CN116518640A - 一种冷柜控制方法、系统和设备 - Google Patents
一种冷柜控制方法、系统和设备 Download PDFInfo
- Publication number
- CN116518640A CN116518640A CN202310813456.9A CN202310813456A CN116518640A CN 116518640 A CN116518640 A CN 116518640A CN 202310813456 A CN202310813456 A CN 202310813456A CN 116518640 A CN116518640 A CN 116518640A
- Authority
- CN
- China
- Prior art keywords
- refrigeration
- temperature
- refrigerator
- temperature difference
- condition
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000005057 refrigeration Methods 0.000 claims abstract description 305
- 238000012549 training Methods 0.000 claims abstract description 80
- 238000001816 cooling Methods 0.000 claims description 121
- 230000006870 function Effects 0.000 claims description 34
- 238000012545 processing Methods 0.000 claims description 18
- 239000002699 waste material Substances 0.000 abstract description 11
- 239000004973 liquid crystal related substance Substances 0.000 description 12
- 230000008569 process Effects 0.000 description 8
- 230000001105 regulatory effect Effects 0.000 description 8
- 230000008859 change Effects 0.000 description 6
- 238000004590 computer program Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000033228 biological regulation Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- F25D—REFRIGERATORS; COLD ROOMS; ICE-BOXES; COOLING OR FREEZING APPARATUS NOT OTHERWISE PROVIDED FOR
- F25D29/00—Arrangement or mounting of control or safety devices
-
- 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
- F25D—REFRIGERATORS; COLD ROOMS; ICE-BOXES; COOLING OR FREEZING APPARATUS NOT OTHERWISE PROVIDED FOR
- F25D11/00—Self-contained movable devices, e.g. domestic refrigerators
-
- 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
- F25D—REFRIGERATORS; COLD ROOMS; ICE-BOXES; COOLING OR FREEZING APPARATUS NOT OTHERWISE PROVIDED FOR
- F25D2600/00—Control issues
- F25D2600/06—Controlling according to a predetermined profile
-
- 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
- Y02B40/00—Technologies aiming at improving the efficiency of home appliances, e.g. induction cooking or efficient technologies for refrigerators, freezers or dish washers
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Physics & Mathematics (AREA)
- Mechanical Engineering (AREA)
- Thermal Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Devices That Are Associated With Refrigeration Equipment (AREA)
Abstract
本发明提供一种冷柜控制方法、系统和设备,涉及制冷控制技术领域,所述方法包括:确定第i个内部温度和设定温度的第一温度差距;通过制冷控制模型,获得第i个控制周期的制冷功率;在第i+1个控制周期,获取第i+1个内部温度;确定第i+1个内部温度与设定温度的第二温度差距;确定制冷功率是否需要改变并确定制冷控制模型是否需要训练;通过第i个内部温度、外部温度、设定温度、第一温度差距和第二温度差距,训练制冷控制模型;通过训练后制冷控制模型,获得第i+1个控制周期的制冷功率;根据本发明,可使制冷速度符合要求,减少生鲜产品无法保持新鲜的可能性,并减少过大的制冷功率导致的电量浪费。
Description
技术领域
本发明涉及制冷控制技术领域,尤其涉及一种冷柜控制方法、系统和设备。
背景技术
在冷柜制冷过程中,制冷的速度受到多种因素的影响,例如,冷柜外部的温度、冷柜的制冷功率等等,因此,在多次保存物品的过程中,使用相同的功率进行制冷,冷柜的制冷速度可能不一致。例如,在外部温度高,保存的物品较多的情况下,制冷速度相对较慢,而外部温度低,保存的物品较少的情况下,制冷的速度相对较快。虽然制冷功率可以调节,但由于受到较多的因素的干扰,导致制冷的速度难以预测。这种情况在涉及到需要快速制冷的生鲜产品的保存时是尤为不利的,由于无法准确地确定制冷的速度与制冷功率之间的对应关系,从而无法准确地确定制冷功率,如果制冷功率较低,则可能无法快速制冷,导致生鲜产品无法保持新鲜,而制冷功率过高,则会导致电量浪费。
发明内容
本发明实施例提供一种冷柜控制方法、系统和设备,能够使制冷速度符合要求,减少生鲜产品无法保持新鲜的可能性,并减少过大的制冷功率导致的电量浪费。
根据本发明的实施例的第一方面,提供一种冷柜控制方法,包括:
在第i个控制周期,获取冷柜内的第i个内部温度信息、冷柜外的外部温度信息、冷柜的设定温度,其中,i为正整数;
确定所述第i个内部温度信息和所述设定温度的第一温度差距;
将所述第i个内部温度信息、所述外部温度信息、所述设定温度输入制冷控制模型进行处理,获得冷柜的在第i个控制周期的制冷功率;
通过冷柜在第i个控制周期的制冷功率,对冷柜进行一个控制周期的制冷,在第i+1个控制周期,获取冷柜内的第i+1个内部温度信息;
确定所述第i+1个内部温度信息与所述设定温度的第二温度差距;
根据所述第一温度差距和所述第二温度差距,确定第i+1个控制周期的制冷功率是否需要改变;
在所述第i+1个控制周期的制冷功率需要改变的情况下,根据所述第一温度差距和所述第二温度差距,确定所述制冷控制模型是否需要训练;
在所述制冷控制模型需要训练的情况下,通过所述第i个内部温度信息、所述外部温度信息、所述设定温度、所述第一温度差距和所述第二温度差距,对所述制冷控制模型进行训练,获得训练后的制冷控制模型;
