摘要：

針對(duì)相變儲(chǔ)能機(jī)組換熱性能的非線性影響因素，分析了室內(nèi)外不同環(huán)境因素下機(jī)組運(yùn)行工況的性能系數(shù)（COP）及蓄/放能特征，并在焓差實(shí)驗(yàn)室進(jìn)行機(jī)組性能測(cè)試?；趯?shí)驗(yàn)數(shù)據(jù)，建立了不同神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)預(yù)測(cè)模型，預(yù)測(cè)機(jī)組COP及蓄/放能量；通過(guò)預(yù)測(cè)值與實(shí)驗(yàn)值結(jié)果對(duì)比，兩者相關(guān)系數(shù)大于0.99，平均相對(duì)誤差小于2%，平均均方差低于0.2%。研究結(jié)果表明，神經(jīng)網(wǎng)絡(luò)方法可以準(zhǔn)確地預(yù)測(cè)相變機(jī)組儲(chǔ)放能過(guò)程及對(duì)應(yīng)的性能系數(shù)。

關(guān)鍵詞：

神經(jīng)網(wǎng)絡(luò)；相變儲(chǔ)能；儲(chǔ)能量；放能量；性能系數(shù)（COP）

中圖分類號(hào)：

TU111

文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1674-4764（2014）05-0066-05

Performance Experiment and Prediction Model of Latent Heat Storage Unit Used in Telecommunications Base Stations

Luo Xinbo1， Zhang Quan1， Sun Xiaoqin1， Chen Xiaoming1， Wang Jiaqiang1，Liao Shuguang2

（1.College of Civil Engineering， Hunan University， Changsha 410082， P. R. China；

2.Changsha Maxxom Hi-tech Corporation，Changsha 410015， P. R. China）

Abstract：

energy saving potential of latent heat storage unit was studied（LHSU） by using neural network. Experiments were conducted in an enthalpy difference laboratory to simulate the performance of LHSU. Different neural network structures were built to predict the influence of nonlinear factors including air flow rate， air temperature. Coefficient of performance （COP）， energy storage and discharge rates on the unit’s operation performance. Results showed that the predictions agreed well with the experimental data with correlation coefficients in the range of 0.99～1.00， mean relative errors below 2% and very low root mean square errors.

Key words：

neural network； phase change energy storage； energy storage； energy discharge； coefficient of performance.

隨著通信業(yè)的迅速發(fā)展，中國(guó)對(duì)基站數(shù)量需求越來(lái)越多，基站耗電量大。據(jù)不完全統(tǒng)計(jì)，僅中國(guó)移動(dòng)2009年耗電就達(dá)到111.4億kW·h，基站耗能已占運(yùn)營(yíng)商能耗的一半左右^[1]，其中空調(diào)耗能占基站耗能30%～50%^[2]，基站空調(diào)系統(tǒng)節(jié)能迫在眉睫。李雄文^[3]從氣流組織角度提出空調(diào)下送風(fēng)方式及出風(fēng)口朝向通信設(shè)備進(jìn)風(fēng)口實(shí)現(xiàn)節(jié)能；李森^[4]指出在合適的室外氣候條件下，通信基站采用新風(fēng)技術(shù)全年可實(shí)現(xiàn)節(jié)能30%～50%。為解決新風(fēng)技術(shù)中能量供需不平衡的問(wèn)題，孫小琴等^[5]提出相變儲(chǔ)能機(jī)組，結(jié)合室外新風(fēng)技術(shù)和相變儲(chǔ)能技術(shù)降低基站制冷能耗，研究發(fā)現(xiàn)，采用此項(xiàng)技術(shù)機(jī)組能效比高達(dá)14.04 W/W。

