CN111928423A - 用于空调机组的除霜控制方法 - Google Patents

Abstract

本发明属于空调除霜技术领域，具体涉及一种用于空调机组的除霜控制方法。本发明旨在解决现有空调机组的除霜控制方法难以准确判断除霜模式的最佳进入时机的问题。为此，本发明的除霜控制方法包括：获取室外干球温度、室外湿球温度以及空调机组的室外盘管温度、蒸发压力和本次运行时长；根据室外干球温度、室外湿球温度、室外盘管温度、蒸发压力和本次运行时长确定室外机的当前出风量；根据室外机的当前出风量，选择性地控制空调机组进入室外机除霜模式。本发明确定室外机的出风量时无需增设其他元件，出风量不易受到其他无关因素的干扰，以使本发明能够准确判断出除霜模式的最佳进入时机，进而有效保证空调机组能够长时间保持高效运行状态。

Description

用于空调机组的除霜控制方法

技术领域

本发明属于空调除霜技术领域，具体涉及一种用于空调机组的除霜控制方法。

背景技术

空调机组包括室内机、室外机以及连接在室内机与室外机之间的冷媒循环回路，冷媒通过冷媒循环回路在室外机与室内机之间不断换热，从而改变室温。以空调机组运行制热工况时为例，由于室外机的盘管始终处于温度较低的状态，并且室外温度也较低；此时，如果室外环境还具有较高湿度，则室外机的盘管就很容易产生结霜现象，并且随着结霜的不断进行，室外机的换热效率也会急剧下降，进而导致整个空调机组的制热量不断衰减。因此，在空调机组运行制热工况时就需要时常监测室外机的盘管是否已经产生结霜现象，并且还需要选取合适时机进入除霜模式，以便避免不必要的能量损耗。

现有空调机组判断除霜时机的依据大多都是室外机的盘管温度或者室外机的风机电流，通过室外机的盘管温度判断除霜时机的方式没有很好地结合室外湿度的因素，而通过室外机的风机电流判断除霜时机的方式又很容易受到很多无关因素的影响，进而导致这两种判断方式均容易出现结果不准确的问题。具体地，以通过室外机的盘管温度进行判断的情况为例，当室外环境湿度逐渐变小时，室外机的盘管温度也很容易随之变小，从而导致空调机组进行不必要的假除霜；而当室外环境湿度大幅增大时，室外机的盘管温度可能没有出现较大变化，但高湿度环境很容易加剧结霜现象，在此情形下，很可能出现室外盘管上已经形成较厚的霜层，甚至已经出现结冰的现象，而室外机的盘管温度还未达到除霜条件，进而导致空调机组的制热性能已经出现大幅衰减却还未进入除霜模式的问题。

相应地，本领域需要一种新的用于空调机组的除霜控制方法来解决上述问题。

发明内容

为了解决现有技术中的上述问题，即为了解决现有除霜控制方法难以准确判断空调机组进入除霜模式的最佳时机的问题，本发明提供了一种用于空调机组的除霜控制方法，所述空调机组包括室外机，所述除霜控制方法包括：获取室外干球温度、室外湿球温度以及所述空调机组的室外盘管温度、蒸发压力和本次运行时长；根据所述室外干球温度、所述室外湿球温度、所述室外盘管温度、所述蒸发压力和所述本次运行时长确定所述室外机的当前出风量；根据所述室外机的当前出风量，选择性地控制所述空调机组进入室外机除霜模式。

在上述除霜控制方法的优选技术方案中，“根据所述室外干球温度、所述室外湿球温度、所述室外盘管温度、所述蒸发压力和所述本次运行时长确定所述室外机的当前出风量”的步骤具体包括：将所述室外干球温度、所述室外湿球温度、所述室外盘管温度、所述蒸发压力和所述本次运行时长输入前馈神经网络；利用所述前馈神经网络计算所述室外机的当前出风量。

