组工况参数存储在神经网络数据存储模块中，其中，每组工况参数中包括：空调器的内环温度和外环温度；第三确定单元，用于确定每组工况参数对应的多组运行参数；第一计算单元，用于依据多组工况参数和多组运行参数，通过反向逆推迭代法计算多组输出功率和多组输出能力值，其中，输出能力值用于表征空调器的制冷量或制热量；第二计算单元，用于依据多组输出功率和多组输出能力值，计算每组工况参数对应的多组能效比；第四确定单元，用于通过神经网络区间极值比对模块将多组能效比进行对比以确定每组工况参数的最优能效比，其中，最优能效比为多组能效比中的最大值；
所述匹配单元包括：查询子单元，用于控制神经网络寻优控制模块在预设数据库中查询存储的多组工况参数；第三确定子单元，用于在对目标工况参数匹配成功时，确定预设数据库中与目标工况参数相匹配的工况参数；第四确定子单元，用于将与目标工况参数相匹配的工况参数对应的最优能效比确定为目标能效比；
所述装置还包括：第二控制单元，用于在控制神经网络寻优控制模块在预设数据库中查询存储的多组工况参数之后，在对目标工况参数匹配失败时，控制空调器进入神经网络训练模式；第五确定单元，用于确定目标工况参数对应的多组运行参数；第三计算单元，用于依据目标工况参数与多组运行参数，通过反向逆推迭代法计算多组输出功率和多组输出能力值；第四计算单元，用于依据多组输出功率和多组输出能力值，计算多组能效比；第六确定单元，用于通过神经网络区间极值比对模块将多组能效比进行对比以确定工况参数对应的最优能效比，并将目标工况参数与最优能效比存储于预设数据库中；退出单元，用于控制空调器退出神经网络训练模式，并进入目标模式；第七确定单元，用于在目标模式下，将最优能效比作为目标能效比，并将最优能效比对应的运行参数确定为目标运行参数；第三控制单元，用于依据目标运行参数，控制空调器的执行机构运行；
所述第一计算单元包括：在空调器处于制热模式时，空调器的输出功率的计算公式为：Wh＝[(α+1)F]2/8+(λNn-50)1/2+β(Nw-350)/6+R+UI，其中，F为压缩机运行频率，Nn为内风机转速，Nw为外风机转速，Wh为所示空调器制热模式下的输出功率，α为压缩机运行频率拟合功率修正系数，λ为内风机转速拟合功率修正系数，β为外风机转速拟合功率修正系数，R为控制器及非线性元件积分常数项功率值，UI为辅热功率；在空调器处于制冷模式时，空调器的输出功率的计算公式为：Wc＝[(α+1)F]2/8+(λNn-50)1/2+β(Nw-350)/6+R，其中，F为压缩机运行频率，Nn为内风机转速，Nw为外风机转速，Wc为所示空调器制冷模式下的输出功率，α为压缩机运行频率拟合功率修正系数，λ为内风机转速拟合功率修正系数，β为外风机转速拟合功率修正系数，R为控制器及非线性元件积分常数项功率值。
6.根据权利要求5所述的装置，其特征在于，所述第二确定单元包括：
第一确定子单元，用于当所述空调器的当前运行模式为制热模式时，根据所述目标能效比，确定出的所述目标运行参数中包括压缩机运行频率、内风机转速、外风机转速、膨胀阀开度、制热空调辅热电压和电流值；
第二确定子单元，用于当所述空调器的当前运行模式为制冷模式时，根据所述目标能效比，确定出的所述目标运行参数中包括所述压缩机运行频率、所述内风机转速、所述外风机转速和所述膨胀阀开度。
CN201911039363.5A 2019-10-29 2019-10-29 空调器的控制方法及装置 Active CN110749053B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911039363.5A CN110749053B (zh) 2019-10-29 2019-10-29 空调器的控制方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911039363.5A CN110749053B (zh) 2019-10-29 2019-10-29 空调器的控制方法及装置

Publications (2)

Publication Number Publication Date
CN110749053A CN110749053A (zh) 2020-02-04
CN110749053B true CN110749053B (zh) 2020-11-10

Family

ID=69280940

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911039363.5A Active CN110749053B (zh) 2019-10-29 2019-10-29 空调器的控制方法及装置

Country Status (1)

