屈悅瀅 黃 翔 孫鐵柱

BP神經(jīng)網(wǎng)絡(luò)方法對露點間接蒸發(fā)冷卻器性能預(yù)測及分析

屈悅瀅 黃 翔 孫鐵柱

（西安工程大學(xué) 西安 710048）

通過對露點間接蒸發(fā)冷卻空調(diào)機(jī)組的實際測試，在機(jī)組其他條件不變的情況下，僅考慮機(jī)組進(jìn)風(fēng)口空氣的干球溫度和含濕量對機(jī)組出風(fēng)口空氣的干球溫度和含濕量以及機(jī)組效率的影響，采用MATLAB軟件建立預(yù)測露點蒸發(fā)冷卻器性能的人工神經(jīng)網(wǎng)絡(luò)模型。同時對神經(jīng)網(wǎng)絡(luò)模型進(jìn)行檢驗，使網(wǎng)絡(luò)預(yù)測模型達(dá)到預(yù)期效果，以完成對模型性能分析和評價。結(jié)果表明應(yīng)用BP神經(jīng)網(wǎng)絡(luò)方法對露點間接蒸發(fā)冷卻空調(diào)機(jī)組的性能預(yù)測是可行的，網(wǎng)絡(luò)擬合效果總相關(guān)性為0.92026。

露點間接蒸發(fā)冷卻；空調(diào)機(jī)組；神經(jīng)網(wǎng)絡(luò)；性能預(yù)測

0 引言

蒸發(fā)冷卻空調(diào)技術(shù)是一種節(jié)能環(huán)保和可持續(xù)發(fā)展的空調(diào)技術(shù)[1]。其中，露點間接蒸發(fā)冷卻可使產(chǎn)出空氣逼近進(jìn)入空氣的露點溫度，是提高設(shè)備溫降的核心技術(shù)之一。傳統(tǒng)空調(diào)機(jī)組的設(shè)計缺點在于不能對機(jī)組實際運行情況全面考慮；量產(chǎn)前優(yōu)化設(shè)計復(fù)雜、成本投入大。通過借助神經(jīng)網(wǎng)絡(luò)對非線性動力學(xué)系統(tǒng)的預(yù)測能力，建立露點冷卻器性能的預(yù)測模型，并對網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練與仿真，涉及暖通空調(diào)、信息處理、計算機(jī)等多學(xué)科，為露點冷卻器性能的預(yù)測研究提供新的思路。優(yōu)勢在于進(jìn)行充分模擬預(yù)測，以此規(guī)避機(jī)組缺陷；同時也降低試驗成本；縮短開發(fā)周期，提高機(jī)組競爭力[2]。

1 BP神經(jīng)網(wǎng)絡(luò)算法

圖1 BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)圖

BP神經(jīng)網(wǎng)絡(luò)是采用反向傳播學(xué)習(xí)算法進(jìn)行訓(xùn)練的人工神經(jīng)網(wǎng)絡(luò)，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(jié)構(gòu)分為輸入層、隱含層和輸出層。當(dāng)BP網(wǎng)絡(luò)的結(jié)構(gòu)確定后，就可以通過實驗測定的輸入及輸出樣本集對網(wǎng)絡(luò)進(jìn)行訓(xùn)練，完成網(wǎng)絡(luò)閾值和權(quán)值的學(xué)習(xí)和修正，目的是找到神經(jīng)網(wǎng)絡(luò)的輸入和輸出之間的映射關(guān)系[3]。

2 研究方法

2.1 訓(xùn)練樣本的選取

（1）露點間接蒸發(fā)冷卻空調(diào)機(jī)組

蒸發(fā)冷卻空調(diào)機(jī)組由進(jìn)風(fēng)段、風(fēng)機(jī)段、露點間接蒸發(fā)冷卻段、送風(fēng)段組成。其性能預(yù)測具有復(fù)雜的輸入與輸出之間非線性的隱性關(guān)系，需要通過大量的學(xué)習(xí)和訓(xùn)練樣本才能得到良好的預(yù)測效果。

