CN118999031B - 一种电动涡旋压缩机调节控制系统 - Google Patents
一种电动涡旋压缩机调节控制系统 Download PDFInfo
- Publication number
- CN118999031B CN118999031B CN202411480975.9A CN202411480975A CN118999031B CN 118999031 B CN118999031 B CN 118999031B CN 202411480975 A CN202411480975 A CN 202411480975A CN 118999031 B CN118999031 B CN 118999031B
- Authority
- CN
- China
- Prior art keywords
- time
- time sequence
- vector
- real
- target offset
- 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
Links
- 230000001105 regulatory effect Effects 0.000 title description 4
- 239000003507 refrigerant Substances 0.000 claims abstract description 189
- 238000012545 processing Methods 0.000 claims abstract description 22
- 238000004458 analytical method Methods 0.000 claims abstract description 9
- 238000000605 extraction Methods 0.000 claims abstract description 8
- 239000013598 vector Substances 0.000 claims description 247
- 230000003993 interaction Effects 0.000 claims description 133
- 239000011159 matrix material Substances 0.000 claims description 71
- 238000005728 strengthening Methods 0.000 claims description 50
- 239000013604 expression vector Substances 0.000 claims description 29
- 238000000034 method Methods 0.000 claims description 29
- 230000004927 fusion Effects 0.000 claims description 23
- 230000009466 transformation Effects 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 18
- 230000004044 response Effects 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 15
- 230000002776 aggregation Effects 0.000 claims description 14
- 238000004220 aggregation Methods 0.000 claims description 14
- 239000002826 coolant Substances 0.000 claims description 14
- 230000001965 increasing effect Effects 0.000 claims description 9
- 230000002779 inactivation Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 230000003247 decreasing effect Effects 0.000 claims description 7
- 238000011176 pooling Methods 0.000 claims description 6
- 239000003795 chemical substances by application Substances 0.000 claims description 5
- 230000009849 deactivation Effects 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 3
- 230000003750 conditioning effect Effects 0.000 claims description 2
- 230000014509 gene expression Effects 0.000 claims description 2
- 230000002452 interceptive effect Effects 0.000 abstract description 19
- 238000012544 monitoring process Methods 0.000 abstract description 6
- 238000004422 calculation algorithm Methods 0.000 abstract description 5
- 238000013135 deep learning Methods 0.000 abstract description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000010219 correlation analysis Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 7
- 238000003860 storage Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000005057 refrigeration Methods 0.000 description 2
- 230000005355 Hall effect Effects 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000004186 co-expression Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000008846 dynamic interplay Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000010419 fine particle Substances 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- F25B31/00—Compressor arrangements
- F25B31/02—Compressor arrangements of motor-compressor units
-
- 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
- F25B41/00—Fluid-circulation arrangements
- F25B41/30—Expansion means; Dispositions thereof
- F25B41/31—Expansion valves
- F25B41/34—Expansion valves with the valve member being actuated by electric means, e.g. by piezoelectric actuators
-
- 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
- F25B49/00—Arrangement or mounting of control or safety devices
- F25B49/02—Arrangement or mounting of control or safety devices for compression type machines, plants or systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Mechanical Engineering (AREA)
