CN112797603B - 一种空调及其开机控制方法、装置、存储介质及处理器 - Google Patents
一种空调及其开机控制方法、装置、存储介质及处理器 Download PDFInfo
- Publication number
- CN112797603B CN112797603B CN202011577305.0A CN202011577305A CN112797603B CN 112797603 B CN112797603 B CN 112797603B CN 202011577305 A CN202011577305 A CN 202011577305A CN 112797603 B CN112797603 B CN 112797603B
- Authority
- CN
- China
- Prior art keywords
- air conditioner
- compressor
- current
- system pressure
- rate
- 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
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
- F24F11/89—Arrangement or mounting of control or safety devices
-
- 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
- F24F11/72—Control systems characterised by their outputs; Constructional details thereof for controlling the supply of treated air, e.g. its pressure
- F24F11/74—Control systems characterised by their outputs; Constructional details thereof for controlling the supply of treated air, e.g. its pressure for controlling air flow rate or air velocity
- F24F11/77—Control systems characterised by their outputs; Constructional details thereof for controlling the supply of treated air, e.g. its pressure for controlling air flow rate or air velocity by controlling the speed of ventilators
-
- 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
- F24F11/88—Electrical aspects, e.g. circuits
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
- F25B—REFRIGERATION MACHINES, PLANTS OR SYSTEMS; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS
- F25B49/00—Arrangement or mounting of control or safety devices
- F25B49/02—Arrangement or mounting of control or safety devices for compression type machines, plants or systems
- F25B49/022—Compressor control arrangements
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B30/00—Energy efficient heating, ventilation or air conditioning [HVAC]
- Y02B30/70—Efficient control or regulation technologies, e.g. for control of refrigerant flow, motor or heating
Abstract
本发明公开了一种空调的开机控制方法、装置、空调、存储介质及处理器,该方法包括:在接收到空调的当前次开机指令的情况下,获取空调的当前系统压力和当前环境参数,并获取空调在上次关机时的压缩机转子位置;根据设定系统压力、设定环境参数和设定负载参数之间的对应关系,将该对应关系中与当前系统压力和当前环境参数相同的设定系统压力和设定环境参数对应的设定负载参数,确定为当前负载参数;基于空调在上次关机时的压缩机转子位置,根据当前负载参数控制压缩机的负载运行,以实现对空调的开机控制。该方案,通过根据使用环境和系统压力控制启动速度和升频速率,避免系统压力不稳定或系统压力过大出现保护,有利于提升空调的运行可靠性。
Description
技术领域
本发明属于空调技术领域,具体涉及一种空调的开机控制方法、装置、空调、存储介质及处理器,尤其涉及一种基于系统压力神经网络自学习的空调快速开机方法、装置、空调、存储介质及处理器。
背景技术
相关方案中,空调(即空调器)的启动速度和升频速率慢,室内温度无法快速降低或升高,导致用户制冷制热舒适性体验效果差。部分空调为了满足快速制冷或快速制热需求,启动速度和升频速率快;但在实际使用中,空调的使用环境千差万别。启动速度和升频速率过快会导致系统压力不稳定,或由于升频过快导致的系统压力过大而出现保护等。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的目的在于,提供一种空调的开机控制方法、装置、空调、存储介质及处理器,以解决空调的启动速度和升频速率过快,会导致空调的系统压力不稳定或系统压力过大出现保护,影响了空调的运行可靠性的问题,达到通过使空调能够根据使用环境和系统压力控制启动速度和升频速率,避免空调的系统压力不稳定或系统压力过大出现保护,有利于提升空调的运行可靠性的效果。
本发明提供一种空调的开机控制方法,包括:在接收到所述空调的当前次开机指令的情况下,获取所述空调的当前系统压力和当前环境参数,并获取所述空调在上次关机时的压缩机转子位置;根据预先确定的设定系统压力、设定环境参数和设定负载参数之间的对应关系,将该对应关系中与所述当前系统压力相同的设定系统压力、与所述当前环境参数相同的设定环境参数对应的设定负载参数,确定为与所述当前系统压力和所述当前环境参数对应的当前负载参数;基于所述空调在上次关机时的压缩机转子位置,根据所述当前负载参数,控制所述压缩机的负载运行,以实现对所述空调的开机控制。
在一些实施方式中,其中,所述当前环境参数和所述设定环境参数中的环境参数,包括:室外环境温度、室内环境温度、室内目标温度、内管温度和外管温度中的至少之一;所述当前负载参数和所述设定负载参数中的负载参数,包括:压缩机频率、压缩机升频速率、外风机转速和节流单元的开度中的至少之一。
