本發(fā)明涉及建筑大型中央空調(diào)領域，更具體地說，涉及一種中央空調(diào)系統(tǒng)制冷主機的能效比預測方法及裝置。

背景技術(shù)：

在我國，2014年建筑能耗問題超過12.5億噸標準煤，占社會總能耗30％。中央空調(diào)能耗占建筑總能耗65％，其中空調(diào)機房能耗占空調(diào)系統(tǒng)能耗70％左右。由此可見，建筑中央空調(diào)系統(tǒng)的節(jié)能勢在必行。當前，中央空調(diào)比(COP：Coefficient Of Performance)是可以描述中央空調(diào)系統(tǒng)運行能效的一種簡單、直觀的參數(shù)。它被定義為空調(diào)系統(tǒng)制冷量與空調(diào)系統(tǒng)能耗的比值。傳統(tǒng)的中央空調(diào)在計算中央空調(diào)系統(tǒng)能效比時采用的是通過計算某一時段冷凍水供、回水溫度的溫差、冷凍水流量以及相關參數(shù)的乘積來求中央空調(diào)系統(tǒng)的制冷量，并通過與該時段制冷主機能耗做商來求得中央空調(diào)系統(tǒng)主機能效比。但該方法只能將中央空調(diào)主機的運行能效情況反饋給使用者，并不能實現(xiàn)對主機能效的預測，不能及時改善室內(nèi)空氣品質(zhì)，降低室內(nèi)舒適性。

技術(shù)實現(xiàn)要素：

本發(fā)明要解決的技術(shù)問題在于，針對現(xiàn)有技術(shù)的上述缺陷，提供一種中央空調(diào)系統(tǒng)制冷主機的能效比預測方法及裝置。

本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是：構(gòu)造一種中央空調(diào)系統(tǒng)制冷主機的能效比預測方法及裝置，該方法包括以下步驟：

S1、收集中央空調(diào)系統(tǒng)的運行參數(shù)的歷史數(shù)據(jù)；

S2、對所收集的中央空調(diào)系統(tǒng)的運行參數(shù)的歷史數(shù)據(jù)進行處理，以獲得所述運行參數(shù)的有效歷史數(shù)據(jù)，同時對BP神經(jīng)網(wǎng)絡訓練模型的訓練參數(shù)進行設置；

S3、將所述運行參數(shù)的有效歷史數(shù)據(jù)代入已完成設置的所述BP神經(jīng)網(wǎng)絡訓練模型中進行訓練，獲得所述中央空調(diào)系統(tǒng)的運行參數(shù)與制冷主機的能效比的對應關系式；

S4、采集T₀時刻所述中央空調(diào)系統(tǒng)的運行參數(shù)并代入所述對應關系式中，獲得T₀時刻所述中央空調(diào)系統(tǒng)制冷主機的能效比。

在本發(fā)明所述的中央空調(diào)系統(tǒng)制冷主機的能效比預測方法中，優(yōu)選地，所述中央空調(diào)系統(tǒng)的運行參數(shù)包括：

冷凍水質(zhì)量流量、冷凍水供水溫度、冷凍水回水溫度、冷卻水質(zhì)量流量、冷卻水供水溫度、冷卻水回水溫度以及中央空調(diào)系統(tǒng)冷負荷。

在本發(fā)明所述的中央空調(diào)系統(tǒng)制冷主機的能效比預測方法中，優(yōu)選地，所述步驟S2包括：

S21、對所收集的中央空調(diào)系統(tǒng)的運行參數(shù)的歷史數(shù)據(jù)進行篩選處理，剔除不合理的數(shù)據(jù)或無效的數(shù)據(jù)，以獲得所述運行參數(shù)的有效歷史數(shù)據(jù)；所述不合理的數(shù)據(jù)或無效的數(shù)據(jù)為超出預設值的數(shù)據(jù)；

S22、對所述有效歷史數(shù)據(jù)進行歸一化處理；

S23、將所述已進行歸一化處理的有效歷史數(shù)據(jù)劃分為第一歷史數(shù)據(jù)、第二歷史數(shù)據(jù)和第三歷史數(shù)據(jù)；所述第一歷史數(shù)據(jù)用于代入所述BP神經(jīng)網(wǎng)絡中進行訓練，所述第二歷史數(shù)據(jù)用于代入所述BP神經(jīng)網(wǎng)絡中進行驗證，所述第三歷史數(shù)據(jù)用于代入所述BP神經(jīng)網(wǎng)絡中進行測試。

在本發(fā)明所述的中央空調(diào)系統(tǒng)制冷主機的能效比預測方法中，優(yōu)選地，在所述步驟S2中，所述對BP神經(jīng)網(wǎng)絡訓練模型的訓練參數(shù)進行設置包括：

將BP神經(jīng)網(wǎng)絡訓練模型設置為輸入層、隱含層和輸出層；

所述輸入層包括M個輸入?yún)?shù)，所述隱含層包括N個節(jié)點，所述輸出層包括1個輸出參數(shù)；其中，M為大于1的正整數(shù)，N為大于1的正整數(shù)。

在本發(fā)明所述的中央空調(diào)系統(tǒng)制冷主機的能效比預測方法中，優(yōu)選地，所述輸入層中的輸入?yún)?shù)為所述步驟S1中所述的中央空調(diào)系統(tǒng)的運行參數(shù)。

在本發(fā)明所述的中央空調(diào)系統(tǒng)制冷主機的能效比預測方法中，優(yōu)選地，所述隱含層包括10個節(jié)點。

在本發(fā)明所述的中央空調(diào)系統(tǒng)制冷主機的能效比預測方法中，優(yōu)選地，所述輸出參數(shù)為所述中央空調(diào)系統(tǒng)制冷主機的能效比。

在本發(fā)明所述的中央空調(diào)系統(tǒng)制冷主機的能效比預測方法中，優(yōu)選地，所述步驟S3中包括：

將所述運行參數(shù)的有效歷史數(shù)據(jù)代入已完成設置的所述BP神經(jīng)網(wǎng)絡訓練模型中進行訓練，獲得所述輸入?yún)?shù)與所述輸出參數(shù)的對應關系；

對所述輸出參數(shù)的數(shù)據(jù)進行反歸一化處理，最終獲得所述中央空調(diào)系統(tǒng)的運行參數(shù)與制冷主機的能效比的對應關系式。

在本發(fā)明所述的中央空調(diào)系統(tǒng)制冷主機的能效比預測方法中，優(yōu)選地，所述對BP神經(jīng)網(wǎng)絡訓練模型的訓練參數(shù)進行設置還包括：

