[发明专利]一种空调器电子膨胀阀控制方法、控制系统及空调器

说明书

本发明公开了一种空调器电子膨胀阀控制方法、控制系统及空调器，通过将室外环境温度、室外盘管温度、压缩机排气温度、压缩机频率输入到第一深度学习模型，获得预测的电子膨胀阀最优开度，预测准确性高，效率高，解决了无法获得电子膨胀阀最优开度的问题，并将预测的电子膨胀阀最优开度作为目标开度，调整电子膨胀阀的运行，保证空调器运行效果。

技术领域

本发明属于空气调节技术领域，具体地说，是涉及一种空调器电子膨胀阀控制方法、控制系统及空调器。

背景技术

当前空调器电子膨胀阀的控制方式大多是采用目标排气温度调阀方式，通过计算目标排气温度，然后通过将目标排气温度和实际排气的差值进行PID计算，从而控制电子膨胀阀的阀开度。

目前目标排气温度的计算公式大多采用公式T＝a*Hz+b+c进行计算。其中，T为目标排气温度，Hz为压机频率，a和b为比例系数，c为目标排气温度在不同外环温下的补偿值。

上述算法存在的弊端是输入参数较为单一，只有压机频率和排气温度参与阀开度的计算，PID算法所计算的可能不是该环境下最优阀开度。

发明内容

本发明提供了一种空调器电子膨胀阀控制方法，解决了无法获得电子膨胀阀最优开度的问题。

为达到上述技术目的，本发明采用以下技术方案实现：

一种空调器电子膨胀阀控制方法，包括：

获取室外环境温度、室外盘管温度、压缩机排气温度、压缩机频率，并输入到第一深度学习模型，获得预测的电子膨胀阀最优开度；

将预测的电子膨胀阀最优开度作为目标开度，调整电子膨胀阀的运行。

本申请一些实施例中，将获取的室外环境温度、室外盘管温度、压缩机排气温度、压缩机频率和预测的电子膨胀阀最优开度存入数据库，用于训练第一深度学习模型。

本申请一些实施例中，所述第一深度学习模型建立过程包括：

在测试环境下，获取不同空调器在不同工况下的室外环境温度、室外盘管温度、压缩机排气温度、压缩机频率以及测试出的电子膨胀阀最优开度；

将测试环境下获取的室外环境温度、室外盘管温度、压缩机排气温度、压缩机频率作为输入参数，将测试出的电子膨胀阀最优开度作为输出参数，训练第一深度学习模型。

本申请一些实施例中，所述获得预测的电子膨胀阀最优开度之后，所述控制方法还包括：

将室外环境温度、压缩机频率以及预测的电子膨胀阀最优开度输入到第二深度学习模型，得到预测的外风机最优转速；

将预测的外风机最优转速作为目标转速，调整外风机的运行。

本申请一些实施例中，将室外环境温度、压缩机频率、预测的电子膨胀阀最优开度、预测的外风机最优转速存入数据库，用于训练第二深度学习模型。

本申请一些实施例中，所述第二深度学习模型建立过程包括：

在测试环境下，获取不同空调器在不同工况下的室外环境温度、压缩机频率、电子膨胀阀开度以及测试出的外风机最优转速；

将测试环境下获取的室外环境温度、压缩机频率、电子膨胀阀开度作为输入参数，将测试出的外风机最优转速作为输出参数，训练第二深度学习模型。

本申请一些实施例中，所述第一深度学习模型为SVM模型、神经网络模型、随机森林模型、决策树模型、K邻近模型中的任一种；

所述第二深度学习模型为SVM模型、神经网络模型、随机森林模型、决策树模型、K邻近模型中的任一种。

一种空调器电子膨胀阀控制系统，包括：