在一些实施方式中,预先确定的设定系统压力、设定环境参数和设定负载参数之间的对应关系,包括:利用预先经过静态训练得到的神经网络模型,在所述空调在第一次开机之后至第一次关机之前进行学习,得到以所述设定系统压力和所述设定环境参数为输入参数、并以所述设定负载参数为输出参数的对应关系,作为能够确定所述空调在第二次开机时的当前负载参数、并进行动态学习的神经网络模型;以及,在所述空调在第n+1次开机之后至第n+1次关机之前,对所述空调在第n次开机之后至第n次关机之前动态学习得到的神经网络模型继续进行动态学习,n为正整数且n≥1。
在一些实施方式中,利用预先经过静态训练得到的神经网络模型,在所述空调在第一次开机之后至第一次关机之前进行学习,包括:根据所述空调在第一次开机之后至第一次关机之前的室内环境温度与目标室内环境温度,确定所述空调的压缩机频率和压缩机升频速率;根据所述空调在第一次开机之后至第一次关机之前的室外环境温度和系统压力,确定所述空调的外风机转速和节流单元的开度。
在一些实施方式中,在所述空调在第n+1次开机之后至第n+1次关机之前,对所述空调在第n次开机之后至第n次关机之前动态学习得到的神经网络模型继续进行动态学习,包括:根据所述空调在第n+1次开机之后至第n+1次关机之前的室外环境温度与外管温度的差值,进一步调整所述空调在第n次开机之后至第n次关机之前动态学习得到的神经网络模型中的压缩机频率、压缩机升频速率、外风机转速和节流单元的开度中的至少之一的学习速率;其中,若所述空调在第n+1次开机之后至第n+1次关机之前的室外环境温度与外管温度的差值的变化速率大于设定速率,则增大所述空调在第n次开机之后至第n次关机之前动态学习得到的神经网络模型中的压缩机频率、压缩机升频速率、外风机转速和节流单元的开度中的至少之一的学习速率;若所述空调在第n+1次开机之后至第n+1次关机之前的室外环境温度与外管温度的差值的变化速率小于设定速率,则减小所述空调在第n次开机之后至第n次关机之前动态学习得到的神经网络模型中的压缩机频率、压缩机升频速率、外风机转速和节流单元的开度中的至少之一的学习速率。
在一些实施方式中,还包括:在接收到所述空调的当前次开机指令的情况下,获取所述空调在当前次关机时的压缩机转子位置,以作为所述空调在当前次关机之后再开机时的压缩机转子位置。
与上述方法相匹配,本发明另一方面提供一种空调的开机控制装置,包括:获取单元,被配置为在接收到所述空调的当前次开机指令的情况下,获取所述空调的当前系统压力和当前环境参数,并获取所述空调在上次关机时的压缩机转子位置;控制单元,被配置为根据预先确定的设定系统压力、设定环境参数和设定负载参数之间的对应关系,将该对应关系中与所述当前系统压力相同的设定系统压力、与所述当前环境参数相同的设定环境参数对应的设定负载参数,确定为与所述当前系统压力和所述当前环境参数对应的当前负载参数;所述控制单元,还被配置为基于所述空调在上次关机时的压缩机转子位置,根据所述当前负载参数,控制所述压缩机的负载运行,以实现对所述空调的开机控制。
在一些实施方式中,其中,所述当前环境参数和所述设定环境参数中的环境参数,包括:室外环境温度、室内环境温度、室内目标温度、内管温度和外管温度中的至少之一;所述当前负载参数和所述设定负载参数中的负载参数,包括:压缩机频率、压缩机升频速率、外风机转速和节流单元的开度中的至少之一。
在一些实施方式中,所述控制单元,预先确定的设定系统压力、设定环境参数和设定负载参数之间的对应关系,包括:利用预先经过静态训练得到的神经网络模型,在所述空调在第一次开机之后至第一次关机之前进行学习,得到以所述设定系统压力和所述设定环境参数为输入参数、并以所述设定负载参数为输出参数的对应关系,作为能够确定所述空调在第二次开机时的当前负载参数、并进行动态学习的神经网络模型;以及,在所述空调在第n+1次开机之后至第n+1次关机之前,对所述空调在第n次开机之后至第n次关机之前动态学习得到的神经网络模型继续进行动态学习,n为正整数且n≥1。
在一些实施方式中,所述控制单元,利用预先经过静态训练得到的神经网络模型,在所述空调在第一次开机之后至第一次关机之前进行学习,包括:根据所述空调在第一次开机之后至第一次关机之前的室内环境温度与目标室内环境温度,确定所述空调的压缩机频率和压缩机升频速率;根据所述空调在第一次开机之后至第一次关机之前的室外环境温度和系统压力,确定所述空调的外风机转速和节流单元的开度。
在一些实施方式中,所述控制单元,在所述空调在第n+1次开机之后至第n+1次关机之前,对所述空调在第n次开机之后至第n次关机之前动态学习得到的神经网络模型继续进行动态学习,包括:根据所述空调在第n+1次开机之后至第n+1次关机之前的室外环境温度与外管温度的差值,进一步调整所述空调在第n次开机之后至第n次关机之前动态学习得到的神经网络模型中的压缩机频率、压缩机升频速率、外风机转速和节流单元的开度中的至少之一的学习速率;其中,若所述空调在第n+1次开机之后至第n+1次关机之前的室外环境温度与外管温度的差值的变化速率大于设定速率,则增大所述空调在第n次开机之后至第n次关机之前动态学习得到的神经网络模型中的压缩机频率、压缩机升频速率、外风机转速和节流单元的开度中的至少之一的学习速率;若所述空调在第n+1次开机之后至第n+1次关机之前的室外环境温度与外管温度的差值的变化速率小于设定速率,则减小所述空调在第n次开机之后至第n次关机之前动态学习得到的神经网络模型中的压缩机频率、压缩机升频速率、外风机转速和节流单元的开度中的至少之一的学习速率。
在一些实施方式中,还包括:所述控制单元,还被配置为在接收到所述空调的当前次开机指令的情况下,获取所述空调在当前次关机时的压缩机转子位置,以作为所述空调在当前次关机之后再开机时的压缩机转子位置。
与上述装置相匹配,本发明再一方面提供一种空调,包括:以上所述的空调的开机控制装置。
与上述方法相匹配,本发明再一方面提供一种存储介质,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在设备执行以上所述的空调的开机控制方法。
与上述方法相匹配,本发明再一方面提供一种处理器,所述处理器用于运行程序,其中,所述程序运行时执行以上所述的空调的开机控制方法。
由此,本发明的方案,通过检测空调的系统压力及当前使用环境,并结合空调上次关机时记录的压缩机转子位置,进行空调开机速率的自调节;通过使空调能够根据使用环境和系统压力控制启动速度和升频速率,避免空调的系统压力不稳定或系统压力过大出现保护,有利于提升空调的运行可靠性。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明的空调的开机控制方法的一实施例的流程示意图;
图2为本发明的方法中预先确定的设定系统压力、设定环境参数和设定负载参数之间的对应关系的一实施例的流程示意图;
图3为本发明的空调的开机控制装置的一实施例的结构示意图;
图4为神经网络输入系统的一实施例的压力采集流程示意图;
图5为空调系统的一实施例的控制流程示意图;
图6为空调快速开机方法的一实施例的控制流程示意图。
结合附图,本发明实施例中附图标记如下:
102-获取单元;104-控制单元。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明具体实施例及相应的附图对本发明技术方案进行清楚、完整地描述。显然,所描述的实施例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。
根据本发明的实施例,提供了一种空调的开机控制方法,如图1所示本发明的方法的一实施例的流程示意图。该空调的开机控制方法可以包括:步骤S110至步骤S130。
在步骤S110处,在接收到所述空调的当前次开机指令的情况下,获取所述空调的当前系统压力和当前环境参数,并获取所述空调在上次关机时的压缩机转子位置。
在步骤S120处,根据预先确定的设定系统压力、设定环境参数和设定负载参数之间的对应关系,将该对应关系中与所述当前系统压力相同的设定系统压力、与所述当前环境参数相同的设定环境参数对应的设定负载参数,确定为与所述当前系统压力和所述当前环境参数对应的当前负载参数。
其中,所述当前环境参数和所述设定环境参数中的环境参数,包括:室外环境温度、室内环境温度、室内目标温度(如设定温度)、内管温度和外管温度中的至少之一。
所述当前负载参数和所述设定负载参数中的负载参数,包括:压缩机频率、压缩机升频速率、外风机转速和节流单元的开度中的至少之一。节流单元,可以是电子膨胀阀。
具体地,当用户再次开机时,检测当前的开机相关条件和读取的记忆芯片中的关机时刻的压缩机转子位置。其中,开机相关条件,包括:当前室外环境温度、室内环境温度、设定温度、内管温度、外管温度、系统压力等。神经网络模型根据这些输入参数快速调整负载动作,使相关负载快速开启动作,压缩机快速启动、快速升频以满足用户快速制冷、制热需求。其中,输入参数,包括:室外环境温度、外管温度、排气温度、系统压力等。相关负责,包括:压缩机、外风机、电子膨胀阀等。
在步骤S130处,基于所述空调在上次关机时的压缩机转子位置,根据所述当前负载参数,控制所述压缩机的负载运行,以实现对所述空调的开机控制。
具体地,在下一次开机时,根据记录的转子位置和当前的室外环境温度和外管温度的差值调整压缩机开机时刻的频率和升频速率。外机将采集到的系统压力作为神经网络模型的一个输入参数。最终输出的是压缩机开启时刻的频率以及压缩机的升频速率和外风机转速、阀动作。其中,阀动作,包括:电子膨胀阀开度。
由此,通过检测系统压力及当前使用环境,并结合关机时记录的压缩机转子位置进行空调开机速率自调节,能够达到快速开机,降低压缩机启动难度,使得空调系统压力快速达到最优。
在一些实施方式中,结合图2所示本发明的方法中预先确定的设定系统压力、设定环境参数和设定负载参数之间的对应关系的一实施例流程示意图,进一步说明步骤S120中预先确定的设定系统压力、设定环境参数和设定负载参数之间的对应关系的具体过程,包括:步骤S210和步骤S220。
步骤S210,利用预先经过静态训练得到的神经网络模型,在所述空调在第一次开机之后至第一次关机之前进行学习,得到以所述设定系统压力和所述设定环境参数为输入参数、并以所述设定负载参数为输出参数的对应关系,作为能够确定所述空调在第二次开机时的当前负载参数、并进行动态学习的神经网络模型。以及,
在一些实施方式中,步骤S210中利用预先经过静态训练得到的神经网络模型,在所述空调在第一次开机之后至第一次关机之前进行学习,包括以下至少一种学习情形:
第一种学习情形:根据所述空调在第一次开机之后至第一次关机之前的室内环境温度与目标室内环境温度,确定所述空调的压缩机频率和压缩机升频速率。
具体地,空调根据当前室内环境温度和设定温度得到频率F1,根据快速启动要求得到升频速率S1。
第二种学习情形:根据所述空调在第一次开机之后至第一次关机之前的室外环境温度和系统压力,确定所述空调的外风机转速和节流单元的开度。
具体地,神经网络模型根据当前的室外环境温度(若室外环境温度过高超过第一设定阈值如48℃),系统压力(若检测到的系统压力过大如系统压力大于设定压力,且外管温<外环3℃以上),则神经网络模型通过这些参数自动学习(不同外环、不同系统压力神经网络模型已有对应的最佳的压缩机频率需求。
神经网络模型根据实际的情况,再对压缩机频率进行优化,如此不停机的学习优化),最终输出修正后的频率F2和修正后的压缩机升频速率S2来控制压缩机运转。同时调节外风机转速和阀开度跟随压缩机频率变化。压缩机频率在以频率F2和升频速率S2运行的过程中,网络模型通过实时对当前输入参数进行学习,会再次对压缩机频率和升频速率进行修正。如此可以达到压缩机升频速率和压缩机频率在开机阶段是根据系统压力和外环而变化的,在系统压力慢慢趋于平衡时,升频速率加快,满足用于快速制冷/制热需求,同时不会由于以一个固定的频率和升频速率开机而引起相关的保护等。
步骤S220,在所述空调在第n+1次开机之后至第n+1次关机之前,对所述空调在第n次开机之后至第n次关机之前动态学习得到的神经网络模型继续进行动态学习,n为正整数且n≥1。
具体地,在用户安装空调开机后,采集神经网络的输入数据,该输入数据,包括:当前室外环境温度、室内环境温度、设定温度、内管温度、外管温度、系统压力等。采集到的输入数据,作为神经网络模型的输入参数,神经网络模型加载后对当前采集到的输入参数进行学习,根据学习结果来调节压缩机频率和升频速率、外风机转速以及电子膨胀阀开度,从而使空调系统快速达到压力平衡状态,进而满足压缩机快速升频要求,以使压缩机快速升频满足用户舒适性需求。
在一些实施方式中,步骤S220中在所述空调在第n+1次开机之后至第n+1次关机之前,对所述空调在第n次开机之后至第n次关机之前动态学习得到的神经网络模型继续进行动态学习,包括:根据所述空调在第n+1次开机之后至第n+1次关机之前的室外环境温度与外管温度的差值,进一步调整所述空调在第n次开机之后至第n次关机之前动态学习得到的神经网络模型中的压缩机频率、压缩机升频速率、外风机转速和节流单元的开度中的至少之一的学习速率。
其中,若所述空调在第n+1次开机之后至第n+1次关机之前的室外环境温度与外管温度的差值的变化速率大于设定速率,则增大所述空调在第n次开机之后至第n次关机之前动态学习得到的神经网络模型中的压缩机频率、压缩机升频速率、外风机转速和节流单元的开度中的至少之一的学习速率。若所述空调在第n+1次开机之后至第n+1次关机之前的室外环境温度与外管温度的差值的变化速率小于设定速率,则减小所述空调在第n次开机之后至第n次关机之前动态学习得到的神经网络模型中的压缩机频率、压缩机升频速率、外风机转速和节流单元的开度中的至少之一的学习速率。
具体地,根据当前的室外环境温度和外管温度的差值来调整神经网络的学习速率,进一步调整压缩机频率和升频速率、外风机转速以及电子膨胀阀开度,从而使系统压力达到最佳状态,便于压缩机快速升频,以满足用户舒适性要求。例如:定时检测室外环境温度和室外管温度,确认温度差值的变化速率,在变化速率较大的时候增大学习速率,便于更加快速的调整负载动作使系统压力快速接近平衡。在温度差值的变化速率小的时候,减小学习速率,便于系统保持稳定状态。当系统压力达到平衡,同时满足了用户舒适性需求时,如果未收到关机指令,就继续检测室外环境温度、外管温度和系统压力,并根据室外环境温度和外管温度差值判定是否需要调整神经网络学习速率,是否需要调整当前负载(压缩机频率和升频速率、外风机转速、电子膨胀阀开度)动作。