將所述BP神經(jīng)網(wǎng)絡訓練模型的激活函數(shù)設置為Sigmoid函數(shù)；

將所述BP神經(jīng)網(wǎng)絡訓練模型的訓練算法設置為Levenberg-Marquardt算法。

本發(fā)明還提供了一種中央空調(diào)系統(tǒng)制冷主機的能效比預測裝置，包括：

收集單元，用于收集中央空調(diào)系統(tǒng)的運行參數(shù)的歷史數(shù)據(jù)；

處理單元，用于對所收集的中央空調(diào)系統(tǒng)的運行參數(shù)的歷史數(shù)據(jù)進行處理，以獲得所述運行參數(shù)的有效歷史數(shù)據(jù)，同時對BP神經(jīng)網(wǎng)絡訓練模型的訓練參數(shù)進行設置；

訓練單元，用于將所述運行參數(shù)的有效的歷史數(shù)據(jù)代入已完成設定的所述BP神經(jīng)網(wǎng)絡訓練模型中進行訓練，獲得所述中央空調(diào)系統(tǒng)的運行參數(shù)與制冷主機的能效比的對應關系式；

獲取單元，用于采集T₀時刻所述中央空調(diào)系統(tǒng)的運行參數(shù)并代入所述對應關系式中，獲得T₀時刻中央空調(diào)系統(tǒng)制冷主機的能效比。

實施本發(fā)明的中央空調(diào)系統(tǒng)制冷主機的能效比預測方法及裝置，具有以下有益效果：該預測方法包括步驟：S1、采集中央空調(diào)系統(tǒng)的運行參數(shù)的歷史數(shù)據(jù)；S2、對所采集的中央空調(diào)系統(tǒng)的運行參數(shù)的歷史數(shù)據(jù)進行處理，以獲得運行參數(shù)的有效歷史數(shù)據(jù)，同時對BP神經(jīng)網(wǎng)絡訓練模型的訓練參數(shù)進行設置；S3、將運行參數(shù)的有效歷史數(shù)據(jù)代入已完成設定的BP神經(jīng)網(wǎng)絡訓練模型中進行訓練，獲得中央空調(diào)系統(tǒng)的運行參數(shù)與制冷主機的能效比的對應關系式；S4、采集T₀時刻中央空調(diào)系統(tǒng)的運行參數(shù)并代入對應關系式中，獲得T₀時刻中央空調(diào)系統(tǒng)制冷主機的能效比。本發(fā)明通過對中央空調(diào)系統(tǒng)制冷主機的能效比進行提前預測可以有效避免能耗的浪費、延長制冷主機的使用壽命，提高室內(nèi)熱舒適性。

附圖說明

下面將結(jié)合附圖及實施例對本發(fā)明作進一步說明，附圖中：

圖1是本發(fā)明中央空調(diào)系統(tǒng)制冷主機的能效比預測方法的流程示意圖；

圖2是本發(fā)明中央空調(diào)系統(tǒng)制冷主機的能效比預測方法一較佳實施例的示意圖；

圖3是BP神經(jīng)網(wǎng)絡訓練模型的示意圖；

圖4是本發(fā)明中央空調(diào)系統(tǒng)制冷主機的能效比預測裝置的結(jié)構(gòu)示意圖；

圖5是應用本發(fā)明對中央空調(diào)系統(tǒng)制冷主機的能效比進行預測的能效比與實際能效比的對比圖。

具體實施方式

為了對本發(fā)明的技術(shù)特征、目的和效果有更加清楚的理解，現(xiàn)對照附圖詳細說明本發(fā)明的具體實施方式。

與傳統(tǒng)的“反饋型”中央空調(diào)系統(tǒng)控制理論相比，本發(fā)明提出了一種較為優(yōu)化的“預測型”的中央空調(diào)系統(tǒng)的控制方法。具體為，本發(fā)明利用中央空調(diào)系統(tǒng)運行參數(shù)既有的歷史數(shù)據(jù)(如果是新建項目則需先積累一段時間運行參數(shù)的歷史數(shù)據(jù))對中央空調(diào)系統(tǒng)制冷主機的能效比進行預測，通過預測中央空調(diào)系統(tǒng)制冷主機的能效比，可以指導操作人員提前做好相應的控制，或指導控制系統(tǒng)提前轉(zhuǎn)換中央空調(diào)系統(tǒng)的控制策略，如可指導中央空調(diào)系統(tǒng)操作人員根據(jù)預測的中央空調(diào)系統(tǒng)制冷主機的能效比進行提前開機時間的設定，避免能耗的浪費，延長制冷主機的使用壽命；同時也可以應用到日常中央空調(diào)系統(tǒng)的當中，有效減少因系統(tǒng)冷負荷變化和中央空調(diào)系統(tǒng)時滯性、大惰性等缺陷所帶來的系統(tǒng)響應時間過慢的問題，可提前改善室內(nèi)的空氣品質(zhì)，提高室內(nèi)的熱舒適性。另外，本發(fā)明無需額外添加硬件設備，只需將引用BP神經(jīng)網(wǎng)絡算法，通過程序?qū)χ醒肟照{(diào)系統(tǒng)制冷主機進行學習和建模，從而達到對中央空調(diào)制冷主機能效比進行預測的目的，操作簡單易行。

如圖1所示，在本發(fā)明的中央空調(diào)系統(tǒng)制冷主機能效比預測方法的流程示意圖中，該方法包括以下步驟：

步驟S1、收集中央空調(diào)系統(tǒng)的運行參數(shù)的歷史數(shù)據(jù)。

具體地，在本發(fā)明的實施例中，對于改造的項目而言，中央空調(diào)系統(tǒng)的運行參數(shù)的歷史數(shù)據(jù)可直接收集，這些運行參數(shù)的歷史數(shù)據(jù)可從現(xiàn)有已記錄的數(shù)據(jù)獲得。而對于新建項目(例如新引入的中央空調(diào))，因沒有歷史數(shù)據(jù)故需操作人員對中央空調(diào)的運行參數(shù)進行預設定，再通過在使用過程中運行參數(shù)的變化進行數(shù)據(jù)的收集，以獲得所需的歷史數(shù)據(jù)。

優(yōu)選地，在本實施例中，中央空調(diào)系統(tǒng)的運行參數(shù)包括冷凍水質(zhì)量流量、冷凍水供水溫度、冷凍水回水溫度、冷卻水質(zhì)量流量、冷卻水供水溫度、冷卻水回水溫度以及中央空調(diào)系統(tǒng)冷負荷。