将所述i+1个内部温度信息、所述外部温度信息、所述设定温度输入训练后制冷控制模型进行处理,获得冷柜的在第i+1个控制周期的制冷功率。
根据本发明的一个实施例,根据所述第一温度差距和所述第二温度差距,确定第i+1个控制周期的制冷功率是否需要改变,包括:
根据公式
获得第一条件、第二条件/>和第三条件/>,其中,/>为第二温度差距,/>为第一温度差距,/>为预设的控制周期数量,/>为向上取整函数;
在所述第一温度差距和所述第二温度差距满足第一条件、第二条件/>和第三条件/>中的任意一个的情况下,确定第i+1个控制周期的制冷功率需要改变。
根据本发明的一个实施例,在所述第i+1个控制周期的制冷功率需要改变的情况下,根据所述第一温度差距和所述第二温度差距,确定所述制冷控制模型是否需要训练,包括:
在所述第一温度差距和所述第二温度差距满足第一条件,使得第i+1个控制周期的制冷功率需要改变的情况下,根据公式
获得第四条件,其中,/>为第一温度比例误差,/>为最大容忍控制周期数量;
在所述第一温度差距和所述第二温度差距满足第四条件的情况下,确定所述制冷控制模型需要训练;
在所述第一温度差距和所述第二温度差距满足第二条件,使得第i+1个控制周期的制冷功率需要改变的情况下,根据公式
获得第五条件,其中,/>预设比例系数;
在所述第一温度差距和所述第二温度差距满足第五条件的情况下,确定所述制冷控制模型需要训练;
在所述第一温度差距和所述第二温度差距满足第三条件,使得第i+1个控制周期的制冷功率需要改变的情况下,根据公式
获得第六条件,其中,/>为第二温度比例误差;
在所述第一温度差距和所述第二温度差距满足第六条件的情况下,确定所述制冷控制模型需要训练。
根据本发明的一个实施例,在所述制冷控制模型需要训练的情况下,通过所述第i个内部温度信息、所述外部温度信息、所述设定温度、所述第一温度差距和所述第二温度差距,对所述制冷控制模型进行训练,获得训练后的制冷控制模型,包括:
将第i个控制周期的第i个内部温度信息、冷柜外的外部温度信息、冷柜的设定温度,第k次输入制冷控制模型,获得第k个预测制冷功率,k为大于或等于1的整数;
根据所述第k个预测制冷功率,所述第i个控制周期的制冷功率以及第i+1个内部温度信息,获得第k个预测内部温度信息和所述设定温度的第k个预测温度差距;
根据所述第k个预测温度差距,以及所述第一温度差距,获得所述制冷控制模型的第k个损失函数;
通过所述第k个损失函数对所述制冷控制模型进行训练,获得第k次训练后的制冷控制模型;
迭代执行以上训练步骤,直到符合训练条件,获得所述训练后的制冷控制模型。
根据本发明的一个实施例,根据所述第k个预测制冷功率,所述第i个控制周期的制冷功率以及第i+1个内部温度信息,获得第k个预测内部温度信息和所述设定温度的第k个预测温度差距,包括:
根据公式
获得第k个预测内部温度信息和所述设定温度的第k个预测温度差距,其中,为制冷效率,/>为第k个预测制冷功率,/>为第i个控制周期的制冷功率。
根据本发明的一个实施例,根据所述第k个预测温度差距,以及所述第一温度差距,获得所述制冷控制模型的第k个损失函数,包括:
根据公式
获得所述制冷控制模型的第k个损失函数,其中,/>为k个预测温度差距中满足条件/>以及/>的预测温度差距,/>为/>的总数量,j为小于或等于/>的正整数,/>为k个预测温度差距中满足条件/>的预测温度差距,/>为/>的总数量,x为小于或等于/>的正整数,/>为k个预测温度差距中满足条件/>,以及/>的预测温度差距,/>为/>的总数量,y为小于或等于/>的正整数。
根据本发明的一个实施例,所述方法还包括:
在所述第i+1个控制周期的制冷功率不需要改变的情况下,使用第i个控制周期的制冷功率作为第i+1个控制周期的制冷功率。
根据本发明的一个实施例,所述方法还包括:
在所述制冷控制模型不需要训练的情况下,将所述第i+1个内部温度信息、所述外部温度信息、所述设定温度输入未训练的制冷控制模型进行处理,获得冷柜的在第i+1个控制周期的制冷功率。
根据本发明的实施例的第二方面,提供一种冷柜控制系统,包括:
第一获取模块,用于在第i个控制周期,获取冷柜内的第i个内部温度信息、冷柜外的外部温度信息、冷柜的设定温度,其中,i为正整数;
第一差距模块,用于确定所述第i个内部温度信息和所述设定温度的第一温度差距;
第一功率模块,用于将所述第i个内部温度信息、所述外部温度信息、所述设定温度输入制冷控制模型进行处理,获得冷柜的在第i个控制周期的制冷功率;
第二获取模块,用于通过冷柜在第i个控制周期的制冷功率,对冷柜进行一个控制周期的制冷,在第i+1个控制周期,获取冷柜内的第i+1个内部温度信息;
第二差距模块,用于确定所述第i+1个内部温度信息与所述设定温度的第二温度差距;
第一确定模块,用于根据所述第一温度差距和所述第二温度差距,确定第i+1个控制周期的制冷功率是否需要改变;
第二确定模块,用于在所述第i+1个控制周期的制冷功率需要改变的情况下,根据所述第一温度差距和所述第二温度差距,确定所述制冷控制模型是否需要训练;
训练模块,用于在所述制冷控制模型需要训练的情况下,通过所述第i个内部温度信息、所述外部温度信息、所述设定温度、所述第一温度差距和所述第二温度差距,对所述制冷控制模型进行训练,获得训练后的制冷控制模型;
第二功率模块,用于将所述i+1个内部温度信息、所述外部温度信息、所述设定温度输入训练后制冷控制模型进行处理,获得冷柜的在第i+1个控制周期的制冷功率。
根据本发明的一个实施例,所述第一确定模块进一步用于:
根据公式
获得第一条件、第二条件/>和第三条件/>,其中,/>为第二温度差距,/>为第一温度差距,/>为预设的控制周期数量,/>为向上取整函数;
在所述第一温度差距和所述第二温度差距满足第一条件、第二条件/>和第三条件/>中的任意一个的情况下,确定第i+1个控制周期的制冷功率需要改变。
根据本发明的一个实施例,所述第二确定模块进一步用于:
在所述第一温度差距和所述第二温度差距满足第一条件,使得第i+1个控制周期的制冷功率需要改变的情况下,根据公式
获得第四条件,其中,/>为第一温度比例误差,/>为最大容忍控制周期数量;
在所述第一温度差距和所述第二温度差距满足第四条件的情况下,确定所述制冷控制模型需要训练;
在所述第一温度差距和所述第二温度差距满足第二条件,使得第i+1个控制周期的制冷功率需要改变的情况下,根据公式
获得第五条件,其中,/>预设比例系数;
在所述第一温度差距和所述第二温度差距满足第五条件的情况下,确定所述制冷控制模型需要训练;
在所述第一温度差距和所述第二温度差距满足第三条件,使得第i+1个控制周期的制冷功率需要改变的情况下,根据公式
获得第六条件,其中,/>为第二温度比例误差;
在所述第一温度差距和所述第二温度差距满足第六条件的情况下,确定所述制冷控制模型需要训练。
根据本发明的一个实施例,所述训练模块进一步用于:
将第i个控制周期的第i个内部温度信息、冷柜外的外部温度信息、冷柜的设定温度,第k次输入制冷控制模型,获得第k个预测制冷功率,k为大于或等于1的整数;
根据所述第k个预测制冷功率,所述第i个控制周期的制冷功率以及第i+1个内部温度信息,获得第k个预测内部温度信息和所述设定温度的第k个预测温度差距;
根据所述第k个预测温度差距,以及所述第一温度差距,获得所述制冷控制模型的第k个损失函数;
通过所述第k个损失函数对所述制冷控制模型进行训练,获得第k次训练后的制冷控制模型;
迭代执行以上训练步骤,直到符合训练条件,获得所述训练后的制冷控制模型。
根据本发明的一个实施例,所述训练模块进一步用于:
根据公式
获得第k个预测内部温度信息和所述设定温度的第k个预测温度差距,其中,为制冷效率,/>为第k个预测制冷功率,/>为第i个控制周期的制冷功率。
根据本发明的一个实施例,所述训练模块进一步用于:
根据公式
获得所述制冷控制模型的第k个损失函数,其中,/>为k个预测温度差距中满足条件/>以及/>的预测温度差距,/>为/>的总数量,j为小于或等于/>的正整数,/>为k个预测温度差距中满足条件/>的预测温度差距,/>为/>的总数量,x为小于或等于/>的正整数,/>为k个预测温度差距中满足条件/>,以及/>的预测温度差距,/>为/>的总数量,y为小于或等于/>的正整数。
根据本发明的一个实施例,所述系统还包括:功率使用模块,用于在所述第i+1个控制周期的制冷功率不需要改变的情况下,使用第i个控制周期的制冷功率作为第i+1个控制周期的制冷功率。
根据本发明的一个实施例,所述系统还包括:模型使用模块,用于在所述制冷控制模型不需要训练的情况下,将所述第i+1个内部温度信息、所述外部温度信息、所述设定温度输入未训练的制冷控制模型进行处理,获得冷柜的在第i+1个控制周期的制冷功率。
根据本发明的实施例的第三方面,提供一种冷柜控制设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为调用所述存储器存储的指令,以执行所述冷柜控制方法。
根据本发明的实施例的第四方面,提供一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现所述冷柜控制方法。
根据本发明的实施例的冷柜控制方法,可将当前控制周期作为测试周期,确定以第i个控制周期的制冷功率进行制冷后与设定温度的第二温度差距,从而确定制冷功率的设置是否准确,以及制冷控制模型是否需要训练。且在确定制冷功率的设置是否准确的过程中,可定量地确定第i个控制周期的制冷功率是否适用于冷柜的当前情况,即,确定该制冷功率能否在设定的周期内使冷柜内的温度达到设定温度,又不会造成电量浪费,从而可准确且客观地确定制冷功率是否需要调节。在确定制冷控制模型是否需要训练的过程中,可定量地确定当前的制冷控制模型是否适用于冷柜的当前情况,即,确定当前制冷控制模型是否误差较大,或者适用于冷柜的当前情况,从而可准确且客观地确定是否需要重新训练制冷控制模型。如果制冷功率的设置不准确,则可调节制冷功率,如果需要训练制冷控制模型,则可针对冷柜的当前情况,对制冷控制模型进行训练,使得训练后的制冷控制模型确定的制冷功率能够在设定的控制周期内使冷柜内的温度达到设定温度。因此,可使用训练后的制冷控制模型得到下一个控制周期的制冷功率,从而在下一个控制周期内使制冷速度达到预期。可提升制冷功率的设置准确性,使制冷速度符合要求,减少生鲜产品无法保持新鲜的可能性,并减少过大的制冷功率导致的电量浪费。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,而非限制本发明。根据下面参考附图对示例性实施例的详细说明,本发明的其它特征及方面将更清楚。
附图说明
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,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实施例,
图1示例性地示出根据本发明实施例的冷柜控制方法的流程示意图;
图2示例性地示出根据本发明实施例的冷柜控制系统的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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。
下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例不再赘述。
图1示例性地示出根据本发明实施例的冷柜控制方法的流程示意图,如图1所示,所述方法包括:
步骤S101,在第i个控制周期,获取冷柜内的第i个内部温度信息、冷柜外的外部温度信息、冷柜的设定温度,其中,i为正整数;
步骤S102,确定所述第i个内部温度信息和所述设定温度的第一温度差距;
步骤S103,将所述第i个内部温度信息、所述外部温度信息、所述设定温度输入制冷控制模型进行处理,获得冷柜的在第i个控制周期的制冷功率;
步骤S104,通过冷柜在第i个控制周期的制冷功率,对冷柜进行一个控制周期的制冷,在第i+1个控制周期,获取冷柜内的第i+1个内部温度信息;
步骤S105,确定所述第i+1个内部温度信息与所述设定温度的第二温度差距;
步骤S106,根据所述第一温度差距和所述第二温度差距,确定第i+1个控制周期的制冷功率是否需要改变;
步骤S107,在所述第i+1个控制周期的制冷功率需要改变的情况下,根据所述第一温度差距和所述第二温度差距,确定所述制冷控制模型是否需要训练;
步骤S108,在所述制冷控制模型需要训练的情况下,通过所述第i个内部温度信息、所述外部温度信息、所述设定温度、所述第一温度差距和所述第二温度差距,对所述制冷控制模型进行训练,获得训练后的制冷控制模型;
步骤S109,将所述i+1个内部温度信息、所述外部温度信息、所述设定温度输入训练后制冷控制模型进行处理,获得冷柜的在第i+1个控制周期的制冷功率。
根据本发明的实施例的冷柜控制方法,可将当前的控制周期作为测试周期,确定以第i个控制周期的制冷功率进行制冷后与设定温度的第二温度差距,从而确定制冷功率的设置是否准确,以及制冷控制模型是否需要训练。如果制冷功率的设置不准确,则可调节制冷功率或者训练制冷控制模型,从而得到下一个控制周期的制冷功率,从而在下一个控制周期内使制冷速度达到预期。可提升制冷功率的设置准确性,使制冷速度符合要求,减少生鲜产品无法保持新鲜的可能性,并减少过大的制冷功率导致的电量浪费。
根据本发明的一个实施例,每个控制周期的持续时间可设定为3分钟、5分钟或10分钟等,本发明对控制周期的持续时间不做限制。在步骤S101中,由于冷柜的制冷速度除了受到制冷功率影响外,还受到多方面的因素影响,例如,外部温度、冷柜内保存的物品的数量和类别等。因此,可获取第i个内部温度信息、冷柜外的外部温度信息、冷柜的设定温度。而对于冷柜内保存的物品的数量和类别的影响,可在后续通过制冷控制模型的控制中,逐步适应该影响因素,确定能够使当前冷柜内保存的物品在设定的控制周期内降温到设定温度的制冷功率。另一方面,由于冷柜内保存的物品的数量和类别千差万别,且冷柜内可能同时存放多个类别的物品,因此,基于物品的数量和类别训练制冷控制模型所需的样本数量巨大,难以训练成功,因此,可利用本发明的方法,使用两个控制周期的温度差距来训练制冷控制模型,即,基于温度差距来调整制冷功率和制冷速度,使制冷控制模型获得的制冷功率能够适应冷柜内保存的物品,并使冷柜内保存的物品能够达到设定的制冷速度,即,能够在设定的控制周期内降温到设定温度。
根据本发明的一个实施例,在步骤S102中,可确定第i个内部温度信息和设定温度的第一温度差距,例如,求解第i个内部温度信息和设定温度之差,例如,第i个内部温度信息为0℃,设定温度为-10℃,可获得二者之差,即,第一温度差距为-10℃。
根据本发明的一个实施例,在步骤S103中,可将以上获得的内部温度信息、外部温度信息、设定温度输入制冷控制模型,所述制冷控制模型可以是深度学习神经网络模型,制冷控制模型可通过输入的内部温度信息、外部温度信息和设定温度进行运算,获得第i个控制周期的制冷功率。然而,所述制冷控制模型是过去基于特定条件训练的,例如,在特定的外部温度,和/或冷柜内保存特定类型的特定数量的物品的条件下训练的,当前状态下的制冷控制模型计算获得的制冷功率未必适用于当前的情况,即,未必适用于当前的外部温度以及当前冷柜内保存的物品。
根据本发明的一个实施例,在步骤S104中,可使用制冷控制模型获得的第i个控制周期的制冷功率进行测试,即,使用该制冷功率在第i个控制周期内进行制冷,即,使用该制冷功率持续制冷一个控制周期,在第i+1个控制周期开始时,可获得冷柜内的第i+1个内部温度信息。从而可基于第i+1个内部温度信息确定该制冷功率是否适用于当前的情况,以及当前状态的制冷控制模型是否适用于当前的情况。如果不适用,则可重新确定制冷功率,甚至重新训练制冷控制模型。
根据本发明的一个实施例,在步骤S105中,可确定第i+1个内部温度信息与设定温度的第二温度差距,例如,求解第i+1个温度信息和设定温度之差,例如,第i+1个内部温度信息为-5℃,设定温度为-10℃,可获得二者之差,即,第二温度差距为-5℃。
根据本发明的一个实施例,在步骤S106中,可首先确定第i+1个控制周期的制冷功率是否需要改变,即,确定以上通过制冷控制模型获得的制冷功率是否适用于当前冷柜的状态,如果不适用于当前冷柜的状态,即,制冷速度太慢或太快,则可调整制冷功率甚至重新训练制冷控制模型。如果适用于当前冷柜的状态,则可基于使用以上通过制冷控制模型获得的制冷功率继续制冷,可在设定的控制周期内使冷柜的内部温度达到设定温度。
根据本发明的一个实施例,可基于第一温度差距和第二温度差距的比较,来确定制冷的速度,从而确定通过制冷控制模型获得的制冷功率是否适用于当前冷柜的状态。步骤S106包括:根据公式(1)获得获得第一条件、第二条件/>和第三条件/>,
(1)
其中,为第二温度差距,/>为第一温度差距,/>为预设的控制周期数量,为向上取整函数;
在所述第一温度差距和所述第二温度差距满足第一条件、第二条件/>和第三条件/>中的任意一个的情况下,确定第i+1个控制周期的制冷功率需要改变。
根据本发明的一个实施例,在公式(1)中,第一条件可表示制冷速度过慢的情况,其中,/>可表示第i+1个内部温度信息与第i个内部温度信息在设定温度的数轴同侧,也可表示在经过第i个控制周期的制冷后,冷柜内的温度未达到设定温度。进一步地,/>可表示在第i个控制周期内的温度变化,/>可表示第一温度差距与第i个控制周期内的温度变化的倍数,对其进行向上取整,可获得整数倍数,该倍数可表示以当前制冷功率能够获得的制冷速度,使冷柜内的温度从第i个内部温度信息到达设定温度所需的控制周期的数量,如果该数量大于预设的控制周期的数量/>(例如,/>为2、3或4,本发明对/>的具体取值不做限制),则可表示当前的制冷速度较慢,制冷效率较低,制冷功率不足,因此,可对制冷功率进行调整。
根据本发明的一个实施例,在公式(1)中,第二条件可表示制冷速度过快的情况,其中,/>可表示第i+1个内部温度信息与第i个内部温度信息在设定温度的数轴两侧,也可表示在经过第i个控制周期的制冷后,冷柜内的温度超过设定温度,在示例中,第i个内部温度信息为0℃,设定温度为-10℃,经过第i个控制周期的制冷后,第i+1个内部温度信息为-15℃,超过了设定温度,制冷速度过快。在这种情况下,持续以该制冷功率进行制冷,可能导致电量浪费。
根据本发明的一个实施例,在公式(1)中,第三条件也可表示制冷速度过快的情况,其中,/>可表示第i+1个内部温度信息与第i个内部温度信息在设定温度的数轴同侧,也可表示在经过第i个控制周期的制冷后,冷柜内的温度未达到设定温度。虽然在一个控制周期内未达到设定温度,但/>则可表示第二温度差距小于在第i个控制周期内的温度变化,换言之,第i+1个控制周期的内部温度与设定温度之间的差距较小,小于一个控制周期内的温度变化,如果第i+1个控制周期仍以该制冷功率进行制冷,则在第i+1个控制周期结束时,冷柜内的温度则会超过设定温度,造成电量浪费,因此,可在第i+1个控制周期中调整制冷功率。
根据本发明的一个实施例,以上三个条件满足其中之一,即可确定第i+1个控制周期的制冷功率需要改变,即,第i个控制周期的制冷功率不适应冷柜当前的情况。在其他情况下,可认为制冷功率适当,例如,在的情况下,可认为制冷功率能够适应冷柜当前的情况(例如,能够适应冷柜的外部温度,以及保存的物品的类型和数量),既能够在设定的周期内使冷柜内的温度达到设定温度,又不会造成制冷速度过快,导致电量浪费。在这种情况下,所述方法还包括:在所述第i+1个控制周期的制冷功率不需要改变的情况下,使用第i个控制周期的制冷功率作为第i+1个控制周期的制冷功率。即,继续使用第i个控制周期的制冷功率进行制冷,并在第i+1个控制周期结束时再进行判定。
通过这种方式,可定量地确定第i个控制周期的制冷功率是否适用于冷柜的当前情况,即,确定该制冷功率能否在设定的周期内使冷柜内的温度达到设定温度,又不会造成电量浪费,从而可准确且客观地确定制冷功率是否需要调节。
根据本发明的一个实施例,在步骤S107中,如果第i+1个控制周期的制冷功率需要改变,即,上述第一条件、第二条件和第三条件中有一个被满足,则可继续确定制冷控制模型是否需要训练。例如,如果制冷功率过低,造成制冷速度过慢,则可能是制冷控制模型无法适应冷柜的当前情况导致的,因此可重新对制冷控制模型进行训练。又例如,如果制冷功率过高,导致制冷速度过快,也可能是制冷控制模型无法适应冷柜的当前情况导致的,因此可重新对制冷控制模型进行训练。
根据本发明的一个实施例,步骤S107可包括:在所述第一温度差距和所述第二温度差距满足第一条件,使得第i+1个控制周期的制冷功率是否需要改变的情况下,根据公式(2),获得第四条件/>,
(2)
其中,为第一温度比例误差,/>为最大容忍控制周期数量;
在所述第一温度差距和所述第二温度差距满足第四条件的情况下,确定所述制冷控制模型需要训练;
在所述第一温度差距和所述第二温度差距满足第二条件,使得第i+1个控制周期的制冷功率需要改变的情况下,根据公式(3),获得第五条件/>,
(3)
其中,预设比例系数;
在所述第一温度差距和所述第二温度差距满足第五条件的情况下,确定所述制冷控制模型需要训练;
在所述第一温度差距和所述第二温度差距满足第三条件,使得第i+1个控制周期的制冷功率需要改变的情况下,根据公式(4)获得第六条件/>,
(4)
其中, 为第二温度比例误差;
在所述第一温度差距和所述第二温度差距满足第六条件的情况下,确定所述制冷控制模型需要训练。
根据本发明的一个实施例,如果第一温度差距和第二温度差距满足第一条件,使得第i+1个控制周期的制冷功率需要改变,则表示该制冷功率较低,制冷速度较慢。可继续判断制冷速度是否过慢,制冷控制模型得出的制冷功率是否误差过大,如果误差过大,则需要重新训练制冷控制模型。如果虽然制冷速度较慢,但制冷控制模型还未达到误差过大的情况,则可使用制冷控制模型,基于第i+1个控制周期的内部温度信息,以及设定温度和外部温度信息来重新确定第i+1个控制周期的制冷功率。
根据本发明的一个实施例,公式(2)用于描述第四条件,如果第一温度差距和第二温度差距除了满足第一条件外,还满足第四条件,则可认为制冷功率过低,即,制冷控制模型得出的制冷功率是否误差过大。在公式(2)中,表示在控制周期数量达到最大容忍控制周期数量/>(/>>/>)后,温度的调整量,即,以第i个控制周期的制冷功率进行制冷,在/>个控制周期后,温度的调节总量为/>,/>表示在/>个控制周期后,冷柜内的温度与设定温度之间的差距,/>则可表示在/>个控制周期后,冷柜内的温度与设定温度之间的差距,与第i个控制周期开始时的第一温度差距之间的比值,如果该比值仍然较大,即,仍然大于第一温度比例误差,则可认为在/>个控制周期后,冷柜内的温度仍无法达到设定温度,且与设定温度之间的差距仍然较大,在这种情况下,可确定制冷速度过慢,制冷控制模型得出的制冷功率误差过大,需要对制冷控制模型重新训练。如果第一温度差距和第二温度差距仅满足第一条件,不满足第四条件,则可不对制冷控制模型重新训练,继续使用原制冷控制模型根据第i+1个控制周期的内部温度信息,以及设定温度和外部温度信息来重新确定第i+1个控制周期的制冷功率。
根据本发明的一个实施例,如果第一温度差距和第二温度差距满足第二条件或第三条件,使得第i+1个控制周期的制冷功率需要改变,则表示该制冷功率较快。可继续判断制冷速度是否过快,制冷控制模型得出的制冷功率是否误差过大,如果误差过大,则需要重新训练制冷控制模型。如果虽然制冷速度虽然较快,但制冷控制模型还未达到误差过大的情况,则可使用制冷控制模型,基于第i+1个控制周期的内部温度信息,以及设定温度和外部温度信息来重新确定第i+1个控制周期的制冷功率。
根据本发明的一个实施例,公式(3)用于描述第五条件,如果第一温度差距和第二温度差距除了满足第二条件外,还满足第五条件,即,经过第i个控制周期的制冷后,冷柜内的温度不仅超过设定温度,而且超过的幅度较大,满足,则说明制冷控制模型得出的制冷功率误差过大。例如,第i个内部温度信息为0℃,设定温度为-10℃,第一温度差距为-10℃,/>=0.5,在第i个控制周期的制冷后,第i+1个内部温度信息为-16℃,第二温度差距为6℃,在这种情况下,/>,即,满足第五条件,可认为制冷控制模型得出的制冷功率误差过大,需要重新训练。如果第一温度差距和第二温度差距仅满足第二条件,不满足第五条件,则可不对制冷控制模型重新训练,继续使用原制冷控制模型根据第i+1个控制周期的内部温度信息,以及设定温度和外部温度信息来重新确定第i+1个控制周期的制冷功率。例如,经过第i个控制周期的制冷后,冷柜内的温度虽然超过设定温度,但超过的幅度较小,使用原制冷控制模型可获得较小的制冷功率,使得冷柜内的制冷速度略低于散热速度,从而使得冷柜内温度在第i+1个控制周期内回升至设定温度。而如果制冷控制模型的误差过大,则可能导致回升的温度过多,例如,使得冷柜内温度在第i+1个控制周期内回升至与设定温度差距较大的温度,因此,在制冷控制模型的误差过大,则需进行训练。
根据本发明的一个实施例,公式(4)用于描述第六条件,如果第一温度差距和第二温度差距除了满足第三条件外,还满足第六条件,即,经过第i个控制周期的制冷后,冷柜内的温度未达到设定温度,但第i+1个控制周期的内部温度与设定温度之间的差距很小,与第一温度差距之间的比值也很小,满足第六条件,在这种情况下,第i+1个内部温度信息非常接近设定温度,在第i+1个控制周期内所需的制冷速度较小,对温度的调节幅度也较小,然而,基于原制冷控制模型得出的制冷功率在第i个控制周期内的调节幅度较大,因此,该制冷控制模型可能不适用于在第i+1个控制周期中确定制冷功率,可对制冷控制模型进行重新训练。如果第一温度差距和第二温度差距仅满足第三条件,不满足第六条件,则可不对制冷控制模型重新训练,继续使用原制冷控制模型根据第i+1个控制周期的内部温度信息,以及设定温度和外部温度信息来重新确定第i+1个控制周期的制冷功率。
通过这种方式,可定量地确定当前的制冷控制模型是否适用于冷柜的当前情况,即,确定当前制冷控制模型是否误差较大,或者适用于冷柜的当前情况,从而可准确且客观地确定是否需要重新训练制冷控制模型。
根据本发明的一个实施例,所述方法还包括:在所述制冷控制模型不需要训练的情况下,将所述第i+1个内部温度信息、所述外部温度信息、所述设定温度输入未训练的制冷控制模型进行处理,获得冷柜的在第i+1个控制周期的制冷功率。即,如果制冷控制模型不需要训练,则直接使用原制冷控制模型对第i+1个内部温度信息、外部温度信息和设定温度进行处理,得到第i+1个控制周期的制冷功率,从而对在第i+1个控制周期中对冷柜进行制冷,从而使冷柜内的温度达到或接近设定温度。
根据本发明的一个实施例,在步骤S108中,如果基于以上判断,确定制冷控制模型需要训练,则可通过第i个内部温度信息、外部温度信息、设定温度、第一温度差距和第二温度差距,对制冷控制模型进行训练,使得制冷控制模型能够适应冷柜的当前情况,例如,适应冷柜的外部温度,以及冷柜内保存物品的类型和数量,使得训练后的制冷控制模型确定的制冷功率能够在设定的控制周期内使冷柜内的温度达到设定温度。
根据本发明的一个实施例,步骤S108包括:将第i个控制周期的第i个内部温度信息、冷柜外的外部温度信息、冷柜的设定温度,第k次输入制冷控制模型,获得第k个预测制冷功率,k为大于或等于1的整数;根据所述第k个预测制冷功率,所述第i个控制周期的制冷功率以及第i+1个内部温度信息,获得第k个预测内部温度信息和所述设定温度的第k个预测温度差距;根据所述第k个预测温度差距,以及所述第一温度差距,获得所述制冷控制模型的第k个损失函数;通过所述第k个损失函数对所述制冷控制模型进行训练,获得第k次训练后的制冷控制模型;迭代执行以上训练步骤,直到符合训练条件,获得所述训练后的制冷控制模型。
根据本发明的一个实施例,由于需要使制冷控制模型适应冷柜当前的状态,而冷柜在过去的控制周期中的外部温度以及保存的物品等情况可能与当前的状况并不相同,因此,可使用第i个内部温度信息、冷柜外的外部温度信息、冷柜的设定温度作为训练样本,可多次输入该训练样本,对制冷控制模型进行训练,使得制冷控制模型适用于当前的情况。即,针对以上获得的第一温度差距和第二温度差距来调节制冷控制模型,使得制冷控制模型输出的制冷效率能够适应冷柜的制冷速度,使得制冷速度更适当,即,能够在设定的控制周期内使冷柜内的温度达到设定温度,不会由于制冷速度太慢导致保存的物品无法保持新鲜,也不会由于制冷速度过快导致电量浪费。
根据本发明的一个实施例,在第k次输入上述训练样本时,制冷控制模型可获得第k个预测制冷功率。利用该预测制冷功率可预测在第i个控制周期结束时,冷柜内的温度被调节的幅度,即,第k个预测内部温度信息和设定温度的第k个预测温度差距。
根据本发明的一个实施例,根据所述第k个预测制冷功率,所述第i个控制周期的制冷功率以及第i+1个内部温度信息,获得第k个预测内部温度信息和所述设定温度的第k个预测温度差距,包括:
根据公式(5),获得第k个预测内部温度信息和所述设定温度的第k个预测温度差距,
(5)
其中,为制冷效率,/>为第k个预测制冷功率,/>为第i个控制周期的制冷功率。
根据本发明的一个实施例,在公式(5)中,为第k个预测制冷功率与第i个控制周期的制冷功率之比,/>为在第k个预测制冷功率的制冷作用下,冷柜内的温度的理论变化幅度。制冷效率可表示由于制冷功率的变化,能够带来的温度变化的效率。上述理论变化幅度与制冷效率相乘,可获得以第k个预测制冷功率进行一个控制周期的制冷,造成的温度变化幅度。该温度变化幅度与第一温度差距之和,即为第k个预测温度差距。
根据本发明的一个实施例,在获得上述第k个预测温度差距后,可基于第k个预测温度与第一温度差距,确定制冷控制模型的第k个损失函数。根据所述第k个预测温度差距,以及所述第一温度差距,获得所述制冷控制模型的第k个损失函数,包括:
根据公式(6),获得所述制冷控制模型的第k个损失函数,
(6)
其中,为k个预测温度差距中满足条件/>以及的预测温度差距,/>为/>的总数量,j为小于或等于/>的正整数,为k个预测温度差距中满足条件/>的预测温度差距,/>为/>的总数量,x为小于或等于/>的正整数,/>为k个预测温度差距中满足条件/>,以及/>的预测温度差距,/>为/>的总数量,y为小于或等于/>的正整数。
根据本发明的一个实施例,可通过之前多次获得的预测温度差距作为参数,来构造第k个损失函数。其中,在k个预测温度差距中,满足条件,以及/>(即,调节速度过慢)的预测温度差距的数量为/>,这部分预测温度差距用于构造损失函数的第一部分,即,/>,该部分可表示在第i个控制周期内的温度调节幅度与预设的控制周期数量的乘积与第一温度差距之间的误差,亦为经过/>次调节温度后,冷柜内的温度与设定温度之间的差距,在训练过程中,损失函数缩小,可使得该差距逐步缩小,从而使得经过/>次调节温度后,冷柜内的温度与设定温度之间的差距最小化,提升制冷控制模型的精度。
根据本发明的一个实施例,在k个预测温度差距中,满足条件(即,调节速度过快,调节后的温度已超过设定温度)的预测温度差距的数量为/>个,这部分预测温度差距用于构造损失函数的第二部分,即,/>,该部分可表示预测温度差距与第一温度差距之比的绝对值,该部分可在训练过程中,逐步缩小,从而使得超过设定温度的部分,即,/>逐步缩小,提升制冷控制模型的精度。
根据本发明的一个实施例,在k个预测温度差距中,满足条件,以及/>(即,调节速度过快,但调节后的温度还未达到设定温度)的预测温度差距的数量为/>个,这部分预测温度差距用于构造损失函数的第三部分,即,/>,该部分可表示两倍的/>与第一温度差距之间的误差,该部分可在训练过程中,逐步缩小,从而使得温度调节幅度接近于/>,从而使得调节速度过快时,降低制冷功率,降低调节速度,使得第i个控制周期内的温度调节幅度接近第一温度差距的一半,从而可在第i+1个控制周期内使冷柜内的温度接近设定温度。
根据本发明的一个实施例,可对上述三个部分进行加权求和,每个部分的权值为各自的预测温度差距的数量与总数k之间的比值,可构成第k个损失函数。基于该损失函数,可对制冷控制模型进行训练,调节制冷控制模型的参数,使得损失函数缩小。可迭代执行上述训练步骤,直到符合训练条件,所述训练条件可包括损失函数收敛,或小于设定阈值,或者训练次数达到预设次数,本发明对训练条件不做限制。
根据本发明的一个实施例,在训练后,可获得训练后的制冷控制模型,从而可在第i+1个控制周期中,使用训练后的制冷控制模型确定制冷功率,使得冷柜的内部温度能够在设定的控制周期内达到设定温度。
通过这种方式,可针对冷柜的当前情况,对制冷控制模型进行训练,使得制冷控制模型能够适用于冷柜的外部温度,以及冷柜内保存物品的类型和数量,进而使得训练后的制冷控制模型确定的制冷功率能够在设定的控制周期内使冷柜内的温度达到设定温度。
根据本发明的实施例的冷柜控制方法,可将当前控制周期作为测试周期,确定以第i个控制周期的制冷功率进行制冷后与设定温度的第二温度差距,从而确定制冷功率的设置是否准确,以及制冷控制模型是否需要训练。且在确定制冷功率的设置是否准确的过程中,可定量地确定第i个控制周期的制冷功率是否适用于冷柜的当前情况,即,确定该制冷功率能否在设定的周期内使冷柜内的温度达到设定温度,又不会造成电量浪费,从而可准确且客观地确定制冷功率是否需要调节。在确定制冷控制模型是否需要训练的过程中,可定量地确定当前的制冷控制模型是否适用于冷柜的当前情况,即,确定当前制冷控制模型是否误差较大,或者适用于冷柜的当前情况,从而可准确且客观地确定是否需要重新训练制冷控制模型。如果制冷功率的设置不准确,则可调节制冷功率,如果需要训练制冷控制模型,则可针对冷柜的当前情况,对制冷控制模型进行训练,使得训练后的制冷控制模型确定的制冷功率能够在设定的控制周期内使冷柜内的温度达到设定温度。因此,可使用训练后的制冷控制模型得到下一个控制周期的制冷功率,从而在下一个控制周期内使制冷速度达到预期。可提升制冷功率的设置准确性,使制冷速度符合要求,减少生鲜产品无法保持新鲜的可能性,并减少过大的制冷功率导致的电量浪费。
