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

基于人工神經(jīng)網(wǎng)絡(luò)建模的PTC功率智能檢測技術(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常用的功率檢測方法是通過“專用電量計量芯片結(jié)合電壓、電流采樣電路”來實現(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功率純軟件計算方法，無需增加任何硬件成本。通過實驗驗證，精度達±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功率檢測常見方法介紹

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

式子中的u(t)和i(t) 分別為瞬時的電壓和電流的采樣值，有功功率可以通過對瞬時功率p(t)進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(又叫人工神經(jīng)元)之間的相互聯(lián)系，來實現(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)信號輸入；輸出層單元負責(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)的拓撲結(jié)構(gòu)，u1、u2、…、ui為輸入層（i個神經(jīng)單元），緊接著輸入層單元的是隱含層（j個神經(jīng)單元），再是輸出層單元（1個神經(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)的拓撲結(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：其一，因為該模型具有多維輸入變量，不同維的輸入變量之間數(shù)值上可能會差異很大，數(shù)據(jù)的評價標準也不一樣，因此，需要對其歸一化（又叫量綱化），統(tǒng)一評價標準；其二，在同一維輸入變量中，由于采樣受到干擾等情況，會出現(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，要通過實驗測試與理論分析，找到影響PTC功率這個輸出數(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)機功率和空氣濕度，通過大量的實驗得到了上述影響因子對PTC功率的影響特性曲線，如圖3所示。

圖3 電壓U對PTC功率影響特性曲線

圖4 蒸發(fā)器溫度T2對PTC功率影響特性曲線

圖5 風(fēng)機功率Pmotor對PTC功率影響特性曲線

圖6 空氣濕度對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)機功率Pmotor是影響PTC功率的主要因子，因此確定了這三個變量作為人工神經(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，確定計電源電壓U、風(fēng)機功率Pmotor和蒸發(fā)器溫度T2作為輸入變量，可以計算出PTC的功率。

2.4 室內(nèi)風(fēng)機實時功率Pmotor的軟件檢測算法

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

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)電動機的參數(shù)，按照永磁同步電機d軸和q軸電壓方程式，利用擴展反電動勢轉(zhuǎn)子位置估算法，計算轉(zhuǎn)子的位置θ電機轉(zhuǎn)速ωr，然后d-q軸的電流可以通過如下步驟得到：

首先通過電流檢測單元檢測電機三相電流中的兩相Iu和Iv；

然后通過以下公式分別計算出電機的D軸電流Id和Q軸電流Iq，即，

其中，θ即為上述利用擴展反電動勢得到的電機轉(zhuǎn)子位置。

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

其中，R為電機電阻，Lq為電機Q軸電感，Ld為電機D軸電感，ωr為電機轉(zhuǎn)速，p為微分算子，e0為電機空載電動勢。

獲取到的電機d-q軸電流及電機d-q軸電壓后，則根據(jù)如下功率計算公式，即可得到電機的實時功率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 實驗結(jié)果及結(jié)論

智能檢測技術(shù)，應(yīng)用于美的分體掛壁式空調(diào)器上，檢測精度都控制在±3%以內(nèi)（以標準的功率計YOKOGAWA WT310HC作為基準），滿足產(chǎn)品需求，具體實驗數(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。

表1 基于人工神經(jīng)網(wǎng)絡(luò)建模的PTC功率檢測方法實驗數(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)及壓縮機學(xué)術(shù)交流大會. 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)。