根據(jù)在福州地區(qū)某公司四樓實驗室安裝的一臺露點間接蒸發(fā)冷卻空調(diào)機(jī)組，選用的露點間接蒸發(fā)冷卻機(jī)組總風(fēng)量20000m3/h，二/一次風(fēng)量比值約為0.6，送風(fēng)量可通過調(diào)節(jié)送風(fēng)口的閥門開度大小來調(diào)節(jié)，均為全新風(fēng)送風(fēng)。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(tǒng)平面圖和機(jī)組實物圖、結(jié)構(gòu)示意圖分別如圖2和圖3所示。

圖2 露點間接蒸發(fā)冷卻空調(diào)系統(tǒng)平面圖

圖3 露點間接蒸發(fā)冷卻空調(diào)機(jī)組實物圖和結(jié)構(gòu)示意圖

（2）訓(xùn)練樣本

對上述機(jī)組進(jìn)行測試，采用77組測試數(shù)據(jù)作為BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本。其中，2/3為訓(xùn)練數(shù)據(jù)，1/3為驗證數(shù)據(jù)。對機(jī)組送風(fēng)干球溫度、含濕量、效率的結(jié)果進(jìn)行預(yù)測，其部分?jǐn)?shù)據(jù)如表1所示。

表1 神經(jīng)網(wǎng)絡(luò)輸入輸出樣本（部分?jǐn)?shù)據(jù)）

2.2 輸入/輸出樣本設(shè)計

影響露點間接蒸發(fā)冷卻效率的影響因素很多，包括設(shè)備結(jié)構(gòu)、二次/一次風(fēng)量比、淋水量、室外空氣狀態(tài)也會對冷卻器的換熱效能產(chǎn)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(jī)組空氣進(jìn)風(fēng)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(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本。

為了更有效地進(jìn)行網(wǎng)絡(luò)訓(xùn)練，需要對訓(xùn)練樣本數(shù)據(jù)進(jìn)行預(yù)處理，即進(jìn)行歸一化處理，將數(shù)據(jù)統(tǒng)一到[0，1]區(qū)間，并且針對網(wǎng)絡(luò)的輸出數(shù)據(jù)也需要進(jìn)行反歸一化處理。

2.3 神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計

輸入層包括機(jī)組進(jìn)風(fēng)口干球溫度和含濕量2個參數(shù)，輸出層有3個參數(shù)，分別為機(jī)組出風(fēng)口干球溫度、含濕量和機(jī)組效率。其中機(jī)組的熱濕交換效率可以通過機(jī)組實測及預(yù)測結(jié)果計算得到。網(wǎng)絡(luò)采用一個隱含層，隱含層的神經(jīng)元個數(shù)按Mr Kawashima提出的方法選擇，即神經(jīng)元個數(shù)為2×2+2=6，共取6個神經(jīng)元。

2.4 網(wǎng)絡(luò)傳遞及訓(xùn)練函數(shù)

隱含層神經(jīng)元的傳遞函數(shù)采用對數(shù)S型正切函數(shù)Tansig，輸出層神經(jīng)元采用purelin函數(shù)。BP神經(jīng)網(wǎng)絡(luò)的局限性在于容易陷入局部最優(yōu)，為避免這種情況的出現(xiàn)，選擇LM算法作為訓(xùn)練方法對BP網(wǎng)絡(luò)進(jìn)行訓(xùn)練，訓(xùn)練函數(shù)采用LM算法的trainlm函數(shù)，學(xué)習(xí)采用trainlm函數(shù)，設(shè)置訓(xùn)練次數(shù)為1000次，訓(xùn)練目標(biāo)誤差為0.000000001，學(xué)習(xí)率為0.1，其他參數(shù)使用默認(rèn)值如表1所示。

