CN104091045B - 一种基于bp神经网络的空调长效性能预测方法 - Google Patents

Abstract

本发明公开了一种基于BP神经网络的空调长效性能预测方法，包含以下顺序的步骤：确定空调长效性能评价指标；获取影响空调长效性能的参数量；对所述参数量数据进行预处理；对经过预处理的参数量进行制冷/制热发生时间加权计算，把加权计算后的参数作为BP神经网络结构的输入参数，即空调长效性能预测的输入参数；确定BP神经网络结构；对BP神经网络进行训练；输入BP神经网络结构的输入参数，通过训练好的BP神经网络计算输出结果，输出结果即为空调长效性能的预测值。本发明的方法，综合考虑空调在实际使用过程中性能下降情况，实现准确预测经过长时间使用后的空调性能，也为将来空调能效标准的制定提供一个参考。

Description

一种基于BP神经网络的空调长效性能预测方法

技术领域

本发明涉及空调技术领域，特别涉及一种基于BP神经网络的空调长效性能预测方法。

背景技术

目前，我国家用空调器的两个能效标准GB12021.3-2011《房间空调器能效限定值及能效等级》以及GB21455-2008《转速可控型房间空气调节器能效限定值及能效等级》中，针对该类产品的节能评价指标分别是EER(能效比)及SEER(季节能效比)。但这两个标准只是针对新产品在标准规定的工况下，所测定的耗电量及制冷能力进行评价。部分企业为追求高能效比，以获得高额利润空间和国家财政补贴，不惜采用增加换热器面积和换热器重量的方式，这样虽然在新产品的测试过程中能达到应有的技术指标要求，但按照《家用电器安全使用年限细则》的规定，房间空调器的使用寿命为8-10年，因此，产品在长期运行后，由于压缩机的性能会出现不同程度的衰减，从而导致在用空调器的实际性能并不能达到出厂状态的性能。

另外，空调器的蒸发器和冷凝器，由于存在不同程度的灰垢积聚，也会降低产品的性能。而且按照现行标准进行考核的，是规定产品在标准工况下的运行性能，但在实际使用过程中，空调器产品的运行工况往往会偏离标准规定的工况，甚至还将会在极端恶劣的环境下运行，从而使产品性能偏离标准规定工况下的运行性能，以上这些都会使在用空调产品性能无法达到新产品在标准工况下的测试结果。

综上，现有技术的空调器产品没有考虑空调器在实际使用过程中性能会下降的情况，因此人们需要一种对在用空调器产品持续节能进行更合理、更全面的评价方法，该方法能对在用空调长效性能进行预测。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提供一种基于BP神经网络的空调长效性能预测方法。

本发明的目的通过以下的技术方案实现：

一种基于BP神经网络的空调长效性能预测方法，包含以下顺序的步骤：

S1.确定空调长效性能评价指标；

S2.获取影响空调长效性能的参数量；

S3.对所述参数量数据进行预处理；

S4.对经过预处理的参数量进行制冷/制热发生时间加权计算，把加权计算后的参数作为BP神经网络结构的输入参数，即空调长效性能预测的输入参数；

S5.确定BP神经网络结构；

S6.对BP神经网络进行训练；

S7.输入BP神经网络结构的输入参数，通过训练好的BP神经网络计算输出结果，输出结果即为空调长效性能的预测值。

步骤S1中，所述的空调长效性能评价指标其中APF_o是经过长期使用后空调的全年能源消耗率，APF是出厂时空调的全年能源消耗率。

所述的步骤S2，影响空调长效性能的参数量为高温制冷能效衰减率、低温制热能效衰减率、额定制热衰减率、额定制冷衰减率；

所述的步骤S3，高温制冷能效衰减率、低温制热能效衰减率、额定制热衰减率、额定制冷衰减率经过预处理后得到高温制冷能效留存率、低温制热能效留存率、额定制热能效留存率、额定制冷能效留存率；