在上述除霜控制方法的优选技术方案中，所述前馈神经网络的隐藏层的层数大于两层且小于十层。

在上述除霜控制方法的优选技术方案中，所述前馈神经网络的隐藏层的层数为七层。

在上述除霜控制方法的优选技术方案中，所述前馈神经网络的神经元的激活函数为双曲正弦S型函数。

在上述除霜控制方法的优选技术方案中，在“根据所述室外干球温度、所述室外湿球温度、所述室外盘管温度、所述蒸发压力和所述本次运行时长确定所述室外机的当前出风量”的步骤之前，所述除霜控制方法还包括：测量多组室外干球温度、室外湿球温度以及所述空调机组的室外盘管温度、蒸发压力、本次运行时长及其对应的室外机的当前出风量的数据；根据测量得到的多组数据构建训练集；构建前馈神经网络；利用所述训练集训练所述前馈神经网络，得到最终使用的前馈神经网络。

在上述除霜控制方法的优选技术方案中，“根据所述室外机的当前出风量，选择性地控制所述空调机组进入室外机除霜模式”的步骤具体包括：将所述室外机的当前出风量与预设出风量进行比较；根据所述室外机的当前出风量与所述预设出风量的比较结果，选择性地控制所述空调机组进入室外机除霜模式；其中，所述预设出风量等于额定出风量与风量衰减因子的乘积。

在上述除霜控制方法的优选技术方案中，“根据所述室外机的当前出风量与所述预设出风量的比较结果，选择性地控制所述空调机组进入室外机除霜模式”的步骤具体包括：如果所述室外机的当前出风量小于或等于所述预设出风量，则控制所述空调机组进入室外机除霜模式。

在上述除霜控制方法的优选技术方案中，所述风量衰减因子大于或等于十分之一且小于或等于八分之一。

在上述除霜控制方法的优选技术方案中，所述额定出风量根据所述室外机的风机的运行功率确定。

本领域技术人员能够理解的是，在本发明的技术方案中，本发明的空调机组包括室外机，本发明的除霜控制方法包括：获取室外干球温度、室外湿球温度以及所述空调机组的室外盘管温度、蒸发压力和本次运行时长；根据所述室外干球温度、所述室外湿球温度、所述室外盘管温度、所述蒸发压力和所述本次运行时长确定所述室外机的当前出风量；根据所述室外机的当前出风量，选择性地控制所述空调机组进入室外机除霜模式。本发明的除霜控制方法采用所述室外机的当前出风量作为基础参数来判断所述空调机组进入室外机除霜模式的最佳时机，以使所述空调机组能够在最恰当的时机进入室外机除霜模式，从而有效提升所述空调机组的运行效率，进而提升用户体验。一方面，在确定所述室外机的当前出风量时，所述空调机组依靠原有的电子元件就可以实现参数的获取，即，执行本发明的除霜控制方法时无需增设其他电子元件即可进行，以便有效保证所述空调机组的结构无需进行任何改造，并且其制造成本也不会增加；另一方面，所述室外机的当前出风量不易受到其他无关因素的干扰，并且能够很好地代表所述室外机的结霜情况，以便有效避免所述空调机组在不必要进行除霜的情况下进入室外机除霜模式而导致不必要的电能消耗以及不必要的制热效果波动，从而有效保证所述空调机组始终都能够保持高效良好的运行效率，进而有效提升用户体验。

进一步地，在本发明的优选技术方案中，本发明通过提前构建好的前馈神经网络来实现室外机的当前出风量的计算，以便在无需额外增设风量检测装置的同时，还能够有效保证结果的准确性，从而最大程度地保证所述空调机组能够在最佳时机进入室外机除霜模式。优选地，所述前馈神经网络的隐藏层的层数设置为大于两层且小于十层，以便在有效保证结果准确的基础上，还能够有效简化计算过程，从而有效减小计算量，提升运行效率。通过多次建模试验发现，当所述前馈神经网络的隐藏层的层数达到甚至超过十层时，整个计算过程的计算量会大幅提升，而其计算结果的准确性几乎不再有所提升。进一步优选地，所述前馈神经网络的隐藏层的层数设置为七层，以便最大程度地兼顾计算效率以及计算结果的准确性。

进一步地，在本发明的优选技术方案中，本发明通过使用由多组真实测量数据构建的训练集来训练初步构建好的前馈神经网络而得到最终使用的前馈神经网络，以便使得通过所述前馈神经网络计算得到的出风量能够最大程度地接近出风量的实际值，进而有效保证基础参数的准确性。

