吸收式太阳能热泵系统各部件稳态模型的建立在制冷系统的优化控制中起到了非常重要的作用。由于吸收式太阳能热泵系统有着非线性及工况复杂的特点,对吸收式太阳能热泵系统建立精确的理论模型是非常困难的,因而吸收式太阳能热泵系统各部件的模型往往采用经验模型或混合模型,而这两种模型均需要采集大工况范围内的数据来保障模型的精度和其适用范围。大量实验数据的采集不仅会增加实验的工作量,而且会增加模型辨识的计算负担。利用聚类方法对辨识模型的实验数据进行聚类处理,采用反映每一类数据基本特性的聚类中心数据代替该类数据参与模型辨识,不仅可以大大减少参与模型辨识的数据量,减少计算负担,又能保留每一类数据的基本特性。通过对辨识模型参数的数据聚类筛选,除了可以减少离线模型的辨识负担外,还可以对在线数据进行聚类,找出不同于已有类数据特征的数据建立新类,并利用该类数据中心进行模型参数的在线修正,提高模型的应用精度,扩大模型的使用范围。基于上述分析,本文针对吸收式太阳能热泵系统的特点,利用改进的K均值聚类方法对模型辨识数据进行聚类处理,提出了一种吸收式太阳能热泵系统在线建模的方法。其主要研究内容包含以下几个方面:1)通过对吸收式太阳能热泵系统建模和聚类方法的文献综述分析,根据吸收式太阳能热泵稳态数据的特点,选用K均值聚类方法对模型辨识数据进行聚类处理,并改进了该方法中K值和初始聚类中心的确定方法。利用戴维斯鲍尔丁指数确定K均值聚类方法中合理的分类数K*;利用粒子群优化算法确定初始的最优聚类中心,提高K均值聚类方法的收敛速度;利用三个算例验证了改进的K均值聚类方法的有效性。2)基于改进的K均值聚类方法,提出了在线模型辨识数据的聚类筛选方法。该方法利用改进的K均值聚类方法对模型辨识数据进行聚类处理,需利用代表每类数据特征的聚类中心数据作为输入输出数据对模型参数进行辨识,同时对在线测量的数据进行聚类筛选分析,发现具有新特征的数据,会重新建立新类,把新类的聚类中心作为辨识模型的输入输出数据,对模型参数在线修正,提高模型的适用范围。3)基于改进的K均值聚类方法和所提出的数据在线聚类筛选方法,提出了吸收式太阳能热泵系统各部件在线建模的方法。该在线建模方法沿用现有的吸收式太阳能热泵系统部件（蒸发器、冷凝器、电子膨胀阀、热回收换热器、溶液泵等）的混合模型及参数辨识方法,利用改进的K均值聚类方法对各模型输入输出实验数据进行聚类筛选,把离线建模方法提升为在线建模的方法,并通过搭建的吸收式太阳能热泵系统获得的实验数据对模型进行了验证。实验结果表明,利用所提在线建模方法处理模型输入输出实验数据后,模型辨识的计算量得以降低,模型的精度和适用范围也在应用中得以提高。4)通过对吸收式太阳能热泵系统中吸收器和发生器工作原理的分析,建立了两部件模型的输入和输出关系,提出了利用BP神经网络建立吸收器和发生器模型的在线建模方法。通过理论分析,确定吸收器和发生器输入输出结构,利用经验公式确立了BP神经网络隐藏层数,利用吸收式太阳能热泵系统部件混合模型的参数辨识方法确定BP神经网络的权值和阈值。针对BP神经网络建模的特点,调整了K均值聚类方法中分类数K的确定范围,实现了吸收器和发生器的在线建模。实验结果表明,采用该方法建立的BP神经网络模型具有在线修正的功能,其模型精度随着使用的过程而不断提高。