图2示例性地示出根据本发明实施例的冷柜控制系统的示意图,如图2所示,所述系统包括:
第一获取模块101,用于在第i个控制周期,获取冷柜内的第i个内部温度信息、冷柜外的外部温度信息、冷柜的设定温度,其中,i为正整数;
第一差距模块102,用于确定所述第i个内部温度信息和所述设定温度的第一温度差距;
第一功率模块103,用于将所述第i个内部温度信息、所述外部温度信息、所述设定温度输入制冷控制模型进行处理,获得冷柜的在第i个控制周期的制冷功率;
第二获取模块104,用于通过冷柜在第i个控制周期的制冷功率,对冷柜进行一个控制周期的制冷,在第i+1个控制周期,获取冷柜内的第i+1个内部温度信息;
第二差距模块105,用于确定所述第i+1个内部温度信息与所述设定温度的第二温度差距;
第一确定模块106,用于根据所述第一温度差距和所述第二温度差距,确定第i+1个控制周期的制冷功率是否需要改变;
第二确定模块107,用于在所述第i+1个控制周期的制冷功率需要改变的情况下,根据所述第一温度差距和所述第二温度差距,确定所述制冷控制模型是否需要训练;
训练模块108,用于在所述制冷控制模型需要训练的情况下,通过所述第i个内部温度信息、所述外部温度信息、所述设定温度、所述第一温度差距和所述第二温度差距,对所述制冷控制模型进行训练,获得训练后的制冷控制模型;
第二功率模块109,用于将所述i+1个内部温度信息、所述外部温度信息、所述设定温度输入训练后制冷控制模型进行处理,获得冷柜的在第i+1个控制周期的制冷功率。
根据本发明的一个实施例,所述第一确定模块进一步用于:
根据公式
获得第一条件、第二条件/>和第三条件/>,其中,/>为第二温度差距,/>为第一温度差距,/>为预设的控制周期数量,/>为向上取整函数;
在所述第一温度差距和所述第二温度差距满足第一条件、第二条件/>和第三条件/>中的任意一个的情况下,确定第i+1个控制周期的制冷功率需要改变。
根据本发明的一个实施例,所述第二确定模块进一步用于:
在所述第一温度差距和所述第二温度差距满足第一条件,使得第i+1个控制周期的制冷功率需要改变的情况下,
根据公式获得第四条件/>,其中,/>为第一温度比例误差,/>为最大容忍控制周期数量;
在所述第一温度差距和所述第二温度差距满足第四条件的情况下,确定所述制冷控制模型需要训练;
在所述第一温度差距和所述第二温度差距满足第二条件,使得第i+1个控制周期的制冷功率需要改变的情况下,根据公式/>
获得第五条件/>,其中,/>预设比例系数;
在所述第一温度差距和所述第二温度差距满足第五条件的情况下,确定所述制冷控制模型需要训练;
在所述第一温度差距和所述第二温度差距满足第三条件,使得第i+1个控制周期的制冷功率需要改变的情况下,根据公式
获得第六条件/>,其中,/>为第二温度比例误差;
在所述第一温度差距和所述第二温度差距满足第六条件的情况下,确定所述制冷控制模型需要训练。
根据本发明的一个实施例,所述训练模块进一步用于:
将第i个控制周期的第i个内部温度信息、冷柜外的外部温度信息、冷柜的设定温度,第k次输入制冷控制模型,获得第k个预测制冷功率,k为大于或等于1的整数;
根据所述第k个预测制冷功率,所述第i个控制周期的制冷功率以及第i+1个内部温度信息,获得第k个预测内部温度信息和所述设定温度的第k个预测温度差距;
根据所述第k个预测温度差距,以及所述第一温度差距,获得所述制冷控制模型的第k个损失函数;
通过所述第k个损失函数对所述制冷控制模型进行训练,获得第k次训练后的制冷控制模型;
迭代执行以上训练步骤,直到符合训练条件,获得所述训练后的制冷控制模型。
根据本发明的一个实施例,所述训练模块进一步用于:
根据公式
获得第k个预测内部温度信息和所述设定温度的第k个预测温度差距,其中,为制冷效率,/>为第k个预测制冷功率,/>为第i个控制周期的制冷功率。
根据本发明的一个实施例,所述训练模块进一步用于:
根据公式获得所述制冷控制模型的第k个损失函数/>,其中,/>为k个预测温度差距中满足条件以及/>的预测温度差距,/>为/>的总数量,j为小于或等于/>的正整数,/>为k个预测温度差距中满足条件/>的预测温度差距,/>为/>的总数量,x为小于或等于/>的正整数,/>为k个预测温度差距中满足条件/>,以及/>的预测温度差距,/>为/>的总数量,y为小于或等于/>的正整数。
根据本发明的一个实施例,所述系统还包括:功率使用模块,用于在所述第i+1个控制周期的制冷功率不需要改变的情况下,使用第i个控制周期的制冷功率作为第i+1个控制周期的制冷功率。
根据本发明的一个实施例,所述系统还包括:模型使用模块,用于在所述制冷控制模型不需要训练的情况下,将所述第i+1个内部温度信息、所述外部温度信息、所述设定温度输入未训练的制冷控制模型进行处理,获得冷柜的在第i+1个控制周期的制冷功率。
根据本发明的一个实施例,提供一种冷柜控制设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为调用所述存储器存储的指令,以执行所述冷柜控制方法。
根据本发明的一个实施例,提供一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现所述冷柜控制方法。
本发明可以是方法、装置、系统、设备和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于执行本发明的各个方面的计算机可读程序指令。
本领域的技术人员应理解,上述描述及附图中所示的本发明的实施例只作为举例而并不限制本发明。本发明的目的已经完整并有效地实现。本发明的功能及结构原理已在实施例中展示和说明,在没有背离所述原理下,本发明的实施方式可以有任何变形或修改。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种冷柜控制方法,其特征在于,包括:
在第i个控制周期,获取冷柜内的第i个内部温度信息、冷柜外的外部温度信息、冷柜的设定温度,其中,i为正整数;
确定所述第i个内部温度信息和所述设定温度的第一温度差距;
将所述第i个内部温度信息、所述外部温度信息、所述设定温度输入制冷控制模型进行处理,获得冷柜的在第i个控制周期的制冷功率;
通过冷柜在第i个控制周期的制冷功率,对冷柜进行一个控制周期的制冷,在第i+1个控制周期,获取冷柜内的第i+1个内部温度信息;
确定所述第i+1个内部温度信息与所述设定温度的第二温度差距;
根据所述第一温度差距和所述第二温度差距,确定第i+1个控制周期的制冷功率是否需要改变;
在所述第i+1个控制周期的制冷功率需要改变的情况下,根据所述第一温度差距和所述第二温度差距,确定所述制冷控制模型是否需要训练;
在所述制冷控制模型需要训练的情况下,通过所述第i个内部温度信息、所述外部温度信息、所述设定温度、所述第一温度差距和所述第二温度差距,对所述制冷控制模型进行训练,获得训练后的制冷控制模型;
将所述i+1个内部温度信息、所述外部温度信息、所述设定温度输入训练后制冷控制模型进行处理,获得冷柜的在第i+1个控制周期的制冷功率。
2. 根据权利要求1所述的冷柜控制方法,其特征在于,根据所述第一温度差距和所述第二温度差距,确定第i+1个控制周期的制冷功率是否需要改变,包括:
根据公式
获得第一条件/>、第二条件/>和第三条件/>,其中,/>为第二温度差距,/>为第一温度差距,/>为预设的控制周期数量,/>为向上取整函数;
在所述第一温度差距和所述第二温度差距满足第一条件、第二条件/>和第三条件中的任意一个的情况下,确定第i+1个控制周期的制冷功率需要改变。
3.根据权利要求2所述的冷柜控制方法,其特征在于,在所述第i+1个控制周期的制冷功率需要改变的情况下,根据所述第一温度差距和所述第二温度差距,确定所述制冷控制模型是否需要训练,包括:
在所述第一温度差距和所述第二温度差距满足第一条件,使得第i+1个控制周期的制冷功率需要改变的情况下,根据公式