进一步地，在本发明的优选技术方案中，本发明根据所述室外机的当前出风量与所述预设出风量的比较结果选择性地控制所述空调机组进入室外机除霜模式，其中，所述预设出风量等于额定出风量与风量衰减因子的乘积，以便所述空调机组能够在室外机的出风量衰减至预设程度时才会使所述空调机组进入室外机除霜模式，以便有效避免所述空调机组过早进入室外机除霜模式而导致正常制热过程受到太大影响的问题。

进一步地，在本发明的优选技术方案中，所述风量衰减因子设置为大于或等于十分之一且小于或等于八分之一，以使所述空调机组能够在最佳时机进入室外机除霜模式，进而有效保证所述空调机组的换热效率；所述额定出风量根据所述室外机的风机的运行功率确定，以便所述预设出风量能够根据不同运行情况自行改变，进而有效保证判断结果的准确性。

附图说明

图1是本发明的除霜控制方法的主要步骤流程图；

图2是本发明的优选实施例的详细步骤流程图；

图3是本发明的前馈神经网络的模型示意图；

图4是利用前馈神经网络得到的值与实测值的对比图。

具体实施方式

下面参照附图并结合来描述本发明的优选实施方式。本领域技术人员应当理解的是，这些实施方式仅仅用于解释本发明的技术原理，并非旨在限制本发明的保护范围。本领域技术人员可以根据需要对其作出调整，以便适应具体的应用场合。例如，本发明中所述的空调机组既可以是一拖一的空调机组，也可以是一拖多的多联机空调机组，这种应用对象的改变并不偏离本发明的基本原理，应当属于本发明的保护范围。

需要说明的是，在本发明的描述中，尽管本申请中按照特定顺序描述了本发明的控制方法的各个步骤，但是这些顺序并不是限制性的，在不偏离本发明的基本原理的前提下，本领域技术人员可以按照不同的顺序来执行所述步骤。

基于背景技术中指出的现有除霜控制方法难以准确判断空调机组进入除霜模式的最佳时机的问题，本发明提供了一种除霜控制方法，所述除霜控制方法采用所述室外机的当前出风量作为基础参数来判断所述空调机组进入室外机除霜模式的最佳时机，以使所述空调机组能够在最恰当的时机进入室外机除霜模式，进而有效提升所述空调机组的运行效率。

具体地，本发明的空调机组包括室内机和室外机，所述室内机中设置有室内盘管，所述室外机中设置有室外盘管，所述室内盘管与所述室外盘管通过所述冷媒循环回路相连以实现换热，从而实现改变室温的效果。需要说明的是，本领域技术人员可以根据实际使用需求自行设定所述空调机组的具体结构，例如，所述室内机的具体设置数量等。这种有关空调机组的结构改变并不偏离本发明的基本原理，应当属于本发明的保护范围。

进一步地，所述空调机组还包括控制器，所述控制器能够获取各个传感器的测量数据，例如，通过室外盘管温度传感器获取室外盘管温度等，并且所述控制器还能够控制所述空调机组的运行状态，例如使所述空调机组进入不同运行模式等。需要说明的是，本发明不对所述空调机组进入室外机除霜模式后所执行的具体操作作任何限制，技术人员可以根据实际使用需求自行设定。此外，本领域技术人员还能够理解的是，本发明不对所述控制器的具体结构和型号作任何限制，并且所述控制器可以是所述空调机组原有的控制器，也可以是为执行本发明的除霜控制方法单独设置的控制器，技术人员可以根据实际使用需求自行设定所述控制器的结构和型号。

首先参阅图1，该图是本发明的除霜控制方法的主要步骤流程图。如图1所示，基于上述实施例中所述的空调机组，本发明的除霜控制方法主要包括下列步骤：

S1：获取室外干球温度、室外湿球温度以及空调机组的室外盘管温度、蒸发压力和本次运行时长；

S2：根据室外干球温度、室外湿球温度、室外盘管温度、蒸发压力和本次运行时长确定室外机的当前出风量；

S3：根据室外机的当前出风量，选择性地控制空调机组进入室外机除霜模式。

在步骤S1中，首先，需要说明的是，本发明不对所述控制器获取室外干球温度、室外湿球温度、室外盘管温度、蒸发压力和本次运行时长的具体方式作任何限制，技术人员可以根据实际使用需求自行设定，并且技术人员还可以根据实际使用需求自行设定这五个参数的获取顺序，只要所述控制器能够获取到这五个参数即可。

