新闻动态
复合地源热泵系统土壤换热器预测模型研究点击：1760 日期：[ 2014-04-26 22:51:20 ] |
| 复合地源热泵系统土壤换热器预测模型研究 刚文杰，王劲柏 (华中科技大学，湖北武汉430074) 摘要:在复合式地源热泵系统中控制策略存在着极大的优化空间，本文提出以土壤换热器与冷却塔两者出口水温作为控制依据的运行策略，为实现此控制方法，需要建立准确的预测模型。本文运用人工神经网络(ANN)实现土壤换热器侧出口水温的预测，研究复合式地源热泵系统不同运行模式下预测的可行性与准确性，并与动态数值模拟结果比较。结果表明利用人工神经网络可以准确预测土壤换热器的出口水温，且模型具有较好的泛华能力，最大误差不超过0．25℃。 关键词:复合式地源热泵;土壤换热器;控制;人工神经网路;预测 中图分类号:TQ051．5文献标识码:A 文章编号:1001－4837(2012)01－0065－05 1·引言 地源热泵系统因其低污染，高效率得到广泛应用［1，2］。在冬冷夏热且夏季冷负荷远大于冬季热负荷地区常采用带有辅助散热设备如冷却塔的复合式地源热泵系统，通过有选择性的运行冷却塔和土壤换热器保证地下排热与取热平衡［3，4］。在满足全年土壤热平衡的前提下，某一时刻是运行土壤换热器还是冷却塔的选择存在着极大的自由度。常采用的控制方法主要有3种［5］:(1)流体最高温度控制法。当热泵机组的进口或出口温度超过某一个值时，启动冷却塔，当温度低于某一个值时，将冷却塔关闭;(2)温差控制法。将热泵机组的进口或出口温度与室外干球或湿球温度作比较，当温差高于某一个值时，启动冷却塔，低于某一值时关闭冷却塔;(3)时间控制法。设置特定的冷却塔或土壤换热器的工作时间，如夜间运行冷却塔等。 在土壤换热器与冷却塔并联运行的系统中，为使机组的进口水温较低从而提高机组的瞬时效率，更为有效的方法即直接比较土壤换热器与冷却塔的出口水温。然而我们只能够实时测得两者之一，因为在其中一个运行时另外一个处于闲置状态。如在冷却塔运行时，土壤换热器处于闲置状态，人们无法获得如果此时启动土壤换热器其出口水温为多少，反之当土壤换热器运行时，冷却塔处于闲置状态，人们无法获得此时如果启动冷却塔其出口水温为多少，因此必须建立可靠的模型实现土壤换热器和冷却塔出口温度的预测。 冷却塔出口温度的预测已经实现［6，7］，关键在于土壤换热器的出口水温的预测。因为土壤换热的复杂性，很难用传统的数学方法建立精确的预测模型。Michopoulos利用了解析模型对土壤换热器出口温度进行了预测，但最大误差高达6℃，精度不高［8］。人工神经网络因其强大的信息处理能力，自组织，自适应性，在图像处理，模式识别，人工智能领域有着广泛的应用，Hikmet等尝试用其对整个地源热泵系统进行建模［9～12］。 本文尝试利用人工神经网络实现土壤换热器出口温度的预测。首先选取一栋位于武汉市的办公建筑作为模拟对象，利用DEST计算得全年逐时负荷，建立机组和冷却塔模型，采用FLUENT软件建立土壤换热器模型，将整个复合式地源热泵系统在FLUENT环境下进行计算，一方面获取神经网络模型所需要的训练和测试样本，一方面检验神经网络模型预测精度。本文根据模型训练样本和测试样本的来源特征，建立多个神经网络模型，研究复合式地源热泵系统不同运行模式下人工神经网络预测土壤换热器出口水温的可行性与准确性。 2·复合式地源热泵系统及其数值模型 2．1复合式地源热泵系统 本文选取一栋位于武汉市的办公建筑作为模拟对象，利用DEST计算其全年逐时负荷，如图1所示。 由图1可知，本建筑最大冷负荷，全年累积冷负荷都明显大于热负荷，因此采用带有冷却塔的复合式地源热泵系统，土壤换热器根据冬季热负荷进行设计，并与冷却塔并联，冷却塔满足夏季冷负荷。机组采用Gordan冷冻机组功耗模型，冷却塔模型采用Merkel焓差法，因这两个模型不为本文研究重点，故其建模过程不详细介绍，具体做法见文献［13］。复合式地源热泵系统结构图如图2所示。 2．2土壤换热器数值模型建立 本文在FLUENT软件下进行土壤换热器数值模型的建立。在Gambit里面建立土壤换热器的几何模型，土壤换热器为单U型埋管，直管长度为60m，管内径为26mm，管外径为32mm，回填材料直径为200mm，深62m，土壤直径为3m，其几何模型如图3所示。画好网格后，在FLUENT里面设置土壤、回填材料、管子和水的热物性参数，并定义各个面的边界条件，其中土壤的外边界，上下表面均为为绝热边界，地埋管的进口设置为ve-locity－inlet，为减小计算量，本文沿对称面将其剖开，对称面设置为symmetry边界，以300s为时间步长进行计算。详细建模过程见文献［14，15］。 