CN113137708A - 空调系统的除霜控制方法、存储介质及空调系统 - Google Patents

空调系统的除霜控制方法、存储介质及空调系统 Download PDF

Info

Publication number
CN113137708A
CN113137708A CN202110258221.9A CN202110258221A CN113137708A CN 113137708 A CN113137708 A CN 113137708A CN 202110258221 A CN202110258221 A CN 202110258221A CN 113137708 A CN113137708 A CN 113137708A
Authority
CN
China
Prior art keywords
value
conditioning system
comp
air conditioning
control method
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.)
Pending
Application number
CN202110258221.9A
Other languages
English (en)
Inventor
阚荣强
任滔
刘江彬
宋强
荣丹
刘景升
潘雁妮
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.)
Qingdao Haier Air Conditioner Gen Corp Ltd
Qingdao Haier Air Conditioning Electric Co Ltd
Haier Smart Home Co Ltd
Original Assignee
Qingdao Haier Air Conditioner Gen Corp Ltd
Qingdao Haier Air Conditioning Electric Co Ltd
Haier Smart Home Co Ltd
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 Qingdao Haier Air Conditioner Gen Corp Ltd, Qingdao Haier Air Conditioning Electric Co Ltd, Haier Smart Home Co Ltd filed Critical Qingdao Haier Air Conditioner Gen Corp Ltd
Priority to CN202110258221.9A priority Critical patent/CN113137708A/zh
Publication of CN113137708A publication Critical patent/CN113137708A/zh
Pending legal-status Critical Current

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
    • F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
    • F24F11/41—Defrosting; Preventing freezing
    • F24F11/42—Defrosting; Preventing freezing of outdoor units
    • 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
    • F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
    • F24F11/46—Improving electric energy efficiency or saving
    • 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
    • F24F11/50—Control or safety arrangements characterised by user interfaces or communication
    • F24F11/61—Control or safety arrangements characterised by user interfaces or communication using timers
    • 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

Landscapes

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

Abstract

本发明属于空调技术领域，具体涉及一种空调系统的除霜控制方法、存储介质及空调系统。本发明旨在解决现有的除霜控制方法存在无法保证空调系统长期高效运行的问题。为此目的，本发明通过计算并比较当前能效值COP与平均能效值COP'的大小，若当前能效值COP小于平均能效值COP'，则控制空调系统开始执行除霜程序。如此，从空调系统的能效方面控制除霜过程，进而降低了除霜过程对空调系统运行能效的影响，提高了空调系统的运行效率。