可以理解地，在本實施例中，中央空調(diào)系統(tǒng)的運行參數(shù)的歷史數(shù)據(jù)包括多組數(shù)據(jù)，每一組數(shù)據(jù)都包括前述的運行參數(shù)在某一時刻的對應數(shù)值。假設冷凍水質(zhì)量流量為X1，冷凍水供水溫度為X2、冷凍水回水溫度為X3，冷卻水質(zhì)量流量為X4，冷卻水供水溫度為X5，冷卻水回水溫度為X6、中央空調(diào)系統(tǒng)冷負荷為X7，則第一組數(shù)據(jù)為X10、X20、X30、X40、X50、X60、X70；第二組數(shù)據(jù)為X11、X21、X31、X41、X51、X61、X71；第三組數(shù)據(jù)為X12、X22、X32、X42、X52、X62、X72；第四組數(shù)據(jù)為X13、X23、X33、X43、X53、X63、X73；依此類推。在本實施例中，優(yōu)選地，每一組數(shù)據(jù)中各中央空調(diào)系統(tǒng)的運行參數(shù)均為采集同一時刻的運行參數(shù)。例如，在第一組數(shù)據(jù)中，X10、X20、X30、X40、X50、X60、X70都是在同一時刻采集的。而且，中央空調(diào)系統(tǒng)的運行參數(shù)的歷史數(shù)據(jù)可以是在中央空調(diào)運行過程中每隔5分鐘采集一次的數(shù)據(jù)、每隔10分種采集一次的數(shù)據(jù)、每隔15分種采集一次的數(shù)據(jù)、或者是每隔半小時采集一次的數(shù)據(jù)、每隔1小時采集一次的數(shù)據(jù)等等。在本發(fā)明的實施例中，本發(fā)明對此不作具體限定，對于中央空調(diào)系統(tǒng)的運行參數(shù)的歷史數(shù)據(jù)均可用于本發(fā)明的實施例。

在本實施例中，優(yōu)選地，中央空調(diào)系統(tǒng)的運行參數(shù)可通過傳感器或相應的檢測工具對數(shù)據(jù)進行采集。具體地，對于溫度的數(shù)據(jù)采集可通過溫度傳感器對溫度數(shù)據(jù)進行采集；對于流量的數(shù)據(jù)采集可通過流量傳感器對流量進行采集；對于冷負荷的數(shù)據(jù)采集可通過冷負荷表對冷負荷進行采集。具體如何采集、或者何時對中央空調(diào)系統(tǒng)的運行參數(shù)進行采集本發(fā)明對此不作限定，本發(fā)明只需將之前所采集的數(shù)據(jù)進行收集。

步驟S2：對所收集的中央空調(diào)系統(tǒng)的運行參數(shù)的歷史數(shù)據(jù)進行處理，以獲得運行參數(shù)的有效歷史數(shù)據(jù)，同時對BP神經(jīng)網(wǎng)絡訓練模型的訓練參數(shù)進行設置。

具體地，本發(fā)明的中央空調(diào)系統(tǒng)制冷主機能效比的預測方法是基于BP神經(jīng)網(wǎng)絡算法的預測方法，即通過在步驟S1中收集的中央空調(diào)系統(tǒng)的運行參數(shù)的歷史數(shù)據(jù)，將該歷史數(shù)據(jù)代入BP神經(jīng)網(wǎng)絡訓練模型是進行訓練以獲得中央空調(diào)系統(tǒng)的運行參數(shù)與制冷主機的能效比的對應關系，從而根據(jù)該對應關系實現(xiàn)了對中央空調(diào)系統(tǒng)制冷主機的能效比的預測。

進一步地，為了使在BP神經(jīng)網(wǎng)絡訓練模型進行訓練時精度及效率更高，可對中央空調(diào)系統(tǒng)的運行參數(shù)的歷史數(shù)據(jù)進行處理。

另外，在步驟S2中，對BP神經(jīng)網(wǎng)絡訓練模型的訓練參數(shù)進行設置的步驟中，具體包括：

將BP神經(jīng)網(wǎng)絡訓練模型設置為輸入層、隱含層和輸出層。優(yōu)選地，輸入層可包括M個輸入?yún)?shù)，隱含層可包括N個節(jié)點，輸出層可包括1個輸出參數(shù)；其中，M為大于1的正整數(shù)，N為大于1的正整數(shù)。

在本發(fā)明的實施例中，優(yōu)選地，BP神經(jīng)網(wǎng)絡訓練模型的輸入層可包括7個輸入?yún)?shù)，即冷凍水質(zhì)量流量、冷凍水供水溫度、冷凍水回水溫度、冷卻水質(zhì)量流量、冷卻水供水溫度、冷卻水回水溫度以及中央空調(diào)系統(tǒng)冷負荷。隱含層可包括10個節(jié)點。輸出層中的1個輸出參數(shù)為中央空調(diào)系統(tǒng)制冷主機的能效比。

在本實施例中，BP神經(jīng)網(wǎng)絡訓練模型中的激活函數(shù)可為Sigmoid函數(shù)，BP神經(jīng)網(wǎng)絡訓練模型中的訓練算法可為Levenberg-Marquardt算法。可以理解地，在本實施例中，BP神經(jīng)網(wǎng)絡訓練模型中的激活函數(shù)采用Sigmoid函數(shù)可以把實數(shù)域光滑的映射到[0，1]空間，可以使運算速率大大提高，還可提高運算的精度。且Sigmoid函數(shù)單調(diào)遞增，連續(xù)可導，導數(shù)形式非常簡單，因此可進一步提高運算速率，簡化運算過程。

優(yōu)選地，參考圖2，圖2是本發(fā)明一種中央空調(diào)系統(tǒng)制冷主機的能效比預測方法的另一優(yōu)選實施例。為了使在后續(xù)的BP神經(jīng)網(wǎng)絡訓練中的運算更加簡化及運算速度更快，本實施例在步驟S2對中央空調(diào)系統(tǒng)的運行參數(shù)進行優(yōu)化處理。具體地，包括：

S21、對所采集的中央空調(diào)系統(tǒng)的運行參數(shù)的歷史數(shù)據(jù)進行篩選處理，剔除不合理的數(shù)據(jù)或無效的數(shù)據(jù)，以獲得運行參數(shù)的有效歷史數(shù)據(jù)。