在数值模型中，监测6个变量的变化，除了土 壤换热器的进出口水温tin、tout，其余4个监测点均位于地下5m处沿U型管直管中心连线垂直地面的对称面上，分别为tinpipe－5，toutpipe－5(进、出口侧管外壁温度)，tinbf－5，toutbf－5(进出口侧回填材料外壁温度)。 2．3系统运行模式 在数值模拟计算中，采用设定工作时间法控制土壤换热器和冷却塔的运行。计算时间长度为9个周，每周周一至周五8:00至21:00运行。第1－4、9周每天运行模式固定:8:00－11:00，14:00－17:00，冷却塔运行，土壤换热器不运行;11:00－14:00，18:00－21:00，土壤换热器运行，冷却塔不运行。5－8周冷却塔和土壤换热器运行时间随机变化，模式不固定。 3·土壤换热器神经网络模型 3．1人工神经网络 人工神经网络(ANN)是由大量简单神经元相互连接，通过模拟人的大脑神经处理信息的方式，进行信息并行处理和非线性转换的复杂网络系统［16］。本文利用三层BP网络预测土壤换热器出口水温，并通过均方根误差RMS来评价预测结果，计算公式为: 3．2土壤换热器的人工神经网络模型建立 (1)输出层 本文以土壤换热器的出口温度为输出变量，即输出神经元数目为1。 (2)输入层 以除出口水温外的5个监测点作为输入变量，则输入层神经元有5个。 (3)隐含层 三层BP网络可以实现一般的非线性映射，因此隐含层数为1。目前还没有一种比较完善的理论来确定隐含层的最佳神经元数，本文根据经验公式2［17］，确定隐含层神经元数目为11。 Nh=2Ni+1(2) 式中Ni———输入层神经元数 Nh———隐含层神经元数 本文用Levenberg－Marquardt(LM)算法训练神经网络模型，学习速度设为0．2，最大训练次数为2000，建立好的神经网络模型结构见图4。根据训练样本和测试样本组合特征，本文共建立6组模型。 4·结果与讨论 根据训练样本和测试样本来源的复合式地源热泵系统的运行模式，可以将模型分为6类，具体说明见表1。对于每个模型，均采用四周的数据，其中三周数据作为训练样本，剩下一周为测试样本，归一化处理后用于建立人工神经网络模型，训练和测试结果见表2。 由表2可知，无论是样本来源有何特点，土壤换热器的人工神经网络模型均能够取得较高的精度，训练样本的最大均方根误差为0．047，最小为0．027，测试样本的最大均方根误差为0．062，最小为0．034。从M1至M6，可知测试样本和训练样本均取自稳定运行模式时，训练样本和测试样本都能够获得较小的误差;训练样本取自稳定模式而测试样本取自非稳定运行模式时测试样本误差明显增大。当训练样本取自非稳定运行模式，测试样本取自稳定模式时，测试样本误差较小，且小于训练样本误差，其余模型均为测试样本均方根误差大于训练样本。由此可知，当神经网络获得足够的信息量时，可以实现准确的预测。 在实际运行过程中，利用人工神经网络进行在线预测，系统的运行模式在时间上面并不固定，即在6个模型中，与M5情况相近。由表2可知，M5的训练样本的RMS为0．041，测试样本RMS为0．0059，与其他模型相比，两个误差虽然比较大，但仍具有较高的精度。M5的训练结果和测试结果见图5和图6。 从图5和图6可知，训练样本绝对误差位于［－0．2，0．2］之间，但绝大部分样本误差均为与0附近，即人工神经网络能够用来准确建立土壤换热器模型。测试样本误差误差范围为［－0．25，0．2］，绝大部分位于［－0．1，0．1］之间，即训练好的神经网络模型具有较好的泛化能力，对于不参与训练的样本仍具有较高的准确性。 由此可以得出:无论复合式地源热泵系统处于何种运行模式，神经网络均可准确预测土壤换热器的出口水温，模型具有较高的准确性和泛化能力。这使得直接比较土壤换热器和冷却塔出口水温的控制方法得以实现。同时利用人工神经网络预测土壤换热器的出口水温，为在无法得知地下物性参数时(包括土壤、回填材料和管子的热物性等)，研究土壤换热器的换热提供一种简单可靠的方法，对土壤换热器的研究具有重大意义。 5·结语 本文提出在复合式地源热泵并联系统中直接比较冷却塔与土壤换热器出口温度的控制方法。为实现这一策略，运用人工神经网络来实现土壤换热器出口水温的预测，建立不同的神经网络模型。结果表明无论复合式地源热泵系统处于何种运行模式，人工神经网络均可以用来准确预测土壤换热器的出口水温，且神经网络模型具有较高的准确性和泛化能力。训练样本最大误差绝对值不超过0．2℃，测试样本最大误差绝对值不超过0．25℃。 进一步的研究将集中在以下几方面:通过建立动态神经网络模型，提高神经网络的预测精度;在以土壤换热器和冷却塔两者出水温度作为控制依据时，复合式地源热泵系统的能耗特性，并与现有几种控制方法做比较。 参考文献：略 |
| 上一篇：重整预加氢换热器腐蚀失效分析及对策 | 下一篇：板式换热器失效的原因 |