所述的步骤S4，高温制冷能效留存率、低温制热能效留存率、额定制热能效留存率、额定制冷能效留存率进行各自对应温区制冷/制热发生时间加权计算后得到修正后的4个新参数：高温制冷影响因素W、低温制热影响因素T、额定制热影响因素D、额定制冷影响因素A；4个新参数作为BP神经网络结构的输入参数，即空调长效性能预测的输入参数。

步骤S5中，所述的BP神经网络是由输入层、隐含层和输出层组成，其中输入层由代表输入变量的神经元组成，隐含层由代表中间变量的神经元组成，输出层由代表输出结果的神经元组成。

所述的输入层、隐含层、输出层组成三层神经网络，其中输入层与隐含层之间的信息由双曲线正切S传递函数传递，隐含层与输出层之间的信息由线性传输函数传递。

所述的隐含层，其神经元的节点数为其中n为输入层的输入神经元节点数，m为输出层的输出神经元节点数，a为常数。

所述的n＝4，m＝1，a为1-10之间的常数。

所述的步骤S6，具体包含以下顺序的步骤：

(1)随机选取总样本空调数目的80％作为训练样本，剩余的20％作为检测样本；

(2)将检测样本输入用训练样本训练好的BP神经网络模型，并获取所述检测样本对应的输出值；

(3)判断所述输出值与标准输出值的误差是否小于预设误差值；

(4)若是，则当前BP神经网络模型对应的隐含层节点数、权值和阈值为训练完成的神经网络对应的隐含层节点数、权值和阈值；

(5)若否，则更改隐含层节点数，用训练样本重新训练BP神经网络并执行步骤(2)。

本发明与现有技术相比，具有如下优点和有益效果：

1、本发明提出的用综合评价值方法评价空调器的性能，考虑了空调器在实际使用过程中性能衰减的情况，更加符合空调器的实际使用情况。

2、本发明提出的BP神经网络空调长效性能预测方法是优秀的自适应非线性动态***，提高了空调长效性能预测的准确率。

3、本发明考虑了全国不同城市制冷制热发生时间曲线的不同及其对空调器性能衰减的影响，提高了空调器实际性能对使用地理位置的敏感性。

4、本发明在综合考虑以上3方面的基础上，更加符合空调器实际使用情况，提高了空调长效性能预测的准确率，对空调器长效性能评价及预测提供了有效可行的方法，也为将来空调能效标准的制定提供了一个参考。

附图说明

图1为本发明所述的基于BP神经网络的空调长效性能预测方法的流程图；

图2为图1所述方法在隐含层节点数目P为4下，检测样本实际综合评价值与预测综合评价值对比图；

图3为图1所述方法在隐含层节点数目P为5下，检测样本实际综合评价值与预测综合评价值对比图；

图4为图1所述方法在隐含层节点数目P为6下，检测样本实际综合评价值与预测综合评价值对比图；

图5为图1所述方法在隐含层节点数目P为7下，检测样本实际综合评价值与预测综合评价值对比图；

图6为图1所述方法在隐含层节点数目P为8下，检测样本实际综合评价值与预测综合评价值对比图；

图7为图1所述方法在隐含层节点数目P为9下，检测样本实际综合评价值与预测综合评价值对比图；

图8为图1所述方法在隐含层节点数目P为10下，检测样本实际综合评价值与预测综合评价值对比图；

图9为图1所述方法在隐含层节点数目P为11下，检测样本实际综合评价值与预测综合评价值对比图；

图10为图1所述方法在隐含层节点数目P为12下，检测样本实际综合评价值与预测综合评价值对比图。

具体实施方式

下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。

一种基于BP神经网络的空调长效性能预测方法，包含以下顺序的步骤：

S1.确定空调长效性能评价指标综合评价值数学模型，空调长效性能评价指标综合评价值的数学模型为η是空调长效性能评价指标综合评价值，APF_o是经过长期使用(5年以上)后空调的全年能源消耗率，APF是出厂时空调的全年能源消耗率。具体APF和APF_o计算方法详见GB/T 21455‐2013，在此不再赘述；