相變儲(chǔ)能機(jī)組性能的影響因素眾多，難以通過(guò)數(shù)學(xué)模型準(zhǔn)確預(yù)測(cè)機(jī)組性能。為了方便地分析相變儲(chǔ)能機(jī)組的節(jié)能性，本文采用神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)機(jī)組COP和蓄/放能量，分析影響機(jī)組性能的參數(shù)。神經(jīng)網(wǎng)絡(luò)具有大規(guī)模并行分布式存儲(chǔ)、處理及自組織、自適應(yīng)、自學(xué)習(xí)的能力，特別適合處理需要同時(shí)考慮許多因素和條件的問(wèn)題^[6]。眾多專家學(xué)者針對(duì)不同問(wèn)題進(jìn)行神經(jīng)網(wǎng)絡(luò)建模研究。陳文鼎等^[7]利用神經(jīng)網(wǎng)絡(luò)，以不同時(shí)刻的室外氣溫、太陽(yáng)輻射以及某時(shí)刻供冷時(shí)數(shù)作為輸入準(zhǔn)確預(yù)測(cè)出第二天空調(diào)負(fù)荷，并分析誤差原因及提高精度的方法；魏東等^[8]采用前向神經(jīng)網(wǎng)絡(luò)作為優(yōu)化反饋控制器穩(wěn)定控制變風(fēng)量空調(diào)系統(tǒng)，并實(shí)時(shí)預(yù)測(cè)出空調(diào)區(qū)域負(fù)荷；Kusiak等^[9]采用動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)對(duì)HVAC系統(tǒng)優(yōu)化建模，與傳統(tǒng)控制策略相比可節(jié)能30%；Gerardo等^[10]通過(guò)神經(jīng)網(wǎng)絡(luò)控制翅片式換熱器的換熱空氣溫度，與常規(guī)PI/PID控制比較，神經(jīng)網(wǎng)絡(luò)更容易穩(wěn)定系統(tǒng)且具有更好的適應(yīng)性；Qi等^[11]分析無(wú)填料噴霧冷卻塔熱質(zhì)傳遞，與實(shí)驗(yàn)結(jié)果相比，神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果的絕對(duì)平均相對(duì)誤差為1.13%，而數(shù)值模型計(jì)算的誤差達(dá)到9.42%；Ermis^[12]利用神經(jīng)網(wǎng)絡(luò)分析管翅式蓄熱系統(tǒng)相變傳熱過(guò)程，以傳熱面積、雷諾數(shù)、進(jìn)口傳熱流體溫度、時(shí)間為輸入預(yù)測(cè)蓄熱量，與實(shí)驗(yàn)數(shù)據(jù)相比，其絕對(duì)平均相對(duì)誤差為5.59%，小于數(shù)值模型的14.99%。因此，在非線性影響因素眾多的系統(tǒng)采用神經(jīng)網(wǎng)絡(luò)方法研究比傳統(tǒng)方法更精確，耗時(shí)花費(fèi)更少。

目前相變儲(chǔ)能機(jī)組還處在研究階段，考慮到機(jī)組COP及蓄/放能量影響因素之間的非線性特性，本文利用BP神經(jīng)網(wǎng)絡(luò)對(duì)相變儲(chǔ)能機(jī)組COP及蓄/放能量進(jìn)行預(yù)測(cè)，以空氣溫濕度、水流量、風(fēng)量、水溫差、功率及時(shí)間為輸入量，采用三層網(wǎng)絡(luò)結(jié)構(gòu)，對(duì)比隱含層不同神經(jīng)元的預(yù)測(cè)輸出，以湖南大學(xué)焓差臺(tái)實(shí)驗(yàn)的數(shù)據(jù)對(duì)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果進(jìn)行了對(duì)比驗(yàn)證。

1 基站用相變儲(chǔ)能機(jī)組模型

孫小琴等^[5]研發(fā)出一種基站用相變儲(chǔ)能機(jī)組，該機(jī)組由空氣冷卻器、相變模塊、風(fēng)機(jī)、水泵、過(guò)濾器、水管以及相應(yīng)的控制裝置組成，其模型如圖1所示。其運(yùn)行模式有新風(fēng)、儲(chǔ)能以及放能模式。

