CN107990487A - 空调器和空调器功耗的预测方法、装置 - Google Patents

Abstract

本发明公开了一种空调器和空调器功耗的预测方法、装置，其中，空调器功耗的预测方法包括以下步骤：采用最小二乘支持向量机LSSVM算法建立空调器功耗的预测模型；获取当前室外干湿球温度、当前室内干湿球温度和当前室内环境温度；根据空调器功耗的预测模型、当前室外干湿球温度、当前室内干湿球温度和当前室内环境温度对空调器的功耗进行预测以得到空调器的功耗值。该预测方法通过LSSVM算法建立空调器功耗的预测模型，省去了复杂的中间变量，且无假设条件，建立得到的预测模型简单，具有很好的适用性和拓展性。

Description

空调器和空调器功耗的预测方法、装置

技术领域

本发明涉及空调器领域，特别涉及一种空调器功耗的预测方法、一种空调器功耗的预测装置以及一种空调器。

背景技术

空调器在进入市场之前，都需要进行性能测试，而功耗是评价空调器性能的重要因素之一。目前针对空调器的功耗值，主要采取实验测试的方法，即通过实验测量不同工况下空调器的功耗值。然而，该方法的不足之处在于实验时间长，且出于成本及时效性的考虑，不可能对所有的工况进行实验，因此得到的实验数据比较有限。

为了较为全面地评价空调器功耗这一指标，同时尽可能地节约测试时间，可以采用建立空调器功耗预测模型的方法计算功耗值。具体地，以多组工况(只涵盖了一部分)以及对应的功耗值为训练数据，并根据该训练数据建立空调器的预测模型。现有的常规的思路是根据不同的工况，结合房间墙壁、门、天花板等的材料确定导热系数以计算冷负荷Q，然后考虑压缩机的频率、房间温度等因素建立COP(空调器的能效比)模型，然后计算Q与COP之比，即为计算出的空调器的功耗，进一步根据训练数据得到的功耗修正计算的功耗，从而建立实验房间中的空调器的功耗预测模型。

然而，由于这种方法根据已知的公式计算各个参数建立模型，考虑的因素较多，假设条件也较多，因此有较多的误差源。例如墙壁、门、天花板等的材料的导热系数并不能准确确定，尽管能够得到常见材料的导热系数，但实验房间墙壁的材料并非只有一种，即使在主要成分确定的情况下，得到的导热系数仍会有误差。另外建立COP的模型也存在误差，实际的准确模型并不清楚，为了简化计算常采取的一次或二次模型会存在误差。

发明内容

本发明旨在至少在一定程度上解决上述技术中的技术问题之一。为此，本发明的一个目的在于提出一种空调器功耗的预测方法，该方法通过LSSVM算法建立空调器功耗的预测模型，省去了复杂的中间变量，且无假设条件，建立得到的预测模型简单，具有很好的适用性和拓展性。

本发明的第二个目的在于提出一种非临时性计算机可读存储介质。

本发明的第三个目的在于提出一种空调器功耗的预测装置。

本发明的第四个目的在于提出一种空调器。

为达到上述目的，本发明第一方面实施例提出了一种空调器功耗的预测方法，预测方法包括以下步骤：采用最小二乘支持向量机LSSVM算法建立空调器功耗的预测模型；获取当前室外干湿球温度、当前室内干湿球温度和当前室内环境温度；根据所述空调器功耗的预测模型、所述当前室外干湿球温度、所述当前室内干湿球温度和所述当前室内环境温度对空调器的功耗进行预测以得到所述空调器的功耗值。

根据本发明实施例的空调器功耗的预测方法，先采用LSSVM(Least SquaresSupport Vector Machine，最小二乘支持向量机)算法建立空调器功耗的预测模型，再获取当前室外干湿球温度、当前室内干湿球温度和当前室内环境温度，进而根据空调器功耗的预测模型、当前室外干湿球温度、当前室内干湿球温度和当前室内环境温度对空调器的功耗进行预测以得到空调器的功耗值。该方法通过LSSVM算法建立空调器功耗的预测模型，省去了复杂的中间变量，且无假设条件，建立得到的预测模型简单，具有很好的适用性和拓展性。