Country Link
CN (1) CN110749053B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111537252B (zh) * 2020-04-28 2022-05-13 宁波奥克斯电气股份有限公司 空调器测试方法、装置、计算机设备及存储介质
CN113739380A (zh) * 2020-05-29 2021-12-03 广东美的制冷设备有限公司 空调器及其控制方法和计算机可读存储介质
CN111981636B (zh) * 2020-08-13 2021-12-14 珠海格力电器股份有限公司 空调系统控制方法、装置及空调系统
CN111981654B (zh) * 2020-08-19 2021-12-21 海信（山东）空调有限公司 空调能效寻优的控制方法
CN112503725B (zh) * 2020-12-08 2021-11-30 珠海格力电器股份有限公司 空调自清洁控制方法、装置和空调
CN113091217B (zh) * 2021-03-22 2022-04-12 珠海格力电器股份有限公司 空调系统能力输出的寻优控制方法、装置、系统和空调
CN113531833B (zh) * 2021-07-14 2022-07-26 珠海格力电器股份有限公司 一种空调控制方法、装置及空调
CN115218347B (zh) * 2022-07-25 2024-01-26 珠海格力电器股份有限公司 一种空调的apf匹配方法、装置、空调和存储介质
CN117492495B (zh) * 2023-12-29 2024-05-24 电子科技大学(深圳)高等研究院 温度控制方法、计算机设备及计算机存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104374052A (zh) * 2014-11-18 2015-02-25 柳州市金旭节能科技有限公司 基于神经网络的中央空调节能控制方法及系统
CN109631238A (zh) * 2019-01-28 2019-04-16 宁波溪棠信息科技有限公司 一种提高空调系统运行能效的控制系统和控制方法
CN110059801A (zh) * 2019-03-20 2019-07-26 青岛海尔空调器有限总公司 基于神经网络的空调器能效控制方法
CN110057045A (zh) * 2019-03-20 2019-07-26 青岛海尔空调器有限总公司 用于空调器的控制方法
JP2019128085A (ja) * 2018-01-24 2019-08-01 三菱電機株式会社 空気調和システム

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103542489B (zh) * 2012-07-12 2015-12-09 珠海格力节能环保制冷技术研究中心有限公司 空调系统的控制方法、装置及系统
US20160293167A1 (en) * 2013-10-10 2016-10-06 Google Inc. Speaker recognition using neural networks
CN104613602B (zh) * 2015-02-02 2017-09-26 河海大学 一种中央空调精细化控制方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104374052A (zh) * 2014-11-18 2015-02-25 柳州市金旭节能科技有限公司 基于神经网络的中央空调节能控制方法及系统
JP2019128085A (ja) * 2018-01-24 2019-08-01 三菱電機株式会社 空気調和システム
CN109631238A (zh) * 2019-01-28 2019-04-16 宁波溪棠信息科技有限公司 一种提高空调系统运行能效的控制系统和控制方法
CN110059801A (zh) * 2019-03-20 2019-07-26 青岛海尔空调器有限总公司 基于神经网络的空调器能效控制方法
CN110057045A (zh) * 2019-03-20 2019-07-26 青岛海尔空调器有限总公司 用于空调器的控制方法

Also Published As

Publication number Publication date
CN110749053A (zh) 2020-02-04

Similar Documents

Publication Publication Date Title
CN110749053B (zh) 空调器的控制方法及装置
US11385607B2 (en) Variable air volume modeling for an hvac system
CN110726229B (zh) 空调器的控制方法及装置、存储介质及处理器
CN111237989B (zh) 一种基于负荷预测的楼宇通风空调控制方法及装置
CN110726218B (zh) 空调器及其控制方法、装置、存储介质和处理器
CN109869867B (zh) 一种电器的控制方法、装置、存储介质及电器
US11940165B2 (en) Predictive temperature scheduling for a thermostat using machine learning
US11598542B2 (en) Thermostat scheduling using user devices and machine learning
CN107421074A (zh) 空调控制的方法及装置
CN111895608B (zh) 空调器与通风机的联动控制方法及装置
US20220042695A1 (en) Error correction for predictive schedules for a thermostat
CN105928136A (zh) 空调节能控制方法、控制装置及空调
US11609014B2 (en) Predictive presence scheduling for a thermostat using machine learning
CN110736231A (zh) 空调控制方法、装置、空调、存储介质以及处理器
CN114294789B (zh) 空调系统的控制方法、空调系统以及空调器
CN114909945A (zh) 冷却塔节能智控方法、装置、电子装置及介质
Zhao et al. The application of advanced control technologies in air conditioning system–a review
CN112050438B (zh) 制冷工况下空调器的控制方法
CN112050389B (zh) 制冷工况下空调器的控制方法
CN112050383B (zh) 制冷工况下空调器的控制方法
CN112050394B (zh) 制冷工况下空调器的控制方法
CN112050392B (zh) 制冷工况下空调器的控制方法
CN113091217B (zh) 空调系统能力输出的寻优控制方法、装置、系统和空调
CN116880163B (zh) 一种智慧数据中心冷源调控方法及系统
CN112050396A (zh) 制冷工况下空调器的控制方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant