當前位置首頁 > 行業資訊 > 技術應用 > 正文

空氣源熱泵冷熱水機組中壓縮機性能的模擬

發布日期:2015-04-06 來源: 壓縮機產業網 查看次數: 313
核心提示:  空氣源熱泵冷熱水機組是近幾年才發展起來的新型冷熱源設備,其應用越來越廣泛。但冬季室外換熱器結霜是影響其應用和發展的主
    
  空氣源熱泵冷熱水機組是近幾年才發展起來的新型冷熱源設備,其應用越來越廣泛。但冬季室外換熱器結霜是影響其應用和發展的主要問題,因此有必要采用計算機模擬的方法建立空氣源熱泵冷熱水機組的比較完善的數學模型,以便對機組在不同運行工況下的特性進行模擬分析。要建立空氣源熱泵冷熱水機組的數學模型,必須首先建立機組中各個部件的模型,然后利用質量守恒、動量守恒、能量守恒定律將單一的部件模型有機地結合起來,構成整個機組的模型。作為空氣源熱泵冷熱水機組的壓縮機,其種類很多,主要有全封閉渦旋式、全封閉活塞式、全封閉螺桿式、半封閉活塞式、半封閉螺桿式等,制冷量范圍也相差很大。目前常用的壓縮機建模方法有效率法、圖形法、多變壓縮指數法、多控制容積法和神經網絡法等。
  由于壓縮機的結構很復雜且影響其工作性能的因素很多,使得傳統的建模方法存在一定的局限性,或者是只能適用于某一特定型號的壓縮機,或者是采用一些經驗公式,使得建模精度受到一定限制。本文擬采用神經網絡模擬空氣源熱泵冷熱水機組中螺桿式壓縮機的性能,采用誤差反向傳播算法 HI算法)訓練該網絡,對網絡的連接權值進行學習和調整,以適應給定的精度要求。
  哈爾濱建筑大學學報第卷圖三層前饋網絡模型神經網絡及算法神經網絡簡介神經網絡是由大量的、同時也是很簡單的處理單元神經元‘廣泛地相互連接而形成的復雜的網絡系統,它具有通過學習獲取知識并解決問題的能力。神經元是神經網絡中最基本的處理單元,它有三個基本要素一組連接權,連接強度由各連接上的權值表示,權值為正表示激勵,為負表示抑制。
  一個求和單元,用于求取各輸入信息的加權和。
  一個非線性激勵函數,起非線性映射作用,并限制神經元輸出幅度在一定范圍之內一般限制之間‘。
  通常神經網絡模型由網絡的拓撲結構、神經元特性激勵函數‘和學習或訓練規則這三個因素所決定。
  神經網絡的拓撲結構主要有兩種:前饋型網絡和反饋型網絡。前饋型網絡中各神經元只接受前一層的輸入,并輸出給下一層,沒有反饋,即第層的輸入只與第層的輸出相連。而反饋型網絡中各神經元之間沒有嚴格的層次結構,任意兩個神經元可以相互連接。
  激勵函數通常有三種型式:閾值函數、分段線性函數和型函數,其中型函數為式中:為閾值。
  神經網絡的學習算法或訓練規則主要有三種:有監督學習、無監督學習和再勵學習。
  算法屬于有監督學習,它要求在訓練過程中必須給出輸入和正確的輸出。網絡根據當前的計算輸出值與所要求的目標輸出值的誤差來調整連接網絡的權值,以使網絡作出正確反應。
  算法的基本原理目前常用的多層前饋型網絡為三層結構:首層為輸入層,中間層為隱含層,最外層為輸出層,如圖所示。這種三層神經網絡可以實現任何的函數映射對于該模型輸入層神經元,其輸出與輸入相同,即。隱含層和輸出層神經元的操作特性為其中:為訓練網絡的模式對個數;為從神經元到神經元,的連接權值;為神經元,的當前輸入;為其輸出。
  一般來說網絡的輸出與理想輸出不可能完全一致。對于每個模式對,網絡輸出誤差為。
  系統的平均誤差為。 0神經網絡的學習過程就是要求網絡尋找單一的一組連接權值和閾值,以使。
  最小。按照梯度搜索法,誤差減小的方向為負梯度方向,故按下式進行權值調整式中:為網絡學習速率;為局部梯度。
  如果神經元的輸出函數取則對于輸出層對隱含層也就是說,隱含層神經元的值必須由上一層值來計算。計算時先從輸出層開始,然后將誤差反向傳播到隱含層。
  計算了每個模式對的后,權值的變化對閾值的訓練也可以采用上述方法,將閾值設想為神經元的一個權值,但該神經元的輸入值總是壓縮機模型的建立與性能模擬對于冬季運行的空氣源熱泵冷熱水機組,其壓縮機的特性為制熱量,、消耗功率、制冷劑質量流量。
  隨蒸發溫度、冷凝溫度、過冷度和過熱度的變化。由于廠家樣本中給出的壓縮機特性均為給定過熱度和過冷度時的數據,故本模擬中輸入層神經元數和1,隱含層神經元數和。
  為標準方差和樣本輸出值中最大值的絕對值之比的百分數偏差系數:為標準方差和樣本輸出值平均值的絕對值之比的百分數采用以上三種方法對于在不同精度和不同學習速率下壓縮機的特性進行了誤差分析‘見表,。由于采用對樣本所有模式對同時進行訓練的批處理方式,使得在精度相同時,不同學習速率下的誤差基本相同,但收斂速度相差很大。
  表誤差分析特性迭代次數第期姚楊等:空氣源熱泵冷熱水機組中壓縮機性能的模擬由表可以看出,采用神經網絡對壓縮機的特性進行模擬分析可以達到比較高的精度要求,而且不必考慮壓縮機復雜的構造,如果有足夠的、可靠的訓練樣本,可以對壓縮機全年的工作性能進行模擬。
  由表還可以看出,不同的學習速率對模擬結果的精度影響很小,但對網絡的收斂速度影響很大。以為例,當取時,迭代次數為次;當取時,迭代次數為次,節省機時約;而當取時,迭代次數為次,與相比節省機時近一半。由此可見,采用神經網絡模擬壓縮機特性時,在迭代收斂的情況下,盡可能采用比較大的學習速率。
  另外模擬精度對收斂速度的影響也很大,與相比,計算時間相差近倍,因此在實際模擬時,應根據需要合理確定模擬精度。
  結論本文采用神經網絡對冬季運行的空氣源熱泵冷熱水機組中壓縮機的特性進行了模擬。采用這種方法可以不必考慮壓縮機復雜的構造,避免采用一些經驗公式,提高了模型的模擬精度。如果有足夠的、可靠的訓練樣本,可以對壓縮機全年的工作性能進行模擬。
  將該壓縮機模型與室內外換熱器模型、電子膨脹閥模型等有機地結合在一起,就形成了空氣源熱泵冷熱水機組的模型。采用該模型可以對空氣源熱泵冷熱水機組的運行工況進行模擬與分析。
  
  

網頁評論共有0條評論

在線客服系統
排列五合买