另外，根据本发明上述实施例提出的空调器功耗的预测办法还可以具有如下附加的技术特征：

根据本发明的一个实施例，所述采用最小二乘支持向量机LSSVM算法建立空调器功耗的预测模型，包括：获取训练数据，其中，所述训练数据包括多组室外干湿球温度、室内干湿球温度、室内环境温度及对应的功耗值；采用trainlssvm函数对所述训练数据进行训练以得到所述空调器功耗的预测模型，其中，所述训练数据中的室外干湿球温度、室内干湿球温度、室内环境温度作为输入量，对应的功耗值作为输出量。

根据本发明的一个实施例，所述采用LSSVM算法建立空调器功耗的预测模型还包括：设置多组trainlssvm函数的正则参数和内核参数；采用trainlssvm函数根据每组正则参数和内核参数对所述训练数据进行训练以得到多组初始预测模型；采用simlssvm函数根据所述训练数据分别对每组初始预测模型进行测试，并生成对应的测试结果；根据每组测试结果和所述训练数据中的对应的功耗值通过PSO(Particle Swarm Optimization，粒子群优化)算法对trainlssvm函数的正则参数和内核参数进行优化以得到优化正则参数gam_best和优化内核参数sig2_best；采用trainlssvm函数根据所述优化正则参数gam_best、所述优化内核参数sig2_best对所述训练数据进行训练以得到所述空调器功耗的预测模型。

根据本发明的一个实施例，所述根据所述通空调器功耗的预测模型、所述当前室外干湿球温度、所述当前室内干湿球温度和所述当前室内环境温度对空调器的功耗进行预测以得到所述空调器的功耗值包括：采用simlssvm函数根据所述空调器功耗的预测模型以及所述当前室外干湿球温度、所述当前室内干湿球温度和所述当前室内环境温度得到所述空调器的功耗值。

根据本发明的一个实施例，采用trainlssvm函数根据所述优化正则参数gam_best、所述优化内核参数sig2_best对所述训练数据进行训练以得到所述空调器功耗的预测模型时，函数trainlssvm的用法为：

type＝’function estimation’；

[alpha_best,b_best]＝trainlssvm({x,y,type,gam_best,sig2_best,'RBF_kernel'})；

其中，x表示所述训练数据中的输入量，y表示所述训练数据中的输出量，type表示函数估计，gam_best、sig2_best分别表示优化正则参数和优化内核参数，RBF_kernel表示径向基函数，alpha_best、b_best分别表示优化后的所述预测模型的第一优化参数和第二优化参数。

根据本发明的一个实施例，函数simlssvm的用法为：

ysim_new＝simlssvm({x,y,type,gam_best,sig2_best,'RBF_kernel','preprocess'},{alpha_best,b_best},x_new)；

其中，x表示训练数据中的输入量，y表示训练数据中的输出量，type表示函数估计，gam_best、sig2_best分别表示优化正则参数和优化内核参数，RBF_kernel表示径向基函数，preprocess表示对输入数据预处理，alpha_best、b_best分别表示优化后的所述预测模型的第一优化参数和第二优化参数，x_new包括所述当前室外干湿球温度、所述当前室内干湿球温度和所述当前室内环境温度，ysim_new表示预测得到的x_new对应的所述空调器的功耗值。

为达到上述目的，本发明第二方面实施例提出了一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述的空调器功耗的预测方法。

本发明实施例的非临时性计算机可读存储介质，通过执行其上存储的与上述空调器功耗的预测方法对应的程序，通过LSSVM算法建立空调器功耗的预测模型，省去了复杂的中间变量，且无假设条件，建立得到的预测模型简单，具有很好的适用性和拓展性。

为达到上述目的，本发明第三方面实施例提出了一种空调器功耗的预测装置，该预测装置包括：建模模块，用于采用最小二乘支持向量机LSSVM算法建立空调器功耗的预测模型；获取模块，用于获取当前室外干湿球温度、当前室内干湿球温度和当前室内环境温度；预测模块，用于根据所述通空调器功耗的预测模型、所述当前室外干湿球温度、所述当前室内干湿球温度和所述当前室内环境温度对空调器的功耗进行预测以得到所述空调器的功耗值。

根据本发明实施例的空调器功耗的预测装置，以建模模块通过采用最小二乘支持向量机LSSVM算法建立空调器功耗的预测模型，并通过获取模块获取当前室外干湿球温度、当前室内干湿球温度和当前室内环境温度，进而通过预测模块根据通空调器功耗的预测模型、当前室外干湿球温度、当前室内干湿球温度和当前室内环境温度对空调器的功耗进行预测以得到空调器的功耗值。该预测装置通过LSSVM算法建立空调器功耗的预测模型，省去了复杂的中间变量，且无假设条件，建立得到的预测模型简单，具有很好的适用性和拓展性。

