基于部件神經(jīng)網(wǎng)絡(luò)模型的制冷系統(tǒng)混合仿真方法及應用.pdf

1、制冷空調(diào)裝置仿真技術(shù)已經(jīng)有了相當?shù)陌l(fā)展,為制冷空調(diào)裝置的設(shè)計節(jié)能優(yōu)化等研究做出了巨大的貢獻?；诓考锢砟Ｐ偷南到y(tǒng)仿真方法具有很好的通用性和趨勢控制能力,是常見的制冷裝置仿真方法。在不同的階段和不同的情況下,仿真技術(shù)需要滿足不同的需求。隨著時代的進步,人們對仿真的要求不斷提高,除了準確性之外,計算速度和求解穩(wěn)定性成為了新的明確的需求。
　　 為了進一步提高制冷系統(tǒng)裝置仿真技術(shù)的計算速度和求解穩(wěn)定性,本文在“面向部件”的制冷系統(tǒng)仿

2、真研究的基礎(chǔ)上,引入神經(jīng)網(wǎng)絡(luò)模型提出了基于部件神經(jīng)網(wǎng)絡(luò)模型的制冷系統(tǒng)混合仿真方法。“面向部件”的系統(tǒng)仿真和神經(jīng)網(wǎng)絡(luò)模型各有其顯著的優(yōu)缺點,需要在兩者之間尋找一個契合點以揚長避短?；旌戏抡娣椒ㄊ欠抡嫘枨蟛粩嗵嵘漠a(chǎn)物,是基于部件物理模型的制冷系統(tǒng)模型之外的一個延伸和擴展。本文的主要研究內(nèi)容包括:
　　 1.本文明確提出了基于部件神經(jīng)網(wǎng)絡(luò)模型的混合仿真方法。詳細闡述了混合仿真方法的必要性和實現(xiàn)過程。在系統(tǒng)層面,混合仿真方法保持了“面

3、向部件”的系統(tǒng)仿真結(jié)構(gòu)的的靈活性,部件模型可以重復利用,而且可以方便地增減或修改部分輔助部件；在部件層面,部件神經(jīng)網(wǎng)絡(luò)模型有助于降低部件模型的復雜程度,提高計算速度?；诓考窠?jīng)網(wǎng)絡(luò)模型的混合仿真方法既考慮了制冷系統(tǒng)的靈活性,又兼顧了計算速度和穩(wěn)定性。為制冷系統(tǒng)仿真提供了新的可供選擇的方向。
　　 2.深入分析神經(jīng)網(wǎng)絡(luò)建模的五個基本步驟,針對各個步驟可能存在的風險和問題展開了神經(jīng)網(wǎng)絡(luò)方法的改進研究,從而盡可能地降低神經(jīng)網(wǎng)絡(luò)模型的

4、過擬合風險、提高模型在大范圍工況內(nèi)的精度、改善模型的趨勢等。本文所提出的改進方法主要包括:
　　 a)對數(shù)據(jù)樣本進行恰當合理的處理以改善模型的訓練精度和趨勢合理性,比如增加理論點、保持數(shù)據(jù)樣本隨輸出參數(shù)的分布均勻性等。
　　 b)采用和物理模型相結(jié)合的方式對神經(jīng)網(wǎng)絡(luò)模型的輸入輸出參數(shù)進行分析選擇,避免了參數(shù)的冗余和不足。
　　 c)自定義多項式傳遞函數(shù),從理論上證明了多項式神經(jīng)網(wǎng)絡(luò)模型和多項式函數(shù)的等價性,有效避

5、免了神經(jīng)網(wǎng)絡(luò)模型的過擬合的風險。
　　 d)根據(jù)研究對象的特性,優(yōu)化神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu),既顯著提高了神經(jīng)網(wǎng)絡(luò)模型的靈活性,又提高了模型的訓練效率。
　　 作者應用這些改進方法建立了若干相關(guān)部件性能的神經(jīng)網(wǎng)絡(luò)模型,包括容積式壓縮機、螺桿壓縮機的多項式神經(jīng)網(wǎng)絡(luò)模型、毛細管和短管流量特性的通用神經(jīng)網(wǎng)絡(luò)模型、翅片管冷凝器性能的神經(jīng)網(wǎng)絡(luò)模型和翅片管蒸發(fā)器性能的神經(jīng)網(wǎng)絡(luò)模型。這些模型在部件層面進行了充分的精度和趨勢驗證,可以滿足系統(tǒng)仿真

6、的需求。
　　 3.混合仿真方法的實例驗證。在部件模型的基礎(chǔ)上實現(xiàn)了制冷系統(tǒng)的混合仿真,并進行了實驗驗證和分析:
　　 a)模擬了帶經(jīng)濟器的水冷冷水機組的性能預測。由于采用了高精度而且連續(xù)的螺桿壓縮機的神經(jīng)網(wǎng)絡(luò)模型,水冷冷水機組的模型實現(xiàn)了從滿負荷到卸載負荷的連續(xù)仿真,顯著改善了水冷冷水機組的部分負荷下的預測精度,96％的點誤差在±5％以內(nèi)。作者基于此高精度的冷水機組模型展開了經(jīng)濟器開關(guān)最優(yōu)切換點的研究。