[发明专利]基于神经网络的空调性能预测方法和装置

说明书

本申请提出一种基于神经网络的空调性能预测方法和装置，其中方法，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，任一历史设计参数由m个不同类别的空调结构参数组成，任一历史性能数据由至少一个空调性能参数组成，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，用历史设计参数和历史性能数据训练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BP神经网络模型，将BP神经网络模型的输出值作为预期性能数据，本申请降低了空调开发过程中的试验成本和开发周期。

技术领域

本申请涉及空调领域，特别涉及基于神经网络的空调性能预测方法和装置。

背景技术

在对空调进行设计时，需要先确定想要得到的空调的性能数据(例如制冷量、能效比)，再通过分析推断出其稳定运行时的工况，然后确定出该产品的有关空调结构参数(压缩机功率、冷凝器面积等)。

在现有技术中，无法对空调的实际运行情况进行全面考虑，难以确定所有空调结构参数对于空调性能的影响，因此设计人员设计的空调在大规模投入市场之前，往往需要试制出很多的匹配空调样机进行实验完善，根据实验结果修订改善来弥补因设计造成的偏差。空调样机的制备、实际测试以及反复调试导致浪费了大量的水电资源，也造成了巨大的人力成本和时间成本的损失，同时也使空调的开发周期长，成本费用高。

因此，减少空调开发过程中的试验成本，降低空调的开发周期，是本领域亟待解决的问题。

发明内容

本申请提供了一种基于神经网络的空调性能预测方法和装置，用于降低空调开发过程中的试验成本，降低空调的开发周期。

为了解决上述问题，作为本申请的一个方面，提供了一种基于神经网络的空调性能预测方法，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，任一历史设计参数由m个不同类别的空调结构参数组成，任一历史性能数据由至少一个空调性能参数组成，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，用历史设计参数和历史性能数据训练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BP神经网络模型，将BP神经网络模型的输出值作为预期性能数据。

可选的，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，空调性能参数包括：空调制冷制热量和空调能效比。

可选的，在数据获取步骤之前，在模型建立步骤之后，还包括：数据降维步骤；

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

可选的，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；

求取中心标准化矩阵X^*_n×m的协方差矩阵R_m×m；

获取协方差矩阵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；

采用如下公式计算特征值序列中前k个特征值的累计贡献率：