可以理解地，不合理的數(shù)據(jù)或無效的數(shù)據(jù)為超出預設值的數(shù)據(jù)。例如對于冷凍水質(zhì)量流量，如果冷凍水質(zhì)量的某一數(shù)據(jù)大于中央空調(diào)系統(tǒng)所能負載的數(shù)值，則該數(shù)據(jù)為不合理的數(shù)據(jù)或無效的數(shù)據(jù)。如中央空調(diào)系統(tǒng)冷負荷，如果收集到的歷史數(shù)據(jù)中某一中央空調(diào)系統(tǒng)冷負荷的數(shù)據(jù)大于中央空調(diào)系統(tǒng)制冷主機的額定制冷量，則該數(shù)據(jù)為不合理的數(shù)據(jù)或無效的數(shù)據(jù)。

S22、對有效歷史數(shù)據(jù)進行歸一化處理。

可以理解地，歸一化是一種簡化計算的方式，是一種無量綱處理手段，通過歸一化可使物理系統(tǒng)數(shù)值的絕對值變成某種相對值關系，進而使計算更加簡單。

在本發(fā)明的實施例中，優(yōu)選地，對中央空調(diào)系統(tǒng)的運行參數(shù)的有效歷史數(shù)據(jù)進行歸一化處理，將不同數(shù)量級的運行參數(shù)的數(shù)據(jù)歸一到同一數(shù)量級，進一步使數(shù)據(jù)處理更加簡單，提高了數(shù)據(jù)處理的效率。

S23、將已進行歸一化處理的有效歷史數(shù)據(jù)劃分為第一歷史數(shù)據(jù)、第二歷史數(shù)據(jù)和第三歷史數(shù)據(jù)；第一歷史數(shù)據(jù)用于代入BP神經(jīng)網(wǎng)絡中進行訓練，第二歷史數(shù)據(jù)用于代入BP神經(jīng)網(wǎng)絡中進行驗證，第三歷史數(shù)據(jù)用于代入BP神經(jīng)網(wǎng)絡中進行測試。

具體地，在本發(fā)明的實施例中，第一歷史數(shù)據(jù)、第二歷史數(shù)據(jù)和第三歷史數(shù)據(jù)可為將所有有效歷史數(shù)據(jù)按不同的比例進行劃分，即第一歷史數(shù)據(jù)可為從有效歷史數(shù)據(jù)中隨機抽取的50％作為代入BP神經(jīng)網(wǎng)絡進行訓練的數(shù)據(jù)，相應地，第二歷史數(shù)據(jù)為從余下的50％的有效歷史數(shù)據(jù)中隨機抽取30％作為代入BP神經(jīng)網(wǎng)絡中進行驗證的數(shù)據(jù)，則第三歷史數(shù)據(jù)為余下的20％的有效歷史數(shù)據(jù)。優(yōu)選地，在本發(fā)明的實施例中，從有效歷史數(shù)據(jù)中隨機抽取70％作為第一歷史數(shù)據(jù)，隨機抽取15％作為第二歷史數(shù)據(jù)，隨機抽取15％作為第三歷史數(shù)據(jù)。通過該抽取70％作為訓練數(shù)據(jù)、15％作為驗證數(shù)據(jù)、15％作為測試數(shù)據(jù)，在使計算的時間長度、運算速度及運算精度三者達到平衡的前提下，對輸出數(shù)據(jù)作出更加精確的預測，提高預測精度?？梢岳斫獾?，訓練數(shù)據(jù)即為初步運算數(shù)據(jù)，根據(jù)訓練數(shù)據(jù)在BP神經(jīng)網(wǎng)絡中獲得初步訓練結(jié)果。在獲得初步訓練結(jié)果后，將隨機抽取的15％的有效歷史數(shù)據(jù)代入BP神經(jīng)網(wǎng)絡中對訓練結(jié)果進行驗證，以驗證訓練結(jié)果是否正確，根據(jù)驗證的結(jié)果再將隨機抽取的15％的有效歷史數(shù)據(jù)代入BP神經(jīng)網(wǎng)絡中作進一步的測試，以獲得準確的中央空調(diào)系統(tǒng)的運行參數(shù)與制冷主機的能效比的對應關系。

步驟S3：將運行參數(shù)的有效歷史數(shù)據(jù)代入已完成設置的BP神經(jīng)網(wǎng)絡訓練模型中進行訓練，獲得中央空調(diào)系統(tǒng)的運行參數(shù)與制冷主機的能效比的對應關系式。

具體地，將冷凍水質(zhì)量流量、冷凍水供水溫度、冷凍水回水溫度、冷卻水質(zhì)量流量、冷卻水供水溫度、冷卻水回水溫度以及中央空調(diào)系統(tǒng)冷負荷代入已完成設置的BP神經(jīng)網(wǎng)絡訓練模型的輸入層中，在BP神經(jīng)網(wǎng)絡訓練模型中進行訓練，進而獲得輸入?yún)?shù)與輸出參數(shù)的對應關系。

優(yōu)選地，步驟S3包括：將運行參數(shù)的有效歷史數(shù)據(jù)代入已完成設置的BP神經(jīng)網(wǎng)絡模型中進行訓練，獲得輸入?yún)?shù)與輸出參數(shù)的對應關系后，再對輸出參數(shù)的數(shù)據(jù)進行反歸一化處理，最終獲得中央空調(diào)系統(tǒng)的運行參數(shù)與制冷主機的能效比的對應關系式。

可以理解地，BP神經(jīng)網(wǎng)絡算法是一種按誤差逆?zhèn)鞑ニ惴ㄓ柧毜亩鄬忧梆伨W(wǎng)絡。通過BP神經(jīng)網(wǎng)絡可以學習和存貯大量的輸入-輸出模式映射關系，且不需要事先揭示描述這種映射關系的數(shù)學方法。因此，本發(fā)明通過基于BP神經(jīng)網(wǎng)絡算法將中央空調(diào)系統(tǒng)的運行參數(shù)作為BP神經(jīng)網(wǎng)絡模型中的輸入?yún)?shù)，中央空調(diào)系統(tǒng)制冷主機的能效比作為BP神經(jīng)網(wǎng)絡模型中的輸出參數(shù)，通過訓練可快速獲得中央空調(diào)系統(tǒng)運行參數(shù)與制冷主機的能效比的關系。

