應(yīng)用人工神經(jīng)網(wǎng)絡(luò)算法的冷水機組能效提升策略

張夢華，周鎮(zhèn)新，劉念，韓林志，陳煥新*

（1-華中科技大學(xué)能源與動力工程學(xué)院，湖北武漢 430074；2-上海疊騰網(wǎng)絡(luò)科技有限公司，上海 200000）

0 引言

冷水機組系統(tǒng)廣泛應(yīng)用于建筑空調(diào)中，由于它們是建筑中主要的耗能部件，因此提高它們的運行性能可以考慮節(jié)約能源[1]。為了提高冷水機組的運行性能，許多專家學(xué)者對冷水機組的運行策略進行了大量研究。

一種方法是應(yīng)用理論物理方程計算結(jié)果，或利用現(xiàn)有數(shù)據(jù)擬合公式；另一種方法是利用人工智能模型對過去的數(shù)據(jù)進行預(yù)測。傳統(tǒng)的方法包括白箱模型、灰箱模型和黑箱模型[2]。白箱模型采用物理方程計算性能系數(shù)，如BROWNE等[3]、CHAN等[4]提出了預(yù)測具有10%偏差的冷水機組動態(tài)性能的仿真模型。張歡等[5]提出加載控制策略應(yīng)用變頻技術(shù)，以實現(xiàn)機組制冷量、冷凍水流量和冷卻水流量的無極調(diào)節(jié)，保證設(shè)備的高效運行。卓明勝等[6]建立完整的中央空調(diào)水系統(tǒng)仿真模型，分析了冷水機組在提高供水溫度優(yōu)化控制、冷卻水泵優(yōu)化控制、冷凍水泵優(yōu)化控制的中央空調(diào)系統(tǒng)群控優(yōu)化控制策略下的系統(tǒng)節(jié)能率。MA[7]以灰箱研究為例，引入了一系列的理論和經(jīng)驗表達式，闡明了循環(huán)過程影響下的熱力學(xué)機制。黑箱模型是從冷水機制造商、實驗室和現(xiàn)場測量中獲得一套訓(xùn)練數(shù)據(jù)，用多元回歸方法建立黑箱模型，黑箱模型的一些參數(shù)由大量的性能數(shù)據(jù)確定[8]。

最流行的黑箱模型是人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，ANN）。ANN方法為這些復(fù)雜的非線性問題提供了一種新的解決方案[9]，它利用相關(guān)的運行數(shù)據(jù)來預(yù)測螺桿式冷水機組的性能，能適用現(xiàn)場不斷變化的條件。CHOW等[10]描述了直燃型吸收式制冷機系統(tǒng)的ANN過程，并結(jié)合遺傳算法討論了系統(tǒng)的最優(yōu)控制。ESEN等[11]比較了自適應(yīng)神經(jīng)模糊推理系統(tǒng)和人工神經(jīng)網(wǎng)絡(luò)在耦合地源熱泵系統(tǒng)建模中的應(yīng)用。CHANG[12]利用Hopfield網(wǎng)絡(luò)找到了解決冷水機冷水供應(yīng)溫度下最優(yōu)冷水機負荷缺陷的方法。還有利用ANN在不同的實驗條件下模擬太陽能輔助制冷系統(tǒng)[13-14]。LAZRAK等[15]開發(fā)了一種ANN方法來建模和評估吸收式制冷機的能量性能和出口溫度。WANG等[16]提出了一種實用的改進方法，在沒有頻繁大波動的情況下，滿足建筑物熱負荷目標的冷卻裝置，結(jié)合了變搜索邊界、物理方程和人工神經(jīng)網(wǎng)絡(luò)冷卻塔模型。

