[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

说明书

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。

技术领域

本发明属于空气源热泵，涉及一种空气源热泵多目标优化设计方法。

背景技术

空气源热泵是一种利用高位能使热量从低位热源空气流向高位热源的节能装置，它吸收低温中的热量作为热能来源，通过少量电能驱动压缩机运转将蒸发器吸收的空气中的热量经换热器释放到加热对象中。空气源热泵的适应范围广，运行成本低，对环境无污染，具有良好的节能减排效果，现已广泛应用于化工、热能、制热、暖通等领域。

在热泵的设计中，气冷器的换热温差T_gc、蒸发器的换热温差T_ev和气冷器的压力P_gc对热泵的压缩机功率W、制冷量Q_c、压缩机进出口压力有较大的影响，进而影响热泵系统的COP和成本。由于工作状态下的能效比COP和成本是衡量空气源热泵性能优劣的重要参数，所以在空气源热泵的设计中要考虑COP和成本之间的相互关系以及各变量之间的潜在联系。传统的设计方法仅仅是通过变量对系统进行单目标的研究，无法对系统进行多目标的优化，而且也不能精确地找到运行工况，不适合对设计及相关循环的研究。

发明内容

为了克服已有的热泵模型的精度较低，耗时过长和优化目标单一的问题，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。

本发明解决其技术问题所采用的技术方案是：

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

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、SVR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；