復合式地源熱泵的系統(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、提高系統(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。

【關鍵詞】 地源熱泵；系統(tǒng)；數(shù)值模型；神經(jīng)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(jīng)網(wǎng)絡模型所需要的訓練和測試樣本，一方面檢驗神經(jīng)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(jīng)網(wǎng)絡模型輸入?yún)?shù)，嘗試建立多種模型確定最優(yōu)神經(jīng)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 焓差法。

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(jīng)網(wǎng)絡的樣本，共得到 1680 組數(shù)據(jù)。

2 土壤換熱器神經(jīng)網(wǎng)絡模型

2.1 人工神經(jīng)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（1）。

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(jīng)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(jīng)元數(shù)目為 1。

（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)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(jīng)元數(shù)，本文建立了隱含層神經(jīng)元數(shù)目分別為 5～25 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(jīng)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(jīng)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 Gradient（SCG），Broyden，F(xiàn)leccher，

Goldfarb and Shanno（BFGS）三種算法以確定最優(yōu)的神經(jīng)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(jīng)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(jīng)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(jīng)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(jīng)元數(shù)目的模型的訓練樣本的均方根誤差基本相同，約為 0.033。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(jīng)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(jīng)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(jīng)元數(shù)目較少，計算時間最短。由此可知神經(jīng)元數(shù)目為 11 的模型最為理想。即采用 LM 算法，隱含層神經(jīng)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 8。從圖 7 可知，訓練樣本的最大誤差不超過 0.2℃，且大多數(shù)接近 0℃，由此可知人工神經(jīng)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℃，且大多數(shù)接近 0℃，可知訓練好的神經(jīng)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(jīng)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(jīng)網(wǎng)絡模型得出以下結論：

（1）人工神經(jīng)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(jīng)元數(shù)目為11 的神經(jīng)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0.2℃，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，2004

[2] 楊愛，劉圣春.我國地源熱泵的研究現(xiàn)狀及展望[J].制冷與空調，2009，9（1）：1-6

[3] 郝先棟，羅壽平，王從永.并、串聯(lián)連接混合式地源熱泵比較[J].制冷與空調，2009，23（2）：42-45

[4] 謝酈，徐菱虹，張銀安.混合式地源熱泵系統(tǒng)不同控制策略的分析與比較[J].暖通空調，2009，39（3）：110-114