結(jié)合圖3，在本實施例中，X1對應為冷凍水質(zhì)量流量、X2對應為冷凍水供水溫度、X3對應為冷凍水回水溫度、X4對應為冷卻水質(zhì)量流量、X5對應為冷卻水供水溫度、X6對應為冷卻水回水溫度以及X7對應為中央空調(diào)系統(tǒng)冷負荷，Y對應為中央空調(diào)系統(tǒng)制冷主機的能效比。即分別將每一組冷凍水質(zhì)量流量的有效歷史數(shù)據(jù)代入X1中、每一組冷凍水供水溫度的有效歷史數(shù)據(jù)代入X2中，每一組冷凍水回水溫度的有效歷史數(shù)據(jù)代入X3中、每一組冷卻水質(zhì)量流量的有效歷史數(shù)據(jù)代入X4中、每一組冷卻水供水溫度的有效歷史數(shù)據(jù)代入X5中，每一組冷卻水回水溫度的有效歷史數(shù)據(jù)代入X6中，每一組中央空調(diào)系統(tǒng)冷負荷的有效歷史數(shù)據(jù)代入X7中；再分別對每一組X1、X2、X3、X4、X5、X6、X7進行訓練，進而獲得中央空調(diào)系統(tǒng)制冷主機的能效比Y，從而通過將中央空調(diào)系統(tǒng)的運行參數(shù)的有效歷史數(shù)據(jù)代入設置好的BP神經(jīng)網(wǎng)絡訓練模型中進行訓練獲得中央空調(diào)系統(tǒng)的運行參數(shù)與制冷主機的能效比的對應關系式。

步驟S4：采集T₀時刻中央空調(diào)系統(tǒng)的運行參數(shù)并代入對應關系式中，獲得T₀時刻中央空調(diào)系統(tǒng)制冷主機的能效比。

具體地，通過在步驟S3中獲得中央空調(diào)系統(tǒng)的運行參數(shù)與制冷主機的能效比的對應關系式，實時采集中央空調(diào)系統(tǒng)的冷凍水質(zhì)量流量、冷凍水供水溫度、冷凍水回水溫度、冷卻水質(zhì)量流量、冷卻水供水溫度、冷卻水回水溫度以及中央空調(diào)系統(tǒng)冷負荷在T₀(該T₀時刻為中央空調(diào)系統(tǒng)在運行過程中的任一時刻)時刻的數(shù)據(jù)，并將所采集到的數(shù)據(jù)代入對應關系式中即可獲得該T₀時刻中央空調(diào)系統(tǒng)制冷主機的能效比，即實現(xiàn)了對中央空調(diào)系統(tǒng)的能效比的預測。通過所獲得的T₀時刻中央空調(diào)系統(tǒng)制冷主機的能效比，實現(xiàn)了對T₀時刻的中央空調(diào)系統(tǒng)制冷主機的能效比進行預測。例如，在每天中央空調(diào)系統(tǒng)開關機階段，根據(jù)預測的中央空調(diào)系統(tǒng)制冷主機的能效比，指導中央空調(diào)系統(tǒng)操作人員根據(jù)預測結(jié)果進行提前開機時間的設定，避免能耗的浪費，延長制冷主機的使用壽命。

本發(fā)明的中央空調(diào)系統(tǒng)制冷主機的能效比預測方法通過應用中央空調(diào)系統(tǒng)的運行參數(shù)既有的歷史數(shù)據(jù)并基于BP神經(jīng)網(wǎng)絡算法實現(xiàn)了對中央空調(diào)制冷主機能效比的預測，通過該方式以預測中央空調(diào)系統(tǒng)制冷主機的能效比，可以指導操作人員提前做好相應的控制，或者指導控制系統(tǒng)提前轉(zhuǎn)換中央空調(diào)系統(tǒng)的控制策略，當應用于每天中央空調(diào)系統(tǒng)開關機階段時，可指導中央空調(diào)系統(tǒng)操作人員根據(jù)預測結(jié)果進行提前開機時間的設定，避免能耗的浪費，延長主機的使用壽命；同時在日常中央空調(diào)系統(tǒng)的運行維護當中，可有效減少因系統(tǒng)冷負荷變化和中央空調(diào)系統(tǒng)的時滯性、在惰性等缺陷所帶來的系統(tǒng)響應時間過慢的問題，及時改善室內(nèi)空氣品質(zhì)，提高室內(nèi)的熱舒適性，且實施本發(fā)明不需額外添加硬件設備，操作簡單可行。

如圖5所示，為利用本發(fā)明的中央空調(diào)系統(tǒng)制冷主機的能效比預測方法對某建筑中央空調(diào)系統(tǒng)制冷主機的能效比進行預測的的能效比與實際能效比的對比圖。

在本應用實例中：

預測對象：某建筑中央空調(diào)系統(tǒng)制冷主機；

預測時間：某一年的夏天(即6月1日至9月30日)；

預測方法：本發(fā)明的中央空調(diào)系統(tǒng)制冷主機的能效比預測方法。

具體地，根據(jù)本發(fā)明的預測方法對某建筑中央空調(diào)系統(tǒng)制冷主機的能效比進行預測并與制冷主機的實際能效比進行對比，可得圖5所示的對比圖。在圖5中，橫坐標為中央空調(diào)系統(tǒng)制冷主機的實際能效比，縱坐標為利用本發(fā)明預測得到的中央空調(diào)系統(tǒng)制冷主機的能效比；中間的實線公式為X＝Y(jié)，即若預測的能效比與實際的能效比相同，則所有的點在該實線上；兩條虛線為5％置信區(qū)域，即認為預測結(jié)果與實際結(jié)果相差±5％，在該誤差范圍內(nèi)是可以接受的。由圖5顯示，通過采用本發(fā)明的預測方法對某一年的夏天某建筑中央空調(diào)系統(tǒng)制冷主機的能效比進行預測得到的能效比在高達99.22％都落在置信區(qū)域之內(nèi)。由此可知通過本發(fā)明的預測方法對中央空調(diào)系統(tǒng)制冷主機的能效比的預測精度很高，具有很強的實用性。

如圖4所示，為本發(fā)明一種中央空調(diào)系統(tǒng)制冷主機的能效比預測裝置的優(yōu)選實施例。

具體地，該預測裝置包括收集單元100、處理單元200、訓練單元300、以及獲取單元400。以下分別進行詳細說明：

收集單元100，用于收集中央空調(diào)系統(tǒng)的運行參數(shù)的歷史數(shù)據(jù)。

具體地，在本發(fā)明的實施例中，對于改造的項目而言，中央空調(diào)系統(tǒng)的運行參數(shù)的歷史數(shù)據(jù)可直接收集，這些運行參數(shù)的歷史數(shù)據(jù)可從現(xiàn)有已記錄的數(shù)據(jù)獲得。而對于新建項目(例如新引入的中央空調(diào))，因沒有歷史數(shù)據(jù)故需操作人員對中央空調(diào)的運行參數(shù)進行預設定，再通過在使用過程中運行參數(shù)的變化進行數(shù)據(jù)的收集，以獲得所需的歷史數(shù)據(jù)。