若未收到关机指令,则神经网络同时根据室外环境温度和外管温度的差值以及空调系统压力状态对网络进行不停的优化学习来调整空调的运行状态。例如:如当前室外环境温度和外管温度差值在3℃以上,且检测到的系统压力过大,则表明当前的系统压力不平衡,则修正压缩机频率和升频速率趋于慢速,同时调整外风机转速和电子膨胀阀开度跟随压缩机频率变化。运行的过程中通过不断的对当前室外环境温度和外管温度差值以及系统压力的变化速率进行学习来调整压缩机频率和升频速率,以及外风机转速和电子膨胀阀开度。如此可以达到压缩机升频速率和频率在开机阶段是根据系统压力和外环而变化的,在系统压力慢慢趋于平衡时,升频速率加快,满足用于快速制冷/制热需求,同时不会由于以一个固定的频率和升频速率开机而引起相关的保护等。
在一些实施方式中,还包括:在关机时获取压缩机转子位置的过程,具体包括:在接收到所述空调的当前次开机指令的情况下,获取所述空调在当前次关机时的压缩机转子位置,以作为所述空调在当前次关机之后再开机时的压缩机转子位置。
具体地,若收到关机指令,则保存当前网络模型,并记录压缩机转子位置。例如:记录压缩机转子位置,包括:压缩机开机即可立即确定压缩机转子位置,便于驱动压缩机开机及提升频率,避免需要定位过程,提高压缩机开机速度及开机可靠性。
经大量的试验验证,采用本实施例的技术方案,通过检测空调的系统压力及当前使用环境,并结合空调上次关机时记录的压缩机转子位置,进行空调开机速率的自调节。通过使空调能够根据使用环境和系统压力控制启动速度和升频速率,避免空调的系统压力不稳定或系统压力过大出现保护,有利于提升空调的运行可靠性。
根据本发明的实施例,还提供了对应于空调的开机控制方法的一种空调的开机控制装置。参见图3所示本发明的装置的一实施例的结构示意图。该空调的开机控制装置可以包括:获取单元102和控制单元104。
其中,获取单元102,被配置为在接收到所述空调的当前次开机指令的情况下,获取所述空调的当前系统压力和当前环境参数,并获取所述空调在上次关机时的压缩机转子位置。该获取单元102102的具体功能及处理参见步骤S110。
控制单元104,被配置为根据预先确定的设定系统压力、设定环境参数和设定负载参数之间的对应关系,将该对应关系中与所述当前系统压力相同的设定系统压力、与所述当前环境参数相同的设定环境参数对应的设定负载参数,确定为与所述当前系统压力和所述当前环境参数对应的当前负载参数。该控制单元104104的具体功能及处理参见步骤S120。
其中,所述当前环境参数和所述设定环境参数中的环境参数,包括:室外环境温度、室内环境温度、室内目标温度(如设定温度)、内管温度和外管温度中的至少之一。
所述当前负载参数和所述设定负载参数中的负载参数,包括:压缩机频率、压缩机升频速率、外风机转速和节流单元的开度中的至少之一。节流单元,可以是电子膨胀阀。
具体地,当用户再次开机时,检测当前的开机相关条件和读取的记忆芯片中的关机时刻的压缩机转子位置。其中,开机相关条件,包括:当前室外环境温度、室内环境温度、设定温度、内管温度、外管温度、系统压力等。神经网络模型根据这些输入参数快速调整负载动作,使相关负载快速开启动作,压缩机快速启动、快速升频以满足用户快速制冷、制热需求。其中,输入参数,包括:室外环境温度、外管温度、排气温度、系统压力等。相关负责,包括:压缩机、外风机、电子膨胀阀等。
在一些实施方式中,所述控制单元104,预先确定的设定系统压力、设定环境参数和设定负载参数之间的对应关系,包括:
所述控制单元104,具体还被配置为利用预先经过静态训练得到的神经网络模型,在所述空调在第一次开机之后至第一次关机之前进行学习,得到以所述设定系统压力和所述设定环境参数为输入参数、并以所述设定负载参数为输出参数的对应关系,作为能够确定所述空调在第二次开机时的当前负载参数、并进行动态学习的神经网络模型。该控制单元104104的具体功能及处理还参见步骤S210。以及,
在一些实施方式中,所述控制单元104,利用预先经过静态训练得到的神经网络模型,在所述空调在第一次开机之后至第一次关机之前进行学习,包括以下至少一种学习情形:
第一种学习情形:所述控制单元104,具体还被配置为根据所述空调在第一次开机之后至第一次关机之前的室内环境温度与目标室内环境温度,确定所述空调的压缩机频率和压缩机升频速率。
具体地,空调根据当前室内环境温度和设定温度得到频率F1,根据快速启动要求得到升频速率S1。
第二种学习情形:所述控制单元104,具体还被配置为根据所述空调在第一次开机之后至第一次关机之前的室外环境温度和系统压力,确定所述空调的外风机转速和节流单元的开度。
具体地,神经网络模型根据当前的室外环境温度(若室外环境温度过高超过第一设定阈值如48℃),系统压力(若检测到的系统压力过大如系统压力大于设定压力,且外管温<外环3℃以上),则神经网络模型通过这些参数自动学习(不同外环、不同系统压力神经网络模型已有对应的最佳的压缩机频率需求。
神经网络模型根据实际的情况,再对压缩机频率进行优化,如此不停机的学习优化),最终输出修正后的频率F2和修正后的压缩机升频速率S2来控制压缩机运转。同时调节外风机转速和阀开度跟随压缩机频率变化。压缩机频率在以频率F2和升频速率S2运行的过程中,网络模型通过实时对当前输入参数进行学习,会再次对压缩机频率和升频速率进行修正。如此可以达到压缩机升频速率和压缩机频率在开机阶段是根据系统压力和外环而变化的,在系统压力慢慢趋于平衡时,升频速率加快,满足用于快速制冷/制热需求,同时不会由于以一个固定的频率和升频速率开机而引起相关的保护等。
所述控制单元104,具体还被配置为在所述空调在第n+1次开机之后至第n+1次关机之前,对所述空调在第n次开机之后至第n次关机之前动态学习得到的神经网络模型继续进行动态学习,n为正整数且n≥1。该控制单元104104的具体功能及处理还参见步骤S220。
具体地,在用户安装空调开机后,采集神经网络的输入数据,该输入数据,包括:当前室外环境温度、室内环境温度、设定温度、内管温度、外管温度、系统压力等。采集到的输入数据,作为神经网络模型的输入参数,神经网络模型加载后对当前采集到的输入参数进行学习,根据学习结果来调节压缩机频率和升频速率、外风机转速以及电子膨胀阀开度,从而使空调系统快速达到压力平衡状态,进而满足压缩机快速升频要求,以使压缩机快速升频满足用户舒适性需求。
在一些实施方式中,所述控制单元104,在所述空调在第n+1次开机之后至第n+1次关机之前,对所述空调在第n次开机之后至第n次关机之前动态学习得到的神经网络模型继续进行动态学习,包括:所述控制单元104,具体还被配置为根据所述空调在第n+1次开机之后至第n+1次关机之前的室外环境温度与外管温度的差值,进一步调整所述空调在第n次开机之后至第n次关机之前动态学习得到的神经网络模型中的压缩机频率、压缩机升频速率、外风机转速和节流单元的开度中的至少之一的学习速率。
其中,若所述空调在第n+1次开机之后至第n+1次关机之前的室外环境温度与外管温度的差值的变化速率大于设定速率,则增大所述空调在第n次开机之后至第n次关机之前动态学习得到的神经网络模型中的压缩机频率、压缩机升频速率、外风机转速和节流单元的开度中的至少之一的学习速率。
