[0001] 本发明涉及信息测量领域，特别涉及一种密闭空间自然降温过程的温度预测方法。

[0002] 水质监测传感器的内部为密闭空间，研究其工作过程中内部的温度变化，对于传感器测量的稳定性和准确性有重要意义；野外原位监测碳排放，传感器的检测腔为密闭空间应维持较稳定的温度，对检测腔自然降温过程的温度预测有助于更好的控制腔内的温度。

[0003] 对于温度预测近年来有回归分析法、支持向量机法、BP神经网络法等。回归分析法是对大量统计数据进行数学处理，并确定因变量与某些自变量的相关关系，建立回归方程，用于预测变量变化的分析方法。根据因变量和自变量的个数分为一元回归分析和多元回归分析，根据因变量和自变量的函数表达式分为线性回归分析和非线性回归分析。由于对温度有影响的变量较多，所以较难实现对温度的精准预测。BP神经网络法，是一种模仿生物神经网络的结构和功能的数学模型，由大量的人工神经元联结进行计算，BP神经网络法是一种按误差逆传播算法训练的多层前溃网络。BP神经网络算法由两个部分组成，信号的正向传播和误差的反向传播，误差逆传播是采用梯度下降的最小方差学习方式，将误差反向传播，不断调节网络中网络神经元之间的连接权重，使误差达到最小。BP神经网络法预测适应性较强，当训练好网络后，网络的计算是相当容易且快捷的，预测的温度也较准确。但是由于BP算法是一种梯度搜索算法，因此对于高度非线性的问题，常常会使搜索陷入到局部极小，而非全局最小。因此需要采集大量的数据来进行建模训练，较为繁琐。上述方法的机理性差，普适性不好，当实际的环境条件与建模数据差异较大时，模型的预测准确性会很差。

[0071] 实施例1：

[0072] 实验室的烘箱内烘有样品，当烘箱内温度大约为80℃时，关闭烘箱的加热系统，利用温度记录仪每分钟测量一次烘箱内的温度。该实验共做两次，第一次实验的持续时间接近10个小时，第二次实验的持续时间接近8个小时。第一次实验的数据用来计算β，第二次实验的数据用来检验温度预测的准确性，实验时，同步测量实验室的室内温度。

[0073] 第一次实验烘箱内的实测温度与三次多项式拟合的温度见图1，对实验室的室内温度做三次多项式拟合，利用公式(18)计算βn(见图2)，取平均得β＝‑0.00572。利用β＝‑0.00572及第二次的实验数据，使用公式(15)预测烘箱内部的温度，预测的结果见图3、图4和图5。由图3可知预测值与实测值较接近，平均相对误差为0.84％，图4中预测温度与实测温度数据点处于对角线上，表明预测的较准确。由图5可知，预测的绝对误差几乎均处于±1℃以内，绝大多数预测温度的绝对误差在±0.5℃以内。

[0074] 实施例2：

[0075] 实验室的烘箱内烘有样品，当烘箱内温度大约为80℃时，关闭烘箱的加热系统，利用温度记录仪每分钟测量一次烘箱内的温度。该实验共做两次，第一次实验的持续时间接近10个小时，第二次实验的持续时间接近8个小时。第一次实验的数据用来计算β，第二次实验的数据用来检验温度预测的准确性，实验时，同步测量实验室的室内温度。

[0076] 第一次实验烘箱内的实测温度与三次多项式拟合的温度见图6，对实验室的室内温度做三次多项式拟合，利用公式(18)计算βn(见图2)，取平均得β＝‑0.00572。利用β＝‑0.00572及第二次的实验数据，使用公式(16)预测烘箱内部的温度，预测的结果见图8、图9和图10。由图8可知预测值与实测值比较接近，平均相对误差为2.27％，图9中预测温度与实测温度数据点几乎处于对角线上，表明预测的比较准确。由图10可知，预测的绝对误差几乎均处于0～‑1.5℃以内，绝大多数预测温度的绝对误差在‑1.0℃附近，表明大多数预测的温度值较实际温度低1℃。