BP神經網絡方法對露點間接蒸發冷卻器性能預測及分析

屈悅瀅 黃 翔 孫鐵柱

BP神經網絡方法對露點間接蒸發冷卻器性能預測及分析

屈悅瀅 黃 翔 孫鐵柱

（西安工程大學 西安 710048）

通過對露點間接蒸發冷卻空調機組的實際測試，在機組其他條件不變的情況下，僅考慮機組進風口空氣的干球溫度和含濕量對機組出風口空氣的干球溫度和含濕量以及機組效率的影響，采用MATLAB軟件建立預測露點蒸發冷卻器性能的人工神經網絡模型。同時對神經網絡模型進行檢驗，使網絡預測模型達到預期效果，以完成對模型性能分析和評價。結果表明應用BP神經網絡方法對露點間接蒸發冷卻空調機組的性能預測是可行的，網絡擬合效果總相關性為0.92026。

露點間接蒸發冷卻；空調機組；神經網絡；性能預測

0 引言

蒸發冷卻空調技術是一種節能環保和可持續發展的空調技術[1]。其中，露點間接蒸發冷卻可使產出空氣逼近進入空氣的露點溫度，是提高設備溫降的核心技術之一。傳統空調機組的設計缺點在于不能對機組實際運行情況全面考慮；量產前優化設計復雜、成本投入大。通過借助神經網絡對非線性動力學系統的預測能力，建立露點冷卻器性能的預測模型，并對網絡模型進行訓練與仿真，涉及暖通空調、信息處理、計算機等多學科，為露點冷卻器性能的預測研究提供新的思路。優勢在于進行充分模擬預測，以此規避機組缺陷；同時也降低試驗成本；縮短開發周期，提高機組競爭力[2]。

1 BP神經網絡算法

圖1 BP神經網絡拓撲結構圖

BP神經網絡是采用反向傳播學習算法進行訓練的人工神經網絡，由輸入樣本的正向傳播以及誤差的反向傳播這2個過程組成。其結構分為輸入層、隱含層和輸出層。當BP網絡的結構確定后，就可以通過實驗測定的輸入及輸出樣本集對網絡進行訓練，完成網絡閾值和權值的學習和修正，目的是找到神經網絡的輸入和輸出之間的映射關系[3]。

2 研究方法

2.1 訓練樣本的選取

（1）露點間接蒸發冷卻空調機組

蒸發冷卻空調機組由進風段、風機段、露點間接蒸發冷卻段、送風段組成。其性能預測具有復雜的輸入與輸出之間非線性的隱性關系，需要通過大量的學習和訓練樣本才能得到良好的預測效果。

根據在福州地區某公司四樓實驗室安裝的一臺露點間接蒸發冷卻空調機組，選用的露點間接蒸發冷卻機組總風量20000m3/h，二/一次風量比值約為0.6，送風量可通過調節送風口的閥門開度大小來調節，均為全新風送風。福州夏季室外的計算干球溫度為36℃，計算濕球溫度為28.1℃。系統平面圖和機組實物圖、結構示意圖分別如圖2和圖3所示。

圖2 露點間接蒸發冷卻空調系統平面圖

圖3 露點間接蒸發冷卻空調機組實物圖和結構示意圖

（2）訓練樣本

對上述機組進行測試，采用77組測試數據作為BP神經網絡的訓練樣本。其中，2/3為訓練數據，1/3為驗證數據。對機組送風干球溫度、含濕量、效率的結果進行預測，其部分數據如表1所示。

表1 神經網絡輸入輸出樣本（部分數據）

2.2 輸入/輸出樣本設計

影響露點間接蒸發冷卻效率的影響因素很多，包括設備結構、二次/一次風量比、淋水量、室外空氣狀態也會對冷卻器的換熱效能產生影響。本文主要研究在其他條件不變的情況下，主要考慮機組空氣進風口干球溫度及含濕量對換熱效率的影響。共選取77組實驗數據作為神經網絡的訓練樣本。