若所述空调在第n+1次开机之后至第n+1次关机之前的室外环境温度与外管温度的差值的变化速率小于设定速率,则减小所述空调在第n次开机之后至第n次关机之前动态学习得到的神经网络模型中的压缩机频率、压缩机升频速率、外风机转速和节流单元的开度中的至少之一的学习速率。
具体地,根据当前的室外环境温度和外管温度的差值来调整神经网络的学习速率,进一步调整压缩机频率和升频速率、外风机转速以及电子膨胀阀开度,从而使系统压力达到最佳状态,便于压缩机快速升频,以满足用户舒适性要求。例如:定时检测室外环境温度和室外管温度,确认温度差值的变化速率,在变化速率较大的时候增大学习速率,便于更加快速的调整负载动作使系统压力快速接近平衡。在温度差值的变化速率小的时候,减小学习速率,便于系统保持稳定状态。当系统压力达到平衡,同时满足了用户舒适性需求时,如果未收到关机指令,就继续检测室外环境温度、外管温度和系统压力,并根据室外环境温度和外管温度差值判定是否需要调整神经网络学习速率,是否需要调整当前负载(压缩机频率和升频速率、外风机转速、电子膨胀阀开度)动作。
若未收到关机指令,则神经网络同时根据室外环境温度和外管温度的差值以及空调系统压力状态对网络进行不停的优化学习来调整空调的运行状态。例如:如当前室外环境温度和外管温度差值在3℃以上,且检测到的系统压力过大,则表明当前的系统压力不平衡,则修正压缩机频率和升频速率趋于慢速,同时调整外风机转速和电子膨胀阀开度跟随压缩机频率变化。运行的过程中通过不断的对当前室外环境温度和外管温度差值以及系统压力的变化速率进行学习来调整压缩机频率和升频速率,以及外风机转速和电子膨胀阀开度。如此可以达到压缩机升频速率和频率在开机阶段是根据系统压力和外环而变化的,在系统压力慢慢趋于平衡时,升频速率加快,满足用于快速制冷/制热需求,同时不会由于以一个固定的频率和升频速率开机而引起相关的保护等。
所述控制单元104,还被配置为基于所述空调在上次关机时的压缩机转子位置,根据所述当前负载参数,控制所述压缩机的负载运行,以实现对所述空调的开机控制。该控制单元104104的具体功能及处理还参见步骤S130。
具体地,在下一次开机时,根据记录的转子位置和当前的室外环境温度和外管温度的差值调整压缩机开机时刻的频率和升频速率。外机将采集到的系统压力作为神经网络模型的一个输入参数。最终输出的是压缩机开启时刻的频率以及压缩机的升频速率和外风机转速、阀动作。其中,阀动作,包括:电子膨胀阀开度。
由此,通过检测系统压力及当前使用环境,并结合关机时记录的压缩机转子位置进行空调开机速率自调节,能够达到快速开机,降低压缩机启动难度,使得空调系统压力快速达到最优。
在一些实施方式中,还包括:在关机时获取压缩机转子位置的过程,具体包括:所述控制单元104,还被配置为在接收到所述空调的当前次开机指令的情况下,获取所述空调在当前次关机时的压缩机转子位置,以作为所述空调在当前次关机之后再开机时的压缩机转子位置。
具体地,若收到关机指令,则保存当前网络模型,并记录压缩机转子位置。例如:记录压缩机转子位置,包括:压缩机开机即可立即确定压缩机转子位置,便于驱动压缩机开机及提升频率,避免需要定位过程,提高压缩机开机速度及开机可靠性。
由于本实施例的装置所实现的处理及功能基本相应于前述图1至图2所示的方法的实施例、原理和实例,故本实施例的描述中未详尽之处,可以参见前述实施例中的相关说明,在此不做赘述。
经大量的试验验证,采用本发明的技术方案,通过检测空调的系统压力及当前使用环境,并结合空调上次关机时记录的压缩机转子位置,进行空调开机速率的自调节,能够降低压缩机启动难度,使得空调系统压力快速达到最优。
根据本发明的实施例,还提供了对应于空调的开机控制装置的一种空调。该空调可以包括:以上所述的空调的开机控制装置。
在一些实施方式中,本发明的方案,为空调提供了一种基于系统压力神经网络自学习的空调快速开机方法,通过检测系统压力及当前使用环境,并结合关机时记录的压缩机转子位置达到快速开机。从而,通过使空调根据使用环境和系统压力,并结合关机时记录的的压缩机转子位置进行开机速率自调节,能够解决空调启动速度和升频速率快而导致系统压力不稳定或出现保护的问题。
具体地,通过检测系统压力及当前使用环境,并结合关机时记录的压缩机转子位置进行空调开机速率自调节,降低压缩机启动难度,使得空调系统压力快速达到最优。
可见,本发明的方案,在已有空调能满足快速制冷/快速制热需求的基础下,空调根据使用环境、以及检测到的系统压力,进行空调开机速率自调节,使空调在满足快速制冷/制热的情况下,使得空调系统压力最优。
图4为神经网络输入系统的一实施例的压力采集流程示意图。如图4所示,神经网络输入系统的压力采集流程,包括:
步骤11、用户开机后,根据压力传感器检测当前系统压力。
步骤12、外机将采集到的系统压力作为神经网络模型的一个输入参数。最终输出的是压缩机开启时刻的频率以及压缩机的升频速率和外风机转速、阀动作。其中,阀动作,包括:电子膨胀阀开度。
图5为空调系统的一实施例的控制流程示意图。如图5所示,空调系统的控制流程,包括:
步骤21、在用户安装空调开机后,采集神经网络的输入数据,该输入数据,包括:当前室外环境温度、室内环境温度、设定温度、内管温度、外管温度、系统压力等。
步骤22、采集到的输入数据,作为神经网络模型的输入参数,神经网络模型加载后对当前采集到的输入参数进行学习,根据学习结果来调节压缩机频率和升频速率、外风机转速以及电子膨胀阀开度,从而使空调系统快速达到压力平衡状态,进而满足压缩机快速升频要求,以使压缩机快速升频满足用户舒适性需求。
例如:空调根据当前室内环境温度和设定温度得到频率F1,根据快速启动要求得到升频速率S1;神经网络模型根据当前的室外环境温度(若室外环境温度过高超过第一设定阈值如48℃),系统压力(若检测到的系统压力过大如系统压力大于设定压力,且外管温<外环3℃以上),则神经网络模型通过这些参数自动学习(不同外环、不同系统压力神经网络模型已有对应的最佳的压缩机频率需求,网络根据实际的情况,再对压缩机频率进行优化,如此不停机的学习优化),最终输出修正后的频率F2和修正后的压缩机升频速率S2来控制压缩机运转;同时调节外风机转速和阀开度跟随压缩机频率变化;压缩机频率在以频率F2和升频速率S2运行的过程中,网络模型通过实时对当前输入参数进行学习,会再次对压缩机频率和升频速率进行修正。如此可以达到压缩机升频速率和压缩机频率在开机阶段是根据系统压力和外环而变化的,在系统压力慢慢趋于平衡时,升频速率加快,满足用于快速制冷/制热需求,同时不会由于以一个固定的频率和升频速率开机而引起相关的保护等。系统压力是压缩机排气压力。
其中,根据当前室内环境温度和设定温度得到频率F1,如:制冷时,设内环温度与设定温度之间的差值为ΔT;若ΔT>4℃,则F1=F上限频率;若2℃<ΔT≤4℃,则F1=F快速频率;若≤2℃,则F1=F常规频率。
根据快速启动要求得到升频速率S1,如:若需要快速启动则升频速率为2Hz/1s或4Hz/1s,若不需要快速启动则升频速率为正常的升频速率1Hz/1s。
根据实际的情况,再对压缩机频率进行优化,如:根据室外环境温度、系统压力对压缩机频率和升频速率进行优化;若室外环境温度超过48℃,则修正有所降低;若系统压力即外管温和外环差值>3℃以上,则修正升频速率趋于慢速。
步骤23、同时根据当前的室外环境温度和外管温度的差值来调整神经网络的学习速率,进一步调整压缩机频率和升频速率、外风机转速以及电子膨胀阀开度,从而使系统压力达到最佳状态,便于压缩机快速升频,以满足用户舒适性要求。