Description

空调系统的除霜控制方法、存储介质及空调系统
技术领域
本发明属于空调技术领域，具体涉及一种空调系统的除霜控制方法、存储介质及空调系统。
背景技术
空调系统在冬季制热运行时室外机换热器会结霜，室外机换热器结霜后的换热效率会急剧下降导致空调系统的制热效率不断衰减。为了保持空调系统的制热效率，就需要不定期的对室外机换热器进行除霜。目前除霜方式有多种，如：热气旁通、逆循环和外置加热设备等。
目前的空调系统在进行除霜之前，通常需要基于室外机换热器的外盘管上的温度传感器、室外环境温度以及风机的电流判断空调系统开始进行除霜的时机。
但是，现有的上述除霜控制方法存在无法保证空调系统长期高效运行的问题。
相应地，本领域需要一种新的空调系统的除霜控制方法、存储介质及空调系统来解决上述问题。
发明内容
为了解决现有技术中的上述问题，即为了解决现有的除霜控制方法存在无法保证空调系统长期高效运行的问题，本发明提供了一种空调系统的除霜控制方法、存储介质及空调系统。
首先，在本发明提供的一种空调系统的除霜控制方法中，所述除霜控制方法包括：实时获取室外机功率值P和室内机能力值Q；基于室外机功率值P和室内机能力值Q确定空调系统的当前能效值
Figure BDA0002968428930000021
确定空调系统从初始化时间0时刻开始在持续运行时间t期间的平均能效值
Figure BDA0002968428930000022
当空调系统在制热模式下，比较当前能效值COP与平均能效值COP'的大小；若当前能效值COP小于平均能效值COP'，则控制空调系统开始执行除霜程序。
作为本发明提供的上述除霜控制方法的一种优选的技术方案，在“控制空调系统开始执行除霜程序”的步骤之后，所述除霜控制方法包括：当空调系统的除霜程序执行完毕时，将空调系统的持续运行时间t与预设的最大能效时间T进行比较；若t＞T，则将空调系统的持续运行时间t初始化为0，并重复执行权利要求1中的所述除霜控制方法。
作为本发明提供的上述除霜控制方法的一种优选的技术方案，室外机功耗值P＝Pcomp+Pfan；其中，Pcomp为压缩机的瞬时功率值，Pfan为室外风机的瞬时功率值；室外机能力值Q＝Qcomp+ε·P；其中，Qcomp为压缩机的瞬时能力值，ε为热损失系数。
作为本发明提供的上述除霜控制方法的一种优选的技术方案，确定压缩机的瞬时功率值Pcomp和压缩机的瞬时能力值Qcomp的方法包括：获取室外干球温度Tair、室外湿球温度Tw、压缩机的吸气压力Ps、压缩机的排气压力Pd、室外机盘管温度Twall、压缩机的吸气温度Ts、压缩机的排气温度Td、压缩机的频率f、单个除霜周期内空调系统的运行时间t'；将参数Tair、Tw、Ps、Pd、Twall、Ts、Td、f和t'输入预先训练好的BP神经网络的输入层，由所述BP神经网络的输出层输出参数Pcomp和Qcomp；所述BP神经网络包括输入层、隐藏层和输出层。
作为本发明提供的上述除霜控制方法的一种优选的技术方案，所述BP神经网络中神经单元的激活函数采用双曲正弦S型函数，学习算法采用最速下降法。
作为本发明提供的上述除霜控制方法的一种优选的技术方案，所述BP神经网络的训练过程包括：
S110、网络初始化
获取空调系统运行过程中的多个数据样本，确定BP神经网络的输入层节点数为9个，隐藏层节点数为10个，以及输出层节点数为2个；初始化输入层和隐藏层之间的连接权值wij、隐藏层和输出层之间的连接权值wjk、隐藏层阀值aj以及输出层阀值bk，给定学习速率η；其中，i＝1,2,…,9；j＝1,2,…,10,；k＝1,2；
所述数据样本包括参数Tair、Tw、Ps、Pd、Twall、Ts、Td、f和t'以及对应的参数Pcomp和Qcomp；
S120、计算隐藏层的输出值
根据输入变量Xi、连接权值wij以及隐藏层阈值aj，计算隐藏层输出值Hj；
Figure BDA0002968428930000031
