基于人工神经网络的空气源热泵冷热水机组的性能模拟

基于人工神经网络的空气源热泵冷热水机组的性能模拟

Vol.30,No.5,2002　　　　　　　　FLUIDMACHINERY　　　　　　　　　　　　　　　　59

文章编号:　1005—0329(2002)05—0059—03

基于人工神经网络的空气源热泵冷热水

机组的性能模拟

姜益强　姚　杨　马最良

(哈尔滨工业大学,黑龙江哈尔滨　)

摘　要:　,BP算法对网络的连接权值进行学习和调整,从而满足给定精度的要求。,。关键词:　神经网络;中图分类号:　TU83116:ofPerformanceBasedonArtificialNeuralNetforAir2source

HeatPumpWaterHeater/Chillers

JiangYiqiang　YaoYang　MaZuiliang

Abstract:　Theperformanceoftheunitsoperatinginwinterissimulatedusingtheneuralnetworks.Inordertoachievehighprecision,theconnectionpowerofthenetworksisstudiedandadjustedusingtheback2propagationtrainingalgorithm(BPalgorithm).Thesimulat2edoutcomecanmeetthedemandsofon2linefaultdiagnosisifthetrainingsamplesarereliableandabundant.

Keywords:　neuralnetworks;air2sourceheatpumpheater/chillerunit;trainingsample;back2propagationtrainingalgorithm

1　前言

2　基于BP模型的神经网络211　BP模型的神经网络

空气源热泵冷热水机组在冬季运行时,由于

工况较为恶劣,故运行不稳定,经常发生故障,甚至于停机、烧机。为此,有必要建立空气源冷热水机组的性能预测与故障诊断系统,在故障发生前能预测机组可能发生的故障,避免停机事件的发生。

对空气源热泵冷热水机组而言,要建立完善的空气源热泵冷热水机组数学模型,必须首先建立机组中各个部件的模型,然后利用质量、动量、能量守恒定律将单一的部件模型有机地结合起来,构成整个机组的模型。由于热泵机组的结构复杂且影响其工作性能的因素很多,使得传统的建模方法存在一定的局限性,建模精度受到一定限制,同时所建模型也不一定能满足在线诊断的需要。为此,本文采用神经网络模拟空气源热泵冷热水机组的运行性能,既能避免传统方法的缺点,又能满足在线诊断的需要。

收稿日期:　2001—12—14

基金项目:　哈尔滨工业大学科学研究基金项目(HIT12000126)

通常,基于模式识别故障诊断系统如图1所

示,而BP模型是一种前向网络,三层BP神经网络由输入层、隐层、输出层构成,其结构如图2所示

。

图1　故障诊断系统的原理

输入层i节点的输出等于其输入xi(i=1,2,…n)　　隐层j节点的输入、输出分别为:

hj=∑wijxi-θj=∑wijxi

i=1

i=1

n

n+1

(1)

基于人工神经网络的空气源热泵冷热水机组的性能模拟

　　　　　　　　　　　　　　流　体　机　械　　　　　　　　　　2002年第30卷第5期60

oj=f(hj)=

1+exp(-hj)

(2)

式中　j=1,2…,m;θj=w(n+1)jxn+1,xn+1=-

1

图2　三层BP神经网络

输出层k节点输入、输出分别为:

hk=∑wjkoj-θk=j

j=1

j=1

m

m+1

(4)

yk=f(k1(-hj)

式中　k=1,2…,kw(m+1)kom+1,om+1=-1212　神经网络训练

BP算法是一种有教师的学习算法,输入学习

样本为p个(x1,x2,…,xp),已知与其对应的教师为t1,t2,…,tp,学习算法是将实际的输出y1,y2,…,yp与t1,t2,…,tp的误差来修整其连接权值和阈值,使yp与tp尽可能接近。设n0为迭代次数,权值和阈值的修正公式分别为:

pp

δwjk(n0+1)=wjk(n0)+η∑jk1ojp

p1pp

数j=5,输出层神经元数k=3,即Q、N和mR。对于不同过热度下热泵机组的性能,采用Dabiri等人提出的方法进行修正[2]。

在训练神经网络之前,必须对输入、输出数据进行归一化处理,即把数据处理成0～1之间的小数值,网络的输出值需还原成常规值。

η大,BP算法中学习速率。

收敛快,;η小,可避免不,,η取,η值就慢慢地变小。也[3]。

连接权值和阈值的初值选取也很重要,本文采用文献[4]推荐的方法,将初值选为(-214/F,214/F)之间均匀分布的小数(F为所连单元输入端个数)。

计算时每输入一次全部训练样本为一个训练周期。本文采用批处理方式,即待组成一个训练周期的全部样本都依次输入后,再计算总的平均误差,直至E<ε(ε为所要求的计算精度)。

