CN110850717B - 利用风机电流的神经网络热泵除霜控制装置及控制方法 - Google Patents

利用风机电流的神经网络热泵除霜控制装置及控制方法 Download PDF

Info

Publication number
CN110850717B
CN110850717B CN201911132291.9A CN201911132291A CN110850717B CN 110850717 B CN110850717 B CN 110850717B CN 201911132291 A CN201911132291 A CN 201911132291A CN 110850717 B CN110850717 B CN 110850717B
Authority
CN
China
Prior art keywords
data
neural network
defrosting
current
value
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201911132291.9A
Other languages
English (en)
Other versions
CN110850717A (zh
Inventor
徐英杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN201911132291.9A priority Critical patent/CN110850717B/zh
Publication of CN110850717A publication Critical patent/CN110850717A/zh
Application granted granted Critical
Publication of CN110850717B publication Critical patent/CN110850717B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
    • F25B—REFRIGERATION MACHINES, PLANTS OR SYSTEMS; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS
    • F25B30/00—Heat pumps
    • F25B30/06—Heat pumps characterised by the source of low potential heat
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
    • F25D—REFRIGERATORS; COLD ROOMS; ICE-BOXES; COOLING OR FREEZING APPARATUS NOT OTHERWISE PROVIDED FOR
    • F25D21/00—Defrosting; Preventing frosting; Removing condensed or defrost water
    • F25D21/06—Removing frost
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Thermal Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Combustion & Propulsion (AREA)
  • Physiology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Chemical & Material Sciences (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

本发明提供一种利用风机电流的神经网络热泵除霜控制装置及控制方法，方法包括步骤：S1，电流测量装置实时采集空气源热泵蒸发器风机的电流信号；S2，数据转换模块对所述电流信号进行滤波、解调、分解和重构，获取数据信息，再利用特征提取算法进行时域和频域分析，提取特征数据值；S3，数据诊断模块利用基于GA算法的ELM神经网络对特征数据值进行诊断分析处理，得出结霜故障的诊断信息；S4，除霜控制模块根据所述诊断信息，对空气源热泵蒸发器进行除霜控制。本发明利用基于GA算法的ELM神经网络模型提高了收敛速度和收敛时间，增加了***的稳定性；通过对风机电流的变化情况进行诊断，根据诊断结果快速准确地控制化霜，提高了热泵***的运行效率。