該實(shí)驗(yàn)室由兩個(gè)房間組成，1個(gè)是室內(nèi)側(cè)，用于模擬基站內(nèi)的溫濕度條件，另1個(gè)為室外側(cè)，用于模擬戶外新風(fēng)條件。相變儲(chǔ)能機(jī)組放在室內(nèi)側(cè)，對(duì)其性能進(jìn)行測(cè)試，同時(shí)在室內(nèi)側(cè)放置1個(gè)2 500 W的加熱器作為基站內(nèi)典型的熱源。在室內(nèi)側(cè)和室外側(cè)共設(shè)立3個(gè)測(cè)點(diǎn)，測(cè)點(diǎn)1、2、3分別用熱電偶測(cè)得送風(fēng)溫濕度，回風(fēng)溫濕度以及新風(fēng)溫濕度，用能量計(jì)測(cè)出水流量和水溫，通過(guò)測(cè)定標(biāo)準(zhǔn)流量噴嘴前后靜壓差測(cè)量風(fēng)量，每5 min記錄一組數(shù)據(jù)，儲(chǔ)能模式下記錄60組數(shù)據(jù)，放能模式下為45組數(shù)據(jù)。該機(jī)組的COP以及蓄/放能結(jié)果如圖3～5所示。

由圖3可以看出在儲(chǔ)能模式下整臺(tái)相變機(jī)組的COP穩(wěn)定在12.56，放能模式COP下降的原因在于蓄能量的釋放，對(duì)于確定的相變模塊，其蓄能量有限，但在放能的3 h內(nèi)可以穩(wěn)定在9.64。由圖4可以看出在儲(chǔ)能模式下相變儲(chǔ)能機(jī)組蓄能率在0.5 h內(nèi)蓄能比較快，0.5～4.5 h內(nèi)基本呈線性降低，之后蓄能急劇下降；從圖5可以看出在放能模式下機(jī)組放能率在0.5 h內(nèi)放能過(guò)程比較快，之后較緩；這兩圖變化原因在于相變儲(chǔ)能模塊容量有限以及在蓄能、放能傳熱的過(guò)程中模塊分別與流體之間的傳熱溫差開(kāi)始時(shí)較大，換熱率高，之后溫差逐漸減小[13-14]。

3 神經(jīng)網(wǎng)絡(luò)模型及預(yù)測(cè)分析

在神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)應(yīng)用中已有眾多專家學(xué)者實(shí)驗(yàn)表明三層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)足以達(dá)到精度，而且發(fā)現(xiàn)隱含層數(shù)越多，誤差反向傳播的過(guò)程計(jì)算及編程越復(fù)雜，訓(xùn)練時(shí)間也急劇增加，訓(xùn)練過(guò)程中更容易陷入局部最小誤差，同時(shí)，網(wǎng)絡(luò)連接權(quán)系數(shù)矩陣也難以調(diào)整到最小誤差處^[15]。因此選擇三層網(wǎng)絡(luò)結(jié)構(gòu)。隱含層神經(jīng)元數(shù)直接影響B(tài)P神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)精度，節(jié)點(diǎn)數(shù)過(guò)多，會(huì)引起訓(xùn)練時(shí)間過(guò)長(zhǎng)且容易造成神經(jīng)網(wǎng)絡(luò)過(guò)擬合，而節(jié)點(diǎn)數(shù)過(guò)少，網(wǎng)絡(luò)學(xué)習(xí)不完善，訓(xùn)練次數(shù)會(huì)增加，訓(xùn)練精度也會(huì)受到影響，但是目前還沒(méi)有統(tǒng)一的解析式來(lái)確定隱含層節(jié)點(diǎn)數(shù)，因此，本文在kolmogrov定理^[16]基礎(chǔ)上采用不同節(jié)點(diǎn)數(shù)即節(jié)點(diǎn)數(shù)為18、19、20時(shí)比較研究。由相變機(jī)組模式研究可知，其COP的影響因素主要有新/回風(fēng)溫濕度、水流量、風(fēng)量、水溫差以及功率，而蓄/放能不僅跟上述因素有關(guān)而且跟時(shí)間有聯(lián)系，以這些影響參數(shù)作為網(wǎng)絡(luò)的輸入，其神經(jīng)網(wǎng)絡(luò)模型如圖6所示。