- Thermal Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Control Of Positive-Displacement Pumps (AREA)
- Applications Or Details Of Rotary Compressors (AREA)
Abstract
本申请涉及电动涡旋压缩机领域，具体涉及一种电动涡旋压缩机调节控制系统。其通过实时监测获取环境温度与目标值之间的温度目标偏移量，以及冷剂实时流量值和压缩机电动机实时转速值，并在后端引入基于人工智能和深度学习的数据处理和分析算法来对于温度目标偏移量、冷剂实时流量值和压缩机电动机实时转速值进行时序前向特征提取和协同关联分析，以此来捕获温度目标偏移特征与电动涡旋压缩机的目标调节参数特征之间的隐含联系和交互影响，从而有助于利用这两者之间的关系来进行下一时间点的冷剂流量值调节控制。本申请能够使得压缩机调节控制系统更好地应对不同的工况和环境，确保室内温度的稳定。
Description
技术领域
本申请涉及电动涡旋压缩机领域，具体涉及一种电动涡旋压缩机调节控制系统。
背景技术
随着全球对能源效率和环境保护的日益关注，电动涡旋压缩机作为一种高效、低噪音的制冷设备，广泛应用于空调、冰箱及其他制冷系统中。传统的压缩机控制系统多依赖于PID控制算法来调节室内温度，PID控制是一种广泛应用的反馈控制方法，它通过对误差信号进行比例放大、积分和微分运算，产生一个控制信号来调整系统的行为。通过PID控制的方式虽然成熟，但其主要依赖于预设的控制参数，在面对复杂的动态环境和不同工况时，可能无法快速、准确地响应温度变化和负载波动，导致室内温度难以保持稳定。
因此，期望一种优化的电动涡旋压缩机调节控制系统以解决上述技术问题。
发明内容
考虑到以上问题而做出了本申请。本申请的一个目的是提供一种电动涡旋压缩机调节控制系统。
本申请的实施例提供了一种电动涡旋压缩机调节控制系统，其包括：
温度数据采集模块，用于获取由温度传感器采集的实时环境温度值的时间队列和设定目标温度值；
流量数据采集模块，用于获取由流量剂采集的冷剂实时流量值的时间队列；
电动机转速数据采集模块，用于获取由转速监测仪采集的压缩机电动机实时转速值的时间队列；
温度目标偏移量计算模块，用于计算所述实时环境温度值的时间队列中的各个实时环境温度值与所述设定目标温度值之间的差值以得到温度目标偏移的时间队列；
参数处理模块，用于基于所述温度目标偏移的时间队列、所述冷剂实时流量值的时间队列和所述压缩机电动机实时转速值的时间队列，得到温度目标偏移-目标调节参数时序细粒度解耦强化交互全局表示向量；
冷剂流量控制模块，用于基于所述温度目标偏移-目标调节参数时序细粒度解耦强化交互全局表示向量，确定控制指令，所述控制指令用于表示下一时间点的冷剂流量值应增大、应减小或应保持不变。
例如，所述参数处理模块包括：
参数时序关联特征提取模块，用于分别对所述温度目标偏移的时间队列、所述冷剂实时流量值的时间队列和所述压缩机电动机实时转速值的时间队列进行时序特征分析以得到温度目标偏移时序前向关联特征向量、冷剂实时流量时序前向关联特征向量和压缩机电动机实时转速前向时序关联特征向量；
冷剂流量-电机转速时序特征协同关注模块，用于将所述冷剂实时流量时序前向关联特征向量和所述压缩机电动机实时转速前向时序关联特征向量输入细粒度特征值关联性区分注意力融合模块以得到冷剂流量-电机转速时序协同表示向量；
温度目标偏移-目标调节参数时序交互模块，用于将所述冷剂流量-电机转速时序协同表示向量和所述温度目标偏移时序前向关联特征向量输入基于特征解耦的局部细粒度序列交互响应聚合网络以得到温度目标偏移-目标调节参数时序细粒度解耦强化交互全局表示向量。
例如，根据本申请的实施例的电动涡旋压缩机调节控制系统，其中，所述参数时序关联特征提取模块，用于：将所述温度目标偏移的时间队列、所述冷剂实时流量值的时间队列和所述压缩机电动机实时转速值的时间队列分别输入基于前向Bi-LSTM模型的序列编码器以得到所述温度目标偏移时序前向关联特征向量、所述冷剂实时流量时序前向关联特征向量和所述压缩机电动机实时转速前向时序关联特征向量。
例如，根据本申请的实施例的电动涡旋压缩机调节控制系统，其中，所述冷剂流量-电机转速时序特征协同关注模块，包括：全域特征值关联矩阵计算单元，用于计算所述冷剂实时流量时序前向关联特征向量和所述压缩机电动机实时转速前向时序关联特征向量之间的全域特征值关联矩阵以得到冷剂流量-电机转速全域特征值关联矩阵；
权重矩阵计算单元，用于将所述冷剂流量-电机转速全域特征值关联矩阵输入可学习的门控函数以得到冷剂流量-电机转速相关性可区分权重矩阵；
掩码计算单元，用于以所述冷剂流量-电机转速相关性可区分权重矩阵作为融合掩码矩阵，分别计算所述冷剂实时流量时序前向关联特征向量和所述压缩机电动机实时转速前向时序关联特征向量与所述冷剂流量-电机转速相关性可区分权重矩阵之间的矩阵乘积以得到区分强化冷剂实时流量时序前向关联特征向量和区分强化压缩机电动机实时转速前向时序关联特征向量；
向量融合单元，用于融合所述区分强化冷剂实时流量时序前向关联特征向量和所述区分强化压缩机电动机实时转速前向时序关联特征向量以得到所述冷剂流量-电机转速时序协同表示向量。
例如，根据本申请的实施例的电动涡旋压缩机调节控制系统，其中，所述权重矩阵计算单元，用于：以所述冷剂流量-电机转速全域特征值关联矩阵中的各个位置特征值的负数作为指数幂，计算以自然常数e为底的自然指数函数值以得到冷剂流量-电机转速全域特征值关联类支持矩阵；
计算所述冷剂流量-电机转速全域特征值关联类支持矩阵中的各个位置特征值与常数1之和的倒数以得到冷剂流量-电机转速全域特征值关联权重矩阵；
计算所述冷剂流量-电机转速全域特征值关联权重矩阵和所述冷剂流量-电机转速全域特征值关联矩阵之间的按位置点乘以得到所述冷剂流量-电机转速相关性可区分权重矩阵。
例如，根据本申请的实施例的电动涡旋压缩机调节控制系统，其中，所述温度目标偏移-目标调节参数时序交互模块，包括：特征解耦单元，用于对所述冷剂流量-电机转速时序协同表示向量和所述温度目标偏移时序前向关联特征向量进行特征解耦以得到冷剂流量-电机转速时序协同局部语义表示向量的序列和温度目标偏移时序前向关联局部语义表示向量的序列；
局部语义关联交互单元，用于计算所述冷剂流量-电机转速时序协同局部语义表示向量的序列和所述温度目标偏移时序前向关联局部语义表示向量的序列中每组对应的冷剂流量-电机转速时序协同局部语义表示向量和温度目标偏移时序前向关联局部语义表示向量之间的局部语义关联交互向量以得到温度目标偏移-目标调节参数局部时序语义关联交互向量的序列；
细粒度注意力权重计算单元，用于计算所述温度目标偏移-目标调节参数局部时序语义关联交互向量的序列中的各个温度目标偏移-目标调节参数局部时序语义关联交互向量的细粒度注意力权重以得到温度目标偏移-目标调节参数局部时序细粒度注意力权重的序列；
随机失活单元，用于将所述温度目标偏移-目标调节参数局部时序细粒度注意力权重的序列输入随机失活模块以得到失活处理后温度目标偏移-目标调节参数局部时序细粒度注意力权重的序列；
加权和计算单元，用于以所述失活处理后温度目标偏移-目标调节参数局部时序细粒度注意力权重的序列作为权重分布，计算所述温度目标偏移-目标调节参数局部时序语义关联交互向量的序列的加权和以得到温度目标偏移-目标调节参数时序细粒度解耦强化交互全局表示向量。
例如，根据本申请的实施例的电动涡旋压缩机调节控制系统，其中，所述局部语义关联交互单元，用于：将所述每组对应的冷剂流量-电机转速时序协同局部语义表示向量和温度目标偏移时序前向关联局部语义表示向量分别进行按位置差分、按位置点乘和按位置相加处理以得到温度目标偏移-目标调节参数局部时序语义差分表示向量、温度目标偏移-目标调节参数局部时序语义点乘表示向量和温度目标偏移-目标调节参数局部时序语义加和表示向量；
将所述温度目标偏移-目标调节参数局部时序语义差分表示向量、所述温度目标偏移-目标调节参数局部时序语义点乘表示向量和所述温度目标偏移-目标调节参数局部时序语义加和表示向量进行级联以得到温度目标偏移-目标调节参数局部时序语义关联多维表示融合向量；
对所述温度目标偏移-目标调节参数局部时序语义关联多维表示融合向量进行一维卷积编码后通过最大值池化层以得到温度目标偏移-目标调节参数局部时序语义关联交互向量。
例如，根据本申请的实施例的电动涡旋压缩机调节控制系统，其中，所述细粒度注意力权重计算单元，用于：将所述温度目标偏移-目标调节参数局部时序语义关联交互向量和权重矩阵进行矩阵相乘后与偏置向量进行按位置相加以得到线性变换温度目标偏移-目标调节参数局部时序语义关联交互向量；
使用tanh函数对所述线性变换温度目标偏移-目标调节参数局部时序语义关联交互向量进行激活处理后与权重系数向量进行向量相乘以得到温度目标偏移-目标调节参数局部时序细粒度注意力权重。
例如，根据本申请的实施例的电动涡旋压缩机调节控制系统，其中，所述冷剂流量控制模块，用于：将所述温度目标偏移-目标调节参数时序细粒度解耦强化交互全局表示向量输入基于分类器的冷剂流量控制模块以得到控制指令，所述控制指令用于表示下一时间点的冷剂流量值应增大、应减小或应保持不变。
