[發明專利]一種基于BP神經網絡的空調長效性能預測方法

有效

• 申請號: 201410267716.8
• 申請日: 2014-06-16
• 公開（公告）號: CN104091045B
• 公開（公告）日: 2017-04-19
• 發明（設計）人: 巫江虹;張才俊
• 申請（專利權）人: 華南理工大學
• 主分類號: G06F19/00
• 分類號: G06F19/00;G06N3/02
• 代理公司: 廣州市華學知識產權代理有限公司44245
• 代理人: 蔡茂略

1.一種基于BP神經網絡的空調長效性能預測方法，其特征在于，包含以下順序的步驟：

S1.確定空調長效性能評價指標；

所述的空調長效性能評價指標其中APF_o是經過長期使用后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；

S2.獲取影響空調長效性能的參數量；

S3.對所述參數量數據進行預處理；

S4.對經過預處理的參數量進行制冷/制熱發生時間加權計算，把加權計算后的參數作為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；

S5.確定BP神經網絡結構；

S6.對BP神經網絡進行訓練；

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。

2.根據權利要求1所述的一種基于BP神經網絡的空調長效性能預測方法，其特征在于：所述的步驟S2，影響空調長效性能的參數量為高溫制冷能效衰減率、低溫制熱能效衰減率、額定制熱衰減率、額定制冷衰減率；

所述的步驟S3，高溫制冷能效衰減率、低溫制熱能效衰減率、額定制熱衰減率、額定制冷衰減率經過預處理后得到高溫制冷能效留存率、低溫制熱能效留存率、額定制熱能效留存率、額定制冷能效留存率；

所述的步驟S4，高溫制冷能效留存率、低溫制熱能效留存率、額定制熱能效留存率、額定制冷能效留存率進行各自對應溫區制冷/制熱發生時間加權計算后得到修正后的4個新參數：高溫制冷影響因素W、低溫制熱影響因素T、額定制熱影響因素D、額定制冷影響因素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。

3.根據權利要求1所述的一種基于BP神經網絡的空調長效性能預測方法，其特征在于：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。

4.根據權利要求3所述的一種基于BP神經網絡的空調長效性能預測方法，其特征在于：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。

5.根據權利要求3所述的一種基于BP神經網絡的空調長效性能預測方法，其特征在于：所述的隱含層，其神經元的節點數為其中n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。

6.根據權利要求5所述的一種基于BP神經網絡的空調長效性能預測方法，其特征在于：所述的n＝4，m＝1，a為1-10之間的常數。

7.根據權利要求1所述的一種基于BP神經網絡的空調長效性能預測方法，其特征在于：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，剩余的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，并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于預設誤差值；

(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神經網絡并執行步驟(2)。