作为一种实施方式，本发明的空调机组设置有干球温度传感器、湿球温度传感器、室外盘管温度传感器和蒸发压力传感器，所述控制器通过所述干球温度传感器获取室外干球温度，通过所述湿球温度传感器获取室外湿球温度，通过所述室外盘管温度传感器获取空调机组的室外盘管温度，通过所述蒸发压力传感器获取空调机组的蒸发压力。本优选实施例中所述的本次运行时长为所述空调机组本次开机后运行制热模式的时长，在所述空调机组进入除霜模式后，这个本次运行时长就会清零；或者，在所述空调机组关机后，再次开机时这个本次运行时长也会清零，所述控制器通过所述空调机组内置的计时器就可以获取所述本次运行时长。当然，这些获取方式都不是限制性的，本领域技术人员可以根据实际使用需求自行调整。例如，如果所述空调机组未设置湿球温度传感器，则所述控制器也可以通过联网的方式获取当地室外环境的湿球温度作为室外湿球温度。此外，还需要说明的是，本发明中所述的室外盘管温度既可以是室外盘管中部的管温，也可以是室外盘管的入口处的温度，只要根据检测位置的不同对后续的计算方式稍作调整即可。这些改变均不偏离本发明的基本原理，属于本发明的保护范围。

接着，在步骤S2中，所述控制器能够根据所述室外干球温度、所述室外湿球温度、所述室外盘管温度、所述蒸发压力和所述本次运行时长确定所述室外机的当前出风量。需要说明的是，本发明不对其具体确定方式作任何限制，本领域技术人员可以根据实际使用需求自行设定；例如，可以通过计算式确定，也可以通过数学模型确定。优选地，所述室外机的当前出风量根据所述室外干球温度、所述室外湿球温度、所述室外盘管温度、所述蒸发压力和所述本次运行时长代入数学模型确定得到，以便最大程度地保证结果的准确性，进而有效保证控制效果。

最后，在步骤S3中，所述控制器能够根据所述室外机的当前出风量选择性地控制所述空调机组进入室外机除霜模式。需要说明的是，本领域技术人员可以自行设定其具体控制逻辑，例如，在所述室外机的当前出风量超出某个范围时才控制所述空调机组进入室外机除霜模式，或者，在所述室外机的当前出风量满足某个关系式时才控制所述空调机组进入室外机除霜模式。这些具体控制逻辑的改变并不偏离本发明的基本原理，应当属于本发明的保护范围，只要其根据室外机的当前出风量来判断所述空调机组进入室外机除霜模式的时机就属于本发明的保护范围。

下面参阅图2，该图是本发明的优选实施例的详细步骤流程图。如图2所示，基于上述实施例中所述的空调机组，本发明的除霜控制方法的优选实施例具体包括下列步骤：

S101：获取室外干球温度、室外湿球温度以及空调机组的室外盘管温度、蒸发压力和本次运行时长；

S102：将室外干球温度、室外湿球温度、室外盘管温度、蒸发压力和本次运行时长输入前馈神经网络；

S103：利用前馈神经网络计算室外机的当前出风量；

S104：判断当前出风量是否小于或等于预设出风量；如果是，则执行步骤S105；如果否，则再次执行步骤S101；

S105：控制空调机组进入室外机除霜模式。

作为一种优选实施例，本发明的空调机组设置有干球温度传感器、湿球温度传感器、室外盘管温度传感器和蒸发压力传感器，在步骤S101中，所述控制器能够通过所述干球温度传感器获取室外干球温度，通过所述湿球温度传感器获取室外湿球温度，通过所述室外盘管温度传感器获取空调机组的室外盘管温度，通过所述蒸发压力传感器获取空调机组的蒸发压力。当然，这些获取方式都不是限制性的，本领域技术人员可以根据实际使用需求自行调整。例如，如果所述空调机组未设置湿球温度传感器，则所述控制器也可以通过联网的方式获取当地室外环境的湿球温度作为室外湿球温度。

需要说明的是，本发明中所述的室外盘管温度既可以是室外盘管中部的管温，也可以是室外盘管的入口处的温度，只要根据检测位置的不同对后续的计算方式稍作调整即可。这些改变均不偏离本发明的基本原理，属于本发明的保护范围。

