基于自适应神经网络的热泵负荷调控.pdfVIP

中国工程热物理学会 工程熟力学与能源利用 第十一届年会 编号：05t009 基于自适应神经网络的热泵负荷调控 邹瑾’张天瑾 (·天津工业大学纺织服装学院建筑环境与设备工程系300160) 摘要：近年来热泵系统被越来越多地应用于供热领域，为了保证系统安全高效地运行．开发一套完备 的控制方案是非常必要的。本文主要针对热泵系统和热用户之间的负荷匹配控制问题进行了研究。为 了得到较好的控制效果，本文使用了神经网络控制方法，并在小型水源热泵系统试验数据的基础上建 立丁仿真模型，仿真结果表明神经网络控制策略简单，响应快，超调量小。它有可能用于实际热泵系 统的控制领域。 关键词：自适应神经网络，热泵系统，负荷调节 1引言 随着我国针对能源及环保政策的出台，节能与环保日益成为国人关注的两大问题。 根据我国国情，为减少燃煤锅炉数量，热泵采暖技术己开始在北方地区推广应用，这是 一件具有经济和社会双重效益的事情。因为从理论上讲，热泵系统的效率是肯定大于1 的，而燃煤锅炉的效率最高只有80％左右，另外热泵技术不仅可以将其它技术难以利用 的低焓能加以回收、提高品位再利用，同时又可以节约大量的煤炭，进而改善因燃煤而 造成的环境污染状况。 在集中供热领域，我国北方计量供热技术已经开始普及，热负荷随机变化的特性也 逐步表现出来。根据这一特点，热泵系统需要改变自身的工作状况去适应热负荷的变化， 由此带来的控制问题也将成为一个重要问题。要解决它，传统的控制方法很难胜任，而 人工智能控制理论在此领域的应用将势在必行。 传统的供热调节方式(质调节、量调节、分阶段改变流量的质调节以及问歇运行调 节)没有考虑用户的主动调节，所以传统的调节方式是难以适应供热调控技术发展趋势 的。近年来，伴随着可控硅技术的发展，无级变频调速技术已日趋成熟，基于变频技术 之上的变频压缩机也逐步被采用口j4J。 但是，迄今为止仍没有针对热泵系统和热用户的负荷匹配问题而提出的完整的控制 策略。理想状况下，该控制策略能够做到热用户需要多少能量，热泵系统就提供多少能 量．这其中如何得到精确的热泵系统模型，即热泵系统辨识是非常关键的。 2热泵系统的神经网络辨识 在制定基于智能控制理论的系统控制方案时，经常会遇到系统辨识问题。该问题是 智能控制的前提，如果能得到快速、准确的系统辨识结果，将有助于智能控制策略的精 确实施。 事实上，针对热泵系统各部件(压缩机、冷凝器、膨胀阀和蒸发器)的数学模型早 有报道，把这些描述不同部件的微分方程联立起来就可以建立热泵系统的整体数学模 ‘‘456 型。所以，我们有必要放弃传统的理论建模方法，根据实验中采集到的实际系统输入、 输出数据对，去训练具有某特定结构的神经网络，利用神经随络在数值并行计算及自学 习能力上的优势，做到对热泵系统的精确辨识。 2．1训练数据的获得 根据热泵系统循环参数的实验结论，整理总结了系统COP的实验数据样本，如表1。 表1热泵系统的COP数据样本 2．2学习结果及网络结构 法收敛速度慢的一个重要原因是学习率选择不当。学习率选得太小，收敛太慢；学习率 选得太大，则有可能修正过头，导致振荡甚至发散。所以，如果能根据需要自适应调整 Levenberg-Marquardt算法的权值调整率选为： △形．；(J7J十／a)一1J7E (1) 其中J为误差对权值微分的Jacobian矩阵E为误差向量，u为一标量，当u很大 时，上式就接近于梯度下降法；当“值很小时 方法中Ⅱ也是自适应调整的。 图l采用L-M算法的网络结构图 应用此方法的网络训练精度为104后，训练循环次数为57次，可见L-M算法自身 的优越性。另外，由该算法得到的网络结构上也比较简单，隐含层的神经元节点为25 个，隐含层为2个，结构图见图1。 457 表2 L-