冷柜内部环境检测与控制方法及系统与流程

1.本发明涉及冷柜技术领域，尤其涉及一种冷柜内部环境检测与控制方法及系统。


背景技术：

2.在相关技术中，冷柜的制冷功率可自动或手动调整，然而，手动调整制冷功率的方式通常使制冷功率保持不变，如果制冷功率调整不准确可能造成冷柜内的物品无法保鲜，或者制冷功率过高，浪费大量电力。自动调整的方式通常需实时测量冷柜内的温度，在温度较高时增大制冷功率，温度下降至设定的温度时，降低制冷功率，然而，自动调整的方式可能使得制冷功率调整过于频繁，易损坏制冷设备，且无法预测冷柜内的温度趋势，在温度变化速度较快时无法做到及时预判，导致温度调节效率较低，对于冷柜内物品的保鲜造成不利影响。


技术实现要素：

3.本发明实施例提供一种冷柜内部环境检测与控制方法及系统，能够在预测的温度偏离预设温度阈值时及时调整制冷功率，降低物品无法保鲜的概率，并使得冷柜的制冷设备能够在较长时间内平稳运行，减小损坏制冷设备的概率，提升冷柜的使用寿命。
4.根据本发明的实施例的第一方面，提供一种冷柜内部环境检测与控制方法,包括：在第i个检测周期的多个时刻，通过冷柜内设置的温度传感器获得每个时刻的温度数据，其中，i为大于1的正整数；根据第i-1个检测周期的历史温度数据、第i个检测周期的温度数据以及温度预测模型，对第i个检测周期的温度进行预测，获得第i个检测周期的预测温度数据；根据多次预测获得的第i个检测周期的预测温度数据、第i个检测周期的温度数据，以及第i-1个检测周期的历史温度数据和第i个检测周期的温度数据，确定温度预测模型是否需要训练；在所述温度预测模型需要训练的情况下，根据第i个检测周期的温度数据和所述第i个检测周期的预测温度数据，对所述温度预测模型进行训练，获得训练后的温度预测模型；在第i+1个检测周期中，获得预设数量的时刻的温度数据，其中，所述预设数量少于各个检测周期中的时刻数量；根据第i+1个检测周期中获得的预设数量的时刻的温度数据，以及第i个检测周期的温度数据，通过训练后的温度预测模型对第i+1个检测周期的结束时刻的温度进行预测，获得第i+1个检测周期的结束时刻的预测温度数据；根据所述第i+1个检测周期的结束时刻的预测温度数据和预设温度阈值，确定所述冷柜的制冷功率是否需要调整；在冷柜的制冷功率需要调整的情况下，根据所述第i+1个检测周期的结束时刻的预测温度数据和预设温度阈值，调整所述冷柜的制冷功率。
5.根据本发明的一个实施例，根据第i-1个检测周期的历史温度数据、第i个检测周期的温度数据以及温度预测模型，对第i个检测周期的结束时刻的温度进行预测，获得第i个检测周期的预测温度数据，包括：根据第i个检测周期的第1个温度数据，以及第i-1个检测周期的第n-m+2至第n个历史温度数据，通过温度预测模型对第i个检测周期的第1个温度数据之后的温度数据进行预测，获得第i个检测周期的第2至第n个第1个批次的预测温度数据，其中，m为温度预测模型的输入数据的数量，n为每个检测周期的时刻数量，m和n为正整数；根据第i个检测周期的第1至第2个温度数据，以及第i-1个检测周期的第n-m+3至第n个历史温度数据，通过温度预测模型对第i个检测周期的第2个温度数据之后的温度数据进行预测，获得第i个检测周期的第3至第n个第2个批次的预测温度数据；根据第i个检测周期的第1至第k个温度数据，以及第i-1个检测周期的第n-m+k+1至第n个历史温度数据，通过温度预测模型对第i个检测周期的第k个温度数据之后的温度数据进行预测，获得第i个检测周期的第k+1至第n个第k个批次的预测温度数据，其中，k为小于n的正整数。
6.根据本发明的一个实施例，根据多次预测获得的第i个检测周期的预测温度数据、第i个检测周期的温度数据，以及第i-1个检测周期的历史温度数据和第i个检测周期的温度数据，确定温度预测模型是否需要训练，包括：在多个批次的预测温度数据中，获得各个批次的第n个预测温度数据；分别确定各个批次的第n个预测温度数据与第i个检测周期的第n个温度数据之间的第一误差；确定使所述第一误差小于或等于误差阈值的最小批次；在所述最小批次大于或等于预设的批次阈值的情况下，确定所述温度预测模型需要训练。
7.根据本发明的一个实施例，在所述温度预测模型需要训练的情况下，根据第i个检测周期的温度数据和所述第i个检测周期的预测温度数据，对所述温度预测模型进行训练，获得已训练的温度预测模型，包括：根据各个批次的预测温度数据，以及第i个检测周期的温度数据，获得每个批次的批次损失函数；根据所述批次损失函数、所述批次损失函数对应的批次数，以及所述批次阈值，确定所述温度预测模型的损失函数；根据所述温度预测模型的损失函数对所述温度预测模型进行训练，获得所述训练后的温度预测模型。
8.根据本发明的一个实施例，根据各个批次的预测温度数据，以及第i个检测周期的温度数据，获得每个批次的批次损失函数，包括：根据公式确定第k个批次的批次损失函数，其中，为第i个检测周期的第k个批次的第j个时刻的预测温度数据，为第i个检测周期的第j个时刻的温度数据。
9.根据本发明的一个实施例，根据所述批次损失函数、所述批次损失函数对应的批
次数，以及所述批次阈值，确定所述温度预测模型的损失函数，包括：根据公式确定所述温度预测模型的损失函数，其中，m为批次总数，为批次阈值，k≤m，m＜n，且k和m均为正整数。