获得第四条件/>,其中,/>为第一温度比例误差,/>为最大容忍控制周期数量;
在所述第一温度差距和所述第二温度差距满足第四条件的情况下,确定所述制冷控制模型需要训练;
在所述第一温度差距和所述第二温度差距满足第二条件,使得第i+1个控制周期的制冷功率需要改变的情况下,根据公式
获得第五条件/>,其中,/>预设比例系数;
在所述第一温度差距和所述第二温度差距满足第五条件的情况下,确定所述制冷控制模型需要训练;
在所述第一温度差距和所述第二温度差距满足第三条件,使得第i+1个控制周期的制冷功率需要改变的情况下,根据公式
获得第六条件/>,其中,/>为第二温度比例误差;
在所述第一温度差距和所述第二温度差距满足第六条件的情况下,确定所述制冷控制模型需要训练。
4.根据权利要求3所述的冷柜控制方法,其特征在于,在所述制冷控制模型需要训练的情况下,通过所述第i个内部温度信息、所述外部温度信息、所述设定温度、所述第一温度差距和所述第二温度差距,对所述制冷控制模型进行训练,获得训练后的制冷控制模型,包括:
将第i个控制周期的第i个内部温度信息、冷柜外的外部温度信息、冷柜的设定温度,第k次输入制冷控制模型,获得第k个预测制冷功率,k为大于或等于1的整数;
根据所述第k个预测制冷功率,所述第i个控制周期的制冷功率以及第i+1个内部温度信息,获得第k个预测内部温度信息和所述设定温度的第k个预测温度差距;
根据所述第k个预测温度差距,以及所述第一温度差距,获得所述制冷控制模型的第k个损失函数;
通过所述第k个损失函数对所述制冷控制模型进行训练,获得第k次训练后的制冷控制模型;
迭代执行以上训练步骤,直到符合训练条件,获得所述训练后的制冷控制模型。
5.根据权利要求4所述的冷柜控制方法,其特征在于,根据所述第k个预测制冷功率,所述第i个控制周期的制冷功率以及第i+1个内部温度信息,获得第k个预测内部温度信息和所述设定温度的第k个预测温度差距,包括:
根据公式
获得第k个预测内部温度信息和所述设定温度的第k个预测温度差距/>,其中,/>为制冷效率,/>为第k个预测制冷功率,/>为第i个控制周期的制冷功率。
6.根据权利要求4所述的冷柜控制方法,其特征在于,根据所述第k个预测温度差距,以及所述第一温度差距,获得所述制冷控制模型的第k个损失函数,包括:
根据公式
获得所述制冷控制模型的第k个损失函数/>,其中,/>为k个预测温度差距中满足条件以及/>的预测温度差距,/>为/>的总数量,j为小于或等于/>的正整数,/>为k个预测温度差距中满足条件/>的预测温度差距,/>为/>的总数量,x为小于或等于/>的正整数,/>为k个预测温度差距中满足条件/>,以及/>的预测温度差距,/>为/>的总数量,y为小于或等于/>的正整数。
7.根据权利要求1所述的冷柜控制方法,其特征在于,所述方法还包括:
在所述第i+1个控制周期的制冷功率不需要改变的情况下,使用第i个控制周期的制冷功率作为第i+1个控制周期的制冷功率。
8.根据权利要求1所述的冷柜控制方法,其特征在于,所述方法还包括:
在所述制冷控制模型不需要训练的情况下,将所述第i+1个内部温度信息、所述外部温度信息、所述设定温度输入未训练的制冷控制模型进行处理,获得冷柜的在第i+1个控制周期的制冷功率。
9.一种冷柜控制系统,其特征在于,包括:
第一获取模块,用于在第i个控制周期,获取冷柜内的第i个内部温度信息、冷柜外的外部温度信息、冷柜的设定温度,其中,i为正整数;
第一差距模块,用于确定所述第i个内部温度信息和所述设定温度的第一温度差距;
第一功率模块,用于将所述第i个内部温度信息、所述外部温度信息、所述设定温度输入制冷控制模型进行处理,获得冷柜的在第i个控制周期的制冷功率;
第二获取模块,用于通过冷柜在第i个控制周期的制冷功率,对冷柜进行一个控制周期的制冷,在第i+1个控制周期,获取冷柜内的第i+1个内部温度信息;
第二差距模块,用于确定所述第i+1个内部温度信息与所述设定温度的第二温度差距;
第一确定模块,用于根据所述第一温度差距和所述第二温度差距,确定第i+1个控制周期的制冷功率是否需要改变;
第二确定模块,用于在所述第i+1个控制周期的制冷功率需要改变的情况下,根据所述第一温度差距和所述第二温度差距,确定所述制冷控制模型是否需要训练;
训练模块,用于在所述制冷控制模型需要训练的情况下,通过所述第i个内部温度信息、所述外部温度信息、所述设定温度、所述第一温度差距和所述第二温度差距,对所述制冷控制模型进行训练,获得训练后的制冷控制模型;
第二功率模块,用于将所述i+1个内部温度信息、所述外部温度信息、所述设定温度输入训练后制冷控制模型进行处理,获得冷柜的在第i+1个控制周期的制冷功率。
10.一种冷柜控制设备,其特征在于,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为调用所述存储器存储的指令,以执行权利要求1-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310813456.9A CN116518640B (zh) | 2023-07-05 | 2023-07-05 | 一种冷柜控制方法、系统和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310813456.9A CN116518640B (zh) | 2023-07-05 | 2023-07-05 | 一种冷柜控制方法、系统和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116518640A true CN116518640A (zh) | 2023-08-01 |
CN116518640B CN116518640B (zh) | 2023-08-22 |
Family
ID=87401579
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310813456.9A Active CN116518640B (zh) | 2023-07-05 | 2023-07-05 | 一种冷柜控制方法、系统和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116518640B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116717938A (zh) * | 2023-08-09 | 2023-09-08 | 江苏星星冷链科技有限公司 | 冷柜内部环境检测与控制方法及系统 |
CN116753662A (zh) * | 2023-08-16 | 2023-09-15 | 江苏星星冷链科技有限公司 | 冷柜分区控制方法及系统 |
CN116817537A (zh) * | 2023-08-30 | 2023-09-29 | 江苏星星冷链科技有限公司 | 基于外界温度测量的多时段冷库制冷控制方法及系统 |
CN116928944A (zh) * | 2023-09-14 | 2023-10-24 | 江苏星星冷链科技有限公司 | 多分区冷库运行控制方法和系统 |
CN117663590A (zh) * | 2024-02-02 | 2024-03-08 | 江苏星星冷链科技有限公司 | 一种超低温冷柜及其节能运行控制方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105353611A (zh) * | 2015-10-27 | 2016-02-24 | 广州中国科学院沈阳自动化研究所分所 | 面向冷藏集装箱船的制冷功率平衡控制方法及其控制系统 |
CN106196423A (zh) * | 2016-06-30 | 2016-12-07 | 西安建筑科技大学 | 一种基于模型预测的室内环境品质控制优化方法 |
CN113757931A (zh) * | 2021-08-18 | 2021-12-07 | 华北电力大学 | 一种空调控制方法及系统 |
CN114688688A (zh) * | 2022-03-30 | 2022-07-01 | 湖南大友恒实业有限公司 | 一种基于深度学习的智能制冷舒适空调 |
CN115388586A (zh) * | 2022-08-24 | 2022-11-25 | 南栖仙策(南京)高新技术有限公司 | 一种制冷控制模型、装置、电子设备及存储介质 |
-
2023
- 2023-07-05 CN CN202310813456.9A patent/CN116518640B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105353611A (zh) * | 2015-10-27 | 2016-02-24 | 广州中国科学院沈阳自动化研究所分所 | 面向冷藏集装箱船的制冷功率平衡控制方法及其控制系统 |
CN106196423A (zh) * | 2016-06-30 | 2016-12-07 | 西安建筑科技大学 | 一种基于模型预测的室内环境品质控制优化方法 |
CN113757931A (zh) * | 2021-08-18 | 2021-12-07 | 华北电力大学 | 一种空调控制方法及系统 |
CN114688688A (zh) * | 2022-03-30 | 2022-07-01 | 湖南大友恒实业有限公司 | 一种基于深度学习的智能制冷舒适空调 |
CN115388586A (zh) * | 2022-08-24 | 2022-11-25 | 南栖仙策(南京)高新技术有限公司 | 一种制冷控制模型、装置、电子设备及存储介质 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116717938A (zh) * | 2023-08-09 | 2023-09-08 | 江苏星星冷链科技有限公司 | 冷柜内部环境检测与控制方法及系统 |
CN116717938B (zh) * | 2023-08-09 | 2023-09-29 | 江苏星星冷链科技有限公司 | 冷柜内部环境检测与控制方法及系统 |
CN116753662A (zh) * | 2023-08-16 | 2023-09-15 | 江苏星星冷链科技有限公司 | 冷柜分区控制方法及系统 |
CN116753662B (zh) * | 2023-08-16 | 2023-10-24 | 江苏星星冷链科技有限公司 | 冷柜分区控制方法及系统 |
CN116817537A (zh) * | 2023-08-30 | 2023-09-29 | 江苏星星冷链科技有限公司 | 基于外界温度测量的多时段冷库制冷控制方法及系统 |
CN116817537B (zh) * | 2023-08-30 | 2023-11-03 | 江苏星星冷链科技有限公司 | 基于外界温度测量的多时段冷库制冷控制方法及系统 |
CN116928944A (zh) * | 2023-09-14 | 2023-10-24 | 江苏星星冷链科技有限公司 | 多分区冷库运行控制方法和系统 |
CN116928944B (zh) * | 2023-09-14 | 2023-12-22 | 江苏星星冷链科技有限公司 | 多分区冷库运行控制方法和系统 |
CN117663590A (zh) * | 2024-02-02 | 2024-03-08 | 江苏星星冷链科技有限公司 | 一种超低温冷柜及其节能运行控制方法 |
CN117663590B (zh) * | 2024-02-02 | 2024-04-12 | 江苏星星冷链科技有限公司 | 一种超低温冷柜及其节能运行控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116518640B (zh) | 2023-08-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116518640B (zh) | 一种冷柜控制方法、系统和设备 | |
Huang et al. | An enhanced deep learning-based fusion prognostic method for RUL prediction | |
US10090791B2 (en) | Machine learning apparatus and method for learning correction value in motor current control, correction value computation apparatus including machine learning apparatus and motor driving apparatus | |
Mehrkanoon et al. | Estimating the unknown time delay in chemical processes | |
CN110559966A (zh) | 一种反应釜多模联合控制方法及系统 | |
CN105807632A (zh) | 一种基于改进大林算法的加热炉温度控制器设计方法 | |
CN116753662B (zh) | 冷柜分区控制方法及系统 | |
Omitaomu et al. | Online support vector regression with varying parameters for time-dependent data | |
CN114580747A (zh) | 基于数据相关性和模糊系统的异常数据预测方法及系统 | |
CN116717938B (zh) | 冷柜内部环境检测与控制方法及系统 | |
CN113867148B (zh) | 基于阶跃响应并考虑前馈的串联控制闭环系统辨识方法 | |
Mofei et al. | Design of intelligent temperature controller for thermocouple automatic calibrating furnace | |
CN104133373A (zh) | 基于改进型递推最小二乘的室温被控对象在线辨识算法 | |
CN113078638B (zh) | 一种基于模糊模型的火电机组agc性能指标计算方法及系统 | |
CN117806154B (zh) | 一种用于篦式冷却机的pid控制器参数优化方法及系统 | |
CN113191082B (zh) | 基于机器学习的模型参数获取方法、系统及可读介质 | |
Costa et al. | Multi-Objective Particle Swarm Optimization Fuzzy Gain Scheduling Control | |
Pian et al. | Improved bee colony algorithm and its application in optimization of thermal expansion coefficient | |
CN110632848B (zh) | 一种带有扰动的热传递过程控制器及优化控制方法 | |
CN117332687A (zh) | 电池组温度变化判断方法、空调温度优化方法及相关装置 | |
Fu et al. | Feature extraction for fault diagnosis utilizing blind parameter identification of MAR model | |
Zhaoqing et al. | Nonlinear adaptive direct generalized predictive control based on LS-SVR algorithm | |
Chen et al. | Furnace temperature modeling for continuous annealing process based on generalized growing and pruning RBF neural network | |
Kocian et al. | An approach to identification procedures for PID control with PLC implementation | |
Abdel-Maksoud | DC Motor Parameters Identification Using Farmland Fertility Optimizer. |
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 |