優(yōu)選地，在本實施例中，中央空調(diào)系統(tǒng)的運行參數(shù)包括冷凍水質(zhì)量流量、冷凍水供水溫度、冷凍水回水溫度、冷卻水質(zhì)量流量、冷卻水供水溫度、冷卻水回水溫度以及中央空調(diào)系統(tǒng)冷負荷。

可以理解地，在本實施例中，中央空調(diào)系統(tǒng)的運行參數(shù)的歷史數(shù)據(jù)包括多組數(shù)據(jù)，每一組數(shù)據(jù)都包括前述的運行參數(shù)在某一時刻的對應數(shù)值。假設冷凍水質(zhì)量流量為X1，冷凍水供水溫度為X2、冷凍水回水溫度為X3，冷卻水質(zhì)量流量為X4，冷卻水供水溫度為X5，冷卻水回水溫度為X6、中央空調(diào)系統(tǒng)冷負荷為X7，則第一組數(shù)據(jù)為X10、X20、X30、X40、X50、X60、X70；第二組數(shù)據(jù)為X11、X21、X31、X41、X51、X61、X71；第三組數(shù)據(jù)為X12、X22、X32、X42、X52、X62、X72；第四組數(shù)據(jù)為X13、X23、X33、X43、X53、X63、X73；依此類推。在本實施例中，優(yōu)選地，每一組數(shù)據(jù)中各中央空調(diào)系統(tǒng)的運行參數(shù)均為采集同一時刻的運行參數(shù)。例如，在第一組數(shù)據(jù)中，X10、X20、X30、X40、X50、X60、X70都是在同一時刻采集的。而且，中央空調(diào)系統(tǒng)的運行參數(shù)的歷史數(shù)據(jù)可以是在中央空調(diào)運行過程中每隔5分鐘采集一次的數(shù)據(jù)、每隔10分種采集一次的數(shù)據(jù)、每隔15分種采集一次的數(shù)據(jù)、或者是每隔半小時采集一次的數(shù)據(jù)、每隔1小時采集一次的數(shù)據(jù)等等。在本發(fā)明的實施例中，本發(fā)明對此不作具體限定，對于中央空調(diào)系統(tǒng)的運行參數(shù)的歷史數(shù)據(jù)均可用于本發(fā)明的實施例。

在本實施例中，優(yōu)選地，中央空調(diào)系統(tǒng)的運行參數(shù)可通過傳感器或相應的檢測工具對數(shù)據(jù)進行采集。具體地，對于溫度的數(shù)據(jù)采集可通過溫度傳感器對溫度數(shù)據(jù)進行采集；對于流量的數(shù)據(jù)采集可通過流量傳感器對流量進行采集；對于冷負荷的數(shù)據(jù)采集可通過冷負荷表對冷負荷進行采集。具體如何采集、或者何時對中央空調(diào)系統(tǒng)的運行參數(shù)進行采集本發(fā)明對此不作限定，本發(fā)明只需將之前所采集的數(shù)據(jù)進行收集。

處理單元200，用于對所采集的中央空調(diào)系統(tǒng)的運行參數(shù)的歷史數(shù)據(jù)進行處理，以獲得所述運行參數(shù)的有效歷史數(shù)據(jù)，同時對BP神經(jīng)網(wǎng)絡訓練模型的訓練參數(shù)進行設置。

具體地，本發(fā)明的中央空調(diào)系統(tǒng)制冷主機能效比的預測方法是基于BP神經(jīng)網(wǎng)絡算法的預測方法，即通過在收集單元100收集的中央空調(diào)系統(tǒng)的運行參數(shù)的歷史數(shù)據(jù)，將該歷史數(shù)據(jù)代入BP神經(jīng)網(wǎng)絡訓練模型是進行訓練以獲得中央空調(diào)系統(tǒng)的運行參數(shù)與制冷主機的能效比的對應關系，從而根據(jù)該對應關系實現(xiàn)了對中央空調(diào)系統(tǒng)制冷主機的能效比的預測。

進一步地，為了使在BP神經(jīng)網(wǎng)絡訓練模型進行訓練時精度及效率更高，可對中央空調(diào)系統(tǒng)的運行參數(shù)的歷史數(shù)據(jù)進行處理。

另外，對BP神經(jīng)網(wǎng)絡訓練模型的訓練參數(shù)進行設置，具體包括：

將BP神經(jīng)網(wǎng)絡訓練模型設置為輸入層、隱含層和輸出層。優(yōu)選地，輸入層可包括M個輸入?yún)?shù)，隱含層可包括N個節(jié)點，輸出層可包括1個輸出參數(shù)；其中，M為大于1的正整數(shù)，N為大于1的正整數(shù)。

在本發(fā)明的實施例中，優(yōu)選地，BP神經(jīng)網(wǎng)絡訓練模型的輸入層可包括7個輸入?yún)?shù)，即冷凍水質(zhì)量流量、冷凍水供水溫度、冷凍水回水溫度、冷卻水質(zhì)量流量、冷卻水供水溫度、冷卻水回水溫度以及中央空調(diào)系統(tǒng)冷負荷。隱含層可包括10個節(jié)點。輸出層中的1個輸出參數(shù)為中央空調(diào)系統(tǒng)制冷主機的能效比。

在本實施例中，BP神經(jīng)網(wǎng)絡訓練模型中的激活函數(shù)可為Sigmoid函數(shù)，BP神經(jīng)網(wǎng)絡訓練模型中的訓練算法可為Levenberg-Marquardt算法?？梢岳斫獾兀诒緦嵤├?，BP神經(jīng)網(wǎng)絡訓練模型中的激活函數(shù)采用Sigmoid函數(shù)可以把實數(shù)域光滑的映射到[0，1]空間，可以使運算速率大大提高，還可提高運算的精度。且Sigmoid函數(shù)單調(diào)遞增，連續(xù)可導，導數(shù)形式非常簡單，因此可進一步提高運算速率，簡化運算過程。

優(yōu)選地，為了使在后續(xù)的BP神經(jīng)網(wǎng)絡訓練中的運算更加簡化及運算速度更快，本實施例在處理單元200中對中央空調(diào)系統(tǒng)的運行參數(shù)進行優(yōu)化處理。具體地，包括：

