一种空调智能监测系统及空调的运行效率异常检测方法与流程

本发明涉及空调领域，尤其涉及一种空调智能监测系统及空调的运行效率异常检测方法。

背景技术：

空调作为冬季采暖、夏季制冷的最常用设备，其耗电量已成为家庭与工商业的重要成本之一。随着人们对空调舒适度与经济性要求的不断提高，变频空调逐渐成为人们的首选：1)变频空调通过内装变频器，随时调节空调压缩机的运转速度，从而做到合理使用能源，且其压缩机不会频繁开启，可以使空调整体达到节能30％以上的效果。同时，这对噪音的减少和延长空调使用寿命，有相当明显的作用。2)变频空调温控精度高。它可以通过改变压缩机的转速来控制空调机的制冷(热)量，室内温度控制可精确到±1℃，使人体感到很舒适。

在长期使用过程中，空调往往会发生性能下降的情况，空调本身能效比只表征制冷量与制冷消耗功率的比值，然而，制冷量转换为温降还受诸多因素影响，如滤网阻塞、制冷剂不足、温度传感器故障等都会造成制冷/制热效果不理想。这里我们定义空调制冷/制热能效表征空调运行对温度升降产生的实际影响，空调消耗同等电能造成的温升/温将越明显则能效越高。仅靠人体感觉难以及时发觉空调制冷/制热能效降低的现象，且当前缺乏对变频空调制冷/制热能效的监测手段与性能评价指标，从而在降低用户用电舒适度的同时也造成的电能的浪费。

技术实现要素：

鉴以此，本发明要解决的问题在于提供一种通过云端服务器监测采集空调的运行数据与环境温度，基于云计算进行数据挖掘与数据分析，实现空调制冷/制热能效的智能异常检测，让用户及时发现空调能效降低情况，采取诊断调试措施提高空调运行能效，提升用户用电舒适度并节约电能和电费的一种空调智能监测系统。

一种空调智能监测系统，包括设于房间内的空调、网关、能效插座、第一温度传感器、第二温度传感器和用于空调运行监视分析的云端服务器，所述空调与所述能效插座相连，所述第一温度传感器设于房间内，所述第二温度传感器设于房间外，选择距离房间相等的位置设立网关，所述能效插座、第一温度传感器和第二温度传感器均与所述网关信号连接，所述网关与所述云端服务器信号连接。

一种空调的运行效率异常检测方法，具体步骤如下：

S1：首先对空调的工作过程进行分析，确定空调功率与室内温度变化之间的关系；

S2：在对空调工作过程进行分析的基础上，确立可以表征空调制冷工作状态的特征参量并以此作为依据进行变频空调异常状态监测，确定特征参量分别与房间内温度和房间外温度之间的特征关系；

S3：对特征关系进行提取；

S4：通过已知特征参量和被提取出的特征关系来确定空调工作效率是否存在异常。

优选地,步骤S1中，将室内温度作为系统输出，设定温度作为系统目标，二者偏差对空调运行功率产生负反馈调节作用；确定空调制冷工作功率的分布阶段；空调制冷工作在不同工作周期时，主最大制冷功率Pmax(n)与主最小制冷功率Pmin(n)受外界温度影响而调节变化，而制冷调节功率范围保持不变，即主最大制冷功率Pmax(n)-主最小制冷功率Pmin(n)保持恒定，空调在不同工作周期的次最小制冷功率Pc’(n,t)与待机功率Ps(n)不变。

优选地，在步骤S2中，将空调每个制冷周期分主制冷阶段与次制冷阶段两部分，第n个制冷周期的平均制冷量计算公式为：

Pr(n,t)是除了主、次制冷阶段的其他功率，其功率数值并不对制冷效果具有影响，因此可视Pr(n,t)为0，包括主最大制冷功率Pmax(n)过程、主最小制冷功率Pmin(n)过程、主制冷调节功率Pc(n,t)过程、次制冷调节功率Pc’(n,t)过程、次制冷最小功率P’min(n)过程以及各过程运行时间的六个参数，而在上式中，这六个参数均会对制冷周期的平均制冷量产生影响，因此选择制冷周期的平均制冷量，即平均功率作为表征空调制冷状态的特征参量，探求在预设温度一定的情况下，此特征参量与室内、室外温度之间的特征关系。