Mohanraj^[17]建議隨機(jī)選取實(shí)驗(yàn)數(shù)據(jù)的70%作為模型訓(xùn)練，余下的用于結(jié)果對(duì)比，由此儲(chǔ)能模式下為40組訓(xùn)練，20組對(duì)比，放能模式下30組訓(xùn)練，15組對(duì)比。訓(xùn)練采用Levenberg-Marquardt算法，收斂速度快且可以有效防止神經(jīng)網(wǎng)絡(luò)訓(xùn)練收斂于局部最小^[17]。預(yù)測(cè)模型的準(zhǔn)確度采用均方差（MSE）、平均相對(duì)誤差（MRE）指標(biāo)以及線性相關(guān)系數(shù)（R）來(lái)評(píng)價(jià)。輸入層到隱含層以及隱含層到輸出層的傳遞函數(shù)分別為sigmoid函數(shù)和線性函數(shù)。 預(yù)測(cè)誤差結(jié)果如表1。

由表1可知每一種結(jié)構(gòu)的預(yù)測(cè)精度都能達(dá)到要求，平均相對(duì)誤差小于2%，均方差低于0.2%，有的甚至接近于0，線性系數(shù)大于0.99。對(duì)于神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)，隱含層單元數(shù)根據(jù)kolmogrov定理選取可以達(dá)到精度，但這3種結(jié)構(gòu)存在差異，儲(chǔ)能模式下，預(yù)測(cè)COP隱含層單元數(shù)最好是20，預(yù)測(cè)蓄能量為19時(shí)最佳；放能模式下，預(yù)測(cè)COP最佳隱含層單元數(shù)是19，預(yù)測(cè)放能量是隱含層單元數(shù)為20時(shí)最好。分析其差異原因，主要在于兩種模式訓(xùn)練數(shù)據(jù)不一致以及COP與蓄/放能的影響參數(shù)之間存在差異。對(duì)于相變儲(chǔ)能機(jī)組來(lái)說(shuō)，利用神經(jīng)網(wǎng)絡(luò)可以準(zhǔn)確預(yù)測(cè)出其性能，避免數(shù)值模擬中復(fù)雜傳遞函數(shù)推導(dǎo)以及由假設(shè)、近似等推導(dǎo)過(guò)程帶來(lái)的誤差。

4 結(jié) 論

通過(guò)分析室內(nèi)外不同環(huán)境因素下機(jī)組運(yùn)行工況的性能系數(shù)（COP）及蓄/放能特征，建立Levenberg-Marquardt訓(xùn)練算法的BP神經(jīng)網(wǎng)絡(luò)來(lái)預(yù)測(cè)眾多非線性影響因素的相變儲(chǔ)能機(jī)組的性能，該網(wǎng)絡(luò)結(jié)構(gòu)輸入9個(gè)參數(shù)，預(yù)測(cè)出機(jī)組的3個(gè)性能參數(shù)即COP、蓄/放能量，并比較隱含層單元不同時(shí)的預(yù)測(cè)結(jié)果，在kolmogrov定理基礎(chǔ)上確定的隱含層單元數(shù)都能達(dá)到精度要求，通過(guò)與焓差臺(tái)的實(shí)驗(yàn)數(shù)據(jù)對(duì)比，均方差小于0.2%，平均相對(duì)誤差小于2%，相關(guān)系數(shù)大于0.99，結(jié)果表明神經(jīng)網(wǎng)絡(luò)可以很好地用于相變機(jī)組的性能預(yù)測(cè)。參考文獻(xiàn)：

[1]

陳沂. 濕熱地區(qū)通信基站建筑節(jié)能設(shè)計(jì)策略與技術(shù)[D]. 廣州：華南理工大學(xué)，2010.

[2]Tu R. Energy performance analysis on telecommunication base station[J]. Energy and Buildings，2011，43： 315-325.

