[發明專利]一種空調及其開機控制方法、裝置、存儲介質及處理器

有效

• 申請號: 202011577305.0
• 申請日: 2020-12-28
• 公開（公告）號: CN112797603B
• 公開（公告）日: 2022-02-22
• 發明（設計）人: 劉超;徐娟;毛龍;張嘉鑫;宋彥銳;呂麗君
• 申請（專利權）人: 珠海格力電器股份有限公司
• 主分類號: F24F11/89
• 分類號: F24F11/89;F24F11/88;F24F11/64;F24F11/77;F25B49/02;F24F110/10;F24F110/12
• 代理公司: 北京煦潤律師事務所 11522
• 代理人: 朱清娟;梁永芳

1.一種空調的開機控制方法，其特征在于，包括：

在接收到所述空調的當前次開機指令的情況下，獲取所述空調的當前系統壓力和當前環境參數，并獲取所述空調在上次關機時的壓縮機轉子位置；

根據預先確定的設定系統壓力、設定環境參數和設定負載參數之間的對應關系，將該對應關系中與所述當前系統壓力相同的設定系統壓力、與所述當前環境參數相同的設定環境參數對應的設定負載參數，確定為與所述當前系統壓力和所述當前環境參數對應的當前負載參數；預先確定的設定系統壓力、設定環境參數和設定負載參數之間的對應關系，包括：利用預先經過靜態訓練得到的神經網絡模型，在所述空調在第一次開機之后至第一次關機之前進行學習，得到以所述設定系統壓力和所述設定環境參數為輸入參數、并以所述設定負載參數為輸出參數的對應關系，作為能夠確定所述空調在第二次開機時的當前負載參數、并進行動態學習的神經網絡模型；以及，在所述空調在第n+1次開機之后至第n+1次關機之前，對所述空調在第n次開機之后至第n次關機之前動態學習得到的神經網絡模型繼續進行動態學習，n為正整數且n≥1；

基于所述空調在上次關機時的壓縮機轉子位置，根據所述當前負載參數，控制所述壓縮機的負載運行，以實現對所述空調的開機控制；

其中，所述當前環境參數和所述設定環境參數中的環境參數，包括：室外環境溫度、室內環境溫度、室內目標溫度、內管溫度和外管溫度中的至少之一；

所述當前負載參數和所述設定負載參數中的負載參數，包括：壓縮機頻率、壓縮機升頻速率、外風機轉速和節流單元的開度中的至少之一。

2.根據權利要求1所述的空調的開機控制方法，其特征在于，利用預先經過靜態訓練得到的神經網絡模型，在所述空調在第一次開機之后至第一次關機之前進行學習，包括：

根據所述空調在第一次開機之后至第一次關機之前的室內環境溫度與目標室內環境溫度，確定所述空調的壓縮機頻率和壓縮機升頻速率；

根據所述空調在第一次開機之后至第一次關機之前的室外環境溫度和系統壓力，確定所述空調的外風機轉速和節流單元的開度。

3.根據權利要求1所述的空調的開機控制方法，其特征在于，在所述空調在第n+1次開機之后至第n+1次關機之前，對所述空調在第n次開機之后至第n次關機之前動態學習得到的神經網絡模型繼續進行動態學習，包括：

根據所述空調在第n+1次開機之后至第n+1次關機之前的室外環境溫度與外管溫度的差值，進一步調整所述空調在第n次開機之后至第n次關機之前動態學習得到的神經網絡模型中的壓縮機頻率、壓縮機升頻速率、外風機轉速和節流單元的開度中的至少之一的學習速率；

其中，若所述空調在第n+1次開機之后至第n+1次關機之前的室外環境溫度與外管溫度的差值的變化速率大于設定速率，則增大所述空調在第n次開機之后至第n次關機之前動態學習得到的神經網絡模型中的壓縮機頻率、壓縮機升頻速率、外風機轉速和節流單元的開度中的至少之一的學習速率；

若所述空調在第n+1次開機之后至第n+1次關機之前的室外環境溫度與外管溫度的差值的變化速率小于設定速率，則減小所述空調在第n次開機之后至第n次關機之前動態學習得到的神經網絡模型中的壓縮機頻率、壓縮機升頻速率、外風機轉速和節流單元的開度中的至少之一的學習速率。

4.根據權利要求1至3中任一項所述的空調的開機控制方法，其特征在于，還包括：

在接收到所述空調的當前次開機指令的情況下，獲取所述空調在當前次關機時的壓縮機轉子位置，以作為所述空調在當前次關機之后再開機時的壓縮機轉子位置。