[发明专利]一种基于BP神经网络的复合供暖控制方法

权利要求书

1.一种基于BP神经网络的复合供暖控制方法，其特征在于，应用于太阳能与土壤源热泵复合系统，所述复合供暖控制方法包括：

监测水箱负荷侧出口温度，若水箱负荷侧出口温度不满足水箱直供要求，则采用土壤源热泵供暖模式；若水箱负荷侧出口温度满足水箱直供要求，则判断式(1)是否满足，若满足，则采用水箱直供模式，否则采用土壤源热泵供暖模式；

0.1Q_h,nom≤Q_h≤AQ_h,nom 式(1)

式中，Q_h,nom表示土壤源热泵额定制热量，Q_h表示当前实际供暖负荷，A表示控制系数；

还包括：

在水箱负荷侧出口温度首次满足水箱直供要求时，求取控制系数A；

所述求取控制系数A，具体包括：

步骤10)预测得到逐时太阳辐射值和逐时供暖负荷值；

步骤11)利用式(2)计算水箱直供热量：

B＝c_w,pρV

C＝A_tη_cη_L

式中，Q_zg表示水箱直供热量，I_t表示t时刻的预测太阳辐射值，t₀表示水箱负荷侧出口温度首次满足水箱直供要求的时刻，t_s,end表示预设太阳辐射结束时刻，c_w,p表示水的比热容，ρ表示水的密度，V表示水箱体积，A_t表示集热器面积，η_c表示集热效率，η_L表示水箱和管路热损失率；T_s表示水箱直供模式开始时水箱温度，T_e表示水箱直供模式结束时水箱温度；

步骤12)利用式(3)计算部分负荷率0.1～m区间的供暖负荷之和：

式中，Q_h,m表示部分负荷率0.1～m区间的供暖负荷之和，t₀表示水箱负荷侧出口温度首次满足水箱直供要求的时刻，t_h,end表示预设供暖负荷结束时刻，Q_h,t表示t时刻的预测供暖负荷值，Q_h,nom表示土壤源热泵额定制热量；m＝0.2+q×Δp，q表示步骤13)返回步骤12)的次数，q的初始值为0，Δp表示预设负荷率间隔；

步骤13)判断Q_zg≤Q_h,m是否满足，若满足，则A＝m，否则若m等于预设最大负荷率，则A＝1，否则返回步骤12)。

2.根据权利要求1所述的基于BP神经网络的复合供暖控制方法，其特征在于，所述步骤10)具体包括：

步骤101)采集预测日的前n天的逐时太阳辐射值和逐时供暖负荷值，前n天的最高环境温度和最低环境温度，以及预测日的最高环境温度和最低环境温度；n表示大于等于2的整数；

步骤102)利用步骤101)采集的数据，建立基于BP神经网络的太阳辐射量预测模型和基于BP神经网络的建筑负荷预测模型，利用太阳能辐射量预测模型预测得到预测日的逐时太阳辐射值，利用建筑负荷预测模型预测得到预测日的逐时供暖负荷值。

3.根据权利要求2所述的基于BP神经网络的复合供暖控制方法，其特征在于，所述基于BP神经网络的太阳辐射量预测模型中，输入参数为预测日的前n天的预设辐射时间段的逐时太阳辐射值、预测日的最高环境温度以及预测日的最高环境温度和预测日的最低环境温度的平均值，BP神经网络采用Levenberg-Marquardt算法，输入节点数为24个，隐藏层节点数为12个，隐藏层神经元激励函数选择tansig形式，输出层激励函数采用logsig形式，输出为预测日的逐时太阳辐射值。

4.根据权利要求2所述的基于BP神经网络的复合供暖控制方法，其特征在于，所述基于BP神经网络的建筑负荷预测模型中，输入参数为预测日的前n天的预设供暖时间段的逐时负荷值，前n天的最高环境温度和最低环境温度，预测日的最高环境温度和最低环境温度，以及预测日与前一日的最高环境温度的差值，BP神经网络采用Levenberg-Marquardt算法，输入节点数为33个，隐藏层节点数为14个，隐藏层神经元激励函数选择tansig形式，输出层激励函数采用logsig形式，输出为预测日的逐时供暖负荷值。