[发明专利]一种空调器压缩机控制方法、控制系统及空调器

权利要求书

1.一种空调器压缩机控制方法，其特征在于：包括：

获取空调器的运行参数；所述空调器的运行参数包括用户设定温度、室内环境温度、室外环境温度、室内盘管温度、室外盘管温度、压缩机排气温度、压缩机初始频率中的一种或多种；

将空调器的运行参数输入到第一深度学习模型，获得预测的压缩机最优频率；

将预测的压缩机最优频率作为目标频率，调整压缩机的运行。

2.根据权利要求1所述的空调器压缩机控制方法，其特征在于：将空调器的运行参数和预测的压缩机最优频率存入数据库，用于训练第一深度学习模型。

3.根据权利要求1所述的空调器压缩机控制方法，其特征在于：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运行参数以及测试出的压缩机最优频率；

将测试环境下获取的运行参数作为输入参数，将测试出的压缩机最优频率作为输出参数，训练第一深度学习模型。

4.根据权利要求1至3中任一项所述的空调器压缩机控制方法，其特征在于：所述获得预测的压缩机最优频率之后，所述控制方法还包括：

将压缩机排气温度、室外环境温度以及预测的压缩机最优频率输入到第二深度学习模型，得到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。

5.根据权利要求4所述的空调器压缩机控制方法，其特征在于：将压缩机排气温度、室外环境温度、预测的压缩机最优频率、预测的电子膨胀阀最优开度存入数据库，用于训练第二深度学习模型。

6.根据权利要求4所述的空调器压缩机控制方法，其特征在于：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压缩机排气温度、室外环境温度、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压缩机排气温度、室外环境温度、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，训练第二深度学习模型。

7.根据权利要求4所述的空调器压缩机控制方法，其特征在于：

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。

8.一种空调器压缩机控制系统，其特征在于：包括：

运行参数获取模块，用于获取空调器的运行参数；所述空调器的运行参数包括用户设定温度、室内环境温度、室外环境温度、室内盘管温度、室外盘管温度、压缩机排气温度、压缩机初始频率中的一种或多种；

第一深度学习模型，用于输入空调器的运行参数，输出预测的压缩机最优频率；

频率控制模块，用于将预测的压缩机最优频率作为目标频率，调整压缩机的运行。

9.根据权利要求8所述的空调器压缩机控制系统，其特征在于：所述控制系统还包括：

第二深度学习模型，用于输入压缩机排气温度、室外环境温度以及预测的压缩机最优频率，输出预测的电子膨胀阀最优开度；

开度控制模块，用于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。

10.一种空调器，其特征在于：采用如权利要求1至7中任一项所述的空调器压缩机控制方法。