[发明专利]基于神经网络的空调性能预测方法和装置

权利要求书

1.一种基于神经网络的空调性能预测方法，其特征在于，包括：

数据获取步骤，获取空调的n个历史设计参数和对应的历史性能数据，其中，任一所述历史设计参数由m个不同类别的空调结构参数组成，任一所述历史性能数据由至少一个空调性能参数组成，所述历史设计参数和历史性能数据一一对应；

模型建立步骤，建立BP神经网络模型，用所述历史设计参数和所述历史性能数据训练所述BP神经网络模型；

性能预测步骤，将空调的待评测设计参数输入所述BP神经网络模型，将所述BP神经网络模型的输出值作为预期性能数据。

2.根据权利要求1所述的基于神经网络的空调性能预测方法，其特征在于，所述空调结构参数包括：压缩机冷量、压缩机功率、蒸发器面积、冷凝器面积、节流型号、灌注量和室内环境温度、室外环境温度和负荷量；

和/或，所述空调性能参数包括：空调制冷制热量和空调能效比。

3.根据权利要求1或2所述的基于神经网络的空调性能预测方法，其特征在于，在所述数据获取步骤之前，在所述模型建立步骤之后，还包括：数据降维步骤；

数据降维步骤，用所述数据获取步骤中获取的n个所述历史设计参数建立历史数据矩阵X_n×m，采用PCA算法对所述历史数据矩阵X_n×m进行降维处理，得到主成分矩阵Z_n×k，其中，所述历史数据矩阵X_n×m的任一行数据为一个所述历史设计参数，所述行数据中的任一元素为一个所述空调结构参数，n不小于m，k小于m。

4.根据权利要求3所述的基于神经网络的空调性能预测方法，其特征在于，所述数据降维步骤，包括：

对历史数据矩阵X_n×m进行中心标准化处理，得到中心标准化矩阵X^*_n×m；

求取所述中心标准化矩阵X^*_n×m的协方差矩阵R_m×m；

获取所述协方差矩阵R_m×m的m个特征值以及m个特征向量；

对m个所述特征值按从大到小依次排列得到特征值序列；

采用如下公式计算所述特征值序列中前k个特征值的累计贡献率：

其中CV_k为所述累计贡献率，其中λ_i为特征值序列中第i个特征值，1≤i≤m；

调节k的数值，使得所述特征值序列中前k个特征值的累计贡献率大于预设贡献率；

用前k个特征值对应的特征向量组成转化矩阵U_m×k＝{u₁,u₂..u_k}，其中u_i为λ_i对应的特征向量；

计算得到所述主成分矩阵Z_n×k，其中，Z_n×k＝X^*_n×m·U_m×k。

5.根据权利要求3或4所述的基于神经网络的空调性能预测方法，其特征在于，当所述历史性能数据中包括至少2个空调性能参数时，所述数据降维步骤，还包括：

用所述数据获取步骤中获取的n个所述历史性能数据建立历史性能矩阵，采用PCA算法对所述历史性能矩阵进行降维处理，其中，所述历史性能矩阵的任一行数据为一个所述历史性能数据，历史性能矩阵的任一行数据中的任一元素为一个所述空调性能参数。