基站用相變儲能機組性能實驗及預測模型

摘要：

針對相變儲能機組換熱性能的非線性影響因素，分析了室內外不同環境因素下機組運行工況的性能系數（COP）及蓄/放能特征，并在焓差實驗室進行機組性能測試?；趯嶒灁祿?，建立了不同神經網絡結構預測模型，預測機組COP及蓄/放能量；通過預測值與實驗值結果對比，兩者相關系數大于0.99，平均相對誤差小于2%，平均均方差低于0.2%。研究結果表明，神經網絡方法可以準確地預測相變機組儲放能過程及對應的性能系數。

關鍵詞：

神經網絡；相變儲能；儲能量；放能量；性能系數（COP）

中圖分類號：

TU111

文獻標志碼：A

文章編號：1674-4764（2014）05-0066-05

Performance Experiment and Prediction Model of Latent Heat Storage Unit Used in Telecommunications Base Stations

Luo Xinbo1， Zhang Quan1， Sun Xiaoqin1， Chen Xiaoming1， Wang Jiaqiang1，Liao Shuguang2

（1.College of Civil Engineering， Hunan University， Changsha 410082， P. R. China；

2.Changsha Maxxom Hi-tech Corporation，Changsha 410015， P. R. China）

Abstract：

energy saving potential of latent heat storage unit was studied（LHSU） by using neural network. Experiments were conducted in an enthalpy difference laboratory to simulate the performance of LHSU. Different neural network structures were built to predict the influence of nonlinear factors including air flow rate， air temperature. Coefficient of performance （COP）， energy storage and discharge rates on the unit’s operation performance. Results showed that the predictions agreed well with the experimental data with correlation coefficients in the range of 0.99～1.00， mean relative errors below 2% and very low root mean square errors.

Key words：

neural network； phase change energy storage； energy storage； energy discharge； coefficient of performance.

隨著通信業的迅速發展，中國對基站數量需求越來越多，基站耗電量大。據不完全統計，僅中國移動2009年耗電就達到111.4億kW·h，基站耗能已占運營商能耗的一半左右^[1]，其中空調耗能占基站耗能30%～50%^[2]，基站空調系統節能迫在眉睫。李雄文^[3]從氣流組織角度提出空調下送風方式及出風口朝向通信設備進風口實現節能；李森^[4]指出在合適的室外氣候條件下，通信基站采用新風技術全年可實現節能30%～50%。為解決新風技術中能量供需不平衡的問題，孫小琴等^[5]提出相變儲能機組，結合室外新風技術和相變儲能技術降低基站制冷能耗，研究發現，采用此項技術機組能效比高達14.04 W/W。

相變儲能機組性能的影響因素眾多，難以通過數學模型準確預測機組性能。為了方便地分析相變儲能機組的節能性，本文采用神經網絡預測機組COP和蓄/放能量，分析影響機組性能的參數。神經網絡具有大規模并行分布式存儲、處理及自組織、自適應、自學習的能力，特別適合處理需要同時考慮許多因素和條件的問題^[6]。眾多專家學者針對不同問題進行神經網絡建模研究。陳文鼎等^[7]利用神經網絡，以不同時刻的室外氣溫、太陽輻射以及某時刻供冷時數作為輸入準確預測出第二天空調負荷，并分析誤差原因及提高精度的方法；魏東等^[8]采用前向神經網絡作為優化反饋控制器穩定控制變風量空調系統，并實時預測出空調區域負荷；Kusiak等^[9]采用動態神經網絡對HVAC系統優化建模，與傳統控制策略相比可節能30%；Gerardo等^[10]通過神經網絡控制翅片式換熱器的換熱空氣溫度，與常規PI/PID控制比較，神經網絡更容易穩定系統且具有更好的適應性；Qi等^[11]分析無填料噴霧冷卻塔熱質傳遞，與實驗結果相比，神經網絡預測結果的絕對平均相對誤差為1.13%，而數值模型計算的誤差達到9.42%；Ermis^[12]利用神經網絡分析管翅式蓄熱系統相變傳熱過程，以傳熱面積、雷諾數、進口傳熱流體溫度、時間為輸入預測蓄熱量，與實驗數據相比，其絕對平均相對誤差為5.59%，小于數值模型的14.99%。因此，在非線性影響因素眾多的系統采用神經網絡方法研究比傳統方法更精確，耗時花費更少。

