復合式地源熱泵系統(tǒng)描述及其控制方法

1、復合式地源熱泵系統(tǒng)描述及其控制方法【摘要】復合式地源熱泵系統(tǒng)具有節(jié)約用地、降低初投 資、提髙系統(tǒng)性能和運行可靠性的優(yōu)點，應該加強對地源熱 泵復合式系統(tǒng)研究和開發(fā)，以促進其應用與發(fā)展?！娟P鍵詞】地源熱泵；系統(tǒng)；數(shù)值模型；神經網(wǎng)絡引言本文選取一位于某地區(qū)的辦公建筑作為模擬對象，利用 dest計算得全年逐時負荷，建立機組和冷卻塔模型，采用 fluent軟件建立土壤換熱器模型，將整個復合式地源熱泵 系統(tǒng)在fluent環(huán)境下進行計算，一方面獲取神經網(wǎng)絡模型 所需要的訓練和測試樣本，一方面檢驗神經網(wǎng)絡模型預測精 度。同時，為了盡量減少計算量，縮減計算時間，提高預測 精度，本文采用相關系數(shù)法確定最優(yōu)的神經網(wǎng)

2、絡模型輸入?yún)?數(shù)，嘗試建立多種模型確定最優(yōu)神經網(wǎng)絡結構。1復合式地源熱泵系統(tǒng)描述及其數(shù)值模型建立1.1系統(tǒng)描述及主要模型建立本文選取一棟位于某市的辦公建筑作為模擬對象，利用dest計算其全年逐時負荷。本建筑最大冷負荷，全年累積 冷負荷都明顯大于熱負荷，因此采用帶有冷卻塔的復合式地 源熱泵系統(tǒng)，土壤換熱器根據(jù)冬季熱負荷進行設計，并與冷 卻塔并聯(lián)，冷卻塔滿足夏季冷負荷。機組采用gordan冷凍 機組功耗模型，冷卻塔模型采用merkel焙差法。1.2 土壤換熱器數(shù)值模型建立本文在fluent軟件下進行土壤換熱器數(shù)值模型的建立。 在gambit里面建立土壤換熱器的幾何模型，土壤換熱器為 單u形埋管，直

3、管長度為60m,管內徑為26mm,管外徑為32mm, 回填材料直徑為200mm,深62m, 土壤直徑為6m。畫好網(wǎng)格 后，在fluent里面設置土壤、回填材料、管子和水的熱物 性參數(shù)，并定義各個面的邊界條件。為減小計算量，本文沿 對稱面將其剖開，對稱面設置為symmetry邊界。1. 3系統(tǒng)運行模式數(shù)值模擬計算中，采用時間控制法，計算時間長度為4 個周，每周周一至周五8： 00至21： 00運行。每天運行模 式為8： 00-11： 00, 14： 00-17： 00,冷卻塔運行，土壤換 熱器不運行；11： 00-14： 00, 18: 00-21： 00, 土壤換熱 器運行，冷卻塔不運行。這些

4、均通過在fluent里面運用 udf (用戶自定義函數(shù))來實現(xiàn)。取其中土壤換熱器運行時 數(shù)據(jù)，作為后面神經網(wǎng)絡的樣本，共得到1680組數(shù)據(jù)。2 土壤換熱器神經網(wǎng)絡模型2. 1人工神經網(wǎng)絡本文利用三層bp網(wǎng)絡預測土壤換熱器出口水溫，并通 過均方根誤差rms來評價預測結果，計算方法見公式(l)o式中：rms為均方根；n為數(shù)據(jù)組的個數(shù)，ypre, m指 第m個數(shù)據(jù)的預測值；tmea, m指第m個數(shù)據(jù)的監(jiān)測值。2.2 土壤換熱器的人工神經網(wǎng)絡模型建立(1) 輸出層本文以土壤換熱器的出口溫度為輸出變量，即輸出神經 元數(shù)目為lo(2) 輸入層由第一節(jié)可知在土壤換熱器的物理模型中除去出口溫 度還設有17個監(jiān)