Description

利用风机电流的神经网络热泵除霜控制装置及控制方法
技术领域
本发明属于热泵除霜技术领域，具体涉及一种利用风机电流的神经网络热泵除霜控制装置及控制方法。
背景技术
空气源热泵技术是基于逆卡诺循环原理建立起来的一种节能、环保制热技术。空气源热泵***通过自然能(空气蓄热)获取低温热源，经***高效集热整合后成为高温热源，用来供暖或供应热水。空气源热泵的适应范围广，运行成本低，对环境无污染，具有良好的节能减排效果，现已广泛应用于化工、热能、制热、暖通等领域。
由于空气中含有水分且相对湿度比较高，制冷***正常运行时，空气源热泵蒸发器管内的制冷剂吸收室外空气的热量，蒸发器的表面温度远低于空气的露点温度，空气中的水分会析出而凝结在蒸发器管壁上。当管壁温度低于0℃时，水露则凝结成霜，造成蒸发器结霜。虽然空气源热泵在我国城市发展中广泛应用，但是由于空气源热泵室外侧换热器在冬季运行时存在结霜现象使得空气源热泵冬季供暖时的运行状况却不理想。
室外换热器结霜主要从两个方面对热泵机组的运行造成不良影响。一方面，霜层的形成增大了室外换热器表面导热热阻，降低了室外换热器的传热系数；另一方面，霜层的存在增大了空气流过室外换热器阻力，减少了空气流量，从而降低了机组供热性能。伴随着室外换热器壁面霜层的增长，室外换热器蒸发温度下降、机组制热量降低、风机性能衰减和输入电流增大、供热性能系数降低，严重时出现压缩机停机，从而导致机组不能正常工作。因此对结霜状态下风机电机电流的变化进行研究，便可以通过对流过风机的电流的实时监测来及时地发现结霜现象并及时实现化霜。现有的基于风机电流控制除霜的技术，多仅采用宏观特征(幅值与正弦频率)进行阈值比较，识别率较低，控制效果欠佳。
发明内容
传统的控制蒸发器除霜的方法是通过温度传感器测量换热器盘管温度或者是定时除霜，这种控制除霜的方式效率低下，不能及时地发现故障也不能有效地清除故障。本发明的目的在于提供一种利用风机电流的神经网络热泵除霜控制装置及控制方法，根据风机的电流信号利用神经网络***准确快速地判断出当前空气源热泵的状态，以便于及早地发现并清除故障，减少热泵在结霜状态下的效率低下，保证空气源热泵机组在高效状态下运行。
为了达到上述发明目的，本发明采用以下技术方案：
利用风机电流的神经网络热泵除霜控制装置，包括：
电流测量装置，实时测量空气源热泵蒸发器风机的电流信号；
数据转换模块，对所述电流信号进行滤波、解调、分解和重构，获取数据信息，再利用特征提取算法进行时域和频域分析，提取特征数据值，
数据诊断模块，利用基于GA算法的ELM神经网络对特征数据值进行诊断分析处理，得出结霜故障的诊断信息；
除霜控制模块，根据所述诊断信息，对空气源热泵蒸发器进行除霜控制。
作为本发明的优选方案之一，所述数据转换模块中，利用Hilbert变换进行滤波、解调操作，利用小波包分析、频域分析或CZT转换进行分解和重构操作。
作为本发明的优选方案之一，所述特征提取算法采用小波包分解、快速傅里叶变换、主成分分析中的任一种。
作为本发明的优选方案之一，还包括数据采集模块，用于将电流测量装置的采集数据收集并传送至数据转换模块。
本发明还提出一种利用风机电流的神经网络热泵除霜控制方法，采用所述的控制装置，包括以下步骤：
S1，电流测量装置实时采集空气源热泵蒸发器风机的电流信号；
S2，数据转换模块对所述电流信号进行滤波、解调、分解和重构，获取数据信息，再利用特征提取算法进行时域和频域分析，提取特征数据值；
S3，数据诊断模块利用基于GA算法的ELM神经网络对特征数据值进行诊断分析处理，得出结霜故障的诊断信息；
S4，除霜控制模块根据所述诊断信息，对空气源热泵蒸发器进行除霜控制。
本发明与现有技术相比，有益效果是：
利用基于GA算法的ELM神经网络模型提高了收敛速度和收敛时间，增加了***的稳定性。通过对流过风机的电流的变化情况进行诊断，根据诊断结果快速准确地控制化霜，从而提高了热泵***的运行效率，减少了因结霜时间过长而造成的机械损坏，从而达到节约成本的目的。
附图说明
图1是本发明所述控制装置组成示意图；
图2是本发明所述控制方法流程示意图。
附图标记：
