空调器和空调器功耗的预测方法、装置制造方法及图纸

本发明专利技术公开了一种空调器和空调器功耗的预测方法、装置，其中，空调器功耗的预测方法包括以下步骤：采用最小二乘支持向量机LSSVM算法建立空调器功耗的预测模型；获取当前室外干湿球温度、当前室内干湿球温度和当前室内环境温度；根据空调器功耗的预测模型、当前室外干湿球温度、当前室内干湿球温度和当前室内环境温度对空调器的功耗进行预测以得到空调器的功耗值。该预测方法通过LSSVM算法建立空调器功耗的预测模型，省去了复杂的中间变量，且无假设条件，建立得到的预测模型简单，具有很好的适用性和拓展性。

【技术实现步骤摘要】
空调器和空调器功耗的预测方法、装置
本专利技术涉及空调器领域，特别涉及一种空调器功耗的预测方法、一种空调器功耗的预测装置以及一种空调器。
技术介绍
空调器在进入市场之前，都需要进行性能测试，而功耗是评价空调器性能的重要因素之一。目前针对空调器的功耗值，主要采取实验测试的方法，即通过实验测量不同工况下空调器的功耗值。然而，该方法的不足之处在于实验时间长，且出于成本及时效性的考虑，不可能对所有的工况进行实验，因此得到的实验数据比较有限。为了较为全面地评价空调器功耗这一指标，同时尽可能地节约测试时间，可以采用建立空调器功耗预测模型的方法计算功耗值。具体地，以多组工况(只涵盖了一部分)以及对应的功耗值为训练数据，并根据该训练数据建立空调器的预测模型。现有的常规的思路是根据不同的工况，结合房间墙壁、门、天花板等的材料确定导热系数以计算冷负荷Q，然后考虑压缩机的频率、房间温度等因素建立COP(空调器的能效比)模型，然后计算Q与COP之比，即为计算出的空调器的功耗，进一步根据训练数据得到的功耗修正计算的功耗，从而建立实验房间中的空调器的功耗预测模型。然而，由于这种方法根据已知的公式计算各个参数建立模型，考虑的因素较多，假设条件也较多，因此有较多的误差源。例如墙壁、门、天花板等的材料的导热系数并不能准确确定，尽管能够得到常见材料的导热系数，但实验房间墙壁的材料并非只有一种，即使在主要成分确定的情况下，得到的导热系数仍会有误差。另外建立COP的模型也存在误差，实际的准确模型并不清楚，为了简化计算常采取的一次或二次模型会存在误差。
技术实现思路
本专利技术旨在至少在一定程度上解决上述技术中的技术问题之一。为此，本专利技术的一个目的在于提出一种空调器功耗的预测方法，该方法通过LSSVM算法建立空调器功耗的预测模型，省去了复杂的中间变量，且无假设条件，建立得到的预测模型简单，具有很好的适用性和拓展性。本专利技术的第二个目的在于提出一种非临时性计算机可读存储介质。本专利技术的第三个目的在于提出一种空调器功耗的预测装置。本专利技术的第四个目的在于提出一种空调器。为达到上述目的，本专利技术第一方面实施例提出了一种空调器功耗的预测方法，预测方法包括以下步骤：采用最小二乘支持向量机LSSVM算法建立空调器功耗的预测模型；获取当前室外干湿球温度、当前室内干湿球温度和当前室内环境温度；根据所述空调器功耗的预测模型、所述当前室外干湿球温度、所述当前室内干湿球温度和所述当前室内环境温度对空调器的功耗进行预测以得到所述空调器的功耗值。根据本专利技术实施例的空调器功耗的预测方法，先采用LSSVM(LeastSquaresSupportVectorMachine，最小二乘支持向量机)算法建立空调器功耗的预测模型，再获取当前室外干湿球温度、当前室内干湿球温度和当前室内环境温度，进而根据空调器功耗的预测模型、当前室外干湿球温度、当前室内干湿球温度和当前室内环境温度对空调器的功耗进行预测以得到空调器的功耗值。该方法通过LSSVM算法建立空调器功耗的预测模型，省去了复杂的中间变量，且无假设条件，建立得到的预测模型简单，具有很好的适用性和拓展性。