其中，输入变量Xi包括数据样本中的参数Tair、Tw、Ps、Pd、Twall、Ts、Td、f和t'；
S130、计算输出层的输出值
根据隐藏层输出值Hj，连接权值wjk和输出层阈值bk，计算BP神经网络的预测输出值Yk；
Figure BDA0002968428930000041
其中，预测输出值Yk对应预测的压缩机的瞬时功率值和压缩机瞬时能力值；
S140、计算误差
根据预测输出Yk和期望输出Ok，计算网络预测误差ek；
ek＝Ok-Yk；
其中，Ok是数据样本中的参数Pcomp和Qcomp形成的矩阵；
S150、更新连接权值
根据网络预测误差ek更新网络连接权值wij、wjk；
Figure BDA0002968428930000042
wjk＝wjk+η·Hj·ek·j；
S160、更新阈值
根据网络预测误差ek更新隐藏层阀值aj、输出层阀值bk；
Figure BDA0002968428930000043
bk＝bk+ek；
S170、判断预测输出值Yk是否满足精度要求，若不满足，则重复执行步骤S120至S160；若满足，则结束对所述BP神经网络的训练。
作为本发明提供的上述除霜控制方法的一种优选的技术方案，压缩机的瞬时功率值Pcomp＝Ucomp·Icomp；其中，Ucomp为压缩机变频器的电压值，Icomp为压缩机的变频器的瞬时电流值。
作为本发明提供的上述除霜控制方法的一种优选的技术方案，室外风机的瞬时功率值Pfan＝a0+b0·RPM+c0·RPM2；其中，RPM为室外风机的瞬时转速值，a0、b0和c0为与室外风机的型号有关的系数。
其次，本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有除霜控制程序，所述除霜控制程序被处理器执行时实现如以上任一技术方案中的所述除霜控制方法。
最后，本发明还提供了一种空调系统，所述空调系统包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的除霜控制程序，所述除霜控制程序被所述处理器执行时实现如以上任一技术方案中的所述除霜控制方法。
根据本发明的空调系统的除霜控制方法、存储介质及空调系统，通过计算并比较当前能效值COP与平均能效值COP'的大小，若当前能效值COP小于平均能效值COP'，则控制空调系统开始执行除霜程序。如此，从空调系统的能效方面控制除霜过程，进而降低了除霜过程对空调系统运行能效的影响，提高了空调系统的运行效率。
此外，根据本发明的空调系统的除霜控制方法、存储介质及空调系统，还在计算压缩机的瞬时功率值Pcomp和压缩机的瞬时能力值Qcomp时利用BP神经网络，从而使得计算当前能效值COP与平均能效值COP'的过程更便捷以及结果更准确，进一步有力地保证了空调系统的运行效率。
附图说明
下面参照附图来描述本发明的空调系统的除霜控制方法。附图中：
图1为本实施例的空调系统的除霜控制方法的主要流程示意图；
图2为本实施例的空调系统的除霜控制方法的详细流程示意图；
图3为本实施例的空调系统的除霜控制方法中涉及的BP神经网络的结构示意图；
图4为本实施例的空调系统的除霜控制方法中涉及的BP神经网络训练过程的流程示意图。
具体实施方式
下面参照附图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。
为了解决现有技术中的上述问题，即为了解决现有的除霜控制方法存在无法保证空调系统长期高效运行的问题，本发明的实施例提供了一种空调系统的除霜控制方法、存储介质及空调系统。
首先，在本实施例提供的一种空调系统的除霜控制方法中，如图1所示，该除霜控制方法包括：
S1、实时获取室外机功率值P和室内机能力值Q。
其中，室外机的功耗值计算时主要考虑压缩机和室外风机，则室外机功耗值P＝Pcomp+Pfan；其中，Pcomp为压缩机的瞬时功率值，Pfan为室外风机的瞬时功率值。
