基于BP神經(jīng)網(wǎng)絡(luò)的露點(diǎn)蒸發(fā)冷卻冷水機(jī)組性能預(yù)測(cè)

常若新 黃翔 屈悅瀅

摘? 要：本文針對(duì)傳統(tǒng)蒸發(fā)冷卻冷水機(jī)組的設(shè)計(jì)缺點(diǎn)：不能對(duì)機(jī)組實(shí)際運(yùn)行情況全面考慮，量產(chǎn)前優(yōu)化設(shè)計(jì)復(fù)雜、成本投入大等問(wèn)題。通過(guò)借助神經(jīng)網(wǎng)絡(luò)對(duì)非線性動(dòng)力學(xué)系統(tǒng)的預(yù)測(cè)能力，建立露點(diǎn)間接蒸發(fā)冷卻器性能的預(yù)測(cè)模型，并對(duì)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練與仿真，以供參考。

關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò);蒸發(fā)冷卻;冷水機(jī)組;預(yù)測(cè)分析

中圖分類號(hào)：TU831? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A? ? ? ? ?文章編號(hào)：2096-6903（2021）01-0000-00

0引言

蒸發(fā)冷卻空調(diào)技術(shù)是節(jié)能、綠色的制冷技術(shù)，在干燥地區(qū)和中低濕度地區(qū)可替代傳統(tǒng)的氟利昂制冷劑[1]。目前廣泛應(yīng)用的有直接/間接蒸發(fā)冷卻技術(shù)等多種方式[2]。其中，基于ValeriyMaisotsenko提出的新型熱力循環(huán)（即M-cycle理論）[3]得出的露點(diǎn)間接蒸發(fā)冷卻可使產(chǎn)出空氣逼近進(jìn)入空氣的露點(diǎn)溫度，是提高設(shè)備溫降的核心技術(shù)之一。

傳統(tǒng)露點(diǎn)間接蒸發(fā)冷卻冷水機(jī)組的設(shè)計(jì)缺點(diǎn)在于不能對(duì)機(jī)組實(shí)際運(yùn)行情況全面考慮;量產(chǎn)前優(yōu)化設(shè)計(jì)復(fù)雜、成本投入大。通過(guò)借助神經(jīng)網(wǎng)絡(luò)對(duì)非線性動(dòng)力學(xué)系統(tǒng)的預(yù)測(cè)能力，建立露點(diǎn)冷卻器性能的預(yù)測(cè)模型，并對(duì)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練與仿真，其涉及暖通空調(diào)、信息處理、計(jì)算機(jī)等多學(xué)科，為露點(diǎn)冷卻器性能的預(yù)測(cè)研究提供新的思路。其優(yōu)勢(shì)在于進(jìn)行充分模擬預(yù)測(cè)，以此規(guī)避機(jī)組缺陷;同時(shí)也降低試驗(yàn)成本;縮短開(kāi)發(fā)周期，提高機(jī)組競(jìng)爭(zhēng)力[4]。

1BP神經(jīng)網(wǎng)絡(luò)算法介紹

1.1BP神經(jīng)網(wǎng)絡(luò)及其性能預(yù)測(cè)流程

BP神經(jīng)網(wǎng)絡(luò)是采用機(jī)器學(xué)習(xí)算法進(jìn)行訓(xùn)練的人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，其拓?fù)浣Y(jié)構(gòu)圖如圖1所示，由輸入樣本的正向傳播以及誤差的反向傳播這2個(gè)過(guò)程組成[5]，選擇露點(diǎn)蒸發(fā)冷卻冷水機(jī)組性能穩(wěn)定的測(cè)試數(shù)據(jù)，再對(duì)數(shù)據(jù)進(jìn)行歸一化處理，并建立相對(duì)應(yīng)的神經(jīng)網(wǎng)絡(luò)模型，利用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)對(duì)露點(diǎn)蒸發(fā)冷卻冷水機(jī)組性能進(jìn)行預(yù)測(cè)。

1.2訓(xùn)練樣本的選取

1.2.1露點(diǎn)間接蒸發(fā)冷卻冷水機(jī)組

露點(diǎn)間接蒸發(fā)冷卻冷水機(jī)組的結(jié)構(gòu)圖如圖2所示，本機(jī)組產(chǎn)出空氣流動(dòng)路徑是“Z”字型，產(chǎn)出空氣不光有叉流換熱過(guò)程，同時(shí)還有逆流換熱過(guò)程，增加了空氣的預(yù)冷時(shí)間，降低了出水溫度[6]

1.2.2訓(xùn)練樣本

對(duì)上述機(jī)組進(jìn)行測(cè)試，采用64組測(cè)試數(shù)據(jù)作為BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本，對(duì)機(jī)組送風(fēng)干球溫度、相對(duì)濕度、含濕量、供回水溫度的結(jié)果進(jìn)行預(yù)測(cè)。其中，2/3為訓(xùn)練數(shù)據(jù)，1/3為驗(yàn)證數(shù)據(jù)。

測(cè)試數(shù)據(jù)以及性能評(píng)價(jià)公式可得到露點(diǎn)間接蒸發(fā)冷卻冷水機(jī)組在三種測(cè)試工況下的性能參數(shù)，部分參數(shù)如表1所示。

2建立預(yù)測(cè)模型

2.1原始數(shù)據(jù)樣本設(shè)計(jì)

露點(diǎn)蒸發(fā)冷卻效率受很多影響因素，包括結(jié)構(gòu)設(shè)計(jì)、淋水量、室外空氣狀態(tài)也會(huì)對(duì)冷卻器的換熱效能產(chǎn)生影響。在其他條件不變的情況下，主要考慮室外空氣狀態(tài)（室外空氣進(jìn)風(fēng)口干球溫度、濕球溫度、相對(duì)濕度、含濕量）對(duì)機(jī)組性能（露點(diǎn)蒸發(fā)冷卻效率）的影響。共選取64組實(shí)驗(yàn)數(shù)據(jù)進(jìn)行BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)。

