[发明专利]SVR神经网络辅助的非支配排序遗传算法的空气源热泵多目标优化设计方法

摘要

一种SVR神经网络辅助的非支配排序遗传算法的空气源热泵多目标优化设计方法，包括以下步骤：步骤1、根据设计要求进行参数选取和数据处理；步骤2、神经网络的创建、训练以及测试；步骤3、基于训练完成的SVR神经网络，利用非支配排序遗传算法对空气源热泵进行多目标优化；步骤4、通过上述步骤可以根据Pareto解得到最优解的输入变量的参数值，从而得到各个部件的设计参数值，进而反馈给设计者。本发明提供了一种精度较高且能够快速实现对系统的COP和成本多目标优化的SVR神经网络辅助的非支配排序遗传算法的空气源热泵多目标优化设计方法。

主权项

1.一种SVR神经网络辅助的NSGA‑II算法的空气源热泵多目标优化设计方法，其特征在于，所述方法包括以下步骤：步骤1、根据设计要求进行参数选取和数据处理选择气冷器换热温差T_gc、蒸发器换热温差T_ev、气冷器压力p_gc作为输入变量，系统COP、成本cost作为输出变量，并对输入的训练样本数据进行归一化处理，使其处于[0,1]之间，归一化公式如下：其中k为归一化后的值，x为被归一化的数据，x_min、x_max分别为被归一化数据中的最小值和最大值；步骤2、神经网络的创建、训练以及测试，过程如下：2.1训练神经网络，将步骤1中的数据分成训练集和测试集两个部分；2.2根据训练集的数据进行对SVR模型原始优化问题进行求解，为简化求解过程通过拉格朗日函数转换为对偶变量的优化问题；2.3选择惩罚参数C和高斯RBF核函数对上述步骤中的对偶函数进行求解，得到SVR训练模型；2.4测试神经网络，完成所有的数据训练后，用测试集里的数据对神经网络进行测试，若训练误差符合规定的范围，则SVR神经网络模型构建完成；若不符合训练误差则返回到步骤2.3，进行下一轮的优化求解，直至符合训练误差；2.5利用神经网络进行预测，在给定实际状态下的输入变量，所述输入变量包括气冷器换热温差、蒸发器换热温差和气冷器压力，通过训练好的SVR神经网络模型进行预测得到预测参数，所述预测参数包系统COP和成本，将系统COP和成本值进行反归一化处理得到实际值，反归一化公式为：x＝k·(x_max‑x_min)+x_min步骤3、基于训练完成的神经网络，利用NSGA‑II遗传算法对空气源热泵进行多目标优化；步骤4、通过上述步骤可以根据Pareto解得到最优解的输入变量的参数值，从而得到各个部件的设计参数值，进而反馈给设计者。