本优选实施例中所述的本次运行时长为所述空调机组本次开机后运行制热模式的时长，在所述空调机组进入除霜模式后，这个本次运行时长就会清零；或者，在所述空调机组关机后，再次开机时这个本次运行时长也会清零，所述控制器通过所述空调机组内置的计时器就可以获取所述本次运行时长。

此外，还需要说明的是，本发明不对所述控制器获取室外干球温度、室外湿球温度、室外盘管温度、蒸发压力和本次运行时长的具体方式作任何限制，本领域技术人员可以根据实际使用需求自行设定，并且技术人员还可以根据实际使用需求自行设定这五个参数的获取顺序，只要所述控制器能够获取到这五个参数即可。

在执行步骤S102之前，所述除霜控制方法还包括前馈神经网络的确定，技术人员可以在空调机组出厂之前通过多次试验确定出最终使用的前馈神经网络并存储至所述控制器中，以便所述控制器可以直接使用该前馈神经网络确定所述室外机的出风量。需要说明的是，根据机型的不同，该前馈神经网络通常是不同的，因此，技术人员可以根据不同空调机组确定相应的前馈神经网络，以便有效保证结果的准确性。

在确定前馈神经网络之前，技术人员需要测量多组室外干球温度、室外湿球温度以及所述空调机组的室外盘管温度、蒸发压力和本次运行时长及其对应的室外机的当前出风量的相关数据，即，在某一时刻，测量出室外干球温度和室外湿球温度，以及该时刻下所述空调机组的室外盘管温度、蒸发压力和本次运行时长，以及借助风量检测仪测量该时刻下所述室外机的当前出风量。测量多组不同时刻下的数据，并且根据测量得到的多组数据构建训练集；构建初始的前馈神经网络，并且利用所述训练集训练所述前馈神经网络，得到最终使用的前馈神经网络。可以理解的是，所述训练集中包含的数据越多，最终得到的前馈神经网络的计算结果也就越准确。

以下结合所述前馈神经网络的隐藏层的节点数为7层，且所述前馈神经网络的神经元的激活函数为双曲正弦S型函数时的情形来说明前馈神经网络的构建过程：

首先参阅图3，该图是本发明的前馈神经网络的模型示意图。如图3所示，该前馈神经网络共包括三层：输入层Ni_i、隐藏层Nn_j和输出层No(即最终计算出的室外机的当前出风量)。具体地，输入层Ni_i共设置有五个节点，其分别为室外干球温度Tair、室外湿球温度Twb以及所述空调机组的室外盘管温度Twall、蒸发压力Ps和本次运行时长t；隐藏层Nn_j共设置有七个节点；输出层No设置有一个节点，该节点即为该前馈神经网络的输出结果：所述室外机的当前出风量。需要说明的是，技术人员也可以根据实际使用需求自行设定隐藏层的具体节点数。此外，所述前馈神经网络的神经元的激活函数为双曲正弦S型函数，并且技术人员优选采用最速下降法来确定该前馈神经网络中的各个待定系数。

隐藏层Nn_j的计算公式如下：

其中，j＝1,2…7(即隐藏层的节点数)，i为输入层的节点数(即5层)，w_ij为隐藏层Nn_j的权值矩阵，Ni_i为所述训练集中存储的测量数据(即输入层的数据)，b_j为隐藏层Nn_j的偏移向量，w_ij和b_j均为设定值，技术人员可以根据实际使用需求先设定出来，后续还会进行修正而得到最终结果。

输出层No的计算公式如下：

其中，No为输出层的输出结果(即所述室外机的当前出风量)，w_j为输出层No的权值矩阵(注：w_ij是一个矩阵，而w_j是一个向量)，b为输出层No的偏移向量(注：b并不是b_j的一个分量)，w_j和b均为设定值，技术人员可以根据实际使用需求先设定出来，后续还会进行修正而得到最终结果。

接着，利用构建好的初始前馈神经网络计算出所述室外机的当前出风量的计算值N_o(即预测值)，并结合所述训练集中存储的所述室外机的当前出风量的实测值Y(即期望值)，计算该初始前馈神经网络的预测误差e，其具体计算公式如下：

e＝Y-N_o

然后，再根据预测误差e去反向修正先前设定的隐藏层Nn_j的权值矩阵w_ij和偏移向量b_j以及输出层No的权值矩阵w_j和偏移向量b，其具体修正式如下：

w_ij＇＝w_ij+η·Nn_j(1-Nn_j)·Ni_i·w_j·e (4)

w_jk＇＝w_jk+ηNn_j·e (5)

b_j＇＝b_j+η·Nn_j(1-Nn_j)·w_j·e (6)

b＇＝b+e (7)

