如图7所示，燃气发电机组模型的发电量绝对误差非常小，且波动也较小，说明模型和实验数据拟合的比较好；而余热量在输入热量较大时误差突然变大，这是由于神经网络在训练时候的随机性决定的，但其绝对误差控制在0.06范围内，相对误差也非常小。在图9中可以看出模型对于测试点的预测效果非常好。
如图8所示，吸附式制冷机模型的绝对误差在0.03范围内波动，由图10可见，测试点基本上在模型曲线上下波动，在多输入参数的情况下，说明模型具有一定的适用性。
图7 燃气发电机组神经网络模型的误差曲线图
图8 吸附式制冷机神经网络模型的误差曲线图
图9 燃气发电机组神经网络模型的测试图
图10 吸附式制冷机神经网络模型的测试图 4 结论
针对微型冷热电联供系统的高度非线性，多输入多输出的特点，本文提出了以BP神经网络进行建模的思想。系统模拟和评价的结果表明，神经网络作为一种非线性的数学工具，具有快速、简单、准确的特点，结合Matlab的神经网络工具箱使得算法的精度和模型的适用性大大增强。这为以后预测系统的运行，系统的控制设计都提供了良好的基础。在建模过程中对系统做了必要的简化处理，随着实验和理论研究的进一步深入，以后的工作要研究多个参数对系统的运行的影响，为系统的优化运行提出必要的方案。
参考文献1. 孔祥强. 基于燃气内燃机和吸附制冷机的微型冷热电联供系统研究.[博士学位论文]. 上海：上海交通大学，2005
2. 丛爽. 面向MATLAB工具箱的神经网络理论与应用（第2版）. 合肥：中国科技大学出版社，2003，5
3. 闻新，周露等. MATLAB神经网络应用设计. 北京：科学出版社,2000
4. 飞思科技产品研发中心. MATLAB6.5辅助神经网络设计.北京：电子工业出版社，2003，1
5. 丁国良,张春路. 制冷空调装置智能仿真 .北京:科学出版社,2002
6. 王德昌.硅胶-水吸附式空调机组性能运行报告.上海：上海交通大学制冷与低温工程研究所，2005
7. 胡永亮，陈光明. 基于神经网络的变浓度热泵系统的模拟研究. 制冷空调新技术进展，2005
