[发明专利]基于径向基函数神经网络的多父代遗传算法空气源热泵多目标优化控制方法

摘要

一种基于径向基函数神经网络的多父代遗传算法空气源热泵多目标优化控制方法，包括以下步骤：步骤1、根据用户需求将输入输出变量输入进系统中；步骤2、径向基函数神经网络的创建、训练以及测试；步骤3、基于训练完成的径向基函数神经网络，利用多父代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，将得到的输入变量值传递给系统来调节热泵的控制量。本发明在高精度的同时还能够快速实现对系统的COP制热量Qh或者二氧化碳释放量m和制热量Qh多目标优化。

主权项

1.一种基于径向基函数神经网络的多父代遗传算法空气源热泵多目标优化控制方法，其特征在于，所述方法包括以下步骤：步骤1、根据用户需求将输入输出变量输入进系统中；选择压缩机频率f、膨胀阀开度p、水泵频率n作为输入变量，系统COP和制热量Q_h或者二氧化碳释放量m和制热量Q_h作为输出变量，并对输入训练的样本数据作归一化处理，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、径向基函数神经网络的创建、训练以及测试，过程如下：2.1初始化参数，设置隐含层的神经元个数，神经元个数的计算可根据经验公式：确定，其中n、l分别为输入神经元的个数和输出神经元的个数，a通常取1～10；输入层的神经元个数由输入变量的个数决定，输出层的神经元个数由输出变量决定，其中压缩机频率、膨胀阀开度、水泵频率是该神经网络的输入变量，系统COP和制热量或二氧化碳释放量和制热量是该神经网络的输出变量，此外还要设置学习率、动量因子、训练误差和初始的权值、阈值；2.2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，随机地选取训练集中的数据进行训练并计算隐含层和输出层的值，采用Kmeans算法得到隐含层神经元中心即基函数中心c，再根据梯度下降法进行迭代得到神经网络的权值和偏置，用于神经网络的建立；2.3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，直至满足训练误差规定的范围，自此径向基函数神经网络模型构建完成；2.4利用神经网络进行预测，在给定实际状态下的输入变量，通过径向基函数神经网络进行预测得到预测参数，所述预测参数为系统COP和制热量或者二氧化碳释放量和制热量，将系统COP和制热量或者二氧化碳释放量和制热量进行反归一化处理得到实际值，反归一化公式为：x＝k·(x_max‑x_min)+x_min步骤3、基于训练完成的径向基函数神经网络，利用多父代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，将得到的输入变量值传递给系统来调节热泵的控制量。