CN113566383B - 智能除霜方法、装置、电器及计算机可读存储介质 - Google Patents

Abstract

本申请涉及一种智能除霜方法、装置、电器，及计算机可读存储介质，该方法包括：获取第一数据集；将第一数据集输入至智能除霜预测模型中，获取智能除霜的第一时间，第一时间为从电器启动后所运行的时间；当电器运行第一时间后，执行对电器的智能除霜策略，以完成智能除霜操作。在第一时间，电器的换热器上累计一定厚度的霜层，但是处于未完全覆盖的结霜状态，即结霜厚度适中，可以保证通过热气除霜控制方式对空调进行除霜时，能够除的干净，而且还能够保证对室内温度影响较小，保证较好的室内舒适性。因此，当电器运行第一时间后，执行对电器的智能除霜策略，以完成智能除霜操作。

Description

智能除霜方法、装置、电器及计算机可读存储介质

技术领域

本申请涉及电器技术领域，尤其涉及一种智能除霜方法、装置、电器及计算机可读存储介质。

背景技术

随着生活水平的提高，电器已经成为人们生活中的必需品，舒适性也是用户较为关注的方面之一。例如空调，是现如今大多数家庭中必不可少的家用电器。随着智能电器的不断改进和发展，空调的功能也越来越全面，越来越高端。然而，随着空调的使用，依然存在一个很难解决的技术问题。即，空调在运行过程中，换热器表面会不断结霜。随着霜层增厚，会逐渐影响空调的使用性能，甚至对空调本身造成不可修复的损坏。

目前而言，空调行业内为了保证较好的室内舒适性，通常采用热气除霜控制方式对空调进行除霜。但该除霜过程中的热量仅来自压缩机，由于除霜热量小，很容易导致除霜不干净。

发明内容

本申请提供了一种智能除霜方法、装置、电器及计算机可读存储介质，以解决现有技术中电器除霜不干净的问题。

第一方面，本申请提供了一种智能除霜方法，该方法包括：

获取第一数据集；

将第一数据集输入至智能除霜预测模型中，获取智能除霜的第一时间；

当电器运行至第一时间后，执行对电器的智能除霜策略，以完成智能除霜操作。

第二方面，本申请提供了一种智能除霜装置，该装置包括：

获取单元，用于获取第一数据集；

处理单元，用于将第一数据集输入至智能除霜预测模型中，获取智能除霜的第一时间；

执行单元，用于当电器运行至第一时间后，执行对电器的智能除霜策略，以完成智能除霜操作。

第三方面，提供了一种电器，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；

存储器，用于存放计算机程序；

处理器，用于执行存储器上所存放的程序时，实现第一方面任一项实施例的智能除霜方法的步骤。

第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如第一方面任一项实施例的智能除霜方法的步骤。

本申请实施例提供的上述技术方案与现有技术相比具有如下优点：

本申请实施例提供的该方法，获取第一数据集，第一数据集中的参数可以包括电器运行过程中涉及的参数，和/或影响电器运行的参数。这些参数都是与电器结霜有直接或间接关系的参数。因此，将第一数据集输入至智能除霜预测模型后，可以获取智能除霜的第一时间。该第一时间是指当电器开始启动后，所运行的时间。该时间，电器的换热器上累计一定厚度的霜层，但是处于未完全覆盖的结霜状态，即结霜厚度适中，可以保证通过热气除霜控制方式对空调进行除霜时，能够除的干净，而且还能够保证对室内温度影响较小，保证较好的室内舒适性。因此，当电器运行第一时间后，执行对电器的智能除霜策略，以完成智能除霜操作。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例提供的一种智能除霜方法的流程示意图；

图2为本申请提供的空调电机电流信号与结霜时间特征预测值算法模型示意图；

图3为本申请提供的结霜工况下电机电流信号随时间变化的示意图；

图4为本申请实施例提供的另一种智能除霜的方法流程示意图；

图5为本申请提供的将第二数据集输入至结霜概率预测模型中，获取电器结霜概率的原理结构示意图；

图6为本申请实施例提供的另一种智能除霜方法流程示意图；

图7为本申请实施例提供的针对电器执行的下一周期的智能除霜操作方法流程示意图；

图8为本申请实施例提供的一种智能除霜方法对应的整体工作流程示意图；

图9为本申请实施例提供的一种智能除霜装置结构示意图；

图10为本申请实施例提供的一种电器的结构示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本申请的一部分实施例，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的前提下所获得的所有其他实施例，都属于本申请保护的范围。

图1为本申请实施例提供的一种智能除霜方法的流程示意图。该方法应用于一种电器。该方法可以包括：

步骤110，获取第一数据集。

具体的，第一数据集是与电器的换热器结霜存有直接或间接关系的参数，因此在后续根据第一数据集，预测智能除霜的第一时间，第一时间可以理解为执行智能除霜策略，完成对电器除霜的一个较佳时机，第一时间为电器启动运行开始，所运行的时间。在一个可选的例子中，第一数据集包括但不限于如下参数：室内温度、室外温度、室外湿度、外风机转速、外管温度等等。

步骤120，将第一数据集输入至智能除霜预测模型中，获取智能除霜的第一时间。

具体的，参见图2所示。图2中示意出了空调电机电流信号与结霜时间特征预测值算法模型。图2中显示了第一数据集包括但不限于室内温度、室外温度、室外湿度、外风机转速、外管温度等等参数。将这些第一数据集输入至智能除霜预测模型中。具体的智能除霜预测模型可以是经过大量数据训练后得到的较优的神经网络模型。在神经网络模型中，第一数据集经过一定的处理后，生成隐藏节点1至隐藏节点n，最终根据隐藏节点1至隐藏节点n，获取智能除霜的第一时间。在神经网络模型中，主要涉及多层归一化加权处理计算。神经网络模型例如可以是卷积神经网络(Convolutional Neural Network,简称CNN)、BP((backpropagation)神经网络等。

本实施例所提及的电器以空调为例，神经网络训练所需要的大量空调制热运行数据，数据获取方式包括多种，例如可以在实验室直接获取到空调制热运行数据，或用大数据技术采集大量的用户空调制热运行数据，也可通过空调系统仿真模型来批量生成空调制热运行数据。具体采用何种方式，这里不做任何限定。

如上所介绍的，在将上述所获取的大量空调制热运行数据对神经网络模型进行训练，得到较优的神经网络模型后，则可以将第一数据集输入至已经训练后的神经网络模型中，获取第一时间，图中所示的T1。具体参见图2中T1。当然，除了可以获取T1外，也可以获取其他参数，例如T2，I1和I2。其中I1为时间节点在T1时的室外风机的电流值，I2为时间节点为T2时的室外风机的电流值。该模型主要用来预测空调不同运行环境及状态下室外风机电流及运行时间特征值I1与T1。

制热工况结霜过程，室外风机电流信号随系统运行时间的变化规律如图3所示，图3示出了结霜工况下电机电流信号随时间变化的示意图。在这里将详细说明室外风机电流和系统运行时间的对应关系。

在转速一定条件下，室外风机电流信号主要受风道阻力影响，风道阻力越大，电流信号I值就越大。在开机初期，室外换热器无霜覆盖，此时风道阻力一定。但随着空调外机管温降低，换热器表面开始凝露结霜。随着霜层增厚，外机风道阻力会有缓慢增加，所以电流会略有增加。具体参见图3中电机运行时间从0到T2这段时间段电流值的变化情况，运行时间至T2时，电流增加到I2。

因外机换热器流路分流原因，其表面霜层增长并不均匀。当空调运行了T1时间，霜层达到一定厚度，但霜层并未完全覆盖翅片表面，则外机气流组织会受到影响，导致电流信号开始从I2减少至I1，具体参见空调从T2时间运行至T1时间的时间段。随着霜层进一步增厚，换热器翅片间缝隙进一步减小至缝隙全部被堵住，则风道阻力又明显变大，则电流信号又进一步明显增大。具体参见空调运行了T1时间后，电流从I1又逐渐增大。

步骤130，当电器运行第一时间后，执行对电器的智能除霜策略，以完成智能除霜操作。

由上论述以及图3的示意图可以轻易的推理知道，当空调运行至T1时间时，属于除霜的较优时间，外机换热器上累计一定厚度霜层，但并未完全覆盖的结霜状态。在某些工况下，可以保证霜层能够清除干净，而且还能够保证对室内温度影响较小，尽量保证室内舒适性。

在一个可选的例子中，智能除霜策略可以包括但不限于如下操作：

采用不切换冷媒流向的热气除霜控制策略，可实现电器化霜的同时不会造成室内温度降低太多，保证室内舒适性。不同于常规逆向除霜，热气除霜的除霜热量全部来自压缩机，所以热气除霜的除霜量较小，所以可以在电器运行第一时间时，霜层较薄时完成化霜动作。

进入智能热气除霜控制模式后，通过压缩机适当降低转速，膨胀阀开度增大，内风机关闭，外风机转速增加等一系列控制，即可完成当前周期的热气除霜过程。

本申请实施例提供的一种智能除霜方法，获取第一数据集，第一数据集中的参数可以包括电器运行过程中涉及的参数，和/或影响电器运行的参数。这些参数都是与电器结霜有直接或间接关系的参数。因此，将第一数据集输入至智能除霜预测模型后，可以获取智能除霜的第一时间。该第一时间是指当电器开始启动后，所运行的时间。该时间，电器的换热器上累计一定厚度的霜层，但是处于未完全覆盖的结霜状态，即结霜厚度适中。可以保证通过热气除霜控制方式对空调进行除霜时，能够除的干净，而且还能够保证对室内温度影响较小，保证较好的室内舒适性。因此，通过该方式，可以确定智能除霜的较佳时机，并在该较佳时机，执行对电器的智能除霜策略，以完成智能除霜操作。

上述实施例中，当电器运行至第一时间时，则进入到智能除霜模式，执行智能除霜策略。但是在某些特殊情况下，虽然运行时间已至第一时间，但是因为外界环境的影响，导致电器的换热器并没有结霜。一旦进入到智能除霜模式，就会存在无霜除霜的情况发生。为了解决上述技术问题，本申请实施例还提供了另一种智能除霜方法。图4示意出了本申请实施例提供的另一种智能除霜的方法流程示意图，具体参见图4所示，在上述实施例的基础上，该方法还可以包括：在执行步骤110之前，执行如下操作。

步骤410，获取第二数据集；

具体的，第二数据集可以包括但不限于如下参数中的一种或多种：室内温度、室外温度、室内湿度、室外湿度、空调电机旋转频率、电子膨胀阀开度、内风机转速、外风机转速等等。

步骤420，将第二数据集输入至结霜概率预测模型中，获取电器结霜的概率。

具体的，将第二数据集输入至结霜概率预测模型中，获取电器结霜的概率。更准确的来说，是确定热换器的结霜的概率。

与上文相类似的，结霜概率预测模型同样可以是一个经过大量数据训练后所获取的较优的神经网络模型。通过该神经网络模型，来获取换热器结霜的概率。

具体计算时，同样是第二数据集中的参数通过神经网络模型的多层隐藏层加权计算输出最终的电器结霜概率。具体参见图5所示，图5示意出了将第二数据集输入至结霜概率预测模型中，获取电器结霜概率的原理结构示意图。

由图5可以看出，输入参数可以包括室内温度、室外温度、室内湿度、室外湿度、空调电机旋转频率、电子膨胀阀开度、内风机转速、外风机转速等等。这些参数经过一定处理后分别得到隐藏节点1至隐藏节点n，最终根据隐藏节点1至隐藏节点n，预测出电器结霜概率。具体的操作过程这里不再过多介绍说明。

需要说明的是，对于结霜概率预测模型的训练中所使用的训练数据，其获取方式同样可以包括多种，例如可以在实验室直接获取得到，或用大数据技术采集得到，也可通过空调系统仿真模型来获取。以上方式仅仅是枚举的几种而已，并非用于限制对结霜概率模型的训练数据的获取方式。在实际应用过程中，具体采用何种方式，这里不做任何限定。

步骤430，当电器结霜的概率大于或等于预设概率阈值时，确定进入当前周期的智能除霜模式，以将第一数据集输入至智能除霜预测模型中。

具体的，当电器结霜的概率

大于或等于预设概率阈值

时，则确定空调在此工况条件空调外机为易结霜工况，确定进入当前周期的智能除霜模式，将第一数据集输入至智能除霜预测模型中。

其中，预设概率阈值

为根据大量实验数据统计后所确定的数值。

在一个具体的例子中，可以在空调系统开机预设时间(例如10分钟)后，空调控制器获取当前空调运行的室内温度、室外温度、室内湿度、室外湿度、空调电机旋转频率、电子膨胀阀开度、内风机转速、外风机转速等参数，通过已训练好的结霜概率预测模型预测此工况条件空调换热器出现结霜的概率