11-空气源热泵循环***、12-空气源热泵蒸发器的风机、13-交流电源、14-数据采集模块、15-数据转换模块、16-数据诊断模块、17-除霜控制模块、21-电流测量装置。
具体实施方式
以下将对本发明的技术方案作进一步解释说明。
实施例一
如图1所示，本实施例所述利用风机电流的神经网络热泵除霜控制装置，包括空气源热泵循环***11、空气源热泵蒸发器的风机12、交流电源13、电流测量装置21、数据采集模块14、数据转换模块15、数据诊断模块16和除霜控制模块17。该***的连接方式为电流测量装置21与空气源热泵蒸发器的风机12的电机导线相连，空气源热泵蒸发器的风机12与交流电源13相连，电流测量装置21、数据采集模块14、数据转换模块15、数据诊断模块16和除霜控制模块17依次相连，除霜控制模块17与空气源热泵循环***11连接用于控制热泵进行化霜。
所述空气源蒸发器的风机12是用来驱动室外空气流过空气源热泵的室外蒸发器来获取空气中的热量，若蒸发器结霜必定会导致制热量降低，风机的运行状态发生变化，造成驱动风机运转的输入电流发生变化，产生高次谐波。
所述电流测量装置21是用于实时测量空气源热泵室外侧换热器风机电流的变化，包括开关电源和电流传感器两部分。电流传感器可采用电磁式、电子式等多种类型，安装方式根据传感器类型的不同和所测电流的大小采用感应式安装或者接入型安装的方法。
所述数据采集模块14是将传感器或其他待测设备的模拟和数字测量单元中自动采集非电量或者电量信号送到处理器中进行分析处理。其主要有数据采集卡构成，可通过PXI、串口、USB、以太网或者无线网等总线接入数据采集***。
数据转换模块15是对所采集的原始数据信息进行数据预处理和特征提取，数据预处理包括对数据的滤波、解调、分解和重构从而获取有用的数据信息，特征提取是指利用特征提取算法对数据进行时域和频域分析，其特征提取算法可采用小波包分解、快速傅里叶变换、主成分分析等。
所述数据诊断模块16是将所提取的特征信号利用机器学习智能学习方法进行信号处理，对数据信息进行分类从而实现对结霜故障的诊断，其中机器学习方法包括人工神经网络、深度学习、支持向量机等多种学习方法。本发明中提出一种改进的RBF神经网络对特征信号进行诊断分析处理。
所述除霜控制模块17是根据数据诊断模块的诊断信息来实现除霜控制，若诊断出结霜故障则进行除霜。
本实施例所述除霜控制装置，对风机电流数据通过滤波、解调、分解和重构等预处理，通过特征提取算法提取特征数据值，再结合基于GA算法的ELM神经网络模型等数据分析从而对空气源热泵的室外侧换热器结霜的情况加以诊断，可得到更为准确的判断数据，以便于及早地发现并清除故障，减少热泵在结霜状态下的效率低下，保证空气源热泵机组在高效状态下运行。
实施例二
如图2所示，本实施例提供一种利用风机电流的神经网络热泵除霜控制方法，其至少包括以下步骤：
S1，电流测量装置实时采集空气源热泵蒸发器风机的电流信号；
S2，数据转换模块对所述电流信号进行滤波、解调、分解和重构，获取数据信息，再利用特征提取算法进行时域和频域分析，提取特征数据值；
S3，数据诊断模块利用基于GA算法的ELM神经网络对特征数据值进行诊断分析处理，得出结霜故障的诊断信息；
S4，除霜控制模块根据所述诊断信息，对空气源热泵蒸发器进行除霜控制。
步骤S2中，数据转换模块对所述电流信号进行滤波、解调、分解和重构，获取数据信息，具体为：
S2.1，对数据进行Hilbert转换：
s(t)为给定的时域信号，则Hilbert变换为s(t)与h(t)＝1/(πt)的卷积，
Figure BDA0002278657820000041
式中H为Hilbert变换算子，对上述变换后的信号再进行
Figure BDA0002278657820000042
处理；
S2.2，利用小波包分析、频域分析或CZT转换进行分解和重构操作。
步骤S2.2中，所述小波包分析步骤如下：
1)利用小波包对信号分解
将采集的电流信号进行n层小波包分解，分别提取第n层从低频到高频2n个节点处的小波包系数；2n个节点分别为(i，j)表示第i层的第j个节点，其中i＝n，j＝0,1,2,3…,2n-1；
2)对小波包分解系数重构，提取各频带范围的信号特征