例如:定时检测室外环境温度和室外管温度,确认温度差值的变化速率,在变化速率较大的时候增大学习速率,便于更加快速的调整负载动作使系统压力快速接近平衡;在温度差值的变化速率小的时候,减小学习速率,便于系统保持稳定状态。
步骤24、当系统压力达到平衡,同时满足了用户舒适性需求时,如果未收到关机指令,就继续检测室外环境温度、外管温度和系统压力,并根据室外环境温度和外管温度差值判定是否需要调整神经网络学习速率,是否需要调整当前负载(压缩机频率和升频速率、外风机转速、电子膨胀阀开度)动作。
若收到关机指令,则保存当前网络模型,并记录压缩机转子位置。
例如:记录压缩机转子位置,包括:压缩机开机即可立即确定压缩机转子位置,便于驱动压缩机开机及提升频率,避免需要定位过程,提高压缩机开机速度及开机可靠性。
具体地,在下一次开机时,根据记录的转子位置和当前的室外环境温度和外管温度的差值调整压缩机开机时刻的频率和升频速率。
若未收到关机指令,则神经网络同时根据室外环境温度和外管温度的差值以及空调系统压力状态对网络进行不停的优化学习来调整空调的运行状态。
例如:如当前室外环境温度和外管温度差值在3℃以上,且检测到的系统压力过大,则表明当前的系统压力不平衡,则修正压缩机频率和升频速率趋于慢速,同时调整外风机转速和电子膨胀阀开度跟随压缩机频率变化;运行的过程中通过不断的对当前室外环境温度和外管温度差值以及系统压力的变化速率进行学习来调整压缩机频率和升频速率,以及外风机转速和电子膨胀阀开度。如此可以达到压缩机升频速率和频率在开机阶段是根据系统压力和外环而变化的,在系统压力慢慢趋于平衡时,升频速率加快,满足用于快速制冷/制热需求,同时不会由于以一个固定的频率和升频速率开机而引起相关的保护等。
图6为空调快速开机方法的一实施例的控制流程示意图。如图6所示,空调快速开机控制流程,包括:
步骤31、当用户再次开机时,检测当前的开机相关条件和读取的记忆芯片中的关机时刻的压缩机转子位置。其中,开机相关条件,包括:当前室外环境温度、室内环境温度、设定温度、内管温度、外管温度、系统压力等。
步骤32、神经网络模型根据这些输入参数快速调整负载动作,使相关负载快速开启动作,压缩机快速启动、快速升频以满足用户快速制冷、制热需求。其中,输入参数,包括:室外环境温度、外管温度、排气温度、系统压力等。相关负责,包括:压缩机、外风机、电子膨胀阀等。
由于本实施例的空调所实现的处理及功能基本相应于前述图3所示的装置的实施例、原理和实例,故本实施例的描述中未详尽之处,可以参见前述实施例中的相关说明,在此不做赘述。
经大量的试验验证,采用本发明的技术方案,通过检测空调的系统压力及当前使用环境,并结合空调上次关机时记录的压缩机转子位置,进行空调开机速率的自调节,能够解决空调启动速度和升频速率快而导致系统压力不稳定或出现保护的问题,提升空调运行的可靠性。
根据本发明的实施例,还提供了对应于空调的开机控制方法的一种存储介质,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在设备执行以上所述的空调的开机控制方法。
由于本实施例的存储介质所实现的处理及功能基本相应于前述图1至图2所示的方法的实施例、原理和实例,故本实施例的描述中未详尽之处,可以参见前述实施例中的相关说明,在此不做赘述。
经大量的试验验证,采用本发明的技术方案,通过检测空调的系统压力及当前使用环境,并结合空调上次关机时记录的压缩机转子位置,进行空调开机速率的自调节,能够使空调在满足快速制冷/制热的情况下,使得空调系统压力最优。
根据本发明的实施例,还提供了对应于空调的开机控制方法的一种处理器,所述处理器用于运行程序,其中,所述程序运行时执行以上所述的空调的开机控制方法。
由于本实施例的处理器所实现的处理及功能基本相应于前述图1至图2所示的方法的实施例、原理和实例,故本实施例的描述中未详尽之处,可以参见前述实施例中的相关说明,在此不做赘述。
经大量的试验验证,采用本发明的技术方案,通过使空调根据使用环境和系统压力,并结合关机时记录的的压缩机转子位置进行开机速率自调节,能够解决空调启动速度和升频速率快而导致系统压力不稳定或出现保护的问题,使得空调系统压力快速达到最优。
综上,本领域技术人员容易理解的是,在不冲突的前提下,上述各有利方式可以自由地组合、叠加。
以上所述仅为本发明的实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的权利要求范围之内。
Claims (11)
1.一种空调的开机控制方法,其特征在于,包括:
在接收到所述空调的当前次开机指令的情况下,获取所述空调的当前系统压力和当前环境参数,并获取所述空调在上次关机时的压缩机转子位置;
根据预先确定的设定系统压力、设定环境参数和设定负载参数之间的对应关系,将该对应关系中与所述当前系统压力相同的设定系统压力、与所述当前环境参数相同的设定环境参数对应的设定负载参数,确定为与所述当前系统压力和所述当前环境参数对应的当前负载参数;预先确定的设定系统压力、设定环境参数和设定负载参数之间的对应关系,包括:利用预先经过静态训练得到的神经网络模型,在所述空调在第一次开机之后至第一次关机之前进行学习,得到以所述设定系统压力和所述设定环境参数为输入参数、并以所述设定负载参数为输出参数的对应关系,作为能够确定所述空调在第二次开机时的当前负载参数、并进行动态学习的神经网络模型;以及,在所述空调在第n+1次开机之后至第n+1次关机之前,对所述空调在第n次开机之后至第n次关机之前动态学习得到的神经网络模型继续进行动态学习,n为正整数且n≥1;
基于所述空调在上次关机时的压缩机转子位置,根据所述当前负载参数,控制所述压缩机的负载运行,以实现对所述空调的开机控制;
其中,所述当前环境参数和所述设定环境参数中的环境参数,包括:室外环境温度、室内环境温度、室内目标温度、内管温度和外管温度中的至少之一;
所述当前负载参数和所述设定负载参数中的负载参数,包括:压缩机频率、压缩机升频速率、外风机转速和节流单元的开度中的至少之一。
2.根据权利要求1所述的空调的开机控制方法,其特征在于,利用预先经过静态训练得到的神经网络模型,在所述空调在第一次开机之后至第一次关机之前进行学习,包括:
根据所述空调在第一次开机之后至第一次关机之前的室内环境温度与目标室内环境温度,确定所述空调的压缩机频率和压缩机升频速率;
根据所述空调在第一次开机之后至第一次关机之前的室外环境温度和系统压力,确定所述空调的外风机转速和节流单元的开度。
3.根据权利要求1所述的空调的开机控制方法,其特征在于,在所述空调在第n+1次开机之后至第n+1次关机之前,对所述空调在第n次开机之后至第n次关机之前动态学习得到的神经网络模型继续进行动态学习,包括:
根据所述空调在第n+1次开机之后至第n+1次关机之前的室外环境温度与外管温度的差值,进一步调整所述空调在第n次开机之后至第n次关机之前动态学习得到的神经网络模型中的压缩机频率、压缩机升频速率、外风机转速和节流单元的开度中的至少之一的学习速率;
其中,若所述空调在第n+1次开机之后至第n+1次关机之前的室外环境温度与外管温度的差值的变化速率大于设定速率,则增大所述空调在第n次开机之后至第n次关机之前动态学习得到的神经网络模型中的压缩机频率、压缩机升频速率、外风机转速和节流单元的开度中的至少之一的学习速率;