2.2網(wǎng)絡(luò)傳遞及訓(xùn)練函數(shù)

網(wǎng)絡(luò)傳遞中局部最優(yōu)比較容易陷入，這也成為了BP神經(jīng)網(wǎng)絡(luò)的部分局限性，故選擇LM算法作為訓(xùn)練方法對(duì)BP網(wǎng)絡(luò)進(jìn)行訓(xùn)練，訓(xùn)練函數(shù)采用LM算法的trainlm函數(shù)，學(xué)習(xí)函數(shù)采用trainlm函數(shù)，設(shè)置訓(xùn)練次數(shù)為1000次，訓(xùn)練目標(biāo)誤差為0.000000001，學(xué)習(xí)率為0.1。

3 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果分析

3.1網(wǎng)絡(luò)的擬合效果

圖3是本網(wǎng)絡(luò)的擬合效果。橫縱坐標(biāo)表示均為輸出長(zhǎng)度是4的單位向量，R是線性回歸后的相關(guān)系數(shù)，R越接近于1，表明預(yù)測(cè)結(jié)果越好。四個(gè)圖分別是對(duì)訓(xùn)練結(jié)果、校驗(yàn)結(jié)果、測(cè)試數(shù)據(jù)、所有數(shù)據(jù)的擬合，可以看出，總體擬合效果較好，擬合度為0.99684。

3.2測(cè)訓(xùn)練結(jié)果分析

本次預(yù)測(cè)基于MATLAB的BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練模型的RMSE為0.0513。

表2是網(wǎng)絡(luò)輸出的預(yù)測(cè)值的部分?jǐn)?shù)據(jù)，由圖4可以看出，BP神經(jīng)網(wǎng)絡(luò)對(duì)機(jī)組出口水溫預(yù)測(cè)的均方根誤差為0.12，表明建立的該BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)精度較好，整體預(yù)測(cè)的冷水機(jī)組出水溫度與實(shí)際機(jī)組的出水溫度變化規(guī)律相符，同時(shí)絕對(duì)誤差在1%以內(nèi)，符合工程設(shè)計(jì)的需要。

4結(jié)語(yǔ)

本文通過(guò)借助BP神經(jīng)網(wǎng)絡(luò)對(duì)非線性動(dòng)力學(xué)系統(tǒng)的預(yù)測(cè)能力，建立露點(diǎn)間接蒸發(fā)冷卻冷水機(jī)組性能的預(yù)測(cè)模型，對(duì)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練與仿真，并使用實(shí)際測(cè)試結(jié)果對(duì)預(yù)測(cè)結(jié)果進(jìn)行驗(yàn)證。驗(yàn)證結(jié)果表明，使用該方法得到的預(yù)測(cè)結(jié)果精度較高，絕對(duì)誤差控制在1%以內(nèi)。該方法替代了傳統(tǒng)的實(shí)驗(yàn)方法，也降低試驗(yàn)成本，縮短開(kāi)發(fā)周期，提高了冷水機(jī)組機(jī)組的競(jìng)爭(zhēng)力。

參考文獻(xiàn)

[1]黃翔，孫鐵柱，汪超.蒸發(fā)冷卻空調(diào)技術(shù)的詮釋（1）[J].制冷與空調(diào)，2012，12（2）：1-6+14.

[2]黃翔.蒸發(fā)冷卻空調(diào)技術(shù)發(fā)展動(dòng)態(tài)[J].制冷，2009，28（1）：19-25.

[3]麥索特森科.用于露點(diǎn)蒸發(fā)冷卻器的方法和板裝置[P].中國(guó)：ZL02828060.1，2001-09-27.

[4]黃童毅，何林，郭慶，等.基于BP神經(jīng)網(wǎng)絡(luò)的空調(diào)性能預(yù)測(cè)研究[J].環(huán)境技術(shù)，2019，37（4）：100-103+114.

[5]張峰，李蘇瀧.基于BP神經(jīng)網(wǎng)絡(luò)的建筑空調(diào)負(fù)荷預(yù)測(cè)[J].智能建筑與智慧城市，2019（7）：34-35+41.

[6]李朝陽(yáng).露點(diǎn)間接蒸發(fā)冷卻空調(diào)系統(tǒng)的應(yīng)用研究[D].西安：西安工程大學(xué)，2020.

收稿日期：2020-12-20

作者簡(jiǎn)介：常若新（1996—），男，河南洛陽(yáng)人，碩士研究生在讀，研究方向：蒸發(fā)冷卻技術(shù)與建筑可再生能源理論與應(yīng)用。

通訊作者：黃翔（1962—），男，北京人，研究方向：蒸發(fā)冷卻技術(shù)與建筑可再生能源理論與應(yīng)用。

Performance Prediction of Dew-point Evaporative Cooling Chiller Based on BP Neural Network

CHANG Ruoxin，HUANG Xiang，QU Yueying

（School of Urban Planning and Municipal Engineering，Xi’an Polytechnic University，Xi’an? Shaanxi? 710048）

Abstract：This paper aims at the design shortcomings of the traditional evaporative cooling chillers， such as the failure to take the actual operation of the chillers into full consideration， the complexity of the optimization design before mass production and the large cost input. The prediction model of dew point indirect evaporative cooler was established by using neural network to predict the nonlinear dynamic system， and the network model was trained and simulated.

Keywords：airport building;air conditioning system;evaporative cooling;engineering application;test analysis