其中，由于空调系统运行过程中室外机自身也会发热，故本实施例的室外机能力值在计算时除了考虑压缩机自身的能力之外还考虑空调系统运行过程中室外机自身产生的热量，即则室外机能力值Q＝Qcomp+ε·P；其中，Qcomp为压缩机的瞬时能力值，ε为热损失系数。
进一步，确定压缩机的瞬时功率值Pcomp和压缩机的瞬时能力值Qcomp的方法包括：获取室外干球温度Tair、室外湿球温度Tw、压缩机的吸气压力Ps、压缩机的排气压力Pd、室外机盘管温度Twall、压缩机的吸气温度Ts、压缩机的排气温度Td、压缩机的频率f、单个除霜周期内空调系统的运行时间t'；将参数Tair、Tw、Ps、Pd、Twall、Ts、Td、f和t'输入预先训练好的BP神经网络的输入层，由BP神经网络的输出层输出参数Pcomp和Qcomp；BP神经网络包括输入层、隐藏层和输出层。其中，室外机盘管温度Twall可以使用冷凝器盘管中部的管温，或者是冷凝器进口的液管温度Tdef；
其中，BP神经网络中神经单元的激活函数采用双曲正弦S型函数，学习算法采用最速下降法。
本实施例还在计算压缩机的瞬时功率值Pcomp和压缩机的瞬时能力值Qcomp时利用BP神经网络，从而使得计算当前能效值COP与平均能效值COP'的过程更便捷以及结果更准确，进一步有力地保证了空调系统的运行效率。
进一步，室外风机的瞬时功率值Pfan可用下式计算：
Pfan＝a0+b0·RPM+c0·RPM2；其中，RPM为室外风机的瞬时转速值，a0、b0和c0为与室外风机的型号有关的系数。
进一步，压缩机的瞬时功率值Pcomp还可以通过下式计算：
Pcomp＝Ucomp·Icomp；其中，Ucomp为压缩机变频器的电压值，Icomp为压缩机的变频器的瞬时电流值。
S2、基于室外机功率值P和室内机能力值Q确定空调系统的当前能效值
Figure BDA0002968428930000081
S3、确定空调系统从初始化时间0时刻开始在持续运行时间t期间的平均能效值
Figure BDA0002968428930000082
S4、当空调系统在制热模式下，比较当前能效值COP与平均能效值COP'的大小。
S5、若当前能效值COP小于平均能效值COP'，则控制空调系统开始执行除霜程序。
根据本实施例的空调系统的除霜控制方法及空调系统，通过计算并比较当前能效值COP与平均能效值COP'的大小，若当前能效值COP小于平均能效值COP'，则控制空调系统开始执行除霜程序。如此，从空调系统的能效方面控制除霜过程，进而降低了除霜过程对空调系统运行能效的影响，提高了空调系统的运行效率。
当然，上述可以替换的实施方式之间、以及可以替换的实施方式和优选的实施方式之间还可以交叉配合使用，从而组合出新的实施方式以适用于更加具体的应用场景。
需要说明的是，尽管上文详细描述了本发明方法的详细步骤，但是，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对上述步骤进行组合、拆分及调换顺序，如此修改后的技术方案并没有改变本发明的基本构思，因此也落入本发明的保护范围之内。
作为本实施例提供的上述除霜控制方法的一种优选的实施方式，在上述步骤S5之后，如图2所示该除霜控制方法还包括：
S6、当空调系统的除霜程序执行完毕时，将空调系统的持续运行时间t与预设的最大能效时间T进行比较；例如，该预设时间T可用为10个小时、一天或者一周等。
S7、若t＞T，则将空调系统的持续运行时间t初始化为0，并重复执行权利要求1中的除霜控制方法。
如此，在该除霜控制方法的实施方式中，能够保证在最大能效时间T期间空调系统的运行效率最高。
作为本实施例提供的上述除霜控制方法的一种优选的实施方式，结合如图3所示的BP神经网络的结构示意图，以及如图4所示的BP神经网络的训练过程的流程示意图，上述BP神经网络的训练过程包括：
S110、网络初始化
