《住宅小区集中供冷系统冷却水利用的探讨.pdf》由会员分享，可在线阅读，更多相关《住宅小区集中供冷系统冷却水利用的探讨.pdf（4页珍藏版）》请在三一文库上搜索。
1、。 1 2 8 技术交流暖通空调H V c p ， 为水的 比 定压热容， k J / ( k g 。 C ) ; t - t 、分别为冷凝器 进、 出口 空调水温度， 汀为时间， s ; q 为冷凝器 的 散热量， k W; G . 为冷凝器中空调水质量流量， k g / s , 对蒸发器的埋管水侧， 与上面作同样的假设， 则有 圈1 B P 算法学A流程圈 d t -2 神经网 络具有良 好的映 射逼近能力和自 学习、 自 适应、 归纳等智能性功能， 在传统理论难以解决 的实际问题及目 前尚无准确模型的制冷空调装置 的 建模中 应用可以 收 到 较 好的 实际 效 果S -4 1 . 2
2、关键参数确定 图2 为地源热泵机组结构示意图， 在地源热泵 机组运行过程中， 组成该系统的 各个部件同时在运 行， 对系统的状态产生影响， 每个部件的运行参数 与其他部件的 运行参数是相互影响、 相互关联的。 M , c a ( L - . , 2d r =G e c p . ( t ，一t ) 一Q . ( 2 ) 来自 地埋管挽热器 C V 1 冷凝器的空 调水 侧 C V 2 蒸发器的 埋管水侧 C V 3 冷凝器的制冷剂侧 C V 4 燕发器的制冷剂侧 圈2 地源热泵机组结构示童圈( 冬季) 式中 M 为蒸发器内 埋管水质量， 掩; t - t 分 别为蒸发器进、 出口 温度, 0 C
3、 ; G , 为蒸发器中埋管 水质量流量， k g / s ; Q . 为制冷量， k W, 2 机组预测模型 2 . 1研究对象 某地源热泵系统位于 北京地区， 其地埋管换热 器采用竖直单U形埋管， 机组型号为E M B E / S R H H一 3 3 0 2 , 2 0 0 5 年 1 1 月2 9 - 3 0日( 初寒期) 和2 0 0 6 年3 月1 -2日( 末寒期) 分别对该机组的 各项指标及整个机房的 设备运行指标进行了测试， 共测得5 2 组数据( t - 1 , t , t n a , t , q， 认， q， 机 组功率叼 ， 测试结果如图3 -6 所示， 取其中4 1
4、组 作为样本数据， 其余1 1 组作为预测模型检验数据。 2 . 2 模型的建立 由 上文分析， 在实际运行中， 冬季地源热泵机 组的 制热量q、 功率N随着冷凝器进、 出口 空调 水温度( t - 1 , t a ) , 蒸发器进、 出口水温度( t - 1 , t ) ， 埋管水质量流量G . ， 空调水质量流量G . 的 万方数据 。 1 3 0。 技术交流 暖通空调H V 吕 时刻 一 空调水流量一 埋管水流量 圈5 空调水和坦，水浪. 1 1 月2 9日 1 1 月3 0日3 月1 日3 月2 日 元个数i = 6 , 即t n , , t e a t , t N ,l , t s
5、e , 认和认， 隐含层 神经元个数为1 1 , 输出层神经元个数k =2 ， 即Q . 和 N。 在训练神经网络之前， 必须对输人、 输出 数据 进行归一化处理， 即把数据处理成0 -1 之间的 值， 神经网络的 输出值还需还原成常规值。 神经网络的层初始权重和偏置值根据 N g u y e n 和Wid r o w ( N g Wi9 0 ) 方法 ， 性 成， 它比 单 纯地给出 权重和偏置随机赋值有以下优点: 1 ) 减 少神经元的浪费; 2 ) 有更快的训练速度。 分别用t r a i n g d x , t r a i n g d , t r a i n l m三个函数对 网 络进