优选地,步骤3中，基于DBSCAN聚类方法提取高密度区域，从而剔除分布在(Ps(n),P’min(n))之间的数据点对于待机功率数值提取的影响；再使用K-means算法对高密度区域进行动态聚类分析，对待机功率簇求其最大值并将该最大值作为判定是否处在待机状态的阈值；将所得的待机功率最大阈值作为判断条件，提取空调制冷运行周期；对每个制冷运行周期进行平均制冷量计算，设t1为制冷运行周期开始时刻，Δt为制冷周期持续时间，Ts是采样周期，P(t)是当前采样周期的功率，则计算公式为：

确定每个制冷周期起始时刻的室内温度Tin与室外温度Tout，并计算室内外温度差(Tout–Tin)，以作为分析参数；绘制各制冷周期平均制冷量与室内外温度差之间的关系图，将y轴作为平均制冷量，将x轴作为室内外温度差，即可得知随着室内外温度差升高，即室外温度越高于室内温度，平均制冷量越大，则可知平均制冷量与室内外温度差呈线性关系，对其进行线性拟合可得周期平均制冷量与室内外温度差的特征关系。

优选地,步骤4中，在特征参量与特征关系已知的情况下实现效率异常检测，经过一段时间数据监测，提取在不同设定温度下平均制冷量与室内外温度差的特征关系；在线监测空调用电数据与室内外温度，每探测到制冷周期便在线实时计算平均制冷量；然后计算理论特征制冷量并根据理论特征制冷量定义异常域，当实时制冷量进入异常域时即认定空调工作效率异常并进行详细诊断。

本发明的有益效果在于：

本发明所提供的一种空调智能监测系统，通过云端服务器监测采集空调的运行数据与环境温度，基于云计算进行数据挖掘与数据分析，可实现变频空调制冷/制热能效的智能异常检测，让用户及时发现空调能效降低情况，采取诊断调试措施提高空调运行能效，提升用户用电舒适度并节约电能和电费。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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优选实施例，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附图。

图1是本发明一种空调智能监测系统及空调的运行效率异常检测方法的空调工作功率示意图；

图2是本发明一种空调智能监测系统及空调的运行效率异常检测方法的空调制冷周期分析示意图；

图3是本发明一种空调智能监测系统及空调的运行效率异常检测方法的周期平均制冷量与各影响因素逻辑关系图；

图4是本发明一种空调智能监测系统及空调的运行效率异常检测方法的周期平均制冷量与室内外温度差关系图；

图5是本发明一种空调智能监测系统及空调的运行效率异常检测方法的以上海某办公室空调的周期平均制冷量与室内外温差特征线性关系示意图；

图6是本发明一种空调智能监测系统的框架图。

图中，1为空调，2为网关，3为能效插座，4为第一温度传感器，5为第二温度传感器，6为云端服务器。

具体实施方式

为了使本发明的技术手段、创作特征、工作流程、使用方法达成目的与功效易于明白了解，下面结合具体实施例，进一步阐述本发明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

参见图6，一种空调智能监测系统，包括设于房间内的空调、网关、能效插座、第一温度传感器、第二温度传感器和用于空调运行监视分析的云端服务器，所述空调与所述能效插座相连，所述第一温度传感器设于房间内，所述第二温度传感器设于房间外，选择距离房间相等的位置设立网关，所述能效插座、第一温度传感器和第二温度传感器均与所述网关信号连接，所述网关与所述云端服务器信号连接，通过云端服务器监测采集空调的运行数据与第一温度传感器和第二温度传感器所采集的环境温度，基于云计算进行数据挖掘与数据分析，可实现变频空调制冷/制热能效的智能异常检测，让用户及时发现空调能效降低情况，采取诊断调试措施提高空调运行能效，提升用户用电舒适度并节约电能和电费。