A、對所采集的中央空調(diào)系統(tǒng)的運行參數(shù)的歷史數(shù)據(jù)進行篩選處理，剔除不合理的數(shù)據(jù)或無效的數(shù)據(jù)，以獲得所述運行參數(shù)的有效歷史數(shù)據(jù)。

可以理解地，不合理的數(shù)據(jù)或無效的數(shù)據(jù)為超出預設值的數(shù)據(jù)。例如對于冷凍水質(zhì)量流量，如果冷凍水質(zhì)量流量的某一數(shù)據(jù)大于中央空調(diào)系統(tǒng)所能負載的數(shù)值，則該數(shù)據(jù)為不合理的數(shù)據(jù)或無效的數(shù)據(jù)。如中央空調(diào)系統(tǒng)冷負荷，如果收集到的歷史數(shù)據(jù)中某一中央空調(diào)系統(tǒng)冷負荷的數(shù)據(jù)大于中央空調(diào)系統(tǒng)制冷主機的額定制冷量，則該數(shù)據(jù)為不合理的數(shù)據(jù)或無效的數(shù)據(jù)。

B、對有效歷史數(shù)據(jù)進行歸一化處理。

可以理解地，歸一化是一種簡化計算的方式，是一種無量綱處理手段，通過歸一化可使物理系統(tǒng)數(shù)值的絕對值變成某種相對值關系，進而使計算更加簡單。

在本發(fā)明的實施例中，優(yōu)選地，對中央空調(diào)系統(tǒng)的運行參數(shù)的有效歷史數(shù)據(jù)進行歸一化處理，將不同數(shù)量級的運行參數(shù)的數(shù)據(jù)歸一到同一數(shù)量級，進一步使數(shù)據(jù)處理更加簡單，提高了數(shù)據(jù)處理的效率。

C、將已進行歸一化處理的有效歷史數(shù)據(jù)劃分為第一歷史數(shù)據(jù)、第二歷史數(shù)據(jù)和第三歷史數(shù)據(jù)；第一歷史數(shù)據(jù)用于代入BP神經(jīng)網(wǎng)絡中進行訓練，第二歷史數(shù)據(jù)用于代入BP神經(jīng)網(wǎng)絡中進行驗證，第三歷史數(shù)據(jù)用于代入BP神經(jīng)網(wǎng)絡中進行測試。

具體地，在本發(fā)明的實施例中，第一歷史數(shù)據(jù)、第二歷史數(shù)據(jù)和第三歷史數(shù)據(jù)可為將所有有效歷史數(shù)據(jù)按不同的比例進行劃分，即第一歷史數(shù)據(jù)可為從有效歷史數(shù)據(jù)中隨機抽取的50％作為代入BP神經(jīng)網(wǎng)絡進行訓練的數(shù)據(jù)，相應地，第二歷史數(shù)據(jù)為從余下的50％的有效歷史數(shù)據(jù)中隨機抽取30％作為代入BP神經(jīng)網(wǎng)絡中進行驗證的數(shù)據(jù)，則第三歷史數(shù)據(jù)為余下的20％的有效歷史數(shù)據(jù)。優(yōu)選地，在本發(fā)明的實施例中，從有效歷史數(shù)據(jù)中隨機抽取70％作為第一歷史數(shù)據(jù)，隨機抽取15％作為第二歷史數(shù)據(jù)，隨機抽取15％作為第三歷史數(shù)據(jù)。通過該抽取70％作為訓練數(shù)據(jù)、15％作為驗證數(shù)據(jù)、15％作為測試數(shù)據(jù)，在使計算的時間長度、運算速度及運算精度三者達到平衡的前提下，對輸出數(shù)據(jù)作出更加精確的預測，提高預測精度?？梢岳斫獾兀柧殧?shù)據(jù)即為初步運算數(shù)據(jù)，根據(jù)訓練數(shù)據(jù)在BP神經(jīng)網(wǎng)絡中獲得初步訓練結(jié)果。在獲得初步訓練結(jié)果后，將隨機抽取的15％的有效歷史數(shù)據(jù)代入BP神經(jīng)網(wǎng)絡中對訓練結(jié)果進行驗證，以驗證訓練結(jié)果是否正確，根據(jù)驗證的結(jié)果再將隨機抽取的15％的有效歷史數(shù)據(jù)代入BP神經(jīng)網(wǎng)絡中作進一步的測試，以獲得準確的中央空調(diào)系統(tǒng)的運行參數(shù)與制冷主機的能效比的對應關系。

訓練單元300，用于將運行參數(shù)的有效的歷史數(shù)據(jù)代入已完成設定的BP神經(jīng)網(wǎng)絡訓練模型中進行訓練，獲得中央空調(diào)系統(tǒng)的運行參數(shù)與制冷主機的能效比的對應關系式。

具體地，將冷凍水質(zhì)量流量、冷凍水供水溫度、冷凍水回水溫度、冷卻水質(zhì)量流量、冷卻水供水溫度、冷卻水回水溫度以及中央空調(diào)系統(tǒng)冷負荷代入已完成設置的BP神經(jīng)網(wǎng)絡訓練模型的輸入層中，在BP神經(jīng)網(wǎng)絡訓練模型中進行訓練，進而獲得輸入?yún)?shù)與輸出參數(shù)的對應關系。

優(yōu)選地，將運行參數(shù)的有效歷史數(shù)據(jù)代入已完成設置的BP神經(jīng)網(wǎng)絡模型中進行訓練，獲得輸入?yún)?shù)與輸出參數(shù)的對應關系后，再對輸出參數(shù)的數(shù)據(jù)進行反歸一化處理，最終獲得中央空調(diào)系統(tǒng)的運行參數(shù)與制冷主機的能效比的對應關系式。

可以理解地，BP神經(jīng)網(wǎng)絡算法是一種按誤差逆?zhèn)鞑ニ惴ㄓ柧毜亩鄬忧梆伨W(wǎng)絡。通過BP神經(jīng)網(wǎng)絡可以學習和存貯大量的輸入-輸出模式映射關系，且不需要事先揭示描述這種映射關系的數(shù)學方法。因此，本發(fā)明通過基于BP神經(jīng)網(wǎng)絡算法將中央空調(diào)系統(tǒng)的運行參數(shù)作為BP神經(jīng)網(wǎng)絡模型中的輸入?yún)?shù)，中央空調(diào)系統(tǒng)制冷主機的能效比作為BP神經(jīng)網(wǎng)絡模型中的輸出參數(shù)，通過訓練可快速獲得中央空調(diào)系統(tǒng)運行參數(shù)與制冷主機的能效比的關系。

結(jié)合圖3，在本實施例中，X1對應為冷凍水質(zhì)量流量、X2對應為冷凍水供水溫度、X3對應為冷凍水回水溫度、X4對應為冷卻水質(zhì)量流量、X5對應為冷卻水供水溫度、X6對應為冷卻水回水溫度以及X7對應為中央空調(diào)系統(tǒng)冷負荷，Y對應為中央空調(diào)系統(tǒng)制冷主機的能效比。即分別將每一組冷凍水質(zhì)量流量的有效歷史數(shù)據(jù)代入X1中、每一組冷凍水供水溫度的有效歷史數(shù)據(jù)代入X2中，每一組冷凍水回水溫度的有效歷史數(shù)據(jù)代入X3中、每一組冷卻水質(zhì)量流量的有效歷史數(shù)據(jù)代入X4中、每一組冷卻水供水溫度的有效歷史數(shù)據(jù)代入X5中，每一組冷卻水回水溫度的有效歷史數(shù)據(jù)代入X6中，每一組中央空調(diào)系統(tǒng)冷負荷的有效歷史數(shù)據(jù)代入X7中；再分別對每一組X1、X2、X3、X4、X5、X6、X7進行訓練，進而獲得中央空調(diào)系統(tǒng)制冷主機的能效比Y，從而通過將中央空調(diào)系統(tǒng)的運行參數(shù)的有效歷史數(shù)據(jù)代入設置好的BP神經(jīng)網(wǎng)絡訓練模型中進行訓練獲得中央空調(diào)系統(tǒng)的運行參數(shù)與制冷主機的能效比的對應關系式。

獲取單元400，用于采集T₀時刻所述中央空調(diào)系統(tǒng)的運行參數(shù)并代入所述對應關系式中，獲得T₀時刻中央空調(diào)系統(tǒng)制冷主機的能效比。

具體地，通過處理單元300獲得中央空調(diào)系統(tǒng)的運行參數(shù)與制冷主機的能效比的對應關系式，實時采集中央空調(diào)系統(tǒng)的冷凍水質(zhì)量流量、冷凍水供水溫度、冷凍水回水溫度、冷卻水質(zhì)量流量、冷卻水供水溫度、冷卻水回水溫度以及中央空調(diào)系統(tǒng)冷負荷在T₀(該T₀時刻為中央空調(diào)系統(tǒng)在運行過程中的任一時刻)時刻的數(shù)據(jù)，并將所采集到的數(shù)據(jù)代入對應關系式中即可獲得該T₀時刻中央空調(diào)系統(tǒng)制冷主機的能效比，即實現(xiàn)了對中央空調(diào)系統(tǒng)的能效比的預測。例如，在每天中央空調(diào)系統(tǒng)開關機階段，根據(jù)預測的中央空調(diào)系統(tǒng)制冷主機的能效比，指導中央空調(diào)系統(tǒng)操作人員根據(jù)預測結(jié)果進行提前開機時間的設定，避免能耗的浪費，延長制冷主機的使用壽命。

本發(fā)明的中央空調(diào)系統(tǒng)制冷主機的能效比預測裝置通過應用中央空調(diào)系統(tǒng)的運行參數(shù)既有的歷史數(shù)據(jù)并基于BP神經(jīng)網(wǎng)絡算法實現(xiàn)了對中央空調(diào)制冷主機能效比的預測，通過該方式以預測中央空調(diào)系統(tǒng)制冷主機的能效比，可以指導操作人員提前做好相應的控制，或者指導控制系統(tǒng)提前轉(zhuǎn)換中央空調(diào)系統(tǒng)的控制策略，當應用于每天中央空調(diào)系統(tǒng)開關機階段時，可指導中央空調(diào)系統(tǒng)操作人員根據(jù)預測結(jié)果進行提前開機時間的設定，避免能耗的浪費，延長主機的使用壽命；同時在日常中央空調(diào)系統(tǒng)的運行維護當中，可有效減少因系統(tǒng)冷負荷變化和中央空調(diào)系統(tǒng)的時滯性、在惰性等缺陷所帶來的系統(tǒng)響應時間過慢的問題，及時改善室內(nèi)空氣品質(zhì)，提高室內(nèi)的熱舒適性，且實施本發(fā)明不需額外添加硬件設備，操作簡單可行。

如圖5所示，為利用本發(fā)明的中央空調(diào)系統(tǒng)制冷主機的能效比預測方法對某建筑中央空調(diào)系統(tǒng)制冷主機的能效比進行預測的的能效比與實際能效比的對比圖。

在本應用實例中：

預測對象：某建筑中央空調(diào)系統(tǒng)制冷主機；

預測時間：某一年的夏天(即6月1日至9月30日)；

預測方法：本發(fā)明的中央空調(diào)系統(tǒng)制冷主機的能效比預測方法。

具體地，根據(jù)本發(fā)明的預測方法對某建筑中央空調(diào)系統(tǒng)制冷主機的能效比進行預測并與制冷主機的實際能效比進行對比，可得圖5所示的對比圖。在圖5中，橫坐標為中央空調(diào)系統(tǒng)制冷主機的實際能效比，縱坐標為利用本發(fā)明預測得到的中央空調(diào)系統(tǒng)制冷主機的能效比；中間的實線公式為X＝Y(jié)，即若預測的能效比與實際的能效比相同，則所有的點在該實線上；兩條虛線為5％置信區(qū)域，即認為預測結(jié)果與實際結(jié)果相差±5％，在該誤差范圍內(nèi)是可以接受的。由圖5顯示，通過采用本發(fā)明的預測方法對某一年的夏天某建筑中央空調(diào)系統(tǒng)制冷主機的能效比進行預測得到的能效比在高達99.22％都落在置信區(qū)域之內(nèi)。由此可知通過本發(fā)明的預測方法對中央空調(diào)系統(tǒng)制冷主機的能效比的預測精度很高，具有很強的實用性。

以上實施例只為說明本發(fā)明的技術(shù)構(gòu)思及特點，其目的在于讓熟悉此項技術(shù)的人士能夠了解本發(fā)明的內(nèi)容并據(jù)此實施，并不能限制本發(fā)明的保護范圍。凡跟本發(fā)明權(quán)利要求范圍所做的均等變化與修飾，均應屬于本發(fā)明權(quán)利要求的涵蓋范圍。

應當理解的是，對本領域普通技術(shù)人員來說，可以根據(jù)上述說明加以改進或變換，而所有這些改進和變換都應屬于本發(fā)明所附權(quán)利要求的保護范圍。