6、行训练， 分析收敛速度和网络的训练误差， 本神经网络的训练函数取t r a i n l m 1 e 1 ， 该函数的学 习 算法为L e v e n b e r g - M a r q u a d t 反传算法， 优点是 收敛速度快， 网络的训练误差也较小。 训练方式采用批处理方式， 在批处理方式中， 当整个训练设置被应用到网络后权重和偏置才被 更新， 将每一个训练例子中的 计算梯度加在一起来 确定 权重和偏置的变化。 考虑到预测 模型的 精度要求和收敛速度， 本模 型 的 模 拟 精 度 为。 = 0 . 0 1 ， 学 习 速 率 为， 一 。 . 9 1 9 1 得到该网络的逼近曲 线如
7、图8 所示， 收敛时模型精 度达到0 . 0 0 0 9 9 9 8 5 2 , 1 0 二 , 竹叫叫耐耐。 侧挥 训 人一 分 溯删刚枷200 笠、训藕履 资俘写宾 I -S 盲8 8 8 8 8 8 8 8 8 言泰 8 8 8 8 8 8= : 艺匕另巴:艺匕吕巴=_另叁口忿口另 时刻 一 机组功率一 制热量 圈6 机组功率、 树热. 0 . 5 Lo . 8 糕iflOtt 训练次数/la 神经网络遇近曲线 变化而变化。 地源热泵机组性能预测模型采用三 层B P 神经网络( 如图7 所示) ， 模型中 输人层神经 隐含层 冷凝器进口 温度 冷凝器出口 温度 热发舒进口 温度 蒸发器出
8、口 温度 空调水质量流t 埋管水质量流盘 辘入层 2 . 3 预测与精度分析 为验证 模拟的准确性， 采用如下几个特征数对 模拟结果进行误差分析。 1 ) 标准方差( 方差的 平方根) o : 制热t艺 ( 、一 ， ， ) ， ( 3 ) 机组功率 圈7 三层2 1 : 神经网络的结构 式中 Y .Y ， 为样本实验值; n 为样 本数。 2 ) 期望偏差百分率( 标准方差与样本实验值 中 最大值的 绝对值Y 之比的百分数) E E P : 万方数据 暖通空调H V 机组功率模拟值与实验值之间偏差的绝对 值最大为7 . 7 k W， 最小为2 . 2 k W; 偏差系数在 2 . 6 3 %
9、以内。 3 结论 3 . 1 建立了地源热泵机组人工神经网络预测模 误差分析 机组功率 : ; : : : ; _ ;: :一; 1 0 0 . 6 1 2 2 . 7 1 0 3 . 2 1 2 4 . 9 制热量 Y p / k w Y a / k W 误差分析 Y a / k W Y m / k w 误差分析 巧5 . 3 1 5 3 . 7 1 5 4 . 4 1 0 4 . 8 1 6 7 . 2 1 5 2 . 9 1 5 1 . 3 1 5 0 . 9 1 0 2 . 3 1 6 2 . 1 c =3 . 8 9 3 , E E P =1 . 9 4 % , C V =2 . 6
10、 3 % 5 7 2 . 7 5 2 2 . 6 5 7 1 . 3 5 3 1 . 3 5 7 8 . 7 5 5 8 . 4 5 1 3 . 9 5 6 0 . 3 5 1 7 . 7 5 6 2 . 7 u =1 5 . 4 9 2 5 . E E P =2 . 3 1 %, C V =2 . 5 7 % : : : : . ;67 0 . ;: : :一 : 5 4 0 . 8 6 2 1 . 9 5 5 0 . 2 6 3 7 . 1 型， 以机组冬季运行工况的测试数据作为训练样本 对模型进行训练， 得到模型的 模拟值与实验值的 偏 差系数在2 . 6 3 %之内。 3 . 2 该模