获取空调系统运行过程中的多个数据样本，如图3所示，确定BP神经网络的输入层节点数为9个，隐藏层节点数为10个，以及输出层节点数为2个；初始化输入层和隐藏层之间的连接权值wij、隐藏层和输出层之间的连接权值wjk、隐藏层阀值aj以及输出层阀值bk，给定学习速率η；其中，i＝1,2,…,9；j＝1,2,…,10,；k＝1,2；
数据样本包括参数Tair、Tw、Ps、Pd、Twall、Ts、Td、f和t'以及对应的参数Pcomp和Qcomp；
S120、计算隐藏层的输出值
根据输入变量Xi、连接权值wij以及隐藏层阈值aj，计算隐藏层输出值Hj；
Figure BDA0002968428930000091
其中，输入变量Xi包括数据样本中的参数Tair、Tw、Ps、Pd、Twall、Ts、Td、f和t'；
S130、计算输出层的输出值
根据隐藏层输出值Hj，连接权值wjk和输出层阈值bk，计算BP神经网络的预测输出值Yk；
Figure BDA0002968428930000101
其中，预测输出值Yk对应预测的压缩机的瞬时功率值和压缩机瞬时能力值；
S140、计算误差
根据预测输出Yk和期望输出Ok，计算网络预测误差ek；
ek＝Ok-Yk；
其中，Ok是数据样本中的参数Pcomp和Qcomp形成的矩阵；
S150、更新连接权值
根据网络预测误差ek更新网络连接权值wij、wjk；
Figure BDA0002968428930000102
wjk＝wjk+η·Hj·ek·j；
S160、更新阈值
根据网络预测误差ek更新隐藏层阀值aj、输出层阀值bk；
Figure BDA0002968428930000103
bk＝bk+ek；
S170、判断预测输出值Yk是否满足精度要求，若不满足，则重复执行步骤S120至S160；若满足，则结束对BP神经网络的训练。
其次，本实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有除霜控制程序，该除霜控制程序被处理器执行时实现如以上任一实施方式中的除霜控制方法。
最后，本实施例还提供了一种空调系统，该空调系统包括：存储器、处理器及存储在存储器上并可在处理器上运行的除霜控制程序，除霜控制程序被处理器执行时实现如以上任一实施方式中的除霜控制方法。
可以理解的是，可以将本实施例提供的空调系统的除霜控制方法作为程序存储在一个计算机可读取存储介质中。该存储介质中包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本发明各个实施例方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
其中，存储器包括但不限于随机存储器、闪存、只读存储器、可编程只读存储器、易失性存储器、非易失性存储器、串行存储器、并行存储器或寄存器等，处理器包括但不限于CPLD/FPGA、DSP、ARM处理器、MIPS处理器等。为了不必要地模糊本公开的实施例，这些公知的结构未在附图中示出。
当然，上述可以替换的实施方式之间、以及可以替换的实施方式和优选的实施方式之间还可以交叉配合使用，从而组合出新的实施方式以适用于更加具体的应用场景。
需要说明的是，尽管上文详细描述了本发明方法的详细步骤，但是，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对上述步骤进行组合、拆分及调换顺序，如此修改后的技术方案并没有改变本发明的基本构思，因此也落入本发明的保护范围之内。
此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的保护范围之内并且形成不同的实施例。例如，在本发明的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
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)