另外，根据本发明上述实施例提出的空调器功耗的预测装置还可以具有如下附加的技术特征：

根据本发明的一个实施例，所述建模模块具体用于：获取训练数据，其中，所述训练数据包括多组室外干湿球温度、室内干湿球温度、室内环境温度及对应的功耗值；采用trainlssvm函数对所述训练数据进行训练以得到所述空调器功耗的预测模型，其中，所述训练数据中的室外干湿球温度、室内干湿球温度、室内环境温度作为输入量，对应的功耗值作为输出量。

根据本发明的一个实施例，所述建模模块具体还用于：设置多组trainlssvm函数的正则参数和内核参数；采用trainlssvm函数根据每组正则参数和内核参数对所述训练数据进行训练以得到多组初始预测模型；采用simlssvm函数根据所述训练数据分别对每组初始预测模型进行测试，并生成对应的测试结果；根据每组测试结果和所述训练数据中的对应的功耗值通过粒子群优化PSO算法对trainlssvm函数的正则参数和内核参数进行优化以得到优化正则参数gam_best和优化内核参数sig2_best；采用trainlssvm函数根据所述优化正则参数gam_best、所述优化内核参数sig2_best对所述训练数据进行训练以得到所述空调器功耗的预测模型。

根据本发明的一个实施例，所述预测模块具体用于：采用simlssvm函数根据所述空调器功耗的预测模型以及所述当前室外干湿球温度、所述当前室内干湿球温度和所述当前室内环境温度得到所述空调器的功耗值。

根据本发明的一个实施例，所述建模模块采用trainlssvm函数根据所述优化正则参数gam_best、所述优化内核参数sig2_best对所述训练数据进行训练以得到所述空调器功耗的预测模型时，函数trainlssvm的用法为：

type＝’function estimation’；

[alpha_best,b_best]＝trainlssvm({x,y,type,gam_best,sig2_best,'RBF_kernel'})；

其中，x表示所述训练数据中的输入量，y表示所述训练数据中的输出量，type表示函数估计，gam_best、sig2_best分别表示优化正则参数和优化内核参数，RBF_kernel表示径向基函数，alpha_best、b_best分别表示优化后的所述预测模型的第一优化参数和第二优化参数。

根据本发明的一个实施例，函数simlssvm的用法为：

ysim_new＝simlssvm({x,y,type,gam_best,sig2_best,'RBF_kernel','preprocess'},{alpha_best,b_best},x_new)；

其中，x表示训练数据中的输入量，y表示训练数据中的输出量，type表示函数估计，gam_best、sig2_best分别表示优化正则参数和优化内核参数，RBF_kernel表示径向基函数，preprocess表示对输入数据预处理，alpha_best、b_best分别表示优化后的所述预测模型的第一优化参数和第二优化参数，x_new包括所述当前室外干湿球温度、所述当前室内干湿球温度和所述当前室内环境温度，ysim_new表示预测得到的x_new对应的所述空调器的功耗值。

进一步地，本发明第四方面实施例提出了一种空调器，其包括上述空调器功耗的预测装置。

本发明的空调器，采用上述空调器功耗的预测装置，通过LSSVM算法建立空调器功耗的预测模型，省去了复杂的中间变量，且无假设条件，建立得到的预测模型简单，具有很好的适用性和拓展性。

本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

图1是根据本发明实施例的空调器功耗的预测方法的流程图；

图2是根据本发明一个实施例的空调器功耗的建模方法的流程图；

图3是根据本发明另一个实施例的空调器功的耗建模方法的流程图；

图4是根据本发明一个具体实施例的粒子群算法的流程图；

图5是根据本发明一个具体实施例的空调器功耗的建模方法的流程图；

图6是根据本发明实施例的通过测试数据对所建预测模型进行检测的检测结果的示意图；

图7是本发明实施例的通过测试数据得带的预测功耗值与真实功耗值之间的误差分布的示意图；

图8是根据本发明实施例的通过训练数据对所建预测模型进行检测的检测结果的示意图；

图9是根据本发明实施例的空调器功耗的预测装置的方框图；

图10是根据本发明实施例的空调器的方框图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

下面参考附图描述本发明实施例的空调器和空调器功耗的预测方法、装置。

在本发明的实施例中，空调器可以是暖通空调。

图1是本发明实施例的空调器功耗的预测方法的流程图。如图1所示，空调器功耗的预测方法包括以下步骤：

S101，采用最小二乘支持向量机LSSVM算法建立空调器功耗的预测模型。

具体地，可预先获取训练数据，进而可以采用LSSVM算法中的trainlssvm函数对训练数据进行训练以得到空调器功耗的预测模型。其中，训练数据包括多组室外干湿球温度、室内干湿球温度、室内环境温度及对应的功耗值。

