基于神经网络的空调性能预测方法和装置制造方法及图纸

本申请提出一种基于神经网络的空调性能预测方法和装置，其中方法，包括：数据获取步骤，获取空调的n个历史设计参数和对应的历史性能数据，其中，任一历史设计参数由m个不同类别的空调结构参数组成，任一历史性能数据由至少一个空调性能参数组成，历史设计参数和历史性能数据一一对应；模型建立步骤，建立BP神经网络模型，用历史设计参数和历史性能数据训练BP神经网络模型；性能预测步骤，将空调的待评测设计参数输入BP神经网络模型，将BP神经网络模型的输出值作为预期性能数据，本申请降低了空调开发过程中的试验成本和开发周期。

Prediction method and device of air conditioning performance based on Neural Network

The application proposes a method and device for air conditioning performance prediction based on neural network, wherein the method includes: data acquisition steps, obtaining n historical design parameters and corresponding historical performance data of air conditioning, wherein any historical design parameter is composed of M different types of air conditioning structural parameters, any historical performance data is composed of at least one air conditioning performance parameter, and the historical performance data is composed of at least one air conditioning performance parameter Design parameters correspond to historical performance data one by one; model establishment steps, establish BP neural network model, train BP neural network model with historical design parameters and historical performance data; performance prediction steps, input the design parameters to be evaluated into BP neural network model, and take the output value of BP neural network model as the expected performance data. This application reduces the air conditioning development history Test cost and development cycle.

