微型冷热电联供系统的人工神经网络建模及仿真 .docx

工程建筑学相关资料ENGINEERING ARCHITECTURE RELATED INFORMATION 工程建筑学相关资料 ENGINEERING ARCHITECTURE RELATED INFORMATION PAGE PAGE 1 微型冷热电联供系统的人工神经网络建模及仿真  0 前言能源是当今社会发展所面临的一个重大问题。随着全球经济的快速发展和可持续战略的实施，能源的利用问题也摆在了非常重要的位置。冷热电联供系统作为一种新的能源利用方式具有无可比拟的优势。冷热电联供系统用天然气作为一次能源，随着世界天然气产量的增加，天然气将大大改变现有的能源结构，成为能源利用新的主力；而冷热电联供系统作为一种能量梯级利用系统，利用一次能源驱动发动机发电，利用余热利用设备对余热进行回收利用，同时提供电力，热量和冷量，这样能大大提高能源的利用效率[1]。基于以上优点，冷热电联供系统成为各国竞相研究的对象，并且在美国、日本和欧洲各国都有大规模的实际应用。冷热电联供系统的一个重要的研究方向是整个系统的建模，好的系统模型可以用来确定系统的可行性和分析预测系统的运行，以及用于系统的控制策略研究，并可以为系统的优化匹配和优化运行提供指导。以往的关于联供系统的数学模型都是基于热力学基本原理，建立简单的数学模型。而联供系统的特性是高度非线性化的，传统的热力学模型无法准确描述其运行特性，因此需要用另外的一种思路去建立模型，而人工神经网络则从一定程度上满足了这一需要。人工神经网络吸取了生物神经网络的许多优点，表现在：（1）高度的并行性。（2）高度的非线性全局作用。（3）良好的容错性与联想记忆功能。（4）十分强的自适应、自学习能力。[2]近年来，人工神经网络已经在制冷空调方面有了一些应用。[5]、[7]1 微型冷热电联供系统实验装置设计1.1 系统描述上海交通大学制冷与低温工程研究所孔祥强[1]等建立了制冷功率在10 kW左右的微型冷热电联供系统试验台，整个系统采用了一台小型燃气发电机组和一台研究所自己研制的余热型吸附式制冷机，其系统图见图1。系统设计参数见表1。1.2 实验参数仪器系统的测试参数包括（1）热水循环、冷却塔冷却水循环、冷冻水循环的状态参数（主要有温度和流量）；（2）液化气供应的状态参数（主要有压力、温度和流量）；（3）空气供应的状态参数（主要是温度和流量）（4）小型燃气内燃机排烟的状态参数；（5）系统发电的状态参数（主要是功率、电压、电流和频率）上述待测参数的采集及处理全部由计算机采集系统自动完成。整个数据采集系统由27个温度传感器、2个压力传感器、7个流量传感器、1台电参数测量仪、1台Keithely2700数据采集/测量仪和1台计算机组成。表1 微型冷热电联供系统设计参数 微型冷热电联供系统输出电能峰值 12kW，400V/230V，50Hz输出热能峰值 25kW（50℃热水）发电峰值效率 20％系统总能效率 70％小型燃气内燃机发电机组最大输出电功率 12kW转速1500rpm峰值效率 20％裸机噪音 95dBA（1m）箱装体外噪音 75dBA（1m）小型余热型吸附式制冷机组最大制冷量 9kW制冷峰值制冷COP 0.32 人工神经网络建模人工神经网络（Artificial Neural Network，简称ANN）是人类在对其大脑神经网络认识理解的基础上人工构造的能够实现某种功能的神经网络。它是理论化的人脑神经网络的数学模型，是基于模仿大脑神经网络结构和功能而建立的一种信息处理系统。[2]它实际上是由大量简单元件相互连接而成的复杂网络，具有高度的非线性，能够进行复杂的逻辑操作和非线性关系实现的系统。目前，在人工神经网络的实际应用中，绝大部分的神经网络模型是采用BP（Back Propagation）网络和它的变化形式，它是前向网络的核心部分，并体现了人工神经网络最精华的部分。BP神经网络特别适用于函数逼近，因此本文采用BP神经网络建立模型。[4]2.1 BP神经网络的原理BP网络结构是一种单向传播的多层前向网络，这种网络除输入输出节点外，还有一层或多层的隐节点，同层节点中没有任何耦合。输入信号从输入层节点依次传过各隐层节点，然后传到输出节点，每一层节点的输出只影响下一层节点的输出。如果输出层不能得到期望输出，即实际输出值与期望输出值之间有误差，则转入反向传播过程，将误差信号沿原来的连接通路返回，通过修改各层神经元的权值，逐次向输入层进行计算，再经过正向传播过程，反复进行，使得误差信号最小。2.2 BP神经网络的计算公式[3]本文取三层BP网络，其输入节点为，隐节点为，输出节点为，阈值为，输入节点与隐节点间的网络权值为，隐节点与输出节点的网络权值，输出节点的期望输出为。隐节点的输出 (1)其中， 输出节点的计算输出