S102，获取当前室外干湿球温度、当前室内干湿球温度和当前室内环境温度。

其中，当前室外干湿球温度、当前室内干湿球温度和当前室内环境温度均可通过相应的温度传感器检测得到。

S103，根据空调器功耗的预测模型、当前室外干湿球温度、当前室内干湿球温度和当前室内环境温度对空调器的功耗进行预测以得到空调器的功耗值。

具体地，可采用LSSVM算法中的simlssvm函数根据空调器功耗的预测模型、当前室外干湿球温度、当前室内干湿球温度和当前室内环境温度对空调器的功耗进行预测以得到空调器的功耗值。

该空调器功耗的预测方法，通过LSSVM算法对空调器功耗进行建模，克服了传统建模方法中经验风险与期望风险可能具有较大差别的不足，满足结构风险最小化的原则，且计算复杂性低，求解速度快、抗干扰能力强。且建模的输入变量仅考虑室外干湿球温度、室内干湿球温度及室内环境温度，不考虑复杂的中间过程，因此减少了计算误差源，使得模型更加简单，适用性更广。

在本发明的一个实施例中，如图2所示，步骤S101可包括以下步骤：

S1011，获取训练数据，其中，训练数据包括多组室外干湿球温度、室内干湿球温度、室内环境温度及对应的功耗值。

在该实施例中，可事先进行实验，模拟不同工况，记录多组不同工况下室外干湿球温度、室内干湿球温度、室内环境温度及对应的功耗值，以作为建立模型的训练数据。

S1012，采用trainlssvm函数对训练数据进行训练以得到空调器功耗的预测模型，其中，训练数据中的室外干湿球温度、室内干湿球温度、室内环境温度作为输入量，对应的功耗值作为输出量。

具体地，trainlssvm函数的用法为：[alpha,b]＝trainlssvm({x,y,type,gam,sig2'RBF_kernel'})，[alpha,b]即为预测模型。其中，x表示训练数据中的输入量，y表示训练数据中的输出量，type表示函数估计，gam、sig2分别表示正则参数和内核参数，RBF_kernel表示径向基函数，alpha、b分别表示预测模型的第一参数和第二参数。

其中，gam、sig2可根据需要进行取值。

需要说明的是，在该实施例中，采样trainlssvm函数对训练数据进行训练时，使用的核函数是径向基函数RBF_kernel，输入的正则化参数gam是控制对错分样本惩罚程度的可调参数，内核参数sig2是径向基函数的参数，两者共同决定了预测模型的准确性。

为提高参数gam、sig2选取的准确性，在本发明的另一个实施例中，如图3所示，上述步骤S101还可以包括以下步骤：

S1013，设置多组trainlssvm函数的正则参数和内核参数。

具体地，正则参数与内核参数呈一一对应关系，可以根据需要对正则参数和内核参数进行离散取值或连续取值。

S1014，采用trainlssvm函数根据每组正则参数和内核参数对训练数据进行训练以得到多组初始预测模型。

具体地，trainlssvm函数的用法为：[alpha,b]＝trainlssvm({x,y,type,gam,sig2'RBF_kernel'})，在x、y、type、'RBF_kernel'均确定时，根据每组[gam,sig2]可对应得到一组[alpha,b]，即初始预测模型。

S1015，采用simlssvm函数根据训练数据分别对每组初始预测模型进行测试，并生成对应的测试结果。

S1016，根据每组测试结果和训练数据中的对应的功耗值通过粒子群优化PSO算法对trainlssvm函数的正则参数和内核参数进行优化以得到优化正则参数gam_best和优化内核参数sig2_best。