10.根据本发明的一个实施例，在冷柜的制冷功率需要调整的情况下，根据所述第i+1个检测周期的结束时刻的预测温度数据和预设温度阈值，调整所述冷柜的制冷功率，包括：根据公式确定冷柜的制冷功率调整量，其中，为所述第i+1个检测周期的结束时刻的预测温度数据，为预设温度阈值，为第i个检测周期中冷柜的制冷功率，为能量效率。
11.根据本发明的实施例的第二方面，提供一种冷柜内部环境检测与控制系统，包括：第一实测模块，用于在第i个检测周期的多个时刻，通过冷柜内设置的温度传感器获得每个时刻的温度数据，其中，i为大于1的正整数；第一预测模块，用于根据第i-1个检测周期的历史温度数据、第i个检测周期的温度数据以及温度预测模型，对第i个检测周期的温度进行预测，获得第i个检测周期的预测温度数据；第一判断模块，用于根据多次预测获得的第i个检测周期的预测温度数据、第i个检测周期的温度数据，以及第i-1个检测周期的历史温度数据和第i个检测周期的温度数据，确定温度预测模型是否需要训练；训练模块，用于在所述温度预测模型需要训练的情况下，根据第i个检测周期的温度数据和所述第i个检测周期的预测温度数据，对所述温度预测模型进行训练，获得训练后的温度预测模型；第二实测模块，用于在第i+1个检测周期中，获得预设数量的时刻的温度数据，其中，所述预设数量少于各个检测周期中的时刻数量；第二预测模块，用于根据第i+1个检测周期中获得的预设数量的时刻的温度数据，以及第i个检测周期的温度数据，通过训练后的温度预测模型对第i+1个检测周期的结束时刻的温度进行预测，获得第i+1个检测周期的结束时刻的预测温度数据；第二判断模块，用于根据所述第i+1个检测周期的结束时刻的预测温度数据和预设温度阈值，确定所述冷柜的制冷功率是否需要调整；调整模块，用于在冷柜的制冷功率需要调整的情况下，根据所述第i+1个检测周期的结束时刻的预测温度数据和预设温度阈值，调整所述冷柜的制冷功率。
12.根据本发明的一个实施例，所述第一预测模块进一步用于：根据第i个检测周期的第1个温度数据，以及第i-1个检测周期的第n-m+2至第n个历史温度数据，通过温度预测模型对第i个检测周期的第1个温度数据之后的温度数据进行预测，获得第i个检测周期的第2
至第n个第1个批次的预测温度数据，其中，m为温度预测模型的输入数据的数量，n为每个检测周期的时刻数量，m和n为正整数；根据第i个检测周期的第1至第2个温度数据，以及第i-1个检测周期的第n-m+3至第n个历史温度数据，通过温度预测模型对第i个检测周期的第2个温度数据之后的温度数据进行预测，获得第i个检测周期的第3至第n个第2个批次的预测温度数据；根据第i个检测周期的第1至第k个温度数据，以及第i-1个检测周期的第n-m+k+1至第n个历史温度数据，通过温度预测模型对第i个检测周期的第k个温度数据之后的温度数据进行预测，获得第i个检测周期的第k+1至第n个第k个批次的预测温度数据，其中，k为小于n的正整数。
13.根据本发明的一个实施例，所述第一判断模块进一步用于：在多个批次的预测温度数据中，获得各个批次的第n个预测温度数据；分别确定各个批次的第n个预测温度数据与第i个检测周期的第n个温度数据之间的第一误差；确定使所述第一误差小于或等于误差阈值的最小批次；在所述最小批次大于或等于预设的批次阈值的情况下，确定所述温度预测模型需要训练。
14.根据本发明的一个实施例，所述训练模块进一步用于：根据各个批次的预测温度数据，以及第i个检测周期的温度数据，获得每个批次的批次损失函数；根据所述批次损失函数、所述批次损失函数对应的批次数，以及所述批次阈值，确定所述温度预测模型的损失函数；根据所述温度预测模型的损失函数对所述温度预测模型进行训练，获得所述训练后的温度预测模型。
15.根据本发明的一个实施例，所述训练模块进一步用于：根据公式
16.确定第k个批次的批次损失函数，其中，为第i个检测周期的第k个批次的第j个时刻的预测温度数据，为第i个检测周期的第j个时刻的温度数据。
17.根据本发明的一个实施例，所述训练模块进一步用于：根据公式
18.确定所述温度预测模型的损失函数，其中，m为批次总数，为批次阈值，k
≤m，m＜n，且k和m均为正整数。
19.根据本发明的一个实施例，所述调整模块进一步用于：根据公式
20.确定冷柜的制冷功率调整量，其中，为所述第i+1个检测周期的结束时刻的预测温度数据，为预设温度阈值，为第i个检测周期中冷柜的制冷功率，为能量效率。
21.根据本发明的实施例的第三方面，提供一种冷柜内部环境检测与控制设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行所述冷柜内部环境检测与控制方法。
22.根据本发明的实施例的第四方面，提供一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现所述冷柜内部环境检测与控制方法。
23.应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本发明。根据下面参考附图对示例性实施例的详细说明，本发明的其它特征及方面将更清楚。
附图说明
24.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的实施例，图1示例性地示出根据本发明实施例的冷柜内部环境检测与控制方法的流程示意图；图2示例性地示出根据本发明实施例的冷柜内部环境检测与控制系统的示意图。
具体实施方式
25.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