若所述空调在第n+1次开机之后至第n+1次关机之前的室外环境温度与外管温度的差值的变化速率小于设定速率,则减小所述空调在第n次开机之后至第n次关机之前动态学习得到的神经网络模型中的压缩机频率、压缩机升频速率、外风机转速和节流单元的开度中的至少之一的学习速率。
4.根据权利要求1至3中任一项所述的空调的开机控制方法,其特征在于,还包括:
在接收到所述空调的当前次开机指令的情况下,获取所述空调在当前次关机时的压缩机转子位置,以作为所述空调在当前次关机之后再开机时的压缩机转子位置。
5.一种空调的开机控制装置,其特征在于,包括:
获取单元,被配置为在接收到所述空调的当前次开机指令的情况下,获取所述空调的当前系统压力和当前环境参数,并获取所述空调在上次关机时的压缩机转子位置;
控制单元,被配置为根据预先确定的设定系统压力、设定环境参数和设定负载参数之间的对应关系,将该对应关系中与所述当前系统压力相同的设定系统压力、与所述当前环境参数相同的设定环境参数对应的设定负载参数,确定为与所述当前系统压力和所述当前环境参数对应的当前负载参数;预先确定的设定系统压力、设定环境参数和设定负载参数之间的对应关系,包括:利用预先经过静态训练得到的神经网络模型,在所述空调在第一次开机之后至第一次关机之前进行学习,得到以所述设定系统压力和所述设定环境参数为输入参数、并以所述设定负载参数为输出参数的对应关系,作为能够确定所述空调在第二次开机时的当前负载参数、并进行动态学习的神经网络模型;以及,在所述空调在第n+1次开机之后至第n+1次关机之前,对所述空调在第n次开机之后至第n次关机之前动态学习得到的神经网络模型继续进行动态学习,n为正整数且n≥1;
所述控制单元,还被配置为基于所述空调在上次关机时的压缩机转子位置,根据所述当前负载参数,控制所述压缩机的负载运行,以实现对所述空调的开机控制;
其中,所述当前环境参数和所述设定环境参数中的环境参数,包括:室外环境温度、室内环境温度、室内目标温度、内管温度和外管温度中的至少之一;
所述当前负载参数和所述设定负载参数中的负载参数,包括:压缩机频率、压缩机升频速率、外风机转速和节流单元的开度中的至少之一。
6.根据权利要求5所述的空调的开机控制装置,其特征在于,所述控制单元,利用预先经过静态训练得到的神经网络模型,在所述空调在第一次开机之后至第一次关机之前进行学习,包括:
根据所述空调在第一次开机之后至第一次关机之前的室内环境温度与目标室内环境温度,确定所述空调的压缩机频率和压缩机升频速率;
根据所述空调在第一次开机之后至第一次关机之前的室外环境温度和系统压力,确定所述空调的外风机转速和节流单元的开度。
7.根据权利要求5所述的空调的开机控制装置,其特征在于,所述控制单元,在所述空调在第n+1次开机之后至第n+1次关机之前,对所述空调在第n次开机之后至第n次关机之前动态学习得到的神经网络模型继续进行动态学习,包括:
根据所述空调在第n+1次开机之后至第n+1次关机之前的室外环境温度与外管温度的差值,进一步调整所述空调在第n次开机之后至第n次关机之前动态学习得到的神经网络模型中的压缩机频率、压缩机升频速率、外风机转速和节流单元的开度中的至少之一的学习速率;
其中,若所述空调在第n+1次开机之后至第n+1次关机之前的室外环境温度与外管温度的差值的变化速率大于设定速率,则增大所述空调在第n次开机之后至第n次关机之前动态学习得到的神经网络模型中的压缩机频率、压缩机升频速率、外风机转速和节流单元的开度中的至少之一的学习速率;
若所述空调在第n+1次开机之后至第n+1次关机之前的室外环境温度与外管温度的差值的变化速率小于设定速率,则减小所述空调在第n次开机之后至第n次关机之前动态学习得到的神经网络模型中的压缩机频率、压缩机升频速率、外风机转速和节流单元的开度中的至少之一的学习速率。
8.根据权利要求5至7中任一项所述的空调的开机控制装置,其特征在于,还包括:
所述控制单元,还被配置为在接收到所述空调的当前次开机指令的情况下,获取所述空调在当前次关机时的压缩机转子位置,以作为所述空调在当前次关机之后再开机时的压缩机转子位置。
9.一种空调,其特征在于,包括:如权利要求5至8中任一项所述的空调的开机控制装置。
10.一种存储介质,其特征在于,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在设备执行权利要求1至4中任一项所述的空调的开机控制方法。
11.一种处理器,其特征在于,所述处理器用于运行程序,其中,所述程序运行时执行权利要求1至4中任一项所述的空调的开机控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011577305.0A CN112797603B (zh) | 2020-12-28 | 2020-12-28 | 一种空调及其开机控制方法、装置、存储介质及处理器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011577305.0A CN112797603B (zh) | 2020-12-28 | 2020-12-28 | 一种空调及其开机控制方法、装置、存储介质及处理器 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112797603A CN112797603A (zh) | 2021-05-14 |
CN112797603B true CN112797603B (zh) | 2022-02-22 |
Family
ID=75805138
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011577305.0A Active CN112797603B (zh) | 2020-12-28 | 2020-12-28 | 一种空调及其开机控制方法、装置、存储介质及处理器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112797603B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113531861B (zh) * | 2021-07-22 | 2022-08-26 | 珠海格力电器股份有限公司 | 一种空调器的控制方法、空调器 |
CN113959079B (zh) * | 2021-09-30 | 2022-12-09 | 珠海格力电器股份有限公司 | 一种空调器的控制方法及空调器 |
CN114857663A (zh) * | 2022-05-12 | 2022-08-05 | 青岛海信日立空调系统有限公司 | 一种空调系统及其控制方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104454478A (zh) * | 2014-11-07 | 2015-03-25 | 广东美的制冷设备有限公司 | 压缩机频率的控制方法、压缩机频率的控制装置和空调器 |
CN104633865A (zh) * | 2015-02-09 | 2015-05-20 | 广东美的制冷设备有限公司 | 空调的控制方法及装置 |
