摘 要：隔離型換熱節(jié)能系統(tǒng)的模型研究對系統(tǒng)優(yōu)化有著現(xiàn)實意義。在對系統(tǒng)結(jié)構(gòu)介紹的基礎(chǔ)上，建立了系統(tǒng)的穩(wěn)態(tài)機理模型。針對系統(tǒng)模型中的關(guān)鍵參數(shù)難以測量的問題，提出采用基于RBF神經(jīng)網(wǎng)絡(luò)的軟測量方法加以解決，并利用現(xiàn)場數(shù)據(jù)進行了實驗研究。結(jié)果表明，所提方法是可行、有效的。



關(guān)鍵詞：換熱節(jié)能； 機理模型； 軟測量； RBF神經(jīng)網(wǎng)絡(luò)

中圖分類號：

TN911.7-34; TP271+.3

文獻標識碼：A

文章編號：1004-373X(2012)05

-0150

-03



Application of soft measurement based on neural network in isolated 

heat exchange energy-saving system



WANG Rui-hua， WANG Pu

(Beijing University of Technology， Beijing 100124， China)



Abstract：

The research on the model of heat pipe heat exchange system has practical significance to system optimization. Based on introducing the system structure， the steady state mechanism model is built. Aiming at the problem that key para-meter is difficult to be measured in system model， the soft measurement method based on RBF neural network is proposed. Then， using practical data in field， testing research is carried out. The conclusion shows that the method is feasible and valid.



Keywords： heat exchange energy-saving; mechanism model; soft measurement; RBF neural network





收稿日期：2011-11-29

基金項目：國家自然科學基金資助項目(60974133)

0 引 言

節(jié)能問題日益成為社會的熱點問題，暖通空調(diào)系統(tǒng)這一能源消耗大戶越來越引起人們的關(guān)注，如何降低空調(diào)系統(tǒng)的節(jié)能降耗具有非常重要的社會意義。隔離型換熱節(jié)能系統(tǒng)是把室外的自然環(huán)境作為冷源，通過換熱器把室外冷空氣的冷量傳遞到室內(nèi)，達到冷卻室內(nèi)空氣的目的。由于這一方法綠色環(huán)保的特點，已經(jīng)受到越來越多人的關(guān)注［1-3］。但對其進行系統(tǒng)建模與優(yōu)化的研究鮮有報道。因此，研究并開發(fā)出高效率運行的隔離型換熱節(jié)能系統(tǒng)在現(xiàn)階段具有開拓性的意義和重要的價值。

要對節(jié)能系統(tǒng)進行運行特征分析和進一步的運行優(yōu)化控制，系統(tǒng)模型的研究起到至關(guān)重要的作用。對于換熱過程這樣一個物理過程系統(tǒng)，可以通過列寫反映流體傳熱傳質(zhì)等基本規(guī)律的動力學方程來建立系統(tǒng)的數(shù)學模型。在模型結(jié)構(gòu)確定后，由于模型中的關(guān)鍵參數(shù)難以測量導致所建立模型的不確定性。本文以筆者開發(fā)的北京某電信機房所安裝的隔離型換熱節(jié)能系統(tǒng)為背景，利用軟測量技術(shù)來獲得不可測變量的最佳估計，為解決上述問題提供了一種有效方法。

1 軟測量技術(shù)

軟測量技術(shù)是解決過程系統(tǒng)中普遍存在的一類難以在線測量的變量估計問題的有效方法。它的基本思想是把自動控制理論與生產(chǎn)過程知識有機結(jié)合起來，應用計算機技術(shù)，對于難于測量或暫時不能測量的重要變量，通過選擇另外一些容易測量的變量與之構(gòu)成某種數(shù)學關(guān)系來推斷和估計。在以軟測量的估計值作為反饋信號的控制系統(tǒng)中，軟測量儀表除了能“測量”主導變量，還可估計一些反映過程特性的工藝參數(shù)，如精餾塔的塔板效率、反應速率和催化劑的活性等，為實現(xiàn)產(chǎn)品質(zhì)量的實時檢測與控制奠定基礎(chǔ)［4］。