26.下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
27.图1示例性地示出根据本发明实施例的冷柜内部环境检测与控制方法的流程示意图，如图1所示，所述方法包括：步骤s101，在第i个检测周期的多个时刻，通过冷柜内设置的温度传感器获得每个
时刻的温度数据，其中，i为大于1的正整数；步骤s102，根据第i-1个检测周期的历史温度数据、第i个检测周期的温度数据以及温度预测模型，对第i个检测周期的温度进行预测，获得第i个检测周期的预测温度数据；步骤s103，根据多次预测获得的第i个检测周期的预测温度数据、第i个检测周期的温度数据，以及第i-1个检测周期的历史温度数据和第i个检测周期的温度数据，确定温度预测模型是否需要训练；步骤s104，在所述温度预测模型需要训练的情况下，根据第i个检测周期的温度数据和所述第i个检测周期的预测温度数据，对所述温度预测模型进行训练，获得训练后的温度预测模型；步骤s105，在第i+1个检测周期中，获得预设数量的时刻的温度数据，其中，所述预设数量少于各个检测周期中的时刻数量；步骤s106，根据第i+1个检测周期中获得的预设数量的时刻的温度数据，以及第i个检测周期的温度数据，通过训练后的温度预测模型对第i+1个检测周期的结束时刻的温度进行预测，获得第i+1个检测周期的结束时刻的预测温度数据；步骤s107，根据所述第i+1个检测周期的结束时刻的预测温度数据和预设温度阈值，确定所述冷柜的制冷功率是否需要调整；步骤s108，在冷柜的制冷功率需要调整的情况下，根据所述第i+1个检测周期的结束时刻的预测温度数据和预设温度阈值，调整所述冷柜的制冷功率。
28.根据本发明的实施例的冷柜内部环境检测与控制方法，可通过各个检测周期检测到的温度数据和温度预测模型来预测未来的温度趋势，从而自动控制制冷功率及自动调节温度，使得冷柜内物品能够保鲜，且减少电力浪费。并且，可通过各个检测周期的温度数据及时确定温度预测模型的精度是否足够，并在精度不足的情况下训练温度预测模型，使温度预测模型能够准确预测未来的温度，并在预测的温度偏离预设温度阈值时及时调整制冷功率，降低物品无法保鲜的概率，并且，制冷功率的调节频率较低，每个检测周期最多调节一次，使得冷柜的制冷设备能够在较长时间内平稳运行，减小损坏制冷设备的概率，提升冷柜的使用寿命。
29.根据本发明的一个实施例，在步骤s101中，冷柜内可设置温度传感器，可用于检测冷柜内部的温度数据。检测周期的时长可设置为1日、12小时、6小时、3小时等，本发明对检测周期的时长不做限制，检测周期内可设置多个获取温度数据的时刻，每个时刻之间的时间间隔可设置为1分钟，5分钟，10分钟，15分钟等，本发明对每个时刻之间的时间间隔不做限制。
30.根据本发明的一个实施例，在步骤s102中，温度预测模型可以是神经网络模型，本发明对温度预测模型的具体类型不做限制。可向温度预测模型中输入预设数量的温度数据，即，历史上多个时刻的温度数据，并通过温度预测模型的计算，预测未来多个时刻的温度数据。
31.根据本发明的一个实施例，步骤s102可包括：根据第i个检测周期的第1个温度数据，以及第i-1个检测周期的第n-m+2至第n个历史温度数据，通过温度预测模型对第i个检测周期的第1个温度数据之后的温度数据进行预测，获得第i个检测周期的第2至第n个第1个批次的预测温度数据，其中，m为温度预测模型的输入数据的数量，n为每个检测周期的时
刻数量，m和n为正整数；根据第i个检测周期的第1至第2个温度数据，以及第i-1个检测周期的第n-m+3至第n个历史温度数据，通过温度预测模型对第i个检测周期的第2个温度数据之后的温度数据进行预测，获得第i个检测周期的第3至第n个第2个批次的预测温度数据；根据第i个检测周期的第1至第k个温度数据，以及第i-1个检测周期的第n-m+k+1至第n个历史温度数据，通过温度预测模型对第i个检测周期的第k个温度数据之后的温度数据进行预测，获得第i个检测周期的第k+1至第n个第k个批次的预测温度数据，其中，k为小于n的正整数。
32.根据本发明的一个实施例，所述温度预测模型的输入的数量为m个，可向温度预测模型输入连续m个时刻的实测的温度数据，从而获得未来多个时刻的预测温度数据。
33.在示例中，第i-1个检测周期的第n-m+2至第n个历史温度数据，以及第i个检测周期的第1个温度数据均为实测的温度数据，且这些实测的温度数据为连续m个时刻的实测的温度数据，将这些实测的温度数据输入温度预测模型后，可获得未来多个时刻的预测温度数据，例如，可获得未来的温度趋势函数，并可在未来的温度趋势函数中确定第i个检测周期的第2至n个时刻的第1个批次的预测温度数据，这些温度数据相对于第i-1个检测周期的第n-m+2至第n个历史温度数据，以及第i个检测周期的第1个温度数据为未来的预测温度数据，这些未来的预测温度数据和实测的温度数据之间可存在误差，未来的预测温度数据的数量可以是更多个，在确定温度预测模型的精度时，可仅取第i个检测周期的时间段之内的未来的预测温度数据，即，第i个检测周期的第2至n个时刻的第1个批次的预测温度数据，共n-1个预测温度数据。
34.在示例中，相对于以上获取第1个批次的预测温度数据时的输入数据，在确定第2个批次的预测温度数据时，可将实测数据向后挪动1位，即，使用第i个检测周期的第1至第2个温度数据，以及第i-1个检测周期的第n-m+3至第n个历史温度数据，作为温度预测模型的连续m个时刻的实测温度数据，从而通过温度预测模型获得未来的温度趋势函数，并可在未来的温度趋势函数中确定第i个检测周期的第3至第n个第2个批次的预测温度数据。相对于第i个检测周期的第1至第2个温度数据，以及第i-1个检测周期的第n-m+3至第n个历史温度数据，第i个检测周期的第3至第n个第2个批次的预测温度数据为未来的预测温度数据，这些未来的预测温度数据和实测的温度数据之间可存在误差，未来的预测温度数据的数量可以是更多个，在确定温度预测模型的精度时，可仅取第i个检测周期的时间段之内的未来的预测温度数据，即，第i个检测周期的第3至n个时刻的第2个批次的预测温度数据，共n-2个预测温度数据。
35.在示例中，一般地，可取第i个检测周期的第1至第k个温度数据，以及第i-1个检测周期的第n-m+k+1至第n个历史温度数据，作为输入温度预测模型的连续m个时刻的实测的温度数据，从而通过温度预测模型获得未来的温度趋势函数，并可在未来的温度趋势函数中确定第i个检测周期的第k+1至第n个第k个批次的预测温度数据。相对于第i个检测周期的第1至第k个温度数据，以及第i-1个检测周期的第n-m+k+1至第n个历史温度数据，第i个检测周期的第k+1至第n个第k个批次的预测温度数据为未来的预测温度数据，这些未来的预测温度数据和实测的温度数据之间可存在误差，未来的预测温度数据的数量可以是更多个，在确定温度预测模型的精度时，可仅取第i个检测周期的时间段之内的未来的预测温度数据，即，第i个检测周期的第k+1至第n个第k个批次的预测温度数据，共n-k个预测温度数
据。
36.根据本发明的一个实施例，在步骤s103中，在获得以上各个批次的预测温度数据后，可基于各个批次的预测温度数据来确定温度预测模型的精度是否符合要求，如果不符合要求，则确定温度预测模型需要训练。在示例中，可基于各个批次的预测温度数据和第i个检测周期的温度数据（即，实测的温度数据）之间的误差来确定温度预测模型的精度是否符合要求。然而，预测出温度数据的批次越靠后，即，与第i个检测周期的最后一个时刻越接近，则预测温度数据的误差通常越小。由于在预测过程中，预测温度数据对应的时刻与输入温度预测模型的实测的温度数据对应的时刻之间的时间差越小，则往往预测温度数据的误差越小，预测结果越准确，反之，与预测温度数据对应的时刻与输入温度预测模型的实测的温度数据对应的时刻之间的时间差越大，则往往预测温度数据的误差越大，预测结果越不准确，因此，仅使用预测温度数据和实测温度数据之间的误差来确定温度预测模型，通常仅可获得的批次越大（即，输入温度预测模型的实测的温度数据对应的时刻越晚，与第i个检测周期的最后一个时刻越接近），则数据误差越小，温度预测模型的精度越高的结论。而仅使用这样的结论，难以确定温度预测模型预测较远的时间段之后的预测温度数据的精度，即，难以确定温度预测模型在预测与输入的温度数据对应的时刻的时间差距较大的未来时刻的预测温度数据时，能否保持较高的精度。
37.根据本发明的一个实施例，为克服以上问题，可使用以下步骤来确定温度预测模型在预测与输入的温度数据对应的时刻的时间差距较大的未来时刻的预测温度数据时，能否保持较高的精度。步骤s103可包括：在多个批次的预测温度数据中，获得各个批次的第n个预测温度数据；分别确定各个批次的第n个预测温度数据与第i个检测周期的第n个温度数据之间的第一误差；确定使所述第一误差小于或等于误差阈值的最小批次；在所述最小批次大于或等于预设的批次阈值的情况下，确定所述温度预测模型需要训练。
38.根据本发明的一个实施例，由于各个批次的预测温度数据均为对第i个检测周期内的各个时刻的温度数据的预测值，第i个检测周期内与输入的实测温度数据对应的时刻之间的时间差距最大的时刻即为第i个检测周期的最后一个时刻，即，第n个时刻，可利用各个批次的第n个预测温度数据与第i个检测周期的第n个时刻的温度数据（实测的第n个时刻的温度数据）之间的误差来判断温度预测模型在预测与输入的温度数据对应的时刻的时间差距较大的未来时刻的预测温度数据时，能否保持较高的精度。
39.根据本发明的一个实施例，各个批次的第n个预测温度数据均可能与实测的第n个时刻的温度数据之间存在误差，且批次越大（输入的实测温度数据对应的时刻与第n个时刻之间的时间差距越小），则通常误差越小。可分别确定各个批次第n个预测温度数据与实测的第n个时刻的温度数据之间的第一误差，第一误差通常随批次增大而减小。
40.根据本发明的一个实施例，可确定使第一误差小于或等于误差阈值的最小批次，如果该最小批次较大（例如，大于或等于预设的批次阈值），即，输入的实测温度数据对应的时刻与第n个时刻之间的时间差距较小，则说明温度预测模型仅可针对与输入的实测温度数据对应的时刻的时间差距较小的未来时刻（即，较近的未来时刻），获得的预测温度数据保持较高精度，而对于与输入的实测温度数据对应的时刻的时间差距较大的未来时刻（即，较远的未来时刻），获得的预测温度数据则无法保持较高的精度，则可确定温度预测模型需要训练。反之，如果最小批次小于预设的批次阈值，则可确定温度预测模型不需要训练。
41.通过这种方式，可通过批次数据来确定温度预测模型能否在预测较远的未来时刻的预测温度数据时保持较高的精度，从而能够客观且准确地确定温度预测模型是否需要训练。
42.根据本发明的一个实施例，如果温度预测模型不需要训练，则可继续使用温度预测模型预测第i+1个检测周期内的预测温度数据。如果温度预测模型需要训练，则在步骤s104中，基于以上确定的多个批次的预测温度数据，以及第i个检测周期的温度数据进行训练。