设各节点小波包系数Hi，j对应的重构信号为Si，j；对第n层的所有节点进行分析，总信号S可用下式表示：
Figure BDA0002278657820000051
3)求各频带信号的总能量
假设Sn，j(j＝0,1,2,3…,2n-1)对应的能量En，j(j＝0,1,2,3…,2n-1)，则能量Sn，j可由下式表示：
Figure BDA0002278657820000052
其中：hj,k(j＝0,1,2,3…,2n-1；k＝1,2,…,n)表示重构信号Sn，j的离散点的幅值；
4)构造特征向量
定义信号的全部能量为
Figure BDA0002278657820000053
某频段的相对小波包能量为
Figure BDA0002278657820000054
则相对小波包能量特征向量为
Figure BDA0002278657820000055
步骤S3具体如下：
S3.1，ELM神经网络初始化
将ELM神经网络的输入特征量进行归一化，使其在[0,1]之间，归一化公式为：
Figure BDA0002278657820000056
其中，x为归一化后的值，X为被归一化的样本数据，Xmin、Xmax分别为样本被归一化数据的最小值和最大值；
S3.2 ELM神经网络参数初始化
设置训练次数N、训练误差e、输入层到隐含层的连接权值ω，隐含层到输出层的连接权值β，隐含层神经元的阈值b，输入特征值为故障电流分解到第n层的能量特征值xi，隐含层的神经元个数，神经元个数的计算根据公式：
Figure BDA0002278657820000057
确定，其中n、l分别为输入神经元的个数和输出神经元的个数，a通常取1～10，输出值为y；
将数据分为测试集和预测集；
S3.3数据测试
导入测试集数据，即小波包分解提取的故障特征值，计算故障识别成功率；
S3.4 GA算法参数初始化
设置种群的规模N1，进化次数G，交叉概率Pc和变异概率Pm；
将ELM神经网络的权值与阈值组成遗传编码，重复运行S3.3中建立的神经网络并记录每次运行完成的遗传编码建立种群；
S3.5建立评价函数
以每组染色体所构造的神经网络运行的结果为依据，计算并记录对应的适应度值；
S3.6 GA算法的选择、交叉和变异
1)选择:在种群中以一定的概率选择一部分群体用来产生下一代种群；
2)交叉:从父代种群中选取多条染色体进行下一代染色体的操作，通过染色体的交叉组合来产生新的个体；
3)变异:从群体中任选一个个体，对所选择的染色体中某段编码进行变异以产生更优秀的个体；
S3.7适应度值计算
将新得到的染色体个体中的遗传编码进行解码，计算适应度并与种群进行比较；重复S3.5-S3.6，不断对种群进行上述操作并计算适应度值，直至达到最大进化次数，适应度最优解对应的染色体为所建立的ELM神经网络的权值和阈值；
S3.8神经网络的误差计算
计算预测输出与期望输出的差值，若误差符合规定值，则基于GA算法的ELM神经网络构建完成，若误差不符合规定值，则返回S3.3继续进行学习，直至符合误差规定；
3.9结霜故障的诊断
将小波包分解得到的特征向量作为ELM神经网络的输入，由S3.8训练好的基于GA算法的ELM神经网络进行识别：
如识别结果需要除霜且当前非除霜模式，则启动除霜；如需要除霜且当前已是除霜模式，则运行状态不变；
如识别结果无需除霜且当前非除霜模式，则运行状态不变；
如无需除霜且当前已是除霜模式，则终止除霜，并将诊断信息传送给除霜控制模块。
实施例三
本实施例所述利用风机电流的神经网络热泵除霜控制方法，与实施例二相比，区别仅在于步骤S2.2采取的特征提取方式不同，为减少资源浪费，针对傅里叶变换的不足，本实施例采用Chirp-Z变换(CZT)变换：
对已知信号x(n),在0<n<N-1时,CZT表达式为
Figure BDA0002278657820000071
在Z平面以螺旋方式进行等距采样，zk为Z的采样点，其表达式为
zk＝AW-k，k＝0,1……M-1(2)
其中M是想要的分析点的个数，M不一定等于n，A和M是任意复数，表达式为
Figure BDA0002278657820000072
将zk的表达式(2)带入到CZT的表达式(1)中得到