S1017，采用trainlssvm函数根据优化正则参数gam_best、优化内核参数sig2_best对训练数据进行训练以得到空调器功耗的预测模型。

具体地，simlssvm函数的用法为：ysim_test＝simlssvm({x,y,type,gam,sig2,'RBF_kernel','preprocess'},{alpha,b},x)，其中，alpha、b即为上述通过trainlssvm函数获得的。将得到的参数分别代入simlssvm函数，以对训练数据进行测试，并生成对应的测试结果，进而将测试结果与其对应的真实功耗值的残差平方和作为判断标准，通过粒子群算法PSO进行参数寻优，以找到使残差平方和最小的优化参数。

在该实施例中，粒子群优化PSO算法的流程图如图4所示，该算法中的粒子即为正则化参数,gam和内核参数sig2。首先，初始化粒子群体，在一定范围内随机设置gam和sig2的初始位置和速度；根据适应度评价函数评价每个粒子的适应度；对每个粒子，将其当前适应值与其个体历史最优位置对应的适应值作比较，如果当前的适应值更高，则将用当前位置更新历史最优位置；对每个粒子，将其当前适应值与全局最优位置对应的适应值作比较，如果当前的适应值更高，则将用当前位置更新全局最优位置；根据预设公式更新每个粒子的速度与位置；判断是否满足终止条件，若是，则得到优化参数gam_best和sig2_best，若否，则继续计算每个粒子的适应值。其中，终止条件即为残差平方和最小。通过PSO算法进行参数寻优，能够减少参数选取的盲目性，提高模型的准确性和可靠性。

进一步地，采用trainlssvm函数根据优化正则参数gam_best、优化内核参数sig2_best对训练数据进行训练以得到空调器功耗的预测模型。此时，函数trainlssvm的用法为：

type＝’functionestimation’；

[alpha_best,b_best]＝trainlssvm({x,y,type,gam_best,sig2_best,'RBF_kernel'})；

其中，x表示训练数据中的输入量，y表示训练数据中的输出量，type表示函数估计，gam_best、sig2_best分别表示优化正则参数和优化内核参数，RBF_kernel表示径向基函数，alpha_best、b_best分别表示优化后的预测模型的第一优化参数和第二优化参数。

更进一步地，采用simlssvm函数根据空调器功耗的预测模型以及当前室外干湿球温度、当前室内干湿球温度和当前室内环境温度得到空调器的功耗值。此时，函数simlssvm的用法为：

ysim_new＝simlssvm({x,y,type,gam_best,sig2_best,'RBF_kernel','preprocess'},{alpha_best,b_best},x_new)；

其中，x表示训练数据中的输入量，y表示训练数据中的输出量，type表示函数估计，gam_best、sig2_best分别表示优化正则参数和优化内核参数，RBF_kernel表示径向基函数，preprocess表示对输入数据预处理，alpha_best、b_best分别表示优化后的预测模型的第一优化参数和第二优化参数，x_new包括当前室外干湿球温度、当前室内干湿球温度和当前室内环境温度，ysim_new表示预测得到的x_new对应的空调器的功耗值。

在本发明的一个具体实施例中，参照图5，在对空调器功耗进行建模时，可事先通过实验获取两组不同的实验数据，其中一组作为训练数据，用以建模；另一组作为测试数据，用以测所建模型的准确性。

具体地，将训练数据中室内干湿球温度、室外干湿球温度及室内环境温度构成的数值矩阵x作为输入量，将训练数据中功耗值构成的数值矩阵y作为输出量。将测试数据中室外干湿球温度、室内干湿球温度及室内环境温度构成的数值矩阵x_new作为输入量，将测试数据中功耗值构成的数值矩阵y_new作为输出量。

已知训练数据的输入量x，输出量y，再通过PSO算法得到优化参数gam_best和sig2_best，进而代入trainlssvm函数可得到返回值alpha_best和b_best。在trainlssvm函数得到返回值alpha_best和b_best之后，采用simlssvm函数得到测试数据的预测功耗值ysim，其与对应真实功耗值的分布规律如图6所示，对应的误差分布如图7所示；还可采用simlssvm函数得到训练数据的预测功耗值yt，其与对应真实功耗值的分布规律如图8所示。

从图6、图7、图8中可以看出，通过本发明实施例的建模方法，建模得到的空调器功耗的预测模型，误差波动范围小，准确性高，能很好的反应空调器的实际功耗。由此，完成空调器功耗预测模型的建立。

