【技术实现步骤摘要】
一种蓄冰空调节能预测方法和装置
[0001]本专利技术涉及蓄冰空调节能
，特别是指一种蓄冰空调节能预测方法和装置。
技术介绍
[0002]蓄冰空调是利用冰进行热能储存的过程。该过程可以在电力需求高峰期减少用于冷却的能源。太阳能等替代能源也可以使用该技术存储能量以备后用。这很实用，因为水的熔化热很大。对于蓄冰空调节能控制研究有很多，但目前尚缺少对蓄冰空调节能情况进行很好的预测方面的研究。
技术实现思路
[0003]本专利技术提供了一种蓄冰空调节能预测方法和装置，用以对待预测蓄冰空调的节能情况进行很好的预测。所述技术方案如下：
[0004]一方面，提供了一种蓄冰空调节能预测方法，所述方法包括：
[0005]S1、输入训练样本的蓄冰空调运作时的指标参数到节能预测模型，所述指标参数包括如下中的任意两种：制冷机制冷时的温度、制冷机冷凝压力、蓄冰体积量、蓄冰容量约束、系统冷平衡率、电平衡权重系数、空调冷热负荷系数、压缩机制冷功率、制冷剂和冰水混合物之间的换热效率；
[0006]S2、通过调整...
【技术保护点】
【技术特征摘要】
1.一种蓄冰空调节能预测方法，其特征在于，所述方法包括：S1、输入训练样本的蓄冰空调运作时的指标参数到节能预测模型，所述指标参数包括如下中的任意两种：制冷机制冷时的温度、制冷机冷凝压力、蓄冰体积量、蓄冰容量约束、系统冷平衡率、电平衡权重系数、空调冷热负荷系数、压缩机制冷功率、制冷剂和冰水混合物之间的换热效率；S2、通过调整所述节能预测模型的权重训练所述节能预测模型，直到完成所述节能预测模型的构建；S3、使用构建好的节能预测模型预测待预测蓄冰空调的节能情况。2.根据权利要求1所述的方法，其特征在于，所述节能预测模型包括BP神经网络模型，所述BP神经网络模型包括输入层、隐含层和输出层，将两种指标参数x1和x2输入所述输入层，计算所述隐含层的输入y1和y2，最后计算所述输出层的输出z，所述输出z表示对环境影响最小化的输出因子，包括最低耗电量或者最低二氧化碳排放量；以x
1(n)
,x
2(n)
分别代表第n次训练的输入数据；则y
1(n)
＝f(x
1(n)
*W
1(n)
+x
2(n)
*W
3(n)
+W
5(n)
)y
2(n)
＝f(x
1(n)
*W
2(n)
+x
2(n)
*W
4(n)
+W
6(n)
)上式中隐含层神经元的激活函数为：f(x)＝
‑
1+max(0,x)+x
·
tanh(e
x
)；y
1(n)
,y
2(n)
分别代表第n次训练后隐含层对应的数据，W
1(n)
,W
2(n)
,W
3(n)
,W
4(n)
,W
5(n)
,W
6(n)
代表第n次训练后的各神经网络权重；z
(n)
＝f(y
1(n)
*V
1(n)
+y
2(n)
*V
2(n)
+V
3(n)
)z
(n)
表示第n次训练后输出的结果；V
1(n)
,V
2(n)
,V
3(n)
分别代表隐含层激活后，隐含层到输出层的第n次训练的权重。3.根据权利要求2所述的方法，其特征在于，所述方法在S1之前还包括初始化所述节能预测模型的权重，将权重的初始值设置为W
1(0)
∈[
‑
0.35,
‑
0.18]，W
2(0)
∈[0.224,0.565]，W
3(0)
∈[
‑
0.157,0.008]，W
4(0)
∈[0.697,0.898]，W
5(0)
∈[
‑
0.757,0.458]，W
6(0)
∈[0.057,0.228]。4.根据权利要求2所述的方法，其特征在于，所述S2的调整所述节能预测模型的权重，具体包括：具体包括：具体包括：具体包括：具体包括：具体包括：以上各式中W
1(n+1)
,W
2(n+1)
,W
3(n+1)
,W
4(n+1)
,W
5(n+1)
,W
6(n+1)
代表第n+1次从输入层到隐含层训练后的各神经网络权重的确定函数；ω代表学习率；
δ
Z(n)
为修正函数，d
(n)
表示第n次训练后期望输出的结果。5.根据权利要求4所述的方法，其特征在于，在训练时学习率ω的取值从小于2.75开始，直至ω取0.25时预测精度最高。6.一种蓄冰空调节能预测装置，其特征在于，所述装置包括：输入模块，用于输入训练样本的蓄冰空调运作时的指标参数...
【专利技术属性】
技术研发人员：陈泫宇，杨紫月，张涵，刘可欣，梁家瑞，潘艺彤，薛旭涛，罗宇骏，黄智卓，
申请(专利权)人：北京科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。