本申请至少具有如下技术效果：与现有技术相比，本申请的实施例的电动涡旋压缩机调节控制系统，其通过实时监测获取环境温度与目标值之间的温度目标偏移量，以及冷剂实时流量值和压缩机电动机实时转速值，并在后端引入基于人工智能和深度学习的数据处理和分析算法来对于温度目标偏移量、冷剂实时流量值和压缩机电动机实时转速值进行时序前向特征提取和协同关联分析，以此来捕获温度目标偏移特征与电动涡旋压缩机的目标调节参数特征之间的隐含联系和交互影响，从而有助于利用这两者之间的关系来进行下一时间点的冷剂流量值调节控制，能够使得压缩机调节控制系统更好地应对不同的工况和环境，确保室内温度的稳定。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例的附图作简单地介绍。明显地，下面描述中的附图仅仅涉及本申请的一些实施例，而非对本申请的限制。
图1示出了本申请实施例中电动涡旋压缩机调节控制系统的应用架构示意图；
图2示出了本申请实施例中电动涡旋压缩机调节控制系统的结构示意图；
图3示出了本申请实施例中电动涡旋压缩机调节控制系统的参数处理模块的结构示意图；
图4示出了本申请实施例中电动涡旋压缩机调节控制系统的冷剂流量-电机转速时序特征协同关注模块的结构示意图；
图5示出了本申请实施例中电动涡旋压缩机调节控制系统的温度目标偏移-目标调节参数时序交互模块的结构示意图；
图6示出了本申请实施例中电动涡旋压缩机调节控制方法的流程图。
具体实施方式
下面将结合附图对本申请实施例中的技术方案进行清楚、完整地描述，显而易见地，所描述的实施例仅仅是本申请的部分实施例，而不是全部的实施例。基于本申请实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，也属于本申请保护的范围。
本说明书中使用的术语是考虑到关于本申请的功能而在本领域中当前广泛使用的那些通用术语，但是这些术语可以根据本领域普通技术人员的意图、先例或本领域新技术而变化。此外，特定术语可以进行选择，并且在这种情况下，其详细含义将在本申请的详细描述中描述。因此，说明书中使用的术语不应理解为简单的名称，而是基于术语的含义和本申请的总体描述。
虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用，然而，任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的，并且所述系统和方法的不同方面可以使用不同模块。
本申请中使用了流程图来说明根据本申请的实施例的系统所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，根据需要，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
图1示出了本申请实施例中电动涡旋压缩机调节控制系统的应用架构示意图，包括服务器100、终端设备200。
终端设备200与服务器100之间可以通过互联网相连，实现相互之间的通信。可选地，上述的互联网使用标准通信技术和/或协议。互联网通常为因特网、但也可以是任何网络，包括但不限于局域网（Local Area Network，LAN）、城域网（Metropolitan AreaNetwork，MAN）、广域网（Wide Area Network，WAN）、移动、有线或者无线网络、专用网络或者虚拟专用网络的任何组合。在一些实施例中，使用包括超文本标记语言（Hyper TextMarkup Language，HTML）、可扩展标记语言（Extensible Markup Language，XML）等的技术和/或格式来代表通过网络交换的数据。此外还可以使用诸如安全套接字层（SecureSocket Layer，SSL）、传输层安全（Transport Layer Security，TLS）、虚拟专用网络（Virtual Private Network，VPN）、网际协议安全（Internet Protocol Security，IPsec）等常规加密技术来加密所有或者一些链路。在另一些实施例中，还可以使用定制和/或专用数据通信技术取代或者补充上述数据通信技术。
服务器100可以为终端设备200提供各种网络服务，其中，服务器100可以是一台服务器、若干台服务器组成的服务器集群或云计算中心。具体地，服务器100可以包括处理器110（Center Processing Unit，CPU）、存储器120、输入设备130和输出设备140等，输入设备130可以包括键盘、鼠标、触摸屏等，输出设备140可以包括显示设备，如液晶显示器（LiquidCrystal Display，LCD）、阴极射线管（Cathode Ray Tube，CRT）等。
存储器120可以包括只读存储器（ROM）和随机存取存储器（RAM），并向处理器110提供存储器120中存储的程序指令和数据。在本申请实施例中，存储器120可以用于存储本申请实施例中电动涡旋压缩机调节控制系统相应的方法。
处理器110通过调用存储器120存储的程序指令，处理器110用于按照获得的程序指令执行本申请实施例中任一种电动涡旋压缩机调节控制方法的步骤。
另外，本申请实施例中的应用架构图是为了更加清楚地说明本申请实施例中的技术方案，并不构成对本申请实施例提供的技术方案的限制，当然，对于其它的应用架构和业务应用，本申请实施例提供的技术方案对于类似的问题，同样适用。
下面通过几个示例或实施例对根据本申请至少一个实施例提供的电动涡旋压缩机调节控制系统进行非限制性的说明，如下面所描述的，在不相互抵触的情况下这些具体示例或实施例中不同特征可以相互组合，从而得到新的示例或实施例，这些新的示例或实施例也都属于本申请保护的范围。
在实际应用中，室内温度的稳定性不仅依赖于压缩机的运行状态，还受到外部环境温度、制冷剂流量及压缩机电动机转速等多种因素的影响。现有技术通常忽略了这些变量之间的复杂关系，导致调节过程中的响应滞后或不稳定性，从而难以维持室内温度的稳定。
基于此，在本申请的技术方案中，提出了一种电动涡旋压缩机调节控制系统，其能够采用基于深度学习的先进算法，建立和学习环境温度、压缩机电动机的转速以及制冷剂流量之间的时序协同和相关性特征，以实现更智能的温控调节系统，提升电动涡旋压缩机调节控制系统的性能。
具体地，本申请的技术构思为通过实时监测获取环境温度与目标值之间的温度目标偏移量，以及冷剂实时流量值和压缩机电动机实时转速值，并在后端引入基于人工智能和深度学习的数据处理和分析算法来对于温度目标偏移量、冷剂实时流量值和压缩机电动机实时转速值进行时序前向特征提取和协同关联分析，以此来捕获温度目标偏移特征与电动涡旋压缩机的目标调节参数特征之间的隐含联系和交互影响，从而有助于利用这两者之间的关系来进行下一时间点的冷剂流量值调节控制，能够根据当前环境温度偏移量和压缩机电动机转速来对于制冷剂流量进行预测性地自适应控制，从而实现更为智能化的电动涡旋压缩机控制和温控调节，以便提高压缩机的控制精度和响应速度，通过这样的方式，能够使得压缩机调节控制系统更好地应对不同的工况和环境，确保室内温度的稳定。
图2示出了本申请实施例中电动涡旋压缩机调节控制系统800的结构示意图。该电动涡旋压缩机调节控制系统800，包括：温度数据采集模块810，用于获取由温度传感器采集的实时环境温度值的时间队列和设定目标温度值；流量数据采集模块820，用于获取由流量剂采集的冷剂实时流量值的时间队列；电动机转速数据采集模块830，用于获取由转速监测仪采集的压缩机电动机实时转速值的时间队列；温度目标偏移量计算模块840，用于计算所述实时环境温度值的时间队列中的各个实时环境温度值与所述设定目标温度值之间的差值以得到温度目标偏移的时间队列；参数处理模块850，用于基于所述温度目标偏移的时间队列、所述冷剂实时流量值的时间队列和所述压缩机电动机实时转速值的时间队列，得到温度目标偏移-目标调节参数时序细粒度解耦强化交互全局表示向量；具体地，如图3所示，参数处理模块850包括，参数时序关联特征提取模块851，用于分别对所述温度目标偏移的时间队列、所述冷剂实时流量值的时间队列和所述压缩机电动机实时转速值的时间队列进行时序特征分析以得到温度目标偏移时序前向关联特征向量、冷剂实时流量时序前向关联特征向量和压缩机电动机实时转速前向时序关联特征向量；冷剂流量-电机转速时序特征协同关注模块852，用于将所述冷剂实时流量时序前向关联特征向量和所述压缩机电动机实时转速前向时序关联特征向量输入细粒度特征值关联性区分注意力融合模块以得到冷剂流量-电机转速时序协同表示向量；温度目标偏移-目标调节参数时序交互模块853，用于将所述冷剂流量-电机转速时序协同表示向量和所述温度目标偏移时序前向关联特征向量输入基于特征解耦的局部细粒度序列交互响应聚合网络以得到温度目标偏移-目标调节参数时序细粒度解耦强化交互全局表示向量；冷剂流量控制模块860，用于基于所述温度目标偏移-目标调节参数时序细粒度解耦强化交互全局表示向量，确定控制指令，所述控制指令用于表示下一时间点的冷剂流量值应增大、应减小或应保持不变。