2 系統(tǒng)模型建立

2.1 系統(tǒng)介紹

隔離型換熱節(jié)能系統(tǒng)的結(jié)構(gòu)如圖1所示。系統(tǒng)由室外風道和室內(nèi)風道組成，室外風道利用室外風機的驅(qū)動作用，從室外引進溫度比較低的空氣，經(jīng)過換熱器換熱后再排放到室外。室內(nèi)風道利用室內(nèi)風機的驅(qū)動作用，從室內(nèi)引進溫度比較高的空氣，經(jīng)過換熱器后再送回到室內(nèi)。室內(nèi)風道與室外風道之間是隔離的，通過換熱效率較高的換熱器將二者連接起來，并通過換熱器進行熱量的交換，室內(nèi)外風機均選用變頻風機以改變風道內(nèi)的風量。

圖1 隔離型換熱節(jié)能系統(tǒng)的結(jié)構(gòu)圖

2.2 機理模型建立

忽略一些熱損失等次要因素，根據(jù)傳熱過程的兩個基本方程式列寫穩(wěn)態(tài)特性方程如下:

式中:q為傳熱速率(單位：kJ/h)；G為質(zhì)量流量(單位：kg/h)；C為平均比熱容(單位：kJ/(kg·K))， 本系統(tǒng)中冷熱流體均為空氣，所以C1和C2都是空氣的平均比熱容Cp;T1為室外風道進風口溫度(單位：K);T2為室外風道出風口溫度(單位：K);T3為室內(nèi)風道進風口溫度(單位：K);T4為室內(nèi)風道出風口溫度(單位：K)。式(2)中，U為傳熱總系數(shù)(單位：kJ/(m2·K·h))；Am表示平均傳熱面積(單位：m2)；Δθm表示平均溫度差(單位：K)，其表達式為：

式(5)即為隔離型換熱節(jié)能系統(tǒng)的穩(wěn)態(tài)模型［5-6］。其中兩個風道內(nèi)空氣的質(zhì)量流量G1和G2與兩個風機運行頻率f1和f2呈顯著的線性關(guān)系，可以分別表示成f1和f2的線性函數(shù)如下：G1=440.76f1-1 860與G2=305.52f2-1 374，這樣就把風量G1和G2轉(zhuǎn)化成比較容易理解的風機頻率值f1和f2進行處理。

3 軟測量技術(shù)應用

3.1 問題描述

從模型中可以看出，UAm是模型中的未知參數(shù)，通過對傳熱過程的分析與對實際數(shù)據(jù)的分析也可以得出，雖然傳熱面積Am在系統(tǒng)運行階段是個固定值，可以通過換熱器的實際設(shè)計參數(shù)進行推導，但傳熱總系數(shù)U的大小受兩個風道內(nèi)風量大小和進風口溫度等變量的影響，是個變化的參數(shù)。因此，為了簡化運算，把UAm可以作為軟測量技術(shù)中的主導變量，方程右邊的其他變量作為軟測量技術(shù)中的輔助變量，問題的關(guān)鍵就是如何通過建立兩者的數(shù)學關(guān)系，完成對UAm的推斷和估計。

3.2 軟測量模型的建立

軟測量模型是軟測量技術(shù)的核心。建立的方法有機理建模、經(jīng)驗建模以及兩者相結(jié)合。機理模型的優(yōu)點是可以充分利用已知的過程知識，從事物的本質(zhì)上認識外部特征，有較大的適用范圍。但通過對本系統(tǒng)的機理研究發(fā)現(xiàn)，對流換熱過程受物體特性、流動狀態(tài)、溫度和換熱面幾何特性等多種因素影響，要通過機理模型來表示這種影響關(guān)系，難度很大，而且精度很低［7］。因此，本文采用實驗測試的方法來完成對UAm的軟測量，即通過實測或積累的操作數(shù)據(jù)，通過公式(5)，可以得到UAm=G2Cp(T3－T4)/［(T3－T1)－12(1+G2G1)(T3－T4)］，這樣，利用T1，T3，T4，G1，G2的歷史數(shù)據(jù)，可以計算出UAm的值，以這些數(shù)據(jù)作為模型建立的樣本，使用經(jīng)驗建模的方法可以獲得系統(tǒng)的軟測量模型。