CN105333580A (zh) * | 2015-11-30 | 2016-02-17 | 广东美的制冷设备有限公司 | 空调器的控制方法、空调器的控制装置和空调器 |
CN106196415A (zh) * | 2014-08-15 | 2016-12-07 | 台达电子工业股份有限公司 | 智能空调控制系统及其智能控制方法 |
CN108332373A (zh) * | 2018-01-26 | 2018-07-27 | 珠海格力电器股份有限公司 | 一种室内环境状态的控制方法、装置、存储介质及空调 |
CN111023429A (zh) * | 2019-12-27 | 2020-04-17 | 宁波奥克斯电气股份有限公司 | 一种控制方法、系统及空调器 |
CN111306731A (zh) * | 2020-03-03 | 2020-06-19 | 珠海格力电器股份有限公司 | 空调电磁阀控制方法、装置、设备、电磁阀系统及空调 |
CN111397142A (zh) * | 2020-04-16 | 2020-07-10 | 宁波奥克斯电气股份有限公司 | 空调器电子膨胀阀的控制方法、装置、空调器及存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105650821B (zh) * | 2016-02-02 | 2019-04-23 | 青岛海尔空调器有限总公司 | 空调除霜方法 |
KR102571211B1 (ko) * | 2017-01-12 | 2023-08-24 | 엘지전자 주식회사 | 공기조화기 시스템 및 그 제어방법 |
KR102560458B1 (ko) * | 2017-02-03 | 2023-07-26 | 엘지전자 주식회사 | 공기조화기 시스템 및 그 제어방법 |
US20200217546A1 (en) * | 2019-01-03 | 2020-07-09 | Tim Seaton | System and Method for Pressure Monitoring and Stabilization in HVAC Systems |
CN111023420B (zh) * | 2019-12-27 | 2021-08-20 | 宁波奥克斯电气股份有限公司 | 一种压缩机快速启动控制方法、装置、空调器及存储介质 |
-
2020
- 2020-12-28 CN CN202011577305.0A patent/CN112797603B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106196415A (zh) * | 2014-08-15 | 2016-12-07 | 台达电子工业股份有限公司 | 智能空调控制系统及其智能控制方法 |
CN104454478A (zh) * | 2014-11-07 | 2015-03-25 | 广东美的制冷设备有限公司 | 压缩机频率的控制方法、压缩机频率的控制装置和空调器 |
CN104633865A (zh) * | 2015-02-09 | 2015-05-20 | 广东美的制冷设备有限公司 | 空调的控制方法及装置 |
CN105333580A (zh) * | 2015-11-30 | 2016-02-17 | 广东美的制冷设备有限公司 | 空调器的控制方法、空调器的控制装置和空调器 |
CN108332373A (zh) * | 2018-01-26 | 2018-07-27 | 珠海格力电器股份有限公司 | 一种室内环境状态的控制方法、装置、存储介质及空调 |
CN111023429A (zh) * | 2019-12-27 | 2020-04-17 | 宁波奥克斯电气股份有限公司 | 一种控制方法、系统及空调器 |
CN111306731A (zh) * | 2020-03-03 | 2020-06-19 | 珠海格力电器股份有限公司 | 空调电磁阀控制方法、装置、设备、电磁阀系统及空调 |
CN111397142A (zh) * | 2020-04-16 | 2020-07-10 | 宁波奥克斯电气股份有限公司 | 空调器电子膨胀阀的控制方法、装置、空调器及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112797603A (zh) | 2021-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112797603B (zh) | 一种空调及其开机控制方法、装置、存储介质及处理器 | |
CN110360734B (zh) | 一种空调的启动控制方法、装置、存储介质及空调 | |
CN109945435B (zh) | 一种多联机室内机关机控制方法及多联机装置 | |
CN111023434B (zh) | 一种空调器的运行控制方法、系统、空调器及存储介质 | |
CN107401817B (zh) | 一种变频空调控制方法及装置 | |
CN105387570A (zh) | 冷水机组的执行能力调节方法和装置 | |
CN110617610B (zh) | 一种压缩机频率控制方法、室外机及变频空调器 | |
WO2020258873A1 (zh) | 空调器及其控制方法和控制装置 | |
CN107631447B (zh) | 运行控制方法、运行控制装置、空调器和存储介质 | |
CN110736249A (zh) | 压缩机的运行频率控制方法及装置、存储介质和处理器 | |
CN111121220A (zh) | 空调器控制方法、装置、设备及存储介质 | |
CN108826585B (zh) | 一种空调的控制方法、装置、存储介质及空调 | |
CN110779185A (zh) | 运行控制方法、装置、空调器以及存储介质 | |
CN111426041B (zh) | 一种变频空调压缩机频率快速稳定方法、系统及空调装置 | |
CN111998496B (zh) | 一种空调控制方法、装置、存储介质及空调 | |
CN113091229A (zh) | 空调断电记忆方法及系统 | |
CN112128867A (zh) | 一种多系统除湿控制方法及装置 | |
CN113865059B (zh) | 多联机空调器制热运行控制方法 | |
CN111023523A (zh) | 空调器控制方法、装置、空调器和存储介质 | |
CN113606739B (zh) | 空调停机压差平衡的控制方法、装置及多联机 | |
CN114877489A (zh) | 房间面积获取方法、空调外机控制方法、装置及空调系统 | |
CN112460770B (zh) | 多模块机组及其控制方法、装置、存储介质及处理器 | |
CN112664455B (zh) | 一种压缩机的润滑调节方法、装置、电子设备及存储介质 | |
CN111351184B (zh) | 运行控制方法、运行控制装置、空调器和存储介质 | |
CN117387173B (zh) | 空调器的控制方法、装置、电子设备及存储介质 |
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 |