為了更有效地進行網絡訓練，需要對訓練樣本數據進行預處理，即進行歸一化處理，將數據統一到[0，1]區間，并且針對網絡的輸出數據也需要進行反歸一化處理。

2.3 神經網絡的結構設計

輸入層包括機組進風口干球溫度和含濕量2個參數，輸出層有3個參數，分別為機組出風口干球溫度、含濕量和機組效率。其中機組的熱濕交換效率可以通過機組實測及預測結果計算得到。網絡采用一個隱含層，隱含層的神經元個數按Mr Kawashima提出的方法選擇，即神經元個數為2×2+2=6，共取6個神經元。

2.4 網絡傳遞及訓練函數

隱含層神經元的傳遞函數采用對數S型正切函數Tansig，輸出層神經元采用purelin函數。BP神經網絡的局限性在于容易陷入局部最優，為避免這種情況的出現，選擇LM算法作為訓練方法對BP網絡進行訓練，訓練函數采用LM算法的trainlm函數，學習采用trainlm函數，設置訓練次數為1000次，訓練目標誤差為0.000000001，學習率為0.1，其他參數使用默認值如表1所示。

3 性能預測

文中2.3節的初始神經元個數為6，通過程序的運行，比較每次網絡的預測性能，選擇性能最優的對應的節點數作為隱含層神經元節點數為8，最優學習率與初始取值相同為0.1。下圖4為建立的2-8-3結構的神經網絡模型結構，表2為歸一化處理后的神經網絡輸入輸出樣本的部分數據。

圖4 神經網絡模型結構

表2 歸一化處理后的神經網絡輸入輸出樣本（部分數據）

3.1 訓練誤差曲線

網絡訓練的誤差曲線如圖5所示。從圖中可以看出，訓練的收斂速度非常快，當訓練次數達到11次的時候，機組出風口的干球溫度和含濕量的實際出口值與預測值的標準方差已經滿足設定的要求。

圖5 網絡訓練的誤差曲線

3.2 網絡的誤差變化曲線

網絡的誤差變化曲線如圖6所示。橫坐標是迭代次數，縱坐標是均方誤差，藍色是訓練誤差、綠色的是校驗誤差、紅色的是測試誤差，其中校驗誤差是我們應該關心的，可以看出，使用LM算法的2-8-2結構的BP網絡在第5步時迅速收斂于0.048，且值最小，訓練、驗證、測試網絡的效果明顯。

圖6 網絡的誤差變化曲線

3.3 LM算法訓練過程變化曲線

圖7中，橫坐標是迭代次數，最上面的圖橫坐標是梯度，可以看出梯度整體呈下降趨勢，在迭代第11次時，梯度僅為0.00574。最中間圖的縱坐標是學習率，在迭代第11次時，學習率為0.0001。最下面圖的縱坐標是校驗，可以看出，在迭代第6次以后的連續6次后，均方誤差不斷上升，在第5次均方誤差最小。通過圖7可得，LM算法收斂快，避免了標準BP算法可能陷入局部極小點的問題。用于多變量大樣本的訓練能收到較好的效果。

圖7 LM算法訓練過程

3.4 網絡預測結果分析

表3是網絡輸出的實測值及預測值的部分數據。通過計算可得，神經網絡對出風口干球溫度預測的均方誤差為0.0671，對出風口干球溫度預測的均方誤差為0.1067，對機組效率預測的均方誤差僅為0.0013，表明模型對其預測的精度較高。

由圖8～10可以明顯地看出，BP網絡對機組效率、出風口干球溫度和含濕量的預測值與測試數據是非常接近的，與實驗值的變化趨勢基本完全一致，因此可認為，BP網絡能夠準確的預測出機組出風口干球溫度、含濕量機組效率及其變化趨勢。

表3 網絡輸出的實測及預測值（部分數據）

圖8 BP神經網絡對機組效率的預測結果

圖9 BP神經網絡對送風溫度預測結果

圖10 BP神經網絡對含濕量預測結果

網絡的擬合效果圖如圖11所示。橫坐標均為期望輸出，縱坐標均為實際輸出，表示輸出均為長度是4的單位向量，圖中所有的圓圈代表期望輸出對應的數據，彩色的線均代表擬合后的線性函數，右表是他們的數學表達式，虛線代表一三象限的分角線，R是線性回歸后的相關系數，R越接近于1，表明預測結果越好。四個圖分別是對訓練結果、對校驗結果、測試數據、所有數據的擬合，從表4中可以看出，總體擬合情況比較好，為0.92026。