3 性能預(yù)測

文中2.3節(jié)的初始神經(jīng)元個數(shù)為6，通過程序的運行，比較每次網(wǎng)絡(luò)的預(yù)測性能，選擇性能最優(yōu)的對應(yīng)的節(jié)點數(shù)作為隱含層神經(jīng)元節(jié)點數(shù)為8，最優(yōu)學(xué)習(xí)率與初始取值相同為0.1。下圖4為建立的2-8-3結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)，表2為歸一化處理后的神經(jīng)網(wǎng)絡(luò)輸入輸出樣本的部分?jǐn)?shù)據(jù)。

圖4 神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)

表2 歸一化處理后的神經(jīng)網(wǎng)絡(luò)輸入輸出樣本（部分?jǐn)?shù)據(jù)）

3.1 訓(xùn)練誤差曲線

網(wǎng)絡(luò)訓(xùn)練的誤差曲線如圖5所示。從圖中可以看出，訓(xùn)練的收斂速度非?？欤?dāng)訓(xùn)練次數(shù)達(dá)到11次的時候，機(jī)組出風(fēng)口的干球溫度和含濕量的實際出口值與預(yù)測值的標(biāo)準(zhǔn)方差已經(jīng)滿足設(shè)定的要求。

圖5 網(wǎng)絡(luò)訓(xùn)練的誤差曲線

3.2 網(wǎng)絡(luò)的誤差變化曲線

網(wǎng)絡(luò)的誤差變化曲線如圖6所示。橫坐標(biāo)是迭代次數(shù)，縱坐標(biāo)是均方誤差，藍(lán)色是訓(xùn)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(yīng)該關(guān)心的，可以看出，使用LM算法的2-8-2結(jié)構(gòu)的BP網(wǎng)絡(luò)在第5步時迅速收斂于0.048，且值最小，訓(xùn)練、驗證、測試網(wǎng)絡(luò)的效果明顯。

圖6 網(wǎng)絡(luò)的誤差變化曲線

3.3 LM算法訓(xùn)練過程變化曲線

圖7中，橫坐標(biāo)是迭代次數(shù)，最上面的圖橫坐標(biāo)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(biāo)是學(xué)習(xí)率，在迭代第11次時，學(xué)習(xí)率為0.0001。最下面圖的縱坐標(biāo)是校驗，可以看出，在迭代第6次以后的連續(xù)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(biāo)準(zhǔn)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(xùn)練能收到較好的效果。

圖7 LM算法訓(xùn)練過程

3.4 網(wǎng)絡(luò)預(yù)測結(jié)果分析

表3是網(wǎng)絡(luò)輸出的實測值及預(yù)測值的部分?jǐn)?shù)據(jù)。通過計算可得，神經(jīng)網(wǎng)絡(luò)對出風(fēng)口干球溫度預(yù)測的均方誤差為0.0671，對出風(fēng)口干球溫度預(yù)測的均方誤差為0.1067，對機(jī)組效率預(yù)測的均方誤差僅為0.0013，表明模型對其預(yù)測的精度較高。

由圖8～10可以明顯地看出，BP網(wǎng)絡(luò)對機(jī)組效率、出風(fēng)口干球溫度和含濕量的預(yù)測值與測試數(shù)據(jù)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(rèn)為，BP網(wǎng)絡(luò)能夠準(zhǔn)確的預(yù)測出機(jī)組出風(fēng)口干球溫度、含濕量機(jī)組效率及其變化趨勢。

表3 網(wǎng)絡(luò)輸出的實測及預(yù)測值（部分?jǐn)?shù)據(jù)）

圖8 BP神經(jīng)網(wǎng)絡(luò)對機(jī)組效率的預(yù)測結(jié)果

圖9 BP神經(jīng)網(wǎng)絡(luò)對送風(fēng)溫度預(yù)測結(jié)果

圖10 BP神經(jīng)網(wǎng)絡(luò)對含濕量預(yù)測結(jié)果

網(wǎng)絡(luò)的擬合效果圖如圖11所示。橫坐標(biāo)均為期望輸出，縱坐標(biāo)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(yīng)的數(shù)據(jù)，彩色的線均代表擬合后的線性函數(shù)，右表是他們的數(shù)學(xué)表達(dá)式，虛線代表一三象限的分角線，R是線性回歸后的相關(guān)系數(shù)，R越接近于1，表明預(yù)測結(jié)果越好。四個圖分別是對訓(xùn)練結(jié)果、對校驗結(jié)果、測試數(shù)據(jù)、所有數(shù)據(jù)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(wǎng)絡(luò)擬合效果圖