3.3 基于RBF神經(jīng)網(wǎng)絡(luò)的軟測量

人工神經(jīng)元網(wǎng)絡(luò)為解決復雜過程的建模提供了一條新途徑，也成為軟測量實現(xiàn)中最重要的一種方法。由于某些過程系統(tǒng)內(nèi)在機理復雜，存在嚴重非線性和不確定性問題。采用神經(jīng)網(wǎng)絡(luò)方法可以在不需要了解過程先驗知識的情況下很方便地建立軟測量模型。

理論上已經(jīng)證明，三層前饋神經(jīng)網(wǎng)絡(luò)可以任意精度逼近任意非線性函數(shù)。前饋型神經(jīng)元網(wǎng)絡(luò)如此良好的性質(zhì)，在過程建模中得到廣泛應用，作為軟測量方法也是十分誘人的。前饋型網(wǎng)絡(luò)中應用最廣的是BP網(wǎng)絡(luò)和RBF網(wǎng)絡(luò)。RBF神經(jīng)網(wǎng)絡(luò)可以根據(jù)具體問題確定相應的網(wǎng)絡(luò)拓撲結(jié)構(gòu)，具有自學習、自組織、自適應功能，它對非線性連續(xù)函數(shù)具有一致逼近性，參數(shù)調(diào)整為線性算法，學習速度快，可以進行大范圍的數(shù)據(jù)融合，更適合于軟測量應用［8］。RBF神經(jīng)網(wǎng)絡(luò)是一個三層前向網(wǎng)絡(luò)，即包括輸入層、隱層和輸出層。從輸入空間到隱層空間的變換是非線性的，而從隱層空間到輸出層空間的變換是線性的。RBF神經(jīng)網(wǎng)絡(luò)用徑向基函數(shù)(RBF)作為各隱單元的“基”，構(gòu)成隱含層空間，隱含層對輸入矢量進行變換，將低維的模式輸入數(shù)據(jù)變換到高維空間內(nèi)，使得在低維空間內(nèi)的線性不可分問題在高維空間內(nèi)線性可分。徑向基函數(shù)有多種形式，一般取高斯函數(shù)，它是一種局部分布的且對中心點徑向?qū)ΨQ衰減的非負非線性函數(shù).整個RBF神經(jīng)網(wǎng)絡(luò)可用公式描述為:

式中:fj是第j個線性層神經(jīng)元的輸出;b為第j個線性層神經(jīng)元所附加的偏差;Wij是RBF層的第i個神經(jīng)元與線性層的第j個神經(jīng)元的連接權(quán)值;φ為高斯函數(shù);n是隱層節(jié)點數(shù);m是線性層節(jié)點數(shù);P是網(wǎng)絡(luò)輸入向量;ci是第i個隱層節(jié)點的中心向量;b是所有隱層節(jié)點的形狀參數(shù)［9-10］。

4 實驗研究與分析

4.1 實驗數(shù)據(jù)的準備

建立系統(tǒng)模型的目的是對系統(tǒng)的輸出狀態(tài)進行估計，以便更好地對系統(tǒng)所要達到的目標進行優(yōu)化和控制。因此模型估計能力的高低對模型的評價至關(guān)重要。這里可以用泛化能力的概念來衡量所建模型的優(yōu)劣。系統(tǒng)通過對一定數(shù)量的數(shù)據(jù)進行神經(jīng)網(wǎng)絡(luò)訓練獲得系統(tǒng)模型，在使用模型進行估計的工作階段，當向模型輸入神經(jīng)網(wǎng)絡(luò)訓練時未曾見過的數(shù)據(jù)時，模型也能很好地完成由輸入空間向輸出空間的正確映射。說明模型的泛化能力強，表明所建的模型可靠，可以被實際所采用。模型泛化能力高低與訓練用的樣本密切相關(guān)，設(shè)計一個好的訓練樣本集既要注意樣本的規(guī)模，又要注意樣本質(zhì)量。一般可以參考這樣的一個經(jīng)驗規(guī)則，訓練樣本數(shù)是網(wǎng)絡(luò)連接權(quán)總數(shù)的5～10倍。同時，神經(jīng)網(wǎng)絡(luò)用樣本一定要遵循多樣性與均勻性的原則。如果在大量的歷史數(shù)據(jù)中隨機選取其中一部分作為訓練樣本，這樣很可能使訓練樣本集本身沒有包含全部樣本的特征，使估計的結(jié)果出現(xiàn)較大的誤差，從而使模型的泛化能力變差［11］。