Figure BDA0002278657820000073
使用Bluestein方程
Figure BDA0002278657820000074
将Bluestein方程(5)带入到(4)中得
Figure BDA0002278657820000075
令
Figure BDA0002278657820000076
Figure BDA0002278657820000077
由卷积公式，最终得到转换后的数据如下
Figure BDA0002278657820000078
将该转换后的数据在ELM网络中训练，训练好的网络便可进行结霜诊断，具体为：
S3.1，ELM神经网络初始化
将ELM神经网络的输入特征量进行归一化，使其在[0,1]之间，归一化公式为：
Figure BDA0002278657820000079
其中，x为归一化后的值，X为被归一化的样本数据，Xmin、Xmax分别为样本被归一化数据的最小值和最大值；
S3.2 ELM神经网络参数初始化
设置训练次数N、训练误差e、输入层到隐含层的连接权值ω，隐含层到输出层的连接权值β，隐含层神经元的阈值b，输入特征值为故障电流分解到第n层的能量特征值xi，隐含层的神经元个数，神经元个数的计算根据公式：
Figure BDA0002278657820000081
确定，其中n、l分别为输入神经元的个数和输出神经元的个数，a通常取1～10，输出值为y；
将数据分为测试集和预测集；
S3.3数据测试
导入测试集数据，即公式(8)得到的CZT转换后的数据，计算故障识别成功率；
S3.4 GA算法参数初始化
设置种群的规模N1，进化次数G，交叉概率Pc和变异概率Pm；
将ELM神经网络的权值与阈值组成遗传编码，重复运行S3.3中建立的神经网络并记录每次运行完成的遗传编码建立种群；
S3.5建立评价函数
以每组染色体所构造的神经网络运行的结果为依据，计算并记录对应的适应度值；
S3.6 GA算法的选择、交叉和变异
1)选择:在种群中以一定的概率选择一部分群体用来产生下一代种群；
2)交叉:从父代种群中选取多条染色体进行下一代染色体的操作，通过染色体的交叉组合来产生新的个体；
3)变异:从群体中任选一个个体，对所选择的染色体中某段编码进行变异以产生更优秀的个体；
S3.7适应度值计算
将新得到的染色体个体中的遗传编码进行解码，计算适应度并与种群进行比较；重复S3.5-S3.6，不断对种群进行上述操作并计算适应度值，直至达到最大进化次数，适应度最优解对应的染色体为所建立的ELM神经网络的权值和阈值；
S3.8神经网络的误差计算
计算预测输出与期望输出的差值，若误差符合规定值，则基于GA算法的ELM神经网络构建完成，若误差不符合规定值，则返回S3.3继续进行学习，直至符合误差规定；
3.9结霜故障的诊断
将公式(8)得到的CZT转换后的数据作为ELM神经网络的输入，由S3.8训练好的基于GA算法的ELM神经网络进行识别：
如识别结果需要除霜且当前非除霜模式，则启动除霜；如需要除霜且当前已是除霜模式，则运行状态不变；
如识别结果无需除霜且当前非除霜模式，则运行状态不变；
如无需除霜且当前已是除霜模式，则终止除霜，并将诊断信息传送给除霜控制模块。
常规的蒸发器除霜的方法是利用温度传感器测量换热器盘管温度来判读是否结霜或者是设置时间间隔定时进行除霜，这些方法精度和效率都比较低，不能快速地发现故障，更不能及时地消除故障。为了能够实时迅速地发现空气源热泵室外蒸发器结霜，本申请根据测量风机的电流利用数据处理和故障诊断装置及时地控制热泵***进行化霜。并且提出了一种利用风机电流的神经网络热泵除霜控制方法，这种方法利用所采集的电流信号通过小波包分解以及基于GA算法的ELM神经网络拟合出输入输出映射关系模型来实现对化霜***的控制，从而提高了热泵***的运行效率，减少了因结霜时间过长而造成的机械损坏，从而达到节约成本的目的。
应当说明的是，上述实施例均可根据需要自由组合。以上所述仅是对本发明的优选实施例及原理进行了详细说明，对本领域的普通技术人员而言，依据本发明提供的思想，在具体实施方式上会有改变之处，而这些改变也应视为本发明的保护范围。