表4 網(wǎng)絡(luò)擬合相關(guān)系數(shù)

4 總結(jié)

（1）上述露點間接蒸發(fā)冷卻空調(diào)機(jī)組數(shù)據(jù)是在高濕度地區(qū)的福州測得的，從實驗數(shù)據(jù)上看，送風(fēng)的參數(shù)滿足室內(nèi)送風(fēng)點的要求，說明該地區(qū)應(yīng)用蒸發(fā)冷卻空調(diào)機(jī)組是能保證室內(nèi)空氣調(diào)節(jié)要求的，且應(yīng)用BP神經(jīng)網(wǎng)絡(luò)方法對空調(diào)機(jī)組的性能進(jìn)行預(yù)測是可行的。

（2）在空調(diào)系統(tǒng)設(shè)計日益發(fā)展的環(huán)境下，多種因素對空調(diào)性能的影響增加了對空調(diào)系統(tǒng)預(yù)測的復(fù)雜度。本課題通過控制變量，在機(jī)組其他條件不變的情況下，僅考慮機(jī)組進(jìn)風(fēng)口空氣的干球溫度和含濕量對機(jī)組出風(fēng)口空氣的干球溫度和含濕量以及機(jī)組效率的影響。

（3）在大數(shù)據(jù)時代背景下，神經(jīng)網(wǎng)絡(luò)預(yù)測空調(diào)機(jī)組性能將為暖通行業(yè)發(fā)展帶來新的機(jī)遇與挑戰(zhàn)。在接下來的研究中，將進(jìn)一步對程序進(jìn)行優(yōu)化和改進(jìn)，以期達(dá)到預(yù)期的目標(biāo)。

[1] 黃翔.蒸發(fā)冷卻空調(diào)原理與設(shè)備[M].北京:機(jī)械工業(yè)出版社,2019:23.

[2] 黃童毅,何林,郭慶,等.基于BP神經(jīng)網(wǎng)絡(luò)的空調(diào)性能預(yù)測研究[J].環(huán)境技術(shù),2019,37(4):100-103,114.

[3] 米羅斯拉夫·庫巴特(著),王勇(譯).機(jī)器學(xué)習(xí)導(dǎo)論[M].北京:機(jī)械工業(yè)出版社,2016:100-109.

[4] 邢廣成,強(qiáng)天偉.ANN理論在HVAC領(lǐng)域的應(yīng)用[J].科技信息,2012(28):100-101.

[5] 邢廣成.徑向基神經(jīng)網(wǎng)絡(luò)模型對蒸發(fā)冷卻空調(diào)填料性能的預(yù)測[D].西安:西安工程大學(xué),2012.

[6] 陳玉英.應(yīng)用BP神經(jīng)網(wǎng)絡(luò)的管式間接-直接復(fù)合式蒸發(fā)冷卻空調(diào)機(jī)組性能預(yù)測[J].節(jié)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(fā)冷卻空調(diào)機(jī)組在干燥地區(qū)的優(yōu)化設(shè)計及應(yīng)用研究[D].西安:西安工程大學(xué),2018．

[10] 黃凱新,黃翔,嚴(yán)政,等.復(fù)合式露點間接蒸發(fā)冷卻空調(diào)機(jī)組在敦煌機(jī)場某食堂的應(yīng)用[J].制冷與空調(diào),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(xué)基金（51676145）；西安工程大學(xué)研究生創(chuàng)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