更具体地，在本申请的技术方案中，首先，获取由温度传感器采集的实时环境温度值的时间队列和设定目标温度值，获取由流量剂采集的冷剂实时流量值的时间队列，并获取由转速监测仪采集的压缩机电动机实时转速值的时间队列。接着计算所述实时环境温度值的时间队列中的各个实时环境温度值与所述设定目标温度值之间的差值以得到温度目标偏移的时间队列。
其中，温度数据采集模块810负责实时监测和记录环境温度，这是控制系统的基础输入之一，因为压缩机的工作状态需要根据环境温度来调整。在一个示例中，温度数据采集模块810可以使用数字温度传感器，如DS18B20，数字温度传感器可以提供高精度的温度读数，并通过单总线协议与控制系统通信。传感器周期性地测量环境温度，并将数据转换为数字信号发送给数据采集系统，数据采集模块810接收这些信号，将其转换为温度值的时间序列，同时记录时间戳，以便于后续分析。
其中，流量数据采集模块820负责监测制冷剂的流量，流量数据对于压缩机的运行效率和冷却效果至关重要，流量的多少直接影响到冷却能力。在一个示例中，流量数据采集模块820可以采用流量计，如超声波流量计或电磁流量计，这些流量计能够根据流体的物理特性测量流量。流量计可以安装在制冷剂管道上，实时监测并测量通过的制冷剂流量，流量数据采集模块820接收流量计的输出信号，将其转换为数字流量值的时间序列，同样记录时间戳。
其中，电动机转速数据采集模块830负责测量并记录压缩机电动机的转速，转速是压缩机性能的关键指标，通过监测转速可以了解压缩机的工作状态，并据此进行调节。具体地，电动机转速数据采集模块830可以利用编码器或霍尔效应传感器来监测电动机的转速，编码器或传感器安装在电动机的轴上，能够检测轴的旋转速度，数据采集模块830接收这些信号，将其转换为电动机转速值的时间序列，并记录相应的时间信息。
其中，温度目标偏移量计算模块840负责计算实时环境温度与设定目标温度之间的偏差，这个偏差是控制系统进行调节决策的基础，通过比较实际温度和目标温度，系统可以决定是否需要调整压缩机的工作状态以接近或达到目标温度。
然后，将所述温度目标偏移的时间队列、所述冷剂实时流量值的时间队列和所述压缩机电动机实时转速值的时间队列分别输入基于前向Bi-LSTM模型的序列编码器以得到温度目标偏移时序前向关联特征向量、冷剂实时流量时序前向关联特征向量和压缩机电动机实时转速前向时序关联特征向量。应可以理解，Bi-LSTM模型能够有效捕捉时间序列中的长期依赖关系。并且，考虑到每个变量（温度目标偏移、冷剂流量和电动机转速）都有自己的时间动态特性，因此，通过利用所述基于前向Bi-LSTM模型的序列编码器分别对于所述温度目标偏移的时间队列、所述冷剂实时流量值的时间队列和所述压缩机电动机实时转速值的时间队列进行处理，能够分别捕获到温度目标偏移量、冷剂实时流量值和压缩机电动机实时转速值在时间维度上的前向时序关联特征。
相应地，所述参数时序关联特征提取模块851，用于：将所述温度目标偏移的时间队列、所述冷剂实时流量值的时间队列和所述压缩机电动机实时转速值的时间队列分别输入基于前向Bi-LSTM模型的序列编码器以得到所述温度目标偏移时序前向关联特征向量、所述冷剂实时流量时序前向关联特征向量和所述压缩机电动机实时转速前向时序关联特征向量。
具体地，冷剂流量和电动机转速是影响压缩机性能的两个关键变量，它们之间存在复杂的相互关系，这种相关性关系是后续进行控制任务和实现室温稳定的关键。基于此，在本申请的技术方案中，进一步将所述冷剂实时流量时序前向关联特征向量和所述压缩机电动机实时转速前向时序关联特征向量输入细粒度特征值关联性区分注意力融合模块以得到冷剂流量-电机转速时序协同表示向量。所述细粒度特征值关联性区分注意力融合模块能够学习和捕获到冷剂流量和电动机转速之间的时序协同效应，从而更全面地理解压缩机的动态行为和性能表现。同时，所述细粒度特征值关联性区分注意力融合模块还能够利用时序细粒度的关联掩码可区分注意机制来自动识别和强调对当前冷剂流量控制和室温调节任务最重要的特征。模型在不同时间点可以自适应地关注冷剂流量或电动机转速的关键特征和协同变化，确保在进行后续控制任务时能够更为全面和有效地利用最相关的信息。
相应地，如图4所示，所述冷剂流量-电机转速时序特征协同关注模块852，包括：全域特征值关联矩阵计算单元8521，用于计算所述冷剂实时流量时序前向关联特征向量和所述压缩机电动机实时转速前向时序关联特征向量之间的全域特征值关联矩阵以得到冷剂流量-电机转速全域特征值关联矩阵；权重矩阵计算单元8522，用于将所述冷剂流量-电机转速全域特征值关联矩阵输入可学习的门控函数以得到冷剂流量-电机转速相关性可区分权重矩阵；掩码计算单元8523，用于以所述冷剂流量-电机转速相关性可区分权重矩阵作为融合掩码矩阵，分别计算所述冷剂实时流量时序前向关联特征向量和所述压缩机电动机实时转速前向时序关联特征向量与所述冷剂流量-电机转速相关性可区分权重矩阵之间的矩阵乘积以得到区分强化冷剂实时流量时序前向关联特征向量和区分强化压缩机电动机实时转速前向时序关联特征向量；向量融合单元8524，用于融合所述区分强化冷剂实时流量时序前向关联特征向量和所述区分强化压缩机电动机实时转速前向时序关联特征向量以得到所述冷剂流量-电机转速时序协同表示向量。
其中，所述权重矩阵计算单元8522，用于：以所述冷剂流量-电机转速全域特征值关联矩阵中的各个位置特征值的负数作为指数幂，计算以自然常数e为底的自然指数函数值以得到冷剂流量-电机转速全域特征值关联类支持矩阵；计算所述冷剂流量-电机转速全域特征值关联类支持矩阵中的各个位置特征值与常数1之和的倒数以得到冷剂流量-电机转速全域特征值关联权重矩阵；计算所述冷剂流量-电机转速全域特征值关联权重矩阵和所述冷剂流量-电机转速全域特征值关联矩阵之间的按位置点乘以得到所述冷剂流量-电机转速相关性可区分权重矩阵。
在一个示例中，所述冷剂流量-电机转速时序特征协同关注模块852，用于：将所述冷剂实时流量时序前向关联特征向量和所述压缩机电动机实时转速前向时序关联特征向量输入细粒度特征值关联性区分注意力融合模块以如下可区分注意融合公式进行处理以得到冷剂流量-电机转速时序协同表示向量；其中，所述可区分注意融合公式为：
其中，和分别为所述冷剂实时流量时序前向关联特征向量和所述压缩机电动机实时转速前向时序关联特征向量，为转置操作，为冷剂流量-电机转速全域特征值关联矩阵，为以e为底的指数运算，为冷剂流量-电机转速全域特征值关联权重矩阵，为冷剂流量-电机转速相关性可区分权重矩阵，和分别为区分强化冷剂实时流量时序前向关联特征向量和区分强化压缩机电动机实时转速前向时序关联特征向量，为向量的级联操作，为所述冷剂流量-电机转速时序协同表示向量。
进一步地，由于所述冷剂流量-电机转速时序协同表示向量和所述温度目标偏移时序前向关联特征向量分别表示了冷剂流量和电机转速之间的时间相关性，以及环境温度与目标温度间的偏差变化趋势。其中，冷剂流量和电机转速之间的时序协同表征能够反映出目标调节参数的时序动态语义，而温度目标偏移时序特征则反映了温度在与目标值之间在时间维度上的偏移量时序变化语义，这两者之间存在着隐含的相关性关系和交互影响。此外，所述冷剂流量-电机转速时序协同表示向量和所述温度目标偏移时序前向关联特征向量中都包含了较多的冗余和与后续控制任务无关的信息和语义，为了能够对于这些冗余信息和噪声进行低权重分配，并对于关键特征进行突出表达，从而提高温度目标偏移-目标调节参数时序特征表达的全面性和有效性，在本申请的技术方案中，进一步将所述冷剂流量-电机转速时序协同表示向量和所述温度目标偏移时序前向关联特征向量输入基于特征解耦的局部细粒度序列交互响应聚合网络以得到温度目标偏移-目标调节参数时序细粒度解耦强化交互全局表示向量。通过所述基于特征解耦的局部细粒度序列交互响应聚合网络的处理，能够通过细粒度结构操作来增强对温度目标偏移-目标调节参数时序细节特征的处理能力，增强了对这两者局部特征动态的捕捉能力，从而有助于后续对于温度目标偏移时序特征和目标调节参数时序特征进行更好地交互分析。
接着，计算细粒度解耦后的冷剂流量-电机转速时序协同局部语义表示向量和温度目标偏移时序前向关联局部语义表示向量之间的交互特征，并通过一维卷积神经网络和最大值池化来捕获细粒度特征间潜在的关联性，为理解特征如何在局部层面上相互作用提供了定量化的视角。进一步，再通过计算各个局部语义表示向量与其他语义表示向量之间的细粒度注意力权重，以便在进行特征全局融合过中突出关键特征，使得模型能够集中于最重要的特征交互，提高温度目标偏移-目标调节参数时序细粒度特征表示的质量和模型的预测精度。
进而，将所述温度目标偏移-目标调节参数局部时序细粒度注意力权重的序列输入随机失活模块，以实现权重的稀疏化，增强模型的泛化能力。随机失活处理通过随机地“关闭”一部分权重，从而实现了剪枝优化处理，减少了模型的过拟合风险，同时保留了最重要的温度目标偏移-目标调节参数时序细粒度特征交互信息。
