CN112747418A - 空调器及云服务器 - Google Patents

Abstract

本发明公开一种空调器，包括：控制器，其配置有KNN回归预测模型，控制器接收空调器的多个运行参数的值并输入至KNN回归预测模型，KNN回归预测模型输出空调器的预测能效比；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。本空调器基于KNN回归预测模型，更精确的预测多联机空调系统的能效，该算法简单，运算量小，无需配置较强的处理能力的处理器，可以将其配置在空调器的控制器内即可实现。

Description

空调器及云服务器

技术领域

本发明涉及电器技术领域，尤其涉及一种云服务器及空调器。

背景技术

随着人们生活水平的提高，空调已经成为每户人家中的必备品，同时对空调的智能化水平也有了更高的要求。空调的智能化水平除了体现在控制方面，空调能耗的控制也是一个重要方面。

各大空调厂家都在努力提高空调的能效比，以使空调运行在较高能效下，达到节能的要求。其中主要从两个方面进行研究，一是从空调自身的正向控制着手，通过实验获得空调详细的运行参数，调整控制算法以达到节能控制，另外一个方面是预测空调能效比，作为空调控制系统的一个反馈输入来完成对空调进行更加精准的控制。

目前也有多种方法对空调能效进行预测，比如线性回归，贝叶斯估计算法、遗传算法等，但是空调能效受到多种因素、多个参数的影响，本身是个非常复杂的非线性系统，通过传统的方法很难获得精确的预测效果。

发明内容

为解决现有技术中对空调器的能效比预测存在计算量大、精度差问题，本发明提供一种空调器及云服务器，其基于KNN回归预测模型，更精确的预测多联机空调系统的能效，该算法简单，运算量小。

为达到上述目的，本发明采用如下技术方案：

本发明提供了一种空调器，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。

进一步的，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。

进一步的，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。

进一步的，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。

进一步的，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。

进一步的，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。

进一步的，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。

进一步的，采用欧氏距离公式或曼哈顿距离公式进行距离计算。

进一步的，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。

本发明同时提出一种云服务器，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。

本发明的技术方案相对现有技术具有如下技术效果：本空调器基于KNN回归预测模型，更精确的预测多联机空调系统的能效，该算法简单，运算量小，无需配置较强的处理能力的处理器，可以将其配置在空调器的控制器内即可实现。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述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例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明提出的空调器的COP预测模型原理框图；

图2是本发明提出的空调器的一种实施例中平均回归算法预测效果图；

图3是本发明提出的空调器的一种实施例中距离加权回归算法预测效果图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

在本申请的描述中，需要理解的是，术语“中心”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。

术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中，除非另有说明，“多个”的含义是两个或两个以上。

在本申请的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本申请中的具体含义。

空调器通过使用压缩机、冷凝器、膨胀阀和蒸发器来执行空调器的制冷循环和制热循环，由控制器执行控制，实现制冷剂的流向控制以及膨胀阀的开度控制等。制冷循环和制热循环包括一系列过程，涉及压缩、冷凝、膨胀和蒸发，并向已被调节和热交换的空气供应制冷剂。

压缩机压缩处于高温高压状态的制冷剂气体并排出压缩后的制冷剂气体。所排出的制冷剂气体流入冷凝器。冷凝器将压缩后的制冷剂冷凝成液相，并且热量通过冷凝过程释放到周围环境。

膨胀阀使在冷凝器中冷凝的高温高压状态的液相制冷剂膨胀为低压的液相制冷剂。蒸发器蒸发在膨胀阀中膨胀的制冷剂，并使处于低温低压状态的制冷剂气体返回到压缩机。蒸发器可以通过利用制冷剂的蒸发的潜热与待冷却的材料进行热交换来实现制冷效果。在整个循环中，空调器可以调节室内空间的温度。