11、型的建立解决了 传统建模方法的复杂性 和局限性问题， 同时也把人工神经网络应用到了地 源热泵机组性能预测中。 3 . 3 目 前还没有机组的夏季运行数据， 有待于今 后进行相应的实验。 只要样本数据正确而充足， 人 工神经网络可以用于地源热泵机组全年运行特性 的预测， 实现地源热泵机组的在线监控。 参考文献: 1 曲云爵 地源热泵系统模型与仿真 D I . 西安， 西安 建筑科技大学， 2 0 0 4 : 8 - 9 2 汪洪军， 李新国， 赵军， 等. 地下祸合地源热泵机组冬 季供热性能分析与实验研究 J 7 . 流体机械， 2 0 0 3 , 3 1 ( 1 2 ) : 5 1 - 5 4
12、 臼 闻 新. M A T L A B神经网络应用设计 M . 北京: 科 学出版社， 2 0 0 0 : 2 0 7 - 2 4 3 习 丁国良 张春路. 制冷空A 装置智能仿真 M . 北京: 科学出版社， 2 0 0 2 : 1 9 7 - 1 9 8 5 D ie t G , S e n M, Y a n g K T , e t a l . S im u l a t io n o f h e a t e x c h a n g e p e r f o r m a n c e场 a rt i f i c ia l n e u r a l n e t w o r k J . I n t J
13、 H V A C & R R e s e a r c h , 1 9 9 9 , 5 ( 3 ) : 1 9 5 - 2 0 8 仁 6 P a c h e c o - V e g a A , S e n M, Y a n g K T , e t a L N e u r a l n e t w o r k a n a l y s i s o f f in - t u b e re f ri g e r a t in g h e a t e x c h a n g e r w it h l im it e d e x p e r im e n t a l d a t a J . I n t J
14、He a t Ma s s T r a n s f e r , 2 0 0 1 , 4 4 ( 2 ) : 7 6 3 - 7 7 0 7 张立明. 人工神经网络的模型及其应用 M 上海: 复旦大学出版社， 1 9 9 3 8 H a g a n M T , D e n i u t h H B , B m l e M H ， 神经网络设 计 叨. 戴葵， 译 北京: 机械 工 业出 版杜， 2 0 0 2 9 姜益强， 姚杨， 马最良 基于人工神经网络的空气源 热 泵冷 热水机 组的 性能 模拟口 . 流体 机械， 2 0 0 2 , 3 0 ( 5 ) : 5 9 -6 1 会讯 2 0 0
15、 7 世界太阳能大会在北京召开 9 月1 9 - 2 1 日 ， 2 0 0 7 世 界太阳 能 大 会在 北京 召开， 这 是世界太阳 能大会自 创办2 0 多年来首次在我国举办， 也是 该会近1 0 年来第一次在亚洲地区召开.世界太阳能大会 是国 际 太阳 能 学会主 办的 世界范围 内 水平最高、 历史 最长、 覆盖领域最宽、 影响最广的太阳能与可再生能ix学术与技 术交流大会. 本次大会由国际太阳能学会与中国可再生能 源学会共同主办， 中国科学院电工研究所承办.大会的主 题是“ 太阳能与人类居住“. 在大会上， 国务院 参事、 中国可再生能源学会会长石定 寰和来自 美国 南佛罗里达大学的前任国际太阳能学会主席 Y o g i G o s w a n u 教授分别作了 中国可再生能源发展的回顾 和展望 和 世界可再生能源发展的回顾与展望 的报告. 大会还包括6 场专题报告、 5 6 场分组会报告和 1 1 个论坛。 此外， 大会上展出了国内外可再生能源领域最新的技术和 产品。 大会共收到论文6 3 2 篇， 来自6 0 多个国家的近千位 代表参加。 本次大会无论是会议规模、 提交论文数， 还是参 加展览的企业数都是历届世界太阳能大会之最. ( 本刊特约通讯员 关延麟) 万方数据