最终，利用失活处理后的温度目标偏移-目标调节参数局部时序细粒度注意力权重的序列作为权重分布，对温度目标偏移-目标调节参数局部时序语义关联交互向量的序列进行加权求和。这一步骤综合了温度目标偏移-目标调节参数局部时序语义交互信息和注意力权重，生成了温度目标偏移-目标调节参数时序细粒度解耦强化交互全局表示向量，增强了模型对整体特征结构的理解。这样能够通过更精确地理解温度目标偏移-目标调节参数时序特征之间的相互作用，模型能够做出更准确地进行接下来时间点的冷剂流量值控制，并提高了模型的泛化性能。
相应地，如图5所示，所述温度目标偏移-目标调节参数时序交互模块853，包括：特征解耦单元8531，用于对所述冷剂流量-电机转速时序协同表示向量和所述温度目标偏移时序前向关联特征向量进行特征解耦以得到冷剂流量-电机转速时序协同局部语义表示向量的序列和温度目标偏移时序前向关联局部语义表示向量的序列；局部语义关联交互单元8532，用于计算所述冷剂流量-电机转速时序协同局部语义表示向量的序列和所述温度目标偏移时序前向关联局部语义表示向量的序列中每组对应的冷剂流量-电机转速时序协同局部语义表示向量和温度目标偏移时序前向关联局部语义表示向量之间的局部语义关联交互向量以得到温度目标偏移-目标调节参数局部时序语义关联交互向量的序列；细粒度注意力权重计算单元8533，用于计算所述温度目标偏移-目标调节参数局部时序语义关联交互向量的序列中的各个温度目标偏移-目标调节参数局部时序语义关联交互向量的细粒度注意力权重以得到温度目标偏移-目标调节参数局部时序细粒度注意力权重的序列；随机失活单元8534，用于将所述温度目标偏移-目标调节参数局部时序细粒度注意力权重的序列输入随机失活模块以得到失活处理后温度目标偏移-目标调节参数局部时序细粒度注意力权重的序列；加权和计算单元8535，用于以所述失活处理后温度目标偏移-目标调节参数局部时序细粒度注意力权重的序列作为权重分布，计算所述温度目标偏移-目标调节参数局部时序语义关联交互向量的序列的加权和以得到温度目标偏移-目标调节参数时序细粒度解耦强化交互全局表示向量。
其中，所述局部语义关联交互单元8532，用于：将所述每组对应的冷剂流量-电机转速时序协同局部语义表示向量和温度目标偏移时序前向关联局部语义表示向量分别进行按位置差分、按位置点乘和按位置相加处理以得到温度目标偏移-目标调节参数局部时序语义差分表示向量、温度目标偏移-目标调节参数局部时序语义点乘表示向量和温度目标偏移-目标调节参数局部时序语义加和表示向量；将所述温度目标偏移-目标调节参数局部时序语义差分表示向量、所述温度目标偏移-目标调节参数局部时序语义点乘表示向量和所述温度目标偏移-目标调节参数局部时序语义加和表示向量进行级联以得到温度目标偏移-目标调节参数局部时序语义关联多维表示融合向量；对所述温度目标偏移-目标调节参数局部时序语义关联多维表示融合向量进行一维卷积编码后通过最大值池化层以得到温度目标偏移-目标调节参数局部时序语义关联交互向量。
其中，所述细粒度注意力权重计算单元8533，用于：将所述温度目标偏移-目标调节参数局部时序语义关联交互向量和权重矩阵进行矩阵相乘后与偏置向量进行按位置相加以得到线性变换温度目标偏移-目标调节参数局部时序语义关联交互向量；使用tanh函数对所述线性变换温度目标偏移-目标调节参数局部时序语义关联交互向量进行激活处理后与权重系数向量进行向量相乘以得到温度目标偏移-目标调节参数局部时序细粒度注意力权重。
在一个示例中，所述温度目标偏移-目标调节参数时序交互模块853，用于：将所述冷剂流量-电机转速时序协同表示向量和所述温度目标偏移时序前向关联特征向量输入所述基于特征解耦的局部细粒度序列交互响应聚合网络以如下细粒度交互响应聚合公式进行处理以得到温度目标偏移-目标调节参数时序细粒度解耦强化交互全局表示向量；其中，所述细粒度交互响应聚合公式为：
其中，为所述冷剂流量-电机转速时序协同表示向量，为所述温度目标偏移时序前向关联特征向量，为特征解耦操作，分别为冷剂流量-电机转速时序协同局部语义表示向量的序列中第1个、第2个、第个、、第个冷剂流量-电机转速时序协同局部语义表示向量，分别为温度目标偏移时序前向关联局部语义表示向量的序列中第1个、第2个、第个、、第个温度目标偏移时序前向关联局部语义表示向量，为级联操作，为一维卷积操作，为按位置减法，为按位置点乘，为按位置相加，为最大值池化处理，为温度目标偏移-目标调节参数局部时序语义关联交互向量，和分别为权重矩阵和偏置向量，为函数，为权重系数向量，为温度目标偏移-目标调节参数局部时序细粒度注意力权重，为随机失活处理，为失活处理后温度目标偏移-目标调节参数局部时序细粒度注意力权重，为所述温度目标偏移-目标调节参数时序细粒度解耦强化交互全局表示向量。
具体地，再将所述温度目标偏移-目标调节参数时序细粒度解耦强化交互全局表示向量输入基于分类器的冷剂流量控制模块以得到控制指令，所述控制指令用于表示下一时间点的冷剂流量值应增大、应减小或应保持不变。即利用温度目标偏移和目标调节参数之间的时序细粒度解耦强化交互特征来进行分类处理，以此来进行下一时间点的冷剂流量值调节控制。这样能够根据当前环境温度偏移量和压缩机电动机转速来对于制冷剂流量进行预测性地自适应控制，从而实现更为智能化的电动涡旋压缩机控制和温控调节，以便提高压缩机的控制精度和响应速度。具体地，在本申请的一个具体示例中，可以通过电磁阀调整制冷剂流量，通过这样的方式，能够使得压缩机调节控制系统更好地应对不同的工况和环境，确保室内温度的稳定。
相应地，所述冷剂流量控制模块860，用于：将所述温度目标偏移-目标调节参数时序细粒度解耦强化交互全局表示向量输入基于分类器的冷剂流量控制模块以得到控制指令，所述控制指令用于表示下一时间点的冷剂流量值应增大、应减小或应保持不变。
具体地，分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器，然后对未知数据进行分类（或预测）。逻辑回归（logistics）、SVM等常用于解决二分类问题，对于多分类问题（multi-class classification），同样也可以用逻辑回归或SVM，只是需要多个二分类来组成多分类，但这样容易出错且效率不高，常用的多分类方法有Softmax分类函数。
在本申请的技术方案中，将所述冷剂流量-电机转速时序协同表示向量和所述温度目标偏移时序前向关联特征向量分别表示冷剂流量和电机转速之间的时序细粒度关联特征和温度目标偏移值的时序关联特征。其中，所述冷剂流量和电机转速是内部因而温度调节是外显结果。因此，进一步地将所述冷剂流量-电机转速时序协同表示向量和所述温度目标偏移时序前向关联特征向量输入基于特征解耦的局部细粒度序列交互响应聚合网络，以通过所述基于特征解耦的局部细粒度序列交互响应聚合网络来捕捉内部因与外显结果之间的时序非线性隐含关联。但是，考虑到所述冷剂流量-电机转速时序协同表示向量和所述温度目标偏移时序前向关联特征向量之间存在特征模态和特征细粒度对应性偏移，这会使得得到的所述温度目标偏移-目标调节参数时序细粒度解耦强化交互全局表示向量存在相对于分类器的分布回归模式偏移，也就是会导致所述温度目标偏移-目标调节参数时序细粒度解耦强化交互全局表示向量输入基于分类器的冷剂流量控制模块得到的控制指令的溢出，影响其准确性。
基于此，将所述温度目标偏移-目标调节参数时序细粒度解耦强化交互全局表示向量输入基于分类器的冷剂流量控制模块以得到控制指令具体包括：
计算所述温度目标偏移-目标调节参数时序细粒度解耦强化交互全局表示向量的各个特征值的绝对值之和以得到第一温度目标偏移-目标调节参数时序细粒度解耦强化交互全局空间结构值，并计算所述温度目标偏移-目标调节参数时序细粒度解耦强化交互全局表示向量的各个特征值的平方和的平方根以得到第二温度目标偏移-目标调节参数时序细粒度解耦强化交互全局空间结构值。
将所述温度目标偏移-目标调节参数时序细粒度解耦强化交互全局表示向量的每个特征值分别与所述第一温度目标偏移-目标调节参数时序细粒度解耦强化交互全局空间结构值和所述第二温度目标偏移-目标调节参数时序细粒度解耦强化交互全局空间结构值相乘以获得与每个特征值对应的第一温度目标偏移-目标调节参数时序细粒度解耦强化交互全局结构参考值和第二温度目标偏移-目标调节参数时序细粒度解耦强化交互全局结构参考值。
将所述温度目标偏移-目标调节参数时序细粒度解耦强化交互全局表示向量的每个特征值分别与所述温度目标偏移-目标调节参数时序细粒度解耦强化交互全局表示向量的长度和所述长度的平方根相乘以获得与每个特征值对应的第一温度目标偏移-目标调节参数时序细粒度解耦强化交互全局尺度变换值和第二温度目标偏移-目标调节参数时序细粒度解耦强化交互全局尺度变换值。
将所述第一温度目标偏移-目标调节参数时序细粒度解耦强化交互全局结构参考值除以所述第一温度目标偏移-目标调节参数时序细粒度解耦强化交互全局空间结构值与所述第一温度目标偏移-目标调节参数时序细粒度解耦强化交互全局尺度变换值的差值以得到第一温度目标偏移-目标调节参数时序细粒度解耦强化交互全局变换调节值。
将所述第二温度目标偏移-目标调节参数时序细粒度解耦强化交互全局结构参考值除以所述第二温度目标偏移-目标调节参数时序细粒度解耦强化交互全局空间结构值与所述第二温度目标偏移-目标调节参数时序细粒度解耦强化交互全局尺度变换值的差值以得到第二温度目标偏移-目标调节参数时序细粒度解耦强化交互全局变换调节值。
计算所述第一温度目标偏移-目标调节参数时序细粒度解耦强化交互全局变换调节值与所述第二温度目标偏移-目标调节参数时序细粒度解耦强化交互全局变换调节值的加权和，以获得所述优化的温度目标偏移-目标调节参数时序细粒度解耦强化交互全局表示向量的每个特征值。
将所述优化的温度目标偏移-目标调节参数时序细粒度解耦强化交互全局表示向量输入基于分类器的冷剂流量控制模块以得到控制指令。
其中，所述温度目标偏移-目标调节参数时序细粒度解耦强化交互全局表示向量，记为的优化表示为：
其中，为所述温度目标偏移-目标调节参数时序细粒度解耦强化交互全局表示向量，表示实数集，表示所述温度目标偏移-目标调节参数时序细粒度解耦强化交互全局表示向量的第个位置的特征值，表示向量的尺度，表示第一温度目标偏移-目标调节参数时序细粒度解耦强化交互全局空间结构值，表示第二温度目标偏移-目标调节参数时序细粒度解耦强化交互全局空间结构值，表示按位置点乘，表示按位置相加，表示第一温度目标偏移-目标调节参数时序细粒度解耦强化交互全局变换调节向量，表示第一温度目标偏移-目标调节参数时序细粒度解耦强化交互全局变换调节值，表示第二温度目标偏移-目标调节参数时序细粒度解耦强化交互全局变换调节向量，表示第二温度目标偏移-目标调节参数时序细粒度解耦强化交互全局变换调节值，表示加权超参数，表示优化的温度目标偏移-目标调节参数时序细粒度解耦强化交互全局表示向量。
因此，在所述优选示例中，针对所述温度目标偏移-目标调节参数时序细粒度解耦强化交互全局表示向量的特征集合在高维空间内的空间结构信息，通过以所述温度目标偏移-目标调节参数时序细粒度解耦强化交互全局表示向量的类范数空间结构化表示作为参考窗口进行所述温度目标偏移-目标调节参数时序细粒度解耦强化交互全局表示向量的各个特征值的基于尺度的框变换，并实现所述温度目标偏移-目标调节参数时序细粒度解耦强化交互全局表示向量的各个特征值的基于空间结构的框注意力权重调节，来确保在所述温度目标偏移-目标调节参数时序细粒度解耦强化交互全局表示向量在特征空间交互下的空间变换（平移、缩放和旋转）不变性，从而提升所述温度目标偏移-目标调节参数时序细粒度解耦强化交互全局表示向量的特征集合在复杂空间结构表示下进行分类回归的收敛和泛化效果，从而避免所述温度目标偏移-目标调节参数时序细粒度解耦强化交互全局表示向量的分布模式偏离导致的分类结果的无效溢出，以提升基于分类器的冷剂流量控制模块得到的控制指令的准确性，能够根据当前环境温度偏移量和压缩机电动机转速来更为准确地对于制冷剂流量进行预测性控制，从而实现更为智能化的电动涡旋压缩机控制和温控调节，以便提高压缩机的控制精度和响应速度，确保室内温度的稳定。
基于上述实施例，参阅图6所示，为本申请实施例中一种电动涡旋压缩机调节控制方法的流程图。例如，该电动涡旋压缩机调节控制方法可以由服务器来执行，该服务器可以是图1中所示的服务器100。如图6所示，根据本申请实施例的电动涡旋压缩机调节控制方法，包括步骤：S510，获取由温度传感器采集的实时环境温度值的时间队列和设定目标温度值；S520，获取由流量剂采集的冷剂实时流量值的时间队列；S530，获取由转速监测仪采集的压缩机电动机实时转速值的时间队列；S540，计算所述实时环境温度值的时间队列中的各个实时环境温度值与所述设定目标温度值之间的差值以得到温度目标偏移的时间队列；S550，分别对所述温度目标偏移的时间队列、所述冷剂实时流量值的时间队列和所述压缩机电动机实时转速值的时间队列进行时序特征分析以得到温度目标偏移时序前向关联特征向量、冷剂实时流量时序前向关联特征向量和压缩机电动机实时转速前向时序关联特征向量；S560，将所述冷剂实时流量时序前向关联特征向量和所述压缩机电动机实时转速前向时序关联特征向量输入细粒度特征值关联性区分注意力融合模块以得到冷剂流量-电机转速时序协同表示向量；S570，将所述冷剂流量-电机转速时序协同表示向量和所述温度目标偏移时序前向关联特征向量输入基于特征解耦的局部细粒度序列交互响应聚合网络以得到温度目标偏移-目标调节参数时序细粒度解耦强化交互全局表示向量；S580，基于所述温度目标偏移-目标调节参数时序细粒度解耦强化交互全局表示向量，确定控制指令，所述控制指令用于表示下一时间点的冷剂流量值应增大、应减小或应保持不变。
具体地，上述电动涡旋压缩机调节控制方法中的各个步骤的具体操作已经在上面参考图2到图6的电动涡旋压缩机调节控制系统800的描述中得到了详细介绍，并因此，将省略其重复描述。
基于上述实施例，本申请实施例中还提供了另一示例性实施方式的电子设备。在一些可能的实施方式中，本申请实施例中电子设备可以包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，处理器执行程序时可以实现上述实施例中电动涡旋压缩机调节控制方法的步骤。
例如，以电子设备为本申请图1中的服务器100为例进行说明，则该电子设备中的处理器即为服务器100中的处理器110，该电子设备中的存储器即为服务器100中的存储器120。
本申请的实施例还提供了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计算机可执行指令。当所述计算机可执行指令由处理器运行时，可以执行参照以上附图描述的根据本申请实施例的电动涡旋压缩机调节控制方法。所述计算机可读存储介质包括但不限于例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器（RAM）和/或高速缓冲存储器（cache）等。所述非易失性存储器例如可以包括只读存储器（ROM）、硬盘、闪存等。
本申请的实施例还提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机可执行指令，该计算机可执行指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机可执行指令，处理器执行该计算机可执行指令，使得该计算机设备执行根据本申请实施例的电动涡旋压缩机调节控制方法。
本领域技术人员能够理解，本申请所披露的内容可以出现多种变型和改进。例如，以上所描述的各种设备或组件可以通过硬件实现，也可以通过软件、固件、或者三者中的一些或全部的组合实现。
此外，虽然本申请对根据本申请的实施例的系统中的某些单元做出了各种引用，然而，任何数量的不同单元可以被使用并运行在客户端和/或服务器上。所述单元仅是说明性的，并且所述系统和方法的不同方面可以使用不同单元。
本领域普通技术人员可以理解上述方法中的全部或部分的步骤可通过程序来指令相关硬件完成，所述程序可以存储于计算机可读存储介质中，如只读存储器、磁盘或光盘等。可选地，上述实施例的全部或部分步骤也可以使用一个或多个集成电路来实现。相应地，上述实施例中的各模块/单元可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。本申请并不限制于任何特定形式的硬件和软件的结合。
除非另有定义，这里使用的所有术语（包括技术和科学术语）具有与本申请所属领域的普通技术人员共同理解的相同含义。还应当理解，诸如在通常字典里定义的那些术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义，而不应用理想化或极度形式化的意义来解释，除非这里明确地这样定义。
以上是对本申请的说明，而不应被认为是对其的限制。尽管描述了本申请的如果干示例性实施例，但本领域技术人员将容易地理解，在不背离本申请的新颖教学和优点的前提下可以对示例性实施例进行许多修改。
Claims (4)
1.一种电动涡旋压缩机调节控制系统，其特征在于，包括：
温度数据采集模块，用于获取由温度传感器采集的实时环境温度值的时间队列和设定目标温度值；
流量数据采集模块，用于获取由流量剂采集的冷剂实时流量值的时间队列；
电动机转速数据采集模块，用于获取由转速监测仪采集的压缩机电动机实时转速值的时间队列；
温度目标偏移量计算模块，用于计算所述实时环境温度值的时间队列中的各个实时环境温度值与所述设定目标温度值之间的差值以得到温度目标偏移的时间队列；
参数处理模块，用于基于所述温度目标偏移的时间队列、所述冷剂实时流量值的时间队列和所述压缩机电动机实时转速值的时间队列，得到温度目标偏移-目标调节参数时序细粒度解耦强化交互全局表示向量；
冷剂流量控制模块，用于基于所述温度目标偏移-目标调节参数时序细粒度解耦强化交互全局表示向量，确定控制指令，所述控制指令用于表示下一时间点的冷剂流量值应增大、应减小或应保持不变；
其中，所述参数处理模块包括：
参数时序关联特征提取模块，用于分别对所述温度目标偏移的时间队列、所述冷剂实时流量值的时间队列和所述压缩机电动机实时转速值的时间队列进行时序特征分析以得到温度目标偏移时序前向关联特征向量、冷剂实时流量时序前向关联特征向量和压缩机电动机实时转速前向时序关联特征向量；
冷剂流量-电机转速时序特征协同关注模块，用于将所述冷剂实时流量时序前向关联特征向量和所述压缩机电动机实时转速前向时序关联特征向量输入细粒度特征值关联性区分注意力融合模块以得到冷剂流量-电机转速时序协同表示向量；
具体地，将所述冷剂实时流量时序前向关联特征向量和所述压缩机电动机实时转速前向时序关联特征向量输入细粒度特征值关联性区分注意力融合模块以如下可区分注意融合公式进行处理以得到冷剂流量-电机转速时序协同表示向量；其中，所述可区分注意融合公式为：
其中，和分别为所述冷剂实时流量时序前向关联特征向量和所述压缩机电动机实时转速前向时序关联特征向量，为转置操作，为冷剂流量-电机转速全域特征值关联矩阵，为以e为底的指数运算，为冷剂流量-电机转速全域特征值关联权重矩阵，为冷剂流量-电机转速相关性可区分权重矩阵，和分别为区分强化冷剂实时流量时序前向关联特征向量和区分强化压缩机电动机实时转速前向时序关联特征向量，为向量的级联操作，为所述冷剂流量-电机转速时序协同表示向量；
温度目标偏移-目标调节参数时序交互模块，用于将所述冷剂流量-电机转速时序协同表示向量和所述温度目标偏移时序前向关联特征向量输入基于特征解耦的局部细粒度序列交互响应聚合网络以得到温度目标偏移-目标调节参数时序细粒度解耦强化交互全局表示向量；
具体地，将所述冷剂流量-电机转速时序协同表示向量和所述温度目标偏移时序前向关联特征向量输入所述基于特征解耦的局部细粒度序列交互响应聚合网络以如下细粒度交互响应聚合公式进行处理以得到温度目标偏移-目标调节参数时序细粒度解耦强化交互全局表示向量；其中，所述细粒度交互响应聚合公式为：
其中，为所述冷剂流量-电机转速时序协同表示向量，为所述温度目标偏移时序前向关联特征向量，为特征解耦操作，分别为冷剂流量-电机转速时序协同局部语义表示向量的序列中第1个、第2个...、第个、...、第个冷剂流量-电机转速时序协同局部语义表示向量，分别为温度目标偏移时序前向关联局部语义表示向量的序列中第1个、第2个...、第个、...、第个温度目标偏移时序前向关联局部语义表示向量，为级联操作，为一维卷积操作，为按位置减法，为按位置点乘，为按位置相加，为最大值池化处理，为温度目标偏移-目标调节参数局部时序语义关联交互向量，和分别为权重矩阵和偏置向量，为函数，为权重系数向量，为温度目标偏移-目标调节参数局部时序细粒度注意力权重，为随机失活处理，为失活处理后温度目标偏移-目标调节参数局部时序细粒度注意力权重，为所述温度目标偏移-目标调节参数时序细粒度解耦强化交互全局表示向量；
其中，所述参数时序关联特征提取模块，用于：
将所述温度目标偏移的时间队列、所述冷剂实时流量值的时间队列和所述压缩机电动机实时转速值的时间队列分别输入基于前向Bi-LSTM模型的序列编码器以得到所述温度目标偏移时序前向关联特征向量、所述冷剂实时流量时序前向关联特征向量和所述压缩机电动机实时转速前向时序关联特征向量。
2.根据权利要求1所述的电动涡旋压缩机调节控制系统，其特征在于，所述冷剂流量-电机转速时序特征协同关注模块，包括：
全域特征值关联矩阵计算单元，用于计算所述冷剂实时流量时序前向关联特征向量和所述压缩机电动机实时转速前向时序关联特征向量之间的全域特征值关联矩阵以得到冷剂流量-电机转速全域特征值关联矩阵；
权重矩阵计算单元，用于将所述冷剂流量-电机转速全域特征值关联矩阵输入可学习的门控函数以得到冷剂流量-电机转速相关性可区分权重矩阵；
掩码计算单元，用于以所述冷剂流量-电机转速相关性可区分权重矩阵作为融合掩码矩阵，分别计算所述冷剂实时流量时序前向关联特征向量和所述压缩机电动机实时转速前向时序关联特征向量与所述冷剂流量-电机转速相关性可区分权重矩阵之间的矩阵乘积以得到区分强化冷剂实时流量时序前向关联特征向量和区分强化压缩机电动机实时转速前向时序关联特征向量；
向量融合单元，用于融合所述区分强化冷剂实时流量时序前向关联特征向量和所述区分强化压缩机电动机实时转速前向时序关联特征向量以得到所述冷剂流量-电机转速时序协同表示向量；
其中，所述权重矩阵计算单元，用于：
以所述冷剂流量-电机转速全域特征值关联矩阵中的各个位置特征值的负数作为指数幂，计算以自然常数e为底的自然指数函数值以得到冷剂流量-电机转速全域特征值关联类支持矩阵；
计算所述冷剂流量-电机转速全域特征值关联类支持矩阵中的各个位置特征值与常数1之和的倒数以得到冷剂流量-电机转速全域特征值关联权重矩阵；
计算所述冷剂流量-电机转速全域特征值关联权重矩阵和所述冷剂流量-电机转速全域特征值关联矩阵之间的按位置点乘以得到所述冷剂流量-电机转速相关性可区分权重矩阵。
3.根据权利要求2所述的电动涡旋压缩机调节控制系统，其特征在于，所述温度目标偏移-目标调节参数时序交互模块，包括：
特征解耦单元，用于对所述冷剂流量-电机转速时序协同表示向量和所述温度目标偏移时序前向关联特征向量进行特征解耦以得到冷剂流量-电机转速时序协同局部语义表示向量的序列和温度目标偏移时序前向关联局部语义表示向量的序列；
局部语义关联交互单元，用于计算所述冷剂流量-电机转速时序协同局部语义表示向量的序列和所述温度目标偏移时序前向关联局部语义表示向量的序列中每组对应的冷剂流量-电机转速时序协同局部语义表示向量和温度目标偏移时序前向关联局部语义表示向量之间的局部语义关联交互向量以得到温度目标偏移-目标调节参数局部时序语义关联交互向量的序列；
细粒度注意力权重计算单元，用于计算所述温度目标偏移-目标调节参数局部时序语义关联交互向量的序列中的各个温度目标偏移-目标调节参数局部时序语义关联交互向量的细粒度注意力权重以得到温度目标偏移-目标调节参数局部时序细粒度注意力权重的序列；
随机失活单元，用于将所述温度目标偏移-目标调节参数局部时序细粒度注意力权重的序列输入随机失活模块以得到失活处理后温度目标偏移-目标调节参数局部时序细粒度注意力权重的序列；
加权和计算单元，用于以所述失活处理后温度目标偏移-目标调节参数局部时序细粒度注意力权重的序列作为权重分布，计算所述温度目标偏移-目标调节参数局部时序语义关联交互向量的序列的加权和以得到温度目标偏移-目标调节参数时序细粒度解耦强化交互全局表示向量；
其中，所述局部语义关联交互单元，用于：
将所述每组对应的冷剂流量-电机转速时序协同局部语义表示向量和温度目标偏移时序前向关联局部语义表示向量分别进行按位置差分、按位置点乘和按位置相加处理以得到温度目标偏移-目标调节参数局部时序语义差分表示向量、温度目标偏移-目标调节参数局部时序语义点乘表示向量和温度目标偏移-目标调节参数局部时序语义加和表示向量；
将所述温度目标偏移-目标调节参数局部时序语义差分表示向量、所述温度目标偏移-目标调节参数局部时序语义点乘表示向量和所述温度目标偏移-目标调节参数局部时序语义加和表示向量进行级联以得到温度目标偏移-目标调节参数局部时序语义关联多维表示融合向量；
对所述温度目标偏移-目标调节参数局部时序语义关联多维表示融合向量进行一维卷积编码后通过最大值池化层以得到温度目标偏移-目标调节参数局部时序语义关联交互向量；
其中，所述细粒度注意力权重计算单元，用于：
将所述温度目标偏移-目标调节参数局部时序语义关联交互向量和权重矩阵进行矩阵相乘后与偏置向量进行按位置相加以得到线性变换温度目标偏移-目标调节参数局部时序语义关联交互向量；
使用tanh函数对所述线性变换温度目标偏移-目标调节参数局部时序语义关联交互向量进行激活处理后与权重系数向量进行向量相乘以得到温度目标偏移-目标调节参数局部时序细粒度注意力权重。
4.根据权利要求3所述的电动涡旋压缩机调节控制系统，其特征在于，所述冷剂流量控制模块，用于：
将所述温度目标偏移-目标调节参数时序细粒度解耦强化交互全局表示向量输入基于分类器的冷剂流量控制模块以得到控制指令，所述控制指令用于表示下一时间点的冷剂流量值应增大、应减小或应保持不变。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202411480975.9A CN118999031B (zh) | 2024-10-23 | 2024-10-23 | 一种电动涡旋压缩机调节控制系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202411480975.9A CN118999031B (zh) | 2024-10-23 | 2024-10-23 | 一种电动涡旋压缩机调节控制系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118999031A CN118999031A (zh) | 2024-11-22 |
| CN118999031B true CN118999031B (zh) | 2025-03-21 |
Family
ID=93484957
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202411480975.9A Active CN118999031B (zh) | 2024-10-23 | 2024-10-23 | 一种电动涡旋压缩机调节控制系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118999031B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN119241828A (zh) * | 2024-12-04 | 2025-01-03 | 合肥普力先进材料科技有限公司 | 低分子量双酚a型聚碳酸酯聚醚多元醇的生产工艺和气体智能控制方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111492187A (zh) * | 2017-12-18 | 2020-08-04 | 大金工业株式会社 | 压缩机 |
| CN113803843A (zh) * | 2021-09-30 | 2021-12-17 | 珠海格力电器股份有限公司 | 一拖多制冷系统控制方法、装置和一拖多制冷系统及空调 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3401618B1 (en) * | 2016-02-17 | 2020-04-22 | PHC Holdings Corporation | Refrigeration device |
| US10801762B2 (en) * | 2016-02-18 | 2020-10-13 | Emerson Climate Technologies, Inc. | Compressor floodback protection system |
| US10436226B2 (en) * | 2016-02-24 | 2019-10-08 | Emerson Climate Technologies, Inc. | Compressor having sound control system |
| US20230358431A1 (en) * | 2020-12-11 | 2023-11-09 | Mitsubishi Electric Corporation | Learning device and inference device for state of air conditioning system |
| CN113899124B (zh) * | 2021-10-12 | 2022-06-14 | 珠海格力电器股份有限公司 | 压力调节控制方法、装置、电子设备和制冷设备 |
| CN118277888B (zh) * | 2024-06-04 | 2024-08-06 | 山东商业职业技术学院 | 基于深度学习的设备量测数据处理方法 |
| CN118494113B (zh) * | 2024-07-04 | 2024-11-22 | 温州德鑫机车部件有限公司 | 基于智能化控制技术的电动汽车热管理系统及其方法 |
-
2024
- 2024-10-23 CN CN202411480975.9A patent/CN118999031B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111492187A (zh) * | 2017-12-18 | 2020-08-04 | 大金工业株式会社 | 压缩机 |
| CN113803843A (zh) * | 2021-09-30 | 2021-12-17 | 珠海格力电器股份有限公司 | 一拖多制冷系统控制方法、装置和一拖多制冷系统及空调 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118999031A (zh) | 2024-11-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN118999031B (zh) | 一种电动涡旋压缩机调节控制系统 | |
| Machlev et al. | Dimension reduction for NILM classification based on principle component analysis | |
| CN113819636B (zh) | 辐射空调系统的控制方法、装置及存储介质 | |
| CN104463381A (zh) | 基于kpca与wlssvm的建筑能耗预测方法 | |
| Wang et al. | A robust classification framework with mixture correntropy | |
| CN117806154B (zh) | 一种用于篦式冷却机的pid控制器参数优化方法及系统 | |
| US20240167713A1 (en) | Method and system for physics aware control of hvac equipment | |
| Magoulès et al. | Support vector regression for electricity consumption prediction in a building in japan | |
| CN112949947A (zh) | 一种基于卷积长短期记忆网络的电力故障预警方法及系统 | |
| Huang et al. | Hybrid forecasting model of building cooling load based on EMD-LSTM-Markov algorithm | |
| CN115758184A (zh) | 应用于电力用户的聚类分析方法及装置 | |
| CN118746013B (zh) | 一种风扇系统及其降温控制方法 | |
| Zhang et al. | Investigations on machine learning-based control-oriented modeling using historical thermal data of buildings | |
| Kumar et al. | Prediction of building cooling load: an innovative design for GA-SVM and IG-SVM system for the estimation of hourly precision and computational fluctuation range | |
| Xu et al. | Residual autoencoder-LSTM for city region vehicle emission pollution prediction | |
| Kannan et al. | AC cooling time prediction using common representation model | |
| CN118133435A (zh) | 基于svr与聚类的复杂航天器在轨异常检测方法 | |
| Sun et al. | Application of LSSVM inverse in a variable frequency induction motor drive system | |
| Mansouri et al. | Nonlinear control and estimation in induction machine using state estimation techniques | |
| CN118377260B (zh) | 用于农业种植舱的集成控制系统及方法 | |
| CN115879190A (zh) | 模型构建方法及装置、建筑负荷预测方法及装置 | |
| Zhou et al. | Remaining Useful Life Prediction of Rolling Bearings Based on Adaptive Continuous Deep Belief Networks and Improved Kernel Extreme Learning Machine | |
| Chavan et al. | A novel approach for forecasting the linear and nonlinear weather data using support vector regression | |
| Zhang et al. | Load prediction based on depthwise separable convolution model | |
| CN118836556B (zh) | 一种具有协同云数据存储功能的智能暖通终端 |
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 |