其中，η为学习速率，通常为设定常数；i＝1,2…5(即为输入层的节点数)，j＝1,2…7(即隐藏层的节点数)。

以上确定前馈神经网络的过程总共可以分为两个阶段，第一阶段是向初始前馈神经网络中输入学习样本(即输入所述训练集中储存的数据)，该过程主要通过计算式(1)、(2)和(3)计算出预测误差e；第二阶段则是权值矩阵和偏移向量的修正，该过程主要通过计算式(4)、(5)、(6)和(7)对隐藏层Nn_j的权值矩阵w_ij和偏移向量b_j以及输出层No的权值矩阵w_j和偏移向量b进行修正。这两个阶段反复迭代交替直到收敛为止，通过以上过程就可以确定出最终的前馈神经网络。在确定出最终的前馈神经网络后，将该前馈神经网络输入至所述控制器中，所述控制器就可以通过该前馈神经网络中直接确定出所述室外机的当前出风量。如图4所示，通过实验数据可知，由最终前馈网络神经确定出的计算值与由风量检测仪测量出的实测值之间的误差已经很小，几乎可以忽略不计，而通过前馈神经网络进行计算的方式能够有效节省风量检测仪的设定，以使空调机组在使用本发明的除霜控制方法时无需对其硬件结构进行任何改进就可以直接使用，进而有效提升该方法的适用范围。

接着，在步骤S102和步骤S103中，所述控制器直接将步骤S101中获取到的所述室外干球温度、所述室外湿球温度、所述室外盘管温度、所述蒸发压力和所述本次运行时长输入该前馈神经网络中即可计算出所述室外机的当前出风量。

需要说明的是，通常地，制热量的衰减能够更加直接地反应室外机的结霜情况；当制热量的积分平均值大于实时输出的制热量时，如果空调机组继续运行就会导致制热量的积分平均值不断减小，从而不断拉低所述空调机组的平均制热量。因此，在使用制热量作为基础参数来判断除霜时机时，通常都通过下式来进行判断(即在制热量的积分平均值大于或等于实时输出的制热量时就控制所述空调机组进入除霜模式)：

其中，Q_heating为实时输出的制热量，t为所述空调机组本次累计运行时长。

当制热量的积分平均值大于或等于实时输出的制热量时，如果所述空调机组继续运行就会导致其平均制热量不断减小，在此情形下，进入室外机除霜模式能够尽快恢复制热效率。

这种判断方式虽然能够准确判断出所述空调机组的最佳除霜时机，但是，在实际应用中，由于积分运算的运算量极大，并且也存在不易实际操作的问题，因而这种判断方式并不常用。

通过大量建模研究发现，在制热量的积分平均值大于或等于实时输出的制热量时，所述室外机的当前出风量正好满足下式：

其中，Qair为所述室外机的当前出风量(根据上述优选实施例中确定出的前馈神经网络计算得出)，Qstd为所述室外机的额定出风量，f为风量衰减因子。

需要说明的是，在本优选实施例中，所述风量衰减因子设定为大于或等于十分之一且小于或等于八分之一。通过大量建模和试验发现，当所述风量衰减因子设定在十分之一至八分之一之间时能够更加准确地确定出最佳除霜时机，以便所述空调机组能够及时执行室外机除霜模式。进一步地，技术人员可以根据不同机型自行设定所述风量衰减因子的具体取值，只要所述风量衰减因子大于或等于十分之一且小于或等于八分之一即可。

此外，还需要说明的是，所述额定出风量根据所述室外机的风机的运行功率确定，即所述控制器需要根据不同风机以及该风机在不同运行频率下的运行情况自行确定所述额定出风量的具体值，以便有效保证判断结果的准确性。

鉴于此，在步骤S104中，所述控制器能够判断所述室外机的当前出风量是否小于或等于所述预设出风量，以便根据判断结果确定空调机组是否需要进入室外机除霜模式，其中，所述预设出风量等于额定出风量与风量衰减因子的乘积。需要说明的是，虽然本优选实施例中是直接使用所述室外机的当前出风量与所述预设出风量进行比较，并根据所述室外机的当前出风量与所述预设出风量的比较结果选择性地控制所述空调机组进入室外机除霜模式；但是，这种比较方式并不是限制性的，技术人员还可以根据实际使用需求自行设定其具体比较方式，例如，还可以将所述当前出风量与所述预设出风量的差值与预设差值进行比较，再根据比较结果选择性地控制所述空调机组进入室外机除霜模式。这种有关具体比较方式的改变均不偏离本发明的基本原理，属于本发明的保护范围。

基于步骤S104的判断结果，如果所述室外机的当前出风量小于或等于所述预设出风量，则判断此时为最佳除霜时机，在此情形下，所述控制器控制所述空调机组进入室外机除霜模式，以便快速清除所述室外盘管上的霜冻，进而使得所述空调机组的制热能力能够及时恢复。如果所述室外机的当前出风量大于所述预设出风量，则判断所述室外机未出现结霜现象或者其结霜现象并不算严重，在此情形下，所述控制器再次执行步骤S101，以便继续实时监测所述室外机的霜冻情况，从而有效保证所述空调机组始终能够处于高效制热的状态，进而最大程度地提升所述空调机组的制热效率。

至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。

Claims (10)

1.一种用于空调机组的除霜控制方法，其特征在于，所述空调机组包括室外机，所述除霜控制方法包括：

获取室外干球温度、室外湿球温度以及所述空调机组的室外盘管温度、蒸发压力和本次运行时长；

根据所述室外干球温度、所述室外湿球温度、所述室外盘管温度、所述蒸发压力和所述本次运行时长确定所述室外机的当前出风量；

根据所述室外机的当前出风量，选择性地控制所述空调机组进入室外机除霜模式。

2.根据权利要求1所述的除霜控制方法，其特征在于，“根据所述室外干球温度、所述室外湿球温度、所述室外盘管温度、所述蒸发压力和所述本次运行时长确定所述室外机的当前出风量”的步骤具体包括：

将所述室外干球温度、所述室外湿球温度、所述室外盘管温度、所述蒸发压力和所述本次运行时长输入前馈神经网络；

利用所述前馈神经网络计算所述室外机的当前出风量。

3.根据权利要求2所述的除霜控制方法，其特征在于，所述前馈神经网络的隐藏层的层数大于两层且小于十层。

4.根据权利要求3所述的除霜控制方法，其特征在于，所述前馈神经网络的隐藏层的层数为七层。

5.根据权利要求2所述的除霜控制方法，其特征在于，所述前馈神经网络的神经元的激活函数为双曲正弦S型函数。

6.根据权利要求1至5中任一项所述的除霜控制方法，其特征在于，在“根据所述室外干球温度、所述室外湿球温度、所述室外盘管温度、所述蒸发压力和所述本次运行时长确定所述室外机的当前出风量”的步骤之前，所述除霜控制方法还包括：

测量多组室外干球温度、室外湿球温度以及所述空调机组的室外盘管温度、蒸发压力、本次运行时长及其对应的室外机的当前出风量的数据；

根据测量得到的多组数据构建训练集；

构建前馈神经网络；

利用所述训练集训练所述前馈神经网络，得到最终使用的前馈神经网络。

7.根据权利要求1至5中任一项所述的除霜控制方法，其特征在于，“根据所述室外机的当前出风量，选择性地控制所述空调机组进入室外机除霜模式”的步骤具体包括：

将所述室外机的当前出风量与预设出风量进行比较；

根据所述室外机的当前出风量与所述预设出风量的比较结果，选择性地控制所述空调机组进入室外机除霜模式；

其中，所述预设出风量等于额定出风量与风量衰减因子的乘积。

8.根据权利要求7所述的除霜控制方法，其特征在于，“根据所述室外机的当前出风量与所述预设出风量的比较结果，选择性地控制所述空调机组进入室外机除霜模式”的步骤具体包括：

如果所述室外机的当前出风量小于或等于所述预设出风量，则控制所述空调机组进入室外机除霜模式。

9.根据权利要求7所述的除霜控制方法，其特征在于，所述风量衰减因子大于或等于十分之一且小于或等于八分之一。

10.根据权利要求7所述的除霜控制方法，其特征在于，所述额定出风量根据所述室外机的风机的运行功率确定。

Images