【技术实现步骤摘要】
基于神经网络的空调性能预测方法和装置
本申请涉及空调领域，特别涉及基于神经网络的空调性能预测方法和装置。
技术介绍
在对空调进行设计时，需要先确定想要得到的空调的性能数据(例如制冷量、能效比)，再通过分析推断出其稳定运行时的工况，然后确定出该产品的有关空调结构参数(压缩机功率、冷凝器面积等)。在现有技术中，无法对空调的实际运行情况进行全面考虑，难以确定所有空调结构参数对于空调性能的影响，因此设计人员设计的空调在大规模投入市场之前，往往需要试制出很多的匹配空调样机进行实验完善，根据实验结果修订改善来弥补因设计造成的偏差。空调样机的制备、实际测试以及反复调试导致浪费了大量的水电资源，也造成了巨大的人力成本和时间成本的损失，同时也使空调的开发周期长，成本费用高。因此，减少空调开发过程中的试验成本，降低空调的开发周期，是本领域亟待解决的问题。
技术实现思路
本申请提供了一种基于神经网络的空调性能预测方法和装置，用于降低空调开发过程中的试验成本，降低空调的开发周期。为了解决上述问题，作为本申请的一个方面，提供了一种基于神经网络的空调性能预测方法，包括：数据获取步骤，获取空调的n个历史设计参数和对应的历史性能数据，其中，任一历史设计参数由m个不同类别的空调结构参数组成，任一历史性能数据由至少一个空调性能参数组成，历史设计参数和历史性能数据一一对应；模型建立步骤，建立BP神经网络模型，用历史设计参数和历史性能数据训练BP神经网络模型；性能预测步骤，将空调的待评测设计参数输入BP神经网络模型，将BP神经网络模型的输出值作为预期性能数据。可选的，空调结构参数包括：压缩机冷量、压缩机功率、蒸发器面积、冷凝器面积、节流型号、灌注量和室内环境温度、室外环境温度和负荷量；和/或，空调性能参数包括：空调制冷制热量和空调能效比。可选的，在数据获取步骤之前，在模型建立步骤之后，还包括：数据降维步骤；数据降维步骤，用数据获取步骤中获取的n个历史设计参数建立历史数据矩阵Xn×m，采用PCA算法对历史数据矩阵Xn×m进行降维处理，得到主成分矩阵Zn×k，其中，历史数据矩阵Xn×m的任一行数据为一个历史设计参数，行数据中的任一元素为一个空调结构参数，n不小于m，k小于m。可选的，数据降维步骤，包括：对历史数据矩阵Xn×m进行中心标准化处理，得到中心标准化矩阵X*n×m；求取中心标准化矩阵X*n×m的协方差矩阵Rm×m；获取协方差矩阵Rm×m的m个特征值以及m个特征向量；对m个特征值按从大到小依次排列得到特征值序列；采用如下公式计算特征值序列中前k个特征值的累计贡献率：其中CVk为累计贡献率，其中λi为特征值序列中第i个特征值，1≤i≤m；调节k的数值，使得特征值序列中前k个特征值的累计贡献率大于预设贡献率；用前k个特征值对应的特征向量组成转化矩阵Um×k＝{u1,u2..uk}，其中ui为λi对应的特征向量；计算得到主成分矩阵Zn×k，其中，Zn×k＝X*n×m·Um×k。可选的，当历史性能数据中包括至少2个空调性能参数时，数据降维步骤，还包括：用数据获取步骤中获取的n个历史性能数据建立历史性能矩阵，采用PCA算法对历史性能矩阵进行降维处理，其中，历史性能矩阵的任一行数据为一个历史性能数据，历史性能矩阵的任一行数据中的任一元素为一个空调性能参数。可选的，模型建立步骤，包括：初始化BP神经网络模型，建立隐含层；训练BP神经网络模型，从主成分矩阵Zn×k中选取h个行数据组成训练输入矩阵X1，从降维处理后的历史性能矩阵中获取与训练输入矩阵对应的行数据，作为训练输出矩阵Y1，其中，h不大于n；对训练输入阵列和训练输出阵列进行归一化处理；将训练输入矩阵中各个行数据作为输入层数据输入BP神经网络模型，计算得到输出值；计算输出值与训练输出矩阵中对应的行数据之间的误差；若误差的平方和大于误差容限，则调节BP神经网络模型中各节点的权重值，直到误差的平方和不大于误差容限。可选的，模型建立步骤，还包括：用主成分矩阵中不属于训练输入矩阵X1的行数据作为测试输入数据；从降维处理后的历史性能矩阵中获取与测试输入矩阵对应的行数据，作为测试输出矩阵；用测试输入数据和测试输出数据对BP神经网络模型进行测试。可选的，模型建立步骤，包括：采用如下方式确定隐藏层的神经元个数M：其中，a为输入层的神经元个数，b为输出层的神经元个数，c为0-10之间的常数；或者，M＝log2a，其中，a为输入层的神经元个数；或者，M为满足的最小值，其中，a为输入成的神经元个数，d为预设值。本申请还提出一种基于神经网络的空调性能预测装置，包括：数据获取单元，用于获取空调的n个历史设计参数和对应的历史性能数据，其中，任一历史设计参数由m个不同类别的空调结构参数组成，任一历史性能数据由至少一个空调性能参数组成，历史设计参数和历史性能数据一一对应；模型建立单元，用于建立BP神经网络模型，用历史设计参数和空调性能数据训练BP神经网络模型；性能预测单元，用于将空调的待评测设计参数输入BP神经网络模型，将BP神经网络模型的输出值作为预期性能数据。可选的，还包括：数据降维单元；数据降维单元，用于采用数据获取单元中获取的n个历史设计参数建立历史数据矩阵Xn×m，采用PCA算法对历史数据矩阵Xn×m进行降维处理，得到主成分矩阵Zn×k，其中，历史数据矩阵Xn×m的任一行数据为一个历史设计参数，行数据中的任一元素为一个空调结构参数，n不小于m，k小于m。本申请提出了一种基于神经网络的空调性能预测方法和装置，建立了BP神经网络模型，从而确定了不同类别的空调结构参数于空调性能数据之间的关系，因此开发人员在确定了待评测设计参数后，就可以预测出空调的性能数据，进而降低了空调开发过程中的试验成本和开发周期。特别的，本申请采用了PCA算法对作为输入层数据的历史设计参数进行了降维处理，原本历史设计参数中有m个空调结构参数，通过对数据进行降维处理，将数量较多而且相关关系不明确的若干个变量变为数量较少而且互不相关的主成分变量，从而去除了过于冗余的变量，得出主成分作为神经网络新的输出层数据，这样在对BP神经网络模型进行训练时，可以在不降低准确定的情况下大幅度减少收敛迭代次数，缩短开发周期，降低机组的开发成本。附图说明图1为本申请实施例中一种基于神经网络的空调性能预测方法流程图；图2为本申请实施例中另一种基于神经网络的空调性能预测方法示意图；图3为本申请实施例中另一种基于神经网络的空调性能预测方法流程图；图4为本申请实施例中一种BP神经网络系统的结构图；图5为本申请实施例中一种基于神经网络的空调性能预测装置组成图。具体实施方式为使本申请的目的、技本文档来自技高网...

