Page 55 - 《真空与低温》2025年第5期

594 真空与低温 第 31 卷 第 5 期

相关性分析通过量化变量间关联强度，为热泵 析，成功提取了 5 个主成分，并筛选出了 30 个原始
系统关键性能指标功率、换热量及性能系数的特 参数对应系数绝对值大于 0.2 的参数，作为代表每
征筛选提供理论依据。研究表明，变量 U c 、T s 与 h COP 个主成分的关键参数。分析结果表明，5 个主成分
的 Pearson 相关系数分别达 0.799 491、0.763 535，表 分别反映了热泵系统在温度变化、功率消耗、电气
明其显著影响系统能效。基于此分析，机器学习模 性能、换热效率和环境因素等方面的特征。其中，
型可通过筛选高相关变量作为输入特征，剔除冗余 主成分 1 主要与系统的温度变化和功率消耗相关，
参数，可使模型复杂度降低；此外，在故障诊断中， 主成分 2 涉及电气参数和系统性能，主成分 3 关注
相关性分析可识别变量协同异常模式，不同参数数 换热效率和系统压降，主成分 4 反映环境因素的影
值的异常变化，也可在与其相关性高的参数中体现， 响，主成分 5 反映了系统能效和电气输入的关系。
也可间接反映热泵系统内部结构发生异常。 皮尔逊线性相关性分析表明，输入功率、换热量和
3.3 基于 Spearman 秩相关分析的非线性关系的研究 性能系数呈现强相关，阀后温度与功率、换热量显
为了全面评估变量关联性，对参数进行 Spear- 著相关，采用 Spearman 秩相关分析发现这些参数
man 秩相关分析，筛选出与输入功率、换热量和性 间仍具有高的秩相关系数，在复杂的非线性系统中，
能系数的 Spearman 秩相关系数绝对值大于 0.5 的参 这些参数间的关联程度依然显著。上述分析结果
数，如表 6 所列。可以看出 I c （0.872 87）、I b （0.800 13）、 为机器学习模型的特征选择提供了有价值的依据，
I f （0.821 43）等在线性关系分析中与功率具有较强 有助于提升热泵性能预测和故障诊断的准确性。
相关性的参数，在非线性关系分析中同样关联性
参考文献：
较强；同样的，与 T s 线性相关性较强的参数 T h2
h
（0.857 14）、T h1 （0.882 92），与 COP 线性相关性较强 [1] 骆名文，张光鹏，陈梦羽，等. 低温空气源热泵系统新型节
的参数 U c （0.904 53）、T sh （0.720 75），它们在非线性 能技术研究 [J]. 制冷技术，2024，44（2）：47−52.
关系中关联程度依然较大。 [2] 徐彦刚. 数据挖掘算法研究综述 [J]. 电脑知识与技术，
2024，20（24）：64−66.
表 6 秩相关系数筛选表 [3] 王少宇. 基于数据挖掘的工业循环水系统运行状态识别与
Tab. 6 Rank Correlation Coefficient Screening Table 优化 [D]. 西安：西安工业大学，2023.
变量 P 变量 T sh 变量 ε cop [4] 刘祝娟，李鑫星，柏丽红，等. 基于主成分分析的我国城市
0.872 87 0.882 92 0.904 53 交通运输碳排放影响因素研究 [J]. 中国资源综合利用，
I c T h1 U c
0.846 88 0.857 14 0.834 90 2023，41（10）：167−170.
I a T h2 U b
0.821 43 0.785 71 0.720 75 [5] HAO X C，WANG Y Z，ZHANG Z P，et al. Root cause anal-
T sj T sj T sh
0.821 43 0.785 71 X 0.720 75 ysis of faults in cement pre-decomposition system using ker-
T f T f
0.810 84 0.738 77 0.633 05
T sc T p T g nel principal component analysis and multi-scale symbolic
0.800 13 0.720 75 0.576 60
I b T sc T h2 transfer entropy[J]. Chemical Engineering Science，2024，286：
0.792 82 0.720 75 0.554 55
T p ε cop T h1 119681.
0.752 58 0.709 21 0.504 52
U a S d T c1 [6] 江伟，张晓，刘大同，等. 小麦品质性状相关性及主成分分
0.684 71 P 0.642 86
T c2 析 [J]. 江苏农业科学，2023，51（16）：43−48.
0.678 57 0.594 62
P f I a
[7] 高欣，赵志远，银鸿，等. 空间目标态势感知及多源数据融
0.642 86 0.581 91
T sh I c
合技术发展与应用 [J]. 真空与低温，2023，29（6）：543−554.
0.612 64 X 0.571 43
T h1
[8] 于仙毅. 基于数据挖掘的热泵系统节能运行及泄漏模式识
0.594 62 0.537 85
T j2 U c
别研究 [D]. 广州：华南理工大学，2020.
0.571 43 0.513 96
T h2 U a
[9] LI X T，SUN Y Y，WANG W，et al. Enhancing demand re-
F 0.571 43 T g 0.509 18
sponse and heating performance of air source heat pump
0.517 93 0.509 18
T s I b
through optimal water temperature scheduling： Method and

application[J]. Energy and Buildings，2024，323：114839.
4 结论
[10] RAAD D， LIESHOUT V， STOUGIE L， et al. Improving
本文通过对热泵系统运行数据进行主成分分 plant-level heat pump performance through process modifi-