复合式地源热泵的系统描述及其控制方法.docVIP

PAGE PAGE 1 复合式地源热泵的系统描述及其控制方法 　　【摘要】复合式地源热泵系统具有节约用地、降低初投资、提高系统性能和运行可靠性的优点，应该加强对地源热泵复合式系统研究和开发，以促进其应用与发展。 　　【关键词】地源热泵；系统；数值模型；神经网络 　　引言 　　本文选取一位于某地区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。同时，为了尽量减少计算量，缩减计算时间，提高预测精度，本文采用相关系数法确定最优的神经网络模型输入参数，尝试建立多种模型确定最优神经网络结构。 　　1复合式地源热泵系统描述及其数值模型建立 　　1.1系统描述及主要模型建立 　　本文选取一栋位于某市的办公建筑作为模拟对象，利用DEST计算其全年逐时负荷。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。 　　1.2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形埋管，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6m。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。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。 　　1.3系统运行模式 　　数值模拟计算中，采用时间控制法，计算时间长度为4个周，每周周一至周五8：00至21：00运行。每天运行模式为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。这些均通过在FLUENT里面运用UDF（用户自定义函数）来实现。取其中土壤换热器运行时数据，作为后面神经网络的样本，共得到1680组数据。 　　2土壤换热器神经网络模型 　　2.1人工神经网络 　　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，计算方法见公式（1）。 　　式中：RMS为均方根；n为数据组的个数，ypre，m指第m个数据的预测值；tmea，m指第m个数据的监测值。 　　2.2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 　　由第一节可知在土壤换热器的物理模型中除去出口温度还设有17个监测点，为确定影响出口温度较大的变量，计算这17个变量与tout的相关系数。 　　（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，本文建立了隐含层神经元数目分别为5～25的模型，以确定最优模型。 　　（4）样本 　　由第一节内容可知，本研究模拟计算4个周，获得1680组数据，取前三周数据，即前1260组数据作为训练样本，训练神经网络，第四周即其余420组数据作为测试样本，测试训练好的神经网络的准确性和泛化能力。 　　（5）学习算法 　　本文采用Levenberg-Marquardt（LM），ScaledConjugateGradient（SCG），Broyden，Fleccher， 　　GoldfarbandShanno（BFGS）三种算法以确定最优的神经网络模型。 　　3结果与讨论 　　为确定土壤换热器ANN模型的最优结构，本节建立了多个三层人工神经网络模型，结果如图1，图2，图3所示。从图2和图3，各个神经网络模型均能够取得较高的精度，样本的均方根误差不大于0.08。由此可知人工神经网络可以用于土壤换热器出口温度的预测。从图4，图5和图6可知，在三种学习算法中，为达到所设定的误差目标，LM算法所需要的训练次数明显少于SCG和BFGS两种算法，可以节省计算时间，并且训练样本和测试样本的均方根误差大部分都小于其他两种算法下的误差。因此可得LM算法是应用于本文中模型的最优算法。 　　由图4可知，在LM算法下，具有不同隐含层神经元数目的模型的训练样本的均方根误差基本相同，约为0.033。从图5可知，LM算法下，不同模型的测试样本均方根误差有一定差异，其中神经元数目为11，15，19的模型较其他模型更小。对比图6可知，隐含层神经元数目为11的样本所需要的