当结霜的概率

时，则立即判断空调在此工况条件空调外机为易结霜工况，并进入智能除霜控制模式。否则持续不断重新检测空调当前运行条件直至进入智能除霜控制模式。

进入智能结霜控制模式后，则执行步骤110至步骤130所介绍的详细步骤，这里将不再重复说明。

通过上述方式，电器运行一段时间后，首先判断电机结霜的概率。只有在结霜的概率大于或等于预设概率阈值时，才会进入智能除霜模式。否则，持续不断重新检测空调当前运行条件直至进入智能除霜控制模式。通过该方式，可有效避免“无霜误除霜”的情况。

在上述实施例的基础上，可以确定智能除霜的较佳的时机，也即是当空调运行至第一时间，可以执行对电器的智能除霜策略，以完成智能除霜操作。

本申请实施例提供了另一种智能除霜方法，具体参见图6所示，在上述实施例中任一实施例的基础上，第一数据集包括电器的外管温度。在执行步骤130之前，该方法还可以包括：

步骤140，根据第一时间和外管温度，确定智能除霜的最佳阶段，以便在最佳阶段执行智能除霜控制策略。

具体的，最佳阶段为电器运行时间大于或等于预设时间阈值,且外管温度小于或者等于预设温度阈值的阶段，其中，预设时间阈值为第一时间的k倍，k为预设数值。

即，最佳阶段为运行时间大于或等于T1乘以k后的数值，且这个运行时间还需要满足一个限定条件，即外管温度小于或等于预设温度阈值。这个情况下，系统将进入最佳智能除霜阶段。其中，k是一个时间特征系数，取值在0.3～1.6之间。此时霜层较薄，采用热气除霜过程可化霜干净且对室内温度影响较小。除霜能够达到最优状态，在此阶段，空调结霜后能力衰减至一定程度，此时进入热气化霜模式可将霜层化干净并保证下一结霜化霜周期的制热时长最长。

如上实施例所介绍的，除霜控制策略采用不切换冷媒流向的热气除霜控制策略。可以在电器运行k·T1时间，霜层较薄时完成化霜动作。进入智能热气除霜控制模式后，通过压缩机适当降低转速，膨胀阀开度增大，内风机关闭，外风机转速增加等一系列控制，即可完成当前周期的热气除霜过程。

可选的，当进入当前周期的智能除霜模式后，该方法还可以包括：

实时获取预设参数；

当根据预设参数，确定当前已执行完成对电器的智能除霜操作，且确定电器未断电时，则进入下一周期的智能除霜模式。

具体的，预设参数可以包括但不限于如下中的一种或多种，例如包括外管温度、外机电流值等数据，这些数据可以直观的反应换热器的结霜程度。当换热器已经化霜完成时，外管温度将会升高，而电流值则会随之降低。所以，可以根据大量实验数据进行统计，来获取某一个外管温度阈值，或者是外机电流值的阈值。当二者中任一参数到达预定阈值时，则可以确定当前已执行完成对电器的智能操作。

可选的，在本申请中，对于智能除霜预测模型的模型训练过程中所采用的训练数据为实验室数据，结霜时间特征值可能在实际运行过程中会略有偏差。而且每个结霜周期的T1可能会受上一周期除霜过程影响，所以需要对该时间进行适当修正。

所以，本申请还提供了另一种智能除霜的方法。在上述实施例的基础上，对T1进行修正。

首先，对于每次开机进入智能除霜控制模式后第一周期，运行过程中的室内温度、室外温度、室内湿度、室外湿度、空调电机旋转频率、电子膨胀阀开度、内风机转速、外风机转速、外管温度以及所对应的特征时间T1值等数据重新让智能除霜预测模型进行学习和训练。通过在实际环境的多次开机运行参数及与之对应T1值的学习修正，使系统会对较佳的除霜时间的预测更加准确。

在另一种情况中，如果已经完成当前周期的智能除霜操作。且确定电器未断电时，进入下一周期的智能除霜模式。

具体的，具体参见图7所示，图7针对电器执行的下一周期的智能除霜操作方法步骤。在此之前，先说明如下内容：如上文所介绍的，在上一周期将第一数据集输入至智能除霜预测模型中，除获取智能除霜的第一时间之外，还包括获取第二时间和第一电流。对应的是上文中所提及的T2，和I2。这两个参数是下文中所需要使用的，所以再次在这里提及。图7所对应的方法步骤具体参见如下：

步骤710，获取第三时间、第二电流，以及第四时间。

其中，第三时间、第二电流，以及第四时间均为在下一周期获取第三数据集后，将第三数据集输入至智能除霜预测模型后所获取的数据。

具体的，第三数据集中所包括的参数与第一数据集中所包括的参数相同，仅仅是参数值可能存在一些差异。将第三数据集输入到智能除霜预测模型后可以获取第三时间、第二电流以及第四时间。

这里的第三时间，与上文(上一周期)中的T2是对应的，第二电流是与上文(上一周期)中的电流I2相对应，而第四时间则是与上文(上一周期)中的T1对应的。这里所说的对应，并非是存在映射关系，而是指在不同周期，同一阶段所获取的参数。第四时间为所确定的智能除霜的较佳时间。

考虑到当前所预测的较佳时间，也即是第四时间可能存在一定的误差。因此，需要对第四时间进行修正。

步骤720，根据第二时间、第一电流、第三时间以及第二电流，对第四时间进行修正，获取第五时间。

在一个可选的例子中，可以通过如下方式对第四时间进行修正：

获取第一电流和第二时间之间的第一比值；

以及获取第二电流和三时间之间的第二比值；

根据第一比值和第二比值之间的差值，对第四时间进行修正，获取第五时间。

具体的，系统会根据本周期的I2’/T2’(第二电流和第三时间之间的第一比值)变化率与上一周期结霜过程的I2/T2(第一电流和第二时间之间的第二比值)变化率，对智能除霜预测模型所预测出的时间特征值，也即是第四时间进行修正。

若本周期与上一周期相比，I2’/T2’变化率降低，说明本周期起风道阻力变化减小，霜层增加量变慢，则会在上一周期的时间特征值t2适当延长l·Δt。

若本周期与上一周期相比，I2’/T2’变化率增加，说明本周期起风道阻力变化增大，霜层增加量变快，则会在上一周期的时间特征值t2适当减少l·Δt。

其中Δt为时间增加量，为固定值，该值为经过大量实验数据统计得到，或者是根据经验设定，或者是根据实际情况设定，具体如何设定这里不做过多限定。l为时间变化系数，取值在-3～3范围内。l取值与前后两周期的电流信号变化率的比值L＝(I2/T2)/(I2’/T2’)有关。

在一个具体的例子中，给出了l的取值的参考列表，具体参见表1所示。

其中，l₁～l₇对应的数值依次增大，具体数值则可以根据实验数据统计获取，或者根据实际情况设定。例如，l₁～l₇依次为-3，-2，-1，0，1，2，3(仅做示例说明，不做实际应用)。

通过上述方式，可以完成对第四时间的修正，进而获取第五时间。

步骤730，当电器运行第五时间后，执行对电器的智能除霜策略，以完成智能除霜操作。

进一步可选的，也可以通过类似上文所介绍的方式，来确定本周期内智能除霜的最佳阶段。也即是，在k乘以第五时间，且外管温度小于或等于预设温度阈值的时间段。

图8示出了智能除霜方法对应的整体工作流程图，具体参见图8所示。包括从一开始的电器开机运行，在运行一段时间后，将第二数据集(图8示出的是室内温度、室内湿度、室外温度、室外湿度、空调电机旋转频率、电子膨胀阀开度、内风机转速、外风机转速等等)输入到结霜概率预测模型，用以判断是否为易结霜工况。如果是，则进入智能结霜控制模式，否则就进一步进行检测。

当进入智能结霜控制模式后，将第一数据集(例如包括室内温度、室外温度、室外湿度、外风机转速、外管温度)等，输入至智能除霜预测模型中，确定本周期待除霜时间。该循环过程中，还包括通过多个开机数据(多组数据，每一组数据均是开机运行预设时间，根据采集的第二数据集判定结霜概率大于预设结霜概率阈值，进入智能除霜模式后，所采集的第二数据集)，对智能除霜预测模型进行优化；以及，通过本周期的I2’/T2’(第二电流和第三时间之间的比值)变化率与上一周期结霜过程的I2/T2(第一电流和第二时间之间的比值)变化率，对智能除霜预测模型所预测出的时间特征值进行修正。