综上，根据本发明实施例的空调器功耗的预测方法，先采用最小二乘支持向量机LSSVM算法建立空调器功耗的预测模型，再获取当前室外干湿球温度、当前室内干湿球温度和当前室内环境温度，进而根据空调器功耗的预测模型、当前室外干湿球温度、当前室内干湿球温度和当前室内环境温度对空调器的功耗进行预测以得到空调器的功耗值。该预测方法通过LSSVM算法建立空调器功耗的预测模型，省去了复杂的中间变量，且无假设条件，建立得到的预测模型简单，具有很好的适用性和拓展性，进而在功耗预测时能够减少实验工作量，提高工作效率。

进一步地，本发明的实施例中提出了一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述的空调器功耗的预测方法。

本发明实施例的非临时性计算机可读存储介质，通过执行其上存储的与上述空调器功耗的预测方法对应的程序，通过LSSVM算法建立空调器功耗的预测模型，省去了复杂的中间变量，且无假设条件，建立得到的预测模型简单，具有很好的适用性和拓展性。

图9是根据本发明实施例的空调器功耗的预测装置的方框图。如图9所示，空调器功耗的预测装置100包括：建模模块10、获取模块20和预测模块30。

其中，建模模块10用于采用最小二乘支持向量机LSSVM算法建立空调器功耗的预测模型；获取模块20用于获取当前室外干湿球温度、当前室内干湿球温度和当前室内环境温度；预测模块30用于根据通空调器功耗的预测模型、当前室外干湿球温度、当前室内干湿球温度和当前室内环境温度对空调器的功耗进行预测以得到空调器的功耗值。

在本发明的一个实施例中，建模模块10具体用于获取训练数据，并采用trainlssvm函数对训练数据进行训练以得到空调器功耗的预测模型。其中，训练数据包括多组室外干湿球温度、室内干湿球温度、室内环境温度及对应的功耗值，训练数据中的室外干湿球温度、室内干湿球温度、室内环境温度作为输入量，对应的功耗值作为输出量。

预测模块30具体用于采用simlssvm函数根据空调器功耗的预测模型以及当前室外干湿球温度、当前室内干湿球温度和当前室内环境温度得到空调器的功耗值。

进一步地，为了提高所建模型的准确性，建模模块10具体还用于设置多组trainlssvm函数的正则参数和内核参数，采用trainlssvm函数根据每组正则参数和内核参数对训练数据进行训练以得到多组初始预测模型，以及采用simlssvm函数根据训练数据分别对每组初始预测模型进行测试，并生成对应的测试结果，并根据每组测试结果和训练数据中的对应的功耗值通过粒子群优化PSO算法对trainlssvm函数的正则参数和内核参数进行优化以得到优化正则参数gam_best和优化内核参数sig2_best，进而采用trainlssvm函数根据优化正则参数gam_best、优化内核参数sig2_best对训练数据进行训练以得到空调器功耗的预测模型。

在该实施例中，建模模块10采用trainlssvm函数根据优化正则参数gam_best、优化内核参数sig2_best对训练数据进行训练以得到空调器功耗的预测模型时，函数trainlssvm的用法为：

type＝’function estimation’；

[alpha_best,b_best]＝trainlssvm({x,y,type,gam_best,sig2_best,'RBF_kernel'})；

其中，x表示训练数据中的输入量，y表示训练数据中的输出量，type表示函数估计，gam_best、sig2_best分别表示优化正则参数和优化内核参数，RBF_kernel表示径向基函数，alpha_best、b_best分别表示优化后的预测模型的第一优化参数和第二优化参数。

此时，预测模块30采用的函数simlssvm的用法为：

ysim_new＝simlssvm({x,y,type,gam_best,sig2_best,'RBF_kernel','preprocess'},{alpha_best,b_best},x_new)；

其中，x表示训练数据中的输入量，y表示训练数据中的输出量，type表示函数估计，gam_best、sig2_best分别表示优化正则参数和优化内核参数，RBF_kernel表示径向基函数，preprocess表示对输入数据预处理，alpha_best、b_best分别表示优化后的预测模型的第一优化参数和第二优化参数，x_new包括当前室外干湿球温度、当前室内干湿球温度和当前室内环境温度，ysim_new表示预测得到的x_new对应的空调器的功耗值。

