智能化的节能冷库制冷系统及方法技术方案

本发明专利技术涉及智能控制领域，其具体地公开了一种智能化的节能冷库制冷系统及方法，其通过采用基于深度学习的人工智能检测技术挖掘出冷库湿度输入值和湿度变化值的隐含特征，进一步基于两者之间的空间关联特征来对除湿器进行自适应的控制，通过这样的方式来优化冷库制冷方案，实现节能运行，避免湿度过低或过高导致的质量问题和能源浪费，提高冷库内物品的安全性和质量稳定性。全性和质量稳定性。全性和质量稳定性。

【技术实现步骤摘要】
智能化的节能冷库制冷系统及方法


[0001]本专利技术涉及智能控制领域，且更为具体地，涉及一种智能化的节能冷库制冷系统及方法。

技术介绍

[0002]冷库是一种专门用于冷藏和储存食品、药品、化学品等物品的设施。它通常由保温材料构成，同时还配备了制冷设备以维持低温环境。
[0003]在冷库运行过程中，适时地开启除湿器对冷库内进行除湿，以使得冷风机主蒸发器翅片上不结霜或少结霜，以及维持冷库库温，避免冷库库温波动。但是，何时开启除湿器是个重要的技术问题，如果除湿器一直处于开启状态，库内的湿度可能会过低，且是一种额外的能源损耗，如果除湿器开启过晚，则冷风机主蒸发器翅片上可能会发生结霜，且导致冷库库温发生波动。
[0004]因此，期待一种优化的节能冷库制冷方案。

技术实现思路

[0005]为了解决上述技术问题，提出了本专利技术。本专利技术的实施例提供了一种智能化的节能冷库制冷系统及方法，其通过采用基于深度学习的人工智能检测技术挖掘出冷库湿度输入值和湿度变化值的隐含特征，进一步基于两者之间的空间关联特征来对除湿器进行自适应的控制，通过这样的方式来优化冷库制冷方案，实现节能运行，避免湿度过低或过高导致的质量问题和能源浪费，提高冷库内物品的安全性和质量稳定性。
[0006]根据本专利技术的一个方面，提供了一种智能化的节能冷库制冷系统，其包括：湿度采集单元，用于获取预定时间段内多个预定时间点的冷库湿度值；排列单元，用于将所述多个预定时间点的冷库湿度值按照时间维度排列为冷库湿度输入向量；变化表征单元，用于计算所述冷库湿度输入向量中每相邻两个位置的冷库湿度值之间的差值以得到湿度变化输入向量；数据增强单元，用于基于高斯密度图对所述冷库湿度输入向量和所述湿度变化输入向量进行数据增强以得到冷库湿度输入矩阵和湿度变化输入矩阵；多通道融合单元，用于融合所述冷库湿度输入矩阵和所述湿度变化输入矩阵以得到湿度多通道输入张量；特征提取单元，用于将所述湿度多通道输入张量通过使用空间注意力机制的卷积神经网络模型以得到分类特征图；以及控制结果生成单元，用于将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示是否开启除湿器。
[0007]在上述智能化的节能冷库制冷系统中，所述数据增强单元，包括：高斯密度图构造子单元，用于构造所述冷库湿度输入向量和所述湿度变化输入向量的高斯密度图以得到第
一高斯密度图和第二高斯密度图。其中，所述第一高斯密度图的均值向量为所述冷库湿度输入向量，所述第二高斯密度图的均值向量为所述湿度变化输入向量，所述第一高斯密度图的协方差矩阵为所述冷库湿度输入向量中相应两个位置的特征值之间的方差，所述第二高斯密度图的协方差矩阵为所述湿度变化输入向量中相应两个位置的特征值之间的方差；以及，高斯离散化子单元，用于对所述第一高斯密度图和所述第二高斯密度图中各个位置的高斯分布进行高斯离散化以得到所述冷库湿度输入矩阵和所述湿度变化输入矩阵。
[0008]在上述智能化的节能冷库制冷系统中，所述多通道融合单元，用于：以如下级联公式来融合所述冷库湿度输入矩阵和所述湿度变化输入矩阵以得到湿度多通道输入张量；其中，所述公式为：；其中，表示所述冷库湿度输入矩阵，表示所述湿度变化输入矩阵，表示级联函数，表示所述湿度多通道输入张量。
[0009]在上述智能化的节能冷库制冷系统中，所述特征提取单元，包括：深度卷积编码子单元，用于使用所述卷积神经网络模型的各层在层的正向传递中分别对所述湿度多通道输入张量进行卷积处理、基于局部特征矩阵的池化处理和非线性激活处理以由所述卷积神经网络模型的最后一层输出多个初始空间增强特征图；以及，空间注意力子单元，用于将所述初始空间增强特征图输入所述卷积神经网络模型的空间注意力层以得到所述分类特征图。
[0010]在上述智能化的节能冷库制冷系统中，所述控制结果生成单元，包括：展开子单元，用于将所述分类特征图基于行向量或列向量展开为分类特征向量；全连接编码子单元，用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，分类结果生成子单元，用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
[0011]在上述智能化的节能冷库制冷系统中，还包括用于对所述使用空间注意力机制的卷积神经网络模型和所述分类器进行训练的训练模块；其中，所述训练模块，包括：训练数据获取单元，用于获取训练数据，所述训练数据包括预定时间段内多个预定时间点的训练冷库湿度值，以及，是否开启除湿器的真实值；训练排列单元，用于将所述多个预定时间点的训练冷库湿度值按照时间维度排列为训练冷库湿度输入向量；训练变化表征单元，用于计算所述训练冷库湿度输入向量中每相邻两个位置的训练冷库湿度值之间的差值以得到训练湿度变化输入向量；训练数据增强单元，用于基于高斯密度图对所述训练冷库湿度输入向量和所述训练湿度变化输入向量进行数据增强以得到训练冷库湿度输入矩阵和训练湿度变化输入矩阵；训练多通道融合单元，用于融合所述训练冷库湿度输入矩阵和所述训练湿度变化输入矩阵以得到训练湿度多通道输入张量；训练特征提取单元，用于将所述训练湿度多通道输入张量通过所述使用空间注意力机制的卷积神经网络模型以得到训练分类特征图；优化单元，用于对于所述训练分类特征图进行类傅里叶尺度域概率修正以得到优化分类特征图；分类损失单元，用于将所述优化分类特征图通过所述分类器以得到分类损失函数值；以及，训练单元，用于基于所述分类损失函数值并通过梯度下降的方向传播来对所述使用空间注意力机制的卷积神经网络模型和所述分类器进行训练。
[0012]在上述智能化的节能冷库制冷系统中，所述优化单元，用于：以如下优化公式对所
述训练分类特征图进行类傅里叶尺度域概率修正以得到优化分类特征图；其中，所述公式为：；其中，是所述训练分类特征图，是所述训练分类特征图的第位置的特征值，和分别是所述训练分类特征图的高度、宽度和通道数，且和为用于尺度调节的超参数，表示指数运算。
[0013]根据本专利技术的另一方面，提供了一种智能化的节能冷库制冷方法，其包括：获取预定时间段内多个预定时间点的冷库湿度值；将所述多个预定时间点的冷库湿度值按照时间维度排列为冷库湿度输入向量；计算所述冷库湿度输入向量中每相邻两个位置的冷库湿度值之间的差值以得到湿度变化输入向量；基于高斯密度图对所述冷库湿度输入向量和所述湿度变化输入向量进行数据增强以得到冷库湿度输入矩阵和湿度变化输入矩阵；融合所述冷库湿度输入矩阵和所述湿度变化输入矩阵以得到湿度多通道输入张量；将所述湿度多通道输入张量通过使用空间注意力机制的卷积神经网络模型以得到分类特征图；以及将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示是否开启除湿器。
[0014]根据本专利技术的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的智能化的节能冷库制冷方法。
[0015]根据本专利技术的又本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种智能化的节能冷库制冷系统，其特征在于，包括：湿度采集单元，用于获取预定时间段内多个预定时间点的冷库湿度值；排列单元，用于将所述多个预定时间点的冷库湿度值按照时间维度排列为冷库湿度输入向量；变化表征单元，用于计算所述冷库湿度输入向量中每相邻两个位置的冷库湿度值之间的差值以得到湿度变化输入向量；数据增强单元，用于基于高斯密度图对所述冷库湿度输入向量和所述湿度变化输入向量进行数据增强以得到冷库湿度输入矩阵和湿度变化输入矩阵；多通道融合单元，用于融合所述冷库湿度输入矩阵和所述湿度变化输入矩阵以得到湿度多通道输入张量；特征提取单元，用于将所述湿度多通道输入张量通过使用空间注意力机制的卷积神经网络模型以得到分类特征图；以及控制结果生成单元，用于将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示是否开启除湿器。2.根据权利要求1所述的智能化的节能冷库制冷系统，其特征在于，所述数据增强单元，包括：高斯密度图构造子单元，用于构造所述冷库湿度输入向量和所述湿度变化输入向量的高斯密度图以得到第一高斯密度图和第二高斯密度图，其中，所述第一高斯密度图的均值向量为所述冷库湿度输入向量，所述第二高斯密度图的均值向量为所述湿度变化输入向量，所述第一高斯密度图的协方差矩阵为所述冷库湿度输入向量中相应两个位置的特征值之间的方差，所述第二高斯密度图的协方差矩阵为所述湿度变化输入向量中相应两个位置的特征值之间的方差；以及高斯离散化子单元，用于对所述第一高斯密度图和所述第二高斯密度图中各个位置的高斯分布进行高斯离散化以得到所述冷库湿度输入矩阵和所述湿度变化输入矩阵。3.根据权利要求2所述的智能化的节能冷库制冷系统，其特征在于，所述多通道融合单元，用于：以如下级联公式来融合所述冷库湿度输入矩阵和所述湿度变化输入矩阵以得到湿度多通道输入张量；其中，所述公式为：；其中，表示所述冷库湿度输入矩阵，表示所述湿度变化输入矩阵，表示级联函数，表示所述湿度多通道输入张量。4. 根据权利要求3所述的智能化的节能冷库制冷系统，其特征在于，所述特征提取单元，包括：深度卷积编码子单元，用于使用所述卷积神经网络模型的各层在层的正向传递中分别对所述湿度多通道输入张量进行卷积处理、基于局部特征矩阵的池化处理和非线性激活处理以由所述卷积神经网络模型的最后一层输出多个初始空间增强特征图；以及空间注意力子单元，用于将所述初始空间增强特征图输入所述卷积神经网络模型的空
间注意力层以得到所述分类特征图。5.根据权利要求4所述的智能化的节能冷库制冷系统，其特征在于，所述控制结果生成单元，包括：展开子单元，用于将所述分类特征图基于行向量或列向量展开为分类特征向量；全连接编码子单元，用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及分类结果生成子单元，用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。6.根据权利要求5所述的智能化的节能冷库制冷系统，其特征在于，还包括用于对所述使用空间注意力机制的卷积神经网络模型和所述分类器进行训练的训练模块；其中，所述训练模块，包括：训练数据获取单元，用于获取训练数据，所述训练数据包括预定时间段内多个预定时间点的训练冷库湿度值，以及，是否开启除湿器的真实值；训练排列单元，用于将所述多个预定时间点的训练冷库湿度值按照时间维度排列为...

【专利技术属性】
技术研发人员：宁丰荣，王永刚，
申请(专利权)人：烟台永诚制冷科技有限公司，
类型：发明
国别省市：