[發明專利]SVR神經網絡輔助的非支配排序遺傳算法的空氣源熱泵多目標優化設計方法在審
| 申請號： | 201811619906.6 | 申請日： | 2018-12-28 |
| 公開（公告）號： | CN109858093A | 公開（公告）日： | 2019-06-07 |
| 發明（設計）人： | 徐英杰;陳寧;蔣寧;許亮峰 | 申請（專利權）人： | 浙江工業大學 |
| 主分類號： | G06F17/50 | 分類號： | G06F17/50;G06N3/04;G06N3/08;G06N3/12 |
| 代理公司： | 杭州斯可睿專利事務所有限公司 33241 | 代理人： | 王利強 |
| 地址： | 310014 浙江省*** | 國省代碼： | 浙江;33 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 多目標優化 非支配排序遺傳算法 空氣源熱泵 神經網絡輔助 神經網絡 參數選取 輸入變量 數據處理 最優解 測試 反饋 創建 | ||
一種SVR神經網絡輔助的非支配排序遺傳算法的空氣源熱泵多目標優化設計方法，包括以下步驟：步驟1、根據設計要求進行參數選取和數據處理；步驟2、神經網絡的創建、訓練以及測試；步驟3、基于訓練完成的SVR神經網絡，利用非支配排序遺傳算法對空氣源熱泵進行多目標優化；步驟4、通過上述步驟可以根據Pareto解得到最優解的輸入變量的參數值，從而得到各個部件的設計參數值，進而反饋給設計者。本發明提供了一種精度較高且能夠快速實現對系統的COP和成本多目標優化的SVR神經網絡輔助的非支配排序遺傳算法的空氣源熱泵多目標優化設計方法。
技術領域
本發明屬于空氣源熱泵，涉及一種空氣源熱泵多目標優化設計方法。
背景技術
空氣源熱泵是一種利用高位能使熱量從低位熱源空氣流向高位熱源的節能裝置，它吸收低溫中的熱量作為熱能來源，通過少量電能驅動壓縮機運轉將蒸發器吸收的空氣中的熱量經換熱器釋放到加熱對象中。空氣源熱泵的適應范圍廣，運行成本低，對環境無污染，具有良好的節能減排效果，現已廣泛應用于化工、熱能、制熱、暖通等領域。
在熱泵的設計中，氣冷器的換熱溫差Tgc、蒸發器的換熱溫差Tev和氣冷器的壓力Pgc對熱泵的壓縮機功率W、制冷量Qc、壓縮機進出口壓力有較大的影響，進而影響熱泵系統的COP和成本。由于工作狀態下的能效比COP和成本是衡量空氣源熱泵性能優劣的重要參數，所以在空氣源熱泵的設計中要考慮COP和成本之間的相互關系以及各變量之間的潛在聯系。傳統的設計方法僅僅是通過變量對系統進行單目標的研究，無法對系統進行多目標的優化，而且也不能精確地找到運行工況，不適合對設計及相關循環的研究。
發明內容
為了克服已有的熱泵模型的精度較低，耗時過長和優化目標單一的問題，本發明提供了一種精度較高且能夠快速實現對系統的COP和成本多目標優化的SVR神經網絡輔助的非支配排序遺傳算法的空氣源熱泵多目標優化設計方法。
本發明解決其技術問題所采用的技術方案是：
一種SVR神經網絡輔助的非支配排序遺傳算法的空氣源熱泵多目標優化設計方法，包括以下步驟：
步驟1、根據設計要求進行參數選取和數據處理
選擇氣冷器換熱溫差Tgc、蒸發器換熱溫差Tev、氣冷器壓力pgc作為輸入變量，系統COP、成本cost作為輸出變量，并對輸入的訓練樣本數據進行歸一化處理，使其處于[0,1]之間，歸一化公式如下：
其中k為歸一化后的值，x為被歸一化的數據，xmin、xmax分別為被歸一化數據中的最小值和最大值；
步驟2、SVR神經網絡的創建、訓練以及測試，過程如下：
2.1訓練神經網絡。將步驟1中的數據分成訓練集和測試集兩個部分。
2.2根據訓練集的數據進行對SVR模型原始優化問題進行求解，為簡化求解過程通過拉格朗日函數轉換為對偶變量的優化問題；
2.3選擇懲罰參數C和高斯(RBF)核函數對上述步驟中的對偶函數進行求解，得到SVR訓練模型；
2.4測試神經網絡。完成所有的數據訓練后，用測試集里的數據對神經網絡進行測試，若訓練誤差符合規定的范圍，則SVR神經網絡模型構建完成；若不符合訓練誤差則返回到步驟2.3，進行下一輪的優化求解，直至符合訓練誤差；
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于浙江工業大學，未經浙江工業大學許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/201811619906.6/2.html，轉載請聲明來源鉆瓜專利網。
