[发明专利]一种空调器压缩机控制方法、控制系统及空调器

说明书

本发明公开了一种空调器压缩机控制方法、控制系统及空调器，通过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，预测准确性高，效率高，解决了无法获得压缩机最优频率的问题，并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，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，是涉及一种空调器压缩机控制方法、控制系统及空调器。

背景技术

目前空调器压缩机的频率控制方法基本都是采用的PID算法。

PID算法的输入参数为：P＝设定温度-环境温度的差值；D＝P_n-P_n-1，即D为此次偏差与上次偏差的差值；S＝D_n-D_n-1，即S为偏差差值的差值；压缩机初始频率F0，即程序设定的压缩机参与PID计算的初始频率值或者压缩机返回的实际频率作为初始频率；KP、KI、KD等。

上述等参数作为输入参数，经过PID算法进行计算，输出压缩机的目标频率。

PID算法存在的弊端是输入参数较为单一，只有室内环境温度和设定温度参与压缩机频率的计算，所计算的压缩机频率可能不是该环境下最优频率。

发明内容

本发明提供了一种空调器压缩机控制方法，解决了无法获得压缩机最优频率的问题。

为达到上述技术目的，本发明采用以下技术方案实现：

一种空调器压缩机控制方法，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。

本申请一些实施例中，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。

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。

本申请一些实施例中，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。

本申请一些实施例中，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。

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。

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；