此外，还包括通过外管温度和预设温度阈值进行比较，来确定最优除霜阶段。且当外管温度大于或者等于预设温度阈值时，重新获取第一数据集。在执行完成智能除霜操作后，则判断是否接收到关机指令，在接收到时，则执行关机操作，否则进入下一周期的支撑除霜模式，重复执行上述操作。

图8所示的流程图中的具体操作流程均已在图1至图7所对应的实施例中做了详尽的描述，因此这里不再过多赘述。

本申请实施例提供的智能除霜方法，不仅可以对电器启动运行后，进入智能除霜模式后的首个周期的智能除霜时间，以及最佳时间段等进行精准预测，还可以对之后的所有周期的智能除霜时间、以及最佳时间段等进行精准预测，使得智能除霜的时机愈加成熟，智能除霜更加干净。

如图9所示，本申请实施例提供了一种智能除霜装置，具体参见图9所示，该装置包括：获取单元901、处理单元902以及执行单元903。

获取单元901，用于获取第一数据集；

处理单元902，用于将第一数据集输入至智能除霜预测模型中，获取智能除霜的第一时间；

执行单元903，用于当电器运行至第一时间后，执行对电器的智能除霜策略，以完成智能除霜操作。

可选的，获取单元901还用于，获取第二数据集；

处理单元902还用于，将第二数据集输入至结霜概率预测模型中，获取电器结霜的概率；

当电器结霜的概率大于或等于预设概率阈值时，确定进入当前周期的智能除霜模式，以将第一数据集输入至智能除霜预测模型中。

可选的，第一数据集包括电器的外管温度；

处理单元902还用于，根据第一时间和外管温度，确定智能除霜的最佳阶段，以便在最佳阶段执行智能除霜控制策略。

可选的，最佳阶段为电器运行时间大于或等于预设时间阈值,且外管温度小于或者等于预设温度阈值的阶段，其中，预设时间阈值为第一时间的k倍，k为预设数值。

可选的，获取单元901还用于，实时获取预设参数；

处理单元902还用于，当根据预设参数，确定当前已执行完成对电器的智能除霜操作；且确定电器未断电时，则进入下一周期的智能除霜模式。

可选的，获取单元901还用于，获取第二时间和第一电流；

获取第三时间、第二电流，以及第四时间，其中，第三时间、第二电流，以及第四时间均为在下一周期获取第三数据集后，将第三数据集输入至智能除霜预测模型后所获取的数据；

处理单元902还用于，根据第二时间、第一电流、第三时间以及第二电流，对第四时间进行修正，获取第五时间；

执行单元903还用于，当电器运行第五时间后，执行对电器的智能除霜策略，以完成智能除霜操作。

可选的，处理单元902具体用于，获取第一电流和第二时间之间的第一比值；

以及获取第二电流和三时间之间的第二比值；

根据第一比值和第二比值之间的差值，对第四时间进行修正，获取第五时间。

本申请实施例提供的一种智能除霜装置，该装置中的各功能单元所执行的功能均已在图1至图7对应的实施例中做了详细说明，因此这里不再过多介绍，具体参见图1中图7所示的实施例即可。

如图10所示，本申请实施例提供了一种电器，包括处理器111、通信接口112、存储器113和通信总线114，其中，处理器111，通信接口112，存储器113通过通信总线114完成相互间的通信，

存储器113，用于存放计算机程序；

在本申请一个实施例中，处理器111，用于执行存储器113上所存放的程序时，实现前述任意一个方法实施例提供的智能除霜的控制方法，包括：

获取第一数据集；

将第一数据集输入至智能除霜预测模型中，获取智能除霜的第一时间；

当电器运行至第一时间后，执行对电器的智能除霜策略，以完成智能除霜操作。

可选的，获取第二数据集；

将第二数据集输入至结霜概率预测模型中，获取电器结霜的概率；

当电器结霜的概率大于或等于预设概率阈值时，确定进入当前周期的智能除霜模式，以将第一数据集输入至智能除霜预测模型中。

可选的，根据第一时间和外管温度，确定智能除霜的最佳阶段，以便在最佳阶段执行智能除霜控制策略。

可选的，实时获取预设参数；

当根据预设参数，确定当前已执行完成对电器的智能除霜操作；且确定电器未断电时，则进入下一周期的智能除霜模式。

可选的，获取第二时间和第一电流；。

获取第三时间、第二电流，以及第四时间，其中，第三时间、第二电流，以及第四时间均为在下一周期获取第三数据集后，将第三数据集输入至智能除霜预测模型后所获取的数据；

根据第二时间、第一电流、第三时间以及第二电流，对第四时间进行修正，获取第五时间；

当电器运行第五时间后，执行对电器的智能除霜策略，以完成智能除霜操作。

可选的，获取第一电流和第二时间之间的第一比值；

以及获取第二电流和三时间之间的第二比值；

根据第一比值和第二比值之间的差值，对第四时间进行修正，获取第五时间。

本申请实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如前述任意一个方法实施例提供的智能除霜方法的步骤。

需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物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、物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、物品或者设备中还存在另外的相同要素。

以上仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。

Claims (9)

1.一种智能除霜方法，其特征在于，所述方法应用于一种电器，所述方法包括：

获取第一数据集和第二数据集；

将所述第二数据集输入至结霜概率预测模型中，获取所述电器结霜的概率；

当所述电器结霜的概率大于或等于预设概率阈值时，确定进入当前周期的智能除霜模式，以将所述第一数据集输入至智能除霜预测模型中，获取智能除霜的第一时间；

当所述电器运行至所述第一时间后，执行对所述电器的智能除霜策略，以完成智能除霜操作。

2.根据权利要求1所述的方法，其特征在于，所述第一数据集包括所述电器的外管温度；所述当所述电器运行至所述第一时间，执行对所述电器的智能除霜策略，以完成智能除霜操作之前，所述方法还包括：

根据所述第一时间和所述外管温度，确定智能除霜的最佳阶段，以便在所述最佳阶段执行所述智能除霜控制策略。

3.根据权利要求2所述的方法，其特征在于，所述最佳阶段为所述电器运行时间大于或等于预设时间阈值,且外管温度小于或者等于预设温度阈值的阶段，其中，所述预设时间阈值为所述第一时间的k倍，k为预设数值。

4.根据权利要求3所述的方法，其特征在于，当进入当前周期的智能除霜模式后，所述方法还包括：

实时获取预设参数；

当根据所述预设参数，确定当前已执行完成对所述电器的智能除霜操作；且确定所述电器未断电时，则进入下一周期的智能除霜模式。

5.根据权利要求4所述的方法，其特征在于，将所述第一数据集输入至智能除霜预测模型中，除获取智能除霜的第一时间之外，还包括获取第二时间和第一电流；

所述进入下一周期的智能除霜模式后，所述方法还包括：

获取第三时间、第二电流，以及第四时间，其中，所述第三时间、所述第二电流，以及所述第四时间均为在下一周期获取第三数据集后，将所述第三数据集输入至智能除霜预测模型后所获取的数据；

根据所述第二时间、所述第一电流、所述第三时间以及所述第二电流，对所述第四时间进行修正，获取第五时间；

当所述电器运行所述第五时间后，执行对所述电器的智能除霜策略，以完成智能除霜操作。

6.根据权利要求5所述的方法，其特征在于，所述根据所述第二时间、所述第一电流、所述第三时间以及所述第二电流，对所述第四时间进行修正，获取第五时间，具体包括：

获取所述第一电流和所述第二时间之间的第一比值；

以及获取所述第二电流和所述三时间之间的第二比值；

根据所述第一比值和所述第二比值之间的差值，对所述第四时间进行修正，获取所述第五时间。

7.一种智能除霜装置，其特征在于，所述装置包括：

获取单元，用于获取第一数据集和第二数据集；

处理单元，用于将所述第二数据集输入至结霜概率预测模型中，获取电器结霜的概率；

当所述电器结霜的概率大于或等于预设概率阈值时，确定进入当前周期的智能除霜模式，以将所述第一数据集输入至智能除霜预测模型中，获取智能除霜的第一时间；

执行单元，用于当电器运行至所述第一时间后，执行对所述电器的智能除霜策略，以完成智能除霜操作。

8.一种电器，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；

存储器，用于存放计算机程序；

处理器，用于执行存储器上所存放的程序时，实现权利要求1-6任一项所述的智能除霜方法的步骤。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-6任一项所述的智能除霜方法的步骤。

Images