[3]李雄文.機(jī)房空調(diào)合理安裝與控制對(duì)散熱及節(jié)能的影響分析[J].智能建筑與城市信息，2010（7）：20-22.

Li X W. Heat rejection and energy efficiency analysis by reasonable installation and control of air conditioner in plant room[J]. Chinese Journal of Intelligent Building and Urban Information， 2010， 7： 20-22.

[4]李森.通風(fēng)節(jié)能系統(tǒng)在電信機(jī)房中的應(yīng)用[J].電信技術(shù)，2008（8）：48-49.

Li S. Application of ventilation energy saving systems in telecommunication plant room[J]. Chinese Journal of Telecommunication Technology， 2008， 8： 48-49.

[5]Sun X Q， Zhang Q， Mario A， et al. A study on the use of phase change materials （PCMs） in combination with a natural cold source for space cooling in telecommunications base stations （TBSs） in China[J]. Applied Energy，2014，117： 95-103.

[6]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.

Xing G C，Qiang T W. Application of artificial neural network in HVAC systems [J]. Chinese Journal of Technology Information， 2012（28）： 100-101.

[7]陳文鼎，趙哲身. 基于BP神經(jīng)網(wǎng)絡(luò)的空調(diào)負(fù)荷預(yù)測(cè)[J]. 節(jié)能技術(shù)， 2010，28（1）： 15-17.

Chen W D， Zhao Z S. Air conditioning cool load forecast based on BP neural network[J]. Chinese Journal of Energy Saving Technology， 2010， 28（1）： 15-17.

[8]魏東，支謹(jǐn)，張明廉. 基于人工神經(jīng)網(wǎng)絡(luò)的變風(fēng)量空調(diào)控制系統(tǒng)[J].暖通空調(diào)， 2005， 35（4）：112-116.

Wei D， Zhi J， Zhang M L. VAV air conditioning control system based on artificial neural network [J]. Chinese Journal of HV AC， 2005， 35（4）： 112-116.

[9]Kusiak A， Xu G L. Modeling and optimization of HVAC systems using a dynamic neural network [J]. Energy，2012，42： 241-250.

[10]Díaz G， Sen M， Yang K T， et al. Dynamic prediction and control of heat exchangers using artificial neural networks [J]. International Journal of Heat and Mass Transfer，2001，44：1671-1679.

[11]Qi X N， Liu Z Y， Li D D. Numerical simulation of shower cooling tower based on artificial neural network[J]. Energy Conversion and Management，2008，49：724-732.

[12]Ermis K， Erek A， Dincer L. Heat transfer analysis of phase change process in a finned-tube thermal energy storage system using artificial neural network[J]. International Journal of Heat and Mass Transfer，2007，50：3163-3175.

[13]Mosaffa A H， Infante C A Ferreira， et al. Thermal performance of a multiple PCM thermal storage unit for free cooling[J]. Energy Conversion and Management，2013，67： 1-7.

[14]Teggar M， Mezaache E H. Numerical investigation of a PCM heat exchanger for latent cool storage [J]. Energy Procedia，2013，36： 1310-1319；

[15]朱能，史學(xué)宇，劉俊杰，等.人工神經(jīng)網(wǎng)絡(luò)對(duì)空調(diào)負(fù)荷預(yù)測(cè)過(guò)程的優(yōu)化研究[J].制冷學(xué)報(bào)，2002（2）： 35-38.

Zhu N， Shi X Y， Liu J J， et al. Optimation study on air conditioning cool load forecast process by artificial neural network [J]. Chinese Journal of Refrigeration， 2002（2）： 35-38.

[16]吳杰. 冰蓄冷空調(diào)系統(tǒng)負(fù)荷預(yù)測(cè)模型和系統(tǒng)優(yōu)化控制研究[D]. 杭州：浙江大學(xué)，2002.

[17]Mohanraj M， Jayaraj S， Muraleedharan C. Applications of artificial neural networks for refrigeration， air-conditioning and heat pump systems—A review [J]. Renewable and Sustainable Energy Reviews，2012，16：1340-1358.