另外，根据本专利技术上述实施例提出的空调器功耗的预测办法还可以具有如下附加的技术特征：根据本专利技术的一个实施例，所述采用最小二乘支持向量机LSSVM算法建立空调器功耗的预测模型，包括：获取训练数据，其中，所述训练数据包括多组室外干湿球温度、室内干湿球温度、室内环境温度及对应的功耗值；采用trainlssvm函数对所述训练数据进行训练以得到所述空调器功耗的预测模型，其中，所述训练数据中的室外干湿球温度、室内干湿球温度、室内环境温度作为输入量，对应的功耗值作为输出量。根据本专利技术的一个实施例，所述采用LSSVM算法建立空调器功耗的预测模型还包括：设置多组trainlssvm函数的正则参数和内核参数；采用trainlssvm函数根据每组正则参数和内核参数对所述训练数据进行训练以得到多组初始预测模型；采用simlssvm函数根据所述训练数据分别对每组初始预测模型进行测试，并生成对应的测试结果；根据每组测试结果和所述训练数据中的对应的功耗值通过PSO(ParticleSwarmOptimization，粒子群优化)算法对trainlssvm函数的正则参数和内核参数进行优化以得到优化正则参数gam_best和优化内核参数sig2_best；采用trainlssvm函数根据所述优化正则参数gam_best、所述优化内核参数sig2_best对所述训练数据进行训练以得到所述空调器功耗的预测模型。根据本专利技术的一个实施例，所述根据所述通空调器功耗的预测模型、所述当前室外干湿球温度、所述当前室内干湿球温度和所述当前室内环境温度对空调器的功耗进行预测以得到所述空调器的功耗值包括：采用simlssvm函数根据所述空调器功耗的预测模型以及所述当前室外干湿球温度、所述当前室内干湿球温度和所述当前室内环境温度得到所述空调器的功耗值。根据本专利技术的一个实施例，采用trainlssvm函数根据所述优化正则参数gam_best、所述优化内核参数sig2_best对所述训练数据进行训练以得到所述空调器功耗的预测模型时，函数trainlssvm的用法为：type＝’functionestimation’；[alpha_best,b_best]＝trainlssvm({x,y,type,gam_best,sig2_best,'RBF_kernel'})；其中，x表示所述训练数据中的输入量，y表示所述训练数据中的输出量，type表示函数估计，gam_best、sig2_best分别表示优化正则参数和优化内核参数，RBF_kernel表示径向基函数，alpha_best、b_best分别表示优化后的所述预测模型的第一优化参数和第二优化参数。根据本专利技术的一个实施例，函数simlssvm的用法为：ysim_new＝simlssvm({x,y,type,gam_best,sig2_best,'RBF_kernel','preprocess'},{alpha_best,b_best},x_new)；其中，x表示训练数据中的输入量，y表示训练数据中的输出量，type表示函数估计，gam_best、sig2_best分别表示优化正则参数和优化内核参数，RBF_kernel表示径向基函数，preprocess表示对输入数据预处理，alpha_best、b_best分别表示优化后的所述预测模型的第一优化参数和第二优化参数，x_new包括所述当前室外干湿球温度、所述当前室内干湿球温度和所述当前室内环境温度，ysim_new表示预测得到的x_new对应的所述空调器的功耗值。为达到上述目的，本专利技术第二方面实施例提出了一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述的空调器功耗的预测方法。本专利技术实施例的非临时性计算机可读存储介质，通过执行其上存储的与上述空调器功耗的预测方法对应的程序，通过LSSVM算法建立空调器功耗的预测模型，省去了复杂的中间变量，且无假设条件，建立得到的预测模型简单，具有很好的适用性和拓展性。为达到上述目的，本专利技术第三方面实施例提出了一种空调器功耗的预测装置，该预测本文档来自技高网...