此外有些針對模型控制的研究，試圖提高冷水機組模型的效率。如BRAUN等[17]開發(fā)了一種優(yōu)化冷卻塔風(fēng)扇速度的方法。王占偉等[18]將距離拒絕（Distance Rejection，DR）機制融入貝葉斯網(wǎng)絡(luò)（Bayesian Network，BN）中，提出一種基于DR-BN的冷水機組故障檢測方法。另一些研究人員開發(fā)了利用系統(tǒng)模型和優(yōu)化算法尋找冷凝器回水溫度最優(yōu)設(shè)定值的方法，這些方法通常稱為基于模型的優(yōu)化方法。如LU等[19]提出了一種基于模型的冷水機組冷凝器水設(shè)定值優(yōu)化方法。發(fā)現(xiàn)與冷卻塔風(fēng)機和冷凝器水泵一直全速運行的基準相比，這種方法在高負荷時期可以節(jié)省冷凝器水環(huán)路10%左右的能耗。LEE等[20]建立了基于模型的優(yōu)化方法，尋找最優(yōu)冷凝器水設(shè)定值和冷水機組冷卻水設(shè)定值，冷水機組可實現(xiàn)高達11.1%的日節(jié)能量。HUANG等[21]運用了類似的方法，冷水機和冷卻塔的年節(jié)能率可達9%左右。雖然上述基于模型的優(yōu)化方法取得了良好的效果[22]，但是對于實際應(yīng)用過程中，針對由于蓄水池的作用，導(dǎo)致物理換熱模型的滯后性，使冷水機組出水溫度不能準確預(yù)測，機組反饋機制不能準確進行反饋來調(diào)節(jié)風(fēng)機和水泵頻率，從而增加了系統(tǒng)的能耗，這方面的研究很少。

本文選擇將人工神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練為冷水機組模型，在采用大量歷史運行數(shù)據(jù)的情況下，根據(jù)專家知識加入專家變量，預(yù)測出t時刻后的冷水機組回水溫度，從而解決在物理建模過程中，由于蓄水池導(dǎo)致物理換熱模型的滯后性，能夠快速對環(huán)境反應(yīng)，反饋給系統(tǒng)，從而達到及時調(diào)節(jié)相關(guān)參數(shù)，提高機組能效的目的。

1 基于人工神經(jīng)網(wǎng)絡(luò)的回水溫度預(yù)測

1.1 冷水機組系統(tǒng)結(jié)構(gòu)

該工程系統(tǒng)是中國寧波的某所工廠冷水機組系統(tǒng)（圖1）。數(shù)據(jù)收集時間段為2017-01-02—2018-12-27，冷水機組每天工作24 h，每5 min收集一次數(shù)據(jù)。冷凍室（包括螺桿式冷水機組、離心式冷水機組和水循環(huán)泵）位于設(shè)備室，冷卻塔位于室外屋頂。該項目經(jīng)過了全面的實際應(yīng)用測試，數(shù)據(jù)收集間隔為5 min。水系統(tǒng)包括3個變頻螺桿式冷水機組、3個冷卻水循環(huán)泵、5個冷凍水循環(huán)泵和3個冷卻塔，3#冷卻塔有兩個風(fēng)機。其中冷水機組是傳統(tǒng)的制冷循環(huán)，包括1個變頻螺桿壓縮機、1個蒸發(fā)器、1個冷凝器和1個電子膨脹閥，本次實驗只研究3#冷水機組。已知冷卻塔型號和設(shè)計工況下參數(shù)，室外濕球溫度、室外干球溫度、冷卻塔進水溫度、冷卻塔出水溫度和冷卻水流量，希望能預(yù)測出冷卻塔風(fēng)機功率及其頻率。

圖1 冷水機組系統(tǒng)結(jié)構(gòu)

本次工程實驗項目的預(yù)測模型難點在于，冷卻塔下方有土建水池，冷卻塔的出水先進入水池，導(dǎo)致冷卻水經(jīng)過冷卻后并未及時進入冷機，故對于3#冷水機組存在較大延遲，用常規(guī)方法建模有困難。由于本文中測量的冷卻塔風(fēng)機功率存在一定的零值，所以將預(yù)測變量變化為冷水機組回水溫度，根據(jù)t分鐘之前的參數(shù)變量來預(yù)測此刻的冷水機組回水溫度，從而檢測排除系統(tǒng)延遲時間，為實際工程應(yīng)用中提供參考，從而提成冷水機組能效比。

1.2 研究方法

人工神經(jīng)網(wǎng)絡(luò)是一種機器學(xué)習(xí)工具，它受人類大腦生物系統(tǒng)的啟發(fā)，可以用來學(xué)習(xí)輸入和輸出變量之間的關(guān)系，復(fù)雜的物理系統(tǒng)不需要顯式的數(shù)學(xué)函數(shù)就可以精確地建模。由于其在分類、聚類、優(yōu)化和預(yù)測等方面的廣泛應(yīng)用，使得神經(jīng)網(wǎng)絡(luò)方法在研究中得到了廣泛的應(yīng)用。

神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)是由輸入、神經(jīng)元和輸出參數(shù)組成的，如圖2所示。神經(jīng)元通過數(shù)學(xué)函數(shù)將輸入和輸出之間的相關(guān)性聯(lián)系起來。在建立人工神經(jīng)網(wǎng)絡(luò)模型時，必須保證所提出的人工神經(jīng)網(wǎng)絡(luò)不僅能在訓(xùn)練階段準確擬合數(shù)據(jù)，而且在驗證階段也能準確擬合數(shù)據(jù)。一般而言，神經(jīng)網(wǎng)絡(luò)有兩種類型，即靜態(tài)神經(jīng)網(wǎng)絡(luò)和動態(tài)神經(jīng)網(wǎng)絡(luò)。靜態(tài)模型只使用當(dāng)前值作為輸入，而動態(tài)模型不僅考慮當(dāng)前值，還考慮輸入的幾個更早的值，如本文考慮了t時刻前的供回水溫度。

圖2 ANN神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

本文根據(jù)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)、神經(jīng)元數(shù)目，建立了動態(tài)神經(jīng)網(wǎng)絡(luò)模型。訓(xùn)練和驗證階段分別使用不同的數(shù)據(jù)進行，需注意用于驗證的數(shù)據(jù)并不包括在訓(xùn)練過程中。網(wǎng)絡(luò)只使用訓(xùn)練數(shù)據(jù)進行訓(xùn)練，然后通過預(yù)測未引入的驗證數(shù)據(jù)來驗證網(wǎng)絡(luò)的性能。

神經(jīng)網(wǎng)絡(luò)的兩個主要部分是訓(xùn)練和測試。在訓(xùn)練部分，用已知數(shù)據(jù)進行訓(xùn)練。測試部分使用未使用過的數(shù)據(jù)進行測試。神經(jīng)網(wǎng)絡(luò)的一個神經(jīng)元計算其輸入的權(quán)值，并生成一個s形函數(shù)為式(1)的輸出：

一個訓(xùn)練網(wǎng)絡(luò)基本上是一個達到網(wǎng)絡(luò)最優(yōu)權(quán)值的過程。整個網(wǎng)絡(luò)由前向和后向兩部分組成。輸出和輸出單元的誤差在前向傳遞中計算。輸出單元誤差用于改變后向遍歷中輸出單元的權(quán)值。另外，計算隱含層的誤差，并根據(jù)計算誤差值改變隱含層的權(quán)值。迭代中ANN的誤差定義為式(2)：

學(xué)習(xí)部分是權(quán)重變化規(guī)則，權(quán)重的改變與單位時間內(nèi)的誤差成比例，單位的輸出被輸入權(quán)重。特別是在下一次迭代中，將Δwij的修正加入到wij的權(quán)值中，可以減少網(wǎng)絡(luò)誤差，其中j=1, 2, …n；n為前一層神經(jīng)元的數(shù)量。

定義wij和Δwij為式(3)：

式中，b為學(xué)習(xí)速率常數(shù)；a為動量因子；i、j為迭代索引值。

均方根誤差（Root Mean Square Error，RMSE）表示現(xiàn)場實驗數(shù)據(jù)的離散程度：

式中，ai和pi為設(shè)置的現(xiàn)場測試值和預(yù)測值；n為數(shù)據(jù)模式的數(shù)量。

網(wǎng)絡(luò)性能的另一個指標是相關(guān)系數(shù)R：

式中，tmean為所有實驗測量數(shù)據(jù)點的平均值。

1.3 數(shù)據(jù)處理流程

圖3所示為基于人工神經(jīng)網(wǎng)絡(luò)的冷水機組回水溫度預(yù)測流程。主要由數(shù)據(jù)獲取、變量選取、數(shù)據(jù)歸一化處理、訓(xùn)練集和測試集劃分、用人工神經(jīng)網(wǎng)絡(luò)對數(shù)據(jù)進行建模、冷水機組回水溫度預(yù)測和預(yù)測結(jié)果誤差評價標準共7個步驟組成。

圖3 模型預(yù)測系統(tǒng)流程

（1）數(shù)據(jù)獲取

首先通過多聯(lián)機實驗平臺中的各類傳感器，實時采集實驗的各類變量的參數(shù)，于此同時數(shù)據(jù)實時傳輸?shù)絇C端，然后數(shù)據(jù)采集軟件會對獲得的數(shù)據(jù)進行集成操作。

（2）數(shù)據(jù)變量選取

由于人工神經(jīng)網(wǎng)絡(luò)算法相較于其他普通算法，有更強大的擬合能力，在從實驗采集的數(shù)據(jù)剔除異常值之后，根據(jù)專家知識，剔除不相關(guān)的變量，本文保留了共14個變量，分別有11個系統(tǒng)變量和3個專家變量包括t分鐘前回水溫度、t分鐘前供水溫度、t分鐘前供回水溫差（如表1）。

表1 用于人工神經(jīng)網(wǎng)絡(luò)建模的14個特征變量

其中t分鐘前回水溫度即上述說明中不同提前時刻的冷卻水回水溫度；t分鐘前供水溫度即上述說明中不同提前時刻的冷卻水供水溫度；t分鐘前供回水溫差即上述說明中不同提前時刻的冷卻水供水溫度和回水溫度的差值。其中選擇這兩個專家變量的原因是計算出t時刻前的供回水溫度兩個變量與預(yù)測結(jié)果值具有高度相關(guān)性。

（3）數(shù)據(jù)歸一化處理

輸入的數(shù)據(jù)中，不同評價指標往往具有不同的量綱和量綱單位，這樣的情況會影響到數(shù)據(jù)分析的結(jié)果，為了消除指標之間的量綱影響，需要進行數(shù)據(jù)標準化處理，以解決數(shù)據(jù)指標之間的可比性，這里采用Scaler2函數(shù)進行標準化。

（4）用神經(jīng)網(wǎng)絡(luò)對數(shù)據(jù)進行建模

文中人工神經(jīng)網(wǎng)絡(luò)模型都是基于Python3.7中的Keras實現(xiàn)的，選取原始數(shù)據(jù)中的14個變量為輸入變量，對每個變量數(shù)據(jù)進行歸一化處理。文中搭建的核心網(wǎng)絡(luò)模型是由輸入層、隱藏層、輸出層組成，其中輸入層由14個神經(jīng)元組成，對應(yīng)數(shù)據(jù)集中的14個特征，作為輸入向量；隱含層包含25個神經(jīng)元；輸出層包含1個神經(jīng)元。在文中所用模型中，我們選擇的神經(jīng)元激活函數(shù)為sigmoid函數(shù)，迭代的優(yōu)化器選擇Rmsprop，最初各個層的連接權(quán)重和偏重是隨機生成的，每次模型訓(xùn)練50次（表2）。最后對訓(xùn)練好的模型進行封裝。

表2 人工神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)模型預(yù)測參數(shù)

（5）冷水機組回水溫度預(yù)測

利用訓(xùn)練集的數(shù)據(jù)訓(xùn)練好人工神經(jīng)網(wǎng)絡(luò)模型，分別為5 min預(yù)測模型（模型一），10 min預(yù)測模型（模型二），15 min預(yù)測模型（模型三），20 min模型預(yù)測（模型四），然后將模型封存，再將測試集數(shù)據(jù)集導(dǎo)入不同的訓(xùn)練好的冷水機組回水溫度預(yù)測模型中，預(yù)測回水溫度，從而畫出預(yù)測回水溫度與預(yù)測溫度的對比圖。

（6）預(yù)測結(jié)果誤差評價標準

采用RMSE和R2兩種評價標準進行，RMSE越低模型效率越好，R2越高模型效率越高，預(yù)測準確度越高。

2 預(yù)測結(jié)果分析

2.1 預(yù)測結(jié)果

圖4所示為冷水機組回水溫度預(yù)測結(jié)果。橫坐標為測試集冷卻水回水溫度真實值，縱坐標為冷卻水回水溫度預(yù)測值，可知閥值在90%~110%。

圖4 冷水機組回水溫度預(yù)測結(jié)果

2.2 結(jié)果分析

由于水池的蓄水作用，當(dāng)前時刻的風(fēng)機功率對回水溫度造成的影響有滯后作用，具體的滯后時間需要經(jīng)過實際測量。因此模型訓(xùn)練時采用了4套時間（5、10、15和20 min）。最終可以通過測試數(shù)據(jù)的導(dǎo)入，依據(jù)模型的準確率（表3）來判斷那個時間跨度的模型較好。

表3 4種預(yù)測模型性能

由表3可知，以模型一進行測量的冷水機組回水溫度誤差最小，RMSE為0.106 9，小于模型二、模型三和模型四。從而證明在實際工程應(yīng)用過程中可以通過人工神經(jīng)網(wǎng)絡(luò)對冷水機組冷卻水塔延遲時間進行預(yù)測?；谌斯ど窠?jīng)網(wǎng)絡(luò)算法模型的冷水機組回水溫度預(yù)測方法能充分利用人工神經(jīng)網(wǎng)絡(luò)自適應(yīng)、自組織和非線性的特點，具有一定的普適性。神經(jīng)網(wǎng)絡(luò)模型無需通過采用相關(guān)性分析方法對冷水機組的運行參數(shù)進行了分析，簡單操作且效率高，避免冷水機組的結(jié)構(gòu)設(shè)計過程中冷水機組運行參數(shù)多，難以對神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù)選擇進行選擇的問題。人工神經(jīng)網(wǎng)絡(luò)模型可以用來處理動態(tài)問題，根據(jù)本文研究可以發(fā)現(xiàn)，用5 min前的參數(shù)對此時的冷水機組回水溫度進行預(yù)測的效果最好，從而解決冷卻水塔下的蓄水池對冷水機組回水溫度的延遲影響，從而實時預(yù)測冷水機組中冷風(fēng)機的功率和頻率，達到提高機組性能。

3 結(jié)論

本文應(yīng)用人工神經(jīng)網(wǎng)絡(luò)（ANN）算法模型進行冷水機組回水溫度預(yù)測研究，研究通過冷水機組系統(tǒng)實驗獲取數(shù)據(jù)，選擇14個特征變量，建立ANN模型，通過模型的訓(xùn)練、測試和微調(diào)等過程，得到最終模型，得出如下結(jié)論：

1）在原11個特征變量基礎(chǔ)上增加了3個專家變量之后，現(xiàn)場測試值與預(yù)測值之間的均方根誤差達到0.106 9、R2達到0.992 3；說明該ANN模型能較準確地預(yù)測該類裝置的不同時刻下的冷卻水回水溫度，便于冷水機組冷卻塔的優(yōu)化控制；

2）應(yīng)用ANN模型，得出利用5 min前的測量數(shù)據(jù)可以準確預(yù)測此時的冷水機組回水溫度，從而可以判斷冷卻水塔下的蓄水池對回水溫度的延遲影響為大概5 min，且其RMSE相較于模型二、模型三、和模型四分別提高50.89%、106.36%和109.35%，R2相較于模型二、模型三、模型四分別提高0.39%、0.83%和0.85%。

3）此結(jié)果對工程項目冷水機組冷卻塔優(yōu)化控制有一定的參考性，雖然不同的項目根據(jù)實際安裝設(shè)備的不同結(jié)果也不盡相同，但是本文為其提供了一個新穎的思路供參考。