基于BP神經網絡的露點蒸發冷卻冷水機組性能預測

常若新 黃翔 屈悅瀅

摘? 要：本文針對傳統蒸發冷卻冷水機組的設計缺點：不能對機組實際運行情況全面考慮，量產前優化設計復雜、成本投入大等問題。通過借助神經網絡對非線性動力學系統的預測能力，建立露點間接蒸發冷卻器性能的預測模型，并對網絡模型進行訓練與仿真，以供參考。

關鍵詞：BP神經網絡;蒸發冷卻;冷水機組;預測分析

中圖分類號：TU831? ? ? ? 文獻標識碼：A? ? ? ? ?文章編號：2096-6903（2021）01-0000-00

0引言

蒸發冷卻空調技術是節能、綠色的制冷技術，在干燥地區和中低濕度地區可替代傳統的氟利昂制冷劑[1]。目前廣泛應用的有直接/間接蒸發冷卻技術等多種方式[2]。其中，基于ValeriyMaisotsenko提出的新型熱力循環（即M-cycle理論）[3]得出的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。

傳統露點間接蒸發冷卻冷水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，其涉及暖通空調、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。其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[4]。

1BP神經網絡算法介紹

1.1BP神經網絡及其性能預測流程

BP神經網絡是采用機器學習算法進行訓練的人工神經網絡結構，其拓撲結構圖如圖1所示，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[5]，選擇露點蒸發冷卻冷水機組性能穩定的測試數據，再對數據進行歸一化處理，并建立相對應的神經網絡模型，利用訓練好的神經網絡對露點蒸發冷卻冷水機組性能進行預測。

1.2訓練樣本的選取

1.2.1露點間接蒸發冷卻冷水機組

露點間接蒸發冷卻冷水機組的結構圖如圖2所示，本機組產出空氣流動路徑是“Z”字型，產出空氣不光有叉流換熱過程，同時還有逆流換熱過程，增加了空氣的預冷時間，降低了出水溫度[6]

1.2.2訓練樣本

對上述機組進行測試，采用64組測試數據作為BP神經網絡的訓練樣本，對機組送風干球溫度、相對濕度、含濕量、供回水溫度的結果進行預測。其中，2/3為訓練數據，1/3為驗證數據。

測試數據以及性能評價公式可得到露點間接蒸發冷卻冷水機組在三種測試工況下的性能參數，部分參數如表1所示。

2建立預測模型

2.1原始數據樣本設計

露點蒸發冷卻效率受很多影響因素，包括結構設計、淋水量、室外空氣狀態也會對冷卻器的換熱效能產生影響。在其他條件不變的情況下，主要考慮室外空氣狀態（室外空氣進風口干球溫度、濕球溫度、相對濕度、含濕量）對機組性能（露點蒸發冷卻效率）的影響。共選取64組實驗數據進行BP神經網絡的預測。

2.2網絡傳遞及訓練函數

網絡傳遞中局部最優比較容易陷入，這也成為了BP神經網絡的部分局限性，故選擇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，學習函數采用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。

3 BP神經網絡訓練結果分析

3.1網絡的擬合效果

圖3是本網絡的擬合效果。橫縱坐標表示均為輸出長度是4的單位向量，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、校驗結果、測試數據、所有數據的擬合，可以看出，總體擬合效果較好，擬合度為0.99684。

3.2測訓練結果分析

本次預測基于MATLAB的BP神經網絡訓練模型的RMSE為0.0513。

表2是網絡輸出的預測值的部分數據，由圖4可以看出，BP神經網絡對機組出口水溫預測的均方根誤差為0.12，表明建立的該BP神經網絡模型預測精度較好，整體預測的冷水機組出水溫度與實際機組的出水溫度變化規律相符，同時絕對誤差在1%以內，符合工程設計的需要。

4結語

本文通過借助BP神經網絡對非線性動力學系統的預測能力，建立露點間接蒸發冷卻冷水機組性能的預測模型，對網絡模型進行訓練與仿真，并使用實際測試結果對預測結果進行驗證。驗證結果表明，使用該方法得到的預測結果精度較高，絕對誤差控制在1%以內。該方法替代了傳統的實驗方法，也降低試驗成本，縮短開發周期，提高了冷水機組機組的競爭力。

參考文獻

[1]黃翔，孫鐵柱，汪超.蒸發冷卻空調技術的詮釋（1）[J].制冷與空調，2012，12（2）：1-6+14.

[2]黃翔.蒸發冷卻空調技術發展動態[J].制冷，2009，28（1）：19-25.

[3]麥索特森科.用于露點蒸發冷卻器的方法和板裝置[P].中國：ZL02828060.1，2001-09-27.

[4]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.

[5]張峰，李蘇瀧.基于BP神經網絡的建筑空調負荷預測[J].智能建筑與智慧城市，2019（7）：34-35+41.

[6]李朝陽.露點間接蒸發冷卻空調系統的應用研究[D].西安：西安工程大學，2020.

收稿日期：2020-12-20

作者簡介：常若新（1996—），男，河南洛陽人，碩士研究生在讀，研究方向：蒸發冷卻技術與建筑可再生能源理論與應用。

通訊作者：黃翔（1962—），男，北京人，研究方向：蒸發冷卻技術與建筑可再生能源理論與應用。

Performance Prediction of Dew-point Evaporative Cooling Chiller Based on BP Neural Network

CHANG Ruoxin，HUANG Xiang，QU Yueying

（School of Urban Planning and Municipal Engineering，Xi’an Polytechnic University，Xi’an? Shaanxi? 710048）

Abstract：This paper aims at the design shortcomings of the traditional evaporative cooling chillers， such as the failure to take the actual operation of the chillers into full consideration， the complexity of the optimization design before mass production and the large cost input. The prediction model of dew point indirect evaporative cooler was established by using neural network to predict the nonlinear dynamic system， and the network model was trained and simulated.

Keywords：airport building;air conditioning system;evaporative cooling;engineering application;test analysis