Claims (9)

1.利用风机电流的神经网络热泵除霜控制装置，其特征在于，包括：
电流测量装置，实时测量空气源热泵蒸发器风机的电流信号；
数据转换模块，对所述电流信号进行滤波、解调、分解和重构，获取数据信息，再利用特征提取算法进行时域和频域分析，提取特征数据值，
数据诊断模块，利用基于GA算法的ELM神经网络对特征数据值进行诊断分析处理，得出结霜故障的诊断信息；
除霜控制模块，根据所述诊断信息，对空气源热泵蒸发器进行除霜控制；
利用基于GA算法的ELM神经网络对特征数据值进行诊断分析处理，得出结霜故障的诊断信息，具体为：
S3.1，ELM神经网络初始化
将ELM神经网络的输入特征量进行归一化，使其在[0,1]之间，归一化公式为：
Figure FDA0003545372810000011
其中，x为归一化后的值，X为被归一化的样本数据，Xmin、Xmax分别为样本被归一化数据的最小值和最大值；
S3.2 ELM神经网络参数初始化
设置训练次数N、训练误差e、输入层到隐含层的连接权值ω，隐含层到输出层的连接权值β，隐含层神经元的阈值b，输入特征值为故障电流分解到第n层的能量特征值xi，隐含层的神经元个数，神经元个数的计算根据公式：
Figure FDA0003545372810000012
确定，其中n、l分别为输入神经元的个数和输出神经元的个数，a通常取1～10，输出值为y；
将数据分为测试集和预测集；
S3.3数据测试
导入测试集数据，频域分析得到的数据或小波包分解提取的特征向量或CZT转换后的数据，计算故障识别成功率；
S3.4 GA算法参数初始化
设置种群的规模N1，进化次数G，交叉概率Pc和变异概率Pm；
将ELM神经网络的权值与阈值组成遗传编码，重复运行S3.3中建立的神经网络并记录每次运行完成的遗传编码建立种群；
S3.5建立评价函数
以每组染色体所构造的神经网络运行的结果为依据，计算并记录对应的适应度值；
S3.6 GA算法的选择、交叉和变异
1)选择:在种群中以一定的概率选择一部分群体用来产生下一代种群；
2)交叉:从父代种群中选取多条染色体进行下一代染色体的操作，通过染色体的交叉组合来产生新的个体；
3)变异:从群体中任选一个个体，对所选择的染色体中某段编码进行变异以产生更优秀的个体；
S3.7适应度值计算
将新得到的染色体个体中的遗传编码进行解码，计算适应度并与种群进行比较；重复S3.5-S3.6，不断对种群进行操作并计算适应度值，直至达到最大进化次数，适应度最优解对应的染色体为所建立的ELM神经网络的权值和阈值；
S3.8神经网络的误差计算
计算预测输出与期望输出的差值，若误差符合规定值，则基于GA算法的ELM神经网络构建完成，若误差不符合规定值，则返回S3.3继续进行学习，直至符合误差规定；
3.9结霜故障的诊断
将频域分析得到的数据或小波包分解得到的特征向量或CZT转换后的数据作为ELM神经网络的输入，由S3.8训练好的基于GA算法的ELM神经网络进行识别：
如识别结果需要除霜且当前非除霜模式，则启动除霜；如需要除霜且当前已是除霜模式，则运行状态不变；
如识别结果无需除霜且当前非除霜模式，则运行状态不变；
如无需除霜且当前已是除霜模式，则终止除霜，并将诊断信息传送给除霜控制模块。
2.根据权利要求1所述的控制装置，其特征在于：所述数据转换模块中，利用Hilbert变换进行滤波、解调操作，利用小波包分析、频域分析或CZT转换进行分解和重构操作。
3.根据权利要求2所述的控制装置，其特征在于：所述特征提取算法采用小波包分解、快速傅里叶变换、主成分分析中的任一种。
4.根据权利要求3所述的控制装置，其特征在于：还包括数据采集模块，用于将电流测量装置的采集数据收集并传送至数据转换模块。
5.利用风机电流的神经网络热泵除霜控制方法，基于权利要求4所述的控制装置，其特征在于：包括以下步骤：
S1，电流测量装置实时采集空气源热泵蒸发器风机的电流信号；
S2，数据转换模块对所述电流信号进行滤波、解调、分解和重构，获取数据信息，再利用特征提取算法进行时域和频域分析，提取特征数据值；
S3，数据诊断模块利用基于GA算法的ELM神经网络对特征数据值进行诊断分析处理，得出结霜故障的诊断信息；
S4，除霜控制模块根据所述诊断信息，对空气源热泵蒸发器进行除霜控制。
6.根据权利要求5所述的控制方法，其特征在于：步骤S2中，数据转换模块对所述电流信号进行滤波、解调、分解和重构，获取数据信息，具体为：
S2.1，对数据进行Hilbert转换：
s(t)为给定的时域信号，则Hilbert变换为s(t)与h(t)＝1/(πt)的卷积，
Figure FDA0003545372810000031
式中H为Hilbert变换算子，对上述变换后的信号再进行
Figure FDA0003545372810000032
处理；
S2.2，利用小波包分析、频域分析或CZT转换进行分解和重构操作。
7.根据权利要求6所述的控制方法，其特征在于：步骤S2.2中，所述小波包分析步骤如下：
1)利用小波包对信号分解
将采集的电流信号进行n层小波包分解，分别提取第n层从低频到高频2n个节点处的小波包系数；2n个节点分别为(i，j)表示第i层的第j个节点，其中i＝n，j＝0,1,2,3…,2n-1；
2)对小波包分解系数重构，提取各频带范围的信号特征