目前相變儲能機組還處在研究階段，考慮到機組COP及蓄/放能量影響因素之間的非線性特性，本文利用BP神經網絡對相變儲能機組COP及蓄/放能量進行預測，以空氣溫濕度、水流量、風量、水溫差、功率及時間為輸入量，采用三層網絡結構，對比隱含層不同神經元的預測輸出，以湖南大學焓差臺實驗的數據對神經網絡預測結果進行了對比驗證。

1 基站用相變儲能機組模型

孫小琴等^[5]研發出一種基站用相變儲能機組，該機組由空氣冷卻器、相變模塊、風機、水泵、過濾器、水管以及相應的控制裝置組成，其模型如圖1所示。其運行模式有新風、儲能以及放能模式。

該實驗室由兩個房間組成，1個是室內側，用于模擬基站內的溫濕度條件，另1個為室外側，用于模擬戶外新風條件。相變儲能機組放在室內側，對其性能進行測試，同時在室內側放置1個2 500 W的加熱器作為基站內典型的熱源。在室內側和室外側共設立3個測點，測點1、2、3分別用熱電偶測得送風溫濕度，回風溫濕度以及新風溫濕度，用能量計測出水流量和水溫，通過測定標準流量噴嘴前后靜壓差測量風量，每5 min記錄一組數據，儲能模式下記錄60組數據，放能模式下為45組數據。該機組的COP以及蓄/放能結果如圖3～5所示。

由圖3可以看出在儲能模式下整臺相變機組的COP穩定在12.56，放能模式COP下降的原因在于蓄能量的釋放，對于確定的相變模塊，其蓄能量有限，但在放能的3 h內可以穩定在9.64。由圖4可以看出在儲能模式下相變儲能機組蓄能率在0.5 h內蓄能比較快，0.5～4.5 h內基本呈線性降低，之后蓄能急劇下降；從圖5可以看出在放能模式下機組放能率在0.5 h內放能過程比較快，之后較緩；這兩圖變化原因在于相變儲能模塊容量有限以及在蓄能、放能傳熱的過程中模塊分別與流體之間的傳熱溫差開始時較大，換熱率高，之后溫差逐漸減小[13-14]。

3 神經網絡模型及預測分析

在神經網絡預測應用中已有眾多專家學者實驗表明三層BP神經網絡結構足以達到精度，而且發現隱含層數越多，誤差反向傳播的過程計算及編程越復雜，訓練時間也急劇增加，訓練過程中更容易陷入局部最小誤差，同時，網絡連接權系數矩陣也難以調整到最小誤差處^[15]。因此選擇三層網絡結構。隱含層神經元數直接影響BP神經網絡預測精度，節點數過多，會引起訓練時間過長且容易造成神經網絡過擬合，而節點數過少，網絡學習不完善，訓練次數會增加，訓練精度也會受到影響，但是目前還沒有統一的解析式來確定隱含層節點數，因此，本文在kolmogrov定理^[16]基礎上采用不同節點數即節點數為18、19、20時比較研究。由相變機組模式研究可知，其COP的影響因素主要有新/回風溫濕度、水流量、風量、水溫差以及功率，而蓄/放能不僅跟上述因素有關而且跟時間有聯系，以這些影響參數作為網絡的輸入，其神經網絡模型如圖6所示。

Mohanraj^[17]建議隨機選取實驗數據的70%作為模型訓練，余下的用于結果對比，由此儲能模式下為40組訓練，20組對比，放能模式下30組訓練，15組對比。訓練采用Levenberg-Marquardt算法，收斂速度快且可以有效防止神經網絡訓練收斂于局部最小^[17]。預測模型的準確度采用均方差（MSE）、平均相對誤差（MRE）指標以及線性相關系數（R）來評價。輸入層到隱含層以及隱含層到輸出層的傳遞函數分別為sigmoid函數和線性函數。 預測誤差結果如表1。

由表1可知每一種結構的預測精度都能達到要求，平均相對誤差小于2%，均方差低于0.2%，有的甚至接近于0，線性系數大于0.99。對于神經網絡預測，隱含層單元數根據kolmogrov定理選取可以達到精度，但這3種結構存在差異，儲能模式下，預測COP隱含層單元數最好是20，預測蓄能量為19時最佳；放能模式下，預測COP最佳隱含層單元數是19，預測放能量是隱含層單元數為20時最好。分析其差異原因，主要在于兩種模式訓練數據不一致以及COP與蓄/放能的影響參數之間存在差異。對于相變儲能機組來說，利用神經網絡可以準確預測出其性能，避免數值模擬中復雜傳遞函數推導以及由假設、近似等推導過程帶來的誤差。