4.2 RBF神經(jīng)網(wǎng)絡(luò)實驗

遵循多樣性與均勻性的原則，在大量的歷史數(shù)據(jù)中挑選出合理并有效的樣本數(shù)據(jù)73組進行RBF神經(jīng)網(wǎng)絡(luò)的訓練。首先對樣本數(shù)據(jù)進行歸一化。本文通過變換處理將網(wǎng)絡(luò)的輸入、輸出數(shù)據(jù)限制在［-1，1］區(qū)間內(nèi)，經(jīng)過神經(jīng)網(wǎng)絡(luò)計算后，輸出值再還原成常規(guī)值。隱層節(jié)點數(shù)選為5個。采用隨機選取的100組交叉檢驗數(shù)據(jù)對模型的泛化能力進行檢驗。使用Matlab語言編寫程序，得到的RBF神經(jīng)網(wǎng)絡(luò)模型輸出與系統(tǒng)實際輸出的對比曲線如圖2所示。從圖中也可以看出，根據(jù)現(xiàn)場實際數(shù)據(jù)計算得到的UAm值與經(jīng)過訓練后的神經(jīng)網(wǎng)絡(luò)模型估計得出的值基本吻合，使用各樣本點相對誤差的均值MER衡量模型的泛化能力，求得測試樣本的MER為0.027，證明該模型是有效的。

4.3 實驗結(jié)果分析

通過實驗的結(jié)果可以看出，在含有非線性關(guān)系的模型建立中，由于神經(jīng)網(wǎng)絡(luò)模型可以對非線性關(guān)系任意精度逼近的特點，使用RBF神經(jīng)網(wǎng)絡(luò)建立的軟測量模型的擬合精度和泛化能力都比較高，能夠滿足系統(tǒng)建模的要求。

5 結(jié) 語

隔離型換熱節(jié)能系統(tǒng)作為當前空調(diào)節(jié)能降耗的有效措施日益受到各方面的關(guān)注。因此具有良好的推廣前景。本文從工程實際出發(fā)，利用基于RBF神經(jīng)網(wǎng)絡(luò)的軟測量技術(shù)對系統(tǒng)模型中的關(guān)鍵參數(shù)難以測量的問題進行了研究。并利用實際工程中現(xiàn)場采集的數(shù)據(jù)進行了實驗研究與分析。交叉檢驗的結(jié)果表明，文中方法是有效的。本文的研究為節(jié)能系統(tǒng)的穩(wěn)態(tài)優(yōu)化實施打下了基礎(chǔ)，具有較高的實用價值。

參 考 文 獻

［1］劉巖.自然冷資源輔助空調(diào)系統(tǒng)研究［D］.哈爾濱:東北農(nóng)業(yè)大學，2007.



［2］許磊，陳超，管勇，等.自然冷卻換熱技術(shù)在電信行業(yè)通信機房空調(diào)系統(tǒng)中的應用研究［J］.制冷與空調(diào)，2010，10(5):85-89.



［3］鮑玲玲.通信基站用空氣換熱器的研究［D］.邯鄲：河北工程大學，2008.



［4］俞金壽，劉愛倫，張克進.軟測量技術(shù)及其在石油化工中的應用［M］.北京：化學工業(yè)出版社，2000.



［5］俞金壽，蔣慰孫.過程控制工程［M］.北京:電子工業(yè)出版社，2007.



(下轉(zhuǎn)第159頁)