[发明专利]一种基于BP神经网络的空调长效性能预测方法

权利要求书

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)。