本发明属于热泵实验循环性能领域，具体涉及一种热泵实验循环性能系数预测模型的建立方法。
背景技术：
1、大量化石燃料的消耗导致了严重的环境污染问题，面对化石燃料逐渐枯竭和环境污染问题，研究人员正在两个领域进行努力：开发新能源，特别是太阳能、风能、潮汐能等可再生能源；提高能源效率，减少化石燃料的消耗和适用造成的污染。因此，加快低碳能源转型、提高能源转化效率，从而降低能耗，是促进未来可持续发展的重要途径。
2、热泵是替代传统化石燃料的重要低碳甚至实现零碳热能的工艺方式，性能系数cop是热泵新最重要的性能评价参数。在相同的工况下，该值越大说明这个热泵系统的效率越高、越节能。
3、bp神经网络是是机器学习中一种实用且常见的数学模型。它通过构建类似于人类大脑神经突触联接的结构来处理信息，能够实现的大数据下输入参数和输出参数的拟合目标。神经网络具有开发时间短、处理时间快、预测精准的特点，在高温热泵性能的预测应用方面具备优势。
4、目前围绕实验循环性能系数预测研究较少，一类基于工质物性的状态工程分析，仅能预测理论情况下的性能系数，另一类是基于算法网络的大数据预测。以工质物性和工况为输入参数，性能系数为输出参数，通过bp神经网络算法、大量实验数据能够建立起热泵实验循环性能系数的预测模型。
技术实现思路
1、为了解决现有技术中心存在的问题，本发明提供一种热泵实验循环性能系数预测模型的建立方法。本发明将工质的临界关键参数fc、标准沸点、蒸发温度、冷凝温度作为热泵实验循环性能预测的输入参数，性能系数cop作为输出参数，对同类型制冷剂进行分类建立预测模型，填补现有预测技术缺少此类算法预测工质热泵实验循环性能系数的空白。该发明旨在进行热泵实验循环性能预测，从而为实际条件下根据实验循环cop取舍高温工质提供参考。
2、本发明的技术方案是：一种热泵实验循环性能系数预测模型的建立方法，包括以下步骤：
3、(1)系统地搜集整理了不同工质(各类纯工质，但不包含r717、r718、r744这样的自然工质)不同工况(蒸发温度和冷凝温度)下的热泵实验循环性能系数；
4、(2)计算各纯工质的临界关键参数fc；
5、(3)基于bp神经网络建立预测模型；
6、(4)设定预测的合理工况区间，调用网络，输入预测参数，计算cop预测值；
7、本发明的有益效果为：本发明方法创新性地将bp神经网络应用于热泵实验循环性能领域，实现热泵实验循环性能系数的预测，达到在某一工况条件下依照性能系数筛选最佳工质的目的。该方法降低了预测成本，免去了已有方法大量的繁杂过程。并分门别类建立hfo、hcfo、hc类制冷剂的预测模型，提高了模型的针对性，对热泵实验循环性能系数的迅速获得具有重要意义。
1.一种热泵实验循环性能系数预测模型的建立方法，其特征在于，包括以下步骤：
2.根据权利要求1所述简化的高温热泵理论循环性能预测模型的建立方法，其特征在于，所述步骤(2)中临界关键参数fc计算公式为fc＝-1/((tc-273.15)3pc)。
3.根据权利要求1所述简化的高温热泵理论循环性能预测模型的建立方法，其特征在于，所述步骤(3)中使用的bp神经网络改进算法是基于贝叶斯正则化算法。