设各节点小波包系数Hi，j对应的重构信号为Si，j；对第n层的所有节点进行分析，总信号S可用下式表示：
Figure FDA0003545372810000033
3)求各频带信号的总能量
假设Sn，j对应的能量En，j，则能量Sn，j可由下式表示：
Figure FDA0003545372810000041
其中：hj,k表示重构信号Sn，j的离散点的幅值，其中k＝1,2,…,n；
4)构造特征向量
定义信号的全部能量为
Figure FDA0003545372810000042
某频段的相对小波包能量为
Figure FDA0003545372810000043
则相对小波包能量特征向量为
Figure FDA0003545372810000044
8.根据权利要求6所述的控制方法，其特征在于：步骤S2.2中，CZT转换分析步骤如下：
对已知信号x(n),在0<n<N-1时,CZT表达式为
Figure FDA0003545372810000045
在Z平面以螺旋方式进行等距采样，zk为Z的采样点，其表达式为
zk＝AW-k，k＝0,1……M-1 (2)
其中M是预分析点的个数，A和M是任意复数，表达式为
Figure FDA0003545372810000046
将zk的表达式(2)带入到CZT的表达式(1)中得到
Figure FDA0003545372810000047
使用Bluestein方程
Figure FDA0003545372810000048
将Bluestein方程(5)带入到(4)中得
Figure FDA0003545372810000049
令
Figure FDA00035453728100000410
Figure FDA00035453728100000411
由卷积公式，得到转换后的数据：
Figure FDA0003545372810000051
9.根据权利要求7或8所述的控制方法，其特征在于：步骤S3具体如下：
S3.1，ELM神经网络初始化
将ELM神经网络的输入特征量进行归一化，使其在[0,1]之间，归一化公式为：
Figure FDA0003545372810000052
其中，x为归一化后的值，X为被归一化的样本数据，Xmin、Xmax分别为样本被归一化数据的最小值和最大值；
S3.2 ELM神经网络参数初始化
设置训练次数N、训练误差e、输入层到隐含层的连接权值ω，隐含层到输出层的连接权值β，隐含层神经元的阈值b，输入特征值为故障电流分解到第n层的能量特征值xi，隐含层的神经元个数，神经元个数的计算根据公式：
Figure FDA0003545372810000053
确定，其中n、l分别为输入神经元的个数和输出神经元的个数，a通常取1～10，输出值为y；
将数据分为测试集和预测集；
S3.3数据测试
导入测试集数据，频域分析得到的数据或小波包分解提取的特征向量或CZT转换后的数据，计算故障识别成功率；
S3.4 GA算法参数初始化
设置种群的规模N1，进化次数G，交叉概率Pc和变异概率Pm；
将ELM神经网络的权值与阈值组成遗传编码，重复运行S3.3中建立的神经网络并记录每次运行完成的遗传编码建立种群；
S3.5建立评价函数
以每组染色体所构造的神经网络运行的结果为依据，计算并记录对应的适应度值；
S3.6 GA算法的选择、交叉和变异
1)选择:在种群中以一定的概率选择一部分群体用来产生下一代种群；
2)交叉:从父代种群中选取多条染色体进行下一代染色体的操作，通过染色体的交叉组合来产生新的个体；
3)变异:从群体中任选一个个体，对所选择的染色体中某段编码进行变异以产生更优秀的个体；
S3.7适应度值计算
将新得到的染色体个体中的遗传编码进行解码，计算适应度并与种群进行比较；重复S3.5-S3.6，不断对种群进行操作并计算适应度值，直至达到最大进化次数，适应度最优解对应的染色体为所建立的ELM神经网络的权值和阈值；
S3.8神经网络的误差计算
计算预测输出与期望输出的差值，若误差符合规定值，则基于GA算法的ELM神经网络构建完成，若误差不符合规定值，则返回S3.3继续进行学习，直至符合误差规定；
3.9结霜故障的诊断
将频域分析得到的数据或小波包分解得到的特征向量或CZT转换后的数据作为ELM神经网络的输入，由S3.8训练好的基于GA算法的ELM神经网络进行识别：
如识别结果需要除霜且当前非除霜模式，则启动除霜；如需要除霜且当前已是除霜模式，则运行状态不变；
如识别结果无需除霜且当前非除霜模式，则运行状态不变；
如无需除霜且当前已是除霜模式，则终止除霜，并将诊断信息传送给除霜控制模块。
CN201911132291.9A 2019-11-19 2019-11-19 利用风机电流的神经网络热泵除霜控制装置及控制方法 Active CN110850717B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911132291.9A CN110850717B (zh) 2019-11-19 2019-11-19 利用风机电流的神经网络热泵除霜控制装置及控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911132291.9A CN110850717B (zh) 2019-11-19 2019-11-19 利用风机电流的神经网络热泵除霜控制装置及控制方法