【技术保护点】
一种空调器功耗的预测方法，其特征在于，包括以下步骤：采用最小二乘支持向量机LSSVM算法建立空调器功耗的预测模型；获取当前室外干湿球温度、当前室内干湿球温度和当前室内环境温度；根据所述空调器功耗的预测模型、所述当前室外干湿球温度、所述当前室内干湿球温度和所述当前室内环境温度对空调器的功耗进行预测以得到所述空调器的功耗值。

【技术特征摘要】
1.一种空调器功耗的预测方法，其特征在于，包括以下步骤：采用最小二乘支持向量机LSSVM算法建立空调器功耗的预测模型；获取当前室外干湿球温度、当前室内干湿球温度和当前室内环境温度；根据所述空调器功耗的预测模型、所述当前室外干湿球温度、所述当前室内干湿球温度和所述当前室内环境温度对空调器的功耗进行预测以得到所述空调器的功耗值。2.根据权利要求1所述的空调器功耗的预测方法，其特征在于，所述采用最小二乘支持向量机LSSVM算法建立空调器功耗的预测模型，包括：获取训练数据，其中，所述训练数据包括多组室外干湿球温度、室内干湿球温度、室内环境温度及对应的功耗值；采用trainlssvm函数对所述训练数据进行训练以得到所述空调器功耗的预测模型，其中，所述训练数据中的室外干湿球温度、室内干湿球温度、室内环境温度作为输入量，对应的功耗值作为输出量。3.根据权利要求2所述的空调器功耗的预测方法，其特征在于，所述采用LSSVM算法建立空调器功耗的预测模型还包括：设置多组trainlssvm函数的正则参数和内核参数；采用trainlssvm函数根据每组正则参数和内核参数对所述训练数据进行训练以得到多组初始预测模型；采用simlssvm函数根据所述训练数据分别对每组初始预测模型进行测试，并生成对应的测试结果；根据每组测试结果和所述训练数据中的对应的功耗值通过粒子群优化PSO算法对trainlssvm函数的正则参数和内核参数进行优化以得到优化正则参数gam_best和优化内核参数sig2_best；采用trainlssvm函数根据所述优化正则参数gam_best、所述优化内核参数sig2_best对所述训练数据进行训练以得到所述空调器功耗的预测模型。4.根据权利要求2或3所述的空调器功耗的预测方法，其特征在于，所述根据所述通空调器功耗的预测模型、所述当前室外干湿球温度、所述当前室内干湿球温度和所述当前室内环境温度对空调器的功耗进行预测以得到所述空调器的功耗值包括：采用simlssvm函数根据所述空调器功耗的预测模型以及所述当前室外干湿球温度、所述当前室内干湿球温度和所述当前室内环境温度得到所述空调器的功耗值。5.根据权利要求3所述的空调器功耗的预测方法，其特征在于，采用trainlssvm函数根据所述优化正则参数gam_best、所述优化内核参数sig2_best对所述训练数据进行训练以得到所述空调器功耗的预测模型时，函数trainlssvm的用法为：type＝’functionestimation’；[alpha_best,b_best]＝trainlssvm({x,y,type,gam_best,sig2_best,'RBF_kernel'})；其中，x表示所述训练数据中的输入量，y表示所述训练数据中的输出量，type表示函数估计，gam_best、sig2_best分别表示优化正则参数和优化内核参数，RBF_kernel表示径向基函数，alpha_best、b_best分别表示优化后的所述预测模型的第一优化参数和第二优化参数。6.根据权利要求5所述的空调器功耗的预测方法，其特征在于，函数simlssvm的用法为：ysim_new＝simlssvm({x,y,type,gam_best,sig2_best,'RBF_kernel','preprocess'},{alpha_best,b_best},x_new)；其中，x表示训练数据中的输入量，y表示训练数据中的输出量，type表示函数估计，gam_best、sig2_best分别表示优化正则参数和优化内核参数，RBF_kernel表示径向基函数，preprocess表示对输入数据预处理，alpha_best、b_best分别表示优化后的所述预测模型的第一优化参数和第二优化参数，x_new包括所述当前室外干湿球温度、所述当前室内干湿球温度和所述当前室内环境温度，ysim_new表示预测得到的x_new对应的所述空调器的功耗值。7.一种非临时性计算机可读存储介质，其上...

【专利技术属性】
技术研发人员：席战利，郭美凤，邢海峰，吴凡，
申请(专利权)人：广东美的制冷设备有限公司，清华大学，
类型：发明
国别省市：广东,44