圖11 網絡擬合效果圖

表4 網絡擬合相關系數

4 總結

（1）上述露點間接蒸發冷卻空調機組數據是在高濕度地區的福州測得的，從實驗數據上看，送風的參數滿足室內送風點的要求，說明該地區應用蒸發冷卻空調機組是能保證室內空氣調節要求的，且應用BP神經網絡方法對空調機組的性能進行預測是可行的。

（2）在空調系統設計日益發展的環境下，多種因素對空調性能的影響增加了對空調系統預測的復雜度。本課題通過控制變量，在機組其他條件不變的情況下，僅考慮機組進風口空氣的干球溫度和含濕量對機組出風口空氣的干球溫度和含濕量以及機組效率的影響。

（3）在大數據時代背景下，神經網絡預測空調機組性能將為暖通行業發展帶來新的機遇與挑戰。在接下來的研究中，將進一步對程序進行優化和改進，以期達到預期的目標。

[1] 黃翔.蒸發冷卻空調原理與設備[M].北京:機械工業出版社,2019:23.

[2] 黃童毅,何林,郭慶,等.基于BP神經網絡的空調性能預測研究[J].環境技術,2019,37(4):100-103,114.

[3] 米羅斯拉夫·庫巴特(著),王勇(譯).機器學習導論[M].北京:機械工業出版社,2016:100-109.

[4] 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.

[5] 邢廣成.徑向基神經網絡模型對蒸發冷卻空調填料性能的預測[D].西安:西安工程大學,2012.

[6] 陳玉英.應用BP神經網絡的管式間接-直接復合式蒸發冷卻空調機組性能預測[J].節能,2015,34(1):18-21,2.

[7] Jafarian Hamoon, Sayyaadi Hoseyn, et al. Modeling and optimization of dew-point evaporative coolers based on a developed GMDH-type neural network[J]. Energy Conversion and Management, 2017,143:49-65.

[8] Yi Chen, Yan Huaxia, et al. A proportional–integral (PI) law based variable speed technology for temperature control in indirect evaporative cooling system[J]. Applied Energy, 2019,251:1.

[9] 王文博.露點蒸發冷卻空調機組在干燥地區的優化設計及應用研究[D].西安:西安工程大學,2018．

[10] 黃凱新,黃翔,嚴政,等.復合式露點間接蒸發冷卻空調機組在敦煌機場某食堂的應用[J].制冷與空調,2019, 19(3):52-56.

Performance of Indirect Evaporative Cooler with Dew Point by BP Neural Network Method Forecast and Analysis

Qu Yueying Huang Xiang Sun Tiezhu

( Xi'an Polytechnic University, Xi’an, 710048 )

Through the actual test of the dew point indirect evaporative cooling air conditioning unit, under the condition that the other conditions of the unit are unchanged, only the dry bulb temperature and moisture content of the air inlet air of the unit and the dry bulb temperature and moisture content of the air outlet air of the unit and the For the effect of unit efficiency, MATLAB software is used to establish an artificial neural network model for predicting the performance of dew point evaporative coolers. Combined with the actual test data, the neural network prediction model is tested to make the network prediction model achieve the expected effect to complete the performance analysis and evaluation of the model. The results show that it is feasible to predict the performance of the air conditioning unit using the BP neural network method. The total correlation of the combined effect is 0.92026.

Indirect evaporative cooling with dew point; Air conditioning units; Neural Networks; Performance prediction

TU831.5

A

1671-6612（2021）02-151-06

西安市科技計劃項目（2020KJRC0023）；國家自然科學基金（51676145）；西安工程大學研究生創新基金項目資助（編號：chx2020039）

屈悅瀅（1995.1-），女，在讀碩士研究生，E-mail：530037889@qq.com

黃 翔（1962.7-），男，教授，E-mail：huangx@xpu.edu.cn

2020-07-05