Publications (2)

Publication Number Publication Date
CN110850717A CN110850717A (zh) 2020-02-28
CN110850717B true CN110850717B (zh) 2022-05-20

Family

ID=69602508

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911132291.9A Active CN110850717B (zh) 2019-11-19 2019-11-19 利用风机电流的神经网络热泵除霜控制装置及控制方法

Country Status (1)

Country Link
CN (1) CN110850717B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114440536B (zh) * 2020-11-06 2023-07-25 青岛海尔电冰箱有限公司 化霜控制方法及具有其的制冷家电
DE102021113802A1 (de) 2021-05-28 2022-12-01 Ebm-Papst Mulfingen Gmbh & Co. Kg Verfahren und System zum Abtauen eines Kühlaggregats
CN113536989B (zh) * 2021-06-29 2024-06-18 广州博通信息技术有限公司 基于摄像视频逐帧分析的制冷机结霜监控方法及***

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004350496A (ja) * 2003-04-30 2004-12-09 Matsushita Electric Ind Co Ltd モータ駆動装置
EP3239626A1 (en) * 2016-04-27 2017-11-01 PLUM spólka z ograniczona odpowiedzialnoscia Method for controlling heat pump operation
CN108644879A (zh) * 2018-04-01 2018-10-12 太原理工大学 空气源热泵与太阳能热水器耦合集控供热***及其方法
CN109210840A (zh) * 2018-09-12 2019-01-15 珠海格力电器股份有限公司 一种风冷热泵机组及其化霜控制方法
CN109386966A (zh) * 2018-09-21 2019-02-26 珠海格力电器股份有限公司 热泵机组的化霜控制方法、装置、存储介质及热泵机组
CN109886448A (zh) * 2019-03-14 2019-06-14 浙江工业大学 采用变学习率bp神经网络以及nsga-ii算法的热泵多目标优化控制方法
CN109974201A (zh) * 2018-12-18 2019-07-05 青岛经济技术开发区海尔热水器有限公司 一种除霜控制方法及空气源热泵***
CN110068086A (zh) * 2019-04-15 2019-07-30 青岛海尔空调电子有限公司 热泵空调***及其除霜控制方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101469459B1 (ko) * 2014-07-01 2014-12-08 주식회사 신진에너텍 복합 열원을 이용한 히트펌프 냉난방 시스템 및 그의 제어방법

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004350496A (ja) * 2003-04-30 2004-12-09 Matsushita Electric Ind Co Ltd モータ駆動装置
EP3239626A1 (en) * 2016-04-27 2017-11-01 PLUM spólka z ograniczona odpowiedzialnoscia Method for controlling heat pump operation
CN108644879A (zh) * 2018-04-01 2018-10-12 太原理工大学 空气源热泵与太阳能热水器耦合集控供热***及其方法
CN109210840A (zh) * 2018-09-12 2019-01-15 珠海格力电器股份有限公司 一种风冷热泵机组及其化霜控制方法
CN109386966A (zh) * 2018-09-21 2019-02-26 珠海格力电器股份有限公司 热泵机组的化霜控制方法、装置、存储介质及热泵机组
CN109974201A (zh) * 2018-12-18 2019-07-05 青岛经济技术开发区海尔热水器有限公司 一种除霜控制方法及空气源热泵***
CN109886448A (zh) * 2019-03-14 2019-06-14 浙江工业大学 采用变学习率bp神经网络以及nsga-ii算法的热泵多目标优化控制方法
CN110068086A (zh) * 2019-04-15 2019-07-30 青岛海尔空调电子有限公司 热泵空调***及其除霜控制方法

Also Published As

Publication number Publication date
CN110850717A (zh) 2020-02-28

Similar Documents

Publication Publication Date Title
CN110850717B (zh) 利用风机电流的神经网络热泵除霜控制装置及控制方法
CN109633301B (zh) 基于量子遗传优化的非侵入式电器负荷识别方法
CN106646026A (zh) 一种非侵入式家电负荷识别方法
CN112215405B (zh) 一种基于dann域适应学习的非侵入式居民用电负荷分解方法
CN110779264B (zh) 基于风机振动和信息融合的除霜控制***及控制方法
CN113076985B (zh) 电力用户负荷识别方法、装置及计算机可读介质
CN113036759B (zh) 一种电力用户负荷细粒度识别方法及识别***
CN110503153A (zh) 基于差分进化算法和支持向量机的光伏***故障诊断方法
CN111156657A (zh) 空调结霜状态确定方法和装置
CN113358993A (zh) 一种多电平变换器igbt的在线故障诊断方法及***
CN113805138A (zh) 一种基于参数有向遍历的智能电表误差估计方法及装置
CN112615428A (zh) 一种线损分析治理***及方法
CN211261438U (zh) 基于风机振动和信息融合的除霜控制***
CN113466548B (zh) 一种基于相量测量技术的智能电表台区识别方法
CN112804292B (zh) 一种电表台区识别方法
CN110779265A (zh) 基于风机电流的空气源热泵除霜远程监控***及监控方法
CN110849050B (zh) 利用风机振动和神经网络的热泵除霜控制装置及控制方法
CN117235617A (zh) 沙尘天气下基于ml-rfknn的光伏阵列故障诊断方法
CN211261439U (zh) 基于风机电流的空气源热泵除霜远程监控***
CN115684908A (zh) 用于电力gis设备的状态监测方法、存储介质及电子装置
CN115687999A (zh) 融合多时间尺度电器特征的非侵入式负荷感知方法
CN114357412A (zh) 一种暖通空调***效率自控寻优控制***
CN116500386A (zh) 一种风电场集电线路电缆局放信号采集处理方法
CN112149726B (zh) 基于知识共享和模型迁移的全封闭压缩机故障诊断方法
CN111539275B (zh) 一种基于负载特性可视化的电气负载分类方法和***

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant