一種基於bp神經網絡的空調長效性能預測方法
2023-07-19 03:12:16
一種基於bp神經網絡的空調長效性能預測方法
【專利摘要】本發明公開了一種基於BP神經網絡的空調長效性能預測方法，包含以下順序的步驟：確定空調長效性能評價指標；獲取影響空調長效性能的參數量；對所述參數量數據進行預處理；對經過預處理的參數量進行製冷/制熱發生時間加權計算，把加權計算後的參數作為BP神經網絡結構的輸入參數，即空調長效性能預測的輸入參數；確定BP神經網絡結構；對BP神經網絡進行訓練；輸入BP神經網絡結構的輸入參數，通過訓練好的BP神經網絡計算輸出結果，輸出結果即為空調長效性能的預測值。本發明的方法，綜合考慮空調在實際使用過程中性能下降情況，實現準確預測經過長時間使用後的空調性能，也為將來空調能效標準的制定提供一個參考。
【專利說明】-種基於BP神經網絡的空調長效性能預測方法
【技術領域】
[0001] 本發明涉及空調【技術領域】，特別涉及一種基於BP神經網絡的空調長效性能預測 方法。
【背景技術】
[0002] 目前，我國家用空調器的兩個能效標準GB12021. 3-2011《房間空調器能效限定值 及能效等級》以及GB21455-2008《轉速可控型房間空氣調節器能效限定值及能效等級》中， 針對該類產品的節能評價指標分別是EER(能效比）及SEER(季節能效比）。但這兩個標準 只是針對新產品在標準規定的工況下，所測定的耗電量及製冷能力進行評價。部分企業為 追求高能效比，以獲得高額利潤空間和國家財政補貼，不惜採用增加換熱器面積和換熱器 重量的方式，這樣雖然在新產品的測試過程中能達到應有的技術指標要求，但按照《家用電 器安全使用年限細則》的規定，房間空調器的使用壽命為8-10年，因此，產品在長期運行後， 由於壓縮機的性能會出現不同程度的衰減，從而導致在用空調器的實際性能並不能達到出 廠狀態的性能。
[0003] 另外，空調器的蒸發器和冷凝器，由於存在不同程度的灰垢積聚，也會降低產品的 性能。而且按照現行標準進行考核的，是規定產品在標準工況下的運行性能，但在實際使用 過程中，空調器產品的運行工況往往會偏離標準規定的工況，甚至還將會在極端惡劣的環 境下運行，從而使產品性能偏離標準規定工況下的運行性能，以上這些都會使在用空調產 品性能無法達到新產品在標準工況下的測試結果。
[0004] 綜上，現有技術的空調器產品沒有考慮空調器在實際使用過程中性能會下降的情 況，因此人們需要一種對在用空調器產品持續節能進行更合理、更全面的評價方法，該方法 能對在用空調長效性能進行預測。
【發明內容】
[0005] 本發明的目的在於克服現有技術的缺點與不足，提供一種基於BP神經網絡的空 調長效性能預測方法。
[0006] 本發明的目的通過以下的技術方案實現：
[0007] -種基於BP神經網絡的空調長效性能預測方法，包含以下順序的步驟：
[0008] S1.確定空調長效性能評價指標；
[0009] S2.獲取影響空調長效性能的參數量；
[0010] S3.對所述參數量數據進行預處理；
[0011] S4.對經過預處理的參數量進行製冷/制熱發生時間加權計算，把加權計算後的 參數作為BP神經網絡結構的輸入參數，即空調長效性能預測的輸入參數；
[0012] S5.確定BP神經網絡結構；
[0013] S6.對BP神經網絡進行訓練；
[0014] S7.輸入BP神經網絡結構的輸入參數，通過訓練好的BP神經網絡計算輸出結果， 輸出結果即為空調長效性能的預測值。
【權利要求】
1. 一種基於BP神經網絡的空調長效性能預測方法，其特徵在於，包含以下順序的步 驟：