1.一种空调系统的除霜控制方法，其特征在于，所述除霜控制方法包括：
实时获取室外机功率值P和室内机能力值Q；
基于室外机功率值P和室内机能力值Q确定空调系统的当前能效值
Figure FDA0002968428920000011
确定空调系统从初始化时间0时刻开始在持续运行时间t期间的平均能效值
Figure FDA0002968428920000012
当空调系统在制热模式下，比较当前能效值COP与平均能效值COP'的大小；
若当前能效值COP小于平均能效值COP'，则控制空调系统开始执行除霜程序。
2.根据权利要求1所述的除霜控制方法，其特征在于，在“控制空调系统开始执行除霜程序”的步骤之后，所述除霜控制方法包括：
当空调系统的除霜程序执行完毕时，将空调系统的持续运行时间t与预设的最大能效时间T进行比较；
若t＞T，则将空调系统的持续运行时间t初始化为0，并重复执行权利要求1中的所述除霜控制方法。
3.根据权利要求1所述的除霜控制方法，其特征在于，
室外机功耗值P＝Pcomp+Pfan；
其中，Pcomp为压缩机的瞬时功率值，Pfan为室外风机的瞬时功率值；
室外机能力值Q＝Qcomp+ε·P；
其中，Qcomp为压缩机的瞬时能力值，ε为热损失系数。
4.根据权利要求3所述的除霜控制方法，其特征在于，确定压缩机的瞬时功率值Pcomp和压缩机的瞬时能力值Qcomp的方法包括：
获取室外干球温度Tair、室外湿球温度Tw、压缩机的吸气压力Ps、压缩机的排气压力Pd、室外机盘管温度Twall、压缩机的吸气温度Ts、压缩机的排气温度Td、压缩机的频率f、单个除霜周期内空调系统的运行时间t'；
将参数Tair、Tw、Ps、Pd、Twall、Ts、Td、f和t'输入预先训练好的BP神经网络的输入层，由所述BP神经网络的输出层输出参数Pcomp和Qcomp；
所述BP神经网络包括输入层、隐藏层和输出层。
5.根据权利要求4所述的除霜控制方法，其特征在于，所述BP神经网络中神经单元的激活函数采用双曲正弦S型函数，学习算法采用最速下降法。
6.根据权利要求5所述的除霜控制方法，其特征在于，所述BP神经网络的训练过程包括：
S110、网络初始化
获取空调系统运行过程中的多个数据样本，确定BP神经网络的输入层节点数为9个，隐藏层节点数为10个，以及输出层节点数为2个；初始化输入层和隐藏层之间的连接权值wij、隐藏层和输出层之间的连接权值wjk、隐藏层阀值aj以及输出层阀值bk，给定学习速率η；其中，i＝1,2,…,9；j＝1,2,…,10,；k＝1,2；
所述数据样本包括参数Tair、Tw、Ps、Pd、Twall、Ts、Td、f和t'以及对应的参数Pcomp和Qcomp；
S120、计算隐藏层的输出值
根据输入变量Xi、连接权值wij以及隐藏层阈值aj，计算隐藏层输出值Hj；
Figure FDA0002968428920000031
其中，输入变量Xi包括数据样本中的参数Tair、Tw、Ps、Pd、Twall、Ts、Td、f和t'；
S130、计算输出层的输出值
根据隐藏层输出值Hj，连接权值wjk和输出层阈值bk，计算BP神经网络的预测输出值Yk；
Figure FDA0002968428920000032
其中，预测输出值Yk对应预测的压缩机的瞬时功率值和压缩机瞬时能力值；
S140、计算误差
根据预测输出Yk和期望输出Ok，计算网络预测误差ek；
ek＝Ok-Yk；
其中，Ok是数据样本中的参数Pcomp和Qcomp形成的矩阵；
S150、更新连接权值
根据网络预测误差ek更新网络连接权值wij、wjk；
Figure FDA0002968428920000033
wjk＝wjk+η·Hj·ek·j；
S160、更新阈值
根据网络预测误差ek更新隐藏层阀值aj、输出层阀值bk；
Figure FDA0002968428920000041
bk＝bk+ek；
S170、判断预测输出值Yk是否满足精度要求，若不满足，则重复执行步骤S120至S160；若满足，则结束对所述BP神经网络的训练。
7.根据权利要求3所述的除霜控制方法，其特征在于，
压缩机的瞬时功率值Pcomp＝Ucomp·Icomp；
其中，Ucomp为压缩机变频器的电压值，Icomp为压缩机的变频器的瞬时电流值。
8.根据权利要求3所述的除霜控制方法，其特征在于，
室外风机的瞬时功率值Pfan＝a0+b0·RPM+c0·RPM2；
其中，RPM为室外风机的瞬时转速值，a0、b0和c0为与室外风机的型号有关的系数。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有除霜控制程序，所述除霜控制程序被处理器执行时实现如权利要求1至8中任一项所述的除霜控制方法。
10.一种空调系统，其特征在于，所述空调系统包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的除霜控制程序，所述除霜控制程序被所述处理器执行时实现如权利要求1至8中任一项所述的除霜控制方法。
CN202110258221.9A 2021-03-09 2021-03-09 空调系统的除霜控制方法、存储介质及空调系统 Pending CN113137708A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110258221.9A CN113137708A (zh) 2021-03-09 2021-03-09 空调系统的除霜控制方法、存储介质及空调系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110258221.9A CN113137708A (zh) 2021-03-09 2021-03-09 空调系统的除霜控制方法、存储介质及空调系统

Publications (1)

Publication Number Publication Date
CN113137708A true CN113137708A (zh) 2021-07-20

Family

ID=76810983

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110258221.9A Pending CN113137708A (zh) 2021-03-09 2021-03-09 空调系统的除霜控制方法、存储介质及空调系统

Country Status (1)

Country Link
CN (1) CN113137708A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113531848A (zh) * 2021-07-29 2021-10-22 珠海格力电器股份有限公司 空调模式调整方法、控制装置和空调及存储介质
CN113847708A (zh) * 2021-08-31 2021-12-28 青岛海尔空调电子有限公司 空调器室外机的除霜控制方法及空调器

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS6033443A (ja) * 1983-08-03 1985-02-20 Matsushita Electric Ind Co Ltd 空気調和機の運転制御方法
CN102138048A (zh) * 2008-09-01 2011-07-27 三菱电机株式会社 热泵装置
CN107461881A (zh) * 2017-07-27 2017-12-12 深圳达实智能股份有限公司 一种医院空调机房的制冷主机能效诊断方法及其系统
CN108592297A (zh) * 2018-06-01 2018-09-28 青岛海尔空调器有限总公司 空调器除霜控制方法
CN108692426A (zh) * 2018-06-01 2018-10-23 青岛海尔空调器有限总公司 空调器除霜控制方法
CN109780684A (zh) * 2019-01-24 2019-05-21 青岛海尔空调电子有限公司 一种空调控制方法、装置、空调和存储介质
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
CN111156657A (zh) * 2019-12-25 2020-05-15 珠海格力电器股份有限公司 空调结霜状态确定方法和装置
CN111928423A (zh) * 2020-06-30 2020-11-13 青岛海尔空调电子有限公司 用于空调机组的除霜控制方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS6033443A (ja) * 1983-08-03 1985-02-20 Matsushita Electric Ind Co Ltd 空気調和機の運転制御方法
CN102138048A (zh) * 2008-09-01 2011-07-27 三菱电机株式会社 热泵装置
CN107461881A (zh) * 2017-07-27 2017-12-12 深圳达实智能股份有限公司 一种医院空调机房的制冷主机能效诊断方法及其系统
CN108592297A (zh) * 2018-06-01 2018-09-28 青岛海尔空调器有限总公司 空调器除霜控制方法
CN108692426A (zh) * 2018-06-01 2018-10-23 青岛海尔空调器有限总公司 空调器除霜控制方法
CN109780684A (zh) * 2019-01-24 2019-05-21 青岛海尔空调电子有限公司 一种空调控制方法、装置、空调和存储介质
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
CN111156657A (zh) * 2019-12-25 2020-05-15 珠海格力电器股份有限公司 空调结霜状态确定方法和装置
CN111928423A (zh) * 2020-06-30 2020-11-13 青岛海尔空调电子有限公司 用于空调机组的除霜控制方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113531848A (zh) * 2021-07-29 2021-10-22 珠海格力电器股份有限公司 空调模式调整方法、控制装置和空调及存储介质
CN113847708A (zh) * 2021-08-31 2021-12-28 青岛海尔空调电子有限公司 空调器室外机的除霜控制方法及空调器

Similar Documents

Publication Publication Date Title
CN109405162B (zh) 机组的温控方法和装置、空调机组
CN113137708A (zh) 空调系统的除霜控制方法、存储介质及空调系统
JP7328498B2 (ja) 情報処理装置、空気調和装置、情報処理方法、空気調和方法、及びプログラム
CN107917504B (zh) 空调及其除霜控制方法
US10760814B2 (en) Variable-capacity compressor controller with two-wire configuration
JP2010249333A (ja) 運転制御情報生成装置及び運転制御情報生成プログラム及び記録媒体及び運転制御情報生成方法
JP6645650B1 (ja) 制御装置、空調制御システム、制御方法及びプログラム
CN112503725B (zh) 空调自清洁控制方法、装置和空调
TW202014648A (zh) 儲冰量調整系統與儲冰量調整方法
CN110873446B (zh) 控制空调的方法及装置、存储介质、处理器
JP3751828B2 (ja) 空調熱源機器最適運転制御装置
JP2014149105A (ja) 空気調和機
JP5831379B2 (ja) ヒートポンプシステム、その制御方法及びプログラム
JP7006859B2 (ja) 空調制御装置、空調システム、空調制御方法、空調制御プログラム
CN110186162A (zh) 一种空调控制方法及装置
CN110701729A (zh) 空调制热控制方法、装置、空调器及计算机可读存储介质
CN112393320A (zh) 基于热泵采暖机的压缩机转速控制方法和热泵采暖机
CN107202405A (zh) 优化有寒暑假建筑空调设计负荷的计算方法
CN112902392A (zh) 自适应调整的空调控制方法、电子设备及存储介质
JP6589227B1 (ja) 制御装置、空調制御システム、制御情報の算出方法及びプログラム
CN116817422A (zh) 多联机空调的控制方法、多联机空调以及存储介质
CN110542181A (zh) 运行控制方法、运行控制装置、空调器和存储介质
WO2023144927A1 (ja) 制御装置および制御方法
JP7345686B2 (ja) Ｈｖａｃ（暖房、換気、空調）システムの動作を制御するためのシステムおよび方法
Jiang et al. Comparison study of a novel solid desiccant heat pump system with EnergyPlus

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210720

RJ01 Rejection of invention patent application after publication