4 結 論

通過分析室內外不同環境因素下機組運行工況的性能系數（COP）及蓄/放能特征，建立Levenberg-Marquardt訓練算法的BP神經網絡來預測眾多非線性影響因素的相變儲能機組的性能，該網絡結構輸入9個參數，預測出機組的3個性能參數即COP、蓄/放能量，并比較隱含層單元不同時的預測結果，在kolmogrov定理基礎上確定的隱含層單元數都能達到精度要求，通過與焓差臺的實驗數據對比，均方差小于0.2%，平均相對誤差小于2%，相關系數大于0.99，結果表明神經網絡可以很好地用于相變機組的性能預測。參考文獻：

[1]

陳沂. 濕熱地區通信基站建筑節能設計策略與技術[D]. 廣州：華南理工大學，2010.

[2]Tu R. Energy performance analysis on telecommunication base station[J]. Energy and Buildings，2011，43： 315-325.

[3]李雄文.機房空調合理安裝與控制對散熱及節能的影響分析[J].智能建筑與城市信息，2010（7）：20-22.

Li X W. Heat rejection and energy efficiency analysis by reasonable installation and control of air conditioner in plant room[J]. Chinese Journal of Intelligent Building and Urban Information， 2010， 7： 20-22.

[4]李森.通風節能系統在電信機房中的應用[J].電信技術，2008（8）：48-49.

Li S. Application of ventilation energy saving systems in telecommunication plant room[J]. Chinese Journal of Telecommunication Technology， 2008， 8： 48-49.

[5]Sun X Q， Zhang Q， Mario A， et al. A study on the use of phase change materials （PCMs） in combination with a natural cold source for space cooling in telecommunications base stations （TBSs） in China[J]. Applied Energy，2014，117： 95-103.

[6]邢廣成，強天偉. ANN理論在HVAC領域的應用[J]. 科技信息，2012（28）： 100-101.

Xing G C，Qiang T W. Application of artificial neural network in HVAC systems [J]. Chinese Journal of Technology Information， 2012（28）： 100-101.

[7]陳文鼎，趙哲身. 基于BP神經網絡的空調負荷預測[J]. 節能技術， 2010，28（1）： 15-17.

Chen W D， Zhao Z S. Air conditioning cool load forecast based on BP neural network[J]. Chinese Journal of Energy Saving Technology， 2010， 28（1）： 15-17.

[8]魏東，支謹，張明廉. 基于人工神經網絡的變風量空調控制系統[J].暖通空調， 2005， 35（4）：112-116.

Wei D， Zhi J， Zhang M L. VAV air conditioning control system based on artificial neural network [J]. Chinese Journal of HV AC， 2005， 35（4）： 112-116.

[9]Kusiak A， Xu G L. Modeling and optimization of HVAC systems using a dynamic neural network [J]. Energy，2012，42： 241-250.

[10]Díaz G， Sen M， Yang K T， et al. Dynamic prediction and control of heat exchangers using artificial neural networks [J]. International Journal of Heat and Mass Transfer，2001，44：1671-1679.

[11]Qi X N， Liu Z Y， Li D D. Numerical simulation of shower cooling tower based on artificial neural network[J]. Energy Conversion and Management，2008，49：724-732.

[12]Ermis K， Erek A， Dincer L. Heat transfer analysis of phase change process in a finned-tube thermal energy storage system using artificial neural network[J]. International Journal of Heat and Mass Transfer，2007，50：3163-3175.

[13]Mosaffa A H， Infante C A Ferreira， et al. Thermal performance of a multiple PCM thermal storage unit for free cooling[J]. Energy Conversion and Management，2013，67： 1-7.

[14]Teggar M， Mezaache E H. Numerical investigation of a PCM heat exchanger for latent cool storage [J]. Energy Procedia，2013，36： 1310-1319；

[15]朱能，史學宇，劉俊杰，等.人工神經網絡對空調負荷預測過程的優化研究[J].制冷學報，2002（2）： 35-38.

Zhu N， Shi X Y， Liu J J， et al. Optimation study on air conditioning cool load forecast process by artificial neural network [J]. Chinese Journal of Refrigeration， 2002（2）： 35-38.

[16]吳杰. 冰蓄冷空調系統負荷預測模型和系統優化控制研究[D]. 杭州：浙江大學，2002.

[17]Mohanraj M， Jayaraj S， Muraleedharan C. Applications of artificial neural networks for refrigeration， air-conditioning and heat pump systems—A review [J]. Renewable and Sustainable Energy Reviews，2012，16：1340-1358.