需要说明的是，本发明实施例的空调器功耗的预测装置的其它具体实施方式可参见本发明上述实施例的空调器功耗的预测方法的具体实施方式。

综上，根据本发明实施例的空调器功耗的预测装置，通过建模模块采用最小二乘支持向量机LSSVM算法建立空调器功耗的预测模型，并通过获取模块获取当前室外干湿球温度、当前室内干湿球温度和当前室内环境温度，进而通过预测模块根据通空调器功耗的预测模型、当前室外干湿球温度、当前室内干湿球温度和当前室内环境温度对空调器的功耗进行预测以得到空调器的功耗值。该预测装置通过LSSVM算法建立空调器功耗的预测模型，省去了复杂的中间变量，且无假设条件，建立得到的预测模型简单，具有很好的适用性和拓展性。

图10是根据本发明实施例的空调器的方框图。如图10所示，该空调器1000包括本发明上述实施例的空调器功耗的预测装置100。

本发明实施例的空调器，采用上述空调器功耗的预测装置，通过LSSVM算法建立空调器功耗的预测模型，省去了复杂的中间变量，且无假设条件，建立得到的预测模型简单，具有很好的适用性和拓展性。

另外，本发明实施例的空调器的其他构成及作用对本领域的技术人员来说是已知的，为减少冗余，此处不做赘述。

需要说明的是，在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。

应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (14)

1.一种空调器功耗的预测方法，其特征在于，包括以下步骤：

采用最小二乘支持向量机LSSVM算法建立空调器功耗的预测模型；

获取当前室外干湿球温度、当前室内干湿球温度和当前室内环境温度；

根据所述空调器功耗的预测模型、所述当前室外干湿球温度、所述当前室内干湿球温度和所述当前室内环境温度对空调器的功耗进行预测以得到所述空调器的功耗值。

2.根据权利要求1所述的空调器功耗的预测方法，其特征在于，所述采用最小二乘支持向量机LSSVM算法建立空调器功耗的预测模型，包括：

获取训练数据，其中，所述训练数据包括多组室外干湿球温度、室内干湿球温度、室内环境温度及对应的功耗值；

采用trainlssvm函数对所述训练数据进行训练以得到所述空调器功耗的预测模型，其中，所述训练数据中的室外干湿球温度、室内干湿球温度、室内环境温度作为输入量，对应的功耗值作为输出量。

3.根据权利要求2所述的空调器功耗的预测方法，其特征在于，所述采用LSSVM算法建立空调器功耗的预测模型还包括：

设置多组trainlssvm函数的正则参数和内核参数；

采用trainlssvm函数根据每组正则参数和内核参数对所述训练数据进行训练以得到多组初始预测模型；

采用simlssvm函数根据所述训练数据分别对每组初始预测模型进行测试，并生成对应的测试结果；

根据每组测试结果和所述训练数据中的对应的功耗值通过粒子群优化PSO算法对trainlssvm函数的正则参数和内核参数进行优化以得到优化正则参数gam_best和优化内核参数sig2_best；

采用trainlssvm函数根据所述优化正则参数gam_best、所述优化内核参数sig2_best对所述训练数据进行训练以得到所述空调器功耗的预测模型。

4.根据权利要求2或3所述的空调器功耗的预测方法，其特征在于，所述根据所述通空调器功耗的预测模型、所述当前室外干湿球温度、所述当前室内干湿球温度和所述当前室内环境温度对空调器的功耗进行预测以得到所述空调器的功耗值包括：

采用simlssvm函数根据所述空调器功耗的预测模型以及所述当前室外干湿球温度、所述当前室内干湿球温度和所述当前室内环境温度得到所述空调器的功耗值。

5.根据权利要求3所述的空调器功耗的预测方法，其特征在于，采用trainlssvm函数根据所述优化正则参数gam_best、所述优化内核参数sig2_best对所述训练数据进行训练以得到所述空调器功耗的预测模型时，函数trainlssvm的用法为：

type＝’function estimation’；

[alpha_best,b_best]＝trainlssvm({x,y,type,gam_best,sig2_best,'RBF_kernel'})；

其中，x表示所述训练数据中的输入量，y表示所述训练数据中的输出量，type表示函数估计，gam_best、sig2_best分别表示优化正则参数和优化内核参数，RBF_kernel表示径向基函数，alpha_best、b_best分别表示优化后的所述预测模型的第一优化参数和第二优化参数。

6.根据权利要求5所述的空调器功耗的预测方法，其特征在于，函数simlssvm的用法为：

ysim_new＝simlssvm({x,y,type,gam_best,sig2_best,'RBF_kernel','preprocess'},{alpha_best,b_best},x_new)；