5、測點，為確定影響出口溫度較大的變量， 計算這17個變量與tout的相關系數(shù)。(3) 隱含層三層bp網(wǎng)絡可以實現(xiàn)一般的非線性映射，因此隱含層 數(shù)為1。目前還沒有一種比較完善的理論來確定隱含層的最 佳神經元數(shù)，本文建立了隱含層神經元數(shù)目分別為525 的模型，以確定最優(yōu)模型。(4) 樣本由第一節(jié)內容可知，本研究模擬計算4個周，獲得 1680組數(shù)據(jù)，取前三周數(shù)據(jù)，即前1260組數(shù)據(jù)作為訓練 樣本，訓練神經網(wǎng)絡，第四周即其余420組數(shù)據(jù)作為測試樣 本，測試訓練好的神經網(wǎng)絡的準確性和泛化能力。(5) 學習算法本文采用 levenberg-marquardt ( lm ), scaledconjugate

6、gradient (scg), broyden, fleccher,goldfarb and shanno (bfgs)三種算法以確定最優(yōu)的 神經網(wǎng)絡模型。3結果與討論為確定土壤換熱器ann模型的最優(yōu)結構，本節(jié)建立了多個三層人工神經網(wǎng)絡模型，結果如圖1,圖2,圖3所示。 從圖2和圖3,各個神經網(wǎng)絡模型均能夠取得較高的精度， 樣本的均方根誤差不大于0.08。由此可知人工神經網(wǎng)絡可 以用于土壤換熱器出口溫度的預測。從圖4,圖5和圖6 可知，在三種學習算法中，為達到所設定的誤差目標，lm算 法所需要的訓練次數(shù)明顯少于scg和bfgs兩種算法，可 以節(jié)省計算時間，并且訓練樣本和測試樣本的均方根誤差大

7、部分都小于其他兩種算法下的誤差。因此可得lm算法是應 用于本文中模型的最優(yōu)算法。由圖4可知，在lm算法下，具有不同隱含層神經元 數(shù)目的模型的訓練樣本的均方根誤差基本相同，約為 0. 033o從圖5可知，lm算法下，不同模型的測試樣本均 方根誤差有一定差異，其中神經元數(shù)目為11, 15, 19的模 型較其他模型更小。對比圖6可知，隱含層神經元數(shù)目為11的樣本所需要的計算次數(shù)比較少，同時由于神經元數(shù)目較少,計算時間最短。由此可知神經元數(shù)目為11的模型最為理想。即采用lm算法，隱含層神經元數(shù)目為11的模型 為最優(yōu)模型。在最優(yōu)模型下，訓練樣本和測試樣本的絕對誤 差如圖7和圖8o從圖7可知，訓練樣本的最

8、大誤差不超 過0. 2°c,且大多數(shù)接近0工，由此可知人工神經網(wǎng)絡可以 用來預測土壤換熱器的出口水溫，并具有非常高的精度。由 圖8可知，測試樣本的最大誤差不超過0.2。(2,且大多數(shù) 接近0匸，可知訓練好的神經網(wǎng)絡模型有較好的泛化能力。4結論本文提出在復合式地源熱泵并聯(lián)系統(tǒng)中直接比較冷卻 塔與土壤換熱器出口溫度的控制方法。為實現(xiàn)這一策略，運 用人工神經網(wǎng)絡來實現(xiàn)土壤換熱器出口水溫的預測，通過建 立不同的神經網(wǎng)絡模型得出以下結論：(1) 人工神經網(wǎng)絡可以用來準確預測土壤換熱器的出 口水溫；(2) 以地下5米處進出口管外壁的溫度，進出口回填 材料外壁溫度和土壤換熱器的進口溫度為輸入，以lm為學 習算法，隱含層神經元數(shù)目為11的神經網(wǎng)絡模型為本研究 的最優(yōu)模型。在此結構下，測試樣本和訓練樣本的絕對誤差 均不超過0.21,預測結果精度非常高，且模型具有較強的 泛化能力。參考文獻1 j lund, b sanner. geothermal (ground-source) heatpumps a world overview n. ghc bulletin, 20042 楊愛，劉圣春我國地源熱泵的研究現(xiàn)狀及展望j.