空调器的室外单元是指制冷循环的包括压缩机和室外热交换器的部分，空调器的室内单元包括室内热交换器，并且膨胀阀可以提供在室内单元或室外单元中。

室内热交换器和室外热交换器用作冷凝器或蒸发器。当室内热交换器用作冷凝器时，空调器用作制热模式的加热器，当室内热交换器用作蒸发器时，空调器用作制冷模式的冷却器。

热泵型空调系统用于空气调节的介质为水，制热循环时，压缩机将低温低压的制冷剂压缩成高温高压的制冷剂排出，高温高压的制冷剂进入气体冷却器与进入气体冷却器中的水逆向换热后变为中温高压的制冷剂，中温高压的制冷剂经过节流装置节流变成低温低压的气液两相制冷剂，气液两相制冷剂在蒸发器中蒸发吸热变为低温低压的气态制冷剂后回到压缩机，完成一个基本循环，加热后的高温水循环至室内进行制热调节。

制冷循环时，冷媒的流向与制热循环的流向相反，冷媒从水中吸热，降温后的低温水循环至室内进行制冷调节。

能效比(CPO)是评价空调性能的一个重要参数，各大空调厂家都在努力提高空调的能效比，以使空调运行在较高能效下，达到节能的要求。其中主要从两个方面进行研究，一是从空调自身的正向控制着手，通过实验获得空调详细的运行参数，调整控制算法以达到节能控制，另外一个方面是预测空调能效比，作为空调控制系统的一个反馈输入来完成对空调进行更加精准的控制。

KNN(K-NearestNeighbo)算法又称为k近邻分类算法，通过建立分类器，记住所有的训练数据，对于新的数据则直接和训练数据匹配，如果存在相同属性的训练数据，则直接用它的分类来作为新数据的分类。传统KNN方法主要用于分类研究，简单，易于理解，易于实现，无需估计参数，训练时间几乎为零。

本发明针对空调运行数据及能效值，在实际时候用中多是线性变化，比较适合用KNN算法进行回归预测。

实施例一

本实施例的空调器包括控制器，如图1所示，其配置有KNN回归预测模型，控制器接收空调器的多个运行参数的值并输入至KNN回归预测模型，KNN回归预测模型输出空调器的预测能效比；

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。

本发明中选取的参数变量，主要是对能效比预测影响比较大的参数，对于热泵型空调系统，主要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，本实施例中所训练的KNN回归预测模型可以是上述参数的任意组合。

上述空调器参数除COP外都可以通过传感器获得，对于历史COP的获得，可以通过计算COP＝制冷量/损耗功率获得较精确的值，但是对于瞬态COP很难获得，这也是进行能效预测的优势之一。

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。本实施例中以选取上述全部参数为例进行说明。

基于上述参数变量，建立的输入参数向量X＝

[TEI,TEO,TCI,TCO,TSI,TSO,TBI,TBO,CTI,CTO,Kw,TEA,TCA,TRE,TRC]。通过检测空调机组在不同时间点上的状态即可获的该空调系统的历史数据集。数据集的X＝[X1,X2…Xi],其中，i＝N,N表示总共采集次数。基于此输入向量维数为15维，同样的历史COP数据作为一维输出变量，本发明建立的算法模型就通过输入15维的数据集，预测出一维COP的值。

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。

KNN回归预测算法的核心思想是如果一个样本在特征空间中的k个最相邻的样本中的大多数属于某一个类别，则该样本也属于这个类别，并具有这个类别上样本的特性。该方法在确定分类决策上只依据最邻近的一个或者几个样本的类别来决定待分样本所属的类别。

KNN回归预测算法是通过测量不同特征值之间的距离进行分类。它的思路是：如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别，则该样本也属于这个类别。K通常是不大于20的整数。KNN回归预测算法中，所选择的邻居都是已经正确分类的对象。这也是KNN回归预测算法属于一种监督学习算法的原因。该方法在定类决策上只依据最邻近的一个或者几个样本的类别来决定待分样本所属的类别。

本实施例中针对空调运行数据及能效值，在实际时候用中多是线性变化，也比较适合用KNN回归预测算法进行回归预测。同时，KNN回归预测算法简单，运算量小，无需配置较强的处理能力的处理器，可以将其配置在空调器的控制器内即可实现。

所采集的运行参数包括温度、流量等，单位和计量方式不同，本实施例中优选在构建KNN回归预测模型之前还包括对历史数据进行预处理的步骤，将其转化为无量纲的数值。

作为一个优选的实施例，对历史数据进行预处理包括：对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，去除数据的单位限制，将其转化为无量纲的数值。

归一化处理方法为：把各运行参数的历史数据分别组成特征变量的数据集，对数据集中的各特征变量进行归一化计算：

X＝(Xori-Xmin)/(Xmax–Xmin)。

其中Xori表示特征变量的原始数据，Xmin表示某个特征变量的数据集中的最小值，Xmax表示所述数据集中的最大值。

为了能够使用历史数据训练出的KNN回归预测模型输出结果更加精确，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。

本实施例中将所获的数据集按照8:2的比例进行分配，作为训练集和验证集。

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；

将各运行参数的值输入至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。

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。

该种计算方法具体包括两种方法，一种是平均回归算法，一种是距离加权回归算法。平均回归算法也即各输出至的权重系数相等。距离加权回归算法是根据与所预测分类之间的距离确定权重系数，距离越近，权重系数越大。

在KNN回归预测模型中，通过计算对象间距离来作为各个对象之间的非相似性指标，避免了对象之间的匹配问题，本实施例中采用欧氏距离公式或曼哈顿距离公式进行距离计算，包括：

欧式距离：

曼哈顿距离：

同时，KNN回归预测模型通过依据k个对象中占优的类别进行决策，而不是单一的对象类别决策。这两点就是KNN回归预测算法的优势。

还包括将预测能效比发送至空调器，对空调器进行调节控制。

具体调节控制方法，包括但不限于自动调节出水温度以及调节压缩机的运转频率，以此来调节整个空调的运转输出能力。

本实施例中还包括对KNN回归预测精度衡量的步骤。

可采用两种指标来衡量模型的准确性，第一个是均方根误差如下式所示：

其中n为评测样本总数，为第i个样本的实际值，为第i个样本的模型预测值，RMSE表示能效预测数据与真实数据的均方根误差。

第二个是R方得分(R2 score)：指确定性相关系数，用于衡量模型对未知样本预测的效果，最好的得分为1.0，值也可以是负数。

通常情况下，尽量保证均方误差最低，而且解释方差分最高。

本发明的空调器，基于上述步骤建立好空调器的能效预测模型后，在实际使用中，采集空调的实际运行数据，变量如上述。输入训练好的模型后，既可获得预测COP值，根据预测值对空调进行相应的调节控制。该算法应用于空调系统的一个突出特点是算法简单、运算量小。所以该算法非常适合在空调主机内实现。

实验例

本次实验针对空调器采集5000多组数据，得到初始数据集。采集的数据集部分样本如下：

表1

将数据集进行随机采样，20％作为测试，80％作为训练。

本实验中分别采用了两种回归算法分别进行建模，得到如下不同的模型预测效果。

如图2、图3所示，图2为采用平均回归算法预测效果图。图3为采用距离加权回归算法预测效果图。数据图上显示的数据是经过标准化处理的数据，不是真实值，只为了验证预测的效果。

两种回归算法的模型精度指标如下：

平均k近邻回归的默认评估值为：0.981992814634024

平均k近邻回归的R_squared值为：0.981992814634024

平均k近邻回归的均方误差为:1.1085556207584829e-06

平均k近邻回归的平均绝对误差为:0.0004709520958083832

距离加权k近邻回归的默认评估值为：0.9843782422236627

距离加权k近邻回归的R_squared值为：0.9843782422236628

距离加权k近邻回归的均方误差为:9.61704288434058e-07

距离加权k近邻回归的平均绝对误差为:0.0004494466560017888

由上面对比分析可以看出针对空调能效预测这种使用场景，两种算法的预测精度都很高，在实际应用中可以根据实际情况进行选择。

实施例二

本发明同时提出一种云服务器，包括：

控制器，其配置有KNN回归预测模型，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KNN回归预测模型，KNN回归预测模型输出空调器的预测能效比，并发送至该空调器；

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。

本实施例的云服务器通过网络接收空调器的多个运行参数，并对该空调器进行能效比预测，并发送至该空调器，云服务器具有更强大的数据计算处理能力，且通过云服务器进行能效比预测，有利于减少对空调器资源的占用，节约空调器的成本。

预测的能效比反馈至空调后，作为空调控制系统的一个反馈输入来完成对空调进行更加精准的控制。

该KNN回归预测模型可参见实施例一中的具体记载，在此不做赘述。

在上述实施方式的描述中，具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

以上仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

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。

Images