对于表1中给出的某热泵机组的特性,采用图1所示的网络进行训练。当ε=010005时,得到该网络的连接权值和阈值,见表2。4　模拟结果分析

(5)(6)

pp

δwij(n0+1)=wij(n0)+η∑ij1oip

p1

η—式中　——学习速率。p1ppppδjk=(t1k-y1k)y1k(1-y1k)

δ

p1

ij

p1pp

δ=∑jkwjko1j(1-o1j)

l

为验证模拟结果的正确性,采用如下几个判

别准则对模拟结果进行误差分析:

(1)标准方差(方差的平方根):

σ=

k=1

当p个样本学习时,其总误差:

plp1

E=∑∑(tk-yp1k)2<ε

2p1=1k=1

(yp.i-yo.i)2

n

(7)

(6)停止迭代,连接权值和阈值训练则式(5)、

ε为任意给定的正小数,它取决于网络训完毕。

练的精度。

3　空气源热泵冷热水机组模型建立与性能模拟

式中　yp.i———神经网络输出值的还原值

　yo.i———样本理想输出值

(2)期望偏差百分率(标准方差和样本输出值中最大值的绝对值之比的百分数)EEP:

σ

(8)EEP=×100

|yo.max|

(3)偏差系数(是标准方差和样本输出值平均

冬季运行的空气源热泵冷热水机组运行特性为制热量Q、消耗功率N、制冷剂质量流量mR随蒸发温度te、冷凝温度tc、过冷度和过热度的变化而变化

[1]

值的绝对值之比的百分数)CV:

CV=×100

|yo|

(9)

。由于厂家样本中给出的热泵机组特性

均为给定过热度和过冷度时的数据,故本模拟中输入层神经元数i=2,即te和tc,隐含层神经元

采用以上三种方法对在不同精度ε(010005,01001,01005,0101)和不同学习速率η(019,017,015)下热泵机组的特性进行了误差分析(见表3)。由于采用对样本所有模式对同时进行训练的

基于人工神经网络的空气源热泵冷热水机组的性能模拟

Vol.30,No.5,2002　　　　　　　　FLUIDMACHINERY　　　　　　　　　　　　　　　　61

批处理方式,使得在相同精度时,不同学习速率下的误差基本相同,但收敛速度相差很大。

表1　训练样本

)tc(℃

运行特性

Q

NmRQNmRQNmRQNQNmR

)te(℃

-2322214

6016110472191062161104021516641611034212208681611019

-212381963111113623512651111128231166712111221122411711411108

-172751968101132527117701211320267151171130525818761911295

-1332113721911563316137513113061580111153630113821511529

-936616771811794361108014179019117833491885151177234318881111764

-541119811921043405138713210243931090102101738613921721007

-14651486102133345813181321451129117213114441194152129743615971321287

14901187162146948216901521464475129314214544671796132144445917991221432

41

44

47

50

53

注:表中Q的单位为kW;N的单位为kW;mR的单位为kg/s。

表2　网络的连接权值和阈值

W(j,i)

W(k,j)

-61667

-61824-21600-013890127501095-0192711258-5152-01210-61250-5146-21161-51596-1109-61356-11784-119611466-1126931404154631716

θ(j)61845-0119031807-01559θ(k)412811133241988

注:i、j、k均为输入层神经元。

ε

010005

η

019

017015019017015019017015019017015

特性

QNmRQNmRQNmRQNmR

表3　误差分析

σ

41180019180102161233110200104113109821888010692011373165401111

EEP(%)CV(%)迭代次数

159859206260289792578527436510408156197222101086147891104

018530192501860112721102811673216732191221775411093168341504

112361115211252118421128021433318723162641037519524158761552

01001

01005

0101

由表3可以看出,采用神经网络对热泵机组的特性进行模拟分析,可以达到比较高的精度要求,能满足在线故障诊断的要求。如果有足够、可靠的训练样本,可以对热泵机组全年的工作性能进行模拟。

由表3还可以看出,不同的学习速率η对模拟结果的精度影响很小,但对网络的收敛速度影响很大。以ε=01005为例,当η取015时,迭代次数为10108次;当η取017时,迭代次数为7222

次,节省机时约1/3;而当η取019时,迭代次数为5619次,与η=015相比节省机时近一半。由此可见,采用神经网络模拟热泵机组特性时,在迭代收敛的情况下,尽可能采用比较大的学习速率。另外模拟精度对收敛速度的影响也很大,ε=01001与ε=01005相比,计算时间相差近10倍,因此在实际模拟时,应根据需要合理确定模拟精度。

(下转第24页)

基于人工神经网络的空气源热泵冷热水机组的性能模拟

　　　　　　　　　　　　　　流　体　机　械　　　　　　　　　　2002年第30卷第5期24

λ3可取任意值(满足基本要求的前提下)。γγ314　换热度γ1、2、3的分析

初温取300K,设定膨胀比λ1=λ2=λ3=1,初压换热度分别取γ=0,0125,015,0175,110来分析,图10是这5种情况下的比功图。可见在三级膨胀二次再热过程中,特别是中间再热器换热量

γ=0比较大的情况下,换热度的影响不是很大。

时级膨胀过程为等熵膨胀,γ=1时为等温膨胀,实际的级膨胀过程的比功可能高于等熵膨胀过程。通过比较,,,

。

采用三级膨胀加两级再热的膨胀过程,并选择适当的运行参数,可以得到与等温膨胀相差不大的比功。初压取4MPa,初温取321K(新循环),膨胀比取λ1=λ2=λ3,换热度γ=γ1=γ2=γ3=013,得到的比功大约为310kJ/kg,而理想的等温膨胀得到的比功为345kJ/kg,实际得到的比功占%。

-180～,。但是这个,如采用多工质循环,使得整个,才能在经济上与当前以汽油为燃料的汽车竞争。

参考文献

1.　KnowlenCetal.Quasi-IsothemalTrxpansionTryinesfor

LiguidN2AutonotivePropulsion[J].SAETechnicalPa2perseries972649,1997

2.　UargafticNB.TablesontheThermophysicalProperticsof

LiguidsandGases[M].EnglishEdition,HemispherePub2lishingCorporation,1975

3.　陈大唁.动力循环分析[M].上海:上海科学技术出版

图10　换热度可变情况下的比功

4　结论

社,1981

采用动态点边界查找方法和换热度γ的引

入对三级膨胀加两级再热的膨胀过程的研究帮助大,使得数值方法模拟研究和与理想理论的比较更加方便。

作者简介:凌贺飞,男,1976年生,硕士研究生。通讯地址:

430074武汉华中科技大学能源与动力工程学院制冷与低温教研

室。

(上接第61页)

5　结论

(6):87～911

[2]　DabiriAE,RiceCK.ACompressorSimulationModel

withCorrectionsfortheLevelofSuctionGasSuperheat[J]1ASHREATrans,1981,(2):771～7821

[3]　胡守仁1神经网络导论[M]1长沙:国防科技大学出

本文采用神经网络对空气源热泵冷热水机组冬季运行的特性进行了模拟,这种方法可以不必考虑机组复杂的构造,避免应用一些经验公式,提高了模型的模拟精度,只要训练样本可靠,该方法建模可以满足在线故障诊断的需要。

参考文献

版社,19991

[4]　张乃尧,阎平凡1神经网络与模糊控制[M]1北京:

清华大学出版社,19981

作者简介:姜益强,男,1973年生,在读博士研究生,主要从事

[1]　姚杨,杨自强,马最良1空气源热泵冷热水机组中压

空气源热泵冷热水机组及暖通空调系统的故障诊断等方面的研究。通讯地址:150090哈尔滨工业大学二校区2651#。

缩机性能的模拟[J]1哈尔滨建筑大学学报,2000,

本文来源：https://www.bwwdw.com/article/2ml1.html