【技术保护点】
1.一种基于神经网络的空调性能预测方法，其特征在于，包括：/n数据获取步骤，获取空调的n个历史设计参数和对应的历史性能数据，其中，任一所述历史设计参数由m个不同类别的空调结构参数组成，任一所述历史性能数据由至少一个空调性能参数组成，所述历史设计参数和历史性能数据一一对应；/n模型建立步骤，建立BP神经网络模型，用所述历史设计参数和所述历史性能数据训练所述BP神经网络模型；/n性能预测步骤，将空调的待评测设计参数输入所述BP神经网络模型，将所述BP神经网络模型的输出值作为预期性能数据。/n

【技术特征摘要】
1.一种基于神经网络的空调性能预测方法，其特征在于，包括：
数据获取步骤，获取空调的n个历史设计参数和对应的历史性能数据，其中，任一所述历史设计参数由m个不同类别的空调结构参数组成，任一所述历史性能数据由至少一个空调性能参数组成，所述历史设计参数和历史性能数据一一对应；
模型建立步骤，建立BP神经网络模型，用所述历史设计参数和所述历史性能数据训练所述BP神经网络模型；
性能预测步骤，将空调的待评测设计参数输入所述BP神经网络模型，将所述BP神经网络模型的输出值作为预期性能数据。


2.根据权利要求1所述的基于神经网络的空调性能预测方法，其特征在于，所述空调结构参数包括：压缩机冷量、压缩机功率、蒸发器面积、冷凝器面积、节流型号、灌注量和室内环境温度、室外环境温度和负荷量；
和/或，所述空调性能参数包括：空调制冷制热量和空调能效比。


3.根据权利要求1或2所述的基于神经网络的空调性能预测方法，其特征在于，在所述数据获取步骤之前，在所述模型建立步骤之后，还包括：数据降维步骤；
数据降维步骤，用所述数据获取步骤中获取的n个所述历史设计参数建立历史数据矩阵Xn×m，采用PCA算法对所述历史数据矩阵Xn×m进行降维处理，得到主成分矩阵Zn×k，其中，所述历史数据矩阵Xn×m的任一行数据为一个所述历史设计参数，所述行数据中的任一元素为一个所述空调结构参数，n不小于m，k小于m。


4.根据权利要求3所述的基于神经网络的空调性能预测方法，其特征在于，所述数据降维步骤，包括：
对历史数据矩阵Xn×m进行中心标准化处理，得到中心标准化矩阵X*n×m；
求取所述中心标准化矩阵X*n×m的协方差矩阵Rm×m；
获取所述协方差矩阵Rm×m的m个特征值以及m个特征向量；
对m个所述特征值按从大到小依次排列得到特征值序列；
采用如下公式计算所述特征值序列中前k个特征值的累计贡献率：

其中CVk为所述累计贡献率，其中λi为特征值序列中第i个特征值，1≤i≤m；
调节k的数值，使得所述特征值序列中前k个特征值的累计贡献率大于预设贡献率；
用前k个特征值对应的特征向量组成转化矩阵Um×k＝{u1,u2..uk}，其中ui为λi对应的特征向量；
计算得到所述主成分矩阵Zn×k，其中，Zn×k＝X*n×m·Um×k。


5.根据权利要求3或4所述的基于神经网络的空调性能预测方法，其特征在于，当所述历史性能数据中包括至少2个空调性能参数时，所述数据降维步骤，还包括：
用所述数据获取步骤中获取的n个所述历史性能数据建立历史性能矩阵，采用PCA算法对所述历史性能矩阵进行降维处理，其中，所述历史性能矩阵的任一行数据为一个所述历史性能数据，历史性能矩阵的任一行数据中的任一...

【专利技术属性】
技术研发人员：郭庆，何林，黄童毅，罗建飞，崔兰荣，
申请(专利权)人：珠海格力电器股份有限公司，
类型：发明
国别省市：广东;44