其中，x表示训练数据中的输入量，y表示训练数据中的输出量，type表示函数估计，gam_best、sig2_best分别表示优化正则参数和优化内核参数，RBF_kernel表示径向基函数，preprocess表示对输入数据预处理，alpha_best、b_best分别表示优化后的所述预测模型的第一优化参数和第二优化参数，x_new包括所述当前室外干湿球温度、所述当前室内干湿球温度和所述当前室内环境温度，ysim_new表示预测得到的x_new对应的所述空调器的功耗值。

7.一种非临时性计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-6中任一项所述的空调器功耗的预测方法。

8.一种空调器功耗的预测装置，其特征在于，包括：

建模模块，用于采用最小二乘支持向量机LSSVM算法建立空调器功耗的预测模型；

获取模块，用于获取当前室外干湿球温度、当前室内干湿球温度和当前室内环境温度；

预测模块，用于根据所述通空调器功耗的预测模型、所述当前室外干湿球温度、所述当前室内干湿球温度和所述当前室内环境温度对空调器的功耗进行预测以得到所述空调器的功耗值。

9.根据权利要求8所述的空调器功耗的预测装置，其特征在于，所述建模模块具体用于：

获取训练数据，其中，所述训练数据包括多组室外干湿球温度、室内干湿球温度、室内环境温度及对应的功耗值；

采用trainlssvm函数对所述训练数据进行训练以得到所述空调器功耗的预测模型，其中，所述训练数据中的室外干湿球温度、室内干湿球温度、室内环境温度作为输入量，对应的功耗值作为输出量。

10.根据权利要求3所述的空调器功耗的预测装置，其特征在于，所述建模模块具体还用于：

设置多组trainlssvm函数的正则参数和内核参数；

采用trainlssvm函数根据每组正则参数和内核参数对所述训练数据进行训练以得到多组初始预测模型；

采用simlssvm函数根据所述训练数据分别对每组初始预测模型进行测试，并生成对应的测试结果；

根据每组测试结果和所述训练数据中的对应的功耗值通过粒子群优化PSO算法对trainlssvm函数的正则参数和内核参数进行优化以得到优化正则参数gam_best和优化内核参数sig2_best；

采用trainlssvm函数根据所述优化正则参数gam_best、所述优化内核参数sig2_best对所述训练数据进行训练以得到所述空调器功耗的预测模型。

11.根据权利要求9或10所述的空调器功耗的预测装置，其特征在于，所述预测模块具体用于：

采用simlssvm函数根据所述空调器功耗的预测模型以及所述当前室外干湿球温度、所述当前室内干湿球温度和所述当前室内环境温度得到所述空调器的功耗值。

12.根据权利要求10所述的空调器功耗的预测装置，其特征在于，所述建模模块采用trainlssvm函数根据所述优化正则参数gam_best、所述优化内核参数sig2_best对所述训练数据进行训练以得到所述空调器功耗的预测模型时，函数trainlssvm的用法为：

type＝’function estimation’；

[alpha_best,b_best]＝trainlssvm({x,y,type,gam_best,sig2_best,'RBF_kernel'})；

其中，x表示所述训练数据中的输入量，y表示所述训练数据中的输出量，type表示函数估计，gam_best、sig2_best分别表示优化正则参数和优化内核参数，RBF_kernel表示径向基函数，alpha_best、b_best分别表示优化后的所述预测模型的第一优化参数和第二优化参数。

13.根据权利要求12所述的空调器功耗的预测装置，其特征在于，函数simlssvm的用法为：

ysim_new＝simlssvm({x,y,type,gam_best,sig2_best,'RBF_kernel','preprocess'},{alpha_best,b_best},x_new)；

其中，x表示训练数据中的输入量，y表示训练数据中的输出量，type表示函数估计，gam_best、sig2_best分别表示优化正则参数和优化内核参数，RBF_kernel表示径向基函数，preprocess表示对输入数据预处理，alpha_best、b_best分别表示优化后的所述预测模型的第一优化参数和第二优化参数，x_new包括所述当前室外干湿球温度、所述当前室内干湿球温度和所述当前室内环境温度，ysim_new表示预测得到的x_new对应的所述空调器的功耗值。

14.一种空调器，其特征在于，包括如权利要求8-13中任一项所述的空调器功耗的预测装置。