S2.获取影响空调长效性能的参数量，取影响空调长效性能的参数量分别为高温制冷能效衰减率、低温制热能效衰减率、额定制热能效衰减率、额定制冷能效衰减率；具体测试工况如表1所示：

表1：空调器测试工况

其中

高温制冷能效衰减率：空调器在高温负荷下运行时，实测制冷能效比EER_g与空调器在额定制冷工况下实测的制冷能效比EER之差与实测的制冷能效比EER之比；

低温制热能效衰减率：空调器在低温环境负荷下运行时，实测制热能效比COP_d与空调器在额定热泵制热工况下实测的制热能效比COP之差与实测的制热能效比COP之比；

额定制热能效衰减率：空调器经长时间运转后，实测制热能效比COP_s与运转前实测制热能效比COP之差与运转前实测制热能效比COP之比；

额定制冷能效衰减率：空调器经长时间运转后，实测制冷能效比EER_s与运转前实测制冷能效比EER之差与运转前实测制冷能效比EER之比；

S3.对影响空调长效性能因素进行预处理，得：P＝1‐EER_g、H＝1‐COP_d、B＝1‐COP_s、F＝1‐EER_s；其中：

P、H、B、F分别为高温制冷能效留存率、低温制热能效留存率、额定制热能效留存率、额定制冷能效留存率；

S4.对高温制冷能效留存率、低温制热能效留存率、额定制热能效留存率、额定制冷能效留存率进行制冷/制热发生时间加权，得高温制冷影响因素W、低温制热影响因素T、额定制热影响因素D、额定制冷影响因素A。其中：

W＝a₁*P (1)

T＝a₂*H (2)

D＝a₃*B (3)

A＝a₄*F (4)

式中：a₁、a₂、a₃、a₄分别为高温制冷、低温制热、额定制热、额定制冷制冷/制热发生时间加权系数，

式中：为温度高于35℃的制冷发生时间之和，

为温度低于7℃的制热发生时间之和，

为温度高于7℃低于20℃的制热发生时间之和，

为温度高于27℃低于35℃的制冷发生时间之和；具体空调器制冷/制热各温度发生时间见GB/T7725‐2004；

S5.确定BP神经网络结构：BP神经网络由输入层、隐含层和输出层组成，输入层有代表输入变量的神经元组成，隐含层由代表中间变量的神经元组成，输出层由代表输出结果的神经元组成；

1)选取输入变量包括：高温制冷影响因素W、低温制热影响因素T、额定制热影响因素D和额定制冷影响因素A；

2)选取输出层为能代表空调长效性能指标的综合评价值η；

3)BP神经网络使用双曲线正切S传递函数和线性传输函数组成的三层神经网络；

S6.BP神经网络隐含层节点数确定：

1)隐含层中神经元的节点数在范围内选取；n、m和a分别是输入神经元节点数、输出神经元节点数和常数，本例中n＝4、m＝1、a为1‐10之间的常数；

2)随机选取总样本空调器(见表2)数目的80％作为训练样本，剩余的20％作为检测样本；本例总样本数为22，选取18个样本为训练样本，剩余4个为检测样本；

表2：所有样本空调清洗前测试的数据

注：测试时间为2014年

3)将检测样本输入用训练样本训练好的BP神经网络模型，并获取所述检测样本对应的输出值；

4)判断所述输出值与标准输出值的误差是否小于预设误差值；

5)若是，则当前BP神经网络模型对应的隐含层节点数为训练完成的神经网络对应的隐含层节点数；

6)若否，则更改隐含层节点数，用训练样本重新训练BP神经网络并执行第3)步；

7)图2～图10为不同隐含层节点数目P下，检测样本的实际综合评价值和预测综合评价值对比图，从图2～图10中我们可以看到，当隐含层节点数为4时，预测值和实际值误差最小，所以隐含层节点数确定为4；