参见图1至图4，一种空调的运行效率异常检测方法，具体步骤如下：

S1：首先对空调的工作过程进行分析，确定空调功率与室内温度变化之间的关系；

S2：在对空调工作过程进行分析的基础上，确立可以表征空调制冷工作状态的特征参量并以此作为依据进行变频空调异常状态监测，确定特征参量分别与房间内温度和房间外温度之间的特征关系；

S3：对特征关系进行提取；

S4：通过已知特征参量和被提取出的特征关系来确定空调工作效率是否存在异常。

具体的,步骤S1中，将室内温度作为系统输出，设定温度作为系统目标，二者偏差对空调运行功率产生负反馈调节作用；确定空调制冷工作功率的分布阶段；空调制冷工作在不同工作周期时，主最大制冷功率Pmax(n)与主最小制冷功率Pmin(n)受外界温度影响而调节变化，而制冷调节功率范围保持不变，即主最大制冷功率Pmax(n)-主最小制冷功率Pmin(n)保持恒定，空调在不同工作周期的次最小制冷功率Pc’(n,t)与待机功率Ps(n)不变。

具体的，在步骤S2中，将空调每个制冷周期分主制冷阶段与次制冷阶段两部分，第n个制冷周期的平均制冷量计算公式为：

Pr(n,t)是除了主、次制冷阶段的其他功率，其功率数值并不对制冷效果具有影响，因此可视Pr(n,t)为0，室内温度受空调制冷运行以及室外温度的影响，在设定空调温度一定的情况下，室内温度会负反馈作用于空调自动控制系统，从而影响空调制冷周期的相关参数与运行过程，包括主最大制冷功率Pmax(n)过程、主最小制冷功率Pmin(n)过程、主制冷调节功率Pc(n,t)过程、次制冷调节功率Pc’(n,t)过程、次制冷最小功率P’min(n)过程以及各过程运行时间的六个参数，而在上式中，这六个参数均会对制冷周期的平均制冷量产生影响，因此选择制冷周期的平均制冷量，即平均功率作为表征空调制冷状态的特征参量，探求在预设温度一定的情况下，此特征参量与室内、室外温度之间的特征关系。

具体的,步骤3中，基于DBSCAN聚类方法提取高密度区域，从而剔除分布在(Ps(n),P’min(n))之间的数据点对于待机功率数值提取的影响；再使用K-means算法对高密度区域进行动态聚类分析，对待机功率簇求其最大值并将该最大值作为判定是否处在待机状态的阈值；将所得的待机功率最大阈值作为判断条件，提取空调制冷运行周期；对每个制冷运行周期进行平均制冷量计算，设t1为制冷运行周期开始时刻，Δt为制冷周期持续时间，Ts是采样周期，P(t)是当前采样周期的功率，功率上传频率为1Hz，则计算公式为：

确定每个制冷周期起始时刻的室内温度Tin与室外温度Tout，并计算室内外温度差(Tout–Tin)，以作为分析参数；绘制各制冷周期平均制冷量与室内外温度差之间的关系图，将y轴作为平均制冷量，将x轴作为室内外温度差，即可得知随着室内外温度差升高，即室外温度越高于室内温度，平均制冷量越大，则可知平均制冷量与室内外温度差呈线性关系，对其进行线性拟合可得周期平均制冷量与室内外温度差的特征关系。

具体的,步骤4中，在特征参量与特征关系已知的情况下实现效率异常检测，经过一段时间数据监测，提取在不同设定温度下平均制冷量与室内外温度差的特征关系；在线监测空调用电数据与室内外温度，每探测到制冷周期便在线实时计算平均制冷量；然后计算理论特征制冷量并根据理论特征制冷量定义异常域，当实时制冷量进入异常域时即认定空调工作效率异常并进行详细诊断，以上海某办公室变频空调为例，提取周期平均制冷量与室内外温差特征线性关系，如图5所示，线性拟合公式为：

据此特征关系监测该变频空调使用三个月后，周期平均制冷量长期低于线性计算量，判定为效率异常并进行现场检修，发现滤网阻塞，清理后空调制冷运行重新回归线性特征关系。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。