一种空调器冷媒量预测方法、空调器及存储介质与流程

本发明涉及空调，提供一种空调器冷媒量预测方法、空调器及存储介质。

背景技术：

1、空调系统运行时，冷媒量是其必不可少的因素，冷媒量的多少直接影响多联机的效果；对于空调系统冷媒量的预测是一种非常必要的技术；多联机是空调系统的一种，其运行的零部件相较常规空调系统更多，运行机理更复杂，运行参数更多；如涉及的参数有运行模式、环境温度、压缩机频率、高压、低压、排气温度、排气过热度、吸气温度、吸气过热度、过冷度、电子膨胀阀开度、电磁阀开启情况、回油温度等。

2、现有技术中，有研究采取提取关键参数(如高压、吸气过热度)的方式，但进行冷媒量判断时，采用的是某一条具体数据，而非基于大数据，而采用某一条具体数据用于冷媒量判断时易出现判断误差。

3、例如，专利cn113654182a公开了一种检测冷媒泄漏的方法和计算机可读存储介质以及空调器，但其提取的计算冷媒量是具体某一条数据，即关键参数压力值，较易出现误差；专利cn113739348a公开了一种冷媒状态的检测方法、空调器及存储介质，其建立的模型为神经网络模型，并没有提供多维线性模型；专利cn110131838a提供了一种空调机组控制方法、装置、计算机设备和存储介质，其提取的是具体某一条数据，且并没有提供明确的线性公式的计算方法。

技术实现思路

1、针对上述问题，本发明提供一种空调器冷媒量预测方法、空调器及存储介质，本专利基于大量的随机数据建立多维线性方法，采用关键参数所占比例进行分析，而非简单的通过一个点的数据进行冷媒量判断，并提出了明确的线性公式的计算方法，具有更高的准确性。

2、本发明提供的技术方案如下：

3、一种空调器的冷媒量预测方法，包括以下步骤：

4、获取空调器的不同冷媒量对应的全部关键参数数据；所述关键参数数据包括吸气过热度数据和排气过热度数据；

5、将全部关键参数数据进行分段，形成若干个分段；

6、计算出各分段对应的关键参数数据与该关键参数全部数据的比值；建立分段关键参数与冷媒量关系的多阶数学模型，并通过矩阵求解，求得不同分段关键参数数据的计算系数，基于所述计算系数构建冷媒量预测值模型；

7、将所述关键参数全部数据的比值输入至冷媒量预测值模型，计算出预测冷媒量。

8、进一步的，获取关键数据的最大值和最小值，将最大值和最小值的差值除以分段数量，将关键参数数据平均分为多段。

9、进一步的，获取空调器的不同冷媒量对应的全部关键参数数据具体为：获取空调器的系统标准冷媒量的10％-150％范围内对应的全部关键参数数据。

10、进一步的，所述预测冷媒量的计算方法为：

11、f(x)＝a1*f(sh≤m1)+a2*f(m1＜sh≤m2)+a3*f(m2＜sh≤m3)+……

12、+am-1*f(mm-2＜sh≤mm-1)+am*f(mm-1＜sh)+b1*g(dis≤n1)+b 2*g(n1＜dis≤n 2)+b3*g(n 2＜dis≤n 3)+……+b n-1*g(n n-2＜dis≤n n-1)+b n*g(n n-1＜dis)；

13、f(x)为预测冷媒量相对于系统标准冷媒量所占比例；a1、a2、……am、b1、b2……bn为计算系数；sh为吸气过热度，dis为排气过热度；将吸气过热度分成m等份，其端点值分别为m1、m2、……mm-1；将排气过热度分成n等份，其端点值分别为n1、n2……nn-1；f(mm-2＜sh≤mm-1)表示某组数据中，(mm-2，mm-1]段对应的所有吸气过热度值之和在所有吸气过热度值之和中所占的比例；g(n n-2＜dis≤n n-1)表示某组数据中，(nn-2，nn-1]段对应的所有排气过热度值之和在所有排气过热度值之和中所占的比例。

14、进一步的，所述多阶矩阵模型的表达式为；

15、f(1)＝a1*m(1，1)+a2*m(1，2)+……+am*m(1，m)

16、+b1*n(1，1)+b2*n(1，2)+……+bn*n(1，n)

17、f(2)＝a1*m(2，1)+a2*m(2，2)+……+am*m(2，m)

18、+b1*n(2，1)+b2*n(2，2)+……+bn*n(2，n)

19、……

20、f(m)＝a1*m(m，1)+a2*m(m，2)+……+am*m(m，m)

21、+b1*n(m，1)+b2*n(m，2)+……+bn*n(m，n)

22、……

23、f(m+n)＝a1*m(m+n，1)+a2*m(m+n，2)+……+am*m(m+n，m)

24、+b1*n(m+n，1)+b2*n(m+n，2)+……+bn*n(m+n，n)；

25、a1、a2、……am、b1、b2……bn为计算系数；f(1)、f(2)、……f(m)、……、f(m+n)表示第1、2、……、m、……、m+n组的历史预测冷媒量相对于系统标准冷媒量所占比例；将吸气过热度分成m段，其端点值分别为m1、m2、……mm-1；将排气过热度分成n等份，其端点值分别为n1、n2……nn-1；m(1，1)、m(1，2)……m(m，m)、m(m+n，m)分别为f(sh≤m1)、f(m1＜sh≤m2)、f(mm-1＜sh)、f(mm-1＜sh)的值；n(1，1)、n(1，2)……n(n，n)、m(m+n，n)分别为f(dis≤n1)、f(n1＜dis≤n2)、f(nm-1＜dis)、f(nm-1＜dis)的值；f(mm-2＜sh≤mm-1)表示某组数据中，(mm-2，mm-1]段对应的所有吸气过热度值之和在所有吸气过热度值之和中所占的比例；g(n n-2＜dis≤nn-1)表示某组数据中，(nn-2，nn-1]段对应的所有排气过热度值之和在所有排气过热度值之和中所占的比例。

26、本发明还提供一种空调器，所述空调器包括处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的冷媒量的预测程序，所述冷媒量的预测程序被所述处理器执行时采用上述的方法。

27、本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有冷媒量的预测程序，所述冷媒量的预测程序被处理器执行时采用上述方法。

28、有益效果

29、本专利提出一种基于大数据的空调器多维线性冷媒量预测方法，通过对多组不同冷媒量的空调器建模基础数据提取关键参数吸气过热度和排气过热度，建立数学模型，并通过矩阵求解，确立冷媒量计算公式，而非简单的通过一个点的数据进行冷媒量判断。

30、本专利提出系统冷媒量实时判断，通过累计数据判断，同时本专利提取关键参数时，采用吸气过热度和排气过热度共同作用，从而避免单个数据的误差；本专利基于大量的随机数据建立多维线性模型，采用关键参数所占比例进行分析，而非简单的通过一个点的数据进行冷媒量判断，提出了明确的线性公式的计算方法，通过该方法可以实现千分之一的冷媒量预测，具有更高的准确性。