S7.BP神经网络训练：用全部的样本空调数据对确定好结构和节点数的BP神经网络进行训练，训练结束时保存权值和阈值；

S8.输入预测空调的输入参数量，通过训练好的BP神经网络计算输出综合评价值，预测结束。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (7)

1.一种基于BP神经网络的空调长效性能预测方法，其特征在于，包含以下顺序的步骤：

S1.确定空调长效性能评价指标；

所述的空调长效性能评价指标其中APF_o是经过长期使用后空调的全年能源消耗率，APF是出厂时空调的全年能源消耗率；

S2.获取影响空调长效性能的参数量；

S3.对所述参数量数据进行预处理；

S4.对经过预处理的参数量进行制冷/制热发生时间加权计算，把加权计算后的参数作为BP神经网络结构的输入参数，即空调长效性能预测的输入参数；

S5.确定BP神经网络结构；

S6.对BP神经网络进行训练；

S7.输入BP神经网络结构的输入参数，通过训练好的BP神经网络计算输出结果，输出结果即为空调长效性能的预测值。

2.根据权利要求1所述的一种基于BP神经网络的空调长效性能预测方法，其特征在于：所述的步骤S2，影响空调长效性能的参数量为高温制冷能效衰减率、低温制热能效衰减率、额定制热衰减率、额定制冷衰减率；

所述的步骤S3，高温制冷能效衰减率、低温制热能效衰减率、额定制热衰减率、额定制冷衰减率经过预处理后得到高温制冷能效留存率、低温制热能效留存率、额定制热能效留存率、额定制冷能效留存率；

所述的步骤S4，高温制冷能效留存率、低温制热能效留存率、额定制热能效留存率、额定制冷能效留存率进行各自对应温区制冷/制热发生时间加权计算后得到修正后的4个新参数：高温制冷影响因素W、低温制热影响因素T、额定制热影响因素D、额定制冷影响因素A；4个新参数作为BP神经网络结构的输入参数，即空调长效性能预测的输入参数。

3.根据权利要求1所述的一种基于BP神经网络的空调长效性能预测方法，其特征在于：步骤S5中，所述的BP神经网络是由输入层、隐含层和输出层组成，其中输入层由代表输入变量的神经元组成，隐含层由代表中间变量的神经元组成，输出层由代表输出结果的神经元组成。

4.根据权利要求3所述的一种基于BP神经网络的空调长效性能预测方法，其特征在于：所述的输入层、隐含层、输出层组成三层神经网络，其中输入层与隐含层之间的信息由双曲线正切S传递函数传递，隐含层与输出层之间的信息由线性传输函数传递。

5.根据权利要求3所述的一种基于BP神经网络的空调长效性能预测方法，其特征在于：所述的隐含层，其神经元的节点数为其中n为输入层的输入神经元节点数，m为输出层的输出神经元节点数，a为常数。

6.根据权利要求5所述的一种基于BP神经网络的空调长效性能预测方法，其特征在于：所述的n＝4，m＝1，a为1-10之间的常数。

7.根据权利要求1所述的一种基于BP神经网络的空调长效性能预测方法，其特征在于：所述的步骤S6，具体包含以下顺序的步骤：

(1)随机选取总样本空调数目的80％作为训练样本，剩余的20％作为检测样本；

(2)将检测样本输入用训练样本训练好的BP神经网络模型，并获取所述检测样本对应的输出值；

(3)判断所述输出值与标准输出值的误差是否小于预设误差值；

(4)若是，则当前BP神经网络模型对应的隐含层节点数、权值和阈值为训练完成的神经网络对应的隐含层节点数、权值和阈值；

(5)若否，则更改隐含层节点数，用训练样本重新训练BP神经网络并执行步骤(2)。