43.根据本发明的一个实施例，步骤s104可包括：根据各个批次的预测温度数据，以及第i个检测周期的温度数据，获得每个批次的批次损失函数；根据所述批次损失函数、所述批次损失函数对应的批次数，以及所述批次阈值，确定所述温度预测模型的损失函数；根据所述温度预测模型的损失函数对所述温度预测模型进行训练，获得所述训练后的温度预测模型。
44.根据本发明的一个实施例，在训练过程中，每个批次的预测温度数据与实测温度数据之间均可能存在误差，因此，可确定每个批次的批次损失函数。根据各个批次的预测温度数据，以及第i个检测周期的温度数据，获得每个批次的批次损失函数，包括：根据公式（1），确定第k个批次的批次损失函数，
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（1）其中，为第i个检测周期的第k个批次的第j个时刻的预测温度数据，为第i个检测周期的第j个时刻的温度数据。
45.根据本发明的一个实施例，为预测温度数据与实测温度数据之间的误差，为误差的幅值。并且，为在训练过程中，使温度预测模型能够对较远的未来时刻的温度数据进行准确预测，可增大较远的未来时刻对应的误差的权值，从而对于较远的未来时刻的误差增大训练力度，例如，权值可设为，即，时刻数越大，与输入的实测数据对应的时刻之间的时间差距越大，则权值越大，在训练过程中的训练力度越大。进一步地，由于每个批次的预测温度数据的数量不同，因此，可通过对各个时刻的误差的幅值进行加权求和后，再求解平均值，从而获得互相之间具有可比性的各个批次的批次损失函数。
46.通过这种方式，可通过对预测温度数据与实测温度数据之间的误差设置权值的方式，增大对于较远的未来时刻的误差的训练力度，使得使温度预测模型能够对较远的未来时刻的温度数据进行准确预测，提升温度预测模型的性能。
47.根据本发明的一个实施例，在获得各个批次的批次损失函数后，可根据所述批次损失函数、所述批次损失函数对应的批次数，以及所述批次阈值，确定所述温度预测模型的损失函数，该步骤包括：根据公式（2）确定所述温度预测模型的损失函数，
ꢀꢀꢀꢀ
（2）其中，m为批次总数，为批次阈值，k≤m，m＜n，且k和m均为正整数。
48.根据本发明的一个实施例，由于需要训练温度预测模型，使其能够对较远的未来时刻的温度数据进行准确预测，且批次越小，则输入的实测数据对应的时刻与未来时刻之间的时间差距越大，因此，可对批次数较小的批次损失函数赋予较高的权值，即，使用或作为每个批次的批次损失函数的权值。并且，在训练过程中，由于批次数小于上述批次阈值的批次损失函数的函数值通常较大（即，批次越小，误差越大），且批次较小的批次损失函数对于使温度预测模型能够准确预测较远的未来时刻的温度数据具有更重要的意义，因此，为提升训练效率，以及为了提升批次较小的批次损失函数的重要性，可对于批次数小于或等于上述批次阈值的批次损失函数可赋予较高的权值，即，使用作为批次数小于或等于上述批次阈值的批次损失函数的权值，从而可在训练过程中，使批次较小的批次损失函数迅速减小，即，使批次较小的预测温度数据的误差迅速减小，从而以更高的效率提升温度预测模型预测较远的未来时刻的温度数据的准确性。对于批次数大于批次阈值的批次损失函数，则可赋予较低的权值，即，使用作为批次数大于上述批次阈值的批次损失函数的权值，以进一步提升温度预测模型的准确性。
49.通过这种方式，可为批次数较小的批次损失函数赋予较高的权值，且对于批次数小于或等于批次阈值的批次损失函数的权值相对更高，可使批次较小的批次损失函数迅速减小，从而以更高的效率提升温度预测模型预测较远的未来时刻的温度数据的准确性。
50.根据本发明的一个实施例，可通过以上损失函数调整温度预测模型的参数，并且，以上训练过程可执行多次。例如，在第2次执行时，可使用实测的历史温度数据预测第1个批次的第i个检测周期的第1至第n-1个预测温度数据，第2个批次的第2至第n-1个预测温度数据等，并利用以上预测温度数据与第i个检测周期的第1至第n-1个实测的温度数据之间的误差获得损失函数，并进行训练。在第3次执行时，可使用实测的历史温度数据预测第1个批次的第i-1个检测周期的第n个预测温度数据，以及第i个检测周期的第1至第n-2个预测温度数据，第2个批次的第i个检测周期的第1至第n-2个预测温度数据等，并利用以上预测温度数据与第i个检测周期的第1至第n-2个实测的温度数据以及第i-1个周期的实测的温度数据之间的误差获得损失函数，并进行训练。以此类推，可进行多次训练。并在训练次数符合训练要求，或者使用温度预测模型进行测试时的测试精度符合训练要求时，完成训练，得
到训练后的温度预测模型。
51.根据本发明的一个实施例，在训练完成获得训练后的温度预测模型后，可用训练后的温度预测模型来预测第i+1个检测周期的结束时刻（即，第i+1个检测周期的第n个时刻）的预测温度数据。在步骤s105中，可基于训练后的温度预测模型的精度来确定在第i+1个检测周期中实测的温度数据的数量。
52.在示例中，如果在训练后的温度预测模型的测试过程中，可确定使用第i个检测周期的第1个温度数据，以及第i-1个检测周期的第n-m+2至第n个历史温度数据，预测得到的第i个检测周期的第n个时刻的预测温度数据的误差小于或等于误差阈值，则可认为温度预测模型可准确预测n-1个时刻之后的温度数据，因此，所述预设数量可设为1，即，可在第i+1个检测周期中实测得到第1个时刻的温度数据，并将第i个检测周期的第n-m+2至第n个温度数据，以及第i+1个检测周期的第1个时刻的温度数据，输入训练后的温度预测模型，得到准确性较高的第i+1个检测周期的结束时刻的预测温度数据。
53.在示例中，如果在训练后的温度预测模型的测试过程中，可确定使用第i个检测周期的第1至第2个温度数据，以及第i-1个检测周期的第n-m+3至第n个历史温度数据，预测得到的第i个检测周期的第n个时刻的预测温度数据的误差小于或等于误差阈值，则可认为温度预测模型可准确预测n-2个时刻之后的温度数据，因此，所述预设数量可设为2，即，可在第i+1个检测周期中实测得到第1至第2个时刻的温度数据，并将第i个检测周期的第n-m+3至第n个温度数据，以及第i+1个检测周期的第1至第2个时刻的温度数据，输入训练后的温度预测模型，得到准确性较高的第i+1个检测周期的结束时刻的预测温度数据。
54.根据本发明的一个实施例，因此，如以上所述，可基于温度预测模型的精度确定第i+1个检测周期中实测的温度数据的数量，并在步骤s106中基于第i+1个检测周期中实测的温度数据和第i个检测周期的温度数据来预测第i+1个检测周期的结束时刻的预测温度数据，从而在第i+1个检测周期的开始阶段即可准确预测第i+1个检测周期的结束时刻的预测温度数据，进而可及时确定制冷功率是否需要调整，降低物品无法保鲜的概率。
55.根据本发明的一个实施例，在步骤s107中，可基于第i+1个检测周期的结束时刻的预测温度数据和预设温度阈值，来确定冷柜的制冷功率是否需要调整，如果需要调整，则可按照以下调整方向进行调整。如果第i+1个检测周期的结束时刻的预测温度数据高于预设温度阈值的差距大于或等于偏差阈值，则可增大制冷功率，如果第i+1个检测周期的结束时刻的预测温度数据低于预设温度阈值的差距大于或等于偏差阈值，则可减小制冷功率，如果第i+1个检测周期的结束时刻的预测温度数据与预设温度阈值的差距小于偏差阈值，则可使制冷功率保持不变。
56.根据本发明的一个实施例，在步骤s108中，如果需要调整制冷功率，则可基于第i+1个检测周期的结束时刻的预测温度数据和预设温度阈值，调整冷柜的制冷功率。
57.根据本发明的一个实施例，步骤s108可包括：根据公式（3），确定冷柜的制冷功率调整量，
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（3）
其中，为所述第i+1个检测周期的结束时刻的预测温度数据，为人工设定的预设温度阈值，例如，可以是使冷柜内的货物能够保鲜的温度，为第i个检测周期中冷柜的制冷功率，为能量效率。
58.根据本发明的一个实施例，在公式（3）中，可表示第i+1个检测周期的结束时刻的预测温度数据与温度阈值的偏差比例，该偏差比例与第i个检测周期中冷柜的制冷功率的乘积可表示以第i个检测周期中冷柜的制冷功率为基准进行调整的调整幅度，并且，在调整过程中，还可除以能量效率，以表示按照以上确定的温度偏差比例进行调整，所需的制冷功率调整的幅度。
59.根据本发明的一个实施例，以上公式（3）可用于确定制冷功率的调整量，并可按照上述调整方向对冷柜的制冷功率进行调整，得到第i+1个制冷周期的制冷功率。从而可及时调整制冷功率，降低物品无法保鲜的概率。
60.根据本发明的实施例的冷柜内部环境检测与控制方法，可通过各个检测周期检测到的温度数据和温度预测模型来预测未来的温度趋势，从而自动控制制冷功率及自动调节温度，使得冷柜内物品能够保鲜，且减少电力浪费。并且，可通过各个检测周期的温度数据及时确定温度预测模型的精度是否足够，并在精度不足的情况下训练温度预测模型，使温度预测模型能够准确预测未来的温度，并在预测的温度偏离预设温度阈值时及时调整制冷功率，降低物品无法保鲜的概率，并且，制冷功率的调节频率较低，每个检测周期最多调节一次，使得冷柜的制冷设备能够在较长时间内平稳运行，减小损坏制冷设备的概率，提升冷柜的使用寿命。在判断温度预测模型的精度是否足够时，可通过批次数据来确定温度预测模型能否在预测较远的未来时刻的预测温度数据时保持较高的精度，从而能够客观且准确地确定温度预测模型的精度是否足够。在训练过程中，可在批次损失函数中，通过对预测温度数据与实测温度数据之间的误差设置权值的方式，增大对于较远的未来时刻的误差的训练力度，使得使温度预测模型能够对较远的未来时刻的温度数据进行准确预测，提升温度预测模型的性能。并可为批次数较小的批次损失函数赋予较高的权值，且对于批次数小于或等于批次阈值的批次损失函数的权值相对更高，可使批次较小的批次损失函数迅速减小，从而以更高的效率提升温度预测模型预测较远的未来时刻的温度数据的准确性。
61.图2示例性地示出根据本发明实施例的冷柜内部环境检测与控制系统的示意图，如图2所示，所述系统包括：第一实测模块101，用于在第i个检测周期的多个时刻，通过冷柜内设置的温度传感器获得每个时刻的温度数据，其中，i为大于1的正整数；第一预测模块102，用于根据第i-1个检测周期的历史温度数据、第i个检测周期的温度数据以及温度预测模型，对第i个检测周期的温度进行预测，获得第i个检测周期的预测温度数据；第一判断模块103，用于根据多次预测获得的第i个检测周期的预测温度数据、第i个检测周期的温度数据，以及第i-1个检测周期的历史温度数据和第i个检测周期的温度数据，确定温度预测模型是否需要训练；
训练模块104，用于在所述温度预测模型需要训练的情况下，根据第i个检测周期的温度数据和所述第i个检测周期的预测温度数据，对所述温度预测模型进行训练，获得训练后的温度预测模型；第二实测模块105，用于在第i+1个检测周期中，获得预设数量的时刻的温度数据，其中，所述预设数量少于各个检测周期中的时刻数量；第二预测模块106，用于根据第i+1个检测周期中获得的预设数量的时刻的温度数据，以及第i个检测周期的温度数据，通过训练后的温度预测模型对第i+1个检测周期的结束时刻的温度进行预测，获得第i+1个检测周期的结束时刻的预测温度数据；第二判断模块107，用于根据所述第i+1个检测周期的结束时刻的预测温度数据和预设温度阈值，确定所述冷柜的制冷功率是否需要调整；调整模块108，用于在冷柜的制冷功率需要调整的情况下，根据所述第i+1个检测周期的结束时刻的预测温度数据和预设温度阈值，调整所述冷柜的制冷功率。
62.根据本发明的一个实施例，所述第一预测模块进一步用于：根据第i个检测周期的第1个温度数据，以及第i-1个检测周期的第n-m+2至第n个历史温度数据，通过温度预测模型对第i个检测周期的第1个温度数据之后的温度数据进行预测，获得第i个检测周期的第2至第n个第1个批次的预测温度数据，其中，m为温度预测模型的输入数据的数量，n为每个检测周期的时刻数量，m和n为正整数；根据第i个检测周期的第1至第2个温度数据，以及第i-1个检测周期的第n-m+3至第n个历史温度数据，通过温度预测模型对第i个检测周期的第2个温度数据之后的温度数据进行预测，获得第i个检测周期的第3至第n个第2个批次的预测温度数据；根据第i个检测周期的第1至第k个温度数据，以及第i-1个检测周期的第n-m+k+1至第n个历史温度数据，通过温度预测模型对第i个检测周期的第k个温度数据之后的温度数据进行预测，获得第i个检测周期的第k+1至第n个第k个批次的预测温度数据，其中，k为小于n的正整数。
63.根据本发明的一个实施例，所述第一判断模块进一步用于：在多个批次的预测温度数据中，获得各个批次的第n个预测温度数据；分别确定各个批次的第n个预测温度数据与第i个检测周期的第n个温度数据之间的第一误差；确定使所述第一误差小于或等于误差阈值的最小批次；在所述最小批次大于或等于预设的批次阈值的情况下，确定所述温度预测模型需要训练。
64.根据本发明的一个实施例，所述训练模块进一步用于：根据各个批次的预测温度数据，以及第i个检测周期的温度数据，获得每个批次的批次损失函数；根据所述批次损失函数、所述批次损失函数对应的批次数，以及所述批次阈值，确定所述温度预测模型的损失函数；根据所述温度预测模型的损失函数对所述温度预测模型进行训练，获得所述训练后的温度预测模型。
65.根据本发明的一个实施例，所述训练模块进一步用于：
根据公式
66.确定第k个批次的批次损失函数，其中，为第i个检测周期的第k个批次的第j个时刻的预测温度数据，为第i个检测周期的第j个时刻的温度数据。
67.根据本发明的一个实施例，所述训练模块进一步用于：根据公式
68.确定所述温度预测模型的损失函数，其中，m为批次总数，为批次阈值，k≤m，m＜n，且k和m均为正整数。
69.根据本发明的一个实施例，所述调整模块进一步用于：根据公式
70.确定冷柜的制冷功率调整量，其中，为所述第i+1个检测周期的结束时刻的预测温度数据， 为人工设定的预设温度阈值，例如，可以是使冷柜内的货物能够保鲜的温度，为第i个检测周期中冷柜的制冷功率，为能量效率。
71.根据本发明的一个实施例，提供一种冷柜内部环境检测与控制设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行所述冷柜内部环境检测与控制方法。

技术特征：
1.一种冷柜内部环境检测与控制方法，其特征在于，包括：在第i个检测周期的多个时刻，通过冷柜内设置的温度传感器获得每个时刻的温度数据，其中，i为大于1的正整数；根据第i-1个检测周期的历史温度数据、第i个检测周期的温度数据以及温度预测模型，对第i个检测周期的温度进行预测，获得第i个检测周期的预测温度数据；根据多次预测获得的第i个检测周期的预测温度数据、第i个检测周期的温度数据，以及第i-1个检测周期的历史温度数据和第i个检测周期的温度数据，确定温度预测模型是否需要训练；在所述温度预测模型需要训练的情况下，根据第i个检测周期的温度数据和所述第i个检测周期的预测温度数据，对所述温度预测模型进行训练，获得训练后的温度预测模型；在第i+1个检测周期中，获得预设数量的时刻的温度数据，其中，所述预设数量少于各个检测周期中的时刻数量；根据第i+1个检测周期中获得的预设数量的时刻的温度数据，以及第i个检测周期的温度数据，通过训练后的温度预测模型对第i+1个检测周期的结束时刻的温度进行预测，获得第i+1个检测周期的结束时刻的预测温度数据；根据所述第i+1个检测周期的结束时刻的预测温度数据和预设温度阈值，确定所述冷柜的制冷功率是否需要调整；在冷柜的制冷功率需要调整的情况下，根据所述第i+1个检测周期的结束时刻的预测温度数据和预设温度阈值，调整所述冷柜的制冷功率。2.根据权利要求1所述的冷柜内部环境检测与控制方法，其特征在于，根据第i-1个检测周期的历史温度数据、第i个检测周期的温度数据以及温度预测模型，对第i个检测周期的结束时刻的温度进行预测，获得第i个检测周期的预测温度数据，包括：根据第i个检测周期的第1个温度数据，以及第i-1个检测周期的第n-m+2至第n个历史温度数据，通过温度预测模型对第i个检测周期的第1个温度数据之后的温度数据进行预测，获得第i个检测周期的第2至第n个第1个批次的预测温度数据，其中，m为温度预测模型的输入数据的数量，n为每个检测周期的时刻数量，m和n为正整数；根据第i个检测周期的第1至第2个温度数据，以及第i-1个检测周期的第n-m+3至第n个历史温度数据，通过温度预测模型对第i个检测周期的第2个温度数据之后的温度数据进行预测，获得第i个检测周期的第3至第n个第2个批次的预测温度数据；根据第i个检测周期的第1至第k个温度数据，以及第i-1个检测周期的第n-m+k+1至第n个历史温度数据，通过温度预测模型对第i个检测周期的第k个温度数据之后的温度数据进行预测，获得第i个检测周期的第k+1至第n个第k个批次的预测温度数据，其中，k为小于n的正整数。3.根据权利要求2所述的冷柜内部环境检测与控制方法，其特征在于，根据多次预测获得的第i个检测周期的预测温度数据、第i个检测周期的温度数据，以及第i-1个检测周期的历史温度数据和第i个检测周期的温度数据，确定温度预测模型是否需要训练，包括：在多个批次的预测温度数据中，获得各个批次的第n个预测温度数据；分别确定各个批次的第n个预测温度数据与第i个检测周期的第n个温度数据之间的第一误差；
确定使所述第一误差小于或等于误差阈值的最小批次；在所述最小批次大于或等于预设的批次阈值的情况下，确定所述温度预测模型需要训练。4.根据权利要求3所述的冷柜内部环境检测与控制方法，其特征在于，在所述温度预测模型需要训练的情况下，根据第i个检测周期的温度数据和所述第i个检测周期的预测温度数据，对所述温度预测模型进行训练，获得已训练的温度预测模型，包括：根据各个批次的预测温度数据，以及第i个检测周期的温度数据，获得每个批次的批次损失函数；根据所述批次损失函数、所述批次损失函数对应的批次数，以及所述批次阈值，确定所述温度预测模型的损失函数；根据所述温度预测模型的损失函数对所述温度预测模型进行训练，获得所述训练后的温度预测模型。5.根据权利要求4所述的冷柜内部环境检测与控制方法，其特征在于，根据各个批次的预测温度数据，以及第i个检测周期的温度数据，获得每个批次的批次损失函数，包括：根据公式确定第k个批次的批次损失函数，其中，为第i个检测周期的第k个批次的第j个时刻的预测温度数据，为第i个检测周期的第j个时刻的温度数据。6. 根据权利要求4所述的冷柜内部环境检测与控制方法，其特征在于，根据所述批次损失函数、所述批次损失函数对应的批次数，以及所述批次阈值，确定所述温度预测模型的损失函数，包括：根据公式确定所述温度预测模型的损失函数，其中，m为批次总数，为批次阈值，k≤m，m＜n，且k和m均为正整数。7.根据权利要求1所述的冷柜内部环境检测与控制方法，其特征在于，在冷柜的制冷功率需要调整的情况下，根据所述第i+1个检测周期的结束时刻的预测温度数据和预设温度阈值，调整所述冷柜的制冷功率，包括：根据公式确定冷柜的制冷功率调整量，其中，为所述第i+1
个检测周期的结束时刻的预测温度数据，为预设温度阈值，为第i个检测周期中冷柜的制冷功率，为能量效率。8.一种冷柜内部环境检测控制系统，其特征在于，包括：第一实测模块，用于在第i个检测周期的多个时刻，通过冷柜内设置的温度传感器获得每个时刻的温度数据，其中，i为大于1的正整数；第一预测模块，用于根据第i-1个检测周期的历史温度数据、第i个检测周期的温度数据以及温度预测模型，对第i个检测周期的温度进行预测，获得第i个检测周期的预测温度数据；第一判断模块，用于根据多次预测获得的第i个检测周期的预测温度数据、第i个检测周期的温度数据，以及第i-1个检测周期的历史温度数据和第i个检测周期的温度数据，确定温度预测模型是否需要训练；训练模块，用于在所述温度预测模型需要训练的情况下，根据第i个检测周期的温度数据和所述第i个检测周期的预测温度数据，对所述温度预测模型进行训练，获得训练后的温度预测模型；第二实测模块，用于在第i+1个检测周期中，获得预设数量的时刻的温度数据，其中，所述预设数量少于各个检测周期中的时刻数量；第二预测模块，用于根据第i+1个检测周期中获得的预设数量的时刻的温度数据，以及第i个检测周期的温度数据，通过训练后的温度预测模型对第i+1个检测周期的结束时刻的温度进行预测，获得第i+1个检测周期的结束时刻的预测温度数据；第二判断模块，用于根据所述第i+1个检测周期的结束时刻的预测温度数据和预设温度阈值，确定所述冷柜的制冷功率是否需要调整；调整模块，用于在冷柜的制冷功率需要调整的情况下，根据所述第i+1个检测周期的结束时刻的预测温度数据和预设温度阈值，调整所述冷柜的制冷功率。

技术总结
本发明提供一种冷柜内部环境检测与控制方法及系统，涉及冷柜技术领域；所述方法包括：在第i个检测周期的多个时刻检测温度数据；根据温度预测模型，预测第i个检测周期的预测温度数据；判断温度预测模型是否需要训练；如果需要训练，根据第i个检测周期的温度数据和预测温度数据，训练温度预测模型；通过训练后的温度预测模型进行预测，获得第i+1个检测周期的结束时刻的预测温度数据；根据第i+1个检测周期的结束时刻的预测温度数据和预设温度阈值，确定制冷功率是否需要调整；如果需要调整，根据预测温度数据和预设温度阈值，调整制冷功率；根据本发明，能够降低物品无法保鲜的概率，减小损坏制冷设备的概率，提升冷柜的使用寿命。命。命。


技术研发人员：余健 江赤波 高云峰 王甫俊
受保护的技术使用者：江苏星星冷链科技有限公司
技术研发日：2023.08.09
技术公布日：2023/9/9