朱良紅，吳志鵬，霍軍亞，鄭 偉

（廣東美的制冷設(shè)備有限公司，佛山 528311）

基于人工神經(jīng)網(wǎng)絡(luò)建模的PTC功率智能檢測(cè)技術(shù)

朱良紅，吳志鵬，霍軍亞，鄭 偉

（廣東美的制冷設(shè)備有限公司，佛山 528311）

PTC是家用空調(diào)器中主要器件之一，具有耗電量大、非線性的特征。目前PTC常用的功率檢測(cè)方法是通過“專用電量計(jì)量芯片結(jié)合電壓、電流采樣電路”來實(shí)現(xiàn)，存在成本高和可靠性低問題。提出一種基于人工神經(jīng)網(wǎng)絡(luò)的PTC功率純軟件計(jì)算方法，無需增加任何硬件成本。通過實(shí)驗(yàn)驗(yàn)證，精度達(dá)±3%，滿足產(chǎn)品化需求，成熟可靠。

變頻空調(diào)；PTC功率；人工神經(jīng)網(wǎng)絡(luò)

1 PTC功率檢測(cè)常見方法介紹

PTC功率檢測(cè)常見的方法為通過電路中的電壓u采樣電路和電流i采樣電路來計(jì)算實(shí)現(xiàn)，如圖1所示，瞬時(shí)功率可以表示如下：

式子中的u(t)和i(t) 分別為瞬時(shí)的電壓和電流的采樣值，有功功率可以通過對(duì)瞬時(shí)功率p(t)進(jìn)行周期均值的求解來得到：

其中，P(t)是有功功率，T為電壓波形的周期。

2 基于人工神經(jīng)網(wǎng)絡(luò)建模的PTC功率智能檢測(cè)技術(shù)

2.1 人工神 經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)是模仿動(dòng)物神經(jīng)系統(tǒng)的一種分布式并行數(shù)據(jù)處理算法的數(shù)學(xué)模型，該模型通過調(diào)整其內(nèi)部節(jié)點(diǎn)(又叫人工神經(jīng)元)之間的相互聯(lián)系，來實(shí)現(xiàn)數(shù)據(jù)處理的目的。人工神經(jīng)網(wǎng)絡(luò)有自學(xué)習(xí)和自適應(yīng)的能力，可以通過預(yù)先輸入的“訓(xùn)練樣本數(shù)據(jù)”來挖掘出其輸入-輸出數(shù)據(jù)內(nèi)部的關(guān)系，掌握其潛在的規(guī)律，得到神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)模型，把新輸入數(shù)據(jù)導(dǎo)入到該數(shù)學(xué)模型中，即可推算出輸出結(jié)果。

人工神經(jīng)網(wǎng)絡(luò)包含了多個(gè)層次的神經(jīng)單元，分別為輸入層、隱含層和輸出層。其中，輸入層單元接收數(shù)據(jù)信號(hào)輸入；輸出層單元負(fù)責(zé)輸出網(wǎng)絡(luò)處理輸入數(shù)據(jù)后得到的輸出值；隱含層單元可以是一層也可以是兩層甚至多層，處于輸入層與輸出層之間。層與層之間神經(jīng)元的連接權(quán)重，是人工神經(jīng)網(wǎng)絡(luò)的重要參數(shù)，反映了輸入-輸出數(shù)據(jù)之間的內(nèi)在關(guān)系。

2.2 人工神經(jīng)網(wǎng)絡(luò)的技術(shù)應(yīng)用

圖1 電壓、電流采樣功率計(jì)算電路

圖2給出本論文應(yīng)用到的人工神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)，u1、u2、…、ui為輸入層（i個(gè)神經(jīng)單元），緊接著輸入層單元的是隱含層（j個(gè)神經(jīng)單元），再是輸出層單元（1個(gè)神經(jīng)單元），W11、W12、…、Wij為輸入層單元到隱含層單元的連接權(quán)重，Wl1、Wl2、…、Wlj是隱含層到輸出層單元的連接權(quán)重，b1、b2、…、bi為隱含層單元的偏置，bl為輸出層單元的偏置。

人工神經(jīng)網(wǎng)絡(luò)算法建模的步驟如下：

首先，輸入數(shù)據(jù)預(yù)處理（歸一化）：

圖2 人工神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)

其中，u為歸一化之后的輸入數(shù)據(jù)， u'為預(yù)處理前的原始輸入數(shù)據(jù)， u'max為原始輸入數(shù)據(jù)的極大值， u'min是原始輸入數(shù)據(jù)的極小值。經(jīng)過歸一化后，輸入變量的值都被限定在[-1，1]的范圍內(nèi)，歸一化的作用有兩點(diǎn)：其一，因?yàn)樵撃Ｐ途哂卸嗑S輸入變量，不同維的輸入變量之間數(shù)值上可能會(huì)差異很大，數(shù)據(jù)的評(píng)價(jià)標(biāo)準(zhǔn)也不一樣，因此，需要對(duì)其歸一化（又叫量綱化），統(tǒng)一評(píng)價(jià)標(biāo)準(zhǔn)；其二，在同一維輸入變量中，由于采樣受到干擾等情況，會(huì)出現(xiàn)輸入數(shù)據(jù)出現(xiàn)特別大或者特別小的奇異數(shù)據(jù)，若不進(jìn)行歸一化，可能導(dǎo)致人工神經(jīng)網(wǎng)絡(luò)無法收斂。

然后，隱含層人工神經(jīng)元的輸出可以表示如下：

其中，f1（x）函數(shù)是神經(jīng)元的激勵(lì)函數(shù)，表示為：

然后，輸出層神經(jīng)單元的輸出表示為：

其中，f1（x）為輸出層的激勵(lì)函數(shù)，表示為：

最后，輸出數(shù)據(jù)后處理（反歸一化）：

其中，y為最終的輸出值，ymax為輸出值可能出現(xiàn)的最大值，ymin為輸出值可能出現(xiàn)的最小值。

2.3 人工神經(jīng)網(wǎng)絡(luò)的輸入 變量的確定

人工神經(jīng)網(wǎng)絡(luò)的收斂性和擬合程度與輸入-輸出數(shù)據(jù)的合理性存在直接的關(guān)系，因此，要通過實(shí)驗(yàn)測(cè)試與理論分析，找到影響PTC功率這個(gè)輸出數(shù)據(jù)的主要影響因子(即確定合理的輸入數(shù)據(jù))。

本技術(shù)列出了影響空調(diào)器室內(nèi)風(fēng)機(jī)功率的所有因子，包括了PTC兩端的電壓U、蒸發(fā)器溫度T2、室內(nèi)風(fēng)機(jī)功率和空氣濕度，通過大量的實(shí)驗(yàn)得到了上述影響因子對(duì)PTC功率的影響特性曲線，如圖3所示。

圖3 電壓U對(duì)PTC功率影響特性曲線

圖4 蒸發(fā)器溫度T2對(duì)PTC功率影響特性曲線

圖5 風(fēng)機(jī)功率Pmotor對(duì)PTC功率影響特性曲線

圖6 空氣濕度對(duì)PTC功率影響特性曲線

從圖3-圖6可知，電壓U、蒸發(fā)器溫度T2和風(fēng)機(jī)功率Pmotor是影響PTC功率的主要因子，因此確定了這三個(gè)變量作為人工神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)。

根據(jù)上述人工神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)模型，確定計(jì)電源電壓U、風(fēng)機(jī)功率Pmotor和蒸發(fā)器溫度T2作為輸入變量，可以計(jì)算出PTC的功率。

2.4 室內(nèi)風(fēng)機(jī)實(shí)時(shí)功率Pmotor的軟件檢測(cè)算法

室內(nèi)風(fēng)機(jī)部分，采用180度正弦矢量控制算法控制直流風(fēng)機(jī)，根據(jù)D軸和Q軸消耗的功率和計(jì)算風(fēng)機(jī)的功率。

具體通過基于轉(zhuǎn)子磁定向的矢量控制技術(shù)（Field-Oriented Control，F(xiàn)OC），根據(jù)電動(dòng)機(jī)的參數(shù)，按照永磁同步電機(jī)d軸和q軸電壓方程式，利用擴(kuò)展反電動(dòng)勢(shì)轉(zhuǎn)子位置估算法，計(jì)算轉(zhuǎn)子的位置θ電機(jī)轉(zhuǎn)速ωr，然后d-q軸的電流可以通過如下步驟得到：

首先通過電流檢測(cè)單元檢測(cè)電機(jī)三相電流中的兩相Iu和Iv；

然后通過以下公式分別計(jì)算出電機(jī)的D軸電流Id和Q軸電流Iq，即，

其中，θ即為上述利用擴(kuò)展反電動(dòng)勢(shì)得到的電機(jī)轉(zhuǎn)子位置。

d-q軸電壓檢測(cè)的具體步驟為：根據(jù)上述獲取的電機(jī)轉(zhuǎn)速ωr和電機(jī)的d軸電流Id和q電流Iq，通過電壓檢測(cè)單元獲取直流母線電壓，并采用無傳感器矢量控制方式，由以下公式計(jì)算出電機(jī)的d軸電壓Ud和q軸電壓Uq：

其中，R為電機(jī)電阻，Lq為電機(jī)Q軸電感，Ld為電機(jī)D軸電感，ωr為電機(jī)轉(zhuǎn)速，p為微分算子，e0為電機(jī)空載電動(dòng)勢(shì)。

獲取到的電機(jī)d-q軸電流及電機(jī)d-q軸電壓后，則根據(jù)如下功率計(jì)算公式，即可得到電機(jī)的實(shí)時(shí)功率P：

其中，Iq為q軸電流，Id為d軸電流，Uq為q軸電壓，Ud為d軸電壓。

3 實(shí)驗(yàn)結(jié)果及結(jié)論

智能檢測(cè)技術(shù)，應(yīng)用于美的分體掛壁式空調(diào)器上，檢測(cè)精度都控制在±3%以內(nèi)（以標(biāo)準(zhǔn)的功率計(jì)YOKOGAWA WT310HC作為基準(zhǔn)），滿足產(chǎn)品需求，具體實(shí)驗(yàn)數(shù)據(jù)見表1。該方法無需增加任何硬件成本，也沒有硬件損壞的風(fēng)險(xiǎn)。

表1 基于人工神經(jīng)網(wǎng)絡(luò)建模的PTC功率檢測(cè)方法實(shí)驗(yàn)數(shù)據(jù)

[1] Kumar Abhishek1, Abhay Kumar, Rajeev Ranjan, et al. A Rainfall Prediction Model using Artif cial Neural Network[C]. 2012 IEEE Control and System Graduate Research Colloquium (ICSGRC 2012). Shah Alam, Selangor, July 16-17, 2012.

[2] Du Xin-hui, Tian Feng, Tan Shao-qiong. Study of Power System Short-term Load Forecast Based on Artificial Neural Network and Genetic Algorithm[C]. 2010 International Conference on Computational Aspects of Social Networks. Taiyuan, September 26-28, 2010.

[3] 黃加連. 金屬PTC電加熱器[C]. 第十一屆全國電冰箱(柜)、空調(diào)及壓縮機(jī)學(xué)術(shù)交流大會(huì). 滁州, 2012.

[4] 陳翡春. PTC輔助電加熱器在廈門某空調(diào)工程中的應(yīng)用[J]. 福建建設(shè)科技. 2006(3)：70-71.

PTC Power Intelligent Detection Technology Based on Artif cial Neural Network Modeling

ZHU Liang-hong, WU Zhi-peng, HUO Jun-ya，ZHENG Wei
(Guangdong Midea Refrigeration Equipment Co., Ltd, Foshan 528311)

PTC is one of devices in domestic air conditioner, with characteristics of large power and nonlinearity. At present, the method of PTC power measurement is conducted by the special power measurement chip and sampling circuit for voltage and current. But it has the problems of high-cost and low reliability. This paper develops a novel software-only measurement for PTC power consumption without adding any hardware cost. The experiments prove that its high precision is ±3%. This method is mature and reliable; meanwhile it can meet the requirement of productization.

inverter air conditioner; PTC power; artificial neural network

TP29

A

1004-7204（2015）03-0029-04

朱良紅（1977-），男，工程師，美的集團(tuán)家用空調(diào)事業(yè)部研究院，從事家用變頻空調(diào)控制器的研發(fā)。