51. 確定空調長效性能評價指標；
52. 獲取影響空調長效性能的參數量；
53. 對所述參數量數據進行預處理；
54. 對經過預處理的參數量進行製冷/制熱發生時間加權計算，把加權計算後的參數 作為BP神經網絡結構的輸入參數，即空調長效性能預測的輸入參數；
55. 確定BP神經網絡結構；
56. 對BP神經網絡進行訓練；
57. 輸入BP神經網絡結構的輸入參數，通過訓練好的BP神經網絡計算輸出結果，輸出 結果即為空調長效性能的預測值。
2. 根據權利要求1所述的一種基於BP神經網絡的空調長效性能預測方法，其特徵在 於：步驟S1中，所述的空調長效性能評價指標
，其中APF。是經過長期使用後空調 的全年能源消耗率，APF是出廠時空調的全年能源消耗率。
3. 根據權利要求1所述的一種基於BP神經網絡的空調長效性能預測方法，其特徵在 於：所述的步驟S2,影響空調長效性能的參數量為高溫製冷能效衰減率、低溫制熱能效衰 減率、額定製熱衰減率、額定製冷衰減率； 所述的步驟S3,高溫製冷能效衰減率、低溫制熱能效衰減率、額定製熱衰減率、額定製 冷衰減率經過預處理後得到高溫製冷能效留存率、低溫制熱能效留存率、額定製熱能效留 存率、額定製冷能效留存率； 所述的步驟S4,高溫製冷能效留存率、低溫制熱能效留存率、額定製熱能效留存率、額 定製冷能效留存率進行各自對應溫區製冷/制熱發生時間加權計算後得到修正後的4個新 參數：高溫製冷影響因素 W、低溫制熱影響因素 T、額定製熱影響因素 D、額定製冷影響因素 A ;4個新參數作為BP神經網絡結構的輸入參數，即空調長效性能預測的輸入參數。
4. 根據權利要求1所述的一種基於BP神經網絡的空調長效性能預測方法，其特徵在 於：步驟S5中，所述的BP神經網絡是由輸入層、隱含層和輸出層組成，其中輸入層由代表輸 入變量的神經元組成，隱含層由代表中間變量的神經元組成，輸出層由代表輸出結果的神 經元組成。
5. 根據權利要求4所述的一種基於BP神經網絡的空調長效性能預測方法，其特徵在 於：所述的輸入層、隱含層、輸出層組成三層神經網絡，其中輸入層與隱含層之間的信息由 雙曲線正切S傳遞函數傳遞，隱含層與輸出層之間的信息由線性傳輸函數傳遞。
6. 根據權利要求4所述的一種基於BP神經網絡的空調長效性能預測方法，其特徵在 於：所述的隱含層，其神經元的節點數為+ o，其中η為輸入層的輸入神經元節點數， m為輸出層的輸出神經元節點數，a為常數。
7. 根據權利要求6所述的一種基於BP神經網絡的空調長效性能預測方法，其特徵在 於：所述的η = 4, m = 1, a為1-10之間的常數。
8. 根據權利要求1所述的一種基於BP神經網絡的空調長效性能預測方法，其特徵在 於：所述的步驟S6,具體包含以下順序的步驟： (1) 隨機選取總樣本空調數目的80%作為訓練樣本，剩餘的20%作為檢測樣本； (2) 將檢測樣本輸入用訓練樣本訓練好的BP神經網絡模型，並獲取所述檢測樣本對應 的輸出值； (3) 判斷所述輸出值與標準輸出值的誤差是否小於預設誤差值； (4) 若是，則當前BP神經網絡模型對應的隱含層節點數、權值和閾值為訓練完成的神 經網絡對應的隱含層節點數、權值和閾值； (5) 若否，則更改隱含層節點數，用訓練樣本重新訓練BP神經網絡並執行步驟（2)。
【文檔編號】G06F19/00GK104091045SQ201410267716
【公開日】2014年10月8日 申請日期:2014年6月16日 優先權日:2014年6月16日
【發明者】巫江虹, 張才俊 申請人:華南理工大學