[发明专利]一种基于BP神经网络的空调长效性能预测方法

说明书

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；