[发明专利]差分并行HCMAC神经网络双侧变流量地源热泵系统功耗预测方法

权利要求书

1.一种差分并行HCMAC神经网络双侧变流量地源热泵系统功耗预测方法，其特征是：包括以下步骤：

(1)确定地源热泵系统功耗预测模型的输入；

(2)根据样本数据的特点将样本数据空间划分为多个子空间，按照用户的负荷区间，将输入空间X划分为s个子空间，子空间定义为，X_k＝F_1k×F_gk×Q_k，k＝1,2,…,s，Q_k是第k个子空间当前用户负荷区间，F_gk是第k个子空间地源侧循环泵频率区间，F_1k是第k个子空间负荷侧循环泵频率区间；子空间每一维的区间：F_lk＝F_l＝[0,50]，F_gk＝F_g＝[0,50]，单位Hz，F_lk和F_gk在所有子空间中保持一致，Q₁＝[0,50]，Q₂＝(50,75]，Q₃＝(75,100]，Q₄＝(100,125]，Q₅＝(125,150]，Q₆＝(150,175]，Q₇＝(175,200]，Q₈＝(200,225.7]，单位kW，从而将整个输入空间划分为8个子空间，对每个子空间做归一化处理；

根据每个子空间的输出空间P_zk，确定每个输出子空间的参考值P_z0k，满足：

P_z0k＝P_zkmin (6)

式中，P_zkmin为每个子空间的输出空间P_zk的最小值，P_z0k取整数；

计算每个子空间的输出空间P_zk的输出差分值ΔP_zk，形成新的输出差分子空间，

ΔP_zk＝P_zk-P_z0k (7)；

每个子空间的神经网络网格划分相同，在此F_lk、F_gk和Q_k取相同的量化级数，将神经网络网格的交点编码形成神经网络节点向量P_k；

各神经网络子模型的节点向量相同，同时建立神经网络节点权度向量q_k，形成DPHCMAC神经网络，所述的DPHCMAC是一种差分并行HCMAC神经网络；

(3)根据样本学习数据学习DPHCMAC每个子模型神经网络权度系数，

所述的DPHCMAC的神经网络学习方法如下：

Step1：根据子空间学习样本个数确定第一层循环次数N_sk；

Step2：根据神经网络节点向量P_k长度确定第二层循环次数l；

Step3：计算归一化输入和每个神经网络节点p_kj的欧式距离，确定包含在超闭球内的神经网络节点，形成每个输入的基函数向量B_ki；

Step4：计算子空间每个输入的基函数向量B_ki，最终形成基函数矩阵

Step5：确定神经网络循环学习次数m；

Step6：计算神经网络输出：

Step7：根据实际值和神经网络输出值之间的偏差e_k,按照式(12)(13)(14)学习神经网络子模型HCMAC_k的权度系数向量q_k；

q_k,m＝q_k,m-1+Δq_k,m-1 (14)

式中，m为当前循环学习次数，e_k,m-1为上一循环实际值和HCMAC_k预测值之差，α和β为常量，0α2，β0；

Step8：学习次数到，学习结束；

(4)将待预测样本输入到构建的DPHCMAC神经网络，得到地源热泵系统功耗预测结果。