CN115264771A - 一种空调系统及其控制方法 - Google Patents

Abstract

本申请提供了一种空调系统及其控制方法，涉及家用电器技术领域，用于提高空调系统性能比的预测精度，从而有效地降低空调系统运行能耗。该空调系统包括：蒸发器、冷凝器和控制器。控制器被配置为：根据预设时长内的蒸发器和冷凝器的运行数据，获取空调系统的蒸发温度、冷凝温度、第一能效比和负荷率；根据蒸发温度、冷凝温度、第一能效比和负荷率，获取空调系统的第二能效比，以及第二能效比与空调系统的负荷率之间的第一对应关系；利用反向传播神经网络模型，获取第二能效比与空调系统的负荷率之间的第二对应关系；基于均值聚类算法利用第一对应关系和第二对应关系，获取空调系统的目标能效比与空调系统的负荷率之间的第三对应关系。

Description

一种空调系统及其控制方法

技术领域

本申请涉及家用电器技术领域，尤其涉及一种空调系统及其控制方法。

背景技术

相关技术中，通常可以通过建立空调系统的性能模型，来确定空调系统的能效比，从而进一步根据能效比确定出空调系统的制冷量等。空调系统性能模型一般是在实验室中建立的。具体的，可以利用实验室的便利条件，在不同空调系统的负荷率下，调节不同的冷却水进水温度，从而使空调系统COP(能效比)始终维持在一个较高的范围。

而在实际应用时，空调系统所处的环境都与实验室环境有很大的不同，在实验室中确定的空调系统性能模型并不符合实际应用中的实际情况，在实际应用中采用这种性能模型确定出的制冷量与实际制冷量的偏差比较大，依据这样的制冷量进行制冷时可能会增加能耗。

发明内容

本申请实施例提供一种空调系统及其控制方法，可以反映不同负荷率下空调系统的实际性能，提高空调系统能效比的预测精度，从而有效地降低空调系统的运行能耗。

第一方面，本申请提供一种空调系统，该系统包括：

蒸发器，用于使制冷剂由常温液态转变为低温气态，达到制冷目的；

冷凝器，用于使制冷剂由高温气态转变为常温液态，达到制热目的；

控制器，与蒸发器、冷凝器电连接，控制器被配置为：

根据预设时长内的蒸发器和冷凝器的运行数据，获取空调系统的蒸发温度、冷凝温度、第一能效比和负荷率；

根据蒸发温度、冷凝温度、第一能效比和负荷率，获取空调系统的第二能效比，以及第二能效比与空调系统的负荷率之间的第一对应关系；

利用反向传播神经网络模型，获取第二能效比与空调系统的负荷率之间的第二对应关系；

基于均值聚类算法利用第一对应关系和第二对应关系，获取空调系统的目标能效比与空调系统的负荷率之间的第三对应关系。

本申请提供的技术方案至少带来以下有益效果：根据预设时长内的蒸发器和冷凝器的运行数据，获取空调系统的第一能效比和第二能效比，再建立第二能效比与空调系统的负荷率之间的第一对应关系。之后再通过反向传播神经网络模型，预测出第二能效比与空调系统的负荷率之间的第二对应关系。再基于均值聚类算法确定出是根据第一对应关系建立第三对应关系，还是根据第二对应关系建立第三对应关系。本申请的控制方法可以通过不同的方式获取空调系统的能效比和空调系统的负荷率之间的多个对应关系，并从中选择出更为合适地对应关系来确定出目标能效比。根据目标能效比也可以确定出更加准确的制冷量，从而降低空调系统的运行能耗。并且，也提高了空调系统能效比的预测精度，解决了传统的空调系统性能模型对能效比预测精度低的问题。同时也为空调系统的能耗模拟、能效监测以及制定合理的节能控制策略提供前提。

在一些实施例中，预设时长内的蒸发器和冷凝器的运行数据包括：蒸发器的冷冻水供水温度、冷冻水回水温度、冷冻水流量和蒸发器蒸发温度，冷凝器的冷却水供水温度、冷却水回水温度、冷却水流量和冷凝器冷凝温度，空调系统的冷机负荷率和冷机功率；其中，预设时长内的每个时间点对应的运行数据组成一个数据组。本实施例中，预设时长内的蒸发器和冷凝器的运行数据可以是全年各时段的运行数据，且所有数据的时间线统一，使用这样的运行数据可以更加全面准确建立空调系统的能效比与空调系统的负荷率的对应关系，从而可以提高空调系统效能比的预测精度。

在一些实施例中，空调系统的控制器，被配置为获取空调系统的蒸发温度，包括：根据水的比热容和运行数据中目标数据组中的冷冻水流量、冷冻水回水温度和冷冻水供水温度，获取冷机直接负荷；根据水的比热容和运行数据中目标数据组中的冷却水流量、冷却水回水温度和冷却水供水温度，获取冷机冷却量；根据目标数据组中的冷冻水供水温度与蒸发器蒸发温度的温差，以及目标数据组中的冷冻水回水温度与蒸发器蒸发温度的温差，获取目标数据组对应的蒸发器对数平均温差；根据冷机直接负荷和蒸发器对数平均温差，获取目标数据组对应的蒸发器传热系数；根据不同数据组对应的蒸发器传热系数，拟合获得蒸发器目标传热系数；根据水的密度、水的比热容、蒸发器目标传热系数、冷机直接负荷、冷冻水流量和冷冻水供水温度，获取空调系统的蒸发温度。本实施例中，根据运行数据中不同数据组对应的蒸发器传热系数，拟合获得蒸发器目标传热系数，从而使得获取的空调系统的蒸发温度数据更加全面和准确。

在一些实施例中，空调系统的控制器，被配置为获取空调系统的冷凝温度，包括：根据水的比热容和运行数据中目标数据组中的冷冻水流量、冷冻水回水温度和冷冻水供水温度，获取冷机直接负荷；根据水的比热容和运行数据中目标数据组中的冷却水流量、冷却水回水温度和冷却水供水温度，获取冷机冷却量；根据目标数据组中的冷却水供水温度与冷凝器冷凝温度的温差，以及目标数据组中的冷却水回水温度与冷凝器冷凝温度的温差，获取目标数据组对应的冷凝器对数平均温差；根据冷机直接负荷和冷凝器对数平均温差，获取目标数据组对应的冷凝器传热系数；根据不同数据组对应的冷凝器传热系数，拟合获得冷凝器目标传热系数；根据水的密度、水的比热容、冷凝器目标传热系数、冷机直接负荷、冷却水流量和冷却水回水温度，获取空调系统的冷凝温度。本实施例中，根据运行数据中不同数据组对应的冷凝器传热系数，拟合获得冷凝器目标传热系数，从而使得获取的空调系统的冷凝温度数据更加全面和准确。

在一些实施例中，空调系统的控制器，还被配置：根据冷机直接负荷和冷机冷却量，以及运行数据中目标数据组中的冷机功率，获取负荷不平衡率；在负荷不平衡率大于或者等于预设不平衡率的情况下，在运行数据中删除目标数据组中的数据。本实施例中，通过冷机功率、冷机直接负荷和冷机冷却量，获取负荷不平衡率，剔除运行数据中异常负荷不平衡率对应的数据组，从而使运行数据中的数据更加准确，为后续提高空调系统能效比的预测精度奠定基础。

在一些实施例中，空调系统的控制器，被配置为获取空调系统的第一能效比，包括：根据冷机直接负荷和运行数据中目标数据组中的冷机功率，获取空调系统的第一能效比；在第一能效比处于预设区间之外的情况下，在运行数据中删除目标数据组中的数据。本实施例中，剔除运行数据中异常第一能效比对应的数据组，从而使运行数据中的数据更加准确，为后续提高空调系统能效比的预测精度奠定基础。

在一些实施例中，空调系统的控制器，还被配置为：根据蒸发温度、冷凝温度、第一能效比和负荷率，获取空调系统的第二能效比，以及第二能效比与空调系统的负荷率之间的第一对应关系，包括：根据蒸发温度、冷凝温度、第一能效比和负荷率，获取空调系统的第二能效比；将第二能效比作为横坐标，将第二效能比对应的负荷率作为纵坐标，生成若干数据点组成的散点图；其中，每个数据点对应一个第二能效比和一个负荷率；本实施例中，获取的以曲线表示的第一对应关系可以表示空调系统的性能模型，并且模型是根据实际运行数据所建立的，基于大量实际运行数据得到的空调系统性能模型曲线是空调系统优化运行的依据之一，利用该方法获得的空调系统性能模型更加完整，从而可选择性地适用于不同的实际环境的空调系统，提高空调系统能效比的预测精度。

在一些实施例中，空调系统的控制器，被配置为利用反向传播神经网络模型，获取第二能效比与空调系统的负荷率之间的第二对应关系，包括：将运行数据中的冷机负荷率，以及空调系统的蒸发温度与冷凝温度的温差输入反向传播神经网络模型，获得第二能效比及第二能效比与空调系统的负荷率之间的第二对应关系。本实施例中，利用反向传播神经网络模型，获取第二能效比与空调系统的负荷率之间的第二对应关系也可以表示空调系统性能预测模型。反向传播神经网络模型能通过学习带正确答案的实例集自动提取“合理的”求解规律，即具有自学习能力，适合求解内部机制复杂的问题。利用该方法获得的空调系统性能预测模型，使得空调系统性能模型的构建更加完整，从而可选择性地适用于不同的实际环境的空调系统，提高空调系统能效比的预测精度。

在一些实施例中，空调系统的控制器，被配置为基于均值聚类算法利用第一对应关系和第二对应关系，获取空调系统的目标能效比与空调系统的负荷率之间的第三对应关系包括：基于冷机负荷率、空调系统的蒸发温度与冷凝温度的温差，获取当前数据组与运行数据中的目标数据组的数据相似度；当前数据组中包括在预设时长之后获取的运行数据；在数据相似度小于或等于预设相似度的情况下，根据第一对应关系，建立第三对应关系；在数据相似度大于预设相似度的情况下，根据第二对应关系，建立第三对应关系。本实施例中，通过均值聚类算法，获取第一数据组与当前数据组的数据相似度，并且根据相似度的大小判断根据使用第一或第二对应关系，来建立第三对应关系，从而使得空调系统性能模型的建立基于当前数据的实际情况，提高了空调系统模型的预测精度，从而实现空调系统的高效、安全、节能运行。

第二方面，本申请提高了一种空调系统的控制方法，该方法应用于第一方面的空调系统中。该方法包括：根据预设时长内的蒸发器和冷凝器的运行数据，获取空调系统的蒸发温度、冷凝温度、第一能效比和负荷率；根据蒸发温度、冷凝温度、第一能效比和负荷率，获取空调系统的第二能效比，以及第二能效比与空调系统的负荷率之间的第一对应关系；利用反向传播神经网络模型，获取第二能效比与空调系统的负荷率之间的第二对应关系；基于均值聚类算法利用第一对应关系和第二对应关系，获取空调系统的目标能效比与空调系统的负荷率之间的第三对应关系。

第三方面，本申请提供一种控制器，包括：一个或多个处理器；一个或多个存储器；其中，一个或多个存储器用于存储计算机程序代码，计算机程序代码包括计算机指令，当一个或多个处理器执行计算机指令时，控制器执行第二方面以及可能的实现方式中所提供的空调系统的控制方法。

第四方面，本申请提供一种计算机可读存储介质，计算机可读存储介质包括计算机指令，当计算机指令在计算机上运行时，使得计算机执行第二方面以及可能的实现方式中提供的空调系统的控制方法。

第五方面，本发明实施例提供一种计算机程序产品，该计算机程序产品可直接加载到存储器中，并含有软件代码，该计算机程序产品经由计算机载入并执行后能够实现如第二方面以及可能的实现方式中提供的空调系统的控制方法。

需要说明的是，上述计算机指令可以全部或者部分存储在计算机可读存储介质上。其中，计算机可读存储介质可以与控制器的处理器封装在一起的，也可以与控制器的处理器单独封装，本申请对此不作限定。

本申请中第二方面至第五方面的描述的有益效果，可以参考第一方面的有益效果分析，此处不再赘述。

附图说明

图1为本申请实施例提供的一种空调系统的结构示意图；

图2为本申请实施例提供的一种空调系统的硬件配置图；

图3为本申请实施例提供的一种空调系统的控制方法的流程示意图；

图4为本申请实施例提供的又一种空调系统的控制方法的流程示意图；

图5为本申请实施例提供的又一种空调系统的控制方法的流程示意图；

图6为本申请实施例提供的又一种空调系统的控制方法的流程示意图；

图7为本申请实施例提供的又一种空调系统的控制方法的流程示意图；

图8为本申请实施例提供的又一种空调系统的控制方法的流程示意图；

图9为本申请实施例提供的又一种空调系统的控制方法的流程示意图；

图10为本申请实施例提供的又一种空调系统的控制方法的流程示意图；

图11为本申请实施例提供的一种冷机的蒸发温度、冷凝温度的计算结果图；

图12为本申请实施例提供的一种冷机性能模型的新增数据预测结果图；

图13为本申请实施例提供的一种冷机性能预测模型的神经网络结构图；

图14为本申请实施例提供的又一种冷机性能模型的新增数据预测结果图；

图15为本申请实施例提供的一种冷机模型的新增数据预测结果图；

图16为本申请实施例提供的一种控制器的硬件结构示意图。

具体实施方式

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，所描述的实施例仅仅是本申请一部分实施例，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。

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“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。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。另外，在对管线进行描述时，本申请中所用“相连”、“连接”则具有进行导通的意义。具体意义需结合上下文进行理解。

在本申请实施例中，“示例性的”或者“例如”等词用于表示作例子、例证或说明。本申请实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言，使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。

相关技术中，通常可以通过建立空调系统的性能模型，来确定空调系统的能效比，从而进一步根据能效比确定出空调系统的制冷量等。空调系统性能模型一般是在实验室中建立的。具体的，可以利用实验室的便利条件，在不同空调系统的负荷率下，调节不同的冷却水进水温度，从而使空调系统COP(能效比)始终维持在一个较高的范围。而在实际应用时，空调系统所处的环境都与实验室环境有很大的不同，在实验室中确定的空调系统性能模型并不符合实际应用中的实际情况，在实际应用中采用这种性能模型确定出的制冷量与实际制冷量的偏差比较大，依据这样的制冷量进行制冷时可能会增加能耗。

基于上述内容，本申请实施例提供了一种空调系统及其控制方法，该空调系统可以通过不同方式获取空调系统的能效比和空调系统的负荷率之间的多种对应关系，并且根据空调系统当前运行数据的实际情况，选择性地使用某种对应关系来确定出空调系统的目标能效比，从而根据目标能效比准确地确定出空调系统的制冷量等。这样，解决了传统的空调系统性能模型预测精度低的问题。为空调系统的能耗模拟、能效监测以及制定合理的节能控制策略提供了前提。

其中，空调系统也可以称为冷机，空调系统性能模型等也可以称为冷机性能模型。

图1为本申请提供的空调系统11的结构示意图。如图1所示，空调系统11包括：冷凝器100、蒸发器101、压缩机102、膨胀阀103。

在一些实施例中，冷凝器100、蒸发器101、压缩机102、膨胀阀103构成闭环的冷媒循环回路。

在一些实施例中，冷凝器100可以为壳管式冷凝器、螺旋板式冷凝器或条形冷凝器等，冷凝器100的工作原理是从制冷压缩机出来的高压过热气态制冷剂进入冷凝器后，将热量传递给周围的空气，或将热量先传递给水，再由水把热量传递到周围的空气中去，制冷剂在冷凝器中放出热量的同时自身因受冷却而凝结为液体。

在一些实施例中，蒸发器101可以为壳管式蒸发器、水箱式蒸发器等，蒸发器101的工作原理是液态的制冷剂在蒸发器内吸取被水冷却物的热能，并挥发成气态制冷剂。

在一些实施例中，压缩机102可以是离心式压缩机、螺杆式压缩机，涡旋式压缩机等。压缩机102用于增加空调制冷系统内制冷剂的压力，使制冷剂在空调制冷系统内循环，达到制冷目的。

在一些实施例中，膨胀阀103可以为热力膨胀阀。膨胀阀103位于冷凝器100出口与蒸发器101的入口处，用于使制冷剂的冷凝压力调降为蒸发压力。

如图2所示，空调系统11还包括：控制器104、传感器模块105、供电电源106中的一种或者多种。其中，控制器104、传感器模块105、供电电源106均与控制器104连接。

在一些实施例中，控制器104用于根据指令操作码和时序信号，产生操作控制信号，指示空调系统执行控制指令。例如，控制器104发出控制指令，从而获取空调系统11的蒸发温度、冷凝温度、运行数据等。

在一些实施例中，控制器104可以通过传感器模块105获取空调系统11的运行数据。

在一些实施例中，供电电源106，用于在控制器104的控制下为空调系统11的各电器元件提供运行电力支持。供电电源106可以包括电池及相关控制电路。

基于上述空调系统，如图3所示，本申请实施例提供一种空调系统的控制方法，该方法可以包括以下步骤：

S101、空调系统根据预设时长内的蒸发器和冷凝器的运行数据，获取空调系统的蒸发温度、冷凝温度、第一能效比和负荷率。

在一些实施例中，运行数据包括蒸发器的冷冻水供水温度、冷冻水回水温度、冷冻水流量和蒸发器蒸发温度，冷凝器的冷却水供水温度、冷却水回水温度、冷却水流量和冷凝器冷凝温度，空调系统的冷机负荷率、冷机功率等。

在一些实施例中，可以通过安装传感器获取空调系统的部分运行数据。

示例性的，可以通过安装温度传感器获取蒸发器的冷冻水供水温度、冷冻水回水温度、冷冻水流量和蒸发器蒸发温度，冷凝器的冷却水供水温度、冷却水回水温度、冷却水流量和冷凝器冷凝温度等。上述预设时长可以是半年，一年等，其中，预设时长内每个时间点对应的运行数据可以组成一个数据组，获取运行数据的时间间隔可以是5分钟，10分钟等。例如，每隔5分钟获取一个数据组，一个数据组可以包括该时间点下的蒸发器的冷冻水供水温度、冷冻水回水温度、冷冻水流量和蒸发器蒸发温度，冷凝器的冷却水供水温度、冷却水回水温度、冷却水流量和冷凝器冷凝温度，空调系统的冷机负荷率、冷机功率等。

在一些实施例中，第一能效比可以表示为COP(Coefficient Of Performance，制冷性能系数)，是指单位功耗所能获得的制冷量，是空调系统(例如制冷机)的一项重要技术经济指标。制冷性能系数大，表示空调系统能源利用效率高。

S102、空调系统通过蒸发温度、冷凝温度和第一能效比，获取第二能效比，以及第二能效比与空调系统的负荷率之间的第一对应关系。

在一些实施例中，第二能效比为DCOP(冷机性能系数)，也表示空调系统的内部能效，其主要是反映COP和ICOP(理想COP值)之间的偏差，通过DCOP能够具体判断空调系统运行效率低下的原因所在。

在一些实施例中，第一对应关系可以为空调系统的DCOP与空调系统的PLR(PartLoadRatio，负荷率)之间建立的空调系统DCOP性能模型。由于第一对应关系基于实际运行数据获取或者建立，因此其对应表示的DCOP性能模型可以体现空调系统的真实能效。

S103、空调系统利用反向传播神经网络模型，获取第二能效比与空调系统的负荷率之间的第二对应关系。

在一些实施例中，第二对应关系可以为空调系统的DCOP与空调系统的PLR建立的空调系统DCOP性能预测模型。由于第二对应关系是通过反向传播神经网络的学习和预测而建立的，因此其对应表示的DCOP性能预测模型可以预测出空调系统的能效。

在一些实施例中，反向传播神经网络模型即为BP(Back Propagation)神经网络结构，BP神经网络是一种按照误差逆向传播算法训练的多层前馈神经网络，是应用最广泛的神经网络，BP神经网络是一种针对非线性、非周期、无规律、无结构性或半结构性数据建模最常用、效果最佳的模型，结合数据挖掘建立具有时间序列的特征的BP神经网络预测模型对空调系统性能预测来说，是非常适合采用的方法。

在一些实施例中，可以将运行数据中空调系统的冷机负荷率，以及空调系统的蒸发温度与冷凝温度的温差输入反向传播神经网络模型，获得第二能效比及第二能效比与空调系统的负荷率之间的第二对应关系。示例性的，建立BP神经网络结构，共三层，神经网络的输入神经元为：冷机负荷率，冷凝温度与蒸发温度的差值；网络隐含层的网络节点数为7个；输出神经元为DCOP。BP神经网络模型使用trainlm(Levenberg-Marquarelt)学习算法，网络隐含层传递函数选择tansig函数(双极性S函数)，输出层选择Pureline函数(线性函数)，BP神经网络模型的学习率可以设置为0.05，最大学习步数可以设置为1000次，训练目标误差可以设置为0.003，从而可以通过数据训练得到上述DCOP性能预测模型。

S104、空调系统基于均值聚类算法利用第一对应关系和第二对应关系，获取空调系统的目标能效比与空调系统的负荷率之间的第三对应关系。

在一些实施例中，第三对应关系表示可以获取到目标能效比的空调系统的目标性能模型。

在一些实施例中，均值聚类算法即为K-means(K-means clustering algorithm，K均值)聚类算法。K-means算法是一个经典的基于距离的聚类算法，采用距离作为相似性的评价指标，即认为两个对象距离越近，其相似性越大。K-means聚类算法作为聚类算法的中最简单，最快速的一种，有着大量而广泛的使用。基于均值聚类算法，可以确定出是根据第一对应关系建立第三对应关系，还是根据第二对应关系建立第三对应关系。

在一些实施例中，根据第一对应关系，建立第三对应关系，可以为根据利用空调系统真实运行数据所建立的DCOP性能模型来预测当前时间下空调系统运行状态的性能，并且该性能可以通过目标能效比表示；根据第二对应关系，建立第三对应关系，可以为根据BP神经网络所建立的空调系统的DCOP性能预测模型来预测当前时间下空调系统运行状态的性能，并且该性能可以通过目标能效比表示。

前述实施例至少带来以下有益效果：根据预设时长内的蒸发器和冷凝器的运行数据，获取空调系统的第一能效比和第二能效比，再建立第二能效比与空调系统的负荷率之间的第一对应关系。之后再通过反向传播神经网络模型，预测出第二能效比与空调系统的负荷率之间的第二对应关系。再基于均值聚类算法确定出根据第一对应关系建立第三对应关系，还是根据第二对应关系建立第三对应关系。本申请的控制方法可以通过不同的方式获取空调系统的能效比和空调系统的负荷率之间的多个对应关系，并从中选择出更为合适地对应关系来确定出目标能效比。根据目标能效比也可以确定出更加准确的制冷量，从而降低空调系统的运行能耗。并且，这样也可以提高空调系统能效比的预测精度，解决了传统的空调系统性能模型对能效比预测精度低的问题。同时也为空调系统的能耗模拟、能效监测以及制定合理的节能控制策略提供前提。

在一些实施例中，可以通过获取冷机直接负荷，冷机冷却量来进一步获取空调系统的第一性能比、蒸发温度和冷却温度。因此，如图4所示，上述步骤S101可以具体包括以下步骤：

S201、根据水的比热容和运行数据中目标数据组中的冷冻水流量、冷冻水回水温度和冷冻水供水温度，获取冷机直接负荷。

在一些实施例中，可以利用公式(1)获取冷机直接负荷：

Q_d＝c·m_e·(T_e-rtn-T_e-sup) (1)

式中：Q_d表示冷机直接负荷；c表示水的比热容；m_e表示冷冻水质量流量；T_e-rtn表示冷冻水回水温度；T_e-sup表示冷冻水供水温度。

S202、根据水的比热容和运行数据中目标数据组中的冷却水流量、冷却水回水温度和冷却水供水温度，获取冷机冷却量。

在一些实施例中，可以利用公式(2)获取冷机冷却量：

Q_c＝c·m_c·(T_c-sup-T_c-rtn) (2)

式中：Q_c表示冷机冷却量；m_c表示冷却水流量；T_c-sup表示冷却水供水温度；T_c-rtn表示冷却水回水温度。

在一些实施例中，考虑到时间测量中存在误差，因此可以根据冷机功率、冷机直接负荷和冷机冷却量，获取负荷不平衡率；在负荷不平衡率大于或者等于预设负荷不平衡率的情况下，删除运行数据中该负荷不平衡率对应的数据组，以降低数据采集的误差。示例性的，可以利用公式(3)计算负荷不平衡率：

式中：B_a表示负荷不平衡率；P_w表示冷机功率。

示例性的，预设负荷不平衡率可以为15％，即当根据一组数据组中的某些数据计算出的负荷不平衡率大于或者等于15％时，从运行数据剔除该负荷不平衡率对应的数据组中的所有数据。

上述实施例中，剔除运行数据中异常负荷不平衡率对应的数据组，从而降低异常数据组对建立空调系统性能模型的干扰，使运行数据中的数据组更加准确，为后续提高空调系统模型的精确度奠定基础。

在一些实施例中，如图5所示，剔除第一能效比的异常数据值对应的数据组，可以包括以下步骤：

S301、根据冷机直接负荷和运行数据中目标数据组中的冷机功率，获取空调系统的第一能效比。

在一些实施例中，可以利用公式(4)获取冷机冷却量：

式中：COP表示第一能效比。

S302、在第一能效比处于预设区间之外的情况下，在运行数据中删除目标数据组中的数据。

示例性的，预设区间可以为(μ1-2σ1，μ1+2σ1)，其中μ1为当月COP的平均值，σ1为当月COP的标准差。即当COP值位于(μ1-2σ1，μ1+2σ1)区间外时为异常值，从运行数据剔除该COP值对应的目标数据组中的所有数据。

上述实施例中，在第一能效比在预设区间外的情况下，删除运行数据中第一能效比对应的数据组。本实施例中，剔除运行数据中异常第一能效比对应的数据组，从而降低异常数据组对建立空调系统性能模型的干扰，使运行数据中的数据更加准确，为后续提高空调系统模型的精确度奠定基础。

在一些实施例中，如图6所示，获取空调系统的蒸发温度可以包括以下步骤：

S401、根据目标数据组中的冷冻水供水温度与蒸发器蒸发温度的温差，以及目标数据组中的冷冻水回水温度与蒸发器蒸发温度的温差，获取目标数据组对应的蒸发器对数平均温差。

在一些实施例中，可以利用公式(5)、(6)获取蒸发器对数平均温差：

Δt_ch,e＝Δt_e2-Δt_e1 (6)

式中：Δte₂、Δte₁分别表示冷冻水供水温度与蒸发器蒸发温度、冷冻水回水温度与蒸发器蒸发温度的温差；Δt_m,e表示蒸发器对数平均温差；Δt_ch,e表示蒸发器进出口温差。

S402、根据冷机直接负荷和蒸发器对数平均温差，获取目标数据组对应的蒸发器传热系数。

在一些实施例中，可以利用公式(7)获取蒸发器传热系数：

式中：K_eF_e表示蒸发器传热系数。

S403、根据不同数据组对应的蒸发器传热系数，拟合获得蒸发器目标传热系数。

在一些实施例中，可以利用公式(8)回归拟合获得蒸发器目标传热系数：

式中：a₁、b₁、c₁、d₁、e₁、f₁表示拟合出的蒸发器模型各次项参数。

在一些实施例中，回归拟合获得蒸发器目标传热系数，可以以曲线方式定量刻画空调系统的蒸发温度，使得空调系统的蒸发温度更加全面准确。

S404、根据水的密度、水的比热容、蒸发器目标传热系数、冷机直接负荷、冷冻水流量和冷冻水供水温度，获取空调系统的蒸发温度。

在一些实施例中，可以利用公式(9)获取空调系统的蒸发温度：

式中：ρ表示水的密度；T_e表示蒸发温度。

上述实施例中，根据运行数据中不同数据组对应的蒸发器传热系数，拟合获得蒸发器目标传热系数，可以帮助建立蒸发器的传热模型，从而使得获取的空调系统的蒸发温度数据更加全面准确。

在一些实施例中，如图7所示，获取空调系统的冷凝温度可以包括以下步骤：

S501、根据目标数据组中的冷却水供水温度与冷凝器冷凝温度的温差，以及目标数据组中的冷却水回水温度与冷凝器冷凝温度的温差，获取目标数据组对应的冷凝器对数平均温差。

在一些实施例中，可以利用公式(10)、(11)获取冷凝器对数平均温差：

Δt_ch,c＝Δt_c2-Δt_c1 (11)

式中：Δtc₂、Δtc₁分别表示冷却水出水温度与冷凝器冷凝温度、冷却水回水温度与冷凝器冷凝温度的温差；Δt_m,c表示冷凝器对数平均温差；Δt_ch,c表示冷凝器进出口温差。

S502、根据冷机直接负荷和冷凝器对数平均温差，获取目标数据组对应的冷凝器传热系数。

在一些实施例中，可以利用公式(12)获取冷凝器传热系数：

式中：K_cF_c表示冷凝器传热系数。

S503、根据不同数据组对应的冷凝器传热系数，拟合获得冷凝器目标传热系数。

在一些实施例中，可以利用公式(13)拟合获得冷凝器目标传热系数：

式中：a₂、b₂、c₂、d₂、e₂、f₂表示拟合出的冷凝器模型各次项参数。

在一些实施例中，回归拟合获得冷凝器目标传热系数，可以以曲线方式定量刻画空调系统的冷凝温度，使得空调系统的冷凝温度更加全面准确。

S504、根据水的密度、水的比热容、冷凝器目标传热系数、冷机直接负荷、冷却水流量和冷却水回水温度，获取空调系统的冷凝温度。

在一些实施例中，可以利用公式(14)获取空调系统的冷凝温度：

式中：ρ表示水的密度；T_c表示冷凝温度。

上述实施例中，根据运行数据中不同数据组对应的冷凝器传热系数，拟合获得冷凝器目标传热系数；可以帮助建立冷凝器的传热模型，从而使得获取的空调系统的冷凝温度数据更加全面准确。

在一些实施例中，第二能效比与空调系统的负荷率之间的第一对应关系可以为通过曲线表示的空调系统的第一对应关系。因此，如图8所示，上述步骤S102可以具体包括以下步骤：

S601、将第二能效比作为横坐标，将第二效能比对应的负荷率作为纵坐标，生成若干数据点组成的散点图。

在一些实施例中，可以利用公式(15)计算出空调系统的ICOP值，通过公式(16)计算出DCOP值：

式中：ICOP表示理想能效比(理想COP值)；DCOP表示第二能效比。

在一些实施例中，可以将DCOP值作为横坐标，将DCOP值对应的冷机负荷率PLR作为纵坐标，生成若干数据点组成的散点图，散点图可以直观地表示出空调系统的DCOP值及其对应的负荷率PLR的关系。

S602、拟合散点图上的数据点，获取以曲线表示的第一对应关系。

在一些实施例中，获取以曲线表示的第一对应关系可以是以数据回归拟合所建立的空调系统DCOP性能模型。示例性的，可以利用公式(17)回归拟合，辨识获取模型系数，得到空调系统DCOP性能模型：

DCOP＝A·PLR²+B·PLR+C (17)

式中：PLR为冷机负荷率；A、B、C为拟合出的空调系统模型各次项参数。

上述实施例中，基于大量实际运行数据得到的空调系统DCOP性能模型曲线是空调系统优化运行的依据之一，利用数据回归拟合得到的空调系统DCOP性能模型，使得空调系统性能模型的构建更加完整，从而可选择性地适用于不同的实际环境的空调系统，提高空调系统能效比的预测精度。

在一些实施例中，可以根据新增的当前数据组与运行数据中目标数据组的数据相似度，选择性的利用第一对应关系或第二对应关系，获得空调系统的第三对应关系。因此，如图9所示，上述步骤S104可以具体包括以下步骤：

S701、基于冷机负荷率、空调系统的蒸发温度与冷凝温度的温差，获取当前数据组与运行数据中的目标数据组的数据相似度。

其中，当前数据组中包括在预设时长之后获取的运行数据，也可以表示为当前时间下的运行数据。

本申请实施例中，目标数据组可以表示运行数据中任意一个数据组。在一些实施例中，可以利用K-means聚类分析方法对输入数据进行聚类，聚类中心数通过手肘法在预设区间中寻找最优聚类中心数k，得到聚类中心p₁、p₂、……、p_k。示例性的，利用K-means聚类分析方法对冷机负荷率、蒸发温度与冷凝温度的温差进行聚类，聚类中心数通过手肘法在[2,10]区间中寻找最优聚类中心数k，得到聚类中心p₁、p₂、……、p_k。之后，再利用公式(18)计算冷机负荷率、蒸发温度与冷凝温度的温差到聚类中心的欧式距离d₁、d₂、……、d_k：

式中：x_j为n维输入参数，p_i为聚类中心，d_i为输入参数到p_i聚类中心的欧式距离。

在一些实施例中，数据相似度可以为数据接近度，可以利用公式(19)计算当前数据组与运行数据中的目标数据组之间的数据相似度：

式中：I为当前数据组与运行数据中的目标数据组的数据相似度。

S702、在数据相似度小于或等于预设相似度的情况下，根据第一对应关系，建立第三对应关系；在数据相似度大于预设相似度的情况下，根据第二对应关系，建立第三对应关系。

在一些实施例中，建立第三对应关系也可以表示空调系统的目标性能模型。可以利用公式(20)获得目标性能模式，从而从目标性能模型中得到目标能效比。

COP＝ICOP·DCOP (20)

公式(20)中的COP可以表示目标能效比。

在一些实施例中，当前数据组中可以包括在预设时长之后获取的运行数据中的冷机运行负荷率，空调系统冷凝温度和空调系统蒸发温度。运行数据中的目标数据组的数据为在BP神经网络中的输入神经元：冷机运行负荷率，冷凝温度与蒸发温度之差。可以利用公式(19)计算当前输入数据与BP神经网络中的输入神经元的相似度，以I’(预设相似度)为界限，当相似度高于I’时，说明当前数据组接近BP神经网络中的输入神经元，因此选择使用BP神经网络建立的空调系统DCOP性能预测模型来建立空调系统的目标性能模型；当相似度小于或等于I’时，说明使用空调系统DCOP性能模型进行预测精度更高，因此选择使用空调系统DCOP性能模型来建立空调系统的目标性能模型。上述实施例中，通过均值聚类算法，获取第一数据组与当前数据组的数据相似度，并且根据相似度的大小判断根据使用第一对应关系或第二对应关系，来建立第三对应关系，从而使得空调系统性能模型的建立基于当前数据的实际情况，提高了空调系统模型的预测精度，也可以获得更加准确的目标能效比和制冷量，从而到达到空调系统的高效、安全、节能运行目标。

以下，以实施对象是一台额定制冷量为440kW的离心式冷水机组为例对本申请实施例中的控制方法进行说明。其中，压缩机为离心式压缩机，蒸发器和冷凝器均为壳管式换热器，水在管内流，制冷剂R134a管外流，使用电子膨胀阀。

如图10所示，建立冷机性能模型的步骤如下：

1、传感器采集数据：通过各传感器采集大量冷机实际的运行数据，获得某一年中冷冻水供水温度、冷冻水回水温度、冷机冷负荷率、冷机功率、冷冻水流量、冷却水供水温度、冷却水回水温度、冷却水流量、蒸发器蒸发温度、冷凝器冷凝温度10个特征的运行数据。

2、数据筛选：以连续月的所有数据为一组运行数据进行数据筛选。

1)计算负荷不平衡率：利用公式(1)先计算出冷机直接负荷，再利用公式(2)计算出冷机冷却量，进而利用公式(3)计算出负荷不平衡率。

2)计算冷机COP：利用公式(1)计算出冷机直接负荷进而利用公式(4)计算出冷机COP。

3)数据剔除。

不平衡率异常的认定规则如下：

当不平衡率超过15％时即为异常值，即当某一时间点计算出的负荷不平衡率大于或者等于15％时，从运行数据剔除该负荷不平衡率对应的时间点的数据组。

COP异常值的认定规则如下：

当COP值位于(μ1-2σ1，μ1+2σ1)区间外时即为异常值，对其进行剔除，其中μ1为当月COP的平均值，σ1为当月COP的标准差。即当一时间点计算出的COP值位于(μ1-2σ1，μ1+2σ1)区间外时为异常值，从运行数据剔除该COP值对应的时间点的数据组。

3、利用数据筛选值，计算蒸发温度和冷凝温度。

1)计算蒸发温度：计算冷冻水供水温度与蒸发器蒸发温度、冷冻水回水温度与蒸发器蒸发温度的温差，通过公式(5)、(6)计算分别计算蒸发器对数平均温差以及蒸发器进出口温差，再利用公式(7)计算蒸发器传热系数K_eF_e。利用公式(8)回归拟合蒸发器传热系数，定量刻画蒸发器换热系数K_eF_e，通过公式(9)计算蒸发温度。计算所得回归拟合系数见下表1。

表1蒸发器传热模型拟合系数计算结果

2)计算冷凝温度：计算冷却水回水温度与冷凝器冷凝温度、冷却水出水温度与冷凝器冷凝温度的温差，通过公式(10)、(11)分别计算冷凝器对数平均温差以及冷凝器进出口温差，再利用公式(12)计算冷凝器传热系数K_cF_c，利用公式(13)回归拟合冷凝器传热系数，定量刻画冷凝器换热系数K_cF_c，通过公式(14)计算冷凝温度。计算所得回归拟合系数见下表2。根据模型计算所得蒸发温度(单位为K)和冷凝温度(单位为K)见图11。

表2冷凝器传热模型拟合系数计算结果

4、建立冷水机组的DCOP性能模型。

通过公式(9)与公式(14)计算出冷机的蒸发温度与冷凝温度，再利用公式(15)计算出冷机的理想COP值，定义为ICOP值，通过公式(16)计算出的DCOP值，DCOP值即冷机实际COP值趋近于理想COP值的程度，称为冷机性能系数。最后以负荷率PLR为横坐标，以冷机性能系数DCOP为纵坐标，并将对应数据点列在坐标系中，形成密集的散点图。再通过用公式(17)回归拟合，辨识获取模型系数，得到冷机DCOP性能模型。计算所得回归拟合系数以及相应的模型评价指标见下表3。

表3 DCOP性能模型拟合系数计算结果

利用新增的冷水机组运行数据，输入训练完成的DCOP性能模型中进行计算，得到DCOP预测结果与DCOP实测计算结果的变化图以及相对误差变化图见图12中的(a)、(b)，模型误差评价指标见下表4。

表4 DCOP性能模型新增数据误差评价指标

从图12中的(a)、(b)和(c)可知，对于未经模型训练的输入数据，DCOP性能模型的预测结果仍然较为接近实测结果，DCOP性能模型的泛化能力较好。

5、通过BP神经网络模型建立冷水机组的DCOP性能预测模型。

建立BP神经网络结构，共三层，如图13所示，神经网络的输入神经元为：冷机运行负荷率PLR，冷凝温度与蒸发温度之差T_c-T_e；网络隐含层的网络节点数为7个；输出神经元为DCOP。BP神经网络模型使用trainlm学习算法，网络隐含层传递函数选择tansig函数，输出层选择Pureline函数，BP神经网络模型的学习率设置为0.05，最大学习步数设置为1000次，训练目标误差设置为0.003，通过数据训练得到冷机DCOP预测模型。

经计算，DCOP预测结果与DCOP实测计算结果的训练数据误差评价指标见表5。利用新增的冷水机组运行数据，输入训练完成的DCOP预测模型中进行计算，得到DCOP预测结果与DCOP实测计算结果的变化图以及相对误差变化图见图14(a)、(b)，模型误差评价指标见下表6。可以看出，利用神经网络建立的DCOP性能预测模型精确度较高，但从图14中的(a)、(b)、(c)可知，当新增的输入数据偏离模型的训练数据时，误差降低，说明模型的泛化能力较差。

表5 DCOP预测模型训练数据误差评价指标

表6 DCOP预测模型新增数据误差评价指标

6、基于K-means聚类算法融合冷水机组的DCOP性能模型与COP性能预测模型，建立起该冷水机组模型。

1)聚类计算得到聚类中心：利用K-means聚类分析方法对DCOP预测模型的输入数据进行聚类，聚类中心数手肘法在[2,10]区间中寻找最优聚类中心数k，得到聚类中心p₁、p₂、……、p_k。本实施例通过手肘法计算可得聚类中心数k值取5，通过公式(18)计算输入参数到聚类中心的欧式距离d₁、d₂、……、d_k。聚类中心p₁，p₂，p₃，p₄，p₅，p₆，p₇的坐标见表7。

表7聚类中心计算结果

2)利用新增数据计算聚类中心接近度I。

3)以I’(预设相似度)为界限，当接近度高于I’时，说明当前数据组接近BP神经网络中的输入神经元，因此选择使用BP神经网络建立的空调系统DCOP性能预测模型；当接近度小于或等于I’时，说明使用参数辨识所建立的空调系统DCOP性能模型进行预测精度更高，因此选择使用参数辨识所建立的空调系统DCOP性能模型。本实施例中取I'为0.8。新增数据误差评价指标见表8。

表8冷水机组模型新增数据误差评价指标

4)构建冷机性能模型。

利用公式(20)计算得出冷水机组的能效比COP。冷水机组的实测能效比COP与模型预测COP的对照图以及相对误差变化见图15中的(a)、(b)、(c)，新增数据误差评价指标见表9。可见最终建立的冷水机组模型的预测精确度较高，模型的泛化能力以及自适应能力也较好。

表9冷水机组模型COP预测误差评价指标

结合上述示例可见，本申请实施例提供的控制方法中，可以通过统计冷水机组在不同天气条件和不同冷负荷率下的冷机实际能效比、多种情况下的理想能效比以及蒸发器目标传热系数、冷凝器目标传热系数，以曲线方式定量刻画冷水机组的蒸发温度、冷凝温度。基于冷水机组的物理框架，利用实际数据建立能够冷水机组的实际性能模型，其次通过BP神经网络建立冷水机组性能预测模型，最后利用K-means聚类方法将冷水机组的实际性能模型与性能预测模型的高精度预测区间相结合从而得到冷水机组目标性能模型。本方案获得的目标性能模型完全基于实际数据，从而能很好地反映出不同负荷率下的实际冷机性能，大大提高了冷机模型的预测精度，解决了传统的冷机性能曲线无法应用于实际项目、现有的冷机性能模型预测精度不高，自适应能力以及通用性较差的问题。并且根据目标性能模型也可以获得目标能效比，从而可以根据目标能效比确定出更加合理和更加准确的制冷量，能有效地降低冷机运行能耗。

可以看出，上述主要从方法的角度对本申请实施例提供的方案进行了介绍。为了实现上述功能，本申请实施例提供了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到，结合本文中所公开的实施例描述的各示例的模块及算法步骤，本申请实施例能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

本申请实施例可以根据上述方法示例对控制器进行功能模块的划分，例如，可以对应各个功能划分各个功能模块，也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。可选的，本申请实施例中对模块的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。

本申请实施例还提供一种控制器的硬件结构示意图，如图16所示，该控制器104包括处理器107，可选的，还包括与处理器107连接的存储器108和通信接口109。处理器107、存储器108和通信接口109通过总线110连接。

处理器107可以是中央处理器(central processing unit，CPU)，通用处理器网络处理器(network processor，NP)、数字信号处理器(digital signal processing，DSP)、微处理器、微控制器、可编程逻辑器件(programmable logic device，PLD)或它们的任意组合。处理器107还可以是其它任意具有处理功能的装置，例如电路、器件或软件模块。处理器107也可以包括多个CPU，并且处理器107可以是一个单核(single-CPU)处理器，也可以是多核(multi-CPU)处理器。这里的处理器可以指一个或多个设备、电路或用于处理数据(例如计算机程序指令)的处理核。

存储器108可以是只读存储器(read-only memory，ROM)或可存储静态信息和指令的其他类型的静态存储设备、随机存取存储器(random access memory，RAM)或者可存储信息和指令的其他类型的动态存储设备，也可以是电可擦可编程只读存储器(electricallyerasable programmable read-only memory，EEPROM)、只读光盘(compact disc read-only memory，CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，本申请实施例对此不作任何限制。存储器108可以是独立存在，也可以和处理器107集成在一起。其中，存储器108中可以包含计算机程序代码。处理器107用于执行存储器108中存储的计算机程序代码，从而实现本申请实施例提供的控制方法。

通信接口109可以用于与其他设备或通信网络通信(如以太网，无线接入网(radioaccess network，RAN)，无线局域网(wireless local area networks，WLAN)等。通信接口109可以是模块、电路、收发器或者任何能够实现通信的装置。

总线110可以是外设部件互连标准(peripheral component interconnect，PCI)总线或扩展工业标准结构(extended industry standard architecture，EISA)总线等。总线110可以分为地址总线、数据总线、控制总线等。为便于表示，图16中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

本申请实施例还提供了一种计算机可读存储介质，包括计算机执行指令，当其在计算机上运行时，使得计算机执行上述实施例提供的任意一种控制方法。

本申请实施例还提供了一种包含计算机执行指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例提供的任意一种控制方法。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件程序实现时，可以全部或部分地以计算机程序产品的形式来实现。该计算机程序产品包括一个或多个计算机执行指令。在计算机上加载和执行计算机执行指令时，全部或部分地产生按照本申请实施例的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机执行指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，计算机执行指令可以从一个网站站点、计算机、服务器或者数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line，DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可以用介质集成的服务器、数据中心等数据存储设备。可用介质可以是磁性介质(例如，软盘、硬盘、磁带)，光介质(例如，DVD)、或者半导体介质(例如固态硬盘(solid state disk，SSD))等。

尽管在此结合各实施例对本申请进行了描述，然而，在实施所要求保护的本申请过程中，本领域技术人员通过查看附图、公开内容、以及所附权利要求书，可理解并实现公开实施例的其他变化。在权利要求中，“包括”(comprising)一词不排除其他组成部分或步骤，“一”或“一个”不排除多个的情况。单个处理器或其他单元可以实现权利要求中列举的若干项功能。相互不同的从属权利要求中记载了某些措施，但这并不表示这些措施不能组合起来产生良好的效果。

尽管结合具体特征及其实施例对本申请进行了描述，显而易见的，在不脱离本申请的精神和范围的情况下，可对其进行各种修改和组合。相应地，本说明书和附图仅仅是所附权利要求所界定的本申请的示例性说明，且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何在本申请揭露的技术范围内的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。

Claims (10)

1.一种空调系统，其特征在于，包括：

蒸发器，用于使制冷剂由常温液态转变为低温气态，达到制冷目的；

冷凝器，用于使制冷剂由高温气态转变为常温液态，达到制热目的；

控制器，与所述蒸发器、所述冷凝器电连接，所述控制器被配置为：

根据预设时长内的所述蒸发器和所述冷凝器的运行数据，获取所述空调系统的蒸发温度、冷凝温度、第一能效比和负荷率；

根据所述蒸发温度、所述冷凝温度、所述第一能效比和所述负荷率，获取所述空调系统的第二能效比，以及所述第二能效比与所述空调系统的负荷率之间的第一对应关系；

利用反向传播神经网络模型，获取所述第二能效比与所述空调系统的负荷率之间的第二对应关系；

基于均值聚类算法利用所述第一对应关系和所述第二对应关系，获取所述空调系统的目标能效比与所述空调系统的负荷率之间的第三对应关系。

2.根据权利要求1所述的空调系统，其特征在于，所述预设时长内的所述蒸发器和所述冷凝器的运行数据包括：所述蒸发器的冷冻水供水温度、冷冻水回水温度、冷冻水流量和蒸发器蒸发温度，所述冷凝器的冷却水供水温度、冷却水回水温度、冷却水流量和冷凝器冷凝温度，所述空调系统的冷机负荷率和冷机功率；其中，所述预设时长内的每个时间点对应的所述运行数据组成一个数据组。

3.根据权利要求2所述的空调系统，其特征在于，所述控制器，被配置为获取所述空调系统的蒸发温度，包括：

根据水的比热容和所述运行数据中目标数据组中的冷冻水流量、所述冷冻水回水温度和所述冷冻水供水温度，获取冷机直接负荷；

根据水的比热容和所述运行数据中目标数据组中的冷却水流量、所述冷却水回水温度和所述冷却水供水温度，获取冷机冷却量；

根据所述目标数据组中的冷冻水供水温度与蒸发器蒸发温度的温差，以及所述目标数据组中的冷冻水回水温度与蒸发器蒸发温度的温差，获取所述目标数据组对应的蒸发器对数平均温差；

根据所述冷机直接负荷和所述蒸发器对数平均温差，获取所述目标数据组对应的蒸发器传热系数；

根据不同数据组对应的蒸发器传热系数，拟合获得蒸发器目标传热系数；

根据水的密度、水的比热容、所述蒸发器目标传热系数、所述冷机直接负荷、所述冷冻水流量和所述冷冻水供水温度，获取所述空调系统的蒸发温度。

4.根据权利要求2所述的空调系统，其特征在于，所述控制器，被配置为获取所述空调系统的冷凝温度，包括：

根据水的比热容和所述运行数据中目标数据组中的冷冻水流量、所述冷冻水回水温度和所述冷冻水供水温度，获取冷机直接负荷；

根据水的比热容和所述运行数据中目标数据组中的冷却水流量、所述冷却水回水温度和所述冷却水供水温度，获取冷机冷却量；

根据所述目标数据组中的冷却水供水温度与冷凝器冷凝温度的温差，以及所述目标数据组中的冷却水回水温度与冷凝器冷凝温度的温差，获取所述目标数据组对应的冷凝器对数平均温差；

根据所述冷机直接负荷和所述冷凝器对数平均温差，获取所述目标数据组对应的冷凝器传热系数；

根据不同数据组对应的冷凝器传热系数，拟合获得冷凝器目标传热系数；

根据水的密度、水的比热容、所述冷凝器目标传热系数、所述冷机直接负荷、所述冷却水流量和所述冷却水回水温度，获取所述空调系统的冷凝温度。

5.根据权利要求3-4任一项所述的空调系统，其特征在于，所述控制器，还被配置：

根据所述冷机直接负荷和所述冷机冷却量，以及所述运行数据中目标数据组中的冷机功率，获取负荷不平衡率；

在所述负荷不平衡率大于或者等于预设不平衡率的情况下，在所述运行数据中删除所述目标数据组中的数据。

6.根据权利要求3-4任一项所述的空调系统，其特征在于，所述控制器，还被配置为：

根据所述冷机直接负荷和所述运行数据中目标数据组中的冷机功率，获取所述空调系统的第一能效比；

在所述第一能效比处于预设区间之外的情况下，在所述运行数据中删除所述目标数据组中的数据。

7.根据权利要求1-2任一项所述的空调系统，其特征在于，所述控制器，被配置为根据所述蒸发温度、所述冷凝温度、所述第一能效比和所述负荷率，获取所述空调系统的第二能效比，以及所述第二能效比与所述空调系统的负荷率之间的第一对应关系，包括：

根据所述蒸发温度、所述冷凝温度、所述第一能效比和所述负荷率，获取所述空调系统的第二能效比；

将所述第二能效比作为横坐标，将所述第二效能比对应的负荷率作为纵坐标，生成若干数据点组成的散点图；其中，每个数据点对应一个第二能效比和一个负荷率；

拟合所述散点图上的数据点，获取以曲线表示的所述第一对应关系。

8.根据权利要求1-2任一项所述的空调系统，其特征在于，所述控制器，被配置为利用反向传播神经网络模型，获取所述第二能效比与所述空调系统的负荷率之间的第二对应关系，包括：

将所述运行数据中的冷机负荷率，以及所述空调系统的所述蒸发温度与所述冷凝温度的温差输入所述反向传播神经网络模型，获得第二能效比及所述第二能效比与所述空调系统的负荷率之间的第二对应关系。

9.根据权利要求1-2任一项所述的空调系统，其特征在于，所述控制器，被配置为基于均值聚类算法利用所述第一对应关系和所述第二对应关系，获取所述空调系统的目标能效比与所述空调系统的负荷率之间的第三对应关系，包括：

基于所述冷机负荷率、所述空调系统的所述蒸发温度与所述冷凝温度的温差，获取当前数据组与所述运行数据中的目标数据组的数据相似度；所述当前数据组中包括在所述预设时长之后获取的运行数据；

在所述数据相似度小于或等于预设相似度的情况下，根据所述第一对应关系，建立第三对应关系；

在所述数据相似度大于预设相似度的情况下，根据所述第二对应关系，建立第三对应关系。

10.一种空调系统的控制方法，其特征在于，包括：

根据预设时长内的蒸发器和冷凝器的运行数据，获取空调系统的蒸发温度、冷凝温度、第一能效比和负荷率；

根据所述蒸发温度、所述冷凝温度、所述第一能效比和所述负荷率，获取所述空调系统的第二能效比，以及所述第二能效比与所述空调系统的负荷率之间的第一对应关系；

利用反向传播神经网络模型，获取所述第二能效比与所述空调系统的负荷率之间的第二对应关系；

基于均值聚类算法利用所述第一对应关系和所述第二对应关系，获取所述空调系统的目标能效比与所述空调系统的负荷率之间的第三对应关系。

Images